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.

Nội dung chính

Tổng quan nghiên cứu

Theo báo cáo thống kê từ Tổ chức Y tế Thế giới (WHO), các bệnh lý tim mạch (CVD) là nguyên nhân gây tử vong hàng đầu trên toàn cầu, cướp đi sinh mạng của khoảng 17,7 triệu người mỗi năm, chiếm tỷ lệ 31% trong tổng số các ca tử vong. Tại Việt Nam và nhiều quốc gia đang phát triển, số lượng bệnh nhân mắc các chứng rối loạn nhịp tim nguy hiểm đang gia tăng nhanh chóng do biến đổi lối sống, đái tháo đường và các bệnh lý chuyển hóa. Điện tâm đồ (ECG) là công cụ chẩn đoán không xâm lấn tiêu chuẩn để theo dõi hoạt động điện học của tim. Tuy nhiên, việc giải mã thủ công tín hiệu ECG trong các bản ghi kéo dài 24 đến 48 giờ đối mặt với thách thức lớn: biên độ điện áp rất nhỏ (thường dưới 10 mV) và thời gian xuất hiện các biến đổi bất thường chỉ dao động từ 80 đến 420 mili-giây.

Vấn đề cốt lõi của nghiên cứu là xây dựng giải pháp phân loại tự động tín hiệu điện tim đạt độ chính xác cao, khắc phục hiện tượng mất cân bằng dữ liệu giữa các nhóm bệnh và sự sai lệch tín hiệu giữa các đạo trình đo khác nhau. Đề tài tập trung vào mục tiêu ứng dụng phương pháp học chuyển đổi khoảng cách cục bộ kết hợp mạng nơ-ron nhân tạo và biến đổi sóng rời rạc để nhận dạng toàn diện 5 nhóm nhịp tim theo tiêu chuẩn quốc tế ANSI/AAMI EC57:1998.

Nghiên cứu được triển khai thực nghiệm trên cơ sở dữ liệu chuẩn quốc tế MIT-BIH Arrhythmia, bao gồm 48 bản ghi tín hiệu điện tim số hóa từ 47 bệnh nhân với xấp xỉ 110.000 nhịp tim được gắn nhãn y khoa. Kết quả của nghiên cứu đóng góp một khung thuật toán hoàn chỉnh, giúp nâng cao độ chính xác phân loại toàn diện vượt mức 98%, giảm thiểu tỷ lệ dương tính sai và tối ưu hóa thời gian tính toán nhằm phục vụ các hệ thống hỗ trợ chẩn đoán lâm sàng thời gian thực.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên ba trụ cột lý thuyết nền tảng trong xử lý tín hiệu y sinh và học máy có giám sát:

Thứ nhất là lý thuyết phân tích thời gian - tần số qua biến đổi Wavelet rời rạc (DWT). Khác với biến đổi Fourier truyền thống bị giới hạn độ phân giải do chiều dài cửa sổ cố định, DWT sử dụng các hàm sóng trực giao được co giãn và tịnh tiến để phân rã tín hiệu điện tim phi tĩnh thành các dải tần số đặc trưng mà vẫn bảo toàn vị trí thời gian của các sóng P, Q, R, S, T.

Thứ hai là lý thuyết học khoảng cách Large Margin Nearest Neighbor (LMNN) trên không gian metric Mahalanobis. Thuật toán tối ưu hóa một phép biến đổi tuyến tính nhằm tạo ra biên an toàn rộng nhất: kéo các điểm dữ liệu cùng nhãn lại gần nhau trong phạm vi k lân cận mục tiêu (thiết lập k = 3), đồng thời đẩy các điểm dữ liệu khác nhãn xâm lấn ra xa khỏi ranh giới phân tách. Hàm chi phí dạng Hinge Loss được giải quyết triệt để thông qua bài toán quy hoạch bán xác định dương (SDP) với hệ số cân bằng tham số thực nghiệm được xác định ở mức 0,5.

Thứ ba là mô hình Mạng nơ-ron nhân tạo truyền thẳng nhiều lớp huấn luyện bằng thuật toán lan truyền ngược (Back-Propagation Neural Network). Mạng sử dụng các đơn vị xử lý phi tuyến với hàm kích hoạt Sigmoid và hàm mục tiêu tổng bình phương sai số (MSE) để tìm kiếm các trọng số tối ưu hóa khả năng phân tách đa lớp.

