Sử dụng deep neural networks phát hiện gai động kinh trong bản ghi EEG

Nghiên cứu khoa học công nghệ 
 Tạp chí Nghiên cứu KH&CN quân sự, Số 70, 12 - 2020 77 
SỬ DỤNG DEEP NEURAL NETWORKS PHÁT HIỆN GAI ĐỘNG KINH 
TRONG BẢN GHI EEG 
Lê Thanh Xuyến*, Nguyễn Đức Thuận 
Tóm tắt: Deep Neural Networks là một thuật toán dạy cho máy học, là phương pháp 
nâng cao của mạng nơ-ron nhân tạo (Artificial Neural Networks) nhiều tầng để học biểu 
diễn mô hình đối tượng. Bài báo trình bày phương pháp để phát hiện spike tự động, giải 
quyết bài toán cho các bác sỹ khi phân tích dữ liệu khổng lồ được thu thập từ bản ghi điện 
não để xác định một khu vực của não gây ra chứng động kinh. Hàng triệu mẫu được phân 
tích thủ công đã được đào tạo lại để tìm các gai liêp tiếp phát ra từ vùng não bị ảnh 
hưởng. Để đánh giá phương pháp đề xuất, tác giả đã xây dựng hệ thống trong đó sử dụng 
một số mô hình deep learning đưa vào thử nghiệm hỗ trợ các bác sỹ khám phát hiện và 
chẩn đoán sớm bệnh. 
Từ khóa: Mô hình học sâu; Mạng nơ ron; Học máy; Tín hiệu sinh học; Xử lý tín hiệu y sinh; Gai động kinh; Tín hiệu 
điện não (EEG). 
1. ĐẶT VẤN ĐỀ 
Bệnh động kinh là bệnh thần kinh gây ra co giật ở nạn nhân có thể dẫn đến thương tích hoặc 
thậm chí tử vong trong một số trường hợp. Một bộ não hoạt động tốt là nhờ vào các tín hiệu điện 
mà các tế bào thần kính truyền cho nhau. Khi bệnh nhân mắc chứng động kinh các bộ phận của 
não có mức tín hiệu điện cao bất thường. Bệnh mãn tính này không có cách chữa trị và ảnh 
hưởng đến hàng triệu người trên toàn thế giới nhưng có thể được quản lý thông qua nhiều 
phương pháp khác nhau. Việc điều trị thành công phụ thuộc vào việc xác định chính xác nguồn 
gốc của các cơn co giật trong não. Một thách thức lớn đối với các bác sĩ là bài toán phân tích số 
lượng dữ liệu khổng lồ được thu thập từ các thiết bị điện não đồ (EEG) mang lại. Để xác định 
một khu vực của não gây ra chứng động kinh, hàng triệu mẫu phải được phân tích thủ công bằng 
mắt để tìm các gai liên tiếp phát ra từ vùng bị ảnh hưởng não. Bài báo này trình bày phương pháp 
để phát hiện gai động kinh tự động, giảm thiểu dương tính giả, giúp loại bỏ quá trình thủ công 
hiện đang được các bác sĩ sử dụng. Deep Learning thể hiện cho chiều sâu của mạng, có thể hiểu 
chữ “Deep” theo ý nghĩa phân luồng dữ liệu từ sơ cấp đến cao cấp, bằng cách sử dụng nhiều lớp 
neuron để xử lý thông tin. 
Trong kỷ nguyên của dữ liệu lớn “big data”, việc chuyển đổi số lượng lớn dữ liệu thành kiến 
thức có giá trị ngày càng trở nên quan trọng trong các lĩnh vực khác nhau, và xử lý tín hiệu sinh 
học cũng không ngoại lệ [1]. Một số lượng lớn dữ liệu y sinh, bao gồm dữ liệu hình ảnh và tín 
hiệu y sinh đang được tích lũy ứng dụng trong nghiên cứu sinh học, trở thành tiềm năng để giải 
quyết kết quả bài toán chăm sóc sức khỏe đang thu hút sự chú ý của các nhà nghiên cứu [2]. Điều 
trị ung thư do IBM phát triển công cụ Watson phân tích thông tin y tế bệnh nhân hỗ trợ các bác sĩ 
lâm sàng với các lựa chọn điều trị [3], gần đây đã ra mắt DeepMind Health phát triển hiệu quả 
công nghệ chăm sóc sức khỏe [4, 5]. 
