Ứng dụng mạng nơ ron nhân tạo để phân loại bệnh lý tim

ứng dụng mạng nơ-ron nhân tạo hiện nay được ứng dụng trong nhiều lĩnh vực khác nhau như: quân sự, dân sự, y học … được ứng dụng như nhận dạng ảnh vân tay ứng dụng trong dân sự và quân sự

ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO

ĐỂ PHÂN LOẠI BỆNH LÝ TIM

LUẬN VĂN THẠC SĨ KỸ THUẬT CHUYÊN NGÀNH KỸ THUẬT VIỄN THÔNG

NGƯỜI HƯỚNG DẪN KHOA HỌC: TS VƯƠNG HOÀNG NAM

Hà Nội – 2017

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Độc lập – Tự do – Hạnh phúc

-o0o -

BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ

Họ và tên tác giả luận văn: Trần Quốc Huy

Đề tài luận văn: Ứng dụng mạng nơ-ron nhân tạo để phân loại bệnh lý tim

Chuyên ngành: Kỹ thuật Viễn thông

Mã số HV: CB140248

Tác giả, Người hướng dẫn khoa học và Hội đồng chấm luận văn xác nhận tác giả đã sửa chữa, bổ sung luận văn theo biên bản họp Hội đồng ngày 10/11/2017 với các nội dung sau:

 Sửa các lỗi chế bản cụ thể là chữ mạng nơ-ron thống nhất

 Sửa lại tiêu đề chương 2 phù hợp với nội dung: cụ thể tiêu đề cũ là “Mạng trí tuệ nhân tạo” thành “Mạng trí tuệ nhân tạo và máy vector hỗ trợ SVM”

Ngày 13 tháng 11 năm 2017

Giáo viên hướng dẫn Tác giả luận văn

Trần Quốc Huy CHỦ TỊCH HỘI ĐỒNG

LỜI CẢM ƠN

Tôi xin gửi lời cảm ơn chân thành và sâu sắc nhất tới thầy giáo TS Vương Hoàng Nam, người đã trực tiếp hướng dẫn tôi tận tình trong thời gian nghiên cứu và hoàn thiện luận văn này

Tôi cũng xin được gửi lời cảm ơn tới tập thể các thầy, cô giáo của Viện Điện tử - Viễn thông, trường Đại học Bách Khoa Hà Nội đã tận tình giúp đỡ tôi trong suốt thời gian học tập và nghiên cứu tại trường

Một lần nữa tôi xin trân trọng cảm ơn tất cả các thầy cô giáo, bạn bè, đồng nghiệp

đã giúp đỡ và ủng hộ tôi trong thời gian qua Xin kính chúc các thầy cô giáo, các anh chị và các bạn mạnh khoẻ, hạnh phúc và thành công

Hà Nội, ngày … tháng ….năm 2017 Tác giả luận văn

Trần Quốc Huy

LỜI CAM ĐOAN

Tôi xin cam đoan: Bản luận văn tốt nghiệp này là công trình nghiên cứu thực sự của

cá nhân, được thực hiện trên cơ sở nghiên cứu lý thuyết, thực tế dưới sự hướng dẫn của

TS Vương Hoàng Nam, Viện Điện tử - Viễn Thông, Trường Đại học Bách Khoa Hà Nội

Các số liệu, kết luận của luận án là trung thực, dựa trên sự nghiên cứu, của bản thân, chưa từng được công bố dưới bất ký hình thức nào trước khi trình, bảo vệ trước

“Hội đồng đánh giá luận văn thạc sỹ kỹ thuật” Các số liệu, kết quả, kết luận được tôi tham khảo đã được trích dẫn nguồn đẩy đủ

Một lần nữa tôi xin khẳng định về sự trung thực của lời cam kết trên

Hà Nội, ngày… tháng….năm 2017 Tác giả luận văn

Trần Quốc Huy

MỤC LỤC

LỜI CẢM ƠN 3

LỜI CAM ĐOAN 4

DANH SÁCH TỪ VIẾT TẮT 7

DANH SÁCH HÌNH VẼ 8

DANH SÁCH BẢNG BIỂU 9

PHẦN MỞ ĐẦU 10

I Lý do chọn đề tài 11

II Lịch sử nghiên cứu 11

III Mục đích nghiên cứu 11

IV Đối tượng nghiên cứu và phạm vi nghiên cứu 12

V Phương pháp nghiên cứu 12

CHƯƠNG 1: NHẬN DẠNG TÍN HIỆU ĐIỆN TÂM ĐỒ ECG 13

1.1 Tín hiệu điện tâm đồ (ECG) và phương pháp đo tín hiệu ECG .13

1.1.1 Khái niệm 13

1.1.2 Các chuyển đạo điện tâm đồ 14

1.2 Các ảnh hưởng của nhiễu và tình trạng bệnh lý đến tín hiệu ECG 17

1.2.1 Nhịp bình thường N (Normal) 18

1.2.2 Bệnh L (Left bundle branch block beat) 18

1.2.3 Bệnh A (Atrial premature contraction) 19

1.2.4 Bệnh E (Ventricular escape beat) 19

1.2.5 Bệnh R (Right bundle branch block beat) 19

1.2.6 Bệnh I (Ventricular flutter wave) 20

1.2.7 Bệnh V (Premature ventricular contraction) 21

1.3 Cơ sở dữ liệu chuẩn MIT-BIH 21

1.4 Phương pháp nhận dạng tín hiệu ECG 24

1.5 Tạo đặc trưng nhận dạng của tín hiệu ECG 26

1.6 Kết luận chương 1 31

CHƯƠNG 2: MẠNG TRÍ TUỆ NHÂN TẠO 32

2.1 Trí tuệ nhân tạo 32

2.2 Mạng nơ-ron nhân tạo 32

2.2.1 Nơ-ron sinh học 32

2.2.2 Mạng nơ-ron nhân tạo 33

2.2.3 Ứng dụng mạng nơ-ron nhân tạo 35

2.3 Mạng nơ-ron logic mờ TSK 37

2.3.1 Khái niệm “logic mờ” 37

2.3.2 Biểu thức giá trị mờ 38

2.3.3 Quy tắc suy luận mờ và giá trị của quy tắc suy luận mờ 42

2.3.5 Mô hình TSK 45

2.3.6 Mô hình mạng nơ-ron mờ TSK 47

2.3.7 Thuật toán học của mạng nơ-ron mờ TSK 49

2.3.8 Khởi tạo mạng nơ-ron cho quá trình học – Thuật toán GK 52

2.4 Máy vector hỗ trợ SVM 56

2.4.1 Giới thiệu SVM 56

2.4.2 Siêu phẳng tối ưu 58

2.4.3 Phân lớp mềm 59

2.4.4 SVM phi tuyến 61

2.5 Kết luận chương 2 62

CHƯƠNG 3: KẾT QUẢ THỰC NGHIỆM 63

3.1 Tiền xử lý tín hiệu ECG 63

3.2 Kết quả nhận dạng tín hiệu ECG 66

3.2.1 Kết quả thực nghiệm với mạng nơ-ron mờ TSK 68

3.2.2 Kết quả thực nghiệm với máy vector hỗ trợ SVM 70

KẾT LUẬN 73

TÀI LIỆU THAM KHẢO 74

DANH SÁCH TỪ VIẾT TẮT

Ký tự viết tắt Tiếng Anh Tiếng Việt

A Premature Atrial Contractions Ngoại tâm thu nhĩ ANN Artificial Neuron Network Mạng nơ-ron nhân tạo

E Ventricular Escape Beat Tâm thất lỗi nhịp ECG Electrocardiogram Tín hiệu điện tâm đồ

