Giới thiệu dự án
Bối cảnh và động lực nghiên cứu
Bệnh lý tim mạch (Cardiovascular Diseases - CVDs) hiện là nguyên nhân gây tử vong hàng đầu trên toàn cầu. Theo báo cáo từ Tổ chức Y tế Thế giới (WHO, 2021), các bệnh tim mạch chiếm khoảng 32% tổng số ca tử vong toàn cầu. Tại Việt Nam, tỷ lệ tử vong do bệnh tim mạch chiếm xấp xỉ 33% tổng số ca tử vong hàng năm. Đáng báo động hơn, phân tích dịch tễ học từ BMC Medicine trên 204 quốc gia chỉ ra xu hướng trẻ hóa rõ rệt của bệnh tim mạch trong nhóm tuổi từ 15 đến 39.
+-------------------------------------------------------------------------------+
| BỐI CẢNH DỊCH TỄ HỌC TIM MẠCH TOÀN CẦU & VIỆT NAM |
| - Toàn cầu (WHO): 32% tổng số ca tử vong (nguyên nhân hàng đầu) |
| - Việt Nam: 33% tổng số ca tử vong hàng năm |
| - Xu hướng: Gia tăng đột biến ở độ tuổi lao động trẻ (15 - 39 tuổi) |
| - Thách thức lâm sàng: Phần lớn triệu chứng tiềm ẩn, biến cố đột ngột |
+-------------------------------------------------------------------------------+
Điện tâm đồ (Electrocardiogram - ECG) là kỹ thuật không xâm lấn tiêu chuẩn để ghi lại hoạt động điện học của tim. Tuy nhiên, việc phân tích thủ công chuỗi tín hiệu ECG liên tục trong 24–48 giờ đặt áp lực khổng lồ lên đội ngũ bác sĩ chuyên khoa tim mạch. Hơn nữa, việc thăm khám định kỳ truyền thống không thể bắt kịp các rối loạn nhịp kịch phát (paroxysmal arrhythmia) xảy ra bất ngờ trong sinh hoạt hàng ngày. Do đó, việc xây dựng một hệ thống phân loại và cảnh báo sớm các bất thường tim mạch theo thời gian thực dựa trên trí tuệ nhân tạo (AI) đóng vai trò then chốt trong giảm thiểu tỷ lệ tử vong và biến chứng tim mạch.
Phát biểu bài toán (Problem Statement)
Đề tài giải quyết bài toán: Dự báo và phân loại sớm loại nhịp tim bất thường trong tương lai dựa trên chuỗi tín hiệu điện tâm đồ quá khứ.
- Đầu vào (Input): Chuỗi đặc trưng tín hiệu ECG quá khứ gồm $t$ bước thời gian (time-steps) tương ứng với chuỗi các khoảng nhịp $R-R$.
- Đầu ra (Output): Nhãn phân loại bất thường của nhịp tim tại $f$ bước thời gian trong tương lai ($f \in {1, 2, 5, 10}$ phút) theo tiêu chuẩn EC57 của Hiệp hội vì sự Tiến bộ của Thiết bị Y tế (AAMI).
Mục tiêu đề tài
- Tiền xử lý và chuẩn hóa tín hiệu: Xây dựng quy trình xử lý dữ liệu ECG thô (lọc nhiễu, phân đoạn nhịp RR, lấy mẫu 125 Hz, đệm chuẩn 187 điểm, chuẩn hóa biên độ $[0, 1]$).
- Nghiên cứu và đánh giá 2 hướng tiếp cận dự báo sớm:
- Hướng tiếp cận 1: Dự báo hồi quy chuỗi tín hiệu ECG tương lai $\rightarrow$ Phân lớp nhịp tim trên tín hiệu dự báo.
- Hướng tiếp cận 2: Dự báo trực tiếp nhãn phân lớp nhịp tim trong tương lai từ dữ liệu chuỗi thời gian quá khứ.
