HCMUTE Xây Dựng Bộ Phân Loại Bệnh Tim Dựa Trên Dữ Liệu Tín Hiệu Điện Tim ECG

Tài liệu nghiên cứu Hcmute xây dựng bộ phân loại bệnh tim từ cơ sở dữ liệu tín hiệu điện tim ecg, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kỹ thuật.

• Tác giả: Nguyễn Thanh Nghĩa
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Khoa Điện – Điện Tử
• Đề tài: Bộ Phân Loại Bệnh Tim Từ Dữ Liệu ECG Tại HCMUTE
• Loại tài liệu: Báo Cáo Tổng Kết Đề Tài KH&CN
• Năm xuất bản: 2021
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. PHẦN 1: MỞ ĐẦU
• 1.1. TÍNH CẤP THIẾT CỦA VẤN ĐỀ NGHIÊN CỨU
• 1.2. TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU
• 1.3. MỤC TIÊU NGHIÊN CỨU
• 1.4. ĐỐI TƯỢNG NGHIÊN CỨU
• 1.5. PHẠM VI NGHIÊN CỨU
• 1.6. CÁCH TIẾP CẬN
• 1.7. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.8. NỘI DUNG NGHIÊN CỨU
• 2. PHẦN 2: NỘI DUNG NGHIÊN CỨU
• 2.1. Chương 1: NGHIÊN CỨU TỔNG QUAN
• 2.1.1. Tổng quan về tín hiệu điện tâm đồ
• 2.1.1.1. Giới thiệu về tín hiệu điện tâm đồ
• 2.1.1.2. Các chuyển đạo tim
• 2.1.1.3. Ý nghĩa cơ bản của các thành phần trên điện tâm đồ
• 2.1.1.4. Áp dụng trong y học
• 2.1.2. Phép biến đổi Fourier thời gian ngắn (Short-time Fourier transform)
• 2.1.2.1. Biến đổi Fourier
• 2.1.2.2. Phép biến đổi Fourier trong thời gian ngắn
• 2.1.3. Tổng quan về máy vector hỗ trợ (Support Vector Machines - SVM)
• 2.1.3.1. Khái niệm SVM
• 2.1.3.2. Phân loại giữa nhiều lớp
• 2.1.4. Phương pháp đánh giá mô hình phân loại
• 2.2. THIẾT KẾ HỆ THỐNG PHÂN LOẠI BỆNH TIM DỰA VÀO TÍN HIỆU ĐIỆN TIM
• 2.2.1. Chuẩn bị dữ liệu ECG
• 2.2.2. Đề xuất thuật toán phân loại bệnh tim từ tín hiệu ECG
• 2.2.2.1. Đề xuất hệ thống phân loại
• 2.2.2.2. Tiền xử lý tín hiệu điện tim và cắt từng nhịp tim
• 2.2.2.3. Trích xuất đặc trưng của nhịp tim
• 2.2.2.4. Thiết kế bộ phân loại
• 2.2.3. Lưu đồ giải thuật chương trình huấn luyện mô hình SVM
• 2.3. KẾT QUẢ PHÂN LOẠI BỆNH TIM DỰA VÀO TÍN HIỆU ĐIỆN TIM
• 2.3.1. Phương pháp đánh giá hiệu suất bộ phân loại
• 2.3.2. Kết quả phân loại bệnh tim
• 3. KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC: CÔNG TRÌNH ĐÃ CÔNG BỐ
• PHỤ LỤC: HỢP ĐỒNG VÀ THUYẾT MINH

Tóm tắt

I. Giới thiệu về phân loại bệnh tim và phân tích ECG tại HCMUTE

Nghiên cứu này tập trung vào việc xây dựng một bộ phân loại bệnh tim dựa trên dữ liệu ECG tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (HCMUTE). Phân tích ECG là một kỹ thuật quan trọng trong chẩn đoán bệnh tim mạch. Việc xây dựng một hệ thống tự động phân loại bệnh tim từ dữ liệu ECG sẽ hỗ trợ đáng kể cho việc chẩn đoán sớm và chính xác, đặc biệt trong bối cảnh số lượng bệnh nhân tim mạch ngày càng gia tăng. Nghiên cứu y tế tại HCMUTE tập trung vào việc áp dụng công nghệ thông tin và hệ thống hỗ trợ chẩn đoán nhằm cải thiện chất lượng chăm sóc sức khỏe. Đề tài này đóng góp vào hướng phát triển đó, cụ thể là ứng dụng học máy trong chẩn đoán bệnh tim. Kết quả nghiên cứu mang tính thực tiễn cao, có thể được ứng dụng rộng rãi trong thực tế.

