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 hi
TÍNH CẤP THIẾT CỦA ĐỀ TÀI LUẬN ÁN
Bệnh tim mạch đang gia tăng đáng kể trên toàn cầu, đặc biệt là tại Việt Nam, nơi mà tỷ lệ mắc bệnh đã trở thành một trong những nguyên nhân hàng đầu gây tử vong Số lượng bệnh nhân sống tại các thành phố lớn ngày càng tăng, với nhiều trường hợp mắc bệnh tim do các yếu tố bên ngoài như mỡ trong máu và cholesterol cao Theo thống kê năm 2015, 20% dân số Việt Nam mắc bệnh tim mạch và tăng huyết áp, trong khi trên thế giới, bệnh tim mạch gây ra 17,9 triệu ca tử vong mỗi năm, dự kiến sẽ tăng lên 23,6 triệu vào năm 2030 Năm 2018, 1/3 số ca tử vong tại Việt Nam được ghi nhận là do bệnh tim mạch.
Tín hiệu điện tim ECG ghi lại sự thay đổi dòng điện của tim, giúp chẩn đoán các bệnh tim mạch Với biên độ và thời gian thay đổi rất nhỏ, nhiều đặc trưng bệnh lý trong tín hiệu ECG khó phát hiện bằng mắt thường Do đó, việc sử dụng công cụ máy tính với phần mềm xử lý tín hiệu ECG là cần thiết để hỗ trợ bác sĩ trong chẩn đoán Các bệnh lý tim mạch đa dạng và phức tạp, gây khó khăn trong việc chẩn đoán và điều trị Xây dựng công cụ phân loại chính xác các bệnh tim từ tín hiệu ECG sẽ giúp bác sĩ đưa ra chẩn đoán chính xác hơn, từ đó cải thiện hiệu quả điều trị.
Cơ sở dữ liệu tín hiệu điện tim ECG hiện nay đã được công bố rộng rãi và được nhiều nhà nghiên cứu sử dụng Tuy nhiên, dữ liệu điện tim của từng bệnh nhân khác nhau, ngay cả khi mắc cùng một loại bệnh, dẫn đến sự khó khăn trong việc phân loại bệnh tim Sự chênh lệch trong dữ liệu điện tim giữa các loại bệnh cũng ảnh hưởng đến kết quả nhận dạng Do đó, cần thiết phải có một thuật toán để tiền xử lý và chuẩn hóa dữ liệu nhằm nâng cao hiệu suất phân loại bệnh tim.
Tín hiệu ECG chứa thông tin quan trọng nhưng cũng bị ảnh hưởng bởi nhiều thành phần nhiễu, như tâm lý bệnh nhân, nguồn điện, kết nối đầu dò, sự trôi đường cơ sở tín hiệu, thiết bị đo và các yếu tố khác Do đó, việc tiền xử lý tín hiệu điện tim để loại bỏ nhiễu không mong muốn là một nhiệm vụ quan trọng và đầy thách thức trong phân tích tín hiệu.
Mặc dù đã có nhiều kỹ thuật được các nhà khoa học áp dụng để xử lý tín hiệu điện tim, nhưng vẫn tồn tại nhiều thách thức trong việc phân loại bệnh tim dựa trên tín hiệu này Những thách thức này xuất phát từ nhiều yếu tố khác nhau.
Biến đổi đặc trưng tín hiệu ECG và nhịp tim của mỗi cá nhân là khác nhau, ngay cả khi họ mắc cùng một loại bệnh Hơn nữa, nhịp tim của mỗi người cũng thay đổi theo từng thời điểm sinh lý và tinh thần khác nhau.
Không có quy luật phân loại tối ưu nào cho việc phân loại bệnh tim dựa trên tín hiệu ECG Mặc dù đã có nhiều phương pháp được áp dụng, nhưng hiện tại vẫn chưa có thuật toán nào được coi là tối ưu cho việc phân loại bệnh này.
Tín hiệu ECG thường chỉ bao gồm các đỉnh P, Q, R, S, T và U, nhưng thực tế, một tín hiệu ECG có thể chứa hàng nghìn đỉnh với nhiều dạng khác nhau Sự phức tạp này làm cho việc trích xuất đặc trưng trở nên khó khăn.
Xây dựng một bộ phân loại tín hiệu ECG theo thời gian thực là một thách thức lớn do sự tồn tại của nhiều tham số trong tín hiệu ECG.
❖ CÁC KẾT QUẢ TRONG VÀ NGOÀI NƯỚC ĐÃ ĐƯỢC CÔNG BỐ:
Bệnh tim mạch gây ra nhiều hệ lụy nghiêm trọng, dẫn đến nhiều nghiên cứu trong và ngoài nước về phân tích tín hiệu điện tim và phát triển phương pháp phân loại bệnh Bài viết này tóm tắt một số kết quả nghiên cứu đã được công bố trong và ngoài nước.
Trong luận án tiến sĩ năm 2014 của Chử Đức Hoàng về “Phân tích tín hiệu loạn nhịp tim”, tác giả đã cải tiến phương pháp xác định phức hợp QRS và đề xuất giải thuật Multi Detrended Fluctuation Analysis để phát hiện bất thường ở bệnh nhân loạn nhịp tim Tác giả xây dựng véc tơ chuẩn hóa RR từ dữ liệu điện tim, kết hợp với giải thuật phân tích khử khuynh hướng động nhằm hỗ trợ chẩn đoán sớm triệu chứng loạn nhịp tim Kết quả nghiên cứu cho thấy độ chính xác của bộ phân loại đạt 89%, tuy nhiên, độ chính xác này vẫn chưa cao và các đặc trưng tín hiệu nhịp tim chưa được phân tích rõ ràng để phục vụ cho phân loại.
Luận án tiến sĩ của Nguyễn Đức Thảo, mang tựa đề “Nâng cao chất lượng nhận dạng tín hiệu điện tim dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh”, được thực hiện vào năm 2016, tập trung vào việc cải thiện quy trình nhận dạng tín hiệu điện tim.
