Luận án Phát triển phương pháp phân tích định lượng tín hiệu IEMG chi trên hỗ trợ chẩn đoán bệnh lý

ễu lớn ảnh hƣởng tới tín hiệu iEMG, đặc biệt là nhiễu đồng 
pha. 
 Đối với giải pháp phần mềm, các bộ lọc số hiệu quả nhất đƣợc sử dụng trong 
công đoạn tiền xử lý tín hiệu iEMG thô là các bộ lọc HPF và LPF có đáp ứng 
pha bằng không đƣợc tổng hợp từ bộ lọc Butterworth ít gây méo dạng tín hiệu 
hơn các bộ lọc thông thƣờng. Dải thông tạo ra bởi các bộ lọc xử lý tín hiệu 
iEMG thô là 20Hz – 2kHz. 
Trong nghiên cứu này, đối tƣợng tín hiệu EMG đƣợc xử lý, phân tích là các tín 
hiệu iEMG chi. Do đó, sự ảnh hƣởng của các loại nhiễu đến tín hiệu chủ yếu là nhiều 
tần số thấp (nhiễu do chuyển động, có tần số nhỏ hơn 10Hz) và nhiễu cao tần (lớn hơn 
một vài kHz). Các nhiễu khác nhƣ nhiễu do điện tim, nhiễu điện lƣới là không đáng 
kể. Bởi vì, tín hiệu iEMG dùng các mục đích dạng này thƣờng đƣợc thu bởi các thiết 
bị đo tín hiệu tiêu chuẩn. Do vậy, các tín hiệu iEMG thô đã đƣợc xử lý nhiễu bởi phần 
cứng khá tốt, đặc biệt là nhiễu nguồn 50Hz (hoặc 60Hz). Do vậy, chúng ta chỉ cần xử 
lý lọc đơn giản đối với tín hiệu iEMG thô trƣớc khi thực hiện các phân tích tiếp theo. 
Cụ thể, tác giả lựa chọn bộ lọc có đáp ứng pha bằng không, đƣợc tổng hợp từ bộ 
lọc Butterworth có dải thông là 20Hz – 2kHz để tiền xử lý tín hiệu. Tuy nhiên, trong 
trƣờng hợp cần thiết, dựa vào việc quan sát đƣợc đồ thị phổ tín hiệu iEMG, nếu thấy 
một thành phần nhiễu nào đó lớn, chúng ta có thể áp dụng các bộ lọc khác nhƣ bộ lọc 
triệt tần, triệt dải. Dải tần của bộ lọc thông dải đƣợc đề xuất ở trên cũng có thể lựa 
chọn khác. Điều này cho phép loại bỏ (các) thành phần nhiễu lớn trong tín hiệu iEMG 
có đƣợc thực tế, trƣớc khi thực hiện các phép phân tích theo. 
Một số nội dung nghiên cứu và kết quả khảo sát đƣợc đề cập trong chƣơng này 
đƣợc tác giả công bố trong bài báo: 
[1]. Phạm Mạnh Hùng, Vũ Duy Hải, Hoàng Mạnh Cƣờng, Nguyễn Văn 
Khang (2014), “Phát triển một số giải pháp thiết kế mạch để nâng cao 
chất lượng tín hiệu điện cơ đồ”, Hội thảo quốc gia 2014 về Điện tử, 
Truyền thông và Công nghệ thông tin (REV-ECIT2014), pp311-316. 
51 
CHƢƠNG 3. PHÁT TRIỂN PHƢƠNG PHÁP PHÂN TÍCH 
ĐỊNH LƢỢNG TÍN HIỆU iEMG CHI 
Để phát triển phƣơng pháp phân tích định lƣợng tín hiệu iEMG chi dựa trên việc 
kế thừa các ƣu điểm và khắc phục các nhƣợc điểm của một số phƣơng pháp hiện có, 
trong nghiên cứu này tác giả đã thực hiện: (1) Nghiên cứu và phân tích các phƣơng 
pháp phân tích định lƣợng hiện nay; (2) Phát triển phƣơng pháp phân tích định lƣợng 
(bao gồm cải tiến công đoạn xác định các đoạn điện thế tích cực (Active Potential 
Segment - APS) là thành phần có ý nghĩa chẩn đoán trong tín hiệu iEMG, đơn giản 
hóa việc xác định bộ các thông số định lƣợng tín hiệu iEMG); (3) Thực hiện phân tích 
đánh giá giá trị của các thông số đặc trƣng cho tín hiệu iEMG đối với việc hỗ trợ phân 
loại tín hiệu theo các nhóm bệnh lý và bình thƣờng. 
