Xử lý đa kênh tín hiệu điện não bằng phương pháp cửa sổ trượt Entropy để xác định vị trí vùng động kinh

Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số 69, 10 - 2020 113 
XỬ LÝ ĐA KÊNH TÍN HIỆU ĐIỆN NÃO 
BẰNG PHƯƠNG PHÁP CỬA SỔ TRƯỢT ENTROPY ĐỂ XÁC ĐỊNH 
VỊ TRÍ VÙNG ĐỘNG KINH 
Trần Ngọc Quang*, Phạm Văn Thuận, Nguyễn Thị Ngọc Mai, 
Phạm Đức Khánh, Phạm Duy Thái 
Tóm tắt: Nghiên cứu đưa ra cách tiếp cận chỉ số Sample Entropy (SE) của tín 
hiệu điện não trong các cơn động kinh. Nhóm nghiên cứu phân tích và đánh giá sự 
biến thiên Entropy của của tất cả các kênh trong bản ghi điện não (EEG) trước, 
trong và sau cơn động kinh trên bộ dữ liệu có sẵn “CHB-MIT scalp EEG 
database”. Thuật toán khảo sát thời điểm xuất hiện cơn động kinh trên tất cả các 
kênh điện não để xác định vị trí của vùng nghi ngờ động kinh trong não bệnh nhân. 
Từ khóa: EEG; Động kinh; Entropy; SE; Cửa sổ trượt. 
1. ĐẶT VẤN ĐỀ 
Động kinh (Epilepsy) là một bệnh rối loạn thần kinh khá nguy hiểm do nó làm mất khả 
năng tự kiểm soát hành vi của người bị bệnh. Theo thống kê của tổ chức Y tế thế giới 
(WHO), tỷ lệ người mắc bệnh động kinh trên thế giới khoảng 1% dân số thế giới [1]. Tỉ lệ 
này thay đổi tùy theo điều kiện địa lý, kinh tế, xã hội của mỗi nước, như ở Pháp và Mỹ là 
khoảng 0.85%, Canada là 0.6 %. Tại Việt Nam, khoảng 2% dân số bị bệnh động kinh, 
trong đó, gần 60% số bệnh nhân là trẻ em [2] . 
Chuẩn đoán động kinh hiện nay ở Việt Nam dựa chủ yếu vào phương pháp lâm sàng 
thông qua nhận biết các dấu hiệu hay triệu chứng của các cơn co giật lâm sàng. Điện não 
đồ (EEG) ghi lại các biểu hiện hoạt động của não, là một xét nghiệm bổ trợ cho chuẩn 
đoán lâm sàng bệnh động kinh thông dụng nhất, đặc biệt là xác định thể loại động kinh và 
khu vực não bị tổn thương. Hiện nay, rất nhiều bệnh viện ở Việt Nam đã trang bị các thiết 
bị đo điện não đồ khá hiện đại. Tuy nhiên, việc phân tích và đánh giá dữ liệu vẫn phụ 
thuộc hoàn toàn vào kinh nghiệm chủ quan của các bác sĩ chuyên môn và kỹ thuật viên đo 
điện não đồ. Các cơn động kinh được biểu hiện bằng các xung tín hiệu đặc trưng trên màn 
hình máy đo. Các xung này có biên độ, hình dạng, tần số, là bất thường. 
Hầu hết các hệ thống phát hiện động kinh hiện tại chỉ tập trung vào phân tích dữ liệu 
EEG trên một kênh tại một thời điểm chứ không xử lý các tín hiệu não đồng thời trên 
nhiều kênh. Khi quan sát dữ liệu EEG của các bệnh nhân bị động kinh, NCS nhận thấy 
rằng, khả năng xuất hiện các cơn động kinh trên các kênh gần nhau trong cùng một thời 
điểm là cao nên phương pháp xử lý đa kênh đồng thời có thể sẽ cho phép khai thác mối 
liên hệ theo không gian của các cơn động kinh, tăng hiệu quả phát hiện cơn động kinh và 
vùng não khởi phát cơn động kinh đó. Indiradevi là một trong số ít các nhà khoa học đề 
cập đến định vị khu vực não tổn thương gây nên các cơn động kinh trong tín hiệu điện não 
đồ sử dụng đồng thời thông tin từ nhiều kênh [3]. 
