Tổng Quan Về Các Phương Pháp Nhận Dạng Tín Hiệu Điện Tim‌

Chương 1. TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP NHẬN DẠNG TÍN HIỆU ĐIỆN TIM‌

1.1. Đặt vấn đề

Tim là một bộ phận quan trọng trong hệ tuần hoàn cơ thể của con người cũng như cơ thể của động vật. Với chức năng bơm máu đều đặn qua các đường động mạch, đem dưỡng khí và chất dinh dưỡng đi lên não bộ và nuôi toàn bộ cơ thể, mặt khác tim cũng có nhiệm vụ đào thải các chất không phù hợp với cơ thể trong quá trình trao đổi chất. Tim sẽ hút máu chứa CO2 trở lại tim và đưa tới phổi trao đổi khí này lấy O2,…

Việc hoạt động của tim rất quan trọng đối với cơ thể, khi có bất cứ tổn thương nào tới tim sẽ có thể ảnh hưởng tới sự sống. Chính vì vậy việc kiểm tra sức khỏe của tim thường xuyên là yếu tố hàng đầu giúp đánh giá tình trạng sức khỏe của mỗi người.

Tim hoạt động được là nhờ một xung điện truyền qua hệ thống thần kinh tự trị của tim. Xung điện được bắt đầu từ một hạch gọi là nút xoang nhĩ (SA sinoatrial) gồm các tế bào có khả năng tự tạo xung điện (Electric Impulse). Xung điện này truyền ra các cơ chung quanh làm co bóp hai tâm nhĩ. Sau đó dòng điện tiếp tục truyền theo 1 chuỗi tế bào đặc biệt tới một hạch khác gọi là nút nhĩ thất (AV Atrioventricular) nằm gần khu tiếp giáp giữa các tâm thất rồi theo chuỗi tế bào sợi Purkinje chạy dọc theo vách chia hai tâm thất lan vào các cơ chung quanh làm hai tâm thất co bóp (tạo nên phức bộ QRS). Sau đó xung điện giảm đi, tâm thất dãn ra.

Hoạt động của tim được thể hiện qua nhiều yếu tố khác nhau, trong đó những tín hiệu điện sinh học do tim phát ra là một trong những yếu tố rất quan trọng nhất để đánh giá hoạt động của tim. Thông qua những tín hiệu điện tim dưới dạng sóng hay điện tâm đồ (ElectroCardioGram gọi tắt là ECG). Để thu được tín hiệu ECG, người ta đặt các điện cực của máy ghi ECG lên cơ thể. Tùy theo vị trí đặt các điện cực mà hình dáng của tín hiệu ECG sẽ khác nhau.

Tín hiệu ECG chứa thông tin chủ yếu để xác định các bệnh lý về tim mạch. Như trên hình 1.2 tín hiệu điện tim là một đường cong ghi lại sự biến thiên của điện áp do tim sinh ra khi hoạt động, hình dáng chính của tín hiệu điện tim ECG là tổng hợp của các sóng P, phức bộ QRS và sóng T. Trong đó, phức bộ QRS chứa nhiều thông tin quan trọng nhất, cụ thể [5, 21]:

Có thể bạn quan tâm!

Xem toàn bộ 98 trang tài liệu này.

Hình 1.1. Tín hiệu điện tim và các phân tích cơ bản từ tín hiệu điện tim

- Có 12 chuyển đạo được xây dựng dựa trên vị trí đặt các điện cực, trong đó chuyển đạo tay trái – tay phải là chuyển đạo được quan tâm nhiều nhất vì nó biểu hiện rò nét nhất các pha co dãn của tim;

- Sóng P đại diện cho làn sóng khử cực lan truyền từ nút xoang sang tâm nhĩ. Khoảng PR là khoảng thời gian cần thiết để xung điện đi từ nút xoang qua nút nhĩ thất (AV) vào các tâm thất. Phức bộ QRS là quá trình khử cực tâm thất. Sóng Q đại diện quá trình khử cực từ trái sang phải của vách ngăn lên tâm thất. Sóng R đại diện quá trình khử cực sớm của tâm thất. Sóng S đại diện quá trình khử cực muộn của tâm thất. Đoạn ST là thời điểm tâm thất được khử cực hoàn toàn và đoạn này có điện thế trùng với đường đẳng điện. Khoảng QT là thời gian xảy ra cả hai quá trình khử cực và tái cực tâm nhĩ.

