Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống
1
/ 116 trang
THÔNG TIN TÀI LIỆU
Thông tin cơ bản
Định dạng
Số trang
116
Dung lượng
4,96 MB
Nội dung
Mở đầu MỞ ĐẦU Tính cấp thiết đề tài Trong thể người, thông số hoạt động hệ tim mạch thông tin quan trọng Các bệnh lý liên quan đến tim mạch phản ánh chủ yếu tín hiệu điện tim ECG (ElectroCardioGram) Do đó, kiểm tra phân tích tín hiệu điện tim ECG bước chẩn đoán để xác định bệnh lý tim mạch, từ loại bệnh tim thông dụng dễ phát (như loạn nhịp tim, thiếu máu cục bộ, tắc động mạch vành…), để chẩn đốn dựa vào độ lớn biên độ hình dạng phức QRS, sóng P, Q, R, S, T, hay số nhịp tim/phút, loại bệnh tim khó phát hơn, trường hợp bác sĩ phải theo dõi tín hiệu điện tim ECG bệnh nhân khoảng thời gian dài, nhiều chuyển đạo hơn, kết hợp với xét nghiệm phụ trợ để đưa chẩn đốn cuối Do đó, việc nghiên cứu tín hiệu điện tim ECG quan trọng sức khỏe người nói chung chẩn đốn xác bệnh tim mạch nói riêng [1, 6] Việc nghiên cứu điện tim ECG quan tâm phát triển nước quốc tế số lý sau: Việc nghiên cứu tín hiệu điện tim ECG dùng cho việc chẩn đốn sớm xác bệnh lý tim mạch, có ảnh hướng lớn đến sức khỏe người; Bài tốn nhận dạng tín hiệu điện tim chưa giải triệt để tín hiệu điện tim ECG có độ biến đổi mạnh hình dáng biên độ trường hợp bị bệnh lý, q trình thu thập theo dõi tín hiệu điện tim dễ bị ảnh hưởng yếu tố bên ngồi, nên tốn nhận dạng tín hiệu điện tim ECG có u cầu độ xác độ tin cậy cao tốn khó Do đó, có nhiều nhóm nghiên cứu nước quốc tế quan tâm, đầu tư phát triển giải pháp để nâng cao chất lượng nhận dạng tín hiệu điện tim ECG; Hiện nay, xã hội có nhu cầu cao thiết bị y tế theo dõi thông số sức khỏe, có hệ tim mạch, cụ thể: - - Mở đầu Nhu cầu giải pháp nhận dạng tín hiệu điện tim có độ xác tin cậy cao, phân biệt nhiều loại bệnh để áp dụng cho nhiều đối tượng bệnh nhân, hỗ trợ bác sĩ chuẩn đốn nhanh xác bệnh tim mạch; Nhu cầu thiết bị đo điện tim thông minh, cầm tay, có chức nhận dạng tự động tín hiệu điện tim ECG Thiết bị cần thiết người có nguy mắc bệnh cao (như người béo phì, người cao tuổi, người nghiện hút thuốc…) giúp phát sớm bệnh lý tim mạch Ngoài ra, người điều trị cần có thiết bị đo gọn nhẹ để mang theo người để theo dõi lưu trữ liên tục tín hiệu điện tim Thiết bị cần có phần mềm tiện ích để hỗ trợ kết nối dễ dàng với bác sĩ, bệnh viện từ xa (ví dụ qua internet) để thuận tiện q trình theo dõi chẩn đốn nhanh; Mục đích nghiên cứu Xuất phát từ nhu cầu thực tế luận án tập trung nghiên cứu phát triển giải pháp để nâng cao độ xác tin cậy kết nhận dạng tín hiệu điện tim, sau triển khai tích hợp thiết bị đo điện tim, có khả phát triển thành sản phẩm hoàn chỉnh để phục vụ nhu cầu cấp thiết đời sống xã hội, mục tiêu nghiên luận án cứu sau: Đề xuất xây dựng giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim (giảm số mẫu nhận dạng sai, giảm số trường hợp chẩn đốn âm tính sai FN); Đề xuất giải pháp phù hợp cho phép thực thuật toán khai triển hệ vi xử lý thơng dụng (cơng suất tính tốn nhỏ), để tiến tới phát triển hồn thiện thiết bị đo cầm tay có chức nhận dạng tự động tín hiệu điện tim có độ xác cao - - Mở đầu Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu luận án: Tín hiệu điện tim ECG, yếu tố ảnh hưởng đến tín hiệu điện tim; Các mơ hình nhận dạng tín hiệu điện tim, giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim; Nghiên cứu phương pháp đo thu thập tín hiệu điện tim Phạm vi nghiên cứu luận án: Nhiễu tín hiệu điện tim phương pháp lọc nhiễu: Nghiên cứu tổng quan dạng nhiễu thường gặp phương pháp loại bỏ nhiễu; Các thành phần đặc