Tổng quan luận án

Luận án tiến sĩ kỹ thuật với đề tài "Phân tích tín hiệu điện tim cho việc cải thiện trong chẩn đoán bệnh tim" do nghiên cứu sinh Nguyễn Thanh Nghĩa thực hiện tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, thuộc ngành Kỹ thuật Điện tử (mã số: 9520203), dưới sự hướng dẫn khoa học của PGS. Nguyễn Thanh Hải, hoàn thành vào tháng 06 năm 2022.

Tính cấp thiết và khoảng trống nghiên cứu

Bệnh tim mạch là một trong những nguyên nhân gây tử vong hàng đầu trên thế giới và tại Việt Nam. Theo số liệu thống kê được tác giả trích dẫn:

  • Năm 2015: khoảng 20% dân số Việt Nam mắc bệnh tim mạch và tăng huyết áp; trên toàn cầu, bệnh tim mạch gây ra 17,9 triệu ca tử vong mỗi năm và dự báo tăng lên 23,6 triệu ca vào năm 2030.
  • Năm 2018: 1/3 tổng số ca tử vong tại Việt Nam bắt nguồn từ các bệnh lý liên quan đến tim mạch.

Tín hiệu điện tâm đồ (Electrocardiogram - ECG) ghi lại các biến thiên điện thế do hoạt động co bóp của cơ tim. Tín hiệu này có biên độ rất nhỏ (tính bằng milivôn - mV) và chu kỳ thay đổi nhanh. Nhiều đặc trưng bệnh lý trong tín hiệu ECG rất khó nhận biết trực tiếp bằng mắt thường. Quá trình xử lý tín hiệu và nhận dạng bệnh tim tự động gặp phải bốn thách thức kỹ thuật lớn:

  1. Tính biến đổi của đặc trưng tín hiệu ECG: Nhịp tim của từng cá nhân mang các đặc trưng khác nhau dù cùng mắc một loại bệnh lý; đặc trưng này còn biến đổi theo trạng thái sinh lý và tinh thần tại từng thời điểm.
  2. Chưa có quy luật phân loại tối ưu duy nhất: Hiện chưa tồn tại một thuật toán tổng quát đạt hiệu quả tối ưu tuyệt đối cho mọi tập dữ liệu và mọi dạng bệnh lý tim mạch.
  3. Tính phức tạp của dạng sóng tín hiệu: Tín hiệu ECG chuẩn gồm các sóng cơ bản P, Q, R, S, T và U, nhưng tín hiệu thực tế ghi nhận trong thời gian dài có thể chứa hàng nghìn đỉnh sóng với nhiều biến dạng phức tạp, gây trở ngại cho việc trích xuất đặc trưng.
  4. Độ phức tạp khi xây dựng hệ thống thời gian thực: Tín hiệu ECG chứa nhiều tham số phụ thuộc, đòi hỏi khối lượng tính toán lớn khi xây dựng bộ phân loại vận hành tức thời.

Bên cạnh đó, các cơ sở dữ liệu điện tim sẵn có thường tồn tại sự mất cân bằng lớn về số lượng mẫu giữa các nhóm bệnh lý và chứa nhiều thành phần nhiễu phát sinh trong quá trình đo gián tiếp (nhiễu tiếp xúc điện cực, nhiễu điện lưới, trôi đường cơ sở, nhiễu điện cơ). Do đó, việc xây dựng quy trình tích hợp từ tiền xử lý lọc nhiễu, trích xuất đặc trưng tối ưu đến mô hình phân loại tự động có độ chính xác cao là yêu cầu cần thiết.

Mục tiêu nghiên cứu

Mục tiêu tổng quát của luận án là phân tích tín hiệu điện tim nhằm cải thiện độ chính xác trong phân loại các dạng bệnh tim, cung cấp công cụ trợ giúp bác sĩ chẩn đoán sớm và đưa ra phác đồ điều trị phù hợp. Cụ thể, luận án đặt ra hai mục tiêu nghiên cứu:

  1. Mục tiêu 1: Xây dựng phương pháp lọc nhiễu và chuẩn hóa tín hiệu điện tim phục vụ cho công đoạn trích đặc trưng và phân loại. Phân tích chi tiết các thành phần sóng cơ bản và đặc trưng của từng dạng bệnh tim; thiết lập bộ lọc giảm thiểu nhiễu nhưng bảo toàn tối đa thông tin hữu ích của tín hiệu.
  2. Mục tiêu 2: Đề xuất hệ thống trích đặc trưng kết hợp bộ phân loại để nhận dạng các nhóm bệnh tim từ tín hiệu đã lọc nhiễu. Phát triển giải thuật trích xuất đặc trưng phi tuyến và cấu hình mô hình mạng nơ-ron nhằm nâng cao độ chính xác phân loại.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu:
    • Dữ liệu tín hiệu điện tim ECG số hóa mang các dạng bệnh lý tim khác nhau.
    • Các công cụ lập trình và xử lý số liệu: môi trường MATLAB và ngôn ngữ Python.
    • Các chỉ số và phương pháp đánh giá hiệu năng của bộ lọc và bộ phân loại (SNR, MSE, ma trận nhầm lẫn, đường cong ROC).
  • Phạm vi nghiên cứu:
    • Tập trung phân loại 05 nhóm nhịp tim theo tiêu chuẩn ANSI-AAMI EC57-2012 gồm: nhịp bình thường (N), nhịp ngoại tâm thu trên thất (S), nhịp ngoại tâm thu thất (V), nhịp hỗn hợp (F), và các nhịp không phân loại được / nhịp tạo nhịp (Q).
    • Nguồn dữ liệu kiểm nghiệm: Tập cơ sở dữ liệu chuẩn quốc tế MIT-BIH Arrhythmia Database (gồm 48 bản ghi tín hiệu Holter 2 kênh, độ dài 30 phút, tần số lấy mẫu 360 Hz, độ phân giải 11-bit trong dải 10 mV) kết hợp với tập dữ liệu tín hiệu điện tim tự thu thập tại Phòng thí nghiệm Kỹ thuật Y sinh - Trường Đại học Sư phạm Kỹ thuật TP.HCM.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước đây