3.1. Đặt vấn đề 
Nhƣ đã đề cập ở chƣơng một, kỹ thuật định lƣợng tín hiệu điện cơ bao gồm một 
bộ các kỹ thuật phân tích và xử lý tín hiệu điện cơ khác nhau để phục vụ cho mục đích 
nghiên cứu và chẩn đoán bệnh. Kỹ thuật QEMG có thể áp dụng đối với cả hai loại tín 
hiệu sEMG và iEMG. Trong nghiên cứu này, phƣơng pháp định lƣợng đƣợc phát triển 
chỉ hƣớng tới tín hiệu iEMG chi thu bởi điện cực kim đồng tâm. Do đó, các nội dung 
nói về phƣơng pháp hoặc kỹ thuật QEMG sau đây đƣợc hiểu là nói về phƣơng pháp 
hoặc kỹ thuật phân tích định lƣợng tín hiệu iEMG thu bởi điện cực kim đồng tâm. 
Thông tin định lƣợng, thu đƣợc sau công đoạn phân tích QEMG, có thể là bộ các 
giá trị đặc trƣng hoặc các đoạn sóng MUAP mẫu của tín hiệu đƣợc phân tích. Thông 
tin này là thông tin rút gọn, chúng có kích thƣớc dữ liệu nhỏ hơn nhiều so với tín hiệu 
gốc. Chúng giúp cho bƣớc phân loại tín hiệu iEMG tiếp sau đƣợc hiệu quả hơn và 
khách quan hơn. Ví dụ, khi sử dụng kỹ thuật QEMG, thay vì xem xét phân tích toàn 
bộ chuỗi dữ liệu tín hiệu iEMG, thƣờng có kích thƣớc lên tới vài trăm nghìn mẫu, bác 
sỹ chỉ cần xem xét bộ giá trị đặc trƣng bao gồm một vài hoặc một vài chục giá trị định 
lƣợng thu đƣợc từ tín hiệu đó để đƣa ra kết luận chẩn đoán bệnh lý. Hay đối với các 
công cụ hỗ trợ phân loại có khả năng ứng dụng thực tế, việc đƣa ra kết quả phân loại 
tín hiệu chỉ có thể thực hiện khi đầu vào là bộ thông số đặc trƣng của tín hiệu có kích 
thƣớc không quá lớn. 
Các phƣơng pháp QEMG đã đƣợc nghiên cứu và giới thiệu từ rất sớm. Sự phát 
triển của công nghệ máy tính và các kỹ thuật xử lý tín hiệu số đã giúp cho việc nghiên 
52 
cứu về các phƣơng pháp QEMG trở nên dễ dàng và phổ biến hơn. Chúng có thể đƣợc 
liệt kê mang tính đại diện nhƣ: 
 Buchthal và cộng sự [14] là những ngƣời đầu tiên phát triển phƣơng pháp 
phân tích định lƣợng tín hiệu iEMG, theo phƣơng pháp này các MUAP đƣợc 
ghi lại bằng chụp ảnh, lựa chọn và phân tích. 
 LeFever và DeLuca [20] giới thiệu phƣơng pháp dùng điện cực kim ba kênh 
chuyên dụng để thu lại tín hiệu EMG và sử dụng phần mềm phân tích tín hiệu 
EMG dựa trên kỹ thuật đối sánh mẫu để xác định MUAP có trong tín hiệu. 
 Constantinos và cộng sự [21] giới thiệu phƣơng pháp định lƣợng dựa trên việc 
phân tách và phân nhóm các MUAP trong tín hiệu iEMG, sau đó tính 14 
thông số thống kê μ, s của các tham số chỉnh của MUAP, hoặc 140 thông số là 
các chỉ số Dur, SpDur, Amp, Area, SpArea, Ph và T của từng MUAP thuộc 20 
nhóm của mỗi tín hiệu. 
 C.Shirota và cộng sự [15] giới thiệu phƣơng pháp định lƣợng tín hiệu sử dụng 
kỹ thuật phân tích tự hồi quy (AutoRegressive – AR) để tính các hệ số AR bậc 
44 của mỗi tín hiệu EMG, và dùng chúng phân loại tín hiệu đó theo bệnh lý. 
