Ứng dụng wavelet loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG nhằm nâng cao chất lượng nhận dạng tín hiệu ECG

Bài báo này trình bày một giải pháp ứng dụng wavelet loại bỏ ảnh hưởng của nhịp thở gây ra trong tín hiệu ECG nhằm nâng cao chất lượng nhận dạng tín hiệu ECG. Giải pháp thực hiện bao gồm hai bước: 1. loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG bằng wavelet Coiflet bậc 4, 2. sử dụng mạng nơron TSK nhận dạng tín hiệu ECG. Các thử nghiệm được thực hiện trên tín hiệu ECG được lấy từ bộ cơ sở dữ liệu MGHMF để kiểm chứng hiệu quả của giải pháp được đề xuất.

Hội nghị toàn quốc lần thứ Điều khiển Tự động hóa VCCA 2015 DOI: 10.15625/vap.2015.0007 Ứng dụng wavelet loại bỏ ảnh hưởng nhịp thở tín hiệu ECG nhằm nâng cao chất lượng nhận dạng tín hiệu ECG Application wavelet removing the influence of Respiration to improve ECG signal quality ECG signal recognition Trần Hoài Linh Nguyễn Đức Thảo Đinh Văn Nhượng Trường ĐHBK Hà Nội Trường Đại học Sao Đỏ Trường Đại học Sao Đỏ linh.tranhoai@hust.edu.vn ducthao.edu@gmail.com nhuongdv2000@gmail.com theo dõi diễn biến bệnh tim mạch Việc sử dụng Tóm tắt Bài báo trình bày giải pháp ứng dụng wavelet loại bỏ ảnh hưởng nhịp thở gây tín hiệu ECG nhằm nâng cao chất lượng nhận dạng tín hiệu ECG Giải pháp thực bao gồm hai bước: loại bỏ ảnh hưởng nhịp thở tín hiệu ECG wavelet Coiflet bậc 4, sử dụng mạng nơ-ron TSK nhận dạng tín hiệu ECG Các thử nghiệm thực tín hiệu ECG lấy từ sở liệu MGH/MF để kiểm chứng hiệu giải pháp đề xuất Từ khóa: Tín hiệu điện tim đồ (Tín hiệu ECG), mạng TSK, phép biến đổi wavelet, wavelet coiflet bậc Abstract This paper presents a solutions application wavelet removing the effects of breathing in ECG signal to improve the accuracy in the recognition the ECG signals Solutions implementation consists of two steps: removing the effects of breathing in the ECG signal by wavelet Coiflet level 4, using neural TSK network recognition ECG signal The test was performed on the ECG signal is taken from the MGH/MF database to verify the effectiveness of the proposed solution Keywords: Electrocardiograph signal (ECG signal), TSK network, wavelet transform, wavelet coiflet Phần mở đầu Bài toán nhận dạng tín hiệu ECG có nhu cầu thực tiễn cao 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 hoạt động hô hấp gây Đã có nhiều nghiên cứu đề xuất loại bỏ ảnh hưởng nhịp thở tín hiệu ECG [2,3,4,5,6] Tuy nhiên phương pháp làm ảnh hưởng đến đặc tính hình dạng tín hiệu ECG ảnh hưởng đến kết nhận dạng tín hiệu ECG Bài báo đề xuất giải pháp sử dụng wavelet phù hợp loại bỏ ảnh hưởng nhịp thở gây tín hiệu ECG làm ảnh hưởng nhỏ đến đặc tính tín hiệu ECG để nâng cao độ tin cậy độ xác kết nhận dạng tín hiệu ECG hỗ trợ cho bác sĩ công tác chẩn đoán, xác định bệnh, điều trị VCCA 2015 wavelet để loại bỏ ảnh hưởng nhịp thở tín hiệu ECG wavelet công cụ sử dụng phổ biến để loại bỏ loại nhiễu nói chung tín hiệu Đặc biệt, với tín hiệu ECG họ wavelet có hình dạng tương đồng nên khả loại bỏ nhiễu cải