Báo Cáo Tổng Kết Đề Tài Nghiên Cứu Phân Loại Bệnh Tim Từ Tín Hiệu Điện Tim ECG

Nghiên cứu phân loại bệnh tim từ tín hiệu điện tâm đồ ECG đang thu hút sự quan tâm lớn. 82 trang · Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh · 2021.

• Tác giả: Nguyễn Thanh Nghĩa
• Người hướng dẫn: ThS. Nguyễn Thanh Nghĩa
• Trường học: Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ kỹ thuật Y sinh
• Đề tài: Nghiên Cứu Phân Loại Bệnh Tim Từ Tín Hiệu Điện Tim ECG
• Loại tài liệu: báo cáo tổng kết
• Năm xuất bản: 2021
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. PHẦN 1: MỞ ĐẦU
• 1.1. TÍNH CẤP THIẾT CỦA VẤN ĐỀ NGHIÊN CỨU
• 1.2. TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU
• 1.3. MỤC TIÊU NGHIÊN CỨU
• 1.4. ĐỐI TƯỢNG NGHIÊN CỨU
• 1.5. PHẠM VI NGHIÊN CỨU
• 1.6. CÁCH TIẾP CẬN
• 1.7. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.8. NỘI DUNG NGHIÊN CỨU
• 1.8.1. Thu thập bộ tín hiệu điện tim ECG với các loại bệnh khác nhau
• 1.8.2. Tiền xử lý tín hiệu điện tim ECG để loại bỏ nhiễu và chuẩn hóa dữ liệu
• 1.8.3. Trích đặc trưng tín hiệu điện tim
• 1.8.4. Phân loại bệnh tim sử dụng phương pháp mạng học sâu hoặc máy vector hỗ trợ
• 1.8.5. Phương pháp đánh giá hiệu suất phân loại
• 1.8.6. Viết chương trình mô phỏng bộ phân loại
• 1.8.7. Chạy chương trình, hiệu chỉnh và đánh giá kết quả
• 1.8.8. Viết bài báo khoa học
• 1.8.9. Viết báo cáo hoàn chỉnh
• 2. PHẦN 2: NỘI DUNG NGHIÊN CỨU
• 2.1. NGHIÊN CỨU TỔNG QUAN
• 2.1.1. Tổng quan về tín hiệu điện tâm đồ
• 2.1.1.1. Giới thiệu về tín hiệu điện tâm đồ
• 2.1.1.2. Các chuyển đạo tim
• 2.1.1.3. Ý nghĩa cơ bản của các thành phần trên điện tâm đồ
• 2.1.1.4. Áp dụng trong y học
• 2.1.2. Phép biến đổi Fourier thời gian ngắn (Short-time Fourier transform)
• 2.1.2.1. Biến đổi Fourier
• 2.1.2.2. Phép biến đổi Fourier trong thời gian ngắn
• 2.1.3. Tổng quan về máy vector hỗ trợ (Support Vector Machines - SVM)
• 2.1.3.1. Khái niệm SVM
• 2.1.3.2. Phân loại giữa nhiều lớp
• 2.1.4. Phương pháp đánh giá mô hình phân loại
• 2.2. THIẾT KẾ HỆ THỐNG PHÂN LOẠI BỆNH TIM DỰA VÀO TÍN HIỆU ĐIỆN TIM
• 2.2.1. Chuẩn bị dữ liệu ECG
• 2.2.2. Đề xuất thuật toán phân loại bệnh tim từ tín hiệu ECG
• 2.2.2.1. Đề xuất hệ thống phân loại
• 2.2.2.2. Tiền xử lý tín hiệu điện tim và cắt từng nhịp tim
• 2.2.2.3. Trích xuất đặc trưng của nhịp tim
• 2.2.2.4. Thiết kế bộ phân loại
• 2.2.2.5. Lưu đồ giải thuật chương trình huấn luyện mô hình SVM
• 2.3. KẾT QUẢ PHÂN LOẠI BỆNH TIM DỰA VÀO TÍN HIỆU ĐIỆN TIM
• 2.3.1. Phương pháp đánh giá hiệu suất bộ phân loại
• 2.3.2. Kết quả phân loại bệnh tim
• 3. KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC: CÔNG TRÌNH ĐÃ CÔNG BỐ
• PHỤ LỤC: HỢP ĐỒNG VÀ THUYẾT MINH

Tóm tắt

I. Tổng Quan Nghiên Cứu Phân Loại Bệnh Tim Từ ECG Giới thiệu

Nghiên cứu phân loại bệnh tim từ tín hiệu điện tâm đồ ECG đang thu hút sự quan tâm lớn. ECG là một công cụ chẩn đoán không xâm lấn, cung cấp thông tin quan trọng về hoạt động điện của tim. Việc chẩn đoán bệnh tim sớm thông qua phân tích tín hiệu ECG có thể cải thiện đáng kể kết quả điều trị và giảm tỷ lệ tử vong. Nghiên cứu này tập trung vào việc xây dựng một hệ thống hiệu quả để tự động nhận dạng bệnh tim từ dữ liệu ECG. Các phương pháp xử lý tín hiệu ECG, trích xuất đặc trưng và thuật toán phân loại được khám phá và đánh giá. Sự phát triển của AI trong chẩn đoán bệnh tim và Machine Learning trong ECG đang mở ra những triển vọng mới cho việc phân loại bệnh tim chính xác và hiệu quả hơn.