Tác giả đã sử dụng bộ lọc để loại bỏ thành phần nhịp thở trong tín hiệu điện tim, sau đó áp dụng mạng nơ-ron logic mờ TSK (Takagi – Sugeno – Kang) để nhận dạng các loại bệnh tim Đề xuất trong luận án là bổ sung 2 thông tin từ nhịp thở vào tín hiệu điện tim nhằm cải thiện độ chính xác nhận dạng ECG, với kết quả tốt nhất đạt 96.6% cho việc nhận dạng 3 loại bệnh khác nhau Tuy nhiên, nghiên cứu chỉ tập trung vào việc loại bỏ ảnh hưởng từ nhịp thở mà không khảo sát các nhiễu khác Hệ thống cũng đề xuất sử dụng wavelet Coiflet với phân tích ở bậc 4 để nâng cao chất lượng nhận dạng, nhưng chưa khảo sát nhiều hàm wavelet khác và chưa giải thích lý do chọn các hàm wavelet cụ thể.
Luận án tiến sĩ của 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” đã nghiên cứu một bộ nhận dạng kết hợp để cải thiện độ chính xác phân loại tín hiệu loạn nhịp tim Đề tài sử dụng thuật toán cây quyết định kết hợp với các bộ phân loại như mạng nơ-ron truyền thẳng nhiều lớp (MLP), máy véc tơ hỗ trợ (SVM), và rừng ngẫu nhiên (RF) để phân loại tín hiệu điện tim thành bình thường hoặc bất thường Hệ thống đạt được độ chính xác 98.76% trong việc nhận dạng tín hiệu điện tim Mặc dù kết quả phân loại bệnh rất tốt, nhưng chưa được đánh giá bằng các công cụ như đường cong ROC để tăng cường độ tin cậy Ngoài ra, thiết bị thu thập tín hiệu và chẩn đoán bệnh tim từ tín hiệu điện tim cũng chưa được đánh giá về chất lượng và độ tin cậy.
Nghiên cứu về tín hiệu điện tim và phân loại bệnh tim từ tín hiệu trong nước còn hạn chế, trong khi các nghiên cứu quốc tế đã phong phú hơn Tài liệu tham khảo [10] của tác giả R Rodríguez và cộng sự đề xuất phương pháp ngưỡng thích nghi kết hợp với phân tích thành phần chính PCA để trích đặc trưng tín hiệu điện tim ECG, tập trung vào phức hợp QRS Phức hợp QRS được trích xuất bằng biến đổi Hilbert và thuật toán PCA dựa trên kỹ thuật ngưỡng thích nghi Tuy nhiên, nghiên cứu này sử dụng bộ lọc thông dãi Butterworth bậc 6 với tần số cắt từ 5Hz đến 15Hz, dẫn đến nguy cơ mất thông tin hữu ích trong tín hiệu điện tim khi chọn tần số cắt dưới là 5Hz.
MỤC TIÊU NGHIÊN CỨU CỦA LUẬN ÁN
Mục tiêu của luận án này là nâng cao độ chính xác trong việc phân loại bệnh tim, nhằm hỗ trợ bác sĩ trong quá trình chẩn đoán Để đạt được điều này, chúng tôi sẽ dựa trên những kết quả điều tra từ các nghiên cứu trước đây và giải quyết các thử thách trong phân loại bệnh tim.
Xây dựng phương pháp lọc nhiễu tín hiệu điện tim (ECG) và chuẩn hóa tín hiệu là cần thiết để nâng cao độ chính xác trong việc trích đặc trưng và phân loại bệnh tim Phân tích chi tiết các thành phần cơ bản của tín hiệu ECG và các đặc trưng khác nhau của từng loại bệnh tim giúp tạo ra bộ lọc hiệu quả Mục tiêu là trích xuất các thành phần đặc trưng và giảm chiều tín hiệu, từ đó thu được thông tin tối ưu với ảnh hưởng nhiễu tối thiểu.
Đề xuất một hệ thống trích đặc trưng kết hợp với bộ phân loại nhằm phân loại các loại bệnh tim từ tín hiệu điện tim đã được lọc nhiễu Hệ thống này sẽ nghiên cứu và phát triển các đặc trưng của bệnh tim từ tín hiệu nhịp tim, từ đó xây dựng bộ phân loại để phân loại các loại bệnh tim dựa trên các đặc trưng đã trích xuất Hệ thống xử lý tín hiệu và trích đặc trưng hứa hẹn mang lại kết quả phân loại với độ chính xác cao Mục tiêu chính của luận án là cải thiện độ chính xác trong việc phân loại các loại bệnh tim thông qua việc đề xuất bộ lọc nhiễu và hệ thống trích đặc trưng.
ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
Đối tượng nghiên cứu trong luận án bao gồm dữ liệu tín hiệu điện tim từ nhiều loại bệnh khác nhau, được xây dựng thành bộ dữ liệu chuẩn cho nghiên cứu Luận án sử dụng phần mềm Matlab và Python để lập trình xử lý và phân loại bệnh tim, đồng thời áp dụng các phương pháp đánh giá hiệu suất của bộ phân loại bệnh tim.
Luận án này tập trung vào việc nghiên cứu và phân loại 05 loại bệnh tim đã được công bố và công nhận bởi nhiều nhà khoa học, sử dụng bộ dữ liệu đi kèm Mục tiêu chính là thiết kế bộ xử lý để phân loại các loại bệnh tim dựa trên tín hiệu điện tim ECG.
CÁCH TIẾP CẬN VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Dựa trên đối tượng nghiên cứu và mục tiêu của luận án, phương pháp nghiên cứu được trình bày chi tiết qua từng bước cụ thể như sau:
Phương pháp khảo sát lý thuyết bao gồm việc 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 từ các công trình nghiên cứu trước đó về xử lý và phân loại bệnh tim Những cơ sở lý thuyết này sẽ là nền tảng cho việc xây dựng bài toán nghiên cứu.
