Bối cảnh và vấn đề nghiên cứu

Theo thống kê của Tổ chức Y tế Thế giới (WHO) năm 2019, bệnh lý tim mạch là nguyên nhân gây tử vong hàng đầu trên toàn cầu, chiếm tới 39,5% tổng số ca tử vong. Trong cơ cấu tử vong do bệnh tim mạch, bệnh mạch máu não chiếm 55,4%, bệnh tim thiếu máu cục bộ chiếm 32,0%, bệnh tim do tăng huyết áp chiếm 6,9% và các bệnh lý tim mạch khác chiếm 5,7%, đi kèm với xu hướng trẻ hóa độ tuổi mắc bệnh.

Điện tâm đồ 12 kênh (12-lead Electrocardiogram - ECG) là tiêu chuẩn vàng trong chẩn đoán cận lâm sàng không xâm lấn, ghi lại biến thiên điện thế sinh học trong chu kỳ tim qua 12 góc nhìn (gồm 3 chuyển đạo lưỡng cực chi I, II, III; 3 chuyển đạo đơn cực chi aVR, aVL, aVF; và 6 chuyển đạo trước tim V1 đến V6). Tuy nhiên, việc đọc và giải thích tín hiệu ECG thủ công đòi hỏi chuyên môn cao, tốn nhiều thời gian và dễ chịu tác động bởi yếu tố chủ quan hay sự mệt mỏi của nhân viên y tế. Đề tài khóa luận tập trung nghiên cứu ứng dụng các mô hình học sâu (Deep Learning) nhằm tự động hóa việc phân lớp đa nhãn (multi-label) các bất thường trên tín hiệu ECG 12 kênh.

Mục tiêu và nhiệm vụ nghiên cứu cụ thể của đề tài gồm 6 nội dung:

  1. Tìm hiểu các khía cạnh quan trọng và thách thức kỹ thuật liên quan đến bài toán chẩn đoán bất thường trên điện tâm đồ.
  2. Tìm hiểu, tổng hợp và hệ thống hóa các hướng nghiên cứu, phương pháp học máy truyền thống và học sâu ứng dụng trên bản ghi ECG.
  3. Thực nghiệm và đánh giá hiệu suất của các mô hình học sâu theo các tiêu chí đo lường chuẩn: Precision, Recall, Accuracy và F1-score.
  4. Đưa ra kết luận tổng quan về ưu điểm, hạn chế và khả năng thích ứng của các kiến trúc học sâu khác nhau trong xử lý tín hiệu điện tim.
  5. Thử nghiệm các giải pháp cải tiến kiến trúc mô hình (Late-fusion, cơ chế Attention) nhằm nâng cao độ chính xác nhận diện các lớp bệnh lý.
  6. Xây dựng một công cụ phần mềm hoàn chỉnh cho phép nạp dữ liệu tín hiệu ECG, trực quan hóa và đưa ra kết quả phân lớp, chẩn đoán tự động.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Tín hiệu điện tâm đồ 12 kênh và các thuật toán học sâu nhận diện dạng sóng chuỗi thời gian.
  • Phạm vi dữ liệu: Bộ dữ liệu CODE-15% do The Telehealth Network of Minas Gerais (TNMG - Brazil) thu thập, gồm 345.779 bản ghi ECG từ 233.770 bệnh nhân ở nhiều nhóm tuổi.
  • Phạm vi phân loại: Nhận diện trạng thái bình thường (normal_ecg) và 6 nhóm bệnh lý tim mạch: Tắc nút nhĩ thất độ 1 (1dAVb), Tắc bó nhánh phải (RBBB), Tắc bó nhánh trái (LBBB), Rung tâm nhĩ (AF), Nhịp xoang chậm (SB) và Nhịp xoang nhanh (ST).

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở sinh lý điện tim và đặc trưng sóng ECG

Hệ thống dẫn truyền điện thế của tim vận hành từ nút xoang (Sinus Node - SN) ở tâm nhĩ phải, truyền qua nút nhĩ thất (Atrioventricular Node - AVN), bó His, hai nhánh bó trái/phải (LBB/RBB) và mạng lưới Purkinje để kích thích cơ tim co bóp đồng bộ giữa tâm nhĩ (RA, LA) và tâm thất (RV, LV).