- Đề xuất cải tiến mô hình: Thiết kế kiến trúc mạng nơ-ron tích chập chuyên biệt DuoHF-CNN (Duo Heart Feature Convolutional Neural Network) và tích hợp kỹ thuật học chuyển giao (Transfer Learning) từ dữ liệu nhịp xoang bình thường.
- Đánh giá đa chiều: Kiểm nghiệm trên giao thức chia tách dữ liệu liên bệnh nhân (Inter-patient classification) qua các mốc thời gian dự báo $1, 2, 5, 10$ phút.
Phạm vi và đối tượng nghiên cứu
- Đối tượng: Tín hiệu điện tâm đồ 2 kênh đạo trình (V1, MLII) trích xuất từ cơ sở dữ liệu quốc tế PhysioNet.
- Tập dữ liệu sử dụng:
MIT-BIH Arrhythmia Database: 48 bản ghi ECG (thời lượng 30 phút/bản ghi, tần số lấy mẫu gốc 360 Hz) từ 47 bệnh nhân.MIT-BIH Normal Sinus Rhythm Database: 18 bản ghi ECG dài hạn của các tình nguyện viên không có tiền sử bệnh tim (dùng cho Transfer Learning).
- Phân loại AAMI EC57: Nhóm thành 5 lớp: N (Normal), S (Supraventricular ectopic), V (Ventricular ectopic), F (Fusion), Q (Unknown/Paced).
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
| Phương pháp |
Tiếp cận dữ liệu |
Ưu điểm |
Hạn chế |
| Hồi quy sóng ECG truyền thống (ARIMA, SVR) |
Chuỗi thời gian liên tục |
Nắm bắt xu hướng suy giảm biên độ |
Không đưa ra chẩn đoán bệnh học tường minh; lỗi tích lũy lớn qua thời gian |
| Phân loại Intra-patient (Ye et al., 2012; Tran et al., 2014) |
Nhịp tim cùng bệnh nhân nằm ở cả tập Train/Test |
Độ chính xác thực nghiệm rất cao ($>98%$) |
Bị hiện tượng rò rỉ dữ liệu (data leakage); không thể tổng quát hóa trên bệnh nhân mới |
| Phân loại Inter-patient truyền thống (De Chazal et al.) |
Phân tách độc lập bệnh nhân Train và Test |
Đảm bảo tính khách quan lâm sàng |
Độ nhạy trên các lớp thiểu số (S, V, F) sụt giảm mạnh do mất cân bằng dữ liệu |
Phân tích yêu cầu hệ thống theo mô hình MoSCoW
+--------------------------------------------------------------------------------+
| YÊU CẦU HỆ THỐNG THEO TIÊU CHUẨN MoSCoW |
| - Must have: Tiền xử lý R-R, phân đoạn AAMI, phân loại Inter-patient, dự báo f |
| - Should have: Kiến trúc DuoHF-CNN, mô hình hồi quy LSTM/CNN với Transfer Learn |
| - Could have: Tích hợp cảnh báo đa chu kỳ (1-10 phút), tối ưu inference trên edge|
| - Won't have: Chẩn đoán thay thế toàn diện bác sĩ tim mạch cho ca phẫu thuật |
+--------------------------------------------------------------------------------+
Thiết kế hệ thống
Kiến trúc luồng xử lý và dự báo được xây dựng dựa trên sự phối hợp giữa hai pipeline chính:
graph TD
A["Tín hiệu ECG gốc (360 Hz)"] --> B["Trích xuất R-R & Mở rộng QRS (+40 samples)"]
B --> C["Resampling 125 Hz & Padding (187 points)"]
C --> D["Chuẩn hóa biên độ [0, 1]"]
D --> E["Tạo chuỗi giám sát (Rolling Window: t inputs, f targets)"]
E --> F{"Lựa chọn Pipeline"}
subgraph "Hướng tiếp cận 1: Hồi quy -> Phân lớp"