Phương pháp tính toán và thiết kế hệ thống phân loại bệnh tim sẽ được thực hiện dựa trên các lý thuyết đã khảo sát Quá trình này sẽ bao gồm việc kiểm tra và hiệu chỉnh để đảm bảo đạt được kết quả tối ưu nhất.
Phương pháp mô phỏng trong nghiên cứu bệnh tim bao gồm việc thiết kế hệ thống lọc nhiễu tín hiệu, hệ thống trích đặc trưng và hệ thống phân loại bệnh Chương trình xử lý và mô phỏng được phát triển nhằm phân loại bệnh tim, giúp thu thập kết quả đáng tin cậy Tập dữ liệu mô phỏng này được sử dụng rộng rãi bởi các nhà khoa học trên toàn thế giới, đảm bảo độ tin cậy cao trong nghiên cứu.
Phương pháp phân tích và tổng hợp trong luận án bao gồm việc tổng hợp các kết quả đã đạt được và so sánh với những kết quả đã được công bố trước đó Qua đó, chúng ta có thể bình luận và phân tích những ưu nhược điểm của phương pháp được đề xuất trong luận án.
ĐÓNG GÓP VỀ KHOA HỌC CỦA LUẬN ÁN
❖ Đóng góp mới về khoa học của luận án
Mục tiêu ban đầu của nghiên cứu là phân tích tín hiệu điện tim ECG nhằm cải thiện chẩn đoán bệnh tim Cụ thể, nghiên cứu tập trung vào việc phân loại chính xác các loại bệnh tim, giúp bác sĩ chẩn đoán sớm và chính xác hơn Từ đó, bác sĩ có thể đưa ra phác đồ điều trị hiệu quả hơn Những đóng góp mới về mặt khoa học của luận án sẽ được trình bày chi tiết.
- Đề xuất giải thuật WDFR để lọc các thành phần nhiễu của tín hiệu điện tim
Phương pháp phân tích tín hiệu điện tim sử dụng phép biến đổi wavelet kết hợp với ngưỡng cứng và ngưỡng mềm giúp loại bỏ nhiễu hiệu quả Nghiên cứu cũng chỉ ra hàm wavelet tối ưu cho việc này Bên cạnh đó, thuật toán Pan-Tompkin được cải tiến để xác định vị trí đỉnh R trong phức hợp QRS, từ đó tách tín hiệu điện tim thành từng nhịp tim.
Đề xuất một giải thuật trích đặc trưng tín hiệu điện tim kết hợp giữa kernel, phép biến đổi wavelet và phương pháp phân tích thành phần chính wkPCA Các đặc trưng sau khi được trích xuất sẽ được sử dụng trong mạng nơ-ron truyền thẳng nhiều lớp để phân loại các loại bệnh Hệ thống này 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 kết hợp các lớp tích chập và lớp kết nối đầy đủ nhằm trích xuất đặc trưng và phân loại bệnh tim ngay trong cấu trúc mạng Các lớp tích chập được thiết kế để cải thiện việc trích xuất đặc trưng từ tín hiệu điện tim, từ đó nâng cao hiệu suất phân loại bệnh tim Những đặc trưng này sẽ được sử dụng trong các lớp kết nối đầy đủ để phân loại các loại bệnh tim Bên cạnh đó, phương pháp tính kích thước kernel trong các lớp tích chập dựa trên các dạng sóng con trong tín hiệu nhịp tim cũng được đề xuất, nhằm tăng cường độ chính xác trong việc phân loại bệnh tim.
Luận án này có ý nghĩa thực tiễn quan trọng trong việc phát triển công cụ phân loại bệnh tim với độ chính xác cao Mạng phân loại bệnh tim được đề xuất có thể hỗ trợ xây dựng hệ thống chẩn đoán từ xa qua internet, cho phép bác sĩ nhập tín hiệu điện tim và nhận kết quả dự đoán về tình trạng bệnh Kết quả nghiên cứu giúp bác sĩ chẩn đoán sớm và điều trị hiệu quả các bệnh lý tim mạch, góp phần quan trọng trong việc phát hiện và điều trị bệnh tim kịp thời Hệ thống này cũng có thể được sử dụng để giảng dạy cho sinh viên ngành kỹ thuật y sinh tại Trường Đại Học Sư Phạm Kỹ Thuật Tp.HCM.
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.
TỔNG QUAN VỀ TÍN HIỆU ĐIỆN TIM
Tín hiệu điện tim ECG là đường cong ghi lại biến thiên điện áp do tim phát ra trong quá trình co bóp, với điện áp rất nhỏ chỉ tính bằng mV, khiến việc ghi nhận trở nên khó khăn Năm 1903, Einthoven lần đầu tiên ghi lại điện tim bằng một điện kế nhạy Phương pháp ghi điện tim tương tự như ghi các đường cong biến thiên tuần hoàn khác, trong đó dòng điện tim tác động lên bút ghi để ghi lại tín hiệu lên giấy Hiện nay, nhiều loại máy ghi tín hiệu điện tim đã được phát triển với độ chính xác cao, có khả năng in dạng sóng nhịp tim, hiển thị trên màn hình, hoặc lưu trữ dữ liệu vào máy tính cho nghiên cứu Ngoài ra, các máy này còn có thể ghi đồng thời nhiều chuyển đạo và thực hiện ghi điện tim liên tục 24 giờ thông qua thiết bị nhỏ gắn vào người, gọi là Cardiocassette Type Holter.
Tín hiệu điện tim không chỉ hỗ trợ bác sĩ trong việc chẩn đoán và điều trị bệnh lý tim mạch mà còn giúp các nhà khoa học nghiên cứu để giảm thiểu tác hại của bệnh này Một tín hiệu điện tim bao gồm nhiều nhịp đập, mỗi nhịp có các thành phần sóng P, phức hợp QRS, sóng T và sóng U Các thành phần này, bao gồm đỉnh P, Q, R, S, T, cùng với khoảng thời gian PR, RR, QRS và ST, là những yếu tố cơ bản của nhịp tim Chúng có giá trị biên độ và thời gian khác nhau tùy thuộc vào loại bệnh và bệnh nhân Mặc dù mỗi đặc trưng chứa đựng thông tin quan trọng, một tín hiệu nhịp tim thông thường có thể thiếu một số thành phần, đặc biệt là sóng U Hơn nữa, sự xuất hiện của nhiễu có thể làm mờ các thành phần sóng này Do đó, việc trích xuất đặc trưng tín hiệu điện tim cần tập trung vào các thành phần ổn định nhất để đại diện cho các loại bệnh lý trong quá trình phân loại.