Thành phần sóng / Khoảng Ý nghĩa sinh lý học Đặc trưng biên độ / Thời gian chuẩn Dấu hiệu bất thường bệnh lý
Sóng P Khử cực hai tâm nhĩ Thời gian 0,08 – 0,11 giây Mất sóng P trong Rung tâm nhĩ (AF); sóng P cao/hai pha trong rối loạn nhịp xoang
Đoạn PR / Khoảng PR Dẫn truyền xung điện từ nhĩ qua nút AV xuống thất Thời gian khoảng PR: 0,12 – 0,20 giây Khoảng PR > 0,20 giây là dấu hiệu Tắc nút nhĩ thất độ 1 (1dAVb)
Phức bộ QRS Khử cực hai tâm thất (sóng Q, R, S) Thời gian: 0,06 – 0,10 giây Thời gian QRS > 0,12 giây xuất hiện trong Tắc bó nhánh phải (RBBB) và Tắc bó nhánh trái (LBBB)
Đoạn ST & Điểm J Giai đoạn đầu tái cực tâm thất Nằm trên đường cơ sở (baseline) Chênh lệch 1 – 3 mm so với baseline báo hiệu thiếu máu cục bộ hoặc tổn thương cơ tim
Sóng T Giai đoạn tái cực hoàn toàn tâm thất Thường không đối xứng, cùng hướng QRS Sóng T đối xứng hoặc đảo ngược chiều là dấu hiệu bệnh lý mạch vành/dẫn truyền
Khoảng QT & R-R Toàn bộ chu kỳ khử cực - tái cực thất Biến thiên theo tần số nhịp tim Khoảng QT kéo dài cảnh báo nguy cơ loạn nhịp thất; biến thiên R-R đánh giá tần số tim (SB < 60 bpm, ST > 100 bpm)

Mô hình học sâu và phương pháp thực nghiệm

Nghiên cứu khảo sát hai nhóm kiến trúc mạng nơ-ron chính xử lý dữ liệu chuỗi tín hiệu đa kênh:

  1. Mạng nơ-ron tích chập (CNN 1D):
    • ResNet18 & ResNet50: Sử dụng các khối Residual Block và liên kết tắt (shortcut connections) giải quyết hiện tượng triệt tiêu đạo hàm khi tăng chiều sâu mạng.
    • EfficientNet-B0: Ứng dụng các khối tích chập đảo ngược mở rộng MBConv kết hợp cơ chế mở rộng đồng đều (compound scaling).
    • Circular Dilated CNN (CDIL-CNN): Sử dụng tích chập giãn nở tuần hoàn giúp mở rộng trường tiếp nhận mà không làm gia tăng đột biến số lượng tham số.
  2. Mạng nơ-ron hồi quy (RNN):
    • Long Short-Term Memory (LSTM): Cấu trúc cổng vào, cổng quên và cổng ra giúp kiểm soát thông tin ngữ cảnh chuỗi dài.
    • Gated Recurrent Unit (GRU): Cấu trúc thu gọn với cổng cập nhật và cổng thiết lập lại, giảm thiểu chi phí tính toán.
  3. Mô hình đề xuất cải tiến (Late-fusion & Att-Late-fusion):
    • Kiến trúc hợp nhất đa luồng trích xuất đặc trưng độc lập trên các nhóm chuyển đạo hoặc các nhánh tích chập chuyên biệt.
    • Tích hợp tầng cơ chế tự chú ý (Self-Attention Layer) ở giai đoạn Late-fusion nhằm đánh giá trọng số đóng góp của từng đặc trưng kênh trước khi đưa vào tầng phân loại Fully Connected.

Nguồn dữ liệu và quy trình tiền xử lý

Dữ liệu thô từ bộ dữ liệu CODE-15% được chuyển đổi từ các định dạng lưu trữ y tế sang cấu trúc bảng .csv, sau đó chuẩn hóa và định dạng thành Tensor 3D với kích thước (Samples, TimeSteps, Channels) tương ứng 12 kênh đạo trình điện tim để đưa vào huấn luyện mô hình.

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Trình bày cơ sở thực tiễn về gánh nặng của bệnh tim mạch theo các báo cáo y tế toàn cầu; phân tích vị trí trung tâm của phương pháp đo điện tâm đồ 12 kênh. Xác định rõ bài toán cốt lõi là phân lớp đa nhãn từ tín hiệu sóng ECG sang 7 nhóm trạng thái tim mạch; chỉ ra 4 thách thức kỹ thuật gồm: thiếu dữ liệu chuẩn hóa, sự đa dạng phức tạp của biểu hiện bệnh lý, yêu cầu độ chính xác chẩn đoán khắt khe và ràng buộc hiệu năng thời gian thực.

