Tổng quan về luận án

Phân tích cấu trúc giấc ngủ (sleep architecture analysis) đóng vai trò nền tảng trong chẩn đoán lâm sàng và điều trị các hội chứng rối loạn giấc ngủ, bệnh lý hô hấp (ngưng thở khi ngủ - OSA), tim mạch, suy nhược thần kinh và các trạng thái suy giảm nhận thức. Luận án tiến sĩ chuyên ngành Vật lý kỹ thuật (Mã số: 62520401) của nghiên cứu sinh Lê Quốc Khải, dưới sự hướng dẫn khoa học của PGS. Huỳnh Quang Linh và TS. Lý Anh Tú tại Trường Đại học Bách Khoa – Đại học Quốc gia TP. Hồ Chí Minh (2023), mang tiêu đề "Nghiên cứu cấu trúc giấc ngủ ở người trưởng thành sử dụng tín hiệu điện não đơn kênh", là một công trình tiên phong giải quyết bài toán tự động hóa phân loại cấu trúc giấc ngủ đại thể và vi thể bằng điện não đồ đơn kênh (single-channel EEG).

Nghiên cứu giải quyết khoảng trống học thuật then chốt (research gap): Phương pháp đa ký giấc ngủ (Polysomnography - PSG) tiêu chuẩn vàng đòi hỏi hệ thống đa kênh phức tạp (EEG, EOG, EMG, ECG, đai hô hấp, đo SpO2), chi phí đắt đỏ, gây khó chịu cho bệnh nhân và phụ thuộc vào quy trình phân tích thủ công kéo dài (trung bình 8 giờ/bản ghi) bởi chuyên gia với độ biến thiên chủ quan cao. Hơn nữa, trong các mô hình máy học sử dụng EEG đơn kênh trước đây, giai đoạn chuyển tiếp N1 (Non-REM 1) luôn đạt độ chính xác và tính đặc thù rất thấp do biên độ dao động thấp và chồng lấn phổ tần số.

Luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học chặt chẽ:

  • RQ1: Tín hiệu EEG đơn kênh từ vị trí đạo trình tối ưu có thể thay thế cấu hình PSG đa kênh để phân loại chính xác các giai đoạn giấc ngủ (W, N1, N2, N3, REM) theo chuẩn AASM không?
    • Giả thuyết H1: Tỷ lệ mật độ phổ công suất (Power Spectral Density Ratio) giữa dải sóng Alpha và Theta kết hợp thuật toán tối ưu hóa đặc trưng cho phép phân loại chính xác pha chuyển tiếp N1 với độ nhạy và đặc thù cao.
  • RQ2: Làm thế nào để tự động hóa định lượng cấu trúc vi thể (K-complex, Sleep Spindles, Arousal) và thời điểm khởi phát giấc ngủ (Sleep Onset - SO) ở độ phân giải dưới 30 giây?
    • Giả thuyết H2: Tích hợp giải thuật lọc IIR, phân tích sóng Wavelet và thuật toán Support Vector Machine (SVM) cho phép định vị chính xác thời điểm SO trong từng epoch, tạo nền tảng phát hiện ngủ gật theo thời gian thực.

Khung lý thuyết của luận án tích hợp hệ thống phân loại tiêu chuẩn AASM 2007 (cập nhật 2012/2017) thay thế chuẩn cổ điển R&K 1968, lý thuyết xử lý tín hiệu số y sinh (Biomedical Signal Processing) và lý thuyết học máy thống kê (Statistical Learning Theory). Phạm vi nghiên cứu bao quát 153 bản ghi Sleep Cassette (SC) từ kho dữ liệu chuẩn quốc tế PhysioNet Sleep-EDF Expanded (74 đối tượng người Cáp-ca, độ tuổi 25–101) kết hợp với 55 bản ghi thực nghiệm lâm sàng tại Phòng thí nghiệm Vật lý Kỹ thuật Y sinh (Trường ĐH Bách Khoa – ĐHQG-HCM).

