Tổng quan về luận án

Bệnh lý tim mạch hiện là nguyên nhân gây tử vong hàng đầu trên phạm vi toàn cầu lẫn tại Việt Nam. Theo số liệu dịch tễ học được công bố trong công trình, "bệnh tim mạch làm cho 17,9 triệu người chết mỗi năm và dự kiến đến năm 2030 thì con số này lên đến 23,6 triệu người, trong khi có 1/3 số người chết ở Việt Nam là do bị bệnh tim mạch được thống kê vào năm 2018". Điện tâm đồ (Electrocardiogram - ECG) đóng vai trò là công cụ chẩn đoán không xâm lấn cốt lõi; tuy nhiên, "tín hiệu điện tim ECG có biên độ rất nhỏ và thời gian thay đổi cũng nhỏ", đồng thời luôn bị suy giảm chất lượng bởi các nguồn nhiễu phức tạp như nhiễu đường dây điện (Power Line Interference - PLI 50/60 Hz), nhiễu trôi đường cơ sở (Baseline Wander Noise - BWN < 0.5 Hz) và nhiễu điện cơ (Electromyography - EMG).

Khoảng trống nghiên cứu (Research Gap) then chốt xuất phát từ sự thiếu hụt các mô hình tiền xử lý bảo toàn hình thái học phức hợp sóng P-QRS-T-U, sự kém hiệu quả của các kỹ thuật trích xuất đặc trưng tuyến tính truyền thống trước tính phi tuyến và biến thiên cao giữa các cá thể (inter-patient variability), và đặc biệt là sự tùy tiện mang tính kinh nghiệm trong việc thiết lập tham số kích thước kernel của các mạng nơ-ron tích chập (Convolutional Neural Networks - CNN). Đa số các nghiên cứu quốc tế trước đây áp dụng rập khuôn kiến trúc xử lý ảnh 2D hoặc chọn kernel ngẫu nhiên mà không dựa trên bản chất điện sinh lý học của chu kỳ co bóp tim.

Luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học tương ứng:

  • RQ1: Làm thế nào để triệt tiêu toàn diện các thành phần tạp nhiễu (PLI, BWN, EMG) mà vẫn bảo toàn nguyên vẹn biên độ và hình dạng các sóng thành phần của tín hiệu ECG?
    • H1: Giải thuật phân rã, lọc ngưỡng thích nghi và khôi phục dựa trên biến đổi Wavelet (WDFR) sử dụng hàm sóng mẹ tối ưu sẽ đạt tỷ số tín hiệu trên nhiễu (SNR) vượt trội và giảm thiểu sai số toàn phương trung bình (MSE) so với các bộ lọc thông dải cổ điển.
  • RQ2: Phương pháp trích chọn và giảm chiều dữ liệu nào có khả năng ánh xạ các đặc trưng phi tuyến của nhịp tim sang không gian mới nhằm tối đa hóa khoảng cách phân tách giữa các nhóm bệnh lý?
    • H2: Thuật toán phân tích thành phần chính phi tuyến kết hợp hàm nhân Kernel trên miền Wavelet (wkPCA) sẽ phân tách tối ưu không gian đặc trưng của 5 nhóm nhịp tim theo chuẩn AAMI so với PCA tuyến tính.
  • RQ3: Cơ chế toán học nào cho phép tối ưu hóa kiến trúc mạng học sâu 1D-CNN dựa trên đặc trưng sinh học thực tế của tín hiệu điện tim?
    • H3: Xác định kích thước kernel của các lớp tích chập dựa trực tiếp trên thời lượng và dải tần của các sóng con (P, QRS, T) sẽ nâng cao độ chính xác phân loại bệnh tim tự động vượt bậc so với các cấu hình mạng CNN truyền thống.

