Tổng quan về luận án

Luận án này đề xuất một hệ thống tiên phong trong việc phát hiện gai động kinh tự động thông qua xử lý tín hiệu điện não đồ (EEG), giải quyết các thách thức quan trọng trong chẩn đoán động kinh. Bối cảnh khoa học của nghiên cứu này bắt nguồn từ sự phổ biến toàn cầu của bệnh động kinh, với khoảng 50 triệu người mắc bệnh vào năm 2010, trong đó 80-90% ở các nước đang phát triển không được điều trị [10, 17, 107]. Tại Việt Nam, tỷ lệ chẩn đoán nhầm bệnh động kinh ở tuyến huyện và tỉnh còn cao do hạn chế về thời gian ghi EEG (10 phút so với chuẩn quốc tế 20 phút tối thiểu) và sự hiện diện của nhiều nhiễu trong tín hiệu thô, gây khó khăn cho các bác sĩ chuyên khoa. Nghiên cứu này mang tính tiên phong khi tập trung vào việc tự động hóa quá trình nhận diện gai động kinh, một dấu ấn sinh học quan trọng cho phép chẩn đoán bệnh ở giai đoạn sớm, từ đó giảm thiểu hệ lụy của việc chẩn đoán sai hoặc điều trị không đúng loại.

Nghiên cứu xác định một số research gap cụ thể trong lĩnh vực này. Thứ nhất, các hệ thống đa bước hiện hành như [6, 81] chưa tối ưu hóa hiệu quả xử lý, đặc biệt là việc sử dụng số lượng thang tỉ lệ của biến đổi sóng con còn quá nhiều, dẫn đến tốc độ xử lý chậm và chưa khai thác hiệu quả mối liên hệ theo thời gian giữa các gai gần nhau để loại bỏ giả gai. Thứ hai, hầu hết các công trình trước đây tập trung vào phân tích EEG đơn kênh, bỏ qua mối liên hệ không gian giữa các gai động kinh trên các kênh gần nhau tại cùng một thời điểm, một hạn chế rõ ràng ở các nghiên cứu như [1, 3, 8, 25, 32, 33, 58, 93, 111]. Thứ ba, chưa có công trình nào nghiên cứu bài toán xấp xỉ hạng thấp cho một chuỗi các ten-xơ đồng thời (Generalized Simultaneous Multilinear LRA of Tensors - GSLRAT). Cuối cùng, việc đánh giá chất lượng của các hệ thống đa bước sử dụng nhiều ngưỡng quyết định còn thiếu một phương pháp ước lượng đường cong ROC tổng hợp chuẩn xác.

Các research questions được đặt ra bao gồm:

  1. Làm thế nào để cải thiện hiệu quả xử lý và giảm giả gai trong các hệ thống phát hiện gai động kinh đơn kênh bằng cách tối ưu hóa trích xuất đặc trưng và khai thác mối liên hệ thời gian?
  2. Làm thế nào để xây dựng một phương pháp ước lượng đường cong ROC tổng hợp cho hệ thống đa bước sử dụng nhiều ngưỡng quyết định?
  3. Làm thế nào để khai thác mối liên hệ không gian giữa các gai động kinh trên nhiều kênh EEG đồng thời thông qua phân tích ten-xơ để nâng cao độ chính xác phát hiện?
  4. Làm thế nào để phát triển một thuật toán xấp xỉ hạng thấp đa tuyến tính đồng thời cho các ten-xơ nhằm trích xuất đặc trưng hiệu quả từ dữ liệu EEG đa kênh?

Theoretical framework của luận án được xây dựng dựa trên các nền tảng chính: lý thuyết xử lý tín hiệu (signal processing theory), cụ thể là biến đổi sóng con (Continuous Wavelet Transform - CWT) để trích xuất đặc trưng trong miền thời gian-tần số; lý thuyết học máy (machine learning theory) với các bộ phân loại như Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN), K-Nearest Neighbors (KNN), Naive Bayes (NB), Decision Tree (DT) và Support Vector Machine (SVM); và đặc biệt là lý thuyết phân tích ten-xơ (tensor analysis theory), bao gồm phân tích CP (Canonical Polyadic/PARAFAC) và phân tích Tucker (Tucker Decomposition), được mở rộng bằng khái niệm xấp xỉ hạng thấp đa tuyến tính (Multilinear Low Rank Approximation - MLRTA) để xử lý dữ liệu đa chiều. Luận án cũng tích hợp các nguyên lý từ hệ chuyên gia (expert system) để bổ sung kiến thức lâm sàng vào quá trình ra quyết định.

Đóng góp đột phá của nghiên cứu bao gồm:

  1. Hệ thống đa bước đơn kênh tối ưu: Cải tiến lựa chọn 5 thang tỉ lệ trong biến đổi sóng con, thay vì 8 thang tỉ lệ như [81], giúp tăng hiệu quả và tốc độ xử lý. Hơn nữa, việc tích hợp hệ chuyên gia đơn giản khai thác mối liên hệ thời gian (dựa trên nguyên lý của Boos [13] về sóng chậm sau gai trong 150-350ms) giúp giảm đáng kể tỷ lệ giả gai.
  2. Phương pháp đánh giá hệ thống đa bước: Đề xuất và chứng minh toán học hai phương pháp ước lượng đường cong ROC tổng thể cho hệ thống đa bước sử dụng phân bố Gaussian và Logistic, giải quyết vấn đề đánh giá hiệu suất chính xác cho các hệ thống xếp tầng.
  3. Thuật toán SMLRAT tiên tiến: Đề xuất bài toán và thuật toán xấp xỉ hạng thấp đa tuyến tính đồng thời cho các ten-xơ (SMLRAT), chứng minh khả năng đạt nghiệm tối ưu địa phương bằng HOSVD và Tucker-ALS. Điều này mở ra hướng mới trong xử lý dữ liệu EEG đa kênh.
  4. Trích xuất và lựa chọn đặc trưng đa kênh hiệu quả: Phát triển phương pháp trích xuất "eigenspikes" từ dữ liệu ten-xơ sử dụng SMLRAT mở rộng với ràng buộc không âm, và phương pháp lựa chọn đặc trưng kết hợp điểm Fisher và trị số p bằng thuật toán chuỗi con chung lớn nhất, nâng cao độ chính xác của hệ thống phát hiện gai động kinh đa kênh.

Phạm vi của luận án tập trung vào dữ liệu EEG của 17 bệnh nhân động kinh, bao gồm 11 nam và 6 nữ, với tổng số 1442 gai động kinh được đánh dấu. Dữ liệu này được thu thập trong khuôn khổ đề tài khoa học QG.40 của Đại học Quốc gia Hà Nội. Nghiên cứu sử dụng hệ thống đo chuẩn quốc tế 10-20 gồm 19 điện cực, với tốc độ lấy mẫu 256 Hz và thời gian ghi dao động từ 6 đến 28 phút. Tính ý nghĩa của nghiên cứu nằm ở khả năng cung cấp một công cụ hỗ trợ chẩn đoán chính xác và khách quan hơn cho các bác sĩ thần kinh, đặc biệt trong bối cảnh quá tải bệnh viện và hạn chế về thời gian ghi EEG tại Việt Nam, góp phần cải thiện chất lượng điều trị và giảm thiểu tác dụng phụ của việc dùng thuốc sai loại.

Literature Review và Positioning

Nghiên cứu về phát hiện gai động kinh tự động là một lĩnh vực tích cực trong nhiều thập kỷ, với nhiều phương pháp khác nhau đã được đề xuất để giải quyết thách thức này. Các major streams trong tài liệu hiện có có thể được phân loại thành hai nhóm chính: hệ thống đơn giản và hệ thống đa bước. Các hệ thống đơn giản thường áp dụng một hoặc hai kỹ thuật xử lý tín hiệu hoặc học máy, với các ví dụ như [43, 94, 95, 97, 109, 127] sử dụng PCA, K-Means clustering, SVM, và ANN. Các hệ thống đa bước, như được trình bày trong [6, 52, 81], kết hợp nhiều kỹ thuật như lọc nhiễu, biến đổi sóng con, mạng nơ-ron nhân tạo và hệ chuyên gia để cải thiện hiệu suất.

Tuy nhiên, các nghiên cứu này cũng bộc lộ một số contradictions/debates. Cụ thể, trong khi các hệ thống đa bước thường cho hiệu suất cao hơn hệ thống đơn giản, chúng vẫn còn hạn chế. Ví dụ, hai phương pháp đa bước được đề xuất bởi [6, 81] chưa xử lý hiệu quả số lượng thang tỉ lệ của biến đổi sóng con, với [81] sử dụng 8 thang tỉ lệ, có thể dẫn đến tốc độ xử lý chậm. Ngoài ra, các phương pháp này vẫn còn khá nhiều giả gai do chưa khai thác triệt để mối liên hệ theo thời gian giữa các gai gần nhau. Một opposing view khác là sự thiếu định nghĩa chính xác về gai động kinh [45], dẫn đến sự khác biệt trong việc đánh dấu gai giữa các bác sĩ và gây khó khăn trong việc xây dựng tập huấn luyện thống nhất.

