Nâng ao chất lượng nhận dạng tín hiệu điện tim dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh

Nâng cao chất lượng nhận dạng tín hiệu điện tim bằng giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh, cải thiện độ chính xác và hiệu quả.

• Tác giả: Nguyễn Đức Thảo
• Người hướng dẫn: PGS. Trần Hoài Linh
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ Thuật Điều Khiển Và Tự Động Hóa
• Đề tài: Nâng Cao Chất Lượng Nhận Dạng Tín Hiệu Điện Tim Bằng Giải Pháp Loại Bỏ Ảnh Hưởng Từ Nhịp Thở
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2016
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ẢNH HƯỞNG CỦA NHỊP THỞ TRONG TÍN HIỆU ECG
• 1.1. Hệ tim mạch
• 1.2. Hệ hô hấp
• 1.3. Một số ảnh hưởng của nhịp thở trong tín hiệu ECG
• 1.4. Rối loạn nhịp tim
• 1.5. Điều chế biên độ tín hiệu ECG
• 1.6. Trôi dạt đường cơ sở
• 1.7. Một số phương pháp loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG
• 1.8. Định hướng của luận án
• 1.9. Các cơ sở dữ liệu được sử dụng trong luận án
• 1.10. Kết luận chương 1
• 2. CHƯƠNG 2: TỔNG QUAN PHƯƠNG PHÁP LOẠI BỎ ẢNH HƯỞNG CỦA NHỊP THỞ VÀ NHẬN DẠNG TÍN HIỆU ECG
• 2.1. Tổng quan một số phương pháp sử dụng bộ lọc số
• 2.2. Wavelet và ứng dụng wavelet trong phân tích tín hiệu
• 2.3. Hàm Hermite và ứng dụng trong phân tích tín hiệu
• 2.4. Mạng nơ-ron logic mờ TSK
• 2.5. Kết luận chương 2
• 3. CHƯƠNG 3: CÁC GIẢI PHÁP ĐỀ XUẤT LOẠI BỎ ẢNH HƯỞNG CỦA NHỊP THỞ TRONG TÍN HIỆU ECG
• 3.1. Ứng dụng wavelets loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG
• 3.2. Sử dụng các đặc tính từ nhịp thở tức thời nhằm nâng cao chất lượng nhận dạng tín hiệu ECG
• 3.3. Thu thập tín hiệu nhịp thở
• 3.4. Kết luận chương 3
• 4. CHƯƠNG 4: TRÍCH CHỌN ĐẶC TRƯNG VÀ NHẬN DẠNG TÍN HIỆU ECG BẰNG MẠNG TSK
• 4.1. Cơ sở dữ liệu
• 4.2. Ứng dụng SVD để phân tích tín hiệu ECG theo các hàm Hermite
• 4.3. Ứng dụng mô hình nhận dạng TSK trong bài toán nhận dạng tín hiệu ECG
• 4.4. Xây dựng các bộ số liệu
• 4.5. Xây dựng mô hình nhận dạng
• 4.6. Kết quả nhận dạng tín hiệu ECG
• 4.7. Kết luận chương 4
• MỞ ĐẦU
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO
• DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN
• Phụ lục A: Kết quả tính toán các thông số SNR, CORR, PRD và TH1 khi sử dụng bộ lọc số
• Phụ lục B: Kết quả tính toán các thông số SNR, CORR, PRD và TH1 trung bình khi sử dụng bộ lọc wavelet

Tóm tắt

I. Tổng Quan Về Ảnh Hưởng Nhịp Thở Lên Tín Hiệu ECG

Tín hiệu điện tim (ECG) là công cụ chẩn đoán quan trọng, nhưng dễ bị ảnh hưởng bởi nhiều yếu tố, trong đó có nhịp thở. Nhịp thở thay đổi thể tích lồng ngực, gây biến đổi trở kháng điện cực và trục điện tim. Điều này ảnh hưởng đến chất lượng tín hiệu thu thập. Theo nghiên cứu của Nguyễn Đức Thảo, 'lưu lượng không khí trong quá trình hít thở cũng làm thay đổi nồng độ Oxygen trong máu, từ đó dẫn tới các thay đổi trong tín hiệu ECG.' Do đó, việc hiểu rõ ảnh hưởng của nhịp thở là bước đầu tiên để nâng cao độ chính xác trong chẩn đoán. Cần có các giải pháp để loại bỏ hoặc giảm thiểu ECG Artifacts này, đảm bảo tín hiệu ECG Signal Quality Improvement được tốt nhất, tránh ảnh hưởng đến việc phát hiện Arrhythmia Detection Accuracy và phân tích Heart Rate Variability Analysis.

1.1. Cơ Chế Tác Động của Nhịp Thở lên Tín Hiệu ECG

Nhịp thở tác động lên tín hiệu ECG qua nhiều cơ chế. Thay đổi trở kháng ngực, điều chế biên độ tín hiệu, và gây ra ECG Baseline Wander Correction (trôi dạt đường cơ sở). Respiratory Sinus Arrhythmia Removal cũng là một vấn đề cần giải quyết. Tín hiệu nhịp thở thay đổi nồng độ oxy trong máu. Điều này ảnh hưởng đến quá trình khử cực và tái cực của tế bào cơ tim. Vì vậy, cần hiểu rõ cơ chế này để có phương pháp Breath-Induced Noise Reduction ECG hiệu quả.

1.2. Các Loại Nhiễu ECG do Nhịp Thở Gây Ra

Nhịp thở tạo ra nhiều loại nhiễu khác nhau trên Electrocardiogram Signal Enhancement. Phổ biến nhất là trôi dạt đường cơ sở, gây khó khăn cho việc phân tích sóng P, QRS, và T. Respiratory Artifact Removal ECG cũng có thể làm sai lệch biên độ và thời gian của các đoạn Cardiac Signal Processing, ảnh hưởng đến chẩn đoán. Ngoài ra, Respiratory Sinus Arrhythmia Removal có thể bị nhầm lẫn với các rối loạn nhịp tim khác. Do đó, cần phân biệt và loại bỏ các loại nhiễu này để có ECG Signal Analysis chính xác.

