Đánh Giá Tỷ Lệ Lỗi Của Bộ Phân Loại Tín Hiệu Điện Tim Dùng Neural Network

• Tác giả: Lê Thị Minh Thùy
• Người hướng dẫn: TS. Nguyễn Thanh Hải
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Đánh Giá Tỷ Lệ Lỗi Phân Loại Tín Hiệu Điện Tim Bằng Neural Network
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Thành Phố Hồ Chí Minh

• TRANG TỰA
• QUYẾT ĐỊNH GIAO ĐỀ TÀI
• BIÊN BẢN HỘI ĐỒNG CHẤM LUẬN VĂN TỐT NGHIỆP THẠC SĨ
• NHẬN XÉT PHẢN BIỆN 1
• NHẬN XÉT PHẢN BIỆN 2
• LÝ LỊCH KHOA HỌC
• LỜI CAM ĐOAN
• LỜI CẢM TẠ
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan về lĩnh vực nghiên cứu
• 1.2. Các kết quả nghiên cứu trong và ngoài nước đã công bố
• 1.2.1. Các kết quả nghiên cứu trong nước
• 1.2.2. Các kết quả nghiên cứu quốc tế
• 1.3. Mục tiêu của đề tài
• 1.4. Nhiệm vụ và giới hạn của đề tài
• 1.4.1. Nhiệm vụ của đề tài
• 1.4.2. Giới hạn của đề tài
• 1.5. Phương pháp nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Khái niệm về tín hiệu điện tim ECG
• 2.2. Cách tính toán nhịp tim
• 2.3. Phương pháp đề xuất phân loại tín hiệu ECG
• 2.4. Thu thập dữ liệu
• 2.5. Phương pháp phân loại
• 2.6. Phương pháp đánh giá độ chính xác của bộ phân loại
• 2.6.1. Đường cong ROC
• 3. CHƯƠNG 3: PHÂN LOẠI TÍN HIỆU ECG DÙNG NEURAL NETWORK
• 3.1. Trích đặc trưng tín hiệu điện tim
• 3.1.1. Tách từng nhịp tim từ bộ dữ liệu Arrythmia
• 3.1.2. Chuyển đổi wavelet rời rạc tín hiệu nhịp tim từ miền thời gian sang miền tần số
• 3.1.3. Giảm chiều dữ liệu sử dụng phương pháp phân tích thành phần chính PCA
• 3.2. Phân loại tín hiệu điện tim sử dụng phương pháp mạng thần kinh nhân tạo Neural Network
• 4. CHƯƠNG 4: KẾT QUẢ
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Hướng phát triển của đề tài
• TÀI LIỆU THAM KHẢO
• CHƯƠNG TRÌNH MATLAB
• BÀI BÁO KHOA HỌC

I. Tổng Quan Về Đánh Giá Lỗi Phân Loại ECG Bằng Mạng Neural

Bài toán phân loại tín hiệu điện tim (ECG) đóng vai trò quan trọng trong chẩn đoán và theo dõi bệnh tim mạch. Việc sử dụng mạng neural (Neural Network) để phân loại ECG classification đang ngày càng phổ biến do khả năng tự học và thích nghi cao. Tuy nhiên, việc đánh giá chính xác tỷ lệ lỗi của bộ phân loại này là vô cùng cần thiết để đảm bảo tính tin cậy trong ứng dụng thực tế. Nghiên cứu này tập trung vào phân tích và đánh giá các yếu tố ảnh hưởng đến hiệu suất của bộ phân loại ECG dựa trên Neural Network, từ đó đưa ra các giải pháp cải thiện.

