Nâng cao chất lượng nhận dạng tín hiệu ECG dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh (TT)

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI NGUYỄN ĐỨC THẢO NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG TÍN HIỆU ĐIỆN TIM DỰA TRÊN GIẢI PHÁP LOẠI BỎ ẢNH HƯỞNG TỪ NHỊP THỞ CỦA NGƯỜI BỆNH Chuyên ngành : Kỹ thuật điều khiển Tự động hóa Mã số : 62520216 TÓM TÁT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA Hà Nội - 2016 Công trình hoàn thành tại: Trường Đại học Bách Khoa Hà Nội Người hướng dẫn khoa học: PGS.TSKH Trần Hoài Linh Phản biện 1:……………………… Phản biện 2:……………………… Phản biện 3:……………………… Luận án bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp trường họp Trường Đại học Bách khoa Hà Nội Vào hồi………giờ, ngày…… tháng……năm…… Có thể tìm hiểu luận án thư viện: Thư viện Tạ Quang Bửu – Trường Đại học Bách khoa Hà Nội Thư viện Quốc gia Việt Nam -1MỞ ĐẦU Tính cấp thiết đề tài Tín hiệu nhịp thở điện tim (ECG - ElectroCardioGraph) hai tín hiệu y sinh quan trọng sử dụng để xác định tình trạng sức khỏe người [72] Tín hiệu ECG nguồn thông tin quý giá để xác định bệnh lý tim mạch [98] Phương pháp thu thập tín hiệu ECG thực cách đo chênh lệch điện áp cặp điện cực gắn người bệnh Vì ta hít thở làm thay đổi thể tích lồng ngực dẫn đến thay đổi trở kháng tiếp xúc điện cực – bề mặt thể người bệnh véctơ trục điện tim dẫn đến làm ảnh hưởng đến chất lượng tín hiệu ECG đưa mạch thu thập [21,27,29,31,38,40,49,56,70,94] Đã có nhiều nghiên cứu đề xuất giải pháp loại bỏ ảnh hưởng nhịp thở tín hiệu ECG [10,17,21,49,61,76,94,96] làm ảnh hưởng lớn đến hình dạng đặc tính tín hiệu ECG Vì vậy, việc đề xuất giải pháp loại bỏ ảnh hưởng nhịp thở tín hiệu ECG phù hợp làm ảnh hưởng nhỏ đến đặc tính tín hiệu ECG để nâng cao chất lượng nhận dạng tín hiệu ECG hỗ trợ cho bác sĩ công tác chẩn đoán, xác định bệnh, điều trị theo dõi diễn biến bệnh cần thiết Mục đích nghiên cứu Mục đích luận án tìm hiểu ảnh hưởng nhịp thở gây tín hiệu ECG từ đề xuất giải pháp phù hợp loại ảnh hưởng nhịp thở tín hiệu ECG Trong trường hợp đo tín hiệu nhịp thở đồng thời với tín hiệu ECG luận án đề xuất sử dụng thêm đặc tính từ thông tin nhịp thở để cải thiện chất lượng nhận dạng tín hiệu ECG Tín hiệu ECG sau loại bỏ ảnh hưởng nhịp thở sử dụng thêm thông tin từ nhịp thở đưa vào số mô hình nhận dạng để kiểm chứng kết so với trước loại bỏ ảnh hưởng nhịp thở không sử dụng thông tin từ nhịp thở Luận án thử nghiệm nhận dạng với kịch sau để so sánh:  Kịch (là kịch sở để so sánh): Nhận dạng tín hiệu ECG trước loại bỏ ảnh hưởng nhịp thở  Kịch 2: Nhận dạng tín hiệu ECG sau loại bỏ ảnh hưởng nhịp thở  Kịch 3: Nhận dạng tín hiệu ECG trước loại bỏ ảnh hưởng nhịp thở có sử dụng thêm đặc tính từ thông tin nhịp thở -2 Kịch 4: Nhận dạng tín hiệu ECG sau loại bỏ ảnh hưởng nhịp thở có sử dụng thêm đặc tính từ thông tin nhịp thở Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu luận án gồm:  Giải phẫu sinh lý học hệ tim mạch - hô hấp ảnh hưởng nhịp thở gây tín hiệu ECG,  Các giải pháp sử dụng để loại bỏ ảnh hưởng nhịp thở tín hiệu ECG,  Khả bổ sung đặc tính từ nhịp thở để hỗ trợ nhận dạng tín hiệu ECG, Với đối tượng nghiên cứu đề xuất trên, luận án thực với phạm vi nghiên cứu sau:  Tìm hiểu lựa chọn số dạng ảnh hưởng nhịp thở tới tín hiệu ECG để tìm giải pháp khắc phục ảnh hưởng này,  Khảo sát lựa chọn họ wavelet với bậc phù hợp để loại bỏ ảnh hưởng nhịp thở gây tín hiệu ECG;  Khảo sát lựa chọn số đặc tính từ nhịp thở tức thời để bổ sung cho véc-tơ đặc tính dùng nhận dạng tín hiệu ECG  Tìm hiểu sử dụng mô hình nhận dạng chung sở liệu mẫu để so sánh kiểm chứng chất lượng áp dụng giải pháp đề xuất trên,  Tìm hiểu phát triển giải pháp xử lý tín hiệu luận án mạch phần cứng (để hướng tới tích hợp giải pháp thiết bị nhỏ gọn) Phương pháp nghiên cứu  Phối hợp lý thuyết với mô hình thử nghiệm theo chu trình kín (đề xuất lý thuyết  triển khai thử nghiệm để kiểm nghiệm  hiệu chỉnh lại mô hình lý thuyết  )  Các mô hình phát triển theo hướng khối hóa, phân tích hệ thống theo chu trình từ tổng thể đến chi tiết  Các giải pháp đánh giá thực nghiệm, sở tính toán độ tin cậy độ cải thiện mô hình nhận dạng sử dụng giải pháp đề xuất luận án so với không sử dụng đề xuất luận án Giải pháp lựa chọn giải pháp có độ xác cao -35 Tiêu chí chọn liệu phương pháp đánh giá kết  Để đánh giá chất lượng giải pháp, luận án sử dụng số liệu mẫu chuẩn từ sở liệu MIT-BIH sở liệu MGH/MF công bố địa www.physionet.org  Đối với mô hình nhận dạng, nghiên cứu sinh tạo mẫu đa dạng gồm nhiều loại bệnh với số lượng phân bố tương đối từ nhiều người bệnh khác  Chất lượng giải pháp đánh giá sở so sánh trực tiếp độ xác trình nhận dạng mẫu số liệu xây dựng với mô hình nhận dạng phương pháp trích chọn đặc tính dùng chung Ý nghĩa khoa học thực tiễn đề tài 6.1 Ý nghĩa khoa học  Đề xuất giải pháp phù hợp sử dụng wavelet loại bỏ ảnh hưởng nhịp thở tín hiệu ECG với ảnh hưởng nhỏ đến hình dạng đặc tính tín hiệu ECG,  Đề xuất sử dụng hai đặc tính tức thời từ nhịp thở để bổ sung cho véc-tơ đặc tính tín hiệu để cải thiện độ xác trình nhận dạng,  Xây dựng nhiều