1.1. Tầm quan trọng của điện tâm đồ ECG trong y học

Điện tâm đồ (ECG) đóng vai trò then chốt trong việc phát hiện và theo dõi các vấn đề về tim mạch. Nó ghi lại hoạt động điện của tim, cho phép các bác sĩ xác định các dấu hiệu bất thường như rối loạn nhịp tim, thiếu máu cơ tim hoặc các vấn đề về cấu trúc tim. ECG là một phương pháp nhanh chóng, không xâm lấn và tương đối rẻ tiền, khiến nó trở thành một công cụ chẩn đoán quan trọng trong thực hành lâm sàng.

1.2. Các loại bệnh tim thường gặp phát hiện qua điện tâm đồ

ECG có thể giúp phát hiện nhiều loại bệnh tim khác nhau, bao gồm rối loạn nhịp tim (như rung nhĩ, nhịp nhanh thất), nhồi máu cơ tim, suy tim, và các dấu hiệu của bệnh van tim. Sự thay đổi trong hình dạng sóng ECG, khoảng thời gian và biên độ có thể cung cấp manh mối quan trọng về tình trạng sức khỏe của tim.

II. Thách Thức Trong Phân Loại Bệnh Tim Từ Tín Hiệu ECG

Mặc dù ECG là một công cụ mạnh mẽ, việc phân loại bệnh tim từ tín hiệu ECG vẫn còn nhiều thách thức. Tín hiệu ECG dễ bị ảnh hưởng bởi nhiễu, biến đổi sinh lý của bệnh nhân và sự khác biệt giữa các thiết bị ghi. Việc trích xuất đặc trưng ECG phù hợp để phân biệt giữa các loại bệnh tim khác nhau đòi hỏi kiến thức chuyên môn sâu rộng và kỹ thuật xử lý tín hiệu ECG tiên tiến. Ngoài ra, việc xây dựng một hệ thống hỗ trợ chẩn đoán bệnh tim đáng tin cậy cần có một lượng lớn dữ liệu điện tâm đồ ECG được gán nhãn chính xác.

2.1. Vấn đề nhiễu và biến đổi tín hiệu trong điện tâm đồ

Tín hiệu ECG thường bị ảnh hưởng bởi nhiễu từ nhiều nguồn khác nhau, bao gồm nhiễu điện, cử động của bệnh nhân và các tín hiệu sinh học khác. Các biến đổi sinh lý giữa các cá nhân, chẳng hạn như tuổi tác, giới tính và tình trạng sức khỏe tổng thể, cũng có thể ảnh hưởng đến hình dạng và đặc điểm của tín hiệu ECG, gây khó khăn cho việc phân loại.

2.2. Yêu cầu về độ chính xác và độ tin cậy trong chẩn đoán

Trong bối cảnh y tế, độ chính xác và độ tin cậy là những yếu tố quan trọng hàng đầu. Một hệ thống phân loại bệnh tim dựa trên ECG phải có khả năng đưa ra các quyết định chẩn đoán chính xác và nhất quán, tránh các lỗi có thể gây hại cho bệnh nhân. Điều này đòi hỏi các thuật toán phân loại mạnh mẽ và các phương pháp đánh giá nghiêm ngặt để đảm bảo hiệu suất cao.

III. Phương Pháp Phân Loại Bệnh Tim Từ ECG Phân Tích STFT

Một trong những phương pháp phân tích tín hiệu ECG phổ biến là sử dụng phép biến đổi Fourier thời gian ngắn (Short-Time Fourier Transform - STFT). STFT cho phép phân tích tần số của tín hiệu ECG theo thời gian, cung cấp thông tin về sự thay đổi của các thành phần tần số trong suốt chu kỳ tim. Các đặc trưng tần số được trích xuất từ STFT có thể được sử dụng để phân loại bệnh tim bằng các thuật toán phân loại như SVM hoặc mạng nơ-ron nhân tạo.

3.1. Ưu điểm của phân tích tần số sử dụng STFT

Phân tích tần số sử dụng STFT cung cấp một cái nhìn chi tiết về cấu trúc tần số của tín hiệu ECG theo thời gian. Điều này cho phép xác định các thành phần tần số quan trọng liên quan đến các loại bệnh tim khác nhau. STFT cũng có thể xử lý các tín hiệu ECG không ổn định, trong đó các đặc điểm tín hiệu thay đổi theo thời gian.

3.2. Các đặc trưng tần số quan trọng trong phân loại bệnh tim

Các đặc trưng tần số quan trọng trong phân loại bệnh tim bao gồm biên độ và tần số của các đỉnh phổ, sự phân bố năng lượng tần số và các đặc điểm phổ khác. Các đặc trưng này có thể giúp phân biệt giữa các loại bệnh tim khác nhau, chẳng hạn như rối loạn nhịp tim, thiếu máu cơ tim và bệnh van tim.

IV. Ứng Dụng Machine Learning và Deep Learning Trong ECG AI

Machine learning trong ECG và deep learning trong ECG đã chứng minh tiềm năng to lớn trong việc phân loại bệnh tim từ tín hiệu điện tâm đồ ECG. Các thuật toán phân loại như SVM, Random Forest và mạng nơ-ron tích chập (CNN) có thể được huấn luyện trên dữ liệu ECG để tự động nhận dạng bệnh tim với độ chính xác cao. Ứng dụng AI trong y tế, đặc biệt là ECG AI, hứa hẹn sẽ cải thiện đáng kể hiệu quả và độ chính xác của chẩn đoán bệnh tim.

