PHÂN TÍCH TÍN HIỆU ĐIỆN TIM CHO VIỆC CẢI THIỆN TRONG CHẨN ĐOÁN BỆNH TIM

Phân loại bệnh tim dựa vào tín hiệu điện tim với độ chính xác cao có thể giúp đỡ các bác sĩ chẩn đoán sớm và đưa ra các quyết định chính xác hơn nhằm chữa trị tốt nhất có thể cho bệnh nhân. Cụ thể, để nâng cao hiệu suất phân loại thì hệ thống phân loại có thể được xây dựng gồm tập dữ liệu, tiền xử lý và lọc nhiễu, trích đặc trưng và phân loại bệnh đều cần được xem xét và cải thiện. Trong những năm gần đây, đã có nhiều nghiên cứu liên quan đến hệ thống phân loại bệnh tim được thực hiện bởi các nhà khoa học trên thế giới sử dụng tập dữ liệu điện tim có sẵn trên webiste. Hơn nữa, các nghiên cứu này tập trung vào các phương pháp lọc nhiễu của tín hiệu điện tim, trích xuất những đặc trưng của tín hiệu nhịp tim, kiến nghị và áp dụng các bộ phân loại thực hiện phân loại và nâng cao hiệu xuất phân loại bệnh tim. Những nghiên cứu này cũng đã thu được những hiệu quả đáng kể và đóng góp đáng kể vào quá trình ứng dụng phân loại bệnh tim. Từ đó, luận án này tiếp tục nghiên cứu, phát triển và đưa ra những phương pháp mới để nâng cao hơn nữa độ chính xác của việc phân loại bệnh tim dựa vào tín hiệu điện tim ECG. Tín hiệu điện tim có biên độ nhỏ và tồn tại nhiều loại nhiễu như nhiễu của đường dây điện từ nguồn cung cấp, nhiễu do lệch đường cơ và nhiều loại nhiễu khác. Do đó, luận án này kiến nghị giải thuật phân rã – lọc nhiễu – khôi phục (WDFR) để loại bỏ những thành phần nhiễu của tín hiệu điện tim. Cụ thể, trong giải thuật WDFR, tín hiệu điện tim được phân rã thành các thành phần sóng con với các dãi tần số khác nhau sử dụng biến đổi wavelet. Sau đó, các thành phần sóng con đã được loại bỏ nhiễu sẽ được khôi phục lại thành tín hiệu điện tim. Tín hiệu điện tim sau khi được lọc nhiễu sẽ được xác định vị trí của các đỉnh R dùng thuật toán Pan-Tompskin để tách ra từng nhịp tim cho trích đặc trưng và phân loại chính xác hơn. Các đặc trưng trong tín hiệu nhịp tim cần được trích xuất tốt nhất để nâng cao hiệu suất phân loại bệnh tim. Luận án này đề xuất giải thuật trích đặc trưng tín hiệu nhịp tim dựa vào phương pháp phân tích thành phần chính của tín hiệu nhịp tim sau biến đổi wavelet và áp dụng kernel (wkPCA) nhằm nâng cao hiệu suất phân loại bệnh tim. Trong giải thuật wkPCA, tín hiệu nhịp tim sau khi phân rã sẽ được ánh xạ sang miền không gian mới sử dụng kernel đồng thời trích được nhiều đặc trưng nhất có thể. Để đánh giá hiệu quả của phương pháp trích đặc trưng, một mạng truyền thẳng bốn lớp được xây dựng để phân loại bệnh tim từ các đặc trưng thu được dùng wkPCA. Độ chính xác bộ phân loại bệnh tim sử dụng phương pháp wkPCA là khá tốt, chứng tỏ phương pháp trích đặc trưng được đề xuất là phù hợp. Để nâng cao hơn nữa độ chính xác của hệ thống phân loại thì bộ phân loại cũng cần được nghiên cứu và phát triển. Luận án này cũng nghiên cứu và kiến nghị để phát triển một mạng học sâu nhằm phân loại bệnh tim chính xác hơn. Cụ thể, luận án đề xuất phương pháp tính tham số kernel của các lớp tích chập trong mạng học sâu dựa vào các thành phần sóng con trong tín hiệu nhịp tim. Từ phương pháp tính kernel trong các lớp tích chập được đề xuất, mô hình mạng học sâu được cấu hình với những lớp tích chập phù hợp cho việc phân loại đạt hiệu suất cao. Cụ thể, với thuật toán cho xây dựng những kernel thì việc trích xuất gần như toàn bộ đặc trưng nhịp tim và điều này sẽ nâng cao độ chính xác của bộ phân loại bệnh tim. Từ những kết quả này, bộ phân loại có thể được áp dụng để phân loại các loại bệnh tim từ xa sử dụng máy tính chủ. Bộ phân loại sẽ được cài đặt trên máy tính chủ và bác sĩ có thể tải tín hiệu điện tim của bệnh nhân lên hệ thống để thu nhận kết quả phân loại bệnh tim từ hệ thống. Hiệu quả của các phương pháp đề xuất đã được chứng minh qua các kết quả thực nghiệm. Phương pháp nghiên cứu và kết quả thu được trong luận án này đã được đăng trong các kỷ yếu hội thảo khoa học và tạp chí khoa học. Kết quả nghiên cứu có thể làm tiền đề để phát triển và xây dựng một thiết bị đo và phân loại bệnh tim cầm tay hoặc một hệ thống máy tính chủ để phân loại bệnh tim từ xa.

THÀNH PHỐ HỒ CHÍ MINH

NGUYỄN THANH NGHĨA

PHÂN TÍCH TÍN HIỆU ĐIỆN TIM CHO VIỆC CẢI THIỆN

TRONG CHẨN ĐOÁN BỆNH TIM

LUẬN ÁN TIẾN SĨ NGÀNH: KỸ THUẬT ĐIỆN TỬ

Tp Hồ Chí Minh, tháng 06/2022

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

NGUYỄN THANH NGHĨA

PHÂN TÍCH TÍN HIỆU ĐIỆN TIM CHO VIỆC CẢI THIỆN

TRONG CHẨN ĐOÁN BỆNH TIMNGÀNH: KỸ THUẬT ĐIỆN TỬ - 9520203

QUYẾT ĐỊNH GIAO ĐỀ TÀI

LÝ LỊCH CÁ NHÂN

I THÔNG TIN CÁ NHÂN:

Họ và tên: Nguyễn Thanh Nghĩa Giới tính: Nam

Ngày, tháng, năm sinh: 14 -12-1984 Nơi sinh: Bình Định

Địa chỉ nhà: số nhà 124/10 khu phố Đông B, phường Đông Hòa, thành phố Dĩ

An, tỉnh Bình Dương

Điện thoại: 0901788455 E-mail: nghiant@hcmute.edu.vn

Cơ quan - nơi làm việc: Trường Đại Học Sư Phạm Kỹ Thuật Tp Hồ Chí Minh Địa chỉ cơ quan: 01 Võ Văn Ngân, Quận Thủ Đức, Thành Phố Hồ Chí Minh Điện thoại: (+84.8) 37225766; Website: www.hcmute.edu.vn

II QUÁ TRÌNH ĐÀO TẠO:

- Từ 2002 – 2007: Sinh viên ngành Kỹ thuật điện – điện tử, Truờng Đại học

III QUÁ TRÌNH CÔNG TÁC:

03/2007 - 3/2010 Công Ty Wonderful Saigon Electrics Kỹ sư lập trình

4/2010 -10/2017 Trường Cao Đẳng Kỹ Thuật Cao Thắng Giảng viên

11/2017- nay Trường Đại Học Sư Phạm Kỹ Thuật Thành

Tp Hồ Chí Minh, ngày 10 tháng 06 năm 2022

NGUYỄN THANH NGHĨA

LỜI CAM ĐOAN

Tôi cam đoan đây là công trình nghiên cứu của tôi

Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được công

bố trong bất kỳ công trình nào khác

Tp Hồ Chí Minh, ngày 10 tháng 06 năm 2022

NGUYỄN THANH NGHĨA

LỜI CẢM TẠ

Trước tiên, tôi xin gửi lời cảm ơn chân thành và sâu sắc đến Thầy PGS.TS Nguyễn Thanh Hải, người Thầy luôn rất nhiệt tình và tận tâm hướng dẫn tôi trong thời gian thực hiện luận án Hơn nữa, trong suốt quá trình thực hiện từ lúc lập đề cương cho đến khi thực hiện luận án, Thầy luôn có những góp ý và định hướng giúp tôi đạt được những kết quả tốt nhất

Tôi xin gửi lời cảm ơn đến Ban Giám Hiệu Trường Đại Học SPKT Tp.HCM Cảm ơn Ban Chủ Nhiệm Khoa Điện – Điện tử, những Thầy/Cô và đồng nghiệp của tôi ở Khoa Điện – Điện tử đã hỗ trợ trong quá trình thực hiện luận án này

Cuối cùng, tôi cũng xin được gửi lời biết ơn sâu sắc đến gia đình tôi, những người đã luôn là chỗ dựa tinh thần, là nguồn động viên vô cùng to lớn trong những lúc khó khăn, giúp tôi có thể an tâm thực hiện công việc học tập và nghiêm cứu của mình trong suốt thời gian thực hiện luận án

Xin chân thành cảm ơn!

