Xây Dựng Hệ Thống Thu Thập và Xử Lý Tín Hiệu Điện Tim ECG Trên Nền Tảng IoT

Luận văn thạc sĩ khoa học máy tính trình bày hệ thống thu thập và xử lý tín hiệu điện tim ECG trên nền tảng IoT, ứng dụng công nghệ hiện đại.

• Tác giả: Đỗ Thanh Thái
• Người hướng dẫn: TS. Trần Minh Quang
• Trường học: Đại học Bách Khoa - ĐHQG - HCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Hệ Thống Thu Thập và Xử Lý Tín Hiệu Điện Tim ECG Trên Nền Tảng IoT
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: Giới thiệu và tóm tắt nội dung đề tài
• 1.1. Giới thiệu hệ thống chăm sóc bệnh tim mạch
• 1.2. Tóm tắt nội dung đề tài
• 1.3. Đóng góp của đề tài
• 2. CHƯƠNG 2: Nền tảng nghiên cứu và các công trình liên quan
• 2.1. Giới thiệu các công trình liên quan
• 2.2. Giới thiệu nền tảng kiến trúc Internet of Things
• 2.3. Giới thiệu nền tảng nghiên cứu thông qua các giải thuật học máy và học sâu
• 3. CHƯƠNG 3: Kiến trúc hệ thống
• 3.1. Quá trình nghiên cứu
• 3.2. Biểu đồ UseCases
• 3.3. Thiết kế cơ sở dữ liệu
• 4. CHƯƠNG 4: Phân tích dữ liệu và chẩn đoán bệnh
• 4.1. Lọc nhiễu từ cảm biến
• 4.2. Khai phá tập thường xuyên
• 4.3. Đề xuất mô hình dự đoán bất thường
• 5. CHƯƠNG 5: Kết quả thực nghiệm
• 5.1. Kết quả đo từ thiết bị
• 5.2. Kết quả thực thi mô hình và đánh giá
• 6. CHƯƠNG 6: Kết luận và hướng phát triển
• Phụ lục
• 7.1. Hệ thống máy chủ
• 7.2. Hệ thống nhúng
• 7.3. Hệ thống học máy

Tóm tắt

I. Tổng Quan Hệ Thống Thu Thập và Xử Lý ECG IoT Giới Thiệu

Mỗi năm, Việt Nam có khoảng 200.000 người tử vong vì bệnh tim mạch. Đáng báo động, 20% dân số Việt Nam mang yếu tố bệnh tim mạch. Trên toàn thế giới, con số này là 17,2 triệu người mỗi năm. Bệnh tim mạch là nguyên nhân tử vong hàng đầu, vượt qua cả ung thư, lao, sốt rét và HIV cộng lại. Các vấn đề cốt lõi bao gồm bệnh động mạch ngoại vi, suy tim, rối loạn nhịp tim, tăng huyết áp và bệnh tim bẩm sinh. Phòng chống bệnh tim mạch, đặc biệt trong bối cảnh lối sống ít vận động và thói quen ăn uống không lành mạnh, đang được đẩy mạnh nghiên cứu. Ứng dụng thành công các giải pháp theo dõi và ngăn chặn bệnh tim có ý nghĩa lớn, đáp ứng nhu cầu thực tiễn cấp bách. Đề tài này tập trung vào việc xây dựng một hệ thống ECG IoT để giải quyết vấn đề này.

1.1. Tầm Quan Trọng của Giám Sát Điện Tim Từ Xa ECG

Giám sát điện tim từ xa đóng vai trò quan trọng trong việc phát hiện sớm các vấn đề tim mạch. Nó cho phép theo dõi liên tục hoạt động tim của bệnh nhân, giúp phát hiện kịp thời các bất thường. Điều này đặc biệt quan trọng đối với những người có nguy cơ cao mắc bệnh tim hoặc những người đã được chẩn đoán mắc bệnh tim. Việc giám sát liên tục giúp bác sĩ có thể đưa ra các quyết định điều trị kịp thời và hiệu quả hơn.

1.2. Ứng Dụng IoT trong Y Tế Tim Mạch Xu Hướng Hiện Nay

IoT trong y tế đang trở thành một xu hướng quan trọng, đặc biệt trong lĩnh vực tim mạch. Các thiết bị điện tim IoT cho phép thu thập dữ liệu điện tim một cách liên tục và truyền dữ liệu này đến các hệ thống phân tích. Điều này giúp cải thiện khả năng chẩn đoán và điều trị bệnh tim mạch. Các ứng dụng di động và nền tảng trực tuyến cũng cho phép bệnh nhân theo dõi sức khỏe tim mạch của mình và tương tác với bác sĩ từ xa.

II. Thách Thức Xử Lý Tín Hiệu Điện Tim ECG và Giải Pháp IoT

Đề tài đề xuất một hệ thống kết hợp kiến trúc Internet of Things, điện toán đám mây, thiết bị nhúng, cảm biến và Học sâu để giảm thiểu tỷ lệ đột quỵ. Mục tiêu là giám sát tín hiệu điện tâm đồ theo thời gian thực, sử dụng mô hình Mạng thần kinh nhân tạo dạng cuộn (CNN) để dự đoán bất thường và cảnh báo kịp thời. Hệ thống giả lập sự hoạt động của kiến trúc đã đề ra. Quá trình phân tích so sánh giải thuật CNN với RNN và LSTM về độ chính xác và sự phù hợp với hệ thống IoT và tín hiệu đầu vào. Theo tài liệu gốc, "Mục tiêu của hệ thống nhằm cung cấp tính năng giúp giám sát tín hiệu điện tâm đồ của bệnh nhân theo thời gian thực".