4.1. Các thuật toán Machine Learning phổ biến trong phân loại

Các thuật toán Machine Learning phổ biến trong phân loại bệnh tim bao gồm SVM, Random Forest, Decision Trees và k-Nearest Neighbors (k-NN). Mỗi thuật toán có những ưu điểm và nhược điểm riêng, và việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu ECG và yêu cầu cụ thể của ứng dụng.

4.2. Ưu điểm của Deep Learning so với Machine Learning truyền thống

Deep Learning, đặc biệt là CNN, có khả năng tự động học các đặc trưng quan trọng từ dữ liệu ECG mà không cần kỹ sư tính năng thủ công. Điều này giúp Deep Learning đạt được độ chính xác cao hơn so với Machine Learning truyền thống trong nhiều ứng dụng phân loại bệnh tim. Tuy nhiên, Deep Learning đòi hỏi lượng dữ liệu huấn luyện lớn hơn và tài nguyên tính toán mạnh mẽ hơn.

V. Kết Quả Nghiên Cứu và Đánh Giá Độ Chính Xác Chẩn Đoán ECG

Nghiên cứu đã đạt được những kết quả đáng khích lệ trong việc phân loại bệnh tim từ tín hiệu ECG. Độ chính xác chẩn đoán, độ nhạy chẩn đoán và độ đặc hiệu chẩn đoán của hệ thống phân loại được đánh giá bằng cách sử dụng các bộ dữ liệu kiểm tra độc lập. Kết quả cho thấy hệ thống có khả năng nhận dạng bệnh tim chính xác với độ tin cậy cao. Nghiên cứu này đóng góp vào sự phát triển của các hệ thống hỗ trợ chẩn đoán bệnh tim dựa trên ECG AI.

5.1. Các chỉ số đánh giá hiệu suất phân loại quan trọng

Các chỉ số đánh giá hiệu suất phân loại quan trọng bao gồm độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity), giá trị dự đoán dương (positive predictive value - PPV) và giá trị dự đoán âm (negative predictive value - NPV). Các chỉ số này cung cấp một cái nhìn toàn diện về khả năng của hệ thống phân loại trong việc phân loại chính xác các trường hợp bệnh và không bệnh.

5.2. So sánh kết quả với các nghiên cứu phân loại bệnh tim khác

Kết quả nghiên cứu được so sánh với các nghiên cứu phân loại bệnh tim khác để đánh giá vị trí của hệ thống phân loại được đề xuất trong bối cảnh hiện tại. Việc so sánh này giúp xác định các điểm mạnh và điểm yếu của hệ thống, cũng như các hướng cải thiện tiềm năng.

VI. Kết Luận Hướng Phát Triển Phân Loại Bệnh Tim ECG AI

Nghiên cứu này đã trình bày một phương pháp hiệu quả để phân loại bệnh tim từ tín hiệu điện tâm đồ ECG sử dụng kết hợp STFT và Machine Learning. Kết quả nghiên cứu cho thấy tiềm năng của AI trong chẩn đoán bệnh tim. Hướng phát triển trong tương lai bao gồm việc khám phá các thuật toán phân loại tiên tiến hơn, tích hợp thêm thông tin lâm sàng và xây dựng các hệ thống hỗ trợ chẩn đoán bệnh tim toàn diện.

6.1. Tích hợp thông tin lâm sàng để cải thiện độ chính xác

Tích hợp thông tin lâm sàng, chẳng hạn như tiền sử bệnh, triệu chứng và kết quả xét nghiệm, có thể cải thiện đáng kể độ chính xác của hệ thống phân loại bệnh tim. Thông tin lâm sàng cung cấp ngữ cảnh bổ sung cho tín hiệu ECG, giúp phân biệt giữa các loại bệnh tim khác nhau và giảm số lượng kết quả dương tính giả.

6.2. Phát triển các hệ thống hỗ trợ chẩn đoán bệnh tim toàn diện

Mục tiêu cuối cùng là phát triển các hệ thống hỗ trợ chẩn đoán bệnh tim toàn diện có thể giúp các bác sĩ đưa ra các quyết định chẩn đoán chính xác và hiệu quả. Các hệ thống này nên tích hợp nhiều nguồn thông tin khác nhau, chẳng hạn như ECG, thông tin lâm sàng và hình ảnh y tế, để cung cấp một cái nhìn toàn diện về sức khỏe tim mạch của bệnh nhân.

Nội dung chính

Nghiên Cứu Phân Loại Bệnh Tim Từ Tín Hiệu Điện Tim ECG: Đột Phá Ứng Dụng Biến Đổi STFT và Máy Vector Hỗ Trợ (SVM)

---

Tóm tắt nghiên cứu (Research Summary)

Bệnh lý tim mạch tiếp tục là nguyên nhân gây tử vong hàng đầu trên phạm vi toàn cầu, đặt ra yêu cầu cấp thiết về các công cụ hỗ trợ chẩn đoán tự động, chính xác và theo thời gian thực. Đề tài nghiên cứu khoa học "Xây dựng bộ phân loại bệnh tim từ cơ sở dữ liệu tín hiệu điện tim ECG" (Mã số: T2020-03NCS), do ThS. Nguyễn Thanh Nghĩa chủ nhiệm cùng sự phối hợp chuyên môn của PGS. Nguyễn Thanh Hải (Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh), đã giải quyết bài toán cốt lõi: Làm thế nào để phân loại chính xác các dạng rối loạn nhịp tim phức tạp từ tín hiệu điện tâm đồ phi dừng (non-stationary) và chứa nhiều tạp nhiễu?