Tp Hồ Chí Minh, ngày 10 tháng 06 năm 2022

NGUYỄN THANH NGHĨA

TÓM TẮT

Phân loại bệnh tim dựa vào tín hiệu điện tim với độ chính xác cao có thể giúp

đỡ các bác sĩ chẩn đoán sớm và đưa ra các quyết định chính xác hơn nhằm chữa trị tốt nhất có thể cho bệnh nhân Cụ thể, để nâng cao hiệu suất phân loại thì hệ thống phân loại có thể được xây dựng gồm tập dữ liệu, tiền xử lý và lọc nhiễu, trích đặc trưng và phân loại bệnh đều cần được xem xét và cải thiện Luận án này sử dụng tập

dữ liệu điện tim có sẵn đã được công bố trên website và được các nhà khoa học sử dụng để nghiên cứu Do đó, luận án tập trung vào nghiên cứu và đưa ra các giải pháp mới trong công đoạn tiền xử lý và lọc nhiễu, trích đặc trưng và phân loại bệnh để nâng cao hiệu suất phân loại bệnh tim

Trong những năm gần đây, đã có nhiều nghiên cứu liên quan đến hệ thống phân loại bệnh tim được thực hiện bởi các nhà khoa học trên thế giới sử dụng tập dữ liệu điện tim có sẵn trên webiste Hơn nữa, các nghiên cứu này tập trung vào các phương pháp lọc nhiễu của tín hiệu điện tim, trích xuất những đặc trưng của tín hiệu nhịp tim, kiến nghị và áp dụng các bộ phân loại thực hiện phân loại và nâng cao hiệu xuất phân loại bệnh tim Những nghiên cứu này cũng đã thu được những hiệu quả đáng kể và đóng góp đáng kể vào quá trình ứng dụng phân loại bệnh tim Từ đó, luận

án này tiếp tục nghiên cứu, phát triển và đưa ra những phương pháp mới để nâng cao hơn nữa độ chính xác của việc phân loại bệnh tim dựa vào tín hiệu điện tim ECG

Tín hiệu điện tim có biên độ nhỏ và tồn tại nhiều loại nhiễu như nhiễu của đường dây điện từ nguồn cung cấp, nhiễu do lệch đường cơ và nhiều loại nhiễu khác

Do đó, luận án này kiến nghị giải thuật phân rã – lọc nhiễu – khôi phục (WDFR) để loại bỏ những thành phần nhiễu của tín hiệu điện tim Cụ thể, trong giải thuật WDFR, tín hiệu điện tim được phân rã thành các thành phần sóng con với các dãi tần số khác nhau sử dụng biến đổi wavelet Sau đó, các thành phần sóng con đã được loại bỏ nhiễu sẽ được khôi phục lại thành tín hiệu điện tim Tín hiệu điện tim sau khi được lọc nhiễu sẽ được xác định vị trí của các đỉnh R dùng thuật toán Pan-Tompskin để tách ra từng nhịp tim cho trích đặc trưng và phân loại chính xác hơn

Các đặc trưng trong tín hiệu nhịp tim cần được trích xuất tốt nhất để nâng cao hiệu suất phân loại bệnh tim Luận án này đề xuất giải thuật trích đặc trưng tín hiệu nhịp tim dựa vào phương pháp phân tích thành phần chính của tín hiệu nhịp tim sau biến đổi wavelet và áp dụng kernel (wkPCA) nhằm nâng cao hiệu suất phân loại bệnh tim Trong giải thuật wkPCA, tín hiệu nhịp tim sau khi phân rã sẽ được ánh xạ sang miền không gian mới sử dụng kernel đồng thời trích được nhiều đặc trưng nhất

có thể Để đánh giá hiệu quả của phương pháp trích đặc trưng, một mạng truyền thẳng bốn lớp được xây dựng để phân loại bệnh tim từ các đặc trưng thu được dùng wkPCA

Độ chính xác bộ phân loại bệnh tim sử dụng phương pháp wkPCA là khá tốt, chứng

tỏ phương pháp trích đặc trưng được đề xuất là phù hợp

Để nâng cao hơn nữa độ chính xác của hệ thống phân loại thì bộ phân loại cũng cần được nghiên cứu và phát triển Luận án này cũng nghiên cứu và kiến nghị

để phát triển một mạng học sâu nhằm phân loại bệnh tim chính xác hơn Cụ thể, luận

án đề xuất phương pháp tính tham số kernel của các lớp tích chập trong mạng học sâu dựa vào các thành phần sóng con trong tín hiệu nhịp tim Từ phương pháp tính kernel trong các lớp tích chập được đề xuất, mô hình mạng học sâu được cấu hình với những lớp tích chập phù hợp cho việc phân loại đạt hiệu suất cao Cụ thể, với thuật toán cho xây dựng những kernel thì việc trích xuất gần như toàn bộ đặc trưng nhịp tim và điều này sẽ nâng cao độ chính xác của bộ phân loại bệnh tim

Từ những kết quả này, bộ phân loại có thể được áp dụng để phân loại các loại bệnh tim từ xa sử dụng máy tính chủ Bộ phân loại sẽ được cài đặt trên máy tính chủ

và bác sĩ có thể tải tín hiệu điện tim của bệnh nhân lên hệ thống để thu nhận kết quả phân loại bệnh tim từ hệ thống Hiệu quả của các phương pháp đề xuất đã được chứng minh qua các kết quả thực nghiệm Phương pháp nghiên cứu và kết quả thu được trong luận án này đã được đăng trong các kỷ yếu hội thảo khoa học và tạp chí khoa học Kết quả nghiên cứu có thể làm tiền đề để phát triển và xây dựng một thiết bị đo

và phân loại bệnh tim cầm tay hoặc một hệ thống máy tính chủ để phân loại bệnh tim

từ xa

In recent years, there have been many studies related to heart disease classification systems using ECG datasets with different heart diseases Furthermore, these studies focus on methods of filtering noises, extracting features, proposing and applying heart disease classifiers for the objective of improving the performance of heart disease classification Therefore, there have been significant contributions for applying heart disease classification In this thesis, we developed and proposed new methods for further improving the accuracy of heart disease classification based on ECG signals

ECG signal has a small amplitude with many types of different noise and artifacts Therefore, this thesis proposed a WDFR algorithm to remove unwanted components in the ECG signal In particular, the ECG signal is decomposed into approximation and detail components with different frequency ranges using a wavelet transform Thus, the approximation and detail components without noises are restored to obtain the filtered ECG signal From the filtered ECG signal, the position

of the R peaks is determined using the Pan-Tompskin algorithm and then it is segmented to produce heartbeats for feature extraction

The best features of each heartbeat signal need to be extracted for improving the performance of heart disease classifier In this thesis, a wavelet-based kernel construction (wkPCA) algorithm is proposed for heartbeat signal feature extraction

In the wkPCA algorithm, the heartbeat signal after decomposition will be mapped to the new spatial domain using a kernel and features of the kernel may be extracted as many as possible To evaluate the effectiveness of this feature extraction method, a four-layer perceptron network with 3 hidden layers and 1 output layer was constructed for classifying heart diseases based on features obtained using the wkPCA algorithm The accuracy of the heart disease classifier using the wkPCA features extraction method is quite good compared to previous methods

With big datasets of heart diseases, this thesis proposed to develop a deep learning network model, in which the optimal kernel for convolutional layer was proposed In particular, kernels were built based on the sub-wave components in each heartbeat signal and this allows to extract features From the proposed method of calculating the kernels in convolutional layers, the deep learning network model is configured with the suitable convolutional layers for the heart disease classification with the higher performance

From these results, the classifier can be applied to classify various types of heart disease remotely using a host computer The classifier can be installed on the host computer and doctors can upload the patient's ECG signals to the system to get the heart disease classification results The effectiveness of the proposed methods has been proven through experimental results and the scientific contributions related to the results have been published on conferences and journals The contributions could

be the premise for the development and application of heart disease classification devices or a host computer system for remote classification of heart disease

MỤC LỤC

QUYẾT ĐỊNH GIAO ĐỀ TÀI iii

LÝ LỊCH CÁ NHÂN iv

LỜI CAM ĐOAN v

LỜI CẢM TẠ vi

TÓM TẮT vii

ABSTRACT ix

MỤC LỤC xi

DANH SÁCH CÁC TỪ VIẾT TẮT xv

DANH SÁCH CÁC HÌNH xvi

DANH SÁCH CÁC BẢNG xx

CHƯƠNG 1: 1

TỔNG QUAN 1

1.1 TÍNH CẤP THIẾT CỦA ĐỀ TÀI LUẬN ÁN 1

1.2 MỤC TIÊU NGHIÊN CỨU CỦA LUẬN ÁN 9

1.3 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 9

1.4 CÁCH TIẾP CẬN VÀ PHƯƠNG PHÁP NGHIÊN CỨU 10

1.5 ĐÓNG GÓP VỀ KHOA HỌC CỦA LUẬN ÁN 10

1.6 CẤU TRÚC CỦA LUẬN ÁN 12

CHƯƠNG 2: 14

CƠ SỞ LÝ THUYẾT 14

2.1 TỔNG QUAN VỀ TÍN HIỆU ĐIỆN TIM 14

2.2 TẬP DỮ LIỆU ĐIỆN TIM ECG 21

2.3 TIỀN XỬ LÝ TÍN HIỆU ĐIỆN TIM 25

2.4 TRÍCH ĐẶC TRƯNG VÀ GIẢM CHIỀU TÍN HIỆU ĐIỆN TIM 28

2.4.1 Phương pháp biến đổi wavelet 29

2.4.2 Phương pháp phân tích thành phần chính 31

2.5 PHÂN LOẠI BỆNH TIM DÙNG TÍN HIỆU ĐIỆN TIM 33

2.5.1 Phương pháp phân loại bệnh tim dùng tín hiệu ECG 33

2.5.2 Phương pháp đánh giá hiệu suất phân loại bệnh tim 39

CHƯƠNG 3: 41

GIẢI THUẬT WDFR CHO LỌC NHIỄU CỦA TÍN HIỆU ĐIỆN TIM VÀ TÁCH NHỊP TIM 41

3.1 NGUỒN NHIỄU CỦA TÍN HIỆU ĐIỆN TIM 41

3.1.1 Nhiễu do nguồn cung cấp 42

3.1.2 Nhiễu lệch đường cơ sở 42

3.1.3 Nhiễu điện cơ 43

3.1.4 Các nhiễu khác 44

3.2 GIẢI THUẬT WDFR CHO LỌC NHIỄU TÍN HIỆU ĐIỆN TIM 44

3.2.1 Giới thiệu các hàm wavelet sử dụng cho lọc nhiễu điện tim 44

3.2.2 Giải thuật WDFR được đề xuất để loại bỏ nhiễu 46

3.3 PHƯƠNG PHÁP ĐÁNH GIÁ BỘ LỌC 51

3.3.1 Tỉ số tín hiệu trên nhiễu 51

3.3.2 Sai số toàn phương trung bình 51

3.4 KẾT QUẢ LỌC NHIỄU TÍN HIỆU ECG 52

3.5 XÁC ĐỊNH VỊ TRÍ ĐỈNH R CỦA PHỨC HỢP QRS VÀ TÁCH TỪNG NHỊP TIM TỪ TÍN HIỆU ĐIỆN TIM 63

3.5.2 Kết quả phát hiện đỉnh R trên tín hiệu ECG 66

3.5.3 Tách từng nhịp tim từ tín hiệu điện tim 68

CHƯƠNG 4: 71

TRÍCH ĐẶC TRƯNG TÍN HIỆU ĐIỆN TIM DÙNG GIẢI THUẬT wkPCA CHO PHÂN LOẠI BỆNH 71

4.1 GIỚI THIỆU PHƯƠNG PHÁP KERNEL 71

4.2 THUẬT TOÁN wkPCA ĐỂ TRÍCH ĐẶC TRƯNG TÍN HIỆU ĐIỆN TIM 74 4.3 PHÂN LOẠI BỆNH TIM DÙNG MẠNG NƠ-RON TRUYỀN THẲNG NHIỀU LỚP 81