Về positioning trong literature, luận án này đặc biệt giải quyết các specific gap sau:

  1. Tối ưu hóa hệ thống đơn kênh: Trong khi [81] sử dụng 8 thang tỉ lệ cho biến đổi sóng con, luận án cải tiến bằng cách chỉ sử dụng 5 thang tỉ lệ, tối ưu hóa hiệu quả và tốc độ xử lý. Hơn nữa, việc tích hợp một hệ chuyên gia đơn giản khai thác mối liên hệ thời gian giữa các gai động kinh gần nhau (dựa trên thông tin hình thái học của Boos [13] về sự xuất hiện sóng chậm sau gai trong khoảng 150-350 mili giây) là một đóng góp mới để giảm giả gai, khắc phục hạn chế của [6, 81].
  2. Xử lý dữ liệu đa kênh: Hầu hết các nghiên cứu trước đây như [1, 3, 8, 25, 32, 33, 58, 93, 111] đã ứng dụng phân tích ten-xơ để xử lý tín hiệu điện não và phát hiện xung động kinh, nhưng chưa khai thác mối liên hệ không gian giữa các gai động kinh trên các kênh gần nhau tại một thời điểm. Luận án này lấp đầy khoảng trống đó bằng cách đề xuất một hệ thống phát hiện gai động kinh đa kênh dựa trên phân tích ten-xơ.
  3. Phát triển thuật toán xấp xỉ hạng thấp đa tuyến tính đồng thời: Chưa có công trình nào trước đây nghiên cứu bài toán xấp xỉ hạng thấp cho một chuỗi các ten-xơ đồng thời (GSLRAT), mà luận án này đề xuất thuật toán SMLRAT để giải quyết, mở rộng từ các phương pháp xấp xỉ hạng thấp cho ma trận đơn [22, 72] và ten-xơ đơn [80, 96, 126, 129].
  4. Đánh giá hiệu suất hệ thống đa bước: Các công trình về ước lượng đường cong ROC tổng hợp như [15, 29, 37, 57, 59, 87] chưa đề xuất phương pháp cho hệ thống đa bước với nhiều ngưỡng quyết định. Luận án này đề xuất hai phương pháp mới để ước lượng đường cong ROC tổng hợp, có ý nghĩa quan trọng trong việc đánh giá chính xác các hệ thống xếp tầng.

How this advances the field: Luận án này đóng góp cụ thể vào việc nâng cao độ chính xác và hiệu quả của các hệ thống phát hiện gai động kinh tự động. Bằng cách tối ưu hóa các phương pháp trích xuất đặc trưng và tích hợp kiến thức chuyên gia về mối liên hệ thời gian, nghiên cứu giúp giảm thiểu tỷ lệ dương tính giả, một vấn đề nan giải trong chẩn đoán. Việc mở rộng phân tích ten-xơ sang dữ liệu đa kênh và phát triển thuật toán SMLRAT mới cho phép khai thác thông tin không gian, từ đó cải thiện đáng kể khả năng nhận biết gai động kinh. Hơn nữa, phương pháp ước lượng ROC tổng hợp cung cấp một công cụ đánh giá đáng tin cậy cho các hệ thống phức tạp, đặt ra một tiêu chuẩn mới cho các nghiên cứu trong tương lai.

So sánh với ít nhất 2 international studies:

  1. So với [81]: Nghiên cứu của [81] đã đề xuất một hệ thống đa bước sử dụng biến đổi sóng con với 8 thang tỉ lệ để trích xuất đặc trưng. Luận án này cải tiến đáng kể bằng cách tối ưu hóa số lượng thang tỉ lệ xuống 5, dẫn đến hiệu quả xử lý cao hơn mà không làm giảm độ chính xác, và sau đó tích hợp thêm hệ chuyên gia để loại bỏ giả gai, một khía cạnh mà [81] chưa đề cập sâu sắc.
  2. So với [99] và [100]: Phan [99] và Pippa và đồng nghiệp [100] đã áp dụng phân tích ten-xơ để phát hiện sự kiện động kinh tổng thể hóa. Tuy nhiên, các công trình này chủ yếu tập trung vào xung động kinh và chưa khai thác mối liên hệ không gian để nhận biết gai động kinh đa kênh một cách triệt để. Luận án này cải tiến phương pháp của Phan [99] để áp dụng cụ thể vào phát hiện gai động kinh, bằng cách phát triển thuật toán SMLRAT và trích xuất "eigenspikes", tập trung vào việc tận dụng mối liên hệ giữa các kênh gần nhau, một khía cạnh quan trọng chưa được khám phá đầy đủ trong các nghiên cứu quốc tế này.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này thực hiện nhiều đóng góp quan trọng để extend và challenge các lý thuyết cụ thể. Đầu tiên, nghiên cứu mở rộng ứng dụng của lý thuyết biến đổi sóng con (Continuous Wavelet Transform - CWT) trong trích xuất đặc trưng sinh học. Cụ thể, luận án đã tối ưu hóa việc lựa chọn số lượng thang tỉ lệ CWT xuống 5 thang, khác biệt với 8 thang tỉ lệ được đề xuất bởi Indiradevi trong [81], chứng minh rằng việc giảm số lượng thang tỉ lệ có thể duy trì hoặc cải thiện hiệu suất trong khi giảm độ phức tạp tính toán. Thứ hai, nghiên cứu này bổ sung vào lý thuyết hệ chuyên gia (expert system theory) bằng cách tích hợp một cơ chế đơn giản nhưng hiệu quả để loại bỏ giả gai dựa trên nguyên lý hình thái học của gai động kinh, cụ thể là khái niệm của Boos [13] về sóng chậm xuất hiện sau gai động kinh trong khoảng 150-350 mili giây. Điều này cho thấy việc kết hợp tri thức lâm sàng với các kỹ thuật học máy có thể nâng cao đáng kể độ đặc hiệu của hệ thống.

Một đóng góp lý thuyết nổi bật khác là việc mở rộng lý thuyết phân tích ten-xơ (tensor analysis theory), đặc biệt là xấp xỉ hạng thấp đa tuyến tính (Multilinear Low Rank Approximation - MLRTA). Luận án đề xuất bài toán và thuật toán SMLRAT (Generalized Simultaneous Multilinear LRA of Tensors) để giải quyết vấn đề xấp xỉ hạng thấp cho một chuỗi các ten-xơ đồng thời, một lĩnh vực mà các công trình trước đây như [22, 72, 80, 96, 126, 129] chưa đề cập. Nghiên cứu chứng minh rằng SMLRAT có thể đạt được các nghiệm tối ưu địa phương bằng cách sử dụng các thuật toán phân tích ten-xơ phổ biến như HOSVD (Higher-Order Singular Value Decomposition) và Tucker-ALS (Tucker Alternating Least Squares), qua đó mở rộng khả năng ứng dụng của phân tích ten-xơ trong xử lý dữ liệu y sinh đa chiều.

Conceptual framework của luận án bao gồm các thành phần chính:

  1. Trích xuất đặc trưng: Dựa trên CWT và SMLRAT mở rộng với ràng buộc không âm.
  2. Lựa chọn đặc trưng: Kết hợp điểm Fisher (Fisher score) và trị số p (p-value) sử dụng thuật toán tìm chuỗi con chung lớn nhất (Longest Common Subsequence algorithm).
  3. Phân loại: Sử dụng các mô hình học máy như ANN, KNN, NB, DT, SVM.
  4. Hệ chuyên gia: Áp dụng nguyên tắc loại bỏ giả gai dựa trên mối liên hệ thời gian.
  5. Đánh giá hiệu suất: Sử dụng ma trận đánh giá (evaluation matrix) và phương pháp ước lượng đường cong ROC tổng hợp mới. Mối quan hệ giữa các thành phần này được thể hiện trong mô hình đa bước, nơi đầu ra của một bước trở thành đầu vào cho bước tiếp theo, tạo thành một hệ thống xếp tầng tối ưu hóa.

Theoretical model của luận án có thể được khái quát hóa thông qua các giả thuyết và mệnh đề được đánh số:

  • Hypothesis 1: Việc tối ưu hóa số lượng thang tỉ lệ trong CWT (ví dụ, 5 thang thay vì 8) sẽ duy trì hoặc cải thiện độ nhạy và độ đặc hiệu của hệ thống phát hiện gai động kinh đơn kênh trong khi giảm độ phức tạp tính toán.
  • Hypothesis 2: Tích hợp một hệ chuyên gia dựa trên mối liên hệ thời gian giữa các gai động kinh sẽ giảm đáng kể tỷ lệ dương tính giả (FP) của hệ thống đơn kênh.
  • Hypothesis 3: Thuật toán SMLRAT, mở rộng với ràng buộc không âm, có khả năng trích xuất "eigenspikes" từ dữ liệu EEG đa kênh, biểu diễn các đặc trưng không gian và thời gian quan trọng của gai động kinh.
  • Hypothesis 4: Phương pháp lựa chọn đặc trưng kết hợp điểm Fisher và trị số p sẽ cải thiện hiệu suất phân loại gai động kinh đa kênh so với việc sử dụng từng phương pháp riêng lẻ.
  • Hypothesis 5: Các phương pháp ước lượng đường cong ROC tổng hợp được đề xuất (dựa trên phân bố Gaussian và Logistic) sẽ cung cấp một thước đo hiệu suất chính xác và đáng tin cậy cho các hệ thống đa bước với nhiều ngưỡng quyết định. Nghiên cứu này không trực tiếp đề xuất một paradigm shift hoàn toàn mới, nhưng nó mở rộng các khung phân tích hiện có bằng cách tích hợp sâu hơn các kỹ thuật xử lý tín hiệu tiên tiến với kiến thức lâm sàng và giải quyết các hạn chế quan trọng. Findings của luận án cho thấy tiềm năng dịch chuyển từ các phương pháp phân tích đơn kênh, rời rạc sang một cách tiếp cận đa kênh, tích hợp, dựa trên ten-xơ, từ đó nâng cao tính khách quan và độ chính xác trong chẩn đoán.

Khung phân tích độc đáo

Integration của theories: Khung phân tích của luận án tích hợp một cách độc đáo ít nhất ba lý thuyết cụ thể:

  1. Lý thuyết biến đổi sóng con (Wavelet Transform Theory): Được sử dụng để phân tích tín hiệu EEG trong miền thời gian-tần số, trích xuất các đặc trưng hình thái học của gai động kinh. Luận án đặc biệt cải tiến cách chọn thang tỉ lệ để tối ưu hóa việc này.
  2. Lý thuyết phân tích ten-xơ (Tensor Analysis Theory): Là xương sống cho việc xử lý dữ liệu EEG đa kênh. Luận án áp dụng và mở rộng các khái niệm từ phân tích CP và phân tích Tucker, đặc biệt là thông qua việc phát triển bài toán và thuật toán SMLRAT để nắm bắt mối liên hệ đa tuyến tính giữa thời gian, thang tỉ lệ và kênh điện cực.
  3. Lý thuyết học máy (Machine Learning Theory): Cung cấp các công cụ phân loại mạnh mẽ như ANN, SVM, KNN, NB, DT. Các mô hình này được huấn luyện trên các đặc trưng trích xuất và được tối ưu hóa thông qua hệ chuyên gia và phương pháp lựa chọn đặc trưng mới.

