Tổng quan luận án
Tính cấp thiết của đề tài và khoảng trống nghiên cứu
Trong cơ thể người, các thông số hoạt động của hệ tim mạch là nguồn thông tin then chốt phản ánh tình trạng sức khỏe. Các bệnh lý tim mạch (như loạn nhịp tim, thiếu máu cục bộ, tắc động mạch vành) được biểu hiện chủ yếu thông qua tín hiệu điện tâm đồ (ElectroCardioGram - ECG). Việc phân tích ECG là bước căn bản để chẩn đoán, dựa trên biên độ, hình dạng của phức bộ QRS, sóng P, Q, R, S, T hoặc số nhịp tim trên phút. Đối với các bệnh lý phức tạp, việc chẩn đoán đòi hỏi theo dõi tín hiệu liên tục trong thời gian dài trên nhiều chuyển đạo kết hợp các xét nghiệm phụ trợ.
Thực tế nghiên cứu và ứng dụng đặt ra hai thách thức kỹ thuật lớn:
- Tín hiệu ECG có độ biến đổi rất mạnh về hình dáng và biên độ khi xuất hiện bệnh lý, đồng thời dễ bị ảnh hưởng bởi các nguồn nhiễu bên ngoài (hô hấp, vận động, co cơ, điện lưới, can nhiễu từ thiết bị điện tử), dẫn đến việc nhận dạng chính xác và tin cậy vẫn là bài toán phức tạp chưa được giải quyết triệt để.
- Xã hội có nhu cầu cao về các thiết bị y tế đo điện tim thông minh, nhỏ gọn, cầm tay có khả năng tự động nhận dạng chính xác để phục vụ các nhóm đối tượng có nguy cơ cao (người cao tuổi, béo phì, người nghiện thuốc lá) và hỗ trợ theo dõi điều trị từ xa qua môi trường mạng (như internet). Tuy nhiên, phần lớn các thiết bị hiện có chỉ dừng lại ở chức năng thu thập, hiển thị, nén hoặc truyền dữ liệu, chưa tích hợp thuật toán nhận dạng đa lớp có độ chính xác cao trực tiếp trên các hệ vi xử lý công suất tính toán thấp.
Từ bối cảnh đó, luận án tập trung giải quyết khoảng trống về giải pháp thuật toán kết hợp nhằm nâng cao độ chính xác, giảm thiểu tỷ lệ nhận dạng sai và chẩn đoán âm tính sai (False Negative - FN), đồng thời tối ưu hóa thuật toán trích chọn đặc tính để có thể nhúng trực tiếp lên các vi xử lý thông dụng.
Mục tiêu nghiên cứu
Mục tiêu nghiên cứu của luận án được xác định gồm hai nội dung:
- Đề xuất xây dựng giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim (giảm số mẫu nhận dạng sai, giảm số trường hợp chẩn đoán âm tính sai FN).
- Đề xuất giải pháp phù hợp cho phép thực hiện thuật toán khai triển trên hệ vi xử lý thông dụng (công suất tính toán nhỏ), để tiến tới phát triển và hoàn thiện một thiết bị đo cầm tay có chức năng nhận dạng tự động tín hiệu điện tim có độ chính xác cao.
Đối tượng và phạm vi nghiên cứu
- Đối tượng nghiên cứu:
- Tín hiệu điện tim ECG và các yếu tố ảnh hưởng, gây nhiễu đến tín hiệu ECG;
- Các mô hình nhận dạng tín hiệu điện tim và các giải pháp kỹ thuật nhằm nâng cao chất lượng nhận dạng;
- Các phương pháp đo và thu thập tín hiệu điện tim.
