Luận Văn Thạc Sĩ Về Mô Hình Phối Hợp Mạng Nơ-Rôn Nhận Dạng Tín Hiệu Điện Tim (ECG)

Luận văn thạc sĩ kỹ thuật phân tích kỹ thuật điện tử xây dựng mô hình phối hợp các mạng nơrôn nhận dạng tín hiệu điện tim ecg, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải

• 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
• DANH MỤC CÁC KÝ HIỆU, CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
• MỞ ĐẦU
• Lý do chọn đề tài
• Tính cấp thiết của đề tài
• Mục tiêu nghiên cứu
• Mục tiêu tổng quát
• Mục tiêu cụ thể
• Nội dung nghiên cứu
• Đối tượng và phạm vi nghiên cứu
• Đối tượng nghiên cứu
• Phạm vi nghiên cứu
• Phương pháp nghiên cứu
• Ý nghĩa khoa học và thực tiễn của đề tài
• Ý nghĩa khoa học
• Ý nghĩa thực tiễn
• Cấu trúc đề tài
• 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
• 2.4. Một số ứng dụng của mạng nơ-rôn
• 2.5. Một số mạng nơ-rôn được đề xuất để ứng dụng nhận dạng tín hiệu điện tim
• 2.5.1. Mạng nơ-rôn mờ TSK
• 2.5.2. Máy véc-tơ hỗ trợ SVM
• 2.5.3. Rừng ngẫu nhiên RF
• 2.6. 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 mô hình phối hợp mạng nơ ron nhận dạng tín hiệu điện tim ECG

Mô hình phối hợp mạng nơ-ron nhận dạng tín hiệu điện tim (ECG) là một lĩnh vực nghiên cứu quan trọng trong y học hiện đại. Tín hiệu ECG cung cấp thông tin quý giá về tình trạng sức khỏe của tim mạch. Việc áp dụng các mạng nơ-ron trong nhận dạng tín hiệu ECG giúp cải thiện độ chính xác và độ tin cậy trong chẩn đoán bệnh lý. Nghiên cứu này sẽ trình bày tổng quan về các phương pháp hiện có và tầm quan trọng của việc phát triển mô hình phối hợp.

1.1. Tín hiệu điện tim ECG và vai trò của nó trong y học

Tín hiệu điện tim ECG là một trong những chỉ số quan trọng nhất để đánh giá sức khỏe tim mạch. Nó phản ánh hoạt động điện của tim và giúp phát hiện các bệnh lý như loạn nhịp tim, bệnh van tim, và nhiều vấn đề khác. Việc phân tích tín hiệu ECG cho phép bác sĩ đưa ra chẩn đoán chính xác hơn.

1.2. Các phương pháp nhận dạng tín hiệu ECG hiện nay

Hiện nay, có nhiều phương pháp nhận dạng tín hiệu ECG, bao gồm các kỹ thuật truyền thống và hiện đại. Các phương pháp như phân tích tần số, phân tích thời gian và các mô hình học máy như mạng nơ-ron đã được áp dụng để nâng cao độ chính xác trong chẩn đoán.

II. Thách thức trong nhận dạng tín hiệu điện tim ECG

Mặc dù có nhiều tiến bộ trong công nghệ nhận dạng tín hiệu ECG, nhưng vẫn tồn tại nhiều thách thức cần giải quyết. Các yếu tố như nhiễu tín hiệu, sự biến đổi trong quá trình ghi nhận và sự phức tạp của tín hiệu ECG gây khó khăn cho việc nhận dạng chính xác. Nghiên cứu này sẽ phân tích các thách thức chính và đề xuất giải pháp.

2.1. Nhiễu tín hiệu và ảnh hưởng của nó đến độ chính xác

Nhiễu tín hiệu từ các nguồn bên ngoài như thiết bị điện tử và chuyển động của bệnh nhân có thể làm giảm độ chính xác của việc nhận dạng tín hiệu ECG. Việc phát hiện và loại bỏ nhiễu là một trong những thách thức lớn nhất trong nghiên cứu này.

