Khóa Luận Tốt Nghiệp: Phát Hiện Nhồi Máu Cơ Tim Cấp Tính Dựa Trên Điện Tâm Đồ

Luận văn tốt nghiệp kỹ thuật nghiên cứu tốt nghiệp khoa học dữ liệu phát hiện nhồi máu cơ tim cấp tính có st chênh lên ở vị trí trước vách, điều tra thực trạng, phân tích số liệu,

• Tác giả: Huỳnh Lê Phương Vy
• Người hướng dẫn: TS. Nguyễn Tất Bảo Thiện
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Khoa học dữ liệu
• Đề tài: Phát Hiện Nhồi Máu Cơ Tim Cấp Tính Qua Điện Tâm Đồ
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI NÓI ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Giới thiệu khoá luận. Tầm quan trọng và tính ứng dụng của khóa luận
• 1.2. Các công trình nghiên cứu liên quan
• 1.2.1. Các công trình nghiên cứu liên quan đến điện tâm đồ
• 1.2.2. Các công trình nghiên cứu về phát hiện nhồi máu cơ tim
• 1.3. Nghiên cứu và đề xuất phương pháp
• 2. CHƯƠNG 2: CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN
• 3. CHƯƠNG 3: NGHIÊN CỨU VÀ ĐỀ XUẤT PHƯƠNG PHÁP
• 3.1. Bộ dữ liệu
• 3.2. Phương pháp tiền xử lý dữ liệu
• 3.3. Mô hình trích xuất đặc trưng do chúng tôi đề xuất
• 4. CHƯƠNG 4: CÀI ĐẶT, THỬ NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Áp dụng phương pháp đề xuất
• 4.2. Triển khai thử nghiệm
• 4.3. Phân tích và đánh giá các kết quả đạt được
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT

Tóm tắt

I. Giới thiệu về phát hiện nhồi máu cơ tim cấp tính qua điện tâm đồ

Nhồi máu cơ tim cấp tính là một trong những nguyên nhân hàng đầu gây tử vong trên toàn cầu. Việc phát hiện sớm tình trạng này thông qua điện tâm đồ (ECG) đóng vai trò quan trọng trong việc cứu sống bệnh nhân. Điện tâm đồ giúp ghi lại hoạt động điện của tim, từ đó phát hiện các bất thường có thể chỉ ra nhồi máu cơ tim. Nghiên cứu này sẽ tập trung vào việc phát hiện nhồi máu cơ tim cấp tính, đặc biệt là nhồi máu cơ tim trước vách có ST chênh lên.

1.1. Tầm quan trọng của điện tâm đồ trong chẩn đoán nhồi máu cơ tim

Điện tâm đồ là công cụ không thể thiếu trong việc chẩn đoán nhồi máu cơ tim. Nó giúp bác sĩ nhận diện các dấu hiệu bất thường, từ đó đưa ra quyết định điều trị kịp thời. Việc sử dụng điện tâm đồ giúp giảm thiểu tỷ lệ tử vong do nhồi máu cơ tim.

1.2. Các triệu chứng nhồi máu cơ tim cần chú ý

Triệu chứng nhồi máu cơ tim có thể bao gồm đau ngực, khó thở, và cảm giác nặng nề ở ngực. Nhận biết sớm các triệu chứng này là rất quan trọng để có thể can thiệp kịp thời.

II. Vấn đề và thách thức trong phát hiện nhồi máu cơ tim

Mặc dù điện tâm đồ là công cụ hữu ích, nhưng việc phát hiện nhồi máu cơ tim vẫn gặp nhiều thách thức. Một trong những vấn đề lớn là độ chính xác của các kết quả điện tâm đồ. Nhiều trường hợp nhồi máu cơ tim có thể không được phát hiện kịp thời, dẫn đến hậu quả nghiêm trọng cho bệnh nhân.

2.1. Độ chính xác của điện tâm đồ trong chẩn đoán

Độ chính xác của điện tâm đồ phụ thuộc vào nhiều yếu tố, bao gồm kỹ năng của bác sĩ và chất lượng thiết bị. Nhiều nghiên cứu đã chỉ ra rằng có thể có sự sai lệch trong việc đọc kết quả điện tâm đồ.

2.2. Thiếu hụt dữ liệu trong nghiên cứu nhồi máu cơ tim

Sự thiếu hụt dữ liệu về nhồi máu cơ tim, đặc biệt là nhồi máu cơ tim trước vách, gây khó khăn trong việc phát triển các mô hình chẩn đoán chính xác. Điều này cần được khắc phục để nâng cao hiệu quả chẩn đoán.

III. Phương pháp phát hiện nhồi máu cơ tim qua điện tâm đồ

Để cải thiện khả năng phát hiện nhồi máu cơ tim, nhiều phương pháp đã được nghiên cứu và áp dụng. Các phương pháp này bao gồm việc sử dụng các mô hình học máy và học sâu để phân tích dữ liệu điện tâm đồ.

3.1. Mô hình học máy trong phát hiện nhồi máu cơ tim

Mô hình học máy giúp phân tích dữ liệu điện tâm đồ một cách tự động, từ đó phát hiện các dấu hiệu của nhồi máu cơ tim. Các mô hình này có thể học từ dữ liệu lịch sử để cải thiện độ chính xác.

