Tổng quan về luận án

Bệnh lý tim mạch tiếp tục là nguyên nhân gây tử vong hàng đầu trên toàn cầu, cướp đi sinh mạng của khoảng 17,9 triệu người mỗi năm và dự báo sẽ chạm ngưỡng 23,6 triệu ca vào năm 2030 theo thống kê của Tổ chức Y tế Thế giới (WHO). Tại Việt Nam, thống kê ghi nhận khoảng 20% dân số mắc các bệnh lý tim mạch và tăng huyết áp, đồng thời bệnh tim mạch chiếm tới một phần ba tổng số ca tử vong trên cả nước. Trong bối cảnh đó, điện tâm đồ (Electrocardiogram - ECG) đóng vai trò là phương tiện chẩn đoán không xâm lấn then chốt, ghi nhận sự biến thiên điện thế sinh học của hoạt động khử cực và tái cực cơ tim với biên độ rất nhỏ chỉ tính bằng milivolt (mV).

Tuy nhiên, việc phân tích tự động tín hiệu điện tim phục vụ chẩn đoán bệnh lý loạn nhịp tim đối mặt với khoảng trống nghiên cứu (research gap) cốt lõi: tín hiệu ECG thu nhận trong môi trường lâm sàng thực tế thường bị suy giảm chất lượng nghiêm trọng bởi các nguồn tạp nhiễu phức hợp như nhiễu nguồn điện lưới (Power Line Interference - PLI 50/60 Hz), nhiễu do lệch đường cơ sở (Baseline Wander Noise - BWN do hô hấp), và nhiễu điện cơ (Electromyogram - EMG). Thêm vào đó, tính biến thiên lớn giữa các cá thể người bệnh (inter-patient variability) và sự chồng lấn không gian đặc trưng giữa các dạng nhịp bất thường khiến các phương pháp trích xuất đặc trưng truyền thống khó đạt độ nhạy lâm sàng cao.

Nhằm giải quyết triệt để rào cản trên, luận án tiến sĩ ngành Kỹ thuật Điện tử (mã số: 9520203) của tác giả Nguyễn Thanh Nghĩa, dưới sự hướng dẫn khoa học của PGS. Nguyễn Thanh Hải tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, đã thiết lập các câu hỏi nghiên cứu và giả thuyết học thuật trọng tâm:

  1. Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để xây dựng giải thuật lọc đa tầng loại bỏ triệt để các thành phần nhiễu PLI, BWN và EMG mà vẫn bảo toàn nguyên vẹn năng lượng, biên độ và pha của phức hợp QRS cùng các sóng thành phần P, T?
    • Giả thuyết 1 (H1): Sự kết hợp giữa biến đổi Wavelet rời rạc (DWT) ở mức phân rã tối ưu cùng hàm sóng mẹ phù hợp và kỹ thuật ngưỡng thích nghi sẽ tối đa hóa tỷ số tín hiệu trên nhiễu (SNR) và giảm thiểu sai số toàn phương trung bình (MSE).
  2. Câu hỏi nghiên cứu 2 (RQ2): Phương pháp nào có thể chiếu các đặc trưng nhịp tim phi tuyến sang không gian mới nhằm tối ưu hóa sự phân tách giữa các nhóm bệnh lý tim mạch phức tạp?
    • Giả thuyết 2 (H2): Thuật toán kết hợp Wavelet với phân tích thành phần chính dựa trên hàm nhân (wkPCA) sẽ trích xuất trọn vẹn thông tin miền thời gian - tần số và giảm chiều dữ liệu hiệu quả, nâng cao độ chính xác phân loại của mạng nơ-ron truyền thẳng đa tầng (MLP).
  3. Câu hỏi nghiên cứu 3 (RQ3): Quy luật vật lý nào của các sóng con ECG có thể trực tiếp định hình kích thước kernel trong các lớp tích chập của mạng học sâu 1D-CNN?
    • Giả thuyết 3 (H3): Việc tính toán kích thước kernel của các lớp tích chập 1D dựa trên độ dài vật lý của các dạng sóng con thành phần trong nhịp tim sẽ tối ưu hóa trường tiếp nhận đặc trưng, vượt trội hơn việc cấu hình kernel cố định theo kinh nghiệm.

Khung lý thuyết của luận án được xây dựng dựa trên ba trụ cột: Lý thuyết xử lý tín hiệu đa phân giải Wavelet (Mallat, 1989), Lý thuyết không gian Hilbert tái tạo hạt nhân (RKHS - Schölkopf et al., 1998), và Lý thuyết biểu diễn mạng nơ-ron tích chập (LeCun et al., 1998). Nghiên cứu được thực nghiệm trên tập dữ liệu chuẩn mực quốc tế MIT-BIH Arrhythmia Database gồm 48 bản ghi Holter 2 kênh với tổng cộng 224.908 nhịp tim được thẩm định độc lập bởi các chuyên gia tim mạch, phân loại theo tiêu chuẩn ANSI/AAMI EC57-2012 thành 5 nhóm bệnh lý: Nhịp bình thường (N), Ngoại tâm thu trên thất (S), Ngoại tâm thu thất (V), Nhịp kết hợp (F) và Nhịp không phân loại/tạo nhịp (Q), đồng thời kiểm chứng chéo trên tập tín hiệu thực nghiệm thu thập trực tiếp tại Phòng thí nghiệm Kỹ thuật Y sinh - HCMUTE.

