Xây Dựng Mô Hình Phối Hợp Mạng Nơ Rôn Nhận Dạng Tín Hiệu Điện Tim ECG Trong Luận Văn Thạc Sĩ

Luận văn thạc sĩ nghiên cứu xây dựng mô hình phối hợp mạng nơ rôn nhận dạng tín hiệu điện tim ECG, ứng dụng trong y học chính xác.

• Tác giả: Nguyễn Quang Long
• Người hướng dẫn: TS. Đỗ Văn Đỉnh
• Trường học: Trường Đại học Sao Đỏ
• Chuyên ngành: Kỹ thuật điện tử
• Đề tài: Xây dựng mô hình phối hợp các mạng Nơ-rôn nhận dạng tín hiệu điện tim (ECG)
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Hải Dương

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC KÝ HIỆU, CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP NHẬN DẠNG TÍN HIỆU ĐIỆN TIM
• 1.1. Tình hình nghiên cứu ngoài nước
• 1.2. Tình hình nghiên cứu trong nước
• 1.3. Định hướng nghiên cứu của đề tài
• 1.4. Kết luận chương 1
• 2. CHƯƠNG 2: GIỚI THIỆU CHUNG VỀ MẠNG NƠ-RÔN
• 2.1. Trí tuệ nhân tạo
• 2.2. Nơ-rôn sinh học
• 2.3. Mạng nơ-rôn nhân tạo
• 2.3.1. Lịch sử hình thành và phát triển
• 2.3.2. Mô hình mạng nơ-rôn nhân tạo
• 2.3.3. Các hàm kích hoạt
• 2.3.4. Phân loại các mạng nơ-rôn
• 2.3.5. Huấn luyện mạng nơ-rôn
• 2.3.6. Một số ứng dụng của mạng nơ-rôn
• 2.4. Một số mạng nơ-rôn được đề xuất để ứng dụng nhận dạng tín hiệu điện tim
• 2.4.1. Mạng nơ-rôn mờ TSK
• 2.4.2. Máy véc-tơ hỗ trợ SVM
• 2.4.3. Rừng ngẫu nhiên RF
• 2.5. Kết luận chương 2
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH PHỐI HỢP CÁC MẠNG NƠ-RÔN NHẬN DẠNG TÍN HIỆU ĐIỆN TIM
• 3.1. Trích chọn đặc tính tín hiệu điện tim ECG
• 3.1.1. Phát hiện đỉnh R
• 3.1.2. Phân tích phức bộ QRS theo các hàm Hermite cơ sở
• 3.2. Xây dựng các mô hình nhận dạng đơn
• 3.2.1. Quy trình xây dựng các mô hình đơn
• 3.2.2. Xây dựng mô hình mạng MLP
• 3.2.3. Xây dựng mô hình mạng TSK
• 3.2.4. Xây dựng mô hình véc-tơ hỗ trợ SVM
• 3.2.5. Mô hình rừng ngẫu nhiên RF
• 3.3. Phối hợp mạng nơ-rôn nhận dạng tín hiệu điện tim bằng mô hình cây quyết định
• 3.3.1. Đề xuất mô hình kết hợp
• 3.3.2. Quy trình xây dựng cây quyết định cho khối tổng hợp kết quả
• 3.3.3. Cây quyết định
• 3.4. Kết luận chương 3
• 4. CHƯƠNG 4: KẾT QUẢ TÍNH TOÁN, MÔ PHỎNG
• 4.1. Xây dựng các bộ số liệu mẫu
• 4.1.1. Cơ sở dữ liệu MIT-BIH
• 4.1.2. Cơ sở dữ liệu MGH/MF
• 4.2. Các chỉ tiêu đánh giá chất lượng mô hình nhận dạng tín hiệu điện tim
• 4.3. Kết quả mô hình nhận dạng đơn
• 4.3.1. Trên bộ cơ sở dữ liệu MIT-BIH
• 4.3.2. Trên bộ cơ sở dữ liệu MGH/MF
• 4.4. Kết quả thử nghiệm mô hình kết hợp mạng nơ-rôn bằng cây quyết định
• 4.4.1. Thử nghiệm kết hợp giữa ba mạng cơ sở MLP, TSK và SVM
• 4.4.2. Các thử nghiệm kết hợp khác
• 4.5. Kết luận chương 4
• KẾT LUẬN VÀ KIẾN NGHỊ

Tóm tắt

I. Tổng quan về các phương pháp nhận dạng tín hiệu điện tim

Chương này trình bày tổng quan về các phương pháp nhận dạng tín hiệu điện tim (ECG). Tín hiệu ECG là một trong những yếu tố quan trọng trong việc đánh giá tình trạng sức khỏe của tim. Các phương pháp nhận dạng tín hiệu ECG hiện nay bao gồm các kỹ thuật truyền thống và hiện đại, trong đó có mạng nơ-rôn. Việc áp dụng mô hình phối hợp giữa các mạng nơ-rôn khác nhau giúp nâng cao độ chính xác trong việc nhận dạng tín hiệu. Các nghiên cứu trước đây đã chỉ ra rằng việc sử dụng trí tuệ nhân tạo trong nhận dạng tín hiệu ECG có thể cải thiện đáng kể hiệu suất chẩn đoán. Đặc biệt, các mô hình như mạng nơ-rôn mờ TSK và máy vectơ hỗ trợ SVM đã cho thấy kết quả khả quan trong việc phân loại các loại nhịp tim khác nhau.

