Nghiên cứu hiện tượng phân cực dữ liệu trong phân loại tín hiệu điện tim

Khảo sát hiện tượng phân cực dữ liệu trong phân loại tín hiệu điện tim, luận văn thạc sĩ HCMUTE cung cấp cái nhìn sâu sắc về công nghệ y tế.

• Tác giả: Nguyễn Hữu Thái
• Người hướng dẫn: TS. Nguyễn Mạnh Hùng
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Khảo Sát Phân Cực Dữ Liệu Trong Phân Loại Tín Hiệu Điện Tim
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• 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
• 1.3. 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. Ý nghĩa các thành phần trên điện tâm đồ
• 2.3. Thu thập dữ liệu
• 2.4. Thuật toán biến đổi Wavelet
• 2.5. Thuật toán PCA
• 2.6. Mạng neural network
• 2.6.1. Giải thuật huấn luyện mạng Neural Network
• 2.7. Đánh giá mô hình
• 2.7.1. Ma trận nhầm lẫn (confusion matrix)
• 2.7.2. Đường cong ROC
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Chuẩn bị dữ liệu
• 3.2. Trích đặc trưng
• 3.2.1. Tách từng nhịp tim từ bộ dữ liệu MIT-BIH
• 3.2.2. DWT chuyển đổi tín hiệu nhịp tim từ miền thời gian sang miền tần số
• 3.2.3. Giảm chiều dữ liệu sử dụng PCA
• 3.3. Phân loại tín hiệu điện tim sử dụng 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
• NỘI DUNG BÀI BÁO

Tóm tắt

I. Tổng quan về phân loại tín hiệu điện tim

Phân loại tín hiệu điện tim (tín hiệu ECG) là một lĩnh vực nghiên cứu quan trọng trong y học, đặc biệt trong việc chẩn đoán các bệnh lý tim mạch. Các nghiên cứu trước đây chủ yếu dựa vào bộ dữ liệu MIT-BIH, nơi chứa một lượng lớn nhịp tim bình thường, chiếm khoảng 83.6% tổng số nhịp tim. Điều này dẫn đến hiện tượng phân cực dữ liệu, làm giảm độ chính xác của các bộ phân loại. Việc phát hiện và phân loại chính xác các tín hiệu bất thường trong dữ liệu điện tim là rất cần thiết để hỗ trợ bác sĩ trong việc đưa ra chẩn đoán và điều trị kịp thời. Nghiên cứu này nhằm mục đích đánh giá ảnh hưởng của phân cực dữ liệu đến hiệu suất của bộ phân loại tín hiệu điện tim, từ đó cải thiện độ chính xác trong chẩn đoán bệnh tim.

1.1 Tầm quan trọng của việc phân loại tín hiệu điện tim

Việc phân loại tín hiệu điện tim có vai trò quan trọng trong việc phát hiện sớm các bệnh lý tim mạch. Theo thống kê của Tổ chức Y tế Thế giới, bệnh tim mạch là nguyên nhân gây tử vong hàng đầu, với khoảng 17.5 triệu người chết mỗi năm. Do đó, việc phát triển các phương pháp phân loại hiệu quả là cần thiết. Các phương pháp hiện tại như mạng neural network đã cho thấy tiềm năng lớn trong việc phân loại các loại nhịp tim khác nhau. Tuy nhiên, sự hiện diện của quá nhiều nhịp tim bình thường trong bộ dữ liệu đã gây khó khăn cho việc phát hiện các tín hiệu bất thường, dẫn đến việc cần thiết phải loại bỏ những nhịp tim này để cải thiện độ chính xác của bộ phân loại.

II. Phương pháp nghiên cứu

Nghiên cứu này sử dụng hai thí nghiệm để đánh giá hiệu suất của bộ phân loại tín hiệu điện tim. Thí nghiệm đầu tiên sử dụng bộ dữ liệu có chứa nhịp tim bình thường, trong khi thí nghiệm thứ hai loại bỏ những nhịp tim này. Kết quả cho thấy rằng việc loại bỏ nhịp tim bình thường giúp cải thiện đáng kể độ chính xác của bộ phân loại. Phân tích được thực hiện thông qua ma trận nhầm lẫn và đường cong ROC, cho phép đánh giá hiệu suất của bộ phân loại một cách chính xác. Kết quả cho thấy rằng dữ liệu hiện có từ MIT-BIH không đủ để tạo ra một bộ phân loại hiệu quả cho các bệnh lý tim mạch.

