Khóa luận tốt nghiệp Hệ thống thông tin: Chẩn đoán các bất thường trên điện tâm đồ sử dụng các phương pháp học sâu

Việc tiếp cận và hiểu được kiếnthức cơ bản về ứng dụng mô hình học sâu trong thực tế thông qua quá trình nghiêncứu và thực nghiệm các phương pháp chân đoán các bất thường trên điện tâm đ

ĐẠI HOC QUOC GIA TP HO CHÍ MINH

TRUONG DAI HOC CONG NGHE THONG TIN

KHOA HE THONG THONG TIN

VO THANH PHƯƠNG - 20521781

TRAN THANH HIẾU — 20520508

KHOA LUAN TOT NGHIEP

CHAN DOAN CAC BAT THUONG TREN DIEN TAM DO

SU DUNG CAC PHUONG PHAP HOC SAU

ABNORMALITIES DIAGNOSIS ON ELECTROCARDIOGRAM

USING DEEP LEARNING METHODS

CU NHAN NGANH HE THONG THONG TIN

GIANG VIEN HUONG DAN

ThS DUONG PHI LONG

TP HO CHÍ MINH, 2024

LỜI CẢM ƠN

Chúng em xin gửi lời cảm ơn tới ThS Dương Phi Long đã hướng dẫn tận tình

để chúng em có được định hướng tốt nhất, xác định được đúng đề tài, mục tiêu, quytrình cần thiết dé xây dựng và hoàn thiện khóa luận này Bên cạnh đó, Thay còn giúpchúng em chỉnh sửa cũng như bồ sung những thiếu sót trong quá trình thực hiện

Xin được cảm ơn quý Thầy Cô Khoa Hệ thống Thông tin, Trường Đại họcCông nghệ Thông tin ĐHQG-HCM đã tạo điều kiện về cơ sở vật chất, hệ thống thưviện, tài liệu cũng như kiến thức đã hỗ trợ chúng em trong suốt quá trình nghiên cứu,tìm hiểu và làm khóa luận Cảm ơn hội đồng chấm khóa luận đã đưa ra nhiều góp ý

dé giúp hoàn thiện dé tài

Cảm ơn gia đình, người thân đã tạo động lực, điều kiện để chúng em có thể

hoàn toàn tập trung và nỗ lực Cảm ơn bạn bè đã giúp đỡ, hỗ trợ chúng em trong quá trình thực hiện khóa luận này Quá trình làm khóa luận đã cung cấp cho chúng em

những kiến thức, kinh nghiệm và kỹ năng học tập, nghiên cứu quan trọng Đây là nềntang vững chắc cho sự nghiệp tương lai dé chúng em học hỏi và áp dụng vào công

việc của mình sau này

Một lần nữa xin gửi đến Thầy Cô, bạn bè, người thân lời cảm ơn chân thành

và tốt đẹp nhất!

Nhóm sinh viên thực hiện

MỤC LỤC

TOM TAT KHÓA LUẬN TOT NGHIỆP . - 2s s2©ssesse=ssessessssse 1 CHƯƠNG 1 TONG QUAN DE TAL - 5-5-5 se se sessessesessessessesee 3

1.1 Đặt vấn đề -scccsccsersscestrsersetrstrsersstrserssrksrrsserssrrsersee 3 1.2 Lý do chọn đề tài -s-cs<ccscesscssreeersersettserserssrrssrssrssrrssre 4 1.3 Phat biểu bài toán và các thách thức -. -s ssssessessseseessessee 5

1.4 — Mục tiêu và phạm VỈ G52 9 9 99 9.9.9 9 9.9 00.0009809 089968

1.5 Bố cục của báo cáo khóa luận s- se se se sessessesseseessessessese 9

CHUONG 2 CƠ SỞ LÝ THUYÉT VA CÁC NGHIÊN CỨU LIÊN QUAN 11

2.1 Cac khái niệm về điện tim và các bat thường ghi nhận trên ECG 11

2.1.1 Điện tim và điện tâm G6 ees secesseeecssseeecssssecessneeeessneecesnneeesnneeessnees 11 2.1.1.1 Điện ti ceeeceecescecesceseeseceeseseeseseeseseeseueessuceseeseseeseeeaeeeseeeeseeseeeeaeeeeseeees 11 a) Cấu tạo hệ thống 61972101 cm — > “5 11

20:0 0 13

2.1.1.2 Điện tâm đồ (Electrocardiogram — ECG) -« s+ +++++++ 17

a) _ Cách thức ghi điện tim thông qua máy đo điện tâm đồ 17

b) _ Các thành phan cơ bản của một tô hợp sóng điện tâm đồ 1

c) Cac tên gọi sóng khác - -+sk HH ngư 7 2.1.2 Các bất thường trong điện tâm đỒ 2 2 2 ++++£££E++E+Ezzxzzxezreres 8 2.1.2.1 Tắc nút nhĩ thất thất độ 1 (First-degree AV Block) -. -: 9

2.1.2.2 Tắc bó nhánh phải (Right Bundle Branch Block — RBBB) 9

2.1.2.3 Tắc bó nhánh trái (Left Bundle Branch Block — LBBB) 10

2.1.2.4 Rung tâm nhi— Rối loạn nhịp tim (Atrial Fibrillation — AF) 12

2.1.2.5 Nhịp xoang chậm (Sinus Bradycardia — SB) «««c++ 12 2.1.2.6 Nhịp xoang nhanh (Sinus Tachycardia — ST) ««<<<<<s 13 2.1.3 Phân lớp, chan đoán ECG ¿- +¿©+2++2E++EEEtEEESEEESEkeerkrrrrrrrree 14 2.2 Các hướng tiếp cận liên quan đến bài toán . -ss-s-sss«e 15 2.2.1 Hướng tiếp cận theo phương pháp hoc máy truyền thống - 15

2.2.2 Hướng tiếp cận dựa trên học sâu - 22222222 eeeeeees 18

CHƯƠNG 3 MOT SO PHƯƠNG PHAP PHAN LỚP, CHAN DOAN CÁCBAT THUONG TREN ECGu cssssccsssssccsssssccsssecccsnsccecssecccssnecccessecscsnseccsnseessaneeeees 24

3.1 Mang nơ-ron tích chap (Convolutional Neural Network — CNN) 24

3.1.1 Residual Network — ResNet [7] ccccccccccessscccesssscecceesssceecessesseeecesssaeees 24

3.1.1.1 ResNelÏổ ĂẰĂ ST HH HH HH tre 25 3.1.1.2 Re@sNefSÚ, HH HH HH HH ghưy 27 E2 is 1170 -d 14:5: 30 3.1.3 Circular Dilated Convolutional Neural Network — CDIL CNN [9] 34

3.2 Mạng nơ-ron hồi quy (Recurrent Neural Network — RNN) 37

3.2.1 Long Short-Term Memory - LSÏTM 555cc ssseseeereeeres 38

3.2.2 Gated Recurrent Unit — GRU ccc ecececcceseceseeeeeeeseeesneceaeeneeceseenseeeeaees 40

CHƯƠNG 4 THUC NGHIEM VA DANH GI Á 5 s- 5 s<sssesses434.1 GiGi thiệu về bộ dữ HGU cessessssssecsecseccncssccsscoscssscescsscsescascsscesscascsscenses 43

4.2 Xử lý dữ liệu và phương pháp thực nghiện << «5< sessess 46

A421 XU DY dO GU cee ccc 46 4.2.2 Phương pháp thực nghiệm 522 +22 * + E+vEEeeeereereerrsrrrerrree 47 4.3 Các tiêu chí đánh giá <-5- << s4 50 50s” 49

4.4 _ Kết quả thực nghiệm, đánh giá và nhận xé( . -s s sssess 51

4.4.1 Kết quả chung của các mô hình 2-2 s2 + ++£+£++x++z++xezxezxxee 51

4.4.2 Kết quả trên từng lớp :-©2¿©22+2++2E2+EE£EEEEEEEEEEEEEEkerkerkrrkerkres 54CHƯƠNG 5 THU NGHIEM CẢI TIEN VÀ ĐÁNH GIA KET QUẢ 64

5.1 Quan sát và ý tưởng cải tiẾn s s-scsecsscssersstssessersesssrrssrsee 645.2 Mô hình đề xuất «-e<+e©©Ek+teEEEkeeorrkeettrkeeoorkkroorke 66