F -->|Pathway 1| G["Mô hình Hồi quy (LSTM / CNN)"]
G -->|ECG tương lai dự báo| H["Mô hình Phân lớp (CNN / LSTM / NB)"]
H --> I["Nhãn nhịp tim tương lai (N, S, V, F, Q)"]
end
subgraph "Hướng tiếp cận 2: Phân lớp trực tiếp"
F -->|Pathway 2| J["Mô hình Phân loại sớm (DuoHF-CNN / XGBoost / PA)"]
J --> K["Nhãn nhịp tim tương lai (N, S, V, F, Q)"]
end
Technology Stack và Thông số Kỹ thuật
- Ngôn ngữ lập trình: Python 3.10+
- Thư viện tính toán & Khoa học dữ liệu: NumPy 1.24.3, SciPy 1.10.1, Pandas 2.0.3, Scikit-learn 1.3.0
- Framework Học sâu: TensorFlow 2.13.0 / Keras, PyTorch 2.0.1
- Machine Learning & Gradient Boosting: XGBoost 1.7.6
- Xử lý tín hiệu tim mạch: WFDB (WaveForm DataBase) 4.1.2
- Định dạng vector đặc trưng: Mảng $1 \times 187$ điểm nổi đơn (Float32) cho mỗi nhịp tim, nhãn phân lớp nguyên dạng $1 \times 1$ (tổng chiều dài vector: 188).
Phương pháp nghiên cứu và phát triển (Methodology)
Nghiên cứu áp dụng quy trình lặp theo định hướng dữ liệu (Data-driven iterative methodology) với 4 giai đoạn chính:
- Data Engineering: Thiết kế pipeline làm sạch, khử nhiễu baseline wander và phân chia tập dữ liệu nghiêm ngặt theo ID bệnh nhân (Train: 38 bệnh nhân, Test: 10 bệnh nhân).
- Statistical ML Baseline: Huấn luyện và đánh giá các mô hình học trực tuyến và thống kê (Multinomial Naive Bayes, Bernoulli Naive Bayes, SGD Classifier, Passive-Aggressive Classifier, XGBoost).
- Deep Sequence Modeling: Xây dựng mạng LSTM đa cổng và mạng CNN 1D để học không gian đặc trưng cục bộ và sự phụ thuộc thời gian dài hạn.
- Architecture Innovation & Transfer Learning: Đề xuất DuoHF-CNN và áp dụng Pre-training trên dữ liệu nhịp xoang bình thường nhằm hạ thấp sai số MSE và nâng cao độ nhạy trên lớp bệnh lý.
Implementation và kết quả
Quy trình tiền xử lý dữ liệu (Data Pipeline Implementation)
Quy trình chuẩn hóa chuỗi tín hiệu ECG được hiện thực hóa qua 6 bước nghiêm ngặt:
import numpy as np
from scipy.signal import resample
def preprocess_ecg_beat(beats, idx):
# Bước 1 & 2: Mở rộng đoạn nhịp tim bằng 40 mẫu từ nhịp kế tiếp để bắt trọn phức bộ QRS
extended_beat = np.append(beats[idx], beats[idx + 1][:40])
# Bước 3: Giảm tần số lấy mẫu từ 360Hz về 125Hz nhằm giảm tải tính toán
target_sampling_rate = 125
original_sampling_rate = 360
new_size = int((len(extended_beat) * target_sampling_rate) / original_sampling_rate)
resampled_beat = resample(extended_beat, new_size)
# Bước 4: Chuẩn hóa biên độ tín hiệu về khoảng [0, 1]
ptp_val = np.ptp(resampled_beat)
if ptp_val == 0:
return None
normalized_beat = (resampled_beat - np.min(resampled_beat)) / ptp_val
# Bước 5: Đệm zero (Zero-padding) hoặc loại bỏ bản ghi quá dài để cố định 187 chiều
fixed_length = 187
if len(normalized_beat) > fixed_length:
return None # Loại bỏ bản ghi dị thường quá dài
zero_count = fixed_length - len(normalized_beat)
padded_beat = np.pad(normalized_beat, (0, zero_count), 'constant', constant_values=(0.0))
return padded_beat
Cơ sở Toán học của các Thuật toán Cốt lõi
1. Passive-Aggressive Classifier (Online Learning)
Mô hình tối ưu hóa vector trọng số $w$ theo từng mẫu dữ liệu $(x_t, y_t)$ với hàm mất mát Hinge Loss:
$$\ell(w; (x_t, y_t)) = \max(0, 1 - y_t (w \cdot x_t))$$
Quy tắc cập nhật trọng số tại bước $t+1$:
$$w_{t+1} = w_t + \tau_t y_t x_t \quad \text{với} \quad \tau_t = \min\left(C, \frac{\ell(w_t; (x_t, y_t))}{|x_t|^2}\right) \quad (\text{PA-I})$$
2. Phân chia mẫu chuỗi thời gian có giám sát (Supervised Rolling Window)
Với chuỗi $N$ nhịp tim, số lượng mẫu huấn luyện $L_{train}$ được tạo ra với $t$ bước quan sát và $f$ bước dự báo:
$$L_{train} = N - f - t + 1$$
3. Long Short-Term Memory (LSTM) Cell Equations
$$\begin{aligned}
f_t &= \sigma(W_f \cdot [h_{t-1}, x_t] + b_f) \quad &&\text{(Forget Gate)} \
i_t &= \sigma(W_i \cdot [h_{t-1}, x_t] + b_i) \quad &&\text{(Input Gate)} \
\tilde{C}t &= \tanh(W_c \cdot [h{t-1}, x_t] + b_c) \quad &&\text{(Candidate State)} \
C_t &= f_t * C_{t-1} + i_t * \tilde{C}t \quad &&\text{(Cell State Update)} \
o_t &= \sigma(W_o \cdot [h{t-1}, x_t] + b_o) \quad &&\text{(Output Gate)} \
h_t &= o_t * \tanh(C_t) \quad &&\text{(Hidden State Output)}
\end{aligned}$$
Kết quả Thực nghiệm và Phân tích
1. Đánh giá Hướng tiếp cận 1: Hồi quy chuỗi tín hiệu và Phân lớp
Giai đoạn tái tạo tín hiệu ECG tương lai đạt chỉ số sai số toàn phương trung bình (MSE) ổn định:
- LSTM Regression: $\text{MSE} \approx 0.021 - 0.028$
- CNN Regression: $\text{MSE} \approx 0.024 - 0.031$
+-------------------------------------------------------------------------------+
| HIỆU SUẤT DỰ BÁO SỚM HƯỚNG TIẾP CẬN 1 (TẠI MỐC THỜI GIAN 1 PHÚT) |
+----------------------+------------+------------+------------+-----------------+
| Mô hình Kết hợp | Accuracy | Sens (N) | Sens (V) | Sens (Q) |
+----------------------+------------+------------+------------+-----------------+
| LSTM - LSTM | 82.14% | 93.20% | 9.10% | 91.05% |
| LSTM - CNN | 56.40% | 54.12% | 42.30% | 68.40% |
| CNN - CNN | 39.20% | 35.80% | 57.10% | 44.20% |
| LSTM - MultinomNB | 78.50% | 91.40% | 0.40% | 12.10% |
| LSTM - BernoulliNB | 81.20% | 94.80% | 0.20% | 8.50% |
+----------------------+------------+------------+------------+-----------------+
Nhận xét: Sự kết hợp giữa mô hình hồi quy và phân lớp tích chập (LSTM-CNN và CNN-CNN) cho thấy khả năng vượt trội trong việc phát hiện lớp ngoại tâm thu thất nguy hiểm (lớp V) với độ nhạy đạt từ 42.30% đến 57.10%, vượt trội hoàn toàn so với các bộ phân loại Naive Bayes truyền thống ($<1%$).