Literature Review và Positioning

Nghiên cứu phân tích tín hiệu điện tim tự động trên thế giới đã trải qua nhiều giai đoạn phát triển với những đóng góp quan trọng từ các nhóm nghiên cứu tiên phong. Trong nhánh nghiên cứu tiền xử lý và phát hiện sóng R, thuật toán kinh điển của Pan & Tompkins (1985) đã đặt nền móng cho việc xác định phức hợp QRS dựa trên đạo hàm, bình phương và tích phân cửa sổ trượt. Tại Việt Nam, Chử Đức Hoàng (2014) đã cải tiến thuật toán Pan-Hamilton-Tompkins kết hợp giải thuật khử khuynh hướng động đa trị (Multi-Detrended Fluctuation Analysis) trên véc-tơ khoảng RR, đạt độ chính xác phân loại 89%. Tiếp đó, Nguyễn Đức Thảo (2016) đề xuất lọc thành phần nhịp thở kết hợp mạng nơ-ron mờ TSK (Takagi-Sugeno-Kang) đạt độ chính xác 96,6% cho 3 lớp bệnh. Phạm Văn Nam (2018) xây dựng mô hình kết hợp (ensemble) tích hợp MLP, SVM và Random Forest (RF) qua cây quyết định, nâng độ chính xác lên 98,4%.

Trên bình diện quốc tế, việc trích xuất đặc trưng ECG đã chứng kiến nhiều đột phá phương pháp luận. Taiyong Li và cộng sự (2016) ứng dụng gói Wavelet Entropy (Wavelet Packet Entropy - WPE) kết hợp khoảng RR và phân loại bằng Random Forest, đạt độ chính xác 94,61% trên 5 nhóm bệnh MIT-BIH. Hongqiang Li và cộng sự (2017) kết hợp biến đổi Wavelet với thuật toán di truyền (GA) để tối ưu hóa trọng số mạng lan truyền ngược (GA-BPNN), giảm số lượng đặc trưng từ 48 xuống 25 đặc trưng và đạt độ chính xác 97,78%. Di Wang và cộng sự (2017) sử dụng DWT với hàm sóng Daubechies (db2) mức 9 kết hợp bộ tự mã hóa thưa (Sparse Autoencoder) và bộ phân loại Softmax, đạt độ chính xác 96,8%.

TIẾN TRÌNH PHÁT TRIỂN CÁC PHƯƠNG PHÁP PHÂN TÍCH VÀ PHÂN LOẠI ECG
========================================================================================
[1985] Pan & Tompkins          : Thuật toán lọc dải & đạo hàm phát hiện đỉnh R
[2014] Chử Đức Hoàng           : Cải tiến Pan-Tompkins + Multi-Detrended Fluctuation (Acc: 89.0%)
[2016] Taiyong Li et al.       : Wavelet Packet Entropy + Random Forest (Acc: 94.61%)
[2016] Nguyễn Đức Thảo         : Lọc nhịp thở + Mạng Logic Mờ TSK (Acc: 96.6%)
[2017] Di Wang et al.          : DWT (db2, mức 9) + Sparse Autoencoder + Softmax (Acc: 96.8%)
[2017] Hongqiang Li et al.     : DWT + Genetic Algorithm + BPNN (Acc: 97.78%)
[2018] Shu Lih Oh et al.       : CNN + LSTM 10 lớp trên tín hiệu thô 260 mẫu (Acc: 98.10%)
[2018] Phạm Văn Nam            : Mô hình kết hợp Cây quyết định + MLP + SVM + RF (Acc: 98.4%)
[2018] Yong Xia et al.         : STFT + DWT chuyển 1D sang 2D + CNN 10 lớp (Acc: 98.63%)
[2019] Yinsheng Ji et al.      : Faster R-CNN trên biểu diễn ảnh phổ 2D (Acc: 99.2%)
----------------------------------------------------------------------------------------
[2022] LUẬN ÁN NGUYỄN THANH NGHĨA:
       * Tiền xử lý WDFR (Wavelet dmey mức 8) + Pan-Tompkins cải tiến
       * Trích đặc trưng wkPCA (Wavelet + Gaussian Kernel PCA) + MLP 4 lớp
       * Mô hình 1D-CNN 7 lớp tích chập với Kernel tối ưu theo sóng con vật lý
       ===> Đạt hiệu suất nhận dạng vượt trội, giữ nguyên cấu trúc 1D thời gian thực.
========================================================================================

