Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim

nhận đĕng: 31/12/2019 Tóm tắt Nội dung chính của bài báo này là đề xuất giải pháp nâng cao chất lượng (độ chính xác) nhận dạng tín hiệu điện tim ECG (ElectroCardioGraphy), dựa trên việc sử dụng cây quyết định nhị phân (Binary Decision Tree) để phối hợp nhiều mô hình nhận dạng đơn là các mạng nơron kinh điển MLP (Multi Layer Perceptron), mạng nơron logic mờ TSK (Takaga-Sugeno-Kang), máy học vectơ hỗ trợ SVM (Support Vectơ Machines) và rừng ngẫu nhiên RF (Random Forest). Sử dụng các hàm cơ sở Hermite (Hermite Basis Functions) để khai triển phức bộ QRS và hai đặc tính về thời gian là khoảng cách giữa hai đỉnh R liên tiếp (R-R), giá trị trung bình của 10 khoảng cách R-R cuối cùng. Các thuật toán đã được triển khai thử nghiệm trên các bộ mẫu số liệu kinh điển của quốc tế cơ sở dữ liệu MIT-BIH (Massachusetts Institute of Technology, Boston’s Beth Israel Hospital) và cơ sở dữ liệu MGH từ trang web Từ khóa: Mạng nơron; MLP; TSK; SVM; hệ thống tích hợp; cây quyết định; chức nĕng cơ sở Hermite; tín hiệu điện tâm đồ (ECG); IC FPAA; IC ARM. Abstract The paper presents a solution to improve the accuracy of arrhythmia recognition based on the integration of multiple classifiers using the binary decision tree. The solution uses as the single classifiers the classical MLP (Multi Layer Perceptron), neuro-fuzzy TSK network (Takaga-Sugeno-Kang), SVM (Support Vectơ Machines) and RF (Random Forest). The Hermite basis functions were used to generate the feature vectơs together with 2 time-based features: the last R-R period and the average of last 10 R-R periods. The proposed solution was tested with ECG signals taken from 2 databases MIT-BIH (Massachusetts Institute of Technology, Boston’s Beth Israel Hospital) and MGH available at Keywords: Neural network; MLP; TSK; SVM; Integrated System; Decision Tree; Hermite Basis Functions; Electrocardiogram (ECG) Signals; IC FPAA; IC ARM. Người phản biện: 1. PGS.TS. Trần Vệ Quốc 2. PGS.TS. Bạch Long Giang CÁC CHỮ VIẾT TẮT ARM Advanced RISC Machine DT Decision Tree ECG ElectroCardioGram FN False Negative FP False Positive FPAA Field Programable Analog Arrays IC Intergrated Circuit MIT-BIH MIT-BIH Arrhythmia Database MGH/MF MGH/MF Waveform Database MLP Multi Layer Perceptron Network PC Personal Computer QRS QRS Complex RF Random Forest SD Secure Digital SVD Singular Value Decomposition SVM Support Vectơ Machines 28 NGHIÊN CỨU KHOA HỌC Tạp chí Nghiên cứu khoa học,Trường Đại học Sao Đỏ, ISSN 1859-4190 Số 4 (67).2019 1. ĐẶT VẤN ĐẾ Tín hiệu điện tim ECG có độ biến đổi rất mạnh cả về hình dáng, biên độ ở các trường hợp bệnh lý. Tín hiệu cũng dễ bị ảnh hưởng bởi nhiễu từ bên ngoài, tình trạng sức khỏe hay tâm lý của bệnh nhân. Nên nhận dạng ECG là một trong những bài toán khó. Thực tế hiện nay có nhu cầu về thiết bị đo điện tim thông minh có chức nĕng nhận dạng tự động các trường hợp bệnh lý, yêu cầu giải pháp nhận dạng cần có độ chính xác cao và phân biệt được nhiều loại bệnh để có thể áp dụng cho nhiều đối tượng bệnh nhân, Xuất phát từ những nhu cầu thực tế trên, mục tiêu đặt