2.1. Vấn Đề Nhiễu Tín Hiệu trong Thu Thập Điện Tim ECG

Một trong những thách thức lớn nhất trong thu thập tín hiệu điện tim là nhiễu. Nhiễu có thể đến từ nhiều nguồn khác nhau, bao gồm nhiễu điện từ, nhiễu do chuyển động của bệnh nhân và nhiễu từ các thiết bị điện tử khác. Nhiễu có thể làm sai lệch tín hiệu điện tim, gây khó khăn cho việc phân tích và chẩn đoán. Do đó, việc loại bỏ nhiễu là rất quan trọng để đảm bảo tính chính xác của dữ liệu điện tim.

2.2. Bảo Mật Dữ Liệu Điện Tim ECG Trên Nền Tảng IoT

Bảo mật dữ liệu điện tim là một vấn đề quan trọng cần được quan tâm khi sử dụng nền tảng IoT. Dữ liệu điện tim là thông tin cá nhân nhạy cảm và cần được bảo vệ khỏi truy cập trái phép. Các biện pháp bảo mật cần được áp dụng bao gồm mã hóa dữ liệu, kiểm soát truy cập và giám sát an ninh. Việc tuân thủ các tiêu chuẩn bảo mật và quy định về bảo vệ dữ liệu cá nhân là rất quan trọng.

2.3. Tiêu Chuẩn và Giao Thức Truyền Dữ Liệu ECG IoT

Việc tuân thủ tiêu chuẩn ECG IoT và sử dụng các giao thức truyền dữ liệu ECG phù hợp là rất quan trọng để đảm bảo tính tương thích và khả năng tương tác giữa các thiết bị và hệ thống khác nhau. Các tiêu chuẩn và giao thức này quy định cách dữ liệu điện tim được thu thập, định dạng và truyền tải. Việc tuân thủ các tiêu chuẩn này giúp đảm bảo rằng dữ liệu điện tim có thể được chia sẻ và sử dụng một cách hiệu quả.

III. Phương Pháp Xử Lý Tín Hiệu Điện Tim ECG Bằng AI và IoT

Đề tài tập trung vào việc tìm kiếm thông tin về cơ sở dữ liệu để xây dựng mô hình nghiên cứu chẩn đoán bệnh tim mạch, lấy tín hiệu ECG làm trọng tâm. Các giải thuật chẩn đoán bệnh tim mạch thông qua tín hiệu ECG được đề xuất và trình bày trong bài báo nghiên cứu. Mô hình xử lý dữ liệu từ hệ thống cảm biến qua tầng giao tiếp và lưu trữ, phân tích cũng được tìm hiểu và đề xuất. Nghiên cứu liên quan đến IoT trong y tế là công việc chính trong chuỗi tiến trình phân tích hệ thống. Mục tiêu là xây dựng hệ thống trực tuyến chăm sóc sức khỏe phục vụ cho các cá nhân, tổ chức quan tâm đến bệnh tim mạch.

3.1. Ứng Dụng Machine Learning trong Phân Tích Điện Tim ECG

Machine learning trong điện tim đóng vai trò quan trọng trong việc tự động phân tích và chẩn đoán bệnh tim mạch. Các thuật toán machine learning có thể được huấn luyện để nhận diện các mẫu bất thường trong tín hiệu điện tim, giúp bác sĩ đưa ra các quyết định điều trị chính xác hơn. Các thuật toán phổ biến bao gồm Support Vector Machine (SVM), Random Forest và Neural Networks.

3.2. Sử Dụng AI để Phát Hiện Bất Thường Điện Tim ECG

AI trong phân tích điện tim mang lại khả năng phát hiện các bất thường điện tim một cách nhanh chóng và chính xác. Các hệ thống AI có thể được huấn luyện để nhận diện các dấu hiệu của các bệnh tim mạch khác nhau, giúp bác sĩ đưa ra các chẩn đoán sớm và điều trị kịp thời. AI cũng có thể được sử dụng để dự đoán nguy cơ mắc bệnh tim mạch trong tương lai.

3.3. Nền Tảng Cloud ECG Lưu Trữ và Phân Tích Dữ Liệu Lớn

Cloud ECG cung cấp một giải pháp hiệu quả để lưu trữ và phân tích dữ liệu điện tim lớn. Các nền tảng đám mây cho phép lưu trữ dữ liệu điện tim một cách an toàn và có thể truy cập từ bất kỳ đâu. Các công cụ phân tích dữ liệu trên đám mây cũng cho phép phân tích dữ liệu điện tim một cách nhanh chóng và hiệu quả, giúp bác sĩ đưa ra các quyết định điều trị tốt hơn.

IV. Ứng Dụng Thực Tế Hệ Thống ECG IoT Kết Quả Nghiên Cứu

Đề tài đề xuất kiến trúc hệ thống IoT bao gồm thiết bị đo điện tâm đồ, hệ thống với kiến trúc Fog/Cloud Computing và ứng dụng trí tuệ nhân tạo. Hệ thống kết hợp kiến trúc Internet of Things và nhu cầu chăm sóc sức khỏe tim mạch, giúp bệnh nhân theo dõi sức khỏe kịp thời, kết nối nhanh chóng với bác sĩ và sử dụng trí tuệ nhân tạo để dự đoán bất thường trong tín hiệu điện tim. Hệ thống cung cấp thiết bị theo dõi tín hiệu điện tim theo thời gian thực, giải pháp sử dụng trí tuệ nhân tạo, học máy, khai phá dữ liệu hỗ trợ bác sĩ chẩn đoán và dự đoán bất thường, kết nối bệnh nhân và bác sĩ/người thân qua Internet.

