Phân loại bệnh rung nhĩ dùng XGBoost và học sâu

Bài viết này đề xuất một phương pháp phân loại tín hiệu rung nhĩ được đo từ các thiết bị điện tâm đồ (ECG) cầm tay. Phương pháp tiếp cận của chúng tôi sử dụng kết hợp XGBoost và mô hình học sâu (deep learning) trong đó XGBoost được xây dựng trên bộ đặc trưng được tăng cường và tinh chỉnh qua thực nghiệm, thực hiện vai trò sinh dữ liệu cho mô hình học sâu.

Nguyễn Hồng Quang Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 189(13): 85 - 91 PHÂN LOẠI BỆNH RUNG NHĨ DÙNG XGBOOST VÀ HỌC SÂU Nguyễn Hồng Quang1*, Trịnh Văn Loan1, Phạm Ngọc Hưng3, Hà Quang Thái2, Bùi Trung Anh2, Phan Công Mạnh2 Trường Đại học Bách Khoa Hà Nội, Công ty TNHH phát triển phần mềm Toshiba (Việt Nam), Trường Đại học Sư phạm Kỹ thuật Hưng Yên TÓM TẮT Bài báo đề xuất phương pháp phân loại tín hiệu rung nhĩ đo từ thiết bị điện tâm đồ (ECG) cầm tay Phương pháp tiếp cận sử dụng kết hợp XGBoost mơ hình học sâu (deep learning) XGBoost xây dựng đặc trưng tăng cường tinh chỉnh qua thực nghiệm, thực vai trò sinh liệu cho mơ hình học sâu Chúng sử dụng kỹ thuật phân đoạn sinh nhãn cho đoạn tín hiệu, giúp tăng cường, tạo cân độ tin cậy cho liệu Mơ hình học sâu với hướng tiếp cận học chuyển đổi (transfer learning) sử dụng để thực phân loại đoạn tín hiệu dạng ảnh phổ tần số Chúng tơi thử nghiệm mơ hình liệu thi PhysioNet/Computing in Cardiology Challenge 2017 (PCCC 2017) để phân loại loại tín hiệu: rung nhĩ, bình thường, loại bệnh tim khác nhiễu Mơ hình học sâu thể khả dự đoán tốt đoạn liệu ngắn với kết F1 = 0.8397 Nghiên cứu mở hướng phát triển cho toán phân loại tín hiệu ECG thực phân loại đoạn tín hiệu ngắn, đồng thời mang đến giải pháp ứng dụng mơ hình học sâu toán gặp hạn chế mặt liệu Từ khóa: Tín hiệu điện tim, Bệnh rung nhĩ, học sâu, XGBoost, mạng nơ ron tích chập, Biến đổi Wavelet rời rạc GIỚI THIỆU* Rung nhĩ (hay rung tâm nhĩ, atrial fibrillation) bệnh rối loạn nhịp tim thường gặp Rung nhĩ có nguy dẫn đến suy tim, đột quỵ, biến chứng tim mạch nguy hiểm khác Người bị bệnh thường phải đến bệnh viện khám định kỳ để theo dõi nhịp tim hệ thống máy đo điện tâm đồ (ECG), tốn nhiều thời gian chi phí Những năm gần nhà sản xuất cho đời nhiều loại thiết bị đo ECG cầm tay, giúp việc theo dõi nhịp tim trở nên thuận lợi nhanh chóng với người bệnh Sự phát triển thiết bị đo mở nhiều hội cho nhà phát triển tích hợp hệ thống phần mềm thông minh kèm Tuy nhiên, so với việc sử dụng hệ thống máy đo ECG 12 kênh (12-lead) thơng thường, chất lượng tín hiệu thiết bị đo cầm tay đo đơn kênh (single-lead) thường gặp nhiều nhiễu tác động môi trường, sai số việc đo * Tel: 0978 813688, Email: quangnh@soict.hust.edu.vn thực người không chuyên Những điều đặt nhiều thách thức cho việc phát triển thuật tốn phân loại tín hiệu Nắm bắt xu hướng phát triển này, PCCC 2017 triển khai đề tài phân biệt tín hiệu bệnh rung nhĩ với tín hiệu nhịp tim thơng thường, tín hiệu nhiễu hay tín hiệu bệnh tim khác Trong nghiên cứu này, chúng tơi đề xuất phương pháp giải tốn phân loại tín hiệu nhịp tim theo hướng tiếp cận sử dụng kết hợp XGBoost học sâu, XGBoost