kịch thử nghiệm để kiểm chứng chứng tỏ loại bỏ ảnh hưởng nhịp thở sử dụng thêm thông tin trực tuyến nhịp thở cải thiện chất lượng nhận dạng tín hiệu ECG 6.2 Ý nghĩa thực tiễn Bài toán nhận dạng tín hiệu ECG có ý nghĩa thực tiễn cao, chất lượng nhận dạng có ảnh hưởng tới sức khỏe người bệnh Vì đề xuất giải pháp nhằm nâng cao chất lượng nhận dạng tín hiệu ECG có ý nghĩa quan trọng thực tiễn, góp phần bổ sung vào giải pháp hỗ trợ cho trình chẩn đoán, xác định, điều trị theo dõi bệnh bác sĩ tuyến sở Những đóng góp luận án  Đã khảo sát để đề xuất sử dụng họ wavelet phù hợp (cụ thể wavelet họ Coiflets bậc 4) phân tích thành phần xấp xỉ bậc (còn gọi thành phần A8) tương ứng với dải tần số nhịp thở làm sở để loại bỏ ảnh hưởng nhịp thở phân tích tín hiệu ECG -4 Đã đề xuất sử dụng hai đặc tính từ nhịp thở biên độ tức thời nhịp thở đỉnh R nhịp tim trung bình 10 chu kỳ cuối nhịp thở để cải thiện chất lượng nhận dạng,  Xây dựng số liệu phục vụ toán nhận dạng tín hiệu ECG có xét tới ảnh hưởng nhịp thở  Xây dựng kịch nhận dạng tín hiệu ECG để kiểm chứng mức độ ảnh hưởng thông tin từ nhịp thở tới chất lượng nhận dạng Bố cục luận án Luận án gồm phần Mở đầu, chương chính, phần Kết luận hướng phát triển Phần Mở đầu trình bày vấn đề chung luận án, tóm tắt nội dung nghiên cứu, đóng góp luận án bố cục luận án Chương tổng quan hệ tim mạch - hô hấp, ảnh hưởng nhịp thở tín hiệu ECG, tổng quan số giải pháp sử dụng để loại bỏ ảnh hưởng nhịp thở tín hiệu ECG, đề xuất định hướng luận án mô tả khái quát hai sở liệu sử dụng luận án Chương tổng quan số giải pháp sử dụng lọc thông cao để loại bỏ ảnh hưởng nhịp thở tín hiệu ECG, lý thuyết wavelets, hàm Hermite phân tích tín hiệu mạng nơ-ron logic mờ TSK Chương trình bày hai đề xuất luận án là: ứng dụng phép biến đổi wavelet để loại bỏ ảnh hưởng nhịp thở tín hiệu ECG, sử dụng đặc tính từ nhịp thở tức thời nhằm cao chất lượng nhận dạng tín hiệu ECG Đồng thời bước đầu tìm hiểu xây dựng giải pháp đo nhịp thở với kích thước gọn nhẹ sử dụng cảm biến gia tốc Chương trình bày ừng dụng hàm Hermite phân tích trích chọn đặc tính tín hiệu ECG, ứng dụng mạng nơ-ron logic mờ nhận dạng tín hiệu ECG kết nhận dạng tín hiệu ECG Cuối phần Kết luận hướng phát triển công trình công bố luận án CHƯƠNG I: TỔNG QUAN VỀ ẢNH HƯỞNG CỦA NHỊP THỞ TRONG TÍN HIỆU ECG 1.1 Tổng quan hệ tim mạch - hô hấp Trong thể người, trái tim đóng vai trò trung tâm hệ tim mạch Phổi đóng vai trò chủ đạo hệ hô hấp người, phổi đảm bảo việc hấp thụ O2 loại bỏ CO2 tế bào máu Trái tim phổi kết nối -5rất chặt chẽ với để đảm bảo tất phận thể nhận lượng O2 dưỡng chất cần thiết 1.2 Các ảnh hưởng nhịp thở tín hiệu ECG Khi ta hít thở làm cho thể tích lồng ngực thay đổi dẫn đến làm thay đổi trở kháng tiếp xúc bề mặt da thể với điện cực thu thập tín hiệu ECG [49] làm ảnh hưởng đến chất lượng tín hiệu ECG đưa mạch thu thập [35,39,63] Xét mặt tín hiệu nhịp thở gây ba ảnh hưởng tín hiệu ECG sau: 1.2.1 Rối loạn nhịp tim Rối loạn nhịp tim tượng khoảng thời gian R-R tín hiệu ECG bị thay đổi theo nhịp thở [17,21,23,29,38,40,47,56,75] Hình 1.1: Tín hiệu ECG có khoảng R-R thay đổi tín hiệu nhịp thở 1.2.2 Điều chế biên độ tín hiệu ECG Điều chế biên độ tín hiệu ECG tượng mà đỉnh R tín hiệu ECG bị điều chế theo nhịp thở [49,70,94] Hình 1.2: Tín hiệu ECG bị điều chế biên độ tín hiệu nhịp thở 1.2.3 Trôi dạt đường sở Trôi dạt đường sở tượng đường sở tín hiệu ECG bị thay đổi theo tín hiệu nhịp thở [10,28,36,58,61,64,69,97,103] -6- Hình 1.3: Tín hiệu ECG bị trôi dạt đường sở tín hiệu nhịp thở 1.3 Một số phương pháp loại bỏ ảnh hưởng nhịp thở tín hiệu ECG Các tác giả [45,48,76,84,95] đề xuất sử dụng lọc thông cao, [17,64,69,92,97] để xuất lọc thích nghi, [78] đề xuất sử dụng phương pháp phân tích thành phần độc lập (ICA - Independent Component Analysis), [21,49] đề xuất sử dụng phương pháp phân tích theo thành phần (PCA - Principal Component Analysis) phân tích thành phần cốt lõi (kPCA - Kernel PCA)… để loại bỏ ảnh hưởng nhịp thở tín hiệu ECG Phương pháp sử dụng lọc thông cao làm ảnh hưởng mạnh đến hình dạng đặc tính tín hiệu ECG, phương pháp sử dụng lọc thích nghi có nhược điểm yêu cầu tín hiệu nhịp thở thực để tham chiếu cập nhật hệ số lọc dẫn đến thời gian tính toán lớn Phương pháp phân tích thành phần độc lập có nhược điểm tín hiệu ECG thành phần nhịp thở gây phải độc lập tuyến tính; phương pháp PCA đặcbiệt kPCA có nhược điểm thời gian tính toán lớn 1.4 Định hướng luận án Một khó khăn việc loại bỏ ảnh hưởng nhịp thở tín hiệu ECG nhằm nâng cao chất lượng nhận dạng tín hiệu ECG là: Các ảnh hưởng nhịp thở gây tín hiệu ECG gián tiếp phi tuyến [17,21,49,94]; trường hợp bệnh lý tín hiệu ECG thường biến thiên mạnh biên độ hình dạng; trình thu thập tín hiệu ECG nhịp thở bênh nhân thực tế gặp nhiều khó khăn, đặc biệt bệnh nhân tim mạch Một số giải pháp đề xuất loại bỏ ảnh hưởng nhịp thở tín hiệu ECG làm ảnh hưởng mạnh đến hình dạng đặc tính tín hiệu ECG, yêu cầu tín hiệu nhịp thở thực để tham chiếu thời gian tính toán lớn,… Vì luận án đề xuất giải pháp loại bỏ ảnh hưởng nhịp thở tín hiệu ECG khăc phục số nhược điểm Các giải