Trong dòng nghiên cứu học sâu (Deep Learning), hai luồng quan điểm đối lập đã nảy sinh rõ nét:

  1. Luồng quan điểm xử lý tín hiệu thô (Raw ECG end-to-end): Shu Lih Oh và cộng sự (2018) đề xuất mạng lai CNN-LSTM 10 lớp xử lý trực tiếp các đoạn nhịp 260 mẫu không qua lọc nhiễu, đạt độ chính xác 98,10%, lập luận rằng mạng học sâu có khả năng tự miễn nhiễm với nhiễu. Tuy nhiên, quan điểm này bị phản biện bởi Ricardo Rodriguez-Jorge và cộng sự (2018) cũng như Yang Xu và cộng sự (2017), những người chứng minh rằng việc không triệt tiêu nhiễu đường cơ sở và nhiễu điện cơ sẽ dẫn đến hiện tượng over-fitting trên các mẫu nhiễu giả tạo, làm giảm độ đặc hiệu trên dữ liệu lâm sàng thực tế.
  2. Luồng quan điểm chuyển đổi chiều dữ liệu (1D-to-2D Mapping): Yong Xia và cộng sự (2020) áp dụng biến đổi Fourier thời gian ngắn (STFT) kết hợp Wavelet để chuyển đổi tín hiệu 1D thành ảnh phổ 2D, sử dụng CNN 10 lớp (kernel 3x11 và 2x11) đạt độ chính xác 98,63%. Tương tự, Yinsheng Ji và cộng sự (2019) sử dụng mạng Faster R-CNN trên ảnh biểu diễn nhịp tim 2D đạt 99,2%. Mặc dù đạt độ chính xác cao, phương pháp này bị chỉ trích vì làm tăng đột biến khối lượng tính toán, phá vỡ tính liên tục thời gian thực của tín hiệu 1 chiều và không tối ưu khi triển khai trên các thiết bị y tế nhúng.

Định vị học thuật của luận án: Luận án định vị tại giao điểm của việc bảo tồn bản chất tín hiệu 1 chiều thời gian thực và việc khai phóng sức mạnh biểu diễn phi tuyến. Bằng cách thiết lập giải thuật WDFR triệt tiêu nhiễu đa dải tần kết hợp wkPCA và phát triển mạng 1D-CNN với kernel được tính toán giải tích từ độ rộng sóng con sinh học, luận án đã giải quyết đồng thời bài toán độ chính xác và bài toán tối ưu hóa tài nguyên phần cứng.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mang lại ba đóng góp lý thuyết nền tảng trong lĩnh vực kỹ thuật y sinh và trí tuệ nhân tạo y tế:

  1. Mở rộng Lý thuyết Phân tích Thành phần Chính trong Không gian Nhân sóng con (Wavelet Kernel PCA): Mở rộng lý thuyết PCA cổ điển của Pearson (1901) và Kernel PCA của Schölkopf (1998) bằng cách tích hợp không gian biến đổi Wavelet đa phân giải làm tiền điều kiện cho ánh xạ phi tuyến Hilbert: $$\Phi: \mathcal{H}{\text{Wavelet}} \to \mathcal{F}{\text{RBF}}$$ Cấu trúc này khắc phục nhược điểm của PCA thông thường vốn chỉ nắm bắt được các tương quan tuyến tính bậc hai, cho phép trích xuất trọn vẹn các đa tạp dữ liệu phi tuyến phức tạp của các dạng nhịp ngoại tâm thu thất và nhịp kết hợp.
  2. Thiết lập Mệnh đề Tương quan Sóng con - Receptive Field trong Mạng 1D-CNN: Luận án chứng minh về mặt lý thuyết rằng kích thước kernel hiệu dụng $K_l$ tại lớp tích chập thứ $l$ phải tỉ lệ thuận với chu kỳ cơ sở $T_{\text{wave}}$ của các thành phần sóng điện học cơ tim tương ứng: $$K_l = f(\Delta t_{\text{QRS}}, \Delta t_{\text{P}}, \Delta t_{\text{T}}, f_s)$$ Điều này bác bỏ định đề thực nghiệm áp dụng máy móc kích thước kernel nhỏ cố định (3x1 hoặc 5x1) từ thị giác máy tính vào xử lý tín hiệu y sinh một chiều.
  3. Mô hình hóa lý thuyết lọc Wavelet kết hợp ngưỡng thích nghi động (WDFR Theory): Thiết lập mô hình toán học giải thích sự bảo toàn thông tin pha trong quá trình phân rã và tái cấu trúc tín hiệu điện tim khi áp dụng hàm sóng mẹ Meyer rời rạc (dmey) ở bậc phân rã mức 8, chứng minh tính trực giao và khả năng triệt tiêu dải tần nhiễu chồng lấn mà không làm biến dạng điểm cực trị $R_{\text{peak}}$.

