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

Luận văn đề xuất mô hình nhận dạng kết hợp. Cải thiện độ chính xác trong các hệ thống nhận dạng, tối ưu hóa hiệu suất và ứng dụng thực tiễn.

Tác giả

Luan An

Thể loại

Luận án tiến sĩ

Năm xuất bản

Số trang

131

Thời gian đọc

20 phút

Lượt xem

2

Lượt tải

0

Phí lưu trữ

40 Point

Tổng quan nhanh

Chủ đề:
Nâng cao độ chính xác nhận dạng tín hiệu điện tim
Số trang:
131 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.Nâng cao độ chính xác nhận dạng tín hiệu điện tim

Nghiên cứu tập trung vào việc cải thiện khả năng phân loại tín hiệu điện tim (ECG) loạn nhịp. Đây là một vấn đề cấp bách trong y học. Việc chẩn đoán sớm và chính xác có ý nghĩa quan trọng. Các phương pháp nhận dạng truyền thống thường gặp hạn chế. Chúng chưa đạt được độ chính xác mong muốn. Nhu cầu về một mô hình nhận dạng mạnh mẽ, đáng tin cậy rất cao. Mục tiêu chính là xây dựng một mô hình nhận dạng kết hợp. Mô hình này sẽ vượt trội so với các thuật toán nhận dạng đơn lẻ. Nó hướng tới việc nâng cao độ chính xác mô hình trong phân loại bệnh lý tim mạch. Tín hiệu ECG phức tạp đòi hỏi các giải pháp xử lý tiên tiến. Học máy và học sâu cung cấp nhiều công cụ mạnh mẽ cho nhiệm vụ này. Mô hình ensemble là hướng tiếp cận chính. Nó tổng hợp sức mạnh từ nhiều thành phần khác nhau.

1.1. Tính cấp thiết của việc nhận dạng ECG loạn nhịp

Bệnh tim mạch là nguyên nhân gây tử vong hàng đầu toàn cầu. Nhận dạng tín hiệu điện tim loạn nhịp sớm giúp cứu sống bệnh nhân. Các hệ thống chẩn đoán tự động đóng vai trò quan trọng. Chúng giúp giảm gánh nặng cho các chuyên gia y tế. Tuy nhiên, độ chính xác mô hình hiện tại vẫn cần cải thiện. Đặc biệt với các dạng loạn nhịp phức tạp. Đây là thách thức lớn đối với công nghệ y tế và khoa học dữ liệu.

1.2. Mục tiêu nghiên cứu và phương pháp tiếp cận

Nghiên cứu đặt mục tiêu xây dựng một mô hình nhận dạng mới. Mô hình này phải có khả năng phân loại tín hiệu ECG loạn nhịp với độ chính xác cao hơn. Phương pháp tiếp cận chính là sử dụng mô hình kết hợp (ensemble model). Mô hình này tổng hợp sức mạnh của nhiều thuật toán nhận dạng khác nhau. Việc này nhằm khắc phục nhược điểm của các mô hình đơn lẻ. Nghiên cứu tập trung vào việc tối ưu hóa mô hình nhận dạng. Mục tiêu cuối cùng là cung cấp công cụ chẩn đoán hiệu quả hơn.

1.3. Tổng quan về các phương pháp cải thiện độ chính xác

Nhiều nghiên cứu đã tìm cách nâng cao chất lượng nhận dạng tín hiệu ECG. Một số giải pháp tập trung vào cải thiện tiền xử lý dữ liệu. Một số khác phát triển các thuật toán nhận dạng tiên tiến. Mô hình ensemble được biết đến là giải pháp hiệu quả. Chúng kết hợp kết quả từ nhiều phân loại viên. Phương pháp này thường mang lại độ chính xác mô hình vượt trội. Các kỹ thuật học máy và học sâu hiện đại là nền tảng cho sự phát triển này. Việc kết hợp thuật toán một cách thông minh là chìa khóa để nâng cao hiệu suất.

