Ứng dụng máy học vector hỗ trợ SVM trong dự đoán cơn động kinh

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 39 
ỨNG DỤNG MÁY HỌC VECTOR HỖ TRỢ SVM TRONG DỰ ĐOÁN CƠN ĐỘNG KINH 
A METHOD BASED ON SVM TO PREDICT EPILEPTIC SEIZURES 
Nguyễn Văn Sơn1*, Vương Hoàng Nam2, Đào Xuân Phúc1, Vũ Duy Thuận3 
1Trường Đại học Mở Hà Nội, 2Trường Đại học Bách khoa Hà Nội, 3Trường Đại học Điện lực 
Ngày nhận bài: 11/10/2019, Ngày chấp nhận đăng: 25/12/2019, Phản biện: TS. Nguyễn Hữu Phát 
Tóm tắt: 
Bệnh động kinh được xem là căn bệnh liên quan đến rối loạn trong não phổ biến thứ hai và ảnh 
hưởng đến khoảng 1% dân số thế giới. Đặc trưng của động kinh là sự xuất hiện bất chợt và mất 
kiểm soát của cơn co giật (cơn động kinh). Trong bài báo này, chúng tôi đề xuất một phương pháp 
sử dụng máy học vector hỗ trợ SVM (Support Vector Machine) để dự đoán cơn động kinh dựa trên 
các bản ghi tín hiệu điện não đồ EEG (Electroencephalography). Phương pháp này sử dụng các đặc 
trưng đơn biến của tín hiệu EEG nhằm phân loại bốn trạng thái tín hiệu EEG (bình thường, tiền động 
kinh, động kinh và sau động kinh). Việc dự đoán chính xác cơn động kinh phụ thuộc vào khả năng 
nhận dạng/phân biệt trạng thái tiền động kinh (pre-ictal) với ba trạng thái còn lại. Các kết quả mô 
phỏng với cơ sở dữ liệu động kinh của Đại học Freiburg cho thấy tính hữu dụng của phương pháp 
đề xuất. 
Từ khóa: 
Máy học vector hỗ trợ (SVM), dự đoán cơn động kinh, tín hiệu điện não đồ (EEG). 
Abstract: 
Epilepsy is the second most common brain disorder and affects approximately 1% of the world’s 
population. Epilepsy is characterized by the occurrence of unforeseenable and uncontrollable 
seizures. In this paper, we propose a method based on SVM (Support Vector Machine) to predict 
epileptic seizures using EEG (Electroencephalography) recordings. In this method, univariate features 
are used to classify four states of EEG (inter-ictal, pre-ictal, ictal and post-ictal). Seizure forecasting 
requires the ability to reliably identify a pre-ictal state that can be differentiated from the inter-ictal, 
ictal, and post-ictal state. Computer simulation experiments with the Freiburg EEG database show 
the utility of the proposed method. 
Keywords: 
Torque constant; permanent magnet synchronous machine, state estimation, nonlinear observation, 
parameter identification. 
1. GIỚI THIỆU 
Động kinh là một bệnh mãn tính, do nhiều 
nguyên nhân khác nhau gây ra, đặc trưng 
là sự lặp đi lặp lại của các cơn do sự 
phóng điện quá mức, đồng thời của các tế 
bào thần kinh não bộ, dù cho triệu chứng 
lâm sàng và cận lên sàng có thể khác 
nhau. Các loại cơn động kinh được biểu 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
40 Số 21 
hiện vô cùng đa dạng hình thành nên “thế 
giới động kinh”. Ngày nay động kinh là 
một vấn đề quan trọng của ngành y tế và 
là bệnh lý mà xã hội và ngành y tế cần 
đặc biệt quan tâm vì những di chứng nặng 
nề của nó ảnh hưởng đến chất lượng cuộc 
sống, khả năng học tập công tác, hòa nhập 
cộng đồng và xã hội, đặc biệt là đối với 
trẻ em. Hiện nay việc điều trị bằng thuốc 
vẫn là lựa chọn hàng đầu, giúp hạn chế 
tác hại của động kinh đối với người bệnh. 
Tuy nhiên trong thực tế cuộc sống người 
bệnh động kinh vẫn chịu ảnh hưởng nặng 
nề bởi các cơn động kinh xuất hiện bất 
chợt, không dự đoán được. 
Điện não đồ (EEG - Electroencephalogram) 
đo và biểu diễn sự thay đổi điện thế theo 
thời gian của các điện cực được đặt ở các 
vị trí khác nhau trên da đầu tương ứng với 
các vùng của vỏ não. Thông qua các đặc 
trưng biên độ, tần số, phân bố không gian, 
hình thái, sự phân cực của điện thế, EEG 
cho biết các thông tin về các hoạt động 
của não. Dựa trên các thông tin đó, các 
chuyên gia có thể đánh giá, phân tích các 
biểu hiện bất thường của bộ não để phát 
hiện bệnh động kinh dựa trên sự xuất hiện 
các gai động kinh trong EEG. 