 Sivarit Sultornsanee và cộng sự [75] giới thiệu phƣơng pháp định lƣợng tín 
hiệu dùng kỹ thuật phân tích định lượng truy hồi (Recurrence Quantification 
Analysis - RQA) để tính các hệ số RR, DET, LAM cho mỗi tín hiệu. 
 D. Christos và cộng sự [23] sử dụng phƣơng pháp định lƣợng dựa trên việc 
xác định 5 tham số (Amp, Dur, RT, Area, Pha) của mỗi nhóm MUAP chứa 
trong tín hiệu và các MUAP đƣợc phân nhóm bằng phƣơng pháp K-mean mờ. 
 D. Akhila và cộng sự [8] giới thiệu phƣơng pháp định lƣợng sử dụng kết hợp 
hai kỹ thuật phân tích là phân tích Wavelet rời rạc và phân tích tự hồi quy -
AR để tính 15 hệ số phân giải DWT-Daubechies bậc 5 và 15 hệ số phân tích 
AR bậc 15 của mỗi tín hiệu. 
 Ercan Gokgoz và cộng sự [40] giới thiệu phƣơng pháp định lƣợng tín hiệu sử 
dụng kỹ thuật phân tích MUSIC (ƣớc lƣợng phổ của các thành phần độc lập 
của tín hiệu sau khi đƣợc triệt nhiễu bởi PCA) để tính các chỉ số định lƣợng 
của tín hiệu. 
 Mukesh Patidar và cộng sự [68] giới thiệu phƣơng pháp định lƣợng sử dụng 
kỹ thuật phân giải giá trị suy biến (Singular Value Decomposition - SVD) để 
xác định 10 vectơ suy biến đặc trƣng của tín hiệu. 
Quy trình định lƣợng tín hiệu của các phƣơng pháp đƣợc giới thiệu ở trên có thể 
đƣợc mô tả nhƣ các sơ đồ quy trình ở hình 3.1 dƣới đây. 
53 
Hình 3.1. Các quy trình QEMG của các phương pháp đã được giới thiệu 
Mặc dù, có nhiều nghiên cứu về QEMG đƣợc giới thiệu, nhƣng thực tế chƣa có 
phƣơng pháp nào trong số đó có đƣợc sự chấp nhận rộng rãi để sử dụng cho chẩn đoán 
lâm sàng. Có một số lý do để giải thích cho điều này, đó là: (1) Các kỹ thuật QEMG 
hiện đang áp dụng tiêu tốn khá nhiều tài nguyên khi thực hiện; (2) Một số kỹ thuật 
QEMG đòi hỏi bác sỹ phải có hiểu biết kỹ thuật xử lý tín hiệu để có các can thiệp vào 
quá trình phân tích định lƣợng tín hiệu; (3) Một số kỹ thuật QEMG đƣa ra bộ thông số 
định lƣợng không dễ để sử dụng cho quá trình chẩn đoán, và đôi khi có kích thƣớc dữ 
liệu lớn [3], [28], [53], [64]. Do đó, mục đích nghiên cứu của luận án này cũng nhƣ 
các nghiên cứu khác về QEMG đang đƣợc thực hiện là đƣa ra các phƣơng pháp 
QEMG khắc phục đƣợc các nhƣợc điểm hiện có và tăng khả năng áp dụng của chúng. 
Trong nghiên cứu này, phƣơng pháp QEMG đƣợc đề xuất phát triển cho phép 
tính bộ các thông số định lƣợng từ các tham số của từng APS đƣợc phân tách phù hợp 
từ tín hiệu iEMG. Hình 3.2 là quy trình QEMG đƣợc tác giả đề xuất phát triển. 
Hình 3.2. Quy trình định lượng tín hiệu iEMG được đề xuất phát triển 
54 
Hình 3.2 minh họa quy trình định lƣợng tín hiệu iEMG chi của phƣơng pháp 
đƣợc đề xuất trong nghiên cứu này, gồm ba công đoạn chính là: 
 Công đoạn 1: là tiền xử lý tín hiệu để loại bỏ các thành phần nhiễu, 
 Công đoạn 2: là xác định các thành phần có ý nghĩa chẩn đoán (là các 
APS và các điểm uốn) trong tín hiệu iEMG chi, 
 Công đoạn 3: là tính các thông số định lƣợng của tín hiệu iEMG chi từ 
các thành phần có ý nghĩa chẩn đoán có đƣợc và phân tích Poincaré. 
