Chương 1: Tổng quan [8]. Cụ thể, tác giả sử dụng các bộ lọc để loại bỏ thành phần nhịp thở trong tín hiệu điện tim, tín hiệu sau khi đã lọc sẽ được đưa vào mạng nơ-ron logic mờ TSK (Takaga – Sugeno – Kang) để nhận dạng các loại bệnh tim. Trong luận án này, tác giả đề xuất phương pháp bổ sung 2 thông tin từ nhịp thở vào tín hiệu điện tim để cải thiện độ chính xác của quá trình nhận dạng tín hiệu ECG. Hơn nữa, tác giả cũng sử dụng mô hình mạng TSK để nhận dạng tín hiệu ECG với 4 kịch bản khác nhau.
Kết quả nhận dạng tốt nhất thu được là 96.6% cho trường hợp nhận dạng 3 loại bệnh khác nhau. Tuy nhiên, hạn chế của nghiên cứu này là đề tài chỉ đề xuất loại bỏ ảnh hưởng từ nhịp thở lên tín hiệu nhịp tim mà không khảo sát loại bỏ các nhiễu khác. Hệ thống cũng đề xuất họ wavelet Coiflet với phân tích ở bậc 4 để cải thiện chất lượng nhận dạng và cũng có khảo sát với một số hàm wavelet khác, nhưng chưa thực hiện khảo sát với nhiều hàm wavelet khác và cũng chưa giải thích được lý do sử dụng các hàm wavelet được lựa chọn. Luận án tiến sĩ của tác giả Phạm Văn Nam với đề tài “Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp” được bảo vệ năm 2018 đã nghiên cứu xây dựng một bộ nhận dạng kết hợp nhằm nâng cao độ chính xác của việc phân loại tín hiệu loạn nhịp tim.
Cụ thể, đề tài này sử dụng thuật toán cây quyết định được kết hợp từ các bộ phân loại dùng phương pháp mạng nơ-ron truyền thẳng nhiều lớp MLP, phương pháp máy véc tơ hỗ trợ SVM, và phương pháp rừng ngẫu nhiên RF [9] để phân loại tín hiệu điện tim bình thường hoặc bất thường. Trong đó, ngõ ra của các bộ phân loại MLP, SVM và RF sẽ được đưa vào bộ phân loại cây quyết định để quyết định loại tín hiệu điện tim là bình thường hoặc bất thường. Kết quả độ chính xác nhận dạng tín hiệu điện tim bình thường hoặc bất thường thu được của hệ thống được đề xuất là 98. Nghiên cứu này đã thu được độ chính xác phân loại bệnh là rất tốt, tuy nhiên kết quả phân loại chưa được đánh giá bởi các công cụ như vẽ đường cong ROC để nâng cao độ tin cậy cho giải pháp được đề xuất.
Hơn nữa, thiết bị được xây dựng để thu thập tín hiệu và chuẩn đoán bệnh tim từ tín hiệu điện tim thu được thì chưa được đánh giá về mặt chất lượng cũng như độ tin cậy. Trang – 4 – Chương 1: Tổng quan Các nghiên cứu trong nước về tín hiệu điện tim cũng như phân loại bệnh tim từ tín hiệu là tương đối hạn chế, tuy nhiên các nghiên cứu ngoài nước về lĩnh vực phân loại bệnh tim từ tín hiệu điện tim đã được thực hiện phong phú hơn. Trong tài liệu tham khảo [10], tác giả R. Rodríguez và các cộng sự đã đề xuất phương pháp ngưỡng thích nghi kết hợp với phương pháp phân tích thành phần chính PCA để trích đặc trưng của tín hiệu điện tim ECG.
Trong đó, các tác giả tập trung vào việc trích thành phần đặc trưng của phức hợp QRS như là một đặc trưng của tín hiệu điện tim ECG. Cụ thể, thành phần phức hợp QRS được trích sử dụng biến đổi Hilbert và kết hợp với thuật toán PCA dựa trên kỹ thuật ngưỡng thích nghi để trích thành phần đặc trưng của tín hiệu ECG. Tuy nhiên, nghiên cứu này đề xuất bộ lọc thông dãi Butterworth bậc 6 để lọc nhiễu trên tín hiệu điện tim với tần số cắt được cài đặt trong khoảng từ 5Hz đến 15Hz. Với việc chọn tần số cắt dưới là 5Hz, khả năng bị mất thông tin hữu ích trong tín hiệu điện tim là khá cao.
