Phát triển phương pháp phân tích định lượng tín hiệu Iemg chi trên hỗ trợ chẩn đoán bệnh lý (Chuyên ngành: Kỹ thuật điện tử)

lý (A - Bình thường, B - bệnh rối loạn tế bào thần kinh α, C - bệnh lý cơ) Khi bị rối loạn bệnh lý, cấu trúc và mức độ hoạt động của tổ chức cơ thay đổi. Dẫn đến, tín hiệu iEMG sẽ có các biểu hiện bất thường, ví dụ như: (1) khi bị rối loạn bệnh lý cơ, số lượng MUAP tạo ra nhiều hơn nhưng biên độ tín hiệu lại nhỏ; và (2) khi bị các bệnh lý thần kinh cơ, ta thấy ít MUAP hơn trong tín hiệu khi co cơ mạnh, giảm kết tập và giao thoa không hoàn toàn, với nhịp 4 phóng điện của từng MUAP nhanh hơn. Dựa vào các dấu hiệu bất thường trên tín hiệu EMG các bác sỹ đưa ra các chẩn đoán. Để tăng hiệu quả chẩn đoán các công cụ phân tích tín hiệu được yêu cầu sử dụng. 1.2. Các kỹ thuật phân tích QEMG hiện nay Các kỹ thuật phân tích QEMG sử dụng máy tính được phát triển từ những năm 1978, bao gồm: các phương pháp phân tích tín hiệu iEMG trong các miền thời gian, miền tần số, miền không gian - tần số, miền phi tuyến; các kỹ thuật phân giải tín hiệu iEMG; và nhiều bộ thông số định lượng tín hiệu iEMG khác nhau đã được giới thiệu. Hiện nay, một số phương pháp QEMG đã ứng dụng, như: (1) Phương pháp phân tích MUAP thủ công, chuyên gia điện cơ đồ xác định thủ công ra khoảng 20 MUAP khi xét nghiệm; (2) Phương pháp phân tích MUAP tự động, công cụ sẽ hỗ trợ phân tách ra từng MUAP mỗi lần đâm kim; (3) Phương pháp phân tích mẫu xếp chồng, sẽ đo các tham số liên quan đến biên độ - điểm uốn của tín hiệu iEMG; và (4) Phương pháp tự động phân giải tín hiệu iEMG thành các thông tin giúp chẩn đoán. Bệnh lý Đơn vị vận động (cơ và thần kinh cơ) Nguồn dữ liệu điện sinh học Tín hiệu EMG Phân tích QEMG và phân giải tín hiệu EMG Hệ thống CAD (hộ trợ ra quyết định chẩn đoán) Hệ thống máy tính xử lý & phân tích tín hiệu EMGChuyên gia điện cơ đồ Luồng thu nhân, xử lý, và sử dụng thông tin Hình 1.20. Chẩn đoán điện cơ đồ sử dụng máy tính Phương pháp thứ 4 có tiềm năng cho hiệu quả chẩn đoán cao, giảm sự ảnh hưởng tiêu cực của quá trình chẩn đoán đối với đối tượng bị và thực hiện chẩn đoán. Tuy nhiên, vẫn còn một số hạn chế như: phức tạp, chưa tối ưu và khó áp dụng thực tế... 5 1.3. Kết luận chƣơng 1 Để đưa ra các giải pháp kỹ thuật nhằm khắc phục một số tồn tại của các phương pháp hiện có, nghiên cứu này đã thực hiện các nội dung như được minh họa ở hình 1.21 dưới đây. Hình 1.21 Các nội dung nghiên cứu của luận án Phương pháp tạo ra cần phải xử lý tín hiệu iEMG chi có độ phức tạp trung bình (thu mức co cơ bằng 30% mức có cơ cực đại). --------------------------- CHƢƠNG 2. LỰA CHỌN GIẢI PHÁP PHÙ HỢP ĐỂ TIỀN XỬ LÝ TÍN HIỆU iEMG CHI 2.1. Các yếu tố làm giảm chất lƣợng tín hiệu EMG Tín hiệu EMG là tín hiệu điện thế chênh lệch giữa hai điện cực đo và là tín hiệu tổng hợp từ nhiều nguồn khác nhau, được mô tả dưới dạng biểu thức toán học (1) sau đây: ( ) ∑ ( ) ( ) (2.1) Trong đó: MUAPTj là MUAPT (MUAP Train - chuỗi MUAP) của MU thứ j của bắp cơ; là số lượng MU