Tổng quan luận án

Tín hiệu điện tim (Electrocardiogram - ECG) ghi lại các biến thiên điện áp phát sinh trong quá trình hoạt động co bóp của cơ tim, là công cụ then chốt phục vụ chẩn đoán các bệnh lý tim mạch. Theo số liệu thống kê được tác giả trích dẫn, bệnh tim mạch là một trong những nguyên nhân gây tử vong hàng đầu: năm 2015 có khoảng 20% dân số Việt Nam mắc bệnh tim mạch và tăng huyết áp; trên phạm vi toàn cầu, bệnh tim mạch gây ra 17,9 triệu ca tử vong mỗi năm và ước tính đạt 23,6 triệu người vào năm 2030; tại Việt Nam năm 2018, số ca tử vong do tim mạch chiếm 1/3 tổng số ca tử vong.

Mặc dù việc phân tích điện tâm đồ đã được nghiên cứu rộng rãi, quá trình xử lý tín hiệu và phân loại bệnh tim tự động vẫn đối mặt với nhiều rào cản kỹ thuật:

  • Tín hiệu ECG có biên độ rất nhỏ (tính bằng milivôn - mV) và dễ bị biến dạng bởi nhiều loại nhiễu như nhiễu đường dây điện (Power Line Interference - PLI), nhiễu do lệch đường cơ sở (Baseline Wander Noise - BWN), nhiễu điện cơ (Electromyography - EMG) và sự thay đổi tâm lý của bệnh nhân.
  • Tín hiệu mang tính biến đổi cao giữa các cá nhân cũng như trên cùng một đối tượng tại các thời điểm sinh lý khác nhau.
  • Cấu trúc tín hiệu phức tạp gồm các đỉnh P, Q, R, S, T, U; khoảng thời gian và hình dạng sóng có thể bị biến dạng phức tạp khi có bệnh lý.
  • Chưa có một quy luật hay thuật toán phân loại tối ưu duy nhất cho mọi dạng bệnh tim, đồng thời việc thiết lập bộ phân loại chính xác trên tín hiệu thời gian thực vẫn là thách thức lớn.
  • Các nghiên cứu trước đây thường gặp hạn chế như: làm mất thông tin hữu ích khi lọc dải thông hẹp, chưa khảo sát toàn diện các hàm wavelet, chỉ xử lý một loại nhiễu đơn lẻ, hoặc chuyển đổi tín hiệu 1 chiều (1D) sang ảnh 2 chiều (2D) một cách khiên cưỡng làm tăng khối lượng tính toán.

Mục tiêu nghiên cứu của luận án được xác định gồm hai nội dung chính (đánh số theo văn bản):

  1. Xây dựng một phương pháp lọc nhiễu của tín hiệu điện tim và chuẩn hóa tín hiệu để phục vụ cho việc trích đặc trưng và phân loại nhằm nâng cao độ chính xác phân loại. Phân tích chi tiết các thành phần cơ bản của tín hiệu ECG trên từng loại bệnh tim; xây dựng bộ lọc nhiễu và trích chọn các thành phần đặc trưng kết hợp giảm chiều dữ liệu nhằm thu được thông tin hữu ích tối đa với mức độ ảnh hưởng của nhiễu thấp nhất.
  2. Đề xuất một hệ thống trích đặc trưng kết hợp với bộ phân loại để phân loại các loại bệnh tim từ tín hiệu điện tim đã được lọc nhiễu. Hệ thống xử lý tín hiệu và trích đặc trưng được phát triển để phân loại các loại bệnh tim với độ chính xác cao.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Dữ liệu tín hiệu điện tim với nhiều nhóm bệnh lý khác nhau từ cơ sở dữ liệu chuẩn; các công cụ lập trình và xử lý số liệu (MATLAB, Python); các phương pháp và chỉ số đánh giá hiệu suất hệ thống phân loại bệnh tim (SNR, MSE, ma trận nhầm lẫn, đường cong ROC, độ chính xác Accuracy, độ nhạy Sensitivity).
  • Phạm vi nghiên cứu: Phân loại 05 nhóm nhịp tim theo chuẩn ANSI/AAMI EC57-2012, bao gồm: nhịp tim bình thường (Normal beats - N), nhịp tim ngoại tâm thu trên thất (Supraventricular ectopic beats - S), nhịp tim ngoại tâm thu thất (Ventricular ectopic beats - V), hợp nhịp (Fusion beats - F) và nhịp tim chưa xác định (Unknown beats - Q). Dữ liệu thực nghiệm sử dụng cơ sở dữ liệu MIT-BIH Arrhythmia Database kết hợp nguồn tín hiệu tự thu thập tại phòng thí nghiệm Kỹ thuật Y sinh của Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

Tổng quan tài liệu và vị trí của luận án

Trong luận án, tác giả đã tiến hành điểm luận có hệ thống các công trình nghiên cứu trong nước và quốc tế liên quan đến xử lý tín hiệu và phân loại bệnh tim:

Các công trình trong nước:

  • Chử Đức Hoàng (2014) thực hiện đề tài "Phân tích tín hiệu loạn nhịp tim", cải tiến phương pháp xác định phức hợp QRS của Pan-Hamilton-Tompkins và giải thuật phân tích khử khuynh hướng động đa trị (Multi Detrended Fluctuation Analysis) kết hợp véc tơ chuẩn hóa RR, đạt độ chính xác phân loại 89%. Hạn chế: độ chính xác chưa cao, các đặc trưng trích chọn phục vụ phân loại chưa được phân tích rõ.
  • Nguyễn Đức Thảo (2016) nghiên cứu "Nâng cao chất lượng nhận dạng tín hiệu điện tim dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh", áp dụng bộ lọc loại bỏ nhịp thở và đưa vào mạng nơ-ron logic mờ TSK (Takagi–Sugeno–Kang) với 4 kịch bản, đạt độ chính xác 96,6% cho 3 loại bệnh. Hạn chế: chỉ khảo sát nhiễu nhịp thở, chưa loại bỏ các nguồn nhiễu khác; sử dụng họ wavelet Coiflet bậc 4 nhưng chưa khảo sát đầy đủ nhiều hàm wavelet và chưa giải thích lý do lựa chọn.
  • Phạm Văn Nam (2018) thực hiện đề tài "Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp", kết hợp bộ phân loại cây quyết định với MLP, SVM và Random Forest (RF), đạt độ chính xác 98,8% trong phân loại nhị phân (bình thường và bất thường). Hạn chế: chưa đánh giá bằng công cụ đường cong ROC; thiết bị đo tự xây dựng chưa được đánh giá kiểm định chất lượng và độ tin cậy.

Các công trình quốc tế:

  • R. Rodríguez và cộng sự (tài liệu [10]) đề xuất ngưỡng thích nghi kết hợp biến đổi Hilbert và PCA để trích phức hợp QRS; sử dụng bộ lọc Butterworth bậc 6 (dải thông 5–15 Hz), dẫn đến nguy cơ mất thông tin hữu ích dưới 5 Hz.
  • Saeed Mian Qaisar và cộng sự (2020, [11]) kết hợp biến đổi wavelet và Random Forest để phân loại 5 loại bệnh tim từ dữ liệu MIT-BIH, đạt độ chính xác 97%, hướng đến thiết bị cầm tay nhưng độ chính xác cần nâng cao thêm.
  • Taiyong Li và cộng sự ([12]) sử dụng phân tích Wavelet Packet kết hợp entropy (Wavelet Packet Entropy - WPE) và khoảng RR cùng bộ phân loại Random Forest, đạt độ chính xác 94,61% cho 5 loại bệnh tim.
  • Hongqiang Li và cộng sự ([13]) dùng biến đổi wavelet trích 48 đặc trưng và áp dụng giải thuật di truyền (GA) để giảm xuống 25 đặc trưng trước khi đưa vào mạng GA-BPNN, đạt độ chính xác 97,78%.
  • Di Wang và cộng sự ([14]) dùng biến đổi DWT mức 9 với hàm daubechies (db2), lọc ngưỡng mềm kết hợp bộ mã hóa thưa (Sparse Autoencoder - S-AEs 2 lớp ẩn) và bộ phân loại Softmax, đạt độ chính xác 96,08%.
  • Shu Lih Oh và cộng sự ([15]) xây dựng mạng học sâu 10 lớp kết hợp CNN và LSTM trên các đoạn nhịp 260 mẫu không qua lọc nhiễu, đạt độ chính xác 98,10%.
  • Yong Xia và cộng sự ([16]) kết hợp biến đổi STFT và wavelet để chuyển tín hiệu 1D thành ma trận 2D, áp dụng CNN 10 lớp với 2 lớp tích chập kích thước kernel 3x11 và 2x11, đạt độ chính xác 98,07%. Hạn chế: kích thước kernel chọn theo kiểu xử lý ảnh.
  • Yinsheng Ji và cộng sự ([17]) lọc nhiễu bằng phân rã chế độ thực nghiệm (EMD), chuyển tín hiệu 1D sang ảnh 2D và phân loại bằng Faster R-CNN, đạt độ chính xác 99,21%. Hạn chế: việc chuyển đổi 1D sang 2D không phản ánh bản chất chuỗi thời gian một chiều của tín hiệu ECG trong thực tế.
Tác giả và năm Tập dữ liệu Phương pháp thực hiện Hiệu suất / Độ chính xác
Zhao và cs. (2018) [18] PhysioNet/CinC 2017 & 2011 Chỉ số chất lượng tín hiệu (SQIs) + Hệ Fuzzy ACC = 97,67% (train), 94,67% (test)
Behadada và cs. (2013) [19] MIT-BIH Cây quyết định mờ (Fuzzy Decision Tree) ACC = 71%
Lei và cs. (2007) [20] MIT-BIH Tập mờ thích nghi (Fuzzy set) ACC = 88,2%
Pal và cs. (2012) [21] Dữ liệu Coronary Cơ cấu luật và cây Fuzzy SEN = 95,33% (không nêu ACC)
Ceylan và cs. (2009) [22] MIT-BIH (91 bệnh nhân) Mạng nơ-ron phân cụm mờ (Fuzzy Clustering NN) ACC = 99%
Alotaiby và cs. (2019) [23] PTB Database Common Spatial Pattern + SVM ACC = 93,01% (Lead II), 98,92% (Lead V3)
Ashtiyani và cs. (2018) [24] MIT-BIH (53 bản ghi) DWT + GA + SVM ACC = 95,54% (không GA), 97,14% (có GA)
Batra và cs. [25] Kho dữ liệu 45 mẫu SVM, Mạng Nơ-ron, Random Forest ACC = 84,4%
Nasiri và cs. (2009) [26] MIT-BIH (48 bản ghi) SVM + Giải thuật di truyền (GA) ACC = 93%
Polat và cs. (2008) [27] MIT-BIH Least Square SVM (LSSVM) ACC = 100% (chỉ phân loại xơ vữa động mạch)
Barman và cs. (2016) [28] MIT-BIH Lý thuyết Rough Set và sơ đồ lọc Không nêu cụ thể ACC
Tripathy và cs. (2011) [29] 250 bệnh nhân Rough Set + Luật quyết định + FCA Không nêu cụ thể ACC
Andreao và cs. (2006) [30] QT Database 2 kênh Mô hình Hidden Markov (HMM) SEN = 99,79% (không nêu ACC)
Anwar và cs. (2018) [31] MITDB & SVDB DWT + Khoảng cách RR + TEO + Mạng nơ-ron ACC = 99,8%
Priyadharshini và cs. (2015) [32] MIT-BIH Giải thuật di truyền (GA) ACC = 90%
Dalal và cs. (2016) [33] MIT-BIH PCA + Bộ phân loại Neural-Fuzzy ACC = 96%
Bensujin và cs. (2014) [34] MIT-BIH (48 bản ghi) Phân cụm K-means ACC = 89%
Feng và cs. (2019) [35] PTB Database CNN kết hợp LSTM ACC = 96,4%
Erdenebayar và cs. (2019) [36] AFDB, PAFDB, NSRDB Mạng CNN ACC = 98,7%
Vishwa và cs. (2011) [37] MIT-BIH & NSR Mạng FFNN + Lan truyền ngược (BP) ACC = 96,77% (MIT-BIH), 96,21% (NSR)
Jadhav và cs. (2012) [38] UCI Repository (45 mẫu) ANN + BP + Momentum ACC = 86,67% (phân loại nhị phân)

