Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp tt

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI PHẠM VĂN NAM XÂY DỰNG MƠ HÌNH NHẬN DẠNG KẾT HỢP NHẰM NÂNG CAO ĐỘ CHÍNH XÁC PHÂN LOẠI TÍN HIỆU ĐIỆN TIM LOẠN NHỊP Ngành : Kỹ thuật Điều khiển Tự động hóa Mã số : 9520216 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HĨA -1Hà Nội-2018 Cơng trình hoàn thành tại: Trường Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: PGS.TSKH Trần Hoài Linh PGS TS Nguyễn Thị Lan Hương 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 ĐHBK Hà Nội -2- Thư viện Quốc gia Việt Nam MỞ ĐẦU Tính cấp thiết đề tài Hiện nay, nghiên cứu tín hiệu điện tim ECG quan tâm phát triển nước quốc tế số lý sau:  Việc nghiên cứu tín hiệu điện tim ECG dùng cho việc chẩn đốn sớm xác bệnh lý tim mạch, có ảnh hướng lớn đến sức khỏe người;  Bài tốn nhận dạng tín hiệu điện tim chưa giải triệt để tín hiệu điện tim ECG có độ biến đổi mạnh hình dáng biên độ trường hợp bị bệnh lý, trình thu thập theo dõi tín hiệu điện tim dễ bị ảnh hưởng yếu tố bên ngồi, nên tốn nhận dạng tín hiệu điện tim ECG có u cầu độ xác độ tin cậy cao tốn khó Do đó, có nhiều nhóm nghiên cứu nước quốc tế quan tâm, đầu tư phát triển giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG; Nhu cầu thiết bị y tế theo dõi thông số sức khỏe, có thiết bị đo điện tim, cụ thể:  Nhu cầu thiết bị đo điện tim thông minh, cầm tay, có chức nhận dạng tự động tín hiệu điện tim ECG Thiết bị cần thiết người có nguy mắc bệnh cao (như người béo phì, người cao tuổi, người nghiện hút thuốc…) giúp phát sớm bệnh lý tim mạch Ngồi ra, người điều trị cần có thiết bị đo điện tim gọn nhẹ để mang theo người để theo dõi lưu trữ liên tục tín hiệu điện tim Thiết bị cần có phần mềm tiện ích để hỗ trợ kết nối dễ dàng với bác sĩ, bệnh viện từ xa (ví dụ qua internet) để thuận tiện q trình theo dõi chẩn đốn nhanh;  Nhu cầu giải pháp nhận dạng tín hiệu điện tim có độ xác tin cậy cao, phân biệt nhiều loại bệnh để áp dụng cho nhiều đối tượng bệnh nhân, hỗ trợ bác sĩ chuẩn đốn nhanh xác bệnh tim mạch; -1- Mục đích nghiên cứu Xuất phát từ nhu cầu thực tế luận án tập trung nghiên cứu phát triển giải pháp để nâng cao độ xác tin cậy kết nhận dạng tín hiệu điện tim, sau triển khai tích hợp thiết bị đo điện tim, có khả phát triển thành sản phẩm hoàn chỉnh để phục vụ nhu cầu cấp thiết đời sống xã hội, cụ thể mục tiêu nghiên luận án sau:  Đề xuất xây dựng giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim (giảm số mẫu nhận dạng sai, giảm số trường hợp chẩn đốn âm tính sai FN);  Đề xuất giải pháp phù hợp, cho phép thực thuật toán khai triển hệ vi xử lý thơng dụng (cơng suất tính tốn nhỏ), để tiến tới phát triển hoàn thiện thiết bị đo cầm tay có chức nhận dạng tự động tín hiệu điện tim có độ xác cao Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu luận án:  Tín hiệu điện tim ECG, yếu tố ảnh hưởng đến tín hiệu điện tim;  Các mơ hình nhận dạng tín hiệu điện tim, giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim;  Nghiên cứu phương pháp đo thu thập tín hiệu điện tim Phạm vi nghiên cứu luận án:  Nhiễu tín hiệu điện tim phương pháp lọc nhiễu: Nghiên cứu tổng quan dạng nhiễu thường gặp tín hiệu điện tim phương pháp loại bỏ nhiễu;  Các thành phần đặc trưng tín hiệu điện tim: Nghiên cứu hình dạng thơng số loại nhịp tín hiệu điện tim, tập trung vào phức QRS, phương pháp trích chọn đặc tính;  Các mơ hình nhận dạng sử dụng trí tuệ nhân tạo phương pháp xây dựng mơ hình này: Tập trung nghiên cứu -2- mơ hình kinh điển mạng nơ-rôn MLP (Multi Layer Perceptron), logic mờ TSK (Takaga-Sugeno-Kang), máy véc-tơ hỗ trợ SVM (Support Vector Machines) rừng ngẫu nhiên RF (Random Forest);  Nghiên cứu mơ hình định DT (Decision Tree), khả ứng dụng để kết hợp