- Sóng T đại diện tái cực thất và thời gian kéo dài hơn so với quá trình khử cực; Một tín hiệu ECG bình thường có các thông số cơ bản như sau:

- Số nhịp tim trung bình của một người bình thường là từ 50÷100 nhịp/phút;

- Biên độ (mV): Phức bộ QRS < 1,5; sóng P < 0,25; sóng Q bằng khoảng 25 % so với sóng R kế đó, cuối cùng sóng T có giá trị trong khoảng 0,1÷0,5;

- Thời gian tồn tại (ms): Phức bộ QRS là 50 ÷ 100, P-R là 120 ÷ 200, QT là 350÷440, S-T là 50÷150, sóng P < 120.

Hình 1.2. Hình dáng và thành phần chính của tín hiệu điện tim ECG

Thông qua tín hiệu điện tim bác sĩ có thể chẩn đoán được một số vấn đề liên quan đến tim như: dị tật bẩm sinh ở tim, bệnh van tim, loạn nhịp tim, tiểu đường, đái tháo đường, …

Mô hình chung của một hệ thống nhận dạng tín hiệu điện tim thể hiện như hình

1.3, gồm bốn khối chính: Thu thập, tiền xử lý, trích chọn đặc tính, nhận dạng.

Hình 1.3. Mô hình chung của hệ thống nhận dạng tín hiệu điện tim ECG

1.2. Tình hình nghiên cứu ngoài nước

Nhận dạng tín hiệu ECG là một trong những vấn đề kỹ thuật vẫn đang được quan tâm, đầu tư nghiên cứu. Hiện nay, do đây là một vấn đề khó, phức tạp liên quan đến con người đòi hỏi yêu cầu độ chính xác và độ tin cậy cao. Việc nhận dạng tín hiệu ECG đã được nghiên cứu từ rất lâu ở những nước phát triển. Điển hình như các hãng sản xuất thiết bị y tế như hãng Advanced, hãng Kalamed, hãng Fukuda, hãng Contec... đã cho ra đời nhiều loại thiết bị đo điện tim. Mỗi thiết bị có những phương pháp nhận dạng khác nhau, cụ thể như:

Xử lý tín hiệu ECG để phát hiện sự bất thường bằng việc sử dụng phương pháp phân loại sóng đa độ phân giải và mạng nơ-rôn nhân tạo [5]

Trong nghiên cứu này, nhóm tác giả đưa ra hướng nghiên cứu sử dụng nơ – rôn nhân tạo kết hợp với tính năng biến đổi sóng rời rạc và hình thái để phân tích tín hiệu ECG. Tín hiệu ECG được phân tích thành hai lớp tín hiệu (tín hiệu ECG bất thường và tín hiệu bình thường) bằng việc sử dụng nhiều mạng nơ rơn khác nhau để phân tích. Cơ sở dữ liệu loạn nhịp tim được sử dụng là MITH BIH.

Hình 1.4. Sơ đồ khối của bộ phân tích tín hiệu ECG

Các mạng nơ-rôn được sử dụng trong nghiên cứu để phân tích tín hiệu gồm mạng nơ-rôn lan truyền ngược (BPN), mạng nơ-rôn truyền thẳng (FFN), mạng nơ-rôn nhiều lớp (MLP). Hiệu suất phân loại được đo theo độ nhạy (Se), tiên lượng dương tính (PP), tính đặc hiệu (SP).

Qua nghiên cứu nhóm tác giả đã đạt được độ chính xác tổng thể lên tới 97,8% khi sử dụng mạng nơ-rôn lan truyền ngược và mạng nơ-rôn truyền thẳng và đạt được độ chính xác 100% khi sử dụng mạng nơ-rôn truyền thẳng nhiều lớp với các lớp tế bào thần kinh (20,20,10) trong các lớp ẩn. Phần lớn kết quả dạy học và kiểm tra mẫu dữ liệu đạt lớn hơn 90%.

