Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp (Luận án tiến sĩ)

Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp (Luận án tiến sĩ)Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp (Luận án tiến sĩ)Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp (Luận án tiến sĩ)Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp (Luận án tiến sĩ)Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp (Luận án tiến sĩ)Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp (Luận án tiến sĩ)Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp (Luận án tiến sĩ)Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp (Luận án tiến sĩ)Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp (Luận án tiến sĩ)

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 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA Hà Nội – 2018 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 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TSKH TRẦN HOÀI LINH PGS TS NGUYỄN THỊ LAN HƯƠNG Hà Nội - 2018 LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu riêng dựa hướng dẫn PGS.TSKH Trần Hoài Linh, PGS.TS Nguyễn Thị Lan Hương tài liệu tham khảo trích dẫn Kết nghiên cứu trung thực chưa tác giả khác công bố Hà Nội, ngày 15 tháng 08 năm 2018 Tập thể Hướng dẫn Nghiên cứu sinh PGS.TSKH Trần Hoài Linh Phạm Văn Nam PGS.TS Nguyễn Thị Lan Hương i 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 PGS.TS Nguyễn Thị Lan Hương Tơi xin bày tỏ lòng biết ơn đến PGS.TSKH Trần Hoài Linh, PGS.TS Nguyễn Thị Lan Hương tận tình hướng dẫn học thuật, kiến thức kinh nghiệm trình thực luận án Tôi xin chân thành cảm PGS TS Nguyễn Quốc Cường Thầy giáo, Cô giáo 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 tơi q trình hồn thành luận án Tác giả luận án Phạm Văn Nam ii Mục lục MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC TỪ VIẾT TẮT vii DANH MỤC CÁC BẢNG BIỂU ix DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ x MỞ ĐẦU 1 Tính cấp thiết đề tài Mục đích nghiên cứu Đối tượng phạm vi nghiên cứu Ý nghĩa khoa học thực tiễn đề tài Những đóng góp luận án Bố cục luận án CHƯƠNG I: TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG TÍN HIỆU ECG 1.1 Tổng quan tín hiệu điện tim ECG 1.1.1 Giới thiệu chung thông số hình dạng sóng ECG 1.1.2 Một số yếu tố ảnh hướng đến tín hiệu điện tim 1.2 Tình hình nghiên cứu phương pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG 1.2.1 Tình hình nghiên cứu 1.2.2 Một số giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim 12 1.3 Định hướng nghiên cứu luận án 15 1.4 Cơ sở liệu sử dụng luận án 18 1.4.1 Cơ sở liệu MIT-BIH 18 1.4.2 Cơ sở liệu MGH/MF 18 1.5 Kết luận chương I 19 iii Mục lục CHƯƠNG II: THU THẬP, TIỀN XỬ LÝ VÀ TRÍCH CHỌN ĐẶC TÍNH TÍN HIỆU ĐIỆN TIM ECG 20 2.1 Thu thập tiền xử lý tín hiệu điện tim 20 2.1.1 Lựa chọn lọc thông thấp 21 2.1.2 Lựa chọn lọc thông cao 21 2.1.3 Lựa chọn Notch 50Hz 21 2.2 Trích chọn đặc tính 23 2.2.1 Phát đỉnh R 24 2.2.2 Phân tích phức QRS theo hàm Hermite sở 28 2.3 Kết luận chương II 34 CHƯƠNG III GIẢI PHÁP KẾT HỢP CÁC MƠ HÌNH NHẬN DẠNG ĐỂ CẢI THIỆN CHẤT LƯỢNG 