Novel analytical approach: Luận án giới thiệu một cách tiếp cận phân tích độc đáo thông qua việc phát triển thuật toán SMLRAT (Simultaneous Multilinear Low Rank Approximation of Tensors). Phương pháp này giải quyết bài toán xấp xỉ hạng thấp cho một chuỗi các ten-xơ đồng thời, cho phép trích xuất các đặc trưng chung từ nhiều ten-xơ EEG (biểu diễn các gai động kinh và không động kinh) cùng một lúc. Điều này khác biệt so với các phương pháp truyền thống chỉ xử lý từng ma trận hoặc từng ten-xơ riêng lẻ. Sự kết hợp giữa SMLRAT và ràng buộc không âm là một cải tiến đáng kể, đặc biệt hữu ích cho dữ liệu y sinh như EEG, nơi các đặc trưng vật lý thường mang giá trị không âm.

Các conceptual contributions bao gồm các định nghĩa và cách hiểu mới:

  • "Eigenspikes": Luận án định nghĩa "eigenspikes" là không gian đặc trưng của gai động kinh được ước lượng thông qua thuật toán SMLRAT mở rộng với ràng buộc không âm. Đây là một khái niệm mới, cho phép nắm bắt các cấu trúc ẩn và mối liên hệ đa tuyến tính trong dữ liệu gai động kinh đa kênh, tương tự như "eigenfaces" trong nhận dạng khuôn mặt.
  • Đường cong ROC tổng hợp cho hệ thống đa bước: Luận án cung cấp một định nghĩa và phương pháp ước lượng rõ ràng cho đường cong ROC tổng hợp trong các hệ thống xếp tầng, nơi nhiều ngưỡng quyết định được sử dụng. Điều này giải quyết một lỗ hổng trong các định nghĩa ROC truyền thống vốn chỉ áp dụng cho một bộ phân loại đơn.

Boundary conditions được nêu rõ ràng:

  • Dữ liệu: Nghiên cứu được thực hiện trên tập dữ liệu EEG của 17 bệnh nhân tại Bệnh viện Nhi Trung ương, Hà Nội. Mặc dù tập dữ liệu này được thu thập theo chuẩn 10-20 quốc tế, nhưng tính chất bệnh lý, độ tuổi (4-72 tuổi) và tình trạng bệnh nhân có thể ảnh hưởng đến khả năng tổng quát hóa.
  • Thời gian: Dữ liệu EEG được ghi trong khoảng thời gian từ 6 đến 28 phút. Các hạn chế về thời gian ghi tại Việt Nam (10 phút) có thể khác biệt so với chuẩn quốc tế (20 phút), ảnh hưởng đến sự xuất hiện của gai động kinh.
  • Công cụ: Các phương pháp được phát triển và đánh giá dựa trên môi trường Matlab và phần mềm ProFusionEEG ver 4.1.
  • Loại gai động kinh: Nghiên cứu tập trung vào việc phát hiện gai động kinh nói chung, không phân biệt các thể loại gai động kinh cụ thể (ví dụ: gai nhọn, phức hợp gai-sóng) hay định vị nguồn gốc chính xác của chúng trong não. Các điều kiện biên này giúp xác định rõ phạm vi ứng dụng của các kết quả và chỉ ra các hướng nghiên cứu trong tương lai.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Research philosophy của luận án nghiêng về positivism và critical realism. Mục tiêu là phát triển một hệ thống tự động có khả năng phát hiện gai động kinh một cách khách quan, dựa trên các phép đo và thuật toán có thể định lượng được. Luận án tìm kiếm các mối quan hệ nhân quả (chẳng hạn, mối liên hệ giữa các đặc trưng EEG và sự hiện diện của gai động kinh) và sự tổng quát hóa thông qua các mô hình thống kê. Tuy nhiên, nó cũng có yếu tố của critical realism khi thừa nhận sự phức tạp của thực tế lâm sàng và sự không hoàn hảo của việc đánh dấu thủ công ban đầu ("Không có định nghĩa rõ ràng về gai động kinh [45]"), nhưng vẫn tìm cách xây dựng các công cụ khách quan để vượt qua những hạn chế đó.

Thiết kế nghiên cứu sử dụng mixed methods trong cách tiếp cận đa bước. Nó kết hợp chặt chẽ các kỹ thuật xử lý tín hiệu số truyền thống (như lọc nhiễu, biến đổi sóng con) với các phương pháp học máy tiên tiến (ANN, SVM, KNN, NB, DT) và phân tích dữ liệu đa chiều (phân tích ten-xơ). Lý do cho sự kết hợp này là để tận dụng ưu điểm của từng phương pháp: xử lý tín hiệu để chuẩn hóa và trích xuất đặc trưng thô, học máy để phân loại dựa trên mẫu, và phân tích ten-xơ để nắm bắt cấu trúc phức tạp của dữ liệu đa kênh. Hơn nữa, việc tích hợp một hệ chuyên gia đơn giản cung cấp một lớp kiến thức lâm sàng để tinh chỉnh kết quả, tăng độ đặc hiệu của hệ thống.

Multi-level design được áp dụng một cách rõ ràng:

  1. Cấp độ đơn kênh: Hệ thống đa bước ban đầu tập trung vào phân tích từng kênh EEG riêng lẻ, khai thác mối liên hệ theo thời gian của các gai động kinh trên cùng một kênh. Đây là cấp độ cơ bản để phát hiện các gai đơn lẻ.
  2. Cấp độ đa kênh/ten-xơ: Hệ thống sau đó mở rộng để xử lý đồng thời dữ liệu từ 19 kênh EEG, biểu diễn dưới dạng ten-xơ. Cấp độ này khai thác mối liên hệ không gian giữa các gai động kinh trên các kênh gần nhau tại cùng một thời điểm, cung cấp một cái nhìn toàn diện hơn về hoạt động động kinh.

Sample size và selection criteria EXACT: Luận án sử dụng dữ liệu EEG từ 17 bệnh nhân bị động kinh được chẩn đoán lâm sàng, bao gồm 11 bệnh nhân nam và 6 bệnh nhân nữ. Dữ liệu được thu thập bằng hệ thống đo chuẩn quốc tế 10-20 với 19 điện cực, tốc độ lấy mẫu 256 Hz. Tổng số lượng gai động kinh được đánh dấu bởi bác sĩ là 1442 gai. Tiêu chí chọn mẫu là các bệnh nhân đã được chẩn đoán lâm sàng bị bệnh động kinh và có dữ liệu EEG có chứa gai động kinh được một bác sĩ thần kinh có kinh nghiệm của Bệnh viện Nhi Trung ương đánh dấu. Không có thông tin về tiêu chí loại trừ cụ thể ngoài chất lượng dữ liệu.

Quy trình nghiên cứu rigorous

Sampling strategy bao gồm việc sử dụng toàn bộ tập dữ liệu của 17 bệnh nhân với tổng số 1442 gai động kinh đã được đánh dấu lâm sàng. Đây là một dạng mẫu thuận tiện từ đề tài QG.40. Các inclusion criteria là bệnh nhân được chẩn đoán động kinh, có dữ liệu EEG được ghi theo chuẩn quốc tế 10-20 và có gai động kinh được bác sĩ xác định. Exclusion criteria không được nêu rõ, nhưng có thể bao gồm dữ liệu quá nhiễu hoặc không có gai được xác định rõ ràng.

Data collection protocols rất chi tiết:

  1. Thiết bị: Hệ thống đo EEG theo chuẩn quốc tế 10-20 với 19 điện cực cố định trên mũ, kèm theo điện cực bên ngoài để đo nhiễu mắt (vị trí 22, 23 trên Hình 1.8), nhiễu cơ (vị trí 30, 31 trên Hình 1.9) và tín hiệu điện tim đồ.
  2. Quy trình: Bệnh nhân được yêu cầu gội đầu sạch, không uống thuốc kích thích hoặc đồ uống có đường 8 tiếng trước khi đo. Mũ điện cực được đội và cố định chính xác. Bệnh nhân ngồi thư giãn trong quá trình đo.
  3. Phần mềm: Dữ liệu được ghi bằng ProFusionEEG ver 4.1 và lưu dưới dạng file “*.eeg”.
  4. Đánh dấu gai: Vị trí gai động kinh được đánh dấu thủ công bởi một bác sĩ có kinh nghiệm của Bệnh viện Nhi Trung ương.

Triangulation được áp dụng ở một số khía cạnh:

  • Data Triangulation: Dữ liệu từ nhiều kênh EEG được sử dụng đồng thời trong phân tích ten-xơ, cung cấp nhiều góc nhìn về cùng một sự kiện sinh lý.
  • Methodological Triangulation: Kết hợp nhiều kỹ thuật (xử lý tín hiệu, học máy, hệ chuyên gia) để đạt được mục tiêu phát hiện gai động kinh. Ví dụ, phân loại bằng ANN sau đó tinh chỉnh bằng hệ chuyên gia.
  • Investigator Triangulation: Việc đánh dấu gai động kinh được thực hiện bởi một bác sĩ chuyên khoa có kinh nghiệm, và các kết quả của hệ thống được so sánh với đánh giá này, đảm bảo tính khách quan và đáng tin cậy.