trưng tín hiệu điện tim: Nghiên cứu hình dạng thơng số loại nhịp tín hiệu điện tim, tập trung vào phức QRS, phương pháp trích chọn đặc tính; Các mơ hình nhận dạng sử dụng trí tuệ nhân tạo phương pháp xây dựng mô hình này: Tập trung nghiên cứu mơ hình kinh điển mạng nơ-rôn MLP (Multi Layer Perceptron), logic mờ TSK (Takaga-SugenoKang), máy véc-tơ hỗ trợ SVM (Support Vector Machines) rừng ngẫu nhiên RF (Random Forest); Nghiên cứu mơ hình định DT (Decision Tree), khả ứng dụng để kết hợp kết từ mô hình đơn, đánh giá kết giải pháp; Thiết bị đo tiền xử lý tín hiệu điện tim: Tìm hiểu tổng quan mơ hình thiết bị đo triển khai ứng dụng thực tế, đánh giá ưu nhược điểm, đề xuất giải pháp cho luận án Đối với khối tiền xử lý, lựa chọn áp dụng phương pháp lọc nhiễu phù hợp với thiết bị đo (nhỏ gọn, xách tay, sử dụng vi xử lý thông dụng) Nghiên cứu khả triển khai mơ mơ hình trí tuệ nhân tạo mơ hình kết hợp đề xuất luận án thiết bị đo Nghiên cứu mơ hình phối hợp từ nhiều mơ hình nhận dạng đơn để nâng cao chất lượng so với mơ hình đơn - - Mở đầu Ý nghĩa khoa học thực tiễn đề tài Ý nghĩa khoa học: Luận án đề xuất giải pháp nâng cao chất lượng (độ xác) nhận dạng tín hiệu điện tim dựa việc sử dụng định để kết hợp song song nhiều mơ hình nhận dạng đơn Các đề xuất kiểm nghiệm hai liệu, bốn mơ hình nhận dạng đơn 20 phương án kết hợp Ý nghĩa thực tiễn: Mục tiêu nâng cao chất lượng nhận dạng điện tim vấn đề quan tâm nhu cầu cấp thiết thực tế phục vụ người bệnh Các thuật toán triển khai thử nghiệm mẫu số liệu kinh điển quốc tế để kiểm tra chất lượng, bước đầu thử nghiệm thiết bị tự xây dựng để kiểm tra tính đáp ứng thời gian thực, khả áp dụng vào thiết bị thông minh nhỏ gọn phục vụ người bệnh thực tế giải pháp cao Những đóng góp luận án Xây dựng giải pháp nhận dạng tín hiệu điện tim mới: Kết hợp nhiều mơ hình nhận dạng đơn để cải thiện độ thêm xác kết nhận dạng Các kết tính tốn mơ kiểm chứng tập số liệu mẫu chuẩn sở liệu MIT-BIH MGH/MF, sở liệu nhiều nhóm nghiên cứu nước quốc tế dùng để tham chiếu; Đề xuất giải pháp phù hợp cho phép thực thuật toán khai triển tín hiệu ECG theo hàm Hermite để trích chọn đặc tính tín hiệu hệ vi xử lý có cơng suất tính tốn nhỏ Bố cục luận án Mở đầu: Trình bày vấn đề chung luận án, tóm tắt nội dung nghiên cứu, đóng góp bố cục luận án Chương I: Trình bày tổng quan tín hiệu điện tim ECG, số yếu tố ảnh hưởng đến tín hiệu ECG, tham khảo cơng trình nghiên cứu phương pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG, chương cịn đề xuất định - - Mở đầu hướng nghiên cứu trình bày khái quát sở liệu sử dụng luận án Chương II: Chương trình bày chi tiết khối: Thu thập tiền xử lý, phương pháp trích chọn đặc tính Chương III: Đây nội dung nghiên cứu luận án, phần đầu trình bày giải pháp sử dụng định (Decision Tree) để kết hợp kết hệ thống nhận dạng đơn Tiếp theo, trình bày mơ hình nhận dạng đơn mạng nơ-rơn truyền thẳng nhiều lớp MLP (Multi-Layer Perceptron), mạng nơ-rôn logic mờ TSK (Takagi–Sugeno–Kang), máy véc-tơ hỗ trợ SVM (Support Vector Machines) rừng ngẫu nhiên RF (Random Forest) Cuối cùng, đề xuất phương án thiết kế phần cứng cho thiết bị đo tín hiệu điện tim Chương IV: Chương trình bày phương pháp tạo liệu học kiểm tra từ hai sở liệu MIT-BIH MGH/MF Kết xây dựng mơ hình nhận dạng tín hiệu ECG, kết thử nghiệm, đánh giải pháp đề xuất luận án Phần cuối cùng, kết luận hướng phát triển, danh mục tài liệu tham khảo, cơng trình cơng bố luận án - - Chương I: Tổng quan phương pháp nâng cao chất lượng nhận dạng tín hiệu ECG CHƯƠNG I: TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG TÍN