Nâng cao chất lượng nhận dạng tín hiệu ECG dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh(TT)

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

NGUYỄN ĐỨC THẢO

NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG TÍN HIỆU ĐIỆN TIM
DỰA TRÊN GIẢI PHÁP LOẠI BO ẢNH HƯỞNG TỪ NHỊP THỞ
CỦA NGƯỜI BỆNH

Chuyên ngành : Kỹ thuật điều khiển và Tự động hóa Mã số
62520216

TÓM TÁT LUẬN ÁN TIẾN SĨ
KỸ THUẬT ĐIỀU KHIÈN VÀ TỰ ĐỘNG HÓA

Hà Nội - 2016

Công trình được hoàn thành tại:

:


Trường Đại học Bách Khoa Hà Nội

Người hướng dẫn khoa học: PGS.TSKH. Trần Hoài Linh

Phản biện 1:..................................
Phản biện 2:..................................
Phản biện 3:..................................

Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp trường

họp tại Trường Đại học Bách khoa Hà Nội

Vào hồi..........giờ, ngày........tháng........năm........

Có thể tìm hiểu luận án tại thư viện:
1. Thư viện T ạ Quang Bửu - T rường Đại học Bách khoa Hà Nội
2. Thư viện Quốc gia Việt Nam


1. Tính cấp thiết của đề tài

MỞ ĐẦU
3
-

-

Tín hiệu nhịp thở và điện tim (ECG - ElectroCardioGraph) là hai tín hiệu y sinh
cơ bản và quan trọng được sử dụng để xác định tình trạng sức khỏe của một người
[72]. Tín hiệu ECG là nguồn thông tin quý giá để xác định các bệnh lý về tim mạch
[98]. Phương pháp thu thập tín hiệu ECG vẫn được thực hiện bằng cách đo sự
chênh lệch điện áp của cặp điện cực gắn trên người bệnh. Vì vậy khi ta hít thở làm
thay đổi thể tích của lồng ngực dẫn đến thay đổi trở kháng tiếp xúc giữa điện cực bề mặt cơ thể của người bệnh và véctơ trục điện tim dẫn đến làm ảnh hưởng đến
chất lượng tín hiệu ECG đưa về mạch thu thập [21,27,29,31,38,40,49,56,70,94]. Đã
có nhiều nghiên cứu đề xuất giải pháp loại bỏ ảnh hưởng nhịp thở trong tín hiệu
ECG [10,17,21,49,61,76,94,96] nhưng còn làm ảnh hưởng lớn đến hình dạng và
đặc tính tín hiệu ECG. Vì vậy, việc đề xuất một giải pháp loại bỏ ảnh hưởng của
nhịp thở trong tín hiệu ECG phù hợp làm ảnh hưởng nhỏ đến đặc tính tín hiệu ECG
để nâng cao chất lượng nhận dạng tín hiệu ECG hỗ trợ cho các bác sĩ trong công
tác chẩn đoán, xác định bệnh, điều trị và theo dõi diễn biến của bệnh là rất cần

thiết.
2. Mục đích nghiên cứu
Mục đích của luận án là tìm hiểu các ảnh hưởng của nhịp thở gây ra trong tín
hiệu ECG từ đó đề xuất một giải pháp phù hợp loại ảnh hưởng của nhịp thở trong
tín hiệu ECG. Trong trường hợp đo được tín hiệu nhịp thở đồng thời với tín hiệu
ECG luận án đề xuất sử dụng thêm các đặc tính từ thông tin nhịp thở để cải thiện
chất lượng nhận dạng tín hiệu ECG.
Tín hiệu ECG sau khi đã được loại bỏ ảnh hưởng của nhịp thở hoặc sử dụng thêm
các thông tin từ nhịp thở sẽ được đưa vào một số mô hình nhận dạng để kiểm
chứng kết quả so với trước khi loại bỏ ảnh hưởng của nhịp thở hoặc không sử dụng
thông tin từ nhịp thở. Luận án sẽ thử nghiệm nhận dạng với 4 kịch bản sau để so
sánh:
• Kịch bản 1 (là kịch bản cơ sở để so sánh): Nhận dạng tín hiệu ECG trước
khi loại bỏ ảnh hưởng của nhịp thở
• Kịch bản 2: Nhận dạng tín hiệu ECG sau khi loại bỏ ảnh hưởng của nhịp
thở
• Kịch bản 3 : Nhận dạng tín hiệu ECG trước khi loại bỏ ảnh hưởng của nhịp
thở nhưng có sử dụng thêm các đặc tính từ các thông tin của nhịp thở
•Kịch bản 4: Nhận dạng tín hiệu ECG sau khi loại bỏ ảnh hưởng của nhịp thở
và có sử dụng thêm các đặc tính từ các thông tin của nhịp thở
3. Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu của luận án gồm:
•Giải phẫu sinh lý học của hệ tim mạch - hô hấp và sự ảnh hưởng của nhịp thở
gây ra trong tín hiệu ECG,
•Các giải pháp được sử dụng để loại bỏ ảnh hưởng của nhịp thở trong tín hiệu
ECG,
•Khả năng bổ sung các đặc tính từ nhịp thở để hỗ trợ nhận dạng tín hiệu ECG,


Với các đối tượng nghiên cứu đã đề xuất4ở trên, luận án sẽ được thực hiện với

phạm vi nghiên cứu như sau:
•Tìm hiểu và lựa chọn một số dạng ảnh hưởng của nhịp thở tới tín hiệu ECG để
tìm các giải pháp khắc phục các ảnh hưởng này,
•Khảo sát và lựa chọn họ wavelet với bậc phù hợp để loại bỏ ảnh hưởng của
nhịp thở gây ra trong tín hiệu ECG;
•Khảo sát và lựa chọn một số đặc tính từ nhịp thở tức thời để bổ sung cho véctơ đặc tính dùng trong nhận dạng tín hiệu ECG.
•Tìm hiểu và sử dụng một mô hình nhận dạng chung và các cơ sở dữ liệu mẫu
để so sánh và kiểm chứng chất lượng khi áp dụng các giải pháp đề xuất
trên,
•Tìm hiểu và phát triển các giải pháp xử lý tín hiệu trong luận án trên mạch
phần cứng (để hướng tới tích hợp giải pháp trên thiết bị nhỏ gọn).
4. Phương pháp nghiên cứu
•Phối hợp lý thuyết với các mô hình thử nghiệm theo chu trình kín (đề xuất lý
thuyết ^ triển khai các thử nghiệm để kiểm nghiệm ^ hiệu chỉnh lại mô
hình lý thuyết ^...)
•Các mô hình được phát triển theo hướng khối hóa, phân tích hệ thống theo
chu trình từ tổng thể đến chi tiết.
-

-

Các giải pháp sẽ được đánh giá bằng thực nghiệm, trên cơ
sở tính toán độ tin cậy và độ cải thiện của các mô hình
nhận dạng khi sử dụng các giải pháp đề xuất của luận án
so với không sử dụng đề xuất của luận án. Giải pháp được
lựa chọn là giải pháp có độ chính xác cao nhất.


