Luận án Phát triển phương pháp phân tích định lượng tín hiệu Iemg chi trên hỗ trợ chẩn đoán bệnh lý

MỤC LỤC

DANH MỤC CÁC KÝ HIỆU VIẾT TẮT. ix

DANH MỤC BẢNG. xi

DANH MỤC HÌNH . xii

MỞ ĐẦU .1

Mục đích của nghiên cứu.1

Mục tiêu nghiên cứu của luận án.3

Các vấn đề cần giải quyết của luận án.3

Phạm vi nghiên cứu của luận án.4

Phƣơng pháp nghiên cứu.4

Cấu trúc luận án.5

Ý nghĩa khoa học và thực tiễn của luận án.6

Các đóng góp chính của luận án.6

CHƢƠNG 1. TÍN HIỆU ĐIỆN CƠ - ỨNG DỤNG LÂM SÀNG .8

1.1. Sinh lý đơn vị vận động và nguồn gốc tín hiệu điện cơ.8

1.1.1. Tóm lược giải phẫu hệ thần kinh - cơ.8

1.1.2. Tóm lược về giải phẫu cơ vân.9

1.1.3. Tóm lược về giải phẫu của thần kinh vận động.11

1.1.4. Đơn vị vận động.12

1.1.5. Nguồn gốc của tín hiệu điện cơ .14

1.1.5.1. Phản ứng hóa điện của synap thần kinh - cơ .14

1.1.5.2. Điện thế màng tế bào .15

1.2. Ứng dụng điện cơ đồ trong lâm sàng .16

1.2.1. Bệnh yếu cơ.16

1.2.2. Xét nghiệm điện cơ đồ.17

1.2.3. Các khái niệm của tín hiệu iEMG dùng trong chẩn đoán.19

1.2.3.1. Điện thế kim đâm .19

pdf142 trang | Chia sẻ: mimhthuy20 | Lượt xem: 291 | Lượt tải: 0download
Bạn đang xem trước 20 trang tài liệu Luận án Phát triển phương pháp phân tích định lượng tín hiệu Iemg chi trên hỗ trợ chẩn đoán bệnh lý, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
MG (A – trước khi lọc và B – sau lọc theo phương pháp lựa chọn) 22,6 28 169 363 4,8 5,3 13 19 1 2 3 4 5 Bậc bộ lọc R_MSE R_dEuclide 49 Trƣớc lọc Sau lọc Hình 2.18. Phổ tín hiệu trước và sau khi lọc theo phương pháp lựa chọn Quan sát các hình 2.17a, 2.17b và 2.18 thấy rằng các nhiễu tần số thấp và nhiễu tần số cao đƣợc lọc bỏ hiệu quả khỏi tín hiệu iEMG, dạng tín hiệu liên quan đến MUAP không bị thay đổi. Bên cạnh việc sử dụng các bộ lọc HPF và LPF, chúng ta có thể sử dụng các bộ lọc triệt tần (Notch) việc này cũng có thể thực hiện một cách dễ dàng khi sử dụng Matlab. Ví dụ, nhiễu 50Hz đƣợc lọc bỏ khi sử dụng các lệnh của Matlab nhƣ sau: EMG = filter(b,a,EMG’), với [b,a] = iirnotch(wo,bw); wo = fnoise/(fs/2); bw = wo/35; 35 là giá trị hệ số phẩm chất của bộ lọc. 2.6. Kết chƣơng Tín hiệu EMG là tín hiệu tổng hợp từ nhiều nguồn, bao gồm tín hiệu tạo bởi các đơn vị vận động khi tích cực và các nguồn tín hiệu không mong muốn (nhiễu). Tín hiệu EMG là tín hiệu vi sai giữa hai điện cực đo, độ phức tạp cao, biên độ nhỏ và lẫn nhiễu. Các loại nhiễu lớn có trong tín hiệu thu nhận đƣợc bao gồm: (1) nhiễu nguồn điện lƣới, (2) nhiễu tần số thấp gây trôi đƣờng cơ sở, (3) nhiễu tần số cao từ thiết bị và (4) nhiễu từ các nguồn sinh học khác, nhƣ ECG, EEG. Tùy theo phƣơng pháp thu nhận, loại điện cực và khoảng cách giữa hai điện cực đo đƣợc sử dụng để thu nhận tín hiệu mà mức độ phức tạp và tác động của nhiễu lên tín hiệu khác nhau. Điện cực sử dụng để thu nhận tín hiệu EMG có thể là điện cực kim đồng tâm, đơn cực, điện cực mảng, hay điện cực bề mặt... Điện cực kim đồng tâm hiện nay thƣờng đƣợc sử dụng trong xét nghiệm điện cơ đồ thƣờng quy do tín hiệu thu đƣợc có độ tin cậy cao nhất, ảnh hƣởng của nhiễu nhỏ (SNR cao) và giá thành rẻ. Dựa vào kết quả nghiên cứu đã công bố và kết quả khảo sát thực tế, tác giả thấy rằng chất lƣợng tín hiệu iEMG cho dùng cho