I Ventricular Flutter Wave Rung thất

L Left Bundle Branch Block Beat Block nhánh trái MLP Multilayer Perceptron Mạng perceptron nhiều lớp

R Right Bundle Branch Block Beat Block nhánh phải SVM Support Vector Machine Máy vector hỗ trợ TSK Takaga – Sugeno – Kang neuron

fuzzy network

Mạng nơ-ron logic mờ TSK (Takaga – Sugeno – Kang)

V Premature Ventricular

Contraction

Ngoại tâm thu thất

DANH SÁCH HÌNH VẼ

Hình 1.1 – Tín hiệu điện tâm đồ ECG 13

Hình 1.2 – Tam giác Einthoven 14

Hình 1.3 – Chuyển đạo đơn cực 15

Hình 1.4 – Sáu điện cực trước tim 16

Hình 1.5 – Tín hiệu ECG được đo ở chuyển đạo D2 16

Hình 1.6 – Tín hiệu ECG bị ảnh hưởng bởi nhiễu và bị trôi 17

Hình 1.7 – Tập phức bộ QRS thuộc về các nhịp bình thường trong một tín hiệu ECG 18

Hình 1.8 – Tập phức bộ QRS thuộc về các nhịp bệnh L của một tín hiệu ECG 18

Hình 1.9 – Tập phức bộ QRS thuộc về các nhịp bệnh A của một tín hiệu ECG 19

Hình 1.10 – Tập phức bộ QRS thuộc về các nhịp bệnh E của một tín hiệu ECG 19

Hình 1.11 – Tập phức bộ QRS thuộc về các nhịp bệnh R của một tín hiệu ECG 20

Hình 1.12 – Tập phức bộ QRS thuộc về các nhịp bệnh I của một tín hiệu ECG 20

Hình 1.13 – Tập phức bộ QRS thuộc về các nhịp bệnh V của một tín hiệu ECG 21

Hình 1.14 – Tín hiệu ECG trong cơ sở dữ liệu MIT-BIH 23

Hình 1.15 – Sơ đồ khối mô hình nhận dạng tín hiệu ECG 25

Hình 1.16 – Các hàm Hermite cơ bản (với giá trị s =1) 27

Hình 1.17 – Tín hiệu đã được chuẩn hoá và mở rộng 29

Hình 1.18 – Xấp xỉ tín hiệu bằng khai triển 15 hàm Hermite cơ bản đầu tiên 29

Hình 1.19 – Xấp xỉ hoá một phức bộ QRS bất bình thường bằng khai triển Hermite 30

Hình 2.1 – Cấu trúc nơ-ron sinh học 33

Hình 2.2 – Nơ-ron nhân tạo và mạng nơ-ron 34

Hình 2.3 – Quá trình học của mạng nơ-ron 36

Hình 2.4 – Hàm liên thuộc của biểu thức mờ x ≪ Y 39

Hình 2.5 – Hàm liên thuộc hình chuông của biểu thức mờ x ≈ Y 39

Hình 2.6 – Hàm liên thuộc của biểu thức mờ x ≫ Y 40

Hình 2.7 – Hàm liên thuộc3 x với giá trị hệ số mũ b và độ mở 𝜎 lần lượt thay đổi 42

Hình 2.8 – Ví dụ về hệ thống gồm 3 quy tắc R1, R2, R3 43

Hình 2.9 – Ví dụ về mô hình mờ TSK 47

Hình 2.10 – Mạng nơ-ron mờ TSK 48

Hình 2.11 – Quá trình học của mạng nơ-ron mờ TSK 50

Hình 2.12 – Tổ chức dữ liệu bằng thuật toán GK 56

Hình 2.13 – Các siêu phẳng phân loại dữ liệu 57

Hình 2.14 – Siêu mặt phẳng có biên lớn nhất của SVM 59

Hình 2.15 – Minh họa phân lớp mềm bằng SVM 60

Hình 2.16 – Ánh xạ từ miền R n sang miền R d 61

Hình 3.1 – Tín hiệu ECG bản ghi 228.dat 63

Hình 3.2 – Tín hiệu sau khi đi qua bộ lọc thông cao 64

Hình 3.3 – Tín hiệu trước và sau bộ lọc thông thấp 65

Hình 3.4 – Tín hiệu trước và sau bộ lọc notch tần số 60 Hz 66

Hình 3.5 – Kết quả thực nghiệm hàm sai số E của quá trình học và test khi N thay đổi 68

DANH SÁCH BẢNG BIỂU

Bảng 1.1 - Một số đặc tính của các bộ CSDL chuẩn 24

Bảng 3.1 - Ký hiệu mã của các loại bệnh 66

Bảng 3.2 - Số nhịp các loại bệnh trong 67

Bảng 3.3 - Kết quả nhận dạng tín hiệu ECG sử dụng mạng nơ-ron mờ TSK 69

Bảng 3.4 - Kết quả nhận dạng tín hiệu ECG sử dụng máy vector hỗ trợ SVM 72

PHẦN MỞ ĐẦU

Từ khi ra đời, máy tính đã phát triển một cách nhanh chóng và đóng vai trò quan trọng trong cuộc sống cũng như nghiên cứu khoa học kỹ thuật Nhưng một máy tính dù mạnh đến đâu, cũng chỉ làm việc theo một chương trình được lập trình sẵn Nó không

có khả năng liên kết, tưởng tượng và sáng tạo như con người

Bộ não con người được biết đến là nơi quyết định độ thông minh, quyết định phản

xạ, cách thức con người hoạt động và từ đó điều khiển mọi hoạt động của cơ thể Cơ chế nhận dạng của não người được dựa trên cơ chế học của các nơ-ron thần kinh Các nhà khoa học đang cố gắng, mô phỏng cơ chế nhận dạng này qua kỹ thuật tính toán thông minh - đó là kỹ thuật nhận dạng bằng mạng nơ-ron nhân tạo ứng dụng mạng nơ-ron nhân tạo hiện nay được ứng dụng trong nhiều lĩnh vực khác nhau như: quân sự, dân

sự, y học … được ứng dụng như nhận dạng ảnh vân tay ứng dụng trong dân sự và quân

sự, nhận dạng chữ viết trong các hệ thống kiểm tra số sản phẩm, hệ thống tự động phân loại thư tín, tự động nhận biết đường đi, nhận dạng các bộ phận cơ thể con người ứng dụng trong giải phẫu học v.v…

Trong đề tài luận văn tốt nghiệp “ Ứng dụng mạng nơ-ron nhân tạo để phân loại bệnh lý tim“, tôi sẽ đi trình bày phương pháp để nhận dạng tín hiệu điện tim, qua đó có thể đưa ra kết luận về tình trạng bệnh lý của bệnh nhân dựa trên cơ sở tín hiệu điện tim ECG

I Lý do chọn đề tài

Hoạt động của tim phản ánh các thông tin quan trọng của sức khỏe con người Vì vậy việc ghi cũng như chuẩn đoán các bệnh về tim yêu cầu độ chính xác rất cao Tín hiệu điện tim (ECG - Electrocardiogram) là tín hiệu y sinh cơ bản và quan trọng được

sử dụng để xác định tình trạng sức khỏe của một người Tín hiệu ECG là nguồn thông tin quý giá để xác định các bệnh lý về tim mạch Tuy nhiên với đặc thù tín hiệu ECG là một tín hiệu rất nhỏ và dễ bị ảnh hưởng nhiễu bởi nhiều thành phần khác nhau như: nguồn điện lưới, các điện cực tiếp xúc kém với bề mặt cơ thể của bệnh nhân, sự thay đổi cảm xúc của bệnh nhân, hay quá trình hô hấp và chuyển động của bệnh nhân Phương pháp thu thập tín hiệu ECG hiện nay vẫn được thực hiện bằng cách đo sự chênh lệch điện áp của cặp điện cực gắn vào bệnh nhân Vì vậy khi bệnh nhân cử động

có thể làm thay đổi trở kháng tiếp xúc giữa điện cực – bề mặt cơ thể của người bệnh và vector trục điện tim dẫn đến làm ảnh hưởng đến chất lượng tín hiệu ECG.