Literature Review và Positioning

Lịch sử nghiên cứu điện não giấc ngủ bắt đầu từ công trình nền tảng của Hans Berger (1929) khi lần đầu tiên ghi nhận hoạt động điện cực da đầu và phát hiện sự biến đổi biên độ sóng Alpha giữa trạng thái tỉnh táo và thư giãn nhắm mắt. Tiếp đó, Loomis và cộng sự (1937) đã mô tả hiện tượng phân mảnh của sóng Alpha khi bắt đầu rơi vào giấc ngủ, kèm theo sự xuất hiện của các phức bộ K (K-complex), thoi ngủ (sleep spindles) và sóng chậm Delta. Đến năm 1968, Rechtschaffen và Kales (R&K 1968) chuẩn hóa hệ thống phân loại giấc ngủ thành 6 giai đoạn (Wake, S1, S2, S3, S4, REM) dựa trên epoch cố định 30 giây. Tuy nhiên, đến năm 2007, Viện Hàn lâm Y học Giấc ngủ Hoa Kỳ (American Academy of Sleep Medicine - AASM) đã xuất bản bộ tiêu chuẩn mới AASM 2007 (cập nhật 2012, 2017), gộp hai giai đoạn S3 và S4 thành N3 do không có sự khác biệt về mặt sinh lý học, đồng thời bổ sung các đạo trình EEG vùng trước trán và vùng chẩm cùng quy tắc nhận diện vi thức tỉnh (arousal).

Trong y văn quốc tế tồn tại các luồng quan điểm trái chiều về việc sử dụng tín hiệu đơn kênh thay thế đa ký PSG:

  1. Trường phái PSG toàn diện: Các nhà lâm sàng học truyền thống cho rằng việc lược bỏ tín hiệu điện cơ cằm (EMG) và điện nhãn đồ (EOG) sẽ làm mất đi các chỉ dấu bắt buộc để phân biệt chính xác trạng thái ngủ chuyển động mắt nhanh (REM) và phân định ranh giới giữa giai đoạn thức W với giấc ngủ nông N1.
  2. Trường phái tinh gọn tín hiệu đơn kênh: Các kỹ sư y sinh hiện đại chứng minh rằng các đặc trưng năng lượng phổ miền tần số kết hợp giải thuật học máy phi tuyến có thể trích xuất đầy đủ thông tin tiềm ẩn từ một đạo trình EEG duy nhất, cho phép chẩn đoán tại nhà (ambulatory monitoring) và giảm tải hạ tầng y tế.

Luận án định vị chính xác khoảng trống nghiên cứu bằng cách so sánh đối chuẩn với ít nhất hai công trình quốc tế tiêu biểu:

  • Nghiên cứu của Supratak và cộng sự (2017) áp dụng mô hình mạng Deep Learning (CNN) trên kênh Fpz-Cz với bộ dữ liệu Sleep-EDF (20 đối tượng, kiểm chứng chéo 20-fold CV) đạt độ chính xác 0,75 và điểm Macro F1 là 0,70.
  • Nghiên cứu của Phan và cộng sự (2019) sử dụng kiến trúc CNN-LSTM trên kênh F4-EOG với bộ dữ liệu MASS (32 đối tượng, kiểm chứng 31-fold CV) đạt độ chính xác 0,86 và Macro F1 là 0,82.
  • Các mô hình phân loại dựa trên biến đổi Wavelet và Random Forest của Hassan và cộng sự (2016) trên kênh Pz-Oz đạt độ chính xác 0,88, Macro F1 0,80; mô hình Bootstrap Aggregating đạt 0,89/0,83 nhưng đều xử lý trên chuẩn cũ R&K và gặp hạn chế lớn tại pha N1.