công đoạn phân tích có thể tăng cƣờng bằng giải pháp phần cứng và phần mềm: 50  Đối với giải pháp phần cứng, mạch đo tín hiệu iEMG cần bao gồm các thành phần chính sau: (1) bộ khuếch đại đệm có trở kháng vào lớn, (2) bộ khuếch đại vi sai có hệ số CMRR lớn, (3) bộ lọc có khả năng thiết lập dải tần lọc với độ tuyến tính cao (dải tần 3,2Hz – 15kHz hoặc 20kHz), (4) bộ khuếch tín hiệu có hệ số khuếch đại tín hiệu có khả năng điều chỉnh, (5) bộ ADC có độ phân giải cao; (6) mạch cách ly có độ cách ly cao. Mạch thu này cho phép loại bỏ đƣợc phần lớn nhiễu lớn ảnh hƣởng tới tín hiệu iEMG, đặc biệt là nhiễu đồng pha.  Đối với giải pháp phần mềm, các bộ lọc số hiệu quả nhất đƣợc sử dụng trong công đoạn tiền xử lý tín hiệu iEMG thô là các bộ lọc HPF và LPF có đáp ứng pha bằng không đƣợc tổng hợp từ bộ lọc Butterworth ít gây méo dạng tín hiệu hơn các bộ lọc thông thƣờng. Dải thông tạo ra bởi các bộ lọc xử lý tín hiệu iEMG thô là 20Hz – 2kHz. Trong nghiên cứu này, đối tƣợng tín hiệu EMG đƣợc xử lý, phân tích là các tín hiệu iEMG chi. Do đó, sự ảnh hƣởng của các loại nhiễu đến tín hiệu chủ yếu là nhiều tần số thấp (nhiễu do chuyển động, có tần số nhỏ hơn 10Hz) và nhiễu cao tần (lớn hơn một vài kHz). Các nhiễu khác nhƣ nhiễu do điện tim, nhiễu điện lƣới là không đáng kể. Bởi vì, tín hiệu iEMG dùng các mục đích dạng này thƣờng đƣợc thu bởi các thiết bị đo tín hiệu tiêu chuẩn. Do vậy, các tín hiệu iEMG thô đã đƣợc xử lý nhiễu bởi phần cứng khá tốt, đặc biệt là nhiễu nguồn 50Hz (hoặc 60Hz). Do vậy, chúng ta chỉ cần xử lý lọc đơn giản đối với tín hiệu iEMG thô trƣớc khi thực hiện các phân tích tiếp theo. Cụ thể, tác giả lựa chọn bộ lọc có đáp ứng pha bằng không, đƣợc tổng hợp từ bộ lọc Butterworth có dải thông là 20Hz – 2kHz để tiền xử lý tín hiệu. Tuy nhiên, trong trƣờng hợp cần thiết, dựa vào việc quan sát đƣợc đồ thị phổ tín hiệu iEMG, nếu thấy một thành phần nhiễu nào đó lớn, chúng ta có thể áp dụng các bộ lọc khác nhƣ bộ lọc triệt tần, triệt dải. Dải tần của bộ lọc thông dải đƣợc đề xuất ở trên cũng có thể lựa chọn khác. Điều này cho phép loại bỏ (các) thành phần nhiễu lớn trong tín hiệu iEMG có đƣợc thực tế, trƣớc khi thực hiện các phép phân tích theo. Một số nội dung nghiên cứu và kết quả khảo sát đƣợc đề cập trong chƣơng này đƣợc tác giả công bố trong bài báo: [1]. Phạm Mạnh Hùng, Vũ Duy Hải, Hoàng Mạnh Cƣờng, Nguyễn Văn Khang (2014), “Phát triển một số giải pháp thiết kế mạch để nâng cao chất lượng tín hiệu điện cơ đồ”, Hội thảo quốc gia 2014 về Điện tử, Truyền thông và Công nghệ thông tin (REV-ECIT2014), pp311-316. 51 CHƢƠNG 3. PHÁT TRIỂN PHƢƠNG PHÁP PHÂN TÍCH ĐỊNH LƢỢNG TÍN HIỆU iEMG CHI Để phát triển phƣơng pháp phân tích định lƣợng tín hiệu iEMG chi dựa trên việc kế thừa các ƣu điểm và khắc phục các nhƣợc điểm của một số phƣơng pháp hiện có, trong nghiên cứu này tác giả đã thực hiện: (1) Nghiên cứu và phân tích các phƣơng pháp phân tích định lƣợng hiện nay; (2) Phát triển phƣơng pháp phân tích định lƣợng (bao gồm cải tiến công đoạn xác định các đoạn điện thế tích cực (Active Potential Segment - APS) là thành phần có ý nghĩa chẩn đoán trong tín hiệu iEMG, đơn giản hóa việc xác định bộ các thông số định lƣợng tín hiệu iEMG); (3) Thực hiện phân tích đánh giá giá trị của các thông số đặc trƣng cho tín hiệu iEMG đối với việc hỗ trợ phân loại tín hiệu theo các nhóm bệnh lý và bình thƣờng. 