Phân Tích Tín Hiệu Điện Tim Để Cải Thiện Chẩn Đoán Bệnh Tim

Luận án tiến sĩ kỹ thuật nghiên cứu phân tích tín hiệu điện tim cho việc cải thiện trong chẩn đoán bệnh tim, phân tích chuyên sâu, xây dựng mô hình lý thuyết, đề xuất giải pháp

• Tác giả: Nguyễn Thanh Nghĩa
• Người hướng dẫn: PGS. Nguyễn Thanh Hải
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Nâng Cao Độ Chính Xác Chẩn Đoán Bệnh Tim Qua Phân Tích Tín Hiệu Điện Tim
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2022
• Địa điểm: Thành Phố Hồ Chí Minh

Tóm tắt

I. Tổng Quan Nghiên Cứu Điện Tim Đồ và Chẩn Đoán Bệnh Tim

Điện tim đồ (ECG hoặc EKG) là một công cụ quan trọng trong chẩn đoán các bệnh tim mạch. ECG ghi lại hoạt động điện của tim, cung cấp thông tin về nhịp tim, hình thái sóng và các khoảng thời gian. Phân tích tín hiệu điện tim có thể giúp phát hiện các rối loạn nhịp tim, nhồi máu cơ tim, suy tim và các bệnh van tim. Độ chính xác trong chẩn đoán điện tim rất quan trọng để đưa ra các quyết định điều trị phù hợp, đảm bảo sức khỏe và tính mạng của bệnh nhân. Các nghiên cứu gần đây tập trung vào việc cải thiện độ chính xác của phân tích tín hiệu điện tim bằng cách sử dụng các thuật toán xử lý tín hiệu và trí tuệ nhân tạo. Luận án của Nguyễn Thanh Nghĩa cũng tập trung vào vấn đề này, hướng đến việc nâng cao hiệu quả chẩn đoán bệnh tim thông qua phân tích tín hiệu điện tim.

1.1. Tầm quan trọng của Điện Tim Đồ ECG trong Tim Mạch

Điện tim đồ (ECG) đóng vai trò then chốt trong việc chẩn đoán sớm bệnh tim. Nó ghi lại các tín hiệu điện của tim, giúp bác sĩ phát hiện các rối loạn nhịp tim và các vấn đề khác. ECG là một xét nghiệm không xâm lấn, nhanh chóng và hiệu quả để đánh giá sức khỏe tim mạch. Do đó, ECG là một công cụ không thể thiếu trong phòng khám tim mạch và bệnh viện.

1.2. Các loại Bệnh Tim Mạch có Thể Chẩn Đoán bằng Điện Tim

Điện tim có thể giúp chẩn đoán nhiều loại bệnh tim mạch, bao gồm nhồi máu cơ tim, suy tim, rối loạn nhịp tim, và các bệnh về van tim. Phân tích hình thái sóng ECG (sóng P, phức bộ QRS, đoạn ST) và các khoảng thời gian (khoảng QT) giúp xác định các bất thường trong hoạt động điện của tim. Chẩn đoán sớm bệnh tim bằng ECG giúp cải thiện tiên lượng và chất lượng cuộc sống của bệnh nhân.

II. Thách Thức Giảm Nhiễu và Tăng Độ Chính Xác Điện Tim

Mặc dù là một công cụ hữu ích, phân tích điện tim đối mặt với nhiều thách thức. Tín hiệu điện tim thường bị ảnh hưởng bởi nhiễu từ nhiều nguồn khác nhau, bao gồm nhiễu đường dây điện, nhiễu điện cơ và nhiễu do chuyển động của bệnh nhân. Nhiễu có thể làm sai lệch hình dạng sóng và các khoảng thời gian, dẫn đến chẩn đoán không chính xác. Việc cải thiện độ chính xác của phân tích điện tim đòi hỏi các phương pháp xử lý tín hiệu hiệu quả để giảm nhiễu và các thuật toán phân tích mạnh mẽ để phát hiện các bất thường trong tín hiệu. Nghiên cứu của Nguyễn Thanh Nghĩa đề xuất các giải pháp mới trong tiền xử lý và lọc nhiễu để giải quyết vấn đề này.