5. Tiêu chí chọn dữ liệu và phương
5 pháp đánh giá kết quả

-

•

-

Để đánh giá chất lượng của các giải pháp, luận án sẽ sử dụng các bộ số liệu
mẫu chuẩn từ 2 cơ sở dữ liệu MIT-BIH và cơ sở dữ liệu MGH/MF được
công bố tại địa chỉ www.phvsionet.org.
• Đối với mỗi mô hình nhận dạng, nghiên cứu sinh sẽ tạo một bộ mẫu đa
dạng gồm nhiều loại bệnh với số lượng phân bố tương đối đều từ nhiều
người bệnh khác nhau.
• Chất lượng của các giải pháp được đánh giá trên cơ sở so sánh trực tiếp về
độ chính xác của quá trình nhận dạng các mẫu trong các bộ số liệu đã được
xây dựng với cùng một mô hình nhận dạng và cùng một phương pháp trích
chọn đối với các đặc tính dùng chung.
6. Ý nghĩa khoa học và thực tiễn của đề tài
6.1.Ý nghĩa khoa học
• Đề xuất một giải pháp phù hợp sử dụng wavelet loại bỏ ảnh hưởng của
nhịp thở trong tín hiệu ECG với ảnh hưởng nhỏ hơn đến hình dạng và đặc
tính tín hiệu ECG,
• Đề xuất sử dụng hai đặc tính tức thời từ nhịp thở để bổ sung cho véc-tơ
đặc tính của tín hiệu để cải thiện độ chính xác của quá trình nhận dạng,
• Xây dựng nhiều kịch bản thử nghiệm để kiểm chứng chứng tỏ rằng khi loại
bỏ ảnh hưởng của nhịp thở hoặc khi sử dụng thêm các thông tin trực tuyến
của nhịp thở thì có thể cải thiện được chất lượng nhận dạng tín hiệu ECG.
6.2.Ý nghĩa thực tiễn
Bài toán nhận dạng tín hiệu ECG có ý nghĩa thực tiễn cao, chất lượng nhận dạng
có ảnh hưởng tới sức khỏe của người bệnh. Vì vậy đề xuất một giải pháp mới nhằm
nâng cao chất lượng nhận dạng tín hiệu ECG có ý nghĩa quan trọng trong thực tiễn,

góp phần bổ sung vào các giải pháp hỗ trợ cho quá trình chẩn đoán, xác định, điều
trị và theo dõi bệnh của bác sĩ tuyến cơ sở.
7. Những đóng góp của luận án
• Đã khảo sát để đề xuất sử dụng họ wavelet phù hợp (cụ thể là wavelet họ
Coiflets bậc 4) trong phân tích thành phần xấp xỉ bậc 8 (còn gọi là thành
phần A8) tương ứng với dải tần số của nhịp thở làm cơ sở để loại bỏ ảnh
hưởng của nhịp thở khi phân tích tín hiệu ECG.
• Đã đề xuất sử dụng hai đặc tính từ nhịp thở là biên độ tức thời của nhịp thở
tại đỉnh R của nhịp tim và trung bình 10 chu kỳ cuối cùng của nhịp thở để
cải thiện chất lượng nhận dạng,
• Xây dựng các bộ số liệu phục vụ bài toán nhận dạng tín hiệu ECG có xét
tới ảnh hưởng của nhịp thở.
• Xây dựng 4 kịch bản nhận dạng tín hiệu ECG để kiểm chứng mức độ ảnh
hưởng của thông tin từ nhịp thở tới chất lượng nhận dạng.
8. Bố cục của luận án
Luận án gồm phần Mở đầu, 4 chương chính, phần Kết luận và hướng phát triển.
Phần Mở đầu trình bày các vấn đề chung của luận án, tóm tắt về nội dung nghiên
cứu, những đóng góp của luận án và bố cục của luận án.


Chương 1 tổng quan về hệ tim mạch - 6hô hấp, các ảnh hưởng của nhịp thở trong
tín hiệu ECG, tổng quan một số giải pháp đã được sử dụng để loại bỏ ảnh hưởng
của nhịp thở trong tín hiệu ECG, đề xuất các định hướng của luận án và mô tả khái
quát hai cơ sở dữ liệu được sử dụng trong luận án.
Chương 2 tổng quan một số giải pháp sử dụng bộ lọc thông cao để loại bỏ ảnh
hưởng của nhịp thở trong tín hiệu ECG, lý thuyết về wavelets, hàm Hermite trong
phân tích tín hiệu và mạng nơ-ron logic mờ TSK.
Chương 3 trình bày hai đề xuất của luận án là: 1. ứng dụng phép biến đổi wavelet
để loại bỏ ảnh hưởng nhịp thở trong tín hiệu ECG, 2. sử dụng các đặc tính từ nhịp
thở tức thời nhằm năng cao chất lượng nhận dạng tín hiệu ECG. Đồng thời bước

đầu tìm hiểu và xây dựng một giải pháp đo nhịp thở với kích thước gọn nhẹ sử
dụng cảm biến gia tốc
Chương 4 trình bày ừng dụng hàm Hermite phân tích và trích chọn đặc tính tín
hiệu ECG, ứng dụng mạng nơ-ron logic mờ nhận dạng tín hiệu ECG và kết quả
nhận dạng tín hiệu ECG.
Cuối cùng là phần Kết luận và hướng phát triển cũng như các công trình đã công
bố của luận án.
CHƯƠNG I: TỔNG QUAN VỀ ẢNH HƯỞNG CỦA NHỊP THỞ
TRONG TÍN HIỆU ECG
1.1. Tổng quan về hệ tim mạch - hô hấp
-

-

Trong cơ thể con người, trái tim đóng vai trò trung tâm
của hệ tim mạch. Phổi đóng vai trò chủ đạo trong hệ hô
hấp của con người, phổi đảm bảo việc hấp thụ O2 loại bỏ
CO2 trong các tế bào máu. Trái tim và phổi được kết nối


rất chặt chẽ với nhau để đảm bảo rằng 7tất cả các bộ phận trong cơ thể nhận được
lượng O2 và dưỡng chất cần thiết.
1.2. Các ảnh hưởng của nhịp thở trong tín hiệu ECG
-

-

Khi ta hít thở làm cho thể tích của lồng ngực thay đổi dẫn đến làm thay đổi trở
kháng tiếp xúc giữa bề mặt da của cơ thể với điện cực thu thập tín hiệu ECG [49]
làm ảnh hưởng đến chất lượng tín hiệu ECG đưa về mạch thu thập [35,39,63]. Xét

về mặt tín hiệu nhịp thở gây ra ba ảnh hưởng trong tín hiệu ECG như sau:
1.2.1.
Rối loạn nhịp tim
Rối loạn nhịp tim là hiện tượng khoảng thời gian R-R của tín hiệu ECG bị thay
đổi theo nhịp thở [17,21,23,29,38,40,47,56,75].
Tin hieu dien tim

1

0

5
30

10

15

20

25

Tin hieu nhiptho

5

Hình 1.1: Tín hiệu ECG có khoảng R-R thay đổi và tín
hiệu nhịp thở
1.2.2.
Điều chế biên độ tín hiệu ECG

10

15

20

25

30

0.5 0
-0.5

1
0.5 0
-0.5

(
Điều chế biên độ tín hiệu ECG là hiện tượng mà đỉnh R của tín hiệu ECG bị điều
chế theo nhịp thở [49,70,94].
Tin hieu dien tim

1

0
Tin hieu nhip tho

5
30

10

15

20

25

Hình 1.2: Tín hiệu ECG bị điều chế biên độ và tín hiệu nhịp
thở
1.2.3.
Trôi dạt đường cơ sở
0.5 0
-0.5

