Đồ án HCMUTE: Phân loại bệnh tim từ tín hiệu điện tâm đồ sử dụng Raspberry Pi

• Tác giả: Lê Hoàng Thanh
• Người hướng dẫn: ThS. Nguyễn Thanh Nghĩa
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Điện Tử Truyền Thông
• Đề tài: Phân loại bệnh tim từ tín hiệu điện tâm đồ sử dụng kit Raspberry Pi
• Loại tài liệu: đồ án tốt nghiệp
• Năm xuất bản: 2018
• Địa điểm: Tp. Hồ Chí Minh

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Nội dung nghiên cứu
• 1.2. Giới hạn đề tài
• 1.3. Bố cục
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Cấu tạo và hoạt động của tim
• 2.1.1. Cấu tạo của tim
• 2.1.2. Hoạt động của tim
• 2.2. Tín hiệu điện tâm đồ (ECG)
• 2.2.1. Giới thiệu về tín hiệu điện tâm đồ
• 2.2.2. Các chuyển đạo tim
• 2.2.3. Ý nghĩa cơ bản của các thành phần trên điện tâm đồ
• 2.2.4. Áp dụng trong y học
• 2.3. Kit Raspberry Pi
• 2.3.1. Giới thiệu về bộ điều khiển Raspberry Pi
• 2.4. Tổng quan về ngôn ngữ Python
• 2.4.1. Khái niệm về ngôn ngữ Python
• 2.4.2. Đặc điểm ngôn ngữ Python
• 2.4.3. Cú pháp ngôn ngữ Python
• 2.5. Tổng quan về Support Vector Machines (SVM)
• 2.5.1. Khái niệm Support Vector Machines (SVM)
• 2.5.2. Phân biệt giữa hai lớp (Phân loại hai lớp)
• 2.5.3. Phân biệt giữa nhiều Lớp (Phân loại nhiều lớp)
• 2.6. Chuẩn hóa dữ liệu trong SVM
• 2.7. Các phương pháp đánh giá mô hình SVM
• 2.8. Một số ứng dụng
• 2.9. Phép biến đổi Wavelet rời rạc
• 2.10. Phép biến đổi Fourier thời gian ngắn (Short-time Fourier transform)
• 2.11. Giới thiệu về dữ liệu ECG
• 3. CHƯƠNG 3: TÍNH TOÁN VÀ LỰA CHỌN MÔ HÌNH
• 3.1. Thiết kế sơ đồ khối
• 3.2. Tính toán và thiết kế mô hình
• 3.2.1. Thiết kế khối tiền xử lý
• 3.2.2. Thiết kế khối xử lý
• 3.2.3. Thiết kế bộ phân lớp
• 3.2.4. Lựa chọn phương thức đánh giá mô hình SVM
• 3.3. Lựa chọn phần cứng và ngôn ngữ lập trình
• 4. CHƯƠNG 4: XÂY DỰNG MÔ HÌNH
• 4.1. Lập trình hệ thống
• 4.2. Phần mềm lập trình
• 5. CHƯƠNG 5: KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ
• 5.1. Kết quả nghiên cứu
• 5.2. Kết quả thống kê
• 5.3. Nhận xét – Đánh giá
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

I. Giới thiệu về bệnh tim và điện tâm đồ

Bệnh tim 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 17,5 triệu người chết vì các bệnh liên quan đến tim mạch. Điện tâm đồ (ECG) là một công cụ quan trọng trong việc chẩn đoán và theo dõi các bệnh tim. Nó ghi lại các biến thiên điện lực do tim phát ra trong quá trình co bóp. Việc phân tích tín hiệu điện tâm đồ giúp phát hiện sớm các rối loạn nhịp tim, từ đó có thể đưa ra các biện pháp điều trị kịp thời. Sự phát triển của công nghệ đã cho phép ghi lại ECG một cách chính xác và tiện lợi hơn, từ đó nâng cao khả năng chẩn đoán bệnh tim.