1.1. Tính cấp thiết của vấn đề

Tỷ lệ tử vong do bệnh lý tim mạch tại Việt Nam và trên thế giới rất cao. Chẩn đoán bệnh tim sớm là rất quan trọng để giảm thiểu tử vong và cải thiện chất lượng sống của người bệnh. Tuy nhiên, việc chẩn đoán bệnh tim bằng phương pháp thủ công tốn nhiều thời gian và dễ xảy ra sai sót. Một hệ thống tự động phân loại bệnh tim từ dữ liệu ECG sẽ giúp bác sĩ chẩn đoán nhanh chóng và chính xác hơn. Đây là một ứng dụng thiết thực của học máy trong y tế, giúp giảm bớt gánh nặng cho hệ thống y tế và nâng cao hiệu quả điều trị. Việc xây dựng hệ thống này cũng đáp ứng nhu cầu theo dõi bệnh tim tại nhà cho bệnh nhân, đặc biệt là những trường hợp cần theo dõi liên tục trong thời gian dài. Bệnh lý tim mạch tại HCMUTE là một trong những trọng tâm nghiên cứu, hướng tới việc phát triển các giải pháp công nghệ hỗ trợ chẩn đoán và điều trị.

1.2. Tổng quan về lĩnh vực nghiên cứu

Nhiều phương pháp đã được nghiên cứu để phân tích dữ liệu ECG và phân loại bệnh tim, bao gồm: phân tích thành phần chính (PCA), biến đổi wavelet (WT), phân tích thành phần độc lập (ICA), và các thuật toán học máy như máy vector hỗ trợ (SVM) và mạng nơ-ron nhân tạo (NN). Các nghiên cứu trước đây đã chứng minh hiệu quả của các phương pháp này trong việc nhận dạng bệnh tim. Tuy nhiên, mỗi phương pháp đều có những ưu điểm và nhược điểm riêng. Việc lựa chọn phương pháp phù hợp phụ thuộc vào nhiều yếu tố, bao gồm chất lượng dữ liệu, loại bệnh tim cần phân loại, và yêu cầu về độ chính xác. Xử lý tín hiệu ECG là một bước quan trọng trong quá trình phân tích. Các kỹ thuật tiền xử lý tín hiệu như lọc nhiễu là cần thiết để đảm bảo chất lượng dữ liệu đầu vào cho các thuật toán phân loại. Thuật toán phân loại cần được đánh giá kỹ lưỡng về độ chính xác, độ nhạy, và độ đặc hiệu. Đánh giá mô hình là một khía cạnh quan trọng của nghiên cứu này, đảm bảo tính tin cậy của kết quả. So sánh thuật toán là cần thiết để lựa chọn giải pháp tối ưu nhất.

II. Phương pháp nghiên cứu

Nghiên cứu sử dụng dữ liệu ECG từ các nguồn đáng tin cậy, đảm bảo tính đại diện và chất lượng của dữ liệu. Bộ dữ liệu ECG được tiền xử lý để loại bỏ nhiễu và chuẩn hóa. Sau đó, các đặc trưng ECG được trích xuất bằng các phương pháp phù hợp. Thuật toán phân loại, ví dụ như SVM, được huấn luyện và đánh giá hiệu quả trên tập dữ liệu đã xử lý. Đánh giá hiệu quả phân loại được thực hiện thông qua các chỉ số như độ chính xác, độ nhạy, độ đặc hiệu, và ma trận nhầm lẫn. Tối ưu hóa thuật toán được thực hiện để đạt hiệu suất tối ưu. Thực nghiệm được tiến hành để kiểm chứng hiệu quả của phương pháp đề xuất. Kết quả nghiên cứu được trình bày chi tiết và phân tích.

2.1. Chuẩn bị dữ liệu ECG

Nguồn dữ liệu ECG được lựa chọn cẩn thận để đảm bảo chất lượng và tính đại diện. Bộ dữ liệu ECG bao gồm nhiều loại bệnh tim khác nhau, đảm bảo tính đa dạng của tập dữ liệu. Tiền xử lý tín hiệu ECG được thực hiện để loại bỏ nhiễu và chuẩn hóa dữ liệu. Các kỹ thuật lọc nhiễu được áp dụng để loại bỏ nhiễu nền và nhiễu cơ điện. Chuẩn hóa dữ liệu giúp cân bằng dữ liệu và cải thiện hiệu suất của thuật toán phân loại. Trích xuất đặc trưng ECG là bước quan trọng để chuyển đổi dữ liệu thô thành các đặc trưng có ý nghĩa. Các đặc trưng được chọn cần phải có khả năng phân biệt các loại bệnh tim khác nhau. Tích hợp dữ liệu ECG là một khía cạnh quan trọng, đảm bảo tính nhất quán và hiệu quả của quá trình phân tích. Phân tích sóng ECG giúp xác định các đặc điểm quan trọng của tín hiệu ECG.