Tác giả đã tổng hợp và phân tích có hệ thống các công trình nghiên cứu trong nước và quốc tế liên quan đến tiền xử lý, trích xuất đặc trưng và phân loại tín hiệu điện tim:

Các công trình nghiên cứu trong nước:

  • Chử Đức Hoàng (2014): Nghiên cứu đề tài "Phân tích tín hiệu loạn nhịp tim", cải tiến phương pháp Pan-Hamilton-Tompkins để nhận diện phức hợp QRS và đề xuất giải thuật phân tích khử khuynh hướng động đa trị (Multi Detrended Fluctuation Analysis - MDFA) kết hợp véc-tơ khoảng RR chuẩn hóa, đạt độ chính xác phân loại 89%.
  • Nguyễn Đức Thảo (2016): Luận án "Nâng cao chất lượng nhận dạng tín hiệu điện tim dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh", áp dụng bộ lọc loại bỏ ảnh hưởng nhịp thở kết hợp mạng nơ-ron logic mờ Takagi-Sugeno-Kang (TSK), đạt độ chính xác 96,6% trên 3 nhóm bệnh.
  • Phạm Văn Nam (2018): Nghiên cứu "Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp", phối hợp kết quả đầu ra của ba bộ phân loại MLP, SVM và Rừng ngẫu nhiên (Random Forest - RF) thông qua mô hình cây quyết định, đạt độ chính xác 98,6%.

Các công trình nghiên cứu quốc tế:

  • R. Rodríguez và cộng sự (2015): Ứng dụng biến đổi Hilbert kết hợp kỹ thuật ngưỡng thích nghi và phân tích thành phần chính (PCA) để trích xuất phức hợp QRS.
  • Saeed Mian Qaisar và cộng sự (2018): Kết hợp biến đổi wavelet để lọc nhiễu, trích đặc trưng và phân loại bằng Rừng ngẫu nhiên, đạt độ chính xác 97%.
  • Taiyong Li và cộng sự (2016): Đề xuất phương pháp Wavelet Packet Entropy (WPE) kết hợp thông tin khoảng cách RR và bộ phân loại Random Forest, đạt độ chính xác 94,61% trên 5 nhóm bệnh của tập MIT-BIH.
  • Hongqiang Li và cộng sự (2017): Ứng dụng biến đổi wavelet trích xuất 48 đặc trưng, dùng thuật toán di truyền (GA) giảm chiều xuống 25 đặc trưng và huấn luyện mạng GA-BPNN, đạt độ chính xác 97,78%.
  • Di Wang và cộng sự (2017): Sử dụng biến đổi wavelet rời rạc (DWT mức 9, hàm db2), kỹ thuật ngưỡng mềm, bộ tự mã hóa rời rạc (Sparse Autoencoder 2 lớp ẩn) và Softmax, đạt độ chính xác 96,05%.
  • Shu Lih Oh và cộng sự (2018): Xây dựng mạng học sâu 10 lớp kết hợp CNN và LSTM nhận dạng trực tiếp các đoạn nhịp 260 mẫu không qua lọc nhiễu, đạt độ chính xác 98,10%.
  • Yong Xia và cộng sự (2018): Kết hợp biến đổi Fourier thời gian ngắn (STFT) và biến đổi wavelet để chuyển tín hiệu 1 chiều (1D) thành ma trận 2 chiều (2D), đưa vào mạng tích chập 10 lớp với các kernel kích thước 3x11 và 2x11, đạt độ chính xác 98,07%.
  • Yinsheng Ji và cộng sự (2019): Sử dụng mạng Faster R-CNN phân loại ảnh biểu diễn tín hiệu 2D sau khi khử nhiễu bằng phân rã thực nghiệm, đạt độ chính xác 99,21%.
  • Yang Xu và cộng sự (2017): Ứng dụng phân rã chế độ thực nghiệm tổng thể hoàn chỉnh thích nghi (CEEMDAN) khử nhiễu ngẫu nhiên và hiệu chỉnh đường cơ sở.
  • Supriya Goel và cộng sự (2020): Khảo sát 5 họ wavelet (Daubechies db1-db10, Coiflet, Haar, Biorthogonal, Symmlet) trong lọc nhiễu ECG.
  • Ricardo Rodriguez-Jorge và cộng sự (2018): Dùng biến đổi Hilbert, ngưỡng thích nghi và PCA xác định phức hợp QRS với độ dự đoán dương đạt 99,71% và độ nhạy 96,79%.
  • Qin Qin và cộng sự (2017): Biến đổi wavelet đa phân giải kết hợp PCA trích 12 đặc trưng và phân loại bằng SVM, đạt độ chính xác 99,1%.