1

0.5 0
-0.5

(
Trôi dạt đường cơ sở là hiện tượng đường cơ sở của tín hiệu ECG bị thay đổi


8
theo tín hiệu nhịp thở [10,28,36,58,61,64,69,97,103].
-

-

10

Tin hieu15
nhip
dien tho
tim

20

25

30

10

15

20

25

30

Hình 1.3: Tín hiệu ECG bị trôi dạt9 đường cơ sở và tín hiệu nhịp thở
1.3. Một số phương pháp loại bỏ ảnh hưởng của nhịp thở trong tín
hiệu ECG
Các tác giả trong [45,48,76,84,95] đề xuất sử dụng bộ lọc thông cao, trong
[17,64,69,92,97] để xuất bộ lọc thích nghi, trong [78] đề xuất sử dụng phương pháp
phân tích thành phần độc lập (ICA - Independent Component Analysis), trong

[21,49] đề xuất sử dụng phương pháp phân tích theo thành phần chính (PCA Principal Component Analysis) và phân tích thành phần chính cốt lõi (kPCA Kernel PCA)... để loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG. Phương pháp
sử dụng bộ lọc thông cao làm ảnh hưởng mạnh đến hình dạng và đặc tính tín hiệu
ECG, phương pháp sử dụng bộ lọc thích nghi có nhược điểm là yêu cầu tín hiệu
nhịp thở thực để tham chiếu và cập nhật hệ số của bộ lọc dẫn đến thời gian tính
toán lớn. Phương pháp phân tích thành phần độc lập có nhược điểm là tín hiệu ECG
và thành phần do nhịp thở gây ra phải độc lập tuyến tính; phương pháp PCA
đặcbiệt là kPCA có nhược điểm là thời gian tính toán lớn.
1.4. Định hướng của luận án
-

-


Một trong những khó khăn trong việc loại 10
bỏ ảnh hưởng của nhịp thở trong tín hiệu
ECG nhằm nâng cao chất lượng nhận dạng tín hiệu ECG đó là: Các ảnh hưởng của
nhịp thở gây ra trong tín hiệu ECG là gián tiếp và phi tuyến [17,21,49,94]; trong
các trường hợp bệnh lý tín hiệu ECG thường biến thiên mạnh cả về biên độ và hình
dạng; quá trình thu thập tín hiệu ECG và nhịp thở trên các bênh nhân thực tế gặp
nhiều khó khăn, đặc biệt là các bệnh nhân tim mạch. Một số giải pháp đề xuất loại
bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG làm ảnh hưởng mạnh đến hình dạng
và đặc tính của tín hiệu ECG, yêu cầu tín hiệu nhịp thở thực để tham chiếu và thời
gian tính toán lớn,... Vì vậy trong luận án này sẽ đề xuất giải pháp loại bỏ ảnh
hưởng của nhịp thở trong tín hiệu ECG khăc phục được một số nhược điểm trên.
Các giải pháp đề xuất của luận án được kiểm chứng với các bộ mẫu là các véc-tơ
đặc tínhcủa các đoạn tín hiệu trích từ các cơ sở dữ liệu ECG được các trung tâm
nghiên cứu quốc tế xây dựng. Với mỗi bộ các véc-tơ mẫu, ta sẽ thực hiện đánh giá
trên cơ sở các thông số độ chính xác, sai số,... khi sử dụng cùng một mô hình nhận
dạng, cụ thể như sau: Số trường hợp mẫu bị nhận dạng sai, Số trường hợp chẩn
đoán âm tính giả (FN) và số trường hợp chẩn đoán dương tính giả (FP).

Giải pháp đề xuất trong luận án được thực hiện tuần tự theo ba bước như sau:
Trước tiên, tín hiệu ECG từ các bộ cơ sở dữ liệu ECG được loại bỏ ảnh hưởng của
nhịp thở. Ở bước thứ hai, tín hiệu ECG sau khi được loại bỏ ảnh hưởng của nhịp
thở được phân tích, trích chọn đặc trưng để xây dựng các véc-tơ đặc tính (đối với
cơ sở dữ liệu ECG có tín hiệu nhịp thở tức thời được thu thập cùng với tín hiệu
ECG, luận án đề xuất sử dụng thêm các đặc tính tức thời từ nhịp thở để xây dựng
các véc-tơ đặc tính). Trong bước cuối cùng, bước thứ ba, các giá trị đăc trưng được
xử lý tiếp bằng một mô hình phi tuyến để phân loại chính xác hơn các mẫu nhịp
điện
tim.
Kết quả
Sơ đồ
nhận dạng
khối
ý
Tín hiệu nhịp thở
Ỷ
tưởng này được trình
bày
trên hình 1.1.
-

-

*
Hình 1.1: Sơ đồ khối mô hình tổng quát thực hiện giải pháp đề xuất của luận án
Cụ thể để có thể loại bỏ được ảnh hưởng của nhịp thở trong tín hiệu ECG, luận án
đề xuất sử dụng phép phân tích tín hiệu theo các hàm cơ sở wavelet. Wavelet là
một phương pháp được sử dụng phổ biến để phân tích tín hiệu bất định như tín hiệu
ECG có thể khắc phục được một số hạn chế của các phương sử dụng bộ lọc thích

nghi, ICA, PCA,.. Đặc biệt với tín hiệu ECG thì các họ wavelet có hình dạng càng
tương đồng với tín hiệu ECG thì hiệu quả loại nhiễu càng tốt.
Đã có nhiều nghiên cứu đề xuất sử dụng phép biến đổi wavelet để loại bỏ ảnh
hưởng của nhiễu nói chung và nhịp thở nói riêng trong tín hiệu ECG [35, 43, 46,
51, 61, 71, 83, 97, 101]. Tuy nhiên các đề^ xuất sử dụng họ wavelet và bậc cũng
khá khác biệt, chưa thấy khảo sát cụ thể và đưa ra các kết quả định lượng về sự
khác biệt giữa các họ wavelet cũng như giữa các bậc với nhau. Vì vậy luận án này


11
đề xuất nghiên cứu các nội dung sau:
• Khảo sát các họ wavelet với các bậc khác nhau để lựa chọn ra một họ wavelet
và bậc phù hợp để loại bỏ ảnh hưởng của nhịp thở, đồng thời làm ảnh hưởng
nhỏ đến hình dạng và đặc tính của tín hiệu ECG.
-

-


Trong trường hợp có tín hiệu nhịp12
thở đo được đồng thời với tín hiệu ECG,
đề xuất sử dụng thêm các đặc tính từ nhịp thở đo được này để nâng cao
chất lượng nhận dạng tín hiệu ECG.
• Kiểm tra chất lượng lọc và các đặc tính dùng thêm khi sử dụng chung một
mô hình nhận dạng (luận án đề xuất dùng mạng nơrơn TSK) theo 4 kịch
bản như đã được trình bày ở mục 2 (Mục đích nghiên cứu)
Luận án thực hiện với nhiều kịch bản nhận dạng nhằm kiểm chứng chất lượng
lọc và chất lượng các thông tin sử dụng thêm từ nhịp thở tức thời. Trong định
hướng nghiên cứu của luận án, các kết quả tính toán, mô phỏng sẽ thể hiện các kịch
bản 2 và 3 sẽ có kết quả tốt hơn kịch bản 1, còn kịch bản 4 sẽ có kết quả tốt nhất..

