Ứng dụng trí tuệ nhân tạo xây dựng mạng neuron hỗ trợ chẩn đoán bệnh rối loạn nhịp tim

Rối loạn nhịp tim (còn đƣợc gọi là chứng loạn nhịp tim hoặc nhịp tim không đều) là một nhóm các tình trạng trong đó nhịp tim không đều, quá nhanh hoặc quá chậm. Nhịp tim quá nhanh trên 100 nhịp mỗi phút ở ngƣời lớn đƣợc gọi là nhịp tim nhanh, và nhịp quá chậm dƣới 60 nhịp mỗi phút đƣợc gọi là nhịp tim chậm. Nhiều loại rối loạn nhịp tim không có triệu chứng. Khi có triệu chứng, chúng có thể bao gồm đánh trống ngực hoặc cảm thấy tạm dừng giữa các nhịp tim. Trong trƣờng hợp nghiêm trọng hơn, có thể bị chóng mặt, ngất xỉu, khó thở hoặc đau ngực. Trong khi hầu hết các loại rối loạn nhịp tim không nghiêm trọng, một số ngƣời có thể dễ bị biến chứng nhƣ đột quỵ hoặc suy tim. Những ngƣời khác có thể dẫn đến ngừng tim. Chứng loạn nhịp tim ảnh hƣởng đến hàng triệu ngƣời. Tại châu Âu và Bắc Mỹ, tính đến năm 2014, rung tâm nhĩ ảnh hƣởng đến khoảng 2% đến 3% dân số dẫn đến 112.000 ca tử vong trong năm 2013 so với 29.000 ca vào năm 1990. Đột tử do tim là nguyên nhân của khoảng một nửa số ca tử vong bởi bệnh tim mạch và khoảng 15% tổng số ca tử vong trên toàn cầu. Khoảng 80% trƣờng hợp tử vong do tim đột ngột là kết quả của rối loạn nhịp thất. Chứng loạn nhịp tim có thể xảy ra ở mọi lứa tuổi nhƣng phổ biến hơn ở những ngƣời lớn tuổi. Chẩn đoán bệnh trong y học luôn là một lĩnh vực phức tạp do đối tƣợng của lĩnh vực này là con ngƣời. Hơn thế nữa, nguyên nhân bệnh rối loạn nhịp tim lại chƣa đƣợc xác định đầy đủ, biểu hiện bệnh lý ở các bệnh nhân cũng khác nhau và có nhiều dấu hiệu dễ nhầm lẫn với các bệnh khác. Mặt khác, việc chẩn đoán của y bác sĩ dựa trên kiến thức đã học và kinh nghiệm khám chữa bệnh nên phụ thuộc nhiều vào cảm xúc của ngƣời bác sĩ và mang tính chủ quan rất cao. Với mong muốn góp phần phát triển phƣơng pháp luận phục vụ việc chẩn đoán bệnh rối loạn nhịp tim và phát hiện bệnh sớm nhằm nâng cao hiệu quả trong điều trị bệnh, tôi chọn đề tài: ―Ứng Dụng Trí Tuệ Nhân Tạo Xây Dựng Mạng Neuron Hỗ Trợ Chẩn Đoán Bệnh Rối Loạn Nhịp Tim ” vì mạng neuron không mang tính chủ quan và cảm xúc của ngƣời bác sĩ vào chẩn đoán bệnh và là một trong những công cụ nhận dạng tốt nhất bởi các đặc trƣng sau: Khả năng học từ kinh nghiệm (khả năng đƣợc huấn luyện), khả năng xử lý song song với tốc độ xử lý nhanh, khả năng học thích nghi, khả năng khái quát hoá cho các đầu vào không đƣợc huấn luyện, nên có thể tiên đoán đƣợc đầu ra từ đầu vào không biết trƣớc. Mục tiêu của đồ án: Đồ án tập trung khảo sát các mô hình mạng neuron, áp dụng phƣơng pháp học máy mạng neuron và ứng dụng vào bài toán chẩn đoán bệnh rối loạn nhịp tim. Dựa vào bộ dữ liệu (Arrhythmia Data Set) về bệnh rối loạn nhịp tim của “Altay Guvenir, Burak Acar, and Haldun Muderrisoglu, khoa kỹ thuật máy tính và thông tin, Trƣờng đại học Bilkent Thổ Nhĩ Kỳ” và phần mềm Matlab, xây dựng mạng neuron truyền thẳng với thuật toán lan truyền ngƣợc hỗ trợ việc chẩn đoán bệnh rối loạn nhịp tim trong y tế. Nội dung chính của đồ án: Chƣơng I: Tổng quan về ứng dụng mạng neuron nhân tạo trong y tế. Chƣơng II: Thiết kế mạng neuron hỗ trợ chẩn đoán bệnh rối loạn nhịp tim sử dụng công cụ Neuron Network Toolbox trong phần mềm Matlab. Chƣơng III: Luyện mạng, thẩm định và thử nghiệm mạng. Chƣơng IV: Đánh giá và kết luận. Kết luận chung và đề xuất hƣớng nghiên cứu