Entropy thường được xem như là chỉ số mức độ hỗn loạn của một hệ động lực và có 
thể dùng để phân tích tính không dự báo trước của tín hiệu EEG [4]. Đã có nhiều nghiên 
cứu sử dụng Entropy để phân tích tín hiệu điện não trong các cơn động kinh và nhận thấy, 
Entropy giảm xuống trong cơn [5, 6]. 
Trong nghiên cứu này, nhóm tác giả đề xuất phương pháp sử dụng cửa sổ trượt Entropy 
để xác định các cơn động kinh và thời điểm khởi phát cơn động kinh trên từng kênh tín 
hiệu điện não. Với phương pháp này thì các cơn động kinh được phát hiện bao gồm đầy đủ 
các thông số về điểm khởi đầu, điểm kết thúc và độ dài của cơn. Thông thường các điện 
cực gắn ở gần khu vực khởi phát động kinh sẽ thu được tín hiệu động kinh sớm hơn các 
Kỹ thuật điều khiển & Điện tử 
T. N. Quang , , P. D. Thái, “Xử lý đa kênh tín hiệu điện não  vị trí vùng động kinh.” 114 
điện cực còn lại [7] và chúng tôi đề xuất thuật toán tính toán điểm khởi phát các cơn động 
kinh ở tất cả các kênh và tìm ra những kênh khởi phát sớm nhất để khoanh vùng nghi ngờ 
ổ động kinh trên não bệnh nhân. 
2. CƠ SỞ LÝ THUYẾT 
2.1. Entroly lựa chọn (SE- Sample Entropy) 
Entropy lựa chọn là một trong số Entropy dạng mới và cho thấy kết quả rất tốt khi phân 
tích tín hiệu điện não so với các phương pháp khác. Do thuật toán có thể tính toán với mẫu 
chọn ngắn (tới 1000 mẫu) và ổn định khi có nhiễu tác động nên thuật toán tính SE có thể 
được dùng để phân tích dữ liệu online. Nhóm tác giả đã có công bố nghiên cứu sử dụng 
SE Entropy để xác định hiệu quả các cơn động kinh [6]. 
2.2 Thuật toán tính SE 
- Bước 1: Giả sử X là một chuỗi dữ liệu chứa N điểm dữ liệu: 
 (1), (2),... ( )X x x x N 
Tạo m vector từ chuỗi X: (1),..., ( 1)m mX X N m và được định nghĩa như sau: 
 ( ) ( ), ( 1),... ( 1)mX i x i x i x i m 
( )mX i là chuỗi con thu được bằng cách thay đổi i từ 1 đến N-m trong đó: 
1 ≤ i ≤ N-m, m - số lượng mẫu được sử dụng để dự đoán. 
Các vectơ này đại diện cho m giá trị X liên tiếp, bắt đầu từ mẫu thứ i. 
- Bước 2: Lựa chọn mức lọc độ sai lệch r: r = 0.1*SD (SD - độ lệch chuẩn của X). 
- Bước 3: 
Khoảng cách giữa hai vector (i)mX và ( )mX j được định nghĩa là sự khác biệt tuyệt đối 
tối đa giữa các thành phần vô hướng của chúng: 
  
0,.., 1
(i), ( ) maxm m
k m
d X X j x i k x j k
 (1) 
- Bước 4: 
Với mỗi (i)mX ta tính số lượng j, (1 , )j N m j i sao cho  (i), ( )m md X X j r , , 
số lượng đó ký hiệu là iC và với (1 )i N m ta có: 
1
( )
1
m
i iC r C
N m
 (2) 
Ở đây, lưu ý rằng chỉ N-m vectơ đầu tiên có chiều dài m được xem xét (1 )i N m , 
đồng thời vetor 1(i)mX cũng được tính. 