Luận án của Lê Quốc Khải tạo bước đột phá khi áp dụng hoàn toàn tiêu chuẩn AASM 2007 trên quy mô dữ liệu lớn (153 bản ghi PhysioNet + 55 bản ghi lâm sàng), tập trung trích xuất tỷ số năng lượng phổ và bộ chọn lọc mRMR, nâng cao vượt bậc độ chính xác và tính đặc thù của giai đoạn khó nhất là N1, đồng thời mở rộng thuật toán xác định điểm chuyển pha thức - ngủ (Sleep Onset) và phát hiện trạng thái ngủ gật ở người lái xe.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng lý thuyết phân tích tín hiệu y sinh học và lý thuyết sinh lý thần kinh giấc ngủ qua các đóng góp cụ thể:

  1. Mở rộng lý thuyết điện sinh học vỏ não: Kế thừa quy luật đồng bộ hóa và giải đồng bộ hóa neuron của Berger (1929) và Loomis (1937), luận án chứng minh bằng định lượng rằng sự suy giảm công suất sóng Alpha (8–13 Hz) kèm theo sự gia tăng tỷ lệ công suất sóng Theta (4–7 Hz) trên một đạo trình đơn (Fpz-Cz hoặc Fp1-A2) mang đầy đủ đặc trưng đại diện cho sự sụt giảm trương lực cơ và chuyển động mắt chậm (SEM).
  2. Thiết lập mô hình chuyển pha trạng thái (State Transition Model): Mô hình hóa toán học quá trình chuyển từ Wake sang N1 thông qua hàm mật độ phổ công suất $R = P_{Theta} / P_{Alpha}$. Khi tỷ số $R$ vượt qua ngưỡng phân tách tối ưu trên siêu phẳng phân lớp SVM, trạng thái Sleep Onset (SO) được kích hoạt với độ dài chuyển pha biến thiên từ 3 đến 15 giây.
  3. Định lượng cấu trúc vi thể giấc ngủ: Hệ thống hóa 5 nhóm hình thái phức bộ K (nhóm A: 2-3 pha có sóng âm ngắn; nhóm B: đỉnh kép; nhóm C: đỉnh tròn; nhóm D: đơn pha; nhóm E: đa pha) và 4 phân nhóm tương quan thoi ngủ (nhóm 0, 1, 2, 3), bổ sung chứng cứ định lượng cho lý thuyết ức chế thần kinh trung ương trong giấc ngủ N2.

Khung phân tích độc đáo

Khung phân tích của luận án là sự tích hợp liên ngành giữa: (1) Tiêu chuẩn y học giấc ngủ AASM 2007, (2) Lý thuyết thông tin tương hỗ (Mutual Information) của Shannon, và (3) Lý thuyết học máy thống kê Vapnik (SVM).

+-----------------------------------------------------------------------------------+
|                        KHUNG PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO ĐƠN KÊNH                 |
+-----------------------------------------------------------------------------------+
|  [Tín hiệu thô (Sleep-EDF / Thực nghiệm)]                                         |
|         │                                                                         |
|         ▼                                                                         |
|  [Khối Tiền xử lý]: Lọc dải IIR/FIR (0,5-35 Hz), Wavelet De-noising               |
|         │                                                                         |
|         ▼                                                                         |
|  [Trích xuất đặc trưng đa miền]: Thời gian, Tần số (FFT), Tỷ số năng lượng R      |
|         │                                                                         |
|         ▼                                                                         |
|  [Tối ưu hóa đặc trưng]: Fisher's Ratio & Minimum Redundancy Maximum Relevance    |
|         │                                                                         |
|         ▼                                                                         |
|  [Mô hình phân lớp]: Support Vector Machine (SVM) + Siêu phẳng phân tách tối ưu   |
|         │                                                                         |
|         ▼                                                                         |
|  [Đầu ra]: Hypnogram tự động chuẩn AASM, Vi sóng (K-complex, Arousal), Điểm SO    |
+-----------------------------------------------------------------------------------+

Phương pháp phân tích mang tính đột phá thể hiện ở quy trình hai cấp: cấp độ vĩ mô phân loại 5 trạng thái giấc ngủ theo epoch 30 giây và cấp độ vi mô quét trượt cửa sổ thời gian thực để xác định các vi thức tỉnh (Arousal > 3s) và vi sóng (K-complex > 0,5s, Spindles 12–16 Hz). Điều kiện biên được xác định rõ: áp dụng cho người trưởng thành khỏe mạnh và đối tượng có dấu hiệu ngủ gật trong môi trường lao động mô phỏng.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu theo đuổi trường phái thực chứng (positivism) với phương pháp định lượng nghiêm ngặt, kết hợp dữ liệu thứ cấp chuẩn quốc tế và dữ liệu thực nghiệm sơ cấp. Thiết kế đa tầng bao gồm:

  • Tầng vĩ mô (Macro-level): Phân tích toàn diện 153 đêm đo đa ký giấc ngủ để trích xuất cấu trúc đại thể (TST, TIB, SE, SOL, WASO, tỷ lệ các giai đoạn N1, N2, N3, REM, W).
  • Tầng vi mô (Micro-level): Tách lọc và nhận dạng các dạng vi sóng kịch phát, đo lường sự phân mảnh giấc ngủ qua chỉ số Arousal Index.
  • Tầng ứng dụng (Application-level): Thiết kế bài toán thực nghiệm mô phỏng lái xe tải giao hàng trên laptop/máy tính bảng để khảo sát trạng thái buồn ngủ và ngủ gật cục bộ ở sinh viên.

Cỡ mẫu nghiên cứu xác thực:

  • 153 bản ghi Sleep Cassette (SC) từ PhysioNet Sleep-EDF: gồm 74 đối tượng khỏe mạnh (Caucasian), tuổi từ 25 đến 101 tuổi (phân bố cân bằng theo các nhóm tuổi: 20–29, 30–39, 40–49, 50–59, >60 tuổi; tỷ lệ nam/nữ tương đương), được theo dõi trong môi trường tự nhiên tại nhà bằng thiết bị PSG di động.
  • 55 bản ghi thực nghiệm trực tiếp tại Phòng thí nghiệm Vật lý Kỹ thuật Y sinh với hệ thống đo điện não vi sai đa kênh NicoletOne.

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý tín hiệu tuân thủ các bước chuẩn y sinh:

  1. Chuẩn bị và gắn điện cực: Hệ thống điện cực quốc tế 10–20, sử dụng các đạo trình trán (Fpz, Fp1, Fp2), trung tâm (Cz, C3, C4), chẩm (Oz, O1, O2) và điện cực tham chiếu vành tai (A1, A2, M1, M2). Kiểm tra trở kháng tiếp xúc bề mặt da dưới 5 kΩ.
  2. Tiền xử lý và lọc nhiễu: Thiết kế bộ lọc số IIR dạng trực tiếp (Direct Form) và bộ lọc FIR khử nhiễu tần số thấp do chuyển động hô hấp, khử nhiễu đường điện 50 Hz và nhiễu điện tim (phức bộ QRS từ ECG). Phân tích biến đổi Wavelet để khử nhiễu kênh EOG và EMG cằm.
  3. Trích xuất và chọn lọc đặc trưng:
    • Biến đổi Fourier nhanh (FFT) trích xuất mật độ phổ công suất trên 4 dải sóng: Delta (0,5–4 Hz), Theta (4–8 Hz), Alpha (8–13 Hz), Beta (13–35 Hz).
    • Áp dụng tiêu chuẩn Fisher's Ratio để đo lường khả năng phân tách giữa các lớp: $$F = \frac{(\mu_1 - \mu_2)^2}{\sigma_1^2 + \sigma_2^2}$$
    • Sử dụng thuật toán lựa chọn đặc trưng mRMR (Minimum Redundancy Maximum Relevance) dựa trên entropy thông tin tương hỗ $I(x;y)$ nhằm cực đại hóa độ tương quan với nhãn lớp và cực tiểu hóa độ dư thừa giữa các biến đặc trưng.

Data và phân tích

Dữ liệu thô định dạng EDF (European Data Format) từ PhysioNet được trích xuất bằng phần mềm Polyman và xử lý trên môi trường MATLAB chuyên sâu.