5.3 Kết quả thực nghiệm 5-5 s£ se s se sessessessessessessee 68

5.3.1 Kết quả chung ¿-©2++2+++E++2EEC2EE2EEE2E12211271E271.221211 2E re 685.3.2 Kết quả trên từng lớp :- +¿©5¿+2x+2x2E++EEEEECEEEEEEEEEEEerkrrkrrkervee 69

CHUONG 6 XÂY DỰNG CÔNG CU PHAN LỚP & CHAN DOAN CÁC BATTHUONG TREN E.CG 2 e°+e*©©EY+eEEEEAeEEEEACEEE.AoErrkderorkkroorke 74

6.1 Mô tả công CỤ c- 0 5S 9 9 TH HH Hi 00000 0074 6.2 Môi trường cài đặt, các thư viện liên qua1 s5-< s55 555 sssssess 74

6.2.1 PYthOn ae 4 74

6.2.2 FastAPPÌ, SH HH HH HH HH HH HH HH HH HH 75 6.2.3 VUejS Ă 2c 22 2 E1 21221 221221211011112 011.111 ee 75

6.3 SO đồ triển khai -sc-<©csecseceserssrsersertssrserrsrrssrssrrssrsee 766.4 Mt số màn hình của công CỤ -. sec 5s se sssssessessessessessesses 77

6.4.1 Màn hình nap dif liệu ban đầu - 2-2 2+5 ++E++E+EzEzErrxrrerxee 716.4.2 Màn hình kết quả dự đoán ¿- 2¿©+¿2++22++£E++EE+erx+srxeerxrsrxrrrree 796.4.3 Màn hình kết quả phân tích 2- + 5++£+++£E++E++£E+£x++xerxerxerrxrrxee 79

6.4.4 Màn hình trực quan hóa tín hiệu EC - - 5-5 << £++£+v+seeseesxs 80

CHƯƠNG 7 KET LUẬN VA HƯỚNG PHAT TRIÊN . - 82

7.1 Kết luận -o-o°s° se ©se se SsEEsEEseESEEsEEsEEseEsersersessersee 827.2 Hướng phát triỂn s- 5° se s©s£SseSs£EseEsesseEsessessessessee 84

TÀI LIEU THAM KHAO 2-2 se sessSss£vssEsseExseEseerseersserssevsee 85

DANH MỤC CÁC HÌNH VE, DO THỊ

Hình 1.1 Hình ảnh mô tả đầu vào và đầu ra của bài toán . -¿¿-cs=+¿ 6

Hình 1.2 Hình ảnh bản ghi ECG 12 kênh ở người trưởng thành khỏe mạnh [6] 7

Hình 2.1 Cấu tạo của tim với các thành phan liên quan [13] - 2: 11

Hình 2.2 Xung điện từ nút xoang (SN), lan truyền tới hai tâm nhĩ (RA, LA){13] 14

Hình 2.3 Nút nhĩ that (AVN) tiếp nhận xung điện [ 13] - 2-2 25252: 15

Hình 2.4 Hệ dẫn truyền nhĩ that [ 13] -¿-2¿©+¿©++2+++£x++£x++zx+zzxrzrxzrxez l6Hình 2.5 Mang Purkinje truyền xung điện tới tâm thất [13] . : :- l6

Hình 2.6 Bản ghi ECG 12 kênh ở người trưởng thành [6] - 55+ 17

Hình 2.7 Vị trí đặt các điện cực trên cơ thể người [24] -2-z5-z5ss+s+e: 18

Hình 2.8 Tổ hợp sóng điện tim [25] 2-2: ©2¿ 2£ E+SE2EE£EE£EEEEEEEEEEEEEEkerkerrrrree 1Hình 2.9 Các thành phần của một tô hợp sóng điện tim [25] . -:5- 1

?0) 0110815181777 5A 2 Hình 2.11 Đoạn PR [25] ccccsscsssessesssessessscssessusssessessusssessessusesecsussseesessessscesecsuseseesesaseess 2

Hình 2.12 Khoảng PR [25] cccssccscsssessesssessesssssessessnessessussesssecsusssessessuessecsessuseseeseeaseess 3 Hình 2.13 Sóng phức hop QRS [25] csccscsecsesscessessesssessessesssessesssessessesssessessseesessesseeess 3

Hình 2.14 Bat thường trên sóng Q của tô hop QRS [25ï] - 2-2 25522252 4Hình 2.15 Doan ST và điểm J [25] -¿- 2 +©+++E++EEtEEESEEerEzkeerxerkrrrrerkee 5

Hình 2.16 Sóng T [25] . ¿2 2¿5£22E2E22EEEEE22E1221E211221571211221711211221 21.22 re 5

Hình 2.17 Sóng T bat đối xứng và sóng T đối xứng [25] -2- 2©5z©5z55+¿ 6

Hình 2.18 Khoảng QT [25] -¿- 2: 5252221222 2EE2EEEEEEEEEEEEEEEEEEEEEEEEkerkerkrsrrrree 6 Hình 2.19 Khoảng R — R và khoảng P — P [25] 2 5c©5z+c++£xzEzzxerxezrsrree 7

Hình 2.20 Sóng U [25] - 2-2 ©5£S£©E2E£2EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEkrrkrrrrrree 7

Hình 2.21 Các tên gọi khác phù hợp với các dạng sóng đặc biệt trên ECG [25] 8

Hình 2.22 Dau hiệu tắc nút nhĩ thất độ 1 ghi nhận trên ECG -. - - 9

Hình 2.23 Đặc trưng nhận biết RBBB trên V1 và V6 [28] - cs+cezxece2 10Hình 2.24 Dau hiệu RBBB trên ECG [27] 2-22 +£2££+£E+£E£+E+£EEerxzzrxerxee 10Hình 2.25 Đặc trưng nhận biết LBBB trên V1, V2 và V5, V6 [31] -. 11Hình 2.26 Dấu hiệu LBBB trên ECG [32] sccsscsssesssessseesseesseessecssecssecssssseceseesseesses 11

Hình 2.27 Dấu hiệu AF trên ECG [33] ¿5c SEE+EEk+E£EEEEeEEEEEEeEeEkexerrxerrrs 12 Hình 2.28 Dau hiệu SB trên ECG [35] . -2-2¿2252225+22++2x+2E+zzxerxezrxerxez 13

Hình 2.29 Dau hiệu ST trên ECG [36] 2-2 5£+5£+2E+£E£+EE£EE££EE£EEerxezrxerxee 14

Hình 2.30 Mô hình chung của một Neural Network [44] - -« «<< «+2 19

Hình 2.31 Kiến trúc mô hình CNN trong bài toán phân lớp[45] - 20 Hình 2.32 Kiến trúc chung cua Recurrent Neural Network [49] - 21

Hình 3.1 Minh hoa Residual block [7 ] - - -:- 55+ +2 *+*£+E+EE+eEeeEetEereereerereeres 25

Hình 3.2 Residual block sử dụng trong ResNet18 [7] ‹ <<<<<+<<s+2 26

Hình 3.3 Minh họa kiến trúc ResNet18 [53] - - - s5 + xeEt+keEEeEerkerxerrxeree 26

Hình 3.4 Residual block sử dung trong ResNet5O [7] . .-« <<<s-c<ses 28

Hình 3.5 Kiến trúc tổng quan mô hình ResNet50 [54] .- -:-5z=5¿ 28

Hình 3.6 Kiến trúc EfficientNet-BO với 7 khối [56] - cc¿¿c5+ccscccve: 33Hình 3.7 Kiến trúc của khối MBConv [56] . -cccc¿c5cv+csvcxvererxverrrrrree 34Hình 3.8 Minh họa kiến trúc Dilated Convolution [Ø] ¿-:- cs=szszszszx+zszszrs 35

Hình 3.9 Kiến trúc Circular dilated convolutional neural network [9] 36

Hình 3.10 Tổng quan kiến trúc của RNN [49] ¿2 +2 x++s++zx+zx+zzxsrxez 37Hình 3.11 Kiến trúc mô hình LSTM [58] . ¿ 2-22 £x£+£++£xezx+zzsersez 39Hình 3.12 Kiến trúc của một module LSTM [57] -¿- 2s s2 ++E+x++Ee£x+Eezxezxez 39Hình 3.13 Kiến trúc tong quan của một module GRU [59] -. 2-2 2+: 41

Hình 4.1 Minh họa một bản ghi điện tâm đồ 12 kênh [6] - =2 =s+szs+scs+z 45

Hình 4.2 Minh họa bản ghi điện tâm đồ ở định dang file csv - 45Hình 4.3 Minh họa Tensor 3D là giá trị đầu vào của các mô hình . 48Hình 4.4 Biểu đồ so sánh Accuracy, WAvg Precision, Avg Recall, WAvg Fl-score

