Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp (tt)

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

PHẠM VĂN NAM

XÂY DỰNG MÔ HÌNH NHẬN DẠNG KẾT HỢP
NHẰM NÂNG CAO ĐỘ CHÍNH XÁC PHÂN LOẠI
TÍN HIỆU ĐIỆN TIM LOẠN NHỊP

Ngành : Kỹ thuật Điều khiển và Tự động hóa
Mã số

: 9520216

TÓM TẮT LUẬN ÁN TIẾN SĨ
KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA

-1Hà Nội-2018


Công trình được hoàn thành tại:
Trường Đại học Bách khoa Hà Nội

Người hướng dẫn khoa học:
1. PGS.TSKH. Trần Hoài Linh
2. PGS. TS. Nguyễn Thị Lan Hương

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 các thư viện:
1. Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội

-2-

2. Thư viện Quốc gia Việt Nam


MỞ ĐẦU
1. Tính cấp thiết của đề tài
Hiện nay, nghiên cứu tín hiệu điện tim ECG vẫn đang được
quan tâm phát triển cả ở trong nước và quốc tế vì một số lý do
chính sau:
 Việc nghiên cứu tín hiệu điện tim ECG dùng cho việc chẩn
đoán sớm và chính xác các bệnh lý về tim mạch, có ảnh
hướng lớn đến sức khỏe con người;
 Bài toán nhận dạng tín hiệu điện tim vẫn chưa được giải
quyết triệt để do tín hiệu điện tim ECG có độ biến đổi rất
mạnh về hình dáng và biên độ ở các trường hợp bị bệnh lý,
quá trình thu thập và theo dõi tín hiệu điện tim dễ bị ảnh
hưởng bởi các yếu tố bên ngoài, nên bài toán nhận dạng tín
hiệu điện tim ECG có yêu cầu về độ chính xác và độ tin cậy
cao là một trong những bài toán khó. Do đó, hiện nay vẫn có
nhiều nhóm nghiên cứu ở trong nước và quốc tế quan tâm,
đầu tư phát triển các giải pháp nâng cao chất lượng nhận

dạng tín hiệu điện tim ECG;
Nhu cầu về các thiết bị y tế hiện đại để theo dõi các thông số
về sức khỏe, trong đó có các thiết bị đo điện tim, cụ thể:
 Nhu cầu về thiết bị đo điện tim thông minh, cầm tay, có chức
năng nhận dạng tự động tín hiệu điện tim ECG. Thiết bị cần
thiết đối với những người có nguy cơ mắc bệnh cao (như
người béo phì, người cao tuổi, người nghiện hút thuốc…)
giúp phát hiện sớm các bệnh lý về tim mạch. Ngoài ra, đối
với người đang điều trị cần có thiết bị đo điện tim gọn nhẹ để
mang theo người để theo dõi và lưu trữ liên tục tín hiệu điện
tim. Thiết bị cần có phần mềm tiện ích để hỗ trợ kết nối dễ
dàng với bác sĩ, bệnh viện từ xa (ví dụ qua internet) để thuận
tiện trong quá trình theo dõi và chẩn đoán nhanh;
 Nhu cầu về các giải pháp nhận dạng tín hiệu điện tim có độ
chính xác và tin cậy cao, phân biệt được nhiều loại bệnh để
áp dụng cho nhiều đối tượng bệnh nhân, hỗ trợ các bác sĩ
trong chuẩn đoán nhanh và chính xác các bệnh về tim mạch;
-1-


2. Mục đích nghiên cứu
Xuất phát từ các nhu cầu thực tế ở trên luận án sẽ tập trung
nghiên cứu và phát triển một giải pháp mới để nâng cao độ chính
xác và tin cậy của kết quả nhận dạng tín hiệu điện tim, sau đó
triển khai tích hợp trên thiết bị đo điện tim, có khả năng phát triển
thành sản phẩm hoàn chỉnh để phục vụ các nhu cầu cấp thiết của
đời sống xã hội, cụ thể các mục tiêu nghiên của luận án như sau:
 Đề xuất xây dựng giải pháp nâng cao chất lượng nhận dạng
tín hiệu điện tim (giảm số mẫu nhận dạng sai, giảm số
trường hợp chẩn đoán âm tính sai FN);

 Đề xuất giải pháp phù hợp, cho phép thực hiện thuật toán
khai triển trên hệ vi xử lý thông dụng (công suất tính toán
nhỏ), để tiến tới phát triển và hoàn thiện một thiết bị đo cầm
tay có chức nhận dạng tự động tín hiệu điện tim có độ chính
xác cao.
3. Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu của luận án:
 Tín hiệu điện tim ECG, những yếu tố ảnh hưởng đến tín hiệu
điện tim;
 Các mô hình nhận dạng tín hiệu điện tim, các giải pháp nâng
cao chất lượng nhận dạng tín hiệu điện tim;
 Nghiên cứu các phương pháp đo và thu thập tín hiệu điện
tim.
Phạm vi nghiên cứu của luận án:
 Nhiễu trong tín hiệu điện tim và các phương pháp lọc nhiễu:
Nghiên cứu tổng quan về các dạng nhiễu thường gặp trong
tín hiệu điện tim và phương pháp loại bỏ nhiễu;
 Các thành phần đặc trưng của tín hiệu điện tim: Nghiên cứu
về hình dạng và các thông số của loại nhịp tín hiệu điện tim,
tập trung vào phức bộ QRS, các phương pháp trích chọn đặc
tính;
 Các mô hình nhận dạng sử dụng trí tuệ nhân tạo và phương
pháp xây dựng của các mô hình này: Tập trung nghiên cứu
-2-


các mô hình kinh điển như mạng nơ-rôn MLP (Multi Layer
Perceptron), logic mờ TSK (Takaga-Sugeno-Kang), máy
véc-tơ hỗ trợ SVM (Support Vector Machines) và rừng ngẫu
nhiên RF (Random Forest);

