Nhận Dạng Tín Hiệu Điện Tâm Đồ Bằng Mạng Nơron Nhân Tạo

Chuyên khảo kỹ thuật phân tích Nhận dạng tín hiệu điện tâm đồ bằng mạng nơron mờ tsk, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: TSK Vương Hoàng Nam
• Người hướng dẫn: TSKH. Trần Hoài Linh
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Điện Tử - Viễn Thông
• Đề tài: Nhận Dạng Tín Hiệu Điện Tâm Đồ Bằng Mạng Nơron Nhân Tạo
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2005
• Địa điểm: Hà Nội

Mục lục chi tiết

• I. Chương I: TÍN HIỆU ECG VÀ NHIỄM VỤ NHẬN DẠNG TÍN HIỆU ECG
• I.1. Tổng quan về Tín hiệu điện tâm đồ (ECG) và phương pháp đo tín hiệu ECG
• I.2. Cơ sở dữ liệu chuẩn MIT-BIH
• I.3. Phương pháp nhận dạng tín hiệu ECG

Tóm tắt

I. Tổng quan về Nhận Dạng Tín Hiệu Điện Tâm Đồ Bằng Mạng Nơron Nhân Tạo

Nhận dạng tín hiệu điện tâm đồ (ECG) là một lĩnh vực quan trọng trong y học, giúp phát hiện các vấn đề về tim mạch. Sự phát triển của công nghệ đã cho phép áp dụng các phương pháp học máy, đặc biệt là mạng nơron nhân tạo, để cải thiện độ chính xác trong việc phân tích và nhận dạng các tín hiệu này. Việc sử dụng mạng nơron không chỉ giúp tăng cường khả năng nhận diện mà còn giảm thiểu sai sót trong chẩn đoán.

1.1. Định nghĩa và vai trò của tín hiệu điện tâm đồ

Tín hiệu điện tâm đồ (ECG) là bản ghi lại hoạt động điện của tim. Nó cung cấp thông tin quan trọng về nhịp tim và tình trạng sức khỏe của bệnh nhân. Việc phân tích tín hiệu ECG giúp bác sĩ chẩn đoán các bệnh lý như nhồi máu cơ tim, rối loạn nhịp tim và nhiều vấn đề khác.

1.2. Lịch sử phát triển của công nghệ nhận dạng tín hiệu ECG

Công nghệ nhận dạng tín hiệu ECG đã trải qua nhiều giai đoạn phát triển. Từ những năm đầu của thế kỷ 20, các thiết bị ghi ECG đã được phát triển. Gần đây, sự xuất hiện của học sâu và mạng nơron đã mở ra những khả năng mới trong việc phân tích và nhận dạng tín hiệu ECG.

II. Vấn đề và thách thức trong nhận dạng tín hiệu ECG

Mặc dù công nghệ nhận dạng tín hiệu ECG đã phát triển, nhưng vẫn còn nhiều thách thức cần giải quyết. Các tín hiệu ECG thường bị nhiễu bởi nhiều yếu tố như chuyển động của bệnh nhân, nhiễu điện từ và các yếu tố môi trường khác. Điều này làm giảm độ chính xác của các phương pháp nhận dạng hiện tại.

2.1. Nhiễu và biến dạng tín hiệu ECG

Nhiễu từ các nguồn bên ngoài có thể làm biến dạng tín hiệu ECG, gây khó khăn trong việc phân tích. Các yếu tố như chuyển động cơ thể, điện từ trường và các thiết bị y tế khác có thể ảnh hưởng đến chất lượng tín hiệu.

2.2. Độ chính xác trong chẩn đoán bệnh lý

Độ chính xác trong việc nhận dạng tín hiệu ECG là rất quan trọng. Sai sót trong chẩn đoán có thể dẫn đến hậu quả nghiêm trọng cho bệnh nhân. Do đó, việc phát triển các phương pháp nhận dạng chính xác hơn là một thách thức lớn.

III. Phương pháp nhận dạng tín hiệu ECG bằng mạng nơron nhân tạo

Mạng nơron nhân tạo đã được chứng minh là một công cụ mạnh mẽ trong việc nhận dạng tín hiệu ECG. Các phương pháp học sâu cho phép mô hình hóa các đặc điểm phức tạp của tín hiệu, từ đó cải thiện độ chính xác trong việc phân loại và nhận diện các tín hiệu ECG khác nhau.

3.1. Cấu trúc mạng nơron trong nhận dạng tín hiệu ECG

Cấu trúc của mạng nơron thường bao gồm nhiều lớp, mỗi lớp có nhiệm vụ xử lý các đặc điểm khác nhau của tín hiệu ECG. Các lớp này giúp trích xuất thông tin quan trọng từ tín hiệu, từ đó cải thiện khả năng nhận diện.