2.2. Xây dựng và đánh giá mô hình phân loại

Thuật toán phân loại được lựa chọn dựa trên đánh giá ưu nhược điểm của từng thuật toán. Máy vector hỗ trợ (SVM) là một trong những thuật toán được xem xét. Mô hình phân loại được huấn luyện trên tập dữ liệu huấn luyện và được đánh giá trên tập dữ liệu kiểm thử. Đánh giá hiệu quả phân loại được thực hiện bằng các chỉ số như độ chính xác, độ nhạy, độ đặc hiệu và ma trận nhầm lẫn. Ma trận nhầm lẫn cung cấp thông tin chi tiết về các lỗi phân loại. Tối ưu hóa siêu tham số giúp cải thiện hiệu suất của mô hình. So sánh hiệu quả các mô hình khác nhau giúp lựa chọn mô hình tối ưu. Xây dựng mô hình phân loại dựa trên kết quả nghiên cứu giúp đưa ra giải pháp tốt nhất cho bài toán phân loại bệnh tim. Thử nghiệm mô hình trên tập dữ liệu độc lập giúp đánh giá độ tin cậy của kết quả.

III. Kết luận và ứng dụng

Nghiên cứu đã thành công trong việc xây dựng một mô hình phân loại bệnh tim dựa trên dữ liệu ECG. Mô hình đạt được độ chính xác cao trong việc phát hiện sớm bệnh tim. Kết quả nghiên cứu có ý nghĩa thực tiễn lớn, hỗ trợ đáng kể cho việc chẩn đoán bệnh tim trong thực tế. Ứng dụng hệ thống hỗ trợ chẩn đoán này sẽ góp phần nâng cao hiệu quả công tác chẩn đoán và điều trị bệnh tim mạch. Kết quả nghiên cứu được công bố rộng rãi để chia sẻ kiến thức và thúc đẩy phát triển nghiên cứu trong lĩnh vực này. HCMUTE đóng góp vào việc phát triển các công nghệ y tế hiện đại.

3.1. Kết quả nghiên cứu

Nghiên cứu đã đạt được các kết quả quan trọng trong việc xây dựng một hệ thống phân loại bệnh tim dựa trên dữ liệu ECG. Độ chính xác của hệ thống đạt được mức cao, vượt trội so với các phương pháp truyền thống. Kết quả thực nghiệm đã chứng minh tính hiệu quả của mô hình. Phân tích kết quả chi tiết cung cấp những hiểu biết sâu sắc về hiệu suất của hệ thống. Báo cáo khoa học tổng hợp toàn bộ quá trình nghiên cứu, từ phương pháp luận đến kết quả đạt được. Công bố kết quả nghiên cứu giúp chia sẻ kiến thức và thúc đẩy phát triển nghiên cứu trong lĩnh vực y tế. Kết quả nghiên cứu này có ý nghĩa quan trọng trong việc hỗ trợ công tác chẩn đoán và điều trị bệnh tim mạch.

3.2. Ứng dụng thực tiễn

Hệ thống phân loại bệnh tim tự động có thể được tích hợp vào các hệ thống y tế hiện đại, hỗ trợ bác sĩ trong công tác chẩn đoán. Ứng dụng trong thực tiễn sẽ giúp cải thiện hiệu quả chẩn đoán và điều trị bệnh tim mạch. Hệ thống hỗ trợ chẩn đoán này có thể được sử dụng rộng rãi trong các bệnh viện và phòng khám. Giảm thiểu thời gian chẩn đoán giúp bệnh nhân được điều trị kịp thời. Nâng cao chất lượng chăm sóc sức khỏe là mục tiêu quan trọng của nghiên cứu này. Phát triển công nghệ y tế là hướng đi quan trọng, giúp cải thiện chất lượng cuộc sống của người dân. Ứng dụng trong giáo dục giúp đào tạo sinh viên ngành y tế có kỹ năng sử dụng công nghệ hiện đại. Phát triển phần mềm dựa trên kết quả nghiên cứu giúp ứng dụng rộng rãi hơn trong thực tế.

Nội dung chính

Tổng quan nghiên cứu

Bệnh tim mạch là nguyên nhân hàng đầu gây tử vong tại Việt Nam và trên thế giới. Theo thống kê năm 2015, có khoảng 25% số người chết ở Việt Nam do bệnh tim mạch, với 20% dân số mắc bệnh này. Trên toàn cầu, bệnh tim mạch gây ra 17,3 triệu ca tử vong mỗi năm và dự kiến tăng lên 23,6 triệu vào năm 2030. Việc chẩn đoán sớm và phân loại chính xác các loại bệnh tim từ tín hiệu điện tâm đồ (ECG) là nhiệm vụ cấp thiết nhằm hỗ trợ bác sĩ trong chẩn đoán và giúp bệnh nhân theo dõi bệnh tại nhà. Tín hiệu ECG có biên độ nhỏ, chứa nhiều thành phần nhiễu và đặc trưng bệnh tim không khác biệt rõ ràng giữa các loại bệnh, gây khó khăn trong phân loại chính xác.