ra của bài báo này là đề xuất một giải pháp để nâng cao chất lượng nhận dạng tín hiệu điện tim (giảm số mẫu nhận dạng sai). Hiện nay, đã có rất nhiều các giải pháp khác nhau để nâng cao chất lượng nhận dạng tín hiệu điện tim ECG được các tác giả trong nước và quốc tế nghiên cứu và công bố, như từ khâu thu thập, tiền xử lý, trích chọn đặc tính hay khối nhận dạng (phi tuyến). Đa số các giải pháp đều ở dạng “mô hình đơn”, một số ít các giải pháp ở dạng “mô hình phối hợp”. Như trong nghiên cứu [1], tác giả kết hợp hai mô hình đơn là SVM và PSO (Particles Swarm Optimization) kết quả thử nghiệm trên bộ cơ sở dữ liệu L MIT-BIH có độ chính xác tĕng khoảng 4% so với khi sử dụng SVM đơn lẻ, hay như trong công trình [4] tác giả kết hợp mạng logic mờ Fuzzy KNN (Fuzzy K Nearest Neighbors) và mạng MLP cho kết quả có độ chính xác được cải thiện từ 97,3% lên 98%. Xu thế đang phát triển hiện nay là sử dụng các mô hình phối hợp để nhận dạng, nhất là các bài toán đòi hỏi độ nhận dạng có chính xác cao như nhận dạng tín hiệu điện tim ECG, mô hình sử dụng nhiều mô hình nhận dạng đơn để đưa ra các kết luận (có thể khác biệt) sau đó thêm một khâu xử lý nữa để tổng hợp lại các kết quả từ các mô hình nhận dạng đơn để đưa ra kết luận cuối cùng, một số ưu điểm của giải pháp “mô hình phối hợp”: - Mỗi “mô hình đơn” được coi như một chuyên gia độc lập, việc phối hợp nhiều chuyên gia sẽ cho kết quả đáng tin cậy hơn. - Sử dụng các đánh giá từ nhiều góc độ, từ nhiều phương pháp khác nhau nên thông tin có thể phong phú hơn dẫn tới chất lượng quyết định sẽ cao hơn. Tuy nhiên, mô hình này cũng có một số nhược điểm như: - Hệ thống sẽ cồng kềnh, phức tạp hơn. - Cần xây dựng phương pháp tổng hợp phù hợp, nếu phối hợp không tốt thì sẽ làm kết quả kém đi. Hình 1. Sơ đồ chung của mô hình phối hợp Sơ đồ khối tổng quát của giải pháp phối hợp được trình bày như trên hình 1, trong đó các hệ thống nhận dạng đơn sẽ xử lý cùng một tín hiệu đầu vào từ đối tượng (nhưng theo các cách khác nhau) và đầu ra của các hệ thống nhận dạng đơn sẽ tạo thành đầu vào của khối tổng hợp, kết quả của khối tổng hợp cũng sẽ là kết quả nhận dạng cuối cùng. Từ mục đích đặt ra ở trên, qua tìm hiểu, phân tích những ưu điểm của các giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG, bài báo lựa chọn theo hướng nghiên cứu thứ hai, tức là sử dụng mô hình phối hợp song song nhiều mô hình nhận dạng đơn. Một số phương pháp tổng hợp kết quả đã được các tác giả khác áp dụng như [5, 6]: - Biểu quyết theo đa số (Majority voting). - Biểu quyết có trọng số (Weighted voting). - Tổng hợp theo xác suất điều kiện Bayes, Bài báo này đã đề xuất sử dụng Cây quyết định nhị phân (Binary Decision Tree) làm khối tổng hợp kết quả và các mô hình nhận dạng đơn được sử dụng là: mạng nơron kinh điển MLP, mạng nơron logic mờ TSK, máy vectơ hỗ trợ SVM và rừng ngẫu nhiên RF. Các mô hình đơn này được lựa chọn do đây là các kết quả đã được công bố trên các tạp chí và hội thảo quốc tế nên đảm bảo được sự khách quan và tính chính xác [7], đồng thời cũng là những kết quả đươc thực hiện trên cùng một bộ số liệu đầu vào nên việc so sánh sẽ thuận tiện