Các khái niệm chuyên ngành cốt lõi được lượng hóa bao gồm: phức hợp sóng QRS với độ rộng tiêu chuẩn 80-120 mili-giây, khoảng thời gian PR từ 120-200 mili-giây, khoảng cách Mahalanobis, ma trận hiệp phương sai và hàm chi phí lồi.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được trích xuất từ cơ sở dữ liệu MIT-BIH Arrhythmia Database do Trung tâm Y tế Beth Israel Deaconess và Viện Công nghệ Massachusetts xây dựng. Dữ liệu gồm 48 bản ghi điện tim 2 kênh, mỗi bản ghi có độ dài 30 phút, được số hóa ở tần số lấy mẫu 360 Hz (360 mẫu trên mỗi giây) với bộ chuyển đổi ADC 11-bit trên dải điện áp 10 mV. Toàn bộ cỡ mẫu gồm 224.908 nhịp tim được chia thành 5 nhóm bệnh theo khuyến nghị của Hiệp hội Phát triển Thiết bị Y tế (AAMI): nhóm N (nhịp bình thường, 181.022 mẫu), nhóm S (ngoại tâm thu trên thất, 5.552 mẫu), nhóm V (ngoại tâm thu thất, 14.464 mẫu), nhóm F (nhịp hỗn hợp, 1.604 mẫu) và nhóm Q (nhịp không xác định, 22.266 mẫu).

Phương pháp chọn mẫu và tiền xử lý tín hiệu được tiến hành bằng cách phân đoạn chính xác 200 mẫu tín hiệu cho mỗi chu kỳ tim (gồm 99 mẫu trước đỉnh R, 100 mẫu sau đỉnh R và điểm cực trị R). Tín hiệu sau đó được phân tích qua bộ lọc DWT cấp độ 4 với họ wavelet Daubechies (Db4) để trích xuất dải xấp xỉ mức 4 (tần số 0 - 11,25 Hz) và dải chi tiết mức 4 (tần số 11,25 - 22,5 Hz). Kỹ thuật giảm chiều dữ liệu phân tích thành phần chính (PCA) và phân tích phân biệt tuyến tính (LDA) được áp dụng độc lập nhằm rút gọn không gian đặc trưng, loại bỏ trên 75% dữ liệu dư thừa trước khi đưa vào mô hình học máy.

Toàn bộ quy trình tính toán, huấn luyện và đánh giá chéo được thực thi trên môi trường MATLAB R2017a kết hợp công cụ chuyên dụng WFDB Toolbox và hệ thống cơ sở dữ liệu MySQL theo tiến trình ba giai đoạn thí nghiệm độc lập kéo dài trong 12 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã ghi nhận bốn phát hiện khoa học quan trọng có đối sánh số liệu định lượng cụ thể:

Thứ nhất, nghiên cứu chứng minh tác động tiêu cực rõ rệt của hiệu ứng kéo theo (Long-tail effect) do sự mất cân bằng dữ liệu tự nhiên. Trong tập dữ liệu MIT-BIH gốc, nhóm nhịp bình thường N chiếm tới 80,48% tổng số mẫu, trong khi nhóm bệnh F chỉ chiếm 0,71%. Khi sử dụng tập dữ liệu chưa cân bằng (tập DS11), mạng nơ-ron đạt độ chính xác chung cao nhưng độ nhạy đối với nhóm bệnh F và S chỉ đạt khoảng 61,5%. Sau khi áp dụng chiến lược tái cấu trúc và cân bằng mẫu (tập DS13), độ nhạy phân loại các nhóm bệnh hiếm tăng vọt lên 93,8%, khẳng định tầm quan trọng của việc chuẩn hóa tỷ lệ phân bố mẫu.

Thứ hai, phương pháp giảm chiều LDA thể hiện sự vượt trội so với PCA khi kết hợp trực tiếp với mạng nơ-ron. Cụ thể, mô hình DWT + LDA + Neural Network đạt độ chính xác trung bình 96,8%, cao hơn 4,2% so với mô hình DWT + PCA + Neural Network (chỉ đạt 92,6%). Nguyên nhân là do LDA tối ưu hóa trực tiếp tỷ số phương sai giữa các lớp và phương sai nội lớp, tạo ra các ranh giới phân tách rõ nét hơn giữa các nhóm nhịp tim.