Mục tiêu nghiên cứu là xây dựng một bộ phân loại bệnh tim tối ưu dựa trên cơ sở dữ liệu tín hiệu ECG, sử dụng các phương pháp trích đặc trưng và thuật toán máy học để nâng cao độ chính xác phân loại. Nghiên cứu tập trung vào dữ liệu thu thập từ tập cơ sở dữ liệu MIT-BIH gồm hơn 50.000 nhịp tim với nhiều loại bệnh khác nhau, thu thập trong khoảng thời gian từ 1975 đến 1979. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc phát triển công cụ hỗ trợ chẩn đoán bệnh tim, góp phần nâng cao hiệu quả điều trị và giảm thiểu rủi ro tử vong do bệnh tim mạch.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên ba lý thuyết và mô hình chính:

1. Tín hiệu điện tâm đồ (ECG): ECG ghi lại biến thiên điện lực do tim phát ra trong hoạt động co bóp, gồm các thành phần sóng P, phức bộ QRS, sóng T và sóng U. Mỗi thành phần phản ánh các giai đoạn khử cực và tái cực của tim, có ý nghĩa quan trọng trong chẩn đoán bệnh tim.

2. Phép biến đổi Fourier thời gian ngắn (STFT): Phương pháp phân tích tín hiệu không tĩnh bằng cách chia tín hiệu thành các đoạn nhỏ, áp dụng biến đổi Fourier trên từng đoạn để trích xuất đặc trưng tần số theo thời gian. STFT giúp phân tích các biến đổi tần số trong tín hiệu ECG, hỗ trợ trích đặc trưng hiệu quả.

3. Máy vector hỗ trợ (SVM): Thuật toán học máy mạnh mẽ trong phân loại dữ liệu phi tuyến, dựa trên nguyên tắc tối thiểu rủi ro cấu trúc. SVM sử dụng hàm kernel (đặc biệt là kernel RBF) để biến đổi dữ liệu sang không gian đặc trưng mới, giúp phân loại nhiều lớp dữ liệu ECG khác nhau. Phương pháp phân loại đa lớp (multi-class SVM) được áp dụng để phân biệt các loại nhịp tim.

Các khái niệm chính bao gồm: đặc trưng tín hiệu ECG, biến đổi Fourier, kernel RBF, ma trận nhầm lẫn (confusion matrix), độ chính xác (accuracy), precision, recall và F1-score.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là tập cơ sở dữ liệu MIT-BIH gồm 48 tín hiệu ECG dài trên 30 phút, thu thập từ năm 1975-1979, với tổng số khoảng 100.000 nhịp tim được phân loại thành 4 nhóm chính: nhịp bình thường (N), lệch trên tâm thất (S), lệch tâm thất (V) và nhịp phức hợp (F). Ngoài ra, tác giả còn thu thập thêm dữ liệu ECG thực tế để bổ sung.

Phương pháp phân tích gồm các bước:

• Tiền xử lý tín hiệu: Sử dụng bộ lọc trung vị để loại bỏ nhiễu baseline wander và các nhiễu tần số cao, chuẩn hóa dữ liệu.

• Phân đoạn nhịp tim: Xác định đỉnh sóng R và cắt tín hiệu thành từng nhịp tim có độ dài 180 mẫu.

• Trích đặc trưng: Áp dụng biến đổi Fourier thời gian ngắn (STFT) với cửa sổ kích thước 25 mẫu để trích xuất đặc trưng tần số của từng nhịp tim, tạo vector đặc trưng đầu vào cho bộ phân loại.

• Phân loại: Sử dụng thuật toán multi-class SVM với kernel RBF, hằng số điều chỉnh C=100, kết hợp chuẩn hóa dữ liệu z-score. Mô hình được huấn luyện trên tập DS1 và đánh giá trên tập DS2.

• Đánh giá hiệu suất: Sử dụng ma trận nhầm lẫn, tính toán các chỉ số accuracy, precision, recall và F1-score để đánh giá độ chính xác phân loại.

Thời gian nghiên cứu kéo dài 12 tháng, từ tháng 01/2020 đến 12/2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả tiền xử lý và phân đoạn: Bộ lọc trung vị hai cấp giúp loại bỏ hiệu quả nhiễu baseline wander, cải thiện chất lượng tín hiệu ECG. Việc phân đoạn nhịp tim dựa trên đỉnh sóng R chính xác, đảm bảo độ dài nhịp 180 mẫu phù hợp cho trích đặc trưng.

2. Ảnh hưởng kích thước cửa sổ STFT đến độ chính xác: Kích thước cửa sổ 25 mẫu được lựa chọn tối ưu, đạt độ chính xác phân loại khoảng 89,94%, thời gian huấn luyện ngắn hơn so với cửa sổ lớn hơn. Kích thước cửa sổ nhỏ hơn giúp trích đặc trưng chi tiết hơn, tăng hiệu suất phân loại.

3. Hiệu suất phân loại SVM đa lớp: Mô hình SVM với kernel RBF và hằng số C=100 đạt độ chính xác tổng thể trên 89% khi phân loại 4 nhóm nhịp tim. Ma trận nhầm lẫn cho thấy nhóm nhịp bình thường (N) và lệch tâm thất (V) được phân loại chính xác cao nhất, trên 90%. Nhóm lệch trên tâm thất (S) và nhịp phức hợp (F) có tỷ lệ nhầm lẫn cao hơn do đặc trưng tín hiệu tương đồng.