1.1. Tầm quan trọng của việc phân loại bệnh tim

Việc phân loại bệnh tim từ điện tâm đồ không chỉ giúp bác sĩ đưa ra chẩn đoán chính xác mà còn hỗ trợ trong việc lựa chọn phương pháp điều trị phù hợp. Các rối loạn nhịp tim có thể được chia thành nhiều loại khác nhau, mỗi loại có những đặc điểm và mức độ nguy hiểm riêng. Do đó, việc phát triển các hệ thống tự động để phân loại bệnh tim từ ECG là rất cần thiết. Hệ thống này không chỉ giúp giảm tải cho bác sĩ mà còn nâng cao độ chính xác trong chẩn đoán. Sự kết hợp giữa công nghệ y tế và trí tuệ nhân tạo đang mở ra những hướng đi mới trong việc phát hiện và điều trị bệnh tim.

II. Công nghệ Raspberry Pi trong y tế

Raspberry Pi là một máy tính nhỏ gọn, giá thành thấp, được sử dụng rộng rãi trong nhiều lĩnh vực, bao gồm cả y tế. Việc sử dụng Raspberry Pi trong phân loại bệnh tim từ điện tâm đồ mang lại nhiều lợi ích. Đầu tiên, nó cho phép thu thập và xử lý dữ liệu một cách nhanh chóng và hiệu quả. Thứ hai, với khả năng lập trình linh hoạt, Raspberry Pi có thể chạy các thuật toán phức tạp như Support Vector Machine (SVM) để phân tích tín hiệu ECG. Điều này giúp cải thiện độ chính xác trong việc chẩn đoán bệnh tim. Hơn nữa, việc sử dụng Raspberry Pi cũng giúp giảm chi phí cho các thiết bị y tế, từ đó mở rộng khả năng tiếp cận dịch vụ chăm sóc sức khỏe cho nhiều người.

2.1. Ứng dụng của Raspberry Pi trong phân tích tín hiệu

Sử dụng Raspberry Pi trong phân tích tín hiệu điện tâm đồ cho phép thực hiện các phép biến đổi phức tạp như biến đổi Fourier và Wavelet. Những phép biến đổi này giúp trích xuất các đặc trưng quan trọng từ tín hiệu ECG, từ đó hỗ trợ cho quá trình phân loại bệnh. Việc áp dụng trí tuệ nhân tạo trong phân tích tín hiệu cũng giúp nâng cao khả năng phát hiện sớm các rối loạn nhịp tim. Hệ thống này có thể được triển khai trong các cơ sở y tế, giúp bác sĩ có thêm công cụ hỗ trợ trong việc chẩn đoán và điều trị bệnh tim.

III. Phân tích và đánh giá mô hình SVM

Mô hình Support Vector Machine (SVM) là một trong những phương pháp hiệu quả trong việc phân loại tín hiệu điện tâm đồ. SVM hoạt động dựa trên nguyên tắc tìm kiếm siêu phẳng tối ưu để phân tách các lớp dữ liệu. Trong nghiên cứu này, mô hình SVM được áp dụng để phân loại các loại rối loạn nhịp tim từ tín hiệu ECG. Kết quả cho thấy mô hình SVM có độ chính xác cao trong việc phân loại, nhờ vào khả năng xử lý dữ liệu lớn và trích xuất đặc trưng hiệu quả. Việc đánh giá mô hình SVM cũng được thực hiện thông qua các chỉ số như độ chính xác, độ nhạy và độ đặc hiệu, từ đó đưa ra những nhận xét và cải tiến cần thiết.

3.1. Đánh giá hiệu quả của mô hình SVM

Kết quả phân loại từ mô hình SVM cho thấy độ chính xác cao trong việc phát hiện các rối loạn nhịp tim. Các chỉ số đánh giá như độ chính xác và độ nhạy đều đạt mức tối ưu, cho thấy mô hình có khả năng phân loại tốt giữa các loại bệnh tim khác nhau. Việc sử dụng dữ liệu y tế từ nguồn physionet cũng góp phần nâng cao độ tin cậy của mô hình. Tuy nhiên, vẫn cần tiếp tục nghiên cứu và cải tiến để nâng cao hiệu quả phân loại, đặc biệt là trong các trường hợp phức tạp.