Chương I: Tổng quan về các phương pháp nâng cao chất lượng nhận dạng tín hiệu ECG Phương pháp thông dụng hiện nay là sử dụng các hệ số khai triển phức bộ QRS bằng wavelet [4, 22, 56] hay bằng các hàm Hermite cơ sở [4, 16, 42, 60, 74, 78, 86]; Phương pháp ít sử dụng hơn là dùng mô hình Markov ẩn [90, 91], hay phân tích tín hiệu điện tim theo các hàm cơ sở của Karhunen– Lowen [24]. c) Mô hình nhận dạng: Số lượng các giải pháp nhận dạng còn phong phú hơn so với các giải pháp trích chọn đặc tính tín hiệu điện tim, cụ thể: Các nghiên cứu về các đặc trưng của tín hiệu ECG. Kết quả cho thấy các đặc tính này chủ yếu nằm trong phức bộ QRS, trong đó đoạn QR chứa nhiều thông tin hỗ trợ tốt hơn cho quá trình nhận dạng và phân loại tín hiệu. Nếu chỉ dùng để phát hiện bệnh ngoại tâm thu thì có thể đạt tới độ chính xác 99% trên các số liệu mẫu của MIT-BIH [40]; Phát hiện một loại bệnh Myocardial ischemia bằng cách ước lượng năng lượng đoạn ST để cân bằng giữa lượng oxy cấp và oxy nhu cầu của bệnh nhân.
Thiết bị đo bốn cực, có khả năng truyền thông sử dụng wireless [30]; Thuật toán phân tích các độ dốc của đoạn QR và đoạn RS để phát hiện sự biến đổi nhịp tim của bệnh nhân trong quá trình đang truyền máu. Kết quả được kiểm chứng trên các số liệu mô phỏng [66]; Nghiên cứu lý thuyết về phát hiện sớm hiện tượng tim ngừng đập thông qua phân tích phổ Fourier của phức bộ QRS [67]; Mạng nơ-rôn kinh điển MLP cũng thường xuyên được các nhóm tác giả sử dụng làm công cụ nhận dạng như trong [8, 53, 55, 59, 73, 75, 78]. Bên cạnh đó, các mạng nơ-rôn ít phổ biến hơn như ART (Adapvive Resonant Theory) [13] cũng được các tác giả đề xuất thử nghiệm hay mạng nơ-rôn LVQ (Learning Vector Quantization) đã được sử dụng để nhận dạng 5 loại bệnh lý, kết quả thử nghiệm trên bộ cơ sở dữ liệu UCI ECG Arrhythmia Dataset [9]; Bên cạnh các mạng nơ-rôn thì các công cụ lô-gic mờ cũng dần trở nên phổ biến và cũng có nhiều công trình đã sử dụng ví dụ như mạng TSK [4, 42, 74, 77, 78]; - 10 - Luận án tiến sĩ Kĩ thuật Chương I: Tổng quan về các phương pháp nâng cao chất lượng nhận dạng tín hiệu ECG Một công cụ mạnh là máy véc-tơ hỗ trợ SVM (Support Vector Machines) cũng được rất nhiều tác giả áp dụng để xây dựng mô hình nhận dạng tín hiệu điện tim [11, 18, 22, 78, 82, 84, 86, 105]; Giải pháp rừng ngẫu nhiên RF (Random Forest) cũng là một phương pháp khả thi để nhận dạng tín hiệu điện tim [56, 64, 72, 97] như trong [56] đã đưa ra giải pháp nhận dạng 5 loại bệnh lý N, L, R, V, P trong cơ sở dữ liệu MIT- BIH; Việc sử dụng các mạng nơ-rôn mới như dạng Deep learning cũng bước đầu được ứng dụng [37, 65]. Không chỉ dừng lại ở các nghiên cứu lý thuyết, do nhu cầu thực tế rất cao về các thiết bị đo điện tim có tích hợp chức năng tự động phát hiện loạn nhịp có độ chính xác cao, nên hiện nay cũng được quan tâm đầu tư nghiên cứu, ví dụ như: Các thiết bị cầm tay đo từ 1 đến 4 chuyển đạo, các thiết bị cố định đo tới 12 chuyển đạo [29, 30, 50, 76]; Một số thiết kế thiết bị có chức năng nén tín hiệu điện tim, truyền không dây qua mạng Wifi [79, 92], Bluetooth [14, 39], ZigBee [64, 70, 101]… Dữ liệu điện tim thu thập và gửi tới điện thoại smart phones của người dùng thông qua Bluetooth, wifi… một phần mềm Android chạy trên điện thoại có chức năng lưu trữ và hiển thị [85, 104, 107]; Hệ thống giám sát điện tim gọn nhẹ, di động, áp dụng cho những người chơi thể thao [52]; Các thiết bị nhỏ gọn hiển thị trên màn hình ngoài như trên máy tính hoặc trên các màn hình kiểm soát tập trung của bệnh viện [1, 8, 20]; Một số công trình nhận dạng online tín hiệu điện tim trên thiết bị [21].
