ỨNG DỤNG CÂY QUYẾT ĐỊNH CHO GIẢI PHÁP NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG TÍN HIỆU ĐIỆN TIM Phạm Văn Nam, Nguyễn Thị Lan Hương, Trần Hoài Linh Trường Đại học Bách khoa Hà Nội TÓM TẮT Bài báo sẽ trình bày một giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG (ElectroCardioGraphy). Hướng nghiên cứu chính của bài báo là sử dụng cây quyết định nhị phân (Binary Decision Tree) để tổng hợp kết quả của ba mô hình đơn, đó là các mạng nơrôn kinh điển MLP (Multi Layer Perceptron), mạng nơron logic mờ TSK (TakagaSugenoKang) và máy vectơ hỗ trợ SVM (Support Vector Machines) để cải thiện độ chính xác và chất lượng của kết quả nhận dạng. Sử dụng các hàm cơ sở Hermite (Hermite Basis Functions) để khai triển phức bộ QRS làm vector đặc trưng của tín hiệu và sử dụng thêm hai đặc tính về thời gian là khoảng cách giữa hai đỉnh R liên tiếp, giá trị trung bình của 10 khoảng cách RR cuối cùng. Giải pháp đã được thử nghiệm trên bộ các số liệu mẫu lấy từ CSDL MITBIH (Massachusetts Institute of Technology, Boston’s Beth Israel Hospital). Cuối cùng bài báo đề xuất ý tưởng thiết kế và chế tạo thiết bị đo có tích hợp chức năng nhận dạng tín hiệu điện tim, chương trình nhận dạng của thiết bị sử dụng giải pháp đã xây dựng được và áp dụng các công nghệ IC tiên tiến như FPAA và ARM để thiết kế phần cứng, tốc độ xử lý đáp ứng thời gian thực. Từ khóa: Mạng nơrôn, MLP, TSK, SVM, Hệ thống tích hợp, Cây quyết định, Hàm cơ sở Hermite, Tín hiệu điện tim ECG, IC FPAA, IC ARM
See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/351633483 Ứng dụng định cho giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim Article · May 2017 CITATIONS READS 214 authors, including: Pham Van Nam Linh Tran Hanoi University of Industry Hanoi University of Science and Technology PUBLICATIONS 17 CITATIONS 34 PUBLICATIONS 1,399 CITATIONS SEE PROFILE Some of the authors of this publication are also working on these related projects: Image processing technology, neural networks artificial intelligence and IOT View project All content following this page was uploaded by Pham Van Nam on 17 May 2021 The user has requested enhancement of the downloaded file SEE PROFILE Phạm Văn Nam Đtg Tạp chí KHOA HỌC & CƠNG NGHỆ 169(09): 81 - 87 ỨNG DỤNG CÂY QUYẾT ĐỊNH CHO GIẢI PHÁP NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG TÍN HIỆU ĐIỆN TIM Phạm Văn Nam*, Nguyễn Thị Lan Hương, Trần Hoài Linh Trường Đại học Bách khoa Hà Nội TÓM TẮT Bài báo trình bày giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG (ElectroCardioGraphy) Hướng nghiên cứu báo sử dụng định nhị phân (Binary Decision Tree) để tổng hợp kết ba mơ hình đơn, mạng nơ-rơn kinh điển MLP (Multi Layer Perceptron), mạng nơ-ron logic mờ TSK (Takaga-Sugeno-Kang) máy vectơ hỗ trợ SVM (Support Vector Machines) để cải