THÔNG TIN TÀI LIỆU
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ TRUYỀN THƠNG PHÂN LOẠI BỆNH TIM TỪ TÍN HIỆU ĐIỆN TÂM ĐỒ SỬ DỤNG KIT RASPBERRY PI GVHD: NGUYỄN THANH NGHĨA SVTT: LÊ HOÀNG THANH MSSV: 14141281 SVTT: NGUYỄN THỊ NHƯ QUỲNH MSSV: 14141253 SKL 0 5 Tp Hồ Chí Minh, tháng 07/2018 an BỘ GIÁO DỤC & ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA ĐIỆN – ĐIỆN TỬ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH - ĐỒ ÁN TỐT NGHIỆP NGÀNH KỸ THUẬT ĐIỆN TỬ TRUYỀN THÔNG ĐỀ TÀI: PHÂN LOẠI BỆNH TIM TỪ TÍN HIỆU ĐIỆN TÂM ĐỒ SỬ DỤNG KIT RASPBERRY PI GVHD: ThS Nguyễn Thanh Nghĩa SVTH: Nguyễn Thị Như Quỳnh MSSV: 14141253 Tp Hồ Chí Minh – 07/2018 an TRƯỜNG ĐH SPKT TP HỒ CHÍ MINH KHOA ĐIỆN-ĐIỆN TỬ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM ĐỘC LẬP - TỰ DO - HẠNH PHÚC o0o Tp HCM, ngày 06 tháng 07 năm 2018 NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên: Chun ngành: Hệ đào tạo: Khóa: Lê Hồng Thanh Nguyễn Thị Như Quỳnh Điện tử Công nghiệp Đại học quy 2014 MSSV: 14141281 MSSV: 14141253 Mã ngành: 01 Mã hệ: Lớp: 14141DT3A I TÊN ĐỀ TÀI: PHÂN LOẠI BỆNH TIM TỪ TÍN HIỆU ĐIỆN TÂM ĐỒ SỬ DỤNG KIT RASPBERRY PI II NHIỆM VỤ Các số liệu ban đầu: Các tài liệu Python Support Vector Machine Cơ sở liệu để huấn luyện lấy từ nguồn physionet.org Nội dung thực hiện: Tìm hiểu Raspberry, bệnh rối loạn nhịp tim đặc trưng liên quan đến bệnh Tìm hiểu loại mơ hình SVM lựa chọn mơ hình phù hợp Huấn luyện mơ hình SVM Viết chương trình chẩn đốn bệnh tim bao gồm ngõ vào cho phép nhập mã số bệnh nhân, ngõ đưa kết nhịp tim Hồn thành mơ hình SVM Đánh giá kết thực III NGÀY GIAO NHIỆM VỤ: IV NGÀY HOÀN THÀNH NHIỆM VỤ: V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: CÁN BỘ HƯỚNG DẪN 16/04/2018 5/07/2018 ThS Nguyễn Thanh Nghĩa BM ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an TRƯỜNG ĐH SPKT TP HỒ CHÍ MINH KHOA ĐIỆN-ĐIỆN TỬ BỘ MƠN ĐIỆN TỬ CƠNG NGHIỆP – Y SINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM ĐỘC LẬP - TỰ DO - HẠNH PHÚC o0o Tp HCM, ngày 06 tháng 07 năm 2018 LỊCH TRÌNH THỰC HIỆN ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên 1: Lê Hoàng Thanh Lớp: 14141DT3A MSSV: 14141281 Họ tên sinh viên 2: Nguyễn Thị Như Quỳnh Lớp: 14141DT3A MSSV: 14141253 Tên đề tài: Phân loại bệnh tim từ tín hiệu điện tâm đồ sử dụng kit raspberry pi Tuần/ngày Xác nhận GVHD Nội dung 16-20/4 Chọn đề tài 21-25/4 Viết đề cương chi tiết 26/4-05/5 Tìm hiểu lý thuyết điện tim bệnh tim 06/-17/5 Tìm hiểu sơ lược máy học 18-21/5 Tìm hiểu mơ hình SVM 22/5-04/6 Tìm hiểu đặc trưng 05-15/6 Viết code thực chương trình 15-19/6 Chạy thử nghiệm Raspberry 20-24/6 Viết giao diện điều khiển raspberry 24/6-5/7 Viết báo cáo GV HƯỚNG DẪN (Ký ghi rõ họ tên) Ths Nguyễn Thanh Nghĩa an LỜI CAM ĐOAN Chúng – Lê Hoàng Thanh Nguyễn Thị Như Quỳnh cam đoan ĐATN cơng trình nghiên cứu thân (chúng tôi) hướng dẫn Ths Nguyễn Thanh Nghĩa Các kết công bố ĐATN trung thực không chép từ công trình khác SV thực đồ án Lê Hồng Thanh Nguyễn Thị Như Quỳnh i an LỜI CẢM ƠN Để hồn thành đề tài