PHÂN TÍCH tín HIỆU điện TIM CHO VIỆC cải THIỆN TRONG CHẨN đoán BỆNH TIM

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH PHÂN TÍCH TÍN HIỆU ĐIỆN TIM CHO VIỆC CẢI THIỆN TRONG CHẨN ĐOÁN BỆNH TIM LUẬN ÁN TIẾN SĨ NGÀNH: KỸ THUẬT ĐIỆN TỬ Tp Hồ Chí Minh, tháng 06/2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH PHÂN TÍCH TÍN HIỆU ĐIỆN TIM CHO VIỆC CẢI THIỆN TRONG CHẨN ĐOÁN BỆNH TIM NGÀNH: KỸ THUẬT ĐIỆN TỬ - 9520203 Hướng dẫn khoa học: Phản biện 1: Phản biện 2: Phản biện 3: Tp Hồ Chí Minh, tháng 06/2022 QUYẾT ĐỊNH GIAO ĐỀ TÀI QUYẾT ĐỊNH GIAO ĐỀ TÀI Trang – iii – LỜI CAM ĐOAN LỜI CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu tơi Các số liệu, kết nêu luận văn trung thực chưa công bố công trình khác Tp Hồ Chí Minh, ngày 10 tháng 06 năm 2022 Trang – v – LỜI CẢM TẠ LỜI CẢM TẠ Trước tiên, xin g i l ời c ảm ơn chân thành sâu sắc đế n Th ầ y PGS TS , người Th ầ y ln r ấ t nhi ệ t tình t ận tâm hướ ng d ẫ n thời gian th ự c hi ệ n luậ n án Hơn nữ a, su ốt trình th ự c hi ệ n t lúc l ập đề cương cho đế n thự c hi ệ n lu ậ n án, Th ầ y có nh ững góp ý định hướng giúp tơi đạt nh ữ ng kế t qu ả tốt nh ấ t Tôi xin g i lời c ảm ơn đế n Ban Giám Hi ệ u Trường Đạ i H ọc SPKT Tp HCM Cảm ơn Ban Ch ủ Nhiệm Khoa Điệ n – Điệ n t , nh ữ ng Th ầy/Cô đồng nghi ệ p c ủ a Khoa Điệ n – Điệ n t hỗ tr ợ trình th ự c hiệ n luậ n án Cuối cùng, xin g i l ời bi ết ơn sâu sắc đến gia đình tôi, nhữ ng người chỗ d ự a tinh th ầ n, ngu ồn động viên vô to l ớn nh ữ ng lúc khó khăn, giúp tơi an tâm th ự c hi ệ n công vi ệ c h ọc t ậ p nghiêm c ứ u c ủ a su ố t th ời gian th ự c hiệ n lu ậ n án Xin chân thành c ảm ơn! Tp Hồ Chí Minh, ngày 10 tháng 06 năm 2022 Trang – vi – TÓM TẮT TĨM TẮT Phân loại bệnh tim dựa vào tín hiệu điện tim với độ xác cao giúp đỡ bác sĩ chẩn đoán sớm đưa định xác nhằm chữa trị tốt cho bệnh nhân Cụ thể, để nâng cao hiệu suất phân loại hệ thống phân loại xây dựng gồm tập liệu, tiền xử lý lọc nhiễu, trích đặc trưng phân loại bệnh cần xem xét cải thiện Luận án sử dụng tập liệu điện tim có sẵn cơng bố website nhà khoa học sử dụng để nghiên cứu Do đó, luận án tập trung vào nghiên cứu đưa giải pháp công đoạn tiền xử lý lọc nhiễu, trích đặc trưng phân loại bệnh để nâng cao hiệu suất phân loại bệnh tim Trong năm gần đây, có nhiều nghiên cứu liên quan đến hệ thống phân loại bệnh tim thực nhà khoa học giới sử dụng tập liệu điện tim có sẵn webiste Hơn nữa, nghiên cứu tập trung vào phương pháp lọc nhiễu tín hiệu điện tim, trích xuất đặc trưng tín hiệu nhịp tim, kiến nghị áp dụng phân loại thực phân loại nâng cao hiệu xuất phân loại bệnh tim Những nghiên cứu thu hiệu đáng kể đóng góp đáng kể vào trình ứng dụng phân loại bệnh tim Từ đó, luận án tiếp tục nghiên cứu, phát triển đưa phương pháp để nâng cao độ xác việc phân loại bệnh tim dựa vào tín hiệu điện tim ECG Tín hiệu điện tim có biên độ nhỏ tồn nhiều loại nhiễu nhiễu đường dây điện từ nguồn cung cấp, nhiễu lệch đường nhiều loại nhiễu khác Do đó, luận án kiến nghị giải thuật phân rã – lọc nhiễu – khôi phục (WDFR) để loại bỏ thành phần nhiễu tín hiệu điện tim Cụ thể, giải thuật WDFR, tín hiệu điện tim phân rã thành thành phần sóng với dãi tần số khác sử dụng biến đổi wavelet Sau đó, thành phần sóng loại bỏ nhiễu khôi phục lại thành tín hiệu điện tim Tín hiệu điện tim sau lọc nhiễu xác định vị trí đỉnh R dùng thuật toán Pan-Tompskin để tách nhịp tim cho trích đặc trưng phân loại xác Trang – vii – TĨM TẮT Các đặc trưng tín hiệu nhịp tim cần trích xuất tốt để nâng cao hiệu suất phân loại bệnh tim Luận án đề xuất giải thuật trích đặc trưng tín hiệu nhịp tim dựa vào phương pháp phân tích thành phần tín hiệu nhịp tim sau biến đổi wavelet áp dụng kernel (wkPCA) nhằm nâng cao hiệu suất phân loại bệnh tim Trong giải thuật wkPCA, tín hiệu nhịp tim sau phân rã ánh xạ sang miền không gian sử dụng kernel đồng thời trích nhiều đặc trưng Để đánh giá hiệu phương pháp trích đặc trưng, mạng truyền thẳng bốn lớp xây dựng để phân loại bệnh tim từ đặc trưng thu dùng wkPCA Độ xác phân loại bệnh tim sử dụng phương pháp wkPCA tốt, chứng tỏ phương pháp trích đặc trưng đề xuất phù hợp Để nâng cao độ xác hệ thống phân loại phân loại cần nghiên cứu phát triển Luận án nghiên cứu kiến nghị để phát triển mạng học sâu nhằm phân loại bệnh tim xác Cụ thể, luận án đề xuất phương pháp tính tham số kernel lớp tích chập mạng học sâu dựa vào thành phần sóng tín hiệu nhịp tim Từ phương pháp tính kernel lớp tích chập đề xuất, mơ hình mạng học sâu cấu hình với lớp tích chập phù hợp cho việc phân loại đạt hiệu suất cao Cụ thể, với thuật toán cho xây dựng kernel việc trích xuất gần tồn đặc trưng nhịp tim điều nâng cao độ xác phân loại bệnh tim Từ kết này, phân loại áp dụng để phân loại loại bệnh tim từ xa sử dụng máy tính chủ Bộ phân loại cài đặt máy tính chủ bác sĩ tải tín hiệu điện tim bệnh nhân lên hệ thống để thu nhận kết phân loại bệnh tim từ hệ thống Hiệu phương pháp đề xuất chứng minh qua kết thực nghiệm Phương pháp nghiên cứu kết thu luận án đăng kỷ yếu hội thảo khoa học tạp chí khoa học Kết nghiên cứu làm tiền đề để phát triển xây dựng thiết bị đo phân loại bệnh tim cầm tay hệ thống máy tính chủ để phân loại bệnh tim từ xa Trang – viii – TÓM TẮT ABSTRACT Classifying heart disease based on ECG signals with high accuracy can help doctors to diagnose early and make more accurate decisions for effective treatment In practice, for improving