và có tính thuyết phục, trong đó phương pháp rừng ngẫu nhiên RF được nhóm tác giả xây dựng thêm ở trong bài báo này. Theo hình 2, giả thiết mỗi khối nhận dạng đơn Ci sẽ tạo ra đầu ra kết quả tương ứng y i (i = 1,2,...,M) nó là một giá trị chứa mã nhận dạng. Khi đó đầu vào của cây quyết định sẽ là vectơ tổng hợp x = [y i , y i ,...y M ]. Đầu ra của Cây quyết định z sẽ là kết luận cuối cùng về nhịp tim đang xử lý. Mô hình nhận dạng đơn 1 Mô hình nhận dạng đơn 2 Mô hình nhận dạng đơn M y1 y2 y M ECG zHệ thống tổng hợp kết quả 29 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190 Số 4 (67).2019 Hình 2. Mô hình kết hợp sử dụng cây quyết định 2. CÂY QUYẾT ĐỊNH Cây quyết định DT (Decision Tree) là một mô hình phân loại dữ liệu kinh điển đã được sử dụng rất rộng rãi trong nhiều ứng dụng thực tế. Cây thường được mô tả ở dạng cấu trúc phân tầng như trên hình 3. Cây gồm một tập hợp các nút và nhánh với các điều kiện sau: - Tồn tại một nút được gọi là nút gốc. - Nút chứa điều kiện phân nhánh. - Ở nút lá (không có nhánh con) thì kết quả nhận dạng sẽ là kết quả chung của lá. Cây quyết định có các nút điều kiện đơn giản nhưng do phối hợp nhiều nút nên ta có được hàm phân chia có độ phi tuyến cao phù hợp với các bài toán phân loại phức tạp, nhưng việc xây dựng các điều kiện nút vẫn tương đối đơn giản (bài báo sử dụng thuật toán ID3 để xây dựng cây). Hình 3. Ví dụ về cấu trúc của cây quyết định Trong bài báo sử dụng cây nhị phân (bậc 2) để đơn giản hóa việc mô tả các thuật toán, điều này không làm giảm tính tổng quát của cây do một cây bậc bất kỳ đều có thể chuyển về một cây nhị phân tương đương như trong hình 4. Hình 4. Phương pháp chuyển một nút bậc cao (hình trái) thành một nút nhị phân (bậc 2) (hình phải) C1 C2 CM Trích chọn đặc tính Tổng hợp kết quả = Cây quyết định y1 y2 yM Thu thập và tiền xử lý ECG z . . . 3. CÁC MÔ HÌNH NHẬN DẠNG ĐƠN 3.1. Mạng nơron MLP Mạng MLP là mạng nơron phổ biến, nó là một mạng truyền thẳng với các phần tử cơ bản gọi là nơron. Trong bài báo sử dụng mạng MLP với một lớp ẩn có cấu trúc như hình 5. Nhiệm vụ đặt ra là phải xác định cấu trúc cố định cho mạng MLP: số lớp ẩn, hàm truyền đạt của mỗi lớp, số lượng nơron trên mỗi lớp, trọng số ghép nối giữa nơron trong mô hình MLP có thể được điều chỉnh lại cho phù hợp trong quá trình học để xuất các tín hiệu đầu ra mong muốn. Thuật toán của quá trình học được sử dụng cho mô hình MLP trong bài báo này đã được đề xuất bởi Levenberg và Marquardt [9]. Hình 5. Mạng MLP với một lớp ẩn 3.2. Mạng nơron mờ TSK Mô hình nhận dạng đơn thứ hai được sử dụng trong bài báo là mạng Takagi-Sugeno-Kang (TSK). Mạng TSK đã được trình bày khá chi tiết trong [9] nên trong bài báo này sẽ không trình bày lại nữa, bài báo sử dụng mô hình TSK có cấu trúc như trong nghiên cứu [7, 8]. 