Xây dựng mô hình phối hợp các mạng Nơ-rôn nhận dạng tín hiệu điện tim (ECG) - 11


Mẫu Kết quả

N

L

R

A

V

I

E

Tổng sai số

21

14

7

16

8

3

1

Có thể bạn quan tâm!

Xem toàn bộ 98 trang tài liệu này.

Xây dựng mô hình phối hợp các mạng Nơ-rôn nhận dạng tín hiệu điện tim (ECG) - 11

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



Loại mô hình

Số mẫu nhận dạng sai

%

Sai số


FN


TN


FP


TP


Sensitivity (%)


Specificity (%)

MLP

110

3,59

18

905

30

2115

99,16

96,79

TSK

100

3,26

23

920

15

2110

98,92

98,40

SVM

60

1,96

15

919

16

2118

99,30

98,29

RF

70

2,28

20

914

21

2113

99,06

97,75

Từ bảng kết quả 4.9 ta thấy, các kết quả cao nhất trong các mô hình nhận dạng đơn là SVM, thấp nhất là mạng MLP, sự chênh lệch về kết quả kiểm tra khá lớn (gần 50%). Từ các ma trận phân bố kết quả nhận dạng của các mô hình đơn ta thấy lỗi nhận dạng từng loại nhịp không giống nhau, như đối với mạng MLP hầu hết các trường hợp nhận nhầm là giữa loại N và A (số lần nhận nhầm N thành A là 17), đối với mạng TSK chỉ là 9, nhưng mạng TSK lại có lỗi nhận nhầm lớn nhất là giữa bệnh A và R (12 lần), trong khi đối với mạng MLP chỉ là 5. Như vậy mỗi mô hình nhận dạng đơn có ưu điểm và nhược điểm khác nhau khi nhận dạng từng loại nhịp, kết quả nhận dạng không trùng nhau, đây một cơ sở quan trọng để khẳng định hướng sử dụng mô hình kết hợp là đúng đắn.

b) Thử nghiệm trên bộ dữ liệu trong bảng 4.2

Thử nghiệm trên bộ cơ sở dữ liệu MIT-BIH, nhận dạng hai loại nhịp: Bình thường (normal) và bất thường (abnormal). Do đó, ma trận phân bố kết quả sẽ có dạng chung như trong bảng 4.10, nên đối với trường hợp nhận dạng hai loại nhịp các kết quả chỉ cần tổng kết như trên bảng 4.11 là đủ.

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


Mẫu

Kết quả

Normal

Abnormal

Normal

TN

FN

Abnormal

FP

TP


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


Loại mô hình

Số mẫu nhận dạng sai

Sai số

(%)


FN


TN


FP


TP

Sensitivity (%)

Specificity (%)

MLP

39

1,27

14

910

25

2119

99,34

97,33

TSK

41

1,34

17

911

24

2116

99,20

97,43

SVM

26

0,85

8

917

18

2125

99,.62

98,07

RF

37

1,21

13

911

24

2120

99,39

97,43

4.3.2. Trên bộ cơ sở dữ liệu MGH/MF

a) Thử nghiệm trên bộ dữ liệu trong bảng 4.3

Thử nghiệm trên bộ cơ sở dữ liệu MGH/MF, nhận dạng ba loại nhịp

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


Mẫu

Kết quả

N

V

S

N

979

15

11

V

13

225

7

S

11

9

230

Tổng sai số

24

24

18

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


Mẫu

Kết quả

N

V

S

N

983

29

15

V

16

219

8

S

4

1

225

Tổng sai số

20

30

23

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


Mẫu

Kết quả

N

V

S

N

991

3

3

V

10

242

10

S

2

4

235

Tổng sai số

12

7

13


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


Mẫu


Kết quả


N


V


S

N

982

35

35

V

10

213

4

S

11

1

209

Tổng sai số

21

36

39

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


Loại

mô hình

Số mẫu

nhận dạng sai

Sai số

(%)


FN


TN


FP


TP

Sensitivity (%)

Specificity (%)

MLP

66

4,40

26

979

24

471

94,77

97,61

TSK

73

4,87

44

983

20

453

91,15

98,01

SVM

32

2,13

6

991

12

491

98,79

98,80

RF

96

6,40

70

982

21

427

85,92

97,91

b) Thử nghiệm trên bộ dữ liệu trong bảng 3.4

Thử nghiệm trên bộ cơ sở dữ liệu MGH/MF, nhận dạng hai loại nhịp (bình thường và bất thường)