1.4.1.
Kịch bản 1 (Kịch bản cơ sở để so sánh)
Trong kịch bản cơ sở này, từ đường tín hiệu ECG ban đầu, mỗi nhịp tim được
đặc trưng bởi 18 đặc tính gồm 16 hệ số khai triển đoạn QRS theo các hàm cơ sở
Hermite và 2 đặc tính theo thời gian là chu kỳ giữa hai đỉnh R và trung bình của 10
chu kỳ giữa hai đỉnh R liên tiếp cuối cùng.
•

-

Tín
hiệu
ECG
r

Phân tích và trích
chọn đặc tính

-

Mạng Nơ-rôn
mơTSK

Két quả 1
nhận
dạng

Hình 1.2: Sơ đồ khối kịch bản 1(kịch bản cơ sở) nhận dạng tín hiệu ECG
1.4.2.
Kịch bản 2

Trong trường hợp thử nghiệm này, trước khi trích chọn đặc tính theo cùng
phương pháp như ở kịch bản 1, tín hiệu ECG được lọc bằng bộ lọc wavelet để loại
Tín hiệu
ECG

Hình 1.3: Sơ đồ khối kịch bản 2 nhận dạng tín hiệu ECG đã lọc bằng
wavelet 1.4.3. Kịch bản 3
bỏ ảnh hưởng của nhịp thở.
Phân tích và trích
chọn đặc tính

Mạng Nơ-rôn
mơ TSK

Kết quả
3
nhận
dạng

Tín hiệu nhịp thở

Hình 1.4: Sơ đồ khối kịch bản 3 nhận dạng tín hiệu ECG sử dụng thêm 2 đặc tính
từ
nhịp thở (không lọc ECG bằng wavelet)


Trong trường hợp thử nghiệm này, khi13cơ sở dữ liệu có cả các kết quả đo nhịp
thở đồng thời với nhịp tim thì ngoài các đặc tính đã sử dụng như ở kịch bản 1, luận
án đề xuất sử dụng thêm 2 đặc tính tức thời từ nhịp thở là: biên độ tức thời của nhịp
thở tại đỉnh R của tín hiệu ECG và trung bình của 10 chu kỳ thở liên tiếp cuối cùng.

1.4.4.
Kịch bản 4
Đây là kịch bản tổng hợp nhất, bao gồm cả hai đề xuất trong kịch bản 2 và 3
đồng thời, có nghĩa là trước tiên tín hiệu ECG được lọc bằng bộ lọc wavelet và sau
đó 20 đặc tính sẽ đươc trích chọn (18 đặc tính như ở kịch bản 1 và 2, 2 đặc tính bổ
sung như kịch bản 3) để phục vụ cho nhận dạng.
-

Tín
hiệu r
ECG

Loại bỏ ảnh
hưởng
cùa nhịp thờ

Tín hiệu nhịp thở

-

Phân tích và
trích
chọn đặc
tính

Mạng Nơrôn
mơ TSK

Kết quả
4

nhận
dạng


14nhịp thở và có sử dụng thêm các thông
ECG trước, sau khi loại bỏ ảnh hưởng của
tin từ nhịp thở để thử nghiệm với 4 kịch bản nhận dạng cụ thể như sau: 04 thử
nghiệm theo 4 kịch bản cho bộ mẫu MGH/20-20, 02 thử nghiệm cho kịch bản 1 và
2 cho bộ mẫu MGH/15-5, 02 thử nghiệm cho kịch bản 1 và 2 cho bộ mẫu MGH/191 như bảng 1.1.
CHƯƠNG II: TỔNG QUAN PHƯƠNG PHÁP LOẠI BỎ ẢNH HƯỞNG
CỦA NHỊP THỞ VÀ NHẬN DẠNG TÍN HIỆU ECG
Chương này trình bày tổng quan một số giải pháp sử dụng bộ lọc thông cao
[45,48,76,84,95] để loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG. Để kiểm
chứng hiệu quả loại bỏ ảnh hưởng của nhịp thở cũng như mức độ ảnh hưởng của
nhịp thở trong tín hiệu ECG sau khi loại bỏ ảnh hưởng của nhịp thở của các bộ lọc
này, trong luận án nghiên cứu sinh thực hiện hai thử nghiệm như sau:
• Thử nghiệm 1: Sử dụng tín hiệu ECG trộn tuyến tính với tín hiệu nhịp thở.
• Thử nghiệm 2: Sử dụng tín hiệu ECG có ảnh hưởng của nhịp thở trong các
cơ sở dữ liệu MIT-BIH và MGH/MF
Luận án đã tiến hành thử nghiệm nhiều bộ lọc khác nhau (trong các công trình
tham khảo) và kết quả tính toán các thông số: Tỷ số tín hiệu trên tạp âm (SNR), độ
tương quan (CORR), phần trăm trung bình bình phương sai lệch (PRD) và tỉ lệ
thành phần tần số dưới 1Hz trong tín hiệu (THj) với hai thử nghiệm trên đã cho
thấy bộ lọc Butterworth_2 (đề xuất trong [76]) là tốt hơn so với các bộ lọc còn lại
như trên bảng 2.1
-

-

khi sử dụng bộ lọc thông cao

Loại bộ lọc
Butterworth 2
Kaiser 56
Kaiser 255
Rectang 100

SN
R
17.
12
6.6
716.
40
7.8
1

Thử nghiệm 1
CO
PRD
RR
92.5 37.56
781.4
57.96
192.6
37.57
783.2
55.37
0

TH

1
1.9
915.
66
15.
53
2.2
7

SN
R
15.
12
6.7
15.5
78.2
9

Thử nghiệm 2
CO
PRD
RR
88.8 50.95
679.1
57.79
966.6
84.48
884.0
55.78
9

TH
1
4.7
514.
03
17.
27
7.7
9

Bảng 2.1 trình bày các kết quả tính toán các thông số SNR, CORR, PRD và THi
trung bình của hai thử nghiệm cho thấy bộ lọc Butterworth_2 có chất lượng tốt hơn so
với một số bộ lọc còn lại. Vì vậy các giải pháp của luận án được trình bày ở chương 3
tiếp theo sẽ được so sánh với bộ lọc này.
Bảng 2.1. Kết quả tính toán thông số SNR, CORR, PRD và TH1 trung bình


15 bày lý thuyết tổng quát về biến đổi
Ngoài ra nội dung chương này còn trình
wavelet, phân tích tín hiệu bằng hàm Hermite và mạng nơ-ron logic mờ TSK.
-

-

CHƯƠNG III: CÁC GIẢI PHÁP ĐỀ XUẤT LOẠI BỎ ẢNH HƯỞNG
CỦA NHỊP THỞ TRONG TÍN HIẸU ECG
3.1. Ứng dụng wavelets loại bỏ ảnh hưởng của nhịp thở trong tín hiệu
ECG

Đã có nhiều nghiên cứu đề xuất sử dụng phép biến đổi wavelet để loại bỏ ảnh
hưởng của nhiễu nói chung và nhịp thở nói riêng trong tín hiệu ECG
[35,43,46,51,61,71,83,97,101]. Tuy nhiên các đề xuất họ wavelet và bậc của các tác
giả cũng rất khác nhau (như đã trình bày chi tiết trong luận án).
Trong luận án nghiên cứu sinh đã thực hiện lại hai thử nghiệm như ở chương 2 để
khảo sát, so sánh, đánh giá chất lượng với các họ wavelet Daubechies,
Biorthogonal, Symlet và Coiflet. Dựa trên các kết quả khảo sát, luận án đề xuất loại
bỏ thành phần A8 khi phân tích tín hiệu ECG bằng wavelet để loại bỏ ảnh hưởng
của nhịp thở tới tín hiệu ECG. Kết quả tính toán các thông số SNR, CORR, PRD và
TH trung bình của hai thử nghiệm cho thấy các họ wavelet từ bậc 4 trở lên đã cho
kết quả tốt hơn so với bộ lọc thông cao Butterworth_2 và họ wavelet Coiflet bậc 4
có kết quả tốt hơn các họ wavelet còn lại cùng bậc bậc 4 (như bảng 3.1). Vì vậy
luận án đề xuất sử dụng họ wavelet Coiflet bậc 4 làm bộ lọc thông cao để loại bỏ
ảnh hưởng của nhịp thở trong tín hiệu ECG
b'inh khi sfr düng cac ho wavelet bac 4 va bo loc Butterworth 2
Loại bộ lọc
Butterworth_
2
Db4
Sym4
Bior2.4

