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. Vì lợi ích thiết thực đối với con người và cộng đồng, các bài toán y khoa, bài toán liên quan đến tim mạch, luôn nhận được sự quan tâm đặc biệt từ giới y sinh cũng như công chúng. Trong khóa luận này, chúng tôi đặt mục tiêu xác định xem một dữ liệu ECG có cho thấy dấu hiệu của nhồi máu cơ tim trước vách cấp tính hay không.
Do tính chất ở vị trí cụ thé, chúng tôi sẽ không sử dung 12 chuyển đạo như thường lệ mà chỉ sử dụng 4 chuyên đạo liên quan nhất là V1, V2, V3 và V4. Trong đó, VI và V2 nằm ở vách ngăn, còn V3 và V4 nằm ở phía trước[10]. Biéu hiện nhồi máu cơ tim trước vách rõ nhất là sự thay đổi của sóng Q hoặc đoạn ST [11]. Dưới đây là mô tả chỉ tiết về bài toán này: e Đầu vào: Một dữ liệu thô ECG gồm 4 chuyên đạo (V1, V2, V3, V4).
e Đầura: Một trong hai nhãn dấu hiệu. o ASMI AC(Nhãn 1): dấu hiệu của ECG cho thấy bệnh nhồi máu cơ tim trước vách cấp tính. o_NASMI_AC(Nhãn 0): không có dấu hiệu của ECG bi mắc bệnh nhồi máu cơ tim trước vách cấp tính. NASMI AC ASMI AC Hình 1.1: Ví dụ cho bài toán phát hiện nhồi máu cơ tim trước vách cấp tính.
Tầm quan trọng và tính ứng dụng của khóa luận Chúng tôi đã khái quát ở các phần trên về bài toán chúng tôi thực hiện, cũng đã nêu lên tam quan trọng của bài toán này. Bệnh tim mạch hiện nay là một trong những nguyên nhân hàng đầu gây tử vong trên toàn thế giới, và Việt Nam cũng không phải là ngoại lệ: BỘ Y TẾ CONG THONG TIN ĐIỆN TU TRANGCHỦ GIỚITHIỆU SƠĐÔTRANG THƯĐIỆNTỬ QUÁN LÝ VAN BẢN ĐIỆN TỪ Ngôn ngữ: E Hoạt động Lãnh đạo Bộ Khoảng 200.000 người Việt tử vong vì tim mạch mỗi năm, 8 lời khuyên để không mắc bệnh này Tinténg hợp 6/09/2023 | 21:18 PM s8 Thông tin chỉ đẹo điều hành Tử vong do tìm mạch hơn cả tử vong do ung thư, COPD vả đải tháo đường cộng lại. Tại Việt Nam, mỗi năm có khoảng 200.000 người tử vong vi bệnh tim mạch, Hoạt động của địa phương chiếm 33% ca tử vong. ểm Đita Y tế chin Y TẾ HỌC TẬP WA LAM THEO TẮM GƯƠNG BAD BỨC HỒ CHÍ MEH @ CONG DỊCH VỤ CÔNG BỘ Y TẾ Hình 1.2: Tình hình bệnh tim mạch tại Việt Nam (2023).5 Phát hiện nhồi máu cơ tim trước vách cấp tính vẫn chưa phổ biến nhiều trong các nghiên cứu tại tin-y sinh Việt Nam.
Dù các bệnh viện đã trang bị các thiết bị tiên tiến, nhưng độ chính xác trong việc đọc và chân đoán ECG vẫn chưa cao. Nghiên cứu sâu hơn và áp dụng các công nghệ tiên tiến trong lĩnh vực này là cần thiết dé nâng cao hiệu quả của hệ thống y tế Việt Nam, đồng thời tạo nền tang cho các nghiên cứu và phát triển y học trong tương lai. 5 Tình hình bệnh tim mạch trích từ Công thông tin Bộ Y Tế Chương 2. CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN 2.
Các công trình nghiên cứu liên quan đến điện tâm đồ. Trong dữ liệu điện tâm đồ, có nhiều khía cạnh nghiên cứu khác nhau, từ rối loạn nhịp tim, các dạng sóng, đến các bệnh lý tim mạch khác. Chúng tôi đã tiễn hành khảo sát kỹ lưỡng trong những năm gần đây nhằm thu thập những nghiên cứu mới nhất và cập nhật nhất dé tìm hiểu sâu hơn. Houssein và các cộng sự [12] đã nghiên cứu về phân loại nhịp tim bằng phương pháp MPA-CNN, trong đó CNN là mô hình phân loại và MPA là giải thuật tối ưu.