Khung phân tích độc đáo

Khung phân tích của luận án được hợp nhất chặt chẽ từ ba lý thuyết cốt lõi tạo thành một chu trình khép kín:

+-----------------------------------------------------------------------------------------+
|                               KHUNG PHÂN TÍCH TOÀN DIỆN WDFR - wkPCA - 1D-CNN           |
+-----------------------------------------------------------------------------------------+
| [Tín hiệu ECG 1D] ---> (Phân rã DWT mức 8) ---> [Hệ số xấp xỉ cA8 & chi tiết cD1-cD8]   |
|                                                         |                               |
|                                                (Ngưỡng cứng/mềm)                        |
|                                                         |                               |
| [Tách nhịp Pan-Tompkins] <--- [Khôi phục WR] <----------+ (Loại bỏ triệt để PLI & BWN)  |
|          |                                                                              |
|          +---> [Cửa sổ nhịp tim 1D]                                                     |
|                      |                                                                  |
|       +--------------+----------------------------------+                               |
|       |                                                 |                               |
|       v (Nhánh Không gian Nhân)                         v (Nhánh Tích chập Sâu)         |
|  [Thuật toán wkPCA]                            [Mạng 1D-CNN 7 lớp]                      |
|  - Ánh xạ Kernel Gaussian RBF                  - Kernel tính toán từ sóng con           |
|  - Chiếu sang không gian Z                     - Trích đặc trưng cục bộ & toàn cục      |
|  - Giảm chiều ma trận hiệp phương sai          - 4 lớp Fully-Connected                 |
|       |                                                 |                               |
|       v                                                 v                               |
|  [Mạng MLP 4 lớp]                              [Hàm kích hoạt Softmax]                  |
|  (3 lớp ẩn + 1 lớp ra)                                  |                               |
|       |                                                 |                               |
|       +------------------------> [PHÂN LOẠI 5 LỚP BỆNH] <-------------------------------+
|                                  (N, S, V, F, Q - AAMI)                                 |
+-----------------------------------------------------------------------------------------+

Khung phân tích xác định rõ các điều kiện biên (boundary conditions):

  • Tần số lấy mẫu danh định $f_s = 360\text{ Hz}$ với độ phân giải ADC 11-bit.
  • Dải động học tín hiệu chuẩn hóa trong khoảng $\pm 5\text{ mV}$.
  • Chuẩn phân loại áp dụng nhất quán theo tiêu chuẩn quốc tế ANSI/AAMI EC57-2012.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ lập trường nhận thức luận thực chứng định lượng (Quantitative Positivism) kết hợp phương pháp luận thực nghiệm khách quan:

  • Thiết kế đa tầng (Multi-level Experimental Design): Nghiên cứu được tổ chức thành 3 tầng xử lý nối tiếp nhau có kiểm soát biến số chặt chẽ:
    1. Tầng 1 (Tầng vật lý & khử nhiễu): Khảo sát tác động của 6 họ hàm sóng mẹ (dmey, bior5.5, db4, sym1, bior1.3, db1) đối với các dạng nhiễu nhân tạo (SNR 5 dB) và nhiễu tự nhiên.
    2. Tầng 2 (Tầng hình thái & không gian đặc trưng): Khảo sát thuật toán wkPCA với các tham số kernel Gaussian RBF ($\gamma$) khác nhau nhằm tối ưu hóa tỷ lệ phân tách cụm dữ liệu.
    3. Tầng 3 (Tầng học sâu & tối ưu hóa kiến trúc): Khảo sát biến thiên chiều sâu mạng tích chập từ 1 đến 9 lớp và ảnh hưởng của chiều dài cửa sổ nhịp tim từ 180 đến 300 mẫu.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được chuẩn hóa nghiêm ngặt từ khâu thu thập đến đánh giá chéo:

  1. Dữ liệu chuẩn hóa: Toàn bộ 48 bản ghi từ MIT-BIH Arrhythmia Database được trích xuất trực tiếp qua định dạng WFDB (*.dat, *.hea, *.atr). Tổng số mẫu nhịp tim được kiểm định bao gồm:
    • Nhóm N (Normal): 181.022 nhịp.
    • Nhóm S (Supraventricular ectopic): 5.552 nhịp.
    • Nhóm V (Ventricular ectopic): 14.464 nhịp.
    • Nhóm F (Fusion): 1.604 nhịp.
    • Nhóm Q (Unknown/Paced): 22.266 nhịp.
    • Tổng cộng: 224.908 nhịp tim.
  2. Quy trình giải thuật WDFR:
    • Bước 1 (Phân rã WD): Áp dụng DWT phân rã tín hiệu $x(n)$ đến mức 8 bằng hàm sóng mẹ dmey, thu được hệ số xấp xỉ $cA_8$ (tần số thấp, chứa nhiễu trôi đường cơ sở BWN) và các hệ số chi tiết $cD_1 - cD_8$ (chứa nhiễu lưới điện PLI ở $cD_1, cD_2$ và nhiễu EMG).
    • Bước 2 (Lọc ngưỡng Filter): Áp dụng ngưỡng cứng (hard thresholding) và ngưỡng mềm (soft thresholding) triệt tiêu các hệ số nhiễu: $$\eta_{\text{soft}}(w, \lambda) = \text{sgn}(w) \max(0, |w| - \lambda)$$
    • Bước 3 (Khôi phục WR): Tái tạo tín hiệu sạch $\hat{x}(n)$ qua biến đổi ngược IDWT.
  3. Phân đoạn nhịp tim (Segmentation): Định vị đỉnh R bằng thuật toán Pan-Tompkins cải tiến, trích xuất cửa sổ nhịp tim đối xứng $N_{\text{samples}}$ xung quanh đỉnh R.
  4. Trích đặc trưng wkPCA:
    • Tín hiệu nhịp tim được chiếu qua hàm nhân Gaussian RBF: $K(x_i, x_j) = \exp(-\gamma ||x_i - x_j||^2)$.
    • Tính toán ma trận Gram tập trung và giải bài toán trị riêng để trích xuất các thành phần chính mang trên 95% tổng phương sai tích lũy.

Data và phân tích

Toàn bộ hệ thống thực nghiệm được phát triển trên nền tảng phần mềm chuyên dụng MATLAB R2020b kết hợp Python 3.8 với thư viện TensorFlow/Keras và PhysioNet WFDB Toolbox.

Các chỉ số thống kê định lượng đánh giá bộ lọc bao gồm:

  • Tỷ số tín hiệu trên nhiễu: $\text{SNR} = 10 \log_{10} \left( \frac{\sum x^2(n)}{\sum (x(n) - \hat{x}(n))^2} \right)\text{ (dB)}$
  • Sai số toàn phương trung bình: $\text{MSE} = \frac{1}{N} \sum_{n=1}^N (x(n) - \hat{x}(n))^2$

Các chỉ số đánh giá hiệu năng bộ phân loại dựa trên Ma trận nhầm lẫn (Confusion Matrix):

  • Độ nhạy (Sensitivity): $\text{Se} = \frac{\text{TP}}{\text{TP} + \text{FN}} \times 100%$
  • Độ đặc hiệu (Specificity): $\text{Sp} = \frac{\text{TN}}{\text{TN} + \text{FP}} \times 100%$
  • Độ chính xác tổng thể (Accuracy): $\text{Acc} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{TN} + \text{FP} + \text{FN}} \times 100%$
  • Giá trị dự đoán dương (Positive Predictivity): $\text{+P} = \frac{\text{TP}}{\text{TP} + \text{FP}} \times 100%$
  • Đường cong ROC và diện tích dưới đường cong (AUC).

Quy trình kiểm định chéo được thực hiện với các tỷ lệ phân chia tập Train/Test nghiêm ngặt (70/30, 80/20, và 90/10) nhằm loại bỏ nguy cơ rò rỉ dữ liệu (data leakage) và đảm bảo tính vững chắc (robustness).

Phát hiện đột phá và implications

Những phát hiện then chốt

Quá trình thực nghiệm đã làm sáng tỏ 5 phát hiện khoa học mang tính đột phá:

SO SÁNH HIỆU SUẤT LỌC NHIỄU CỦA CÁC HÀM WAVELET (MỨC PHÂN RÃ 8)
+---------------+-------------------+----------------------+--------------------+
|  Hàm Wavelet  |   Dạng hàm sóng   | Tỷ số SNR đầu ra(dB) |   Sai số MSE (x10-4)|
+---------------+-------------------+----------------------+--------------------+
|  dmey         | Discrete Meyer    |      19.84 dB        |       0.012        | (TỐI ƯU NHẤT)
|  db4          | Daubechies 4      |      17.21 dB        |       0.038        |
|  sym1         | Symmlet 1         |      15.65 dB        |       0.062        |
|  bior5.5      | Biorthogonal 5.5  |      16.89 dB        |       0.045        |
|  bior1.3      | Biorthogonal 1.3  |      14.92 dB        |       0.089        |
|  db1 (Haar)   | Daubechies 1      |      13.40 dB        |       0.115        |
+---------------+-------------------+----------------------+--------------------+
  1. Ưu thế tuyệt đối của hàm sóng Discrete Meyer (dmey) ở mức phân rã 8: Trong số 6 hàm sóng mẹ được khảo sát thực nghiệm, hàm dmey đạt giá trị SNR cao nhất (19,84 dB) và MSE thấp nhất ($0,012 \times 10^{-4}$) trên tập dữ liệu MIT-BIH, vượt trội so với họ Daubechies (db4 đạt 17,21 dB) và Biorthogonal (bior5.5 đạt 16,89 dB). Phổ mật độ công suất chứng minh dmey triệt tiêu hoàn toàn gai nhiễu 50/60 Hz mà không gây méo biên độ đỉnh R.
  2. Khả năng phân tách cụm tối ưu của wkPCA: Phân tích phân bố không gian đặc trưng chỉ ra rằng trong không gian gốc $X$, các đặc trưng nhịp tim bị chồng lấn dày đặc giữa nhóm SVEB (S) và VEB (V). Sau khi áp dụng wkPCA với nhân Gaussian RBF, dữ liệu được ánh xạ sang không gian mới $Z$ với các cụm phân tách rõ ràng, giúp mạng nơ-ron MLP 4 lớp (3 lớp ẩn + 1 lớp ra) đạt độ chính xác phân loại vượt bậc so với các phương pháp trích đặc trưng truyền thống.
  3. Phát hiện nghịch đảo trực giác về kích thước Kernel trong 1D-CNN: Khác với trực giác thông thường trong thị giác máy tính là sử dụng kernel đồng nhất kích thước nhỏ ($3 \times 1$), nghiên cứu phát hiện rằng việc thiết lập kích thước kernel biến thiên thích ứng theo độ rộng thực tế của các sóng con ECG (tương ứng với thời gian trễ của sóng P: 80-120 ms, phức hợp QRS: 80-120 ms, sóng T: 160 ms) cho phép mạng tích chập học được các đặc trưng ngữ cảnh dài hạn mà không cần tăng quá nhiều số lớp.
  4. Cấu trúc mạng 1D-CNN tối ưu tại độ sâu 7 lớp tích chập: Khảo sát thực nghiệm thay đổi số lớp tích chập từ 1 đến 9 lớp cho thấy độ chính xác nhận dạng tăng đều từ 1 lớp đến 7 lớp (đạt đỉnh trên 99%), nhưng khi tăng lên 8 và 9 lớp, độ chính xác có xu hướng bão hòa và suy giảm nhẹ do hiện tượng biến mất đạo hàm cục bộ và hiện tượng quá khớp (over-fitting) đối với tín hiệu y sinh 1 chiều.
  5. Độ dài cửa sổ nhịp tim tối ưu: Thực nghiệm trên các chiều dài nhịp tim khác nhau (180, 200, 240, 260, 300 mẫu) chứng minh rằng chiều dài cửa sổ nhịp tim 240 đến 260 mẫu tại tần số lấy mẫu 360 Hz cung cấp đầy đủ thông tin nhất về toàn bộ chu kỳ $P-QRS-T-U$, tối ưu hóa độ chính xác của bộ phân loại.
ẢNH HƯỞNG CỦA SỐ LỚP TÍCH CHẬP ĐẾN ĐỘ CHÍNH XÁC CỦA MẠNG 1D-CNN
Độ chính xác (%)
 100 |                                      * (Đỉnh 7 lớp: ~99.3%)
  98 |                              *       |   * (8 lớp: 99.1%)
  96 |                      *               |           * (9 lớp: 98.9%)
  94 |              *                       |
  92 |      *                               |
  90 |  *                                   |
     +---+---+---+---+---+---+---+---+---+--+
         1   2   3   4   5   6   7   8   9  (Số lớp tích chập)

Implications đa chiều

  • Ý nghĩa học thuật & Lý thuyết: Khẳng định tính tương thích sâu sắc giữa giải tích Wavelet đa phân giải và biểu diễn học sâu tích chập, mở ra hướng tiếp cận mới trong việc tham số hóa mạng nơ-ron dựa trên các quy luật vật lý và sinh lý học.
  • Đổi mới phương pháp luận: Chuỗi giải thuật WDFR - wkPCA - 1D-CNN thiết lập một tiêu chuẩn xử lý tín hiệu y sinh có khả năng mở rộng và áp dụng trực tiếp cho các dạng tín hiệu điện sinh lý khác như điện não đồ (EEG), điện cơ đồ (EMG) và tín hiệu quang thể tích (PPG).
  • Ứng dụng thực tiễn & Lâm sàng: Cung cấp công cụ hỗ trợ ra quyết định lâm sàng (Clinical Decision Support System - CDSS) có độ tin cậy cao, hỗ trợ các bác sĩ chuyên khoa tim mạch phát hiện sớm các cơn loạn nhịp kịch phát nguy hiểm, giảm tải áp lực đọc bản ghi Holter thủ công vốn tốn nhiều thời gian và dễ sai sót do mệt mỏi thị giác.
  • Hệ thống chẩn đoán từ xa (Tele-cardiology): Kiến trúc hệ thống máy tính chủ được thiết kế cho phép kết nối mạng Internet, hỗ trợ các trạm y tế tuyến cơ sở hoặc vùng sâu vùng xa tải dữ liệu điện tim của bệnh nhân lên máy chủ đám mây để nhận kết quả phân loại tự động tức thì, góp phần thu hẹp khoảng cách tiếp cận y tế chất lượng cao.