SN
R
17.1
2
17.1
6
17.1
9

17.7
2

Thử nghiệm 1
CO
PRD
RR
92.5
37.56
7
92.5
40.73
1
92.5
40.66
3
93.0
39.23
0

T
H
1.91
9
1.8
5
1.8
5
1.8
9

SN
R
15.1
2
17.0
9
16.2
2
17.0
2

Thử nghiệm 2
CO
PRD
RR
88.8
50.95
6
88.9
54.69
8
88.9
54.86
9
88.8
56.77
6

TH1

4.75
2.82
3.79
3.77

19.
94.1 35.45
1.
18.
90.3 51.31 2.61
Coif4
27
7
83
79
5
Bảng 3.1 trình bày các kết quả tính toán các thông số SNR, CORR, PRD và TH
trung bình của hai thử nghiệm cho thấy việc sử dụng các họ wavelet bậc 4 đều có
kết quả tốt hơn giải pháp Butterworth_2, và trong số các họ wavelet thì họ Coiflet
là có kết quả tốt nhất.
Bảng 3.1. Kết quả tính toán các thông số SNR, CORR, PRD và TH1 trung


16 thở tức thời nhằm năng cao chất
3.2. Sử dụng các đặc tính từ nhịp
lượng nhận dạng tín hiệu ECG
-

-

Từ các kết quả loại bỏ ảnh hưởng của nhịp thở gây ra trong tín hiệu ECG bằng
họ wavelet Coiflet bậc 4 để loại bỏ ảnh hưởng của nhịp thở thì không làm thay đổi
vị trí đỉnh R của tín hiệu ECG. Vì vậy việc lọc này sẽ không loại bỏ được tác động
thứ 3 của nhịp thở gây ra rối loạn nhịp tim trong tín hiệu ECG làm khoảng R-R rút
ngắn trong thời gian hít vào và kéo dài trong thời gian thở ra [17, 21, 23, 29, 38, 40,
47, 56, 75], sự thay đổi này dễ bị nhầm lẫn với một số dạng bệnh lý như ngoại tâm
thu nhĩ (A - Atrial premature beat), ngoại tâm thu thất (V - Ventricular premature
beat).
Các kết quả nghiên cứu trong [29, 32] cũng chỉ ra rằng rối loạn nhịp tim là một
hiện tượng tương tác sinh học giữa hô hấp và tuần hoàn, nhịp tim thay đổi đồng bộ
với nhịp thở. Vì vậy để hỗ trợ mô hình nhận dạng phân loại được việc thay đổi
khoảng R-R là do thở hay do bệnh lý trong luận án nghiên cứu đề xuất sử dụng
thêm 2 đặc tính tức thời từ nhịp thở là: biên độ tức thời của nhịp thở tại đỉnh R của
nhịp tim đang nhận dạng và trung bình của 10 chu kỳ nhịp thở cuối cùng để hỗ trợ
cho quá trình nhận dạng
3.3. Thu thập tín hiệu nhịp thở
Với các định hướng của luận án (như trình bày ở mục 1.5 và 3.2), việc sử dụng
các thông tin từ nhịp thở tức thời có thể giúp cải thiện chất lượng nhận dạng tín
hiệu ECG. Tuy nhiên các thiết bị đo nhịp thở hiện dùng vẫn còn cồng kềnh, phức
tạp trong sử dụng. Vì vậy luận án sẽ xây dựng thử nghiệm một giải pháp gọn nhẹ
sử dụng cảm biến gia tốc để đo nhịp thở. Thiết bị được thiết kế có chức năng đo tín
hiệu nhịp thở sử dụng cảm biến gia tốc, hiển thị và lưu dữ liệu đo trên máy tính
hoặc máy đo ECG. Sơ đồ khối chức năng của thiết bị được trình bày trên hình 3.1.
Hình 3.1: Sơ đồ khối mạch thu thập tín hiệu nhịp thở Để triển khai
Cảm biến
gia tốc

Lọc và tiền
khuếch đại

Vi xử lý
trung tâm

Máy tính PC/
máy đo ECG

giải pháp đã đề xuất với mô hình như trên hình 3.1. Luận án sử dụng cảm biến gia
tốc ba trục MMA8451Q gắn trên ngực để thu thập tín hiệu nhịp thở.
Hình 3.2 là tín hiệu nhịp thở thu được từ z của cảm biến

gia tốc ở tư thế ngồi ít di chuyển với các trạng thái thở
khác nhau: thở thường 60s, thở chậm


60s và thở nhanh 30s được tách ra tương 17
ứng với thành phần A8 khi phân tích bằng
họ wavelet Coiflet bậc 4
-

-

Hình 3.2: Tín hiệu thu được từ trục z và tín hiệu tách ra bằng thành phần A8
Để đếm số nhịp thở luận án sử dụng thuật toán dịch một cửa sổ có độ rộng 200ms
(đủ hẹp để phát hiện đỉnh max và min của nhịp thở nhanh tần số khoảng 1Hz) dọc
theo đường tín hiệu. Kết quả tính toán số nhịp thở từ thành phần A8 được phân tích
bằng wavelet của tín hiệu thu được bằng cảm biến gia tốc so với nhịp thở thực tế
của người được thu thập trong 10 lần thử nghiệm đạt độ chính xác 100% trong
trường hợp thở chậm và thở thường và đạt 98,35% trong trường hợp thở nhanh.
CHƯƠNG IV: TRÍCH CHỌN ĐẶC TRƯNG VÀ NHẬN DẠNG TÍN
HIỆU ECG BANG MẠNG TSK

4.1. Cơ sở dữ liệu

Hai cơ sở dữ liệu được sử dụng trong luận án là MIT-BIH và MGH/MF. Cả hai
cơ sở dữ liệu này đều có thể tải về được từ www. physionet. org
4.2. Ứng dụng SVD để phân tích tín hiệu ECG theo các hàm Hermite
Phân tích và trích chọn đặc tính là bước quan trọng trong bài toán nhận dạng, đặc
biệt tín hiệu ECG thường chứa nhiều thành phần tần số khác nhau và biến thiên liên
tục theo tình trạng sức khỏe, tâm lý,... của người bệnh. Các hàm phân tích tín hiệu
chuẩn Hermite đã được nhiều nghiên cứu đề xuất sử dụng để khai triển tín hiệu
ECG [57, 68, 93] vì hình dạng khá tương đồng với tín hiệu ECG. Trong luận án
này sử dụng 16 hàm Hermite đầu tiên để phân tích đoạn phức bộ QRS làm 16 đặc
tính của véctơ đặc tính. Mặt khác cũng như trong [68,93] luận án sử dụng thêm hai
đặc tính trong miền thời gian của tín hiệu ECG, đó là chu kỳ R-R tức thời và giá trị
trung bình của 10 chu kỳ R-R cuối cùng. Tổng cộng véctơ đặc tính của tín hiệu
ECG gồm 18 đặc tính.
4.3. Ứng dụng mô hình nhận dạng TSK trong bài toán nhận dạng tín
hiệu ECG
Để kiểm chứng giải pháp đề xuất của luận án. Trong luận án đề xuất sử dụng
mạng nơron TSK [57, 68, 93] xây dựng các kịch bản nhận dạng để kiểm chứng các
giải pháp đề xuất của luận án. Véctơ đặc tính đầu vào của mô hình nhận dạng được
xây dựng trên cơ sở phân tích tín hiệu bằng hàm phân tích tín hiệu chuẩn Hermite.
4.3.1. Xây dựng các bộ số liệu
4.3.1.1. Cơ sở dữ liệu MIT-BIH
Từ cơ sở dữ liệu MIT-BIH luận án xây dựng các bộ mẫu số liệu cho hai thử