Nghiên cứu xây dựng một quy trình xử lý tín hiệu và học máy khép kín:

1. Tiền xử lý loại bỏ hiện tượng trôi đường đẳng điện (baseline wander) bằng hệ thống hai bộ lọc trung vị nối tầng (200 ms và 600 ms).
2. Tách nhịp và căn chỉnh đỉnh R với cửa sổ mở rộng 180 mẫu quanh phức bộ QRS.
3. Trích xuất đặc trưng thời gian - tần số bằng phép biến đổi Fourier thời gian ngắn (Short-Time Fourier Transform - STFT).
4. Phân loại đa lớp nhịp tim theo tiêu chuẩn AAMI (gồm các nhóm nhịp: N, S, V, F) bằng mô hình máy vector hỗ trợ đa lớp (Multi-class Support Vector Machine - SVM) kết hợp hàm nhân RBF (Radial Basis Function).

Kết quả thử nghiệm trên cơ sở dữ liệu chuẩn quốc tế MIT-BIH Arrhythmia Database (phân chia độc lập tập huấn luyện DS1 và tập kiểm thử DS2) chứng minh: Việc tối ưu hóa kích thước cửa sổ STFT tại giá trị $2^5$ (32 mẫu) mang lại sự cân bằng vượt trội giữa độ chính xác phân loại (xấp xỉ 90%), số lượng chiều đặc trưng tối thiểu và thời gian huấn luyện rút ngắn đáng kể. Công trình mở ra hướng phát triển các thuật toán nhúng hiệu năng cao cho các thiết bị y tế đeo cá nhân và hệ thống giám sát tim mạch từ xa (Tele-cardiology).

---

Bối cảnh và tầm quan trọng (Context & Significance)

1. Thực trạng dịch tễ học và áp lực chẩn đoán lâm sàng

Theo thống kê từ Tổ chức Y tế Thế giới (WHO), các bệnh lý tim mạch cướp đi sinh mạng của khoảng 17,3 triệu người mỗi năm và con số này dự báo sẽ vượt mốc 23,6 triệu người vào năm 2030. Tại Việt Nam, các báo cáo y tế chỉ ra rằng các biến cố tim mạch chiếm tới 1/4 tổng số ca tử vong và ảnh hưởng đến gần 20% dân số trưởng thành.

Điện tâm đồ (ECG) là phương pháp thăm dò chức năng không xâm lấn, kinh tế và phổ biến nhất để ghi nhận hoạt động điện học của tim. Tuy nhiên, việc đọc và phân tích các bản ghi ECG dài hạn (chẳng hạn bản ghi Holter 24–48 giờ chứa hơn 100.000 nhịp đập) đòi hỏi khối lượng thời gian khổng lồ của các bác sĩ chuyên khoa tim mạch, đồng thời đối mặt với nguy cơ sai sót do mệt mỏi thị giác hoặc sự biến đổi rất tinh tế giữa các dạng sóng bệnh lý.

       R
      / \
     /   \
 P  /     \   T
/\_/       \_/\
  Q         S

2. Thách thức kỹ thuật trong xử lý tín hiệu ECG

Tín hiệu điện tim là một dạng tín hiệu y sinh có biên độ rất nhỏ (tính bằng milivolt - mV), đặc tính động cao, không dừng và thường xuyên bị biến dạng bởi nhiều nguồn tạp nhiễu thực tế:

• Nhiễu trôi đường đẳng điện (baseline wander) do hô hấp và dịch chuyển điện cực.
• Nhiễu can nhiễu đường dây điện lưới (50/60 Hz).
• Nhiễu điện cơ (Electromyogram - EMG) do co cơ của bệnh nhân.

Hơn nữa, các dạng biến đổi bất thường của phức bộ QRS, sóng P, sóng T giữa các bệnh nhân khác nhau (về độ tuổi, giới tính, thể trạng) có sự tương đồng lớn giữa các nhóm bệnh lý khác nhau, gây khó khăn cho các phương pháp phân loại hình thái truyền thống.

3. Khoảng trống nghiên cứu (Research Gap)

Các giải pháp truyền thống dựa trên phân tích miền thời gian hoặc miền tần số thuần túy (như biến đổi Fourier cổ điển - FFT) thất bại trong việc định vị chính xác thời điểm xuất hiện các thành phần tần số bất thường. Mặt khác, các mô hình học sâu (Deep Learning) nguyên khối dù có khả năng tự học đặc trưng nhưng đòi hỏi tài nguyên tính toán lớn, khó giải thích (black-box) và không tối ưu khi triển khai trên các thiết bị biên (edge devices) công suất thấp. Do đó, việc kết hợp giữa trích xuất đặc trưng thời gian - tần số định xứ (STFT) và bộ phân loại thống kê tối ưu biên (SVM) là một hướng tiếp cận lý tưởng, lấp đầy khoảng trống giữa hiệu năng chẩn đoán và tính khả thi phần cứng.