- Phạm vi nghiên cứu:
- Nhiễu và phương pháp lọc nhiễu: Tổng quan các dạng nhiễu và phương pháp loại bỏ nhiễu;
- Các thành phần đặc trưng: Hình dạng và thông số của các loại nhịp tim, tập trung vào phức bộ QRS và các kỹ thuật trích chọn đặc tính;
- Mô hình nhận dạng trí tuệ nhân tạo: Tập trung vào các mô hình kinh điển gồm mạng nơ-rôn truyền thẳng nhiều lớp MLP (Multi-Layer Perceptron), logic mờ TSK (Takagi–Sugeno–Kang), máy véc-tơ hỗ trợ SVM (Support Vector Machines) và rừng ngẫu nhiên RF (Random Forest);
- Mô hình cây quyết định: Cây quyết định DT (Decision Tree) ứng dụng để kết hợp kết quả từ các mô hình đơn;
- Thiết bị đo và tiền xử lý: Thiết kế phần cứng sử dụng công nghệ FPAA và vi xử lý kiến trúc ARM; xây dựng các bộ lọc số có bậc thấp phù hợp cho thiết bị xách tay;
- Mô hình phối hợp: Nghiên cứu các phương án phối hợp song song từ nhiều mô hình nhận dạng đơn lẻ.
Tổng quan tài liệu và vị trí của luận án
Các hướng nghiên cứu trước đây được tổng hợp
Hệ thống nhận dạng tín hiệu điện tim tổng quát bao gồm bốn khối chức năng chính: Thu thập, Tiền xử lý, Trích chọn đặc tính và Nhận dạng. Các công trình trước đây được tác giả điểm lại theo từng khối:
-
Khối tiền xử lý tín hiệu:
- Sử dụng các bộ lọc tuyến tính cổ điển như lọc thông thấp (tần số cắt 150 Hz), lọc thông cao (tần số cắt 0,1 Hz) và lọc triệt tần Notch 50 Hz để loại bỏ nhiễu ngoài dải và nhiễu điện lưới.
- Ứng dụng các bộ lọc phi tuyến: Lọc thích nghi (Hoàng Mạnh Hà, 2011), phân tích thành phần độc lập ICA (Vương Hoàng Nam, 2010), kỹ thuật tách mù, nội suy đa thức và biến đổi Wavelet (Nguyễn Đức Thảo, 2016) để loại bỏ nhiễu trôi dạt đường cơ sở do nhịp thở (giúp giảm sai số nhận dạng xuống 11,43% trên cơ sở dữ liệu MIT-BIH và 11,29% trên MGH/MF).
-
Khối trích chọn đặc tính:
- Xác định biên độ các đỉnh P, Q, R, S, T và các khoảng thời gian P-R, Q-T, S-T;
- Trích xuất thông số từ biến đổi phổ Fourier rời rạc (DFT);
- Khai triển phức bộ QRS bằng biến đổi Wavelet hoặc theo hệ các hàm cơ sở Hermite;
- Sử dụng mô hình Markov ẩn (HMM) hoặc phân tích theo các hàm cơ sở Karhunen–Loève.
-
Khối mô hình nhận dạng:
- Nhận dạng dựa trên đặc trưng hình thái phức bộ QRS (đoạn QR giúp phát hiện ngoại tâm thu đạt độ chính xác 99% trên MIT-BIH);
- Ước lượng năng lượng đoạn ST để chẩn đoán thiếu máu cơ tim (Myocardial Ischemia);
- Phân tích độ dốc đoạn QR, RS hoặc phân tích phổ Fourier của phức bộ QRS;
- Mạng nơ-rôn nhân tạo: MLP, mạng nơ-rôn thích nghi ART, mạng lượng tử hóa véc-tơ học LVQ, mạng logic mờ TSK, mạng học sâu (Deep Learning);
- Các thuật toán học máy: Máy véc-tơ hỗ trợ SVM và Rừng ngẫu nhiên RF (phân loại 5 dạng nhịp N, L, R, V, P trên MIT-BIH).
-
Các nghiên cứu về thiết bị đo và mô hình kết hợp:
- Thiết bị phần cứng: Thiết bị cầm tay đo 1 đến 4 chuyển đạo, thiết bị cố định đo 12 chuyển đạo; truyền dữ liệu qua Wifi, Bluetooth, ZigBee hoặc hiển thị qua ứng dụng Android trên điện thoại thông minh. Hầu hết các thiết bị chỉ giám sát hoặc nhận dạng ở mức cơ bản (bình thường/bất thường).