thiện Để kiểm chứng hiệu giải pháp đề xuất, báo sử dụng mẫu tín hiệu ECG chuẩn lấy từ sở liệu MGH/MF[12] Các mẫu tín hiệu ECG trước sau loại bỏ ảnh hưởng nhịp thở phân tích, trích chọn đặc tính hàm khai triển Hermite sử dụng mạng nơ-ron logic mờ TSK (Takaga - Sugeno - Kang) nhận dạng tín hiệu ECG Phân tích tín hiệu sử dụng wavelet Một họ wavelet định nghĩa từ hàm sở gọi hàm co dãn  ( x) [8,9] với tính chất sau:  ( x) hàm trực giao  ( x) định nghĩa theo kiểu đệ quy phụ thuộc  (2 x) N  ( x)   hn (2 x  n) n 0 Khi hệ số hn tạo thành lọc thông thấp LD (Low pass filter for Decomposition) tương ứng với họ wavelet hàm co dãn ban đầu Từ hệ số này, định nghĩa hàm sóng mẹ hay gọi hàm “sinh” họ wavelet xét: N  ( x)   (1) k hN  k  (2 x  k ) k 0  N  g k  (2 x  k ) (1) k 0 Trong hệ số g k  (1)k hN k tương ứng với lọc thông cao HD (High pass filter for Decomposition) Vì sử dụng họ wavelet để phân tích tín hiệu thành thành phần “xấp xỉ” ( a j  approximations) thành phần “chi tiết” ( d j  details) H Các thành phần xấp xỉ thành phần tần số thấp tín hiệu tạo từ lọc thông thấp, thành phần chi tiết thành 40 Hội nghị toàn quốc lần thứ Điều khiển Tự động hóa VCCA 2015 phần tần số cao tín hiệu tạo từ lọc thông cao Thành phần xấp xỉ a2 = a3 + d3 Thành phần xấp xỉ a(n) =a(n+1)+d(n+1) H Thành phần chi tiết d1 Thành phần chi tiết d2 Thành phần chi tiết d(n) Phân tích tín hiệu thành thành phần “xấp xỉ” “chi tiết” Mạng Nơ-ron logic mờ TSK Mô hình mạng TSK [10] có cấu trúc H xem hàm xấp xỉ y( x) : K  W ( x  Ai )  fi ( x) y ( x)  i 1 K Phân tích trích chọn đặc tính 2.1 Trích chọn đặc tính hàm Hermite Tín hiệu gốc x = a1 + d1 Thành phần xấp xỉ a1 = a2 + d2 DOI: 10.15625/vap.2015.0007 (2) Phân tích trích chọn đặc tính bước quan trọng toán nhận dạng, việc lựa chọn hàm phân tích phù hợp với đặc tính tín hiệu cải thiện chất lượng nhận dạng Đối với toán nhận dạng tín hiệu ECG sử dụng mô hình nhận dạng TSK có nhiều công trình đề xuất sử dụng hàm phân tích tín hiệu ECG hàm Hermite ECG [1] hàm phân tích tín hiệu Hermite có hình dạng tương đồng với tín hiệu ECG Hàm Hermite định nghĩa theo công thức sau:  n (t )       n! n  e  t2 H n (t ) (5) với H n (t ) đa thức Hermite định nghĩa dạng đệ quy: Hn1 (t )  2t.Hn (t )  2n.Hn1 (t ) (6) cho n  1, với H0 (t )  1; H1 (t )  2t  W ( x  Ai ) i 1 W ( x  Ai ) kích thích quy tắc suy luận thứ i hàm Gauss mở rộng [10] W ( x  Ai )   N1W j ( x j  Aij ) j (3) fi () hàm truyền đạt tuyến tính TSK, tính theo biểu thức (7): N   fi ( x)   pi   pik xk  (4) k 1   H Hàm Hermite với bậc khác Phức QRS tín hiệu ECG biểu thị đường cong s( t ) biểu thị điểm theo thời gian t0 , t1 , phân tích thành chuỗi đoạn tín hiệu hàm Hermite theo biểu thức sau: N 1 s (ti )   cn  n (ti ) n 0 H Cấu trúc mạng TSK Các thông số ban đầu quy tắc suy luận (các giá trị thành viên W ( x  Ai ) ) thông số pij hàm tuyến tính TSK huấn luyện cách sử dụng thuật toán lai lặp thông số: học tuyến tính học phi tuyến [1] VCCA 2015 (7) cn hệ số phân tích, n (ti ) – hàm Hermite sở bậc n [1] Trên H biểu