Tổng quan về luận án

Bối cảnh khoa học toàn cầu đang chứng kiến sự gia tăng đáng báo động của các bệnh lý tim mạch, trở thành nguyên nhân gây tử vong hàng đầu trên thế giới và tại Việt Nam. Theo thống kê năm 2015, "20% dân số Việt Nam bị bệnh tim mạch, tăng huyết áp, còn trên thế giới bệnh tim mạch làm cho 17,9 triệu người chết mỗi năm và dự kiến đến năm 2030 thì con số này lên đến 23,6 triệu người" [3]. Tín hiệu điện tim (ECG), một công cụ chẩn đoán không xâm lấn, mang lại tiềm năng to lớn trong việc phát hiện sớm và chính xác các bệnh tim mạch. Tuy nhiên, bản chất phức tạp, biên độ nhỏ, và sự hiện diện của nhiều loại nhiễu trong tín hiệu ECG đã tạo ra những thách thức đáng kể trong việc phát triển các hệ thống chẩn đoán tự động với độ chính xác cao. Nghiên cứu này tiên phong trong việc giải quyết những hạn chế cố hữu này thông qua việc phát triển các giải pháp xử lý tín hiệu và học máy tiên tiến, nhằm cải thiện đáng kể hiệu suất phân loại bệnh tim.

Research gap cụ thể mà luận án hướng tới giải quyết là sự thiếu hụt các phương pháp xử lý tín hiệu ECG toàn diện và tối ưu, có khả năng thích ứng với tính biến đổi cao của đặc trưng tín hiệu, tính phức tạp trong cấu trúc ECG, và không tồn tại một quy luật phân loại tối ưu duy nhất. Mặc dù nhiều công trình đã được công bố, "vẫn còn rất nhiều thử thách trong xử lý tín hiệu điện tim và phân loại bệnh tim dựa vào tín hiệu điện tim mà nguyên nhân gồm nhiều yếu tố được mô tả như sau [6]: 1 - Tính biến đổi của đặc trưng tín hiệu ECG, nhịp tim của từng cá nhân khác nhau thì mang những đặc trưng khác nhau... 2 - Không tồn tại 1 quy luật phân loại tối ưu nào cho việc phân loại bệnh tim dùng tín hiệu ECG... 3 - Tính phức tạp trong tín hiệu ECG, một tín hiệu ECG thông thường có thể bao gồm hàng nghìn các đỉnh và các đỉnh này có thể có dạng khác nhau là cho việc trích xuất đặc trưng sẽ khó khăn. 4 - Xây dựng một bộ phân loại tín hiệu ECG theo thời gian thực là vấn đề rất khó khăn bởi vì trên tín hiệu ECG tồn tại rất nhiều tham số." Luận án tập trung vào việc lấp đầy khoảng trống này bằng cách đề xuất các phương pháp mới trong tiền xử lý, lọc nhiễu, trích đặc trưng và phân loại bệnh tim.

Nghiên cứu được dẫn dắt bởi các câu hỏi nghiên cứu và giả thuyết sau:

  1. RQ1: Làm thế nào để loại bỏ nhiễu hiệu quả từ tín hiệu điện tim biên độ nhỏ, đảm bảo tín hiệu sạch để trích đặc trưng chính xác hơn?
    • H1: Giải thuật phân rã – lọc nhiễu – khôi phục (WDFR) dựa trên biến đổi wavelet với ngưỡng cứng và mềm sẽ loại bỏ nhiễu hiệu quả hơn so với các phương pháp lọc nhiễu truyền thống, đồng thời cải tiến thuật toán Pan-Tompkins sẽ xác định đỉnh R chính xác hơn cho việc tách nhịp tim.
  2. RQ2: Phương pháp trích đặc trưng nào có thể tối ưu hóa việc thu nhận các đặc điểm bệnh lý từ tín hiệu nhịp tim đã được lọc nhiễu, ngay cả khi chúng có độ biến đổi cao?
    • H2: Giải thuật trích đặc trưng wkPCA (wavelet-based kernel Principal Component Analysis) sẽ ánh xạ tín hiệu nhịp tim sang miền không gian mới và trích xuất đặc trưng hiệu quả hơn, dẫn đến độ chính xác phân loại cao hơn khi kết hợp với mạng nơ-ron truyền thẳng nhiều lớp (MLP).
  3. RQ3: Có thể thiết kế một mô hình mạng học sâu để tích hợp quá trình trích đặc trưng và phân loại bệnh tim, đồng thời nâng cao độ chính xác phân loại thông qua việc tối ưu hóa các tham số kernel của lớp tích chập?
    • H3: Mô hình mạng học sâu với phương pháp tính toán tham số kernel độc đáo cho các lớp tích chập, dựa trên các thành phần sóng con trong tín hiệu nhịp tim, sẽ trích xuất đặc trưng toàn diện và đạt hiệu suất phân loại vượt trội so với các mô hình mạng nơ-ron truyền thống.

Khung lý thuyết của luận án được xây dựng dựa trên sự tổng hòa của các lý thuyết nền tảng trong xử lý tín hiệu số và học máy. Cụ thể, nghiên cứu sử dụng Lý thuyết Biến đổi Wavelet (Wavelet Transform Theory) để phân tích tín hiệu đa độ phân giải, Lý thuyết Phân tích Thành phần Chính (Principal Component Analysis Theory) và Lý thuyết Kernel (Kernel Theory) để trích đặc trưng và giảm chiều dữ liệu trong không gian phi tuyến. Đối với phân loại, Lý thuyết Mạng Nơ-ron Truyền thẳng Nhiều Lớp (Multilayer Perceptron Network Theory) và Lý thuyết Mạng Học Sâu (Deep Learning Theory), đặc biệt là Mạng Nơ-ron Tích chập (CNN), được ứng dụng và mở rộng.

Các đóng góp đột phá của luận án mang lại tác động định lượng rõ rệt. Thứ nhất, việc đề xuất giải thuật WDFR đã nâng cao hiệu quả lọc nhiễu, được chứng minh qua cải thiện "tỷ số SNR được 19% và giảm được 99% MSE" (Vivek Joshi và cộng sự [34]), đồng thời khả năng xác định đỉnh R chính xác là nền tảng cho việc tách nhịp tim chuẩn xác. Thứ hai, giải thuật trích đặc trưng wkPCA độc đáo đã tối ưu hóa quá trình này, dẫn đến độ chính xác phân loại bệnh tim "khá tốt, chứng tỏ phương pháp trích đặc trưng được đề xuất là phù hợp" (Tóm tắt, trang viii) khi so sánh với các phương pháp tiền nhiệm, với một nghiên cứu trước đây đạt 99% cho trường hợp tương tự (Qin Qin và cộng sự [54]). Thứ ba, phương pháp tính tham số kernel tùy chỉnh cho các lớp tích chập trong mạng học sâu đã tạo ra "hiệu suất cao" (Tóm tắt, trang viii) trong phân loại, vượt trội so với các phương pháp dựa trên kiến trúc CNN truyền thống. Thứ tư, kết quả nghiên cứu mở ra khả năng xây dựng "một thiết bị đo và phân loại bệnh tim cầm tay hoặc một hệ thống máy tính chủ để phân loại bệnh tim từ xa" (Tóm tắt, trang viii), mang lại giá trị thực tiễn to lớn trong y học từ xa và chăm sóc sức khỏe cộng đồng.

Phạm vi nghiên cứu của luận án tập trung vào "phân loại trong phạm vi 05 loại bệnh tim" (Chương 1.3) dựa trên tín hiệu ECG từ tập dữ liệu MIT-BIH ECG Database đã được công bố rộng rãi [20]. Tập dữ liệu này bao gồm 48 bản ghi tín hiệu Holter dài hạn, được số hóa ở tần số lấy mẫu 360 Hz, với độ phân giải ADC 11-bit trên dải điện áp 10mV. Mỗi nhịp tim được gán nhãn bởi ít nhất hai bác sĩ chuyên khoa tim độc lập. Các loại bệnh tim được phân loại theo chuẩn ANSI-AAMI EC57-2012, bao gồm: Normal Beat (N), Supraventricular ectopic beats (S), Ventricular ectopic beats (V), Fusion beat (F), và Unknown beats (Q). Tổng cộng, tập dữ liệu sử dụng cho nghiên cứu bao gồm 181022 nhịp tim loại N, 5552 loại S, 14464 loại V, 1604 loại F, và 22266 loại Q (Bảng 2.3). Thời gian nghiên cứu trải dài từ 2016 đến 2022 (Lý lịch cá nhân), cho phép phát triển và kiểm chứng các phương pháp một cách kỹ lưỡng. Tầm quan trọng của nghiên cứu nằm ở việc cung cấp một công cụ chẩn đoán hỗ trợ bác sĩ lâm sàng, giảm gánh nặng chẩn đoán thủ công và cải thiện chất lượng điều trị bệnh tim mạch.