- Mô hình kết hợp: Kết hợp 3 mô hình SVM đơn (tăng độ chính xác 0,2%), kết hợp 15 mô hình SVM (đạt độ chính xác 98,65% với độ ổn định cao), kết hợp các mạng MLP (tăng 1,5%), kết hợp PSO-SVM (tăng khoảng 4%), kết hợp Fuzzy KNN và MLP (độ chính xác cải thiện từ mức 97%). Các kỹ thuật tổng hợp kết quả trước đây chủ yếu sử dụng biểu quyết theo đa số, biểu quyết có trọng số hoặc tổng hợp theo xác suất điều kiện Bayes.
Khoảng trống luận án lựa chọn giải quyết
Các phương pháp kết hợp hiện có chủ yếu sử dụng các thuật toán đơn giản (như biểu quyết đa số) và kết hợp các mô hình cùng loại. Khi xảy ra mâu thuẫn giữa các mô hình đơn, các phương pháp này không khai thác được cấu trúc phân chia ranh giới quyết định tối ưu. Luận án lựa chọn giải pháp sử dụng cây quyết định nhị phân (áp dụng thuật toán ID3) để tổng hợp song song kết quả đầu ra từ bốn mô hình nhận dạng đơn khác loại (MLP, TSK, SVM, RF), kết hợp với kỹ thuật xấp xỉ tín hiệu bằng hàm Hermite bậc 16 và các đặc tính thời gian nhằm tối ưu hóa tính toán cho hệ thống nhúng.
Cơ sở lý thuyết và phương pháp nghiên cứu
Cơ sở lý thuyết và các khái niệm sử dụng
- Đặc trưng tín hiệu điện tim: Tín hiệu ECG chuẩn gồm 12 chuyển đạo, trong đó chuyển đạo tay trái – tay phải mang nhiều thông tin rõ nét nhất về các pha co giãn của tim. Một chu kỳ ECG gồm sóng P (khử cực tâm nhĩ, biên độ < 0,25 mV, thời gian < 120 ms), khoảng PR (120 ÷ 200 ms), phức bộ QRS (khử cực tâm thất, biên độ < 1,5 mV, thời gian 50 ÷ 100 ms), đoạn ST (đẳng điện, thời gian 50 ÷ 150 ms), khoảng QT (350 ÷ 440 ms) và sóng T (tái cực tâm thất, biên độ 0,1 ÷ 0,5 mV). Tần số tim bình thường nằm trong khoảng 50 ÷ 100 nhịp/phút.
- Hàm cơ sở Hermite: Đa thức Hermite được xác định theo công thức truy hồi:
$$H_{n+1}(x) = 2xH_n(x) - 2nH_{n-1}(x)$$
Hàm Hermite cơ sở được định nghĩa:
$$\psi_n(x) = \frac{1}{\sqrt{2^n n! \sqrt{\pi}}} e^{-\frac{x^2}{2}} H_n(x)$$
- Cây quyết định và thuật toán ID3: Cây quyết định nhị phân được xây dựng dựa trên tiêu chuẩn cực đại hóa độ giảm Entropy (Gain). Với nút $V$ chứa $N$ mẫu thuộc $M$ nhóm, lượng Entropy được tính theo công thức:
$$E(V) = - \sum_{i=1}^M p_i \log_2(p_i)$$
Độ giảm Entropy khi áp dụng điều kiện phân nhánh $S$ chia thành các tập con $SV_i$ (kích thước $N_i$) là:
$$Gain(V, S) = E(V) - \sum \frac{N_i}{N} E(SV_i)$$
- Mô hình mạng nơ-rôn MLP: Cấu trúc gồm lớp vào ($N$ nút), một lớp ẩn ($M$ nút) và lớp ra ($K$ nút). Hàm truyền đạt tổng thể có dạng:
$$y_i = f_2\left( \sum_{j=0}^M f_1\left( \sum_{k=0}^N x_k W_{jk} \right) V_{ij} \right)$$
Quá trình huấn luyện sử dụng thuật toán gradient bước giảm cực đại và thuật toán tối ưu hóa Levenberg–Marquardt.
Phương pháp nghiên cứu thực nghiệm
Luận án sử dụng phương pháp định lượng và thực nghiệm kỹ thuật, bao gồm các bước xử lý cụ thể:
- Tiền xử lý và lọc số: Thiết kế hệ thống lọc gồm ba bộ lọc số có cấu trúc bậc thấp để nhúng lên vi điều khiển:
- Bộ lọc thông thấp Butterworth bậc 4, tần số cắt 100 Hz.