Hình 2.1 Các thành phần cơ bản chứa đựng trong một nhịp tim
Các thành phần cơ bản của nhịp tim bao gồm sóng P, phức hợp QRS, sóng T và sóng U, với hình dạng và thời gian kéo dài của chúng có ý nghĩa quan trọng trong chẩn đoán bệnh tim Mặc dù có các khoảng thời gian khác nhau cho từng thành phần, nhưng chúng không rõ ràng cho từng loại bệnh, dẫn đến khó khăn trong việc phân loại bệnh chỉ dựa vào các đặc trưng thời gian Do đó, khi trích xuất đặc trưng tín hiệu ECG, cả hình dạng và thời gian của các thành phần đều được xem xét Sự chênh lệch về thời gian giữa các nhịp tim của cùng một bệnh nhân hoặc giữa các bệnh nhân khác nhau cũng ảnh hưởng đến kết quả phân loại Vì vậy, việc trích xuất đặc trưng trong cả miền không gian và miền tần số là cần thiết.
Sóng P được hình thành từ quá trình khử cực của tâm nhĩ trái và nhĩ phải Biên độ của sóng P thường dưới 2mm (0.2mV), và thời gian của sóng này cũng có những đặc điểm nhất định.
P nằm trong khoảng từ 0.08 đến 0.1 giây Việc tăng biên độ và kéo dài thời gian của sóng liên quan đến tình trạng tâm nhĩ lớn; biên độ lớn gợi ý về sự phì đại của nhĩ phải, trong khi thời gian khử cực kéo dài cho thấy sự phì đại của nhĩ trái.
Phức hợp QRS phản ánh quá trình khử cực của tâm thất, với sự biến đổi về chiều khử cực và vị trí đặt điện cực dẫn đến các phức hợp khác nhau trên giấy ghi Thời gian bình thường của phức hợp QRS dao động từ 0.06 đến 0.12 giây.
Sóng Q là sóng âm đầu tiên trong phức hợp QRS, thường nhỏ và ngắn ở bệnh nhân bình thường, hình thành do quá trình khử cực vách liên thất Một sóng Q sâu, với biên độ âm lớn và kéo dài, cho thấy tình trạng hoại tử cơ tim, thường gặp trong nhồi máu cơ tim cũ hoặc nhồi máu cơ tim không có ST chênh lệch.
Sóng R là sóng dương đầu tiên của phức hợp điện tim, trong khi sóng âm theo sau là sóng S Cả hai sóng này đều hình thành do quá trình khử cực của thất và có bản chất tương tự nhau Nếu điện cực được đặt ở vị trí mà chiều khử cực hướng tới, sóng R sẽ có biên độ cao hơn, như trong các chuyển đạo DII, V5, và V6 Ngược lại, sóng R sẽ nổi bật hơn khi chiều khử cực diễn ra xa vị trí đặt điện cực, chẳng hạn như ở các chuyển đạo V1 và V2.
Sóng T là sóng xuất hiện sau phức hợp QRS, phản ánh quá trình tái cực muộn của hai tâm thất Sóng T đóng vai trò quan trọng trong việc đánh giá tình trạng cơ tim thiếu máu.
Sóng U có nguồn gốc chưa được xác định rõ ràng, với các giả thuyết cho rằng nó liên quan đến tái cực chậm của sợi Purkinje và tái cực kéo dài giữa các tế bào cơ tim M Sóng này xuất hiện sau kết quả điện thế của trương lực cơ trong các thành tâm thất, và thường không được quan sát thấy trong điều kiện bình thường.
Sóng U trên điện tim thường xuất hiện dưới dạng sóng nhỏ sau sóng T và có thể đảo ngược hoặc nhô cao nhọn Hiện tượng này thường gặp trong nhiều bệnh lý tim như bệnh mạch vành, tăng huyết áp, bệnh van tim, tim bẩm sinh, bệnh lý cơ tim, cường giáp, ngộ độc và 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
Tính năng Mô tả Khoảng thời gian
RR Khoảng thời gian giữa sóng R và sóng R tiếp theo 0.6-1.2 giây
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
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 phân đoạn ST Không áp dụng
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 hoàn toàn vắng mặt Không đề cập đến
Chuyển đạo là khái niệm quan trọng trong việc đo tín hiệu điện tim, với hai loại chính là chuyển đạo trực tiếp và chuyển đạo gián tiếp Chuyển đạo trực tiếp được sử dụng khi điện cực tiếp xúc trực tiếp với cơ tim, thường chỉ áp dụng trong phẫu thuật mở lồng ngực hoặc trên động vật thí nghiệm Ngược lại, chuyển đạo gián tiếp được sử dụng phổ biến trên người bình thường, bao gồm ba loại: chuyển đạo song cực chi, chuyển đạo đơn cực chi và chuyển đạo trước tim Hình 2.2 minh họa các phương pháp mắc điện cực trên cơ thể người theo từng loại chuyển đạo.
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 được ghi trên giấy chuyên dụng với trục ngang biểu diễn thời gian và trục đứng biểu diễn điện áp Giấy ghi tín hiệu điện tim chia thành các ô vuông lớn 5mm, mỗi ô vuông lớn lại chia thành 25 ô vuông nhỏ 1mm Với tốc độ ghi tín hiệu ECG là 25mm/s, 5 ô vuông lớn tương ứng với 1 giây và 300 ô vuông lớn tương ứng với 1 phút Số lượng đỉnh R trong phức hợp QRS trong 300 ô vuông lớn chính là số nhịp tim trong 1 phút, được tính bằng bpm Ví dụ, nếu trong 300 ô vuông lớn có 60 đỉnh R, nhịp tim của bệnh nhân là 60 bpm Phương pháp đơn giản để tính nhịp tim từ tín hiệu điện tim là đếm số đỉnh R trong 300 ô vuông lớn Một cách gần đúng hơn là đếm số ô vuông giữa hai đỉnh R và lấy 300 chia cho số ô vuông đó để xác định nhịp tim.