Khoảng trống nghiên cứu được luận án giải quyết:

  • Thiết lập giải thuật lọc nhiễu tích hợp để xử lý đồng thời các dạng nhiễu thực tế (PLI, BWN, EMG) mà vẫn bảo toàn năng lượng và dạng sóng nguyên bản của tín hiệu ECG, có khảo sát định lượng việc lựa chọn hàm wavelet tối ưu.
  • Khắc phục sự hạn chế của phương pháp PCA truyền thống khi trích chọn đặc trưng trên miền dữ liệu phi tuyến bằng cách tích hợp hàm hạt nhân (kernel) và biến đổi wavelet (wkPCA).
  • Thiết lập cơ sở toán học và cơ chế vật lý để xác định kích thước kernel cho các lớp tích chập trong mạng học sâu 1D CNN dựa trực tiếp trên các thành phần sóng con của nhịp tim, tránh việc chọn tham số tùy biến hoặc chuyển đổi khiên cưỡng sang dạng ảnh 2D.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khái niệm sử dụng

Luận án dựa trên lý thuyết điện sinh lý tim và các chuẩn đo lường điện tâm đồ:

  • Tín hiệu điện tim bao gồm các thành phần: sóng P (khử cực nhĩ, biên độ < 0,2 mV, thời gian 80 ms), phức hợp QRS (khử cực thất, thời gian 80–120 ms, gồm sóng âm Q, sóng dương R, sóng âm S), sóng T (tái cực muộn tâm thất, thời gian 160 ms), sóng U (tái cực chậm Purkinje/cơ tim tế bào M); các khoảng dẫn truyền: khoảng RR (0,6–1,2 s), khoảng PR (120–200 ms), khoảng QT (420 ms), phân đoạn PR (50–120 ms), phân đoạn ST (80–120 ms).
  • Các phương pháp mắc chuyển đạo gián tiếp: chuyển đạo song cực chi (D1, D2, D3), chuyển đạo đơn cực chi (aVR, aVL, aVF) và 6 chuyển đạo trước tim (V1 đến V6).
  • Quy chuẩn giấy ghi điện tim: tốc độ chuẩn 25 mm/s; ô lớn 5 mm tương ứng 0,2 s và 0,5 mV; ô nhỏ 1 mm tương ứng 0,04 s và 0,1 mV; tần số tim tính theo công thức $300 / (\text{số ô lớn giữa hai đỉnh R})$ (bpm).
  • Cơ sở biến đổi sóng con (Wavelet Transform - DWT), phân rã tín hiệu thành thành phần xấp xỉ (Approximation) và các thành phần chi tiết (Detail) qua các mức phân rã.
  • Cơ sở phương pháp phân tích thành phần chính với hàm hạt nhân (Kernel PCA) sử dụng hàm nhân Gaussian (RBF Kernel).
  • Cơ sở cấu trúc mạng nơ-ron nhân tạo truyền thẳng nhiều lớp (Multilayer Perceptron - MLP) và mạng nơ-ron tích chập 1 chiều (1D Convolutional Neural Network - 1D CNN).

