Nghiên cứu đặc trưng điện não sử dụng cho phát hiện bệnh tâm thần phân liệt

CƠ SỞ SINH LÝ BỆNH TÂM THẦN PHÂN LIỆT

Bệnh tâm thần phân liệt là gì?

Tâm thần phân liệt (TTPL) là chứng loạn thần phổ biến nhất trên thế giới, với tỷ lệ mắc bệnh khoảng 1% dân số Bệnh thường khởi phát ở độ tuổi từ 18 đến 40 và có tác động tiêu cực đến sức khỏe của bệnh nhân, làm giảm khả năng học tập và lao động Người bệnh thường xuất hiện các suy nghĩ và hành động tiêu cực, dị thường, đòi hỏi sự chăm sóc thường xuyên và có nguy cơ tự làm hại bản thân cũng như người xung quanh TTPL không chỉ ảnh hưởng đến cá nhân mà còn tạo ra gánh nặng lớn cho xã hội Hiện nay, việc chẩn đoán TTPL tại các cơ sở y tế được thực hiện dựa trên bộ tiêu chuẩn tâm lý ICD.

10 Phương pháp chẩn đoán này gặp nhiều khó khăn do nhiều biểu hiện của bệnh TTPL trùng với biểu hiện của các bệnh khác Một số nghiên cứu cho thấy EEG có khả năng trở thành một chẩn đoán cận lâm sàng giúp xác định bệnh tâm thần phân liệt [15][17][21].

Bệnh tâm thần phân liệt, lần đầu tiên được báo cáo vào năm 1809, đã được mô tả bởi các bác sĩ với các thuật ngữ như “Dementia praecox” và “hebephrenia” Đến năm 1908, Eugen Bleuler đã chính thức đổi tên bệnh thành tâm thần phân liệt.

Tâm thần phân liệt (TTPL) là một bệnh loạn thần nghiêm trọng, có xu hướng mạn tính, khiến người bệnh dần tách khỏi cuộc sống bên ngoài và thu hẹp vào thế giới nội tâm Tình cảm của họ trở nên khô lạnh, khả năng làm việc và học tập giảm sút, đồng thời xuất hiện những hành vi và ý nghĩ kỳ lạ, khó hiểu.

Hình 1.1 Chứng tâm thần phân liệt

Tỉ lệ mắc bệnh tâm thần phân liệt (TTPL) ở Việt Nam dao động từ 0,3% đến 0,5% dân số Theo thống kê của Tổ chức Y tế thế giới, năm 2019 ghi nhận khoảng 20 triệu bệnh nhân TTPL trên toàn cầu Đáng chú ý, tỉ lệ mắc bệnh này ở nam giới và nữ giới là tương đương nhau.

Gần 50% bệnh nhân tâm thần phân liệt có khả năng cải thiện tình trạng bệnh, trong đó một số có thể hồi phục hoàn toàn Tuy nhiên, phần lớn bệnh nhân sẽ gặp phải suy giảm chức năng suốt đời và cần được chăm sóc liên tục từ nhân viên y tế hoặc người thân Năm 2015, ước tính có khoảng 17.000 ca tử vong do bệnh tâm thần phân liệt và khoảng 16,7 triệu người trên thế giới bị tàn tật do căn bệnh này Bệnh nhân tâm thần phân liệt có nguy cơ tự làm hại bản thân và người chăm sóc, gây ra tình trạng mất trật tự và an toàn xã hội, đồng thời dẫn đến các vấn đề như thất nghiệp và vô gia cư.

Triệu chứng của bệnh tâm thần phân liệt

Bệnh nhân tâm thần phân liệt có thể trải qua các triệu chứng dương tính và âm tính Dưới đây là một số triệu chứng dương tính và âm tính thường gặp ở bệnh nhân mắc bệnh này.

1.2.1 Các triệu chứng dương tính:

Hoang tưởng là triệu chứng chính của bệnh tâm thần phân liệt (TTPL), thể hiện qua nhiều chủ đề khác nhau Bệnh nhân có thể trải qua hoang tưởng bị hại, hoang tưởng liên hệ, hoang tưởng bị kiểm tra và chi phối, cũng như các hoang tưởng kỳ quái khác.

Ảo giác là hiện tượng xảy ra ở bất kỳ giác quan nào, bao gồm ảo thanh, ảo thị, ảo khứu, ảo xúc và ảo vị giác Trong đó, ảo thanh là phổ biến nhất, với khoảng 60-70% bệnh nhân tâm thần phân liệt (TTPL) trải qua triệu chứng này Bệnh nhân thường nghe thấy những tiếng nói không tồn tại trong thực tế.

Ngôn ngữ thanh xuân là một triệu chứng quan trọng trong tâm thần phân liệt thể thanh xuân, thường thể hiện qua tư duy và lời nói của bệnh nhân Những người mắc chứng này thường có cách diễn đạt hỗn loạn, kỳ lạ và khó hiểu, điều này góp phần vào việc chẩn đoán bệnh lý.

Hành vi thanh xuân là một rối loạn hành vi nặng thường gặp trong các trường hợp rối loạn tâm thần phân liệt (TTPL), có thể xuất hiện ở cả thể thanh xuân và thể không biệt định Bệnh nhân có thể biểu hiện các triệu chứng với nhiều mức độ khác nhau, từ việc đi lại không ngừng cho đến tình trạng kích động mạnh.

Hành vi căng trương lực bao gồm các biểu hiện như sững sờ căng trương lực, kích động căng trương lực, phủ định căng trương lực (khi bệnh nhân chống lại mọi tác động bên ngoài) và uốn sáp căng trương (bệnh nhân giữ lâu ở những vị trí vô lý và kỳ lạ) Những hành vi này phản ánh tình trạng tâm lý phức tạp của bệnh nhân, cần được chú ý và can thiệp kịp thời.

1.2.2 Các triệu chứng âm tính:

Bệnh nhân tâm thần phân liệt thường gặp phải các triệu chứng âm tính, đặc biệt là trong giai đoạn đầu, rất khó phát hiện Khi bệnh tiến triển, các triệu chứng này trở nên rõ ràng hơn, và trong giai đoạn di chứng, bệnh nhân chủ yếu chỉ còn lại các triệu chứng âm tính Ba triệu chứng âm tính cơ bản thường xuất hiện trong tâm thần phân liệt bao gồm: vô cảm xúc, ngôn ngữ nghèo nàn và mất ý chí.

Cùn mòn cảm xúc là tình trạng mà bệnh nhân thể hiện nét mặt không thay đổi, giảm sự tiếp xúc qua ánh mắt và ngôn ngữ cơ thể Khi bệnh tâm thần phân liệt (TTPL) chuyển sang thể di chứng, tình trạng này có thể phát triển thành vô cảm, khiến bệnh nhân không còn biểu lộ cảm xúc như vui, buồn hay tức giận đối với bất kỳ sự vật hay hiện tượng nào.

Ngôn ngữ nghèo nàn là dấu hiệu cho thấy bệnh nhân thường trả lời ngắn gọn và cộc lốc, điều này phản ánh sự suy giảm trong khả năng tư duy và quá trình tạo ra ngôn ngữ của họ.

Mất ý chí là tình trạng mà người bệnh không còn sáng kiến và động lực, dẫn đến hoạt động kém hiệu quả Họ thường không muốn thực hiện bất kỳ công việc nào, làm giảm khả năng lao động và có thể dẫn đến mất việc làm.

Các thể lâm sàng bệnh tâm thần phân liệt

Bệnh tâm thần phân liệt được phân loại thành nhiều thể loại dựa trên triệu chứng nổi bật trong quá trình đánh giá Theo phân loại ICD-10, các thể bệnh tâm thần phân liệt bao gồm: thể Paranoid (hoang tưởng), thể thanh xuân, thể căng trương lực, thể không biệt định, thể trầm cảm sau phân liệt và thể di chứng.

Thể Paranoid là loại bệnh tâm thần chiếm hơn 50% số bệnh nhân mắc tâm thần phân liệt, đặc trưng bởi các hoang tưởng và ảo thanh rõ ràng Bệnh thường khởi phát muộn hơn so với các thể khác của tâm thần phân liệt, nhưng tiên lượng của thể Paranoid lại tốt hơn, đặc biệt trong việc duy trì chức năng xã hội và khả năng sống độc lập.

Thanh xuân là giai đoạn xuất hiện các triệu chứng như ngôn ngữ và hành vi thanh xuân, cũng như tình trạng vô cảm hoặc cảm xúc không phù hợp Thể bệnh thường khởi phát rất sớm, từ những năm đầu của tuổi thanh niên.

