Luận văn thạc sĩ về ứng dụng phương pháp học tập chuyển đổi trong nhận diện bệnh tim

Luận văn thạc sĩ nghiên cứu ứng dụng phương pháp học tập chuyển đổi trong nhận diện bệnh tim, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện trong lĩnh vực .

• Tác giả: Dương Văn Bình
• Người hướng dẫn: TS. Nguyễn Thanh Hải
• Trường học: Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Điện - Điện tử
• Đề tài: Ứng dụng phương pháp học chuyển đổi trong phân loại tín hiệu ECG và thiết kế thí nghiệm
• Loại tài liệu: Luận văn tốt nghiệp
• Năm xuất bản: 2018
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM TẠ
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan về lĩnh vực nghiên cứu
• 1.2. Các kết quả nghiên cứu trong nước và ngoài nước đã công bố
• 1.2.1. Các kết quả nghiên cứu trong nước
• 1.2.2. Các kết quả nghiên cứu quốc tế
• 1.3. Mục tiêu của đề tài
• 1.4. Nhiệm vụ và giới hạn của đề tài
• 1.4.1. Nhiệm vụ của đề tài
• 1.4.2. Giới hạn của đề tài
• 1.5. Phương pháp nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về tín hiệu điện tim ECG
• 2.2. Thu thập dữ liệu điện tim
• 2.3. Phương pháp phân tích wavelet rời rạc
• 2.4. Phương pháp giảm chiều dữ liệu
• 2.4.1. Phương pháp phân tích thành phần chính (Principal Component Analysis PCA)
• 2.4.2. Phương pháp phân tích phân biệt tuyến tính (Linear Discriminant Analysis - LDA)
• 2.5. Phương pháp học tập chuyển đổi Large Margin Nearest Neighbor – LMNN [9]
• 2.5.1. Không gian metric và khoảng cách Mahalanobis [10, 11]
• 2.5.2. Hàm chi phí
• 2.5.3. Tối ưu mặt lồi – Convex Optimization
• 2.6. Phương pháp phân loại sử dụng Neuron Network
• 2.6.1. Đơn vị xử lý mạng neural network
• 2.6.2. Hàm kết hợp trong neural network
• 2.6.3. Hàm kích hoạt trong neural network
• 2.6.4. Hàm mục tiêu
• 2.6.5. Thuật toán lan truyền ngược (Back-Propagation)
• 2.7. Phương pháp đánh giá một bộ phân loại
• 2.7.1. Đường cong ROC
• 2.7.2. Ma trận nhầm lẫn
• 3. CHƯƠNG 3: ỨNG DỤNG PHƯƠNG PHÁP HỌC CHUYỂN ĐỔI TRONG PHÂN LOẠI TÍN HIỆU ECG VÀ THIẾT KẾ THÍ NGHIỆM
• 3.1. Lưu đồ tổng quát của phương pháp đề xuất phân loại tín hiệu điện tim
• 3.2. Chuẩn bị dữ liệu
• 3.3. Tách từng nhịp tim và trích đặc trưng
• 3.4. Thiết kế thí nghiệm
• 3.4.1. Thiết kế thí nghiệm 1: khảo sát sự ảnh hưởng của hiệu ứng kéo theo “Long–tail effect” lên độ chính xác của bộ phân loại tín hiệu điện tim ECG
• 3.4.2. Thiết kế thí nghiệm 2: đánh giá chéo bộ phân loại giữa các dây điện cực tín hiệu điện tim
• 3.4.3. Thiết kế thí nghiệm 3: thiết kế bộ phân loại tín hiệu điện tim dùng phương pháp học chuyển đổi LMNN
• 3.5. Giảm chiều dữ liệu
• 3.6. Học tập chuyển đổi
• 3.7. Huấn luyện và phân loại
• 4. CHƯƠNG 4: KẾT QUẢ
• 4.1. Kết quả thí nghiệm 1
• 4.2. Kết quả thí nghiệm 2
• 4.3. Kết quả thí nghiệm 3
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. So sánh kết quả của thí nghiệm thứ 1 khi áp dụng hai phương pháp giảm chiều PCA và LDA cho các tình huống khác nhau của tập dữ liệu
• 5.2. Kết quả thí nghiệm thứ 2 thực hiện trên một số bộ dữ liệu khác
• 5.3. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu ứng dụng phương pháp học chuyển đổi trong chẩn đoán bệnh tim mạch