2. Đánh giá Hướng tiếp cận 2: Phân lớp trực tiếp đa bước thời gian (IO-Steps)
+-------------------------------------------------------------------------------+
| ĐỘ CHÍNH XÁC (ACCURACY) PHÂN LOẠI TRỰC TIẾP QUA CÁC BƯỚC THỜI GIAN (IO-STEPS) |
+------------------------+------------+------------+------------+---------------+
| Thuật toán | IO 1-1 | IO 2-2 | IO 5-5 | IO 10-10 |
+------------------------+------------+------------+------------+---------------+
| CNN (Standard 1D) | 86.40% | 82.10% | 78.60% | 72.30% |
| XGBoost | 83.20% | 78.40% | 78.10% | 74.50% |
| Passive-Aggressive | 82.90% | 78.20% | 77.80% | 73.10% |
| LSTM | 79.10% | 77.50% | 77.20% | 74.00% |
| SGD Classifier | 81.60% | 76.40% | 73.20% | 66.50% |
| Multinomial NaiveBayes | 54.20% | 51.80% | 48.90% | 46.30% |
+------------------------+------------+------------+------------+---------------+
Đổi mới và đóng góp
Các Đổi mới Kỹ thuật Nổi bật
- Kiến trúc mạng DuoHF-CNN: Tách và xử lý đồng thời hai luồng đặc trưng: hình thái sóng vi mô (Micro-morphological wave features) qua các bộ lọc tích chập đa kích thước ($kernel \in {3, 5, 9}$) kết hợp luồng trích xuất nhịp điệu vĩ mô (Macro-rhythm temporal features).
- Kỹ thuật Transfer Learning trên miền thời gian tim mạch: Khắc phục tình trạng thiếu hụt dữ liệu bất thường bằng cách tiền huấn luyện (pre-training) trọng số encoder trên 18 bản ghi dài hạn của bộ dữ liệu
MIT-BIH Normal Sinus Rhythm, sau đó tinh chỉnh (fine-tuning) trên MIT-BIH Arrhythmia.
- Giao thức Đánh giá Inter-patient Nghiêm ngặt: Toàn bộ thử nghiệm tuân thủ phân rã bệnh nhân độc lập giữa tập Train và Test, loại bỏ hoàn toàn hiện tượng thiên kiến dữ liệu (overfitting do rò rỉ hình thái sóng của cùng một bệnh nhân).
So sánh với các Công trình Tiền nhiệm
| Tiêu chí |
Ye et al. (2012) [9] |
Das & Ari (2014) [12] |
Đề tài nghiên cứu (2024) |
| Mục tiêu bài toán |
Phân loại nhịp hiện tại |
Phân loại nhịp hiện tại |
Dự báo sớm nhịp bất thường tương lai ($1 - 10$ phút) |
| Phương pháp trích xuất |
Wavelet + SVM |
S-Transform + Pan-Tompkins |
Học sâu tự động (DuoHF-CNN & LSTM) |
| Giao thức phân chia |
Intra-patient |
Intra-patient |
Inter-patient (Chuẩn lâm sàng thực tế) |
| Khả năng dự báo trước |
0 giây (Real-time chỉ điểm) |
0 giây |
$1, 2, 5, 10$ phút với độ chính xác lên đến $86.4%$ |
| Xử lý mất cân bằng |
Thủ công |
Trích 184 chiều S-Transform |
Transfer Learning + Loss Weighting |
Ứng dụng thực tế và triển khai
Kịch bản Triển khai Lâm sàng và Đời sống (Use Cases)
- Thiết bị Holter ECG thông minh đeo tay: Thiết bị tích hợp cảm biến vi điện tử thu thập tín hiệu ECG 1 kênh, chip biên (Edge AI) chạy suy luận mô hình DuoHF-CNN thu gọn để đưa ra cảnh báo sớm trước 5 phút khi xuất hiện cơn nhịp nhanh thất kịch phát.