4.1. Thiết Bị Điện Tim IoT Cảm Biến và Phần Cứng Thu Thập

Thiết bị điện tim IoT bao gồm các cảm biến điện tim IoT và phần cứng thu thập điện tim. Các cảm biến này được sử dụng để đo tín hiệu điện tim từ bệnh nhân. Phần cứng thu thập điện tim được sử dụng để khuếch đại, lọc và chuyển đổi tín hiệu điện tim thành dạng số. Các thiết bị này thường được thiết kế nhỏ gọn, dễ sử dụng và có khả năng kết nối với Internet.

4.2. Ứng Dụng Di Động ECG Giám Sát và Cảnh Báo Điện Tim

Ứng dụng di động ECG cho phép bệnh nhân giám sát và nhận cảnh báo điện tim một cách dễ dàng. Các ứng dụng này có thể hiển thị tín hiệu điện tim theo thời gian thực, cung cấp thông tin về nhịp tim và các thông số khác. Các ứng dụng này cũng có thể gửi cảnh báo đến bệnh nhân và bác sĩ nếu phát hiện bất thường trong tín hiệu điện tim.

4.3. Phần Mềm Xử Lý Điện Tim Phân Tích và Chẩn Đoán

Phần mềm xử lý điện tim được sử dụng để phân tích và chẩn đoán bệnh tim mạch. Các phần mềm này có thể tự động phát hiện các mẫu bất thường trong tín hiệu điện tim, giúp bác sĩ đưa ra các quyết định điều trị chính xác hơn. Các phần mềm này cũng có thể cung cấp các báo cáo chi tiết về tình trạng tim mạch của bệnh nhân.

V. Kết Luận và Hướng Phát Triển Hệ Thống Điện Tim ECG IoT

Đề tài đã đạt được các nền tảng cơ bản trong việc xây dựng hệ thống hỗ trợ bệnh tim mạch. Việc thiết kế hệ thống đã đi sâu tìm hiểu các hệ thống đã được nghiên cứu, từ đó có được cái nhìn ban đầu trong việc lựa chọn cấu trúc hệ thống. So sánh với các công trình nghiên cứu trước đó và các đề xuất về mặt kiến trúc hệ thống sẽ góp phần xây dựng nền tảng cho các công trình nghiên cứu sau này. Đề tài có thể được sử dụng như tài liệu tham khảo, giúp rút ngắn thời gian khảo sát và phát triển các bước tiếp theo. Đề tài cũng đã xây dựng hệ thống thực nghiệm thông qua việc lựa chọn các thiết bị đo đạc tín hiệu ECG từ người dùng, tiến hành lọc nhiễu, xây dựng giải thuật tìm kiếm bất thường và chẩn đoán bệnh dựa trên dữ liệu nền và dữ liệu đo đạc.

5.1. Tích Hợp Big Data trong Phân Tích Điện Tim ECG

Big data trong điện tim mang lại khả năng phân tích dữ liệu điện tim lớn từ nhiều nguồn khác nhau. Điều này giúp cải thiện khả năng chẩn đoán và dự đoán bệnh tim mạch. Các kỹ thuật phân tích dữ liệu lớn có thể được sử dụng để tìm ra các mẫu và xu hướng trong dữ liệu điện tim, giúp bác sĩ đưa ra các quyết định điều trị tốt hơn.

5.2. Phát Triển Ứng Dụng Điện Tim ECG cho IoMT

Phát triển ứng dụng điện tim ECG cho Internet of Medical Things (IoMT) mở ra nhiều cơ hội mới trong việc chăm sóc sức khỏe tim mạch. Các thiết bị và hệ thống IoMT có thể được sử dụng để thu thập dữ liệu điện tim từ bệnh nhân tại nhà, giúp bác sĩ theo dõi tình trạng sức khỏe của bệnh nhân một cách liên tục và đưa ra các quyết định điều trị kịp thời.

Nội dung chính

Tổng quan nghiên cứu

Bệnh tim mạch là nguyên nhân tử vong hàng đầu tại Việt Nam và trên thế giới, với khoảng 200.000 người chết mỗi năm tại Việt Nam và 17,2 triệu người trên toàn cầu. Tại Việt Nam, cứ 3 người trưởng thành thì có 1 người có nguy cơ mắc bệnh tim mạch, chiếm khoảng 25% tổng số ca tử vong. Các bệnh lý tim mạch bao gồm bệnh động mạch ngoại vi, suy tim, rối loạn nhịp tim, tăng huyết áp, bệnh động mạch vành, và nhiều dạng bệnh khác. Trong bối cảnh xã hội hiện đại với thói quen ăn uống không lành mạnh và lối sống ít vận động, việc phòng ngừa và điều trị bệnh tim mạch trở nên cấp thiết.

Luận văn thạc sĩ này tập trung xây dựng hệ thống thu thập và xử lý tín hiệu điện tim (ECG) dựa trên nền tảng Internet of Things (IoT) nhằm giám sát sức khỏe tim mạch theo thời gian thực. Mục tiêu chính là phát triển một hệ thống có khả năng thu thập tín hiệu ECG từ người dùng, xử lý và phân tích dữ liệu bằng các mô hình học sâu, đặc biệt là mạng thần kinh nhân tạo dạng cuộn (CNN), để dự đoán và cảnh báo các bất thường về tim mạch kịp thời. Phạm vi nghiên cứu bao gồm việc thu thập dữ liệu ECG từ các thiết bị cảm biến, xử lý tín hiệu, xây dựng mô hình dự đoán và triển khai hệ thống thử nghiệm tại Việt Nam trong giai đoạn 2017-2018.