2.2. Sự biến đổi trong quá trình ghi nhận tín hiệu

Sự biến đổi trong quá trình ghi nhận tín hiệu ECG do các yếu tố như vị trí đặt điện cực và tình trạng sức khỏe của bệnh nhân có thể ảnh hưởng đến kết quả nhận dạng. Cần có các phương pháp hiệu quả để điều chỉnh và chuẩn hóa tín hiệu trước khi phân tích.

III. Phương pháp xây dựng mô hình phối hợp mạng nơ ron nhận dạng tín hiệu ECG

Để nâng cao độ chính xác trong nhận dạng tín hiệu ECG, mô hình phối hợp các mạng nơ-ron được đề xuất. Mô hình này kết hợp nhiều loại mạng nơ-ron khác nhau như MLP, TSK và SVM để tối ưu hóa kết quả nhận dạng. Nghiên cứu sẽ trình bày chi tiết về quy trình xây dựng và các thuật toán áp dụng.

3.1. Quy trình xây dựng mô hình phối hợp

Quy trình xây dựng mô hình phối hợp bao gồm các bước như thu thập dữ liệu, tiền xử lý tín hiệu, xây dựng các mô hình nơ-ron riêng lẻ và cuối cùng là kết hợp các mô hình này để tạo ra một mô hình tổng thể. Mỗi bước đều cần được thực hiện cẩn thận để đảm bảo độ chính xác cao.

3.2. Các thuật toán nơ ron được sử dụng

Các thuật toán như mạng nơ-ron đa lớp (MLP), mạng nơ-ron mờ (TSK) và máy vectơ hỗ trợ (SVM) được sử dụng trong mô hình phối hợp. Mỗi thuật toán có những ưu điểm riêng, và việc kết hợp chúng giúp cải thiện khả năng nhận dạng tín hiệu ECG.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy mô hình phối hợp mạng nơ-ron đạt được độ chính xác cao trong việc nhận dạng tín hiệu ECG. Các thử nghiệm trên bộ dữ liệu MIT-BIH và MGH/MF cho thấy mô hình này có khả năng phát hiện các loại nhịp tim khác nhau một cách hiệu quả. Nghiên cứu này mở ra hướng đi mới trong việc ứng dụng công nghệ nơ-ron trong y học.

4.1. Kết quả thử nghiệm trên bộ dữ liệu MIT BIH

Kết quả thử nghiệm trên bộ dữ liệu MIT-BIH cho thấy mô hình phối hợp đạt được độ chính xác lên đến 95% trong việc nhận dạng các loại nhịp tim. Điều này chứng tỏ tính khả thi của mô hình trong thực tiễn.

4.2. Ứng dụng trong chẩn đoán bệnh lý tim mạch

Mô hình phối hợp mạng nơ-ron có thể được ứng dụng trong việc chẩn đoán các bệnh lý tim mạch, giúp bác sĩ đưa ra quyết định chính xác hơn. Việc sử dụng công nghệ này trong thực tiễn sẽ cải thiện chất lượng chăm sóc sức khỏe cho bệnh nhân.

V. Kết luận và triển vọng tương lai của mô hình phối hợp

Mô hình phối hợp mạng nơ-ron nhận dạng tín hiệu điện tim ECG đã chứng minh được hiệu quả trong việc nâng cao độ chính xác nhận dạng. Nghiên cứu này không chỉ góp phần vào việc phát triển công nghệ nhận dạng tín hiệu ECG mà còn mở ra nhiều hướng nghiên cứu mới trong tương lai. Việc tiếp tục cải tiến mô hình và áp dụng vào thực tiễn sẽ mang lại nhiều lợi ích cho ngành y tế.

5.1. Tóm tắt kết quả nghiên cứu

Kết quả nghiên cứu cho thấy mô hình phối hợp mạng nơ-ron có khả năng nhận dạng tín hiệu ECG với độ chính xác cao. Điều này mở ra cơ hội cho việc ứng dụng công nghệ này trong chẩn đoán bệnh lý tim mạch.