Validity và reliability:

  • Construct Validity: Các đặc trưng trích xuất (ví dụ: từ CWT, "eigenspikes") được chọn dựa trên hiểu biết về hình thái và tần số của gai động kinh, đảm bảo chúng phản ánh đúng khái niệm gai động kinh.
  • Internal Validity: Quy trình tiền xử lý dữ liệu (lọc nhiễu thông thấp 70Hz, thông cao 0.5Hz, chặn dải 50Hz) được mô tả chi tiết để giảm thiểu các yếu tố gây nhiễu và đảm bảo rằng các kết quả thực sự do các phương pháp đề xuất tạo ra. Việc loại bỏ 1000 mẫu đầu tiên để tránh trễ bộ lọc cũng là một biện pháp kiểm soát.
  • External Validity: Mặc dù tập dữ liệu cụ thể, nhưng việc sử dụng chuẩn đo quốc tế 10-20 và các phương pháp xử lý tín hiệu phổ biến giúp tăng khả năng tổng quát hóa cho các tập dữ liệu EEG khác. Tuy nhiên, luận án cũng thừa nhận các điều kiện biên về tập mẫu và bối cảnh.
  • Reliability: Các phương pháp đánh giá như đường cong ROC và các chỉ số ma trận đánh giá (SEN, SPE) được sử dụng để định lượng độ tin cậy của hệ thống. Dù giá trị α cụ thể không được cung cấp trực tiếp cho độ tin cậy của bộ phân loại, nhưng việc sử dụng các phương pháp thống kê robust và so sánh hiệu suất giữa các mô hình khác nhau ngụ ý kiểm tra tính ổn định của kết quả. Ví dụ, các bảng kết quả mô phỏng (như Bảng 3.2-3.13) cho các mô hình CP-KNN, NCP-KNN, TD-KNN, NTD-KNN v.v. với xác thực chéo LOOC (Leave-One-Out Cross-Validation) là bằng chứng về sự đánh giá tính tin cậy.

Data và phân tích

Sample characteristics: Tập dữ liệu EEG của 17 bệnh nhân bao gồm 11 nam và 6 nữ. Độ tuổi của bệnh nhân dao động từ 4 đến 72 tuổi. Thời gian ghi EEG khác nhau giữa các bệnh nhân, từ 5 phút 31 giây đến 27 phút 13 giây. Tổng số gai động kinh được đánh dấu là 1442 gai. Số lượng gai động kinh phân bố không đều giữa các bệnh nhân, ví dụ, bệnh nhân 9 có 1 gai trong khi bệnh nhân 2 có đến 635 gai (Bảng 1.1).

Advanced techniques: Luận án sử dụng nhiều kỹ thuật phân tích tiên tiến.

  • Phân tích Ten-xơ (Tensor Analysis): Các phương pháp như CP (Canonical Polyadic/PARAFAC), Tucker Decomposition (TD), Nonnegative CP (NCP) và Nonnegative Tucker Decomposition (NTD) được áp dụng để biểu diễn và phân tích dữ liệu EEG đa kênh. Đặc biệt, luận án đề xuất thuật toán SMLRAT (Simultaneous Multilinear Low Rank Approximation of Tensors) để giải bài toán xấp xỉ hạng thấp đa tuyến tính đồng thời cho các ten-xơ.
  • Trích xuất đặc trưng "Eigenspikes": Sử dụng SMLRAT mở rộng với ràng buộc không âm để ước lượng không gian đặc trưng của gai động kinh, một cách tiếp cận tương tự như phân tích thành phần chính (PCA) nhưng áp dụng cho dữ liệu đa tuyến tính.
  • Lựa chọn đặc trưng: Kết hợp điểm Fisher và trị số p (p-value) sử dụng thuật toán tìm chuỗi con chung lớn nhất để chọn ra các đặc trưng có ý nghĩa nhất. Hình 3.7 minh họa điểm Fisher và trị số p của các đặc trưng, với ngưỡng p < 0.05 được sử dụng để loại bỏ các đặc trưng không có ý nghĩa.
  • Học máy (Machine Learning): Các bộ phân loại như SVM (Support Vector Machine), KNN (K-Nearest Neighbors), NB (Naive Bayes) và DT (Decision Tree) được sử dụng để phân loại gai động kinh. Mạng nơ-ron nhân tạo (ANN) được sử dụng trong hệ thống đơn kênh (Hình 2.7).
  • Phần mềm: Các thuật toán được triển khai và mô phỏng chủ yếu trong môi trường Matlab. Dữ liệu thô được ghi và xử lý bằng phần mềm ProFusionEEG ver 4.1.

Robustness checks: Luận án thực hiện các kiểm tra độ vững chắc thông qua việc so sánh hiệu suất của các mô hình học máy khác nhau (SVM, KNN, NB, DT) khi áp dụng cùng một bộ đặc trưng được trích xuất (ví dụ, Bảng 3.19). Ngoài ra, việc sử dụng các phương pháp phân tích ten-xơ khác nhau (CP, NCP, TD, NTD) để trích xuất đặc trưng và sau đó đánh giá hiệu suất của chúng với cùng một bộ phân loại (ví dụ, Hình 3.14) cũng là một hình thức kiểm tra robustness. Đặc biệt, việc so sánh hiệu suất phát hiện gai động kinh của phương pháp đề xuất với các phương pháp dựa trên phân tích ten-xơ khác (CP, NCP, TD và NTD) sử dụng cùng các bộ phân loại KNN, NB, DT (Hình 3.10, 3.11, 3.12) cho thấy tính ưu việt và ổn định của phương pháp mới.

Effect sizes và confidence intervals: Mặc dù các giá trị confidence intervals không được báo cáo tường minh trong văn bản, nhưng các chỉ số hiệu suất như độ nhạy (SEN), độ đặc hiệu (SPE), độ chính xác (ACC), và diện tích dưới đường cong ROC (AUC) được báo cáo chi tiết trong các bảng kết quả (ví dụ, Bảng 2.4, Bảng 2.7, Bảng 3.19, Hình 3.20). Các giá trị p-value được sử dụng trong lựa chọn đặc trưng (ví dụ, Hình 3.7, 3.19) cũng là một hình thức đánh giá ý nghĩa thống kê, cho phép các nhà nghiên cứu đánh giá "effect size" của từng đặc trưng. Giá trị AUC được chia thành các khoảng với mức đánh giá như >0.7 "excellent", [0.6, 0.7) "good" (trang 36), cung cấp một thước đo định lượng về hiệu suất phân loại.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được 4-5 phát hiện đột phá với SPECIFIC EVIDENCE từ dữ liệu:

  1. Hiệu quả của việc tối ưu hóa thang tỉ lệ CWT và hệ chuyên gia trong hệ thống đơn kênh: Luận án chứng minh rằng việc giảm số lượng thang tỉ lệ trong biến đổi sóng con từ 8 (theo [81]) xuống 5 thang tỉ lệ vẫn duy trì hiệu suất phát hiện, đồng thời nâng cao hiệu quả tính toán. Đặc biệt, việc tích hợp một hệ chuyên gia đơn giản khai thác mối liên hệ về thời gian giữa các gai động kinh gần nhau (dựa trên nguyên lý của Boos [13] về sóng chậm sau gai 150-350ms) đã giúp loại bỏ đáng kể các giả gai sau bước phân loại ANN. Điều này được thể hiện qua các kết quả mô phỏng trong Chương 2, nơi sự cải tiến này góp phần tăng độ đặc hiệu mà vẫn giữ được độ nhạy cần thiết.
  2. Phương pháp ước lượng ROC tổng hợp cho hệ thống đa bước: Luận án đã thành công trong việc đề xuất hai phương pháp mới để ước lượng đường cong ROC tổng hợp cho các hệ thống đa bước sử dụng nhiều ngưỡng quyết định, dựa trên phân bố Gaussian và Logistic, và chứng minh toán học. Phát hiện này rất quan trọng vì nó cung cấp một công cụ đánh giá chính xác hiệu suất của các hệ thống xếp tầng, một hạn chế của đường cong ROC truyền thống. Statistical significance của phát hiện này nằm ở tính chính xác của công thức toán học được chứng minh, cho phép tính toán AUC một cách đáng tin cậy hơn cho các hệ thống phức tạp.
  3. Thuật toán SMLRAT tiên tiến cho trích xuất đặc trưng đa kênh: Nghiên cứu đã đề xuất và chứng minh thuật toán SMLRAT có khả năng giải bài toán xấp xỉ hạng thấp đa tuyến tính đồng thời cho các ten-xơ, và có thể đạt được nghiệm tối ưu địa phương bằng HOSVD và Tucker-ALS. Phát hiện này là counter-intuitive đối với các phương pháp truyền thống vốn chỉ xử lý từng ma trận hoặc ten-xơ riêng lẻ. Bằng cách trích xuất "eigenspikes" sử dụng SMLRAT mở rộng với ràng buộc không âm, luận án đã khám phá ra các cấu trúc đặc trưng ẩn của gai động kinh trên dữ liệu đa kênh, như được minh họa qua các ma trận thời gian chung, thang tỉ lệ chung và kênh chung thu được từ phân tích NTD của ten-xơ động kinh (Hình 3.3, 3.4, 3.5).
  4. Hiệu quả vượt trội của phương pháp lựa chọn đặc trưng kết hợp: Phát hiện cho thấy phương pháp lựa chọn đặc trưng mới kết hợp điểm Fisher và trị số p bằng thuật toán tìm chuỗi con chung lớn nhất mang lại hiệu suất phân loại vượt trội so với các phương pháp phân tích ten-xơ khác (CP, NCP, TD, NTD) khi sử dụng các bộ phân loại SVM, KNN, NB, DT. Ví dụ, Hình 3.10, 3.11, 3.12 so sánh hiệu suất phát hiện gai động kinh của mô hình KNN, NB, DT khi áp dụng phương pháp trích xuất đặc trưng do luận án đề xuất so với các phương pháp dựa trên phân tích ten-xơ khác, cho thấy AUC, SEN, SPE cao hơn. Kết quả cụ thể từ Bảng 3.19 cho thấy khi sử dụng bộ phân loại SVM với 500 đặc trưng, các chỉ số ACC (Accuracy), SEN, SPE và AUC đều đạt mức cao, chứng tỏ tính hiệu quả của phương pháp.
  5. Phát hiện hiện tượng mới (New phenomena): Thông qua phân tích ten-xơ, nghiên cứu đã khám phá ra các ma trận thành phần (factor matrices) biểu diễn cấu trúc thời gian, thang tỉ lệ và không gian của gai động kinh và gai không động kinh. Ví dụ, Hình 3.6 cho thấy các ma trận A, B thu được từ các phương pháp phân tích ten-xơ (NTD, TD, NCP) của ten-xơ động kinh, cung cấp cái nhìn sâu sắc về cách các đặc trưng này phân bố theo thời gian và thang tỉ lệ. Những ma trận này có thể được xem là các "khuôn mẫu" đa chiều (multidimensional templates) của gai động kinh, một cách biểu diễn mới mẻ so với các đặc trưng đơn chiều truyền thống.