Chương 2: Cơ sở lý thuyết và các nghiên cứu liên quan

Hệ thống hóa giải phẫu hệ thống dẫn truyền xung điện tim (nút xoang, nút nhĩ thất, bó His, sợi Purkinje) và tương quan sinh lý với các thành phần đồ thị sóng ECG (sóng P, phức bộ QRS, sóng T, sóng U, các đoạn PR, ST). Chi tiết hóa tiêu chuẩn chẩn đoán 6 dạng bệnh lý: 1dAVb, RBBB, LBBB, AF, SB, ST. Tổng hợp các công trình nghiên cứu sử dụng học máy truyền thống (SVM, Random Forest, KNN kết hợp ICA, Wavelet Transform, tối ưu hóa MPA) và các mô hình học sâu tiêu biểu trên tập dữ liệu MIT-BIH, PTB, INCART.

Chương 3: Một số phương pháp phân lớp, chẩn đoán các bất thường trên ECG

Đi sâu vào nguyên lý toán học và kiến trúc chi tiết của các mạng nơ-ron:

  • Cấu trúc mạng tích chập CNN: Phân tích cơ chế Residual Block trên ResNet18/ResNet50, 7 khối kiến trúc và khối MBConv trên EfficientNet-B0, cấu trúc tích chập giãn nở trên CDIL-CNN.
  • Cấu trúc mạng hồi quy RNN: Cơ chế hoạt động của các cổng logic trong cell LSTM và cell GRU đối với dữ liệu chuỗi thời gian sinh học.

Chương 4: Thực nghiệm và đánh giá

Mô tả chi tiết bộ dữ liệu CODE-15% (345.779 bản ghi ECG), quy trình tiền xử lý và chuyển đổi tín hiệu thành Tensor 3D. Thiết lập các siêu tham số huấn luyện cho nhóm mô hình CNN và RNN. Đánh giá, đối sánh hiệu suất tổng thể và hiệu suất chi tiết trên từng nhãn bệnh lý thông qua các độ đo: Accuracy, Weighted Average Precision, Average Recall, Weighted Average F1-score.

Chương 5: Thử nghiệm cải tiến và đánh giá kết quả

Phân tích những điểm hạn chế từ kết quả của các mô hình cơ sở ở Chương 4; đề xuất mô hình kết hợp Late-fusion và mô hình Late-fusion tích hợp cơ chế Self-Attention (Att-Late-fusion). Thực nghiệm đối sánh trực tiếp giữa 3 mô hình CNN baseline với 2 biến thể Late-fusion trên toàn bộ 7 lớp dữ liệu, chứng minh hiệu quả nâng cao độ chính xác trên các lớp bệnh lý phức tạp.

Chương 6: Xây dựng công cụ phân lớp và chẩn đoán các bất thường trên ECG

Hiện thực hóa mô hình học sâu tốt nhất vào một phần mềm ứng dụng thực tế. Thiết kế sơ đồ triển khai hệ thống, thiết lập môi trường thực thi, xây dựng giao diện nạp dữ liệu bản ghi ECG, màn hình hiển thị kết quả dự đoán nhãn bệnh, màn hình phân tích xác suất chi tiết và mô-đun trực quan hóa dạng sóng 12 kênh tín hiệu (thử nghiệm trên mẫu ECG mã số 339956).

Chương 7: Kết luận và hướng phát triển

Tổng kết toàn bộ kết quả nghiên cứu lý thuyết, thực nghiệm thuật toán và triển khai ứng dụng; đồng thời chỉ rõ những giới hạn nghiên cứu và định hình các hướng mở rộng kỹ thuật trong tương lai.

Thiết kế và triển khai công cụ hỗ trợ chẩn đoán

Công cụ chẩn đoán được xây dựng nhằm thu hẹp khoảng cách giữa mô hình nghiên cứu lý thuyết và ứng dụng thực tiễn trong hỗ trợ y tế.

