Đặt vấn đề Trong những năm gần đây, sự bùng nổ của công nghệ thông tin và ứng dụng của nó trong sản xuất và dịch vụ đã mang lại nhiều thay đổi đáng kể, tác động lớn đến tăng trưởng kinh tế và xã hội. Đặc biệt, cuộc cách mạng công nghiệp 4.0 với các ứng dụng cốt lõi của trí tuệ nhân tạo, internet vạn vật (IoT) và dữ liệu lớn nhằm thiết lập một hệ thống sản xuất tích hợp cao kết nối tất cả các máy công cụ, máy tính và cảm biến để sản xuất nhanh chóng và hiệu quả. Những cải tiến về công nghệ cảm biến đã làm cho việc thu thập khối lượng lớn dữ liệu chuỗi thời gian trong thời gian thực trở nên khả thi [1]. Những tiến bộ gần đây trong công nghệ đã mang lại những đột phá lớn trong việc thu thập dữ liệu, cho phép thu thập một lượng lớn dữ liệu theo thời gian và do đó tạo ra chuỗi thời gian.
Khai thác dữ liệu này đã trở thành một nhiệm vụ quan trọng đối với các nhà nghiên cứu và thực hành trong vài năm qua, bao gồm cả việc phát hiện các điểm khác thường hoặc bất thường có thể đại diện cho các lỗi hoặc sự kiện quan tâm Liên quan đến quá trình phân tích dữ liệu trên dữ liệu cảm biến, cần phải phát hiện ra các trạng thái khác thường hoặc bất ngờ trong một hệ thống đang được theo dõi bởi cảm biến [2]. Quy trình này còn được gọi là phát hiện ngoại lệ hoặc dị thường. Các tín hiệu y sinh là nguồn thông tin cơ bản về sức khỏe con người vì chúng cung cấp bản xem trước các chức năng của hệ thống cơ thể. Cụ thể, trên hệ thống tim, thông tin phổ biến nhất được các bác sĩ lâm sàng sử dụng để suy luận về tình trạng khỏe mạnh liên quan đến hoạt động điện của tim.
Sự bất thường trong một hoặc nhiều bước của mô hình chu kỳ tim, cho dù là sự dẫn truyền điện hoặc dị dạng mô, có thể dẫn đến rối loạn nhịp tim hoặc các vấn đề khác. Rối loạn nhịp tim được cho là xảy ra nếu tim đập quá sớm, quá muộn, chậm, nhanh hoặc khoảng thời gian không đều. Trong số nhiều hình dạng khác nhau của rối loạn nhịp tim, rung nhĩ là phổ biến nhất, gây ra khoảng 1% dân số thế giới. Mặc dù bản thân hầu hết các rối loạn nhịp tim đều 1 không đe dọa đến tính mạng, nhưng chúng cũng liên quan đến các rối loạn khác như đột quỵ, suy tim và bệnh mạch vành.
Ngoài ra, các triệu chứng liên quan đến rối loạn nhịp tim như đau ngực, mệt mỏi và mất tập trung, giảm chất lượng cuộc sống và có thể ảnh hưởng đến việc thực hiện các công việc hàng ngày đơn giản. Chẩn đoán sớm là điều cần thiết để tránh hoặc giảm thiểu các tình trạng nghiêm trọng. Bệnh tim là một trong những nguyên nhân gây tử vong nhiều nhất trên toàn cầu. Vì vậy, việc phát hiện sớm các vấn đề về bệnh tim là rất quan trọng để giảm tỉ lệ tử vong đang gia tăng.
Để chẩn đoán các rối loạn nhịp tim hoặc các bệnh lý về tim mạch, một số công cụ và kỹ thuật về tim có thể được sử dụng như kiểm tra mức độ căng thẳng, siêu âm tim và đo điện tâm đồ tiêu chuẩn (ECG). Điện tâm đồ cho biết hoạt động điện của tim bằng cách đặt các điện cực trên da bệnh nhân. Kiểm tra hồ sơ dữ liệu điện tâm đồ đo được, các bác sĩ lâm sàng và các chuyên gia có thể phát hiện ra các bất thường trong tim mạch của người bệnh. Điện tâm đồ được tạo ra bởi một kích thích xung thần kinh đến tim.