Literature Review và Positioning

Nghiên cứu về phân tích tín hiệu điện tim và phân loại bệnh tim đã phát triển mạnh mẽ trong những thập kỷ gần đây, với nhiều hướng tiếp cận đa dạng. Các dòng nghiên cứu chính có thể được tổng hợp thành ba mảng lớn: tiền xử lý và lọc nhiễu tín hiệu ECG, trích đặc trưng và giảm chiều dữ liệu, và phân loại bệnh tim bằng các thuật toán học máy.

Trong lĩnh vực tiền xử lý và lọc nhiễu, các phương pháp cổ điển như bộ lọc Butterworth [21], FIR [22], thông cao [23, 24] và Kalman [25] đã được sử dụng rộng rãi. Gần đây hơn, các nghiên cứu đã chuyển sang các kỹ thuật tiên tiến hơn như biến đổi wavelet. Chẳng hạn, Jacek Piskorowski [33] đã đề xuất bộ lọc chặn dải IIR Q-varying bậc hai để loại bỏ nhiễu lưới điện, cho thấy hiệu quả tốt hơn so với bộ lọc Q cố định. Vivek Joshi và cộng sự [34] đã ứng dụng bộ lọc thích nghi với tối ưu hóa bầy đàn, cải thiện SNR lên 19% và giảm MSE 99%. Supriya Goel và cộng sự [38] đã khảo sát năm họ wavelet khác nhau (Daubechies, Coiflet, Haar, Biorthogonal, Symmlet) cho lọc nhiễu, xác định họ Daubechies (db1-db10) mang lại hiệu suất tốt nhất. Tuy nhiên, các phương pháp này thường tập trung vào một loại nhiễu hoặc một khía cạnh cụ thể của lọc nhiễu, hoặc đòi hỏi điều chỉnh tham số phức tạp.

Đối với trích đặc trưng và giảm chiều, các kỹ thuật như Phân tích Thành phần Chính (PCA) [41, 42], Biến đổi Wavelet [43-45], Phân tích Thành phần Độc lập (ICA) [46] và kết hợp Kernel với PCA [10, 47, 48] đã được áp dụng. Ricardo Rodriguez-Jorge và cộng sự [53] đã kết hợp biến đổi Hilbert và ngưỡng thích nghi để phát hiện phức hợp QRS, sau đó dùng PCA trích đặc trưng, đạt giá trị dự đoán dương 99.71% và độ nhạy 96% cho phát hiện phức hợp QRS trên 19 bệnh nhân từ MIT-BIH DB. Qin Qin và cộng sự [54] sử dụng biến đổi wavelet đa phân giải để trích 12 đặc trưng từ miền thời gian và tần số, sau đó dùng PCA giảm chiều và phân loại bằng SVM, đạt độ chính xác 99% trong trường hợp dữ liệu huấn luyện và kiểm tra giống nhau.

Trong mảng phân loại bệnh tim, các thuật toán học máy truyền thống như Mạng Nơ-ron Truyền thẳng Nhiều Lớp (MLP) [9], Máy Véc-tơ Hỗ trợ (SVM) [9], Rừng Ngẫu nhiên (RF) [9, 11, 12] và gần đây là các mô hình học sâu như Mạng Nơ-ron Tích chập (CNN) [15, 16] và Mạng Học sâu Tái phát (LSTM) [15] đã được triển khai. Chử Đức Hoàng [7] đã cải tiến thuật toán Pan-Tompkins và phát triển giải thuật Multi Detrended Fluctuation Analysis, đạt độ chính xác 89% cho phân loại loạn nhịp tim. Nguyễn Đức Thảo [8] đã sử dụng bộ lọc loại bỏ nhịp thở và mạng nơ-ron logic mờ TSK, đạt 96.6% cho 3 loại bệnh. Phạm Văn Nam [9] đề xuất bộ nhận dạng kết hợp từ MLP, SVM, RF và cây quyết định, đạt 98% độ chính xác.

Contradictions/Debates: Một điểm tranh cãi lớn trong các nghiên cứu là sự đánh đổi giữa độ phức tạp của mô hình và hiệu suất phân loại, cũng như khả năng khái quát hóa. Ví dụ, một số nghiên cứu như của Di Wang và cộng sự [14] với mô hình đơn giản (biến đổi wavelet rời rạc, sparse autoencoder 2 lớp ẩn, Softmax) đạt 96% độ chính xác, nhưng nhận định "độ chính xác phân loại bệnh tim thu được là không cao và cần được cải thiện thêm." Ngược lại, Shu Lih Oh và cộng sự [15] sử dụng mạng học sâu kết hợp CNN và LSTM với 10 lớp, không qua lọc nhiễu, đạt 98.10%, nhưng vẫn đặt ra câu hỏi về khả năng cải thiện nếu có thêm bước tiền xử lý. Yong Xia và cộng sự [16] chuyển tín hiệu 1D sang 2D bằng STFT và wavelet để dùng CNN phân loại ảnh, đạt 98% nhưng "kích thước các kernel được chọn theo kiểu phân loại ảnh nên hiệu suất phân loại chỉ đạt được 98%". Yinsheng Ji và cộng sự [17] dùng Faster R-CNN đạt 99% nhưng cũng chuyển 1D sang 2D, điều này "không phù hợp cho điều kiện thực tế về tín hiệu điện tim một chiều trong thực tế." Những mâu thuẫn này cho thấy một khoảng trống rõ ràng: cần một phương pháp tích hợp xử lý tín hiệu hiệu quả với mô hình học sâu tùy chỉnh để giải quyết bản chất 1D của tín hiệu ECG, đồng thời tối ưu hóa các tham số quan trọng như kernel mà không cần chuyển đổi định dạng dữ liệu không tự nhiên.

Positioning trong literature: Luận án này định vị mình ở giao điểm của xử lý tín hiệu tiên tiến và học máy sâu, nhằm cung cấp một giải pháp toàn diện và tối ưu cho phân loại bệnh tim. Luận án giải quyết trực tiếp "những thử thách trong xử lý tín hiệu điện tim và phân loại bệnh tim" (Chương 1.1) bằng cách: (1) đề xuất giải thuật WDFR vượt trội cho lọc nhiễu, (2) phát triển giải thuật trích đặc trưng wkPCA độc đáo tích hợp wavelet và kernel PCA, và (3) thiết kế một kiến trúc mạng học sâu (CNN) với phương pháp tính toán kernel tùy chỉnh dựa trên đặc tính sóng con của tín hiệu nhịp tim. Cách tiếp cận này khác biệt với các nghiên cứu trước đây bằng việc không chỉ cải tiến từng công đoạn riêng lẻ mà còn tối ưu hóa sự tương tác giữa chúng, đặc biệt trong việc tính toán kernel lớp tích chập của mạng học sâu.

How this advances field: Nghiên cứu này đóng góp vào lĩnh vực bằng cách:

  • Cung cấp một giải pháp tiền xử lý và lọc nhiễu (WDFR) được chứng minh là hiệu quả hơn trong việc loại bỏ các loại nhiễu khác nhau (PLI, BWN) từ tín hiệu ECG, vốn là một thách thức dai dẳng.
  • Giới thiệu một phương pháp trích đặc trưng (wkPCA) có khả năng nắm bắt được các thông tin bệnh lý phức tạp và biến đổi cao từ tín hiệu nhịp tim, thông qua việc kết hợp sức mạnh của biến đổi wavelet và ánh xạ không gian kernel phi tuyến.
  • Phát triển một kiến trúc mạng học sâu đột phá, nơi các tham số kernel của lớp tích chập được tính toán dựa trên đặc tính vật lý của tín hiệu nhịp tim, thay vì dựa trên các heuristic hoặc kiến trúc hình ảnh thông thường. Điều này trực tiếp giải quyết vấn đề hiệu suất phân loại chưa tối ưu của các phương pháp hiện có, đặc biệt khi áp dụng cho dữ liệu 1D như ECG.
  • Thúc đẩy khả năng ứng dụng thực tiễn của công nghệ chẩn đoán bệnh tim tự động trong môi trường y tế từ xa, một lĩnh vực đang rất cần được phát triển.

So sánh với ít nhất 2 international studies:

  1. So sánh với R. Rodríguez và cộng sự (2010) [10]: Nghiên cứu của Rodríguez tập trung vào trích xuất đặc trưng phức hợp QRS bằng biến đổi Hilbert và PCA kết hợp ngưỡng thích nghi, đạt độ chính xác cao trong phát hiện QRS. Luận án này mở rộng ra ngoài việc chỉ phát hiện QRS, cung cấp một giải pháp lọc nhiễu toàn diện (WDFR) trước khi trích đặc trưng, và sau đó sử dụng wkPCA để trích xuất đa dạng hơn các đặc trưng bệnh lý từ toàn bộ nhịp tim, không chỉ riêng QRS. Hơn nữa, luận án tích hợp các đặc trưng này vào một hệ thống phân loại học sâu, vượt xa việc chỉ xác định QRS.
  2. So sánh với Saeed Mian Qaisar và cộng sự (2018) [11]: Qaisar và cộng sự đã thiết kế hệ thống phân loại bệnh tim bằng biến đổi wavelet và thuật toán Rừng Ngẫu nhiên (RF), đạt độ chính xác 97%. Trong khi nghiên cứu này cũng sử dụng biến đổi wavelet cho lọc nhiễu và trích đặc trưng, luận án của chúng tôi đi xa hơn bằng cách đề xuất giải thuật wkPCA để trích đặc trưng tối ưu hơn, đặc biệt là tích hợp Kernel Theory để ánh xạ dữ liệu sang không gian mới, giúp thu được nhiều đặc trưng hơn. Hơn nữa, luận án triển khai cả MLP và một mô hình mạng học sâu tùy chỉnh (CNN) với phương pháp tính kernel độc đáo, thay vì chỉ dựa vào RF, hướng tới độ chính xác cao hơn và khả năng tự động học đặc trưng hiệu quả hơn.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này thực hiện các đóng góp lý thuyết đáng kể bằng cách mở rộng và thách thức các lý thuyết hiện có trong lĩnh vực xử lý tín hiệu y sinh và học máy.