35 3.1 Kết hợp kết mô hình định 35 3.1.1 Đề xuất mơ hình kết hợp 35 3.1.2 Quy trình xây dựng định DT cho khối tổng hợp kết 38 3.1.3 Cây định 39 3.2 Các mơ hình nhận dạng đơn 46 3.2.1 Mạng MLP 47 3.2.1.1 Cấu trúc mạng 47 3.2.1.2 Thuật toán học theo bước giảm cực đại cho mạng MLP 49 3.2.2 Mạng nơ-rôn mờ TSK 51 3.2.2.1 Cấu trúc mạng 51 3.2.2.2 Thuật toán học cho mạng TSK 53 3.2.3 Máy véc-tơ hỗ trợ SVM 59 3.2.4 Rừng ngẫu nhiên RF 62 3.3 Đề xuất mô hình thiết bị có tích hợp chức nhận dạng 63 3.4 Kết luận chương III 64 CHƯƠNG IV: KẾT QUẢ TÍNH TỐN VÀ MƠ PHỎNG 65 4.1 Xây dựng số liệu mẫu 65 4.1.1 Cơ sở liệu MIT-BIH 65 iv Mục lục 4.1.2 Cơ sở liệu MGH/MF 68 4.2 Cách đánh giá chất lượng mơ hình nhận dạng tín hiệu điện tim 70 4.3 Xây dựng mơ hình nhận dạng đơn kết 71 4.3.1 Quy trình xây dựng mơ hình đơn 71 4.3.2 Kết mơ hình nhận dạng đơn 74 4.3.2.1 Trên sở liệu MIT-BIH 74 4.3.2.2 Trên sở liệu MGH/MF 77 4.4 Kết thử nghiệm với mơ hình kết hợp định 79 4.4.1 Thử nghiệm kết hợp ba mạng sở MLP, TSK SVM 79 4.4.2 Các thử nghiệm kết hợp khác 82 4.5 Kết thử nghiệm thiết bị 85 4.4 Kết luận chương IV 91 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 92 Các đóng góp luận án 92 Hướng phát triển luận án 93 DANH MỤC CÁC TÀI LIỆU THAM KHẢO 94 DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN .105 PHỤ LỤC 106 Phân tích thiết kế phần cứng 106 v Danh mục từ viết tắt DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt A Tiếng Anh Tiếng Việt Premature Atrial Contractions Ngoại tâm thu nhĩ ADC Analog/Digital Converter Chuyển đổi tương tự /số ARM Advanced RISC Machine Một loại cấu trúc vi xử lý ART Adapvive Resonant Theory Mạng nơ-rôn ART AtrioVentricular Nút nhĩ thất CAM Configurable Analog Module Khối tương tự cấu hình DFT Discrete Fourier Transform Biến đổi Fourier rời rạc Decision Tree Cây định Binary Decision Tree Cây định nhị phân Ventricular Escape Beat Tâm thất lỗi nhịp ElectroCardioGram Điện tâm đồ FN False Negative Chẩn đốn âm tính sai FP False Positive Chẩn đốn dương tính sai FPAA Field Programable Analog Arrays Mạng lưới khối tương tự lập trình HDT Hybrid Decision Tree Hệ DT lai Ventricular Flutter Wave Rung thất Intergrated Circuit Mạch tích hợp Independent Component Analysis Phân tích thành phần độc lập Left Bundle Branch Block Beat Block nhánh trái LCD Liquid Crystal Display Màn hình tinh thể lỏng LVQ Learning Vector Quantization Mạng nơ-rôn LVQ MIT-BIH MIT-BIH Arrhythmia Database Cơ sở liệu MIT-BIH MGH/MF MGH/MF Waveform Database Cơ sở liệu MGH/MF Multi-Layer Perceptron Network Mạng nơron truyền thẳng nhiều lớp Personal Computer Máy tính cá nhân AV DT BDT E ECG I IC ICA L MLP PC vii Danh mục từ viết tắt PCA Principal Component Analysis Phân tích theo thành phần QRS QRS Complex Phức QRS R Right Bundle Branch Block Beat Block nhánh phải RF Random Forest Rừng ngẫu nhiên Supraventricular Premature Beat Loạn nhịp thất Secure Digital Thẻ nhớ SD SVD Singular Value Decomposition Phân tích theo giá trị kỳ dị SVM Support Vector Machines Máy véc-tơ hỗ trợ TSK Takaga - Sugeno - Kang Mạng nơ-rôn logic mờ TSK Premature Ventricular Contraction