II.Tiền xử lý trích chọn đặc tính tín hiệu ECG

Chất lượng tín hiệu điện tim thô thường không đồng đều. Tiền xử lý tín hiệu là bước thiết yếu. Nó loại bỏ nhiễu và làm sạch dữ liệu. Sau đó, các đặc tính quan trọng được trích chọn. Các đặc tính này đại diện cho thông tin cốt lõi của tín hiệu. Chúng giúp các thuật toán nhận dạng hoạt động hiệu quả. Quy trình này trực tiếp ảnh hưởng đến độ chính xác mô hình cuối cùng. Dữ liệu huấn luyện chất lượng cao là nền tảng. Nghiên cứu sử dụng các kỹ thuật lọc tiên tiến. Việc này nhằm đảm bảo tín hiệu đầu vào cho mô hình là tối ưu nhất. Các phương pháp trích chọn đặc tính được lựa chọn kỹ lưỡng. Chúng tập trung vào việc nắm bắt sự khác biệt giữa các loại loạn nhịp.

2.1. Thu thập và quá trình tiền xử lý tín hiệu

Tín hiệu điện tim được thu thập từ các cơ sở dữ liệu y tế lớn. Các dữ liệu này thường chứa nhiễu. Nhiễu có thể do cử động của bệnh nhân, nhiễu điện lưới, hoặc nhiễu cơ thể. Quá trình tiền xử lý bao gồm việc áp dụng các bộ lọc. Bộ lọc thông thấp giúp loại bỏ nhiễu tần số cao. Bộ lọc thông cao xử lý nhiễu đường cơ sở. Bộ lọc Notch 50Hz loại bỏ nhiễu điện lưới. Việc này tạo ra tín hiệu ECG sạch và đáng tin cậy hơn.

2.2. Kỹ thuật trích chọn đặc tính hiệu quả

Sau khi tiền xử lý, các đặc tính quan trọng được xác định. Phát hiện đỉnh R là một bước quan trọng. Đỉnh R là điểm nổi bật nhất trong phức bộ QRS. Phức bộ QRS là phần chính của tín hiệu ECG. Nghiên cứu phân tích phức bộ QRS bằng các hàm Hermite cơ sở. Các đặc tính trích chọn bao gồm biên độ, độ rộng, và hình dạng sóng. Chúng cung cấp thông tin cần thiết để phân biệt các loại loạn nhịp. Trích chọn đặc tính tốt trực tiếp ảnh hưởng đến hiệu suất của mô hình nhận dạng.

2.3. Cơ sở dữ liệu huấn luyện và kiểm thử

Nghiên cứu sử dụng hai cơ sở dữ liệu tiêu chuẩn. Cơ sở dữ liệu MIT-BIH Arrhythmia là nguồn dữ liệu phổ biến. Cơ sở dữ liệu MGH/MF cũng được sử dụng. Chúng cung cấp lượng lớn tín hiệu ECG đã được phân loại. Dữ liệu huấn luyện được sử dụng để đào tạo mô hình. Dữ liệu kiểm thử đánh giá hiệu suất của mô hình. Việc sử dụng hai bộ dữ liệu khác nhau giúp kiểm chứng tính tổng quát. Điều này đảm bảo độ chính xác mô hình được đánh giá khách quan.

III.Xây dựng mô hình nhận dạng kết hợp tối ưu

Mô hình nhận dạng kết hợp là trọng tâm của nghiên cứu. Phương pháp này tận dụng sức mạnh của nhiều thuật toán khác nhau. Mục tiêu là vượt qua giới hạn của từng mô hình đơn lẻ. Một kiến trúc ensemble được đề xuất. Kiến trúc này tổng hợp các dự đoán từ nhiều phân loại viên. Cây quyết định đóng vai trò quan trọng trong việc đưa ra quyết định cuối cùng. Quy trình xây dựng cây quyết định được thiết kế cẩn thận. Nó học cách kết hợp thông tin một cách thông minh. Việc này nhằm đạt được độ chính xác mô hình cao nhất. Quá trình tối ưu hóa mô hình nhận dạng kết hợp đảm bảo hiệu suất tốt nhất. Đây là một phương pháp mạnh mẽ để xử lý dữ liệu phức tạp. Mô hình kết hợp cải thiện đáng kể khả năng phân loại tín hiệu điện tim.

3.1. Đề xuất kiến trúc mô hình ensemble

Một kiến trúc mô hình ensemble mới được đề xuất. Kiến trúc này bao gồm nhiều mô hình nhận dạng đơn. Các mô hình này hoạt động song song. Kết quả dự đoán của chúng được đưa vào một khối tổng hợp. Khối tổng hợp này sau đó đưa ra quyết định cuối cùng. Mục tiêu là giảm thiểu sai sót và tăng độ tin cậy. Mô hình ensemble này tận dụng sự đa dạng của các thuật toán nhận dạng. Nó tạo ra một hệ thống phân loại mạnh mẽ hơn.