4. So sánh với các nghiên cứu khác: Kết quả tương đương hoặc vượt trội so với các nghiên cứu sử dụng mạng neural 1D CNN hoặc kết hợp PCA-SVM, thể hiện tính hiệu quả của phương pháp trích đặc trưng STFT kết hợp SVM trong phân loại bệnh tim từ tín hiệu ECG.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình đạt hiệu quả cao là nhờ quá trình tiền xử lý kỹ lưỡng, loại bỏ nhiễu và chuẩn hóa dữ liệu, giúp trích đặc trưng chính xác hơn. Việc lựa chọn kích thước cửa sổ STFT phù hợp cân bằng giữa độ phân giải thời gian và tần số, tạo ra vector đặc trưng có khả năng phân biệt các loại nhịp tim.

Mặc dù SVM là phương pháp phân loại truyền thống, nhưng khi kết hợp với trích đặc trưng STFT và chuẩn hóa dữ liệu, nó vẫn cho kết quả rất khả quan, đặc biệt trong các trường hợp dữ liệu có sự chênh lệch lớn về biên độ và đặc trưng. Kết quả có thể được trình bày qua biểu đồ ma trận nhầm lẫn và biểu đồ so sánh độ chính xác theo từng kích thước cửa sổ, giúp minh họa rõ ràng hiệu suất mô hình.

So với các phương pháp học sâu, SVM có ưu điểm về tính đơn giản, dễ huấn luyện và ít yêu cầu tài nguyên tính toán, phù hợp với các ứng dụng thực tế trong y tế. Tuy nhiên, để nâng cao hơn nữa độ chính xác, có thể kết hợp thêm các kỹ thuật trích đặc trưng nâng cao hoặc áp dụng mạng học sâu trong các nghiên cứu tiếp theo.

Đề xuất và khuyến nghị

1. Phát triển phần mềm hỗ trợ chẩn đoán bệnh tim dựa trên bộ phân loại ECG: Xây dựng ứng dụng tích hợp thuật toán STFT và SVM để hỗ trợ bác sĩ chẩn đoán nhanh, chính xác. Mục tiêu đạt độ chính xác trên 90% trong vòng 12 tháng, do nhóm nghiên cứu và đơn vị y tế phối hợp thực hiện.

2. Mở rộng tập dữ liệu và đa dạng hóa loại bệnh tim: Thu thập thêm dữ liệu ECG từ nhiều bệnh viện với các loại bệnh tim khác nhau để nâng cao khả năng phân loại đa dạng. Thời gian thực hiện 18 tháng, do các trung tâm y tế và viện nghiên cứu phối hợp.

3. Nâng cao hiệu suất phân loại bằng học sâu: Nghiên cứu áp dụng mạng neural 1D CNN hoặc các kiến trúc học sâu khác để tự động trích đặc trưng và phân loại, hướng tới cải thiện độ chính xác và khả năng nhận dạng các dạng bệnh phức tạp. Thời gian 24 tháng, do nhóm nghiên cứu công nghệ thông tin và y sinh thực hiện.

4. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo cho sinh viên ngành Công nghệ kỹ thuật Y sinh và cán bộ y tế về ứng dụng máy học trong phân loại bệnh tim, đồng thời chuyển giao công nghệ cho các bệnh viện. Thời gian 12 tháng, do trường đại học và bệnh viện phối hợp.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành Công nghệ kỹ thuật Y sinh: Nghiên cứu phương pháp trích đặc trưng tín hiệu ECG và ứng dụng máy học trong y tế, phục vụ học tập và phát triển đề tài nghiên cứu.

2. Bác sĩ chuyên khoa tim mạch và kỹ thuật viên y tế: Áp dụng công cụ phân loại bệnh tim hỗ trợ chẩn đoán, nâng cao hiệu quả điều trị và theo dõi bệnh nhân.

3. Các nhà phát triển phần mềm y tế và thiết bị y tế: Tham khảo thuật toán và quy trình xây dựng bộ phân loại để phát triển sản phẩm hỗ trợ chẩn đoán bệnh tim dựa trên tín hiệu ECG.

4. Các cơ quan quản lý và hoạch định chính sách y tế: Đánh giá tiềm năng ứng dụng công nghệ máy học trong chăm sóc sức khỏe, từ đó xây dựng chính sách hỗ trợ nghiên cứu và ứng dụng công nghệ mới.

Câu hỏi thường gặp

1. Bộ phân loại bệnh tim dựa trên tín hiệu ECG hoạt động như thế nào?
   Bộ phân loại sử dụng tín hiệu ECG đã được tiền xử lý để loại bỏ nhiễu, sau đó phân đoạn thành từng nhịp tim. Đặc trưng tần số của mỗi nhịp được trích xuất bằng biến đổi Fourier thời gian ngắn (STFT) và đưa vào mô hình máy vector hỗ trợ (SVM) để phân loại thành các nhóm bệnh tim khác nhau.

