Ứng dụng giải thuật sax và matrix profile để phát hiện bất thường trong phân tích dữ liệu điện tâm đồ

TR IăH CăQU CăGIAăTP.ăHCM NGă IăH CăBỄCHăKHOA NGUY NăNG CăANHăTH NGăD NGăGI IăTHU TăSAXăVĨăMATRIXăPROFILEă ăPHỄTăHI NăB TăTH NGăTRONGăPHỂNăTệCH D ăLI Uă I NăTỂMă ChuyênăngƠnh:ăV tăLỦăK ăThu t Mưăs :ă8520401 LU NăV NăTH CăS TP.ăH ăCHệăMINH,ăthángă07 n mă2022 Cơngătrìnhăđ Cánăb ăh căhoƠnăthƠnhăt i:ăTr ngăd năkhoaăh c: ngă iăh căBáchăKhoaăậ HQG-HCM TS NGUY NăTH ăPH NGăQUYểN Ch ăkỦ:ă TS TR NăTRUNGăNGH A Ch ăkỦ: Cánăb ăch mănh năxétă1: TS.ăNGUY NăTH ăTH NG Ch ăký: Cánăb ăch mănh năxétă2: PGS.ăTS.ăHU NHăQUANGăLINH Ch ăkỦ: Lu năv năth căs ăđ căb oăv ăt iăTr ngă iăh căBáchăkhoa ậ HQG-HCM ngày 23 tháng 07 n mă2022 ThƠnhăph năH iăđ ngăđánhăgiáălu năv năth căs ăg m: Ch ăt ch:ăTS.ăLụăANHăTÚ Th ăkỦ:ăTS.ăNGUY NăTRUNGăH U Ph năbi nă1:ăTS.ăNGUY NăTH ăTH NG Ph năbi nă2:ăPGS TS.ăHU NHăQUANGăLINH yăviên:ăTS.ăNGUY NăTR NGăTHANHăH I Xácănh năc aăCh ăt chăH iăđ ngăđánhăgiáăLVăvƠăTr lu năv năđưăđ ngăKhoaăqu nălỦăchuyênăngƠnhăsauăkhi căs aăch aă(n uăcó) CH ăT CHăH Iă TS Lý Anh Tú NG TR NGăKHOAăKHOAăH Că NGăD NG TR IăH CăQU CăGIAăTP.HCM NGă IăH CăBỄCHăKHOA C NGăHọAăXĩăH IăCH ăNGH AăVI T NAM căl pă- T ădoă- H nhăphúc NHI MăV ăLU NăV NăTH CăS H ătênăh căviên:ăNGUY NăNG CăANHăTH ăă MSHV: 1970351 NgƠy,ătháng,ăn măsinh: 31/08/1995 N iăsinh:ăLong An Chuyên ngành: V tăLỦăK ăThu tăYăSinh Mưăs : 8520401 I TểNă ăTĨI: ngăd ng gi i thu tăSAXăvàăMatrixăProfileăđ phát hi n b t th ng phân tích d li u n tâm đ (Application of SAX algorithm and Matrix Profiles to detect abnormalities in electrocardiogram data analysis) II NHI MăV ăVĨăN IăDUNG: Lu năv năđ cătrìnhăbƠyăbaoăg mă5 ph n chính:  Ph nă1: M ăđ u, g m:ăđ tăv năđ ,ăm căđíchăth căhi năđ ătƠi,ăđ iăt ngăvƠăph măvi th căhi n,ăỦăngh aăkhoaăh căvƠăth căti năc aăđ ătƠi  Ph nă2: T ngăquanăcácăv năđ ăliênăquanăđ năđ ătƠi,ăg m:ăd ăli uăchu iăth iăgian vƠăphátăhi năb tăth ngătrênăd ăli uăchu iăth iăgian,ătínăhi uăb tăth ngătrongătín hi uăđi nătơmăđ ,ăcácănghiênăc uăliênăquan đ ăphátăhi năb tăth ng  Ph nă3: N iădungăvƠăph ngăphápăth căhi n,ăg m:ă cácăph ngăpháp SAX, MP (Matrix Profile), LCS (Longest Common Subsequence),ăđ xu tăph ngăphápăth c hi n s d ng k t h p SAX-MPăđ phát hi n b tăth ng d li uăđi nătơmăđ  Ph nă4: K tăqu ăth nghi m,ăg m:ăk tăqu ă03ăb ăd ăli uăth nghi m,ăđánhăgiáăthu t toánăvƠăsoăsánhăv iăph ngăphápăHOT-SAX, MP  Ph nă5:ăK tălu năvƠăh ngăphátătri năc aăđ ătƠi III NGĨYăGIAOăNHI MăV : IV NGĨYăHOĨNăTHĨNHăNHI MăV : V CỄNăB ăH NGăD N: TS NGUY NăTH ăPH NGăQUYểN TS TR NăTRUNGăNGH A Tp HCM, ngày tháng n m 2022 CỄNăB ăH NGăD N (H ătênăvƠăch ăkỦ) CH ăNHI MăB ăMỌNă ĨOăT O (H ătênăvƠăch ăkỦ) TS Tr năTrungăNgh a PGS.ăTS.ăHu nhăQuangăLinh TR NGăKHOAăKHOAăH Că NGăD NG (H ătênăvƠăch ăkỦ) PGS.ăTS.ăTr ngăTíchăThi n L IăC Mă N Kho ngăth iăgianăh căt p,ănghiênăc u,ăth căhi năvƠăhoƠnăthi nălu năv nănƠy,ă ngoƠiăs ăn ăl căc aăb năthơn,ăđ căbi tăcịnăcóăs ăgiúpăđ ,ăđ ngăviênăvƠăh ătr ăc aăquỦă Th yăCơ,ăđ ngănghi p,ăb năbè vƠăgiaăđình Tơiă xină g iă l iă cámă nă chơnă thƠnhă nh tă đ nă haiă ng Ph ngăQuyênăậ Tr Ngh aăậ Tr ngă ngă iăh căBáchăKhoaăậ iăh căBáchăKhoaăậ iă lƠă TS.ă Nguy nă Th ă iăh că ƠăN ng, vƠăTS.ăTr năTrungă iăh căqu căgiaăTP.HCMălƠăhaiăcánăb ăh d năkhoaăh căđưăt nătình quan tâm ch d n,ăđơnăđ cănh cănh ,ăđ nhăh hìnhăthƠnhăỦăt ngă ngăchoătơiă ng,ăphátătri năvƠăgiúpăđ ătôiăr tănhi uătrongăvi căhoƠnăthi nălu năv n.ă M tăl năn aătôiăvôăcùngăbi tă năTh yăvƠăCô Tôiăxinăg iăl iăcámă năsơuăs căđ năquỦăTh yăCôăTr ngă i h căBáchăKhoaă ậ iăh căqu căgiaăTP.HCMăđưăt nătìnhătruy năđ tănh ngăki năth căchunămơnăvƠ ph ngăphápăh căt p,ănghiênăc uătrongăsu tăth iăgianătơiăh căt păt iătr ng Tơiăxinăcámă năgiaăđình,ăb năbèăvƠăđ ngănghi p, đưăt oăđi uăki n,ăđ ngăviênă vƠăh ătr ătôiăv ăm tătinhăth nătrongăsu tăth iăgianăth căhi nălu năv n Doă th iă giană vƠă ki nă th că cóă h n,ă trongă quáă trìnhă tìmă đ că hi uă cácă tƠiă li u chunămơn,ăkhơngătránhăkh iănh ngăh năch ,ăthi uăsót,ăr tămongănh năđ căs ăgóp Ủăc aăquỦăTh yăCơ,ăquỦăanh/ch /emăđ ngănghi păvƠăquỦăb năbèăđ ălu năv năngƠyă cƠngăhoƠnăthi n h n.ă Nghiênăc uănƠyăđ tr ă b iă Qu ă cătƠiătr ăb iăT păđoƠnăVingroupă(côngătyăCP)ăvƠăđ căh ă iă m iă sángă t oă Vingroupă (VINIF)ă trongă đ ă tƠiă cóă mưă s ă VINIF.2020.DA19.ăTơiăxinăchơnăthƠnhăc mă năs ătƠiătr ănƠy TP.