3.1. Đặt vấn đề Nhƣ đã đề cập ở chƣơng một, kỹ thuật định lƣợng tín hiệu điện cơ bao gồm một bộ các kỹ thuật phân tích và xử lý tín hiệu điện cơ khác nhau để phục vụ cho mục đích nghiên cứu và chẩn đoán bệnh. Kỹ thuật QEMG có thể áp dụng đối với cả hai loại tín hiệu sEMG và iEMG. Trong nghiên cứu này, phƣơng pháp định lƣợng đƣợc phát triển chỉ hƣớng tới tín hiệu iEMG chi thu bởi điện cực kim đồng tâm. Do đó, các nội dung nói về phƣơng pháp hoặc kỹ thuật QEMG sau đây đƣợc hiểu là nói về phƣơng pháp hoặc kỹ thuật phân tích định lƣợng tín hiệu iEMG thu bởi điện cực kim đồng tâm. Thông tin định lƣợng, thu đƣợc sau công đoạn phân tích QEMG, có thể là bộ các giá trị đặc trƣng hoặc các đoạn sóng MUAP mẫu của tín hiệu đƣợc phân tích. Thông tin này là thông tin rút gọn, chúng có kích thƣớc dữ liệu nhỏ hơn nhiều so với tín hiệu gốc. Chúng giúp cho bƣớc phân loại tín hiệu iEMG tiếp sau đƣợc hiệu quả hơn và khách quan hơn. Ví dụ, khi sử dụng kỹ thuật QEMG, thay vì xem xét phân tích toàn bộ chuỗi dữ liệu tín hiệu iEMG, thƣờng có kích thƣớc lên tới vài trăm nghìn mẫu, bác sỹ chỉ cần xem xét bộ giá trị đặc trƣng bao gồm một vài hoặc một vài chục giá trị định lƣợng thu đƣợc từ tín hiệu đó để đƣa ra kết luận chẩn đoán bệnh lý. Hay đối với các công cụ hỗ trợ phân loại có khả năng ứng dụng thực tế, việc đƣa ra kết quả phân loại tín hiệu chỉ có thể thực hiện khi đầu vào là bộ thông số đặc trƣng của tín hiệu có kích thƣớc không quá lớn. Các phƣơng pháp QEMG đã đƣợc nghiên cứu và giới thiệu từ rất sớm. Sự phát triển của công nghệ máy tính và các kỹ thuật xử lý tín hiệu số đã giúp cho việc nghiên 52 cứu về các phƣơng pháp QEMG trở nên dễ dàng và phổ biến hơn. Chúng có thể đƣợc liệt kê mang tính đại diện nhƣ:  Buchthal và cộng sự [14] là những ngƣời đầu tiên phát triển phƣơng pháp phân tích định lƣợng tín hiệu iEMG, theo phƣơng pháp này các MUAP đƣợc ghi lại bằng chụp ảnh, lựa chọn và phân tích.  LeFever và DeLuca [20] giới thiệu phƣơng pháp dùng điện cực kim ba kênh chuyên dụng để thu lại tín hiệu EMG và sử dụng phần mềm phân tích tín hiệu EMG dựa trên kỹ thuật đối sánh mẫu để xác định MUAP có trong tín hiệu.  Constantinos và cộng sự [21] giới thiệu phƣơng pháp định lƣợng dựa trên việc phân tách và phân nhóm các MUAP trong tín hiệu iEMG, sau đó tính 14 thông số thống kê μ, s của các tham số chỉnh của MUAP, hoặc 140 thông số là các chỉ số Dur, SpDur, Amp, Area, SpArea, Ph và T của từng MUAP thuộc 20 nhóm của mỗi tín hiệu.  C.Shirota và cộng sự [15] giới thiệu phƣơng pháp định lƣợng tín hiệu sử dụng kỹ thuật phân tích tự hồi quy (AutoRegressive – AR) để tính các hệ số AR bậc 44 của mỗi tín hiệu EMG, và dùng chúng phân loại tín hiệu đó theo bệnh lý.  Sivarit Sultornsanee và cộng sự [75] giới thiệu phƣơng pháp định lƣợng tín hiệu dùng kỹ thuật phân tích định lượng truy hồi (Recurrence Quantification Analysis - RQA) để tính các hệ số RR, DET, LAM cho mỗi tín hiệu.  D. Christos và cộng sự [23] sử dụng phƣơng pháp định lƣợng dựa trên việc xác định 5 tham số (Amp, Dur, RT, Area, Pha) của mỗi nhóm MUAP chứa trong tín hiệu và các MUAP đƣợc phân nhóm bằng phƣơng pháp K-mean mờ.  