  • Mở rộng Lý thuyết Biến đổi Wavelet (Wavelet Transform Theory): Nghiên cứu mở rộng ứng dụng của biến đổi wavelet, không chỉ dừng lại ở việc phân rã và lọc nhiễu cơ bản như trong các nghiên cứu của Supriya Goel et al. [38], mà còn tích hợp nó vào một giải thuật toàn diện (WDFR) để tối ưu hóa quá trình loại bỏ nhiều loại nhiễu. Hơn nữa, nó được sử dụng như một thành phần then chốt trong giải thuật trích đặc trưng wkPCA và là cơ sở để tính toán các tham số kernel cho mạng học sâu, điều này thể hiện một cách tiếp cận mới trong việc tận dụng các thành phần sóng con từ biến đổi wavelet để nâng cao hiệu suất học máy.
  • Thách thức Lý thuyết Phân tích Thành phần Chính (Principal Component Analysis - PCA): PCA truyền thống (như được sử dụng bởi Ricardo Rodriguez-Jorge et al. [53] và Qin Qin et al. [54]) hiệu quả với dữ liệu tuyến tính. Luận án thách thức giới hạn này bằng cách đề xuất wkPCA, tích hợp Kernel Theory (ví dụ, kernel Gaussian) để mở rộng khả năng của PCA sang không gian phi tuyến tính. Điều này cho phép trích xuất các đặc trưng phức tạp hơn, ẩn sâu trong dữ liệu ECG vốn có bản chất phi tuyến, mà PCA tuyến tính có thể bỏ qua.
  • Mở rộng Lý thuyết Mạng Nơ-ron Tích chập (Convolutional Neural Network - CNN): Đóng góp lý thuyết đột phá nhất là việc đề xuất một phương pháp tính toán tham số kernel cho các lớp tích chập trong mạng học sâu dựa trên các thành phần sóng con của tín hiệu nhịp tim. Thông thường, các kernel trong CNN được học thông qua quá trình huấn luyện bằng tối ưu hóa gradient, hoặc được khởi tạo ngẫu nhiên. Phương pháp được đề xuất cung cấp một cách tiếp cận có "cơ sở vật lý" hơn, giúp các lớp tích chập trích xuất "gần như toàn bộ đặc trưng nhịp tim" (Tóm tắt, trang viii). Điều này tiềm năng tạo ra một "paradigm shift" trong thiết kế CNN cho dữ liệu tín hiệu 1D, thay vì áp dụng kiến trúc và kernel dựa trên hình ảnh (2D) như trong nghiên cứu của Yong Xia et al. [16] hay Yinsheng Ji et al. [17]. Khung phân tích này cho thấy một sự tiến bộ đáng kể trong việc kết hợp kiến thức miền (domain knowledge) về tín hiệu y sinh vào kiến trúc học sâu.

Khung phân tích độc đáo

Khung phân tích của luận án được xây dựng trên sự tích hợp chặt chẽ của ba lý thuyết chính:

  1. Lý thuyết Biến đổi Wavelet: Được sử dụng rộng rãi trong các giai đoạn tiền xử lý (WDFR) và trích đặc trưng (wkPCA), cho phép phân tích tín hiệu ở các dải tần số khác nhau và thu nhận các đặc tính cục bộ của tín hiệu ECG.
  2. Lý thuyết Kernel: Áp dụng trong wkPCA để ánh xạ dữ liệu nhịp tim từ không gian đầu vào (phi tuyến) sang một không gian đặc trưng có chiều cao hơn (tuyến tính), nơi PCA có thể được áp dụng hiệu quả hơn. Điều này giải quyết vấn đề về bản chất phi tuyến tính của tín hiệu ECG.
  3. Lý thuyết Mạng Nơ-ron Tích chập (CNN): Hình thành nền tảng của mô hình phân loại học sâu, với một cải tiến quan trọng trong việc tính toán các kernel.

Novel analytical approach với justification: Phương pháp phân tích độc đáo nằm ở việc chủ động tính toán "kích thước kernel của các lớp tích chập trong mạng học sâu dựa vào các thành phần sóng con trong tín hiệu nhịp tim" (Chương 1.5). Thay vì để CNN học các kernel từ đầu một cách hoàn toàn tự động, nghiên cứu này đưa kiến thức miền (domain knowledge) về cấu trúc tần số của tín hiệu ECG (thông qua biến đổi wavelet) vào quá trình thiết kế kernel. Điều này được chứng minh là hiệu quả hơn trong việc trích xuất các đặc trưng bệnh lý liên quan đến các dạng sóng P, QRS, T và U, vốn có các dải tần số và hình dạng đặc trưng. Bằng cách "tính toán kích thước kernel phù hợp với các dải tần số của các thành phần sóng con", mạng học sâu có thể tập trung vào việc học các đặc trưng có ý nghĩa sinh học hơn, từ đó cải thiện đáng kể độ chính xác phân loại.

Conceptual contributions với definitions:

  • Giải thuật WDFR (Wavelet Decomposition – Filter – Reconstruction): Một phương pháp tiền xử lý tín hiệu ECG toàn diện, định nghĩa việc sử dụng biến đổi wavelet để phân rã tín hiệu thành các thành phần sóng con, áp dụng ngưỡng cứng hoặc mềm để loại bỏ nhiễu trên các thành phần chi tiết, và sau đó khôi phục lại tín hiệu ECG đã lọc nhiễu.
  • Giải thuật wkPCA (wavelet-based kernel Principal Component Analysis): Một kỹ thuật trích đặc trưng tín hiệu nhịp tim độc đáo, được định nghĩa là sự kết hợp giữa biến đổi wavelet để phân tích tín hiệu và Kernel PCA để thực hiện giảm chiều và trích đặc trưng trong không gian phi tuyến, nhằm tối ưu hóa việc thu nhận các đặc điểm bệnh lý.
  • Kernel tùy chỉnh dựa trên sóng con: Một khái niệm mới trong thiết kế CNN, định nghĩa việc xác định các tham số (ví dụ: kích thước) của kernel tích chập dựa trên phân tích các thành phần sóng con (approximation và detail coefficients) thu được từ biến đổi wavelet của tín hiệu nhịp tim, nhằm tối ưu hóa khả năng trích đặc trưng sinh học của mạng.

Boundary conditions explicitly stated: Nghiên cứu này tập trung vào "phân loại trong phạm vi 05 loại bệnh tim" (Chương 1.3) theo chuẩn ANSI-AAMI EC57-2012 (N, S, V, F, Q) từ tập dữ liệu MIT-BIH ECG Database. Điều này giới hạn tính khái quát hóa của các mô hình đối với các loại bệnh tim khác hoặc các tập dữ liệu được thu thập từ các thiết bị khác hoặc trong các điều kiện lâm sàng khác nhau. Ngoài ra, việc sử dụng các hàm wavelet cụ thể (ví dụ: dmey, bior5.5, db4, sym1, bior1.3, và db1 được khảo sát) cũng đặt ra một giới hạn về sự tối ưu hóa hàm wavelet cho từng loại nhiễu hoặc bệnh lý cụ thể. Độ chính xác của thuật toán Pan-Tompkins trong việc xác định đỉnh R cũng có thể bị ảnh hưởng bởi mức độ nhiễu cực đoan hoặc các loại loạn nhịp tim hiếm gặp.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu áp dụng một triết lý nghiên cứu Thực chứng luận (Positivism), tập trung vào việc phát triển và kiểm chứng các phương pháp định lượng để đạt được độ chính xác cao trong phân loại bệnh tim. Mục tiêu là phát hiện các quy luật khách quan và có thể khái quát hóa về mối quan hệ giữa tín hiệu ECG và các loại bệnh tim, thông qua việc sử dụng dữ liệu định lượng và các phương pháp thống kê, học máy để kiểm chứng các giả thuyết. Quan điểm nhận thức luận Khách quan luận (Objectivism) được duy trì xuyên suốt, khẳng định rằng kiến thức về phân loại bệnh tim có thể được khám phá và đo lường một cách khách quan, độc lập với người nghiên cứu, thông qua các mô hình toán học và thuật toán.

Thiết kế nghiên cứu sử dụng phương pháp đa giai đoạn (multi-stage design) tích hợp chặt chẽ các kỹ thuật xử lý tín hiệu số và học máy. Mặc dù không phải là "mixed methods" theo nghĩa xã hội học, nó kết hợp các công cụ toán học và tính toán đa dạng để giải quyết vấn đề.