- Bộ lọc thông cao Butterworth bậc 4, tần số cắt 0,1 Hz.
- Bộ lọc triệt tần Notch 50 Hz (băng thông 4 Hz, độ suy giảm $A_{pass} = 3\text{ dB}$).
- Thuật toán phát hiện đỉnh R và phức bộ QRS: Dựa trên phương pháp Pan–Tompkins và Hamilton–Tompkins (lọc dải 5 ÷ 11 Hz bằng lọc số hệ số nguyên, lấy đạo hàm, lấy trị tuyệt đối, tính trung bình trượt trên cửa sổ 150 ÷ 250 ms và tìm cực đại). Đoạn tín hiệu QRS được trích xuất trong khoảng thời gian 250 ms xung quanh đỉnh R (tương ứng 91 điểm mẫu ở tần số lấy mẫu 360 Hz: 45 điểm trước đỉnh, đỉnh R và 45 điểm sau đỉnh).
- Trích chọn đặc tính bằng phân tích giá trị kỳ dị (SVD): Giải hệ phương trình đại số tuyến tính quá xác định $Ax = b$ ($p = 91$ điểm, $N = 16$ hàm Hermite) bằng phân tích ma trận $A = S \cdot V \cdot D^T$ để tìm véc-tơ nghiệm tối ưu $x = A^+ b$. Véc-tơ đặc tính của mỗi nhịp tim gồm 18 thành phần: 16 hệ số khai triển Hermite ($c_0$ đến $c_{15}$) và 2 đặc tính thời gian ($RR_{last}$ - khoảng cách tới đỉnh R liền trước; $RR_{mean}$ - giá trị trung bình của 10 khoảng cách R-R gần nhất).
- Kết hợp mô hình: Đầu ra của $M$ mô hình nhận dạng đơn ($y_i \in \mathbb{R}^K$) được ghép thành véc-tơ tổng $Y \in \mathbb{R}^{M \times K}$ để đưa vào cây quyết định nhị phân ID3 nhằm đưa ra kết quả phân loại cuối cùng $z$.
Nguồn dữ liệu thực nghiệm
Luận án sử dụng hai bộ cơ sở dữ liệu chuẩn quốc tế được lưu trữ trên PhysioNet:
- Cơ sở dữ liệu loạn nhịp tim MIT-BIH (MIT-BIH Arrhythmia Database): Gồm 48 bản ghi (mỗi bản ghi dài 30 phút, số hóa ở tần số 360 Hz) thu thập từ 47 bệnh nhân (25 nam từ 32 đến 89 tuổi, 22 nữ từ 23 đến 89 tuổi). Luận án trích chọn 19 bản ghi: 100, 105, 106, 109, 111, 114, 116, 118, 119, 124, 200, 202, 207, 208, 209, 212, 214, 221 và 222.
- Cơ sở dữ liệu MGH/MF (Massachusetts General Hospital / Marquet Foundation): Gồm 250 bản ghi thu thập từ các bệnh nhân tại Bệnh viện Đa khoa Massachusetts. Luận án trích chọn 20 bản ghi (029, 030, 058, 105, 106, 107, 108, 110, 111, 114, 117, 119, 121, 123, 124, 125, 128, 131, 137, 142) với tổng số 4.500 mẫu thuộc 3 dạng nhịp tim: nhịp xoang bình thường (N), ngoại tâm thu thất (V) và loạn nhịp trên thất (S).
Nội dung chính theo từng chương
Mở đầu
Phần Mở đầu trình bày tổng quan về tính cấp thiết của đề tài, các yêu cầu thực tiễn về thiết bị chẩn đoán y tế cá nhân, xác định 2 mục tiêu nghiên cứu, đối tượng và 6 nội dung trong phạm vi nghiên cứu. Phần này cũng nêu rõ ý nghĩa khoa học (đề xuất mô hình kết hợp song song bằng cây quyết định kiểm nghiệm trên 20 phương án), ý nghĩa thực tiễn (khả năng nhúng trên phần cứng đo cầm tay) và bố cục gồm 4 chương của luận án.