Dòng điện được khuếch tán xung quanh bề mặt của cơ thể. Dòng điện trên bề mặt cơ thể sẽ hình thành dựa trên sự sụt giảm điện áp, có giá trị từ vài μV đến mV với sự thay đổi xung lực. Thông thường, đây là một biên độ xung rất nhỏ, đòi hỏi một vài nghìn lần khuếch đại. Rối loạn nhịp tim là do sự bất thường trong hệ thống dẫn truyền của tim.
Vì vậy, một trong những công cụ hiệu quả nhất để chẩn đoán rối loạn nhịp tim là thực hiện theo dõi điện tâm đồ. Tuy nhiên, tính không tuyến tính và sự phức tạp của các tín hiệu điện tâm đồ bất thường khiến cho việc phát hiện các đặc điểm của nó trở nên rất khó khăn. Bên cạnh đó, có thể mất thời gian để kiểm tra các tín hiệu điện tâm đồ này theo cách thủ công thông thường. Dữ liệu chuỗi thời gian tồn tại trong nhiều ứng dụng thực tế: trong các lĩnh vực khoa học kỹ thuật, kinh tế, tài chính, y tế, v.
Việc tìm kiếm những chuỗi con bất thường xuất hiện trong các tập cơ sở dữ liệu chuỗi thời gian là một công việc rất cần thiết trong những lĩnh vực này. Trong vài chục năm gần đây, có nhiều nhóm 2 nghiên cứu đã đề xuất rất nhiều phương pháp phát hiện chuỗi bất thường trên dữ liệu chuỗi thời gian. Các phương pháp này đa số đều dựa vào một trong những công cụ dưới đây: Cửa sổ trượt (Window based) Sự tương tự (Proximity based) Dự đoán (Prediction Based) Mô hình Markov ẩn (Hidden Markow Models Based) Phân đoạn (Segmentation Based) Tín hiệu điện tâm đồ (ECG) là một chuỗi dữ liệu chuỗi thời gian biểu thị các xung điện của cơ tim. Tín hiệu điện tâm đồ được ghi lại từ nhiều điện cực được gắn trực tiếp trên da.
Hầu hết các bác sĩ thường sử dụng ECG như một công cụ không xâm lấn để phát hiện và chẩn đoán các bệnh tim. Hai đặc điểm quan trọng của tín hiệu điện tâm đồ là ghi nhiều tín hiệu từ các vị trí khác nhau của cơ tim và dạng sóng tuần hoàn của nó [3] được đồng bộ với chu kỳ tim. Một tín hiệu ECG bình thường bao gồm năm phân đoạn hình thái, đó là, các dạng sóng P-QRS-T tương ứng với độ dẫn điện trong toàn bộ chu chuyển tim. Một chu chuyển tim bao gồm quá trình khử cực và tái phân cực từ tâm nhĩ đến tâm thất.
Điện tâm đồ từ các đạo trình khác nhau có thể khác nhau về hình thái tùy thuộc vào vector của tim. Hình thái điện tâm đồ trong mỗi chuyển đạo phản ánh hoạt động điện trong mỗi đoạn của cơ tim. Do đó, điện tâm đồ đa hạt có thể được sử dụng để giải thích hoạt động điện của toàn bộ tim và rất hữu ích để phát hiện bất thường cơ tim. Phát hiện bất thường trong tín hiệu điện tâm đồ là một kỹ thuật quan trọng để phát hiện nhịp tim khác thường, giúp xác định các bất thường trong tín hiệu điện tâm đồ trước quá trình chẩn đoán.