D. Akhila và cộng sự [8] giới thiệu phƣơng pháp định lƣợng sử dụng kết hợp hai kỹ thuật phân tích là phân tích Wavelet rời rạc và phân tích tự hồi quy - AR để tính 15 hệ số phân giải DWT-Daubechies bậc 5 và 15 hệ số phân tích AR bậc 15 của mỗi tín hiệu.  Ercan Gokgoz và cộng sự [40] giới thiệu phƣơng pháp định lƣợng tín hiệu sử dụng kỹ thuật phân tích MUSIC (ƣớc lƣợng phổ của các thành phần độc lập của tín hiệu sau khi đƣợc triệt nhiễu bởi PCA) để tính các chỉ số định lƣợng của tín hiệu.  Mukesh Patidar và cộng sự [68] giới thiệu phƣơng pháp định lƣợng sử dụng kỹ thuật phân giải giá trị suy biến (Singular Value Decomposition - SVD) để xác định 10 vectơ suy biến đặc trƣng của tín hiệu. Quy trình định lƣợng tín hiệu của các phƣơng pháp đƣợc giới thiệu ở trên có thể đƣợc mô tả nhƣ các sơ đồ quy trình ở hình 3.1 dƣới đây. 53 Hình 3.1. Các quy trình QEMG của các phương pháp đã được giới thiệu Mặc dù, có nhiều nghiên cứu về QEMG đƣợc giới thiệu, nhƣng thực tế chƣa có phƣơng pháp nào trong số đó có đƣợc sự chấp nhận rộng rãi để sử dụng cho chẩn đoán lâm sàng. Có một số lý do để giải thích cho điều này, đó là: (1) Các kỹ thuật QEMG hiện đang áp dụng tiêu tốn khá nhiều tài nguyên khi thực hiện; (2) Một số kỹ thuật QEMG đòi hỏi bác sỹ phải có hiểu biết kỹ thuật xử lý tín hiệu để có các can thiệp vào quá trình phân tích định lƣợng tín hiệu; (3) Một số kỹ thuật QEMG đƣa ra bộ thông số định lƣợng không dễ để sử dụng cho quá trình chẩn đoán, và đôi khi có kích thƣớc dữ liệu lớn [3], [28], [53], [64]. Do đó, mục đích nghiên cứu của luận án này cũng nhƣ các nghiên cứu khác về QEMG đang đƣợc thực hiện là đƣa ra các phƣơng pháp QEMG khắc phục đƣợc các nhƣợc điểm hiện có và tăng khả năng áp dụng của chúng. Trong nghiên cứu này, phƣơng pháp QEMG đƣợc đề xuất phát triển cho phép tính bộ các thông số định lƣợng từ các tham số của từng APS đƣợc phân tách phù hợp từ tín hiệu iEMG. Hình 3.2 là quy trình QEMG đƣợc tác giả đề xuất phát triển. Hình 3.2. Quy trình định lượng tín hiệu iEMG được đề xuất phát triển 54 Hình 3.2 minh họa quy trình định lƣợng tín hiệu iEMG chi của phƣơng pháp đƣợc đề xuất trong nghiên cứu này, gồm ba công đoạn chính là:  Công đoạn 1: là tiền xử lý tín hiệu để loại bỏ các thành phần nhiễu,  Công đoạn 2: là xác định các thành phần có ý nghĩa chẩn đoán (là các APS và các điểm uốn) trong tín hiệu iEMG chi,  Công đoạn 3: là tính các thông số định lƣợng của tín hiệu iEMG chi từ các thành phần có ý nghĩa chẩn đoán có đƣợc và phân tích Poincaré. Nhƣ vậy, phƣơng pháp QEMG đƣợc đề xuất gồm 3 bƣớc, trong đó công đoạn đầu tiên là tiền xử lý và các công đoạn phân tích định lƣợng tiếp sau. Tuy nhiên, ở chƣơng hai tác giả đã phân tích các vấn đề liên quan đến các giải pháp tăng cƣờng chất lƣợng tín hiệu iEMG (bao gồm giải pháp tiền xử lý tín hiệu) để dùng cho các bƣớc phân tích tiếp theo. Nhƣ vậy về cơ bản, các vấn đề liên quan đến công đoạn tiền xử lý tín hiệu trong quy trình QEMG đã đƣợc phân tích và lựa chọn. Để tránh trình bày lặp lại, phần nội dung đó sẽ không đƣợc đề cập trong chƣơng này. Các phần tiếp theo của chƣơng này sẽ mô tả chi tiết hơn về các công đoạn phân tích QEMG còn lại và bộ thông số định lƣợng mới đƣợc đề xuất phát triển. Ở