Thứ ba, việc tích hợp phương pháp học chuyển đổi metric LMNN mang lại bước nhảy vọt về hiệu năng phân loại. Khi áp dụng LMNN sau bước giảm chiều PCA, độ chính xác của mạng nơ-ron tăng từ 92,6% lên 98,4% (mức tăng trưởng 5,8%). Đồng thời, diện tích dưới đường cong ROC (chỉ số AUC) tăng từ 0,935 lên xấp xỉ 0,991, chứng minh thuật toán đã kéo dãn thành công khoảng cách biên an toàn giữa các cụm đặc trưng phức tạp.

Thứ tư, thử nghiệm đánh giá chéo đa đạo trình chỉ ra sự suy giảm hiệu suất nghiêm trọng khi kiểm tra chéo giữa các dây điện cực. Mô hình được huấn luyện trên đạo trình MLII (tập DS13) khi kiểm tra trên đạo trình V1 (tập DS23) bị sụt giảm độ chính xác khoảng 21,3%. Tuy nhiên, khi kết hợp dữ liệu từ cả hai dây điện cực (tập DS32), độ chính xác tổng thể được khôi phục và duy trì ổn định ở mức 97,6%.

Thảo luận kết quả

Kết quả phân loại được biểu diễn trực quan thông qua ma trận nhầm lẫn (Confusion Matrix) kích thước 5x5 và hệ thống đồ thị đường cong ROC đa lớp. Ma trận nhầm lẫn ghi nhận tỷ lệ phân loại đúng (True Positive) vượt trội ở cả 5 nhóm: nhóm N đạt 99,1%, nhóm S đạt 92,4%, nhóm V đạt 96,7%, nhóm F đạt 91,8% và nhóm Q đạt 98,5%. Tỷ lệ dương tính giả (FP) và âm tính giả (FN) đối với các ca rối loạn nhịp thất nguy hiểm giảm xuống dưới ngưỡng 3,5%.

Đồ thị đường cong ROC của mô hình đề xuất có quỹ đạo áp sát góc trên cùng bên trái của hệ trục tọa độ, minh chứng cho việc mô hình duy trì độ nhạy cực cao ngay cả khi tỷ lệ báo động giả tiệm cận 0%. Cơ chế học chuyển đổi LMNN đóng vai trò quyết định trong việc biến đổi không gian khoảng cách Euclidean thông thường thành không gian Mahalanobis tối ưu, giải quyết triệt để sự chồng lấn giữa các dạng sóng ngoại tâm thu trên thất (S) và nhịp bình thường (N).

Khi so sánh với các công bố quốc tế cùng thời kỳ sử dụng máy học véc-tơ hỗ trợ (SVM) hoặc hệ mờ TSK loại 2 (thường chỉ đạt độ chính xác từ 92,0% đến 93,3% trên một vài nhóm loạn nhịp đơn lẻ), mô hình kết hợp DWT, LMNN và Back-Propagation Neural Network trong luận văn thể hiện sự vượt trội về cả độ chính xác toàn diện, độ ổn định dữ liệu và khả năng phân loại đồng thời 5 nhóm bệnh lý phức tạp.

Đề xuất và khuyến nghị

Từ các phát hiện thực nghiệm, nghiên cứu đưa ra bốn nhóm giải pháp và khuyến nghị khả thi:

1. Chuẩn hóa quy trình thu thập dữ liệu điện tim đa đạo trình: Các cơ sở y tế và nhóm nghiên cứu kỹ thuật y sinh cần áp dụng bắt buộc phương thức ghi nhận tín hiệu đồng thời trên tối thiểu hai đạo trình (như MLII kết hợp V1 hoặc V5). Mục tiêu là giảm thiểu sai số chẩn đoán chéo xuống dưới 2,5%, thực hiện áp dụng trong toàn bộ các nghiên cứu lâm sàng trong vòng 6 tháng tới.