ăH ăChíăMinh,ăngƠyăăăthángăăăn mă2022 H căviên th căhi n NGUY NăNG CăANHăTH i TịMăT TăLU NăV N Tìmăki măs ăt ngăđ ngătrênăchu iăth iăgianălƠăm tătrongănh ngăk ăthu tăph ă bi nănh tăđ ăphátăhi năb tăth n ngăl ng,ăcôngănghi p,ăh ăth ngăyăt ăch măsócăs căkh e,ăv.vầ SAXălƠăph bi tăđ ng,ă ngăd ngătrongănhi uăl nhăv c,ăbaoăg măcácăngƠnhă ngăphápăti păc năd aătrênătìmăki măt ngăt ăkháăph ăbi năvƠăđ că căápăd ngătrongăchu iăd ăli uăth iăgian.ă Matrix profile lƠăm tăk ăthu tăđ ă th căhi nătìmăki măt tăc ăcácăc păt ngăt ătrênăhaiăchu iăth iăgian,ăt oăraăhaiăchu iă m iălƠăMatrixăprofileăvƠăarrayăprofileăindex D ăli uăđi nătơmăđ ă(ECG)ălƠăm tăchu iăd ăli uăchu iăth iăgianăbi uăth ăcácă xungăđi năc aăc ătim,ăđ căs ăd ngăph ăbi nătrongăyăt ăH uăh tăcácăbácăs ăth s ăd ngăECGănh ăm tăcôngăc ăkhôngăxơmăl năđ ăphátăhi năcácăb tăth ngă ngăvƠăch nă đoánăcácăb nhăv ătim Lu năv nănƠyăđ ăxu tăm tăphápăphápăk tăh păgi iăthu tăSAXăvƠăMatrixăProfileă (MP) th căhi năb ng ph năm măl pătrình MATLAB đ ăphátăhi năb tăth ngătrên phân tích d ăli uăđi nătơmăđ ăLu năv năs ăd ngăbaăb ăd ăli uăchu iăth iăgianăECGătrênă khoăl uătr ăphơnălo i chu iăth iăgianăPhysiobank.ăK tăqu ătìmăki măs ăb tăth trênăcácăt păd ăli uătrùngăkh păv iănh ngăb tăth đoánăcoăth tătơmăth tăs m đ ng v ăr iălo nănh pătim,ăcácăch nă căđánhăd uăb iăcácăbácăs ăMIT V iăs ăk tăh păc aăhaiăph hi năb tăth ngăpháp,ăSAX-MP cho th yăđ ngăb iăđ ăchínhăxácăvƠăth iăgianăch yăth ănghi măt căhi uăqu ăphátă ngăđ iănhanh T ă nh ngăth ănghi mătrênănh ngăb ăd ăli uăECGăđ năgi năđ năph căt p,ăph SAX-MPăchoăth yăđ sánhăv iăph hi năb tăth ngăsu tăvƠăhi uăqu ătrongăvi căphátăhi năb tăth ngăphápăHOT-SAXăvƠăcácăph v năđápă ngăđ ngă ngăphápă ng so ngăphápăd aătrênăMP K tăqu ăc aălu nă căm cătiêuăc aăđ ătƠiălƠăt oăraăm tăgi iăthu tăhi uăqu ătrongăvi căphátă ngătrongăphơnătíchăd ăli uăđi nătơmăđ ăT ăđóăcó th ăphátătri n gi iăthu tă ngăd ng r ng rãi l nhăv c yăh c ii ABSTRACT Time series similarity search is one of the most popular techniques for anomaly detection, with applications in many fields, including the energy, industrial, healthăcareăsystems,ăetcầ SAX is a fairly popular similarity search-based approach and is especially applicable in time series data Matrix profile is a technique to perform a search for all similarity pairs on two time series, creating two new series, Matrix profile and array profile index Electrocardiogram (ECG) data is a series of time series data representing electrical impulses of the heart muscle, commonly used in medicine Most doctors commonly use the ECG as a non-invasive way to detect abnormalities and diagnose heart diseases This thesis proposes a method combining SAX algorithm and Matrix Profile (MP) implemented by MATLAB programming software to detect abnormalities on electrocardiogram data analysis The thesis uses three sets of ECG time series data on the Physiobank time series classification archive Findings for anomalies on data sets coincided with arrhythmia abnormalities, diagnoses of early ventricular contractions highlighted by MIT physicians With the combination of the two methods, SAX-MP has shown to be effective in anomaly detection because of its accuracy and relatively fast test run time From tests on simple to complex ECG data sets, the SAX-MP method has been shown to be productive and effective in anomaly detection when compared with the HOT-SAX method and methods based on MP The results of the thesis meet the goal of the topic is to create an effective algorithm in detecting abnormalities in the analysis of electrocardiogram data From there, the algorithm can be developed and widely applied in the field of medicine iii L IăCAMă OAN Lu năv năth căs ăchuyênăngƠnhăV tălỦăK ăthu tăắ NGăD NGăGI IăTHU Tă SAX VĨăMATRIXăPROFILEă ăPHỄTăHI NăB TăTH TÍCH D ăLI Uă I NăTỂMă ” cơng trình nghiênăc uăc aăriêngătôiăd h ngăd năkhoaăh c c aăTi năs ăNguy năTh ăPh NGăTRONGăPHỂNă iăs ă ngăQuyênăvƠăTi năs ăTr năTrungă Ngh a Tôiă xină camă đoană r ng cácă n iă dungă nghiênă c u,ă s ă li uă kh oă sát,ă k tă qu ă nghiênăc u lu năv n nƠyălƠătrungăth căvƠăch aăcơngăb ăd nƠoătr iăb tăk ăhìnhăth că căđơy.ăNgồi ra, lu năv n có s ăd ngăm tăs ănh năxét,ăđánhăgiáăc ngă nh ăs ăli uăc aăcácătácăgi ăkhácăđ uăcóătríchăd năvƠăchúăthíchătƠiăli uăthamăkh o c ă th N uăcóăb tăk ăs ăsai sót liênăquanăđ năn iădungălu năv n, tơi xin hoàn toàn ch uă tráchă nhi m.ă Tr ngă iă h că Báchă Khoaă ậ iă h că Qu că Giaă TP.HCM khôngă liênă quană đ nă nh ngă viă ph mă tácă quy n,ă b nă quy nă c aă tơi q trình th căhi nă(n uăcó) iv M CăL C L IăC M N i TịMăT TăLU NăV N ii ABSTRACT iii L IăCAMă OAN iv M CăL C v DANHăM CăCH ăVI TăT T vii DANH M CăHỊNHă NH viii DANH M CăB NGăBI U x CH NGă1:ăM ă 1.1.