Xây dựng hệ thống thu thập và xử lý tín hiệu điện tim ECG trên nền tảng iot

ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐỖ THANH THÁI XÂY DỰNG HỆ THỐNG THU THẬP VÀ XỬ LÝ TÍN HIỆU ĐIỆN TIM ECG TRÊN NỀN TẢNG IoT (System for recording and processing of ECG signal based on IoT) Ngành: Khoa Học Máy Tính Mã số: 60480101 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng năm 2018 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA - ĐHQG - HCM Cán hướng dẫn khoa học: TS Trần Minh Quang (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét 1: TS Trương Tuấn Anh (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét 2: PGS.TS Trần Công Hùng (Ghi rõ họ, tên, học hàm, học vị chữ ký) Luận văn thạc sĩ bảo vệ Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 18 tháng năm 2018 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luận văn thạc sĩ) PGS.TS Phạm Trần Vũ (Chủ tịch hội đồng) TS Lê Hồng Trang (Thư ký hội đồng) TS Trương Tuấn Anh (Phản biện đề tài) PGS.TS Trần Công Hùng (Phản biện đề tài) TS Trần Tuấn Anh (Ủy viên hội đồng) Xác nhận Chủ tịch Hội đồng đánh giá LV Trưởng Khoa quản lý chuyên ngành sau luận văn sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA KH&KTMT ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Đỗ Thanh Thái MSHV: 1570229 Ngày, tháng, năm sinh: 16.01.1992 Nơi sinh: Bình Dương Ngành: Khoa Học Máy Tính Mã số : 60480101 I TÊN ĐỀ TÀI: Xây dựng hệ thống thu thập xử lý tín hiệu điện tim ECG tảng IoT (System for recording and processing of ECG signal based on IoT) II NHIỆM VỤ VÀ NỘI DUNG: - Hoàn thành nội dung trọng tâm việc nghiên cứu Hệ thống thu thập xử lý tín hiệu điện tim ECG tảng IoT; - Có bước tìm hiểu cơng trình nghiên cứu hệ thống có; - Đề xuất hệ thống theo định hướng đề tài tảng nghiên cứu; - Có thực hóa đánh giá kết nghiên cứu; - Đạt báo khoa học III NGÀY GIAO NHIỆM VỤ : 16/01/2017 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 03/12/2017 (được gia hạn học kỳ đến HK2 năm học 2017-2018) V CÁN BỘ HƯỚNG DẪN (Ghi rõ học hàm, học vị, họ, tên): TS Trần Minh Quang Tp.HCM, ngày tháng năm 2018 CÁN BỘ HƯỚNG DẪN (Họ tên chữ ký) TS Trần Minh Quang TRƯỞNG KHOA KH & KTMT (Họ tên chữ ký) Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính LỜI CẢM ƠN Đầu tiên, xin gửi lời cảm ơn đến TS Trần Minh Quang, giảng viên hướng dẫn luận văn người gắn bó, theo dõi, đốc thúc hỗ trợ tơi suốt q trình thực luận văn Tôi gửi lời cảm ơn tới PGS.TS Trần Công Hùng, TS Trương Tuấn Anh có góp ý phản biện, nhận xét giúp định hướng tốt cho đề tài Ngồi ra, tơi gửi lời tri ân giảng viên trường đại học Bách Khoa đặc biệt khoa Khoa học Kĩ thuật Máy tính tận tình giảng dạy cung cấp kiến thức suốt thời gian học tập nghiên cứu trường Kiến thức quý Thầy Cô mang lại hành trang vô giá đường nghiệp sau Cuối cùng, cám ơn gia đình, bạn bè, người ln bên cạnh đồng hành sống công việc Trân trọng cám ơn Tháng 06 năm 2018 Báo cáo Luận văn tốt nghiệp Trang 1/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính TĨM TẮT NỘI DUNG ĐỀ TÀI Nhằm giải vấn đề giảm thiểu tỷ lệ đột quỵ bệnh nhân mắc bệnh lý tim mạch, đề tài đề xuất hệ thống có kết hợp thành phần kiến trúc Kết nối vạn vật (Internet of Things) Mục tiêu hệ thống nhằm cung cấp tính giúp giám sát tín hiệu điện tâm đồ bệnh nhân theo thời gian thực, thông qua hệ thống Deep Learning sử dụng mơ hình Mạng thần kinh nhân tạo dạng cuộn (Convolution Neural Network - CNN) để đưa dự đoán bất thường cảnh báo cho bệnh nhân người thân cách kịp thời Kết đạt sau đề tài hệ thống giả lập hoạt động kiến trúc đề Đề tài thực đạt số bước định như: tìm thơng tin sở liệu làm kiến thức tảng cho xây dựng mơ hình nghiên cứu hệ thống chẩn đốn bệnh tim mạch, tìm hiểu lấy tín hiệu ECG làm trọng tâm nghiên cứu, đề xuất giải thuật chẩn đốn bệnh tim mạch thơng qua tín hiệu ECG, trình bày báo nghiên cứu, tìm hiểu đề xuất mơ hình xử lý liệu từ hệ thống cảm biến (sensing) qua tầng giao tiếp (communication) lưu trữ, phân tích (store & analysis) Đồng thời với q trình q trình tìm hiểu sâu tảng IoT, nghiên cứu liên quan đến IoT y tế cơng việc chuỗi tiến trình phân tích hệ thống Việc phát triển hệ thống trực tuyến chăm sóc sức khỏe, nơi người cung cấp số sức khỏe hàng ngày hàng động lực đưa đến nghiên cứu xây dựng hệ thống trực tuyến chăm sóc sức khỏe phục vụ cho ngành y tế, với mục tiêu cụ thể nữa, đề tài hướng đến việc xây dựng hệ thống trực tuyến chăm sóc sức khỏe phục vụ cho cá nhân, tổ chức quan tâm đến bệnh tim mạch Trong trình nghiên cứu, đề tài gặp số khó khăn, thách thức như: nhiễu từ tín hiệu đo cản trở kết chẩn đốn phân tích tín hiệu điện tim, kết nghiên cứu cần chung tay đông đảo bệnh nhân, đội ngũ chuyên gia y tế, nhằm kiểm chứng đồng thời cho lời khuyên giúp hoàn thiện hệ thống Báo cáo Luận văn tốt nghiệp Trang 2/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính Abstract IoT technology has been recently adopted in the healthcare system to collect Electrocardiogram (ECG) signals for heart disease diagnosis and prediction First, we have used a Finite Impulse Response (FIR) algorithm to filter and transform the signals into digital format Then, the digital data is proceeded using a revised Convolution Neural Network (CNN) algorithm Finally, we extract some key features from the data to perform diagnosis and prediction based on a feature dataset We have used an ECG dataset from MITBIH (PhisioNet) to build a knowledge-base diagnosis features We have implemented a proof-of-concept system that collects and processes real ECG signals to perform heart disease diagnosis and prediction based on the built knowledge-base Electrocardiogram (ECG) signals are the data measured from patients’ heartbeats by electronic devices Generated by cells in the heart, ECG signals reflect all activities in these cells Therefore, ECG signals are the most valuable data used in the heart disease diagnosis Nowadays, ECG signals can be measured automatically by sensors instead of the conventional discrete measurement The data collected by the sensors can be transmitted to a cloud-based system to perform preliminary automatic diagnosis based on a knowledge-base without medical experts A knowledge-base is initially built using a large sample dataset, and then can frequently be updated by specialists to improve the accuracy of the prediction The overall aim of our work is to develop such an eco-expert system using Internet of Things (IoT) technology As data can be collected in real-time and transmitted to the cloud for analysis, the proposed expert system will help patients to detect their possible heart diseases before seeing their doctors This system can also support the physicians to perform treatment for their patients for a minimum period However, there are several significant research challenges in building such expert systems First, noises always appear in the ECG signals, making the data imprecisely or even unreadable Second, building a knowledge-base to be used in heart disease diagnosis and prediction is not a trivial task Finally, ECG signals must be extracted with some key features to match with the knowledge-base for accuracy prediction Báo cáo Luận văn tốt nghiệp Trang 3/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính LỜI CAM ĐOAN Tơi xin cam đoan, kết tham khảo từ cơng trình khác trích dẫn luận văn, nội dung trình bày luận văn tơi thực chưa có phần nội dung luận văn công bố luận văn khác bên trường Tháng 06 năm 2018 Báo cáo Luận văn tốt nghiệp Trang 4/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính DANH MỤC CÁC TỪ/CỤM TỪ VIẾT TẮT IoT ECG CNN RNN ANN LSTM AI NN NFIR NAR NARMAX NOE NBJ MLP RBF ANFIS MIT-BIH SVM HOS ICA MEMS WBAN PE TP TN FP FN P,Q,R,S,T RGB MQTT API ADC FIR SAX MAD TCP JSON BSON ARM Báo cáo Luận văn tốt nghiệp Internet of Things Electrocardiography/Electrocardiogram Convolution Neural Network Recurrent Neural Network Artificial Neural Network Long Short-Term Memory Artificial Intelligence Neural Networks Nonlinear Finite Impulse Response Nonlinear Autoregressive Neural Network Nonlinear Autoregressive Exogenous Node Neural Network Nonlinear Box-Jenkins Multilayer Perceptron Radial Basis Function Adaptive Neural Fuzzy Inference System Name of database type which belongs to Physionet Support Vector Machine Higher Order Statistics Independent Component Analysis Microelectromechanical Systems Wireless Body Area Network Processing Elements True Positive True Negative False Positive False Negative Peaks of ECG signals Red Green Blue (color) Message Queuing Telemetry Transport Application Program Interface Analog Digital Converter Finite Impulse Response Symbolic Aggregate Approximation Median Absolute Deviation Transmission Control Protocol JavaScript Object Notation Binary JavaScript Object Notation Advanced RISC Machine Trang 5/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính Mục lục Giới thiệu tóm tắt nội dung đề tài 1.1 Giới thiệu hệ thống chăm sóc bệnh tim mạch 1.2 Tóm tắt nội dung đề tài 1.3 Đóng góp đề tài Nền tảng nghiên cứu công trình liên quan 10 2.1 Giới thiệu cơng trình liên quan 10 2.2 Giới thiệu tảng kiến trúc Internet of Things 13 2.3 Giới thiệu tảng nghiên cứu thông qua giải thuật học máy học sâu 15 Kiến trúc hệ thống 29 3.1 Sơ đồ thiết kế 29 3.2 Biểu đồ Use Cases 34 3.3 Thiết kế sở liệu 38 Phân tích liệu chẩn đốn bệnh 40 4.1 Lọc nhiễu từ cảm biến 40 4.2 Khai phá tập thường xuyên 41 4.3 Đề xuất mô hình dự đốn bất thường 47 Kết thực nghiệm 55 5.1 Kết đo từ thiết bị 55 5.2 Kết thực thi mơ hình đánh giá 55 Kết luận hướng phát triển 60 Phụ lục 64 7.1 Hệ thống máy chủ 64 7.2 Hệ sở liệu 64 7.3 Hệ thống nhúng 66 7.4 Hệ thống học máy 68 Báo cáo Luận văn tốt nghiệp Trang 6/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính 1.1 Giới thiệu tóm tắt nội dung đề tài Giới thiệu hệ thống chăm sóc bệnh tim mạch Mỗi năm tính riêng Việt Nam có khoảng 200.000 người chết bệnh tim mạch, khơng cướp sinh mạng nhiều người dân, điều đáng báo động có đến 20% dân số Việt Nam mang yếu tố bệnh tim mạch, bao gồm bệnh nhân tim mạch, người khởi phát bệnh, người có nguy cao bị bệnh Trên toàn giới, số 17,2 triệu người tử vong năm bệnh liên quan đến tim mạch [1] Theo số liệu đưa tọa đàm "Vì trái tim khỏe Việt Nam" diễn bệnh viện Tim Hà Nội vào sáng 25/03/2015, Việt Nam, người trưởng thành có người có nguy mắc bệnh tim mạch Mỗi năm, bệnh lý tim mạch cướp khoảng 200.000 người, chiếm 1/4 tổng số trường hợp tử vong Việt Nam Theo WHO, bệnh tim mạch nguyên nhân tử vong hàng đầu người toàn giới chiếm nhiều nước phát triển Mỗi năm, người chết bệnh tim đột quỵ nhiều ung thư, lao, sốt rét HIV cộng lại [1] Cụ thể vấn đề cốt lõi liên quan đến bệnh tim mạch gồm có: bệnh động mạch ngoại vi, chức tim bị biến đổi suy tim, rối loạn nhịp tim, tăng huyết áp, bệnh lý tim mạch liên quan đến thai nhi bà mẹ mang thai, bệnh tim với phụ nữ, trẻ em sơ sinh yếu tố khiến trẻ bị bệnh bẩm sinh, bệnh động mạch vành, bệnh hở van tim Phòng chống chữa trị bệnh tim mạch, bối cảnh bệnh liên quan đến tim mạch yếu tố lười vận động xã hội ngày nay, thói quen ăn uống điển loại thức ăn nhanh, thức ăn nhiều dầu mỡ, thức ăn có đường vấn đề khiến cho việc nghiên cứu đưa giải pháp theo dõi ngăn chặn bệnh tim đẩy mạnh Việc nghiên cứu ứng dụng thành công giải pháp đề xuất đề tài có ý nghĩa lớn đáp ứng nhu cầu thực tiễn cấp bách 1.2 Tóm tắt nội dung đề tài Nhằm giải vấn đề giảm thiểu tỷ lệ đột quỵ bệnh nhân mắc bệnh lý tim mạch, đề tài đề xuất hệ thống có kết hợp kiến trúc Kết nối vạn vật (Internet of Things), Điện toán đám mây nhiều tầng (Fog/Cloud Computing), thiết bị nhúng, cảm biến hệ thống Học sâu (Deep Learning) đề tài luận văn Mục tiêu hệ thống nhằm cung cấp tính giúp giám sát tín hiệu điện tâm đồ bệnh nhân theo thời gian thực, thông qua hệ thống Deep Learning sử dụng mơ hình Mạng thần kinh nhân tạo dạng cuộn (Convolution Neural Network - CNN) để đưa dự đoán bất thường cảnh báo cho bệnh nhân người thân cách kịp thời Kết đạt sau đề tài hệ thống giả lập hoạt động kiến trúc đề Trong q trình phân tích có so sánh giải thuật CNN với giải thuật khác gồm Mạng thần kinh nhân tạo dạng hồi quy (Recurrent Neural Network - RNN) Bộ nhớ kết hợp (Long Short-Term Memory - LSTM) độ xác, phù hợp hệ thống Internet of Things tín hiệu đầu vào Báo cáo Luận văn tốt nghiệp Trang 7/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính Hình 37: Đánh giá kết huấn luyện qua thông số trạng thái huấn luyện Qua mơ hình huấn luyện kết bên trên, thấy mơ hình hoạt động bám với liệu điện tim Để chẩn đoán bệnh tim mạch, cần đưa liệu bệnh nhân vào để tiến hành kiểm chứng mơ hình, mơ hình sử dụng liệu chuẩn từ Physionet, với mã bệnh nhân 100, liệu tín hiệu lấy khoảng 540000549999 (gồm 10000 timesteps), vị trí 546793, nhà nghiên cứu dán nhãn V (Premature Ventricular Contraction), mơ hình học nhận điểm bất thường thông qua đánh giá sai số cho kết hình 39 Qua hình 38, thấy vị trí 1518 1519 (s) có tín hiệu với biên độ bất thường, vị trí nhà nghiên cứu dán nhãn V, toán sử dụng liệu để đưa vào mơ hình nhằm thực thi kết hình 39 cho thấy biên độ sai số vượt ngưỡng khai báo điểm bất thường cho kết phân tích trùng khớp với nhãn dán nhà nghiên cứu độc lập Báo cáo Luận văn tốt nghiệp Trang 57/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính Hình 38: Chuỗi tín hiệu điện tim với điểm bất thường Hình 39: Nhận biết điểm bất thường chuỗi tín hiệu điện tim Báo cáo Luận văn tốt nghiệp Trang 58/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính Bảng 16: Đánh giá kết tổng hợp phương pháp K-Fold Cross Validation Fold 5.2.2 Mean Square Error -0.2581 -0.1547 -0.0154 -0.0038 -0.1015 Positive Negative True Positive True Negative Precision (%) Recal (%) Accuracy (%) 303652 12162 195293 57838 38909 239810 450924 473257 330634 251843 293280 11401 147692 53937 36674 49196 439653 327720 277295 215592 96.58414 93.74526 75.62581 93.25611 94.25621 60.60832 50.2867 50.36746 50.27872 50.29002 63.01747 97.40178 71.11091 85.26535 86.76329 Kết qủa đánh giá: Mơ hình đánh giá giựa K-Fold Cross Vallidation Dữ liệu từ bệnh nhân tiến hành huấn luyện với số lần định thể bảng 16 Việc đánh giá có bất thường (positive) định đầu output cho kết bé -0.1 đánh giá không bất thường (negative) định ngược lại (lớn -0.1) 5.2.3 Thảo luận & kết luận: Theo kết đánh giá, thấy kết Accuracy khơng tốt, fold tốt cho kết độ xác 97.40178%, nhiên, fold cịn lại cho fold đạt thấp tệ đạt 63.01747% Điều giải thích lý do: • Dữ liệu lấy ngẫu nhiên chuỗi liệu, điều khiến vùng liệu "bất ổn", liệu ECG số vùng xuất tín hiệu khơng xác định mà nhà nghiên cứu cung cấp liệu cho Physionet thống gọi vùng khơng xác định (un-defined), kết huấn luyện thấp • Lượng data dùng để huấn luyện nhiều mặt số lượng lại thiếu tính đa dạng (mỗi bệnh nhân cung cấp mẫu đơn liệu, mẫu bệnh nhân cung cấp lần đo kéo dài quanh 30 phút) dẫn đến việc thiếu liệu huấn luyện Có thể thấy fold 4, cho kết ổn định hai cá thể tương đồng kết huấn luyện, nhiên, fold 1, cá thể dùng để test khác biệt chuỗi liệu trình lấy tập ngẫu nhiên chuỗi nên dẫn đến kết tương đối thấp Kết luận: Mơ hình thực thi cho kết khả quan để áp dụng chẩn đoán bệnh tim mạch Tuy nhiên, để có kết tốt cần có tập liệu huấn luyện đủ lớn đa dạng, bao phủ gần hoàn toàn bệnh lý hình dạng điện tim ECG người, vào thời điểm khác ngày, tuần, tháng Báo cáo Luận văn tốt nghiệp Trang 59/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính Kết luận hướng phát triển Đề tài đạt tảng việc xây dựng hệ thống hỗ trợ bệnh tim mạch, bao gồm việc thiết kế xây dựng hệ thống Qua việc thiết kế hệ thống, đề tài sâu tìm hiểu hệ thống nghiên cứu, từ có nhìn ban đầu việc lựa chọn cấu trúc hệ thống, thể qua phần Kiến trúc hệ thống Đề tài xây dựng hệ thống thực nghiệm thông qua việc lựa chọn thiết bị đo đạc tín hiệu ECG từ người dùng, tiến hành lọc nhiễu, xây dựng giải thuật nhằm tìm kiếm bất thường chuỗi tín hiệu ECG, chẩn đốn bệnh dựa liệu liệu đo đạc, thể qua phần Kết thực nghiệm Để chứng minh tính hiệu đề tài, nghiên cứu cần tiến hành tìm hiểu vấn đề tồn đọng như: thỏa mãn người dùng hệ thống đề xuất, hợp tác thu hút nhiệt huyết bác sĩ nhà chun mơn đóng góp cho đề tài, tính hiệu đề tài cần kiểm chứng trình thực đề tài Chính việc đưa vào sử dụng sau kiểm định chất lượng chuyên gia y tế, nhằm thu đánh giá mức độ hài lòng người bệnh chưa thực đề tài, nên điểm hạn chế đề tài Với mức độ đề tài, chắn gặp khó khăn triển khai số lượng thiết bị giới hạn, khó khăn thuyết phục bệnh nhân chuyên gia y tế Nhưng theo xu hướng phát triển, đề tài có tiềm nhận số liệu thực tế qua việc vận động nhiều bệnh nhân cung cấp số liệu, đồng thời việc tìm kiếm chuyên gia y tế có tâm huyết tham gia tư vấn hỗ trợ xây dựng hệ thống việc cung cấp liệu chuyên gia Hiện tại, mơ hình thực thi cho kết khả quan để áp dụng chẩn đoán bệnh tim mạch Hiện tại, ứng dụng thiết bị số cá nhân chưa hoàn thiện cho người dùng, tương lai, hướng phát triển ứng dụng hoàn thiện cho bệnh nhân giúp hỗ trợ q trình chẩn đốn bệnh từ xa góp phần vào cơng phát triển y tế số cá nhân phát triển không ngừng (các nhà phát triển phần mềm không ngừng cập nhật thông qua phản hồi từ người sử dụng, người dùng chọn update model mới, xem tín hiệu mình, nhận tín hiệu bất thường thiết bị hay tính nhỏ xem giờ, báo thức ), tích hợp thêm giao diện cho người thân/bác sĩ nhằm giám sát bệnh nhân cách trực quan hơn, thiết bị di động web Mơ hình CNN có độ xác chấp nhận để dự đốn bất thường, hướng phát triển có kết hợp CNN LSTM để đưa mơ hình có kết tốt mơ hình CNN mục tiêu đề tài, bên cạnh giảm thiểu thời gian tính toán điều cần thiết mang lại hiệu Hệ thống sử dụng mơ hình message queue để truyền tải tín hiệu fog node/cloud client Các broker xây dựng nên từ tảng mã nguồn mở (HiveMQ/Rabbit MQ) Tuy nhiên, số lượng người dùng khối lượng liệu lớn theo thời gian hệ thống thời gian thực, lý đó, tinh chỉnh phù hợp để cân tải tối ưu hóa đường truyền hệ thống cần thiết Ngoài ra, hệ thống học máy Fog node cloud sử dụng mã nguồn mở TensorFlow Hiện tại, mã nguồn có tốc độ cao xử lý mơ hình học máy đa dạng, nhiên, với phát triển hệ thống tương lai, nơi y tế số cá nhân điều tất yếu, cấp độ tồn cầu việc phát triển tảng sử dụng mơ hình nhất, với tảng riêng cho mơ hình hệ thống, nhằm đưa tốc độ xử lý nhanh có thể, giảm trễ dự đoán bất thường điều cần thiết Báo cáo Luận văn tốt nghiệp Trang 60/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính TÀI LIỆU THAM KHẢO Tài liệu [1] http://moh.gov.vn 2018 [2] https://en.wikipedia.org/wiki/Database 2018 [3] https://en.wikipedia.org/wiki/Machine_learning 2018 [4] https://internetofthingsagenda.techtarget.com 2018 [5] https://www.cdc.gov/heartdisease 2018 [6] https://www.embedded.com 2018 [7] http://www.mongodb.com 2018 [8] http://www.who.int/en 2018 [9] Oppenheim A V., Willsky A S., and Ian T Young Signals and systems page 256, 1983 [10] U Rajendra Acharya, Hamido Fujita, Shu Lih Oh, Yuki Hagiwara, Jen Hong Tan, and Muhammad Adam Application of deep convolutional neural network for automated detection of myocardial infarction using ecg signals Information Sciences, 415:190– 198, 2017 [11] Yoshua Bengio, Patrice Simard, and Paolo Frasconi Learning long-term dependencies with gradient descent is difficult IEEE transactions on neural networks, 5(2):157– 166, 1994 [12] Avrim Blum and Ronald L Rivest Training a 3-node neural network is np-complete In Advances in neural information processing systems, pages 494–501, 1989 [13] Naveed Ishtiaq Chaudhary and Muhammad Asif Zahoor Raja Design of fractional adaptive strategy for input nonlinear box–jenkins systems Signal Processing, 116:141–151, 2015 [14] Min Chen, Yujun Ma, Jeungeun Song, Chin-Feng Lai, and Bin Hu Smart clothing: Connecting human with clouds and big data for sustainable health monitoring Mobile Networks and Applications, 21(5):825–845, 2016 [15] Sheng Chen, Colin FN Cowan, and Peter M Grant Orthogonal least squares learning algorithm for radial basis function networks IEEE Transactions on neural networks, 2(2):302–309, 1991 [16] TWS Chow and C-T Leung Nonlinear autoregressive integrated neural network model for short-term load forecasting IEE Proceedings-Generation, Transmission and Distribution, 143(5):500–506, 1996 [17] Ary L Goldberger, Luis AN Amaral, Leon Glass, Jeffrey M Hausdorff, Plamen Ch Ivanov, Roger G Mark, Joseph E Mietus, George B Moody, Chung-Kang Peng, and H Eugene Stanley Physiobank, physiotoolkit, and physionet Circulation, 101(23):e215–e220, 2000 Báo cáo Luận văn tốt nghiệp Trang 61/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính [18] Moeen Hassanalieragh, Alex Page, Tolga Soyata, Gaurav Sharma, Mehmet Aktas, Gonzalo Mateos, Burak Kantarci, and Silvana Andreescu Health monitoring and management using internet-of-things (iot) sensing with cloud-based processing: Opportunities and challenges In Services Computing (SCC), 2015 IEEE International Conference on, pages 285–292 IEEE, 2015 [19] Sepp Hochreiter Untersuchungen zu dynamischen neuronalen Netzen PhD thesis, diploma thesis, institut fă ur informatik, lehrstuhl prof brauer, technische universităat mă unchen, 1991 [20] Sepp Hochreiter and Jă urgen Schmidhuber Long short-term memory Neural computation, 9(8):17351780, 1997 [21] Dervis Karaboga and Ebubekir Kaya Adaptive network based fuzzy inference system (anfis) training approaches: a comprehensive survey Artificial Intelligence Review, pages 1–31, 2018 [22] Eamonn Keogh, Jessica Lin, and Ada Fu Hot sax: Efficiently finding the most unusual time series subsequence In Data mining, fifth IEEE international conference on, pages 8–pp Ieee, 2005 [23] Guoqi Li, Changyun Wen, Wei Xing Zheng, and Yan Chen Identification of a class of nonlinear autoregressive models with exogenous inputs based on kernel machines IEEE Transactions on Signal Processing, 59(5):2146–2159, 2011 [24] Edhelmira Lima-Medina, Orlando Loques, and Cláudio Mesquita "Minha Saúde" a Healthcare Social Network for Patients with Cardiovascular Diseases Serious Games and Applications for Health (SeGAH), 2014 IEEE 3rd International Conference, May, 14-16, 2014 [25] Chin-Teng Lin and CS George Lee Neural fuzzy systems PTR Prentice Hall, 1996 [26] Pankaj Malhotra, Lovekesh Vig, Gautam Shroff, and Puneet Agarwal Long short term memory networks for anomaly detection in time series In Proceedings, page 89 Presses universitaires de Louvain, 2015 [27] Sean McMillan, Chih-Chun Chia, Alexander Van Esbroeck, Ilan Rubinfeld, and Zeeshan Syed Icu mortality prediction using time series motifs In Computing in Cardiology (CinC), 2012, pages 265–268 IEEE, 2012 [28] Ryszard S Michalski, Jaime G Carbonell, and Tom M Mitchell Machine learning: An artificial intelligence approach Springer Science & Business Media, 2013 [29] Igarashi MO Utiliza¸cão de filtros para remo¸cão de interferência de sinais de eletrocardiograma São Paulo: Escola de Engenharia, 51(7):0–0, 2007 [30] S Osowski, T Markiewicz, and L Tran Hoai Recognition and classification system of arrhythmia using ensemble of neural networks Measurement, 41(6):610–617, 2008 [31] Stanislaw Osowski, Linh Tran Hoai, and Tomasz Markiewicz Support vector machine-based expert system for reliable heartbeat recognition IEEE transactions on biomedical engineering, 51(4):582–589, 2004 [32] Sankar K Pal and Sushmita Mitra Multilayer perceptron, fuzzy sets, and classification IEEE Transactions on neural networks, 3(5):683–697, 1992 Báo cáo Luận văn tốt nghiệp Trang 62/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính [33] Jooyoung Park and Irwin W Sandberg Universal approximation using radial-basisfunction networks Neural computation, 3(2):246–257, 1991 [34] Pranav Patel, Eamonn Keogh, Jessica Lin, and Stefano Lonardi Mining motifs in massive time series databases In Data Mining, 2002 ICDM 2003 Proceedings 2002 IEEE International Conference on, pages 370–377 IEEE, 2002 [35] H Hashem Pesaran and Yongcheol Shin Generalized impulse response analysis in linear multivariate models Economics letters, 58(1):17–29, 1998 [36] Hong Thom Pham, Bo-Suk Yang, et al A hybrid of nonlinear autoregressive model with exogenous input and autoregressive moving average model for long-term machine state forecasting Expert Systems with Applications, 37(4):3310–3317, 2010 [37] Dennis W Ruck, Steven K Rogers, Matthew Kabrisky, Mark E Oxley, and Bruce W Suter The multilayer perceptron as an approximation to a bayes optimal discriminant function IEEE Transactions on Neural Networks, 1(4):296–298, 1990 [38] Zeeshan Syed, Collin Stultz, Manolis Kellis, Piotr Indyk, and John Guttag Motif discovery in physiological datasets: a methodology for inferring predictive elements ACM Transactions on Knowledge Discovery from Data (TKDD), 4(1):2, 2010 [39] Xuning Tang and Christopher C Yang Identifying Influential Users in an Online Health-care Social Network ISI 2010 (2010 IEEE International Conference), Vancouver, BC, Canada, May, 23-26, 2010 [40] Zaiyong Tang, Chrys de Almeida, and Paul A Fishwick Time series forecasting using neural networks vs box-jenkins methodology Simulation, 57(5):303–310, 1991 [41] Do Thanh Thai and Quang Tran Minh Heart disease diagnosis using sequential recursive algorithm 11th South East Asian Technical University Consortium Symposium - 11th SEATUC Symposium, OS02(14):1–7, 2017 [42] Do Thanh Thai, Quang Tran Minh, and Phu H Phung Toward an iot-based expert system for heart disease diagnosis The 28th Modern Artificial Intelligence and Cognitive Science Conference - MAICS, pages 1–8, 2017 [43] Can Ye, BVK Vijaya Kumar, and Miguel Tavares Coimbra Heartbeat classification using morphological and dynamic features of ecg signals IEEE Transactions on Biomedical Engineering, 59(10):2930–2941, 2012 Báo cáo Luận văn tốt nghiệp Trang 63/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính Phụ lục 7.1 Hệ thống máy chủ Message Queuing Telemetry Transport Protocol (MQTT) [4] MQTT có mơ hình client/server, nơi mà cảm biến khách hàng (client) kết nối đến máy chủ, hiểu nhà mơi giới (broker), thông qua giao thức TCP (Transmission Control Protocol) MQTT giao thức định hướng tin (topic) Mỗi topic đoạn rời rạc tín hiệu broker khơng thể nhìn thấy Mỗi topic publish địa chỉ, hiểu kênh Client đăng kí vào vài kênh để nhận gửi liệu, gọi subscribe Client subscribe vào nhiều kênh Mỗi client nhận liệu trạm khác gửi liệu vào kênh đăng kí Khi client gửi tin đến kênh vào đó, gọi publish Ví dụ, mạng đơn giản gồm Client broker trung tâm Cả Client mở kết nối TCP với Broker Client màu xanh người gửi thông tin nhiệt độ Client màu đỏ đăng ký tới kênh "nhiệt độ" Hình 40: Ví dụ hoạt động MQTT Protocol Nguồn:pagefault.blog Như vậy, hai Client màu xanh nhận thông tin nhiệt độ từ Client màu đỏ Các mơ hình publish/subscribe cho phép Client MQTT giao tiếp − 1, − N N − 7.2 Hệ sở liệu NoSQL (Non – Relational SQL) khái niệm lớp hệ sở liệu không sử dụng mơ hình quan hệ (RDBMS) Tuy nhiên, thuật ngữ phổ dụng ngày người ta thường dịch NoSQL thành Not Only SQL NoSQL đặc biệt nhấn mạnh đến mơ hình lưu trữ cặp giá trị - khóa hệ thống lưu trữ phân tán [2] NoSQL đời năm 1998 Carlo Strozzi ông lập hệ sở liệu quan hệ Báo cáo Luận văn tốt nghiệp Trang 64/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính mã nguồn mở nhanh nhẹ không liên quan đến SQL Vào năm 2009, Eric Evans, nhân viên Rackspace giới thiệu lại thuật ngữ NoSQL Johan Oskarsson Last.fm muốn tổ chức hội thảo sở liệu nguồn mở phân tán Thuật ngữ NoSQL đánh dấu bước phát triển hệ CSDL mới: phân tán (distributed) + không ràng buộc (non-relational) NoSQL storage đặc biệt phổ dụng thời kỳ Web 2.0 bùng nổ, nơi mạng dịch vụ liệu cộng đồng cho phép người dùng tạo hàng tỷ nội dung web Do đó, liệu lớn nhanh vượt qua giới hạn phần cứng cần phải giải toán phân tán Đặc điểm hệ sở liệu NoSQL: • NoSQL lưu trữ liệu theo dạng cặp giá trị “key – value” Sử dụng số lượng lớn node để lưu trữ thơng tin – Mơ hình phân tán kiểm sốt phần mềm • Chấp nhận liệu bị trùng lặp số node lưu thơng tin giống • Một truy vấn gửi tới nhiều máy lúc, máy khơng phục vụ khơng ảnh hưởng đến chất lượng trả kết • Phi quan hệ – khơng có ràng buộc cho việc qn liệu • Tính qn khơng theo thời gian thực: Sau thay đổi CSDL, không cần tác động đến tất CSDL liên quan mà lan truyền theo thời gian Hệ sở liệu MongoDB MongoDB mã nguồn mở tập tài liệu dùng chế NoSQL để truy vấn, viết ngơn ngữ C++ Chính viết C++ nên có khả tính tốn với tốc độ cao khơng giống hệ quản trị CSDL Khác với dạng sở liệu key - value thông thường, MongoDB lưu trữ liệu kiến trúc Document-based, liệu (bán cấu trúc hay semi-structured) lưu trữ tổ chức dạng tập hợp document Các document linh hoạt, document có tập nhiều trường Kiến trúc dùng liệu nguồn không mô tả đầy đủ.tuy nhiên hiệu truy vấn không cao kiến trúc key - value khơng có cú pháp chuẩn cho câu truy vấn liệu Hình 41: Kiến trúc Document-based MongoDB so với kiến trúc SQL Nguồn: sql-vs-nosql.blogspot.com Báo cáo Luận văn tốt nghiệp Trang 65/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính Thay cho việc lưu trữ liệu vào bảng có quan hệ với truyền thống, MongoDB lưu liệu cấu trúc dạng giống với JSON (JavaScript Object Notation) gọi tên BSON (Binary JSON) Dự án bắt đầu triển khai vào tháng 10 năm 2007 10gen công ty xây dựng tảng dịch vụ (Platform as a Service) giống Google App Engine Ưu điểm: • Dữ liệu lưu trữ phi cấu trúc, khơng có tính ràng buộc, tồn vẹn nên tính sẵn sàng cao, hiệu suất lớn dễ dàng mở rộng lưu trữ • Dữ liệu caching (ghi đệm) lên RAM, hạn chế truy cập vào ổ cứng nên tốc độ đọc ghi cao • Khả mở rộng tốt (distributed horizontally), khả cân tải cao, tích hợp cơng nghệ quản lý liệu tốt kích thước thông lượng trao đổi liệu tăng Nhược điểm: • Khơng có chế transaction • Dữ liệu caching, lấy RAM làm trọng tâm hoạt động hoạt động yêu cầu nhớ RAM lớn • Mọi thay đổi liệu mặc định chưa ghi xuống ổ cứng khả bị liệu từ nguyên nhân điện đột xuất cao 7.3 Hệ thống nhúng Ngày vi điều khiển (Micro-controller) phổ biến thiết bị điện điện tử dân dụng, vi điều khiển khống chế hoạt động thiết bị TV, máy giặt, đầu đọc laser, điện thoại Trong hệ thống sản xuất tự động, vi điều khiển sử dụng robot, dây chuyền tự động Các hệ thống thơng minh vai trị vi điều khiển quan trọng [6] Bộ vi điều khiển (Micro-controller) mạch tích hợp Chíp lập trình được, dùng để điều khiển hoạt động hệ thống Bộ vi điều khiển tiến hành đọc, lưu trữ thông tin, xử lý thông tin, đo lường thời gian tiến hành đọc mở cấu ARM tên viết tắt họ vi điều khiển Advanced RISC Machine có cấu trúc 32 64 bit kiểu RISC, đặc điểm ARM tiết kiệm lượng, dùng nhiều sản phẩm điện tử di động, mục tiêu thiết kế ARM đảm bảo tiêu tán cơng suất thấp ARM thấy ứng dụng đơn giản bao gồm robot, điều khiển nhiệt độ phát chuyển động; đến phức tạp loại điện thoại thông minh dùng lõi ARM, hay thiết bị y tế tinh vi Đi với mơi trường phát triển tích hợp (IDE) chạy máy tính cá nhân thông thường cho phép người dùng viết chương trình cho ARM ngơn ngữ C C++ Báo cáo Luận văn tốt nghiệp Trang 66/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính ESP8266 NodeMCU bo mạch phổ biến việc phát triển tảng IoT Ưu điểm mạch module wifi chuyên biệt tích hợp sẵn sử dụng vi điều khiển mạnh mẽ hỗ trợ ARM việc truyền nhận liệu lên Fog node Đây module truyền nhận WiFi đơn giản dựa chip ESP8266 SoC (System on Chip) hãng Espressif Module ESP 8266 V1 thường sử dụng cho ứng dụng IoT Module nạp sẵn firmware giúp người dùng giao tiếp với wifi dễ dàng qua tập lệnh AT thông qua giao tiếp UART Module hỗ trợ chuẩn 802.11 b/g/n, Wi-Fi 2.4 GHz, hỗ trợ WPA/WPA2, có chế độ hoạt động (Client, Access Point, Both Client and Access Point) Bluetooth chuẩn truyền thông không dây để trao đổi liệu khoảng cách ngắn Chuẩn truyền thông sử dụng sóng radio ngắn (UHF radio) dải tần số ISM (2.4 tới 2.485 GHz) Khoảng cách truyền module vào khoảng 10m Module Bluetooth HC-05 thiết kế dựa chip BC417 Chip có cấu trúc phức tạp sử dụng nhớ flash 8Mbit Việc sử dụng module hoàn toàn đơn giản nhà sản xuất tích hợp giao tiếp hỗ trợ người dùng module HC-05 Sensor AD-8232 điều khiển tích hợp dùng để đo lường tín hiệu điện tâm đồ dùng để đo lường tín hiệu sinh học khác Sensor AD-8232 thiết kế để trích xuất, khuếch đại lọc tín hiệu sinh học nhỏ điều kiện có nhiễu Đây thiết kế dùng cho chuyển đổi điện cực nhỏ analog-to-digital sử dụng vi điều khiển nhúng để thu tín hiệu đầu cách dễ dàng Hình 42: Các module sử dụng cho hệ thống nhúng: STM32F407VG, NodeMCU ESP8266, AD8232, HC05 Báo cáo Luận văn tốt nghiệp Trang 67/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính 7.4 Hệ thống học máy Trong sách Machine learning Tom Mitchell [28] Ông định nghĩa sau: "Computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E." Từ trích dẫn trên, diễn giải sau: máy tính gọi học từ kinh nghiệm (dữ liệu) E với tác vụ (dự đốn, phân lớp, gom nhóm) T đánh giá độ đo (độ xác) P máy tính khiến tác vụ T cải thiện độ xác P thơng qua liệu E cho trước Các thành phần cở hệ thống Machine learning bao gồm: liệu E cho trước nhằm hoàn thành tác vụ T Mơ hình đánh giá độ đo P (độ xác), từ ta tiến hành cải thiện mơ hình dựa vào độ đo P Những dự đoán hay dự báo từ Machine Learning giúp cho ứng dụng thiết bị trở nên thơng minh Ví dụ, bạn mua sắm trực tuyến, Machine Learning giúp giới thiệu sản phẩm khác bạn ưa thích, dựa vào bạn xem qua mua, bạn dùng thẻ tín dụng (credit card) để toán Machine Learning so sánh giao dịch với số sở liệu giao dịch trước để giúp ngân hàng phân tích phát gian lận việc giao dịch [3] Hiện có nhiều cơng cụ framework để hỗ trợ việc học máy khai phá liệu Điển hình kể tới Azure Microsoft, theo hướng học thuật có Weka framework Google xây dựng phát triển mà ta sử dụng dự án Tensorflow Microsoft Azure Azure Machine Learning dịch vụ phân tích, dự đốn dựa tảng đám mây Microsoft Nó giúp nhanh chóng tạo triển khai mơ hình dự báo giải pháp phân tích liệu cách nhanh chóng hiệu Machine Learning trước yêu cầu phần mềm phức tạp, hệ thống máy tính cao cấp nhà khoa học đầy kinh nghiệm để hiểu Đối với cơng ty startup doanh nghiệp lớn đắt đỏ phức tạp Azure Machine Learning thổi luồng khơng khí vào dịch vụ Machine Learning, giúp trở nên dễ tiếp cận Azure Machine Learning cho phép người dùng khơng có hiểu biết sâu khoa học liệu truy cập liệu cho mục đích dự đốn dự báo Đồng thời với Azure Machine Learning, không cần phải bận tâm phần mềm hay phần cứng, môi trường dịch vụ kèm Chỉ với trình duyệt kết nối Internet, truy cập vào Azure bắt đầu phát triển mơ hình dự đốn mơ hình phân tích thời gian nhanh Azure Machine Learning cho phép lưu trữ không giới hạn số lượng file Azure Storage, kết nối đồng với cá dịch vụ liên quan đến Azure, bao gồm: HDInsight, giải pháp liệu lớn dựa Hadoop, SQL Server database máy ảo Tensorflow TensorFlow thư viện phần mềm mã nguồn mở dùng để tính tốn số dựa luồng liệu theo kiểu mạng Những note mạng biểu diễn cho biểu thức tính tốn, cạnh mạng biểu diễn cho mảng liệu nhiều chiều giao tiếp với Kiến trúc linh hoạt giúp cho người dùng phát triển mơ hình tính tốn nhiều CPU/GPU máy tính, máy chủ hay kể Báo cáo Luận văn tốt nghiệp Trang 68/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính thiết bị di động với API TensorFlow phát triển nhà nghiên cứu kỹ sư làm việc đội ngũ Google Brain nằm tổ chức nghiên cứu Machine Intelligence mục đích đóng góp cho nghiên cứu học máy mạng neural học sâu Tensor khái niệm TensorFlow • Tensor cấu trúc liệu sử dụng toàn TensorFlow, đại diện cho tất loại liệu Hay nói cách khác tất loại liệu tensor • Việc trao đổi liệu q trình xử lý thơng qua tensor • Hiểu đơn giản tensor mảng n chiều hay list cộng thêm vài thứ hỗ trợ khác • Tensor có thuộc tính Rank, Shape, Type Rank số chiều liệu, Shape độ dài, độ lớn Tensor Type kiểu liệu So sánh TensorFlow sử dụng phù hợp với mục đích cấu trúc hệ thống TensorFlow có cộng đồng sử dụng lớn mạnh, phù hợp với môi trường học thuật phục vụ cho nhu cầu tiếp cận, tìm hiểu nghiên cứu Các giảng ví dụ cung cấp Google rõ ràng dễ hiểu Ngoài thư viện dễ sử dụng ngôn ngữ python, ngôn ngữ quen thuộc với sinh viên Các thư viện hỗ trợ đầy đủ linh hoạt để nghiên cứu sinh tinh chỉnh cải tiến mơ hình TensorFlow thư viện mã nguồn mở phí để nghiên cứu miễn phí, so sánh với Azure phần mềm tốn phí Microsoft phát triển Ngồi Azure lại theo hướng trực quan hóa dễ dùng nên nghiên cứu sinh khơng thể có mơi trường phát triển linh hoạt hiểu rõ tường tận mơ TensorFlow Azure yêu cầu người dùng sử dụng Cloud để huấn luyện mơ hình học máy mình, TensorFlow tự cài đặt tự huấn luyện máy tính cá nhân, việc giúp linh động việc sử dụng công cụ làm ví dụ huấn luyện ngay, ngồi chi phí miễn phí so với việc sử dụng Cloud Microsoft Vì TensorFlow chạy máy tính cá nhân nên việc phát triển hệ thống đơn giản gói gọn so với dùng Cloud bên Báo cáo Luận văn tốt nghiệp Trang 69/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính Danh sách hình vẽ Internet of Things phát triển ngành năm 2018 Nguồn: iot.do 14 Kiến trúc mạng Neural nhân tạo 15 Q trình xử lý thơng tin ANN 16 Ví dụ hàm chuyển đổi note mạng Nơron nhân tạo 17 Mơ hình Recurrent Neural Network Nguồn: wildml.com 19 Vấn đề Vanishing/Exploding Gradient RNN Nguồn: hirotakahachiya.hatenablog.com 21 Cấu trúc hàm chuyển đổi note RNN Nguồn: colah.github.io 21 Cấu trúc hàm chuyển đổi note LSTM Nguồn: colah.github.io 22 Các ký hiệu LSTM Nguồn: colah.github.io 22 10 Đường C lưu trạng thái Nguồn: colah.github.io 22 11 Cổng định thông tin cần phải quên Nguồn: colah.github.io 23 12 Cổng định thông tin cần cập nhật vào đường C Nguồn: colah.github.io 23 13 Cổng kết hợp thông tin cần quên thông tin cần cập nhật vào đường C Nguồn: colah.github.io 24 14 Cổng định giá trị đầu cell Nguồn: colah.github.io 24 15 Lớp Convolution Nguồn: cs231n.github.io/convolutional-networks 26 16 Ví dụ thực tế lớp Convolution Nguồn: deeplearning4j.org/convolutionalnetwork 27 17 Ví dụ minh họa lớp Pooling có filter 2x2 stride Nguồn: embeddedvision.com 28 18 Sơ đồ thiết kế hệ thống Chăm sóc tim mạch 29 19 Kiến trúc Fog 31 20 Sơ đồ mạch thiết bị đo ECG 33 21 Thiết kế Use Cases cho hệ thống 22 Thiết kế sở liệu cho hệ thống database MongoDB 38 23 Bộ lọc sở FIR loại nhiễu liệu thô 41 24 Tín hiệu trước sau qua lọc sở FIR 25 Hai chuỗi khớp 42 26 Chuỗi khớp cận (Trivial Match) 42 27 Đưa chuỗi 128 chiều chiều biến đổi thành ký tự ( ký hiệu baabccbc) theo bảng phân phối chuẩn từ tới 10 43 Báo cáo Luận văn tốt nghiệp 34 41 Trang 70/71 Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Khoa Khoa Học & Kỹ Thuật Máy Tính 28 Kết thử nghiệp mẫu ECG tìm mẫu thường xuyên có chuỗi ký tự giống 44 29 Chuỗi tín hiệu điện tim ECG sử dụng cho mơ tả việc thực thi tìm tập thường xun 44 30 Các giá trị thường xuyên chuỗi tín hiệu điện tim ECG phân đoạn 44 31 Các ký tự tập thường xuyên chuỗi tín hiệu điện tim ECG phân đoạn 45 32 Các vùng tín hiệu tương đồng tập thường xuyên phân đoạn QRS, ST, PR 45 33 Các ký tự tập thường xuyên vùng tín hiệu chu kỳ điện tim ECG 46 34 Điện tâm đồ nhãn từ sở liệu SDDB Nguồn: physionet.org 47 35 Kết đo thực tế tín hiệu ECG 55 36 Đánh giá kết huấn luyện qua số Epoch 56 37 Đánh giá kết huấn luyện qua thông số trạng thái huấn luyện 57 38 Chuỗi tín hiệu điện tim với điểm bất thường 58 39 Nhận biết điểm bất thường chuỗi tín hiệu điện tim 58 40 Ví dụ hoạt động MQTT Protocol Nguồn:pagefault.blog 64 41 Kiến trúc Document-based MongoDB so với kiến trúc SQL Nguồn: sql-vs-nosql.blogspot.com 65 42 Các module sử dụng cho hệ thống nhúng: STM32F407VG, NodeMCU ESP8266, AD8232, HC05 67 Báo cáo Luận văn tốt nghiệp Trang 71/71 ... Khoa Học Máy Tính Mã số : 60480101 I TÊN ĐỀ TÀI: Xây dựng hệ thống thu thập xử lý tín hiệu điện tim ECG tảng IoT (System for recording and processing of ECG signal based on IoT) ... VỤ VÀ NỘI DUNG: - Hoàn thành nội dung trọng tâm việc nghiên cứu Hệ thống thu thập xử lý tín hiệu điện tim ECG tảng IoT; - Có bước tìm hiểu cơng trình nghiên cứu hệ thống có; - Đề xuất hệ thống. .. đốn bất thường tín hiệu điện tim Các tính hệ thống hướng đến xây dựng bao gồm: • Cung cấp cho người dùng thiết bị theo dõi tín hiệu điện tim theo thời gian thực kết nối với hệ thống thơng qua