HIỆU ECG Chương giới thiệu tổng quan tín hiệu điện tim ECG, tầm quan trọng nhu cầu thực tiễn việc nghiên cứu tín hiệu điện tim Trình bày tổng quan cơng trình nghiên cứu lĩnh vực nước quốc tế, phân tích đánh giá từ đề xuất định hướng nghiên cứu luận án 1.1 Tổng quan tín hiệu điện tim ECG 1.1.1 Giới thiệu chung thơng số hình dạng sóng ECG Tín hiệu điện tim ECG (ElectroCardioGram) chứa thông tin chủ yếu để xác định bệnh lý tim mạch Như hình 1.1 tín hiệu điện tim đường cong ghi lại biến thiên điện áp tim sinh hoạt động, hình dáng tín hiệu điện tim ECG tổng hợp sóng P, phức QRS sóng T Trong đó, phức QRS chứa nhiều thông tin quan trọng nhất, cụ thể [4, 57]: Có 12 chuyển đạo xây dựng dựa vị trí đặt điện cực, chuyển đạo tay trái – tay phải chuyển đạo quan tâm nhiều biểu rõ nét pha co dãn tim; Sóng P đại diện cho sóng khử cực lan truyền từ nút xoang sang tâm nhĩ Khoảng PR khoảng thời gian cần thiết để xung điện từ nút xoang qua nút nhĩ thất (AV) vào tâm thất Phức QRS q trình khử cực tâm thất Sóng Q đại diện trình khử cực từ trái sang phải vách ngăn liên tâm thất Sóng R đại diện trình khử cực sớm tâm thất Sóng S đại diện trình khử cực muộn tâm thất Đoạn ST thời điểm tâm thất khử cực hoàn tồn đoạn có điện trùng với đường đẳng điện Khoảng QT thời gian xảy hai trình khử cực tái cực tâm nhĩ Sóng T đại diện tái cực thất thời gian kéo dài so với trình khử cực; Một tín hiệu ECG bình thường có thơng số sau: - - Chương I: Tổng quan phương pháp nâng cao chất lượng nhận dạng tín hiệu ECG - Số nhịp tim trung bình người bình thường từ 50÷100 nhịp/phút; - Biên độ (mV): Phức QRS < 1,5; sóng P < 0,25; sóng Q khoảng 25 % so với sóng R kế đó, cuối sóng T có giá trị khoảng 0,1÷0,5; - Thời gian tồn (ms): Phức QRS 50 ÷ 100, P-R 120 ÷ 200, QT 350÷440, S-T 50÷150, sóng P < 120 Hình 1.1: Hình dáng thành phần tín hiệu điện tim ECG 1.1.2 Một số yếu tố ảnh hướng đến tín hiệu điện tim Tín hiệu điện tim thường có lẫn nhiều loại nhiễu khác Một số nguyên nhân gây nhiễu trình thu thập tín hiệu điện tim ECG [48]: Ảnh hưởng hệ hô hấp cử động người bệnh: Khi vận động bề mặt da thường bị co dãn, sinh biến đổi bề mặt tiếp xúc với điện cực đo điện tim điện cực gắn trước ngực Sự thay đổi làm cho điện trở tương đương giá trị điện dung ký sinh điện cực biến thiên, ảnh hưởng gây trôi dạt đường sở, làm thay đổi biên độ hình dáng tín hiệu điện tim; Ảnh hưởng tâm lý: Khi bệnh nhân bị căng thẳng, lo sợ bình tĩnh gây run cơ, tạo nhiễu sóng Dải tần loại nhiễu thường nằm dải 20÷30Hz; - - Chương I: Tổng quan phương pháp nâng cao chất lượng nhận dạng tín hiệu ECG Ảnh hưởng nhiễu điện áp lưới: Tín hiệu điện tim có biên độ nhỏ (cỡ mV) nên dễ bị ảnh hưởng nhiễu từ nguồn cung cấp thường có thành phần tần số điện lưới 50Hz, làm cho bề rộng đường tín hiệu điện tim lớn hơn, bao trùm lên sóng P, Q, S, T tín hiệu điện tim; Ảnh hưởng nhiễu phát sinh từ thiết bị điện tử: Các thiết bị điện tử điện thoại, máy tính, nguồn điện … để gần gây tượng bão hịa khối khuếch đại thiết bị thu thập tín hiệu điện tim Hình 1.2: Một số ví dụ tín hiệu ECG: (a) Bị ảnh hưởng cử động bệnh nhân, (b) bị trôi dạt đường sở hệ hô hấp, (c) bị ảnh hưởng điện lưới 50Hz Phần tiếp theo, nghiên cứu sinh trình bày tóm tắt số cơng trình nghiên cứu tín hiệu điện tim tác giả nước quốc tế, từ phân tích đánh giá kết giải pháp cơng trình làm sở để đề xuất định hướng nghiên cứu luận án 1.2 Tình hình nghiên cứu phương pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG 1.2.1 Tình hình nghiên cứu Mơ hình chung hệ thống nhận dạng tín hiệu điện tim thể hình 1.3, gồm bốn khối chính: Thu thập, tiền