 Nghiên cứu mô hình cây quyết định DT (Decision Tree), khả
năng ứng dụng để kết hợp kết quả từ các mô hình đơn, đánh
giá kết quả của giải pháp;
 Thiết bị đo và tiền xử lý tín hiệu điện tim: Tìm hiểu tổng
quan về các mô hình thiết bị đo đã được triển khai và ứng
dụng trong thực tế, đánh giá ưu nhược điểm, đề xuất giải
pháp cho luận án. Đối với khối tiền xử lý, lựa chọn và áp
dụng các phương pháp lọc nhiễu phù hợp với thiết bị đo (nhỏ
gọn, xách tay, sử dụng các vi xử lý thông dụng). Nghiên cứu
về khả năng triển khai mô phỏng các mô hình trí tuệ nhân
tạo và mô hình kết hợp được đề xuất trong luận án trên thiết
bị đo;
 Nghiên cứu các mô hình phối hợp từ nhiều mô hình nhận
dạng đơn để nâng cao chất lượng so với các mô hình đơn.
4. Ý nghĩa khoa học và thực tiễn của đề tài
 Ý nghĩa khoa học: Luận án đề xuất được giải pháp nâng cao
chất lượng (độ chính xác) nhận dạng tín hiệu điện tim dựa
trên việc sử dụng cây quyết định để kết hợp song song nhiều
mô hình nhận dạng đơn. Các đề xuất đã được kiểm nghiệm
trên hai bộ dữ liệu, bốn mô hình nhận dạng đơn và 20
phương án kết hợp.
 Ý nghĩa thực tiễn: Mục tiêu nâng cao chất lượng nhận dạng
điện tim vẫn đang là vấn đề được quan tâm do các nhu cầu
cấp thiết trong thực tế phục vụ người bệnh. Các thuật toán đã
được triển khai thử nghiệm trên các bộ mẫu số liệu kinh điển
của quốc tế để kiểm tra chất lượng, bước đầu đã thử nghiệm
trên các thiết bị tự xây dựng để kiểm tra tính đáp ứng thời
gian thực, khả năng áp dụng được vào các thiết bị thông
minh nhỏ gọn phục vụ người bệnh trong thực tế của các giải
pháp là cao.

-3-


5. Những đóng góp của luận án
 Xây dựng một giải pháp nhận dạng tín hiệu điện tim mới:
Kết hợp nhiều mô hình nhận dạng đơn để cải thiện độ thêm
chính xác của kết quả nhận dạng. Các kết quả tính toán mô
phỏng đã được kiểm chứng trên các tập số liệu mẫu chuẩn
của bộ cơ sở dữ liệu MIT-BIH và MGH/MF, đây là các bộ
cơ sở dữ liệu được nhiều nhóm nghiên cứu trong nước và
quốc tế dùng để tham chiếu;
 Đề xuất giải pháp khai triển tín hiệu điện tim ECG theo các
hàm Hermite cơ sở một cách đơn giản hơn so với nghịch đảo
ma trận để có thể triển khai được trên các hệ vi xử lý có công
suất tính toán nhỏ để hướng tới sử dụng hiệu quả trên các
dòng vi xử lý thông dụng. Bước đầu đã thử nghiệm khả năng
chạy phần mềm nhận dạng trên thiết bị tự thiết kế, đáp ứng
thời gian thực.
6. Bố cục của luận án
Mở đầu: Trình bày các vấn đề chung của luận án, tóm tắt về
nội dung nghiên cứu, những đóng góp và bố cục của luận án.
Chương I: Trình bày tổng quan về tín hiệu điện tim ECG,
một số yếu tố ảnh hưởng đến tín hiệu ECG, tham khảo các công
trình nghiên cứu và các phương pháp nâng cao chất lượng nhận
dạng tín hiệu điện tim ECG, chương này còn đề xuất các định
hướng nghiên cứu của luận án và trình bày khái quát các bộ cơ sở
dữ liệu được sử dụng trong luận án.
Chương II: Chương này sẽ trình bày chi tiết về các khối: Thu
thập, tiền xử lý và phương pháp trích chọn đặc tính.
Chương III: Đây là nội dung nghiên cứu chính của luận án,

phần đầu trình bày về giải pháp sử dụng cây quyết định để kết hợp
kết quả của các hệ thống nhận dạng đơn. Tiếp theo, trình bày về
các mô hình nhận dạng đơn đó là mạng nơ-rôn truyền thẳng nhiều
lớp MLP, mạng nơ-rôn logic mờ TSK, máy véc-tơ hỗ trợ SVM và
rừng ngẫu nhiên RF. Cuối cùng, đề xuất phương án thiết kế phần
cứng cho thiết bị đo tín hiệu điện tim.
-4-


Chương IV: Chương này trình bày về phương pháp tạo bộ dữ
liệu học và kiểm tra từ bộ hai cơ sở dữ liệu MIT-BIH và
MGH/MF. Kết quả xây dựng mô hình nhận dạng tín hiệu ECG,
các kết quả thử nghiệm, đánh giải pháp đề xuất của luận án.
Phần cuối cùng, là kết luận và hướng phát triển, danh mục các
tài liệu tham khảo, các công trình đã công bố của luận án.
CHƯƠNG I: TỔNG QUAN CÁC PHƯƠNG PHÁP
NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG ECG
1.1. Tổng quan về tín hiệu điện tim ECG

Mục này giới thiệu tổng quan về tín hiệu điện tim ECG, một số
yếu tố ảnh hưởng đến tín hiệu điện tim.
1.2. Tình hình nghiên cứu và phương pháp nâng cao chất
lượngnhận dạng tín hiệu điện tim ECG
1.2.1. Tình hình nghiên cứu

Mục này giới thiệu tóm tắt một số công trình nghiên cứu về tín
hiệu điện tim trong những năm vừa qua.
1.2.2. Một số giải pháp nâng cao chất lượng nhận dạng

Giới thiệu một số giải pháp nâng cao chất lượng nhận dạng tín

hiệu điện tim, cụ thể:
 Khối tiền xử lý: Một số thuật toán lọc nhiễu cho tín hiệu
đo được đề xuất sử dụng kết hợp làm tăng độ chính xác của
kết quả nhận dạng, như nghiên cứu gần đây trong luận án
của TS. Nguyễn Đức Thảo (năm 2016 [4]) sử dụng wavelet
để loại bỏ ảnh hưởng của nhịp thở của bệnh nhân đã giảm
sai số xuống 11,43% khi thử nghiệm nhận dạng 7 loại bệnh
tim trong bộ cơ sở dữ liệu MIT-BIH và giảm sai số xuống
11,29% khi thử nghiệm nhận dạng 3 loại bệnh tim trong bộ
cơ sở dữ liệu MGH/MF.
 Khối trích chọn đặc tính: Là khối cũng ảnh hưởng lớn
đến kết quả nhận dạng, như đã trình bày ở trên thì có nhiều
phương pháp trích chọn đặc tính, trong đó phương pháp
-5-