4.4 ĐÁNH GIÁ HIỆU SUẤT BỘ PHÂN LOẠI 84

4.4.1 Đánh giá hiệu suất phân loại dùng ma trận nhầm lẫn 84

4.4.2 Đánh giá hiệu suất phân loại dùng đường cong ROC 85

4.5 KẾT QUẢ TRÍCH ĐẶC TRƯNG CÁC LOẠI BỆNH TIM DÙNG THUẬT TOÁN wkPCA 86

4.5.1 Kết quả phân rã dùng thuật toán WD 86

4.5.2 Kết quả trích đặc trưng dùng thuật toán wKPCA 88

4.6 KẾT QUẢ PHÂN LOẠI BỆNH TIM DỰA VÀO PHƯƠNG PHÁP TRÍCH ĐẶC TRƯNG wkPCA VÀ MẠNG MLP 90

4.6.1 Lưu đồ giải thuật của hệ thống nhận dạng 90

4.6.2 Mô hình mạng MLP được đề xuất để phân loại bệnh 91

4.6.3 Kết quả phân loại bệnh tim dùng mạng nơ-ron truyền thẳng nhiều lớp 94

CHƯƠNG 5: 102

TÍNH TOÁN KÍCH THƯỚC KERNEL CỦA CÁC LỚP TÍCH CHẬP TRONG MẠNG HỌC SÂU CHO PHÂN LOẠI BỆNH TIM 102

5.1 TRÍCH ĐẶC TRƯNG DỰA VÀO CÁC LỚP TÍCH CHẬP TRONG MẠNG

HỌC SÂU 102

5.2 CẤU TRÚC MẠNG HỌC SÂU CHO PHÂN LOẠI BỆNH TIM 108

5.2.1 Hệ thống dùng mạng học sâu cho phân loại bệnh tim 108

5.2.2 Cấu trúc mạng học sâu cho phân loại bệnh tim 109

5.2.3 Tính kích thước kernel trong các lớp tích chập 110

5.3 KẾT QUẢ PHÂN LOẠI BỆNH DỰA VÀO MẠNG HỌC SÂU 114

5.3.1 Tác động của chiều dài một nhịp tim đến hiệu suất phân loại 118

5.3.2 Ảnh hưởng của hàm wavelet đến hiệu suất phân loại 120

5.3.3 Ảnh hưởng của số lớp mạng tích tập đến độ chính xác của bộ phân loại 121 CHƯƠNG 6: 127

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 127

6.1 KẾT LUẬN 127

6.2 HƯỚNG PHÁT TRIỂN 129

CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ 130

CÁC CÔNG TRÌNH NGHIÊN CỨU KHÁC 131

TÀI LIỆU THAM KHẢO 132

DANH SÁCH CÁC TỪ VIẾT TẮT

BPM Beats per minute Nhịp tim trên phút

BNN Backpropagation Neural

Network

Mạng nơ-ron lan truyền ngược

BWN Baseline Wander Noise Nhiễu do lệch đường cơ sở

CNN Convolutional Neural Network Mạng nơ-ron tích chập

DNN Deep Neural Network Mạng nơ-ron học sâu

DWT Discrete Wavelet Transform Biến đổi wavelet rời rạc

GA Genetic Algorithm Thuật toán di truyền

MLP Multilayer perceptron Perceptron nhiều lớp

MSE Mean Square Error Sai số toàn phương trung bình

PLI Power Line Interference Nhiễu do nguồn cung cấp

PCA Principal Component Analysis Phân tích thành phần chính

Characteristic

Đặc tuyến hoạt động của bộ nhận STFT Short-time Fourier transform Biến đổi Fourier trong thời gian ngắn SVM Support Vector Machine Máy véc tơ hỗ trợ

WD Wavelet Decomposition Phân rã dùng wavelet

WDFR Wavelet Decomposition -

Filter - Reconstruction

Phân rã dùng wavelet – Lọc – Khôi phục

WHO World Health Organization Tổ chức y tế thế giới

wkPCA wavelet kernel Principal

Component Analysis

Phân tích thành phần chính dựa vào kernel và wavelet

WPCs Wavelet Packet Coefficients Các hệ số gói wavelet

WPE Wavelet Packet Entropy Gói wavelet dùng entropy

WPD Wavelet Packet Decomposition Phân rã dạng gói wavelet

WR Wavelet Reconstruction Khôi phục dùng wavelet

DANH SÁCH CÁC HÌNH

Hình 1.1 Sơ đồ xử lý cho việc phân loại bệnh tim từ tín hiệu điện tim ECG 8

Hình 2.1 Các thành phần cơ bản chứa đựng trong một nhịp tim 15

Hình 2.2 Các dạng sơ đồ mắc điện cực trong quá trình thu thập tín hiệu điện tim dùng chuyển đạo gián tiếp 19

Hình 2.3 Giấy chia ô dùng để ghi lại tín hiệu điện tim ECG 20

Hình 2.4 Cách xác định biên độ và số lượng nhịp tim trên một phút của tín hiệu điện tim được in trên giấy chuyên dụng 20

Hình 2.5 Dạng sóng tín hiệu ECG của bệnh nhân được đánh số 117 thu thập từ tập dữ liệu MIT-BIH 21

Hình 3.1 Ảnh hưởng của nhiễu nguồn cung cấp lên tín hiệu điện tim ECG 42

Hình 3.2 Ảnh hưởng của nhiễu lệch đường cơ sở lên tín hiệu điện tim ECG 43

Hình 3.3 Ảnh hưởng của nhiễu điện cơ lên tín hiệu điện tim ECG 44

Hình 3.4 Dạng sóng của các hàm wavelet gồm dmey, bior5.5, db4, sym1, bior1.3, và db1 được sử dụng để khảo sát việc lọc nhiễu tín hiệu điện tim 45

Hình 3.5 Sơ đồ biểu diễn thuật toán phân rã dùng wavelet cho việc lọc nhiễu trên tín hiệu ECG 47

Hình 3.6 Ngưỡng cứng và ngưỡng mềm được sử dụng để loại bỏ nhiễu của tín hiệu điện tim 50

Hình 3.7 Lưu đồ giải thuật của giải thuật WDFR cho quá trình lọc nhiễu 52

Hình 3.8 Tín hiệu điện tim ECG gốc và tín hiệu điện tim ECG được thêm nhiễu với tỷ số nhiễu 5dB 53

Hình 3.9 Thành phần xấp xỉ và các thành phần chi tiết được vẽ ra sau khi áp dụng phương pháp phân rã dùng wavelet ở mức 8 với hàm wavelet “dmey” 55

Hình 3.10 Dạng sóng của các thành phần chi tiết và thành phần xấp xỉ sau khi đã áp

dụng lọc nhiễu theo ngưỡng cứng và ngưỡng mềm 56

Hình 3.11 Dạng sóng của các thành phần chi tiết và thành phần xấp xỉ sau khi đã áp

dụng lọc nhiễu theo ngưỡng cứng và ngưỡng mềm 56

Hình 3.12 Tín hiệu ECG gốc và tín hiệu ECG sau khi đã được lọc nhiễu với các hàm

wavelet là dmey, bior5.5, db4, sym1, bior1.3, và db1 57

Hình 3.13 Mật độ phổ công suất của tín hiệu trước và sau khi lọc nhiễu đối với tín

hiệu ECG từ tập dữ liệu MIT-BIH DB 58

Hình 3.14 Dạng sóng của tín hiệu ECG gốc và tín hiệu ECG sau khi đã lọc nhiễu

với các hàm wavelet được đề xuất và áp dụng trên dữ liệu ECG được thu thập tại

phòng thí nghiệm Kỹ Thuật Y Sinh 58

Hình 3.15 Mật độ phổ công suất của tín hiệu ECG gốc và tín hiệu ECG sau khi đã

lọc nhiễu với các hàm wavelet được đề xuất và áp dụng trên dữ liệu ECG được thu

thập tại phòng thí nghiệm Kỹ Thuật Y Sinh 60

Hình 3.16 Sơ đồ khối của thuật toán Pan-Tompkins được sử dụng để xác định phức

hợp QRS 63

Hình 3.17 Vị trí đỉnh R trong phức hợp QRS được xác định cho tín hiệu ECG từ tập

dữ iệu MIT-BIH DB 66

Hình 3.18 Vị trí đỉnh R của phức hợp QRS được xác định cho tín hiệu ECG tự thu

thập từ phòng thí nghiệm Kỹ Thuật Y Sinh 67

Hình 3.19 Tách từng nhịp tim từ tín hiệu điện tim ECG thu thập từ tập dữ liệu

MIT-BIH DB và đã được lọc nhiễu và xác định vị trí đỉnh R 68

Hình 3.20 Kết quả tách từng nhịp tim của tín hiệu điện tim ECG thu được tại phòng

thí nghiệm 69

Hình 4.1 Mô tả phương pháp kernel được thực hiện để chiếu dữ liệu từ miền không

gian gốc (X) sang miền không gian mới (Z) 72

Hình 4.2 Sơ đồ khối của phương pháp wkPCA được đề xuất để trích đặc trưng tín

phân loại bệnh tim 86

Hình 4.6 Dạng sóng nhịp tim của 5 loại bệnh tim (N, S, V, F, và Q) và dạng sóng

của các hệ số wavelet tương ứng 88

Hình 4.7 Phân bố các đặc trưng của các loại bệnh tim trên tín hiệu nhịp tim trong

miền không gian gốc 89

Hình 4.8 Phân bố các đặc trưng của tín hiệu nhịp tim trong miền không gian mới sau

khi áp dụng thuật toán wkPCA 90

Hình 4.9 Lưu đồ giải thuật cho quá trình phân loại bệnh tim sử dụng giải thuật

wkPCA và mạng MLP 91

Hình 4.10 Sơ đồ khối được sử dụng để phân loại bệnh kết hợp thuật toán wkPCA và

mạng nơ-ron truyền thẳng nhiều lớp 91

Hình 4.11 Cấu trúc mạng nơ-ron truyền thẳng nhiều lớp được sử dụng để phân loại

bệnh tim 92

Hình 4.12 Trình bày kết quả ma trận nhầm lẫn trong trường hợp phân loại bệnh tim

sử dụng mạng nơ-ron truyền thẳng nhiều lớp 97

Hình 4.13 Trình bày kết quả ma trận nhầm lẫn trong trường hợp phân loại bệnh tim

sử dụng mạng nơ-ron truyền thẳng nhiều lớp 98

Hình 5.1 Cấu trúc của một nơ-ron với n ngõ vào, một ngõ ra và hàm kích hoạt tương

ứng 103

Hình 5.2 Mô tả về cách tính tích chập cho tín hiệu 1 chiều được sử dụng trong mạng

nơ-ron tích chập 104

Hình 5.3 Mô tả về cách tính tích chập cho tín hiệu 1 chiều với trường hợp có thêm

zero padding vào tín hiệu gốc 105

Hình 5.4 Mô tả sự kết nối và cách tính toán của các lớp tích chập với các lớp truyền

Hình 5.8 Kết quả độ chính xác của hệ thống phân loại bệnh tim trong quá trình huấn

luyện và giá trị của hàm mất mát tương ứng với các epoch 116

Hình 5.9 Ma trận nhầm lẫn trong trường hợp phân loại bệnh dùng mạng học sâu.