Khai thác đặc tính và phân tích tín hiệu ECG dựa trên mạng nơ-rôn nhân

tạo và phương pháp học máy [11]

Bình thường

Khác thường

Nghiên cứu này được phân loại tín hiệu ECG thành hai lớp, tín hiệu bình thường và bất thường. Dạng sóng ECG được phát hiện và phân tích bằng 48 bản ghi của cơ sở dữ liệu rối loạn nhịp tim MIT-BIH. Hiệu suất phân loại được đo lường về độ nhạy (Se), dự đoán tích cực (PP) và độ đặc hiệu (SP). Trong bài viết này, tác giả đã trình bày một thuật toán KNN để phân loại và phát hiện phức bộ QRS. Trong đó một thuật toán để phát hiện đỉnh R. Và sử dụng ba loại phân loại là Mạng lan truyền ngược (BPN), mạng nơ-rôn truyền thẳng và Mạng nơ-rôn nhiều lớp (MLP).

Tiền xử lý

Loại bỏ biến tính tín hiệu điện tâm đồ

Tín hiệu điện tâm đồ từ CSDL MIT-BIH

Phát hiện đỉnh sóng trong tín hiệu điện tâm đồ

Phân loại

Hình 1.5. Sơ đồ khối hệ thống phân tích ECG dựa trên mạng nơ-rôn

Tín hiệu đầu vào được lựa chọn từ cơ sở dữ liệu loạn nhịp MIT-BIH. Tiền xử lý sẽ khử nhiễu cho tín hiệu ECG. Nó được sử dụng làm đầu vào cho giai đoạn sau.

Trong giai đoạn sau có nhiệm vụ phát hiện cực đại và phức bộ QRS. Tín hiệu ECG được phân loại theo BPN, SVM và ELM. Các bộ lọc được sử dụng trong nghiên cứu gồm bộ lọc trung bình, bộ lọc FIR, bộ lọc Gaussian và bộ lọc Butterworth. Việc sắp xếp các bộ lọc để loại bỏ đi nhiễu điện từ và lỗi phát sinh từ thiết bị. Tín hiệu ECG được trích xuất và phân tách thành Tín hiệu ECG bị phân hủy lên đến tám cấp độ. Kiểu phân tách này được sử dụng để trích xuất các tính năng và hữu ích cho việc lựa chọn sóng P, Q, R và S.

Sau đó tất cả các đỉnh được xác định bởi giá trị nhỏ nhất và lớn nhất. Sử dụng phức hợp QRS, trong bài báo này tìm ra nhịp tim và những nhịp tim này được đưa ra để phân loại đầu ra như bình thường và bất thường. Trong bài báo này, ba mô hình mạng nơ-rôn được sử dụng để được thực hiện để phân loại nhịp tim bình thường và bất thường là BPN, SVM và ELM.

Phương pháp đề xuất thử nghiệm cho kết quả tốt nhất với độ chính xác 97%, độ nhạy 100%, độ đặc hiệu 96% và dự đoán tích cực 95%. Các loại tiếng ồn và tín hiệu nhiễu có trong tín hiệu ECG của cơ sở dữ liệu được giảm bằng bộ lọc trung bình.

Tìm kiếm các tính năng để phát hiện co thắt tâm thất sớm theo thời gian thực bằng cách sử dụng hệ thống mạng nơ-rôn mờ (FNN) [18]

