Toi uu tham so he mo

ỨNG DỤNG GIẢI THUẬT DI TRUYỀN (GA) ĐỂ TỐI ƯU THAM SỐ HỆ
MỜ TRONG PHÂN LỚP TÍN HIỆU ĐIỆN TIM
APPLICATION GA OPTIMISATION OF PARAMETERS FUZZY LOGIC
SYSTEM FOR ECG CLASSIfiCATION
Hoàng Thị Ngọc Diệp
Tóm Tắt
Bài báo nghiên cứu khả năng của hệ mờ không đơn trị (NSFLS) và giải thuật di truyền (GA) để xử lý
nhiễu trong các bài toán phân loại mẫu. Hiệu năng của các hệ thống đơn trị và không đơn trị được so
sánh với nhau trong bài toán phân lớp điện tim. Các kết quả chỉ ra rằng NSFLS làm việc với nhiễu
hiệu quả hơn, vì vậy cho phép phân loại dựa trên các đặc trưng được trích chọn.
Từ khóa: Hệ mờ không đơn trị (NSFLS); Giải thuật di truyền (GA); Phân loại mẫu; Phân lớp tín hiệu
điện tim (ECG).
Abstract
This paper studies the ability of a non-singleton fuzzy logic system (NSFLS) that is evolved using
Genetic Algorithm (GA) to handle the uncertainties in pattern classification problems. The performance
of non-singleton and singleton systems for cardiac arrhythmias classification is compared. Results
show that NSFLS can deal with uncertainty within its framework more efficiently, thereby enabling
classification to be performed using features that are easier to extract.
Keywords: non-singleton Fuzzy Logic System (NSFLS); Genetic Algorithm (GA); Pattern
classification; Electrocardiogram (ECG).
1. GIỚI THIỆU
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. 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 từ đó trích chọn ra những tri
thức hữu ích. Mặc dù có nhiều phương thức khi
phân loại, chẳng hạn như ANN, SVM, HMM
and FLS, nhưng chúng đều có chung cấu trúc
nền tảng và các bước khi thiết kế. Các thành
phần của một bộ phân loại và trình tự thiết kế
bộ phân loại được chỉ ra trên hình 1.

gian quyết định được định nghĩa bởi tập các lớp
(xác định). Một bộ phân loại, hay một thuật toán,
sẽ sinh ra một phân hoạch của không gian đặc
trưng bởi các miền quyết định. Sau khi thiết kế
bộ phân loại với hiệu năng mong muốn, ta có thể
sử dụng nó để phân loại các đối tượng mới.
Điều này có nghĩa là bộ phân loại sẽ gán từng
véc tơ đặc trưng trong không gian đặc trưng với
một lớp trong không gian quyết định.
Trong bài toán phân loại mẫu, trích chọn đặc
trưng là nhiệm vụ khó khăn nhất, quyết định
đến độ chính xác của thuật toán. Những đặc
trưng thừa hay không thích hợp ảnh hưởng
đến hiệu năng của hầu hết các thuật toán học
máy hay phân loại mẫu. Việc lựa chọn tập các
đặc trưng hữu ích từ một tập khổng lồ các đặc
trưng giúp ích trong việc tìm ra thuật toán học
hiệu quả cho bài toán phân loại mẫu cũng như
bài toán học máy nhằm hiểu rõ hơn về dữ liệu
khi khai phá tri thức. Do có nhiều cách lựa chọn

thuật toán nên độ khó khi trích chọn đặc trưng
cũng rất đa dạng. Chi phí tính toán có thể được
giảm đi bằng cách sử dụng các đặc trưng dễ
trích chọn. Tuy nhiên, những đặc trưng này lại
ẩn chứa nhiều thông tin không cần thiết có thể

Bước trích chọn đặc trưng biến đổi dữ liệu đầu
vào (trong không gian quan sát) thành các véc
tơ đặc trưng (trong không gian đặc trưng).
Không gian đặc trưng có số chiều ít hơn nhiều
so với không gian quan sát. Bước tiếp theo là
biến đổi từ không gian đặc trưng sang không