3.3. Mô hình phân loại SVM Mô hình nhận dạng đơn thứ ba dùng trong bài báo này là SVM (Support Vectơ Machine) hay còn gọi là máy vectơ hỗ trợ. Mặc dù mô hình SVM chỉ phân chia dữ liệu thành hai lớp, tuy nhiên việc phân loại đối với nhiều lớp hơn cũng không hề phức tạp, có thể áp dụng phương pháp một chọi một, hay một chọi tất cả như trong nghiên cứu [5]. Phương pháp hiệu quả hơn là phương pháp một chọi một, ở phương pháp này nhiều mạng SVM được xây dựng để phân loại trong tất cả các tổ hợp của hai lớp dữ liệu. Với N lớp, chúng ta phải xây dựng mạng SVM đơn lẻ. X=? Đối tượng nhận dạng AA BB CC X=A X=B X=C Đối tượng ận dạng X=? Đối tượng nhận dạng AA BB CC X=A X=B X=C X=A Đối tượng nhận dạng AA X=B X=A X≠ A BB CC X=B X≠ B Đối tượng hậ dạng Đối tượng hậ dạng Input layer Hidden layer Output layer 30 NGHIÊN CỨU KHOA HỌC Tạp chí Nghiên cứu khoa học,Trường Đại học Sao Đỏ, ISSN 1859-4190 Số 4 (67).2019 3.4. Rừng ngẫu nhiên RF Mô hình nhận dạng đơn cuối cùng dùng trong bài báo này là mô hình rừng ngẫu nhiên RF (Random Forest) được phát triển từ L. Breiman (2001) [3], cấu trúc cơ bản của mô hình RF là tập hợp số lượng lớn N các cây quyết định không cắt tỉa, cấu trúc của mỗi cây quyết định được huấn luyện ngẫu nhiên từ một tập dữ liệu mẫu biết trước. Các bước tạo cấu trúc của RF: - Đầu vào là tập dữ liệu dùng để huấn luyện. - Mỗi mô hình RF là tập hợp N cây quyết định với N được lựa chọn trước. - Cấu trúc của mỗi cây quyết định được huấn luyện bởi một tập mẫu lấy ngẫu nhiên trong bộ mẫu chung. - Các cây quyết định đơn không cần sử dụng các thuật toán cắt tỉa để giảm nút lá hoặc để giảm số tầng của cây. - Khâu tổng hợp các kết quả nhận dạng từ N cây quyết định phổ biến sử dụng phương pháp bỏ phiếu theo đa số để đưa ra kết quả cuối cùng cho RF. Như vậy đối với một mẫu dữ liệu mới đưa vào để kiểm tra, trước tiên nó được đưa qua N cây quyết định để phân loại, mỗi cây sẽ có 1 kết quả riêng (có thể giống hoặc khác nhau) và N kết quả này sẽ đưa vào khâu tổng hợp để xử lý và đưa ra kết quả cuối cùng. 4. TRÍCH CHỌN ĐẶC TÍNH VÀ CƠ SỞ DỮ LIỆU TÍN HIỆU ĐIỆN TIM ECG 4.1. Trích chọn đặc tính tín hiệu điện tim Bài báo sử dụng các hàm cơ sở Hermite (Hermite Basis Functions) để khai triển các phức bộ QRS nhằm lấy các hệ số khai triển làm vectơ đặc trưng của tín hiệu. Ngoài ra ta còn sử dụng thêm hai đặc tính về thời gian: khoảng cách giữa hai đỉnh R liên tiếp, giá trị trung bình của 10 khoảng cách R-R cuối cùng. Hàm Hermite có công thức như sau: Với ( )nH x là đa thức Hermite được định nghĩa ở dạng đệ quy: Cho n ≥ 1 với Quan sát trên hình 6 ta có thể bậc của hàm Hermite càng cao thì tốc độ biến thiên của hàm càng lớn, hay nói cách khác hàm sẽ chứa nhiều thành phần bậc càng cao. Đồng thời dáng điệu của các hàm cũng khá tương đồng với hình dạng các thành phần cơ bản trong tín hiệu ECG. Đây chính là cơ sở của việc sử dụng hàm Hermite để phân tích tín hiệu điện tim ECG. Hình 6. Đồ thị của hàm Hermite bậc n: a) n=0; b) n=1; c) n=3; d) n=10 Để biểu diễn tín hiệu điện tim s(t) theo N hàm Hermite đầu tiên như trong công thức (3), ta sử dụng phân tích theo các giá trị kỳ dị SVD (Singular Value Decomposition) để tìm nghiệm tối ưu của hệ phương trình bậc nhất có số phương trình nhiều hơn số ẩn, chi tiết có thể tìm hiểu trong [7, 8]. Hình 7. Xấp xỉ tín hiệu ECG bằng N hàm Hermite đầu tiên: a) N=5; b) N=10; c) N=12; d) N=16 Từ hình 7 ta có thể nhận thấy tín hiệu ECG và nhất là đoạn phức bộ QRS đã được xấp xỉ rất tốt khi sử dụng 16 hàm Hermite cơ sở đầu tiên, sai số tại các đỉnh Q, R và S nhỏ, trong hình 8 ta thấy ngay cả với các trường hợp bệnh lý, tín hiệu biến thiên s(t)≈ c i i=0 N−1∑ ⋅ψi(t) (3) 𝜓𝜓!