XÂY DỰNG MÔ HÌNH PHỐI HỢP CÁC MẠNG NƠ-RÔN NHẬN DẠNG TÍN HIỆU ĐIỆN TIM (ECG) LUẬN VĂN THẠC SĨ NGÀNH: KỸ THUẬT ĐIỆN TỬ

Nội dung: - Tổng quan về các phương pháp nhận dạng tín hiệu điện tim; - Giới thiệu chung về mạng Nơ-rôn; - Xây dựng mô hình phối hợp các mạng Nơ-rôn nhận dạng tín hiệu điện tim ECG; - Kế

NGUYỄN QUANG LONG

XÂY DỰNG MÔ HÌNH PHỐI HỢP CÁC MẠNG NƠ-RÔN

NHẬN DẠNG TÍN HIỆU ĐIỆN TIM (ECG)

BỘ CÔNG THƯƠNG CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC SAO ĐỎ Độc lập – Tự do – Hạnh phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: Nguyễn Quang Long Mã học viên: 1800997

Ngày, tháng, năm sinh: 18/8/1987 Nơi sinh: Hải Dương

1 Tên đề tài: Xây dựng mô hình phối hợp các mạng Nơ-rôn nhận dạng tín hiệu điện tim (ECG)

2 Nội dung:

- Tổng quan về các phương pháp nhận dạng tín hiệu điện tim;

- Giới thiệu chung về mạng Nơ-rôn;

- Xây dựng mô hình phối hợp các mạng Nơ-rôn nhận dạng tín hiệu điện tim (ECG);

- Kết quả tính toán và mô phỏng

3 Ngày giao nhiệm vụ: Tháng 9/2020

4 Ngày hoàn thành nhiệm vụ: Tháng 4/2021

5 Người hướng dẫn khoa học: TS Đỗ Văn Đỉnh

NGƯỜI HƯỚNG DẪN KHOA HỌC

LỜI CAM ĐOAN

Tôi xin cam các kết quả nghiên cứu trong luận văn tốt nghiệp này là các kết quả thu được trong quá trình nghiên cứu của riêng học viên với sự hướng dẫn của TS Đỗ Văn Đỉnh Không sao chép kết quả nghiên cứu của các công trình nghiên cứu khác

Nội dung nghiên cứu có tham khảo và sử dụng một số thông tin, tài liệu từ các nguồn tài liệu đã được liệt kê trong danh mục tài liệu tham khảo

Nếu sai tôi xin chịu mọi hình thức kỷ luật theo quy định

Hải Dương, ngày 31 tháng 3 năm 2021

Tác giả luận văn

Nguyễn Quang Long

LỜI CẢM ƠN

Với lòng kính trọng và biết ơn, đầu tiên em xin chân thành gửi lời cảm ơn tới

TS Đỗ Văn Đỉnh, Thầy đã tận tình giảng dạy, hướng dẫn, giúp đỡ tác giả trong quá trình học tập và hoàn thiện làm luận văn

Tác giả xin chân thành cảm ơn các thầy, cô đã trực tiếp giảng dạy trong toàn khóa học; cám ơn tập thể các thầy cô giáo Khoa Điện, trường Đại học Sao Đỏ; lãnh đạo Trường Cao đẳng Cơ giới Xây dựng; tập thể khoa Điện - trường Cao đẳng Cơ giới Xây dựng đã quan tâm, tạo điều kiện và giúp đỡ tác giả trong quá trình học tập, nghiên cứu; cảm ơn anh, em, bạn bè, đồng nghiệp và gia đình đã động viên, hỗ trợ, đóng góp

ý kiến giúp em hoàn thành luận văn này

Dưới sự hướng dẫn của TS Đỗ Văn Đỉnh và sự cố gắng, nỗ lực của bản thân đến nay Luận văn đã hoàn thành Tuy nhiên, báo cáo của Luận văn không tránh khỏi những thiếu sót, rất mong nhận được sự góp ý của các thầy, cô và bạn đọc để Luận văn của tác giả được hoàn thiện hơn

Xin trân trọng cảm ơn!

MỤC LỤC

Trang

LỜI CAM ĐOAN i

LỜI CẢM ƠN ii

MỤC LỤC iii

DANH MỤC CÁC KÝ HIỆU, CÁC TỪ VIẾT TẮT vi

DANH MỤC CÁC BẢNG viii

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ x

MỞ ĐẦU 1

1 Lý do chọn đề tài 1

2 Tính cấp thiết của đề tài 1

3 Mục tiêu nghiên cứu 2

3.1 Mục tiêu tổng quát 2

3.2 Mục tiêu cụ thể 2

4 Nội dung nghiên cứu 2

5 Đối tượng và phạm vi nghiên cứu 2

5.1 Đối tượng nghiên cứu 2

5.2 Phạm vi nghiên cứu 2

6 Phương pháp nghiên cứu 2

7 Ý nghĩa khoa học và thực tiễn của đề tài 2

7.1 Ý nghĩa khoa học 2

7.2 Ý nghĩa thực tiễn 2

8 Cấu trúc đề tài 3

Chương 1 TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP 4

NHẬN DẠNG TÍN HIỆU ĐIỆN TIM 4

1.1 Đặt vấn đề 4

1.2 Tình hình nghiên cứu ngoài nước 6

1.3 Tình hình nghiên cứu trong nước 10

1.4 Định hướng nghiên cứu của đề tài 12

1.5 Kết luận chương 1 12

Chương 2 GIỚI THIỆU CHUNG VỀ MẠNG NƠ-RÔN 13

2.1 Trí tuệ nhân tạo 13

2.2 Nơ-rôn sinh học 16

2.3 Mạng nơ-rôn nhân tạo 17

2.3.1 Lịch sử hình thành và phát triển 17

2.3.2 Mô hình mạng nơ-rôn nhân tạo 18

2.3.3 Các hàm kích hoạt 21

2.3.4 Phân loại các mạng nơ-rôn 23

2.4 Huấn luyện mạng nơ-rôn 25

2.5 Một số ứng dụng của mạng nơ-rôn 25

2.6 Một số mạng nơ-rôn được đề xuất để ứng dụng nhận dạng tín hiệu điện tim 27

2.6.1 Mạng MLP 27

2.6.2 Mạng nơ-rôn mờ TSK 30

2.6.3 Máy véc-tơ hỗ trợ SVM 37

2.6.4 Rừng ngẫu nhiên RF 38

2.7 Kết luận chương 2 39

Chương 3 XÂY DỰNG MÔ HÌNH PHỐI HỢP CÁC MẠNG NƠ-RÔN NHẬN DẠNG TÍN HIỆU ĐIỆN TIM 40

3.1 Trích chọn đặc tính tín hiệu điện tim ECG 40

3.1.1 Phát hiện đỉnh R 41

3.1.2 Phân tích phức bộ QRS theo các hàm Hermite cơ sở 44

3.2 Xây dựng các mô hình nhận dạng đơn 48

3.2.1 Quy trình xây dựng các mô hình đơn 48

3.2.2 Xây dựng mô hình mạng MLP 49

3.2.3 Xây dựng mô hình mạng TSK 49

3.2.4 Xây dựng mô hình véc-tơ hỗ trợ SVM 49

3.2.5 Mô hình rừng ngẫu nhiên RF 50

3.3 Phối hợp mạng nơ-rôn nhận dạng tín hiệu điện tim bằng mô hình cây quyết định 51 3.3.1 Đề xuất mô hình kết hợp 51

3.3.2 Quy trình xây dựng cây quyết định cho khối tổng hợp kết quả 53

3.3.3 Cây quyết định 54

3.4 Kết luận chương 3 60

Chương 4 KẾT QUẢ TÍNH TOÁN, MÔ PHỎNG 54

4.1 Xây dựng các bộ số liệu mẫu 54

4.1.1 Cơ sở dữ liệu MIT-BIH 54

4.1.2 Cơ sở dữ liệu MGH/MF 57

4.2 Các chỉ tiêu đánh giá chất lượng mô hình nhận dạng tín hiệu điện tim 58

4.3 Kết quả mô hình nhận dạng đơn 59

4.3.1 Trên bộ cơ sở dữ liệu MIT-BIH 59

4.3.2 Trên bộ cơ sở dữ liệu MGH/MF 62

4.4 Kết quả thử nghiệm mô hình kết hợp mạng nơ-rôn bằng cây quyết định 63

4.4.1 Thử nghiệm kết hợp giữa ba mạng cơ sở MLP, TSK và SVM 63

4.4.2 Các thử nghiệm kết hợp khác 66

4.5 Kết luận chương 4 69

KẾT LUẬN VÀ KIẾN NGHỊ 70

Kết luận 70

Kiến nghị 70

DANH MỤC CÁC KÝ HIỆU, CÁC TỪ VIẾT TẮT

Từ, cụm từ

ANN Artificial Neural Network Mạng nơ-rôn nhân tạo

BPN Back Propagation Network Mạng lan truyền ngược

CHF Congestive heart failure Suy tim sung huyết

ELM Elaboration Likelihood Model Xây dựng khả năng mô hình

FastICA Independent Component

FIR Finite Impulse Response Filter Bộ lọc có đáp ứng xung hữu hạn

ICA Independent Component

KNN K-nearest neighbors Thuật toán học máy có giám sát

L Left Bundle Branch Block Beat Block nhánh trái

LVQ Learning Vector Quantization Học tập Vector sự lượng tử hóa

MGH/MF MGH/MF Waveform Database Cơ sở dữ liệu MGH/MF

MIT-BIH MITBIH Arrhythmia Database Cơ sở dữ liệu MITBIH

MLP Multi-Layer Perceptron

Network

Mạng nơ-rôn truyền thẳng nhiều lớp

PCA Principal Components Analysis Phép phân tích thành phần chính

PCA Principal Component Analysis Phân tích theo thành phần chính

R Right Bundle Branch Block Beat Block nhánh phải

S raventricular Premature Beat Loạn nhịp thất trên

SNR Signal-to-noise ratio Tỷ lệ tín hiệu trên nhiễu

SVD Singular Value Decomposition Phân tích theo các giá trị kỳ dị

Từ, cụm từ

SVM Support Vector Machine Máy vectơ hỗ trợ

tính đúng TSK Takaga – Sugeno – Kang neuro

TTNT Artificial intelligence Trí tuệ nhân tạo

V Premature Ventricular

DANH MỤC CÁC BẢNG

Trang

Bảng 3.1 Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 3 loại nhịp 56

Bảng 3.2 Ví dụ số liệu cụ thể của sáu mẫu học (từ 1 6) và ba mẫu kiểm tra (từ 7 9) 56

Bảng 3.3 Ma trận phân bố kết quả nhận dạng ba loại mẫu nhịp bằng cây quyết định 57 Bảng 3.4 Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 3 loại nhịp 57

Bảng 3.5 Bảng số liệu học và kiểm tra cho ví dụ 2 58

Bảng 3.6 Kết quả nhận dạng của Ví dụ 2 60

Bảng 4.1 Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 7 loại rối loạn nhịp tim từ CSDL MIT-BIH 55