1


dẫn tới việc phân loại sai. Hơn nữa, trong các
ứng dụng ta luôn phải đối mặt với nhiễu.
Nguyên nhân của chúng là do nhiễu điện trong

các thiết bị trích chọn hoặc thao tác các thiết bị
không đúng.
Bắt đầu

Dữ liệu vào

Thu thập dữ liệu
Cảm biến
Lựa chọn đặc trưng
Tiền xử lý

Lựa chọn lớp
Trích chọn đặc trưng
Huấn luyện bộ phân loại
Phân lớp
Đánh giá hiệu suất
Quyết định

Kết thúc

a)

b)

Hình 1. Các thành phần và trình tự thiết kế bộ phân loại sử dụng GA
Với mô hình mờ sử dụng logic mờ loại 2
Đầu ra: Trong bài toán này loại nhịp tim phân
khoảng đơn trị thì khả năng làm việc với nhiễu
làm ba lớp: NRS (nhịp tim bình thường), VF
hiệu quả chưa cao. Do đó, hệ mờ không đơn trị
(chứng rung tâm thất) và VT (chứng tim đập
được chọn vì nó thích hợp hơn hệ mờ đơn trị
nhanh).
khi làm việc với nhiễu. Giải thuật di truyền được
Tín hiệu điện tim đầu vào
dùng để tối ưu hóa đồng thời hàm thuộc và cơ
sở luật. Bài báo này trình bày khả năng của hệ
mờ không đơn trị và giải thuật di truyền để xử
Xử lý và trích rút đặc trưng của tín hiệu
lý nhiễu trong các bài toán phân loại mẫu. Hiệu
năng của các hệ thống đơn trị và không đơn trị

được so sánh với nhau trong bài toán phân lớp
điện tim. Các kết quả chỉ ra rằng giải thuật di
Phân lớp tín hiệu
truyền tốt hơn hệ mờ đơn trị khi có nhiễu trong
các đặc trưng được trích chọn. Điều này rất
hữu ích khi không thể tránh khỏi sự nhập
Loại nhịp tim
nhằng trong dữ liệu đầu vào [8].
Hình 2. Sơ đồ bài toán ECG

2. GIẢI THUẬT DI TRUYỀN ÁP DỤNG VÀO
BÀI TOÁN ECG
2.1. Bài toán ECG
Bài toán phân lớp điện tim được mô tả theo sơ
đồ như hình 2 sau, trong đó:
Đầu vào: gồm 2 đặc trưng: độ rộng xung (PW),
chu kỳ xung (T).

2


2.2. Giải thuật di truyền ứng dụng vào bài
toán ECG

Đầu vào

Khi thiết kế một hệ mờ bằng cách sử dụng giải
thuật di truyền, điều quan trọng đầu tiên là xem
xét chiến lược trình bày, làm thế nào để mã
hóa hệ mờ vào nhiễm sắc thể. Trong thiết kế

của [8] có hai đầu vào và mỗi đầu vào gồm 2
biến (x1 và x2) được phân chia thành ba hàm,
do đó, có 12 tham số. Giả sử không mất tính
tổng quát và độ lệch tiêu chuẩn của hàm tham
l

gia là mxi và

Tiền xử lý

Mờ hóa

 xl

2, 3. Ngoài ra có 9 luật (3x3) trong các quy tắc
cơ sở, thêm kết quả phụ 9 tham số, rn trong đó
n = 1, 2, . . . , 9. Do vậy, tổng cộng 21 tham số
(3 chức năng thành viên × 2 tham số × 2 biến
đầu vào + 9 quy tắc) cần thiết để giải thuật di
truyền điều chỉnh. Mỗi tham số của hàm được
mã hóa (kiểu gen đại diện) là một chuỗi nhị
phân 8-bit, trong khi mỗi tham số luật được mã
hóa thành chuỗi nhị phân 2-bit. Kết quả là chiều
dài của chuỗi nhị phân là 114bit. Các minh họa
tương ứng của cấu trúc NST được thể hiện
trong hình 3.