TỔNG QUAN VỀ ỨNG DỤNG MẠNG NEURON NHÂN TẠO

Khái quát về mạng neuron nhân tạo

Mạng neuron nhân tạo (ANN) được xây dựng dựa trên ý tưởng mô phỏng các neuron sinh học, bao gồm một nhóm các neuron nhân tạo hay còn gọi là nút Các đầu vào từ nhiều nút khác nhau tương tự như các sợi nhánh trong tế bào thần kinh sinh học, và các nút này tạo ra đầu ra liên kết với sợi trục Trong quá trình tính toán đầu ra, thông tin đầu vào được tính theo trọng số dương hoặc âm, tương tự như tín hiệu điện và phản ứng hóa học trong tế bào thần kinh Khi điện thế của tín hiệu vào đạt ngưỡng nhất định, nó sẽ tạo ra xung điện dẫn đến sợi trục Một số mô hình mô phỏng xung điện này bằng cách sử dụng giá trị ngưỡng trong nút, mặc dù không phải tất cả đều áp dụng phương pháp này.

Trong thiết kế mạng neuron, việc xác định số lượng và loại nút đầu vào là rất quan trọng và phụ thuộc vào bản chất của vấn đề Các nút có thể là nhị phân, biểu thị trạng thái bật hoặc tắt, hoặc có thể chấp nhận giá trị liên tục Nút đầu vào cần phải đại diện cho tất cả thông tin liên quan đến vấn đề Quá trình xác định các nút đầu vào liên quan đến việc lựa chọn tính năng, trong đó các tính năng nổi bật của vấn đề được phân tích.

Các mạng neuron ban đầu chỉ có hai lớp, điều này hạn chế khả năng giải quyết các vấn đề phi tuyến tính Tuy nhiên, thế hệ thứ hai của mạng neuron đã phát triển các cấu trúc ba lớp hoặc nhiều lớp, với cấu trúc phổ biến nhất là mạng ba lớp, bao gồm lớp đầu vào, lớp ẩn và lớp đầu ra Mặc dù có nhiều cấu hình mạng khác nhau, nhưng mạng ba lớp có khả năng giải quyết các vấn đề phức tạp hơn Cách kết nối giữa các nút trong mạng phụ thuộc vào từng phương pháp tiếp cận cụ thể.

GVHD: PGS.TS Huỳnh Lương

Hình 1.1: Cấu trúc mạng neuron ba lớp

Lớp ẩn trong mạng nơ-ron nhân tạo (ANN) bao gồm các neuron nhận dữ liệu đầu vào từ lớp trước và chuyển đổi chúng để gửi đến các lớp xử lý tiếp theo Một ANN có thể có nhiều lớp ẩn khác nhau.

Một neuron là đơn vị cơ bản trong mạng neuron, chịu trách nhiệm xử lý thông tin Quá trình này được minh họa rõ ràng trong Hình 1.2.

Hình 1.2: Quá trình xử lý thông tin của mạng neuron

Các thành phần cơ bản của một neuron nhân tạo bao gồm:

- Tập các đầu vào: Là các tín hiệu vào (input signals) của neuron, các tín hiệu này thường được đưa vào dưới dạng một vector N chiều.