(𝑥𝑥) = (√𝜋𝜋 ⋅ 2! ⋅ 𝑛𝑛!)"#$𝑒𝑒"%!$ 𝐻𝐻!(𝑥𝑥) (1) (2)𝐻𝐻!"#(𝑥𝑥) = 2𝑥𝑥 ⋅ 𝐻𝐻!(𝑥𝑥) − 2𝑛𝑛 ⋅ 𝐻𝐻!$#(𝑥𝑥) 0 1( ) 1; ( ) 2 .H x H x x∫ = (a) (b) (d)(c) 31 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190 Số 4 (67).2019 mạnh thì việc khai triển tới 16 hàm Hermite cơ sở đầu tiên vẫn khá tốt. Hình 8. Hình ảnh xấp xỉ tín hiệu ECG bằng 16 hàm Hermite đầu tiên đối với một số loại nhịp tim khác Tập hợp 16 các giá trị này được sử dụng để tạo thành vectơ đặc tính của tín hiệu điện tim. Ngoài ra sử dụng thêm hai đặc tính về thời gian: khoảng cách giữa hai đỉnh R liên tiếp R-R, giá trị trung bình của 10 khoảng cách R-R cuối cùng. Như vậy, vectơ đặc tính có 18 giá trị. 4.2. Cơ sở dữ liệu của tín hiệu điện tim ECG a) Cơ sở dữ liệu MIT-BIH Bộ cơ sở dữ liệu tín hiệu điện tim ECG đầu tiên sử dụng trong bài báo là bộ cơ sở dữ liệu về chứng loạn nhịp tim nổi tiếng MIT BIH [2], lựa chọn lấy các bản ghi của 19 bệnh nhân (mã số trong cơ sở dữ liệu là 100, 105, 106, 109, 111, 114, 116, 118, 119, 124, 200, 202, 207, 208, 209, 212, 214, 221 và 222), phân loại 6 kiểu rối loạn nhịp tim được xem xét là: block nhánh trái (L), block nhánh phải (R), ngoại tâm thu nhĩ (A), ngoại tâm thu thất (V), rung thất (I) và tâm thất lỗi nhịp (E) và 1 kiểu nhịp bình thường (N). Số lượng chi tiết mẫu lấy từ bản ghi của 19 bệnh nhân được thống kê chi tiết trong bảng 1 và bảng 2 dưới đây: Bảng 1. Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 7 loại rối loạn nhịp tim từ CSDL MIT-BIH Loại nhịp Tổng số mẫu Số mẫu học Số mẫu kiểm tra N 2000 1065 935 L 1200 639 561 R 1000 515 485 A 902 504 398 V 964 549 451 I 472 271 201 E 105 68 37 Tổng 6643 3611 3068 Bảng 2. Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 2 loại nhịp Loại nhịp Tổng số mẫu Số mẫu học Số mẫu kiểm tra Normal 2000 1065 935 Abnormal 4643 2546 2133 Tổng 6643 3611 3068 b) Cơ sở dữ liệu MGH Bộ cơ sở dữ liệu thứ hai là MGH [11], bộ CSDL này gồm có 250 bản ghi của tín hiệu ECG, thu thập từ 250 bệnh nhân tim mạch tại các phòng chĕm sóc đặc biệt, phòng mổ, phòng thí nghiệm thông tim,... tại Bệnh viện Đa khoa Massachusetts. Bài báo lựa chọn sử dụng các mẫu tín hiệu ECG của 20 bản ghi có mã số là: 029, 030, 058, 105, 106, 107, 108, 110, 111, 114, 117, 119, 121, 123, 124, 125, 128, 131, 137, 142, lấy ra tổng 4500 mẫu với 3 loại nhịp: bình thường (N - Normal sinus rhythm), nhịp ngoại tâm thu thất (V - Premature ventricular contraction) và loạn nhịp trên thất (S - Supraventricular premature beat). Số lượng chi tiết số mẫu sử dụng được thống kê chi tiết trong bảng 3 và bảng 4 dưới đây. Bảng 3. Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 3 loại nhịp Loại nhịp Tổng số mẫu Số mẫu học Số mẫu kiểm tra N 3000 1997 1003 S 750 502 248 V 750 501 249 Tổng 4500 3000 1500 Bảng 4. Bảng phân chia số lượng mẫu học và mẫu kiểm tra của 2 loại nhịp Loại nhịp Tổng số mẫu Số mẫu học Số mẫu kiểm tra Normal 3000 1997 1003 Abnormal 1500 1003 497 Tổng 4500 3000 1500 5. KẾT QUẢ TÍNH TOÁN 5.1. Kết quả thử nghiệm trên bộ cơ sở dữ liệu MIT-BIH a) Nhận dạng 7 loại nhịp tim Với bốn mô hình nhận dạng đơn MLP, SVM, TSK, RF trong bài báo, các thông số của các mô hình này được huấn luyện độc lập trên cùng một bộ dữ liệu học, có kết quả như sau: - Đầu tiên, với cấu trúc của mô hình MLP có 1 lớp ẩn, với 20 nơron, trong đó có 7 nơron đầu ra (tương ứng với 7 loại rối loạn nhịp tim). 32 NGHIÊN CỨU KHOA HỌC Tạp chí Nghiên cứu khoa học,Trường Đại học Sao Đỏ, ISSN 1859-4190 Số 4 (67).2019 - Còn đối với các thông số của mô hình SVM: với 7 lớp và theo phương pháp 1 chọi 1 để tìm ra lớp chiến thắng trong mô hình SVM. Cho bộ mẫu có 7 lớp nên nhóm tác giả phải xây dựng 21 mạng SVM đơn lẻ cho từng cặp tổ hợp 2 loại tín hiệu một lúc. - Cấu trúc của mạng TSK có 21 luật suy luận và 7 kết quả đầu ra. - Cuối cùng mô hình RF có 100 cây quyết định, mỗi cây có tối đa 9 tầng, tổng hợp kết quả theo phương pháp bỏ phiếu theo đám đông. Tất cả kết quả đầu ra từ các mô hình nhận dạng đơn trên sẽ được đẩy vào đầu vào cho Cây quyết định DT, và sẽ có thêm một quá trình học nữa để xây dựng các thông số cho Cây quyết định DT, kết quả cuối cùng của quá trình nhận dạng tín hiệu điện tim ECG là đầu ra của Cây quyết định DT. Đối với 4 mô hình nhận dạng đơn trên ta sẽ thử nghiệm các trường hợp tổng hợp kết quả từ 3 mô hình (có 4 khả nĕng phối hợp là MLP-TSK-SVM; MLP-TSK-RF; MLP-RF-SVM và RF-TSK-SVM) và có 1 mô hình phối hợp cả 4 mô hình đơn MLP- SVM-TSK-R. Sử dụng chung một bộ dữ liệu mẫu để kiểm tra mô hình nhận dạng. Kết quả kiểm tra này sẽ được sử dụng để so sánh với kết quả của các nghiên cứu trước. Trong bảng 5 và hình 9 thể hiện kết quả sai số kiểm tra của 4 mô hình nhận dạng cơ sở MLP, TSK, SVM, RF và 4 mô hình phối hợp. Tất cả các mạng mô hình phân loại đầu tiên sẽ được huấn luyện trên cùng một bộ dữ liệu học và sau đó được kiểm tra trên một bộ dữ liệu kiểm tra khác. Bảng 5. Kết quả nhận dạng 7 loại nhịp (CSDL MIT-BIH) bằng các mô hình đơn và các mô hình kết hợp Hệ thống phân loại Sai số Sai số (%) MLP 110 3,59 TSK 100 3,26 SVM 60 1,96 RF 70 2,28 MLP-TSK-SVM 38 1,24 MLP-TSK-RF 43 1,40 MLP-RF-SVM 40 1,30 RF-TSK-SVM 39 1,27 MLP-TSK-SVM-RF 37 1,21 Từ bảng 5 ta có thể thấy kết quả của các mô hình phối hợp sử dụng cây quyết định DT đã được cải thiện hơn so với kết quả của các mô hình nhận dạng đơn. Chất lượng của mô hình phối hợp phụ thuộc vào chất lượng của từng mô hình nhận dạng đơn và số lượng mô hình đơn, thông thường số lượng mô hình nhận dạng đơn càng lớn thì cho ra kết quả tổng hợp càng tin cậy hơn. Hình 9. Đồ thị cột thể hiện số mẫu nhận dạng sai của các mô hình nhận dạng - bộ cơ sở dữ liệu MIT-BIH - phân loại 7 loại nhịp tim b) Nhận dạng hai loại nhịp tim bình thường và bất thường Thực hiện tương tự như đối với khi các mô hình nhận dạng 7 loại nhịp tim ở mục (a), ta xây 4 mô hình nhận dạng đơn MLP, SVM, TSK, RF và có kết quả như sau: - Đầu tiên, với cấu trúc của mô hình MLP có 1 lớp ẩn, với 20 nơron, trong đó có 2 nơron đầu ra (tương ứng với hai loại nhịp tim bình thường và bất thường). - Còn đối với các thông số của mô hình SVM chỉ cần xây dựng