- Phương pháp nghiên cứu CHƯƠNG 1: NHẬN DẠNG TÍN HIỆU ĐIỆN TÂM ĐỒ ECG Tín hiệu điện tâm đồ (ECG) và phương pháp đo tín hiệu ECG. - 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. - 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. - 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. - 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. - 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. - 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. - 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. - Vì vậy việc nhận dạng tín hiệu ECG có ý nghĩa vô cùng to lớn trong việc điều trị các bệnh lý về tim. - Tìm hiểu về tín hiệu điện tâm đồ ECG và phương pháp nhận dạng tín hiệu ECG. - Thực hiện bài toán nhận dạng tín hiệu ECG và so sánh với cơ sở dữ liệu mẫu. - 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. - 13 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. - 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. - Vị trí các điện cực khác nhau sẽ thu được hình dáng của tín hiệu ECG khác nhau. - 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. - Trường hợp khó khăn trong việc nhận dạng tín hiệu sẽ được giới thiệu ở phần tiếp theo. - 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). - 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. - Hình1.12 - Tập phức bộ QRS về các nhịp bệnh I của một tín hiệu ECG Benh R Benh I 21 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”. - 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. - Qua đó có thể dễ dàng truy xuất dữ liệu, phân Benh V 22 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. - 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. - 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. - Đã có nhiều công trình nghiên cứu đề xuất giải pháp nhận dạng tín hiệu ECG. - Khối phát hiện phức bộ QRS: Khối có chức năng phát hiện vị trí của các phức bộ QRS của tín hiệu. - 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. - Chúng ta có thể nhận thấy thông thường phức bộ QRS trong tín hiệu ECG có độ rộng khoảng 100ms. - Do đó để có thể lấy được phức bộ QRS trong hầu hết các tín hiệu ECG chúng ta có thể sử dụng một cửa sổ có độ rộng 250 ms. - Như vậy tín hiệu cuối cùng được xét đến sẽ bao gồm 181 điểm dữ liệu như sau. - A A A A= Hình vẽ 1.17 mô tả một tín hiệu điện tim đã được chuẩn hoá và mở rộng bao gồm 181 điểm. - Hình 1.18 cho thấy kết quả xấp xỉ tín hiệu hình 1.17 bằng khai triển 15 hàm Hermite cơ bản đầu tiên. - Do đó đối với các nhịp tim bình thường việc xấp xỉ hoá tín hiệu là tương đối chính xác. - Khi đó mỗi phức bộ QRS của tín hiệu ECG sẽ được thay thế bởi 15 hệ số của các hàm Hermite cơ bản: ai ( i= 0, 1, 2. - 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. - 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 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. - Đã có rất nhiều nghiên cứu về phương pháp nhận dạng tín hiệu QRS và mạng nơ-ron logic mờ là một trong những mô hình mang lại kết quả tốt nhất hiện nay. - Mỗi nơ-ron là một tế bào đặc biệt, có thể truyền các tín hiệu điện. - Tín hiệu này đi qua các synapse đến các nơ-ron khác và tiếp tục bị kích hoạt các nơ-ron này. - Nơ-ron chỉ hoạt động khi tất cả các tín hiệu nhận được ở thân tế bào thông qua rễ ngõ vào vượt quá một mức nào đó (ngưỡng hoạt động). - Phần tiếp theo chúng tôi sẽ tóm tắt ứng dụng mạng nơ-ron trong bài toán nhận dạng / phân loại (regconition/classification) tín hiệu. - Tín hiệu được truyền qua hàm kích hoạt (hay còn gọi là hàm truyền) tạo giá trị ngõ ra 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. - 