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

Tính cấp thiết của đề tài Hiện nay, nghiên cứu tín hiệu điện tim ECG vẫn đang được quan tâm phát triển cả ở trong nước và quốc tế vì một số lý do chính sau:  Việc nghiên cứu tín hiệu đ

TÍN HIỆU ĐIỆN TIM LOẠN NHỊP

Ngành : Kỹ thuật Điều khiển và Tự động hóa

Mã số : 9520216

TÓM TẮT LUẬN ÁN TIẾN SĨ

KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA

Hà Nội-2018

- 2 -

Công trình được hoàn thành tại:

Trường Đại học Bách khoa Hà Nội

Người hướng dẫn khoa học:

Vào hồi …… giờ, ngày … tháng … năm ………

Có thể tìm hiểu luận án tại các thư viện:

1 Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội

2 Thư viện Quốc gia Việt Nam

- 1 -

MỞ ĐẦU

1 Tính cấp thiết của đề tài

Hiện nay, nghiên cứu tín hiệu điện tim ECG vẫn đang được quan tâm phát triển cả ở trong nước và quốc tế vì một số lý do chính sau:

 Việc nghiên cứu tín hiệu điện tim ECG dùng cho việc chẩn đoán sớm và chính xác các bệnh lý về tim mạch, có ảnh hướng lớn đến sức khỏe con người;

 Bài toán nhận dạng tín hiệu điện tim vẫn chưa được giải quyết triệt để do tín hiệu điện tim ECG có độ biến đổi rất mạnh về hình dáng và biên độ ở các trường hợp bị bệnh lý, quá trình thu thập và theo dõi tín hiệu điện tim dễ bị ảnh hưởng bởi các yếu tố bên ngoài, nên bài toán nhận dạng tín hiệu điện tim ECG có yêu cầu về độ chính xác và độ tin cậy cao là một trong những bài toán khó Do đó, hiện nay vẫn có nhiều nhóm nghiên cứu ở trong nước và quốc tế quan tâm, đầu tư phát triển các giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG;

Nhu cầu về các thiết bị y tế hiện đại để theo dõi các thông số

về sức khỏe, trong đó có các thiết bị đo điện tim, cụ thể:

 Nhu cầu về thiết bị đo điện tim thông minh, cầm tay, có chức năng nhận dạng tự động tín hiệu điện tim ECG Thiết bị cần thiết đối với những người có nguy cơ mắc bệnh cao (như người béo phì, người cao tuổi, người nghiện hút thuốc…) giúp phát hiện sớm các bệnh lý về tim mạch Ngoài ra, đối với người đang điều trị cần có thiết bị đo điện tim gọn nhẹ để mang theo người để theo dõi và lưu trữ liên tục tín hiệu điện tim Thiết bị cần có phần mềm tiện ích để hỗ trợ kết nối dễ dàng với bác sĩ, bệnh viện từ xa (ví dụ qua internet) để thuận tiện trong quá trình theo dõi và chẩn đoán nhanh;

 Nhu cầu về các giải pháp nhận dạng tín hiệu điện tim có độ chính xác và tin cậy cao, phân biệt được nhiều loại bệnh để

áp dụng cho nhiều đối tượng bệnh nhân, hỗ trợ các bác sĩ trong chuẩn đoán nhanh và chính xác các bệnh về tim mạch;

- 2 -

2 Mục đích nghiên cứu

Xuất phát từ các nhu cầu thực tế ở trên luận án sẽ tập trung nghiên cứu và phát triển một giải pháp mới để nâng cao độ chính xác và tin cậy của kết quả nhận dạng tín hiệu điện tim, sau đó triển khai tích hợp trên thiết bị đo điện tim, có khả năng phát triển thành sản phẩm hoàn chỉnh để phục vụ các nhu cầu cấp thiết của đời sống xã hội, cụ thể các mục tiêu nghiên của luận án như sau:

 Đề xuất xây dựng giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim (giảm số mẫu nhận dạng sai, giảm số trường hợp chẩn đoán âm tính sai FN);