II. Thách Thức Nhận Dạng ECG Chính Xác Với Ảnh Hưởng Nhịp Thở

Nhận dạng tín hiệu ECG chính xác là yếu tố then chốt để chẩn đoán các bệnh tim mạch. Tuy nhiên, ảnh hưởng của nhịp thở tạo ra những thách thức không nhỏ. Nhiễu do nhịp thở có thể làm sai lệch hình dạng sóng ECG, gây khó khăn cho việc trích xuất các đặc trưng quan trọng. Điều này ảnh hưởng đến độ chính xác của các thuật toán nhận dạng, đặc biệt là trong Arrhythmia Detection Accuracy và phân tích Heart Rate Variability Analysis. Cần có các phương pháp ECG Noise Filtering Techniques hiệu quả để vượt qua những thách thức này, đảm bảo độ tin cậy của kết quả chẩn đoán.

2.1. Ảnh Hưởng Của Nhiễu Nhịp Thở Đến Thuật Toán Nhận Dạng ECG

Nhiễu nhịp thở gây khó khăn cho việc trích xuất đặc trưng từ tín hiệu ECG. Các thuật toán nhận dạng dựa trên các đặc trưng này, như biên độ, thời gian, và hình dạng sóng. Khi nhiễu làm sai lệch các đặc trưng này, độ chính xác của thuật toán sẽ giảm. Ví dụ, trôi dạt đường cơ sở có thể ảnh hưởng đến việc phát hiện sóng P, gây sai sót trong chẩn đoán rung nhĩ. Vì vậy, cần có các kỹ thuật Signal processing techniques for ECG để giảm thiểu ảnh hưởng của nhiễu trước khi áp dụng thuật toán nhận dạng.

2.2. Yêu Cầu Độ Chính Xác Cao Trong Hệ Thống ECG Monitoring Systems

ECG Monitoring Systems cần độ chính xác cao để đảm bảo an toàn cho bệnh nhân. Sai sót trong chẩn đoán có thể dẫn đến điều trị không phù hợp, gây nguy hiểm đến tính mạng. Đặc biệt, trong các hệ thống giám sát liên tục, việc phát hiện sớm các rối loạn nhịp tim là rất quan trọng. Vì vậy, cần có các giải pháp ECG Signal Denoising để loại bỏ nhiễu và nâng cao độ tin cậy của hệ thống giám sát. Các hệ thống này cần kết hợp Signal processing techniques for ECG hiệu quả với các thuật toán nhận dạng chính xác.

III. Cách Loại Bỏ Ảnh Hưởng Nhịp Thở Bằng Wavelet Transform ECG

Một trong những phương pháp hiệu quả để loại bỏ ảnh hưởng của nhịp thở là sử dụng Wavelet transform ECG. Wavelet cho phép phân tích tín hiệu thành nhiều thành phần tần số khác nhau. Nhiễu do nhịp thở thường tập trung ở tần số thấp. Vì vậy, có thể loại bỏ nhiễu bằng cách loại bỏ các thành phần tần số thấp này. Theo tài liệu, sử dụng Adaptive filtering ECG có thể loại bỏ được nhiều loại nhiễu khác nhau, trong đó có nhiễu do hô hấp. Phương pháp wavelet giúp cải thiện đáng kể chất lượng tín hiệu ECG, nâng cao độ chính xác của các thuật toán nhận dạng Arrhythmia Detection Accuracy và phân tích Heart Rate Variability Analysis.

3.1. Ứng Dụng Biến Đổi Wavelet Rời Rạc DWT Trong Lọc Nhiễu ECG

Discrete Wavelet Transform (DWT) là một công cụ mạnh mẽ để phân tích và xử lý tín hiệu ECG. DWT cho phép phân tách tín hiệu thành các thành phần tần số khác nhau, giúp xác định và loại bỏ nhiễu một cách hiệu quả. Bằng cách chọn wavelet phù hợp và xác định mức phân tích thích hợp, có thể loại bỏ nhiễu do nhịp thở mà không làm ảnh hưởng đến các thành phần quan trọng của tín hiệu ECG. Điều này giúp cải thiện đáng kể ECG Signal Quality Improvement và độ chính xác của các thuật toán nhận dạng.

3.2. Lựa Chọn Hàm Wavelet Tối Ưu Cho Loại Bỏ Nhiễu Hô Hấp ECG

Việc lựa chọn hàm wavelet phù hợp là rất quan trọng để đạt được hiệu quả lọc nhiễu tốt nhất. Các hàm wavelet khác nhau có đặc tính tần số khác nhau. Một số hàm wavelet phù hợp hơn cho việc loại bỏ nhiễu tần số thấp, trong khi các hàm khác phù hợp hơn cho việc loại bỏ nhiễu tần số cao. Cần xem xét tần số của nhiễu do nhịp thở và các đặc tính của tín hiệu ECG để lựa chọn hàm wavelet phù hợp. Việc thử nghiệm với các hàm wavelet khác nhau và đánh giá kết quả là cần thiết để tìm ra hàm wavelet tối ưu cho Respiratory Artifact Removal ECG.

IV. Sử Dụng Thông Tin Nhịp Thở Để Nâng Cao Nhận Dạng ECG

Ngoài việc loại bỏ nhiễu, thông tin về nhịp thở có thể được sử dụng để cải thiện độ chính xác của các thuật toán nhận dạng ECG. Nhịp thở có thể cung cấp thông tin về trạng thái sinh lý của bệnh nhân, giúp phân biệt giữa các loại rối loạn nhịp tim khác nhau. Ví dụ, sự thay đổi nhịp tim theo nhịp thở (Respiratory Sinus Arrhythmia Removal) là một dấu hiệu sinh lý bình thường, nhưng có thể bị nhầm lẫn với các rối loạn nhịp tim khác nếu không có thông tin về nhịp thở. Bằng cách kết hợp thông tin nhịp thở vào thuật toán nhận dạng, có thể giảm thiểu sai sót và nâng cao độ tin cậy của kết quả chẩn đoán.