với 1 lớp và theo phương pháp 1 chọi 1 để phân loại hai loại nhịp tim bình thường và bất thường. - Cấu trúc của mạng TSK có 18 luật suy luận và 2 kết quả đầu ra. - Cuối cùng mô hình RF có 100 cây quyết định, mỗi cây có 9 tầng, tổng hợp kết quả theo phương pháp bỏ phiếu theo đám đông. Bảng 6. Kết quả nhận dạng hai loại nhịp (CSDL MIT- BIH) bằng các mô hình đơn và các mô hình kết hợp Hệ thống phân loại Sai số Sai số (%) MLP 39 1,27 TSK 41 1,34 SVM 26 0,85 RF 37 1,21 Tích hợp MLP-TSK-SVM 21 0,68 Tích hợp MLP-TSK-RF 22 0,72 Tích hợp MLP-RF-SVM 23 0,75 Tích hợp RF-TSK-SVM 16 0,52 Tích hợp MLP-TSK-SVM-RF 15 0,49 Từ bảng 6 ta có thể thấy đối với trường hợp phân loại hai loại nhịp tim bình thường và bất thường, ta cũng thu được kết quả của các mô hình phối hợp sử dụng cây quyết định DT cao hơn đáng kể so với kết quả của các mô hình nhận dạng đơn. Số mẫu nhận dạng sai 33 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190 Số 4 (67).2019 Hình 10. Đồ thị cột thể hiện số mẫu nhận dạng sai của các mô hình nhận dạng - bộ CSDL MIT-BIH - phân loại hai loại nhịp tim bình thường và bất thường 5.2. Kết quả thử nghiệm trên bộ CSDL MGH Để đánh giá thêm độ chính xác và tin cậy của mô hình nhận dạng phối hợp bằng Cây quyết định DT, bài báo thử nghiệm thêm với bộ CSDL MGH, và thu được các kết quả như trong bảng 7 và bảng 8. Bảng 7. Kết quả nhận dạng ba loại nhịp (CSDL MGH/MF) bằng các mô hình đơn và các mô hình kết hợp Hệ thống phân loại Sai số Sai số (%) MLP 66 4,40 TSK 73 4,87 SVM 32 2,13 RF 96 6,40 Tích hợp MLP-TSK-SVM 25 1,67 Tích hợp MLP-TSK-RF 30 2,00 Tích hợp MLP-RF-SVM 25 1,67 Tích hợp RF-TSK-SVM 25 1,67 Tích hợp MLP-TSK-SVM-RF 21 1,40 Hình 11. Đồ thị cột thế hiện số mẫu nhận dạng sai của các mô hình nhận dạng - bộ CSDL MGH - phân loại ba loại nhịp tim Bảng 8. Kết quả nhận dạng hai loại nhịp (CSDL MGH/MF) Hệ thống phân loại Sai số Sai số (%) MLP 37 2,47 TSK 62 4,13 SVM 20 1,33 RF 78 5,20 Số mẫu nhận dạng sai Số mẫu nhận dạng sai Tích hợp MLP-TSK-SVM 17 1,13 Tích hợp MLP-TSK-RF 20 1,33 Tích hợp MLP-RF-SVM 19 1,27 Tích hợp RF-TSK-SVM 18 1,20 Tích hợp MLP-TSK-SVM-RF 15 1,00 Hình 12. Đồ thị cột thể hiện số mẫu nhận dạng sai của các mô hình nhận dạng - bộ CSDL MGH - phân loại hai loại nhịp tim bình thường và bất thường 5.3. Đánh giá kết quả Từ các kết quả thử nghiệm trên, ta có một số đánh giá như sau: - Qua các kết quả thử nghiệm trên bộ cơ sở dữ liệu MIT-BIH và MGH/MF (là được các nhóm nghiên cứu quốc tế thường dùng để tham chiếu), bài báo đã minh chứng được giải pháp kết hợp song song nhiều mô hình nhận dạng cơ sở bằng Cây quyết định DT đã tiếp tục nâng cao chất lượng kết quả nhận dạng tín hiệu điện tim ECG. Sai số kiểm tra (số mẫu nhận dạng sai) của các mô hình kết hợp đều thấp hơn so với các mô hình nhận dạng cơ sở. - Riêng có một trường hợp bằng nhau - trong bảng 8, sai số của mô hình SVM và mô hình kết hợp MLP-TSK-RF có số mẫu nhận dạng sai là 20. 