Việc thu được sóng điện tim ECG liên quan chặt chẽ đến sức khỏe con người, yêu cầu độ chính xác và độ tin cậy rất cao Vì vậy nhận dạng tín hiệu điện tim ECG là một vấn đề vẫn đang thu hút được nhiều sự quan tâm, đầu tư nghiên cứu hiện nay

II Lịch sử nghiên cứu

Bài toán nhận dạng tín hiệu ECG hỗ trợ rất lớn trong quá trình chuẩn đoán, xác định và điều trị bệnh nhân Chất lượng nhận dạng càng cao thì khả năng chuẩn đoán chính xác bệnh càng lớn Vì vậy việc nhận dạng tín hiệu ECG có ý nghĩa vô cùng to lớn trong việc điều trị các bệnh lý về tim Ở Việt Nam và thế giới đã có rất nhiều đề tài nghiên cứu về nội dung này, đa số hướng tới các vấn đề về lý thuyết Tác giả hy vọng với những kết quả đạt được trong luận văn này, có thể phát triển, nghiên cứu chuyên sâu hơn các vấn đề ứng dụng mạng nơ-ron nhân tạo vào thực tiễn để phân loại bệnh lý

tim mạch

III Mục đích nghiên cứu

Mục đích nghiên cứu của luận văn:

 Tìm hiểu về tín hiệu điện tâm đồ ECG và phương pháp nhận dạng tín hiệu ECG

 Tìm hiểu về mạng trí tuệ nhân tạo và ứng dụng của nó

 Thực hiện bài toán nhận dạng tín hiệu ECG và so sánh với cơ sở dữ liệu mẫu

IV Đối tượng nghiên cứu và phạm vi nghiên cứu

Luận văn hướng tới nghiên cứu, tìm hiểu về mạng trí tuệ nhân tạo mà cụ thể là mạng nơ-ron logic mơ TSK để phân loại bệnh lý tim mạch

Luận văn bao gồm 3 chương chính Nội dung các chương được trình bày như sau:

Chương 1: Trình bày tổng quan cơ sở lý thuyết của tín hiệu điện tâm đồ ECG,

phương pháp nhận dạng và phương pháp tạo đặc trưng tín hiệu

Chương 2: Chương này trình bày tổng quan về mạng trí tuệ nhân tạo và hai loại

mạng thường được sử dụng: “mạng nơ-ron mờ TSK” và “máy vector hỗ trợ SVM”

Chương 3: Các kết quả thực nghiệm

V Phương pháp nghiên cứu

 Phương pháp mô hình hóa và tính toán được áp dụng để phân tích và giải quyết bài toán

 Các giải pháp sẽ được đánh giá dựa trên cơ sở tính toán độ tin cậy và chính xác cao với bộ số liệu mới

CHƯƠNG 1: NHẬN DẠNG TÍN HIỆU ĐIỆN TÂM ĐỒ ECG

1.1 Tín hiệu điện tâm đồ (ECG) và phương pháp đo tín hiệu ECG

1.1.1 Khái niệm

Tín hiệu điện tâm đồ (Electrocardiogram-ECG) được định nghĩa là một đường

cong ghi lại các biến thiên của các điện lực do tim phát ra trong quá trình hoạt động co bóp của tim

Hình 1.1 – Tín hiệu điện tâm đồ ECG

Tín hiệu ECG ghi lại những hoạt động mang tính chất điện của tim Tín hiệu ECG đặc trưng trong điều kiện lý tưởng sẽ được lặp lại theo một chu kỳ nhịp tim Trong một nhịp tim, tín hiệu bao gồm: sóng P, khoảng PQ, phức bộ QRS, đoạn sóng ST, sóng T

và khoảng QT Mỗi loại sóng hay khoảng này sẽ chứa đựng những thông tin khác nhau giúp chẩn đoán có thể chẩn đoán và theo dõi lâm sàng

 Sóng P: đại diện cho làn sóng khử cực lan truyền từ nút xoang sang tâm nhĩ, độ dài thường từ 80ms đến 100ms

 Khoảng PR: là khoảng thời gian cần thiết để xung điện đi từ nút xoang qua nút nhĩ thất vào các tâm thất, độ dài thường từ 120ms đến 200ms

 Phức bộ QRS: là quá trình khử cực tâm thất, độ dài thường từ 20ms đến 100ms

 Đoạn S-T: là thời điểm tâm thất được khử cực hoàn toàn và đoạn này có điện thế trùng với đường đẳng điện

 Sóng T: đại điện tái cực thất và thời gian kéo dài hơn so với quá trình khử cực

 Khoảng QT: là thời gian xảy ra cả hai quá trình khử cực và tái cực tâm nhĩ, khoảng thời gian này có thể dao động từ 200 - 400ms tùy thuộc vào nhịp tim

 Khoảng cách đỉnh - đỉnh RR giữa hai nhịp liên tiếp là khoảng lâu?

Người chẩn đoán sẽ dựa trên hình dạng của các sóng hay các khoảng cách giữa các điểm đặc trưng để chọn lọc ra những dấu hiệu và yếu tố đặc trưng (đại diện cho bản điện tâm đồ) để tổng hợp thành các hội chứng và đưa đến kết luận chẩn đoán điện tâm đồ

1.1.2 Các chuyển đạo điện tâm đồ

Cơ thể con người là một môi trường dẫn điện tốt, do đó hoạt động điện của tim có thể thu được bằng cách sử dụng các cặp điện cực gắn trên bề mặt cơ thể Các điện cực ghi lại hình chiếu vector tổng hợp của các xung điện trong tim Vị trí các điện cực khác nhau sẽ thu được hình dáng của tín hiệu ECG khác nhau Mỗi cặp điện cực được gọi là một chuyển đạo hay đạo trình, hệ thống các chuyển đạo được sử dụng phổ biến nhất hiện nay là hệ thống 12 chuyển đạo tiêu chuẩn được xác định bởi Einthoven bao gồm:

3 chuyển đạo mẫu (còn gọi là chuyển đạo lưỡng cực tại các chi), 3 chuyển đạo đơn cực tại các chi và 6 chuyển đạo trước tim Với mỗi chuyển đạo sẽ thu được một sóng điện tâm đồ khác nhau

Hình 1.2 – Tam giác Einthoven

Các chuyển đạo mẫu được nghiên cứu từ rất sớm, ngay từ thời Einthoven

Einthoven đã dùng 3 điểm là tay phải, tay trái và chân trái tạo nên một tam giác để đặt các chuyển đạo

 Điện cực âm đặt ở cổ tay phải, điện cực dương đặt ở cổ tay trái, gọi đó là

chuyển đạo 1, viết tắt là D1

 Điện cực âm đặt ở cổ tay phải, điện cực dương đặt ở cổ chân trái, gọi đó là

chuyển đạo 2, viết tắt là D2

 Điện cực âm đặt ở tay trái và điện cực dương ở chân trái, gọi đó là chuyển đạo

3, viết tắt là D3

Các trục chuyển đạo của D1, D2, D3 lập thành ba cạnh của một hình tam giác, có thể coi là một tam giác đều, gọi là tam giác Einhoven