4.1. Thu Thập Dữ Liệu Nhịp Thở Đồng Bộ Với Tín Hiệu ECG

Để sử dụng thông tin nhịp thở, cần thu thập dữ liệu nhịp thở đồng bộ với tín hiệu ECG. Có nhiều phương pháp để thu thập dữ liệu nhịp thở, bao gồm sử dụng cảm biến trở kháng ngực, cảm biến áp suất, và cảm biến gia tốc. Cảm biến trở kháng ngực đo sự thay đổi trở kháng điện của ngực khi bệnh nhân hít thở. Cảm biến áp suất đo áp suất không khí trong đường thở. Cảm biến gia tốc đo chuyển động của ngực. Việc lựa chọn phương pháp thu thập dữ liệu nhịp thở phù hợp phụ thuộc vào yêu cầu của ứng dụng và điều kiện của bệnh nhân.

4.2. Kết Hợp Đặc Trưng Nhịp Thở Vào Mô Hình Machine Learning ECG Artifact Removal

Machine learning ECG artifact removal có thể được sử dụng để xây dựng các mô hình nhận dạng ECG kết hợp thông tin nhịp thở. Các đặc trưng từ tín hiệu nhịp thở, như tần số thở, biên độ thở, và hình dạng sóng thở, có thể được thêm vào véc-tơ đặc trưng của tín hiệu ECG. Sau đó, thuật toán học máy sẽ học cách liên kết các đặc trưng này với các loại rối loạn nhịp tim khác nhau. Bằng cách sử dụng các mô hình học máy phức tạp, có thể đạt được độ chính xác nhận dạng cao hơn so với các phương pháp truyền thống.

V. Ứng Dụng Thực Tiễn và Kết Quả Nghiên Cứu Về Nhận Dạng ECG

Các giải pháp loại bỏ ảnh hưởng của nhịp thở và sử dụng thông tin nhịp thở có nhiều ứng dụng thực tiễn trong y học. Chúng có thể được sử dụng để cải thiện độ chính xác của các hệ thống giám sát tim mạch, giúp phát hiện sớm các rối loạn nhịp tim và ngăn ngừa các biến chứng nguy hiểm. Nghiên cứu đã chứng minh rằng việc sử dụng các phương pháp này có thể giảm thiểu sai sót trong chẩn đoán và cải thiện kết quả điều trị. Cụ thể, theo luận án của Nguyễn Đức Thảo, việc kết hợp Wavelet Transform ECG và thông tin nhịp thở giúp nâng cao độ tin cậy và chính xác trong chẩn đoán bệnh lý tim mạch.

5.1. Cải Thiện Độ Chính Xác Trong Chẩn Đoán Rối Loạn Nhịp Tim

Chẩn đoán chính xác rối loạn nhịp tim là rất quan trọng để đảm bảo bệnh nhân nhận được điều trị phù hợp. Ảnh hưởng của nhịp thở có thể làm sai lệch tín hiệu ECG, gây khó khăn cho việc phát hiện các rối loạn nhịp tim. Bằng cách loại bỏ ảnh hưởng của nhịp thở và sử dụng thông tin nhịp thở, có thể cải thiện độ chính xác của chẩn đoán và giúp bác sĩ đưa ra quyết định điều trị tốt hơn. Điều này đặc biệt quan trọng trong các trường hợp khẩn cấp, khi thời gian là yếu tố then chốt.

5.2. Nâng Cao Hiệu Quả Trong Theo Dõi Bệnh Nhân Tim Mạch

Việc theo dõi liên tục bệnh nhân tim mạch là rất quan trọng để phát hiện sớm các biến chứng và điều chỉnh điều trị kịp thời. Các hệ thống giám sát tim mạch cần có độ chính xác cao để đảm bảo không bỏ sót bất kỳ dấu hiệu bất thường nào. Bằng cách sử dụng các giải pháp loại bỏ ảnh hưởng của nhịp thở và sử dụng thông tin nhịp thở, có thể nâng cao hiệu quả của các hệ thống giám sát và giúp bác sĩ theo dõi bệnh nhân một cách tốt hơn. Điều này giúp cải thiện chất lượng cuộc sống của bệnh nhân và giảm thiểu nguy cơ tử vong.

VI. Kết Luận và Hướng Phát Triển Nghiên Cứu Về ECG Artifacts

Nghiên cứu về loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG có ý nghĩa quan trọng trong việc nâng cao chất lượng chẩn đoán và điều trị bệnh tim mạch. Các giải pháp sử dụng Wavelet transform ECG và thông tin nhịp thở đã chứng minh được hiệu quả trong việc cải thiện độ chính xác của các thuật toán nhận dạng. Trong tương lai, cần tiếp tục nghiên cứu và phát triển các phương pháp mới để loại bỏ nhiễu và sử dụng thông tin sinh lý khác để nâng cao độ tin cậy của các hệ thống giám sát tim mạch. Hướng phát triển có thể tập trung vào việc tích hợp các giải pháp này vào các thiết bị di động và thiết bị đeo để theo dõi sức khỏe tim mạch tại nhà.