Chương I: Tổng quan về các phương pháp nâng cao chất lượng nhận dạng tín hiệu ECG
Chương I phân tích chi tiết đặc điểm sinh lý học của tín hiệu điện tâm đồ, các thông số biên độ và thời gian của các sóng P, Q, R, S, T. Phân tích bốn nguồn gây nhiễu chính: cử động cơ học/hô hấp gây trôi dạt đường cơ sở, tâm lý gây run cơ (nhiễu cơ 20 ÷ 30 Hz), can nhiễu điện áp lưới (50 Hz) và nhiễu từ thiết bị điện tử.
Chương này tổng kết các công trình nghiên cứu trong nước và quốc tế về các khâu tiền xử lý, trích chọn đặc tính và phân loại nhịp tim. Trên cơ sở phân tích ưu nhược điểm của các giải pháp đơn lẻ và các kỹ thuật kết hợp hiện có, luận án đề xuất định hướng nghiên cứu: xây dựng hệ thống kết hợp song song bốn mô hình nhận dạng đơn (MLP, TSK, SVM, RF) thông qua cây quyết định nhị phân, dùng chung một véc-tơ đặc tính (16 hệ số Hermite và 2 thông số khoảng cách R-R) để tiết kiệm tài nguyên tính toán cho thiết bị nhúng. Luận án thiết lập 5 phương án phối hợp:
- Phương án 1: MLP - TSK - SVM
- Phương án 2: MLP - TSK - RF
- Phương án 3: MLP - RF - SVM
- Phương án 4: RF - TSK - SVM
- Phương án 5: MLP - TSK - SVM - RF
Chương II: Thu thập, tiền xử lý và trích chọn đặc tính tín hiệu điện tim ECG
Chương II tập trung thiết kế các khối kỹ thuật xử lý tín hiệu. Khối thu thập sử dụng công nghệ mảng phần tử tương tự lập trình được FPAA để khuếch đại và chuẩn hóa điện áp về dải 0 ÷ 5V hoặc 0 ÷ 3,3V.
Khối tiền xử lý thiết lập các bộ lọc số có hàm truyền đạt cụ thể:
| Tên bộ lọc |
Cấu trúc và thông số |
Hàm truyền đạt $H(z)$ |
| Lọc thông thấp |
Butterworth bậc 4, $f_c = 100\text{ Hz}$ |
$H_1(z) = \frac{0,4998 + 1,9993z^{-1} + 2,9989z^{-2} + 1,9993z^{-3} + 0,4998z^{-4}}{1 + 2,6386z^{-1} + 2,7693z^{-2} + 1,3393z^{-3} + 0,2498z^{-4}}$ |
| Lọc thông cao |
Butterworth bậc 4, $f_c = 0,1\text{ Hz}$ |
$H_2(z) = \frac{0,9554 - 3,8217z^{-1} + 5,7325z^{-2} - 3,8217z^{-3} + 0,9554z^{-4}}{1 - 3,9088z^{-1} + 5,7305z^{-2} - 3,7345z^{-3} + 0,9128z^{-4}}$ |
| Lọc triệt tần (Notch) |
$F_{notch} = 50\text{ Hz}$, $BW = 4\text{ Hz}$, $A_{pass} = 3\text{ dB}$ |
$H_3(z) = \frac{0,9825 - 1,2631z^{-1} + 0,9825z^{-2}}{1 - 1,2631z^{-1} + 0,9651z^{-2}}$ |
Đối với thuật toán phát hiện phức bộ QRS, bộ lọc dải số nguyên (5 ÷ 11 Hz) được thực hiện qua hai phương trình sai phân:
- Lọc thông thấp 11 Hz: $y[n] - 2y[n-1] + y[n-2] = x[n] - 2x[n-5] + x[n-10]$
- Lọc thông cao 5 Hz: $y[n] - y[n-1] = x[n] - x[n-32]$
Khảo sát sai số xấp xỉ tín hiệu $E$ theo số lượng hàm Hermite ($N$) chỉ ra rằng khi $N = 16$, giá trị sai số tiệm cận cực tiểu. Véc-tơ đặc tính hoàn chỉnh gồm 18 phần tử được xây dựng thành công cho từng nhịp tim.
