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

Luận văn thạc sĩ trình bày mô hình phối hợp mạng nơrôn trong nhận dạng tín hiệu điện tim ECG, góp phần nâng cao độ chính xác trong chẩn đoán.

• 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
• 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 mô hình phối hợp mạng nơ ron nhận dạng tín hiệu ECG

Mô hình phối hợp mạng nơ-ron nhận dạng tín hiệu điện tim (ECG) đang trở thành một trong những giải pháp tiên tiến trong lĩnh vực y học. Tín hiệu ECG là một nguồn thông tin quý giá giúp bác sĩ chẩn đoán các bệnh lý tim mạch. Việc áp dụng các mạng nơ-ron sâu trong nhận dạng tín hiệu ECG không chỉ nâng cao độ chính xác mà còn giúp phát hiện các bất thường trong hoạt động của tim.

1.1. Ứng dụng của mạng nơ ron trong nhận dạng tín hiệu ECG

Mạng nơ-ron đã được áp dụng rộng rãi trong việc nhận dạng tín hiệu ECG. Các nghiên cứu cho thấy rằng mạng nơ-ron có khả năng học hỏi từ dữ liệu lớn, giúp cải thiện độ chính xác trong việc phát hiện các bệnh lý tim mạch.

1.2. Lợi ích của mô hình phối hợp mạng nơ ron

Mô hình phối hợp nhiều mạng nơ-ron giúp tăng cường khả năng nhận dạng tín hiệu ECG. Việc kết hợp các mạng như MLP, TSK và SVM cho phép khai thác tối đa thông tin từ tín hiệu, từ đó nâng cao độ chính xác và độ tin cậy trong chẩn đoán.

II. Thách thức trong nhận dạng tín hiệu ECG bằng mạng nơ ron

Mặc dù mạng nơ-ron mang lại nhiều lợi ích trong việc nhận dạng tín hiệu ECG, nhưng vẫn tồn tại một số thách thức lớn. Các yếu tố như nhiễu từ môi trường, sự thay đổi trong hoạt động của bệnh nhân có thể ảnh hưởng đến độ chính xác của mô hình.

2.1. Ảnh hưởng của nhiễu đến tín hiệu ECG

Nhiễu từ các thiết bị điện tử và hoạt động của bệnh nhân có thể làm giảm chất lượng tín hiệu ECG. Điều này đòi hỏi các mô hình nơ-ron phải được thiết kế để xử lý và loại bỏ nhiễu hiệu quả.

2.2. Khó khăn trong việc thu thập dữ liệu

Việc thu thập dữ liệu tín hiệu ECG chất lượng cao là một thách thức lớn. Các dữ liệu không đồng nhất có thể dẫn đến việc mô hình học không chính xác, ảnh hưởng đến kết quả chẩn đoán.

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

Để xây dựng mô hình phối hợp mạng nơ-ron nhận dạng tín hiệu ECG, cần thực hiện một quy trình chặt chẽ từ việc thu thập dữ liệu đến việc huấn luyện và đánh giá mô hình. Các bước này bao gồm lựa chọn mạng nơ-ron phù hợp, xử lý dữ liệu và tối ưu hóa mô hình.

3.1. Quy trình thu thập và xử lý dữ liệu ECG

Quy trình này bao gồm việc thu thập dữ liệu từ các thiết bị y tế, sau đó tiến hành xử lý để loại bỏ nhiễu và chuẩn hóa tín hiệu. Dữ liệu sau khi xử lý sẽ được sử dụng để huấn luyện mô hình.

3.2. Huấn luyện và tối ưu hóa mô hình nơ ron

Mô hình nơ-ron sẽ được huấn luyện trên tập dữ liệu đã xử lý. Các thuật toán tối ưu hóa sẽ được áp dụng để cải thiện độ chính xác của mô hình, giúp nó nhận diện các tín hiệu ECG một cách hiệu quả.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn của mô hình

Kết quả từ mô hình phối hợp mạng nơ-ron cho thấy độ chính xác cao trong việc nhận dạng tín hiệu ECG. Các ứng dụng thực tiễn của mô hình này không chỉ giúp bác sĩ trong việc chẩn đoán mà còn hỗ trợ theo dõi tình trạng sức khỏe của bệnh nhân.

4.1. Đánh giá độ chính xác của mô hình

Mô hình đã được thử nghiệm trên nhiều bộ dữ liệu khác nhau và cho kết quả chính xác cao. Việc đánh giá này giúp khẳng định tính hiệu quả của mô hình trong thực tế.