pháp đề xuất luận án kiểm chứng với mẫu véc-tơ đặc tính -7của đoạn tín hiệu trích từ sở liệu ECG trung tâm nghiên cứu quốc tế xây dựng Với véc-tơ mẫu, ta thực đánh giá sở thông số độ xác, sai số,… sử dụng mô hình nhận dạng, cụ thể sau: Số trường hợp mẫu bị nhận dạng sai, Số trường hợp chẩn đoán âm tính giả (FN) số trường hợp chẩn đoán dương tính giả (FP) Giải pháp đề xuất luận án thực theo ba bước sau: Trước tiên, tín hiệu ECG từ sở liệu ECG loại bỏ ảnh hưởng nhịp thở Ở bước thứ hai, tín hiệu ECG sau loại bỏ ảnh hưởng nhịp thở phân tích, trích chọn đặc trưng để xây dựng véc-tơ đặc tính (đối với sở liệu ECG có tín hiệu nhịp thở tức thời thu thập với tín hiệu ECG, luận án đề xuất sử dụng thêm đặc tính tức thời từ nhịp thở để xây dựng véc-tơ đặc tính) Trong bước cuối cùng, bước thứ ba, giá trị đăc trưng xử lý tiếp mô hình phi tuyến để phân loại xác mẫu nhịp điện tim Sơ đồ khối ý tưởng trình bày hình 1.1 Hình 1.1: Sơ đồ khối mô hình tổng quát thực giải pháp đề xuất luận án Cụ thể để loại bỏ ảnh hưởng nhịp thở tín hiệu ECG, luận án đề xuất sử dụng phép phân tích tín hiệu theo hàm sở wavelet Wavelet phương pháp sử dụng phổ biến để phân tích tín hiệu bất định tín hiệu ECG khắc phục số hạn chế phương sử dụng lọc thích nghi, ICA, PCA, Đặc biệt với tín hiệu ECG họ wavelet có hình dạng tương đồng với tín hiệu ECG hiệu loại nhiễu tốt Đã có nhiều nghiên cứu đề xuất sử dụng phép biến đổi wavelet để loại bỏ ảnh hưởng nhiễu nói chung nhịp thở nói riêng tín hiệu ECG [35, 43, 46, 51, 61, 71, 83, 97, 101] Tuy nhiên đề xuất sử dụng họ wavelet bậc khác biệt, chưa thấy khảo sát cụ thể đưa kết định lượng khác biệt họ wavelet bậc với Vì luận án đề xuất nghiên cứu nội dung sau:  Khảo sát họ wavelet với bậc khác để lựa chọn họ wavelet bậc phù hợp để loại bỏ ảnh hưởng nhịp thở, đồng thời làm ảnh hưởng nhỏ đến hình dạng đặc tính tín hiệu ECG -8 Trong trường hợp có tín hiệu nhịp thở đo đồng thời với tín hiệu ECG, đề xuất sử dụng thêm đặc tính từ nhịp thở đo để nâng cao chất lượng nhận dạng tín hiệu ECG  Kiểm tra chất lượng lọc đặc tính dùng thêm sử dụng chung mô hình nhận dạng (luận án đề xuất dùng mạng nơrơn TSK) theo kịch trình bày mục (Mục đích nghiên cứu) Luận án thực với nhiều kịch nhận dạng nhằm kiểm chứng chất lượng lọc chất lượng thông tin sử dụng thêm từ nhịp thở tức thời Trong định hướng nghiên cứu luận án, kết tính toán, mô thể kịch có kết tốt kịch 1, kịch có kết tốt 1.4.1 Kịch (Kịch sở để so sánh) Trong kịch sở này, từ đường tín hiệu ECG ban đầu, nhịp tim đặc trưng 18 đặc tính gồm 16 hệ số khai triển đoạn QRS theo hàm sở Hermite đặc tính theo thời gian chu kỳ hai đỉnh R trung bình 10 chu kỳ hai đỉnh R liên tiếp cuối Hình 1.2: Sơ đồ khối kịch 1(kịch sở) nhận dạng tín hiệu ECG 1.4.2 Kịch Trong trường hợp thử nghiệm này, trước trích chọn đặc tính theo phương pháp kịch 1, tín hiệu ECG lọc lọc wavelet để loại bỏ ảnh hưởng nhịp thở Hình 1.3: Sơ đồ khối kịch nhận dạng tín hiệu ECG lọc wavelet 1.4.3 Kịch Hình 1.4: Sơ đồ khối kịch nhận dạng tín hiệu ECG sử dụng thêm đặc tính từ nhịp thở (không lọc ECG wavelet) - 11 Ngoài nội dung chương trình bày lý thuyết tổng quát biến đổi wavelet, phân tích tín hiệu hàm Hermite mạng nơ-ron logic mờ TSK CHƯƠNG III: CÁC GIẢI PHÁP ĐỀ XUẤT LOẠI BỎ ẢNH HƯỞNG CỦA NHỊP THỞ TRONG TÍN HIỆU ECG 3.1 Ứng dụng wavelets loại bỏ ảnh hưởng nhịp thở tín hiệu ECG Đã có nhiều nghiên cứu đề xuất sử dụng phép biến đổi wavelet để loại bỏ ảnh hưởng nhiễu nói chung nhịp thở nói riêng tín hiệu ECG [35,43,46,51,61,71,83,97,101] Tuy nhiên đề xuất họ wavelet bậc tác giả khác (như trình bày chi tiết luận án) Trong luận án nghiên cứu sinh thực lại hai thử nghiệm chương để khảo sát, so sánh, đánh giá chất lượng với họ wavelet Daubechies, Biorthogonal, Symlet Coiflet Dựa kết khảo sát, luận án đề xuất loại bỏ thành phần A8 phân tích tín hiệu ECG wavelet để loại bỏ ảnh hưởng nhịp thở tới tín hiệu ECG Kết tính toán thông số SNR, CORR, PRD TH1 trung bình hai thử nghiệm cho thấy họ wavelet từ bậc trở lên cho kết tốt so với lọc thông cao Butterworth_2 họ wavelet Coiflet bậc có kết tốt họ wavelet lại bậc bậc (như bảng 3.1) Vì luận án đề xuất sử dụng họ wavelet Coiflet bậc làm lọc thông cao để loại bỏ ảnh hưởng nhịp thở tín hiệu ECG Bảng 3.1 Kết tính toán thông số SNR, CORR, PRD TH1 trung bình sử dụng họ wavelet bậc lọc Butterworth_2 Butterworth_2 SNR 17.12 Thử nghiệm CORR PRD 92.57 37.56 TH1 1.99 SNR 15.12 Db4 17.16 92.51 40.73 1.85 17.09 88.98 54.69 2.82 Sym4 17.19 92.53 40.66 1.85 16.22 88.99 54.86 3.79 Bior2.4 17.72 93.00 39.23 1.89 17.02 88.86 56.77 3.77 Coif4 19.27 94.17 35.45 1.83 18.79 90.35 51.31 2.61 Loại lọc Thử nghiệm CORR PRD 88.86 50.95 TH1 4.75 Bảng 3.1 trình bày kết tính toán thông số SNR, CORR, PRD TH1 trung bình hai thử nghiệm cho thấy việc sử dụng họ wavelet bậc có kết tốt giải pháp Butterworth_2, số họ wavelet họ Coiflet có kết tốt - 12 3.2 Sử dụng đặc tính từ nhịp thở tức thời nhằm cao chất lượng nhận dạng tín hiệu ECG Từ kết loại bỏ ảnh hưởng nhịp thở gây tín hiệu ECG họ wavelet Coiflet bậc để loại bỏ ảnh hưởng nhịp thở không làm thay đổi vị trí đỉnh R tín hiệu