- Hệ thống Tele-ICU tại Bệnh viện: Tự động giám sát luồng tín hiệu từ monitor đầu giường của hàng trăm bệnh nhân nội trú, phân loại mức độ ưu tiên cấp cứu dựa trên xác suất bất thường dự báo.
+-------------------------------------------------------------------------------+
| MÔ HÌNH HỆ THỐNG GIÁM SÁT TIM MẠCH TỪ XA THEO THỜI GIAN THỰC |
| |
| [ Bệnh nhân đeo ECG ] |
| │ (Tín hiệu Bluetooth Low Energy - BLE) |
| ▼ |
| [ Ứng dụng Di động Edge Client ] ──> Tiền xử lý & Dự báo nhanh (Inference <15ms)|
| │ (REST API / WebSocket - Tín hiệu cảnh báo) |
| ▼ |
| [ Cloud Central Server ] ──────────> Bác sĩ Tim mạch / Trung tâm Cấp cứu 115 |
+-------------------------------------------------------------------------------+
Yêu cầu Triển khai Hệ thống (System Requirements)
- Edge Device: CPU ARM Cortex-M4 hoặc tương đương (hỗ trợ tập lệnh DSP/FPU), tối thiểu 512KB RAM để chạy mô hình lượng tử hóa TFLite/ONNX.
- Cloud Server: 4 vCPU, 8GB RAM, hỗ trợ Docker container hóa dịch vụ API FastAPI.
- Độ trễ suy luận (Inference Latency): $\le 12.5\text{ ms}$ cho mỗi cửa sổ 187 điểm, đảm bảo tiêu chuẩn phản hồi thời gian thực.
Hạn chế và hướng phát triển
Hạn chế Kỹ thuật
- Độ lệch phân phối nhãn (Class Imbalance): Mặc dù đã cải thiện qua Transfer Learning, độ nhạy đối với các lớp cực hiếm như lớp F (Fusion beat) và lớp S vẫn chưa đạt mức tối ưu lâm sàng ($<30%$).
- Số lượng kênh đạo trình: Thử nghiệm hiện tại chủ yếu tập trung vào 2 kênh đạo trình đơn lẻ, chưa tận dụng toàn diện không gian vector 12 đạo trình tiêu chuẩn của máy điện tim lâm sàng.
Hướng Phát triển Tương lai
- Tích hợp Mạng sinh đối kháng (Time-Series GAN/Diffusion Models): Sinh dữ liệu nhân tạo cho các lớp nhịp bất thường hiếm gặp nhằm cân bằng tập dữ liệu mà vẫn bảo toàn tương quan thời gian.
- Triển khai Mô hình Transformer cho Chuỗi ECG: Thử nghiệm các kiến trúc Spatio-Temporal Transformer nhằm khai thác mối liên kết phụ thuộc xa giữa các chu kỳ tim liên tiếp.
- Thử nghiệm Lâm sàng Mở rộng: Thu thập dữ liệu ECG thực tế tại các bệnh viện tuyến trung ương tại Việt Nam để kiểm chứng tính bền vững của mô hình trên thể trạng người Việt.
Đối tượng hưởng lợi
+--------------------------------------------------------------------------------+
| MA TRẬN GIÁ TRỊ VÀ ĐỐI TƯỢNG HƯỞNG LỢI |
+------------------------+-------------------------------------------------------+
| Sinh viên / Học viên | Mã nguồn mẫu chuẩn hóa tín hiệu, tài liệu chuyên sâu |
| | về xử lý chuỗi thời gian y sinh và Inter-patient split.|
+------------------------+-------------------------------------------------------+
| Kỹ sư AI / Lập trình | Pipeline hoàn chỉnh kết hợp Hồi quy - Phân loại; |
| viên MedTech | Kiến trúc DuoHF-CNN tối ưu hóa cho Edge Computing. |
+------------------------+-------------------------------------------------------+
| Doanh nghiệp Y tế | Rút ngắn thời gian R&D thiết bị đeo thông minh; |
| | Tiết kiệm 40% chi phí phát triển thuật toán chẩn đoán.|
+------------------------+-------------------------------------------------------+
| Chuyên gia / Bác sĩ | Công cụ hỗ trợ ra quyết định lâm sàng tin cậy; |
| Tim mạch | Giảm 60% thời gian rà soát bản ghi Holter ECG 24h. |
+------------------------+-------------------------------------------------------+