Khoảng trống luận án lựa chọn giải quyết

Từ việc phân tích các công trình đã công bố, luận án nhận diện các hạn chế cần giải quyết:

  • Các giải pháp lọc nhiễu thông thường hoặc làm mất các đỉnh sóng nhọn có tần số cao hoặc chưa loại bỏ triệt để nhiễu trôi đường cơ sở và nhiễu điện lưới đồng thời.
  • Các phương pháp trích đặc trưng tuyến tính (như PCA cổ điển) gặp hạn chế trước tính chất phi tuyến phức tạp của tín hiệu điện tim.
  • Một số nghiên cứu học sâu gần đây chuyển đổi cưỡng bức tín hiệu điện tim 1D sang dạng ảnh 2D để sử dụng các kiến trúc CNN xử lý ảnh, làm tăng độ phức tạp tính toán và không phản ánh đúng bản chất chuỗi thời gian 1D; kích thước kernel trong các lớp tích chập thường được chọn theo kinh nghiệm mà chưa dựa trên đặc tính vật lý của các sóng con trong nhịp tim.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và các khái niệm sử dụng

  1. Giải phẫu sinh lý điện tim và hình thái tín hiệu ECG:
    • Hoạt động điện thế của tim thể hiện qua các thành phần: sóng P (khử cực tâm nhĩ, thời gian 80 ms, biên độ < 0,2 mV); phức hợp QRS gồm sóng Q, R, S (khử cực tâm thất, thời gian 80-120 ms); sóng T (tái cực tâm thất, thời gian khoảng 160 ms); sóng U (thường có biên độ nhỏ hoặc vắng mặt).
    • Các khoảng và phân đoạn: khoảng PR (120-200 ms), phân đoạn PR (50-120 ms), phân đoạn ST (80-120 ms từ điểm J đến bắt đầu sóng T), đoạn ST (320 ms từ điểm J đến hết sóng T), khoảng QT (khoảng 420 ms), khoảng RR (khoảng thời gian giữa hai đỉnh R liên tiếp).
    • Chuyển đạo đo gián tiếp: Chuyển đạo song cực chi (DI, DII, DIII), chuyển đạo đơn cực chi (aVR, aVL, aVF), và 6 chuyển đạo trước tim (V1 đến V6).
    • Chuẩn in trên giấy ghi điện tim: Tốc độ ghi 25 mm/s, độ nhạy 10 mm/1 mV (1 ô nhỏ 1 mm = 0,04 s và 0,1 mV; 1 ô lớn 5 mm = 0,2 s và 0,5 mV). Tần số tim tính bằng số lượng đỉnh R trong 300 ô lớn hoặc lấy 300 chia cho số ô vuông lớn giữa hai đỉnh R liên tiếp (đơn vị: bpm).
Thành phần sóng / Khoảng thời gian Ý nghĩa sinh lý Khoảng thời gian tiêu chuẩn
Sóng P Khử cực hai tâm nhĩ Khoảng 80 ms
Khoảng PR Dẫn truyền điện thế từ nhĩ đến thất 120 – 200 ms
Phức hợp QRS Khử cực hai tâm thất 80 – 120 ms
Phân đoạn PR Nối giữa sóng P và phức hợp QRS 50 – 120 ms
Phân đoạn ST Giai đoạn tái cực thất sớm 80 – 120 ms
Sóng T Quá trình tái cực muộn hai tâm thất Khoảng 160 ms
Đoạn ST Đo từ điểm J đến khi kết thúc sóng T Khoảng 320 ms
Khoảng QT Toàn bộ thời gian tâm thu điện học tâm thất Khoảng 420 ms
  1. Tiêu chuẩn phân nhóm bệnh tim ANSI-AAMI EC57-2012: Các loại nhịp theo định dạng MIT-BIH được ánh xạ thành 5 lớp bệnh theo chuẩn AAMI:
Ký hiệu AAMI Tên nhóm bệnh theo chuẩn AAMI Các dạng nhịp tim gốc theo chuẩn MIT-BIH
N Nhịp bình thường (Normal beats) Normal Beat (N), Left/Right Bundle Branch Block (L, R), Atrial Escape (e), Nodal Escape (j / NE)
S Nhịp ngoại tâm thu trên thất (Supraventricular ectopic beats - SVEB) Atrial Premature (A), Aberrated Atrial Premature (a), Nodal Premature (J), Supra-Ventricular Premature (S)
V Nhịp ngoại tâm thu thất (Ventricular ectopic beats - VEB) Premature Ventricular Contraction (V), Ventricular Escape (E)
F Nhịp hỗn hợp (Fusion beats) Fusion of Ventricular and Normal Beat (F)
Q Nhịp không phân loại / Tạo nhịp (Unknown beats) Paced Beat (P, /), Fusion of Paced and Normal (f), Unclassifiable Beat (Q)