nghiệm 1.1 và 2.1 (theo bảng 1.1). Đối 18
với cơ sở dữ liệu MIT-BIH, luận án lựa
chọn 7 loại mẫu nhịp là: N, L, R, A, V, I và E để xây dựng các bộ số liệu, do đây là
các mẫu bệnh có thể xuất hiện trong cùng một bệnh nhân (ví dụ như bệnh nhân ở

bản ghi 207). Để bổ sung cho số lượng mẫu tương đối cân đối và phong phú giữa 7
loại nhịp đã nêu, trong luận án sử dụng thêm tổng cộng 16 bản ghi của 16 bệnh
nhân với các mã số là: 106, 109, 111, 114, 116, 118, 119, 200, 202, 207, 208, 209,
212, 214, 221 và 222 với tổng số mẫu trích ra là 3577. Do các mô hình được xây
dựng trên cơ sở hai bộ số liệu học và kiểm tra [55,66,89], nên ta sẽ chia 3577 mẫu
tổng cộng thành hai bộ con: bộ 2835 mẫu của 16 bệnh nhân để xây dựng mô hình
(còn gọi là bộ số liệu học) và 1192 mẫu còn lại của 16 bệnh nhân để kiểm tra độ tin
cậy (còn gọi là bộ số liệu kiểm tra). Số lượng tổng cộng và số lượng chi tiết mẫu
lấy từ các bản ghi và phân chia vào bộ số liệu học và kiểm tra được thống kê trong
bảng 4.1.
Bảng 4.1: Bảng phân chia số lượng mẫu học và kiểm tra của 7 loại nhịp
-

Loại nhịp
N
L
R
A
V
I
E
Tổng

Tổng số mẫu
1000
500
500
500
500
472

105
3577

-

Số mẫu học
667
333
333
334
333
315
70
2385

Số mẫu kiểm tra
333
167
167
166
167
157
35
1192

Để tạo được một mẫu số liệu (tạo được véc-tơ đặc tính và tín hiệu đầu ra tương
ứng) từ đường ECG, ta sẽ tách một cửa số chứa phức bộ QRS tương
ứng của nhịp điện tim đó và tính toán các đặc tính từ cửa số này. Do trong cơ sở dữ
liệu MIT-BIH, ta đã có các tín hiệu ECG đã được đánh dấu vị trí đỉnh R và đã được
gán nhãn phân loại bệnh bởi các bác sỹ chuyên ngành nên mỗi mẫu được tạo theo

quy trình sau:
• Để xây dựng số liệu mẫu cho kịch bản 1 hoặc 3 (theo bảng 1.1) thì các tín
hiệu ECG đọc từ cơ sở dữ liệu không cần xử lý thêm, để xây dựng số liệu
mẫu cho kịch bản 2 và 4 thì tín hiệu ECG sẽ được lọc loại bỏ thành phần
A8 theo khai triển wavelet Coiflet bậc 4.
• Đọc tuần tự các vị trí đỉnh R liên tiếp của phức bộ QRS trong đường tín
hiệu ECG.
• Xác định khoảng của phức bộ QRS và trích ra phức bộ này ra bằng cách
cắt cửa sổ 250ms xung quanh đỉnh R (125ms trước và 125ms sau vị trí
đỉnh R).
• Khai triển phức bộ QRS vừa trích ở trên theo các đa thức Hermite theo
công thức (2.18) để xác định 16 hệ số khai triển đầu tiên làm đặc tính.
• Xác định khoảng cách R-R từ đỉnh R đang xét tới đỉnh R liền trước để làm


đặc tính thứ 17. Giá trị trung bình19của 10 đoạn R-R cuối cùng sẽ là đặc tính
thứ 18 của phức bộ QRS đang xét
• Tương ứng với 18 đặc tính vừa xác định làm mẫu đầu vào, đầu ra là mã
của loại bệnh của nhịp đang xét (đã được các bác sĩ đánh dấu trong cơ sở
dữ liệu). Với K=7 loại bệnh khác nhau cho cơ sở dữ liệu MIT-BIH, đầu ra
tương ứng sẽ là 7 kênh có giá trị 0 và 1
Đồng thời do mỗi bản ghi có 1 hoặc nhiều chuyển đạo nên để thuận tiện cho việc
lập trình, tính toán và so sánh kết quả, luận án sẽ chọn sử dụng chuyển đạo chung
của các bản ghi là chuyển đạo II.
4.3.1.2.
Cơ sơ dữ liệu MGH/MF
Tương tự như với cơ sở dữ liệu MIT-BIH, do luận án sử dụng nhiều bản ghi khác
nhau nên ta chọn sử dụng chuyển đạo chung của các bản ghi là chuyển đạo II.
Trong cơ sở dữ liệu MGH/MF, số loại nhịp nhiều nhất của một bệnh nhân là 3
gồm: N, S và V do đây là các mẫu bệnh có thể xuất hiện trong cùng một bệnh nhân

đồng thời (ví dụ như bệnh nhân ở bản ghi 106, 111, ... ). Vì vậy bộ mẫu xây dựng
sẽ gồm 3 loại nhịp này, đồng thời để có số lượng mẫu tương đối phong phú, luận án
sử dụng 20 bản ghi của 20 bệnh nhân với mã số là: 029, 030, 058, 105, 106, 107,
108, 110T 111, 114, 117, 119, 121, 123, 124, 125, 128, 131, 137 và 142 với tổng số
mẫu trích ra là 4500. Chi tiết về số lượng các mẫu lấy từ các bản ghi được tổng hợp
trong bảng 4.2. Quy trình tạo các mẫu tương tự như đã thực hiện với cơ sở dữ liệu
MIT-BIH, trong đó ta có hai dạng véc-tơ đặc tính với 18 và 20 đặc tính (gồm 18
đặc tính như cơ sở dữ liệu MIT-BIH và 2 đặc tính từ tín hiệu nhịp thở).
Từ tập hợp tổng cộng 4500 mẫu này, trong luận án xây dựng 8 bộ số liệu cho 8
trường hợp thử nghiệm 1.2, 2.2, 3.2, 4.2, 1.3, 1.4, 2.3 và 2.4 theo 4 kịch bản như đã
nêu ở bảng 1.1. Trong đó, các thử nghiệm theo kịch bản 1 và 3 (thử nghiệm 1.2,
1.3, 1.4 và 3.2) được thực hiện với tín hiệu ECG không lọc, các thử nghiệm theo
kịch bản 2 và 4 (2.2, 2.3, 2.4 và 4.2) được thực hiện với tín hiệu ECG có lọc bằng
wavelet Coiflet bậc 4.
-