kết từ mơ hình đơn, đánh giá kết giải pháp;  Thiết bị đo tiền xử lý tín hiệu điện tim: Tìm hiểu tổng quan mơ hình thiết bị đo triển khai ứng dụng thực tế, đánh giá ưu nhược điểm, đề xuất giải pháp cho luận án Đối với khối tiền xử lý, lựa chọn áp dụng phương pháp lọc nhiễu phù hợp với thiết bị đo (nhỏ gọn, xách tay, sử dụng vi xử lý thông dụng) Nghiên cứu khả triển khai mơ mơ hình trí tuệ nhân tạo mơ hình kết hợp đề xuất luận án thiết bị đo;  Nghiên cứu mơ hình phối hợp từ nhiều mơ hình nhận dạng đơn để nâng cao chất lượng so với mô hình đơn Ý nghĩa khoa học thực tiễn đề tài  Ý nghĩa khoa học: Luận án đề xuất giải pháp nâng cao chất lượng (độ xác) nhận dạng tín hiệu điện tim dựa việc sử dụng định để kết hợp song song nhiều mơ hình nhận dạng đơn Các đề xuất kiểm nghiệm hai liệu, bốn mơ hình nhận dạng đơn 20 phương án kết hợp  Ý nghĩa thực tiễn: Mục tiêu nâng cao chất lượng nhận dạng điện tim vấn đề quan tâm nhu cầu cấp thiết thực tế phục vụ người bệnh Các thuật toán triển khai thử nghiệm mẫu số liệu kinh điển quốc tế để kiểm tra chất lượng, bước đầu thử nghiệm thiết bị tự xây dựng để kiểm tra tính đáp ứng thời gian thực, khả áp dụng vào thiết bị thông minh nhỏ gọn phục vụ người bệnh thực tế giải pháp cao -3- Những đóng góp luận án  Xây dựng giải pháp nhận dạng tín hiệu điện tim mới: Kết hợp nhiều mơ hình nhận dạng đơn để cải thiện độ thêm xác kết nhận dạng Các kết tính tốn mơ kiểm chứng tập số liệu mẫu chuẩn sở liệu MIT-BIH MGH/MF, sở liệu nhiều nhóm nghiên cứu nước quốc tế dùng để tham chiếu;  Đề xuất giải pháp khai triển tín hiệu điện tim ECG theo hàm Hermite sở cách đơn giản so với nghịch đảo ma trận để triển khai hệ vi xử lý có cơng suất tính tốn nhỏ để hướng tới sử dụng hiệu dòng vi xử lý thơng dụng Bước đầu thử nghiệm khả chạy phần mềm nhận dạng thiết bị tự thiết kế, đáp ứng thời gian thực Bố cục luận án Mở đầu: Trình bày vấn đề chung luận án, tóm tắt nội dung nghiên cứu, đóng góp bố cục luận án Chương I: Trình bày tổng quan tín hiệu điện tim ECG, số yếu tố ảnh hưởng đến tín hiệu ECG, tham khảo cơng trình nghiên cứu phương pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG, chương đề xuất định hướng nghiên cứu luận án trình bày khái quát sở liệu sử dụng luận án Chương II: Chương trình bày chi tiết khối: Thu thập, tiền xử lý phương pháp trích chọn đặc tính Chương III: Đây nội dung nghiên cứu luận án, phần đầu trình bày giải pháp sử dụng định để kết hợp kết hệ thống nhận dạng đơn Tiếp theo, trình bày mơ hình nhận dạng đơn mạng nơ-rơn truyền thẳng nhiều lớp MLP, mạng nơ-rôn logic mờ TSK, máy véc-tơ hỗ trợ SVM rừng ngẫu nhiên RF Cuối cùng, đề xuất phương án thiết kế phần cứng cho thiết bị đo tín hiệu điện tim -4- Chương IV: Chương trình bày phương pháp tạo liệu học kiểm tra từ hai sở liệu MIT-BIH MGH/MF Kết xây dựng mơ hình nhận dạng tín hiệu ECG, kết thử nghiệm, đánh giải pháp đề xuất luận án Phần cuối cùng, kết luận hướng phát triển, danh mục tài liệu tham khảo, cơng trình cơng bố luận án CHƯƠNG I: TỔNG QUAN CÁC PHƯƠNG PHÁP NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG ECG 1.1 Tổng quan tín hiệu điện tim ECG Mục giới thiệu tổng quan tín hiệu điện tim ECG, số yếu tố ảnh hưởng đến tín hiệu điện tim 1.2 Tình hình nghiên cứu phương pháp nâng cao chất lượngnhận dạng tín hiệu điện tim ECG 1.2.1 Tình hình nghiên cứu Mục giới thiệu tóm tắt số cơng trình nghiên cứu tín hiệu điện tim năm vừa qua 1.2.2 Một số giải pháp nâng cao chất lượng nhận dạng Giới thiệu số giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim, cụ thể:  Khối tiền xử lý: Một số thuật tốn lọc nhiễu cho tín hiệu đo đề xuất sử dụng kết hợp làm tăng độ xác kết nhận dạng, nghiên cứu gần luận án TS Nguyễn Đức Thảo (năm 2016 [4]) sử dụng wavelet để loại bỏ ảnh hưởng nhịp thở