Limitations và Future Research

Nhằm duy trì tính khách quan và chuẩn mực học thuật, luận án thẳng thắn chỉ ra 4 giới hạn nghiên cứu:

  1. Giới hạn về phạm vi phân loại bệnh: Nghiên cứu tập trung giải quyết 5 nhóm bệnh lý nhịp tim chính theo chuẩn ANSI/AAMI EC57-2012 (N, S, V, F, Q). Tuy nhiên, các phân nhóm bệnh học chi tiết hơn (như rung nhĩ kịch phát, cuồng nhĩ, hội chứng WPW, nhồi máu cơ tim có đoạn ST chênh lên) chưa được phân tách thành từng lớp đầu ra độc lập.
  2. Quy mô tập dữ liệu lâm sàng tự thu thập: Mặc dù đã kiểm chứng thành công trên cơ sở dữ liệu chuẩn quốc tế MIT-BIH với hơn 224.000 nhịp, số lượng mẫu đo thực nghiệm thu nhận tại phòng thí nghiệm vẫn còn hạn chế về mặt đa dạng bệnh học so với các trung tâm y tế lớn.
  3. Môi trường thực thi phần cứng: Hệ thống mạng học sâu chủ yếu được tối ưu hóa và huấn luyện trên môi trường máy tính hiệu năng cao (GPU/CPU Workstation), chưa được đánh giá toàn diện về mức tiêu thụ năng lượng và độ trễ xung nhịp khi nạp trực tiếp vào các vi điều khiển nhúng công suất siêu thấp (Ultra-low-power MCU/SoC như ARM Cortex-M4/M7).

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Mở rộng phân loại đa bệnh lý: Mở rộng mô hình học sâu để nhận dạng đồng thời 12 chuyển đạo tiêu chuẩn và phát hiện sớm các dấu hiệu thiếu máu cơ tim cục bộ, nhồi máu cơ tim cấp (STEMI/NSTEMI).
  • Tối ưu hóa mô hình nhúng (Model Compression): Ứng dụng các kỹ thuật lượng tử hóa trọng số (Quantization), cắt tỉa mạng (Pruning) và chưng cất tri thức (Knowledge Distillation) để nén mô hình 1D-CNN xuống dưới 5 MB, tích hợp trực tiếp vào chip đo nhịp tim đeo tay thông minh (Smart Wearable Devices).
  • Tích hợp dữ liệu đa cảm biến (Multimodal Physiological Monitoring): Kết hợp tín hiệu ECG với dữ liệu nồng độ oxy trong máu (SpO2), âm thanh tim (Phonocardiogram - PCG) và huyết áp liên tục nhằm xây dựng hệ thống cảnh báo sớm đột quỵ và suy tim toàn diện.

Tác động và ảnh hưởng

  • Tác động học thuật: Luận án đóng góp hệ thống bài báo khoa học chất lượng cao trên các tạp chí và kỷ yếu hội thảo uy tín, tạo nguồn tài liệu tham khảo giá trị cho cộng đồng nghiên cứu xử lý tín hiệu y sinh trong nước và quốc tế.
  • Chuyển đổi công nghiệp thiết bị y tế: Tạo tiền đề kỹ thuật vững chắc để các doanh nghiệp công nghệ y tế trong nước làm chủ công nghệ lõi, tự chủ sản xuất các thiết bị Holter ECG và máy theo dõi bệnh nhân (Patient Monitor) mang thương hiệu Việt Nam với giá thành hợp lý.
  • Lợi ích xã hội và y tế công cộng: Góp phần giảm tỷ lệ tử vong do các biến cố tim mạch đột ngột thông qua khả năng phát hiện sớm và cảnh báo từ xa, giảm chi phí điều trị đắt đỏ cho bệnh nhân và giảm gánh nặng quá tải cho các bệnh viện tuyến trung ương.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học chuyên ngành: Tiếp cận khung lý thuyết hoàn chỉnh về Wavelet Kernel PCA và phương pháp tính toán kernel cho 1D-CNN, kế thừa các công thức giải tích để phát triển các bài toán xử lý tín hiệu sinh học phức tạp.
  • Bác sĩ & Nhân viên y tế tim mạch: Sở hữu công cụ tham chiếu tự động có độ chính xác cao (~99%), giúp rút ngắn thời gian chẩn đoán bản ghi Holter 24 giờ từ nhiều giờ xuống còn vài giây.
  • Kỹ sư R&D thiết bị y sinh: Nắm bắt quy trình thiết kế bộ lọc số WDFR và kiến trúc mạng nơ-ron tối ưu để hiện thực hóa trên các hệ thống vi xử lý thời gian thực.
  • Sinh viên đại học & sau đại học ngành Kỹ thuật Y sinh: Tài liệu của luận án đã và đang được tích hợp trực tiếp vào bài giảng chuyên môn tại Bộ môn Điện tử Công nghiệp - Y sinh, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Đóng góp lý thuyết độc đáo nhất là việc xây dựng giải thuật wkPCA (Wavelet Kernel Principal Component Analysis) và nguyên lý định cỡ Receptive Field cho 1D-CNN dựa trên sóng con. Luận án đã mở rộng Lý thuyết Phân tích Thành phần Chính phi tuyến (Kernel PCA của Schölkopf) bằng cách tích hợp miền phân rã Wavelet trực giao làm tiền xử lý không gian, giải quyết triệt để tính phi dừng và sự chồng lấn đặc trưng của tín hiệu điện tim.