2.1 Thiết kế thí nghiệm

Thí nghiệm đầu tiên sử dụng bộ dữ liệu MIT-BIH với nhịp tim bình thường, cho phép quan sát hiện tượng phân cực dữ liệu trong kết quả phân loại. Thí nghiệm thứ hai loại bỏ nhịp tim bình thường, giúp đánh giá ảnh hưởng của việc này đến độ chính xác của bộ phân loại. Kết quả từ hai thí nghiệm cho thấy rằng việc loại bỏ nhịp tim bình thường không chỉ cải thiện độ chính xác mà còn giúp bộ phân loại hoạt động hiệu quả hơn trong việc phát hiện các tín hiệu bất thường. Điều này chứng tỏ rằng việc sử dụng dữ liệu không đầy đủ có thể dẫn đến những sai lệch trong chẩn đoán bệnh lý tim mạch.

III. Kết quả và thảo luận

Kết quả nghiên cứu cho thấy rằng việc phân loại tín hiệu điện tim có thể được cải thiện đáng kể khi loại bỏ nhịp tim bình thường. Các thí nghiệm đã chỉ ra rằng bộ dữ liệu MIT-BIH không đủ để tạo ra một bộ phân loại chính xác cho các bệnh lý tim mạch. Việc sử dụng thuật toán phân loại như mạng neural network đã cho thấy hiệu quả cao trong việc phân loại các tín hiệu ECG. Tuy nhiên, cần có thêm các nghiên cứu để phát triển các bộ dữ liệu phong phú hơn, bao gồm nhiều loại nhịp tim khác nhau để cải thiện độ chính xác của các bộ phân loại trong thực tế.

3.1 Đánh giá hiệu suất bộ phân loại

Đánh giá hiệu suất của bộ phân loại được thực hiện thông qua các chỉ số như độ chính xác, độ nhạy và độ đặc hiệu. Kết quả cho thấy rằng bộ phân loại hoạt động tốt hơn khi sử dụng dữ liệu đã được loại bỏ nhịp tim bình thường. Điều này cho thấy rằng phân cực dữ liệu có thể ảnh hưởng tiêu cực đến hiệu suất của bộ phân loại. Việc cải thiện chất lượng dữ liệu đầu vào là rất quan trọng để đạt được kết quả phân loại chính xác hơn trong các nghiên cứu tiếp theo.

Nội dung chính

Tổng quan nghiên cứu

Bệnh lý tim mạch là một trong những nguyên nhân hàng đầu gây tử vong trên toàn cầu, với khoảng 17.5 triệu người chết mỗi năm theo thống kê của Tổ chức Y tế Thế giới. Tại Việt Nam, tỷ lệ mắc bệnh tim mạch ở người trên 25 tuổi lên đến 47,3%, với khoảng 200.000 ca tử vong hàng năm, chiếm gần 1/4 tổng số ca tử vong. Sự gia tăng nhanh chóng của các bệnh liên quan như tăng huyết áp, thiếu máu cục bộ, đột quỵ và các bệnh van tim đặt ra yêu cầu cấp thiết về việc phát hiện sớm và phân loại chính xác các tín hiệu điện tim (ECG) để hỗ trợ chẩn đoán và điều trị hiệu quả.

Luận văn tập trung khảo sát hiện tượng phân cực dữ liệu trong phân loại tín hiệu điện tim sử dụng mạng Neural Network, đặc biệt đánh giá ảnh hưởng của việc loại bỏ nhịp tim bình thường chiếm khoảng 83.6% trong bộ dữ liệu MIT-BIH ARHYTHMIA DATABASE. Mục tiêu chính là thiết kế bộ phân loại tín hiệu ECG bằng phương pháp Neural Network và đánh giá sự ảnh hưởng của phân cực dữ liệu đến độ chính xác phân loại thông qua ma trận nhầm lẫn và đường cong ROC. Nghiên cứu thực hiện hai thí nghiệm: một với dữ liệu chứa nhịp tim bình thường và một loại bỏ nhịp tim bình thường để so sánh hiệu năng bộ phân loại.

Phạm vi nghiên cứu sử dụng dữ liệu ECG từ 47 bệnh nhân, thu thập trong giai đoạn 1975-1979, xử lý trên môi trường Matlab phiên bản R2016a. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nhận diện hạn chế của bộ dữ liệu MIT-BIH hiện tại và đề xuất hướng phát triển các bộ dữ liệu đầy đủ hơn nhằm nâng cao độ chính xác phân loại bệnh tim.