Hệ thống này không chỉ giúp bệnh nhân theo dõi sức khỏe cá nhân mà còn hỗ trợ bác sĩ trong việc chẩn đoán và điều trị, góp phần giảm thiểu tỷ lệ đột quỵ và tử vong do bệnh tim mạch. Việc ứng dụng IoT và trí tuệ nhân tạo trong y tế được kỳ vọng sẽ nâng cao hiệu quả chăm sóc sức khỏe cộng đồng, đồng thời mở ra hướng phát triển mới cho các hệ thống giám sát sức khỏe thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Internet of Things (IoT): Mạng lưới các thiết bị kết nối Internet, bao gồm ba tầng chính: tầng cảm biến (sensing), tầng giao tiếp (communication), và tầng lưu trữ & phân tích dữ liệu (store & analysis). IoT cho phép thu thập dữ liệu sức khỏe từ các thiết bị cá nhân như cảm biến ECG, điện thoại thông minh, và truyền tải dữ liệu đến hệ thống xử lý trung tâm.

• Mạng thần kinh nhân tạo (Artificial Neural Network - ANN): Mô hình học máy mô phỏng hoạt động của hệ thần kinh sinh vật, gồm các lớp input, hidden và output. ANN được huấn luyện để nhận diện các mẫu tín hiệu ECG và phân loại các trạng thái tim mạch.

• Mạng thần kinh dạng cuộn (Convolutional Neural Network - CNN): Mạng chuyên biệt xử lý dữ liệu dạng ma trận như hình ảnh hoặc chuỗi tín hiệu, sử dụng các lớp tích chập (convolution), lớp gộp (pooling) và lớp kết nối đầy đủ (fully-connected). CNN giúp trích xuất đặc trưng quan trọng từ tín hiệu ECG để phân loại chính xác các bất thường.

• Mạng thần kinh hồi quy (Recurrent Neural Network - RNN) và Long Short-Term Memory (LSTM): Mô hình xử lý chuỗi dữ liệu theo thời gian, có khả năng ghi nhớ thông tin dài hạn. LSTM khắc phục hạn chế của RNN trong việc xử lý các chuỗi tín hiệu dài như ECG.

• Khai phá tập thường xuyên (Frequent Pattern Mining) với Symbolic Aggregate Approximation (SAX): Phương pháp trích xuất các mẫu chuỗi thường xuyên xuất hiện trong tín hiệu ECG, giúp phát hiện các đặc trưng lặp lại và bất thường trong dữ liệu chuỗi thời gian.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Sử dụng bộ dữ liệu ECG từ PhysioNet, bao gồm MIT-BIH và Sudden Cardiac Death Holter Database (SDDB) với dữ liệu của 23 bệnh nhân, trong đó 12 bệnh nhân có nhãn đánh dấu nhịp tim bình thường và bất thường.

• Thu thập dữ liệu: Tín hiệu ECG được thu thập qua cảm biến AD8232, xử lý sơ bộ bằng vi điều khiển ARM STM32F407VG, chuyển đổi tín hiệu analog sang số với bộ chuyển đổi ADC, và truyền dữ liệu không dây qua module HC-05 hoặc NodeMCU lên hệ thống Fog/Cloud.

• Tiền xử lý tín hiệu: Áp dụng bộ lọc FIR (Finite Impulse Response) để loại bỏ nhiễu tần số cao và thấp, đảm bảo tín hiệu ECG ổn định và đồng đều.

• Phân tích dữ liệu: Sử dụng phương pháp khai phá tập thường xuyên với SAX để trích xuất các mẫu chuỗi lặp lại trong tín hiệu ECG, chuẩn hóa dữ liệu bằng Z-Score, và phân đoạn tín hiệu thành các vùng đặc trưng như QRS, ST, PR.

• Mô hình dự đoán: Xây dựng mô hình học sâu dựa trên CNN để phân loại tín hiệu ECG thành bình thường hoặc bất thường. So sánh hiệu quả với các mô hình RNN và LSTM về độ chính xác và khả năng ứng dụng trong hệ thống IoT.

• Triển khai hệ thống: Thiết kế kiến trúc hệ thống gồm ba tầng: thiết bị nhúng (sensor và vi điều khiển), tầng Fog Computing xử lý dữ liệu gần người dùng, và tầng Cloud lưu trữ và phân tích dữ liệu phức tạp. Sử dụng MongoDB làm cơ sở dữ liệu phi cấu trúc để lưu trữ linh hoạt các mẫu ECG.

• Timeline nghiên cứu: Nghiên cứu và phát triển hệ thống từ tháng 01/2017 đến tháng 06/2018, bao gồm thu thập dữ liệu, xây dựng mô hình, triển khai thử nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả lọc nhiễu bằng FIR: Bộ lọc FIR giúp loại bỏ nhiễu tần số cao và thấp trong tín hiệu ECG, làm tăng độ ổn định của dữ liệu đầu vào. Kết quả cho thấy tín hiệu sau lọc có biên độ ổn định hơn, giảm các răng cưa nhiễu, tạo điều kiện thuận lợi cho các bước phân tích tiếp theo.

2. Khai phá tập thường xuyên với SAX: Phương pháp SAX trích xuất thành công các chuỗi ký tự đại diện cho các mẫu tín hiệu ECG thường xuyên xuất hiện, như các phân đoạn QRS, ST, PR. Qua đó, hệ thống xác định được 6 mẫu thường xuyên nhất trong chuỗi tín hiệu, giúp nhận diện các đặc trưng lặp lại và phát hiện bất thường.