Phương pháp nghiên cứu và quy trình kỹ thuật

Luận án áp dụng phương pháp nghiên cứu định lượng kết hợp thực nghiệm kỹ thuật:

  • Phương pháp tiền xử lý và lọc nhiễu: Đề xuất giải thuật WDFR (Wavelet Decomposition - Filter - Reconstruction) thực hiện phân rã wavelet mức 8, áp dụng ngưỡng cứng (hard thresholding) và ngưỡng mềm (soft thresholding) trên các hệ số chi tiết để triệt tiêu nhiễu đường cơ và nhiễu nguồn cung cấp, sau đó tái cấu trúc lại tín hiệu. Khảo sát 6 họ wavelet: dmey, bior5.5, db4, sym1, bior1.3, db1.
  • Phương pháp định vị đỉnh R và phân đoạn nhịp: Cải tiến thuật toán Pan-Tompkins để xác định vị trí đỉnh R trong phức hợp QRS, từ đó trích xuất các cửa sổ nhịp tim đơn lẻ phục vụ trích đặc trưng.
  • Phương pháp trích chọn đặc trưng wkPCA: Tín hiệu từng nhịp tim sau phân rã wavelet được ánh xạ phi tuyến sang không gian đặc trưng nhiều chiều thông qua hàm kernel Gaussian, sau đó áp dụng PCA để giảm chiều dữ liệu, giữ lại các thành phần đặc trưng mang phương sai lớn nhất.
  • Phương pháp phân loại:
    1. Sử dụng mạng MLP 4 lớp (1 lớp đầu vào, 3 lớp ẩn, 1 lớp đầu ra) để phân loại 5 nhóm bệnh tim từ véc tơ đặc trưng wkPCA.
    2. Xây dựng cấu trúc mạng học sâu 1D CNN gồm 7 lớp tích chập (Convolutional layers) kết hợp 4 lớp kết nối đầy đủ (Fully Connected layers). Kích thước kernel của các lớp tích chập được tính toán dựa trên độ rộng dải tần và chu kỳ của các thành phần sóng con (sóng P, phức hợp QRS, sóng T) trong nhịp tim.
  • Tiêu chí đánh giá chất lượng và hiệu suất:
    • Đánh giá bộ lọc: Tỷ số tín hiệu trên nhiễu (Signal-to-Noise Ratio - SNR) và sai số toàn phương trung bình (Mean Square Error - MSE).
    • Đánh giá phân loại: Ma trận nhầm lẫn (Confusion Matrix), diện tích dưới đường đặc tuyến hoạt động của bộ nhận (ROC / AUC), độ chính xác (Accuracy - ACC), độ nhạy (Sensitivity - SEN).

Nguồn tư liệu và dữ liệu nghiên cứu

  1. Cơ sở dữ liệu MIT-BIH Arrhythmia Database: Gồm 4000 bản ghi Holter 24 giờ thu thập từ năm 1975 đến 1979 tại Beth Israel Hospital (Boston, Hoa Kỳ). Tập chuẩn gồm 48 bản ghi thời lượng 30 phút/bản ghi từ 47 bệnh nhân (25 nam từ 32–89 tuổi, 22 nữ từ 23–89 tuổi), số hóa ở tần số lấy mẫu 360 Hz, độ phân giải 11-bit trên thang đo 10 mV. Định dạng dữ liệu WFDB gồm các tệp: .dat (tín hiệu nhị phân), .hea (thông tin tiêu đề), .atr (nhãn chú thích nhịp tim được kiểm định độc lập bởi ít nhất 2 bác sĩ tim mạch).
  2. Dữ liệu thực nghiệm tự thu thập: Tín hiệu ECG đo trực tiếp từ các đối tượng tại phòng thí nghiệm Kỹ thuật Y sinh - Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 thiết lập bối cảnh, tính cấp thiết và mục tiêu của đề tài. Tác giả trình bày các số liệu dịch tễ về bệnh tim mạch tại Việt Nam và trên thế giới, nhấn mạnh tầm quan trọng của việc chẩn đoán sớm thông qua phân tích tín hiệu ECG. Chương này phân tích chi tiết sơ đồ khối tổng quát của một hệ thống xử lý và phân loại bệnh tim (gồm: Thu thập dữ liệu ECG -> Tiền xử lý lọc nhiễu -> Trích đặc trưng và giảm chiều -> Phân loại bệnh tim -> Đánh giá hiệu suất). Tác giả khảo sát, phân tích ưu nhược điểm của 21 công trình nghiên cứu tiêu biểu trong và ngoài nước (tổng hợp trong Bảng 1.1), xác định rõ 2 mục tiêu nghiên cứu cụ thể, đối tượng, phạm vi nghiên cứu 5 nhóm bệnh theo chuẩn AAMI, phương pháp luận và cấu trúc tổng thể gồm 6 chương của luận án.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp toàn bộ nền tảng lý thuyết và cơ sở thực nghiệm phục vụ việc xây dựng các giải thuật:

  • Trình bày giải phẫu học và sinh lý điện tim, nguồn gốc và ý nghĩa bệnh lý của từng đỉnh sóng (P, Q, R, S, T, U) và các khoảng đo (RR, PR, QRS, ST, QT) được lượng hóa chi tiết trong Bảng 2.1.
  • Nguyên lý ghi đo ECG gián tiếp (chuyển đạo chi và trước tim), thông số chuẩn của giấy in điện tim (trục hoành 25 mm/s, trục tung 0,1 mV/mm).
  • Cấu trúc dữ liệu MIT-BIH Arrhythmia Database, chuẩn định dạng WFDB (.dat, .hea, .atr), bảng mã hóa 48 bản ghi và quy chiếu phân loại 5 nhóm nhịp tim N, S, V, F, Q theo chuẩn ANSI/AAMI EC57-2012 (chi tiết tại Bảng 2.2 và Bảng 2.3).
  • Cơ sở toán học của biến đổi wavelet rời rạc (DWT), phân tích thành phần chính (PCA), mạng nơ-ron Perceptron nhiều lớp (MLP), mạng nơ-ron tích chập (CNN) và các phương pháp đánh giá định lượng (SNR, MSE, ma trận nhầm lẫn, đường cong ROC).

Chương 3: Giải thuật WDFR cho lọc nhiễu của tín hiệu điện tim và tách nhịp tim

Chương 3 tập trung giải quyết công đoạn tiền xử lý tín hiệu:

  • Phân tích đặc tính các nguồn nhiễu chính: nhiễu nguồn cung cấp 50/60 Hz (PLI), nhiễu trôi lệch đường cơ sở tần số thấp < 0,5 Hz (BWN) và nhiễu điện cơ biên độ biến thiên (EMG).
  • Đề xuất giải thuật WDFR (Wavelet Decomposition - Filter - Reconstruction): Tín hiệu ECG được phân rã mức 8 bằng biến đổi wavelet thành thành phần xấp xỉ $A_8$ và 8 thành phần chi tiết $D_1 - D_8$. Các thành phần tần số tương ứng được phân tách để loại trừ nhiễu thông qua việc áp dụng ngưỡng cứng và ngưỡng mềm trên từng dải hệ số, sau đó khôi phục tín hiệu sạch.
  • Khảo sát thực nghiệm so sánh 6 hàm wavelet (dmey, bior5.5, db4, sym1, bior1.3, db1) trên tập MIT-BIH (có thêm nhiễu nhân tạo 5 dB) và tập dữ liệu tự thu thập tại PTN Kỹ thuật Y sinh. Đánh giá bằng phổ mật độ công suất (PSD), chỉ số SNR và MSE; kết quả chứng minh hàm dmey cho hiệu quả lọc nhiễu và bảo toàn biên độ phức hợp QRS vượt trội nhất.
  • Ứng dụng và cải tiến thuật toán Pan-Tompkins: qua các khâu lọc thông dải, đạo hàm, bình phương, tích phân cửa sổ trượt và định ngưỡng thích nghi để xác định chính xác đỉnh R, từ đó thực hiện phân đoạn tín hiệu thành từng nhịp tim riêng lẻ phục vụ cho khâu trích đặc trưng.