bệnh nhân giảm sai số xuống 11,43% thử nghiệm nhận dạng loại bệnh tim sở liệu MIT-BIH giảm sai số xuống 11,29% thử nghiệm nhận dạng loại bệnh tim sở liệu MGH/MF  Khối trích chọn đặc tính: Là khối ảnh hưởng lớn đến kết nhận dạng, trình bày có nhiều phương pháp trích chọn đặc tính, phương pháp -5-  nhiều nghiên cứu áp dụng sử dụng hệ số khai triển phức QRS wavelet hay hàm Hermite sở để tạo véc-tơ đặc tính Hệ thống nhận dạng tín hiệu điện tim: Độ xác kết nhận dạng phụ thuộc lớn vào khối nhận dạng phi tuyến Đã có nhiều nghiên cứu áp dụng loại mơ hình nhận dạng phi tuyến để cải thiện chất lượng nhận dạng tín hiệu điện tim, từ mơ hình nhận dạng kinh điển nơrơn MLP (Multi Layer Perceptron), mạng logic mờ TSK (Takaga-Sugeno-Kang), đến công cụ máy véc-tơ hỗ trợ SVM (Support Vector Machines) rừng ngẫu nhiên RF (Random Forest), Deep Learning sử dụng, thông thường mơ hình nhận dạng phí tuyến có chất lượng nhận dạng tốt so với mô hình cũ, ví dụ [78] hệ thống nhận dạng loại nhịp tim sử dụng hàm sở Hermite để trích chọn đặc tính, kết thử nghiệm với mơ hình TSK, SVM sở liệu MIT-BIH, kết sai số nhận dạng giảm từ 3,26% dùng mạng TSK xuống 1,96 % dùng SVM 1.2.3 Nâng cao độ xác mơ hình kết hợp Do kết chẩn đốn bệnh tim mạch ảnh hưởng trực tiếp đến sức khỏe bệnh nhân, nên hệ thống nhận dạng tự động tín hiệu điện tim có u cầu độ xác, ổn định, tin cậy ngày cao Khi nhận dạng kiểm tra đối tượng đầu vào giải pháp có thuật tốn xử lý riêng để đưa kết nhận dạng riêng Các giải pháp khác đưa kết khác (nếu nhiều mơ hình đưa kết thống kết thường có độ tin cậy cao) Do tốn thực tế, ta thường khơng có giải pháp nhận dạng có độ xác tuyệt đối, nên giải pháp đơn lẻ có xác suất gây lỗi (mỗi giải pháp bị lỗi nhận dạng sai với nhóm mẫu khác nhau) Từ ngun nhân mà có nhiều tác giả đề xuất giải pháp “mơ hình kết hợp” tức sử dụng đồng thời nhiều mơ hình nhận dạng đơn đưa thêm khâu xử lý nữa, nhiệm vụ khâu xử lý thêm kết hợp kết -6- mơ hình nhận dạng đơn để đưa kết luận cuối Một số ưu điểm “mơ hình kết hợp”:  Mỗi “mơ hình đơn” coi chun gia độc lập, việc kết hợp nhiều chuyên gia cho kết đáng tin cậy hơn, tận dụng ưu điểm mơ hình đơn;  Sử dụng đánh giá từ nhiều góc độ, từ nhiều phương pháp khác nên thơng tin phong phú dẫn tới chất lượng định cao Ý tưởng mơ hình kết hợp áp dụng lĩnh vực khác như: [68] Cho nhận dạng hình ảnh, [17] sinh trắc học nhận dạng khuôn mặt, [89] áp dụng cho hệ thống đo nồng độ khí đa năng, Tuy nhiên, phương pháp kết hợp có nhược điểm làm hệ thống nhận cồng kềnh phức tạp hơn, nên áp dụng toán nhận dạng phức tạp, u cầu độ xác cao Trên hình 1.4 sơ đồ khối tổng quát hệ thống nhận dạng tín hiệu điện tim sử dụng mơ hình kết hợp, có M mơ hình nhận dạng đơn, kết mơ hình nhận dạng đơn yi, z kết luận cuối sau khối kết hợp kết Hình 1.4: Sơ đồ chung mơ hình kết hợp Trong nghiên cứu [22] tác giả sử dụng mơ hình kết hợp ba mơ hình nhận dạng SVM đơn để nhận dạng sáu loại nhịp tim làm độ xác tăng khoảng 0,2%, nghiên cứu [31] tác giả kết hợp 15 mơ hình nhận dạng SVM đơn có độ xác dải 98% ÷ 98,77%, kết mơ hình kết hợp có độ xác 98,65 % thấp so với kết cao mơ hình SVM đơn 98,77 lại có độ ổn định cao hơn, hay [12] tác -7- giả sử dụng mạng nơ-rôn MLP làm mơ hình nhận dạng thành phần, thử nghiệm sở liệu MIT-BIH có độ xác tăng thêm khoảng 1,5% Xu hướng dùng mơ hình nhận dạng đơn lẻ sử dụng thuật toán khác phổ biến so với việc sử dụng loại ví dụ Xu hướng hợp lý nâng cao ưu điểm mơ hình nhận dạng đơn lẻ Như nghiên cứu [25] tác giả sử dụng hai thuật toán phân loại khác SVM PSO (Particles Swarm Optimization) gọi hệ thống nhận dạng PSO-SVM, kết thử nghiệm sở liệu MIT-BIH có độ xác tăng khoảng 4%, [23] tác giả kết hợp mạng logic mờ Fuzzy KNN (Fuzzy K Nearest Neighbors) mạng MLP cho kết có độ xác cải