1.1. Tầm Quan Trọng Của ECG Trong Chẩn Đoán Bệnh Tim Mạch

Electrocardiogram analysis là một phương pháp không xâm lấn, cho phép ghi lại hoạt động điện tim. Dữ liệu ECG cung cấp thông tin quan trọng về nhịp tim, hình thái sóng và các bất thường khác, giúp bác sĩ chẩn đoán Arrhythmia detection và các bệnh tim mạch khác. Theo nghiên cứu, phát hiện sớm rối loạn nhịp tim có thể cải thiện đáng kể tiên lượng cho bệnh nhân. Việc áp dụng các kỹ thuật Machine learning ECG vào phân tích ECG hứa hẹn mang lại hiệu quả cao trong chẩn đoán và điều trị.

1.2. Ưu Điểm Của Mạng Neural Trong Phân Loại ECG

Deep learning ECG classification sử dụng Convolutional Neural Network (CNN) ECG và Recurrent Neural Network (RNN) ECG thể hiện khả năng vượt trội trong việc học các đặc trưng phức tạp từ tín hiệu ECG. Các mô hình này có thể tự động trích xuất Feature extraction ECG mà không cần sự can thiệp thủ công của con người. Đặc biệt, các biến thể như Long Short-Term Memory (LSTM) ECG rất phù hợp để xử lý dữ liệu chuỗi thời gian như ECG, giúp cải thiện độ chính xác phân loại.

II. Thách Thức Trong Phân Loại ECG Chính Xác Độ Tin Cậy

Mặc dù có nhiều ưu điểm, việc xây dựng một hệ thống phân loại tín hiệu điện tim đáng tin cậy vẫn còn nhiều thách thức. Sự biến đổi lớn giữa các cá nhân, nhiễu từ môi trường và hạn chế về dữ liệu huấn luyện có thể ảnh hưởng đến Accuracy ECG của mô hình. Để giải quyết những vấn đề này, cần có các phương pháp tiền xử lý tín hiệu hiệu quả, kỹ thuật Data augmentation ECG phù hợp và chiến lược đánh giá mô hình chặt chẽ. Hơn nữa, hiểu rõ các yếu tố ảnh hưởng đến tỷ lệ lỗi giúp tối ưu hóa bộ phân loại Neural Network cho các ứng dụng thực tế.

2.1. Ảnh Hưởng Của Nhiễu Và Biến Động Tín Hiệu Đến Kết Quả

Nhiễu từ các thiết bị điện tử, hoạt động cơ bắp và hô hấp có thể làm sai lệch tín hiệu ECG, gây khó khăn cho việc trích xuất đặc trưng và phân loại chính xác. Cần sử dụng các kỹ thuật Signal processing ECG như lọc nhiễu, biến đổi wavelet để loại bỏ hoặc giảm thiểu ảnh hưởng của nhiễu. Việc lựa chọn phương pháp tiền xử lý phù hợp là yếu tố then chốt để cải thiện Performance metrics ECG của bộ phân loại.

2.2. Vấn Đề Overfitting Thiếu Dữ Liệu Trong Huấn Luyện

Overfitting ECG xảy ra khi mô hình học quá sát dữ liệu huấn luyện, dẫn đến khả năng khái quát kém trên dữ liệu mới. Điều này đặc biệt nghiêm trọng khi dữ liệu huấn luyện không đủ lớn hoặc không đại diện cho toàn bộ quần thể. Các kỹ thuật như Regularization ECG, Cross-validation ECG và Hyperparameter tuning ECG có thể giúp giảm thiểu overfitting và cải thiện khả năng khái quát của mô hình. Sử dụng các bộ dữ liệu chuẩn như MIT-BIH arrhythmia database và PhysioNet giúp đảm bảo tính khách quan và khả năng so sánh giữa các nghiên cứu.

III. Phương Pháp Đánh Giá Chính Xác Tỷ Lệ Lỗi Phân Loại ECG

Để đánh giá tỷ lệ lỗi của bộ phân loại ECG, cần sử dụng các Performance metrics ECG phù hợp. Accuracy ECG, Sensitivity ECG, Specificity ECG, F1-score ECG và AUC-ROC ECG là những chỉ số quan trọng, cung cấp thông tin toàn diện về hiệu suất của mô hình. Việc phân tích ma trận nhầm lẫn (confusion matrix) giúp xác định các loại lỗi cụ thể mà mô hình mắc phải, từ đó đưa ra các biện pháp cải thiện phù hợp. Ngoài ra, việc so sánh kết quả với các nghiên cứu trước đây cũng là một bước quan trọng trong quá trình đánh giá.