Nghiên cứu ứng dụng công nghệ mới của học máy đưa ra khả năng tự động phát hiện và phân 
loại chính xác các gai động kinh trong các bản ghi điện não, có ý nghĩa về y học, hỗ trợ các bác 
sỹ trong việc chẩn đoán sớm bệnh điểu trị thuốc, cắt cơn bệnh. 
2. NỘI DUNG CẦN GIẢI QUYẾT 
Trong công nghệ thông tin, mạng thần kinh nhân tạo là một hệ thống các chương trình có cấu 
trúc dữ liệu mô phỏng cách vận hành của não người. Một mạng thần kinh như vậy bao gồm một 
lượng lớn các vi xử lý hoạt động song song, mỗi vi xử lý chứa đựng một vùng kiến thức riêng và 
có thể truy cập vào các dữ liệu trong bộ nhớ riêng của mình. Chúng không nhất thiết phải là phần 
cứng mà có thể là các phần mềm và giải thuật [6]. 
Kỹ thuật điều khiển & Điện tử 
 78 L. T. Xuyến, N. Đ. Thuận, “Sử dụng Deep Neural Networks  động kinh trong bản ghi EEG.” 
Nếu ví mạng thần kinh nhân tạo với não người thì các nơ-ron thần kinh chính là các node 
(node là đơn vị thần kinh). Trong mạng thần kinh nhân tạo mỗi chiếc máy tính trong mạng thần 
kinh có thể được xem như một node được kết nối với nhau trong mạng lưới lớn, từng node này 
chỉ trả lời được những câu hỏi hết sức cơ bản chứ không thông minh, khi được gộp chúng với 
nhau thì chúng có sức mạnh xử lý được cả nhưng thông tin khó nhất. Đặc biệt bằng những thuật 
toán phù hợp chúng ta có thể dạy và huấn luyện được chúng. Theo ý nghĩa sinh học mạng neural 
là một tập hợp các dây thần kinh kết nối với nhau. Trong Deep learning, neural networks để chỉ 
mạng nơ-ron nhân tạo cấu tạo thành các lớp nơ-ron. Những dự án Deep Learning mới nhất hiện 
nay không cần training do con người được gọi là học không giám sát ”unsupervised learning”, trí 
tuệ nhân tạo (Artificial Intelligence - AI) cho phép AI có thể tự hiểu các khái niệm mà không cần 
phải gán nhãn. 
Deep Learning được ứng dụng trong nhận diện hình ảnh, giọng nói và xử lý ngôn ngữ tự 
nhiên. Đặc điểm đặc biệt của học sâu là tính chí ...  dấu bởi các chuyên gia thần kinh. Đánh giá hiệu suất, tỷ lệ 
phần trăm của gai chính xác (đúng, dương tính: TP), không gai (dương tính giả: FP) và gai nhọn 
(âm tính giả: FN). 
Các thuật toán sử dụng phương pháp học sâu phát hiện ra gai động kinh theo các tham số sau: 
tính toán độ nhạy (SEN), độ xác định (SPE), độ chọn lọc (SEL), hiệu suất của hệ thống (ACC), 
mức cảnh báo giả (NPV). 