Nghiên cứu ứng dụng phương pháp học chuyển đổi trong chẩn đoán bệnh tim mạch đang trở thành một xu hướng quan trọng trong y học hiện đại. Với sự gia tăng số lượng bệnh nhân mắc bệnh tim mạch, việc phát triển các phương pháp chẩn đoán chính xác và hiệu quả là rất cần thiết. Phương pháp học chuyển đổi, đặc biệt là trong phân tích tín hiệu điện tâm đồ (ECG), đã cho thấy tiềm năng lớn trong việc cải thiện độ chính xác của chẩn đoán. Các nghiên cứu gần đây đã chỉ ra rằng việc áp dụng các kỹ thuật máy học có thể giúp phân loại các loại rối loạn nhịp tim một cách hiệu quả hơn.

1.1. Tầm quan trọng của việc chẩn đoán bệnh tim mạch

Bệnh tim mạch là một trong những nguyên nhân hàng đầu gây tử vong trên toàn cầu. Theo Tổ chức Y tế Thế giới, hàng năm có khoảng 17,7 triệu người chết vì bệnh tim mạch. Việc chẩn đoán sớm và chính xác có thể cứu sống nhiều bệnh nhân. Các phương pháp truyền thống thường gặp khó khăn trong việc phân tích tín hiệu ECG do tính phức tạp và biến đổi của nó.

1.2. Phương pháp học chuyển đổi và ứng dụng trong y tế

Phương pháp học chuyển đổi, đặc biệt là Large Margin Nearest Neighbor (LMNN), đã được áp dụng để cải thiện độ chính xác trong phân loại tín hiệu ECG. Các nghiên cứu cho thấy rằng việc sử dụng LMNN kết hợp với các kỹ thuật giảm chiều dữ liệu như PCA và LDA có thể nâng cao hiệu suất phân loại, từ đó hỗ trợ bác sĩ trong việc chẩn đoán bệnh tim mạch.

II. Vấn đề và thách thức trong chẩn đoán bệnh tim mạch

Mặc dù có nhiều tiến bộ trong công nghệ chẩn đoán, nhưng vẫn còn nhiều thách thức trong việc phân loại tín hiệu ECG. Một trong những vấn đề lớn nhất là sự biến đổi của tín hiệu ECG giữa các bệnh nhân khác nhau. Điều này dẫn đến việc khó khăn trong việc xây dựng một mô hình phân loại chính xác cho tất cả các trường hợp. Ngoài ra, việc thu thập dữ liệu cũng gặp nhiều khó khăn do sự thiếu hụt trong việc chuẩn hóa các đặc điểm của tín hiệu ECG.

2.1. Sự biến đổi của tín hiệu ECG giữa các bệnh nhân

Mỗi bệnh nhân có một dạng sóng ECG riêng biệt, điều này làm cho việc phân loại trở nên khó khăn. Các yếu tố như tuổi tác, giới tính và tình trạng sức khỏe có thể ảnh hưởng đến hình dạng của tín hiệu ECG. Do đó, việc phát triển một bộ dữ liệu đa dạng và phong phú là rất cần thiết.

2.2. Thiếu hụt trong việc chuẩn hóa dữ liệu

Thiếu hụt trong việc chuẩn hóa dữ liệu là một trong những thách thức lớn trong nghiên cứu này. Các nghiên cứu trước đây thường không đồng nhất trong việc thu thập và xử lý dữ liệu, dẫn đến kết quả không chính xác. Việc xây dựng một quy trình chuẩn hóa dữ liệu sẽ giúp cải thiện độ chính xác của các mô hình phân loại.

III. Phương pháp học chuyển đổi trong phân loại tín hiệu ECG

Phương pháp học chuyển đổi đã được áp dụng để cải thiện độ chính xác trong phân loại tín hiệu ECG. Các kỹ thuật như DWT (Discrete Wavelet Transform) và LMNN đã cho thấy hiệu quả cao trong việc phân loại các loại rối loạn nhịp tim. Nghiên cứu này sẽ trình bày chi tiết về cách thức hoạt động của các phương pháp này và cách chúng có thể được áp dụng trong thực tiễn.

