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

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.

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.