2. Tại sao chọn phương pháp SVM thay vì mạng học sâu?
   SVM có ưu điểm về tính đơn giản, dễ huấn luyện, ít yêu cầu tài nguyên tính toán và cho kết quả chính xác cao trong bài toán phân loại nhiều lớp với dữ liệu có đặc trưng rõ ràng. Mặc dù mạng học sâu có thể tự động trích đặc trưng, nhưng SVM vẫn là lựa chọn hiệu quả trong nhiều trường hợp thực tế.

3. Kích thước cửa sổ STFT ảnh hưởng thế nào đến kết quả phân loại?
   Kích thước cửa sổ quyết định độ phân giải thời gian và tần số khi trích đặc trưng. Cửa sổ quá lớn làm mất thông tin thời gian chi tiết, cửa sổ quá nhỏ làm mất thông tin tần số. Kích thước 25 mẫu được chọn là tối ưu, cân bằng giữa độ chính xác và thời gian huấn luyện.

4. Dữ liệu ECG được sử dụng có đại diện cho đa dạng bệnh nhân không?
   Dữ liệu chính lấy từ tập MIT-BIH gồm 48 tín hiệu dài trên 30 phút, với bệnh nhân nam và nữ từ 23 đến 89 tuổi, bao gồm nhiều loại bệnh tim phổ biến. Ngoài ra, tác giả còn thu thập thêm dữ liệu thực tế để tăng tính đại diện.

5. Bộ phân loại này có thể ứng dụng trong thực tế như thế nào?
   Bộ phân loại có thể tích hợp vào phần mềm hỗ trợ chẩn đoán tại bệnh viện hoặc thiết bị theo dõi tại nhà, giúp bác sĩ và bệnh nhân phát hiện sớm các loại bệnh tim, theo dõi tiến triển và điều chỉnh điều trị kịp thời.

Kết luận

• Đã xây dựng thành công bộ phân loại bệnh tim dựa trên tín hiệu ECG sử dụng biến đổi Fourier thời gian ngắn kết hợp máy vector hỗ trợ (SVM), đạt độ chính xác trên 89%.
• Phương pháp tiền xử lý và phân đoạn nhịp tim hiệu quả giúp nâng cao chất lượng dữ liệu đầu vào cho bộ phân loại.
• Kích thước cửa sổ STFT 25 mẫu được xác định là tối ưu cho trích đặc trưng và phân loại.
• Kết quả nghiên cứu có thể ứng dụng trong phát triển công cụ hỗ trợ chẩn đoán bệnh tim và đào tạo sinh viên ngành Công nghệ kỹ thuật Y sinh.
• Đề xuất mở rộng nghiên cứu áp dụng học sâu, thu thập dữ liệu đa dạng hơn và phát triển phần mềm ứng dụng trong thực tế.

Tiếp theo, nghiên cứu sẽ tập trung vào phát triển phần mềm ứng dụng, mở rộng tập dữ liệu và thử nghiệm các mô hình học sâu nhằm nâng cao độ chính xác và khả năng ứng dụng thực tiễn. Độc giả và các nhà nghiên cứu được khuyến khích tiếp cận và phát triển thêm dựa trên nền tảng này để góp phần cải thiện chăm sóc sức khỏe tim mạch.

Trích đoạn nội dung tài liệu

Chương 1: Nghiên cứu tổng quan block), PQ ngắn sẽ gợi ý đến một hội chứng rối loạn nhịp tim (Wolf-Parkinson-White).  Đoạn ST Ý nghĩa là giai đoạn tái cực thất sớm, thời gian của ST thường không quan trọng bằng hình dạng của nó, bình thường ST nằm chênh lệch lên hoặc chênh xuống khỏi đường đẳng điện rất ít. đoạn ST cực kỳ quan trọng trong việc chẩn đoán nhồi máu cơ tim. ST gọi là chênh lệch nếu cao hơn đường đẳng điện 1mm ở chuyển đạo chi và hơn 2mm ở chuyển đạo trước ngực.

ST gọi là chênh xuống khi nằm dưới đường đẳng điện hơn 0.  Đoạn QT Là thời gian tâm thu điện học của tâm thất, khoảng giá trị bình thường của QT phục thuộc vào tần số tim, QT kéo dài bất thường có liên quan với tăng nguy cơ loạn nhịp thất, đặc biệt là xoắn đỉnh. Gần đây, hội chứng QT ngắn bẩm sinh đã được tìm thấy có liên quan với tăng nguy cơ rung nhĩ và thất kịch phát và đột tử do tim.4 Áp dụng trong y học Điện tâm đồ được sử dụng trong nhiều trường hợp y học:  Chẩn đoán nhồi máu cơ tim khi cơ tim bị thiếu máu và dưỡng khí, bị tổn thương hay hoại tử, khả năng dẫn truyền điện của cơ sẽ thay đổi. Sự thay đổi này có thể ghi nhận được trên điện tâm đồ, đây là một trong những giá trị nhất của phương pháp cận lâm sàng này.

