Nhận dạng tín hiệu điện tâm đồ bằng mạng nơron mờ TSK

Nhận dạng tín hiệu điện tâm đồ bằng mạng nơron mờ TSK Nhận dạng tín hiệu điện tâm đồ bằng mạng nơron mờ TSK Nhận dạng tín hiệu điện tâm đồ bằng mạng nơron mờ TSK luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp

Bộ giáo dục đào tạo Trường Đại học Bách Khoa Hµ Néi - NHẬN DẠNG TÍN HIỆU ĐIỆN TÂM ĐỒ BẰNG MẠNG NOWRRON MỜ TSK VƯƠNG HONG NAM Luận Văn Thạc Sĩ Khoa Học CHUYấN NGNH: IN T- VIN THễNG Hà Nội - 2005 Bộ giáo dục đào tạo Trường Đại học Bách Khoa Hà Néi - NHẬN DẠNG TÍN HIỆU ĐIỆN TÂM ĐỒ BẰNG MẠNG NOWRRON MỜ TSK VƯƠNG HOÀNG NAM Luận Văn Thạc Sĩ Khoa Học CHUYấN NGNH: IN T- VIỄN THƠNG NGƯỜI HƯỚNG DẪN TSKH.TRẦN HỒI LINH Hµ Néi - 2005 Luận văn thạc sỹ khoa học Mở đầu Một câu hỏi đặt ta nhìn thấy đối tượng ta lại có khả phân biệt đối tượng người hay vật xác định? Đó nÃo người đà học ghi nhớ đặc trưng đối tượng gặp lại đối tượng này, nÃo có định nhận dạng xác Cơ chế nhận dạng nÃo người dựa chế học nơron thần kinh Hiện nay, nhà khoa học cố gắng, mô thể chế nhận dạng qua kỹ thuật tính toán thông minh - kỹ thuật nhận dạng mạng nơron nhân tạo ứng dụng mạng nơron nhân tạo thấy nhiều lĩnh vực quân sự, dân sự, y học nhận dạng ảnh vân tay ứng dụng dân quân sự, nhận dạng chữ viết hệ thống kiểm tra số sản phẩm, hệ thống tự động phân loại thư tín, tự động nhận biết đường đi, nhận dạng phận thể người ứng dụng giải phẫu học v.v Một ứng dụng đà nghiên cứu rộng rÃi lĩnh vực y học nhận dạng tín hiệu điện tim mạng nơron nhân tạo Nhận dạng tín hiệu điện tim trình đưa kết luận tình trạng bệnh lý bệnh nhân sở tín hiệu điện tim ECG Một mô hình nhận dạng trực tuyến mô hình cho phép nhận dạng nhịp đập tim thời gian thực Đây vấn đề khó mặt kỹ thuật giai đoạn nghiên cứu hoàn thiện Dựa định hướng vấn đề TSKH Trần Hoài Linh đưa ra, với cố gắng thân, đà hoàn thành luận văn với đề tài: Nhận dạng tín hiệu điện tâm đồ mạng nơron mờ TSK Luận văn thạc sỹ khoa học Mục đích đề tài Trình bày nghiên cứu lý thuyết phục vụ cho mục đích xây dựng mô hình nhận dạng tín hiệu ECG trực tuyến, đồng thời đưa số kết thực nghiệm nhận dạng tín hiệu ECG Nội dung nghiên cứu Tín hiệu điện tâm đồ, sở lý thuyết mờ, lý thuyết mạng nơron mờ TSK, phương pháp tạo đặc tính tín hiệu ECG v.v Đi sâu vào cấu trúc, thuật toán, chế học, thủ tục học mạng nơron mờ TSK làm tiền đề cho việc nghiên cứu xây dựng mô hình nhận dạng tín hiệu ECG trực tuyến Kết Đà nắm bắt kiến thức chủ yếu mạng nơron giải thuật học mạng nơron mờ TSK Xây dựng mô hình nhận dạng tương đối hoàn chỉnh cụ thể có khả øng dơng thùc tiƠn Do thêi gian nghiªn cøu trình độ hạn chế nên luận văn không tránh khỏi có thiếu sót Tôi mong nhận lời góp ý thiếu sót luận văn để bổ sung vào nghiên cứu Luận văn thạc sỹ khoa học Chương I Tín hiệu ECG nhiệm vụ nhận dạng tín hiệu ECG Luận văn thạc sỹ khoa học 1.1 tổng quan Tín hiệu điện tâm đồ (ECG) phương pháp đo tín hiệu ECG Tín hiệu điện tâm đồ (Electrocardiogram-ECG) định nghĩa đường cong ghi lại biến thiên điện tim phát điểm thể người, ảnh hưởng hoạt động co bóp tim Như vậy, điện tâm đồ coi đồ thị có hoành độ thời gian tung độ điện điểm đo thể Các nghiên cứu khoa học tín hiệu điện tâm đồ đà chứng minh thông qua việc phân tích hình dạng sóng tín hiệu điện tâm đồ, bác sĩ chẩn đoán tình trạng người bệnh tương tự khám phương pháp khác Hình 1.1.1 mô tả ví dụ tín hiệu ECG đặc trưng Tín hiệu điều kiện lý tưởng lặp lại theo chu kỳ nhịp tim Trong nhịp tim, tín hiệu bao gồm sóng P, khoảng PQ, phức QRS, đoạn sóng ST, sóng T, sóng U khoảng QT Mỗi loại sóng hay khoảng chứa đựng thông tin khác để giúp người chẩn đoán chẩn đoán bệnh lý bệnh nhân Ví dụ người chẩn đoán dựa vào thông tin sau ®Ĩ kÕt ln chÈn ®o¸n: - Sãng P: bỊ cao (biên độ), bề rộng (thời gian), hình dạng (âm, dương, hai pha, móc) - Khoảng PQ: dài ? - Phức QRS: biên độ thời gian, hình dạng - Đoạn S-T: có chênh không? - Sóng T (và sóng U): dạng (dương, âm hay hai pha), biên độ - Khoảng QT: dài ? Luận văn thạc sỹ khoa học - Khoảng cách đỉnh - đỉnh RR hai nhịp liên tiếp khoảng bao nhiêu? Hình 1.1.1 Tín hiệu điện tâm đồ: điểm đặc trưng Người chẩn đoán dựa hình dạng sóng hay khoảng cách điểm đặc trưng để chọn lọc dấu hiệu yếu tố đặc trưng (đại diện cho điện tâm đồ) để tổng hợp thành hội chứng đưa đến kết luận chẩn đoán điện tâm đồ Để thu điện tâm đồ, người ta đặt điện cực máy ghi điện tim lên thể Vì thể người môi trường dẫn điện nên dòng điện tim phát dẫn truyền khắp thể, tới da, biến thể thành điện trường tim Nếu ta đặt hai điện cực lên hai điểm có điện khác điện trường đó, ta thu hiệu hai điểm gọi chuyển đạo hay đạo trình (tiếng Anh chuyên ngành gọi lead), máy ghi đường cong điện tâm đồ có hình dạng tuỳ theo địa điểm đặt điện cực Luận văn thạc sỹ khoa học Khi ghi chuyển đạo thông dụng, người ta thường đặt điện cực chi (cổ tay, cổ chân) lồng ngực Cho đến người ta cho đại đa số trường hợp nên đặt điện cực theo 12 cách, thu lấy 12 chuyển đạo thông dụng, bao gồm chuyển đạo mẫu, chuyển đạo đơn cực chi chuyển đạo trước tim chuyển đạo có hình dạng sóng điện tâm đồ khác nhau, hình ảnh ta nhìn thấy đứng 12 góc độ khác xung quanh vật có hình dạng gồ ghề, phức tạp Các chuyển đạo mẫu chuyển đạo nghiên cứu sớm nhất, từ thời Einthoven Các chuyển đạo sử dụng hai điện cực thăm dò (còn gọi chuyển đạo lưỡng cực) đặt sau: ã Điện cực âm cổ tay phải, điện cực dương cổ tay trái, gọi chuyển đạo 1, viết tắt D1 ã Điện cực âm đặt cổ tay phải, điện cực dương đặt cổ chân trái, gọi chuyển đạo 2, viết tắt D2 ã Điện cực âm đặt tay trái điện cực dương chân trái, gọi chuyển đạo 3, viết tắt D3 Các trục chuyển đạo D1, D2, D3 lập thành ba cạnh hình tam giác, coi tam giác với góc 60 độ, gọi tam giác Einhoven (hình vẽ 1.1.2) 10 Luận văn thạc sỹ khoa học Hình vẽ 1.1.2 Tam giác Einthoven Trong chuyển đạo đơn cực sử dụng điện cực thăm dò, thường đặt ba vị trí sau: ã Cổ tay phải: chuyển đạo VR, thu điện mé bên phải đáy tim ã Cổ tay trái: chuyển đạo VL, thu điện phía thất trái ã Cổ chân trái: chuyển đạo VF, chuyển đạo độc nhìn thấy thành đáy tim Năm 1947, Goldberger đem cải tiến ba chuyển đạo làm cho sóng điện tim chuyển đạo tăng biên độ lên gấp rưỡi mà giữ hình dạng cũ Người ta gọi chuyển đạo đơn cực tăng cường aVR, aVL, aVF ngày thông dụng chuyển đạo cũ Các chuyển đạo trước tim, ký hiệu chữ V, kèm theo số từ đến Đó chuyển đạo đơn cực, có điện cực trung tính nối vào cực trung tâm điện cực thăm dò, đặt điểm vùng trước tim Trong khuôn khổ luận văn này, sở liệu tín hiệu điện tâm đồ sư dơng sÏ bao gåm c¸c tÝn hiƯu chn sở liệu chuẩn MIT-BIH đo chuyển đạo D2 V5, với tín hiệu ghi chuyển đạo D2 máy đo 11 Luận văn thạc sỹ khoa học điện tim Trung tâm nghiên cứu quốc tế MICA- Trường ĐHBK Hà Nội chế tạo Hình 1.1.3 tín hiệu đo chuyển đạo D2, hình (a) tín hiệu đo máy điện tim Trung tâm nghiên cứu quốc tế MICA- Trường ĐHBK Hà Nội chế tạo, hình (b) tín hiệu sở liệu chuẩn MIT-BIH (file 106.dat) (a) ECG signal 106.dat 2.5 Voltage / mV 1.5 0.5 -0.5 -1 Time / s (b) H×nh vÏ 1.1.3- TÝn hiƯu ECG đo chuyển đạo D2 12 Luận văn thạc sü khoa häc File 100 101 102 103 104 105 207 228 Tỉng sè ®Ønh R 2273 1865 2187 2084 2230 2572 2320 2956 Số đỉnh phát Số đỉnh không phát 2273 1865 2213 2083 2396 12 2642 201 2352 134 2050 Số đỉnh phát sai 0 28 178 271 166 PS PT 0% 0% 0,1% 0,05% 0,5% 7,81% 5,77% 0,14% 0% 0% 0% 0% 7,4% 10,5% 7,1% 0% Bảng 4.3.1- Kết tìm đỉnh phương pháp wavelet ã Đối với nhịp tim bình thường việc áp dụng thuật toán để tìm đỉnh R xác Tuy nhiên trường hợp tín hiệu bị ảnh hưởng đáng kể nhiễu (file 104, 105.dat) đoạn tín hiệu bị nhiễu xảy tượng tìm thừa đỉnh Trong trường hợp phải thực trình search-back để loại bỏ đỉnh bị thừa Đối với file nhiều nhiễu việc tìm đỉnh R theo phương pháp wavelet hiệu phương pháp tìm theo ngưỡng trường hợp tín hiệu bị ảnh hưởng nhiễu đỉnh R đỉnh có biên độ cao (thích hợp với việc tìm ngưỡng) Tuy nhiên với trường hợp tín hiệu có chất lượng tốt, bị ảnh hưởng nhiễu (bản ghi 100, 101, 102, 103, 228.dat) kết thu xác ã Đối với nhịp tim bất bình thường việc áp dụng thuật toán để tìm đỉnh R đem lại kết xác so với phương pháp tìm đỉnh theo ngưỡng Ta so sánh kết thu ghi 207.dat Đây ghi bao gồm toàn nhịp tim bị bệnh loại bệnh L, R, A, I, E V Kết cho thấy đoạn tín hiệu gồm nhịp tim mang bệnh I (Ventricular flutter wave) (hình vẽ 4.3.1) 96 Luận văn thạc sỹ khoa học cho kết xác, loại bệnh khác kết tìm đỉnh R xác Cụ thể thu kết ghi 207.dat sau: V 103 11 Số đỉnh Đỉnh sót Đỉnh thừa R 84 0 L 1455 25 33 I 470 73 113 E 103 A 105 19 B¶ng 4.3.2- Kết tìm đỉnh thu ghi 207.dat ECG signal 207.dat 0.8 0.6 0.4 0.2 -0.2 -0.4 -0.6 -0.8 5.88 5.89 5.885 5.895 x 10 Hình vẽ 4.3.1- Tín hiệu bệnh I ghi 207.dat Từ kết thu trình thử nghiệm hai phương pháp tìm đỉnh R sở liệu đà chọn sẵn ta đưa số nhận xét sau đây: ã Đối với tín hiệu có chất lượng tốt, bao gồm chủ yếu nhịp loại N hai phương pháp cho kết tốt ã Đối với nhịp tim bất bình thường việc áp dụng phương pháp wavelet để tìm đỉnh R đem lại kết xác so với phương pháp tìm theo ngưỡng Tuy nhiên trường hợp tín hiệu bị nhiều nhiễu phương pháp trở nên xác 97 Luận văn thạc sỹ khoa học 4.4 Kết nhận dạng tín hiệu ECG Trong phần giới thiệu số kết thực nghiệm tham khảo (tham khảo [2]) nhận dạng tín hiệu ECG mạng nơron mờ TSK Dữ liệu tham gia vào trình nhận dạng bao gồm loại tín hiƯu bƯnh N, L, R, A, I, E vµ V Tất tín hiệu xấp xỉ hoá 15 hàm đa thức Hermite bậc từ đến 14 để tạo véc tơ đặc tính đầu vào cho mạng nơron mờ TSK Ngoài nhịp ta có thêm thông số khoảng cách đỉnh R-R cuối trung bình 10 khoảng cách R-R cuối Do mạng nơron mờ xây dựng bao gồm 17 node đầu vào (tương ứng số thành phần đặc trưng cho tín hiệu ECG ) node đầu tương ứng số loại nhịp Mỗi node đầu tương ứng kiểu bệnh Mà đặc trưng tương ứng với kiểu nhịp sử dụng trình nhận dạng ký hiệu dùng sở liệu chuẩn MIT (hình vẽ 4.4.1): Kiểu bÖnh N L R A I E V Ký hiÖu 31 10 B¶ng 4.4.1-Ký hiƯu mà loại bệnh CSDL MIT-BIH Số lượng nhịp tim dùng để xây dựng CSDL cho trình nhận dạng 7279 nhịp, chia làm hai nhóm có số lượng gần nhau: nhóm 98 Luận văn thạc sỹ khoa học dùng cho trình học nhóm sử dụng cho trình test Bộ liệu học gồm 3611 cặp liệu (X,d) liệu test gồm 3668 cặp (X,d) Hai liệu bao gồm nhịp tim bình thường nhịp mang loại bệnh L, R, A, V, I E Tuy nhiên liệu sở liệu MIT có hạn nên số lượng nhịp tim mang loại bệnh không đồng Trong số loại bệnh số lượng nhịp tim mang bệnh I E Cụ thể số lượng loại nhịp tim tham gia vào trình nhận dạng sau: Loại nhịp N L R A V I E Sè nhÞp tham gia Häc Test 1000 1500 700 500 600 500 484 418 500 500 272 200 55 50 Bảng 4.4.2-Số nhịp loại bệnh sở liệu nhận dạng Trên thực tế để kết nhận dạng thu có độ tin cậy cao số lượng loại nhịp chọn sở liệu phải xấp xỉ Ta nhận thấy tổng số nhịp tim mang bệnh sở liệu MIT-BIH tương đối chiếm khoảng 30% lại 70% số nhịp nhịp N Vì trình nhận dạng, chọn sở liệu lớn với chủ yếu nhịp N kết nhận không phản ánh mức ®é tin cËy cđa hƯ thèng nhËn d¹ng Do ®ã chọn ngẫu nhiên 1000 nhịp N cho trình học 1500 nhịp N cho trình test 99 Luận văn thạc sỹ khoa học Số lượng nhóm liệu tổ chức dùng để xây dựng quy tắc mờ xác định thực nghiệm N = 21 Kết thực nghiệm cho thấy số nhóm liệu tổ chức N lớn kết trình học xác( hàm sai số E trình học nhỏ) Đối với trình test Ban đầu ta tăng N sai số test giảm, nhiên giá trị N sai số test bắt đầu tăng Vì giá trị N tối ưu giá trị tương ứng với sai số test lµ bÐ nhÊt E E test E häc N chọn =21 Số nhóm (N) Hình vẽ 4.4.1-Kết thực nghiệm hàm sai số E trình học test N thay đổi Với N chọn 21 có nghĩa đầu vào mạng nơron mờ TSK véc tơ 17 thành phần số thông số tuyến tính pij (i=1,2, ,21; j = 0,1,,17) mạng cần xác định là: 18.21=378 thông số, số tham số ( j) ( j) ( j) phi tuyÕn ci , δ i , bi (i=1, 2, , 21; j =1, 2, …, 17) cần xác định là: 3.21.17 = 1071 thông số 100 Luận văn thạc sỹ khoa học Quá trình học bắt đầu việc áp dụng thuật toán tự tổ chức liệu GK, với số nhóm liệu xác định 21, để xác định điểm trọng tâm nhóm ci ma trận tương quan nhóm Fi Qua trình này, thông số ci Fi xác định giữ cố định trình tính toán thông số khác Tiếp dùng thuật toán học mạng TSK, trước hết xác định thông số tuyến tính mạng TSK thuật toán phân tích giá trị đơn SVD Sau xác định thông số tuyến tính, tối ưu thông số phi tuyến mạng thuật toán Steepest Decent Quá trình học lặp lặp lại xác định giá trị thông số để mạng hoạt động mức độ chấp nhận Kết nhận dạng trình bày bảng đây: Loại nhÞp N L R A V I E Tỉng sè Tỉng sè nhÞp Häc 1000 700 600 484 500 272 55 3611 Test 1500 500 500 418 500 200 50 3668 Số nhịp không nhận dạng Học Test 13 24 25 55 28 38 12 18 3 86 145 Tỷ lệ không nhận dạng ®­ỵc Häc Test 1,3% 1,6% 3,75% 11% 0,33% 1% 5,79% 9,09% 2,4% 3,6% 1,1% 1,5% 5,45% 4% 2,38% 3,95% B¶ng 4.4.3-Kết nhận dạng tín hiệu ECG 101 Luận văn thạc sỹ khoa học Trong bảng 4.4.3, sai số nhận dạng (tỷ lệ không nhận dạng được) trình học test tính tỷ số phần trăm tổng số nhịp không nhận dạng tổng số nhịp tham gia trình Tuy nhiên cách tính sai số chịu ảnh hưởng số lượng loại mẫu tham gia vào trình nhận dạng Ví dụ tăng nhiều số lượng mẫu loại N liệu lên ta giảm sai số nhận dạng tổng số nhịp tham gia vào trình nhận dạng tăng lên nhiều so với tổng số nhịp không nhận dạng thành công Do nhiều trường hợp loại sai số không phản ánh mức độ tin cậy hệ thống nhận dạng Để khắc phục ảnh hưởng số lượng loại mẫu khác nhau, ta sử dụng thêm sai số loại trung bình sai số thành phần, định nghÜa nh­ sau: E= N N ∑ E( ) k k =1 ( ) N số loại nhịp tham gia trình nhận dạng E sai số loại nhịp thứ k k Với cách định nghĩa sai số trung bình ta tính lại sai số nhận dạng bảng 4.3.3 nh­ sau: Sai sè häc: (k ) Elearn= (1, + 3, 75 + 0, 33 + 5, 79 + 2, + 1,1 + 5, 45 ) ∑ k =1 = 2, 42% Elearn= Sai sè test: (k ) (1, + 11 + + 9, 09 + 3, + 1, + ) ∑ E= test k =1 = 4, 54% E= test 102 LuËn văn thạc sỹ khoa học Để đánh giá kết nhận dạng so sánh kết nhận dạng thu với số kết thực nghiệm khác Chẳng hạn với sở liệu sử dụng hệ thống nhận dạng bao gồm mạng nơron mờ lai phương pháp tạo đặc tính HOS (tham khảo [4]) có tỷ lệ không nhận dạng thành công 4,4% Trong mô hình nhận dạng tín hiệu ECG sử dụng mạng MLP phương pháp tạo đặc tính dựa tham số miền thời gian (tham khảo [8]) tỷ lệ không nhận dạng thành công trường hợp nhận dạng hai loại nhịp 10%, trường hợp 13 loại nhịp 15,5% Còn mô hình sử dụng mạng MLP phương pháp tạo đặc tính khai triển Furier tỷ lệ giảm xuống 2% trường hợp có loại nhịp bệnh (tham khảo [9]) 103 Luận văn thạc sỹ khoa học Chương V Kết luận 104 Luận văn thạc sỹ khoa học Trong khuôn khổ luận văn tác giả đà trình bày nghiên cứu lý thuyết phục vụ cho mục đích xây dựng mô hình nhận dạng tín hiệu ECG trực tuyến, đồng thời đưa số kết tính toán thực nghiệm nhận dạng tín hiệu ECG Các nội dung nghiên cứu đà trình bày qua chương: ã Chương I: Đà trình bày cách tổng quan tín hiệu ECG, sở liệu MIT-BIH đồng thời đà giới thiệu mô hình nhận d¹ng tÝn hiƯu ECG trùc tun cho phÐp nhËn d¹ng nhịp tim theo thời gian thực ã Chương II: Đà giới thiệu phương pháp tạo đặc tính tín hiƯu ECG bao gåm c¸c b­íc: tiỊn xư lý tÝn hiệu ECG, xác định phức QRS tín hiệu xấp xỉ hoá tín hiệu sở hàm Hermite ã Chương III: Nghiên cứu mạng nơron mờ TSK Đi sâu vào cấu trúc, cách tổ chức, thuật toán, chế học, thủ tục học mạng ã Chương IV: Đà đưa kết tÝnh to¸n thùc nghiƯm mang tÝnh chÊt thut phơc Tõ kết nghiên cứu thu nhận dạng tín hiệu điện tâm đồ phương pháp mạng nơron mờ TSK tác giả rút số kết luận sau đây: ã Mô hình nhận dạng tín hiệu sử dụng mạng nơron mờ TSK mô hình nhận dạng tương đối đơn giản đạt độ xác cao Trong trường hợp nhận dạng tín hiệu điện tâm đồ tỷ lệ nhận dạng thành công tín hiệu khoảng 96% ã Các kết thu từ việc ứng dụng thuật toán tìm đỉnh R, tiền xử lý tín hiệu ECG ứng dụng mạng nơron mờ TSK nhận dạng tín hiệu điện tâm đồ v.v cho phép xây dựng mô hình nhận dạng tín hiệu điện tâm đồ trực tuyến hoàn chỉnh cho phép nhận dạng nhịp đập tim theo thời gian thực 105 Luận văn thạc sỹ khoa học Do thời gian nghiên cứu có hạn nên hướng nghiên cứu đề tài chưa phát triển thực sâu rộng Do ta tiếp tục phát triển đề tài theo hướng sau đây: ã Tiếp tục hoàn thiện cải tiến mô hình nhận dạng tín hiệu điện tâm đồ mạng nơron mờ TSK, đặc biệt thuật toán học để cải thiện sai số tốc độ trình ã Mở rộng nghiên cứu số phương pháp, mô hình nhận dạng tín hiệu điện tâm đồ khác nhằm mục đích so sánh lựa chọn mô hình phù hợp cho tín hiệu thực tế ã Xây dựng hoàn thiện chương trình nhận dạng tín hiệu điện tâm đồ trực tuyến hỗ trợ máy đo điện tim, ứng dụng hệ thống trợ giúp chẩn đoán cho bác sĩ 106 Luận văn thạc sỹ khoa học Phụ lục Chương trình mô chức khối mô hình nhận dạng tín hiệu ECG trực tuyến đà xây dựng công cụ lập trình MATLAB 7.0 Các chương trình xếp thành module chương trình có chức tương tự khối mô hình nhận dạng Các module chương trình mô sở liệu MIT-BIH đà ghi đĩa CD kèm với luận văn Xin vui lòng đọc chi tiết hướng dẫn sử dụng chương trình file huong_dan.doc 107 Luận văn thạc sỹ khoa học Tài liệu tham khảo Tiếng Việt [1] GS.Trần Đỗ Trinh, BS Trần Văn Đồng, Hướng dẫn đọc điện tim, Nhà xuất b¶n y häc 1985 TiÕng Anh [2].Tran Hoai Linh, Stanislaw Osowski, Maciej Stodolski, On-line Heart beat recognition using Hermites polynomials and neuro-fuzzy network, IEEE Instrumentation & Measurement Technology Conference, Anchorage, USA, 2002, pp 1579-1601 [3].D.Gustafson, W.Kessel, Fuzzy clustering with a fuzzy covariance matrix, Proc.IEEE CDC San Diego, pp 761-766 [4].Stanislaw Osowski, Tran Hoai Linh, ECG beat recognition using fuzzy hybrid neural network, IEEE Transactions on Biomedical Engineering,Vol 48, No 11, November 2001 [5] Stanislaw Osowski, Leszek Moszczynski, Tran Hoai Linh, Higher order statistics and neurofuzzy networks in ECG rhythm recognition and classification, II Ukrainian-Polish Workshop, Solina, Poland, 2000, pp 142146 108 Luận văn thạc sỹ khoa học [6] Jiapu Pan, Willis J.Tompkins, A real time QRS detection algorithm, IEEE Transactions on Biomedical Engineering, Vol 32, No 3, March 1985 [7] Cuiwei Li, Chongxun Zhang, Changfeng Tai, Detection of ECG characteristic points using wavelet transforms, IEEE Transactions on Biomedical Engineering,Vol 42, No 13,January 1995 [8].Y.Hen Hu, W.Tompkins, J.L Urrusti, V.Alfonso, Application of artificial neural networks for ECG signal detection and classification, Journal of Electrocardiology, 1994 [9] K.Minami, H.Nakajima, T.Toyoshima, Real time discrimination of ventricular tachyarrhythmia with Fourier-transform neural network, IEEE Transaction on Biomedical Engineering, vol.46, No.2, Feb.1999, pp 179-85 [10] J.S.Jang, C.T.Sun, E.Mizutani Neuro-fuzzy and soft computing, Prentice Hall, N.J., 1997 [11] G.Golub, C.Van Loan, Matrix computation, Academic Press, 1991, New York [12] R.Mark, G.Moody, MIT-BIH arrhythmia database directory, MIT, 1988 [13] M.Lagerholm, C.Peterson, G.Braccini, L.Edenbrandt, L.Sornmo, Clustering ECG complexes using Hermite functions and self-organising maps, IEEE Tr.Biomedical Enginerring, 2000, pp 838-847 [14] Juan Pablo Martinez, Rute Almeida, Salvador Olmos, A wavelet – based ECG delineator: evaluation on standard databases [15] Laguna P.,Caminal P., Thakor N.V, and JanÐ R., Adaptive QRS shape estimation using Hermite model, 11 th IEEE Annual Conference of Eng In Med And Biol Soc., pp.683-684 , 1989 [16] Hideyuki Takagi, Introduction to Fuzzy Systems,Neural Networks and Genetic Algorithms, Kyushu Institute of Design [17] Philip N.Sabes, Linear Algebraic Equations, SVD, and the PseudoInverse 109 Luận văn thạc sỹ khoa häc [18] Robert Babuska, Fuzzy Clustering with Applications in Pattern Recognition and data-driven modeling [19] S.Mallat and W.L.Hwang, Singularity detection and processing with wavelets, IEEE Trans Inform Theory ,vol.38, pp 617-643,1992 110 ... đặc tính tín hiệu: Chức khối tạo véc tơ đặc tính đầu vào cho mạng nơron mờ TSK Mạng nơron mờ TSK: Đây khối dùng để nhận dạng tín hiệu Tín hiệu đầu khối tạo đặc tính dùng làm véctơ đầu vào mạng TSK. .. hình nhận dạng tín hiệu ECG trực tuyến, đồng thời ®­a mét sè kÕt qu¶ thùc nghiƯm vỊ nhËn dạng tín hiệu ECG Nội dung nghiên cứu Tín hiệu điện tâm đồ, sở lý thuyết mờ, lý thuyết mạng nơron mờ TSK, ... tÝn hiệu Đưa cảnh báo Khối phát phức QRS Khối xử lý thông tin thu trình nhận dạng Khối tạo đặc tính tín hiệu ECG Mạng nơron mờ TSK Nhận dạng tín hiệu Hình vẽ 1.4.1 Sơ đồ khối mô hình nhận dạng