Ngoại tâm thu thất` S SD V viii Danh mục bảng biểu DANH MỤC CÁC BẢNG BIỂU Bảng 3.1: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp 42 Bảng 3.2: Ví dụ số liệu cụ thể sáu mẫu học (từ 1÷6) ba mẫu kiểm tra (từ 7÷9) 42 Bảng 3.3: Ma trận phân bố kết nhận dạng ba loại mẫu nhịp định 43 Bảng 3.4: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp 44 Bảng 3.5: Bảng số liệu học kiểm tra cho Ví dụ 44 Bảng 3.6: Kết nhận dạng Ví dụ 46 Bảng 4.1: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại rối loạn nhịp tim từ CSDL MIT-BIH 66 Bảng 4.2: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp 66 Bảng 4.3: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp 69 Bảng 4.4: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp 69 Bảng 4.5: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng MLP 75 Bảng 4.6: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng TSK 75 Bảng 4.7: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng SVM 76 Bảng 4.8: Ma trận phân bố kết nhận dạng loại mẫu nhịp RF 76 Bảng 4.9: Các thông số đánh giá chất lượng bốn mơ hình sở MLP, TSK, SVM RF nhận dạng loại nhịp, thử nghiệm CSDL MIT-BIH 76 Bảng 4.10: Ma trận phân bố kết nhận dạng loại mẫu nhịp: Normal abnormal 77 Bảng 4.11: Các thơng số đánh giá chất lượng bốn mơ hình sở MLP, TSK, SVM RF nhận dạng hai loại nhịp, thử nghiệm CSDL MIT-BIH 77 Bảng 4.12: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng MLP 77 Bảng 4.13: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng TSK 78 Bảng 4.14: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng SVM 78 Bảng 4.15: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng RF 78 Bảng 4.16: Các thông số đánh giá chất lượng bốn mơ hình sở MLP, TSK, SVM RF nhận dạng ba loại nhịp, thử nghiệm CSDL MGH/MF 78 ix Danh mục tài liệu tham khảo System Leveraging Support Vector Machines", Ninth IEEE International Conference on Bioinformatics and BioEngineering, p 254 – 259 83 S Haykin (1999), "Neural Networks", Pearson Education (Singapore) 84 Sabiq Faziludeen, P V Sabiq (2013), "ECG beat classification using wavelets and SVM", 2013 IEEE Conference on Information & Communication Technologies (ICT), pp 815-818 85 Stojanovic Filipovic, Debevc, Devedzic (2013), "On line ECG processing and visualization using android SmartPhone", 2013 2nd Mediterranean Conference on Embedded Computing (MECO), pp 93-96 86 Stanislaw Osowski, Linh Tran Hoai, Tomasz Markiewicz (2004), "Support Vector Machine-Based Expert System for Reliable Heartbeat Recognition", IEEE Transactions on Biomedical Engineering, pp 582-589 87 Smola Scholkop (2002), "Learning with Kernels", MIT Press, Cambridge, MA 88 Shin-Chi Lai, Chien-Sheng Lan, Sheau-Fang Lei (2013), "An efficient method of ECG signal compression by using a DCT-IV spectrum", 2013 International Conference on Communications, Circuits and Systems (ICCCAS), pp 46-49 89 S Chi-Hwa, Jun, W., Dong-Hun, S and Won-Don, L (2008), "Solving multi-sensor problem with a new approach", Proceedings of the First International Conference on the Applications of Digital Information and Web Technologies (ICADIWT), Ostrava, Czech Republic, pp 348–353 90 Shing-Tai Pan; Yi-Heng Wu; Yi-Lan Kung; Hung-Chin Chen (2013), "Heartbeat Recognition from ECG Signals Using Hidden Markov Model with Adaptive Features", 2013 14th ACIS International Conference on Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing (SNPD), pp 586-591 91 Shing-Tai Pan; Tzung-Pei Hong; Hung-Chin Chen (2012), "ECG signal analysis by using Hidden Markov model", 2012 International Conference on Fuzzy Theory and it's Applications (iFUZZY), pp 288-293 92 S.-L; Luo Chen, G.-A; Lin, T.-L (2013), "Efficient fuzzy-controlled and hybrid entropy coding strategy lossless ECG encoder VLSI design for wireless body sensor networks", Electronics Letters, vol 49(17) , 2013, pp 1058 - 1060 - 102 - Danh mục tài liệu tham khảo 93 S.A Anapagamini, Rajavel, R (2013), "Removal of artifacts in ECG using Empirical mode decomposition", International Conference on Communications and Signal Processing (ICCSP), pp 288-292 94 Swati Banerjee, Madhuchhanda Mitra (2014), "Application of Cross Wavelet Transform for ECG Pattern Analysis and Classification", IEEE Transactions on Instrumentation and Measurement, pp 326 - 333 95 T Hoai Linh, S Osowski, K Brudzewski (2004), "Neuro-fuzzy network for flavor recognition and classification", IEEE transactions on instrumentation and measurement, vol 53, no 3, pp 638-644 96 T.R.G; Geetha Nair, A.P; Asharani, M (2013), "Adaptive wavelet based identification and extraction of PQRST combination in randomly stretching ECG sequence", IEEE China Summit and International Conference on Signal and Information Processing, pp 278 - 282 97 Tea Marasović; Vladan Papić (2016), "Cardiac arrhythmia detection using DCT based compressive sensing and random forest algorithm”, 2016 International Multidisciplinary Conference on Computer and Energy Science (SpliTech) , pp - 98 Valtino X Afonso (1993), "ECG QRS Detection", Biomedical digital signal processing 99 Vijaya Kumar Can Ye, B.V.K and Coimbra, M.T (2012), "Combining general multiclass and specific two-class classifiers for improved customized ECG heartbeat classification", Proceedings of the 21st International Confe-rence on Pattern Recognition (ICPR 2012), Arlington, VA, USA, pp 2428–2431 100 V Vapnik (1998), "Statistical Learning Theory", Wiley, New York, NY 101 Wang Lee, Chen, Lin, Fang, Q (2014), "Implementation of a Wireless ECG Acquisition SoC for IEEE 802.15.4 (ZigBee) Applications", IEEE Journal of Biomedical and Health Informatics, vol 19, Issue: 1, Jan 2015), pp 247 - 255 102 Xin Liu; Jun Zhou; Yongkui Yang (2013), "A 457-nW cognitive multi-functional ECG processor", IEEE Asian Solid-State Circuits Conference (A-SSCC), pp 141 144 103 Yao Li, Qingning Zeng (2013), "ECG classification based on sparse constrained nonnegative-matrix factorization and decision tree", 2013 8th International ICST - 103 - Danh mục tài liệu tham khảo Conference on Communications and Networking in China (CHINACOM), pp 730733 104 Yun-Hong Noh; Jiunn Huei Yap; Do-Un Jeong (2013), "the Abnormal ECG Monitoring System Using Heartbeat Check Map