3.2. Quy trình huấn luyện mạng nơron

Quy trình huấn luyện mạng nơron bao gồm việc sử dụng dữ liệu ECG đã được gán nhãn để dạy cho mạng nơron cách nhận diện các mẫu khác nhau. Việc tối ưu hóa các tham số trong mạng là rất quan trọng để đạt được độ chính xác cao.

IV. Ứng dụng thực tiễn của nhận dạng tín hiệu ECG

Nhận dạng tín hiệu ECG bằng mạng nơron nhân tạo đã được áp dụng rộng rãi trong nhiều lĩnh vực y tế. Các ứng dụng này không chỉ giúp cải thiện chất lượng chẩn đoán mà còn tiết kiệm thời gian và chi phí cho bệnh nhân và cơ sở y tế.

4.1. Ứng dụng trong chẩn đoán bệnh tim

Việc sử dụng mạng nơron trong chẩn đoán bệnh tim đã cho thấy hiệu quả rõ rệt. Các mô hình có thể phát hiện sớm các dấu hiệu của bệnh lý, từ đó giúp bác sĩ đưa ra quyết định kịp thời.

4.2. Tích hợp vào hệ thống y tế thông minh

Nhận dạng tín hiệu ECG có thể được tích hợp vào các hệ thống y tế thông minh, giúp tự động hóa quá trình chẩn đoán và theo dõi sức khỏe bệnh nhân. Điều này không chỉ nâng cao hiệu quả mà còn giảm thiểu sai sót do con người.

V. Kết luận và tương lai của nhận dạng tín hiệu ECG

Nhận dạng tín hiệu ECG bằng mạng nơron nhân tạo đang mở ra nhiều cơ hội mới trong lĩnh vực y tế. Với sự phát triển không ngừng của công nghệ, tương lai của nhận dạng tín hiệu ECG hứa hẹn sẽ mang lại nhiều cải tiến đáng kể trong chẩn đoán và điều trị bệnh lý tim mạch.

5.1. Xu hướng phát triển công nghệ

Công nghệ nhận dạng tín hiệu ECG sẽ tiếp tục phát triển với sự hỗ trợ của các nghiên cứu mới trong lĩnh vực học máy và trí tuệ nhân tạo. Các mô hình ngày càng phức tạp sẽ giúp cải thiện độ chính xác và khả năng nhận diện.

5.2. Tầm quan trọng của nghiên cứu và phát triển

Nghiên cứu và phát triển trong lĩnh vực nhận dạng tín hiệu ECG là rất quan trọng. Việc đầu tư vào công nghệ mới sẽ giúp nâng cao chất lượng chăm sóc sức khỏe và cải thiện kết quả điều trị cho bệnh nhân.

Nội dung chính

Tổng quan nghiên cứu

Tín hiệu điện tâm đồ (ECG) là một trong những phương pháp quan trọng để ghi lại các biến đổi điện do tim phát ra, được đo tại các điểm trên cơ thể người. Theo ước tính, phân tích chính xác tín hiệu ECG giúp bác sĩ chẩn đoán các bệnh lý tim mạch hiệu quả hơn, góp phần giảm thiểu tỷ lệ tử vong do các bệnh tim mạch chiếm khoảng 31% tổng số ca tử vong toàn cầu. Tuy nhiên, tín hiệu ECG thường bị ảnh hưởng bởi nhiều loại nhiễu như nhiễu cơ, nhiễu điện lưới, hiện tượng trôi tín hiệu, gây khó khăn cho việc nhận dạng và phân loại chính xác các dạng nhịp tim.

Mục tiêu nghiên cứu của luận văn là xây dựng một mô hình nhận dạng tín hiệu điện tâm đồ trực tuyến sử dụng mạng nơ-ron mờ TSK (Takagi-Sugeno-Kang) nhằm nâng cao độ chính xác trong việc phát hiện và phân loại các phức bộ QRS, từ đó hỗ trợ chẩn đoán bệnh lý tim mạch. Nghiên cứu tập trung vào dữ liệu tín hiệu ECG chuẩn MIT-BIH với tần số lấy mẫu 360 Hz, bao gồm các dạng nhịp tim bình thường và 6 loại bệnh lý phổ biến như block nhánh trái, block nhánh phải, nhịp ngoại tâm nhĩ, nhịp thoát thất, cuồng động thất và co thắt thất.

Phạm vi nghiên cứu giới hạn trong việc xử lý và nhận dạng phức bộ QRS trên tín hiệu ECG, với thời gian ghi tín hiệu khoảng 30 phút mỗi bản ghi. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác nhận dạng tín hiệu ECG, giảm thiểu sai số do nhiễu và biến đổi tín hiệu, góp phần nâng cao hiệu quả chẩn đoán và điều trị bệnh tim mạch.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: lý thuyết mạng nơ-ron mờ TSK và lý thuyết biến đổi wavelet. Mạng nơ-ron mờ TSK kết hợp giữa mạng nơ-ron nhân tạo và logic mờ, cho phép xử lý các dữ liệu có tính không chắc chắn và biến đổi liên tục, phù hợp với đặc tính tín hiệu ECG bị nhiễu và biến dạng. Lý thuyết biến đổi wavelet được sử dụng để phân tích tín hiệu ECG ở nhiều tần số khác nhau, giúp phát hiện chính xác các đặc trưng như đỉnh R trong phức bộ QRS.

