Luận án: Xây dựng mô hình nhận dạng kết hợp nâng cao độ chính xác phân loại tín hiệu ECG loạn nhịp

Luận án: Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp luận án tiến sĩ. Xem tóm tắt và tải về tại LuanAn.n

Tác giả

Luan An

Thể loại

Luận án tiến sĩ

Năm xuất bản

Số trang

129

Thời gian đọc

20 phút

Lượt xem

1

Lượt tải

0

Phí lưu trữ

40 Point

Tổng quan nhanh

Chủ đề:
1. Tối ưu phân loại ECG loạn nhịp: Mô hình nhận dạng mới
Số trang:
129 trang
Trường:
Đại học Bách khoa Hà Nội
Chuyên ngành:
Kỹ thuật Điều khiển và Tự động hóa
Tác giả:
Năm:

Tóm tắt nội dung luận án

I. Tối ưu phân loại ECG loạn nhịp Mô hình nhận dạng mới

Nghiên cứu tập trung vào phát triển mô hình nhận dạng kết hợp. Mục tiêu chính là cải thiện độ chính xác trong phân loại tín hiệu điện tim (ECG) loạn nhịp. Độ chính xác mô hình cao có ý nghĩa quan trọng trong chẩn đoán y tế sớm. Chẩn đoán chính xác giúp điều trị kịp thời, nâng cao chất lượng cuộc sống cho bệnh nhân. Các thuật toán nhận dạng truyền thống gặp khó khăn khi xử lý dữ liệu phức tạp. Điều này đòi hỏi giải pháp mới, hiệu quả hơn. Luận án giải quyết nhu cầu cấp thiết này. Tín hiệu ECG ghi lại hoạt động điện của tim. Chúng cung cấp thông tin quý giá về sức khỏe tim mạch. Tuy nhiên, tín hiệu ECG thường chứa nhiều nhiễu. Nhiễu có thể do cử động, nhiễu điện từ, hoặc các yếu tố khác. Việc phân loại loạn nhịp tim đòi hỏi khả năng nhận dạng tinh vi. Các dạng loạn nhịp có thể rất đa dạng, khó phân biệt. Điều này đặt ra thách thức lớn cho các thuật toán nhận dạng. Cần có phương pháp xử lý và phân tích tín hiệu mạnh mẽ. Luận án đề xuất một mô hình nhận dạng kết hợp tiên tiến. Mô hình này tích hợp nhiều thuật toán nhận dạng khác nhau. Mục tiêu là tận dụng ưu điểm của từng phương pháp. Điều này giúp nâng cao đáng kể độ chính xác mô hình. Luận án cũng phát triển quy trình tiền xử lý và trích chọn đặc tính hiệu quả. Kết quả góp phần vào việc chẩn đoán tự động loạn nhịp tim. Nó mở ra hướng nghiên cứu mới trong lĩnh vực Học máy ứng dụng y tế.

1.1. Mục tiêu và tầm quan trọng của nghiên cứu

Nghiên cứu phát triển một mô hình nhận dạng kết hợp. Mục tiêu là nâng cao độ chính xác phân loại tín hiệu điện tim (ECG) loạn nhịp. Độ chính xác mô hình cao có ý nghĩa sống còn trong chẩn đoán y tế. Chẩn đoán sớm giúp điều trị hiệu quả, cải thiện tiên lượng bệnh nhân. Các thuật toán nhận dạng hiện có đối mặt với thách thức lớn từ dữ liệu ECG phức tạp và nhiễu. Cần có một phương pháp tiếp cận mới, mạnh mẽ hơn để giải quyết vấn đề này. Luận án cung cấp một giải pháp tiên tiến.

1.2. Tổng quan về tín hiệu điện tim ECG và thách thức

Tín hiệu ECG phản ánh hoạt động điện của tim. Chúng chứa đựng thông tin quan trọng về tình trạng tim mạch. Tuy nhiên, tín hiệu ECG thường bị ảnh hưởng bởi nhiễu. Các nguồn nhiễu bao gồm cử động cơ thể, nhiễu điện từ. Nhiễu làm giảm chất lượng tín hiệu, gây khó khăn cho việc phân tích. Phân loại chính xác các loại loạn nhịp tim rất phức tạp. Các dạng loạn nhịp có thể có biểu hiện tương tự nhau. Điều này đặt ra yêu cầu cao về thuật toán nhận dạng.

1.3. Đóng góp chính của luận án

Luận án giới thiệu một mô hình nhận dạng kết hợp đột phá. Mô hình này kết hợp nhiều thuật toán nhận dạng để tối ưu hiệu suất. Mục tiêu là tận dụng điểm mạnh của từng phương pháp riêng lẻ. Kết quả là độ chính xác mô hình được cải thiện đáng kể. Nghiên cứu cũng phát triển quy trình tiền xử lý và trích chọn đặc tính tín hiệu. Các đóng góp này mở ra hướng đi mới cho chẩn đoán loạn nhịp tim tự động. Nó ứng dụng Học máy vào lĩnh vực y tế, mang lại lợi ích thiết thực.