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 như loạn nhịp tim, suy tim, và các bệnh lý khác. Điều này giúp nâng cao chất lượng chăm sóc sức khỏe cho bệnh nhân.

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

Mô hình phối hợp mạng nơ-ron nhận dạng tín hiệu ECG đã chứng minh được tính hiệu quả và tiềm năng trong việc hỗ trợ chẩn đoán bệnh lý tim mạch. Tương lai, cần tiếp tục nghiên cứu và phát triển để cải thiện hơn nữa độ chính xác và khả năng ứng dụng của mô hình.

5.1. Hướng nghiên cứu tiếp theo

Các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện thuật toán và mở rộng ứng dụng của mô hình trong các lĩnh vực khác nhau của y học.

5.2. Tác động của công nghệ mới đến mô hình

Sự phát triển của công nghệ mới như trí tuệ nhân tạo và học máy sẽ mở ra nhiều cơ hội mới cho việc cải thiện mô hình phối hợp mạng nơ-ron trong nhận dạng tín hiệu ECG.

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 trên toàn cầu với khoảng 17,9 triệu trường hợp mỗi năm. Tại Việt Nam, tỷ lệ người mắc các chứng rối loạn nhịp tim và suy tim đang có xu hướng trẻ hóa nhanh chóng, đòi hỏi các giải pháp giám sát y tế thông minh và tự động hóa cao. Tín hiệu điện tâm đồ (ECG) thu nhận qua 12 chuyển đạo tiêu chuẩn là nguồn dữ liệu chẩn đoán sinh học then chốt. Ở một người trưởng thành khỏe mạnh, tần số tim sinh lý dao động từ 50 đến 100 nhịp/phút và thời gian kéo dài của phức bộ QRS nằm trong khoảng 50 đến 100 mili-giây.

Tuy nhiên, việc phân loại chính xác các tín hiệu ECG tự động gặp nhiều rào cản do tính chất phi tuyến, biên độ điện áp thấp dưới 1,5 mV, sự chồng lấn của các dạng sóng bệnh lý và ảnh hưởng nghiêm trọng từ nhiễu co cơ hay nhịp thở của bệnh nhân. Để khắc phục triệt để hạn chế của các bộ phân lớp đơn lẻ vốn dễ nhầm lẫn giữa các dạng loạn nhịp tim phức tạp, đề tài nghiên cứu luận văn thạc sĩ ngành Kỹ thuật điện tử tại Trường Đại học Sao Đỏ (thực hiện từ tháng 9 năm 2020 đến tháng 4 năm 2021) tập trung phát triển mô hình phối hợp đa mạng nơ-rôn ứng dụng cây quyết định. Mục tiêu cụ thể là nâng cao độ chính xác nhận dạng các dạng rối loạn nhịp tim lên trên 98,5%, đồng thời giảm tỷ lệ chẩn đoán âm tính sai xuống dưới 2%, tạo tiền đề kỹ thuật vững chắc cho các hệ thống hỗ trợ bác sĩ chuyên khoa chẩn đoán sớm và theo dõi bệnh nhân từ xa.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Hệ thống nhận dạng được xây dựng dựa trên sự tích hợp của 4 mô hình học máy và mạng nơ-rôn tiêu chuẩn. Mạng nơ-rôn truyền thẳng nhiều lớp (MLP) với giải thuật huấn luyện Levenberg-Marquardt tối ưu hóa tốc độ hội tụ và giảm thiểu sai số bình phương trung bình. Mạng nơ-rôn logic mờ Takagi-Sugeno-Kang (TSK) sở hữu cấu trúc 5 lớp kết hợp các hàm liên thuộc Gauss mở rộng, cho phép xử lý hiệu quả tính bất định và độ mờ của dữ liệu y sinh thông qua 3 véc-tơ thông số trọng tâm, độ mở và hình dạng. Máy véc-tơ hỗ trợ (SVM) tối ưu hóa siêu phẳng phân cách nhằm cực đại hóa khoảng cách biên giữa các lớp mẫu tín hiệu. Mô hình Rừng ngẫu nhiên (RF) thiết lập tập hợp nhiều cây phân loại độc lập để hạn chế hiện tượng quá khớp (overfitting).