thiện độ xác chất lượng kết nhận dạng Sử dụng hàm sở Hermite (Hermite Basis Functions) để khai triển phức QRS làm vector đặc trưng tín hiệu sử dụng thêm hai đặc tính thời gian khoảng cách hai đỉnh R liên tiếp, giá trị trung bình 10 khoảng cách R-R cuối Giải pháp thử nghiệm số liệu mẫu lấy từ CSDL MIT-BIH (Massachusetts Institute of Technology, Boston’s Beth Israel Hospital) Cuối báo đề xuất ý tưởng thiết kế chế tạo thiết bị đo có tích hợp chức nhận dạng tín hiệu điện tim, chương trình nhận dạng thiết bị sử dụng giải pháp xây dựng áp dụng công nghệ IC tiên tiến FPAA ARM để thiết kế phần cứng, tốc độ xử lý đáp ứng thời gian thực Từ khóa: Mạng nơrơn, MLP, TSK, SVM, Hệ thống tích hợp, Cây định, Hàm sở Hermite, Tín hiệu điện tim ECG, IC FPAA, IC ARM ĐẶT VẤN ĐỀ* Xã hội nay, tình trạng già hóa dân số ngày tăng, trước tiên Quốc gia phát triển Mỹ, Nhật Bản, nước Châu Âu…, sau đến quốc gia phát triển Việt Nam, Thái Lan…, số trường hợp bệnh nhân tim mạch ngày tăng, ảnh hưởng lớn đến sức khỏe chất lượng sống người cao tuổi, bệnh phát sớm có khả điều trị khỏi cao Trong đó, sống phát triển nhu cầu tăng người trưởng thành gia đình bận rộn với công việc, muốn quan tâm đến sức khỏe ông bà, bố mẹ mà nhiêu thời gian để đưa họ đến Bệnh viện kiểm tra sức khỏe thường xuyên Do thiết bị y tế theo dõi thông số sức khỏe, có thơng số tim mạch thiết bị cần thiết cho gia đình có thành viên có nguy bị bệnh tim mạnh người cao tuổi Ngoài người điều trị bệnh tim mạch cần có thiết bị đo điện tim gọn nhẹ mang theo người để theo dõi lưu trữ liên tục tín hiệu điện tim ECG, gửi * Tel: 0979 427781, Email: pvnamdl1@gmail.com liệu đến bác sĩ để theo dõi có hướng điều trị phù hợp Tín hiệu điện tim (ECG) có độ biến đổi mạnh hình dáng, biên độ trường hợp bệnh lý, tín hiệu điện tim lại dễ bị ảnh hưởng nhiễu từ bên ngồi, tình trạng sức khỏe hay tâm lý bệnh nhân tốn nhận dạng tín hiệu nên nhận dạng ECG toán khó Những năm gần có nhiều cơng trình nghiên cứu thiết bị đo điện tim có tích hợp chức nhận dạng tự động, thị trường nước xuất số máy điện tim chuyên dụng có chức nhận dạng, hỗ trợ Bác sĩ chuẩn đoán bệnh tim mạch, thiết bị dạng có giá thành cao, đa số dạng máy để bàn cố định Trong báo áp dụng giải pháp nhận dạng tín hiệu điện tim có độ xác cao [5] với thuật tốn xử lý tín hiệu số tối ưu khối lượng tính tốn để có khả thực dịng vi xử lý thơng dụng FPAA ARM Một số kết thiết kế, chế tạo ban đầu thử để thử nghiệm tính xác giải pháp 81 Phạm Văn Nam Đtg Tạp chí KHOA HỌC & CƠNG NGHỆ khả đáp ứng thời gian thực sử dụng thực tế Giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim Đối với toán nhận dạng khó tín hiệu điện tim, có nhiều giải pháp nhận dạng đề xuất sử dụng Mỗi giải pháp có khác biệt định quy trình xử lý tín hiệu đầu vào, trích chọn đặc tính nhận dạng sở véc-tơ đặc tính Vì giải