Khung lý thuyết của công trình tích hợp Lý thuyết xử lý tín hiệu đa phân giải Wavelet của Stephane Mallat, Lý thuyết học thống kê và không gian Hilbert tái tạo (RKHS) của Vladimir Vapnik, cùng Nguyên lý biểu diễn đặc trưng sâu của Yann LeCun áp dụng trên chuỗi thời gian 1 chiều. Phạm vi nghiên cứu thực nghiệm được triển khai trên 48 bản ghi Holter ECG 2 kênh (tần số lấy mẫu 360 Hz, độ phân giải 11-bit trên dải 10 mV, đo trên 25 nam giới từ 32-89 tuổi và 22 nữ giới từ 23-89 tuổi) thuộc cơ sở dữ liệu quốc tế MIT-BIH Arrhythmia Database, kết hợp bộ dữ liệu độc lập thu thập tại Phòng thí nghiệm Kỹ thuật Y sinh - Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. Toàn bộ các nhịp tim được chuẩn hóa và phân loại chính xác thành 5 nhóm bệnh lý theo tiêu chuẩn ANSI/AAMI EC57-2012: Nhịp bình thường (N), Ngoại tâm thu trên thất (S), Ngoại tâm thu thất (V), Hợp nhịp (F) và Nhịp không xác định (Q).

Literature Review và Positioning

Tổng quan y văn quốc tế và trong nước phản ánh sự tiến triển qua bốn thế hệ tiếp cận chính trong phân loại tín hiệu điện tim:

  1. Hệ thống mờ và logic thích nghi (Fuzzy Logic): Zhao et al. (2018) kết hợp chỉ số chất lượng tín hiệu (SQI) với hệ mờ trên tập dữ liệu PhysioNet/CinC Challenge đạt độ chính xác ACC = 97.67% trên tập huấn luyện nhưng giảm xuống 94.67% trên tập kiểm tra. Behadada et al. (2013) sử dụng cây quyết định mờ (Fuzzy Decision Tree) đạt ACC = 71%. Ceylan et al. (2009) áp dụng mạng nơ-ron phân cụm mờ (Fuzzy Clustering Neural Network) trên 91 bệnh nhân đạt ACC = 99%. Hạn chế cốt lõi của hướng tiếp cận này là sự phụ thuộc nặng nề vào tập luật chuyên gia chủ quan và khó thích ứng với các biến dị phức tạp của sóng bệnh lý.
  2. Máy học véc-tơ hỗ trợ và thuật toán tiến hóa (SVM & GA): Alotaiby et al. (2019) sử dụng mẫu không gian chung (CSP) và SVM đạt ACC = 93.01% trên chuyển đạo Lead II và 98.92% trên Lead V3 của tập dữ liệu PTB. Ashtiyani et al. (2018) kết hợp biến đổi Wavelet rời rạc (DWT), thuật toán di truyền (GA) và SVM đạt ACC = 97.14%. Polat et al. (2008) ứng dụng LSSVM đạt ACC = 100% nhưng chỉ giới hạn trong bài toán phân loại nhị phân xơ vữa động mạch.
  3. Mô hình lai trích chọn đặc trưng miền thời gian - tần số: Taiyong Li et al. (2017) kết hợp Wavelet Packet Entropy với khoảng RR và Rừng ngẫu nhiên (Random Forest - RF) đạt ACC = 94.61% cho 5 nhóm bệnh AAMI. Hongqiang Li et al. (2017) dùng DWT kết hợp GA tối ưu mạng BPNN đạt ACC = 97.0%, giảm số đặc trưng từ 48 xuống 25. Di Wang et al. (2017) tích hợp DWT cấp 9 với bộ mã hóa thưa (Sparse Autoencoder) và hàm Softmax đạt ACC = 96.0%.
  4. Mạng học sâu (Deep Learning): Shu Lih Oh et al. (2018) tích hợp CNN 10 lớp với LSTM trên tín hiệu thô dài 260 mẫu đạt ACC = 98.10%. Yong Xia et al. (2018) chuyển đổi tín hiệu 1D sang ảnh 2D bằng biến đổi STFT và Wavelet rồi đưa vào mạng CNN với kích thước kernel 3x11 và 2x11 đạt ACC = 98.0%. Yinsheng Ji et al. (2019) dùng EMD và mạng Faster R-CNN 2D đạt ACC = 99.0%.

Tại Việt Nam, Chử Đức Hoàng (2014) sử dụng phân tích khử khuynh hướng động đa trị (MF-DFA) kết hợp chuẩn hóa RR đạt độ chính xác 89%; Nguyễn Đức Thảo (2016) kết hợp loại bỏ nhịp thở và mạng TSK đạt 96.6% cho 3 lớp bệnh; Phạm Văn Nam (2018) kết hợp cây quyết định với MLP, SVM, RF đạt 98.0% trên bài toán phân loại nhị phân.