Hệ thống xác định gai cho ra % độ nhạy: 
TP
SEN
TP FN
 (1) 
Mức độ xác định (SPE): 
TN
SPE
TN FP
 (2) 
Mức độ chọn lọc (SEL): 
TP
SEL
TP FP
 (3) 
Hiệu suất của hệ thống (ACC): 
TP TN
ACC
TP FP TN FN
 (4) 
Mức cảnh báo giả (NPV): 
TN
NPV
TN FN
 (5) 
Khi quan sát điện não đồ, dựa vào các xung động kinh (epileptic seizures) hoặc gai động kinh 
(epileptic spikes), các bác sỹ thần kinh sẽ xác định các khu vực não bị tổn thương và thể loại 
bệnh động kinh. Xung động kinh sẽ xuất hiện trên điện não đồ của người bị động kinh khi xảy ra 
cơn động kinh. Ngược lại gai động kinh sẽ xuất hiện trên EEG của người bị động kinh trước 
hoặc sau cơn động kinh [11]. Khi chạy thử nghiệm trên mô hình deep learning, kết quả gần như 
chính xác trong xét nghiệm đo EEG hỗ trợ các bác sỹ chẩn đoán điều trị người bệnh nhanh nhất 
và kịp thời. 
3. MÔ PHỎNG VÀ TÍNH TOÁN 
Học sâu là một nhánh đặc biệt của ngành “học máy”, phổ biến mấy năm gần đây do các nhà 
khoa học đã có thể tận dụng khả năng tính toán mạnh mẽ của các máy tính hiện đại cũng như 
khối lượng dữ liệu lớn trên Internet. Sự phát triển của khoa học, học máy được sinh ra trong quá 
trình khai phá trí tuệ nhân tạo, một số nhà nghiên cứu đã quan tâm đến việc máy học từ dữ liệu. 
Họ cố gắng để tiếp cận vấn đề với những phương pháp khác nhau, dẫn đến sự ra đời và phát triển 
của mạng nơ-ron. Nội dung cơ bản của phương pháp học sâu: các lớp được sử dụng trong học 
sâu bao gồm các lớp ẩn của một mạng nơ-ron nhân tạo và tập các công thức mệnh đề phức tạp. 
Chúng cũng có thể bao gồm các biến tiềm ẩn được tổ chức thành các lớp chọn lọc trong các mô 
Kỹ thuật điều khiển & Điện tử 
 80 L. T. Xuyến, N. Đ. Thuận, “Sử dụng Deep Neural Networks  động kinh trong bản ghi EEG.” 
hình có khả năng sinh ra sâu như các nút trong Deep Belief Networks và Deep Boltzmann 
Machines. Học sâu có nhiều thuật toán khác nhau nên nó phát triển rất nhanh, nhiều biến thể và 
thuật toán mới ra đời trong thời gian qua, có thể kể đến một số thuật toán như: mạng nơ-ron sâu 
(DNN - Deep Neural Network), mạng niềm tin sâu (Deep Belief Network), mạng nơ-ron tích 
chập (CNN - Convoluational Neural Network), [12]. Tác giả đã nghiên cứu các mô hình trên 
và áp dụng vào lĩnh vực xử lý tín hiệu điện não để nhận dạng gai động kinh. Kết quả so sánh 
xem mô hình nào tối ưu nhất với bộ dữ liệu nghiên cứu bệnh nhân mắc bệnh động kinh ở Việt 
nam. Các bước nhận dạng phân loại được mô tả trên hình 2 về mối quan hệ học sâu, học máy, trí 
tuệ nhân tạo trong việc nhận dạng gai động kinh trong các bản ghi điện não. 
Hình 2. Mô hình tổng quan của deep learning trong nhận dạng gai động kinh. 
Các thực nghiệm của nghiên cứu được thực hiện bằng phần mềm Matlab 2015b trên hệ điều 
hành Ubuntu 15.10, 8G RAM, i7 intel processor. Việc nhiều lần huấn luyện mạng với các cấu 
hình khác nhau gồm 3 bước sau (1) huấn luyện từng tầng một cách độc lập, (2) huấn luyện lại bộ 
mạng, (3) hiệu chỉnh tham số bằng thuật toán lan truyền ngược (backpropagation), nghiên cứu 
đưa ra kết luận với cấu hình [280:100:50:50:2], tương ứng với số nơ-ron trên lớp input, 3 lớp ẩn 
và 1 lớp output cho kết quả phân loại nhanh hơn. Các tham số đặc trưng của đỉnh được tính toán 
trong bước trước được đưa tới đầu vào một mạng perceptron. Mục đích của bước này là loại bỏ 
bớt các đỉnh không phải gai và giữ lại các đỉnh có khả năng là gai cho các bước xử lý tiếp theo. 