  1. Biến đổi Wavelet và Kỹ thuật lọc:

    • Biến đổi Wavelet rời rạc (DWT): Phân rã tín hiệu thành hệ số xấp xỉ tần số thấp ($A$) và hệ số chi tiết tần số cao ($D$) qua các tầng lọc thông thấp và thông cao.
    • Các hàm wavelet khảo sát: Discrete Meyer (dmey), Biorthogonal (bior5.5, bior1.3), Daubechies (db4, db1), Symlet (sym1).
    • Ngưỡng lọc: Áp dụng ngưỡng cứng (hard thresholding) và ngưỡng mềm (soft thresholding) trên các hệ số wavelet.

  2. Kỹ thuật trích đặc trưng wkPCA và Mạng nơ-ron:

    • Phân tích thành phần chính dựa trên hàm nhân (Kernel PCA): Ánh xạ phi tuyến tín hiệu sang không gian nhiều chiều thông qua hàm nhân Gaussian kernel, sau đó áp dụng phép chiếu trực giao PCA để trích xuất các thành phần mang phương sai lớn nhất.
    • Mạng nơ-ron truyền thẳng nhiều lớp (MLP): Cấu trúc 4 lớp (3 lớp ẩn, 1 lớp ngõ ra) huấn luyện bằng giải thuật lan truyền ngược.
    • Mạng nơ-ron tích chập 1D (1D-CNN): Gồm các lớp Convolutional 1D, Max-pooling, Dropout, Fully Connected và lớp phân loại ngõ ra Softmax.

Phương pháp nghiên cứu

Luận án áp dụng phương pháp nghiên cứu định lượng thực nghiệm mô phỏng trên tập dữ liệu số:

  • Phương pháp khảo sát lý thuyết: Tổng hợp các mô hình toán học về biến đổi wavelet, kernel PCA, mạng nơ-ron và các tiêu chuẩn y tế quốc tế về điện tim.
  • Phương pháp tính toán và thiết kế: Xây dựng giải thuật khử nhiễu WDFR, giải thuật trích đặc trưng wkPCA và tính toán tham số kích thước kernel cho mạng 1D-CNN.
  • Phương pháp mô phỏng thực nghiệm: Lập trình giải thuật trên MATLAB và Python, chạy thử nghiệm trên cơ sở dữ liệu MIT-BIH Database và dữ liệu thực tế tại phòng thí nghiệm.
  • Phương pháp phân tích và đánh giá: Đánh giá định lượng kết quả lọc qua Tỉ số tín hiệu trên nhiễu (SNR), Sai số toàn phương trung bình (MSE), Mật độ phổ công suất (PSD); đánh giá bộ phân loại qua ma trận nhầm lẫn, độ chính xác tổng thể, độ nhạy, độ đặc hiệu, giá trị dự đoán dương và đường cong ROC/AUC.

Nguồn tư liệu và dữ liệu

  • MIT-BIH Arrhythmia Database: Tập dữ liệu gồm 48 bản ghi tín hiệu điện tim 2 kênh (chuyển đạo MLII kết hợp V1, V2, V4 hoặc V5) từ 47 bệnh nhân (25 nam từ 32-89 tuổi, 22 nữ từ 23-89 tuổi). Các tệp dữ liệu gồm 3 định dạng: tệp tiêu đề (.hea), tệp tín hiệu nhị phân (.dat) và tệp chú thích gán nhãn của chuyên gia y tế (.atr).
  • Tổng số lượng nhịp tim trong tập dữ liệu MIT-BIH:
    • Nhóm N: 181.022 nhịp
    • Nhóm S: 5.552 nhịp
    • Nhóm V: 14.464 nhịp
    • Nhóm F: 1.604 nhịp
    • Nhóm Q: 22.266 nhịp
    • Tổng số nhịp được gán nhãn: 224.908 nhịp.
  • Dữ liệu thực nghiệm thu nhận trực tiếp: Tín hiệu điện tim thu thập từ các tình nguyện viên tại Phòng thí nghiệm Kỹ thuật Y sinh (Bộ môn Điện tử Công nghiệp - Y sinh, Trường ĐH Sư phạm Kỹ thuật TP.HCM) dùng để kiểm chứng chéo khả năng khử nhiễu và tách nhịp của giải thuật đề xuất.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 thiết lập bức tranh tổng thể về dịch tễ học bệnh tim mạch và các yêu cầu cấp bách trong tự động hóa phân tích tín hiệu điện tâm đồ. Tác giả chỉ rõ các nguyên nhân gây tử vong hàng đầu của bệnh tim tại Việt Nam và trên thế giới; phân tích 4 khó khăn kỹ thuật cốt lõi trong xử lý tín hiệu ECG (tính biến động cá thể, không có quy luật phân loại tối ưu duy nhất, tính phức tạp của hình thái sóng, và trở ngại xử lý thời gian thực). Chương này tổng thuật 3 công trình tiêu biểu trong nước và 11 công trình quốc tế, chỉ ra khoảng trống cần nghiên cứu. Trên cơ sở đó, chương xác định rõ 2 mục tiêu nghiên cứu, đối tượng, phạm vi khảo sát (5 nhóm bệnh theo chuẩn AAMI EC57-2012), phương pháp luận và bố cục 6 chương của luận án.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày chi tiết nền tảng lý thuyết về điện tim học và xử lý tín hiệu số:

  • Trình bày giải phẫu sinh lý phát sinh điện thế hoạt động của tim, chi tiết hóa thông tin thời gian và ý nghĩa lâm sàng của từng thành phần sóng: sóng P, phức hợp QRS (Q, R, S), sóng T, sóng U và các đoạn phân đoạn PR, ST, QT.
  • Trình bày lý thuyết các hệ thống chuyển đạo gián tiếp (chuyển đạo tam giác Einthoven, chuyển đạo tăng cường chi Goldberger, và 6 chuyển đạo ngực Wilson); giải thích nguyên lý xác định biên độ và tần số tim từ giấy kẻ ô chuyên dụng (25 mm/s, 10 mm/mV).
  • Giới thiệu chi tiết tập cơ sở dữ liệu MIT-BIH Arrhythmia Database, cấu trúc các tệp tin liên kết (.dat, .hea, .atr), bảng phân bố số lượng nhịp tim của từng bệnh nhân và bảng ánh xạ các mã bệnh lý từ chuẩn MIT-BIH sang 5 nhóm bệnh theo tiêu chuẩn ANSI-AAMI EC57-2012.
  • Tổng quan các kỹ thuật tiền xử lý lọc nhiễu truyền thống (Butterworth, FIR, IIR, lọc thích nghi, lọc Kalman) và các kỹ thuật trích đặc trưng - giảm chiều dữ liệu (DWT, WPD, WPE, PCA, ICA, Kernel PCA, SVM, GA-BPNN, CNN, LSTM).

Chương 3: Giải thuật WDFR cho lọc nhiễu của tín hiệu điện tim và tách nhịp tim

Chương 3 tập trung giải quyết bài toán lọc nhiễu và phân đoạn nhịp tim:

  • Phân tích nguồn nhiễu: Phân tích chi tiết đặc tính hai loại nhiễu chính trong ghi nhận ECG: nhiễu điện lưới do nguồn cung cấp (PLI - tần số 50 Hz hoặc 60 Hz) và nhiễu lệch đường cơ sở (BWN - tần số thấp < 0,5 Hz do hô hấp và cử động của bệnh nhân).
  • Đề xuất giải thuật WDFR (Wavelet Decomposition - Filter - Reconstruction):
    1. Phân rã (Decomposition): Sử dụng biến đổi DWT phân rã tín hiệu ECG thành 8 mức sóng con để bóc tách các dải tần số khác nhau.
    2. Lọc (Filter): Áp dụng kỹ thuật phân ngưỡng cứng và ngưỡng mềm trên các hệ số chi tiết và xấp xỉ để triệt tiêu các thành phần nhiễu tần số cao (PLI) và nhiễu biến thiên chậm (BWN) mà không làm suy hao biên độ phức hợp QRS.
    3. Khôi phục (Reconstruction): Tái tạo lại tín hiệu điện tim sạch từ các hệ số đã xử lý thông qua biến đổi ngược IDWT.
  • Khảo sát hàm Wavelet và đánh giá bộ lọc: Khảo sát 6 hàm wavelet mẹ (dmey, bior5.5, db4, sym1, bior1.3, db1). Kết quả tính toán chỉ số SNR, sai số MSE và mật độ phổ công suất (PSD) chứng minh hàm Discrete Meyer (dmey) cho hiệu quả lọc nhiễu tối ưu nhất trên cả tập dữ liệu MIT-BIH và tập dữ liệu tự đo tại phòng thí nghiệm Y sinh.
  • Xác định đỉnh R và tách nhịp: Cải tiến và áp dụng thuật toán Pan-Tompkins để nhận diện chính xác vị trí đỉnh R trong phức hợp QRS trên tín hiệu đã lọc nhiễu. Từ vị trí đỉnh R, tiến hành cắt lấy các mẫu tín hiệu xung quanh để phân tách thành từng đoạn nhịp tim riêng lẻ chuẩn hóa, phục vụ cho công đoạn trích đặc trưng tiếp theo.

Chương 4: Trích đặc trưng tín hiệu điện tim dùng giải thuật wkPCA cho phân loại bệnh

Chương 4 đề xuất giải thuật trích xuất đặc trưng phi tuyến và xây dựng bộ phân loại kết hợp:

  • Giải thuật wkPCA (Wavelet Kernel Principal Component Analysis):
    • Tín hiệu từng nhịp tim sau khi phân rã wavelet được ánh xạ sang không gian đặc trưng mới nhiều chiều thông qua hàm nhân Gaussian kernel ($k(x, y) = \exp(-\gamma ||x - y||^2)$).
    • Thuật toán PCA được thực thi trong không gian nhân mới để trích xuất các thành phần đặc trưng mang lượng thông tin lớn nhất và loại bỏ các thành phần dư thừa, giúp giảm đáng kể số chiều dữ liệu ngõ vào.
  • Mô hình phân loại mạng nơ-ron truyền thẳng nhiều lớp (MLP):
    • Xây dựng mạng MLP gồm 4 lớp (1 lớp ngõ vào nhận véc-tơ đặc trưng wkPCA, 3 lớp ẩn và 1 lớp ngõ ra tương ứng với 5 nhóm bệnh N, S, V, F, Q).
    • Cấu hình các tham số huấn luyện mạng: hàm kích hoạt, tốc độ học, hàm mất mát và thuật toán tối ưu hóa lan truyền ngược.
  • Kết quả thực nghiệm:
    • Khảo sát sự ảnh hưởng của tham số kernel Gaussian và tỷ lệ phân chia dữ liệu huấn luyện / kiểm tra đối với hiệu suất nhận dạng.
    • Đánh giá định lượng bộ phân loại thông qua ma trận nhầm lẫn và diện tích dưới đường cong ROC (AUC). Kết quả cho thấy phương pháp trích đặc trưng wkPCA kết hợp mạng MLP phân loại chính xác các dạng nhịp tim, vượt trội hơn so với phương pháp PCA tuyến tính truyền thống.

Chương 5: Tính toán kích thước kernel của các lớp tích chập trong mạng học sâu cho phân loại bệnh tim

Chương 5 phát triển mô hình học sâu tích hợp tự động trích xuất đặc trưng và phân loại trực tiếp trên chuỗi tín hiệu 1D:

  • Cấu trúc mạng 1D-CNN đề xuất: Thiết kế mạng học sâu gồm 7 lớp tích chập 1D (Convolutional layers) kết hợp 4 lớp kết nối đầy đủ (Fully Connected layers), tích hợp các lớp Max-pooling để giảm chiều không gian và lớp Dropout để chống hiện tượng quá khớp (overfitting).
  • Đề xuất phương pháp tính kích thước kernel cho các lớp tích chập: Thay vì chọn kích thước kernel theo phương pháp thử - sai hoặc lấy từ các mạng xử lý ảnh 2D, luận án đề xuất phương pháp xác định kích thước kernel dựa trên độ dài vật lý và dải tần số của các thành phần sóng con (sóng P, phức hợp QRS, sóng T) có trong một nhịp tim ECG. Kỹ thuật này giúp các bộ lọc tích chập trích xuất bao quát toàn bộ các biến đổi hình thái cục bộ của nhịp tim.
  • Khảo sát thực nghiệm các tham số mạng:
    • Đánh giá tác động của độ dài cắt nhịp tim (số lượng mẫu) đến độ chính xác nhận dạng.
    • Khảo sát ảnh hưởng của các hàm wavelet tiền xử lý đối với mạng học sâu.
    • Khảo sát số lượng lớp tích chập thay đổi từ 1 đến 9 lớp; kết quả thực nghiệm xác định cấu trúc 7 lớp tích chập đạt độ chính xác và khả năng tổng quát hóa tối ưu.
  • Thiết kế mô hình hệ thống phân loại bệnh tim từ xa: Xây dựng sơ đồ kiến trúc hệ thống chẩn đoán từ xa qua mạng Internet sử dụng máy tính chủ (host server). Mô hình mạng học sâu đã huấn luyện được cài đặt trên máy chủ; bác sĩ hoặc cơ sở y tế tuyến dưới có thể tải dữ liệu tín hiệu ECG của bệnh nhân lên hệ thống để nhận kết quả phân loại tự động, hỗ trợ hội chẩn y tế từ xa.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết các kết quả đạt được của luận án:

  • Hoàn thiện giải thuật WDFR kết hợp hàm wavelet dmey cho lọc nhiễu ECG hiệu quả.
  • Phát triển thành công giải thuật trích đặc trưng phi tuyến wkPCA và mô hình phân loại MLP 4 lớp.
  • Xây dựng kiến trúc học sâu 1D-CNN 7 lớp tích chập với giải thuật tính toán kích thước kernel dựa trên thành phần sóng con của nhịp tim.
  • Đề xuất kiến trúc hệ thống chẩn đoán phân loại bệnh tim từ xa qua Internet.
  • Xác định các hạn chế hiện tại và định hướng các nghiên cứu mở rộng tiếp theo.