Các nghiên cứu gần đây trên thế giới tập 
trung theo hướng dự đoán và phát hiện 
sớm cơn động kinh (dựa trên tín hiệu 
EEG) với mục tiêu tạo ra các thiết bị gắn 
kèm với người bệnh có khả năng phát 
hiện cơn co giật trước khi cơn xảy ra. 
Điều đó sẽ giúp người bệnh (đặc biệt trẻ 
em) rất nhiều trong việc chủ động đối phó 
với bệnh động kinh [1,2]. 
Trong bài báo này chúng tôi đưa ra một 
phương pháp dự đoán trước cơn động 
kinh sử dụng máy học vector hỗ trợ SVM 
(Support Vector Machine) và các đặc 
trưng được trích chọn từ tín hiệu EEG. 
Kết quả đánh giá phương pháp đề xuất 
được thực hiện trên bộ cơ sở dữ liệu về 
động kinh của Đại học Freiburg (CHLB 
Đức) [3]. 
2. MÔ HÌNH BÀI TOÁN DỰ ĐOÁN CƠN 
ĐỘNG KINH 
 Trong bài báo, chúng tôi chọn nghiên cứu 
bài toán phát hiện sớm (dự đoán) sự xuất 
hiện cơn động kinh của người bệnh. 
Trong trường hợp này đối tượng được 
nghiên cứu là bản ghi tín hiệu điện não đồ 
EEG đa kênh với các đặc trưng được lựa 
chọn bao gồm biên độ, tần số cơ bản, hình 
dạng và vị trí không gian ghi nhận trên da 
đầu (scalp) và sẽ được phân loại dựa 
trên các đặc trưng được học của các mẫu 
học được lấy từ tín hiệu EEG của người 
bệnh. Mô hình bài toán đề xuất thực chất 
là một bài toán phân loại mẫu tín hiệu 
EEG gồm các bước: 
 Thu thập dữ liệu; 
 Tiền xử lý dữ liệu; 
 Trích chọn các đặc trưng; 
 Phân loại và hậu xử lý. 
2.1. Thu thập dữ liệu 
Trong các công trình khoa học nghiên cứu 
về nhận dạng, phát hiện bệnh lý động 
kinh chủ yếu sử dụng các bộ cơ sở dữ liệu 
(CSDL) chuẩn đã được đánh dấu (nhận 
dạng) bởi các chuyên gia y tế. Trong bài 
báo, chúng tôi đã sử dụng bộ CSDL của 
Đại học Freiburg là một trong rất ít bộ 
CSDL về động kinh được sử dụng phổ 
biến trong nghiên cứu hiện nay. Bộ dữ 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 41 
liệu này gồm 18 bệnh nhân với tổng cộng 
450 giờ ghi với 79 cơn động kinh [3]. 
2.2. Tiền xử lý tín hiệu 
Quá trình này dùng để hạn chế và loại bỏ 
nhiễu trong tín hiệu điện não EEG. Chúng 
ta có ba cách: thứ nhất là ngăn chặn và 
loại bỏ các nguồn gây nhiễu; thứ hai là tối 
thiểu hóa ảnh hưởng của các nguồn nhiễu; 
thứ ba là nhận dạng và loại bỏ các tín hiệu 
nhiễu. Phương pháp tốt nhất để tín hiệu 
không có nhiễu là ngăn chặn và loại bỏ 
các nguồn gây nhiễu, tuy nhiên đối một số 
loại nhiễu (như nhiễu do nháy mắt, nhiễu 
cơ) thì phương pháp này không khả thi. 
Thứ hai ta có thể hạn chế tối đa nhiễu 
bằng bằng việc sử dụng các thiết bị kỹ 
thuật đo đạc hiện đại có độ nhạy cao, khả 
năng lọc nhiễu tốt, tuy nhiên phương pháp 
này đắt tiền và phức tạp. Trong cách thứ 
ba, bằng việc sử dụng các thuật toán xử lý 
tín hiệu số chúng ta có thể khá dễ dàng 
nhận dạng các nguồn nhiễu và loại bỏ 
chúng. Phương pháp này không những 
không yêu cầu các thiết bị phần cứng 
phức tạp và đắt tiền mà còn có tính linh 
hoạt rất cao trong nhận dạng và loại bỏ 
nhiễu khỏi tín hiệu điện não. Tuy nhiên 
trong phạm vi nghiên cứu của bài báo, 
việc đánh giá kết quả dựa trên bộ CSDL 
chuẩn (đã được xử lý nhiễu) nên quá trình 
xử lý này được bỏ qua. 