Mạng perceptron một lớp chỉ giải quyết được các bài toán mà các mẫu có thể phân chia thành hai 
vùng tuyến tính. Mạng perceptron huấn luyện để phân chia các đỉnh thành: loại có khả năng là 
gai và loại không phải gai, dựa trên tập dữ liệu do chuyên gia đánh dấu. Trong giai đoạn này, 
tham số độ nhạy được ưu tiên cao, đảm bảo tất cả số gai đã được chuyên gia đánh dấu hệ thống 
ghi nhận. Tham số về độ chọn lọc sẽ cho biết tỉ lệ phân loại của hệ thống. Tham số này càng lớn, 
cho phép giảm khối lượng tính toán trong các giai đoạn sau. Tỉ số lỗi trên giờ lớn là chấp nhận 
được ở giai đoạn này. Dữ liệu dùng để huấn luyện mạng perceptron là ma trận các tham số phân 
tích trên tập hợp các bản ghi gồm 5888 mẫu với các đỉnh và các tham số của đỉnh tính toán trong 
Nghiên cứu khoa học công nghệ 
 Tạp chí Nghiên cứu KH&CN quân sự, Số 70, 12 - 2020 81 
bước trước. Trong đó có 10 gai đã được đánh dấu bởi chuyên gia. Tốc độ học của mạng được 
gán bằng 1. Mạng perceptron được khởi tạo bằng hàm newp(p,t). Hàm huấn luyện sử dụng là 
hàm train của Matlab (hình 3). Khả năng phân loại của hệ thống đánh giá dựa trên độ nhạy, độ 
chọn lọc và tốc độ sai trên giờ. Độ nhạy là tỉ số giữa số gai hệ thống phát hiện đúng trên số gai 
được đánh dấu bởi chuyên gia. Độ chọn lọc định nghĩa là tỉ số giữa số gai hệ thống phát hiện 
đúng trên tổng số gai mà hệ thống ghi nhận. Các gai phát hiện gọi là đúng nếu cả chuyên gia và 
hệ thống đều ghi nhận là gai. Tỉ số lỗi đo bằng số lỗi mà hệ thống phát hiện sai trên một giờ. Các 
đỉnh có khả năng là gai phát hiện ở bước này được đánh dấu tạo thành một vector chứa thông tin 
về vị trí của đỉnh trong dữ liệu thô. Vector này dùng cho bước xử lý tiếp theo để phân tích các 
đặc trưng trong miền thời gian tần số và mạng DNN. Sử dụng mạng perceptron trong giai đoạn 
tiền phân loại đã làm giảm khối lượng các đỉnh cần được phân tích trong các bước sau với một tỉ 
lệ lớn. Sau giai đoạn tiền phân loại, các đỉnh có khả năng là gai phát hiện bởi mạng perceptron 
được trích xuất để tạo một tập dữ liệu mới, trong đó, dữ liệu gốc vẫn dữ nguyên. Dữ liệu trích 
xuất là một cửa sổ chứa đỉnh nằm ở vị trí trung tâm. Nghiên cứu sử dụng một cửa sổ gồm 128 
điểm dữ liệu thô chứa đỉnh để phân tích wavelet. Việc sử dụng cửa sổ đủ lớn giúp mang các 
thông tin về bối cảnh tại đó gai xuất hiện. 
Hình 3. Huấn luyện mạng perceptron sử dụng công cụ nntraintool của Matlab. 
Một số thông tin biết trước về dữ liệu: các tham số đặc trưng của gai đưa vào pha huấn luyện 
mạng như bảng 1. 