ECG Vì việc lọc không loại bỏ tác động thứ nhịp thở gây rối loạn nhịp tim tín hiệu ECG làm khoảng R-R rút ngắn thời gian hít vào kéo dài thời gian thở [17, 21, 23, 29, 38, 40, 47, 56, 75], thay đổi dễ bị nhầm lẫn với số dạng bệnh lý ngoại tâm thu nhĩ (A - Atrial premature beat), ngoại tâm thu thất (V - Ventricular premature beat) Các kết nghiên cứu [29, 32] rối loạn nhịp tim tượng tương tác sinh học hô hấp tuần hoàn, nhịp tim thay đổi đồng với nhịp thở Vì để hỗ trợ mô hình nhận dạng phân loại việc thay đổi khoảng R-R thở hay bệnh lý luận án nghiên cứu đề xuất sử dụng thêm đặc tính tức thời từ nhịp thở là: biên độ tức thời nhịp thở đỉnh R nhịp tim nhận dạng trung bình 10 chu kỳ nhịp thở cuối để hỗ trợ cho trình nhận dạng 3.3 Thu thập tín hiệu nhịp thở Với định hướng luận án (như trình bày mục 1.5 3.2), việc sử dụng thông tin từ nhịp thở tức thời giúp cải thiện chất lượng nhận dạng tín hiệu ECG Tuy nhiên thiết bị đo nhịp thở dùng cồng kềnh, phức tạp sử dụng Vì luận án xây dựng thử nghiệm giải pháp gọn nhẹ sử dụng cảm biến gia tốc để đo nhịp thở Thiết bị thiết kế có chức đo tín hiệu nhịp thở sử dụng cảm biến gia tốc, hiển thị lưu liệu đo máy tính máy đo ECG Sơ đồ khối chức thiết bị trình bày hình 3.1 Hình 3.1: Sơ đồ khối mạch thu thập tín hiệu nhịp thở Để triển khai giải pháp đề xuất với mô hình 3.1 Luận án sử dụng cảm biến gia tốc ba trục MMA8451Q gắn ngực để thu thập tín hiệu nhịp thở Hình 3.2 tín hiệu nhịp thở thu từ z cảm biến gia tốc tư ngồi di chuyển với trạng thái thở khác nhau: thở thường 60s, thở chậm - 13 60s thở nhanh 30s tách tương ứng với thành phần A8 phân tích họ wavelet Coiflet bậc Hình 3.2: Tín hiệu thu từ trục z tín hiệu tách thành phần A8 Để đếm số nhịp thở luận án sử dụng thuật toán dịch cửa sổ có độ rộng 200ms (đủ hẹp để phát đỉnh max nhịp thở nhanh tần số khoảng 1Hz) dọc theo đường tín hiệu Kết tính toán số nhịp thở từ thành phần A8 phân tích wavelet tín hiệu thu cảm biến gia tốc so với nhịp thở thực tế người thu thập 10 lần thử nghiệm đạt độ xác 100% trường hợp thở chậm thở thường đạt 98,35% trường hợp thở nhanh CHƯƠNG IV: TRÍCH CHỌN ĐẶC TRƯNG VÀ NHẬN DẠNG TÍN HIỆU ECG BẰNG MẠNG TSK 4.1 Cơ sở liệu Hai sở liệu sử dụng luận án MIT-BIH MGH/MF Cả hai sở liệu tải từ www.physionet.org 4.2 Ứng dụng SVD để phân tích tín hiệu ECG theo hàm Hermite Phân tích trích chọn đặc tính bước quan trọng toán nhận dạng, đặc biệt tín hiệu ECG thường chứa nhiều thành phần tần số khác biến thiên liên tục theo tình trạng sức khỏe, tâm lý, người bệnh Các hàm phân tích tín hiệu chuẩn Hermite nhiều nghiên cứu đề xuất sử dụng để khai triển tín hiệu ECG [57, 68, 93] hình dạng tương đồng với tín hiệu ECG Trong luận án sử dụng 16 hàm Hermite để phân tích đoạn phức QRS làm 16 đặc tính véctơ đặc tính Mặt khác [68,93] luận án sử dụng thêm hai đặc tính miền thời gian tín hiệu ECG, chu kỳ R-R tức thời giá trị trung bình 10 chu kỳ R-R cuối Tổng cộng véctơ đặc tính tín hiệu ECG gồm 18 đặc tính - 14 4.3 Ứng dụng mô hình nhận dạng TSK toán nhận dạng tín hiệu ECG Để kiểm chứng giải pháp đề xuất luận án Trong luận án đề xuất sử dụng mạng nơron TSK [57, 68, 93] xây dựng kịch nhận dạng để kiểm chứng giải pháp đề xuất luận án Véctơ đặc tính đầu vào mô hình nhận dạng xây dựng sở phân tích tín hiệu hàm phân tích tín hiệu chuẩn Hermite 4.3.1 Xây dựng số liệu 4.3.1.1 Cơ sở liệu MIT-BIH Từ sở liệu MIT-BIH luận án xây dựng mẫu số liệu cho hai thử nghiệm 1.1 2.1 (theo bảng 1.1) Đối với sở liệu MIT-BIH, luận án lựa chọn loại mẫu nhịp là: N, L, R, A, V, I E để xây dựng số liệu, mẫu bệnh xuất bệnh nhân (ví dụ bệnh nhân ghi 207) Để bổ sung cho số lượng mẫu tương đối cân đối phong phú loại nhịp nêu, luận án sử dụng thêm tổng cộng 16 ghi 16 bệnh nhân với mã số là: 106, 109, 111, 114, 116, 118, 119, 200, 202, 207, 208, 209, 212, 214, 221 222 với tổng số mẫu trích 3577 Do mô hình xây dựng sở hai số liệu học kiểm tra [55,66,89], nên ta chia 3577 mẫu tổng cộng thành hai con: 2835 mẫu 16 bệnh nhân để xây dựng mô hình (còn gọi số liệu học) 1192 mẫu lại 16 bệnh nhân để kiểm tra độ tin cậy (còn gọi số liệu kiểm tra) Số lượng tổng cộng số lượng chi tiết mẫu lấy từ ghi phân chia vào số liệu học kiểm tra thống kê bảng 4.1 Bảng 4.1: Bảng phân chia số lượng mẫu học kiểm tra loại nhịp Loại nhịp N L R A V I E Tổng Tổng số mẫu 1000 500 500 500 500 472 105 3577 Số mẫu học 667 333 333 334 333 315 70 2385 Số mẫu kiểm tra 333 167 167 166 167 157 35 1192 Để tạo mẫu số liệu (tạo véc-tơ đặc tính tín hiệu đầu tương ứng) từ đường ECG, ta tách cửa số chứa phức QRS tương - 15 ứng nhịp điện tim tính toán đặc tính từ cửa số Do sở liệu MIT-BIH, ta có tín hiệu ECG đánh dấu vị trí đỉnh R gán nhãn phân loại bệnh bác sỹ chuyên ngành nên mẫu tạo theo quy trình sau:  Để xây dựng số liệu mẫu cho kịch (theo bảng 1.1) tín hiệu ECG đọc từ sở liệu không cần xử lý thêm, để xây dựng số liệu mẫu cho kịch tín hiệu ECG lọc loại bỏ thành phần A8 theo khai triển wavelet Coiflet bậc  Đọc vị trí đỉnh R liên tiếp phức QRS đường tín hiệu ECG  Xác định khoảng phức QRS trích phức cách cắt cửa sổ 250ms xung quanh đỉnh R (125ms trước 125ms sau vị