Luận án: Phân tích tín hiệu điện não bằng Sample Entropy hỗ trợ phát hiện động kinh

Phương pháp phân tích điện não bằng Sample Entropy giúp phát hiện sớm động kinh với độ chính xác cao, hỗ trợ chẩn đoán y khoa hiệu quả.

Tác giả

Luan An

Thể loại

Luận án tiến sỹ kỹ thuật

Năm xuất bản

Số trang

124

Thời gian đọc

19 phút

Lượt xem

0

Lượt tải

0

Phí lưu trữ

40 Point

Tổng quan nhanh

Chủ đề:
Phát hiện Động Kinh: Ứng dụng Entropy Mẫu EEG
Số trang:
124 trang
Trường:
Học viện Kỹ thuật Quân sự
Chuyên ngành:
Kỹ thuật Điều khiển và Tự động hóa
Tác giả:
Năm:

Tóm tắt nội dung luận án

I.Phát hiện Động Kinh Ứng dụng Entropy Mẫu EEG

Phát hiện động kinh là một thách thức y tế quan trọng. Nghiên cứu này tập trung vào ứng dụng Entropy Mẫu (Sample Entropy) trong phân tích tín hiệu điện não đồ (EEG). Phương pháp này giúp phát hiện các cơn động kinh một cách tự động. Entropy Mẫu định lượng độ phức tạp tín hiệu, một chỉ số quan trọng. Hoạt động não bình thường có độ phức tạp cao hơn. Trong cơn động kinh, tín hiệu thường trở nên đều đặn, ít phức tạp hơn. Phân tích độ phức tạp này cung cấp một công cụ chẩn đoán mạnh mẽ. Mục tiêu là nâng cao độ chính xác và hiệu quả của việc chẩn đoán động kinh.

1.1. Vai trò của Điện não đồ trong chẩn đoán động kinh

Điện não đồ (EEG) là phương pháp tiêu chuẩn. Nó ghi lại hoạt động điện sinh học của não. EEG cung cấp thông tin quan trọng về các cơn động kinh. Nó giúp xác định loại cơn và vị trí khởi phát. Tuy nhiên, việc diễn giải EEG đòi hỏi chuyên môn cao. Phát hiện các thay đổi tinh vi hoặc các cơn tiềm ẩn có thể khó khăn. Các phương pháp phân tích tự động giúp khắc phục hạn chế này. Chúng tăng cường khả năng phát hiện sớm và chính xác.

1.2. Nguyên lý Entropy Mẫu trong phân tích tín hiệu

Entropy Mẫu (Sample Entropy) là một chỉ số phi tuyến. Nó đo lường độ đều đặn và độ phức tạp của chuỗi thời gian. Giá trị Entropy Mẫu thấp chỉ ra tín hiệu có tính lặp lại cao. Giá trị cao hơn biểu thị tín hiệu phức tạp hơn, ít có các mẫu lặp. Entropy Mẫu ít bị ảnh hưởng bởi độ dài dữ liệu hơn Entropy xấp xỉ (Approximate Entropy). Điều này làm cho nó trở thành công cụ đáng tin cậy. Nó giúp nhận diện những thay đổi nhỏ trong tín hiệu điện não đồ (EEG) liên quan đến động kinh.

1.3. Độ phức tạp tín hiệu EEG và động kinh

Hoạt động não bộ khỏe mạnh có độ phức tạp cao. Tín hiệu điện não đồ (EEG) thể hiện tính ngẫu nhiên và biến động lớn. Trong các cơn động kinh, hoạt động điện não trở nên đồng bộ. Điều này làm giảm đáng kể độ phức tạp tín hiệu. Entropy Mẫu có thể định lượng sự giảm phức tạp này. Nó cung cấp một dấu hiệu sinh học rõ ràng. Sự thay đổi độ phức tạp tín hiệu là cơ sở cho việc phát hiện động kinh. Nó giúp phân biệt trạng thái bình thường và trạng thái động kinh.