2.3. Trích chọn các đặc trưng 
Mô hình cửa sổ trượt được sử dụng trong 
trích chọn đặc trưng của tín hiệu EEG 
(hình 1). Mỗi cửa sổ được xem như một 
mẫu tín hiệu cần nhận dạng. Cửa sổ trượt 
này có độ dài xác định trước trong đó các 
đặc trưng về tín hiệu EEG sẽ được tính 
toán (phân tích) trong cửa sổ đó [1,2]. Độ 
dài của cửa số thường nằm trong khoảng 
540 giây. Sau phân tích cửa sổ trượt sẽ 
trả lại các giá trị phản ánh đặc trưng của 
các kênh khác nhau hoặc giữa các kênh 
của bản ghi EEG. Trong nghiên cứu này, 
khoảng thời gian cửa sổ được chọn là 5s. 
Khoảng thời gian cửa sổ trượt này phải 
nhằm thỏa mãn 2 điều kiện: 
 Khoảng thời gian là đủ ngắn để quá 
trình xử lý được xem là tĩnh (stationary 
process). 
 Khoảng thời gian là đủ dài để “bắt” 
(trích chọn) được các đặc trưng cụ thể của 
các mẫu tín hiệu EEG. 
Hình 1. Phương pháp cửa sổ trượt 
để trích chọn các đặc trưng tín hiệu EEG 
2.4. Phân loại và hậu xử lý 
Trong bài toán phân loại này, chúng ta có 
thể phân làm 4 loại tín hiệu (hình 2) gồm: 
tín hiệu bình thường (ký hiệu là inter-
ictal), tiền động kinh (pre-ictal), động 
kinh (ictal) và tín hiệu sau động kinh 
(post-ictal). 
 Ictal: được xác định đoạn tín hiệu gắn 
hoạt động động kinh trong não. Hoạt động 
này có độ dài thay đổi nhưng thường kéo 
dài gần khoảng ba phút [4]. 
 Pre-ictal: được xác định là khoảng thời 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
42 Số 21 
gian ngay trước khởi phát cơn động kinh 
(seizure onset). Không có một định nghĩa 
y học cụ thể nào về giai đoạn này nhưng 
Mormann et al. 2007 [4] cho rằng đó là 
những sự thay đổi điện sinh lý học kéo dài 
nhiều phút đến hàng giờ trước cơn động 
kinh. 
 Post-ictal: được xác định là khoảng 
thời gian (thường 510 phút) hoạt động 
của não ngay sau kết thúc cơn (seizure 
offset) cho đến khi trở lại trạng thái bình 
thường [4]. 
 Inter-ictal: là đoạn tín hiệu không động 
kinh (bình thường), còn gọi là nằm trước 
trạng thái pre-ictal và nằm sau trạng thái 
post-ictal. 
Hình 2. Phân loại trạng thái tín hiệu động kinh 
Trong mô hình bài toán, đầu ra phân loại 
là giá trị nhãn gán liên quan đến các 
vector đầu vào: chẳng hạn 1 đối với inter-
ictal, 2 cho pre-ictal, 3 cho ictal và 4 cho 
post-ictal. Tuy nhiên điều chúng ta quan 
tâm nhất trong dự đoán động kinh là trạng 
thái tiền động kinh pre-ictal, do đó nhãn 2 
trở thành nhãn quan trọng nhất. Quá trình 
hậu xử lý dựa trên cơ sở phát hiện khoảng 
thời gian tiền động kinh (pre-ictal), cho 
phép chúng ta đưa ra các cảnh báo sớm về 
cơn động kinh sắp xảy ra (hình 3). 
Hình 3. Mô hình dự đoán đưa ra cảnh báo trước 
cơn động kinh 
3. PHƯƠNG PHÁP ĐỀ XUẤT 
Phương pháp đề xuất được xây dựng dựa 
trên mô hình bài toán dự đoán cơn động 
kinh đã được trình bày trong phần 2 với 
hai quá trình chính gồm: quá trình chọn 
đặc trưng tín hiệu EEG và quá trình phân 
loại và hậu xử lý. 
3.1. Các đặc trưng tín hiệu EEG 
Các đặc trưng này được sử dụng để phân 
loại 4 trạng thái tín hiệu: bình thường, tiền 
động kinh, động kinh và sau động kinh 
(inter-ictal, pre-ictal, ictal và post-ictal) từ 
bản ghi tín hiệu EEG của người bệnh 
động kinh. Trong thực tế các loại cơn 
động kinh biểu hiện rất đa dạng và bản 
thân tín hiệu điện EEG có sự biến thiên 
rất lớn (ngay cả đối với tín hiệu bình 
thường) về các đặc trưng cơ bản như tần 
số, biên độ, hình dạng và vị trí. Điều đó 
có nghĩa không tồn tại những đặc trưng có 
mối quan hệ định lượng chính xác với các 
trạng thái tín hiệu EEG hoặc cơn động 
kinh. Điều này dẫn đến trong dự đoán về 
động kinh ta phải sử dụng nhiều đặc trưng 
tín hiệu EEG. 
