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

- Trong thí nghiệm 3: Số trường hợp chẩn đoán âm tính sai FN (của MLPTSK- RF) đã tăng 4 mẫu (từ 6 mẫu lên 10 mẫu) so với FN (của SVM);

4.5. Kết luận chương 4

Trong chương 4, tác giả xây dựng bộ dữ liệu mẫu điện tim ừ bộ cơ sở dữ liệu chuẩn MIT-BIH và MGH/MF, tách bộ dữ liệu mẫu thành hai phần, một phần dùng để huấn luyện cho các mô hình nhận dạng đơn là MLP, TSK, SVM, RF và cây quyết định, phần còn lại dùng để kiểm tra độ chính xác của mô hình.

Kết quả thực nghiệm cho thấy mô hình kết hợp bằng cây quyết định có chất lượng cao hơn so với các mô hình nhận dạng đơn như đã trình bày tổng hợp trong bảng từ 4.21 đến 4.24.

KẾT LUẬN VÀ KIẾN NGHỊ

Kết luận

Việc nghiên cứu tín hiệu điện tim ECG là rất quan trọng đối với sức khỏe con người, nhu cầu nghiên cứu và phát triển các thuật toán nhận dạng để tăng độ chính xác, tin cậy của kết quả. Đặc biệt nhu cầu cao về các thiết bị đo có tích hợp chức năng nhận dạng tự động bệnh tim. Đóng góp chính của luận văn là đề xuất ra giải pháp cải thiện độ chính xác của kết quả nhận dạng tín hiệu điện tim dựa trên hệ thống kết hợp nhiều mô hình nhận dạng đơn.

Luận văn đã hoàn thành mục tiêu đề ra, cụ thể như:

Có thể bạn quan tâm!

Xem toàn bộ 98 trang tài liệu này.

1- Tổng quan về các mô hình nhận dạng tín hiện điện tim sử dụng mạng nơ-rôn; 2- Giới thiệu chung về mạng nơ-rôn;

3- Xây dựng mô hình phối hợp các mạng nơ-rôn nhận dạng tín hiệu điện tim:

- Quy trình xây dựng mô hình nhận dạng đơn sử dụng các mạng nơ-rôn cơ sở;

- Xây dựng mô hình kết hợp các mạng nơ-rôn bằng cây quyết định để nhận dạng tín hiệu điện tim.

4- Tính toán, mô phỏng kết quả:

- Xây dựng bộ cơ sở dữ liệu dựa trên bộ cơ sở dữ liệu mẫu MIT-BIH và MGH/MF;

- Kết quả thực nghiệm trên các mô hình đơn và mô hình kết hợp.

Luận văn đã đề xuất giải pháp phối hợp các mạng nơ-rôn bằng cây quyết định để nhận dạng tín hiệu điện tim. Kết quả thực nghiệm trên bộ số liệu mẫu MIT-BIH và MGH/MF cho thấy rằng với 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; mô hình nhận dạng đơn sử dụng SVM thường cho kết quả tốt hơn các mô hình đơn khác; các mô hình kết hợp mạng nơ-rôn sử dụng cây quyết định cho kết quả nhận dạng tốt hơn (cụ thể trong các bảng từ 4.21 đến 4.24).

Kiến nghị

Trong luận văn, phương pháp đề xuất đã đạt được một số kết quả khả quan khi kết hợp các mô hình mạng nơ-rôn với nhau sử dụng cây quyết định để nhận dạng tín hiệu điện tim dựa trên bộ cơ sở số liệu mẫu MIT-BIH và MGH/MF. Tuy nhiên, trong lĩnh vực nghiên cứu còn một số tồn tại cần được tiếp tục được nghiên cứu và giải quyết như gắn kết quả nghiên cứu với thực tiễn: chế tạo thiết bị đo để tự thu thập bộ cơ sở dữ liệu của các bệnh nhân thực tế; hoàn thiện sơ sở dữ liệu mới với sự hỗ trợ của các bác sỹ chuyên ngành về tim để nâng cao độ chính xác khi nhận dạng cũng như gắn với thực tiễn.