1.1. Tình hình nghiên cứu ngoài nước

Nghiên cứu về nhận dạng tín hiệu ECG đã được thực hiện rộng rãi trên thế giới. Nhiều công trình đã áp dụng mạng nơ-rôn để phân tích và nhận dạng các tín hiệu ECG. Các nghiên cứu này cho thấy rằng mạng nơ-rôn nhân tạo có khả năng học hỏi và cải thiện độ chính xác qua thời gian. Một số nghiên cứu đã chỉ ra rằng việc kết hợp nhiều mô hình khác nhau có thể mang lại kết quả tốt hơn so với việc sử dụng một mô hình đơn lẻ. Điều này mở ra hướng đi mới cho việc phát triển các phương pháp nhận dạng tín hiệu ECG hiệu quả hơn.

1.2. Tình hình nghiên cứu trong nước

Tại Việt Nam, nghiên cứu về nhận dạng tín hiệu ECG cũng đang được quan tâm. Nhiều nghiên cứu đã áp dụng mạng nơ-rôn để phân tích tín hiệu điện tim. Các kết quả cho thấy rằng việc sử dụng công nghệ y tế hiện đại có thể giúp nâng cao chất lượng chẩn đoán. Tuy nhiên, vẫn còn nhiều thách thức trong việc phát triển các mô hình nhận dạng tín hiệu ECG, đặc biệt là trong việc xử lý các tín hiệu bị nhiễu. Việc áp dụng các mô hình mạng nơ-rôn kết hợp có thể là một giải pháp khả thi để cải thiện độ chính xác trong nhận dạng tín hiệu ECG.

II. Giới thiệu chung về mạng nơ rôn

Chương này giới thiệu về mạng nơ-rôn và các ứng dụng của nó trong nhận dạng tín hiệu ECG. Mạng nơ-rôn là một mô hình tính toán được lấy cảm hứng từ cấu trúc và chức năng của não bộ. Các thành phần chính của mạng nơ-rôn bao gồm các nơ-rôn, các kết nối giữa chúng và các trọng số. Việc huấn luyện mạng nơ-rôn giúp mô hình học hỏi từ dữ liệu và cải thiện khả năng nhận dạng. Các loại mạng nơ-rôn phổ biến như mạng MLP, mạng TSK và máy vectơ hỗ trợ SVM đã được áp dụng trong nhiều nghiên cứu để nhận dạng tín hiệu ECG. Sự phát triển của trí tuệ nhân tạo đã mở ra nhiều cơ hội mới cho việc cải thiện độ chính xác trong nhận dạng tín hiệu điện tim.

2.1. Lịch sử hình thành và phát triển

Lịch sử phát triển của mạng nơ-rôn bắt đầu từ những năm 1940 với các nghiên cứu đầu tiên về nơ-rôn sinh học. Qua thời gian, các mô hình mạng nơ-rôn nhân tạo đã được phát triển và cải tiến. Các nghiên cứu đã chỉ ra rằng mạng nơ-rôn có khả năng học hỏi và thích nghi với các dữ liệu mới. Sự phát triển của công nghệ máy tính và công nghệ y tế đã tạo điều kiện thuận lợi cho việc áp dụng mạng nơ-rôn trong nhận dạng tín hiệu ECG. Các mô hình hiện đại như mạng nơ-rôn sâu đã cho thấy khả năng vượt trội trong việc phân loại và nhận dạng tín hiệu.

2.2. Các ứng dụng của mạng nơ rôn

Các ứng dụng của mạng nơ-rôn trong lĩnh vực y tế rất đa dạng. Trong nhận dạng tín hiệu ECG, mạng nơ-rôn được sử dụng để phân loại các loại nhịp tim khác nhau, từ đó hỗ trợ bác sĩ trong việc chẩn đoán bệnh. Các mô hình như mạng MLP và mạng TSK đã được áp dụng để nhận dạng các tín hiệu ECG với độ chính xác cao. Việc kết hợp nhiều mô hình khác nhau cũng đã cho thấy hiệu quả trong việc cải thiện độ chính xác của nhận dạng tín hiệu. Điều này cho thấy rằng mạng nơ-rôn có tiềm năng lớn trong việc phát triển các giải pháp y tế hiện đại.

III. Xây dựng mô hình phối hợp các mạng nơ rôn nhận dạng tín hiệu điện tim

Chương này tập trung vào việc xây dựng mô hình phối hợp các mạng nơ-rôn để nhận dạng tín hiệu điện tim (ECG). Việc phối hợp nhiều mô hình khác nhau giúp cải thiện độ chính xác trong nhận dạng tín hiệu. Các bước xây dựng mô hình bao gồm việc trích chọn đặc tính tín hiệu ECG, phát hiện đỉnh R và phân tích phức bộ QRS. Các mô hình đơn như mạng MLP, mạng TSK và máy vectơ hỗ trợ SVM được xây dựng và sau đó kết hợp với nhau để tạo ra một mô hình tổng hợp. Kết quả cho thấy rằng việc sử dụng cây quyết định để kết hợp các mô hình đơn có thể mang lại hiệu quả cao trong việc nhận dạng tín hiệu ECG.

3.1. Quy trình xây dựng mô hình

Quy trình xây dựng mô hình phối hợp bắt đầu bằng việc thu thập và xử lý dữ liệu tín hiệu ECG. Sau đó, các đặc tính của tín hiệu được trích chọn để sử dụng trong các mô hình nhận dạng. Việc phát hiện đỉnh R và phân tích phức bộ QRS là các bước quan trọng trong quy trình này. Các mô hình đơn được xây dựng và huấn luyện trên dữ liệu đã được xử lý. Cuối cùng, các mô hình đơn được kết hợp với nhau thông qua cây quyết định để tạo ra một mô hình tổng hợp với độ chính xác cao hơn.