3.2. Ứng dụng học sâu trong phân tích điện tâm đồ

Học sâu cho phép xây dựng các mô hình phức tạp hơn, có khả năng nhận diện các mẫu trong dữ liệu điện tâm đồ mà các phương pháp truyền thống không thể phát hiện.

IV. Ứng dụng thực tiễn và kết quả nghiên cứu

Nghiên cứu đã áp dụng các phương pháp mới vào thực tiễn và đạt được những kết quả khả quan. Mô hình phát hiện nhồi máu cơ tim trước vách có ST chênh lên đã cho thấy độ chính xác cao, giúp bác sĩ có thể chẩn đoán kịp thời.

4.1. Kết quả thử nghiệm mô hình phát hiện

Mô hình đã đạt được độ chính xác lên đến 91.73%, cho thấy tiềm năng lớn trong việc hỗ trợ bác sĩ trong chẩn đoán nhồi máu cơ tim.

4.2. Ứng dụng trong thực tế y tế

Mô hình này có thể được áp dụng rộng rãi trong các bệnh viện, giúp cải thiện quy trình chẩn đoán và điều trị cho bệnh nhân mắc nhồi máu cơ tim.

V. Kết luận và hướng phát triển trong tương lai

Nghiên cứu đã chỉ ra rằng việc phát hiện nhồi máu cơ tim qua điện tâm đồ có thể được cải thiện đáng kể thông qua các phương pháp học máy và học sâu. Hướng phát triển trong tương lai sẽ tập trung vào việc tối ưu hóa các mô hình này để nâng cao độ chính xác và khả năng ứng dụng.

5.1. Tầm quan trọng của nghiên cứu tiếp theo

Nghiên cứu tiếp theo cần tập trung vào việc thu thập dữ liệu đa dạng hơn để cải thiện độ chính xác của các mô hình phát hiện nhồi máu cơ tim.

5.2. Hướng đi mới trong ứng dụng công nghệ

Công nghệ mới như trí tuệ nhân tạo có thể mở ra nhiều cơ hội mới trong việc phát hiện và điều trị nhồi máu cơ tim, giúp nâng cao chất lượng cuộc sống cho bệnh nhân.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Bệnh tim mạch (Cardiovascular Diseases - CVDs) là nguyên nhân gây tử vong hàng đầu trên thế giới cũng như tại Việt Nam. Theo số liệu từ Tổ chức Y tế Thế giới (WHO), năm 2019 toàn cầu ghi nhận khoảng 17,9 triệu ca tử vong do tim mạch (chiếm 32% tổng số tử vong), con số này tăng lên 20,5 triệu ca vào năm 2021 theo Báo cáo Tim mạch Thế giới năm 2023. Tại Việt Nam, thống kê từ Bộ Y tế năm 2023 cho thấy mỗi năm có khoảng 200.000 người tử vong vì các bệnh lý tim mạch, chiếm khoảng 33% tổng số ca tử vong toàn quốc.

Trong các bệnh lý tim mạch, nhồi máu cơ tim (Myocardial Infarction - MI), đặc biệt là nhồi máu cơ tim trước vách (Anteroseptal Myocardial Infarction - ASMI) kèm theo đoạn ST chênh lên (ST-Elevation Myocardial Infarction - STEMI), là tình trạng cấp tính nguy hiểm đe dọa tính mạng. Nguyên nhân chính bắt nguồn từ việc tắc nghẽn đột ngột nhánh động mạch liên thất trước (LAD) hoặc nhánh chéo nuôi dưỡng phần trước và vách liên thất của tim. Việc chẩn đoán muộn hoặc bỏ sót thể bệnh này dẫn tới hoại tử cơ tim diện rộng, suy tim cấp và tử vong.

Tuy nhiên, việc nghiên cứu phát hiện nhồi máu cơ tim trước vách cấp tính trên điện tâm đồ (ECG) gặp phải nhiều rào cản thực tiễn:

• Phân bố dữ liệu về nhồi máu cơ tim trước vách cấp tính (ASMI_AC) trong các tập dữ liệu công khai rất thấp; chẳng hạn trong bộ dữ liệu PTB-XL, nhãn ASMI_AC chỉ chiếm 1,46% tổng số ca nhồi máu cơ tim, dẫn đến hiện tượng mất cân bằng dữ liệu nghiêm trọng.
• Phần lớn các nghiên cứu trước đây chỉ tập trung vào phân loại nhịp tim, phát hiện nhồi máu cơ tim nói chung, hoặc định vị vùng tổn thương diện rộng mà chưa đi sâu vào phân loại nhị phân riêng biệt cho thể cấp tính có ST chênh lên tại vị trí trước vách.
• Các bộ dữ liệu ECG quy mô lớn (như MIMIC-IV ECG) chứa nhiều chẩn đoán tự động từ máy đọc tín hiệu nhưng chưa qua thẩm định lâm sàng nghiêm ngặt từ các bác sĩ chuyên khoa tim mạch.