Hình 2.3 Giấy chia ô dùng để ghi lại tín hiệu điện tim ECG
Trục tung của trang giấy biểu diễn mức điện áp của tín hiệu điện tim ECG, với mỗi ô vuông nhỏ tương ứng với 0.1 mV Do đó, một ô vuông lớn sẽ tương ứng với mức điện áp 0.5 mV Hình 2.4 minh họa mức biên độ điện áp của một ô vuông lớn trên trang giấy in tín hiệu ECG.
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.
TẬP DỮ LIỆU ĐIỆN TIM ECG
Tín hiệu điện tim đóng vai trò quan trọng trong nghiên cứu phân loại bệnh tim Luận án này sử dụng tín hiệu ECG từ cơ sở dữ liệu MIT-BIH ECG Database, bao gồm 4000 tín hiệu Holter dài hạn thu thập từ năm 1975 đến 1979 tại Phòng Thí nghiệm Chứng loạn nhịp tim, hiện thuộc trung tâm y tế Beth Israel Deaconess Medical Center, Boston, Massachusetts, Hoa Kỳ Dữ liệu được chia thành hai nhóm: nhóm đầu tiên gồm 23/48 bản thu ngẫu nhiên từ 4000 bộ thu ECG, trong đó 60% là của bệnh nhân nội trú và 40% là của bệnh nhân ngoại trú Nhóm thứ hai bao gồm 25/48 bản thu còn lại, chứa các nhịp tim ít phổ biến nhưng có triệu chứng lâm sàng quan trọng Tất cả 48 tín hiệu đều kéo dài trên 30 phút, với hình 2.5 minh họa dạng sóng của tín hiệu ECG của bệnh nhân mã 117 trong tập dữ liệu MIT-BIH.
Hình 2.5 Dạng sóng tín hiệu ECG của bệnh nhân được đánh số 117 thu thập từ tập dữ liệu MIT-BIH
Tín hiệu điện tim trong tập dữ liệu này được ghi lại trong khoảng nửa giờ, đảm bảo chất lượng cho việc phân tích bởi các bác sĩ và nhà khoa học Một số tín hiệu được chọn do phức hợp QRS có dạng sóng biến đổi hoặc đủ điều kiện để phát hiện rối loạn nhịp tim Danh sách bệnh nhân bao gồm 25 nam giới từ 32 đến 89 tuổi và 22 nữ giới từ 23 đến 89 tuổi, trong đó tín hiệu 201 và 202 thuộc về cùng một nam giới Bảng 2.2 trình bày ý nghĩa của định dạng dữ liệu tín hiệu điện tim theo chuẩn MIT, với mỗi tín hiệu bao gồm ba tập tin định dạng “*.atr”, “*.dat” và “*.hea”, mỗi định dạng có ý nghĩa riêng nhưng bổ sung cho nhau, hỗ trợ các nhà nghiên cứu trong quá trình phân tích dữ liệu.
Bảng 2.2 Bảng mô tả ý nghĩa của các kiểu định dạng dữ liệu tín hiệu điện tim theo định dạng MIT-BIH
.dat files hea files atr files
Tập tin MIT Signal là các tập tin nhị phân chứa mẫu tín hiệu số hóa, được lưu trữ dưới dạng sóng Để hiểu đúng các tín hiệu này, cần có các tập tin header tương ứng.
Các tập tin header của MIT là những tập tin ngắn dạng ký tự, mô tả nội dung của các tập tin liên kết như dat và atr.
Tập tin MIT Annotation là các tập tin nhị phân chứa chú thích cho từng nhịp tim tương ứng với tập tin dat Để đọc tập tin atr, cần sử dụng các tập tin header liên kết với chúng.
Dữ liệu trên cơ sở dữ liệu PhysioNet chủ yếu được lưu trữ dưới định dạng WFDB, bao gồm hai tiêu chuẩn là MIT format và European Data Format Luận án này sử dụng định dạng MIT format của tập dữ liệu MIT-BIH, với các bản thu được số hóa ở tần số 360 Hz, tương đương 360 mẫu mỗi giây, và độ phân giải ADC 11-bit trên dải điện áp 10mV Mỗi nhịp tim được gán nhãn bệnh tim bởi ít nhất hai bác sĩ chuyên khoa tim độc lập, và mọi bất đồng trong kết quả thẩm định sẽ được giải quyết để đạt được kết quả khách quan Thông tin chi tiết về tập dữ liệu MIT-BIH DB, bao gồm mã bệnh nhân, tuổi, dây điện cực, giới tính, số lượng nhịp tim theo chuẩn ANSI-AAMI EC57-2012 và mã tín hiệu ECG, được trình bày trong bảng 2.3.
Bảng 2.3 Mô tả chi tiết các thông tin trên tập dữ liệu MIT-BIH DB
Tín hiệu ECG từ tập dữ liệu MIT-BIH được phân loại theo các ký hiệu của chuẩn MIT-BIH thành năm loại bệnh tim, bao gồm N, S, V, F, và Q, theo tiêu chuẩn ANSI-AAMI EC57-2012 Bảng tham chiếu giữa các loại bệnh tim theo chuẩn MIT-BIH và nhóm bệnh theo tiêu chuẩn AAMI 2012 được trình bày chi tiết trong bảng 2.4 Đặc biệt, nhóm bệnh loại S được ký hiệu là SVEB và nhóm bệnh loại V được ký hiệu là VEB.