3. Mô hình CNN vượt trội: So sánh với RNN và LSTM, mô hình CNN đạt độ chính xác cao hơn trong việc phân loại tín hiệu ECG bất thường, đồng thời phù hợp hơn với kiến trúc IoT do khả năng xử lý song song và giảm độ trễ. Mô hình CNN đạt tỷ lệ chính xác khoảng 90-95% trên bộ dữ liệu thử nghiệm.

4. Kiến trúc hệ thống ba tầng hiệu quả: Việc phân chia xử lý dữ liệu thành các tầng Sensor, Fog và Cloud giúp giảm tải cho hệ thống trung tâm, tăng tốc độ phản hồi và bảo mật dữ liệu. Tầng Fog xử lý các tác vụ tiền xử lý và dự đoán nhanh, trong khi tầng Cloud thực hiện các phân tích phức tạp và cập nhật mô hình.

Thảo luận kết quả

Việc áp dụng bộ lọc FIR cho tín hiệu ECG là bước tiền xử lý quan trọng, giúp giảm nhiễu do cảm biến và môi trường, từ đó nâng cao chất lượng dữ liệu đầu vào cho các mô hình học máy. Kết quả lọc nhiễu được minh họa qua biểu đồ tín hiệu trước và sau lọc, thể hiện sự ổn định rõ rệt.

Phương pháp khai phá tập thường xuyên với SAX cho phép trích xuất các mẫu chuỗi đặc trưng trong tín hiệu ECG, hỗ trợ việc phân đoạn và nhận diện các vùng sóng quan trọng. So với các phương pháp gom cụm như K-mean, SAX có ưu điểm không cần xác định số cụm trước và xử lý nhanh hơn, phù hợp với dữ liệu chuỗi thời gian dài.

Mô hình CNN thể hiện ưu thế vượt trội trong việc nhận dạng các bất thường trên tín hiệu ECG nhờ khả năng trích xuất đặc trưng không gian và giảm thiểu overfitting. So sánh với RNN và LSTM, CNN phù hợp hơn với môi trường IoT do tính toán hiệu quả và khả năng xử lý song song. Kết quả này tương đồng với các nghiên cứu gần đây trong lĩnh vực y tế số.

Kiến trúc hệ thống ba tầng (Sensor-Fog-Cloud) không chỉ tối ưu hóa hiệu năng xử lý mà còn tăng cường bảo mật dữ liệu y tế nhạy cảm. Việc phân tầng xử lý giúp giảm độ trễ trong cảnh báo kịp thời các tình huống khẩn cấp như đột quỵ, đồng thời hỗ trợ cập nhật mô hình dự đoán liên tục từ dữ liệu mới.

Tổng thể, kết quả nghiên cứu cho thấy hệ thống thu thập và xử lý tín hiệu ECG dựa trên IoT kết hợp học sâu là giải pháp khả thi, có tiềm năng ứng dụng thực tiễn cao trong chăm sóc sức khỏe tim mạch.

Đề xuất và khuyến nghị

1. Triển khai rộng rãi hệ thống IoT giám sát ECG: Khuyến nghị các bệnh viện, trung tâm y tế và tổ chức chăm sóc sức khỏe áp dụng hệ thống thu thập và xử lý tín hiệu ECG theo kiến trúc ba tầng để giám sát bệnh nhân tim mạch liên tục, giảm thiểu rủi ro đột quỵ. Thời gian triển khai dự kiến trong 12-18 tháng.

2. Phát triển ứng dụng di động kết nối bệnh nhân và bác sĩ: Xây dựng ứng dụng trên nền tảng di động cho phép bệnh nhân theo dõi tín hiệu ECG trực tuyến, nhận cảnh báo bất thường và kết nối nhanh với bác sĩ hoặc người thân. Mục tiêu nâng cao tỷ lệ phản ứng kịp thời trong các tình huống cấp cứu.

3. Cập nhật và mở rộng cơ sở dữ liệu ECG: Thu thập thêm dữ liệu ECG đa dạng từ nhiều đối tượng bệnh nhân để cải thiện độ chính xác của mô hình học sâu. Đồng thời, xây dựng cơ chế cập nhật mô hình tự động dựa trên dữ liệu mới, đảm bảo tính thích nghi và hiệu quả lâu dài.

4. Tăng cường bảo mật và quyền riêng tư dữ liệu: Áp dụng các giải pháp mã hóa, phân quyền truy cập và quản lý dữ liệu cá nhân nghiêm ngặt trong hệ thống để bảo vệ thông tin y tế nhạy cảm, tuân thủ các quy định pháp luật về bảo mật dữ liệu y tế.

5. Đào tạo và nâng cao nhận thức người dùng: Tổ chức các chương trình đào tạo cho bệnh nhân, bác sĩ và nhân viên y tế về cách sử dụng hệ thống, hiểu biết về tín hiệu ECG và ý nghĩa cảnh báo để tận dụng tối đa lợi ích của hệ thống.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành Khoa học Máy tính, Công nghệ Thông tin: Luận văn cung cấp kiến thức sâu về ứng dụng IoT, học máy và học sâu trong y tế, đặc biệt là xử lý tín hiệu ECG, giúp phát triển các nghiên cứu tiếp theo.

2. Chuyên gia y tế và bác sĩ chuyên khoa tim mạch: Hệ thống và mô hình dự đoán được xây dựng hỗ trợ công tác chẩn đoán và theo dõi bệnh nhân tim mạch, giúp nâng cao hiệu quả điều trị và phòng ngừa biến chứng.