Từ thực tế đó, khóa luận xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể sau:

1. Nghiên cứu, trích xuất, gán nhãn và tổ chức quy trình kiểm định lâm sàng đối với dữ liệu ECG từ bộ dữ liệu MIMIC-IV ECG và PTB-XL/PTB-XL+ để xây dựng tập dữ liệu chuẩn phục vụ bài toán.
2. Thiết kế và thực nghiệm quy trình tiền xử lý tín hiệu bao gồm lọc nhiễu dải thông, khử xu hướng phi tuyến và phân đoạn chu kỳ tim bằng thuật toán Pan-Tompkins kết hợp chuẩn hóa chiều dài nhịp.
3. Đề xuất kiến trúc mô hình học sâu kết hợp mang tên CAEL (Convolutional Autoencoder kết hợp Long Short-Term Memory) để trích xuất đặc trưng không-thời gian trên 4 chuyển đạo chuyên biệt, sau đó đưa vào các mô hình học máy để phân loại nhị phân phát hiện nhồi máu cơ tim trước vách cấp tính.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Tín hiệu điện tâm đồ ghi nhận từ bệnh nhân mắc bệnh nhồi máu cơ tim trước vách cấp tính có ST chênh lên (ASMI_AC) và nhóm đối chứng nhồi máu cơ tim trước vách không cấp tính (NASMI_AC).
• Phạm vi nghiên cứu: Xử lý tín hiệu trên 4 chuyển đạo cục bộ gồm V1, V2 (vùng vách ngăn) và V3, V4 (vùng thành trước tim); dữ liệu thực nghiệm được khai thác từ cơ sở dữ liệu PhysioNet (PTB-XL, PTB-XL+, MIMIC-IV ECG) và được kiểm định chuyên môn bởi các bác sĩ tim mạch tại Việt Nam.

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp nền tảng xử lý tín hiệu số y sinh, các mô hình học máy kinh điển và kiến trúc học sâu không giám sát/chuỗi thời gian để giải quyết bài toán phân loại nhị phân:

Tín hiệu ECG 4 chuyển đạo (V1, V2, V3, V4)
Tiền xử lý: Lọc Butterworth + Khử xu hướng phi tuyến đa thức bậc n
Phát hiện phức hợp QRS bằng Pan-Tompkins ➔ Đồng bộ & Chuẩn hóa 300 điểm/nhịp
Mô hình trích xuất đặc trưng đề xuất: CAEL (Encoder 1D-CNN + LSTM + FC)
Mô hình phân loại học máy (SVM, KNN, Decision Tree, Random Forest, XGBoost, Logistic Regression)
Nhãn đầu ra: ASMI_AC (1) hoặc NASMI_AC (0)

Khung lý thuyết và mô hình sử dụng:

• Điện tâm đồ trong chẩn đoán nhồi máu cơ tim: Sự thay đổi biên độ sóng Q và độ chênh của đoạn ST trên các chuyển đạo trước ngực V1-V4 là dấu hiệu nhận biết tổn thương vách và thành trước cơ tim.
• Mô hình trích xuất đặc trưng: Mạng tích chập tự mã hóa (Convolutional Autoencoder - CAE) sử dụng các lớp tích chập một chiều (1D-CNN) học biểu diễn nén không giám sát, kết hợp với mạng bộ nhớ ngắn hạn dài (LSTM) nhằm ghi nhận mối quan hệ phụ thuộc chuỗi thời gian của tín hiệu tim.
• Các mô hình phân loại đối chứng và hạ nguồn: Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Decision Tree, Random Forest, Extreme Gradient Boosting (XGBoost), Logistic Regression, 1D-CNN và các biến thể ResNet (ResNet-18, ResNet-50, ResNet-152).

Phương pháp tiền xử lý và chuyển đổi tín hiệu:

• Khử nhiễu tín hiệu: Kết hợp bộ lọc thông dải Butterworth để loại bỏ nhiễu tần số cao/thấp và mô hình đa thức bậc $n$ theo phương trình $y = p_1 x^n + \dots + p_n x + p_{n+1}$ để khử hiện tượng trôi đường đẳng điện phi tuyến (detrend nonlinear filtering).
• Tách nhịp bằng thuật toán Pan-Tompkins (1985): Thực hiện qua 4 bước: (1) Lọc thông dải (Low-pass và High-pass Filter), (2) Đạo hàm (Derivative) để nhấn mạnh phức hợp QRS, (3) Hàm bình phương (Squaring Function) nhằm làm nổi bật giá trị biên độ dương, và (4) Tích hợp cửa sổ di chuyển (Moving Window Integration) để làm mịn dạng sóng.
• Chuẩn hóa chu kỳ tim: Dựa trên tần số tim người trưởng thành khi nghỉ ngơi (60-100 nhịp/phút) ở tần số lấy mẫu 500 Hz, chu kỳ nhịp tim trung bình sau khi nhận diện đỉnh được chuẩn hóa đồng nhất về độ dài cố định 300 điểm/nhịp làm đầu vào cho mô hình trích xuất.