Khung lý thuyết của đề tài tập trung vào 3 khái niệm cốt lõi:

• Phức bộ QRS: Thành phần sóng quan trọng nhất trên điện tâm đồ đại diện cho quá trình khử cực tâm thất.
• Khoảng biến thiên R-R: Tham số miền thời gian xác định khoảng cách giữa 2 đỉnh sóng R liên tiếp và giá trị trung bình của 10 khoảng R-R liền kề.
• Mô hình cây quyết định nhị phân: Cấu trúc phân cấp logic đóng vai trò khối tổng hợp đưa ra phán đoán phân lớp cuối cùng từ các đầu ra của từng mạng thành phần.

Phương pháp nghiên cứu

Nghiên cứu sử dụng 2 bộ cơ sở dữ liệu y sinh chuẩn quốc tế gồm MIT-BIH Arrhythmia Database với 48 bản ghi lâm sàng và MGH/MF Waveform Database. Cỡ mẫu thực nghiệm được thu thập gồm hàng nghìn chu kỳ tim, phân chia theo tỷ lệ 70% dành cho tập dữ liệu học (huấn luyện) và 30% dành cho tập dữ liệu kiểm tra độc lập. Phương pháp chọn mẫu phân tầng có giám sát được áp dụng nhằm đảm bảo tính cân bằng giữa nhịp tim bình thường (Normal) và 7 dạng rối loạn nhịp tim bất thường như block nhánh trái (L), block nhánh phải (R), ngoại tâm thu thất (V), và loạn nhịp trên thất (S).

Quy trình phân tích dữ liệu trải qua các giai đoạn nghiêm ngặt: lọc nhiễu dải thông kết hợp bộ lọc số, phát hiện đỉnh sóng R và trích chọn véc-tơ đặc trưng bằng cách khai triển dạng sóng phức bộ QRS qua 16 hàm Hermite cơ sở đầu tiên kết hợp 2 thông số biến thiên thời gian R-R. Luận văn lựa chọn cây quyết định nhị phân làm phương pháp tổng hợp thay vì cơ chế bỏ phiếu đa số truyền thống vì cây quyết định có khả năng phân nhánh thứ bậc tường minh, dễ dàng tối ưu hóa trọng số đóng góp của từng bộ phân lớp đơn dựa trên ma trận phân bố thực nghiệm. Toàn bộ thuật toán được mô phỏng và kiểm chứng trên nền tảng phần mềm Matlab trong suốt thời gian nghiên cứu 8 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm thực nghiệm trên bộ cơ sở dữ liệu MIT-BIH cho thấy mô hình kết hợp đa mạng nơ-rôn MLP-TSK-SVM thông qua cây quyết định đạt hiệu năng vượt trội so với tất cả các mô hình đơn lẻ. Khi phân loại 7 dạng nhịp tim phức tạp, các mô hình đơn gồm MLP, TSK, SVM và RF chỉ đạt độ chính xác dao động từ 91,20% đến 94,60%. Trong khi đó, mô hình phối hợp MLP-TSK-SVM đã nâng tổng độ chính xác nhận dạng lên mức 98,75%, cải thiện hiệu suất phân loại thêm 4,15% so với mô hình đơn tốt nhất.

Trong bài toán phân loại nhị phân giữa nhịp tim bình thường và bất thường, mô hình phối hợp đạt độ nhạy trên 99,10% và độ đặc hiệu đạt 98,85%. Đáng chú ý, số lượng mẫu chẩn đoán âm tính sai (False Negative - trường hợp bệnh lý nhưng nhận định là bình thường) giảm mạnh từ 42 mẫu ở mạng MLP xuống chỉ còn 6 mẫu ở mô hình kết hợp, tương ứng mức giảm thiểu sai số nguy hiểm lên tới 85,70%. Khi kiểm thử mở rộng trên bộ dữ liệu MGH/MF với bài toán nhận dạng 3 loại nhịp và 2 loại nhịp, mô hình phối hợp tiếp tục duy trì độ chính xác ổn định ở mức 98,40%.

Thảo luận kết quả

Sự vượt trội của mô hình phối hợp bắt nguồn từ cơ chế bù trừ sai số tương hỗ giữa các mạng nơ-rôn thành phần. Mạng logic mờ TSK phát huy thế mạnh khi xử lý các tín hiệu có biên độ dao động mờ, máy học SVM tối ưu hóa đường biên phân chia trong không gian véc-tơ 16 chiều của hàm Hermite, còn mạng MLP giải quyết xuất sắc các liên kết phi tuyến tính. Cây quyết định nhị phân đóng vai trò trọng tài logic, giúp loại bỏ các phán đoán sai lệch cá lẻ từ từng mạng đơn.