classification peroformance, a classification system can be built with heart disease datasets and processing methods such as, preprocessing and noise filtering, features extraction, and heart disease classification This thesis uses ECG datasets with different heart diseases on the website for research In addition, from these datasets, the thesis focuses on proposing new methods for the objective of increasing the classification performance, particularly after preprocessing, the optimal methods of noise filtering, features extraction, and heart disease classification are proposed in this thesis In recent years, there have been many studies related to heart disease classification systems using ECG datasets with different heart diseases Furthermore, these studies focus on methods of filtering noises, extracting features, proposing and applying heart disease classifiers for the objective of improving the performance of heart disease classification Therefore, there have been significant contributions for applying heart disease classification In this thesis, we developed and proposed new methods for further improving the accuracy of heart disease classification based on ECG signals ECG signal has a small amplitude with many types of different noise and artifacts Therefore, this thesis proposed a WDFR algorithm to remove unwanted components in the ECG signal In particular, the ECG signal is decomposed into approximation and detail components with different frequency ranges using a wavelet transform Thus, the approximation and detail components without noises are restored to obtain the filtered ECG signal From the filtered ECG signal, the position of the R peaks is determined using the Pan-Tompskin algorithm and then it is segmented to produce heartbeats for feature extraction Trang – ix – TÓM TẮT The best features of each heartbeat signal need to be extracted for improving the performance of heart disease classifier In this thesis, a wavelet-based kernel construction (wkPCA) algorithm is proposed for heartbeat signal feature extraction In the wkPCA algorithm, the heartbeat signal after decomposition will be mapped to the new spatial domain using a kernel and features of the kernel may be extracted as many as possible To evaluate the effectiveness of this feature extraction method, a four-layer perceptron network with hidden layers and output layer was constructed for classifying heart diseases based on features obtained using the wkPCA algorithm The accuracy of the heart disease classifier using the wkPCA features extraction method is quite good compared to previous methods With big datasets of heart diseases, this thesis proposed to develop a deep learning network model, in which the optimal kernel for convolutional layer was proposed In particular, kernels were built based on the sub-wave components in each heartbeat signal and this allows to extract features From the proposed method of calculating the kernels in convolutional layers, the deep learning network model is configured with the suitable convolutional layers for the heart disease classification with the higher performance From these results, the classifier can be applied to classify various types of heart disease remotely using a host computer The classifier can be installed on the host computer and doctors can upload the patient's ECG signals to the system to get the heart disease classification results The effectiveness of the proposed methods has been proven through experimental results and the scientific contributions related to the results have been published on conferences and journals The contributions could be the premise for the development and application of heart disease classification devices or a host computer system for remote classification of heart disease Trang – x – Chương 6: Kết luận hướng phát triển CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN KẾT LUẬN Chẩn đốn sớm xác bệnh tim vấn đề nhà khoa học quan tâm giúp chữa sớm cho người bệnh Luận án đề xuất số phương pháp cho việc xử lý tín hiệu phân loại xác cao hệ thống phân loại bệnh tim dựa vào tập tín hiệu điện tim ECG Trong hệ thống phân loại mà luận án kiến nghị có phần quan trọng lọc nhiễu tín hiệu điện tim, trích thành phần đặc trưng tín hiệu điện tim cải thiện phân loại phù hợp để thu hiệu suất phân loại cao Cho việc lọc nhiễu tín hiệu ECG, luận án đề xuất giải thuật WDFR để lọc bỏ nhiễu tín hiệu điện tim Tôi đề xuất giải thuật WDFR để loại bỏ nhiễu trước tách tín hiệu điện tim thành nhịp tim tương ứng với nhãn loại bệnh gán nhãn bác sĩ chuyên khoa Cụ thể, tín hiệu điện tim phân rã thành thành phần sóng với dãi tần số khác sử dụng thuật toán phân rã wavelet Các thành phần nhiễu loại bỏ dựa vào tần số thành phần sóng Sau đó, thành phần sóng loại bỏ nhiễu khơi phục lại thành tín hiệu điện tim dùng thuật tốn khơi phục tín hiệu Tín hiệu điện tim khôi phục sau dùng giải thuật WDFR xác định vị trí đỉnh R cho mục đích tách thành nhịp tim dùng thuật tốn Pan-Tompskin Vậy thì, nhịp tim dùng để trích đặc trưng bệnh tim tập tín hiệu cho phân loại bệnh tim Kết thực nghiệm chứng minh giải thuật WDFR đề xuất có hiệu cao lọc nhiễu tín hiệu điện tim Trang – 127 – Chương 6: Kết luận hướng phát triển Luận án đề xuất giải thuật wkPCA để trích đặc trưng tín hiệu điện tim cho áp dụng mạng truyền thẳng nhiều lớp cho phân