pháp có ưu nhược điểm riêng đồng thời nhiều trường hợp mơ hình khác đưa kết nhận dạng không trùng khớp Để khắc phục nhược điểm tận dụng ưu điểm giải pháp này, ta sử dụng phối hợp nhiều giải pháp lúc, có kết từ giải pháp ta sử dụng thêm khâu xử lý tổng hợp kết để đưa kết luận cuối Khi đó, giải pháp ban đầu gọi mơ hình nhận dạng đơn, khối tổng hợp kết đưa kết luận cuối gọi ngắn gọn khối tổng hợp kết Ý tưởng thường áp dụng trường hợp khó, phổ biến ta có mơ hình đơn lại đưa kết khơng thống với [5] Bài tốn nhận dạng tín hiệu điện tim thuộc dạng trường hợp khó Sơ đồ khối tổng quát giải pháp phối hợp trình bày hình đây, hệ thống nhận dạng đơn xử lý tín hiệu đầu vào từ đối tượng (nhưng theo cách khác nhau) đầu hệ thống nhận dạng đơn tạo thành đầu vào Hệ tổng hợp kết Hệ thống nhận dạng ECG Thu thập & chuẩn hóa tín hiệu Hệ thống nhận dạng Hệ thống nhận dạng N F1=MLP F1=MLP ECG Thu Thu thập thập & & chuẩn chuẩn hóa hóa tín tín hiệu hiệu Tiền Tiền xử xử lý lý Trích Trích chọn chọn đặc đặc tính tính F2=TSK F2=TSK F3=SVM F3=SVM y1 y2 Cây Cây quyết định định DT DT Hệ thống tổng hợp kết yN Trong [5], tác giả đề xuất sử dụng định nhị phân (Binary Decision Tree) để thực việc phối hợp kết mơ y y3 Hình Mơ hình nhận dạng tín hiệu điện tim ECG sử dụng Cây định để tổng hợp kết Phối hợp kết mô hình định Cây định DT (Decision Tree) mơ hình xử lý tín hiệu kinh điển sử dụng rộng rãi nhiều ứng dụng thực tế Trong báo sử dụng nhị phân (bậc 2) để đơn giản hóa việc mơ tả thuật tốn, điều khơng làm giảm tính tổng quát bậc chuyển nhị phân tương đương hình Đối tượng nhận dạng Đối tượng nhận dạng X=? X=A X=A X=C X=A X≠ A X=B AA BB CC X=B AA X=B Hình Mơ hình chung hệ thống nhận dạng phối hợp 82 hình nhận dạng đơn là: (Multi-Layer Perceptron), mạng nơ-ron logic mờ TSK (Takagi–Sugeno–Kang) máy vectơ hỗ trợ SVM (Support Vector Machines) Các mơ hình đơn [5] lựa chọn kết công bố tạp chí hội thảo quốc tế nên đảm bảo khách quan tính xác, đồng thời kết thực số liệu đầu vào nên việc so sánh thuận tiện có tính thuyết phục Tuy nhiên, ta có mơ hình đơn khác có khả nhận dạng tín hiệu ECG tương đối tốt ta hồn tồn dễ dàng bổ sung vào hệ thống khối Tổng hợp kết nói chung khơng có hạn chế số lượng đầu vào từ mơ hình đơn y1 y2 169(09): 81 - 87 BB X≠ B CC y Hình Phương pháp chuyển nút bậc cao (hình trải) thành nút nhị phân (bậc 2) (hình phải) Giả thiết khối nhận dạng đơn tạo đầu kết yi ( i 1, 2, , K ) giá trị chứa mã nhận dạng Khi đầu vào định véc-tơ tổng hợp x y1 , y2 , , yK Đầu định mã xác nhịp tim xử Phạm Văn Nam Đtg Tạp chí KHOA HỌC & CƠNG NGHỆ lý Sử dụng thuật tốn ID3 để xây dựng cấu trúc thông số cho định Các mơ hình nhận dạng đơn Mạng nơ-rôn MLP Mạng MLP mạng nơ-rôn phổ biến nhất, mạng truyền thẳng với phần tử gọi nơ-rôn Trong báo sử dụng mạng MLP với lớp ẩn trình bày nghiên cứu [5] Mạng