ă U tăv n đ 1.2.ăM căđíchăth căhi n 1.3.ă CH iăt ngăvƠăph măviăth căhi n .6 NGă2:ăT NGăQUANăCỄCăV Nă 2.1.ă nhăngh aăb tăth ăLIểNăQUANă Nă ăTĨI .8 ng,ăd ăli uăchu iăth iăgian .8 2.1.1 nh ngh a b t th ng .8 2.1.2 nh ngh a d li u chu i th i gian 2.2.ăPhátăhi năb tăth ngătrênăd ăli uăchu iăth iăgian 13 2.4.ăTínăhi uăb tăth ngătrongăđi nătơmăđ 18 2.4.ăCácănghiênăc uăcóăliênăquanăv ăvi căs ăd ngăSAXăđ ăphátăhi năb tăth CH NGă3:ăN IăDUNGăVĨăPH ng 27 NGăPHỄPăTH CăHI N 31 3.1.ăLỦăthuy tăliênăquan 31 3.1.1 Symbolic Aggregate ApproXimation (SAX) .33 3.1.2 Matrix Profile (MP) 42 v 3.1.3 Longest Common Subsequence (LCS) .45 3.1.4.ăGi iăthu tăHOTăSAX 47 3.2.ăN iădungăph 3.3.ă CH ăxu tăph ngăphápăth căhi n 49 ngăphápăth căhi n .50 NGă4:ăK TăQU ăTH ăNGHI M 54 4.1.ăD ăli uăth ănghi m vƠăngơnăng ăl pătrình .54 4.1.1 Th nghi m t p d li u ECG đ n gi n (stdb_308_a) 55 4.1.2 Th nghi m t p d li u ECG đ n gi n (stdb_308_b) 56 4.1.3 Th nghi m t p d li u ECG ph c t p (mitdb/x_mitdb/x_108) 57 4.2.ă ánhăgiáăthu tătoán,ăsoăsánhăv iăph CH NGă5:ăK TăLU NăVĨăH ngăphápăMPăvƠăHOT-SAX 59 NGăPHỄTăTRI Nă ăTĨI 62 5.1.ăK tălu n 62 5.2.ăH ngăphátătri năc aăđ ătƠi 66 TĨIăLI UăTHAMăKH O 67 vi DANHăM CăCH ăVI TăT T T ăvi tăt t ụăngh aăti ngăAnh Association AAMI Advancement for ụăngh aăti ngăVi t the of Medical Instrumentation aSAX Hi pă h iă vìă s ă ti nă b ă c aă Thi tăb ăyăt adaptive Symbolic Aggregate Ph ngăphápăx păx ăg păkỦă approXimation hi uăhóaăthíchă ng DLP Data Loss Prevention Ch ngăth tăthoátăd ăli u ECG Electrocardiogram IoT Internet of Things Internetăv năv t indexable Symbolic Aggregate Ph approXimation hi uăhóaăkh ăch ăm c iSAX i nătơmăđ ngăphápăx păx ăg păkỦă LCS Longest Common Subsequence Chu iăconăchungădƠiănh t MP Matrix Profile PAA PLA SAX Piecewise Maătr năt Aggregate Ph ngă phápă x pă x ă t ngă h păt ngăđo n Approximation Piecewise-linear approximation Symbolic ngăt Ph ngă phápă x pă x ă nă tínhăt ngăđo n Aggregate Ph ngăphápăx păx ăg păkỦă hi uăhóa approximation Association rule mining based Khaiă thácă quyă t că k tă h pă SAX-ARM on symbolic aggregate d aă trênă t approximation vii ngătr ng cătínhă t ngă h pă Quaăhìnhă4.5ătaăth y,ă ăv ătríăb tăth (3st discord),ăb tăth ngăth ănh tă(1st discord) vƠăv ătríăth ăbaă ngăth ăhi n ch năđốnăcoăbópătơmăth tăs m ăv ătríăb tăth ngă th ăhaiă(2st discord)ăth ăhi năr iălo nănh pătim:ăr iălo nănh pătrênăth t Cácăch năđoán trênăphùăh păv iăk tăqu đ căcácăbácăs ăMITăchúăthíchătrênăt păd ăli uăg c Cóăth ăth yătrênăhình,ănh ngăb tăth sátăb ngăm tăth ngăcóăth ăđ căphátăhi năthơngăquaăquană ng.ăTuyănhiên,ăchu iăth iăgianăc aăt păd ăli uăth c t ăt vƠănhi uăh n,ăkhôngăth ăxemăxétăk tăqu ăm tăcácăk ăl ngăđ iădƠiă ngăn uăkhơngăt pătrungăkiênă nh năvƠăcóăthanhăcu năh ătr 4.2.ă ánhăgiáăthu tătốn,ăsoăsánhăv iăph K tă qu ă c aă ph ph ngăpháp MP HOT-SAX ngăphápă SAX-MPăđ căsoă sánhă v iăph ng pháp MP ngăphápăHOT-SAX Thu tătoánăđ hi uăqu ,ăđi măF1 đ căđánhăgiáăd aătrênăhaiăs ăli u:ăn ngăsu tăvƠăhi uăqu V ă tínhă căs ăd ngăđ ăđánhăgiáăhi uăqu ăc aăph ngăphápăbenchmark đ ăxu t.ăSauăđơyălƠăcáchătínhăđi măF1 : (1) trongăđóăP vƠăRălƠăđ ă chínhăxác (precision) vƠăđ ăh i t đ ng (recall) cóăth ă căđ nhăngh aănh ăsau: , (2) (3) TP,ăFPăvƠăFNăl năl tăđ căbi uăth ăchoăcácăk tăqu ăd ngătínhăđúng,ăd ngă tính âm tínhăgi ă i măF1ăn mătrongăkho ngăt ă1ăđ nă0,ăv iă1ălƠăt tănh tăvƠă0ălƠă kémănh t Bênăc nhăđó,ăth iăgianăch yăđ căs ăd ngăđ ăđánhăgiáăn ngăsu t c aăcácăthu tă toán benchmarkăđ ăxu t 59 B ng 4.1 tómăt tăk tăqu ăphátăhi năb tăth ngăc aăcácăph ngăphápăSAX-MP, MPăvƠăHOTăSAX.ăCóăth ănh năraăr ngăk tăqu ăc aăSAX-MPăvƠăHOTăSAXăkháăgi ngă ăđánhăgiáăhi uăsu tă c aăph đ căs ăd ng.ăVìăcácătrìnhăt ăb tăth coi k tăqu ăđ ngăphápăđ ăxu t,ăđi măF1 vƠăth iăgianăch yă ngăđưăđ căcácăchuyênăgiaătênămi năg nănhưn,ă căcungăc pătrongă[51] lƠăđúng.ăBaăb ăd ăli uăđ c l yăt ăcùngăm tă ngu nătrongă[51] K tăqu ,ălu năv n đưăsoăsánhănh ngăphátăhi năb tăth v iănh ngăphátăhi năđ ngăd ăki nă căbáoăcáoătrongă[52] Cóăth ăk tălu năr ngăcácăk tăqu ăphátăhi năb tăth ngătrongălu năv n hồn tồn phùăh păv iănh ngănh năđ nhăc aăcácăchunăgia.ăDoăđó,ăhaiăb ăd ăli uăECGăcóăđ măF1 lƠă1,ăchoăth yăSAX-MP đ că căđ ăxu tăđưăcóăhi uăqu ă Bênăc nhăđó,ăb ng 4.2 choăth yăth iăgianăch yătrênăhai t păd ăli uăđ căth ă nghi m.ăMPăm tăth iăgianăng nănh tăđ ătri năkhaiăt păd ăli uăđưăth ănghi m.ăTh iă gianăch yăc aăSAX-MPănh ăh n m tăchútăsoăv iăHOT-SAX hai t păd ăli uăvƠă soăsánhăt ngăđ iătrênăm tăt păd ăli u.