2. Đổi mới phương pháp luận của luận án vượt trội hơn các nghiên cứu quốc tế nào?
Phương pháp của luận án vượt trội hơn nghiên cứu của Shu Lih Oh và cộng sự (2018) ở chỗ loại bỏ triệt để nguy cơ quá khớp trên nhiễu nhờ giải thuật WDFR, và vượt trội hơn nghiên cứu của Yong Xia và cộng sự (2020) cùng Yinsheng Ji và cộng sự (2019) ở chỗ duy trì cấu trúc tín hiệu 1 chiều nguyên bản, tránh được việc bùng nổ khối lượng tính toán khi chuyển sang ảnh 2D, đảm bảo khả năng xử lý thời gian thực trên hệ thống nhúng.

3. Phát hiện thực nghiệm nào bất ngờ nhất và có số liệu chứng minh?
Phát hiện bất ngờ nhất là hàm sóng mẹ Meyer rời rạc (dmey) ở mức phân rã 8 cho hiệu suất lọc nhiễu vượt trội hoàn toàn so với họ sóng Daubechies thông dụng (đạt SNR 19,84 dB so với 17,21 dB của db4 và 13,40 dB của db1), đồng thời việc tăng độ sâu 1D-CNN vượt quá 7 lớp không làm tăng độ chính xác mà gây suy giảm hiệu năng do dư thừa tham số trên tín hiệu 1D.

4. Luận án có cung cấp đầy đủ giao thức tái lập thực nghiệm (Replication Protocol) không?
Có. Luận án mô tả chi tiết toàn bộ tham số: cấu trúc phân rã Wavelet 8 mức, ngưỡng lọc nhiễu, thuật toán định vị đỉnh R Pan-Tompkins, dải tham số hàm nhân Gaussian $\gamma$, cấu hình 7 lớp tích chập với kích thước kernel giải tích, 4 lớp kết nối đầy đủ, tốc độ học (learning rate), hàm mất mát Cross-Entropy, và quy chuẩn gán nhãn 5 nhóm bệnh theo ANSI/AAMI EC57-2012 trên 48 bản ghi MIT-BIH.

5. Lộ trình nghiên cứu 10 năm được định hình như thế nào?
Lộ trình 10 năm tập trung vào 3 giai đoạn: (1) 2022-2025: Hoàn thiện mô hình nén mạng 1D-CNN và nhúng lên vi xử lý ARM/SoC cho thiết bị Holter cầm tay; (2) 2025-2028: Mở rộng phân loại đa bệnh lý phức hợp trên dữ liệu 12 chuyển đạo và thử nghiệm lâm sàng tại các bệnh viện lớn; (3) 2028-2032: Phát triển nền tảng y tế số Tele-cardiology ứng dụng AI hợp nhất đa cảm biến sinh học (ECG-SpO2-PPG) trên phạm vi quốc gia.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Thanh Nghĩa đã đạt được các đóng góp khoa học và thực tiễn toàn diện:

  1. Đề xuất và hiện thực hóa thành công giải thuật WDFR loại bỏ triệt để các nguồn nhiễu PLI, BWN và EMG, đạt chỉ số SNR vượt trội 19,84 dB với hàm sóng mẹ dmey mức 8.
  2. Cải tiến thuật toán Pan-Tompkins định vị chính xác vị trí đỉnh R và phân đoạn nhịp tim tự động phục vụ trích xuất đặc trưng.
  3. Phát triển giải thuật wkPCA kết hợp biến đổi Wavelet và Kernel PCA, tối ưu hóa việc trích xuất và giảm chiều dữ liệu phi tuyến.
  4. Thiết kế kiến trúc mạng 1D-CNN 7 lớp tích chập với phương pháp tính toán kích thước kernel dựa trên độ rộng vật lý của các sóng con thành phần, đạt độ chính xác nhận dạng vượt trội (~99,3%).
  5. Xây dựng hoàn chỉnh mô hình hệ thống phân loại bệnh tim từ xa qua máy chủ chủ mạng Internet, mở ra giải pháp y tế số hiện đại hỗ trợ chẩn đoán sớm và giảm thiểu tử vong do bệnh tim mạch.