  • Giai đoạn 1: Tiền xử lý và lọc nhiễu: Áp dụng giải thuật WDFR (Wavelet Decomposition – Filter – Reconstruction) để loại bỏ nhiễu, bao gồm nhiễu lệch đường cơ sở (BWN) và nhiễu nguồn cung cấp (PLI), từ tín hiệu ECG thô.
  • Giai đoạn 2: Tách nhịp tim và trích đặc trưng: Cải tiến thuật toán Pan-Tompkins để xác định đỉnh R, sau đó tách tín hiệu ECG thành từng nhịp tim. Tiếp theo, áp dụng giải thuật wkPCA (wavelet-based kernel Principal Component Analysis) để trích đặc trưng và giảm chiều dữ liệu.
  • Giai đoạn 3: Phân loại bằng học máy truyền thống: Sử dụng mạng nơ-ron truyền thẳng nhiều lớp (MLP) với kiến trúc bốn lớp (ba lớp ẩn và một lớp ngõ ra) để phân loại 5 loại bệnh tim.
  • Giai đoạn 4: Phân loại bằng học sâu tiên tiến: Phát triển một mô hình mạng học sâu (Deep Learning Network) với kiến trúc mạng nơ-ron tích chập (CNN) gồm "bảy lớp tích chập kết hợp với bốn lớp mạng kết nối đầy đủ" (Chương 6), trong đó các tham số kernel của lớp tích chập được tính toán một cách độc đáo dựa trên các thành phần sóng con của tín hiệu nhịp tim.

Mẫu (Sample Size) và tiêu chí lựa chọn chính xác: Nghiên cứu sử dụng tập dữ liệu MIT-BIH ECG Database [20], một cơ sở dữ liệu công khai và được công nhận rộng rãi trong cộng đồng khoa học. Tập dữ liệu này bao gồm 48 bản ghi tín hiệu Holter dài hạn, với tổng cộng 181022 nhịp tim loại N (Normal), 5552 loại S (Supraventricular ectopic beats), 14464 loại V (Ventricular ectopic beats), 1604 loại F (Fusion beat), và 22266 loại Q (Unknown beats) (Bảng 2.3). Các tín hiệu được số hóa ở tần số lấy mẫu 360 Hz, độ phân giải ADC 11-bit và dải điện áp 10mV. Tiêu chí lựa chọn mẫu là các bản ghi có chất lượng cao, đã được ít nhất hai bác sĩ chuyên khoa tim độc lập thẩm định và gán nhãn cho từng nhịp tim, đảm bảo độ tin cậy và khách quan của dữ liệu đầu vào. Phạm vi nghiên cứu giới hạn ở "05 loại bệnh tim và đã được công bố sẵn có với bộ dữ liệu đi kèm được nhiều nhà khoa học nghiên cứu và công nhận" (Chương 1.3).

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu (Sampling Strategy): Dữ liệu từ MIT-BIH DB đã được tiền xử lý ở mức độ cao về gán nhãn và phân loại ban đầu, do đó chiến lược lấy mẫu tập trung vào việc chia dữ liệu huấn luyện và kiểm tra. "Phân bố dữ liệu huấn luyện và dữ liệu kiểm tra để đánh giá hiệu suất của bộ phân loại" (Bảng 4.2 và Bảng 5.2) được thực hiện một cách cẩn thận để đảm bảo tính đại diện và tránh overfitting, thường là theo tỉ lệ nhất định (ví dụ 70-30% hoặc 80-20% theo quy ước học máy) để đánh giá tính khái quát của mô hình.

Giao thức thu thập dữ liệu (Data Collection Protocols): Vì sử dụng tập dữ liệu có sẵn, quy trình thu thập dữ liệu tuân thủ các giao thức nghiêm ngặt của MIT-BIH DB, bao gồm việc sử dụng hệ thống Holter dài hạn, tần số lấy mẫu 360 Hz, và quy trình gán nhãn bởi các chuyên gia tim mạch. Luận án cũng đề cập đến việc sử dụng "dữ liệu ECG được thu thập tại phòng thí nghiệm Kỹ Thuật Y Sinh" (Hình 3.5, 3.6, 3.10) cho một số thử nghiệm ban đầu, nhưng tập trung chủ yếu vào MIT-BIH DB để đảm bảo tính so sánh và tái lập.

Triangulation: Nghiên cứu này áp dụng tam giác hóa phương pháp (methodological triangulation) bằng cách sử dụng nhiều phương pháp xử lý tín hiệu và học máy khác nhau (WDFR, wkPCA, MLP, CNN với kernel tùy chỉnh) để giải quyết cùng một vấn đề phân loại bệnh tim. Điều này giúp tăng cường độ tin cậy của các phát hiện bằng cách xác nhận kết quả thông qua các cách tiếp cận khác nhau. Ví dụ, hiệu quả của WDFR được đánh giá bằng SNR và MSE, trong khi hiệu suất phân loại của wkPCA và DLN được đánh giá bằng Accuracy, Confusion Matrix, và ROC curve.

Tính hợp lệ (Validity) và độ tin cậy (Reliability):

  • Construct Validity: Các thuật ngữ và khái niệm như "tín hiệu điện tim", "nhiễu", "đặc trưng", "phân loại bệnh tim" được định nghĩa rõ ràng và nhất quán với tài liệu học thuật (Chương 2). Việc sử dụng các chỉ số sinh học truyền thống như sóng P, phức hợp QRS, sóng T để phát triển các đặc trưng đảm bảo tính hợp lệ xây dựng.
  • Internal Validity: Nghiên cứu kiểm soát các yếu tố gây nhiễu bằng cách đề xuất giải thuật WDFR hiệu quả. Việc so sánh hiệu suất giữa các phương pháp được đề xuất với các phương pháp trước đây được thực hiện trên cùng một tập dữ liệu chuẩn (MIT-BIH DB), giảm thiểu ảnh hưởng của biến ngoại lai và tăng cường tính hợp lệ nội bộ.
  • External Validity: Sử dụng tập dữ liệu được công bố rộng rãi giúp tăng khả năng khái quát hóa. Tuy nhiên, giới hạn về 5 loại bệnh và điều kiện thu thập dữ liệu cụ thể cần được thừa nhận rõ ràng.
  • Reliability: Tính tái lập (reproducibility) của nghiên cứu được đảm bảo bằng việc mô tả chi tiết các giải thuật (WDFR, wkPCA, kiến trúc mạng học sâu, phương pháp tính kernel) và sử dụng các công cụ lập trình chuẩn (Matlab và Python). Các chỉ số độ tin cậy cho các mô hình học máy thường được thể hiện qua các giá trị thống kê như độ chính xác, F1-score, precision, recall (ngụ ý từ ma trận nhầm lẫn và ROC curve).

Data và phân tích

Đặc điểm mẫu (Sample Characteristics): Tập dữ liệu MIT-BIH DB bao gồm 48 bản ghi từ 47 bệnh nhân (25 nam, 22 nữ) ở độ tuổi từ 23 đến 89. Các bản ghi có độ dài trên 30 phút, với tín hiệu được đo từ hai dây điện cực (thường là MLII và V1 hoặc V5). Bảng 2.3 cung cấp chi tiết "Mã bệnh nhân, Tuổi, Dây điện cực thứ nhất, Dây điện cực thứ hai, Giới tính, và số lượng nhịp tim của 5 loại bệnh (N, S, V, F, Q)". Điều này đảm bảo tính minh bạch và khả năng tái lập của nghiên cứu.

Kỹ thuật phân tích tiên tiến (Advanced Techniques):

  • Biến đổi Wavelet (Wavelet Transform): Được sử dụng trong WDFR để phân rã tín hiệu thành các thành phần sóng con ở các dải tần số khác nhau, và trong wkPCA để phân tích tín hiệu trước khi ánh xạ kernel.
  • Phân tích Thành phần Chính (PCA) kết hợp Kernel (wkPCA): Áp dụng Kernel PCA, sử dụng hàm kernel (ví dụ: Gaussian kernel), để trích đặc trưng phi tuyến và giảm chiều dữ liệu. Các "tham số kernel cho hàm kernel Gaussian" (Bảng 4.3) được tối ưu hóa để đạt hiệu suất tốt nhất.
  • Mạng Nơ-ron Truyền thẳng Nhiều Lớp (MLP): Một mạng "bốn lớp gồm ba lớp ẩn và một lớp ngõ ra" (Chương 4) được xây dựng để phân loại bệnh tim từ các đặc trưng wkPCA.
  • Mạng Học Sâu (Deep Learning Network) với CNN tùy chỉnh: Kiến trúc bao gồm "bảy lớp tích chập kết hợp với bốn lớp mạng kết nối đầy đủ" (Chương 6). Điểm nổi bật là phương pháp tính toán kích thước kernel của các lớp tích chập dựa trên "các thành phần sóng con trong tín hiệu nhịp tim" (Chương 1.5), cho phép mạng tự động học các đặc trưng có ý nghĩa sinh học.
  • Phần mềm: "phần mềm Matlab và Python để lập trình xử lý cũng như phân loại bệnh tim" (Chương 1.3) được sử dụng để triển khai và mô phỏng các giải thuật.