ă K tăqu ănƠyăch ngăt ătínhăn ngăsu t vƠăhi uăqu ăc aăph đ ngăpháp SAX-MP c đ ăxu t B ng 4.2:ăTómăt tăk tăqu ăphátăhi năđi măb tăth Dataset ngătrongă3ăt păd ăli uăECG ădài V ătríăb tăth ng Top-k b tă discords SAX-MP MP HOT SAX th ng stdb_308_a 300 2286 2780 2286 stdb_308_b 300 2226 2710 2226 10868 10060 10871 10022 11134 10014 4020 4368 4017 mitdb/x_mitdb/x_108 600 60 B ng 4.3:ăTh iăgianăch yăd ăli u Th iăgianăch yă(giơy) Dataset SAX-MP HOT SAX MP ECG1 41.32 42.22 7.86 ECG2 43.22 46.78 8.49 61 CH NGă5:ăK TăLU N VĨăH NGăPHỄTăTRI Nă ăTĨI 5.1 K tălu n Nh ngăti năb ăg năđơyătrongăcôngăngh ăđưămangăl iănh ngăđ tăpháăl nătrongă vi căthuăth păd ăli u,ăchoăphépăthuăth păm tăl ngăl năd ăli uătheoăth iăgianăvƠădoă đóăt oăraăchu iăth iăgian.ăKhaiăthácăd ăli uănƠyăđưătr ăthƠnhăm tănhi măv ăquanătr ngă đ iăv iăcácănhƠănghiênăc uăvƠăth căhƠnhătrongăvƠiăn măqua,ăbaoăg măc ăvi căphátă hi năcácăđi măkhácăth ngăho căb tăth ngăcóăth ăđ iădi năchoăcácăl iăho căs ăki nă quan tâm Trongăgi iăh nănghiênăc uăc aăđ ătƠiălu năv nănƠy,ănhómănghiênăc uăth căhi nă khaiăpháăchu iăd ăli uăth iăgianăđ ăphátăhi năs ăb tăth ngătrongăchu iăd ăli uăth iă gianăc aăđi nătơmăđ ăECGăd aătrênăk ăthu tăSAX-MP,ăt ăđóăgiúpăphátănh ngăd uă hi uăb tăth ngătrongătínăhi uăđi nătimăh ătr ătrongăvi căphátăhi năvƠăđi uătr ăs măcácă b nhăliênăquanăđ năv năđ ătimăm ch i nătơmăđ ă(ECG)ălƠăcáchăđ năgi n,ănhanhăchóng,ăanătoƠnăvƠăkhơngăgơyăđauă đ năđ ăghiăl iăho tăđ ngăđi năđ căt oăraăvƠăd nătruy nătrongătim.ăNóălƠăm tăcơngăc ă khơngăxơmăl năhi uăqu ăchoăcácă ngăd ngăyăsinhăkhácănhauănh ăđoănh pătim,ăki mă traănh pătim,ăch năđoánăcácăb tăth ngăc aătim,ănh năd ngăc măxúcăvƠăth ăch tăvƠă nh năd ngăsinhătr căh c,v.vầ Phátăhi năb tăth đ cătrongăkh iăl ngăđ ăc păđ năvi căphátăhi năcácăb tăth ngăl năd ăli uăkhơngăd ăth ngăkhơngănhìnăth yă ng.ă ơyălƠăm tăch ăđ ăđ yătháchăth că v iăd ăli uăchu iăth iăgian,ăđ căbi tălƠăd ăli uăchu iăth iăgian ECG, doăkh iăl li uăl n,ăcácăm uătu năhoƠnătinhăviăcóăth ăquáănhanhăho căquáăch măđ ăm tăng th phátăhi n đ ngăd ă i có c, ho căs ăthayăđ iătrongăcácătínăhi uăt ăb nhănhơnănƠyăsangăb nhă nhân khác, thangăth iăgianăkhácănhauăc aăr iălo nănh pătimăcóăth ăx yăra.ăCóăr tă nhi uăph ngăphápăti păc n đ ăphátăhi năb tăth ngătrongăECG đưăđ phơnătíchătínăhi uăđi nătơmăđ ăvƠănhi uănghiênăc uăkhácănhauăđưăđ phơnălo iăcácăr iălo nănh pătimăkhácănhau 62 căs ăd ngăđ ă căth căhi năđ ă Phátăhi năb tăth ngăđi nătơmăđ ălƠăm tăcáchăti păc năc năthi t h uăhi u đ ă phátăhi năcác b nh lỦăv ătimăm ch.ăCácătínăhi uăđi nătơmăđ ătr căqătrìnhăch năđốnă chiăti tătrongăl nhăv căyăt ădùngăđ ăđánhăgiáăs căkh eăc aătráiătimăconăng nay,ăcóănhi uăph ngăphápăphátăhi năb tăth có giám sát khơngăgiámăsát.ă i.ăNgƠyă ngăđ ăphátăhi năđi nătơmăđ ăbaoăg mă iăv iăvi căti păc n cóăgiámăsát,ănóăđịiăh iăki năth că c a chuyên gia vi căđƠoăt oăsơuăv ăcácălo iăd ăli uăr iălo nănh pătimăkhácănhau.ă Tuyănhiên,ăvìăcácăd ăth ngăítăh năvƠăkhơngărõăràng trongănhi uătr khóăphơnăbi tăvƠăkhóăghiăchú,ănênăcácăph phátăhi năcácăd ăth Doăkíchăth ngăh p d năđ n ngăphápăkhơngăgiámăsátăphùăh păh năđ ă ngătrên tínăhi u nătơmăđ ă căl năvƠăkh iăl ngăl năd ăli uăchu iăth iăgianăl n,ăđ căbi tăđ iă v i d ăli uăchu iăth iăgianăđi nătơmăđ ,ăcácăcơngăngh ăphơnătíchăhi năcóăr tăkémătrongă vi căx ălỦăd ăli uăthô.ăSAXălƠăm tăph ngăphápăn iăti ngăđ ăgi măkíchăth căd ăli uă chu iăth iăgianăb ngăcáchăchuy năđ iăchu iăth iăgianăthƠnhăchu iăkỦăhi u.ă Matrix profileă(MP)ălƠăm tăk ăthu tăđ ăth căhi nătìmăki măt tăc ăcácăc p-t ngăt ătrênăhaiă chu iăth iăgian,ăt oăraăhaiăchu iăm iălƠăMatrixăprofileăvƠăarrayăprofileăindex.ăC uăhìnhă maătr năđ căđ nhăngh aălƠăc uătrúcăd ăli uăch aăkho ngăcáchăEuclidăchu năhóaăză(z- normalizedăEuclideanădistances)ăgi aăm iădưyăconăc aăchu iăth iăgianăđ uătiênăvƠă dưyăconăt ngă ngăg nănh tăc aănóătrongăchu iăth iăgianăth ăhai.ăArrayăprofileăindexă ch aăch ăm căc aăchu iăconăphùăh pănh tătrongăchu iăth iăgianăth ăhaiăchoăm iăchu iă con.ăB năthơnăMPăcóăth ăđ c nhămƠăcácăb tăth ngăđ vect ăMP,ăcácăđi măb tăth căs ăd ngăđ ăphátăhi năcácăb tăth ngătrongăcácăng ă căxácăđ nhăb ngăhƠnhăviăduyănh t.ăTrongăth căt ,ătrongă ngăcóăth ăđ vìăkho ngăcáchăc aăcácădưyăconăđ căphátăhi nă ăcácăđi măcóăgiáătr ăcao,ăb iă căđ iădi năb iăcácăđi mănƠyăđ nădưyăconăphùăh pă g nănh tăc aăchúngălƠăcao Ph ngăphápăSAX-MP đưăđ căđ ăxu t trongălu năv nănƠy, b ngăcáchăk tăh pă SAX MP, t ăđóăcóăth ăt năd ngănh ngăt iă u c a ph gi măkíchăth căc aăd ăli uătrongăkhi đóăđ ngăth i gi m đ v ăđ ăph căt păv ăth iăgian.