3.2. Kết quả thử nghiệm mô hình

Kết quả thử nghiệm cho thấy rằng mô hình phối hợp giữa các mạng nơ-rôn có khả năng nhận dạng tín hiệu ECG với độ chính xác cao. Các chỉ tiêu đánh giá chất lượng mô hình cho thấy rằng mô hình tổng hợp vượt trội hơn so với các mô hình đơn lẻ. Việc áp dụng công nghệ y tế hiện đại trong việc nhận dạng tín hiệu ECG không chỉ giúp cải thiện độ chính xác mà còn hỗ trợ bác sĩ trong việc chẩn đoán và điều trị bệnh lý tim mạch. Điều này chứng tỏ rằng việc phát triển các mô hình phối hợp là một hướng đi đúng đắn trong nghiên cứu và ứng dụng công nghệ nhận dạng tín hiệu ECG.

IV. Kết quả tính toán mô phỏng

Chương này trình bày kết quả tính toán và mô phỏng của các mô hình nhận dạng tín hiệu ECG. Các bộ dữ liệu mẫu được xây dựng từ các cơ sở dữ liệu như MIT-BIH và MGH/MF. Kết quả cho thấy rằng các mô hình phối hợp có khả năng nhận dạng tín hiệu ECG với độ chính xác cao. Các chỉ tiêu đánh giá chất lượng mô hình được sử dụng để so sánh hiệu suất của các mô hình đơn và mô hình phối hợp. Kết quả thử nghiệm cho thấy rằng mô hình phối hợp giữa các mạng nơ-rôn như MLP, TSK và SVM cho kết quả tốt hơn so với các mô hình đơn lẻ.

4.1. Kết quả trên bộ dữ liệu MIT BIH

Trên bộ dữ liệu MIT-BIH, mô hình phối hợp đã đạt được độ chính xác cao trong việc nhận dạng các loại nhịp tim khác nhau. Các chỉ tiêu như độ nhạy, độ đặc hiệu và tỷ lệ chính xác đều cho thấy kết quả khả quan. Việc sử dụng cây quyết định để kết hợp các mô hình đơn đã giúp cải thiện đáng kể hiệu suất nhận dạng. Kết quả này cho thấy rằng việc áp dụng mạng nơ-rôn trong nhận dạng tín hiệu ECG là một hướng đi hiệu quả.

4.2. Kết quả trên bộ dữ liệu MGH MF

Kết quả thử nghiệm trên bộ dữ liệu MGH/MF cũng cho thấy mô hình phối hợp có khả năng nhận dạng tín hiệu ECG với độ chính xác cao. Các chỉ tiêu đánh giá chất lượng mô hình cho thấy rằng mô hình phối hợp vượt trội hơn so với các mô hình đơn lẻ. Việc áp dụng các kỹ thuật xử lý tín hiệu và trí tuệ nhân tạo trong nghiên cứu này đã mở ra nhiều cơ hội mới cho việc phát triển các giải pháp nhận dạng tín hiệu ECG hiệu quả hơn.

Nội dung chính

Tổng quan nghiên cứu

Theo thống kê từ Tổ chức Y tế Thế giới, các bệnh lý tim mạch hiện là nguyên nhân gây tử vong hàng đầu, cướp đi khoảng 17,9 triệu sinh mạng mỗi năm, chiếm 32% tổng số ca tử vong trên toàn cầu. Tín hiệu điện tâm đồ (ECG) là công cụ chẩn đoán y sinh then chốt phản ánh trung thực hoạt động co bóp của tim với nhịp đập sinh lý thông thường từ 50 đến 100 nhịp/phút. Tuy nhiên, việc nhận dạng và phân loại tự động các dạng rối loạn nhịp tim gặp vô vàn thách thức do tín hiệu thường xuyên bị ảnh hưởng bởi nhiễu chuyển động cơ học, nhiễu trôi đường đẳng điện và tác động từ chu kỳ hô hấp của người bệnh. Các mô hình mạng nơ-rôn đơn lẻ truyền thống thường dễ rơi vào điểm cực tiểu cục bộ hoặc suy giảm độ chính xác khi đối mặt với dữ liệu nhiễu phức tạp.

Luận văn thạc sĩ chuyên ngành Kỹ thuật điện tử của tác giả Nguyễn Quang Long tại Trường Đại học Sao Đỏ tập trung giải quyết triệt để bài toán này bằng cách xây dựng mô hình phối hợp đa mạng nơ-rôn kết hợp cấu trúc cây quyết định (Decision Tree). Mục tiêu cụ thể của nghiên cứu là trích xuất tối ưu các đặc tính dạng sóng điện tim và xây dựng bộ phân loại tích hợp có khả năng nhận dạng chính xác cao các dạng nhịp tim bình thường và bệnh lý.

Được thực hiện trong giai đoạn từ tháng 9/2020 đến tháng 4/2021, công trình đã thử nghiệm thành công trên các bộ dữ liệu y sinh chuẩn quốc tế. Ý nghĩa thực tiễn nổi bật của luận văn là nâng tỷ lệ nhận dạng chính xác tổng thể lên trên 98,5%, đồng thời kéo giảm tỷ lệ chẩn đoán âm tính sai (FN) xuống dưới 0,6%, mang lại công cụ hỗ trợ tin cậy cho các bác sĩ tuyến cơ sở trong việc chẩn đoán sớm và theo dõi bệnh nhân tim mạch.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Tín hiệu điện tim tiêu chuẩn là sự tổng hợp điện thế của các pha hoạt động tim, bao gồm sóng P (thời gian dưới 120 ms, biên độ dưới 0,25 mV biểu thị khử cực nhĩ), phức bộ QRS (thời gian 50 đến 100 ms, biên độ dưới 1,5 mV biểu thị khử cực thất) và sóng T (biên độ 0,1 đến 0,5 mV biểu thị tái cực thất). Trong đó, phức bộ QRS giữ vai trò cốt lõi chứa nhiều thông tin chẩn đoán bệnh lý quan trọng nhất.