II. Thu thập tiền xử lý Dữ liệu huấn luyện ECG chất lượng

Dữ liệu điện tim là nền tảng cho việc huấn luyện mô hình. Dữ liệu được thu thập từ các cơ sở dữ liệu y tế chuẩn như MIT-BIH và MGH/MF. Tín hiệu thô thường chứa nhiều nhiễu. Các nhiễu này cần được loại bỏ để đảm bảo chất lượng dữ liệu. Quy trình tiền xử lý bao gồm việc áp dụng nhiều loại bộ lọc. Bộ lọc thông thấp giúp loại bỏ nhiễu tần số cao. Bộ lọc thông cao xử lý nhiễu đường nền. Bộ Notch 50Hz loại bỏ nhiễu điện lưới, một nguồn nhiễu phổ biến. Quy trình này đảm bảo tín hiệu sạch, nâng cao độ chính xác mô hình. Sau tiền xử lý, bước trích chọn đặc tính được thực hiện. Đây là giai đoạn quan trọng để rút gọn thông tin. Các đặc tính đại diện cho tín hiệu được chiết xuất. Phát hiện đỉnh R là một kỹ thuật chủ chốt. Phân tích phức bộ QRS bằng hàm Hermite cơ sở cũng được sử dụng. Các đặc tính này cung cấp dữ liệu đầu vào có ý nghĩa. Chúng giúp các thuật toán nhận dạng phân biệt các loại loạn nhịp. Quá trình này ảnh hưởng trực tiếp đến hiệu suất cuối cùng của mô hình. Dữ liệu đã qua tiền xử lý và trích chọn đặc tính được chuẩn bị kỹ lưỡng. Chúng được phân chia thành các tập huấn luyện và kiểm thử. Sự phân chia này đảm bảo đánh giá khách quan. Dữ liệu huấn luyện chất lượng cao giúp mô hình học các mẫu chính xác. Điều này tối ưu hóa khả năng khái quát hóa của mô hình trên dữ liệu mới. Các tập dữ liệu được cân bằng để tránh thiên lệch. Chuẩn bị dữ liệu huấn luyện là bước không thể thiếu để xây dựng mô hình mạnh mẽ.

2.1. Quy trình thu thập dữ liệu và lọc nhiễu

Dữ liệu điện tim được lấy từ cơ sở dữ liệu MIT-BIH và MGH/MF. Tín hiệu thô cần được làm sạch. Các bộ lọc thông thấp được dùng để loại bỏ nhiễu tần số cao. Bộ lọc thông cao xử lý nhiễu đường nền. Bộ lọc Notch 50Hz loại bỏ nhiễu điện lưới. Quy trình lọc nhiễu đảm bảo chất lượng tín hiệu. Dữ liệu sạch là yếu tố then chốt cho độ chính xác mô hình.

2.2. Trích chọn đặc tính tín hiệu điện tim

Sau lọc nhiễu, các đặc tính của tín hiệu được trích chọn. Đây là bước giảm chiều dữ liệu quan trọng. Phát hiện đỉnh R được thực hiện. Phân tích phức bộ QRS bằng các hàm Hermite cơ sở cũng được áp dụng. Các đặc tính này mang thông tin cốt lõi. Chúng giúp các thuật toán nhận dạng dễ dàng phân biệt các loại loạn nhịp. Hiệu quả của bước này tác động lớn đến độ chính xác tổng thể.

2.3. Chuẩn bị dữ liệu huấn luyện tối ưu

Dữ liệu đã qua tiền xử lý và trích chọn đặc tính được chuẩn bị. Chúng được chia thành các tập huấn luyện và kiểm thử. Việc phân chia đúng đắn đảm bảo tính khách quan. Dữ liệu huấn luyện chất lượng cao giúp mô hình học hiệu quả. Điều này tối ưu hóa khả năng khái quát hóa. Các tập dữ liệu được cân bằng để tránh sai lệch. Chuẩn bị dữ liệu huấn luyện là nền tảng cho một mô hình mạnh mẽ.