5.2. Hướng nghiên cứu trong tương lai

Trong tương lai, cần tiếp tục nghiên cứu để cải thiện mô hình phối hợp, áp dụng các công nghệ mới như học sâu và trí tuệ nhân tạo để nâng cao hơn nữa độ chính xác và khả năng nhận dạng tín hiệu ECG.

Nội dung chính

Tổng quan nghiên cứu

Bệnh lý tim mạch hiện là một trong những nguyên nhân gây tử vong hàng đầu trên thế giới, cướp đi sinh mạng của khoảng 17,9 triệu người mỗi năm theo thống kê của Tổ chức Y tế Thế giới. Trong y khoa, tín hiệu điện tâm đồ (ECG) là công cụ chẩn đoán sinh học quan trọng nhất phản ánh trạng thái hoạt động của tim. Ở người khỏe mạnh, nhịp tim trung bình dao động từ 50 đến 100 nhịp/phút, biên độ phức bộ QRS thông thường dưới 1,5 mV với thời gian tồn tại từ 50 đến 100 ms. Tuy nhiên, việc nhận dạng tự động tín hiệu ECG gặp nhiều thách thức do nhiễu sinh học từ cử động, hoạt động hô hấp và sự biến thiên phức tạp của các dạng rối loạn nhịp.

Vấn đề nghiên cứu trọng tâm là các mô hình học máy đơn lẻ thường gặp giới hạn về độ tin cậy khi xử lý các tín hiệu phi tuyến và bị nhiễu. Nhằm giải quyết hạn chế này, nghiên cứu đặt mục tiêu cụ thể là xây dựng và kiểm chứng mô hình phối hợp nhiều mạng nơ-rôn gồm mạng truyền thẳng nhiều lớp MLP, mạng nơ-rôn mờ TSK, máy vectơ hỗ trợ SVM và rừng ngẫu nhiên RF, kết hợp bộ tổng hợp kết quả bằng cây quyết định.

Nghiên cứu được thực hiện trong khung thời gian từ tháng 9 năm 2020 đến tháng 4 năm 2021 tại Trường Đại học Sao Đỏ, sử dụng nguồn dữ liệu chuẩn quốc tế gồm CSDL MIT-BIH và CSDL MGH/MF. Ý nghĩa của đề tài được lượng hóa qua việc nâng cao độ chính xác phân loại tổng thể lên trên 98,5%, đồng thời giảm tỷ lệ chẩn đoán âm tính sai xuống dưới 2%, tạo tiền đề kỹ thuật vững chắc để phát triển các thiết bị y tế chẩn đoán sớm tại các cơ sở khám chữa bệnh ban đầu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết trí tuệ nhân tạo và xử lý tín hiệu y sinh chuyên sâu, tích hợp bốn mô hình tính toán nền tảng:

Thứ nhất, mô hình mạng nơ-rôn truyền thẳng nhiều lớp MLP với 1 lớp ẩn, ứng dụng giải thuật học Levenberg-Marquardt giúp tối ưu hóa tốc độ hội tụ và cực tiểu hóa hàm sai số bình phương trung bình. Thứ hai, mạng nơ-rôn logic mờ Takagi-Sugeno-Kang (TSK) cấu trúc 5 lớp, kết hợp hàm liên thuộc Gauss mở rộng với 3 véc-tơ thông số (trọng tâm, độ rộng, hình dạng) để xử lý dữ liệu mờ và bất định. Thứ ba, máy vectơ hỗ trợ SVM tối ưu hóa siêu phẳng phân cách với biên độ cực đại trong không gian nhiều chiều. Thứ tư, cấu trúc rừng ngẫu nhiên RF và cây quyết định nhị phân đóng vai trò tổng hợp các quyết định cục bộ.

Các khái niệm then chốt bao gồm: phức bộ QRS đại diện cho quá trình khử cực tâm thất; 16 hàm cơ sở Hermite dùng để phân tích dạng sóng thành véc-tơ đặc trưng; các chỉ số hiệu năng gồm độ nhạy (Sensitivity), độ đặc hiệu (Specificity), giá trị dự đoán dương tính (Positive Predictivity), tỷ lệ dương tính sai (FP) và âm tính sai (FN).

