0

Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim

8 12 0
  • Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim

Tài liệu liên quan

Thông tin tài liệu

Ngày đăng: 19/01/2021, 09:42

Nội dung chính của bài viết này là đề xuất giải pháp nâng cao chất lượng (độ chính xác) nhận dạng tín hiệu điện tim ECG (ElectroCardioGraphy), dựa trên việc sử dụng cây quyết định nhị phân (Binary Decision Tree) để phối hợp nhiều mô hình nhận dạng đơn là các mạng nơron kinh điển MLP (Multi Layer Perceptron), mạng nơron logic mờ TSK (Takaga-Sugeno-Kang), máy học vectơ hỗ trợ SVM (Support Vectơ Machines) và rừng ngẫu nhiên RF (Random Forest). LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Ứng dụng định để xây dựng mơ hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim Decision tree application to build a coordinated model to improve the quality of ECG signal recognition Đỗ Văn Đỉnh, Phạm Văn Kiên Email: dodinh75@gmail.com Trường Đại học Sao Đỏ Ngày nhận bài: 9/10/2019 Ngày nhận sửa sau phản biện: 23/12/2019 Ngày chấp nhận đăng: 31/12/2019 Tóm tắt Nội dung báo đề xuất giải pháp nâng cao chất lượng (độ xác) nhận dạng tín hiệu điện tim ECG (ElectroCardioGraphy), dựa việc sử dụng định nhị phân (Binary Decision Tree) để phối hợp nhiều mơ hình nhận dạng đơn mạng nơron kinh điển MLP (Multi Layer Perceptron), mạng nơron logic mờ TSK (Takaga-Sugeno-Kang), máy học vectơ hỗ trợ SVM (Support Vectơ Machines) rừng ngẫu nhiên RF (Random Forest) Sử dụng hàm sở Hermite (Hermite Basis Functions) để khai triển phức QRS hai đặc tính thời gian khoảng cách hai đỉnh R liên tiếp (R-R), giá trị trung bình 10 khoảng cách R-R cuối Các thuật toán triển khai thử nghiệm mẫu số liệu kinh điển quốc tế sở liệu MIT-BIH (Massachusetts Institute of Technology, Boston’s Beth Israel Hospital) sở liệu MGH từ trang web http://physionet.org Từ khóa: Mạng nơron; MLP; TSK; SVM; hệ thống tích hợp; định; chức sở Hermite; tín hiệu điện tâm đồ (ECG); IC FPAA; IC ARM Abstract The paper presents a solution to improve the accuracy of arrhythmia recognition based on the integration of multiple classifiers using the binary decision tree The solution uses as the single classifiers the classical MLP (Multi Layer Perceptron), neuro-fuzzy TSK network (Takaga-Sugeno-Kang), SVM (Support Vectơ Machines) and RF (Random Forest) The Hermite basis functions were used to generate the feature vectơs together with time-based features: the last R-R period and the average of last 10 R-R periods The proposed solution was tested with ECG signals taken from databases MIT-BIH (Massachusetts Institute of Technology, Boston’s Beth Israel Hospital) and MGH available at http://physionet.org Keywords: Neural network; MLP; TSK; SVM; Integrated System; Decision Tree; Hermite Basis Functions; Electrocardiogram (ECG) Signals; IC FPAA; IC ARM CÁC CHỮ VIẾT TẮT ARM DT ECG FN FP FPAA Advanced RISC Machine Decision Tree ElectroCardioGram False Negative False Positive Field Programable Analog Arrays Người phản biện: PGS.TS Trần Vệ Quốc PGS.TS Bạch Long Giang IC MIT-BIH MGH/MF MLP PC QRS RF SD SVD Intergrated Circuit MIT-BIH Arrhythmia Database MGH/MF Waveform Database Multi Layer Perceptron Network Personal