được kích hoạt, n(t) là nhiễu lẫn trong tín hiệu. Độ phức tạp của tín hiệu phụ thuộc vào khoảng cách điện cực, cách đo và mức độ hoạt động của bắp cơ. Lực co cơ tỷ lệ thuận với số lượng MUAPT trong tín hiệu điện cơ. Tín hiệu điện cơ là tín hiệu nhỏ, biên độ đỉnh đỉnh nằm trong khoảng từ 0 đến 6 5mV, hoặc từ 0 – 1,5mV (RMS) (theo Basmajian và DeLuca 1985). Dải tần tín hiệu từ 0Hz lên đến 3kHz, trong đó năng lượng tín hiệu tập trung trong dải từ 10Hz – 250Hz. Hình 2.1. Mô hình minh họa việc thu nhận tín hiệu EMG Có nhiều yếu tố khác nhau gây suy giảm chất lượng tín hiệu EMG dẫn đến giảm chất lượng thông tin thu được, như:  Nhiễu: trong tín hiệu EMG có nhiều loại nhiễu khác nhau bao gồm nhiễu do nguồn điện lưới (lên đến hàng Volt trong khi tín hiệu nhỏ cỡ mV), nhiễu do chuyển động và nhiễu do các tín hiệu điện sinh học khác.  Méo dạng do mạch xử lý tương tự: tín hiệu EMG khi đi qua các mạch xử lý tương tự, bao gồm bộ khuếch đại và các bộ lọc, độ trung thực của tín hiệu bị suy giảm.  Sai số do quá trình số hóa tín hiệu EMG: gây ra khi tần số lấy mẫu tín hiệu không đủ lớn và độ phân giải tín hiệu thấp. Hiện nay, tín hiệu iEMG thường được số hóa với tham số Fs khoảng 20kHz, độ phân giải trên 16 bít. 2.3. Khảo sát khả năng triệt nhiễu của mạch đo Để thu được tín hiệu EMG có chất lượng đảm bảo, một loạt các giải pháp được áp dụng để tăng tỷ số SNR, tăng tỷ số CMRR, giảm nhiễu cảm ứng, hạn chế sử dụng các mạch lọc tương tự, dùng bộ chuyển đổi ADC chất lượng cao và cách ly nguồn. Trong nghiên cứu này tác giả đã khảo sát sự ảnh hưởng của nhiễu lên mạch đo tín hiệu EMG theo các giải pháp tăng cường 7 chất lượng bằng phần cứng đã được nghiên cứu và giới thiệu. Mạch đo khảo sát được mắc theo sơ đồ khối hình 2.6. Hình 2.6. Sơ đồ khối của mạch đo tín hiệu EMG Kết quả cho thấy các thành phần nhiễu lớn có thể được loại bỏ bởi phần mạch, trong tín hiệu EMG chỉ còn một số nhiễu tần số thấp gây trôi đường cơ sở và nhiễu tần số cao. 2.4. Tiền xử lý tín hiệu iEMG chi bằng các bộ lọc số Hình 2.13 thể hiện dạng sóng tín hiệu iEMG chi, trong đó dễ thấy có hai thành phần nhiễu tần số thấp và nhiễu tần số cao. Hình 2.13. Tín hiệu iEMG có lẫn một số nhiễu Có nhiều cách triệt nhiễu khác nhau đã được được sử dụng. Tuy nhiên, dựa vào đặc trưng và yêu cầu xử lý tín hiệu iEMG chi, tác giả lựa chọn sử dụng các bộ lọc số có đáp ứng pha bằng không, được tổng hợp từ bộ lọc Butterworth, tạo ra dải thông là 20Hz – 2kHz, để lọc bỏ các thành phần không mong muốn. Bộ lọc này có ưu điểm là dễ dàng thực hiện và không gây méo dạng tín hiệu. 8 Trước lọc Sau lọc Hình 2.17. Phổ tín hiệu trước và sau lọc theo khuyến nghị 2.5. Kết luận chƣơng 2 Giải pháp phù hợp để tiền xử lý tín hiệu iEMG chi, có sự ảnh hưởng của nhiễu nhỏ, là sử dụng các bộ lọc số có đáp ứng pha bằng không, tạo ra dải thông là 20Hz – 2kHz. --------------------------- CHƢƠNG 3. PHÁT TRIỂN PHƢƠNG PHÁP PHÂN TÍCH ĐỊNH LƢỢNG TÍN HIỆU iEMG CHI 3.1. Đặt vấn đề Định lượng điện cơ đồ là quá trình chuyển đổi, rút gọn tín