điễn phức QRS tín hiệu ECG 5, 10, 12 16 hàm Hermite từ H cho thấy từ bậc 16 trở lên biểu diễn phức QRS tín hiệu ECG cho sai số đỉnh Q, R S đủ nhỏ Vì vậy, báo lựa chọn 16 thành phần phân tích hàm Hermite Ngoài 16 thành phần phân tích từ 16 Hermite đầu tiên, véc-tơ đặc tính đầu vào mô hình nhận dạng TSK sử dụng thêm hai thành phần là: khoảng R-R tức thời trung bình 10 khoảng R-R cuối [1] Khi véctơ đặc tính gồm 18 thành phần quy trình tạo véctơ đặc tính sau: Đọc vị trí đỉnh R liên tiếp phức QRS đường tín hiệu ECG 41 Hội nghị toàn quốc lần thứ Điều khiển Tự động hóa VCCA 2015 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 (3.19) 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 N=5 N=10 N=12 10 11 12 13 14 15 16 17 18 19 20 N=16 Đồng thời ghi có nhiều chuyển đạo nên để thuận tiện cho việc lập trình, tính toán so sánh kết quả, viết tác giả chọn sử dụng chuyển đạo chung ghi chuyển đạo II 4.2 Cơ sở liệu ECG Để kiểm chứng hiệu giải pháp đề xuất sử dụng 20 ghi lấy từ sở liệu MGH/MF (http://physionet.org) đánh số là: Mgh029, 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 mẫu loại nhịp gồm: nhịp bình thường (N - Normal sinus rhythm), nhịp ngoại tâm thu thất (V - Premature ventricular contraction) loạn nhịp thất (S - Supraventricular premature beat) mẫu bệnh xuất bệnh nhân đồng thời Từ tập hợp tổng cộng 4500 mẫu lấy từ 20 ghi (20 bệnh nhân) bảng 1, ta xây dựng số liệu cho trường hợp thử nghiệm 1.1, 2.1, 1.2, 2.2 nêu bảng Trong đó, thử nghiệm 1.1 2.1 thử nghiệm với tín hiệu ECG trước sau loại bỏ ảnh hưởng nhịp thở lọc wavelet Coiflet bậc theo dạng MGH/15-5; thử nghiệm 1.2 2.2 thử nghiệm với tín hiệu ECG trước sau loại bỏ ảnh hưởng nhịp thở lọc wavelet Coiflet bậc theo dạng MGH/19-1 Bảng 1: Phân chia số lượng mẫu loại nhịp STT Recoder Mgh029 Mgh030 Mgh058 VCCA 2015 N 150 150 150 Loại nhịp S 50 50 65 Mgh105 Mgh106 Mgh107 Mgh108 Mgh110 Mgh111 Mgh114 Mgh117 Mgh119 Mgh121 Mgh123 Mgh124 Mgh125 Mgh128 Mgh131 Mgh137 Mgh142 Tổng 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 3000 45 75 60 0 50 65 75 50 75 75 750 65 50 65 65 50 45 28 65 50 50 55 65 65 0 17 750 Bảng 2: Các trường hợp thử nghiệm Xấp xỉ tín hiệu ECG N bậc hàm Hermite H DOI: 10.15625/vap.2015.0007 V 12 MGH/15-5 MGH/19-1 Không lọc 1.1 1.2 Lọc wavelet 2.1 2.2 Các trường hợp thử nghiệm 1.1 2.1 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 Chúng tạm xét trường hợp phân chia tập hợp kiểm tra gồm toàn mẫu bệnh nhân (theo bảng 1): 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 1.2 2.2 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 1), tập hợp học gồm mẫu bệnh nhân lại Một số kết tính toán 5.1 Kết loại bỏ ảnh hưởng nhịp thở Đã có công trình nghiên cứu đề xuất sử dụng wavelet để loại bỏ ảnh hưởng nhịp thở tín hiệu ECG [7,8,9] Tuy nhiên đề xuất họ wavelet bậc tác giả khác [8] đề xuất wavelet Daubechies bậc 4; [7] đề xuất wavelet Daubechies bậc 3; [9] đề xuất wavelet Biorthogonal bậc 3.9… Vì báo tiến hành khảo sát nhiều họ wavelet với bậc khác tính toán thông số