Các chuyển đạo đơn cực là các điện cực cũng có cùng vị trí như trong trường

hợp các chuyển đạo mẫu Khác nhau ở chỗ cặp điện cực của các chuyển đạo là điện thế của một đỉnh tam giác và trung bình của hai đỉnh còn lại

 Cổ tay phải: chuyển đạo VR, sẽ thu được điện thế ở mé bên phải và đáy tim

 Cổ tay trái: chuyển đạo VL, thu được điện thế phía thất trái

 Cổ chân trái: chuyển đạo VF, là chuyển đạo độc nhất “nhìn” thấy được thành

dưới đáy tim

Năm 1947, Goldberger đem cải tiến ba chuyển đạo này làm cho các sóng điện tim của các chuyển đạo tăng biên độ lên gấp rưỡi mà vẫn giữ được hình dạng cũ Người ta

gọi đó là những chuyển đạo đơn cực tăng cường aVR, aVL, aVF và ngày nay được sử

dụng thông dụng hơn các chuyển đạo cũ

Hình 1.3 – Chuyển đạo đơn cực

Các chuyển đạo trước tim được định nghĩa là sự khác biệt giữa điện thế của điện

cực đặt trên ngực với điện cực trung tâm Wilson có điện thế bằng 0 Các chuyển đạp trước tim được ký hiệu bằng chữ từ V1 đến V6

Hình 1.4 – Sáu điện cực trước tim

Trong khuôn khổ luận văn, cơ sở dữ liệu của các tín hiệu điện tâm đồ được sử dụng sẽ bao gồm các tín hiệu chuẩn trong cơ sở dữ liệu chuẩn MIT-BIH được đo ở chuyển đạo D2 và V5, cùng với các tín hiệu ghi ở chuyển đạo D2 trên máy đo điện tim Hình 1.5 là các tín hiệu đo ở chuyển đạo D2, hình (a) là tín hiệu đo trên máy điện tim do Trung tâm nghiên cứu quốc tế MICA- Trường ĐHBK Hà Nội chế tạo, hình (b)

là tín hiệu trong bộ cơ sở dữ liệu chuẩn MIT-BIH (file 106.dat)

Hình1.5 - Tín hiệu ECG được đo ở chuyển đạo D2

Trong thực tế tín hiệu ECG là một trong những tín hiệu chịu ảnh hưởng của rất nhiều loại nhiễu khác nhau Điều đó dẫn đến việc nhận dạng các tín hiệu này sẽ trở nên

-1 -0.5 0 0.5 1 1.5 2 2.5

khó khăn hơn rất nhiều so với nhận dạng các tín hiệu bình thường Trường hợp khó khăn trong việc nhận dạng tín hiệu sẽ được giới thiệu ở phần tiếp theo

1.2 Các ảnh hưởng của nhiễu và tình trạng bệnh lý đến tín hiệu ECG

Tín hiệu rất dễ bị ảnh hưởng bởi các nguồn nhiễu khác nhau, vì vậy việc nhận dạng tín hiệu ECG dù đã được thực hiện từ rất lâu, tuy nhiên quá trình này vẫn chưa được tự động hoá một cách hiệu quả

Tín hiệu ECG có thể bị nhiễu bởi nhiều yếu tố như: ảnh hưởng của cử động của

người bệnh (muscle noise), ảnh hưởng của nguồn điện nuôi xoay chiều với tần số 50 hoặc 60 Hz hoặc một chiều (AC/ DC interference), do môi trường tiếp xúc giữa các điện cực và da người bệnh, hay bị hiện tượng trôi tín hiệu (baseline wander) v.v…

Hình vẽ 1.6 giới thiệu tín hiệu ECG bị ảnh hưởng của nhiễu và hiện tượng trôi

Để loại bỏ những nhiễu thông dụng này, trước khi được nhận dạng tín hiệu điện tim sẽ được “tiền xử lý” bằng lọc số để làm giảm ảnh hưởng của nhiễu và hiện tượng trôi

Hình1.6 - Tín hiệu ECG bị ảnh hưởng bởi nhiễu và bị trôi

Trong khuôn khổ luận văn sẽ trình bày về các nhịp tim bình thường (ký hiệu là

N) và nhận dạng 6 loại bệnh khác nhau của tim (ký hiệu như sau: L, A, E, I, R và V) Tuy nhiên do dữ liệu trong cơ sở dữ liệu MIT là có hạn nên số lượng nhịp tim mang các loại bệnh này không đồng đều nhau, trong đó số lượng nhịp mang các bệnh E và I

là ít nhất

0 0.5 1 1.5 2 2.5 3 3.5 4 -0.45

-0.4 -0.35 -0.3 -0.25 -0.2 -0.15 -0.1 -0.05

1.2.1 Nhịp bình thường N (Normal)

Tín hiệu này được đo ở chuyển đạo D2 (file 200.dat) Qua đó, ta có thể thấy các

nhịp bình thường mặc dù có một hình dạng tương đối ổn định và ít biến đổi về biên độ, nhưng có thể thấy những tín hiệu này vẫn có sự sai lệch

Hình1.7 – Tập phức bộ QRS thuộc về các nhịp bình thường trong một tín hiệu ECG

(file 200.dat)

1.2.2 Bệnh L (Left bundle branch block beat)

Đặc điểm đặc trưng nhất của bệnh L là phức bộ QRS bị dãn rộng (> 0,12 s) Tuy nhiên mức độ biến thiên của tín hiệu giữa các phức bộ với nhau đã lớn hơn so với trường hợp nhịp bình thường N

Hình1.8 – Tập phức bộ QRS thuộc về các nhịp bệnh L của một tín hiệu ECG (file

207.dat)

50 60 70 80 90 100 110 120 130 -0.6

-0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4

Benh N

40 50 60 70 80 90 100 110 120 130 140 -2

-1.5 -1 -0.5 0 0.5

Benh L

1.2.3 Bệnh A (Atrial premature contraction)

Hình1.9 – Tập phức bộ QRS về các nhịp bệnh A của một tín hiệu ECG

1.2.4 Bệnh E (Ventricular escape beat)

Hình1.10 – Tập phức bộ QRS về các nhịp bệnh E của một tín hiệu ECG

1.2.5 Bệnh R (Right bundle branch block beat)

Đặc điểm đặc trưng nhất của bệnh R là phức bộ QRS bị dãn rộng (>0,11 s)

50 60 70 80 90 100 110 120 130 -1.4

-1.2 -1 -0.8 -0.6 -0.4 -0.2 0 0.2

Benh A

50 60 70 80 90 100 110 120 130 140 -0.6

-0.4

-0.2

0 0.2

0.4

0.6

0.8

1 1.2

1.4

Benh E

Hình1.11 - Tập phức bộ QRS về các nhịp bệnh R của một tín hiệu ECG

Cũng giống như các nhịp tim bình thường, các nhịp mang bệnh R, E và bệnh A có một hình dạng ổn định và ít biến đổi về biên độ

1.2.6 Bệnh I (Ventricular flutter wave)

Bệnh I hay còn được gọi là cuồng động thất (được gọi tắt là cuồng thất) là tình trạng thất bóp rất nhanh và đều dưới sự chỉ huy của những xung động bệnh lý

Hình1.12 - Tập phức bộ QRS về các nhịp bệnh I của một tín hiệu ECG

40 50 60 70 80 90 100 110 120 130 140 -0.2

0 0.2

0.4

0.6

0.8

50 60 70 80 90 100 110 120 130 -1.5

-1 -0.5 0 0.5 1 1.5

Benh I

Các nhịp của bệnh I có sự biến thiên về hình dạng và biên độ rất lớn Do đó trong quá trình nhận dạng tín hiệu, các nhịp mang bệnh I chính là các tín hiệu “khó nhận dạng nhất”