hiệu iEMG thành các thành phần đặc trưng (là các thông số hoặc chuỗi dữ liệu). Theo các phương pháp QEMG đã được giới thiệu, sau các bước xử lý, tín hiệu EMG được chuyển thành các thông số ở miền thời gian, miền phi tuyến, miền không gian - tần số, Tuy nhiên, hiện nay, chưa có phương pháp QEMG nào được coi là tối ưu, các nghiên cứu vẫn đang được tiếp tục, nhằm tối ưu hơn, tăng độ tin cậy của thông tin thu được, giảm sự phức tạp khi sử dụng của các phương pháp. Trong nghiên cứu này, tác giả đề xuất một phương pháp QEMG mới dựa trên việc phân tách hiệu quả các thành phần có ý nghĩa trong tín hiệu, là các đoạn điện thế tích cực (Active Potential Segment – APS) và các điểm uốn có ý nghĩa trong chẩn đoán. Từ các thành phần có ý nghĩa xác định được và phân tích Poincaré, tác giả đề xuất tính 14 thông số định lượng tín hiệu 9 iEMG hỗ trợ phân loại tín hiệu theo bệnh lý. Hình dưới mô tả phương pháp QEMG tín hiệu iEMG chi được tác giả đề xuất và phát triển. Hình 3.1. Quy trình định lượng tín hiệu iEMG được đề xuất 3.2. Phƣơng pháp xác định các thành phần có ý nghĩa chẩn đoán trong tín hiệu iEMG chi Trong nghiên cứu này, tác giả phát triển phương pháp xác định các thành phần có ý nghĩa dựa trên sự kế thừa ưu điểm và khắc phục nhược điểm của hai phương pháp và do Christodoulos [19] và Nikolic [63] đề xuất sử dụng. Lưu ý, tín hiệu iEMG chi sẽ được tiền xử lý theo khuyến nghị được đề cập ở chương 2 trước khi thực hiện các phép phân tích tiếp. 3.2.1. Xác định các APS có trong tín hiệu iEMG chi Một APS là một đoạn tín hiệu chứa một hoặc nhiều MUAP xếp chồng. Hiện nay có 4 phương pháp phát hiện các đoạn APS trong tín hiệu là: (1) Phương pháp sử dụng cửa sổ cố định để tách các đoạn tín hiệu có biên độ đỉnh lớn hơn một ngưỡng T [16]; (2) Phương pháp dựa trên việc xác định vị trí đỉnh đoạn APS và lấy về hai phía của nó một khoảng cố định; (3) Phương pháp sử dụng biến đối Wavelet sử dụng các hàm mẫu Daubechies; và (4) Phương pháp sử dụng hai ngưỡng (thrpl và thrpd) để xác định vị trí bắt đầu và kết thúc của đoạn APS trên tín hiệu biến động v(n). Các phương pháp nói trên đều có các ưu nhược điểm khi sử dụng. 10 Phương pháp được tác giả phát triển thực hiện quy trình xác định các APS trong tín hiệu iEMG theo các bước như sau: Bước 1: Tính tín hiệu biến động v(n) theo công thức sau: [ ] ( ) (3.4) với [ ] (3.5) Trong đó , lần lượt là giá trị thứ i và i+1 của chuỗi ( ), và lần lượt là giá trị thứ và của chuỗi tín hiệu ( ), là giá trị trung bình của các trong N mẫu, cửa sổ có độ rộng 3ms được tác giả lựa chọn, do đó N = ( ) mẫu. Khi tính theo công thức 3.4 số lượng phép tính sẽ giảm xuống lần so với cách tính của Nikolic [63] đề xuất sử dụng. Bước 2: Tính ngưỡng thrpl theo công thức sau: ( ) (3.7) Trong đó: blmv là trung bình cộng của các có giá trị nhỏ hơn thrpd/3; thrpd được xác định theo biểu thức điều kiện là * + ∑ thì ∑ còn không * + , với max{vi} là giá trị cực đại của v(n) và L là độ dài của chuỗi v(n). Cách tính ngưỡng này (tính trực tiếp từ biểu thức điều kiện) đơn giản hơn so với phương pháp của Nikolic đề xuất sử dụng. Khi có được ngưỡng điểm bắt đầu (bi) và kết thúc (ei) của mỗi APS là các điểm giao giữa các đoạn tín hiệu v(n) liên tục với đường thẳng ngưỡng . 