Họ sử dung các kỹ thuật trích xuất đặc trưng thủ công như 1D-LBP, HBF, DWT,. và giải quyết vấn đề mất cân bằng bằng SMOTE. Việc kết hợp các đặc trưng thủ công vào CNN giúp tận dụng đặc trưng tối ưu cục bộ và đây nhanh quá trình đào tạo mô hình. Nghiên cứu sử dụng ba bộ dữ liệu chuẩn trong ECG MIT- BIH, EDB, INCART cho việc huấn luyện và kiểm tra mô hình, kết qua cho thay hiệu quả vượt trội so với các nghiên cứu khác trong việc phân loại ECG.
Butt và các cộng sự [13] có công bố nghiên cứu về phân loại tín hiệu ECG thông qua việc sử dụng CNN-LSTM và Attention/Transformer dé trích xuất đặc trưng tự động. Kết quả đạt SOTA về độ chính xác là 99.44% trên hai bộ dữ liệu PTB va HAR mà không cần bất kỳ bước tiền xử lý nào. Bên cạnh, tại Việt Nam, Linh T.Duong và các cộng sự [14] dé xuất GNN để tìm hiểu các đặc trưng từ đồ thị đặc trưng có cấu trúc sau đó dự đoán dữ liệu chưa biết, họ đạt được độ chính xác 1.0 vượt trội hơn SOTA trong cả hai bộ dữ liệu MIT-BIH và PTB với dữ liệu 12 đạo trình hoặc đơn đạo trình, đây là một bước tiễn trong lĩnh vực tin-y sinh tại Việt Nam về phân loại tín hiệu ECG. Đối với các nghiên cứu liên quan đến bệnh tim được công bố gần đây nhất vào năm 2023 và 2024 [15] [16] [17].
Jyotishi và các công sự [15] da đề xuất mô hình mạng lưới học không-thời gian với cơ chế chú ý (ASTLNet). Mô hình này vượt qua các mô hình SOTA trước đó nhờ khả năng học đặc trưng không-thời gian hiệu quả. Ưu điểm chính của ASTLNet là khả năng xử lý dữ liệu phức tạp, nhưng nhược điêm có thê năm ở yêu câu tài nguyên tính toán cao.Huang và các cộng sự [17] thiết kế một mô hình SOTA nông với tên gọi S4D có thể nhận dạng các loại bất thường hiệu quả và xử lý được trên thời gian thực, mang lại một SOTA trong phân loại bất thường về tim. Parveen và các cộng sự [16] sử dụng ID-RDCAE để trích xuất không thời gian và phân loại bằng XGBoost cùng tối ưu FSO mang lại chi phí thấp và có thể huấn luyện trên nhiều mẫu do khả năng học đặc trưng cao, đem lại khả năng thích ứng mở rộng tốt.
Về lĩnh vực học tự giám sát, chúng tôi đã tìm hiểu qua một số nghiên cứu như [18] [19] [20], được công bố lần lượt từ năm 2022, 2023, 2024. Nghiên cứu năm 2023 của Rui Hu và các cộng sự [19] đưa ra phương pháp ECG-MAE, một phương pháp học tự giám sát theo không thời gian trên đa đạo trình, khai thác sự phụ thuộc của không gian và thời gian, phương pháp này cho phép bộ mã hóa tìm hiểu biểu diễn đữ liệu bằng cách tái tạo ECG 12 đạo trình. Tiếp theo nghiên cứu năm 2024 của Yang và các cộng sự [20] cũng sử dụng kỹ thuật biểu diễn đặc trưng qua mặt nạ tương tự. Tuy nhiên, nghiên cứu này bổ sung thêm "thắt nút cô chai" (bottleneck) để loại bỏ thông tin thừa trong miền thời gian và tần số.
Họ còn sử dụng phương pháp này huấn luyện trên ba bộ dữ liệu lớn gồm PTB-XL, CPSC, và Chapman, nhằm sử dụng làm tiền đề cho các bài toán phân loại khác. Kết quả nghiên cứu [20] không chỉ vượt qua SOTA của các mô hình tự giám sát mà còn vượt qua cả các mô hình có giám sát.