---

Phương pháp luận và cách tiếp cận (Methodology & Approach)

Kiến trúc tổng thể của hệ thống phân loại nhịp tim đề xuất được thiết kế theo một chuỗi xử lý chuẩn xác gồm 4 giai đoạn chính:

+---------------+     +------------------+     +--------------------+     +----------------+     +----------------+
| Tín hiệu thô  | --> | Tiền xử lý &     | --> | Phân đoạn nhịp tim | --> | Trích xuất đặc | --> | Phân loại      | --> Kết quả
| ECG (MIT-BIH) |     | Khử Baseline     |     | (R-peak [-90, 90]) |     | trưng STFT     |     | Multi-class SVM|     chẩn đoán
+---------------+     +------------------+     +--------------------+     +----------------+     +----------------+

1. Chuẩn bị và cấu trúc dữ liệu theo chuẩn AAMI

Nghiên cứu sử dụng cơ sở dữ liệu quốc tế MIT-BIH Arrhythmia Database, bao gồm 48 bản ghi Holter 2 kênh (kéo dài trên 30 phút mỗi bản ghi, tần số lấy mẫu 360 Hz). Theo khuyến nghị của Hiệp hội vì sự Tiến bộ Thiết bị Y tế Hoa Kỳ (AAMI - Association for the Advancement of Medical Instrumentation), các loại nhịp tim phức tạp từ ghi chú chuẩn MIT-BIH được ánh xạ và gom nhóm thành 4 lớp bệnh lý chính:

• Lớp N (Normal): Nhịp xoang bình thường và các dạng block nhánh trái/phải (N, L, R).
• Lớp S (Supraventricular Ectopic Beats - SVEBs): Ngoại tâm thu nhĩ, ngoại tâm thu bộ nối, nhịp thoát nhĩ (A, a, J, S, e, j).
• Lớp V (Ventricular Ectopic Beats - VEBs): Ngoại tâm thu thất, nhịp thoát thất (V, E).
• Lớp F (Fusion Beats): Phức hợp giữa nhịp thất và nhịp thường (F).

Dữ liệu được chia tách theo phương pháp bệnh nhân độc lập thành hai tập: DS1 (huấn luyện) gồm 51.012 nhịp và DS2 (kiểm thử độc lập) gồm 49.704 nhịp, bảo đảm tính khách quan tuyệt đối khi đánh giá mô hình.

2. Tiền xử lý và khử trôi đường đẳng điện

Để triệt tiêu nhiễu tần số thấp do chuyển động hô hấp mà không làm méo dạng phức bộ QRS:

• Bộ lọc trung vị 1 (độ rộng 200 ms): Loại bỏ các đỉnh nhọn của phức bộ QRS và sóng P.
• Bộ lọc trung vị 2 (độ rộng 600 ms): Lọc tiếp sóng T còn sót lại từ đầu ra của bộ lọc thứ nhất.
• Tín hiệu đường cong cơ sở (baseline wander) thu được sau hai tầng lọc được trừ trực tiếp khỏi tín hiệu ECG gốc, tái tạo tín hiệu điện tim phẳng hoàn hảo.

3. Căn chỉnh đỉnh R và phân đoạn nhịp

Do các nhãn thời gian trong cơ sở dữ liệu có thể lệch nhẹ so với cực trị thực tế:

• Một cửa sổ trượt hẹp $[-20, +20]$ mẫu xung quanh nhãn định danh được quét để định vị chính xác vị trí cực đại của đỉnh sóng R.
• Sau khi chốt đỉnh R, một cửa sổ cắt mẫu $[-90, +90]$ mẫu (tương ứng chiều dài chuẩn hóa 180 mẫu dữ liệu) được áp dụng để trích xuất trọn vẹn phức hợp P-QRS-T của từng nhịp tim đơn lẻ.

4. Trích xuất đặc trưng bằng biến đổi Fourier thời gian ngắn (STFT)

STFT phân chia đoạn nhịp 180 mẫu thành các khung nhỏ thông qua hàm cửa sổ đối xứng trượt theo thời gian, cho phép biểu diễn ma trận năng lượng tần số xuất hiện tại từng thời điểm cục bộ: $$X(n, k) = \sum_{m} x[m] w[n - m] e^{-j \frac{2\pi}{N} k m}$$ Trong đó, thuật toán Fast Fourier Transform (Cooley–Tukey) được khai thác để tăng tốc độ xử lý. Nghiên cứu tiến hành khảo sát thực nghiệm với các kích thước cửa sổ lũy thừa của 2: từ $2^3, 2^4, 2^5, 2^6$ đến $2^7$ mẫu.

5. Huấn luyện mô hình phân loại Multi-class SVM

• Chuẩn hóa Z-Score: Toàn bộ vector đặc trưng được chuẩn hóa về phân phối chuẩn ($\mu = 0, \sigma = 1$) để loại bỏ sai lệch độ lớn giữa các thành phần phổ tần số.
• Cấu hình mô hình: Sử dụng thuật toán C-SVC (thư viện Scikit-learn/LIBSVM), áp dụng nhân phi tuyến RBF (Radial Basis Function), chiến lược phân lớp đa nhóm One-vs-Rest (OvR), tối ưu hóa siêu tham số phạt $C$ và hệ số $\gamma = \text{auto}$.
• Tối ưu hóa pipeline: Xây dựng quy trình tự động lưu trữ và nạp các ma trận đặc trưng cũng như trọng số mô hình thông qua cơ chế serialization (Python pickle), giúp tiết kiệm thời gian huấn luyện trong các phiên làm việc tiếp theo.