được nhiều nghiên cứu áp dụng là sử dụng các hệ số khai
triển phức bộ QRS bằng wavelet hay bằng các hàm
Hermite cơ sở để tạo các véc-tơ đặc tính.
Hệ thống nhận dạng tín hiệu điện tim: Độ chính xác của
kết quả nhận dạng phụ thuộc lớn vào khối nhận dạng phi
tuyến. Đã có nhiều nghiên cứu áp dụng các loại mô hình
nhận dạng phi tuyến để cải thiện chất lượng nhận dạng tín
hiệu điện tim, từ các mô hình nhận dạng kinh điển như nơrôn MLP (Multi Layer Perceptron), mạng logic mờ TSK
(Takaga-Sugeno-Kang), cho đến đến các công cụ mới như
máy véc-tơ hỗ trợ SVM (Support Vector Machines) và rừng
ngẫu nhiên RF (Random Forest), Deep Learning... cũng đã
được sử dụng, thông thường những mô hình nhận dạng phí

tuyến mới có chất lượng nhận dạng tốt hơn so với các mô
hình cũ, ví dụ [78] các hệ thống nhận dạng 7 loại nhịp tim
sử dụng các hàm cơ sở Hermite để trích chọn đặc tính, các
kết quả thử nghiệm với mô hình TSK, SVM trên bộ cơ sở
dữ liệu MIT-BIH, kết quả sai số nhận dạng được giảm từ
3,26% khi dùng mạng TSK xuống 1,96 % khi dùng SVM.

1.2.3. Nâng cao độ chính xác bằng mô hình kết hợp

Do kết quả chẩn đoán các bệnh về tim mạch ảnh hưởng trực
tiếp đến sức khỏe bệnh nhân, nên các hệ thống nhận dạng tự động
tín hiệu điện tim có yêu cầu về độ chính xác, ổn định, tin cậy ngày
càng cao. Khi nhận dạng và kiểm tra một đối tượng đầu vào thì
mỗi một giải pháp sẽ có thuật toán xử lý riêng để đưa ra các kết
quả nhận dạng riêng. Các giải pháp khác nhau có thể đưa ra các
kết quả khác nhau (nếu nhiều mô hình đều đưa ra một kết quả
thống nhất thì kết quả này thường có độ tin cậy khá cao). Do đối
với các bài toán thực tế, ta thường không có giải pháp nhận dạng
có độ chính xác tuyệt đối, nên bất cứ giải pháp đơn lẻ nào đều có
xác suất gây lỗi (mỗi giải pháp sẽ bị lỗi nhận dạng sai với một
nhóm mẫu khác nhau). Từ nguyên nhân chính này mà có nhiều tác
giả đã đề xuất ra giải pháp “mô hình kết hợp” tức là sử dụng đồng
thời nhiều mô hình nhận dạng đơn và đưa thêm một khâu xử lý
nữa, nhiệm vụ của khâu xử lý thêm này là kết hợp các kết quả của
-6-


các mô hình nhận dạng đơn để đưa ra một kết luận cuối cùng. Một
số ưu điểm của “mô hình kết hợp”:
 Mỗi “mô hình đơn” được coi như một chuyên gia độc lập,

việc kết hợp nhiều chuyên gia sẽ cho kết quả đáng tin cậy
hơn, cũng như tận dụng được ưu điểm của từng mô hình
đơn;
 Sử dụng các đánh giá từ nhiều góc độ, từ nhiều phương
pháp khác nhau nên thông tin có thể phong phú hơn dẫn tới
chất lượng quyết định sẽ cao hơn.
Ý tưởng của mô hình kết hợp đã được áp dụng ở trong các lĩnh
vực khác như: [68] Cho nhận dạng hình ảnh, [17] sinh trắc học
như nhận dạng khuôn mặt, [89] áp dụng cho hệ thống đo nồng độ
khí đa năng,... Tuy nhiên, phương pháp kết hợp có nhược điểm
chính là làm hệ thống nhận cồng kềnh và phức tạp hơn, chỉ nên áp
dụng đối với các bài toán nhận dạng phức tạp, yêu cầu độ chính
xác cao. Trên hình 1.4 là sơ đồ khối tổng quát của hệ thống nhận
dạng tín hiệu điện tim sử dụng mô hình kết hợp, trong đó có M mô
hình nhận dạng đơn, kết quả của các mô hình nhận dạng đơn là yi,
z là kết luận cuối cùng sau khối kết hợp kết quả.

Hình 1.4: Sơ đồ chung của mô hình kết hợp

Trong nghiên cứu [22] tác giả sử dụng mô hình kết hợp các ba
mô hình nhận dạng SVM đơn để nhận dạng sáu loại nhịp tim làm
độ chính xác tăng khoảng 0,2%, trong nghiên cứu [31] tác giả kết
hợp 15 mô hình nhận dạng SVM đơn có độ chính xác trong dải
98% ÷ 98,77%, kết quả của mô hình kết hợp có độ chính xác
98,65 % tuy thấp hơn so với kết quả cao nhất của mô hình SVM
đơn là 98,77 nhưng lại có độ ổn định cao hơn, hay trong [12] tác
-7-