  • Phân chia dữ liệu: Sử dụng kỹ thuật kiểm chứng chéo loại một đối tượng (Leave-One-Out Cross-Validation - LOOCV) trên 10 ca huấn luyện nhằm tìm kiếm siêu phẳng tối ưu (Hyperplane) của thuật toán Support Vector Machine (SVM) với hàm nhân RBF (Radial Basis Function).
  • Sau khi xác định mô hình tối ưu, toàn bộ 143 bản ghi còn lại trong tập kiểm thử (Testing Set) độc lập được đưa vào đánh giá để đảm bảo tính khách quan tuyệt đối.
  • Các chỉ số thống kê đánh giá hiệu năng bao gồm: Độ chính xác tổng thể (Accuracy), Độ nhạy (Sensitivity/Recall), Độ đặc hiệu (Specificity), Điểm Macro F1-score, Ma trận nhầm lẫn (Confusion Matrix), Giá trị trung bình và độ lệch chuẩn ($\mu \pm \sigma$).

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án cung cấp các phát hiện mang tính đột phá dựa trên bằng chứng thực nghiệm rõ ràng:

  1. Nâng cao vượt trội hiệu năng phân loại giai đoạn N1 bằng EEG đơn kênh: Trích xuất tỷ số phổ công suất $R = P_{Theta} / P_{Alpha}$ làm đặc trưng nòng cốt giúp phân biệt rõ nét trạng thái W và N1. Trong quá trình kiểm chứng LOOCV và kiểm tra trên 143 ca testing độc lập, mô hình SVM đơn kênh đạt độ chính xác phân loại tổng thể trên 88%, trong đó điểm F1-score của riêng giai đoạn N1 và Wake đạt mức tương đương các hệ thống đa ký PSG phức tạp, khắc phục nhược điểm nhận diện sai N1 thành W hoặc N2 vốn tồn tại phổ biến ở các nghiên cứu trước (vốn chỉ đạt F1-score từ 0,70 đến 0,80 như trong bảng tổng hợp của luận án).

  2. Định lượng chính xác thời điểm chuyển trạng thái thức - ngủ (Sleep Onset): Như văn bản luận án chỉ rõ: "SO bắt đầu bằng sự phân mảnh của sóng Alpha và thay vào đó là sự xuất hiện và nổi trội lên hoàn toàn của sóng Theta có tần số 4-7 Hz hoặc sự xuất hiện của các sóng chậm (2 – 7 Hz). Lúc này trên bản ghi đa ký sóng Alpha sẽ chiếm dưới 50% epoch và các sóng tần số thấp chiếm ưu thế hơn hẳn – trên 50% epoch." Luận án đã xác định thành công điểm rơi SO không chỉ dừng lại ở phạm vi một epoch 30 giây mà định vị chính xác khoảng thời gian chuyển pha thực tế kéo dài từ 3 đến 15 giây (thường là 10 giây) thông qua sự kết hợp giữa phân rã sóng Alpha và tín hiệu chuyển động mắt chậm SEM (Slow Eye Movement tần số 1,5–6 Hz).

  3. Xác lập tính khả thi của các đạo trình đơn kênh vùng trán (Fp1-A2, Fpz-Cz): So sánh đối chuẩn giữa các kênh đơn Fpz-Cz, Pz-Oz và các kênh đơn vùng trán (Fp1, Fp2 tham chiếu A1, A2) cho thấy đạo trình vùng trán Fp1-A2 đạt độ tương quan trên 85–90% so với đạo trình đa kênh chuẩn trong việc nhận diện sóng Theta vượt trội và suy giảm Alpha, mở ra khả năng thiết kế điện cực gắn trán tinh gọn.

  4. Phát hiện quy luật biến thiên vi sóng trong cấu trúc giấc ngủ theo lứa tuổi: Phân tích cấu trúc vi thể trên bộ dữ liệu 74 đối tượng từ 25 đến 101 tuổi khẳng định: Mật độ xuất hiện của thoi ngủ (Sleep Spindles) đạt đỉnh ở N2 và N3 nhưng suy giảm rõ rệt về biên độ và tần số ở người cao tuổi (>60 tuổi); ngược lại, chỉ số vi thức tỉnh (Arousal) tăng tuyến tính theo tuổi tác, giải thích hiện tượng phân mảnh giấc ngủ và giảm sút hiệu quả giấc ngủ (SE giảm từ 94,4% ở nhóm 20–29 tuổi xuống còn 85,8% ở nhóm >60 tuổi).

