đặt vấn đề Chương 2: Tổng quan Chương 3: Cơ sở lý thuyết Chương 4: Xây dựng thuật toán Chương 5: Kết quả và thảo luận. 5 CHƯƠNG 2: TỔNG QUAN CHƯƠNG 2: TỔNG QUAN 2. Các phương pháp phát hiện rối loạn nhịp tim dựa trên tín hiệu PPG Ý tưởng sử dụng tín hiệu PPG để phát hiện rối loạn nhịp tim xuất phát từ thực tế rằng, rối loạn nhịp tim thay đổi nhịp co bóp của tim dẫn đến sự thay đổi lưu lượng máu bơm đi khắp cơ thể. Chính vì vậy, hệ quả dẫn đến là sự thay đổi của tín hiệu PPG.1 cho thấy khi có sự xuất hiện của rối loạn nhịp tim, tín hiệu PPG trở nên không ổn định và có sự thay đổi rõ rệt về tần số và biên độ so với khi không có rối loạn nhịp tim.1: Tín hiệu PPG có sự khác biệt giữa người không mắc và mắc các bệnh rối loạn nhịp tim [10].
Rối loạn nhịp tim có rất nhiều biến thể khác nhau như là rung tâm nhĩ, cuồng tâm nhĩ, co thắt tâm thất sớm và co thắt tâm nhĩ sớm. Tuy nhiên hiện nay hầu hết các nhà nghiên cứu trong lĩnh vực này chỉ tập trung vào rung tâm nghĩ bởi sự nguy hiểm và độ phổ biến của nó. Hiện nay các phương pháp dựa trên PPG để chẩn đoán rối loạn nhịp tim chủ yếu dựa trên các phương pháp dựa trên phân tích dữ liệu thực nghiệm (data-driven). Theo 6 CHƯƠNG 2: TỔNG QUAN đó, các nhà nghiên cứu thu thập tín hiệu PPG cùng một số thông số liên quan đến sức khỏe , tiền sử bệnh trên từng bệnh nhân hoặc tình nguyện viên, tiếp đến họ sẽ phân loại và “dán nhãn dữ liệu” tương ứng với tình trạng bệnh cụ thể bằng các phương pháp chẩn đoán truyền thống mà ở đây là tín hiệu điện tâm đồ (ECG).
Sau khi hoàn thành công việc thu thập và dán nhãn dữ liệu, các mô hình phân tích dữ liệu được xây dựng để tìm ra mối liên hệ giữa PPG và rối loạn nhịp tim và từ đó phát hiện được rối loạn nhịp tim từ PPG. Có ba phương pháp phân tích dữ liệu thực nghiệm được sử dụng rộng rãi trong các nghiên cứu trong phát hiện rối loạn nhịp tim dựa trên tín hiệu PPG gồm: Sử dụng mô hình thống kê Sử dụng mô hình học máy Sử dụng mô hình học sâu 2. Phương pháp sử dụng mô hình thống kê Xu hướng chung của các nghiên cứu sử dụng mô hình thống kê để chẩn đoán rối loạn nhịp tim là đưa ra một khoảng giá trị giới hạn cho các chỉ số, được tính toán dựa trên chuỗi khoảng cách giữa các đỉnh của tín hiệu PPG (PP-interval), Hình 2.2: Khoảng cách đỉnh (PP) của tính hiệu PPG [11]. Thuật toán phát hiện rối loạn nhịp tim từ PPG của các nghiên cứu sử dụng phương pháp thông kê nhìn chung được tiến hành theo các bước gồm tiền xử lý (preprocessing), tìm đỉnh (peak detection), tính toán chỉ số, phân loại.3 mô tả thuật toán để tiến hành phát hiện rối loạn nhịp tim bằng các phương pháp sử dụng mô hình thống kê.