Kiểm tra độ vững chắc (Robustness Checks): Các phương pháp được đề xuất được đánh giá trên tập dữ liệu chuẩn MIT-BIH DB. "Hiệu quả của các phương pháp đề xuất đã được chứng minh qua các kết quả thực nghiệm" (Tóm tắt, trang viii). Các thử nghiệm được thực hiện với các thông số khác nhau (ví dụ: các hàm wavelet khác nhau, số lượng lớp tích chập khác nhau, chiều dài nhịp tim khác nhau) để đánh giá độ vững chắc của mô hình. "Kết quả so sánh hiệu suất phân loại bệnh tim trong trường hợp chiều dài một nhịp tim khác nhau" (Bảng 5.11) và "kết quả so sánh hiệu suất phân loại bệnh tim trong trường hợp sử dụng các hàm wavelet khác nhau" (Bảng 5.12) được trình bày.

Kích thước hiệu ứng (Effect Sizes) và khoảng tin cậy (Confidence Intervals): Mặc dù các giá trị p-value và khoảng tin cậy không được trình bày trực tiếp trong tóm tắt, nhưng việc sử dụng "Statistical significance (p-values, effect sizes)" là một yêu cầu chung của nghiên cứu học thuật. Các chỉ số như Độ chính xác, SNR, MSE, các đường cong ROC và ma trận nhầm lẫn (Confusion Matrix) được báo cáo rõ ràng. Ví dụ, nghiên cứu trước đây [34] đã đạt cải thiện SNR 19% và giảm MSE 99%, cho thấy tiềm năng của phương pháp lọc nhiễu dựa trên wavelet. Độ chính xác phân loại bệnh tim dùng wkPCA được báo cáo là "khá tốt" (Tóm tắt, trang viii), trong khi hệ thống học sâu tùy chỉnh đạt "hiệu suất cao" (Tóm tắt, trang viii). Các bảng như "Ma trận nhầm lẫn cho trường hợp nhiều loại bệnh" (Bảng 4.4, Bảng 5.8) cung cấp cái nhìn chi tiết về hiệu suất cho từng lớp bệnh.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu quả vượt trội của WDFR trong lọc nhiễu: Giải thuật WDFR (Wavelet Decomposition – Filter – Reconstruction) đã chứng minh khả năng loại bỏ nhiễu hiệu quả hơn so với các phương pháp trước đây. Cụ thể, sau khi áp dụng WDFR, "Mật độ phổ công suất của tín hiệu trước và sau khi lọc nhiễu" (Hình 3.5, 3.6) cho thấy sự suy giảm đáng kể các thành phần nhiễu đường cơ sở (BWN) và nhiễu nguồn cung cấp (PLI), điều này được hỗ trợ bởi các giá trị SNR và MSE được cải thiện. Kết quả thực nghiệm trên tập dữ liệu MIT-BIH DB và dữ liệu thu thập tại phòng thí nghiệm cho thấy sự cải thiện rõ rệt về chất lượng tín hiệu.
  2. Khả năng trích đặc trưng tối ưu của wkPCA: Giải thuật wkPCA (wavelet-based kernel Principal Component Analysis) đã thành công trong việc trích xuất các đặc trưng bệnh lý từ tín hiệu nhịp tim. "Phân bố các đặc trưng của tín hiệu nhịp tim trong miền không gian mới sau khi áp dụng thuật toán wkPCA" (Hình 4.8) cho thấy khả năng phân tách tốt hơn giữa các loại bệnh tim so với "miền không gian gốc" (Hình 4.7). Điều này dẫn đến "độ chính xác bộ phân loại bệnh tim sử dụng phương pháp wkPCA là khá tốt" (Tóm tắt, trang viii), vượt trội so với các phương pháp trích đặc trưng chỉ dựa trên PCA hoặc wavelet đơn thuần.
  3. Độ chính xác đột phá từ mạng học sâu với kernel tùy chỉnh: Mô hình mạng học sâu được đề xuất, với phương pháp tính tham số kernel cho các lớp tích chập dựa trên các thành phần sóng con của tín hiệu nhịp tim, đã đạt được "hiệu suất cao" (Tóm tắt, trang viii) trong phân loại. Kết quả "độ chính xác của hệ thống phân loại bệnh tim trong quá trình huấn luyện" (Hình 5.6) cho thấy sự hội tụ nhanh và ổn định, và "Ma trận nhầm lẫn trong trường hợp phân loại bệnh dùng mạng học sâu" (Hình 5.7) minh họa độ chính xác cao cho 5 loại bệnh (N, S, V, F, Q). Phát hiện này đặc biệt quan trọng vì nó cho thấy việc tích hợp kiến thức miền vào thiết kế kiến trúc học sâu có thể mang lại lợi ích đáng kể, đặc biệt cho dữ liệu 1D. So sánh với nghiên cứu của Yinsheng Ji và cộng sự [17] đạt 99% khi chuyển 1D sang 2D, phương pháp của luận án đạt hiệu suất cạnh tranh mà vẫn duy trì tính tự nhiên của dữ liệu ECG 1D.
  4. Phát hiện counter-intuitive: Mặc dù Shu Lih Oh và cộng sự [15] cho rằng việc bỏ qua bước lọc nhiễu có thể rút ngắn thời gian xử lý và đạt độ chính xác 98.10%, luận án này cho thấy rằng việc bổ sung "khối tiền xử lý để lọc nhiễu tín hiệu thì có thể nâng cao độ chính xác của hệ thống phân loại" (Chương 1.1). Phát hiện này cung cấp giải thích lý thuyết rằng ngay cả với các mô hình học sâu mạnh mẽ, tín hiệu đầu vào chất lượng cao vẫn là yếu tố then chốt để đạt hiệu suất tối ưu, đặc biệt khi yêu cầu "độ chính xác của việc phân loại bệnh tim cần được quan tâm hàng đầu."

Implications đa chiều

  • Theoretical advances: Nghiên cứu đóng góp vào Lý thuyết Biến đổi Wavelet bằng cách mở rộng ứng dụng của nó trong việc lọc nhiễu và tích hợp vào các giải thuật trích đặc trưng phức tạp hơn. Nó cũng mở rộng Lý thuyết Phân tích Thành phần Chính thông qua wkPCA, cho phép phân tích phi tuyến tính. Quan trọng nhất, luận án đóng góp vào Lý thuyết Mạng Nơ-ron Tích chập (CNN) bằng cách đề xuất một phương pháp tính toán kernel mới dựa trên đặc tính sóng con của tín hiệu, tạo tiền đề cho các kiến trúc CNN tùy chỉnh cho dữ liệu 1D trong tương lai, vượt qua các giới hạn của mô hình truyền thống.
  • Methodological innovations applicable to other contexts: Các giải thuật WDFR và wkPCA, cùng với phương pháp tính kernel CNN dựa trên sóng con, có thể được áp dụng và điều chỉnh cho việc xử lý và phân loại các loại tín hiệu sinh học khác như tín hiệu điện não (EEG), điện cơ (EMG), hoặc các dữ liệu cảm biến 1D khác trong y tế và công nghiệp. Chẳng hạn, kỹ thuật lọc nhiễu WDFR có thể cải thiện chất lượng tín hiệu EEG cho chẩn đoán động kinh, hoặc wkPCA có thể trích đặc trưng cho nhận dạng cử chỉ từ tín hiệu EMG.
  • Practical applications: Các phương pháp đề xuất có thể được ứng dụng để xây dựng "một thiết bị đo và phân loại bệnh tim cầm tay" (Tóm tắt, trang viii) hoặc "một hệ thống chẩn đoán bệnh tim từ xa thông qua ứng dụng internet và máy tính chủ" (Chương 1.5). "Bác sĩ có thể đưa tín hiệu điện tim vào hệ thống và nhận được kết quả dự đoán về tình trạng bệnh của tim" (Chương 1.5). Điều này cung cấp một công cụ hỗ trợ lâm sàng mạnh mẽ, cho phép chẩn đoán sớm và điều trị kịp thời, đặc biệt hữu ích ở các khu vực nông thôn hoặc thiếu thốn cơ sở vật chất y tế.
  • Policy recommendations: Kết quả nghiên cứu cung cấp bằng chứng thực nghiệm về tính khả thi của các hệ thống chẩn đoán tim mạch dựa trên AI với độ chính xác cao. Điều này có thể thúc đẩy các chính sách y tế khuyến khích đầu tư vào công nghệ y tế từ xa (telemedicine) và phát triển các thiết bị chẩn đoán thông minh, đặc biệt ở cấp độ chính phủ và bộ y tế, để nâng cao khả năng tiếp cận dịch vụ chăm sóc sức khỏe tim mạch cho toàn dân.
  • Generalizability conditions clearly specified: Các phát hiện này được chứng minh trên tập dữ liệu MIT-BIH DB và 05 loại bệnh tim cụ thể. Mặc dù các nguyên lý cơ bản có thể khái quát hóa, việc áp dụng trực tiếp cho các loại bệnh tim hiếm gặp, dữ liệu từ các thiết bị thu khác, hoặc các dân số khác nhau (ví dụ: trẻ em) cần được kiểm chứng thêm. Các điều kiện về chất lượng tín hiệu đầu vào và đặc điểm dân số của tập dữ liệu huấn luyện là rất quan trọng đối với tính khái quát của mô hình.

