Luận án: Hệ thống xử lý tín hiệu điện não tự động phát hiện gai động kinh - Nguyễn Thị Anh Đào

Dấu hiệu quan trọng nhất của bệnh động kinh là sự xuất hiện của sóng gai nhọn (epileptic spike). Đây là các xung điện thế có biên độ lớn và thời gian kéo dài rất ngắn. Thông thường, một sóng gai có khoảng thời gian duy trì từ 20 đến 70 mili giây. Sóng thường có đỉnh nhọn và phân biệt rõ rệt với nền điện não thông thường. Theo sau sóng gai thường là một sóng chậm với thời lượng dài hơn. Sự xuất hiện của sóng gai phản ánh trạng thái kích thích đồng thì của hàng triệu nơ-ron. Việc nhận dạng chính xác sóng gai giúp xác định vùng sinh động kinh cục bộ trong não. Tuy nhiên, sóng gai thường bị nhầm lẫn với các nhiễu sinh lý như nhấp nháy mắt hoặc cử động cơ. Do đó, thuật toán phân tích cần tính toán chính xác hình dạng, độ dốc và biên độ của từng xung điện.

Ngoài các xung đơn lẻ, dạng bệnh lý phức hợp thường gặp là phóng điện dạng gai và sóng (spike-and-wave discharge). Hiện tượng này bao gồm một sóng gai nhọn đi liền kề với một sóng chậm biên độ cao. Tần số phóng điện điển hình thường dao động quanh mức 3 Hz. Đây là biểu hiện kinh điển của các cơn động kinh toàn thể hoặc động kinh vắng ý thức. Dạng sóng này lan tỏa trên nhiều kênh điện cực cùng một thời điểm. Cấu trúc hình học phức tạp của dạng sóng gây khó khăn cho việc nhận diện trực quan. Việc phân tích tự động đòi hỏi thuật toán phải trích xuất được cả thành phần gai nhanh và thành phần sóng chậm. Sự biến thiên biên độ giữa các pha cần được mô hình hóa chính xác. Phát hiện sớm hiện tượng này giúp đưa ra phác đồ điều trị kịp thời và ngăn ngừa biến chứng nguy hiểm.

Quy trình chẩn đoán truyền thống phụ thuộc hoàn toàn vào kinh nghiệm đọc của bác sĩ chuyên khoa thần kinh. Khối lượng dữ liệu EEG dài hạn trong nhiều ngày khiến việc theo dõi liên tục trở nên bất khả thi. Phân tích điện não đồ tự động mang lại giải pháp khách quan, tin cậy và không bị ảnh hưởng bởi sự mệt mỏi của con người. Hệ thống máy tính có khả năng quét qua hàng triệu mẫu dữ liệu trong thời gian ngắn. Tỷ lệ phát hiện sai hoặc bỏ sót sự kiện bất thường được giảm thiểu đáng kể. Hệ thống tự động cũng chuẩn hóa quy trình phân loại sóng não tại các cơ sở y tế. Sự kết hợp giữa xử lý số liệu tốc độ cao và kiến thức y khoa mở ra hướng tiếp cận mới trong y tế thông minh. Nhờ đó, việc chẩn đoán và theo dõi bệnh nhân động kinh đạt hiệu quả cao hơn.

Thu thập dữ liệu EEG chuẩn hóa dựa trên hệ thống phân bố điện cực quốc tế 10-20. Hệ thống này đảm bảo tính nhất quán về vị trí đặt điện cực trên da đầu dựa theo các mốc giải phẫu. Khoảng cách giữa các điện cực liền kề được tính bằng 10% hoặc 20% tổng khoảng cách hộp sọ. Các kênh đo ghi nhận hoạt động từ các thùy trán, thùy đỉnh, thùy chẩm và thùy thái dương. Tín hiệu thu nhận sau đó được số hóa với tần số lấy mẫu phù hợp, thông thường từ 256 Hz trở lên. Dữ liệu thô phải trải qua khâu kiểm tra chất lượng tiếp xúc của điện cực. Bất kỳ sự lỏng lẻo nào của dây dẫn đều gây ra nhiễu tiếp xúc nghiêm trọng. Cơ sở dữ liệu chuẩn hóa giúp các thuật toán học máy học tập các đặc trưng một cách đồng bộ và chính xác.

Nhiễu sinh học từ cử động mắt (EOG) và co cơ (EMG) có phổ tần số chồng lấn với sóng não. Các bộ lọc thông dải truyền thống khó loại bỏ hoàn toàn các loại nhiễu phi tĩnh này. Phương pháp biến đổi wavelet trong EEG là công cụ khử nhiễu vượt trội nhờ khả năng phân giải đa quy mô. Tín hiệu được phân tách thành nhiều mức xấp xỉ và chi tiết khác nhau. Các sóng mẹ phù hợp như Daubechies hoặc Symlet giúp bảo tồn tối đa đặc tính cục bộ của xung gai. Bằng cách áp dụng ngưỡng mềm hoặc ngưỡng cứng lên các hệ số wavelet, nhiễu tần số cao và nhiễu cơ bị triệt tiêu hiệu quả. Tín hiệu điện não sau tái tạo giữ được độ sắc nét của các gai động kinh. Kỹ thuật này giúp làm sạch tín hiệu mà không gây méo dạng sóng.