6.1. Phát Triển Thuật Toán Loại Bỏ Nhiễu Thích Ứng và Tối Ưu Hóa

Cần tiếp tục nghiên cứu và phát triển các thuật toán loại bỏ nhiễu thích ứng, có khả năng tự động điều chỉnh tham số để phù hợp với từng bệnh nhân và từng điều kiện thu thập dữ liệu. Các thuật toán này cần phải được tối ưu hóa để đảm bảo hiệu quả cao và tiêu thụ năng lượng thấp, phù hợp cho các thiết bị di động và thiết bị đeo. Việc sử dụng Independent component analysis ECG (ICA) và các phương pháp ECG Signal Denoising khác có thể giúp cải thiện hiệu quả của các thuật toán loại bỏ nhiễu.

6.2. Tích Hợp Giải Pháp Vào Thiết Bị Di Động và Hệ Thống IoT

Việc tích hợp các giải pháp loại bỏ ảnh hưởng của nhịp thở và sử dụng thông tin nhịp thở vào các thiết bị di động và hệ thống IoT (Internet of Things) có tiềm năng lớn trong việc theo dõi sức khỏe tim mạch tại nhà. Các thiết bị này có thể thu thập dữ liệu ECG và nhịp thở liên tục, xử lý dữ liệu để loại bỏ nhiễu và phát hiện các dấu hiệu bất thường, sau đó gửi thông tin đến bác sĩ hoặc hệ thống quản lý sức khỏe. Điều này giúp bệnh nhân theo dõi sức khỏe tim mạch một cách chủ động và giúp bác sĩ can thiệp kịp thời khi cần thiết.

Nội dung chính

Tổng quan luận án

Luận án tiến sĩ chuyên ngành Kỹ thuật điều khiển và tự động hóa (mã số 62520216) với đề tài "Nâng cao chất lượng nhận dạng tín hiệu điện tim dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh" do nghiên cứu sinh Nguyễn Đức Thảo thực hiện dưới sự hướng dẫn khoa học của PGS. Trần Hoài Linh tại Trường Đại học Bách khoa Hà Nội (năm 2016).

• Tính cấp thiết và khoảng trống nghiên cứu: Tín hiệu điện tim (ECG - ElectroCardioGraph) và nhịp thở là hai tín hiệu y sinh cơ bản trong theo dõi, chẩn đoán tim mạch. Tín hiệu ECG có biên độ nhỏ, dễ bị ảnh hưởng bởi nhiễu lưới điện, tiếp xúc điện cực kém, cảm xúc và chuyển động cơ thể. Hoạt động hô hấp làm biến thiên thể tích lồng ngực, thay đổi trở kháng tiếp xúc điện cực - da, góc véctơ trục điện tim và nồng độ oxy máu. Nhịp thở trong dải tần [0,05 ÷ 1] Hz trùng vùng tần số thấp của ECG, gây ra 3 ảnh hưởng chính: rối loạn nhịp tim (khoảng RR co ngắn khi hít vào, kéo dài khi thở ra), điều chế biên độ đỉnh R và trôi dạt đường cơ sở (Baseline Wander). Tại Việt Nam, các công trình của TS. Hoàng Mạnh Hà (lọc thích nghi nhiễu ECG), TS. Vương Hoàng Nam (phương pháp ICA), TS. Chử Đức Hoàng (thuật toán DFA) và TS. Phan Duy Hùng (dùng cảm biến gia tốc đếm nhịp thở chẩn đoán ngừng thở) chưa giải quyết việc loại bỏ ảnh hưởng nhịp thở để nhận dạng bệnh tim. Các bộ lọc số thông cao gây méo sóng P, T và đoạn ST; trong khi lọc thích nghi, ICA, PCA/kPCA đòi hỏi tính toán lớn hoặc cần kênh nhịp thở tham chiếu. Do đó, việc nghiên cứu giải pháp loại bỏ ảnh hưởng nhịp thở ít làm méo tín hiệu ECG kết hợp khai thác đặc tính nhịp thở tức thời là rất cấp thiết.

• Mục tiêu nghiên cứu:

1. Phân tích các ảnh hưởng do nhịp thở gây ra trong tín hiệu ECG.
2. Đề xuất giải pháp biến đổi wavelet phù hợp loại bỏ ảnh hưởng nhịp thở mà không làm thay đổi đặc tính lâm sàng của ECG.
3. Đề xuất bổ sung đặc tính từ tín hiệu nhịp thở tức thời để cải thiện chất lượng nhận dạng ECG.
4. Xây dựng mô hình nhận dạng mạng nơ-ron logic mờ TSK và kiểm chứng qua 4 kịch bản đối sánh trên Matlab.

• Đối tượng và phạm vi nghiên cứu:
• Đối tượng: Hệ tim mạch - hô hấp; cơ chế gây nhiễu của nhịp thở lên ECG; các giải pháp lọc loại bỏ nhịp thở; phương pháp bổ sung đặc tính nhịp thở và mạng TSK.
• Phạm vi: Hiện tượng trôi dạt đường cơ sở, điều chế biên độ, rối loạn nhịp tim; các họ wavelet Daubechies, Biorthogonal, Symlet, Coiflet; 2 đặc tính nhịp thở tức thời; hai cơ sở dữ liệu quốc tế chuẩn MIT-BIH và MGH/MF; mạch cảm biến gia tốc ba trục MMA8451Q.

Tổng quan tài liệu và vị trí của luận án

• Các hướng nghiên cứu trước:

• Bộ lọc số tĩnh: Công trình [95] dùng lọc FIR Kaiser bậc 255 cắt 0,8 Hz làm biến dạng đoạn ST. Công trình [76] thử nghiệm các bộ lọc FIR và IIR Butterworth bậc 2 cắt 0,5 Hz (đạt PRD thấp nhất 32,77%). Công trình [45, 84] dùng FIR Rectangular bậc 100 cắt 3 Hz (PSNR đạt 20,31 dB). Công trình [48] dùng FIR Kaiser bậc 56 cắt 3,5 Hz. Hạn chế chung là tần số cắt cố định không thích ứng được tính phi tuyến của hô hấp.