- Bước 5: 
( )m r được tính như sau: 
1
1
( ) ( )
N m
m m
i
i
r C r
N m

 (3) 
- Bước 6: Tăng m thành m+1 và tính 1( )m r : 
1 1
1
1
( ) ( )
N m
m m
i
i
r C r
N m

 (4) 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số 69, 10 - 2020 115 
- Bước 7: Tính giá trị SE (sample Entropy): 
1
, , ln
m
r
m
r
SE N m r

 
 (5) 
3. PHÂN TÍCH VÀ XỬ LÝ DỮ LIỆU 
3.1. Dữ liệu phân tích 
Dữ liệu phân tích khai thác từ cơ sở dữ liệu “CHB-MIT scalp EEG database” được chia 
sẻ tại physionet.org. Cơ sở dữ liệu này được thu thập tại Bệnh viện Nhi Boston, bao gồm 
các bản ghi EEG từ các bệnh nhân là trẻ em với các cơn động kinh. Tần số lấy mẫu của tất 
cả các bản ghi là 256 mẫu/giây, với độ phân giải 16 bit. 
Hầu hết mỗi bản ghi bao gồm 23 tín hiệu EEG (một số tường hợp là 24 hoặc 26) với 
thời gian khoảng 1 giờ. Vị trí gắn điện cực theo chuẩn 10 - 20 quốc tế, tên của từng tín 
hiệu EEG được gắn theo các bản ghi như trên hình 1. Trong các bản ghi có cơn động kinh 
thì thời điểm bắt đầu và kết thúc của từng cơn đều được ghi chú rất đầy đủ giúp cho nhóm 
tác giả có thể dễ dàng xác định các tín hiệu EEG, các phân đoạn trước, trong và sau cơn. 
Thông thường để thu tín hiệu EEG chúng ta sẽ dùng một bộ điện cực gắn trên da đầu 
theo hệ thống đặt điện cực 10-20 của quốc tế (the 10-20 International System). 
Ta lấy các điểm mốc sau đây: 
- Điểm gốc mũi (nasion), nằm giữa 2 chân lông mày (glabella); 
- Điểm chẩm (inion); 
- Ống tai ngoài 2 bên. 
Với các k ý hiệu sau đây: 
- F là trán (Frontal); 
- O là chẩm (Occipital); 
- C là trung tâm (Central); 
- P là đỉnh (Parietal). 
Đánh số lẻ nếu là bên trái, và số chẵn nếu là bên phải. 
Hình 1. Bố trí điện cực điện não và các kênh theo chuẩn 10-20 quốc tế. 
Kỹ thuật điều khiển & Điện tử 
T. N. Quang , , P. D. Thái, “Xử lý đa kênh tín hiệu điện não  vị trí vùng động kinh.” 116 
Hình 2 và 3 là các trích đoạn 8s tín hiệu điện não khác nhau (8 kênh tín hiệu theo thứ tự 
từ trên xuống tương ứng với tên kênh theo chuẩn quốc tế), trên hình 2 là trích đoạn không 
có cơn động kinh-trên tất cả các kênh không xuất hiện các gai sóng. Trên hình 3 là trích 
đoạn 8s tín hiệu điện não trong cơn động kinh. Khi so sánh hai hình có thể nhận thấy, ở 
trong cơn động kinh thì tín hiệu điện não xuất hiện các gai sóng với biên độ lớn và thường 
xuất hiện đồng thời trên các kênh lân cận. 
Hình 2. Trích đoạn tín hiệu EEG bản ghi chb01_02 (không có cơn động kinh). 
Hình 3. Trích đoạn tín hiệu EEG bản ghi chb01_03 trong cơn động kinh. 
3.2. Thuật toán xử lý đa kênh phát hiện vùng khởi phát động kinh 
Nhóm nghiên cứu đã xây dựng thuật toán phân tích tín hiệu điện não để tự động phát 
hiện vùng khởi phát các cơn động kinh dựa trên phần mềm Matlab với lưu đồ thuật toán 
như trên hình 4: 
- Bước 1: 
Nạp file dữ liệu vào bộ nhớ (dữ liệu ở dạng .mat hoặc .txt). 
- Bước 2: 
Nhập số lượng mẫu liên tiếp để tính toán Entropy (N), khoảng thời gian bắt đầu và kết 
thúc của đoạn dữ liệu cần khảo sát, cửa sổ Entropy để tự động tìm đoạn động kinh (giây). 
Nghiên cứu [6] cho thấy, tham số cửa sổ tối ưu là 4 giây và N = 128. 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số 69, 10 - 2020 117 
Hình 4. Lưu đồ thuật toán tự động phát hiện vùng khởi phát động kinh. 
- Bước 3: 
Tính toán các giá trị Entropy, tìm giá trị Entropy nhỏ nhất tương ứng với các kênh (từ 
kênh 01 đến kênh 23). 