1.2.7 Bệnh V (Premature ventricular contraction)

Hình1.13 - Tập phức bộ QRS về các nhịp bệnh V của một tín hiệu ECG

Tương tự như các nhịp mang bệnh I, các nhịp mang bệnh V cũng có sự biến đổi lớn về hình dạng và biên độ Do đó việc nhận dạng các nhịp tim mang bệnh V cũng sẽ khó khăn hơn so với các nhịp mang các loại bệnh khác

1.3 Cơ sở dữ liệu chuẩn MIT-BIH

Luận văn sử dụng cơ sở dữ liệu chuẩn MIT-BIH DB được thực hiện bởi phòng thí nghiệm loạn nhịp tim BIH (Boston’s Beth Israel Hospital) từ năm 1957 đến 1979 Bộ

cơ sở dữ liệu MIT là một cơ sở dữ liệu chuẩn, được sử dụng để kiểm tra các máy tự động phân tích tín hiệu điện tim, hay trong các cơ sở nghiên cứu quốc tế Cơ sở dữ liệu này bao gồm 48 bản ghi tín hiệu điện tâm đồ có độ dài 30 phút được thu thập từ 47 người gồm 25 nam có độ tuổi từ 32 đến 89 tuổi và 22 nữ có độ tuổi từ 23 đến 89 tuổi Mỗi bản ghi bao gồm tín hiệu ECG của một bệnh nhân được ghi lại một cách cụ thể về

vị trí của từng phức bộ QRS và tình trạng bệnh lý tại từng khoảng phức bộ và được kiểm nghiệm bởi các bác sĩ chuyên khoa Qua đó có thể dễ dàng truy xuất dữ liệu, phân

50 60 70 80 90 100 110 120 130 -1

-0.5 0 0.5 1 1.5

Benh V

loại, kiểm tra từng loại tín hiệu theo bệnh lý cũng như kiểm nghiệm chất lượng hoạt động của các hệ thống nhận dạng tín hiệu điện tâm đồ tự động

Cụ thể mỗi bản ghi sẽ bao gồm 3 file có dạng: *.hea,*.dat,*.atr Trong đó file đầu

đề (header) *.hea là một file ký tự mô tả các thông tin chung về bản ghi, file *.dat là file dữ liệu tín hiệu điện tâm đồ ở dạng nhị phân và đối với từng loại định dạng khác nhau sẽ có các kiểu file dữ liệu khác nhau Trong file *.dat có thể chứa đựng 1 hay nhiều bản ghi (thường là 2 bản ghi)

Đối với kiểu định dạng 212 thì thông thường mỗi file *.dat sẽ chứa 2 bản ghi Các mẫu của các bản ghi được xếp xen kẽ nhau, mỗi mẫu là 12 bít (tương đương với 3 byte/2 mẫu) trong đó có 1 bít dấu

File thuộc tính *.atr là file cho biết các chẩn đoán đối với từng nhịp tim trong file

dữ liệu *.dat

Ví dụ chúng ta xem xét đến bản ghi có ký hiệu 125, bao gồm 3 file: 125.hea, 125.dat, 125.atr Khi đó file đầu đề 125.hea như sau:

125 2 360 650000 0:0:0 0/0/0 125.dat 212 200 11 1024 995 -22131 0 MLII 125.dat 212 200 11 1024

1011 20052 0 V5

# 57 M 1085 1629 x1

# Aldomet, Inderal

Ở dòng đầu tiên, các thông số lần lượt được đọc như sau:

 125 là tên file (125.hea)

 2 là số bản ghi chứa đựng trong file

 360 là tần số lấy mẫu ở từng bản ghi (360Hz)

 650000 là số mẫu trong từng bản ghi (tương đương với thời gian ghi mỗi bản ghi là khoảng 30 phút)

 0:0:0 0/0/0 là các thông số cho biết thời gian và ngày/tháng /năm ghi bản ghi (ở đây không xác định thời gian ghi bản ghi)

 11 là độ phân dải của mỗi mẫu (11 bít/mẫu) v.v…

Bản ghi thứ nhất được ghi ở chuyển đạo II (MLII: Modified Lead II, hình vẽ 1.14, hình a- file 125.dat, hình b- file 207.dat), còn bản ghi thứ hai được ghi ở chuyển đạo V5

Hai dòng cuối của file 125.hea là các thông tin cá nhân (tuổi tác, giới tính…) của người bệnh và các ghi chú khác

(a)

(b)

Hình1.14 – Tín hiệu ECG trong cơ sở dữ liệu MIT-BIH

Một trong những ưu điểm lớn nhất của bộ dữ liệu MIT-BIH là tất cả các phức bộ QRS đã được các bác sĩ chuyên khoa xem xét và đánh giá cụ thể Vì vậy ta có thể dễ dàng xác định được vị trí của các phức bộ QRS trong đường tín hiệu đo đồng thời cùng với thông tin về dạng bệnh lý của phức bộ đó Trong hình vẽ 1.14, ta có một đường tín hiệu điện tim với các phức bộ QRS đã được đánh dấu mã bệnh lý Trong cơ sở dữ liệu MIT-BIH, chữ số 1 là kí hiệu tương ứng với nhịp tim bình thường, chữ số 8 tương ứng

với bệnh A- Atrial premature contraction, chữ số 5 tương ứng với bệnh V- Premature

Ventricular Contraction và chữ số 3 là ký hiệu tương ứng với bệnh R - Right bundle branch block beat Các ký hiệu này đồng thời cũng là các mã nhận dạng tín hiệu điện

tâm đồ được sử dụng trong mô hình mạng nơ-ron mờ TSK sau này

Ngoài bộ cơ sở dữ liệu chuẩn MITDB của MIT chúng ta có thể sử dụng các bộ

cơ sở dữ liệu chuẩn khác như: QTDB, EDB hay CSEDB v.v…

CSDL Số bản

ghi

Số chuyển đạo

Tần số lấy mẫu(Hz)

Độ phân dải bít (V)

Độ dài một bản ghi

1.4 Phương pháp nhận dạng tín hiệu ECG

Như đã trình bày ở trên, có rất nhiều loại nhiều gây ảnh hưởng đến tín hiệu điện tim đồ, từ đó làm ảnh hưởng đến việc chuẩn đoán, xác định, điều trị và theo dõi bệnh nhân của các bác sĩ Đã có nhiều công trình nghiên cứu đề xuất giải pháp nhận dạng tín hiệu ECG Điển hình như mô hình nhận dạng trực tuyến, mô hình này cho phép nhận dạng từng nhịp đập của tim trong thời gian trước khi xuất hiện nhịp tiếp theo Đây là vấn đề rất khó và vẫn đang trong giai đoạn hoàn thiện và phát triển

Để thực hiện được bài toán nhận dạng trực tuyến ta cần phải phân chia thành nhiều bước Trong các công trình nghiên cứu về lĩnh vực này, tất cả đều thống nhất cho rằng chính phức bộ QRS là đoạn tín hiệu chứa nhiều thông tin nhất về tình trạng bệnh

lý của bệnh nhân Vì vậy trong luận văn đã xây dựng một mô hình nhận dạng tín hiệu ECG với các khối chức năng như sau:

Hình1.15 – Sơ đồ khối mô hình nhận dạng tín hiệu ECG

Khối ghi tín hiệu ECG:

Trong thực tế, tại các phòng khám thì khối ghi tín hiệu ECG là các máy đo điện tim có chức năng đo đạc và ghi lại tín hiệu ECG của người bệnh Tuy nhiên trong khuôn khổ của bài luận văn, tín hiệu được dùng chủ yếu là tín hiệu chuẩn có sẵn trong

bộ CSDL chuẩn của MIT

Khối tiền xử lý tín hiệu:

Khối xử lý tín hiệu ECG có chức năng loại bỏ các yếu tố làm giảm chất lượng của tín hiệu như ảnh hưởng của các loại nhiễu, hiện tượng trôi tín hiệu v.v… trước khi đưa vào nhận dạng tín hiệu

Khối phát hiện phức bộ QRS:

Khối có chức năng phát hiện vị trí của các phức bộ QRS của tín hiệu Khối sử dụng thuật toán triển khai đã thức Hermite vì vậy chỉ cần tìm các vị trí đỉnh R trong tín hiệu ECG thay vì tìm vị trí toàn bộ phức QRS Ngoài ra để tạo đặc tính cho tín hiệu ECG ta còn có thể sử dụng một số phương pháp biến đổi khác như biến đổi HOS (Higher Order Statistics) hay phương pháp xấp xỉ hoá bằng khai triển các hàm đa thức Chebyshev hoặc Fourier

Khối ghi

tín hiệu

ECG

Khối phát hiện phức

bộ QRS

Khối tạo đặc tính tín hiệu ECG

Khối tiền

xử lý tín hiệu

Mạng nơ-ron

mờ TSK – Nhận dạng tín hiệu

Khối xử lý thông tin thu được trong quá trình nhận dạng Đưa ra

cảnh báo

Khối tạo đặc tính tín hiệu:

Chức năng của khối là tạo bộ vector đặc tính đầu vào cho mạng nơ-ron mờ TSK

Mạng nơ-ron mờ TSK:

Chức năng của khối dùng để nhận dạng tín hiệu Tín hiệu đầu ra của khối tạo đặc tính sẽ được dùng làm bộ vector đầu vào của mạng TSK Để nhận dạng tín hiệu ECG, ngoài mạng nơ-ron mờ TSK chúng ta còn có thể sử dụng các mạng nơ-ron như mạng perceptron nhiều lớp MLP (Multilayer Perceptron) hay mạng nơ-ron mờ lai (fuzzy hybrid neural network)

Khối xử lý sau - Đưa ra cảnh báo:

Chức năng của khối là thu nhận thông tin về tín hiệu ECG từ mạng nơ-ron mờ TSK để từ đó có thể đưa ra những cảnh báo cần thiết

1.5 Tạo đặc trưng nhận dạng của tín hiệu ECG

Phương pháp chọn đặc trưng của tín hiệu ECG là sử dụng khai triển các hàm Hermite dựa trên sự tương đồng về hình dạng giữa các hàm Hermite cơ bản và phức bộ QRS trong tín hiệu ECG Việc khai triển tín hiệu QRS theo các hàm Hermite thu được các hệ số khai triển, đây chính là các đặc trưng về hình dạng của tín hiệu ECG

Giả sử nếu gọi x (t ) là đường biểu diễn tín hiệu QRS theo thời gian, khi đó chúng ta có thể khai triển x(t )dưới dạng các hàm Hermite cơ bản như sau:

Hàm H n (t/s) được gọi là đa thức Hermite bậc n, được định nghĩa một cách đệ qui

như sau:

H 0 (x) = 1, H 1 (x) = 2x với n lớn hơn 1 ta có:

H n (x) = 2x H n-1 (x)- 2(n-1) H n-2 (x)

Trong thực nghiệm giá trị độ mở s được chọn sao cho trong một khoảng thời gian được lựa chọn thì khoảng một nửa các giá trị của hàm Hermite ứng với khoảng giá trị t cần xét xấp xỉ bằng 0 Ở đây có thể chọn giá trị độ mở s = 1

-0.6 -0.4 -0.2 0 0.2 0.4 0.6

-0.6 -0.4 -0.2 0 0.2 0.4 0.6

Hz thì điều đó tương ứng với việc lấy khoảng 90 mẫu tín hiệu xung quanh đỉnh R (45 điểm trước và 45 điểm sau đỉnh R) Như vậy sẽ có tất cả 91 điểm dữ liệu được xét:

1 2 91

Sau đó sẽ tiến hành chuẩn hoá tín hiệu theo tỷ lệ tuyến tính về khoảng [-1,1] và

chọn mức 0 là mức trung bình của hai điểm A 1 và A 91:

TB = 1

2 (A 1 + A 91 )

Khi đó giá trị của điểm dữ liệu được tính lại như sau: A i = A i – TB

Vì các hàm Hermite cơ bản có giá trị xấp xỉ bằng 0 trong 1/2 khoảng thời gian trong khoảng [-10,10] vì thế có thể mở rộng tín hiệu bằng cách thêm 45 tín hiệu có giá trị bằng 0 vào mỗi đầu của tín hiệu chúng ta đang xét Như vậy tín hiệu cuối cùng được xét đến sẽ bao gồm 181 điểm dữ liệu như sau:

[ 0 0 1 2 91 0 0 ]

Hình vẽ 1.17 mô tả một tín hiệu điện tim đã được chuẩn hoá và mở rộng bao gồm

181 điểm

Hình1.17 - Tín hiệu đã được chuẩn hoá và mở rộng

Kết quả thực nghiệm cho thấy khi xấp xỉ tín hiệu bằng cách khai triển các hàm Hermite cơ bản thì với số hàm Hermite càng lớn thì việc xấp xỉ hoá càng chính xác, và khi chọn số hàm Hermite lớn hơn 11 thì sẽ có kết quả xấp xỉ tín hiệu là tương đối chính xác ở đây chúng ta có thể chọn số hàm Hermite bằng 15 Hình 1.18 cho thấy kết quả xấp xỉ tín hiệu hình 1.17 bằng khai triển 15 hàm Hermite cơ bản đầu tiên

Hình1.18 - Xấp xỉ tín hiệu bằng khai triển 15 hàm Hermite cơ bản đầu tiên

Như đã trình bày ở trên, ý tưởng của phương pháp chọn đặc trưng của tín hiệu

ECG sử dụng khai triển các hàm Hermite dựa trên sự tương đồng về hình dạng giữa các hàm Hermite cơ bản và phức bộ QRS (trong trường hợp đối với nhịp tim không mang bệnh) trong tín hiệu ECG Do đó đối với các nhịp tim bình thường việc xấp xỉ

0 20 40 60 80 100 120 140 160 180 200 -0.4

-0.2 0 0.2 0.4 0.6 0.8 1 1.2

0 20 40 60 80 100 120 140 160 180 200 -0.4

-0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4

hoá tín hiệu là tương đối chính xác Tuy nhiên trong các nhịp tim bất thường (mang bệnh), do hình dạng của phức bộ QRS có sự biến đổi nên việc xấp xỉ tín hiệu chỉ đạt kết quả tương đối (hình 1.19)

Hình1.19 - Xấp xỉ hoá một phức bộ QRS bất bình thường bằng khai triển Hermite

Vì các hàm Hermite cơ bản được chọn nằm trong khoảng thời gian [-10,10] tương ứng với 181 điểm dữ liệu của tín hiệu điện tim nên để khai triển tín hiệu thành tổng các hàm Hermite cơ bản, chúng ta sẽ tiến hành lấy các giá trị của hàm Hermite tại các thời

Vì đây là hệ phương trình thừa (có số phương trình nhiều hơn số ẩn) nên có thể

dùng kỹ thuật phân tích giá trị đơn SVD (Singular Value Decompositon) để tìm nghiệm

gần đúng của phương trình

Khi đó mỗi phức bộ QRS của tín hiệu ECG sẽ được thay thế bởi 15 hệ số của các

hàm Hermite cơ bản: a i ( i= 0, 1, 2, …, 14) Các hệ số này sẽ tạo nên vector đặc tính

của tín hiệu và là vector đầu vào x của mạng nơ-ron mờ TSK Ngoài ra chúng ta sẽ sử dụng hai thông số thời gian để đặc trưng cho các khoảng thời gian trong tín hiệu là khoảng cách RR đang xét và giá trị khoảng cách RR trung bình của 10 nhịp gần nhất