SNR, CORR, PRD theo công thức (2),(3) (4)  Tỉ số tín hiệu tạp âm (SNR - Signal to Noise Ratio)  n1  y  n   N SNR  10.log10  N x n 1   n  y  n  (2) 42 Hội nghị toàn quốc lần thứ Điều khiển Tự động hóa VCCA 2015  Độ tương quan (CORR - Percent of crosscorelation coeffcient)  n1  x  n  y  n   100 2 N N  x  n    n 1  y  n   n1     DOI: 10.15625/vap.2015.0007 - Điều chế biên độ tín hiệu ECG N CORR   (3) Phần trăm trung bình bình phương sai lệch (PRD - Percent Root mean square Difference)  n1  x  n  y n   N  n1  x  n   N PRD  100 (4) Các kết thực nghiệm tín hiệu ECG lấy từ sở liệu MGH/MF (bảng 3) sở tính toán thông số SNR, CORR PRD cho thấy họ wavelet từ bậc trở lên cho phép cải thiện chất lượng nhận dạng tín hiệu ECG họ wavelet Coiflet bậc (Coif4) cho kết tốt Vì báo đề xuất sử dụng họ wavelet Coiflet bậc loại bỏ ảnh hưởng nhịp thở tín hiệu ECG kết loại bỏ ảnh hưởng nhịp thở tín hiệu ECG sau Bảng 3: Kết tính toán thông số SNR, CORR PRD họ wavelet Họ wavelet SNR[dB] CORR[%] PRD[%] Db4 17.16 92.51 40.73 Sym4 17.19 92.53 40.66 Bior2.4 17.72 93.00 39.23 Coif4 19.27 94.17 35.45 Trên H H số ví dụ kết loại bỏ ảnh hưởng từ nhịp thở tín hiệu ECG sử dụng họ wavelet Coiflet bậc làm lọc Từ H H cho thấy tín hiệu ECG bị trôi dạt đường sở điều chế biên độ theo nhịp thở loại bỏ hoàn toàn họ wavelet Coiflet bậc - Trôi dạt đường sở tín hiệu ECG H Tín hiệu ECG ảnh hưởng nhịp thở tín hiệu ECG loại bỏ ảnh hưởng H Tín hiệu ECG ảnh hưởng nhịp thở tín hiệu ECG loại bỏ ảnh hưởng 5.2 Kết nhận dạng tín hiệu ECG Mô hình nhận dạng TSK sử dụng nhận dạng tín hiệu ECG xây dựng với số đầu vào 18 (tương ứng với 18 thành phần tín hiệu ECG: 16 thành phần hàm Hermite đặc tính khoảng R-R tức thời đặc tính trung bình 10 khoảng R-R cuối cùng); số đầu (tương ứng với loại nhịp) Chất lượng nhận dạng mô hình nhận dạng với tín hiệu ECG trước sau loại bỏ ảnh hưởng nhịp thở đánh theo ba tiêu chí:  Số trường hợp mẫu bị nhận dạng sai  Số trường hợp chuẩn đoán âm tính giả (FN – False Negative) trường hợp nhịp bệnh phát bình thường  Số trường hợp chuẩn đoán dương tính giả (FP – False Positive) trường hợp bình thường phát bệnh * Thuật toán điều chỉnh thông số mô hình nhận dạng sau:  Khảo sát số luật mô hình từ đến 20  Khởi tạo giá trị ban đầu thông số tuyến tính phi tuyến  Sử dụng thuật toán lặp để tối ưu hóa sai số chênh lệnh đầu mạng TSK với giá trị mã loại bệnh tín hiệu  Kiểm tra hàm sai số mục tiêu, kết đạt yêu cầu dừng trình học, ngược lại quay lại bước  Mạng sau học đánh giá dựa sai số với số liệu kiểm tra Bảng 4: Kết tính toán số chất lượng hai thử nghiệm dạng MGH/15-5 Trường hợp (15-5)_1 (15-5)_2 (15-5)_3 (15-5)_4 Trung bình VCCA 2015 Số mẫu kiểm tra 1089 1148 1089 1174 1125 Sai số 456 373 642 760 558 Thử nghiệm 1.1 FN 49 92 68 40 62 FP 383 192 473 600 412 Sai số 430 327 640 665 516 Thử nghiệm 2.1 FN 36 56 51 47 48 FP 366 193 483 506 387 43 Hội nghị toàn quốc lần thứ Điều khiển Tự động hóa VCCA 2015 DOI: 10.15625/vap.2015.0007 Bảng 5: Kết tính toán số chất lượng hai thử nghiệm dạng MGH/19-1 