Hai cuộc tranh luận học thuật lớn tồn tại trong y văn:

  • Tranh luận 1 (Chuyển đổi biểu diễn 1D sang 2D vs. Xử lý 1D trực tiếp): Các công trình như Yong Xia et al. (2018) và Yinsheng Ji et al. (2019) cố gắng chuyển đổi tín hiệu 1D sang ma trận ảnh 2D để tận dụng các kiến trúc thị giác máy tính. Tuy nhiên, luận án chứng minh việc chuyển đổi này gây lãng phí tài nguyên tính toán nghiêm trọng, phá vỡ tính liên tục thời gian thực và làm méo mó các tương quan pha cục bộ của tín hiệu điện sinh lý.
  • Tranh luận 2 (Học sâu đầu-cuối không tiền xử lý vs. Pipeline xử lý phân tầng): Shu Lih Oh et al. (2018) ủng hộ việc đưa dữ liệu thô vào mạng CNN-LSTM. Ngược lại, nghiên cứu này chứng minh việc thiếu vắng tiền xử lý lọc nhiễu thích nghi khiến các trọng số học sâu bị phân tán vào việc mô hình hóa nhiễu biên độ lớn, làm giảm độ nhạy phát hiện các dạng sóng bệnh lý hiếm (như lớp S và F).

Vị trí của luận án được xác lập vững chắc khi giải quyết triệt để hai mâu thuẫn trên: bảo toàn nguyên vẹn biểu diễn thời gian 1D, kết hợp cơ chế lọc nhiễu Wavelet đa mức WDFR và phát minh quy tắc xác định kích thước kernel tích chập theo đặc tính điện sinh lý học.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng Lý thuyết Đa phân giải của Mallat thông qua việc thiết lập giải thuật WDFR, chứng minh sự tương thích toán học giữa hàm sóng mẹ Discrete Meyer (dmey) phân rã ở mức 8 với các dải phổ năng lượng sinh lý của tín hiệu ECG (từ 0.05 Hz đến 100 Hz), khắc phục triệt để hiện tượng dịch pha và méo mó đỉnh sóng do các bộ lọc IIR/FIR thông thường gây ra.

Công trình mở rộng Lý thuyết Máy học thống kê bằng việc phát triển giải thuật trích xuất đặc trưng wkPCA. Bằng cách tích hợp các hệ số phân rã Wavelet vào hàm nhân Gaussian RBF, luận án đã xây dựng một toán tử ánh xạ phi tuyến từ không gian gốc $X$ sang không gian Hilbert tái tạo chiều vô hạn $Z$:

$$\Phi: X \rightarrow \mathcal{H}$$

Toán tử này tối đa hóa phương sai phân tách giữa các cụm nhịp tim bệnh lý đồng thời nén chiều dữ liệu cực đại mà không làm mất thông tin biên độ đỉnh R và khoảng động biến thiên PR, ST.

Về mặt học sâu, luận án đề xuất một bước chuyển dịch mô hình (Paradigm Shift) trong thiết kế mạng 1D-DCNN: thay thế cơ chế chọn siêu tham số ngẫu nhiên hoặc thử-sai bằng nguyên lý thiết kế kernel tương quan sinh lý học (Bio-electrophysiological Receptive Field Sizing). Các mệnh đề khoa học được xác lập:

  • Mệnh đề 1 (P1): Tồn tại sự tương thích đơn ánh giữa các mức phân rã Wavelet và dải thông của các nguồn nhiễu sinh lý (BWN tập trung tại thành phần xấp xỉ mức 8, PLI tập trung tại các thành phần chi tiết mức 1-2).
  • Mệnh đề 2 (P2): Không gian đặc trưng sau ánh xạ wkPCA tạo ra các siêu mặt phân cách có lề cực đại (Maximum Margin Separability) giữa các nhóm bệnh có hình thái tương đồng cao (giữa nhịp N và nhịp V/S).
  • Mệnh đề 3 (P3): Độ rộng không gian của kernel tích chập ở các lớp đầu của mạng 1D-DCNN tương ứng tối ưu với độ dài cơ sở thời gian của các sóng con ($L_{\text{P}} \approx 80\text{ ms}$, $L_{\text{QRS}} \approx 80-120\text{ ms}$, $L_{\text{T}} \approx 160\text{ ms}$).