Chương III: Giải pháp kết hợp các mô hình nhận dạng để cải thiện chất lượng
Chương III trình bày cơ sở toán học và quy trình 5 bước xây dựng cây quyết định DT bằng thuật toán ID3 để kết hợp các đầu ra của các mô hình đơn lẻ.
Chương này minh họa thực nghiệm qua hai ví dụ cụ thể:
Ví dụ 1: Phân loại trực tiếp 3 loại nhịp tim từ dữ liệu MGH/MF bằng cây quyết định nhị phân sử dụng 11 đặc tính (10 hệ số Hermite và khoảng cách R-R):
| Loại nhịp tim |
Ký hiệu mã hóa |
Số lượng mẫu học |
Số lượng mẫu kiểm tra |
| Nhịp xoang bình thường |
N (Nhóm 1) |
30 |
6 |
| Loạn nhịp trên thất |
S (Nhóm 2) |
30 |
6 |
| Ngoại tâm thu thất |
V (Nhóm 3) |
30 |
6 |
| Tổng cộng |
|
90 |
18 |
Cây quyết định thu được có chiều cao bằng 4 với 6 nút lá. Kết quả kiểm tra trên 18 mẫu độc lập đạt độ chính xác cao, chỉ có 1 mẫu nhãn S bị phân loại nhầm sang V:
| Nhãn thực tế \ Kết quả nhận dạng |
N (Nhóm 1) |
V (Nhóm 3) |
S (Nhóm 2) |
| Mẫu N |
6 |
0 |
0 |
| Mẫu V |
0 |
6 |
0 |
| Mẫu S |
0 |
1 |
5 |
| Tổng số sai lệch |
0 |
1 |
0 |
Ví dụ 2: Kết hợp kết quả từ 3 mô hình đơn MLP ($y_1$), TSK ($y_2$), SVM ($y_3$) trên tập mẫu MGH/MF:
Bộ dữ liệu gồm 24 mẫu học (8 mẫu mỗi loại N, S, V) và 6 mẫu kiểm tra (2 mẫu mỗi loại). Véc-tơ đầu vào cho cây quyết định có kích thước $1 \times 9$ ($M \times K = 3 \times 3$). Cây quyết định ID3 được tạo ra phân loại chính xác 6/6 mẫu kiểm tra (đạt 100% trên tập thử nghiệm nhỏ).
Chương III cũng tổng kết cấu trúc lý thuyết của 4 mô hình nhận dạng đơn và giải thuật huấn luyện Levenberg–Marquardt cho mạng MLP.
Chương IV: Phương pháp tạo bộ dữ liệu học và kiểm tra từ hai cơ sở dữ liệu MIT-BIH và MGH/MF, kết quả xây dựng mô hình và đánh giá
Chương IV trình bày phương pháp phân chia dữ liệu huấn luyện và kiểm tra từ 19 bản ghi MIT-BIH và 20 bản ghi MGH/MF (4.500 mẫu), thực nghiệm 20 phương án kết hợp mô hình, đánh giá sai số phân loại và kiểm tra khả năng đáp ứng thời gian thực của thuật toán trên phần cứng vi xử lý ARM và vi mạch FPAA.
Kết quả và những đóng góp mới
Những đóng góp mới về mặt lý luận và khoa học
- Xây dựng giải pháp nhận dạng kết hợp mới: Đề xuất thành công cấu trúc kết hợp song song nhiều mô hình nhận dạng đơn lẻ (MLP, TSK, SVM, RF) thông qua cây quyết định nhị phân ID3. Cấu trúc này cho phép tối ưu hóa việc phân định ranh giới quyết định khi các mô hình đơn đưa ra kết quả phân tán, cải thiện độ chính xác và giảm thiểu tỷ lệ chẩn đoán âm tính sai (FN). Giải pháp đã được kiểm chứng trên 20 phương án kết hợp từ 4 mô hình cơ sở trên 2 bộ cơ sở dữ liệu chuẩn quốc tế MIT-BIH và MGH/MF.