Phương pháp nghiên cứu

Nghiên cứu sử dụng 2 nguồn dữ liệu chuẩn hóa quốc tế: Cơ sở dữ liệu rối loạn nhịp tim MIT-BIH gồm 48 bản ghi điện tim chuẩn và Cơ sở dữ liệu MGH/MF ghi nhận đồng thời tín hiệu điện tim, huyết áp và nhịp thở.

Cỡ mẫu phân tích bao gồm hàng nghìn chu kỳ nhịp tim đại diện cho 7 loại rối loạn nhịp tim chính cùng các tập dữ liệu nhị phân (bình thường và bất thường). Phương pháp chọn mẫu phân tầng có giám sát được áp dụng, chia ngẫu nhiên dữ liệu thành 70% mẫu học (huấn luyện) và 30% mẫu kiểm tra độc lập nhằm bảo đảm tính khách quan.

Lý do lựa chọn phương pháp phân tích: Phức bộ QRS được khai triển qua 16 hàm Hermite bậc n kết hợp trích xuất 2 đặc tính thời gian (khoảng RR tức thời và trung bình 10 khoảng RR lân cận). Phương pháp này giúp nén chiều dữ liệu từ hàng trăm mẫu sóng xuống còn 18 tham số đặc trưng mà vẫn giữ trên 99% năng lượng tín hiệu. Môi trường tính toán và mô phỏng thực nghiệm được triển khai đồng bộ trên nền tảng phần mềm MATLAB trong suốt chu kỳ 8 tháng nghiên cứu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh giữa các mô hình đơn lẻ và mô hình phối hợp trên các bộ cơ sở dữ liệu đã mang lại những phát hiện then chốt sau:

Thứ nhất, khi nhận dạng 7 loại nhịp tim trên CSDL MIT-BIH, các mô hình đơn lẻ đạt độ chính xác lần lượt là: mạng MLP đạt 92,4%, mạng TSK đạt 94,1%, SVM đạt 95,6% và RF đạt 96,2%. Khi áp dụng mô hình phối hợp MLP-TSK-SVM qua cây quyết định, độ chính xác tổng thể tăng vọt lên 98,62%, vượt trội từ 2,42% đến 6,22% so với từng mạng độc lập.

Thứ hai, trong bài toán phân loại nhị phân (nhịp bình thường và nhịp bất thường) trên CSDL MIT-BIH, mô hình kết hợp đạt độ chính xác 99,35%, độ nhạy đạt 99,10% và độ đặc hiệu đạt 99,50%. Tỷ lệ mẫu nhận dạng sai giảm từ 42 mẫu ở mô hình MLP xuống chỉ còn 7 mẫu ở mô hình kết hợp.

Thứ ba, trên CSDL MGH/MF với bài toán nhận dạng 3 loại nhịp, hệ thống phối hợp đạt độ chính xác 98,85%, chứng minh tính ổn định cao ngay cả khi dữ liệu có sự biến thiên lớn do nhịp thở tác động.

Thứ tư, thuật toán phân tích qua 16 hàm cơ sở Hermite đã giảm thời gian trích xuất đặc trưng xuống dưới 0,04 giây cho mỗi phức bộ QRS, đáp ứng hoàn hảo yêu cầu xử lý thời gian thực.

Thảo luận kết quả

Nguyên nhân tạo nên sự vượt trội của mô hình phối hợp bắt nguồn từ cơ chế bù trừ khuyết tật giữa các giải thuật. Mạng MLP có thế mạnh học tổng quát nhưng dễ rơi vào cực tiểu cục bộ; mạng mờ TSK xử lý xuất sắc các vùng dữ liệu nhiễu biên; trong khi SVM phân định tối ưu ranh giới phi tuyến. Khi kết hợp thông qua cây quyết định nhị phân, các xung đột nhãn giữa 3 mạng được giải quyết theo luật phân nhánh tối ưu hóa độ lợi thông tin.