3.2.2. Xác định các điểm uốn trong đoạn tín hiệu Các nghiên cứu trước đây sử dụng hai phương pháp do Willison [32] và Stalberg [78] đề xuất, theo đó các tín hiệu được chia theo bước biên độ hoặc thời gian chọn trước. Ở đây, tác giả phát triển phương pháp tìm điểm uốn trên sóng tín hiệu iEMG mới theo phương pháp tìm cực trị của Eli Billauer [36] (hình 3.9). 11 Hình 3.9. Lưu đồ thuật toán của phương pháp tìm điểm uốn Hình 3.9 là lưu đồ thuật toán được tác giả sử dụng để tìm điểm uốn cho tín hiệu iEMG, trong đó delta (= ±25mV) là khoảng cách tối thiểu giữa hai cực trị xác định được. Hình 3.10 minh họa kết quả áp dụng thuật toán tìm điểm uốn trên đoạn APS có được. Hình 3.10. Các điểm uốn được xác định trên đoạn APS 3.2.3. Xác định các đoạn APS có ý nghĩa chẩn đoán Các đoạn APS xác định được được coi là có ý nghĩa chẩn đoán nếu nó có biên độ đỉnh lớn nhất (hoặc nhỏ nhất) lớn hơn ngưỡng Tp (hoặc nhỏ hơn ngưỡng Tn). Trong đó, ngưỡng Tp và Tn được tính theo các biểu thức điều kiện sau: (1) Nếu * + ∑ thì ∑ không thì * + ; và (2) Nếu * + ∑ thì ∑ không thì * + , với * +, * + và L lần lượt là giá trị cực đại, cực tiểu và độ dài của chuỗi ( ). 12 Hình 3.12. Cách xác định các APS có ý nghĩa trong tín hiệu iEMG 3.3. Bộ thông số định lƣợng tín hiệu iEMG chi Với các APS ý nghĩa xác định được, các tham số biên độ (Ai), thời khoảng (Di), số pha (Pi) và số điểm uốn (Ti) của mỗi đoạn APSi sẽ được xác định. Hình 3.12. Dạng sóng và các tham số của mỗi đoạn APS Tiếp theo, các thông số định lượng trung bình (xA), phương sai (sA) biên độ của các APSi và tỷ lệ thời gian biến động (rAPS) của tín hiệu iEMG được tính toán như sau: ̅ ∑ (mV) (3.8) √ ∑ ( ̅ ) (mV) (3.12) ∑ (%) (3.16) 13 Tương tự, các thông số định lượng khác như ̅ , ̅ , ̅ , , , , , và lần lượt là giá trị trung bình biên độ, pha, thời khoảng, số điểm uốn, độ lệch chuẩn giá trị pha, thời khoảng, điểm uốn của các APS có ý nghĩa và số APS, đỉnh, điểm uốn của tín hiệu iEMG được xác định. Ngoài ra, các thông số đặc trưng cho tín hiệu trong miền phi tuyến được xác định, đó là hai chỉ số SD1, SD2. Chúng thể hiện độ phân tán biên độ của các mẫu theo chiều ngang và dọc đường phân giác trong đồ thị Poincaré. Hình 3.15 mô tả dạng phân bố của cặp điểm mẫu liên tiếp trên đồ thị Poincaré ở các nhóm tín hiệu khác nhau. Hình 3.15. Đồ thị Poincaré của các tín hiệu thuộc các nhóm khác nhau Theo lý thuyết phân tích Poincaré, với chuỗi dữ liệu ( ) * + thì giá trị SD1 và SD2 được tính như sau: √ ( ) (3.17) √ ( ) ( ) (3.18) Như vậy, theo phương pháp QEMG được phát triển, mỗi tín hiệu iEMG sẽ được đặc trưng bởi 14 thông số, gồm: 12 thông số tính trong miền thời gian và 2 thông số tính trong miền phi tuyến. 