Bảng 4.2 Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 2 loại nhịp 55

Bảng 4.3 Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 3 loại nhịp 57

Bảng 4.4 Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 2 loại nhịp 57

Bảng 4.5 Ma trận phân bố kết quả nhận dạng 7 loại mẫu nhịp bằng mạng MLP 59

Bảng 4.6 Ma trận phân bố kết quả nhận dạng 7 loại mẫu nhịp bằng mạng TSK 60

Bảng 4.7 Ma trận phân bố kết quả nhận dạng 7 loại mẫu nhịp bằng mạng SVM 60

Bảng 4.8 Ma trận phân bố kết quả nhận dạng 7 loại mẫu nhịp bằng RF 60

Bảng 4.9 Các thông số đánh giá chất lượng của bốn mô hình cơ sở MLP, TSK, SVM và RF khi nhận dạng 7 loại nhịp, thử nghiệm trên bộ CSDL MIT-BIH 61

Bảng 4.10 Ma trận phân bố kết quả nhận dạng 2 loại mẫu nhịp: Normal và abnormal 61

Bảng 4.11 Các thông số đánh giá chất lượng của bốn mô hình cơ sở MLP, TSK, SVM và RF khi nhận dạng hai loại nhịp, thử nghiệm trên bộ CSDL MIT-BIH 62

Bảng 4.12 Ma trận phân bố kết quả nhận dạng 3 loại mẫu nhịp bằng mạng MLP 62

Bảng 4.13 Ma trận phân bố kết quả nhận dạng 3 loại mẫu nhịp bằng mạng TSK 62

Bảng 4.14 Ma trận phân bố kết quả nhận dạng 3 loại mẫu nhịp bằng mạng SVM 62

Bảng 4.15 Ma trận phân bố kết quả nhận dạng 3 loại mẫu nhịp bằng mạng RF 63

Bảng 4.16 Các thông số đánh giá chất lượng của bốn mô hình cơ sở MLP, TSK, SVM và RF khi nhận dạng ba loại nhịp, thử nghiệm trên bộ CSDL MGH/MF 63

Bảng 4.17 Các thông số đánh giá chất lượng của bốn mô hình cơ sở MLP, TSK, SVM và RF khi nhận dạng hai loại nhịp, thử nghiệm trên bộ CSDL MGH/MF 63

Bảng 4.18 Ma trận phân bố kết quả nhận dạng 7 loại mẫu nhịp bằng mô hình kết hợp MLP, TSK, SVM 64

Bảng 4.19 Các thông số đánh giá chất lượng của bốn mô hình cơ sở MLP, TSK, SVM

và mô hình kết hợp MLP-TSK-SVM khi nhận dạng 7 loại nhịp 64 Bảng 4.20 Bảng kết quả của các mô hình kết hợp kết quả của ba mô hình nhận dạng đơn MLP-TSK-SVM 65 Bảng 4.21 Kết quả nhận dạng 7 loại nhịp (CSDL MIT-BIH) bằng các mô hình đơn và các mô hình kết hợp 66 Bảng 4.22 Kết quả nhận dạng 2 loại nhịp (CSDL MIT-BIH) bằng các mô hình đơn và các mô hình kết hợp 67 Bảng 4.23 Kết quả nhận dạng 3 loại nhịp (CSDL MGH/MF) bằng các mô hình đơn và các mô hình kết hợp 67 Bảng 4.24 Kết quả nhận dạng 2 loại nhịp (CSDL MGH/MF) bằng các mô hình đơn và các mô hình kết hợp 68

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Trang

Hình 1.1.Tín hiệu điện tim và các phân tích cơ bản từ tín hiệu điện tim 5

Hình 1.2.Hình dáng và thành phần chính của tín hiệu điện tim ECG 6

Hình 1.3.Mô hình chung của hệ thống nhận dạng tín hiệu điện tim ECG 6

Hình 1.4.Sơ đồ khối của bộ phân tích tín hiệu ECG 7

Hình 1.5.Sơ đồ khối hệ thống phân tích ECG dựa trên mạng nơ-rôn 7

Hình 1.6.Các khối xử lý tín hiệu 11

Hình 2.1 Các quá trình phát triển của trí tuệ nhân tạo [37] 14

Hình 2.2 Ảnh hưởng của TTNT tới các lĩnh vực[37] 14

Hình 2.3 Mô hình xử lý ngôn ngữ điển hình của TTNT [37] 15

Hình 2.4 Mô hình mạng nơ-rôn sinh học 16

Hình 2.5 Mô hình một nơ-rôn nhân tạo 18

Hình 2.6 Hình hàm đồng nhất 21

Hình 2.7 Hàm bước nhị phân (Binary step function) 22

Hình 2.8 Hàm Sigmoid 22

Hình 2.9 Hàm sigmoid lưỡng cực 22

Hình 2.10 Mô hình mạng nơ-rôn một lớp 23

Hình 2.11 Mô hình mạng nơ-rôn 3 lớp truyền thẳng 24

Hình 2.12 Mô hình mạng nơ-rôn 3 lớp hồi quy 24

Hình 2.13 Mô hình học có thầy (Supervised learning model) 25

Hình 2.14 Mạng MLP với một lớp ẩn 27

Hình 2.15 Mạng nơ–rôn mờ TSK 31

Hình 2.16 Vùng dữ liệu 37

Hình 2.17 SVM phân tách dữ liệu bằng dải bóng mờ chia các quan sát thành hai nhóm Đường thẳng ở giữa dải bóng mờ là đường biên (boundary) 38

Hình 3.1 Sơ đồ quy trình xây dựng véc tơ đặc tính cho tín hiệu điện tim 41

Hình 3.2 Sơ đồ hoạt động của thuật toán phát hiện đỉnh R 41

Hình 3.3 Phân bố phổ năng lượng của tín hiệu ECG 42

Hình 3.4 Phân bố phổ năng lượng của tín hiệu ECG gốc (a), kết quả sau khi lọc (b) 42 Hình 3.5 Mối quan hệ giữa QRS (a) và tín hiệu lấy trung bình tín hiệu theo thời gian (b) 43

Hình 3.6 Ví dụ các bước phát hiện đỉnh R: 44

Hình 3.7 Đồ thị của hàm Hermite bậc n: 45

Hình 3.8 Xấp xỉ tín hiệu ECG bằng N hàm Hermite cơ sở đầu tiên: 47

Hình 3.9 Đồ thị khảo sát sai số xấp xỉ theo số lượng các hàm Hermite cơ sở 47

Hình 3.10 Hình ảnh khai triển các loại nhịp tím khác theo 16 hàm Hermite đầu tiên 48 Hình 3.11 Quá trình xây dựng các cây quyết định thành phần 50

Hình 3.12 Quá trình kiểm tra của mô hình rừng ngẫu nhiên RF 50

Hình 3.13 Sơ đồ chung của mô hình kết hợp sử dụng nhiều mô hình nhận dạng đơn 51 Hình 3.14 Sơ đồ khối chung của hệ thống kết hợp song song nhiều mô hình đơn 52

Hình 3.15 Sơ đồ nguyên lý quá trình tạo cây quyết định 53

Hình 3.16 Mô hình cây quyết định dạng nhị phân [3] 54

Hình 3.17 Chuyển một nút bậc cao (a) thành một nút nhị phân (b) [3] 55

Hình 3.18 Cây quyết định xây dựng từ bộ số liệu có 90 mẫu (ví dụ 1) 56

Hình 3.19 Cấu trúc cây quyết định tạo ra từ bộ số liệu trong bảng 3.5 59

Hình 4.1 Hình dáng mẫu phức bộ QRS của các loại nhịp A, E, L, R, I và V 57

Hình 4.2 Hình dáng mẫu phức bộ QRS của các loại nhịp V, S, N 58

Hình 4.3 So sánh số mẫu nhận dạng sai, chẩn đoán âm tính sai FN, chẩn đoán dương tính sai FP của ba mô hình nhận dạng cơ sở và mô hình kết hợp 64

MỞ ĐẦU

1 Lý do chọn đề tài

Ngày nay, cùng với sự phát triển mạnh mẽ của công nghệ kỹ thuật điện tử, công nghệ thông tin và trí tuệ nhân tạo đã mở ra nhiều ứng dụng hữu ích và đem lại hiệu quả kinh tế cao trong đời sống xã hội Trong y học, công nghệ thông tin và điện tử đã đem lại nhiều ứng dụng trong việc chăm sóc, bảo vệ sức khỏe con người Mặt khác, các bác

sĩ luôn cần có các thông tin chính xác phục vụ công tác chuẩn đoán, xác định bệnh, điều trị, tư vấn và theo dõi diễn biến bệnh của bệnh nhân

Tín hiệu điện tim (ECG) 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

Nhận dạng tín hiệu ECG là một trong những vấn đề mà khoa học và công nghệ hiện nay đang được tiếp tục quân tâm, đầu tư nghiên cứu, đây là một vấn đề khó, yêu cầu độ chính xác và độ tin cậy cao Một trong những nguyên nhân gây khó khăn cho nhận dạng tín hiệu ECG là sự ảnh hưởng bởi quá trình chuyển động của người bệnh đặc biệt là các hoạt động của quá trình hô hấp gây ra

Đã có nhiều nghiên cứu về phương pháp nhận dạng tín hiệu điện tim dùng mạng Nơ-rôn như: mạng Nơ-rôn mờ STK, mạng Nơ-rôn kinh điểm MLP, mạng Nơ-rôn tích chập… Để nâng cao chất lượng, độ chính xác khi nhận dạng tín hiệu điện tim Luận văn đề xuất phối hợp nhiều mạng Nơ-rôn khác nhau

2 Tính cấp thiết của đề tài

Tim là một bộ phận quan trọng trong hệ tuần hoàn cơ thể của con người cũng như cơ thể của động vat Việc hoạt động của tim rất quan trọng đối với cơ thể, khi có bất cứ tổn thương nào tới tim sẽ có thể ảnh hưởng tới sự sống Chính vì vậy việc kiểm tra sức khoẻ của tim thường xuyên là yếu tố hàng đầu giúp đánh giá tình trạng sức khỏe của mỗi người

Hoạt động của tim được thể hiện qua nhiều yếu tố khác nhau, trong đó những tín hiệu điện sinh học do tim phát ra là một trong những yếu tố quan trọng nhất để đánh giá hoạt động của tim Thông qua những tín hiệu điện tim dưới dạng sóng hay điện tâm đồ các bác sĩ có thể chuẩn đoán được một số vấn đề liên quan đến tim như: dị tật bẩm sinh ở tim, bênh van tim, loạn nhịp tim, tiểu đường, đái tháo đường,…

Đã có nhiều công trình nghiên cứu về nhận dạng tín hiệu điện tim ECG sử dụng mạng nơ-rôn cho kết quả chính xác Tác giả để xuất giải pháp kết hợp/phối hợp nhiều mô hình mạng nơ-rôn sử dụng cây quyết định Việc phối hợp nhiều mạng Nơ-rôn nhận dạng tín hiệu điện tim ECG giúp tín hiệu nhận dạng được chính xác hơn từ đó hỗ trợ bác sĩ chuyên khoa chẩn đoán bệnh lý cũng như theo dõi tình trạng sức khỏe của bệnh nhân, đồng thời đưa ra pháp đồ điều trị cho các bệnh về tim phù hợp hơn