Kết quả và những đóng góp mới

Đóng góp mới về mặt khoa học và phương pháp

  1. Đề xuất giải thuật WDFR (Wavelet Decomposition - Filter - Reconstruction) cho lọc nhiễu tín hiệu điện tim: Luận án đã kết hợp phép phân rã wavelet 8 mức với các kỹ thuật phân ngưỡng cứng và ngưỡng mềm; xác định hàm wavelet dmey là hàm tối ưu nhất để loại bỏ đồng thời nhiễu điện lưới (PLI) và nhiễu trôi đường cơ sở (BWN) mà vẫn bảo tồn hình dạng các sóng đặc trưng. Luận án cũng hoàn thiện quy trình tách nhịp tim chính xác dựa trên cải tiến thuật toán Pan-Tompkins định vị đỉnh R.
  2. Đề xuất giải thuật trích đặc trưng phi tuyến wkPCA: Kết hợp phép biến đổi wavelet với phương pháp phân tích thành phần chính trên nền hàm nhân Gaussian (Kernel PCA). Phương pháp này ánh xạ tín hiệu sang không gian đặc trưng phi tuyến mới, giúp trích xuất tối đa các đặc trưng bệnh lý tiềm ẩn và giảm chiều dữ liệu hiệu quả, nâng cao hiệu năng phân loại khi kết hợp với mạng MLP 4 lớp.
  3. Đề xuất phương pháp tính toán kích thước kernel trong mạng học sâu 1D-CNN: Luận án đề xuất quy tắc tính toán kích thước kernel cho các lớp tích chập 1D dựa trực tiếp trên độ rộng và hình thái các thành phần sóng con (P, QRS, T) trong nhịp tim. Xây dựng thành công kiến trúc mạng nơ-ron học sâu gồm 7 lớp tích chập và 4 lớp kết nối đầy đủ, thực hiện trích đặc trưng tự động và phân loại bệnh tim trực tiếp từ tín hiệu 1D với độ chính xác cao.

Ý nghĩa thực tiễn và giải pháp đề xuất

  • Ứng dụng hệ thống chẩn đoán từ xa qua máy tính chủ: Luận án đề xuất mô hình ứng dụng hệ thống phân loại bệnh tim từ xa thông qua mạng máy tính chủ kết nối Internet. Mô hình cho phép tiếp nhận dữ liệu điện tim từ xa, thực thi phân tích tự động và trả kết quả phân loại 5 nhóm bệnh, hỗ trợ các bác sĩ lâm sàng đưa ra quyết định chẩn đoán sớm và chính xác.
  • Tiền đề phát triển thiết bị đo cầm tay: Các thuật toán lọc nhiễu WDFR, trích đặc trưng wkPCA và mạng học sâu 1D-CNN được tối ưu hóa về mặt tính toán, tạo cơ sở khoa học để nhúng vào các vi xử lý của thiết bị đo và cảnh báo bệnh tim di động.
  • Ứng dụng trong đào tạo: Kết quả nghiên cứu của luận án được đưa vào ứng dụng giảng dạy thực hành cho sinh viên chuyên ngành Kỹ thuật Y sinh tại Bộ môn Điện tử Công nghiệp - Y sinh, Trường Đại học Sư phạm Kỹ thuật TP.HCM.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Phạm vi phân loại bệnh: Luận án mới tập trung khảo sát và phân loại 05 nhóm nhịp tim theo phân loại chuẩn ANSI-AAMI EC57-2012 (N, S, V, F, Q), chưa bao quát toàn bộ các dạng bệnh lý tim phức tạp khác trong thực tế lâm sàng.
  • Quy mô tập dữ liệu thực nghiệm: Việc huấn luyện và kiểm thử mô hình chủ yếu dựa trên tập dữ liệu chuẩn MIT-BIH Arrhythmia Database; dữ liệu đo thực tế mới dừng lại ở quy mô thử nghiệm tại phòng thí nghiệm Kỹ thuật Y sinh, chưa được kiểm chứng lâm sàng trên diện rộng tại các bệnh viện chuyên khoa.

Hướng nghiên cứu phát triển tiếp theo

  • Mở rộng tập dữ liệu và phát triển giải thuật phân loại chi tiết hơn cho từng bệnh lý tim mạch cụ thể ngoài 5 nhóm chuẩn AAMI.
  • Tối ưu hóa cấu trúc mạng học sâu để giảm thiểu tài nguyên bộ nhớ và thời gian xử lý, hướng tới việc nhúng trực tiếp thuật toán lên phần cứng của các thiết bị đo điện tim cầm tay hoạt động theo thời gian thực.
  • Hoàn thiện giao diện phần mềm và giao thức kết nối bảo mật cho hệ thống máy chủ chẩn đoán từ xa, tích hợp vào các nền tảng y tế thông minh (Telemedicine).

Giá trị tham khảo

Luận án mang lại giá trị tham khảo cụ thể cho các nhóm đối tượng học thuật và ứng dụng:

  • Nghiên cứu sinh, học viên cao học và sinh viên ngành Kỹ thuật Điện tử, Kỹ thuật Y sinh và Khoa học Dữ liệu: Có thể tham khảo chi tiết cơ sở toán học và mã nguồn thuật toán lọc nhiễu WDFR (Chương 3), phương pháp trích đặc trưng wkPCA (Chương 4) và phương pháp xác định kích thước kernel cho mạng tích chập 1D (Chương 5).
  • Giảng viên đại học: Sử dụng tài liệu Chương 2 (Cơ sở lý thuyết điện tim, hệ thống chuyển đạo, cấu trúc dữ liệu MIT-BIH) và Chương 3 (Biến đổi Wavelet trong xử lý tín hiệu y sinh) làm học liệu tham khảo cho các môn học chuyên đề: Xử lý tín hiệu số sinh học, Kỹ thuật Y sinh, và Ứng dụng Trí tuệ nhân tạo trong Y tế.
  • Kỹ sư nghiên cứu và phát triển (R&D) thiết bị y tế: Tham khảo kiến trúc mạng học sâu 1D-CNN và sơ đồ kết nối hệ thống máy chủ chẩn đoán từ xa phục vụ thiết kế các sản phẩm máy đo Holter ECG thế hệ mới hoặc các ứng dụng y tế từ xa.