Các khái niệm chính bao gồm:

• Tín hiệu ECG: đường cong ghi lại các biến đổi điện tim, gồm các sóng P, QRS, T, U và các khoảng PQ, QT.
• Phức bộ QRS: phần quan trọng nhất trong tín hiệu ECG chứa nhiều thông tin về tình trạng bệnh lý tim.
• Mạng nơ-ron mờ TSK: mô hình mạng nơ-ron kết hợp với hệ thống luật mờ Takagi-Sugeno-Kang để xử lý dữ liệu không chắc chắn.
• Biến đổi wavelet: kỹ thuật phân tích tín hiệu đa tần số, giúp phát hiện các đặc trưng tín hiệu không ổn định theo thời gian.
• Khai triển Hermite: phương pháp biểu diễn tín hiệu ECG bằng các hàm cơ sở Hermite để tạo đặc trưng đầu vào cho mạng nơ-ron.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được sử dụng là bộ dữ liệu chuẩn MIT-BIH gồm 48 bản ghi tín hiệu ECG, mỗi bản ghi dài khoảng 30 phút với tần số lấy mẫu 360 Hz. Ngoài ra, các bộ dữ liệu QTDB, EDB và CSEDB cũng được tham khảo để đánh giá tính tổng quát của mô hình.

Phương pháp nghiên cứu bao gồm các bước:

1. Tiền xử lý tín hiệu ECG: loại bỏ nhiễu cơ, nhiễu điện lưới và hiện tượng trôi tín hiệu bằng bộ lọc thông cao và notch filter.
2. Phát hiện phức bộ QRS: sử dụng thuật toán tìm đỉnh R dựa trên biến đổi wavelet và thuật toán tìm đỉnh theo ngưỡng động.
3. Tạo đặc trưng tín hiệu: khai triển phức bộ QRS theo các hàm Hermite cơ sở, kết hợp với các thông số thời gian như khoảng cách RR.
4. Xây dựng mô hình mạng nơ-ron mờ TSK: sử dụng vector đặc trưng đầu vào để huấn luyện và kiểm thử mô hình nhận dạng các loại nhịp tim.
5. Đánh giá mô hình: so sánh kết quả nhận dạng với nhãn chuẩn, tính toán các chỉ số như độ chính xác, độ nhạy và độ đặc hiệu.

Quá trình nghiên cứu được thực hiện trong khoảng thời gian từ năm 2004 đến 2005 tại Trường Đại học Bách Khoa Hà Nội, dưới sự hướng dẫn của Tiến sĩ khoa học Trần Hoài Linh.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả tiền xử lý tín hiệu: Sau khi áp dụng bộ lọc thông cao và notch filter, tỷ lệ giảm nhiễu cơ và nhiễu điện lưới đạt khoảng 85%, giúp tín hiệu ECG trở nên rõ ràng hơn cho bước phát hiện phức bộ QRS.

2. Phát hiện phức bộ QRS chính xác: Thuật toán tìm đỉnh R dựa trên biến đổi wavelet đạt độ chính xác trên 95% trong việc xác định vị trí phức bộ QRS trên dữ liệu MIT-BIH, vượt trội so với các phương pháp truyền thống chỉ đạt khoảng 90%.

3. Đặc trưng Hermite hiệu quả: Việc khai triển phức bộ QRS bằng 15 hàm Hermite cơ sở cho phép biểu diễn tín hiệu với sai số xấp xỉ 5%, đảm bảo mô hình mạng nơ-ron nhận dạng được các đặc điểm quan trọng của tín hiệu.

4. Mô hình mạng nơ-ron mờ TSK hoạt động tốt: Mạng nơ-ron mờ TSK đạt độ chính xác nhận dạng các loại nhịp tim lên đến 93%, trong đó độ nhạy với nhịp tim bình thường là 95%, và độ nhạy với các loại bệnh lý tim mạch đạt trung bình 90%.

Thảo luận kết quả

Kết quả cho thấy việc kết hợp biến đổi wavelet với khai triển Hermite tạo ra bộ đặc trưng tín hiệu ECG có khả năng biểu diễn chính xác và đầy đủ các thông tin cần thiết cho việc nhận dạng. Mạng nơ-ron mờ TSK với khả năng xử lý dữ liệu không chắc chắn và biến đổi liên tục đã phát huy hiệu quả trong việc phân loại các dạng nhịp tim phức tạp.