Tiền xử lý (bước 1): có nhiệm vụ lọc nhiễu và đánh giá các đoạn tín hiệu PPG đủ tiêu chuẩn để có thể sử dụng trong việc phát hiện rối loạn nhịp tim. Tìm đỉnh (bước 2): xác định các đỉnh của tín hiệu PPG, từ đó tính toán được khoảng thời gian giữa 7 CHƯƠNG 2: TỔNG QUAN các đỉnh. Tính toán các chỉ số (bước 3): từ chuỗi khoảng cách đỉnh được tính toán ở bước 2, các chỉ số thống kê được tính toán. Bước 4: sau khi tính toán các giá trị của các chỉ số thống kê, việc phân biệt giữa tín hiệu thể hiện rối loạn và bình thường được quyết định bởi lớn hay nhỏ một giá trị ngưỡng.3: Sơ đồ quy trình chung của các thuật toán phát hiện rối loạn nhịp tim bằng phương pháp thống kê.
Kết quả của các thuật toán sẽ được đánh giá dựa trên độ đặc hiệu (specificity), độ chính xác (accuracy), độ nhạy (sensitivity) (tiêu chuẩn này cũng được các nghiên cứu sử dụng để đánh giá thuật toán dựa trên mô hình học máy và học sâu). Ngoài ra đường cong ROC (Receiver operating characteristic) cùng với diện trích dưới đường cong (AUC) cũng được sử dụng khá nhiều. Chúng dùng để lựa chọn các giá trị tham số phù hợp cho thuật toán ví dụ như giá trị các ngưỡng cũng như so sánh tính hiệu quả giữa các thuật toán khác nhau, theo đó thuật toán có chỉ số AUC cao hơn cho thấy kết quả chính xác hơn trong việc phát hiện rối loạn nhịp tim. Có nhiều nghiên cứu sử dụng phương pháp này và điểm khác biệt duy nhất nằm ở chỉ số nào được sử dụng để phát hiện bệnh rối loạn nhịp tim.
Các chỉ số được sử dụng phổ biến bao gồm Root mean square of successive difference ( RMSSD), Sample entropy 8 CHƯƠNG 2: TỔNG QUAN (SampEn), "Hệ số entropy mẫu" (coefficient of sample entropy - CosEn), Turning point ratio (TPR). Bên cạnh việc sử dụng một chỉ số để phát hiện các trường hợp xuất hiện rối loạn nhịp tim, một số nghiên cứu còn đưa ra các phương pháp kết hợp hai hoặc nhiều chỉ số lại với nhau. Syed Khairul Bashar và các cộng sự, [12] đưa ra biểu thức gồm hai tham số là RMSSD và SampEn được hiệu chỉnh bởi một trọng số 𝑤. Kết quả của biểu thức được so sánh với một ngưỡng có giá trị 0,94 để phân biệt giữa rung tâm nhĩ và không rung tâm nhĩ.
Các nghiên cứu [13] [14] phân biệt giữ rung tâm nhĩ và không rung tâm nhĩ bằng cách sử dụng RMSSD và Shannon entropy, theo đó, một đối tượng được xác định là mắc bệnh khi hai chỉ số tính toán từ tín hiệu PPG của đối tượng đó lớn hơn một ngưỡng cho trước tương ứng với từng chỉ số. Ngoài ra, một số nghiên cứu còn kết hợp giữa các chỉ số trên cùng với một vài chỉ số tính toán từ miền tần số của tín hiệu PPG, biểu đồ Poincare , [15] [16] [17]. Phương pháp sử dụng mô hình học máy So với phương pháp sử dụng mô hình thống kê, phương pháp sử dụng mô hình học máy (machine learning) sử dụng đa dạng các chỉ số hay nói chính xác hơn là các đặc trưng (feature) khác nhau để xác định một đoạn tín hiệu PPG có bị rối loạn nhịp tim hay không. Bên cạnh các chỉ số thống kê, một số các đặc trưng được sử dụng như đặc trưng trong miền thời gian (Time-domain features), [18], đặc trưng trong miền tần số (Frequency-domain features), [19], đặc trưng mô tả dạng sóng của tính hiệu PPG (Waveform descriptors), [18].