2.1. Các Nguồn Gây Nhiễu Tín Hiệu Điện Tim ECG Phổ Biến

Nhiễu trong tín hiệu điện tim là một vấn đề lớn. Các nguồn nhiễu bao gồm nhiễu đường dây điện, nhiễu điện cơ, và nhiễu do chuyển động. Nhiễu có thể làm sai lệch hình dạng sóng và các khoảng thời gian, gây khó khăn cho việc chẩn đoán chính xác bệnh tim.

2.2. Ảnh Hưởng của Nhiễu đến Độ Chính Xác Chẩn Đoán Điện Tim

Nhiễu có thể làm giảm độ chính xác chẩn đoán của điện tim. Nó có thể che lấp các dấu hiệu quan trọng của bệnh tim, dẫn đến bỏ sót hoặc chẩn đoán sai. Do đó, việc lọc nhiễu tín hiệu điện tim là rất quan trọng để đảm bảo kết quả chẩn đoán đáng tin cậy.

III. Cách Lọc Nhiễu Điện Tim Giải Thuật WDFR Tối Ưu Hóa

Luận án của Nguyễn Thanh Nghĩa đề xuất một giải thuật mới để lọc nhiễu trong tín hiệu điện tim, gọi là giải thuật phân rã - lọc nhiễu - khôi phục (WDFR). WDFR sử dụng biến đổi wavelet để phân tách tín hiệu điện tim thành các thành phần sóng con với các dải tần số khác nhau. Các thành phần nhiễu được loại bỏ, và các thành phần sóng con còn lại được khôi phục để tạo ra tín hiệu điện tim đã lọc nhiễu. Giải thuật WDFR hứa hẹn cải thiện đáng kể chất lượng tín hiệu điện tim và độ chính xác của chẩn đoán.

3.1. Giới Thiệu Giải Thuật WDFR Wavelet Decomposition Filter Reconstruction

Giải thuật WDFR là một phương pháp mới để lọc nhiễu tín hiệu điện tim. Nó sử dụng biến đổi wavelet để phân tách tín hiệu thành các thành phần khác nhau, sau đó loại bỏ các thành phần nhiễu và khôi phục tín hiệu gốc. WDFR giúp cải thiện độ chính xác chẩn đoán bằng cách giảm thiểu ảnh hưởng của nhiễu.

3.2. Ưu Điểm của Phương Pháp WDFR so với Các Phương Pháp Lọc Nhiễu ECG Khác

WDFR có nhiều ưu điểm so với các phương pháp lọc nhiễu ECG truyền thống. Nó có khả năng loại bỏ nhiều loại nhiễu khác nhau, đồng thời bảo toàn các đặc trưng quan trọng của tín hiệu điện tim. WDFR cũng có thể được điều chỉnh để phù hợp với các loại tín hiệu và môi trường khác nhau, làm cho nó trở thành một giải pháp linh hoạt và hiệu quả.

3.3. Biến đổi Wavelet trong WDFR Phân tích Tín Hiệu Điện Tim hiệu quả

Biến đổi wavelet là một công cụ mạnh mẽ trong phân tích tín hiệu điện tim. Nó cho phép phân tách tín hiệu thành các thành phần tần số khác nhau, giúp xác định và loại bỏ các thành phần nhiễu. Biến đổi wavelet đóng vai trò then chốt trong giải thuật WDFR, giúp cải thiện đáng kể chất lượng tín hiệu điện tim.

IV. Trích Xuất Đặc Trưng ECG Thuật Toán wkPCA Nâng Cao Hiệu Suất

Sau khi lọc nhiễu, việc trích xuất các đặc trưng quan trọng từ tín hiệu điện tim là bước tiếp theo để phân loại bệnh tim. Luận án đề xuất một thuật toán trích đặc trưng dựa trên phương pháp phân tích thành phần chính của tín hiệu nhịp tim sau biến đổi wavelet và áp dụng kernel (wkPCA). Thuật toán wkPCA giúp trích xuất nhiều đặc trưng nhất có thể từ tín hiệu nhịp tim, cải thiện hiệu suất của các bộ phân loại bệnh tim.

4.1. Giới Thiệu Thuật Toán wkPCA Wavelet Kernel Principal Component Analysis

Thuật toán wkPCA là một phương pháp mới để trích xuất đặc trưng tín hiệu điện tim. Nó kết hợp biến đổi wavelet và phân tích thành phần chính (PCA) với kernel để trích xuất các đặc trưng quan trọng nhất từ tín hiệu. wkPCA giúp cải thiện hiệu suất phân loại bệnh tim.