---

Phát hiện chính của nghiên cứu (Key Findings)

Kích thước cửa sổ STFT và Hiệu năng tương ứng:
------------------------------------------------------------
Kích thước (Window) | Số đặc trưng / Beat | Độ chính xác (ACC)
------------------------------------------------------------
2^3 (8 mẫu)         | 176                | ~90% (Thời gian lâu)
2^4 (16 mẫu)        | ~120               | ~89.8%
2^5 (32 mẫu) ★      | 64                 | ~89% (Tối ưu nhất)
2^6 (64 mẫu)        | 32                 | ~85%
2^7 (128 mẫu)       | 16                 | ~81%
------------------------------------------------------------
★ 2^5 là cấu hình được đề xuất nhờ tối ưu hóa tài nguyên tính toán.

1. Kích thước cửa sổ $2^5$ (32 mẫu) là điểm cân bằng vàng về mặt tính toán

Qua quá trình khảo sát thực nghiệm các kích thước cửa sổ STFT:

• Các cửa sổ rất nhỏ ($2^3 = 8$ mẫu) cho độ chính xác cao nhất (~90%) nhưng tạo ra tới 176 đặc trưng cho mỗi nhịp tim, dẫn đến kích thước ma trận lớn và thời gian huấn luyện kéo dài (89,94 giây).
• Khi kích thước cửa sổ tăng lên ($2^6, 2^7$), độ phân giải thời gian bị suy giảm, khiến độ chính xác giảm mạnh xuống dưới 85%.
• Kích thước cửa sổ $2^5$ (32 mẫu) chỉ sinh ra lượng đặc trưng bằng một nửa so với $2^3$, thời gian huấn luyện cực ngắn, trong khi độ chính xác chỉ suy giảm dưới 1% so với mức cao nhất. Đây là phát hiện quan trọng giúp hiện thực hóa thuật toán trên vi xử lý hạn chế bộ nhớ.

2. Hiệu quả triệt để của lọc trung vị nối tầng đối với tín hiệu ECG

Phương pháp lọc trung vị hai cấp (200 ms và 600 ms) chứng minh ưu thế vượt trội trong việc loại trừ hoàn toàn hiện tượng trôi đường đẳng điện do nhịp thở của bệnh nhân mà không làm biến dạng độ cao đỉnh R, độ dốc đoạn ST hay làm nhòe phức bộ QRS — một nhược điểm thường thấy ở các bộ lọc thông cao IIR truyền thống.

3. SVM phân lớp phi tuyến hiệu quả cao trên bài toán mất cân bằng lớp

Trong cơ sở dữ liệu MIT-BIH, tỷ lệ nhịp bình thường (N) chiếm áp đảo (>89%), trong khi các nhóm nhịp nguy hiểm như nhịp lạc chỗ trên thất (S) hay nhịp dung hợp (F) chiếm tỷ lệ rất nhỏ (<2%). Nhờ cơ chế tối đa hóa khoảng cách biên viền (margin) của SVM kết hợp hàm nhân RBF và kỹ thuật gán trọng số lớp (class weight), mô hình đề xuất đã phân biệt chính xác ranh giới phức tạp giữa các lớp bệnh nhân ngoại tâm thu thất (V) và ngoại tâm thu trên thất (S) trên tập kiểm thử độc lập DS2.

---

Đóng góp khoa học (Scientific Contributions)

                            ĐÓNG GÓP CỦA ĐỀ TÀI
[LÝ THUYẾT & PHƯƠNG PHÁP]    [THỰC NGHIỆM & CÔNG BỐ]        [ỨNG DỤNG THỰC TIỄN]
• Tích hợp STFT + SVM RBF    • Xuất bản IEEE GTSD 2020      • Thiết bị Holter ECG nhúng
• Tối ưu cửa sổ thời gian    • Bộ dữ liệu chuẩn DS1/DS2     • Giảng dạy KT Y sinh

1. Đóng góp về mặt phương pháp luận và lý thuyết

• Chứng minh tính khả thi của STFT cục bộ: Công trình khẳng định rõ vai trò của việc bảo toàn đồng thời thông tin miền thời gian và miền tần số khi xử lý tín hiệu điện tim phi dừng, khắc phục hoàn toàn nhược điểm mất thông tin thời gian của biến đổi Fourier truyền thống.
• Quy trình chuẩn hóa rút gọn: Đưa ra một pipeline tinh gọn từ lọc nhiễu, căn chỉnh đỉnh R tự động, trích xuất đặc trưng STFT tối ưu đến phân lớp Multi-class SVM, có thể đóng vai trò như một framework chuẩn cho các bài toán phân tích tín hiệu y sinh tương tự (EEG, EMG, PCG).

2. Đóng góp về mặt công bố quốc tế và thực nghiệm

• Kết quả nghiên cứu đã được công bố chính thức tại kỷ yếu hội nghị khoa học quốc tế uy tín:

  Thanh-Nghia Nguyen, Thanh-Hai Nguyen, Duc-Dung Vo, Truong-Duy Nguyen, "Multi-class Support Vector Machine Algorithm for Heart Disease Classification," 2020 5th International Conference on Green Technology and Sustainable Development (GTSD), Ho Chi Minh City, Vietnam.