3.1. Kỹ thuật DWT trong phân tích tín hiệu ECG

Kỹ thuật DWT giúp phân tích tín hiệu ECG bằng cách tách các thành phần tần số khác nhau. Điều này cho phép nhận diện các đặc điểm quan trọng trong tín hiệu, từ đó cải thiện độ chính xác của quá trình phân loại. Nghiên cứu đã chỉ ra rằng việc sử dụng DWT có thể giúp phát hiện các rối loạn nhịp tim một cách hiệu quả hơn.

3.2. Phương pháp LMNN trong phân loại tín hiệu

Phương pháp LMNN giúp tối ưu hóa khoảng cách giữa các điểm dữ liệu trong không gian đặc trưng, từ đó cải thiện khả năng phân loại. Nghiên cứu đã chỉ ra rằng LMNN có thể đạt được độ chính xác cao hơn so với các phương pháp truyền thống trong việc phân loại tín hiệu ECG.

IV. Ứng dụng thực tiễn và kết quả nghiên cứu

Nghiên cứu đã thực hiện nhiều thí nghiệm để đánh giá hiệu quả của phương pháp học chuyển đổi trong phân loại tín hiệu ECG. Kết quả cho thấy rằng việc áp dụng LMNN kết hợp với DWT và PCA đã mang lại độ chính xác cao trong việc phân loại các loại rối loạn nhịp tim. Các thí nghiệm cũng chỉ ra rằng việc chuẩn hóa dữ liệu đầu vào là rất quan trọng để đạt được kết quả tốt nhất.

4.1. Kết quả thí nghiệm với phương pháp LMNN

Kết quả thí nghiệm cho thấy rằng phương pháp LMNN đã đạt được độ chính xác lên đến 95% trong việc phân loại các loại rối loạn nhịp tim. Điều này cho thấy tiềm năng lớn của phương pháp này trong việc hỗ trợ chẩn đoán bệnh tim mạch.

4.2. Ứng dụng thực tiễn trong chẩn đoán bệnh tim

Phương pháp học chuyển đổi có thể được áp dụng trong các hệ thống chẩn đoán tự động, giúp bác sĩ đưa ra quyết định nhanh chóng và chính xác hơn. Việc tích hợp công nghệ này vào quy trình chẩn đoán sẽ giúp cải thiện chất lượng chăm sóc sức khỏe cho bệnh nhân.

V. Kết luận và hướng phát triển trong nghiên cứu

Nghiên cứu ứng dụng phương pháp học chuyển đổi trong chẩn đoán bệnh tim mạch đã chỉ ra nhiều tiềm năng trong việc cải thiện độ chính xác của phân loại tín hiệu ECG. Tuy nhiên, vẫn còn nhiều thách thức cần phải giải quyết, đặc biệt là trong việc chuẩn hóa dữ liệu và phát triển các mô hình phân loại hiệu quả hơn. Hướng phát triển trong tương lai có thể bao gồm việc áp dụng các kỹ thuật học sâu để nâng cao khả năng phân loại.

5.1. Hướng phát triển công nghệ trong chẩn đoán bệnh tim

Công nghệ học sâu có thể mở ra nhiều cơ hội mới trong việc phân loại tín hiệu ECG. Việc áp dụng các mô hình học sâu có thể giúp cải thiện độ chính xác và khả năng phát hiện các rối loạn nhịp tim phức tạp hơn.

5.2. Tương lai của nghiên cứu ứng dụng học chuyển đổi

Nghiên cứu ứng dụng học chuyển đổi trong chẩn đoán bệnh tim mạch sẽ tiếp tục phát triển, với mục tiêu cải thiện độ chính xác và hiệu quả trong việc phân loại tín hiệu ECG. Các nghiên cứu tiếp theo cần tập trung vào việc xây dựng các bộ dữ liệu lớn và đa dạng để nâng cao khả năng tổng quát của các mô hình phân loại.

