MỘT PHƯƠNG PHÁP CẢI THIỆN ĐỘ CHÍNH XÁC CỦA MÔ HÌNH  HỌC SÂU TRONG VIỆC PHÂN LOẠI CÁC BỆNH LÝ TIM MẠCH  DỰA TRÊN TÍN HIỆU ĐIỆN TÂM ĐỒ

Nguyễn Thu Hường; Đinh Công Tùng; Mai Đức Vinh

doi:10.34238/tnu-jst.12910

MỘT PHƯƠNG PHÁP CẢI THIỆN ĐỘ CHÍNH XÁC CỦA MÔ HÌNH HỌC SÂU TRONG VIỆC PHÂN LOẠI CÁC BỆNH LÝ TIM MẠCH DỰA TRÊN TÍN HIỆU ĐIỆN TÂM ĐỒ

Thông tin bài báo

Ngày nhận bài: 29/05/25 Ngày hoàn thiện: 30/06/25 Ngày đăng: 30/06/25

Các tác giả

1. Nguyễn Thu Hường, Trường Đại học Giao thông vận tải
2. Đinh Công Tùng , Trường Đại học Giao thông vận tải
3. Mai Đức Vinh, Trường Đại học Giao thông vận tải

Tóm tắt

Bài báo này đề xuất một phương pháp cải tiến nhằm nâng cao độ chính xác trong việc phân loại các bệnh lý tim mạch dựa trên tín hiệu điện tâm đồ thông qua việc ứng dụng một mô hình học sâu tích hợp nhiều thành phần. Cụ thể, kiến trúc mô hình được xây dựng dựa trên mạng nơ-ron tích chập một chiều để trích xuất các đặc trưng cục bộ từ tín hiệu điện tâm đồ, qua đó nhận diện hiệu quả các mẫu quan trọng trong dữ liệu đầu vào. Tiếp theo, mạng bộ nhớ dài ngắn hạn được sử dụng để khai thác các mối quan hệ theo thời gian trong tín hiệu, giúp mô hình hiểu được ngữ cảnh và sự biến đổi động của các đặc trưng trong quá trình hoạt động của tim. Nhằm nâng cao khả năng tập trung vào những thông tin có liên quan nhất đến nhiệm vụ phân loại, cơ chế chú ý đa đầu được tích hợp sau lớp bộ nhớ dài ngắn hạn. Cơ chế này cho phép mô hình học các trọng số của từng đoạn trong chuỗi tín hiệu một cách hiệu quả hơn. Kết quả thực nghiệm cho thấy sự kết hợp giữa mạng nơ-ron tích chập một chiều, bộ nhớ dài ngắn hạn và cơ chế chú ý đa đầu mang lại hiệu suất cao, đạt độ chính xác trên 97% trong việc phân loại bốn loại bệnh lý tim. Phương pháp được đề xuất cho thấy tiềm năng đầy hứa hẹn trong việc ứng dụng trí tuệ nhân tạo vào hệ thống chẩn đoán tự động các bệnh lý tim mạch.

Từ khóa

Tín hiệu điện tim; Mạng nơ-ron tích chập một chiều; Bộ nhớ dài ngắn hạn; Cơ chế chú ý đa đầu; Bệnh lý tim mạch

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] G. Sivapalan, K. K. Nundy, S. Dev, B. Cardiff, and D. John, “ANNet: A lightweight neural network for ECG anomaly detection in IoT edge sensors,” IEEE Trans. Biomed. Circuits Syst., vol. 16, no. 1, pp. 24–35, Jan. 2022, doi: 10.1109/TBCAS.2021.3137646.

[2] J. Qin, F. Gao, Z. Wang, D. C. Wong, Z. Zhao, S. D. Relton, and H. Fang, “A novel temporal generative adversarial network for electrocardiography anomaly detection,” Artif. Intell. Med., vol. 136, Jan. 2023, Art. no. 102489, doi: 10.1016/j.artmed.2023.102489.

[3] L. Mohebbanaaz, V. R. Kumar, and Y. P. Sai, “A new transfer learning approach to detect cardiac arrhythmia from ECG,” Signal Image Video Process., vol. 16, no. 7, pp. 1945–1953, Jul. 2022, doi: 10.1007/s11760-022-02155-w.

[4] A. Alamr and A. Artoli, “Unsupervised transformer-based anomaly detection in ECG signals,” Algorithms, vol. 16, no. 3, Mar. 2023, Art. no. 152, doi: 10.3390/a16030152.

[5] X. Zhang, Z. Huo, and Q. Wu, “An ensemble of deep learning-based multi-model for ECG heartbeats arrhythmia classification,” IEEE Access, vol. 9, pp. 101746–101759, Jul. 2021, doi: 10.1109/ACCESS.2021.3096610.