thiện từ 97.3% lên 98% Một số giải pháp phối hợp kết thông dụng đề xuất như: Biểu theo đa số [22, 31], biểu có trọng số [78, 103], tổng hợp theo xác suất điều kiện Bayes [78]… Các giải pháp kết hợp đơn giản, điều dễ hiểu mơ hình kết hợp phức tạp dùng nhiều mơ hình nhận dạng đơn, khối lượng tính tốn lớn nên khâu kết hợp tác giả thường lựa chọn giải pháp đơn giản, hay dùng giải pháp biểu theo đa số Về số lượng mơ hình đơn, thực tế sử dụng kết hợp hai mơ hình đơn xảy mẫu thuẫn kết từ hai hệ đơn ta khơng có sở chắn để kết luận hệ đơn đúng, hệ đơn sai Vì thế, đa số mơ hình kết hợp sử dụng số lượng mơ hình sở từ ba hệ thành phần trở lên (nhiều cơng trình khuyến cáo sử dụng số mơ hình đơn số lẻ để đưa kết luận cuối cùng, trường hợp biểu theo đa số) 1.3 Định hướng nghiên cứu luận án Từ phân tích trên, nghiên cứu sinh định hướng sử dụng mơ hình kết hợp để cải thiện chất lượng nhận dạng tín hiệu điện tim ECG Các giải pháp đơn giải pháp có chất lượng cao sử dụng nghiên cứu trước đây, hình 1.5 sơ đồ khối mơ hình đề xuất luận án, Ci mơ hình -8- sử dụng số liệu phân tích từ phức QRS hai giá trị thời gian khoảng cách R-R, trung bình 10 khoảng cách R-R cuối để làm sở nhận dạng Theo khảo sát, phức QRS kéo dài khoảng 100ms, nhiên trường hợp bệnh lý phức kéo dài gấp vài lần Vì vậy, NCS lựa chọn độ dài 250ms xung quanh đỉnh R đủ rộng để chứa toàn đoạn QRS, tần số lấy mẫu tín hiệu điện tim 360Hz 250ms tương ứng với khoảng 91 giá trị xung quanh đỉnh R (ta lấy 45 giá trị liền trước đỉnh 45 giá trị từ đỉnh phía sau) Để phát đỉnh R giải pháp cho thiết bị cầm tay, luận án áp dụng thuật toán Pan Tompkins đưa vào năm 1985 [36] phát triển tiếp vào năm 1986 [62] Véc-tơ đặc tính x   c0 , , c15 , RRlast , RRmean    nhịp (phức QRS) gồm 18 thành phần: 18  16 hệ số khai triển ci  i   15 tín hiệu điện tim ECG theo hàm Hermite;  đặc tính miền thời gian tín hiệu điện tim, RRlast  khoảng cách hai đỉnh R liên tiếp (còn gọi khoảng cách R-R), RRmean  giá trị trung bình 10 khoảng cách R-R cuối CHƯƠNG III GIẢI PHÁP KẾT HỢP CÁC MƠ HÌNH NHẬN DẠNG ĐỂ CẢI THIỆN CHẤT LƯỢNG 3.1 Kết hợp kết mơ hình định 3.1.1 Mơ hình chung để kết hợp nhiều giải pháp nhận dạng Hình 3.1 biểu diễn sơ đồ chung mơ hình kết hợp sử dụng nhiều mơ hình nhận dạng đơn, đó, M  số mơ hình nhận dạng đơn, xin  tín hiệu điện tim ECG đầu vào, Pi  khối tiền xử lý trích chọn đặc tính, Ci  khối phân loại, z  kết nhận dạng cuối tương ứng với tín hiệu điện tim đầu vào xin - 11 - Hình 3.1: Sơ đồ chung mơ hình kết hợp sử dụng nhiều mơ hình nhận dạng đơn Nhìn chung, mơ hình nhận dạng sở làm việc độc lập với tín hiệu điện tim đầu vào xin từ chuyển đạo khác nhau, khối tiền xử lý trích chọn đặc tính Pi dùng phương pháp khác Như trình bày phần mở đầu, định hướng nghiên cứu luận án sử dụng chung phương pháp tiền xử lý trích chọn đặc tính  P1  P2    PM  cho mơ hình nhận dạng đơn Ci (như miêu tả hình 1.5) Nếu tốn nhận dạng N loại nhịp tim khác nhau, mơ hình nhận dạng đơn Ci (với i=1, 2,…, M) có M kết y i (với i=1, 2,…, M) biểu diễn dạng véc-tơ, véc-tơ yi lý tưởng có giá trị ‘1’ tất giá trị lại ‘0’, thông thường giá trị chúng thường dao động khoảng [0, 1] Trong luận án, kết đầu y i từ mơ hình nhận dạng sở hợp lại thành véc-tơ tổng Y (có kích thước M  K ) tiếp tục xử lý khối tổng hợp kết để đưa kết luận cuối véc-tơ z (có kích thước K) tương ứng với mã K loại nhịp tim khác - 12 - x   c0 , , c15 , RRlast , RRmean   18 y1   y11 y12 y1K  y   y21 y22 y2 K  y M   yM yM yMK  Y   M K Y   y1 y  y M    y11 y12  y1K y21 y22  y2 K  yM yM  yMK  Hình 3.2: Sơ đồ khối chung hệ thống kết hợp song song nhiều mơ hình đơn 3.1.2 Quy trình xây dựng định DT cho khối tổng hợp kết 3.1.3 Cây định Cây định mơ hình xử lý tín hiệu kinh điển sử dụng rộng rãi nhiều ứng dụng thực tế