Trường hợp Thử nghiệm 2.1 Số mẫu Thử nghiệm 2.2 kiểm tra Sai số FP FN Sai số FP FN (19-1)_1 201 105 104 93 88 (19-1)_2 212 56 56 53 49 (19-1)_3 215 27 18 31 21 (19-1)_4 216 74 60 79 61 13 (19-1)_5 245 56 39 43 31 (19-1)_6 224 137 127 55 47 (19-1)_7 216 77 74 72 68 (19-1)_8 200 49 0 48 0 (19-1)_9 270 146 76 24 137 87 (19-1)_10 238 159 99 14 145 97 (19-1)_11 215 163 131 31 142 113 29 (19-1)_12 200 150 147 146 145 (19-1)_13 204 119 68 76 61 (19-1)_14 255 142 91 20 125 69 15 (19-1)_15 215 148 113 11 136 108 11 (19-1)_16 280 42 31 40 26 (19-1)_17 225 76 37 46 32 (19-1)_18 200 2 (19-1)_19 227 18 10 20 10 10 (19-1)_20 242 52 49 19 15 Trung bình 225 90 57  Bảng kết thử nghiệm trường hợp 1.1 2.1 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 :  Sai số kiểm tra trung bình giảm 42 mẫu (từ 558 mẫu xuống 516 mẫu) tương ứng với: 42 100%  ,53% 558  Các trường hợp FN trung bình giảm 14 mẫu (từ 62 mẫu xuống 48 mẫu) tương ứng với: 14 100%  14,58% 62  Các trường hợp FP trung bình giảm 25 mẫu (từ 412 mẫu xuống 387 mẫu) tương ứng với: 25 100%  6,07% 412 Bảng kết thử nghiệm trường hợp 2.1 2.2 theo dạng MGH/19-1 cho thấy việc loại bỏ ảnh hưởng nhịp thở tín hiệu ECG lọc wavelet giúp cải thiện chất lượng nhận dạng, cụ thể là: VCCA 2015 16 76 50 13 Sai số kiểm tra trung bình giảm 14 mẫu (từ 90 mẫu xuống 76 mẫu) tương ứng với: 14 100%  15,56% 90  Các trường hợp FN trung bình giảm mẫu (từ 16 mẫu xuống 13 mẫu) tương ứng với: 100%  18, 75% 16  Các trường hợp FP trung bình giảm mẫu (từ 57 mẫu xuống 50 mẫu) tương ứng: 100%  12, 28% 57 Kết luận hướng phát triển Bài báo đề xuất giải pháp loại bỏ ảnh hưởng nhịp thở tín hiệu ECG sử dụng họ wavelet Coiflet bậc nhằm cải thiện chất lượng nhận dạng tín hiệu ECG Các kết thực nghiệm sở liệu MGH/MF cho thấy kết nhận dạng tín hiệu ECG với loại nhịp (N, S V) sau loại bỏ ảnh hưởng nhịp thở họ wavelet Coiflet bậc cải thiệt so với trước loại bỏ ảnh hưởng nhịp thở: Với thử nghiệm dạng MGH(15-5) cải thiện được: sai số kiểm tra (7,53%), số trường hợp FP 44 Hội nghị toàn quốc lần thứ Điều khiển Tự động hóa VCCA 2015 DOI: 10.15625/vap.2015.0007 (6,07%), số trường hợp FN (14,58%) với thử nghiệm dạng MGH(19-1) cải thiện được: sai số kiểm tra (15,56%), số trường hợp FP (12,28%), số trường hợp FN (18,75%) Tuy nhiên thử nghiệm tiếp tục thử nghiệm với trường hợp đo nhịp thở tức thời với tín hiệu ECG khảo sát mô hình nhận dạng khác để so sánh chất lượng nhận dạng tín hiệu ECG [9] Tài liệu tham khảo [11] Gennady V Krasnikov, Miglena Y Tyurina, Arina V Tankanag, Galina M Piskunova, Nikolai K Chemeris, “Analysis of heart rate variability and skin blood flow oscillations under deep controlled breathing”, Respiratory Physiology & Neurobiology 185 (2013) [1] [2] [3] [4] Tran Hoai Linh, Stanisław Osowski, and Maciej Stodolski, “On-Line Heart Beat Recognition Using Hermite Polynomials and Neuro-Fuzzy Network”, IEEE Transactions on Instrumentation and Measurement, 2003 Philip Langley, Emma J Bowers, and Alan Murray, “Principal Component Analysis as a