Bộ quyết định

Phân lớp

Hình 4. Cấu trúc của một hệ phân loại mờ sử
dụng GA
3.1. Khái niệm hệ mờ không đơn trị
Kaufman và Gupta [7] định nghĩa phép mờ hóa
không đơn trị như sau: Một bộ mờ hóa không
đơn trị có dạng

Aq
2

N

1

i

diện là chuỗi gen N-bit,

G

và

min
q

G

i

xa dần

và

xi' .

3.2. Khối tiền xử lý
Xét một bộ phân loại, giả sử có thể có một số
loại nhiễu. Đầu tiên, các đầu vào của bộ phân
loại có thể bị hỏng. Các tín hiệu điện tim ghi
được (đặc biệt là tín hiệu điện tim đo trên bề
mặt) rất nhạy cảm với việc di chuyển cáp điện và
các hoạt động của cơ. Ngoài ra, nhiễu từ mạng
điện có thể sai lệch quá trình ghi nhận tín hiệu...
Do đó, tín hiệu cần được tiền xử lý để có thể thu
được thông tin từ tín hiệu chính xác hơn.

(1)

Trong đó, gp biểu thị giá trị thực tế của các
th
tham số q , Aq biểu diễn các số nguyên đại
max
q

 x ( xi' )  1(i  1,..., p)

 X ( xi ) giảm dần từ 1 khi xi

Hình 3. Cấu trúc của Nhiễm sắc thể

Tuy nhiên, tất cả các tham số phải được giải
mã (kiểu hình đại diện) trong quá trình thẩm
định thích hợp. Các tham số luật được giải mã
thành dãy số nguyên 0-4. Mặt khác các tham
số hàm được giải mã thành số thực bằng cách
sử dụng phương trình lập bản đồ tuyến tính
như dưới đây [3]:

g p  G qmin  (G qmax  G qmin ) 

Cơ sở
luật

Hệ suy diễn

, Trong đó i = 1, 2 and l = 1,
i

Việc trích rút hai đặc trưng độ rộng xung, chu
kỳ xung của tín hiệu được thực hiện của hai
bước. Tín hiệu điện tim sau khi lọc được biến
đổi thành 1 chuỗi nhị phân để làm tăng khả
năng trích chọn đặc trưng. Thuật toán biến đổi
sử dụng trong bài báo được cải tiến từ thuật
toán trong [9]. Bài báo sử dụng thuật toán biến
đổi hai bước thay vì thuật toán biến đổi một
bước của Zhang. Tín hiệu điện tim sẽ được
biến đổi từng phần thành chuỗi nhị phân thay vì
biến đổi toàn bộ. Điều này có thể làm giảm việc

biểu thị

cho người dùng xác định giới hạn trên và dưới
của gen tương ứng.
3. CẤU TRÚC CỦA MÔ HÌNH PHÂN LỚP MỜ
SỬ DỤNG GA ĐỂ TỐI ƯU THAM SỐ
Về cơ bản, kiến trúc chung của mô hình GA
giống với mô hình phân lớp loại hai khoảng.
Tuy nhiên trong cấu trúc có thêm khối tiền xử lý
và giảm bớt khối giảm loại và khử mờ.

3


phát hiện sai các đỉnh tích cực bằng cách khử
đi tín hiệu có biên độ nhỏ. Sau bước này là
bước biến đổi hoàn toàn chuỗi nhị phân nhằm
xác định ngưỡng để cực đại hóa sự khác biệt
giữa lớp NSR và lớp VF/VT. Sau đó, ta sẽ tính
toán độ rộng xung, chu kỳ xung trung bình của
tín hiệu dựa vào chuỗi nhị phân trên. Các bước
được trình bày như sau:

xung của mẫu 4s tín hiệu được tính bằng trung
bình độ rộng của tất cả các xung trong khoảng
tín hiệu. Độ rộng của một xung trong mẫu tín
hiệu là độ dài chuỗi số 1 liên tiếp trong chuỗi
nhị phân tương ứng.
N