• Bộ lọc thích nghi: Các nghiên cứu [69, 92] dùng thuật toán LMS; [64] dùng lọc Kalman; [17, 96] kết hợp FIR với LMS trên CSDL MIT-BIH. Nhược điểm là yêu cầu tín hiệu nhịp thở thực để tham chiếu, làm tăng thời gian tính toán.

• Phương pháp ICA, PCA và kPCA: Phương pháp ICA [78] đòi hỏi ECG và nhịp thở độc lập tuyến tính, phi Gauss; PCA [49] và kPCA [21] có độ phức tạp tính toán rất lớn.

• Phương pháp EMD và lọc trung vị: EMD [56, 65, 104], EMD kết hợp LMS [108] và lọc MEM [36] làm biến dạng sóng P, T và đoạn ST.

• Phương pháp Wavelet: Các nghiên cứu trước đề xuất Daubechies bậc 3 [35], Daubechies bậc 4 [61, 71], Symlet bậc 4 [51], Symlet bậc 20 [46], Biorthogonal 9/7 [97], Biorthogonal bậc 3 [91]. Tuy nhiên, các công trình chưa khảo sát định lượng toàn diện giữa các họ, bậc wavelet và chưa kết hợp mô hình nhận dạng để phân loại bệnh.

• Khoảng trống luận án giải quyết: Luận án khảo sát định lượng các họ wavelet để chọn cấu hình tối ưu (wavelet Coiflets bậc 4 ở mức xấp xỉ $A_8$), triệt tiêu trôi dạt đường cơ sở và điều chế biên độ mà ít làm méo sóng P, T, đoạn ST. Đồng thời, luận án đề xuất bổ sung 2 đặc tính nhịp thở tức thời vào véctơ đặc trưng để khắc phục rối loạn nhịp tim do hô hấp.

Cơ sở lý thuyết và phương pháp nghiên cứu

• Cơ sở lý thuyết và khung phân tích:

1. Điện sinh lý tim mạch và hô hấp: Sự phát xung từ nút xoang nhĩ (SA), nút nhĩ thất (AV) và bó Purkinje tạo các sóng P, QRS, T; tam giác chuyển đạo Einthoven; tác động hô hấp làm biến thiên trở kháng lồng ngực và góc trục điện tim.
2. Biến đổi Wavelet rời rạc (DWT): Thuật toán Mallat dùng các bộ lọc thông thấp (LD, LR) và thông cao (HD, HR) phân tách tín hiệu thành thành phần xấp xỉ ($A_j$) và chi tiết ($D_j$).
3. Hàm Hermite và phân tích giá trị kỳ dị (SVD): Biểu diễn phức bộ QRS bằng $N=16$ bậc đầu tiên của hệ đa thức trực giao Hermite $H_n(x)$, giải hệ phương trình tối ưu sai số cực tiểu bằng SVD.
4. Mạng nơ-ron logic mờ TSK: Kiến trúc 5 lớp dùng hàm liên thuộc Gauss mở rộng (tham số tâm $A$, độ rộng $\sigma$, hình dạng $b$) và hàm kết luận tuyến tính ($f_i(x) = q_{i0} + \sum q_{ij} x_j$). Thuật toán học lai phân tách tối ưu tham số phi tuyến (lặp) và tham số tuyến tính (bình phương tối thiểu).

• Phương pháp nghiên cứu và nguồn dữ liệu:
• Phương pháp: Kết hợp lý thuyết và thực nghiệm theo chu trình kín.
• Tiêu chí đánh giá lọc: Tỉ số tín hiệu trên tạp âm (SNR), Hệ số tương quan chéo (CORR), Phần trăm trung bình bình phương sai lệch (PRD) và Tỉ lệ tần số dưới 1 Hz ($TH_1$).
• Tiêu chí đánh giá nhận dạng: Tỉ lệ nhận dạng sai, số ca âm tính giả (False Negative - FN) và dương tính giả (False Positive - FP).
• Nguồn dữ liệu:
  • CSDL MIT-BIH: 48 bản ghi 30 phút từ 47 bệnh nhân, lấy mẫu 360 Hz. Trích 16 bản ghi lập tập mẫu MIT/16-16 gồm 7 loại nhịp (A, E, L, R, I, V, Normal).
  • CSDL MGH/MF: 250 bản ghi, lấy mẫu 360 Hz, có kênh nhịp thở RES đồng bộ. Chọn 20 bản ghi lập các tập mẫu MGH/20-20, MGH/15-5, MGH/19-1 gồm 3 loại nhịp (S, V, Normal).
  • Thực nghiệm phần cứng: Thu thập nhịp thở bằng cảm biến gia tốc ba trục MMA8451Q ở ba trạng thái thở thường, thở chậm, thở nhanh.

Nội dung chính theo từng chương

Mở đầu

Trình bày bối cảnh nghiên cứu, tính cấp thiết, 4 mục tiêu nghiên cứu, đối tượng và phạm vi, phương pháp tiếp cận chu trình kín, ý nghĩa khoa học - thực tiễn, 4 đóng góp mới và bố cục toàn văn luận án.