này, nhóm sinh viên thực xin gửi lời cảm ơn chân thành đến Thầy/Cô khoa Điện - Điện Tử, trường Đại học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh, người truyền đạt cho em kiến thức quý báu, dẫn định hướng cho nhóm q trình học tập Đây tiền đề để nhóm hồn thành đề tài nghiệp sau Đặc biệt, nhóm xin chân thành cảm ơn Thầy Nguyễn Thanh Nghĩa tận tình hướng dẫn tạo điều kiện thuận lợi cho nhóm suốt thời gian thực Đồ Án Tốt Nghiệp Nhóm xin phép gửi đến thầy lịng biết ơn lời cảm ơn chân thành sâu sắc Kiến thức, kinh nghiệm tâm nghề nghiệp thầy khơng giúp đỡ nhóm hồn thành tốt đề tài mà cịn gương để nhóm học tập noi theo đường sau Cuối cùng, cố gắng hoàn thành nhiệm vụ đề tài đặt đảm bảo thời hạn kiến thức hạn hẹp chắn sẽ khơng tránh khỏi thiếu sót, mong Thầy/Cơ bạn sinh viên thơng cảm Nhóm mong nhận ý kiến Thầy/Cô bạn sinh viên Nhóm xin chân thành cảm ơn! SV thực đồ án Lê Hoàng Thanh Nguyễn Thị Như Quỳnh ii an MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC HÌNH ẢNH vi DANH MỤC BẢNG BIỂU viii TÓM TẮT ix CHƯƠNG 1: TỔNG QUAN 1.1 Đặt vấn đề 1.2 Mục tiêu 1.3 Nội dung nghiên cứu 1.4 Giới hạn đề tài 1.5 Bố cục CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Cấu tạo hoạt động tim 2.1.1 Cấu tạo tim 2.1.2 Hoạt động tim 2.2 Tín hiệu điện tâm đồ (ECG) 2.2.1 Giới thiệu tín hiệu điện tâm đồ 2.2.2 Các chuyển đạo tim 2.2.3 Ý nghĩa thành phần điện tâm đồ 2.2.4 Áp dụng y học 11 2.3 Kit Raspberry Pi 12 2.3.1 Giới thiệu điều khiển Raspberry Pi 12 iii an 2.3.2 Phần cứng 13 2.3.3 Phần mềm 14 2.4 Tổng quan ngôn ngữ Python 16 2.4.1 Khái niệm ngôn ngữ Python 16 2.4.2 Đặc điểm ngôn ngữ Python 17 2.4.3 Cú pháp ngôn ngữ Python 19 2.5 Tổng quan Support Vector Machines (SVM) 22 2.5.1 Khái niệm Support Vector Machines (SVM) 22 2.5.2 Phân biệt hai lớp (Phân loại hai lớp) 23 2.5.3 Phân biệt nhiều Lớp (Phân loại nhiều lớp) 33 2.5.4 Chuẩn hóa liệu SVM 35 2.5.5 Các phương pháp đánh giá mơ hình SVM 37 2.5.6 Một số ứng dụng 42 2.6 Phép biến đổi Wavelet rời rạc 42 2.7 Phép biến đổi Fourier thời gian ngắn (Short-time Fourier transform) 44 2.8 Giới thiệu liệu ECG 50 CHƯƠNG 3: TÍNH TỐN VÀ LỰA CHỌN MƠ HÌNH 53 3.1 Giới thiệu 53 3.2 Thiết kế sơ đồ khối 53 3.3 Tính tốn thiết kế mơ hình 54 3.3.1 Thiết kế khối tiền xử lý 54 3.3.2 Thiết kế khối xử lý 55 3.3.3 Thiết kế phân lớp 64 3.3.4 Lựa chọn phương thức đánh giá mơ hình SVM 69 3.3.5 Lựa chọn phần cứng ngơn ngữ lập trình 69 iv an CHƯƠNG 4: XÂY DỰNG MƠ HÌNH 70 4.1 Giới thiệu 70 4.2 Lập trình hệ thống 70 4.2.1 Lưu đồ giải thuật 70 4.2.2 Phần mềm lập trình 78 CHƯƠNG 5: KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ 82 5.1 Kết 82 5.1.1 Kết nghiên cứu 82 5.1.2 Kết thống kê 82 5.2 Nhận xét – Đánh giá 89 CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 90 6.1 Kết luận 90 6.2 Hướng phát triển 90 TÀI LIỆU THAM KHẢO 91 v an DANH MỤC HÌNH ẢNH Hình 2.1: Cấu tạo tim người Hình 2.2: Vị trí nút bó His Hình 2.3: Sơ đồ mắc chuyển đạo song cực chi Hình 2.4: Sơ đồ mắc chuyển đạo đơn cực chi Hình 2.5: Vị trí đặt điện cực