So với các nghiên cứu trước đây sử dụng mạng perceptron đa lớp (MLP) hoặc mạng nơ-ron lai mờ, mô hình TSK cho kết quả ổn định hơn và ít bị ảnh hưởng bởi nhiễu tín hiệu. Việc áp dụng thuật toán tìm đỉnh R dựa trên biến đổi wavelet cũng giúp giảm thiểu sai sót trong phát hiện phức bộ QRS, đặc biệt trong các trường hợp tín hiệu bị biến dạng do bệnh lý.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác nhận dạng giữa các phương pháp, bảng thống kê tỷ lệ phát hiện đúng các loại nhịp tim, và biểu đồ thể hiện mức giảm nhiễu sau tiền xử lý.

Đề xuất và khuyến nghị

1. Triển khai hệ thống nhận dạng tín hiệu ECG trực tuyến: Áp dụng mô hình mạng nơ-ron mờ TSK vào các thiết bị y tế để giám sát bệnh nhân liên tục, nâng cao độ chính xác chẩn đoán trong vòng 6-12 tháng tới, do các trung tâm y tế và bệnh viện thực hiện.

2. Mở rộng bộ dữ liệu huấn luyện: Thu thập thêm dữ liệu ECG từ nhiều bệnh nhân với các bệnh lý tim mạch đa dạng để cải thiện khả năng tổng quát của mô hình, dự kiến hoàn thành trong 1-2 năm, do các viện nghiên cứu phối hợp thực hiện.

3. Phát triển thuật toán tiền xử lý nâng cao: Nghiên cứu và áp dụng các kỹ thuật lọc nhiễu mới như lọc thích nghi hoặc lọc dựa trên học sâu để giảm thiểu tối đa ảnh hưởng của nhiễu, nâng cao chất lượng tín hiệu đầu vào, thực hiện trong 12 tháng, do nhóm kỹ thuật y sinh đảm nhiệm.

4. Tích hợp hệ thống cảnh báo sớm: Xây dựng module cảnh báo tự động dựa trên kết quả nhận dạng tín hiệu ECG để hỗ trợ bác sĩ trong việc phát hiện kịp thời các tình trạng nguy hiểm, triển khai trong vòng 18 tháng, do các công ty công nghệ y tế phối hợp phát triển.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu trong lĩnh vực y sinh và kỹ thuật y tế: Nghiên cứu phương pháp xử lý tín hiệu và mô hình mạng nơ-ron mờ TSK để phát triển các ứng dụng mới trong chẩn đoán bệnh tim.

2. Bác sĩ chuyên khoa tim mạch: Hiểu rõ hơn về công nghệ nhận dạng tín hiệu ECG tự động, hỗ trợ trong việc phân tích và chẩn đoán bệnh lý tim mạch chính xác hơn.

3. Kỹ sư phát triển thiết bị y tế: Áp dụng các thuật toán và mô hình trong thiết kế các thiết bị giám sát tim mạch thông minh, nâng cao tính năng và độ tin cậy sản phẩm.

4. Sinh viên và học viên cao học chuyên ngành điện tử - viễn thông và y sinh: Tham khảo phương pháp nghiên cứu, kỹ thuật xử lý tín hiệu và xây dựng mô hình mạng nơ-ron mờ trong lĩnh vực nhận dạng tín hiệu y tế.

Câu hỏi thường gặp

1. Mạng nơ-ron mờ TSK là gì và tại sao được chọn?
   Mạng nơ-ron mờ TSK kết hợp giữa mạng nơ-ron nhân tạo và hệ thống luật mờ, giúp xử lý dữ liệu không chắc chắn và biến đổi liên tục. Nó phù hợp với tín hiệu ECG vốn có nhiều nhiễu và biến dạng, giúp nâng cao độ chính xác nhận dạng.

2. Tại sao cần tiền xử lý tín hiệu ECG?
   Tiền xử lý giúp loại bỏ các nhiễu như nhiễu cơ, nhiễu điện lưới và hiện tượng trôi tín hiệu, làm sạch dữ liệu đầu vào để các thuật toán nhận dạng hoạt động hiệu quả hơn, giảm sai số trong chẩn đoán.

3. Biến đổi wavelet có vai trò gì trong nghiên cứu?
   Biến đổi wavelet phân tích tín hiệu ở nhiều tần số khác nhau, giúp phát hiện chính xác các đặc trưng như đỉnh R trong phức bộ QRS, đặc biệt trong các tín hiệu không ổn định theo thời gian.

4. Khai triển Hermite giúp gì cho mô hình nhận dạng?
   Khai triển Hermite biểu diễn phức bộ QRS bằng các hàm cơ sở, tạo ra vector đặc trưng đầu vào cho mạng nơ-ron, giúp mô hình nhận dạng chính xác hơn các dạng nhịp tim khác nhau.

5. Mô hình này có thể áp dụng thực tế như thế nào?
   Mô hình có thể tích hợp vào các thiết bị giám sát tim mạch trực tuyến, hỗ trợ bác sĩ chẩn đoán nhanh và chính xác, đồng thời cảnh báo sớm các tình trạng nguy hiểm, góp phần nâng cao chất lượng chăm sóc sức khỏe.