Dữ liệu nghiên cứu được biểu diễn trực quan qua ma trận nhầm lẫn (Confusion Matrix) và biểu đồ cột so sánh sai số chẩn đoán, thể hiện rõ sự suy giảm đồng thời của cả sai số dương tính sai (FP) và âm tính sai (FN). Khi so sánh với các công bố khoa học trước đây sử dụng mạng nơ-rôn lượng tử hóa véc-tơ học (LVQ) chỉ đạt độ chính xác khoảng 92,00% hay các mô hình mạng nơ-rôn lan truyền ngược đơn lẻ đạt khoảng 97,00%, giải pháp phối hợp mạng nơ-rôn bằng cây quyết định của luận văn đã khẳng định tính ưu việt rõ rệt về độ ổn định, khả năng kháng nhiễu và độ tin cậy trong môi trường y tế thực tế.

Đề xuất và khuyến nghị

• Triển khai tối ưu hóa thuật toán phối hợp MLP-TSK-SVM để nhúng trực tiếp vào các dòng vi điều khiển 32-bit trong vòng 6 tháng tới. Mục tiêu đạt thời gian xử lý và phản hồi dưới 50 mili-giây cho mỗi chu kỳ tim. Chủ thể thực hiện là các nhóm kỹ sư phát triển phần cứng và hệ thống nhúng y tế.
• Mở rộng tập dữ liệu huấn luyện thông qua việc thu thập thêm ít nhất 500 bản ghi điện tâm đồ thực tế từ bệnh nhân tại các bệnh viện đa khoa trong thời gian 12 tháng. Mục tiêu nâng cao khả năng nhận dạng thêm 5 dạng bệnh lý tim mạch ít gặp, đưa độ đặc hiệu toàn hệ thống vượt ngưỡng 99,20%. Chủ thể thực hiện là các đơn vị nghiên cứu kỹ thuật y sinh phối hợp cùng các bác sĩ chuyên khoa tim mạch.
• Xây dựng module tự động khử nhiễu thích nghi kết hợp bộ lọc Kalman và biến đổi Wavelet bậc 4 trong lộ trình 9 tháng. Giải pháp này nhằm mục tiêu duy trì tỷ số tín hiệu trên tạp âm (SNR) trên 25 dB ngay cả khi người bệnh vận động mạnh hoặc có nhịp thở bất thường. Chủ thể thực hiện là các chuyên gia nghiên cứu xử lý tín hiệu số.
• Chuẩn hóa giao diện phần mềm cảnh báo thời gian thực trên nền tảng ứng dụng di động và đám mây trong vòng 3 tháng. Mục tiêu giảm thiểu 90% thời gian phân tích thủ công của nhân viên y tế và tự động gửi cảnh báo cơn loạn nhịp cấp tính trong vòng 3 giây. Chủ thể thực hiện là các nhà phát triển phần mềm y tế số.

Đối tượng nên tham khảo luận văn

• Kỹ sư phát triển thiết bị y tế: Vận dụng cấu trúc phối hợp mạng nơ-rôn và cây quyết định để thiết kế các dòng máy đo Holter ECG thế hệ mới, nâng cao độ chính xác chẩn đoán của thiết bị lên trên 98,50% khi vận hành ngoài môi trường lâm sàng.
• Học viên cao học và nghiên cứu sinh ngành Kỹ thuật điện tử, Kỹ thuật y sinh: Tiếp cận phương pháp toán học trích chọn 16 hệ số hàm Hermite và thuật toán huấn luyện mạng mờ TSK 5 lớp làm tài liệu tham khảo cho các công trình nghiên cứu xử lý tín hiệu y sinh đa chiều.
• Bác sĩ chuyên khoa tim mạch và cán bộ y tế tuyến cơ sở: Sử dụng thuật toán phân loại tự động 7 dạng nhịp tim như một công cụ hỗ trợ ra quyết định lâm sàng khách quan, giúp rút ngắn trên 50% thời gian đọc bản ghi điện tim phức tạp.
• Doanh nghiệp công nghệ y tế (MedTech): Khai thác thuật toán để tích hợp vào các hệ sinh thái khám chữa bệnh từ xa (Telemedicine), cho phép máy chủ xử lý đồng thời hơn 10.000 luồng dữ liệu điện tim thời gian thực từ cộng đồng.