Tool for Analyzing Beat-to-Beat Changes in ECG Features: Application to ECG-Derived Respiration”, IEEE Transactions on Biomedical Engineering, Vol 57, No 4, April 2010 Cassani, R.; Mejia, P.; Tavares, J.A.; Sanchez, J.C., “Adaptive filtering for respiration influence reduction on Heart Rate Variability”, 2011 8th International Conference on Electrical Engineering Computing Science and Automatic Control (CCE) Seema rani; Amanpreet Kaur; J S Ubhi, “Comparative study of FIR and IIR filters for the removal of Baseline noises from ECG signal ” 2011 International Journal of Computation Science and Information Technology [5] R Lakhwani, S Ayub, JP Saini, “Design and Comparison of Digital Filters for Removal of Baseline Wandering from ECG Signal”, 2013 5th International Conference on Computational Intelligence and Communication Networks (CICN) [6] Rashid, A.; Zahooruddin; Qureshi, I.M.; Saleem, A “Electrocardiogram signal processing for baseline noise removal using blind source separation techniques”: A comparative analysis, International Conference onMachine Learning and Cybernetics, 2011 [7] Qi Haibing; Liu Xiongfei; Pan Chao “Discrete Wavelet Soft Threshold Denoise Processing for ECG Signal”, 2010 International Conference on Intelligent Computation Technology and Automation (ICICTA) [8] Vega-Martinez, G.; Alvarado-Serrano, C.; Leija-Salas, L “ECG baseline drift removal using discrete wavelet transform”, 2011 8th International Conference on Electrical Engineering Computing Science and Automatic Control VCCA 2015 Dejan Stantic; Jun Jo, “Selection of Optimal Parameters for ECG Signal Smoothing and Baseline Drift Removal”, Computer and Information Science, 2014 [10] Trần Hoài Linh, “Mạng Nơ-ron ứng dụng xử lý tín hiệu”, Nhà xuất bách khoa Hà nội – 2014 [12] http://physionet.org/physiobank/database Trần Hoài Linh sinh năm 1974, tốt nghiệp ĐHBK Vác-sa-va năm 1997 chuyên ngành Tin học ứng dụng, nhận Tiến sỹ chuyên ngành Kỹ thuật điện năm 2000 (ĐHBK Vác-sa-va), Tiến sỹ khoa học chuyên ngành Kỹ thuật điện Trí tuệ nhân tạo năm 2005 (ĐHBK Vác-sa-va) Từ năm 2007 phong hàm Phó Giáo sư Hiện Trần Hoài Linh công tác Viện Điện, trường ĐHBK Hà Nội Các nghiên cứu ông ứng dụng trí tuệ nhân tạo giải pháp đo lường, điều khiển tự động hóa, thiết bị đo thông minh, hệ chuyên gia Đinh Văn Nhượng sinh năm 1963, tốt nghiệp ĐHBK Hà nội năm 2002 chuyên ngành Kỹ thuật Tự động hóa, nhận Tiến sỹ chuyên ngành Đo lường Điều khiển năm 2010 Hiện Đinh Văn Nhượng công tác Trường Đại học Sao Đỏ Các nghiên cứu ông Kỹ thuật Điện Điện tử, ứng dụng trí tuệ nhân tạo giải pháp đo lường, điều khiển tự động hóa, thiết bị đo thông minh Nguyễn Đức Thảo sinh năm 1981, tốt nghiệp ĐHBK Hà nội năm 2004 chuyên ngành Điện tử viễn thông, nhận Thạc sỹ chuyên ngành Đo lường hệ thống điều khiển năm 2009.Hiện Nguyễn Đức Thảo công tác Khoa Điện tử - Tin học, Trường Đại học Sao Đỏ Các nghiên cứu ông ứng dụng trí tuệ nhân tạo giải pháp đo lường, điều khiển tự động hóa, thiết bị đo thông minh, hệ chuyên gia 45