Compare với prior research findings: Các phát hiện này vượt qua những hạn chế của các nghiên cứu trước đây như [81] về tối ưu hóa thang tỉ lệ CWT và [1, 3, 8, 25, 32, 33, 58, 93, 111] về khai thác mối liên hệ không gian trong phân tích ten-xơ cho gai động kinh. Phương pháp SMLRAT cũng là một bước tiến so với các giải pháp xấp xỉ hạng thấp cho ten-xơ đơn lẻ.

Implications đa chiều

Theoretical advances: Luận án đóng góp vào ít nhất hai lý thuyết chính. Thứ nhất, nó mở rộng lý thuyết phân tích ten-xơ bằng cách giới thiệu bài toán và thuật toán SMLRAT, cung cấp một khuôn khổ mới để xử lý dữ liệu đa chiều, đặc biệt là trong lĩnh vực y sinh. Thứ hai, nó bổ sung vào lý thuyết đánh giá hệ thống phân loại bằng cách cung cấp các phương pháp ước lượng đường cong ROC tổng hợp cho hệ thống đa bước, một đóng góp lý thuyết quan trọng cho việc đánh giá chính xác các mô hình xếp tầng phức tạp.

Methodological innovations applicable to other contexts: Các đổi mới về phương pháp luận như thuật toán SMLRAT và phương pháp lựa chọn đặc trưng kết hợp điểm Fisher/p-value có thể được áp dụng rộng rãi ngoài lĩnh vực phát hiện gai động kinh. Ví dụ, SMLRAT có tiềm năng trong phân tích các tập dữ liệu đa chiều khác trong y tế (ví dụ: fMRI, ECoG, dữ liệu proteomics) hoặc các lĩnh vực khác như xử lý ảnh, nhận dạng tiếng nói, và thị giác máy tính, nơi dữ liệu thường có cấu trúc ten-xơ. Phương pháp ước lượng ROC tổng hợp cũng có thể được áp dụng để đánh giá bất kỳ hệ thống phân loại đa bước nào trong các lĩnh vực khác.

Practical applications với specific recommendations:

  1. Hỗ trợ chẩn đoán lâm sàng: Hệ thống tự động này có thể là một công cụ hỗ trợ đắc lực cho các bác sĩ thần kinh, đặc biệt ở các bệnh viện tuyến huyện và tỉnh tại Việt Nam, nơi còn thiếu bác sĩ chuyên khoa có kinh nghiệm và thời gian ghi EEG bị hạn chế. Hệ thống giúp giảm gánh nặng dò tìm thủ công, tăng độ chính xác và khách quan của chẩn đoán.
  2. Giảm chẩn đoán nhầm: Bằng cách giảm tỷ lệ giả gai và tăng độ nhạy, hệ thống giúp giảm thiểu nguy cơ chẩn đoán nhầm, tránh việc bệnh nhân bị động kinh không được điều trị hoặc điều trị sai loại thuốc, vốn có thể gây tác dụng phụ và làm bệnh nặng hơn.
  3. Tối ưu hóa quy trình khám chữa bệnh: Với khả năng xử lý tự động, hệ thống có thể giúp đẩy nhanh quy trình đọc và phân tích EEG, cho phép bệnh viện phục vụ nhiều bệnh nhân hơn trong điều kiện quá tải.

Policy recommendations với implementation pathway:

  1. Đầu tư vào nghiên cứu & phát triển: Khuyến khích đầu tư vào R&D các hệ thống chẩn đoán y tế tự động dựa trên AI và xử lý tín hiệu tiên tiến, đặc biệt là trong các bệnh lý phổ biến như động kinh.
  2. Chuẩn hóa dữ liệu: Đề xuất các chính sách nhằm chuẩn hóa quy trình thu thập và lưu trữ dữ liệu EEG tại các cơ sở y tế theo các chuẩn quốc tế để tạo điều kiện thuận lợi cho nghiên cứu và phát triển các hệ thống tự động.
  3. Tích hợp công nghệ vào lâm sàng: Xây dựng lộ trình thí điểm và triển khai các hệ thống hỗ trợ chẩn đoán tự động vào các bệnh viện cấp tỉnh và huyện, bắt đầu bằng các chương trình đào tạo cho nhân viên y tế về cách sử dụng và diễn giải kết quả từ các hệ thống này. Có thể bắt đầu với việc tích hợp như một công cụ kiểm tra thứ cấp để xác nhận chẩn đoán của bác sĩ.

Generalizability conditions clearly specified: Tính tổng quát của các phát hiện phụ thuộc vào các điều kiện sau:

  • Chất lượng dữ liệu EEG: Các kết quả được thu thập từ dữ liệu có chất lượng cao, đã được tiền xử lý và lọc nhiễu nghiêm ngặt.
  • Đánh dấu gai: Độ chính xác của kết quả phụ thuộc vào tính tin cậy của việc đánh dấu gai động kinh thủ công bởi bác sĩ có kinh nghiệm.
  • Đặc điểm bệnh nhân: Mặc dù tập dữ liệu có độ tuổi và giới tính đa dạng, nhưng sự tổng quát hóa cần được xác nhận trên các tập dữ liệu lớn hơn, đa dạng hơn về chủng tộc, khu vực địa lý và thể loại động kinh.
  • Thiết bị đo: Nghiên cứu sử dụng hệ thống đo chuẩn 10-20. Các hệ thống khác có thể yêu cầu hiệu chỉnh.

Limitations và Future Research

Nghiên cứu này, dù đạt được những đóng góp đáng kể, vẫn tồn tại 3-4 specific limitations acknowledged:

  1. Kích thước và tính đa dạng của tập dữ liệu: Luận án sử dụng dữ liệu từ 17 bệnh nhân với tổng số 1442 gai động kinh. Mặc dù đây là một tập dữ liệu lâm sàng thực tế và được đánh dấu bởi chuyên gia, nhưng kích thước này còn tương đối nhỏ và giới hạn về tính đa dạng của các thể loại động kinh hay đặc điểm bệnh nhân (ví dụ: chủng tộc, khu vực địa lý) so với quy mô toàn cầu của bệnh động kinh. Việc bệnh nhân 9 chỉ có 1 gai động kinh và bệnh nhân 2 có tới 635 gai (Bảng 1.1) cho thấy sự mất cân bằng trong dữ liệu, có thể ảnh hưởng đến khả năng tổng quát hóa của mô hình.
  2. Tính chủ quan trong đánh dấu gai: "Không có định nghĩa chính xác về gai động kinh [45]". Mặc dù gai động kinh được đánh dấu bởi một bác sĩ có kinh nghiệm, nhưng vẫn tồn tại yếu tố chủ quan và sự khác biệt giữa các chuyên gia, điều này có thể ảnh hưởng đến "gold standard" để huấn luyện và đánh giá hệ thống.
  3. Độ phức tạp của hệ chuyên gia đơn kênh: Hệ chuyên gia được đề xuất trong hệ thống đơn kênh còn "rất đơn giản" và chỉ khai thác mối liên hệ thời gian dựa trên một nguyên tắc cơ bản (sóng chậm sau gai trong 150-350ms từ [13]). Nó chưa tích hợp các kiến thức phức tạp hơn về hình thái gai động kinh, bối cảnh lâm sàng chi tiết, hoặc các dạng sóng động kinh khác.
  4. Giới hạn của ràng buộc không âm: Mặc dù ràng buộc không âm trong SMLRAT là hữu ích cho dữ liệu y sinh, nhưng nó có thể không phù hợp cho tất cả các loại đặc trưng hoặc trong tất cả các điều kiện, và việc áp dụng nó có thể làm tăng độ phức tạp tính toán hoặc hạn chế khả năng tìm ra các giải pháp tối ưu toàn cục.

Boundary conditions về context/sample/time đã được thảo luận ở trên. Cụ thể, nghiên cứu được thực hiện trên dữ liệu từ bệnh viện nhi, ở Việt Nam, với thời gian ghi EEG có thể ngắn hơn chuẩn quốc tế.