Khung phân tích độc đáo

Khung phân tích của luận án là sự hợp nhất có hệ thống giữa ba trụ cột lý thuyết: Lý thuyết biến đổi Wavelet rời rạc (DWT), Lý thuyết hàm nhân phi tuyến (Kernel Methods) và Lý thuyết mạng nơ-ron tích chập sâu 1 chiều (1D-DCNN).

Quy trình phân tích trải qua 5 giai đoạn liên hoàn:

  1. Khử nhiễu WDFR đa cấp: Phân rã tín hiệu ECG thành thành phần xấp xỉ (Approximation - $A_8$) và các thành phần chi tiết (Details - $D_1$ đến $D_8$), triệt tiêu nhiễu bằng ngưỡng cứng và ngưỡng mềm thích nghi, sau đó tái cấu trúc tín hiệu sạch.
  2. Định vị đỉnh R và phân đoạn nhịp: Cải tiến thuật toán Pan-Tompkins với bộ lọc thích nghi để dò tìm chính xác đỉnh R của phức hợp QRS, tiến hành phân đoạn từng nhịp tim với cửa sổ thời gian chuẩn hóa.
  3. Chiếu không gian wkPCA: Áp dụng biến đổi Wavelet trên từng nhịp đơn, đưa các hệ số wavelet qua ma trận Kernel Gram Gaussian để trích xuất các vector đặc trưng trực giao có phương sai tích lũy cao nhất.
  4. Phân loại với mạng MLP tối ưu: Đưa vector đặc trưng wkPCA vào mạng Perceptron truyền thẳng 4 lớp (3 lớp ẩn, 1 lớp ra) với hàm kích hoạt phi tuyến để thiết lập ranh giới phân lớp ban đầu.
  5. Đặc trưng hóa và phân loại tự động bằng 1D-DCNN tích hợp Kernel sinh lý: Cấu hình mạng 7 lớp tích chập 1D với kích thước kernel được tính toán đồng bộ theo độ rộng sóng con, kết hợp 4 lớp kết nối đầy đủ (Fully Connected) để phân loại trực tiếp 5 nhóm bệnh tim AAMI.

Điều kiện biên của khung phân tích được xác định rõ: tín hiệu đầu vào phải được số hóa với tần số lấy mẫu tối thiểu $f_s \ge 250\text{ Hz}$ (tối ưu tại 360 Hz) và hệ thống phân loại áp dụng trên tập 5 nhóm bệnh chuẩn AAMI EC57-2012.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ thế giới quan thực chứng (Positivism) với thiết kế thực nghiệm định lượng nghiêm ngặt. Hệ thống phân tích được xây dựng đa tầng bậc:

  • Tầng 1: Tối ưu hóa xử lý tín hiệu số (DSP Optimization Level) nhằm cực đại hóa SNR và cực tiểu hóa MSE.
  • Tầng 2: Nén và biểu diễn đặc trưng không gian phi tuyến (Feature Representation Level) qua wkPCA.
  • Tầng 3: Tối ưu hóa cấu trúc mạng học sâu (Deep Architecture Level) qua việc thiết lập số lớp và tham số kernel theo cơ sở giải phẫu điện tim.
  • Tầng 4: Đánh giá lâm sàng khách quan (Clinical Metric Evaluation Level) theo chuẩn quốc tế.

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu được thiết lập chặt chẽ:

  • Tập dữ liệu chuẩn hóa quốc tế: Sử dụng toàn bộ 48 bản ghi từ MIT-BIH Arrhythmia Database, mỗi bản ghi dài 30 phút, ghi 2 kênh đồng thời (chủ yếu là MLII và V1/V2/V5), tổng cộng hơn 109,000 nhịp tim đã được ít nhất hai chuyên gia tim mạch độc lập dán nhãn và thống nhất kết quả thẩm định lâm sàng.
  • Tập dữ liệu thực nghiệm: Thu nhận trực tiếp trên các đối tượng tại Phòng thí nghiệm Kỹ thuật Y sinh (Trường ĐH Sư phạm Kỹ thuật TP.HCM) bằng thiết bị đo điện tim chuyên dụng nhằm kiểm chứng khả năng tổng quát hóa (External Validity).
  • Tiêu chuẩn gán nhãn AAMI EC57-2012: Toàn bộ nhịp tim được ánh xạ thành 5 nhóm:
    • Nhóm N: Nhịp bình thường, block nhánh trái/phải (LBBB, RBBB), nhịp thoát nút.
    • Nhóm S: Ngoại tâm thu nhĩ (APB), nhịp sớm trên thất, nhịp nhanh trên thất.
    • Nhóm V: Ngoại tâm thu thất (PVC), nhịp thoát thất.
    • Nhóm F: Hợp nhịp giữa tâm thất và nhịp bình thường.
    • Nhóm Q: Nhịp do máy tạo nhịp (Paced beat), nhịp không phân loại được.
  • Quy trình lọc nhiễu WDFR: Khảo sát có hệ thống trên 6 họ sóng mẹ Wavelet: dmey, bior5.5, db4, sym1, bior1.3, và db1. Áp dụng các mức ngưỡng cứng (Hard Thresholding) và ngưỡng mềm (Soft Thresholding) trên các dải chi tiết $D_1 - D_8$ để loại bỏ nhiễu PLI và EMG, đồng thời xử lý thành phần $A_8$ để triệt tiêu hoàn toàn hiện tượng lệch đường cơ sở (BWN).
  • Kiểm định độ tin cậy và giá trị: Đánh giá thông qua ma trận nhầm lẫn đa lớp (Multi-class Confusion Matrix), tính toán độ chính xác tổng thể (Accuracy - ACC), độ nhạy (Sensitivity - SEN), độ đặc hiệu (Specificity - SPE), giá trị dự đoán dương (Positive Predictivity - PPV) và vẽ đường cong đặc trưng hoạt động của bộ nhận (Receiver Operating Characteristic - ROC) cùng diện tích dưới đường cong (AUC).

Data và phân tích

Dữ liệu được xử lý và phân tích bằng các công cụ tính toán chuyên dụng gồm phần mềm MATLAB và ngôn ngữ lập trình Python (sử dụng các thư viện chuyên sâu WFDB, Scikit-learn, TensorFlow/Keras).

Dữ liệu thí nghiệm được phân chia ngẫu nhiên thành tập huấn luyện (Training Set) và tập kiểm tra độc lập (Testing Set) theo các tỷ lệ phân chia khắt khe (chẳng hạn 70/30 và 80/20) nhằm đảm bảo không có sự rò rỉ dữ liệu (Data Leakage) giữa các giai đoạn huấn luyện và kiểm định. Các kiểm tra độ vững chắc (Robustness Checks) được thực hiện bằng cách thêm nhiễu trắng Gaussian nhân tạo với các mức tỷ số tín hiệu trên nhiễu khác nhau (từ 5 dB đến 20 dB) vào tín hiệu gốc để thẩm định độ bền vững của thuật toán WDFR và wkPCA.

Phát hiện đột phá và implications

Những phát hiện then chốt

Nghiên cứu mang lại 4 phát hiện khoa học mang tính đột phá với bằng chứng định lượng rõ ràng:

  1. Hàm sóng mẹ Discrete Meyer (dmey) là tối ưu tuyệt đối cho lọc nhiễu ECG: Trong số 6 hàm sóng mẹ được khảo sát (dmey, bior5.5, db4, sym1, bior1.3, db1), giải thuật WDFR sử dụng hàm dmey ở mức phân rã 8 kết hợp ngưỡng mềm mang lại hiệu suất vượt trội. Phân tích mật độ phổ công suất (Power Spectral Density - PSD) chứng minh hàm dmey loại bỏ triệt để nhiễu PLI 50 Hz và nhiễu trôi đường cơ sở BWN mà không làm suy giảm biên độ đỉnh R hay làm biến dạng đoạn ST.
  2. Giải thuật wkPCA giải quyết triệt để sự chồng lấn không gian đặc trưng: Các đặc trưng nhịp tim trong không gian gốc có độ phân tán cao và chồng lấn nghiêm trọng giữa các nhóm bệnh. Sau khi áp dụng biến đổi Wavelet kết hợp Kernel Gaussian RBF trong wkPCA, các vector đặc trưng được nén và tái cấu trúc thành các cụm tập trung cao độ, tách biệt rõ ràng trên đồ thị không gian vector. Khi đưa vào mạng nơ-ron truyền thẳng 4 lớp (MLP), bộ phân loại đạt hiệu suất vượt bậc so với các phương pháp PCA truyền thống của Dalal et al. (2016) và GA-BPNN của Hongqiang Li et al. (2017).
  3. Khẳng định tính ưu việt của phương pháp tính toán kích thước Kernel tích chập theo sóng con: Khi thiết lập kích thước kernel trong mạng học sâu 1D-DCNN tương thích trực tiếp với thời lượng thực tế của phức hợp QRS và các sóng con P, T, độ chính xác phân loại của mô hình đạt mức tối ưu. Trích xuất trực tiếp từ văn bản luận án: "với thuật toán cho xây dựng những kernel thì việc trích xuất gần như toàn bộ đặc trưng nhịp tim và điều này sẽ nâng cao độ chính xác của bộ phân loại bệnh tim".
  4. Cấu trúc mạng 1D-DCNN 7 lớp tích chập đạt điểm cân bằng hội tụ tối ưu: Thử nghiệm thay đổi số lớp tích chập từ 1 đến 9 lớp chứng minh mô hình 7 lớp tích chập kết hợp 4 lớp kết nối đầy đủ đạt độ chính xác cao nhất. Khi số lớp vượt quá 7, mô hình xuất hiện hiện tượng bão hòa hiệu suất và tăng chi phí tính toán không cần thiết, trong khi cấu hình dưới 7 lớp không trích xuất đủ các biểu diễn trừu tượng của các dạng rối loạn nhịp hiếm.

Implications đa chiều

  • Về mặt lý thuyết: Công trình đã hợp nhất thành công lý thuyết biểu diễn đa phân giải miền tần số và lý thuyết học sâu biểu diễn đặc trưng chuỗi thời gian, chứng minh rằng mạng nơ-ron tích chập 1 chiều hoạt động hiệu quả nhất khi các trường tiếp nhận (Receptive Fields) được định hình bởi tri thức miền điện sinh lý thay vì các tham số ngẫu nhiên.
  • Về mặt phương pháp luận: Luận án cung cấp một quy trình mẫu mực có thể chuyển giao hoàn toàn để xử lý và phân loại các tín hiệu y sinh một chiều phức tạp khác như điện não đồ (EEG), điện cơ đồ (EMG) và tín hiệu thể tích sóng mạch (PPG).
  • Về mặt ứng dụng thực tiễn: Mô hình được đóng gói thành giải pháp hoàn chỉnh có thể tích hợp trực tiếp vào hệ thống máy tính chủ (Host Server) chẩn đoán từ xa qua Internet hoặc nhúng vào các vi xử lý của thiết bị Holter ECG cầm tay, hỗ trợ bác sĩ lâm sàng đưa ra quyết định chính xác trong thời gian thực.
  • Về mặt chính sách y tế: Đẩy mạnh ứng dụng hệ thống chẩn đoán từ xa dựa trên AI giúp giảm tải áp lực cho các bệnh viện tuyến trên tại Việt Nam, thu hẹp khoảng cách chất lượng dịch vụ y tế giữa thành thị và vùng sâu vùng xa.

Limitations và Future Research

Nghiên cứu thừa nhận một số giới hạn học thuật khách quan:

  1. Sự mất cân bằng dữ liệu tự nhiên (Class Imbalance): Trong cơ sở dữ liệu MIT-BIH, số lượng nhịp bình thường (lớp N) chiếm ưu thế áp đảo so với các nhịp hiếm như lớp F (Fusion beats) và lớp Q (Unknown beats). Mặc dù mô hình đạt độ chính xác tổng thể rất cao, độ nhạy đối với các lớp thiểu số vẫn chịu ảnh hưởng nhất định.
  2. Chi phí tính toán của hàm Kernel ma trận: Thuật toán wkPCA đòi hỏi tính toán ma trận Kernel Gram lớn, có thể gây áp lực bộ nhớ khi triển khai trên các thiết bị nhúng siêu tiết kiệm năng lượng có bộ nhớ RAM hạn chế.
  3. Phạm vi phân loại bệnh lý: Nghiên cứu tập trung phân loại 5 nhóm nhịp chính theo chuẩn ANSI/AAMI EC57-2012, chưa mở rộng phân loại chi tiết từng phân nhóm rối loạn nhịp phức tạp (như rung nhĩ kịch phát, hội chứng Brugada, hội chứng QT dài/ngắn).