Sơ đồ triển khai và kiến trúc hệ thống

Hệ thống vận hành theo quy trình xử lý dữ liệu khép kín:

  1. Mô-đun tiếp nhận dữ liệu (Data Ingestion): Cho phép người dùng tải lên bản ghi điện tâm đồ ở định dạng bảng tín hiệu .csv.
  2. Mô-đun tiền xử lý và trích xuất đặc trưng: Chuẩn hóa dữ liệu thô, định dạng lại thành Tensor 3D tương thích với đầu vào của mạng nơ-ron.
  3. Mô-đun suy luận mô hình (Model Inference): Thực thi mạng học sâu đã được tối ưu hóa trọng số (mô hình Late-fusion/CNN), tính toán xác suất phân bố trên 7 nhãn bệnh lý.
  4. Mô-đun giao diện người dùng (User Interface): Hiển thị kết quả chẩn đoán, cung cấp biểu đồ trực quan hóa tín hiệu.
[Bản ghi ECG (.csv)] 
[Tiền xử lý & Tạo Tensor 3D] 
[Mô hình Học sâu (Late-fusion / CNN)] 
[Giao diện trực quan hóa & Báo cáo kết quả]

Chức năng và giao diện phần mềm

  • Màn hình nạp dữ liệu: Giao diện tiếp nhận tệp dữ liệu đầu vào, kiểm tra tính hợp lệ của cấu trúc 12 đạo trình.
  • Màn hình kết quả dự đoán: Cung cấp kết luận nhanh về tình trạng bản ghi (ví dụ: phát hiện đồng thời SB và LBBB hoặc trạng thái normal_ecg).
  • Màn hình kết quả phân tích: Trình bày chi tiết phân phối xác suất và độ tin cậy của mô hình đối với từng lớp bệnh cụ thể.
  • Màn hình trực quan hóa tín hiệu ECG: Hiển thị dạng sóng đồng thời của toàn bộ 12 kênh đạo trình (I, II, III, aVR, aVL, aVF, V1 - V6), cho phép người dùng quan sát trực quan các biến đổi hình thái sóng (minh họa thực tế trên mẫu ECG 339956 trong báo cáo).

Kết quả và đóng góp

Kết quả thực nghiệm và so sánh số liệu

Các mô hình được huấn luyện và kiểm thử trên tập dữ liệu quy mô lớn CODE-15%. Kết quả đánh giá tổng thể giữa các nhóm mô hình RNN, CNN và các mô hình đề xuất cải tiến được thể hiện qua bảng số liệu thực nghiệm:

Nhóm mô hình Kiến trúc cụ thể Accuracy (%) WAvg Precision (%) Avg Recall (%) WAvg F1-score (%)
RNN LSTM Đạt ngưỡng cơ sở Đạt ngưỡng cơ sở Đạt ngưỡng cơ sở Thấp hơn nhóm CNN
GRU Tương đương LSTM Tương đương LSTM Tương đương LSTM Thấp hơn nhóm CNN
CNN ResNet18 Cao hơn RNN Cải thiện rõ rệt Cải thiện rõ rệt Cải thiện rõ rệt
ResNet50 Cao Tốt Tốt Tốt
EfficientNet-B0 Cao Tốt Tốt Tốt
CDIL-CNN Cao Tốt Tốt Tốt
Đề xuất cải tiến Late-fusion Tối ưu Tối ưu Tối ưu Tối ưu
Att-Late-fusion Vượt trội Vượt trội Vượt trội Vượt trội

Hiệu suất phân lớp chi tiết trên từng nhóm nhãn bệnh lý:

  • Nhóm mô hình CNN (đặc biệt là ResNet và EfficientNet-B0) thể hiện khả năng vượt trội so với các mạng RNN (LSTM, GRU) trong việc trích xuất đặc trưng hình thái cục bộ của phức bộ QRS và sóng P.
  • Các bệnh lý có biến đổi hình thái sóng rõ nét như Tắc bó nhánh phải (RBBB) và Tắc bó nhánh trái (LBBB) đạt F1-score và Precision cao nhất trên các mô hình tích chập.
  • Bệnh lý Rung tâm nhĩ (AF) và Nhịp xoang nhanh (ST), Nhịp xoang chậm (SB) yêu cầu đánh giá biến thiên khoảng thời gian R-R được cải thiện rõ rệt khi tích hợp mô hình hợp nhất đặc trưng Late-fusion.
  • Mô hình Att-Late-fusion (tích hợp tầng Self-Attention) đạt hiệu năng tổng thể cao nhất, cân bằng tối ưu giữa Precision và Recall trên cả 7 nhãn phân loại.

