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

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 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIẺN VÀ TỰ ĐỘNG HÓA Hà Nội - 2016 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 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIẺN VÀ TỰ ĐỘNG HÓA NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TSKH TRẦN HOÀI LINH Hà Nội - 2016 LỜI CAM ĐOAN Tôi xin cam đoan công trình nghiên cứu riêng dựa hướng dẫn PGS.TSKH Trần Hoài Linh tài liệu tham khảo trích dẫn Kết nghiên cứu trung thực chưa khác công bố công trình khác Hà nội, ngày tháng năm 2016 Người hướng dẫn khoa học PGS.TSKH TRẦN HOÀI LINH Nghiên cứu sinh NGUYỄN ĐỨC LỜI CẢM ƠN Luận án hoàn thành Bộ môn Kỹ thuật đo Tin học công nghiệp - Viện Điện - Trường Đại học Bách Khoa Hà Nội hướng dẫn PGS.TSKH.Trần Hoài Linh Tác giả xin bày tỏ lòng cảm ơn sâu sắc tới PGS.TSKH.Trần Hoài Linh tận tình hướng dẫn học thuật, kiến thức kinh nghiệm trình thực luận án Tác giả xin chân thành cảm ơn GS.TS.Phạm Thị Ngọc Yến, PGS.TS.Nguyễn Quốc Cường Hội đồng Khoa học Bộ môn Kỹ thuật đo Tin học công nghiệp - Viện Điện - Trường Đại học Bách Khoa Hà Nội có ý kiến đóng góp quý báu tạo điều kiện thuận lợi cho tác giả trình hoàn thành luận án Tác giả xin chân thành cảm ơn thầy cô Bộ môn Kỹ thuật đo Tin học công nghiệp - Viện Điện - Trường Đại học Bách Khoa Hà Nội, đồng nghiệp khoa Điện tử - Tin học - Trường Đại học Sao Đỏ gia đình động viên tạo điều kiện thuận lợi cho tác giả trình hoàn thành luận án Tác giả xin chân thành cảm ơn Ban Giám hiệu Trường Đại học Sao Đỏ, Ban Giám hiệu Viện Đào tạo Sau đại học Trường Đại học Bách khoa Hà Nội tạo điều kiện tốt mặt để tác giả hoàn thành luận án Tác giả luận án Nguyễn Đức Thảo MỤC LỤC Mục Mục DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt A Tiếng Anh Tiếng Việt Premature Atrial Contractions Ngoại tâm thu nhĩ AV Atrioventricular Nút nhĩ thất BW Baseline Wander Trôi dạt đường sở CORR Cross-corelation Coeffcient Hệ số tương quan chéo CWT Continuous Wavelet Transform Biến đổi wavelet liên tục DWT Discrete Wavelet Transform Biến đổi wavelet rời rạc E Ventricular Escape Beat Tâm thất lỗi nhịp ECG Electrocardiogram Điện tim đồ EMD Empirical Mode Decomposition Phân tích thực nghiệm FastICA FastICA algorithm Thuật toán ICA nhanh FIR Finite Impulse Response Filter Bộ lọc có đáp ứng xung hữu hạn FN False Negative Chẩn đoán âm tính sai FP False Positive Chẩn đoán dương tính sai HD High Pass Filter for Decomposition Phân tích lọc thông cao HR High Pass Filter for Reconstruction Tổng hợp lọc thông cao PRD Percent Root Mean Square Difference Phần trăm trung bình bình phương sai lệch I Ventricular Flutter Wave Rung thất ICA Independent Component Analysis Phân tích thành phần độc lập IIR Infinite Impulse Response Filter Bộ lọc có đáp ứng xung vô hạn IMFs Intrinsic Mode Functions Kiểu hàm nội suy Từ viết tắt IWT Tiếng Anh Danh mục Inverse Wavelet Transform kPCA Kernel Analysis L Left Bundle Branch Block Beat Block nhánh trái LD Low Pass Filter for Decomposition Phân tích lọc thông thấp LMS Least Mean Squares LR Low Pass Filter for Reconstruction Trung bình bình phương nhỏ Tổng hợp lọc thông thấp MEM Mean-Median Filter Bộ lọc trung bình trung tâm MITBIH MGH/M F MIT-BIH Arrhythmia Database Cơ sở liệu MIT-BIH MGH/MF Waveform Database Cơ sở liệu MGH/MF MLP Multi-Layer Perceptron Network Mạng nơron truyền thẳng nhiều lớp PAP Pulmonary Arterial Pressure Áp suất động mạch phổi PCA Principal Component Analysis Phân tích theo thành phần QRS QRS Complex Phức QRS R Right Bundle Branch Block Beat Block nhánh phải RES Respiratory Impedance Trở kháng đường hô hấp RSA Respiratory Sinus Arrhythmia Rối loạn nhịp xoang S Supraventricular Premature Beat Loạn nhịp thất SA Sinoatrial Nút xoang nhĩ SNR Signal to Noise Ratio Tỉ số tín hiệu tạp âm SVD Singular Value Decomposition Phân tích theo giá trị kỳ dị TSK Takaga - Sugeno - Kang neuro Mạng nơ-ron logic mờ TSK fuzzy network (Takaga - Sugeno - Kang) V Premature Ventricular Contraction Principal Tiếng Việt Biến đổi Wavelet ngược Component Thành phần cốt lõi Ngoại tâm thu thất DANH MỤC CÁC BẢNG BIẺU Danh mục Bảng 1.1 Các trường hợp thử nghiệm phục vụ kịch nhận dạng 22 Bảng 3.1: Tính toán tần số trung tâm để xác định mức phân tích phù hợp loại bỏ ảnh hưởng nhịp thở tín hiệu ECG tần số lấy mẫu 360Hz .40 Bảng 3.2: Kết tính toán thông số SNR, CORR, PRD THi trung bình