Technique", 2013 International Conference on IT Convergence and Security (ICITCS), pp 1-4 105 Y Ying, Xiao-Long, W and Bing-Quan, L (2004), "A gradual combining method for multi-SVM classifiers based on distance estimation,”Proceedings of the 3rd International Conference on Machine Learning and Cybernetics, Shanghai, China, pp 3434–3438 106 Z Yujin, Yihua, T., Haitao L and Haiyan, G (2011), "A multi-classifier combined decision tree hierarchical classification method", Proceedings of the 2011 International Symposium on Image and Data Fusion (ISIDF), Yunnan, China, pp 1– 107 Zhenbo Wang; Wenfeng Zhang; An Luo Bobra (2013), "A high-quality, low-energy, small-size system-on-chip (SoC) solution enabling ECG mobile applications", Industrial Electronics Society, IECON 2013 - 39th Annual Conference of the IEEE, pp 8406-8409 108 J R Quinlan (1986), "Induction of Decision Trees", Machine Learning 1, pp 81106, 1986 109 http://www.physionet.org/physiobank/database/mghdb/ 110 http://www.physionet.org/physiobank/database/mitdb/ - 104 - Danh mục cơng trình cơng bố luận án 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 công nghệ vi mạch khả trình”, Tạp chí Khoa học Cơng nghệ Đại học Thái Nguyên, tập 122, số 08, trang: 103-109 Trần Hoài Linh, Phạm Văn Nam, Vương Hoàng 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 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, Iss: 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 Công 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, Trang: 76-81 - 105 - Phụ lục PHỤ LỤC Phân tích thiết kế phần cứng Khối thu thập chuẩn hóa tín hiệu Tín hiệu điện tim có hình dạng hình PL.1 Tín hiệu có giá trị biên độ nhỏ, với sóng R có biên độ lớn mức đến 2,5mV Tín hiệu ECG thường 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, q trình hơ hấp chuyển động bệnh nhân… Nhiệm vụ khối là: chuẩn hóa tín hiệu analog thu từ điện cực ECG dải biến thiên từ 0÷5V, tín hiệu thường xử lý qua khâu: khuếch đại tín hiệu khoảng 2000 lần, lọc analog Như đầu khối tín hiệu điện tim ECG loại bỏ phần nhiễu từ lọc analog, có biến độ khoảng 0÷5V Các chức thực IC FPAA Dòng chip lựa chọn thiết kế AN221E04 (hình PL.2) hãng Anadigm IC AN221E04 có tài nguyên phù hợp với việc thiết kế lọc cho tín hiệu điện tim Khối tiền xử lý tín hiệu IC FPAA Điện cực ECG Tiền khuếch đại Bộ lọc thông thấp Bộ lọc thông cao Bộ lọc Chắn điểm 50Hz Tới vi xử lý Hình PL.1: Sơ đồ mạch thu thập tín hiệu điện tim sử dụng IC FPAA Tất thiết kế sau cho FPAA thực thuận tiện phần mềm Anadigm Designer tích hợp kèm theo IC Người thiết kế cần thực công việc sau: - Lựa chọn chủng loại chip FPAA dựa tính chất ứng dụng - Chọn từ thư viện CAM khâu chức analog lập sẵn, ví dụ mạch khuếch đại, chỉnh lưu tích cực, lọc tích cực bậc cao Người thiết kế cần xác định tham số cho khối chọn Ví dụ giao diện dùng để thiết kế khối lọc khuếch đại thể hình PL.4; - 106 - Phụ lục - Cấu hình sau thiết kế xuất file mã hex ghi xuống nhớ vi xử lý (hoặc hệ số nói chung) để nạp cho FPAA khởi động Sơ đồ ghép nối cho trường hợp sử dụng vi xử lý ngồi nạp cấu hình cho FPAA giới thiệu hình