3. Các nhà phát triển phần mềm và kỹ sư IoT: Tài liệu chi tiết về kiến trúc hệ thống, thiết kế phần cứng và phần mềm, cũng như các thuật toán xử lý tín hiệu và học máy, là nguồn tham khảo quý giá cho việc phát triển các ứng dụng y tế thông minh.

4. Các tổ chức y tế và quản lý chính sách: Luận văn cung cấp cơ sở khoa học và kỹ thuật để xây dựng các chính sách hỗ trợ ứng dụng công nghệ số trong chăm sóc sức khỏe cộng đồng, đặc biệt trong phòng chống bệnh tim mạch.

Câu hỏi thường gặp

1. Hệ thống thu thập tín hiệu ECG dựa trên IoT hoạt động như thế nào?
   Hệ thống sử dụng cảm biến ECG gắn trên người bệnh để thu thập tín hiệu điện tim, chuyển đổi tín hiệu analog sang số, truyền dữ liệu qua mạng không dây đến các tầng Fog và Cloud để xử lý, phân tích và dự đoán bất thường theo thời gian thực.

2. Mô hình CNN có ưu điểm gì so với RNN và LSTM trong phân tích tín hiệu ECG?
   CNN có khả năng trích xuất đặc trưng không gian hiệu quả, xử lý song song nhanh chóng, giảm thiểu overfitting và phù hợp với kiến trúc IoT do độ trễ thấp, trong khi RNN và LSTM thường gặp khó khăn với chuỗi dữ liệu dài và tính toán phức tạp hơn.

3. Làm thế nào để hệ thống phát hiện và cảnh báo kịp thời các tình huống nguy hiểm?
   Hệ thống liên tục giám sát tín hiệu ECG, sử dụng mô hình học sâu để phát hiện các dấu hiệu bất thường như rối loạn nhịp tim, sau đó gửi cảnh báo tự động đến bệnh nhân, người thân và bác sĩ qua ứng dụng di động hoặc hệ thống thông báo.

4. Dữ liệu ECG được bảo mật như thế nào trong hệ thống?
   Dữ liệu được lưu trữ trên cơ sở dữ liệu MongoDB với phân quyền truy cập nghiêm ngặt, mã hóa dữ liệu truyền tải và xử lý phân tầng bảo mật tại các tầng Fog và Cloud nhằm đảm bảo quyền riêng tư và an toàn thông tin y tế.

5. Hệ thống có thể áp dụng cho những đối tượng nào ngoài bệnh nhân tim mạch?
   Ngoài bệnh nhân tim mạch, hệ thống có thể mở rộng ứng dụng cho các nhóm người có nguy cơ cao, người già, vận động viên hoặc những người cần theo dõi sức khỏe tim mạch liên tục để phòng ngừa và phát hiện sớm các vấn đề về tim.

Kết luận

• Đã xây dựng thành công hệ thống thu thập và xử lý tín hiệu ECG dựa trên nền tảng IoT với kiến trúc ba tầng Sensor-Fog-Cloud, đáp ứng yêu cầu giám sát sức khỏe tim mạch theo thời gian thực.
• Áp dụng bộ lọc FIR hiệu quả trong việc loại bỏ nhiễu tín hiệu ECG, nâng cao chất lượng dữ liệu đầu vào cho mô hình học sâu.
• Mô hình CNN được chứng minh vượt trội trong phân loại và dự đoán bất thường tín hiệu ECG so với các mô hình RNN và LSTM.
• Phương pháp khai phá tập thường xuyên với SAX giúp trích xuất các mẫu đặc trưng trong tín hiệu ECG, hỗ trợ phân đoạn và phân tích dữ liệu chính xác.
• Hệ thống có tiềm năng ứng dụng thực tiễn cao trong chăm sóc sức khỏe cộng đồng, góp phần giảm thiểu tỷ lệ tử vong do bệnh tim mạch.

Next steps: Triển khai thử nghiệm mở rộng hệ thống tại các cơ sở y tế, cập nhật và tối ưu mô hình dựa trên dữ liệu thực tế, đồng thời phát triển ứng dụng di động hỗ trợ người dùng và bác sĩ.

Các nhà nghiên cứu, chuyên gia y tế và tổ chức chăm sóc sức khỏe được khuyến khích hợp tác để phát triển và ứng dụng hệ thống nhằm nâng cao chất lượng chăm sóc bệnh nhân tim mạch tại Việt Nam và khu vực.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUỐC GIA TP. HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA DO THANH THÁI XÂY DỰNG HỆ THÓNG THU THẬP VÀ XỬ LÝ TÍN HIỆU ĐIỆN TIM ECG TREN NEN TANG IoT (System for recording and processing of ECG signal based on IoT) Nganh: Khoa Hoc May Tinh Ma so: 60480101 LUAN VAN THAC SI TP. HO CHI MINH, tháng 6 năm 2018 CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA - ĐHQG - HCM Cán bộ hướng dẫn khoa học: TS. Trần Minh Quang.------5- (Ghi rõ họ, tên, học hàm, học vị và chữ ký) Cán bộ cham nhận xét 1: TS.

Trương Tuấn Anh.--c-sc+s+sc+esesez (Ghi rõ họ, tên, học hàm, học vị và chữ ký) Cán bộ cham nhận xét 2: PGS. Trần Công Hùng.------- (Ghi rõ họ, tên, học hàm, học vị và chữ ký) Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp. HCM ngày 18 tháng 7 năm 2018. Thanh phan Hội đồng đánh giá luận văn thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vi của Hội đông cham bảo vệ luận văn thạc si) 1.

Lê Hồng Trang (Thư ký hội đồng) 3. Trương Tuan Anh (Phản biện đề tai) 4. Tran Công Hùng (Phản biện dé tai) 5. Trần Tuấn Anh (Ủy viên hội đồng) Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nêu có).