Chương 4: Trích đặc trưng tín hiệu điện tim dùng giải thuật wkPCA cho phân loại bệnh

Chương 4 trình bày giải pháp trích chọn đặc trưng và phân loại dựa trên mô hình học máy truyền thống:

  • Thiết lập giải thuật wkPCA: Từng đoạn nhịp tim đơn lẻ sau khi phân rã wavelet được ánh xạ sang không gian đặc trưng nhiều chiều thông qua hàm nhân Gaussian Kernel ($k(x, y) = \exp(-\gamma ||x - y||^2)$). Phép chiếu kernel giúp chuyển đổi các đặc trưng phi tuyến của các dạng nhịp tim khác nhau thành dạng phân tách tuyến tính, sau đó thuật toán PCA được áp dụng để trích xuất tập véc tơ đặc trưng tối ưu có số chiều thấp nhất.
  • Đồ thị tích lũy phương sai chứng minh wkPCA gom cụm dữ liệu của 5 nhóm bệnh (N, S, V, F, Q) rõ nét hơn hẳn so với dữ liệu trong không gian gốc và phương pháp PCA thông thường.
  • Thiết kế mạng nơ-ron truyền thẳng MLP 4 lớp (gồm 1 lớp đầu vào, 3 lớp ẩn với số nơ-ron được tối ưu hóa, 1 lớp đầu ra 5 nút) sử dụng thuật toán lan truyền ngược.
  • Thực nghiệm kiểm tra trên tập dữ liệu nhịp tim MIT-BIH với các kịch bản phân chia tập huấn luyện và kiểm tra khác nhau. Đánh giá chi tiết qua ma trận nhầm lẫn, độ chính xác phân loại từng lớp và diện tích dưới đường cong ROC.

Chương 5: Tính toán kích thước kernel của các lớp tích chập trong mạng học sâu cho phân loại bệnh tim

Chương 5 phát triển mô hình học sâu 1D CNN tích hợp trực tiếp khâu trích đặc trưng và phân loại:

  • Đề xuất phương pháp tính toán kích thước kernel cho các lớp tích chập: Thay vì chọn kích thước kernel một cách ngẫu nhiên hoặc áp dụng kích thước từ mạng xử lý ảnh 2D, luận án đề xuất công thức xác định kích thước kernel dựa trên độ dài sóng con và tần số lấy mẫu của các thành phần sóng P, QRS, T trong nhịp tim.
  • Cấu trúc mạng học sâu đề xuất gồm 7 lớp tích chập 1D (1D Convolutional layers) kết hợp pooling, sau đó kết nối trực tiếp với 4 lớp kết nối đầy đủ (Fully Connected layers) và lớp Softmax đầu ra để phân loại 5 nhóm bệnh tim.
  • Khảo sát các tham số ảnh hưởng đến hiệu suất mạng:
    • Tác động của chiều dài cửa sổ cắt một nhịp tim (khảo sát các mức chiều dài mẫu khác nhau quanh đỉnh R).
    • Tác động của các họ hàm wavelet dùng trong trích xuất thành phần.
    • Tác động của số lượng lớp tích chập (khảo sát cấu hình thay đổi từ 1 đến 9 lớp tích chập; cấu hình 7 lớp cho hiệu suất tối ưu giữa độ chính xác và chi phí tính toán).
  • Kết quả huấn luyện và kiểm tra được thể hiện qua hàm mất mát (loss function), ma trận nhầm lẫn và bảng so sánh hiệu suất với các nghiên cứu công bố quốc tế.
  • Thiết kế mô hình kiến trúc hệ thống chẩn đoán bệnh tim từ xa: Bộ phân loại mạng học sâu được cài đặt trên máy chủ (Host Server); tín hiệu ECG của bệnh nhân được truyền tải qua Internet lên máy chủ để phân loại và trả kết quả tự động về cho bác sĩ điều trị.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết toàn bộ các kết quả đạt được của luận án: hoàn thiện chu trình xử lý tín hiệu ECG từ tiền xử lý lọc nhiễu WDFR, định vị đỉnh R bằng Pan-Tompkins, trích đặc trưng bằng wkPCA kết hợp MLP, đến mô hình mạng học sâu 1D CNN với kernel tính toán theo sóng con. Đồng thời, chương này vạch ra các định hướng nghiên cứu tiếp theo nhằm nâng cao tính ứng dụng thực tiễn.

Kết quả và những đóng góp mới

Những đóng góp mới về mặt lý luận và khoa học

Căn cứ vào phần công bố đóng góp mới của luận án, công trình có 3 đóng góp khoa học chính:

  1. Đề xuất giải thuật lọc nhiễu WDFR (Wavelet Decomposition - Filter - Reconstruction): Kết hợp biến đổi wavelet mức 8 với ngưỡng cứng và ngưỡng mềm, khảo sát định lượng và xác định hàm wavelet dmey là tối ưu nhất để loại bỏ triệt để nhiễu nguồn cung cấp (PLI) và nhiễu trôi đường cơ sở (BWN) mà vẫn bảo toàn hình dạng phức hợp QRS. Cải tiến thuật toán Pan-Tompkins giúp xác định chính xác đỉnh R và phân đoạn từng nhịp tim.
  2. Đề xuất giải thuật trích đặc trưng wkPCA (Wavelet Kernel Principal Component Analysis): Kết hợp biến đổi wavelet với phương pháp phân tích thành phần chính trên nền tảng hàm hạt nhân Gaussian (Kernel PCA). Giải thuật cho phép ánh xạ tín hiệu nhịp tim sang không gian mới để phân tách các đặc trưng phi tuyến phức tạp giữa 5 nhóm bệnh tim, làm giảm đáng kể số chiều dữ liệu khi đưa vào mạng nơ-ron truyền thẳng 4 lớp (MLP).
  3. Đề xuất mô hình mạng học sâu 1D CNN với giải thuật tính toán kích thước kernel theo sóng con: Thiết lập cấu trúc mạng gồm 7 lớp tích chập và 4 lớp kết nối đầy đủ; đề xuất phương pháp tính toán kích thước kernel của các lớp tích chập dựa trên độ dài vật lý và dải tần của các thành phần sóng con (sóng P, phức hợp QRS, sóng T), giúp mạng tự động học trích xuất đặc trưng đầy đủ và đạt độ chính xác phân loại cao trên tín hiệu 1D gốc.