Một số hướng để phát triển đề tài:

1- Tiếp tục tìm hiểu và thử nghiệm các mô hình nhận dạng mới để nâng cao độ chính xác và độ tin cậy của nhận dạng;

2- Chế tạo thiết bị đo để tự thu thập bộ cơ sở dữ liệu của các các bệnh nhân thực tế;

3- Hoàn thiện bộ cơ sở dữ liệu mới với sự hỗ trợ của các bác sĩ chuyên ngành về tim mạch.

TÀI LIỆU THAM KHẢO

Tiếng Việt

[1]. Nguyễn Mạnh Cường, Lê Vinh Tiến, Nguyễn Duy Thái (2016), “Kết hợp mạng Nơ-rôn và biến đổi Wavelet trong nhận dạng phức bộ QRS”. HNKH toàn quốc lần thứ 3 về điều khiển & Tự động hoá.

[2]. Nguyễn Ngọc Hùng, Bùi Trọng Tú, Hồ Anh Vũ, Dương Văn Tuấn (2014), “Tách và loại bỏ nhiễu cho tín hiệu điện tâm đồ ECG sử dụng phương pháp phân tích thành phần độc lập FASTICA cải tiến”. Hội Thảo Quốc Gia 2014 về Điện Tử, Truyền Thông, và Công Nghệ Thông Tin (REV-ECIT)

[3]. Đặng Thúy Hằng (2015), “Ứng dụng các mô hình thông minh trong phân loại và nhận dạng chuỗi AND cho một số loại bệnh ung thư”, luận án Tiến sĩ, Học viện Kỹ thuật Quân Sự.

[4]. Phạm Văn Nam, Trần Hoài Linh, Nguyễn Thị Lan Hương (2017), “Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim”. Tạp chí tự động hóa ngày nay VCCA.

[5]. Nguyễn Đức Thảo (2016), “Nâng cao chất lượng nhận dạng tín hiệu ECG dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh”. Luận văn tiến sỹ: Đại họcBách Khoa Hà Nội.

[6]. Trần Hoài Linh (2014), Mạng nơ-rôn và ứng dụng trong xử lý tín hiệu. Nhà xuất bản Bách Khoa Hà Nội.

[7]. Vương Hoàng Nam (2010), “Nghiên cứu, phát triển một số giải thuật xử lý mù tín hiệu và ứng dụng”, luận văn Tiến sĩ, ĐHBK Hà Nội.

Tiếng Anh

[8]. Atena Sajedin, Reza Ebrahimpour, Tahmoures Younesi Garousi (2011), "Electrocardiogram Beat Classification Using Classifier Fusion Based on Decision Template", 2011 IEEE 10th International Conference on Cybernetic Intelligent Systems (CIS), pp. 7 - 12.

[9]. A.M. Elsayad (2009), "Classification of ECG arrhythmia using learning vector quantization neural networks", International Conference on Computer Engineering & Systems, 2009, ICCES 2009, pp.139 – 144.

[10]. A. Bogunovic, Jovic N. (2008), "Analysis of ECG records using ECG Chaos Extractor platform and Weka system", 30th International Conference on Information Technology Interfaces (ITI), pp. 347 – 352.

[11]. A. Manis Kampouraki, G. Nikou, C (2009), "Heartbeat Time Series Classification With Support Vector Machines", IEEE Transactions on Information Technology in Biomedicine, vol. 13, p. 512 – 518.

[12]. C.W. and Lin Hsu, C.J (2002), "A comparison methods for multi class support vector machines", IEEE Transactions on Neural Networks 13(2), pp. 415–425.

[13]. Chien-Chih Wang, Cheng-Ding Chang (2010) "SVD and SVM based approach for congestive heart failure detection from ECG signal", the 40th International Conference on Computers & Indutrial Engineering, pp. 1-5.

[14]. E. Zellmer, Fei S., Hao Z. (2009), "Highly accurate ECG beat classiﬁcation

based on continuous wavelet transformation and multiple support vector machine

classiﬁers", Proceedings of the 2nd International Conference on Biomedical

Engineering and Informatics, Tianjin, China, pp.1-5.

[15]. G. and Mark Moody, R. (2001), "The impact of the MIT-BIH Arrhythmia Database", IEEE Engineering in Medicine and Biology 20(3), pp. 45–50.

[16]. H. Huifang, Guangshu, H. and Li, Z (2010), "Ensemble of Support Vector Machines for Heartbeat Classification", Proceedings of the 10th IEEE International Conference on Si- gnal Processing (ICSP), Beijing, China, pp.1327–1330.

