NGHIÊN CỨU PHÂN LOẠI TÍN HIỆU ĐIỆN TIM ĐỒ DÙNG TINYML

Abstract

Hiện nay, bệnh tim là một trong những nguyên nhân chính gây tử vong trên toàn thế giới. Các bệnh lý liên quan đến tim mạch được phản ánh chủ yếu trên tín hiệu điện tim ECG (ElectroCardioGram). Vì vậy, việc kiểm tra và phân loại tín hiệu điện tim ECG là một trong những bước chẩn đoán căn bản để xác định các bất thường dẫn đến các bệnh lý về tim mạch. Tuy nhiên, việc phân tích ECG truyền thống thường yêu cầu sự can thiệp của con người và kỹ thuật phân tích cao. Để giải quyết những nhu cầu về các nghiên cứu, xây dựng các mô hình nhận dạng tín hiệu điện tim dựa trên bộ tín hiệu điện tim mẫu có độ chính xác và tin cậy cao. Nhóm đã thực hiện việc phân loại điện tâm đồ dùng TinyML (Tiny Machine Learning) là một lĩnh vực nghiên cứu trong máy học (Machine Learning) và các hệ thống nhúng. Đầu tiên, nhóm nghiên cứu đã thu thập dữ liệu từ cơ sở dữ liệu MIT-BIH, một nguồn tài liệu về tín hiệu điện tim ECG được sử dụng rộng rãi. Sau đó, nhóm đã phát triển mô hình nhận dạng chính xác và tin cậy bằng việc sử dụng các kỹ thuật TinyML. Phương pháp này không chỉ giúp giải quyết vấn đề phức tạp của phân loại bệnh tim mà còn tối ưu hoá hiệu suất của mô hình trong điều kiện có giới hạn tài nguyên như trên các thiết bị nhúng. Kết quả nghiên cứu cho thấy mô hình đạt được độ chính xác lên đến 99% ở miền thời gian và đạt độ chính xác 98% trên miền tần số FFT. Khi chuyển TensorFlow Lite kết quả đạt được độ chính xác 99% ở miền thời gian và 97% ở miền tần số FFT.Bên cạnh đó, nhóm đã thực hiện việc phát triển mô hình thu thập tín hiệu điện tim trên cả ba cảm biến AD8232, SEN0213 và CLICK BOARD ECG. Nhằm mục đích mở rộng ứng dụng của mô hình và giúp giải quyết những vấn đề về thu thập tín hiệu điện tim. Tóm lại, với những kết quả đạt được, luận văn đã góp được một phần quan trọng vào việc ứng dụng máy học vào chăm sóc sức khoẻ tim mạch và thu thập tín hiệu điện tim.

Từ khóa: TinyML, ElectroCardioGram, Fast Fourier Transform.