loại loại bệnh tim Cụ thể, giải thuật wkPCA đề xuất sử dụng kernel kết hợp với phân tích thành phần để trích đặc trưng tín hiệu nhịp tim sau lọc nhiễu dùng phương pháp WDFR Trong thuật toán wkPCA này, tín hiệu nhịp tim ánh xạ sang miền không gian sử dụng phương pháp kernel nhằm tách loại bệnh khác xa để hiệu suất phân loại đạt tốt Cụ thể, liệu nhịp tim miền khơng gian trích thành phần có nhịp tim bệnh tim đồng thời giảm chiều liệu Cuối cùng, mạng truyền thẳng bốn lớp gồm lớp ẩn lớp ngõ áp dụng để phân loại loại bệnh tim sử dụng đặc trưng trích dùng giải thuật wkPCA Kết độ xác phân loại thu 98 04% với loại bệnh tim khác nhau, điều chứng tỏ phương pháp trích đặc trưng đề xuất phù hợp cho việc trích đặc trưng tín hiệu điện tim dùng cho mạng truyền thẳng nhiều lớp cho phân loại loại bệnh tim Cho phát triển hiệu suất phân loại, luận án áp dụng mạng học sâu gồm 26 lớp để phân loại loại bệnh tim, giải thuật xây dựng kernel cho lớp tích chập đề xuất Cụ thể, tín hiệu nhịp tim lọc nhiễu sử dụng giải thuật WDFR tính tốn để phân loại kernel với kích cỡ khác dựa vào khoảng thời gian thành phần sóng P, Q, R, S cho lớp tích chập nhằm nâng cao hiệu trích đặc trưng giảm chiều Rõ ràng, với lớp tích chập nhằm trích xuất tối ưu thành phần đặc trưng tín hiệu nhịp tim hệ thống mạng học sâu làm tăng hiệu suất phân loại bệnh tim với số lượng nhịp tim lớn Kết thí nghiệm cho thấy mạng học sâu áp dụng với kernel lớp tích chập đề xuất phân loại loại bệnh tim với độ xác 99 37% Đây rõ ràng đề suất có ý nghĩa áp dụng thực tế với đa dạng bệnh tim tập liệu lớn Với mục tiêu đề luận án nâng cao hiệu suất phân loại bệnh tim mà cụ thể nâng cao độ xác phân loại bệnh tim, luận án đề xuất phương pháp lọc nhiễu, trích đặc trưng phân loại loại bệnh tim trình bày Trang – 128 – Chương 6: Kết luận hướng phát triển Với phương pháp kiến nghị kết độ xác thu tốt có cải thiện thơng qua cơng trình khoa học cơng bố tạp chí uy tín, so sánh với cơng trình nghiên cứu khác HƯỚNG PHÁT TRIỂN Luận án đề xuất hệ thống cho phân loại bệnh tim với phương pháp giải thuật kiến nghị nhằm loại bỏ nhiễu, chuẩn hóa liệu nhịp tim, trích đặc trưng tối ưu Những kết phân loại bệnh tim từ hệ thống đánh giá với hiệu suất cao, điều giúp bác sĩ đưa chẩn đoán sớm điều trị bệnh tim cho bệnh nhân Hơn nữa, tảng máy vi tính phát triển nhỏ gọn với tốc độ xử lý cao, cấu trúc phần cứng FPGA phát triển mạnh Do vậy, giải thuật phương pháp đề xuất luận án tiếp tục nghiên cứu phát triển thành thiết bị cầm tay để tiện cho việc đo đạt, chẩn đoán phân loại loại bệnh tim Với kết nghiên cứu luận án, số lượng bệnh phân loại năm loại bệnh tim Do vậy, hướng pháp triển luận án nghiên cứu phát triển phân loại với nhiều loại bệnh tim Ngoài ra, q trình lọc nhiễu khả thơng tin có ích tín hiệu điện tim Tiếp tục nghiên cứu phát triển thuật tốn lọc nhiễu để loại bỏ hồn tồn nhiễu bảo tồn thơng tin có ích hướng phát triển luận án Luận án thực lọc nhiễu tín hiệu điện tim có sẵn tín hiệu điện tim tự thu thập Tuy nhiên, vấn đề thu thập gán nhãn cho loại bệnh tim tín hiệu điện tim bệnh nhân bệnh viện Việt Nam khó khăn cần phải phối hợp với bác sĩ chuyên khoa cho phép bệnh viện Do vậy, để phát triển theo hướng cần có đề án có hợp tác quan bệnh viện để thu thập gán nhãn tín hiệu cho vấn đề nghiên cứu hướng pháp triển luận án Trang – 129 – Các cơng trình cơng bố CÁC CƠNG TRÌNH ĐÃ CÔNG BỐ Danh mục kết nghiên cứu tạp chí hội thảo cơng bố q trình thực luận án: Tạp chí quốc tế hệ thống ISI/Scopus [1] Thanh-Nghia Nguyen, Thanh-Hai Nguyen, "Deep Learning Framework with ECG Feature-Based Kernels for Heart Disease Classification," Elektronika Ir Elektrotechnika, Vol 27, No 1, pp 48-59, 2021 (SCIE) (ISSN: 1392-1215) [2] Thanh-Nghia Nguyen, Thanh-Hai Nguyen, and Van-Thuyen Ngo, "Artifact elimination in ECG signal using wavelet transform", TELKOMNIKA Telecommunication, Computing, Electronics and Control, Vol 18, No 2, pp 936-944, 2020 (Scopus) (ISSN: 1693-6930) [3] Thanh-Nghia Nguyen, Thanh-Hai Nguyen, Manh-Hung Nguyen, and Salvatore Livatino, "Wavelet-Based Kernel Construction for Heart Disease Classification", Advances in Electrical and Electronic Engineering Journal, Vol 17, No 3, pp 306-319, 2019 (ESCI) (ISSN: 1336-1376) [4] Manh-Hung Nguyen, Vu-Hoang-Tran, Thanh-Hai Nguyen, and Thanh-Nghia Nguyen, "A Deep Learning Framework for Inter-Patient ECG Classification", IJCSNS International Journal of Computer Science and Network Security, Vol 19, No 1, pp 74-84, 2019 (ESCI) (ISSN: 2325-0925) Chương sách quốc tế [5] Thanh-Hai Nguyen, Thanh-Nghia Nguyen, and Thanh-Tam Nguyen, "A Deep Learning Framework for Heart Disease Classification in an IoTs-Based System", In: Balas V , Solanki V , Kumar R , Ahad M (eds) A Handbook of Internet of Things in Biomedical and Cyber Physical System Intelligent Systems Reference Library, Vol 165, pp 217-244, Springer, Cham, 2020 (Scopus – Book chapter) (ISBN: 978-3-030-23982-4) Hội nghị quốc tế [6] Thanh-Nghia Nguyen, Thanh-Hai Nguyen, Thanh-Tam Nguyen, "A Remote Diagnostic System using Deep Learning Network for Heart Disease Detection," in Proceedings of 2021 International Conference on System Science and Engineering (ICSSE), Vietnam, pp 274 - 278, 2021 (ISBN: 978-1-6654-48482) [7] Thanh-Nghia Nguyen, Thanh-Hai Nguyen, D -D Vo and T -D Nguyen, "Multi-class Support Vector Machine Algorithm for Heart Disease Classification," 2020 5th