 Đề xuất giải pháp phù hợp, cho phép thực hiện thuật toán khai triển trên hệ vi xử lý thông dụng (công suất tính toán nhỏ), để tiến tới phát triển và hoàn thiện một thiết bị đo cầm tay có chức nhận dạng tự động tín hiệu điện tim có độ chính xác cao

3 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu của luận án:

 Tín hiệu điện tim ECG, những yếu tố ảnh hưởng đến tín hiệu điện tim;

 Các mô hình nhận dạng tín hiệu điện tim, các giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim;

 Nghiên cứu các phương pháp đo và thu thập tín hiệu điện tim

Phạm vi nghiên cứu của luận án:

 Nhiễu trong tín hiệu điện tim và các phương pháp lọc nhiễu: Nghiên cứu tổng quan về các dạng nhiễu thường gặp trong tín hiệu điện tim và phương pháp loại bỏ nhiễu;

 Các thành phần đặc trưng của tín hiệu điện tim: Nghiên cứu

về hình dạng và các thông số của loại nhịp tín hiệu điện tim, tập trung vào phức bộ QRS, các phương pháp trích chọn đặc tính;

 Các mô hình nhận dạng sử dụng trí tuệ nhân tạo và phương pháp xây dựng của các mô hình này: Tập trung nghiên cứu

- 3 -

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

 Nghiên cứu mô hình cây quyết định DT (Decision Tree), khả năng ứng dụng để kết hợp kết quả từ các mô hình đơn, đánh giá kết quả của giải pháp;

 Thiết bị đo và tiền xử lý tín hiệu điện tim: Tìm hiểu tổng quan về các mô hình thiết bị đo đã được triển khai và ứng dụng trong thực tế, đánh giá ưu nhược điểm, đề xuất giải pháp cho luận án Đối với khối tiền xử lý, lựa chọn và áp dụng các phương pháp lọc nhiễu phù hợp với thiết bị đo (nhỏ gọn, xách tay, sử dụng các vi xử lý thông dụng) Nghiên cứu

về khả năng triển khai mô phỏng các mô hình trí tuệ nhân tạo và mô hình kết hợp được đề xuất trong luận án trên thiết

bị đo;

 Nghiên cứu các mô hình phối hợp từ nhiều mô hình nhận dạng đơn để nâng cao chất lượng so với các mô hình đơn

4 Ý nghĩa khoa học và thực tiễn của đề tài

 Ý nghĩa khoa học: Luận án đề xuất được giải pháp nâng cao chất lượng (độ chính xác) nhận dạng tín hiệu điện tim dựa trên việc sử dụng cây quyết định để kết hợp song song nhiều

mô hình nhận dạng đơn Các đề xuất đã được kiểm nghiệm trên hai bộ dữ liệu, bốn mô hình nhận dạng đơn và 20 phương án kết hợp

 Ý nghĩa thực tiễn: Mục tiêu nâng cao chất lượng nhận dạng điện tim vẫn đang là vấn đề được quan tâm do các nhu cầu cấp thiết trong thực tế phục vụ người bệnh Các thuật toán đã được triển khai thử nghiệm trên các bộ mẫu số liệu kinh điển của quốc tế để kiểm tra chất lượng, bước đầu đã thử nghiệm trên các thiết bị tự xây dựng để kiểm tra tính đáp ứng thời gian thực, khả năng áp dụng được vào các thiết bị thông minh nhỏ gọn phục vụ người bệnh trong thực tế của các giải pháp là cao

- 4 -

5 Những đóng góp của luận án

 Xây dựng một giải pháp nhận dạng tín hiệu điện tim mới: Kết hợp nhiều mô hình nhận dạng đơn để cải thiện độ thêm chính xác của kết quả nhận dạng Các kết quả tính toán mô phỏng đã được kiểm chứng trên các tập số liệu mẫu chuẩn của bộ cơ sở dữ liệu MIT-BIH và MGH/MF, đây là các bộ

cơ sở dữ liệu được nhiều nhóm nghiên cứu trong nước và quốc tế dùng để tham chiếu;