2. Tích hợp thuật toán LMNN và mạng nơ-ron vào thiết bị y tế nhúng: Các doanh nghiệp sản xuất thiết bị y tế cần tiến hành đóng gói mô hình thuật toán DWT-LMNN-BPNN vào các dòng vi xử lý số tín hiệu (DSP) hoặc vi mạch FPGA tiêu thụ năng lượng thấp. Hướng tới mục tiêu xử lý phân loại nhịp tim theo thời gian thực với độ trễ dưới 50 mili-giây trên các thiết bị theo dõi Holter ECG đeo tay trong lộ trình 12 tháng.

3. Xây dựng ngân hàng dữ liệu điện tim số hóa quốc gia: Bộ Y tế cùng các bệnh viện chuyên khoa đầu ngành cần phối hợp triển khai đề án số hóa và gắn nhãn dữ liệu ECG theo tiêu chuẩn WFDB/MIT format. Đặt chỉ tiêu thu thập và chuẩn hóa hơn 500.000 bản ghi điện tim đa dạng bệnh lý vào giai đoạn 2026-2028 nhằm cung cấp nguồn dữ liệu huấn luyện máy học đạt độ tin cậy cao cho các nhà khoa học trong nước.

4. Nâng cấp cấu trúc mô hình phân loại tự động mở rộng: Các nhóm nghiên cứu học thuật cần tiếp tục tối ưu hóa thuật toán bằng cách kết hợp cơ chế học chuyển đổi LMNN với các kiến trúc mạng học sâu tiên tiến (như CNN kết hợp Bi-LSTM hoặc Transformer). Mục tiêu nâng chỉ số F1-score của các nhóm bệnh hiếm (như nhóm F) vượt mức 96% trong khoảng thời gian nghiên cứu 18 tháng tới.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả của luận văn mang lại giá trị thực tiễn và học thuật sâu sắc cho bốn nhóm đối tượng:

1. Bác sĩ chuyên khoa tim mạch và nhân viên y tế lâm sàng: Luận văn cung cấp hiểu biết chuyên sâu về nguyên lý phân loại tự động 5 nhóm rối loạn nhịp tim theo tiêu chuẩn ANSI/AAMI. Bác sĩ có thể ứng dụng kết quả này làm cơ sở đánh giá độ tin cậy của các phần mềm đọc điện tim tự động, giúp rút ngắn 70% thời gian phân tích các bản ghi Holter ECG 24 giờ.

2. Kỹ sư kỹ thuật y sinh (Biomedical Engineers): Tài liệu cung cấp trọn vẹn quy trình tiền xử lý tín hiệu, từ kỹ thuật lọc nhiễu, biến đổi Wavelet rời rạc 4 cấp độ đến giải thuật giảm chiều dữ liệu PCA/LDA, hỗ trợ thiết kế các mô-đun phần mềm chẩn đoán y tế có độ chính xác cao.

3. Nhà nghiên cứu và học viên cao học chuyên ngành Trí tuệ nhân tạo và Xử lý tín hiệu: Luận văn là tài liệu tham khảo giá trị về phương pháp học chuyển đổi metric LMNN, kỹ thuật tối ưu hóa quy hoạch bán xác định (SDP) và giải pháp khắc phục hiện tượng mất cân bằng dữ liệu chuỗi thời gian sinh học.

4. Doanh nghiệp phát triển thiết bị chăm sóc sức khỏe thông minh (IoMT): Các nhà sản xuất thiết bị theo dõi sức khỏe cá nhân có thể khai thác thuật toán để tích hợp tính năng cảnh báo sớm rối loạn nhịp tim vào đồng hồ thông minh và máy đo ECG gia đình kết nối đám mây.

Câu hỏi thường gặp

1. Phương pháp biến đổi Wavelet rời rạc (DWT) có ưu điểm gì vượt trội so với biến đổi Fourier trong phân tích tín hiệu ECG? Biến đổi Fourier chỉ phân tích tín hiệu trong miền tần số và đánh mất hoàn toàn mốc thời gian xuất hiện sóng, trong khi tín hiệu ECG có tính chất phi tĩnh và biến thiên liên tục. DWT giải quyết triệt để nhược điểm này bằng cách sử dụng các hàm sóng cục bộ, cho phép trích xuất chính xác năng lượng của dải tần số 0-22,5 Hz tại đúng thời điểm xuất hiện các phức hợp sóng P, QRS và T.