3 Mục tiêu nghiên cứu

4 Nội dung nghiên cứu

- Tổng quan về các phương pháp nhận dạng tín hiệu điện tim

- Giới thiệu chung về mạng Nơ – rôn

- Xây dựng mô hình phối hợp các mạng nơ-rôn nhận dạng tín hiệu điện tim

- Kết quả tính toán, mô phỏng

5 Đối tượng và phạm vi nghiên cứu

5.1 Đối tượng nghiên cứu

- Bộ tín hiệu mẫu tín hiệu điện tim

- Các mô hình mạng Nơ-rôn (MLP, TSK, SVM, RF, và mô hình phối hợp giữa các mạng MPL-TSK-SVM, MLP-TSK-RF, MLP-RF-SVM, RF-TSK-SVM, MLP-TSK-SVM-RF)

5.2 Phạm vi nghiên cứu

Nghiên cứu, nhận dạng tín hiệu điện tim từ bộ tín hiệu mẫu

6 Phương pháp nghiên cứu

- Nghiên cứu tài liệu: Các mô hình, phương pháp nhận dạng tín hiệu điện tim đã được công bố trên sách, tạp chí,

- Nghiên cứu thực nghiệm: tính toán, mô phỏng trên phần mềm Matlab kết quả

nhận dạng tín hiệu điện tim ECG

7 Ý nghĩa khoa học và thực tiễn của đề tài

bệnh Vì vậy, đề xuất một giải pháp nhằm nâng cao chất lượng nhận dạng tín hiệu ECG

có ý nghĩa quan trọng trong thực tiễn, góp phần bổ sung vào các giải pháp hỗ trợ cho quá trình chẩn đoán, xác định, điều trị và theo dõi bệnh của bác sĩ tuyến cơ sở

8 Cấu trúc đề tài

Cấu trúc của luận văn gồm 04 chương, ngoài ra còn mục lục, danh sách các ký hiệu, từ viết tắt; bảng/hình vẽ, đồ thị; các tài liệu tham khảo; cụ thể:

Chương 1: Tổng quan về các phương pháp nhận dạng tín hiệu điện tim

Chương 2: Giới thiệu chung về mạng nơ-rôn

Chương 3: Xây dựng mô hình phối hợp các mạng nơ-rôn nhận dạng tín hiệu điện tim

Chương 4: Kết quả tính toán, mô phỏng

Kết luận và khuyến nghị

Chương 1 TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP

NHẬN DẠNG TÍN HIỆU ĐIỆN TIM 1.1 Đặt vấn đề

Tim là một bộ phận quan trọng trong hệ tuần hoàn cơ thể của con người cũng như cơ thể của động vật Với chức năng bơm máu đều đặn qua các đường động mạch, đem dưỡng khí và chất dinh dưỡng đi lên não bộ và nuôi toàn bộ cơ thể, mặt khác tim cũng có nhiệm vụ đào thải các chất không phù hợp với cơ thể trong quá trình trao đổi chất Tim sẽ hút máu chứa CO2 trở lại tim và đưa tới phổi trao đổi khí này lấy O2,…

Việc hoạt động của tim rất quan trọng đối với cơ thể, khi có bất cứ tổn thương nào tới tim sẽ có thể ảnh hưởng tới sự sống Chính vì vậy việc kiểm tra sức khỏe của tim thường xuyên là yếu tố hàng đầu giúp đánh giá tình trạng sức khỏe của mỗi người

Tim hoạt động được là nhờ một xung điện truyền qua hệ thống thần kinh tự trị của tim Xung điện được bắt đầu từ một hạch gọi là nút xoang nhĩ (SA sinoatrial) gồm các tế bào có khả năng tự tạo xung điện (Electric Impulse) Xung điện này truyền ra các cơ chung quanh làm co bóp hai tâm nhĩ Sau đó dòng điện tiếp tục truyền theo 1 chuỗi tế bào đặc biệt tới một hạch khác gọi là nút nhĩ thất (AV Atrioventricular) nằm gần khu tiếp giáp giữa các tâm thất rồi theo chuỗi tế bào sợi Purkinje chạy dọc theo vách chia hai tâm thất lan vào các cơ chung quanh làm hai tâm thất co bóp (tạo nên phức bộ QRS) Sau đó xung điện giảm đi, tâm thất dãn ra

Hoạt động của tim được thể hiện qua nhiều yếu tố khác nhau, trong đó những tín hiệu điện sinh học do tim phát ra là một trong những yếu tố rất quan trọng nhất để đánh giá hoạt động của tim Thông qua những tín hiệu điện tim dưới dạng sóng hay điện tâm đồ (ElectroCardioGram gọi tắt là ECG) Để thu được tín hiệu ECG, người ta đặt các điện cực của máy ghi ECG lên cơ thể Tùy theo vị trí đặt các điện cực mà hình dáng của tín hiệu ECG sẽ khác nhau

Tín hiệu ECG chứa thông tin chủ yếu để xác định các bệnh lý về tim mạch Như trên hình 1.2 tín hiệu điện tim là một đường cong ghi lại sự biến thiên của điện áp do tim sinh ra khi hoạt động, hình dáng chính của tín hiệu điện tim ECG là tổng hợp của các sóng P, phức bộ QRS và sóng T Trong đó, phức bộ QRS chứa nhiều thông tin quan trọng nhất, cụ thể [5, 21]:

Hình 1.1 Tín hiệu điện tim và các phân tích cơ bản từ tín hiệu điện tim

- Có 12 chuyển đạo được xây dựng dựa trên vị trí đặt các điện cực, trong đó chuyển đạo tay trái – tay phải là chuyển đạo được quan tâm nhiều nhất vì nó biểu hiện

rõ nét nhất các pha co dãn của tim;

- Sóng P đại diện cho làn sóng khử cực lan truyền từ nút xoang sang tâm nhĩ Khoảng PR là khoảng thời gian cần thiết để xung điện đi từ nút xoang qua nút nhĩ thất (AV) vào các tâm thất Phức bộ QRS là quá trình khử cực tâm thất Sóng Q đại diện quá trình khử cực từ trái sang phải của vách ngăn lên tâm thất Sóng R đại diện quá trình khử cực sớm của tâm thất Sóng S đại diện quá trình khử cực muộn của tâm thất Đoạn ST là thời điểm tâm thất được khử cực hoàn toàn và đoạn này có điện thế trùng với đường đẳng điện Khoảng QT là thời gian xảy ra cả hai quá trình khử cực và tái cực tâm nhĩ

- Sóng T đại diện tái cực thất và thời gian kéo dài hơn so với quá trình khử cực; Một tín hiệu ECG bình thường có các thông số cơ bản như sau:

- Số nhịp tim trung bình của một người bình thường là từ 50÷100 nhịp/phút;

- Biên độ (mV): Phức bộ QRS < 1,5; sóng P < 0,25; sóng Q bằng khoảng 25 %

so với sóng R kế đó, cuối cùng sóng T có giá trị trong khoảng 0,1÷0,5;

- Thời gian tồn tại (ms): Phức bộ QRS là 50 ÷ 100, P-R là 120 ÷ 200, QT là 350÷440, S-T là 50÷150, sóng P < 120

Hình 1.2 Hình dáng và thành phần chính của tín hiệu điện tim ECG

Thông qua tín hiệu điện tim bác sĩ có thể chẩn đoán được một số vấn đề liên quan đến tim như: dị tật bẩm sinh ở tim, bệnh van tim, loạn nhịp tim, tiểu đường, đái tháo đường, …

Mô hình chung của một hệ thống nhận dạng tín hiệu điện tim thể hiện như hình 1.3, gồm bốn khối chính: Thu thập, tiền xử lý, trích chọn đặc tính, nhận dạng

Hình 1.3 Mô hình chung của hệ thống nhận dạng tín hiệu điện tim ECG

1.2 Tình hình nghiên cứu ngoài nước

Nhận dạng tín hiệu ECG là một trong những vấn đề kỹ thuật vẫn đang được quan tâm, đầu tư nghiên cứu Hiện nay, do đây là một vấn đề khó, phức tạp liên quan đến con người đòi hỏi yêu cầu độ chính xác và độ tin cậy cao Việc nhận dạng tín hiệu ECG đã được nghiên cứu từ rất lâu ở những nước phát triển Điển hình như các hãng sản xuất thiết bị y tế như hãng Advanced, hãng Kalamed, hãng Fukuda, hãng Contec

đã cho ra đời nhiều loại thiết bị đo điện tim Mỗi thiết bị có những phương pháp nhận dạng khác nhau, cụ thể như:

Xử lý tín hiệu ECG để phát hiện sự bất thường bằng việc sử dụng phương pháp phân loại sóng đa độ phân giải và mạng nơ-rôn nhân tạo [5]

Trong nghiên cứu này, nhóm tác giả đưa ra hướng nghiên cứu sử dụng nơ – rôn nhân tạo kết hợp với tính năng biến đổi sóng rời rạc và hình thái để phân tích tín hiệu ECG Tín hiệu ECG được phân tích thành hai lớp tín hiệu (tín hiệu ECG bất thường và tín hiệu bình thường) bằng việc sử dụng nhiều mạng nơ rơn khác nhau để phân tích

Cơ sở dữ liệu loạn nhịp tim được sử dụng là MITH BIH

Hình 1.4 Sơ đồ khối của bộ phân tích tín hiệu ECG

Các mạng nơ-rôn được sử dụng trong nghiên cứu để phân tích tín hiệu gồm mạng nơ-rôn lan truyền ngược (BPN), mạng nơ-rôn truyền thẳng (FFN), mạng nơ-rôn nhiều lớp (MLP) Hiệu suất phân loại được đo theo độ nhạy (Se), tiên lượng dương tính (PP), tính đặc hiệu (SP)

Qua nghiên cứu nhóm tác giả đã đạt được độ chính xác tổng thể lên tới 97,8% khi sử dụng mạng nơ-rôn lan truyền ngược và mạng nơ-rôn truyền thẳng và đạt được

độ chính xác 100% khi sử dụng mạng nơ-rôn truyền thẳng nhiều lớp với các lớp tế bào thần kinh (20,20,10) trong các lớp ẩn Phần lớn kết quả dạy học và kiểm tra mẫu dữ liệu đạt lớn hơn 90%

Khai thác đặc tính và phân tích tín hiệu ECG dựa trên mạng nơ-rôn nhân tạo và phương pháp học máy [11]

Nghiên cứu này được phân loại tín hiệu ECG thành hai lớp, tín hiệu bình thường và bất thường Dạng sóng ECG được phát hiện và phân tích bằng 48 bản ghi của cơ sở dữ liệu rối loạn nhịp tim MIT-BIH Hiệu suất phân loại được đo lường về độ nhạy (Se), dự đoán tích cực (PP) và độ đặc hiệu (SP) Trong bài viết này, tác giả đã trình bày một thuật toán KNN để phân loại và phát hiện phức bộ QRS Trong đó một thuật toán để phát hiện đỉnh R Và sử dụng ba loại phân loại là Mạng lan truyền ngược (BPN), mạng nơ-rôn truyền thẳng và Mạng nơ-rôn nhiều lớp (MLP)