xử lý, trích chọn đặc tính, nhận dạng - - Chương I: Tổng quan phương pháp nâng cao chất lượng nhận dạng tín hiệu ECG Hình 1.3: Mơ hình chung hệ thống nhận dạng tín hiệu điện tim ECG Một số cơng trình nghiên cứu tín hiệu điện tim năm vừa qua, tóm tắt lại sau: a) Tiền xử lý: Do tín hiệu điện tim ECG loại tín hiệu có biên độ nhỏ (khoảng 1mV) nên dễ bị ảnh hưởng yếu tố gây nhiễu từ bên ngồi Trong [44] tín hiệu điện tim coi tổ hợp sóng có dải tần từ 0→∞, thực tế theo cơng trình nghiên cứu từ trước đến dải tần số ý nghĩa việc chẩn đốn bệnh tim mạch khoảng 0,1÷150Hz (trong số trường hợp xét dải tần từ 0,05÷300Hz) Sử dụng lọc thông thấp với tần số cắt 150Hz, lọc thông cao với tần số cắt 0,1Hz lọc Notch 50Hz để loại thành phần nhiễu nằm khoảng nghiên cứu nhiễu nguồn điện lưới Nhưng để loại bỏ phần nhiễu có tần số ngẫu nhiên phủ chồng lên dải tần tín hiệu điện tim thách thức lớn, cơng trình gần thường sử dụng lọc phi tuyến như: Lọc thích nghi [3, 45, 46, 49, 51, 61], nội suy đa thức, phân tích thành phần độc lập (ICA) [54], kỹ thuật tách mù, hay sử dụng thuật toán biến đổi wavelet [27, 33, 34, 43, 69] Trong nước, ví dụ phương pháp loại bỏ nhiễu sử dụng phương pháp ICA TS Vương Hoàng Nam năm 2010 [7], phương pháp lọc thích nghi TS.Hoàng Mạnh Hà năm 2011 [3], kết sử dụng phương phương pháp xấp xỉ wavelet để loại nhiễu trôi dạt đường sở hô hấp bệnh nhân luận án TS Nguyễn Đức Thảo năm 2016 [4] Phương pháp wavelet phương pháp loại bỏ nhiễu sử dụng nhiều cho kết tốt, đặc biệt hiệu để loại nhiễu trơi dạt đường sở b) Trích chọn đặc tính: Đã có nhiều đề xuất như: Dùng biên độ đỉnh P-Q-R-S-T, khoảng cách sóng P-R, Q-T, S-T, phức QRS [32, 75]; Thông số biến đổi phổ tần số DFT [38]; - - Chương I: Tổng quan phương pháp nâng cao chất lượng nhận dạng tín hiệu ECG Phương pháp thông dụng sử dụng hệ số khai triển phức QRS wavelet [4, 22, 56] hay hàm Hermite sở [4, 16, 42, 60, 74, 78, 86]; Phương pháp sử dụng dùng mơ hình Markov ẩn [90, 91], hay phân tích tín hiệu điện tim theo hàm sở Karhunen– Lowen [24] c) Mơ hình nhận dạng: Số lượng giải pháp nhận dạng phong phú so với giải pháp trích chọn đặc tính tín hiệu điện tim, cụ thể: Các nghiên cứu đặc trưng tín hiệu ECG Kết cho thấy đặc tính chủ yếu nằm phức QRS, đoạn QR chứa nhiều thơng tin hỗ trợ tốt cho trình nhận dạng phân loại tín hiệu Nếu dùng để phát bệnh ngoại tâm thu đạt tới độ xác 99% số liệu mẫu MIT-BIH [40]; Phát loại bệnh Myocardial ischemia cách ước lượng lượng đoạn ST để cân lượng oxy cấp oxy nhu cầu bệnh nhân Thiết bị đo bốn cực, có khả truyền thơng sử dụng wireless [30]; Thuật tốn phân tích độ dốc đoạn QR đoạn RS để phát biến đổi nhịp tim bệnh nhân trình truyền máu Kết kiểm chứng số liệu mô [66]; Nghiên cứu lý thuyết phát sớm tượng tim ngừng đập thơng qua phân tích phổ Fourier phức QRS [67]; Mạng nơ-rôn kinh điển MLP thường xuyên nhóm tác giả sử dụng làm công cụ nhận dạng [8, 53, 55, 59, 73, 75, 78] Bên cạnh đó, mạng nơ-rơn phổ biến ART (Adapvive Resonant Theory) [13] tác giả đề xuất thử nghiệm hay mạng nơ-rôn LVQ (Learning Vector Quantization) sử dụng để nhận dạng loại bệnh lý, kết thử nghiệm sở liệu UCI ECG Arrhythmia Dataset [9]; Bên cạnh mạng nơ-rơn công cụ lô-gic mờ dần trở nên phổ biến có nhiều cơng trình sử dụng ví dụ mạng TSK [4, 42, 74, 77, 78]; - 10 - Danh mục tài liệu tham khảo System Leveraging Support Vector Machines", Ninth IEEE International Conference on Bioinformatics and BioEngineering, p 254 – 259 83 S Haykin (1999), "Neural Networks", Pearson Education (Singapore) 84 Sabiq Faziludeen, P V Sabiq (2013), "ECG beat classification