3.1. Sử Dụng Ma Trận Nhầm Lẫn Confusion Matrix Để Phân Tích Lỗi

Ma trận nhầm lẫn cho phép phân tích chi tiết các loại lỗi mà mô hình mắc phải, bao gồm lỗi dương tính giả (False Positive) và lỗi âm tính giả (False Negative). Từ đó, có thể xác định các loại Arrhythmia detection mà mô hình gặp khó khăn trong việc phân loại, từ đó điều chỉnh mô hình hoặc thu thập thêm dữ liệu để cải thiện hiệu suất. Một confusion matrix tốt sẽ có giá trị lớn ở đường chéo chính.

3.2. Đường Cong ROC Giá Trị AUC Để Đánh Giá Khả Năng Phân Loại

Đường cong ROC (Receiver Operating Characteristic) biểu diễn mối quan hệ giữa tỷ lệ dương tính thật (True Positive Rate) và tỷ lệ dương tính giả (False Positive Rate) ở các ngưỡng phân loại khác nhau. Giá trị AUC (Area Under the Curve) là diện tích dưới đường cong ROC, thể hiện khả năng phân biệt giữa các lớp của mô hình. AUC-ROC ECG càng cao, mô hình càng tốt. Một mô hình hoàn hảo sẽ có AUC = 1.

IV. Ứng Dụng Mạng Neural Đánh Giá Lỗi ECG Trong Y Tế Thực Tiễn

Việc đánh giá tỷ lệ lỗi và cải thiện hiệu suất của bộ phân loại ECG bằng Neural Network có ý nghĩa to lớn trong y tế thực tiễn. Các ứng dụng tiềm năng bao gồm Real-time ECG monitoring cho bệnh nhân tim mạch, Wearable ECG devices giúp theo dõi sức khỏe tại nhà, và hệ thống Healthcare AI hỗ trợ bác sĩ trong chẩn đoán và điều trị. Đặc biệt, trong bối cảnh IoT ECG, việc phân tích ECG từ xa có thể giúp cải thiện khả năng tiếp cận dịch vụ y tế cho những người ở vùng sâu vùng xa.

4.1. Giám Sát ECG Thời Gian Thực Phát Hiện Rối Loạn Nhịp Tim

Real-time ECG monitoring cho phép phát hiện sớm các rối loạn nhịp tim nguy hiểm, giúp can thiệp kịp thời và giảm thiểu nguy cơ biến chứng. Các hệ thống này có thể được sử dụng trong bệnh viện, phòng khám hoặc tại nhà, cung cấp thông tin liên tục về tình trạng tim mạch của bệnh nhân. Việc tích hợp Machine learning ECG vào các hệ thống này giúp cải thiện độ chính xác và hiệu quả của việc giám sát.

4.2. Thiết Bị ECG Đeo Được Ứng Dụng Trong Theo Dõi Sức Khỏe Cá Nhân

Wearable ECG devices đang ngày càng trở nên phổ biến, cho phép người dùng theo dõi nhịp tim và các chỉ số ECG khác một cách tiện lợi. Các thiết bị này có thể được sử dụng để phát hiện sớm các dấu hiệu bất thường, theo dõi hiệu quả điều trị hoặc đánh giá ảnh hưởng của hoạt động thể chất đến tim mạch. Dữ liệu thu thập được có thể được chia sẻ với bác sĩ để có được sự tư vấn và điều trị tốt nhất.