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:

• Tín hiệu điện tim (ECG): Ghi lại hoạt động điện của tim qua các sóng P, phức hợp QRS, sóng T và sóng U, mỗi thành phần mang ý nghĩa đặc trưng cho các trạng thái tim khác nhau. Thời gian và biên độ các sóng này được sử dụng để phân loại các loại rối loạn nhịp tim.

• Biến đổi Wavelet rời rạc (DWT): Phương pháp phân tích tín hiệu trong cả miền thời gian và tần số, giúp trích xuất các đặc trưng tần số thấp (xấp xỉ) và tần số cao (chi tiết) của tín hiệu ECG. DWT được áp dụng để chuyển đổi tín hiệu ECG từ miền thời gian sang miền tần số, phân rã thành 4 cấp độ với bộ lọc thông thấp và thông cao.

• Phân tích thành phần chính (PCA): Kỹ thuật giảm chiều dữ liệu bằng cách tìm các thành phần đặc trưng chính, giữ lại khoảng 99.46% thông tin gốc với 9 thành phần chính cho mỗi hệ số xấp xỉ và chi tiết, tổng cộng 18 đặc trưng được sử dụng cho phân loại.

• Mạng Neural Network (ANN): Mạng nơ-ron nhân tạo ba lớp gồm 18 nút đầu vào (đặc trưng PCA), 10 nút lớp ẩn và 5 hoặc 6 nút đầu ra tương ứng với số loại nhịp tim cần phân loại. Mạng được huấn luyện bằng thuật toán lan truyền ngược (backpropagation) với mục tiêu giảm thiểu sai số bình phương trung bình (MSE) dưới 0.

• Đánh giá mô hình: Sử dụng ma trận nhầm lẫn (confusion matrix) để tính các chỉ số TP, FP, TN, FN và độ chính xác (Accuracy), đồng thời phân tích đường cong ROC để đánh giá khả năng phân biệt của bộ phân loại.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Sử dụng bộ dữ liệu MIT-BIH ARHYTHMIA DATABASE gồm 48 tín hiệu ECG từ 47 bệnh nhân, thu thập từ năm 1975 đến 1979 tại bệnh viện Beth Israel. Dữ liệu được mã hóa dưới dạng file Matlab và có nhãn phân loại từng nhịp tim.

• Chuẩn bị dữ liệu: Tách từng nhịp tim từ tín hiệu ECG, mỗi nhịp gồm 200 mẫu (100 mẫu trước và 99 mẫu sau đỉnh R) với tần số lấy mẫu 360Hz. Thực hiện hai bộ dữ liệu: một giữ nguyên nhịp tim bình thường (chiếm 83.6%), một loại bỏ nhịp tim bình thường để giảm phân cực dữ liệu.

• Trích đặc trưng: Áp dụng biến đổi DWT Meyer 4 cấp độ để phân rã tín hiệu thành các hệ số xấp xỉ và chi tiết. Tiếp theo, sử dụng PCA để giảm chiều dữ liệu, chọn 9 thành phần chính cho mỗi loại hệ số, tổng cộng 18 đặc trưng.

• Phân loại: Mạng Neural Network ba lớp được huấn luyện với 18 đặc trưng đầu vào, 10 nút lớp ẩn và 5 hoặc 6 nút đầu ra tùy theo số loại nhịp tim phân loại. Thuật toán lan truyền ngược được sử dụng để cập nhật trọng số, dừng huấn luyện khi MSE đạt dưới 0.

• Timeline nghiên cứu: Quá trình thu thập, xử lý và phân tích dữ liệu thực hiện trong khoảng thời gian từ tháng 10/2017 đến tháng 05/2018 trên môi trường Matlab R2016a.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Ảnh hưởng của nhịp tim bình thường đến phân cực dữ liệu: Khi sử dụng bộ dữ liệu chứa nhịp tim bình thường (chiếm 83.6%), bộ phân loại Neural Network cho thấy hiện tượng phân cực dữ liệu rõ rệt, làm sai lệch kết quả phân loại. Độ chính xác đạt khoảng 95%, tuy nhiên các chỉ số TP và FP bị ảnh hưởng do sự mất cân bằng dữ liệu.

2. Hiệu quả khi loại bỏ nhịp tim bình thường: Sau khi loại bỏ nhịp tim bình thường, bộ phân loại Neural Network với 5 lớp đầu ra đạt độ chính xác giảm nhẹ còn khoảng 90%, nhưng phân bố dữ liệu cân bằng hơn, giảm thiểu hiện tượng phân cực và cải thiện khả năng phát hiện các nhịp tim bệnh.