-


Bảng 4.2: Bảng

phân chia 20
số lượng mẫu của 3 loại mẫu nhịp
-

STT

Recoder

1

2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Mgh029
Mgh030
Mgh058
Mgh105
Mgh106
Mgh107
Mgh108
Mgh110
Mgh111
Mgh114

N
150
150
150
150
150
150
150
150
150
150

Mgh117
Mgh119
Mgh121
Mgh123
Mgh124
Mgh125
Mgh128
Mgh131
Mgh137
Mgh142

150
150
150
150
150
150

150
150
150
150

Tổng

3000

-

Loại nhịp
S
50
50
65
1
45
9
1
0
75
60
0
0
4
50
0
65
75

50
75
75
750

V
1
12
0
65
50
65
65
50
45
28
65
50
50
55
65
65
0
0
2
17
750

Với 4 trường hợp 1.2, 2.2, 3.2 và 4.2 ta thử nghiệm theo dạng MGH/20-20,
có nghĩa là cả tập số liệu mẫu và tập số liệu kiểm tra đều chứa các nhịp của

toàn bộ 20 bệnh nhân. Chi tiết phân chia số lượng các mẫu được tổng hợp trong
bảng 4.3.
Các trường hợp 1.3 và 2.3 ta thử nghiệm theo dạng MGH/15-5, có nghĩa là tập số
liệu mẫu chỉ chứa các mẫu của 15 bệnh nhân và tập số liệu kiểm tra chỉ chứa các
mẫu mới của 5 bệnh nhân còn lại. Luận án mới tạm xét 4 trường hợp con phân chia
đó là tập hợp kiểm tra gồm toàn bộ mẫu các bệnh nhân (theo bảng 4.2): 1 từ 1 đến
5, 2. từ 6 đến 10, 3. từ 11 đến 15 và 4. từ 16 đến 20; tập hợp học gồm mẫu của các
bệnh nhân còn lại.
Các trường hợp 1.4 và 2.4 ta thử nghiệm theo dạng MGH/19-1, có nghĩa là tập số
liệu mẫu chỉ chứa các mẫu của 19 bệnh nhân và tập số liệu kiểm tra chỉ chứa các
mẫu của bệnh nhân còn lại. Tổng cộng luận án đã xét 20 trường hợp con là tập hợp
kiểm tra gồm toàn bộ các mẫu của 1 bệnh nhân từ 1 đến 20 (theo bảng 4.2), tập hợp
học gồm mẫu các bệnh nhân còn lại.


21 cho thử nghiệm MGH/20-20
Bảng 4.3. Bảng phân chia số lượng mẫu
-

Loại bệnh
N
S
V
Tổng

Tổng số nhịp
3000
750
750
4500

-

Số mẫu học
2100
525
375
3000

Số mẫu kiểm tra
900
225
375
1500

4.3.2.
Xây dựng mô hình nhận dạng
Đối với các trường hợp thử nghiệm với cơ sở dữ liệu MIT-BIH (các thử nghiệm
1.1 và 2.1) với 7 loại mẫu nhịp N, A, E, L, R, I và V, mỗi nhịp tim được đặc trưng
bởi 18 đặc tính ta cần xây dựng mạng TSK với 18 đầu vào (tương ứng với 18 đặc
tính) và 7 đầu ra nhị phân (đối với mỗi nhịp chỉ có 1 đầu ra bằng “1” và 6 đầu ra
còn lại bằng “0”) tương ứng với 7 loại mẫu nhịp.
Đối với các trường hợp thử nghiệm với cơ sở dữ liệu MGH/MF ta chia thành hai
nhóm thử nghiệm chính là:
• Các thử nghiệm 1.2, 2.2, 1.3, 2.3, 1.4 và 2.4 theo dạng MGH/20-20,
MGH/15-5, MGH/19-1 với 3 loại mẫu nhịp N, S và V và mỗi nhịp tim
được đặc trưng bởi 18 đặc tính ta cần xây dựng mạng TSK với 18 đầu vào
(tương ứng với 18 đặc tính) và 3 đầu ra nhị phân tương ứng với 3 loại mẫu
nhịp.
• Các thử nghiệm 3.2 và 4.2 theo dạng MGH/20-20 với 3 loại mẫu nhịp N, S

và V. Véc-tơ đặc tính được đặc trưng bởi 20 đặc tính (gồm 18 đặc tính từ
tín hiệu ECG và 2 đặc tính từ nhịp thở) ta cần xây dựng mạng TSK với 20
đầu vào (tương ứng với 20 đặc tính) và 3 đầu ra nhị phân tương ứng với 3
loại mẫu nhịp.
• Độ tin cậy của mô hình nhận dạng được đánh giá trên cơ sở sai số kiểm tra, chỉ
số FN và chỉ số FP như đã mô tả ở mục 1.5.
Độ cải thiện về sai số kiểm tra, số trường hợp FN và số trường hợp FP của mô
hình nhận dạng khi sử dụng lọc wavelet hoặc khi sử dụng bổ sung các đặc tính mới
cho mô hình nhận dạng được tính theo các công thức:
E-E
TN + EP
Với các chỉ số như trên, mô hình được coi là tốt hơn khi các sai số FP, FN là
nhỏ hoặc các chỉ số theo công thức từ (4.1) đến (4.5) là càng lớn càng tốt.
4.3.3. Kết quả nhận dạng tín hiệu ECG
4.3.3.1. Các thử nghiệm dạng MIT/16-16 cho kịch bản 1 và 2
Các thử nghiệm này sử dụng tập các mẫu của 16 bản ghi để xây bộ số liệu học
và bộ số liệu kiểm tra của mô hình nhận dạng. Mạng TSK được xây dựng với 18
đầu vào tương ứng với 18 thành phần của véc-tơ đặc tính, 7 đầu ra nhị phân tương
ứng với 7 loại mẫu nhịp.Thuật toán tính toán các chỉ số được khảo sát với số quy
tắc suy luận mờ (số luật TSK) biến thiên từ 1 đến 20. Kết quả khảo sát cho thấy


ứng với 17 luật mô hình có sai số kiểm tra22nhỏ nhất.
Bảng 4.4. Kết quả tính toán các chỉ số chất lượng của các thử nghiệm dạng
MIT/16-16
-

Các chỉ số
Sai số tổng
FN

FP

Thử nghiệm 1.1
35
20
10

-

Thử nghiệm
2.1
31
15
9

Độ cải thiện
4
5
1


23
❖ Nhân xét 1
Từ các thử nghiệm 1.1 và 2.1 theo dạng MIT/16-16 cho thấy việc loại bỏ ảnh
hưởng của nhịp thở trong tín hiệu ECG bằng wavelet đã giúp cải thiện được chất
lượng nhận dạng, cụ thể là:
-

-

•

Sai số kiểm tra đã giảm 4 mẫu, tương ứng: (4/35) • 100% = 11,43%

•

Các trường hợp FN đã giảm 5 mẫu, tương ứng: (5/15) • 100% = 33,33%

•

Các trường hợp FP đã giảm 1 mẫu , tương ứng: (1/9) • 100% = 11,11%

•

Chỉ số Sensitivity đã được cải thiện từ 98,25% lên 98,86%; chỉ số
Specificity đã được cải thiện từ 97,30% lên 97,60%.