Chương I: Tổng quan về ảnh hưởng của nhịp thở trong tín hiệu ECG

Trình bày giải phẫu sinh lý tim mạch, hệ hô hấp, cơ chế hình thành sóng ECG và hệ thống chuyển đạo Einthoven. Phân tích 3 ảnh hưởng của nhịp thở trong dải tần [0,05 ÷ 1] Hz: rối loạn nhịp tim (khoảng RR thay đổi theo pha thở), điều chế biên độ đỉnh R và trôi dạt đường cơ sở do biến thiên thể tích, trở kháng lồng ngực. Đề xuất mô hình nhận dạng tổng quát và 4 kịch bản thử nghiệm: Kịch bản 1 (ECG gốc, 18 đặc tính), Kịch bản 2 (ECG lọc wavelet, 18 đặc tính), Kịch bản 3 (ECG gốc bổ sung 2 đặc tính nhịp thở, 20 đặc tính), Kịch bản 4 (ECG lọc wavelet kết hợp 2 đặc tính nhịp thở, 20 đặc tính). Phân chia 10 trường hợp thử nghiệm theo bảng:

Kịch bản nhận dạng	MIT/16-16	MGH/20-20	MGH/15-5	MGH/19-1
Kịch bản 1: Không sử dụng giải pháp đề xuất	Trường hợp 1.1	Trường hợp 1.2	Trường hợp 1.3	Trường hợp 1.4
Kịch bản 2: Lọc Wavelet	Trường hợp 2.1	Trường hợp 2.2	Trường hợp 2.3	Trường hợp 2.4
Kịch bản 3: Bổ sung đặc tính nhịp thở	—	Trường hợp 3.2	—	—
Kịch bản 4: Lọc Wavelet + Nhịp thở	—	Trường hợp 4.2	—	—

Chương II: Tổng quan phương pháp loại bỏ ảnh hưởng của nhịp thở và nhận dạng tín hiệu ECG

Đánh giá thực nghiệm 4 bộ lọc số thông cao gồm Kaiser_56, Rectang_100, Kaiser_255 và Butterworth_2:

Loại bộ lọc	SNR (dB)	CORR (%)	PRD (%)	TH1 (%)
Kaiser_56	6,75	88,75	45,98	12,35
Rectang_100	7,15	90,12	43,89	11,20
Kaiser_255	8,42	92,45	38,12	9,85
Butterworth_2	9,85	94,62	32,77	7,45

Kết quả chỉ ra bộ lọc số làm méo sóng S và đoạn ST. Chương trình bày lý thuyết biến đổi wavelet CWT/DWT; phân tích tín hiệu bằng đa thức Hermite qua SVD; kiến trúc mạng TSK 5 lớp cùng thuật toán học lai tham số tuyến tính và phi tuyến.

Chương III: Các giải pháp đề xuất loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG

Trình bày hai giải pháp đề xuất:

1. Khảo sát các họ Daubechies (bậc 1-20), Biorthogonal (bậc 1.1-6.8), Symlet (bậc 2-20) và Coiflet (bậc 1-5), xác định thành phần xấp xỉ mức 8 ($A_8$) ở tần số lấy mẫu 360 Hz tương ứng dải tần hô hấp, chọn họ Coiflets bậc 4 (Coif4) triệt tiêu trôi dạt đường cơ sở và điều chế biên độ mà không làm méo sóng P, T, ST.
2. Bổ sung 2 đặc tính nhịp thở tức thời (biên độ nhịp thở tại đỉnh R và trung bình 10 chu kỳ thở cuối cùng) giúp mạng TSK phân biệt biến đổi khoảng RR do hô hấp với loạn nhịp bệnh lý. Chương III cũng mô tả mạch đo nhịp thở dùng cảm biến gia tốc MMA8451Q, phân tích tín hiệu 3 trục ở trạng thái thở thường, thở chậm, thở nhanh và tách lọc bằng thành phần $A_8$.

Chương IV: Trích chọn đặc trưng và nhận dạng tín hiệu ECG bằng mạng TSK

Trình bày quy trình trích chọn véctơ đặc trưng 18 chiều (16 hệ số Hermite + 2 đặc tính RR) và 20 chiều (thêm 2 đặc tính nhịp thở). Khảo sát số luật mờ TSK tối ưu. Thực nghiệm nhận dạng trên tập MIT/16-16 (7 loại nhịp) và MGH/20-20, MGH/15-5, MGH/19-1 (3 loại nhịp). Kết quả khẳng định Kịch bản 2 và 3 vượt trội Kịch bản 1; Kịch bản 4 đạt độ chính xác cao nhất và giảm tối đa số ca âm tính sai (FN). Tập MGH/20-20 đạt độ chính xác cao nhất do mô hình cá nhân hóa, trong khi tập MGH/15-5 có độ chính xác thấp hơn khi kiểm tra trên bệnh nhân mới.

Kết luận và hướng phát triển

Tóm lược kết quả nghiên cứu, khẳng định hiệu quả của bộ lọc wavelet Coif4 và việc kết hợp đặc tính nhịp thở tức thời trong nhận dạng ECG bằng mạng TSK, nêu định hướng phát triển phần cứng nhúng thời gian thực và thuật toán thích nghi trực tuyến.

Kết quả và những đóng góp mới

• Đóng góp về mặt lý luận và khoa học:

1. Đã khảo sát định lượng và lựa chọn họ wavelet Coiflets bậc 4 (Coif4) ở mức phân tích xấp xỉ $A_8$ (tương ứng dải tần hô hấp ở tần số lấy mẫu 360 Hz) làm bộ lọc tối ưu loại bỏ trôi dạt đường cơ sở và điều chế biên độ, hạn chế tối đa biến dạng đặc tính hình học của tín hiệu ECG.
2. Đã đề xuất bổ sung 2 đặc tính nhịp thở tức thời (biên độ nhịp thở tại đỉnh R và chu kỳ trung bình 10 nhịp thở cuối cùng) vào véctơ đặc trưng để khắc phục ảnh hưởng của hiện tượng rối loạn nhịp tim do hô hấp.
3. Xây dựng 4 kịch bản nhận dạng hoàn chỉnh trên mạng nơ-ron logic mờ TSK kết hợp khai triển Hermite và SVD, chứng minh việc loại bỏ nhịp thở và bổ sung thông tin nhịp thở đồng thời (Kịch bản 4) đạt chất lượng nhận dạng cao nhất.