3. Ảnh hưởng của số lượng mẫu huấn luyện: Kết quả thí nghiệm cho thấy khi tăng số lượng mẫu huấn luyện, độ chính xác của bộ phân loại tăng lên đáng kể, từ khoảng 85% với số mẫu thấp đến trên 90% với số mẫu lớn hơn, chứng tỏ tầm quan trọng của dữ liệu huấn luyện đa dạng và đầy đủ.

4. Đường cong ROC và ma trận nhầm lẫn: Đường cong ROC của bộ phân loại khi loại bỏ nhịp tim bình thường có diện tích dưới đường cong (AUC) cao hơn, thể hiện khả năng phân biệt tốt hơn giữa các loại nhịp tim bệnh. Ma trận nhầm lẫn cũng cho thấy tỷ lệ phân loại đúng (TPR) tăng lên khoảng 5-7% so với trường hợp có nhịp tim bình thường.

Thảo luận kết quả

Hiện tượng phân cực dữ liệu do tỷ lệ nhịp tim bình thường chiếm ưu thế trong bộ dữ liệu MIT-BIH gây ra sự mất cân bằng lớp, làm cho bộ phân loại Neural Network có xu hướng ưu tiên dự đoán nhịp tim bình thường, dẫn đến giảm khả năng phát hiện các nhịp tim bệnh. Việc loại bỏ nhịp tim bình thường giúp cân bằng dữ liệu, tuy làm giảm tổng số mẫu, nhưng cải thiện đáng kể hiệu năng phân loại các nhịp tim bệnh.

So sánh với các nghiên cứu trước đây, nhiều bài báo đạt độ chính xác rất cao (lên đến 99.97%) nhưng không đánh giá kỹ ảnh hưởng của phân cực dữ liệu. Nghiên cứu này nhấn mạnh rằng độ chính xác cao có thể bị ảnh hưởng bởi sự mất cân bằng dữ liệu và không phản ánh đúng hiệu năng thực tế khi áp dụng trên dữ liệu đa dạng.

Kết quả cũng cho thấy việc tăng số lượng mẫu huấn luyện là cần thiết để nâng cao độ chính xác và khả năng tổng quát của bộ phân loại. Tuy nhiên, dữ liệu hiện tại của MIT-BIH chưa đủ đa dạng và đầy đủ để xây dựng bộ phân loại tin cậy cho các bệnh tim phức tạp.

Dữ liệu và kết quả có thể được trình bày qua biểu đồ so sánh độ chính xác giữa hai trường hợp có và không có nhịp tim bình thường, cùng các đường cong ROC minh họa sự cải thiện hiệu năng phân loại.

Đề xuất và khuyến nghị

1. Xây dựng bộ dữ liệu ECG cân bằng hơn: Cần thu thập và xây dựng bộ dữ liệu ECG đa dạng, giảm tỷ lệ nhịp tim bình thường chiếm ưu thế để tránh hiện tượng phân cực dữ liệu, từ đó nâng cao độ chính xác và khả năng phát hiện bệnh của bộ phân loại. Thời gian thực hiện: 1-2 năm; Chủ thể: các viện nghiên cứu y sinh và bệnh viện.

2. Phát triển các thuật toán xử lý dữ liệu mất cân bằng: Áp dụng các kỹ thuật như oversampling, undersampling hoặc thuật toán học sâu có khả năng xử lý dữ liệu mất cân bằng để cải thiện hiệu năng phân loại trên dữ liệu thực tế. Thời gian: 6-12 tháng; Chủ thể: nhóm nghiên cứu kỹ thuật điện tử và khoa học máy tính.

3. Tăng cường số lượng mẫu huấn luyện: Mở rộng tập dữ liệu huấn luyện với các nhịp tim bệnh đa dạng để nâng cao khả năng tổng quát của mô hình Neural Network. Thời gian: liên tục; Chủ thể: các trung tâm nghiên cứu và bệnh viện.

4. Phát triển hệ thống phân loại tín hiệu ECG thời gian thực: Ứng dụng mô hình Neural Network đã được cải tiến vào các thiết bị y tế để hỗ trợ bác sĩ chẩn đoán nhanh và chính xác hơn. Thời gian: 1-2 năm; Chủ thể: doanh nghiệp công nghệ y tế và bệnh viện.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, y sinh: Luận văn cung cấp kiến thức chuyên sâu về xử lý tín hiệu ECG, ứng dụng DWT, PCA và Neural Network trong phân loại tín hiệu y sinh.