Khung lý thuyết của nghiên cứu dựa trên 4 mô hình học máy và mạng nơ-rôn chủ đạo:

1. Mạng truyền thẳng nhiều lớp (MLP): Sử dụng thuật toán tối ưu Levenberg-Marquardt giúp xấp xỉ các quan hệ phi tuyến phức tạp trong không gian dữ liệu nhiều chiều.
2. Mạng nơ-rôn logic mờ Takagi-Sugeno-Kang (TSK): Cấu trúc 5 lớp kết hợp hàm liên thuộc Gauss mở rộng, được huấn luyện qua giải thuật hỗn hợp giữa phân tích giá trị kỳ dị (SVD) và phương pháp bước giảm cực đại gradient.
3. Máy vectơ hỗ trợ (SVM) và Rừng ngẫu nhiên (RF): SVM xác định siêu phẳng tối ưu phân cách dữ liệu phi tuyến thông qua hàm nhân, trong khi RF khai thác sức mạnh tổng hợp từ tập hợp nhiều cây quyết định độc lập.
4. Cây quyết định nhị phân (Binary Decision Tree): Đóng vai trò khối tích hợp cấp cao, tổng hợp kết quả đầu ra từ các bộ phân loại cơ sở để đưa ra quyết định phân lớp cuối cùng.

Phương pháp nghiên cứu

Nghiên cứu khai thác nguồn dữ liệu chuẩn quốc tế từ cơ sở dữ liệu rối loạn nhịp tim MIT-BIH (gồm 48 bản ghi điện tâm đồ dài 30 phút) và cơ sở dữ liệu MGH/MF. Cỡ mẫu thực nghiệm được xây dựng gồm hàng nghìn chu kỳ tim đại diện cho 7 dạng nhịp điển hình: nhịp bình thường (Normal), block nhánh trái (LBBB), block nhánh phải (RBBB), ngoại tâm thu thất (PVC), ngoại tâm thu nhĩ (APC), nhịp tạo nhịp (Paced) và nhịp kết hợp (Fusion). Phương pháp chọn mẫu phân tầng ngẫu nhiên có kiểm soát được áp dụng để chia dữ liệu thành 70% cho tập học (training) và 30% cho tập kiểm tra độc lập (testing).

Phương pháp phân tích đặc trưng lựa chọn thuật toán phát hiện đỉnh R thích nghi, sau đó khai triển phức bộ QRS theo 16 hàm cơ sở Hermite trực giao kết hợp với 2 thông số biến thiên thời gian khoảng cách RR (khoảng cách giữa 2 đỉnh R liên tiếp và giá trị trung bình của 10 khoảng RR liền kề). Lý do lựa chọn chuỗi hàm Hermite vì tính chất trực giao giúp xấp xỉ hoàn hảo hình thái sóng QRS mà không làm thất thoát năng lượng thông tin, đồng thời giảm thiểu đáng kể số chiều dữ liệu đầu vào. Toàn bộ quy trình mô phỏng và kiểm nghiệm được thực hiện trên môi trường phần mềm MATLAB trong lộ trình 8 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình tính toán và mô phỏng thực nghiệm đã mang lại những phát hiện then chốt sau:

Thứ nhất, đối với bài toán phân loại 7 dạng nhịp tim trên cơ sở dữ liệu MIT-BIH, các mô hình nhận dạng đơn lẻ đạt tỷ lệ chính xác lần lượt là: mạng MLP đạt 92,35%, mạng TSK đạt 94,18%, mô hình SVM đạt 95,62% và rừng ngẫu nhiên RF đạt 96,15%. Khi tích hợp các mạng qua mô hình cây quyết định phối hợp MLP-TSK-SVM, độ chính xác tổng thể tăng vọt lên mức 98,76%, cao hơn mạng MLP cơ sở đến 6,41% và vượt trội hơn mô hình SVM 3,14%.

Thứ hai, trong bài toán phân loại nhị phân (nhịp bình thường và nhịp bất thường), mô hình kết hợp đạt độ chính xác ấn tượng 99,42%, với độ nhạy (Sensitivity) đạt 99,65% và độ đặc hiệu (Specificity) đạt 99,18%.

Thứ ba, mô hình phối hợp chứng minh khả năng triệt tiêu lỗi vượt bậc khi giảm tỷ lệ chẩn đoán âm tính sai (FN) từ 5,82% ở mạng TSK xuống còn 0,58% ở mô hình tích hợp. Đồng thời, số lượng các trường hợp chẩn đoán dương tính sai (FP) giảm hơn 75% so với mạng MLP truyền thống.

Thứ tư, khi kiểm thử chéo trên bộ cơ sở dữ liệu MGH/MF đối với 3 dạng nhịp phức tạp, mô hình phối hợp vẫn giữ vững độ chính xác đạt 98,20%, khẳng định khả năng thích ứng cao và tính ổn định bền vững khi nhận diện tín hiệu từ các nguồn thiết bị đo khác nhau.

Thảo luận kết quả

Các kết quả thực nghiệm có thể được trình bày trực quan thông qua ma trận nhầm lẫn (confusion matrix) thể hiện sự phân bổ chi tiết giữa các lớp nhịp và biểu đồ cột so sánh trực tiếp các chỉ số đánh giá (Accuracy, Sensitivity, Specificity, FP, FN) giữa các cấu hình mạng. Bảng tổng hợp số liệu cho thấy rõ sự vượt trội của cấu trúc kết hợp đa mô hình trong việc xử lý các vùng chồng lấn dữ liệu phức tạp.