giả đã sử dụng mạng nơ-rôn MLP làm mô hình nhận dạng thành

phần, thử nghiệm trên bộ cơ sở dữ liệu MIT-BIH có độ chính xác
tăng thêm khoảng 1,5%.
Xu hướng hiện nay là dùng các mô hình nhận dạng đơn lẻ sử
dụng các thuật toán khác nhau là phổ biến hơn so với việc sử dụng
cùng loại như ở các ví dụ trên. Xu hướng này khá hợp lý bởi vì nó
sẽ nâng cao ưu điểm của từng mô hình nhận dạng đơn lẻ. Như
trong nghiên cứu [25] tác giả đã sử dụng hai thuật toán phân loại
khác nhau là SVM và PSO (Particles Swarm Optimization) gọi là
hệ thống nhận dạng PSO-SVM, kết quả thử nghiệm trên bộ cơ sở
dữ liệu MIT-BIH có độ chính xác tăng khoảng 4%, trong [23] tác
giả kết hợp mạng logic mờ Fuzzy KNN (Fuzzy K Nearest
Neighbors) và mạng MLP cho kết quả có độ chính xác được cải
thiện từ 97.3% lên 98%.
Một số giải pháp phối hợp kết quả thông dụng đã được đề xuất
như: Biểu quyết theo đa số [22, 31], biểu quyết có trọng số [78,
103], tổng hợp theo xác suất điều kiện Bayes [78]… Các giải pháp
kết hợp này khá đơn giản, điều này cũng dễ hiểu do mô hình kết
hợp khá phức tạp vì dùng nhiều mô hình nhận dạng đơn, khối
lượng tính toán lớn nên ở khâu kết hợp các tác giả thường lựa
chọn các giải pháp đơn giản, hay dùng nhất là giải pháp biểu
quyết theo đa số.
Về số lượng mô hình đơn, thực tế ít sử dụng kết hợp hai mô
hình đơn vì khi xảy ra mẫu thuẫn trong kết quả từ hai hệ đơn ta
không có cơ sở chắc chắn để kết luận hệ đơn nào đúng, hệ đơn
nào sai. Vì thế, đa số các mô hình kết hợp đều sử dụng số lượng
mô hình cơ sở từ ba hệ thành phần trở lên (nhiều công trình
khuyến cáo sử dụng số mô hình đơn là số lẻ để có thể đưa ra kết
luận cuối cùng, nhất là trong trường hợp biểu quyết theo đa số).
1.3. Định hướng nghiên cứu của luận án

Từ các phân tích ở trên, nghiên cứu sinh định hướng sử dụng
mô hình kết hợp để cải thiện chất lượng nhận dạng tín hiệu điện
tim ECG. Các giải pháp đơn sẽ là các giải pháp có chất lượng cao
đã được sử dụng trong các nghiên cứu trước đây, hình 1.5 là sơ đồ
khối của mô hình đề xuất của luận án, trong đó Ci là các mô hình
-8-


nhận dạng cơ sơ (với i=1, 2,…, M), tương ứng với các kết quả
nhận dạng yi.

Hình 1.5: Hệ thống nhận dạng tín hiệu ECG đề xuất của luận án

Ý tưởng và giải pháp đề xuất cụ thể:
 Áp dụng cây quyết định DT (Decision Tree) để tổng hợp kết
quả từ các kết quả đầu ra của các mô hình nhận dạng cơ sở;
 Các mô hình nhận dạng đơn sử dụng chung các khối thu thập
tín hiệu, tiền xử lý và trích chọn đặc tính;
 Sử dụng bốn mô hình nhận dạng: Mạng nơ-rôn MLP (MultiLayer Perceptron), mạng logic mờ TSK (Takagi–Sugeno–
Kang), máy véc-tơ hỗ trợ SVM (Support Vector Machines)
và rừng ngẫu nhiên RF (Random Forest) để xây dựng thành
các mô hình nhận dạng cơ sở;
 Lựa chọn các đặc tính của tín hiệu điện tim:
- Sử dụng các hàm cơ sở Hermite (Hermite Basis
Functions) để khai triển các phức bộ QRS nhằm lấy các
hệ số khai triển này làm đặc tính;
- Sử dụng thêm hai đặc tính về thời gian: Khoảng cách
giữa hai đỉnh R liên tiếp (R-R), giá trị trung bình của
mười khoảng cách R-R cuối cùng.
 Thử nghiệm mô hình nhận dạng trên các bộ cơ sở dữ liệu

mẫu MIT-BIH và MGH/MF có thể tải về từ trang web
;
 Thiết kế, chế tạo thiết bị đo điện tim cầm tay, sử dụng công
nghệ ARM đời mới để chạy thử nghiệm chương trình nhận
-9-


dạng, kiểm tra khả năng đáp ứng được về mặt tốc độ tính
toán theo thời gian thực.
1.4. Cơ sở dữ liệu sử dụng trong luận án

Để kiểm chứng chất lượng của các giải pháp trong luận án,
NCS sử dụng CSDL chuẩn MIT-BIH (Massachusetts Institute of
Technology, Boston’s Beth Israel Hospital) và MGH/MF, cả hai
bộ cơ sở dữ liệu điện tim này đều có thể tải về từ trang web
.
CHƯƠNG II: THU THẬP, TIỀN XỬ LÝ VÀ TRÍCH CHỌN
ĐẶC TÍNH TÍN HIỆU ECG
2.1. Thu thập và tiền xử lý tín hiệu điện tim

Nhiệm vụ của khối này là chuẩn hóa tín hiệu điện áp tương tự
thu được từ các điện cực ECG về dải biến thiên trong khoảng
0÷5V hoặc trong khoảng 0÷3,3V, tín hiệu từ các điện cực ECG
thường được xử lý tuần tự qua các khâu: Tiền khuếch đại, khuếch
đại.
Nhiệm vụ thứ 2 là loại bỏ các nhiễu nằm ngoài dải tần số điện
tim quan tâm là 0,1÷100Hz, bằng các bộ lọc thông thấp có tần số
cắt 100Hz và bộ lọc thông cao có tần số cắt 0,1Hz. Loại bỏ các
nhiễu do điện lưới gây ra bằng bộ lọc Notch 50Hz (bộ lọc triệt tần
50Hz).

2.2. Trích chọn đặc tính để nhận dạng

Trích chọn đặc tính của luận án thể hiện trong hình 2.4 sau đây:
x   18

x in

Hình 2.4: Sơ đồ quy trình xây dựng véc tơ đặc tính cho tín hiệu điện tim

Phức bộ QRS trong tín hiệu điện tim ECG tuy không chứa toàn
bộ các thông tin để đánh giá tín hiệu điện tim, nhưng cũng chứa
đựng khá nhiều các thông tin hữu ích và được nhiều tác giả trong
nước và quốc tế sử dụng. Do đó, như đã trình bày ở trên, luận án
- 10 -


sử dụng số liệu phân tích từ phức bộ QRS và hai giá trị thời gian
là khoảng cách R-R, trung bình 10 khoảng cách R-R cuối cùng để
làm cơ sở nhận dạng. Theo khảo sát, phức bộ QRS kéo dài khoảng
100ms, tuy nhiên trong trường hợp bệnh lý phức bộ này có thể
kéo dài gấp vài lần. Vì vậy, NCS lựa chọn độ dài 250ms xung
quanh đỉnh R là đủ rộng để chứa toàn bộ đoạn QRS, nếu tần số
lấy mẫu tín hiệu điện tim là 360Hz thì 250ms tương ứng với
khoảng 91 giá trị xung quanh đỉnh R (ta lấy 45 giá trị liền trước
đỉnh và 45 giá trị từ đỉnh về phía sau).
Để phát hiện đỉnh R trong các giải pháp cho thiết bị cầm tay,
trong luận án áp dụng thuật toán đã được Pan và Tompkins đưa ra
vào năm 1985 [36] và được phát triển tiếp vào năm 1986 [62].
Véc-tơ đặc tính x   c0 , , c15 , RRlast , RRmean   
mỗi nhịp (phức bộ QRS) gồm 18 thành phần:

18

của

 16 hệ số khai triển ci  i  0  15 của tín hiệu điện tim
ECG theo các hàm Hermite;
 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.
CHƯƠNG III. GIẢI PHÁP KẾT HỢP CÁC MÔ HÌNH
NHẬN DẠNG ĐỂ CẢI THIỆN CHẤT LƯỢNG
3.1. Kết hợp kết quả bằng mô hình cây quyết định
3.1.1. Mô hình chung để kết hợp nhiều giải pháp nhận dạng

Hình 3.1 biểu diễn sơ đồ chung của mô hình kết hợp sử dụng
nhiều mô hình nhận dạng đơn, trong đó, M  số mô hình nhận
dạng đơn, xin  tín hiệu điện tim ECG đầu vào, Pi  là các khối
tiền xử lý và trích chọn đặc tính, Ci  các khối phân loại, z  kết
quả nhận dạng cuối cùng tương ứng với tín hiệu điện tim đầu vào
xin .
- 11 -


Hình 3.1: Sơ đồ chung của mô hình kết hợp sử dụng nhiều
mô hình nhận dạng đơn

Nhìn chung, các mô hình nhận dạng cơ sở làm việc độc lập
với tín hiệu điện tim đầu vào xin có thể từ các chuyển đạo khác

nhau, các khối tiền xử lý và trích chọn đặc tính Pi dùng các
phương pháp khác nhau. Như đã trình bày ở phần mở đầu, định
hướng nghiên cứu của luận án là sử dụng chung một phương pháp
tiền xử lý và trích chọn đặc tính  P1  P2    PM  cho các mô
hình nhận dạng đơn Ci (như đã miêu tả trên hình 1.5).
Nếu bài toán nhận dạng N loại nhịp tim khác nhau, thì mỗi
mô hình nhận dạng đơn Ci (với i=1, 2,…, M) sẽ có M kết quả y i
(với i=1, 2,…, M) biểu diễn dưới dạng véc-tơ, một véc-tơ yi lý
tưởng khi có một giá trị bằng ‘1’ và tất cả các giá trị còn lại đều
bằng ‘0’, nhưng thông thường các giá trị của chúng thường dao
động trong khoảng [0, 1]. Trong luận án, các kết quả đầu ra y i từ
các mô hình nhận dạng cơ sở được hợp lại thành một véc-tơ tổng
Y (có kích thước M  K ) và được tiếp tục xử lý tại khối tổng hợp
kết quả để đưa ra kết luận cuối cùng là véc-tơ z (có kích thước K)
tương ứng với mã của K loại nhịp tim khác nhau.

- 12 -


x   c0 , , c15 , RRlast , RRmean   18

y1   y11 y12 ... y1K 

y 2   y21 y22 ... y2 K 

y M   yM 1 yM 2 ... yMK 

Y   M K

Y   y1

y 2  y M    y11 y12  y1K y21 y22  y2 K  yM 1 yM 2  yMK 

Hình 3.2: Sơ đồ khối chung của hệ thống kết hợp
song song nhiều mô hình đơn
3.1.2. Quy trình xây dựng cây quyết định DT cho khối tổng
hợp kết quả
3.1.3. Cây quyết định

Cây quyết định là một mô hình xử lý tín hiệu kinh điển đã được
sử dụng rất rộng rãi trong nhiều ứng dụng thực tế. Cây là một đồ
thị không có chu trình. Đồ thị G được định nghĩa chung bởi hai
tập hợp G=(V,E), trong đó V là tập hợp các nút (vertex) còn E là
tập hợp các cạnh (edge) nối hai nút của tập V. Đối với các cây, ta
sử dụng trường hợp cạnh có hướng. Khi đó nếu đồ thị G không có
chu trình kín thì được gọi là cây. Với mỗi cây ta có [2]:
 Tồn tại một nút được gọi là nút gốc;
- 13 -






Các nút được nối với nhau bởi các nhánh có hướng còn gọi
là cành. Với mỗi cành, nút gốc được gọi nút cha/mẹ, nút
ngọn là nút con;
Mỗi nút trong cây có thể có từ một đến nhiều nút con. Các
nút không có nút con còn được gọi là (nút) lá/ngọn của cây.

3.2. Các mô hình nhận dạng đơn
Nội dung chính của mục này là giới thiệu 4 mô hình nhận dạng
đơn: MLP, TSK, SVM và RF.
3.3. Đề xuất mô hình thiết bị có tích hợp chức năng nhận dạng
CHƯƠNG IV: KẾT QUẢ TÍNH TOÁN VÀ MÔ PHỎNG
4.1 Xây dựng các bộ số liệu mẫu
4.1.1. Cơ sở dữ liệu MIT-BIH

Để nhằm mục đích so sánh với các công trình trước đây, luận
án sẽ sử dụng cùng bộ mẫu số liệu như trong các nghiên cứu [4,
78], cụ thể là nhận dạng chứng rối loạn nhịp tim xuất phát từ bộ
cơ sở là các đoạn QRS của tín hiệu điện tim từ 19 bệnh nhân. Số
lượng chi tiết số mẫu sử dụng được thống kê chi tiết trong các
bảng 4.1 và bảng 4.2 dưới đây:
Bảng 4.1: Bảng phân chia số lượng mẫu học và mẫu kiểm tra
của 7 loại rối loạn nhịp tim từ CSDL MIT-BIH
Loại nhịp
N
L
R
A
V
I
E
Tổng