3. Giá trị ứng dụng thực tiễn và đào tạo

• Phát triển thiết bị y tế cá nhân: Thuật toán với độ phức tạp tính toán thấp, không đòi hỏi phần cứng tăng tốc GPU, rất phù hợp để nạp vào các vi điều khiển công suất thấp (ARM Cortex-M, ESP32) trên các thiết bị đo điện tim cầm tay hoặc thiết bị đeo theo dõi bệnh nhân tại nhà.
• Ứng dụng đào tạo: Toàn bộ học liệu, thuật toán và mã nguồn thực nghiệm được tích hợp trực tiếp vào chương trình giảng dạy chuyên ngành Kỹ thuật Y sinh (Biomedical Engineering) và Điện tử Y sinh tại Trường Đại học Sư phạm Kỹ thuật TP.HCM.

---

Đối tượng quan tâm và giá trị mang lại (Target Audience & Impact)

Đối tượng	Thách thức hiện tại	Giá trị nhận được từ nghiên cứu
Bác sĩ & Chuyên viên Tim mạch	Quá tải khi phân tích hàng ngàn trang ghi chép Holter ECG; nguy cơ bỏ sót các cơn loạn nhịp kịch phát.	Công cụ hỗ trợ chẩn đoán tự động (AI-assisted triage), gắn nhãn phân loại chính xác các nhịp bất thường, rút ngắn 70% thời gian hội chẩn.
Kỹ sư AI & Xử lý tín hiệu Y sinh	Mô hình Deep Learning cồng kềnh, khó triển khai trên vi xử lý biên hạn chế năng lượng.	Một kiến trúc kết hợp STFT + SVM gọn nhẹ, có cơ sở toán học tường minh, dễ tinh chỉnh và tối ưu hóa thời gian thực.
Doanh nghiệp MedTech & Thiết bị đeo	Nhu cầu phát triển thiết bị đo nhịp tim thông minh có tính năng cảnh báo loạn nhịp chính xác cao.	Thuật toán đã được kiểm chứng trên tập dữ liệu chuẩn quốc tế, sẵn sàng chuyển giao công nghệ và tích hợp vào firmware thiết bị.
Giảng viên & Sinh viên Y sinh	Thiếu giáo trình và ví dụ thực tế kết hợp giữa kỹ thuật phần cứng, xử lý tín hiệu và trí tuệ nhân tạo.	Nguồn tài liệu học thuật hoàn chỉnh từ khâu lý thuyết tín hiệu điện tâm đồ, biến đổi toán học đến lập trình Python ứng dụng.

---

Câu hỏi thường gặp (FAQ)

1. Phát hiện quan trọng nhất của đề tài này là gì?

Nghiên cứu chỉ ra rằng không cần thiết phải sử dụng các mô hình học sâu phức tạp với hàng triệu tham số để phân loại nhịp tim. Bằng cách chọn kích thước cửa sổ biến đổi STFT tối ưu ($2^5 = 32$ mẫu), mô hình Multi-class SVM đạt được độ chính xác xấp xỉ 90% với kích thước vector đặc trưng nhỏ gọn, giúp giảm tải tối đa bộ nhớ và thời gian tính toán.

2. Phương pháp tiền xử lý tín hiệu trong nghiên cứu có gì đặc biệt?

Thay vì sử dụng các bộ lọc số thông dải thông thường dễ làm biến dạng pha và dạng sóng phức bộ QRS, tác giả áp dụng hai bộ lọc trung vị nối tiếp (200 ms để xóa QRS/P và 600 ms để xóa sóng T). Cách làm này ước lượng chính xác đường đẳng điện bị trôi mà không làm thay đổi các biên độ đỉnh sóng bệnh lý.

3. Kết quả của nghiên cứu có khả năng tổng quát hóa (Generalizability) trên thực tế không?

Có. Nghiên cứu tuân thủ nghiêm ngặt quy trình đánh giá chuẩn AAMI bằng việc chia tách cơ sở dữ liệu MIT-BIH thành hai tập bệnh nhân hoàn toàn độc lập: tập huấn luyện DS1 và tập kiểm thử DS2. Mô hình được đánh giá trên dữ liệu của những bệnh nhân mà nó chưa từng "học" qua, bảo đảm tính tổng quát hóa cao khi triển khai trên người bệnh thực tế.

4. Hướng phát triển tiếp theo của nghiên cứu này là gì?

Nhóm tác giả hướng tới việc:

• Tích hợp thêm các đặc trưng động học nhịp (khoảng biến thiên nhịp tim - Heart Rate Variability / RR intervals).
• Thử nghiệm trên các tập dữ liệu đa kênh phức tạp hơn (12 chuyển đạo tiêu chuẩn).
• Nhúng trực tiếp toàn bộ pipeline xử lý lên chip vi điều khiển SoC nhằm thương mại hóa thiết bị cảnh báo sớm nhồi máu cơ tim và rung nhĩ dạng đeo.

5. Ứng dụng thực tế của công trình này bao gồm những gì?

Hệ thống có thể triển khai dưới dạng:

• Phần mềm hỗ trợ chẩn đoán tự động tích hợp trong các máy đo điện tim tại bệnh viện và phòng khám.
• Ứng dụng theo dõi sức khỏe kết nối không dây với cảm biến ngực/vòng đeo tay để tự động cảnh báo nguy hiểm cho bệnh nhân tim mạch tại nhà.