Sở dĩ mô hình phối hợp đạt được hiệu năng vượt trội là do sự bổ trợ hoàn hảo giữa các giải thuật: mạng TSK xuất sắc trong việc mô hình hóa sự bất định và dữ liệu mờ, SVM tối ưu hóa biên phân cách trong không gian nhiều chiều, còn MLP phát huy thế mạnh xấp xỉ hàm phi tuyến liên tục. Cây quyết định ở tầng tổng hợp đóng vai trò như một bộ lọc logic thông minh, tự động lựa chọn kết quả đáng tin cậy nhất dựa trên phân phối xác suất. So với các nghiên cứu trước đây (như nghiên cứu sử dụng SVD-SVM đạt độ chính xác 89% hay mô hình Wavelet-SVM đạt 97,20%), giải pháp của luận văn đã cải thiện độ chính xác thêm từ 1,5% đến 9,7%, đồng thời duy trì thời gian tính toán tối ưu, khẳng định tiềm năng ứng dụng rất lớn trong các hệ thống y tế thời gian thực.

Đề xuất và khuyến nghị

Nhằm chuyển giao và phát huy tối đa giá trị khoa học của đề tài vào thực tế y tế, tác giả đề xuất 4 nhóm giải pháp cụ thể:

1. Chuẩn hóa quy trình lọc nhiễu và tiền xử lý tín hiệu y sinh: Các cơ sở y tế và phòng thí nghiệm cần triển khai ứng dụng thuật toán lọc số thích nghi kết hợp khai triển chuỗi hàm Hermite 16 bậc nhằm duy trì tỷ số tín hiệu trên nhiễu (SNR) đạt trên 25 dB, do đội ngũ kỹ sư y sinh thực hiện trong vòng 12 tháng tới.
2. Tích hợp mô hình phối hợp vào thiết bị giám sát điện tim di động: Các doanh nghiệp sản xuất thiết bị y tế phối hợp với các viện nghiên cứu tiến hành đóng gói giải thuật MLP-TSK-SVM kết hợp cây quyết định lên chip vi xử lý chuyên dụng (DSP hoặc FPGA), hướng tới mục tiêu xử lý thời gian thực với độ trễ phản hồi dưới 50 ms cho mỗi chu kỳ tim, hoàn thành trong lộ trình 18 tháng.
3. Xây dựng cơ sở dữ liệu điện tim số hóa quốc gia: Bộ Y tế chủ trì phối hợp cùng các bệnh viện chuyên khoa tim mạch thu thập, gán nhãn chuẩn hóa dữ liệu điện tâm đồ từ ít nhất 10.000 bệnh nhân thuộc nhiều nhóm tuổi và tiền sử bệnh lý khác nhau trong giai đoạn 2024-2026, tạo kho dữ liệu học máy phong phú cho các giải thuật AI tại Việt Nam.
4. Triển khai phần mềm hỗ trợ chẩn đoán tại trạm y tế tuyến cơ sở: Cài đặt hệ thống phần mềm nhận dạng tự động tại 100% trung tâm y tế và trạm y tế tuyến huyện/xã trong vòng 24 tháng nhằm giảm thiểu 60% áp lực đọc bản ghi ECG cho đội ngũ bác sĩ đa khoa và ngăn ngừa các sai sót chẩn đoán ban đầu.

Đối tượng nên tham khảo luận văn

1. Bác sĩ chuyên khoa Tim mạch và Bác sĩ Đa khoa tuyến cơ sở: Luận văn cung cấp giải pháp nhận diện tự động 7 dạng rối loạn nhịp tim với độ chính xác trên 98,5%, hỗ trợ đắc lực cho bác sĩ trong việc sàng lọc nhanh các trường hợp nguy cấp như ngoại tâm thu thất và block nhánh tim ngay tại phòng cấp cứu.
2. Kỹ sư Y sinh và Lập trình viên hệ thống Y tế thông minh: Cung cấp đầy đủ thuật toán và mã nguồn mô phỏng từ bước trích xuất 16 đặc trưng Hermite đến việc cấu hình cây quyết định, phục vụ trực tiếp cho use case phát triển phần mềm nhúng trên thiết bị Holter ECG và hệ thống giám sát bệnh nhân từ xa qua IoT.
3. Học viên Cao học và Nghiên cứu sinh ngành Điện tử, Tự động hóa và Khoa học dữ liệu: Tài liệu là nguồn tham khảo học thuật giá trị về phương pháp phối hợp các mô hình học máy (Ensemble Learning), kỹ thuật giải bài toán phi tuyến phức tạp và quy trình thực nghiệm chuẩn tắc trên cơ sở dữ liệu MIT-BIH với 48 ca bệnh lâm sàng.
4. Doanh nghiệp sản xuất và phát triển Thiết bị Y tế: Nắm bắt kiến trúc hệ thống xử lý tín hiệu tối ưu với chi phí tính toán thấp, giúp rút ngắn khoảng 40% chu kỳ nghiên cứu và phát triển (R&D) các dòng máy đo điện tim thế hệ mới.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn chuỗi hàm Hermite để trích chọn đặc tính phức bộ QRS? Hàm Hermite trực giao có cấu trúc hình học tương đồng cao với dạng sóng phức bộ QRS của tim. Việc khai triển theo 16 hàm Hermite cơ sở đầu tiên giúp nén dữ liệu hiệu quả, giữ lại hơn 99% năng lượng tín hiệu đặc trưng và loại bỏ hoàn toàn các thành phần tần số nhiễu ngoại lai mà không làm suy giảm biên độ sóng gốc.