V. Hướng Tiếp Cận Explainable AI Tin Cậy Trong Phân Loại ECG

Để tăng cường sự tin cậy và khả năng ứng dụng của hệ thống phân loại ECG dựa trên Neural Network, cần chú trọng đến tính Explainable AI ECG và Interpretability ECG. Điều này đòi hỏi việc phát triển các phương pháp giải thích cách mô hình đưa ra quyết định, giúp bác sĩ hiểu rõ hơn về cơ chế hoạt động của mô hình và tin tưởng vào kết quả phân loại. Model evaluation ECG phải được thực hiện một cách toàn diện, bao gồm cả việc đánh giá hiệu suất và khả năng giải thích.

5.1. Giải Thích Kết Quả Phân Loại Tăng Cường Niềm Tin Cho Bác Sĩ

Explainable AI ECG cung cấp thông tin về các đặc trưng quan trọng nhất mà mô hình sử dụng để đưa ra quyết định phân loại. Điều này giúp bác sĩ hiểu rõ hơn về cơ sở của kết quả phân loại và đánh giá tính hợp lý của nó. Các kỹ thuật visualization có thể được sử dụng để trực quan hóa các đặc trưng này, giúp bác sĩ dễ dàng nắm bắt thông tin.

5.2. Đảm Bảo Tính Công Bằng Tránh Sai Lệch Trong Phân Loại ECG

Việc đảm bảo tính công bằng và tránh sai lệch trong phân loại ECG là vô cùng quan trọng, đặc biệt khi mô hình được sử dụng để đưa ra các quyết định quan trọng về sức khỏe. Cần kiểm tra xem mô hình có bị ảnh hưởng bởi các yếu tố như giới tính, tuổi tác hoặc chủng tộc hay không. Các biện pháp can thiệp có thể được thực hiện để giảm thiểu sai lệch và đảm bảo tính công bằng cho tất cả bệnh nhân.

VI. Kết Luận Hướng Phát Triển Đánh Giá Lỗi Phân Loại ECG

Nghiên cứu về đánh giá tỷ lệ lỗi của bộ phân loại ECG bằng Neural Network là một lĩnh vực đầy tiềm năng, đóng góp quan trọng vào sự phát triển của Healthcare AI. Trong tương lai, cần tập trung vào việc phát triển các phương pháp tiền xử lý tín hiệu tiên tiến, kỹ thuật Data augmentation ECG hiệu quả và chiến lược đánh giá mô hình toàn diện. Đồng thời, việc tích hợp kiến thức chuyên môn từ các chuyên gia tim mạch vào quá trình thiết kế và huấn luyện mô hình cũng là một hướng đi quan trọng. Ứng dụng các kỹ thuật Biomedical signal processing sẽ giúp khai thác tối đa thông tin từ tín hiệu ECG.

6.1. Nghiên Cứu Các Phương Pháp Mới Để Giảm Thiểu Tỷ Lệ Lỗi

Các phương pháp mới trong lĩnh vực Deep learning ECG classification, như sử dụng kiến trúc mạng neural phức tạp hơn, kết hợp nhiều nguồn dữ liệu khác nhau hoặc áp dụng các kỹ thuật học tăng cường (Reinforcement Learning), có thể giúp giảm thiểu tỷ lệ lỗi của bộ phân loại. Việc thử nghiệm và so sánh hiệu quả của các phương pháp khác nhau là cần thiết để tìm ra giải pháp tối ưu.

6.2. Phát Triển Các Hệ Thống Phân Loại ECG Cá Nhân Hóa

Mỗi bệnh nhân có một đặc điểm tim mạch riêng biệt, do đó, việc phát triển các hệ thống phân loại ECG cá nhân hóa có thể cải thiện đáng kể độ chính xác và hiệu quả. Các hệ thống này có thể được huấn luyện trên dữ liệu của từng bệnh nhân hoặc sử dụng các kỹ thuật transfer learning để thích nghi với đặc điểm riêng của từng người. Điều này hứa hẹn mang lại những tiến bộ vượt bậc trong chẩn đoán và điều trị bệnh tim mạch.