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


Loại mô hình

Số mẫu nhận dạng

sai

Sai số (%)


FN


TN


FP


TP


Sensitivity (%)


Specificity (%)

MLP

37

2,47

22

988

15

475

95,57

98,50

TSK

62

4,13

37

978

25

460

92,56

97,51

SVM

20

1,33

6

989

14

491

98,79

98,60

RF

78

5,20

54

979

24

443

89,13

97,61

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

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

Khi sử dụng ba mô hình nhận dạng cơ sở là MLP, TSK và SVM thì ta thu được kết quả của mô hình kết hợp MLP-STK-SVM như trong bảng 4.18 sau đây.


Bảng 4.18. Ma trận phân bố kết quả nhận dạng 7 loại mẫu nhịp bằng mô hình kết hợp

MLP, TSK, SVM


Mẫu


Kết quả


N


L


R


A


V


I


E

N

928

1

1

10

0

0

0

L

1

557

0

2

3

1

0

R

1

0

481

1

0

2

0

A

5

0

3

383

1

0

0

V

0

2

0

1

446

0

0

I

0

0

0

1

1

198

0

E

0

1

0

0

0

0

37

Tổng sai số

7

4

4

15

5

3

0

Bảng 4.19. Các thông số đánh giá chất lượng của bốn mô hình cơ sở MLP, TSK, SVM và mô hình kết hợp MLP-TSK-SVM khi nhận dạng 7 loại nhịp


Loại mô

hình

Số mẫu nhận

dạng sai

Sai số

(%)


FN


TN


FP


TP

Sensitivity (%)

Specificity (%)

MLP

110

3,59

18

905

30

2115

99,16

96,79

TSK

100

3,26

23

920

15

2110

98,92

98,40

SVM

60

1,96

15

919

16

2118

99,30

98,29

MLP-TSK- SVM

38

1,24

12

928

7

2121

99,44

99,25

Bảng 4.18 là ma trận phân bố kết quả của mô hình kết hợp (MLPTSK-SVM), ta thấy hầu hết các trường hợp nhận nhầm là giữa loại A và N (số lần nhận nhầm A thành N là 10), nguyên nhân là do hình dạng của nhịp loại A và N khá giống nhau, còn các lỗi nhầm lẫn khác là không đáng kế (≤ 3 lỗi);


Hình 4 3 So sánh số mẫu nhận dạng sai chẩn đoán âm tính sai FN chẩn đoán 1

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


Bảng 4.19 là tổng hợp thông số chất lượng của các mô hình nhận dạng đơn và mô hình kết hợp. Ta thấy, trong ba mô hình nhận dạng đơn thì SVM có chất lượng cao nhất, kết quả nhận dạng tiếp tục được cải thiện khi sử dụng mô hình kết hợp MLP- TSK-SVM bằng cây quyết định, nếu so sánh với mô hình đơn tốt nhất là SVM thì tất cả các tiêu chí đánh giá chất lượng đều có kết quả tốt hơn, cụ thể:

- Sai số kiểm tra đã giảm 22 mẫu (từ 60 mẫu xuống còn 38 mẫu);

- Số trường hợp chẩn đoán âm tính sai FN đã giảm 3 mẫu (từ 15 mẫu xuống 12

mẫu);

- Số trường hợp chẩn đoán dương tính sai FP đã giảm 9 mẫu (từ 16 mẫu xuống

7 mẫu);

- Tỷ lệ chẩn đoán dương tính đúng Sensitivity đã được cải thiện thêm khoảng

0,14%;

- Tỷ lệ chẩn đoán âm tính tính đúng Specificity đã được cải thiện thêm khoảng

0,96%;

Tiếp tục so sánh với các giải pháp kết hợp kết quả phổ biến khác như: Majority voting (biểu quyết theo đa số), weighted voting (bỏ phiếu có trọng số), Kullback– Leibler (theo xác suất thông kê), và modified Bayes (theo xác suất điều kiện Bayes), các kết quả này lấy trong nghiên cứu của Osowski và cộng sự [28], từ kết quả trong bảng 4.20 ta rút ra một số nhận xét sau:

- Tất cả các hệ thống nhận dạng sử dụng mô hình kết hợp đều có kết quả nhận dạng tốt hơn so với các hệ thống nhận dạng sử dụng một mô hình nhận dạng, trường hợp kết quả kém nhất là 1,63% - trường hợp biểu quyết theo đa số (majority voting), nhưng vẫn cao hơn so với mô hình nhận dạng đơn tốt nhất là SVM (1,96% trong bảng 4.18);

- Mô hình kết hợp dùng cây quyết định DT có kết quả nhận dạng tốt nhất với tỷ lệ nhận dạng sai là 1,24%.

