Với cùng cơ sở dữ liệu thử nghiệm như hệ mờ loại hai khoảng. Kết quả của hệ mờ sử dụng giải thuật di truyền [19] như sau:
Có ba cách đo hiệu suất (độ chính xác, độ nhạy cảm và đặc trưng) được dùng để chuẩn hóa hệ thống phân lớp. Độ nhạy cảm là khả năng mà nếu xét nghiệm là dương tính thì người có bệnh, trong khi đó đặc trưng là khả năng mà nếu xét nghiệm là âm tính thì người không có bệnh. Các tham số được định nghĩa như sau: Sensitivity, FN TP TP SE + = (4-14) Specificity, FP TN TN SP + = (4-15)
Trong đó TP, TN, FP và FN được định nghĩa trong Bảng 3
Bảng 3: Ký hiệu sử dụng giống nhau giữa độ nhạy cảm và đặc trưng
Predicted / Real Rhythm A Rhythm B
Rhythm A True Positive (TP) False Negative (FN) Rhythm B False Positive (FP) True Negative (TN)
Bảng 4: Kết quả phân lớp có sử dụng GA để tối ưu tham số
FLS không đơn trị với đặc trưng đầu vào là độ rộng xung và chu kỳ
AC SE SP
VF 98.33 100.00 99.17
VT 100.00 100.00 100.00
NSR 100.00 98.36 100.00
Trong thực tế, các cán bộ y tế luôn quan sát thông tin biên độ chứ không phải là thông tin chu kỳ để xác định các loại loạn nhịp thất. Thông tin về chu
kỳ xung có thể là không đáng tin cậy vì chu kỳ xung ngắn hơn có thể là kết quả từ các hoạt động tập thể dục hay cảm xúc của bệnh nhân. Tuy nhiên, từ kết quả này ta thấy ưu thế của việc sử dụng hệ logic mờ không đơn trị. Bên cạnh đó, FLS không đơn trị cung cấp những lợi thế nhất khi tín hiệu đầu vào đơn gồm các đặc trưng không chắc chắn để phân lớp tín hiệu. Vấn đề được cải thiện chút ít nếu tín hiệu đầu vào là đặc trưng có ít sự chắc chắn hơn. Nói tóm lại, FLS không đơn trị được chứng minh là một công cụ rất hữu hiệu trong việc giải quyết những bất trắc tồn tại trong phân loại mẫu.
Thuật toán giải thuật sử dụng các cửa sổ chiều dài ngắn nhất (4.0s) để khai thác tính năng so với các thuật toán khác như sự liên quan giữa sự khác biệt và hiệu suất. Một số thuật toán đã dùng có độ dài của cửa sổ 4.0s, 4.8s, 8.0s, 20.0s, 8.0s, 7.0s và 5.5s tương ứng để đạt được kết quả khá tốt. Một số cửa sổ chiều dài ngắn hơn sẽ cho phép phát hiện trong một thời gian ngắn hơn, cho rằng thời gian tính toán của các phân lớp là tương đương. Đề xuất FLS không đơn trị chỉ dùng ít hơn 0.05ms để phân lớp một tập các dữ liệu tách ra, vì thế thời gian tính toán lấy của phân loại là không đáng kể so với các đặc trưng được chọn.
Bảng 5 cho thấy hệ thống phân lớp sử dụng giải thuật di truyền tối ưu hệ mờ không đơn trị tốt hơn hệ thống phân lớp sử dụng hệ mờ loại hai khoảng.
Bảng 5: Kết quả phân lớp tập dữ liệu (%) của hệ mờ loại hai và giải thuật di truyền (GA)
Type-2 khoảng Fuzzy Classifier GA Fuzzy Classifier
b=0.6 b=1 b=3 AC SE SP
VF 93.3 93.3 93.3 98.33 100.00 99.17
VT 92 92 88 100.00 100.00 100.00
CHƯƠNG 5. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1. KẾT LUẬN
Lĩnh vực phân loại mẫu bao trùm rất nhiều bài toán xử lý thông tin có ý nghĩa trong thực tế, từ bài toán phân loại chữ viết tay đến bài toán phát hiện lỗi trong các phân tích máy móc và y tế. Có rất nhiều vấn đề con người xử lý khá đơn giản. Trái lại, trong nhiều trường hợp, phương án sử dụng máy tính đã chỉ ra mức độ khó của vấn đề. Tuy gặp nhiều khó khăn nhưng việc sử dụng máy tính trong các bài toán nhận dạng mẫu ngày càng trở nên phổ biến. Lý do là vì máy tính hoạt động ko mệt mỏi, không biết đói và cũng ko bị phân tâm như con người. Mục đích chính của việc phân loại mẫu là tự động trợ giúp con người khi phân tích khối lượng dữ liệu cực lớn và từđó trích chọn ra những tri thức hữu ích.