3.4. Đánh giá giá trị bộ thông số định lƣợng Bộ dữ liệu mẫu EMGLab [37] được tác giả sử dụng để đánh giá hiệu quả của phương pháp đề xuất. Tập này bao gồm 844 bản ghi tín hiệu iEMG đo tại các cơ chi trên khi co cơ ở mức 30%MVC, bằng thiết bị tiêu chuẩn và theo phương pháp tiêu 14 chuẩn. Các đối tượng đo được xác nhận chắc chắn là thuộc một trong ba nhóm bệnh lý, là rối loạn thần kinh vận động (ALS), bệnh do cơ (MYO) và bình thường (NOR). Sau đây là một số kết quả thử nghiệm phương pháp đề xuất, một số công đoạn được so sánh với phương pháp khác. Bảng 3.2. Bảng so sánh chỉ số phân tách các APS của các phương pháp Phương pháp ̅ ̅ Phương pháp Christodoulos [19] 380 26,6 Phương pháp Nikolic [63] 290 32,5 Phương pháp đề xuất 360 26,7 Theo bảng trên, phương pháp này cho phép tách được các APS có độ dài khác nhau như phương pháp Nikolic [63], trong khi, các đoạn APS không chứa các đoạn điện thế nghỉ tương tự phương pháp Christodoulos [19]. Ngoài ra phương pháp này phân tách APS nhanh hơn phương pháp Nikolic. Bảng 3.4. Bảng trích cơ sở dữ liệu bộ các thông số định lượng tín hiệu Tên bảnghi Thông số N 2 0 0 1 A 0 1 A P 5 1 .b in N 2 0 0 1 A 0 2 V L 0 8 .b in N 2 0 0 1 A 0 3 B B 5 3 .b in N 2 0 0 1 M 0 1 T F 5 2 .b in N 2 0 0 1 M 0 2 B B 1 1 .b in N 2 0 0 1 C 0 1 B B 6 0 .b in N 2 0 0 1 C 0 2 B B 7 6 .b in Nhóm Đơn vị ALS ALS ALS MYO MYO NOR NOR Đoạn 150 133 212 409 426 492 567 Đỉnh 358 218 398 804 1001 964 987 Tur 695 553 585 1174 1550 1412 1388 ̅ mV 0,7164 2,018 0,4051 0,1024 0,0183 0,182 0,0996 ̅ Pha 3,887 3,135 2,627 2,455 2,185 2,425 1,965 ̅ ms 10,42 19,96 10,98 7,154 9,007 10,63 8,678 ̅ Tur 4,633 4,158 2,759 2,87 3,638 2,87 2,448 ... mV 0,2543 1,422 0,3341 0,0418 0,0268 0,080 0,0392 Pha 1,421 1,099 1,195 1,328 1,123 1,486 1,216 ... ms 3,511 11,61 4,948 3,647 4,309 5,963 5,149 ... Tur 2,028 2,059 1,347 1,78 2,298 1,9 1,844 % 14,251 24,253 21,226 26,633 34,965 47,71 44,831 mV 0,0057 0,0110 0,0023 0,0014 0,0011 0,002 0,0010 mV 0,1176 0,3373 0,1056 0,0297 0,029 0,071 0,0403 15 Phân tích QEMG tất cả các bản ghi tín hiệu của tập mẫu, ta có được tập dữ liệu thông số định lượng mẫu. Để đưa ra các đánh giá giá trị của các thông số định lượng có được, tác giả thực hiện các kỹ thuật phân tích thống kê đối với dữ liệu định lượng tập mẫu có được, bao gồm: (1) mô tả thống kê từng thông số định giữa các nhóm bằng đồ thị Boxplot, (2) kiểm định sự khác biệt trung bình tổng thể của từng thông số định giữa các nhóm bằng kiểm định U-test và (3) kiểm định mối tương quan giữa các thông số định lượng bằng kiểm định Spearman. Dưới đây là một số kết quả của phép kiểm định U-test với dữ liệu định lượng mẫu để thấy có hay không có sự khác biệt có ý nghĩa thống kê đối với mỗi thông số định lượng giữa các nhóm. Bảng 3.5. Kết quả kiểm định U-test đối với các thông số định lượng Nhóm ̅ ̅ ̅ ̅ NOR- MYO T 6,76 5,72 3,59 6,84 -0,88 4,91 -4,56 p 6,70E-12 5,30E-09 0,00016 3,90E-12 0,2751 4,50E-07 2,52E-06 NOR- ALS T -16,36 -15,08 -6,24 18,07 -13,56 14,72 12,3 p 1,80E-60 1,10E-51 0 0,00E+00 0 0,0E+00 0,00E+00 MYO- ALS T -12,64 -11,47 -9,22 17,82 -13,11 13,97 8,38 p 