Kết luận

• Đã xây dựng thành công mô hình nhận dạng tín hiệu ECG trực tuyến sử dụng mạng nơ-ron mờ TSK với độ chính xác nhận dạng đạt trên 93%.
• Thuật toán phát hiện phức bộ QRS dựa trên biến đổi wavelet giúp xác định vị trí đỉnh R chính xác hơn 95%.
• Khai triển Hermite tạo ra bộ đặc trưng tín hiệu hiệu quả, giảm sai số biểu diễn tín hiệu xuống còn khoảng 5%.
• Mô hình có khả năng xử lý tốt các tín hiệu ECG bị nhiễu và biến dạng, phù hợp với dữ liệu thực tế từ bộ dữ liệu chuẩn MIT-BIH.
• Đề xuất triển khai hệ thống nhận dạng trực tuyến và mở rộng nghiên cứu nhằm nâng cao hiệu quả chẩn đoán bệnh tim mạch trong tương lai gần.

Để tiếp tục phát triển, cần mở rộng bộ dữ liệu huấn luyện, cải tiến thuật toán tiền xử lý và tích hợp hệ thống cảnh báo tự động. Các nhà nghiên cứu và chuyên gia y tế được khuyến khích áp dụng và phát triển mô hình này nhằm nâng cao chất lượng chăm sóc sức khỏe tim mạch.

Trích đoạn nội dung tài liệu

Bé gi¸o dôc vµ ®µo t¹o Trêng §¹i häc B¸ch Khoa Hµ Néi ----------------------------------------------- NHẬN DẠNG TÍN HIỆU ĐIỆN TÂM ĐỒ BẰNG MẠNG NOWRRON MỜ TSK VƯƠNG HOÀNG NAM LuËn V¨n Th¹c SÜ Khoa Häc CHUYÊN NGÀNH: ĐIỆN TỬ- VIỄN THÔNG Hµ Néi - 2005 17057204931741000000 Bé gi¸o dôc vµ ®µo t¹o Trêng §¹i häc B¸ch Khoa Hµ Néi ----------------------------------------------- NHẬN DẠNG TÍN HIỆU ĐIỆN TÂM ĐỒ BẰNG MẠNG NOWRRON MỜ TSK VƯƠNG HOÀNG NAM LuËn V¨n Th¹c SÜ Khoa Häc CHUYÊN NGÀNH: ĐIỆN TỬ- VIỄN THÔNG NGƯỜI HƯỚNG DẪN TSKH.TRẦN HOÀI LINH Hµ Néi - 2005 LuËn v¨n th¹c sü khoa häc Më ®Çu Mét c©u hái ®Æt ra lµ t¹i sao khi ta nh×n thÊy mét ®èi tîng nµo ®ã ta l¹i cã kh¶ n¨ng ph©n biÖt ®îc ®èi tîng lµ ngêi nµo ®ã hay vËt x¸c ®Þnh? §ã chÝnh lµ v× bé n·o cña con ngêi ®· ®îc häc vµ ghi nhí c¸c ®Æc trng cña ®èi tîng ®ã vµ v× vËy khi gÆp l¹i nh÷ng ®èi tîng nµy, bé n·o cã nh÷ng quyÕt ®Þnh nhËn d¹ng chÝnh x¸c. C¬ chÕ nhËn d¹ng cña n·o ngêi ®îc dùa trªn c¬ chÕ häc cña c¸c n¬ron thÇn kinh. HiÖn nay, c¸c nhµ khoa häc ®ang cè g¾ng, m« pháng thÓ hiÖn c¬ chÕ nhËn d¹ng nµy qua kü thuËt tÝnh to¸n th«ng minh - ®ã lµ kü thuËt nhËn d¹ng b»ng m¹ng n¬ron nh©n t¹o. øng dông m¹ng n¬ron nh©n t¹o hiÖn nay cã thÓ thÊy rÊt nhiÒu trong c¸c lÜnh vùc qu©n sù, d©n sù, y häc … nh nhËn d¹ng ¶nh v©n tay øng dông trong d©n sù vµ qu©n sù, nhËn d¹ng ch÷ viÕt trong c¸c hÖ thèng kiÓm tra sè s¶n phÈm, hÖ thèng tù ®éng ph©n lo¹i th tÝn, tù ®éng nhËn biÕt ®êng ®i, nhËn d¹ng c¸c bé phËn c¬ thÓ con ngêi øng dông trong gi¶i phÉu häc v.v… Mét øng dông ®· vµ ®ang ®îc nghiªn cøu réng r·i trong lÜnh vùc y häc lµ nhËn d¹ng tÝn hiÖu ®iÖn tim b»ng m¹ng n¬ron nh©n t¹o.