Ý nghĩa thực tiễn và giải pháp đề xuất

  • Xây dựng mô hình hệ thống chẩn đoán bệnh tim từ xa: Mô hình phân loại được triển khai trên máy chủ kết nối mạng Internet. Bác sĩ có thể tải dữ liệu ECG của bệnh nhân lên hệ thống và nhận kết quả phân loại tự động, hỗ trợ đưa ra chẩn đoán lâm sàng sớm và xây dựng phác đồ điều trị kịp thời.
  • Tạo tiền đề thuật toán phục vụ thiết kế, chế tạo các thiết bị đo và phân loại bệnh tim cầm tay (Point-of-Care / wearable ECG devices) ứng dụng trong chăm sóc sức khỏe ban đầu.
  • Ứng dụng trực tiếp vào công tác giảng dạy, nghiên cứu chuyên ngành Kỹ thuật Y sinh tại Bộ môn Điện tử Công nghiệp – Y sinh, Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu:

  • Phạm vi phân loại tập trung vào 05 nhóm nhịp tim chuẩn theo ANSI/AAMI EC57-2012 (N, S, V, F, Q) từ cơ sở dữ liệu có sẵn MIT-BIH và thực nghiệm tại phòng thí nghiệm, chưa mở rộng phân loại chi tiết các bệnh lý rối loạn nhịp chuyên sâu khác.
  • Hệ thống chẩn đoán từ xa dừng lại ở mức độ thiết kế mô hình kiến trúc và thử nghiệm xử lý trên máy tính chủ, chưa triển khai thử nghiệm lâm sàng diện rộng trên các ca bệnh thực tế tại bệnh viện.

Hướng nghiên cứu tiếp theo:

  • Tích hợp và tối ưu hóa giải thuật WDFR, wkPCA và mạng học sâu 1D CNN vào vi điều khiển/chip xử lý tín hiệu số chuyên dụng (DSP/FPGA) để chế tạo hoàn chỉnh thiết bị đo điện tim cầm tay nhỏ gọn.
  • Mở rộng tập dữ liệu và nâng cấp mô hình để chẩn đoán thêm nhiều bệnh lý tim mạch phức tạp khác (như thiếu máu cơ tim cục bộ, nhồi máu cơ tim đa vùng, hội chứng QT kéo dài/ngắn).
  • Hoàn thiện phần mềm máy chủ chẩn đoán từ xa, xây dựng giao diện ứng dụng di động kết nối đồng bộ và tiến hành đánh giá lâm sàng trực tiếp trên bệnh nhân tại các cơ sở y tế.

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên sâu có giá trị cho các nhóm đối tượng:

  • Nghiên cứu sinh, học viên cao học và sinh viên chuyên ngành Kỹ thuật Điện tử, Kỹ thuật Y sinh, Công nghệ Thông tin và Xử lý Tín hiệu: Tham khảo phương pháp lọc nhiễu sóng con WDFR, cơ sở toán học của kernel PCA (wkPCA) và kỹ thuật thiết kế mạng 1D CNN tối ưu kích thước kernel cho tín hiệu y sinh một chiều.
  • Giảng viên và cán bộ nghiên cứu y sinh: Sử dụng làm tài liệu giảng dạy thực hành môn Xử lý tín hiệu số y sinh, Mạng nơ-ron và Học sâu trong y tế.
  • Kỹ sư phát triển thiết bị y tế: Ứng dụng các thuật toán phân đoạn nhịp, lọc nhiễu và phân loại nhịp tim vào quá trình phát triển firmware cho máy theo dõi điện tim Holter, máy monitor theo dõi bệnh nhân và các thiết bị đeo thông minh (wearable healthcare devices).
  • Bác sĩ và chuyên gia tim mạch: Tham khảo quy trình phân loại tự động và mô hình hỗ trợ chẩn đoán bệnh tim từ xa để ứng dụng vào hệ thống khám chữa bệnh từ xa (Telemedicine).

