Hội nghị toàn quốc lần thứ Điều khiển Tự động hoá - VCCA-2015 Kết hợp mạng Nơron biến đổi Wavelet nhận dạng phức QRS QRS Detection Using Wavelet Transform and Neural Network Nguyễn Mạnh Cường1, Lê Vinh Tiến2, Nguyễn Duy Thái1 Học viện Kỹ thuật Quân sự, 2Học viện quân y e-mail: cuong.tung@gmail.com Tóm tắt Tín hiệu ECG đóng vai trị quan trọng chẩn đốn bệnh tim mạch nói riêng thực tiễn ngành y tế nói chung Trong loại máy điện tim thông thường điện tim vi tính, ngồi việc thu nhận tín hiệu ECG việc xử lý chúng phần mềm cần thiết Phần mềm xử lý tín hiệu đưa thơng tin cần thiết hình ảnh tín hiệu, nhịp tim đưa cảnh báo có vấn đề xảy ra: nhịp tim nhanh, chậm hay loạn nhịp Để tính tốn nhịp tim đưa cảnh báo sớm, cần phải xác định sóng P, Q, R, S, T Bài báo trình bày thuật tốn sử dụng mạng Nơron kết hợp phép biến đổi Wavelet để tăng độ xác xác định phức QRS Thuật tốn trình bày phần mềm Matlab sử dụng ghi điện tim sở liệu MIT-BIH để đánh giá hiệu nhận dạng Từ khóa: ECG, Wavelet Transform, Neural Network, MatLab Phần mở đầu Xác định phức QRS công việc quan trọng xử lý tín hiệu điện tim Có nhiều phương pháp sử dụng để xác định phức QRS: phương pháp sử dụng lọc thông dải, phương pháp vi phân, phương pháp so khớp mẫu Mỗi phương pháp có ưu nhược điểm riêng độ xác khác Phương pháp sử dụng báo kết hợp mạng Nơron nhân tạo phép biến đổi Wavelet Đây hai công cụ mạnh nhận dạng xử lý tín hiệu Tín hiệu điện tim ECG tín hiệu phi tuyến phát từ thể người - hệ thống phi tuyến Do để đáp ứng tốt với tín hiệu phi tuyến ta sử dụng mơ hình mạng nơron phi tuyến để nhận dạng Mạng nơron sử dụng mạng truyền thẳng Để tăng hiệu nhận dạng, thuật toán nhận dạng sử dụng phép biến đổi Wavelet Theo đó, đầu mạng Nơron qua khối biến đổi Wavelet trước qua khối xử lý phía sau Bài báo đưa kết so sánh hiệu nhận dạng kết hợp không kết hợp phép biến đổi Wavelet mạng Nơron Dữ liệu tín hiệu điện tim sử dụng ghi MIT-BIH Kết nhận dạng so sánh với ghi thích đầy đủ vị trí phức QRS VCCA-2015 Nội dung 2.1 Cơ sở nhận dạng QRS [3,4] Giả sử tín hiệu điện tim thu xấp xỉ phức QRS nhiễu nền: yt = st + nt Trong yt tín hiệu điện tim thu được; st phức QRS; nt nhiễu Giả sử mẫu tín hiệu thời điểm t (yt) “ước lượng” hay “dự báo” q mẫu tín hiệu trước (yt-1…yt-q) theo quan hệ phi tuyến việc sử dụng mạng nơron (q>0) Do tín hiệu điện tim bao gồm hầu hết đoạn phức QRS, mạng nơron hội tụ đầu vào mẫu tín hiệu nằm đoạn (sai lệch đầu e nhỏ); ta nói mạng dự báo tốt Khi gặp đoạn tín hiệu có thay đổi đột ngột (như phức QRS – với đỉnh R có độ dốc cao), dẫn đến việc thay đổi đột ngột giá trị lỗi dự báo (sai lệch đầu e lớn) Do đó, lỗi dự báo mạng nơron sử dụng việc xác định sóng QRS 2.2 Xây dựng mơ hình mạng Nơron Do đặc tính phi tuyến nhiễu nền, sử dụng mạng nơron có lớp ẩn có hàm kích thích phi tuyến để có đáp ứng tốt [7] Mạng nơron sử dụng có cấu trúc sau: đầu vào yt-1,…, yt-6; lớp ẩn có nơron phi tuyến có hàm kích thích Logsig; lớp có nơron tuyến tính có hàm kích thích Purelin Mơ hình mạng Nơron H Đầu nơron ẩn: a1 neti w1ij yt a1 j bj (1) j Trong a1() hàm kích thích Logsig: a1 ( x) 1 e x /T (2) Hội nghị toàn quốc lần thứ Điều khiển Tự động hoá - VCCA-2015 Giá trị T định tính phi tuyến hàm kích thích lớp ẩn, T nhỏ tính phi tuyến cao (ở ta chọn T = 1) w 1ij trọng số kết nối đầu vào với nơron lớp ẩn, bj độ lệch[6] Đầu mạng nơron: Trong w i2 trọng số kết nối nơron lớp ẩn với nơron đầu Sai lệch đầu mạng hiệu tín hiệu điện tim ban đầu đầu mạng: y w i2 a1 neti a2 net (3) i yt y w i2 a1 neti yt i i Luật học sử dụng cho mạng nơron luật học Delta (hay lan truyền ngược) Giá trị trung bình bình phương cực tiểu LMS bằng: E i w1ij yt j b j (4) j Luật cập nhật trọng số cho lớp ẩn (nối đầu vào thứ j tới nơron thứ i lớp ẩn): w i2 a1 yt w i2 a1 yt w1ij yt j bj (5) j w1(ij t 1) w1(ij t ) w2i a1 neti a1 neti xj w1(ij t ) w1(ij t 1) (6) (j=1, 2,… 6) Luật cập nhật trọng số cho lớp (nối nơron thứ i QRS Lúc ta dễ dàng xác định vị trí QRS lớp ẩn tới nơron đầu ra): phương pháp đặt ngưỡng [2,3] i i i i Giá trị ngưỡng = 1/3.5 giá trị đỉnh lớn tìm w2(t 1) w2(t ) a1 neti w2(t ) w2(t 1) (7) Để hiểu rõ hơn, tiến hành mô (i=1, 2, 3) phần mềm MatLab Tốc độ học mạng: µ = 0.3 Mơmen: α = 0.5 2.3 Kết mơ Q trình huấn luyện mạng: với ghi điện tim Ta sử dụng đoạn tín hiệu có độ dài 1800 mẫu cần xác định vị trí phức QRS, tiến hành huấn ghi 108 sở liệu MIT-BIH để kiểm tra thuật luyện mạng với mẫu đoạn tín hiệu tốn hết (mỗi mẫu tín hiệu lần truyền thuận nghịch), Sau huấn luyện, lấy tín hiệu ECG ban đầu trừ sai lệch đầu mạng tín hiệu điện tim ban đầu mạng Nơron ta tìm lỗi dự báo đầu đưa tới khối xử lý mạng sau: H Các khối xử lý tín hiệu Ta xây dựng sơ đồ nhằm mục đích xác định phức QRS phương pháp so sánh ngưỡng Lỗi dự báo qua khối bình phương (bình phương điểm để có đầu không âm); sai lệch lớn ứng với xuất QRS cho đầu tương ứng tập hợp đỉnh nhọn có biên độ lớn bật so với vùng cịn lại Để quan sát cách rõ ràng hơn, tín hiệu bình phương thu tiếp tục qua khối cửa sổ tích phân Lúc đầu tương ứng với phức QRS đỉnh “tù” có độ rộng xác định nhất, giúp người quan sát dễ nhìn xác định nhiều Độ rộng cửa sổ tích phân chọn 32 mẫu tín hiệu để chắn bao trùm toàn phức QRS Đặt ngưỡng: Tín hiệu đầu khối tích phân bao gồm tập hợp đỉnh đơn tương ứng 1-1 với phức VCCA-2015 H Đầu mạng lỗi dự báo Có thể thấy rằng: tương ứng với vị trí xuất sóng QRS, lỗi dự báo mạng xuất đỉnh nhọn qua (zero-crossing) có biên độ lớn nhiều so với vị trí khác Lỗi dự báo sau qua khối bình phương khối cửa sổ tích phân cho đầu đỉnh có biên độ lớn có vị trí tương ứng với QRS Sử dụng phương Hội nghị toàn quốc lần thứ Điều khiển Tự động hoá - VCCA-2015 pháp đặt ngưỡng, ta tìm đỉnh tương ứng bao trùm tồn phức QRS Quá trình qua khối hình dung cách rõ ràng thơng qua kết mô phỏng: 2.4 Kết hợp với biến đổi Wavelet để tăng hiệu nhận dạng QRS Với mơ hình mạng Nơron thuật toán huấn luyện đưa ra, kết nhận dạng QRS tốt Tuy nhiên, ghi bị nhiễu mạnh, trình nhận dạng gặp nhiều khó khăn Để khắc phục vấn đề này, kết hợp với biến đổi wavelet để nâng cao hiệu nhận dạng Lỗi dự báo qua khối trung gian, khối biến đổi Wavelet: H H Các bước bình phương, cửa sổ tích phân kết nhận dạng Trong hình 4, phức QRS giới hạn “xung vuông”, độ rộng xung vuông thay đổi tùy theo đầu khối cửa sổ tích phân ngưỡng Thuật toán cho kết nhận dạng tốt ghi có đỉnh R âm ghi xuất đỉnh nhọn bất thường đỉnh R (bản ghi người bị bệnh tim) Kết nhận dạng với ghi người bị bệnh tim có đỉnh R âm sau: Lỗi dự báo phân tách Wavelet đến mức 3; sau chuỗi xấp xỉ A3 khôi phục đưa đến khối để xử lý mục 4.2 Mục đích khối biến đổi Wavelet loại bỏ ảnh hưởng nhiễu mạnh Thuật tốn nhận dạng thơng thường cho kết xấu tín hiệu bị nhiễu mạnh; cịn thuật tốn kết hợp Nơron Wavelet cho kết nhận dạng tốt Ta sử dụng ghi số 203 để mơ Chúng ta thấy lỗi dự báo mạng bị ảnh hưởng mạnh nhiễu, đặc biệt vùng mẫu tín hiệu từ 2000 đến 3000 Cũng vùng kết nhận dạng QRS xấu: H H Đầu mạng lỗi dự báo H VCCA-2015 Kết nhận dạng QRS Các khối xử lý tín hiệu Đầu mạng lỗi dự báo Hội nghị toàn quốc lần thứ Điều khiển Tự động hoá - VCCA-2015 H 12 Ghi ghi 203 Như vậy, ghi ghi 203 bao gồm 19 phức QRS có vị trí giống với kết nhận dạng mục 4.3.2 (trong có nhịp bệnh ký hiệu V bệnh ngoại thu tâm thất) H Kết nhận dạng QRS với phương pháp thông thường Khác với phương pháp thông thường, phương pháp kết hợp, đầu vào khối bình phương chuỗi xấp xỉ A3: Kết luận Như báo trình bày hoàn chỉnh phương pháp kết hợp mạng Nơron biến đổi Wavelet nhận dạng sóng điện tim QRS Ngay với tín hiệu điện tim chưa tiền xử tốt, bị nhiễu mạnh (nhiễu tạp trắng, trôi đường sở ), thuật toán cho kết nhận dạng tốt Thuật toán kiểm chứng với ghi MIT-BIH bác sỹ trực tiếp ghi vị trí phức QRS Nếu kết hợp với việc tiền xử lý tốt tín hiệu đầu vào, có thuật tốn nhận dạng QRS có độ tin cậy cao Tài liệu tham khảo [1] H 10 Chuỗi xấp xỉ A3 Kết nhận dạng sau: [2] [3] [4] [5] H 11 Kết nhận dạng với phương pháp kết hợp Sau nhận dạng, ta dễ dàng tính tốn số phức QRS nhịp tim bệnh nhân: số phức QRS = 19 Đánh giá kết nhận dạng Các ghi điện tim sở liệu MIT-BIH ghi cụ thể vị trí phức hợp QRS tình trạng bệnh lý khoảng phức bác sỹ kiểm nghiệm Qua đánh giá hiệu hoạt động thuật toán nhận dạng điện tim tự động Bản ghi số 203 chuyển đạo II có ghi sau: VCCA-2015 [6] [7] P Karthikeyan, M Murugappan, and S Yaacob: ECG Signal Denoising Using Wavelet Thresholding Techniques in Human Stress Assessment School of Mechatronics Engg University Malaysia Perlis, 2012 Vineet Kumar Mukamia: Baseline Wander Estimation for ECG Characterization Thapar University, 2010 Mikhled Alfaouri, Khaled Daqrouq: ECG Signal Denoising by Wavelet Transform Thresholding Philadelphia University, 2008 Carsten Hennig, Reinhold Orglmeister: The Principles of Software QRS Detection Berlin University of Technology, 2002 G Vijaya, V Kumar, and H.K Verma: ANNbased QRS-complex analysis of ECG J.Med Eng Technol., vol 22, no 4, pp 160-167, 1998 Y.H Hu, W.J Tompkins, J.L Urrusti, and V.X Afonso: Applications of artificial neural networks for ECG signal detection and classification J Electrocardiology, vol 26 (Suppl.), pp 66-73, 1993 Qiuzhen Xue, Yu Hen Hu, Willis J Tompkins: Neural-Network-Based Adaptive Matched Filtering for QRS Detection IEEE Transactions on Biomedical Engineering, Vol 39, No 4, 1992 Hội nghị toàn quốc lần thứ Điều khiển Tự động hoá - VCCA-2015 Nguyễn Mạnh Cường, sinh năm 1976, nhận kỹ sư Điện tử Viễn Thông năm 2000 Học viện Kỹ thuật Quân sự, nhận Tiến sĩ Đại học Tổng hợp miền nam Nga năm 2010 Hiện giảng viên, Chủ nhiệm Bộ môn Điện Tử Y Sinh, Học viện KTQS Hướng nghiên cứu: Tự động hóa q trình cơng nghệ, xử lý tín hiệu y sinh Nguyễn Duy Thái, sinh năm 1982, nhận Kỹ sư Điện tử Y Sinh năm 2006 Học viện Kỹ Thuật Quân Sự Hướng nghiên cứu: Xử lý tín hiệu Y Sinh, thiết kế chế tạo thiết bị y tế Lê Vinh Tiến sinh năm 1990 nhận Kỹ sư Điện tử Y Sinh năm 2013 Học viện Kỹ Thuật Quân Sự Hiện anh công tác Học viện Quân y Hướng nghiên cứu: Xử lý tín hiệu Y Sinh VCCA-2015