2. Bác sĩ và chuyên gia y tế chuyên về tim mạch: Hiểu rõ hơn về các phương pháp phân tích và phân loại tín hiệu ECG tự động, hỗ trợ chẩn đoán bệnh tim chính xác hơn.

3. Nhà phát triển phần mềm và thiết bị y tế: Tham khảo các thuật toán và mô hình phân loại tín hiệu ECG để phát triển các sản phẩm hỗ trợ chẩn đoán và theo dõi bệnh tim.

4. Các tổ chức nghiên cứu và quản lý y tế: Đánh giá hiệu quả của bộ dữ liệu hiện có và đề xuất các chính sách phát triển dữ liệu y sinh chuẩn hóa, phục vụ nghiên cứu và ứng dụng thực tiễn.

Câu hỏi thường gặp

1. Tại sao cần loại bỏ nhịp tim bình thường trong bộ dữ liệu?
   Nhịp tim bình thường chiếm tỷ lệ lớn (83.6%) gây phân cực dữ liệu, làm bộ phân loại thiên về dự đoán nhịp bình thường, giảm khả năng phát hiện nhịp tim bệnh. Loại bỏ giúp cân bằng dữ liệu, cải thiện hiệu năng phân loại.

2. Phương pháp DWT có ưu điểm gì trong xử lý tín hiệu ECG?
   DWT cho phép phân tích tín hiệu trong cả miền thời gian và tần số, giúp trích xuất đặc trưng tần số thấp và cao hiệu quả, phù hợp với tín hiệu ECG không ổn định và có nhiễu.

3. PCA giúp gì trong quá trình phân loại tín hiệu?
   PCA giảm chiều dữ liệu, giữ lại các thành phần đặc trưng chính, giảm thiểu thông tin dư thừa và giảm tải tính toán cho mạng Neural Network, đồng thời giữ lại gần 99.46% thông tin gốc.

4. Mạng Neural Network được cấu trúc như thế nào trong nghiên cứu này?
   Mạng gồm 3 lớp: 18 nút đầu vào (đặc trưng PCA), 10 nút lớp ẩn và 5 hoặc 6 nút đầu ra tương ứng với số loại nhịp tim phân loại, được huấn luyện bằng thuật toán lan truyền ngược để tối ưu trọng số.

5. Đường cong ROC thể hiện điều gì trong đánh giá mô hình?
   Đường cong ROC biểu diễn khả năng phân biệt giữa các lớp của bộ phân loại. Diện tích dưới đường cong (AUC) càng gần 1 thì mô hình càng chính xác và hiệu quả trong phân loại.

Kết luận

• Bộ dữ liệu MIT-BIH chứa tỷ lệ nhịp tim bình thường cao gây phân cực dữ liệu, ảnh hưởng đến độ chính xác phân loại tín hiệu ECG.
• Loại bỏ nhịp tim bình thường giúp cân bằng dữ liệu, cải thiện khả năng phát hiện các nhịp tim bệnh của bộ phân loại Neural Network.
• Số lượng mẫu huấn luyện ảnh hưởng tích cực đến hiệu năng phân loại, cần mở rộng dữ liệu đa dạng hơn.
• Kết quả nghiên cứu nhấn mạnh hạn chế của bộ dữ liệu hiện tại và đề xuất phát triển bộ dữ liệu mới, cân bằng hơn.
• Hướng phát triển tiếp theo là ứng dụng mô hình phân loại cải tiến vào hệ thống chẩn đoán thời gian thực và phát triển các thuật toán xử lý dữ liệu mất cân bằng.