 Chẩn đoán Thiếu máu cơ tim: cơ tim bị thiếu máu sẽ cho thấy hình ảnh sóng T trên điện tâm đồ dẹt, âm.  Chẩn đoán và theo dõi rối loạn nhịp tim bất thường tại vị trí phát nhịp (nút xoang, nút nhĩ nhất, cơ tim) và dẫn truyền một chiều của tim sẽ cho thấy hình ảnh nhịp tim bất thường trên điện tâm đồ. Trang - 18 - Luan van Chương 1: Nghiên cứu tổng quan  Chẩn đoán và theo dõi rối loạn dẫn truyền nhịp tim đập do một hệ thống dẫn truyền khoa học, việc tổn thương hay mất sự mạch lạc dẫn truyền cho thấy các bất thường về các nhánh điện học của tim trên điện tâm đồ (Block AV, Block nhánh tim).  Chẩn đoán các chứng tim lớn khi cơ tim dày hay dãn, quá trình khử cực, tái cực của từng thành phần trong cơ tim sẽ thay đổi, qua đó trên giấy ghi sẽ cho những gợi ý nhất định về tình trạng lớn buồng tim, tuy nhiên giá trị của ECG không ưu thế là trường hợp này, vì thay đổi nhiều vào chủng tộc, nhiều yếu tố gây nhiễu và độ nhạy kém, y học cũng có nhiều công cụ chẩn đoán tim to tốt hơn.

 Chẩn đoán một số thay đổi sinh hóa máu vì điện tim là do sự di chuyển của các ion như natri, kali, canxi, v. Khi có thay đổi lớn trong nồng độ các chất này, điện tâm đồ có khả năng thay đổi. Chẩn đoán một số ngộ độc thuốc Thuốc digoxin làm thay đổi đoạn ST của mọi cực. Thuốc chống trầm cảm 3 vòng làm dài đoạn QT.2 Phép biến đổi Fourier thời gian ngắn (Short-time Fourier transform) 1.1 Biến đổi Fourier Từ trước đến nay có nhiều phương pháp phân tích tín hiệu.

Được biết đến nhiều nhất là phân tích Fourier, trên cơ sở phân tích một tín hiệu thành tổng các hàm sin với các tần số khác nhau. Nói cách khác, phân tích Fourier là kỹ thuật biến đổi tín hiệu từ miền thời gian sang miền tần số. Với nhiểu tín hiệu, phân tích Fourier rất có ích vì nội dung tần số của tín hiệu là rất quan trọng. Biến đổi Fourier của tín hiệu xt  và biến đổi Fourier ngược của nó được xác định bởi biểu thức sau:  X  f    xt e  j 2ft dt (1.2)  Trong đó, xt  và X  f  được gọi là một cặp biến đổi Fourier: xt  FT X  f .

Trang - 19 - Luan van Chương 1: Nghiên cứu tổng quan Hình 1. Biến đổi Fourier Mặc dù có nhiều hiệu quả nhưng phép biến đổi Fourier (như là phân tích các tín hiệu tuần hoàn, thuận lợi cho ccá phép chập tín hiệu) vẫn có những hạn chế. Khi biến đổi sang miền tần số, thông tin thời gian đã bị mất. Nếu một thuộc tính tín hiệu không thay đổi nhiều theo thời gian, nó được gọi là tín hiệu tĩnh, thì các nhược điểm trên không có ảnh hưởng quan trọng.

Tuy nhiên, nhiều tín hiệu có chứa các thông số động: trôi, nghiêng, biến đổi đột ngột, khởi đầu và kết thúc của các sự kiện. Những đặc tính này thường là phần quan trọng nhất của tín hiệu và phân tích Fourier không thích hợp để phát hiện chúng.2 Phép biến đổi Fourier trong thời gian ngắn Các tín hiệu thường gặp trong thực tế thường là tín hiệu không dừng (ví dụ tín hiệu nhạc, tín hiệu nhiễu,…) thì phân tích Fourier hoàn toàn không mang lại các thông tin hữu ích. Ta xét một ví dụ đơn giản để thấy rõ điều này: Xét trường hợp tín hiệu xung  t  , phép biến đổi Fourier F    1, . Ta thấy rằng thông tin về vị trí xung trong miền thời gian hoàn toàn không phát hiện trong miền tần số.

Như vậy, biến đổi Fourier không phân tích được biến thiên tần số trong từng vùng theo thời gian của tín hiệu. Nói cách khác nó không có tính cục bộ về thời gian. Do đó cần cục bộ hóa biến đổi Fourier để có thể phân tích các tín hiệu không tĩnh. Để khắc phục những hạn chế của biến đổi Fourier, phép biến đổi Fourier thời gian ngắn - Short-time Fourier transform (STFT) được đề xuất.