PW 

Thuật toán:
- Bước 1: Chuyển mẫu tín hiệu (4s tín hiệu)
ban đầu thành chuỗi nhị phân
 Chọn 4s dữ liệu từ bản ghi. Do các tín hiệu
của VFDB được rời rạc tại tần số 250Hz nên
có tất cả 1000 điểm dữ liệu trong cửa sổ dài
4s  ta có n =1000 mẫu có các giá trị Xi:
{x[i] | i = 1,2…, n}

W

i

1

N

(ms )

(2)

N 1

T

T

i

1

N 1

(ms)

Trong đó:
 W i là độ rộng xung thứ i
 Ti là khoảng cách giữa xung thứ (i) và xung
thứ (i+1)

 Tính giá trị trung bình x[m] của mảng {Xi}.
Sau đó tạo ra một mảng X’ bằng cách lấy
giá trị của mỗi phần từ trừ đi Xm: X’i = {xi –
xm}

 N là tổng số xung trong đoạn tín hiệu.
Như vậy, sau bước này với mỗi tín hiệu ta sẽ thu
được 2 giá trị độ rộng xung (PW) và chu kỳ xung
(T). Giá trị của hai đặc trưng này sẽ là đầu vào
cho mô hình phân lớp dựa trên luật mờ ở bước
sau.

 Tính giá trị âm nhỏ nhất Vn và giá trị dương
lớn nhất Vp của mảng X’.
 Tạo ra một phần chuỗi nhị phân: nếu Các
phần tử của X’ có giá trị trong khoảng
(0 Tính tham số Np và Nn. Np là ký hiệu số

lượng dữ liệu xi>0 và Nn=n-Np.
 Xác định ngưỡng thích hợp Tr để chuyển
một phần chuỗi nhị phân thành toàn bộ
chuỗi nhị phân. Bước này là rất quan trọng
để tách biệt giữa các tín hiệu NSR và tín
hiệu VF, VT.
o Nếu Np < 0.15n thì Tr = 0.7*Vp
o Nếu Np >= 0.15n thì Tr = 0
 So sánh x[i] với Tr để chuyển một phần
chuỗi nhị phân thành chuỗi nhị phân hoàn
toàn, có nghĩa là :
o Nếu x[i] <= Tr thì gán x[i] = 0
o Ngược lại, gán x[i] = 1
Sau bước này ta có chuỗi nhị phân tương ứng
với mẫu tín hiệu: dãy số 1 liên tiếp trong chuỗi
nhị phân biểu diễn xung QRS của tín hiệu ban
đầu.
- Bước 2: Tính Pw và T từ chuỗi nhị phân:
Bước này sẽ tính độ rộng xung và chu kỳ xung
trung bình trong khoảng 4s tín hiệu. Độ rộng

4


Với phương sai

 X ( xi ) .

2

thể hiện độ rộng của

Giá trị này càng rộng thì càng có

nhiều nhiễu trong dữ liệu. Một bộ mờ hóa
l
theo 2
xmax

không đơn trị có thể biến x thành

cách; suy diễn sử dụng phép min hoặc product.
Giả sử tập mờ đầu vào thứ k và tiền đề thứ k
tương ứng có dạng:

 1x m
k ,i
xk
 X k ( xk , xi )  exp   k

 2   xk


Hình 5. Ba dạng tín hiệu điện tim khác nhau với
chuỗi nhị phân tương ứng


1  x k ,ik  m Fkl
 F l ( x k , xi )  exp  
k

 2  l
Fk



Theo Teck Wee Chua and Woei Wan Tan [8],
Trong hình 5 có hai tham số được trích chọn từ
chuỗi nhị phân này: độ rộng xung, chu kì xung.
Tất cả các tham số được tính trung bình trong
cửa sổ 4s và độ lệch chuẩn của chúng được
tính tương ứng.

thành






(4)

l
k

k

l
k

k

(5)

 X F

l
k

Tương tự với phép suy diễn dùng product,

xkl ,max như sau:
l
k ,max

x



 2 X mF   2 F mX
l
k

k



2
Xk



l
k

k

(6)