Câu hỏi thường gặp

1. Giải thuật WDFR lọc các loại nhiễu nào trong tín hiệu ECG và sử dụng hàm wavelet nào tối ưu nhất?

Giải thuật WDFR (Wavelet Decomposition - Filter - Reconstruction) được thiết kế để loại bỏ hai nguồn nhiễu chủ yếu: nhiễu điện lưới do nguồn cung cấp (PLI - 50/60 Hz) và nhiễu do lệch đường cơ sở (BWN - tần số thấp < 0,5 Hz). Giải thuật phân rã tín hiệu thành 8 mức sóng con, áp dụng ngưỡng cứng và ngưỡng mềm rồi khôi phục lại tín hiệu. Qua khảo sát thực nghiệm trên 6 hàm wavelet (dmey, bior5.5, db4, sym1, bior1.3, db1), hàm Discrete Meyer (dmey) cho các chỉ số SNR, MSE và mật độ phổ công suất (PSD) tốt nhất.

2. Luận án phân loại tín hiệu điện tim thành mấy nhóm bệnh theo tiêu chuẩn nào?

Luận án thực hiện phân loại tín hiệu điện tim thành 05 nhóm theo tiêu chuẩn ANSI-AAMI EC57-2012, bao gồm:

  • Nhóm N: Nhịp bình thường (Normal beats).
  • Nhóm S: Nhịp ngoại tâm thu trên thất (Supraventricular ectopic beats - SVEB).
  • Nhóm V: Nhịp ngoại tâm thu thất (Ventricular ectopic beats - VEB).
  • Nhóm F: Nhịp hỗn hợp (Fusion beats).
  • Nhóm Q: Nhịp không phân loại được hoặc nhịp tạo nhịp (Unknown / Paced beats).

3. Phương pháp trích đặc trưng wkPCA có nguyên lý hoạt động như thế nào?

Giải thuật wkPCA (Wavelet Kernel Principal Component Analysis) thực hiện phân rã tín hiệu từng nhịp tim bằng biến đổi wavelet, sau đó sử dụng hàm nhân Gaussian kernel để ánh xạ các hệ số wavelet sang không gian đặc trưng phi tuyến mới có số chiều cao hơn. Tại không gian này, kỹ thuật PCA được áp dụng để trích xuất các thành phần đặc trưng có phương sai lớn nhất và loại bỏ thành phần dư thừa, giúp giảm chiều dữ liệu trước khi đưa vào mạng nơ-ron truyền thẳng 4 lớp (MLP) để phân loại.

4. Điểm mới trong việc thiết kế kích thước kernel của mạng học sâu 1D-CNN trong luận án là gì?

Thay vì lựa chọn kích thước kernel theo kinh nghiệm thử - sai hoặc sao chép kích thước kernel 2D từ các mạng phân loại ảnh, luận án đề xuất phương pháp tính toán kích thước kernel cho các lớp tích chập 1D dựa trực tiếp trên độ dài thời gian và dạng hình học của các thành phần sóng con (sóng P, phức hợp QRS, sóng T) trong một nhịp tim ECG. Mạng 1D-CNN tối ưu được cấu hình với 7 lớp tích chập kết hợp 4 lớp kết nối đầy đủ.

5. Nguồn dữ liệu thực nghiệm được sử dụng trong luận án gồm những gì?

Luận án sử dụng hai nguồn dữ liệu:

  • Cơ sở dữ liệu chuẩn quốc tế MIT-BIH Arrhythmia Database gồm 48 bản ghi Holter ECG 2 kênh dài 30 phút từ 47 bệnh nhân, tần số lấy mẫu 360 Hz với tổng cộng 224.908 nhịp tim đã được các chuyên gia y tế gán nhãn độc lập.
  • Tập dữ liệu tín hiệu điện tim đo thực tế từ các tình nguyện viên thu thập tại Phòng thí nghiệm Kỹ thuật Y sinh thuộc Trường Đại học Sư phạm Kỹ thuật TP.HCM.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Thanh Nghĩa đã giải quyết bài toán phân loại bệnh tim từ tín hiệu điện tâm đồ thông qua ba giải pháp kỹ thuật: giải thuật lọc nhiễu WDFR dựa trên biến đổi wavelet mức 8 với hàm dmey, giải thuật trích đặc trưng phi tuyến wkPCA kết hợp mạng MLP 4 lớp, và mô hình học sâu 1D-CNN 7 lớp tích chập với kích thước kernel thiết kế theo đặc tính sóng con nhịp tim. Các kết quả nghiên cứu đã được kiểm chứng định lượng trên cơ sở dữ liệu quốc tế MIT-BIH và dữ liệu thực nghiệm tại phòng thí nghiệm, chứng minh tính hiệu quả trong việc nhận dạng 5 nhóm bệnh theo chuẩn AAMI EC57-2012. Công trình cung cấp cơ sở khoa học và kỹ thuật phục vụ việc phát triển các thiết bị đo điện tim cầm tay cũng như hệ thống hỗ trợ chẩn đoán bệnh tim từ xa qua Internet.