Future research agenda với 4-5 concrete directions:

  1. Mở rộng và đa dạng hóa tập dữ liệu: Thực hiện nghiên cứu trên tập dữ liệu EEG lớn hơn, đa dạng hơn về số lượng bệnh nhân, thể loại động kinh, độ tuổi, và nguồn gốc địa lý để nâng cao khả năng tổng quát hóa và độ tin cậy của hệ thống.
  2. Phát triển hệ chuyên gia nâng cao: Tích hợp các kiến thức lâm sàng phức tạp hơn vào hệ chuyên gia, bao gồm phân loại các dạng gai động kinh khác nhau, xem xét bối cảnh lâm sàng của bệnh nhân, và sử dụng các thuật toán suy luận phức tạp hơn để giảm giả gai và tăng độ chính xác chẩn đoán.
  3. Tích hợp học sâu (Deep Learning): Khám phá tiềm năng của các mô hình học sâu như mạng nơ-ron tích chập (CNN) hoặc mạng nơ-ron hồi quy (RNN) để tự động trích xuất đặc trưng và phân loại gai động kinh trực tiếp từ dữ liệu EEG thô, có thể loại bỏ nhu cầu về trích xuất đặc trưng thủ công.
  4. Định vị nguồn gốc gai động kinh: Mở rộng hệ thống phát hiện gai động kinh đa kênh để không chỉ nhận biết sự hiện diện của gai mà còn định vị chính xác khu vực não bị tổn thương gây ra gai, sử dụng các kỹ thuật như nguồn localization (source localization) kết hợp với phân tích ten-xơ.
  5. Phát triển các thuật toán SMLRAT tối ưu toàn cục: Nghiên cứu các phương pháp để đảm bảo thuật toán SMLRAT tìm được nghiệm tối ưu toàn cục thay vì chỉ tối ưu địa phương, hoặc phát triển các biến thể của SMLRAT để xử lý các loại ràng buộc khác nhau phù hợp với các loại dữ liệu y sinh khác.

Methodological improvements suggested:

  • Nghiên cứu các kỹ thuật lấy mẫu tổng hợp (oversampling/undersampling) để giải quyết vấn đề mất cân bằng lớp (imbalanced dataset) do số lượng gai động kinh ít hơn nhiều so với gai không động kinh.
  • Áp dụng các phương pháp xác thực chéo robust hơn như k-fold cross-validation với số k lớn hoặc lặp lại nhiều lần để có được ước lượng hiệu suất ổn định hơn.
  • Cải thiện các giao thức tiền xử lý dữ liệu để tự động hóa việc phát hiện và loại bỏ các loại nhiễu khác nhau (ví dụ: artifact removal) mà không cần sự can thiệp thủ công.

Theoretical extensions proposed:

  • Mở rộng lý thuyết về đường cong ROC tổng hợp để không chỉ áp dụng cho hệ thống hai lớp mà còn cho các hệ thống phân loại đa lớp (multi-class classification) với cấu trúc đa bước.
  • Phát triển một khung lý thuyết tổng quát hơn cho xấp xỉ hạng thấp đa tuyến tính đồng thời, không chỉ giới hạn ở các ten-xơ, mà còn có thể áp dụng cho các cấu trúc dữ liệu đa chiều phức tạp hơn trong tương lai.

Tác động và ảnh hưởng

Luận án này dự kiến sẽ tạo ra một tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực.

Academic impact với potential citations estimate: Các đóng góp lý thuyết và phương pháp luận của luận án dự kiến sẽ có tác động đáng kể đến cộng đồng nghiên cứu học thuật trong các lĩnh vực xử lý tín hiệu y sinh, học máy và phân tích ten-xơ.

  1. Phân tích Ten-xơ: Việc đề xuất bài toán và thuật toán SMLRAT (Generalized Simultaneous Multilinear LRA of Tensors) mở ra một hướng nghiên cứu mới trong việc xử lý dữ liệu đa chiều đồng thời. Thuật toán này, với khả năng tìm kiếm nghiệm tối ưu địa phương bằng HOSVD và Tucker-ALS, có thể trở thành một nền tảng cho nhiều nghiên cứu về khai phá dữ liệu đa tuyến tính. Các nghiên cứu sinh và nhà khoa học trong tương lai có thể trích dẫn SMLRAT như một phương pháp tiên tiến để xử lý các chuỗi ten-xơ trong các ứng dụng khác nhau.
  2. Đánh giá hệ thống đa bước: Phương pháp ước lượng đường cong ROC tổng hợp cho hệ thống đa bước sẽ trở thành một tiêu chuẩn mới để đánh giá hiệu suất của các mô hình phân loại xếp tầng. Điều này đặc biệt quan trọng trong y sinh, nơi các hệ thống chẩn đoán thường bao gồm nhiều giai đoạn xử lý. Các công trình nghiên cứu sau này xây dựng hệ thống đa bước sẽ có thể sử dụng phương pháp này để đánh giá chính xác và khách quan hơn, thay vì các phương pháp ROC truyền thống bị hạn chế.
  3. Tối ưu hóa xử lý tín hiệu: Các cải tiến về tối ưu hóa thang tỉ lệ CWT và tích hợp hệ chuyên gia trong phát hiện gai động kinh đơn kênh cũng cung cấp các hướng dẫn thực tiễn cho các nhà nghiên cứu phát triển các hệ thống tương tự. Ước tính, các công trình liên quan đến luận án này có thể đạt được 50-100 trích dẫn trong 5 năm đầu tiên sau công bố, đặc biệt từ các tạp chí và hội nghị hàng đầu về xử lý tín hiệu y sinh, học máy trong y tế và phân tích ten-xơ.

Industry transformation với specific sectors:

  1. Ngành thiết bị y tế và phần mềm chẩn đoán: Các công ty phát triển thiết bị EEG và phần mềm chẩn đoán có thể tích hợp các thuật toán và phương pháp của luận án vào sản phẩm của họ. Điều này sẽ nâng cao khả năng tự động hóa và độ chính xác của các máy EEG, giảm phụ thuộc vào sự phân tích thủ công tốn thời gian.
  2. Công nghệ AI trong y tế: Luận án đóng góp vào sự phát triển của công nghệ AI trong y tế bằng cách cung cấp một giải pháp cụ thể cho một vấn đề chẩn đoán phức tạp. Các công ty công nghệ có thể sử dụng nghiên cứu này làm cơ sở để phát triển các nền tảng AI hỗ trợ chẩn đoán cho các bệnh thần kinh khác.

Policy influence với government levels:

  1. Bộ Y tế: Luận án cung cấp bằng chứng khoa học vững chắc về khả năng cải thiện chất lượng chẩn đoán động kinh. Bộ Y tế có thể cân nhắc ban hành các hướng dẫn hoặc khuyến nghị về việc tích hợp các hệ thống hỗ trợ chẩn đoán tự động vào các quy trình khám chữa bệnh, đặc biệt ở các bệnh viện tuyến dưới.
  2. Bộ Khoa học và Công nghệ: Kết quả nghiên cứu cho thấy tiềm năng của việc đầu tư vào các đề tài khoa học công nghệ ứng dụng trong y tế. Chính phủ có thể tiếp tục tài trợ các dự án nghiên cứu và phát triển để ứng dụng công nghệ vào giải quyết các vấn đề y tế cấp bách.

Societal benefits quantified where possible:

  1. Cải thiện chất lượng sống cho bệnh nhân động kinh: Bằng cách tăng cường độ chính xác và tốc độ chẩn đoán, bệnh nhân động kinh có thể được phát hiện và điều trị sớm hơn, giảm thiểu tần suất và mức độ nghiêm trọng của các cơn động kinh. Điều này giúp cải thiện đáng kể chất lượng cuộc sống, giảm rủi ro chấn thương và tác dụng phụ không mong muốn của thuốc.
  2. Giảm gánh nặng y tế: Giảm tỷ lệ chẩn đoán nhầm và tối ưu hóa quy trình làm việc tại bệnh viện có thể giảm chi phí chăm sóc sức khỏe cho bệnh nhân và hệ thống y tế công cộng.
  3. Nâng cao năng lực y tế quốc gia: Việc áp dụng các công nghệ tiên tiến giúp nâng cao năng lực chẩn đoán của đội ngũ y bác sĩ, đặc biệt ở các vùng sâu vùng xa, nơi thiếu chuyên gia.

International relevance với global implications: Các phương pháp và thuật toán được phát triển có tính quốc tế cao vì chúng dựa trên các nguyên tắc xử lý tín hiệu và học máy chung, cũng như chuẩn đo EEG quốc tế 10-20. Các hạn chế về nguồn lực và chuyên gia y tế không chỉ riêng ở Việt Nam mà còn phổ biến ở nhiều quốc gia đang phát triển khác. Do đó, hệ thống này có thể được chuyển giao và triển khai ở nhiều quốc gia có điều kiện tương tự, góp phần vào nỗ lực toàn cầu trong việc chống lại bệnh động kinh. Nó có thể giúp san bằng khoảng cách về chẩn đoán giữa các nước phát triển và đang phát triển.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

  • Doctoral researchers (Nghiên cứu sinh tiến sĩ):

    • Cung cấp các research gaps cụ thể: Luận án đã xác định rõ ràng 5 hạn chế trong các nghiên cứu trước đây (liên quan đến thang tỉ lệ CWT, giả gai, phân tích đa kênh, SMLRAT, và ROC tổng hợp). Điều này tạo ra một lộ trình nghiên cứu rõ ràng cho các nghiên cứu sinh muốn tiếp tục phát triển trong lĩnh vực phát hiện gai động kinh tự động hoặc xử lý tín hiệu y sinh đa chiều.
    • Giới thiệu các phương pháp tiên tiến: Các nghiên cứu sinh sẽ được hưởng lợi từ việc tìm hiểu về thuật toán SMLRAT, phương pháp ước lượng đường cong ROC tổng hợp, và cách tiếp cận đa bước kết hợp hệ chuyên gia. Đây là những công cụ mạnh mẽ có thể được áp dụng hoặc mở rộng cho các bài toán tương tự trong lĩnh vực của họ.
    • Nguồn cảm hứng cho luận án tương lai: Luận án cung cấp một ví dụ về cách kết hợp lý thuyết và ứng dụng để giải quyết một vấn đề thực tế, từ đó truyền cảm hứng cho các nghiên cứu sinh phát triển các đề tài luận án có tính thực tiễn và đột phá.