Các đặc trưng này được chia làm hai loại: 
đặc trưng đơn biến (univariate) được lấy 
từ một kênh dữ liệu EEG [5] và đặc trưng 
lưỡng biến/đa biến (bivariate/multivariate) 
được tính toán dựa trên một cặp (hoặc 
nhiều hơn) kênh tín hiệu EEG [6]. Trong 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 43 
bài báo, chúng tôi sử 22 đặc trưng đơn 
biến của Jalil Rasekhi et al, 2013 [7] để 
phát hiện động kinh. Dữ liệu EEG trước 
tiên được phân đoạn theo từng cửa sổ 5s 
và các đặc trưng đơn biến lấy từ cửa sổ tín 
hiệu EEG sẽ thể hiện được các thông tin 
về cả biên độ lẫn pha/tần số của từng 
kênh tín hiệu EEG. 
Câu hỏi đặt ra ở đây là liệu số lượng đặc 
trưng được chọn đã đủ để dùng dự đoán 
chính xác về cơn động kinh và việc lấy 
thêm đặc trưng khác (chẳng hạn các đặc 
trưng đa biến) liệu có làm tăng độ chính 
xác của dự đoán?. 
Thực tế việc sử dụng nhiều hơn số đặc 
trưng có thể làm tăng độ chính xác trong 
phân loại các trạng thái tín hiệu nhưng 
đồng thời dẫn đến một khối lượng tính 
toán vô cùng lớn. Điều đó có nghĩa chúng 
ta không thể thực hiện xử lý gần như tức 
thời (on-line) các tín hiệu EEG do độ trễ 
xử lý là rất lớn. 
Ngoài ra để đưa ra các cảnh báo dự đoán 
về động kinh, chúng ta sử dụng thêm quá 
trình hậu xử lý (mục 3.2). Quá trình này 
sẽ đưa ra quyết định cuối cùng mà không 
cần một độ chính xác gần như tuyệt đối ở 
quá trình phân loại trạng thái tín hiệu. 
3.2. Quá trình phân loại và hậu xử lý 
Để xây dựng một hệ thống tự động phân 
biệt được các trạng thái của tín hiệu điện 
não đồ, chúng ta sử dụng máy học vector 
hỗ trợ SVM [8]. Bản chất SVM là phân 
loại nhị phân gồm 2 lớp (nhãn) đầu ra. 
SVM gốc chỉ thiết kế cho bài toán phân 
lớp nhị phân, tuy nhiên trong nhiều ứng 
dụng thực tế thì buộc phải giải bài toán 
phân loại nhiều lớp. 
Vì vậy các mô hình SVM đa lớp cũng 
được nghiên cứu và phát triển để đáp ứng 
với các dạng bài toán phân loại nhiều lớp. 
Để phân loại 4 lớp đối tượng (trường hợp 
này) cần một tổ hợp SVM (SVM đa lớp). 
Một số chiến lược thường dùng cho bài 
toán SVM đa lớp: Một đối một, một đối 
phần còn lại và chiến lược phân cấp. 
Trong trường hợp này, kỹ thuật một đối 
một (one-against-one) được sử dụng [9]. 
Kỹ thuật này được mô tả như sau: 
Với mỗi cặp lớp phân loại, cần xây dựng 
một máy phân lớp nhị phân, mỗi máy 
phân lớp được huấn luyện trên một tập 
con của tập huấn luyện mà tập con này 
chỉ chứa các mẫu huấn luyện của cặp 
lớpphân loại này. Như vậy, phải xây dựng 
tất cả k(k-1)/2 máy phân lớp nhị phân với 
k là số lớp (trường hợp này với 4 lớp 
trạng thái tín hiệu chúng ta cần 6 máy học 
SVM), các máy này được kết nối lại với 
nhau và thông qua phương pháp bỏ phiếu 
để đánh giá kết quả phân lớp cuối cùng, 
lớp nào có số phiếu cao nhất sẽ được chọn 
làm kết quả dự đoán (max-win). Chiến 
lược này được sử dụng trong hầu hết các 
phần mềm mã nguồn mở như SVMlight, 
LIBSVM, SVMTorch và HeroSvm. 