Tín hiệu điện não đồ có bản chất phi tuyến và không dừng theo thời gian. Việc phân tích đơn thuần trên miền thời gian hoặc miền tần số không phản ánh đầy đủ thông tin bệnh lý. Kỹ thuật phân tích thời gian - tần số cung cấp bức tranh toàn diện về sự phân bố năng lượng sóng não. Các phương pháp như biến đổi Fourier ngắn hạn (STFT) hoặc phân bố Wigner-Ville cho phép theo dõi sự biến đổi tần số theo từng thời điểm. Gai động kinh xuất hiện dưới dạng các cụm năng lượng tập trung cao độ trong dải tần số rộng tại một khoảng thời gian hẹp. Việc biểu diễn kết hợp giúp phân biệt rõ ràng giữa sóng gai thật và dao động nền thông thường. Đây là cơ sở cốt lõi để nâng cao chất lượng tín hiệu trước khi đưa vào các bộ phân loại.

Kiến trúc đa bước chia nhỏ bài toán phát hiện phức tạp thành các bài toán con đơn giản hơn. Bước thứ nhất là bộ lọc ứng viên dựa trên ngưỡng biên độ và độ dốc tức thời của tín hiệu. Bước này đảm bảo độ nhạy tối đa nhằm không bỏ sót bất kỳ biến cố động kinh nào. Các đoạn sóng vượt qua ngưỡng sơ bộ sẽ được chuyển tiếp sang bước thứ hai. Tại bước này, hệ chuyên gia hoặc bộ phân loại thông minh sẽ phân tích sâu các chỉ số hình thái. Các tham số như độ cong đỉnh sóng, thời gian tăng và thời gian giảm được đo đạc chi tiết. Cấu trúc phân tầng giúp tiết kiệm tài nguyên tính toán vì phần lớn dữ liệu bình thường đã bị loại bỏ ngay từ bước đầu. Hệ thống vận hành ổn định và đạt tốc độ phản hồi nhanh.

Hiệu năng của hệ thống đa bước không thể đánh giá đơn thuần bằng một đường cong ROC truyền thống. Mỗi bước xử lý có một ngưỡng quyết định riêng biệt, tạo ra sự phụ thuộc phức tạp giữa độ nhạy (SEN) và độ đặc hiệu (SPE). Phương pháp ước lượng đường cong ROC tổng hợp được áp dụng để tối ưu hóa đồng thời các tham số. Đường cong ROC tổng hợp biểu diễn sự cân bằng tối ưu giữa tỷ lệ phát hiện đúng và tỷ lệ báo động giả trên toàn hệ thống. Việc phân tích bề mặt ROC giúp lựa chọn điểm làm việc lý tưởng cho các ứng dụng lâm sàng thực tế. Qua đó, hệ thống duy trì được độ nhạy cao trong khi vẫn kiểm soát chặt chẽ số lượng dương tính giả trên mỗi giờ ghi đo.

Kết quả mô phỏng trên các tập dữ liệu điện não chuẩn chứng minh tính hiệu quả của mô hình đơn kênh. Tỷ lệ phát hiện gai đạt mức cao trên các kênh đo thuộc thùy thái dương và thùy trán. Tuy nhiên, hạn chế lớn nhất của phân tích đơn kênh là thiếu sự liên kết không gian giữa các vùng não. Một xung nhiễu cục bộ mạnh có thể bị nhận định sai thành sóng gai bệnh lý. Ngược lại, những gai có biên độ thấp chìm trong sóng nền có thể bị bỏ qua. Dù vậy, mô hình đơn kênh vẫn giữ giá trị lớn trong việc giám sát sơ bộ hoặc triển khai trên các thiết bị đeo có số lượng điện cực hạn chế. Kết quả này đặt tiền đề cho việc mở rộng sang các hệ thống đa kênh phức tạp hơn.

Để khai thác tối đa thông tin, tín hiệu đa kênh được chuyển đổi sang biểu diễn ten-xơ bậc ba hoặc bậc bốn. Chiều thứ nhất biểu diễn trục thời gian của các đoạn sóng. Chiều thứ hai thể hiện các dải tần số thu được từ biến đổi thời gian - tần số. Chiều thứ ba tương ứng với tọa độ các kênh điện cực trên vỏ não. Cấu trúc mảng 3D này phản ánh sự lan truyền và phân bố năng lượng của sóng gai trong không gian não bộ. Khác với việc trải phẳng dữ liệu thành ma trận 2D, biểu diễn ten-xơ giữ nguyên mối quan hệ tương hỗ giữa các chiều vật lý. Cách biểu diễn này tạo điều kiện thuận lợi cho việc lọc nhiễu đồng thời trên cả miền thời gian, tần số và vị trí không gian.