Bảng 2.4 Bảng tham chiếu của các loại bệnh tim theo chuẩn MIT-BIH và theo chuẩn ANSI-AAMI EC57-2012
Các loại bệnh tim theo chuẩn
Các loại bệnh tim theo chuẩn MIT-BIH
Normal Beat (N) Left Bundle Branch Block Beat (L) Right Bundle Branch Block Beat (R) Atrial Escap Beat (e)
Nodal (Junctional) Escape Beat (j or NE) Supraventricular ectopic beats
Nhịp tim ngoại tâm thu trên thất
Atrial Premature Beat (A) Aberrated Atrial Premature Beat (a) Nodal (Junctional) Premature Beat (J) Supra-Ventricular Premature Beat (S) Ventricular ectopic beats
Nhịp tim ngoại tâm thu thất
Premature Ventricular Contraction Beat (V) Ventricular Escape Beat (E)
Fusion of Ventricular and Normal Beat (F)
Nhịp tim chưa xác định
Paced Beat (P or /) Fusion of Paced and Normal Beat (f) Unclassificable Beat (Q)
Các ký hiệu N, S, V, F, và Q trong bảng 2.4 được trình bày cụ thể như sau
Ký hiệu N đại diện cho nhịp tim bình thường, bao gồm nhiều loại như block nhánh trái (L), block nhánh phải (R), nhịp nút thoát (e) và nhịp nút nhĩ (NE) Ký hiệu S chỉ nhịp tim ngoại tâm thu trên thất (supraventricular ectopic beats), trong khi ký hiệu V đại diện cho nhịp tim ngoại tâm thu thất (ventricular ectopic beats) Ký hiệu S cũng được sử dụng để chỉ nhịp tim hợp nhịp (fusion beat), là sự kết hợp giữa nhịp tâm thất và nhịp bình thường Cuối cùng, ký hiệu Q biểu thị cho những nhịp tim chưa xác định chính xác (unknown beats).
TIỀN XỬ LÝ TÍN HIỆU ĐIỆN TIM
Tín hiệu điện tim ECG có biên độ điện áp rất nhỏ và được đo bằng kỹ thuật không xâm lấn, dẫn đến việc chứa đựng nhiều loại nhiễu Sau khi xây dựng bộ dữ liệu, việc tiền xử lý để loại bỏ các thành phần nhiễu không mong muốn là rất cần thiết Các loại nhiễu này bao gồm nhiễu do lệch đường điện áp cơ sở, nhiễu từ nguồn cung cấp điện, nhiễu do tiếp xúc kém của các điện cực, cũng như ảnh hưởng từ môi trường và trạng thái sức khỏe của người đo Những thành phần nhiễu này có thể ảnh hưởng nghiêm trọng đến kết quả phân loại bệnh từ tín hiệu điện tim.
Tiền xử lý để loại bỏ các thành phần nhiễu là cần thiết để nâng cao hiệu suất của bộ phân loại Trong quá trình tiền xử lý tín hiệu ECG, phương pháp phổ biến là sử dụng bộ lọc thông thấp Butterworth.
Bộ lọc thông thấp hữu hạn FIR, bộ lọc thông cao và bộ lọc Kalman là những công cụ quan trọng trong việc xử lý tín hiệu ECG Để xác định đường cơ sở của tín hiệu ECG, các phương pháp phổ biến bao gồm sử dụng bộ lọc trung vị và bộ lọc thông cao Tuy nhiên, việc lựa chọn bộ lọc phù hợp để đạt hiệu quả tối ưu vẫn là một thách thức lớn và chưa có câu trả lời chính xác.
Trong những năm gần đây, nhiều phương pháp lọc nhiễu tín hiệu điện tim đã được áp dụng, bao gồm bộ lọc FIR, IIR, wavelet, và bộ lọc thích nghi Mỗi loại bộ lọc có đặc tính riêng và hiệu quả lọc khác nhau Jacek Piskorowski đã đề xuất bộ lọc chặn dãi IIR Q-varying bậc hai để loại bỏ nhiễu lưới điện, với ưu điểm là hệ số chất lượng Q thay đổi theo thời gian, mang lại hiệu quả tốt hơn so với phương pháp Q cố định Ngoài ra, Vivek Joshi và các cộng sự đã phát triển bộ lọc thích nghi sử dụng phương pháp tối ưu hóa theo kiểu bầy đàn, cho kết quả cải thiện tỷ số SNR lên 19% và giảm 99% MSE.
Nhiều phương pháp đã được áp dụng để lọc nhiễu tín hiệu điện tim, trong đó biến đổi wavelet với các bộ lọc thông thấp và thông cao là một trong những phương pháp hiệu quả Biến đổi wavelet cho phép xác định các hệ số xấp xỉ và chi tiết liên quan đến tần số của tín hiệu, đồng thời có thể sử dụng với nhiều hàm wavelet khác nhau Trong nghiên cứu của Supriya Goel và các cộng sự, năm hàm wavelet khác nhau như Daubechies, Coiflet, Haar, Biorthogonal, và Symmlet đã được áp dụng để lọc nhiễu tín hiệu điện tim, trong đó wavelet Daubechies với 10 hàm từ db1 đến db10 cho kết quả tốt nhất.
Trong nghiên cứu của Atul và các cộng sự [78], bộ lọc cửa sổ vi phân hàm số Alexander đã được áp dụng để loại bỏ nhiễu trong tín hiệu điện tim MIT-BIH ECG, với giá trị SNR đạt 19.609 dB cho mã bệnh nhân 234 Đồng thời, Yang Xu và các cộng sự [54] đã đề xuất một phương pháp lọc nhiễu và hiệu chỉnh đường cơ sở cho tín hiệu điện tim, sử dụng phương pháp phân rã chế độ thực nghiệm để xử lý các thành phần nhiễu ngẫu nhiên Kết quả cho thấy giá trị MSE của tín hiệu cho mã bệnh nhân 109 và 203 lần lượt là 0.0196 và 0.0284 Tuy nhiên, nghiên cứu này chưa xem xét và loại bỏ các thành phần nhiễu khác như nhiễu điện cơ.