Câu hỏi thường gặp
1. Yêu cầu phần cứng tối thiểu để triển khai mô hình là gì?
Hệ thống tiền xử lý và mô hình suy luận DuoHF-CNN có thể chạy mượt mà trên chip vi điều khiển nhúng như STM32F4 hoặc Raspberry Pi 4 với dung lượng RAM dưới 256MB sau khi được lượng tử hóa sang định dạng INT8.
2. Tại sao độ chính xác tổng thể (Accuracy) cao nhưng mô hình vẫn có thể thất bại trong y tế?
Trong dữ liệu ECG, nhịp tim bình thường (lớp N) chiếm hơn 80-90%. Một mô hình dự đoán tất cả các nhịp đều là "Bình thường" vẫn đạt Accuracy 90% nhưng có Sensitivity = 0% với các cơn đau tim nguy hiểm. Do đó, trong chẩn đoán y khoa, các chỉ số Sensitivity (Độ nhạy) và Precision (Độ chuẩn) trên từng lớp bất thường mới là thước đo quyết định.
3. Làm thế nào để hệ thống lọc được nhiễu do cử động cơ thể của bệnh nhân?
Pipeline áp dụng kỹ thuật Resampling về 125 Hz kết hợp phép lọc mở rộng QRS và chuẩn hóa biên độ nội vùng $[0, 1]$, giúp triệt tiêu phần lớn hiện tượng trôi đường đẳng điện (baseline wander) và nhiễu co cơ tần số cao (EMG noise).
4. Chi phí bảo trì và cập nhật mô hình định kỳ như thế nào?
Mô hình hỗ trợ học gia tăng thông qua thuật toán Passive-Aggressive Classifier và tinh chỉnh Transfer Learning, cho phép cập nhật trọng số trực tiếp từ dữ liệu bệnh nhân mới mà không cần huấn luyện lại toàn bộ từ đầu, giảm thiểu tối đa chi phí hạ tầng điện toán đám mây.
5. Khả năng mở rộng từ 2 đạo trình lên 12 đạo trình tiêu chuẩn ra sao?
Cấu trúc module của pipeline cho phép mở rộng chiều đầu vào từ tensor dạng $(Batch, Time, 1)$ lên $(Batch, Time, 12)$ bằng cách tăng số kênh tích chập 1D ở lớp Convolution đầu tiên của mạng DuoHF-CNN mà không làm thay đổi logic phân loại cốt lõi.
Kết luận
Đồ án tốt nghiệp đã giải quyết trọn vẹn bài toán xây dựng mô hình học máy và học sâu phát hiện sớm bất thường tim mạch dựa trên tín hiệu điện tâm đồ. Bằng việc so sánh đa diện giữa hai hướng tiếp cận (Hồi quy – Phân lớp và Phân lớp Trực tiếp) trên các mốc thời gian tương lai ($1, 2, 5, 10$ phút) theo giao thức Inter-patient chuẩn mực, nghiên cứu đã chứng minh tính khả thi vượt trội của kiến trúc học sâu trong giám sát y tế liên tục. Đề xuất kiến trúc DuoHF-CNN cùng phương pháp Transfer Learning từ tập dữ liệu nhịp xoang bình thường mở ra hướng đi đầy tiềm năng cho các hệ thống theo dõi sức khỏe tim mạch chủ động, hướng tới mục tiêu giảm thiểu nguy cơ đột quỵ và biến cố tim mạch trong kỷ nguyên Y tế số.