đóng vai trò tạo liệu, mơ hình học sâu thực phân loại mẫu tín hiệu Trước tiên, chúng tơi trích chọn đặc trưng từ tín hiệu ECG để xây dựng mơ hình XGBoost Các đặc trưng điều chỉnh cải tiến qua q trình thực nghiệm Tiếp theo đó, mơ hình XGBoost sử dụng để sinh liệu cho mơ hình học sâu Chúng tơi áp dụng kỹ thuật học chuyển đổi (transfer learning) mạng CNN (Convolutional Neural Network) huấn luyện trước (pretrained) VGG-16 [16], kết hợp với 85 Nguyễn Hồng Quang Đtg Tạp chí KHOA HỌC & CƠNG NGHỆ kiến trúc Multi-layer Perceptron (MLP) với hai lớp ẩn Bài báo đề xuất phương pháp có khả phát mẫu tín hiệu ngắn bất thường xuất đoạn tín hiệu dài Chúng tơi thử nghiệm đánh giá mơ hình liệu PCCC 2017 Phần trình bày nghiên cứu liên quan Phần mô tả phương pháp đề xuất Phần trình bày kết thử nghiệm đánh giá Phần kết luận định hướng nghiên cứu CÁC NGHIÊN CỨU LIÊN QUAN Bài toán phân loại tín hiệu ECG nhà nghiên cứu thử nghiệm tiếp cận theo nhiều hướng khác Hướng nghiên cứu trích chọn đặc trưng (feature engineering) kết hợp thuật toán phân lớp họ định hướng tiếp cận phổ biến hiệu Chẳng hạn Teijeiro cộng [6] (đạt kết tốt PCCC 2017) thử nghiệm 79 đặc trưng, bao gồm đặc trưng hình thái, đặc trưng thống kê sử dụng XGBoost để tối ưu 8-fold crossvalidation Zabihi cộng [8] sử dụng 491 đặc trưng, bao gồm đặc trưng hình thái miền thời gian, đặc trưng miền tần số, đặc trưng miền thời gian-tần số; sau 150 đặc trưng lựa chọn sử dụng phân lớp Random Forest Bin cộng [7] sử dụng đặc trưng riêng bệnh rung nhĩ, hay đặc trưng liên quan đến khoảng RR (khoảng cách đỉnh R tín hiệu điện tim), sử dụng tập hợp định huấn luyện thuật toán AdaBoost.M2 Trên liệu MIT/BIH gồm loại nhịp tim, Emanet trích chọn đặc trưng từ tín hiệu ECG sử dụng biến đổi wavelet rời rạc (Discrete Wavelet Transform) kết hợp với phân lớp Random Forest đạt độ xác 99.8% [9] Bên cạnh hướng trích chọn đặc trưng, khơng nằm ngồi xu hướng chung, học sâu thử nghiệm cho tốn phân loại tín 86 189(13): 85 - 91 hiệu ECG Các nghiên cứu sử dụng mạng CNNs kể đến Pyakillya cộng [10] sử dụng lớp 1D-CNNs lớp FC (Fully Connected) với đầu vào liệu chuỗi thời gian (time series), hay Al Rahhal cộng [11] sử dụng CNNs với hướng tiếp cận transfer learning Ngoài ra, kiến trúc RNNs, GRU hay LSTM hướng triển vọng khác cho liệu dạng time series ECG Sujadevi cộng [12] sử dụng liệu MIT-BIH Physionet để thử nghiệm kiến trúc RNNs, GRU, LSTM tín hiệu gốc, khơng cần qua bước tiền xử lý khử nhiễu hay lọc tín hiệu đạt độ xác 95% đến 100% Mohamad M Al Rahhal cộng [13] thử nghiệm kết hợp CNN LSTM (CRNN) liệu ảnh phổ tần số biến đổi từ tín hiệu ECG gốc Các mơ hình học sâu hướng tiếp cận phổ biến nhiều lĩnh vực với hiệu vượt trội so với nhiều thuật toán học máy truyền thống khác Tuy nhiên học sâu thường phù hợp cho tốn có kích thước liệu lớn Trong liệu ECG liệu PCCC 2017 thường bị giới hạn số lượng, đặc biệt mẫu nhịp tim thể bệnh Vì nghiên cứu ứng dụng học sâu lĩnh vực liên quan đến tín hiệu ECG chưa thực dồi giới hạn mặt liệu Nghiên cứu mở hướng giải để xây dựng mơ hình học sâu điều kiện hạn chế mặt liệu Ngoài ra, điểm chung