6,60E-37 9,70E-31 0 0,00E+00 0 0,0E+00 0,00E+00 NOR- MYO T 6,53 3,25 6,4 -1,49 7,94 1,517 8,11 p 3,20E-11 0,00058 7,58E-11 0,0687 1,00E-15 0,063 2,2E-16 NOR- ALS T 15,93 -0,85 12,13 3,79 1,91 11,27 13,19 p 0,00E+00 0,19677 0,00E+00 0,0001 2,80E-02 0 0 MYO- ALS T 15,37 2,8 8,65 3,79 -7,18 12,64 16,05 p 0,00E+00 0,00253 0,00E+00 0,0001 3,60E-13 0 0 Theo kết quả kiểm định thấy rằng, phần lớn các thông số định lượng có sự khác biệt có ý nghĩa thống kê (|T| > 2, p < 0,05) giữa các nhóm. Chỉ có một vài thông số không có sự khác biệt giữa hai nhóm, như sp của hai nhóm ALS – NOR , hoặc sT của hai nhóm NOR – MYO, điều này cũng phù hợp với mô tả thực tế. Theo kết quả kiểm định Spearman với tập dữ liệu định lượng mẫu và lý thuyết kiểm định Spearman, tác giả rút ra một số kết luận sau: các nhóm thông số { , , }, nhóm { }, nhóm { ̅ , }, nhóm { ̅ , }, nhóm { ̅ , }, nhóm { ̅ , ̅ } và nhóm { , , } có mối tương quan rất cao với 16 nhau (rho > 0,8) và do các giá trị t-star tương ứng đều lớn hơn giá trị tới hạn (1,96) nên các mối tương quan này có ý nghĩa thống kê. 3.6. Kết luận chƣơng 3 Trên hình 3.17 minh họa các quy trình QEMG của phương pháp đã có (A và B) và phương pháp được phát triển (C). Hình 3.17. Các quy trình của các phương pháp QEMG khác nhau Phương pháp QEMG được phát triển ở đây có quy trình khác so với một số phương pháp QEMG đã có. Phương pháp QEMG được phát triển có những đặc trưng như sau: - Tiền xử lý tín hiệu bằng các bộ lọc số có đáp ứng pha bằng không, tạo ra dải thông tín hiệu là 20Hz – 2kHz. - Phát triển phương pháp xác định các thành phần có ý nghĩa chẩn đoán trong tín hiệu iEMG chi, là các đoạn APS và các điểm uốn của nó. Phương pháp tự động tách các APS được phát triển có ưu điểm là: (1) giảm số phép tính giá trị ( ) xuống lần, đơn giản việc tính ngưỡng để xác định điểm bắt đầu và kết thúc của mỗi đoạn APS trong tín hiệu iEMG, và giảm đoạn điện thế nghỉ chứa trong đoạn APS được phân tách so với phương pháp do Nikolic sử dụng; (2) cho phép tự động tách được các APS có ý nghĩa chẩn đoán có độ dài khác nhau, là khả năng mà phương pháp do Christodoulos sử dụng không thực hiện được. - Đề xuất bộ 14 thông số đặc trưng cho tín hiệu gồm , , , ̅ , ̅ , ̅ , ̅ , , , , , và , và . 17 CHƢƠNG 4. ĐỀ XUẤT PHƢƠNG PHÁP SỬ DỤNG CÁC THÔNG SỐ ĐỊNH LƢỢNG TÍN HIỆU CÓ ĐƢỢC ĐỂ PHÂN LOẠI TÍN HIỆU iEMG CHI THEO CÁC NHÓM BỆNH LÝ 4.1. Giới thiệu Để tăng hiệu quả hơn nữa, các mô hình phân loại tín hiệu dựa trên các thông số định lượng tín hiệu iEMG được sử dụng. Trong các nghiên cứu trước [8], [15], [21], [40], [48], [67], [74] các phương pháp phân loại chủ yếu được phát triển dựa trên mạng Nơron, hoặc máy vectơ hỗ trợ (SVM) và sử dụng nhiều bộ thông số định lượng khác nhau. Độ chính xác phân loại đã đạt được khoảng 80% khi phân loại tín hiệu theo ba nhóm ALS, MYO và NOR. Trong nghiên cứu này, tác giả đã phát triển một số phương pháp sử dụng các thông số thu được theo phương pháp QEMG của tác giả đề xuất để phân loại tín hiệu iEMG theo ba nhóm như trên. Các