Trong đánh giá, đầu ra mạng SVM đa lớp 
là các nhãn (giá trị số) gán liên quan đến 
các vector đầu vào: 1 đối với inter-ictal, 2 
cho pre-ictal, 3 cho ictal và 4 cho post-
ictal. Tuy nhiên điều chúng ta quan tâm 
nhất trong dự đoán động kinh là phát hiện 
trạng thái tiền động kinh pre-ictal để tạo 
cảnh báo sớm về cơn động kinh sắp xảy 
ra, do đó nhãn 2 trở thành nhãn quan 
trọng nhất. 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
44 Số 21 
Quá trình tạo ra cảnh báo được thực hiện 
sau phân loại. Các SVM phân loại được 
“huấn luyện” dựa trên các mẫu học 
(learning). Một cách lý tưởng, thì các bộ 
phân loại SVM này (đã được huấn luyện 
tốt) sẽ phân loại chính xác tất cả các mẫu 
trong bộ dữ liệu kiểm tra (test) và do đó 
sẽ tạo ra được các đầu ra chính xác. Tuy 
nhiên, trên thực tế, một hệ thống phân loại 
sẽ không thể phân loại chính xác tuyết đối 
tất cả các mẫu. Do đó nếu các đầu ra này 
được sử dụng trực tiếp để dự đoán về cơn 
động kinh thì sẽ dẫn đến với các mẫu bị 
phân loại nhầm thành pre-ictal sẽ tạo ra 
cảnh báo sai về cơn động kinh. 
Để nâng cao chất lượng dự đoán, Teixeira 
et al. (2012) đưa ra một thủ tục tạo cảnh 
báo [10]. Do sai số phân loại, nên việc 
xuất hiện một khoảng thời gian với chuỗi 
nhãn phân loại toàn nhãn 2 (pre-ictal) là 
điều ít khi xảy ra, tuy nhiên trong các 
chuỗi nhãn nếu chuỗi nào có tần suất nhãn 
2 nhiều thì có thể xem là khoảng thời gian 
có dấu hiệu của trạng thái tiền động kinh. 
Trong bài báo, chúng tôi đề xuất giải pháp 
nếu trong một khoảng thời gian nào đó 
của bản ghi tín hiệu EEG (được xem là 
khoảng thời gian tiền động kinh, trong 
phần mô phỏng chúng tôi chọn khoảng 
thời gian này là 30 phút), nếu số lượng 
phân loại là pre-ictal (nhãn 2) vượt quá 
50% thì cảnh báo về khả năng sự xuất 
hiện của cơn động kinh ở thời điểm tương 
lai gần sẽ được đưa ra. 
4. KẾT QUẢ MÔ PHỎNG 
4.1. Các thông số mô phỏng 
4.1.1. Chọn kênh tín hiệu EEG 
Như đã giới thiệu trên trong 2.1, bộ 
CSDL của ĐH Freiburg gồm 18 bệnh 
nhân với tổng số khoảng 450 giờ ghi và 
79 cơn động kinh. Mỗi bản ghi gồm tín 
hiện của 27 kênh điện cực (hệ thống 10-
20) bao gồm: FT10, T10, TP10, F8, T4, 
T6, FP2, F4, C4, P4, O2, FPZ, FZ, CZ, 
PZ, OZ, FP1, F3, C3, P3, O1, F7, T3, T5, 
FT9, T9, TP9. Ngoài ra còn có 2 kênh 
dùng để ghi kèm dữ liệu tín hiệu điện tâm 
đồ ECG (Electrocardiagram) của người 
bệnh (hình 4). 
Hình 4. Một phần bản ghi dữ liệu của một bệnh 
nhân trong CSDL Freiburg với 27 kênh tín hiệu 
EEG và 2 kênh tín hiệu ECG (trong đó các vị trí 
EEG_ON và EEG-OFF đánh dấu vị trí bắt đầu và 
kết thúc một cơn động kinh) 
Trên thực tế, việc sử dụng tín hiệu ở tất cả 
các kênh (27 kênh) sẽ dẫn đến khối lượng 
tính toán cực lớn. Ngoài ra việc sử dụng 
nhiều kênh tín hiệu cũng đồng nghĩa với 
việc người bệnh phải gắn nhiều điện cực 
trên người (trong trường hợp sử dụng các 
thiết bị cầm tay phát hiện sớm động kinh). 
Điều này sẽ gây ra sự bất tiện cho các 
bệnh nhân. Do đó trong phần thực 
nghiệm, chúng tôi chỉ sử dụng tổ hợp gồm 
6 kênh tín hiệu (để nghiên cứu) nhằm phát 
hiện sớm cơn động kinh. Sáu kênh tín 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 45 
hiệu được chọn theo tiêu chí bao phủ 
không gian. Sáu kênh tín hiệu được chọn 
gồm: F7, FZ, F8, T5, PZ và T6 cho cái 
nhìn không quan tổng quan về trạng thái 
não bệnh nhân. Theo tiêu chuẩn hệ thống 
vị trí đặt điện cực 10-20 của quốc tế thì vị 
trí đo F7, FZ, F8, T5, PZ và T6 bao phủ 
các khu vực phía trước, giữa và vùng thái 
dương. 