Thuật toán xấp xỉ hạng thấp đa tuyến tính đồng thời mở rộng (SMLRAT) là một đóng góp học thuật nổi bật. SMLRAT tối ưu hóa việc phân tích đồng thời nhiều ten-xơ đại diện cho các đoạn tín hiệu khác nhau. Phương pháp này tìm kiếm các không gian con chung mang đặc tính phân biệt cao giữa mẫu gai và mẫu sóng bình thường. Thuật toán nén dữ liệu hiệu quả bằng cách loại bỏ các thành phần dư thừa không liên quan. So với các giải thuật phân tích ten-xơ độc lập, SMLRAT nâng cao tốc độ hội tụ và giảm chi phí tính toán đáng kể. Năng lượng của sóng gai được gom tụ lại, giúp phân biệt rõ ràng các đợt phóng điện bất thường với nhiễu nền xung quanh.

Các mô hình phân rã ten-xơ kinh điển bao gồm phân tích CANDECOMP/PARAFAC (CP) và phân tích Tucker. Phân rã CP biểu diễn ten-xơ thành tổng của các ten-xơ hạng một tối thiểu. Phân rã Tucker tổng quát hơn với một ten-xơ lõi tương tác giữa các ma trận nhân tử. Trong xử lý EEG, phổ năng lượng thời gian - tần số luôn mang giá trị dương. Việc bổ sung ràng buộc không âm (Non-negative) vào các thuật toán CP và Tucker mang lại ý nghĩa vật lý rõ ràng cho các thành phần trích xuất được. Các ma trận nhân tử không âm đại diện trực tiếp cho bản đồ phân bố năng lượng và vị trí nguồn kích thích. Điều này giúp các chuyên gia y tế dễ dàng lý giải bản chất sinh học của các kết quả phân tích.

Phương pháp trích xuất đặc trưng khai thác thông tin từ nhiều góc độ khác nhau của tín hiệu. Trên miền thời gian, các thông số thống kê như biên độ cực đại, độ nhọn (kurtosis), độ lệch (skewness) và độ dốc sóng được tính toán. Trên miền tần số và miền wavelet, năng lượng tương đối của các dải sóng delta, theta, alpha, beta và gamma được trích xuất. Ngoài ra, các chỉ số phi tuyến như entropy xấp xỉ và số chiều fractal cũng được bổ sung để đo độ phức tạp của xung điện não. Việc kết hợp đa miền tạo nên một vector đặc trưng phong phú, mô tả toàn diện các thuộc tính khác biệt của sóng gai so với hoạt động não bình thường.

Số lượng đặc trưng quá lớn dễ dẫn đến hiện tượng quá khớp (overfitting) và làm tăng gánh nặng tính toán. Các thuật toán lựa chọn đặc trưng được áp dụng để giữ lại các thuộc tính có tính phân tách cao nhất. Phương pháp phân tích thành phần chính (PCA) hoặc các thuật toán dựa trên tiêu chuẩn thông tin tương hỗ giúp đánh giá mức độ đóng góp của từng biến số. Thuật toán lựa chọn đặc trưng mới dựa trên phân tích ten-xơ loại bỏ các chiều thông tin ít tương quan với bệnh lý. Tập đặc trưng tối ưu chỉ giữ lại một số lượng nhỏ các thông số quan trọng nhất nhưng vẫn đảm bảo khả năng nhận dạng chính xác. Quá trình này giúp mô hình học máy hoạt động nhanh và ổn định hơn.

Các thuật toán học máy như Máy véc-tơ hỗ trợ (SVM), Rừng ngẫu nhiên (Random Forest) và Mạng nơ-ron nhân tạo được ứng dụng để phân loại các đoạn tín hiệu. Bộ phân loại được huấn luyện trên các vector đặc trưng đã tối ưu từ cơ sở dữ liệu lâm sàng. Mô hình tự động đưa ra nhãn quyết định cho từng đoạn sóng: bình thường hoặc gai động kinh. Kết quả thực nghiệm cho thấy hệ thống đạt độ nhạy trên 90% và tỷ lệ báo động giả ở mức rất thấp. Việc tích hợp mô hình vào phần mềm hỗ trợ chẩn đoán giúp bác sĩ theo dõi bệnh nhân liên tục trong các ca đo dài ngày. Công nghệ này nâng cao chất lượng khám chữa bệnh và mở ra tiềm năng lớn cho y tế từ xa.