Tổng số mẫu
2000
1200
1000

902
964
472
105
6643

Số mẫu học
1065
639
515
504
549
271
68
3611

- 14 -

Số mẫu kiểm tra
935
561
485
398
451
201
37
3068


Bảng 4.2: Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 2

loại nhịp
Loại nhịp

Tổng số mẫu

Số mẫu học

Số mẫu kiểm tra

Normal

2000

1065

935

Abnormal

4643

2546

2133

Tổng

6643

3611

3068

4.1.2. Cơ sở dữ liệu MGH/MF

Luận án lựa chọn sử dụng các mẫu tín hiệu ECG của 20 bản
ghi có mã số là: 029, 030, 058, 105, 106, 107, 108, 110, 111, 114,
117, 119, 121, 123, 124, 125, 128, 131, 137, 142. Số lượng chi tiết
số mẫu sử dụng được thống kê chi tiết trong bảng 4.3 và bảng 4.4
dưới đây:
Bảng 4.3: Bảng phân chia số lượng mẫu học và mẫu kiểm tra
của 3 loại nhịp
Loại nhịp

Tổng số mẫu

Số mẫu học

Số mẫu kiểm tra

N

3000

1997

1003

S

750

502

248

V

750

501

249

Tổng

4500

3000

1500

Bảng 4.4: Bảng phân chia số lượng mẫu học và mẫu kiểm tra
của 2 loại nhịp
Loại nhịp

Tổng số mẫu

Số mẫu học

Số mẫu kiểm tra

Normal

3000

1997

1003

Abnormal

1500

1003

497

Tổng

4500

3000

1500

4.2. Cách đánh giá chất lượng mô hình nhận dạng

Các mô hình nhận dạng (các mô hình đơn và cả mô hình kết
hợp) được đánh giá thông qua các chỉ tiêu đánh giá như sau:

 Số mẫu nhận dạng sai;
- 15 -


 FN (False Negative): Số trường hợp chẩn đoán âm tính sai, (là
khi bệnh nhân ốm nhưng chẩn đoán là bình thường);
 TN (True Negative): Số trường hợp chẩn đoán âm tính đúng;
 FP (False Positive): Số trường hợp chẩn đoán dương tính sai,
tức là trường hợp người bình thường nhưng chẩn đoán có bệnh;
 TP (True Positive): Số trường hợp chẩn đoán dương tính đúng;
 Sensitivity: Tỷ lệ chẩn đoán dương tính đúng,
 Specificity: Tỷ lệ chẩn đoán âm tính đúng,
Mô hình nhận dạng có chất lượng và độ tin cậy cao khi số mẫu
nhận dạng sai, số chẩn đoán dương tính sai FP, số chẩn đoán âm
tính sai FN thấp, và tỷ lệ chẩn đoán dương tính đúng Sensitivity,
tỷ lệ chẩn đoán âm tính đúng Specificity càng cao.
4.4. Kết quả thử nghiệm với các mô hình kết hợp bằng cây
quyết định
4.4.1. Thử nghiệm kết hợp giữa ba mạng cơ sở MLP, TSK và SVM

Khi sử dụng ba mô hình nhận dạng cơ sở là MLP, TSK và
SVM thì ta có hệ thống kết hợp thu được kết quả trong bảng 4.18
sau đây.
Bảng 4.18: Ma trận phân bố kết quả nhận dạng 7 loại mẫu nhịp
bằng mô hình kết hợp MLP, TSK, SVM
Mẫu

N

L

R

A

V

I

E

N

928

1

1

10

0

0

0

L

1

557

0

2

3

1

0

R

1

0

481

1

0

2

0

A

5

0

3

383

1

0

0

V

0

2

0

1

446

0

0

I

0

0

0

1

1

198

0

E

0

1

0

0

0

0

37

Tổng sai số

7

4

4

15

5

3

0

Kết quả

- 16 -


Bảng 4.19: Các thông số đánh giá chất lượng của 3 mô hình cơ sở và
mô hình kết hợp MLP-TSK-SVM khi nhận dạng 7 loại nhịp
Loại mô hình

Sai
số

Sai số
(%)

FN

TN

FP

TP

Sens
(%)

Spec
(%)

MLP

110

3,59

18

905

30

2115

99,16

96,79

TSK

100

3,26

23

920

15

2110

98,92

98,40

SVM

60

1,96

15

919

16

2118

99,30

98,29

MLP-TSK-SVM

38

1,24

12

928

7

2121

99,44

99,25

Nhận xét kết quả




Trong bảng 4.18 là ma trận phân bố kết quả của mô hình
kết hợp (MLP-TSK-SVM), ta thấy hầu hết các trường hợp
nhận nhầm là giữa loại A và N (số lần nhận nhầm A thành
N là 10), nguyên nhân là do hình dạng của nhịp loại A và N
khá giống nhau, còn các lỗi nhầm lẫn khác là không đáng
kế (≤ 3 lỗi);
Trong bảng 4.19 là tổng hợp các thông số chất lượng của
các mô hình nhận dạng đơn và mô hình kết hợp. Ta thấy,
trong ba mô hình nhận dạng cơ sở thì SVM có chất lượng
cao nhất, nhưng kết quả nhận dạng tiếp tục được cải thiện
khi sử dụng của mô hình kết hợp MLP-TSK-SVM bằng cây
quyết định DT, nếu so sánh với mô hình cơ sở tốt nhất là
SVM thì tất cả các tiêu chí đánh giá chất lượng đều có kết
quả tốt hơn, cụ thể:
- Sai số kiểm tra đã giảm 22 mẫu (từ 60 mẫu xuống còn
38 mẫu);
- Số trường hợp chẩn đoán âm tính sai FN đã giảm 3 mẫu
(từ 15 mẫu xuống 12 mẫu);
- Số trường hợp chẩn đoán dương tính sai FP đã giảm 9
mẫu (từ 16 mẫu xuống 7 mẫu);
- Tỷ lệ chẩn đoán dương tính đúng Sensitivity đã được
cải thiện thêm khoảng 0,14%;
- Tỷ lệ chẩn đoán âm tính tính đúng Specificity đã được
cải thiện thêm khoảng 0,96%;
- 17 -