nghiên cứu kể việc phân loại thực đoạn tín hiệu ECG dài (như liệu PCCC 2017 tín hiệu dài đến 61 giây) Trong đặc điểm nhiều bệnh tim (trong có bệnh rung nhĩ) dấu hiệu bất thường xảy vài giây, đặt nhu cầu việc xác định mẫu tín hiệu nhịp tim bệnh đoạn tín hiệu dài Phương pháp đề xuất chúng tơi có khả phát mẫu tín hiệu ngắn bất thường xuất đoạn tín hiệu dài Nguyễn Hồng Quang Đtg Tạp chí KHOA HỌC & CƠNG NGHỆ PHƯƠNG PHÁP ĐỀ XUẤT Phương pháp đề xuất gồm bước phân đoạn tín hiệu điện tim ngắn, lọc đoạn tín hiệu điện tim ngắn sử dụng phân lớp XGBoost, huấn luyện thử nghiệm nhận dạng đoạn tín hiệu điện tim ngắn sử dụng phương pháp học sâu Phân đoạn tín hiệu điện tim ngắn Để phát mẫu tín hiệu bất thường tín hiệu điện tim, chúng tơi thực đánh giá đoạn tín hiệu điện tim ngắn Vì tín hiệu ngắn liệu PCCC 2017 có độ dài 2352 mẫu, thơng tin chúng tơi sử dụng để huấn luyện mơ hình học sâu thông tin miền tần số, chúng tơi chọn độ dài đoạn tín hiệu điện tim 2048 mẫu (giá trị lũy thừa lớn nhỏ độ dài trên) Như trình bày phần trên, để huấn luyện mạng nơ ron sâu hiệu cần có liệu lớn có phân bố đồng lớp Tuy nhiên liệu PCCC 2017 lại có phân bố không đồng lớp (mục 4.1) Do để tạo cân liệu lớp tập liệu huấn luyện, lựa chọn khoảng dịch thực phân đoạn dựa vào lớp tín hiệu Chúng tơi chọn cố định 20000 đoạn tín hiệu điện tim ngắn cho lớp Như với lớp có nhiều mẫu độ dịch lớn ngược lại với lớp có mẫu độ dịch nhỏ Từ với lớp Normal, AF, Other Noise, chúng tơi tính khoảng dịch 2248 điểm, 150 điểm, 400 điểm 35 điểm Lọc tín hiệu điện tim ngắn Vì tín hiệu điện tim dài, phần dạng Normal, dạng tín hiệu điện tim bất thường AF, Other Noise xuất rải rác Như tất đoạn mẫu AF (Other/Noise) gán nhãn AF Do xây dựng lọc dựa mơ hình XGBoost để gán nhãn lại cho đoạn tín hiệu điện tim ngắn 189(13): 85 - 91 Đầu tiên chúng tơi thực trích chọn đặc trưng Các đặc trưng phổ biến cho tín hiệu ECG phát triển chọn lọc từ nhiều nghiên cứu trước [2], đặc trưng xử lý tín hiệu số sử dụng biến đổi wavelet [17], đặc trưng hình thái sóng [18] hay sử dụng mạng nơ-ron để xác định đặc trưng cho tín hiệu ECG [19] Ở nghiên cứu này, sử dụng nhóm đặc trưng tín hiệu ECG Hình Lựa chọn đoạn tín hiệu để huấn luyện mơ hình deep learning cho lớp Normal Các đặc trưng thống kê: Một mẫu tín hiệu ECG đặc trưng xuất sóng P-QRST Các thơng tin liên quan đến vị trí, khoảng cách, biên độ sóng tín hiệu thu thập Ví dụ: biên độ sóng R, vị trí sóng R, khoảng cách đỉnh R, Các hàm thống kê average, median, standard deviation, min, max, percentile [75%, 25%, 90%, 10%] sử dụng để rút đặc trưng thống kê miền đặc trưng thu thập Các đặc trưng biến đổi nhịp tim (HRV, HeartRate Variability) [14]: đặc trưng HRV trích xuất từ tín hiệu ECG qua đặc trưng miền thời gian, miền tần số phân tích thống kê, cung cấp thông tin thay đổi nhịp tim liên tiếp Chúng sử dụng công cụ Neurokit [15] để trích xuất đặc trưng Chúng sử dụng đặc trưng để huấn luyện phân lớp sử dụng mơ hình XGBoost Đầu vào phân lớp đoạn tín hiệu điện tim ngắn đầu lớp Normal, AF, Other Noise Tiếp 87 Nguyễn Hồng Quang Đtg Tạp chí KHOA HỌC & CƠNG NGHỆ theo đoạn tín hiệu