loại bỏ ảnh hưởng nhịp thở sử dụng thành phần A8 A9 sử dụng họ wavelet bậc lọc Butterworth_2 - Thử nghiệm 41 Bảng 3.3: Kết tính toán thông số SNR, CORR, PRD TH1 trung bình loại bỏ ảnh hưởng nhịp thở sử dụng thành phần A8 A9 sử dụng họ wavelet bậc lọc Butterworth_2 - Thử nghiệm 41 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.18: Một số ví dụ tín hiệu ECG bị ảnh hưởng nhịp thở sở liệu MIT- BIH: a) Tín hiệu ECG bị rối loại nhịp tim, b) Tín hiệu ECG bị điều chế biên độ c) Tín hiệu ECG bị trôi dạt đường sở 20 Hình 1.19: Một số ví dụ tín hiệu ECG bị ảnh hưởng nhịp thở sở liệu MGH/MF: a) Tín hiệu ECG bị rối loại nhịp tim, b) Tín hiệu ECG bị điều chế biên độ c) Tín hiệu ECG bị trôi dạt dường sở 21 Hình 2.1: Đồ thị biểu diễn kết tính toán thông số SNR, CORR, PRD TH1 trung bình sử dụng lọc thông cao -Thử nghiệm 26 Hình 2.2: Đồ thị biểu diễn kết tính toán thông số SNR, CORR, PRD TH1 trung bình sử dụng lọc thông cao -Thử nghiệm 26 Hình 4.4: Đồ thị biểu diễn kết khảo sát số luật TSK thử nghiệm MIT/1616 61 Hình 4.5: Đồ thị biểu diễn kết khảo sát số luật TSK thử nghiệm MGH/20-2064 Mở MỞ ĐẦU Tính cấp thiết đề tài Ngày với phát triển mạnh mẽ công nghệ thông tin điện tử đem lại nhiều hiệu đời sống xã hội Trong y học, công nghệ thông tin điện tử đem lại nhiều ứng dụng chăm sóc sức khỏe người Mặt khác bác sĩ cần có thông tin xác tốt cho công tác chẩn đoán, xác định bệnh, điều trị theo dõi diễn biến bệnh 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] Tuy nhiên với đặc thù tín hiệu ECG thường có biên độ nhỏ dễ bị ảnh hưởng nhiều thành phần nhiễu khác như: nhiễu nguồn điện lưới, điện cực tiếp xúc với bề mặt thể bệnh nhân, thay đổi cảm xúc bệnh nhân, trình hô hấp chuyển động bệnh nhân Hiện 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] Đồng thời lưu lượng không khí trình hít thở làm thay đổi nồng độ Oxygen máu, từ dẫn tới thay đổi tín hiệu ECG [47] Nhận dạng tín hiệu ECG vấn đề kỹ thuật tiếp tục quan tâm, đầu tư nghiên cứu vấn đề khó, yêu cầu độ xác độ tin cậy ngày cao Một nguyên nhân gây khó khăn cho nhận dạng tín hiệu ECG ảnh hưởng trình chuyển động người bệnh đặc biệt hoạt động trình hô hấp gây Đã có nhiều nghiên cứu nước đề xuất loại bỏ ảnh hưởng nhịp thở tín hiệu ECG [10, 17, 21, 49, 61, 76, 94, 96] Tại Việt Nam có số công trình luận án TS Hoàng Mạnh Hà đề xuất phương pháp thích nghi lọc nhiễu tín hiệu ECG luận án TS Vương Hoàng Nam đề xuất phương pháp phân tích thành phần độc lập để loại bỏ nhiễu tín hiệu ECG (tuy nhiên hai luận án chưa đề cập đến ảnh hưởng nhịp thở tín hiệu ECG giải pháp loại bỏ ảnh hưởng này) Trong luận án TS Chử Đức Hoàng đề xuất thuật toán phân tích biến động khử khuynh hướng để phân tích chứng loại nhịp tim, kết nghiên cứu dừng lại việc phân tích có bệnh hay bệnh luận án TS Phan Duy Hùng công trình [72, 80] tác giả đề xuất sử dụng cảm biến gia tốc để đếm số nhịp thở đồng thời với trình thu thập tín hiệu ECG để chẩn đoán chứng ngừng thở người bệnh Vì vậy, đề xuất giải pháp loại bỏ ảnh hưởng nhịp thở tín hiệu ECG Danh mục Tài liệu “Development of three methods for extracting respiration from the surface ECG: A review”, Journal of elctrocardiogram, 47(6), pp: 819-825 39 Hargittai, S (2008), “Efficient and fast ECG baseline wander reduction without distortion of important clinical information”, Computers in Cardiology, pp 841844 40 Hirsch J A., B Bishop (1981), “Respiratory sinus arrhythmia in humans: How breathing pattern modulates heart rate”, American Journal of Physiology - Heart and Circulatory Physiology, vol 241, pp 620-629 41 Kampouraki, A., Manis, G ; Nikou, C., (2009), “Heartbeat Time Series Classification With Support Vector Machines”, IEEE Transactions on Information Technology in Biomedicine, pp 512-518 42 Qi Huimin (2012), “Research and application of ECG signal pretreatment based on wavelet de-noising technology”, 2nd International Conference on Uncertainty Reasoning and Knowledge Engineering (URKE), 2012, pp 286-289 43 vIsa S.M., Noviyanto A., Arymurthy A.M (2011), “Optimal selection of wavelet thresholding algorithm for ECG signal denoising”, International Conference on Advanced Computer Science and Information System, pp 365-370 44 Jane R., Laguna P., Thakor N.V., Caminal P (1992), “Adaptive baseline wander removal in the ECG: Comparative analysis with cubic spline technique”, Proceedings of Computers in Cardiology, pp 143-146 45 Manpreet Kaur, Birmohan Singh, Seema (2011), “Comparisons of Different Approaches for Removal of Baseline Wander from ECG Signal”, IJCA Proceedings on International Conference and workshop on Emerging Trends in Technology, pp 30-34 46 Ruqaiya Khanam, Syed Naseem Ahmad (2013), “Selection of Wavelets for Evaluating SNR, PRD and CR of ECG Signal”, International Journal of Engineering Science and Innovative Technology (IJESIT) Volume 2, Issue 1, pp 112-119 Gennady V Krasnikov, Miglena Y Tyurina, Arina V Tankanag, Galina M Piskunova, Nikolai K Chemeris (2013), “Analysis of heart rate variability and skin blood flow oscillations under deep controlled breathing”, Respiratory Physiology & Neurobiology 185, pp 562- 570 47 48 R Lakhwani, S Ayub, JP Saini (2013), “Design and Comparison of Digital Filters for Removal of Baseline Wandering from ECG Signal ”, 5th International Conference on Computational Intelligence and Communication Networks (CICN), pp 186-191 49 Langley Philip, Emma J Bowers, Alan Murray (2010), “Principal Component Analysis as a Tool for Analyzing Beat-to-Beat Changes in ECG Features: Application to ECG-Derived Respiration”, IEEE Transactions on Biomedical Danh mục Tài liệu Engineering, vol 57, No 4, pp 821-829 50 Li Suyi, Guangda Liu, Zhenbao Lin (2009), “Comparisons of wavelet packet, lifting wavelet and stationary wavelet transform for de-noising ECG ”, 2nd IEEE International Conference on Computer Science and Information Technology (ICCSIT2009), pp 491-494 51 Li Suyi, Yanju Ji, Guangda Liu (2009), “Optimal Wavelet Basis Selection of Wavelet Shrinkage for ECG De-Noising”, International Conference on Management and Service Science, pp 1-4 52 Li X.Y., Wang T., Zhou P., Feng H.Q (2003), ”ST-T complex automatic analysis of the electrocardiogram signals based on wavelet transform”, Proceedings 29th Annual IEEE Conference of Bioengineering, pp 144-145 53 Lin Wan-hua, Wong M.Y., Li-Na Pu; Yuan-Ting Zhang (2010), “Comparison of median filter and discrete dyadic wavelet transform for noise cancellation in electrocardiogram”, Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2010, pp 2395-2398 54 Hsin-Yi Lin, Sz-Ying Liang, Yi-Lwun Ho, Yen-Hung Lin (2013) “Discretewavelet-transform-based noise reduction and R wave detection for ECG signals”, IEEE 15th International Conference on e-Health Networking, Applications & Services (Healthcom), pp 355-360 55 Hung P.D., Bonnnet S., Gillemaud R., Castelli E., Yen P.T.N (2008) “Estimation of respiratory waveform using an accelerometer”, 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society Vancouver, Canada, pp: 1493- 1496 56 Labete, D., Foresta, F., Occhiuto, G., Morabito, F.D., Lay-Ekuakille, A., & Vergallo P (2013), “Empirical Mode Decomposition vs Wavelet Decomposition for the Extraction of RespiratorySignalfrom Single-Channel ECG: A Comparison” Sensor Journal, IEEE, Vol 13, NO 7, pp 2666-2674 57 Linh T H., Pham Van Nam, Vuong Hoang Nam (2014), “Multiple neural network integration using a binary decision tree to improve the ECG signal recognition accuracy”, International Journal of Applied Mathematics and Computer Science Volume 24, Issue 3, pp 647-655 58 Luong Duong Trong, Nguyen Duc Thuan, Trinh Quang Duc (2014), “Removal of baseline noise from Electrocardiography (ECG) signal based on time domain approach“, International Journal of Biomedical Science and Engineering, Published online, pp 11-16 59 Malik M., A J Camm, (1995), “Heart Rate Variability”, Futura Publishing Company 60 Danh mục Tài liệu Malmivuo J., Plonsey, R (1995), “Bioelectromagnetism - principles and applications of bioelectric and biomagnetic fields” New York Oxford University Press 61 Martinez Vega G., Alvarado-Serrano C., Leija-Salas L (2011), “ECG baseline drift removal using discrete wavelet transform”, 8th International Conference on Electrical Engineering Computing Science and Automatic Control (CCE), pp 1-5 62 Mateo J., Sanchez C., Vaya C., Cervigon R (2007), “A new adaptive approach to remove baseline wander from ECG recordings using Madeline structure”, Computers in Cardiology, pp 533-536 63 Min Dai, Shi-Liu Lian (2009), “Removal of Baseline Wander from Dynamic Electrocardiogram Signals”, CISP '09 2nd International Congress on Image and Signal Processing, pp 1-4 64 Mneimneh M.A., Yaz E.E (2006), Johnson M.T., Povinelli, R.J ”An adaptive Kalman filter for removing baseline wandering in ECG signals”, Computers in Cardiology, pp 253-256 