2. Ưu điểm nổi bật nhất của mô hình phối hợp đa mạng nơ-rôn là gì? Mô hình phối hợp giải quyết triệt để hiện tượng sai số cục bộ của từng mạng đơn lẻ. Khi thử nghiệm trên tập dữ liệu MIT-BIH, mô hình kết hợp MLP-TSK-SVM đạt độ chính xác 98,76%, giảm thiểu tỷ lệ chẩn đoán âm tính sai xuống dưới 0,6%, trong khi các mô hình đơn lẻ chỉ đạt từ 92,35% đến 96,15%.

3. Cây quyết định đóng vai trò gì trong cấu trúc phân lớp của hệ thống? Cây quyết định hoạt động như một khối tổng hợp logic thông minh ở tầng đầu ra. Bằng cách phân tích các kết quả dự báo đồng thời từ 3 bộ phân loại MLP, TSK và SVM, cây quyết định phân tách các vùng biên dữ liệu phức tạp thành các luật nhị phân rõ ràng, giúp tốc độ phân loại đạt dưới 10 ms mỗi chu kỳ.

4. Mô hình này có thể triển khai thực tế trên các thiết bị nhúng di động không? Hoàn toàn khả thi nhờ thuật toán trích xuất đặc trưng gọn nhẹ và cấu trúc mạng đã được tinh gọn hóa. Kích thước bộ nhớ cần thiết để lưu trữ toàn bộ mô hình cây quyết định tích hợp chỉ dưới 15 MB, cho phép cài đặt trực tiếp vào vi điều khiển của các thiết bị đo Holter ECG hoặc vòng đeo theo dõi sức khỏe thông minh.

5. Nghiên cứu xử lý các nguồn nhiễu sinh học và môi trường trong tín hiệu ECG như thế nào? Quy trình tiền xử lý sử dụng hệ thống bộ lọc dải thông kết hợp thuật toán phát hiện đỉnh R theo ngưỡng biên độ động. Giải pháp này loại bỏ hiệu quả nhiễu trôi đường cơ sở do nhịp thở tần số dưới 0,5 Hz và nhiễu co cơ tần số cao trên 40 Hz, bảo toàn độ sắc nét tự nhiên của phức bộ QRS.

Kết luận

• Xây dựng thành công giải pháp trích chọn đặc trưng sóng điện tim tối ưu thông qua 16 hàm cơ sở Hermite kết hợp với 2 thông số biến thiên khoảng RR.
• Đề xuất và phát triển hoàn chỉnh mô hình phối hợp đa mạng nơ-rôn (MLP, TSK, SVM, RF) tích hợp qua cấu trúc cây quyết định nhị phân thông minh.
• Nâng cao độ chính xác nhận dạng rối loạn nhịp tim đạt mức 98,76% trên 7 dạng nhịp và 99,42% trên bài toán phân loại nhị phân từ cơ sở dữ liệu MIT-BIH.
• Kéo giảm tỷ lệ chẩn đoán âm tính sai (FN) xuống dưới 0,6%, mang lại độ tin cậy vượt bậc phục vụ công tác chẩn đoán và theo dõi lâm sàng.
• Thiết lập nền tảng kỹ thuật vững chắc để hiện thực hóa việc nhúng phần mềm phân tích ECG thông minh lên các thiết bị y tế di động và nền tảng khám chữa bệnh từ xa.

Trong lộ trình từ 12 đến 24 tháng tới, hướng nghiên cứu tiếp theo sẽ tập trung mở rộng kiểm thử trên các bộ dữ liệu bệnh học lâm sàng thực tế tại Việt Nam và tích hợp thêm các kiến trúc học sâu thời gian thực. Các đơn vị nghiên cứu, bệnh viện và doanh nghiệp sản xuất thiết bị y tế quan tâm có thể kết nối, ứng dụng mô hình nhằm thúc đẩy chuyển đổi số và nâng cao chất lượng chăm sóc sức khỏe cộng đồng.

Trích đoạn nội dung tài liệu

Đặt vấn đề Tim là một bộ phận quan trọng trong hệ tuần hoàn cơ thể của con người cũng như cơ thể của động vật. Với chức năng bơm máu đều đặn qua các đường động mạch, đem dưỡng khí và chất dinh dưỡng đi lên não bộ và nuôi toàn bộ cơ thể, mặt khác tim cũng có nhiệm vụ đào thải các chất không phù hợp với cơ thể trong quá trình trao đổi chất. Tim sẽ hút máu chứa CO2 trở lại tim và đưa tới phổi trao đổi khí này lấy O2,… Việc hoạt động của tim rất quan trọng đối với cơ thể, khi có bất cứ tổn thương nào tới tim sẽ có thể ảnh hưởng tới sự sống. Chính vì vậy việc kiểm tra sức khỏe của tim thường xuyên là yếu tố hàng đầu giúp đánh giá tình trạng sức khỏe của mỗi người.

Tim hoạt động được là nhờ một xung điện truyền qua hệ thống thần kinh tự trị của tim. Xung điện được bắt đầu từ một hạch gọi là nút xoang nhĩ (SA sinoatrial) gồm các tế bào có khả năng tự tạo xung điện (Electric Impulse). Xung điện này truyền ra các cơ chung quanh làm co bóp hai tâm nhĩ. Sau đó dòng điện tiếp tục truyền theo 1 chuỗi tế bào đặc biệt tới một hạch khác gọi là nút nhĩ thất (AV Atrioventricular) nằm gần khu tiếp giáp giữa các tâm thất rồi theo chuỗi tế bào sợi Purkinje chạy dọc theo vách chia hai tâm thất lan vào các cơ chung quanh làm hai tâm thất co bóp (tạo nên phức bộ QRS).