International Conference on Green Technology and Sustainable Development (GTSD), Ho Chi Minh City, Vietnam, pp 137-140, 2020 (ISBN: 978-1-7281-9982-5) Trang – 130 – Các cơng trình cơng bố [8] Duong Van Binh, Nguyen Thanh Nghia, Nguyen Thanh Hai and Nguyen Manh Hung, "Design of Classifier for Electrocardiography Classification", in Proceedings of 7th International Conference on the Development of Biomedical Engineering in Vietnam (BME7), Vietnam, Vol 69, pp 552-557, 2018 (Proceedings index in Scopus) (ISBN: 978-981-13-5858-6) [9] L T M Thuy, N T Nghia, D V Binh, N T Hai, and N M Hung, "Errorrate analysis for ECG classification in diversity scenario", in Proceedings of International Conference on System Science and Engineering (ICSSE), Vietnam, pp 39-43, 2017 (ISBN: 978-981-13-5858-6) [10] N H Thai, N T Nghia, D V Binh, N T Hai, and N M Hung, "Long-tail effect on ECG classification", in Proceedings of International Conference on System Science and Engineering (ICSSE), Vietnam, pp 34-38, 2017 (ISBN: 978-1-5386-3422-6) Tạp chí nước có tính điểm hội đồng GS/PGS [11] , Nguyen Thanh Hải, Võ Đức Dũng, Ngô Đức Đạt, "Đánh giá mối quan hệ tín hiệu ECG SpO2 người", Tạp chí khoa học giáo dục kỹ thuật, Số 53, tr 96-105, 2019 (ISSN: 1859-1272) CÁC CƠNG TRÌNH NGHIÊN CỨU KHÁC [1] Ba-Viet Ngo, Thanh-Hai Nguyen, and Thanh-Nghia Nguyen, "EEG SignalBased Eye Blink Classifier Using Convolutional Neural Network For BCI Systems", in Proceedings of The International Conference on Advanced COMPuting and Applications (ACOMP), Vietnam, pp 176-180, 2021 (ISBN: 978-1-6654-0639-0) [2] Dang-Khoa Tran, Thanh-Hai Nguyen, and Thanh-Nghia Nguyen, "Detection of EEG-Based Eye-Blinks Using A Thresholding Algorithm", European Journal of Engineering and Technology Research, Vol 6, No 4, pp 6-12, 2021 (ISSN: 2736-576X) [3] Nguyen Thanh Nghia, Nguyen Thanh Hai, "Human motor cortex detection using wavelet threshold algorithm and fNIRS technology", Journal of Technical Education Science, Vol 42, pp 28-38, 2017 (ISSN: 1859-1272) [4] N T Hải, N T Nghĩa, N V Thuyên, V V Tới, "Khảo sát khu vực vận động não người sử dụng cơng nghệ fNIRS", Tạp Chí Khoa Học Công Nghệ Các Trường Đại Học Kỹ Thuật, Số 92, tr 34-40, 2013 (ISSN: 0868-3980) [5] T N Nguyen, T H Nguyen, and T T Nguyen, "Wavelet Coefficient Average Value for Prediction of Motor Control Area of Human Brain using fNIRS", the BME2012 Conference, IFMBE Proceedings, Vietnam, Vol 27, pp 411-415, 2012 (ISBN:978-3-642-32182-5) Trang – 131 – Tài liệu tham khảo TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] V T H Hoa and Đ V Tri, "Characteristics of Blood Pressure Variability in Patients with The Masked Hypertension Detected by 24-h Ambulatory Blood Pressure Monitoring," Journal of Vietnamese Cardiology, vol 66, pp 149 159, 2014 (ISSN: 1859-2848) C T Sinh and N T T Ngan, "Evaluating Antihypertensive Effects and Tolerance of Lercanidipne Versus Amlodipine in Patients with Ischemic Stroke with Hypertension by Ambulatory Blood Pressure Monitoring," Journal of Vietnamese Cardiology, vol 69, pp 26-33, 2015 (ISSN: 18592848) A H Association, "Heart Disease, Stroke and Research Statistics At-aGlance," Circulation, 2016 (ISSN: 1746-8094) R J Martis, U R Acharya, and L C Min, "ECG beat classification using PCA, LDA, ICA and Discrete Wavelet Transform," Biomedical Signal Processing and Control pp 437–448, 2013 (ISSN: 1746-8094) R Ranjan and V K Giri, "A Unified Approach of ECG Signal Analysis," International Journal of Soft Computing and Engineering, vol 2, no 3, pp - 10, 2012 (ISSN: 2231-2307) S H Jambukia, V K Dabhi, and H B Prajapati, "Classification of ECG signals using machine learning techniques: A survey," in Proceedings of International Conference on Advances in Computer Engineering and Applications (ICACEA), pp 1-8, 2015 (ISBN: 978-1-4673-6911-4) C Đ Hồng, "Phân tích tín hiệu tim loạn nhịp," PhD Thesis, Đại Học Bách Khoa Hà Nội, 2014 N Đ Thảo, "Nâng cao chất lượng nhận dạng tín hiệu điện tim dựa giải pháp loại bỏ ảnh hưởng từ nhịp thở người bệnh," PhD Thesis, Đại Học Bách Khoa Hà Nội, 2016 P V Nam, "Xây dựng mơ hình nhận dạng kết hợp nhằm nâng cao độ xác phân loại tín hiệu điện tim loạn nhịp," PHD Thesis, Trường Đại học Bách Khoa Hà Nội, 2018 R Rodríguez, A Mexicano, S C J Bila, and R Ponce, "Feature Extraction of Electrocardiogram Signals by Applying Adaptive Threshold and Principal Component Analysis," Journal of Applied Research and Technology, vol 13, pp 261-269, 2015 (ISSN: 1665-6423) S M Qaisar and S F Hussain, "Arrhythmia Diagnosis by Using LevelCrossing ECG Sampling and Sub-Bands Features Extraction for Mobile Healthcare," Sensors, vol 20, no 8, pp 1-19, 2020 (ISSN: 1424-8220) T Li and M Zhou, "ECG Classification Using Wavelet Packet Entropy and Random Forests," Entropy, vol 18, no 8, pp 285-301, 2016 (ISSN: 10994300) Trang – 132 – Tài liệu tham khảo [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] H Li, D Yuan, X Ma, D Cui, and L Cao, "Genetic algorithm for the optimization of features and neural networks in ECG signals classification," Scientific Reports, vol 7, pp 1-12, 2017 (ISSN: 2045-2322) D Wang, Y Si, W Yang, G Zhang, and J Li, "A Novel Electrocardiogram Biometric Identification Method Based on Temporal-Frequency Autoencoding," Electronics, vol 8, no 6, pp 667-691, 2019 (ISSN: 20799292) S L Oh, E Y K Ng, R SanTan, and