4.1.2. Chọn đặc trưng tín hiệu 
Chúng ta sử dụng một cửa sở trượt 5s để 
trích chọn đặc trưng cho 6 kênh tín hiệu 
EEG đã được chọn, mỗi cửa sổ 5s này 
được xem là một mẫu phân loại thuộc một 
trong 4 trạng thái (inter-ictal, pre-ictal, 
ictal, post-ictal). 
Do sử dụng đặc trưng đơn biến gồm 22 
đặc trưng (mục 3.1), mỗi mẫu cần phân 
loại (cửa sổ 5s của 6 kênh) sẽ có 132 giá 
trị đặc trưng. Như vậy đầu vào của mạng 
phân loại sẽ là các vector (mẫu) 132 
chiều. 
4.2. Kết quả mô phỏng và đánh giá 
4.2.1. Bộ dữ liệu học và kiểm tra 
Bộ CSDL EEG được chia làm hai phần: 
bộ dữ liệu học, còn gọi là huấn luyện 
(learning) và kiểm tra (testing). Bộ dữ liệu 
học gồm khoảng 250 giờ ghi và 48 cơn 
động kinh được sử dụng để tối ưu các 
thông số của hệ thống phân loại (SVM đa 
lớp) trong khi bộ dữ liệu kiểm tra (gồm 
khoảng 200 giờ ghi và 31 cơn động kinh 
còn lại, không được dùng trong quá trình 
học) được sử dụng để kiểm tra tính hiệu 
quả của bộ phân loại đã được thiết kế từ 
quá trình học. 
4.2.2. Một số kết quả mô phỏng và 
thảo luận 
Ở đây chúng ta tiến hành đánh giá dựa 
trên bộ dữ liệu EEG của sáu kênh tín hiệu 
(F7, FZ, F8, T5, PZ và T6) với khoảng 
thời gian pre-ictal được chọn là 30 phút 
trước cơn động kinh, post-ictal được chọn 
là 10 phút sau cơn động kinh. 
Trường hợp nếu xác định được trạng thái 
tiền động kinh (pre-ictal) và cơn động 
kinh xuất hiện trong khoảng thời gian sau 
cảnh báo ta sẽ có một dự đoán dương tính 
thật TP (True Positive) còn nếu không 
xuất hiện cơn ta sẽ có một dự đoán dương 
tính giả FP (False Positive). Khi trạng thái 
tiền động kinh (pre-ictal) không được xác 
định nhưng có cơn động kinh xuất hiện ta 
sẽ có một dự đoán âm tính giả FN (False 
Negative). Trong trường hợp này TP được 
xem là cảnh báo đúng còn FP và FN là 
các cảnh báo sai. 
Để đánh giá kết quả ta sử dụng khái niệm 
độ nhạy (SS-Sensitivity) và tỷ lệ đoán sai 
(FPR/h- False Prediction per hour)[11]. 
SS được định nghĩa là tỷ lệ giữa số cơn 
dự đoán được/tổng số cơn động kinh 
trong bản ghi của người bệnh. Trong khi 
FPR/h được định nghĩa: 
1 False AlarmFPRh
Hours of Testing seizures preictal time
 (1) 
là tỷ lệ giữa số cảnh báo sai/ lượng thời 
gian hữu dụng. 
Trong đó cảnh báo sai xuất hiện trong 
trường hợp có FP và FN (có cảnh báo 
nhưng không có cơn động kinh và không 
có cảnh báo nhưng lại xuất hiện cơn động 
kinh). Để xác định lượng thời gian hữu 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
46 Số 21 
dụng chúng ta lấy tổng số thời gian bản 
ghi tín hiệu EEG của người bệnh trừ đi 
tổng số thời gian dùng tạo cảnh báo (bằng 
số cơn động kinh nhân với khoảng thời 
gian pre-ictal được chọn) [11]. 
Về mặt lý thuyết kết quả thu được sẽ tối 
ưu (tuyệt đối) nhất khi đạt giá trị 
SS=100% và FPR/h=0 và trên thực tế 
chúng ta mong muốn một kết quả thu 
được với giá trị SS cao và FPR/h thấp. 
Kết quả (tốt nhất) đối với bộ dữ liệu học 
chúng ta thu được tỷ lệ phát hiện cơn 
động kinh là 39/48 cơn, đạt tỷ lệ 81,25 %. 