nơ-rơn mờ TSK Mơ hình nhận dạng đơn thứ hai sử dụng báo mạng Takagi–Sugeno–Kang (TSK) Bài báo sử dụng mô hình TSK có cấu trúc nghiên cứu [2,5,6] Mơ hình phân loại SVM Mơ hình nhận dạng đơn cuối dùng báo SVM (Support Vector Machine) hay gọi máy vectơ hỗ trợ SVM với mạng nơ-rơn cơng cụ hữu hiệu phân tích tín hiệu Mặc dù mơ hình SVM phân chia liệu thành lớp, nhiên việc phân loại nhiều lớp khơng phức tạp, áp dụng phương pháp chọi một, hay chọi tất nghiên cứu [5] Phương pháp hiệu phương pháp chọi một, phương pháp nhiều mạng SVM xây dựng để phân loại tất tổ hợp hai lớp liệu Với N lớp, phải xây dựng N ( N 1) / mạng SVM đơn lẻ Trích chọn đặc tính tín hiệu điện tim Sử dụng hàm sở Hermite (Hermite Basis Functions) để khai triển phức QRS nhằm lấy hệ số khai triển làm vector đặc trưng tín hiệu Sử dụng thêm hai đặc tính thời gian: khoảng cách hai đỉnh R liên tiếp, giá trị trung bình 10 khoảng cách R-R cuối Hàm Hermite có công thức sau: n ( x) n! n e x2 H n ( x) (1) với H n ( x) đa thức Hermite định nghĩa dạng đệ quy: 169(09): 81 - 87 H n 1 ( x) x H n ( x) 2n H n 1 ( x) (2) cho n 1, với H ( x) 1; H1 ( x) x Để biểu diễn tín hiệu điện tim s(t) theo N hàm Hermite ta cần tìm hệ số ci cho thỏa mãn công thức (3) Các hệ số ci sử dụng làm đặc tính tín hiệu điện tim s(t ) N 1 ci H i (t ) (3) i 0 Từ H.4 ta nhận thấy tín hiệu ECG đoạn phức QRS xấp xỉ tốt sử dụng 16 hàm Hermite đầu tiên, sai số đỉnh Q, R S nhỏ Hình Xấp xỉ tín hiệu ECG N hàm Hermite đầu tiên: a) N=5; b) N=10; c) N=12; d) N=16 Bài báo đề xuất giải pháp khai triển tín hiệu ECG theo hàm Hermite cách đơn giản so với nghịch đảo ma trận để triển khai hệ vi xử lý có cơng suất tính tốn nhỏ, giải pháp trình bày chi tiết mục sau báo Xây dựng số liệu mẫu Trong báo sử dụng tín hiệu điện tim mẫu lấy từ sở liệu chứng loạn nhịp tim tiếng MITBIH, lựa chọn lấy ghi 19 bệnh nhân (mã số sở liệu 100, 105, 106, 109, 111, 114, 116, 118, 119, 124, 200, 202, 207, 208, 209, 212, 214, 221 222), phân loại kiểu rối loạn nhịp tim xem xét là: Block nhánh trái (L), Block nhánh phải (R), Ngoại tâm thu nhĩ (A), Ngoại tâm thu thất (V), Rung thất (I) Tâm thất lỗi nhịp (E) nhịp bình thường (N) Số lượng chi tiết mẫu lấy từ ghi 19 bệnh nhân thống kê chi tiết Bảng 83 Phạm Văn Nam Đtg Tạp chí KHOA HỌC & CƠNG NGHỆ Bảng Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp Loại nhịp N L R A V I E Tổng Tổng số mẫu 2000 1200 1000 902 964 472 105 6643 Số mẫu học 1065 639 515 504 549 271 68 3611 Số mẫu kiểm tra 935 561 485 398 451 201 37 3068 Mỗi phức QRS tách tương ứng với 18 đặc tính, đầu mã loại bệnh nhịp xét (đã đánh dấu CSDL MIT-BIT), ví dụ với loại nhịp khác đầu tương ứng kênh có giá trị (6 kênh kênh có mã tương ứng với loại bệnh có giá trị 1) Kết tính tốn Với mơ hình nhận dạng đơn MLP, SVM, TSK, báo thông số mơ hình huấn luyện độc lập