điện tim ngắn mơ hình XGBoost nhận dạng khác với lớp mẫu chứa đoạn tín hiệu đoạn tín hiệu bị loại bỏ [Hình 1] Sau chúng tơi chuyển đổi đoạn tín hiệu ECG sang dạng ảnh phổ tẩn số [Hình 2] 189(13): 85 - 91 tốn điện tim Đầu vào mạng VGG-16 ảnh có kích thước 224x224x3 Vector đặc trưng đầu khối convolution mạng VGG-16 có kích thước 25088 chiều Chúng tơi xây dựng thêm số lớp kết nối đầy đủ (fully-connected) phù hợp cho việc phân loại tín hiệu ECG THỬ NGHIỆM VÀ ĐÁNH GIÁ Bộ liệu PCCC 2017 Hình Ví dụ ảnh phổ tần số đoạn tín hiệu ECG Huấn luyện mạng nơ ron sâu để nhận dạng bệnh rung nhĩ Ảnh phổ tần số (224x224x3) Mạng VGG16 Lớp kết nối đầy đủ (25088) Lớp kết nối đầy đủ (2048) Lớp kết nối đầy đủ (2048) Kết nhận dạng (4) Hình Kiến trúc mơ hình học sâu Chúng tơi đề xuất kiến trúc mơ hình học sâu dựa mơ hình mạng CNN để nhận dạng đoạn tín hiệu điện tim ngắn thuộc vào lớp Normal, AF, Other Noise [Hình 3] Các mạng CNNs thường bao gồm thành phần chính: phần trích xuất đặc trưng (các lớp convolution) phần phân loại (là lớp fully-connected) Chúng áp dụng phương pháp “transfer learning” theo cách dùng mạng CNN xây dựng sẵn để làm trích xuất đặc trưng Phần trích xuất đặc trưng nhiều mơ hình CNNs huấn luyện liệu lớn nên có khả học đặc trưng tốt cho phần lớn liệu loại Ở chúng tơi chọn mạng VGG-16 hai nguyên nhân Thứ mạng VGG-16 đạt thứ hạng cao (thứ 2) thi phân loại ảnh ImageNet 2014 [21] Nguyên nhân thứ mạng VGG16 có số tầng khơng q lớn, phù hợp với tốn có liệu hạn chế 88 Bộ liệu sử dụng thi PCCC 2017 bao gồm 8528 ghi ECG đơn kênh tần số 300Hz, với độ dài khác nhau, từ giây (2700 giá trị) đến 61 giây (18300 giá trị) Dữ liệu gán nhãn thành lớp: N (Normal) bao gồm tín hiệu nhịp tim thơng thường, A (AF) tín hiệu nhịp tim người bị rung nhĩ, O (Other) tín hiệu nhịp tim bệnh khác, ~ (Noise) tín hiệu nhiễu Số lượng mẫu lớp không cân bằng, phần lớn mẫu Normal với 5076 mẫu Other với 2415 mẫu Số lượng mẫu AF Noise với 758 279 mẫu Hình Phân bố chiều dài mẫu liệu tập huấn luyện (hình bên trái), tập xác thực (hình giữa) tập thử nghiệm (hình bên phải), đồng thời tương ứng với lớp Normal (dòng cùng), AF (dòng thứ hai), Other (dòng thứ ba) Noise (dòng thứ tư) Nguyễn Hồng Quang Đtg Tạp chí KHOA HỌC & CƠNG NGHỆ Chúng tơi chia liệu thành tập: tập huấn luyện (Training), tập xác thực (Validation), tập kiểm tra (Test) Trong đó, 70% số mẫu lớp dùng cho Training, 15% mẫu lớp dùng cho Validation, 15% mẫu lớp dùng cho Test Nhìn hình chúng tơi nhận thấy đa phần ghi có chiều dài 9000 mẫu (tương ứng với 30 giây) Tuy có ghi có chiều dài ngắn (khoảng 2500 mẫu) có ghi có chiều dài lớn (khoảng 18000 mẫu), nhiên số lượng ghi nhỏ Sự phân bố đồng cho tất lớp Normal, AF, Other, Noise, có phân bố đồng tập huấn luyện, tập xác thực tập thử nghiệm Độ xác mơ hình đánh giá giá trị F1 = (F1n + F1a + F1o + F1n)/4, F1n, F1a, F1o, F1n giá trị F1 tính lớp Normal, AF, Other Noise Phân loại tín hiệu gốc dùng XGBoost Như đề cập, tín hiệu ECG thu thập qua thiết bị cầm tay thường gồm nhiều nhiễu, chúng tơi kết hợp thử nghiệm việc lọc nhiễu tín hiệu trước đưa vào XGBoost Chúng tơi phân rã