MỞ ĐẦU Phân cụm và phân loại nhịp tim bất thường trong ECG là quan trọng trong dự đoán và điều trị bệnh lý tim mạch. Điện tâm đồ cho thông tin về hoạt động điện của tim, giúp bác sĩ phát hiện những bat thường trong nhịp tim. Việc phân cụm va phân loại các nhịp tim bat thường từ tín hiệu điện tâm đồ giúp tự động hóa quá trình phan tích, giảm thiêu sai sót và tăng tốc độ xử lý thông tin. Hơn nữa, những kỹ thuật này cho phép quan sát liên tục và phát hiện sớm bắt thường, từ đó tăng hiệu quả điều trị và cứu sông nhiều bệnh nhân.
Công nghệ y tế hiện đại yêu cầu giải pháp chính xác và hiệu quả hơn, trong đó việc phát triển thuật toán tiên tiến kết hợp với thiết kế phần cứng chuyên dụng là thiết yếu, mở ra triển vọng mới cho y học trong chăm sóc sức khỏe bệnh nhân. Mục tiêu của nghiên cứu này là tối ưu hóa chân đoán và điều trị bệnh tim mạch. Cụ thể, phân cụm giúp nhóm các mẫu nhịp tim có đặc điểm tương đồng lại với nhau, từ đó hỗ trợ việc phân loại một cách nhanh chóng. Trong khi đó, phân loại giúp xác định các loại nhịp tim bất thường, như nhịp nhĩ sớm hay co tâm thất sớm, qua đó có chân đoán chính xác và kịp thời.
Các kỹ thuật này giảm sai sót do con người, tăng tốc độ và hiệu quả xử lý thông tin. Điều này rất quan trọng trong y tế, nơi mà việc phát hiện sớm và điều trị kịp thời giúp cứu sống nhiều người và tăng chất lượng chăm sóc. Đối tượng nghiên cứu bao gồm tín hiệu điện tâm đồ từ các bệnh nhân được lay từ tập dữ liệu MIT-BIH được cung cấp bởi PhysioNet bao gồm những bệnh nhân đã được ghi lại điện tâm đồ trong các điều kiện lâm sàng. Nó gồm các loại nhỊp bình thường và những loại bất thường như loạn nhịp tim và các dạng bệnh tim khác của hệ thống điện tim.
Việc nghiên cứu trên tập dit liệu MIT-BIH còn giúp đánh giá và so sánh với các phương pháp xử lý tín hiệu và thuật toán phân loại, qua đó có đề xuất và cải tiến mới trong lĩnh vực này. Sự đa dạng dữ liệu trong MIT-BIH cung cấp cơ sở lý thuyết cho nghiên cứu và ứng dụng thực tế trong y học điện tử và xử lý tín hiệu y khoa. 13 Phạm vi nghiên cứu bao gồm phân tích và tiền xử lý tín hiệu điện tâm đồ, phát triển và tối ưu hóa thuật toán, thiết kế và thực thi thuật toán xuống phần cứng, cùng với việc kiểm thử và đánh giá hệ thống. Đầu tiên, việc phân tích và tiền xử lý tín hiệu điện tâm đồ là bước khởi đầu cực kỳ quan trọng.
Quá trình này nhằm loại bỏ nhiễu, chuẩn hóa dữ liệu và phát hiện các đặc điểm biên độ nhịp tim để chuẩn bị cho các bước phân tích tiếp theo. Tiếp theo, sau khi đã có dữ liệu được tiền xử lý, ta tập trung vào phát triển và tôi ưu hóa thuật toán phân cụm và phân loại với mục tiêu cải thiện độ chính xác và hiệu suất của quá trình phân tích điện tâm đồ. Sau khi đã hoàn thiện và kiểm tra thuật toán trên phần mềm, nghiên cứu tiến đến giai đoạn thiết kế và thực thi thuật toán lên thiết bị phần cứng. Điều này đảm bảo răng các thuật toán có thể hoạt động hiệu quả trong thực tế và có thé được tích hợp trực tiếp vào các thiết bị y tế để hỗ trợ chân đoán và điều trị lâm sàng.
Cuối cùng, quá trình kiểm thử và đánh giá hệ thống nhằm đảm bảo tính hiệu quả và đáng tin cậy của phương pháp đề ra. Việc này bao gồm thử nghiệm thuật toán đề ra trên cùng tập dữ liệu MIT-BIH và đánh giá các yếu tố như độ chính xác, độ nhạy và độ đặc hiệu của hệ thống so với trên phần mềm. Đồng thời, nghiên cứu cũng so sánh và đánh giá hiệu suất của phương pháp đề ra so với những phương pháp khác cùng lĩnh vực nghiên cứu. Lựa chọn dé tài này là bước tiến cần thiết trong việc kết hợp giữa công nghệ phần cứng và thuật toán phân cụm, phân loại nhịp tìm bất thường, nhằm tạo ra hệ thống chân đoán y tế hiệu quả và đáng tin cậy.
Qua đó, góp phần vào quá trình tạo ra các thiết bị nhúng có thể sử dụng trong y tế với tốc độ cao có thé áp dụng vào thời gian thực và có độ chính xác cao, nâng cao năng lực của các bác sĩ trong việc phân tích và đưa ra quyết định chân đoán chính xác, đồng thời hướng đến mục tiêu tối ưu hóa chăm sóc sức khỏe toàn diện và đảm bảo hiệu quả trong theo dõi và điều tri. TONG QUAN DE TÀI Điện tam đồ (ECG) là một thành phan quan trọng dé theo dõi tín hiệu sinh học dé theo dõi và chan đoán các bệnh tim mạch chăng hạn như nhồi máu cơ tim, rối loạn nhịp tim, bởi vì những bệnh này có liên quan chặt chẽ đến những đặc điểm trong điện tâm đồ (tức là hình dạng sóng, phức hợp QRS, khoảng R-R,. Vì những bệnh tim này xảy ra một cách bất thường và cần sự can thiệp ngay lập tức để giảm thiểu tỷ lệ tử vong, việc theo dõi liên tục điện tâm đồ là 1 việc không thê thiếu trong y tế [2]. Do đó, nghiên cứu về phát hiện sớm nhịp tim bất thường và theo dõi bệnh tim thông qua phân tích tín hiệu điện tâm đồ đang rất được quan tâm [3], [4].
Các nghiên cứu về lay và phân tích tín hiệu của điện tâm đồ bằng các thiết bị nhúng đang được tiễn hành tích cực bang các hệ thống đeo nhẹ [5], [6]. Đặc biệt, kỹ thuật xử lý tín hiệu ECG thời gian thực trong môi trường tiêu thụ ít năng lượng và tốn ít bộ nhớ là cần thiết [7], [8]. Ngoài ra, trong hệ thống theo dõi điện tâm đồ, việc phát hiện nhịp và phân loại nhịp bất thường theo thời gian thực là quan trọng. Nhịp có thể được phát hiện đáng tin cậy bằng phương pháp của Pan Tompkins [9].
Trong trường hợp phát hiện nhịp bat thường, các phương pháp có thé dựa trên đặc điểm sử dụng các điểm cơ sở [10]-[13] hoặc dựa trên hình dạng sử dụng hình dạng của nhịp tim, tập trung vao đỉnh R [14]-[16]. Thông thường, các nhịp tim bình thường có các đặc điểm hoặc hình dạng tương tự nhau vì các nhịp tim có hình dạng tương tự lặp lại định kỳ. Ngược lại, các nhịp bất thường có các đặc điểm nằm ngoài phân phối bình thường hoặc có hình dạng ít tương đồng với các nhịp tim bình thường. Phát hiện nhịp tim bat thường được tiến hành dựa trên các đặc điểm này.
Phát hiện nhip tim bất thường dựa trên đặc điểm là dựa vào phát hiện các điểm cơ sở như điểm bắt đầu, đỉnh và điểm kết thúc của mỗi sóng. Sau đó, các giá trị đặc điểm của các điểm cơ sở, như khoảng cách, đoạn và biên độ, sẽ được tiễn hành phân tích và áp dụng vào phát hiện nhịp tim bat thường. Phát hiện dựa trên hình dạng tạo ra một mẫu dé lưu trữ thông tin hình dạng của nhịp bình thường và do độ tương đồng với mau đã tạo dé phát hiện nhịp bất thường.1 cho thấy cụm tín hiệu đầu vào và mẫu. Việc phát hiện dựa trên sự biến dạng hình dạng do nhịp bat thường gây ra rất dễ dàng và đáng tin cậy.
Tuy nhiên, phát hiện nhịp tim bat thường dựa trên hình dạng đòi hỏi một mẫu được xác định bằng phương pháp thủ công hoặc yêu cầu nhiều bộ nhớ để xác định mẫu từ các tín hiệu đầu vào.4 Template — - Amplitude[V] © ta — | [am a L -Bũ -60 -40 -20 ũ 20 40 60 80 100 120 Sample[N] Hình 1.1: Vi du vê cum tín hiệu va mau Hién nay, van con it bai bdo thuc hién giai thuat phan cum trén phan cung. Mot số nghiên cứu đã áp dụng giải thuật này nhưng chưa đạt được tần số đủ cao cho thực tế hiện nay [17] [18] [19]. Trong nghiên cứu [17], mặc dù đã phân loại được 16 loại nhịp khác nhau, nhưng tỉ lệ chính xác và tần số rất thấp, khiến việc áp dụng trong thời gian thực trở nên khó khăn. Bài [18] đã đạt được tần số ổn định 95 MHz và độ chính xác 100%, nhưng chỉ sử dụng hình dạng đỉnh R và chỉ phân cụm được 2 cụm mẫu, do đó vẫn cần nghiên cứu phát triển thêm.
Nghiên cứu [19] phân cụm được 4 loại nhịp tim nhưng không đề cập đến độ chính xác, chỉ nêu độ nhạy là 75%, một con số không đủ cao. Phương pháp này chỉ đạt tần số 50 MHz, nên cũng khó áp 16 dụng trong thời gian thực. Các thuật toán phân cụm mẫu trên phần mềm đạt độ chính xác cao nhưng chỉ thực hiện trên một số ít bản ghi nhịp tim bat thường trong tập dữ liệu MIT-BIH [20] [21]. Cụ thé, nghiên cứu [20] đạt độ chính xác 96,86% với các bản ghi số 105, 109, 200, 208, 213, 217, 221, 228, phân cụm được 4 loại nhịp là N, V, A, F.
Nghiên cứu [21] đạt độ chính xác 99,93% với các bản ghi số 101, 102, 117, 202, 230, phân cụm được 4 loại nhịp là N, S, V, F. Vì vậy, chúng tôi sử dụng một phương pháp phát hiện nhịp bất thường dựa trên phân cụm mẫu thực hiện trên ZCU-102 FPGA. Phương pháp kết hợp phát hiện dựa trên đặc điểm bằng cách sử dụng khoảng RR và phát hiện dựa trên hình dạng của mẫu. Phát hiện dựa trên đặc điểm bằng cách sử dụng khoảng RR có thể phát hiện PVC và PAC.
Tuy nhiên, trong trường hợp nhịp hợp nhất mà nhịp thất và nhịp bình thường được trộn lẫn, nó không thể được phát hiện vì khoảng RR tương tự như bình thường. Phát hiện dựa trên hình dạng có thê phát hiện PVC và nhịp hợp nhất, nhưng không thé phát hiện PAC vì hình dạng của chúng tương tự như bình thường. Do đó, một mẫu được áp dụng với khoảng RR và hình dạng được tạo ra để phát hiện PVC, PAC và nhịp hợp nhất. Độ tương đồng được sử dụng trong quá trình tạo mẫu và phát hiện nhịp bất thường.
Độ tương đồng của khoảng RR sử dụng tỷ lệ RR, và độ tương đồng hình dạng sử dụng độ tương đồng Pearson. Chúng tôi đề xuất một cụm mẫu thay vì một mẫu đơn lẻ để cải thiện vấn đề do nhận diện sai các nhịp bình thường có biến dạng hình dạng nhỏ là nhịp bất thường. Ngoài ra, quy trình cập nhật cụm mẫu độc lập cho mỗi nhịp sẽ tối thiểu hóa việc sử dụng bộ nhớ và thời gian xử lý.