trí đỉnh R)  Khai triển phức QRS vừa trích theo đa thức Hermite theo công thức (2.18) để xác định 16 hệ số khai triển làm đặc tính  Xác định khoảng cách R-R từ đỉnh R xét tới đỉnh R liền trước để làm đặc tính thứ 17 Giá trị trung bình 10 đoạn R-R cuối đặc tính thứ 18 phức QRS xét  Tương ứng với 18 đặc tính vừa xác định làm mẫu đầu vào, đầu mã loại bệnh nhịp xét (đã bác sĩ đánh dấu sở liệu) Với K=7 loại bệnh khác cho sở liệu MIT-BIH, đầu tương ứng kênh có giá trị Đồng thời ghi có nhiều chuyển đạo nên để thuận tiện cho việc lập trình, tính toán so sánh kết quả, luận án chọn sử dụng chuyển đạo chung ghi chuyển đạo II 4.3.1.2 Cơ sở liệu MGH/MF Tương tự với sở liệu MIT-BIH, luận án sử dụng nhiều ghi khác nên ta chọn sử dụng chuyển đạo chung ghi chuyển đạo II Trong sở liệu MGH/MF, số loại nhịp nhiều bệnh nhân gồm: N, S V mẫu bệnh xuất bệnh nhân đồng thời (ví dụ bệnh nhân ghi 106, 111, … ) Vì mẫu xây dựng gồm loại nhịp này, đồng thời để có số lượng mẫu tương đối phong phú, luận án sử dụng 20 ghi 20 bệnh nhân với mã số là: 029, 030, 058, 105, 106, 107, 108, 110, 111, 114, 117, 119, 121, 123, 124, 125, 128, 131, 137 142 với tổng số mẫu trích 4500 Chi tiết số lượng mẫu lấy từ ghi tổng hợp - 16 bảng 4.2 Quy trình tạo mẫu tương tự thực với sở liệu MIT-BIH, ta có hai dạng véc-tơ đặc tính với 18 20 đặc tính (gồm 18 đặc tính sở liệu MIT-BIH đặc tính từ tín hiệu nhịp thở) Từ tập hợp tổng cộng 4500 mẫu này, luận án xây dựng số liệu cho trường hợp thử nghiệm 1.2, 2.2, 3.2, 4.2, 1.3, 1.4, 2.3 2.4 theo kịch nêu bảng 1.1 Trong đó, thử nghiệm theo kịch (thử nghiệm 1.2, 1.3, 1.4 3.2) thực với tín hiệu ECG không lọc, thử nghiệm theo kịch (2.2, 2.3, 2.4 4.2) thực với tín hiệu ECG có lọc wavelet Coiflet bậc Bảng 4.2: Bảng phân chia số lượng mẫu loại mẫu nhịp STT 10 11 12 13 14 15 16 17 18 19 20 Recoder Mgh029 Mgh030 Mgh058 Mgh105 Mgh106 Mgh107 Mgh108 Mgh110 Mgh111 Mgh114 Mgh117 Mgh119 Mgh121 Mgh123 Mgh124 Mgh125 Mgh128 Mgh131 Mgh137 Mgh142 Tổng N 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 3000 Loại nhịp S 50 50 65 45 75 60 0 50 65 75 50 75 75 750 V 12 65 50 65 65 50 45 28 65 50 50 55 65 65 0 17 750 Với trường hợp 1.2, 2.2, 3.2 4.2 ta thử nghiệm theo dạng MGH/20-20, có nghĩa tập số liệu mẫu tập số liệu kiểm tra chứa nhịp - 17 toàn 20 bệnh nhân Chi tiết phân chia số lượng mẫu tổng hợp bảng 4.3 Các trường hợp 1.3 2.3 ta thử nghiệm theo dạng MGH/15-5, có nghĩa tập số liệu mẫu chứa mẫu 15 bệnh nhân tập số liệu kiểm tra chứa mẫu bệnh nhân lại Luận án tạm xét trường hợp phân chia tập hợp kiểm tra gồm toàn mẫu bệnh nhân (theo bảng 4.2): từ đến 5, từ đến 10, từ 11 đến 15 từ 16 đến 20; tập hợp học gồm mẫu bệnh nhân lại Các trường hợp 1.4 2.4 ta thử nghiệm theo dạng MGH/19-1, có nghĩa tập số liệu mẫu chứa mẫu 19 bệnh nhân tập số liệu kiểm tra chứa mẫu bệnh nhân lại Tổng cộng luận án xét 20 trường hợp tập hợp kiểm tra gồm toàn mẫu bệnh nhân từ đến 20 (theo bảng 4.2), tập hợp học gồm mẫu bệnh nhân lại Bảng 4.3 Bảng phân chia số lượng mẫu cho thử nghiệm MGH/20-20 Loại bệnh N S V Tổng Tổng số nhịp 3000 750 750 4500 Số mẫu học 2100 525 375 3000 Số mẫu kiểm tra 900 225 375 1500 4.3.2 Xây dựng mô hình nhận dạng Đối với trường hợp thử nghiệm với sở liệu MIT-BIH (các thử nghiệm 1.1 2.1) với loại mẫu nhịp N, A, E, L, R, I V, nhịp tim đặc trưng 18 đặc tính ta cần xây dựng mạng TSK với 18 đầu vào (tương ứng với 18 đặc tính) đầu nhị phân (đối với nhịp có đầu “1” đầu lại “0”) tương ứng với loại mẫu nhịp Đối với trường hợp thử nghiệm với sở liệu MGH/MF ta chia thành hai nhóm thử nghiệm là:  Các thử nghiệm 1.2, 2.2, 1.3, 2.3, 1.4 2.4 theo dạng MGH/20-20, MGH/15-5, MGH/19-1 với loại mẫu nhịp N, S V nhịp tim đặc trưng 18 đặc tính ta cần xây dựng mạng TSK với 18 đầu vào (tương ứng với 18 đặc tính) đầu nhị phân tương ứng với loại mẫu nhịp  Các thử nghiệm 3.2 4.2 theo dạng MGH/20-20 với loại mẫu nhịp N, S V Véc-tơ đặc tính đặc trưng 20 đặc tính (gồm 18 đặc tính từ tín hiệu ECG đặc tính từ nhịp thở) ta cần xây dựng mạng TSK với - 18 20 đầu vào (tương ứng với 20 đặc tính) đầu nhị phân tương ứng với loại mẫu nhịp  Độ tin cậy mô hình nhận dạng đánh giá sở sai số kiểm tra, số FN số FP mô tả mục 1.5 Độ cải thiện sai số kiểm tra, số trường hợp FN số trường hợp FP mô hình nhận dạng sử dụng lọc wavelet sử dụng bổ sung đặc tính cho mô hình nhận dạng tính theo công thức: E  Esau Ecai thien  truoc  100% (4.1) Etruoc FN truoc  FN sau FN cai thien   100% (4.2) FN truoc FP  FPsau FPcai thien  truoc  100% (4.3) FPtruoc TP Sens   100% (4.4) TP  FN TN Spec   100% (4.5) TN  FP Với số trên, mô hình coi tốt sai số FP, FN nhỏ số theo công thức từ (4.1) đến (4.5) lớn tốt 4.3.3 Kết nhận dạng tín hiệu ECG 4.3.3.1 Các thử nghiệm dạng MIT/16-16 cho kịch Các thử nghiệm sử dụng tập mẫu 16 ghi để xây số liệu học số liệu kiểm tra mô hình nhận dạng Mạng TSK xây dựng với 18 đầu vào tương ứng với 18 thành phần véc-tơ đặc tính, đầu nhị phân tương ứng với loại mẫu nhịp.Thuật toán tính toán số khảo sát với số quy tắc suy luận mờ (số luật TSK) biến thiên từ đến 20 Kết khảo sát cho thấy ứng với 17 luật mô hình có sai số kiểm tra nhỏ Bảng 4.4 