thăm dò chuyển đạo trước tim Hình 2.6: Kit Raspberry Pi 12 Hình 2.7: Sơ đồ cấu tạo Raspberry Pi 13 Hình 2.8: Giao diện Raspbian 15 Hình 2.9: Guido van Rossum 16 Hình 2.10: Các mặt phân cách hai lớp phân biệt tuyến tính 24 Hình 2.11: Biên hai lớp lớn 24 Hình 2.12: Phân tích toán SVM biên cứng 25 Hình 2.13: Các điểm gần mặt phân cách hai lớp khoanh tròn 26 Hình 2.14: SVM biên mềm 27 Hình 2.15: Phân tích tồn SVM biên mềm 28 Hình 2.16: Bài toán Kernel SVM 29 Hình 2.17: Kết toán XOR 32 Hình 2.18: Kết tồn gần phân biệt tuyến tính 33 Hình 2.19: Confusion Matrix 40 Hình 2.20: Cách tính Precision Recall 41 Hình 2.21: Biến đổi Fourier 44 Hình 2.22 : Phép biến đổi STFT 46 Hình 2.23: Cửa sổ hình chữ nhật 48 vi an CHƯƠNG XÂY DỰNG MƠ HÌNH SVM_model = joblib.load(model_SVM_path) [eval_đặc trưng, eval_nhãns, eval_patient_num_beats] = load_mit_db(vitribeat,stt,'DS1', winL=90, winR=90, do_preprocess=True, maxRR=True, use_RR=False, norm_RR=True, compute_morph='STFT',leads_flag= [1,0]) #Scale đặc trưng truoc cho vao SVM : scaler = StandardScaler() eval_đặc trưng=eval_đặc trưng scaler.fit(eval_đặc trưng) tr_đặc trưng_scaled = scaler.transform(eval_đặc trưng) print (" Ket qua du doan la : ") kq=SVM_model.predict(tr_đặc trưng_scaled) if (kq[vitribeat]== 0): print (" Nhip tim thu " + str(vitribeat) + " binh thuong ! ") elif (kq[vitribeat]== 1): print (" Nhip tim thu " + str(vitribeat) + " la nhip S ! ") elif (kq[vitribeat]== 2): print (" Nhip tim thu " + str(vitribeat) + " la nhip V ! ") elif (kq[vitribeat]== 3): print (" Nhip tim thu " + str(vitribeat) + " la nhip F ! ") else: print ("Nhip khong xac dinh!") BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 81 CHƯƠNG KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ CHƯƠNG 5: KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ 5.1 Kết 5.1.1 Kết nghiên cứu Trong vòng tháng làm đồ án, nhóm đạt kết nghiên cứu sau: Nghiên cứu cấu tạo tim mạch sơ lược bệnh rối loạn nhịp tim Nghiên cứu làm việc với ngơn ngữ lập trình Python Nghiên cứu đặc trưng tín hiệu ECG cách loại bỏ nhiễu trích xuất đặc trưng nói riêng cách phân tích đặc trưng tín hiệu sóng nói chung Nghiên cứu cách sử dụng thư viện sklearn, numpy, scipy Nghiên cứu phương pháp để xây dựng mơ hình SVM Nghiên cứu cách tối ưu đánh giá hệ thống SVM Huấn luyện thành cơng mơ hình SVM với độ xác lên đến 90% 5.1.2 Kết thống kê Bảng 5.1 thể số liệu thống kê độ xác thời gian huấn luyện với đặc trưng riêng lẻ Bảng 5.1: Kết phân loại với đặc trưng riêng lẻ Feature Chuẩn hóa C Kernel Độ Thời gian xác huấn luyện STFT z-score 100 rbf 88.34% 106.6s Wvlt z-score 100 rbf 82.93% 18.66s Norm RR z-score 100 rbf 80.59% 180.89s RR z-score 100 rbf 80.00% 107.58 s Euclid z-score 100 rbf 56.47% 185.52s BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 82 CHƯƠNG KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ Đồ thị 5.1: Kết phân loại với đặc trưng riêng lẻ 88.34 82.93 80.59 80 Euclid Norm RR RR 56.47 Wvlt 100 90 80 70 60 50 40 30 20 10 STFT Độ xác Kết phân loại với