Mỗi liên kết trong mạng nơ-ron được đại diện bởi một trọng số, gọi là trọng số liên kết (Synaptic weight) Trọng số này thể hiện mối quan hệ giữa tín hiệu đầu vào thứ j và neuron k, thường được ký hiệu bằng một ký hiệu cụ thể Thông thường, các trọng số này được khởi tạo ngẫu nhiên khi mạng được khởi tạo và liên tục được cập nhật trong quá trình học của mạng.

- Bộ tổng (Summing function): Dùng để tính tổng của tích các đầu vào với trọng số liên kết của nó.

- Ngưỡng (còn gọi là độ lệch - bias): Ngưỡng này thường được đưa vào như một thành phần của hàm truyền.

Hàm truyền (Transfer function) là công cụ quan trọng trong việc giới hạn phạm vi đầu ra của mỗi neuron, nhận đầu vào từ hàm tổng và ngưỡng đã cho Phạm vi đầu ra thường nằm trong khoảng [0,1] hoặc [-1,1] Các hàm truyền có thể là tuyến tính hoặc phi tuyến, và việc lựa chọn hàm truyền phù hợp phụ thuộc vào từng bài toán cụ thể cũng như kinh nghiệm của người thiết kế mạng Một số hàm truyền phổ biến được sử dụng trong các mô hình mạng neuron được liệt kê trong Bảng 1.1.

Đầu ra của một neuron là tín hiệu duy nhất mà nó phát ra, với mỗi neuron chỉ có tối đa một đầu ra Về mặt toán học, cấu trúc của neuron k được mô tả qua một cặp biểu thức.

Trong mô hình mạng nơ-ron, các tín hiệu vào được ký hiệu là 1,  , , , trong khi các trọng số liên kết của neuron thứ k được ký hiệu là (1,  , , ) Hàm tổng được ký hiệu là , và một ngưỡng được ký hiệu là  Hàm truyền được ký hiệu là f, và tín hiệu đầu ra của neuron được ký hiệu là .

Tương tự như neuron sinh học, neuron nhân tạo hoạt động bằng cách nhận tín hiệu đầu vào, xử lý chúng thông qua trọng số liên kết, và tính tổng các tích thu được Sau đó, nó gửi kết quả qua hàm truyền để tạo ra tín hiệu đầu ra, phản ánh kết quả của quá trình xử lý.

Hàm truyền Đồ thị Công thức

Hàm tuyến tính bão hòa đối xứng

Bảng 1.1: Một số hàm truyền thông dụng

Cách kết nối các neuron trong mạng xác định kiến trúc (topology) của mạng, với hai loại kiến trúc chính: kết nối đầy đủ (fully connected), trong đó mỗi neuron kết nối với tất cả các neuron khác, và kết nối cục bộ (partially connected), chỉ kết nối giữa các neuron trong các tầng khác nhau.

- Tự kết hợp (autoassociative): là mạng có các neuron đầu vào cũng là các neuron đầu ra Mạng Hopfield là một kiểu mạng tự kết hợp.

Hình 1.3: Mạng tự kết hợp

Heteroassociative networks feature distinct input and output neuron sets, making them unique in their architecture Examples of such networks include Perceptrons, Multi-Layer Perceptrons (MLP), and Kohonen networks These models are essential in various applications due to their ability to associate different types of data effectively.

Hình 1.4: Mạng kết hợp khác kiểu

Ngoài ra, dựa vào sự hiện diện của các kết nối phản hồi từ các neuron đầu ra đến các neuron đầu vào, các kiến trúc mạng được chia thành hai loại.

Kiến trúc truyền thẳng (feedforward architecture) là kiểu mạng nơ-ron không có kết nối ngược từ đầu ra về đầu vào, không lưu trữ giá trị đầu ra trước đó và trạng thái kích hoạt của nơ-ron Trong mạng nơ-ron truyền thẳng, tín hiệu di chuyển theo một hướng duy nhất từ đầu vào đến đầu ra, và đầu ra của bất kỳ tầng nào không ảnh hưởng đến tầng đó Mạng Perceptron là một ví dụ điển hình của kiến trúc này.