phần cuối của chƣơng này sẽ trình bày giải pháp đánh giá giá trị mỗi thông số định lƣợng có đƣợc về khả năng phân biệt giữa các nhóm tín hiệu phân loại theo các bệnh lý. Giải pháp đánh giá đƣợc sử dụng dựa trên lý thuyết mô tả thống kê và kiểm định giả thuyết thống kê đối với dữ liệu định lƣợng, là dữ liệu thu đƣợc sau khi thực hiện phân tích định lƣợng tập dữ liệu tín hiệu iEMG mẫu. Sử dụng giải pháp đánh giá này cho phép đánh giá sơ bộ riêng lẻ từng thông số dựa trên kết quả phân tích thống kê. Giải pháp này khác với các giải pháp đƣợc sử dụng trong nhiều nghiên cứu trƣớc đây [8], [12], [19], [23], [77]. Ở đó, giá trị của bộ thông số định lƣợng đƣợc đánh giá thông qua tỷ lệ phân loại đúng khi cho chúng vào một mô hình phân loại nhƣ mạng Nơron và SVM. Theo mô tả sơ bộ ở trên phƣơng pháp QEMG này có nhiều phần tƣơng đồng với các phƣơng pháp QEMG các tham số của các MUAP mẫu chứa trong tín hiệu iEMG đã đƣợc đề xuất trƣớc đây [53]. Trong phƣơng pháp đƣợc phát triển, tác giả có một số cải tiến để làm giảm số lƣợng tài nguyên tính toán, trong khi vẫn đƣa ra các thông số định lƣợng có ý nghĩa cho việc phân loại tín hiệu theo các nhóm bệnh lý và bình thƣờng. Điều này có nghĩa là, phƣơng pháp này đƣợc phát triển dựa trên sự tham khảo, kế thừa các ƣu điểm của phƣơng pháp đã đƣợc đề xuất, khắc phục các hạn chế liên quan đến vấn đề tiêu tốn tài nguyên khi sử dụng của các phƣơng pháp trƣớc đây. 55 3.2. Phát triển phƣơng pháp tự động xác định các thành phần có ý nghĩa trong tín hiệu iEMG chi Trong một số phƣơng pháp định lƣợng tín hiệu iEMG, công đoạn phân giải tín hiệu iEMG thành các APS (với mỗi APS có thể là một MUAP riêng lẻ hoặc là các MUAP xếp chồng) là một công đoạn không thể thiếu. Việc phân đoạn có thể thực hiện thủ công, bán tự động, hay tự động hoàn toàn. Trong đó:  Ở phƣơng pháp thủ công, chuyên gia điện cơ đồ sẽ phải quan sát tín hiệu và tự xác định điểm đầu hay điểm cuối của mỗi đoạn APS;  Ở phƣơng pháp bán tự động thì các công cụ hỗ trợ phân tích tín hiệu sẽ đƣa ra các gợi ý vị trí điểm đầu điểm cuối của các APS, các chuyên gia điện cơ đồ có thể chỉnh (hoặc chọn) lại;  Ở phƣơng pháp tự động phân đoạn thì công cụ hỗ trợ tự động thực hiện phân đoạn mà không cần có sự can thiệp thêm của con ngƣời. Trong nghiên cứu này, thông số định lƣợng của tín hiệu đƣợc tính thống kê theo các tham số chính của các APS xác định đƣợc trong toàn tín hiệu iEMG chi. Do đó, việc nghiên cứu về các phƣơng pháp phân tách tự động đã đƣợc công bố, dựa vào đó phát triển phƣơng pháp phân tách tự động các APS theo yêu cầu của phƣơng pháp tự động định lƣợng tín hiệu iEMG là nhiệm vụ của nghiên cứu này. A B s Hình 3.3. A - Tín hiệu iEMG và B - Các APS xác định được Phần tiếp theo sau đây tác giả sẽ mô tả một số phƣơng pháp QEMG thƣờng đƣợc sử dụng và phƣơng pháp phân tách APS đƣợc đề xuất phát triển. 56 3.2.1. Một số giải pháp phân tách các APS đã được giới thiệu Hiện nay, một số phƣơng pháp cho phép tự động phân tách các APS đã đƣợc các nhóm nghiên cứu, phát triển và đƣợc ứng dụng trong nhiều nghiên cứu khác nhau [16], [19], [21], [22], [28], [57], [64]. Phần tiếp theo sẽ giới thiệu bốn phƣơng pháp, thƣờng đƣợc sử dụng để phân tách các APS có trong tín hiệu iEMG và chỉ ra một số ƣu và nhƣợc điểm của chúng. 