117

Hình 5.10 So sánh hiệu suất phân loại với trường hợp số lớp tích chập thay đổi từ 1

đến 9 lớp 122

Bảng 2.5 Thống kê các hệ thống phân loại bệnh tim cùng với hiệu suất thu được

trong các nghiên cứu trước đây 34

Bảng 3.1 Các thành phần tần số của tín hiệu ECG sau khi áp dụng thuật toán phân

rã WD 54

Bảng 3.2 Bảng giá trị các tham số đánh giá hiệu suất bộ lọc sau khi được áp dụng

trên tập dữ liệu nhịp tim MIT-BIH 61

Bảng 3.3 Bảng giá trị các tham số đánh giá hiệu suất bộ lọc sau khi được áp dụng

trên tập dữ liệu nhịp tim được tác giả tự thu thập 62

Bảng 4.1 Ma trận nhầm lẫn cho trường hợp nhiều loại bệnh 84 Bảng 4.2 Mô tả số lượng nhịp tim của các loại bệnh tim được sử dụng để kiểm tra

hiệu suất của hệ thống phân loại được đề xuất 93

Bảng 4.3 Phân bố dữ liệu huấn luyện và dữ liệu kiểm tra để đánh giá hiệu suất của

bộ phân loại 94

Bảng 4.4 Các tham số được sử dụng trong cấu trúc mạng nơ-ron cho việc phân loại

bệnh tim 95

Bảng 4.5 Giá trị của tham số kernel cho hàm kernel Gaussian được áp dụng để tính

toán giá trị tốt nhất của bộ phân loại 96

Bảng 4.6 Hiệu suất của bộ phân loại cho 5 loại bệnh tim N, S, V, F và Q trong trường

hợp số lượng dữ liệu huấn luyện và kiểm tra khác nhau 97

Bảng 4.7 So sánh độ chính xác của phương pháp wkPCA được đề xuất với các

phương pháp nghiên cứu khác 99

Bảng 5.1 Số lượng nhịp tim cho từng loại bệnh và tổng số lượng nhịp tim được sử

dụng cho thí nghiệm với mạng nơ-ron học sâu 109

Bảng 5.2 Phân bố dữ liệu huấn luyện và dữ liệu kiểm tra để đánh giá hiệu suất của

bộ phân loại 109

Bảng 5.3 Số lượng nhịp tim cho từng loại bệnh và tổng số lượng nhịp tim được sử

dụng cho thí nghiệm với mạng nơ-ron học sâu 111

Bảng 5.4 Các tham số huấn luyện được cài đặt cho mạng học sâu 115 Bảng 5.5 Kết quả hiệu suất phân loại trong trường hợp dùng mạng học sâu 117 Bảng 5.6 Bảng thống kê độ chính xác của bộ phân loại bệnh tim của các công trình

nghiên cứu trước đây với dài của một nhịp tim khác nhau 118

Bảng 5.7 Kết quả so sánh hiệu suất phân loại bệnh tim trong trường hợp chiều dài

một nhịp tim khác nhau 120

Bảng 5.8 Kết quả so sánh hiệu suất phân loại bệnh tim trong trường hợp sử dụng các

hàm wavelet khác nhau 121

Bảng 5.9 So sánh độ chính xác phân loại bệnh tim sử dụng mạng học sâu đề xuất

với các công trình nghiên cứu khác 123

CHƯƠNG 1:

TỔNG QUAN

1.1 TÍNH CẤP THIẾT CỦA ĐỀ TÀI LUẬN ÁN

Tim là một bộ phân có liên quan đến sức khỏe của con người Tỷ lệ mắc bệnh tim mạch đã tăng lên rất cao trong những năm gần đây ở trên thế giới nói chung và Việt Nam nói riêng [1, 2] Hơn nữa, bệnh tim mạch là một trong những nguyên nhân gây tử vong hàng đầu tại Việt Nam và trên thế giới Đặc biệt, số lượng bệnh nhân sống tại các thành thị của Việt Nam mắc bệnh tim mạch đang ngày càng gia tăng Bên cạnh các bệnh tim bẩm sinh, những bệnh tim do tác nhân bên ngoài như mỡ trong máu, cholestoral tăng cao và nhiều bệnh tim khác đang dần trở thành mãn tính và đe dọa tính mạng bệnh nhân Theo kết quả thống kê vào năm 2015 thì 20% dân số Việt Nam bị bệnh tim mạch, tăng huyết áp, còn trên thế giới bệnh tim mạch làm cho 17,9 triệu người chết mỗi năm và dự kiến đến năm 2030 thì con số này lên đến 23,6 triệu người [3], trong khi có 1/3 số người chết ở Việt Nam là do bị bệnh tim mạch được thống kê vào năm 2018

Tín hiệu điện tim ECG ghi lại quá trình thay đổi dòng điện của tim khi tim hoạt động và dựa vào đó có thể chẩn đoán các loại bệnh tim mạch Tín hiệu điện tim ECG có biên độ rất nhỏ và thời gian thay đổi cũng nhỏ Hơn nữa, một số đặc trưng của các loại bệnh trong tín hiệu điện tim rất khó phát hiện bằng mắt thường Vì vậy, một công cụ máy tính có cài đặt phần mềm xử tín hiệu điện tim và chẩn đoán bệnh tim thì có thể giúp bác sĩ chẩn đoán dễ dàng hơn Các loại bệnh lý liên quan đến tim mạch cũng rất đa dạng và phức tạp, gây rất nhiều khó khăn cho việc chẩn đoán, phân loại và điều trị [4, 5] Vấn đề xây dựng một công cụ để phân loại chính xác các loại bệnh tim dựa vào tín hiệu điện tim ECG là một yêu cầu rất cần thiết nhằm giúp các

bác sĩ có thể chẩn đoán sớm và tìm ra các bệnh tim khác nhau Với kết quả phân loại bệnh bằng máy tính với độ chính xác cao có thể giúp cho bác sĩ dễ dàng hơn trong việc đưa ra những chẩn đoán chính xác về tình trạng bệnh nhằm điều trị bệnh tốt hơn

Cơ sở dữ liệu của tín hiệu điện tim ECG hiện tại đã được công bố trên các website và được nhiều nhà nghiên cứu sử dụng Tuy nhiên, cùng một loại bệnh, nhưng với từng bệnh nhân khác nhau thì dữ liệu điện tim cũng rất khác nhau, điều đó làm cho việc phân loại bệnh tim từ tín hiệu điện tim trở nên khó khăn hơn Hơn nữa, dữ liệu điện tim của từng loại bệnh tim có sự chênh lệch, điều đó làm ảnh hưởng đến kết quả nhận dạng các loại bệnh tim dựa vào tín hiệu điện tim Trong điều kiện cơ sở dữ liệu như vậy, một thuật toán để tiền xử lý và chuẩn hóa dữ liệu nhằm nâng cao hiệu suất phân loại bệnh tim là cần thiết

Tín hiệu ECG sau khi thu được, ngoài việc chứa đựng thông tin cần thiết thì cũng mang rất nhiều thành phần nhiễu, mà nguyên nhân có thể là do tâm lý người bệnh lúc đo, do nguồn điện cung cấp, do kết nối đầu dò tín hiệu, do đường cơ sở tín hiệu bị trôi, do thiết bị đo hoặc những yếu tố khác Vì vậy, tiền xử lý tín hiệu điện tim

để loại bỏ những thành phần nhiễu không mong muốn là công việc rất quan trọng nhưng cũng rất khó khăn trong phân tích tín hiệu

Mặc dù có rất nhiều kỹ thuật đã được các nhà khoa học sử dụng cho việc xử

lý tín hiệu điện tim trước đây Tuy nhiên, vẫn còn rất nhiều thử thách trong xử lý tín hiệu điện tim và phân loại bệnh tim dựa vào tín hiệu điện tim mà nguyên nhân gồm nhiều yếu tố được mô tả như sau [6]:

1 - Tính biến đổi của đặc trưng tín hiệu ECG, nhịp tim của từng cá nhân khác nhau thì mang những đặc trưng khác nhau mặc dù họ bị chung một loại bệnh, chưa

kể đến vấn đề nhịp tim của mỗi cá nhân cũng biến đổi theo từng thời điểm sinh lý và tinh thần khác nhau

2 - Không tồn tại 1 quy luật phân loại tối ưu nào cho việc phân loại bệnh tim dùng tín hiệu ECG, mặc dù đã có nhiều phương pháp được sử dụng nhưng hiện tại chưa có một thuật toán nào là tối ưu cho việc phân loại bệnh

3 - Tính phức tạp trong tín hiệu ECG, một tín hiệu ECG thông thường chỉ bao gồm các đỉnh P, Q, R, S, T, và U, tuy nhiên trên thực tế thì một tín hiệu ECG thông thường có thể bao gồm hàng nghìn các đỉnh và các đỉnh này có thể có dạng khác nhau

là cho việc trích xuất đặc trưng sẽ khó khăn

4 - Xây dựng một bộ phân loại tín hiệu ECG theo thời gian thực là vấn đề rất khó khăn bởi vì trên tín hiệu ECG tồn tại rất nhiều tham số

❖ CÁC KẾT QUẢ TRONG VÀ NGOÀI NƯỚC ĐÃ ĐƯỢC CÔNG BỐ:

Với những hệ lụy rất lớn của bệnh tim mạch, đã có nhiều công trình nghiên cứu trong và ngoài nước về phân tích tín hiệu điện tim cũng như xây dựng phương pháp phân loại bệnh tim đã được công bố cả trong và ngoài nước Dưới đây trình bày tóm lượt một số kết quả nghiên cứu đã được thực hiện trong ngoài nước

Trong luận án tiến sĩ với đề tài “Phân tích tín hiệu loạn nhịp tim” được

thực hiện năm 2014 bởi tác giả Chử Đức Hoàng [7], tác giả đã phân tích các đặc điểm của tín hiệu loạn nhịp tim dùng tín hiệu điện tim ECG Cụ thể, tác giả đề xuất cải tiến phương pháp xác định phức hợp QRS do Pan Hamilton và Tompkins đưa ra để xác định phức hợp QRS Hơn nữa, tác giả cũng đề xuất xây dựng giải thuật phân tích khử khuynh hướng động tín hiệu động đa trị Multi Detrended Fluctuation Analysis để phát hiện các hiện tượng bất thường của bệnh nhân bị loạn nhịp tim Trong luận án này, tác giả đã xây dựng véc tơ chuẩn hóa RR từ dữ liệu điện tim Véc tơ này được kết hợp với giải thuật phân tích khử khuynh hướng động để xây dựng mô hình thu nhận, xử lý, phân tích và trợ giúp chẩn đoán sớm các triệu chứng về loạn nhịp tim Kết quả độ chính xác của bộ phân loại trong nghiên cứu này đạt được 89%

Luận án tiến sĩ của tác giả Nguyễn Đức Thảo với tựa đề là “Nâng cao chất lượng nhận dạng tín hiệu điện tim dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh” thực hiện năm 2016 tập trung vào nhận dạng tín hiệu điện tim

[8] Cụ thể, tác giả sử dụng các bộ lọc để loại bỏ thành phần nhịp thở trong tín hiệu điện tim, tín hiệu sau khi đã lọc sẽ được đưa vào mạng nơ-ron logic mờ TSK (Takaga – Sugeno – Kang) để nhận dạng các loại bệnh tim Trong luận án này, tác giả đề xuất

phương pháp bổ sung 2 thông tin từ nhịp thở vào tín hiệu điện tim để cải thiện độ chính xác của quá trình nhận dạng tín hiệu ECG Hơn nữa, tác giả cũng sử dụng mô hình mạng TSK để nhận dạng tín hiệu ECG với 4 kịch bản khác nhau Kết quả nhận dạng tốt nhất thu được là 96.6% cho trường hợp nhận dạng 3 loại bệnh khác nhau

Luận án tiến sĩ của tác giả Phạm Văn Nam với đề tài “Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp” được bảo vệ năm 2018 đã nghiên cứu xây dựng một bộ nhận dạng kết hợp

nhằm nâng cao độ chính xác của việc phân loại tín hiệu loạn nhịp tim Cụ thể, đề tài này sử dụng thuật toán cây quyết định được kết hợp từ các bộ phân loại dùng phương pháp mạng nơ-ron truyền thẳng nhiều lớp MLP, phương pháp máy véc tơ hỗ trợ SVM,

và phương pháp rừng ngẫu nhiên RF [9] để phân loại các loại bệnh tim Trong đó, ngõ ra của các bộ phân loại MLP, SVM và RF sẽ được đưa vào bộ phân loại cây quyết định để quyết định loại bệnh tim tương ứng với tín hiệu nhịp tim Kết quả độ chính xác nhận dạng bệnh tim thu được của hệ thống được đề xuất là 98.76%

Mặc dù các nghiên cứu trong nước về tín hiệu điện tim cũng như phân loại bệnh tim từ tín hiệu là tương đối hạn chế, các nghiên cứu ngoài nước về lĩnh vực phân loại bệnh tim từ tín hiệu điện tim được thực hiện phong phú hơn Trong tài liệu tham khảo [10], tác giảR Rodríguez và các cộng sự đã đề xuất phương pháp ngưỡng thích nghi kết hợp với phương pháp phân tích thành phần chính PCA để trích đặc trưng của tín hiệu điện tim ECG Trong đó, các tác giả tập trung vào việc trích thành phần đặc trưng của phức hợp QRS như là một đặc trưng của tín hiệu điện tim ECG Cụ thể, thành phần phức hợp QRS được trích sử dụng biến đổi Hilbert và kết hợp với thuật toán PCA dựa trên kỹ thuật ngưỡng thích nghi để trích thành phần đặc trưng của tín hiệu ECG Kết quả thu được của nghiên cứu này là xác định được phức hợp QRS trong tín hiệu điện tim

Hơn nữa, trong [11], Saeed Mian Qaisar và các cộng sự đã thiết kế một hệ thống phân loại bệnh tim sử dụng kết hợp phép biến đổi wavelet và thuật toán phân loại rừng ngẫu nhiên RF Trong đó, thuật toán biến đổi wavelet được áp dụng để phân

tích tín hiệu điện tim nhằm loại bỏ nhiễu và trích đặc trưng Các đặc trưng này được phân loại dựa vào thuật toán rừng ngẫu nhiên Kết quả độ chính xác phân loại của hệ thống này là 97%

Trong nghiên cứu [12], Taiyong Li và các cộng sự đã đề xuất phương pháp wavelet packet entropy để lựa chọn đặc trưng trong tín hiệu ECG cho việc phân loại các loại bệnh tim Cụ thể, tín hiệu nhịp tim từ tập dữ liệu điện tim MIT-BIH ECG được phân tích dùng phương pháp wavelet packet để thu được các hệ số sau khi phân tích Phương pháp entropy được sử dụng cho các hệ số sau khi phân tích để thu được các đặc trưng của tín hiệu điện tim Hơn nữa, thông tin của khoảng cách hai đỉnh RR trong phức hợp QRS cũng được sử dụng như là một đặc trưng Bộ phân loại rừng ngẫu nhiên được sử dụng để phân loại các đặc trưng của tín hiệu nhịp tim ở trên nhằm đánh giá hiệu quả của phương pháp trích đặc trưng Độ chính xác của bộ phân loại bệnh tim thu được là 94.61 % cho trường hợp phân loại 5 loại bệnh tim

Hongqiang Li và các cộng sự [13] đã đề xuất một hệ thống phân loại bệnh tim kết hợp giữa thuật toán phân tích dùng wavelet để trích đặc trưng của tín hiệu và mạng nơ-ron GA-BPNN để phân loại bệnh tim Cụ thể, tín hiệu điện tim được phân

rã sử dụng phép biến đổi wavelet để trích đặc trưng các loại bệnh tim từ tín hiệu nhịp tim Phương pháp GA được áp dụng để giảm chiều của tập dữ liệu đặc trưng và tối

ưu hóa các trọng số và độ lệch của mạng nơ-ron Trong nghiên cứu này, 48 đặc trưng của một tín hiệu nhịp tim thu được từ phép biến đổi wavelet Phương pháp GA được

áp dụng để giảm số lượng đặc trưng từ 48 xuống 25 đặc trưng trước khi đưa vào mạng BPNN để phân loại bệnh Mặc dù số lượng đặc trưng được giảm gần 50% trong nghiên cứu này, tuy nhiên độ chính xác phân loại thu được chỉ đạt 97.78%

Phương pháp biến đổi wavelet rời rạc kết hợp với bộ mã hóa rời rạc sparse autoencoder và bộ phân loại Softmax đã được Di Wang và các cộng sự [14] đề xuất

để phân loại bệnh tim Cụ thể, tín hiệu nhịp tim gốc trước tiên được chuyển đổi sang miền wavlet ở mức 9 dùng hàm daubechies (db2) nhằm thu được các hệ số wavelet

Từ đó, phương pháp ngưỡng mềm được áp dụng để loại bỏ các thành phần nhiễu

không mong muốn và giữ lại các thành phần thông tin cần thiết Tiếp theo, một bộ

mã hóa rời rạc dùng mạng nơ-ron với 2 lớp ẩn được áp dụng để học các đặc trưng của tín hiệu nhịp tim đã được lọc nhiễu Cuối cùng, một bộ phân loại Softmax được sử dụng để phân loại các loại bệnh tim Tập dữ liệu điện tim MIT-BIH được sử dụng để kiểm tra hiệu quả của phương pháp được đề xuất, kết quả thu được là độ chúng xác phân loại bệnh tim đạt 96.82% Trong nghiên cứu này, ưu điểm là mạng nơ-ron được

áp dụng có cấu trúc khá đơn giản, tuy nhiên độ chính xác phân loại bệnh tim thu được

là không cao và cần được cải thiện thêm

Trong nghiên cứu [15], Shu Lih Oh và các cộng sự đã đề xuất một hệ thống mạng học sâu kết hợp CNN và LSTM để trích đặc trưng và phân loại bệnh tim tự động Trong nghiên cứu này, tín hiệu nhịp tim được cắt với chiều dài 260 mẫu từ dữ liệu gốc mà không qua bộ lọc Một hệ thống mạng học sâu kết hợp CNN và LSTM với 10 lớp được áp dụng để trích đặc trưng và phân loại các loại bệnh tim Độ chính xác phân loại bệnh tim thu được của hệ thống là 98.10% đối với tập dữ liệu điện tim MIT-BIH Ưu điểm của hệ thống này là tín hiệu điện tim không cần qua bộ lọc để loại bỏ nhiễu, nên thời gian xử lý được rút ngắn Tuy nhiên, khi độ chính xác của việc phân loại bệnh tim cần được quan tâm hàng đầu thì độ chính xác phân loại vẫn cần được cải thiện Bằng cách thêm vào khối tiền xử lý để lọc nhiễu tín hiệu thì có thể nâng cao độ chính xác của hệ thống phân loại

Yong Xia và các cộng sự [16] đã đề xuất hệ thống kết hợp biến đổi Fourier trong thời gian ngắn STFT với bến đổi wavelet để chuyển tín hiệu điện tim từ kiểu

dữ liệu 1 chiều sang kiểu dữ liệu 2 chiều Từ đó, một mạng học sâu được áp dụng để phân loại các loại bệnh tim Cụ thể, tín hiệu điện tim được lọc nhiễu với bộ lọc thông dãi bậc 10 và tần số dãi thông là 0.5 Hz – 50 Hz Tín hiệu điện tim sau đó được cắt

ra thành từng đoạn để đưa vào bộ biến đổi STFT và wavelet nhằm xây dựng ma trận tín hiệu nhịp tim cho phù hợp với cấu trúc mạng học sâu dùng để phân loại ảnh Từ