Trích đoạn nội dung tài liệu

CHƯƠNG I: TỔNG QUAN Phân loại tín hiệu điện tim là một trong những đề tài nghiên cứu mang tính cấp thiết trong khoa học hiện nay. Tác giả đề tài thực hiện phân loại tín hiệu điện tim được phân tích dựa theo nhiều thí nghiệm để có một cái nhìn toàn diện về cách thu thập dữ liệu cũng như phương pháp phân loại. Sau đây là phần tổng quan về lĩnh vực nghiên cứu.1 Tổng quan về lĩnh vực nghiên cứu Tỷ lệ mắc bệnh tim mạch (CVD – CardioVascular Diseases) đã tăng lên trong những năm gần đây. Theo thống kê của tổ chức y thế giới hàng năm có 17.7 triệu người chết vì bệnh tim mạch, chiếm 31% trong tất cả các trường hợp tử vong trên toàn cấu.

Có rất nhiều nguyên nhân gây loạn nhịp tim, hầu hết là do bệnh tim mạch. Rất khó để giải mã thông tin ẩn trong tín hiệu ECG do biên độ nhỏ và thời gian nhỏ. Vì vậy một công cụ máy tính hỗ trợ có thể giúp bác sĩ chẩn đoán dễ dàng hơn. Bệnh tim mạch trong thế giới hiện đại là do sự chuyển dịch tễ học bởi bệnh béo phì, đái tháo đường, thói quen hút thuốc lá và thay đổi lối sống khác.

Một trong những biến chứng của bệnh tim mạch trong số nhất nhiều bệnh nhân khác nhau là rối loạn tâm nhĩ, tâm thất. Chứng loạn nhịp tim là một thuật ngữ chung cho một nhóm không đồng nhất các điều kiện của các hoạt động điện bất thường. Bệnh tim mạch là một trong những bệnh gây tử vong hàng đầu tại Việt Nam và trên thế giới. Đặc biệt, số lượng bệnh nhân sống tại các thành thị của Việt Nam mắc bệnh tim mạch đang ngày càng gia tăng.

Bên cạnh các bệnh tim bẩm sinh, những bệnh tim do tác nhân bên ngoài như mỡ trong máu, cholestoral tăng cao… đang dần trở thành mãn tính và đe dọa tính mạng bệnh nhân. Các tín hiệu ECG chủ yếu bao gồm nhóm phức hợp QRS, sóng P, sóng T và các dạng sóng chính khác. Các dải sóng khác nhau đại diện cho các hoạt động tim khác nhau, đây là một cơ sở quan trọng để phân tích các tín hiệu ECG. Phân tích ECG là một quá trình rất quan trọng để chẩn đoán và điều trị bệnh tim.

Chẩn đoán rối loạn nhịp tim do máy tính hỗ trợ phụ thuộc vào phân tích rối loạn tim. Xác định loạn nhịp tim là một thách thức cho một hệ thống 1 chẩn đoán bệnh tim. Do đó, có rất nhiều kỹ thuật được sử dụng để phân loại loạn nhịp. Các nghiên cứu thu thập thông tin sử dụng các kỹ thuật khác nhau từ tín hiệu ECG đã được kiểm tra và các kỹ thuật trên lý thuyết so với thực tế và một khoảng cách khá xa để áp dụng vào trong các trường hợp cụ thể.2 Các kết quả nghiên cứu trong nước và ngoài nước đã công bố Có rất nhiều phương pháp phân loại tín hiệu điện tim hiện tại được đề xuất với nhiều tính năng đã đạt được độ chính xác rất cao.

Phân loại tín hiệu ECG là một vấn đề khó khăn bởi vì thiếu sự chuẩn hóa các đặc điểm của tín hiệu ECG, tín hiệu ECG luôn biến đổi, mỗi một mô hình ECG có một đặc tính riêng, không tồn tại một quy tắc phân loại tối ưu cho bộ phân loại ECG, và mỗi bệnh nhân có một dạng sóng ECG biến đổi riêng. Phát triển một bộ phân loại thích hợp nhất, có khả năng phân loại rối loạn nhịp tim trong thời gian thực là một vấn đề cần giải quyết trong việc phân loại rối loạn nhịp tim. Các ứng dụng phân loại tín hiệu ECG đã phát hiện hiện được các loại tín hiệu bất thường và phân tích một loại tín hiệu mới chính xác hơn phân tích thủ công, các ứng dụng này cũng được sử dụng trong chẩn đoán và điều trị các bệnh nhân bị bệnh tim [1].1 Các kết quả nghiên cứu trong nước Tại hội thảo quốc tế về kiến thức và hệ thống kỹ thuật năm 2009, hai tác giả Phan Anh Phong và Kieu Quang Thien đã nghiên cứu về vấn đề phân loại loạn nhịp tim bằng cách sử dụng hệ thống mờ kiểu TSK 2. Bài báo đề xuất một phương pháp xây dựng hệ mờ kiểu Takagi-Sugeno-Kang (TSK) loại 2 để đo điện tim đồ (ECG).