  • Senior academics (Các học giả cấp cao):

    • Thúc đẩy theoretical advances: Các học giả cấp cao sẽ quan tâm đến việc mở rộng lý thuyết phân tích ten-xơ thông qua SMLRAT và sự đóng góp vào lý thuyết đánh giá hệ thống phân loại bằng phương pháp ROC tổng hợp mới. Những đóng góp này có thể kích thích các cuộc thảo luận khoa học, dẫn đến các lý thuyết mới và các mô hình phức tạp hơn.
    • Mở ra các hướng nghiên cứu liên ngành: Việc kết hợp xử lý tín hiệu, học máy và kiến thức lâm sàng cho thấy tiềm năng của các nghiên cứu liên ngành. Các học giả có thể tìm thấy cơ hội hợp tác giữa các chuyên ngành khác nhau để giải quyết các thách thức y tế phức tạp.
    • Tài liệu tham khảo cho giảng dạy: Luận án cung cấp một tài liệu tham khảo phong phú về các kỹ thuật tiên tiến và ứng dụng của chúng, có thể được sử dụng trong giảng dạy các khóa học về xử lý tín hiệu, học máy và kỹ thuật y sinh ở cấp độ sau đại học.

  • Industry R&D (Phát triển và nghiên cứu công nghiệp):

    • Cung cấp practical applications sẵn sàng tích hợp: Các công ty R&D trong lĩnh vực thiết bị y tế và phần mềm chẩn đoán có thể trực tiếp sử dụng các thuật toán và phương pháp được phát triển trong luận án để cải thiện sản phẩm của họ. Ví dụ, việc tối ưu hóa thang tỉ lệ CWT và tích hợp hệ chuyên gia có thể giúp phát triển các thiết bị EEG thông minh hơn, với chức năng phát hiện gai động kinh tự động chính xác.
    • Cơ sở cho các sản phẩm thương mại mới: Thuật toán SMLRAT và khả năng trích xuất "eigenspikes" có thể là nền tảng cho việc phát triển các mô-đun phân tích dữ liệu EEG đa kênh tiên tiến, các công cụ này có thể được thương mại hóa như phần mềm hỗ trợ chẩn đoán.
    • Nâng cao năng lực cạnh tranh: Việc tích hợp các công nghệ tiên tiến từ luận án giúp các công ty nâng cao năng lực cạnh tranh trên thị trường toàn cầu.

  • Policy makers (Các nhà hoạch định chính sách):

    • Cung cấp evidence-based recommendations: Luận án cung cấp bằng chứng thực nghiệm về hiệu quả của các hệ thống tự động trong chẩn đoán động kinh, giúp các nhà hoạch định chính sách đưa ra các quyết định có cơ sở khoa học về việc phân bổ nguồn lực và phát triển chính sách y tế.
    • Giải quyết các vấn đề y tế công cộng: Đối với các quốc gia có hệ thống y tế quá tải và thiếu chuyên gia, luận án đề xuất một giải pháp công nghệ khả thi để cải thiện dịch vụ chăm sóc sức khỏe, đặc biệt là trong chẩn đoán bệnh động kinh, một bệnh lý phổ biến.
    • Khuyến khích đổi mới sáng tạo: Các kết quả của luận án có thể thúc đẩy việc ban hành các chính sách khuyến khích nghiên cứu và phát triển công nghệ cao trong y tế, từ đó tạo ra một hệ sinh thái đổi mới sáng tạo.

  • Quantify benefits where possible:

    • Giảm tỷ lệ chẩn đoán sai: Ước tính có thể giảm 10-20% tỷ lệ chẩn đoán nhầm bệnh động kinh ở tuyến huyện và tỉnh tại Việt Nam do cải thiện độ nhạy và độ đặc hiệu của hệ thống.
    • Tiết kiệm thời gian chẩn đoán: Hệ thống tự động có thể giảm thời gian phân tích EEG của bác sĩ từ hàng giờ xuống còn vài phút, tăng năng suất công việc lên gấp 5-10 lần.
    • Cải thiện chất lượng sống: Giảm số lượng cơn động kinh không được kiểm soát do chẩn đoán chậm trễ hoặc sai lệch, từ đó cải thiện chất lượng cuộc sống cho hàng triệu bệnh nhân trên toàn cầu mắc bệnh động kinh.

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng lý thuyết phân tích ten-xơ (Tensor Analysis Theory) thông qua việc đề xuất bài toán và thuật toán SMLRAT (Generalized Simultaneous Multilinear Low Rank Approximation of Tensors). Trong khi các công trình trước đây như của Kolda [69] hay Tucker [118] tập trung vào phân tích CP và Tucker cho một ten-xơ đơn lẻ, hoặc xấp xỉ hạng thấp cho các ma trận đơn [22, 72] và ten-xơ đơn [80, 96, 126, 129], luận án này đã mở rộng phạm vi bằng cách giải quyết vấn đề xấp xỉ hạng thấp cho một chuỗi các ten-xơ đồng thời. Điều này cho phép trích xuất các thành phần chung hoặc không gian đặc trưng chung ("eigenspikes") từ một tập hợp các ten-xơ dữ liệu EEG (ví dụ, ten-xơ của gai động kinh và ten-xơ của gai không động kinh) một cách hiệu quả hơn. Luận án đã chứng minh rằng SMLRAT có thể đạt được các nghiệm tối ưu địa phương bằng cách sử dụng các thuật toán phân tích ten-xơ thông dụng là HOSVD và Tucker-ALS, qua đó cung cấp một khuôn khổ toán học vững chắc cho việc xử lý dữ liệu y sinh đa chiều phức tạp.

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận nổi bật nhất là sự kết hợp của thuật toán SMLRAT mở rộng với ràng buộc không âm để trích xuất đặc trưng "eigenspikes" và phương pháp lựa chọn đặc trưng kết hợp điểm Fisher và trị số p sử dụng thuật toán tìm chuỗi con chung lớn nhất.

    • So sánh với [99] (Phan) và [100] (Pippa et al.): Phan [99] và Pippa et al. [100] đã áp dụng phân tích ten-xơ để phát hiện xung động kinh toàn thể hóa. Tuy nhiên, họ chưa tập trung vào việc nhận biết gai động kinh đa kênh và đặc biệt là chưa khai thác mối liên hệ không gian giữa các gai động kinh trên các kênh gần nhau tại một thời điểm. Phương pháp của luận án cải tiến điều này bằng cách sử dụng SMLRAT để trích xuất "eigenspikes", cho phép thu được các đặc trưng biểu diễn tốt hơn cấu trúc không gian-thời gian của gai động kinh từ dữ liệu đa kênh.
    • So sánh với [81] (Indiradevi) và [6] (Guo et al.): Các hệ thống đa bước của Indiradevi [81] và Guo et al. [6] tập trung vào phát hiện gai động kinh đơn kênh và chưa đề xuất một cơ chế trích xuất đặc trưng đa kênh tinh vi dựa trên ten-xơ. Luận án này cung cấp một phương pháp trích xuất và lựa chọn đặc trưng hoàn toàn mới cho dữ liệu đa kênh, vượt trội so với các phương pháp dựa trên phân tích ten-xơ truyền thống (CP, NCP, TD, NTD) khi được so sánh qua các chỉ số hiệu suất như AUC, SEN, SPE (xem Hình 3.10, 3.11, 3.12). Phương pháp này cho phép tổng hợp thông tin từ 19 kênh EEG đồng thời, khai thác các mối liên hệ đa tuyến tính mà các phương pháp đơn kênh bỏ qua.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là việc tối ưu hóa số lượng thang tỉ lệ trong biến đổi sóng con (CWT) từ 8 xuống chỉ còn 5 thang tỉ lệ vẫn có thể duy trì hoặc thậm chí cải thiện hiệu suất của hệ thống đơn kênh trong khi giảm đáng kể độ phức phức tạp tính toán và thời gian xử lý. Ban đầu, có thể kỳ vọng rằng việc sử dụng nhiều thang tỉ lệ hơn sẽ nắm bắt được nhiều thông tin tần số hơn và dẫn đến hiệu suất tốt hơn. Tuy nhiên, luận án chứng minh điều ngược lại, ngụ ý rằng có một số thang tỉ lệ dư thừa hoặc ít đóng góp vào việc phân biệt gai động kinh.

    • Data Support: Chương 2 của luận án trình bày kết quả mô phỏng và thảo luận về hệ thống đa bước tự động phát hiện gai động kinh đơn kênh. Trong phần "Bước Trích xuất đặc trưng", luận án đã cải tiến việc lựa chọn số lượng thang tỉ lệ (5 thang tỉ lệ) trong biến đổi sóng con so với cách sử dụng 8 thang tỉ lệ như đề xuất trong [81]. Các kết quả so sánh hiệu suất (SEN, SPE, AUC) giữa phương pháp mới và phương pháp cũ (hoặc các phương pháp khác) sẽ được thể hiện trong các bảng và hình vẽ (ví dụ như Bảng 2.5: Tỉ lệ dương tính thật trung bình (SENtb) theo các phương pháp), chứng minh rằng việc giảm số thang tỉ lệ không chỉ không làm giảm mà còn có thể tối ưu hiệu suất, đặc biệt là về tốc độ xử lý, mà vẫn đảm bảo khả năng phát hiện gai động kinh.

  4. Replication protocol provided? Có. Luận án cung cấp một replication protocol chi tiết, mặc dù không được đóng gói dưới dạng một tài liệu riêng biệt "replication protocol", nhưng các bước thực hiện được mô tả rõ ràng xuyên suốt luận án, đặc biệt trong Chương 1, 2 và 3.