Nguồn dữ liệu và quy trình kiểm định: Dữ liệu sử dụng trong nghiên cứu được thu thập từ nền tảng PhysioNet, bao gồm:

• PTB-XL: 21.837 bản ghi ECG 12 chuyển đạo lâm sàng (độ dài 10 giây, tần số lấy mẫu 500 Hz) từ 18.885 bệnh nhân, được gắn nhãn theo chuẩn SCP-ECG.
• PTB-XL+: Bản ghi mở rộng trích xuất tính năng từ 3 thuật toán (Uni-G, 12SL, ECGDeli); nhóm nghiên cứu ánh xạ ngược mã ecg_id và scp_codes_ext từ tệp ptbxl_statements.csv để lấy chính xác các bản ghi ASMI_AC.
• MIMIC-IV ECG: Cơ sở dữ liệu chứa khoảng 800.000 điện tâm đồ 12 chuyển đạo (500 Hz) thu thập tại Trung tâm Y tế Beth Israel Deaconess (BIDMC) từ 2008 đến 2019.

Do dữ liệu MIMIC-IV ECG được tạo tự động bởi máy và có độ trùng lặp chẩn đoán lâm sàng không cao, nhóm nghiên cứu đã triển khai quy trình kiểm định nhãn độc lập kéo dài 3-4 tháng với các chuyên gia tim mạch tại Việt Nam:

1. Trích xuất 7.726 mẫu nhồi máu cơ tim cấp tính (STEMI) với 8 vị trí tổn thương, thu về 1.637 mẫu ứng viên ASMI_AC.
2. Chọn ngẫu nhiên 1.100 mẫu gửi thẩm định độc lập kèm bảng dữ liệu lâm sàng và tín hiệu ECG thô:
   • 100 mẫu do ThS. Bác sĩ nội trú (hỗ trợ đọc ECG tại Bệnh viện Nhân dân Gia Định, TP.HCM) thẩm định $\rightarrow$ xác nhận 91 mẫu chuẩn xác.
   • 1.000 mẫu do Phó trưởng khoa Cấp cứu (Bệnh viện Tim mạch Cần Thơ) thẩm định $\rightarrow$ xác nhận 333 mẫu chuẩn xác.
3. Tổng hợp thành công 424 mẫu ASMI_AC đạt chuẩn từ MIMIC-IV ECG, kết hợp cùng 102 mẫu từ PTB-XL tạo thành tập dữ liệu thử nghiệm.

Bộ dữ liệu	Nhãn phân loại	Số lượng ban đầu	Số lượng đưa vào mô hình
PTB-XL / PTB-XL+	NASMI_AC (Không cấp tính)	1.295	550
PTB-XL / PTB-XL+	ASMI_AC (Cấp tính)	102	102
MIMIC-IV ECG	ASMI_AC (Đã qua kiểm định y khoa)	1.637	424
Tổng cộng tập dữ liệu nghiên cứu	NASMI_AC vs ASMI_AC	—	1.076 (550 vs 526)

Thiết kế và triển khai

Hệ thống được thiết kế theo luồng xử lý khép kín từ khâu tiếp nhận tín hiệu ECG thô đến khâu hiển thị chẩn đoán hỗ trợ bác sĩ:

Kiến trúc mô hình đề xuất CAEL: Kiến trúc CAEL được xây dựng từ đầu (from scratch) bằng ngôn ngữ Python, kết hợp hai khối chức năng chính:

• Khối mã hóa CAE (Encoder): Sử dụng các lớp Conv1D để trích xuất đặc trưng không gian đa kênh từ tín hiệu 4 chuyển đạo, tích hợp hàm kích hoạt ELU nhằm đẩy nhanh tốc độ hội tụ, lớp Dropout chống quá khớp và khởi tạo trọng số theo phân phối Kaiming Normal (He Initialization).
• Khối xử lý chuỗi và kết nối (Basic Block & FC): Dữ liệu từ Encoder được chuyển tiếp qua khối cơ bản gồm lớp Conv1D, BatchNorm1D, lớp LSTM (kèm kích hoạt Tanh và MaxPool1D để giảm chiều dữ liệu), tiếp nối bởi một lớp Conv1D và BatchNorm1D thứ hai. Trước khi đưa vào lớp Fully Connected (Linear), tín hiệu được lấy mẫu qua MaxPool1D và chuyển chiều để xuất ra vector đặc trưng cô đọng.

Quy trình phân loại hạ nguồn: Vector đặc trưng sinh ra từ bộ mã hóa CAEL được làm đầu vào cho các mô hình học máy (SVM, Logistic Regression, Random Forest, KNN, XGBoost) hoặc huấn luyện liên kết đầu cuối với mô hình học sâu. Quá trình đánh giá áp dụng phương pháp kiểm định chéo $k$-fold (k-fold Cross-Validation) để đảm bảo tính khách quan.