Computer QRS Complex Random Forest Secure Digital Singular Value Decomposition SVM Support Vectơ Machines Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190 Số (67).2019 27 NGHIÊN CỨU KHOA HỌC ĐẶT VẤN ĐẾ Tín hiệu điện tim ECG có độ biến đổi mạnh hình dáng, biên độ trường hợp bệnh lý Tín hiệu dễ bị ảnh hưởng nhiễu từ bên ngồi, tình trạng sức khỏe hay tâm lý bệnh nhân Nên nhận dạng ECG tốn khó Thực tế có nhu cầu thiết bị đo điện tim thông minh có chức nhận dạng tự động trường hợp bệnh lý, yêu cầu giải pháp nhận dạng cần có độ xác cao phân biệt nhiều loại bệnh để áp dụng cho nhiều đối tượng bệnh nhân,… Xuất phát từ nhu cầu thực tế trên, mục tiêu đặt báo đề xuất giải pháp để nâng cao chất lượng nhận dạng tín hiệu điện tim (giảm số mẫu nhận dạng sai) Hiện nay, có nhiều giải pháp khác để nâng cao chất lượng nhận dạng tín hiệu điện tim ECG tác giả nước quốc tế nghiên cứu công bố, từ khâu thu thập, tiền xử lý, trích chọn đặc tính hay khối nhận dạng (phi tuyến) Đa số giải pháp dạng “mơ hình đơn”, số giải pháp dạng “mơ hình phối hợp” Như nghiên cứu [1], tác giả kết hợp hai mơ hình đơn SVM PSO (Particles Swarm Optimization) kết thử nghiệm sở liệu L MIT-BIH có độ xác tăng khoảng 4% so với sử dụng SVM đơn lẻ, hay cơng trình [4] 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% Xu phát triển sử dụng mơ hình phối hợp để nhận dạng, tốn địi hỏi độ nhận dạng có xác cao nhận dạng tín hiệu điện tim ECG, mơ hình sử dụng nhiều mơ hình nhận dạng đơn để đưa kết luận (có thể khác biệt) sau thêm khâu xử lý để tổng hợp lại kết từ mơ hình nhận dạng đơn để đưa kết luận cuối cùng, số ưu điểm giải pháp “mô hình phối hợp”: - Mỗi “mơ hình đơn” coi chuyên gia độc lập, việc phối hợp nhiều chuyên gia cho kết đáng tin cậy - Sử dụng đánh giá từ nhiều góc độ, từ nhiều phương pháp khác nên thơng tin phong phú dẫn tới chất lượng định cao Tuy nhiên, mơ hình có số nhược điểm như: - Hệ thống cồng kềnh, phức tạp - Cần xây dựng phương pháp tổng hợp phù hợp, phối hợp khơng tốt làm kết ECG Mơ hình nhận dạng đơn y1 Mơ hình nhận dạng đơn y2 Hệ thống z tổng hợp kết yM Mô hình nhận dạng đơn M Hình Sơ đồ chung mơ hình phối hợp Sơ đồ khối tổng qt giải pháp phối hợp trình bày hình 1, hệ thống nhận dạng đơn xử lý tín hiệu đầu vào từ đối tượng (nhưng theo cách khác nhau) đầu hệ thống nhận dạng đơn tạo thành đầu vào khối tổng hợp, kết khối tổng hợp kết nhận dạng cuối Từ mục đích đặt trên, qua tìm hiểu, phân tích ưu điểm giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG, báo lựa chọn theo hướng nghiên cứu thứ hai, tức sử dụng mơ hình phối hợp song song nhiều mơ hình nhận dạng đơn Một số phương pháp tổng hợp kết tác giả khác áp dụng [5, 6]: - Biểu theo đa số (Majority voting) - Biểu có trọng số (Weighted voting) - Tổng hợp theo xác suất điều kiện Bayes,… Bài báo đề xuất sử dụng Cây định nhị phân (Binary Decision Tree) làm khối tổng hợp kết mơ hình nhận dạng đơn sử dụng là: mạng nơron kinh điển MLP, mạng nơron logic mờ TSK, máy vectơ hỗ trợ SVM rừng ngẫu nhiên RF Các mơ hình đơn lựa chọn kết cơng bố tạp chí hội thảo quốc tế nên đảm bảo khách quan tính xác [7], đồng thời kết đươc thực số liệu đầu vào nên việc so sánh thuận tiện có tính thuyết phục, phương pháp rừng ngẫu nhiên RF nhóm tác giả xây dựng thêm báo Theo hình 2, giả thiết khối nhận dạng đơn Ci tạo đầu kết tương ứng yi (i = 1,2, ,M) giá trị chứa mã nhận dạng Khi đầu vào định vectơ tổng hợp x = [yi, yi, yM] Đầu Cây định z kết luận cuối nhịp tim xử lý 28 Tạp chí Nghiên cứu khoa học,Trường Đại học Sao Đỏ, ISSN 1859-4190 Số (67).2019 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HĨA Thu thập tiền xử lý Trích chọn đặc tính CÁC MƠ HÌNH NHẬN DẠNG ĐƠN y1 C1 Tổng hợp kết = z Cây định y2 C2 ECG yM CM Hình Mơ hình kết hợp sử dụng định CÂY QUYẾT ĐỊNH Cây định DT (Decision Tree) mơ hình phân loại liệu kinh điển sử dụng rộng rãi nhiều ứng dụng thực tế Cây thường mô tả dạng cấu trúc phân tầng hình Cây gồm tập hợp nút nhánh với điều kiện sau: 3.1 Mạng nơron MLP Mạng MLP mạng nơron phổ biến, mạng truyền thẳng với phần tử gọi nơron Trong báo sử dụng mạng MLP với lớp ẩn có cấu trúc hình Nhiệm vụ đặt phải xác định cấu trúc cố định cho mạng MLP: số lớp ẩn, hàm truyền đạt lớp, số lượng nơron lớp, trọng số ghép nối nơron mơ hình MLP điều chỉnh lại cho phù hợp q trình học để xuất tín hiệu đầu mong muốn Thuật tốn q trình học sử dụng cho mơ hình MLP báo đề xuất Levenberg Marquardt [9] - Tồn nút gọi nút gốc - Nút chứa điều kiện phân nhánh - Ở nút (khơng có nhánh con) kết nhận dạng kết chung Cây định có nút điều kiện đơn giản phối hợp nhiều nút nên ta có hàm phân chia có độ phi tuyến cao phù hợp với toán phân loại phức tạp, việc xây dựng điều kiện nút tương đối đơn giản (bài báo sử dụng thuật toán ID3 để xây dựng cây) ĐốiĐối tượng dạng tượng nhận nhận dạng Input layer X=? Hình Mạng MLP với lớp ẩn X=B AA 3.2 Mạng nơron mờ TSK CC BB Hình Ví dụ cấu trúc định Trong báo sử dụng nhị phân (bậc 2) để đơn giản hóa việc mơ tả thuật tốn, điều khơng làm giảm tính tổng quát bậc chuyển nhị phân tương đương hình Đối tượng nhận dạng dạng Đối tượng nhận Đối tượng Đối tượng nhận nhận dạng dạng X=? X=A X=A X=C X≠ A X=B AA BB Output layer X=C X=A X=A Hidden layer CC X=B AA X=B BB X≠ B CC Hình Phương pháp chuyển nút bậc cao (hình trái) thành nút nhị phân (bậc 2) (hình phải) Mơ hình nhận dạng đơn thứ hai sử dụng báo mạng Takagi-Sugeno-Kang (TSK) Mạng TSK trình bày chi tiết [9] nên báo khơng trình bày lại nữa, báo sử dụng mơ hình TSK có cấu trúc nghiên cứu [7, 8] 3.3 Mơ hình phân loại SVM Mơ hình nhận dạng đơn thứ ba dùng báo SVM (Support Vectơ Machine) hay gọi máy vectơ hỗ trợ Mặc dù mơ hình SVM phân chia liệu thành hai lớp, nhiên việc phân loại nhiều lớp không phức tạp, áp dụng phương pháp chọi một, hay chọi tất nghiên cứu [5] Phương pháp hiệu phương pháp chọi một, phương pháp nhiều mạng SVM xây dựng để phân loại tất tổ hợp hai lớp liệu Với N lớp, phải xây dựng mạng SVM đơn lẻ Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190 Số (67).2019 29 NGHIÊN CỨU KHOA HỌC 3.4 Rừng ngẫu nhiên RF Mơ hình nhận dạng đơn cuối dùng báo mơ hình rừng ngẫu nhiên RF (Random Forest) phát triển từ L Breiman (2001) [3], cấu trúc mơ hình RF tập hợp số lượng lớn N định không cắt tỉa, cấu trúc định huấn luyện ngẫu nhiên từ tập liệu mẫu biết trước Các bước tạo cấu trúc RF: lớn, hay nói cách khác hàm chứa nhiều thành phần bậc cao Đồng thời dáng điệu hàm tương đồng với hình dạng thành phần tín hiệu ECG Đây sở việc sử dụng hàm Hermite để phân tích tín hiệu điện tim ECG - Đầu vào tập liệu dùng để huấn luyện - Mỗi mơ hình RF tập hợp N định với N lựa chọn trước - Cấu trúc định huấn luyện tập mẫu lấy ngẫu nhiên mẫu chung - Các định đơn không cần sử dụng thuật toán cắt tỉa để giảm nút để giảm số tầng - Khâu tổng hợp kết nhận dạng từ N định phổ biến sử dụng phương pháp bỏ phiếu theo đa số để đưa kết cuối cho RF Như mẫu liệu đưa vào để kiểm tra, trước tiên đưa qua N định để phân loại, có kết riêng (có thể giống khác nhau) N kết đưa vào khâu tổng hợp để xử lý đưa kết cuối TRÍCH CHỌN ĐẶC TÍNH VÀ CƠ SỞ DỮ LIỆU TÍN HIỆU ĐIỆN TIM ECG Hình Đồ thị hàm Hermite bậc n: a) n=0; b) n=1; c) n=3; d) n=10 Để biểu diễn tín hiệu điện tim s(t) theo N hàm Hermite công thức (3), ta sử dụng phân tích theo giá trị kỳ dị SVD (Singular Value Decomposition) để tìm nghiệm tối ưu hệ phương trình bậc có số phương trình nhiều số ẩn, chi tiết tìm hiểu [7, 8] N−1 s(t) ≈ ∑ ci ⋅ψi (t) (3) i=0 4.1 Trích chọn đặc tính tín hiệu điện tim Bài báo sử dụng hàm sở Hermite (Hermite Basis Functions) để khai triển phức QRS nhằm lấy hệ số khai triển làm vectơ đặc trưng tín hiệu Ngồi ta cịn sử dụng thêm hai đặc tính thời gian: khoảng cách hai đỉnh R liên tiếp, giá trị trung bình 10 khoảng cách R-R cuối (a) (b) Hàm Hermite có cơng thức sau: # %! 𝜓𝜓! (𝑥𝑥) = (√𝜋𝜋 ⋅ 2! ⋅ 𝑛𝑛!)"$ 𝑒𝑒 " $ 𝐻𝐻! (𝑥𝑥) (1) 𝐻𝐻!"# (𝑥𝑥) = 2𝑥𝑥 ⋅ 𝐻𝐻! (𝑥𝑥) − 2𝑛𝑛 ⋅ 𝐻𝐻!$# (𝑥𝑥) (2) Với H n ( x) đa thức Hermite định nghĩa dạng đệ quy: Cho n ≥ với H ( x) ∫ 1; H1 ( x) = x Quan sát hình ta bậc hàm Hermite cao tốc độ biến thiên hàm (c) (d) Hình Xấp xỉ tín hiệu ECG N hàm Hermite đầu tiên: a) N=5; b) N=10; c) N=12; d) N=16 Từ hình ta nhận thấy tín hiệu ECG đoạn phức QRS xấp xỉ tốt sử dụng 16 hàm Hermite sở đầu tiên, sai số đỉnh Q, R S nhỏ, hình ta thấy với trường hợp bệnh lý, tín hiệu biến thiên 30 Tạp chí Nghiên cứu khoa học,Trường Đại học Sao Đỏ, ISSN 1859-4190 Số (67).2019 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA mạnh việc khai triển tới 16 hàm Hermite sở tốt Bảng 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 Abnormal Tổng 2000 4643 6643 1065 2546 3611 935 2133 3068 b) Cơ sở liệu MGH Hình Hình ảnh xấp xỉ tín hiệu ECG 16 hàm Hermite số loại nhịp tim khác Tập hợp 16 giá trị sử dụng để tạo thành vectơ đặc tính tín hiệu điện tim Ngồi sử dụng thêm hai đặc tính thời gian: khoảng cách hai đỉnh R liên tiếp R-R, giá trị trung bình 10 khoảng cách R-R cuối Như vậy, vectơ đặc tính có 18 giá trị 4.2 Cơ sở liệu tín hiệu điện tim ECG a) Cơ sở liệu MIT-BIH Bộ sở liệu tín hiệu điện tim ECG sử dụng báo sở liệu chứng loạn nhịp tim tiếng MITBIH [2], lựa chọn lấy ghi 19 bệnh nhân (mã số sở liệu 100, 105, 106, 109, 111, 114, 116, 118, 119, 124, 200, 202, 207, 208, 209, 212, 214, 221 222), phân loại kiểu rối loạn nhịp tim xem xét là: block nhánh trái (L), block nhánh phải (R), ngoại tâm thu nhĩ (A), ngoại tâm thu thất (V), rung thất (I) tâm thất lỗi nhịp (E) kiểu nhịp bình thường (N) Số lượng chi tiết mẫu lấy từ ghi 19 bệnh nhân thống kê chi tiết bảng bảng đây: Bảng Bảng phân chia số lượng mẫu học mẫu kiểm tra loại rối loạn nhịp tim từ CSDL MIT-BIH Loại nhịp Tổng số mẫu Số mẫu học Số mẫu kiểm tra N L R A V I E Tổng 2000 1200 1000 902 964 472 105 6643 1065 639 515 504 549 271 68 3611 935 561 485 398 451 201 37 3068 Bộ sở liệu thứ hai MGH [11], CSDL gồm có 250 ghi tín hiệu ECG, thu thập từ 250 bệnh nhân tim mạch phịng chăm sóc đặc biệt, phịng mổ, phịng thí nghiệm thơng tim, Bệnh viện Đa khoa Massachusetts Bài báo 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, lấy tổng 4500 mẫu với loại nhịp: bình thường (N - Normal sinus rhythm), nhịp ngoại tâm thu thất (V Premature ventricular contraction) loạn nhịp thất (S - Supraventricular premature beat) Số lượng chi tiết số mẫu sử dụng thống kê chi tiết bảng bảng Bảng 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 S V Tổng 3000 750 750 4500 1997 502 501 3000 1003 248 249 1500 Bảng 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 Abnormal Tổng 3000 1500 4500 1997 1003 3000 1003 497 1500 KẾT QUẢ TÍNH TỐN 5.1 Kết thử nghiệm sở liệu MIT-BIH a) Nhận dạng loại nhịp tim Với bốn mơ hình nhận dạng đơn MLP, SVM, TSK, RF báo, thơng số mơ hình huấn luyện độc lập liệu học, có kết sau: - Đầu tiên, với cấu trúc mơ hình MLP có lớp ẩn, với 20 nơron, có nơron đầu (tương ứng với loại rối loạn nhịp tim) Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190 Số (67).2019 31 NGHIÊN CỨU KHOA HỌC - Cịn thơng số mơ hình SVM: với lớp theo phương pháp chọi để tìm lớp chiến thắng mơ hình SVM Cho mẫu có lớp nên nhóm tác giả phải xây dựng 21 mạng SVM đơn lẻ cho cặp tổ hợp loại tín hiệu lúc Số mẫu nhận dạng sai - Cấu trúc mạng TSK có 21 luật suy luận kết đầu - Cuối mơ hình RF có 100 định, có tối đa tầng, tổng hợp kết theo phương pháp bỏ phiếu theo đám đông Tất kết đầu từ mơ hình nhận dạng đơn đẩy vào đầu vào cho Cây định DT, có thêm q trình học để xây dựng thông số cho Cây định DT, kết cuối q trình nhận dạng tín hiệu điện tim ECG đầu Cây định DT Đối với mơ hình nhận dạng đơn ta thử nghiệm trường hợp tổng hợp kết từ mơ hình (có khả phối hợp MLP-TSK-SVM; MLP-TSK-RF; MLP-RF-SVM RF-TSK-SVM) có mơ hình phối hợp mơ hình đơn MLPSVM-TSK-R Sử dụng chung liệu mẫu để kiểm tra mơ hình nhận dạng Kết kiểm tra sử dụng để so sánh với kết nghiên cứu trước Trong bảng hình thể kết sai số kiểm tra mơ hình nhận dạng sở MLP, TSK, SVM, RF mơ hình phối hợp Tất mạng mơ hình phân loại huấn luyện liệu học sau kiểm tra liệu kiểm tra khác Bảng Kết nhận dạng loại nhịp (CSDL MIT-BIH) mơ hình đơn mơ hình kết hợp Hệ thống phân loại MLP TSK SVM RF MLP-TSK-SVM MLP-TSK-RF MLP-RF-SVM RF-TSK-SVM MLP-TSK-SVM-RF Sai số 110 100 60 70 38 43 40 39 37 Sai số (%) 3,59 3,26 1,96 2,28 1,24 1,40 1,30 1,27 1,21 Từ bảng ta thấy kết mơ hình phối hợp sử dụng định DT cải thiện so với kết mơ hình nhận dạng đơn Chất lượng mơ hình phối hợp phụ thuộc vào chất lượng mơ hình nhận dạng đơn số lượng mơ hình đơn, thơng thường số lượng mơ hình nhận dạng đơn lớn cho kết tổng hợp tin cậy Hình Đồ thị cột thể số mẫu nhận dạng sai mơ hình nhận dạng - sở liệu MIT-BIH - phân loại loại nhịp tim b) Nhận dạng hai loại nhịp tim bình thường bất thường Thực tương tự mơ hình nhận dạng loại nhịp tim mục (a), ta xây mơ hình nhận dạng đơn MLP, SVM, TSK, RF có kết sau: - Đầu tiên, với cấu trúc mơ hình MLP có lớp ẩn, với 20 nơron, có nơron đầu (tương ứng với hai loại nhịp tim bình thường bất thường) - Cịn thơng số mơ hình SVM cần xây dựng với lớp theo phương pháp chọi để phân loại hai loại nhịp tim bình thường bất thường - Cấu trúc mạng TSK có 18 luật suy luận kết đầu - Cuối mô hình RF có 100 định, có tầng, tổng hợp kết theo phương pháp bỏ phiếu theo đám đông Bảng Kết nhận dạng hai loại nhịp (CSDL MITBIH) mơ hình đơn mơ hình kết hợp Hệ thống phân loại Sai số Sai số (%) MLP 39 1,27 TSK 41 1,34 SVM 26 0,85 RF 37 1,21 Tích hợp MLP-TSK-SVM 21 0,68 Tích hợp MLP-TSK-RF 22 0,72 Tích hợp MLP-RF-SVM 23 0,75 Tích hợp RF-TSK-SVM 16 0,52 Tích hợp MLP-TSK-SVM-RF 15 0,49 Từ bảng ta thấy trường hợp phân loại hai loại nhịp tim bình thường bất thường, ta thu kết mơ hình phối hợp sử dụng định DT cao đáng kể so với kết mơ hình nhận dạng đơn 32 Tạp chí Nghiên cứu khoa học,Trường Đại học Sao Đỏ, ISSN 1859-4190 Số (67).2019 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HĨA Tích hợp MLP-TSK-SVM Tích hợp MLP-TSK-RF Tích hợp MLP-RF-SVM Tích hợp RF-TSK-SVM Tích hợp MLP-TSK-SVM-RF Số mẫu nhận dạng sai 17 20 19 18 15 1,13 1,33 1,27 1,20 1,00 Số mẫu nhận dạng sai Hình 10 Đồ thị cột thể số mẫu nhận dạng sai mơ hình nhận dạng - CSDL MIT-BIH phân loại hai loại nhịp tim bình thường bất thường 5.2 Kết thử nghiệm CSDL MGH Để đánh giá thêm độ xác tin cậy mơ hình nhận dạng phối hợp Cây định DT, báo thử nghiệm thêm với CSDL MGH, thu kết bảng bảng Bảng Kết nhận dạng ba loại nhịp (CSDL MGH/MF) mơ hình đơn mơ hình kết hợp Hệ thống phân loại MLP TSK SVM RF Tích hợp MLP-TSK-SVM Tích hợp MLP-TSK-RF Tích hợp MLP-RF-SVM Tích hợp RF-TSK-SVM Tích hợp MLP-TSK-SVM-RF Sai số 66 73 32 96 25 30 25 25 21 Sai số (%) 4,40 4,87 2,13 6,40 1,67 2,00 1,67 1,67 1,40 Số mẫu nhận dạng sai Hình 12 Đồ thị cột thể số mẫu nhận dạng sai mơ hình nhận dạng - CSDL MGH - phân loại hai loại nhịp tim bình thường bất thường 5.3 Đánh giá kết Từ kết thử nghiệm trên, ta có số đánh sau: - Qua kết thử nghiệm sở liệu MIT-BIH MGH/MF (là nhóm nghiên cứu quốc tế thường dùng để tham chiếu), báo minh chứng giải pháp kết hợp song song nhiều mơ hình nhận dạng sở Cây định DT tiếp tục nâng cao chất lượng kết nhận dạng tín hiệu điện tim ECG Sai số kiểm tra (số mẫu nhận dạng sai) mơ hình kết hợp thấp so với mơ hình nhận dạng sở - Riêng có trường hợp - bảng 8, sai số mơ hình SVM mơ hình kết hợp MLP-TSK-RF có số mẫu nhận dạng sai 20 KẾT LUẬN Hình 11 Đồ thị cột số mẫu nhận dạng sai mơ hình nhận dạng - CSDL MGH - phân loại ba loại nhịp tim Bảng Kết nhận dạng hai loại nhịp (CSDL MGH/MF) Hệ thống phân loại MLP TSK SVM RF Sai số 37 62 20 78 Sai số (%) 2,47 4,13 1,33 5,20 Bài báo đề xuất giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG dựa việc sử dụng định DT để phối hợp nhiều mơ hình nhận dạng đơn Các thuật toán phần triển khai thử nghiệm mẫu số liệu kinh điển quốc tế MIT-BIH MGH/ MF nhóm nghiên cứu quốc tế thường dùng để tham chiếu TÀI LIỆU THAM KHẢO [1] Bazi F and Melgani Y (2008), Classification of electrocardiogram signals with support vectơ machines and particle swarm optimization, IEEE Transactions on Information Technology in Biomedicine, vol 12(5), pp 667- 677 Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190 Số (67).2019 33 NGHIÊN CỨU KHOA HỌC [2] G R Mark Moody, (2001), The impact of the MIT-BIH Arrhythmia Database, IEEE Eng in Medicine and Biology 20(3): 45-50 [3] L Breiman (2001), Random forests Machine Learning, Vol 45, pp.5-32 [4] O Castillo, E Ramírez, J Soria (2010), Hybrid System for Cardiac Arrhythmia Classification with Fuzzy K-Nearest Neighbors and MultiLayer Perceptrons combined by a Fuzzy Inference System, 2010 International Joint Conference on Neural Networks (IJCNN), pp 1-6 [5] S.Osowski, L.Tran Hoai, T Markiewicz (2006), Ensemble of neural networks for improved recognition and classification of arrhythmia Metrology for a Sustainable Development September, Rio de Janeiro, Brazil, pp 17-22 [6] S.Osowski, T Markiewicz, L Tran Hoai (2008), Recognition and classification system of arrhythmia using ensemble of neural networks, Article in Measurement, Vol 41, pp 610-617 [7] 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 [8] 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 [9] Trần Hoài Linh (2014), Mạng nơron ứng dụng xử lý tín hiệu Nhà xuất Bách Khoa Hà Nội [10] S.Osowski, T Markiewicz, L Tran Hoai (2008), Recognition and classification system of arrhythmia using ensemble of neural networks, Article in Measurement, Vol 41, pp 610-617 [11] http://www.physionet.org THƠNG TIN TÁC GIẢ Đỗ Văn Đỉnh - Tóm tắt trình đào tạo, nghiên cứu (thời điểm tốt nghiệp chương trình đào tạo, nghiên cứu): + Năm 1998: Tốt nghiệp Đại học chuyên ngành Tự động hóa, Trường Đại học Bách khoa Hà Nội + Năm 2005: Tốt nghiệp Thạc sĩ chuyên ngành Tự động hóa, Trường Đại học Bách khoa Hà Nội + Năm 2018: Tốt nghiệp Tiến sĩ chuyên ngành Điều khiển Tự động hóa, Trường Đại học Bách khoa Hà Nội - Công việc tại: Giảng viên, cán phịng Khoa học cơng nghệ hợp tác quốc tế, Trường Đại học Sao Đỏ - Các nghiên cứu ứng dụng trí tuệ nhân tạo giải pháp đo lường, điều khiển tự động hóa, thiết bị đo thơng minh - Email: dodinh75@gmail.com - Điện thoại: 0982586160 Phạm Văn Kiên - Tóm tắt q trình đào tạo, nghiên cứu (thời điểm tốt nghiệp chương trình đào tạo, nghiên cứu): + Năm 2002: Tốt nghiệp Đại học chuyên ngành Sư phạm kỹ thuật Tin học, Trường Đại học Bách khoa Hà Nội + Năm 2007: Tốt nghiệp Thạc sĩ chuyên ngành Giáo dục nghề nghiệp, Trường Đại học Bách khoa Hà Nội liên kết với trường TU Dresden (Đức) - Cơng việc tại: Giảng viên, Phó Trưởng Khoa, Trưởng Bộ môn Công nghệ thông tin, Khoa Điện tử - Tin học, Trường Đại học Sao Đỏ - Các nghiên cứu chính: Giải pháp phần mềm, kỹ thuật nhận dạng, trí tuệ nhân tạo - Điện thoại: 0986362233 34 Tạp chí Nghiên cứu khoa học,Trường Đại học Sao Đỏ, ISSN 1859-4190 Số (67).2019 ... xuất giải pháp để nâng cao chất lượng nhận dạng tín hiệu điện tim (giảm số mẫu nhận dạng sai) Hiện nay, có nhiều giải pháp khác để nâng cao chất lượng nhận dạng tín hiệu điện tim ECG tác giả... mơ hình phối hợp sử dụng định DT cải thiện so với kết mơ hình nhận dạng đơn Chất lượng mơ hình phối hợp phụ thuộc vào chất lượng mơ hình nhận dạng đơn số lượng mơ hình đơn, thơng thường số lượng. .. phối hợp để nhận dạng, tốn địi hỏi độ nhận dạng có xác cao nhận dạng tín hiệu điện tim ECG, mơ hình sử dụng nhiều mơ hình nhận dạng đơn để đưa kết luận (có thể khác biệt) sau thêm khâu xử lý để
- Xem thêm -

Xem thêm: Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim, Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim

Hình ảnh liên quan

Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim - Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim

ng.

dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim Xem tại trang 1 của tài liệu.
Tuy nhiên, mô hình này cũng có một số nhược điểm như:  - Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim

uy.

nhiên, mô hình này cũng có một số nhược điểm như: Xem tại trang 2 của tài liệu.
Quan sát trên hình 6 ta có thể bậc của hàm Hermite càng cao thì tốc độ biến thiên của hàm  - Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim

uan.

sát trên hình 6 ta có thể bậc của hàm Hermite càng cao thì tốc độ biến thiên của hàm Xem tại trang 4 của tài liệu.
Mô hình nhận dạng đơn cuối cùng dùng trong bài báo này là mô hình rừng ngẫu nhiên RF (Random  Forest) được phát triển từ L - Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim

h.

ình nhận dạng đơn cuối cùng dùng trong bài báo này là mô hình rừng ngẫu nhiên RF (Random Forest) được phát triển từ L Xem tại trang 4 của tài liệu.
Hình 11. Đồ thị cột thế hiện số mẫu nhận dạng sai của - Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim

Hình 11..

Đồ thị cột thế hiện số mẫu nhận dạng sai của Xem tại trang 7 của tài liệu.
các mô hình nhận dạng - bộ CSDL MGH - phân loại ba loại nhịp tim - Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim

c.

ác mô hình nhận dạng - bộ CSDL MGH - phân loại ba loại nhịp tim Xem tại trang 7 của tài liệu.
Hình 10. Đồ thị cột thể hiện số mẫu nhận dạng sai của các mô hình nhận dạng - bộ CSDL MIT-BIH -  phân loại hai loại nhịp tim bình thường và bất thường - Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim

Hình 10..

Đồ thị cột thể hiện số mẫu nhận dạng sai của các mô hình nhận dạng - bộ CSDL MIT-BIH - phân loại hai loại nhịp tim bình thường và bất thường Xem tại trang 7 của tài liệu.

Từ khóa liên quan