65 Na Pan, Vai Mang I, Mai Peng Un, Pun Sio Hang (2007), “Accurate Removal of Baseline Wander in ECG Using Empirical Mode Decomposition”, Noninvasive Functional Source Imaging of the Brain and Heart and the International Conference on Functional Biomedical Imaging (NFSI-ICFBI 2007), pp 177-180 66 Naga V Prudhvi Raj, Venkateswarlu, T (2011), “ECG signal denoising using Undecimated Wavelet Transform”, 3rd International Conference on Electronics Computer Technology (ICECT), pp 94-98 67 Nayak S., Soni, D Bansal (2012), “Filtering techniques for ECG signal processing”, International Journal of Research in Engineering & Applied Sciences Osowski S., T Markiewicz , L Tran Hoai (2006), “Ensemble of neural networks for improved recognition and classification of arrhythmia”, XVIII IMEKO WORLD CONGRESS Metrology for a Sustainable Development, Brazil 68 69 Pablo Laguna, Raimon Jane, Pere Caminal (1992), “Adaptive Filtering of ECG Baseline Wander”, 14th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pp.143-146 70 Pallas-Areny R., Colominas-Balague J., Rosell F.J (1989), “The Effect of Respiration-Induced Heart Movements on the ECG”, IEEE Transactions on Biomedical Engineering, vol 36, no 6, pp 585-590 71 Patil P.B., Chavan, M.S (2012), “A wavelet based method for denoising of biomedical signal”, International Conference on Pattern Recognition, Informatics and Medical Engineering, pp 769-772 72 Phan D H., S Bonnet, R Guillemaud, E Castelli, N Y Pham Thi (2008), “Estimation of respiratory waveform and heart rate using an accelerometer”, Danh mục Tài liệu Annual International Conference of the IEEE Engineering in Medicine and Biology Society - EMBC, pp 4916-4919 73 Phong Phan Anh , Kieu Quang Thien (2009), “Classification of Cardiac Arrhythmias Using Interval Type-2 TSK Fuzzy System”, 2009 International Conference on Knowledge and Systems Engineering, pp 1-6 74 Ouelli A., Elhadadi B., Bouikhalene B (2014), “Multivariate autoregressive modeling for cardiac arrhythmia classification using multilayer perceptron neural networks”, International Conference on Multimedia Computing and Systems (ICMCS), pp 402-606 75 Thérèse J.M Overbeek, Anton van Boxtel, Joyce H.D.M Westerink (2014), “Respiratory sinus arrhythmia responses to cognitive tasks: Effects of task factors andRSA indices”, Biological Psychology, vol 99, pp 1-14, Elsevier 76 Panda R., Pati U.C (2012), “Removal of artifacts from electrocardiogram using digital filter”, IEEE Students' Conference on Electrical, Electronics and Computer Science (SCEECS), pp 1-4 77 Patil H.T., Holambe R.S (2013), “New approach of threshold estimation for denoising ECG signal using wavelet transform”, Annual IEEE India Conference (INDICON), pp 1-4 78 Rashid A., Zahooruddin, Qureshi I.M., Saleem A (2011), “Electrocardiogram signal processing for baseline noise removal using blind source separation techniques: A comparative analysis”, International Conference on Machine Learning and Cybernetics (ICMLC), pp 1756-1761 Ravindra Pratap Narwaria, Seema Verma, P K Singhal (2011), “Removal of Baseline Wander and Power Line Interference from ECG Signal - A Survey Approach”, International Journal of Electronics Engineering, (1), pp 107- 111 79 80 Reinvuo T., Hannula M., Sorvoja H., Alasaarela E (2006), “Measurement of respiratory rate with high-resolution accelerometer and emfit pressure sensor”, Proceedings of the 2006 IEEE Sensors Applications Symposium, pp 192-195 81 Rouhani M., Soleymani R., (2009) “Neural Networks based Diagnosis of heart arrhythmias using chaotic and nonlinear features of HRV signals”, International Association of Computer Science and Information Technology - Spring Conference, pp 545 - 549 82 Sargolzaei A., Faez K., Sargolzaei S (2009), “A new robust wavelet based algorithm for baseline wandering cancellation in ECG signals”, IEEE International Conference on Signal and Image Processing Applications (ICSIPA), pp 33-38 83 Sawant C., Patii H.T (2014), “Wavelet based ECG signal de-noising”, First International Conference on Networks & Soft Computing (ICNSC), pp 20-24 84 Seema Rani, Amanpreet Kaur, J S Ubhi (2011), “Comparative study of FIR and Danh mục Tài liệu IIR filters for the removal of baseline noises from ECG signal”, International Journal of Computation Science and Information Technology (IJCSIT), pp 30-36 85 Seth Suppappola, Ying Sun (1994), “Nonlinear Transforms of ECG Signals for