Nhƣ vậy, phƣơng pháp QEMG đƣợc đề xuất gồm 3 bƣớc, trong đó công đoạn 
đầu tiên là tiền xử lý và các công đoạn phân tích định lƣợng tiếp sau. Tuy nhiên, ở 
chƣơng hai tác giả đã phân tích các vấn đề liên quan đến các giải pháp tăng cƣờng 
chất lƣợng tín hiệu iEMG (bao gồm giải pháp tiền xử lý tín hiệu) để dùng cho các 
bƣớc phân tích tiếp theo. Nhƣ vậy về cơ bản, các vấn đề liên quan đến công đoạn tiền 
xử lý tín hiệu trong quy trình QEMG đã đƣợc phân tích và lựa chọn. Để tránh trình 
bày lặp lại, phần nội dung đó sẽ không đƣợc đề cập trong chƣơng này. Các phần tiếp 
theo của chƣơng này sẽ mô tả chi tiết hơn về các công đoạn phân tích QEMG còn lại 
và bộ thông số định lƣợng mới đƣợc đề xuất phát triển. 
Ở phần cuối của chƣơng này sẽ trình bày giải pháp đánh giá giá trị mỗi thông số 
định lƣợng có đƣợc về khả năng phân biệt giữa các nhóm tín hiệu phân loại theo các 
bệnh lý. Giải pháp đánh giá đƣợc sử dụng dựa trên lý thuyết mô tả thống kê và kiểm 
định giả thuyết thống kê đối với dữ liệu định lƣợng, là dữ liệu thu đƣợc sau khi thực 
hiện phân tích định lƣợng tập dữ liệu tín hiệu iEMG mẫu. Sử dụng giải pháp đánh giá 
này cho phép đánh giá sơ bộ riêng lẻ từng thông số dựa trên kết quả phân tích thống 
kê. Giải pháp này khác với các giải pháp đƣợc sử dụng trong nhiều nghiên cứu trƣớc 
đây [8], [12], [19], [23], [77]. Ở đó, giá trị của bộ thông số định lƣợng đƣợc đánh giá 
thông qua tỷ lệ phân loại đúng khi cho chúng vào một mô hình phân loại nhƣ mạng 
Nơron và SVM. 
Theo mô tả sơ bộ ở trên phƣơng pháp QEMG này có nhiều phần tƣơng đồng với 
các phƣơng pháp QEMG các tham số của các MUAP mẫu chứa trong tín hiệu iEMG 
đã đƣợc đề xuất trƣớc đây [53]. Trong phƣơng pháp đƣợc phát triển, tác giả có một số 
cải tiến để làm giảm số lƣợng tài nguyên tính toán, trong khi vẫn đƣa ra các thông số 
định lƣợng có ý nghĩa cho việc phân loại tín hiệu theo các nhóm bệnh lý và bình 
thƣờng. Điều này có nghĩa là, phƣơng pháp này đƣợc phát triển dựa trên sự tham 
khảo, kế thừa các ƣu điểm của phƣơng pháp đã đƣợc đề xuất, khắc phục các hạn chế 
liên quan đến vấn đề tiêu tốn tài nguyên khi sử dụng của các phƣơng pháp trƣớc đây. 
55 
3.2. Phát triển phƣơng pháp tự động xác định các thành phần có ý 
nghĩa trong tín hiệu iEMG chi 
Trong một số phƣơng pháp định lƣợng tín hiệu iEMG, công đoạn phân giải tín 
hiệu iEMG thành các APS (với mỗi APS có thể là một MUAP riêng lẻ hoặc là các 
MUAP xếp chồng) là một công đoạn không thể thiếu. Việc phân đoạn có thể thực hiện 
thủ công, bán tự động, hay tự động hoàn toàn. Trong đó: 
 Ở phƣơng pháp thủ công, chuyên gia điện cơ đồ sẽ phải quan sát tín hiệu và tự 
xác định điểm đầu hay điểm cuối của mỗi đoạn APS; 
 Ở phƣơng pháp bán tự động thì các công cụ hỗ trợ phân tích tín hiệu sẽ đƣa ra 
các gợi ý vị trí điểm đầu điểm cuối của các APS, các chuyên gia điện cơ đồ có 
thể chỉnh (hoặc chọn) lại; 
 Ở phƣơng pháp tự động phân đoạn thì công cụ hỗ trợ tự động thực hiện phân 
đoạn mà không cần có sự can thiệp thêm của con ngƣời. 