Triển khai ứng dụng minh họa: Nhóm tác giả xây dựng một ứng dụng web thử nghiệm dựa trên nền tảng Streamlit:

• Giao diện cho phép người dùng tải lên bản ghi ECG thô.
• Hệ thống tự động thực hiện tiền xử lý tín hiệu trên 4 chuyển đạo V1-V4, trích xuất 300 điểm/nhịp qua Pan-Tompkins và chạy qua mô hình CAEL + SVM.
• Hiển thị trực quan dạng sóng ECG sau khử nhiễu và kết luận phân loại (ASMI_AC hoặc NASMI_AC) theo thời gian thực nhằm minh họa tính khả thi khi ứng dụng hỗ trợ quyết định lâm sàng.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương mở đầu phân tích thực trạng bệnh tim mạch trên thế giới và tại Việt Nam, nêu bật mức độ nguy hiểm của nhồi máu cơ tim trước vách cấp tính có ST chênh lên. Tác giả chỉ ra khoảng trống nghiên cứu khi các công trình trước đây ít tập trung vào phân loại chuyên biệt vị trí trước vách cấp tính do tỷ lệ dữ liệu khan hiếm (chỉ 1,46% trong PTB-XL). Chương này định hình mục tiêu nghiên cứu: thay vì xử lý 12 chuyển đạo gây tốn tài nguyên tính toán, nhóm đề xuất chỉ sử dụng 4 chuyển đạo tương ứng (V1, V2 cho vách ngăn; V3, V4 cho thành trước), định nghĩa bài toán phân loại nhị phân giữa nhãn ASMI_AC và NASMI_AC.

Chương 2: Các công trình nghiên cứu liên quan

Chương 2 tổng hợp bức tranh toàn cảnh về các phương pháp xử lý tín hiệu ECG và phát hiện nhồi máu cơ tim:

• Nghiên cứu ECG tổng quát: Điểm qua các mô hình kết hợp MPA-CNN (Houssein et al.), CNN-LSTM Attention (Butt et al. - độ chính xác 99,44%), mô hình GNN tại Việt Nam (Linh T. Duong et al. - độ chính xác 1.0), mạng không-thời gian ASTLNet (Jyotishi et al.), mạng S4D (Huang et al.), 1D-RDCAE kết hợp XGBoost (Parveen et al.), cùng các phương pháp tự giám sát hiện đại như ECG-MAE (Rui Hu et al.) và mô hình Masked Autoencoder có nút thắt cổ chai (Yang et al.).
• Nghiên cứu về nhồi máu cơ tim: Phân tích các tiếp cận phân loại 10 loại MI (Baloglu et al.), phân tích miền thời gian - tần số trên 5 chuyển đạo (Kayikcioglu et al.), mô hình MFB-LANN (He et al.), trích xuất đặc trưng DWT kết hợp entropy (Lin et al., Sridhar et al.), ảnh 2D/3D ECG (Cho et al., Heo et al.), mô hình ConvNetQuake (Gupta et al.), trực quan hóa qua Grad-CAM (Jahmunah et al.), cùng các giải pháp kết hợp định vị MI như tensor PARAFAC (Zhang et al., Chauhan et al.), HGCA-UDA (Yuan et al.), SAE (Zhang et al.) và CAE.
• Nghiên cứu theo vị trí chuyên biệt: Tác giả chỉ rõ chỉ có rất ít công trình khảo sát vị trí đơn lẻ như nghiên cứu DWT cho nhồi máu trước vách của Swati Banerjee et al. (2010) hay mạng DenseNet-GRU cho nhồi máu thành dưới của Xiong et al. (2023).

Chương 3: Nghiên cứu và đề xuất phương pháp

Chương 3 trình bày chi tiết về cấu trúc dữ liệu và giải pháp kỹ thuật đề xuất:

• Khảo sát đặc điểm các bộ dữ liệu PTB-XL, PTB-XL+ và MIMIC-IV ECG; mô tả quy trình trích xuất và lọc 7.726 ca cấp tính, 1.637 ca ASMI_AC.
• Trình bày quy trình kiểm định nhãn 2 cấp độ từ các bác sĩ chuyên khoa tim mạch tại Việt Nam (thu về 424 mẫu đạt chuẩn từ 1.100 mẫu khảo sát) và bổ sung 102 mẫu từ PTB-XL để tạo tập 526 mẫu ASMI_AC đối sánh với 550 mẫu NASMI_AC.
• Chi tiết hóa thuật toán tiền xử lý: bộ lọc Butterworth kết hợp khử xu hướng phi tuyến đa thức bậc $n$; quy trình 4 bước của giải thuật Pan-Tompkins; phương pháp tính trung bình chu kỳ tim và chuẩn hóa về 300 điểm/nhịp.
• Thiết kế chi tiết kiến trúc mô hình CAEL: cấu hình bộ mã hóa Encoder (Conv1D, ELU, Dropout, He Normal Initialization), cấu hình bộ giải mã Decoder (ConvTranspose1D), và khối Basic Block kết hợp LSTM với BatchNorm1D và Fully Connected.