đặc trưng riêng lẻ khác Feature Qua bảng 5.1 biểu đồ 5.1, ta thấy đặc trưng STFT cho độ xác cao (88.34%) đặc trưng khoảng cách Euclid cho độ xác thấp nhất, 56.47% Cịn đặc trưng cịn lại cho độ xác mức khá, từ 80% tới 82.93% Sở dĩ đặc trưng khoảng cách Euclid cho độ xác thấp thơng tin mà cung cấp q ít, lệch nhỏ vị trí đỉnh gây thay đổi độ lớn khoảng cách Do đó, đặc trưng khơng mang đến hiệu cao Để tìm kết cao hơn, ta sẽ thử kết hợp đặc trưng lại với Bảng 5.2 Kết phân loại kết hợp đặc trưng với Feature Chuẩn C Kernel Độ xác hóa Thời gian huấn luyện Norm RR + STFT z-score 100 rbf 90.24% 133.88s RR + STFT z-score 100 rbf 87.99% 139.51s Norm RR +wvlt z-score 100 rbf 87.94% 11.48s RR + wvlt z-score 100 rbf 87.8% 15.2s Euclid + STFT z-score 100 rbf 87.76% 178.69s WVLT + STFT z-score 100 rbf 86.68% 140.76s RR+Norm RR z-score 100 rbf 73.26% 54.69s BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 83 CHƯƠNG KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ Đồ thị 5.2: Kết phân loại kết hợp đặc trưng với 86.68 73.26 RR+Norm RR 87.76 WVLT + STFT 87.8 Euclid + STFT 87.94 RR + wvlt 87.99 Norm RR +wvlt 90.24 RR + STFT 100 80 60 40 20 Norm RR + STFT Độ xác Kết phân loại kết hợp đặc trưng với Feature Ở bảng 5.1, đặc trưng STFT có độ xác cao nhất, nên nhóm sẽ ưu tiên kết hợp với đặc trưng khác để tìm trường hợp có độ xác cao Cịn đặc trưng cịn lại có độ xác thấp nên nhóm làm vài trường hợp kết hợp với Qua bảng 5.2, ta nhận thấy kết hợp đặc trưng Norm RR với STFT phân loại ta có độ xác cao nhất, lên đến 90.24% Giống dự đốn trên, đặc trưng có độ xác thấp STFT kết hợp với nhau,thì độ xác thấp STFT kết hợp với đặc trưng khác Nhưng ta chưa kết hợp có phải tốt hay chưa, ta sẽ tiếp tục kết hợp feature Bảng 5.3 Kết phân loại kết hợp đặc trưng với rbf Độ xác 89.5% Thời gian huấn luyện 150.3s 100 rbf 89.27% 140.8s z-score 100 rbf 89.1% 142.6s z-score 100 rbf 89.05% 13.34s z-score 100 rbf 87.48% 13.57s z-score 100 rbf 81.36% 9.38s Feature Chuẩn hóa C Kernel Norm RR + WVLT + STFT Norm RR + Euclid + STFT Norm RR + RR + STFT Norm RR + WVLT + Euclid Norm RR +wvlt +RR RR+Norm RR+ Euclid z-score 100 z-score BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 84 CHƯƠNG KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ Đồ thị 5.3 Kết phân loại kết hợp đặc trưng với Norm RR + RR + STFT 89.05 87.48 81.36 RR+Norm RR+ Euclid 89.1 Norm RR +wvlt +RR 89.27 Norm RR + WVLT + Euclid 89.5 Norm RR + Euclid + STFT 100 80 60 40 20 Norm RR + WVLT + STFT Độ xác Kết phân loại kết hợp đặc trưng với Feature Như bảng 5.3, ta kết hợp đặc trưng với nhau, kết cao thu 89.5% từ đặc trưng Norm RR + WVLT + STFT, kết hợp không cao kết hợp đặc trưng Norm RR+ STFT Nên ta sẽ tiến hành thử nghiệm kết hợp đặc trưng với Bảng 5.4: Kết phân loại kết hợp đặc trưng với rbf Độ xác 88.76% Thời gian huấn luyện 126.75s rbf 87.51% 13.98s Feature Chuẩn hóa C Kernel Euclid + STFT + Norm RR + WVLT RR+Norm RR+ STFT +wvlt z-score 100 z-score 100 Đồ thị 5.4: Kết phân loại kết hợp đặc trưng với BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 85 CHƯƠNG KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ 88.76 87.51 RR+Norm RR+ STFT +wvlt 100 80 60 40 20 Euclid + STFT + Norm RR + WVLT Độ xác Kết phân loại kết hợp đặc trưng với Feature Qua bảng 5.3, ta thấy kết hợp STFT, Norm RR với WVLT có kết cao (89.5%), ta sẽ tiến hành kết hợp đặc trưng với hai đặc trưng lại Kết bảng 5.4, độ xác đạt cao tới 88.76% Vì thế, ta sẽ thử trường hợp kết hợp đặc trưng bảng 5.5 sau Bảng 5.5: Kết phân loại kết hợp đặc trưng với Feature Chuẩn hóa C Kernel Độ xác 87.99% Thời gian huấn luyện 130.25s Euclid + STFT z-score 100 rbf + RR + Norm RR + WVLT Theo bảng 5.5, kết hợp năm đặc trưng lại với Ta có độ xác khơng cao trường hợp trước Tóm lại, trường hợp thể qua bảng 5.6 sau Bảng 5.6: Kết phân loại với đặc trưng khác Feature Norm RR + STFT Norm RR+Euclid+wvlt Euclid + STFT + Norm RR + WVLT STFT RR + STFT Euclid + STFT + RR + Norm RR + WVLT Norm RR +wvlt rbf rbf Độ xác 90.24% 89.05% Thời gian huấn luyện 133.88s 13.34s 100 rbf 88.76% 126.75s z-score z-score z-score 100 100 100 rbf rbf rbf 88.34% 87.99% 87.99% 106.6s 139.51s 130.25s z-score 100 rbf 87.94% 11.48s Chuẩn hóa z-score z-score C Kernel 100 100 z-score BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 86 CHƯƠNG KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ Euclid + STFT z-score 100 rbf 87.76% 178.69s RR+Norm RR+ z-score 100 rbf 87.51% 13.98s Euclid+wvlt Norm RR +wvlt z-score 100 rbf 87.48% 13.57s +RR WVLT + STFT z-score 100 rbf 86.68% 140.76s RR+wvlt z-score 100 rbf 85.98% 10.50s wvlt z-score 100 rbf 82.93% 18.66s RR+Norm RR+ z-score 100 rbf 81.36% 9.38s Euclid Norm RR z-score 100 rbf 80.59% 180.89s RR z-score 100 rbf 80.00% 107.58 s RR+Norm RR z-score 100 rbf 73.26% 54.69s Euclid z-score 100 rbf 56.47% 185.52s Đồ thị 5.6: Kết phân loại với features khác Độ xác Kết phân loại với features khác 100 90 80 70 60 50 40 30 20 10 Feature Khi sử dụng tập DS1 để huấn luyện, tập DS2 để đánh giá, ta sẽ có kết bảng 5.6 với feature Qua bảng ta thấy hiệu features trích xuất Với feature riêng rẽ STFT cho độ xác cao với độ xác 88.34% Và kết xác khoảng cách Euclid với 56.74% Nguyên nhân khoảng cách xác định chưa đúng, đỉnh R bị lệnh khoảng cách Euclid khơng thể trích xuất đặc trưng cách xác Để nâng cao độ xác ta cần kết hợp feature lại với Vì thực tế, nhịp tim S có hình dạng phức hợp QRS giống với nhịp N nên khó phân biệt hai nhịp Sự xuất nhịp S nhận biết khoảng cách BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 87 CHƯƠNG KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ RR ta cần phải them feature RR để nâng cao độ xác mơ hình phân loại SVM Cụ thể sử dụng feature STFT độ xác đạt 88.34%, kết hợp với feature Norm RR độ xác cải thiện lên đến 90.24% Khi so sánh ta thấy Norm RR kết hợp với STFT độ xác 90.24%, cịn RR kết hợp với STFT độ xác 87.99% Ngun nhân feature RR ảnh hưởng số nhịp đập phút, số với bệnh nhân khác feature RR không hữu dụng Bởi vậy, ta cần phải chuẩn hóa RR cho khơng phụ thuộc