using wavelets and SVM", 2013 IEEE Conference on Information & Communication Technologies (ICT), pp 815-818 85 Stojanovic Filipovic, Debevc, Devedzic (2013), "On line ECG processing and visualization using android SmartPhone", 2013 2nd Mediterranean Conference on Embedded Computing (MECO), pp 93-96 86 Stanislaw Osowski, Linh Tran Hoai, Tomasz Markiewicz (2004), "Support Vector Machine-Based Expert System for Reliable Heartbeat Recognition", IEEE Transactions on Biomedical Engineering, pp 582-589 87 Smola Scholkop (2002), "Learning with Kernels", MIT Press, Cambridge, MA 88 Shin-Chi Lai, Chien-Sheng Lan, Sheau-Fang Lei (2013), "An efficient method of ECG signal compression by using a DCT-IV spectrum", 2013 International Conference on Communications, Circuits and Systems (ICCCAS), pp 46-49 89 S Chi-Hwa, Jun, W., Dong-Hun, S and Won-Don, L (2008), "Solving multi-sensor problem with a new approach", Proceedings of the First International Conference on the Applications of Digital Information and Web Technologies (ICADIWT), Ostrava, Czech Republic, pp 348–353 90 Shing-Tai Pan; Yi-Heng Wu; Yi-Lan Kung; Hung-Chin Chen (2013), "Heartbeat Recognition from ECG Signals Using Hidden Markov Model with Adaptive Features", 2013 14th ACIS International Conference on Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing (SNPD), pp 586-591 91 Shing-Tai Pan; Tzung-Pei Hong; Hung-Chin Chen (2012), "ECG signal analysis by using Hidden Markov model", 2012 International Conference on Fuzzy Theory and it's Applications (iFUZZY), pp 288-293 92 S.-L; Luo Chen, G.-A; Lin, T.-L (2013), "Efficient fuzzy-controlled and hybrid entropy coding strategy lossless ECG encoder VLSI design for wireless body sensor networks", Electronics Letters, vol 49(17) , 2013, pp 1058 - 1060 - 102 - Danh mục tài liệu tham khảo 93 S.A Anapagamini, Rajavel, R (2013), "Removal of artifacts in ECG using Empirical mode decomposition", International Conference on Communications and Signal Processing (ICCSP), pp 288-292 94 Swati Banerjee, Madhuchhanda Mitra (2014), "Application of Cross Wavelet Transform for ECG Pattern Analysis and Classification", IEEE Transactions on Instrumentation and Measurement, pp 326 - 333 95 T Hoai Linh, S Osowski, K Brudzewski (2004), "Neuro-fuzzy network for flavor recognition and classification", IEEE transactions on instrumentation and measurement, vol 53, no 3, pp 638-644 96 T.R.G; Geetha Nair, A.P; Asharani, M (2013), "Adaptive wavelet based identification and extraction of PQRST combination in randomly stretching ECG sequence", IEEE China Summit and International Conference on Signal and Information Processing, pp 278 - 282 97 Tea Marasović; Vladan Papić (2016), "Cardiac arrhythmia detection using DCT based compressive sensing and random forest algorithm”, 2016 International Multidisciplinary Conference on Computer and Energy Science (SpliTech) , pp - 98 Valtino X Afonso (1993), "ECG QRS Detection", Biomedical digital signal processing 99 Vijaya Kumar Can Ye, B.V.K and Coimbra, M.T (2012), "Combining general multiclass and specific two-class classifiers for improved customized ECG heartbeat classification", Proceedings of the 21st International Confe-rence on Pattern Recognition (ICPR 2012), Arlington, VA, USA, pp 2428–2431 100 V Vapnik (1998), "Statistical Learning Theory", Wiley, New York, NY 101 Wang Lee, Chen, Lin, Fang, Q (2014), "Implementation of a Wireless ECG Acquisition SoC for IEEE 802.15.4 (ZigBee) Applications", IEEE Journal of Biomedical and Health Informatics, vol 19, Issue: 1, Jan 