Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp 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 VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI PHẠM VĂN NAM XÂY DỰNG MƠ HÌNH NHẬN DẠNG KẾT HỢP NHẰM NÂNG CAO ĐỘ CHÍNH XÁC PHÂN LOẠI TÍN HIỆU ĐIỆN TIM LOẠN NHỊP LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA Hà Nội – 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI PHẠM VĂN NAM XÂY DỰNG MƠ HÌNH NHẬN DẠNG KẾT HỢP NHẰM NÂNG CAO ĐỘ CHÍNH XÁC PHÂN LOẠI TÍN HIỆU ĐIỆN TIM LOẠN NHỊP Ngành: Kỹ thuật điều khiển tự động hóa Mã số: 9520216 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TSKH TRẦN HOÀI LINH PGS TS NGUYỄN THỊ LAN HƯƠNG Hà Nội 2018 LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu riêng dựa hướng dẫn PGS.TSKH Trần Hoài Linh, PGS.TS Nguyễn Thị Lan Hương tài liệu tham khảo trích dẫn Kết nghiên cứu trung thực chưa tác giả khác công bố Hà Nội, ngày tháng 12 năm 2018 TM Tập thể Hướng dẫn Nghiên cứu sinh PGS.TS Nguyễn Thị Lan Hương Phạm Văn Nam i LỜI CẢM ƠN Luận án hồn thành Bộ mơn Kỹ thuật đo Tin học công nghiệp, Viện Điện, Trường Đại học Bách Khoa Hà Nội hướng dẫn PGS.TSKH Trần Hoài Linh PGS.TS Nguyễn Thị Lan Hương Tơi xin bày tỏ lịng biết ơn đến PGS.TSKH Trần Hoài Linh, PGS.TS Nguyễn Thị Lan Hương tận tình hướng dẫn học thuật, kiến thức kinh nghiệm q trình thực luận án Tơi xin chân thành cảm PGS TS Nguyễn Quốc Cường Thầy giáo, Cô giáo Bộ môn Kỹ thuật đo Tin học công nghiệp, Viện Điện, Trường Đại học Bách Khoa Hà Nội có ý kiến đóng góp quý báu tạo điều kiện thuận lợi cho tơi q trình hồn thành luận án Tác giả luận án Phạm Văn Nam ii Mục lục MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC TỪ VIẾT TẮT vi DANH MỤC CÁC BẢNG BIỂU viii DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ x MỞ ĐẦU 1 Tính cấp thiết đề tài Mục đích nghiên cứu Đối tượng phạm vi nghiên cứu Ý nghĩa khoa học thực tiễn đề tài Những đóng góp luận án Bố cục luận án CHƯƠNG I: TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG TÍN HIỆU ECG 1.1 Tổng quan tín hiệu điện tim ECG 1.1.1 Giới thiệu chung thông số hình dạng sóng ECG 1.1.2 Một số yếu tố ảnh hướng đến tín hiệu điện tim 1.2 Tình hình nghiên cứu phương pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG 1.2.1 Tình hình nghiên cứu 1.2.2 Một số giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim 12 1.2.3 Nâng cao độ xác mơ hình kết hợp 13 1.3 Định hướng nghiên cứu luận án 15 1.4 Cơ sở liệu sử dụng luận án 18 1.4.1 Cơ sở liệu MITBIH 18 1.4.2 Cơ sở liệu MGH/MF 18 1.5 Kết luận chương I 19 iii Mục lục CHƯƠNG II: THU THẬP, TIỀN XỬ LÝ VÀ TRÍCH CHỌN ĐẶC TÍNH TÍN HIỆU ĐIỆN TIM ECG 20 2.1 Thu thập tiền xử lý tín hiệu điện tim 20 2.1.1 Lựa chọn lọc thông thấp 21 2.1.2 Lựa chọn lọc thông cao 21 2.1.3 Lựa chọn Notch 50Hz 21 2.2 Trích chọn đặc tính để nhận dạng 23 2.2.1 Phát đỉnh R 24 2.2.2 Phân tích phức QRS theo hàm Hermite sở 28 2.3 Kết luận chương II 34 CHƯƠNG III GIẢI PHÁP KẾT HỢP CÁC MƠ HÌNH NHẬN DẠNG ĐỂ CẢI THIỆN CHẤT LƯỢNG 35 3.1 Kết hợp kết mơ hình định 35 3.1.1 Đề xuất mơ hình kết hợp 35 3.1.2 Quy trình xây dựng định DT cho khối tổng hợp kết 38 3.1.3 Cây định 39 3.2 Các mơ hình nhận dạng đơn 46 3.2.1 Mạng MLP 47 3.2.1.1 Cấu trúc mạng 47 3.2.1.2 Thuật toán học theo bước giảm cực đại cho mạng MLP 49 3.2.2 Mạng nơrôn mờ TSK 51 3.2.2.1 Cấu trúc mạng 51 3.2.2.2 Thuật toán học cho mạng TSK 53 3.2.3 Máy véctơ hỗ trợ SVM 59 3.2.4 Rừng ngẫu nhiên RF 62 3.3 Đề xuất mơ hình thiết bị có tích hợp chức nhận dạng 63 3.4 Kết luận chương III 64 CHƯƠNG IV: KẾT QUẢ TÍNH TỐN VÀ MƠ PHỎNG 65 4.1 Xây dựng số liệu mẫu 65 4.1.1 Cơ sở liệu MITBIH 65 iv Mục lục 4.1.2 Cơ sở liệu MGH/MF 68 4.2 Cách đánh giá chất lượng mơ hình nhận dạng tín hiệu điện tim 70 4.3 Xây dựng mơ hình nhận dạng đơn kết 71 4.3.1 Quy trình xây dựng mơ hình đơn 71 4.3.2 Kết mơ hình nhận dạng đơn 74 4.3.2.1 Trên sở liệu MITBIH 74 4.3.2.2 Trên sở liệu MGH/MF 77 4.4 Kết thử nghiệm với mơ hình kết hợp định 79 4.4.1 Thử nghiệm kết hợp ba mạng sở MLP, TSK SVM 79 4.4.2 Các thử nghiệm kết hợp khác 82 4.5 Kết thử nghiệm thiết bị 85 4.4 Kết luận chương IV 91 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 92 DANH MỤC CÁC TÀI LIỆU THAM KHẢO 94 DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN 106 PHỤ LỤC 107 v Danh mục từ viết tắt DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt A Tiếng Anh Tiếng Việt Premature Atrial Contractions Ngoại tâm thu nhĩ ADC Analog/Digital Converter Chuyển đổi tương tự /số ARM Advanced RISC Machine Một loại cấu trúc vi xử lý ART Adapvive Resonant Theory Mạng nơrôn ART AtrioVentricular Nút nhĩ thất CAM Configurable Analog Module Khối tương tự cấu hình DFT Discrete Fourier Transform Biến đổi Fourier rời rạc Decision Tree Cây định Binary Decision Tree Cây định nhị phân Ventricular Escape Beat Tâm thất lỗi nhịp ElectroCardioGram Điện tâm đồ FN False Negative Chẩn đốn âm tính sai FP False Positive Chẩn đốn dương tính sai FPAA Field Programable Analog Arrays Mạng lưới khối tương tự lập trình HDT Hybrid Decision Tree Hệ DT lai Ventricular Flutter Wave Rung thất Intergrated Circuit Mạch tích hợp Independent Component Analysis Phân tích thành phần độc lập Left Bundle Branch Block Beat Block nhánh trái LCD Liquid Crystal Display Màn hình tinh thể lỏng LVQ Learning Vector Quantization Mạng nơrôn LVQ MIT-BIH MITBIH Arrhythmia Database Cơ sở liệu MITBIH MGH/MF MGH/MF Waveform Database Cơ sở liệu MGH/MF MultiLayer Perceptron Network Mạng nơron truyền thẳng nhiều lớp Personal Computer Máy tính cá nhân AV DT BDT E ECG I IC ICA L MLP PC vi Danh mục từ viết tắt PCA Principal Component Analysis Phân tích theo thành phần QRS QRS Complex Phức QRS Right Bundle Branch Block Beat Block nhánh phải Random Forest Rừng ngẫu nhiên Supraventricular Premature Beat Loạn nhịp thất Secure Digital Thẻ nhớ SD SVD Singular Value Decomposition Phân tích theo giá trị kỳ dị SVM Support Vector Machines Máy véctơ hỗ trợ TSK Takaga Sugeno Kang Mạng nơrôn logic mờ TSK Premature Ventricular Contraction Ngoại tâm thu thất` R RF S SD V vii Danh mục bảng biểu DANH MỤC CÁC BẢNG BIỂU Bảng 3.1: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp 42 Bảng 3.2: Ví dụ số liệu cụ thể sáu mẫu học (từ 1÷6) ba mẫu kiểm tra (từ 7÷9) 42 Bảng 3.3: Ma trận phân bố kết nhận dạng ba loại mẫu nhịp định 43 Bảng 3.4: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp 44 Bảng 3.5: Bảng số liệu học kiểm tra cho Ví dụ 44 Bảng 3.6: Kết nhận dạng Ví dụ 46 Bảng 4.1: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại rối loạn nhịp tim từ CSDL MITBIH 66 Bảng 4.2: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp 66 Bảng 4.3: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp 69 Bảng 4.4: Bảng phân chia số lượng mẫu học mẫu kiểm tra loại nhịp 69 Bảng 4.5: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng MLP 75 Bảng 4.6: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng TSK 75 Bảng 4.7: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng SVM 76 Bảng 4.8: Ma trận phân bố kết nhận dạng loại mẫu nhịp RF 76 Bảng 4.9: Các thông số đánh giá chất lượng bốn mơ hình sở MLP, TSK, SVM RF nhận dạng loại nhịp, thử nghiệm CSDL MITBIH 76 Bảng 4.10: Ma trận phân bố kết nhận dạng loại mẫu nhịp: Normal abnormal 77 Bảng 4.11: Các thơng số đánh giá chất lượng bốn mơ hình sở MLP, TSK, SVM RF nhận dạng hai loại nhịp, thử nghiệm CSDL MITBIH 77 Bảng 4.12: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng MLP 77 Bảng 4.13: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng TSK 78 Bảng 4.14: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng SVM 78 Bảng 4.15: Ma trận phân bố kết nhận dạng loại mẫu nhịp mạng RF 78 Bảng 4.16: Các thông số đánh giá chất lượng bốn mơ hình sở MLP, TSK, SVM RF nhận dạng ba loại nhịp, thử nghiệm CSDL MGH/MF 78 viii Danh mục tài liệu tham khảo Conference on Communications and Networking in China (CHINACOM), pp 730 733 104 YunHong Noh; Jiunn Huei Yap; DoUn Jeong (2013), "the Abnormal ECG Monitoring System Using Heartbeat Check Map Technique", 2013 International Conference on IT Convergence and Security (ICITCS), pp 14 105 Y Ying, XiaoLong, W and BingQuan, L (2004), "A gradual combining method for multiSVM classifiers based on distance estimation,”Proceedings of the 3rd International Conference on Machine Learning and Cybernetics, Shanghai, China, pp 3434–3438 106 Z Yujin, Yihua, T., Haitao L and Haiyan, G (2011), "A multiclassifier combined decision tree hierarchical classification method", Proceedings of the 2011 International Symposium on Image and Data Fusion (ISIDF), Yunnan, China, pp 1– 107 Zhenbo Wang; Wenfeng Zhang; An Luo Bobra (2013), "A highquality, lowenergy, smallsize systemonchip (SoC) solution enabling ECG mobile applications", Industrial Electronics Society, IECON 2013 39th Annual Conference of the IEEE, pp 84068409 108 J R Quinlan (1986), "Induction of Decision Trees", Machine Learning 1, pp 81 106, 1986 109 Haotian Shi, Haoren Wang, Yixiang Huang, Yifan Zhang, Chengliang Liu (2017), "A Mobile Intelligent ECG Monitoring System Based on IOS" 2017 International Conference on Sensing, Diagnostics, Prognostics, and Control (SDPC), pp 149 – 153 110 Maryamsadat Hejazi, S A R AlHaddad, Shaiful Jahari Hashim, Ahmad Fazli Abdul Aziz, Yashwant Prasad Singh (2017), “NonFiducial Based ECG Biometric Authentication Using OneClass Support Vector Machine” 2017 Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA), pp 190 – 194 111 Muhammad Irfan, Ibrahim A Hameed (2017), "Deep learning based classification for healthcare data analysis system" 2017 International Conference on Behavioral, Economic, Sociocultural Computing (BESC), pp 112 Qingxue Zhang, Dian Zhou, Xuan Zeng (2017), “Hear the Heart: Daily Cardiac Health Monitoring Using EarECG and Machine Learning” 2017 IEEE 8th Annual 104 Danh mục tài liệu tham khảo Ubiquitous Computing, Electronics and Mobile Communication Conference (UEMCON), pp 448 451 113 Wenliang Zhu, Xiaohe Chen, Yan Wang, Lirong Wang (2017), "Arrhythmia Recognition and Classification Using ECG Morphology and Segment Feature Analysis" IEEE/ACM Transactions on Computational Biology and Bioinformatics, pp – 114 Zi Cheng, Lin Shu, Jinyan Xie, C L Philip Chen (2017), "A novel ECGbased real time detection method of negative emotions in wearable applications" 2017 International Conference on Security, Pattern Analysis, and Cybernetics (SPAC), pp 296 301 115 Zoja Vulaj, Miloš Brajović, Anđela Draganić, Irena Orović (2017), "Detection of irregular QRS complexes using Hermite transform and support vector machine" 2017 International Symposium ELMAR, pp 59 – 62 116 http://www.physionet.org/physiobank/database/mghdb/ 117 http://www.physionet.org/physiobank/database/mitdb/ 105 Danh mục cơng trình cơng bố luận án DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN Nguyễn Đức Thảo, Trần Hoài Linh, Phạm Văn Nam, Trương Tuấn Anh (2014), “Thiết kế thiết bị thu thập tự động nhận dạng thơng minh tín hiệu điện tim sử dụng cơng nghệ vi mạch khả trình”, Tạp chí Khoa học Cơng nghệ Đại học Thái Ngun, tập 122, số 08, trang: 103109 Trần Hoài Linh, Phạm Văn Nam, Vương Hoàng Nam (2014), “Multiple neural network integration using a binary decision tree to improve the ECG signal recognition accuracy”, International Journal of Applied Mathematics and Computer Science Volume 24, Issue 3, pp 647–655 Trần Hoài Linh, Phạm Văn Nam, Nguyễn Đức Thảo (2015), "A hardware implementation of intelligent ECG classifier", COMPEL: The International Journal for Computation and Mathematics in Electrical and Electronic Engineering, vol 34, Iss: 3, pp 905 – 919 Phạm Văn Nam, Trần Hồi Linh, (2015), "Cơng nghệ nhúng thiết kế thiết bị đo điện tim có chức phát phức QRS", Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015), trang: 146 – 151 Phạm Văn Nam, Nguyễn Thị Lan Hương, Trần Hoài Linh (2017), “Ứng dụng định cho giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim”, Tạp chí Khoa học Cơng nghệ Đại học Thái Nguyên, Tập 169, số 09, Trang: 8187 Phạm Văn Nam, Trần Hoài Linh, Nguyễn Thị Lan Hương (2017), “Ứng dụng định để xây dựng mơ hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim”, Chuyên san Đo lường, Điều khiển Tự động hóa, số 20, Trang: 7681 106 Phụ lục PHỤ LỤC Phân tích thiết kế phần cứng Khối thu thập chuẩn hóa tín hiệu Tín hiệu điện tim có hình dạng hình PL.1 Tín hiệu có giá trị biên độ nhỏ, với sóng R có biên độ lớn mức đến 2,5mV Tín hiệu ECG thường dễ bị ảnh hưởng nhiều thành phần nhiễu khác như: nhiễu nguồn điện lưới, điện cực tiếp xúc với bề mặt thể bệnh nhân, thay đổi cảm xúc bệnh nhân, q trình hơ hấp chuyển động bệnh nhân… Nhiệm vụ khối là: chuẩn hóa tín hiệu analog thu từ điện cực ECG dải biến thiên từ 0÷5V, tín hiệu thường xử lý qua khâu: khuếch đại tín hiệu khoảng 2000 lần, lọc analog Như đầu khối tín hiệu điện tim ECG loại bỏ phần nhiễu từ lọc analog, có biến độ khoảng 0÷5V Các chức thực IC FPAA Dịng chip lựa chọn thiết kế AN221E04 (hình PL.2) hãng Anadigm IC AN221E04 có tài nguyên phù hợp với việc thiết kế lọc cho tín hiệu điện tim Hình PL.1: Sơ đồ mạch thu thập tín hiệu điện tim sử dụng IC FPAA Tất thiết kế sau cho FPAA thực thuận tiện phần mềm Anadigm Designer tích hợp kèm theo IC Người thiết kế cần thực công việc sau: - Lựa chọn chủng loại chip FPAA dựa tính chất ứng dụng - Chọn từ thư viện CAM khâu chức analog lập sẵn, ví dụ mạch khuếch đại, chỉnh lưu tích cực, lọc tích cực bậc cao Người thiết 107 Phụ lục kế cần xác định tham số cho khối chọn Ví dụ giao diện dùng để thiết kế khối lọc khuếch đại thể hình PL.4; - Cấu hình sau thiết kế xuất file mã hex ghi xuống nhớ vi xử lý (hoặc hệ số nói chung) để nạp cho FPAA khởi động Sơ đồ ghép nối cho trường hợp sử dụng vi xử lý ngồi nạp cấu hình cho FPAA giới thiệu hình PL.3 (a) (b) Hình PL.2: IC AN121E04 AN221E04 (a) sơ đồ bố trí chân AN221E04 (b) Hình PL.3: Sơ đồ nguyên lý ghép nối FPAA với vi xử lý để nạp cấu hình cho FPAA Xây dựng cấu hình cho IC FPAA: Xây dựng lọc: 108 Phụ lục - Thiết kế khâu lọc thông thấp: Trong thư viện CAM Anadigm Designer có khối CAM DC Blocking High Pass Filter with Optional LPF Sử dụng khối CAM ta lựa chọn tần số cắt lọc thông thấp theo tần số theo giá trị tụ điện mắc nối tiếp đầu vào Do yêu cầu tín hiệu điện tim thu thập tồn phần tín hiệu có dải tần nằm khoảng 0,05Hz đến 150Hz Ta thiết lập tần số cắt cho tín hiệu 0,05Hz Với tần số lấy mẫu tín hiệu FPAA 16 kHz giá trị tụ điện mắc phía ngồi 740nF Ta chọn tụ điện loại C105 (1000nF) tần số cắt tín hiệu 0,037Hz, đạt yêu cầu sử dụng - Thiết kế khâu lọc thông cao: Sử dụng Biquadratic Filter làm khâu lọc thơng thấp với tần số lấy mẫu tín hiệu 16kHz (bằng với tần số lấy mẫu khâu lọc thông cao), tần số cắt khâu lọc cho phép đặt dải từ 0,032kHz đến 1,6kHz Bằng cách thay đổi Quality Factor làm cho giới hạn tần số cắt hệ số khuếch đại khâu lọc thay đổi Với yêu cầu tần số cắt khâu lọc thơng cao cho tín hiệu điện tim 150Hz ta đặt Quality Factor - Thiết kế khâu lọc chặn dải: Với thiết bị điện tim mini sử dụng nguồn chiều bị ảnh hưởng nhiễu nguồn điện xoay chiều tạo Tuy nhiên thiết bị sử dụng với nguồn cắm trực tiếp vào điện lưới dây điện cực cách ly cần thiết kế lọc có khâu lọc chặn dải cho tần số điện lưới Bộ lọc chặn dải lựa chọn lọc Chebyshev Cơng cụ Anadigm Filter tính tốn chất lượng khâu lọc lượng tài nguyên chip sử dụng cho khâu lọc Trên sở tài nguyên IC221E04 ta lựa chọn thông số sau: o Pass Band Ripple = 3dB, o Stop Band Attend = 30dB, o Center Frequency = 50Hz, o Stop Band Width = 2Hz o Tần số lấy mẫu lọc = kHz 109 Phụ lục Hình PL.4: Sơ đồ thiết kế mạch lọc khuếch đại FPAA Tính tốn hệ số khuếch đại: Như phân tích trên, nhu cầu cần khuếch đại tín hiệu với hệ số khuếch đại khoảng 2000, để thực hệ số FPAA AN221E04 ta lựa chọn phương pháp mắc nối tiếp số khâu Sử dụng khuếch đại bên khối IO hình PL.4, thiết lập hệ số khuếch đại G1=16, đặt hệ số khuếch đại khâu lọc thông cao G2=8, hệ số khuếch đại khâu lọc thông thấp G3=16 Như hệ số khuếch đại toàn khâu là: G = G1xG2xG3 = 16x8x16 = 2048 Cấu hình FPAA cần nạp cho IC ta khởi động hệ thống Cấu hình nạp từ nhớ ngồi (nếu mạch khơng có vi xử lý khác) truyền từ vi xử lý trung tâm xuống FPAA theo chuẩn ghép nối SPI Trong thiết kế vi xử lý trung tâm PSoC nhận nhiệm vụ nạp cấu hình cho FPAA Trên hình PL.5 kết kiểm tra chất lượng hoạt động mạch lọc thiết kế FPAA Có thể nhận thấy cho tín hiệu điện tim bị nhiễu lọc hoạt động tốt 110 Phụ lục Hình PL.5: Kết chạy thử nghiệm mạch lọc nhiễu cho tín hiệu ECG Anadigm Designer: tín hiệu gốc (trên) tín hiệu sau lọc với lọc thiết kế (dưới) Khối vi xử lý Do yêu cầu tốc độ tính tốn nên thiết bị lựa chọn vi xử lý trung tâm sử dụng công nghệ ARM STM32F103, tốc độ 72MHz, có thư viện hỗ trợ hầu hết khối chức quan trọng ADC, giao tiếp UART, LCD Khối hình cảm ứng Để hiển thị giao diện điều khiển thiết bị có khả đưa thơng tin tín hiệu điện tim đo tới người quan sát phần giao diện sử dụng hình HMI UART Nextion 2.4 Inch Hình PL.6 hình LCD thực tế lựa chọn 111 Phụ lục Hình PL.6: Hình ảnh hình HMI UART Nextion 2.4 Inch Khối lưu trữ Đối với thiết bị đo nhu cầu lưu trữ liệu đo quan trọng Ở thiết bị đo điện tim cổ điển việc lưu trữ liệu thể qua cấu ghi cuộn giấy Tuy nhiên với phát triển ngành điện tử việc lưu trữ liệu cần thực dạng số hóa Ta lựa chọn dạng thẻ nhớ SD cho thiết bị Thẻ SD có khả lưu trữ tới GB liệu đo Giao diện ghép nối thẻ nhớ vào mạch vi xử lý giới thiệu hình PL.7 Hình PL.7: Giao diện thẻ SD mạch ghép nối giao tiếp thẻ SD với ARM Khối nguồn Do mục đích thiết kế đặt thiết bị di động nên ta sử dụng nguồn loại pin sạc nhiều lần Một loại pin có sẵn thị trường có điện áp làm việc 3.6÷3.75V Để chuyển đổi điện áp từ 3,7VDC sang 5VDC dùng IC ADP30005V với sơ đồ nguyên lý cho hình PL.8 112 Phụ lục Hình PL.8: Sơ đồ nguyên lý ghép nối IC nguồn với pin 3,7V Phần mềm máy tính: Giao diện chính: Được thực Visual C# Express 2010 Hình PL.9: Giao diện phần mềm ECG Monitor Kết thi công phần cứng Hình PL.10: Mặt mạch in 113 Phụ lục Hình PL.11: Mặt mạch in Hình PL.12: Hình ảnh thiết bị trước đóng vỏ Ổ cắm điện cực Hình PL.13: Thiết bị sau đóng vỏ (loại 1) 114 Phụ lục Một số phiên thiết bị khác: Thiết bị có kích thước lớn: 12cm x 22cm x 30cm, Hình PL.14: Thiết bị sau đóng vỏ (loại 2) Thiết bị kích thước nhỏ: 7cm x 6cm x 2cm, dùng để thu thập tín hiệu ECG Hình PL.15: Thiết bị sau đóng vỏ (loại 3) 115 Phụ lục Bảng PL.1: Thống kê số lượng loại nhịp bệnh 19 bệnh nhận sở liệu MIT-BIH STT Record Nr N L R A V I E Record 100 2239 33 0 0 Record 105 2526 0 41 0 Record 106 1507 0 520 0 Record 109 2492 0 38 0 Record 111 2123 0 0 Record 114 1820 0 10 43 0 Record 116 2302 0 109 0 Record 118 0 2166 96 16 0 Record 119 1543 0 444 0 10 Record 124 0 1531 47 0 11 Record 200 1743 0 30 826 0 12 Record 202 2061 0 36 19 0 13 Record 207 1457 86 107 105 472 105 14 Record 208 1586 0 992 0 15 Record 209 2621 0 383 0 16 Record 212 923 1825 0 0 17 Record 214 2003 0 256 0 18 Record 221 2031 0 396 0 19 Record 222 2031 0 208 0 Kết thử nghiệm thuật toán tiền xử lý phát đỉnh R thiết bị đo, thử nghiệm với 06 record 100, 101, 102, 103, 104, 105 CSDL MITBIH Bảng PL.2: Kết thử nghiệm thiết bị CSDL MIT-BIH Record Tổng số nhịp Số nhịp không phát Số nhịp phát sai Sai số (%) 100 1901 1 0.1 101 1523 0.19 102 1820 0.05 104 1849 0.59 105 2149 52 2.74 116 Phụ lục Kết thử nghiệm khả chạy chương trình nhận dạng thiết bị, với đầu vào 3068 vectơ đặc tính nhịp tim trích từ CSDL MITBIH, thời gian nhận dạng chạy ARM (STM32F103, tốc độ 72MHz) khoảng 150 (ms), phần đáp ứng thời gian thực Bảng PL.3: Kết thử nghiệm chương trình nhận dạng thiết bị với sở liệu MIT-BIH Loại nhịp (test) Số lượng Số nhịp nhận dạng sai Sai số (%) N 935 0.749 L 561 0.713 R 485 0.825 A 398 15 3.769 V 451 1.109 I 201 1.493 E 37 0.000 Bảng PL.4: Thống kê số lượng loại nhịp bệnh 19 bệnh nhận sở liệu MIT-BIH (https://www.physionet.org/physiobank/database/html/mitdbdir/records.htm) STT Record Nr N L R A V I E Record 100: Giới tính nam, 69 tuổi 2239 33 0 0 Record 105: Giới tính nam, 73 tuổi 2526 0 41 0 Record 106: Giới tính nữ, 24 tuổi 1507 0 520 0 Record 109: Giới tính nam, 64 tuổi 2492 0 38 0 Record 111: Giới tính nữ, 74 tuổi 2123 0 0 Record 114: Giới tính nữ, 72 tuổi 1820 0 10 43 0 Record 116: Giới tính nam, 68 tuổi 2302 0 109 0 Record 118: Giới tính nam, 69 tuổi 0 2166 96 16 0 Record 119: Giới tính nữ, 51 tuổi 1543 0 444 0 10 Record 124: Giới tính nam, 77 tuổi 0 1531 47 0 11 Record 200: Giới tính nam, 64 tuổi 1743 0 30 826 0 117 Phụ lục 12 Record 202: Giới tính nam, 68 tuổi 2061 0 36 19 0 13 Record 207: Giới tính nữ, 89 tuổi 1457 86 107 105 472 105 14 Record 208: Giới tính nữ, 23 tuổi 1586 0 992 0 15 Record 209: Giới tính nam, 62 tuổi 2621 0 383 0 16 Record 212: Giới tính nữ, 32 tuổi 923 1825 0 0 17 Record 214: Giới tính nam, 53 tuổi 2003 0 256 0 18 Record 221: Giới tính nam, 83 tuổi 2031 0 396 0 19 Record 222: Giới tính nữ, 84 tuổi 2031 0 208 0 Bảng PL.5: Thống kê số lượng loại nhịp bệnh 20 bệnh nhận sở liệu MGH (https://physionet.org/physiobank/database/mghdb/patientguide.shtml) STT 10 11 12 13 14 15 16 17 18 19 20 Recoder Record 029: Giới tính nam, 84 tuổi Record 030: Giới tính nam, 67 tuổi Record 058: Giới tính nam, 78 tuổi Record105: Giới tính nam, 86 tuổi Record106: Giới tính nam, 76 tuổi Record107: Giới tính nam, 77 tuổi Record108: Giới tính nam, 51 tuổi Record110: Giới tính nữ, 42 tuổi Record111: Giới tính nam, 49 tuổi Record114: Giới tính nam, 72 tuổi Record117: Giới tính nam, 88 tuổi Record119: Giới tính nam, 88 tuổi Record121: Giới tính nam, 75 tuổi Record123: Giới tính nam, 80 tuổi Record124: Giới tính nam, 80 tuổi Record125: Giới tính nam, 76 tuổi Record128: Giới tính nam, 84 tuổi Record131: Giới tính nữ, 77 tuổi Record137: Giới tính nữ, 60 tuổi Record142: Giới tính nam, 82 tuổi 118 N 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 S 50 50 65 45 75 60 0 50 65 75 50 75 75 V 12 65 50 65 65 50 45 28 65 50 50 55 65 65 0 17 ... cứu luận án: Tín hiệu điện tim ECG, yếu tố ảnh hưởng đến tín hiệu điện tim; Các mơ hình nhận dạng tín hiệu điện tim, giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim; Nghiên cứu... BÁCH KHOA HÀ NỘI PHẠM VĂN NAM XÂY DỰNG MƠ HÌNH NHẬN DẠNG KẾT HỢP NHẰM NÂNG CAO ĐỘ CHÍNH XÁC PHÂN LOẠI TÍN HIỆU ĐIỆN TIM LOẠN NHỊP Ngành: Kỹ thuật điều khiển tự động hóa Mã số: 9520216 LUẬN ÁN... dụng toán nhận dạng phức tạp, u cầu độ xác cao Trên hình 1.4 sơ đồ khối tổng quát hệ thống nhận dạng tín hiệu điện tim sử dụng mơ hình kết hợp, có M mơ hình nhận dạng đơn, kết mơ hình nhận dạng đơn