Phân loại được áp dụng để phân biệt nhịp xoang bình thường (NSR), rung tâm thất (VF) và nhịp tim nhanh thất (ventricular fibrillation - VT). Hai tính năng của tín hiệu ECG là khoảng thời gian trung bình và độ rộng xung cũng chính là đầu vào cho bộ phân loại mờ. Ngoài ra tác giả còn sử dụng thuật toán phân cụm trung bình fuzzy và kỹ thuật truyền lại để xác định các thông số của bộ phân loại fuzzy TSK loại 2. Kết quả thí nghiệm với dữ liệu từ cơ sở dữ liệu Malignant Ventricular Arrhythmia MIT- BIH cho thấy độ chính xác phân loại là 100% đối với tín hiệu NSR, 93,3% đối với tín hiệu VF và 92% tín hiệu VT [2].

2 Bên cạnh những nghiên cứu về ECG trên, còn có những nghiên cứu trong nước về ngưỡng tối ưu cho thuật toán nén ECG hai trạng thái [3], hay nghiên cứu về hạn chế loại bỏ nhiễu tín hiệu ECG trong đo lường sử dụng phương pháp wavelet [4]. Hầu hết tất cả các nghiên cứu đã thực hiện trong nước chưa đề cập sâu đến vấn đề phân loại tín hiệu điện tim. Nếu như nghiên cứu về vấn đề phân loại loạn nhịp tim bằng cách sử dụng hệ thống mờ kiểu TSK 2 [2] chỉ đề cập đến kết quả phân loại dựa trên từng loại bệnh điện tim: nhịp xoang bình thường (NSR), rung tâm thất (VF) và nhịp tim nhanh thất (ventricular fibrillation - VT) thì nghiên cứu này đề cập đến việc phân loại hầu hết tất cả các loại bệnh tim dựa theo tiêu chuẩn ANSI/AAMI EC57:1998. Vì vậy luận văn này sẽ mang đến cái nhìn khái quát hơn trong phân loại tín hiệu điện tim.2 Các kết quả nghiên cứu quốc tế Có nhiều đề tài trên thế giới đã nghiên cứu về bệnh tim mạch, và một trong những nghiên cứu đó là phân loại tín hiệu điện tim sử dụng PCA, LDA, ICA và chuyển đổi wavelet rời rạc [5].

Trong nghiên cứu này, năm loại rối loạn nhịp tim theo khuyến cáo của Hiệp hội dụng cụ y tế (AAMI) đã được phân tích như sau: nhịp tim không lạc vị, nhịp tim supra-ventricular ectopic, nhịp tim ventricular ectopic, nhịp tim fusion, nhịp tim không nhận dạng được. Ba thuật toán giảm kích thước; phân tích thành phần chính (PCA), phân tích phân loại tuyến tính (LDA) và phân tích thành phần độc lập (ICA) đã được áp dụng độc lập dựa vào biến đổi wavelet rời rạc. Các tính năng giảm kích thước này đã được đưa vào bộ phân loại SVM, mạng nơ ron (NN) và phân loại mạng thần kinh xác suất (PNN) để chẩn đoán tự động. Tính năng ICA kết hợp với PNN hoạt động tốt hơn PCA và LDA.