2
Fkl

Ưu điểm của bộ mờ hóa không đơn trị là nếu
đầu vào bị hỏng do nhiễu thì nó cũng có thể xử
lý được. Ví dụ, đầu vào

mk bị hỏng bởi nhiễu,

tức là:

m X k  m X k 0  nk
Với

(7)

mX là tín hiệu có ích và nk là nhiễu. Thay
k0

mX k trong (5) bởi (7) ta có:
xkl ,max 

 X mF   F m X
k

l
k

l
k

k

l
k

 X F

k



 F nk
l
k

 X F
k

(8)

l

k

Công thức (8) chỉ ra rằng bộ mờ hóa Gaussian
làm việc được với nhiễu bởi thành phần

 F / ( X   F ) . Một cách tương tự, ta cũng
l
k

k

l
k

chứng minh được bộ mờ hóa tam giác cũng có
khả năng làm việc được với nhiễu.

Theo [8] Xét 1 tập mờ với hàm thuộc Gauss


 X mF   F m X
k

Mendel [1] lí giải rằng hiệu quả của “bộ tiền lọc”
của FLS không đơn trị là chìa khóa để làm việc
với sự không chắc chắn trong đầu vào. Hiệu
quả này là kết quả của phép hợp thành superstar trong phép mờ hóa của NSFLS framwork
l
với việc biến x thành x max. Vì vậy, sự khác biệt
duy nhất giữa hệ logic mờ đơn trị và không đơn

trị là số lượng các mức đốt cháy.
2
1  x  xi  

 
2    






xkl ,max sau:

x kl ,max 

Trong các phương pháp mờ hóa thì bộ mờ hóa
đơn trị đơn giản và phổ biến hơn bộ mờ hóa
không đơn trị. Tuy nhiên, bộ mờ hóa không đơn
trị có thể làm việc tốt hơn trong môi trường
nhiễu vì nó có thể mô hình hóa sự không chắc
chắn, không chính xác của các đầu vào [4], [5].
Theo Mouzouris và Mendel [2], bộ mờ hóa
không đơn trị coi đầu vào x là đại diện tốt nhất
từ tất cả các giá trị xung quanh nó. Vì các tín
hiệu điện tim ECG thường bị ngắt quãng khi ghi
nên các điểm kề đó có thể cũng là các giá trị
đúng nhưng với độ thuộc bé hơn. Tuy nhiên, ta
có thể dễ dàng chuyển bộ phân loại không đơn
trị thành đơn trị và ngược lại bằng cách thay

thế khối mờ hóa tương ứng (hình chữ nhật
đậm trong hình 4).



2

2

Khi đó, phép suy diễn min sẽ biến đầu vào

3.3. Khối mờ hóa

 X ( xi )  exp 











(3)

Một tính chất khác của hệ mờ không đơn trị là
hàm thuộc đầu ra có độ cao cực đại lớn hơn hệ

5


mờ đơn trị [3]. Khi có nhiều nhiễu trong đầu vào,
nhiều luật sẽ được đốt cháy trong hệ mờ không
đơn trị hơn là trong hệ mờ đơn trị. Đó là vì một
đầu vào không đơn trị có thể có độ thuộc trong
nhiều tập mờ tiền đề hơn là đầu vào đơn trị.

là hằng số trong toàn bộ hoạt động của giải
thuật di truyền là 0.8 và 0.03 tương ứng.
Những cải tiến trong hoạt động lặp đi lặp lại cho
phù hợp với một số tiêu chí dừng theo quy
định.

3.4. Khối quyết định

4. KẾT QUẢ THỬ NGHIỆM

Phần này bàn về đề xuất tiếp cận GA để phân
lớp mờ, hàm Gaussian và các luật được chọn
ngẫu nhiên, và được điều chỉnh đồng thời bởi
GA.Shi et al. [6], các hàm và các luật được thiết
kế và phát triển cùng một lúc vì hai tham số đó
được gọi là đồng tác phụ thuộc.