U R Acharya, "Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length heart beats," Computers in Biology and Medicine, vol 102, pp 278287, 2018 (ISSN: 0010-4825) Y Xia, N Wulan, K Wang, and H Zhang, "Detecting atrial fibrillation by deep convolutional neural networks," Computers in Biology and Medicine, vol 93, pp 84–92, 2018 (ISSN: 0010-4825) Y Ji, S Zhang, and W Xiao, "Electrocardiogram Classification Based on Faster Regions with Convolutional Neural Network," Sensors, vol 19, no 11, pp 2558-1566, 2019 (ISSN: 1424-8220) Y Xu, M Luo, T Li, and G Song, "ECG Signal De-noising and Baseline Wander Correction Based on CEEMDAN and Wavelet Threshold," Sensors (Basel), vol 17, no 12, 2017 (ISSN: 1424-8220) T D Trinh and T V Dong, Hướng Dẫn Đọc Điện Tim Hà Nội: Nhà Xuất y học, 2007 (ISBN) G B Moody and R G Mark, The MIT-BIH Arrhythmia Database on CDROM and software for use with it vol 17 Chicago, IL, USA: IEEE, 1990 (ISBN: 0-8186-2225-3) M Alfaras, M C Soriano, and S Ortín, "A Fast Machine Learning Model for ECG-Based Heartbeat Classification and Arrhythmia Detection," Frontiers in Physics, vol 7, no 103, 2019 (ISSN: 2296-424X) U Banu and G M Patil, "A Survey on Automatic ECG Analyzing System," Indian Journal of Scientific Research, vol 12, no 1, pp 246-251, 2015 (ISSN: 0976-2876) C K Chua, "Analysis of Cardiac and Epileptic Signals Using Higher Order Spectra," PhD, Queensland University of Technology, 2010 L A Gordillo, M Santiago, and R Barranca, "An Adaptive GeometricallyComplemented Approach for ECG Signal Denoising," in Proceedings of 11th International Conference on Electrical Engineering, Computing Science and Automatic Control (CCE), Ciudad del Carmen, Campeche, Mexico, pp 978983, 2014 (ISBN: 978-1-4799-6230-3) R Vullings, B d Vries, and J W M Bergmans, "An Adaptive Kalman Filter for ECG Signal Enhancement," IEEE Transactions on Biomedical Engineering, vol 58, no 4, pp 1094–1103, 2011 (ISSN: 0018-9294) D Jingwei and J Wenwen, "Design of Digital Filter on ECG Signal Processing," in Proceedings of Fifth International Conference on Trang – 133 – Tài liệu tham khảo [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] Instrumentation and Measurement, Computer, Communication and Control (IMCCC), pp 1272 - 1275, 2015 (ISBN: 978-1-4673-7723-2) W -h Lin, M Y -M Wong, L -n Pu, and Y -t Zhang, "Comparison of median filter and discrete dyadic wavelet transform for noise cancellation in electrocardiogram," in Proceedings of Annual International Conference of the IEEE Engineering in Medicine and Biology, pp 2395 - 2398, 2010 (ISBN: 1094-687X) R Verma, Mehrotra, and V Bhateja, "An integration of improved median and morphological filtering techniques for electrocardiogram signal processing," in Proceedings of 3rd IEEE International Advance Computing Conference (IACC), pp 1223 - 1228, 2013 (ISBN: 978-1-4673-4529-3) J -S Wang, Y Zhang, P Zhang, and S -F Sun, "Research on denoising algorithm for ECG signals," the 29th Chinese Control Conference (CCC), pp 2936 - 2940, 2010 (ISSN: 1934-1768) A Ren, Z Du, J Li, F Hu, X Yang, and H Abbas, "Adaptive Interference Cancellation of ECG Signals," Sensors (Basel, Switzerland), vol 17, no 5, pp 942-957, 2017 (ISSN: 1424-8220) S Asgari and A Mehrnia, "A novel low-complexity digital filter design for wearable ECG devices," PloS one, vol 12, no 4, pp 1-19, 2017 (ISSN: 19326203) S -H Liu, C -H Hsieh, W Chen, and T -H Tan, "ECG Noise Cancellation Based on Grey Spectral Noise Estimation," Sensors (Basel), vol 19, no 4, pp 1-16, 2019 (ISSN: 1424-8220) J Piskorowski, "Digital Q-Varying Notch IIR Filter With Transient Suppression," IEEE Transactions on Instrumentation and Measurement, vol 59, no 4, pp 866-872, 2010 (ISSN: 0018-9456) V Joshi, A R Verma, and Y Singh, "De-noising of ECG Signal Using Adaptive Filter Based on MPSO," Procedia Computer Science, vol 57, no 1, pp 395-402, 2015 (ISSN: 1877-0509) K Tajane, R Pitale, and J Umale, "Review Paper: Comparative Analysis Of Mother Wavelet Functions With The ECG Signals," International Journal of Engineering Research and Applications, vol 4, no 1, pp 38-41, 2014 (ISSN: 2248-9622) K D Priya, G S Rao, and P S V S Rao, "Comparative Analysis of Wavelet Thresholding Techniques with Wavelet-wiener Filter on ECG Signal," Procedia Computer Science, vol 87, no 1, pp 178-183, 2016/01/01/ 2016 (ISSN: 1877-0509) X Xu, Y Liang, P He, and J Yang, "Adaptive Motion Artifact Reduction Based on Empirical Wavelet Transform and Wavelet Thresholding for the Non-Contact ECG Monitoring Systems," Sensors (Basel), vol 19, no 13, pp 1-14, 2019 (ISSN: 1424-8220) Trang – 134 – Tài liệu tham khảo [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] S Goel, P Tomar, and G Kaur, "An Optimal Wavelet Approach for ECG Noise Cancellation," International Journal of Bio-Science and BioTechnology, vol 8, no 4, pp 39-52, 08/31 2016 (ISSN: 2233-7849) A K Verma, I Saini, and B S Saini, "Alexander fractional differential window filter for ECG denoising," Australasian Physical & Engineering Sciences in Medicine, vol 41, no 2, pp 519-539, 2018/06/01 2018 (ISSN: 1879-5447) J Pan and W J Tompkins, "A Real-Time QRS Detection Algorithm," IEEE Transactions on Biomedical Engineering, vol 32, no 3, pp 230-236, 1985 (ISSN: 0018-9294) V M Bazán, "Multilead analysis of T-wave alternans in the Electrocardiagram," PhD, Instituto