3.2.2.1. Phƣơng pháp 1: Phân tách APS sử dụng cửa sổ cố định Theo mô tả trong các công bố [16], [19], việc phân tách đƣợc thực hiện thông qua việc xác định đỉnh của từng đoạn tín hiệu dựa trên một ngƣỡng T đƣợc tính toán từ tín hiệu cần đƣợc phân tách theo biểu thức điều kiện sau: Nếu * + ∑ ( ) thì ∑ ( ) nếu không * + ⁄ . Hình 3.4 mô tả phƣơng pháp xác định các APS khi sử dụng các cửa sổ cố định và ngƣỡng phân tách T. Hình 3.4. Vị trí các APS được xác định theo cửa sổ cố định và ngưỡng T Phƣơng pháp tách đoạn đƣợc thực hiện bắt đầu từ đầu của tín hiệu, điểm xi đầu tiên có giá trị biên độ lớn hơn ngƣỡng T đƣợc coi là đỉnh. Sau đó, một cửa sổ có chiều rộng khoảng 6ms (tƣơng ứng với 120 mẫu với tần số lấy mẫu là 20kHz), đƣợc dùng để phân tách tín hiệu sẽ có điểm trung tâm là chính là vị trí của đỉnh vừa xác định. Nếu trong cửa sổ phân tách đó không có điểm nào có giá trị biên độ lớn hơn giá trị đỉnh vừa đƣợc xác định, thì một đoạn tín hiệu tích cực đƣợc xác định và đƣợc tách ra khỏi tín hiệu cần phân đoạn. Trong trƣờng hợp, trong cửa sổ phân tách đó có một điểm có giá trị biên độ lớn hơn biên độ của điểm đƣợc xác định trƣớc đó, thì điểm đó sẽ đƣợc coi là đỉnh mới. Khi đó cửa sổ sẽ đƣợc dịch để thỏa mãn đỉnh mới phát hiện sẽ nằm trung tâm của phân đoạn. Quá trình phân tách sẽ đƣợc thực hiện tuần tự nhƣ vậy tới khi tất cả các đoạn tích cực đƣợc xác định. 57 Theo phƣơng pháp phân tách này, các phân đoạn đƣợc tách ra sẽ có độ dài cố định (6ms). Các APS đã tách đƣợc từ tín hiệu đƣợc xác định là một MUAP, khi nó thuộc 1 nhóm có từ 3 APS tƣơng tự nhau. Và đoạn phân tách đƣợc không thuộc nhóm nào sẽ đƣợc gọi là MUAP xếp chồng. Với các MUAP xếp chồng cửa sổ phân tách có thể sẽ đƣợc mở rộng lên đến 25ms. Ở đây, độ dài cửa sổ 6ms thƣờng đƣợc lựa chọn bởi vì theo một số nghiên cứu thì thời khoảng trung bình của các MUAP thƣờng là 6ms, trong một số trƣờng hợp đặc biệt, chiều dài cửa sổ phân đoạn có thể dài hoặc ngắn hơn, thƣờng thì không vƣợt quá 18ms [42]. 3.2.2.2. Phƣơng pháp 2: Phân tách APS sử dụng tín hiệu Trigơ Theo mô tả trong các công bố [21], [28], [57] việc phân tách đƣợc thực hiện dựa trên việc xác định điểm đầu và điểm cuối của mỗi đoạn tín hiệu tích cực. Cụ thể là, tín hiệu EMG đƣợc lọc thông cao (với tần số cắt có thể lựa chọn là 250Hz) để lấy tín hiệu Trigơ của nó. Hình 3.5 mô tả tín hiệu iEMG và tín hiệu trigơ của nó, trong đó vị trí các đỉnh (đƣợc đánh số) trên tín hiệu Trigơ tƣơng ứng với vị trí đỉnh trung tâm của mỗi đoạn tín hiệu tích cực. Các đỉnh trung tâm trên tín hiệu trigơ có số giống nhau có sự tƣơng đồng nhau về hình thái. Hình 3.5. Hình ảnh tín hiệu gốc và tín hiệu xung Trigơ của nó Vị trí điểm đầu và cuối của mỗi đoạn tín hiệu tích cực sẽ nằm ở hai phía của đỉnh trung tâm đã đƣợc xác định với khoảng cách tối đa là 3ms và có biên độ bằng ±40μV. Cụ thể, điểm bắt đầu của APS là điểm thoả mãn điều kiện nằm bên trái của đỉnh trung tâm có biên độ là ±40μV và cách đỉnh trung tâm tối đa 3ms. Ngƣợc lại, điểm kết thúc của APS là điểm thoả mãn điều kiện nằm bên phải của đỉnh trung tâm có biên độ là ±40μV và cách đỉnh trung tâm tối đa 3ms. Ngƣỡng ±40μV đƣợc lựa chọn vì với các APS phân tách đƣợc có biên độ lớn hơn ngƣỡng