liệu học, có kết sau: Đầu tiên, với cấu trúc mô hình MLP có lớp ẩn, với 20 nơ-rơn, có nơ-rơn đầu (tương ứng với loại rối loạn nhịp tim) Cịn thơng số mơ hình SVM: với lớp theo phương pháp chọi để tìm lớp chiến thắng mơ hình SVM Cho mẫu có lớp nên nhóm tác giả phải xây dựng 21 mạng SVM đơn lẻ cho cặp tổ hợp loại tín hiệu lúc Cuối cùng, cấu trúc mạng TSK có 21 luật suy luận kết đầu Tất kết đầu từ mơ hình nhận dạng sở đẩy vào đầu vào cho Cây định, có thêm trình học để xây dựng thông số cho Cây định DT, kết cuối q trình nhận dạng tín hiệu điện tim ECG đầu Cây định DT hướng tới kết mong đợi Theo cách ta thử nghiệm trường hợp tổng hợp kết từ mơ hình (có cặp khả phối hợp MLP với TSK; phối hợp MLP SVM phối hợp 84 169(09): 81 - 87 TSK SVM) từ mơ hình sở MLP, SVM, TSK thực Sử dụng liệu mẫu để kiểm tra mơ hình nhận dạng Kết kiểm tra sử dụng để so sánh với kết nghiên cứu trước Trong Bảng thể kết sai số kiểm tra mơ hình nhận dạng sở MLP, TSK, SVM mơ hình phối hợp Tất mạng mơ hình phân loại huấn luyện liệu học sau kiểm tra liệu kiểm tra khác Kết khâu tổng hợp mơ hình Cây định DT cho thấy việc tổng hợp đưa lại kết tốt – sai số kiểm tra 1.24% Bảng Bảng sai số kiểm tra mạng sở hệ thống tính hợp DT Số mẫu % mẫu Hệ thống phân loại nhận nhận dạng sai dạng sai MLP 110 3.59 TSK 100 3.26 SVM 60 1.96 Tích hợp MLP TSK 93 3.03 Tích hợp MLP SVM 90 2.93 Tích hợp TSK SVM 81 2.64 Tích hợp DT 38 1.24 Từ Bảng ta thấy, việc tích hợp hai mạng đưa kết trung bình (thường xác cao so với mạng yếu khó tốt so với mạng tốt) Lý nhận định trường hợp xảy lỗi, mạng thành phần có kết luận trái ngược khó kết luận mạng xác Nếu ta theo kết mạng việc tích hợp ý nghĩa Trường hợp tích hợp mạng đơn, kết cải thiện rõ rệt Lý nhận định trường hợp mạng thành phần đưa kết trái ngược có nhiều chế (ví dụ lấy kết mạng đa số, ) đặc biệt chế có hàm tính tốn phi tuyến để tổng hợp kết cuối xác Trong Bảng đưa phân bố lỗi nhận dạng loại nhịp cụ thể, thể dạng ma trận vuông, đường chéo số Phạm Văn Nam Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 169(09): 81 - 87 kết đúng, thành phần lại bị nhận nhầm, bảng phân bố kết cho thấy có chênh lệch lớn, hầu hết trường hợp nhận nhầm loại A N, nguyên nhân hình dạng nhịp loại A N giống Cịn nhầm lẫn khác khơng đáng kế (≤ lỗi) voting), cao kết tốt mơ hình nhận dạng SVM 1,96% (trong bảng 2) cuối mơ hình sử dụng định DT có kết nhận dạng tốt Bảng Phân bố kết nhận dạng loại nhịp tim Thiết bị nhận dạng tín hiệu điện tim xây dựng báo có yêu cầu thiết kế sau: Mẫu Kết N L R A V I E Tổng N L R A V I E 928 1 0 935 557 0 561 481 0 485 10 383 1 398 446 451 0 198 201 0 0 0 37 37 Ngồi ra, nhóm tác giả so sánh với kết cơng trình nghiên cứu khác thử nghiệm liệu kiểm tra Như trình bày nghiên cứu Osowski cộng [4], bốn phương pháp tổng hợp phổ biến sử dụng để so sánh trình bày