Universitario de Investigación, Universidad Zaragoza, 2011 M Kallas, C Francis, L Kanaan, D Merheb, P Honeine, and H Amoud, "Multi-Class SVM Classification Combined with Kernel PCA Feature Extraction of ECG Signals," in Proceedings of 19th International Conference on Telecommunications (ICT), pp - 5, 2012 (ISBN: 978-1-4673-0747-5) B A Rajoub, "An Efficient Coding Algorithm for the Compression of ECG Signals Using the Wavelet Transform," IEEE Transactions on Biomedical Engineering, vol 49, no 4, pp 355-362, 2002 (ISSN: 0018-9294) R He, K Wang, N Zhao, Y Liu, Y Yuan, Q Li, et al , "Automatic Detection of Atrial Fibrillation Based on Continuous Wavelet Transform and 2D Convolutional Neural Networks," Frontiers in Physiology, vol 9, pp 12061217, 2018 (ISSN: 1664-042X) R Singh, R Mehta, and N Rajpal, "Efficient wavelet families for ECG classification using neural classifiers," Procedia Computer Science, vol 132, pp 11-21, 2018 (ISSN: 1877-0509) J Kuzilek, "Independent Component Analysis - Applications in ECG signal processing," PhD, Department of Cybernetics, Czech Technical University, 2013 L N Sharma, S Dandapat, and A Mahanta, "Multichannel ECG Data Compression Based on Multiscale Principal Component Analysis," IEEE Transactions on Information Technology in Biomedicine, vol 16, no 4, pp 730-736, 2012 (ISSN: 1089-7771) D Widjaja, C Varon, A Dorado, J A K Suykens, and S V Huffel, "Application of Kernel Principal Component Analysis for Single-Lead-ECGDerived Respiration," IEEE Transactions on Biomedical Engineering, vol 59, pp 1169-1176, 2012 (ISSN: 0018-9294) J P Sahoo, "Analysis of ECG signal for Detection of Cardiac Arrhythmias," PhD, Electronics and Communication Engineering, National Institute Of Technology, 2011 Trang – 135 – Tài liệu tham khảo [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] P d Chazal, "A Switching Feature Extraction System for ECG Heartbeat Classification," Computing in Cardiology 2013, pp 955-958, 2013 (ISSN: 978-1-4799-0886-8) M Kropf, D Hayn, and G Schreier, "ECG classification based on time and frequency domain features using random forests," in Proceedings of Computing in Cardiology 2017, pp 1-4, 2017 (ISBN: 978-1-5386-6630-2) R N Khushabaa, S Kodagodaa, S Lalb, and G Dissanayake, "Uncorrelated fuzzy neighborhood preserving analysis based feature projection for driver drowsiness recognition," Fuzzy Sets and Systems, vol 221, pp 90-111, 2013 (ISSN: 0165-0114) R Rodriguez-Jorge, A Mexicano, J Bila, R Ponce, and S Cervantes, "Feature Extraction of Electrocardiogram Signals by Applying Adaptive Threshold and Principal Component Analysis," Journal of Applied Research and Technology, vol 13, no 2, pp 261-269, 2015 (ISSN: 1665-6423) Q Qin, J Li, L Zhang, Y Yue, and C Liu, "Combining Low-dimensional Wavelet Features and Support Vector Machine for Arrhythmia Beat Classification," Scientific Reports, vol 7, no 1, pp 6067-6079, 2017/07/20 2017 (ISSN: 2045-2322) D Zhang, S Wang, F Li, J Wang, A K Sangaiah, V S Sheng, et al , "An ECG Signal De-Noising Approach Based on Wavelet Energy and Sub-Band Smoothing Filter," Applied Sciences, vol 9, no 22, p 4968, 2019 (ISSN: 2076-3417) T Wang, C Lu, Y Sun, M Yang, C Liu, and C Ou, "Automatic ECG Classification Using Continuous Wavelet Transform and Convolutional Neural Network," Entropy (Basel, Switzerland), vol 23, no 1, pp 119-132, 2021 (ISSN: 1099-4300) H Li, H Liang, C Miao, L Cao, X Feng, C Tang, et al , "Novel ECG Signal Classification Based on KICA Nonlinear Feature Extraction," Circuits, Systems, and Signal Processing, vol 35, no 4, pp 1187-1197, 2016 (ISSN: 1531-5878) J L Rodriguez-Sotelo, E Delgado-Trejos, D Peluffo, D Cuesta-Frau, and G Castellanos-Dominguez, "Weighted-PCA for Unsupervised Classification of Cardiac Arrhythmias," in Proceedings of 32nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Buenos Aires, Argentina, 2010 (ISBN: 978-1-4244-4123-5) G Chen, Z Hong, Y Guo, and C Pang, "A cascaded classifier for multi-lead ECG based on feature fusion," Computer Methods and Programs in Biomedicine, vol 178, pp 135–143, 2019 (ISSN: 0169-2607) T Mar, S Zaunseder, J P Martınez, M Llamedo, and R Poll, "Optimization of ECG Classification by Means of Feature Selection," IEEE Transactions on Biomedical Engineering vol 58, no 8, pp 2168-2177, 2011 (ISSN: 00189294) Trang – 136 – Tài liệu tham khảo [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] Z Zhao and Y Zhang, "SQI Quality Evaluation Mechanism of Single-Lead ECG Signal Based on Simple Heuristic Fusion and Fuzzy Comprehensive Evaluation," Frontiers in Physiology, vol 9, no 727, pp 1-13, 2018 (ISSN: 1664-042X) O Behadada and M A Chikh, "An interpretable classifier for detection of cardiac arrhythmias by using the fuzzy decision tree," Artificial Intelligence Research, vol 2, no 3, pp 45-58, 2013 (ISSN: 1076 - 9757) W K Lei, B N Li, M C Dong, and M I Vai, "AFC-ECG: An adaptive fuzzy ECG classifier," in Proceedings of Soft Computing in Industrial Applications, pp 189-199, 2007 (ISBN: 978-3-540-70704-2) D Pal, K M Mandana, S Pal, D Sarkar, and C Chakraborty, "Fuzzy expert system approach for coronary artery disease screening using clinical parameters," Knowledge-Based Systems, vol 36, pp 162-174, 2012 (ISSN: 0950-7051) R Ceylan, Y Özbay, and B Karlik, "A novel approach for classification of ECG arrhythmias: Type-2 fuzzy clustering neural network," Expert Systems with Applications, vol 36, no 3, pp 6721-6726, 2009 (ISSN: 0957-4174) T N Alotaiby, S A Alshebeili, L M Aljafar, and W Alsabhan, "ECG-Based Subject Identification Using Common Spatial Pattern and SVM," Journal of Sensors, vol 2019, no 3, pp 1-9, 2019 (ISSN: 1424-8220) M Ashtiyani, S N Lavasani, A A Alvar, and M R Deevband, "Heart Rate Variability Classification using Support Vector Machine and Genetic Algorithm," Journal of Biomedical Physics and Engineering, vol 8, no 4, pp 423-434, 2018 (ISSN: 2251-7200) A Batra and V Jawa, "Classification of Arrhythmia Using Conjunction of Machine Learning Algorithms and ECG Diagnostic Criteria," International Journal of Biology and Biomedicine, vol 1, no 1, pp 1-7, 2016 (ISSN: 19984510) J A Nasiri, M Naghibzadeh, H S Yazdi, and B Naghibzadeh, "ECG Arrhythmia Classification with Support Vector Machines and Genetic Algorithm," in Proceedings of 3rd UKSim European Symp on Comput Modeling and Simulation, Athens, Greece, pp 187-192, 2009 (ISBN: 978-14244-5345-0) K Polat, B Akdemir, and S Güneş, "Computer aided diagnosis of ECG data on the least square support vector machine," Digital Signal Processing, vol 18, no 1, pp 25-32, 2008 (ISSN: 1051-2004) T Barman, R Ghongade, and A Ratnaparkhi, "Rough set based segmentation and classification model for ECG," in Proceedings of Conference on Advances in Signal Processing (CASP), Pune, India, pp 18-23, 2016 (ISBN: 978-15090-0849-0) B K Tripathy, D P Acharjya, and V Cynthya, "A Framework for Intelligent Medical Diagnosis Using Rough Set with Formal Concept Analysis," Trang – 137 – Tài liệu tham khảo [73] [74] [75] [76] [77] [78] [79] [80] [81] [82] [83] International Journal of Artificial Intelligence & Applications, vol 2, no 2, pp 45-66, 2011 (ISSN: 0976 - 2191) R V Andreão, B Dorizzi, and J Boudy, "ECG signal analysis through hidden Markov models," IEEE Transactions on Biomedical Engineering, vol 53, no 8, pp 1541-1549, 2006 (ISSN: 0018-9294) S M Anwar, M Gul, M Majid, and M Alnowami, "Arrhythmia Classification of ECG Signals Using Hybrid Features," Computational and Mathematical Methods in Medicine, vol 2018, no 10, pp 1-8, 2018 (ISSN: 1748-670X) V M Priyadharshini and S S Kumar, "An Enhanced Approach on ECG Data Analysis using Improvised Genetic Algorithm," International Research Journal of Engineering and Technology, vol 2, no 5, pp 1248-1256, 2015 (ISSN: 2395-0072) S Dalal and R Birok, "Analysis of ECG Signals using Hybrid Classifier," International Advanced Research Journal in Science, Engineering and Technology, vol 3, no 7, pp 89-95, 2016 (ISSN: 2394-1588) Bensujin, C K S vijila, and C Hubert, "Detection of ST Segment Elevation Myocardial Infarction (STEMI) Using Bacterial Foraging Optimization Technique," International Journal of Engineering and Technology, vol 6, no 2, pp 1212-1223, 2014 (ISSN: 2227-524X) K Feng, X Pi, H Liu, and K Sun, "Myocardial Infarction Classification Based on Convolutional Neural Network and Recurrent Neural Network," Applied Sciences, vol 9, no 9, pp 1879-1891, 2019 (ISSN: 2076-3417) U Erdenebayar, H Kim, J -U Park, D Kang, and K -J Lee, "Automatic Prediction of Atrial Fibrillation Based on Convolutional Neural Network Using a Short-term Normal Electrocardiogram Signal," Journal of Korean medical science, vol 34, no 7, pp 1-10, 2019 (ISSN: 1598-6357) A Vishwa, M K Lal, S Dixit, and P Varadwaj, "Clasification Of Arrhythmic ECG Data Using Machine Learning Techniques," International Jorunal of Interactive Multimedia and Artificial Intelligence, vol 1, no 4, pp 67-70, 2011 (ISSN: 1989-1660) S Jadhav, S L Nalbalwar, and A Ghatol, "Artificial Neural Network Models based Cardiac Arrhythmia Disease Diagnosis from ECG Signal Data," International Journal of Computer Applications, vol 44, no 15, pp 8-13, 2012 (ISSN: 0975 - 8887) B T Funsten, "ECG Classification with an Adaptive Neuro-Fuzzy Inference System," PhD Thesis, California Polytechnic State Universit, 2015 S Shadmand and B Mashoufi, "Personalized ECG Signal Classification Using Block-Based Neural-Network and Particle Swarm Optimization," in Proceedings of 20th Iranian Conference on Biomedical Engineering, pp 203208, 2013 (ISBN: 4799-3232) Trang – 138 – Tài liệu tham khảo [84] [85] [86] [87] [88] [89] [90] [91] [92] [93] [94] [95] [96] M L Soria, "Signal Processing for Automatic Heartbeat Classification and patient adaptation in the Electrocardiagram," PhD Thesis, Universidad Zaragoza, 2012 M Moavenian and H Khorrami, "A qualitative comparison of artificial neural networks and support vector machines in ECG arrhythmias classification," Expert Syst with Application, vol 37 no 4, pp 3088-3093, 2010 (ISSN: 0957-4174) N P Joshi and P S Topannavar, "Support vector machine based heartbeat classification," International Journal of Advances in Science Engineering and Technology, vol 2, no 3, pp 54-58, 2014 (ISSN: 2321-9009) A Dallali, A Kachouri, and M Samet, "Fuzzy c-means clustering, Neural Network, wt, and Hrv for classification of cardiac arrhythmia," ARPN Journal of Engineering and Applied Sciences, vol 6, no 10, pp 112-118, 2011 (ISSN: 1819-6608) D Ge, L Sun, and X Wen, "Discrimination of Myocardial Infraction Using Orthogonal ECG and Fuzzy Weighted Method," in Proceedings of 4th International Conference on Bioinformatics and