• Đóng góp về mặt thực tiễn và giải pháp:

1. Xây dựng các bộ dữ liệu mẫu chuẩn hóa MIT/16-16, MGH/20-20, MGH/15-5, MGH/19-1 phục vụ nghiên cứu nhận dạng ECG có xét đến yếu tố nhịp thở.
2. Giảm thiểu tỉ lệ âm tính giả (False Negative - FN) trong nhận dạng nhịp tim bệnh lý, nâng cao độ tin cậy trong chẩn đoán y tế.
3. Thiết kế thử nghiệm mạch thu thập tín hiệu nhịp thở nhỏ gọn dùng cảm biến gia tốc ba trục MMA8451Q, làm tiền đề tích hợp thiết bị theo dõi y tế cá nhân.

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế của nghiên cứu: Dữ liệu thử nghiệm từ các cơ sở dữ liệu chuẩn mới chỉ giới hạn từ 1 đến 3 chuyển đạo ECG thay vì 12 chuyển đạo tiêu chuẩn lâm sàng; độ chính xác nhận dạng giảm khi áp dụng trên các bệnh nhân hoàn toàn mới (như tập MGH/15-5) do độ biến thiên điện tim giữa các cá thể lớn; mạch phần cứng cảm biến gia tốc MMA8451Q mới dừng lại ở bước thu thập và tách lọc nhịp thở thực nghiệm, chưa tích hợp toàn bộ thuật toán nhận dạng TSK trực tiếp trên vi xử lý thời gian thực.

• Hướng nghiên cứu tiếp: Tiếp tục hoàn thiện mạch phần cứng tích hợp đồng bộ kênh đo ECG và cảm biến gia tốc nhịp thở; phát triển thuật toán cập nhật tham số mờ thích nghi trực tuyến khi áp dụng cho bệnh nhân mới.

Giá trị tham khảo

• Giảng viên, nghiên cứu sinh, học viên cao học ngành Kỹ thuật điều khiển và Tự động hóa, Kỹ thuật Y sinh, Đo lường và Xử lý tín hiệu: Tham khảo phương pháp phân tích đa phân giải Wavelet, trích chọn đặc trưng bằng chuỗi Hermite kết hợp phân tích SVD, và cấu trúc thuật toán học lai của mạng nơ-ron logic mờ TSK (Chương II, Chương III, Chương IV).
• Kỹ sư thiết kế thiết bị y tế và hệ thống đo lường: Tham khảo giải pháp thiết kế mạch đo nhịp thở sử dụng cảm biến gia tốc ba trục MMA8451Q và kỹ thuật bóc tách thành phần hô hấp $A_8$ (Mục 3.3).
• Chuyên gia y tế và bác sĩ tim mạch: Tham khảo dữ liệu phân tích định lượng về tương tác cơ học - điện học giữa hệ hô hấp và tín hiệu điện tim, hỗ trợ phân biệt biến thiên sinh lý và rối loạn nhịp bệnh lý.

Câu hỏi thường gặp

1. Quá trình hô hấp gây ra những ảnh hưởng cụ thể nào lên tín hiệu điện tim (ECG)? Hoạt động hô hấp nằm trong dải tần [0,05 ÷ 1] Hz, gây ra 3 ảnh hưởng chính: rối loạn nhịp tim do hô hấp (chu kỳ RR co ngắn khi hít vào, kéo dài khi thở ra do thay đổi nồng độ oxy và phản xạ thần kinh), điều chế biên độ đỉnh R (do cơ hoành dịch chuyển làm thay đổi vị trí tim và góc trục điện tim), và trôi dạt đường cơ sở (do lồng ngực co giãn làm thay đổi trở kháng tiếp xúc giữa điện cực và bề mặt da).

2. Tại sao luận án lựa chọn bộ lọc wavelet Coiflets bậc 4 thay vì các bộ lọc số thông cao? Các bộ lọc số thông cao truyền thống (như Kaiser_56, Rectang_100, Kaiser_255, Butterworth_2) có tần số cắt cố định nên không xử lý triệt để tính chất phi tuyến của nhịp thở và làm méo dạng sóng S, đoạn ST. Wavelet Coiflets bậc 4 (Coif4) với mức xấp xỉ bậc 8 ($A_8$) ở tần số lấy mẫu 360 Hz tương ứng chính xác dải tần hô hấp [0,05 ÷ 1] Hz, giúp bóc tách và loại bỏ trôi dạt đường cơ sở và điều chế biên độ mà ít làm ảnh hưởng đến hình dạng sóng P, T và phân đoạn ST.

3. Hai đặc tính nhịp thở tức thời được bổ sung vào mô hình nhận dạng là gì và mang lại lợi ích gì? Hai đặc tính bổ sung gồm: biên độ tức thời của tín hiệu nhịp thở tại vị trí đỉnh R của phức bộ QRS và giá trị chu kỳ thở trung bình của 10 chu kỳ thở liên tiếp cuối cùng. Hai đặc tính này cung cấp thông tin trạng thái hô hấp tức thời, giúp mạng TSK phân biệt sự biến đổi khoảng RR là do hiện tượng sinh lý hô hấp tự nhiên hay do bệnh lý loạn nhịp tim, khắc phục giới hạn của các phương pháp lọc tín hiệu đơn thuần.

4. Bốn kịch bản nhận dạng được thiết lập như thế nào và kết quả kịch bản nào cho hiệu quả cao nhất? Bốn kịch bản gồm: Kịch bản 1 (ECG gốc chưa lọc, 18 đặc tính), Kịch bản 2 (ECG đã lọc wavelet Coif4, 18 đặc tính), Kịch bản 3 (ECG gốc bổ sung 2 đặc tính nhịp thở, 20 đặc tính), Kịch bản 4 (ECG đã lọc wavelet Coif4 kết hợp 2 đặc tính nhịp thở, 20 đặc tính). Kết quả thử nghiệm trên dữ liệu MIT-BIH và MGH/MF cho thấy Kịch bản 4 đạt độ chính xác phân loại cao nhất và giảm thiểu số ca âm tính sai (False Negative - FN).