III. Khám phá các Thuật toán nhận dạng đơn lẻ hiệu quả

Nhiều thuật toán nhận dạng đơn lẻ được nghiên cứu kỹ lưỡng. Các mô hình này đóng vai trò là thành phần cơ sở cho mô hình kết hợp. Chúng được đánh giá hiệu suất độc lập trước khi tích hợp. Học máy cung cấp một loạt các công cụ mạnh mẽ để phân loại. Các kỹ thuật bao gồm Mạng nơ-rôn đa lớp (MLP), Mạng nơ-rôn mờ TSK, Máy Véc-tơ Hỗ trợ (SVM) và Rừng ngẫu nhiên (RF). Mỗi thuật toán có những ưu điểm và hạn chế riêng. Việc hiểu rõ cơ chế hoạt động của từng mô hình là cần thiết. Điều này giúp chọn lọc và kết hợp chúng một cách tối ưu để đạt được độ chính xác mô hình cao nhất. Mạng nơ-rôn đa lớp (MLP) được khám phá chi tiết. Cấu trúc mạng bao gồm các lớp đầu vào, lớp ẩn và lớp đầu ra. Thuật toán học theo bước giảm cực đại được áp dụng để huấn luyện MLP. Mạng nơ-rôn mờ TSK cũng được nghiên cứu sâu. Mạng TSK tích hợp logic mờ vào cấu trúc nơ-rôn. Cả hai mô hình này đều có khả năng học các mối quan hệ phi tuyến tính phức tạp. Chúng rất phù hợp cho việc phân loại các mẫu tín hiệu điện tim. Hiệu suất của các mạng nơ-rôn được đánh giá kỹ lưỡng trên dữ liệu ECG. Máy Véc-tơ Hỗ trợ (SVM) là một thuật toán nhận dạng mạnh mẽ. SVM hoạt động bằng cách tìm một siêu phẳng phân chia tối ưu. Siêu phẳng này tách biệt các lớp dữ liệu với biên độ lớn nhất. SVM cho thấy hiệu quả tốt với dữ liệu có nhiều chiều. Rừng ngẫu nhiên (RF) là một mô hình ensemble dựa trên cây quyết định. RF xây dựng nhiều cây quyết định độc lập và kết hợp kết quả của chúng. RF có khả năng chống overfitting cao. Nó cũng xử lý hiệu quả các tập dữ liệu lớn và phức tạp. Việc sử dụng các thuật toán này làm nền tảng. Chúng cung cấp các đầu ra đa dạng, làm phong phú cho mô hình kết hợp.

3.1. Giới thiệu các mô hình Học máy cơ bản

Nghiên cứu khảo sát nhiều thuật toán nhận dạng đơn. Các mô hình này là thành phần cốt lõi của giải pháp. Chúng bao gồm Mạng nơ-rôn đa lớp (MLP), Mạng nơ-rôn mờ TSK, Máy Véc-tơ Hỗ trợ (SVM) và Rừng ngẫu nhiên (RF). Mỗi thuật toán có đặc điểm riêng. Việc đánh giá độc lập từng mô hình giúp hiểu rõ ưu nhược điểm. Điều này hỗ trợ quá trình kết hợp thuật toán hiệu quả.

3.2. Cấu trúc và thuật toán học của mạng nơ rôn

Mạng nơ-rôn đa lớp (MLP) và Mạng nơ-rôn mờ TSK được phân tích. Cấu trúc mạng MLP gồm các lớp đầu vào, ẩn, và đầu ra. Thuật toán học theo bước giảm cực đại huấn luyện MLP. Mạng TSK kết hợp logic mờ để xử lý thông tin. Cả hai đều có khả năng học các mối quan hệ phi tuyến tính phức tạp. Chúng phù hợp cho việc phân loại tín hiệu ECG. Hiệu suất của các mô hình này được đánh giá kỹ lưỡng.

3.3. Đặc điểm của Máy Véc tơ Hỗ trợ SVM và Rừng Ngẫu nhiên RF

Máy Véc-tơ Hỗ trợ (SVM) là một thuật toán mạnh mẽ. SVM tìm siêu phẳng phân chia tối ưu để tách biệt các lớp dữ liệu. Nó hoạt động tốt với dữ liệu có nhiều chiều. Rừng ngẫu nhiên (RF) là một mô hình ensemble kết hợp nhiều cây quyết định. RF có khả năng chống overfitting cao. Nó xử lý hiệu quả các tập dữ liệu lớn. Các thuật toán này cung cấp đầu ra đa dạng cho mô hình kết hợp.