II.Lý thuyết Động Lực Học Phi Tuyến EEG Động Kinh

Tín hiệu điện não đồ (EEG) có bản chất phi tuyến và phức tạp. Lý thuyết động lực học phi tuyến cung cấp khung phân tích mạnh mẽ. Nó giúp hiểu rõ hơn về các cơ chế cơ bản của hoạt động não. Các phương pháp truyền thống thường bỏ qua tính chất phi tuyến. Ứng dụng lý thuyết hỗn loạn cho phép khám phá các mẫu ẩn. Nó làm rõ các đặc điểm của hệ thống não bộ trong cả trạng thái bình thường và bệnh lý. Đặc biệt, nó hữu ích trong việc phân tích các thay đổi đột ngột của tín hiệu EEG trong cơn động kinh.

2.1. EEG như một hệ động học phức tạp

Não bộ hoạt động như một hệ thống động học phi tuyến tính. Tín hiệu điện não đồ (EEG) là biểu hiện của hệ thống này. Nó có thể thể hiện các hành vi hỗn loạn và không đều. Các đặc điểm này không thể được phân tích đầy đủ bằng các phương pháp tuyến tính. Sự thay đổi trong động lực học phi tuyến của EEG thường liên quan đến bệnh lý. Phân tích chuỗi thời gian EEG bằng lý thuyết hỗn loạn mang lại cái nhìn sâu sắc. Nó giúp hiểu rõ hơn về cơ chế bệnh động kinh.

2.2. Khái niệm Entropy xấp xỉ và Sample Entropy

Entropy xấp xỉ (Approximate Entropy) được phát triển. Nó đo độ phức tạp của chuỗi thời gian ngắn. Tuy nhiên, nó có thể có sai lệch. Entropy Mẫu (Sample Entropy) ra đời để cải thiện Entropy xấp xỉ. Nó cung cấp một ước lượng ổn định hơn. Sample Entropy ít phụ thuộc vào độ dài dữ liệu hơn. Cả hai đều định lượng xác suất xuất hiện các mẫu mới trong chuỗi tín hiệu. Chúng là công cụ hiệu quả để đánh giá độ phức tạp và tính đều đặn của tín hiệu điện não đồ (EEG).

2.3. Ứng dụng lý thuyết hỗn loạn trong xử lý tín hiệu y sinh

Lý thuyết hỗn loạn đã cách mạng hóa xử lý tín hiệu y sinh. Nó cung cấp các công cụ mạnh mẽ để phân tích tín hiệu phức tạp. Các chỉ số như Entropy Mẫu phản ánh sự thay đổi trạng thái của hệ sinh học. Điều này rất có giá trị trong chẩn đoán các bệnh lý. Ví dụ, trong động kinh, các đặc trưng hỗn loạn của EEG thay đổi rõ rệt. Ứng dụng này giúp nhận diện chính xác các giai đoạn tiền cơn và trong cơn. Nó mở ra hướng phát triển mới cho công nghệ y tế.

III.Thuật toán Tự động Phát hiện Cơn Động Kinh

Để tự động phát hiện các cơn động kinh, một thuật toán đã được phát triển. Thuật toán này sử dụng phương pháp cửa sổ trượt Entropy Mẫu. Nó liên tục phân tích tín hiệu điện não đồ (EEG) theo thời gian. Mục tiêu là phát hiện những thay đổi đột ngột về độ phức tạp tín hiệu. Đây là dấu hiệu của cơn động kinh. Thuật toán cũng bao gồm các bước xác định chính xác thời điểm khởi phát và kết thúc cơn. Việc tối ưu hóa các tham số là cần thiết. Điều này đảm bảo hiệu suất cao của thuật toán trong môi trường lâm sàng.