Hình 4.7 Biéu đồ so sánh Precision, Recall, Fl-score của các mô hình RNN va CNN

0980111010510 60

Hình 4.8 Biểu đồ so sánh Precision, Recall, Fl-score của các mô hình RNN va CNN

trén nhan Lop AF, WCii 60

Hình 4.9 Biéu dé so sánh Precision, Recall, Fl-score của các mô hình RNN va CNN

Hình 5.1 Minh họa kiến trúc Mô hình Late-fusion do nhóm đề xuắt 66

Hình 6.1 Sơ đồ triển khai của công Cụ . ¿ 2:-22: 552 ©5+2S+2£S+2Ex+rxezrxrsrxerrxee 76Hình 6.2 Màn hình nạp dữ liệu ban đầu cho dự đoán mẫu ECG 339956 77Hình 6.3 Màn hình nạp đữ liệu ban đầu cho phân tích mau ECG 339956 77

Hình 6.4 Màn hình kết quả dự đoán mẫu ECG 339956 2-2 2 22522 2š 79

Hình 6.5 Màn hình kết quả phân tích mẫu ECG 339956 . 2- 2 2 252 +: 80

Hình 6.6 Màn hình trực quan hóa mẫu ECG 339956 . -:- ¿5+5++2++s++2 81

DANH MỤC CÁC BANG

Bảng 2.1 Chi tiết các ký hiệu điện cực đặt trên cơ thé người [24] 18

Bang 3.1 So sánh ResNet18 và ResNet50 HH HH HH Hệ, 30

Bảng 3.2 Các thành phan kiến trúc của EfficientNet-BO [$] . - 32Bang 4.1 Thống kê số lượng từng nhãn trên bộ dữ liệu sau quá trình tiền xử lý 47Bang 4.2 Thông số huấn luyện của các mô hình RNN 2-2 2252: 48

Bang 4.3 Thông số huấn luyện của các mô hình CNN -2- 2 2 225225: 49 Bang 4.4 Kết quả Accuracy trên 2 mô hình RNN . 2 2©5¿+cz+s2sz+xze: 49Bảng 4.5 Kết qua Accuracy trên các mô hình CNN -. ¿ ¿©cs+55sz55s+2 49

Bảng 4.6 Kết quả của các mô hình RNN va CNN trên các tiêu chí đánh giá 51Bảng 4.7 Kết quả Precision, Recall, Fl-score của các mô hình RNN và CNN trên

Bảng 5.1 Kết quả các tiêu chí đánh giá của ba mô hình CNN và hai mô hình

Late-fusion (có và không có self-attention ÏaW€T) - - s3 E*eEeeereeeereserersre 68

Bảng 5.2 Kết qua Precision, Recall, Fl-score của ba mô hình CNN và mô hình

Late-fusion và Att-Late-Late-fusion trên nhãn 1dA Vb - SH x2 69

Bảng 5.3 Kết qua Precision, Recall, Fl-score của ba mô hình CNN và mô hình

Late-fusion và Att-Late-Late-fusion trên nhãn RBBÌ - 5 S1 SH ngư, 70

Bảng 5.4 Kết qua Precision, Recall, Fl-score của ba mô hình CNN và mô hình

Late-fusion và Att-Late-Late-fusion trên nhãn LBBB 6 5 131 ng ngư 70

Bảng 5.5 Kết qua Precision, Recall, Fl-score của ba mô hình CNN và mô hình

Late-fusion và Att-Late-Late-fusion trên nhãn SÌ 5 Ác kg ng Hư 71

Bảng 5.6 Kết qua Precision, Recall, Fl-score của ba mô hình CNN và mô hình

Late-fusion va Att-Late-Late-fusion trên nhấn SÏT - - 6 St Hư 71

Bang 5.7 Két qua Precision, Recall, Fl-score của ba mô hình CNN va mô hình

Late-fusion va Att-Late-Late-fusion trên nhãn AF 0.0.0 cccccccccssssseesseeeeeeececeeeeeesesseessees 72

Bảng 5.8 Kết qua Precision, Recall, Fl-score của ba mô hình CNN và mô hình

Late-fusion va Att-Late-Late-fusion trên nhấn Normal _€Cg - s65 ++£+v+seeseeese 72

DANH MỤC CÁC TU VIET TAT

Từ viết tắt Từ nguyên gốc

ECG Electrocardiogram

BiLSTM Bidirectional Long Short-Term Memory

CNN Convolutional neural network

ReLU Rectified Linear Unit

SVM Support Vector Machines

1dAVb Ist degree AV block

RBBB Right bundle branch block

LBBB Left bundle branch block

TÓM TÁT KHÓA LUẬN TÓT NGHIỆP

Bệnh tim mạch là một trong những nguyên nhân hàng đầu gây tử vong trên toànthế gidi Đề chan đoán các loại bệnh liên quan tới tim mạch, các bác sĩ có chuyên mônthường thông qua các bản ghi nhịp tim hay còn gọi là điện tâm đồ (điện tim) —Electrocardiogram (ECG) Việc sớm phát hiện và điều trị các rối loạn trong hệ thống

điện tim có thể cứu sống nhiều người Do đó, việc phát triển các mô hình Deep

Learning dé phân loại dit liệu ECG có thể giúp cải thiện kha năng chan đoán va dự

đoán bệnh tim mạch.

Chân đoán thông qua điện tâm đồ (ECG) là một hình thức chân đoán giúp ghilại nhip tim hay nói cách khác là sự thay đôi của dòng điện do quả tim tạo ra Điệntâm đồ được vận dụng rộng rãi trong y học, giúp chan đoán và theo dõi trang thái hoạtđộng của tim cũng như các bệnh lý gặp phải tại cơ quan này Phương pháp chân đoánnày được triển khai tại hầu hết các bệnh viện và cơ sở y tế hiện nay Đây là biện pháp

xét nghiệm cận lâm sàng không xâm lan, cách thực hiện đơn giản có giá tri chan đoáncao nhưng không gây biến chứng cho người bệnh

Với sự phát triển đáng kể của Deep Learning trong những năm gan đây, và ngàycàng có nhiều sự quan tâm đặc biệt đối với việc áp dụng nó trong lĩnh vực y học vàchăm sóc sức khỏe Việc áp dụng Deep Learning vào phân loại và chân đoán đữ liệu

ECG là một ví dụ điển hình cho sự kết hợp giữa y học và công nghệ thông tin dé cảithiện chăm sóc sức khỏe Và mục tiêu chính của khóa luận tốt nghiệp này là tìm hiểu,nghiên cứu và sử dụng phương pháp học sâu dé giải quyết bài toán phân lớp các batthường từ những bản ghi ECG từ đó đưa ra chan đoán dựa về các loại bệnh liên quantới tim mạch Nhóm sinh viên đã tìm hiểu, nghiên cứu và thực nghiệm đối với cácphương pháp học sâu lần lượt là EfficientNet-B0, CDIL, ResNet18, ResNet50, LSTM

va GRU trên bộ dir liệu CODE-15% Bộ dữ liệu này bao gồm 345,779 bản ghi điệntâm đồ của 233,770 bệnh nhân ở nhiều lứa tuổi được thu thập bởi The TelehealthNetwork of Minas Gerais (TNMG) — một tô chức y tế cho cộng đồng bền vững của

Brazil chuyên cung câp các dịch vụ chân đoán và tư vân từ xa.

Từ những kết quả thực nghiệm, nhóm sinh viên đã thu được những thông tinquan trọng, chỉ ra những thách thức chính của bai toán, đề xuất và đánh giá kết quảmột số cách thức cải thiện độ chính xác Qua đó xây dựng công cụ phân lớp và chânđoán các bất thường trên các bản ghi điện tâm đồ Việc tiếp cận và hiểu được kiếnthức cơ bản về ứng dụng mô hình học sâu trong thực tế thông qua quá trình nghiêncứu và thực nghiệm các phương pháp chân đoán các bất thường trên điện tâm đồ đãđem đến cái nhìn rõ hơn về tầm quan trọng của việc chăm sóc sức khỏe tim mạchđồng thời mở ra nhiều cơ hội ứng dụng học sâu trong lĩnh vực chăm sóc sức khỏe và

nghiên cứu trong tương lai.