## Tổng quan nghiên cứu

Bệnh tim mạch là nguyên nhân hàng đầu gây tử vong, chiếm khoảng 31% tổng số ca tử vong toàn cầu và khoảng một phần tư số ca tử vong tại Việt Nam mỗi năm. Việc phát hiện sớm và phân loại chính xác tín hiệu điện tim (ECG) đóng vai trò quan trọng trong chẩn đoán và điều trị các bệnh lý tim mạch. Tuy nhiên, phân loại tín hiệu ECG gặp nhiều khó khăn do sự biến đổi đa dạng của tín hiệu giữa các bệnh nhân và thiếu chuẩn hóa đặc trưng. Mục tiêu của luận văn là thiết kế và đánh giá bộ phân loại tín hiệu ECG sử dụng phương pháp mạng thần kinh nhân tạo (Neural Network), tập trung vào việc đánh giá tỷ lệ lỗi của bộ phân loại qua ma trận nhầm lẫn (confusion matrix) và đường cong ROC. Nghiên cứu sử dụng dữ liệu từ cơ sở dữ liệu MIT-BIH Arrhythmia, gồm 48 tín hiệu ECG của 46 bệnh nhân, thu thập trong khoảng thời gian từ 1975 đến 1979. Ý nghĩa của nghiên cứu là cung cấp một phương pháp phân loại tín hiệu ECG hiệu quả, phù hợp với điều kiện thực tế, góp phần nâng cao độ chính xác trong chẩn đoán bệnh tim mạch.

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

- **Tín hiệu điện tim (ECG):** Ghi lại hoạt động điện của tim, bao gồm các sóng P, QRS, T và các khoảng thời gian đặc trưng như PR, QT, RR. Các đặc trưng này phản ánh tình trạng hoạt động của tim và được sử dụng để chẩn đoán bệnh lý.
- **Phân tích biến đổi wavelet rời rạc (DWT):** Chuyển đổi tín hiệu từ miền thời gian sang miền tần số, giúp phát hiện các đặc trưng nhỏ và biến đổi nhanh trong tín hiệu ECG mà phương pháp biến đổi Fourier không thể hiện rõ.
- **Phân tích thành phần chính (PCA):** Phương pháp giảm chiều dữ liệu, chiếu dữ liệu đa chiều vào không gian có số chiều thấp hơn mà vẫn giữ được phần lớn thông tin, giúp giảm tải tính toán và tăng hiệu quả phân loại.
- **Mạng thần kinh nhân tạo (Neural Network):** Mô hình học máy có khả năng xấp xỉ các hàm phi tuyến, được sử dụng để phân loại tín hiệu ECG dựa trên các đặc trưng đã trích xuất.
- **Đánh giá hiệu suất phân loại:** Sử dụng ma trận nhầm lẫn (confusion matrix) và đường cong ROC để đánh giá độ chính xác, độ nhạy, độ đặc hiệu và tỷ lệ lỗi của bộ phân loại.

### Phương pháp nghiên cứu

- **Nguồn dữ liệu:** Sử dụng bộ dữ liệu MIT-BIH Arrhythmia Database gồm 48 tín hiệu ECG của 46 bệnh nhân, mỗi tín hiệu dài 30 phút, được thu thập từ năm 1975 đến 1979.
- **Tiền xử lý dữ liệu:** Tách từng nhịp tim từ tín hiệu ECG, mỗi nhịp gồm 200 mẫu, sau đó chuyển đổi tín hiệu sang miền tần số bằng DWT Meyer 4.
- **Trích đặc trưng và giảm chiều:** Áp dụng PCA để giảm số lượng đặc trưng từ các hệ số DWT, giữ lại 12 đặc trưng chính (6 đặc trưng xấp xỉ và 6 đặc trưng chi tiết).
- **Phân loại:** Sử dụng mạng Neural Network với cấu trúc 12 nút đầu vào, 10 neuron lớp ẩn và 6 neuron lớp đầu ra, huấn luyện bằng thuật toán lan truyền ngược với ngưỡng lỗi MSE dưới 0.0001.
- **Đánh giá:** Thực hiện đánh giá độ chính xác phân loại bằng ma trận nhầm lẫn và đường cong ROC trong hai tình huống: (1) trộn lẫn nhịp tim của cùng một bệnh nhân trong tập huấn luyện và kiểm tra; (2) tách riêng bệnh nhân trong tập huấn luyện và kiểm tra.
- **Timeline nghiên cứu:** Thu thập và xử lý dữ liệu, xây dựng mô hình phân loại, đánh giá kết quả và hoàn thiện luận văn trong khoảng thời gian học tập tại Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