Biến đổi này còn được gọi là biến đổi Fourier cửa sổ hay biến đổi Gabor. Ý tưởng này là sự cục bộ của biến đổi Fourier, sử dụng hàm cửa sổ xấp xỉ trung tâm nơi định vị. STFT được biểu diễn bằng một hàm G, t  theo 2 biến là tần số  và thời gian t. Như vậy nhìn vào kết quả của STFT, ta có thể biết tần số  xuất hiện vào thời Trang - 20 - Luan van Chương 1: Nghiên cứu tổng quan điểm nào trong miền thời gian.

Trong biến đổi STFT, tín hiệu được chia thành các đoạn đủ nhỏ. Với mục đích này, hàm cửa sổ được lựa chọn. Nguyên tắc của phương pháp này là phân chia tín hiệu ra thành từng đoạn đủ nhỏ sao cho có thể xem tín hiệu trong mỗi đoạn là tín hiệu ổn định, sau đó thực hiện biến đổi Fourier trên từng đoạn tín hiệu này. Phép biến đổi STFT Trong đó:  wt  là hàm cửa sổ (thường là cửa sổ Hann hoặc cửa sổ Gauss).

 xt  là tín hiệu cần chuyển đổi.  X  ,   là Fourier Transform của xt wt    (một hàm phức thể hiện cho pha và cường độ của tín hiệu qua thời gian và tần số). Yêu cầu diện tích của hàm cửa sổ wt  được thu nhỏ sao cho   w d  1  (1.4) Lúc này xt  được tính:   xt   xt   wt   d   xt wt   d (1.5)   Biến đổi Fourier liên tục là:  X a  j    xa t e  jt dt (1.6)  Trang - 21 - Luan van Chương 1: Nghiên cứu tổng quan Thay thế xt  từ công thức trên ta có:   X       xt wt   d e  jt dt         xt wt   e  jt d dt  (1.7)        xt wt   e  jt dt  d       X  ,  d  Biến đổi Fourier ngược là:  xt   X  e jt d 1 2  (1.8) Sau đó xt  có thể phục hồi từ X  ,   như sau   xt   X  ,  e jt d d 1   2  (1.9)  Biến đổi STFT rời rạc Công thức:  X n,     xmwn  me  jm (1.10) m   wn là một chuỗi có chiều dài hạn chế và đối xứng N w.  wn  0 khi 0, N w  1  wn  - cửa sổ phân tích xn : tín hiệu rời rạc f n m  xmwn  m : biểu diễn giá trị xm tại điểm n, đưa ra kết quả tín hiệu tại khung cửa sổ thứ n.

X n,   là biến đổi Fourier của f n m của dữ liệu tín hiệu với khung cửa sổ wn. Tính toán theo DFT: Trang - 22 - Luan van Chương 1: Nghiên cứu tổng quan X n, k   X n,     2 k (1.11) N 2 Do đó X n, k  là STFT cho mỗi   k N Từ đó ta có công thức DFT:  2 X n, k    xmwn  me j km N (1.12) m   Tín hiệu được phục hổi theo công thức: N 1 2 xn   X n, k e N 1  jk n (1.wn  m k 0  Một số hàm cửa sổ  Cửa sổ hình chữ nhật Cửa sổ hình chữ nhật (đôi khi được gọi là cửa sổ ô tô hoặc cửa sổ Dirichlet) là cửa sổ đơn giản nhất, tương đương với việc thay thế tất cả các giá trị N của một chuỗi dữ liệu bằng 0, làm cho nó xuất hiện như một dạng sóng đột nhiên bật và tắt:  n   1. Các cửa sổ khác được thiết kế để điều chỉnh những thay đổi đột ngột này, làm giảm sự tổn thất vỏ sò và cải thiện phạm vi động. Cửa sổ hình chữ nhật  Cửa sổ Gaussian Biến đổi Fourier của Gaussian cũng là một hàm Gaussian (nó là một hàm riêng của biến đổi Fourier).

Vì hàm Gaussian mở rộng đến vô cùng, nó phải được cắt ngắn ở cuối của cửa sổ, hoặc chính nó được kết hợp với một cửa sổ không kết Trang - 23 - Luan van Chương 1: Nghiên cứu tổng quan thúc khác. Vì log của hàm Gaussian tạo ra một parabol, điều này có thể được sử dụng cho nội suy bậc hai gần đúng trong ước tính tần số.5 Độ lệch chuẩn của hàm Gaussian là các khoảng thời gian lấy mẫu σ(N−1)/2. Cửa sổ Gaussian  Các tính chất:  STFT đo sự giống nhau giữa tín hiệu với phiên bản dịch và biến điệu của hàm cửa sổ cơ bản W(t).  STFT có tính định vị thời gian – tần số.

 Thao tác dịch và biến điệu hàm cửa sổ không làm thay đổi kích thước hàm cửa sổ mà chỉ tịnh tiến theo trục thời gian – tần số.