Hình 1.5 Sơ đồ khối hệ thống phân tích ECG dựa trên mạng nơ-rôn

Tín hiệu đầu vào được lựa chọn từ cơ sở dữ liệu loạn nhịp MIT-BIH Tiền xử lý

sẽ khử nhiễu cho tín hiệu ECG Nó được sử dụng làm đầu vào cho giai đoạn sau

Tiền xử lý Loại bỏ biến tính tín hiệu điện tâm đồ

Phát hiện đỉnh sóng trong tín hiệu điện tâm đồ Phân loại

Bình thường Khác thường

Tín hiệu điện

tâm đồ từ CSDL

MIT-BIH

Trong giai đoạn sau có nhiệm vụ phát hiện cực đại và phức bộ QRS Tín hiệu ECG được phân loại theo BPN, SVM và ELM Các bộ lọc được sử dụng trong nghiên cứu gồm bộ lọc trung bình, bộ lọc FIR, bộ lọc Gaussian và bộ lọc Butterworth Việc sắp xếp các bộ lọc để loại bỏ đi nhiễu điện từ và lỗi phát sinh từ thiết bị Tín hiệu ECG được trích xuất và phân tách thành Tín hiệu ECG bị phân hủy lên đến tám cấp độ Kiểu phân tách này được sử dụng để trích xuất các tính năng và hữu ích cho việc lựa chọn sóng P, Q, R và S

Sau đó tất cả các đỉnh được xác định bởi giá trị nhỏ nhất và lớn nhất Sử dụng phức hợp QRS, trong bài báo này tìm ra nhịp tim và những nhịp tim này được đưa ra

để phân loại đầu ra như bình thường và bất thường Trong bài báo này, ba mô hình mạng nơ-rôn được sử dụng để được thực hiện để phân loại nhịp tim bình thường và bất thường là BPN, SVM và ELM

Phương pháp đề xuất thử nghiệm cho kết quả tốt nhất với độ chính xác 97%, độ nhạy 100%, độ đặc hiệu 96% và dự đoán tích cực 95% Các loại tiếng ồn và tín hiệu nhiễu có trong tín hiệu ECG của cơ sở dữ liệu được giảm bằng bộ lọc trung bình

Tìm kiếm các tính năng để phát hiện co thắt tâm thất sớm theo thời gian thực bằng cách sử dụng hệ thống mạng nơ-rôn mờ (FNN) [18]

Nghiên cứu này đã giới thiệu một cách cách tiếp cận để phát hiện các cơn co thắt tâm thất sớm (PVC) bằng cách sử dụng mạng nơ-rôn với các chức năng liên kết

mờ có trọng số (NEWFM) NEWFM phân loại nhịp thông thường và nhịp PVC bằng tổng giới hạn được đào tạo của các hàm liên thuộc mờ có trọng số (BSWFM) bằng cách sử dụng hệ số biến đổi wavelet từ cơ sở dữ liệu MIT-BIH PVC Tám hệ số tổng quát, liên quan cục bộ đến tín hiệu thời gian, được trích xuất bằng phương pháp đo phân bố vùng không trùng lặp Tám hệ số tổng quát được sử dụng cho ba tập dữ liệu PVC với tỷ lệ chính xác đáng tin cậy lần lượt là 99,80%, 99,21% và 98,78%, có nghĩa

là các tính năng đã chọn ít phụ thuộc vào tập dữ liệu hơn Nó được chỉ ra rằng vị trí của tám đặc điểm không chỉ xung quanh phức hợp QRS đại diện cho sự khử cực tâm thất trong điện tâm đồ (ECG) chứa sóng Q, sóng R và sóng S, mà còn cả đoạn QR từ sóng Q đến sóng R có nhiều thông tin phân biệt hơn so với đoạn RS từ sóng R đến sóng S BSWFM của tám tính năng được NEWFM đào tạo được hiển thị trực quan, giúp các tính năng có thể diễn giải một cách rõ ràng Vì mỗi BSWFM kết hợp nhiều hàm liên thuộc mờ có trọng số thành một bằng cách sử dụng tổng giới hạn, tám BSWFM kích thước nhỏ có thể nhận ra phát hiện PVC thời gian thực trong môi trường

di động nhưng cũng có đoạn QR từ sóng Q đến sóng R có nhiều thông tin phân biệt hơn so với đoạn RS từ sóng R đến sóng S BSWFM của tám tính năng được NEWFM đào tạo được hiển thị trực quan, giúp các tính năng có thể diễn giải một cách rõ ràng Vì mỗi BSWFM kết hợp nhiều hàm liên thuộc mờ có trọng số thành một bằng cách sử dụng tổng giới hạn, tám BSWFM kích thước nhỏ có thể nhận ra phát hiện PVC thời gian thực trong môi trường di động nhưng cũng có đoạn QR từ sóng Q đến

sóng R có nhiều thông tin phân biệt hơn so với đoạn RS từ sóng R đến sóng

S BSWFM của tám tính năng được NEWFM đào tạo được hiển thị trực quan, giúp các tính năng có thể diễn giải một cách rõ ràng Vì mỗi BSWFM kết hợp nhiều hàm liên thuộc mờ có trọng số thành một bằng cách sử dụng tổng giới hạn, tám BSWFM

kích thước nhỏ có thể nhận ra phát hiện PVC thời gian thực trong môi trường di động

Phân loại rối loạn nhịp tim ECG bằng cách sử dụng mạng nơ-rôn lượng tử hóa vectơ học [9]

Mục đích của nghiên cứu này là áp dụng mạng nơ-rôn lượng tử hóa vectơ học (LVQ) để phân loại rối loạn nhịp tim từ bộ dữ liệu Điện tâm đồ (ECG) Các thuật toán phân loại LVQ không xấp xỉ các hàm mật độ của các mẫu lớp mà trực tiếp xác định ranh giới lớp dựa trên các nguyên mẫu, quy tắc láng giềng gần nhất và mô hình thắng-lấy-tất cả Nó có hiệu suất vượt trội so với phương pháp truyền ngược (BP) theo nghĩa giảm thiểu các lỗi phân loại trong khi duy trì sự hội tụ nhanh chóng Đầu tiên, phân tích thành phần chính được sử dụng để giảm kích thước của các tính năng đầu vào và tăng khả năng phân biệt Sau đó, sáu mạng thần kinh LVQ được huấn luyện để phân loại từng trường hợp thành các lớp "khỏe mạnh" và "loạn nhịp tim" Các mạng lưới được đào tạo và thử nghiệm cho bộ dữ liệu rối loạn nhịp tim UCI ECG Bộ dữ liệu này

là một môi trường tốt để kiểm tra các bộ phân loại vì nó là dữ liệu tín hiệu sinh học không đầy đủ và không rõ ràng từ nhiều bệnh nhân Hiệu suất phân loại của mỗi thuật toán được đánh giá bằng cách sử dụng bốn thước đo; độ nhạy, độ đặc hiệu, độ chính xác của phân loại và thời gian thực hiện để xây dựng hệ thống Kết quả thực nghiệm khuyến nghị sử dụng thuật toán LVQ cho một nghiên cứu mở rộng hơn liên quan đến chủ đề này

Cách tiếp cận dựa trên SVD và SVM để phát hiện suy tim sung huyết từ tín hiệu điện tâm đồ [13]

Bài báo này trình bày một cách tiếp cận phát hiện tích hợp khoảng RR tính năng trích xuất và phân loại suy tim sung huyết (CHF) Trong trích xuất các tính năng khoảng RR, tác giả đã sử dụng phân tách chế độ thực nghiệm (EMD) để phân tách tín hiệu khoảng RR của mỗi đối tượng thành một số chức năng chế độ nội tại (IMF) và sử dụng phân tách giá trị đơn (SVD) để trích xuất các giá trị đơn được xếp hạng cho IMF của mỗi đối tượng Các giá trị số ít được xếp hạng thu được được đưa vào máy vectơ

hỗ trợ (SVM) để phân loại trạng thái sinh lý (sức khỏe hoặc CHF) Kết quả phân loại cho thấy rằng, dựa trên tập dữ liệu từ trang web “PhysioNet”, tổng độ chính xác của việc sử dụng các giá trị số ít của các cấp bậc quan trọng làm các tính năng là 89%

Phân loại nhịp điện tâm đồ có độ chính xác cao dựa trên chuyển đổi Wavelet liên tục và nhiều bộ phân loại máy vectơ hỗ trợ [14]

Nghiên cứu này trình bày một hệ thống phân loại nhịp ECG chính xác cao Nó

sử dụng phép biến đổi Wavelet liên tục kết hợp với phân tích hình thái miền thời gian

để tạo thành ba vectơ đặc trưng riêng biệt từ mỗi nhịp Mỗi vectơ đặc trưng này sau đó

được sử dụng riêng biệt để đào tạo ba bộ phân loại máy vectơ hỗ trợ (SVM) khác nhau Trong quá trình phân loại dữ liệu, mỗi bộ phân loại trong số ba bộ phân loại phân loại độc lập từng nhịp; với kết quả của hệ thống phân loại dựa trên nhiều bộ phân loại được quyết định bằng cách bỏ phiếu giữa ba bộ phân loại độc lập Sử dụng phương pháp này, hệ thống dựa trên đa phân loại có thể đạt độ chính xác trung bình là 99,72% trong việc phân loại sáu loại nhịp

1.3 Tình hình nghiên cứu trong nước

Ở nước ta, tình hình nghiên cứu nhận dạng tín hiệu điện tim là một trong những hướng nghiên cứu mới Tuy nhiên, đã có một số đề tài nghiên cứu chuyên sâu như:

Ứng dụng cây quyết định cho giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim [3]

Hướng chính của nghiên cứu là sử dụng cây quyết định nhị phân (Binary Decision Tree) để tổng hợp kết quả của ba mô hình đơn, đó là các mạng nơ-rôn kinh điển MLP (Multi Layer Perceptron), mạng nơ-rôn logic mờ TSK (Takaga-Sugeno-Kang) và máy vectơ hỗ trợ SVM (Support Vector Machines) để cải thiện độ chính xác

và chất lượng của kết quả nhận dạng Sử dụng các hàm cơ sở Hermite (Hermite Basis Functions) để khai triển phức bộ QRS làm vector đặc trưng của tín hiệu và sử dụng thêm hai đặc tính về thời gian là khoảng cách giữa hai đỉnh R liên tiếp, giá trị trung bình của 10 khoảng cách R-R cuối cùng Giải pháp đã được thử nghiệm trên bộ các số liệu mẫu lấy từ CSDL MIT-BIH (Massachusetts Institute of Technology, Boston’s Beth Israel Hospital)

Nghiên cứu nhận dạng tín hiệu điện tim dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh [5]

Nghiên cứu chức năng của hệ tim mạch - hô hấp các ảnh hưởng chính của nhịp thở trong tín hiệu ECG Từ đó khảo sát và đề xuất lựa chọn họ wavelet và bậc phù hợp

để loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG Trường hợp có tín hiệu nhịp thở được đo đồng thời với tín hiệu ECG, luận văn đề xuất sử dụng 2 đặc tính là biên độ tức thời của nhịp thở để hỗ trợ phát hiện các biến thiên bệnh lý trong tín hiệu ECG Các bộ mẫu tín hiệu được đưa vào mô hình nhận dạng sử dụng mạng nơ-rôn TSK để kiểm chứng hiệu quả của các giải pháp đề xuất

Nghiên cứu này, đề xuất sử dụng phép phân tích tín hiệu theo các hàm cơ sở wavelet Các phương pháp trích chọn đặc tính được sử dụng bộ lọc thích nghi và phương pháp ICA, phương pháp PCA… Dữ liệu cơ sở được sử dụng gồm bộ dữ liệu

cơ sở loạn nhịp MIT-BIH, bộ dữ liệu cơ sở nhịp tim, nhịp thở và huyết áp MGH/MF Nghiên cứu đã sử dụng phương pháp để trích trọng đặc tính như việc ứng dụng việc phân tích giá trị kỳ dị SVD theo hàm Hermite để phân tích tín hiệu ECG và dùng mạng nơ-rôn logic mờ TSK để nhận dạng tín hiệu Có 4 kịch bản nhận dạng đã được xây dựng trong nghiên cứu áp dụng với 2 bộ mẫu MIT-BIH và MGH/MF

Qua nghiên cứu cho thấy sau khi loại bỏ ảnh hưởng của nhịp thở trong tín hiệu điện tim ECG hoặc sử dụng thêm thông tin về nhịp thở có thể cải thiện được chất lượng nhận dạng tín hiệu ECG Kết quả đạt được trên cơ sở nhịp thở thu được từ cảm biến gia tốc so với số nhịp thở thực tế ở trạng thái thở chậm và bình thường cho độ chính xác 100% và thở nhanh đạt độ chính xác 98,35%

Kết hợp mạng Nơ-rôn và biến đổi Wavelet trong nhận dạng phức bộ QRS [1]

Nghiên cứu đã sử dụng 1 đoạn tín hiệu có độ dài 1800 mẫu trong bản ghi 108

cơ sở dữ liệu MIT-BIH để kiểm tra thuật toán Sau khi huấn luyện, lấy tín hiệu ECG ban đầu trừ đi đầu ra của mạng Nơ-rôn ta tìm được lỗi dự báo của mạng là các đỉnh có biên độ lớn có vị trí tương ứng với QRS Sử dụng phương pháp đặt ngưỡng, ta tìm được các đỉnh tương ứng bao trùm toàn bộ phức bộ QRS Như vậy, thuật toán cho kết quả nhận dạng tốt đối với các bản ghi có đỉnh R âm cũng như bản ghi xuất hiện các đỉnh nhọn bất thường không phải đỉnh R (bản ghi người bị bệnh tim)

Tuy nhiên, đối với các bản ghi bị nhiễu rất mạnh, quá trình nhận dạng gặp nhiều khó khăn Để khắc phục vấn đề này, chúng ta kết hợp với biến đổi wavelet để nâng cao hiệu quả nhận dạng Lỗi dự báo sẽ đi qua một khối trung gian, đó là khối biến đổi Wavelet:

Hình 1.6 Các khối xử lý tín hiệu

Mục đích của khối biến đổi Wavelet là loại bỏ ảnh hưởng của nhiễu mạnh Thuật toán nhận dạng thông thường cho kết quả rất xấu đối với tín hiệu bị nhiễu mạnh; còn thuật toán kết hợp Nơ-rôn và Wavelet cho kết quả nhận dạng rất tốt

Như vậy, nghiên cứu đã trình bày hoàn chỉnh phương pháp kết hợp mạng rôn và biến đổi Wavelet trong nhận dạng sóng điện tim QRS Ngay cả với tín hiệu điện tim chưa được tiền xử tốt, bị nhiễu rất mạnh (nhiễu tạp trắng, trôi đường cơ sở ), thuật toán vẫn cho kết quả nhận dạng rất tốt Thuật toán được kiểm chứng với các bản ghi MIT-BIH đã được các bác sỹ trực tiếp ghi chú vị trí phức bộ QRS Nếu kết hợp với việc tiền xử lý tốt tín hiệu đầu vào, chúng ta sẽ có được một thuật toán nhận dạng QRS

Nơ-có độ tin cậy cao

Tách và loại bỏ nhiễu cho tín hiệu điện tâm đồ ECG sử dụng phương pháp phân tích thành phần độc lập FASTICA cải tiến [2]

Tín hiệu điện tâm đồ ECG là một trong những tín hiệu y sinh đã được nghiên cứu rộng rãi và sử dụng cho việc chẩn đoán bệnh ECG đã và đang rất được quan tâm đến bởi các thiết bị lẫn quá trình đo còn gặp rất nhiều vấn đề, tín hiệu ECG thu được rất dễ bị ảnh hưởng bởi nhiều loại nhiễu khác nhau cũng như chồng lẫn trong quá trình

đo và thu thập dữ liệu Nhiễu ở đây có thể kể đến: nhiễu cơ do ảnh hưởng cử động của

Lỗi dự

báo

Biến đổi Wavelet

Bình phương

Cửa sổ tích phân

Xác định QRS

người bệnh, nhiễu do nguồn điện, do môi trường, do sai số trong tính toán, nhiễu từ các thiết bị điện tử trong quá trình thu nhận dữ liệu

Trong bài báo, nhóm tác giả đã đưa ra phương pháp sử dụng FastICA để tách hỗn hợp cũng như loại bỏ nhiễu trong tín hiệu điện tâm đồ Và đã đề xuất phương pháp Newton’s cải tiến để giảm số vòng lặp, tiết kiệm thời gian và tài nguyên tính toán Với các ưu điểm của FastICA việc tách và loại bỏ nhiễu AC, nhiễu cơ đạt được kết quả tốt ngay cả khi tỷ số Tín hiệu/Tạp âm (SNR) rất thấp Ở hai trường hợp mô phỏng tác giả

đã được đưa ra để minh họa cho tính hiệu quả của phương pháp đề xuất

1.4 Định hướng nghiên cứu của đề tài

Ngày nay, nhu cầu kiểm tra sức khỏe định kỳ của mỗi người ngày càng được nâng cao Với sự phát triển của khoa học công nghệ cùng với những phát minh mới trong lĩnh vực điện tử đã tạo động lực giúp con người sáng tạo ra được những sản phẩm thông minh phục vụ cho lợi ích của con người một cách thuận tiện hơn Từ những phân tích ở mục 1.2 và 1.3 cho ta thấy những tiến bộ và sự phát triển mạnh mẽ của đo lường, điều khiển đã cho phép tạo ra những thiết bị đo tín hiệu điện tim theo

nhiều phương pháp khác nhau Theo đó, việc xây dựng mô hình phối hợp các mạng

Nơ-rôn nhận dạng tín hiệu điện tim (ECG) sẽ là tiền đề để nền y học nói chung và ngành chế tạo thiết bị y tế của Việt Nam đạt được những thành tựu mới

Nội dung nghiên cứu chính của đề tài:

- Tổng quan về các phương pháp nhận dạng tín hiệu điện tim;

- Giới thiệu chung về mạng Nơ – rôn;

- Xây dựng mô hình phối hợp các mạng nơ-rôn nhận dạng tín hiệu điện tim;

- Tính toán, mô phỏng kết quả;

1.5 Kết luận chương 1

Chương 1, đã trình bày ngắn gọn về tín hiệu điện tim, tổng quan về một số nghiên cứu liên quan đến nhận dạng tín hiệu điện tim (ECG) trong trong nước và quốc

tế từ đó đề xuất định hướng nghiên cứu của đề tài

Phần đầu chương trình bày khái quát về tín hiệu điện tim và các phương pháp,

kỹ thuật nhận dạng tín hiệu điện tim được sử dụng hiện nay Trong phần tiếp theo tổng quan về các công trình nghiên cứu trong và ngoài nước ứng dụng mạng Nơ-rôn để nhận dạng tính hiệu ECG

Cuối chương đề xuất định hướng nghiên cứu của luận văn với mục tiêu xây dựng giải pháp nhận dạng mới đạt được độ chính xác, tiện dụng và hiệu quả hỗ trợ tốt nhất cho việc đo và nhận dạng các tín hiệu nhịp tim

Chương 2, tiếp theo của luận văn sẽ trình bày tổng quan về mạng Nơ-rôn nhân tạo Ứng dụng mạng Nơ-rôn cho bài toán nhận dạng tín hiệu

Chương 2 GIỚI THIỆU CHUNG VỀ MẠNG NƠ-RÔN 2.1 Trí tuệ nhân tạo

J McCarthy là người đầu tiên đưa cụm từ “Trí tuệ nhân tạo” trở thành một khái niệm khoa học McCarthy và cộng sự cho rằng nghiên cứu trí tuệ nhân tạo nhằm mô

tả chính xác các khía cạnh của xử lý trí tuệ và học (để có được tri thức) và tạo ra được các hệ thống, máy mô phỏng hoạt động học và xử lý trí tuệ

Trí tuệ nhân tạo (TTNT), tiếng Anh là artificial intelligence hay chữ viết tắt được dùng phổ biến là AI, còn có thể hiểu bình dân hơn là ‘thông minh nhân tạo’, tức

là sự thông minh của máy móc do con người tạo ra, đặc biệt tạo ra cho máy tính, robot, hay các máy móc có các thành phần tính toán điện tử Trí tuệ nhân tạo là một lĩnh vực của khoa học và công nghệ nhằm làm cho máy có những khả năng của trí tuệ và trí thông minh của con người, tiêu biểu như biết suy nghĩ và lập luận để giải quyết vấn đề, biết giao tiếp do hiểu ngôn ngữ và tiếng nói, biết học và tự thích nghi, …

Ở giai đoạn đầu, TTNT hướng tới xây dựng các hệ thống, máy có khả năng sử dụng ngôn ngữ tự nhiên, trừu tượng hóa - hình thức hóa các khái niệm và giải quyết vấn đề dựa trên tiếp cận lôgic, ra quyết định trong điều kiện thiếu thông tin TTNT là lĩnh vực liên ngành của Triết học, Tâm lý học, Khoa học thần kinh, Toán học, Điều khiển học, Khoa học máy tính, Ngôn ngữ học, Kinh tế

Tiếp cận thực tế TTNT là lĩnh vực nghiên cứu triển khai, hướng tới phát triển máy tính (nói riêng) và máy (nói chung) với năng lực trí tuệ có thể chứng minh (cảm nhận, đối sánh; đo đếm, đánh giá) được

Một số năng lực trí tuệ điển hình là: Học từ kinh nghiệm (trích rút tri thức từ kinh nghiệm) và áp dụng tri thức; Xác định và trích chọn các đặc trưng quan trọng của các đối tượng, sự kiện, quá trình; Xử lý tình huống phức tạp; Phản ứng nhanh chóng

và chính xác đối với tình huống mới; Nhận dạng và hiểu được ngữ nghĩa hình ảnh; Xử

lý và thao tác ký hiệu; Sáng tạo và có trí tưởng tượng; Sử dụng heuristic (mẹo) Việc chứng minh khả năng trí tuệ của máy hoặc do con người kiểm định (kiểm thử Turing) hoặc đánh giá khách quan (sử dụng các công cụ thống kê, lô gic vị từ và mệnh đề)