này đƣợc coi là có ý nghĩa chuẩn 58 đoán. Các MUAP có biên độ nhỏ hơn ngƣỡng này đƣợc coi là do các MU ở xa vị trí thăm khám (cắm kim điện cực) tạo ra, nên không đƣợc sử dụng. Phƣơng pháp này đƣợc sử dụng nhiều trong các nghiên cứu trƣớc đây và trong các thiết bị cũng có thể sử dụng phƣơng pháp này để giúp phân tách lấy các MUAP trong thời gian thực. Với những ứng dụng loại đó, bộ lọc thông cao có thể đƣợc tạo bởi 1 mạch phần cứng. Đầu ra của bộ lọc HPF này sẽ là các xung triger báo hiệu cho các khối xử lý thời điểm xuất hiện của MUAP tạo ra xung trigơ đó, đoạn tín hiệu phân tách đƣợc sẽ có trung tâm tƣơng ứng với đỉnh của xung trigơ. 3.2.2.3. Phƣơng pháp 3: Phân tách APS sử dụng biến đổi Wavelet Trong công bố [22], việc phân tách sử dụng biến đổi WCT với hàm Wavelet mẹ đƣợc lựa chọn là Daubechies (DB). Phƣơng pháp này thƣờng lựa chọn hàm Wavelet mẫu là hàm DB, do nó có hình thái khá tƣơng đồng với hình thái của một MUAP (xem Hình 3.6). Hình 3.6. Hình thái của các dạng sóng wavelet Daubechies [22] Sóng mẫu tƣơng ứng với mỗi tỷ lệ của hàm DBn sẽ đƣợc trƣợt trên toàn bộ tín hiệu để xác định các hệ số cij tƣơng ứng. Biên độ hàm sóng mẫu sẽ đƣợc thay đổi trong khoảng từ giá trị cực đại của tín hiệu tới giới hạn nhỏ nhất lớn hơn một ngƣỡng xác định trƣớc. Độ dài của sóng mẫu cũng có thể đƣợc thay đổi trong khoảng từ 3ms đến 18ms. Các đoạn nào có hệ số chuyển đổi WCT lớn hơn một ngƣỡng lựa chọn trƣớc sẽ đƣợc xác định là một APS (hay MUAP). Và có dạng tƣơng ứng với sóng WCT tƣơng ứng (tỷ lệ thời gian – độ lớn tƣơng ứng). Ngƣỡng biên độ dƣới nhỏ nhất thƣờng đƣợc lựa chọn là ±40μV. Tuy nhiên, tùy từng quan điểm lấy giới hạn nhỏ nhất của một 59 MUAP đƣợc xem xét, các nghiên cứu khác nhau có thể lựa chọn ngƣỡng này khác nhau, chẳng hạn nhƣ ±30, ±50μV hoặc giá trị khác. 3.2.2.4. Phƣơng pháp 4: Phân tách APS sử dụng tín hiệu biến động Trong công bố [64], việc phân tách đƣợc thực hiện thông qua việc xác định điểm đầu và điểm cuối của đoạn tích cực. Trong đó, các điểm này đƣợc xác định từ tín hiệu phƣơng sai v(n) của tín hiệu gốc x(n) và các ngƣỡng cắt và tƣơng ứng. Dƣới đây là công thức đƣợc sử dụng để tính toán tín hiệu phƣơng sai Nikolic sử dụng: ( ) ∑ ( ) ( ∑ ( ) ) (3.1) Trong đó: N đƣợc lựa chọn sao cho ⁄ và ( ) ⁄ Các ngƣỡng và sẽ đƣợc xác định để phân tách các đoạn tín hiệu x[j:j+k] có giá trị phƣơng sai v[j:j+k] lớn hơn các ngƣỡng đó. Trong đó, là giá trị cực tiểu đầu tiên của hàm mật độ biên độ của tín hiệu phƣơng sai v(n), là đồ thị bên trái của hình 3.6 dƣới đây. Còn ngƣỡng đƣợc tính theo công thức sau đây: (3.2) với là giá trị trung bình của các v(j) trong toàn bộ tín hiệu v(n) có giá trị nhỏ hơn . Hình 3.7. Phương pháp phân tách dựa trên tín hiệu biến động [63] Đoạn tín hiệu tích cực là chuỗi điểm x(j) liên tiếp nhau có giá trị phƣơng sai v(j) tƣơng ứng lớn hơn các ngƣỡng đã đƣợc xác định. Trong đó, vị trí của điểm đầu của đoạn tích cực là điểm có lân cận bên trái nhỏ hơn giá trị ngƣỡng và lân cận bên phải lớn hơn ngƣỡng . Vị trí của điểm cuối của đoạn tích cực là điểm có lân cận bên trái lớn hơn giá trị ngƣỡng và lân cận bên phải nhỏ hơn giá trị ngƣỡng . 