Chương 1 TONG QUAN DE TÀI

Nội dung chương này trình bày phan đặt van dé, phát biểu tổng quan về bàitoán, các thách thức gặp phải và xác định mục tiêu và cuối cùng là bố cục của khóa

luận.

1.1 Đặt vấn đề

Bệnh tim mạch là một trong các nguyên nhân gây tử vong hàng đầu trên thế

giới, cũng như tại Việt Nam Hang năm có tới 17.9 triệu người chết vì mắc các bệnhtim mạch Theo số liệu của Tổ chức Y tế Thế giới (WHO) năm 2019, tử vong do bệnhtim mạch chiếm tới 39.5%, trong đó: bệnh mạch máu não (55.4%), bệnh tim thiếu

máu cục bộ (32%), bệnh tim do tăng huyết áp (6.9%) và bệnh tim mạch khác (5.7%),

đặc biệt hơn xu hướng mắc bệnh tim mạch hiện nay ngày càng trẻ hóa!.

Điện tâm đồ (ECG) là một công cụ thiết yêu trong việc chân đoán các dấu hiệubất thường của tim mạch, cung cấp thông tin quan trọng về hoạt động điện của tim

Kỹ thuật này giúp phát hiện các vấn đề sức khỏe tìm mạch như nhịp tim không đều,bệnh tim và các dấu hiệu sớm của cơn đau tim Tuy nhiên, việc chân đoán chính xác

từ ECG đòi hỏi sự chú ý đến từng chỉ tiết và kiến thức chuyên môn cao Hơn nữa, giải

thích tín hiệu là một công việc mệt mỏi và phức tạp, do đó có khả năng xảy ra sự

không chắc chắn, chủ quan va sai sót của con người trong quá trình phân tích ngay cađối với các chuyên gia được dao tạo nhiều năm Trong những năm gần đây, cùng với

sự phát triển của khoa học kỹ thuật, các phương pháp học sâu — một nhánh của trí tuệnhân tạo, đã mở ra cánh cửa mới cho việc chân đoán tự động, giúp cải thiện độ chínhxác và hiệu quả trong việc phát hiện các bất thường từ dữ liệu ECG

Việc triển khai học sâu trong chân đoán ECG cũng đối mặt với thách thức về

tính minh bạch và giải thích Mô hình học sâu thường được coi là "hộp đen" vì việc

hiểu rõ cách chúng đưa ra quyết định là một nhiệm vụ khó khăn Ngoài ra, đòi hỏi dữ

liệu đào tạo lớn và chât lượng cao đê huân luyện các mô hình chính xác, cũng như

! Nguồn: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)

cần lưu ý đến các van đề về bảo mật và quyền riêng tư khi xử lý dit liệu y tế nhạy

cảm.

Tuy nhiên, việc áp dụng các phương pháp học sâu vào phân tích ECG đã cho

thấy tiềm năng lớn trong việc nhận diện, phân loại và dự đoán các loại rỗi loạn tim

mạch một cách tự động và chính xác Các mô hình học sâu có khả năng xử lý lượng

lớn dữ liệu ECG, phát hiện ra các mẫu không dễ nhận biết bằng mắt người và tìm racác kết nói phức tạp giữa các tín hiệu tim khác nhau Điều này không chỉ giúp tăng

cường khả năng chân đoán mà còn cung cấp cơ sở vững chắc cho việc đưa ra quyết

định điều trị, góp phần nâng cao chất lượng chăm sóc sức khỏe cho bệnh nhân Cóthé thấy được rằng nếu có được một công cụ giúp các y bác sĩ chan đoán các batthường xuất hiện trong các bản ghi ECG dé từ đó đưa ra kết luận chan đoán về nguy

cơ mắc bệnh tim của bệnh nhân một cách chính xác hơn, từ đây các bệnh nhân sẽ cóthé có được phác đồ điều trị hiệu quả hơn

1.2 Lý do chọn đề tài

Đo điện tâm đồ (ECG) là một kỹ thuật y khoa không xâm lấn và có giá thành rẻ

hơn những kỹ thuật khác, kỹ thuật này thường được các bac sĩ tim mạch sử dụng trong

chân đoán lâm sàng cho bệnh nhân Dé phát hiện được sự bat thường của nhịp tim,

ECG được sử dụng dé ghi lại hoạt động điện của tim trong một khoảng thoi gian, hiện

nay các bản ECG 12 kênh thường được sử dụng nhiều nhất bởi nó mang lại cho các

y bác sĩ một cái nhìn tông thé trên các ghi nhận hoạt động điện tim trên cơ thé bệnhnhân Một bản ghi ECG 12 kênh bao gồm ba kênh lưỡng cực chi (I, II và II), các

kênh chi đơn cực (AVR, AVL và AVF) và 6 kênh ngực đơn cực, còn được gọi là kênh trước tim hoặc kênh V (V1, V2, V3, V4, V5 và V6) [1].

Từ các bản ghi ECG, qua phân tích của các bác sĩ có chuyên môn cao có thể xácđịnh tình trạng bệnh lý của bệnh nhân, phát hiện và chân đoán các nguy cơ có thể xảy

ra đối với bệnh nhân, đồng thời có thé nhận định được các bệnh lý liên quan khác.Với cách phân tích các bản ghi ECG bằng phương pháp thủ công, như phân loại và

chân đoán băng mắt thường, có nhược điêm về thời gian và công sức Việc nhận định

từng phân đoạn của đữ liệu ECG một cách chỉ tiết và chính xác đòi hỏi sự đầu tư vềthời gian và công sức Đồng thời, độ chính xác khi nhận định cũng bị ảnh hưởng bởi

yếu tổ con người như sự mệt mỏi, dẫn đến không tập trung, và khả năng nhận diện

không đồng đều của mỗi người là khác nhau trong quá trình đọc dữ liệu ECG

Chính vì vậy mà đã có nhiều mô hình tự động phân lớp các bản ghi ECG dựatrên các phương pháp học máy, học sâu được đề xuất và phát triển giúp cải thiện độ

chính xác, tiết kiệm thời gian và hỗ trợ các y bác sĩ, các chuyên gia trong việc phân

tích và chân đoán các bệnh tim mạch Nhận thấy được khả năng áp dụng vào thực tế,nhóm sinh viên chọn đề tài này với mong muốn tìm hiểu, thực nghiệm và đánh giácác phương pháp phân lớp và chan đoán các bản ghi ECG dựa trên các phương pháp

học sâu.

1.3 Phat biểu bài toán và các thách thức

Việc chuẩn đoán trên đữ liệu ECG đơn kênh, 2 kênh thường được áp dụng dé

chuẩn đoán sơ bộ hay theo dõi trình trạng sức khỏe cơ bản, các thông tin thu thập

được không thê hoàn toàn thay thế cho ECG 12 kênh Đúng là trong thực tế, các bác

sĩ chuẩn đoán trình trạng của bệnh nhân chỉ cần 1, 2 kênh dé chuẩn đoán, nhưng việc

đánh giá sâu và kỹ càng hơn về tình trạng bệnh lý hay bộ phận xuất hiện bất thường

trong hệ thống tim cần phải được thực hiện đánh giá trên nhiều thông tin hơn từ cáckênh khác Một số bệnh lý phải dựa vào sự đánh giá trên thông tin thu thập từ 2, 3kênh khác nhau dé có thể xác định rõ nguyên nhân gây ra, từ đây mới có thé đưa raphác đồ điều trị chính xác nhất Chính vì thế ECG 12 kênh mang lại cái nhìn tổngquan, toàn diện hơn về tình trạng hoạt động của tim, xác định được nguồn gốc gây rabất thường bởi số lượng thông tin mà nó mang lại từ các kênh khác nhau

Bài toán cốt lõi trong khóa luận là phân loại và chan đoán các bat thường trongđiện tâm đồ (ECG) sử dụng các phương pháp học sâu Điện tâm đồ 12 dẫn (ECG-12lead) là tiêu chuẩn vàng trong đánh giá hoạt động điện của tim, cung cấp thông tin chỉ

tiết về các tình trạng như rỗi loạn nhịp, dẫn truyền, hội chứng vành cấp, phì đại và to

các buông tim Đâu vào và đâu ra của bài toán được phát biêu như sau:

- Đầu vào của bài toán là dit liệu ECG từ các bệnh nhân, thường là dạng sóngđiện tim được thu thập từ 12 kênh, cung cấp cái nhìn toàn điện về trạng thái điện củatim từ nhiều góc độ khác nhau

- Đầu ra của bài toán là phân loại các bản ghi ECG vào các nhãn tương ứng với

tình trạng sức khỏe tim mạch như bình thường hay gặp các vấn đề bất thường khác

về tim Một bản ghi ECG có thé có một hoặc nhiều nhãn bat thường Các bat thườngnày được mô tả trong phần 2.1.2 của Chương 2 Như Hình 1.1 minh họa dưới đây,bản ghi ECG được chân đoán thuộc hai lớp SB và LBBB

1D Input Output (multi label)

Hình 1.1 Hình anh mô tả dau vào và đâu ra của bài toán.