[17]. Jiapu Pan, willis J. Tompkins (1985), "A Real-Time QRS Detection Algorithm", IEEE Transactions on Biomedical Engineering, vol. BME-32, no. 3, 1985.

[18]. Lim, J.S. (2009). "Finding Features for Real-Time Premature Ventricular Contraction Detection Using a Fuzzy Neural Network System, IEEE Transactions on Neural Networks, vol. 20, p. 522 – 527.

[19]. L. Breiman (2001). Random forests, Machine Learning 45(1):5–32.

[20]. L. Tran Hoai, S. Osowski (2004), "Analysis of features for efficient ECG signal classification using neuro-fuzzy network", IEEE International Joint Conference on Neural Networks (IEEE Cat. No.04CH37541), pp. 2443 - 2448.

[21]. Nivedita Daimiwal Shital L. Pingale (2014), "Detection of Various Diseases Using ECG Signal in MALAB", International Journal of Recent Technology and Engineering (IJRTE) ISSN, pp. 120-123.

[22]. Patrick S. Hamilton, Willis J. Tompkins (1986), "Quantitative Investigation of QRS Detection Rules Using the MIT/BIH Arrhythmia Database", IEEE Transactions on Biomedical Engineering, pp. 1157-1165.

[23]. Pengfei Gao; Jingwei Zhao; Guijin Wang; Hengkai Guo (2016), "Real time ECG characteristic point detection with randomly selected signal pair difference (RSSPD) feature and random forest classifier", 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC),

Pages: 732 - 735

[24]. R; Heinen Yishan Wang; Wunderlich, S (2013), "A low noise wearable wireless ECG system with body motion cancellation for long term homecare", IEEE 15th International Conference on e-Health Networking, Applications and Services (Healthcom 2013), pp. 507-511.

[25]. Stanisław Osowski, Tran Hoai Linh (2003), "OnLine Heart Beat Recognition Using Hermite Polynomials and NeuroFuzzy Network", IEEE Transactions on Instrumentation and Measurement, pp. 1224 - 1231.

[26]. Stanisław Osowski, Tran Hoai Linh, Maciej Stodolski (2001), "ECG Beat Recognition Using Fuzzy Hybrid Neural Network", IEEE Transactions on Biomedical Engineering, pp. 1265-1271.

[27]. S. Osowski, K. Brudzewski, L. Tran Hoai (2013), "Modiﬁed neuro-fuzzy TSK network and its application in electronic nose", Bulletin of the Polish Academy of Technical Sciences, Vol. 61, No. 3, 2013.

[28]. S. Osowski, T. Markiewicz, L. Tran Hoai (2008), "Recognition and classification system of arrhythmia using ensemble of neural networks", Article in Measurement, Vol. 41, pp. 610–617.

[29]. S. Osowski, L. Tran Hoai, T. Markiewicz (2006), "Ensemble of neural networks for improved recognition and classification of arrhythmia". Metrology for a Sustainable Development September, Rio de Janeiro, Brazil, pp. 17 – 22.

[30]. S Haykin (1999), "Neural Networks", Pearson Education (Singapore).

[31]. Stanislaw Osowski, Linh Tran Hoai, Tomasz Markiewicz (2004), "Support Vector Machine-Based Expert System for Reliable Heartbeat Recognition", IEEE Transactions on Biomedical Engineering, pp. 582-589.

[32]. T. Hoai Linh, S. Osowski, K. Brudzewski (2004), "Neuro-fuzzy network for flavor recognition and classification", IEEE transactions on instrumentation and measurement, vol. 53, no. 3, pp. 638-644.

[33]. Valtino X. Afonso (1993), "ECG QRS Detection", Biomedical digital signal processing.

[34]. Yao Li, Qingning Zeng (2013), "ECG classification based on sparse constrained nonnegative-matrix factorization and decision tree", 2013 8th International ICST Conference on Communications and Networking in China (CHINACOM), pp. 730-733.

[35]. http://www.physionet.org/physiobank/database/mghdb/

[36]. http://www.physionet.org/physiobank/database/mitdb/

[37]. https://uet.vnu.edu.vn/tri-tue-nhan-tao-trong-thoi-dai-boi-canh-gioi-va-lien-voi- viet-nam/