Biomedical Engineering (iCBBE), pp - 4, 2010 (ISBN: 978-1-4244-4712-1) A Messaoud, M B Messaoud, A Kachouri, and F Sellami, "Fuzzy logic based system for classification of atrial fibrillation cardiac arrhythmias," in Proceedings of 13th IEEE International Conference on Electronics, Circuits and Systems, pp 347 - 350, 2006 (ISBN: 1-4244-0394-4) B Pourbabaee, M J Roshtkhari, and K Khorasani, "Deep Convolutional Neural Networks and Learning ECG Features for Screening Paroxysmal Atrial Fibrillation Patients," IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol 47, pp 1-10, 2017 (ISSN: 2168-2216) S Savalia and V Emamian, "Cardiac Arrhythmia Classification by MultiLayer Perceptron and Convolution Neural Networks," Journal of Bioengineering, vol 5, pp 1-12, 2018 (ISSN: 2306-5354) W Li and J Li, "Local Deep Field for Electrocardiogram Beat Classification," IEEE Sensors Journal, vol 18, pp 1656-1664, 2018 (ISSN: 1530-437X) S Karpagachelvi, D M Arthanari, and M Sivakumar, "Classification of ECG Signals Using Extreme Learning Machine," Computer and Information Science, vol 4, no 1, pp 42-52, January 2011 (ISSN: 1913-8989) M Llamedo, A Khawaja, and J P M ınez, "Cross-Database Evaluation of a Multilead Heartbeat Classifier," IEEE Transactions on Information Technology in Biomedicine, vol 16, no 4, pp 658-664, 2012 (ISSN: 10897771) J Wang, M She, S Nahavandi, and A Kouzani, "Human Identification From ECG Signals Via Sparse Representation of Local Segments," IEEE Signal Processing Letters, vol 20, no 10, pp 937-940, 2013 (ISSN: 1070-9908) J Li, Y Si, T Xu, and S Jiang, "Deep Convolutional Neural Network Based ECG Classification System Using Information Fusion and One-Hot Encoding Trang – 139 – Tài liệu tham khảo [97] [98] [99] [100] [101] [102] [103] [104] [105] [106] [107] Techniques," Mathematical Problems in Engineering, vol 2018, pp 1–10, 2018 (ISSN: 1024-123X) G Vrbancic, I J Fister, and V Podgorelec, "Automatic Detection of Heartbeats in Heart Sound Signals Using Deep Convolutional Neural Networks," Elektronika Ir Elektrotechnika, vol 25, no 3, pp 71-76, 2019 (ISSN: 1392-1215) L Guoa, G Sima, and B Matuszewski, "Inter-patient ECG classification with convolutional and recurrent neural networks," Biocybernetics and Biomedical Engineering, vol 39, no 3, pp 868-879, 2019 (ISSN: 0208-5216) T -N Nguyen, T -H Nguyen, and V -T Ngo, "Artifact elimination in ECG signal using wavelet transform," TELKOMNIKA Telecommunication, Computing, Electronics and Control, vol 18, no 2, pp 936-944, 2020 (ISSN: 1693-6930) U Satija, B Ramkumar, and M S Manikandan, "Automated ECG Noise Detection and Classification System for Unsupervised Healthcare Monitoring," IEEE Journal of Biomedical and Health Informatics, vol 22, no 3, pp 722-732, 2018 (ISSN: 2168-2194) D L Donoho and I M Johnstone, "Adapting to Unknown Smoothness via Wavelet Shrinkage," Journal of the American Statistical Association, vol 90, no 432, pp 1200-1224, 1995 (ISSN: 0162-1459) A Kumar, R Kumar, and R K Pandey, "ECG Signal Compression using Optimum Wavelet Filter Bank Based on Kaiser Window," Procedia Engineering, vol 38, no 1, pp 2889-2902, 2012 (ISSN: 1877-7058) Y Zhang, M Wang, and Y Li, "Low Computational Signal Acquisition for GNSS Receivers Using a Resampling Strategy and Variable Circular Correlation Time," Sensors (Basel), vol 18, pp 1-21, 2018 (ISSN: 14248220) J Dempster, "Chapter six - Signal Analysis and Measurement," in The Laboratory Computer, J Dempster, Ed , ed London: Academic Press, pp 136171, 2001 (ISBN: 978-0-12-209551-1) T -N Nguyen, T -H Nguyen, M -H Nguyen, and S Livatino, "WaveletBased Kernel Construction for Heart Disease Classification," Advances in Electrical and Electronic Engineering Journal, vol 17, no 3, pp 306-319, 2019 (ISSN: 1336-1376) Y Xiang, J Luo, T Zhu, S Wang, X Xiang, and J Meng, "ECG-Based Heartbeat Classification Using Two-Level Convolutional Neural Network and RR Interval Difference," IEICE Transactions on Information and Systems, vol E101 D, no 4, pp 1189-1198, 2018 (ISSN: 0916-8532) T -N Nguyen and T -H Nguyen, "Deep Learning Framework with ECG Feature-Based Kernels for Heart Disease Classification," Elektronika Ir Elektrotechnika, vol 27, no 1, pp 48-59, 2021 (ISSN: 1392-1215) Trang – 140 – Tài liệu tham khảo [108] J Jiang, H Zhang, D Pi, and C Dai, "A novel multi-module neural network system for imbalanced heartbeats classification," Expert Systems with Applications: X, vol 1, pp 100003-100018, 2019 (ISSN: 2590-1885) [109] M E Morán, M C Soriano, I Fischer, and C R Mirasso, "Electrocardiogram Classification Using Reservoir Computing With Logistic Regression," IEEE Journal of Biomedical and Health Informatics, vol 19, no 3, pp 892-898, 2015 (ISSN: 2168-2194) Trang – 141 – ... tín hiệu điện tim ECG với tên luận án cụ thể ? ?Phân tích tín hiệu điện tim cho việc cải thiện chẩn đoán bệnh tim? ?? ❖ CẤU TRÚC HỆ THỐNG PHÂN LOẠI BỆNH TIM Xử lý tín hiệu ECG cho việc phân loại bệnh. .. từ tín hiệu điện tim ECG Trong hệ thống phân loại bệnh đề cập hình 1, tập tín hiệu điện tim ECG khối trình xử lý cho việc phân loại bệnh tim Để xây dựng phân loại tốt với hiệu suất phân loại bệnh. .. đặt phân tích tín hiệu điện tim ECG để cải thiện chẩn đoán bệnh tim, mục tiêu cụ thể phân loại xác loại bệnh tim để Trang – 10 – Chương 1: Tổng quan giúp cho bác sĩ chẩn đốn sớm xác loại bệnh tim