2. Kỹ thuật học chuyển đổi khoảng cách LMNN giúp cải thiện độ chính xác phân loại như thế nào? LMNN tối ưu hóa một ma trận khoảng cách Mahalanobis thay vì sử dụng khoảng cách Euclidean cố định. Thuật toán thiết lập biên an toàn kéo các mẫu cùng loại bệnh lại gần 3 lân cận mục tiêu và đẩy các mẫu khác loại ra ngoài biên. Nhờ đó, ranh giới phân lớp của mạng nơ-ron trở nên rõ ràng, giúp nâng độ chính xác từ 92,6% lên 98,4%.

3. Hiệu ứng mất cân bằng dữ liệu (Long-tail effect) ảnh hưởng thế nào đến bộ phân loại điện tim? Trong tập dữ liệu tự nhiên, số lượng nhịp tim bình thường chiếm trên 80%, trong khi các dạng loạn nhịp nguy hiểm như nhịp hỗn hợp (F) chỉ chiếm dưới 1%. Nếu không cân bằng dữ liệu, mô hình sẽ bị thiên lệch về nhóm đa số, khiến độ nhạy phát hiện các nhóm bệnh hiếm bị sụt giảm nghiêm trọng xuống mức khoảng 61,5%.

4. Tại sao cần phải đánh giá chéo giữa các dây điện cực (đạo trình) khác nhau? Hình thái sóng điện tim thay đổi đáng kể tùy thuộc vào vị trí đặt điện cực (như MLII, V1 hay V5). Thực nghiệm cho thấy mô hình chỉ huấn luyện trên một đạo trình duy nhất sẽ giảm hơn 20% độ chính xác khi kiểm tra trên đạo trình khác. Do đó, việc đánh giá chéo giúp đảm bảo mô hình có khả năng thích ứng linh hoạt trong môi trường lâm sàng thực tế.

5. Tiêu chuẩn quốc tế ANSI/AAMI EC57 phân loại nhịp tim thành những nhóm nào? Tiêu chuẩn ANSI/AAMI phân chia toàn bộ các dạng nhịp tim thành 5 nhóm chính: nhóm N (nhịp bình thường và block nhánh), nhóm S (ngoại tâm thu trên thất), nhóm V (ngoại tâm thu thất), nhóm F (nhịp hỗn hợp giữa thất và bình thường), và nhóm Q (nhịp không thể phân loại hoặc nhịp máy tạo nhịp). Phân loại này giúp chuẩn hóa việc so sánh hiệu năng giữa các hệ thống chẩn đoán tự động trên toàn thế giới.

Kết luận

• Luận văn đã xây dựng thành công quy trình phân loại tự động 5 nhóm tín hiệu điện tim ECG theo chuẩn ANSI/AAMI EC57:1998 với độ chính xác tổng thể đạt 98,4%.
• Phương pháp biến đổi Wavelet rời rạc (Db4 cấp độ 4) kết hợp kỹ thuật giảm chiều LDA chứng minh hiệu quả lọc nhiễu và nén đặc trưng vượt trội so với các phương pháp truyền thống.
• Ứng dụng đột phá của thuật toán học chuyển đổi LMNN giúp tối ưu hóa không gian khoảng cách Mahalanobis, nâng cao diện tích dưới đường cong ROC lên mức AUC = 0,991.
• Nghiên cứu chỉ ra quy tắc then chốt trong việc xử lý hiệu ứng mất cân bằng dữ liệu và yêu cầu bắt buộc phải kết hợp dữ liệu đa đạo trình để loại bỏ sai số phân loại chéo.
• Trong giai đoạn tiếp theo, nhóm tác giả định hướng tối ưu hóa thuật toán trên nền tảng phần cứng nhúng thời gian thực và mở rộng mô hình mạng nơ-ron sâu lai ghép trong giai đoạn 2026-2027.

Hãy kết nối và tham khảo toàn văn công trình nghiên cứu để tiếp cận đầy đủ các thuật toán xử lý tín hiệu y sinh và mô hình học máy tiên tiến phục vụ phát triển công nghệ chẩn đoán y khoa hiện đại.

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.