Hình 2.1 Các quá trình phát triển của trí tuệ nhân tạo [37]

* Các khu vực chính mà TTNT ảnh hưởng

Nhìn vào hình 2.2 có thể thấy những chỉ dẫn các khu vực chính của TTNT là hệ chuyên gia, người máy, hệ thống thị giác máy, hệ thống xử lý ngôn ngữ tự nhiên, hệ thống học và mạng nơ-rôn

Hệ chuyên gia: Xử lý các tình huống tư vấn (xác định vấn đề tư vấn, thu thập thông tin dữ liệu, suy diễn giải quyết vấn đề, lựa chọn giải pháp phù hợp), tương tự như chuyên gia con người trong miền ứng dụng cụ thể

Hình 2.2 Ảnh hưởng của TTNT tới các lĩnh vực[37]

Người máy: TTNT có thể tự thực hiện được các hành vi có trí tuệ giống con người, nhờ được trang bị các hệ thống phần mềm, thiết bị TTNT Để hạn chế ở mức cao nhất các rủi ro trong khai thác và sử dụng người máy TTNT, ba luật hoạt động của người máy cần được tuân thủ: Người máy không có hành động gây hại cho con người

và cần hành động phù hợp khi con người bị hại; Người máy tuân lệnh con người, ngoại trừ lệnh gây hại cho con người (để không xung đột với luật hoạt động thứ nhất); Người máy biết cách tự bảo vệ mình ngoại trừ trường hợp bị xung đột với luật hoạt động thứ nhất và luật hoạt động thứ hai Cần phân biệt người máy TTNT với người máy công nghiệp làm các công việc buồn tẻ, độc hại và nguy hiểm

Hệ thống thị giác: Máy có khả năng nhận dạng được từ hình ảnh; các đối tượng,

sự kiện, quá trình trong môi trường thế giới thực xung quanh và xác lập vị trí của các đối tượng này Hệ thống thị giác máy có các chức năng: nhận biết đối tượng; định vị đối tượng trong không gian; bám, điều hướng, theo dõi đối tượng chuyển động; và đoán nhận hành vi của đối tượng

Hình 2.3 Mô hình xử lý ngôn ngữ điển hình của TTNT [37]

Hệ thống xử lý ngôn ngữ tự nhiên (Natural language processing, computational linguistics, human language technology, computer speech and language processing): Màm cho máy tính có khả năng hiểu và phản ứng khi tiếp nhận câu nói và chỉ thị được biểu thị bằng ngôn ngữ tự nhiên như tiếng Việt, tiếng Anh Xử lý ngôn ngữ tự nhiên

là khu vực nghiên cứu TTNT đã có quá trình phát triển lâu dài bảy thập kỷ, thu hút cộng đồng nghiên cứu đông đảo trên thế giới và cả ở Việt Nam Xử lý ngôn ngữ tự nhiên gồm xử lý văn bản, xử lý tiếng nói và xử lý tiếng nói – văn bản

Tri thức của con người nhận được từ ba nguồn: (i) tiếp thụ sinh học: tiếp thụ thông qua quá trình tiến hóa sinh tồn của loài người được di truyền qua các thế hệ; (ii) tiếp thu văn hóa: tiếp thu thông qua ngôn ngữ được cha mẹ, gia đình và giáo viên dùng

để truyền tri thức cho thế hệ sau; (iii) tự học suốt đời: tích lũy của cá nhân các tri thức

và kỹ năng Tự học suốt đời giúp con người tự nâng cấp năng lực học để học càng nhanh hơn và hiệu quả hơn Học máy trong TTNT hướng tới máy tính có năng lực

“học” (thu nhận tri thức) tương tự như con người, nhờ có tri thức mà cải thiện cách thức hoạt động, đáp ứng khi nhận được thông tin phản hồi từ môi trường bên ngoài trong các tình huống Học máy thống kê, đặc biệt là học sâu (deep learning), cùng với

dữ liệu lớn, hiện đang là một xu hướng chủ chốt, tạo ra sự phát triển kỳ diệu của TTNT trong hơn một thập kỷ vừa qua Học chuyển đổi (transfer learning), học chuyển

đổi sâu (deep transfer learning), học máy suốt đời (lifelong machine learning) là các kỹ thuật học máy hiện đại, cho phép giải quyết vấn đề trong tình huống thiếu thông tin quan trọng hoặc xử lý tình huống mới

Mạng nơ-rôn: là khu vực TTNT cho phép hệ thống máy tính mô phỏng hoạt động giống như bộ não con người trong việc học mẫu dữ liệu và đoán nhận phân lớp đầu vào Hệ thống mạng nơ-rôn thường sử dụng kiến trúc song song các bộ vi xử lý mảng dựa trên một cấu trúc mạng giống như bộ não con người

2.2 Nơ-rôn sinh học

Não người là tổ chức vật chất cấp cao, có cấu tạo vô cùng phức tạp, dày đặc các mối liên kết giữa các nơ-rôn nhưng xử lý thông tin rất linh hoạt trong môi trường bất định

Qua quá trình nghiên cứu về bộ não, người ta thấy rằng: bộ não con người bao gồm khoảng 1011 nơ-rôn tham gia vào khoảng 1015 kết nối trên 6 các đường truyền Mỗi đường truyền này dài khoảng hơn một mét Các nơ-rôn có nhiều đặc điểm chung với các tế bào khác trong cơ thể, ngoài ra chúng còn có những khả năng mà các tế bào khác không có được, đó là khả năng nhận, xử lý và truyền các tín hiệu điện hóa trên các đường mòn nơ-rôn, các con đường này tạo nên hệ thống giao tiếp của bộ não

Trong bộ não người có khoảng 1011 - 1012 tế bào thần kinh được gọi là các rôn và mỗi nơ-rôn có thể liên kết với 104 nơ-rôn khác thông qua các khớp nối thần kinh (synapse) Dưới con mắt của những người làm tin học cấu tạo của mỗi nơ-rôn gồm các thành phần cơ bản gồm:

nơ Thân nơnơ rôn được giới hạn trong một màng membran và trong cùng là nhân

Nó là nơi tiếp nhận, tổng hợp và phát ra các xung thần kinh hay các thông tin sau khi

đã được tổng hợp Từ thân nơ-rôn còn có rất nhiều đường rẽ nhánh tạm gọi là rễ

- “Bus” liên kết nơ-rôn này với các nơ-rôn khác được gọi là axon, trên axon có các đường rẽ nhánh Nơ-rôn còn có thể liên kết với các nơ-rôn khác qua các rễ Chính

vì cách liên kết đa dạng như vậy nên mạng nơ-rôn có độ liên kết rất cao

Hình 2.4 Mô hình mạng nơ-rôn sinh học

- Các rễ của rôn được chia làm hai loại: rễ đầu vào nhận thông tin từ các rôn khác qua axon và rễ đầu ra đưa thông tin qua axon tới các nơ-rôn khác Một nơ-rôn

nơ-có thể nơ-có nhiều rễ đầu vào, nhưng chỉ nơ-có một rễ đầu ra Bởi vậy nếu coi nơ-rôn như một khâu điều khiển thì nó chính là khâu có nhiều đầu vào và một đầu ra

Quá trình hoạt động của một nơ-rôn là một quá trình điện hoá tự nhiên Khi có tác động từ bên ngoài vào nơ-rôn, tức ở đầu vào của nơ-rôn xuất hiện một tín hiệu tác động vượt quá ngưỡng cân bằng của nó thì nơ-rôn sẽ ở trạng thái kích thích Trong tế bào nơ-rôn xảy ra hàng loạt các phản ứng hoá học tạo thành lực tác động làm nơ-rôn bị kích thích hoàn toàn Thế năng sinh ra khi nơ-rôn ở trạng thái bị kích thích hoàn toàn này chỉ tồn tại vài mili giây sau đó nơ-rôn lại trở về trạng thái cân bằng cũ Thế năng này được chuyển vào mạng qua axon và có khả năng kích thích hoặc kìm hãm tự nhiên các nơ-rôn khác trong mạng

Một tính chất rất cơ bản của mạng nơ-rôn sinh học là các đáp ứng theo kích thích có khả năng thay đổi theo thời gian Các đáp ứng có thể tăng lên, giảm đi hoặc hoàn toàn biến mất Qua các nhánh axon liên kết các tế bào nơ-rôn với nhau, sự thay đổi trạng thái của một nơ-rôn dẫn theo sự thay đổi trạng thái của những nơ-rôn khác và dẫn tới sự thay đổi của toàn bộ mạng nơ-rôn Việc thay đổi trạng thái của mạng nơ-rôn

có thể thực hiện qua một quá trình “dạy” hoặc do khả năng “học” tự nhiên

Hoạt động tư duy của con người phần nhiều mang tính chủ quan định tính, dựa trên những bài học, kinh nghiệm học được từ khi còn nhỏ Càng lớn dần thì những bài học hay kinh nghiệm của con người ngày càng nhiều, giúp con người giải quyết các vấn dề trong tự nhiên, xã hội tốt hơn Bộ não có khả năng tự thay đổi cấu trúc để thích nghi dần với môi trường, làm cho cấu trúc bộ não ngày càng trở nên phức tạp sau mỗi lần học Cấu trúc của mạng nơ-rôn sinh học cũng luôn luôn được phát triển và thay đổi Một số cấu trúc của nơ-rôn được xác định trước, một số sau này mới được hình thành và một số thì bị huỷ bỏ qua quá trình chọn lọc tự nhiên, học và thích nghi

Qua quá trình tìm hiểu, nghiên cứu cấu trúc và hoạt động của bộ não người, các nhà khoa học đã và đang xây dựng và phát triển các mô hình xử lý thông tin mô phỏng hoạt dộng của bộ não người Đó chính là mô hình mạng nơ-rôn nhân tạo

2.3 Mạng nơ-rôn nhân tạo

2.3.1 Lịch sử hình thành và phát triển

Mạng nơ-rôn nhân tạo (Artificial Neural Network-ANN) là một hệ thống xử lý thông tin phỏng theo cách thức xử lý thông tin của các hệ nơ-rôn sinh học Nó được tạo lên từ một số lượng lớn các phần tử (gọi là phần tử xử lý hay nơ-rôn) kết nối với nhau thông qua các liên kết (gọi là trọng số liên kết) làm việc như một thể thống nhất

để giải quyết một vấn đề cụ thể nào đó Các phần tử này được liên kết với nhau và cùng hoạt động song song Bởi vậy mạng nơ-rôn nhân tạo có hành vi như bộ não người với các khả năng học (learning) và tái tạo (recall) lại những gì đã được dạy; tổng

hợp thông tin từ sự luyện tập các mẫu dữ liệu Đây chính là lý do khiến mạng nơ-rôn nhân tạo phát triển rất mạnh mẽ và được ứng dụng nhiều trong thực tế, đặc biệt trong lĩnh vực dự báo, nhận dạng, điều khiển