Dựa trên thông số đã học, chúng ta tiến 
hành thử nghiệm trên bộ dữ liệu test. Kết 
quả thu được tỷ lệ phát hiện cơn là 21/31 
cơn, đạt tỷ lệ 67,74 %. Hình vẽ 5 thể hiện 
tỷ lệ phát hiện cơn đông kinh của các 
bệnh nhân trong bộ CSDL của Đại học 
Freiburg với tỷ lệ trung bình (cả quá trình 
học và test) là 75,9%. Điều này cho thấy 
khả năng ứng dụng triển vọng của phương 
pháp đề xuất trong bài báo. Trong mô 
phỏng này, không có các cảnh báo sai 
dương tính giả FP-False Positive (có cảnh 
báo nhưng không xuất hiện cơn động 
kinh). Trong bộ dữ liệu kiểm tra, với 10 
cơn không nhận diện được, chúng ta có số 
cảnh báo sai tương ứng với 10 dự đoán 
âm tính giả FN và tỷ lệ FPR/h (đối với dữ 
liệu kiểm tra) đạt được là 0,055. Việc 
không có cảnh báo sai dương tính giả FP 
và tỷ lệ FPR/h rất thấp cũng là một kết 
quả hạn chế của bài báo do số lượng bệnh 
nhân, số cơn và loại (vị trí ổ bệnh) động 
kinh trong CSDL được đánh giá chưa 
nhiều và đa dạng. 
Mặc dù không có một tỷ lệ cụ thể chung 
về giá trị SS tối thiểu hay FPR cực đại 
dùng để đánh giá đối với các thuật toán, 
Teixeira et al. 2014 [11] đã đưa ra tỷ lệ dự 
đoán chấp nhận được (để ứng dụng trong 
y tế) là phải dự đoán được (đúng) ít nhất 
50% số cơn động kinh (SS>50%) và tỷ lệ 
cảnh báo sai không quá 1 lần trong 
khoảng thời gian 6 giờ (FPR/h<0,15) đối 
với từng người bệnh. Trên thực tế, các 
nghiên cứu khoa học gần đây nhất chưa 
có công trình nào đạt được tỷ lệ dự đoán 
này (cho cả hai thông số đánh giá) khi 
đánh giá dựa trên một CSDL động kinh 
đủ lớn. 
Hình 5. Tỷ lệ phát hiện cơn động kinh của từng 
bệnh nhân trong bộ CSDL Freiburg 
Trong nghiên cứu gần đây của Teixeira et 
al. 2014 [11], một đánh giá (thuât toán sử 
dụng các đặc trưng đơn biến và SVM đa 
lớp) trên 278 bệnh nhân được đưa ra. 
CSDL này bao gồm các bản ghi thời gian 
dài (gồm các bản ghi trung bình khoảng 
70, 78 và 94 giờ) với xấp xỉ 22.291 giờ 
ghi và tổng cộng 1.519 cơn động kinh ở 
rất nhiều vị trí ổ bệnh khác nhau (thái 
dương-temporal, phía trước-frontal, chính 
giữa-central, thùy chẩm-occipital và thùy 
đỉnh-parietal). Ưu điểm của tín hiệu EEG 
thời lượng dài và liên tục là chứa khoảng 
thời lượng dài đoạn tín hiệu bình thường 
(inter-ictal). Điều đó rất quan trọng, đặc 
biệt khi dùng để đánh giá chính xác về tỷ 
lệ các cảnh báo sai. Kết quả tối ưu nhất 
trong [11] thu được là 32% số người bệnh 
có kết quả dự đoán chấp nhận được 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 47 
(SS>50% và FPR/h <0,15 cho từng người 
bệnh). 
5. KẾT LUẬN 
Bài báo đã đưa ra một phương pháp dự 
đoán trước cơn động kinh sử dụng máy 
học vector hỗ trợ SVM đa lớp và các đặc 
trưng đơn biến của 6 kênh tín hiệu EEG 
gồm F7, FZ, F8, T5, PZ và T6. Mặc dù 
việc mô phỏng mới chỉ được đánh giá trên 
một bộ CSDL động kinh bị giới hạn (chỉ 
với 18 bệnh nhân) nhưng với kết quả cho 
phép dự đoán trước cơn động kinh với tỷ 
lệ chính xác cao SS=67,74% đã cho thấy 
khả năng triển vọng của phương pháp dự 
đoán sớm cơn động kinh được đề xuất 
trong bài báo. 
LỜI CẢM ƠN 
Các tác giả bài báo xin trân thành cảm ơn sự 
hỗ trợ kinh phí nghiên cứu khoa học của Bộ 
Giáo dục và Đào tạo thông qua đề tài cấp Bộ 
mã số B2017-MHN.01. 
TÀI LIỆU THAM KHẢO 
[1] Yadollahahpour A. and Jalilifar M. (2014) “Seizure Prediction Methods: A review of the Curent 
Predicting Techniques,” Biomedical & Pharmacology, vol.7(1), 153-162, 2014. 