IV. Xây dựng Mô hình ensemble Nâng cao độ chính xác

Mô hình ensemble là trọng tâm của nghiên cứu. Phương pháp này kết hợp kết quả từ nhiều thuật toán nhận dạng đơn. Mục tiêu là đạt được độ chính xác mô hình cao hơn so với bất kỳ mô hình đơn lẻ nào. Các mô hình đơn có thể có những điểm mạnh và điểm yếu khác nhau. Kết hợp chúng giúp bù đắp những điểm yếu, tận dụng tối đa điểm mạnh. Nguyên lý này giúp giảm phương sai và độ lệch của mô hình. Nó tăng cường khả năng khái quát hóa trên dữ liệu mới, cải thiện hiệu suất tổng thể. Luận án đề xuất một mô hình nhận dạng kết hợp dựa trên cây quyết định (DT). Cây quyết định được sử dụng để tổng hợp kết quả từ các mô hình MLP, TSK và SVM. Mỗi mô hình đơn đưa ra một dự đoán về loại loạn nhịp. Cây quyết định học cách trọng số hóa hoặc kết hợp các dự đoán này một cách thông minh. Quy trình xây dựng cây quyết định được mô tả chi tiết, từ thu thập dữ liệu đến huấn luyện. Mô hình này tận dụng sức mạnh của từng thuật toán cơ sở. Nó mang lại một giải pháp phân loại mạnh mẽ và chính xác hơn. Mặc dù Học sâu không phải là trọng tâm chính của luận án, nó là một hướng tiềm năng để cải thiện. Các kỹ thuật Học sâu có thể cải thiện khả năng trích chọn đặc tính tự động. Chúng cũng có thể tạo ra các mô hình cơ sở mạnh hơn cho ensemble. Việc tích hợp các yếu tố Học sâu vào mô hình ensemble có thể nâng cao hơn nữa độ chính xác mô hình. Học sâu giúp khám phá các mẫu phức tạp và tinh vi trong dữ liệu ECG mà các phương pháp truyền thống có thể bỏ qua. Nó bổ trợ cho các thuật toán nhận dạng truyền thống, tạo ra một hệ thống phân loại hiệu quả hơn.

4.1. Nguyên lý kết hợp thuật toán để cải thiện hiệu suất

Mô hình ensemble kết hợp kết quả của nhiều thuật toán nhận dạng. Mục đích là nâng cao độ chính xác mô hình. Các mô hình đơn có điểm mạnh, điểm yếu riêng. Kết hợp chúng giúp bù đắp lẫn nhau. Nguyên lý này giảm phương sai và độ lệch. Nó tăng cường khả năng khái quát hóa trên dữ liệu mới. Đây là chìa khóa để đạt hiệu suất cao hơn.

4.2. Đề xuất mô hình nhận dạng kết hợp cây quyết định

Luận án đề xuất mô hình kết hợp sử dụng cây quyết định (DT). Cây quyết định tổng hợp kết quả từ MLP, TSK và SVM. Mỗi mô hình cơ sở đưa ra một dự đoán. Cây quyết định học cách kết hợp các dự đoán này. Quy trình xây dựng cây quyết định được mô tả. Mô hình này tận dụng ưu điểm của từng thuật toán. Nó mang lại một giải pháp phân loại mạnh mẽ.

4.3. Lợi ích của phương pháp Học sâu trong kết hợp mô hình

Học sâu là một hướng tiềm năng để cải thiện mô hình. Các kỹ thuật Học sâu có thể nâng cao khả năng trích chọn đặc tính. Chúng cũng có thể tạo ra các mô hình cơ sở mạnh hơn. Tích hợp Học sâu vào mô hình ensemble có thể tăng độ chính xác mô hình. Học sâu giúp khám phá các mẫu phức tạp trong dữ liệu ECG. Nó bổ trợ cho các thuật toán nhận dạng truyền thống, tối ưu hóa mô hình.

V. Đánh giá hiệu suất Kiểm định độ chính xác mô hình

Để đánh giá hiệu suất mô hình, các bộ dữ liệu mẫu chuẩn được sử dụng. Cơ sở dữ liệu MIT-BIH và MGH/MF cung cấp đa dạng tín hiệu điện tim loạn nhịp. Các bộ dữ liệu này được chuẩn bị kỹ lưỡng, đại diện cho nhiều trường hợp thực tế. Việc thử nghiệm mô hình trên các bộ dữ liệu khác nhau. Điều này giúp kiểm tra tính tổng quát và độ bền vững của mô hình. Chất lượng mô hình nhận dạng được đánh giá bằng nhiều tiêu chí. Các chỉ số bao gồm độ nhạy (Sensitivity), độ đặc hiệu (Specificity), và độ chính xác tổng thể (Accuracy). Các tiêu chí này cung cấp một cái nhìn toàn diện về khả năng phân loại. Kết quả của mô hình kết hợp được so sánh chi tiết. Chúng được so sánh với kết quả của từng mô hình nhận dạng đơn lẻ. Sự so sánh này chứng minh rõ ràng hiệu quả vượt trội của phương pháp đề xuất. Kết quả thực nghiệm cho thấy sự cải thiện đáng kể. Mô hình kết hợp đạt độ chính xác mô hình cao hơn đáng kể so với các mô hình đơn lẻ. Điều này khẳng định hiệu quả của việc kết hợp thuật toán. Tiềm năng ứng dụng của mô hình rất lớn trong y tế. Nó có thể được tích hợp vào các thiết bị y tế. Điều này hỗ trợ chẩn đoán tự động loạn nhịp tim. Công nghệ này giúp bác sĩ đưa ra quyết định nhanh chóng và chính xác. Nó cải thiện chất lượng chăm sóc sức khỏe bệnh nhân tim mạch.