Cây đồ thị khơng có chu trình Đồ thị G định nghĩa chung hai tập hợp G=(V,E), V tập hợp nút (vertex) E tập hợp cạnh (edge) nối hai nút tập V Đối với cây, ta sử dụng trường hợp cạnh có hướng Khi đồ thị G khơng có chu trình kín gọi Với ta có [2]:  Tồn nút gọi nút gốc; - 13 -   Các nút nối với nhánh có hướng gọi cành Với cành, nút gốc gọi nút cha/mẹ, nút nút con; Mỗi nút có từ đến nhiều nút Các nút khơng có nút gọi (nút) lá/ngọn 3.2 Các mơ hình nhận dạng đơn Nội dung mục giới thiệu mơ hình nhận dạng đơn: MLP, TSK, SVM RF 3.3 Đề xuất mơ hình thiết bị có tích hợp chức nhận dạng CHƯƠNG IV: KẾT QUẢ TÍNH TỐN VÀ MƠ PHỎNG 4.1 Xây dựng số liệu mẫu 4.1.1 Cơ sở liệu MIT-BIH Để nhằm mục đích so sánh với cơng trình trước đây, luận án sử dụng mẫu số liệu nghiên cứu [4, 78], cụ thể nhận dạng chứng rối loạn nhịp tim xuất phát từ sở đoạn QRS tín hiệu điện tim từ 19 bệnh nhân Số lượng chi tiết số mẫu sử dụng thống kê chi tiết bảng 4.1 bảng 4.2 đây: Bảng 4.1: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại rối loạn nhịp tim từ CSDL MIT-BIH Loại nhịp N L R A V I E Tổng Tổng số mẫu 2000 1200 1000 902 964 472 105 6643 Số mẫu học 1065 639 515 504 549 271 68 3611 - 14 - Số mẫu kiểm tra 935 561 485 398 451 201 37 3068 Bảng 4.2: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp Loại nhịp Tổng số mẫu Số mẫu học Số mẫu kiểm tra Normal 2000 1065 935 Abnormal 4643 2546 2133 Tổng 6643 3611 3068 4.1.2 Cơ sở liệu MGH/MF Luận án lựa chọn sử dụng mẫu tín hiệu ECG 20 ghi có mã số là: 029, 030, 058, 105, 106, 107, 108, 110, 111, 114, 117, 119, 121, 123, 124, 125, 128, 131, 137, 142 Số lượng chi tiết số mẫu sử dụng thống kê chi tiết bảng 4.3 bảng 4.4 đây: Bảng 4.3: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp Loại nhịp Tổng số mẫu Số mẫu học Số mẫu kiểm tra N 3000 1997 1003 S 750 502 248 V 750 501 249 Tổng 4500 3000 1500 Bảng 4.4: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp Loại nhịp Tổng số mẫu Số mẫu học Số mẫu kiểm tra Normal 3000 1997 1003 Abnormal 1500 1003 497 Tổng 4500 3000 1500 4.2 Cách đánh giá chất lượng mơ hình nhận dạng Các mơ hình nhận dạng (các mơ hình đơn mơ hình kết hợp) đánh giá thông qua tiêu đánh sau:  Số mẫu nhận dạng sai; - 15 -  FN (False Negative): Số trường hợp chẩn đốn âm tính sai, (là bệnh nhân ốm chẩn đốn bình thường);  TN (True Negative): Số trường hợp chẩn đoán âm tính đúng;  FP (False Positive): Số trường hợp chẩn đốn dương tính sai, tức trường hợp người bình thường chẩn đốn có bệnh;  TP (True Positive): Số trường hợp chẩn đốn dương tính đúng;  Sensitivity: Tỷ lệ chẩn đốn dương tính đúng,  Specificity: Tỷ lệ chẩn đốn âm tính đúng, Mơ hình nhận dạng có chất lượng độ tin cậy cao số mẫu nhận dạng sai, số chẩn đốn dương tính sai FP, số chẩn đốn âm tính sai FN thấp, tỷ lệ chẩn đốn dương tính Sensitivity, tỷ lệ chẩn đốn âm tính Specificity cao 4.4 Kết thử nghiệm với mơ hình kết hợp định 4.4.1 Thử nghiệm kết hợp ba mạng sở MLP, TSK SVM Khi sử dụng ba mơ hình nhận dạng sở MLP, TSK SVM ta có hệ thống kết hợp thu kết bảng 4.18 sau Bảng 4.18: Ma trận phân bố kết nhận dạng loại mẫu nhịp mơ hình kết hợp MLP, TSK, SVM Mẫu N L R A V I E N 928 1 10 0 L 557 R 481 A 383 0 V 446 0 I 0 1 198 E 0 0 37 Tổng sai số 4 15 Kết - 16 - Bảng 4.19: Các thông số đánh giá chất lượng mơ hình sở mơ hình kết hợp MLP-TSK-SVM nhận dạng loại nhịp Loại mơ hình Sai số Sai số (%) FN TN FP TP Sens (%) Spec (%) MLP 110 3,59 18 905 30 2115 99,16 96,79 TSK 100 3,26 23 920 15 2110 98,92 98,40 SVM 60 1,96 15 919 16 2118 99,30 98,29 MLP-TSK-SVM 38 1,24 12 928 2121 99,44 99,25 Nhận xét kết   Trong bảng 4.18 ma trận phân bố kết mơ hình kết hợp (MLP-TSK-SVM), ta thấy hầu hết trường hợp nhận nhầm loại A N (số lần nhận nhầm A thành N 10), nguyên nhân hình dạng nhịp loại A N giống