+-----------------------------------------------------------------------------------+
|                BẢNG ĐỐI CHUẨN HIỆU NĂNG PHÂN LOẠI GIẤC NGỦ ĐƠN KÊNH                |
+----------------------+--------------------+-----------+-------------+-------------+
| Nghiên cứu           | Dữ liệu / Kênh     | Cỡ mẫu    | Accuracy    | Macro F1    |
+----------------------+--------------------+-----------+-------------+-------------+
| Supratak (2017)      | Sleep-EDF (Fpz-Cz) | 20 ca     | 0,75        | 0,70        |
| Phan et al. (2019)   | MASS (F4-EOG)      | 32 ca     | 0,86        | 0,82        |
| Hassan et al. (2016) | Sleep-EDF (Pz-Oz)  | 20 ca     | 0,88        | 0,80        |
| Luận án (Lê Q. Khải) | ES-EDF (153 bản ghi)| 74 đối tượng| 0,88 - 0,90 | 0,83 - 0,85 |
+----------------------+--------------------+-----------+-------------+-------------+

Implications đa chiều

  • Về mặt lý thuyết: Khẳng định tính đầy đủ thông tin của tín hiệu điện não vùng trán đơn kênh trong việc tái tạo Hypnogram chuẩn AASM, định lượng hóa ranh giới mờ giữa ý thức tỉnh táo và vô thức N1.
  • Về phương pháp luận: Cung cấp pipeline xử lý tín hiệu hoàn chỉnh: từ lọc số IIR, biến đổi Wavelet, tối ưu hóa đặc trưng bằng mRMR và Fisher's ratio, đến phân lớp SVM với kiểm chứng LOOCV nghiêm ngặt, có thể tái lập trên nhiều miền tín hiệu y sinh khác (ECG, EMG).
  • Về thực tiễn và chính sách y tế:
    • Giảm chi phí thăm khám giấc ngủ từ 5–10 lần so với phòng đo PSG truyền thống.
    • Cung cấp phác đồ kỹ thuật cho Hội Y học Giấc ngủ Việt Nam (VSSM) trong việc triển khai các thiết bị theo dõi giấc ngủ Holter EEG tại tuyến y tế cơ sở và chăm sóc sức khỏe tại nhà cho bệnh nhân hậu Covid-19, người cao tuổi và trẻ tự kỷ.
    • Ứng dụng tích hợp trong hệ thống cảnh báo sớm ngủ gật trên các phương tiện vận tải đường dài, giảm thiểu tai nạn giao thông.

Limitations và Future Research

Mặc dù đạt được những kết quả xuất sắc, luận án thẳng thắn chỉ ra các giới hạn nghiên cứu:

  1. Đặc điểm nhân khẩu học của bộ dữ liệu quốc tế: Bộ dữ liệu Sleep-EDF Expanded chủ yếu thu thập trên người da trắng (Caucasian) từ những năm 1989–1991; do đó cần thêm các tập dữ liệu đa dạng chủng tộc, đặc biệt là người Việt Nam và người châu Á.
  2. Nhiễu tiếp xúc điện cực thực tế: Trong môi trường đo tự nhiên hoặc trên đối tượng di động, tín hiệu EEG đơn kênh dễ bị ảnh hưởng bởi chuyển động cơ mặt, nghiến răng hoặc lỏng điện cực (như ghi nhận ở mẫu thực nghiệm epoch 61 kênh A1).
  3. Độ phức tạp tính toán: Mặc dù giải thuật SVM cho tốc độ suy luận nhanh, nhưng khâu phân tích Wavelet và tính toán tỷ số năng lượng phổ trượt liên tục vẫn cần tối ưu hóa phần cứng nhúng công suất thấp.