Để nâng cao hiệu quả chẩn đoán bệnh tim, các nhà nghiên cứu và chuyên gia y tế nên tiếp tục phát triển và hoàn thiện các bộ dữ liệu cũng như thuật toán phân loại tín hiệu ECG. Hành động ngay hôm nay để cải thiện chất lượng chăm sóc sức khỏe tim mạch là cần thiết.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN HỮU THÁI KHẢO SÁT HIỆN TƯỢNG PHÂN CỰC DỮ LIỆU TRONG PHÂN LOẠI TÍN HIỆU ÐIỆN TIM NGÀNH: KỸ THUẬT ÐIỆN TỬ- 62520203 S K C0 0 5 8 4 9 Tp. Hồ Chí Minh, tháng 05 - 2018 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT BỘ GIÁO DỤC VÀ ĐÀO TẠO THÀNH PHỐ HỒ CHÍ MINH TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN HỮU THÁI LUẬN VĂN THẠC SĨ LÊ THỊ MINH THÙY KHẢO SÁT HIỆN TƢỢNG PHÂN CỰC DỮ LIỆU TRONG PHÂN LOẠI TÍN HIỆU ĐIỆN TIM ĐÁNH GIÁ TỶ LỆ LỖI CỦA BỘ PHÂN LOẠI TÍN HIỆU ĐIỆN TIM DÙNG NEURAL NETWORK NGÀNH: KỸ THUẬT ĐIỆN TỬ - 62520203 NGÀNH: KỸ THUẬT ĐIỆN TỬ - 62520203 Tp. HồHồ ChíChí Minh, Minh, tháng tháng 10/2017 05/2018 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT BỘ GIÁO DỤC VÀ ĐÀO TẠO THÀNH PHỐ HỒ CHÍ MINH LỜI CAM ĐOAN LUẬN VĂN THẠC SĨ NGUYỄN HỮU THÁI Tôi cam đoan đây là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chƣa từng đƣợc ai công KHẢO SÁT bố trong HIỆN bất kỳ TƢỢNG công trình PHÂN CỰC DỮ LIỆU TRONG PHÂN nào khác LOẠI TÍN HIỆU ĐIỆN TIM Tp.

Hồ Chí Minh, ngày 06 tháng 03 năm 2018 NGUYỄN HỮU THÁI NGÀNH: KỸ THUẬT ĐIỆN TỬ - 62520203 Hƣớng dẫn khoa học: TS. NGUYỄN MẠNH HÙNG Tp. Hồ Chí Minh, tháng 05/2018 Luan van i Luan van ii Luan van iii Luan van iv Luan van v Luan van vi Luan van vii Luan van viii Luan van LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chƣa từng đƣợc ai công bố trong bất kỳ công trình nào khác Tp.

Hồ Chí Minh, ngày 06 tháng 05 năm 2018 NGUYỄN HỮU THÁI ix Luan van LỜI CẢM TẠ Lời đầu tiên ngƣời thực hiện đề tài xin gửi lời cảm ơn tới cùng quý thầy cô giảng dạy tại Trƣờng Đại học Sƣ Phạm Kỹ Thuật TP.HCM và quý thầy cô Khoa Điện-Điện tử. Cảm ơn các thầy đã tận tụy dạy bảo, trang bị cho ngƣời thực hiện đề tài những kiến thức chuyên ngành, tạo tiền đề vững chắc nhờ đó để thực hiện tốt đề tài này. Và đặc biệt xin gửi lời cảm ơn chân thành nhất tới thầy thầy TS. Nguyễn Mạnh Hùng , giáo viên hƣớng dẫn thực hiện đề tài.

Cảm ơn thầy đã tạo mọi điều kiện tốt nhất để ngƣời thực hiện đề tài cũng nhƣ hƣớng dẫn tận tình các bƣớc thực hiện để tác giả hoàn thành tốt luận văn tốt nghiệp. Cuối cùng ngƣời thực hiện đề tài xin gửi lời cảm ơn sâu sắc tới gia đình, Anh Nguyễn Thanh Nghĩa, bạn Dƣơng Văn Bình, Lê Thị Minh Thùy và các anh chị lớp KDT16A đã động viên, đóng góp ý kiến và giúp đỡ trong quá trình học tập, nghiên cứu và hoàn thành đồ luận văn nghiệp. Xin chân thành cảm ơn ! Tp. Hồ Chí Minh, ngày 06 tháng 05 năm 2018 NGUYỄN HỮU THÁI x Luan van TÓM TẮT Trong các nghiên cứu trƣớc về phân loại tín hiệu ECG hầu hết các phƣơng pháp sử dụng bộ dữ liệu MIT-BIH để đánh giá kết quả dự đoán và đem lại độ chính xác rất cao.