nghiên cứu [7], gồm có: (1) Majority voting (biểu theo đa số) XÂY DỰNG THIẾT BỊ Ý tưởng thiết kế thiết bị lựa chọn giải pháp - Đo đường chuyển đạo tín hiệu ECG - Tích hợp đầy đủ thuật tốn tiền xử lý, trích chọn đặc tính nhận dạng tín hiệu điện tim nghiên cứu báo, Ngồi cịn số u cầu tính gọn nhẹ tích hợp sau: - Thiết bị cầm tay, gọn nhẹ, mang theo người, sử dụng pin sạc, - Có hình để hiển thị điện tim thơng số, cảnh báo, - Có khả lưu trữ thẻ nhớ SD xem lại liệu điện tim, - Có khả kết nối với máy tính để truyền liệu Lựa chọn giải pháp thiết kế phần cứng (3) Kullback–Leibler (theo xác suất thơng kê) Khối thu thập chuẩn hóa tín hiệu: Sử dụng công nghệ chuyển mạch tụ điện FPAA, tác giả lựa chọn IC AN221E04 (4) Modified Bayes ( xác suất điều kiện Bayes) Vi xử lý trung tâm: Sử dụng công nghệ ARM STM32F103 (2) Weighted voting (bỏ phiếu có trọng số) Bảng 4: Bảng kết hệ thống nhận dạng có sử dụng phương pháp tổng hợp kết Phương pháp Sai số kiểm STT tổng hợp tra Majority voting 1.63 Weighted voting 1.37 Kullback–Leibler 1.47 Modified Bayes 1.56 Decision tree 1.24 Như kết thể Bảng ta thấy, tất hệ thống tích hợp có kết nhận dạng tốt so với hệ thống nhận dạng sử dụng mơ hình nhận dạng sở, trường hợp kết 1,63% trường hợp biểu theo đa số (majority Màn hình cảm ứng LCD: sử dụng hình HMI UART Nextion 2.4 Inch Thẻ nhớ: lựa chọn dạng thẻ SD Nguồn cung cấp: pin 3,7V Hình Hình ảnh thiết bị đo kích thước (11,5cm x 10,5cm x 5cm) 85 Phạm Văn Nam Đtg Tạp chí KHOA HỌC & CƠNG NGHỆ Thử nghiệm thuật toán nhận dạng thiết bị Phát đỉnh R trích xuất cửa sổ QRS Sử dụng thuận tốn phát đỉnh R Pan Tompkins đưa vào năm 1985 Hamilton Tompkins phát triển tiếp vào năm 1986, nội dung phương pháp trình bày nghiên cứu [3] Trích chọn đặc tính Tín hiếu điện tim ECG ký hiệu s(t) khai triển theo 16 hàm Hermite đầu tiên, theo cơng thức (3) Các hệ số ci tính từ tốn tối ưu hóa sai số: H (t0 ) H1 (t0 ) H (t1 ) H1 (t1 ) H (t90 ) H1 (t90 ) H15 (t0 ) c0 s(t0 ) H15 (t1 ) c1 s (t1 ) H15 (t90 ) c15 s(t90 ) (4) Ta ký hiệu: H (t0 ) H1 (t0 ) H (t ) H (t ) 1 A H (t90 ) H1 (t90 ) H15 (t0 ) H15 (t1 ) ; H15 (t90 ) s(t0 ) c0 s(t ) c b ;x s(t90 ) c15 Nghiệm tối ưu A x b tìm phương pháp SVD (Singular Value Decomposition) phương pháp này, trước tiên xác định ma trận giả nghịch đảo A+ ma trận A [6], sau nghiệm tối ưu phương trình A x b dễ dàng tính tốn theo cơng thức: x A b (5) Nhóm tác giả nhận xét phép khai triển SVD phức tạp, nhiên sử dụng cửa sổ tín hiệu 250ms (hay 91 mẫu) với thời điểm lấy mẫu cách cho nhịp tim số hàm Hermite sử dụng ln 16, ma trận A cố định cho bước nên ma trận A+ cố định tính trước (trên máy 86 169(09): 81 - 87 tính) nạp xuống mạch vi xử lý để sử dụng khơng cần phải tính lại ma trận Do đó, việc khai triển tín hiệu theo hàm Hermite thiết bị thực chất phép nhân ma trận với véc-tơ công thức (5) Tiếp theo tính thêm hai đặc tính thứ 17 18 khoảng cách RR từ đỉnh R xét tới đỉnh R liền trước giá trị trung bình 10 đoạn RR cuối Nhận dạng tín hiệu điện tim Với ba mơ hình nhận dạng đơn, tương tự tính tốn khai triển Hermite, q trình phức tạp trình học thực trước máy tính Ở mạch vi xử lý, mạng hoạt động chế độ kiểm tra, có nghĩa thơng số cho trước (tính tốn trước tải xuống từ máy tính), ta cần tính hàm truyền đạt đầu mạng Sau có kết mạng, véc-tơ đầu ba mạng ghép thành véc-tơ tổng để đưa vào định Cấu trúc định gồm số nút, liên kết nút, điều kiện phân loại nút trung gian, luật kết luận nút lá, truyền từ máy tính xuống thiết bị trước để lưu trữ Khi sử dụng, ta có chu trình theo để tìm đến nút kết cách dễ dàng Kết kết cuối mà thiết bị hiển thị lên hình cho người sử dụng Bước đầu thử nghiệm khả chạy phần mềm nhận dạng thiết bị tự thiết kế, tổng thời gian chạy ARM (STM32F103, tốc độ 72MHz) khoảng 310 (ms), có nghĩa xử lý với bệnh nhận có tim đập khoảng 160 nhịp/phút (nhịp tim người bình thường đập trung bình khoảng 60÷80 nhịp/phút), phần đáp ứng thời gian thực, kết chi tiết Bảng Bảng 5: Thời gian tính tốn ARM STT Tên khối Phát đỉnh R Trích chọn đặc tính Nhận dạng Thời gian xử lý (ms) 70 90 150 Tổng: 310 (ms) Phạm Văn Nam Đtg Tạp chí KHOA HỌC & CƠNG NGHỆ KẾT LUẬN Bài báo thử nghiệm giải pháp cải thiện độ xác kết nhận dạng tín hiệu điện tim dựa hệ thống phối hợp nhiều mơ hình nhận dạng đơn Nhưng thuật toán xây dựng báo ln ý đến tiêu chí đơn giản, tối ưu khối lượng tính tốn, đủ nhẹ để nhúng chạy dòng vi xử lý, đảm bảo mục tiêu quan trọng độ xác tin cậy kết nhận dạng tín hiệu điện tim, ý nghĩa mang tính thực tiễn, hướng đến thiết kế chế tạo dịng thiết bị đo tín hiệu điện tim có tích hợp chức nhận dạng tự động, có độ xác cao, thành sản phẩm lưu hành ngồi thị trường, phụ vụ nhu cầu cấp thiết đời sống xã hội TÀI LIỆU THAM KHẢO G R Mark Moody, (2001), "The impact of the MIT-BIH Arrhythmia Database", IEEE Eng in Medicine and Biology 20(3), pp 45–50 Nguyễn Đức Thảo, Trần Hoài Linh, Phạm Văn Nam, Trương Tuấn Anh (2014), “Thiết kế thiết bị thu thập tự động nhận dạng thơng minh tín hiệu điện tim sử dụng công nghệ vi mạch khả 169(09): 81 - 87 trình”, Tạp chí Khoa học Công nghệ Đại học Thái Nguyên, tập 122, số 08, tr 103-109 Phạm Văn Nam, Trần Hoài Linh, (2015), "Công nghệ nhúng thiết kế thiết bị đo điện tim có chức phát phức QRS", Hội thảo Quốc Gia 2015 Điện tử, Truyền thông Công nghệ thông tin (ECIT 2015), tr 146 – 151 S Osowski, L Tran Hoai, T Markiewicz (2006), "Ensemble of neural networks for improved recognition and classification of arrhythmia" Metrology for a Sustainable Development September, Rio de Janeiro, Brazil, pp 17 – 22 Trần Hoài Linh, Phạm Văn Nam, Vương Hoàng Nam (2014), “Multiple neural network integration using a binary decision tree