vào số nhịp đập, cách chia cho giá trị trung bình RR tín hiệu ECG, sẽ cải thiện độ xác Feature Wavelet kết hợp với feature khác mang lại độ xác cao Nếu xét độ ta sẽ chọn có độ xác cao Cho nên feature STFT Norm RR lựa chọn hợp lý Ở bảng 5.6, nhóm dùng tập DS1 để huấn luyện DS2 để kiếm tra Nhóm thử trường hợp khác dùng DS2 để huấn luyện DS1 để kiểm tra, dùng DS1 DS2 để huấn luyện, sau dùng DS2 để kiếm tra Ta có kết bảng 5.7 Bảng 5.7: Kết phân loại với tập liệu khác Tập huấn luyện Tập kiểm tra Feature Chuẩn hóa C Kernel Độ xác DS1 DS2 z-score 100 rbf 90.24% DS2 DS1 z-score 100 rbf 87.50% 110.53s DS1+DS2 DS2 Norm RR + STFT Norm RR + STFT Norm RR + STFT Thời gian huấn luyện 133.88s z-score 100 rbf 100% 884.07s BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 88 CHƯƠNG KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ Đồ thị 5.6: Kết phân loại với tập liệu khác Kết phân loại với tập liệu khác Độ xác 100 80 60 40 20 DS1 DS2 DS1 + DS2 Tập huấn luyện Qua bảng 5.3, ta thấy việc sử dụng tập DS1 để huấn luyện để huấn luyện tập DS2 để kiểm tra sẽ có kết cao hai tập liệu có số bệnh nhân, nhịp tim hai tập có chênh lệch Cụ thể tập DS1 51002 nhịp DS2 49691 nhịp Do đó, ta dùng tập liệu chứa nhiều thông tin SVM sẽ “học” tốt Cịn trường hợp dùng DS1 DS2 để huấn luyện, dùng DS2 để kiếm tra kết lại đến 100% Hiện tượng xảy SVM học từ DS1 DS2, kiểm tra lại thứ “học” độ xác cao Vì thế, ta có tập liệu ta phải chia tập liệu cho hợp lý để mơ hình phân loại cho kết tốt 5.2 Nhận xét – Đánh giá Các nội dung đạt so với yêu cầu đặt ra: Tìm hiểu raspberry rối loạn bệnh tim đặc trưng bệnh Phân tích đặc trưng từ tính hiệu ECG Xây dựng phân lớp SVM để phân biệt loại nhịp tim vs độ xác lên đến 90% Nguyên cứu so sánh phân loại sử dụng đặc trưng khác Tuy nhiên cịn gặp số hạn chế như: Mơ hình SVM cần tối ưu để đạt độ xác cao BỘ MƠN ĐIỆN TỬ CƠNG NGHIỆP – Y SINH an 89 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 Kết luận Sau khoảng thời gian nghiên cứu tìm tịi vừa qua, nhóm thành công việc đưa kết luận nhịp tim thuộc nhóm bệnh thơng qua mơ hình phân loại SVM với đầu vào liệu tín hiệu ECG Và dựa vào kết thống kê so sánh kết hợp đặc trưng khác với thay đổi tập huấn luyện tập test,cùng với thơng số mơ hình SVM (chương 5), nhóm định lựa chọn kết hợp đặc trưng Norm RR với STFT, với thông số C 100 với kernel RBF cho mơ hình SVM để thiết kế phân loại nhịp tim với độ xác 90% Khi so sánh với cơng trình nghiên cứu trước năm 2014 cơng trình Zhang et al ( 88.3%), Mar et al.(89.9%), Chazal et al.(86.2%) nhóm có vượt bậc độ xác Nhưng so sánh với cơng trình cơng trình Mondejar (2017 – 94.5%) nhóm lại khơng có độ xác giới hạn mặt kiến thức Trong q trình làm đồ án, nhóm rút nhiều kinh nghiệm kiến thức bổ ích Tuy nhiên kiến thức cịn hạn chế nên độ xác mơ hình phân loại chưa đạt đến mức tuyệt đối 6.2 Hướng phát triển Một số hướng phát triển để đề tài hoàn thiện : Thiết kế đo điện tim trực tiếp từ bệnh nhân chẩn đoán thời gian thực Lưu liệu bệnh nhân lên server để bác sĩ dễ dàng theo