 - Bước 4: 
Cho cửa sổ tìm đoạn động kinh trượt từ giá trị Entropy đầu tiên đến giá trị Entropy cuối 
Kỹ thuật điều khiển & Điện tử 
T. N. Quang , , P. D. Thái, “Xử lý đa kênh tín hiệu điện não  vị trí vùng động kinh.” 118 
cùng với khoảng dịch chuyển là 1 giá trị Entropy (với cửa sổ 4 giây, N = 128 thì mỗi cửa 
sổ có 8 giá trị Entropy và hai cửa sổ liên tiếp có sự chồng lấn 7 giá trị Entropy tương 
đương với tỉ lệ chồng lấn 87,5%), các giá trị của Entropy trong cửa sổ được so sánh lần 
lượt với giá trị Entropy nhỏ nhất. Nếu trong đoạn cửa sổ có tối đa 2 giá trị Entropy vượt 
quá ngưỡng 0,006 [6] so với Entropy nhỏ nhất thì chúng ta đưa ra khẳng định đoạn dữ liệu 
trong cửa sổ đó là cơn động kinh và ghi nhận giá trị thời điểm bắt đầu cơn động kinh A[m] 
của kênh đó . 
- Bước 5: 
Từ tập hợp A[m] các giá trị thời điểm bắt đầu cơn động kinh của tất cả 23 kênh, nhóm 
nghiên cứu tìm 03 giá trị nhỏ nhất và căn cứ vào các kênh tương ứng với 3 giá trị đó để 
khoanh vùng vị trí ổ động kinh trên não bệnh nhân. 
- Bước 6: 
Vẽ phân vùng ổ động kinh trên sơ đồ bố trí điện cực điện não dựa trên các kênh có 
điểm khởi phát nhỏ nhất đã tìm ra ở bước 5 (các kênh khởi phát động kinh sớm nhất). 
3.3. Kết quả phân tích 
Bảng số 1 thống kê một số kết quả phân tích trên các bản ghi khác nhau của các bệnh 
nhân khác nhau. Qua kết quả đánh giá của thuật toán các vùng khởi phát động kinh tương 
ứng với các kênh có thời điểm bắt đầu động kinh sớm nhất và vùng nghi ngờ khởi phát 
động kinh được khoanh vùng màu đỏ. 
Bảng 1. Kết quả phân tích tự động các file dữ liệu. 
Thứ tự 
bệnh 
nhân 
Tên file dữ liệu 
Thứ 
tự 
kênh 
Tên kênh 
Thời điểm 
khởi phát 
(giây) 
Hình ảnh vùng não 
nghi ngờ khởi phát 
động kinh 
1 
chb01_04_edfm 
21 
FT9-
FT10 
1464 
14 F8-T8 1465.5 
10 F4-C4 1466.5 
chb01_15_edfm 
14 F8-T8 1729 
10 F4-C4 1729 
23 T8-P8 1730 
chb01_16_edfm 
9 FP2-F4 1011 
14 F8-T8 1011 
17 FZ-CZ 1011 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số 69, 10 - 2020 119 
chb01_18_edfm 
10 F4-C4 1717 
17 FZ-CZ 1717.5 
5 FP1-F3 1718 
2 
chb02_16_edfm 
13 FP2-F8 127.5 
7 C3-P3 128.5 
12 P4-O2 128.5 
chb02_19_edfm 
13 FP2-F8 3356.5 
9 FP2-F4 3357 
21 
FT9-
FT10 
3357.5 
3 
chb03_01_edfm 
21 
FT9-
FT10 
362 
4 P7-O1 362.5 
19 P7-T7 362.5 
22 FT10-T8 362.5 
chb03_02_edfm 
21 
FT9-
FT10 
732 
1 FP1-F7 735 
4 P7-O1 735 
chb03_04_edfm 
21 
FT9-
FT10 
2161.5 
1 FP1-F7 2162 
5 FP1-F3 2162 
Kỹ thuật điều khiển & Điện tử 
T. N. Quang , , P. D. Thái, “Xử lý đa kênh tín hiệu điện não  vị trí vùng động kinh.” 120 
4 
chb05_06_edfm 
2 F7-T7 400.5 
6 F3-C3 400.5 
7 C3-P3 400.5 
chb05_13_edfm 
5 FP1-F3 1075.5 
6 F3-C3 1075.5 
20 T7-FT9 1075.5 
chb05_16_edfm 