3.1. Phương pháp cửa sổ trượt Entropy Mẫu

Thuật toán sử dụng một cửa sổ trượt để phân tích EEG. Trong mỗi cửa sổ, giá trị Entropy Mẫu được tính toán. Cửa sổ này di chuyển từng bước qua toàn bộ bản ghi EEG. Điều này tạo ra một chuỗi các giá trị Entropy Mẫu theo thời gian. Sự sụt giảm đáng kể của Entropy Mẫu trong chuỗi này báo hiệu cơn động kinh. Phương pháp này cho phép phân tích tín hiệu cục bộ và liên tục. Nó rất hiệu quả trong việc phát hiện các sự kiện thoáng qua.

3.2. Xác định điểm khởi phát và kết thúc cơn

Việc xác định chính xác thời gian khởi phát và kết thúc cơn động kinh rất quan trọng. Thuật toán dựa trên ngưỡng giá trị Entropy Mẫu. Khi giá trị này giảm xuống dưới một ngưỡng xác định, một cơn có thể bắt đầu. Ngược lại, khi nó tăng trở lại, cơn có thể kết thúc. Thuật toán cũng tích hợp các quy tắc ghép cơn. Điều này giúp tránh phát hiện sai hoặc bỏ sót cơn động kinh. Nó cung cấp thông tin thời gian chính xác cho chẩn đoán.

3.3. Tối ưu hóa tham số thuật toán cho EEG

Hiệu suất của thuật toán phụ thuộc vào việc lựa chọn tham số. Các tham số chính bao gồm độ rộng cửa sổ Entropy và số lượng mẫu. Ngưỡng phát hiện và kỹ thuật ghép cơn cũng rất quan trọng. Quá trình tối ưu hóa đòi hỏi thử nghiệm. Dữ liệu điện não đồ (EEG) thực tế từ bệnh nhân động kinh được sử dụng. Mục tiêu là đạt được độ nhạy và độ đặc hiệu cao nhất. Điều này đảm bảo thuật toán hoạt động hiệu quả trong chẩn đoán động kinh.

IV.Đánh giá Hiệu suất và Phân loại Động Kinh

Nghiên cứu này tiến hành đánh giá toàn diện thuật toán đã phát triển. Dữ liệu điện não đồ (EEG) thực tế được sử dụng để kiểm tra. Các chỉ số hiệu suất như độ nhạy, độ đặc hiệu và độ chính xác được tính toán. Kết quả được so sánh với các phương pháp phát hiện động kinh hiện có. Điều này nhằm chứng minh hiệu quả và ưu điểm của phương pháp Entropy Mẫu. Đánh giá này khẳng định tiềm năng của thuật toán. Nó có thể trở thành một công cụ hỗ trợ chẩn đoán và phân loại động kinh đáng tin cậy trong tương lai.

4.1. Kết quả phân tích dữ liệu điện não đồ thực

Thuật toán đã được thử nghiệm kỹ lưỡng. Nó sử dụng các bộ dữ liệu điện não đồ (EEG) thực từ bệnh nhân động kinh. Kết quả cho thấy khả năng phát hiện các cơn động kinh hiệu quả. Thuật toán cung cấp các chỉ số độ phức tạp tín hiệu rõ ràng. Thời gian xử lý dữ liệu cũng được đánh giá. Nó chứng minh khả năng hoạt động nhanh chóng và ổn định. Điều này khẳng định tính khả thi của thuật toán trong ứng dụng lâm sàng thực tế.

4.2. So sánh hiệu quả với các nghiên cứu khác

Hiệu suất của thuật toán Entropy Mẫu được so sánh. Các phương pháp phát hiện động kinh dựa trên Entropy xấp xỉ (Approximate Entropy) hoặc phân tích tần số được xem xét. Thuật toán này đạt được độ nhạy và độ đặc hiệu cao. Trong nhiều trường hợp, nó thậm chí vượt trội hơn. Điều này chứng minh tính cạnh tranh và ưu việt của phương pháp. Nó khẳng định giá trị của việc ứng dụng động lực học phi tuyến trong phân tích EEG.