đó, một mạng học sâu với tất cả 10 lớp với 2 lớp tích chập có kích thước kernel lần lược là 3x11 và 2x11 được áp dụng để phân loại bệnh tim Trong hệ thống này, ưu điểm là tín hiệu điện tim 1 chiều được áp dụng biến đổi STFT và wavelet để chuyển

sang ma trận 2 chiều giống như ảnh nhằm áp dụng các mạng phân loại ảnh đã được nghiên cứu trước đây Tuy nhiên kích thước các kernel được chọn theo kiểu phân loại ảnh nên hiệu suất phân loại chỉ đạt được 98.63%

Trong một nghiên cứu khác, Yinsheng Ji và các cộng sự [17] đã đề xuất một

hệ thống phân loại bệnh tim dùng mạng học sâu Faster R-CNN Cụ thể, tín hiệu điện tim được lọc bỏ nhiễu dùng thuật toán phân rã dựa vào chế độ thực nghiệm Sau đó, tín hiệu nhịp tim được chuyển từ dạng tín hiệu 1 chiều sang ảnh 2 chiều để đưa vào mạng trích đặc trưng và phân loại bệnh tim Một mạng học sâu Faster R-CNN đã được áp dụng để phân loại các loại bệnh tim và kết quả độ chính xác phân loại bệnh tim thu được là 99.21% Tuy nhiên, trong nghiên cứu này, dạng sóng của tín hiệu điện tim 1D được chuyển sang ảnh 2D để phân loại bệnh, điều này không phù hợp cho điều kiện thực tế về tín hiệu điện tim một chiều trong thực tế

Tuy đã có nhiều nghiên cứu về phân loại bệnh tim được thực hiện ở ngoài nước, nhưng các nghiên cứu trong nước về tín hiệu điện tim và phân loại tín hiệu điện tim sử dụng các kỹ thuật hiện đại ngày nay là tương đối hạn chế Cùng với nhu cầu thực tiễn cũng như tính cấp bách của việc phân loại bệnh tim như đã được phân tích

ở trên, tác giả đã chọn hướng nghiên cứu về phân loại bệnh tim dựa trên tín hiệu điện

tim ECG với tên luận án cụ thể là “Phân tích tín hiệu điện tim cho việc cải thiện trong chẩn đoán bệnh tim”

❖ CẤU TRÚC HỆ THỐNG PHÂN LOẠI BỆNH TIM

Xử lý tín hiệu ECG cho việc phân loại bệnh nhân bị bệnh tim mạch thực sự

là một thử thách lớn đối với các nhà khoa học Một hệ thống xử lý tín hiệu ECG cho

dù sử dụng phương pháp nào thì cũng trải qua các bước cơ bản như hình 1.1 Đối với mỗi phương pháp được các nhà khoa học nghiên cứu và đề xuất, có thể có những khối được kết hợp lại với nhau hoặc không được thể hiện một cách rõ tàng Tuy nhiên, một hệ thống xử lý tín hiệu điện tim ECG để phân loại bệnh tim thông thường sẽ bao gồm một tập tín hiệu điện tim ECG ở ngõ vào, tiếp đến là bộ tiền xử lý để loại bỏ những thành phần nhiễu không mong muốn cũng như chuẩn hóa lại dữ liệu, tiếp theo

sẽ là khối trích đặc trưng để trích các đặc trưng của tín hiệu nhịp tim nhằm sử dụng cho việc huấn luyện và kiểm tra hệ thống phân loại bệnh tim, sau khi trích đặc trưng thì khối tiếp theo sẽ là giảm chiều dữ liệu để giảm bớt thời gian xử lý của hệ thống,

và cuối cùng là một bộ phân loại bệnh tim với các phương pháp đánh giá hiệu suất của bộ phân loại bệnh tim đi kèm theo

Các loại

bệnh tim

Tiền xử lý tín hiệu ECG

Trích đặc trưng và giảm chiều

dữ liệu

Phân loại bệnh tim

Tín hiệu

ECG

Hình 1.1 Sơ đồ xử lý cho việc phân loại bệnh tim từ tín hiệu điện tim ECG

Trong hệ thống phân loại bệnh như đề cập ở hình 1.1, tập tín hiệu điện tim ECG là khối đầu tiên trong quá trình xử lý cho việc phân loại bệnh tim Để xây dựng được một bộ phân loại tốt với hiệu suất phân loại bệnh có độ chính xác cao thì cần có một tập tín hiệu ECG ở ngõ vào đa dạng, chuẩn hóa và trung thực nhất Trong luận

án này xử dụng tập dữ liệu có sẵn trên mạng được dùng để nghiên cứu chung của các nhà khoa học, do vậy luận án tập trung cải thiện ở các công đoạn tiếp theo Cụ thể, luận án sẽ tập trung nghiên cứu và cải thiện khối tiền xử lý và lọc nhiễu của tín hiệu điện tim Một phương pháp lọc nhiễu sẽ được nghiên cứu và đề xuất nhằm loại bỏ các thành phần nhiễu của tín hiệu điện tim Sau đó, phương pháp trích đặc trưng sẽ được phát triển nhằm trích được các thành phần bệnh tim đặc trưng nhất cho việc phân loại bệnh Cuối cùng, bộ phân loại sẽ được sử dụng kết hợp để đánh giá hiệu quả của quá trình trích đặc trưng

1.2 MỤC TIÊU NGHIÊN CỨU CỦA LUẬN ÁN

Với những thử thách trong quá trình phân loại bệnh tim và trên cơ sở những kết quả điều tra được từ những công trình nghiên cứu trước đây, mục tiêu và mong muốn đạt được của luận án này bao gồm:

1 - Xây dựng một phương pháp lọc nhiễu của tín hiệu điện tim và chuẩn hóa tín hiệu để phục vụ cho việc trích đặc trưng và phân loại nhằm nâng cao độ chính xác phân loại Trước tiên, các thành phần cơ bản của một tín hiệu điện tim ECG cũng như các thành phần đặc trưng khác nhau trên từng loại bệnh tim khác nhau được phân tích chi tiết Từ đó xây dựng một bộ lọc nhiễu tín hiệu điện tim và trích các thành phần đặc trưng cũng như giảm chiều của tín hiệu điện tim nhằm thu được thành phần tín hiệu mang được nhiều thông tin nhất với ít ảnh hưởng của nhiễu nhất

2 - Đề xuất một hệ thống trích đặc trưng kết hợp với bộ phân loại để phân loại các loại bệnh tim từ tín hiệu điện tim đã được lọc nhiễu Cụ thể, hệ thống trích đặc trưng sẽ được nghiên cứu đề xuất để trích các đặc trưng của các loại bệnh tim trên tín hiệu nhịp tim Từ đó, một bộ phân loại sẽ được phát triển để phân loại các loại bệnh tim từ các đặc trưng đã trích được Hơn nữa, hệ thống xử lý tín hiệu và trích đặc trưng để phân loại bệnh có kết quả phân loại với độ chính xác cao Từ kết quả thu được của luận án, bác sĩ có thể sử dụng kết quả phân loại bệnh tim từ hệ thống để làm kết quả tham chiếu nhằm chẩn đoán sớm và chính xác hơn để có giải pháp điều trị hợp lí cho các bệnh nhân

1.3 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU

Đối tượng nghiên cứu: các đối tượng chính được nghiên cứu trong luận án

gồm có dữ liệu của tín hiệu điện tim với nhiều loại bệnh khác nhau đã được tải và xây dựng thành bộ dữ liệu chuẩn cho việc nghiên cứu, phần mềm Matlab và Python để lập trình xử lý cũng như phân loại bệnh tim, các phương pháp đánh giá hiệu suất của

bộ phân loại bệnh tim cũng được áp dụng

Phạm vi nghiên cứu: luận án chỉ tập trung nghiên cứu và phân loại trong

phạm vi 05 loại bệnh tim và đã được công bố sẵn có với bộ dữ liệu đi kèm được nhiều

nhà khoa học nghiên cứu và công nhận Từ đó luận án tập trung thiết kế bộ xử lý và phân loại các loại bệnh tim trong tập tín hiệu điện tim ECG này

1.4 CÁCH TIẾP CẬN VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Dựa trên đối tượng nghiên cứu, cũng như mục tiêu đã được đặc ra của luận

án Cách tiếp cận và phương pháp nghiên cứu trong luận án này được mô tả theo từng bước cụ thể như bên dưới:

- Phương pháp khảo sát lý thuyết: tìm hiểu, phân tích và tổng hợp các cơ sở

lý thuyết liên quan đến luận án cũng như tổng hợp phương pháp và kết quả của các công trình nghiên cứu trước đó đã được công bố trong và ngoài nước về xử lý và phân loại bệnh tim Từ những cơ sở lý thuyết được khảo sát và phân tích sẽ là tiền đề cho việc xây dựng bài toán nghiên cứu

- Phương pháp tính toán, thiết kế và hiệu chỉnh: từ những lý thuyết liên quan được khảo sát, một hệ thống sẽ được tính toán và thiết kế để phân loại bệnh tim Quá trình thiết kế sẽ được kiểm tra và hiệu chỉnh để đạt được kết quả tốt nhất

- Phương pháp mô phỏng: từ hệ thống lọc nhiễu tín hiệu, hệ thống trích đặc trưng hay hệ thống phân loại bệnh tim được thiết kế, viết chương trình xử lý và mô phỏng việc phân loại bệnh tim để thu thập kết quả, tập dữ liệu mô phỏng được sử dụng bởi các nhà khoa học trên thế giới nên có độ tin cậy cao

- Phương pháp phân tích và tổng hợp: tổng hợp kết quả đã đạt được trong luận án và so sánh với các kết quả đã được công bố trước đó để bình luận và phân tích ưu nhược điểm của phương pháp được đề xuất trong luận án

1.5 ĐÓNG GÓP VỀ KHOA HỌC CỦA LUẬN ÁN

❖ Đóng góp mới về khoa học của luận án

Với mục tiêu ban đầu đặt ra là phân tích tín hiệu điện tim ECG để cải thiện trong chẩn đoán bệnh tim, mục tiêu cụ thể là phân loại chính xác các loại bệnh tim để

có thể giúp cho bác sĩ chẩn đoán sớm và chính xác hơn các loại bệnh tim trên bệnh nhân Từ đây, bác sĩ có thể đưa ra phát đồ điều trị tốt hơn Vì vậy, những đóng góp mới về mặt khoa học của luận án gồm:

- Đề xuất giải thuật WDFR để lọc các thành phần nhiễu của tín hiệu điện tim

Cụ thể, phương pháp phân tích tín hiệu sử dụng phép biến đổi wavelet kết hợp với các ngưỡng cứng và ngưỡng mềm được sử dụng để loại bỏ nhiễu của tín hiệu điện tim Đồng thời, hàm wavelet phù hợp nhất cho việc loại bỏ nhiễu của tín hiệu điện tim cũng được khảo sát và kiến nghị Hơn nữa, thuật toán Pan-Tompkin còn được cải tiến để xác định vị trí đỉnh R trong phức hợp QRS của tín hiệu điện tim nhằm tách tín hiệu điện tim thành từng nhịp tim

- Đề xuất giải thuật trích đặc trưng trên tín hiệu điện tim ứng dụng kernel kết hợp với phép biến đổi wavelet và phương pháp phân tích thành phần chính wkPCA Các đặc trưng sau khi trích sẽ được đưa vào mạng nơ-ron truyền thẳng nhiều lớp để phân loại các loại bệnh Hệ thống được đề xuất sẽ được kiểm chứng trên tập dữ liệu điện tim đã được công bố bởi các nhà khoa học

- Đề xuất một mạng học sâu bao gồm các lớp tích chập kết hợp với các lớp kết nối đầy đủ để trích đặc trưng và phân loại bệnh tim ngay trong cấu trúc mạng Cụ thể, các lớp tích chập được thiết kế để trích đặc trưng của các loại bệnh trên tín hiệu điện tim đầy đủ hơn nhằm nâng cao hiệu suất phân loại bệnh tim, các đặc trưng này

sẽ được đưa vào các lớp kết nối đầy đủ để phân loại các loại bệnh tim Hơn nữa, một phương pháp tính các kích thước của các kernel trong các lớp tích chập trong mạng học sâu dựa vào các dạng sóng con trong tín hiệu nhịp tim cũng được đề xuất nhằm nâng cao độ chính xác của việc phân loại bệnh tim

❖ Ý nghĩa thực tiễn của luận án

Ý nghĩa thực tiễn của luận án là xây dựng công cụ phù hợp cho việc phân loại bệnh tim để thu được độ chính xác phân loại tốt nhất Mạng phân loại bệnh tim được đề xuất còn có thể được áp dụng để xây dựng một hệ thống chẩn đoán bệnh tim

từ xa thông qua ứng dụng internet và máy tính chủ Cụ thể, một hệ thống máy tính

chủ sẽ được xây dựng, bác sĩ có thể đưa tín hiệu điện tim vào hệ thống và nhận được kết quả dự đoán về tình trạng bệnh của tim Từ đó, kết quả nghiên cứu của luận án có thể giúp bác sĩ có được công cụ hỗ trợ nhằm chẩn đoán sớm để điều trị bệnh tim tốt nhất có thể cho bệnh nhân Điều này có ý nghĩa rất lớn trong việc phát hiện sớm bệnh tim cũng như có thể điều trị sớm các bệnh lý liên quan đến tim Hơn nữa, những kết quả nghiên cứu còn có ý nghĩa thực tiễn trong việc áp dụng và xây dựng một hệ thống chẩn đoán bệnh tim từ xa dùng máy tính chủ có kết nối internet Với hệ thống này thì bác sĩ có thể tải dữ liệu điện tim lên hệ thống và nhận về kết quả chẩn đoán từ hệ thống mạng Đồng thời, kết quả còn được áp dụng để giảng dạy cho các sinh viên chuyên ngành kỹ thuật y sinh tại Bộ Môn Điện Tử Công Nghiệp – Y Sinh của Trường Đại Học Sư Phạm Kỹ Thuật Tp.HCM

1.6 CẤU TRÚC CỦA LUẬN ÁN

Chương 2: Cơ sở lý thuyết, chương này trình bày tóm tắt các cơ sở lý thuyết

đã được sử dụng để xử lý và phân loại bệnh tim từ tín hiệu điện tim ECG Hơn nữa, tập dữ liệu điện tim sử dụng trong luận án cũng được trình bày rõ trong chương này

Chương 3: Giải thuật WDFR cho lọc nhiễu của tín hiệu điện tim và tách nhịp tim, chương này trình bày giải thuật WDFR được đề xuất để lọc nhiễu của tín

hiệu điện tim Cụ thể, hệ thống áp dụng thuật toán wavelet để phân rã tín hiệu thành các thành phần sóng con Phương pháp ngưỡng sẽ được áp dụng để lọc nhiễu trên các thành phần sóng con này Sau đó, các thành phần sóng con đã lọc nhiễu sẽ được khôi phục lại thành tín hiệu ECG mới Hơn nữa, tín hiệu điện tim sau khi lọc nhiễu sẽ được

sử dụng để xác định vị trí đỉnh R của phức hợp QRS và từ đó làm cơ sở để tách từng nhịp tim từ tín hiệu nhịp tim nhằm phục vụ cho trích đặc trưng và phân loại ở các chương phía sau của luận án

Chương 4: Trích đặc trưng tín hiệu điện tim dùng giải thuật wkPCA cho phân loại bệnh, chương này trình bày giải thuật wkPCA được đề xuất để trích các

đặc trưng của các loại bệnh trên tín hiệu nhịp tim Hơn nữa, một mạng nơ-ron truyền

thẳng bốn lớp gồm ba lớp ẩn và một lớp ngõ ra sẽ được sử dụng để phân loại các loại bệnh tim đã được trích ở trước Hiệu suất của bộ phân loại được đánh giá dựa vào ma trận nhầm lẫn và đồ thị đường cong ROC Kết quả hệ hiệu suất phân loại theo phương pháp được đề xuất cũng sẽ được trình bày chi tiết

Chương 5: Tính toán kích thước kernel của các lớp tích chập trong mạng học sâu cho phân loại bệnh tim và ứng dụng mạng đề xuất vào hệ thống phân loại bệnh từ xa, chương này trình bày cấu trúc một mạng học sâu được đề xuất để

phân loại bệnh tim Một phương pháp tính các kích thước của các kernel trong các lớp tích chập của mạng học sâu được đề xuất nhằm nâng cao độ chính xác của quá trình phân loại Cụ thể, một mạng học sâu với bảy lớp tích chập kết hợp với bốn lớp mạng kết nối đầy đủ sẽ được sử dụng để trích đặc trưng và phân loại các loại bệnh tim Trong đó, các lớp tích chập được thiết kế để trích đặc trưng và các lớp kết nối đầy đủ sẽ được sử dụng để phân loại bệnh Hiệu quả của hệ thống được đề xuất cũng được kiểm chứng trên tập dữ liệu đã giới thiệu ở chương 2 và các kết quả được trình bày chi tiết Hơn nữa, một hệ thống chẩn đoán bệnh từ xa cũng được thiết kế sử dụng

hệ thống mạng học sâu đã được đề xuất để phát triển nhằm hỗ trợ bác sĩ cũng như bệnh nhân nhận được thông tin bệnh tim từ tín hiệu điện tim thông qua internet

Chương 6: Kết luận và hướng phát triển, chương này trình bày tóm lược

những kết quả đã đạt được của luận án và những hướng phát triển tiếp theo của luận

áp trong thời gian tới

CHƯƠNG 2:

CƠ SỞ LÝ THUYẾT

Chương này sẽ trình bày về những vấn đề liên quan đến tín hiệu điện tim và các phương pháp xử lý tín hiệu cũng như phân loại bệnh tim Cụ thể, từ các đặc điểm của tín hiệu điện tim và các nguồn dữ liệu của bệnh tim, những phương pháp xử lý lọc, trích đặc trưng của tín hiệu điện tim từ nhiều nghiên cứu khác nhau được trình bày Hơn nữa, những phương pháp phân loại khác nhau dựa vào các đặc trưng đã được áp dụng để phân loại các bệnh tim và đánh giá độ chính xác của phân loại cũng

sẽ được tóm lược

2.1 TỔNG QUAN VỀ TÍN HIỆU ĐIỆN TIM

Tín hiệu điện tim ECG là một đường cong ghi lại các biến thiên của các điện

áp do tim phát ra trong hoạt động co bóp Điện áp đó rất nhỏ, chỉ tính bằng mV nên rất khó ghi nhận Cho đến năm 1903, Einthoven mới lần đầu ghi lại được điện tim bằng một điện kế có đầy đủ độ nhạy Phương pháp ghi điện tim cũng giống như cách ghi các đường cong biến thiên tuần hoàn khác, người ta cho dòng điện tim tác động lên một bút ghi làm bút này dao động đều với một tốc độ nào đó để ghi lại tín hiệu lên giấy Ngày nay, người ta đã sáng chế ra rất nhiều loại máy ghi tín hiệu điện tim với độ chính xác cao và tiện lợi Các loại máy ngày nay có thể in dạng sóng nhịp tim lên giấy, có thể hiển thị dạng sóng ra màn hình hoặc ghi lại giá trị dữ liệu điện tim vào máy tính để phục vụ mục đích nghiên cứu Ngoài ra, chúng còn có thể có một hay nhiều dòng máy khác nhau, ghi đồng thời được nhiều chuyển đạo cùng một lúc, ghi điện tim liên tục 24 giờ trên băng của một máy nhỏ gắn vào người được gọi là Cardiocassette Type Holter