Nó đã mang lại độ nhạy trung bình, độ đặc hiệu, giá trị tiên đoán dương (PPV) và độ chính xác 99,97%, 99,83%, 99,21% và 99,28% tương ứng sử dụng phương pháp xác nhận chéo 10 lần. Độ chính xác của nghiên cứu này khác cao và ưu điểm là so sánh được các phương pháp phân loại với nhau. Chính vì vậy tác giả luận văn đã thực hiện lại việc phân loại tín hiệu điện tim dựa trên phương pháp của nghiên cứu trên nhưng tách riêng dữ liệu huấn luyện và kiểm tra để thẩm định lại độ chính xác của bộ phân loại.3 Mục tiêu của đề tài Mục tiêu của đề tài là ứng dụng phương pháp học chuyển đổi trong nhận diện bệnh tim. Sau khi hoàn thành đề tài người thực hiện mong muốn áp dụng phương pháp học chuyển đổi để tăng độ chính xác của bộ phân loại tín hiệu điện tim ECG.

Bên cạnh đó để bộ phân loại đạt tối ưu người thực hiện đề tài muốn chứng minh được cần phải chuẩn hóa bộ dữ liệu đầu vào và nên thu thập đủ dữ liệu trên tất cả các dây điện cực của tín hiệu điện tim.4 Nhiệm vụ và giới hạn của đề tài 1.1 Nhiệm vụ của đề tài Dựa trên mục tiêu đã đề ra, tác giả đề tài cần phải thực hiện các nhiệm vụ sau đây đề hoàn thành đề tài: - Thu thập và xây dựng tập dữ liệu điện tim, chuyển đổi tín hiệu sang miền tần số dùng phương pháp DWT, giảm chiều dữ liệu dùng phương pháp PCA và LDA. Nhận dạng tín hiệu điện tim dùng phương pháp Neural Network không sử dụng phương pháp học chuyển đổi. - Ứng dụng hiệu ứng kéo theo để xây dựng lại tập dữ liệu, chuyển đổi tín hiệu sang miền tần số dùng phương pháp DWT, trích đặc trưng dùng phương pháp PCA, LDA. Nhận dạng tín hiệu điện tim dùng phương pháp Neural Network không sử dụng phương pháp học chuyển đổi.

- Ứng dụng hiệu ứng kéo theo để xây dựng lại tập dữ liệu, chuyển đổi tín hiệu sang miền tần số dùng phương pháp DWT, trích đặc trưng dùng phương pháp PCA và LDA. Nhận dạng tín hiệu điện tim dùng phương pháp Neural Network sử dụng phương pháp học chuyển đổi. - So sánh kết quả từ các trường hợp phân loại dựa theo ma trận nhầm lẫn (confusion matrix) và đường cong đặc tính ROC. - Tổng kết, viết bài báo khoa học và báo cáo.2 Giới hạn của đề tài - Chỉ dùng một bộ dữ liệu.

- Phương pháp phân loại chỉ dùng Neural Network. - Phương pháp LMNN cần một phần cứng có bộ vi xử lý với tốc độ và dung lượng lớn thì mới thực hiện trên bộ dữ liệu có nhiều mẫu là tăng độ chính xác của bộ phân loại.5 Phương pháp nghiên cứu Trên những kết quả nghiên cứu đã công bố trên bài báo hội nghị và tạp chí khoa học, các bộ phân loại tín hiệu ECG chỉ tập trung vào sử dụng phương pháp gì để phân loại ECG. Đồng thời với việc thu thập dữ liệu từ thực tế để phân loại là một vấn đề thực sự khó khăn với học viên không thuộc chuyên ngành y. Người thực hiện đề tài nhận thấy cần xây dựng bộ phân loại tín hiệu ECG từ những bộ phân loại đã được thực hiện theo các nghiên cứu trước đó và dữ liệu từ nguồn có sẵn.

Từ những lý do trên, hướng nghiên cứu đưa ra là: Sử dụng dữ liệu có sẵn qua bộ phân loại Neural Network và thực hiện các thí nghiệm để cân bằng tỷ lệ các nhóm bệnh trong cùng một bộ dữ liệu, thực hiện huấn luyện và kiểm tra trên cùng hoặc khác dây điện cực và cuối cùng là áp dụng phương pháp học chuyển đổi để nâng cao hiệu suất bộ phân loại tín hiệu điện tim. Việc phân tích và xử lý dữ liệu được thực hiện dựa trên phần mềm MATLAB, phiên bản R2017a.