Chương trình nghiên cứu tương lai (Future Agenda):

  • Phát triển chip vi xử lý chuyên dụng (ASIC/FPGA) nhúng sẵn thuật toán trích xuất đặc trưng $R$ và bộ phân lớp SVM để tích hợp vào băng đeo trán thông minh không dây.
  • Mở rộng tập mẫu thử nghiệm lâm sàng trên các bệnh nhân mắc hội chứng ngưng thở khi ngủ tắc nghẽn (OSA) và hội chứng ngủ rũ (Narcolepsy).
  • Kết hợp mạng nơ-ron học sâu dạng Transformer hoặc Spiking Neural Networks (SNN) để xử lý tín hiệu EEG thô với khả năng thích ứng cá nhân hóa theo thời gian thực.

Tác động và ảnh hưởng

Luận án tạo ra tác động học thuật và kinh tế - xã hội sâu rộng:

  • Ảnh hưởng học thuật: Cung cấp cơ sở dữ liệu và thuật toán mẫu cho các nhóm nghiên cứu Vật lý Y sinh, Kỹ thuật Y sinh (BME) và Khoa học Dữ liệu tại Việt Nam; tiềm năng trích dẫn cao trong các tạp chí quốc tế chuyên ngành (IEEE TBME, Sleep Medicine, Computers in Biology and Medicine).
  • Chuyển đổi công nghiệp thiết bị y tế: Mở đường cho các doanh nghiệp thiết bị y tế trong nước làm chủ công nghệ sản xuất máy Holter điện não đơn kênh và thiết bị Smart Headband theo dõi giấc ngủ chuẩn y khoa với giá thành phù hợp.
  • Lợi ích xã hội: Nâng cao năng lực chẩn đoán sớm các rối loạn giấc ngủ trong cộng đồng, hỗ trợ các tài xế chuyên nghiệp kiểm soát tình trạng ngủ gật vô thức, bảo vệ tính mạng và tài sản cho xã hội.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Giảng viên ngành Kỹ thuật Y sinh / Vật lý Y học: Tiếp cận quy trình phương pháp luận chuẩn xác từ lọc tín hiệu, trích xuất đặc trưng mRMR đến mô hình học máy SVM phân loại cấu trúc giấc ngủ theo chuẩn AASM 2007.
  • Bác sĩ Thần kinh & Chuyên gia Y học Giấc ngủ: Có thêm công cụ phần mềm tự động hóa hỗ trợ đọc bản ghi điện não, rút ngắn thời gian phân tích từ 8 giờ xuống còn vài phút với độ tin cậy cao.
  • Kỹ sư R&D thiết bị đeo (Wearable Tech): Ứng dụng thuật toán phân loại đơn kênh Fp1-A2 vào các sản phẩm vòng đeo trán, đồng hồ thông minh giám sát sức khỏe giấc ngủ.
  • Các cơ quan quản lý an toàn giao thông & Doanh nghiệp vận tải: Ứng dụng giải pháp phát hiện buồn ngủ thời gian thực để nâng cao an toàn cho đội ngũ tài xế.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc mở rộng Lý thuyết Điện sinh học Thần kinh giấc ngủ (Neurophysiology of Sleep) và Tiêu chuẩn AASM 2007 thông qua việc định lượng hóa chính xác pha chuyển tiếp N1 bằng một tỷ số phổ công suất đơn kênh duy nhất ($R = P_{Theta} / P_{Alpha}$). Luận án đã chuyển hóa các tiêu chí định tính của AASM (sự suy giảm sóng Alpha > 50% epoch và xuất hiện sóng chậm 4–7 Hz) thành mô hình toán học giải tích tường minh trên siêu phẳng SVM, giải quyết triệt để ranh giới nhầm lẫn giữa Wake và N1.

2. Điểm cải tiến phương pháp luận so với các nghiên cứu quốc tế trước đây?

So với các nghiên cứu của Supratak (2017) và Hassan (2016), luận án không chỉ phân loại 5 giai đoạn thô theo epoch 30 giây mà còn phát triển quy trình phân tích hai pha:

  1. Kết hợp đồng thời tỷ số năng lượng Fisher's ratio và giải thuật mRMR để loại bỏ triệt để các đặc trưng dư thừa.
  2. Kiểm chứng chéo ngặt nghèo LOOCV trên tập huấn luyện và thử nghiệm độc lập trên 143 ca kiểm thử (Testing Set), đạt độ chính xác ổn định 88–90% trên chuẩn AASM 2007, vượt trội hơn các mô hình chỉ sử dụng chuẩn cũ R&K 1968.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?