Đóng góp của đề tài

  1. Về mặt học thuật: Hệ thống hóa toàn diện cơ sở lý thuyết y sinh học của tín hiệu ECG 12 kênh gắn liền với các thuật toán học sâu hiện đại; đối sánh chi tiết hiệu năng giữa hai trường phái mạng hồi quy (RNN) và mạng tích chập (CNN) trên tập dữ liệu thực tế quy mô lớn (CODE-15%).
  2. Về mặt phương pháp: Đề xuất và kiểm chứng thành công kiến trúc mô hình cải tiến Late-fusion kết hợp cơ chế Self-Attention, giúp nâng cao năng lực trích xuất và kết hợp đặc trưng từ nhiều chuyển đạo điện tim.
  3. Về mặt ứng dụng: Xây dựng thành công công cụ phần mềm hoàn chỉnh, cung cấp giao diện nạp dữ liệu, phân loại tự động và trực quan hóa 12 kênh tín hiệu ECG, đóng vai trò công cụ trợ giúp quyết định lâm sàng cho nhân viên y tế.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

  • Mất cân bằng dữ liệu: Tỷ lệ phân bố giữa mẫu bình thường (normal_ecg) và các mẫu bất thường bệnh lý hiếm trong bộ dữ liệu CODE-15% có sự chênh lệch lớn, ảnh hưởng đến độ nhạy (Recall) của một số lớp bệnh ít mẫu.
  • Tính chất giải thích của mô hình: Các mạng học sâu vẫn mang đặc tính "hộp đen" (black-box), gây khó khăn nhất định trong việc giải thích tường minh cơ chế ra quyết định cho từng vị trí sóng tới các bác sĩ lâm sàng.
  • Phạm vi kiểm thử: Mô hình chủ yếu được tối ưu hóa trên bộ dữ liệu CODE-15%, chưa được kiểm định chéo trên nhiều nguồn dữ liệu thực nghiệm đa trung tâm với các chuẩn thiết bị đo ECG khác nhau.

Hướng nghiên cứu tiếp theo

  • Mở rộng số lượng nhãn bệnh lý phân loại, tích hợp thêm các hội chứng tim mạch phức tạp (nhồi máu cơ tim cấp theo từng vùng thành tim, phì đại tâm thất, các dạng block nhĩ thất độ 2 và độ 3).
  • Nghiên cứu tích hợp các kỹ thuật giải thích mô hình (Explainable AI - XAI như Grad-CAM 1D, Attention Map visualizer) nhằm định vị chính xác đoạn sóng dẫn đến quyết định chẩn đoán.
  • Tối ưu hóa kích thước mô hình (sử dụng kỹ thuật nén mô hình, lượng tử hóa) để triển khai trực tiếp trên các thiết bị đo điện tim cầm tay hoặc hệ thống nhúng hỗ trợ giám sát bệnh nhân từ xa.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo giá trị cho các nhóm độc giả sau:

  • Sinh viên ngành Hệ thống Thông tin, Khoa học Dữ liệu, Trí tuệ Nhân tạo: Tham khảo phương pháp xây dựng pipeline xử lý tín hiệu chuỗi thời gian y sinh, kỹ thuật định dạng Tensor 3D cho dữ liệu đa kênh và quy trình thực nghiệm các kiến trúc học sâu chuyên sâu (ResNet, EfficientNet, CDIL-CNN, RNN, Attention).
  • Sinh viên và nghiên cứu viên ngành Kỹ thuật Y sinh (Biomedical Engineering): Nắm bắt hệ thống kiến thức chuẩn hóa về giải phẫu hệ dẫn truyền tim mạch, ý nghĩa sinh lý của các sóng ECG (P-QRS-T-U) và các tiêu chuẩn biến đổi điện tâm đồ của 6 dạng bệnh lý tim mạch phổ biến.
  • Kỹ sư phát triển phần mềm y tế: Tham khảo kiến trúc triển khai thực tế của công cụ phân tích tín hiệu và trực quan hóa đa kênh từ tệp dữ liệu thô.
  • Các phần đáng tham khảo nhất:
    • Chương 2: Hệ thống hóa chi tiết giải phẫu - tín hiệu học ECG và tổng quan các nghiên cứu học máy/học sâu.
    • Chương 3 & Chương 5: Cấu trúc toán học của các mạng CNN/RNN 1D và giải pháp thiết kế mô hình Late-fusion tích hợp Self-Attention.
    • Chương 4: Quy trình thực nghiệm chuẩn tắc trên tập dữ liệu lớn CODE-15%.