ECG 12 kênh đóng một vai trò trung tâm trong chân đoán tim mạch do khả năngcung cấp cái nhìn chỉ tiết về hoạt động điện của tim Việc phân tích và hiểu sâu vềmoi thay đổi trong sóng ECG cho phép phát hiện sớm các bệnh lý tim mạch, thậm chi

trước khi bệnh nhân bắt đầu trai qua các triệu chứng Do đó, việc phát triển một mô

hình phân loại hiệu quả và chính xác từ dữ liệu ECG là cần thiết, có thể cứu sống

bệnh nhân và cải thiện chất lượng điều trị Bên cạnh đó bài toán này cũng gặp phải

các thách thức sau đây [2], [3], [4], [5]:

- Thiếu đữ liệu chuẩn hóa: Một trong những thách thức lớn nhất là thiếu hụt cơ

sở dữ liệu ECG 12 kênh hoàn chỉnh, khi nhiều bản ghi vẫn chỉ được lưu trữ trên giấyhoặc dưới dạng ảnh, hạn chế khả năng phân tích tự động

- Sự đa dạng của các bất thường: Các bat thường tim mach rất đa dạng về mặtbiểu hiện điện tâm đồ, yêu cầu mô hình học sâu phải có khả năng nhận diện và phân

biệt chính xác giữa nhiều loại bệnh lý khác nhau

- Độ chính xác yêu cầu cao: Lỗi chân đoán có thé dẫn đến hậu quả nghiêmtrọng cho sức khỏe bệnh nhân, do đó, độ chính xác của mô hình phải đạt mức rất cao

- Hiệu suất thời gian thực: Trong môi trường lâm sang, việc phân tích ECGthường cần được thực hiện trong thời gian thực, đặt ra yêu cầu về hiệu suất xử ly

FOC 0009-0000 (Speed: 25 fam] ele | Vimb: 10 + mí Chest:1®flmm/mV-1[r†=r[ ft frftrr[rrtrrf [is iy 0 15-15 " | Em S408”

Hình 1.2 Hình ảnh bản ghi ECG 12 kênh ở người trưởng thành khỏe mạnh [6]

Dữ liệu từ ECG có thé cho thay [6]:

- Nhịp tim: Số lần tim đập mỗi phút ECG giúp xác định tình trạng nhịp tim

nhanh (tachycardia) hoặc nhịp tim chậm (bradycardia).

- Nhịp độ (Rhythm): ECG xác định liệu tim đang đập đều đặn hay không đều,

và có thể phát hiện các loại rỗi loạn nhịp tim như rung nhĩ và loạn nhip thất

- Hướng và tốc độ lan truyền: Phản ánh việc kích thích điện lan truyền trongtim như thé nào, từ nút xoang qua nút AV, dẫn truyền qua các tâm thất Điều này giúpphát hiện các vẫn đề như block tim

- Cu trúc và kích thước của tim: Bang cách phân tích các sóng và khoảng trênECG, bác sĩ có thể suy luận về kích thước của các buồng tim và sự dày lên của các

tâm thất (hypertrophy)

- Tổn thương cơ tim: ECG có thé cho thay dấu hiệu của tôn thương cơ tim do

cơn đau tim (nhồi máu cơ tim) hoặc các tình trạng khác gây ra

- Thiếu máu cục bộ (Ischemia): Thay đổi trong các đoạn ST và sóng T có thébáo hiệu tình trạng thiếu máu tạm thời đến các phần của cơ tim

- - Hiệu ứng của thuốc hoặc độc tô: Một số thay đồi trong ECG có thé phản ánh

tác động của các thuôc hoặc độc tô lên tim.

1.4 Mục tiêu và phạm vi

Nam trong phạm vi của một đề tài khóa luận tốt nghiệp đại học, mục tiêu chính

của khóa luận này là:

(1) Tìm hiểu các khía cạnh quan trọng và thách thức liên quan về bài toán chân

đoán các bat thường trên điện tâm đồ

(2) Tìm hiểu và hệ thống lại các hướng nghiên cứu, các phương pháp liên quanđến bài toán dự đoán, phân lớp các bat thường trên bản ghi ECG

(3) Trình bày ngắn gon cách áp dụng phương pháp học sâu với mục tiêu làchân đoán các bất thường trên ECG, cụ thể là các phương pháp CNN (bao gồm

ResNet18, ResNet50 [7], EfficientNet-BO [8], CDIL CNN [9]) và các phương pháp

RNN (bao gồm LSTM [10], GRU [11])

(4) Thực nghiệm lại và đánh giá phương pháp đã tìm hiểu trên bộ dé liệuCODE-15% [3] Đánh giá hiệu suất của mô hình theo các tiêu chí như: Precision,Recall, Accuracy, Fl-score Các kết quả thực nghiệm sẽ giúp đánh giá khả năng ứngdung của các phương pháp học sâu trong bài toán phân loại và chan đoán các bat

thường trên các bản ghi ECG.

(5) Dựa trên kết quả thực nghiệm đề đưa ra kết luận tổng quan về hiệu suất và

ưu điểm của phương pháp học sâu đã thực nghiệm Đồng thời, thử nghiệm những kỹ

thuật và cải tiến phương pháp dé nâng cao kết qua chân đoán các bat thường

(6) Xây dựng công cụ cho phép người dùng nạp đỡ liệu là bản ghi ECG va

cho ra kết quả là kết luận chân đoán các bất thường có trong bản ghi đầu vào

1.5 Bo cục của báo cáo khóa luận

Khóa luận được bố cục bao gồm 7 chương, nội dung chính của từng chương như

Chương 3: Một số phương pháp phân lop, chan đoán bat thường trên ECG dựatrên học sâu Trình bày chi tiết về các phương pháp sử dụng hoc sâu dé phân lớp,chân đoán bat thường trên ECG

Chương 4: Thực nghiệm và đánh giá Mô tả quy trình thực hiện thực nghiệm,

các bộ dữ liệu sử dụng và kết quả đạt được từ các phương pháp đã thực nghiệm

Chương 5: Thử nghiệm cải tiễn và đánh giá kết quả Trình bay thử nghiệm cảitiền dé nâng cao hiệu suất phân lớp, chân đoán bat thường trên ECG và đánh giá hiệu

quả của những thử nghiệm.

Chương 6: Xây dựng công cụ phân lớp và chan đoán các bat thường trên ECG.Trình bày quá trình vận dụng mô hình máy học đã được huấn luyện dé hiện thực công

cụ phân loại, chan đoán bat thường trên ECG

Chương 7: Kết luận và hướng phát triển Tông kết những kết quả đạt được từnghiên cứu và đề xuất hướng phát triển tiếp theo trong lĩnh vực phân lớp và chân đoáncác bất thường trên ECG

10

Chương 2 CƠ SỞ LÝ THUYET VA CÁC NGHIÊN CỨU LIÊN QUAN

Nội dung chương này sẽ giới thiệu cơ sở lý thuyết và các công trình nghiên cứu

liên quan gan đây về việc phân lóp hay chẩn đoán trên các bản ghi ECG Nhóm sinhviên đã tiến hành tìm hiểu các nghiên cứu có liên quan đến dé tài dé có kiến thức sâuhơn về bài toán và các phương pháp đã được áp dụng trong lĩnh vực này Việc nắm

vững cơ sở lý thuyết và tổng quan về các nghiên cứu trước đây sẽ giúp nhóm xác định

và xây dựng một cách tiếp cận hiệu quả trong việc giải quyết bài toán phân lớp và

chan đoán các bat thường trên các bản ghi ECG

2.1 Cac khái niệm về điện tim và các bat thường ghi nhận trên ECG

2.1.1 Điện tim và điện tâm đồ

a) Cấu tạo hệ thong điện tim

Hình 2.1 Cấu tạo của tim với các thành phan liên quan [13]

11

Nhu minh họa trong Hình 2.1, cấu tạo của tim được mô tả với các thành phần

có liên quan tới hệ thống điện tim như sau:

- Nút xoang (Sinus node — SN).