tín hiệu thành thành phần tần số khác theo kỹ thuật Wavelet Multi-Resolution Analysis, sử dụng DWT, hàm ‘db6’, mức phân rã Những tín hiệu thành phần có tần số khơng phù hợp D1 D9 loại bỏ Bảng Kết thử nghiệm phân lớp tín hiệu điện tim sử dụng phân lớp XGBoost (tính theo F1-score) Đặc trưng Thống kê Thống kê + HRV Dữ liệu gốc 0.7133 0.7222 Dữ liệu lọc nhiễu 0.6898 0.7421 Chúng tơi thử nghiệm mơ hình phân lớp XGBoost loại đặc trưng khác nhau: đặc trưng thống kê đặc trưng HRV Các đặc trưng trích xuất liệu gốc liệu lọc nhiễu Kết phân lớp tính theo F1-score liệt kê Bảng 189(13): 85 - 91 Như vậy, lọc nhiễu giúp mơ hình dự đốn xác ngoại trừ trường hợp dùng đặc trưng thống kê Việc tăng cường thêm đặc trưng giúp mơ hình đạt kết cao cho liệu gốc Kết nhận dạng đoạn tín hiệu ngắn ECG Chúng thử nghiệm huấn luyện tối ưu mạng theo hai hàm loss: Cross-entropy loss F1 loss [5] Kết phân loại F1-score tổng hợp bảng Kết bảng cho thấy việc tối ưu trực F1 đem lại kết F1-score tốt (0.8397 so với 0.8304) Các mơ hình thường gặp nhầm lẫn nhiều trường hợp: AF bị nhầm thành Other ngược lại Trường hợp thường dễ xảy nhiều bệnh lý tim khác (Other) xuất dấu hiệu bất thường nhịp tim rung nhĩ, hình thái bệnh rung nhĩ đa dạng Kết F1 = 0.8397 tương đương với kết top thi PCCC 2017 Sự khác biệt ưu điểm phương pháp mơ hình dự đốn cho mẫu tín hiệu ngắn Bảng Kết nhận dạng (F1) đoạn tín hiệu ECG tối ưu theo cross-entropy loss F1-score Lớp Tối ưu theo cross entropy loss Tối ưu theo F1-score Normal 0.8747 0.8759 AF 0.8316 0.8427 Other 0.6915 0.7098 Noise 0.9239 0.9302 F1 trung bình 0.8304 0.8397 KẾT LUẬN Trong nghiên cứu này, đề xuất hướng giải cho việc ứng dụng học sâu toán gặp hạn chế liệu nói chung tốn phân loại tín hiệu ECG nói riêng Phương pháp chúng tơi kết hợp mơ hình XGBoos học sâu XGBoost xây dựng trước đóng 89 Nguyễn Hồng Quang Đtg Tạp chí KHOA HỌC & CƠNG NGHỆ vai trò sinh liệu cho mơ hình học sâu Chúng thử nghiệm cho liệu thi PCCC 2017 đạt kết F1score, tương đương với top cho đoạn tín hiệu ngắn Nghiên cứu mở hướng phát triển thiết thực lĩnh vực liên quan đến tín hiệu ECG, việc phát có đoạn tín hiệu bất thường tồn ghi ECG đo Kết thực nghiệm mơ hình học sâu cho thấy hiệu kiến trúc mạng DNNs Trong tương lai, tiếp tục tinh chỉnh liệu, thông qua việc cải tiến, tăng cường, tinh lọc đặc trưng cho mơ hình XGBoost đồng thời xem xét việc thử nghiệm nhiều kiến trúc mạng khác bên cạnh VGG-16 Một hướng phát triển khác kết hợp nhiều thông tin khác cho kiến trúc mạng DNNs Thay có ảnh phổ tần số, chúng tơi kết hợp thêm ảnh biên độ-thời gian, đặc trưng chuyên gia trích xuất từ tín hiệu ECG gốc LỜI CÁM ƠN Nghiên cứu tài trợ Trường Đại học Bách Khoa Hà Nội đề tài mã số T2017-PC-080 REFERENCES X Du, S.M George (2008), “Thickness dependence of sensor response for CO gas sensing by tin oxide films grown using atomic layer deposition”, Sens Actuators B, 135, pp 152-160 G D Clifford et al (2017), “AF classification from a short single lead ECG recording: The PhysioNet/computing in cardiology challenge 2017,” 2017 Computing in Cardiology (CinC), Rennes, pp 1-4 Karpagachelvi