Chương 4: Cài đặt, thử nghiệm và đánh giá

Chương 4 mô tả toàn bộ quá trình thực nghiệm, đo lường và triển khai:

• Trình bày cơ sở lý thuyết các thuật toán trích xuất đối chứng (PCA, AE, SAE, VAE) và các thuật toán phân loại (KNN, Decision Tree, Random Forest, XGBoost, SVM, Logistic Regression, 1D-CNN, ResNet-18/50/152).
• Thiết lập quy trình thử nghiệm k-fold Cross-Validation trên tập dữ liệu đã chuẩn hóa.
• Phân tích hiệu năng phân loại: Mô hình kết hợp giữa bộ trích xuất đặc trưng CAEL và thuật toán phân loại SVM đạt độ chính xác (Accuracy) cao nhất là 91,73%, vượt trội so với các mô hình học sâu đơn lẻ và phương pháp trích xuất truyền thống.
• Phân tích hàm mất mát (Loss Function), ma trận nhầm lẫn (Confusion Matrix), nhận diện các trường hợp lỗi phân loại.
• Giới thiệu kiến trúc và quy trình triển khai ứng dụng demo trên nền tảng Streamlit hỗ trợ tải dữ liệu và phân tích nhịp tim tự động.

Chương 5: Kết luận và hướng phát triển

Chương cuối đúc kết toàn bộ kết quả đạt được của khóa luận, khẳng định tính đúng đắn của việc kết hợp CAE và LSTM trên 4 chuyển đạo định hướng vị trí, đồng thời vạch ra các hạn chế thực tế và đề xuất hướng mở rộng cho các nghiên cứu tiếp theo.

Kết quả và đóng góp

Kết quả định lượng chính:

• Dựa trên quy trình trích xuất đặc trưng không-thời gian từ mô hình đề xuất CAEL, mô hình phân loại học máy SVM đạt độ chính xác (Accuracy) cao nhất là 91,73% trong bài toán phân loại nhị phân phát hiện nhồi máu cơ tim trước vách cấp tính (ASMI_AC vs NASMI_AC).
• Việc tối ưu hóa đầu vào từ 12 chuyển đạo xuống 4 chuyển đạo cục bộ (V1, V2, V3, V4) kết hợp đồng bộ chu kỳ tim 300 điểm/nhịp giúp giảm đáng kể kích thước dữ liệu và chi phí thời gian huấn luyện nhưng vẫn duy trì độ chính xác cao.

Mô hình trích xuất	Mô hình phân loại	Chỉ số Accuracy cao nhất
CAEL (Đề xuất)	Support Vector Machine (SVM)	91,73%

Đóng góp khoa học và thực tiễn của khóa luận:

1. Đóng góp về dữ liệu kiểm định y khoa: Xây dựng và công bố tập dữ liệu nhãn nhồi máu cơ tim trước vách cấp tính gồm 424 mẫu từ MIMIC-IV ECG đã được kiểm định lâm sàng độc lập bởi các bác sĩ chuyên khoa tim mạch tại Bệnh viện Nhân dân Gia Định và Bệnh viện Tim mạch Cần Thơ, khắc phục hạn chế về tính thiếu tin cậy của nhãn chẩn đoán tự động từ máy.
2. Đề xuất mô hình trích xuất đặc trưng chuyên biệt (CAEL): Xây dựng kiến trúc lai giữa Convolutional Autoencoder (học đặc trưng không gian không giám sát) và LSTM (học phụ thuộc chuỗi thời gian) giúp cô đọng thông tin tín hiệu ECG theo từng chuyển đạo cụ thể, mang lại biểu diễn tối ưu cho các thuật toán học máy hạ nguồn.
3. Hiệu quả phân loại vượt trội trên tập dữ liệu hẹp: Chứng minh giải pháp kết hợp CAEL + SVM cho kết quả vượt trội so với các mô hình SOTA và mô hình học sâu truyền thống khi áp dụng trên bài toán phát hiện nhồi máu cơ tim cấp tính tại một vị trí giải phẫu cố định.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được tác giả chỉ ra trong văn bản:

• Hạn chế về kinh phí và quy mô kiểm định dữ liệu: Do ràng buộc về chi phí và thời gian chuyên gia, nhóm nghiên cứu chỉ thực hiện kiểm tra ngẫu nhiên được 1.100 mẫu trong tổng số 1.637 mẫu ASMI_AC tiềm năng từ MIMIC-IV ECG, dẫn đến việc chỉ giữ lại được 424 mẫu thực sự chuẩn xác để huấn luyện.
• Mất cân bằng dữ liệu gốc: Tỷ lệ mẫu ASMI_AC trong các nguồn mở như PTB-XL quá thấp (1,46%), đòi hỏi phải xử lý gộp nhiều nguồn và giới hạn tập mẫu đối chứng NASMI_AC ở mức 550 mẫu.
• Phạm vi bài toán: Khóa luận mới tập trung vào phân loại nhị phân tại duy nhất vị trí trước vách (Anteroseptal), chưa mở rộng đồng thời cho tất cả 8 vị trí nhồi máu cơ tim cấp tính khác.