 Đề xuất giải pháp khai triển tín hiệu điện tim ECG theo các hàm Hermite cơ sở một cách đơn giản hơn so với nghịch đảo

ma trận để có thể triển khai được trên các hệ vi xử lý có công suất tính toán nhỏ để hướng tới sử dụng hiệu quả trên các dòng vi xử lý thông dụng Bước đầu đã thử nghiệm khả năng chạy phần mềm nhận dạng trên thiết bị tự thiết kế, đáp ứng thời gian thực

6 Bố cục của luận án

Mở đầu: Trình bày các vấn đề chung của luận án, tóm tắt về nội dung nghiên cứu, những đóng góp và bố cục của luận án Chương I: Trình bày tổng quan về tín hiệu điện tim ECG, một số yếu tố ảnh hưởng đến tín hiệu ECG, tham khảo các công trình nghiên cứu và các phương pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG, chương này còn đề xuất các định hướng nghiên cứu của luận án và trình bày khái quát các bộ cơ sở

dữ liệu được sử dụng trong luận án

Chương II: Chương này sẽ trình bày chi tiết về các khối: Thu thập, tiền xử lý và phương pháp trích chọn đặc tính

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

- 5 -

Chương IV: Chương này trình bày về phương pháp tạo bộ dữ liệu học và kiểm tra từ bộ hai cơ sở dữ liệu MIT-BIH và MGH/MF Kết quả xây dựng mô hình nhận dạng tín hiệu ECG, các kết quả thử nghiệm, đánh giải pháp đề xuất của luận án Phần cuối cùng, là kết luận và hướng phát triển, danh mục các tài liệu tham khảo, các công trình đã công bố của luận án

CHƯƠNG I: TỔNG QUAN CÁC PHƯƠNG PHÁP NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG ECG

1.1 Tổng quan về tín hiệu điện tim ECG

Mục này giới thiệu tổng quan về tín hiệu điện tim ECG, một số yếu tố ảnh hưởng đến tín hiệu điện tim

1.2 Tình hình nghiên cứu và phương pháp nâng cao chất lượngnhận dạng tín hiệu điện tim ECG

1.2.1 Tình hình nghiên cứu

Mục này giới thiệu tóm tắt một số công trình nghiên cứu về tín hiệu điện tim trong những năm vừa qua

1.2.2 Một số giải pháp nâng cao chất lượng nhận dạng

Giới thiệu một số giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim, cụ thể:

 Khối tiền xử lý: Một số thuật toán lọc nhiễu cho tín hiệu

đo được đề xuất sử dụng kết hợp làm tăng độ chính xác của kết quả nhận dạng, như nghiên cứu gần đây trong luận án của TS Nguyễn Đức Thảo (năm 2016 [4]) sử dụng wavelet

để loại bỏ ảnh hưởng của nhịp thở của bệnh nhân đã giảm sai số xuống 11,43% khi thử nghiệm nhận dạng 7 loại bệnh tim trong bộ cơ sở dữ liệu MIT-BIH và giảm sai số xuống 11,29% khi thử nghiệm nhận dạng 3 loại bệnh tim trong bộ

cơ sở dữ liệu MGH/MF

 Khối trích chọn đặc tính: Là khối cũng ảnh hưởng lớn đến kết quả nhận dạng, như đã trình bày ở trên thì có nhiều phương pháp trích chọn đặc tính, trong đó phương pháp

- 6 -

được nhiều nghiên cứu áp dụng là sử dụng các hệ số khai triển phức bộ QRS bằng wavelet hay bằng các hàm Hermite cơ sở để tạo các véc-tơ đặc tính