5.1. Xây dựng các bộ dữ liệu mẫu để thử nghiệm

Các bộ dữ liệu MIT-BIH và MGH/MF được sử dụng. Chúng cung cấp các mẫu tín hiệu điện tim loạn nhịp đa dạng. Các bộ dữ liệu này được chuẩn bị kỹ lưỡng. Chúng đại diện cho các trường hợp thực tế khác nhau. Việc thử nghiệm trên nhiều bộ dữ liệu giúp đánh giá tính tổng quát của mô hình. Điều này đảm bảo kết quả đánh giá đáng tin cậy.

5.2. Cách đánh giá chất lượng và so sánh mô hình

Chất lượng mô hình nhận dạng được đánh giá bằng nhiều tiêu chí. Độ nhạy, độ đặc hiệu, và độ chính xác tổng thể được sử dụng. Các chỉ số này cung cấp cái nhìn toàn diện về hiệu suất. Kết quả của mô hình kết hợp được so sánh. Chúng được so sánh với các mô hình nhận dạng đơn lẻ. Sự so sánh này chứng minh hiệu quả của phương pháp đề xuất.

5.3. Phân tích kết quả thực nghiệm và tiềm năng ứng dụng

Kết quả thực nghiệm cho thấy sự cải thiện đáng kể. Mô hình kết hợp đạt độ chính xác mô hình cao hơn. Điều này so với các mô hình đơn lẻ. Kết quả khẳng định hiệu quả của kết hợp thuật toán. Tiềm năng ứng dụng của mô hình rất lớn. Nó có thể tích hợp vào thiết bị y tế. Điều này hỗ trợ chẩn đoán tự động loạn nhịp tim. Nó giúp bác sĩ đưa ra quyết định nhanh chóng, chính xác.

VI. Tối ưu hóa mô hình Hướng phát triển cho tương lai

Luận án đã đóng góp một phương pháp mới. Đó là mô hình nhận dạng kết hợp hiệu quả. Mô hình này nâng cao độ chính xác phân loại loạn nhịp ECG. Các đóng góp bao gồm quy trình tiền xử lý tín hiệu cải tiến. Nó cũng bao gồm phương pháp trích chọn đặc tính tối ưu. Nghiên cứu đã chứng minh lợi ích rõ ràng của việc kết hợp thuật toán. Điều này mở ra hướng nghiên cứu mới trong lĩnh vực Học máy y tế. Mô hình có thể mở rộng ứng dụng cho các loại tín hiệu sinh học khác. Việc tích hợp các kỹ thuật Học sâu tiên tiến hơn là một hướng đi tiềm năng. Ví dụ như mạng nơ-rôn tích chập (CNN) hoặc mạng hồi quy (RNN). Điều này có thể cải thiện khả năng trích chọn đặc tính tự động. Nghiên cứu sâu hơn về tối ưu hóa mô hình. Mục tiêu là để giảm thời gian tính toán và tăng tốc độ xử lý. Điều này giúp mô hình hoạt động hiệu quả hơn trong thực tế. Mô hình nhận dạng có tiềm năng lớn trong ứng dụng y tế. Nó có thể được triển khai trên các thiết bị đeo tay thông minh. Hoặc các hệ thống giám sát y tế từ xa. Điều này giúp phát hiện sớm các vấn đề về tim mạch. Nó cũng hỗ trợ quản lý sức khỏe cá nhân hiệu quả. Ứng dụng này góp phần giảm gánh nặng cho hệ thống y tế. Nó cũng nâng cao chất lượng chăm sóc sức khỏe cộng đồng, mang lại giá trị thiết thực.

6.1. Những đóng góp khoa học chính của nghiên cứu

Luận án đóng góp một mô hình nhận dạng kết hợp mới. Mô hình này nâng cao độ chính xác phân loại loạn nhịp ECG. Các đóng góp bao gồm quy trình tiền xử lý cải tiến. Nó cũng bao gồm phương pháp trích chọn đặc tính tối ưu. Nghiên cứu chứng minh lợi ích của việc kết hợp thuật toán. Điều này mở ra hướng nghiên cứu mới trong lĩnh vực Học máy y tế.

6.2. Hướng phát triển tiếp theo cho mô hình nhận dạng

Nghiên cứu có thể mở rộng ứng dụng cho các tín hiệu sinh học khác. Tích hợp các kỹ thuật Học sâu tiên tiến hơn. Ví dụ như CNN hoặc RNN. Điều này cải thiện khả năng trích chọn đặc tính tự động. Nghiên cứu sâu hơn về tối ưu hóa mô hình. Mục tiêu là để giảm thời gian tính toán và tăng tốc độ xử lý. Điều này giúp mô hình hoạt động hiệu quả hơn.