Nghiên cứu này đã giới thiệu một cách cách tiếp cận để phát hiện các cơn co thắt tâm thất sớm (PVC) bằng cách sử dụng mạng nơ-rôn với các chức năng liên kết mờ có trọng số (NEWFM). NEWFM phân loại nhịp thông thường và nhịp PVC bằng tổng giới hạn được đào tạo của các hàm liên thuộc mờ có trọng số (BSWFM) bằng cách sử dụng hệ số biến đổi wavelet từ cơ sở dữ liệu MIT-BIH PVC. Tám hệ số tổng quát, liên quan cục bộ đến tín hiệu thời gian, được trích xuất bằng phương pháp đo phân bố vùng không trùng lặp. Tám hệ số tổng quát được sử dụng cho ba tập dữ liệu PVC với tỷ lệ chính xác đáng tin cậy lần lượt là 99,80%, 99,21% và 98,78%, có nghĩa là các tính năng đã chọn ít phụ thuộc vào tập dữ liệu hơn. Nó được chỉ ra rằng vị trí của tám đặc điểm không chỉ xung quanh phức hợp QRS đại diện cho sự khử cực tâm thất trong điện tâm đồ (ECG) chứa sóng Q, sóng R và sóng S, mà còn cả đoạn QR từ sóng Q. đến sóng R có nhiều thông tin phân biệt hơn so với đoạn RS từ sóng R đến sóng S. BSWFM của tám tính năng được NEWFM đào tạo được hiển thị trực quan, giúp các tính năng có thể diễn giải một cách rò ràng. Vì mỗi BSWFM kết hợp nhiều hàm liên thuộc mờ có trọng số thành một bằng cách sử dụng tổng giới hạn, tám BSWFM kích thước nhỏ có thể nhận ra phát hiện PVC thời gian thực trong môi trường di động. nhưng cũng có đoạn QR từ sóng Q đến sóng R có nhiều thông tin phân biệt hơn so với đoạn RS từ sóng R đến sóng S. BSWFM của tám tính năng được NEWFM đào tạo được hiển thị trực quan, giúp các tính năng có thể diễn giải một cách rò ràng. Vì mỗi BSWFM kết hợp nhiều hàm liên thuộc mờ có trọng số thành một bằng cách sử dụng tổng giới hạn, tám BSWFM kích thước nhỏ có thể nhận ra phát hiện PVC thời gian thực trong môi trường di động. nhưng cũng có đoạn QR từ sóng Q đến

sóng R có nhiều thông tin phân biệt hơn so với đoạn RS từ sóng R đến sóng

S. BSWFM của tám tính năng được NEWFM đào tạo được hiển thị trực quan, giúp các tính năng có thể diễn giải một cách rò ràng. Vì mỗi BSWFM kết hợp nhiều hàm liên thuộc mờ có trọng số thành một bằng cách sử dụng tổng giới hạn, tám BSWFM kích thước nhỏ có thể nhận ra phát hiện PVC thời gian thực trong môi trường di động.

Phân loại rối loạn nhịp tim ECG bằng cách sử dụng mạng nơ-rôn lượng tử hóa vectơ học [9]

Mục đích của nghiên cứu này là áp dụng mạng nơ-rôn lượng tử hóa vectơ học (LVQ) để phân loại rối loạn nhịp tim từ bộ dữ liệu Điện tâm đồ (ECG). Các thuật toán phân loại LVQ không xấp xỉ các hàm mật độ của các mẫu lớp mà trực tiếp xác định ranh giới lớp dựa trên các nguyên mẫu, quy tắc láng giềng gần nhất và mô hình thắng- lấy-tất cả. Nó có hiệu suất vượt trội so với phương pháp truyền ngược (BP) theo nghĩa giảm thiểu các lỗi phân loại trong khi duy trì sự hội tụ nhanh chóng. Đầu tiên, phân tích thành phần chính được sử dụng để giảm kích thước của các tính năng đầu vào và tăng khả năng phân biệt. Sau đó, sáu mạng thần kinh LVQ được huấn luyện để phân loại từng trường hợp thành các lớp "khỏe mạnh" và "loạn nhịp tim". Các mạng lưới được đào tạo và thử nghiệm cho bộ dữ liệu rối loạn nhịp tim UCI ECG. Bộ dữ liệu này là một môi trường tốt để kiểm tra các bộ phân loại vì nó là dữ liệu tín hiệu sinh học không đầy đủ và không rò ràng từ nhiều bệnh nhân. Hiệu suất phân loại của mỗi thuật toán được đánh giá bằng cách sử dụng bốn thước đo; độ nhạy, độ đặc hiệu, độ chính xác của phân loại và thời gian thực hiện để xây dựng hệ thống. Kết quả thực nghiệm khuyến nghị sử dụng thuật toán LVQ cho một nghiên cứu mở rộng hơn liên quan đến chủ đề này.

Cách tiếp cận dựa trên SVD và SVM để phát hiện suy tim sung huyết từ tín hiệu điện tâm đồ [13]

Bài báo này trình bày một cách tiếp cận phát hiện tích hợp khoảng RR tính năng trích xuất và phân loại suy tim sung huyết (CHF). Trong trích xuất các tính năng khoảng RR, tác giả đã sử dụng phân tách chế độ thực nghiệm (EMD) để phân tách tín hiệu khoảng RR của mỗi đối tượng thành một số chức năng chế độ nội tại (IMF) và sử dụng phân tách giá trị đơn (SVD) để trích xuất các giá trị đơn được xếp hạng cho IMF của mỗi đối tượng. Các giá trị số ít được xếp hạng thu được được đưa vào máy vectơ hỗ trợ (SVM) để phân loại trạng thái sinh lý (sức khỏe hoặc CHF). Kết quả phân loại cho thấy rằng, dựa trên tập dữ liệu từ trang web “PhysioNet”, tổng độ chính xác của việc sử dụng các giá trị số ít của các cấp bậc quan trọng làm các tính năng là 89%.