S., Dr Arthanari M., SivaKumar M (2010), “ECG feature extraction techniques - a survey approach”, Int J Comput Sci Inf Security, Vol 8, No 1, pp 76-80 Raúl Alcaraz, Daniel Abásolo, Roberto Hornero, José J Rieta (2010), “Optimal parameters study for sample entropy-based atrial fibrillation organization analysis,” Computer Methods and Programs in Biomedicine, Vol 99, Issue 1, 2010, pp 124-132 Tianqi Chen and Carlos Guestrin (2016), “XGBoost: A Scalable Tree Boosting System,” In 90 189(13): 85 - 91 22nd SIGKDD Conference on Knowledge Discovery and Data Mining, pp 785-794 Scherzinger, Aaron & Klemm, Sören & Berh, Dimitri & Jiang, Xiaoyi (2017), “CNN-Based Background Subtraction for Long-Term In-Vial FIM Imaging”, In CAIP, Proceedings, pp 359-371 Teijeiro T., García C A., Castro D & Félix P (2017), Arrhythmia Classification from the Abductive Interpretation of Short Single-Lead ECG Records, Computing in Cardiology, Vol arXiv preprint 1711.03892 G Bin, M Shao, G Bin, J Huang, D Zheng and S Wu (2017), “Detection of atrial fibrillation using decision tree ensemble,” 2017 Computing in Cardiology (CinC), Rennes, pp 1-4 10 M Zabihi, A B Rad, A K Katsaggelos, S Kiranyaz, S Narkilahti and M Gabbouj (2017), "Detection of atrial fibrillation in ECG hand-held devices using a random forest classifier," 2017 Computing in Cardiology (CinC), Rennes, pp 1-4 11 N Emanet (2009), "ECG beat classification by using discrete wavelet transform and Random Forest algorithm," 2009 Fifth International Conference on Soft Computing, Computing with Words and Perceptions in System Analysis, Decision and Control, Famagusta, pp 1-4 12 Pyakillya B., N Kazachenko, and N Mikhailovsky (2017), “Deep Learning for ECG Classification”, Journal of Physics: Conference Series, Vol 913 No IOP Publishing 13 Mohamad M Al Rahhal et al (2018), “Convolutional neural networks for electrocardiogram classification”, Journal of Medical and Biological Engineering 14 V G Sujadevi, K P Soman, and R Vinayakumar (2018), “Real-time detection of atrial fibrillation from short time single lead ecg traces using recurrent neural networks,” in Intelligent Systems Technologies and Applications (S M Thampi, S Mitra, J Mukhopadhyay, K.-C Li, A P James, and S Berretti, eds.), (Cham), pp 212–221, Springer International Publishing 14 M Zihlmann, D Perekrestenko and M Tschannen (2017), "Convolutional recurrent neural networks for electrocardiogram classification," 2017 Computing in Cardiology (CinC), Rennes, pp 1-4 15 Zohar A H., Cloninger C R., McCraty R (2013), “Personality and Heart Rate Variability: Exploring Pathways from Personality to Cardiac Coherence and Health”, Journal of Social Sciences, 1(6), pp 32–39 16 Makowski D (2016), NeuroKit: A Python Toolbox for Statistics and Neurophysiological Nguyễn Hồng Quang Đtg Tạp chí KHOA HỌC & CƠNG NGHỆ Signal Processing (EEG, EDA, ECG, EMG ), Memory and Cognition Lab' Day, 01 November, Paris, France 17 K Simonyan and A Zisserman (2014), “Very deep convolutional networks for large-scale image recognition”, CoRR, Vol abs/1409.1556 18 B Castro, D