Digital QRS Detection: A Quantitative Analysis”, IEEE Transactions on Biomedical Engineering, vol 41, Issue: 4, pp 397 - 400 86 Sheng WANG Jie, ZHANG Yong, ZHANG Ping, SUN Shi-Feng (2010), “Research on Denoising Algorithm for ECG Signals”, 29th Chinese Control Conference (CCC), pp 2936-2940 87 Shier, David (2002), “Hole's Human Anatomy & Physiology”, McGraw- Hill 88 Shivajirao M Jadhav1, Sanjay L Nalbalwar2, Ashok A Ghatol., (2010), “Arrhythmia Disease Classification using Artificial Neural Network Model”, IEEE International Conference on Computational Intelligence and Computing Research (ICCIC), pp 1-4 89 Singh, N.; Ayub, S.; Saini, J.P (2013), “Design of Digital IIR Filter for Noise Reduction in ECG Signal”, 5th International Conference on Computational Intelligence and Communication Networks (CICN), pp 171-176 90 S0rensen J.S., Johannesen L., Grove U.S.L., Lundhus K.(2010), “A comparison of IIR and wavelet filtering for noise reduction of the ECG”, Computing in Cardiology, pp 489-492 Stantic Dejan, Jun Jo (2014), “Selection of Optimal Parameters for ECG Signal Smoothing and Baseline Drift Removal”, Computer and Information Science, pp 112-119 91 92 Thakor N.V., Yi-Sheng Zhu (1991), “Applications of Adaptive Filtering to ECG Analysis : Noise Cancellation and Arrhythmia Detection”, IEEE Transactions on Biomedical Engineering, pp 785-794 93 Tran Hoai Linh, Stanislaw Osowski, Maciej Stodolski (2003) “On-Line Heart Beat Recognition Using Hermite Polynomials and Neuro-Fuzzy Network”, IEEE Transactions on Instrumentation and Measurement, pp 165-170 94 Travaglini A, C Lamberti, J DeBie, M Ferri (1998), “Respiratory Signal Derived from Eight-lead ECG”, Computers in Cardiology, pp 65 - 68 95 Van Alste JA, van Eck W, Herrmann OE (1985), “ECG Baseline Wander Reduction Using Linear Phase Filters”, Computers and Biomedical Research, pp 417-427 96 Varanini M., M Emdin, F Allegri, M Raciti, F Conforti, A Macerata, A Taddei, R Francesconi, G Kraft, A.L Abbate, C Marchesi (1990), “ Adaptive filtering of ECG signal for deriving respiratory activity”, Conference Proceeding of Computers in Cardiology, pp 621-624 97 Von Borries R F., J H Pierluissi, H Nazeran (2005), “Wavelet Transform-Based Danh mục Tài liệu ECG Baseline Drift Removal for Body Surface Potential Mapping”, 27th Annual International Conference of the Engineering in Medicine and Biology Society, pp 3891 - 3894 98 Wang Chien-Chih, Cheng-Ding Chang (2010), “SVD and SVM based approach for congestive heart failure detection from ECG signal”, 40th International Conference on Computers and Industrial Engineering (CIE), pp 1-5 99 Wang K.Q., Xu L.S., Wang L., Li, Z.G (2003), “Pulse baseline wander removal using wavelet approximation”, Computers in Cardiology 100 Watanabe K., Watanabe T., Watanabe H., Ando H (2005), “Noninvasive measurement of heartbeat, respiration, snoring and body movements of a subject in bed via a pneumatic method”, IEEE Transactions on Biomedical Engineering, pp 2100-2107 101 Wei Zhang, Linlin Ge (2008), “A Method for Reduction of Noise in the ECG”, The 2nd International Conference on Bioinformatics and Biomedical Engineering, pp 2119-2122 102 John B West (2012), “Respiratory Physiological Phenomena”, Library of Congress Cataloging-in-Publication Data Yu Xiao-Hua, Suranai Poungponsri (2013), “An adaptive filtering approach for electrocardiogram (ECG) signal noise reduction using neural networks”, Elsevier, pp 206-213 103 104 Chazal P., Heneghan C., Sheridan E., Reilly R (2003), “Automated processing of the single-lead electrocardiogram for the detection of obstructive sleep apnoea ”, IEEE Transactions on Biomedical Engineering, pp 686 - 696 105 Zhi-Dong Zhao; Yu-quan Chen (2006), “A New Method for Removal of Baseline Wander and Power Line Interference in ECG Signals ”, International Conference on Machine Learning and Cybernetics, pp 4243-4247 106 Zhao Zhidong; Liu Juan (2010), “Baseline Wander Removal of ECG Signals Using Empirical Mode Decomposition and Adaptive Filter”, 4th International Conference on Bioinformatics and Biomedical Engineering (iCBBE), pp 1-3 107 http://www.savingstudentsmoney.org/OLI/AnPpost.html 108 http://www.physionet org/physiobank/database/mghdb/ http://www.physionet org/physiobank/database/mitdb/ http://www.nxp com/products/sensors/accelerometers/3-axisaccelerometers/2g-4g- 8g-low-g-14-bit-digital-accelerometer:MMA8451Q 109 Danh mục