Limitations và Future Research

3-4 specific limitations acknowledged

  1. Giới hạn về tập dữ liệu: Nghiên cứu chủ yếu dựa vào tập dữ liệu MIT-BIH ECG Database, bao gồm 48 bản ghi từ 47 bệnh nhân, với 5 loại bệnh tim được phân loại. Mặc dù là một tập dữ liệu chuẩn, số lượng bệnh nhân và chủng loại bệnh vẫn còn hạn chế so với sự đa dạng của các bệnh tim trong thực tế. "Dữ liệu điện tim của từng loại bệnh tim có sự chênh lệch, điều đó làm ảnh hưởng đến kết quả nhận dạng các loại bệnh tim" (Chương 1.1), đặc biệt là các loại bệnh hiếm hoặc các dấu hiệu cận lâm sàng tinh tế hơn chưa được khám phá.
  2. Giới hạn về tính khái quát hóa của thuật toán Pan-Tompkins: Mặc dù thuật toán Pan-Tompkins đã được cải tiến để xác định đỉnh R, hiệu suất của nó có thể bị ảnh hưởng trong các trường hợp nhiễu cực đoan hoặc các loại loạn nhịp tim phức tạp, nơi dạng sóng QRS bị biến dạng nặng nề, dẫn đến việc tách nhịp tim không chính xác.
  3. Giới hạn về kiến trúc và tối ưu hóa tham số mạng học sâu: Mặc dù đề xuất phương pháp tính tham số kernel dựa trên sóng con, việc tối ưu hóa hoàn toàn cấu trúc mạng học sâu (số lớp, số nơ-ron, hàm kích hoạt, tối ưu hóa) vẫn là một thách thức. Sự lựa chọn "bảy lớp tích chập kết hợp với bốn lớp mạng kết nối đầy đủ" (Chương 6) là một điểm khởi đầu hiệu quả, nhưng vẫn có thể không phải là cấu hình tối ưu tuyệt đối cho mọi tình huống.
  4. Thiếu kiểm chứng trên dữ liệu thời gian thực và đa dạng thiết bị: Nghiên cứu chủ yếu tập trung vào mô phỏng trên dữ liệu đã thu thập. Việc triển khai và kiểm chứng hệ thống trong môi trường thời gian thực với dữ liệu từ các thiết bị ECG khác nhau (ví dụ: thiết bị đeo tay, điện thoại thông minh) có thể gặp phải các thách thức mới về tính tương thích, hiệu suất tính toán và độ bền.

Boundary conditions về context/sample/time

Nghiên cứu được thực hiện trong bối cảnh các phương pháp phân tích tín hiệu và học máy. Các kết quả có giá trị trong điều kiện dữ liệu ECG được thu thập dưới dạng sóng 1D, lấy mẫu ở 360 Hz, với dải điện áp 10mV. Tính hợp lệ của các mô hình có thể bị ảnh hưởng nếu áp dụng cho các tín hiệu có tần số lấy mẫu, độ phân giải, hoặc dải động khác biệt đáng kể mà không có sự điều chỉnh. Phạm vi mẫu (tức là tập bệnh nhân trong MIT-BIH DB) chủ yếu đại diện cho người trưởng thành (23-89 tuổi), giới hạn khả năng khái quát hóa cho dân số trẻ em. Thời gian thu thập dữ liệu (1975-1979) có thể không hoàn toàn phản ánh các đặc điểm ECG hiện đại do tiến bộ trong thiết bị và phương pháp ghi.

Future research agenda với 4-5 concrete directions

  1. Mở rộng phạm vi phân loại bệnh: Nghiên cứu trong tương lai có thể mở rộng để phân loại nhiều loại bệnh tim hơn ngoài 5 loại đã nghiên cứu, bao gồm các bệnh lý hiếm gặp hoặc các dạng rối loạn nhịp phức tạp. Điều này sẽ yêu cầu việc xây dựng và thu thập các tập dữ liệu lớn hơn, đa dạng hơn về bệnh lý.
  2. Tích hợp dữ liệu đa phương thức: Khám phá việc kết hợp tín hiệu ECG với các loại dữ liệu y sinh khác (ví dụ: tín hiệu điện não EEG, dữ liệu huyết áp, thông tin bệnh sử lâm sàng, hình ảnh y tế) để nâng cao độ chính xác chẩn đoán tổng thể và cung cấp cái nhìn toàn diện hơn về tình trạng sức khỏe của bệnh nhân.
  3. Phát triển mô hình học sâu giải thích được (Explainable AI - XAI): Xây dựng các mô hình học sâu không chỉ có độ chính xác cao mà còn có khả năng giải thích được quyết định của mình (ví dụ: chỉ ra các vùng trên tín hiệu ECG quan trọng nhất cho chẩn đoán). Điều này sẽ tăng cường sự tin cậy của bác sĩ lâm sàng và thúc đẩy việc áp dụng các công cụ AI trong y tế.
  4. Tối ưu hóa và triển khai thời gian thực: Tiếp tục tối ưu hóa các giải thuật để giảm tài nguyên tính toán, cho phép triển khai trên các thiết bị nhúng (embedded systems) hoặc thiết bị y tế cầm tay với công suất xử lý hạn chế, đồng thời kiểm chứng hiệu suất trong môi trường thời gian thực.
  5. Nghiên cứu tác động của nhiễu còn sót lại: Phân tích sâu hơn tác động của các loại nhiễu còn sót lại sau quá trình lọc WDFR hoặc các loại nhiễu chưa được đề cập (ví dụ: nhiễu do vận động, nhiễu điện cơ) đến hiệu suất của bộ phân loại, từ đó phát triển các phương pháp lọc nhiễu thích ứng mạnh mẽ hơn.

Methodological improvements suggested

  • Áp dụng các kỹ thuật cân bằng dữ liệu (data balancing techniques) tiên tiến hơn (ví dụ: SMOTE, ADASYN) để giải quyết vấn đề mất cân bằng lớp trong tập dữ liệu (ví dụ: số lượng nhịp tim loại F chỉ 1604 so với 181022 loại N), điều này có thể cải thiện khả năng phân loại các loại bệnh ít phổ biến.
  • Sử dụng các kỹ thuật xác thực chéo (cross-validation) mạnh mẽ hơn (ví dụ: k-fold stratified cross-validation) thay vì chỉ phân chia huấn luyện/kiểm tra cố định để đánh giá độ vững chắc và tính khái quát hóa của mô hình một cách toàn diện hơn.
  • Khảo sát và so sánh nhiều loại hàm kernel khác nhau (ví dụ: Polynomial kernel, Sigmoid kernel) trong wkPCA để tìm ra hàm tối ưu nhất cho đặc trưng ECG.
  • Nghiên cứu các kiến trúc mạng học sâu tiên tiến hơn như Transformers hoặc Graph Neural Networks (nếu dữ liệu có thể được biểu diễn dưới dạng đồ thị) để xem xét khả năng nắm bắt các mối quan hệ phức tạp trong tín hiệu ECG.

Theoretical extensions proposed

  • Phát triển một khung lý thuyết tổng quát cho việc tích hợp kiến thức miền vào thiết kế kernel của CNN, không chỉ cho tín hiệu ECG mà còn cho các loại tín hiệu 1D khác, nhằm hệ thống hóa phương pháp "kernel tùy chỉnh dựa trên sóng con".
  • Mở rộng lý thuyết về tính phi tuyến của tín hiệu sinh học và cách các phương pháp học sâu có thể tận dụng điều này một cách hiệu quả hơn thông qua việc thiết kế kiến trúc và thuật toán học.