Phân loại nhịp điện tâm đồ có độ chính xác cao dựa trên chuyển đổi Wavelet liên tục và nhiều bộ phân loại máy vectơ hỗ trợ [14]

Nghiên cứu này trình bày một hệ thống phân loại nhịp ECG chính xác cao. Nó sử dụng phép biến đổi Wavelet liên tục kết hợp với phân tích hình thái miền thời gian để tạo thành ba vectơ đặc trưng riêng biệt từ mỗi nhịp. Mỗi vectơ đặc trưng này sau đó

được sử dụng riêng biệt để đào tạo ba bộ phân loại máy vectơ hỗ trợ (SVM) khác nhau. Trong quá trình phân loại dữ liệu, mỗi bộ phân loại trong số ba bộ phân loại phân loại độc lập từng nhịp; với kết quả của hệ thống phân loại dựa trên nhiều bộ phân loại được quyết định bằng cách bỏ phiếu giữa ba bộ phân loại độc lập. Sử dụng phương pháp này, hệ thống dựa trên đa phân loại có thể đạt độ chính xác trung bình là 99,72% trong việc phân loại sáu loại nhịp.

1.3. Tình hình nghiên cứu trong nước

Ở nước ta, tình hình nghiên cứu nhận dạng tín hiệu điện tim là một trong những hướng nghiên cứu mới. Tuy nhiên, đã có một số đề tài nghiên cứu chuyên sâu như:

Ứng dụng cây quyết định cho giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim [3]

Hướng chính của nghiên cứu là sử dụng cây quyết định nhị phân (Binary Decision Tree) để tổng hợp kết quả của ba mô hình đơn, đó là các mạng nơ-rôn kinh điển MLP (Multi Layer Perceptron), mạng nơ-rôn logic mờ TSK (Takaga-Sugeno- Kang) và máy vectơ hỗ trợ SVM (Support Vector Machines) để cải thiện độ chính xác và chất lượng của kết quả nhận dạng. Sử dụng các hàm cơ sở Hermite (Hermite Basis Functions) để khai triển phức bộ QRS làm vector đặc trưng của tín hiệu và sử dụng thêm hai đặc tính về thời gian là khoảng cách giữa hai đỉnh R liên tiếp, giá trị trung bình của 10 khoảng cách R-R cuối cùng. Giải pháp đã được thử nghiệm trên bộ các số liệu mẫu lấy từ CSDL MIT-BIH (Massachusetts Institute of Technology, Boston’s Beth Israel Hospital).

Nghiên cứu nhận dạng tín hiệu điện tim dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh [5]

Nghiên cứu chức năng của hệ tim mạch - hô hấp các ảnh hưởng chính của nhịp thở trong tín hiệu ECG. Từ đó khảo sát và đề xuất lựa chọn họ wavelet và bậc phù hợp để loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG. Trường hợp có tín hiệu nhịp thở được đo đồng thời với tín hiệu ECG, luận văn đề xuất sử dụng 2 đặc tính là biên độ tức thời của nhịp thở để hỗ trợ phát hiện các biến thiên bệnh lý trong tín hiệu ECG. Các bộ mẫu tín hiệu được đưa vào mô hình nhận dạng sử dụng mạng nơ-rôn TSK để kiểm chứng hiệu quả của các giải pháp đề xuất.