 Hệ thống nhận dạng tín hiệu điện tim: Độ chính xác của kết quả nhận dạng phụ thuộc lớn vào khối nhận dạng phi tuyến Đã có nhiều nghiên cứu áp dụng các loại mô hình nhận dạng phi tuyến để cải thiện chất lượng nhận dạng tín hiệu điện tim, từ các mô hình nhận dạng kinh điển như nơ-rôn MLP (Multi Layer Perceptron), mạng logic mờ TSK (Takaga-Sugeno-Kang), cho đến đến các công cụ mới như máy véc-tơ hỗ trợ SVM (Support Vector Machines) và rừng ngẫu nhiên RF (Random Forest), Deep Learning cũng đã được sử dụng, thông thường những mô hình nhận dạng phí tuyến mới có chất lượng nhận dạng tốt hơn so với các mô hình cũ, ví dụ [78] các hệ thống nhận dạng 7 loại nhịp tim

sử dụng các hàm cơ sở Hermite để trích chọn đặc tính, các kết quả thử nghiệm với mô hình TSK, SVM trên bộ cơ sở

dữ liệu MIT-BIH, kết quả sai số nhận dạng được giảm từ 3,26% khi dùng mạng TSK xuống 1,96 % khi dùng SVM

1.2.3 Nâng cao độ chính xác bằng mô hình kết hợp

Do kết quả chẩn đoán các bệnh về tim mạch ảnh hưởng trực tiếp đến sức khỏe bệnh nhân, nên các hệ thống nhận dạng tự động tín hiệu điện tim có yêu cầu về độ chính xác, ổn định, tin cậy ngày càng cao Khi nhận dạng và kiểm tra một đối tượng đầu vào thì mỗi một giải pháp sẽ có thuật toán xử lý riêng để đưa ra các kết quả nhận dạng riêng Các giải pháp khác nhau có thể đưa ra các kết quả khác nhau (nếu nhiều mô hình đều đưa ra một kết quả thống nhất thì kết quả này thường có độ tin cậy khá cao) Do đối với các bài toán thực tế, ta thường không có giải pháp nhận dạng

có độ chính xác tuyệt đối, nên bất cứ giải pháp đơn lẻ nào đều có xác suất gây lỗi (mỗi giải pháp sẽ bị lỗi nhận dạng sai với một nhóm mẫu khác nhau) Từ nguyên nhân chính này mà có nhiều tác giả đã đề xuất ra giải pháp “mô hình kết hợp” tức là sử dụng đồng thời nhiều mô hình nhận dạng đơn và đưa thêm một khâu xử lý nữa, nhiệm vụ của khâu xử lý thêm này là kết hợp các kết quả của

- 7 -

các mô hình nhận dạng đơn để đưa ra một kết luận cuối cùng Một

số ưu điểm của “mô hình kết hợp”:

 Mỗi “mô hình đơn” được coi như một chuyên gia độc lập, việc kết hợp nhiều chuyên gia sẽ cho kết quả đáng tin cậy hơn, cũng như tận dụng được ưu điểm của từng mô hình đơn;

 Sử dụng các đánh giá từ nhiều góc độ, từ nhiều phương pháp khác nhau nên thông tin có thể phong phú hơn dẫn tới chất lượng quyết định sẽ cao hơn

Ý tưởng của mô hình kết hợp đã được áp dụng ở trong các lĩnh vực khác như: [68] Cho nhận dạng hình ảnh, [17] sinh trắc học như nhận dạng khuôn mặt, [89] áp dụng cho hệ thống đo nồng độ khí đa năng, Tuy nhiên, phương pháp kết hợp có nhược điểm chính là làm hệ thống nhận cồng kềnh và phức tạp hơn, chỉ nên áp dụng đối với các bài toán nhận dạng phức tạp, yêu cầu độ chính xác cao Trên hình 1.4 là sơ đồ khối tổng quát của hệ thống nhận dạng tín hiệu điện tim sử dụng mô hình kết hợp, trong đó có M mô hình nhận dạng đơn, kết quả của các mô hình nhận dạng đơn là yi,

z là kết luận cuối cùng sau khối kết hợp kết quả

Hình 1.4: Sơ đồ chung của mô hình kết hợp

Trong nghiên cứu [22] tác giả sử dụng mô hình kết hợp các ba

mô hình nhận dạng SVM đơn để nhận dạng sáu loại nhịp tim làm

độ chính xác tăng khoảng 0,2%, trong nghiên cứu [31] tác giả kết hợp 15 mô hình nhận dạng SVM đơn có độ chính xác trong dải 98% ÷ 98,77%, kết quả của mô hình kết hợp có độ chính xác 98,65 % tuy thấp hơn so với kết quả cao nhất của mô hình SVM đơn là 98,77 nhưng lại có độ ổn định cao hơn, hay trong [12] tác