NhËn d¹ng tÝn hiÖu ®iÖn tim lµ qu¸ tr×nh ®a ra kÕt luËn vÒ t×nh tr¹ng bÖnh lý cña bÖnh nh©n trªn c¬ së tÝn hiÖu ®iÖn tim ECG. Mét m« h×nh nhËn d¹ng trùc tuyÕn lµ m« h×nh cho phÐp nhËn d¹ng tõng nhÞp ®Ëp cña tim trong thêi gian thùc. §©y lµ vÊn ®Ò rÊt khã vÒ mÆt kü thuËt vµ vÉn ®ang trong giai ®o¹n nghiªn cøu hoµn thiÖn. Dùa trªn nh÷ng ®Þnh híng vµ c¸c vÊn ®Ò ®îc TSKH.

TrÇn Hoµi Linh ®a ra, víi sù cè g¾ng cña b¶n th©n, t«i ®· hoµn thµnh ®îc luËn v¨n víi ®Ò tµi: “ NhËn d¹ng tÝn hiÖu ®iÖn t©m ®å b»ng m¹ng n¬ron mê TSK ”. 5 LuËn v¨n th¹c sü khoa häc Môc ®Ých cña ®Ò tµi Tr×nh bµy c¸c nghiªn cøu lý thuyÕt phôc vô cho môc ®Ých x©y dùng mét m« h×nh nhËn d¹ng tÝn hiÖu ECG trùc tuyÕn, ®ång thêi ®a ra mét sè kÕt qu¶ thùc nghiÖm vÒ nhËn d¹ng tÝn hiÖu ECG. Néi dung nghiªn cøu TÝn hiÖu ®iÖn t©m ®å, c¬ së lý thuyÕt mê, lý thuyÕt vÒ m¹ng n¬ron mê TSK, ph¬ng ph¸p t¹o ®Æc tÝnh tÝn hiÖu ECG v.v… §i s©u vµo cÊu tróc, thuËt to¸n, c¬ chÕ häc, thñ tôc häc cña m¹ng n¬ron mê TSK lµm tiÒn ®Ò cho viÖc nghiªn cøu x©y dùng mét m« h×nh nhËn d¹ng tÝn hiÖu ECG trùc tuyÕn. KÕt qu¶ §· n¾m b¾t ®îc c¸c kiÕn thøc chñ yÕu vÒ m¹ng n¬ron vµ gi¶i thuËt häc cña m¹ng n¬ron mê TSK.

X©y dùng ®îc mét m« h×nh nhËn d¹ng t¬ng ®èi hoµn chØnh vµ cô thÓ cã kh¶ n¨ng øng dông trong thùc tiÔn. Do thêi gian nghiªn cøu còng nh tr×nh ®é cßn h¹n chÕ nªn luËn v¨n kh«ng tr¸nh khái cã nh÷ng thiÕu sãt. T«i rÊt mong nhËn ®îc nh÷ng lêi gãp ý vÒ nh÷ng thiÕu sãt cña luËn v¨n ®Ó bæ sung vµo nh÷ng nghiªn cøu tiÕp theo. 6 LuËn v¨n th¹c sü khoa häc Ch¬ng I TÝn hiÖu ECG vµ nhiÖm vô nhËn d¹ng tÝn hiÖu ECG 7 LuËn v¨n th¹c sü khoa häc 1.1 tæng quan vÒ TÝn hiÖu ®iÖn t©m ®å (ECG) vµ ph¬ng ph¸p ®o tÝn hiÖu ECG.

TÝn hiÖu ®iÖn t©m ®å (Electrocardiogram-ECG) ®îc ®Þnh nghÜa lµ mét ®êng cong ghi l¹i c¸c biÕn thiªn cña c¸c ®iÖn thÕ do tim ph¸t ra t¹i c¸c ®iÓm trªn c¬ thÓ ngêi, do ¶nh hëng cña c¸c ho¹t ®éng co bãp cña tim. Nh vËy, ®iÖn t©m ®å cã thÓ coi lµ mét ®å thÞ cã hoµnh ®é lµ thêi gian vµ tung ®é lµ ®iÖn thÕ t¹i ®iÓm ®o trªn c¬ thÓ. C¸c nghiªn cøu khoa häc vÒ tÝn hiÖu ®iÖn t©m ®å ®· chøng minh r»ng th«ng qua viÖc ph©n tÝch h×nh d¹ng c¸c sãng trong tÝn hiÖu ®iÖn t©m ®å, b¸c sÜ cã thÓ chÈn ®o¸n ®îc t×nh tr¹ng cña ngêi bÖnh t¬ng tù nh khi kh¸m b»ng c¸c ph¬ng ph¸p kh¸c.1 m« t¶ vÝ dô mét tÝn hiÖu ECG ®Æc trng. TÝn hiÖu nµy trong ®iÒu kiÖn lý tëng sÏ ®îc lÆp l¹i theo mét chu kú nhÞp tim.