60 3.2.2.5. Đánh giá các phƣơng pháp phân tách đã đƣợc giới thiệu Dƣới đây là bảng so sánh mức độ phân tách chính xác của các phƣơng pháp phân tách đƣợc đề cập ở trên. Trong đó, độ chính xác phân tách của một phƣơng pháp đƣợc tính bằng số phân đoạn MUAP đƣợc phân tách bởi phƣơng pháp đó chia cho số phân đoạn đƣợc đếm thủ công trên tín hiệu đƣợc phân tách đó. Bảng 3.1. Bảng so sánh tỷ lệ phân tách đúng của các phương pháp Phương pháp phân tách Tỷ lệ phân tách đúng (%) Tổng số (%) Tín hiệu NOR Tín hiệu Myo Tín hiệu ALS Phƣơng pháp 1 96,07 95,86 95,78 95,90 Phƣơng pháp 2 96,07 42,75 87,36 75,39 Phƣơng pháp 3 52,45 83,79 63,68 66,64 Phƣơng pháp 4 - - - - Bảng 3.1 đƣợc xây dựng dựa trên kết quả thực hiện lại các phƣơng pháp phân tách theo mô tả ở phần trên và là kết quả đƣợc đƣa ra bởi Gurmanik Kaur [50]. Tuy nhiên khi đánh giá một phƣơng pháp phân tách, có nhiều yếu tố cần đƣợc xem xét bên cạnh độ chính xác. Trong các phƣơng pháp đƣợc đề xuất ở trên mỗi phƣơng pháp có những ƣu điểm và nhƣợc điểm tƣơng ứng khi ứng dụng. Nhƣ là:  Phƣơng pháp 1 có ƣu điểm là phân tách tín hiệu khá đơn giản, dễ dàng áp dụng. Bên cạnh đó, các đoạn tích cực phân tách theo phƣơng pháp 1, có hiệu quả phân nhóm MUAP cao do có độ dài cố định và đỉnh của đoạn tích cực nằm giữa đoạn tích cực. Tuy nhiên, phƣơng pháp này có nhƣợc điểm là về cơ bản nó chỉ cho phép phân tách ra các đoạn tín hiệu tích cực có độ dài cố định (phụ thuộc vào kích thƣớc cửa sổ lựa chọn, thƣờng chọn là 6ms). Nhƣ vậy trong trƣờng hợp mà các MUAP chứa trong một tín hiệu có thời khoảng khác nhau, thì việc phân tách này sẽ bị mất đi thông tin về sự khác nhau của thời khoảng của các MUAP.  Phƣơng pháp 2 có ƣu điểm là cho phép phân tách tín hiệu trong thời gian thực. Tuy nhiên có nhƣợc điểm là thực tế cho thấy phƣơng pháp này có độ chính xác tƣơng đối thấp, do khi áp dụng một bộ lọc thông cao để tạo ra xung Trigơ, thì với các MUAP có độ dốc biến đổi khác nhau, hay có nhiều điểm uốn thì thông tin vị trí đỉnh xung trigơ không cho phép xác định đƣợc chính xác điểm đầu hay điểm kết thúc của một đoạn tín hiệu tích cực thực tế. 61  Phƣơng pháp 3 có ƣu điểm là thuật toán phân tách khá rõ ràng và dễ dàng áp dụng khi sử dụng các máy tính có cấu hình hiện nay. Tuy nhiên, phƣơng pháp này cũng có nhƣợc điểm do việc chọn hàm mẫu là cố định nên với các MUAP có hình thái khác với MUAP bình thƣờng, thì phƣơng pháp phân tách này cho kết quả phân tách không cao.  Phƣơng pháp 4 có ƣu điểm là cho phép phân tách đƣợc các MUAP có hình thái khác nhau một cách chính xác. Tuy nhiên, hiện phƣơng pháp này có nhƣợc điểm là việc áp dụng công thức tính giá trị phƣơng sai nhƣ trong công bố [63] của Nikolic sẽ có hiệu suất tính toán không cao, dẫn đến thời gian xử lý dài và cách thức tính toán các ngƣỡng cắt khá phức tạp. Nhƣng theo quan điểm của tác giả, phƣơng pháp này sẽ có nhiều lợi thế khi áp dụng trong quy trình định lƣợng tín hiệu EMG khi có một số cải tiến. Trong các nghiên cứu định lƣợng trƣớc đây [8], [11], [13], [16], [23], [28], các APS sau khi đƣợc phân tách từ tín hiệu, chúng sẽ tiếp tục đƣợc gom thành các nhóm tƣơng ứng với các MUAP. Đối với các APS đƣợc xác định là do nhiều MUAP xếp chồng tạo nên, chúng sẽ đƣợc phân giải tiếp thành

Các file đính kèm theo tài liệu này:

  • pdf1_luan_an_ts_4127_1853661.pdf
Tài liệu liên quan