4.2. Phân Tích Thành Phần Chính PCA trong wkPCA Giảm Chiều Dữ Liệu

Phân tích thành phần chính (PCA) là một kỹ thuật quan trọng trong wkPCA. Nó giúp giảm chiều dữ liệu bằng cách xác định các thành phần chính, đại diện cho phần lớn phương sai trong dữ liệu. PCA giúp giảm thiểu tính toán và cải thiện tốc độ phân loại.

4.3. Ứng Dụng Kernel trong wkPCA Nâng Cao Hiệu Suất Phân Loại

Ứng dụng kernel trong wkPCA giúp nâng cao hiệu suất phân loại. Kernel cho phép ánh xạ dữ liệu vào một không gian chiều cao hơn, nơi các mẫu dữ liệu có thể dễ dàng phân tách hơn. Kernel giúp cải thiện độ chính xác của bộ phân loại bệnh tim.

V. Ứng Dụng Mạng Học Sâu Chẩn Đoán Bệnh Tim Chính Xác Hơn

Để nâng cao hơn nữa độ chính xác của hệ thống phân loại, luận án nghiên cứu và đề xuất phát triển một mạng học sâu nhằm phân loại bệnh tim chính xác hơn. Cụ thể, luận án đề xuất phương pháp tính tham số kernel của các lớp tích chập trong mạng học sâu dựa vào các thành phần sóng con trong tín hiệu nhịp tim. Mạng học sâu có khả năng tự động học các đặc trưng phức tạp từ dữ liệu, hứa hẹn cải thiện đáng kể độ chính xác của chẩn đoán bệnh tim.

5.1. Cấu Trúc Mạng Học Sâu Deep Learning cho Phân Loại Bệnh Tim

Mạng học sâu là một công cụ mạnh mẽ để phân loại bệnh tim. Nó có khả năng tự động học các đặc trưng phức tạp từ dữ liệu, giúp cải thiện độ chính xác chẩn đoán. Cấu trúc mạng bao gồm nhiều lớp tích chập, lớp gộp và lớp kết nối đầy đủ.

5.2. Tối Ưu Hóa Kernel Lớp Tích Chập Convolutional Layer trong Mạng Học Sâu

Tối ưu hóa kernel trong lớp tích chập là rất quan trọng để cải thiện hiệu suất phân loại. Luận án đề xuất phương pháp tính tham số kernel dựa trên các thành phần sóng con trong tín hiệu nhịp tim, giúp trích xuất các đặc trưng phù hợp.

5.3. Kết Quả Thực Nghiệm Độ Chính Xác Phân Loại Bệnh Tim Cải Thiện

Các kết quả thực nghiệm cho thấy mạng học sâu có thể cải thiện đáng kể độ chính xác phân loại bệnh tim. Phương pháp được đề xuất trong luận án đạt được kết quả tốt hơn so với các phương pháp truyền thống, chứng tỏ tính hiệu quả của nó.

VI. Triển Vọng Tương Lai Ứng Dụng Thực Tế Chẩn Đoán Tim Mạch

Kết quả nghiên cứu có thể làm tiền đề để phát triển và xây dựng một thiết bị đo và phân loại bệnh tim cầm tay hoặc một hệ thống máy tính chủ để phân loại bệnh tim từ xa. Điều này mở ra cơ hội tiếp cận dịch vụ chẩn đoán tim mạch cho nhiều người hơn, đặc biệt là ở các vùng sâu vùng xa, nơi thiếu các chuyên gia tim mạch. Ứng dụng công nghệ vào chẩn đoán bệnh tim góp phần nâng cao chất lượng cuộc sống và kéo dài tuổi thọ cho bệnh nhân.

6.1. Phát Triển Thiết Bị Điện Tim Cầm Tay Chẩn Đoán Tim Mạch Tiện Lợi

Nghiên cứu này mở ra khả năng phát triển thiết bị điện tim cầm tay. Thiết bị này có thể giúp bệnh nhân tự theo dõi sức khỏe tim mạch tại nhà và chia sẻ dữ liệu với bác sĩ để được tư vấn từ xa. Chẩn đoán sớm bệnh tim trở nên dễ dàng và thuận tiện hơn.