3.2. Vai trò của cây quyết định trong tổng hợp kết quả

Cây quyết định (Decision Tree) được sử dụng để tổng hợp kết quả. Cây quyết định học cách đưa ra phán quyết cuối cùng. Nó dựa trên đầu ra từ các mô hình nhận dạng thành phần. Cây quyết định có khả năng xử lý các quy tắc phức tạp. Nó giúp điều chỉnh và tối ưu hóa quyết định phân loại. Việc này làm tăng độ chính xác mô hình của toàn bộ hệ thống. Cây quyết định hoạt động như một bộ điều phối thông minh.

3.3. Tối ưu hóa mô hình nhận dạng kết hợp

Quá trình tối ưu hóa là bước quan trọng. Các tham số của từng mô hình thành phần được tinh chỉnh. Cây quyết định tổng hợp cũng được huấn luyện để tối ưu. Mục tiêu là đạt được hiệu suất cao nhất trên dữ liệu kiểm thử. Tối ưu hóa mô hình đảm bảo khả năng tổng quát hóa tốt. Nó giúp mô hình hoạt động hiệu quả trong các tình huống thực tế. Quá trình này nâng cao độ chính xác mô hình một cách đáng kể.

IV.Các thuật toán nhận dạng đơn lẻ được sử dụng

Nghiên cứu triển khai nhiều thuật toán nhận dạng đơn lẻ. Chúng đóng vai trò là các thành phần của mô hình ensemble. Mỗi thuật toán có những đặc điểm và ưu điểm riêng. Mạng nơ-rôn đa lớp (MLP) là một lựa chọn. Mạng nơ-rôn mờ TSK và máy véctơ hỗ trợ (SVM) cũng được dùng. Rừng ngẫu nhiên (Random Forest) là một thuật toán khác. Việc sử dụng đa dạng các thuật toán nhận dạng giúp mô hình kết hợp mạnh mẽ hơn. Chúng cung cấp các góc nhìn khác nhau về dữ liệu. Điều này giúp tăng khả năng phân loại chính xác. Các thuật toán này đều được huấn luyện và đánh giá riêng biệt trước khi kết hợp. Chúng là nền tảng cho việc xây dựng một mô hình nhận dạng phức tạp và hiệu quả.

4.1. Mạng nơ rôn đa lớp MLP và học sâu

Mạng nơ-rôn đa lớp (MLP) là một thuật toán nhận dạng cơ bản. MLP thuộc lĩnh vực học máy. Nó có khả năng học các mô hình phức tạp từ dữ liệu. Đây là một dạng ban đầu của học sâu (Deep Learning). MLP được cấu trúc với nhiều lớp. Các lớp này xử lý thông tin tuần tự. Thuật toán học theo bước giảm cực đại được áp dụng để huấn luyện MLP. MLP cung cấp khả năng phân loại mạnh mẽ.

4.2. Mạng nơ rôn mờ TSK và máy véctơ hỗ trợ SVM

Mạng nơ-rôn mờ TSK là một lựa chọn khác. Mạng TSK kết hợp logic mờ với kiến trúc nơ-rôn. Nó xử lý tốt dữ liệu không chắc chắn và thiếu chính xác. Máy véctơ hỗ trợ (SVM) cũng là một thuật toán nhận dạng mạnh mẽ. SVM tìm kiếm một siêu mặt phân chia tối ưu. Siêu mặt này tối đa hóa biên độ giữa các lớp. SVM hiệu quả với dữ liệu có chiều cao. Cả hai thuật toán này đều góp phần vào sự đa dạng của mô hình ensemble.

4.3. Rừng ngẫu nhiên RF trong phân loại

Rừng ngẫu nhiên (RF) là một thuật toán nhận dạng dựa trên cây quyết định. RF xây dựng một tập hợp lớn các cây quyết định độc lập. Sau đó, nó tổng hợp kết quả của tất cả các cây. RF giúp giảm thiểu hiện tượng quá khớp (overfitting). RF nổi tiếng với độ chính xác cao và khả năng xử lý dữ liệu lớn. Đây là một thành phần quan trọng trong việc xây dựng mô hình ensemble. RF tăng cường độ ổn định và hiệu suất phân loại.