So sánh với các nghiên cứu tương tự sử dụng phương pháp láng giềng gần nhất KNN (đạt độ chính xác khoảng 97%) hay mô hình SVM đơn thuần (đạt khoảng 89% đến 95%), mô hình phối hợp trong luận văn này thể hiện sự ổn định vượt trội. Sự phân bổ kết quả được minh chứng rõ qua ma trận nhầm lẫn (confusion matrix), thể hiện rõ số ca chẩn đoán âm tính sai (FN) giảm hơn 45% và dương tính sai (FP) giảm 38% so với phương pháp truyền thống.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất 4 nhóm giải pháp kỹ thuật cụ thể nhằm ứng dụng kết quả vào thực tiễn y tế:

Thứ nhất, tối ưu hóa thuật toán nhúng để tích hợp mô hình phối hợp MLP-TSK-SVM vào các chip vi xử lý chuyên dụng DSP hoặc vi điều khiển ARM. Mục tiêu là đạt thời gian phản hồi nhận dạng dưới 20 ms trên mỗi chu kỳ tim. Lộ trình triển khai trong 6 đến 12 tháng, do các nhóm nghiên cứu kỹ thuật y sinh phối hợp với doanh nghiệp phần cứng thực hiện.

Thứ hai, chuẩn hóa module tiền xử lý tín hiệu kết hợp giải thuật lọc số FIR và biến đổi Wavelet để nâng tỷ số tín hiệu trên tạp âm (SNR) thêm tối thiểu 15 dB trước khi đưa vào khối trích chọn Hermite. Lộ trình thực hiện trong 3 đến 6 tháng, do các kỹ sư thuật toán xử lý tín hiệu phụ trách.

Thứ ba, mở rộng cơ sở dữ liệu huấn luyện lâm sàng lên quy mô trên 50.000 mẫu điện tâm đồ ghi nhận từ các bệnh nhân tại Việt Nam, bao gồm các ca dị tật bẩm sinh và thiếu máu cơ tim cục bộ. Lộ trình triển khai từ 12 đến 18 tháng, phối hợp giữa các trường đại học kỹ thuật và các bệnh viện chuyên khoa tim mạch.

Thứ tư, hoàn thiện giao diện phần mềm cảnh báo sớm nguy cơ loạn nhịp nguy hiểm (như ngoại tâm thu thất, rung thất) với độ tin cậy mục tiêu đạt trên 99,5%, hỗ trợ xuất báo cáo tự động cho bác sĩ trong vòng 5 giây sau khi kết thúc đo. Lộ trình hoàn thiện trong 6 tháng, do bộ phận phát triển phần mềm y tế thực hiện.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và ứng dụng thiết thực cho 4 nhóm đối tượng chính:

Thứ nhất, học viên cao học, nghiên cứu sinh và sinh viên ngành Kỹ thuật Điện tử, Kỹ thuật Y sinh, Công nghệ Thông tin. Tài liệu này cung cấp khung lý thuyết hoàn chỉnh về mạng nơ-rôn, giải thuật Levenberg-Marquardt, logic mờ TSK và phương pháp mô phỏng trên MATLAB.

Thứ hai, kỹ sư nghiên cứu và phát triển (R&D) tại các doanh nghiệp sản xuất thiết bị y tế. Luận văn cung cấp ca ứng dụng chi tiết để thiết kế thuật toán cho máy đo Holter điện tim thế hệ mới với độ chính xác trên 98%.

Thứ ba, bác sĩ chuyên khoa tim mạch và nhân viên y tế tuyến cơ sở. Tài liệu giúp hiểu rõ cơ chế vận hành của các hệ thống chẩn đoán tự động, nâng cao sự tin cậy khi sử dụng công cụ AI hỗ trợ phân tích hàng trăm bản ghi điện tâm đồ mỗi ngày.

Thứ tư, giảng viên đại học và các nhà khoa học trong lĩnh vực học máy. Đây là tài liệu tham khảo giá trị cho bài toán tích hợp đa mô hình (ensemble learning) để giải quyết các hệ thống phi tuyến phức tạp trong y học.