Phát hiện và phân lớp tín hiệu điện tim là một đề tài có ý nghĩa quan trọng và đang được quan tâm nghiên cứu. Các phương pháp xây dựng các mô hình phân lớp nhịp tim tựđộng đã được ứng dụng trong thực tế và góp phần xây dựng các hệ thống chẩn đoán thông minh trong y học. Một trong các phương pháp có khả năng ứng dụng cao trong thực tế là phương pháp phân lớp tín hiệu điện tim sử dụng hệ logic mờ loại hai khoảng.
Luận văn đã trình bày các bước để xây dựng một mô hình phân lớp tín hiệu điện tim: Sử dụng bộ lọc số giúp xử lý nhiễu của tín hiệu ban đầu, lựa chọn và trích rút các đặc trưng thích hợp cho quá trình phân lớp, xây dựng cấu trúc mô hình phân lớp dựa trên hệ logic mờ loại hai khoảng và xác định các thuật toán, phương pháp thích hợp để xây dựng các tham số của mô hình. Các tham số của mô hình mờ được thiết kế dựa trên sự kết hợp giữa thuật toán gom nhóm mờ và phương pháp lan truyền ngược. Sự kết hợp có ưu điểm xây dựng tham số và tập luật trực tiếp từ dữ liệu và giúp làm giảm sự phức tạp trong việc huấn luyện mô hình. Đồng thời, luận văn cũng trình bày hệ mờ
không đơn trị dùng giải thuật di truyền tiến hóa để tối ưu tham số hệ mờ. Kết quả chỉ ra rằng hệ mờ không đơn trị luôn vượt các hệ mờ đơn trị tương ứng không phân biệt các loại dữ liệu đầu vào, điều đó chứng tỏ hệ mờ không đơn trị có thể đối phó tốt hơn với sự tồn tại mờ trong mô hình phân lớp. Một sự phân lớp tốt là sử dụng chiều dài cửa sổ ngắn (4.0s). Điều đó chứng tỏ khả năng loại bỏ nhiễu của hệ mờ không đơn trị.
Kết quả thử nghiệm với tập dữ liệu từ CSDL điện tim MIT-BIH cho thấy khả năng xử lý với dữ liệu không chắc chắn trong bài toán phân lớp điện tim của hệ mờ loại hai là tốt hơn so với hệ logic mờ loại một. Từ thử nghiệm có thể thấy hiệu năng của mô hình mờ loại hai khoảng sau khi có hệ mờ không đơn trị dùng giải thuật di truyền để tối ưu hóa tham số tốt hơn hệ mờ dùng loại hai khoảng.
Mặc dù, kết quả thực nghiệm đã cho thấy được hiệu quả của hệ phân lớp mờ trong việc giải quyết bài toán phân lớp điện tim. Tuy nhiên, luận văn vẫn còn tồn tại một số hạn chế và vấn đề cần khắc phục. Kết quả đưa ra mới là quá trình tổng hợp trên lý thuyết còn chưa có mô hình thực tế minh họa. Tồn tại này sẽđược khắc phục trong phát triển tiếp theo.
5.2. HƯỚNG PHÁT TRIỂN
Trong tương lai, nghiên cứu sẽ tiếp tục phát triển theo một số hướng nhằm khác phục các vấn đề tồn tại và cải thiện hiệu năng của mô hình phân lớp điện tim.
Xây dựng mô hình phân lớp điện tim để minh họa trực quan.
Các đặc trưng khác sẽ được trích rút như biên độ đỉnh (H) nhằm cải thiện độ chính xác trong phân lớp tín hiệu điện tim.
Trong bước xử lý nhiễu tín hiệu, các bộ lọc khác sẽđược tìm hiểu ứng dụng nhằm xử lý nhiễu trong tín hiệu tốt hơn như: bộ lọc IIR, bộ lọc thích nghi (adaptive filter).