Nghiên cứu này, đề xuất sử dụng phép phân tích tín hiệu theo các hàm cơ sở wavelet. Các phương pháp trích chọn đặc tính được sử dụng bộ lọc thích nghi và phương pháp ICA, phương pháp PCA… Dữ liệu cơ sở được sử dụng gồm bộ dữ liệu cơ sở loạn nhịp MIT-BIH, bộ dữ liệu cơ sở nhịp tim, nhịp thở và huyết áp MGH/MF. Nghiên cứu đã sử dụng phương pháp để trích trọng đặc tính như việc ứng dụng việc phân tích giá trị kỳ dị SVD theo hàm Hermite để phân tích tín hiệu ECG và dùng mạng nơ-rôn logic mờ TSK để nhận dạng tín hiệu. Có 4 kịch bản nhận dạng đã được xây dựng trong nghiên cứu áp dụng với 2 bộ mẫu MIT-BIH và MGH/MF.

Qua nghiên cứu cho thấy sau khi loại bỏ ảnh hưởng của nhịp thở trong tín hiệu điện tim ECG hoặc sử dụng thêm thông tin về nhịp thở có thể cải thiện được chất lượng nhận dạng tín hiệu ECG. Kết quả đạt được trên cơ sở nhịp thở thu được từ cảm biến gia tốc so với số nhịp thở thực tế ở trạng thái thở chậm và bình thường cho độ chính xác 100% và thở nhanh đạt độ chính xác 98,35%

Kết hợp mạng Nơ-rôn và biến đổi Wavelet trong nhận dạng phức bộ QRS [1]

Nghiên cứu đã sử dụng 1 đoạn tín hiệu có độ dài 1800 mẫu trong bản ghi 108 cơ sở dữ liệu MIT-BIH để kiểm tra thuật toán Sau khi huấn luyện, lấy tín hiệu ECG ban đầu trừ đi đầu ra của mạng Nơ-rôn ta tìm được lỗi dự báo của mạng là các đỉnh có biên độ lớn có vị trí tương ứng với QRS. Sử dụng phương pháp đặt ngưỡng, ta tìm được các đỉnh tương ứng bao trùm toàn bộ phức bộ QRS. Như vậy, thuật toán cho kết quả nhận dạng tốt đối với các bản ghi có đỉnh R âm cũng như bản ghi xuất hiện các đỉnh nhọn bất thường không phải đỉnh R (bản ghi người bị bệnh tim).

Tuy nhiên, đối với các bản ghi bị nhiễu rất mạnh, quá trình nhận dạng gặp nhiều khó khăn. Để khắc phục vấn đề này, chúng ta kết hợp với biến đổi wavelet để nâng cao hiệu quả nhận dạng. Lỗi dự báo sẽ đi qua một khối trung gian, đó là khối biến đổi Wavelet:

Lỗi dự

báo

Biến đổi Wavelet

Bình

phương

Cửa sổ tích phân

Xác định QRS

Hình 1.6. Các khối xử lý tín hiệu

Mục đích của khối biến đổi Wavelet là loại bỏ ảnh hưởng của nhiễu mạnh. Thuật toán nhận dạng thông thường cho kết quả rất xấu đối với tín hiệu bị nhiễu mạnh; còn thuật toán kết hợp Nơ-rôn và Wavelet cho kết quả nhận dạng rất tốt.

Như vậy, nghiên cứu đã trình bày hoàn chỉnh phương pháp kết hợp mạng Nơ- rôn và biến đổi Wavelet trong nhận dạng sóng điện tim QRS. Ngay cả với tín hiệu điện tim chưa được tiền xử tốt, bị nhiễu rất mạnh (nhiễu tạp trắng, trôi đường cơ sở...), thuật toán vẫn cho kết quả nhận dạng rất tốt. Thuật toán được kiểm chứng với các bản ghi MIT-BIH đã được các bác sỹ trực tiếp ghi chú vị trí phức bộ QRS. Nếu kết hợp với việc tiền xử lý tốt tín hiệu đầu vào, chúng ta sẽ có được một thuật toán nhận dạng QRS có độ tin cậy cao.

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 [2]

Tín hiệu điện tâm đồ ECG là một trong những tín hiệu y sinh đã được nghiên cứu rộng rãi và sử dụng cho việc chẩn đoán bệnh. ECG đã và đang rất được quan tâm đến bởi các thiết bị lẫn quá trình đo còn gặp rất nhiều vấn đề, tín hiệu ECG thu được rất dễ bị ảnh hưởng bởi nhiều loại nhiễu khác nhau cũng như chồng lẫn trong quá trình đo và thu thập dữ liệu. Nhiễu ở đây có thể kể đến: nhiễu cơ do ảnh hưởng cử động của