Các biểu đồ khảo sát sai số E cho thấy khi tăng dần số lượng hàm Hermite để phân tích tín hiệu điện tim thì sai số E càng giảm, tức là càng trùng khít với tín hiệu gốc, trên hình 3.9 kết quả sai số ứng với số lượng hàm Hermite là N= 16 tiệm cận min,
nếu tiếp tục tăng số hàm Hermite thì sai số khơng giảm thêm được nhiều, do vậy luận văn đề xuất sử dụng trường hợp N=16.
Tiếp tục khảo sát khi khai triển sáu loại nhịp tim khác nhau theo 16 hàm Hermite, thể hiện trên hình 3.10 cho sử dụng hàm Hermite vẫn xấp xỉ khá tốt.
Tâm thất lỗi nhịp (E) Block nhánh trái (L)
Ngoại tâm thu nhĩ (A) Ngoại tâm thu thất (V) Rung thất (I)
Block nhánh phải (R)
Hình 3.10. Hình ảnh khai triển các loại nhịp tím khác theo 16 hàm Hermite đầu tiên
c) Tạo véc-tơ đặc tính của tín hiệu điện tim ECG
- Theo quy trình trích chọn đặc tính tín hiệu điện tim ECG trong hình 2.4 ở mục
2.3, véc-tơ đặc tính 18 0, , 15, last, mean c c RR RR x của mỗi nhịp (phức bộ QRS) gồm 18 thành phần:
- 16 hệ số khai triển ci i 0 15của tín hiệu điện tim ECG theo các hàm Hermite như phương trình 3.9;
- 2 đặc tính trong miền thời gian của tín hiệu điện tim, là RRlast khoảng cách giữa hai đỉnh R liên tiếp (còn gọi là khoảng cách R-R), và RRmean giá trị trung bình của 10 khoảng cách R-R cuối cùng.
3.2. Xây dựng các mơ hình nhận dạng đơn
3.2.1. Quy trình xây dựng các mơ hình đơn
Trong luận văn, tác giả sử dụng bốn mơ hình nhận dạng đơn, đó là các mơ hình MLP, TSK, SVM và RF. Như đã trình bày ở trên, lý do sự lựa chọn các mơ hình đơn này là:
- Trong các hệ thống tổng hợp ý kiến, số khối đơn vị thường phải lớn hơn hai
quả của khối nào). Hệ thống ba khối nhận dạng đơn là vừa đủ, không quá phức tạp cho
các thử nghiệm trong luận văn;
- Các mạng được lựa chọn đều là các mạng kinh điển, đã được sử dụng trong rất nhiều ứng dụng xử lý tín hiệu nói chung và trong các bài tốn nhận dạng nói riêng;
Sau đây, sẽ lần lượt giới thiệu tóm tắt về cấu trúc, thuật tốn xây dựng các mạng dựa trên các quá trình học của bốn mạng cơ sở này.
3.2.2. Xây dựng mơ hình mạng MLP
Lựa chọn cấu trúc một mạng MLP có một lớp ẩn, có cấu trúc như trong [6]. Quy trình huấn luyện (học) cho mạng nơ-rôn MLP như sau:
- Đầu tiên, khởi tạo các giá trị ban đầu của mạng nơ-rôn MLP như ma trận trọng số W, V và số nơ-rôn ẩn M. Tăng dần số nơ-rôn ẩn M từ 1 cho tới khi đạt được độ chính xác mong muốn, luận văn tìm M trong khoảng từ 1 đến 30;
- Tiếp theo, là q trình điều chỉnh thích nghi (quá trình học) để hiệu chỉnh các trọng số ghép nối giữa các lớp của mạng MLP là ma trận trọng số W, ma trận
trọng số V, trong luận văn sử dụng thuật toán bước giảm cực đại;
- Kiểm tra sai số học, nếu đạt thì dừng lại, ngược lại quay lại bước đầu tiên để tăng số nơ-rơn ẩn. Q trình huấn luyện dừng khi sai số đạt yêu cầu đặt ra;
- Kiểm tra mơ hình huận luyện được bằng bộ mẫu kiêm tra, đánh giá sai số.
3.2.3. Xây dựng mơ hình mạng TSK
Tương tự như với mạng nơ-rôn MLP, với mạng nơ-rôn là tăng số nơ-rơn ẩn M cịn với mạng logic mờ TSK là số luật, trong luận văn số luật được tìm từ 1 đến 25 luận, cấu trúc của mạng TSK như trong [5, 6], cụ thể:
- Khởi tạo các giá trị ban đầu của các tham số tuyến tính và phi tuyến, đặt số luật khởi điểm;
- Điều chỉnh các tham số tuyến tính và phi tuyến, luận văn sử dụng thuật toán lặp sử dụng bước giảm cực đại của hàm gradient;
- Kiểm tra sai số học, nếu đạt thì dừng lại, ngược lại quay lại bước 1 tăng số luật. Quá trình huấn luyện dừng khi sai số đạt yêu cầu đặt ra;
- Kiểm tra mơ hình huận luyện được bằng bộ mẫu kiêm tra, đánh giá sai số.
3.2.4. Xây dựng mơ hình véc-tơ hỗ trợ SVM
Quy trình xây dựng mơ hình nhận dạng dùng máy hỗ trợ véc-tơ SVM có khác so với hai mơ hình trên. Như đã trình bày ở trên, do mơ hình SVM chỉ là phân lớp nhị phân (hai lớp), nếu đối với các bài tốn phân loại nhiều lớp (lớn hơn hai lớp) thì
cần cải tiến thành các mơ hình SVM đa lớp, hiện nay có nhiều phương pháp để xây dựng mơ hình SVM đa lớp, trong luận văn lựa chọn phương án một chọi một
SVM nhị phân, chúng được kết nối lại với nhau và thông qua phương pháp bỏ phiếu để đánh giá kết quả phân lớp cuối cùng, lớp nào có số phiếu nhiều nhất sẽ được chọn làm kết quả dự đốn.
3.2.5. Mơ hình rừng ngẫu nhiên RF
Mơ hình nhận dạng đơn cuối cùng dùng trong luận án là mơ hình rừng ngẫu nhiên RF (Random Forest) được phát triển từ L. Breiman (2001) [19]. RF và SVM là hai giải thuật học nhanh, chịu nhiễu tốt, các bước xây dựng chính:
- Xây dựng rừng ngẫu nhiên RF (được mơ tả trong hình 3.11) tạo ra một tập hợp M cây quyết định không cắt nhánh, mỗi cây được xây dựng trên tập mẫu bootstrap
(lấy mẫu ngẫu nhiên có hồn lại);
Hình 3.11. Q trình xây dựng các cây quyết định thành phần
- Khâu tổng hợp các kết quả nhận dạng từ M cây quyết định phổ biến sử dụng phương pháp bỏ phiểu theo đám đông để đưa ra kết quả cuối cùng, như trong