Tâm thần phân liệt thể thanh xuân thường xuất hiện ở độ tuổi từ 15 đến 25 và có xu hướng tiến triển liên tục, ngay cả khi được điều trị Điều này dẫn đến sự suy giảm nhanh chóng ở bệnh nhân, do đó tiên lượng cho bệnh nhân mắc bệnh này rất xấu.

Thể căng trương lực biểu hiện qua các triệu chứng như bất động vận động, kích động, và vận động cường độ lớn kỳ dị, bao gồm nhại lời và nhại vận động Bệnh nhân thuộc thể này thường đáp ứng rất tốt với phương pháp điều trị bằng sốc điện.

Bệnh nhân thuộc thể không biệt định khi có các triệu chứng phù hợp với tiêu chuẩn của tâm thần phân liệt (TTPL), nhưng không đáp ứng đủ tiêu chí cho thể paranoid, thanh xuân hoặc căng trương lực.

Bệnh nhân tâm thần phân liệt có thể chuyển sang thể di chứng sau nhiều năm mắc bệnh, mặc dù hiện tại không còn triệu chứng loạn thần rõ ràng Thay vào đó, các triệu chứng âm tính như vô cảm xúc, ngôn ngữ nghèo nàn và mất ý chí trở nên nổi bật trong bảng lâm sàng.

Nguyên nhân và các yếu tố ảnh hưởng đến khởi phát bệnh

Nguyên nhân và cơ chế bệnh sinh của bệnh tâm thần phân liệt (TTPL) vẫn chưa được làm rõ Bệnh này phát sinh từ sự tương tác giữa các yếu tố di truyền và môi trường Một số yếu tố chính gây ra TTPL bao gồm: yếu tố di truyền, hóa học não bộ, và tác động từ môi trường xã hội.

1.4.1 Các yếu tố di truyền

Bệnh tâm thần phân liệt chủ yếu có nguyên nhân sinh học, với yếu tố di truyền đóng vai trò quan trọng Nguy cơ mắc bệnh ở người thân cấp một của bệnh nhân lên đến khoảng 10%, cao gấp 10 lần so với dân số chung, cho thấy mối liên hệ rõ ràng giữa yếu tố gia đình và căn nguyên của bệnh này.

Các yếu tố môi trường có vai trò quan trọng trong sinh lý bệnh của bệnh TTPL, ước tính góp phần khoảng 30-50% nguy cơ mắc bệnh Những yếu tố này bao gồm nghèo đói, tình trạng căng thẳng, các biến số tâm lý xã hội, cũng như các biến chứng trong thai kỳ và sinh nở.

Tỷ lệ mắc bệnh ở những người thân của bệnh nhân TTPL không chỉ do yếu tố di truyền mà còn bị ảnh hưởng bởi môi trường sống và hành vi tương tác giữa các thành viên trong gia đình Những người có mối quan hệ gần gũi thường chia sẻ môi trường sống tương đồng, điều này có thể dẫn đến việc gia tăng tỷ lệ mắc bệnh do tác động của các yếu tố môi trường.

1.4.3 Yếu tố sinh hóa Ở bệnh nhân tâm thần phân liệt một số triệu chứng liên quan tới rối loạn sản xuất, chuyển hoá, phân huỷ các chất trung gian hoá học thần kinh, các amin sinh học, các alpha globulin chậm.

Các phương pháp chẩn đoán bệnh

1.5.1 Chẩn đoán xác định (theo ICD-10)

Tiêu chuẩn xác định tâm thần phân liệt dựa trên ICD-10 gồm 09 triệu chứng được liệt kê dưới đây:

1 Tư duy vang thành tiếng, tư duy bị đánh cắp, tư duy bị phát thanh.

2 Các hoang tưởng bị kiểm tra, bị chi phối hay bị động có liên quan rõ rệt với vận động thân thể hay các chi hoặc có liên quan với những ý nghĩ, hành vi hay cảm giác đặc biệt; tri giác hoang tưởng

3 Các ảo thanh bình luận thường xuyên về hành vi của bệnh nhân, hay thảo luận về bệnh nhân, hoặc các loại ảo thanh khác xuất phát từ một bộ phận nào đó của thân thể

4 Các loại hoang tưởng dai dẳng khác không thích hợp về mặt văn hóa và hoàn toàn không thể có được như tính đồng nhất về tôn giáo hay chính trị hoặc những khả năng và quyền lực siêu nhiên (ví dụ: có khả năng điều khiển thời tiết hoặc đang tiếp xúc với những người của thế giới khác).

5 Ảo giác dai dẳng bất cứ loại nào, có khi kèm theo hoang tưởng thoảng qua hay chưa hoàn chỉnh, không có nội dung cảm xúc rõ ràng hoặc kèm theo ý tưởng quá dai dẳng xuất hiện hàng ngày, trong nhiều tuần hay nhiều tháng.

6 Tư duy gián đoạn hay thêm từ khi nói, đưa đến tư duy không liên quan hay lời nói không thích hợp hay ngôn ngữ bịa đặt.

7 Tác phong căng trương lực như kích động, giữ nguyên dáng hay uốn sáp, phủ định, không nói hay sững sờ.

8 Các triệu chứng âm tính như vô cảm rõ rệt, ngôn ngữ nghèo nàn, các đáp ứng cảm xúc cùn mòn, không thích hợp thường đưa đến cách ly xã hội hay giảm sút hiệu suất lao động xã hội; phải rõ ràng là các triệu chứng trên không do trầm cảm hay thuốc an thần kinh gây ra

9 Biến đổi thường xuyên và có ý nghĩa về chất lượng toàn diện của tập tính có những biểu hiện như là mất thích thú, thiếu mục đích, lười nhác, thái độ mê mải suy nghĩ về bản thân và cách ly xã hội

Bệnh nhân được chẩn đoán tâm thần phân liệt khi có ít nhất một triệu chứng rõ ràng thuộc vào một trong các nhóm từ (1) đến (4) đã nêu.

6 phải có hai trong các nhóm từ (5) đến (9) Các triệu chứng ở trên phải tồn tại rõ ràng trong phần lớn khoảng thời gian một tháng hay lâu hơn [12]

1.5.2 Các xé t nghiệm cận lâm sàng Để chẩn đoán phân biệt tâm thần phân liệt với các chứng bệnh khác, thực hiện các xét nghiệm cơ bản như [12]:

● Xét nghiệm máu: huyết học, sinh hoá, vi sinh (HIV, VGB, VGC)

● Xét nghiệm nước tiểu, xét nghiệm tìm chất ma tuý, huyết thanh chẩn đoán giang mai, …

● Chẩn đoán hình ảnh, thăm dò chức năng

● X-quang tim phổi, siêu âm ổ bụng

● Điện não đồ, điện tâm đồ, lưu huyết não, siêu âm doppler xuyên sọ…

● Trong một số trường hợp sử dụng CT scanner sọ não, MRI sọ não…

● Các trắc nghiệm tâm lý

● Trắc nghiệm nhân cách: EPI, MMPI, trắc nghiệm tâm lý khác như BDI, Zung, HDRS, HARS, HAD, MMSE…

CƠ SỞ LÝ THUYẾT ĐIỆN NÃO ĐỒ VÀ MỐI LIÊN QUAN VỚI BỆNH TÂM THẦN PHÂN LIỆT

Điện thế màng tế bào

Khi tế bào ở trạng thái nghỉ, có sự chênh lệch điện tích giữa hai bên màng, tạo ra điện thế màng lúc nghỉ Khi màng tế bào bị kích thích, điện tích thay đổi, dẫn đến sự hình thành điện thế hoạt động, được truyền dọc theo màng.

Hình 2.1 Điện thế màng tế bào thần kinh [7]

Khi tế bào ở trạng thái nghỉ, điện thế bên trong màng tế bào âm hơn so với bên ngoài, do sự chênh lệch nồng độ ion giữa hai bên Ion có xu hướng khuếch tán từ nơi có nồng độ cao sang nơi có nồng độ thấp; ví dụ, ion Natri khuếch tán từ ngoài vào trong, trong khi ion Kali khuếch tán từ trong ra ngoài Trị số điện thế nghỉ của màng tế bào khác nhau tùy loại tế bào, chẳng hạn như ở nơron là -65 mV Điện thế hoạt động là sự thay đổi điện thế nhanh chóng khi màng tế bào bị kích thích, giúp dẫn truyền tín hiệu thần kinh Điện thế hoạt động kéo dài và trải qua nhiều giai đoạn.

Giai đoạn khử cực xảy ra khi màng tế bào bị kích thích, dẫn đến sự mở ra của các kênh Natri, cho phép các ion Na+ đi vào trong tế bào Sự chênh lệch điện tích giữa hai bên màng tế bào bị mất, làm điện thế màng trở nên bớt âm hơn Khi điện thế đạt đến -70 mV, cổng hoạt hóa của kênh Natri mở ra đột ngột, khiến ion Na+ ùa vào trong tế bào, làm điện thế tăng lên 0 mV Giai đoạn này, được gọi là khử cực, kéo dài chỉ vài phần vạn giây.