ă 63 ngăpháp SAXătrongăvi că c nh căđi măc aăMP  SAXămangăl iăđ ăchínhăxácăcaoăchoăd ăli uătuơnătheoăth ngăkêăGaussian.ăTuyă nhiên,ăhi uăsu tăc aănóăcóăth ăsuyăgi măđángăk ătrongăcácătr ngăh păkhác Trongăcácătìnhăhu ngăth căt ăkhiăphơnăph iăxácăsu tăc ăb năc aăm tăchu iăth iă gianăsaiăl chăđángăk ăsoăv iăth ngăkêăGaussian,ăđ ăchínhăxácăc aăSAXăgi m.ă i uănƠyăđ căđ ăc pătrongănghiênăc uăc a BountrogiannisăvƠăc ngăs ăvƠoă n mă2021 [53]  B năthơnăc uăhìnhămaătr năMPăc ngăcóăth ăđ th căs ăd ngăđ ăphátăhi năcácăb tă ng.ăTuyănhiênăđ ăph căt păth iăgiană(timeăcomplexity)ăc aăMPălƠăO(n2) , t călƠăMPăyêuăc uăkhôngăgian b căhaiăliênăquanăđ năđ ădƠiăc aăd ăli uăchu iă th iăgian  K tăh păSAXăvƠoătrongăMPăs ălƠmăgi măth iăgianătínhătốnăvìăSAXăbi năchu iă th iăgianăbanăđ uăthƠnhăchu iăkỦăt ăv iăđ ădƠiăng năh nărõăr t,ăm iăchu iăconă trongăchu iăth iăgianăbanăđ uăđ căđ iădi năb iă1ăkỦăt ătrongăSAX  H năn a,ăvi căs ăd ngăkho ngăcáchăEuclidăchu năhóaăzătrongăMPăho căkho ngă cáchăkho ngăcáchăEuclidătrongăSAXăkhơngăcịnăphùăh pătrongămơăhìnhăk tă h păSAX-MP.ăLCSătr ăthƠnhăth LCSăđ căđoăphùăh păh năchoă2ăchu iăkỦăt ăDoăđó,ă căápăd ng mơ hình SAX-MP Trongăph ngăphápăSAX-MP, d ăli uăchu iăth iăgianătr hi n phơnăđo năb ngăk ăthu tăPPAăvƠăsauăđóăđ hi u.ăTi pătheoăđó,ăMPăđ t ngăt ăchoăcácăchu iăđ ăxácăđ nhăb tăth ng,ăgi iăthu tăSAX-MPătr ngăphápăPPAăvƠăb ngătraăth ngăkêăGausianăt cách (A distance profile vector)ăđ ăt ngăt ăMPăđ căs ă ngătrongăd ăli uăchu iăth iăgian.ă giană thƠnhă nhi uă chu iă con,ă m iă chu iă conă đ ph căchuy năđ i.ăThayăvìăs ă căđ ăxu tăs ăd ngăk ăthu tăLCSăđ ătínhăMPă cătríchăxu tăt ăquyătrìnhăSAX.ă d ngăđ ăphátăhi năcácăđi măb tăth c th că căchuy năđ iăthƠnhăchu i ký căs ăd ngătrênăcácăchu i đư đ d ngăkho ngăcáchăEuclide,ăSAX-MPăđ cătiênăđ cătiênăchiaăd ăli uăchu iăth iă că chuy nă sangă chu iă kỦă t ă b ngă ngă ng.ăM tăvect ăh ăs ăkho ngă cătínhăgi aăm tădưyăconăđưăchoăvƠăm iădưyăconă trongăt păh păt tăc ăcácădưyăcon.ăMPătrìnhăbƠyăkho ngăcáchăchu năhóaăzăgi aăm iădưyă conăvƠăhƠngăxómăg nănh tăc aănó.ăDoăđó,ăsauăkhiătínhăđ 64 căvectorădistanceăprofileă D,ăgi iăthu tăs ăth căhi năthaoătácăt iăthi uătheoăt ngăc păđ ăxácăđ nhăkho ngăcáchă nh ănh tăc aăchu iăconăđangăxétăt iălơnăc năg nănh t.ăSauăkhiătínhătốnăđ c ăcácădưyăcon,ăt ăgiáătr ăvectorăMPăthuăđ TrênălỦăthuy t,ătùyătheoănhuăc uăc aăng măb tăth ng.ă i măb tăth căs ăchoăraăđ căđo năd ăli uăb tăth căcácăđi măb tăth ng.ă iăs ăd ngămƠăvectorăMPăcóăth ăđ aăraăkă ngăl năs ălƠăđi măcóăgiáătr ăcaoănh tătrongăvectorăMP.ă C năc ăvƠoăđ ădƠiăc aăchu iăconăvƠăđi măb tăth đ nhăđ căchoăt tă ngăxácăđ nhăt ăvectorăMPămƠătaăxácă ng K tăqu ăth ănghi mătrongăba b ăd ăli uăchu iăth iăgianăECG t ăđ năgi năđ nă ph căt p, choăth yăph ngăphápăk tăh păSAX-MPăđ vi căphátăhi năb tăth ng c aăcác b ăd ăli uăđ kíchăth ph căt ăSAXăvƠăkíchăth ngăphápăSAX-MPăđ căđ ăxu tăc căk ăhi uăqu ătrongă căth ănghi m.ă căb ngăch ăcáiăđ uăcóă nhăh ădƠiăc aădưyăcon,ă ngăđ năk tăqu ăc aă căđ ăxu t.ă K tăqu ăth ănghi măc a lu năv năđưăsoăsánhănh ngăđi măphátăhi năb tăth d ăki năc aăph ngăphápăSAX-MPăv iănh ngăphátăhi năđ ngă căg nănhưnăb iăcácăbácă s ăMITăbáoăcáoătrongă[51].ăCóăth ăk tălu năr ngăcácăk tăqu ăphátăhi năc aăgi iăthu tă đ căth căhi nătrongălu năv năhoƠnătoƠnăphùăh păv iănh ngănh năđ nhăc aăcácăchuyênă gia MIT V ăth iăgianăch yăc aă3ăph ngăphápăSAX-MP,ăMPăvƠăHOTăSAX:ăph ngă phápăMPăm tăth iăgianăng nănh tăđ ătri năkhaiăcác t păd ăli uăđưăth ănghi m.ăTuyă nhiên,ăMPăkhôngăhi uăqu ătrongăvi căphátăhi năb tăth nghi mă(nh ăđưăphơnătíchătrongăph nătr ngătrênăt păd ăli uăđưăth ă c).ăTh iăgianăch yăc aăSAX-MPănh ăh nă m tăchútăsoăv iăHOTăSAXătrênăbaăt păd ăli uăth ănghi m Ph ngăphápăSAX-MPăđ căđ ăxu tăd aătrênăc ăs nghiênăc uăc aăph pháp HOT SAX c aătácăgi ăKeoghăvƠăc ngăs Ph hi năsoăsánhăk tăqu ăv iăcácăph ngăphápăHOTăSAXăđưăcóăth că ngăphápăphátăhi năb tăth phápăti păc năl yăc măh ngăt ăMi năd chăh că(IMM),ăph pháp SVM (Support Vectoră Machine),ă ph ph ng ngăkhácănh :ăPh ngă ngăphápăTSA-tree,ăph ngă ngă phápă ARă (Associationă Rule)ă ậ ngăphápănƠyăh uănh ăđ uăyêuăc uăt ă3ăđ nă7ăthamăs ăkhôngătr căquan.ăCácăv ătríă 65 soăsánhălƠăcácăv ătríăb tăth g c,ăvƠăph ngăđ căđánhăd uăb iăcácăbácăs ăMITătrongăt păd ăli uă ngăphápăHOT-SAXăc ngăphátăhi năraăđ cănh ngăb tăth ngănƠy Lu năv n s ăd ngăt păd ăli uăECGătrongăkhoăl uătr ăphơnălo iăchu iăth iăgiană Physiobank đ ăthuăđ căd ăli uăchu iăth iăgianăECGăvƠăk tăqu ăth nghi măđ că đánhăgiáăb ngăcácăbi năphápăđoăđ ănh y,ăđ ăđ căhi u,ăt ăl ăbáoăđ ngăgi ,ăm nhăm ăvƠă h aăh năv iăđ ăchínhăxácăcao 5.2.