Trong nghiên cứu này, thông số định lƣợng của tín hiệu đƣợc tính thống kê theo 
các tham số chính của các APS xác định đƣợc trong toàn tín hiệu iEMG chi. Do đó, 
việc nghiên cứu về các phƣơng pháp phân tách tự động đã đƣợc công bố, dựa vào đó 
phát triển phƣơng pháp phân tách tự động các APS theo yêu cầu của phƣơng pháp tự 
động định lƣợng tín hiệu iEMG là nhiệm vụ của nghiên cứu này. 
A 
B 
s 
Hình 3.3. A - Tín hiệu iEMG và B - Các APS xác định được 
Phần tiếp theo sau đây tác giả sẽ mô tả một số phƣơng pháp QEMG thƣờng đƣợc 
sử dụng và phƣơng pháp phân tách APS đƣợc đề xuất phát triển. 
56 
3.2.1. Một số giải pháp phân tách các APS đã được giới thiệu 
Hiện nay, một số phƣơng pháp cho phép tự động phân tách các APS đã đƣợc các 
nhóm nghiên cứu, phát triển và đƣợc ứng dụng trong nhiều nghiên cứu khác nhau 
[16], [19], [21], [22], [28], [57], [64]. Phần tiếp theo sẽ giới thiệu bốn phƣơng pháp, 
thƣờng đƣợc sử dụng để phân tách các APS có trong tín hiệu iEMG và chỉ ra một số 
ƣu và nhƣợc điểm của chúng. 
3.2.2.1. Phƣơng pháp 1: Phân tách APS sử dụng cửa sổ cố định 
Theo mô tả trong các công bố [16], [19], việc phân tách đƣợc thực hiện thông 
qua việc xác định đỉnh của từng đoạn tín hiệu dựa trên một ngƣỡng T đƣợc tính toán 
từ tín hiệu cần đƣợc phân tách theo biểu thức điều kiện sau: 
Nếu * + 
∑ ( )
 thì 
∑ ( ) 
 nếu không * + ⁄ . 
Hình 3.4 mô tả phƣơng pháp xác định các APS khi sử dụng các cửa sổ cố định 
và ngƣỡng phân tách T. 
Hình 3.4. Vị trí các APS được xác định theo cửa sổ cố định và ngưỡng T 
Phƣơng pháp tách đoạn đƣợc thực hiện bắt đầu từ đầu của tín hiệu, điểm xi đầu 
tiên có giá trị biên độ lớn hơn ngƣỡng T đƣợc coi là đỉnh. Sau đó, một cửa sổ có chiều 
rộng khoảng 6ms (tƣơng ứng với 120 mẫu với tần số lấy mẫu là 20kHz), đƣợc dùng 
để phân tách tín hiệu sẽ có điểm trung tâm là chính là vị trí của đỉnh vừa xác định. 
Nếu trong cửa sổ phân tách đó không có điểm nào có giá trị biên độ lớn hơn giá trị 
đỉnh vừa đƣợc xác định, thì một đoạn tín hiệu tích cực đƣợc xác định và đƣợc tách ra 
khỏi tín hiệu cần phân đoạn. 
Trong trƣờng hợp, trong cửa sổ phân tách đó có một điểm có giá trị biên độ lớn 
hơn biên độ của điểm đƣợc xác định trƣớc đó, thì điểm đó sẽ đƣợc coi là đỉnh mới. 
Khi đó cửa sổ sẽ đƣợc dịch để thỏa mãn đỉnh mới phát hiện sẽ nằm trung tâm của 
phân đoạn. Quá trình phân tách sẽ đƣợc thực hiện tuần tự nhƣ vậy tới khi tất cả các 
đoạn tích cực đƣợc xác định. 
57 
Theo phƣơng pháp phân tách này, các phân đoạn đƣợc tách ra sẽ có độ dài cố 
định (6ms). Các APS đã tách đƣợc từ tín hiệu đƣợc xác định là một MUAP, khi nó 
thuộc 1 nhóm có từ 3 APS tƣơng tự nhau. Và đoạn phân tách đƣợc không thuộc nhóm 
nào sẽ đƣợc gọi là MUAP xếp chồng. Với các MUAP xếp chồng cửa sổ phân tách có 
thể sẽ đƣợc mở rộng lên đến 25ms. Ở đây, độ dài cửa sổ 6ms thƣờng đƣợc lựa chọn 
bởi vì theo một số nghiên cứu thì thời khoảng trung bình của các MUAP thƣờng là 
6ms, trong một số trƣờng hợp đặc biệt, chiều dài cửa sổ phân đoạn có thể dài hoặc 
ngắn hơn, thƣờng thì không vƣợt quá 18ms [42]. 