Bảng 4.20. Bảng kết quả của các mô hình kết hợp kết quả của ba mô hình nhận dạng đơn MLP-TSK-SVM


STT

Phương pháp tổng hợp

Số mẫu nhận dạng sai

% Sai số

1

Majority voting

50

1,63

2

Weighted voting

42

1,37

3

Kullback–Leibler

45

1,47

4

Modified Bayes

48

1,56

5

Decision tree

38

1,24

Qua các kết quả thử nghiệm trên bộ cơ sở dữ liệu MIT-BIH (là được các nhóm nghiên cứu quốc tế thường dùng để tham chiếu), tác giả đã minh chứng được giải pháp


kết hợp song song ba mô hình nhận dạng cơ sở (MLP, TSK, SVM) bằng cây quyết định DT đã tiếp tục nâng cao chất lượng kết quả nhận dạng tín hiệu điện tim ECG;

4.4.2. Các thử nghiệm kết hợp khác

Ngoài các kết quả đã trình bày ở mục trên (4.4.1), luận văn còn tiến hành thêm có một số thử nghiệm sau:

- Luận văn khảo sát thêm mô hình nhận dạng cơ sở thứ 4 là rừng ngẫu nhiên RF, để có thêm nhiều trường hợp thử nghiệm khác như, ví dụ ta sẽ tạo ra các trường hợp kết hợp như: (1) MLP-TSK-SVM, (2) MLP-TSK-RF, (3) MLP-RF-SVM, (4) RF-

TSK-SVM, (5) MLP-TSK-SVM-RF;

- Thử nghiệm kết quả thêm với bộ cơ sở dữ liệu MGH/MF;

- Thử nghiệm kết quả khi nhận dạng hai loại nhịp (bình thường và bất thường);

Cụ thể sẽ tiến hành thêm bốn thử nghiệm:

Thử nghiệm 1: Trên bộ cơ sở dữ liệu MIT-BIH (cụ thể trong bảng 4.1), có kết quả như trong bảng 4.21, để thuận tiện cho việc so sánh các thông số giữa các mô hình nhận dạng cơ sở và các mô hình kết hợp, tác giả đưa lại kết quả của các mô hình nhận dạng cơ sở.

Bảng 4.21. Kết quả nhận dạng 7 loại nhịp (CSDL MIT-BIH) bằng các mô hình đơn và các mô hình kết hợp



Loại mô hình

Số mẫu nhận dạng sai


Sai số (%)


FN


TN


FP


TP


Sensitivity (%)


Specificity (%)

MLP

110

3,59

18

905

30

2115

99,16

96,79

TSK

100

3,26

23

920

15

2110

98,92

98,40

SVM

60

1,96

15

919

16

2118

99,30

98,29

RF

70

2,28

20

914

21

2113

99,06

97,75

MLP-TSK-SVM

38

1,24

12

928

7

2121

99,44

99,25

MLP-TSK-RF

43

1,40

16

927

8

2117

99,25

99,14

MLP-RF-SVM

40

1,30

13

923

12

2120

99,39

98,72

RF-TSK-SVM

39

1,27

10

920

15

2123

99,53

98,40

MLP-TSK- SVM-RF


37


1,21


4


916


19


2129


99,81


97,97


Thử nghiệm 2: Trên bộ cơ sở dữ liệu MIT-BIH (cụ thể trong bảng 3.2), nhận dạng hai loại nhịp (bình thường và bất thường).