ăH ngăphátătri năc aăđ ătƠi Lu năv n đưăgi iăquy tăđ c bƠiătoánăc ăb nătrongăvi căphátăhi năb tăth trongăd ăli uăđi nătơmăđ ăb ngăcáchăs ăd ngăph Profile,ăápăd ngăt iă uăvƠăh năch ănh ngă uăậ nh ngă ngăphápăk tăh păSAXăvƠăMatrixă căđi măc aăc ăhaiăph ngăphápă Tuy nhiên, thu tătốn v năcịnănhi uăđi măc năph iănghiênăc uăđ ăhoƠnăthi nă h n Lu năv n ch ăs ăd ngăba t păd li uădatasetăECGăcôngăkhaiă ă[51] đ lƠmăth că nghi mănênăkhơngătránhăkh iănhi uăthi uăsót.ăDoăđóăc năph iăth ănghi m trênănhi uă t păd ăli uăECG khác nh măt ngăđ ăchínhăxácăchoănh ngăk tăqu ăc aăđ ătƠi th iăphátătri nătìmăki măth ănghi mătrênănh ngăt păd ăli uăECGăthu đ ngă căth căt ăt ă nh ngăb nhănhơnăth măkhámăt iăcácăc ăs ăyăt H ng phát tri n m r ng t Gi iăthu tăSAX-MPăcóăth ăđ th ng lai: căphátătri năvƠă ngăd ngătrongăphátăhi năb tă ngăchoăt tăc ăcácăd ăli uăchu iăth iăgian,ăđ căbi tăđ iăv iăriêngăchu iăth iăgiană ECG: gi iăthu tăcóăth ă ngăd ngătrongăđoăđi nătimăchoăng tr ătíchăc c,ăc n theoădõiăliênăt căvƠăđ ng iăb nh s ăđ b tăth iăb nhăđangăđ căđi uă căđi uătr ădƠiăngƠy.ăK tăqu ăđoăđi nătim c aă c đ aăvƠoă ngăd ng (app) ậ đưăcƠiăđ tăgi iăthu tăphátăhi năchu iă ngăSAX-MPăđ căđ ăxu tătrong lu n v n.ăN uăcóăgiáătr ăb tăth ng d ăli uăđi nătim ghiănh n, thìă ngăd ngăs ăth căhi n c nhăbáo,ăbáoăđ ng, giúpăbácăs uătr k păth iătheoădõiăb tăth ngăv ăs ăđoăđi nătimăchoăb nhănhơn.ăT ăđóăcóăth ă gi măthi uăt iăđaănguyăc ăb ăl ănh ngăb tăth năv ăv năđ ătimăm chăc aăng iăb nh 66 ngătrongăvi căch năđoánănh ngăti mă TĨIăLI UăTHAMăKH O [1] C.Zhang, H.Liu and Y.Li, "Time Series Discord Discovery Under Multi-party Privacy Preserving," in 2017 IEEE Second International Conference on Data Science in Cyberspace (DSC), Shenzhen, China, 2017 [2] E.Apostol,ăC.Truic ,ăF.PopăandăC.Esposito,ă"ChangeăPointăEnhancedăAnomalyă Detection for IoT Time Series Data," Water, vol 13, no 12, p 1633, 2021 [3] Y.Yama, A.Ueno and Y.Uchikawa, "Development of a Wireless Capacitive Sensor for Ambulatory ECG Monitoring over Clothes," in 2007 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Lyon, France, 2007 [4] P.Chang, J.Lin, J.Hsieh and J.Weng, "Myocardial infarction classification with multi-lead ECG using hidden Markov models and Gaussian mixture models," Applied Soft Computing, vol 12, no 10, pp 3165-3175, 2012 [5] C.Chase and W.J.Brady, "Artifactual electrocardiographic change mimicking clinical abnormality on the ECG," The American Journal of Emergency Medicine, vol 18, no 3, pp 312-316, 2000 [6] J.Lin, E Keogh, S.Lonardi and B.Chiu, "A symbolic representation of time series, with implications for streaming algorithms," in DMKD03: 8th ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery, San Diego California, 2003 [7] C.M.Yeh et al., "Matrix profile I: all pairs similarity joins for time series: a unifying view that includes motifs, discords and shapelets," in 2016 IEEE 16th International Conference on Data Mining (ICDM), Barcelona, Spain, 2016 [8] C.Yeh et al., "Time series joins, motifs, discords and shapelets: a unifying view that exploits the matrix profile," Data Mining and Knowledge Discovery, vol 32, no 1, pp 83-123, 2017 67 [9] A.Canelas, R.Neves and N.Horta, "A new sax-ga methodology applied to investment strategies optimization," in GECCO '12: Proceedings of the 14th annual conference on Genetic and evolutionary computation, Philadelphia Pennsylvania USA, 2012 [10] C.Krügel, T.Toth, and E.Kirda, "Service specific anomaly detection for network intrusion detection," in SAC '02: Proceedings of the 2002 ACM symposium on Applied computing, Madrid, Spain, 2002 [11] P.García-Teodoro, J.Díaz-Verdejo, G.Maciá-Fernández and E.Vázquez, "Anomaly-based network intrusion detection: Techniques, systems and challenges," Computers & Security, vol 28, no 1-2, pp 18-28, 2009 [12] M.Anderka, T.Klerx, S.Priesterjahn and H.K.Büning, "Automatic atm fraud detection as a sequencebased anomaly detection problem," in ICPRAM 2014: Proceedings of the 3rd International Conference on Pattern Recognition Applications and Methods, Angers, France, 2014 [13] W.Zhang and X.He, "An Anomaly Detection Method for Medicare Fraud Detection," in 2017 IEEE International Conference on Big Knowledge (ICBK), Hefei, China, 2017 [14] V.Chandola, A.Banerjee and V.Kumar, "Anomaly detection: A survey," ACM Computing Surveys, vol 41, no 