3.2.2.2. Phƣơng pháp 2: Phân tách APS sử dụng tín hiệu Trigơ 
Theo mô tả trong các công bố [21], [28], [57] việc phân tách đƣợc thực hiện dựa 
trên việc xác định điểm đầu và điểm cuối của mỗi đoạn tín hiệu tích cực. Cụ thể là, tín 
hiệu EMG đƣợc lọc thông cao (với tần số cắt có thể lựa chọn là 250Hz) để lấy tín hiệu 
Trigơ của nó. Hình 3.5 mô tả tín hiệu iEMG và tín hiệu trigơ của nó, trong đó vị trí 
các đỉnh (đƣợc đánh số) trên tín hiệu Trigơ tƣơng ứng với vị trí đỉnh trung tâm của 
mỗi đoạn tín hiệu tích cực. Các đỉnh trung tâm trên tín hiệu trigơ có số giống nhau có 
sự tƣơng đồng nhau về hình thái. 
Hình 3.5. Hình ảnh tín hiệu gốc và tín hiệu xung Trigơ của nó 
Vị trí điểm đầu và cuối của mỗi đoạn tín hiệu tích cực sẽ nằm ở hai phía của đỉnh 
trung tâm đã đƣợc xác định với khoảng cách tối đa là 3ms và có biên độ bằng ±40μV. 
Cụ thể, điểm bắt đầu của APS là điểm thoả mãn điều kiện nằm bên trái của đỉnh trung 
tâm có biên độ là ±40μV và cách đỉnh trung tâm tối đa 3ms. Ngƣợc lại, điểm kết thúc 
của APS là điểm thoả mãn điều kiện nằm bên phải của đỉnh trung tâm có biên độ là 
±40μV và cách đỉnh trung tâm tối đa 3ms. Ngƣỡng ±40μV đƣợc lựa chọn vì với các 
APS phân tách đƣợc có biên độ lớn hơn ngƣỡng này đƣợc coi là có ý nghĩa chuẩn 
58 
đoán. Các MUAP có biên độ nhỏ hơn ngƣỡng này đƣợc coi là do các MU ở xa vị trí 
thăm khám (cắm kim điện cực) tạo ra, nên không đƣợc sử dụng. 
Phƣơng pháp này đƣợc sử dụng nhiều trong các nghiên cứu trƣớc đây và trong 
các thiết bị cũng có thể sử dụng phƣơng pháp này để giúp phân tách lấy các MUAP 
trong thời gian thực. Với những ứng dụng loại đó, bộ lọc thông cao có thể đƣợc tạo 
bởi 1 mạch phần cứng. Đầu ra của bộ lọc HPF này sẽ là các xung triger báo hiệu cho 
các khối xử lý thời điểm xuất hiện của MUAP tạo ra xung trigơ đó, đoạn tín hiệu phân 
tách đƣợc sẽ có trung tâm tƣơng ứng với đỉnh của xung trigơ. 
3.2.2.3. Phƣơng pháp 3: Phân tách APS sử dụng biến đổi Wavelet 
Trong công bố [22], việc phân tách sử dụng biến đổi WCT với hàm Wavelet mẹ 
đƣợc lựa chọn là Daubechies (DB). Phƣơng pháp này thƣờng lựa chọn hàm Wavelet 
mẫu là hàm DB, do nó có hình thái khá tƣơng đồng với hình thái của một MUAP 
(xem Hình 3.6). 
Hình 3.6. Hình thái của các dạng sóng wavelet Daubechies [22] 
Sóng mẫu tƣơng ứng với mỗi tỷ lệ của hàm DBn sẽ đƣợc trƣợt trên toàn bộ tín 
hiệu để xác định các hệ số cij tƣơng ứng. Biên độ hàm sóng mẫu sẽ đƣợc thay đổi 
trong khoảng từ giá trị cực đại của tín hiệu tới giới hạn nhỏ nhất lớn hơn một ngƣỡng 
xác định trƣớc. Độ dài của sóng mẫu cũng có thể đƣợc thay đổi trong khoảng từ 3ms 
đến 18ms. 