Bảng 4.22. Kết quả nhận dạng 2 loại nhịp (CSDL MIT-BIH) bằng các mô hình đơn và các mô hình kết hợp



Loại mô hình


Số mẫu nhận dạng sai


Sai số (%)


FN


TN


FP


TP


Sensitivity (%)


Specificity (%)

MLP

39

1,27

14

910

25

2119

99,34

97,33

TSK

41

1,34

17

911

24

2116

99,20

97,43

SVM

26

0,85

8

917

18

2125

99,62

98,07

RF

37

1,21

13

911

24

2120

99,39

97,43

MLP-TSK- SVM

21

0,68

6

920

15

2127

99,72

98,40

MLP-TSK-RF

22

0,72

8

921

14

2125

99,62

98,50

MLP-RF-SVM

23

0,75

9

921

14

2124

99,58

98,50

RF-TSK-SVM

16

0,52

5

924

11

2128

99,77

98,82

MLP-TSK- SVM-RF

15

0,49

7

927

8

2126

99,67

99,14

Thử nghiệm 3: Trên bộ cơ sở dữ liệu MGH/MF (cụ thể trong bảng 3.3), nhận dạng ba loại nhịp N, S, V.

Bảng 4.23. Kết quả nhận dạng 3 loại nhịp (CSDL MGH/MF) bằng các mô hình đơn và các mô hình kết hợp



Loại mô hình


Số mẫu nhận dạng sai


Sai số (%)


FN


TN


FP


TP


Sensitivity (%)


Specificity (%)

MLP

66

4,40

26

979

24

471

94,77

97,61

TSK

73

4,87

44

983

20

453

91,15

98,01

SVM

32

2,13

6

991

12

491

98,79

98,80

RF

96

6,40

70

982

21

427

85,92

97,91

MLP-TSK-SVM

25

1,67

3

994

9

494

99,40

99,10

MLP-TSK-RF

30

2,00

10

992

11

487

97,99

98,90

MLP-RF-SVM

25

1,67

6

996

7

491

98,79

99,30

RF-TSK-SVM

25

1,67

5

994

9

492

98,99

99,10


MLP-TSK- SVM-RF

21

1,40

5

996

7

492

98,99

99,30

Thử nghiệm 4: Trên bộ cơ sở dữ liệu MGH/MF (cụ thể trong bảng 3.4), nhận dạng hai loại nhịp (bình thường và bất thường).

Bảng 4.24. Kết quả nhận dạng 2 loại nhịp (CSDL MGH/MF) bằng các mô hình đơn và các mô hình kết hợp



Loại mô hình

Số mẫu nhận dạng sai


Sai số (%)


FN


TN


FP


TP


Sensitivity (%)


Specificity (%)

MLP

37

2,47

22

988

15

475

95,57

98,50

TSK

62

4,13

37

978

25

460

92,56

97,51

SVM

20

1,33

6

989

14

491

98,79

98,60

RF

78

5,20

54

979

24

443

89,13

97,61

MLP-TSK-SVM

17

1,13

5

991

12

492

98,99

98,80

MLP-TSK-RF

20

1,33

6

989

14

491

98,79

98,60

MLP-RF-SVM

19

1,27

6

990

13

491

98,79

98,70

RF-TSK-SVM

18

1,20

6

991

12

491

98,79

98,80

MLP-TSK- SVM-RF

15

1,00

4

992

11

493

99,20

98,90

Từ các kết quả thử nghiệm trên ta có một số đánh giá như sau:

- Sai số kiểm tra (số mẫu nhận dạng sai) của các mô hình kết hợp đề thấp hơn so với các mô hình nhận dạng cơ sở, riêng có một trường hợp bằng nhau – trong thử nghiệm 4, sai số của mô hình SVM và mô hình kết hợp MLP-TSKRF có số mẫu nhận dạng sai là 20;

- Số trường hợp chẩn đoán âm tính sai FN và số trường hợp chẩn đoán dương tính sai FP phần lớn có kết quả tốt hơn so với các mô hình nhận dạng cơ sở, chỉ có bốn trường hợp kết quả kém hơn, cụ thể:

- Trong thí nghiệm 1: Số trường hợp chẩn đoán âm tính sai FN (của MLPTSK- RF) đã tăng 1 mẫu (từ 15 mẫu lên 16 mẫu) so với FN (của SVM).

Số trường hợp chẩn đoán dương tính sai PN (của MLP-TSK-SVM-RF) đã tăng 4 mẫu (từ 15 mẫu lên 19 mẫu) so với FP (của TSK);

- Trong thí nghiệm 2: Số trường hợp chẩn đoán âm tính sai FN (của MLPRF- SVM) đã tăng 1 mẫu (từ 8 mẫu lên 9 mẫu) so với FN (của SVM);

Xem toàn bộ nội dung bài viết ᛨ

..... Xem trang tiếp theo?
⇦ Trang trước - Trang tiếp theo ⇨

Ngày đăng: 23/06/2022