0 20 40 60 80 100 120 140 160 180 200 -0.6

-0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4

Các giá trị này sau đó sẽ được chuẩn hoá tuyến tính về khoảng [0,1] Như vậy bộ vector đặc tính đầu vào của mạng nơ-ron mờ TSK sẽ gồm 17 thành phần: 15 hệ số Hermite và 2 thông số đặc trưng cho miền thời gian như trên

1.6 Kết luận chương 1

Nội dung chương đã trình bày tổng quan về tín hiệu điện tâm đồ ECG, các ảnh hưởng của nhiễu đến tín hiệu điện tâm đồ và mô tả khái quát cơ sở dữ liệu sử dụng trong luận văn từ đó đề xuất hướng giải quyết bài toán nhận dạng tín hiệu ECG

Phần đầu của chương mô tả khái quát khái niệm tín hiệu điện tâm đồ, các đặc điểm của tín hiệu điện tâm đồ cũng như tín hiệu các loại bệnh thường gặp trong bệnh lý

về tim: bao gồm 6 bệnh thường gặp được ký hiệu L, A, E, R, I, V

Phần tiếp theo của chương trình bày về cơ sở dữ liệu được sử dụng trong luận văn: Cơ sở dữ liệu chuẩn MIT-BIH DB được xây dựng bởi phòng thì nghiệm loạn nhịp tim BIH từ đề xuất nghiên cứu sử dụng mạng nơ-ron mờ TSK để nhận dạng tín hiệu ECG

Phần tiếp theo của luận văn sẽ đi trình bày về mạng trí tuệ nhân tạo để nhận dạng tín hiệu điện tâm đồ

2.1 Trí tuệ nhân tạo

Với cuộc sống ngày càng phát triển, nhu cầu của con người ngày càng được nâng cao Các vấn đề con người nhận thức được ngày một phức tạp, mà sức của con người có hạn Khoa học trí tuệ nhân tạo đã được hình thành và phát triển từ những năm cuối thể kỷ 20

Trí tuệ nhân tạo có khả năng giải quyết vấn đề bằng cách mô phỏng theo suy nghĩ của con người, nó được thực hiện dựa trên các công nghệ hiện đại ngày nay như các phần cứng có chức năng xử lý cao, với môi trường và khả năng tính toán phù hợp

Nó được ứng dụng để thiết kế, chế tạo các bộ não cho các thiết bị xử lý thông minh

2.2 Mạng nơ-ron nhân tạo

2.2.1 Nơ-ron sinh học

Từ hàng ngàn năm nay con người luôn tìm cách nâng cao khả năng nhận thức cũng như tư duy của bộ não Nhưng thực tế, phải đến thế kỷ thứ 18 -19 người ta mới công nhận bộ não đóng vai trò quan trọng bậc nhất trong hoạt động nhận thức của con người, và khẳng định hoạt động nhận thức của con người gắn liền với hoạt động của các bộ phận cơ thể khác

Bộ não con người có khoảng 15 tỉ nơ-ron thần kinh được kết nối với nhau là đơn

vị cơ sở có chức năng xử lý thông tin trong hệ thần kinh Mỗi nơ-ron là một tế bào đặc biệt, có thể truyền các tín hiệu điện Nơ-ron có cấu trúc bao gồm: Hệ thống dạng cây các dây thần kinh vào (dendrite), thân nơ-ron (soma) và dây thần kinh (axon) Các sợi

tế bào thông qua rễ ngõ vào vượt quá một mức nào đó (ngưỡng hoạt động) Dây thần kinh vào có độ dài khoảng 200-300 µm Thông tin tạo ra bởi tế bào thần kinh được truyền dọc theo dây thần kinh ra Dây thần kinh ra có độ dài từ 50 µm cho đến vài mét Nơ-ron được bao quanh bởi dung dịch các ion hóa học hòa tan, chủ yếu là Na+, Ca2+, K+ và Cl- Các ion Na+ và K+ góp phần quan trọng để tạo ra các đáp ứng của nơ-ron, những đáp ứng này gọi là điện thế hoạt động hay xung thần kinh Ion K+ tập trung chủ yếu bên trong nhân của nơ-ron và Na+ được tập trung chủ yếu bên ngoài của màng tế bào thần kinh Ở trạng thái nghỉ thì điện thế nghỉ của nơ-ron vào khoảng -70mV được cung cấp bởi sự hoạt động của màng tế bào

Hình2.1 – Cấu trúc nơ-ron sinh học

2.2.2 Mạng nơ-ron nhân tạo

Mạng nơ-ron nhân tạo được xây dựng từ những năm 1940 với mục đích mô phỏng chức năng của bộ não con người Mạng nơ-ron nhân tạo được thiết kế có khả

năng giải quyết hàng loạt các bài toán như tính toán tối ưu, điều khiển, công nghệ robot,…

Mạng nơ-ron nhân tạo (Artificial Neural Network viết tắt ANN) là mô hình xử

lý thông tin phỏng theo cách thức xử lý thông tin của nơ-ron sinh học Nó được tạo nên

từ một số lượng lớn các phần tử (gọi là nơ-ron) liên kết với nhau thông qua các liên kết ( gọi là trọng số liên kết) làm việc như một thể thống nhất giải quyết các vấn đề cụ thể

Mạng nơ-ron nhân tạo dựa trên việc mô phỏng cấp thấp hệ thống nơ-ron sinh học Trong tương lai với sự phát triển mô phỏng nơ-ron sinh học, chúng ta có thể có loại máy tính thông minh thật sự Phần tiếp theo chúng tôi sẽ tóm tắt ứng dụng mạng nơ-ron trong bài toán nhận dạng / phân loại (regconition/classification) tín hiệu

Mạng Nơ-ron nhân tạo được xây dựng như sau:

- Nơ-ron nhân tạo nhận một số các ngõ vào (từ dữ liệu gốc, hay từ ngõ ra các ron khác trong mạng) Mỗi kết nối đến ngõ vào có một cường độ (hay trọng số), những trọng số này tương ứng với tác dụng (synapse) trong nơ-ron sinh học Mỗi nơ-ron cũng có một giá trị ngưỡng

nơ Tín hiệu được truyền qua hàm kích hoạt (hay còn gọi là hàm truyền) tạo giá trị ngõ ra nơ-ron

Hình 2.2 - Nơ-ron nhân tạo và mạng nơ-ron

Một mạng đơn giản có cấu trúc tiến: tín hiệu đi vào ở ngõ vào, qua các nơ-ron

ẩn và cuối cùng đến các nơ-ron ngõ ra Cấu trúc như thế chạy ổn định Tuy nhiên, nếu mạng có hồi tiếp (chứa các kết nối ngược trở về các nơ-ron trước đó) mạng có thể chạy không ổn định và dao động rất phức tạp Mạng hồi tiếp rất được các nhà nghiên cứu quan tâm, nhưng cấu trúc tiến đã chứng minh rất hiệu quả trong việc giải quyết các vấn

đề thực tế

Khi mạng hoạt động, các giá trị biến ngõ vào được đặt vào các nơ-ron ngõ vào,

và sau đó các nơ-ron lớp ẩn và lớp ngõ ra lần lượt được kích hoạt Mỗi nơ-ron tính giá trị kích hoạt của chúng bằng cách lấy tổng các trọng số ngõ ra của các nơ-ron lớp trước