Câu hỏi thường gặp

1. Luận án giải quyết phân loại những nhóm bệnh tim nào theo tiêu chuẩn nào?

Luận án thực hiện phân loại 05 nhóm nhịp tim theo tiêu chuẩn ANSI/AAMI EC57-2012 từ tập dữ liệu MIT-BIH Arrhythmia Database, bao gồm:

  • Nhóm N: Nhịp tim bình thường (Normal beats).
  • Nhóm S: Nhịp tim ngoại tâm thu trên thất (Supraventricular ectopic beats).
  • Nhóm V: Nhịp tim ngoại tâm thu thất (Ventricular ectopic beats).
  • Nhóm F: Hợp nhịp (Fusion beats).
  • Nhóm Q: Nhịp tim chưa xác định / nhịp tim khác (Unknown beats).

2. Giải thuật WDFR hoạt động như thế nào và hàm wavelet nào cho kết quả tốt nhất?

Giải thuật WDFR (Wavelet Decomposition - Filter - Reconstruction) thực hiện phân rã tín hiệu ECG thành 8 mức bằng biến đổi wavelet rời rạc (DWT) để thu được thành phần xấp xỉ $A_8$ và 8 thành phần chi tiết $D_1 - D_8$. Sau đó, phương pháp ngưỡng cứng và ngưỡng mềm được áp dụng trên các thành phần chi tiết để triệt tiêu nhiễu tần số cao (nhiễu nguồn điện PLI, nhiễu điện cơ) và thành phần xấp xỉ để loại bỏ trôi đường cơ sở (BWN), cuối cùng khôi phục lại tín hiệu ECG sạch. Qua khảo sát thực nghiệm trên 6 hàm wavelet (dmey, bior5.5, db4, sym1, bior1.3, db1), hàm dmey cho giá trị SNR cao nhất và MSE nhỏ nhất, bảo toàn tốt nhất biên độ sóng.

3. Phương pháp trích đặc trưng wkPCA có điểm gì khác biệt so với PCA truyền thống?

Phương pháp PCA truyền thống chỉ thực hiện các phép chiếu tuyến tính trong không gian ban đầu, kém hiệu quả khi phân tách các tín hiệu nhịp tim có đặc tính biến thiên phi tuyến. Giải thuật wkPCA kết hợp phân rã wavelet với hàm nhân Gaussian (RBF Kernel) để ánh xạ các hệ số nhịp tim sang không gian đặc trưng mới có số chiều cao hơn, biến đổi các quan hệ phi tuyến thành phân tách tuyến tính trước khi áp dụng PCA để nén và chọn lọc các thành phần đặc trưng mang phương sai lớn nhất.

4. Điểm đặc thù trong thiết kế mạng học sâu 1D CNN của luận án là gì?

Khác với các nghiên cứu trước đây chọn kích thước kernel tùy ý hoặc chuyển tín hiệu ECG 1D thành ma trận ảnh 2D rồi áp dụng các kernel xử lý ảnh (như 3x11, 2x11), luận án đề xuất phương pháp tính toán kích thước kernel cho 7 lớp tích chập 1D dựa trực tiếp trên thời gian kéo dài và dải tần số vật lý của các sóng con cấu thành nhịp tim (sóng P, phức hợp QRS, sóng T). Điều này giúp mạng tích chập trích xuất đặc trưng hình thái học chính xác ngay trên tín hiệu chuỗi thời gian 1D gốc mà không làm gia tăng độ phức tạp tính toán.

5. Dữ liệu thực nghiệm của luận án được lấy từ những nguồn nào?

Dữ liệu nghiên cứu gồm hai nguồn chính:

  • Cơ sở dữ liệu chuẩn MIT-BIH Arrhythmia Database gồm 48 bản ghi tín hiệu ECG (thời lượng 30 phút/bản ghi, tần số lấy mẫu 360 Hz, độ phân giải 11-bit) với nhãn phân loại được xác thực độc lập bởi các bác sĩ chuyên khoa.
  • Cơ sở dữ liệu tín hiệu ECG thực tế thu nhận trực tiếp từ người đo tại phòng thí nghiệm Kỹ thuật Y sinh - Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Thanh Nghĩa đã giải quyết có hệ thống chu trình xử lý và phân loại tín hiệu điện tim (ECG) nhằm hỗ trợ nâng cao chất lượng chẩn đoán bệnh tim mạch. Các giải pháp kỹ thuật chính được đề xuất và chứng minh bằng thực nghiệm gồm: giải thuật lọc nhiễu và tách nhịp WDFR sử dụng hàm wavelet dmey, giải thuật trích chọn đặc trưng phi tuyến wkPCA kết hợp mạng MLP 4 lớp, và mô hình mạng học sâu 1D CNN (7 lớp tích chập, 4 lớp kết nối đầy đủ) với phương pháp tính toán kích thước kernel theo dạng sóng con của nhịp tim. Công trình cung cấp cơ sở khoa học và giải pháp thực nghiệm tin cậy cho việc phát triển các thiết bị phân tích điện tim cầm tay cũng như hệ thống chẩn đoán tim mạch từ xa qua môi trường mạng.