Hơn nữa, trong [11], Saeed Mian Qaisar và các cộng sự đã thiết kế một hệ thống phân loại bệnh tim sử dụng kết hợp phép biến đổi wavelet và thuật toán phân loại rừng ngẫu nhiên RF. Trong đó, thuật toán biến đổi wavelet được áp dụng để phân tích tín hiệu điện tim nhằm loại bỏ nhiễu và trích đặc trưng. Các đặc trưng của bệnh tim trích được ở trước sẽ được phân loại dựa vào thuật toán rừng ngẫu nhiên. Kết quả độ chính xác phân loại của hệ thống này là 97%.
Nghiên cứu này tập trung vào trích các đặc trưng nhằm giảm sự phức tạp của quá trình tính toán. Từ đó nghiên cứu hướng đến ứng dụng thuật toán vào các thiết bị cầm tay. Tuy nhiên, độ chính xác phân loại các loại bệnh tim trong nghiên cứu này là chưa cao. Trong nghiên cứu [12], Taiyong Li và các cộng sự đã đề xuất phương pháp wavelet packet entropy để lựa chọn đặc trưng trong tín hiệu ECG cho việc phân loại các loại bệnh tim.
Cụ thể, tín hiệu nhịp tim từ tập dữ liệu điện tim MIT-BIH ECG được phân tích dùng phương pháp wavelet packet để thu được các hệ số sau khi phân tích. Phương pháp entropy được sử dụng cho các hệ số sau khi phân tích để thu được các đặc trưng của tín hiệu điện tim. Hơn nữa, thông tin của khoảng cách hai đỉnh RR trong phức hợp QRS cũng được sử dụng như là một đặc trưng. Bộ phân loại rừng Trang – 5 – Chương 1: Tổng quan ngẫu nhiên được sử dụng để phân loại các đặc trưng của tín hiệu nhịp tim ở trên nhằm đánh giá hiệu quả của phương pháp trích đặc trưng.
Độ chính xác của bộ phân loại bệnh tim thu được là 94.61 % cho trường hợp phân loại 5 loại bệnh tim. Hongqiang Li và các cộng sự [13] đã đề xuất một hệ thống phân loại bệnh tim kết hợp giữa thuật toán phân tích dùng wavelet để trích đặc trưng của tín hiệu và mạng nơ-ron GA-BPNN để phân loại bệnh tim. Cụ thể, tín hiệu điện tim được phân rã sử dụng phép biến đổi wavelet để trích đặc trưng các loại bệnh tim từ tín hiệu nhịp tim. Phương pháp GA được áp dụng để giảm chiều của tập dữ liệu đặc trưng và tối ưu hóa các trọng số và độ lệch của mạng nơ-ron.
Trong nghiên cứu này, 48 đặc trưng của một tín hiệu nhịp tim thu được từ phép biến đổi wavelet. Phương pháp GA được áp dụng để giảm số lượng đặc trưng từ 48 xuống 25 đặc trưng trước khi đưa vào mạng BPNN để phân loại bệnh. Mặc dù số lượng đặc trưng được giảm gần 50% trong nghiên cứu này, tuy nhiên độ chính xác phân loại thu được chỉ đạt 97. Phương pháp biến đổi wavelet rời rạc kết hợp với bộ mã hóa rời rạc sparse autoencoder và bộ phân loại Softmax đã được Di Wang và các cộng sự [14] đề xuất để phân loại bệnh tim.
Cụ thể, tín hiệu nhịp tim gốc trước tiên được chuyển đổi sang miền wavlet ở mức 9 dùng hàm daubechies (db2) nhằm thu được các hệ số wavelet. Từ đó, phương pháp ngưỡng mềm được áp dụng để loại bỏ các thành phần nhiễu không mong muốn và giữ lại các thành phần thông tin cần thiết. Tiếp theo, một bộ mã hóa rời rạc dùng mạng nơ-ron với 2 lớp ẩn được áp dụng để học các đặc trưng của tín hiệu nhịp tim đã được lọc nhiễu. Cuối cùng, một bộ phân loại Softmax được sử dụng để phân loại các loại bệnh tim.