Năm 1943, Warrem McCulloch và nhà toán học Walter Pitts đã chỉ ra rằng: về nguyên tắc mạng nơ-rôn nhân tạo có thể tính toán bất kỳ một hàm số học hay logic nào Vàn những năm tiếp sau đó, các nhà khoa học Donald Hebb, Friedrick Hayek, Rosenblatt, Minsky và Papert, Paul Werbos đã có những nghiên cứu về mạng nơ-rôn như các luật thích nghi, sự phân tán trong các mạng nơ-rôn, phát triển và ứng dụng phương pháp học lan truyền ngược BP (back-propagation) Năm 1982, John Hopfield

đã chỉ ra cách thức các mạng nơ-rôn làm việc và những công việc chúng có thể thực hiện được, từ đó đã thúc đẩy trở lại các nghiên cứu về mạng nơ-rôn

Ngày nay, không chỉ dừng lại ở mức nghiên cứu lý thuyết, các nghiên cứu ứng dụng mạng nơ-rôn để giải quyết các bài toán thực tế được diễn ra ở khắp mọi nơi Các ứng dụng mạng nơ-rôn ra đời ngày càng nhiều và ngày càng hoàn thiện hơn Điển hình

là các ứng dụng: xử lý ngôn ngữ (Language Processing), nhận dạng kí tự (Character Recognition), nhận dạng tiếng nói (Voice Recognition), nhận dạng mẫu (Pattern Recognition), xử lý tín hiệu (Signal Processing), Lọc dữ liệu (Data Filtering),…

2.3.2 Mô hình mạng nơ-rôn nhân tạo

Mạng nơ-rôn nhân tạo bao gồm nhiều nơ-rôn độc lập liên kết với nhau Trước khi định nghĩa thế nào là mạng nơ-rôn nhân tạo, chúng ta sẽ tìm hiểu mô hình của một nơ-rôn nhân tạo

Một nơ-rôn nhân tạo phản ánh các tính chất cơ bản của nơ-rôn sinh học Mỗi nơ-rôn nhân tạo là một đơn vị xử lí thông tin làm cơ sở cho hoạt động của một mạng nơ-rôn Nó có chức năng nhận tín hiệu vào, tổng hợp và xử lý các tín hiệu vào để tính tín hiệu ra Dưới đây là một mô hình của một nơ-rôn nhân tạo:

Hình 2.5 Mô hình một nơ-rôn nhân tạo

jy

- wij với i 1,2, , n: Các trọng số tương ứng với đầu vào;

- j: Ngưỡng kích hoạt của nơ-rôn j;

- netj: Tín hiệu tổng hợp đầu vào của nơ-rôn j;

- f net ( j): Hàm kích hoạt;

- yj: Tín hiệu ra của nơ-rôn j

Đầu vào của nơ-rôn nhân tạo gồm n tín hiệu xi với i 1,2, , n Mỗi tín hiệu đầu vào tương ứng với một trọng số wij, nó thể hiện mức độ ảnh hưởng của tín hiệuxi

đến nơ-rôn j Tín hiệu đầu vào của một nơ-rôn có thể là dữ liệu từ bên ngoài mạng, hoặc đầu ra của một nơ-rôn khác, hoặc là đầu ra của chính nó

Nhằm tăng khả năng thích nghi của mạng nơ-rôn trong quá trình học, người ta

sử dụng thêm một tham số (Bias) gán cho mỗi nơ-rôn Tham số đó còn gọi là trọng số của nơ-rôn, ta kí hiệu trọng số của nơ-rôn thứ j là j

Các tín hiệu đầu vào của mỗi nơ-rôn được tổng hợp bằng một bộ cộng, kết quả cho ta một giá trị gọi là netj của nơ-rôn thứ j Ta giả định netj là hàm của các tín hiệu

netj max[min x w i, ij ], i = 1, 2, …, n (2.2) Nếu wij 0 thì nơ-rôn được coi là đang ở trạng thái kích thích Ngược lại, nếu 0

ij

w thì nơ-rôn ở trạng thái kiềm chế

Sau khi tổng hợp được tín hiệu đầu vào netj, sử dụng hàm kích hoạt f biến đổi netj để thu được tín hiệu đầu ra outj

Tóm lại có thể xem nơ-rôn là một hàm phi tuyến nhiều đầu vào, một đầu ra

Hàm kích hoạt phải thoả mãn các điều kiện sau:

- Tín hiệu đầu ra phải không âm với mọi giá trị của netj, j = 1, 2, …, n

- Hàm f phải liên tục và bị chặn trong khoảng 0,1

Hàm kích hoạt hay còn được gọi là hàm nén vì chúng nén tín hiệu đầu ra vào một khoảng nhỏ Hàm kích hoạt hay được sử dụng là:

- Gồm một tập các đơn vị xử lý (các nơ-rôn nhân tạo) - Trạng thái kích hoạt hay đầu ra của đơn vị xử lý - Liên kết giữa các đơn vị Xét tổng quát, mỗi liên kết được định nghĩa bởi một trọng số Wjk cho ta biết hiệu ứng mà tín hiệu của đơn vị j có trên đơn vị k - Một luật lan truyền quyết định cách tính tín hiệu ra của từng đơn vị từ đầu vào của nó - Một hàm kích hoạt, hay hàm chuyển (activation function, transfer function), xác định mức độ kích hoạt khác dựa trên mức độ kích hoạt hiện tại - Một đơn vị điều chỉnh (độ lệch) (bias, offset) củ a mỗi đơn vị - Phương pháp thu thập thông tin (luật học - learning rule) - Môi trường hệ thống có thể hoạt động

* Định nghĩa mạng nơ-rôn nhân tạo

Hiện vẫn chưa có một định nghĩa tổng quát nào về mạng nơ-rôn, song phần lớn những người làm việc trong lĩnh vực mạng nơ-rôn đều có thể đồng ý với định nghĩa sau [3]: “Mạng nơ-rôn là một hệ thống gồm nhiều phần tử xử lý đơn giản gọi là các nơ-rôn được liên kết với nhau và cùng hoạt động song song Tính năng hoạt động của mạng phụ thuộc vào cấu trúc mạng, trọng số liên kết giữa các nơ-rôn và quá trình xử

lý bên trong các nơ-rôn Ngoài chức năng xử lý, hệ thống còn có khả năng học số liệu

và tổng quát hóa từ các số liệu đã học”

Những mô hình mạng nơ-rôn có tiềm năng tạo nên một cuộc cách mạng trong công nghệ máy tính và các quá trình xử lý thông tin Nhận xét đó hoàn toàn có cơ sở

và chủ yếu bắt nguồn từ các đặc trưng chính sau của mạng nơ-rôn:

- Một là, tính chất phi tuyến Đây là một tính chất này rất quan trọng Mạng

nơ-rôn nhân tạo có thể tính toán một cách tuyến tính hay phi tuyến Nó cho phép mạng nơ-rôn tạo ra các mặt cắt trong không gian dữ liệu không phải là siêu phẳng mà lồi lõm không đều Như vậy không gian mẫu có thể chia thành nhiều miền Mỗi miền được gọi là một lớp Đặc trưng này được sử dụng nhiều, ví dụ trong xấp xỉ mạng, miền nhiễu và có khả năng phân lớp

- Hai là, tự thích nghi và tự tổ chức Các mạng nơ-rôn có khả năng xử lý thích

nghi và điều chỉnh bền vững dựa vào các thuật toán học và quy tắc tự tổ chức Khả năng xử lý thích nghi thể hiện ở khả năng biến đổi các trọng số trong mạng tuỳ theo sự thay đổi của môi trường xung quanh Một mạng nơ-rôn đã được huấn luyện trong môi trường xác định, vẫn có thể thích nghi trong môi trường khác bằng cách tự thay đổi trọng số các kết nối Vì vậy dù mẫu không ổn định hay bị nhiễu thì nó vấn có thể đáp ứng thích hợp Tuy nhiên, không phải lúc nào tính tự thích nghi cũng mang lại hiệu quả hay sức mạnh cho mạng

- Ba là, tính chịu lỗi Não của con người có khả năng dung thứ lỗi, tức là với

những thông tin thiếu chính xác, không đầy đủ mà vẫn có thể xử lý, giải quyết được các vấn đề đặt ra Mạng nơ-rôn bắt chước khả năng này của bộ não Hệ thống mạng nơ-rôn vẫn có thể tiếp tục hoạt động và điều chỉnh, khi nhận tín hiệu vào có một

phần thông tin bị sai lệch hay bị thiếu Khi một số nơ-rôn không thực hiện tính toán, hay một vài kết nối bị hỏng thì khả năng của mạng chỉ bị giảm đi chứ không

bị đổ vỡ Mạng nơ-rôn luôn đưa ra kết quả thích hợp trong mọi tình huống

- Bốn là, tính đồng dạng trong thiết kế Các mô hình mạng nơ-rôn đều có chung

đặc điểm là được cấu thành từ các nơ-rôn riêng biệt liên kết với nhau Liên kết càng phức tạp thì mô hình mạng nơ-rôn càng mạnh Các mạng tổ hợp có thể xây dựng bằng cách tích hợp nhiều mạng khác nhau

Với những tiềm năng to lớn ANN thực sự đã và đang mang lại rất nhiều lợi ích cho cuộc sống của con người và chứng minh sức mạnh của nó

2.3.3 Các hàm kích hoạt

Phần lớn các đơn vị trong mạng nơ-rôn chuyển net input bằng cách sử dụng một hàm vô hướng (scalar-to-scalar function) gọi là hàm kích hoạt, kết quả của hàm này là một giá trị gọi là mức độ kích hoạt của đơn vị (unit's activation) Loại trừ khả năng đơn vị đó thuộc lớp ra, giá trị kích hoạt được đưa vào một hay nhiều đơn vị khác Các hàm kích hoạt thường bị ép vào một khoảng giá trị xác định, do đó thường được gọi là các hàm bẹp (squashing) Các hàm kích hoạt hay được sử dụng là:  Hàm đồng nhất (Linear function, Identity function )

(2.5) Dạng hàm này được sử dụng trong các mạng chỉ có một lớp Trong hình vẽ sau, θ được chọn bằng 1

Hình 2.7 Hàm bước nhị phân (Binary step function)

Hàm sigmoid (Sigmoid function (logsig))

(2.6) Hàm này đặc biệt thuận lợi khi sử dụng cho các mạng được huấn luyện (trained) bởi thuật toán Lan truyền ngược (back-propagation), bởi vì nó dễ lấy đạo hàm, do đó

có thể giảm đáng kể tính toán trong quá trình huấn luyện Hàm này được ứng dụng cho các chương trình ứng dụng mà các đầu ra mong muốn rơi vào khoảng [0,1]

Hình 2.8 Hàm Sigmoid

Hàm sigmoid lưỡng cực (Bipolar sigmoid function (tansig))

(2.7) Hàm này có các thuộc tính tương tự hàm sigmoid Nó làm việc tốt đối với các ứng dụng có đầu ra yêu cầu trong khoảng [-1,1]