Kiến trúc phản hồi (Feedback architecture) là một loại kiến trúc mạng mà trong đó các neuron đầu ra kết nối trở lại với neuron đầu vào Điều này cho phép mạng ghi nhớ các trạng thái trước đó, khiến cho trạng thái tiếp theo không chỉ phụ thuộc vào tín hiệu đầu vào mà còn vào các trạng thái trước đó của mạng Một ví dụ điển hình của kiến trúc này là mạng Hopfield.

Tổng quan về ứng dụng mạng neuron nhân tạo trong y tế

1.2.1 Các lĩnh vực y tế ứng dụng mạng neuron

Việc ứng dụng trí thông minh nhân tạo trong thiết bị khoa học đã được nghiên cứu từ lâu, đặc biệt trong y học trong thập kỷ qua Năm 1950, mô phỏng mạng neuron sinh học bằng máy tính lần đầu tiên được giới thiệu, và năm 1951, McCullogh và Pitts đã định nghĩa tế bào thần kinh nhân tạo đầu tiên Sự phát triển công nghệ máy tính đã dẫn đến việc mô hình hóa các chức năng thần kinh ngày càng phức tạp Từ năm 1982 đến 1987, các mô hình toán học cho ứng dụng thực tế đã được phát triển dựa trên công trình của McLelland, Rummelhart, Hopfield và Kohonen Tại Hungary, T Roska và cộng sự đã có những thành tựu nổi bật trong lĩnh vực mạng neuron nhân tạo, với ứng dụng trong y học ở bốn lĩnh vực chính: mô hình hóa, xử lý tín hiệu điện sinh học, chẩn đoán và tiên lượng.

Mô hình hóa Mô phỏng và mô hình hóa các chức năng của não và các cơ quan thần kinh.

Xử lý tín hiệu Lọc và đánh giá tín hiệu điện sinh học

Mạng neuron nhân tạo thực hiện chẩn đoán dựa trên phản ứng của hệ sinh học hoặc tín hiệu từ thiết bị y tế.

Phân loại Giải thích các kết quả vật lý và công cụ để đạt đƣợc chẩn đoán chính xác hơn.

Mạng neuron thần kinh cung cấp thông tin tiên lƣợng dựa trên quá trình phân tích tham số hồi cứu

Bảng 1.2: Các lĩnh vực y học ứng dụng mạng neuron nhân tạo

1.2.2 Các ứng dụng mạng neuron trong y tế

Trong thập kỷ qua, mạng neuron thần kinh đã chứng minh được tính ứng dụng rộng rãi, thay thế các phương pháp dựa trên tri thức phổ biến từ những năm 1970 Nhờ vào khả năng phát triển nhanh chóng mô hình thông qua các thuật toán học tập, mạng neuron yêu cầu một lượng dữ liệu đủ lớn để hoạt động hiệu quả Bài viết này sẽ cung cấp cái nhìn tổng quan về các ứng dụng của mạng neuron trong lĩnh vực y học, đồng thời mô tả chi tiết các ứng dụng trong Bảng 1.3.

Ngành học Lĩnh vực ƣng dụng Nghiên cứu điển hình

Tim mạch Chẩn đoán, tiên lƣợng- Sử dụng mạng neuron thần kinh nhân tạo để phân tích mức độ enzyme huyết thanh chẩn đoán nhồi máu cơ tim.

- Nhận dạng điện cực khử rung tim.

- Phân tích sâu chuyển động tim để dự đoán sự sống còn của con người.

- Sử dụng mạng neuron thần kinh trong dự đoán nguy cơ bệnh động mạch vành.

Phân tích điện tâm đồ

Chẩn đoán - Sử dụng mạng neuron thần kinh để phân loại các phân đoạn ST và sóng T trong ECG.

- Thay đổi nhịp tim và huyết áp khi tập luyện nặng và tập luyện quá sức ở nữ vận động viên.