Tập dữ liệu điện tim MIT-BIH được sử dụng để kiểm tra hiệu quả của phương pháp được đề xuất, kết quả thu được là độ chúng xác phân loại bệnh tim đạt 96. Trong nghiên cứu này, ưu điểm là mạng nơ-ron được áp dụng có cấu trúc khá đơn giản, tuy nhiên độ chính xác phân loại bệnh tim thu được là không cao và cần được cải thiện thêm. Trong nghiên cứu [15], Shu Lih Oh và các cộng sự đã đề xuất một hệ thống mạng học sâu kết hợp CNN và LSTM để trích đặc trưng và phân loại bệnh tim tự Trang – 6 – Chương 1: Tổng quan động. Trong nghiên cứu này, tín hiệu nhịp tim được cắt với chiều dài 260 mẫu từ dữ liệu gốc mà không qua bộ lọc.
Một hệ thống mạng học sâu kết hợp CNN và LSTM với 10 lớp được áp dụng để trích đặc trưng và phân loại các loại bệnh tim. Độ chính xác phân loại bệnh tim thu được của hệ thống là 98.10% đối với tập dữ liệu điện tim MIT-BIH. Ưu điểm của hệ thống này là tín hiệu điện tim không cần qua bộ lọc để loại bỏ nhiễu, nên thời gian xử lý được rút ngắn. Tuy nhiên, khi độ chính xác của việc phân loại bệnh tim cần được quan tâm hàng đầu thì độ chính xác phân loại vẫn cần được cải thiện.
Bằng cách thêm vào khối tiền xử lý để lọc nhiễu tín hiệu thì có thể nâng cao độ chính xác của hệ thống phân loại. Yong Xia và các cộng sự [16] đã đề xuất hệ thống kết hợp biến đổi Fourier trong thời gian ngắn STFT với bến đổi wavelet để chuyển tín hiệu điện tim từ kiểu dữ liệu 1 chiều sang kiểu dữ liệu 2 chiều. Từ đó, một mạng học sâu được áp dụng để phân loại các loại bệnh tim. Cụ thể, tín hiệu điện tim được lọc nhiễu với bộ lọc thông dãi bậc 10 và tần số dãi thông là 0.
Tín hiệu điện tim sau đó được cắt ra thành từng đoạn để đưa vào bộ biến đổi STFT và wavelet nhằm xây dựng ma trận tín hiệu nhịp tim cho phù hợp với cấu trúc mạng học sâu dùng để phân loại ảnh. Từ đó, một mạng học sâu với tất cả 10 lớp với 2 lớp tích chập có kích thước kernel lần lược là 3x11 và 2x11 được áp dụng để phân loại bệnh tim. Trong hệ thống này, ưu điểm là tín hiệu điện tim 1 chiều được áp dụng biến đổi STFT và wavelet để chuyển sang ma trận 2 chiều giống như ảnh nhằm áp dụng các mạng phân loại ảnh đã được nghiên cứu trước đây. Tuy nhiên kích thước các kernel được chọn theo kiểu phân loại ảnh nên hiệu suất phân loại chỉ đạt được 98.
Trong một nghiên cứu khác, Yinsheng Ji và các cộng sự [17] đã đề xuất một hệ thống phân loại bệnh tim dùng mạng học sâu Faster R-CNN. Cụ thể, tín hiệu điện tim được lọc bỏ nhiễu dùng thuật toán phân rã dựa vào chế độ thực nghiệm. Sau đó, tín hiệu nhịp tim được chuyển từ dạng tín hiệu 1 chiều sang ảnh 2 chiều để đưa vào mạng trích đặc trưng và phân loại bệnh tim. Một mạng học sâu Faster R-CNN đã được áp dụng để phân loại các loại bệnh tim và kết quả độ chính xác phân loại bệnh tim thu được là 99.