đó, và trừ cho ngưỡng Giá trị kích hoạt truyền qua hàm kích hoạt tạo ra giá trị ngõ ra của nơ-ron Khi toàn bộ mạng đã hoạt động, các ngõ ra của lớp ngõ ra hoạt động như ngõ ra của toàn mạng

2.2.3 Ứng dụng mạng nơ-ron nhân tạo

Mô hình làm việc của mạng nơ-ron nhân tạo đó là từ những ngõ vào khác nhau, đưa ra những ngõ ra khác nhau Điều kiện quan trọng trong việc sử dụng mạng nơ-ron nhân tạo là phải biết mối liên hệ giữa ngõ vào và ngõ ra biết trước Vậy nếu ta sử dụng một mạng nơ-ron nhân tạo thông thường ta sẽ không biết chính xác trạng thái tự nhiên của mối liên hệ giữa ngõ vào và ngõ ra ( được gọi là quan hệ phi tuyến)

Một tính năng khác của mạng nơ-ron nhân tạo là nó có thể học mối liên hệ giữa ngõ vào và ngõ ra thông qua việc huấn luyện Có hai loại huấn luyện sử dụng trong mạng nơ-ron nhân tạo là huấn luyện có giám sát và không giám sát Với những loại

Mạng nơ-ron nhân tạo sau đó được huấn luyện bằng một trong các thuật toán học

có giám sát (ví dụ backpropagation), sử dụng các dữ liệu để điều chỉnh trọng số và ngưỡng của mạng sao cho cực tiểu hóa sai số trong việc dự báo của mạng trên tập huấn luyện Nếu mạng được huấn luyện chính xác, nghĩa là nó đã học mô phỏng một hàm chưa biết với mối liên hệ giữa ngõ ra và ngõ vào, sau đó với các tín hiệu vào, mạng sẽ

dự báo tín hiệu ra tương ứng

Hình 2.3 – Quá trình học của mạng nơ-ron

Một cách cụ thể đối với các mạng nơ-ron, các tín hiệu tham gia vào quá trình nhận dạng sẽ được chia làm hai nhóm: một để dùng cho quá trình học (learning) và một để dùng cho quá trình test Trong đó bộ dữ liệu học sẽ bao gồm các cặp dữ liệu (X,d) gồm một vectơ đầu vào X và một vectơ đích d đặc trưng cho mã nhận dạng (phân loại), hay nói cách khác là các tham số mạng sẽ được điều chỉnh dựa trên bộ dữ liệu học Sau đó người ta sẽ dùng bộ dữ liệu test để kiểm tra lại độ tin cậy của mạng

Điều chỉnh thông

số mạng nơ-ron (quá trình học)

Dữ liệu học

Bộ dữ liệu

được thiết kế trong quá trình học

Đánh giá kết quả

Thông số mạng cần thiết kế

Yêu cầu của quá trình học đó là đối với mỗi cặp dữ liệu học (X,d), với đầu vào là

X thì sẽ cho kết quả đầu ra yd Hay nói cách khác, giả sử trong quá trình học người

ta dùng bộ dữ liệu học gồm p cặp dữ liệu (X,d) thì kết quả cần đạt được là giá trị hàm

Khi các tham số tuyến tính đã được xác định chúng ta có thể tính toán sai số ở đầu

ra của mạng dựa theo các cặp dữ liệu được dùng để học nhằm để điều chỉnh các tham

số (phi tuyến) Quá trình học này sẽ được lặp lại nhiều lần đến khi xác định được các giá trị tham số điều chỉnh để mạng có thể hoạt động ở mức độ chấp nhận nào đó

2.3 Mạng nơ-ron logic mờ TSK

2.3.1 Khái niệm “logic mờ”

Logic toán học cổ điển nghiên cứu các phép suy luận với các mệnh đề có giá trị đúng/ sai rõ ràng Chẳng hạn như: “ mặt trời mọc đằng đông”, “số 6 nhỏ hơn số 9”,… Tuy nhiên trong thực tế có rất nhiều mệnh đề chứa các thông tin không rõ ràng, không chính xác Khái niệm “logic mờ” dùng để xử lý các thông tin mà giá trị logic không thể xác định, hoặc biến thiên theo điều kiện bên ngoài

Chẳng hạn với mệnh đề “Mức lương 200 nghìn/ ngày là thấp” thì rất khó xác định được giá trị logic do việc không có 100% số người cho rằng các mệnh đề này là chính xác Trong trường hợp này, ta thường hay gặp dạng phát biểu như sau: “Có 80% số người đồng ý với ta là “mức lương 200 nghìn/ ngày là thấp” Theo logic mờ ta có thể nói giá trị mệnh đề “mức lương 200 nghìn/ ngày” là 0,8

Một ví dụ khác về tập mờ

A là một tập hợp gồm các số tự nhiên nhỏ hơn 9

A = { x  N | x <9}

Ta có thể coi đây là là một định nghĩa chặt Với một giá trị x bất kì thì có thể biết được

x có thuộc tập A hay không thuộc tập A Hay nói cách khác, với mọi số x, thì mệnh đề

x  A chỉ có thể nhận một trong hai giá trị: sai (hay bằng 0) hoặc đúng (hay bằng 1)

Một ví dụ khác:

C là một tập hợp gồm các số thực có giá trị xấp xỉ (bằng hoặc gần bằng) 3

C = { x  R | x  3}

Đây là một định nghĩa không chặt (hay còn gọi là mờ) vì thực tế không tồn tại một

định nghĩa rõ ràng cho khái niệm “xấp xỉ”

Với một định nghĩa “mờ” như vậy chúng ta không thể khẳng định giá trị x=2 hay

x=2,9 có thuộc tập C hay không?

Nếu đã không khẳng định được x = 2 hay x = 2 ,9 có thuộc C (xấp xỉ 3) hay không thì cũng không khẳng định được là x = 2 hay x = 2,9 không thuộc C (không xấp xỉ 3) Khác với logic kinh điển chỉ có hai giá trị là 1 nếu x thuộc C hoặc bằng 0 nếu x

không thuộc C, logic mờ sẽ đưa ra quan niệm mới có vai trò làm rõ định nghĩa cho tập

mờ Hay nói một cách khác, với logic mờ thì một giá trị x nào đó sẽ có thể thuộc về

tập C khoảng bao nhiêu phần trăm? Điều đó sẽ được thể hiện thông qua giá trị hàm liên thuộc µ(x) tại điểm x đó sẽ bằng bao nhiêu Chẳng hạn ta có thể nói như sau “giá trị x=

2,9 thuộc về tập C tám mươi phần trăm” hay “giá trị x = 2 thuộc về tập C bốn mươi

phần trăm” và giá trị bao nhiêu phần trăm đó sẽ tuỳ thuộc vào cách chúng ta xây dựng

mô hình hàm liên thuộc như thế nào? Tất nhiên đối với ví dụ trên thì ta cần có độ tin

cậy của mệnh đề x = 2,9  C phải cao hơn độ tin cậy của mệnh đề x = 2  C

 x lớn hơn nhiều so với Y: x ≫ Y

Đối với biểu thức mờ x ≪ Y, ta sẽ có hàm liên thuộc (hay còn gọi là hàm phụ thuộc)

µ≪Y (x) có dạng ( như hình vẽ 2.4) với 0 ≤ µ≪Y (x) ≤ 1 , được định nghĩa:

µ≪Y(x) = {

1 𝐾ℎ𝑖 𝑥 − 𝑌 → − ∞ → 0 𝐾ℎ𝑖 𝑥 − 𝑌 → + ∞