dõi thông tin bệnh nhân BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 90 TÀI LIỆU THAM KHẢO TÀI LIỆU THAM KHẢO [1] Tuấn Bảo, Gần 20% dân số nước ta mắc bệnh tim mạch Internet: http://vtv.vn/suckhoe/gan-20-dan-so-nuoc-ta-mac-benh-tim-mach-20180408003627525.htm, 27/4/2018 [2] Tim Internet: https://vi.wikipedia.org/wiki/Tim, 27/4/2018 [3] Tính chất sinh lý tim chu kỳ tim Internet: http://ycantho.com/content/2/3/1848/1/tinh-chat-sinh-ly-cua-co-tim-va-chu-kytim.html, 27/4/2018 [4] Điện tâm đồ Internet: https://vi.wikipedia.org/wiki/Điện_tâm_đồ, 29/4/2018 [5] Phạm Minh Thành, Điện tâm đồ -P2- Các khái niệm Internet: http://baigiangykhoa.edu.vn/can-lam-sang/dien-tam-p2-cac-khai-niem-co-bantiep.html, 30/4/2018 [6] Raspberry Pi Internet: https://vi.wikipedia.org/wiki/Raspberry_Pi, 1/6/2018 [7] Raspberry Pi Internet: https://en.wikipedia.org/wiki/Raspberry_Pi, 1/6/2018 [8] Raspberry Pi gì? Giới thiệu Raspberry Pi Internet: https://raspberrypi.vn/tintuc/raspberry-pi-la-gi-gioi-thieu-ve-raspberry-pi-261.pi, 2/6/2018 [9] Hvtien, Giới thiệu Raspberry Pi – máy tính tí hon Internet: https://embed.vn/gioi-thieu-ve-raspberry-pi-may-tinh-ti-hon.html, 2/6/2018 [10] Ryan Lê, Tổng Quan Về Python Internet: https://www.stdio.vn/articles/tongquan-ve-python-335, 5/6/2018 [11] Python (programming language) Internet: https://en.wikipedia.org/wiki/Python_(programming_language), 5/6/2018 [12] Python (ngơn ngữ lập trình) Internet: https://vi.wikipedia.org/wiki/Python_(ngơn_ngữ_lập_trình), 5/6/2018 [13] Bishop, Christopher M “Pattern recognition and Machine Learning.”, Springer (2006) BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 91 TÀI LIỆU THAM KHẢO [14] Support vector machine Internet: https://en.wikipedia.org/wiki/Support_vector_machine, 27/4/2018 [15] Vũ Hữu Tiệp, Bài 19: Support Vector Machine Internet: https://machinelearningcoban.com/2017/04/09/smv/, 10/6/2018 [16] Vũ Hữu Tiệp, Bài 20: Biên mềm Support Vector Machine Internet: https://machinelearningcoban.com/2017/04/13/softbiênsmv/, 11/6/2018 [17] Vũ Hữu Tiệp, Bài 21: Kernel Support Vector Machine Internet: https://machinelearningcoban.com/2017/04/22/kernelsmv/, 17/6/2018 [18] Multilớp Classification Internet: https://en.wikipedia.org/wiki/Multilớp_Classification, 18/6/2018 [19] Vũ Hữu Tiệp, Bài 12: Phân loại nhị phân cho toán Classification Internet: https://machinelearningcoban.com/2017/02/11/binaryclassifiers/, 18/6/2018 [20] S.Z.Mahmoodabali (MSc), A.Ahmadian (Phd), M.D.Abolhasani (Phd), “ECG ĐẶC TRƯNG EXTRACTION USING DAUBECHIES WAVELETS”, 2005 [21] Nguyễn Quý Danh, Co So Ly Thuyet Phap Bien Doi Wavelets Internet: https://www.scribd.com/doc/138041674/3-Co-So-Ly-Thuyet-Phap-Bien-Doi-Wavelets, 18/6/2018 [22] Thu Mai, Biến đổi STFT Internet: https://www.scribd.com/document/378816036/Biến-đổi-STFT, 19/6/2018 [23] Philip de Chazal, Member, IEEE, Maria O’Dwyer, and Richard B Reilly, Senior Member, IEEE, “Automatic Classification of Heartbeats Using ECG Morphology and Heartbeat Interval Đặc