bộ phân loại và phương pháp phân loại này được phát triển dựa trên kỹ thuật học máy và phân tích thống kê. 4.2. Phƣơng pháp sử dụng mạng Nơron 4.2.1. Mạng Artifical Neural Network (ANN) Mô hình xử lý thông tin mạng ANN được cấu trúc theo các ứng dụng cụ thể, nó có mô hình tổng quát như hình dưới đây. Hình 4.2. Cấu trúc tổng quát của mạng ANN Cấu trúc trên có thể mô tả bởi các biểu thức tổng quát sau: ( ) (4.3) ∑ (4.4) Trong đó: xk là các tín hiệu đầu vào, netk là hàm tổng, f(.) là hàm truyền, bk là ngưỡng, wki là trong số liên kết của đầu vào xi với nơron k và yk là đầu ra. 18 Mô hình ANN-BP (là mạng ANN có cấu trúc truyền thẳng, sử dụng thuật toán lan truyền ngược và quá trình học máy có giám sát) được dùng để xây dựng bộ phân loại tín hiệu iEMG chi. Vectơ đầu vào là các thông số định lượng được lựa chọn, đầu ra tương ứng các nhóm bệnh lý (xem hình 4.5). Các thông số định lượng đầu vào sẽ được chuẩn hóa để đảm bảo điều kiện giá trị trong khoảng [-1 1] theo công thức: ( ( )) ( ) ( ) (4.5) Trong đó: là giá trị chuẩn hóa, là giá trị ban đầu, S là số lượng các vectơ đặc tính đầu vào được sử dụng để chuẩn hóa, ( ) và ( ) tương ứng với giá trị cực tiểu và cực đại của phần tử của cả tập dữ liệu. Đầu ra Y được quy ước: ALS là {1,0,0}T, NOR là {0,1,0} T và MYO là {0,0,1} T Hình 4.5. Kiến trúc mạng ANN sử dụng để phân loại tín hiệu iEMG 4.2.2. Thử nghiệm và đánh giá Tập dữ liệu để huấn luyện và thử nghiệm mạng gồm 844 bộ thông số định lượng của các tín hiệu iEMG chi được chuẩn hóa. Hình 4.6. Bộ phân loại tín hiệu iEMG ANN-BP 14 đầu vào 19 Nghiên cứu này, tác giả xây dựng bộ phân loại tín hiệu iEMG sử dụng mô hình mạng ANN-BP với 14 đầu vào tương ứng với 14 thông số thu được theo phương pháp QEMG được phát triển, cấu hình của bộ phân loại được thể hiện ở hình 4.6. Kết quả huấn luyện các bộ phân loại được thể hiện trên ma trận phân loại và đồ thị ROC hình 4.8. Kết quả thu được cho thấy, bộ phân loại ANN-BP14 sử dụng 14 thông số định lượng tín hiệu, phân loại tín hiệu iEMG đạt độ chính xác cao (đạt 84% phân loại đúng). Độ chính xác phân loại tín hiệu liên quan đến nhóm ALS là cao nhất (đạt 88,2%), còn độ chính xác phân loại tín hiệu liên quan đến nhóm MYO thấp hơn cả (đạt 81,6%). Hình 4.8. Ma trận phân loại, đồ thị ROC của bộ phân loại ANN-BP14 4.3. Phƣơng pháp sử dụng phân tích hồi quy Logistic 4.3.1. Kỹ thuật phân tích hồi quy logistic Kỹ thuật này cho phép xác định mối liên hệ giữa một biến phụ thuộc nhị phân với hai hay nhiều biến độc lập. Với các biến độc lập , ,.., ( có thể liên tục hay không liên tục), mô hình hồi quy logistic đa biến phát biểu rằng: ( ) ∑ (4.8) Trong đó: là hằng số và ước lượng giá trị trung bình của ( ) khi = 0 ; là số ước lượng độ dốc, cho biết sự thay đổi trung bình của ( ) đi kèm với một sự thay đổi ở . là sai số mô hình, thường được bỏ qua khi ước tính tham số mô hình. Đối với một mô hình dữ liệu cụ thể, các thông số trong mô hình được xác định bởi phương pháp hợp lý cực đại (maximum 20 Likelihood). Theo phương