- Đề xuất phương pháp trích chọn đặc tính tối ưu cho hệ nhúng: Đề xuất phương pháp khai triển phức bộ QRS theo 16 hàm cơ sở Hermite kết hợp phân tích giá trị kỳ dị (SVD) và 2 đặc tính thời gian ($RR_{last}$, $RR_{mean}$), giúp giảm dung lượng bộ nhớ, giảm độ phức tạp tính toán nhưng vẫn đảm bảo độ chính xác xấp xỉ tiệm cận cực tiểu.
Những đóng góp mới về mặt thực tiễn
- Thiết kế phần cứng và kiểm nghiệm thời gian thực: Thiết kế và chế tạo thử nghiệm thành công thiết bị đo điện tim cầm tay tích hợp vi xử lý kiến trúc ARM đời mới và công nghệ FPAA để xử lý tương tự.
- Khả năng triển khai ứng dụng: Chứng minh thuật toán lọc số bậc thấp và thuật toán khai triển đặc tính Hermite có khả năng chạy thời gian thực trên các hệ vi xử lý thông dụng có công suất tính toán nhỏ, mở ra khả năng thương mại hóa các thiết bị đo điện tim thông minh phục vụ chăm sóc sức khỏe cộng đồng.
Hạn chế và hướng nghiên cứu tiếp
Hạn chế của nghiên cứu
- Độ phức tạp của hệ thống: Việc vận hành đồng thời nhiều mô hình nhận dạng đơn làm tăng độ cồng kềnh của thuật toán tổng thể, đòi hỏi phải tinh giản khâu tiền xử lý (dùng chung một véc-tơ đặc tính) để cân bằng tài nguyên tính toán trên vi xử lý nhúng.
- Nhiễu phủ dải tần: Các bộ lọc số cơ bản bậc thấp chưa loại bỏ triệt để các thành phần nhiễu ngẫu nhiên có tần số trùng hoàn toàn với dải tần số có nghĩa của tín hiệu ECG (0,1 ÷ 100 Hz).
- Phạm vi kiểm nghiệm: Dữ liệu thực nghiệm tập trung trên các bản ghi được lựa chọn từ hai bộ dữ liệu chuẩn (19 bản ghi MIT-BIH và 20 bản ghi MGH/MF), chưa mở rộng toàn diện trên các tập dữ liệu lâm sàng đa dạng khác.
Hướng nghiên cứu tiếp theo
- Nghiên cứu tối ưu hóa sâu hơn mã nguồn thuật toán để giảm thời gian thực thi của các mô hình kết hợp trên vi điều khiển năng lượng thấp.
- Mở rộng thử nghiệm lâm sàng trên nhiều đối tượng bệnh nhân thực tế với các dạng bệnh lý tim mạch hiếm gặp.
- Phát triển hoàn thiện phần mềm ứng dụng kết nối thiết bị đo với hệ thống theo dõi y tế từ xa qua mạng internet.
Giá trị tham khảo
Luận án mang lại giá trị tham khảo khoa học và ứng dụng thực tiễn cho nhiều nhóm đối tượng:
- Nghiên cứu sinh và học viên cao học chuyên ngành Kỹ thuật Y sinh, Điện tử - Viễn thông, Công nghệ Thông tin: Có thể tham khảo phương pháp xây dựng cây quyết định ID3 để kết hợp các mô hình học máy đa dạng, quy trình trích xuất đặc tính tín hiệu bằng hàm Hermite và kỹ thuật giải đại số tuyến tính bằng phân tích SVD.
- Các kỹ sư thiết kế hệ thống nhúng và thiết bị y tế: Có thể ứng dụng trực tiếp các hàm truyền đạt của bộ lọc số Butterworth bậc 4, bộ lọc Notch 50 Hz, mạch tiền xử lý tương tự dùng FPAA và thuật toán phát hiện đỉnh R của Hamilton–Tompkins để triển khai trên các dòng vi xử lý ARM.
- Giảng viên và nhà nghiên cứu: Sử dụng làm tài liệu tham khảo trong giảng dạy và nghiên cứu về xử lý tín hiệu y sinh và ứng dụng trí tuệ nhân tạo trong y tế.