công trình công bố 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: 119125 Phụ lục A: Kết tính toán thông số SNR, CORR, PRD TH1 sử dụng lọc thông cao loại bỏ ảnh hưởng nhịp thở Bảng A.1: Kết tính toán thông số sử dụng lọc Butterworth_2 Thử nghiệm Thử nghiệm Recordmục công Danh trình công bố Nr SN CO PR TH SN CO PR R RR D R RR D Record_ 22.5 96.3 27.1 1.5 15.1 88.3 52.8 4 Record_ 21.3 95.7 29.1 1.8 14.9 88.2 63.7 Record_ 14.3 90.6 42.9 3.0 10.6 85.3 54.6 Record_ 10.8 86.1 51.8 4.0 17.7 91.5 41.2 Record_ 19.0 94.4 33.1 19.2 91.4 45.6 1.1 18.3 93.9 34.6 14.9 90.8 43.5 1.0 Record_ Record_ 93.9 34.7 15.6 91.4 47.5 18.2 1.2 7 18.5 94.1 34.1 1.2 14.3 84.9 51.7 Record_ 9 Record_ 14.3 90.5 43.1 1.4 17.5 90.3 55.8 Record 13.5 89.7 44.7 3.2 11.1 52.6 86.2 10 Trung 17.1 92.5 37.5 1.9 15.1 88.8 50.9 bình Bảng A.2: Kết tính toán thông số sử dụng lọc Kaiser_56 Thử nghiệm Thử nghiệm Record Nr SN CO PR SN CO PR THỊ R RR D R RR D Record_ 9.8 85.9 51.4 9.8 4.1 79.1 61.1 2 Record_ 9.1 84.5 53.7 19 78.4 63.8 11 91 8 Record_ 6.0 81.7 57.6 28 4.0 76.1 61.1 3 05 Record_ 3.4 76.1 64.8 36 6.3 81.3 58.2 34 Record_ 9.1 85.3 52.2 9.0 8.8 83.0 45.4 2 4.8 78.2 62.4 4.3 5.3 76.4 55.6 Record_ 4 6 Record_ 5.1 78.4 4.3 8.9 83.4 56.0 62.2 7 4 Bảng A.3: Kết quả7.4 tính toán thông số sử dụng 83.0 55.8 6.4 lọc 2.7Kaiser_255 75.4 67.4 Record_ Record Thử Thử nghiệm 31 nghiệm 72 Nr Record_ 5.0 79.8 60.2 8.3 10 82.4 48.6 SN SN 6CO 0PR 7TH 75 3CO 3PR R6.4 RR D R RR D Record 80.8 59.0 29 4.1 75.8 60.2 Record_ 15.7 91.9 39.9 11.0 2.9 54.1 10 96 688.6 3 Trung 6.6 81.4 57.9 15 6.7 79.1 57.7 Record_ 15.4 91.6 40.4 17 5.6 72.0 95.8 bình 19 61 66 12 93 92 07 76 Record_ 19.7 95.2 30.4 25 5.0 66.3 81.4 5 49 2 Record_ 16.4 93.1 36.2 32 2.4 49.9 89.5 97 9 Record_ 17.8 93.8 34.8 8.9 6.7 73.5 87.9 14.1 90.7 42.3 6.4 7.0 74.6 82.6 Record_ Record_ 13.6 90.1 43.6 7.4 1.7 42.1 98.1 16.9 93.2 36.3 8.2 7.8 78.3 68.9 Record_ 7 8 Record_ 17.9 94.1 33.6 9.6 9.7 65.1 82.2 8 Record 92.5 37.9 27 6.6 73.2 86.4 16.1 10 30 Trung 16.4 92.6 37.5 15 5.5 66.6 84.4 bình 7 53 8 TH 3.7 4.9 3.4 4.7 3.7 7.11 7.1 2.7 7.1 2.6 4.7 THỊ 17.1 12.0 15.6 17.9 11.6 10.7 20.6 12.3 9.33 TH 12.7 18.2 94 14.0 17.0 39 17.8 18.5 17.0 15.8 19.0 16.3 15.8 16.8 17.2 Bảng A.4: Kết tính toán thông số sử dụng lọc Rectang _100 Thử nghiệm Thử nghiệm Recordmục công Danh trình công bố Nr SN CO PR TH SN CO PR R RR D Ị R RR D Record_ 11 87.4 48.8 1.7 6.3 80.9 58.7 13 88 Record_ 9.9 85.9 51.4 2.1 12 64.9 3 44 Record_ 7.3 83.7 54.6 3.4 5.8 80.9 58.7 7 8.0 Record_ 4.5 78.1 62.4 4.4 82.5 57.0 Record_ 10 86.9 49.4 1.3 13 90.3 42.9 28 3 Record_ 8.1 6.0 80.4 59.4 1.2 86.3 50.7 4 Record_ 6.3 80.7 59.2 1.5 83.2 57.4 9.4 3 Record_ 8.6 84.5 53.4 1.5 1.6 77.7 63.3 8 1.6 Record_ 6.4 81.7 57.6 11 88.5 46.5 81 Record 7.3 82.2 57.1 3.6 6.0 81.9 57.3 10 Trung 7.8 83.2 55.3 2.2 8.2 84.0 55.7 bình 7 9 THỊ 9.3 6.7 8.6 9.8 6.6 5.9 11.4 6.7 5.4 7.1 7.7 Phụ lục B: Kết tính toán thông số SNR, CORR, PRD TH1 trung bình sử dụng lọc wavelet loại bỏ ảnh hưởng nhịp thở Bảng B.1.1: Kết tính toán thông số sử dụng họ wavelet Biorthogonal Thử nghiệm Danh mục công trình công bố BOIR SNR CORR PRD THj 10.6 10.2 9.83 16.7 17.7 17.9 17.9 5.87 A 1.1 1.3 1.5 2.2 24 2.6 2.8 3.1 3.3 3.5 3.7 3.9 4.4 5.5 6.8 19.5 22.2 23.0 23.4 19.5 20.9 22.2 9 6.2 6.2 6.1 5.6 5.9 5.9 5.9 2.1 4.9 5.6 5.8 5.9 5.8 5.8 5.8 A 83.5 82.7 81.7 92.1 93.0 93.1 93.1 69.9 94.4 95.9 96.2 96.4 94.3 95.1 95.9 A 71 12 70 82 70 36 68 40 69 61 69 75 69 71 46 84 65 40 68 59 69 40 69 64 69 44 69 40 69 46 A 65.3 67.6 70.3 41.7 39.2 38.7 38.6 102 13 34.6 29.3 27.8 27.2 34.8 31.9 29.2 A 49.6 50.1 50.8 53.6 51.9 51.7 51.7 94.7 58.3 53.4 52.2 51.8 52.1 52.2 52.1 A 1.9 1.8 1.8 2.0 1.8 1.8 1.8 7.0 2.4 1.9 1.8 1.8 1.8 1.8 1.8 A 1.9 1.9 1.9 2.0 1.9 1.9 1.9 7.3 2.3 1.9 1.9 1.9 1.9 1.9 1.9 A Phụ lục Bảng B.2.1: B.1.2: Kết tính toán thông số sử dụng họ wavelet Coiílets Biorthogonal Thử nghiệm Thử nghiệm BOIR SNR CORR PRD TH COIF SNR CORR PRD THj As A9 A8 A A8 A9 A8 A9 A8 A9 A8 A9 10.8 9.2 5.1 5.3 76.3 84.0 121 64.3 103 63.4 4.5 4.5 1.9 62 1.1 1.8 81 25 14 563 11 08 95 28 1.3 14.3 9.0 4.9 6.0 75.7 89.5 61 124 49.4 106 64.6 3.6 1.8 4.5 1.9 57 42 47 57 685 17 94 15 1.5 17.0 4.8 75.2 92.4 60 61 126 41.1 108 65.0 3.6 1.8 4.5 1.9 6.2 8.8 38 04 89 36 085 44 24 25 25 16 6.7 88.1 68 62.2 73.2 4.2 4.4 2.2 19.2 7.5 94.1 61 35.4 65.1 1.8 1.9 09 36 35 27 24 17 6.9 88.8 68 56.7 71.5 3.7 4.3 21.1 95.3 61 31.3 65.2 1.8 1.9 8.2 