5 FP1-F3 2303 
6 F3-C3 2303 
20 T7-FT9 2301 
5 
chb06_01_edfm 
2 F7-T7 1718.5 
6 F3-C3 1718.5 
7 C3-P3 1718.5 
8 P3-O1 1718.5 
chb06_04_edfm 
2 F7-T7 320.5 
4 P7-O1 321 
6 F3-C3 320.5 
20 T7-FT9 320.5 
chb06_13_edfm 
1 FP1-F7 490.5 
2 F7-T7 490.5 
3 T7-P7 490.5 
4 P7-O1 491 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số 69, 10 - 2020 121 
6 
chb11_82_edfm 
10 F4-C4 250.5 
13 FP2-F8 250.5 
18 CZ-PZ 251 
23 T8-P8 250.5 
chb11_92_edfm 
10 F4-C4 2680.5 
13 FP2-F8 2680.5 
18 CZ-PZ 2680.5 
23 T8-P8 2680.5 
chb11_99_edfm 
10 F4-C4 1430.5 
13 FP2-F8 1430.5 
23 T8-P8 1430.5 
Nhóm nghiên cứu khảo sát 06 bệnh nhân, mỗi bệnh nhân sử dụng 03-04 file dữ liệu để 
đối chiếu vùng khởi phát động kinh, mỗi file dữ liệu được ghi ở các thời điểm khác nhau. 
Ví dụ: khảo sát 04 file dữ liệu của bệnh nhân số 01 thì nhóm nghiên cứu đưa ra vùng nghi 
ngờ ổ động kinh khởi phát ở bán cầu não phải. Bệnh nhân số 02 có vùng nghi ngờ khởi 
phát động kinh là ở vùng thái dương thuộc bán cầu não phải và bệnh nhân số 03 có vùng 
nghi ngờ khởi phát động kinh là vùng não trái tương ứng với các khoanh vùng trên hình vẽ 
ở cột hình ảnh của bảng 1. 
4. KẾT LUẬN 
Trong các cơn động kinh thì tín hiệu điện não của các kênh trên vùng não bị bệnh sẽ có 
dấu hiệu khởi phát sớm nhất, từ đó nhóm nghiên cứu đã xây dựng được thuật toán để tự 
động phát hiện thời điểm khởi phát động kinh trên tất cả các kênh điện não, căn cứ vào 
thời điểm khởi phát sớm nhất tương ứng với kênh điện não thì các bác sỹ hoàn toàn có thể 
định vị được khu vực nghi ngờ khởi phát (ổ động kinh) động kinh trên não bệnh nhân. Tuy 
nhiên, những phát hiện này chỉ mang tính chủ quan theo kết quả tính toán của nhóm 
nghiên cứu do không có cơ sở đối chiếu (bộ dữ liệu này không có thông tin về vùng khởi 
phát động kinh đối và cũng chưa có nghiên cứu nào khảo sát vùng khởi phát). 
Hướng nghiên cứu tiếp theo của nhóm tác giả là sẽ tiến hành thử nghiệm tại bệnh viện 
với việc kết hợp đánh giá của các bác sĩ để kiểm chứng kết quả của thuật toán đề xuất xác 
định vị trí cơn động kinh. 
TÀI LIỆU THAM KHẢO 
[1]. Jerome Engel Jr., M., PhD; Timothy A. Pedley MD, Epilepsy: “A Comprehensive 
Textbook”. 2008, Lippincott Williams & Wilkins. 
Kỹ thuật điều khiển & Điện tử 
T. N. Quang , , P. D. Thái, “Xử lý đa kênh tín hiệu điện não  vị trí vùng động kinh.” 122 
[2]. Nga, P.V., “Nghiên cứu chẩn đoán và theo dõi kết quả điều trị động kinh toàn thể ở 
trẻ em (từ 6 - 15 tuổi)”. 2002, Học viện Quân y, Hà Nội. 
[3]. Indiradevi, K.P., et al., “A multi-level wavelet approach for automatic detection of 
epileptic spikes in the electroencephalogram”. Computers in biology and medicine, 
2008. 38: p. 805-16. 