5. Vì sao độ chính xác nhận dạng trên tập mẫu MGH/20-20 lại vượt trội so với tập mẫu MGH/15-5? Tập mẫu MGH/20-20 được huấn luyện và kiểm tra trên cùng nhóm 20 bệnh nhân (mô hình cá nhân hóa), trong khi tập MGH/15-5 huấn luyện trên 15 bệnh nhân và kiểm tra trên 5 bệnh nhân hoàn toàn mới. Do tín hiệu điện tim có độ biến thiên rất lớn giữa các cá thể khác nhau, mô hình chưa được cập nhật dữ liệu của bệnh nhân mới sẽ cho kết quả nhận dạng thấp hơn, phản ánh đúng thực tế hoạt động của các thiết bị chẩn đoán y tế hiện nay.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Đức Thảo đã giải quyết vấn đề kỹ thuật nâng cao chất lượng nhận dạng tín hiệu điện tim qua giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh. Bằng việc kết hợp bộ lọc biến đổi wavelet Coiflets bậc 4 ở thành phần xấp xỉ mức 8 ($A_8$) và bổ sung 2 đặc tính nhịp thở tức thời vào mô hình nhận dạng mạng nơ-ron logic mờ TSK, luận án đã chứng minh sự cải thiện rõ rệt về độ chính xác phân loại và giảm thiểu sai số âm tính giả. Các kết quả thực nghiệm trên các cơ sở dữ liệu chuẩn quốc tế MIT-BIH, MGH/MF cùng thử nghiệm mạch cảm biến gia tốc MMA8451Q đã khẳng định giá trị khoa học và tiềm năng ứng dụng thực tiễn của đề tài trong phát triển thiết bị theo dõi tim mạch.

Trích đoạn nội dung tài liệu

Chương I: Tổng quan về ảnh hưởng của nhịp thở trong tín hiệu ECG lên, phổi được kéo giãn ra làm áp suất không khí ở phế nang thấp hơn áp suất ở khí quyển và không khí từ ngoài tràn vào phổi. Cuối chu kỳ hít vào, các cơ hít vào giãn ra và động tác thở ra được bắt đầu. Quá trình thở ra làm các xương sườn hạ xuống, cơ hoành lồi lên phía lồng ngực, thể tích của lồng ngực giảm đi, phổi co lại làm áp suất trong phế nang cao hơn áp suất khí quyển nên không khí từ phổi đi ra ngoài.9: Các động tác của quá trình hô hấp Quá trình hít vào – thở ra đã làm thay đổi thể tích lồng ngực dẫn đến làm thay đổi trở kháng tiếp xúc giữa điện cực với bề mặt cơ thể và thay đổi góc của vectơ tim so với vectơ tham chiếu gây ra các ảnh hưởng trong tín hiệu ECG đưa về mạch thu thập. Một số ảnh hưởng của nhịp thở trong tín hiệu ECG Phổi và tim được kết nối bởi các mạch máu để đảm bảo rằng tất cả các bộ phận trong cơ thể nhận được lượng Oxygen và dưỡng chất cần thiết.

Phổi lần lượt đóng một vai trò chủ đạo trong việc hấp thụ Oxygen và giải phóng Carbon dioxide, các cơn co thắt của tim giúp lưu thông máu khắp cơ thể. Vì vậy dễ dàng nhận thấy rằng nhịp thở có ảnh hưởng tới các đặc tính của tín hiệu ECG và sự ảnh hưởng này được phân tích lần đầu tiên bởi hệ thống Einthoven [25]. Các nghiên cứu của [70, 94] cũng đã chỉ ra rằng các hoạt động hô hấp dẫn đến sự thay đổi véctơ trục điện tim [94]. Mặt khác khi ta hít thở làm cho thể tích của lồng ngực thay đổi dẫn đến làm thay đổi trở kháng tiếp xúc giữa bề mặt da của cơ thể với điện cực thu thập tín hiệu ECG [49] làm ảnh hưởng đến chất lượng tín hiệu ECG đưa về mạch thu thập [35, 39, 63] dẫn đến làm thay đổi các thông tin lâm sàng trong việc chẩn đoán, xác định bệnh, điều trị và theo dõi diễn biến của bệnh [39, 52].

Xét về mặt tín hiệu thì nhịp thở có dải tần từ [0,05 ÷1]Hz tương ứng với vùng tần số thấp của tín hiệu ECG làm thay đổi chu kỳ RR, sóng P và sóng T trong tín hiệu ECG và gây ra ba ảnh hưởng trong tín hiệu ECG đó là rối loạn nhịp tim, điều chế biên độ tín hiệu ECG và trôi dạt đường cơ sở.  12  Chương I: Tổng quan về ảnh hưởng của nhịp thở trong tín hiệu ECG 1. Rối loạn nhịp tim Rối loạn nhịp tim là hiện tượng khoảng thời gian (chu kỳ) RR của tín hiệu ECG bị thay đổi theo nhịp thở [17, 21, 23, 29, 38, 40, 47, 56, 75], cụ thể là khoảng RR rút ngắn trong thời gian hít vào và kéo dài trong thời gian thở ra như trên hình 1. Mặt khác đối với bài toán nhận dạng tín hiệu ECG khoảng RR của tín hiệu ECG là một đặc tính quan trọng [57, 68, 73, 74, 98] nên việc chu kỳ RR thay đổi sẽ làm ảnh hưởng tiêu cực tới chất lượng của quá trình nhận dạng tín hiệu ECG.10: Tín hiệu ECG có khoảng RR thay đổi và tín hiệu nhịp thở 1.

Điều chế biên độ tín hiệu ECG Điều chế biên độ tín hiệu ECG là một hiện tượng mà biên độ đỉnh R của tín hiệu ECG bị điều chế theo nhịp thở [49, 70, 94] như trên hình 1.