- Truc dẫn truyền nhĩ thất bao gồm nút nhĩ that (Atrioventricular Node — AVN),

bó His, các nhánh bó trai và phải, mang Purkinje.

- Tâm nhĩ phải (Right Atrium — RA).

- Tam nhĩ trái (Left Atrium — LA).

- Tâm thất phải (Right Ventricle — RV)

- Tâm that trai (Left Ventricle — LV).

- Van ba lá (Tricuspid Valve — TV) là van ngăn thông nằm giữa tam nhĩ phải

và tâm thất phải của tim

- Van hai lá (Mitral Valve — MV) là van ngăn thông nằm giữa tâm that trái và

tâm nhĩ trái của tim.

Tâm nhĩ phải (Right Atrium — RA): là một trong bốn buồng chính của tim năm

ở bên phải của tâm nhĩ trái và trên tâm thất phải Với chức năng là thu nhận máunghèo oxi của toàn cơ thể thông qua tĩnh mạch chủ trên và tĩnh mạch chủ dưới, saukhi thu gom máu nghèo oxi, tâm nhĩ phải (RA) co bóp để bơm máu vào tâm thất phải

(RV) thông qua van ba lá (TV) Ngoài ra tâm nhĩ phải còn đóng góp vai trò trong hệ

thống dẫn truyền điện tim với hai thành phần là nút xoang (SN) và nút nhĩ thất (AVN)

[14], [15].

Tam that phải (Right Ventricle — RV): là noi nhận máu nghèo oxi từ tâm nhĩphải (RA) thông qua van ba lá (TV), chính vi thế mà vị trí của tâm thất phải (RV) làngay dưới tâm nhĩ phải (RA), khi tâm thất phải (RV) co bóp máu được truyền đếnphôi dé trao đổi khí thông qua động mạch phối [16]

Tâm nhĩ trái (Left Atrium — LA): năm ở bên trái của tâm nhĩ phải (RA) và bên

trên tâm thất trái (LV) Tâm nhĩ trái (LA) có chức năng chính là nhận máu giàu oxi

từ phôi thông qua bốn tĩnh mạch phổi Sau khi nhận máu, tâm nhĩ trái (LA) co bóp débơm máu vào tâm thất trái (LV) thông qua van hai lá (MV) [17]

12

Tâm that trái (Left Ventricle — LV): đóng vai trò quan trong trong việc bơm máugiàu oxi đi khắp cơ thé, đây cũng là buồng tim mạnh nhất trong 4 buồng tim Sau khinhận máu giàu oxi từ tâm nhĩ trái (LA) thông qua van hai lá (MV), tâm thất trái (LV)

co bóp và truyền máu đi khắp cơ thé thông qua động mạch chủ [18]

Van ba lá (Tricuspid Valve — TV) và Van hai lá (Mitral Valve — MV): hai thành

phan này có vai trò đảm bao dòng chảy của máu đi theo một chiều và ngăn ngừa dòngchảy ngược Van ba lá (TV) năm giữa tâm nhĩ phải (RA) và tâm thất phải (RV) Trongkhi đó, van hai lá (MV) nam giữa tâm nhĩ trái (LA) và tâm that trái (LV) [19]

Nút xoang (Sinus node — SN hoặc Sinoatrial — SA): có thê được coi như là máyđiều hòa nhịp tim của hệ thống cấu tạo tim bởi vai trò của nó Nút xoang (SN) đượcKeith và Flack mô tả lần đầu tiên vào năm 1907, nằm ở góc trên của tâm nhĩ phải —

RA với chiều dài khoảng 14.8 mm và chiều rộng 4.3 mm [20] Cứ mỗi phút trôi qua, nút xoang (SN) tao ra sự phóng điện khoảng 70 lần dé kích thích cơ tim co bóp va

đưa mau di khap co thé [12]

Xung điện được nút xoang tạo ra và chi được truyền đi thông qua nút nhĩ thất(Atrioventricular Node — AVN) Nút nhĩ that (AVN) có cấu tạo dang hinh tron nam

ở thành sau của tim tại điểm nối giữa tâm nhĩ và tâm that [21] Bo His xuất phat từ

nút nhĩ thất (AVN) và kéo dai đi xuống phần vách liên thất — vách ngăn giữa tâm thatphải (RV) và tâm thất trái (LV), đảm nhận chức năng truyền các xung điện từ nút nhĩthất (AVN) tới các bó nhánh và mạng Purkinje Mạng Purkinje là mạng lưới tách ra

từ bó His, phân bố và kéo dài khắp thành của tâm thất phải (RV) và tâm that trái (LV),mạng lưới này có nhiệm vụ dẫn truyền các xung điện đến các tế bào ở cơ tâm thất

nhằm dam bảo tâm thất có thé co bóp một cách đồng bộ [22] Có thé nói rằng chức

năng của trục dẫn truyền nhĩ thất chính là truyền xung điện từ tâm nhĩ đến tâm thất

dé đảm bảo các cơ tim có thé co bóp đồng bộ với nhau

b) Điện tim

Sự co bóp đồng thời và có hệ thống của hàng tỷ tế bào cơ của tim, chính là chìakhóa hoạt động của tim để đưa máu đi khắp cơ thể Chính vì thế mà sự liên lạc vàđồng bộ hóa giữa các bộ phận của tim rất quan trọng để đảm bảo mỗi buồng tim co

13

bóp đúng thời điểm và ăn khớp với nhau Quá trình liên kết và truyền tín hiệu xung

điện được kiểm soát bởi hệ thống dẫn truyền phức tạp, bao gồm nút nhĩ thất (AVN),

bó His, mang Purkinje và các bó nhánh trái, phải [23].

Xung điện tim bắt nguồn từ các tế bào tạo nhịp tim trong nút xoang (SN), chúngtạo ra điện thế một cách tự phát, không phụ thuộc vào kích thích bên ngoài nào Tuyvậy, tần số của chúng lại chịu ảnh hưởng bởi các tác nhân bên ngoài để có thé điều

chỉnh nhịp tim sao cho phù hợp với các mức hoạt động khác nhau Xung điện từ nút

xoang (SN) cũng sẽ kích thích các tế bào cơ ở tâm nhĩ phải (RA) và tâm nhĩ trái (LA),giữa hai buồng tâm nhĩ này được kết nối bởi các protein lớn tạo thành các kênh truyền

tín hiệu xung điện, cung cấp kết nối xung điện trực tiếp cho hai tâm nhĩ và đồng thờitạo tín hiệu và kích hoạt tâm nhĩ co bóp [23] Tín hiệu này được biểu diễn bởi sóng P

trên điện tâm đồ, là đoạn sóng được tô đỏ ở Hình 2.2

Hình 2.2 Xung điện từ nút xoang (SN), lan truyền tới hai tâm nhĩ (RA, LA)[13]

Tâm nhĩ (RA, LA) và tâm thất (RV, LV) được ngăn cách bởi một lớp cách điện,chính vì thế mà xung điện sau khi lan truyền qua hai tâm nhĩ không được truyền trựctiếp tới tâm thất Thay vào đó, xung điện được truyền đến tâm thất thông qua nút nhĩthất (AVN), tại đây sự dẫn truyền xung điện xảy ra khá chậm, vì thế mà có một khoảngtrễ nhỏ xuất hiện giữa hoạt động của tâm nhĩ và tâm thất Khoảng trễ này giúp chotâm thất được thư giãn trong khi tâm nhĩ co bóp, giúp cho việc bơm máu đầy vào tâm

14

thất được cải thiện hơn [23] Khoảng trễ nay được biéu diễn bởi một đoạn sóng dừng

PR trên điện tâm đồ như Hình 2.3

Hình 2.3 Nút nhĩ thất (AVN) tiếp nhận xung điện [13]

Từ nút nhĩ thất (AVN), xung điện được truyền vào bó nhĩ thất, hay còn gọi là

bó His, từ đây xung điện được truyền tới các nhánh bó phải và trái (Right Bundle

Branch — RBB va Left Bundle Branch — LBB) Các nhánh bó phải (RBB) và trái

(LBB) là các nhánh bó nằm dọc theo vách ngăn liên thất, đóng vai trò truyền xungđiện tới các tế bào ở gần vách tâm that và tới mạng lưới Purkinje [23] Hình 2.4 dưới

đây mô tả cau tạo của hệ dẫn truyền nhĩ thất bao gồm bó His và các nhánh bó phải và

trái Ngoài ra từ nhánh bó trái (LBB) còn phân chia thành bó trước bên trái (Left Anterior Fascicle — LAF) và bó sau bên trái (Left Posterior Fascicle — LPF), ngược

lại đối với nhánh bó phải (RBB) không chia thành các bó nhỏ hơn mà nó kết nối trựctiếp tới tâm thất phải

15

Hình 2.4 Hệ dẫn truyén nhĩ thất [13].