Mỗi tín hiệu điện tim chứa nhiều nhịp tim, và trong nghiên cứu bệnh tim, bác sĩ gán nhãn bệnh dựa trên từng nhịp tim Để phân loại bệnh tim, tín hiệu điện tim cần được tách thành từng nhịp, yêu cầu xác định vị trí đỉnh R của các nhịp tim Việc này cho phép lấy mẫu ở phía trước và phía sau đỉnh R để thu được nhịp tim Chiều dài của mỗi nhịp tim phụ thuộc vào số lượng mẫu được chọn Có nhiều phương pháp khác nhau để xác định vị trí đỉnh R.
R được sử dụng phổ biến nhất là phương pháp Pan-Tompkins được đề xuất bởi Jiapu Pan và Willis J Tompkins [79]
Tín hiệu điện tim cần được tách thành từng nhịp tim để trích xuất đặc trưng và phân loại bệnh Sau khi lọc nhiễu, tập tín hiệu điện tim sẽ được chia thành các tín hiệu nhịp tim, phục vụ cho việc nâng cao hiệu suất phân loại Một số nghiên cứu giữ nguyên tín hiệu mà không lọc nhiễu để đánh giá ảnh hưởng của nhiễu, nhưng hầu hết các hệ thống phân loại bệnh tim đều xử lý tín hiệu ECG để loại bỏ nhiễu, nhằm đạt được hiệu suất phân loại cao hơn.
TRÍCH ĐẶC TRƯNG VÀ GIẢM CHIỀU TÍN HIỆU ĐIỆN TIM
Sau khi tiền xử lý, tín hiệu điện tim được trích đặc trưng để phân loại bệnh tim, đây là công đoạn quan trọng nhất ảnh hưởng đến độ chính xác của bộ phân loại Phương pháp trích đặc trưng cần được điều chỉnh theo từng kiểu dữ liệu khác nhau, và sự biến đổi lớn trong tín hiệu ECG cũng tác động đến lựa chọn phương pháp Việc chọn phương pháp trích đặc trưng phù hợp giúp nâng cao hiệu suất của bộ phân loại Với sự phát triển của máy học và các phương pháp học sâu, việc thiết kế hệ thống cho phép máy tính tự học các đặc trưng và tích hợp bộ phân loại vào mạng nơ-ron đã trở nên dễ dàng hơn.
Việc trích đặc trưng tín hiệu bằng phương pháp thủ công vẫn giữ vai trò quan trọng trong hệ thống phân loại Bên cạnh đó, giảm chiều dữ liệu cũng cần thiết để thu được thông tin gần như đầy đủ từ tín hiệu, trong khi số chiều giảm đi đáng kể so với tín hiệu gốc Điều này không chỉ giúp hệ thống phân loại hoạt động nhanh hơn mà còn giảm yêu cầu tính toán của máy tính mà vẫn đảm bảo hiệu suất Một số phương pháp trích đặc trưng kết hợp với giảm chiều tín hiệu ECG đã được các nhà khoa học áp dụng, trong đó có phân tích thành phần chính.
81], biến đổi wavelet [82-84], phân tích thành phần độc lập [85], kết hợp kernel với thuật toán PCA [10, 86, 87], và một số phương pháp trích đặc trưng khác [88-91]
Trong một nghiên cứu, ngưỡng thích nghi kết hợp với phân tích thành phần chính đã được áp dụng để trích xuất đặc trưng từ tín hiệu điện tim Ricardo Rodriguez-Jorge và các cộng sự đã sử dụng phép biến đổi Hilbert và ngưỡng thích nghi để phát hiện phức hợp QRS Phương pháp phân tích thành phần chính sau đó được dùng để trích xuất các thành phần đặc trưng chính từ tín hiệu nhịp tim Nghiên cứu đã sử dụng 19 dữ liệu bệnh nhân từ tập tín hiệu điện tim MIT-BIH ECG để đánh giá hiệu quả của phương pháp Kết quả cho thấy giá trị dự đoán dương cho phát hiện phức hợp QRS đạt 99.71% và độ nhạy là 96.28%.
Phương pháp trích đặc trưng tín hiệu nhịp tim sử dụng biến đổi wavelet hoặc kết hợp với các phép biến đổi khác đã được nghiên cứu và áp dụng Nghiên cứu của Qin Qin và các cộng sự đã trình bày một phép biến đổi wavelet đa phân giải như một công cụ hiệu quả để trích đặc trưng Trong thuật toán này, các đặc trưng được trích trong cả miền thời gian và miền tần số, và dữ liệu được giảm chiều thông qua phân tích thành phần chính Véc tơ giá trị đặc trưng bao gồm 12 thành phần và được phân loại bằng bộ phân loại SVM Hiệu suất phân loại bệnh tim được đánh giá với độ chính xác lần lượt là 99.70% và 81.47% trong hai trường hợp khác nhau.
2.4.1 Phương pháp biến đổi wavelet
Biến đổi wavelet là một thuật toán quan trọng trong xử lý tín hiệu, đặc biệt là trong xử lý tín hiệu ECG Thuật toán này cho phép giám sát tín hiệu không chỉ ở miền thời gian mà còn ở miền tần số Ngoài ra, biến đổi wavelet còn được áp dụng để lọc nhiễu trong tín hiệu điện tim ECG Yang Xu và các cộng sự đã đề xuất một phương pháp kết hợp bộ lọc thích nghi và bộ lọc wavelet với ngưỡng để cải thiện hiệu quả lọc nhiễu cho tín hiệu ECG.
Trong nghiên cứu này, chúng tôi đã phân tích thành phần nhiễu trong tín hiệu ECG bằng cách tách biệt các thành phần tần số cao và tần số thấp nhằm loại bỏ nhiễu hiệu quả.
Phương pháp biến đổi wavelet, được đề xuất bởi Dengyong Zhang và các cộng sự, được sử dụng để lọc nhiễu trên tín hiệu điện tim Tín hiệu điện tim được phân rã thành các thành phần sóng con với tần số cao và tần số thấp thông qua phép biến đổi wavelet.