Hướng nghiên cứu tiếp theo:

• Mở rộng quy trình kiểm định chuyên gia cho toàn bộ các mẫu còn lại trong MIMIC-IV ECG nhằm tăng quy mô tập dữ liệu huấn luyện.
• Phát triển và thích ứng mô hình CAEL cho các vị trí nhồi máu cơ tim cấp tính khác (như thành dưới, thành bên, thành sau).
• Nghiên cứu tối ưu hóa mô hình để triển khai trên các thiết bị y tế nhúng hoặc thiết bị theo dõi ECG cá nhân di động phục vụ chẩn đoán thời gian thực.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho sinh viên, học viên cao học và nhóm nghiên cứu thuộc các chuyên ngành Khoa học Dữ liệu, Công nghệ Thông tin, Kỹ thuật Y sinh và Y học lâm sàng:

• Về phương pháp xử lý tín hiệu: Cung cấp quy trình hoàn chỉnh từ khâu lọc nhiễu Butterworth, khử trôi đường đẳng điện phi tuyến đến cài đặt thuật toán Pan-Tompkins để phân đoạn và chuẩn hóa nhịp tim trên tín hiệu 1D.
• Về kiến trúc mô hình: Cung cấp phương pháp thiết kế mạng tích hợp Autoencoder và LSTM (CAEL) xử lý chuỗi thời gian y sinh khi dữ liệu bị mất cân bằng hoặc hạn chế về số lượng nhãn.
• Về quy trình nghiên cứu y sinh: Là tài liệu tham khảo thực tế về phương thức làm sạch, trích xuất dữ liệu từ cơ sở dữ liệu quốc tế lớn (MIMIC-IV, PTB-XL) và tổ chức quy trình kiểm định nhãn lâm sàng phối hợp với bác sĩ chuyên khoa.

Câu hỏi thường gặp

1. Tại sao nhóm nghiên cứu chỉ chọn 4 chuyển đạo V1, V2, V3, V4 thay vì sử dụng toàn bộ 12 chuyển đạo tiêu chuẩn? Theo giải phẫu tim mạch, các chuyển đạo V1 và V2 phản ánh trực tiếp hoạt động điện thế tại vách liên thất (septum), trong khi V3 và V4 phản ánh thành trước tim (anterior). Tổn thương do nhồi máu cơ tim trước vách chủ yếu biểu hiện qua sự biến đổi sóng Q và đoạn ST trên 4 chuyển đạo này. Việc thu hẹp đầu vào từ 12 chuyển đạo xuống 4 chuyển đạo liên quan nhất giúp loại bỏ thông tin dư thừa, giảm chi phí tính toán và rút ngắn thời gian xử lý của mô hình.

2. Dữ liệu nhãn ASMI_AC từ MIMIC-IV ECG được kiểm định y khoa như thế nào? Do các chẩn đoán ban đầu trong MIMIC-IV ECG được xuất tự động từ máy đo và có tỷ lệ không trùng khớp lâm sàng nhất định, nhóm tác giả đã trích xuất 1.637 mẫu ứng viên và gửi ngẫu nhiên 1.100 mẫu đến 2 bác sĩ chuyên khoa tim mạch (gồm ThS. Bác sĩ nội trú tại Bệnh viện Nhân dân Gia Định và Phó trưởng khoa Cấp cứu tại Bệnh viện Tim mạch Cần Thơ). Các bác sĩ đối chiếu chẩn đoán với dạng sóng ECG thô trong vòng 3-4 tháng để chọn lọc ra 424 mẫu khớp chính xác với tiêu chuẩn nhồi máu cơ tim trước vách cấp tính.

3. Mục đích của việc chuẩn hóa chu kỳ tim về 300 điểm/nhịp là gì? Tần số tim người trưởng thành lúc nghỉ ngơi dao động từ 60-100 nhịp/phút, tương ứng với độ dài khoảng 300-500 điểm mẫu ở tần số lấy mẫu 500 Hz. Sau khi phát hiện phức hợp QRS bằng thuật toán Pan-Tompkins và tính trung bình các chu kỳ tim trong bản ghi 10 giây, nhóm nghiên cứu chuẩn hóa chu kỳ tim đại diện về đúng 300 điểm/nhịp để đồng nhất chiều vector đầu vào cho mô hình trích xuất, hạn chế phát sinh dữ liệu thừa và giảm thiểu độ phức tạp tính toán.

4. Mô hình CAEL có cấu trúc bên trong như thế nào? CAEL là mô hình lai gồm hai phần: khối mã hóa CAE (sử dụng các lớp Conv1D, hàm kích hoạt ELU, lớp Dropout và khởi tạo trọng số Kaiming Normal) để trích xuất đặc trưng không gian nén, kết hợp với khối cơ bản (Basic Block) chứa các lớp Conv1D, BatchNorm1D, LSTM (kích hoạt Tanh và MaxPool1D) để khai thác thông tin chuỗi thời gian, trước khi đi qua lớp Fully Connected để xuất ra vector đặc trưng.

5. Kết quả thực nghiệm phân loại cao nhất đạt được là bao nhiêu và thuộc về mô hình nào? Sau khi trích xuất đặc trưng bằng mô hình CAEL trên 4 chuyển đạo, mô hình học máy Support Vector Machine (SVM) đạt hiệu suất phân loại cao nhất với độ chính xác (Accuracy) là 91,73% trong bài toán phân biệt giữa ASMI_AC (cấp tính) và NASMI_AC (không cấp tính).