702 36 24 97 01 98 95 74 85 17 6.9 88.9 69 59.4 71.2 3.7 4.3 2.6 14 12 17 6.9 88.9 69 59.4 71.2 3.6 4.3 2.8 15 12 3.1 4.8 2.8 64.4 51 130 101 9.5 5.5 33 46 89 15 6.8 68 61.6 69.0 4.6 4.4 88.0 3.3 14 74 0 3.5 17 7.2 89.6 70 55.6 65.9 3.6 4.2 62 14 3.7 7.3 90.0 70 54.4 64.9 3.4 4.2 18 61 10 3.9 18 7.4 90.1 70 53.9 64.3 3.4 4.2 25 85 4.4 17 7.1 89.7 69 55.9 68.5 3.6 4.3 98 3 70 5.5 18 7.2 90.0 70 54.5 67.1 3.5 4.2 41 09 18 7.3 90.3 70 53.6 3.4 4.2 66.1 6.8 68 42 Phụ lục Bảng B.2.2: Kết tính toán thông số sử dụng họ wavelet Coiílets Thử nghiệm COIF SNR A8 A9 14.2 17.4 18.3 18.7 19.0 6.2 6.9 7.2 7.3 7.4 CORR A8 A 85.5 66 63 89.2 69 20 90.0 70 07 90.3 70 53 90.5 70 84 PRD A8 A9 74.0 57.9 54.6 51.3 52.6 82.3 70.4 67.2 65.7 64.9 THj A8 A9 3.0 2.8 2.6 2.6 2.5 4.5 4.3 4.3 4.2 4.2 Phụ lục Bảng B.3.1: Kết tính toán thông số sử dụng họ wavelet Daubechies Thử nghiệm DB SNR As A9 CORR A8 A9 PRD A8 A9 THj A8 A9 10.6 6.2 83.5 71.1 65.3 50.5 1.9 1.9 5 7 13.7 6.1 88.6 70.5 51.8 51.3 1.9 1.8 15.6 90.9 70.0 45.3 51.5 1.9 6.0 1.8 2 17.1 5.9 92.5 69.8 40.7 51.5 1.8 1.9 8 5 18.7 5.9 93.8 69.8 36.5 51.7 1.8 1.9 9 5 20.1 5.9 94.7 69.7 33.6 52.0 1.8 1.9 1 5.8 95.2 69.5 31.7 51.9 1.8 1.9 21.0 22.1 5.9 95.8 69.5 29.5 51.7 1.8 1.9 8 4 23.5 5.9 96.4 69.7 27.1 51.8 1.8 1.9 4 24.2 5.9 96.7 69.6 25.8 52.1 1.8 1.9 tính toán thông sử dụng họ wavelet Bảng 10 B.3.2: Kết số Daubechies Thử nghiệm 24.7 5.8 96.9 69.4 25.1 52.1 1.8 1.9 11 3 25.7 5.8 97.2 69.4 23.6 51.9 1.8 1.9 DB SNR CORR PRD THi 12 5 13 26.9 5.9 97.6 69.6 21.9 51.8 1.8 1.9 A A A A A A A A 9 2 9 49 14 27.1 5.9 97.6 69.6 21.6 52.1 1.8 1.9 5.1 76.3 62.1 121 103 3.3 4.5 89.2 21 95 34 763 211 73 95 15 27.2 5.8 97.7 69.4 52.2 1.8 1.9 21.6 6.2 85.5 66.8 74.7 81.6 2.9 4.5 213 89 00 70 06 16 96 23 05 28.1 5.8 97.9 69.4 20.4 52.0 1.8 1.9 6.6 87.9 68.1 62.8 74.8 2.9 4.4 16 916 79 49 26 06 36 22 03 45 17 29.2 5.9 98.1 69.5 19.1 51.9 1.8 1.9 6.9 88.9 69.3 54.6 69.8 2.8 4.3 717 2 4 09 85.9 898.1 069.6 919.2 452.0 21.8 71.9 29.1 17 7.2 89.5 70.1 56.5 66.6 2.6 4.3 18 450 14 66 17 73 79 83 05 19 28.8 5.8 98.1 69.5 19.5 52.2 1.8 1.9 7.3 90.0 70.3 54.8 66.4 2.6 4.2 918 93 08 12 63 22 07 33 75 29.7 5.8 98.2 69.4 18.5 50.5 1.8 1.9 7.3 90.2 70.2 53.9 66.5 2.6 4.2 20 618 70 83 17 79 89 55 53 85 18 7.3 90.1 70.5 53.9 65.4 2.6 4.2 51 9 18 7.5 90.2 71.0 53.6 64.1 2.5 4.2 41 18 7.5 90.5 71.1 52.6 64.1 2.5 4.1 10 71 9 19 7.5 90.6 70.9 52.2 64.5 2.5 4.2 11 05 7 7 18 7.4 90.4 71.0 52.6 64.2 2.5 4.2 12 96 3 13 18 7.6 90.4 71.3 52.6 63.3 2.4 4.1 75 9 14 18 7.6 90.7 71.5 51.9 63.0 2.4 4.1 92 8 15 19 7.6 90.8 71.3 51.5 63.4 2.4 4.1 24 2 19 7.5 90.6 71.3 51.9 63.4 2.4 4.1 16 20 2 17 18 7.6 90.5 71.5 52.2 62.8 2.4 4.1 96 4 5 19 7.7 90.7 71.7 51.7 62.4 2.3 4.1 18 02 19 19 7.7 90.9 71.6 51.1 2.3 4.1 62.6 32 6 19 7.6 90.8 71.5 51.4 62.8 2.4 4.1 20 36 3 Phụ lục Bảng B.4.1: Kết tính toán thông số sử dụng họ wavelet Symlets Thử nghiệm SYM SNR CORR PRD THj As A9 A8 A9 A8 A9 A8 13.7 6.1 88.6 70.5 51.8 50.5 1.8 8 15.6 90.9 70.0 45.3 51.3 6.0 1.8 17.1 5.9 92.5 69.8 40.6 51.6 1.8 6 5 18.7 5.9 93.8 69.8 36.5 51.6 1.8 9 4 19.9 5.9 94.5 69.5 34.0 52.0 1.8 0 21.1 5.9 95.3 69.7 31.4 51.7 1.8 4 22.1 5.8 95.8 69.4 29.5 52.1 1.8 8 4 23.3 5.9 96.3 69.6 27.4 51.8 1.8 8 24.0 5.8 96.6 69.4 26.2 52.1 1.8 10 7 25.2 5.9 97.0 69.6 24.4 51.8 1.8 11 4 25.6 5.8 97.2 69.4 23.8 52.2 1.8 tính toán thông sử dụng họ wavelet Bảng 12 B.4.2: Kết số Symlets 13 26.6 5.9 97.5 Thử 69.6nghiệm 22.3 51.8 1.8 4 14 26.9SNR 5.8 97.6 1.8THi 22.0 SYM CORR69.4 PRD 52.2 1 15 27.9 5.9 97.8 69.6 20.7 51.9 1.8 A A A A A A A 48 19 88 09 08 49 48 27.9 5.8 97.8 69.4 20.6 52.2 1.8 5.1 76.3 62.1 121 103 3.9 16 99.2 71 95 14 463 111 03 17 28.7 5.9 98.0 69.6 19.7 51.9 1.8 6.2 85.5 66.8 74.7 81.6 3.8 313 29 70 20 46 06 96 73 29.0 5.8 98.1 69.4 19.3 52.2 1.8 18 6.6 88.9 68.1 54.8 74.8 3.7 616 3 22 95.8 998.2 669.5 618.5 652.0 93.5 19 29.7 1.8 17 6.9 88.9 69.3 58.6 69.8 509 98 80 20 89 54 54 29.5 5.8 98.2 69.4 18.7 52.2 1.8 7.2 89.5 70.1 56.5 66.6 3.6 20 717 74 56 17 83 29 50 33 18 7.3 90.0 70.3 54.8 66.4 3.5 07 18 7.3 90.2 70.2 53.9 66.5 3.5 55 9 18 7.3 90.1 70.5 53.9 65.4 3.3 51 4 18 7.5 90.2 71.0 53.6 64.1 3.4 10 41 18 7.5 90.5 71.1 52.6 64.1 3.3 11 71 19 7.5 90.6 70.9 52.2 64.5 3.3 12 05 7 7 13 18 7.4 90.4 71.0 52.6 64.2 3.2 96 14 18 7.6 90.4 71.3 52.6 63.3 3.2 75 9 15 18 7.6 90.7 71.5 51.9 63.0 3.2 92 8 19 7.6 90.8 71.3 51.5 63.4 3.2 16 24 2 17 19 7.5 90.6 71.3 51.9 63.4 3.1 20 2 18 7.6 90.5 71.5 52.2 62.8 3.2 18 96 4 19 19 7.7 90.7 71.7 51.7 62.4 3.2 02 19 7.7 90.9 71.6 51.1 62.6 3.2 20 32 6 2 A9 1.9 1.9 1.9 1.9 1.9 1.9 1.9 1.9 1.9 1.9 1.9 1.9 1.9 1.9 A 59 1.9 4.5 05 1.9 4.4 45 1.9 4.3 84.3 1.9 04 1.9 4.3 15 4.2 4.2 4.2 4.2 4.1 4.2 4.1 4.1 4.1 4.1 4.1 4.1 4.1 4.1 Phụ lục [...]