Tuy nhiên trong tập dữ liệu có chứa rất nhiều nhịp tim bình thƣờng chiếm khoảng 83.6% trong tổng số nhịp tim của tập dữ liệu. Do đó đề tài này thiết kế bộ phân loại tín hiệu điện tim dùng phƣơng pháp Neural Network sau đó đánh giá ảnh hƣởng của phân cực dữ liệu đến bộ phân loại tín hiệu điện tim sau khi loại bỏ những nhịp tim bình thƣờng dùng phƣơng pháp ma trận nhầm lẫn (confusion matrix) và đƣờng cong ROC. Nghiên cứu này đƣa ra hai thí nghiệm để đánh giá hiệu năng của bộ phân loại tín hiệu điện tim ECG. Thí nghiệm thứ nhất chúng tôi sử dụng tập dữ liệu có chứa các nhịp tim bình thƣờng và do đó có hiện tƣợng phân cực dữ liệu của bộ phân loại trong trƣờng hợp này có xảy ra trong kết quả dự đoán.

Thí nghiệm thứ hai tác giả loại bỏ những nhịp tim bình thƣờng trong tập dữ liệu và kết quả ghi lại sự ảnh hƣởng của các nhịp tim bình thƣờng đến bộ phân loại. Đề tài chứng minh kết quả cuối cùng chỉ ra rằng dữ liệu hiện có của tập dữ liệu đã đƣợc công bố trên MIT-MIH ARHYTHMIA DATABASE chƣa thật sự đầy đủ để đƣa ra kết quả phân loại bệnh tim và ảnh hƣởng của tập dữ liệu chứa nhiều nhịp tim bình thƣờng đến độ chính xác của bộ phân loại [1]. xi Luan van ABSTRACT In previous studies on ECG signal classification, most methods used the MIT-BIH databases to evaluate predictions and provide very high accuracy. However, in the databases there are a very normal heart rate that accounts for about 83.6% of the total heartbeat of the databases.

Therefore, This thesis is the design of ECG signal classification system using Neuron Network method and then evaluates the effect of data polarization on the ECG after removing the normal heart rate using the method. confusion matrix and ROC curve. This study offers two experiments to assess the performance of ECG signal classification system. In the first experiment, we used databases that contained normal heartbeats and therefore had data classification polarization in this case that occurred in the predicted outcome.

The second experiment we removed the normal heartbeat in the databases and recorded the effects of normal heartbeats on the classifier. The final result demonstrates that the existing data for the database published on the MIT-MIH ARHYTHMIA DATABASE is not sufficiently accurate to show the results of the classification of heart disease and the effect of the database contains many normal heartbeats to the accuracy of the classifier.[1] xii Luan van MỤC LỤC QUYẾT ĐỊNH GIAO ĐỀ TÀI. i BIÊN BẢN HỘI ĐỒNG CHẤM LUẬN VĂN TỐT NGHIỆP THẠC SĨ. ii NHẬN XÉT PHẢN BIỆN 1.

iii NHẬN XÉT PHẢN BIỆN 2. v LÝ LỊCH KHOA HỌC. vii LỜI CAM ĐOAN. ix LỜI CẢM TẠ.

xii DANH SÁCH CÁC TỪ VIẾT TẮT. xv DANH SÁCH CÁC HÌNH. xvi DANH SÁCH CÁC BẢNG. xvii Chƣơng I: TỔNG QUAN .1 Tổng quan về lĩnh vực nghiên cứu .2 Các kết quả nghiên cứu trong và ngoài nƣớc đã công bố .3 Mục tiêu của đề tài .4 Nhiệm vụ và giới hạn của đề tài .1 Nhiệm vụ của đề tài .2 Giới hạn của đề tài.5 Phƣơng pháp nghiên cứu .5 Chƣơng II: CƠ SỞ LÝ THUYẾT.