6.2. Hệ Thống Chẩn Đoán Từ Xa Tiếp Cận Dịch Vụ Y Tế Mọi Lúc Mọi Nơi

Hệ thống chẩn đoán từ xa cho phép bệnh nhân gửi tín hiệu điện tim của họ đến bác sĩ thông qua internet. Bác sĩ có thể phân tích tín hiệu và đưa ra chẩn đoán từ xa, giúp bệnh nhân tiếp cận dịch vụ y tế mọi lúc mọi nơi, đặc biệt là ở các vùng sâu vùng xa.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan phương pháp bổ sung 2 thông tin từ nhịp thở vào tín hiệu điện tim để cải thiện độ chính xác của quá trình nhận dạng tín hiệu ECG. Hơn nữa, tác giả cũng sử dụng mô hình mạng TSK để nhận dạng tín hiệu ECG với 4 kịch bản khác nhau. Kết quả nhận dạng tốt nhất thu được là 96.6% cho trường hợp nhận dạng 3 loại bệnh khác nhau. Luận án tiến sĩ của tác giả Phạm Văn Nam với đề tài “Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp” được bảo vệ năm 2018 đã nghiên cứu xây dựng một bộ nhận dạng kết hợp nhằm nâng cao độ chính xác của việc phân loại tín hiệu loạn nhịp tim.

Cụ thể, đề tài này sử dụng thuật toán cây quyết định được kết hợp từ các bộ phân loại dùng phương pháp mạng nơ-ron truyền thẳng nhiều lớp MLP, phương pháp máy véc tơ hỗ trợ SVM, và phương pháp rừng ngẫu nhiên RF [9] để phân loại các loại bệnh tim. Trong đó, ngõ ra của các bộ phân loại MLP, SVM và RF sẽ được đưa vào bộ phân loại cây quyết định để quyết định loại bệnh tim tương ứng với tín hiệu nhịp tim. Kết quả độ chính xác nhận dạng bệnh tim thu được của hệ thống được đề xuất là 98. Mặc dù các nghiên cứu trong nước về tín hiệu điện tim cũng như phân loại bệnh tim từ tín hiệu là tương đối hạn chế, các nghiên cứu ngoài nước về lĩnh vực phân loại bệnh tim từ tín hiệu điện tim được thực hiện phong phú hơn.

Trong tài liệu tham khảo [10], tác giả R. Rodríguez và các cộng sự đã đề xuất phương pháp ngưỡng thích nghi kết hợp với phương pháp phân tích thành phần chính PCA để trích đặc trưng của tín hiệu điện tim ECG. Trong đó, các tác giả tập trung vào việc trích thành phần đặc trưng của phức hợp QRS như là một đặc trưng của tín hiệu điện tim ECG. Cụ thể, thành phần phức hợp QRS được trích sử dụng biến đổi Hilbert và kết hợp với thuật toán PCA dựa trên kỹ thuật ngưỡng thích nghi để trích thành phần đặc trưng của tín hiệu ECG.

Kết quả thu được của nghiên cứu này là xác định được phức hợp QRS trong tín hiệu điện tim. Hơn nữa, trong [11], Saeed Mian Qaisar và các cộng sự đã thiết kế một hệ thống phân loại bệnh tim sử dụng kết hợp phép biến đổi wavelet và thuật toán phân loại rừng ngẫu nhiên RF. Trong đó, thuật toán biến đổi wavelet được áp dụng để phân Trang – 4 – (LUAN.TIM an tien si luan an tien si1 TIEU LUAN MOI download : skknchat123@gm (LUAN.TIM Chương 1: Tổng quan tích tín hiệu điện tim nhằm loại bỏ nhiễu và trích đặc trưng. Các đặc trưng này được phân loại dựa vào thuật toán rừng ngẫu nhiên.

Kết quả độ chính xác phân loại của hệ thống này là 97%. Trong nghiên cứu [12], Taiyong Li và các cộng sự đã đề xuất phương pháp wavelet packet entropy để lựa chọn đặc trưng trong tín hiệu ECG cho việc phân loại các loại bệnh tim. Cụ thể, tín hiệu nhịp tim từ tập dữ liệu điện tim MIT-BIH ECG được phân tích dùng phương pháp wavelet packet để thu được các hệ số sau khi phân tích. Phương pháp entropy được sử dụng cho các hệ số sau khi phân tích để thu được các đặc trưng của tín hiệu điện tim.