Mang Purkinje bao bọc thành tâm that và đưa xung điện được truyền từ hai bó

nhánh tới kích thích phần tế bào cơ tim còn lại ở tâm thất, tạo tín hiệu và năng lượngcho tâm thất co bóp đồng bộ nhằm mang máu qua phôi và truyền đi khắp cơ thé [23]

Xung điện đi qua mạng PurkinJe được ghi nhận trên điện tâm đồ với phức bộ QRS (1a

sự kết hợp giữa sóng Q, sóng R và sóng S) ở Hình 2.5

Hình 2.5 Mạng Purkinje truyền xung điện tới tâm thất [ 13]

Bằng cách này, các xung điện tạo tín hiệu làm cho cơ tim co bóp và đưa máu

đến các cơ quan của cơ thé (qua tâm that trái) và đến phối (qua tâm thất phải), và cáctín hiệu điện từ tim này có thé được ghi chép lại bằng điện tâm đồ (ECG)

16

2.1.1.2 Điện tâm đô (Electrocardiogram — ECG)

Điện tâm đồ (Electrocardiogram — ECG), đặc biệt là điện tâm đồ 12 chuyên đạohay còn gọi là điện tâm đồ 12 kênh (12 — lead ECG) được xem là phương pháp xétnghiệm tim mạch phổ biến nhất trên thế giới, với hơn 200 triệu bản ghi đã được thực

hiện trong năm 2017 [24].

ECG 12 kênh bao gồm ba kênh lưỡng cực chi (I, I va HI), ba kênh chi đơn cực

(AVR, AVL và AVF) và 6 kênh ngực đơn cực (V1, V2, V3, V4, V5, V6) Mỗi kênh

đại diện cho một hoạt động điện của tim từ ghi nhận trên các cực điện gan trén co thé.Một bản ghi ECG chứa khoảng 2.5 giây thời lượng cho một kênh Ngoài ra, dé đánhgiá chính xác nhịp tim, một bản ghi kéo dài từ một chuyên đạo được sử dụng dé cungcấp dải nhịp 10 giây [1] Hình 2.6 dưới đây là một ví dụ cụ thé về một bản ghi ECG

12 kênh.

fists] se esti seve eves Leet toe Se EEE EEE Lt En st [Se |e eed Ete etn int tS ete SSE Ị

/ OP 90000-0000 Speed: 25 mmjsec himb:10 t mỸ | Chest:10 mm/mV 30x 09.13-15 II! TT 1s405—'

Hình 2.6 Bản ghỉ ECG 12 kênh ở người trưởng thành [6].

a) Cách thức ghi điện tim thông qua máy đo điện tâm đỗ

Các tín hiệu điện tim được ghi nhận thông qua một máy đo điện tâm đồ phứctạp, thiết bị này ghi lại sự lan truyền đặc trưng của dòng điện qua mỗi chu kỳ tim.Thiết bị này được liên kết với cơ thể người thông qua 10 dây cáp, ở mỗi đầu dây cómột điện cực được dán lên da bằng gel Mỗi điện cực có thê phát hiện được các tín

17

hiệu của xung điện trong quá trình chúng truyền tới các cơ tim thông qua sự thay đôi

`7 {— Correct "e e"

Hình 2.7 Vị tri đặt các điện cực trên cơ thé người [24]

STT | Ký hiệu Vi trí

| VỊ Khoang liên sườn 4, ở cạnh phải xương ức

2 V2 Khoang liên sườn 4, ở cạnh trái xương ức

3 V3 Gitta V2 và V4

4 V4 Khoang liên sườn 5, ở giữa xương đòn

5 VS Đường nách trước bên trái ngang với V4

6 V6 Duong nach giữa bên trái ngang với V4 và V5

7 RA Căng tay phải (gần cô tay)

8 RL Căng chân phải (gần cổ chân)

9 LA Căng tay trái (gần cô tay)

10 LL Căng chân trai (gan cô chân)

Bảng 2.1 Chỉ tiết các ký hiệu điện cực đặt trên cơ thể người [24]

18

b) Các thành phan cơ bản của một tổ hợp sóng điện tâm đỗ

Hình 2.9 Các thành phan của một tổ hợp sóng điện tim [25]

Hình 2.9 mô tả các thành phan của một tổ hợp sóng ECG, với sóng là sự biến

thiên so với đường cơ sở Mỗi khoảng sóng đại diện cho một sự kiện trong hoạt động

tim, nổi bật như khử cực tâm nhĩ, tái cực tâm nhĩ, khử cực tâm thất, tái cực tâmthất, [25]

Thành phần thường xuất hiện đầu tiên ở một tổ hợp sóng ECG chính là sóng P

(P wave) Khi nút xoang phát xung điện, sóng P được ghi nhận trên ECG và nó đại

diện cho quá trình khử cực điện ở hai tâm nhĩ (khử cực tâm nhĩ) Ở người trưởngthành với tình trang tim bình thường, thời gian ghi nhận của sóng P có thé biến thiên

trong khoảng 0.08 đến 0.11 giây Hướng đi thường thấy của sóng là thấp dần xuống

bên trái [25].

Hình 2.10 Sóng P [25].

Theo ngay sau sóng P chính là đoạn PR (PR Segment), đoạn PR được xác định

từ điểm cuối của sóng P và kéo dài tới điểm đầu của sóng phức bộ QRS, nó thường

năm đọc theo đường cơ sở Đoạn PR đại diện cho quá trình khử cực điện khi xung

điện được truyền qua nút nhĩ thất (AVN), bó His, các nhánh bó va mạng lưới Purkinje.

Trong một số trường hợp, đoạn PR có thể bị lõm xuống 0.8mm Tuy nhiên nếu đoạn

PR vượt quá ngưỡng này thì đây có thể là dấu hiệu của bệnh lý như viêm màng ngoàitim hay một bệnh lý hiếm gặp là nhồi máu tâm nhĩ [25]

Purkinje Khoảng PR thường được ghi nhận với thời gian từ 0.12 tới 0.2 giây Nếukhoảng PR có thời gian xuất hiện dài hơn 0.2 giây thì đây có thé là dấu hiệu của bệnh

lý tac nút nhĩ thất cấp độ 1 (First-degree AV Block) [25]

==

PR imerval

Hình 2.12 Khoảng PR [25].

Sóng phức hop QRS là tô hợp sóng đại diện cho quá trình khử cực ở tâm that,

nó có thé bao gồm 2 hay nhiều sóng (Hình 2.13), với thời gian ghi nhận thông thường

là từ 0.06 tới 0.11 giây Thành phần chính tạo nên sóng phức hợp này bao gồm cácsóng Q, R và sóng S Mỗi sóng thành phần đều đại diện cho một quá trình và mang ýnghĩa biểu hiện riêng cho từng quá trình truyền xung điện trong tim Theo quy ước,sóng Q là độ lệch âm đầu tiên sau sóng P Sóng Q có thé có hoặc không có Sóng R

là độ lệch đương đầu tiên sau song P Đây là sóng ban đầu của phức hop QRS nếu

không có sóng Q Độ lệch âm đầu tiên sau sóng R là sóng S [25]

Hình 2.13 Sóng phức hop QRS [25].

Trong các sóng thành phần của sóng phức hợp QRS cần lưu ý đặc biệt với sóng

Q nếu như nó có các biểu hiện như: thời gian ghi nhận dài hơn hoặc băng 0.03 giây;

độ cao của sóng bằng hoặc lớn hơn 1/3 độ cao của sóng R (Hình 2 14) Nếu xuất hiệnmột trong hai bất thường ké trên thi đây có thé là dấu hiệu của nhồi máu co tim.Ngược lại, nếu có các dấu hiệu khác xuất hiện trên sóng Q thì chúng thường không làcác dấu hiệu đáng quan tâm, ở các kênh như I, aVL, V6 thường xuất hiện các dấuhiệu này do sự phân bồ thần kinh của vách ngăn [25]

20.03 Sec 21/3 of the height

of the R wave

Hình 2.14 Bắt thường trên sóng O của tổ hop ORS [25]

Doan ST (ST segment) là đoạn chu kỳ ECG xuất hiện từ cuối sóng phức hợpQRS tới điểm bắt đầu của sóng T, tại điểm sóng phức hợp QRS kết thúc và bắt đầuđoạn ST được gọi là điểm J (Hình 2.15) Đoạn ST thường được ghi nhận trùng vớiđường cơ sở Tuy nhiên có rất nhiều trường hợp ghi nhận đoạn ST chênh lệch từ 1mmtới 3mm so với đường cơ sở, tất cả các bất thường xuất hiện trên đoạn ST cần đượcxem xét kỹ lưỡng bởi chúng đều đại diện các hoạt động, triệu chứng bat thường của

tim [25].