Với cùng cơ sở dữ liệu thử nghiệm như hệ mờ
loại hai khoảng [3]. Kết quả của hệ mờ sử dụng
giải thuật di truyền [8] 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:

Tiếp theo, là sự lựa chọn của hàm thích hợp.
Một hàm thích hợp tốt có thể phản ánh được
mục tiêu của hệ thống. Không giống như
phương pháp truyền thống gradient, phương
pháp dùng giải thuật di truyền được sử dụng để
phát triển hệ thống với bất kỳ loại hàm của
phép đo thích hợp bao gồm không khả vi,
không liên tục,…. Làm thế nào để xác định hàm
thẩm định thích hợp hoàn toàn là vấn đề phụ
thuộc. Không giống như đối với dự báo và
những vấn đề ước lượng mà thường sử dụng
sai số bình phương hoặc hàm liên quan lỗi
khác biệt tuyệt đối, số lượng các lớp được
phân loại chính xác hoặc lớp được phân loại
chưa chính xác được sử dụng làm vấn đề phân
loại. Hàm thích hợp được đề xuất như sau:

fit 

AC NSR  ACVF  ACVT
3

TP

TP  FN
TN
Specificity, SP 
TN  FP
Sensitivity, SE 

(10)
(11)

Trong đó TP, TN, FP và FN được định nghĩa
trong Bảng 1
Bảng 1: Ký hiệu sử dụng giống nhau giữa độ
nhạy cảm và đặc trưng

(9)

Trong đó AC biểu thị tỷ lệ phần trăm của lớp
được phân loại chính xác. Sau khi mỗi nhiễm
sắc thể được đánh giá và liên quan tới một sự
thích hợp, dân số hiện nay đang trải qua quá
trình sinh sản để tạo ra một thế hệ tiếp theo của
dân số. Lựa chọn sơ đồ “sự thay thế” được sử
dụng để xác định các thành viên của dân số
mới phát sinh. Mục đích của cơ chế chọn lọc là
tập trung tìm kiếm trên các vùng hứa hẹn nhất
của không gian tìm kiếm. Biến thể của nhà khai
thác (chéo và đột biến) đóng vai trò quan trọng
trong giải thuật di truyền. Họ tạo điều kiện để
tìm kiếm hiệu quả và hướng sự tìm kiếm vào
các vùng mới. Sự xuyên chéo tạo điều kiện

thăm dò, trong khi đột biến tạo điều kiện khai
thác không gian tìm kiếm. ở đây, chúng tôi sử
dụng chéo điểm duy nhất và từng bit đột biến.
Để đơn giản các xác suất của chéo và đột biến

Predicted /
Real

Rhythm A

Rhythm B

Rhythm A

True Positive
(TP)

False
Negative (FN)

Rhythm B

False
Positive (FP)

True Negative
(TN)

Bảng 2: Kết quả phân lớp với các cấu hình
khác nhau

Cấu
hình
a

b

c

6

Nhịp tim
NSR
VF
VT
Trung bình
NSR
VF
VT
Trung bình
NSR
VF
VT

AC
(%)
100.00
83.33
91.67
91.67
100.00

95.00
100
98.33
100.00
98.33
100.00

SE(%)

SP(%)

100.00
90.91
84.62
91.84
100.00
100.00
95.24
98.41
98.36
100.00
100.00

100.00
92.00
95.65
95.88
100.00
97.56
100.00

99.19
100.00
99.17
100.00


Cấu
hình

Nhịp tim

d

Trung bình
NSR
VF
VT
Trung bình

AC
(%)
98.44
100.00
100.00
100.00
100.00

SE(%)

SP(%)

98.45
100.00
100.00
100.00
100.00

99.72
100.00
100.00
100.00
100.00

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.

Trong đó [8]:
a, FLS đơn trị với đặc trưng đầu vào là độ rộng
xung và chu kỳ.
b, FLS đơn trị với đặc trưng đầu vào là độ rộng
xung và biên độ.
c, FLS không đơn trị với đặc trưng đầu vào là
độ rộng xung và chu kỳ.
d, FLS không đơn trị với đặc trưng đầu vào là

độ rộng xung và biên độ.