6 xiii Luan van 2.1 Khái niệm về tín hiệu điện tim ECG .2 Ý nghĩa các thành phần trên điện tâm đồ .3 Thu thập dữ liệu .4 Thuật toán biến đổi Wavelet .5 Thuật toán PCA .6 Mạng neural network .2 Giải thuật huấn luận mạng Neural Work .7 Đánh giá mô hình.1 Ma trận nhầm lẫn (confusion matrix) .2 Đƣờng cong ROC .23 Chƣơng III: PHƢƠNG PHÁP NGHIÊN CỨU .1 Chuẩn bị dữ liệu .2 Trích đặc trƣng .1 Tách từng nhịp tim từ bộ dữ liệu MIT-BIH.2 DWT chuyển đổi tín hiệu nhịp tim từ miền thời gian sang miền tần số.3 Giảm chiều dữ liệu sử dụng PCA .3 Phân loại tín hiệu điện tim sử dụng Neural Network .29 Chƣơng IV: KẾT QUẢ. 31 Chƣơng V: KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN .2 HƢỚNG PHÁT TRIỂN CỦA ĐỀ TÀI .36 TÀI LIỆU THAM KHẢO.1 CHƢƠNG TRÌNH MATLAB .2 NỘI DUNG BÀI BÁO .51 xiv Luan van DANH SÁCH CÁC TỪ VIẾT TẮT ECG - ElectroCardioGram DWT - Discrete Wavelet Transform MIT-BIH - Massachusetts Institute of Technology-Beth Israel Hospital PCA - Principal Component Analysis ROC - Receiver Operating Characteristic NIBIB - National Institute of Biomedical Imaging and Bioengineering NIGMS - National Institute of General Medical Sciences ANN - Artificial Neural Network xv Luan van DANH SÁCH CÁC HÌNH Hình 2.1 Dạng sóng ECG bình thƣờng [6] .2 Cách thu thập dữ liệu từ bộ dữ liệu chuẩn có sẵn [8].3 Các thành phần wavelet tƣơng ứng với các tỉ lệ vị trí khác nhau.4 Biến đổi Wavelet rời rạc của tín hiệu.5 Quá trình phân tích tín hiệu dùng biến đổi DWT một chiều .6 Cấu trúc mạng neural network.7 Đƣờng cong ROC.1 Sơ đồ khối phân loại tín hiệu điện tim .2 Tín hiệu ECG tải từ MIT-BIH .3 Tín hiệu ECG sau khi tách từng nhịp .4 Tín hiệu ECG sau khi phân rã wavelet .5 Số thành phần chính của xấp xỉ và chi tiết ở mức 4.6 Mô hình mạng neural network 18 ngõ vào, 5 ngõ ra .1 So sánh độ chính xác giữa có và không có nhịp tim bình thƣờng trong mẫu dữ liệu .2 Các đƣờng cong ROC tạo ra bởi sáu loại nhịp tim của bộ phân loại neural network có chứa nhịp bình thƣờng trong dữ liệu ECG.3 Các đƣờng cong ROC tạo ra bởi năm loại nhịp tim của bộ phân loại neurral network có chứa nhịp bình thƣờng trong dữ liệu ECG. 35 xvi Luan van DANH SÁCH CÁC BẢNG Bảng 2.1 Cách thu thập dữ liệu từ bộ dữ liệu chuẩn có sẵn [8].2 Ma trận nhầm lẫn .1 Bảng phân loại tín hiệu ECG .2 Kết quả đánh giá trƣờng hợp có nhịp tim bình thƣờng trong mẫu dữ liệu .3 Kết quả đánh giá trƣờng hợp loại bỏ nhịp tim bình thƣờng trong mẫu dữ liệu. 32 xvii Luan van Chƣơng I: TỔNG QUAN 1.1 Tổng quan về lĩnh vực nghiên cứu Cùng với sự phát triển đời sống kinh tế ,xã hội cũng đặt ra cho chúng ta những thách thức về nguy cơ bệnh lý tim mạch tăng cao và gánh nặng về sức khỏe cũng nhƣ chi phí tăng vọt trong việc điều trị các bệnh lý tim mạch.

Theo thống kê của tổ chức y tế thế giới, bệnh tim mạch là một trong những căn bệnh có tỉ lệ gây tử vong cao, mỗi năm có khoảng 17.5 triệu ngƣời chết. Con số này cho thấy mức độ nguy hiểm và tính chất phổ biến về bệnh lý tim mạch trên các nƣớc phát triển và có cả Việt Nam. Theo điều tra mới nhất của viện Tim Mạch Việt Nam thì tỉ lệ mắc bệnh tim mạch trên 25 tuổi là 47,3%. Trung bình mối năm bệnh tim cƣớp đi sinh mạng của 200.000 ngƣời, chiếm khoảng 1/4 số trƣờng hợp tử vong ở nƣớc ta.

Vài thập kỷ gần đây sự gia tăng rất nhanh của bệnh tăng huyết áp và các bệnh liên quan nhƣ thiếu máu cục bộ, đột quỵ, động mạch ngoại biên và các bệnh van tim do thấp. Vì vậy việc phát hiện sớm và phân loại chính xác tín hiệu ECG là rất cần thiết để giúp bác sĩ chuẩn đoán các bệnh về tim và đƣa ra cách điều trị tốt nhất cho bệnh nhân [2]. Điện tâm đồ ghi lại nhịp tim và dựa vào đó có thể chuẩn đoán các bệnh về tim mạch.