6.3. Tiềm năng ứng dụng thực tiễn trong y tế

Mô hình nhận dạng có tiềm năng lớn trong y tế. Nó có thể triển khai trên thiết bị đeo tay thông minh. Hoặc các hệ thống giám sát y tế từ xa. Điều này giúp phát hiện sớm các vấn đề tim mạch. Nó hỗ trợ quản lý sức khỏe cá nhân hiệu quả. Ứng dụng này giảm gánh nặng cho hệ thống y tế. Nó nâng cao chất lượng chăm sóc sức khỏe cộng đồng.

Xem trước tài liệu
Tải đầy đủ để xem toàn bộ nội dung
Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp luận án tiến sĩ

Tải xuống file đầy đủ để xem toàn bộ nội dung

Tải đầy đủ (129 trang)

Trích đoạn nội dung luận án

Tải xuống để đọc toàn bộ

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI PHẠM VĂN NAM XÂY DỰNG MÔ HÌNH NHẬN DẠNG KẾT HỢP NHẰM NÂNG CAO ĐỘ CHÍNH XÁC PHÂN LOẠI TÍN HIỆU ĐIỆN TIM LOẠN NHỊP LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA Hà Nội – 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI PHẠM VĂN NAM XÂY DỰNG MÔ HÌNH NHẬN DẠNG KẾT HỢP NHẰM NÂNG CAO ĐỘ CHÍNH XÁC PHÂN LOẠI TÍN HIỆU ĐIỆN TIM LOẠN NHỊP Ngành: Kỹ thuật điều khiển và tự động hóa Mã số: 9520216 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA NGƯỜI HƯỚNG DẪN KHOA HỌC: 1. TRẦN HOÀI LINH 2. NGUYỄN THỊ LAN HƯƠNG Hà Nội - 2018 LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi dựa trên những hướng dẫn của PGS. Trần Hoài Linh, PGS.

Nguyễn Thị Lan Hương và các tài liệu tham khảo đã trích dẫn. Kết quả nghiên cứu là trung thực và chưa từng được tác giả khác công bố. Hà Nội, ngày 15 tháng 08 năm 2018 Tập thể Hướng dẫn Nghiên cứu sinh PGS. Trần Hoài Linh Phạm Văn Nam PGS.

Nguyễn Thị Lan Hương i LỜI CẢM ƠN Luận án này được hoàn thành tại Bộ môn Kỹ thuật đo và Tin học công nghiệp, Viện Điện, Trường Đại học Bách Khoa Hà Nội dưới sự hướng dẫn của PGS. Trần Hoài Linh và PGS. Nguyễn Thị Lan Hương. Tôi xin bày tỏ lòng biết ơn đến PGS.

Trần Hoài Linh, PGS. Nguyễn Thị Lan Hương đã tận tình hướng dẫn về học thuật, kiến thức và kinh nghiệm trong quá trình thực hiện luận án. Tôi xin chân thành cảm PGS. Nguyễn Quốc Cường và các Thầy giáo, Cô giáo của Bộ môn Kỹ thuật đo và Tin học công nghiệp, Viện Điện, Trường Đại học Bách Khoa Hà Nội đã có những ý kiến đóng góp quý báu và tạo các điều kiện thuận lợi cho tôi trong quá trình hoàn thành luận án.

Tác giả luận án Phạm Văn Nam ii Mục lục MỤC LỤC LỜI CAM ĐOAN. ii MỤC LỤC. iii DANH MỤC CÁC TỪ VIẾT TẮT. vii DANH MỤC CÁC BẢNG BIỂU.

ix DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ. Tính cấp thiết của đề tài. Mục đích nghiên cứu. Đối tượng và phạm vi nghiên cứu.

Ý nghĩa khoa học và thực tiễn của đề tài. Những đóng góp của luận án. Bố cục của luận án. 4 CHƯƠNG I: TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG TÍN HIỆU ECG.

Tổng quan về tín hiệu điện tim ECG. Giới thiệu chung về các thông số và hình dạng của các sóng ECG. Một số yếu tố ảnh hướng đến tín hiệu điện tim. Tình hình nghiên cứu và phương pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG .1 Tình hình nghiên cứu.

Một số giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim. Định hướng nghiên cứu của luận án. Cơ sở dữ liệu sử dụng trong luận án. Cơ sở dữ liệu MIT-BIH .2 Cơ sở dữ liệu MGH/MF.

Kết luận chương I. 19 iii Mục lục CHƯƠNG II: THU THẬP, TIỀN XỬ LÝ VÀ TRÍCH CHỌN ĐẶC TÍNH TÍN HIỆU ĐIỆN TIM ECG. Thu thập và tiền xử lý tín hiệu điện tim. Lựa chọn bộ lọc thông thấp.

Lựa chọn bộ lọc thông cao. Lựa chọn bộ Notch 50Hz. Trích chọn đặc tính. Phát hiện đỉnh R.