Bảng 1. Các tham số thể hiện ngưỡng giá trị đặc trưng của gai. 
STT Tham số Ngưỡng giá trị 
1 FHWA >25 (µV) 
2 SHWA >25 (µV) 
3 PA >20 (µV) 
4 FHWD >15 (ms) 
5 SHWD >15 (ms) 
6 Dur1 45 150 (ms) 
7 Dur2 20 70 (ms) 
8 FHWS >1 (µV/ms) 
9 SHWS >1 (µV/ms) 
10 Sharpness 0.3 1 (µV/ms) 
Kỹ thuật điều khiển & Điện tử 
 82 L. T. Xuyến, N. Đ. Thuận, “Sử dụng Deep Neural Networks  động kinh trong bản ghi EEG.” 
Kết quả thí nghiệm tại hệ thống (bệnh nhân 1, kênh 15), số lượng gai hệ thống xác định được 
trùng khớp với gai bác sĩ đánh dấu là 16/16 (100%), tương tự với 18 kênh còn lại. Tỉ lệ số lượng 
gai hệ thống xác định được trùng khớp với gai bác sĩ đánh dấu so với số lượng gai bác sĩ đánh 
dấu được gọi là Q. 
Bảng 2. Bảng số lượng gai hệ thống xác định trùng khớp với số lượng gai bác sĩ đánh dấu được 
(tỉ lệ % Q). 
STT Kênh Tỉ lệ Q(%) 
1 1 (FP1) 100% (5/5) 
2 2(FP2) 100% (2/2) 
3 3 (F3) 60% (3/5) 
4 4 (F4) 80% (4/5) 
5 5 (C3) 33.3% (1/3) 
6 6 (C4) 80% (4/5) 
7 7 (P3) 77.78% (7/9) 
8 8 (P4) Không có gai (Do B.s đánh dấu) 
9 9 (O1) 60% (6/10) 
10 10 (O2) 25% (¼) 
11 11 (F7) 75% (3/4) 
12 12 (F8) 0% (0/1) 
13 13 (T3) 50% (1/2) 
14 14 (T4) Không có gai (Do B.s đánh dấu) 
15 15 (T5) 100% (16/16) 
16 16 (T6) 88.89% (8/9) 
17 19 (Fz) 22.22 (2/9) 
18 20 (Cz) 80% (8/10) 
19 21 (Pz) Không có gai (Do B.s đánh dấu) 
Có nhiều tiêu chí được sử dụng để đo lường hiệu suất của một hệ thống phát hiện tùy thuộc 
trên các lĩnh vực cụ thể. Trong nghiên cứu này, độ nhạy, tính chọn lọc, tính đặc hiệu và độ chính 
xác, đó là biện pháp thống kê điển hình trong học máy và khoa học máy tính[6,13], lần đầu tiên 
được tác giả sử dụng để đánh giá chất lượng của hệ thống phát hiện gai động kinh. Với cấu hình 
nghiên cứu đưa ra như trên, mô hình phân loại DNN thực sự hiệu quả cho việc phát hiện ra gai 
động kinh, có thể thấy rõ: hệ thống chỉ ra 365 gai trên tổng số 390 gai với tỉ lệ là 93.58% đúng. 
Thêm vào nữa, hệ thống cũng chỉ ra có 373 (= TP + FP) cái gai, lên tới 97.85% phần trăm đúng. 
Và nhìn một cách tổng thể, độ chính xác của hệ thống phân loại lên tới 97.13% . Từ bộ dữ liệu 
gai và không gai, nhóm nghiên cứu chia thành các tập con: (1) tập training và validation được lấy 
từ 15 bệnh nhân với số lượng gai tương ứng là 978 và 123, và dữ liệu không gai được lấy một 
cách ngẫu nhiên từ tập trên để thu được tổng cộng mỗi tập training và validation có 4111:500 
điểm tương ứng; (2) tập testing được trích xuất ra từ 4 bệnh nhân còn lại với tổng số gai và 
không gai lần lượt là 390:760. Qua hai hướng đánh giá trực quan và thống kê, cho thấy mô hình 
Deep Neural Networks thực sự có khả năng tìm kiếm gai động kinh rất đáng mong đợi (bảng 3). 