Kết tính toán số chất lượng thử nghiệm dạng MIT/16-16 Các số Sai số tổng FN FP Thử nghiệm 1.1 35 20 10 Thử nghiệm 2.1 31 15 Độ cải thiện - 19  Nhận xét Từ thử nghiệm 1.1 2.1 theo dạng MIT/16-16 cho thấy việc loại bỏ ảnh hưởng nhịp thở tín hiệu ECG wavelet giúp cải thiện chất lượng nhận dạng, cụ thể là:  Sai số kiểm tra giảm mẫu, tương ứng:  35   100%  11, 43%  Các trường hợp FN giảm mẫu, tương ứng:  15   100%  33,33%  Các trường hợp FP giảm mẫu , tương ứng: 1   100%  11,11%  Chỉ số Sensitivity cải thiện từ 98, 25% lên 98,86% ; số Specificity cải thiện từ 97,30% lên 97, 60% 4.3.3.2 Các thử nghiệm dạng MGH/20-20 cho kịch nhận dạng Các thử nghiệm sử dụng tập mẫu 20 ghi để xây số liệu học số liệu kiểm tra mô hình nhận dạng Do sở liệu MGH/MF có chứa nhịp thở đo đồng thời với tín hiệu ECG Vì ta xây dựng số liệu cho tất kịch nhân dạng, cụ thể sau: Các thử nghiệm 1.2 2.2 mạng TSK xây dựng với 18 đầu vào tương ứng với 18 thành phần véc-tơ đặc tính; Các thử nghiệm 3.2 4.2 mạng TSK xây dựng với 20 đầu vào tương ứng với 20 thành phần véc-tơ đặc tính (18 đặc tính từ tín hiệu ECG đặc tính từ tín hiệu nhịp thở) đầu nhị phân tương ứng với loại mẫu nhịp Thuật toán tính toán số sai số kiểm tra khảo sát với số quy tắc suy luận mờ (số luật TSK) biến thiên từ đến 20 Kết khảo sát cho thấy ứng với 11 luật mô hình có sai số kiểm tra nhỏ Bảng 4.5 Kết tính toán số chất lượng thử nghiệm dạng MGH/20-20 Các số Thử nghiệm 1.2 Thử nghiệm 2.2 Thử nghiệm 3.2 Thử nghiệm 4.2 Sai số tổng 62 55 57 51 FN 30 26 28 23 FP 16 14 13 11 - 20  Nhận xét 2: Từ thử nghiệm 1.2 2.2 theo dạng MGH/20-20 cho thấy việc loại bỏ ảnh hưởng nhịp thở tín hiệu ECG wavelet giúp cải thiện chất lượng nhận dạng, cụ thể là:  Sai số kiểm tra giảm mẫu, tương ứng:  62   100%  11, 29%  Các trường hợp FN giảm mẫu, tương ứng:  30   100%  13,33%  Các trường hợp FP giảm mẫu, tương ứng:  16   100%  12 ,50%  Chỉ số Sensitivity cải thiện từ 95,0% lên 95,67% ; số Specificity cải thiện từ 98, 22% lên 98, 44% Từ thử nghiệm 1.2 3.2 theo dạng MGH/20-20 cho thấy việc sử dụng thêm thông tin từ nhịp thở tức thời giúp cải thiện chất lượng nhận dạng, cụ thể là:  Sai số kiểm tra giảm mẫu, tương ứng:  62   100%  8,06%  Các trường hợp FN giảm mẫu, tương ứng:  30   100%  ,67%  Các trường hợp FP giảm mẫu, tương ứng:  16   100%  18,75%  Chỉ số Sensitivity cải thiện từ 95,0% lên 95,33% ; số Specificity cải thiện từ 98, 22% lên 98,56% Từ thử nghiệm 1.2 4.2 theo dạng MGH/20-20 cho thấy việc sử dụng đồng thời loại bỏ ảnh hưởng nhịp thở wavelet thông tin từ nhịp thở tức thời cho chất lượng nhận dạng tốt nhất, cụ thể là:  Sai số kiểm tra giảm 11 mẫu, tương ứng: 11 62   100%  17 ,74%  Các trường hợp FN giảm mẫu tương ứng:  30   100%  23,33%  Các trường hợp FP giảm mẫu, tương ứng:  16   100%  31, 25%  Chỉ số Sensitivity cải thiện từ 95,0% lên 96,17% ; số Specificity cải thiện từ 98, 22% lên 98,78% 4.3.3.3 Các thử nghiệm dạng MGH/15-5 cho kịch Các thử nghiệm sử dụng tập mẫu nhịp 15 ghi để xây dựng mô hình sử dụng mẫu nhịp ghi lại để kiểm tra mạng TSK 18 xây dựng với 18 đầu vào tương ứng với 18 thành phần véctơ đặc tính, đầu nhị phân tương ứng với loại mẫu nhịp - 21 Luận án xét trường hợp phân chia tập mẫu ban đầu theo dạng MGH/15-5 gồm toàn mẫu bệnh nhân (theo bảng 4.2): từ đến 5, từ đến 10, từ 11 đến 15 từ 16 đến 20; tập hợp học gồm mẫu bệnh nhân lại Khi số sai số ước lượng giá trị trung bình số trường hợp Mô hình nhận dạng sử dụng mạng TSK với 18 đầu vào tương ứng với 18 thành phần véc-tơ đặc tính, đầu nhị phân tương ứng với loại mẫu nhịp Số luật mạng TSK khảo sát thủ công trình bày để xác định giá trị tốt (tương ứng với sai số kiểm tra cho trường hợp nhỏ nhất) Với trường hợp thử nghiệm cho mẫu MGH/15-5, số lượng luật cần sử dụng dao động khoảng từ 18 đến 20 luật Bảng 4.6 Kết tính toán số chất lượng trung bình thử nghiệm dạng MGH/15-5 Các số Sai số tổng FN FP Thử nghiệm 1.3 558 64 415 Thử nghiệm 2.3 516 53 384 Độ cải thiện 42 11 31  Nhận xét 3: Từ thử nghiệm 1.3 2.3 theo dạng MGH/15-5 cho thấy việc loại bỏ ảnh hưởng nhịp thở tín hiệu ECG lọc wavelet giúp cải thiện chất lượng nhận dạng, cụ thể là:  Sai số kiểm tra giảm 42 mẫu, tương ứng:  42 558   100%  ,53%  Các trường hợp FN giảm 11 mẫu, tương ứng: 11 64   100%  17 ,19%  Các trường hợp FP giảm 31 mẫu, tương ứng:  31 415   100%  , 47% 4.3.3.4 Các thử nghiệm dạng MGH/19-1 cho kịch Với thử nghiệm sử dụng tập mẫu nhịp 19 ghi để xây dựng mô hình sử dụng mẫu nhịp ghi lại để kiểm tra Luận án xét toàn 20 trường hợp phân chia tập mẫu ban đầu theo dạng MGH/19-1, tập hợp mẫu kiểm tra gồm toàn mẫu bệnh nhân từ đến 20 (theo bảng 4.2), tập hợp mẫu học gồm mẫu bệnh nhân lại Khi số sai số ước lượng giá trị trung bình số 20 trường hợp - 22 Mô hình nhận dạng sử dụng mạng TSK với 18 đầu vào tương ứng với 18 thành phần véc-tơ đặc tính, đầu nhị phân tương ứng với loại mẫu nhịp Số luật mạng TSK khảo sát thủ công trình bày để xác định giá trị tốt (tương ứng với sai số kiểm tra cho trường hợp nhỏ nhất) Với 20 trường hợp thử nghiệm cho mẫu MGH/19-1, số lượng luật cần sử dụng dao động khoảng từ 15 đến 20 luật Bảng 4.7 Kết tính