Các phương pháp phát hiện bất thường trên điện tâm đồ hiện có, từ trong lĩnh vực nghiên cứu học thuật đến các máy đo điện tâm đồ hiện đang có mặt trong ngành thiết bị y tế, vẫn có tỷ lệ báo động giả cao vì các phương pháp này không thể phân biệt các tín hiệu ECG giả với tín hiệu ECG thực, đặc biệt, trong các tín hiệu ECG giả tương tự như tín hiệu ECG thực về hình dạng và/hoặc tần 3 số. Vấn đề này dẫn đến mức cảnh giác cao cho các bác sĩ và nguy cơ hiểu sai đối với những người không đủ chuyên môn.1: Một mẫu kết quả điện tâm đồ 12 chuyển đạo được ghi lại từ một bệnh nhân bình thường. Tín hiệu ECG giả xảy ra ở đạo trình V1. Một máy đo điện tâm đồ giải thích những tín hiệu điện tâm đồ này là tín hiệu bất thường trong khi bác sĩ tim mạch chẩn đoán chúng là tín hiệu điện tâm đồ bình thường với tín hiệu giả (ghi chú viết tay).
Do đó, phát hiện bất thường trên điện tâm đồ ngày càng trở thành một nhiệm vụ phổ biến trong nghiên cứu và thực hành. Nó được sử dụng để phát hiện bất kỳ khoảng thời gian nào có nhịp ECG bất thường. Độ chính xác của phương pháp phát hiện dị thường phản ánh trực tiếp kết quả phát hiện và chẩn đoán các bệnh về tim. Tuy nhiên, các thuật toán hiện có được cho là chưa đạt được độ chính xác cao, vẫn bị báo động sai kết quả [4], [5].
Kết quả cảnh báo sai thường xảy ra vì thuật toán phát 4 hiện một số sóng ECG dưới dạng nhịp bất thường; trên thực tế, các sóng ECG đó là nhịp đập bình thường của tim. SAX là một trong những phương pháp phổ biến xác định dữ liệu bất thường của dữ liệu chuỗi thời gian. Phương pháp xác định tổng hợp tượng trưng (SAX) [6] là một phương pháp đại diện cho các phương pháp tiếp cận dựa trên tìm kiếm tương tự (similarity search-based method). SAX có khả năng chuyển đổi dữ liệu số thành một chuỗi các ký tự trong bảng chữ cái và tính toán khoảng cách Euclide tối thiểu giữa các chuỗi con để xác định độ giống nhau của chúng.
Tương tự như SAX, Matrix Profile (MP) [7], [8] cũng là một phương pháp phổ biến của phương pháp tiếp cận dựa trên tìm kiếm tương tự để phát hiện dị thường. Phương pháp MP dựa trên khái niệm về cấu hình ma trận để tìm kiếm tất cả các cặp tương tự trên các dãy con của chuỗi thời gian. Giả sử rằng có một chuỗi thời gian, T và độ dài dãy con, m. Phương pháp MP tính toán khoảng cách của mỗi dãy con trong T đến lân cận gần nhất của nó bằng thang đo khoảng cách Euclide.
MP được áp dụng để khám phá các mô típ, từ ngữ, sơ đồ, v.2: Một minh họa về hồ sơ ma trận. Giá trị biên dạng ma trận tại vị trí i là khoảng cách giữa Ti và lân cận gần nhất của nó [7]. Từ những ưu điểm để ứng dụng của phương pháp SAX và MP, luận văn đưa ra một phương pháp mới nhằm kết hợp SAX và MP (ký hiệu là SAX-MP) để phát hiện điểm bất thường trong dữ liệu chuỗi thời gian. Phương pháp SAX-MP sẽ được áp dụng để phân tích điểm bất thường cho dữ liệu điện tâm đồ trong y khoa, hỗ trợ 5 cho việc chẩn đoán các bệnh lý tim mạch của các bác sĩ điện tâm đồ và bác sĩ điều trị.
Mục đích thực hiện Sử dụng kết hợp phương pháp SAX và Matrix Profile để phát hiện bất thường trong phân tích dữ liệu điện tâm đồ. Phương pháp SAX-MP được đề xuất có thể tận dụng những lợi ích, ưu điểm của cả 2 phương pháp SAX và MP, đồng thời giảm đáng kể những nhược điểm của chúng, tạo ra một giải thuật ứng dụng hiệu quả để phát hiện bất thường trong tín hiệu điện tâm đồ, phục vụ cho việc chẩn đoán trong y học.