- 8 -

giả đã sử dụng mạng nơ-rôn MLP làm mô hình nhận dạng thành phần, thử nghiệm trên bộ cơ sở dữ liệu MIT-BIH có độ chính xác tăng thêm khoảng 1,5%

Xu hướng hiện nay là dùng các mô hình nhận dạng đơn lẻ sử dụng các thuật toán khác nhau là phổ biến hơn so với việc sử dụng cùng loại như ở các ví dụ trên Xu hướng này khá hợp lý bởi vì nó

sẽ nâng cao ưu điểm của từng mô hình nhận dạng đơn lẻ Như trong nghiên cứu [25] tác giả đã sử dụng hai thuật toán phân loại khác nhau là SVM và PSO (Particles Swarm Optimization) gọi là

hệ thống nhận dạng PSO-SVM, kết quả thử nghiệm trên bộ cơ sở

dữ liệu MIT-BIH có độ chính xác tăng khoảng 4%, trong [23] tác giả kết hợp mạng logic mờ Fuzzy KNN (Fuzzy K Nearest Neighbors) và mạng MLP cho kết quả có độ chính xác được cải thiện từ 97.3% lên 98%

Một số giải pháp phối hợp kết quả thông dụng đã được đề xuất như: Biểu quyết theo đa số [22, 31], biểu quyết có trọng số [78, 103], tổng hợp theo xác suất điều kiện Bayes [78]… Các giải pháp kết hợp này khá đơn giản, điều này cũng dễ hiểu do mô hình kết hợp khá phức tạp vì dùng nhiều mô hình nhận dạng đơn, khối lượng tính toán lớn nên ở khâu kết hợp các tác giả thường lựa chọn các giải pháp đơn giản, hay dùng nhất là giải pháp biểu quyết theo đa số

Về số lượng mô hình đơn, thực tế ít sử dụng kết hợp hai mô hình đơn vì khi xảy ra mẫu thuẫn trong kết quả từ hai hệ đơn ta không có cơ sở chắc chắn để kết luận hệ đơn nào đúng, hệ đơn nào sai Vì thế, đa số các mô hình kết hợp đều sử dụng số lượng

mô hình cơ sở từ ba hệ thành phần trở lên (nhiều công trình khuyến cáo sử dụng số mô hình đơn là số lẻ để có thể đưa ra kết luận cuối cùng, nhất là trong trường hợp biểu quyết theo đa số)

1.3 Định hướng nghiên cứu của luận án

Từ các phân tích ở trên, nghiên cứu sinh định hướng sử dụng

mô hình kết hợp để cải thiện chất lượng nhận dạng tín hiệu điện tim ECG Các giải pháp đơn sẽ là các giải pháp có chất lượng cao

đã được sử dụng trong các nghiên cứu trước đây, hình 1.5 là sơ đồ khối của mô hình đề xuất của luận án, trong đó Ci là các mô hình

- 9 -

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

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

Ý tưởng và giải pháp đề xuất cụ thể:

 Áp dụng cây quyết định DT (Decision Tree) để tổng hợp kết quả từ các kết quả đầu ra của các mô hình nhận dạng cơ sở;

 Các mô hình nhận dạng đơn sử dụng chung các khối thu thập tín hiệu, tiền xử lý và trích chọn đặc tính;

 Sử dụng bốn mô hình nhận dạng: Mạng nơ-rôn MLP Layer Perceptron), mạng logic mờ TSK (Takagi–Sugeno–Kang), máy véc-tơ hỗ trợ SVM (Support Vector Machines)

(Multi-và rừng ngẫu nhiên RF (Random Forest) để xây dựng thành các mô hình nhận dạng cơ sở;