V.Đánh giá hiệu suất mô hình và kết quả đạt được

Việc đánh giá hiệu suất mô hình là cần thiết. Nó xác định mức độ thành công của phương pháp đề xuất. Các chỉ số đánh giá tiêu chuẩn được sử dụng. Chúng bao gồm độ chính xác, độ nhạy và độ đặc hiệu. Kết quả từ các mô hình nhận dạng đơn lẻ được phân tích. Sau đó, hiệu suất của mô hình kết hợp được so sánh. Dữ liệu từ hai cơ sở dữ liệu lớn được dùng để kiểm chứng. Kết quả thử nghiệm cho thấy sự vượt trội của mô hình ensemble. Độ chính xác mô hình được cải thiện đáng kể. Việc này khẳng định tính hiệu quả của phương pháp kết hợp thuật toán. Các thử nghiệm trên thiết bị thực tế cũng xác nhận kết quả. Điều này cung cấp bằng chứng vững chắc về giá trị của nghiên cứu.

5.1. Phương pháp đánh giá chất lượng mô hình nhận dạng

Chất lượng của các mô hình được đánh giá nghiêm ngặt. Các chỉ số hiệu suất quan trọng được tính toán. Độ chính xác (Accuracy) cho biết tỷ lệ phân loại đúng tổng thể. Độ nhạy (Sensitivity) đo khả năng phát hiện dương tính thật. Độ đặc hiệu (Specificity) đo khả năng phát hiện âm tính thật. Ma trận nhầm lẫn cung cấp cái nhìn chi tiết về hiệu suất. Đánh giá được thực hiện trên các tập dữ liệu kiểm thử độc lập. Điều này đảm bảo tính khách quan của kết quả đánh giá.

5.2. Kết quả từ các mô hình nhận dạng đơn lẻ

Các mô hình nhận dạng đơn lẻ được thử nghiệm riêng biệt. MLP, TSK, SVM và RF đều cho ra kết quả phân loại. Mỗi thuật toán nhận dạng có mức độ chính xác khác nhau. Một số thuật toán hoạt động tốt hơn với một số loại loạn nhịp cụ thể. Kết quả này cung cấp một đường cơ sở. Nó là điểm so sánh cho mô hình kết hợp. Các điểm mạnh và điểm yếu của từng mô hình được ghi nhận rõ ràng.

5.3. Hiệu quả vượt trội của mô hình kết hợp

Mô hình kết hợp (ensemble model) cho thấy hiệu suất vượt trội. Độ chính xác mô hình tăng đáng kể so với từng mô hình đơn lẻ. Kết quả này được chứng minh trên cả hai cơ sở dữ liệu MIT-BIH và MGH/MF. Sự kết hợp thuật toán thông qua cây quyết định mang lại kết quả tối ưu. Mô hình ensemble thể hiện khả năng tổng quát hóa tốt hơn. Nó giảm thiểu sai sót và tăng cường độ tin cậy. Kết quả thử nghiệm trên thiết bị cũng xác nhận hiệu quả thực tiễn.

VI.Ứng dụng thực tiễn đóng góp của nghiên cứu

Nghiên cứu này mang lại những đóng góp đáng kể. Nó mở ra tiềm năng ứng dụng rộng rãi trong lĩnh vực y tế. Mô hình nhận dạng kết hợp có thể trở thành công cụ hỗ trợ chẩn đoán. Nó giúp phát hiện sớm các bệnh lý tim mạch. Việc này cải thiện chất lượng chăm sóc sức khỏe. Nghiên cứu cũng góp phần vào sự phát triển của học máy. Đặc biệt trong lĩnh vực phân loại tín hiệu sinh học. Các kỹ thuật tiền xử lý và trích chọn đặc tính được tối ưu hóa. Điều này tạo ra một nền tảng vững chắc. Hướng phát triển trong tương lai bao gồm việc mở rộng ứng dụng. Nó cũng tập trung vào tối ưu hóa mô hình cho các thiết bị nhúng. Các đóng góp này thúc đẩy tiến bộ khoa học và công nghệ.

6.1. Tiềm năng ứng dụng trong y tế

Mô hình nhận dạng kết hợp có tiềm năng lớn. Nó có thể được tích hợp vào các thiết bị y tế. Chẩn đoán tự động loạn nhịp tim sẽ trở nên chính xác hơn. Điều này hỗ trợ bác sĩ trong quá trình ra quyết định. Nó giúp phát hiện sớm các vấn đề tim mạch. Ứng dụng này mang lại lợi ích trực tiếp cho bệnh nhân. Nó cũng giúp tối ưu hóa nguồn lực y tế. Khả năng giám sát sức khỏe từ xa cũng được nâng cao.