3, pp 1-58, 2009 [15] J.Sigholm and M.Raciti, "Best-effort Data Leakage Prevention in interorganizational tactical MANETs," in MILCOM 2012 - 2012 IEEE Military Communications Conference, Orlando, FL, USA, 2012 [16] J.Cucurull, M.Asplund and S.Nadjm-Tehrani, Anomaly Detection and Mitigation for Disaster Area Networks Berlin, Heidelberg: Springer, 2010 [17] Q.Yu, L.Jibin and L.Jiang, "An improved ARIMA-based traffic anomaly detection algorithm for wireless sensor networks," International Journal of Distributed Sensor Networks, vol 12, no 1, p 9653230, 2016 68 [18] A.Pyayt et al., "Signal analysis and anomaly detection for flood early warning systems," Journal of Hydroinformatics, vol 16, no 5, pp 1025-1043, 2014 [19] M.Zhang, A.Raghunathan and N.Jha, "Medmon: securing medical devices through wireless monitoring and anomaly detection," IEEE Transactions on Biomedical Circuits and Systems, vol 7, no 6, pp 871-881, 2013 [20] D.Jiang, Z.Yuan, P.Zhang, L.Miao and T.Zhu, "A traffic anomaly detection approach in communication networks for applications of multimedia medical devices," Multimedia Tools and Applications, vol 75, no 22, pp 14281-14305, 2016 [21] O.Salem, A.Guerassimov, A.Mehaoua, A.Marcus and B.Furht, "Anomaly detection in medical wireless sensor networks using svm and linear regression models," International Journal of E-Health and Medical Communications, vol 5, no 1, pp 20-45, 2014 [22] W.Einthoven, "The String Galvanometer and the Measurement of the Action Currents of the Heart," Nobel Lecture, 11 December 1925 [23] H.Izakian and W.Pedrycz, "Anomaly detection in time series data using a fuzzy c-means clustering," in 2013 Joint IFSA World Congress and NAFIPS Annual Meeting (IFSA/NAFIPS), Edmonton, AB, Canada, 2013 [24] G.Han, B.Lin and Z.Xu, "Electrocardiogram signal denoising based on empirical mode decomposition technique: an overview," Journal of Instrumentation, vol 12, no 3, p 03010, 2017 [25] W.Li, "Wavelets for electrocardiogram: overview and taxonomy," IEEE Access, vol 7, pp 25627-25649, 2019 [26] R.Elangovan and Padmavathi S., "A Review on Time Series Motif Discovery Techniques an Application to ECG Signal Classification," International Journal of Artificial Intelligence and Machine Learning, vol 9, no 2, pp 3956, 2019 [27] T.K.S n,ă i n tâm đ ng d ng lâm sàng,ăNhƠăxu tăb năYăh c,ă2014.ă 69 [28] C.Zhang, Y.Chen, A.Yin and X.Wang, "Anomaly detection in ECG based on trend symbolic aggregate approximation," Mathematical Biosciences and Engineering, vol 16, no 4, pp 2154-2167, 2019 [29] A.Wood et al., "ALARM-NET:Wireless sensor networks for assisted-living and residential monitoring," Technical Report, University of Virginia Computer Science Department, 2006 [30] V.Shnayder et al., "Sensor Networks for Medical Care," in SenSys '05: Proceedings of the 3rd international conference on Embedded networked sensor systems, San Diego, California, USA, 2005 [31] M.Chuah and F.Fu, "ECG Anomaly Detection via Time Series Analysis," Lecture Notes in Computer Science, vol 4743, pp 123-135, 2007 [32] E.Keogh, J.Lin and A.Fu, "Hot sax: Efficiently finding the most unusual time series subsequence," in Fifth IEEE International Conference on Data Mining (ICDM'05), Houston, TX, USA, 2005 [33] N.Q.V.Hung and D.T.Anh, "Combining SAX and Piecewise Linear Approximation to Improve Similarity Search on Financial Time Series," in 2007 International Symposium on Information Technology Convergence (ISITC 2007), Jeonju, Korea (South), 2007 [34] N.D.Pham, Q.L.Le, and T.K.Dang, "HOT aSAX: A novel adaptive symbolic representation for time series discords discovery," in ACIIDS'10: Proceedings of the Second international conference on Intelligent information and database systems: Part I, Hue, Vietnam, 2010 [35] Y.Sun, J.Li, J.Liu, B.Sun and C.Chow, "An improvement of symbolic aggregate approximation distance measure for time series," Neurocomputing, vol 138, pp 189-198, 2014 [36] Y.Zhang, L.Duan and M.Duan, "A new feature extraction approach using improved symbolic aggregate approximation for machinery intelligent diagnosis Measurement," Measurement, vol 133, pp 468-478, 2019 70 [37] H.Park and J.Jung, " SAX-ARM: Deviant event pattern discovery from multivariate time series using symbolic aggregate approximation and association rule mining," Expert Systems with Applications, vol 141, p 112950, 2020 [38] H.T.Q Buu and D.T.Anh, "Time series discord discovery based on iSAX symbolic representation," in 