Hơn nữa, thông tin của khoảng cách hai đỉnh RR trong phức hợp QRS cũng được sử dụng như là một đặc trưng. Bộ phân loại rừng ngẫu nhiên được sử dụng để phân loại các đặc trưng của tín hiệu nhịp tim ở trên nhằm đánh giá hiệu quả của phương pháp trích đặc trưng. Độ chính xác của bộ phân loại bệnh tim thu được là 94.61 % cho trường hợp phân loại 5 loại bệnh tim. Hongqiang Li và các cộng sự [13] đã đề xuất một hệ thống phân loại bệnh tim kết hợp giữa thuật toán phân tích dùng wavelet để trích đặc trưng của tín hiệu và mạng nơ-ron GA-BPNN để phân loại bệnh tim.

Cụ thể, tín hiệu điện tim được phân rã sử dụng phép biến đổi wavelet để trích đặc trưng các loại bệnh tim từ tín hiệu nhịp tim. Phương pháp GA được áp dụng để giảm chiều của tập dữ liệu đặc trưng và tối ưu hóa các trọng số và độ lệch của mạng nơ-ron. Trong nghiên cứu này, 48 đặc trưng của một tín hiệu nhịp tim thu được từ phép biến đổi wavelet. Phương pháp GA được áp dụng để giảm số lượng đặc trưng từ 48 xuống 25 đặc trưng trước khi đưa vào mạng BPNN để phân loại bệnh.

Mặc dù số lượng đặc trưng được giảm gần 50% trong nghiên cứu này, tuy nhiên độ chính xác phân loại thu được chỉ đạt 97. Phương pháp biến đổi wavelet rời rạc kết hợp với bộ mã hóa rời rạc sparse autoencoder và bộ phân loại Softmax đã được Di Wang và các cộng sự [14] đề xuất để phân loại bệnh tim. Cụ thể, tín hiệu nhịp tim gốc trước tiên được chuyển đổi sang miền wavlet ở mức 9 dùng hàm daubechies (db2) nhằm thu được các hệ số wavelet. Từ đó, phương pháp ngưỡng mềm được áp dụng để loại bỏ các thành phần nhiễu Trang – 5 – (LUAN.TIM an tien si luan an tien si1 TIEU LUAN MOI download : skknchat123@gm (LUAN.TIM Chương 1: Tổng quan không mong muốn và giữ lại các thành phần thông tin cần thiết.

Tiếp theo, một bộ mã hóa rời rạc dùng mạng nơ-ron với 2 lớp ẩn được áp dụng để học các đặc trưng của tín hiệu nhịp tim đã được lọc nhiễu. Cuối cùng, một bộ phân loại Softmax được sử dụng để phân loại các loại bệnh tim. Tập dữ liệu điện tim MIT-BIH được sử dụng để kiểm tra hiệu quả của phương pháp được đề xuất, kết quả thu được là độ chúng xác phân loại bệnh tim đạt 96. Trong nghiên cứu này, ưu điểm là mạng nơ-ron được áp dụng có cấu trúc khá đơn giản, tuy nhiên độ chính xác phân loại bệnh tim thu được là không cao và cần được cải thiện thêm.

Trong nghiên cứu [15], Shu Lih Oh và các cộng sự đã đề xuất một hệ thống mạng học sâu kết hợp CNN và LSTM để trích đặc trưng và phân loại bệnh tim tự động. Trong nghiên cứu này, tín hiệu nhịp tim được cắt với chiều dài 260 mẫu từ dữ liệu gốc mà không qua bộ lọc. Một hệ thống mạng học sâu kết hợp CNN và LSTM với 10 lớp được áp dụng để trích đặc trưng và phân loại các loại bệnh tim. Độ chính xác phân loại bệnh tim thu được của hệ thống là 98.10% đối với tập dữ liệu điện tim MIT-BIH.

Ưu điểm của hệ thống này là tín hiệu điện tim không cần qua bộ lọc để loại bỏ nhiễu, nên thời gian xử lý được rút ngắn. Tuy nhiên, khi độ chính xác của việc phân loại bệnh tim cần được quan tâm hàng đầu thì độ chính xác phân loại vẫn cần được cải thiện. Bằng cách thêm vào khối tiền xử lý để lọc nhiễu tín hiệu thì có thể nâng cao độ chính xác của hệ thống phân loại. Yong Xia và các cộng sự [16] đã đề xuất hệ thống kết hợp biến đổi Fourier trong thời gian ngắn STFT với bến đổi wavelet để chuyển tín hiệu điện tim từ kiểu dữ liệu 1 chiều sang kiểu dữ liệu 2 chiều.