Hình 2.9 Hàm sigmoid lưỡng cực

Hàm chuyển của các đơn vị ẩn (hidden units) là cần thiết để biểu diễn sự phi tuyến vào trong mạng Lý do là hợp thành của các hàm đồng nhất là một hàm đồng nhất Mặc dù vậy nhưng nó mang tính chất phi tuyến (nghĩa là, khả năng biểu diễn các hàm phi tuyến) làm cho các mạng nhiều tầng có khả năng rất tốt trong biểu diễn các ánh xạ phi tuyến Tuy nhiên, đối với luật học lan truyền ngược, hàm phải khả vi (differentiable) và sẽ có ích nếu như hàm được gắn trong một khoảng nào đó Do vậy, hàm sigmoid là lựa chọn thông dụng nhất Đối với các đơn vị đầu ra (output units), các

hàm chuyển cần được chọn sao cho phù hợp với sự phân phối của các giá trị đích mong muốn Chúng ta đã thấy rằng đối với các giá trị ra trong khoảng [0,1], hàm sigmoid là có ích; đối với các giá trị đích mong muốn là liên tục trong khoảng đó thì hàm này cũng vẫn có ích, nó có thể cho ta các giá trị ra hay giá trị đích được căn trong một khoảng của hàm kích hoạt đầu ra Nhưng nếu các giá trị đích không được biết trước khoảng xác định thì hàm hay được sử dụng nhất là hàm đồng nhất (identity function) Nếu giá trị mong muốn là dương nhưng không biết cận trên thì nên sử dụng một hàm kích hoạt dạng mũ (exponential output activation function)

2.3.4 Phân loại các mạng nơ-rôn

Liên kết các đầu vào và ra của nhiều nơ-rôn với nhau ta được một mạng nơ-rôn Nguyên lý cấu tạo của một mạng nơ-rôn bao gồm một hoặc nhiều lớp Mỗi lớp bao gồm nhiều nơ-rôn có cùng một chức năng trong mạng Dựa vào số lớp hay sự liên kết giữa các lớp trong mạng mà người ta phân mạng nơ-rôn nhân tạo thành các nhóm khác nhau

* Phân loại theo số lớp

Dựa theo số lớp thì mạng nơ-rôn gồm hai loại: mạng một lớp và mạng nhiều lớp

- Mạng một lớp: Mạng một lớp cấu thành từ một lớp mạng, nó vừa là lớp vào vừa là lớp ra

Hình 2.11 Mô hình mạng nơ-rôn 3 lớp truyền thẳng

* Phân loại theo sự liên kết giữa các lớp

Sự liên kết trong mạng nơ-rôn tuỳ thuộc vào nguyên lý tương tác giữa đầu ra của từng nơ-rôn riêng biệt với nơ-rôn khác và tạo ra cấu trúc mạng nơ-rôn Về nguyên tắc sẽ có rất nhiều kiểu liên kết giữa các nơ-rôn, nhưng chỉ có một số cấu trúc hay gặp trong ứng dụng sau:

- Mạng truyền thẳng (Feedforward neural networks)

Dòng dữ liệu đầu vào từ các nơ-rôn đầu vào đến các nơ-rôn đầu ra chỉ được truyền thẳng Việc xử lý dữ liệu có thể mở rộng ra nhiều lớp, nhưng không có các liên kết ngược Tức là, không có các liên kết từ các đơn vị đầu ra tới các đơn vị đầu vào trong cùng một lớp hay các lớp trước đó

Nếu mô hình hoá mạng truyền thẳng bằng một đồ thị, thì nó là một đồ thị có hướng hữu hạn không chu trình Trong đó, mỗi nơ-rôn là một nút, các liên liên kết giữa các nơ-rôn là các cung của đồ thị Hình 2.11 là một minh họa về mạng truyền thẳng nhiều lớp

- Mạng hồi quy (mạng nối ngược) (Recurrent neural network)

Khác với mạng truyền thẳng, mạng hồi quy có chứa các liên kết ngược Mô hình hoá mạng hồi quy bằng một đồ thị thì nó là một đồ thị có hướng hữu hạn có chu trình Hình 2.12 minh họa cho một mạng hồi quy

Hình 2.12 Mô hình mạng nơ-rôn 3 lớp hồi quy

lớp vào

lớp

ẩn lớp ra

2.4 Huấn luyện mạng nơ-rôn

Chức năng của một mạng nơ-rôn được quyết định bởi các nhân tố như: hình trạng mạng (số lớp, số đơn vị trên mỗi tầng và cách mà các lớp được liên kết với nhau)

và các trọng số của các liên kết bên trong mạng Hình trạng của mạng thường là cố định và các trọng số được quyết định bởi một thuật toán huấn luyện (training algorithm) Tiến trình điều chỉnh các trọng số để mạng “nhận biết” được quan hệ giữa đầu vào và đích mong muốn được gọi là học (learning) hay huấn luyện (training) Rất nhiều thuật toán học đã được phát minh để tìm ra tập trọng số tối ưu làm giải pháp cho các bài toán Các thuật toán đó có thể chia làm hai nhóm chính: Học có thầy (Supervised learning) và Học không có thầy (Unsupervised Learning)

- Học có thầy (Supervised learning):

Hình 2.13 là mô hình học có thầy Mạng được huấn luyện bằng cách cung cấp cho nó các cặp mẫu đầu vào và các đầu ra mong muốn (target values) Các cặp được cung cấp bởi "thầy giáo", hay bởi hệ thống trên đó mạng hoạt động Sự khác biệt giữa các đầu ra thực tế so với các đầu ra mong muốn được thuật toán sử dụng để thích ứng các trọng số trong mạng Điều này thường được đưa ra như một bài toán xấp xỉ hàm số

- cho dữ liệu huấn luyện bao gồm các cặp mẫu đầu vào x và một đích tương ứng t, mục đích là tìm ra hàm f(x) thoả mãn tất cả các mẫu học đầu vào

Hình 2.13 Mô hình học có thầy (Supervised learning model)

- Học không có thầy (Unsupervised Learning):

Với cách học không có thầy, không có phản hồi từ môi trường để chỉ ra rằng đầu ra của mạng là đúng Mạng sẽ phải khám phá các đặc trưng, các điều chỉnh, các mối tương quan, hay các lớp trong dữ liệu vào một cách tự động Trong thực tế, đối với phần lớn các biến thể của học không có thầy, các đích trùng với đầu vào Nói một cách khác, học không có thầy luôn thực hiện một công việc tương tự như một mạng tự liên hợp, cô đọng thông tin từ dữ liệu vào

2.5 Một số ứng dụng của mạng nơ-rôn

Mạng nơ-rôn được coi như một hộp đen biến đổi đầu vào m biến thành vec-tơ ra n biến Các biến của vec-tơ vào và ra có thể là các số thực, tốt nhất nằm trong khoảng [0, 1]

hoặc [-1, 1]; số nhị phân 0, 1 hay số nhị cực -1, +1 Số biến của vec-tơ vào/ra không bị hạn chế song sẽ ảnh hưởng tới thời gian tính và tài nguyên của máy tính Với số lượng lớn các biến của các vec-tơ đầu vào và ra đồng nghĩa với việc tăng số lượng các số liệu quan sát Thường số biến của vec-tơ ra nhỏ hơn số biến của vec-tơ vào nhưng không phải bắt buộc là như vậy Các lĩnh vực mà mạng nơ-rôn thường được ứng dụng là:

- Phân loại (Classification)

- Mô hình hoá (Modeling)

- Biến đổi (Transformation and mapping)

a Phân loại

Một trong các công việc đơn giản và thường được sử dụng nhiều trong việc quản lý các đối tượng đa biến là phân loại Đó có thể là sắp xếp các đối tượng vào các tập theo từng loại hoặc theo tầng lớp hoặc theo các lớp con của các lớp lớn hơn

Thường xuyên việc phân loại theo tầng lớp bao gồm nhiều mức của các tập ra quyết định, phân lớp một đối tượng vào nhúm, nhúm con, chủng loại, chủng loại con, hoặc lớp Ví dụ trong hoá học việc dự báo các đặc điểm cấu trúc khác nhau cùng một hợp chất chưa biết trên phổ của nó

b Mô hình hoá

Các hệ thống phân loại đưa ra các câu trả lời rời rạc như có, không hoặc một số nguyên định danh đối tượng đầu vào thuộc lớp nào Tuy nhiên, việc mô hình hoá yêu cầu hệ thống phải sản sinh ra các câu trả lời mang tính liên tục Trong việc mô hình hoá một số lượng nhỏ các số liệu được sử dụng để xây dựng

mô hình Mô hình này có thể đưa ra các dự báo cho tất cả các đối tượng đầu vào

có thể Việc tìm ra đường cong phù hợp với các số liệu thực nghiệm fitting) là một trong những ứng dụng thuộc dạng này Trong phần lớn các ứng dụng chúng chỉ là thủ tục một biến vào - một biến ra như sau:

(curve-Y = f(x, a, b, … , p) (2.8)

Ở đây hàm f chứa một tập các tham số a, b, …., p Các tham số này phải được xác định bằng việc tối thiểu hoá độ chênh lệch giữa số liệu thực nghiệm và giá trị tính toán từ mô hình:

 (y thực nghiệm - ymô hình)2 min (2.9)

Mô hình hoá cũng có thể là vấn đề nhiều biến vào - một biến đầu ra hoặc nhiều biến đầu vào - nhiều biến đầu ra

Trong bất kỳ loại mô hình nào thì cũng phải tuân theo một giả định là: các thay đổi nhỏ của tín hiệu đầu vào sẽ chỉ gây ra những biến đổi nhỏ của tín hiệu ra

Trong các vấn đề đa biến mạng nơ-rôn có nhiều lợi thế hơn so với các phương pháp mô hình hoá cổ điển sử dụng các hàm giải tích, các phương pháp mô hình hoá cổ điển đối với mỗi biến đầu ra chúng ta phải khẳng định trước một hàm giải tích cùng một bộ các tham số trong khi đó đối với mạng nơ-rôn chúng ta không cần bất kỳ sự hiểu biết trước về các tham số đó

2.6 Một số mạng nơ-rôn được đề xuất để ứng dụng nhận dạng tín hiệu điện tim

2.6.1 Mạng MLP

2.6.1.1 Cấu trúc mạng

Mạng MLP là mạng nơ-rôn phổ biến nhất, nó là một mạng truyền thẳng với các phần tử cơ bản gọi là nơ-rôn [6] Trong luận văn sử dụng mạng MLP với một lớp ẩn được trình bày trong hình 2.14 Nhiệm vụ đặt ra là phải xác định cấu trúc cố định cho mạng MLP: Số lớp ẩn, hàm truyền đạt của mỗi lớp, số lượng nơ-rôn trên mỗi lớp, trọng số ghép nối giữa nơ-rôn trong mô hình MLP có thể được điều chỉnh lại cho phù hợp trong quá trình học để xuất các tín hiệu đầu ra mong muốn Thuật toán của quá trình học được sử dụng cho mô hình MLP trong luận văn này đã được đề xuất bởi Levenberg và Marquardt [6, 30]

Hình 2.14 Mạng MLP với một lớp ẩn