4.3. Tiềm năng hỗ trợ chẩn đoán và phân loại động kinh

Thuật toán Sample Entropy có tiềm năng lớn. Nó giúp tự động hóa quá trình chẩn đoán động kinh. Nó có thể hỗ trợ các chuyên gia y tế trong việc khoanh vùng khởi phát cơn. Thông tin về độ phức tạp tín hiệu có thể cung cấp thêm thông tin. Điều này hỗ trợ phân loại động kinh một cách chính xác hơn. Việc tích hợp vào các hệ thống hỗ trợ quyết định lâm sàng có thể cải thiện đáng kể chất lượng chăm sóc bệnh nhân.

Xem trước tài liệu
Tải đầy đủ để xem toàn bộ nội dung
Luận án tiến sĩ phân tích tín hiệu điện não bằng phương pháp cửa sổ trượt entropy mẫu sample entropy hỗ trợ phát hiện bệnh động kinh

Tải xuống file đầy đủ để xem toàn bộ nội dung

Tải đầy đủ (124 trang)

Trích đoạn nội dung luận án

Tải xuống để đọc toàn bộ

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG HỌC VIỆN KỸ THUẬT QUÂN SỰ TRẦN NGỌC QUANG PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO BẰNG PHƯƠNG PHÁP CỬA SỔ TRƯỢT ENTROPY MẪU (SAMPLE ENTROPY) HỖ TRỢ PHÁT HIỆN BỆNH ĐỘNG KINH LUẬN ÁN TIẾN SỸ KỸ THUẬT Hà Nội – Năm 2022 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG HỌC VIỆN KỸ THUẬT QUÂN SỰ TRẦN NGỌC QUANG PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO BẰNG PHƯƠNG PHÁP CỬA SỔ TRƯỢT ENTROPY MẪU (SAMPLE ENTROPY) HỖ TRỢ PHÁT HIỆN BỆNH ĐỘNG KINH Chuyên ngành: Kỹ thuật điều khiển và tự động hóa Mã số: 9 52 02 16 LUẬN ÁN TIẾN SỸ KỸ THUẬT Chuyên ngành: Kỹ thuật điều khiển và tự động hóa NGƯỜI HƯỚNG DẪN KHOA HỌC 1. Nguyễn Huy Hoàng Hà Nội – Năm 2022 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 1 LỜI CAM ĐOAN Tôi xin cam đoan các kết quả trình bày trong luận án là công trình nghiên cứu của tôi dưới sự hướng dẫn của các cán bộ hướng dẫn. Các số liệu, kết quả trình bày trong luận án là hoàn toàn trung thực và chưa được công bố trong bất kỳ công trình nào trước đây. Các kết quả sử dụng tham khảo đều đã được trích dẫn đầy đủ và theo đúng quy định.

Hà Nội ngày tháng năm 2022 Tác giả Trần Ngọc Quang LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 2 LỜI CẢM ƠN Luận án này được hoàn thành tại Bộ môn Điện tử Y sinh, khoa Kỹ Thuật Điều Khiển, Học viện Kỹ Thuật Quân Sự. Trong quá trình làm luận án, tôi đã nhận được nhiều ý kiến đóng góp từ các thầy giáo, cô giáo, các anh chị và các bạn đồng nghiệp. Tôi xin bày tỏ lòng biết ơn sâu sắc đến TS. Phạm Văn Thuận, TS.

Nguyễn Huy Hoàng đã tận tình hướng dẫn về học thuật, kiến thức và kinh nghiệm trong quá trình thực hiện luận án. Tôi xin chân thành cám ơn các đồng nghiệp ở Bộ môn Điện tử Y sinh- Học viện Kỹ thuật Quân sự đã chia sẻ công việc, đóng góp những ý kiến quý báu và tạo các điều kiện thuận lợi nhất cho tôi trong quá trình hoàn thành luận án này. Tác giả luận án Trần Ngọc Quang LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 3 MỤC LỤC LỜI CAM ĐOAN. 3 DANH MỤC CÁC TỪ VIẾT TẮT.

6 DANH MỤC KÝ HIỆU TOÁN HỌC. 7 DANH MỤC HÌNH VẼ. 8 DANH MỤC BẢNG. Mục tiêu của luận án.

Đối tượng và phạm vi nghiên cứu của luận án. Phương pháp nghiên cứu. Ý nghĩa khoa học và thực tiễn của đề tài. Đóng góp mới của luận án.