toán số chất lượng trung bình thử nghiệm dạng MGH/19-1 Các số Sai số tổng FN FP Thử nghiệm 1.4 91 17 57 Thử nghiệm 2.4 75 12 49 Độ cải thiện 16  Nhận xét 4: Từ thử nghiệm 1.4 2.4 theo dạng MGH/19-1 cho thấy việc loại bỏ ảnh hưởng nhịp thở tín hiệu ECG wavelet giúp cải thiện chất lượng nhận dạng, cụ thể là:  Sai số kiểm tra giảm 16 mẫu, tương: 16 91  100%  17 ,58%  Các trường hợp FN giảm mẫu, tương ứng:  17   100%  29 , 41%  Các trường hợp FP giảm mẫu, tương ứng:  57   100%  14 ,04% Riêng trường hợp này, ta có 20 trường hợp kiểm tra với kết khác nhau, nên nghiên cứu sinh sử dụng test thống kê đánh giá so sánh thêm số Sử dụng test thống kê t-Student cho cặp chuỗi: sai số tổng, trường hợp FP, trường hợp FN, ta test giả thuyết H0 : “Trung bình sai số (tổng FP FN) không sử dụng phương pháp lọc wavelet > Trung bình sai số (tổng FP FN) có sử dụng phương pháp lọc” Các kết test với số liệu từ bảng 4.7 sau:  H (Sai sè tæng kh«ng läc  Sai sè tæng cã läc) : p All  0,11%  H (Sai sè FP kh«ng läc  Sai sè FP cã läc) : pFP  3,65%  H (Sai sè FN kh«ng läc  Sai sè FN cã läc) : pFN  1, 75% Ta thấy, trường hợp có p  5% nên với độ đảm bảo 95%, ta khẳng định việc sử dụng giải pháp lọc wavelet giúp cải thiện độ xác nhận dạng - 23 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Luận án nghiên cứu tìm hiểu chức hệ tim mạch - hô hấp ảnh hưởng nhịp thở tín hiệu ECG, ba ảnh hưởng nhịp thở tín hiệu ECG là: rối loạn nhịp tim, điều chế biên độ tín hiệu ECG trôi dạt đường sở; phân tích, đánh giá số giải pháp sử dụng phương pháp loại bỏ ảnh hưởng nhịp thở tín hiệu ECG Từ khảo sát đề xuất lựa chọn họ wavelet bậc phù hợp để loại bỏ ảnh hưởng nhịp thở tín hiệu ECG Trường hợp có tín hiệu nhịp thở đo đồng thời với tín hiệu ECG, luận án đề xuất sử dụng đặc tính biên độ tức thời nhịp thở để hỗ trợ phát biến thiên bệnh lý tín hiệu ECG Các mẫu tín hiệu đưa vào mô hình nhận dạng sử dụng mạng nơrôn TSK để kiểm chứng hiệu giải pháp đề xuất Các đóng góp luận án kể tới là:  Đã khảo sát, so sánh, đánh giá chất lượng đề xuất sử dụng wavelet Coiflets bậc để phân tích thành phần phù hợp tương ứng với thành phần tần số nhịp thở gây tín hiệu ECG, làm sở để loại bỏ thành phần nhận dạng tín hiệu ECG,  Nghiên cứu đề xuất phương pháp bổ sung thêm đặc tính từ thông tin nhịp thở để cải thiện độ xác trình nhận dạng,  Giải pháp đề xuất luận án góp phần hỗ trợ bác sĩ tuyến sở việc chẩn đoán, khám điều trị bệnh tim Về mặt thực nghiệm để kiểm chứng đề xuất trên, luận án thực kết sau:  Xây dựng 10 thử nghiệm (2 thử nghiệm với loại nhịp thử nghiệm với loại nhịp) để thử nghiệm cho trường hợp:  Nhận dạng tín hiệu ECG không loại bỏ ảnh hưởng nhịp thở có loại bỏ ảnh hưởng  Nhận dạng tín hiệu ECG thông tin nhịp thở tức thời có thông tin  Xây dựng kịch nhận dạng (dùng chung mô hình mạng TSK) để thử nghiệm kiểm chứng chứng tỏ sau loại bỏ ảnh hưởng nhịp thở tín hiệu ECG sử dụng thêm thông tin từ nhịp thở cải thiện chất lượng nhận dạng tín hiệu ECG  Kiểm chứng chất lượng nhận dạng với mẫu nhịp từ sở liệu MIT-BIH cho thấy: Việc loại bỏ ảnh hưởng nhịp thở họ wavelet Coiflet bậc giúp cải thiện chất lượng nhận dạng - 24  Kiểm chứng kết nhận dạng với mẫu nhịp từ sở liệu MGH/MF cho thấy:  Việc loại bỏ ảnh hưởng nhịp thở họ wavelet Coiflet bậc giúp cải thiện chất lượng nhận dạng  Việc sử dụng thông tin trực tuyến nhịp thở giúp cải thiện chất lượng nhận dạng  Sử dụng đồng thời việc loại bỏ ảnh hưởng nhịp thở họ wavelet Coiflet bậc thông tin nhịp thở tức thời cho kết tốt trường hợp thử nghiệm  Các thử nghiệm theo dạng MGH/20-20 cho kết nhận dạng tốt Các thử nghiệm dạng MGH/19-1 thử nghiệm theo dạng MGH/15-5 cho thấy việc xây dựng mô hình nhận dạng tín hiệu ECG cho bệnh nhân cần phải có cập nhật mẫu bệnh nhân Nếu sử dụng mẫu bệnh nhân khác việc nhận dạng tín hiệu bệnh nhân không đạt hiệu cao số bệnh nhân cao sai số lớn  Nghiên cứu đề xuất giải pháp thu thập tín hiệu nhịp thở cảm biến gia tốc MMA8451Q Kết thực nghiệm sở đếm số nhịp thở thu từ cảm biến gia tốc so với số nhịp thở thực tế trạng thái thở chậm, thở thường xác 100% thở nhanh đạt độ xác 98,35% Với kết trên, giải pháp đề xuất luận án góp phần hỗ trợ bác sĩ tuyến sở việc chẩn đoán, khám điều trị bệnh tim Tiếp theo sau, ý tưởng giải pháp đề xuất luận án tiếp tục bổ sung phát triển theo số định hướng sau:  Tiếp tục khảo sát phương pháp lọc (ví dụ phương pháp lọc thích nghi, lọc mù,…) để so sánh lựa chọn giải pháp nâng cao chất lượng tiền xử lý tín hiệu,  Khảo sát khả ứng dụng mô hình nhận dạng khác để so sánh chất lượng nhận dạng tín hiệu ECG,  Thử nghiệm nhận dạng với sở liệu với mẫu bệnh khác,  Thử nghiệm giải pháp đo nhịp thở tức thời triển khai thiết bị phần cứng đo song song tín hiệu ECG tín hiệu nhịp thở để kiểm nghiệm giải pháp nhận dạng  Thử nghiệm bệnh nhân thực tế để tiếp tục kiểm chứng chất lượng DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN Trần Hoài Linh, Nguyễn Bá Biền, Phạm Văn Nam, Nguyễn Đức Thảo (2011), “Sử dụng công nghệ FPAA PSoC thiết kế mạch thu thập xử lý tín hiệu điện tim”, Tuyển tập báo cáo (CD) Hội nghị toàn quốc Điều khiển Tự động hoá (VCCA) Trần