2011 Third International Conference on Knowledge and Systems Engineering, Hanoi, Vietnam, 2011 [39] E.Keogh, K.Chakrabarti, M.Pazzani and S.Mehrotra, "Dimensionality reduction for fast similarity search in large time series databases," Knowledge and Information Systems, vol 3, no 3, pp 263-286, 2001 [40] P.Senin, "Piecewise Aggregate Approximation of time series," Morea Framework, 2016 [Online] Available: https://jmotif.github.io/sax- vsm_site/morea/algorithm/PAA.html [41] E.Keogh, K.Chakrabarti, M.Pazzani and S.Mehrotra, "Locally Adaptive Dimensionality Reduction for Indexing Large Time Series Databases," ACM SIGMOD Record, vol 30, no 2, pp 151-162, 2001 [42] E.Keogh and S.Kasetty, "On the Need for Time Series Data Mining Benchmarks: A Survey and Empirical Demonstration," in KDD '02: Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining, Edmonton, Canada , 2002 [43] Y.Byoung-Kee and C.Faloutsos, "Fast Time Sequence Indexing for Arbitrary Lp Norms," in VLDB '00: Proceedings of the 26th International Conference on Very Large Data Bases, San Francisco, CA, USA, 2000 [44] A.Apostolico, M.E.Bock and S.Lonardi, "Monotony of Surprise and LargeScale Quest for Unusual Words," in RECOMB '02: Proceedings of the sixth annual international conference on Computational biology, Washington DC, USA, 2002 71 [45] S.Lonardi, "Global detectors of unusual words: design, implementation, and applications to pattern discovery in biosequences," PhD thesis, Purdue University, Dept of Computer Sciences West Lafayette, IN, USA, 2001 [46] R.J.Larsen and M.L.Marx, "An Introduction to Mathematical Statistics and Its Applications," The Mathematical Gazette, vol 71, no 458, p 330, 1987 [47] Y.Zhu et al., "Matrix profile II: Exploiting a novel algorithm and gpus to break the one hundred million barrier for time series motifs and joins," in 2016 IEEE 16th International Conference on Data Mining (ICDM), Barcelona, Spain, 2016 [48] Y.Zhu, C.M.Yeh, Z.Zimmerman, K.Kamgar and E.Keogh, "Matrix Profile XI: SCRIMP++: Time Series Motif Discovery at Interactive," in 2018 IEEE International Conference on Data Mining (ICDM), Singapore, 2018 [49] C.lliopoulos and M.Sohel Rahman, "Algorithms for computing variants of the longest common subsequence problem," Theoretical Computer Science, vol 395, no 2-3, pp 255-267, 2008 [50] S.Park, W.W.Chu, J.Yoon and C.Hsu, "Efficient searches for similar subsequences of different lengths in sequence databases," in Proceedings of 16th International Conference on Data Engineering (Cat No.00CB37073), San Diego, CA, USA, 2000 [51] E.Keogh, J.Lin and A.Fu, "Data Mining Large Medical Time Series Databases," 2005 [Online] Available: https://www.cs.ucr.edu/~eamonn/discords/ [52] J.W.Hunt and T.G.Szymanski, "A fast algorithm for computing longest common subsequences," Communications of the ACM, vol 20, no 5, pp 350353, 1977 [53] K Bountrogiannis, G Tzagkarakis and P Tsakalides, "Anomaly Detection for Symbolic Time Series Representations of Reduced Dimensionality," in 2020 28th European Signal Processing Conference (EUSIPCO), Amsterdam, Netherlands, 2021 72 PH NăLụăL CHăTRệCHăNGANG H ăvƠătên:ăNGUY NăNG CăANHăTH NgƠy,ătháng,ăn măsinh:ă31/08/1995 N iăsinh:ăLongăAn aăch ăliênăl c:ăB nhăvi năTruy nămáuăHuy tăh c,ăs ă01,ăTr năH uăNghi p,ă pă01,ă xưăTơnăKiên,ăhuy năBìnhăChánh,ăTP.ăH ăChíăMinh QUỄăTRỊNHă ĨOăT O - T ăthángă09/2013ăđ năthángă04/2018:ă Tr ngă iăh căBáchăKhoaăậ iăh căchínhăquy, NgƠnhăV tălỦăk ăthu t, iăh căqu căgiaăTPHCM - T ăn mă2019 đ năn mă2022:ăSauăđ iăh că(th căs )ăậ NgƠnhăV tălỦăk ăthu tă- Tr iăh căBáchăKhoa ậ ngă iăh căqu căgiaăTPHCM Q TRÌNH CƠNG TÁC T ăthángă04/2018ăđ nănay:ăK ăs ăV tălỦăk ăthu tăYăsinhăậ PhòngăV tăt ăậ thi tăb ăyă t ăt i B nhăvi năTruy nămáuăHuy tăh că(Blood Transfusion Hematology Hospital ậ BTH) 73 ... 8520401 I TểNă ăTĨI: ngăd ng gi i thu t? ?SAX? ?và? ?Matrix? ?Profile? ?đ phát hi n b t th ng phân tích d li u n tâm đ (Application of SAX algorithm and Matrix Profiles to detect abnormalities in electrocardiogram... ngăpháp? ?SAX? ?vƠăMP,ălu năv năđ aă ngăphápăm iănh măk tăh p? ?SAX? ?vƠăMPă(kỦăhi uălƠ? ?SAX- MP)ăđ ? ?phát? ? hi năđi măb tăth ng? ?trong? ?d ăli uăchu iăth iăgian Ph ápăd ngăđ ăphơn? ?tích? ?đi măb tăth ngăpháp? ?SAX- MPăs... uăqu ăđ ? ?phát? ?hi nă ng? ?trong? ?tínăhi uăđi nătơmăđ ,ăph c v ăchoăvi căch năđoán? ?trong? ?yăh c iăt ngăvƠăph măviăth căhi n iăt ngăth căhi n c aălu năv n: s ăd ngăph Matrix Profile (SAX- MP)ă đ ă phát? ?