Phân tích phức bộ QRS theo các hàm Hermite cơ sở. Kết luận chương II. 34 CHƯƠNG III. GIẢI PHÁP KẾT HỢP CÁC MÔ HÌNH NHẬN DẠNG ĐỂ CẢI THIỆN CHẤT LƯỢNG.

Kết hợp kết quả bằng mô hình cây quyết định. Đề xuất mô hình kết hợp. Quy trình xây dựng cây quyết định DT cho khối tổng hợp kết quả. Cây quyết định.

Các mô hình nhận dạng đơn. Cấu trúc mạng. Thuật toán học theo bước giảm cực đại cho mạng MLP. Mạng nơ-rôn mờ TSK.

Cấu trúc mạng. Thuật toán học cho mạng TSK. Máy véc-tơ hỗ trợ SVM. Rừng ngẫu nhiên RF.

Đề xuất mô hình thiết bị có tích hợp chức năng nhận dạng. Kết luận chương III. 64 CHƯƠNG IV: KẾT QUẢ TÍNH TOÁN VÀ MÔ PHỎNG. Xây dựng các bộ số liệu mẫu.

Cơ sở dữ liệu MIT-BIH. 65 iv Mục lục 4. Cơ sở dữ liệu MGH/MF. Cách đánh giá chất lượng mô hình nhận dạng tín hiệu điện tim.

Xây dựng mô hình nhận dạng đơn và kết quả. Quy trình xây dựng các mô hình đơn. Kết quả của các mô hình nhận dạng đơn. Trên bộ cơ sở dữ liệu MIT-BIH.

Trên bộ cơ sở dữ liệu MGH/MF. Kết quả thử nghiệm với các mô hình kết hợp bằng cây quyết định. Thử nghiệm kết hợp giữa ba mạng cơ sở MLP, TSK và SVM. Các thử nghiệm kết hợp khác.

Kết quả thử nghiệm trên thiết bị .4 Kết luận chương IV. 91 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN. Các đóng góp của luận án. Hướng phát triển của luận án.

93 DANH MỤC CÁC TÀI LIỆU THAM KHẢO. 94 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN. 106 Phân tích và thiết kế phần cứng. 106 v Danh mục các từ viết tắt DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Tiếng Anh Tiếng Việt A Premature Atrial Contractions Ngoại tâm thu nhĩ ADC Analog/Digital Converter Chuyển đổi tương tự /số ARM Advanced RISC Machine Một loại cấu trúc vi xử lý ART Adapvive Resonant Theory Mạng nơ-rôn ART AV AtrioVentricular Nút nhĩ thất CAM Configurable Analog Module Khối tương tự cấu hình được DFT Discrete Fourier Transform Biến đổi Fourier rời rạc DT Decision Tree Cây quyết định BDT Binary Decision Tree Cây quyết định nhị phân E Ventricular Escape Beat Tâm thất lỗi nhịp ECG ElectroCardioGram Điện tâm đồ FN False Negative Chẩn đoán âm tính sai FP False Positive Chẩn đoán dương tính sai Mạng lưới các khối tương tự có FPAA Field Programable Analog Arrays thể lập trình được HDT Hybrid Decision Tree Hệ DT lai I Ventricular Flutter Wave Rung thất IC Intergrated Circuit Mạch tích hợp ICA Independent Component Analysis Phân tích thành phần độc lập L Left Bundle Branch Block Beat Block nhánh trái LCD Liquid Crystal Display Màn hình tinh thể lỏng LVQ Learning Vector Quantization Mạng nơ-rôn LVQ MIT-BIH MIT-BIH Arrhythmia Database Cơ sở dữ liệu MIT-BIH MGH/MF MGH/MF Waveform Database Cơ sở dữ liệu MGH/MF MLP Multi-Layer Perceptron Network Mạng nơron truyền thẳng nhiều lớp PC Personal Computer Máy tính cá nhân vii Danh mục các từ viết tắt PCA Principal Component Analysis Phân tích theo thành phần chính QRS QRS Complex Phức bộ QRS R Right Bundle Branch Block Beat Block nhánh phải RF Random Forest Rừng ngẫu nhiên S Supraventricular Premature Beat Loạn nhịp thất trên SD Secure Digital Thẻ nhớ SD SVD Singular Value Decomposition Phân tích theo các giá trị kỳ dị SVM Support Vector Machines Máy véc-tơ hỗ trợ TSK Takaga - Sugeno - Kang Mạng nơ-rôn logic mờ TSK V Premature Ventricular Contraction Ngoại tâm thu thất` viii Danh mục các bảng biểu DANH MỤC CÁC BẢNG BIỂU Bảng 3.1: Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 3 loại nhịp .2: Ví dụ số liệu cụ thể của sáu mẫu học (từ 1÷6) và ba mẫu kiểm tra (từ 7÷9) .3: Ma trận phân bố kết quả nhận dạng ba loại mẫu nhịp bằng cây quyết định .4: Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 3 loại nhịp .5: Bảng số liệu học và kiểm tra cho Ví dụ 2 .6: Kết quả nhận dạng của Ví dụ 2 .1: Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 7 loại rối loạn nhịp tim từ CSDL MIT-BIH .2: Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 2 loại nhịp .3: Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 3 loại nhịp .4: Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 2 loại nhịp .5: Ma trận phân bố kết quả nhận dạng 7 loại mẫu nhịp bằng mạng MLP .6: Ma trận phân bố kết quả nhận dạng 7 loại mẫu nhịp bằng mạng TSK .7: Ma trận phân bố kết quả nhận dạng 7 loại mẫu nhịp bằng mạng SVM .8: Ma trận phân bố kết quả nhận dạng 7 loại mẫu nhịp bằng RF .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.10: Ma trận phân bố kết quả nhận dạng 2 loại mẫu nhịp: Normal và abnormal .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 .12: Ma trận phân bố kết quả nhận dạng 3 loại mẫu nhịp bằng mạng MLP .13: Ma trận phân bố kết quả nhận dạng 3 loại mẫu nhịp bằng mạng TSK .14: Ma trận phân bố kết quả nhận dạng 3 loại mẫu nhịp bằng mạng SVM .15: Ma trận phân bố kết quả nhận dạng 3 loại mẫu nhịp bằng mạng RF .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.