Câu hỏi thường gặp
1. Véc-tơ đặc tính dùng để nhận dạng mỗi nhịp tim trong luận án gồm những thành phần nào?
Véc-tơ đặc tính gồm 18 thành phần:
- 16 hệ số khai triển ($c_0$ đến $c_{15}$) của phức bộ QRS theo 16 hàm cơ sở Hermite đầu tiên (được tính toán bằng phương pháp phân tích giá trị kỳ dị SVD trên cửa sổ 250 ms chứa 91 điểm mẫu).
- 02 thông số miền thời gian: khoảng cách R-R giữa đỉnh R hiện tại và đỉnh R liền trước ($RR_{last}$), cùng giá trị trung bình của 10 khoảng cách R-R gần nhất ($RR_{mean}$).
2. Luận án thiết kế các bộ lọc số nào trong khối tiền xử lý tín hiệu ECG?
Luận án thiết kế ba bộ lọc số có hàm truyền đạt bậc thấp:
- Bộ lọc thông thấp Butterworth bậc 4 có tần số cắt 100 Hz.
- Bộ lọc thông cao Butterworth bậc 4 có tần số cắt 0,1 Hz.
- Bộ lọc triệt tần Notch 50 Hz có dải chặn 4 Hz và độ suy giảm $A_{pass} = 3\text{ dB}$.
3. Thuật toán nào được sử dụng để xây dựng khối kết hợp kết quả và dựa trên nguyên lý gì?
Khối kết hợp kết quả sử dụng Cây quyết định nhị phân (Binary Decision Tree) xây dựng bằng thuật toán ID3. Nguyên lý của thuật toán dựa trên việc tính toán lượng Entropy của tập mẫu và lựa chọn điều kiện phân nhánh tại mỗi nút sao cho đạt độ giảm Entropy lớn nhất (cực đại hóa hàm $Gain(V, S)$).
4. Bốn mô hình nhận dạng đơn lẻ và các phương án kết hợp được thử nghiệm trong luận án là gì?
Bốn mô hình nhận dạng cơ sở gồm: Mạng nơ-rôn nhiều lớp MLP, Mạng logic mờ TSK, Máy véc-tơ hỗ trợ SVM và Rừng ngẫu nhiên RF. Luận án thử nghiệm 5 nhóm kết hợp: (1) MLP-TSK-SVM, (2) MLP-TSK-RF, (3) MLP-RF-SVM, (4) RF-TSK-SVM và (5) MLP-TSK-SVM-RF, tạo ra tổng cộng 20 phương án thử nghiệm.
5. Dữ liệu thực nghiệm của luận án được trích xuất từ những nguồn chuẩn nào?
Luận án sử dụng dữ liệu từ hai nguồn trên PhysioNet:
- Cơ sở dữ liệu MIT-BIH Arrhythmia Database: Chọn 19 bản ghi (100, 105, 106, 109, 111, 114, 116, 118, 119, 124, 200, 202, 207, 208, 209, 212, 214, 221, 222) lấy mẫu ở tần số 360 Hz.
- Cơ sở dữ liệu MGH/MF: Chọn 20 bản ghi (029, 030, 058, 105, 106, 107, 108, 110, 111, 114, 117, 119, 121, 123, 124, 125, 128, 131, 137, 142) với 4.500 mẫu cho 3 loại nhịp N, V, S.
Kết luận
Luận án đã giải quyết bài toán nâng cao chất lượng nhận dạng tín hiệu điện tâm đồ ECG thông qua việc đề xuất mô hình kết hợp song song các mạng nhận dạng đơn (MLP, TSK, SVM, RF) bằng cây quyết định nhị phân ID3. Nghiên cứu đã tối ưu hóa khâu trích chọn đặc trưng bằng việc kết hợp 16 hệ số hàm Hermite với 2 thông số thời gian R-R, đồng thời xây dựng các bộ lọc số bậc thấp và mạch tiền xử lý FPAA phù hợp cho hệ thống nhúng. Các kết quả thực nghiệm trên cơ sở dữ liệu chuẩn MIT-BIH, MGH/MF và thiết bị vi xử lý ARM chứng minh tính khả thi của giải pháp trong việc phát triển các thiết bị đo điện tim cầm tay tự động nhận dạng thời gian thực.