Tín hiệu điện tim được thu thập không những giúp đỡ bác sĩ chẩn đoán và điều trị những bệnh lý liên quan đến tim mạch mà còn giúp các nhà khoa học nghiên cứu và phân tích để hạn chế tác hại của bệnh tim mạch ở con người Một tín hiệu điện tim bao gồm một số nhịp đập và mỗi nhịp đập bao gồm các thành phần sóng P, phức hợp QRS, sóng T và sóng U Mỗi đỉnh P, Q, R, S, T và U, khoảng thời gian PR, RR, QRS và ST và các phân đoạn PR và ST là các thành phần cơ bản của một nhịp tim Các thành phần này được xem là các thành phần đặc trưng của các tín hiệu điện tim ECG và chúng có những giá trị biên độ hoặc thời gian khác nhau với từng loại bệnh khác nhau hoặc với những bệnh nhân khác nhau Chi tiết của các thành phần này được mô tả như hình 2.1 ở dưới [18] Tuy nhiên, mỗi một đặc trưng chứa đựng một hoặc nhiều thông tin khác nhau Vì vậy, trên một nhịp tim thực tế, một tín hiệu nhịp tim thông thường có thể sẽ không mang đủ hết các thành phần này, đặc biệt là thành phần sóng U thường ít xuất hiện Hơn nữa, do ảnh hưởng của các thành phần nhiễu

mà các thành phần sóng này sẽ không được thể hiện rõ Do đó, việc trích đặc trưng của tín hiệu điện tim là làm sao để lấy được các thành phần tồn tại và ổn định nhất

trong tín hiệu điện tim để đại diện cho các loại bệnh lý khi phân loại

Hình 2.1 Các thành phần cơ bản chứa đựng trong một nhịp tim

Như mô tả ở trên, các thành phần cơ bản của một nhịp tim gồm sóng P, phức hợp QSR, sóng T, và sóng U với hình dạng, thời gian kéo dài của sóng phức hợp và

cả thời gian giữa các thành phần với nhau đều có ý nghĩa đặc biệt quan trọng trong việc chẩn đoán bệnh tim Quá trình cấu thành của các sóng và đặc điểm của từng thành phần được mô tả chi tiết như bảng 2.1 Mặc dù được mô tả khoảng thời gian khác nhau tương ứng với từng thành phần đặc trưng cơ bản, tuy vậy các khoảng thời gian này không được thể hiện một cách rõ ràng với từng loại bệnh Cụ thể, khoảng thời gian các đặc trưng của một người có bệnh lại có thể bằng với các khoảng thời gian của một người khác không có bệnh Vì vậy, vấn đề phân loại bệnh chỉ dựa vào các đặc trưng thời gian này là rất khó khăn Do đó, khi trích đặc trưng tín hiệu ECG thì thông thường ngoài tham số về thời gian thì hình dạng của các thành phần trong tín hiệu cũng được xem xét Ngoài ra, sự chênh lệch về thời gian giữa các nhịp tim của cùng một bệnh nhân hoặc giữa các bệnh nhân khác nhau cũng làm ảnh hưởng đến kết quả phân loại Vì vậy, khi trích đặc trưng các thành phần trong tín hiệu điện tim thì ta thường kết hợp trích xuất đặc trưng trong cả miền không gian lẫn miền tần số Dưới đây trình bày tóm lượt các sóng đặc trưng trên tín hiệu điện tim ECG

Sóng P: hình thành do quá trình khử cực tâm nhĩ của cả nhĩ trái và nhĩ phải,

bình thường biên độ của sóng P thường dưới 2mm (0.2mmV), và thời gian của sóng

P là từ 0.08 đến 0.1 giây Việc tăng biên độ và kéo dài thời gian của sóng sẽ liên quan đến một tình trạng tâm nhĩ lớn; tăng biên độ gợi ý lớn nhĩ phải, thời gian khử cực kéo dài gợi ý đến lớn nhĩ trái

Phức hợp QRS: thể hiện quá trình khử cực của tâm thất, tùy vào chiều khử

cực và vị trí đặt điện cực mà trên giấy ghi sẽ cho thấy các phức hợp khác nhau, bình thường QRS kéo dài từ 0.06 đến 0.12 giây

Sóng Q: là sóng âm đầu tiên của phức hợp QRS, sóng Q trên bệnh nhân bình

thường thì thường nhỏ và ngắn, hình thành do quá trình khử cực vách liên thất, một sóng Q sâu tức là biên độ âm lớn và kéo dài cho thấy một tình trạng hoại tử cơ tim, thường gặp trong nhồi máu cơ tim cũ hay nhồi máu cơ tim không có ST chênh lệch

Sóng R: là sóng dương đầu tiên của phức hợp, và sóng âm sau nó là S, đây

là hai sóng hình thành do khử cực thất, về bản chất là giống nhau, nếu điện cực đặt ở

vị trị chiều khử cực hướng đến thì sóng R sẽ cao hơn, như trong chuyển đạo DII, V5, V6 Sóng R sẽ ưu thế hơn nếu chiều khử cực đi xa vị trí đặt điện cực như V1, V2

Sóng T: Là sóng theo sau phức hợp QRS, thể hiện quá trình tái cực muộn

của 2 tâm thất, sóng T có giá trị rất lớn trong việc nhận định một tình trạng cơ tim thiếu máu

Sóng U: Nguồn gốc sóng U vẫn chưa được xác định rõ ràng, các giả thuyết

đặt ra là: tái cực chậm sợi Purkinje, tái cực kéo dài giữa cơ tim tế bào M và sau kết quả điện thế của trương lực cơ trong các thành tâm thất Bình thường không thấy sóng

U trên điện tim, nếu có thì là sóng nhỏ sau sóng T, sóng U đảo ngược hay nhô cao nhọn thường gặp trong rất nhiều loại bệnh lý tim như bệnh mạch vành, tăng huyết áp, bệnh van tim, tim bẩm sinh, bệnh lý cơ tim, cường giáp, ngộ độc, rối loạn điện giải

Khoảng PQ: là thời gian dẫn truyền từ nhĩ đến thất, bình thường từ 0.12 -

0.2 giây, việc kéo dài thể hiện quá trình chậm dẫn truyền, PQ ngắn sẽ gợi ý đến một hội chứng rối loạn nhịp tim là Wolf-Parkinson-White

Đoạn ST: ý nghĩa đoạn ST là giai đoạn tái cực thất sớm, thời gian của ST

thường không quan trọng bằng hình dạng của nó, bình thường ST nằm chênh lệch lên hoặc chênh xuống khỏi đường cơ sở rất ít Đoạn ST cực kỳ quan trọng trong việc chẩn đoán nhồi máu cơ tim ST được gọi là chênh lệch nếu cao hơn đường cơ sở 1mm

ở chuyển đạo chi và hơn 2mm ở chuyển đạo trước ngực ST gọi là chênh xuống khi nằm dưới đường cơ sở hơn 0.5mm

Đoạn QT: là thời gian tâm thu điện học của tâm thất, khoảng giá trị bình

thường của QT phụ thuộc vào tần số tim, QT kéo dài bất thường có liên quan với tăng nguy cơ loạn nhịp thất, đặc biệt là xoắn đỉnh Gần đây, hội chứng QT ngắn bẩm sinh

đã được tìm thấy và có liên quan với việc tăng nguy cơ rung nhĩ và thất kịch phát và dẫn đến đột tử do bệnh tim

Bảng 2.1 Mô tả các ý nghĩa và thông tin thời gian của từng thành phần đặc trưng

trong một nhịp tim

RR Khoảng thời gian giữa sóng R và sóng R

P Xu hướng tăng ngắn hạn của tín hiệu ECG 80 milli giây

PR Đo từ đầu sóng P đến đầu bộ phức hợp QRS 120-200 milli giây

QRS

Thường bắt đầu với độ võng xuống của Q,

độ cong lên lớn hơn của R và kết thúc bởi

sự đi xuống của sóng S

80-120 milli giây

PR Kết nối sóng P và bộ phức hợp QRS 50-120 milli giây

Điểm J Điểm kết thúc bộ phức hợp QRS và bắt đầu

ST Kết nối bộ phức hợp QRS và sóng T 80-120 milli giây

T Thường là một dạng sóng tăng lên vừa phải 160 milli giây

ST Được đo từ điểm J đến kết thúc của sóng T 320 milli giây

QT Được đo từ khi bắt đầu bộ phức hợp QRS

đến khi kết thúc sóng T 420 milli giây

U Thông thường có biên độ thấp và thường

Chuyển đạo là khái niệm được sử dụng để đo tín hiệu điện tim, trong đó người

ta qui định đo theo cách đặt các điện cực đo theo vị trí trên cơ thể người Có hai loại chuyển đạo là chuyển đạo trực tiếp và chuyển đạo gián tiếp Chuyển đạo trực tiếp là chuyển đạo mà khi đặt điện cực thì điện cực chạm vào cơ tim Do đó, người ta chỉ dùng chuyển đạo trực tiếp trên những người mở lồng ngực trong phẫu thuật, hoặc trên các động vật thí nghiệm Trên người bình thường thì dùng chuyển đạo gián tiếp, ngoài lồng ngực [19] Chuyển đạo gián tiếp là chuyển đạo được chia làm 3 loại gồm chuyển đạo song cực chi, chuyển đạo đơn cực chi và chuyển đạo trước tim Hình 2.2

trình bày sơ đồ cơ bản các phương pháp mắc điện cực trên cơ thể người theo chuyển đạo

a) Sơ đồ mắc chuyển đạo

song cực chi

b) Sơ đồ mắc chuyển đạo

đơn cực chi

c) Vị trí đặt điện cực của

6 chuyển đạo trước tim

Hình 2.2 Các dạng sơ đồ mắc điện cực trong quá trình thu thập tín hiệu điện tim

dùng chuyển đạo gián tiếp

Tín hiệu ECG thường được in trên giấy chuyên dụng, trục ngang biểu diễn thời gian và trục đứng biểu diễn cho điện áp Giấy dùng để ghi tín hiệu điện tim được chia thành các ô vuông lớn có kích thước 5mm như hình 2.3a và mỗi ô vuông lớn lại được chia thành 25 ô vuông nhỏ kích thước 1mm như hình 2.3b Nếu giả thuyết rằng tất cả tốc độ ghi tín hiệu ECG là một hằng số 25mm/s thì 5 ô vuông lớn biểu thị thời gian 1 giây và 300 ô vuông lớn tương ứng với thời gian 1 phút Vì vậy, số lượng các đỉnh R trong phức hợp QRS trong 300 ô vuông lớn chính là số nhịp tim trong 1 phút Bằng các sử dụng lý thuyết này, bác sĩ có thể dễ dàng xác định được lượng nhịp tim của bệnh nhân trong một phút và đơn vị tính là bpm Ví dụ: trong một dải nhịp tim được cắt lấy 2 đỉnh như ở hình 2.4, cứ 5 ô vuông lớn có 1 đỉnh R, như vậy 300 ô vuông lớn có 60 đỉnh R, từ đó ta tính được nhịp tim của bệnh nhân là 60 bpm Vì vậy phương pháp đơn giản để tính toán nhịp tim từ tín hiệu điện tim là tính tổng số lượng các đỉnh trong 300 ô vuông lớn sẽ tương ứng với nhịp tim của bệnh nhân đó Tuy nhiên, có một cách xác định gần đúng nhưng đơn giản hơn đó là đếm số ô vuông giữa hai đỉnh R sau đó lấy 300 chia cho số ô vuông giữa hai đỉnh R cũng sẽ ra được nhịp tim của một bệnh nhân