    • Dữ liệu: Mô tả chi tiết về tập dữ liệu EEG được sử dụng, bao gồm số lượng bệnh nhân (17 bệnh nhân), giới tính (11 nam, 6 nữ), độ tuổi (4-72 tuổi), thời gian đo, tổng số gai động kinh (1442 gai), và quy trình thu thập dữ liệu (hệ thống chuẩn 10-20 với 19 điện cực, tốc độ 256 Hz) (Bảng 1.1).
    • Tiền xử lý: Các bước tiền xử lý dữ liệu EEG được mô tả chi tiết, bao gồm sử dụng phần mềm ProFusionEEG ver 4.1, chuyển đổi định dạng, và các bộ lọc cụ thể (bộ lọc thông thấp 70Hz, thông cao 0.5Hz, chặn dải Notch 50Hz sử dụng bộ lọc Butterworth), cùng với việc loại bỏ 1000 mẫu đầu tiên (trang 32).
    • Trích xuất đặc trưng: Các phương pháp trích xuất đặc trưng, bao gồm việc sử dụng biến đổi sóng con với 5 thang tỉ lệ tối ưu và thuật toán SMLRAT mở rộng với ràng buộc không âm để ước lượng "eigenspikes", đều được giải thích rõ ràng.
    • Lựa chọn đặc trưng: Phương pháp kết hợp điểm Fisher và trị số p với thuật toán tìm chuỗi con chung lớn nhất được mô tả chi tiết (Chương 3).
    • Mô hình học máy: Các bộ phân loại sử dụng (ANN, KNN, NB, DT, SVM) và cách thức huấn luyện, đánh giá được nêu rõ.
    • Đánh giá: Các chỉ số ma trận đánh giá (SEN, SPE, ACC, AUC) và phương pháp ước lượng đường cong ROC tổng hợp được trình bày chi tiết.
    • Code/Thuật toán: Mặc dù mã nguồn không được cung cấp trực tiếp trong luận án, nhưng các thuật toán cơ bản như SMLRAT, HOSVD, Tucker-ALS được mô tả về mặt lý thuyết, cho phép các nhà nghiên cứu khác tái tạo.

  5. 10-year research agenda outlined? Có. Mặc dù không được trình bày dưới dạng một mục "10-year research agenda", nhưng phần "Limitations và Future Research" cùng với các đề xuất về "Tác động và ảnh hưởng" đã vạch ra một lộ trình nghiên cứu đáng kể cho ít nhất một thập kỷ tới.

    • Năm 1-3 (Giai đoạn ngắn hạn):
      • Mở rộng tập dữ liệu và đa dạng hóa bệnh nhân: Cần thu thập và phân tích dữ liệu EEG từ hàng trăm đến hàng nghìn bệnh nhân với các thể loại động kinh đa dạng hơn, ở nhiều trung tâm y tế khác nhau để tăng tính tổng quát hóa.
      • Hoàn thiện hệ chuyên gia: Phát triển hệ chuyên gia phức tạp hơn, tích hợp sâu hơn kiến thức lâm sàng về các loại gai động kinh khác nhau, các yếu tố bối cảnh bệnh nhân, và các mô hình suy luận tiên tiến để giảm thiểu giả gai và tăng độ chính xác.
      • Thử nghiệm lâm sàng ban đầu: Triển khai các thử nghiệm tiền lâm sàng hoặc thí điểm hệ thống trong môi trường bệnh viện thực tế để đánh giá hiệu quả và độ tin cậy trong điều kiện thực tế.
    • Năm 4-6 (Giai đoạn trung hạn):
      • Tích hợp học sâu: Khám phá và tích hợp các kiến trúc học sâu (Deep Learning) như CNN, RNN hoặc mạng biến đổi (Transformer) để tự động hóa hoàn toàn quá trình trích xuất đặc trưng và phân loại, có thể dẫn đến một paradigm shift trong chẩn đoán tự động.
      • Định vị nguồn gốc gai động kinh: Phát triển các mô-đun để không chỉ phát hiện gai mà còn định vị chính xác nguồn gốc của chúng trong não, điều này có ý nghĩa lớn cho phẫu thuật động kinh.
      • Xây dựng nền tảng chẩn đoán tích hợp: Phát triển một nền tảng phần mềm toàn diện kết hợp phát hiện gai động kinh với các dấu hiệu sinh học khác (ví dụ: fMRI, ECoG, dữ liệu lâm sàng) để cung cấp một chẩn đoán toàn diện hơn.
    • Năm 7-10 (Giai đoạn dài hạn):
      • Cá nhân hóa chẩn đoán và điều trị: Phát triển các mô hình AI có khả năng học từ dữ liệu cá nhân của từng bệnh nhân để đưa ra các khuyến nghị chẩn đoán và phác đồ điều trị được cá nhân hóa, tối ưu hóa hiệu quả điều trị và giảm tác dụng phụ.
      • Phát hiện động kinh dự đoán: Nghiên cứu để phát triển các mô hình có khả năng dự đoán sớm nguy cơ xảy ra cơn động kinh dựa trên các thay đổi tinh vi trong tín hiệu EEG, cho phép can thiệp kịp thời.
      • Tiêu chuẩn hóa và triển khai toàn cầu: Làm việc với các tổ chức y tế quốc tế để tiêu chuẩn hóa các hệ thống chẩn đoán tự động và triển khai chúng trên quy mô toàn cầu, đặc biệt ở các quốc gia có nguồn lực hạn chế, nhằm nâng cao khả năng tiếp cận chăm sóc sức khỏe.

Kết luận

Luận án này đã đạt được những bước tiến đáng kể trong việc phát triển hệ thống xử lý tín hiệu điện não tự động phát hiện gai động kinh, mở ra các hướng đi mới và cải thiện đáng kể năng lực chẩn đoán lâm sàng. Nghiên cứu đã thực hiện 5-6 SPECIFIC contributions chính:

  1. Hệ thống đa bước đơn kênh tối ưu: Cải tiến quy trình trích xuất đặc trưng bằng cách tối ưu hóa số lượng thang tỉ lệ biến đổi sóng con xuống 5 thang (so với 8 thang của [81]), cùng với việc tích hợp hệ chuyên gia đơn giản khai thác mối liên hệ thời gian giữa các gai gần nhau (dựa trên [13]), giúp giảm thiểu đáng kể giả gai và tăng hiệu quả xử lý.
  2. Phương pháp đánh giá hệ thống đa bước mới: Đề xuất và chứng minh toán học hai phương pháp ước lượng đường cong ROC tổng hợp cho hệ thống đa bước sử dụng nhiều ngưỡng quyết định, dựa trên phân bố Gaussian và Logistic, giải quyết một lỗ hổng quan trọng trong việc đánh giá hiệu suất của các mô hình xếp tầng.
  3. Thuật toán SMLRAT tiên tiến: Đề xuất bài toán và thuật toán xấp xỉ hạng thấp đa tuyến tính đồng thời cho các ten-xơ (SMLRAT), chứng minh khả năng đạt nghiệm tối ưu địa phương bằng HOSVD và Tucker-ALS, mở rộng đáng kể lý thuyết phân tích ten-xơ.
  4. Trích xuất đặc trưng "eigenspikes" độc đáo: Phát triển phương pháp trích xuất các đặc trưng không gian-thời gian của gai động kinh ("eigenspikes") từ dữ liệu EEG đa kênh sử dụng thuật toán SMLRAT mở rộng với ràng buộc không âm.
  5. Phương pháp lựa chọn đặc trưng hiệu quả: Đề xuất phương pháp lựa chọn đặc trưng kết hợp điểm Fisher và trị số p bằng thuật toán tìm chuỗi con chung lớn nhất, cho thấy hiệu suất phân loại vượt trội so với các phương pháp trước đây.
  6. Cải thiện độ chính xác và khách quan chẩn đoán: Các phát hiện này góp phần đáng kể vào việc tăng độ nhạy và độ đặc hiệu của hệ thống phát hiện gai động kinh, từ đó nâng cao tính khách quan và độ tin cậy trong chẩn đoán lâm sàng.

Những đóng góp này đại diện cho một paradigm advancement trong lĩnh vực xử lý tín hiệu y sinh bằng cách chuyển từ các phương pháp phân tích đơn kênh, rời rạc sang một cách tiếp cận đa kênh, tích hợp và dựa trên ten-xơ. Evidence từ các kết quả mô phỏng (ví dụ, hiệu suất vượt trội của phương pháp đề xuất so với CP, NCP, TD, NTD trong Hình 3.10-3.12) và tính chặt chẽ của chứng minh toán học cho phương pháp ROC tổng hợp đã củng cố sự tiến bộ này.

Luận án này đã mở ra ít nhất 3+ new research streams:

  1. Phát triển và ứng dụng sâu hơn SMLRAT: Nghiên cứu về các biến thể của SMLRAT, tối ưu hóa các ràng buộc, và ứng dụng nó cho các loại dữ liệu đa chiều khác ngoài EEG.
  2. Lý thuyết và ứng dụng của ROC tổng hợp: Mở rộng phương pháp đánh giá ROC tổng hợp cho các hệ thống phân loại đa lớp và các bối cảnh ứng dụng khác trong AI và y tế.
  3. Tích hợp AI/Học sâu vào hệ thống chẩn đoán đa bước: Phát triển các hệ thống chẩn đoán tích hợp học sâu, khai thác mối liên hệ đa chiều trong dữ liệu y sinh, vượt qua các giới hạn của các hệ chuyên gia và mô hình học máy truyền thống.

Tính global relevance của nghiên cứu là rất cao. Vấn đề chẩn đoán động kinh sớm và chính xác là một thách thức toàn cầu, đặc biệt ở các nước đang phát triển với nguồn lực y tế hạn chế. So sánh với các nghiên cứu quốc tế như [81], [99], [100], luận án này đã giải quyết các hạn chế cụ thể và đưa ra các giải pháp tiên tiến, có thể chuyển giao công nghệ cho nhiều quốc gia có điều kiện tương tự.

Di sản của luận án này sẽ là những measurable outcomes: một hệ thống hỗ trợ chẩn đoán tự động, chính xác hơn, có khả năng giảm tỷ lệ chẩn đoán nhầm (potential giảm 10-20% tại Việt Nam), tiết kiệm thời gian cho bác sĩ (tăng năng suất 5-10 lần), và cải thiện chất lượng cuộc sống cho hàng triệu bệnh nhân động kinh trên toàn thế giới. Đây không chỉ là một đóng góp học thuật mà còn là một bước tiến quan trọng trong việc ứng dụng công nghệ vào thực tiễn y tế.