- **Phân loại tín hiệu ECG:** Bộ phân loại đạt độ chính xác 93,1% khi trộn lẫn nhịp tim của cùng một bệnh nhân trong tập huấn luyện và kiểm tra.
- **Ảnh hưởng của tách riêng bệnh nhân:** Khi tách riêng bệnh nhân trong tập huấn luyện và kiểm tra, độ chính xác giảm xuống còn 84,0%, phản ánh thực tế rằng dữ liệu huấn luyện thường không phải của bệnh nhân cần kiểm tra.
- **Phân bố nhịp tim:** Tổng số 112.646 nhịp tim được phân loại, trong đó nhịp tim bình thường chiếm 80%, các loại nhịp tim bệnh chiếm tỷ lệ thấp hơn, ảnh hưởng đến độ chính xác phân loại do sự mất cân bằng dữ liệu.
- **Ma trận nhầm lẫn:** Các loại nhịp tim bệnh thường bị phân loại nhầm thành nhịp tim bình thường, đặc biệt là các loại nhịp tim loại 2, 3, 4, 5 và nhiễu (loại 6).
- **Đường cong ROC:** Bộ phân loại trong tình huống trộn lẫn nhịp tim có đường cong ROC sát cạnh trái và trên, chứng tỏ độ chính xác cao; trong khi đó, bộ phân loại tách riêng bệnh nhân có đường cong ROC gần đường chéo 45 độ, thể hiện độ chính xác giảm rõ rệt.

### Thảo luận kết quả

Nguyên nhân chính của sự giảm độ chính xác khi tách riêng bệnh nhân là do sự khác biệt đặc trưng tín hiệu ECG giữa các bệnh nhân, làm cho bộ phân loại khó tổng quát hóa. Kết quả này phù hợp với các nghiên cứu quốc tế về phân loại ECG, nhấn mạnh tầm quan trọng của việc xây dựng bộ phân loại có khả năng thích ứng với đa dạng dữ liệu thực tế. Việc sử dụng DWT kết hợp PCA giúp trích xuất đặc trưng hiệu quả, tuy nhiên sự mất cân bằng dữ liệu và sự biến đổi đặc trưng giữa các bệnh nhân vẫn là thách thức lớn. Các biểu đồ ma trận nhầm lẫn và đường cong ROC minh họa rõ ràng sự khác biệt hiệu suất giữa hai tình huống, cho thấy cần cải tiến phương pháp phân loại để phù hợp hơn với điều kiện thực tế.

## Đề xuất và khuyến nghị

- **Cải tiến thuật toán phân loại:** Áp dụng các phương pháp học sâu (deep learning) hoặc học khoảng cách (Metric Learning) để nâng cao khả năng phân loại và tổng quát hóa trên dữ liệu đa dạng.
- **Tăng cường dữ liệu huấn luyện:** Thu thập thêm dữ liệu ECG từ nhiều bệnh nhân và thiết bị khác nhau để giảm thiểu sự mất cân bằng và tăng tính đại diện cho bộ phân loại.
- **Phát triển hệ thống phân loại đa lớp:** Nâng cao khả năng phân biệt các loại nhịp tim bệnh gần giống nhau bằng cách kết hợp nhiều kỹ thuật trích đặc trưng và phân loại.
- **Triển khai ứng dụng thực tế:** Xây dựng phần mềm hỗ trợ chẩn đoán dựa trên bộ phân loại đã phát triển, tích hợp với thiết bị đo ECG di động để ứng dụng trong y tế cộng đồng.
- **Thời gian thực hiện:** Các giải pháp trên nên được triển khai và đánh giá trong vòng 1-2 năm tiếp theo, phối hợp giữa các nhóm nghiên cứu và cơ sở y tế.