Một thuật toán sử dựng mô hình học máy để phát hiện rối loạn nhịp tim dựa trên tín hiệu PPG sẽ trải qua các bước tiền xử lý, trích xuất đặc trưng, phân loại bằng mô hình học máy. Có thể thấy, so với phương pháp thống kê mô hình học máy khác ở hai điểm. Điểm thứ nhất là số lượng đặc trưng nhiều hơn, điều này có nghĩa sẽ cần nhiều thuật toán 9 CHƯƠNG 2: TỔNG QUAN hơn để trích xuất các đặc trưng giống nhau. Điểm thứ hai nằm ở phương pháp phân loại, ở đây thay vì sử dụng các ngưỡng so sánh thì một mô hình học máy được sử dựng.
Các mô hình được sử dụng phổ biến gồm (k–nearest neighbors, support vector machine,…). Chính vì sử dụng các mô hình học máy do đó, để hình thành mô hình cần trải qua hai giai đoạn là giai đoạn huấn luyện (training) và giai đoạn đánh giá (testing).4 mô tả tổng thể một nghiên cứu sử dụng mô hình học máy để phát hiện rối loạn nhịp tim.4: Sơ đồ quy trình chung của các thuật toán phát hiện rối loạn nhịp tim bằng phương pháp mô hình học máy. Phương pháp sử dụng mô hình học sâu Hình 2.5: Sơ đồ quy trình chung của các thuật toán phát hiện rối loạn nhịp tim bằng phương pháp mô hình học sâu. 10 CHƯƠNG 2: TỔNG QUAN Học sâu (deep learning) là một phần trong một nhánh của phương pháp học máy dựa trên mạng thần kinh nhân tạo kết hợp với việc học biểu diễn đặc trưng (representation learning).
Vì vậy về cơ bản một nghiên cứu sử dụng mô hình học sâu sẽ không khác nhiều so với mô hình học máy, Hình 2. Điểm khác biệt duy nhất giữa hai phương pháp này chính là mô hình học sâu có khả năng tự động trích xuất đặc trưng thông qua các kiến trúc mạng thần kinh (neural network). Mô hình học sâu được sử dụng nhiều nhất là mạng nơ-ron tích chập (convolution neural network-CNN). CNN được áp dụng để phân tích hình bằng cách sử dụng các bộ lọc (kernel – filter) và phép tích chập để xác định các đặc trưng của dữ liệu một cách tự động.
Điều này đặc biệt thích hợp trong các tác vụ liên quan đến xác định đặc trưng của các tập dữ liệu. Nhờ đặc điểm này mà các thuật toán sử dụng CNN không cần các thuật toán trích xuất đặc trưng như trong mô hình học máy, giảm bớt các tác vụ hiệu chỉnh tham số cho thuật toán, vốn là những yếu tố gây ảnh hưởng đến độ chính xác và phạm vi áp dụng của thuật toán. Poh và các cộng sự, [10] đã tiến hành một nghiên cứu sử dụng mô Dense CNN (DCNN) để phát hiện rung tâm nhĩ, ngoại thu tâm nhĩ và nhịp tim bình thường với đầu vào là tín hiệu PPG thô. Nghiên cứu này so sánh tính hiệu quả của mạng DCNN với các thuật toán sử dụng phương pháp thống kê và học máy, và cho thấy DCNN hiệu quả hơn so với các phương pháp còn lại dựa trên ma trận nhầm lẫn (confusion matrix).
Bằng cách quan sát các bộ lọc sau khi huấn luyện, nghiên cứu này cho thấy các mạng DCNN có xu hướng trích xuất các đỉnh của tín hiệu PPG. Điều này giống như cơ sở lập luận của các phương pháp sử dụng chỉ số thống kê. 11 CHƯƠNG 2: TỔNG QUAN Hình 2.6: (a) Kết quả phát hiện các trường hợp rối loạn nhịp tim và không rối loạn nhip tim của phương pháp sử dụng mô hình DCNN và các phương pháp khác. Để tăng tính hiệu quả, một số nghiên cứu còn sử dụng kết hợp giữa CNN và các đặc trưng như đã đề cập ở phần trên.
Shashikumar và các cộng sự, [20] sử dụng mạng CNN với đầu vào phổ thời gian – tần số thông qua biến đổi wavelet kết hợp với các đặc trưng để phát hiện các trường hợp bị rung tâm nhĩ, Hình 2.