Chương trình nghiên cứu tiếp theo được đề xuất:

  • Mở rộng ứng dụng kỹ thuật học sâu 1D-DCNN trên dữ liệu ECG 12 chuyển đạo tiêu chuẩn nhằm phát hiện vị trí nhồi máu cơ tim cục bộ.
  • Nghiên cứu nén mô hình học sâu bằng kỹ thuật lượng tử hóa (Quantization) và cắt tỉa trọng số (Pruning) để nhúng trực tiếp vào chip vi điều khiển ARM Cortex-M phục vụ thiết bị đeo y tế thời gian thực.
  • Áp dụng các kỹ thuật cân bằng dữ liệu tiên tiến (Generative Adversarial Networks - GAN) để tăng cường mẫu cho các nhóm nhịp hiếm F và Q.

Tác động và ảnh hưởng

  • Ảnh hưởng học thuật: Công trình đóng góp các bài báo khoa học chất lượng cao trên các kỷ yếu hội nghị và tạp chí chuyên ngành uy tín, cung cấp cơ sở đối chuẩn (Benchmark) phương pháp luận mới cho cộng đồng nghiên cứu xử lý tín hiệu y sinh.
  • Chuyển đổi công nghệ y tế: Luận án mở ra khả năng thương mại hóa các thiết bị đo điện tim cầm tay thế hệ mới tích hợp thuật toán WDFR và mạng 1D-DCNN, cho phép phát hiện sớm các cơn thiếu máu cơ tim hoặc ngoại tâm thu nguy hiểm trước khi bệnh nhân xuất hiện triệu chứng lâm sàng nặng.
  • Lợi ích xã hội định lượng: Hệ sinh thái chẩn đoán từ xa qua máy tính chủ giúp cắt giảm chi phí khám chữa bệnh định kỳ, giảm thiểu tỷ lệ tử vong do đột tử tim mạch nhờ cảnh báo sớm, phục vụ trực tiếp công tác bảo vệ sức khỏe cộng đồng trong bối cảnh bệnh tim mạch ngày càng gia tăng tại Việt Nam.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật y sinh: Thừa hưởng khung lý thuyết toán học hoàn chỉnh về biến đổi Wavelet kết hợp Kernel PCA và phương pháp tính kích thước kernel 1D-CNN có cơ sở sinh học để phát triển các đề tài nghiên cứu chuyên sâu.
  • Bác sĩ và Chuyên gia Tim mạch: Tiếp cận công cụ trợ giúp chẩn đoán khách quan, độ tin cậy cao, hỗ trợ giảm thiểu sai sót do mệt mỏi thị giác khi phải phân tích hàng ngàn trang giấy ghi điện tim Holter 24 giờ.
  • Kỹ sư R&D thiết bị y tế: Sử dụng mã nguồn và cấu trúc thuật toán được tối ưu để phát triển các sản phẩm máy đo điện tim cầm tay, máy theo dõi bệnh nhân (Patient Monitor) thông minh thế hệ mới.
  • Sinh viên chuyên ngành Kỹ thuật Y sinh: Giáo trình và học liệu thực tế được tích hợp trực tiếp vào chương trình đào tạo tại Bộ Môn Điện Tử Công Nghiệp – Y Sinh, Trường Đại học Sư phạm Kỹ thuật TP.HCM.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc xây dựng mô hình toán học xác lập mối tương quan giữa đặc tính điện sinh lý học của các sóng thành phần ECG với kích thước kernel của các lớp tích chập trong mạng 1D-DCNN, đồng thời phát triển thuật toán wkPCA mở rộng lý thuyết Kernel PCA cổ điển bằng việc tích hợp toán tử phân rã đa phân giải Wavelet vào không gian Hilbert tái tạo (RKHS).