Câu hỏi thường gặp

1. Bộ dữ liệu CODE-15% được sử dụng trong khóa luận có quy mô và nguồn gốc như thế nào?

Bộ dữ liệu CODE-15% được thu thập bởi The Telehealth Network of Minas Gerais (TNMG) - một mạng lưới y tế cộng đồng tại Brazil cung cấp dịch vụ chẩn đoán và tư vấn từ xa. Bộ dữ liệu gồm 345.779 bản ghi điện tâm đồ 12 kênh thu thập từ 233.770 bệnh nhân ở nhiều độ tuổi khác nhau.

2. Khóa luận giải quyết bài toán phân loại đơn nhãn hay đa nhãn?

Khóa luận giải quyết bài toán phân loại đa nhãn (multi-label classification). Một bản ghi điện tâm đồ 12 kênh đầu vào có thể đồng thời được gán nhãn thuộc về nhiều nhóm bệnh lý khác nhau (ví dụ: một bệnh nhân có thể vừa xuất hiện Nhịp xoang chậm SB vừa bị Tắc bó nhánh trái LBBB).

3. Những dạng bất thường tim mạch cụ thể nào được nhận diện trong nghiên cứu?

Nghiên cứu tập trung nhận diện 7 trạng thái tín hiệu, gồm trạng thái bình thường (normal_ecg) và 6 dạng bất thường:

  • Tắc nút nhĩ thất độ 1 (1dAVb - khoảng PR > 0,20 giây).
  • Tắc bó nhánh phải (RBBB - phức bộ QRS > 0,12 giây, sóng R' ở V1/V2, sóng S rộng ở I, V5, V6).
  • Tắc bó nhánh trái (LBBB - phức bộ QRS > 0,12 giây, dạng rS/QS ở V1/V2, sóng R rộng/chẻ đôi ở V5/V6).
  • Rung tâm nhĩ (AF - mất sóng P, khoảng R-R không đều).
  • Nhịp xoang chậm (SB - nhịp tim < 60 nhịp/phút).
  • Nhịp xoang nhanh (ST - nhịp tim > 100 nhịp/phút).

4. Vì sao các mô hình tích chập CNN (ResNet, EfficientNet, CDIL) lại chiếm ưu thế hơn nhóm RNN (LSTM, GRU) trong bài toán này?

Dữ liệu ECG 12 kênh chứa các đặc trưng bệnh lý thể hiện rõ rệt qua hình thái cục bộ của các phân đoạn sóng (độ rộng phức bộ QRS, biên độ sóng P, điểm J, độ chênh đoạn ST). Các bộ lọc tích chập 1D của mạng CNN có khả năng trích xuất các đặc trưng hình thái không gian cục bộ này hiệu quả và song song hóa tính toán tốt hơn so với cơ chế xử lý tuần tự từng bước thời gian của RNN.

5. Ý tưởng cốt lõi của mô hình cải tiến Late-fusion và Att-Late-fusion là gì?

Mô hình Late-fusion thực hiện trích xuất đặc trưng độc lập thông qua các nhánh mạng tích chập trước khi hợp nhất ở các tầng cuối. Biến thể Att-Late-fusion bổ sung thêm tầng cơ chế tự chú ý (Self-Attention Layer) nhằm gán trọng số tối ưu cho từng vector đặc trưng trích xuất từ các kênh chuyển đạo khác nhau, giúp mô hình tập trung vào các tín hiệu mang dấu hiệu bệnh lý rõ ràng nhất trước khi đưa ra dự đoán phân lớp.

Kết luận

Khóa luận tốt nghiệp của sinh viên Võ Thanh Phương và Trần Thanh Hiếu đã nghiên cứu toàn diện bài toán phân loại đa nhãn các bất thường trên tín hiệu điện tâm đồ 12 kênh bằng các phương pháp học sâu. Thông qua quá trình thực nghiệm trên bộ dữ liệu quy mô lớn CODE-15% gồm 345.779 bản ghi, nhóm tác giả đã đánh giá khách quan hiệu năng của các kiến trúc CNN (ResNet, EfficientNet-B0, CDIL-CNN) và RNN (LSTM, GRU), đồng thời đề xuất thành công mô hình cải tiến Late-fusion kết hợp Self-Attention đạt hiệu suất tối ưu. Nghiên cứu đã hoàn thiện một công cụ phần mềm cho phép nạp dữ liệu, trực quan hóa 12 kênh tín hiệu và chẩn đoán tự động, đóng góp giá trị thực tiễn cho lĩnh vực tin học y tế và hỗ trợ quyết định lâm sàng.