Trong mçi nhÞp tim, tÝn hiÖu bao gåm c¸c sãng P, kho¶ng PQ, phøc bé QRS, ®o¹n sãng ST, sãng T, sãng U vµ kho¶ng QT. Mçi lo¹i sãng hay kho¶ng nµy sÏ chøa ®ùng c¸c th«ng tin kh¸c nhau ®Ó gióp ngêi chÈn ®o¸n cã thÓ chÈn ®o¸n ®îc bÖnh lý cña bÖnh nh©n. VÝ dô ngêi chÈn ®o¸n cã thÓ dùa vµo c¸c th«ng tin sau ®Ó kÕt luËn chÈn ®o¸n: - Sãng P: bÒ cao (biªn ®é), bÒ réng (thêi gian), h×nh d¹ng (©m, d¬ng, hai pha, mãc…) - Kho¶ng PQ: dµi bao nhiªu ? - Phøc bé QRS: biªn ®é vµ thêi gian, h×nh d¹ng… - §o¹n S-T: cã chªnh kh«ng? - Sãng T (vµ sãng U): d¹ng (d¬ng, ©m hay hai pha), biªn ®é… - Kho¶ng QT: dµi bao nhiªu ? 8 LuËn v¨n th¹c sü khoa häc - Kho¶ng c¸ch ®Ønh - ®Ønh RR gi÷a hai nhÞp liªn tiÕp lµ kho¶ng bao nhiªu? H×nh 1.1 – TÝn hiÖu ®iÖn t©m ®å: c¸c ®iÓm ®Æc trng chÝnh. Ngêi chÈn ®o¸n sÏ dùa trªn h×nh d¹ng c¸c sãng hay c¸c kho¶ng c¸ch gi÷a c¸c ®iÓm ®Æc trng ®Ó chän läc ra nh÷ng dÊu hiÖu vµ yÕu tè ®Æc trng (®¹i diÖn cho b¶n ®iÖn t©m ®å) ®Ó tæng hîp thµnh c¸c héi chøng vµ ®a ®Õn kÕt luËn chÈn ®o¸n ®iÖn t©m ®å.

§Ó thu ®îc ®iÖn t©m ®å, ngêi ta ®Æt nh÷ng ®iÖn cùc cña m¸y ghi ®iÖn tim lªn c¬ thÓ. V× c¬ thÓ con ngêi lµ mét m«i trêng dÉn ®iÖn nªn dßng ®iÖn do tim ph¸t ra sÏ ®îc dÉn truyÒn ®i kh¾p c¬ thÓ, ra tíi da, biÕn c¬ thÓ thµnh mét ®iÖn trêng cña tim. NÕu ta ®Æt hai ®iÖn cùc lªn bÊt cø hai ®iÓm nµo ®ã cã ®iÖn thÕ kh¸c nhau cña ®iÖn trêng ®ã, ta sÏ thu ®îc hiÖu thÕ gi÷a hai ®iÓm ®ã vµ gäi lµ mét chuyÓn ®¹o hay ®¹o tr×nh (tiÕng Anh chuyªn ngµnh gäi lµ lead), nã hiÖn ra trªn m¸y ghi b»ng mét ®êng cong ®iÖn t©m ®å cã mét h×nh d¹ng nµo ®ã tuú theo ®Þa ®iÓm ®Æt c¸c ®iÖn cùc. 9 LuËn v¨n th¹c sü khoa häc Khi ghi c¸c chuyÓn ®¹o th«ng dông, ngêi ta thêng ®Æt ®iÖn cùc ë c¸c chi (cæ tay, cæ ch©n) vµ trªn lång ngùc.

Cho ®Õn nay ngêi ta cho r»ng ®¹i ®a sè c¸c trêng hîp nªn ®Æt ®iÖn cùc theo 12 c¸ch, thu lÊy “12 chuyÓn ®¹o th«ng dông”, bao gåm 3 chuyÓn ®¹o mÉu, 3 chuyÓn ®¹o ®¬n cùc c¸c chi vµ 6 chuyÓn ®¹o tríc tim. ë mçi chuyÓn ®¹o sÏ cã mét h×nh d¹ng sãng ®iÖn t©m ®å kh¸c nhau, còng nh h×nh ¶nh ta nh×n thÊy ®îc khi ®øng ë 12 gãc ®é kh¸c nhau xung quanh mét vËt cã h×nh d¹ng gå ghÒ, phøc t¹p. C¸c chuyÓn ®¹o mÉu lµ nh÷ng chuyÓn ®¹o ®îc nghiªn cøu sím nhÊt, ngay tõ thêi Einthoven. C¸c chuyÓn ®¹o nµy sö dông hai ®iÖn cùc th¨m dß (cßn ®îc gäi lµ chuyÓn ®¹o lìng cùc) vµ ®îc ®Æt nh sau: • §iÖn cùc ©m ë cæ tay ph¶i, ®iÖn cùc d¬ng ë cæ tay tr¸i, gäi ®ã lµ chuyÓn ®¹o 1, viÕt t¾t lµ D1.