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.

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

Bảng 3 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 và VF – Filter Leakage.

Bảng 3: So sánh kết quả phân lớp tập dữ liệu (%) của các phương pháp khác nhau
Thuật
toán/bài
báo
VF-Filter
Leakage/[9]
Type-2
khoảng
Fuzzy
Classifier/[3]
GA Fuzzy
Classifier

NSR

VF

VT

Cơ sở
dữ liệu

AC
(%)

SE
(%)

SP
(%)

AC
(%)

SE
(%)

SP
(%)

AC
(%)

SE
(%)

SP
(%)

97.55

94.12

98.24

89.22

89.41

89.08

89.71

84.71

93.28

VFDB

100

100

100

92.3

92.5

98

93.3

93.3

95.8

MIT-BIH

100.0

98.36

100.0

98.33

100.0

99.17

100.0

100.0

100.0

VFDB

Trong đó:
VFDB- cơ sở liêu chứng loạn nhịp thất ác tính
của MIT-BIH.

mẫu dữ liệu bao gồm 30 mẫu thuộc lớp NSR,
25 mẫu thuộc lớp VT và 15 lớp thuộc lớp VF.
CSDL bao gồm 48 bản ghi, mỗi bản ghi lưu trữ
một điện tâm đồ trong khoảng thời gian 30
phút. Tần số lấy mẫu của tín hiệu điện tim là

250Hz.

CSDL điện tim MIT-BIH [10] được sử dụng để
đánh giá hiệu năng của mô hình phân lớp. 70
mẫu dữ liệu được chọn ngẫu nhiên từ CSDL để
huấn luyện và thử nghiệm mô hình. Trong 70

7


5. KẾT LUẬN

Detection by A Sequential Hypothesis
Testing Algorithm” IEEE Transactions on

Nhóm tác giả đã 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.

Biomedical Engineering, vol. 37, no. 9, pp.
837-843, 1990.
[6] A.S. Al-Fahoum, I.H., Combined Wavelet

Transform
Networks

Radial Basis Neural
the
classifying
Life

Threatening Cardiac arrhythmias. Med. Bio.
Eng. Comput., 1999. 37: p. 566-573.
[7] A. Kaufman and M. M. Gupta, Introduction
to
Fuzzy
Arithmetic:
Theory
and
Applications. NY: Van Nostrand Reinhold,

___________________________________

1991.

TÀI LIỆU THAM KHẢO

[8] Teck Wee Chua and Woei Wan Tan, GA

[1] J. M. Mendel: Uncertain Rule-Based Fuzzy
Logic Systems: Introduction and New
Directions. Upper
Prentice-Hall, 2001.

and
for

Saddle

River,

Optimisation of Non-Singleton Fuzzy Logic
System for ECG Classification, Department

NJ

of Electrical and Computer Engineering
National University of Singapore
Engineering Drive 3, Singapore 117576

[2] J. M. Mendel and R .I. John, Type-2 Fuzzy
Sets Made Simple, IEEE Transactions on

4,

[9] X. S. Zhang, Y. S. Zhu and N. V. Thakor,
“Detecting Ventricular Tachycardia and

Fuzzy Systems (2002), 10(2), 117-127.
[3] Teck Wee Chua and Woei Wan Tan,
Interval Type-2 Fuzzy System for ECG

Fibrillation by Complexity Measure,” IEEE

Transactions on Biomedical Engineering,

Arrhythmic Classification, Department of
Electrical Engineering, National University

vol. 46, no. 5, pp. 837-843, 1990.

[10] MIT/BIH Database Distribution,

of Singapore, Singapore, 1-18.
[4] L. X. Wang, Adaptive Fuzzy Systems and
Control Design and Stability Analysis. NJ:

Massachusetts
Cambridge, MA.

Prentice-Hall, 1994

Inst.

Techno.

/>atabase/

[5] N.V. Thakor, Y.S. Zhu, and K.Y. Pan,
“Ventricular Tachycardia and Fibrillation

8