Kết luận

Khóa luận tốt nghiệp của sinh viên Huỳnh Lê Phương Vy và Lê Tuấn Cường đã giải quyết thành công bài toán phát hiện nhồi máu cơ tim trước vách cấp tính có ST chênh lên bằng cách tiếp cận chuyên biệt hóa dữ liệu 4 chuyển đạo (V1-V4). Công trình tạo ra giá trị thực tiễn thông qua việc chuẩn hóa và kiểm định lâm sàng 424 bản ghi ECG từ cơ sở dữ liệu MIMIC-IV với sự tham gia của các bác sĩ tim mạch tại Việt Nam. Mô hình đề xuất CAEL kết hợp trích xuất đặc trưng không-thời gian giúp bộ phân loại SVM đạt độ chính xác 91,73%, đồng thời ứng dụng web minh họa trên Streamlit đã chứng minh tính khả thi trong việc hỗ trợ chẩn đoán y tế sớm.

Trích đoạn nội dung tài liệu

Chương 1: Tổng Quan Giới thiệu bài toán phát hiện nhồi máu cơ tim cấp tính và tầm quan trọng của nghiên cứu, tính ứng dụng thực tế trong lĩnh vực tin y sinh hay y tế. > Chuong 2: Các công trình nghiên cứu liên quan Khái quát một số công trình tiêu biểu trên thé giới liên quan đến điện tâm đồ và nhồi máu cơ tim. > Chương3: Nghiên cứu và đề xuất phương pháp Mô tả về bộ dữ liệu được sử dụng, các phương pháp tiền xử lý dữ liệu, mô hình trích xuất đặc trưng do chúng tôi đề xuất. > Chương 4: Cài đặt, thử nghiệm và đánh giá Áp dụng phương pháp đề xuất, triển khai thử nghiệm, phân tích và đánh giá các kết quả đạt được.

> Chương5: Kết luận và hướng phát triển Tổng kết các kết quả đạt được, so sánh ưu nhược điểm và đưa ra đóng góp của khóa luận. Đề xuất các định hướng phát triển trong tương lai. Giới thiệu khoá luận Các nghiên cứu hiện nay về nhồi máu cơ tim đã đạt được nhiều tiến bộ vượt bậc, nhưng đối với nhồi máu cơ tim trước vách cấp tính, vẫn chưa có những đột phá thực sự hiệu quả để ứng dụng rộng rãi trong thực tế y tế. Nguyên nhân chủ yếu của van dé này là do sự hạn chế về dữ liệu, đối với nguồn dữ liệu công khai lại càng khan hiếm hon dé đưa vào nghiên cứu.

Sự phân bồ dữ liệu về nhồi máu cơ tim trước vách cấp tính chiếm tỷ lệ rất thấp, chỉ 1.46% trên tổng số lượng các trường hợp nhồi máu cơ tim trong PTB-XL. Điều này cho thấy sự mắt cân bằng nghiêm trọng trong bộ dữ liệu, dẫn đến việc các nghiên cứu thường chỉ tập trung vào nhồi máu cơ tim nói chung hoặc định vị nhoi máu cơ tim mà Ít lựa chọn một vị trí cố định. Sự thiếu hụt dữ liệu về nhồi máu cơ tim trước vách cấp tính khiến cho các nghiên cứu chưa thé đưa ra các giải pháp hiệu quả và toàn diện cho căn bệnh này. Dựa vào nguyên nhân và vấn đề tiếp cận đã nêu, chúng tôi đề xuất một giải pháp cho việc phát hiện căn bệnh nhồi máu cơ tim trước vách cấp tính.

Qua cuộc khảo sát và tìm hiểu các nghiên cứu hiện có, chúng tôi tiến hành thực hiện kết hợp giữa mô hình mạng neuron nhân tạo học không giám sát CAE và mô hình học sâu LSTM. Việc sử dung CAE giúp học các biéu diễn không giám sát từ dữ liệu, trong khi LSTM có thể ứng dụng được chuỗi thời gian. Mục đích của việc kết hợp là tạo ra một mô hình trích xuất đặc trưng cho nhồi máu cơ tim từ các chuyên đạo theo vi trí mong muốn, cụ thể trong bài toán này là chuyên đạo cho vị trí trước vách. Sau đó, áp dụng mô hình trên dé trích xuất các đặc trưng cho nhồi máu cơ tim trước vách, cung cấp thông tin giá trỊ tối ưu khi được tích hợp vào các mô hình phân loại.

Chúng tôi tin rằng giải pháp này sẽ nâng cao độ chính xác hơn trong chan đoán, đóng góp một cái nhìn toàn diện hơn về các vị trí cụ thể của nhồi máu cơ tim, mở ra hướng đi mới cho nghiên cứu và ứng dụng trong cộng đồng tin-y sinh, ké cả trong việc xử lý nhôi máu cơ tim trước vách câp tính. Gần đây, các nghiên cứu về phát hiện nhéi máu cơ tim và định vị cơ tim đã có nhiều thành tựu nỗi bật, như đã được đề cập ở phan đặt van dé và chương 2, phát hiện nhồi máu cơ tim trước vách cấp tính cũng là một phần trong bài toán đó.