nhau, lỗi nhầm lẫn khác khơng đáng kế (≤ lỗi); Trong bảng 4.19 tổng hợp thơng số chất lượng mơ hình nhận dạng đơn mơ hình kết hợp Ta thấy, ba mơ hình nhận dạng sở SVM có chất lượng cao nhất, kết nhận dạng tiếp tục cải thiện sử dụng mơ hình kết hợp MLP-TSK-SVM định DT, so sánh với mơ hình sở tốt SVM tất tiêu chí đánh giá chất lượng có kết tốt hơn, cụ thể: - Sai số kiểm tra giảm 22 mẫu (từ 60 mẫu xuống 38 mẫu); - Số trường hợp chẩn đốn âm tính sai FN giảm mẫu (từ 15 mẫu xuống 12 mẫu); - Số trường hợp chẩn đoán dương tính sai FP giảm mẫu (từ 16 mẫu xuống mẫu); - Tỷ lệ chẩn đốn dương tính Sensitivity cải thiện thêm khoảng 0,14%; - Tỷ lệ chẩn đốn âm tính tính Specificity cải thiện thêm khoảng 0,96%; - 17 - Tiếp tục so sánh với giải pháp kết hợp kết phổ biến khác như: Majority voting (biểu theo đa số), weighted voting (bỏ phiếu có trọng số), Kullback–Leibler (theo xác suất thông kê), modified Bayes (theo xác suất điều kiện Bayes), kết lấy nghiên cứu Osowski cộng [78], từ kết bảng 4.7 ta rút số nhận xét sau:  Tất hệ thống nhận dạng sử dụng mơ hình kết hợp có kết nhận dạng tốt so với hệ thống nhận dạng sử dụng mơ hình nhận dạng, trường hợp kết 1,63% - trường hợp biểu theo đa số (majority voting), cao so với mơ hình nhận dạng đơn tốt SVM (1,96% bảng 4.6);  Mơ hình kết hợp dùng định DT có kết nhận dạng tốt với tỷ lệ nhận dạng sai 1,24% Bảng 4.20: Bảng kết mơ hình kết hợp kết ba mơ hình nhận dạng đơn MLP-TSK-SVM Phương pháp tổng hợp Majority voting Sai số 50 % Sai số 1,63 Weighted voting 42 1,37 Kullback–Leibler 45 1,47 Modified Bayes 48 1,56 Decision tree 38 1,24 Kết luận:   Qua kết thử nghiệm sở liệu MIT-BIH (là nhóm nghiên cứu quốc tế thường dùng để tham chiếu), nghiên cứu sinh minh chứng giải pháp kết hợp song song ba mơ hình nhận dạng sở (MLP, TSK, SVM) định DT tiếp tục nâng cao chất lượng kết nhận dạng tín hiệu điện tim ECG; Kết báo cáo tạp chí AMCS (International Journal of Applied Mathematics and Computer Science) (ISI/SCIE) - 18 - 4.4.2 Các thử nghiệm kết hợp khác Ngồi kết trình bày mục (4.4.1), luận án tiến hành thêm có số thử nghiệm sau:  Luận án khảo sát thêm mơ hình nhận dạng sở thứ rừng ngẫu nhiên RF, để có thêm nhiều trường hợp thử nghiệm khác như, ví dụ ta tạo trường hợp kết hợp như: (1) MLP-TSK-SVM, (2) MLP-TSK-RF, (3) MLP-RFSVM, (4) RF-TSK-SVM, (5) MLP-TSK-SVM-RF;  Thử nghiệm kết thêm với sở liệu MGH/MF;  Thử nghiệm kết nhận dạng hai loại nhịp (bình thường bất thường); Cụ thể tiến hành thêm bốn thử nghiệm: Thử nghiệm 1: Trên sở liệu MIT-BIH (cụ thể bảng 4.1), có kết bảng 4.21, để thuận tiện cho việc so sánh thông số mô hình nhận dạng sở mơ hình kết hợp, nghiên cứu sinh đưa lại kết mơ hình nhận dạng sở Bảng 4.21: Kết nhận dạng loại nhịp (CSDL MIT-BIH) mô hình đơn mơ hình kết hợp Loại mơ hình Sai số Sai số (%) FN TN FP TP Sens (%) Spec (%) MLP 110 3,59 18 905 30 2115 99,16 96,79 TSK 100 3,26 23 920 15 2110 98,92 98,40 SVM 60 1,96 15 919 16 2118 99,30 98,29 RF 70 2,28 20 914 21 2113 99,06 97,75 MLP-TSK-SVM 38 1,24 12 928 2121 99,44 99,25 MLP-TSK-RF 43 1,40 16 927 2117 99,25 99,14 MLP-RF-SVM 40 1,30 13 923 12 2120 99,39 98,72 RF-TSK-SVM 39 1,27 10 920 15 2123 99,53 98,40 MLP-TSK-SVM-RF 37 1,21 916 19 2129 99,81 97,97 - 19 - Thử nghiệm 2: Trên sở liệu MIT-BIH (cụ thể bảng 4.2), nhận dạng hai loại nhịp (bình thường bất thường) Bảng 4.22: Kết nhận dạng loại nhịp (CSDL MIT-BIH) mơ hình đơn mơ hình kết hợp Loại mơ hình Sai số Sai số (%) FN TN FP TP Sens (%) Spec (%) MLP 39 1,27 14 910 25 2119 99,34 97,33 TSK 41 1,34 17 911 24 2116 99,20 97,43 SVM 26 0,85 917 18 2125 99,62 98,07 RF 37 1,21 13 911 24 2120 99,39 97,43 MLP-TSK-SVM 21 0,68 920 15 2127 99,72 98,40 MLP-TSK-RF 22 0,72 921 14 2125 99,62 98,50 MLP-RF-SVM 23 0,75 921 14 2124 99,58 98,50 RF-TSK-SVM 