Theo sau đoạn ST là sóng T với ý nghĩa đại diện cho quá trình tái cực tâm that,

thông thường sóng T sẽ có cùng hướng với sóng phức hợp QRS, tuy nhiên vẫn có một

số trường hợp bệnh lý khiến cho sóng T ngược hướng với phức hợp QRS [25]

Asymmetric Symmetric

Hình 2.17 Sóng T bat đối xứng và sóng T đối xứng [25]

Tổ hợp bắt đầu từ điểm xuất phát của sóng phức hợp QRS và kết thúc tại điểm

cuối của sóng T được gọi là khoảng QT Nếu khoảng QT dài hơn một nửa khoảng

R-R trước đó (khoảng nối giữa 2 đỉnh R-R liên tiếp trước đó), thì đây có thể là dấu hiệucủa hiện tượng rỗi loạn nhịp tim, có thé nguy hiém téi tinh mang [25]

Ngoài các thành phan sóng và khoảng thành phan trong tô hợp sóng ECG, còn

có 2 khoảng phô biến đó chính là khoảng R — R (đã đề cập ở trên) và khoảng P - P

Khoảng P — P là khoảng cách giữa hai đỉnh sóng P liên tiếp, khoảng này thường được

sử dụng dé đánh giá các bất thường về nhip tim của người bệnh [25].

triệu chứng tăng hoặc hạ Kali máu [25].

Hình 2.20 Sóng U [25].

c) Các tên gọi sóng khác

Ngoài các tên gọi sóng cơ bản, còn có một quy tắc gọi tên theo kích thước, vị trí

và hướng lệch cho từng loại sóng Cụ thé hơn, sóng cao hoặc sâu trong phức bộ QRSđược viết hoa: Q, R, S, R Sóng nhỏ được cho các chữ cái nhỏ: q, r, s, r Một ví dụ

cụ thê có thé quan sát ở Hình 2.21 [25]

RSR

Hình 2.21 Các tên gọi khác phù hợp với các dạng sóng đặc biệt trên ECG [25].

Có một lưu ý rằng sóng S chỉ được công nhận nêu nó nằm dưới đường cơ sở,thường có những nham lẫn răng bat kỳ sóng sụt giảm nào xuất hiện sau đỉnh R thìđây chính là sóng S, điều này là không đúng Hầu hết các bài nghiên cứu liên quan

tới ECG, các tác giả đều gọi đỉnh thứ 2 của sóng sau đỉnh R hoặc r đầu tiên là R’ hoặc

r [25].

2.1.2 Các bất thường trong điện tâm đồ

Từ các thông tin ở các mục trên, ta biết được rằng ECG truyền tải thông tin liên

quan đến chức năng điện của tim bang cách thay đổi hình dang của các sóng cấu thànhcủa nó, cụ thê là sóng P, sóng phức hợp QRS và sóng T Trích xuất đặc điểm từ ECGđóng một vai trò quan trọng trong việc chân đoán hầu hết các bệnh về tim Một chu

kỳ tim trong tín hiệu ECG bao gồm các sóng P-QRS-T Từ việc xác định biên độ vàkhoảng trong bản ghi ECG có thể xác định được tình trang của tim là bình thườnghay bat thường, từ đó có thé chân đoán được các bệnh tình liên quan

2.1.2.1 Tac nút nhĩ thất thất độ 1 (First-degree AV Block)

Tắc nút nhĩ thất (First-degree AV Block, AV - Atrioventricular) là tình trạng hệthống dẫn truyền xung điện từ tâm nhĩ xuống tâm thất bị gián đoạn, khiến tim đậpchậm hơn bình thường hoặc nghiêm trọng hơn là rỗi loạn nhịp tim [26]

Dấu hiệu tắc nút nhĩ thất (AV) cấp độ 1 là xung điện vẫn dẫn truyền từ tâm nhĩ,qua nút nhĩ thất và xuống được đến tâm thất Tuy nhiên, lúc này thời gian dẫn truyềnqua nút nhĩ thất chậm hơn bình thường, được thể hiện trên ECG với khoảng PR có

thời gian ghi nhận lớn hơn 0.2 giây Tất cả các sóng đều sẽ xuất hiện đầy đủ, tuy nhiên

có một khoảng dừng giữa sóng P và sóng phức hợp QRS dài hơn bình thường [26].

Normal 5 2x eee eee

First-Degree AV Block “4 `.

Hình 2.22 Dâu hiệu tắc nút nhĩ thất độ 1 ghi nhận trên ECG 3

2.1.2.2 _ Tắc bó nhánh phải (Right Bundle Branch Block — RBBB)

Tắc bó nhánh phải (Right Bundle Branch Block — RBBB) là hiện tượng xảy rakhi hệ thống dẫn truyền xung điện của tim, hoạt động điện trong hệ thống bó His —Purkinje bị thay đổi hoặc gián đoạn dẫn đến quá trình khử cực của tâm thất phải bị trìhoãn Chính vì thế, sóng phức hop QRS mở rộng và vectơ điện tâm đồ thay đổi Dauhiệu rõ ràng nhất dé nhận biết RBBB trên ECG chính là thời gian ghi nhận của tổ hợpsóng QRS > 0.12 giây, sóng R thứ cấp (R’) ở V1 hoặc V2 và song S mở rộng ở cácchuyên đạo I, V5 và Vó, thường kèm theo sóng T đảo ngược so với đoạn sóng giaođộng cuối của tổ hợp QRS [27]

2 Nguồn: https://www.healthline.com/health/heart-attack/second-degree-heart-block#symptoms

2Smm's lOammmV IS0Hz $OSP3 12SL241 HD CID: 15 SID: 12470620 EID:3 EDT: 12:42 2240CT-2017 ORDER ACCOUNT: 1729001531

Hình 2.24 Dầu hiệu RBBB trên ECG [27].

2.1.2.3 Tac bó nhánh trái (Left Bundle Branch Block — LBBB)

Tắc bó nhánh trái (Left Bundle Branch Block — LBBB) là một hiện tượng đượcghi nhận trên điện tâm đồ thường gặp ngay cả ở những bệnh nhân có hệ dẫn truyềnxung điện tim bình thường, ngay cả khi xung điện vẫn được truyền qua cả bó tráitrước và sau của bó His đang bị ton thương Có thé nói đây là dấu hiệu liên quan tới

các bệnh tim nghiêm trọng, dấu hiệu này cũng có thé xuất hiện ở những bệnh nhân

không ghi nhận được bat kỳ bệnh lâm sàng cụ thé nào [29]

10

LBBB được nhận diện thông qua một số đặc điểm khá tương đồng với đặc điểmcủa RBBB Cụ thé là thời gian ghi nhận của tổ hợp sóng QRS > 0.12 giây và đôi khi

trên 0.16 giây; ở kênh V1 hoặc V2 xuất hiện quãng QS hoặc rS với sóng r giao động

nhỏ (hoặc không xuất hiện), sóng S sâu và sóng T dương; ở kênh V5 hoặc V6 xuất

SS SBS RR 2 Se tập hi lt BH lật túi ti tủ lại đã tha Ghi là li dệt

PvE Cone Si caeegeer cea |

Eulinhiablbr ii amer,sraasszsaiiniitsiirini

Rg BS 18411818108 F4) Vì Pk 68 ghi Si đi) S5 ,ÿ PY a, EI413818 BỊ Bi

d Bee oe (lh a AR oe po a a el

tư tr (GEE) BOGE hee Gone (Gael Gesleeen aeealasune

Se ees eS Seees eee) Reeeee ee eee eeee eee

BE Ti nariisriisTTSTSTSEIEETTS0 DI EEnIErIEETTE 224

Hình 2.26 Dầu hiệu LBBB trên ECG ;132].

11