... của nhịp thở để cải thiện chất lượng nhận dạng, Xây dựng các bộ số liệu phục vụ bài toán nhận dạng tín hiệu ECG có xét tới ảnh hưởng của nhịp thở • • • Xây dựng 4 kịch bản nhận dạng tín hiệu ECG để kiểm chứng mức độ ảnh hưởng của thông tin từ nhịp thở tới chất lượng nhận dạng • Kết quả kiểm chứng chất lượng nhận dạng: ■ Việc loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG giúp cải thiện chất Mở lượng. .. một giải pháp phù hợp loại bỏ các ảnh hưởng của nhịp thở trong tín hiệu ECG Trong trường hợp đo được tín hiệu nhịp thở đồng thời với tín hiệu ECG luận án đề xuất sử dụng thêm các đặc tính từ thông tin nhịp thở để cải thiện chất lượng nhận dạng tín hiệu ECG Tín hiệu ECG sau khi đã được loại bỏ ảnh hưởng của nhịp thở hoặc sử dụng thêm các thông tin từ nhịp thở sẽ được đưa vào một số mô hình nhận dạng. .. trong tín hiệu ECG làm ảnh hưởng đến chất lượng nhận dạng tín hiệu ECG Một trong những khó khăn trong việc loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG nhằm nâng cao chất lượng nhận dạng tín hiệu ECG đó là: Các ảnh hưởng của nhịp thở gây ra trong tín hiệu ECG là gián tiếp và phi tuyến; trong các trường hợp bệnh lý tín hiệu ECG thường biến thiên mạnh cả về biên độ và hình dạng; quá trình thu thập tín. .. so với trước khi loại bỏ ảnh hưởng của nhịp thở hoặc không sử dụng thông tin từ nhịp thở Luận án sẽ thử nghiệm nhận dạng với 4 kịch bản sau để so sánh: • Kịch bản 1 (là kịch bản cơ sở để so sánh): Nhận dạng tín hiệu ECG trước khi loại bỏ ảnh hưởng của nhịp thở • Kịch bản 2: Nhận dạng tín hiệu ECG sau khi loại bỏ ảnh hưởng của nhịp thở (sử dụng chung một bộ đặc tính và một mô hình nhận dạng với kịch bản... bài toán nhận dạng tín hiệu ECG khoảng R-R của tín hiệu ECG là một đặc tính quan trọng [57, 68, 73, 74, 98] nên việc chu kỳ R-R thay đổi sẽ làm ảnh hưởng tiêu cực tới chất lượng của quá trình nhận dạng tín hiệu ECG Chương I: Tổng quan về ảnh hưởng của nhịp thở Hình 1.10: Tín hiệu ECG có khoảng R-R thay đổi và tín hiệu nhịp thở 1.3.2 Điều chế biên độ tín hiệu ECG Điều chế biên độ tín hiệu ECG là một... dạng với kịch bản 1) • Kịch bản 3: Nhận dạng tín hiệu ECG trước khi loại bỏ ảnh hưởng của nhịp thở nhưng có sử dụng thêm các đặc tính từ các thông tin của nhịp thở • Kịch bản 4: Nhận dạng tín hiệu ECG sau khi loại bỏ ảnh hưởng của nhịp thở và có sử dụng thêm các đặc tính từ các thông tin của nhịp thở Các kết quả tính toán, phân tích và nhận dạng sẽ được thực hiện trên phần mềm Matlab 3 Đối tượng và... bản nhận dạng Phần tiếp theo của luận án trình bày tổng quan một số giải pháp được sử dụng để loại bỏ ảnh hưởng của nhịp thở và các công cụ xử lý tín hiệu được sử dụng trong luận án CHƯƠNG II: TỔNG QUAN PHƯƠNG PHÁP LOẠI BỎ ẢNH HƯỞNG CỦA Chương I: Tổng quan về ảnh hưởng của nhịp thở NHỊP THỞ VÀ NHẬN DẠNG TÍN HIỆU ECG Chương này trình bày tổng quan một số giải pháp sử dụng bộ lọc thông cao để loại bỏ ảnh. .. so sánh): Nhận dạng trực tiếp từ tín hiệu ECG của cơ sở dữ liệu mà không sử dụng lọc wavelet và không sử dụng đặc tính từ nhịp thở ■ Kịch bản 2: Nhận dạng tín hiệu ECG sau đi đã sử dụng lọc wavelet để loại bỏ ảnh hưởng của nhịp thở ■ Kịch bản 3: Nhận dạng tín hiệu ECG có sử dụng đặc tính từ nhịp thở được đo đồng thời cùng tín hiệu ECG ■ Kịch bản 4: là trường hợp sử dụng tổng hợp cả hai giải pháp trong... được chất lượng nhận dạng tín hiệu ECG Ý nghĩa thực tiễn 6.2 Bài toán nhận dạng tín hiệu ECG có ý nghĩa thực tiễn cao, chất lượng nhận dạng có ảnh hưởng tới sức khỏe của người bệnh Vì vậy đề xuất một giải pháp mới nhằm nâng cao chất lượng nhận dạng tín hiệu ECG có ý nghĩa quan trọng trong thực tiễn, góp phần bổ sung vào các giải pháp hỗ trợ cho quá trình chẩn đoán, xác định, điều trị và theo dõi bệnh của. .. hiệu ECG đã được loại bỏ ảnh hưởng của nhịp thở bằng lọc wavelet c Hình 1.18: Một số ví dụ tín hiệu ECG bị ảnh hưởng của nhịp thở trong cơ sở dữ liệu MIT-BIH: a) Tín hiệu ECG bị rối loại nhịp tim, b) Tín hiệu ECG bị điều chế biên độ và c) Tín hiệu ECG bị trôi 1.6.2 Chương I: Tổng quan về ảnh hưởng của nhịp thở Cơ sở dữ liệu MGH/MF Cơ sở dữ liệu MGH/MF [109] gồm các bản ghi điện tử dạng sóng của tín hiệu