PL.3 (a) (b) Hình PL.2: IC AN121E04 AN221E04 (a) sơ đồ bố trí chân AN221E04 (b) Hình PL.3: Sơ đồ ngun lý ghép nối FPAA với vi xử lý để nạp cấu hình cho FPAA Xây dựng cấu hình cho IC FPAA: ✓ Xây dựng lọc: - Thiết kế khâu lọc thông thấp: Trong thư viện CAM Anadigm Designer có khối CAM DC Blocking High Pass Filter with Optional LPF Sử dụng khối - 107 - Phụ lục CAM ta lựa chọn tần số cắt lọc thông thấp theo tần số theo giá trị tụ điện mắc nối tiếp đầu vào Do yêu cầu tín hiệu điện tim thu thập tồn phần tín hiệu có dải tần nằm khoảng 0,05Hz đến 150Hz Ta thiết lập tần số cắt cho tín hiệu 0,05Hz Với tần số lấy mẫu tín hiệu FPAA 16 kHz giá trị tụ điện mắc phía ngồi 740nF Ta chọn tụ điện loại C105 (1000nF) tần số cắt tín hiệu 0,037Hz, đạt yêu cầu sử dụng - Thiết kế khâu lọc thông cao: Sử dụng Biquadratic Filter làm khâu lọc thông thấp với tần số lấy mẫu tín hiệu 16kHz (bằng với tần số lấy mẫu khâu lọc thông cao), tần số cắt khâu lọc cho phép đặt dải từ 0,032kHz đến 1,6kHz Bằng cách thay đổi Quality Factor làm cho giới hạn tần số cắt hệ số khuếch đại khâu lọc thay đổi Với yêu cầu tần số cắt khâu lọc thông cao cho tín hiệu điện tim 150Hz ta đặt Quality Factor - Thiết kế khâu lọc chặn dải: Với thiết bị điện tim mini sử dụng nguồn chiều bị ảnh hưởng nhiễu nguồn điện xoay chiều tạo Tuy nhiên thiết bị sử dụng với nguồn cắm trực tiếp vào điện lưới dây điện cực cách ly cần thiết kế lọc có khâu lọc chặn dải cho tần số điện lưới Bộ lọc chặn dải lựa chọn lọc Chebyshev Công cụ Anadigm Filter tính tốn chất lượng khâu lọc lượng tài nguyên chip sử dụng cho khâu lọc Trên sở tài nguyên IC221E04 ta lựa chọn thông số sau: o Pass Band Ripple = 3dB, o Stop Band Attend = 30dB, o Center Frequency = 50Hz, o Stop Band Width = 2Hz o Tần số lấy mẫu lọc = kHz - 108 - Phụ lục Hình PL.4: Sơ đồ thiết kế mạch lọc khuếch đại FPAA ✓ Tính tốn hệ số khuếch đại: Như phân tích trên, nhu cầu cần khuếch đại tín hiệu với hệ số khuếch đại khoảng 2000, để thực hệ số FPAA AN221E04 ta lựa chọn phương pháp mắc nối tiếp số khâu Sử dụng khuếch đại bên khối IO hình PL.4, thiết lập hệ số khuếch đại G1=16, đặt hệ số khuếch đại khâu lọc thông cao G2=8, hệ số khuếch đại khâu lọc thông thấp G3=16 Như hệ số khuếch đại toàn khâu là: G = G1xG2xG3 = 16x8x16 = 2048 Cấu hình FPAA cần nạp cho IC ta khởi động hệ thống Cấu hình nạp từ nhớ ngồi (nếu mạch khơng có vi xử lý khác) truyền từ vi xử lý trung tâm xuống FPAA theo chuẩn ghép nối SPI Trong thiết kế vi xử lý trung tâm PSoC nhận nhiệm vụ nạp cấu hình cho FPAA Trên hình PL.5 kết kiểm tra chất lượng hoạt động mạch lọc thiết kế FPAA Có thể nhận thấy cho tín hiệu điện tim bị nhiễu lọc hoạt động tốt - 109 - Phụ lục Hình PL.5: Kết chạy thử nghiệm mạch lọc nhiễu cho tín hiệu ECG Anadigm Designer: tín hiệu gốc (trên) tín hiệu sau lọc với lọc thiết kế (dưới) Khối vi xử lý Do u cầu tốc độ tính tốn nên thiết bị lựa chọn vi xử lý trung tâm sử dụng cơng nghệ ARM STM32F103, tốc độ 72MHz, có thư viện hỗ trợ hầu hết khối chức quan trọng ADC, giao tiếp UART, LCD Khối hình cảm ứng Để hiển thị giao diện điều khiển thiết bị có khả đưa thơng tin tín hiệu điện tim đo