Hoài Linh, Nguyễn Đức Thảo, Phạm Văn Nam (2013), “Ứng dụng hàm Hermite định lựa chọn đặc tính tín hiệu điện tim phục vụ cho toán nhận dạng”, Tuyển tập báo cáo (CD) Hội nghị toàn quốc Điều khiển Tự động hoá (VCCA) Nguyễn Đức Thảo, Trần Hoài Linh, Phạm Văn Nam (2014), “Sử dụng cảm biến gia tốc thu thập tín hiệu nhịp thở,” Tuyển tập báo cáo (CD) Hội nghị toàn quốc Cơ điện tử (VCM) Nguyễn Đức Thảo, Dương Hòa An, Trần Hoài Linh (2015), “Thiết kế thiết bị thu thập nhịp thở thuật toán loại trừ ảnh hưởng tới nhịp tim”, Tạp chí Khoa học Công nghệ Đại học Thái Nguyên, Tập 132, số 02, Trang: 87-93 Hoai Linh Tran, Van Nam Pham, Duc Thao Nguyen (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 Nguyễn Đức Thảo, Trần Hoài Linh (2015), “Nâng cao chất lượng nhận dạng tín hiệu điện tim dựa giải pháp loại bỏ ảnh hưởng từ nhịp thở người bệnh”, Tạp chí Khoa học Công nghệ Đại học Thái Nguyên Tập 140, số 10, Trang: 119-125 [...]... loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG Để kiểm chứng hiệu quả loại bỏ ảnh hưởng của nhịp thở cũng như mức độ ảnh hưởng của nhịp thở trong tín hiệu ECG sau khi loại bỏ ảnh hưởng của nhịp thở của các bộ lọc này, trong luận án nghiên cứu sinh thực hiện hai thử nghiệm như sau:  Thử nghiệm 1: Sử dụng tín hiệu ECG trộn tuyến tính với tín hiệu nhịp thở  Thử nghiệm 2: Sử dụng tín hiệu ECG có ảnh. .. dụng phương pháp loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG Từ đó khảo sát và đề xuất lựa chọn họ wavelet và bậc phù hợp để loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG Trường hợp có tín hiệu nhịp thở được đo đồng thời với tín hiệu ECG, luận án đề xuất sử dụng 2 đặc tính là biên độ tức thời của nhịp thở để hỗ trợ phát hiện các biến thiên bệnh lý trong tín hiệu ECG Các bộ mẫu tín hiệu được... thông tin từ nhịp thở thì có thể cải thiện được chất lượng nhận dạng tín hiệu ECG  Kiểm chứng chất lượng nhận dạng với các mẫu nhịp từ cơ sở dữ liệu MIT-BIH cho thấy: Việc loại bỏ ảnh hưởng của nhịp thở bằng họ wavelet Coiflet bậc 4 giúp cải thiện chất lượng nhận dạng - 24  Kiểm chứng kết quả nhận dạng với các mẫu nhịp từ cơ sở dữ liệu MGH/MF cho thấy:  Việc loại bỏ ảnh hưởng của nhịp thở bằng họ... 3 loại nhịp) để thử nghiệm cho các trường hợp:  Nhận dạng tín hiệu ECG khi không loại bỏ ảnh hưởng của nhịp thở và khi có loại bỏ ảnh hưởng này  Nhận dạng tín hiệu ECG khi không có thông tin về nhịp thở tức thời và khi có thông tin này  Xây dựng 4 kịch bản nhận dạng (dùng chung mô hình mạng TSK) để thử nghiệm kiểm chứng chứng tỏ rằng sau khi loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG hoặc... dạng tín hiệu ECG Từ các kết quả loại bỏ ảnh hưởng của nhịp thở gây ra trong tín hiệu ECG bằng họ wavelet Coiflet bậc 4 để loại bỏ ảnh hưởng của nhịp thở thì không làm thay đổi vị trí đỉnh R của tín hiệu ECG Vì vậy việc lọc này sẽ không loại bỏ được tác động thứ 3 của nhịp thở gây ra rối loạn nhịp tim trong tín hiệu ECG làm khoảng R-R rút ngắn trong thời gian hít vào và kéo dài trong thời gian thở ra... logic mờ TSK CHƯƠNG III: CÁC GIẢI PHÁP ĐỀ XUẤT LOẠI BỎ ẢNH HƯỞNG CỦA NHỊP THỞ TRONG TÍN HIỆU ECG 3.1 Ứng dụng wavelets loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG Đã có nhiều nghiên cứu đề xuất sử dụng phép biến đổi wavelet để loại bỏ ảnh hưởng của nhiễu nói chung và nhịp thở nói riêng trong tín hiệu ECG [35,43,46,51,61,71,83,97,101] Tuy nhiên các đề xuất họ wavelet và bậc của các tác giả cũng rất... dụng thêm 2 đặc tính tức thời từ nhịp thở là: biên độ tức thời của nhịp thở tại đỉnh R của nhịp tim đang nhận dạng và trung bình của 10 chu kỳ nhịp thở cuối cùng để hỗ trợ cho quá trình nhận dạng 3.3 Thu thập tín hiệu nhịp thở Với các định hướng của luận án (như trình bày ở mục 1.5 và 3.2), việc sử dụng các thông tin từ nhịp thở tức thời có thể giúp cải thiện chất lượng nhận dạng tín hiệu ECG Tuy nhiên... dụng giải pháp lọc bằng wavelet đã giúp cải thiện được độ chính xác của nhận dạng - 23 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Luận án đã nghiên cứu và tìm hiểu chức năng của hệ tim mạch - hô hấp các ảnh hưởng chính của nhịp thở trong tín hiệu ECG, ba ảnh hưởng chính của nhịp thở trong tín hiệu ECG là: rối loạn nhịp tim, điều chế biên độ tín hiệu ECG và trôi dạt đường cơ sở; phân tích, đánh giá một số giải pháp. .. nghiệm theo dạng MGH/15-5 cho thấy việc xây dựng mô hình nhận dạng tín hiệu ECG cho các bệnh nhân mới vẫn cần phải có sự cập nhật mẫu của các bệnh nhân này Nếu chỉ sử dụng các mẫu của các bệnh nhân khác thì việc nhận dạng tín hiệu của bệnh nhân mới sẽ không đạt hiệu quả cao và nếu số bệnh nhân mới càng cao thì sai số sẽ càng lớn  Nghiên cứu và đề xuất giải pháp thu thập tín hiệu nhịp thở bằng cảm... sát các phương pháp lọc (ví dụ như các phương pháp lọc thích nghi, lọc mù,…) để so sánh và lựa chọn giải pháp nâng cao hơn nữa chất lượng tiền xử lý tín hiệu,  Khảo sát khả năng ứng dụng các mô hình nhận dạng khác để so sánh chất lượng nhận dạng tín hiệu ECG,  Thử nghiệm nhận dạng với các cơ sở dữ liệu với các mẫu bệnh khác,  Thử nghiệm các giải pháp đo nhịp thở tức thời và triển khai trên các thiết