Trong giai đoạn tái cực, sau vài phần vạn giây, kênh Natri bắt đầu đóng lại, trong khi kênh Kali mở ra, cho phép ion K+ khuếch tán ra ngoài Điều này làm giảm tính dương của mặt trong màng, dẫn đến việc mặt trong trở nên âm hơn so với mặt ngoài, giống như trong trạng thái nghỉ Do đó, giai đoạn này được gọi là tái cực (repolarization) và điện thế nghỉ trở lại mức -90 mV Giai đoạn này cũng kéo dài trong vài phần vạn giây.

Giai đoạn ưu phân cực xảy ra sau giai đoạn tái cực, khi điện thế màng không chỉ trở về mức điện thế nghỉ (-90 mV) mà còn âm hơn trước khi trở lại mức bình thường Đây là lý do giai đoạn này được gọi là giai đoạn ưu phân cực.

Hình 2.2 Các giai đoạn điện thế hoạt động [6]

Kỹ thuật ghi tín hiệu điện não

Thiết bị ghi điện não đồ đang không ngừng phát triển với mục tiêu an toàn và chính xác, sử dụng cả phương pháp xâm lấn và không xâm lấn Công nghệ đã tiến bộ từ việc ghi bằng bút nhiệt trên giấy đến việc sử dụng máy tính, với số lượng điện cực tăng từ 1 lên 160 Hiện nay, có các điện cực được đặt qua lỗ khoan trên sọ não và thiết bị mũ EEG không dây, cho phép người dùng thực hiện các hoạt động hàng ngày trong khi vẫn ghi lại hoạt động điện não.

Hình 2 3 Thiết bị ghi EEG xâm lấn và không xâm lấn [9][10]

Hệ thống ghi điện não đồ hiện nay bao gồm các thành phần chính như điện cực, khối khuếch đại tín hiệu, khối hiển thị và lưu trữ kết quả Bên cạnh đó, một số máy ghi còn có các bộ phận phụ như khối ghi nhịp tim, ghi nhịp thở, đánh dấu thời gian, hệ thống đèn kích thích ánh sáng, hệ thống loa và camera ghi hình.

Hình 2 4 Sơ đồ khối hệ thống ghi EEG cơ bản [8]

Tín hiệu điện não được ghi lại từ các điện cực có biên độ rất nhỏ (chỉ từ vài µV), do đó nó rất nhạy cảm với nhiễu Vì vậy, tín hiệu thu được cần phải được xử lý qua mạch tiền khuếch đại để đảm bảo độ chính xác và độ tin cậy trong phân tích.

Mạch lọc và các phương pháp tiền xử lý được sử dụng để giảm thiểu ảnh hưởng của nhiễu lên tín hiệu Sau khi xử lý, tín hiệu từ các kênh sẽ được chuyển đến thiết bị nhận, nơi thực hiện số hóa, lưu trữ và hiển thị Trong nghiệm pháp kích thích sóng điện não, như ánh sáng ngắt quãng và âm thanh, thiết bị ghi điện não đồ sẽ đi kèm với các phần cứng như đèn flash, loa, bộ đánh dấu thời gian và camera.

2.2.2 Các vị trí đặt điện cực trên da đầu

Hệ thống 10–20 (International 10-20 system) là phương pháp phổ biến toàn cầu để xác định vị trí của các điện cực trên da đầu trong quá trình thiết lập máy ghi điện não đồ Phương pháp này dựa trên các điểm mốc trên vỏ não, giúp xác định vị trí tương đối giữa các điện cực một cách chính xác.

Hệ thống 10-20 sử dụng các điện cực được sắp xếp theo một tỷ lệ nhất định trên da đầu, đảm bảo khoảng cách giữa chúng đồng đều Các điện cực cần được đặt đối xứng ở hai bên đầu Để đạt hiệu quả tối ưu, đầu bệnh nhân phải được làm sạch và bôi chất dẫn điện, như hồ dẫn điện hoặc nước muối sinh lý, tại tất cả các vị trí đặt, nhằm giảm thiểu điện trở da đầu.

Vị trí các điện cực trên da đầu được xác định như sau:

- Bước 1: Xác định ba đường nối chính: d1 – nối hai điểm trước tai

(preauricular points); d2 – nối gốc mũi với ụ chẩm ngoài; d3 – đường chu vi của sọ kết nối hai điểm tận cùng nhất trên sọ

- Bước 2: Đường d1 và d2 giao nhau tại đỉnh sọ, được đặt là điểm Cz (C: center)

Bước 3: Các điện cực được phân chia theo tỷ lệ 10-20-20-20-20-10%, với vị trí đặt điện cực tương ứng với tỷ lệ này Thường thì, bộ 21 điện cực được coi là đầy đủ nhất.

Hình 2-5 mô tả hệ thống điện cực 10-20 với các điện cực được đặt ở vị trí

10-20-20-20-20-10% độ dài các đường d1, d2, d3 Các ký hiệu T, F, C, P, O trên hình vẽ được đặt theo các thùy não: T – Temporal lobe (thùy thái dương), F –

Thùy trán (F), đỉnh đầu (C), thùy đỉnh (P) và thùy chẩm (O) được đánh số theo quy tắc, với các chỉ số lẻ dành cho thùy trái và số chẵn cho thùy phải Các chỉ số như Cz, Pz và Fz biểu thị vị trí của điện cực trên đường d2 Chẳng hạn, T3 đại diện cho vùng thùy thái dương bên trái, trong khi T4 là vùng thùy thái dương bên phải.

Hệ thống đặt điện cực 10-20 bao gồm điện cực hoạt động và điện cực tham chiếu để ghi lại tín hiệu trên màn hình Điện cực hoạt động được đặt trên da đầu theo các vị trí quy định, trong khi điện cực tham chiếu thường chỉ có một và được sử dụng chung cho tất cả các điện cực hoạt động, thường đặt ở dái tai trái hoặc phải Tuy nhiên, việc chọn điện cực tham chiếu như vậy có thể gây ra sự chênh lệch điện giữa hai bán cầu, dẫn đến bản ghi EEG không cân xứng Để khắc phục, có thể kết nối tất cả điện cực hoạt động lại với nhau để tạo ra một điện cực trung bình, giúp tránh mất cân đối nhưng không phản ánh chính xác biên độ điện thế Phương pháp ghi đơn cực kết nối mỗi điện cực hoạt động với điện cực tham chiếu, trong khi phương pháp ghi lưỡng cực nối hai điện cực hoạt động với nhau.

Hình 2 6 Cách ghi đơn cực và ghi lưỡng cực

- Ghi đơn cực (unipolar): các điện cực nối với điện cực tham chiếu ở dái tai

- Ghi lưỡng cực (bipolar): các điện cực nối với nhau theo các chương trình khác nhau: dọc hai bán cầu, ngang hay vòng tròn quanh hai bán cầu…

Sóng điện não

Tín hiệu điện não ghi được từ thiết bị đo bao gồm hai thành phần chính: hoạt động nền và đáp ứng điện thế gợi Hoạt động nền thường chứa các tín hiệu trong nhiều dải tần số khác nhau.

Nhịp delta (δ) có tần số từ 0-4 Hz, là sóng có biên độ cao nhất và tần số thấp nhất trong các nhịp Sóng delta thường xuất hiện ở người lớn khỏe mạnh trong giai đoạn giấc ngủ sóng chậm (giai đoạn 3 và 4) và ở trẻ nhỏ dưới 1 tuổi Khi có tổn thương dưới vỏ não, nhịp delta có thể xuất hiện cục bộ, trong khi khi có tổn thương lan tràn, nó sẽ phân bố rộng khắp Sóng delta thường trội nhất ở vùng trán của người lớn.

Nhịp theta (θ) có tần số từ 4-8 Hz, được xem là bất thường khi xuất hiện ở người lớn tỉnh táo, trong khi đó lại hoàn toàn bình thường ở trẻ em dưới 13 tuổi khi ngủ Sóng theta thường xuất hiện trong các bệnh lý liên quan đến đường giữa nằm sâu (deep midline disorders) và một số trường hợp bệnh não trước như hydrocephalus.

Nhịp alpha (α) có tần số từ 8-12Hz và biên độ khoảng 50 microvolts, có thể dao động từ 5 đến 100 microvolts Sóng alpha được ghi nhận rõ nhất ở vùng chẩm, nơi xử lý tín hiệu thị giác, và thường được gọi là nhịp trội ở phía sau (posterior-dominant rhythm) Sóng này xuất hiện mạnh mẽ khi chúng ta nhắm mắt và bị triệt tiêu khi mở mắt.

Nhịp beta (β) có tần số từ 12-30 Hz và biên độ nhỏ hơn 30 microvolts, thường xuất hiện ở cả hai bên bán cầu não với sự phân bố đối xứng, đặc biệt rõ ràng ở vùng trán Sóng beta có thể bị mất hoặc suy giảm ở những vùng có tổn thương vỏ não Nhịp beta thường chiếm ưu thế ở những bệnh nhân đang trong trạng thái thức, cảnh giác hoặc lo sợ, cũng như khi họ mở mắt.

Hình 2- 7 mô tả các nhịp sóng điện não đã trình bày ở trên.

Hình 2 7 Các EEG cơ bản trong hoạt động nền của não

Khi thực hiện các điện thế kích thích thính giác, thị giác và khứu giác, não sẽ phản ứng với những kích thích tiêu chuẩn như âm thanh, ánh sáng có biên độ và tần số xác định, cũng như các sự kiện cụ thể Đáp ứng điện thế gợi (evoked electrical response) thường có cường độ nhỏ hơn 10 lần so với các hoạt động EEG nền.

Nhiễu trên điện não đồ

Tín hiệu điện não thu được từ điện cực trên da đầu có cường độ rất nhỏ, chỉ khoảng microvolts, do trở kháng cao của sọ não và da đầu, khiến cho EEG trở nên nhạy cảm với nhiễu Nhiễu trong ghi EEG có thể được phân loại thành ba loại chính: nhiễu do môi trường và nhiễu do bệnh nhân.

Nhiễu do môi trường có thể kể đến một số nguồn sau:

- Nhiễu do âm thanh, môi trường đo có nguồn âm lớn ảnh hưởng đến tín hiệu đo.

- Nhiễu do thiết bị đo được đặt gần các thiết bị điện công suất lớn (ví dụ: điều hòa, tủ lạnh, máy tính…).

Nhiễu điện lưới với tần số 50 hoặc 60Hz có thể ảnh hưởng đến kết quả đo do dòng điện xoay chiều tạo ra trường điện từ Phân tích tín hiệu trên miền tần số cho thấy sự xuất hiện của xung vọt tại các tần số 50, 100 Hz (hoặc 60).

120 Hz) Nhiễu điện lưới cóthể được loại bỏ bằng bộ lọc triệt tần tại các vị trí hài bậc 1 và bậc 2 của tần số điện lưới.

Hình 2 8 Nhiễu điện lưới 50 Hz

Nhiễu do bệnh nhân gây ra được phân thành hai loại chính: chủ động, có thể loại trừ hoặc giảm thiểu, và bị động, không thể loại trừ trong quá trình đo Một số ví dụ điển hình về nhiễu do bệnh nhân gây ra bao gồm các yếu tố như cử động, lo âu, và tình trạng sức khỏe của bệnh nhân.

Nhiễu do mồ hôi có thể làm thay đổi điện trở của da đầu, dẫn đến sự dịch chuyển của điện cực trong quá trình đo Loại nhiễu này thường có biên độ lớn và tần số nhỏ, tương tự như nhiễu trôi đường cơ sở trong tín hiệu điện tim.

Hình 2 9 Nhiễu do điện cực bị dịch chuyển

Nhiễu chớp mắt là hiện tượng chớp mắt tạo ra tín hiệu điện cơ, ảnh hưởng nghiêm trọng đến các điện cực gần mắt như Fp1 và Fp2 Nhiễu này thường xuất hiện dưới dạng xung tam giác với biên độ cao và tần số nhỏ, dễ dàng nhận thấy trên bản ghi.

- Nhiễu từ tín hiệu điện tim (ECG), tín hiệu điện mắt (EOG), tín hiệu điện cơ

Các tín hiệu điện sinh học như EMG thường chồng chéo lên dải tần của tín hiệu EEG, làm cho việc lọc bằng các bộ lọc tần số khó khăn trong việc loại bỏ hoàn toàn Tín hiệu điện tim có biên độ cao và ảnh hưởng lớn đến tín hiệu điện não, do đó, một số máy đo EEG được trang bị cả điện cực đo điện tâm đồ nhằm loại bỏ nhiễu từ điện tim trong bản ghi điện não.

Nhiễu từ các vùng não khác nhau là một thách thức trong việc đo điện não đồ (EEG) do kích thước nhỏ của hộp sọ con người Mỗi điện cực chỉ có thể ghi nhận tín hiệu từ những vùng não rất nhỏ, dẫn đến việc một điện cực có thể tiếp nhận tín hiệu từ các vùng lân cận Điều này gây ra nhiễu khó xử lý, thường cần đến các thuật toán phức tạp như phân tích thành phần độc lập (ICA) và phân tích thành phần chính (PCA) để cải thiện độ chính xác.

Hình 2 13 Loại bỏ các nhiễu trong bản ghi EEG bằng phương pháp ICA

Ưu và nhược điểm của điện não đồ so với các phương pháp chẩn đoán thần

Ngoài việc sử dụng điện não đồ để nghiên cứu và chẩn đoán chức năng não bộ, còn có một số phương pháp khác như chụp cộng hưởng từ chức năng (fMRI) và chụp cắt lớp phát xạ positron Những công nghệ này giúp cung cấp cái nhìn sâu sắc hơn về hoạt động não và hỗ trợ trong việc phát hiện các rối loạn thần kinh.

Chụp cắt lớp phát xạ positron (PET), từ tính não (MEG) và chụp cắt lớp phát xạ đơn photon (SPECT) là những phương pháp hình ảnh y học quan trọng Mặc dù độ nhạy không gian của điện não đồ (EEG) tương đối thấp, nhưng nó vẫn có nhiều ưu điểm nổi bật so với các kỹ thuật khác.

- Hệ thống ghi EEG có giá thành rẻ hơn hầu hết các phương pháp khác.

Điện não đồ (EEG) có tính linh hoạt cao và có thể thực hiện ở nhiều địa điểm khác nhau, vượt trội hơn so với các phương pháp hình ảnh khác như fMRI, SPECT, PET, MRS hoặc MEG Ví dụ, MEG yêu cầu thiết bị phức tạp với các máy dò được làm mát bằng helium lỏng, chỉ có thể sử dụng trong các phòng chuyên dụng.

Hệ thống bảo vệ bằng từ tính cho fMRI có thể tốn hàng triệu đô la, với nam châm nặng khoảng một tấn và yêu cầu phòng che chắn bảo vệ Ngược lại, thiết bị đo điện não đồ nhỏ gọn hơn và có khả năng tích hợp vào nhiều hệ thống giao tiếp não – máy tính.

- Tín hiệu EEG có độ phân giải không gian thấp nhưng độ phân giải thời gian rất cao EEG được ghi ở tần số lấy mẫu từ 250 đến 2000 Hz.

- EEG không quá nhạy cảm với chuyển động của bệnh nhân như với fMRI,

PET, MRS, SPECT hay MEG Việc giảm ảnh hưởng của nhiễu chuyển động trong dữ liệu EEG cũng đơn giản và thuận tiện.

- Hệ thống đo tín hiệu điện não không gây tiếng ồn, đó là ưu điểm lớn trong các nghiên cứu về đáp ứng âm thanh của bệnh nhân.

EEG là một phương pháp an toàn cho bệnh nhân có cấy ghép kim loại trong cơ thể, vì họ không phải tiếp xúc với từ trường mạnh (trên 1 Tesla) như trong các xét nghiệm MRI hay MRS.

- Điện não đồ là phương pháp đo không xâm lấn, do đó an toàn và giảm thiểu rủi ro cho người bệnh.

- EEG yêu cầu một số thông tin chính xác về hộp sọ của người đo ví dụ như bán kính hộp sọ, điện trở bề mặt da ở mỗi vùng, …

Tín hiệu điện não (EEG) có biên độ rất nhỏ, dễ bị nhiễu, đặc biệt khi đo từ các vùng não sâu dưới bề mặt Do đó, kết quả từ EEG có thể không chính xác bằng các phương pháp chụp quét như fMRI.

Độ phân giải không gian của EEG thấp hơn so với các phương pháp chụp ảnh não, khiến việc xác định chính xác vị trí tổn thương trong não trở nên khó khăn.

Điện não đồ có nhiều ưu điểm nổi bật cho việc chẩn đoán bệnh tâm thần phân liệt, bao gồm hệ thống linh động, không gây tiếng ồn, không xâm lấn và đảm bảo an toàn cho bệnh nhân.

Tâm thần phân liệt không chỉ là một chứng rối loạn tâm lý

Nghiên cứu về bệnh nhân tâm thần phân liệt thông qua các phương pháp tạo ảnh thần kinh đã chỉ ra những thay đổi rõ rệt về cấu trúc và chức năng não Cụ thể, các bất thường cấu trúc bao gồm giảm thể tích não, tăng kích thước các não thất bên và não thất ba, mở rộng các rãnh não, cùng với sự giảm thể tích ở các vùng chất xám Về mặt chức năng, bệnh nhân cũng cho thấy sự thay đổi trong lưu lượng máu và chất lượng hóa học của não Tạo ảnh thần kinh đã trở thành công cụ quan trọng trong việc nghiên cứu và hiểu rõ hơn về bệnh lý này.

Nghiên cứu đã chỉ ra rằng bệnh nhân tâm thần phân liệt có sự giảm đáng kể về thể tích mô não, cho thấy đây là một bệnh lý não hơn là chỉ đơn thuần là rối loạn tâm lý hay sinh hóa Kiểm tra mật độ thụ thể và các thông số động lực liên quan đến giải phóng dopamine, một chất dẫn truyền thần kinh, đã được thực hiện Hình ảnh chức năng thần kinh tại thùy trước trán và thùy thái dương cho thấy mối liên hệ rõ ràng giữa hoạt động ở những khu vực này với biểu hiện lâm sàng của bệnh tâm thần phân liệt.

Hình 2 14 Thể tích não giảm ở bệnh nhân tâm thần phân liệt

Hình 2-14 cho thấy thể tích não giảm mạnh ở bệnh nhân tâm thần phân liệt, với mọi lứa tuổi.

Những bất thường trong EEG của bệnh nhân tâm thần phân liệt

Một số bất thường trong tín hiệu điện não có thể giải thích triệu chứng ảo giác ở bệnh nhân tâm thần phân liệt Sự giảm kết nối giữa các vùng vận động và cảm giác gây ra hiện tượng ảo giác, và bất kỳ gián đoạn nào trong kết nối này đều có thể dẫn đến giao tiếp vận động-cảm giác không hiệu quả Điều này khiến bệnh nhân gặp khó khăn trong việc phân biệt các kích thích nội sinh và kích thích từ bên ngoài.

Nghiên cứu cho thấy bệnh nhân tâm thần phân liệt có sự gia tăng đáng kể sóng chậm trong bản ghi tín hiệu điện não, đặc biệt là sóng delta ở thùy trán Một số nghiên cứu khác cũng phát hiện bất thường về điện não đồ ở các vùng phía sau của não.

Giải thích tín hiệu điện não bất thường ở thùy đỉnh và thùy thái dương bệnh nhân tâm thần phân liệt

Sự giảm kết nối giữa các vùng vận động và cảm giác góp phần gây ra triệu chứng ảo giác dương tính ở bệnh nhân tâm thần phân liệt Dựa vào chức năng, cấu trúc và cách sắp xếp của các tế bào thần kinh, đại não được chia thành các thùy với các chức năng chính khác nhau, trong đó trung tâm phản xạ có điều kiện đóng vai trò quan trọng.

Vùng cảm giác thân thể nằm tại thùy đỉnh, sau rãnh trung tâm, trong khi thùy trán đóng vai trò quan trọng trong việc so sánh, xử lý và tổng hợp thông tin cũng như thực hiện các hành động có ý thức của con người Tín hiệu điện não bất thường tại thùy đỉnh và thùy thái dương có thể chỉ ra sự gián đoạn trong kết nối giữa vùng vận động và cảm giác Mỗi hành động cơ thể bắt đầu bằng việc truyền một bản dự đoán kế hoạch hành động từ vùng trước trán đến vỏ não cảm giác, với cảm giác dự kiến được gọi là “efference copy” và cảm giác thực tế khi hành động diễn ra là “tái khẳng định cảm giác” Não bộ loại trừ cảm giác dự kiến khỏi cảm giác thực tế, dẫn đến sự triệt tiêu nhận thức giác quan trong quá trình thực hiện hành động Nghiên cứu cho thấy khi một vận động bắt đầu, phản hồi cảm giác dự kiến sẽ được so sánh với phản hồi cảm giác thực tế; nếu không có sự khác biệt, không có lệnh điều chỉnh nào được phát ra, nhưng nếu có sự thay đổi, não bộ sẽ xác định nguyên nhân của sự khác biệt đó.

Hình 2 15 Mô hình điều chỉnh các lệnh vận động của não

Nhiều bệnh nhân không nhận ra rằng hành động và suy nghĩ của họ khác với ý định của mình, điều này phù hợp với giả thuyết về "efference copy" bị lỗi (Blakemore et al., 2002; Frith et al., 2000) Bằng chứng cho thấy sự lỗi của "efference copy" liên quan chặt chẽ đến ảo giác và ảo tưởng, đặc biệt là ở bệnh nhân tâm thần phân liệt.

Giả thuyết "reference copy" bị lỗi giải thích hiện tượng mất kết nối giữa vùng não vận động tại thùy thái dương và vùng não cảm giác tại thùy đỉnh, dẫn đến triệu chứng ảo giác ở bệnh nhân tâm thần phân liệt Điều này cũng giúp làm sáng tỏ nguyên nhân của các bất thường trong tín hiệu điện não tại thùy đỉnh và thùy thái dương ở những bệnh nhân này.

CHƯƠNG 3 HỆ THỐNG PHÁT HIỆN TÂM THẦN PHÂN LIỆT DỰA

Tín hiệu điện não được thu thập và xử lý để nghiên cứu các bệnh lý não và hỗ trợ bác sĩ trong chẩn đoán Hệ thống cần phân biệt chính xác giữa tín hiệu của người bệnh và người khỏe mạnh, nhằm nâng cao độ chính xác trong quá trình chẩn đoán.

Mô hình hệ thống như sau:

Hình 3 1 Mô hình hệ thống phân loại tín hiệu điện não

Bài toán phát hiện bệnh nhân tâm thần phân liệt thể paranoid sử dụng tín hiệu điện não với mô hình hệ thống tương tự Dữ liệu đầu vào bao gồm tín hiệu điện não của các đối tượng khỏe mạnh và bệnh nhân tâm thần phân liệt, sau khi đã được tiền xử lý để loại bỏ nhiễu Tín hiệu sạch sẽ được phân tích để tính toán các đặc trưng, từ đó xây dựng bộ đặc trưng cho bộ phân loại dựa trên machine learning Sơ đồ khối hệ thống phát hiện tâm thần phân liệt được trình bày trong hình 3-2.

Hình 3 2 Sơ đồ khối hệ thống phát hiện tâm thần phân liệt

Mục tiêu của nghiên cứu là xác định các đặc trưng điện não của bệnh nhân tâm thần phân liệt thông qua quy trình được mô tả trong sơ đồ khối hình 3-3 Sau khi tiền xử lý và loại bỏ nhiễu, tín hiệu điện não từ cả đối tượng khỏe mạnh và bệnh nhân sẽ được phân tích để xây dựng bộ đặc trưng phục vụ cho phân loại bằng machine learning Những đặc trưng mang lại độ chính xác phân loại cao sẽ được chọn lọc để tạo ra bộ đặc trưng tối ưu nhất.

Hình 3 3 Sơ đồ khối các bước lựa chọn đặc trưng cho hệ thống phát hiện bệnh tâm thần phân liệt

Nội dung bài viết này tập trung vào phương pháp tính toán và ý nghĩa của các đặc trưng điện não, dựa trên nghiên cứu của nhóm EEG & Rehabilitation Lab Nghiên cứu này được trích dẫn trong đề tài "Phát hiện chứng tâm thần phân liệt dựa trên tín hiệu điện não sử dụng Support Vector Machine".

Tiền xử lý tín hiệu điện não

Trước khi trích xuất đặc trưng và áp dụng vào mô hình phân loại để dự đoán tín hiệu điện não của bệnh nhân tâm thần, tín hiệu điện não cần được tiền xử lý.

Việc tiền xử lý tín hiệu EEG là cần thiết để tách biệt tín hiệu có ích khỏi các nhiễu khác như nhiễu trắng, tín hiệu điện tim, điện mắt và điện cơ Do các tín hiệu này có phổ tần trùng nhau, việc sử dụng bộ lọc số không hiệu quả Do đó, cần áp dụng các phương pháp thống kê để phân tách các nguồn tín hiệu ban đầu.

Khi tín hiệu quan sát được là sự kết hợp của nhiều nguồn tín hiệu ở các tần số khác nhau, việc sử dụng bộ lọc số giúp tách biệt các nguồn này Tuy nhiên, khi các nguồn tín hiệu có phổ tần trùng lặp, việc phân tách trở nên khó khăn hơn Trong trường hợp này, việc áp dụng các phương pháp thống kê như phân tích thành phần độc lập đã chứng minh hiệu quả trong việc tách rời các nguồn tín hiệu ban đầu.

Tín hiệu điện não có đặc điểm tần số trùng với các tín hiệu nội sinh khác như tín hiệu điện mắt, điện tim và điện cơ, do đó việc sử dụng bộ lọc số để loại bỏ nhiễu là không khả thi Do đó, việc áp dụng phương pháp phân tích thành phần độc lập là cần thiết để loại bỏ các tín hiệu gây nhiễu này.

Hình 3 4 Phổ tần các tín hiệu y sinh [45]

ICA là một thuật toán dùng để phân tách tín hiệu đa biến thành các thành phần độc lập, dựa trên giả định rằng các nguồn tín hiệu không tuân theo phân phối Gaussian và có tính độc lập thống kê Quá trình phân tích thành phần độc lập (ICA) giúp giảm thiểu sự phụ thuộc thống kê giữa các thành phần của vectơ ngẫu nhiên.

Phân tích thành phần độc lập (ICA) được áp dụng để đánh giá các nguồn tín hiệu ban đầu chỉ dựa trên tín hiệu thu được, mà không cần biết đặc tính của hàm truyền đạt của hệ thống Bài viết này sẽ trình bày mô hình toán học liên quan đến vấn đề phân tách thành phần độc lập.

Giả sử ta quan sát n tổ hợp tuyến tính 𝑥𝑥 1 , 𝑥𝑥 2 , …, 𝑥𝑥 𝑛𝑛 của n thành phần độc 𝑠𝑠 1 ,

𝑠𝑠2, …, 𝑠𝑠𝑛𝑛, chẳng hạn như các tín hiệu thu được từ micro trong một hội thảo Bỏ tham số thời gian ta có:

𝑥𝑥 𝑖𝑖 = 𝑎𝑎 𝑖𝑖1 𝑠𝑠 1 + 𝑎𝑎 𝑖𝑖2 𝑠𝑠 2 + 𝑎𝑎 𝑖𝑖3 𝑠𝑠 3 + … +𝑎𝑎 𝑖𝑖𝑛𝑛 𝑠𝑠 𝑛𝑛 Với 𝑥𝑥𝑖𝑖, 𝑠𝑠1, 𝑠𝑠2, … đều là hàm của tham số thời gian t và 𝑎𝑎𝑖𝑖𝑖𝑖, i, j = 1, …, n là các hệ số thực Định nghĩa x = (𝑥𝑥 1 ,𝑥𝑥 2 , … ,𝑥𝑥 𝑛𝑛 ) 𝑇𝑇 là véc tơ ngẫu nhiên chứa các phần tử

𝑥𝑥 1 , 𝑥𝑥 2 , …, 𝑥𝑥 𝑛𝑛 (các tín hiệu thu được/ tín hiệu quan sát được) và s =

Véc tơ ngẫu nhiên \( (s_1, s_2, \ldots, s_n)^T \) bao gồm các phần tử \( s_1, s_2, \ldots, s_n \) được gọi là tín hiệu nguồn Ma trận \( A \) với các phần tử \( a_{ij} \) được biết đến như ma trận trộn, thể hiện đặc tính truyền đạt của kênh truyền Tất cả các vectơ được biểu diễn dưới dạng vectơ cột, và mô hình trộn được thể hiện qua phương trình \( x = As \).

Mô hình ICA, hay còn gọi là mô hình sinh, mô tả cách mà dữ liệu quan sát được hình thành từ sự kết hợp của các thành phần độc lập Chúng ta chỉ có thể quan sát véc tơ ngẫu nhiên x và cần phải ước lượng ma trận trộn A cùng với các thành phần độc lập s thông qua việc phân tích các vectơ ngẫu nhiên này.

Mô hình ICA giải quyết bài toán x=As bằng phương pháp thống kê, ước lượng vectơ y = Wx với W là ma trận tách và y là tín hiệu khôi phục Phương pháp này dựa trên giả thiết rằng các nguồn tín hiệu gốc là độc lập thống kê Để đơn giản hóa mô hình ICA và tăng khả năng tính toán, cần chấp nhận một số giả định và giới hạn nhất định.

- Các nguồn tín hiệu là độc lập thống kê

- Các thành phần độc lập là non-Gaussian

Để đơn giản hóa, giả sử ma trận trộn là ma trận vuông, với số nguồn tín hiệu độc lập bằng số tín hiệu quan sát được Để đo lường tính độc lập giữa các tín hiệu khôi phục 𝑦𝑦𝑖𝑖, có thể áp dụng nhiều phương pháp khác nhau, bao gồm tính non-Gauss, thông tin hỗ tương (mutual information) và tính phi tương quan phi tuyến (nonlinear decorrelation).

Trước khi áp dụng thuật toán ICA cần thực hiện một số bước tiền xử lý:

Tín hiệu thực tế thu được luôn có thành phần nhiễu n, đa số là nhiễu trắng có phân bố Gauss: x=∑ 𝑛𝑛 𝑖𝑖=1 𝑎𝑎 𝑖𝑖 𝑠𝑠 𝑖𝑖 + n

Quy tâm là phương pháp hiệu quả để loại bỏ nhiễu trắng và đơn giản hóa bài toán Quy trình này được thực hiện bằng cách trừ đi giá trị trung bình của vector dữ liệu E{𝑥𝑥} từ tín hiệu thu được.

Tín hiệu 𝑥𝑥 ′ thu được đã quan tâm, E{x} là trị trung bình của vectơ dữ liệu x Vectơ x được gọi là đã quy tâm khi có trị trung bình bằng không.

Whitening transformation là một phép biến đổi tuyến tính trong thống kê, nhằm chuyển đổi vector ngẫu nhiên với ma trận hiệp phương sai đã biết thành một tập biến ngẫu nhiên mới có ma trận hiệp phương sai là ma trận đơn vị Điều này có nghĩa là quá trình trắng hóa sẽ biến đổi một tập biến ngẫu nhiên có tương quan thành một tập biến ngẫu nhiên mới không có tương quan và có phương sai bằng một.

ICA trở nên dễ dàng hơn khi tín hiệu quan sát được trắng hóa Một vector ngẫu nhiên z = (𝑧𝑧 1 ,𝑧𝑧 2 , … ,𝑧𝑧 𝑛𝑛 ) được coi là trắng hóa khi các vectơ phần tử 𝑧𝑧𝑖𝑖 không tương quan và có phương sai đơn vị.

Quá trình trắng hóa là một phép biến đổi tuyến tính, được biểu diễn bằng công thức z = V𝑥𝑥 ′, trong đó 𝑥𝑥 ′ là dữ liệu cần trắng hóa, V là ma trận trắng hóa, và z là dữ liệu đã trắng hóa Sau khi thực hiện quy trình này, dữ liệu 𝑥𝑥 ′ sẽ có trị trung bình bằng 0, giúp cải thiện chất lượng và tính chính xác của các phân tích dữ liệu tiếp theo.

Ma trận D là ma trận đường chéo chứa các trị riêng, trong khi ma trận E là ma trận trực giao của các vectơ riêng Ma trận V được tính toán thông qua việc triển khai trị riêng (EVD - Eigenvalue Decomposition) của ma trận hiệp phương sai.

V = 𝑅𝑅 𝑥𝑥 ′ 𝑥𝑥 ′ − 1 2 𝐸𝐸 𝑇𝑇 = 𝐷𝐷 − 1 2 𝐸𝐸 𝑇𝑇 Đặt 𝐴𝐴̃=VA, suy ra z = Vx = VAs = 𝐴𝐴̃s Có:

Như vậy, 𝐴𝐴̃là một ma trận trực giao

Các đặc trưng điện não

3.2.1 Đặc trưng Entropy hoán vị

Entropy (entropy của Shannon) đo lường mức độ hỗn loạn trong tín hiệu của một sự kiện ngẫu nhiên, đồng thời chỉ ra lượng thông tin chứa đựng trong tín hiệu, với thông tin là các phần không hỗn loạn Nếu biến ngẫu nhiên X có tập giá trị mẫu x(i), Shannon entropy của biến ngẫu nhiên này có thể được tính theo một công thức cụ thể.

H= -∑ 𝑛𝑛 𝑖𝑖=1 𝑝𝑝𝑖𝑖.𝑙𝑙𝑙𝑙𝑙𝑙(𝑝𝑝𝑖𝑖) (1) Trong đó: n là tổng số các giá trị có thể nhận của tín hiệu. i là giá trị rời rạc thứ i p(i) là xác suất xuất hiện của giá trị i

Entropy là thước đo cho sự hỗn độn, độ bất định và độ phức tạp của thông tin Khi thông tin trở nên phức tạp hơn, giá trị entropy cũng tăng lên Nó rất nhạy cảm với những thay đổi nhỏ trong xác suất; khi hai phân bố trở nên tương đồng, giá trị entropy của chúng cũng sẽ tương tự nhau, và ngược lại.

Giả sử biến ngẫu nhiên S có tập giá trị mẫu s(t) với phân phối liên tục, điều này có nghĩa là các giá trị giống nhau s(t) = s(t*) (t ≠ t*) là rất hiếm Để tính toán Entropy hoán vị của chuỗi, bước đầu tiên là lựa chọn số chiều.

D và độ trễ τ, thông thường D và τ rất nhỏ so với T (số mẫu) Theo Amigó và cộng sự (2007), với chuỗi dữ liệu bình thường, D thường nhận các giá trị 3,4,5,6,7 Với

28 số chiều là D, có tất cả D! hoán vị có thể có Các hoán vị này được ký hiệu là 𝜋𝜋 𝑖𝑖 , i= 1, 2, , D! [48]

Tại vị trí m bất kỳ của chuỗi S với 1≤ 𝑚𝑚 ≤ 𝑇𝑇 −(𝐷𝐷 −1)𝜏𝜏, chọn ra một bộ gồm m phần tử với khoảng cách giữa các phần tử là τ:

Trong bài viết này, chúng ta xem xét tập hợp 𝑆𝑆𝑚𝑚 = {𝑠𝑠𝑚𝑚, 𝑠𝑠𝑚𝑚+1, , 𝑠𝑠𝑚𝑚+(𝐷𝐷−1)𝜏𝜏} Trật tự sắp xếp của các phần tử trong 𝑆𝑆𝑚𝑚 sẽ xác định vị trí của nó trong chuỗi hoán vị 𝜋𝜋𝑖𝑖, với i = 1, 2, , D! Khi duyệt qua chuỗi từ đầu đến cuối, giá trị của m sẽ lần lượt thay đổi từ 1 đến T–(D–1)𝜏𝜏, tạo ra từng hoán vị khác nhau.

𝜋𝜋 𝑖𝑖 , i = 1, 2, …, D! sẽ được đếm số lần xuất hiện.

Xác suất xuất hiện của hoán vị 𝜋𝜋𝑖𝑖, với i = 1, 2, …, D! được ký hiệu là p(𝜋𝜋𝑖𝑖), thể hiện tỷ lệ số lần hoán vị 𝜋𝜋𝑖𝑖 xuất hiện so với tổng số lần xuất hiện của các hoán vị, được tính bằng T – D + 1 Entropy của hoán vị được tính toán dựa trên xác suất này.

𝑃𝑃𝐸𝐸𝐷𝐷= -∑ 𝐷𝐷! 𝑖𝑖=1 𝑝𝑝(𝜋𝜋𝑖𝑖)𝑙𝑙𝑙𝑙𝑙𝑙2𝑝𝑝(𝜋𝜋𝑖𝑖) Entropy hoán vị chuẩn hóa được bằng cách chia entropy hoán vị vừa tính cho giá trị lớn nhất, 𝑃𝑃𝐸𝐸 𝑚𝑚𝑚𝑚𝑥𝑥 =𝑙𝑙𝑙𝑙𝑙𝑙 2 𝐷𝐷! Khi đó, Entropy chuẩn hóa là:

Sau khi chuẩn hóa, giá trị của PPE nm nằm trong khoảng 0 < PPE nm < 1 Giá trị nhỏ nhất PPE nm = 0 đạt được khi chuỗi S(t) có các phần tử biến động theo chiều tăng dần hoặc giảm dần đều, dẫn đến chỉ có một hoán vị duy nhất Ngược lại, giá trị lớn nhất PPE nm = 1 xảy ra khi tất cả các hoán vị có xác suất bằng nhau, điều này thường xảy ra trong chuỗi ngẫu nhiên thuần túy, nơi mọi hình mẫu đều có cơ hội xuất hiện như nhau.

Xét ví dụ minh họa được Bandt and Pompe (2002) đưa ra như sau:

- Bước đầu tiên là phân vùng chuỗi một chiều thành ma trận các vectơ cột overlapping Việc phân vùng này sử dụng hai hyperparameters:

Bảng 3.1.Các tham số của entropy hoán vị

Mô tả Độ trễ (embedding time delay): các khoảng giữa các phần tử của mỗi vectơ cột mới

Số chiều (embedding dimension): độ dài của mỗi vectơ cột mới Phạm vi hợp lệ Số nguyên dương Mọi số lớn hơn 1

Theo Band và Pompe (2002), cho các mục đích thực tế, giá trị D nên nằm trong khoảng từ 3 đến 7 với τ = 1 Tuy nhiên, có thể lựa chọn các giá trị τ khác nhau tùy thuộc vào ứng dụng và loại biến ngẫu nhiên đang được nghiên cứu.

Giả sử chọn D=3, 𝜏𝜏=1 thì mẫu dữ liệu S(t) được phân thành như sau:

Mỗi cột có 3 phần tử vì D được chọn bằng 3 Khoảng cách giữa các vectơ cột là một vì τ được chọn bằng 1.

Số hàng được tạo ra là T - (D-1)𝜏𝜏với T là số phần tử trong chuỗi S(t) Ma trận trên có 7-1×(3-1) = 5 hàng

- Tìm các mẫu thứ tự (Ordinal Patterns)

Sau khi thực hiện phân vùng chuỗi thời gian một chiều, các vectơ D-chiều trong ma trận sẽ được ánh xạ thành các hoán vị duy nhất, tương ứng với thứ tự sắp xếp của dữ liệu.

Với ví dụ trên có tổng số 3! = 6 hoán vị có thể có khác nhau (ordinal patterns);

Các hoán vị phân vùng gán giá trị cho từng vectơ dựa trên thứ tự của các giá trị trong vectơ đó Chẳng hạn, hãy xem xét vectơ 3 chiều đầu tiên trong ma trận đã nêu.

Hoán vị của vectơ này là 𝜋𝜋1= {0, 1, 2}bởi vì 4< 7< 9 Do đó, đối với dữ liệu ví dụ trên, ma trận hoán vị là:

Nếu một vectơ đầu vào chứa hai hoặc nhiều phần tử có cùng giá trị, thứ hạng được xác định theo thứ tự của chúng trong chuỗi S(t).

- Tính toán tần số tương đối (Relative Frequencies):

Tần số tương đối của mỗi hoán vị được tính bằng cách đếm số lần hoán vị xuất hiện trong chuỗi chia cho tổng số chuỗi.

Bảng 3.2.Các hoán vị và xác suất tương ứng

Hoán vị Số lần xuất hiện 𝑝𝑝 𝑖𝑖

- Tính toán Entropy hoán vị (PE):

Cuối cùng, các xác suất trước đó được sử dụng để tính entropy hoán vị bậc D của chuỗi, xác định bởi:

Tiếp tục với ví dụ trên, D=3:

Phép đo entropy hoán vị được chuẩn hóa theo công thức sau:

Nhận giá trị trong khoảng từ 0 đến 1 Với ví dụ trên:

2 3!1,5219= 0,5887 𝑃𝑃𝐸𝐸𝐷𝐷,𝑛𝑛𝑛𝑛𝑛𝑛𝑚𝑚 càng nhỏ thì chuỗi càng đều đặn và xác định Ngược lại, 𝑃𝑃𝐸𝐸𝐷𝐷,𝑛𝑛𝑛𝑛𝑛𝑛𝑚𝑚 càng gần 1, chuỗi càng bất thường và ngẫu nhiên.

Trong một ví dụ với 7 dữ liệu bất thường trong chuỗi, nếu mỗi phân vùng thuộc về một nhóm hoán vị khác nhau, thì giá trị PE chuẩn hóa sẽ được tính là 𝑃𝑃𝐸𝐸 3 = −1.

5) +1/5𝑙𝑙𝑙𝑙𝑙𝑙 2 (1/5)) ≈0,898 Ngược lại, nếu các giá trị trong chuỗi hoàn toàn giống nhau, mỗi phân vùng thuộc cùng một nhóm hoán vị Trong trường hợp này, PE chuẩn hóa là:

Tham số Hjorth là phương pháp phân tích thuộc tính thống kê của tín hiệu trong miền thời gian, bao gồm ba loại tham số chính: độ hoạt động (Hjorth activity), tính di động (Hjorth mobility) và độ phức tạp (Hjorth complexity).

Hoạt động Hjorth là một chỉ số đo lường độ biến động của tín hiệu, được xác định bằng bình phương độ lệch chuẩn của biên độ, hay còn gọi là phương sai hoặc công suất trung bình Giá trị của hoạt động này có thể lớn hoặc nhỏ, tùy thuộc vào sự hiện diện của các thành phần tần số cao trong tín hiệu.