CHỦ TỊCH HỘI ĐÔNG TRƯỞNG KHOA KH&KTMT ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự do - Hạnh phúc NHIEM VỤ LUẬN VAN THẠC SĨ Họ tên học viên: Đỗ Thanh Thái. Ngày, tháng, năm sinh: 16. cv, Nơi sinh: Bình Dương. Ngành: Khoa Học Máy Tính.

TEN DE TÀI: Xây dựng hệ thống thu thập va xử lý tín hiệu điện tim ECG trên nền tảng IoT (System for recording and processing of ECG signal based on [oT). NHIEM VU VA NOI DUNG: - Hoàn thành nội dung trong tâm trong việc nghiên cứu Hệ thống thu thập va xử lý tín hiệu điện tim ECG trên nên tang IoT; - Có các bước tim hiểu các công trình nghiên cứu và hệ thống đã có: - Đề xuất hệ thống theo định hướng của đề tài trên nền tang đã nghiên cứu; - Có hiện thực hóa và đánh giá kết quả nghiên cứu: - Đạt được 1 bài báo khoa học. NGÀY GIAO NHIỆM VU: 16/01/20 17. NGÀY HOÀN THÀNH NHIỆM VU: 03/12/2017 (được gia han 1 học kỳ đến HK2 năm học 2017-20).

CÁN BỘ HƯỚNG DÂN (Ghi rõ học hàm, học vi, ho, tên): TS. Trần Minh Quang. tháng 6 năm 2018 CÁN BO HƯỚNG DAN TRƯỞNG KHOA KH & KTMT (Họ tên và chữ ký) (Họ tên và chữ ký) TS. Trần Minh Quang đà Trường Đại Học Bách Khoa Tp.Hồ Chí Minh s1 Khoa Khoa Học & Ky Thuật Máy Tinh LOI CAM ON Đầu tiên, tôi xin gửi lời cảm ơn đến TS Tran Minh Quang, giảng viên hướng dẫn luận văn và là người đã gắn bó, theo dõi, đốc thúc và hỗ trợ tôi trong suốt quá trình thực hiện luận văn.

Tôi cũng gửi lời cảm ơn tới PGS. Trần Công Hùng, TS. Trương Tuấn Anh đã có những góp ý phản biện, nhận xét giúp định hướng tốt hơn cho đề tài. Ngoài ra, tôi cũng gửi lời tri ân những giảng viên trường đại hoc Bách Khoa đặc biệt là khoa Khoa học và ki thuật Máy tính đã tận tình giảng day và cung cap kiến thức trong suốt thời gian hoc tập và nghiên cứu tại trường.

Kiến thức quý giá mà các Thầy Cô mang lại sẽ là hành trang vô giá trên con đường sự nghiệp của tôi sau này. Cuôi cùng, tôi cũng cám ơn gia đình, bạn bè, những người luôn bên cạnh và đồng hành cùng tôi trong cuộc sông va công việc. Tháng 06 năm 2018 Báo cáo Luận văn tốt nghiệp Trang 1/71 đà Trường Đại Học Bách Khoa Tp.Hồ Chí Minh s1 Khoa Khoa Học & Ky Thuật Máy Tinh TOM TAT NOI DUNG DE TÀI Nhằm giải quyết van đề giảm thiểu tỷ lệ đột quy của các bệnh nhân mắc các bệnh lý về tim mach, đề tài đề xuất một hệ thống trong đó có sự kết hợp giữa các thành phần trong kién trúc Kết nối vạn vật (Internet of Things). Mục tiêu của hệ thông nhằm cung cấp tính năng giúp giám sát tín hiệu điện tam đồ của bệnh nhân theo thời gian thực, thông qua hệ thông Deep Learning sử dụng mô hình Mạng thần kinh nhân tạo dạng cuộn (Convolution Neural Network - CNN) để đưa ra dự đoán bất thường và cảnh báo cho bệnh nhân cũng như người thân một cách kịp thời.

Kết quả đạt được sau đề tài này là một hệ thống giả lập sự hoạt động của kién trúc đã đề ra. Dé tài thực hiện và đã đạt được một sô bước di nhất định như: tim được thông tin về bộ cơ sở dữ liệu làm kién thức nền tang cho xây dựng mô hình nghiên cứu hệ thống chan đoán bệnh tim mach, tìm hiểu va lấy tín hiệu ECG làm trọng tâm nghiên cứu, đề xuất được các giải thuật trong chan đoán bệnh tim mạch thông qua tín hiệu ECG, được trình bày trong bài báo nghiên cứu, tìm hiểu và đề xuất mô hình xử lý dữ liệu từ hệ thống cảm biến (sensing) qua tầng giao tiếp (communication) và lưu trữ, phân tích (store & analysis). Đồng thời với quá trình đó là quá trình tìm hiểu sâu về nền tảng IoT, trong đó các nghiên cứu liên quan đến IoT trong y tế là các công việc chính trong chuỗi tiến trình phân tích hệ thống. Việc phát triển các hệ thống trực tuyến chăm sóc sức khỏe, nơi con người cung cấp các chỉ so sức khỏe hàng ngày hàng giờ chính là động lực đưa đến nghiên cứu xây dựng một hệ thống trực tuyến chăm sóc sức khỏe phục vụ cho ngành y tế, với mục tiêu cụ thể hơn nữa, đề tài hướng đến việc xây dựng hệ thống trực tuyên chăm sóc sức khỏe phục vụ cho các cá nhân, tổ chức quan tâm đến bệnh tim mạch.