2015), pp 247 - 255 102 Xin Liu; Jun Zhou; Yongkui Yang (2013), "A 457-nW cognitive multi-functional ECG processor", IEEE Asian Solid-State Circuits Conference (A-SSCC), pp 141 144 103 Yao Li, Qingning Zeng (2013), "ECG classification based on sparse constrained nonnegative-matrix factorization and decision tree", 2013 8th International ICST - 103 - Danh mục tài liệu tham khảo Conference on Communications and Networking in China (CHINACOM), pp 730733 104 Yun-Hong Noh; Jiunn Huei Yap; Do-Un Jeong (2013), "the Abnormal ECG Monitoring System Using Heartbeat Check Map Technique", 2013 International Conference on IT Convergence and Security (ICITCS), pp 1-4 105 Y Ying, Xiao-Long, W and Bing-Quan, L (2004), "A gradual combining method for multi-SVM classifiers based on distance estimation,”Proceedings of the 3rd International Conference on Machine Learning and Cybernetics, Shanghai, China, pp 3434–3438 106 Z Yujin, Yihua, T., Haitao L and Haiyan, G (2011), "A multi-classifier combined decision tree hierarchical classification method", Proceedings of the 2011 International Symposium on Image and Data Fusion (ISIDF), Yunnan, China, pp 1– 107 Zhenbo Wang; Wenfeng Zhang; An Luo Bobra (2013), "A high-quality, low-energy, small-size system-on-chip (SoC) solution enabling ECG mobile applications", Industrial Electronics Society, IECON 2013 - 39th Annual Conference of the IEEE, pp 8406-8409 108 J R Quinlan (1986), "Induction of Decision Trees", Machine Learning 1, pp 81106, 1986 109 http://www.physionet.org/physiobank/database/mghdb/ 110 http://www.physionet.org/physiobank/database/mitdb/ - 104 - Danh mục cơng trình cơng bố luận án DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN Nguyễn Đức Thảo, Trần Hoài Linh, Phạm Văn Nam, Trương Tuấn Anh (2014), “Thiết kế thiết bị thu thập tự động nhận dạng thông minh tín hiệu điện tim sử dụng cơng nghệ vi mạch khả trình”, Tạp chí Khoa học Cơng nghệ Đại học Thái Nguyên, tập 122, số 08, trang: 103-109 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 Phạm Văn Nam, Trần Hồi Linh, (2015), "Cơng 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), trang: 146 – 151 Phạm Văn Nam, Nguyễn Thị Lan Hương, Trần Hoài Linh (2017), “Ứng dụng định cho giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim”, Tạp chí Khoa học Cơng nghệ Đại học Thái Ngun, Tập 169, số 09, Trang: 81-87 Phạm Văn Nam, Trần Hoài Linh, Nguyễn Thị Lan Hương (2017), “Ứng dụng định để xây dựng mơ hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim”, Chuyên san Đo lường, Điều khiển Tự động hóa, số 20, Trang: 76-81 - 105 - Phụ lục PHỤ LỤC Phân tích thiết kế phần cứng Khối thu thập chuẩn hóa tín hiệu Tín hiệu điện tim có hình dạng hình PL.1 Tín hiệu có giá trị biên độ nhỏ, với sóng R có biên độ lớn mức đến 2,5mV Tín hiệu ECG thường dễ bị ảnh hưởng nhiều thành phần nhiễu khác như: nhiễu nguồn điện lưới, điện cực tiếp xúc với bề mặt thể bệnh nhân, thay đổi cảm xúc bệnh nhân, trình hô hấp chuyển động bệnh nhân… Nhiệm vụ khối là: chuẩn hóa tín hiệu analog thu từ điện cực ECG dải biến thiên từ 0÷5V, tín hiệu thường xử lý qua khâu: khuếch đại tín hiệu khoảng 2000 lần, lọc analog Như đầu khối tín hiệu điện tim ECG loại bỏ phần nhiễu từ lọc analog, có biến độ khoảng 0÷5V Các chức thực IC FPAA Dòng chip lựa chọn thiết kế AN221E04 (hình PL.2) hãng Anadigm IC AN221E04 có tài nguyên phù hợp với việc thiết kế lọc cho tín hiệu điện tim Hình PL.1: Sơ đồ mạch thu thập tín hiệu điện tim sử dụng IC FPAA Tất thiết kế sau cho FPAA thực thuận tiện phần mềm Anadigm Designer tích hợp kèm theo IC Người thiết