16 0,52 924 11 2128 99,77 98,82 MLP-TSK-SVM-RF 15 0,49 927 2126 99,67 99,14 Thử nghiệm 3: Trên sở liệu MGH/MF (cụ thể bảng 4.3), nhận dạng ba loại nhịp N, S, V Bảng 4.23: Kết nhận dạng loại nhịp (CSDL MGH/MF) mơ hình đơn mơ hình kết hợp Loại mơ hình Sai số Sai số (%) FN TN FP TP Sens (%) Spec (%) MLP 66 4,40 26 979 24 471 94,77 97,61 TSK 73 4,87 44 983 20 453 91,15 98,01 SVM 32 2,13 991 12 491 98,79 98,80 RF 96 6,40 70 982 21 427 85,92 97,91 MLP-TSK-SVM 25 1,67 994 494 99,40 99,10 MLP-TSK-RF 30 2,00 10 992 11 487 97,99 98,90 MLP-RF-SVM 25 1,67 996 491 98,79 99,30 RF-TSK-SVM 25 1,67 994 492 98,99 99,10 MLP-TSK-SVM-RF 21 1,40 996 492 98,99 99,30 - 20 - Thử nghiệm 4: Trên sở liệu MGH/MF (cụ thể bảng 4.4), nhận dạng hai loại nhịp (bình thường bất thường) Bảng 4.24: Kết nhận dạng loại nhịp (CSDL MGH/MF) Loại mơ hình Sai số Sai số (%) FN TN FP TP Sens (%) Spec (%) MLP 37 2,47 22 988 15 475 95,57 98,50 TSK 62 4,13 37 978 25 460 92,56 97,51 SVM 20 1,33 989 14 491 98,79 98,60 RF 78 5,20 54 979 24 443 89,13 97,61 MLP-TSK-SVM 17 1,13 991 12 492 98,99 98,80 MLP-TSK-RF 20 1,33 989 14 491 98,79 98,60 MLP-RF-SVM 19 1,27 990 13 491 98,79 98,70 RF-TSK-SVM 18 1,20 991 12 491 98,79 98,80 MLP-TSK-SVM-RF 15 1,00 992 11 493 99,20 98,90 Đánh giá kết quả: Từ kết thử nghiệm ta có số đánh sau:   Sai số kiểm tra (số mẫu nhận dạng sai) mơ hình kết hợp đề thấp so với mơ hình nhận dạng sở, riêng có trường hợp – thử nghiệm 4, sai số mơ hình SVM mơ hình kết hợp MLP-TSK-RF có số mẫu nhận dạng sai 20; Số trường hợp chẩn đốn âm tính sai FN số trường hợp chẩn đốn dương tính sai FP phần lớn có kết tốt so với mơ hình nhận dạng sở, có bốn trường hợp kết hơn, cụ thể: - Trong thí nghiệm 1: Số trường hợp chẩn đốn âm tính sai FN (của MLP-TSK-RF) tăng mẫu (từ 15 mẫu lên 16 mẫu) so với FN (của SVM) Số trường hợp chẩn đốn dương tính sai PN (của MLP-TSK-SVM-RF) tăng mẫu (từ 15 mẫu lên 19 mẫu) so với FP (của TSK); - 21 -  - Trong thí nghiệm 2: Số trường hợp chẩn đốn âm tính sai FN (của MLP-RF-SVM) tăng mẫu (từ mẫu lên mẫu) so với FN (của SVM); - Trong thí nghiệm 3: Số trường hợp chẩn đốn âm tính sai FN (của MLP-TSK-RF) tăng mẫu (từ mẫu lên 10 mẫu) so với FN (của SVM); So sánh với kết thử nghiệm luận án TS Nguyễn Đức Thảo (năm 2016 [4]): - Khi thử nghiệm nhận dạng loại nhịp tim sở liệu MIT-BIH: Sai số kiểm tra mơ hình tổng hợp từ 1,21÷1,40% (kết thí nghiệm 1), thấp so với 2,6% [4]; - Khi thử nghiệm nhận dạng loại nhịp tim sở liệu MGH/MF: Sai số kiểm tra mơ hình tổng hợp từ 1,4÷2% (kết thí nghiệm 3), thấp so với 3,4% [4] 4.5 Kết thử nghiệm thiết bị Kết phần cứng: Ngoài kết lý thuyết thực tính tốn, mơ phỏng, nghiên cứu sinh có định hướng triển khai giải pháp thiết bị phần cứng để tiến tới hồn thiện thiết bị đưa vào ứng dụng thực tế Với mục đích đó, nghiên cứu sinh phân tích, lựa chọn linh kiện thi công phần cứng, bước đầu đóng gói thành thiết bị nhỏ gọn, với đầy đủ chức yêu cầu, thiết bị kích thước (11,5cm x 10,5cm x 5cm) Sử dụng điện cực đo chuyển đạo tay trái - tay phải, thể hình 4.11 Bước đầu, khâu thu thập tín hiệu điện tim thu thập tín hiệu với chất lượng tương tự thiết bị đo thơng dụng - 22 - Hình 4.11: Hình ảnh thiết bị đo kích thước (11,5cm x 10,5cm x 5cm) Kết thử nghiệm thuật toán: Bước đầu nghiên cứu sinh triển khai vi xử lý ARM thuật toán lọc số tách phức QRS, trích chọn đặc tính, chạy song song ba mơ hình nhận dạng đơn MLP, TSK, SVM, tổng hợp kết thuật toán định DT số liệu chuẩn lấy từ sở liệu MIT-BIH ta thu kết giống chạy máy tính, tốc độ đáp ứng thời gian thực KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Việc nghiên cứu tín hiệu điện tim ECG quan trọng sức khỏe người, nhu cầu nghiên cứu phát triển thuật toán nhận dạng để tăng độ xác, tin cậy Đặc biệt có nhu cầu cao thiết