Bảng 3. Kết quả được liệt kê dưới dạng thống kê. 
Testing Spike TP FN TN FP 
 1150 390 365 25 752 8 
Sensitivity Selectivity Specificity Accuracy 
 93.58% 97.85% 98.94% 97.13% 
Cuộc cách mạng công nghệ 4.0 giúp giảm tải áp lực cho đội ngũ y bác sĩ, tiết kiệm thời gian 
đem lại hiệu quả khám chữa bệnh cao hơn qua ứng dụng trí tuệ nhân tạo. Trên thế giới, trí tuệ nhân 
Nghiên cứu khoa học công nghệ 
 Tạp chí Nghiên cứu KH&CN quân sự, Số 70, 12 - 2020 83 
tạo được thiết kế để giải quyết tình trạng thiếu bác sỹ không chỉ ở Mỹ mà cả ở Nhật Bản và Trung 
Quốc. Các thuật toán đã học được cách chẩn đoán có hiệu quả và lập ra kế hoạch điều trị thậm chí 
còn tốt hơn các các các chuyên gia [8, 14]. Hiện nay, công nghệ thông minh trong y học chính là kỹ 
thuật số, ứng dụng công nghệ thông minh là hướng đi tương lai trong y học Việt Nam. 
4. KẾT LUẬN 
 Với những thành công đáng kinh ngạc trong một số lĩnh vực khác nhau, Deep learning áp 
dụng công nghệ Neural network là kiến trúc mạng lưới thần kinh với nhiều lớp ẩn để giải quyết 
vấn đề của một bài toán đặt ra. 
Deep learning là một quá trình khai thác dữ liệu trong đó sử dụng deep neural network 
architecture có loại hình cụ thể của các thuật toán machine learning. Tác giả nghiên cứu ứng 
dụng mô hình của phương pháp học sâu để nhận dạng phân loại gai động kinh. Khả năng tự động 
phát hiện và phân loại một cách chính xác các gai động kinh dùng các thuật toán của deep 
learning có ý nghĩa về y học. Điện não đồ là xét nghiệm đặc hiệu nhất giúp xác định bệnh động 
kinh, loại cơn, vị trí ổ động kinh, hỗ trợ các bác sỹ trong viêc chẩn đoán sớm bệnh, theo dõi điều 
trị bệnh để tránh hoang mang về mặt tâm lý, tránh nhầm lẫn động kinh với các bệnh khác như 
tâm thần đột quỵ hay đau nửa đầu. 
Lời cảm ơn: Nhóm tác giả cảm ơn sự tài trợ từ nhóm nghiên cứu thuộc trường Đại học công nghệ Đại 
học quốc gia Hà Nội mã số CN.16.07. Bộ dữ liệu EEG dùng trong bài báo là một phần cơ sở dữ liệu động 
kinh EEG được xây dựng trong khuôn khổ dự án QG 10.40 do Việt nam tài trợ trường Đại học quốc gia 
Hà Nội. Giúp đỡ về ý tưởng khoa học của PGS. TS. Nguyễn Linh Trung. 
TÀI LIỆU THAM KHẢO 
[1]. Manyika J, Chui M, Brown B et al. “Big data: The next frontier for innovation, competition, and 
productivity”, 2011. 
[2]. “Deep Mind Health”. Google DeepMind. https://www.deepmind.com/health, 2016. 
[3]. Larranaga P, Calvo B, Santana R et al. “Machine learning in bioinformatics”. Briefings in 
bioinformatics 2006; 7(1): 86-112. 
[4]. Schmidhuber J. “Deep learning in neural networks: An overview”. Neural networks 2015; 61:85- 117. 