4.3.3.2.
Các thử nghiệm dạng MGH/20-20 cho cả 4 kịch bản nhận
dạng
Các thử nghiệm này sử dụng tập các mẫu của 20 bản ghi để xây bộ số liệu học và
bộ số liệu kiểm tra của mô hình nhận dạng. Do cơ sở dữ liệu MGH/MF có chứa
nhịp thở đo đồng thời với tín hiệu ECG. Vì vậy ta có thể xây dựng các bộ số liệu
cho tất cả 4 kịch bản nhân dạng, cụ thể như sau:
Các thử nghiệm 1.2 và 2.2 mạng TSK được xây dựng với 18 đầu vào tương ứng
với 18 thành phần của véc-tơ đặc tính; Các thử nghiệm 3.2 và 4.2 mạng TSK được
xây dựng với 20 đầu vào tương ứng với 20 thành phần của véc-tơ đặc tính (18 đặc
tính từ tín hiệu ECG và 2 đặc tính từ tín hiệu nhịp thở) và 3 đầu ra nhị phân tương
ứng với 3 loại mẫu nhịp.
Thuật toán tính toán các chỉ số sai số kiểm tra cũng được khảo sát với số quy tắc

suy luận mờ (số luật TSK) biến thiên từ 1 đến 20. Kết quả khảo sát cho thấy ứng
với 11 luật mô hình có sai số kiểm tra nhỏ nhất.
MGH/20-20
Thử nghiệm
1.2

Thử nghiệm
2.2

Thử nghiệm
3.2

Thử nghiệm
4.2

Sai số
tổng
FN

62

55

57

51

30

26

28

23

FP

16

14

13

11

Các chỉ số

Bảng 4.5. Kết quả tính toán các chỉ số chất lượng của các
thử nghiệm dạng


❖ Nhân xét 2:
24
Từ các thử nghiệm 1.2 và 2.2 theo dạng MGH/20-20 cho thấy việc loại bỏ ảnh
hưởng của nhịp thở trong tín hiệu ECG bằng wavelet đã giúp cải thiện được chất
lượng nhận dạng, cụ thể là:
-

-

• Sai số kiểm tra đã giảm 7 mẫu, tương ứng: (7/62). 100% = 11,29%
• Các trường hợp FN đã giảm 4 mẫu, tương ứng: (4/30) • 100% = 13,33%
• Các trường hợp FP đã giảm 2 mẫu, tương ứng: (2/16) • 100% = 12,50%
• Chỉ số Sensitivity đã được cải thiện từ 95,0% lên 95,67%; chỉ số Specificity đã
được cải thiện từ 98,22% lên 98,44%
Từ các thử nghiệm 1.2 và 3.2 theo dạng MGH/20-20 cho thấy việc sử dụng thêm
các thông tin từ nhịp thở tức thời cũng giúp cải thiện được chất lượng nhận dạng,
cụ thể là:
• Sai số kiểm tra đã giảm 5 mẫu, tương ứng: (5/ 62 )• 100% = 8,06%
• Các trường hợp FN đã giảm 2 mẫu, tương ứng: (2/30) • 100% = 6,67%
• Các trường hợp FP đã giảm 3 mẫu, tương ứng: (3/16) • 100% = 18,75%
• Chỉ số Sensitivity đã được cải thiện từ 95,0% lên 95,33%; chỉ số Specificity đã
được cải thiện từ 98,22% lên 98,56%.
Từ các thử nghiệm 1.2 và 4.2 theo dạng MGH/20-20 cho thấy việc sử dụng đồng
thời loại bỏ ảnh hưởng của nhịp thở bằng wavelet và các thông tin từ nhịp thở tức
thời cho chất lượng nhận dạng tốt nhất, cụ thể là:
• Sai số kiểm tra đã giảm 11 mẫu, tương ứng: (1 1/ 62) • 100% = 17,74%
• Các trường hợp FN đã giảm 7 mẫu tương ứng: (7/30)-100% = 23,33%
• Các trường hợp FP đã giảm 5 mẫu, tương ứng: (5/16 )• 100% = 31,25 %
• Chỉ số Sensitivity đã được cải thiện từ 95,0% lên 96,17%; chỉ số Specificity đã
được cải thiện từ 98,22% lên 98,78%.
4.3.3.3.Các thử nghiệm dạng MGH/15-5 cho kịch bản 1 và 2
Các thử nghiệm này sử dụng tập các mẫu nhịp của 15 bản ghi để xây dựng mô
hình và sử dụng các mẫu nhịp của 5 bản ghi còn lại để kiểm tra và mạng TSK 18
được xây dựng với 18 đầu vào tương ứng với 18 thành phần của véc- tơ đặc tính, 3
đầu ra nhị phân tương ứng với 3 loại mẫu nhịp.


Luận án xét 4 trường hợp con có thể25phân chia tập mẫu ban đầu theo dạng
MGH/15-5 gồm toàn bộ mẫu các bệnh nhân (theo bảng 4.2): 1. từ 1 đến 5, 2. từ 6

đến 10, 3. từ 11 đến 15 và 4. từ 16 đến 20; tập hợp học gồm mẫu của các bệnh nhân
-

nghiệm dạng MGH/15-5
Các chỉ số
Sai số tổng
FN
FP

❖ Nhân xét 3:

Thử nghiệm 1.3
558
64
415

-

Thử nghiệm
2.3
516
53

Độ cải thiện
42
11

384

31

còn lại. Khi đó các chỉ số sai số được ước lượng là giá trị trung bình của các chỉ số
đó trong 4 trường hợp con Mô hình nhận dạng vẫn sử dụng mạng TSK với 18 đầu
vào tương ứng với 18 thành phần của véc-tơ đặc tính, 3 đầu ra nhị phân tương ứng
với 3 loại mẫu nhịp. Số luật của mạng TSK vẫn được khảo sát thủ công như đã
trình bày ở trên để xác định giá trị tốt (tương ứng với sai số kiểm tra cho trường
hợp đó là nhỏ nhất). Với 4 trường hợp con đã thử nghiệm cho bộ mẫu MGH/15-5,
số lượng luật cần sử dụng dao động trong khoảng từ 18 đến 20 luật.
Bảng 4.6. Kết quả tính toán các chỉ số chất lượng trung bình của các thử
Từ các thử nghiệm 1.3 và 2.3 theo dạng MGH/15-5 cho thấy việc loại bỏ ảnh
hưởng của nhịp thở trong tín hiệu ECG bằng lọc wavelet đã giúp cải thiện được
chất lượng nhận dạng, cụ thể là:
• Sai số kiểm tra đã giảm 42 mẫu, tương ứng: (42/558) • 100% = 7,53%
• Các trường hợp FN đã giảm 11 mẫu, tương ứng: (11/64) • 100% = 17,19%
• Các trường hợp FP đã giảm 31 mẫu, tương ứng: (31/415) • 100% = 7,47%
4.3.3.4. Các thử nghiệm dạng MGH/19-1 cho kịch bản 1 và 2
Với các thử nghiệm này sử dụng tập các mẫu nhịp của 19 bản ghi để xây dựng
mô hình và sử dụng các mẫu nhịp của 1 bản ghi còn lại để kiểm tra.
Luận án sẽ xét toàn bộ 20 trường hợp có thể phân chia tập mẫu ban đầu theo
dạng MGH/19-1, đó là tuần tự tập hợp mẫu kiểm tra gồm toàn bộ các mẫu của 1
bệnh nhân từ 1 đến 20 (theo bảng 4.2), tập hợp mẫu học gồm mẫu các bệnh nhân
còn lại. Khi đó các chỉ số sai số được ước lượng là giá trị trung bình của các chỉ số
đó trong 20 trường hợp con.