Phương pháp ngưỡng mềm được áp dụng để loại bỏ nhiễu trên tín hiệu điện tim bằng cách kết hợp các thành phần tần số Sau khi lọc nhiễu, các thành phần sóng con được khôi phục thành tín hiệu điện tim, và để nâng cao hiệu quả, bộ lọc làm trơn được sử dụng để làm mịn tín hiệu Hiệu quả của phương pháp được đánh giá qua tỷ số tín hiệu trên nhiễu và sai số toàn phương trung bình, với tập dữ liệu điện tim MIT-BIH làm cơ sở Kết quả cho thấy phương pháp lọc nhiễu dựa trên phép biến đổi wavelet đạt hiệu quả tốt.
Thuật toán phân rã dùng wavelet là ứng dụng của phép biến đổi wavelet, trong đó tín hiệu được xử lý qua các bộ lọc thông thấp và thông cao để thu được các thành phần tần số khác nhau Nghiên cứu của Ritu Singh và các cộng sự đã áp dụng phương pháp này kết hợp với các bộ phân loại để khảo sát độ chính xác trong phân loại bệnh tim Cụ thể, nghiên cứu đã sử dụng 4 họ wavelet: daubechies, symlet, coiflet, và biorthogonal để trích xuất đặc trưng từ tín hiệu nhịp tim Tín hiệu nhịp tim được phân rã thành các thành phần tần số khác nhau, và các thành phần này được sử dụng làm đặc trưng cho bệnh tim Nghiên cứu chỉ phân loại hai loại nhịp tim: có bệnh và không có bệnh, với độ chính xác cao Tuy nhiên, phương pháp này có hạn chế là tín hiệu sau khi khôi phục cần phải qua một bộ lọc làm trơn.
Phương pháp biến đổi wavelet, với khả năng phân tích tín hiệu ở cả miền thời gian và miền tần số, được sử dụng để tiền xử lý và trích đặc trưng tín hiệu nhịp tim Tao Wang và các cộng sự đã kết hợp biến đổi wavelet với mạng nơ-ron tích chập để phân loại bệnh tim từ dữ liệu điện tim MIT-BIH Cụ thể, phép biến đổi wavelet liên tục chuyển đổi tín hiệu điện tim một chiều thành hình ảnh thể hiện mối quan hệ giữa thời gian và tần số Những hình ảnh này sau đó được đưa vào mạng nơ-ron tích chập để trích đặc trưng và phân loại bệnh Với cấu trúc mạng CNN gồm 18 lớp, phương pháp đạt độ chính xác phân loại bệnh lên tới 98.74% cho 4 loại bệnh tim từ tập dữ liệu MIT-BIH.
2.4.2 Phương pháp phân tích thành phần chính
Phân tích thành phần chính (PCA) là công cụ phổ biến trong phân tích dữ liệu, nhằm trích xuất đặc trưng tín hiệu và giảm chiều dữ liệu Thuật toán PCA tập trung vào việc giữ lại các thông tin quan trọng trong khi loại bỏ các thành phần ít thông tin, giúp giảm số chiều của dữ liệu mà vẫn bảo toàn thông tin cần thiết Sau khi áp dụng PCA, dữ liệu sẽ có số chiều giảm đáng kể nhưng vẫn giữ được các thông tin từ tín hiệu gốc Cụ thể, PCA sử dụng tập dữ liệu trong không gian gốc để xây dựng ma trận hiệp phương sai, từ đó tính toán các trị riêng và véc tơ riêng Số lượng véc tơ riêng được chọn dựa trên tổng cộng dồn của trị riêng, tạo ra tập dữ liệu đặc trưng chính.
Trong xử lý tín hiệu điện tim để phân loại bệnh tim, phương pháp phân tích thành phần chính rất phổ biến Nghiên cứu của Hongqiang Li và các cộng sự đã đề xuất kết hợp phân tích thành phần chính với phân tích thành phần độc lập sử dụng kernel để trích đặc trưng bệnh tim Các đặc trưng này được sử dụng để phân loại bệnh tim bằng bộ phân loại dựa trên máy véc tơ hỗ trợ Tập dữ liệu điện tim MIT-BIH được sử dụng để đánh giá độ chính xác của hệ thống, với kết quả đạt 97.78% cho việc phân loại 5 loại bệnh tim.
Jose Luis Rodriguez-Sotelo và các cộng sự đã áp dụng phương pháp phân tích thành phần chính để trích đặc trưng và giảm chiều đặc trưng của tín hiệu điện tim nhằm phân cụm các loại bệnh tim Các thành phần đặc trưng bao gồm khoảng cách giữa 2 đỉnh R, các hệ số xấp xỉ và chi tiết từ phân tích wavelet, cùng với đặc trưng hình thái của phức hợp QRS Phương pháp này giúp trích xuất các thành phần chính và phân cụm từng loại bệnh tim, cải thiện hiệu suất phân loại với độ chính xác đạt 97.4% cho 5 loại bệnh tim trong tập dữ liệu điện tim MIT-BIH.
Genlang Chen và các cộng sự đã phát triển một phương pháp trích đặc trưng kết hợp với phân tích thành phần chính để lựa chọn đặc trưng tín hiệu nhịp tim Phương pháp này sử dụng các hệ số của phép biến đổi wavelet cùng với thông tin về giá trị điện áp lớn nhất, nhỏ nhất và trung bình của nhịp tim để xây dựng các đặc trưng cho các loại bệnh tim Trong nghiên cứu, 10 loại đặc trưng từ tín hiệu nhịp tim đã được lựa chọn Phân tích thành phần chính được áp dụng để giảm chiều của các đặc trưng này Một bộ phân loại kết hợp giữa phương pháp rừng ngẫu nhiên và mạng nơ-ron truyền thẳng nhiều lớp đã được sử dụng, đạt độ chính xác phân loại bệnh tim lên đến 99.3% Phương pháp phân tích thành phần chính sẽ được trình bày chi tiết trong chương 4.