to improve the ECG signal recognition accuracy”, International Journal of Applied Mathematics and Computer Science, Volume 24, Issue 3, pp 647–655 Trần Hoài Linh, Phạm Văn Nam, Nguyễn Đức Thảo (2015), "A hardware implementation of intelligent ECG classifier", COMPEL: The International Journal for Computation and Mathematics in Electrical and Electronic Engineering, vol 34, Iss: 3, pp 905 – 919 S.Osowski, T Markiewicz, L Tran Hoai (2008), "Recognition and classification system of arrhythmia using ensemble of neural networks", Article in Measurement, Vol 41, pp 610–617 SUMMARY APPLYING DECISION TREE TO SOLUTIONS OF ECG SIGNAL QUALITY IMPROVEMENT Pham Van Nam*, Nguyen Thi Lan Huong, Tran Hoai Linh Hanoi University of Science and Technology The article presents a solution to improve the quality of Electrocardiogram (ECG) signals The main research direction of this article is the using of Binary Decision Tree to synthesize results of three single models including Multi-layer Perceptron (MLP) artificial neural network, TakagiSugeno-Kang (TSK) Fuzzy Logic system and Support Vector Machines (SVM) to improve the accuracy and quality of identification results Using Hermite Basis Functions is to develop the QRS complex as a specific vector of signals and to use two additional time characteristics, which are the intervals between two successive R, the mean value of 10 last R-R intervals The solution was tested on a set of sample data taken from MIT-BIH (Massachusetts Institute of Technology, Boston’s Beth Israel Hospital) database Finally, the article is to propose the idea of designing and manufacturing a measuring device that integrates the function of ECG signal identification, the identification program of the device shall use the developed solution and the application of advanced IC technology such as FPAA and ARM for hardware design, processing speed to meet real-time Keywords: Neural network, MLP, TSK, SVM, Integrated System, Decision Tree, Hermite Basis Functions, Electrocardiogram (ECG) Signals, IC FPAA, IC ARM Ngày nhận bài: 13/6/2017; Ngày phản biện: 02/7/2017; Ngày duyệt đăng: 30/9/2017 * Tel: 0979 427781, Email: pvnamdl1@gmail.com 87 View publication stats ... khỏe, có thơng số tim mạch thiết bị cần thiết cho gia đình có thành viên có nguy bị bệnh tim mạnh người cao tuổi Ngoài người điều trị bệnh tim mạch cần có thiết bị đo điện tim gọn nhẹ mang theo... nghiên cứu thiết bị đo điện tim có tích hợp chức nhận dạng tự động, thị trường nước xuất số máy điện tim chuyên dụng có chức nhận dạng, hỗ trợ Bác sĩ chuẩn đoán bệnh tim mạch, thiết bị dạng có... dõi lưu trữ liên tục tín hiệu điện tim ECG, gửi * Tel: 0979 427781, Email: pvnamdl1@gmail.com liệu đến bác sĩ để theo dõi có hướng điều trị phù hợp Tín hiệu điện tim (ECG) có độ biến đổi mạnh hình