Bố cục luận án. TỔNG QUAN VỀ ĐIỆN NÃO ĐỒ TRONG ĐỘNG KINH VÀ CÁC PHƯƠNG PHÁP PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO. Tổng quan về vấn đề nghiên cứu. Bản ghi điện não đồ.

Vị trí bố trí các điện cực để ghi tín hiệu EEG. Ðặc điểm của EEG. Nhiễu trong điện não đồ. Điện não đồ và động kinh.

Khái niệm về cơn động kinh. Vai trò của EEG trong việc xác định động kinh. Điện não đồ trong cơn động kinh.24 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Một số phương pháp phân tích tín hiệu điện não.

Phân tích các đặc trưng của EEG dựa trên phân tích thời gian-tần số. Phân tích các đặc trưng của EEG dựa trên hình thái của đỉnh sóng. Dữ liệu phân tích sử dụng trong luận án. Bộ dữ liệu 1.

Bộ dữ liệu 2. Kết luận chương 1. LÝ THUYẾT HỖN LOẠN VÀ CÁC PHƯƠNG PHÁP ĐỘNG HỌC PHI TUYẾN ỨNG DỤNG TRONG XỬ LÝ TÍN HIỆU ĐIỆN NÃO. Lý thuyết hỗn loạn.

Điện não đồ mô tả hành vi một hệ động học phức tạp. Hệ động học phi tuyến. Ứng dụng lý thuyết hỗn loạn phân tích tín hiệu điện não. Xây dựng vùng thu hút tín hiệu EEG.

Tính kích thước tương quan của vùng thu hút trong phân tích tín hiệu EEG dùng phát hiện bệnh động kinh. Khái niệm và cách tiếp cận Entropy. Entropy xấp xỉ (AE - Approximate Entropy) .5 Thuật toán tính SE tín hiệu điện não. Ứng dụng Entropy trong phân tích tín hiệu điện não.

SE Entropy của tín hiệu mô hình. SE tín hiệu điện não thực .57 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Kết luận chương 2. XÂY DỰNG THUẬT TOÁN TỰ ĐỘNG PHÁT HIỆN CÁC CƠN VÀ VÙNG KHỞI PHÁT ĐỘNG KINH.

Phát hiện các cơn động kinh bằng phương pháp đánh giá SE. Cơ sở xác định điểm khởi phát và kết thúc cơn động kinh. Thuật toán tự động phát hiện cơn động kinh sử dụng cửa sổ trượt SE 65 3. Lựa chọn tham số cho thuật toán.

Lựa chọn số lượng mẫu tối ưu để tính SE. Lựa chọn độ rộng cửa sổ Entropy. Lựa chọn ngưỡng và thuật và toán ghép cơn. Thuật toán xử lý đa kênh khoanh vùng khởi phát cơn động kinh.

Kết luận chương 3. PHÂN TÍCH DỮ LIỆU VÀ ĐÁNH GIÁ KẾT QUẢ. Kết quả phân tích dữ liệu .2 Thời gian xử lý dữ liệu. Đánh giá kết quả nghiên cứu.

Đánh giá hiệu suất của thuật toán. So sánh kết quả nghiên cứu với một số nghiên cứu khác. Kết luận chương 4. 98 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN LUẬN ÁN.

100 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ. 103 TÀI LIỆU THAM KHẢO. Mã thuật toán tính SE entropy. Mã thuật toán tìm cơn động kinh.

120 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 6 DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Nghĩa tiếng Anh Nghĩa tiếng Việt ACC Accuracy. AE Approximate Entropy. Entropy xấp xỉ ANN Artificial Neural Network. Mạng nơron nhân tạo.

Discrete wavelet DWT Biến đổi Wavelet rời rạc. ELM Extreme learning machine. FHWA First Half Wave Amplitude. Biên độ cạnh trước.