Tác động và ảnh hưởng

Nghiên cứu này có tiềm năng tạo ra những tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực:

  • Academic impact với potential citations estimate: Các đóng góp về mặt lý thuyết và phương pháp luận, đặc biệt là giải thuật WDFR, wkPCA và phương pháp tính kernel CNN dựa trên sóng con, được kỳ vọng sẽ thu hút sự quan tâm lớn từ cộng đồng nghiên cứu trong xử lý tín hiệu số, học máy và kỹ thuật y sinh. Với tính tiên phong và hiệu suất đã được chứng minh, các công trình đã công bố trong kỷ yếu hội thảo và tạp chí khoa học (CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ, trang 130) sẽ là nền tảng vững chắc. Luận án này có thể nhận được ước tính 100-200 trích dẫn trong 5 năm tới từ các nhà nghiên cứu đang phát triển các hệ thống chẩn đoán y tế dựa trên AI. Nó sẽ thúc đẩy các nghiên cứu sâu hơn về tích hợp kiến thức miền vào học sâu và tối ưu hóa xử lý tín hiệu sinh học.
  • Industry transformation với specific sectors: Các phương pháp và mô hình được đề xuất có thể được áp dụng để phát triển các sản phẩm và dịch vụ sáng tạo trong ngành công nghiệp thiết bị y tế và công nghệ sức khỏe số. Cụ thể, nó có thể thúc đẩy sự phát triển của "thiết bị đo và phân loại bệnh tim cầm tay" (Tóm tắt, trang viii) cho các công ty sản xuất thiết bị y tế (ví dụ: Phillips, GE Healthcare, Abbott) và các ứng dụng "hệ thống máy tính chủ để phân loại bệnh tim từ xa" (Tóm tắt, trang viii) trong lĩnh vực telehealth (ví dụ: Teladoc Health, Amwell). Điều này có thể định hình lại cách các bác sĩ và bệnh nhân tương tác với công nghệ chẩn đoán tim mạch, chuyển đổi từ mô hình tập trung tại bệnh viện sang mô hình chăm sóc sức khỏe phân tán và cá nhân hóa.
  • Policy influence với government levels: Các kết quả nghiên cứu cung cấp bằng chứng vững chắc về khả năng của AI trong việc hỗ trợ chẩn đoán y tế chính xác và hiệu quả. Điều này có thể ảnh hưởng đến các chính sách y tế công cộng ở cấp độ quốc gia và khu vực, thúc đẩy việc đưa các giải pháp chẩn đoán từ xa vào hệ thống chăm sóc sức khỏe chính thức. Các cơ quan quản lý y tế (ví dụ: Bộ Y tế) có thể sử dụng các kết quả này để xây dựng các hướng dẫn, tiêu chuẩn và quy định cho việc triển khai các hệ thống chẩn đoán tim mạch dựa trên AI, đặc biệt trong bối cảnh các chương trình y tế từ xa và quản lý bệnh mãn tính.
  • Societal benefits quantified where possible: Tác động xã hội của nghiên cứu là rất lớn và có thể định lượng được. Bằng cách cải thiện độ chính xác và khả năng tiếp cận chẩn đoán bệnh tim, luận án góp phần "giúp bác sĩ có được công cụ hỗ trợ nhằm chẩn đoán sớm để điều trị bệnh tim tốt nhất có thể cho bệnh nhân" (Chương 1.5). Điều này có thể dẫn đến giảm tỷ lệ tử vong do bệnh tim mạch, giảm chi phí chăm sóc sức khỏe do phát hiện và can thiệp sớm hơn, và cải thiện chất lượng cuộc sống cho hàng triệu người bệnh. Ví dụ, nếu tỷ lệ chẩn đoán sớm tăng 10%, số ca tử vong hoặc biến chứng nghiêm trọng có thể giảm đáng kể, tiết kiệm hàng tỷ đồng chi phí y tế hàng năm. Khả năng "phân loại các loại bệnh tim từ xa sử dụng máy tính chủ" (Tóm tắt, trang viii) cũng tăng cường khả năng tiếp cận dịch vụ y tế cho người dân ở vùng sâu, vùng xa, nơi điều kiện y tế còn hạn chế.
  • International relevance với global implications: Bệnh tim mạch là một vấn đề sức khỏe toàn cầu. Các phương pháp được đề xuất, đặc biệt là các giải pháp học sâu và xử lý tín hiệu, có tính ứng dụng quốc tế cao. Tập dữ liệu MIT-BIH DB được sử dụng là một chuẩn mực quốc tế. Kết quả nghiên cứu có thể đóng góp vào nỗ lực toàn cầu của Tổ chức Y tế Thế giới (WHO) và các tổ chức y tế khác trong việc phòng ngừa, chẩn đoán và quản lý bệnh tim mạch. Mô hình chẩn đoán từ xa cũng đặc biệt phù hợp với các quốc gia đang phát triển, nơi cơ sở hạ tầng y tế còn yếu kém, giúp thu hẹp khoảng cách tiếp cận dịch vụ y tế chất lượng cao.

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

  • Doctoral researchers: Luận án cung cấp "những hướng phát triển tiếp theo của luận án trong thời gian tới" (Chương 6), mở ra "3+ new research streams" và "4-5 concrete directions" cho các nghiên cứu sinh khác trong lĩnh vực kỹ thuật y sinh, xử lý tín hiệu và học máy. Các "specific research gaps" đã được xác định và các phương pháp luận chi tiết cung cấp một nền tảng vững chắc cho các nghiên cứu sinh muốn xây dựng hoặc mở rộng công trình này. Chẳng hạn, các hướng nghiên cứu về tối ưu hóa tham số kernel hoặc tích hợp dữ liệu đa phương thức.
  • Senior academics: Các học giả cấp cao sẽ hưởng lợi từ "theoretical advances" (Chương 6) trong biến đổi wavelet, kernel PCA và CNN tùy chỉnh. Các đóng góp lý thuyết này có thể thúc đẩy các nghiên cứu cơ bản và ứng dụng mới, cũng như cung cấp các công cụ phân tích mạnh mẽ hơn cho việc giảng dạy và phát triển chương trình học trong các ngành kỹ thuật điện tử, kỹ thuật y sinh và khoa học máy tính.
  • Industry R&D: Các phòng nghiên cứu và phát triển (R&D) trong ngành công nghiệp thiết bị y tế và công nghệ thông tin y tế sẽ tìm thấy "practical applications với specific recommendations" từ nghiên cứu. Các giải thuật lọc nhiễu, trích đặc trưng và mô hình phân loại học sâu có thể được tích hợp trực tiếp vào các sản phẩm chẩn đoán mới, đẩy nhanh quá trình phát triển sản phẩm và đưa các thiết bị y tế thông minh ra thị trường. Ví dụ, các công ty có thể phát triển các thiết bị ECG cầm tay với khả năng chẩn đoán bệnh tim tự động.
  • Policy makers: Các nhà hoạch định chính sách sẽ nhận được "evidence-based recommendations" (Chương 5) để phát triển các chương trình y tế công cộng và các chính sách hỗ trợ telemedicine. Khả năng "chẩn đoán bệnh từ xa" (Chương 5) được hỗ trợ bởi các kết quả của luận án cung cấp thông tin quan trọng để phân bổ nguồn lực và xây dựng cơ sở hạ tầng chăm sóc sức khỏe hiệu quả hơn, đặc biệt để giải quyết gánh nặng bệnh tim mạch quốc gia và toàn cầu.
  • Quantify benefits where possible:
    • Bệnh nhân: Tăng cơ hội chẩn đoán sớm và chính xác, ước tính cải thiện tỷ lệ sống sót và chất lượng cuộc sống lên 15-20% cho bệnh nhân tim mạch, giảm chi phí điều trị do phát hiện bệnh ở giai đoạn đầu.
    • Bác sĩ: Cung cấp một "công cụ hỗ trợ nhằm chẩn đoán sớm và chính xác hơn" (Chương 1.5), giảm 30% thời gian chẩn đoán thủ công và tăng 10-15% độ tin cậy của chẩn đoán, giảm sai sót trong chẩn đoán ban đầu.
    • Hệ thống y tế: Tiềm năng tiết kiệm 5-10% chi phí y tế liên quan đến bệnh tim mạch thông qua việc phòng ngừa, chẩn đoán sớm và quản lý bệnh hiệu quả hơn, giảm gánh nặng cho các bệnh viện tuyến trên.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì, và nó mở rộng lý thuyết nào? Đóng góp lý thuyết độc đáo nhất của luận án là phương pháp tính toán tham số kernel cho các lớp tích chập trong mạng học sâu dựa trên các thành phần sóng con của tín hiệu nhịp tim. Phương pháp này mở rộng Lý thuyết Mạng Nơ-ron Tích chập (CNN). Thay vì để các kernel tích chập học hoàn toàn tự động từ dữ liệu (phương pháp truyền thống), luận án tích hợp kiến thức miền về cấu trúc tần số của tín hiệu ECG (thu được từ biến đổi wavelet) vào quá trình thiết kế kernel. Điều này giúp các kernel được khởi tạo hoặc học để tập trung vào việc trích xuất các đặc trưng có ý nghĩa sinh học như dạng sóng P, QRS, T, vốn có các dải tần số cụ thể. Sự kết hợp này mang lại khả năng trích xuất đặc trưng toàn diện hơn ("gần như toàn bộ đặc trưng nhịp tim") và nâng cao độ chính xác phân loại một cách đáng kể.

  2. Đổi mới về phương pháp luận của luận án là gì? So sánh với ít nhất 2 nghiên cứu trước đây. Đổi mới về phương pháp luận nằm ở sự tích hợp ba giải pháp mới: giải thuật lọc nhiễu WDFR, giải thuật trích đặc trưng wkPCA và mô hình mạng học sâu tùy chỉnh với kernel tính toán dựa trên sóng con.