Câu hỏi thường gặp

Tại sao cần kết hợp nhiều mạng nơ-rôn thay vì chỉ dùng một mô hình đơn lẻ? Mỗi mô hình đơn lẻ đều có nhược điểm cố hữu; ví dụ mạng MLP dễ bị bão hòa, TSK nhạy cảm với số lượng luật, còn SVM phụ thuộc vào hàm nhân. Việc kết hợp MLP, TSK và SVM qua cây quyết định giúp tận dụng ưu điểm của từng mạng, nâng độ chính xác tổng thể từ khoảng 94% lên trên 98,6% trên tập dữ liệu MIT-BIH.

Hàm cơ sở Hermite đóng vai trò then chốt gì trong việc xử lý tín hiệu điện tim? Hàm Hermite có hình dáng tự nhiên tương đồng với phức bộ QRS. Việc khai triển tín hiệu qua 16 hàm Hermite đầu tiên giúp biểu diễn chính xác trên 99% năng lượng của sóng tim, nén dữ liệu từ hàng trăm mẫu thành 18 giá trị đặc trưng, giúp thuật toán chạy nhanh hơn 3 lần so với xử lý thô.

Nghiên cứu giải quyết tình trạng nhiễu do nhịp thở và chuyển động như thế nào? Hệ thống kết hợp các bộ lọc thích nghi, bộ lọc thông dải số và kỹ thuật biến đổi Wavelet để khử trôi đường đẳng điện. Khi thử nghiệm trên CSDL MGH/MF có tín hiệu hô hấp đồng thời, mô hình vẫn duy trì độ chính xác nhận dạng nhịp tim đạt trên 98,8%.

Hiệu quả chẩn đoán âm tính sai (FN) của mô hình được cải thiện ra sao? Chẩn đoán âm tính sai là rủi ro nghiêm trọng nhất trong y khoa (bỏ sót bệnh). Mô hình phối hợp đề xuất đã giảm tỷ lệ FN xuống dưới 1,5%, thấp hơn 45% so với mô hình mạng MLP đơn lẻ, đảm bảo phát hiện chính xác các cơn ngoại tâm thu thất nguy hiểm.

Mô hình này có thể triển khai trên các thiết bị đo điện tim cầm tay cá nhân không? Hoàn toàn khả thi. Do véc-tơ đặc tính đã được tối ưu hóa chỉ gồm 18 tham số và cấu trúc cây quyết định có độ phức tạp tính toán thấp, mô hình có thể nạp trực tiếp vào các vi điều khiển 32-bit với dung lượng RAM dưới 128 KB và thời gian xử lý tức thời dưới 0,05 giây.

Kết luận

Nghiên cứu đã giải quyết thành công bài toán nâng cao độ chính xác nhận dạng tín hiệu điện tim thông qua 5 đóng góp cốt lõi:

• Xây dựng thành công mô hình phối hợp đa mạng nơ-rôn gồm MLP, TSK và SVM được điều phối bởi cây quyết định nhị phân.
• Tối ưu hóa quy trình trích chọn đặc trưng phức bộ QRS sử dụng 16 hàm cơ sở Hermite kết hợp biến thiên khoảng RR.
• Nâng cao độ chính xác nhận dạng 7 loại nhịp tim lên 98,62% trên CSDL MIT-BIH và 98,85% trên CSDL MGH/MF.
• Giảm thiểu đáng kể tỷ lệ sai số nguy hiểm, đưa tỷ lệ âm tính sai xuống dưới mức 1,5%.
• Đề xuất quy trình hoàn chỉnh có khả năng ứng dụng trực tiếp trên các thiết bị nhúng và hệ thống y tế thông minh.

Đóng góp chính của luận văn là chứng minh tính khả thi và ưu thế vượt trội của giải pháp phối hợp mạng nơ-rôn đối với các bài toán phân loại y sinh phức tạp. Kế hoạch tiếp theo giai đoạn 2022 - 2024 tập trung vào việc thử nghiệm lâm sàng diện rộng và tích hợp chip phần cứng chuyên dụng. Quý độc giả, các nhà nghiên cứu và kỹ sư y sinh quan tâm có thể khai thác các giải pháp kỹ thuật trong công trình này để phục vụ công tác nghiên cứu và phát triển sản phẩm y tế công nghệ cao.

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.