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. - nên lớp thứ hai này đơn giản chỉ là các khối nhận tín hiệu đầu vào. - để tạo ra tín hiệu đầu ra. - 2.3.7 Thuật toán học của mạng nơ-ron mờ TSK Đối với các mạng nơ-ron mờ, 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. - Do đó khả năng ứng dụng của mạng nơ-ron nhân tạo là rất lớn, đặc biệt là trong bài toán nhận dạng tín hiệu điện tim đồ ECG. - Để kết quả thu được chính xác nhất tín hiệu ECG được xử lý trước khi nhận dạng tín hiệu. - Đây là bước rất quan trọng trong mô hình nhận dạng tín hiệu ECG, nó có vai trò quyết định trực tiếp đến kết quả thu được. - Trong quá trình tiền xử lý tín hiệu chúng ta sử dụng 3 bộ lọc số. - Bộ lọc thông cao tần số cắt khoảng 0,5-1 Hz dùng để loại bỏ ảnh hưởng của hiện tượng trôi tín hiệu. - Bộ lọc thông thấp tần số cắt 100 Hz để lọc các thành phần tần số thấp trong tín hiệu ECG. - Đối với cơ sở dữ liệu chuẩn của MIT-BIH, các tín hiệu đã được loại bỏ gần hết các loại nhiễu do cử động cơ hay do nguồn nuôi v.v. - Hình 3.1 - Tín hiệu ECG bản ghi 228.dat Time (s)mVECG signal 208.dat 64 Bộ lọc thông cao được sử dụng ở đây là bộ lọc Butterworth có tần số cắt là 1 Hz. - Kết quả thu được là tín hiệu sau khi qua bộ lọc đã được loại bớt thành phần trôi tần số thấp (hình vẽ 3.2). - (a b) Hình 3.3 - Tín hiệu trước và sau bộ lọc thông thấp. - (a Time (s)mV Time (s)mV 66 (b) Hình 3.4 - Tín hiệu trước và sau bộ lọc notch tần số 60 Hz. - 3.2 Kết quả nhận dạng tín hiệu ECG Dữ liệu tham gia vào quá trình nhận dạng bao gồm 7 loại tín hiệu bệnh N, L, R, A, I, E và V. - Tất cả các tín hiệu này sẽ được xấp xỉ hoá bằng 15 hàm đa thức Hermite bậc từ 0 đến 14 để tạo ra các vector đặc tính đầu vào cho mạng nơ-ron mờ TSK. - Kết quả của nhận dạng được trình bày trong bảng dưới đây: Loại nhịp Tổng số nhịp Số nhịp không nhận dạng được Tỷ lệ không nhận dạng được Học Test Học Test Học Test N L R A V I E Tổng số Bảng 3.3 - Kết quả nhận dạng tín hiệu ECG sử dụng mạng nơ-ron mờ TSK. - Kết quả thực nghiệm với máy vector hỗ trợ SVM Để xây dựng một hệ thống tự động phân biệt được các trạng thái của tín hiệu điện tâm đồ, chúng ta sử dụng máy vector hỗ trợ SVM. - SVM67 : quyết định mẫu này thuộc nhãn 6 hay 7? 72 Chúng ta thu được kết quả ở bảng sau: Bảng 3.4 - Kết quả nhận dạng tín hiệu ECG sử dụng máy vector hỗ trợ SVM. - Bài toán nhận dạng tín hiệu ECG có một ý nghĩa thực tiễn cao, ảnh hưởng trực tiếp đến sức khỏe người bệnh. - Luận văn đã trình bày về lý thuyết mạng trí tuệ nhân tạo nhằm mục đích xây dựng bài toán nhận dạng tín hiệu điện tim đồ trên cơ sở mạng nơ-ron nhân tạo. - Đồng thời đưa ra một số kết quả tính toán thực nghiệm tín hiệu ECG. - Trong khuôn khổ luận văn này, đã trình bày các nghiên cứu lý thuyết phục vụ cho mục đích xây dựng một bài toán nhận dạng tín hiệu ECG, đồng thời đưa ra một số kết quả tính toán thực nghiệm về nhận dạng tín hiệu ECG. - Tiếp tục hoàn thiện và cải tiến mô hình nhận dạng tín hiệu điện tâm đồ bằng mạng nơ-ron mờ TSK và máy vector hỗ trợ SVM, đặc biệt là các thuật toán học để cải thiện các sai số và tốc độ của quá trình. - Mở rộng nghiên cứu thêm một số phương pháp, mô hình nhận dạng tín hiệu điện tâm đồ khác nhằm mục đích so sánh và lựa chọn mô hình phù hợp nhất cho các tín hiệu thực tế. - Xây dựng và hoàn thiện chương trình nhận dạng tín hiệu điện tâm đồ hỗ trợ các máy đo điện tim, và có thể ứng dụng được trong các hệ thống trợ giúp chẩn đoán cho các bác sĩ. - Trần Hoài Linh (2014), “Mạng Nơ-ron và ứng dụng trong xử lý tín hiệu”, Nhà xuất bản Bách Khoa Hà Nội
Xem thử không khả dụng, vui lòng xem tại trang nguồn hoặc xem
Tóm tắt