kế cần thực công việc sau: - Lựa chọn chủng loại chip FPAA dựa tính chất ứng dụng - Chọn từ thư viện CAM khâu chức analog lập sẵn, ví dụ mạch khuếch đại, chỉnh lưu tích cực, lọc tích cực bậc cao Người thiết kế cần xác định tham số cho khối chọn Ví dụ giao diện dùng để thiết kế khối lọc khuếch đại thể hình PL.4; - 106 - Phụ lục - Cấu hình sau thiết kế xuất file mã hex ghi xuống nhớ vi xử lý (hoặc hệ số nói chung) để nạp cho FPAA khởi động Sơ đồ ghép nối cho trường hợp sử dụng vi xử lý ngồi nạp cấu hình cho FPAA giới thiệu hình PL.3 (a) (b) Hình PL.2: IC AN121E04 AN221E04 (a) sơ đồ bố trí chân AN221E04 (b) Hình PL.3: Sơ đồ ngun lý ghép nối FPAA với vi xử lý để nạp cấu hình cho FPAA Xây dựng cấu hình cho IC FPAA: Xây dựng lọc: - Thiết kế khâu lọc thông thấp: Trong thư viện CAM Anadigm Designer có khối CAM DC Blocking High Pass Filter with Optional LPF Sử dụng khối - 107 - Phụ lục CAM ta lựa chọn tần số cắt lọc thông thấp theo tần số theo giá trị tụ điện mắc nối tiếp đầu vào Do yêu cầu tín hiệu điện tim thu thập tồn phần tín hiệu có dải tần nằm khoảng 0,05Hz đến 150Hz Ta thiết lập tần số cắt cho tín hiệu 0,05Hz Với tần số lấy mẫu tín hiệu FPAA 16 kHz giá trị tụ điện mắc phía ngồi 740nF Ta chọn tụ điện loại C105 (1000nF) tần số cắt tín hiệu 0,037Hz, đạt yêu cầu sử dụng - Thiết kế khâu lọc thông cao: Sử dụng Biquadratic Filter làm khâu lọc thông thấp với tần số lấy mẫu tín hiệu 16kHz (bằng với tần số lấy mẫu khâu lọc thông cao), tần số cắt khâu lọc cho phép đặt dải từ 0,032kHz đến 1,6kHz Bằng cách thay đổi Quality Factor làm cho giới hạn tần số cắt hệ số khuếch đại khâu lọc thay đổi Với yêu cầu tần số cắt khâu lọc thông cao cho tín hiệu điện tim 150Hz ta đặt Quality Factor - Thiết kế khâu lọc chặn dải: Với thiết bị điện tim mini sử dụng nguồn chiều bị ảnh hưởng nhiễu nguồn điện xoay chiều tạo Tuy nhiên thiết bị sử dụng với nguồn cắm trực tiếp vào điện lưới dây điện cực cách ly cần thiết kế lọc có khâu lọc chặn dải cho tần số điện lưới Bộ lọc chặn dải lựa chọn lọc Chebyshev Công cụ Anadigm Filter tính tốn chất lượng khâu lọc lượng tài nguyên chip sử dụng cho khâu lọc Trên sở tài nguyên IC221E04 ta lựa chọn thông số sau: o Pass Band Ripple = 3dB, o Stop Band Attend = 30dB, o Center Frequency = 50Hz, o Stop Band Width = 2Hz o Tần số lấy mẫu lọc = kHz - 108 - Phụ lục Hình PL.4: Sơ đồ thiết kế mạch lọc khuếch đại FPAA Tính tốn hệ số khuếch đại: Như phân tích trên, nhu cầu cần khuếch đại tín hiệu với hệ số khuếch đại khoảng 2000, để thực hệ số FPAA AN221E04 ta lựa chọn phương pháp mắc nối tiếp số khâu Sử dụng khuếch đại bên khối IO hình PL.4, thiết lập hệ số khuếch đại G1=16, đặt hệ số khuếch đại khâu lọc thông cao G2=8, hệ số khuếch đại khâu lọc thông thấp G3=16 Như hệ số khuếch đại toàn khâu là: G = G1xG2xG3 = 16x8x16 = 2048 Cấu hình FPAA cần nạp cho IC ta khởi động hệ thống Cấu hình nạp từ nhớ ngồi (nếu mạch khơng có vi xử lý khác) truyền từ vi xử lý trung tâm xuống FPAA theo chuẩn ghép nối SPI Trong thiết kế vi xử lý trung tâm PSoC nhận nhiệm vụ nạp cấu hình cho FPAA Trên hình PL.5 kết kiểm tra chất lượng hoạt động mạch lọc thiết kế FPAA Có thể nhận thấy cho tín hiệu điện tim bị nhiễu lọc hoạt động tốt - 109 - Phụ lục Hình PL.5: Kết chạy thử nghiệm mạch lọc nhiễu cho tín hiệu ECG Anadigm Designer: tín hiệu gốc (trên) tín hiệu sau lọc với lọc thiết kế (dưới) Khối vi xử lý Do u cầu tốc độ tính tốn nên thiết bị lựa chọn vi xử lý trung tâm sử dụng cơng nghệ ARM STM32F103, tốc độ 72MHz, có thư viện hỗ trợ hầu hết khối chức quan trọng ADC, giao tiếp UART, LCD Khối hình cảm ứng Để hiển thị giao