## Đối tượng nên tham khảo luận văn

- **Sinh viên và nghiên cứu sinh ngành Kỹ thuật Điện tử, Y sinh:** Nắm bắt kiến thức về xử lý tín hiệu sinh học, học máy và ứng dụng trong y tế.
- **Chuyên gia phát triển phần mềm y tế:** Áp dụng các thuật toán phân loại tín hiệu ECG vào phát triển hệ thống chẩn đoán tự động.
- **Bác sĩ và kỹ thuật viên y tế:** Hiểu rõ về công nghệ phân loại tín hiệu ECG để hỗ trợ chẩn đoán và điều trị bệnh tim mạch.
- **Nhà nghiên cứu trong lĩnh vực trí tuệ nhân tạo và xử lý tín hiệu:** Tham khảo phương pháp kết hợp DWT, PCA và Neural Network trong bài toán phân loại dữ liệu phức tạp.

## Câu hỏi thường gặp

1. **Tại sao phải tách riêng bệnh nhân trong tập huấn luyện và kiểm tra?**  
Việc này giúp đánh giá chính xác khả năng tổng quát của bộ phân loại khi áp dụng cho bệnh nhân mới, tránh hiện tượng "rò rỉ dữ liệu" làm tăng giả tạo độ chính xác.

2. **Phương pháp DWT có ưu điểm gì so với biến đổi Fourier?**  
DWT cung cấp thông tin thời gian và tần số chi tiết, giúp phát hiện các biến đổi nhanh và nhỏ trong tín hiệu ECG mà biến đổi Fourier không thể hiện rõ.

3. **Tại sao cần giảm chiều dữ liệu bằng PCA?**  
Giảm chiều giúp loại bỏ các đặc trưng dư thừa, giảm tải tính toán và tránh hiện tượng quá khớp trong quá trình huấn luyện mạng Neural Network.

4. **Độ chính xác 84% có đủ để ứng dụng thực tế không?**  
Độ chính xác này phản ánh điều kiện thực tế nhưng vẫn cần cải tiến thêm để đạt độ tin cậy cao hơn, đặc biệt trong các ứng dụng y tế quan trọng.

5. **Có thể áp dụng phương pháp này cho các loại tín hiệu sinh học khác không?**  
Có, phương pháp kết hợp DWT, PCA và Neural Network có thể được điều chỉnh để phân loại các tín hiệu sinh học khác như EEG, EMG với đặc trưng tương tự.

## Kết luận

- Đã xây dựng thành công bộ phân loại tín hiệu ECG sử dụng Neural Network kết hợp DWT và PCA với dữ liệu từ MIT-BIH.  
- Đánh giá cho thấy việc tách riêng bệnh nhân trong tập huấn luyện và kiểm tra làm giảm độ chính xác từ 93,1% xuống 84,0%, phản ánh thực tế ứng dụng.  
- Phân tích ma trận nhầm lẫn và đường cong ROC minh chứng rõ ràng hiệu suất của bộ phân loại trong các tình huống khác nhau.  
- Cần tiếp tục cải tiến thuật toán và mở rộng dữ liệu để nâng cao độ chính xác và khả năng tổng quát của bộ phân loại.  
- Khuyến nghị triển khai nghiên cứu sâu hơn về học máy nâng cao và ứng dụng thực tế trong y tế cộng đồng.  

**Hành động tiếp theo:** Triển khai các phương pháp học sâu, thu thập dữ liệu đa dạng hơn và phát triển phần mềm hỗ trợ chẩn đoán dựa trên kết quả nghiên cứu.