tới người quan sát phần giao diện sử dụng hình HMI UART Nextion 2.4 Inch Hình PL.6 hình LCD thực tế lựa chọn - 110 - Phụ lục Hình PL.6: Hình ảnh hình HMI UART Nextion 2.4 Inch Khối lưu trữ Đối với thiết bị đo nhu cầu lưu trữ liệu đo quan trọng Ở thiết bị đo điện tim cổ điển việc lưu trữ liệu thể qua cấu ghi cuộn giấy Tuy nhiên với phát triển ngành điện tử việc lưu trữ liệu cần thực dạng số hóa Ta lựa chọn dạng thẻ nhớ SD cho thiết bị Thẻ SD có khả lưu trữ tới GB liệu đo Giao diện ghép nối thẻ nhớ vào mạch vi xử lý giới thiệu hình PL.7 Hình PL.7: Giao diện thẻ SD mạch ghép nối giao tiếp thẻ SD với ARM Khối nguồn Do mục đích thiết kế đặt thiết bị di động nên ta sử dụng nguồn loại pin sạc nhiều lần Một loại pin có sẵn thị trường có điện áp làm việc 3.6÷3.75V Để chuyển đổi điện áp từ 3,7VDC sang 5VDC dùng IC ADP3000-5V với sơ đồ nguyên lý cho hình PL.8 - 111 - Phụ lục Hình PL.8: Sơ đồ nguyên lý ghép nối IC nguồn với pin 3,7V Phần mềm máy tính: Giao diện chính: Được thực Visual C# Express 2010 Hình PL.9: Giao diện phần mềm ECG Monitor Kết thi cơng phần cứng Hình PL.10: Mặt mạch in - 112 - Phụ lục Hình PL.11: Mặt mạch in Hình PL.12: Hình ảnh thiết bị trước đóng vỏ Ổ cắm điện cực Hình PL.13: Thiết bị sau đóng vỏ (loại 1) - 113 - Phụ lục Một số phiên thiết bị khác: • Thiết bị có kích thước lớn: 12cm x 22cm x 30cm, Hình PL.14: Thiết bị sau đóng vỏ (loại 2) • Thiết bị kích thước nhỏ: 7cm x 6cm x 2cm, dùng để thu thập tín hiệu ECG Hình PL.15: Thiết bị sau đóng vỏ (loại 3) - 114 - Phụ lục Bảng PL.1: Thống kê số lượng loại nhịp bệnh 19 bệnh nhận sở liệu MIT-BIH STT Record Nr N L R A V I E Record 100 2239 33 0 0 Record 105 2526 0 41 0 Record 106 1507 0 520 0 Record 109 2492 0 38 0 Record 111 2123 0 0 Record 114 1820 0 10 43 0 Record 116 2302 0 109 0 Record 118 0 2166 96 16 0 Record 119 1543 0 444 0 10 Record 124 0 1531 47 0 11 Record 200 1743 0 30 826 0 12 Record 202 2061 0 36 19 0 13 Record 207 1457 86 107 105 472 105 14 Record 208 1586 0 992 0 15 Record 209 2621 0 383 0 16 Record 212 923 1825 0 0 17 Record 214 2003 0 256 0 18 Record 221 2031 0 396 0 19 Record 222 2031 0 208 0 - 115 - Phụ lục Kết thử nghiệm thuật toán tiền xử lý phát đỉnh R thiết bị đo, thử nghiệm với 06 record 100, 101, 102, 103, 104, 105 CSDL MIT-BIH Bảng PL.2: Kết thử nghiệm thiết bị CSDL MIT-BIH Record Tổng số nhịp Số nhịp không phát Số nhịp phát sai Sai số (%) 100 1901 1 0.1 101 1523 0.19 102 1820 0.05 104 1849 0.59 105 2149 52 2.74 Kết thử nghiệm khả chạy chương trình nhận dạng thiết bị, với đầu vào 3068 vectơ đặc tính nhịp tim trích từ CSDL MIT-BIH, thời gian nhận dạng chạy ARM (STM32F103, tốc độ 72MHz) khoảng 150 (ms), phần đáp ứng thời gian thực Bảng PL.3: Kết thử nghiệm chương trình nhận dạng thiết bị với sở liệu MIT-BIH Loại nhịp (test) Số lượng Số nhịp nhận dạng sai Sai số (%) N 935 0.749 L 561 0.713 R 485 0.825 A 398 15 3.769 V 451 1.109 I 201 1.493 E 37 0.000 - 116 - ... 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 LUẬN ÁN TIẾN SĨ KỸ THUẬT... 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... 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