SHWA Second Half Wave Amplitude. Biên độ cạnh sau. FHWD First Half Wave Duration. Thời gian tồn tại cạnh trước.

FHWS First Half Wave Slope. Độ dốc cạnh trước. Short-time Fourier transform. Biến đổi Fourier thời gian STFT ngắn.

SVM Support Vector Machine. Máy Vector hỗ trợ. Improved Correlation-based Cải thiện tương quan dựa trên ICFS Feature Selection. lựa chọn đặc trưng.

SE Sample Entropy. Độ nhạy SEL Selectivity. Độ chọn lọc SHWD Second Half Wave Duration. Thời gian tồn tại cạnh sau.

SHWS Second Half Wave Slope. Độ dốc cạnh sau. Độ xác định SVM Support vector machine. Máy vectơ hỗ trợ.

SWD Spike and wave discharge. Phóng điện sóng nhọn. WT Wavelet transform Biến đổi Wavelet. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 7 DANH MỤC KÝ HIỆU TOÁN HỌC Ký hiệu Diễn giải Wa ,b Phép biến đổi Wavelet liên tục τ Khoảng giữ chậm tín hiệu.

q Vector trạng thái của hệ thống. C   Giá trị tích phân tương quan Dc Kích thước tương quan P(i) Xác suất của sự kiện i SD Độ lệch chuẩn. Số lượng trung bình gần nhau của đối tượng trong bán kính r  m (r ) trong phép tínhEntropy Crm (i) Xác suất rơi vào hình cầu i trong phép tính Entropy Dmax (i) Độ lệch lớn nhất trong từng cửa sổ SE SE max (i ) Giá trị SE lớn nhất trong cửa sổ thứ i. SEmin (i ) Giá trị SE nhỏ nhất trong cửa sổ thứ i.

Dmax_ tb Trung bình độ lệch lớn nhất của toàn bộ cửa sổ khảo sát. Dtb Trung bình độ lệch của toàn bộ cửa sổ khảo sát. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 8 DANH MỤC HÌNH VẼ Hình 1. Bố trí 21 điện cực theo chuẩn quốc tế 10-20.

Bố trí điện cực điện não mở rộng theo chuẩn 10-20 quốc tế. Các nhịp sóng cơ bản của EEG. Tín hiệu EEG động kinh cơn vắng ý thức. Các họ hàm Wavelet cơ bản.

Biến đổi Wavelet của một số mẫu tín hiệu. Các cơn phóng điện. Các đỉnh sóng của tín hiệu EEG. Các đặc trưng hình thái của đỉnh sóng.

Hình ảnh tín hiệu EEG bình thường. Hình ảnh tín hiệu EEG có các cơn động kinh. Kết quả tái tạo điểm thu hút tín hiệu EEG. Sự phụ thuộc log(C(ε)) vào log(ε) tương ứng với chiều tương quan m.

Sự phụ thuộc Dc vào m. Lịch sử phát triển các khái niệm Entropy. Tín hiệu mô phỏng cơn động kinh và SE đoạn dữ liệu 1. Tín hiệu mô phỏng cơn động kinh và SE đoạn dữ liệu 2.

Tín hiệu mô phỏng cơn động kinh và SE đoạn dữ liệu 3. Tín hiệu mô phỏng cơn động kinh và SE đoạn dữ liệu 4. Biến thiên SE theo thời gian kênh 01 tín hiệu EEG của bản ghi chb01_01_edfm bộ dữ liệu 2 (trích đoạn không có cơn động kinh). Biến thiên SE theo thời gian kênh 02 tín hiệu EEG bản ghi chb02_01_edfm bộ dữ liệu 2 (trích đoạn không có cơn động kinh).

Biến thiên SE theo thời gian tín hiệu EEG bản ghi Z001 bộ dữ liệu 1(bản ghi không có cơn động kinh). 58 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Biến thiên SE theo thời gian kênh 12 tín hiệu EEG bản ghi chb01_03_edfm bộ dữ liệu 2 (trích đoạn có cơn động kinh từ 2996s-3036s). Biến thiên SE theo thời gian kênh 03 tín hiệu EEG bản ghi chb03_03_edfm bộ dữ liệu 2 (trích đoạn có cơn động kinh từ 432s-501s).