[4]. Tsvetkov, O., “Энтропийный анализ данных в физике, биологии и технике”. 2015. 
[5]. Anderson, R. and J. Jakobsson, “Entropy of EEG during anaesthetic induction: A 
comparative study with propofol or nitrous oxide as sole agent.” British journal of 
anaesthesia, 2004. 92: p. 167-70. 
[6]. Trần Ngọc Quang, Phạm Van Thuận., “Tự động phát hiện các cơn động kinh bằng 
phương pháp cửa sổ trượt Entropy ”. Journal of Science and Technique - N.201 (8-
2019) - Le Quy Don Technical University 
[7]. Murin, Y.A.-O., et al., SozRank: “A new approach for localizing the epileptic 
seizure onset zone”. (1553-7358 (Electronic)). 
[8]. Bruce, E.N., M.C. Bruce, and S. Vennelaganti, “Sample entropy tracks changes in 
electroencephalogram power spectrum with sleep state and aging.” Journal of 
clinical neurophysiology : official publication of the American 
Electroencephalographic Society, 2009. 26(4): p. 257-266. 
[9]. Kannathal, N., et al., “Entropies for detection of epilepsy in EEG”. Computer 
methods and programs in biomedicine, 2006. 80: p. 187-94. 
[10]. Lio, P. and Y. Song, “A new approach for epileptic seizure detection: sample 
entropy based feature extraction and extreme learning machine”. Journal of 
Biomedical Science and Engineering, 2010. 3: p. 556-567. 
[11]. Srinivasan, V., C. Eswaran, and N. Sriraam, “Approximate Entropy-Based Epileptic 
EEG Detection Using Artificial Neural Networks”. IEEE Transactions on 
Information Technology in Biomedicine, 2007. 11(3): p. 288-295. 
[12]. Bai, D., T. Qiu, and X. Li, “The sample entropy and its application in EEG based 
epilepsy detection.” Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical 
engineering = Shengwu yixue gongchengxue zazhi, 2007. 24: p. 200-5. 
[13]. Li, P., et al., “Classification of 5-S Epileptic EEG Recordings Using Distribution 
Entropy and Sample Entropy”. Frontiers in Physiology, 2016. 7: p. 136. 
[14]. Song, Y., J. Crowcroft J Fau - Zhang, and J. Zhang, “Automatic epileptic seizure 
detection in EEGs based on optimized sample entropy and extreme learning 
machine”. (1872-678X (Electronic)). 
[15]. Koren, Johannes, Gritsch, Gerhard Pirker, “Automatic ictal onset source localization 
in presurgical epilepsy evaluation.” Clinical Neurophysiology, 2018 
[16]. Ashraf Anwar, “An Entropy-based Feature in Epileptic Seizure Prediction 
Algorithm’’ . IOSR Journal of Computer Engineering (IOSR-JCE), 2015 p47-54. 
[17]. Li, Peng Karmakar, “Detection of epileptic seizure based on entropy analysis of 
short-term EEG’’. PLOS ONE , 2018 
[18]. Reza, Mohammad Arefin, A. S. M. “Epileptic Seizure Prediction and Source 
Localization using Entropy Analysis of Scalp EEG’’. Bangladesh Journal of Medical 
Physics, 2019,p16-25. 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số 69, 10 - 2020 123 
ABSTRACT 
A MULTI-CHANNEL PROCESSING ALGORITHM EEG SIGNALS USING 
ENTROPY SLIDING WINDOW TO DETECT SEIZURES TRIGGER AREA 
 In this research, an approach of Entropy index for analyzing 
electroencephalography (EEG) in epilepsy is supposed. The Entropy change of all 
EEG channels is evaluated and analyzed before, during, and after an epilepsy fit on 
the available dataset "CHB-MIT scalp EEG database". A new algorithm to 
investigate the time when seizures occur on all EEG channels to determine the 
location of suspected seizures in the patient's brain is built. 
Keywords: EEG; Epilepsy; Entropy; Sliding window. 
Nhận bài ngày 28 tháng 8 năm 2020 
Hoàn thiện ngày 09 tháng 10 năm 2020 
Chấp nhận đăng ngày 15 tháng 10 năm 2020 
Địa chỉ: Học viện Kỹ thuật quân sự. 
*
Email: [email protected].