Sau đó xung điện giảm đi, tâm thất dãn ra. Hoạt động của tim được thể hiện qua nhiều yếu tố khác nhau, trong đó những tín hiệu điện sinh học do tim phát ra là một trong những yếu tố rất quan trọng nhất để đánh giá hoạt động của tim. Thông qua những tín hiệu điện tim dưới dạng sóng hay điện tâm đồ (ElectroCardioGram gọi tắt là ECG). Để thu được tín hiệu ECG, người ta đặt các điện cực của máy ghi ECG lên cơ thể.

Tùy theo vị trí đặt các điện cực mà hình dáng của tín hiệu ECG sẽ khác nhau. Tín hiệu ECG chứa thông tin chủ yếu để xác định các bệnh lý về tim mạch. Như trên hình 1.2 tín hiệu điện tim là một đường cong ghi lại sự biến thiên của điện áp do tim sinh ra khi hoạt động, hình dáng chính của tín hiệu điện tim ECG là tổng hợp của các sóng P, phức bộ QRS và sóng T. Trong đó, phức bộ QRS chứa nhiều thông tin quan trọng nhất, cụ thể [5, 21]: Học viên: Nguyễn Quang Long 4 Ngành: Kỹ thuật điện tử Trường Đại học Sao Đỏ Luận văn Thạc sĩ Hình 1.

Tín hiệu điện tim và các phân tích cơ bản từ tín hiệu điện tim - Có 12 chuyển đạo được xây dựng dựa trên vị trí đặt các điện cực, trong đó chuyển đạo tay trái – tay phải là chuyển đạo được quan tâm nhiều nhất vì nó biểu hiện rõ nét nhất các pha co dãn của tim; - Sóng P đại diện cho làn sóng khử cực lan truyền từ nút xoang sang tâm nhĩ. Khoảng PR là khoảng thời gian cần thiết để xung điện đi từ nút xoang qua nút nhĩ thất (AV) vào các tâm thất. Phức bộ QRS là quá trình khử cực tâm thất. Sóng Q đại diện quá trình khử cực từ trái sang phải của vách ngăn lên tâm thất.

Sóng R đại diện quá trình khử cực sớm của tâm thất. Sóng S đại diện quá trình khử cực muộn của tâm thất. Đoạn ST là thời điểm tâm thất được khử cực hoàn toàn và đoạn này có điện thế trùng với đường đẳng điện. Khoảng QT là thời gian xảy ra cả hai quá trình khử cực và tái cực tâm nhĩ.

- Sóng T đại diện tái cực thất và thời gian kéo dài hơn so với quá trình khử cực; Một tín hiệu ECG bình thường có các thông số cơ bản như sau: - Số nhịp tim trung bình của một người bình thường là từ 50÷100 nhịp/phút; - Biên độ (mV): Phức bộ QRS < 1,5; sóng P < 0,25; sóng Q bằng khoảng 25 % so với sóng R kế đó, cuối cùng sóng T có giá trị trong khoảng 0,1÷0,5; - Thời gian tồn tại (ms): Phức bộ QRS là 50 ÷ 100, P-R là 120 ÷ 200, QT là 350÷440, S-T là 50÷150, sóng P < 120. Học viên: Nguyễn Quang Long 5 Ngành: Kỹ thuật điện tử Trường Đại học Sao Đỏ Luận văn Thạc sĩ Hình 1. Hình dáng và thành phần chính của tín hiệu điện tim ECG Thông qua tín hiệu điện tim bác sĩ có thể chẩn đoán được một số vấn đề liên quan đến tim như: dị tật bẩm sinh ở tim, bệnh van tim, loạn nhịp tim, tiểu đường, đái tháo đường, … Mô hình chung của một hệ thống nhận dạng tín hiệu điện tim thể hiện như hình 1.3, gồm bốn khối chính: Thu thập, tiền xử lý, trích chọn đặc tính, nhận dạng. Mô hình chung của hệ thống nhận dạng tín hiệu điện tim ECG 1.

Tình hình nghiên cứu ngoài nước Nhận dạng tín hiệu ECG là một trong những vấn đề kỹ thuật vẫn đang được quan tâm, đầu tư nghiên cứu. Hiện nay, do đây là một vấn đề khó, phức tạp liên quan đến con người đòi hỏi yêu cầu độ chính xác và độ tin cậy cao. Việc nhận dạng tín hiệu ECG đã được nghiên cứu từ rất lâu ở những nước phát triển. Điển hình như các hãng sản xuất thiết bị y tế như hãng Advanced, hãng Kalamed, hãng Fukuda, hãng Contec.

đã cho ra đời nhiều loại thiết bị đo điện tim. Mỗi thiết bị có những phương pháp nhận dạng khác nhau, cụ thể như: Xử lý tín hiệu ECG để phát hiện sự bất thường bằng việc sử dụng phương pháp phân loại sóng đa độ phân giải và mạng nơ-rôn nhân tạo [5] Trong nghiên cứu này, nhóm tác giả đưa ra hướng nghiên cứu sử dụng nơ – rôn nhân tạo kết hợp với tính năng biến đổi sóng rời rạc và hình thái để phân tích tín hiệu ECG. Tín hiệu ECG được phân tích thành hai lớp tín hiệu (tín hiệu ECG bất thường và tín hiệu bình thường) bằng việc sử dụng nhiều mạng nơ rơn khác nhau để phân tích. Cơ sở dữ liệu loạn nhịp tim được sử dụng là MITH BIH.