[6] H. Khan, N. Javaid, T. Bashir, M. Akbar, N. Alrajeh, and S. Aslam, “Heart disease prediction using novel ensemble and blending based cardiovascular disease detection networks: EnsCVDD-Net and BlCVDD-Net,” IEEE Access, vol. 12, pp. 109230–109254, Jul. 2024, doi: 10.1109/ACCESS.2024.3421241.

[7] J. Chen, S. Huang, Y. Zhang, et al., “Congenital heart disease detection by pediatric electrocardiogram based deep learning integrated with human concepts,” Nat. Commun., vol. 15, Jan. 2024, doi: 10.1038/s41467-024-44930-y.

[8] H. Li and P. Boulanger, “Structural anomalies detection from electrocardiogram (ECG) with spectrogram and handcrafted features,” Sensors, vol. 22, no. 7, Mar. 2022, Art. no. 2467, doi: 10.3390/s22072467.

[9] U. R. Acharya, H. Fujita, O. S. Lih, Y. Hagiwara, J. H. Tan, and M. Adam, “Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network,” Inf. Sci., vol. 405, pp. 81–90, Sep. 2017, doi: 10.1016/j.ins.2017.04.012.

[10] P. Rajpurkar, A. Y. Hannun, M. Haghpanahi, C. Bourn, and A. Y. Ng, “Cardiologist-level arrhythmia detection with convolutional neural networks,” arXiv preprint, arXiv:1707.01836, Jul. 2017.

[11] O. Yildirim, U. B. Baloglu, R. S. Tan, and U. R. Acharya, “A deep convolutional neural network model for automated identification of abnormal heart rhythms using ECG signals,” Appl. Soft Comput., vol. 84, Oct. 2019, Art. no. 105619, doi: 10.1016/j.asoc.2019.105619.

[12] B. Tutuko, A. Darmawahyuni, S. Nurmaini, A. E. Tondas, M. N. Rachmatullah, et al., “DAE-ConvBiLSTM: End-to-end learning single-lead electrocardiogram signal for heart abnormalities detection,” PLoS ONE, vol. 17, no. 12, Dec. 2022, Art. no. e0277932, doi: 10.1371/journal.pone.0277932.

[13] T. M. Ingolfsson, H. A. A. Madsen, A. Laursen, and P. Popovski, “ECG-TCN: Wearable Cardiac Arrhythmia Detection with a Temporal Convolutional Network,” IEEE Transactions on Biomedical Circuits and Systems, vol. 17, no. 2, pp. 225–238, Apr. 2023, doi: 10.1109/TBCAS.2023.3240431.

[14] R. Cheng, S. Li, Z. Zhang, J. Chen, and X. Hu, “MSW-Transformer: Multi-Scale Shifted Windows Transformer Networks for 12-Lead ECG Classification,” arXiv preprint arXiv:2311.13583, 2023. [Online]. Available: https://arxiv.org/abs/2311.13583. [Accessed Feb. 15, 2025].

[15] D. Li, J. Zhang, Q. Zhang, and X. Wei, “Classification of ECG signals based on 1D convolution neural network,” in Proc. 2017 IEEE 19th Int. Conf. e-Health Netw., Appl. Serv. (Healthcom), Dalian, China, Oct. 2017, pp. 1–6, doi: 10.1109/HealthCom.2017.8210842.

[16] T. D. Pham, “Time–frequency time–space LSTM for robust classification of physiological signals,” Sci. Rep., vol. 11, Mar. 2021, doi: 10.1038/s41598-021-86390-1.

[17] A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, Ł. Kaiser, and I. Polosukhin, “Attention is all you need,” Adv. Neural Inf. Process. Syst., vol. 30, pp. 5998–6008, Dec. 2017.

[18] T. Kwon, H. Lee, J. Kim, and B. Lee, “Transformer-based stacked multi-head attention model for EEG signal denoising,” Brain Informatics, vol. 10, no. 1, pp. 1–13, 2023.

[19] S. Roy, A. Kiral-Kornek, and D. M. Harrer, “Deep learning enabling technology for epileptic seizure detection using EEG,” in Proc. IEEE EMBC, 2019, pp. 1–4.

[20] Z. Zhao, Q. Zhang, H. Liu, L. Peng, and Y. Li, “Epileptic Seizure Detection Based on Multi-Head Attention Mechanism and CNN-LSTM Network,” IEEE Access, vol. 10, pp. 19424–19435, 2022.

[21] J. Zheng, J. Zhang, S. Danioko, et al., “A 12-lead electrocardiogram database for arrhythmia research covering more than 10,000 patients,” Sci. Data, vol. 7, Feb. 2020, doi: 10.1038/s41597-020-0386-x.

[22] C. W. Cleverdon, “Factors Determining the Performance of Indexing Systems,” Aslib Cranfield Research Project, 1966.

[23] C. J. V. Rijsbergen, Information Retrieval, 2nd ed. Butterworth-Heinemann, 1979.

DOI: https://doi.org/10.34238/tnu-jst.12910

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