6.2. Những đóng góp khoa học chính

Nghiên cứu đề xuất một mô hình nhận dạng kết hợp hiệu quả. Mô hình này sử dụng cây quyết định để tổng hợp. Nó đạt được độ chính xác mô hình cao trong phân loại tín hiệu ECG loạn nhịp. Các phương pháp tiền xử lý và trích chọn đặc tính cũng được cải tiến. Nghiên cứu cung cấp bằng chứng về lợi ích của mô hình ensemble. Đây là một đóng góp quan trọng cho lĩnh vực học máy. Nó mở ra hướng mới trong xử lý tín hiệu sinh học.

6.3. Hướng phát triển trong tương lai

Nghiên cứu có thể mở rộng theo nhiều hướng. Áp dụng các kỹ thuật học sâu tiên tiến hơn. Ví dụ, mạng nơ-rôn tích chập (CNN) cho trích chọn đặc tính tự động. Khám phá các phương pháp kết hợp thuật toán mới. Phát triển phiên bản mô hình nhỏ gọn cho thiết bị di động. Tối ưu hóa mô hình để tăng tốc độ xử lý. Nghiên cứu tiếp theo có thể tập trung vào việc áp dụng cho các loại tín hiệu sinh học khác. Việc này nhằm mở rộng phạm vi ứng dụng.

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

Tải xuống file đầy đủ để xem toàn bộ nội dung

Tải đầy đủ (131 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 tháng 12 năm 2018 TM. Tập thể Hướng dẫn Nghiên cứu sinh PGS.

Nguyễn Thị Lan Hương Phạm Văn Nam 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. vi DANH MỤC CÁC BẢNG BIỂU.

viii 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. Nâng cao độ chính xác bằng mô hình kết hợp. Định hướng nghiên cứu của luận án. Cơ sở dữ liệu sử dụng trong luận án.

Cơ sở dữ liệu MIT­BIH.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 để nhận dạng.

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 nơ­rôn mờ TSK. Cấu trúc mạng. Thuật toán học cho mạng TSK. Máy véc­tơ 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 MIT­BIH. 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 MIT­BIH. 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. 92 DANH MỤC CÁC TÀI LIỆU THAM KHẢO.

94 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN. 107 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 nơ­rôn 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 nơ­rôn LVQ MIT-BIH MIT­BIH Arrhythmia Database Cơ sở dữ liệu MIT­BIH MGH/MF MGH/MF Waveform Database Cơ sở dữ liệu MGH/MF MLP Multi­Layer Perceptron Network Mạng nơron truyền thẳng nhiều lớp PC Personal Computer Máy tính cá nhân vi 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 véc­tơ hỗ trợ TSK Takaga ­ Sugeno ­ Kang Mạng nơ­rôn logic mờ TSK V Premature Ventricular Contraction Ngoại tâm thu thất` vii 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 MIT­BIH .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 MIT­BIH .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 MIT­BIH .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 viii 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 MLP­TSK­SVM 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 MLP­TSK­SVM.21: Kết quả nhận dạng 7 loại nhịp (CSDL MIT­BIH) bằng các mô hình đơn và các mô hình kết hợp .22: Kết quả nhận dạng 2 loại nhịp (CSDL MIT­BIH) 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 P ix 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 .1: Sơ đồ khối quá trình lọc nhiễu tín hiệu điện tim ECG .

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 nhịp tim loạn [Luận án tiến sĩ, Trường Đại học Bách Khoa Hà Nội]. LuanAn.net. https://luanan.net/tai-lieu-khac/xay-dung-mo-hinh-nhan-dang-ket-hop-nham-nang-cao-do-chinh-xac-phan-loai-tin

Câu hỏi thường gặp

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

Luận văn đề xuất mô hình nhận dạng kết hợp. Cải thiện độ chính xác trong các hệ thống nhận dạng, tối ưu hóa hiệu suất và ứng dụng thực tiễn.

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

Luận án "Mô hình nhận dạng kết hợp phân loại nhịp tim loạn" thuộc chuyên ngành Kỹ thuật điều khiển và tự động hóa. Danh mục: Tài liệu khác.

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

Luận án "Mô hình nhận dạng kết hợp phân loại nhịp tim loạn" có 131 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 nhịp tim loạn" 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