 Lựa chọn các đặc tính của tín hiệu điện tim:

- Sử dụng các hàm cơ sở Hermite (Hermite Basis Functions) để khai triển các phức bộ QRS nhằm lấy các

hệ số khai triển này làm đặc tính;

- Sử dụng thêm hai đặc tính về thời gian: Khoảng cách giữa hai đỉnh R liên tiếp (R-R), giá trị trung bình của mười khoảng cách R-R cuối cùng

 Thử nghiệm mô hình nhận dạng trên các bộ cơ sở dữ liệu mẫu MIT-BIH và MGH/MF có thể tải về từ trang web http://physionet.org;

 Thiết kế, chế tạo thiết bị đo điện tim cầm tay, sử dụng công nghệ ARM đời mới để chạy thử nghiệm chương trình nhận

- 10 -

dạng, kiểm tra khả năng đáp ứng được về mặt tốc độ tính toán theo thời gian thực

1.4 Cơ sở dữ liệu sử dụng trong luận án

Để kiểm chứng chất lượng của các giải pháp trong luận án, NCS sử dụng CSDL chuẩn MIT-BIH (Massachusetts Institute of Technology, Boston’s Beth Israel Hospital) và MGH/MF, cả hai

bộ cơ sở dữ liệu điện tim này đều có thể tải về từ trang web http://physionet.org

CHƯƠNG II: THU THẬP, TIỀN XỬ LÝ VÀ TRÍCH CHỌN

ĐẶC TÍNH TÍN HIỆU ECG

2.1 Thu thập và tiền xử lý tín hiệu điện tim

Nhiệm vụ của khối này là chuẩn hóa tín hiệu điện áp tương tự thu được từ các điện cực ECG về dải biến thiên trong khoảng 0÷5V hoặc trong khoảng 0÷3,3V, tín hiệu từ các điện cực ECG thường được xử lý tuần tự qua các khâu: Tiền khuếch đại, khuếch đại

Nhiệm vụ thứ 2 là loại bỏ các nhiễu nằm ngoài dải tần số điện tim quan tâm là 0,1÷100Hz, bằng các bộ lọc thông thấp có tần số cắt 100Hz và bộ lọc thông cao có tần số cắt 0,1Hz Loại bỏ các nhiễu do điện lưới gây ra bằng bộ lọc Notch 50Hz (bộ lọc triệt tần 50Hz)

2.2 Trích chọn đặc tính để nhận dạng

Trích chọn đặc tính của luận án thể hiện trong hình 2.4 sau đây:

in

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

Phức bộ QRS trong tín hiệu điện tim ECG tuy không chứa toàn

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

- 11 -

sử dụng số liệu phân tích từ phức bộ QRS và hai giá trị thời gian

là khoảng cách R-R, trung bình 10 khoảng cách R-R cuối cùng để làm cơ sở nhận dạng Theo khảo sát, phức bộ QRS kéo dài khoảng 100ms, tuy nhiên trong trường hợp bệnh lý phức bộ này có thể kéo dài gấp vài lần Vì vậy, NCS lựa chọn độ dài 250ms xung quanh đỉnh R là đủ rộng để chứa toàn bộ đoạn QRS, nếu tần số lấy mẫu tín hiệu điện tim là 360Hz thì 250ms tương ứng với khoảng 91 giá trị xung quanh đỉnh R (ta lấy 45 giá trị liền trước đỉnh và 45 giá trị từ đỉnh về phía sau)

Để phát hiện đỉnh R trong các giải pháp cho thiết bị cầm tay, trong luận án áp dụng thuật toán đã được Pan và Tompkins đưa ra vào năm 1985 [36] và được phát triển tiếp vào năm 1986 [62]

CHƯƠNG III GIẢI PHÁP KẾT HỢP CÁC MÔ HÌNH NHẬN DẠNG ĐỂ CẢI THIỆN CHẤT LƯỢNG

3.1 Kết hợp kết quả bằng mô hình cây quyết định

3.1.1 Mô hình chung để kết hợp nhiều giải pháp nhận dạng

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

in

x