Kogan and A B Geva (2000), "ECG feature extraction using optimal mother wavelet," 21st IEEE Convention of the Electrical and Electronic Engineers in Israel Proceedings (Cat No.00EX377), Tel-Aviv, pp 346-350 19 C Alexakis, H O Nyongesa, R Saatchi, N D Harris, C Davies, C Emery, R H Ireland, and 189(13): 85 - 91 S R Heller (2003), “Feature Extraction and Classification of Electrocardiogram (ECG) Signals Related to Hypoglycaemia”, Conference on computers in Cardiology, Vol 30, pp 537-540 20 Kuo-Kuang Jen, and Yean-Ren Hwang (2008), “ECG Feature Extraction and Classification Using Cepstrum and Neural Networks”, Journal of Medical and Biological Engineering, Vol 28, No 1, pp 31-37 21 Justin Johnson, Andrej Karpathy, Transfer learning, 2018, http://cs231n.github.io/transferlearning/ ImageNet Dataset, http://www.image-net.org/ ABSTRACT ATRIAL FIBRILLATION RECOGNITION USING XGBOOST AND DEEP LEARNING Nguyễn Hồng Quang1*, Trịnh Văn Loan1, Phạm Ngọc Hưng3, Hà Quang Thái2, Bùi Trung Anh2, Phan Công Mạnh2 Hanoi University of Science and Technology, Toshiba (Vietnam) Software Development Co., Ltd., Hung Yen University of Technology and Education This article proposes a method for classification of atrial fibrillation signals measured from handheld ECG devices Our approach utilizes the XGBoost combination and deep learning model, in which XGBoost is built on a feature set that is enhanced and refined experimentally, performing the role of data generation We use segmentation and labeling techniques for signal segments, which enhances, balances and relies on data sets Deep learning with transfer learning approaches is used to classify signal segments in the form of spectral representation We tested the model on the PhysioNet / Computing in Cardiology Challenge 2017 (PCCC 2017) database to classify four types of signals: atrial fibrillation, normal, other types of heart disease and noise Deep modeling demonstrates the ability to predict well on short data segments with F1 = 0.8397 results Our research paves the way for a new ECG signal classification problem when performing classification on short signal segments, while providing a solution for applying deep learning models when the problem arises with data limitations Keywords: ECG signal, Atrial fibrillation, Deep Learning, XGBoost, Discrete Wavelet Transform Ngày nhận bài: 08/10/2018; Ngày hoàn thiện: 17/10/2018; Ngày duyệt đăng: 30/11/2018 * Tel: 0978 813688, Email: quangnh@soict.hust.edu.vn 91 ... nghiên cứu kể việc phân loại thực đoạn tín hiệu ECG dài (như liệu PCCC 2017 tín hiệu dài đến 61 giây) Trong đặc điểm nhiều bệnh tim (trong có bệnh rung nhĩ) dấu hiệu bất thường xảy vài giây, đặt nhu... phù hợp cho việc phân loại tín hiệu ECG THỬ NGHIỆM VÀ ĐÁNH GIÁ Bộ liệu PCCC 2017 Hình Ví dụ ảnh phổ tần số đoạn tín hiệu ECG Huấn luyện mạng nơ ron sâu để nhận dạng bệnh rung nhĩ Ảnh phổ tần số... bước phân đoạn tín hiệu điện tim ngắn, lọc đoạn tín hiệu điện tim ngắn sử dụng phân lớp XGBoost, huấn luyện thử nghiệm nhận dạng đoạn tín hiệu điện tim ngắn sử dụng phương pháp học sâu Phân đoạn