Các đoạn nào có hệ số chuyển đổi WCT lớn hơn một ngƣỡng lựa chọn trƣớc sẽ 
đƣợc xác định là một APS (hay MUAP). Và có dạng tƣơng ứng với sóng WCT tƣơng 
ứng (tỷ lệ thời gian – độ lớn tƣơng ứng). Ngƣỡng biên độ dƣới nhỏ nhất thƣờng đƣợc 
lựa chọn là ±40μV. Tuy nhiên, tùy từng quan điểm lấy giới hạn nhỏ nhất của một 
59 
MUAP đƣợc xem xét, các nghiên cứu khác nhau có thể lựa chọn ngƣỡng này khác 
nhau, chẳng hạn nhƣ ±30, ±50μV hoặc giá trị khác. 
3.2.2.4. Phƣơng pháp 4: Phân tách APS sử dụng tín hiệu biến động 
Trong công bố [64], việc phân tách đƣợc thực hiện thông qua việc xác định điểm 
đầu và điểm cuối của đoạn tích cực. Trong đó, các điểm này đƣợc xác định từ tín hiệu 
phƣơng sai v(n) của tín hiệu gốc x(n) và các ngƣỡng cắt và tƣơng ứng. 
Dƣới đây là công thức đƣợc sử dụng để tính toán tín hiệu phƣơng sai Nikolic sử dụng: 
 ( ) 
∑ ( ) (
∑ ( ) )
 (3.1) 
Trong đó: N đƣợc lựa chọn sao cho ⁄ và ( ) ⁄ 
Các ngƣỡng và sẽ đƣợc xác định để phân tách các đoạn tín hiệu 
x[j:j+k] có giá trị phƣơng sai v[j:j+k] lớn hơn các ngƣỡng đó. Trong đó, là giá 
trị cực tiểu đầu tiên của hàm mật độ biên độ của tín hiệu phƣơng sai v(n), là đồ thị bên 
trái của hình 3.6 dƣới đây. Còn ngƣỡng đƣợc tính theo công thức sau đây: 
 (3.2) 
với là giá trị trung bình của các v(j) trong toàn bộ tín hiệu v(n) có giá 
trị nhỏ hơn 
 . 
Hình 3.7. Phương pháp phân tách dựa trên tín hiệu biến động [63] 
Đoạn tín hiệu tích cực là chuỗi điểm x(j) liên tiếp nhau có giá trị phƣơng sai v(j) 
tƣơng ứng lớn hơn các ngƣỡng đã đƣợc xác định. Trong đó, vị trí của điểm đầu của 
đoạn tích cực là điểm có lân cận bên trái nhỏ hơn giá trị ngƣỡng và lân cận bên 
phải lớn hơn ngƣỡng . Vị trí của điểm cuối của đoạn tích cực là điểm có lân cận 
bên trái lớn hơn giá trị ngƣỡng và lân cận bên phải nhỏ hơn giá trị ngƣỡng . 
60 
3.2.2.5. Đánh giá các phƣơng pháp phân tách đã đƣợc giới thiệu 
Dƣới đây là bảng so sánh mức độ phân tách chính xác của các phƣơng pháp 
phân tách đƣợc đề cập ở trên. Trong đó, độ chính xác phân tách của một phƣơng pháp 
đƣợc tính bằng số phân đoạn MUAP đƣợc phân tách bởi phƣơng pháp đó chia cho số 
phân đoạn đƣợc đếm thủ công trên tín hiệu đƣợc phân tách đó. 
Bảng 3.1. Bảng so sánh tỷ lệ phân tách đúng của các phương pháp 
Phương pháp 
phân tách 
Tỷ lệ phân tách đúng (%) 
Tổng số (%) 
Tín hiệu NOR Tín hiệu Myo Tín hiệu ALS 
Phƣơng pháp 1 96,07 95,86 95,78 95,90 
Phƣơng pháp 2 96,07 42,75 87,36 75,39 
Phƣơng pháp 3 52,45 83,79 63,68 66,64 
Phƣơng pháp 4 - - - - 
Bảng 3.1 đƣợc xây dựng dựa trên kết quả thực hiện lại các phƣơng pháp phân 
tách theo mô tả ở phần trên và là kết quả đƣợc đƣa ra