Phát hiện bất ngờ nhất là đạo trình đơn kênh vùng trán trước Fp1-A2 (vốn ít được sử dụng trong các nghiên cứu truyền thống do lo ngại nhiễu chuyển động mắt) lại thể hiện độ tương quan phân tách thức - ngủ đạt trên 88%, tương đương với đạo trình kinh điển Fpz-Cz và vượt trội hơn đạo trình vùng chẩm Pz-Oz trong việc phát hiện pha khởi phát giấc ngủ (Sleep Onset) nhờ khả năng ghi nhận đồng thời tín hiệu điện não Theta và biến thiên điện thế chuyển động mắt chậm (SEM).

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) không?

Có. Luận án mô tả chi tiết từng khối chức năng phần mềm trên MATLAB: từ thông số các bộ lọc IIR Direct Form, dải tần số cắt (0,5–35 Hz), công thức trích xuất đặc trưng năng lượng phổ, bảng ma trận chọn lọc mRMR, đến cách thức thiết lập siêu phẳng SVM. Toàn bộ mã nguồn và cấu trúc giao diện phân tích đồ họa GUI (EEG Viewer, Hypnogram Generator) đều được tài liệu hóa rõ ràng.

5. Định hướng chương trình nghiên cứu 10 năm tiếp theo được vạch ra như thế nào?

Chương trình 10 năm tập trung vào 3 trụ cột:

  1. Hardware-in-the-loop: Thu nhỏ mạch đo điện não đơn kênh thành chip vi cơ điện tử SoC công suất siêu thấp.
  2. AI Edge Computing: Tích hợp mô hình học sâu Lightweight Transformer xử lý tín hiệu trực tiếp trên thiết bị đeo tại rìa mạng.
  3. Hệ sinh thái Y tế số Giấc ngủ: Kết nối dữ liệu đa trung tâm của Hội Y học Giấc ngủ Việt Nam (VSSM) phục vụ chẩn đoán y tế từ xa (Tele-sleep medicine).

Kết luận

Luận án tiến sĩ của NCS. Lê Quốc Khải đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp cốt lõi:

  1. Xây dựng thành công quy trình tự động hóa phân tích cấu trúc giấc ngủ đại thể và vi thể từ tín hiệu điện não đơn kênh theo tiêu chuẩn quốc tế AASM 2007.
  2. Nâng cao vượt bậc độ chính xác và tính đặc thù trong phân loại giai đoạn giấc ngủ N1, khắc phục điểm nghẽn tồn tại nhiều thập kỷ trong phân tích EEG tự động.
  3. Đề xuất thuật toán xác định chính xác thời điểm chuyển trạng thái thức - ngủ (Sleep Onset) ở độ phân giải thời gian thực (3–15 giây) dựa trên sự biến thiên tỷ số năng lượng phổ $R$ và sóng chậm SEM.
  4. Phát triển hệ thống thực nghiệm phát hiện sớm trạng thái ngủ gật ở người trưởng thành, chứng minh tính khả thi vượt trội của đạo trình đơn kênh vùng trán Fp1-A2.
  5. Xây dựng phần mềm tích hợp hoàn chỉnh từ tiền xử lý, trích xuất đặc trưng đến hiển thị trực quan Hypnogram, đóng góp thiết thực cho sự phát triển của chuyên ngành Vật lý kỹ thuật y sinh và Hội Y học Giấc ngủ Việt Nam.

Công trình khẳng định bước chuyển dịch mô hình (paradigm shift) từ các hệ thống đa ký cồng kềnh trong bệnh viện sang các giải pháp giám sát điện não đơn kênh tinh gọn, mở ra kỷ nguyên mới cho các thiết bị y tế cá nhân hóa và chăm sóc sức khỏe giấc ngủ thông minh trong tương lai.