trưng”, 2004 [24] Hooman Sedghamiz, Complete Pan Tompkins Implementation ECG QRS detector Internet https://es.mathworks.com/matlabcentral/fileexchange/45840complete-pan-tompkins-implementation-ecg-qrs-detector , 20/06/2018 [25] egpuwave Internet: https://github.com/mondejar/ecgClassification/blob/master/third_party/README.md , 20/06/2018 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 92 TÀI LIỆU THAM KHẢO [26] Real-Time ECG QRS Detection Internet https://es.mathworks.com/help/dsp/examples/real-time-ecg-qrs-detection.html, 20/06/2018 [27] George B Moody, MIT-BIH Arrhythmia Database Directory Internet: https://www.physionet.org/physiobank/database/html/mitdbdir/intro.htm#annotations, 20/06/2018 [28] Shweta H.Jambukia, “ Classification of ECG signals using machine learning techniques: A survey”, International Conference on Advances in Computer Engineering and Applications (ICACEA),IMS Engineering College, Ghaziabad, India , 2015 [29] P de Chazal, M O'Dwyer, and R B Reilly, “Automatic Classification of heartbeats using ECG morphology and heartbeat interval đặc trưng,” IEEE Transactions on Biomedical Engineering, vol 51, no 7, pp 1196–1206, 2004 [30] P de Chazal and R B Reilly, “A patient-adapting heartbeat lớpifier using ECG morphology and heartbeat interval đặc trưng,” IEEE Transactions on Biomedical Engineering, vol 53, no 12, pp 2535–2543, 2006 [31] M Llamedo and J P Martínez, “An ecg Classification model based on multilead wavelet transform đặc trưng,” Computers in Cardiology, vol 34, pp 105–108, 2007 [32] M Llamedo and J P Martínez, “Heartbeat Classification using đặc trưng selection driven by database generalization criteria,” IEEE Transactions on Biomedical Engineering, vol 58, no 3, pp 616–625, 2011 [32] F Melgani and Y Bazi, “Classification of electrocardiogram signals with support vector machines and particle swarm optimization,” IEEE Transactions on Information Technology in Biomedicine, vol 12, no 5, pp 667–677, 2008 [33] C Li, C Zheng, and C Tai, “Detection of ECG characteristic points using wavelet transforms,” IEEE Transactions on Biomedical Engineering, vol 42, no 1, pp 21–28, 1995 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 93 TÀI LIỆU THAM KHẢO [34] M Lagerholm, C Peterson, G Braccini, L Edenbrandt, and L Sornmo, “Clustering ECG complexes using hermite functions and self-organizing maps,” IEEE Transactions on Biomedical Engineering, vol 47, no 7, pp 838–848, 2000 [35] S.Osowski and T H Linh, “ECG beat recognition using fuzzy hybrid neural network,” IEEE Transactions on Biomedical Engineering, vol 48, no 11, pp 1265– 1271, 2001 [36] Fourier transform Internet: https://en.wikipedia.org/wiki/Fourier_transform, 23/6/2018 [37] Short-time Fourier transform Internet: https://en.wikipedia.org/wiki/Shorttime_Fourier_transform, 23/6/2017 [38] Window function Internet: https://en.wikipedia.org/wiki/Window_function, 30/6/2018 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 94 an
Ngày đăng: 27/12/2023, 03:18
Xem thêm: