(Đồ án tốt nghiệp) phân loại bệnh tim từ tín hiệu điện tâm đồ sử dụng kit raspberry pi

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ TRUYỀN THƠNG PHÂN LOẠI BỆNH TIM TỪ TÍN HIỆU ĐIỆN TÂM ĐỒ SỬ DỤNG KIT RASPBERRY PI GVHD: NGUYỄN THANH NGHĨA SVTT: LÊ HOÀNG THANH MSSV: 14141281 SVTT: NGUYỄN THỊ NHƯ QUỲNH MSSV: 14141253 SKL006554 Tp Hồ Chí Minh, tháng 07/2018 BỘ GIÁO DỤC & ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA ĐIỆN – ĐIỆN TỬ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH - ĐỒ ÁN TỐT NGHIỆP NGÀNH KỸ THUẬT ĐIỆN TỬ TRUYỀN THÔNG ĐỀ TÀI: PHÂN LOẠI BỆNH TIM TỪ TÍN HIỆU ĐIỆN TÂM ĐỒ SỬ DỤNG KIT RASPBERRY PI GVHD: ThS Nguyễn Thanh Nghĩa SVTH: Nguyễn Thị Như Quỳnh MSSV: 14141253 Tp Hồ Chí Minh – 07/2018 NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên: Chuyên ngành: Hệ đào tạo: Khóa: I TÊN ĐỀ TÀI: PHÂN LOẠI BỆNH TIM TỪ TÍN HIỆU ĐIỆN TÂM ĐỒ SỬ DỤNG KIT RASPBERRY PI II NHIỆM VỤ Các số liệu ban đầu: Các tài liệu Python Support Vector Machine Cơ sở liệu để huấn luyện lấy từ nguồn physionet.org Nội dung thực hiện: Tìm hiểu Raspberry, bệnh rối loạn nhịp tim đặc trưng liên quan đến bệnh Tìm hiểu loại mơ hình SVM lựa chọn mơ hình phù hợp Huấn luyện mơ hình SVM Viết chương trình chẩn đốn bệnh tim bao gồm ngõ vào cho phép nhập mã số bệnh nhân, ngõ đưa kết nhịp tim Hồn thành mơ hình SVM Đánh giá kết thực III NGÀY GIAO NHIỆM VỤ: IV NGÀY HOÀN THÀNH NHIỆM VỤ: V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: CÁN BỘ HƯỚNG DẪN 16/04/2018 5/07/2018 ThS Nguyễn Thanh Nghĩa BM ĐIỆN TỬ CÔNG NGHIỆP – Y SINH TRƯỜNG ĐH SPKT TP HỒ CHÍ MINH KHOA ĐIỆN-ĐIỆN TỬ BỘ MƠN ĐIỆN TỬ CƠNG NGHIỆP – Y SINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM ĐỘC LẬP - TỰ DO - HẠNH PHÚC o0o Tp HCM, ngày 06 tháng 07 năm 2018 LỊCH TRÌNH THỰC HIỆN ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên 1: Lê Hoàng Thanh Lớp: 14141DT3A Họ tên sinh viên 2: Nguyễn Thị Như Quỳnh Lớp: 14141DT3A Tên đề tài: Phân loại bệnh tim từ tín hiệu điện tâm đồ sử Tuần/ngày GV HƯỚNG DẪN (Ký ghi rõ họ tên) Ths Nguyễn Thanh Nghĩa LỜI CAM ĐOAN Chúng – Lê Hoàng Thanh Nguyễn Thị Như Quỳnh cam đoan ĐATN cơng trình nghiên cứu thân tơi (chúng tôi) hướng dẫn Ths Nguyễn Thanh Nghĩa Các kết công bố ĐATN trung thực khơng chép từ cơng trình khác SV thực đồ án Lê Hoàng Thanh Nguyễn Thị Như Quỳnh i LỜI CẢM ƠN Để hồn thành đề tài này, nhóm sinh viên thực xin gửi lời cảm ơn chân thành đến Thầy/Cô khoa Điện - Điện Tử, trường Đại học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh, người truyền đạt cho em kiến thức quý báu, dẫn định hướng cho nhóm trình học tập Đây tiền đề để nhóm hồn thành đề tài nghiệp sau Đặc biệt, nhóm xin chân thành cảm ơn Thầy Nguyễn Thanh Nghĩa tận tình hướng dẫn tạo điều kiện thuận lợi cho nhóm suốt thời gian thực Đồ Án Tốt Nghiệp Nhóm xin phép gửi đến thầy lòng biết ơn lời cảm ơn chân thành sâu sắc Kiến thức, kinh nghiệm tâm nghề nghiệp thầy khơng giúp đỡ nhóm hồn thành tốt đề tài mà cịn gương để nhóm học tập noi theo đường sau Cuối cùng, cố gắng hoàn thành nhiệm vụ đề tài đặt đảm bảo thời hạn kiến thức cịn hạn hẹp chắn sẽ khơng tránh khỏi thiếu sót, mong Thầy/Cơ bạn sinh viên thơng cảm Nhóm mong nhận ý kiến Thầy/Cơ bạn sinh viên Nhóm xin chân thành cảm ơn! SV thực đồ án Lê Hoàng Thanh Nguyễn Thị Như Quỳnh ii MỤC LỤ LỜI CAM ĐOAN LỜI CẢM ƠN MỤC LỤC DANH MỤC HÌNH ẢNH DANH MỤC BẢNG BIỂU TÓM TẮT CHƯƠNG 1: TỔNG QUAN 1.1.Đặt vấn đề 1.2.Mục tiêu 1.3.Nội dung nghiên cứu 1.4.Giới hạn đề tài 1.5.Bố cục CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1.Cấu tạo hoạt động tim 2.1.1 Cấu tạo tim 2.1.2 Hoạt động 2.2.Tín hiệu điện tâm đồ (ECG) 2.2.1 Giới thiệu tín 2.2.2 Các chuyển đạo 2.2.3 Ý nghĩa 2.2.4 Áp dụng 2.3.Kit Raspberry Pi 2.3.1 Giới thiệu b 2.3.2 iii Phần cứng 2.3.3 2.4 Phần mềm Tổng quan ngôn ngữ Python 2.4.1 Khái niệm ngôn 2.4.2 Đặc điểm ngôn ngữ 2.4.3 Cú pháp ngôn ngữ 2.5 Tổng quan Support Vector Machines (SVM) 2.5.1 Khái niệm Support 2.5.2 Phân biệt hai 2.5.3 Phân biệt nhiề 2.5.4 Chuẩn hóa liệu 2.5.5 Các phương pháp đ 2.5.6 Một số ứng dụng 2.6 Phép biến đổi Wavelet rời rạc 2.7 Phép biến đổi Fourier thời gian ngắn (Short-tim 2.8 Giới thiệu liệu ECG CHƯƠNG 3: TÍNH TỐN VÀ LỰA CHỌN MƠ HÌNH 3.1 Giới thiệu 3.2 Thiết kế sơ đồ khối 3.3 Tính tốn thiết kế mơ hình 3.3.1 Thiết kế khối tiền xử 3.3.2 Thiết kế khối xử lý 3.3.3 Thiết kế phân lớ 3.3.4 Lựa chọn phương t 3.3.5 Lựa chọn phần cứn CHƯƠNG 4: XÂY DỰNG MƠ HÌNH 70 4.1 Giới thiệu 70 4.2 Lập trình hệ thống 70 4.2.1 Lưu đồ giải thuật 70 4.2.2 Phần mềm lập trình 78 CHƯƠNG 5: KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ 82 5.1 Kết 82 5.1.1 Kết nghiên cứu 82 5.1.2 Kết thống kê 82 5.2 Nhận xét – Đánh giá 89 CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 90 6.1 Kết luận 90 6.2 Hướng phát triển 90 TÀI LIỆU THAM KHẢO 91 v RR+ Euclid BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH CHƯƠNG KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ Đồ thị 5.3 Kết phân loại kết hợp đặc trưng với Kết phân loại kết hợp đặc trưng với Độ xác 100 80 60 40 20 Norm RR +WVLT+STFT Feature Như bảng 5.3, ta kết hợp đặc trưng với nhau, kết cao thu 89.5% từ đặc trưng Norm RR + WVLT + STFT, kết hợp không cao kết hợp đặc trưng Norm RR+ STFT Nên ta sẽ tiến hành thử nghiệm kết hợp đặc trưng với Bảng 5.4: Kết phân loại kết hợp đặc trưng với Feature Euclid + STFT + Norm RR + WVLT RR+Norm RR+ STFT +wvlt Đồ thị 5.4: Kết phân loại kết hợp đặc trưng với BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH CHƯƠNG KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ Kết phân loại kết hợp đặc trưng với Độ xác 100 80 60 40 20 Euclid + STFT+NormRR+WVLT Feature Qua bảng 5.3, ta thấy kết hợp STFT, Norm RR với WVLT có kết cao (89.5%), ta sẽ tiến hành kết hợp đặc trưng với hai đặc trưng lại Kết bảng 5.4, độ xác đạt cao tới 88.76% Vì thế, ta sẽ thử trường hợp kết hợp đặc trưng bảng 5.5 sau Bảng 5.5: Kết phân loại kết hợp đặc trưng với Feature Euclid + STFT + RR + Norm RR + WVLT Theo bảng 5.5, kết hợp năm đặc trưng lại với Ta có độ xác khơng cao trường hợp trước Tóm lại, trường hợp thể qua bảng 5.6 sau Bảng 5.6: Kết phân loại với đặc trưng khác Feature Norm RR + STFT Norm RR+Euclid+wvlt Euclid + STFT + Norm RR + WVLT STFT RR + STFT Euclid + STFT + RR + Norm RR + WVLT Norm RR +wvlt BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH CHƯƠNG KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ Euclid + STFT RR+Norm RR+ Euclid+wvlt Norm RR +wvlt +RR WVLT + STFT RR+wvlt wvlt RR+Norm RR+ Euclid Norm RR RR RR+Norm RR Euclid Đồ thị 5.6: Kết phân loại với features khác Độ xác Kết phân loại với features khác 100 90 80 70 60 50 40 30 20 10 Feature Khi sử dụng tập DS1 để huấn luyện, tập DS2 để đánh giá, ta sẽ có kết bảng 5.6 với feature Qua bảng ta thấy hiệu features trích xuất Với feature riêng rẽ STFT cho độ xác cao với độ xác 88.34% Và kết xác khoảng cách Euclid với 56.74% Nguyên nhân khoảng cách xác định chưa đúng, đỉnh R bị lệnh khoảng cách Euclid trích xuất đặc trưng cách xác Để nâng cao độ xác ta cần kết hợp feature lại với Vì thực tế, nhịp tim S có hình dạng phức hợp QRS giống với nhịp N nên khó phân biệt hai nhịp Sự xuất nhịp S nhận biết khoảng cách BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH CHƯƠNG KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ AR ta cần phải them feature RR để nâng cao độ xác mơ hình phân loại SVM Cụ thể sử dụng feature STFT độ xác đạt 88.34%, kết hợp với feature Norm RR độ xác cải thiện lên đến 90.24% Khi so sánh ta thấy Norm RR kết hợp với STFT độ xác 90.24%, cịn RR kết hợp với STFT độ xác 87.99% Nguyên nhân feature RR ảnh hưởng số nhịp đập phút, số với bệnh nhân khác feature RR không hữu dụng Bởi vậy, ta cần phải chuẩn hóa RR cho khơng phụ thuộc vào số nhịp đập, cách chia cho giá trị trung bình RR tín hiệu ECG, sẽ cải thiện độ xác Feature Wavelet kết hợp với feature khác mang lại độ xác cao Nếu xét độ ta sẽ chọn có độ xác cao Cho nên feature STFT Norm RR lựa chọn hợp lý Ở bảng 5.6, nhóm dùng tập DS1 để huấn luyện DS2 để kiếm tra Nhóm thử trường hợp khác dùng DS2 để huấn luyện DS1 để kiểm tra, dùng DS1 DS2 để huấn luyện, sau dùng DS2 để kiếm tra Ta có kết bảng 5.7 Bảng 5.7: Kết phân loại với tập liệu khác Tập huấn luyện DS1 DS2 DS1+DS2 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH CHƯƠNG KẾT QUẢ - NHẬN XÉT - ĐÁNH GIÁ Đồ thị 5.6: Kết phân loại với tập liệu khác Kết phân loại với tập liệu khác 100 Độ xác 80 60 40 20 DS1 DS2 DS1 + DS2 Tập huấn luyện Qua bảng 5.3, ta thấy việc sử dụng tập DS1 để huấn luyện để huấn luyện tập DS2 để kiểm tra sẽ có kết cao hai tập liệu có số bệnh nhân, nhịp tim hai tập có chênh lệch Cụ thể tập DS1 51002 nhịp DS2 49691 nhịp Do đó, ta dùng tập liệu chứa nhiều thơng tin SVM sẽ “học” tốt Còn trường hợp dùng DS1 DS2 để huấn luyện, dùng DS2 để kiếm tra kết lại đến 100% Hiện tượng xảy SVM học từ DS1 DS2, kiểm tra lại thứ “học” độ xác cao Vì thế, ta có tập liệu ta phải chia tập liệu cho hợp lý để mơ hình phân loại cho kết tốt 5.2 Nhận xét – Đánh giá Các nội dung đạt so với yêu cầu đặt ra:  Tìm hiểu raspberry rối loạn bệnh tim đặc trưng bệnh Phân tích đặc trưng từ tính hiệu ECG Xây dựng phân lớp SVM để phân biệt loại nhịp tim vs độ xác lên đến 90%  Nguyên cứu so sánh phân loại sử dụng đặc trưng khác Tuy nhiên cịn gặp số hạn chế như: Mơ hình SVM cần tối ưu để đạt độ xác cao BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 Kết luận Sau khoảng thời gian nghiên cứu tìm tịi vừa qua, nhóm thành cơng việc đưa kết luận nhịp tim thuộc nhóm bệnh thơng qua mơ hình phân loại SVM với đầu vào liệu tín hiệu ECG Và dựa vào kết thống kê so sánh kết hợp đặc trưng khác với thay đổi tập huấn luyện tập test,cùng với thông số mô hình SVM (chương 5), nhóm định lựa chọn kết hợp đặc trưng Norm RR với STFT, với thông số C 100 với kernel RBF cho mơ hình SVM để thiết kế phân loại nhịp tim với độ xác 90% Khi so sánh với cơng trình nghiên cứu trước năm 2014 cơng trình Zhang et al ( 88.3%), Mar et al.(89.9%), Chazal et al.(86.2%) nhóm có vượt bậc độ xác Nhưng so sánh với cơng trình cơng trình Mondejar (2017 – 94.5%) nhóm lại khơng có độ xác giới hạn mặt kiến thức Trong trình làm đồ án, nhóm rút nhiều kinh nghiệm kiến thức bổ ích Tuy nhiên kiến thức cịn hạn chế nên độ xác mơ hình phân loại chưa đạt đến mức tuyệt đối 6.2 Hướng phát triển Một số hướng phát triển để đề tài hồn thiện : Thiết kế đo điện tim trực tiếp từ bệnh nhân chẩn đoán thời gian thực Lưu liệu bệnh nhân lên server để bác sĩ dễ dàng theo dõi thơng tin bệnh nhân BỘ MƠN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH TÀI LIỆU THAM KHẢO TÀI LIỆU THAM KHẢO [1] Tuấn Bảo, Gần 20% dân số nước ta mắc bệnh tim mạch Internet: http://vtv.vn/suc-khoe/gan-20-dan-so-nuoc-ta-mac-benh-tim-mach20180408003627525.htm, 27/4/2018 [2] Tim Internet: https://vi.wikipedia.org/wiki/Tim, 27/4/2018 [3] Tính chất sinh lý tim chu kỳ tim Internet: http://ycantho.com/content/2/3/1848/1/tinh-chat-sinh-ly-cua-co-tim-va-chuky-tim.html, 27/4/2018 [4] Điện tâm đồ Internet: https://vi.wikipedia.org/wiki/Điện_tâm_đồ, 29/4/2018 [5] Phạm Minh Thành, Điện tâm đồ -P2- Các khái niệm Internet: http://baigiangykhoa.edu.vn/can-lam-sang/dien-tam-p2-cac-khai-niem-coban-tiep.html, 30/4/2018 [6] Raspberry Pi Internet: https://vi.wikipedia.org/wiki/Raspberry_Pi, 1/6/2018 [7] Raspberry Pi Internet: https://en.wikipedia.org/wiki/Raspberry_Pi, 1/6/2018 [8] Raspberry Pi gì? Giới thiệu Raspberry Pi Internet: https://raspberrypi.vn/tin- tuc/raspberry-pi-la-gi-gioi-thieu-ve-raspberry-pi-261.pi , 2/6/2018 [9] Hvtien, Giới thiệu Raspberry Pi – máy tính tí hon Internet: https://embed.vn/gioi-thieu-ve-raspberry-pi-may-tinh-ti-hon.html, 2/6/2018 [10] Ryan Lê, Tổng Quan Về Python Internet: https://www.stdio.vn/articles/tong- quan-ve-python-335, 5/6/2018 [11] Python (programming language) Internet: https://en.wikipedia.org/wiki/Python_(programming_language), 5/6/2018 [12] Python (ngơn ngữ lập trình) Internet: https://vi.wikipedia.org/wiki/Python_(ngơn_ngữ_lập_trình), 5/6/2018 [13] Bishop, Christopher M “Pattern recognition and Machine Learning.”, Springer (2006) BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH TÀI LIỆU THAM KHẢO [14] Support vector machine Internet: https://en.wikipedia.org/wiki/Support_vector_machine, 27/4/2018 [15] Vũ Hữu Tiệp, Bài 19: Support Vector Machine Internet: https://machinelearningcoban.com/2017/04/09/smv/, 10/6/2018 [16] Vũ Hữu Tiệp, Bài 20: Biên mềm Support Vector Machine Internet: https://machinelearningcoban.com/2017/04/13/softbiênsmv/, 11/6/2018 [17] Vũ Hữu Tiệp, Bài 21: Kernel Support Vector Machine Internet: https://machinelearningcoban.com/2017/04/22/kernelsmv/, 17/6/2018 [18] Multilớp Classification Internet: https://en.wikipedia.org/wiki/Multilớp_Classification, 18/6/2018 [19] Vũ Hữu Tiệp, Bài 12: Phân loại nhị phân cho toán Classification Internet: https://machinelearningcoban.com/2017/02/11/binaryclassifiers/, 18/6/2018 [20] S.Z.Mahmoodabali (MSc), A.Ahmadian (Phd), M.D.Abolhasani (Phd), “ECG ĐẶC TRƯNG EXTRACTION USING DAUBECHIES WAVELETS”, 2005 [21] Nguyễn Quý Danh, Co So Ly Thuyet Phap Bien Doi Wavelets Internet: https://www.scribd.com/doc/138041674/3-Co-So-Ly-Thuyet-Phap-Bien-Doi-Wavelets, 18/6/2018 [22] Thu Mai, Biến đổi STFT Internet: https://www.scribd.com/document/378816036/Biến-đổi-STFT, 19/6/2018 [23] Philip de Chazal, Member, IEEE, Maria O’Dwyer, and Richard B Reilly, Senior Member, IEEE, “Automatic Classification of Heartbeats Using ECG Morphology and Heartbeat Interval Đặc trưng”, 2004 [24] Hooman Sedghamiz, Complete Pan Tompkins Implementation ECG QRS detector Internet https://es.mathworks.com/matlabcentral/fileexchange/45840complete-pan-tompkins-implementation-ecg-qrs-detector , 20/06/2018 [25] egpuwave Internet: https://github.com/mondejar/ecg- Classification/blob/master/third_party/README.md , 20/06/2018 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH TÀI LIỆU THAM KHẢO [26] Real-Time ECG QRS Detection Internet https://es.mathworks.com/help/dsp/examples/real-time-ecg-qrsdetection.html, 20/06/2018 [27] George B Moody, MIT-BIH Arrhythmia Database Directory Internet: https://www.physionet.org/physiobank/database/html/mitdbdir/intro.htm#annotations , 20/06/2018 [28] Shweta H.Jambukia, “ Classification of ECG signals using machine learning techniques: A survey”, International Conference on Advances in Computer Engineering and Applications (ICACEA),IMS Engineering College, Ghaziabad, India , 2015 [29] P de Chazal, M O'Dwyer, and R B Reilly, “Automatic Classification of heartbeats using ECG morphology and heartbeat interval đặc trưng,” IEEE Transactions on Biomedical Engineering, vol 51, no 7, pp 1196–1206, 2004 [30] P de Chazal and R B Reilly, “A patient-adapting heartbeat lớpifier using ECG morphology and heartbeat interval đặc trưng,” IEEE Transactions on Biomedical Engineering, vol 53, no 12, pp 2535–2543, 2006 [31] M Llamedo and J P Martínez, “An ecg Classification model based on multilead wavelet transform đặc trưng,” Computers in Cardiology, vol 34, pp 105–108, 2007 [32] M Llamedo and J P Martínez, “Heartbeat Classification using đặc trưng selection driven by database generalization criteria,” IEEE Transactions on Biomedical Engineering, vol 58, no 3, pp 616–625, 2011 [32] F Melgani and Y Bazi, “Classification of electrocardiogram signals with support vector machines and particle swarm optimization,” IEEE Transactions on Information Technology in Biomedicine, vol 12, no 5, pp 667–677, 2008 [33] C Li, C Zheng, and C Tai, “Detection of ECG characteristic points using wavelet transforms,” IEEE Transactions on Biomedical Engineering, vol 42, no 1, pp 21–28, 1995 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH TÀI LIỆU THAM KHẢO [34] M Lagerholm, C Peterson, G Braccini, L Edenbrandt, and L Sornmo, “Clustering ECG complexes using hermite functions and self-organizing maps,” IEEE Transactions on Biomedical Engineering, vol 47, no 7, pp 838–848, 2000 [35] S.Osowski and T H Linh, “ECG beat recognition using fuzzy hybrid neural network,” IEEE Transactions on Biomedical Engineering, vol 48, no 11, pp 1265– 1271, 2001 [36] Fourier transform Internet: https://en.wikipedia.org/wiki/Fourier_transform, 23/6/2018 [37] Short-time Fourier transform Internet: https://en.wikipedia.org/wiki/Short-time_Fourier_transform, 23/6/2017 [38] Window function Internet: https://en.wikipedia.org/wiki/Window_function, 30/6/2018 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH ... KHOA ĐIỆN – ĐIỆN TỬ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH - ĐỒ ÁN TỐT NGHIỆP NGÀNH KỸ THUẬT ĐIỆN TỬ TRUYỀN THÔNG ĐỀ TÀI: PHÂN LOẠI BỆNH TIM TỪ TÍN HIỆU ĐIỆN TÂM ĐỒ SỬ DỤNG KIT RASPBERRY. .. mạnh từ tâm nhĩ xuống tâm thất, giai đoạn tâm trương toàn bộ, kéo dài 0,4 giây [3] 2.2 Tín hiệu điện tâm đồ (ECG) 2.2.1 Giới thiệu tín hiệu điện tâm đồ Điện tâm đồ đường cong ghi lại biến thiên điện. .. đến tính mạng, cần điều trị máy khử rung tim Các rối loạn nhịp tim nghiên cứu phát thành công với mơ hình có độ nhạy độ đặc hiệu cao Đề tài ? ?Phân loại bệnh tim từ tín hiệu điện tâm đồ sử dụng kit