Từ đó, một mạng học sâu được áp dụng để phân loại các loại bệnh tim. Cụ thể, tín hiệu điện tim được lọc nhiễu với bộ lọc thông dãi bậc 10 và tần số dãi thông là 0. Tín hiệu điện tim sau đó được cắt ra thành từng đoạn để đưa vào bộ biến đổi STFT và wavelet nhằm xây dựng ma trận tín hiệu nhịp tim cho phù hợp với cấu trúc mạng học sâu dùng để phân loại ảnh. Từ đó, một mạng học sâu với tất cả 10 lớp với 2 lớp tích chập có kích thước kernel lần lược là 3x11 và 2x11 được áp dụng để phân loại bệnh tim.

Trong hệ thống này, ưu điểm là tín hiệu điện tim 1 chiều được áp dụng biến đổi STFT và wavelet để chuyển Trang – 6 – (LUAN.TIM an tien si luan an tien si1 TIEU LUAN MOI download : skknchat123@gm (LUAN.TIM Chương 1: Tổng quan sang ma trận 2 chiều giống như ảnh nhằm áp dụng các mạng phân loại ảnh đã được nghiên cứu trước đây. Tuy nhiên kích thước các kernel được chọn theo kiểu phân loại ảnh nên hiệu suất phân loại chỉ đạt được 98. Trong một nghiên cứu khác, Yinsheng Ji và các cộng sự [17] đã đề xuất một hệ thống phân loại bệnh tim dùng mạng học sâu Faster R-CNN. Cụ thể, tín hiệu điện tim được lọc bỏ nhiễu dùng thuật toán phân rã dựa vào chế độ thực nghiệm.

Sau đó, tín hiệu nhịp tim được chuyển từ dạng tín hiệu 1 chiều sang ảnh 2 chiều để đưa vào mạng trích đặc trưng và phân loại bệnh tim. Một mạng học sâu Faster R-CNN đã được áp dụng để phân loại các loại bệnh tim và kết quả độ chính xác phân loại bệnh tim thu được là 99. Tuy nhiên, trong nghiên cứu này, dạng sóng của tín hiệu điện tim 1D được chuyển sang ảnh 2D để phân loại bệnh, điều này không phù hợp cho điều kiện thực tế về tín hiệu điện tim một chiều trong thực tế. Tuy đã có nhiều nghiên cứu về phân loại bệnh tim được thực hiện ở ngoài nước, nhưng các nghiên cứu trong nước về tín hiệu điện tim và phân loại tín hiệu điện tim sử dụng các kỹ thuật hiện đại ngày nay là tương đối hạn chế.

Cùng với nhu cầu thực tiễn cũng như tính cấp bách của việc phân loại bệnh tim như đã được phân tích ở trên, tác giả đã chọn hướng nghiên cứu về phân loại bệnh tim dựa trên tín hiệu điện tim ECG với tên luận án cụ thể là “Phân tích tín hiệu điện tim cho việc cải thiện trong chẩn đoán bệnh tim”. ❖ CẤU TRÚC HỆ THỐNG PHÂN LOẠI BỆNH TIM Xử lý tín hiệu ECG cho việc phân loại bệnh nhân bị bệnh tim mạch thực sự là một thử thách lớn đối với các nhà khoa học. Một hệ thống xử lý tín hiệu ECG cho dù sử dụng phương pháp nào thì cũng trải qua các bước cơ bản như hình 1. Đối với mỗi phương pháp được các nhà khoa học nghiên cứu và đề xuất, có thể có những khối được kết hợp lại với nhau hoặc không được thể hiện một cách rõ tàng.

Tuy nhiên, một hệ thống xử lý tín hiệu điện tim ECG để phân loại bệnh tim thông thường sẽ bao gồm một tập tín hiệu điện tim ECG ở ngõ vào, tiếp đến là bộ tiền xử lý để loại bỏ những thành phần nhiễu không mong muốn cũng như chuẩn hóa lại dữ liệu, tiếp theo Trang – 7 – (LUAN.