TÀI LIỆU THAM KHẢO
[1] J. M. Mendel: Uncertain Rule-Based Fuzzy Logic Systems: Introduction and New Directions. Upper Saddle River, NJ Prentice-Hall, 2001.
[2] J. M. Mendel and R .I. John, Type-2 Fuzzy Sets Made Simple, IEEE Transactions on Fuzzy Systems (2002), 10(2), 117-127.
[3] Teck Wee Chua and Woei Wan Tan, Interval Type-2 Fuzzy System for ECG Arrhythmic Classification, Department of Electrical Engineering, National University of Singapore, Singapore, 1-18.
[4] R. E. Bellman, R. Kalaba, and L. A. Zadeh, Abstraction and Pattern Classification (1966), J. Math. Anal. Appl, 13, 1-7.
[5] E. Chowdhury and L.C. Ludeman, “Discrimination of Cardiac Arrhythmias Using a Fuzzy Rule-Based Method”, Computers in Cardiology 1994, Bethesda, MD, USA, 1995, pp. 549-552.
[6] J.C. Bezdec, Pattern Recognition with Fuzzy Objective Function Algorithms, New York : Plenum Press, 1981.
[7] MIT/BIH Database Distribution, Massachusetts Inst. Techno. Cambridge, MA. http://www.physionet.org/physiobank/database/
[8] W.W.Tan, C.L.Foo, “Type-2 fuzzy system for ECG Arrhythmic
Classification”, 2007.
[9] T. Sugiura, H. Hirata, Y. Harada and T. Kazui, “Automatic Discrimination of Arrhythmia waveforms using Fuzzy Logic”, Proc. of the 20th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Hong Kong, 1998, pp. 108-111.
[10] L. X. Wang, Adaptive Fuzzy Systems and Control Design and Stability Analysis. NJ: Prentice-Hall, 1994
[11] N.V. Thakor, Y.S. Zhu, and K.Y. Pan, “Ventricular Tachycardia and Fibrillation Detection by A Sequential Hypothesis Testing Algorithm” IEEE Transactions on Biomedical Engineering, vol. 37, no. 9, pp. 837-843, 1990.
[12] Sung-Nien, Y. and C. Kuan-To, A switchable scheme for ECG beat classification based on independent component analysis. Expert Syst. Appl., 2007. 33(4): p. 824-829.L. I. Kuncheva, Fuzzy Classifier Design. New York: Physica-Verlag, 2000.
[13] S. W. Chen, P. M. Clarkson, and Q. Fan, “A Robust Sequential Detection Algorithm for Cardiac Arrhythmia Classification,” IEEE Transactions on Biomedical Engineering, vol. 43, no. 11, pp. 1120-1125, 1996.
[14] Torii & Hagan, M. T. (2002). Stability of steepest descent with momentum for quadratic functions. IEEE Transactions on Neural Networks, 13(3), 752-756.
[15] Dokur, Z., T. Olmez, and E. Yazgan, Comparison of discrete wavelet and Fourier transforms for ECG beat classification. ELECTRONICS LETTERS, 1999. 35(18): p. 1502-1504.
[16] A.S. Al-Fahoum, I.H., Combined Wavelet Transform and Radial Basis Neural Networks for the classifying Life Threatening Cardiac arrhythmias. Med. Bio. Eng. Comput., 1999. 37: p. 566-573.
[17] Minami, K., H. Nakajima, and T. Toyoshima, Real-time discrimination of ventricular tachyarrhythmia with Fourier-transform neural network. Biomedical Engineering, IEEE Transactions on, 1999. 46(2): p. 179- 185.
[18] A. Kaufman and M. M. Gupta, Introduction to Fuzzy Arithmetic: Theory and Applications. NY: Van Nostrand Reinhold, 1991.
[19] Teck Wee Chua and Woei Wan Tan, GA Optimisation of Non-Singleton Fuzzy Logic System for ECG Classification, Department of Electrical and Computer Engineering National University of Singapore 4, Engineering Drive 3, Singapore 117576
[20] PGS.TS Nguyễn Quốc Trung, Xử lý tín hiệu số và lọc số, NXB Khoa học và Kỹ Thuật.