Biến thiên SE theo thời gian tín hiệu EEG bản ghi S002 bộ dữ liệu 1(trích đoạn cơn động kinh). Trích đoạn tín hiệu EEG bản ghi chb01_02 bộ dữ liệu 2 (không có cơn động kinh). Trích đoạn tín hiệu EEG bản ghi chb01_03 bộ dữ liệu 2 (trong cơn động kinh). Biến thiên SE và SE trung bình theo thời gian tín hiệu EEG 23 kênh bản ghi chb01_04_edfm bộ dữ liệu 2.

Biến thiên SE và SE trung bình theo thời gian tín hiệu EEG 23 kênh bản ghi chb03_03_edfm bộ dữ liệu 2. Mô hình thuật toán cửa sổ trượt SE. Lưu đồ thuật toán tự động phát hiện đoạn động kinh.Giao diện nhập dữ liệu của công cụ tìm động kinh tự động. Giao diện công cụ tìm động kinh tự động.

Kết quả phân tích bản ghi chb01_03 với cửa sổ Entropy 2 giây. Kết quả phân tích bản ghi chb01_03 với cửa sổ Entropy 5 giây. Biến thiên SE bản ghi chb05_06 bộ dữ liệu 2 .Mô hình mô phỏng thuật toán lựa chọn ngưỡng và ghép cơn. Lưu đồ thuật toán tách và ghép cơn động kinh.

Lưu đồ thuật toán tự động phát hiện vùng khởi phát động kinh. Kết quả phân tích bộ dữ liệu 1……………………………………. Kết quả phân tích bộ dữ liệu 2……………………………………. 86 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 10 DANH MỤC BẢNG Bảng 2.

Thông số mô phỏng các đoạn dữ liệu có cơn động kinh. Kết quả phân tích tìm dải ngưỡng. Bảng phân tích số lượng giá trị SE vượt ngưỡng. So sánh hiệu quả lựa chọn ngưỡng.

Bảng dữ liệu bộ dữ liệu 1. Bảng dữ liệu bệnh nhân bộ dữ liệu 2 .

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ

Trích dẫn luận án này

Trần Ngọc Quang (2022). Phân tích điện não bằng Sample Entropy phát hiện động kinh [Luận án tiến sĩ, Học viện Kỹ thuật Quân sự]. LuanAn.net. https://luanan.net/y-hoc/y-hoc-lam-sang/phan-tich-dien-nao-bang-sample-entropy-phat-hien-dong-kinh

Câu hỏi thường gặp

Luận án "Phân tích điện não bằng Sample Entropy phát hiện động kinh" nghiên cứu về vấn đề gì?

Phương pháp phân tích điện não bằng Sample Entropy giúp phát hiện sớm động kinh với độ chính xác cao, hỗ trợ chẩn đoán y khoa hiệu quả.

Luận án "Phân tích điện não bằng Sample Entropy phát hiện động kinh" được bảo vệ tại trường nào?

Luận án này được bảo vệ tại Học viện Kỹ thuật Quân sự. Năm bảo vệ: 2022.

Luận án "Phân tích điện não bằng Sample Entropy phát hiện động kinh" thuộc chuyên ngành gì?

Luận án "Phân tích điện não bằng Sample Entropy phát hiện động kinh" thuộc chuyên ngành Kỹ thuật điều khiển và tự động hóa. Danh mục: Y Học Lâm Sàng.

Luận án "Phân tích điện não bằng Sample Entropy phát hiện động kinh" có bao nhiêu trang?

Luận án "Phân tích điện não bằng Sample Entropy phát hiện động kinh" có 124 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.

Cách tải luận án "Phân tích điện não bằng Sample Entropy phát hiện động kinh" về máy như thế nào?

Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.

Luận án liên quan

Chia sẻ tài liệu: Facebook Twitter