Trong quá trình nghiên cứu, đề tài gặp một số khó khăn, thách thức như: nhiễu từ tín hiệu do can trở kết quả chan đoán cũng như phân tích tín hiệu điện tim, kết qua nghiên cứu cần sự chung tay của đông đảo bệnh nhân, cũng như đội ngũ các chuyên gia y tế, nhằm kiểm chứng đồng thời cho những lời khuyên giúp hoàn thiện hệ thống. Báo cáo Luận văn tốt nghiệp Trang 2/71 đà Trường Đại Học Bách Khoa Tp.Hồ Chí Minh s1 Khoa Khoa Học & Ky Thuật Máy Tinh Abstract IoT technology has been recently adopted in the healthcare system to collect Electrocardiogram (ECG) signals for heart disease diagnosis and prediction. First, we have used a Finite Impulse Response (FIR) algorithm to filter and transform the signals into digital format. ‘Then, the digital data is proceeded using a revised Convolution Neural Network (CNN) algorithm.

Finally, we extract some key features from the data to perform diagnosis and prediction based on a feature dataset. We have used an ECG dataset from MI'T- BIH (PhisioNet) to build a knowledge-base diagnosis features. We have implemented a proof-of-concept system that collects and processes real ECG signals to perform heart disease diagnosis and prediction based on the built knowledge-base. Electrocardiogram (ECG) signals are the data measured from patients’ heartbeats by electronic devices.

Generated by cells in the heart, ECG signals reflect all activities in these cells. Therefore, ECG signals are the most valuable data used in the heart disease diagnosis. Nowadays, ECG signals can be measured automatically by sensors instead of the conventional discrete measurement. The data collected by the sensors can be transmitted to a cloud-based system to perform preliminary automatic diagnosis based on a knowledge-base without medical experts.

A knowledge-base is initially built using a large sample dataset, and then can frequently be updated by specialists to improve the accuracy of the prediction. The overall aim of our work is to develop such an eco-expert system using Internet of Things (IoT) technology. As data can be collected in real-time and transmitted to the cloud for analysis, the proposed expert system will help patients to detect their possible heart diseases before seeing their doctors. This system can also support the physicians to perform treatment for their patients for a minimum period.

However, there are several significant research challenges in building such expert systems. First, noises always appear in the ECG signals, making the data imprecisely or even unreadable. Second, building a knowledge-base to be used in heart disease diagnosis and prediction is not a trivial task. Finally, ECG signals must be extracted with some key features to match with the knowledge-base for accuracy prediction.

Báo cáo Luận văn tốt nghiệp Trang 3/71 đà Trường Đại Học Bách Khoa Tp.Hồ Chí Minh s1 Khoa Khoa Học & Ky Thuật Máy Tinh LỜI CAM ĐOAN Tôi xin cam đoan, ngoài các kết quả tham khảo từ các công trình khác như trích dẫn trong luận văn, các nội dung trình bày trong luận văn do chính tôi thực hiện và chưa có phần nội dung nào của luận văn này được công bố như một luận văn khác bên ngoài trường. Tháng 06 năm 2018 Báo cáo Luận văn tốt nghiệp Trang 4/71 đà Trường Đại Học Bách Khoa Tp.Hồ Chí Minh s1 Khoa Khoa Học & Ky Thuật Máy Tinh DANH MỤC CÁC TU/CUM TU VIET TAT loT Internet of Things ECG Electrocardiography /Electrocardiogram CNN Convolution Neural Network RNN Recurrent Neural Network ANN Artificial Neural Network LSTM Long Short-Term Memory Al Artificial Intelligence NN Neural Networks NFIR Nonlinear Finite Impulse Response NAR Nonlinear Autoregressive Neural Network NARMAX Nonlinear Autoregressive Exogenous NOE Node Neural Network NBJ Nonlinear Box-Jenkins MLP Multilayer Perceptron RBF Radial Basis Function ANFIS Adaptive Neural Fuzzy Inference System MIT-BIH Name of database type which belongs to Physionet SVM Support Vector Machine HOS Higher Order Statistics ICA Independent Component Analysis MEMS Microelectromechanical Systems WBAN Wireless Body Area Network PE Processing Elements TP True Positive TN True Negative FP False Positive FN False Negative P,Q.5,T Peaks of ECG signals RGB Red Green Blue (color) MOTT Message Queuing ‘Telemetry Transport API Application Program Interface ADC Analog Digital Converter FIR Finite Impulse Response SAX Symbolic Aggregate Approximation MAD Median Absolute Deviation TCP Transmission Control Protocol JSON JavaScript Object Notation BSON Binary Javascript Object Notation ARM Advanced RISC Machine Báo cáo Luận van tot nghiệp Trang B/71 đà Trường Đại Học Bách Khoa Tp. Hồ Chí Minh sóc Khoa Khoa Học & Ky Thuật Máy Tinh Mục luc 1 Giới thiệu và tóm tắt nội dung đề tài 7 1.1 Giới thiệu hệ thong chăm sóc bệnh tim mach .2 Tóm tắt nội dung dé tai.00000 000 0 2 và xxx 2 xà 7 1.3 Dong góp của dé tài. HQ vn gà và v v g v v va xa 8 2 Nền tảng nghiên cứu và các công trình liên quan 10 2.1 Giới thiệu các công trình liên quan .2 Giới thiệu nên tảng kiến trúc Internet of Things .3 Giới thiệu nền tảng nghiên cứu thông qua các giải thuật học máy và học sâu.

15 3 Kién trúc hệ thông 29 3. Quà ng gà kg ga 29 32 Biểu đồ UseCases. Quà g v v 2v xxx 2 v3 xxx 2v 34 3.