Nhìn chung các thiết bị trên có chức năng chính là đo, giám sát, lưu trữ tín hiệu điện tim nhằm trợ giúp các bác sĩ theo dõi quá trình điều trị các bệnh về tim mạch. Thiết bị có ưu điểm nhỏ gọn, có thể cầm tay… Chức năng nhận dạng ít được tích hợp vào thiết bị. Tuy nhiên hiện nay đã có nhiều công trình nghiên cứu về hướng - 11 - Luận án tiến sĩ Kĩ thuật Chương I: Tổng quan về các phương pháp nâng cao chất lượng nhận dạng tín hiệu ECG này, nhưng thường chỉ nhận dạng những bệnh tim thông dụng dễ phát hiện, hay phát hiện hai loại: Không bình thường và bình thường… 1. Một số giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim Như đã trình bày ở trên, hiện nay đang có nhu cầu cao về thiết bị đo điện tim thông minh và phần mềm nhận dạng tín hiệu điện tim có độ chính xác cao nhằm hỗ trợ bác sĩ trong chẩn đoán nhanh và chính xác các bệnh về tim mạch.
Đã có nhiều giải pháp được đề xuất để nâng cao chất lượng nhận dạng tín hiệu điện tim, cụ thể: Như ở khối tiền xử lý: Một số thuật toán lọc nhiễu cho tín hiệu đo được đề xuất sử dụng kết hợp làm tăng độ chính xác của kết quả nhận dạng, như nghiên cứu gần đây trong luận án của TS. Nguyễn Đức Thảo (năm 2016 [4]) sử dụng wavelet để loại bỏ ảnh hưởng của nhịp thở của bệnh nhân đã giảm sai số xuống 11,43% khi thử nghiệm nhận dạng 7 loại bệnh tim trong bộ cơ sở dữ liệu MIT-BIH và giảm sai số xuống 11,29% khi thử nghiệm nhận dạng 3 loại bệnh tim trong bộ cơ sở dữ liệu MGH/MF. Khối trích chọn đặc tính: Là khối ảnh hưởng lớn đến kết quả nhận dạng, như đã trình bày ở trên thì có nhiều phương pháp trích chọn đặc tính, trong đó phương pháp được nhiều nghiên cứu áp dụng là sử dụng các hệ số khai triển phức bộ QRS bằng wavelet hay bằng các hàm Hermite cơ sở để tạo các véc-tơ đặc tính. Hệ thống nhận dạng tín hiệu điện tim: Độ chính xác của kết quả nhận dạng phụ thuộc lớn vào khối nhận dạng phi tuyến.