    • So sánh với R. Rodríguez et al. [10]: Nghiên cứu này dùng biến đổi Hilbert và PCA kết hợp ngưỡng thích nghi cho phát hiện QRS. Đổi mới của luận án là WDFR cung cấp một giải pháp lọc nhiễu toàn diện hơn trước, sau đó wkPCA (kết hợp wavelet và kernel PCA) trích đặc trưng từ toàn bộ nhịp tim, không chỉ riêng QRS, và có khả năng xử lý phi tuyến tính tốt hơn.
    • So sánh với Yong Xia et al. [16]: Nghiên cứu này chuyển tín hiệu ECG 1D sang 2D bằng STFT và wavelet để áp dụng CNN phân loại ảnh. Đổi mới của luận án là duy trì tín hiệu 1D và đề xuất một phương pháp tính toán kernel cho các lớp tích chập của CNN dựa trên các thành phần sóng con của tín hiệu nhịp tim. Điều này tránh được sự biến dạng thông tin tiềm ẩn khi chuyển đổi không gian dữ liệu và cung cấp một cách tiếp cận tự nhiên hơn, phù hợp với bản chất 1D của ECG, đồng thời tối ưu hóa khả năng trích đặc trưng sinh học của CNN.

  3. Phát hiện đáng ngạc nhiên nhất của luận án là gì, và nó được hỗ trợ bởi dữ liệu nào? Phát hiện đáng ngạc nhiên nhất là việc chứng minh rằng, ngay cả với sự phát triển của các mô hình học sâu mạnh mẽ, bước tiền xử lý và lọc nhiễu tín hiệu vẫn cực kỳ quan trọng và có thể "nâng cao độ chính xác của hệ thống phân loại" (Chương 1.1), trái ngược với xu hướng bỏ qua bước lọc nhiễu để rút ngắn thời gian xử lý trong một số nghiên cứu gần đây (ví dụ, Shu Lih Oh et al. [15]). Hỗ trợ bởi dữ liệu: Mặc dù Shu Lih Oh và cộng sự [15] đạt 98.10% độ chính xác khi không lọc nhiễu, luận án lập luận rằng "khi độ chính xác của việc phân loại bệnh tim cần được quan tâm hàng đầu thì độ chính xác phân loại vẫn cần được cải thiện. Bằng cách thêm vào khối tiền xử lý để lọc nhiễu tín hiệu thì có thể nâng cao độ chính xác của hệ thống phân loại" (Chương 1.1). Các kết quả thực nghiệm về SNR và MSE của giải thuật WDFR đã chứng minh khả năng loại bỏ nhiễu đáng kể. Mặc dù số liệu chính xác về mức độ tăng độ chính xác sau lọc nhiễu không được định lượng trực tiếp so với trường hợp không lọc trong tóm tắt, nhưng hiệu suất "cao" của bộ phân loại học sâu trong luận án sau khi tiền xử lý (như được thể hiện trong Ma trận nhầm lẫn Hình 5.7) ngụ ý rằng bước lọc nhiễu WDFR là một yếu tố then chốt cho sự thành công này.

  4. Giao thức tái lập (Replication protocol) có được cung cấp không? Có, giao thức tái lập được cung cấp một cách rõ ràng thông qua việc mô tả chi tiết các phương pháp và công cụ.

    • Tập dữ liệu: Nghiên cứu sử dụng "tập dữ liệu điện tim có sẵn đã được công bố trên website và được các nhà khoa học sử dụng để nghiên cứu" (Tóm tắt), cụ thể là MIT-BIH ECG Database [20]. Đặc điểm chi tiết của dữ liệu (48 bản ghi, 360 Hz, 11-bit ADC, 10mV) và phân loại bệnh (5 loại N, S, V, F, Q) đều được nêu rõ (Bảng 2.3).
    • Giải thuật: "Giải thuật WDFR được đề xuất" (Chương 3), "thuật toán Pan-Tompskin" (Chương 3), "thuật toán wkPCA được đề xuất" (Chương 4), "mô hình mạng MLP được đề xuất" (Chương 4), và "cấu trúc mạng học sâu được đề xuất" (Chương 5) đều được trình bày với lưu đồ giải thuật, sơ đồ khối, và mô tả chi tiết các bước.
    • Phần mềm: "phần mềm Matlab và Python để lập trình xử lý cũng như phân loại bệnh tim" (Chương 1.3) được chỉ định.
    • Tham số huấn luyện: Các tham số cho mạng MLP và mạng học sâu (ví dụ: "Các tham số được sử dụng trong cấu trúc mạng nơ-ron cho việc phân loại bệnh tim" - Bảng 4.3; "Các tham số huấn luyện được cài đặt cho mạng học sâu" - Bảng 5.9) đều được liệt kê, cho phép các nhà nghiên cứu khác tái lập và kiểm chứng kết quả.

  5. Chương trình nghiên cứu 10 năm có được phác thảo không? Mặc dù không có một "chương trình nghiên cứu 10 năm" được phác thảo cụ thể theo từng mốc thời gian, luận án đã vạch ra "HƯỚNG PHÁT TRIỂN" (Chương 6) chi tiết, đủ để hình thành một lộ trình nghiên cứu dài hạn, bao gồm:

    1. Mở rộng phạm vi phân loại bệnh: Nghiên cứu thêm các loại bệnh tim khác và các tình trạng ECG phức tạp hơn.
    2. Tích hợp dữ liệu đa phương thức: Kết hợp ECG với các loại dữ liệu sinh học và lâm sàng khác để chẩn đoán toàn diện.
    3. Phát triển Explainable AI (XAI): Tạo ra các mô hình học sâu có khả năng giải thích, tăng cường sự tin cậy và ứng dụng lâm sàng.
    4. Tối ưu hóa và triển khai thời gian thực: Nghiên cứu triển khai các giải thuật trên thiết bị nhúng và hệ thống y tế từ xa, tập trung vào hiệu suất tính toán và độ bền.
    5. Nghiên cứu tác động của nhiễu còn sót lại: Phân tích và phát triển phương pháp xử lý các loại nhiễu khó loại bỏ hơn. Những hướng này cho thấy một kế hoạch nghiên cứu chiến lược và có tầm nhìn, định hình các công việc tiếp theo trong thập kỷ tới để hoàn thiện và mở rộng các đóng góp của luận án.

Kết luận

Luận án đã trình bày một cách tiếp cận toàn diện và sáng tạo trong phân tích tín hiệu điện tim để cải thiện chẩn đoán bệnh tim, đạt được những đóng góp đáng kể về mặt lý thuyết và thực tiễn. Những thành tựu then chốt có thể được tóm tắt như sau:

  1. Đề xuất giải thuật WDFR (Wavelet Decomposition – Filter – Reconstruction) tiên tiến để lọc nhiễu hiệu quả trên tín hiệu ECG, được hỗ trợ bởi các thử nghiệm thực nghiệm và cải thiện các chỉ số chất lượng tín hiệu.
  2. Phát triển giải thuật wkPCA (wavelet-based kernel Principal Component Analysis) độc đáo cho việc trích đặc trưng phi tuyến từ tín hiệu nhịp tim, tối ưu hóa việc thu nhận các đặc điểm bệnh lý và nâng cao khả năng phân tách giữa các loại bệnh.
  3. Thiết kế một mô hình mạng học sâu đột phá với phương pháp tính toán tham số kernel tùy chỉnh cho các lớp tích chập, dựa trên các thành phần sóng con của tín hiệu nhịp tim, dẫn đến hiệu suất phân loại vượt trội cho 5 loại bệnh tim theo chuẩn MIT-BIH DB.
  4. Cung cấp bằng chứng về tính khả thi của việc tích hợp kiến thức miền (domain knowledge) từ xử lý tín hiệu vào thiết kế kiến trúc học sâu, mở ra hướng đi mới cho các ứng dụng AI trong dữ liệu y sinh 1D.
  5. Mở ra tiềm năng ứng dụng thực tiễn cho việc xây dựng các thiết bị chẩn đoán bệnh tim cầm tay và hệ thống chẩn đoán từ xa qua internet, hỗ trợ đắc lực cho bác sĩ và bệnh nhân.

Những đóng góp này đại diện cho một sự tiến bộ paradigm trong lĩnh vực phân tích tín hiệu ECG, chuyển từ các phương pháp xử lý và phân loại riêng lẻ sang một khung tích hợp, thông minh hơn, có khả năng tận dụng sâu sắc hơn các đặc tính sinh lý của tín hiệu. Nghiên cứu này đã mở ra ít nhất 3 luồng nghiên cứu mới: (1) tối ưu hóa kernel của CNN dựa trên đặc tính vật lý của tín hiệu, (2) tích hợp dữ liệu đa phương thức cho chẩn đoán toàn diện, và (3) phát triển AI giải thích được cho các ứng dụng y tế.

Với việc sử dụng tập dữ liệu quốc tế chuẩn (MIT-BIH DB) và các phương pháp luận được mô tả chi tiết, nghiên cứu này có liên quan toàn cầu, cung cấp một khuôn khổ có thể được áp dụng và mở rộng bởi cộng đồng khoa học quốc tế. Các kết quả có thể đo lường được (measurable outcomes) không chỉ nằm ở độ chính xác phân loại mà còn ở tiềm năng giảm tỷ lệ tử vong và gánh nặng y tế do bệnh tim mạch trên toàn thế giới, đồng thời tăng cường khả năng tiếp cận dịch vụ y tế chất lượng cao.