6. KẾT LUẬN Bài báo đã đề xuất được giải pháp nâng cao chất lượng nhận dạng tín hiệu điện tim ECG dựa trên việc sử dụng cây quyết định DT để phối hợp nhiều mô hình nhận dạng đơn. Các thuật toán đã phần nào được triển khai thử nghiệm trên các bộ mẫu số liệu kinh điển của quốc tế là MIT-BIH và MGH/ MF đã được các nhóm nghiên cứu quốc tế thường dùng để tham chiếu. TÀI LIỆU THAM KHẢO [1] Bazi F. and Melgani Y. (2008), Classification of electrocardiogram signals with support vectơ machines and particle swarm optimization, IEEE Transactions on Information Technology in Biomedicine, vol. 12(5), pp. 667- 677. Số mẫu nhận dạng sai 34 NGHIÊN CỨU KHOA HỌC Tạp chí Nghiên cứu khoa học,Trường Đại học Sao Đỏ, ISSN 1859-4190 Số 4 (67).2019 [2] G. và R. Mark Moody, (2001), The impact of the MIT-BIH Arrhythmia Database, IEEE Eng. in Medicine and Biology 20(3): 45-50. [3] L. Breiman (2001), Random forests. Machine Learning, Vol. 45, pp.5-32. [4] O. Castillo, E. Ramírez, J. Soria (2010), Hybrid System for Cardiac Arrhythmia Classification with Fuzzy K-Nearest Neighbors and Multi- Layer Perceptrons combined by a Fuzzy Inference System, 2010 International Joint Conference on Neural Networks (IJCNN), pp. 1-6. [5] 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. [6] 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. [7] Trần Hoài Linh, Phạm Vĕn Nam, Vương Hoàng Nam (2014), Multiple neural network integration using a binary decision tree to improve the ECG signal recognition accuracy, International Journal of Applied Mathematics and Computer Science. Volume 24, Issue 3, pp. 647-655. [8] Trần Hoài Linh, Phạm Vĕn Nam, Nguyễn Đức Thảo (2015), A hardware implementation of intelligent ECG classifier, COMPEL: The International Journal for Computation and Mathematics in Electrical and Electronic Engineering, vol. 34, Iss: 3, pp. 905-919. [9] Trần Hoài Linh (2014), Mạng nơron và ứng dụng trong xử lý tín hiệu. Nhà xuất bản Bách Khoa Hà Nội. [10] 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. [11] THÔNG TIN TÁC GIẢ Đỗ Vĕn Đỉnh - Tóm tắt quá trình đào tạo, nghiên cứu (thời điểm tốt nghiệp và chương trình đào tạo, nghiên cứu): + Nĕm 1998: Tốt nghiệp Đại học chuyên ngành Tự động hóa, Trường Đại học Bách khoa Hà Nội + Nĕm 2005: Tốt nghiệp Thạc sĩ chuyên ngành Tự động hóa, Trường Đại học Bách khoa Hà Nội + Nĕm 2018: Tốt nghiệp Tiến sĩ chuyên ngành Điều khiển và Tự động hóa, Trường Đại học Bách khoa Hà Nội - Công việc hiện tại: Giảng viên, cán bộ phòng Khoa học công nghệ và hợp tác quốc tế, Trường Đại học Sao Đỏ - Các nghiên cứu chính là ứng dụng trí tuệ nhân tạo trong các giải pháp đo lường, điều khiển và tự động hóa, các thiết bị đo thông minh - Email: dodinh75@gmail.com - Điện thoại: 0982586160 Phạm Vĕn Kiên - Tóm tắt quá trình đào tạo, nghiên cứu (thời điểm tốt nghiệp và chương trình đào tạo, nghiên cứu): + Nĕm 2002: Tốt nghiệp Đại học chuyên ngành Sư phạm kỹ thuật Tin học, Trường Đại học Bách khoa Hà Nội + Nĕm 2007: Tốt nghiệp Thạc sĩ chuyên ngành Giáo dục nghề nghiệp, Trường Đại học Bách khoa Hà Nội liên kết với trường TU Dresden (Đức) - Công việc hiện tại: Giảng viên, Phó Trưởng Khoa, Trưởng Bộ môn Công nghệ thông tin, Khoa Điện tử - Tin học, Trường Đại học Sao Đỏ - Các nghiên cứu chính: Giải pháp phần mềm, kỹ thuật nhận dạng, trí tuệ nhân tạo - Điện thoại: 0986362233