diện điều khiển thiết bị có khả đưa thơng tin tín hiệu điện tim đo tới người quan sát phần giao diện sử dụng hình HMI UART Nextion 2.4 Inch Hình PL.6 hình LCD thực tế lựa chọn - 110 - Phụ lục Hình PL.6: Hình ảnh hình HMI UART Nextion 2.4 Inch Khối lưu trữ Đối với thiết bị đo nhu cầu lưu trữ liệu đo quan trọng Ở thiết bị đo điện tim cổ điển việc lưu trữ liệu thể qua cấu ghi cuộn giấy Tuy nhiên với phát triển ngành điện tử việc lưu trữ liệu cần thực dạng số hóa Ta lựa chọn dạng thẻ nhớ SD cho thiết bị Thẻ SD có khả lưu trữ tới GB liệu đo Giao diện ghép nối thẻ nhớ vào mạch vi xử lý giới thiệu hình PL.7 Hình PL.7: Giao diện thẻ SD mạch ghép nối giao tiếp thẻ SD với ARM Khối nguồn Do mục đích thiết kế đặt thiết bị di động nên ta sử dụng nguồn loại pin sạc nhiều lần Một loại pin có sẵn thị trường có điện áp làm việc 3.6÷3.75V Để chuyển đổi điện áp từ 3,7VDC sang 5VDC dùng IC ADP3000-5V với sơ đồ nguyên lý cho hình PL.8 - 111 - Phụ lục Hình PL.8: Sơ đồ nguyên lý ghép nối IC nguồn với pin 3,7V Phần mềm máy tính: Giao diện chính: Được thực Visual C# Express 2010 Hình PL.9: Giao diện phần mềm ECG Monitor Kết thi cơng phần cứng Hình PL.10: Mặt mạch in - 112 - Phụ lục Hình PL.11: Mặt mạch in Hình PL.12: Hình ảnh thiết bị trước đóng vỏ Ổ cắm điện cực Hình PL.13: Thiết bị sau đóng vỏ (loại 1) - 113 - Phụ lục Một số phiên thiết bị khác: Thiết bị có kích thước lớn: 12cm x 22cm x 30cm, Hình PL.14: Thiết bị sau đóng vỏ (loại 2) Thiết bị kích thước nhỏ: 7cm x 6cm x 2cm, dùng để thu thập tín hiệu ECG Hình PL.15: Thiết bị sau đóng vỏ (loại 3) - 114 - Phụ lục Bảng PL.1: Thống kê số lượng loại nhịp bệnh 19 bệnh nhận sở liệu MIT-BIH STT Record Nr N L R A V I E Record 100 2239 33 0 0 Record 105 2526 0 41 0 Record 106 1507 0 520 0 Record 109 2492 0 38 0 Record 111 2123 0 0 Record 114 1820 0 10 43 0 Record 116 2302 0 109 0 Record 118 0 2166 96 16 0 Record 119 1543 0 444 0 10 Record 124 0 1531 47 0 11 Record 200 1743 0 30 826 0 12 Record 202 2061 0 36 19 0 13 Record 207 1457 86 107 105 472 105 14 Record 208 1586 0 992 0 15 Record 209 2621 0 383 0 16 Record 212 923 1825 0 0 17 Record 214 2003 0 256 0 18 Record 221 2031 0 396 0 19 Record 222 2031 0 208 0 - 115 - Phụ lục Kết thử nghiệm thuật toán tiền xử lý phát đỉnh R thiết bị đo, thử nghiệm với 06 record 100, 101, 102, 103, 104, 105 CSDL MIT-BIH Bảng PL.2: Kết thử nghiệm thiết bị CSDL MIT-BIH Record Tổng số nhịp Số nhịp không phát Số nhịp phát sai Sai số (%) 100 1901 1 0.1 101 1523 0.19 102 1820 0.05 104 1849 0.59 105 2149 52 2.74 Kết thử nghiệm khả chạy chương trình nhận dạng thiết bị, với đầu vào 3068 vectơ đặc tính nhịp tim trích từ CSDL MIT-BIH, thời gian nhận dạng chạy ARM (STM32F103, tốc độ 72MHz) khoảng 150 (ms), phần đáp ứng thời gian thực Bảng PL.3: Kết thử nghiệm chương trình nhận dạng thiết bị với sở liệu MIT-BIH Loại nhịp (test) Số lượng Số nhịp nhận dạng sai Sai số (%) N 935 0.749 L 561 0.713 R 485 0.825 A 398 15 3.769 V 451 1.109 I 201 1.493 E 37 0.000 - 116 - ... dụng toán nhận dạng phức tạp, yêu cầu độ xác cao Trên hình 1.4 sơ đồ khối tổng quát hệ thống nhận dạng tín hiệu điện tim sử dụng mơ hình kết hợp, có M mơ hình nhận dạng đơn, kết mơ hình nhận dạng. .. nghiên cứu luận án 1.2 Tình hình nghiên cứu phương pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG 1.2.1 Tình hình nghiên cứu Mơ hình chung hệ thống nhận dạng tín hiệu điện tim thể hình 1.3,... sử dụng mơ hình kết hợp ba mơ hình nhận dạng SVM đơn để nhận dạng sáu loại nhịp tim làm độ xác tăng khoảng 0,2%, nghiên cứu [31] tác giả kết hợp 15 mơ hình nhận dạng SVM đơn có độ xác dải 98%