[2] Teixeira C.A. et al., (2011) “EPILAB: A software package for studies on the prediction of epileptic 
seizures,” Journal of Neuroscience Methods, vol. 200, no. 2, pp. 257-271, Jul. 2011. 
[3]  
[4] Mormann F., Andrzejak R.G., Elger C.E., and Lehnertz K., (2007) “Seizure prediction: the long 
and winding road.,” Brain: a journal of neurology, vol. 130, no. 2, pp. 314-33, Feb. 2007. 
[5] Direito, B.; Duarte, J.; Teixeira, C. A; Schelter, B.; Le Van Q. M; Schulze-Bonhage, A.; Sales, F.; 
Dourado, A.. (2011) "Feature selection in high dimensional EEG features spaces for epileptic 
seizure prediction", IFAC Proceedings Volumes (IFAC-PapersOnline) 18, PART 1: 6206 - 62. 
[6] Feldwisch-Drentrup H, Staniek M, Schulze-Bonhage A, Timmer J, Dickten H, Elger CE, Schelter B, 
Lehnertz K.(2011) “Identification of preseizure states in epilepsy: a data-driven approach for 
multichannel EEG recordings, “ Front Comput Neurosci 2011;5(0). 
[7] Jalil Rasekhi, Mohammad Reza Karami Mollaei, Mojtaba Bandarabadi, Cesar A Teixeira, Antonio 
Dourado (2013)“Preprocessing effects of 22 linear univariate features on the performance of 
seizure prediction methods” Neurosci Methods 2013 Jul 6;217(1-2):9-16. Epub 2013 Dec 6. 
[8] Cortes C. and Vapnik V., (1995) “Support-vector networks,” Machine Learning, vol. 20, no. 3, pp. 
273-297, 1995. 
[9] Hsu, C.W., and C.-J. Lin, (2002) “A Comparison of Methods for Multi-Class Support Vector 
Machines” IEEE Trans. Neural Netw., 13, 415 - 425, 2002. 
[10] Teixeira C., Direito B., Bandarabadi M., Dourado A. (2012) “Output regularization of SVM seizure 
predictors: Kalman Filter versus the "Firing Power" method,”Conf Proc IEEE Eng Med Biol Soc. 
2012;2012:6530-3 
[11] Teixeira C., Direito B., Quyen L. V. Micheal, Dourado A. (2014), “Epileptic seizure predictor based 
on computational intelligence techniques: A comparative study with 278 patients” Computer 
methods and programs in biomedicine, May 2014. 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
48 Số 21 
Giới thiệu tác giả: 
Tác giả Nguyễn Văn Sơn tốt nghiệp đại học chuyên ngành điện tử viễn thông, nhận 
bằng Thạc sĩ chuyên ngành kỹ thuật điện tử năm 2010 tại Trường Đại học Mở Hà 
Nội. Hiện nay tác giả là giảng viên của Khoa Công nghệ điện tử - thông tin, Trường 
Đại học Mở Hà Nội. 
Lĩnh vực nghiên cứu: điện tử viễn thông, xử lý thông tin và tín hiệu. 
Tác giả Vương Hoàng Nam tốt nghiệp đại học ngành điện tử viễn thông năm 2003, 
nhận bằng Thạc sĩ và bằng Tiến sĩ ngành kỹ thuật viễn thông năm 2006 và 2013 
tại Trường Đại học Bách khoa Hà Nội. Hiện nay tác giả là giảng viên Bộ môn Hệ 
thống viễn thông, Viện Điện tử viễn thông, Trường Đại học Bách khoa Hà Nội. 
Lĩnh vực nghiên cứu: điện tử viễn thông, xử lý thông tin và tín hiệu, AI trong tự 
động hóa 
Tác giả Đào Xuân Phúc tốt nghiệp Trường Đại học Bách khoa Hà Nội ngành điện 
tử viễn thông, nhận bằng Thạc sĩ ngành kỹ thuật điện tử năm 2011 tại Trường Đại 
học Mở Hà Nội. Hiện nay tác giả là giảng viên Khoa Công nghệ điện tử - thông tin 
Trường Đại học Mở Hà Nội. 
Lĩnh vực nghiên cứu: điện tử viễn thông, xử lý thông tin và tín hiệu. 
Tác giả Vũ Duy Thuận tốt nghiệp đại học ngành đo lường và tin học công nghiệp, 
nhận bằng Thạc sĩ ngành tự động hóa tại Trường Đại học Bách khoa Hà Nội năm 
2004 và 2008, nhận bằng Tiến sĩ ngành điều khiển và tự động hóa tại Viện Hàn 
lâm Khoa học và Công nghệ Việt Nam năm 2018. Hiện nay tác giả là giảng viên 
Trường Đại học Điện lực. 
Lĩnh vực nghiên cứu: điều khiển và tự động hóa, lập trình điều khiển. 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 49 
 . 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
50 Số 21