Tiếp tục so sánh với các giải pháp kết hợp kết quả phổ biến
khác như: Majority voting (biểu quyết theo đa số), weighted
voting (bỏ phiếu có trọng số), Kullback–Leibler (theo xác suất
thông kê), và modified Bayes (theo xác suất điều kiện Bayes), các
kết quả này lấy trong nghiên cứu của Osowski và cộng sự [78], từ
kết quả trong bảng 4.7 ta rút ra một số nhận xét sau:
 Tất cả các hệ thống nhận dạng sử dụng mô hình kết hợp
đều có kết quả nhận dạng tốt hơn so với các hệ thống nhận
dạng sử dụng một mô hình nhận dạng, trường hợp kết quả
kém nhất là 1,63% - trường hợp biểu quyết theo đa số
(majority voting), nhưng vẫn cao hơn so với mô hình nhận
dạng đơn tốt nhất là SVM (1,96% trong bảng 4.6);
 Mô hình kết hợp dùng cây quyết định DT có kết quả nhận
dạng tốt nhất với tỷ lệ nhận dạng sai là 1,24%.
Bảng 4.20: Bảng kết quả của các mô hình kết hợp kết quả của ba
mô hình nhận dạng đơn MLP-TSK-SVM
Phương pháp tổng hợp
Majority voting

Sai số
50

% Sai số
1,63

Weighted voting

42

1,37

Kullback–Leibler

45

1,47

Modified Bayes

48

1,56

Decision tree

38

1,24

Kết luận:




Qua các kết quả thử nghiệm trên bộ cơ sở dữ liệu MIT-BIH
(là được các nhóm nghiên cứu quốc tế thường dùng để
tham chiếu), nghiên cứu sinh đã minh chứng được giải
pháp kết hợp song song ba mô hình nhận dạng cơ sở (MLP,

TSK, SVM) bằng cây quyết định DT đã tiếp tục nâng cao
chất lượng kết quả nhận dạng tín hiệu điện tim ECG;
Kết quả này đã được báo cáo trên tạp chí AMCS
(International Journal of Applied Mathematics and
Computer Science) (ISI/SCIE).
- 18 -


4.4.2. Các thử nghiệm kết hợp khác
Ngoài các kết quả đã trình bày ở mục trên (4.4.1), luận án còn
tiến hành thêm có một số thử nghiệm sau:
 Luận án khảo sát thêm mô hình nhận dạng cơ sở thứ 4 là
rừng ngẫu nhiên RF, để có thêm nhiều trường hợp thử
nghiệm khác như, ví dụ ta sẽ tạo ra các trường hợp kết hợp
như: (1) MLP-TSK-SVM, (2) MLP-TSK-RF, (3) MLP-RFSVM, (4) RF-TSK-SVM, (5) MLP-TSK-SVM-RF;
 Thử nghiệm kết quả thêm với bộ cơ sở dữ liệu MGH/MF;
 Thử nghiệm kết quả khi nhận dạng hai loại nhịp (bình
thường và bất thường);
Cụ thể sẽ tiến hành thêm bốn thử nghiệm:
Thử nghiệm 1: Trên bộ cơ sở dữ liệu MIT-BIH (cụ thể trong
bảng 4.1), có kết quả như trong bảng 4.21, để thuận tiện cho việc
so sánh các thông số giữa các mô hình nhận dạng cơ sở và các mô
hình kết hợp, nghiên cứu sinh đưa lại kết quả của các mô hình
nhận dạng cơ sở.
Bảng 4.21: Kết quả nhận dạng 7 loại nhịp (CSDL MIT-BIH) bằng
các mô hình đơn và các mô hình kết hợp
Loại mô hình

Sai số

Sai số
(%)

FN

TN

FP

TP

Sens
(%)

Spec
(%)

MLP

110

3,59

18

905

30

2115

99,16

96,79

TSK

100

3,26

23

920

15

2110

98,92

98,40

SVM

60

1,96

15

919

16

2118

99,30

98,29

RF

70

2,28

20

914

21

2113

99,06

97,75

MLP-TSK-SVM

38

1,24

12

928

7

2121

99,44

99,25

MLP-TSK-RF

43

1,40

16

927

8

2117

99,25

99,14

MLP-RF-SVM

40

1,30

13

923

12

2120

99,39

98,72

RF-TSK-SVM

39

1,27

10

920

15

2123

99,53

98,40

MLP-TSK-SVM-RF

37

1,21

4

916

19

2129

99,81

97,97

- 19 -

Thử nghiệm 2: Trên bộ cơ sở dữ liệu MIT-BIH (cụ thể trong
bảng 4.2), nhận dạng hai loại nhịp (bình thường và bất thường).
Bảng 4.22: Kết quả nhận dạng 2 loại nhịp (CSDL MIT-BIH) bằng
các mô hình đơn và các mô hình kết hợp
Loại mô hình

Sai
số

Sai số
(%)

FN

TN

FP

TP

Sens
(%)

Spec
(%)

MLP

39

1,27

14

910

25

2119

99,34

97,33

TSK

41

1,34

17

911

24

2116

99,20

97,43

SVM

26

0,85

8

917

18

2125

99,62

98,07

RF

37

1,21

13

911

24

2120

99,39

97,43

MLP-TSK-SVM

21

0,68

6

920

15

2127

99,72

98,40

MLP-TSK-RF

22

0,72

8

921

14

2125

99,62

98,50

MLP-RF-SVM

23

0,75

9

921

14

2124

99,58

98,50

RF-TSK-SVM

16

0,52

5

924

11

2128

99,77

98,82

MLP-TSK-SVM-RF

15

0,49

7

927

8

2126

99,67

99,14

Thử nghiệm 3: Trên bộ cơ sở dữ liệu MGH/MF (cụ thể trong
bảng 4.3), nhận dạng ba loại nhịp N, S, V.
Bảng 4.23: Kết quả nhận dạng 3 loại nhịp (CSDL MGH/MF) bằng
các mô hình đơn và các mô hình kết hợp
Loại mô hình

Sai số

Sai số
(%)

FN

TN

FP

TP

Sens

(%)

Spec
(%)

MLP

66

4,40

26

979

24

471

94,77

97,61

TSK

73

4,87

44

983

20

453

91,15

98,01

SVM

32

2,13

6

991

12

491

98,79

98,80

RF

96

6,40

70

982

21

427

85,92

97,91

MLP-TSK-SVM

25

1,67

3

994

9

494

99,40

99,10

MLP-TSK-RF

30

2,00

10

992

11

487

97,99

98,90

MLP-RF-SVM

25

1,67

6

996

7

491

98,79

99,30

RF-TSK-SVM

25

1,67

5

994

9

492

98,99

99,10

MLP-TSK-SVM-RF

21

1,40

5

996

7

492

98,99

99,30

- 20 -


Thử nghiệm 4: Trên bộ cơ sở dữ liệu MGH/MF (cụ thể trong
bảng 4.4), nhận dạng hai loại nhịp (bình thường và bất thường).
Bảng 4.24: Kết quả nhận dạng 2 loại nhịp (CSDL MGH/MF)
Loại mô hình