---

Kết luận (Conclusion)

Đề tài "Xây dựng bộ phân loại bệnh tim từ cơ sở dữ liệu tín hiệu điện tim ECG" đã xây dựng thành công giải pháp toàn diện cho bài toán phát hiện và phân loại các dạng loạn nhịp tim nguy hiểm. Bằng sự kết hợp khoa học giữa kỹ thuật khử nhiễu lọc trung vị, định xứ thời gian - tần số qua phép biến đổi STFT và phân loại tối ưu biên với Multi-class SVM, nghiên cứu đã chứng minh hiệu quả vượt trội về cả độ chính xác lẫn hiệu năng tính toán.

Công trình không chỉ đóng góp một bài báo khoa học chất lượng trên diễn đàn học thuật quốc tế (IEEE GTSD) mà còn mở ra tiềm năng ứng dụng to lớn trong việc sản xuất các thiết bị y tế thông minh "Make in Vietnam".

Các tổ chức y tế, doanh nghiệp công nghệ y tế và các nhóm nghiên cứu quan tâm có thể kết nối với nhóm tác giả tại Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM để tiếp nhận chuyển giao thuật toán hoặc hợp tác thử nghiệm lâm sàng trên các dòng thiết bị mới.

Trích đoạn nội dung tài liệu

Chương 1: Nghiên cứu tổng quan block), PQ ngắn sẽ gợi ý đến một hội chứng rối loạn nhịp tim (Wolf-Parkinson-White).  Đoạn ST Ý nghĩa là giai đoạn tái cực thất sớm, thời gian của ST thường không quan trọng bằng hình dạng của nó, bình thường ST nằm chênh lệch lên hoặc chênh xuống khỏi đường đẳng điện rất ít. đoạn ST cực kỳ quan trọng trong việc chẩn đoán nhồi máu cơ tim. ST gọi là chênh lệch nếu cao hơn đường đẳng điện 1mm ở chuyển đạo chi và hơn 2mm ở chuyển đạo trước ngực.

ST gọi là chênh xuống khi nằm dưới đường đẳng điện hơn 0.  Đoạn QT Là thời gian tâm thu điện học của tâm thất, khoảng giá trị bình thường của QT phục thuộc vào tần số tim, QT kéo dài bất thường có liên quan với tăng nguy cơ loạn nhịp thất, đặc biệt là xoắn đỉnh. Gần đây, hội chứng QT ngắn bẩm sinh đã được tìm thấy có liên quan với tăng nguy cơ rung nhĩ và thất kịch phát và đột tử do tim.4 Áp dụng trong y học Điện tâm đồ được sử dụng trong nhiều trường hợp y học:  Chẩn đoán nhồi máu cơ tim khi cơ tim bị thiếu máu và dưỡng khí, bị tổn thương hay hoại tử, khả năng dẫn truyền điện của cơ sẽ thay đổi. Sự thay đổi này có thể ghi nhận được trên điện tâm đồ, đây là một trong những giá trị nhất của phương pháp cận lâm sàng này.

 Chẩn đoán Thiếu máu cơ tim: cơ tim bị thiếu máu sẽ cho thấy hình ảnh sóng T trên điện tâm đồ dẹt, âm.  Chẩn đoán và theo dõi rối loạn nhịp tim bất thường tại vị trí phát nhịp (nút xoang, nút nhĩ nhất, cơ tim) và dẫn truyền một chiều của tim sẽ cho thấy hình ảnh nhịp tim bất thường trên điện tâm đồ. Trang - 18 - Chương 1: Nghiên cứu tổng quan  Chẩn đoán và theo dõi rối loạn dẫn truyền nhịp tim đập do một hệ thống dẫn truyền khoa học, việc tổn thương hay mất sự mạch lạc dẫn truyền cho thấy các bất thường về các nhánh điện học của tim trên điện tâm đồ (Block AV, Block nhánh tim).  Chẩn đoán các chứng tim lớn khi cơ tim dày hay dãn, quá trình khử cực, tái cực của từng thành phần trong cơ tim sẽ thay đổi, qua đó trên giấy ghi sẽ cho những gợi ý nhất định về tình trạng lớn buồng tim, tuy nhiên giá trị của ECG không ưu thế là trường hợp này, vì thay đổi nhiều vào chủng tộc, nhiều yếu tố gây nhiễu và độ nhạy kém, y học cũng có nhiều công cụ chẩn đoán tim to tốt hơn.

 Chẩn đoán một số thay đổi sinh hóa máu vì điện tim là do sự di chuyển của các ion như natri, kali, canxi, v. Khi có thay đổi lớn trong nồng độ các chất này, điện tâm đồ có khả năng thay đổi. Chẩn đoán một số ngộ độc thuốc Thuốc digoxin làm thay đổi đoạn ST của mọi cực. Thuốc chống trầm cảm 3 vòng làm dài đoạn QT.2 Phép biến đổi Fourier thời gian ngắn (Short-time Fourier transform) 1.1 Biến đổi Fourier Từ trước đến nay có nhiều phương pháp phân tích tín hiệu.

Được biết đến nhiều nhất là phân tích Fourier, trên cơ sở phân tích một tín hiệu thành tổng các hàm sin với các tần số khác nhau. Nói cách khác, phân tích Fourier là kỹ thuật biến đổi tín hiệu từ miền thời gian sang miền tần số. Với nhiểu tín hiệu, phân tích Fourier rất có ích vì nội dung tần số của tín hiệu là rất quan trọng. Biến đổi Fourier của tín hiệu xt  và biến đổi Fourier ngược của nó được xác định bởi biểu thức sau:  X  f    xt e  j 2ft dt (1.