pháp hợp lý cực đại chúng ta sẽ có một hệ phương trình sau như sau: { ∑ ( ) ∑ ( ) (4.10) Thay giá trị của tập dữ liệu vào hệ phương trình 4.10 và sử dụng phương pháp giải hệ phương trình Newton–Raphson các giá trị ̅ , ̅ của biểu thức xác suất dưới đây được xác định. ̅ ( ̅ ∑ ̅ ) (4.13) Từ đó, ta có thể dễ dàng ước tính được xác suất ̅ của bất cứ bộ giá trị ( , ,, ) nào của các biến đầu vào. 4.3.2. Lựa chọn thông số sử dụng cho các biểu thức ̅ Một vấn đề quan trọng mà chúng ta cần xem xét, trước khi thực hiện xây dựng biểu thức tính xác suất cụ thể bằng kỹ thuật phân tích hồi hồi quy Logistics, là lựa chọn thông số định lượng làm các biến đầu vào cho biểu thức xác suất đó. Bởi vì, nếu ta có k thông số định lượng ta có thể có 2k - 1 phương án chọn tổ hợp biến đầu vào khác nhau cho một biểu thức xác suất. Theo phương pháp lựa chọn biến đầu vào của lý thuyết phân tích hồi quy Logistic, tác giả phát triển giải pháp chọn biến cho các biểu thức xác suất dùng trong mô hình phân loại tín hiệu iEMG chi, là: (1) các biến được lựa chọn phải có sự khác biệt có ý nghĩa thống kê giữa các nhóm phân loại và (2) các biến được chọn tương ứng với các thông số mà có độ tương quan không rất cao (rho < 0,8). Dựa trên kết quả kiểm định U-test và Spearman thử trên tập dữ liệu mẫu và áp dụng giải pháp được phát triển, ta có thể chọn một trong hai bộ thông số là { ̅ , ̅ , , }, hoặc { , ̅ , ̅ , ,và } biến đầu vào của các biểu thức xác suất. Trong đó:  Biểu thức xác suất để phân loại tín hiệu thành hai nhóm là nhóm ALS và không phải ALS thì nên dùng bộ thông số { , ̅ , ̅ , , }.  Biểu thức xác suất để phân loại tín hiệu thành hai nhóm là nhóm MYO và không phải MYO thì nên dùng bộ thông số { , ̅ , ̅ , , }. 21 4.3.2. Thử nghiệm và đánh giá Một phần dữ liệu lấy từ tập mẫu được sử dụng để xây dựng các biểu thức tính xác suất tín hiệu thuộc về nhóm ALS (là PALS) và nhóm MYO là (là PMYO). Biến độc lập là các thông số định lượng được lựa chọn theo phương pháp giảm biến đầu vào được tác giả đề cập ở phần trên. Trong đó:  Khi xây dựng biểu thức PALS, biến đầu vào sẽ là 5 thông số định lượng , ̅ , ̅ , ,và . Biến phụ thuộc yi = 1 khi tín hiệu thuộc nhóm ALS, còn khác yi = 0. Sử dụng các công cụ chuyên dụng ta xác định được biểu thức: ̅ ( ̅ ) (4.14)  Khi xây dựng biểu thức PMYO, biến đầu vào sẽ là 5 thông số định lượng , ̅ , ̅ , ,và . Biến phụ thuộc yi = 1 khi tín hiệu thuộc nhóm MYO, còn khác yi = 0. Sử dụng các công cụ chuyên dụng ta xác định được biểu thức: ̅ ( ̅ ) (4.15) Hình 4.12 mô tả sự phân bố giá trị PALS và PMYO được tính theo công thức 4.14 và 4.15 của các nhóm tín hiệu trong tập mẫu. Hình 4.12. Đồ thị phân bố giá trị xác suất PALS và PMYO 22 Như vậy, với một tín hiệu iEMG (được đo và phân tích QEMG theo phương pháp tương tự như các dữ liệu mẫu, dùng để xây dựng các biểu thức ̅ ) bất kỳ, ta có thể dễ dàng tính được các chỉ số PALS, PMYO dựa trên các thông số định lượng của nó. Với các chỉ số xác suất PALS và PMYO có được mỗi tín hiệu iEMG chi sẽ được phân loạ