Sai số

Sai số
(%)

FN

TN

FP

TP

Sens
(%)

Spec
(%)

MLP

37

2,47

22

988

15

475

95,57

98,50

TSK

62

4,13

37

978

25

460

92,56

97,51

SVM

20

1,33

6

989

14

491

98,79

98,60

RF

78

5,20

54

979

24

443

89,13

97,61

MLP-TSK-SVM

17

1,13

5

991

12

492

98,99

98,80

MLP-TSK-RF

20

1,33

6

989

14

491

98,79

98,60

MLP-RF-SVM

19

1,27

6

990

13

491

98,79

98,70

RF-TSK-SVM

18

1,20

6

991

12

491

98,79

98,80

MLP-TSK-SVM-RF

15

1,00

4

992

11

493

99,20

98,90

Đánh giá kết quả: Từ các kết quả thử nghiệm trên ta có một số
đánh giá như sau:




Sai số kiểm tra (số mẫu nhận dạng sai) của các mô hình kết
hợp đề thấp hơn so với các mô hình nhận dạng cơ sở, riêng
có một trường hợp bằng nhau – trong thử nghiệm 4, sai số
của mô hình SVM và mô hình kết hợp MLP-TSK-RF có số
mẫu nhận dạng sai là 20;
Số trường hợp chẩn đoán âm tính sai FN và số trường hợp
chẩn đoán dương tính sai FP phần lớn có kết quả tốt hơn so
với các mô hình nhận dạng cơ sở, chỉ có bốn trường hợp
kết quả kém hơn, cụ thể:
- Trong thí nghiệm 1: Số trường hợp chẩn đoán âm tính
sai FN (của MLP-TSK-RF) đã tăng 1 mẫu (từ 15 mẫu
lên 16 mẫu) so với FN (của SVM). Số trường hợp chẩn
đoán dương tính sai PN (của MLP-TSK-SVM-RF) đã
tăng 4 mẫu (từ 15 mẫu lên 19 mẫu) so với FP (của
TSK);
- 21 -




- Trong thí nghiệm 2: Số trường hợp chẩn đoán âm tính
sai FN (của MLP-RF-SVM) đã tăng 1 mẫu (từ 8 mẫu
lên 9 mẫu) so với FN (của SVM);
- Trong thí nghiệm 3: Số trường hợp chẩn đoán âm tính
sai FN (của MLP-TSK-RF) đã tăng 4 mẫu (từ 6 mẫu lên
10 mẫu) so với FN (của SVM);
So sánh với kết quả của thử nghiệm trong luận án TS.
Nguyễn Đức Thảo (năm 2016 [4]):

- Khi thử nghiệm nhận dạng 7 loại nhịp tim trong bộ cơ
sở dữ liệu MIT-BIH: Sai số kiểm tra của các mô hình
tổng hợp từ 1,21÷1,40% (kết quả trong thí nghiệm 1),
thấp hơn so với 2,6% trong [4];
- Khi thử nghiệm nhận dạng 3 loại nhịp tim trong bộ cơ
sở dữ liệu MGH/MF: Sai số kiểm tra của các mô hình
tổng hợp từ 1,4÷2% (kết quả trong thí nghiệm 3), thấp
hơn so với 3,4% trong [4].

4.5 Kết quả thử nghiệm trên thiết bị

Kết quả phần cứng:
Ngoài các kết quả lý thuyết và thực hiện tính toán, mô phỏng,
nghiên cứu sinh có định hướng triển khai các giải pháp trên thiết
bị phần cứng để tiến tới có thể hoàn thiện thiết bị đưa vào ứng
dụng trong thực tế. Với mục đích đó, nghiên cứu sinh đã phân
tích, lựa chọn các linh kiện và thi công phần cứng, bước đầu đóng
gói thành thiết bị khá nhỏ gọn, với đầy đủ các chức năng như yêu
cầu, thiết bị kích thước (11,5cm x 10,5cm x 5cm). Sử dụng điện
cực đo chuyển đạo tay trái - tay phải, như thể hiện trên hình 4.11.
Bước đầu, các khâu thu thập tín hiệu điện tim đã thu thập được
các tín hiệu với chất lượng tương tự như các thiết bị đo thông
dụng.

- 22 -


Hình 4.11: Hình ảnh của thiết bị đo kích thước (11,5cm x 10,5cm x 5cm)

Kết quả thử nghiệm các thuật toán:

Bước đầu nghiên cứu sinh đã triển khai trên vi xử lý nền
ARM các thuật toán lọc số và tách phức bộ QRS, trích chọn đặc
tính, chạy song song ba mô hình nhận dạng đơn MLP, TSK,
SVM, tổng hợp kết quả trên thuật toán cây quyết định DT trên các
số liệu chuẩn lấy từ bộ cơ sở dữ liệu MIT-BIH ta thu được kết quả
giống như khi chạy trên máy tính, tốc độ đáp ứng thời gian thực.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Việc nghiên cứu tín hiệu điện tim ECG là rất quan trọng đối
với sức khỏe con người, nhu cầu nghiên cứu và phát triển các
thuật toán nhận dạng để tăng độ chính xác, tin cậy. Đặc biệt có
nhu cầu cao về các thiết bị đo có tính hợp thêm chức năng nhận
dạng tự động bệnh tim. Đóng góp chính của luận án là đề xuất ra
giải pháp cải thiện độ chính xác của kết quả nhận dạng tín hiệu
điện tim dựa trên hệ thống kết hợp nhiều mô hình nhận dạng đơn.
Thuật toán xây dựng trong luận án có chú ý đến tiêu chí tối ưu
khối lượng tính toán, gọn nhẹ để nhúng được trên các dòng vi xử
lý mới nhằm hướng tới áp dụng được vào các thiết bị thông minh
nhỏ gọn cho người bệnh trong thực tế. Cụ thể các đóng góp mới
của luận án như sau:
- 23 -