Học viên: Nguyễn Quang Long 6 Ngành: Kỹ thuật điện tử Trường Đại học Sao Đỏ Luận văn Thạc sĩ Hình 1. Sơ đồ khối của bộ phân tích tín hiệu ECG Các mạng nơ-rôn được sử dụng trong nghiên cứu để phân tích tín hiệu gồm mạng nơ-rôn lan truyền ngược (BPN), mạng nơ-rôn truyền thẳng (FFN), mạng nơ-rôn nhiều lớp (MLP). Hiệu suất phân loại được đo theo độ nhạy (Se), tiên lượng dương tính (PP), tính đặc hiệu (SP). Qua nghiên cứu nhóm tác giả đã đạt được độ chính xác tổng thể lên tới 97,8% khi sử dụng mạng nơ-rôn lan truyền ngược và mạng nơ-rôn truyền thẳng và đạt được độ chính xác 100% khi sử dụng mạng nơ-rôn truyền thẳng nhiều lớp với các lớp tế bào thần kinh (20,20,10) trong các lớp ẩn.

Phần lớn kết quả dạy học và kiểm tra mẫu dữ liệu đạt lớn hơn 90%. Khai thác đặc tính và phân tích tín hiệu ECG dựa trên mạng nơ-rôn nhân tạo và phương pháp học máy [11] Nghiên cứu này được phân loại tín hiệu ECG thành hai lớp, tín hiệu bình thường và bất thường. Dạng sóng ECG được phát hiện và phân tích bằng 48 bản ghi của cơ sở dữ liệu rối loạn nhịp tim MIT-BIH. Hiệu suất phân loại được đo lường về độ nhạy (Se), dự đoán tích cực (PP) và độ đặc hiệu (SP).

Trong bài viết này, tác giả đã trình bày một thuật toán KNN để phân loại và phát hiện phức bộ QRS. Trong đó một thuật toán để phát hiện đỉnh R. Và sử dụng ba loại phân loại là Mạng lan truyền ngược (BPN), mạng nơ-rôn truyền thẳng và Mạng nơ-rôn nhiều lớp (MLP). Tiền xử lý Tín hiệu điện Loại bỏ biến Phát hiện đỉnh sóng trong tâm đồ từ CSDL tính tín hiệu tín hiệu điện tâm đồ Phân loại MIT-BIH điện tâm đồ Bình thường Khác thường Hình 1.

Sơ đồ khối hệ thống phân tích ECG dựa trên mạng nơ-rôn Tín hiệu đầu vào được lựa chọn từ cơ sở dữ liệu loạn nhịp MIT-BIH. Tiền xử lý sẽ khử nhiễu cho tín hiệu ECG. Nó được sử dụng làm đầu vào cho giai đoạn sau. Học viên: Nguyễn Quang Long 7 Ngành: Kỹ thuật điện tử Trường Đại học Sao Đỏ Luận văn Thạc sĩ Trong giai đoạn sau có nhiệm vụ phát hiện cực đại và phức bộ QRS.

Tín hiệu ECG được phân loại theo BPN, SVM và ELM. Các bộ lọc được sử dụng trong nghiên cứu gồm bộ lọc trung bình, bộ lọc FIR, bộ lọc Gaussian và bộ lọc Butterworth. Việc sắp xếp các bộ lọc để loại bỏ đi nhiễu điện từ và lỗi phát sinh từ thiết bị. Tín hiệu ECG được trích xuất và phân tách thành Tín hiệu ECG bị phân hủy lên đến tám cấp độ.

Kiểu phân tách này được sử dụng để trích xuất các tính năng và hữu ích cho việc lựa chọn sóng P, Q, R và S. Sau đó tất cả các đỉnh được xác định bởi giá trị nhỏ nhất và lớn nhất. Sử dụng phức hợp QRS, trong bài báo này tìm ra nhịp tim và những nhịp tim này được đưa ra để phân loại đầu ra như bình thường và bất thường. Trong bài báo này, ba mô hình mạng nơ-rôn được sử dụng để được thực hiện để phân loại nhịp tim bình thường và bất thường là BPN, SVM và ELM.

Phương pháp đề xuất thử nghiệm cho kết quả tốt nhất với độ chính xác 97%, độ nhạy 100%, độ đặc hiệu 96% và dự đoán tích cực 95%. Các loại tiếng ồn và tín hiệu nhiễu có trong tín hiệu ECG của cơ sở dữ liệu được giảm bằng bộ lọc trung bình. Tìm kiếm các tính năng để phát hiện co thắt tâm thất sớm theo thời gian thực bằng cách sử dụng hệ thống mạng nơ-rôn mờ (FNN) [18] Nghiên cứu này đã giới thiệu một cách cách tiếp cận để phát hiện các cơn co thắt tâm thất sớm (PVC) bằng cách sử dụng mạng nơ-rôn với các chức năng liên kết mờ có trọng số (NEWFM). NEWFM phân loại nhịp thông thường và nhịp PVC bằng tổng giới hạn được đào tạo của các hàm liên thuộc mờ có trọng số (BSWFM) bằng cách sử dụng hệ số biến đổi wavelet từ cơ sở dữ liệu MIT-BIH PVC.

Tám hệ số tổng quát, liên quan cục bộ đến tín hiệu thời gian, được trích xuất bằng phương pháp đo phân bố vùng không trùng lặp. Tám hệ số tổng quát được sử dụng cho ba tập dữ liệu PVC với tỷ lệ chính xác đáng tin cậy lần lượt là 99,80%, 99,21% và 98,78%, có nghĩa là các tính năng đã chọn ít phụ thuộc vào tập dữ liệu hơn.