Câu hỏi thường gặp

• Tín hiệu điện tâm đồ ECG bình thường có các thông số kỹ thuật chuẩn nào? Một tín hiệu ECG chuẩn của người trưởng thành khỏe mạnh có nhịp tim dao động từ 50 đến 100 nhịp/phút. Biên độ phức bộ QRS thường dưới 1,5 mV với thời gian kéo dài từ 50 đến 100 mili-giây, khoảng PR từ 120 đến 200 mili-giây và khoảng QT dao động trong khoảng 350 đến 440 mili-giây.

• Tại sao luận văn lại sử dụng các hàm cơ sở Hermite để trích chọn đặc trưng phức bộ QRS? Các hàm Hermite cơ sở bậc cao có hình dạng trực giao tương đồng với dạng sóng khử cực tim, cho phép xấp xỉ chính xác phức bộ QRS chỉ với 16 hệ số đầu tiên. Phương pháp này giúp nén giảm chiều dữ liệu hiệu quả, giữ lại hơn 99% năng lượng tín hiệu và loại bỏ nhiễu tần số cao.

• Mô hình kết hợp đa mạng nơ-rôn mang lại lợi ích gì vượt trội so với các mô hình đơn lẻ? Mô hình kết hợp MLP-TSK-SVM thông qua cây quyết định nhị phân giúp dung hòa ưu điểm và triệt tiêu sai số riêng lẻ của từng cấu trúc mạng. Trong thực nghiệm phân loại 7 dạng nhịp tim trên cơ sở dữ liệu MIT-BIH, mô hình kết hợp đạt độ chính xác 98,75%, cao hơn từ 4,15% đến 7,55% so với từng mạng riêng rẽ.

• Luận văn đã sử dụng những nguồn dữ liệu chuẩn nào để đánh giá thuật toán? Thuật toán được thử nghiệm và kiểm chứng độc lập trên 2 cơ sở dữ liệu chuẩn quốc tế là MIT-BIH Arrhythmia Database gồm 48 bản ghi dạng sóng và MGH/MF Waveform Database. Các tập dữ liệu này cung cấp các dạng sóng điện tim phức tạp đã được các chuyên gia tim mạch quốc tế gán nhãn bệnh lý chuẩn xác.

• Giải pháp kỹ thuật trong luận văn có thể triển khai trên thiết bị đo cầm tay không? Hoàn toàn khả thi vì cấu trúc cây quyết định nhị phân kết hợp các mạng nơ-rôn có khối lượng tính toán vừa phải, thời gian xử lý mỗi chu kỳ tim chỉ dưới 50 mili-giây. Giải pháp rất phù hợp để nhúng trực tiếp vào các thiết bị đeo tay theo dõi sức khỏe hoặc máy đo ECG di động.

Kết luận

• Xây dựng thành công giải pháp trích chọn đặc tính phức bộ QRS tối ưu dựa trên sự kết hợp giữa 16 hàm Hermite cơ sở và 2 tham số miền thời gian của khoảng cách R-R.
• Đề xuất mô hình phối hợp thông minh giữa 3 mạng cơ sở MLP, TSK và SVM thông qua cấu trúc cây quyết định nhị phân, nâng cao tính bền vững khi nhận dạng tín hiệu phi tuyến.
• Đạt độ chính xác phân loại 7 dạng rối loạn nhịp tim lên mức 98,75% trên cơ sở dữ liệu MIT-BIH và giảm thiểu 85,70% số ca chẩn đoán âm tính sai nguy hiểm.
• Kiểm chứng thành công khả năng tổng quát hóa trên bộ dữ liệu đa thông số MGH/MF với độ nhạy trên 99,10% và độ đặc hiệu đạt 98,85%.
• Hoàn thiện khung kiến trúc thuật toán có độ trễ thấp dưới 50 mili-giây, định hướng ứng dụng thực tiễn trong chế tạo thiết bị y tế giai đoạn 2021-2025.

Mô hình phối hợp mạng nơ-rôn nhận dạng tín hiệu điện tim là bước tiến kỹ thuật quan trọng trong việc nâng cao độ chính xác chẩn đoán y tế tự động. Quý độc giả, các nhà nghiên cứu và kỹ sư công nghệ y sinh hãy kết nối, khai thác toàn văn luận văn và ứng dụng giải pháp này vào các hệ thống giám sát sức khỏe tim mạch thực tế ngay hôm nay.

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.