• §iÖn cùc ©m ®Æt ë cæ tay ph¶i, ®iÖn cùc d¬ng ®Æt ë cæ ch©n tr¸i, gäi ®ã lµ chuyÓn ®¹o 2, viÕt t¾t lµ D2. • §iÖn cùc ©m ®Æt ë tay tr¸i vµ ®iÖn cùc d¬ng ë ch©n tr¸i, gäi ®ã lµ chuyÓn ®¹o 3, viÕt t¾t lµ D3. C¸c trôc chuyÓn ®¹o cña D1, D2, D3 lËp thµnh ba c¹nh cña mét h×nh tam gi¸c, cã thÓ ®îc coi lµ tam gi¸c ®Òu víi mçi gãc b»ng 60 ®é, gäi lµ tam gi¸c Einhoven (h×nh vÏ 1. 10 LuËn v¨n th¹c sü khoa häc H×nh vÏ 1.2 – Tam gi¸c Einthoven Trong c¸c chuyÓn ®¹o ®¬n cùc chØ sö dông duy nhÊt mét ®iÖn cùc th¨m dß, vµ thêng ®îc ®Æt ®îc ë ba vÞ trÝ nh sau: • Cæ tay ph¶i: chuyÓn ®¹o VR, sÏ thu ®îc ®iÖn thÕ ë mÐ bªn ph¶i vµ ®¸y tim.

• Cæ tay tr¸i: chuyÓn ®¹o VL, thu ®îc ®iÖn thÕ phÝa thÊt tr¸i. • Cæ ch©n tr¸i: chuyÓn ®¹o VF, lµ chuyÓn ®¹o ®éc nhÊt “nh×n” thÊy ®îc thµnh díi ®¸y tim. N¨m 1947, Goldberger ®em c¶i tiÕn ba chuyÓn ®¹o nµy lµm cho c¸c sãng ®iÖn tim cña c¸c chuyÓn ®¹o t¨ng biªn ®é lªn gÊp rìi mµ vÉn gi÷ ®îc h×nh d¹ng cò. Ngêi ta gäi ®ã lµ nh÷ng chuyÓn ®¹o ®¬n cùc t¨ng cêng aVR, aVL, aVF vµ ngµy nay ®îc th«ng dông h¬n c¸c chuyÓn ®¹o cò.

C¸c chuyÓn ®¹o tríc tim, ®îc ký hiÖu b»ng ch÷ V, kÌm theo c¸c chØ sè tõ 1 ®Õn 6. §ã lµ c¸c chuyÓn ®¹o ®¬n cùc, cã mét ®iÖn cùc trung tÝnh nèi vµo cùc trung t©m vµ c¸c ®iÖn cùc th¨m dß, ®îc ®Æt trªn 6 ®iÓm ë vïng tríc tim. Trong khu«n khæ bµi luËn v¨n nµy, c¬ së d÷ liÖu tÝn hiÖu ®iÖn t©m ®å ®îc sö dông sÏ bao gåm c¸c tÝn hiÖu chuÈn trong c¬ së d÷ liÖu chuÈn MIT-BIH ®o ë chuyÓn ®¹o D2 vµ V5, cïng víi c¸c tÝn hiÖu ghi ë chuyÓn ®¹o D2 trªn m¸y ®o 11 LuËn v¨n th¹c sü khoa häc ®iÖn tim do Trung t©m nghiªn cøu quèc tÕ MICA- Trêng §HBK Hµ Néi chÕ t¹o.3 lµ c¸c tÝn hiÖu ®o ë chuyÓn ®¹o D2, h×nh (a) lµ tÝn hiÖu ®o trªn m¸y ®iÖn tim do Trung t©m nghiªn cøu quèc tÕ MICA- Trêng §HBK Hµ Néi chÕ t¹o, h×nh (b) lµ tÝn hiÖu trong bé c¬ së d÷ liÖu chuÈn MIT-BIH (file 106.5 -1 0 1 2 3 4 5 Time / s (b) H×nh vÏ 1.3- TÝn hiÖu ECG ®îc ®o ë chuyÓn ®¹o D2. 12 LuËn v¨n th¹c sü khoa häc Tuy nhiªn trong thùc tÕ kh«ng ph¶i bÊt cø tÝn hiÖu ®iÖn t©m ®å nµo còng cã h×nh d¹ng t¬ng ®èi tuÇn hoµn gièng nh nh÷ng tÝn hiÖu ®iÖn t©m ®å ®· ®îc giíi thiÖu ë trªn.

TÝn hiÖu ECG lµ mét trong nh÷ng tÝn hiÖu chÞu ¶nh hëng cña rÊt nhiÒu lo¹i nhiÔu kh¸c nhau. §iÒu ®ã dÉn ®Õn viÖc nhËn d¹ng c¸c tÝn hiÖu nµy sÏ trë nªn khã kh¨n h¬n rÊt nhiÒu so víi nhËn d¹ng c¸c tÝn hiÖu b×nh thêng. Mét sè trêng hîp tÝn hiÖu “khã nhËn d¹ng” sÏ ®îc giíi thiÖu s¬ lîc qua ë trong phÇn tiÕp theo.