[5]. Leung MK, Delong A, Alipanahi B et al. “Machine Learning in Genomic Medicine: A Review of 
Computational Problems and Data Sets”, 2016. 
[6]. Cheng-Wen Ko and Hsiao-Wen Chung. “Automatic spike detection via an artificial neural network 
using raw eeg data: effects of data preparation and implications in the limitations of online 
recognition”. Clinical neurophysiology, 111(3): 477–481, 2000. 
[7]. A page from: Eric Hargreaves'Page O'Neuroplasticity (last updated July 2006). “Kindling: a model 
of focal epilepsy”. 
[8]. Yung-Chun Liu, Chou-Ching K Lin, Jing-Jane Tsai, and Yung-Nien Sun. “Model-based spike 
detection of epileptic eeg data”. Sensors, 13(9):12536-12547, 2013. 
[9]. Watanabe Y., Johnson RS., Butler LS., Binder DK., Spiegelman BM. Papaioannou VE., McNamara 
JO. (1996). “Null mutation of c-fos impairs structural and functional plasticities in the kindling 
model of epilepsy”. Journal of Neuroscience, 16 3827-36. 
[10]. Racine, R.J. and Burnham, W.M. (1984). “The Kindling model”. In P.A. Schwartzkroin and H. 
Wheal (Eds) Electrophysiology of Epilepsy pp153-171. 
[11]. Alexander Rosenberg Johansen, Jing Jin, Tomasz Maszczyk, Justin Dauwels, Sydney S Cash, and M 
Brandon Westover. “Epileptiform spike detection via convolutional neural networks”. In Acoustics, 
Speech and Signal Processing (ICASSP), 2016 IEEE International Conference on, pages 754-758. 
IEEE, 2016. 
[12]. Christophe Andrieu, Nando De Freitas, Arnaud Doucet, and Michael I Jordan. “An introduction to 
mcmc for machine learning”. Machine learning, 50(1-2): 5-43, 2003. 
[13]. He Sheng Liu, Tong Zhang, and Fu Sheng Yang. “A multistage, multimethod approach for 
automatic detection and classification of epileptiform EEG”. Biomedical Engineering, IEEE 
Transactions on, 49(12): 1557-1566, 2002. 
Kỹ thuật điều khiển & Điện tử 
 84 L. T. Xuyến, N. Đ. Thuận, “Sử dụng Deep Neural Networks  động kinh trong bản ghi EEG.” 
[14]. Li Y, Shi W, Wasserman WW. “Genome-Wide Prediction of cis-Regulatory Regions Using 
Supervised Deep Learning Methods”. bioRxiv, 2016:041616. 
ABSTRACT 
IMPLEMENT OF DEEP NEURAL NETWORK FOR REPRESENTING 
THE PROPERTIES OF THE PROBLEM OF EPILEPSY SPIKES DETECTION 
IN ELECTROENCEPHALOGRAPHY (EEG) DIAGNOSTIC 
Deep Neural Network (DNN) is the machine learning algorithm that is higher 
development from Artificial Neural Network (ANN) for learning present the object model in 
multi-layers. The paper demonstrates the method for detecting and analyzing automatically 
epilepsy spikes from the huge data collected from electroencephalography. This helps the 
doctor determine the area of the brain that causes epilepsy. Millions of manually analyzed 
samples are "re-trained" to figure out the continuous spikes emanating from the related 
brain area. The author also proposes to build the systems in which some trial deep learning 
models are used, which assists physicians in early diagnosis and treatment. 
Keywords: Deep learning; Neural network; Machine learning; Bioinformatics; Biomedical signal processing; 
Epileptic spike; EEG. 
Nhận bài ngày 11 tháng 9 năm 2020 
Hoàn thiện ngày 30 tháng 10 năm 2020 
Chấp nhận đăng ngày 14 tháng 12 năm 2020 
Địa chỉ: Trường Đại học Bách khoa Hà Nội. 
*
Email: xuyen.lethanh@hust.edu.vn.