2. Sự đổi mới về phương pháp luận so với các công trình quốc tế tiêu biểu?

So với R. Rodríguez et al. (2015) vốn dùng bộ lọc Butterworth 5-15 Hz gây mất thông tin tần số thấp, giải thuật WDFR của luận án dùng hàm dmey cấp 8 bảo toàn toàn bộ dải tần 0.05-100 Hz. So với Yong Xia et al. (2018) và Yinsheng Ji et al. (2019) phải chuyển đổi 1D sang ảnh 2D phức tạp, luận án xử lý trực tiếp trên chuỗi thời gian 1 chiều với kernel sinh lý học, giúp tăng tốc độ tính toán gấp nhiều lần và loại bỏ hoàn toàn các giả tượng (artifacts) do phép biến đổi 2D tạo ra.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất?

Phát hiện bất ngờ nhất là hàm sóng mẹ Discrete Meyer (dmey) thể hiện khả năng khử nhiễu vượt trội toàn diện so với các họ sóng mẹ Daubechies (db4, db1) và Symlets (sym1) vốn được sử dụng phổ biến nhất trong các tài liệu y văn trước đây, đặc biệt là khả năng bảo toàn nguyên vẹn biên độ sóng nhỏ P và sóng U.

4. Luận án có cung cấp giao thức tái lập nghiên cứu hoàn chỉnh không?

Công trình cung cấp chi tiết toàn bộ quy trình: nguồn dữ liệu mở MIT-BIH với định dạng WFDB chuẩn (.dat, .hea, .atr), tham số tần số lấy mẫu 360 Hz, thuật toán tiền xử lý WDFR 8 mức, công thức ma trận wkPCA, chi tiết cấu trúc mạng 1D-DCNN 7 lớp tích chập cùng toàn bộ siêu tham số huấn luyện (learning rate, batch size, loss function, epochs).

5. Định hướng chương trình nghiên cứu 10 năm được xác lập như thế nào?

Chương trình nghiên cứu dài hạn tập trung vào 3 giai đoạn: (1) Nhúng thuật toán vào hệ thống chip chuyên dụng Ultra-low-power Edge AI; (2) Mở rộng hệ thống chẩn đoán đa bệnh lý từ xa trên nền tảng điện toán đám mây kết nối mạng lưới bệnh viện thông minh; (3) Tích hợp học máy liên kết (Federated Learning) để đào tạo mô hình chuẩn đoán toàn cầu bảo mật dữ liệu y tế.

Kết luận

Luận án tiến sĩ của NCS. Nguyễn Thanh Nghĩa đã đạt được 5 đóng góp học thuật và thực tiễn cốt lõi:

  1. Xây dựng thành công giải thuật lọc nhiễu thích nghi WDFR trên cơ sở biến đổi Wavelet đa cấp, xác định hàm sóng mẹ dmey ở mức phân rã 8 là tối ưu cho việc triệt tiêu nhiễu PLI, BWN và EMG.
  2. Cải tiến thuật toán Pan-Tompkins kết hợp lọc thích nghi, định vị chính xác đỉnh R và phân đoạn hiệu quả các chu kỳ nhịp tim đơn lẻ.
  3. Phát triển giải thuật trích xuất đặc trưng phi tuyến wkPCA, giải quyết triệt để sự chồng lấn không gian đặc trưng giữa 5 nhóm bệnh tim chuẩn ANSI/AAMI EC57-2012.
  4. Đề xuất quy tắc khoa học xác định kích thước kernel cho các lớp tích chập trong mạng 1D-DCNN dựa trên độ dài sóng con sinh lý, tối ưu hóa kiến trúc mạng 7 lớp tích chập và 4 lớp kết nối đầy đủ.
  5. Hiện thực hóa mô hình chẩn đoán bệnh tim từ xa thông qua máy tính chủ kết nối mạng, mở ra hướng ứng dụng to lớn trong thiết bị y tế cầm tay và tele-cardiology.

Công trình tạo ra bước tiến quan trọng trong việc đưa tri thức miền sinh học vào cấu trúc học sâu, mở ra ba nhánh nghiên cứu mới về xử lý tín hiệu y sinh 1 chiều, AI biên trong thiết bị y tế cá nhân hóa và hạ tầng y tế số thông minh phục vụ chăm sóc sức khỏe cộng đồng.