Đã có nhiều nghiên cứu áp dụng các loại mô hình nhận dạng phi tuyến để cải thiện chất lượng nhận dạng tín hiệu điện tim, từ các mô hình nhận dạng kinh điển như nơ-rôn MLP (Multi Layer Perceptron), mạng logic mờ TSK (Takaga-Sugeno-Kang), cho đến đến các công cụ mới như máy véc-tơ hỗ trợ SVM (Support Vector Machines) và rừng ngẫu nhiên RF (Random Forest), Deep Learning. cũng đã được sử dụng, thông thường những mô hình nhận dạng phí tuyến mới có chất lượng nhận dạng tốt hơn so với các mô hình cũ, ví dụ [78] các hệ thống nhận dạng 7 loại nhịp tim sử dụng các hàm cơ sở Hermite để trích chọn đặc tính, các kết quả thử nghiệm với mô hình TSK, SVM trên bộ cơ sở dữ liệu - 12 - Luận án tiến sĩ Kĩ thuật Chương I: Tổng quan về các phương pháp nâng cao chất lượng nhận dạng tín hiệu ECG MIT-BIH, kết quả sai số nhận dạng được giảm từ 3,26% khi dùng mạng TSK xuống 1,96 % khi dùng SVM. Nâng cao độ chính xác bằng mô hình kết hợp Do kết quả chẩn đoán các bệnh về tim mạch ảnh hưởng trực tiếp đến sức khỏe bệnh nhân, nên các hệ thống nhận dạng tự động tín hiệu điện tim có yêu cầu về độ chính xác, ổn định, tin cậy ngày càng cao. Khi nhận dạng và kiểm tra một đối tượng đầu vào thì mỗi một giải pháp sẽ có thuật toán xử lý riêng để đưa ra các kết quả nhận dạng riêng.
Các giải pháp khác nhau có thể đưa ra các kết quả khác nhau (nếu nhiều mô hình đều đưa ra một kết quả thống nhất thì kết quả này thường có độ tin cậy khá cao). Do đối với các bài toán thực tế, ta thường không có giải pháp nhận dạng có độ chính xác tuyệt đối, nên bất cứ giải pháp đơn lẻ nào đều có xác suất gây lỗi (mỗi giải pháp sẽ bị lỗi nhận dạng sai với một nhóm mẫu khác nhau). Từ nguyên nhân chính này mà có nhiều tác giả đã đề xuất ra giải pháp “mô hình kết hợp” tức là sử dụng đồng thời nhiều mô hình nhận dạng đơn và đưa thêm một khâu xử lý nữa, nhiệm vụ của khâu xử lý thêm này là kết hợp các kết quả của các mô hình nhận dạng đơn để đưa ra một kết luận cuối cùng. Một số ưu điểm của “mô hình kết hợp”: Mỗi “mô hình đơn” được coi như một chuyên gia độc lập, việc kết hợp nhiều chuyên gia sẽ cho kết quả đáng tin cậy hơn, cũng như tận dụng được ưu điểm của từng mô hình đơn; Sử dụng các đánh giá từ nhiều góc độ, từ nhiều phương pháp khác nhau nên thông tin có thể phong phú hơn dẫn tới chất lượng quyết định sẽ cao hơn.
Ý tưởng của mô hình kết hợp đã được áp dụng ở trong các lĩnh vực khác như: [68] Cho nhận dạng hình ảnh, [17] sinh trắc học như nhận dạng khuôn mặt, [89] áp dụng cho hệ thống đo nồng độ khí đa năng,. Tuy nhiên, phương pháp kết hợp có nhược điểm chính là làm hệ thống nhận cồng kềnh và phức tạp hơn, chỉ nên áp dụng đối với các bài toán nhận dạng phức tạp, yêu cầu độ chính xác cao.4 là sơ đồ khối tổng quát của hệ thống nhận dạng tín hiệu điện tim sử dụng mô hình kết hợp, trong đó có M mô hình nhận dạng đơn, kết quả của các mô hình nhận dạng đơn là yi, z là kết luận cuối cùng sau khối kết hợp kết quả. - 13 - Luận án tiến sĩ Kĩ thuật Chương I: Tổng quan về các phương pháp nâng cao chất lượng nhận dạng tín hiệu ECG Hình 1.