bị đo có tính hợp thêm chức nhận dạng tự động bệnh tim Đóng góp luận án đề xuất giải pháp cải thiện độ xác kết nhận dạng tín hiệu điện tim dựa hệ thống kết hợp nhiều mơ hình nhận dạng đơn Thuật tốn xây dựng luận án có ý đến tiêu chí tối ưu khối lượng tính tốn, gọn nhẹ để nhúng dòng vi xử lý nhằm hướng tới áp dụng vào thiết bị thông minh nhỏ gọn cho người bệnh thực tế Cụ thể đóng góp luận án sau: - 23 - Các đóng góp luận án Về mặt khoa học:  Đề xuất xây dựng giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim sử dụng định để kết hợp kết từ mơ hình nhận dạng đơn Giải pháp thử nghiệm thành công hai sở liệu chuẩn MIT-BIH MGH/MF cho thấy mơ hình kết hợp có sai số nhỏ hơn, đặc biệt sai số dạng FN nhỏ so với mơ hình nhân dạng đơn;  Đề xuất giải pháp phù hợp cho phép thực thuật toán khai triển tín hiệu ECG theo hàm Hermite để trích chọn đặc tính tín hiệu hệ vi xử lý có cơng suất tính tốn nhỏ Về mặt thực tiễn:  Triển khai thử nghiệm bước đầu tất khâu tính tốn hệ vi xử lý để tiến tới hoàn thiện thiết bị cầm tay có chức thu thập, phân tích nhận dạng tín hiệu điện tim theo giải pháp luận án;  Các kết làm sở để hướng đến mở rộng, hoàn thiện chế tạo dòng thiết bị điện tim thơng minh, nhỏ gọn, vừa có khả thu thập vừa có khả phân tích, nhận dạng trực tuyến bệnh lý tim mạch với độ xác cao, để đưa cảnh báo sớm cho người sử dụng Hướng phát triển luận án  Tiếp tục tìm hiểu thử nghiệm mơ hình nhận dạng để nâng cao độ xác độ tin cậy nhận dạng;  Tiếp tục cải thiện tốc độ tính tốn xử lý tín hiệu để tăng khả đáp ứng thời gian thực thiết bị;  Hoàn thiện thiết bị đo để tự thu thập sở liệu các bệnh nhân thực tế;  Hoàn thiện sở liệu với hỗ trợ bác sĩ chuyên ngành tim mạch - 24 - DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN Nguyễn Đức Thảo, Trần Hoài Linh, Phạm Văn Nam, Trương Tuấn Anh (2014), “Thiết kế thiết bị thu thập tự động nhận dạng thơng minh tín hiệu điện tim sử dụng cơng nghệ vi mạch khả trình”, Tạp chí Khoa học Công nghệ Đại học Thái Nguyên, Tập 122, số 08, Trang: 103-109 Trần Hoài Linh, Phạm Văn Nam, Vương Hoàng Nam (2015), “Multiple neural network integration using a binary decision tree to improve the ECG signal recognition accuracy”, International Journal of Applied Mathematics and Computer Science, vol 24(3), pp 647–655 Trần Hoài Linh, Phạm Văn Nam, Nguyễn Đức Thảo (2015), "A hardware implementation of intelligent ECG classifier", COMPEL: The International Journal for Computation and Mathematics in Electrical and Electronic Engineering, vol 34(3), pp 905 – 919 Phạm Văn Nam, Trần Hồi Linh, (2015), "Cơng nghệ nhúng thiết kế thiết bị đo điện tim có chức phát phức QRS", Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015), Trang: 146 – 151 Phạm Văn Nam, Nguyễn Thị Lan Hương, Trần Hoài Linh (2017), “Ứng dụng định cho giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim”, Tạp chí Khoa học Cơng nghệ Đại học Thái Nguyên, Tập 169, số 09, Trang: 81-87 Phạm Văn Nam, Trần Hoài Linh, Nguyễn Thị Lan Hương (2017), “Ứng dụng định để xây dựng mơ hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim”, Chuyên san Đo lường, Điều khiển Tự động hóa, số 20, - 25 Trang: 76-81 ... cứu luận án:  Tín hiệu điện tim ECG, yếu tố ảnh hưởng đến tín hiệu điện tim;  Các mơ hình nhận dạng tín hiệu điện tim, giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim;  Nghiên cứu... dụng toán nhận dạng phức tạp, u cầu độ xác cao Trên hình 1.4 sơ đồ khối tổng quát hệ thống nhận dạng tín hiệu điện tim sử dụng mơ hình kết hợp, có M mơ hình nhận dạng đơn, kết mơ hình nhận dạng đơn... giới thiệu tổng quan tín hiệu điện tim ECG, số yếu tố ảnh hưởng đến tín hiệu điện tim 1.2 Tình hình nghiên cứu phương pháp nâng cao chất lượngnhận dạng tín hiệu điện tim ECG 1.2.1 Tình hình nghiên