Phương sai của biến ngẫu nhiên Y được xác định bởi công thức Var(Y) = E[(Y - μ)²], trong đó E[] là hàm kỳ vọng và μ = E[X] là giá trị kỳ vọng của biến ngẫu nhiên X Đối với biến ngẫu nhiên rời rạc X với các giá trị y₁, y₂, , có xác suất tương ứng p₁, p₂, , hàm kỳ vọng có thể được tính thông qua tổng các giá trị nhân với xác suất của chúng.

Tính di động được hiểu là căn bậc hai của tỉ số giữa phương sai của đạo hàm bậc nhất của tín hiệu và phương sai của tín hiệu Tham số này có mối quan hệ tỉ lệ với độ lệch chuẩn của phổ công suất.

Tham số độ phức tạp đo lường mức độ tương đồng giữa tín hiệu và sóng hình sin thuần túy Khi hình dạng tín hiệu càng gần với sóng hình sin, giá trị độ phức tạp sẽ hội tụ về 1.

Học máy và các bộ phân loại

Học máy (Machine Learning) là một nhánh của khoa học máy tính cho phép máy tính tự học mà không cần lập trình cụ thể Các hệ thống học máy có khả năng tự động cải thiện từ kinh nghiệm Phân loại (classification) là một trong những bài toán cơ bản và phổ biến trong học máy, được ứng dụng rộng rãi trong các lĩnh vực như tín dụng, tiếp thị và chẩn đoán y tế Một ví dụ điển hình về ứng dụng này là việc phân loại thư rác và phát hiện bệnh nhân tâm thần phân liệt.

Ứng dụng của thuật toán phân loại trong chẩn đoán y tế bao gồm việc phát hiện tâm thần phân liệt dựa vào tín hiệu EEG Dữ liệu đầu vào bao gồm các đặc trưng từ tín hiệu điện não của cả người khỏe mạnh và bệnh nhân tâm thần phân liệt, được gán nhãn lớp tương ứng; 1 cho bệnh nhân (dương tính) và 0 cho người khỏe mạnh (âm tính) Với chỉ hai nhãn lớp này, bài toán trở thành phân loại nhị phân.

Các giải thuật học máy được chia thành hai loại chính: học có giám sát và học không giám sát, tùy thuộc vào cách sử dụng dữ liệu đầu vào.

Học có giám sát (Supervised Learning) là phương pháp chủ yếu trong các ứng dụng học máy thực tế, trong đó dữ liệu đầu vào được gán nhãn để suy luận mối quan hệ giữa đầu vào và đầu ra Mục tiêu của phương pháp này là xây dựng hàm ánh xạ từ dữ liệu đầu vào đến dữ liệu đầu ra, nhằm dự đoán các biến đầu ra cho dữ liệu đầu vào mới Các bộ dữ liệu bao gồm dữ liệu và nhãn được gọi là dữ liệu huấn luyện, và học có giám sát sử dụng các tập huấn luyện này để đưa ra dự đoán cho đầu vào mới, chẳng hạn như phân loại email rác hoặc dự đoán giá nhà.

Học không giám sát (Unsupervised Learning) là phương pháp học máy sử dụng dữ liệu chưa được gán nhãn để rút ra những suy luận và mẫu từ tập dữ liệu Phương pháp này thường được áp dụng để tìm kiếm và phân cụm các nhóm trong dữ liệu, giúp hiểu rõ hơn về cấu trúc và mối quan hệ giữa các đối tượng.

Bài toán phát hiện chứng tâm thần phân liệt thể Paranoid sử dụng phương pháp học có giám sát, với đầu vào là các cặp dữ liệu điện não và nhãn, phân biệt giữa bệnh nhân và đối chứng khỏe mạnh.

3.3.2 Các tập dữ liệu trong học máy

Quá trình xây dựng mô hình học máy bao gồm các bước chính như thu thập, làm sạch và chuẩn hóa dữ liệu, tính toán các đặc trưng cho từng nhóm đối tượng, xây dựng các mô hình học máy phù hợp với yêu cầu cụ thể, và cuối cùng là đánh giá mô hình dựa trên các thông số nhất định.

Để xây dựng mô hình học máy hiệu quả, dữ liệu được chia thành ba phần: tập huấn luyện (training data), tập xác thực (validation) và tập kiểm tra (testing data) Tập huấn luyện được sử dụng để huấn luyện mô hình, sau đó mô hình sẽ được đánh giá trên tập xác thực để điều chỉnh các hyperparameter Mô hình cuối cùng sẽ được kiểm tra bằng tập kiểm tra; nếu đạt yêu cầu, nó có thể được triển khai, ngược lại, cần điều chỉnh hyperparameter hoặc thay đổi thuật toán Việc so sánh các mô hình phải dựa trên dữ liệu mới, chưa được sử dụng trong quá trình huấn luyện, với tập xác thực giúp tối ưu hóa tham số và tập kiểm tra đánh giá hiệu suất của mô hình.

Hình 3.7.Training data, validation data và testing data

3.3.3 Các tham số đánh giá mô hình

Đánh giá tính khả thi và ứng dụng của mô hình phân loại dựa trên một số tham số quan trọng Các dữ liệu dự đoán từ mô hình học máy có thể thuộc vào các trường hợp được nêu trong Bảng 3-4.

Bảng 3.3.Các kết quả phân lớp

Thực tế Dự đoán Positive Negative

Positive True positive (TP) False negative (FN)

Negative False positive (FP) True negative (TN)

- True positive: cả thực tế và kết quả dự đoán đều là positive.

- True negative: cả thực tế và kết quả dự đoán đều là negative.

- False positive: thực tế là negative nhưng mô hình dự đoán là positive.

- False negative: thực tế là positive nhưng mô hình dự đoán là negative

Bài toán phân loại lý tưởng chỉ bao gồm các trường hợp đúng (TP) và sai (TN), không có mẫu nào bị phân loại sai (FP và FN), dẫn đến mô hình dự đoán hoàn toàn chính xác Tuy nhiên, trong thực tế, điều này rất khó đạt được, đặc biệt là khi làm việc với dữ liệu phức tạp Một mô hình phân loại tốt cần có tỷ lệ FP và FN thấp, đặc biệt trong các bài toán y tế, nơi yêu cầu tỷ lệ FN phải rất nhỏ để không bỏ sót các trường hợp dương tính.

Accuracy là độ chính xác trong phân loại của mô hình Công thức tính Accuracy:

Khi số lượng mẫu không cân bằng, chẳng hạn như khi tổng số mẫu dương tính chỉ chiếm 0.01%, một mô hình dự đoán tất cả kết quả là âm sẽ có độ chính xác (Accuracy) lên tới 99.9% Tuy nhiên, độ chính xác cao không đồng nghĩa với việc mô hình đó tốt Do đó, cần sử dụng các chỉ số như Precision, Recall và F1 score để đánh giá hiệu quả của mô hình một cách chính xác hơn.

Precision là tỷ lệ số mẫu được dự đoán dương tính là đúng trên tổng số mẫu được dự đoán là dương tính.

Recall là tỷ lệ số mẫu được dự đoán dương tính là đúng trên tổng số mẫu thực tế là dương tính.

F1 score là tham số kết hợp giữa Precision và Recall:

𝑃𝑃𝑟𝑟𝑃𝑃𝐴𝐴𝑖𝑖𝑠𝑠𝑖𝑖𝑙𝑙𝑛𝑛+𝑅𝑅𝑃𝑃𝐴𝐴𝑎𝑎𝑙𝑙𝑙𝑙 F1 càng tiệm cận 1 thì mô hình có Precision và Recall càng cao (gần 1), cho thấy đó là một mô hình dự đoán tốt và ngược lại [40].

AUC (Area under the ROC curve)

Đường ROC phụ thuộc vào tỷ lệ True Positive và True Negative; khi hai tỷ lệ này tăng lên, đường ROC sẽ càng cong, dẫn đến việc mở rộng diện tích dưới đường.

Mô hình phân loại tốt có chỉ số AUC (Diện tích dưới đường ROC) lớn Hình 3-8 minh họa đường ROC màu đỏ, với AUC tương ứng là diện tích màu vàng nằm dưới đường ROC.

Hình 3 8.Area under the ROC curve (AUC)

3.3.4 Một số bộ phân loại

In classification tasks, numerous classifiers exhibit varying algorithms, applications, and performance levels For binary classification problems, effective algorithms include Support Vector Machine, Decision Tree, K-Nearest Neighbor, and Naive Bayes.

Con người thường đưa ra quyết định thông qua quá trình quan sát, suy nghĩ và đặt câu hỏi Tương tự, trong học máy, mô hình cây quyết định (Decision Tree) cũng được xây dựng dựa trên các câu hỏi nhằm hỗ trợ quá trình ra quyết định.

KẾT QUẢ NGHIÊN CỨU TỪ BỘ DỮ LIỆU “EEG IN SCHIZOPHRENIA”