78 ix Danh mục các bảng biểu 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 .18: Ma trận phân bố kết quả nhận dạng 7 loại mẫu nhịp bằng mô hình kết hợp MLP, TSK, SVM .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 .20: Bảng kết quả của các mô hình kết hợp kết quả của ba mô hình nhận dạng đơn MLP-TSK-SVM .21: Kết quả nhận dạng 7 loại nhịp (CSDL MIT-BIH) bằng các mô hình đơn và các mô hình kết hợp .22: Kết quả nhận dạng 2 loại nhịp (CSDL MIT-BIH) bằng các mô hình đơn và các mô hình kết hợp .23: Kết quả nhận dạng 3 loại nhịp (CSDL MGH/MF) bằng các mô hình đơn và các mô hình kết hợp .24: Kết quả nhận dạng 2 loại nhịp (CSDL MGH/MF) bằng các mô hình đơn và các mô hình kết hợp. 84 x Danh mục các hình vẽ, đồ thị DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1: Hình dáng và thành phần chính của tín hiệu điện tim ECG .2: Một số ví dụ tín hiệu ECG: (a) Bị ảnh hưởng của cử động của bệnh nhân, (b) bị trôi dạt đường cơ sở do hệ hô hấp, (c) bị ảnh hưởng của điện lưới 50Hz.3: Mô hình chung của hệ thống nhận dạng tín hiệu điện tim ECG.4: Sơ đồ chung của mô hình kết hợp .5: Hệ thống nhận dạng tín hiệu ECG đề xuất của luận án .

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ

Trích dẫn luận án này

Phạm Văn Nam (2018). Mô hình nhận dạng kết hợp phân loại tín hiệu điện tim loạn nhịp [Luận án tiến sĩ, Trường Đại học Bách Khoa Hà Nội]. LuanAn.net. https://luanan.net/ky-thuat-giao-thong-van-tai/xay-dung-mo-hinh-nhan-dang-ket-hop-nham-nang-cao-do-chinh-xac-phan-loai-tin-hieu-dien-tim-loan-nhip-luan-an-tien-si

Câu hỏi thường gặp

Luận án "Mô hình nhận dạng kết hợp phân loại tín hiệu điện tim loạn nhịp" nghiên cứu về vấn đề gì?

Luận án: Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp luận án tiến sĩ. Xem tóm tắt và tải về tại LuanAn.n

Luận án "Mô hình nhận dạng kết hợp phân loại tín hiệu điện tim loạn nhịp" được bảo vệ tại trường nào?

Luận án này được bảo vệ tại Trường Đại học Bách Khoa Hà Nội. Năm bảo vệ: 2018.

Luận án "Mô hình nhận dạng kết hợp phân loại tín hiệu điện tim loạn nhịp" thuộc chuyên ngành gì?

Luận án "Mô hình nhận dạng kết hợp phân loại tín hiệu điện tim loạn nhịp" thuộc chuyên ngành Kỹ thuật điều khiển và tự động hóa. Danh mục: Kỹ Thuật Giao Thông Vận Tải.

Luận án "Mô hình nhận dạng kết hợp phân loại tín hiệu điện tim loạn nhịp" có bao nhiêu trang?

Luận án "Mô hình nhận dạng kết hợp phân loại tín hiệu điện tim loạn nhịp" có 129 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.

Cách tải luận án "Mô hình nhận dạng kết hợp phân loại tín hiệu điện tim loạn nhịp" về máy như thế nào?

Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.

Luận án liên quan

Chia sẻ tài liệu: Facebook Twitter