- Sử dụng các mạng thần kinh nhân tạo trong logic xác định để chẩn đoán ECG bệnh nhân về nhồi máu cơ tim.

Tiên lƣợng - Dự đoán bằng mạng neuron thần kinh nhân tạo về thời gian lưu trú trong một đơn vị chăm sóc sau tổn thương mạch vành.

- Tích hợp giám sát các báo động thông minh trong gây mê.

- Hệ thống tích hợp phân loại thống kê và mạng neuron thần kinh để phân loại mô bệnh học của tổn thương tuyến tiền liệt.

- Đánh giá đau ngực ở khoa cấp cứu.

Tiêu hóa Tiên lƣợng - Dự đoán tiên lƣợng sớm cho bệnh nhân gan bị ung thƣ biểu mô tế bào gan.

Phổi học Chẩn đoán - Các hạch phổi đơn độc: xác định khả năng ác tính với phân tích mạng neuron thần kinh.

- Chẩn đoán thuyên tắc phổi cấp tính.

Nghiên cứu của Baker và cộng sự đã sử dụng mạng neuron thần kinh để đánh giá các tham số trong hệ thống mã chuẩn hóa BI-RADS, nhằm cải thiện quy trình chẩn đoán và tiên lượng.

- Phân tích mạng neuron thần kinh của các yếu tố mô học định lƣợng để dự đoán giai đoạn bệnh lý.

- Mạng neuron thần kinh nhân tạo trong chụp nhũ ảnh: ứng dụng vào việc ra quyết định trong chẩn đoán ung thƣ vú.

Nhi khoa Chẩn đoán - Phân loại giấc ngủ ở trẻ sơ sinh.

Xử lý tín hiệu, mô hình hóa

- Phân loại bệnh Alzheimer và chứng mất trí nhớ dựa trên mạng neuron thần kinh với dữ liệu hình ảnh chụp cắt lớp từ não.

- Guigo và cộng sự nghiên cứu mô hình hóa quá trình học tập của vỏ não trước trán.

Phân tích điện não đồ

Chẩn đoán - Tự động phát hiện đột biến điện não đồ bằng cách sử dụng mạng thần kinh nhân tạo.

-Mạng kết nối trong mô hình hệ thống thính giác.

-Thu nhận âm thanh lời nói, hợp tác và hiệu ứng tốc độ trong mô hình mạng neuron thần kinh hỗ trợ tạo lời nói.

- Mô phỏng và kích thích mạng neuron cấy ghép tế bào thần kinh của ốc tai điện tử.

Sản phụ khoa Tiên lƣợng - Benesova và cộng sự sử dụng mạng thần kinh để xác định tính gây quái thai của thuốc điều trị chu sinh.

Lapeer và nhóm của ông đã sử dụng mạng neuron thần kinh để dự đoán các yếu tố ảnh hưởng đến cân nặng khi sinh, tập trung vào việc xác định các thông số chu sinh quan trọng.

Nhãn khoa Xử lý tín hiệu, mô hình hóa

- Maeda và cộng sự áp dụng mạng neuron thần kinh để giải thích mô hình quay phim trong chẩn đoán hình dạng bất thường của giác mạc.

Phóng xạ học Xử lý tín hiệu

- Phân đoạn hình ảnh siêu âm của tuyến tiền liệt bằng cách sử dụng mạng neuron thần kinh.

Bệnh lý Chẩn đoán, tiên lƣợng- Phân loại hạt nhân của ung thƣ biểu mô tuyến vú bằng phân tích hình ảnh.

- Sử dụng mạng neuron thần kinh để phân biệt ung thƣ biểu mô ống với bệnh xơ cứng.

Mạng neuron thần kinh được thiết kế để tự động sàng lọc tế bào cổ tử cung, giúp giảm thiểu sự biến thiên trong chẩn đoán và nâng cao hiệu quả của quá trình sàng lọc.

Di truyền học Chẩn đoán - Errington và Graham đã phát triển một mạng neuron thần kinh nhằm phân loại nhiễm sắc thể Mạng này sử dụng dữ liệu đã được tiền xử lý, thể hiện rõ hình dạng, kích thước và dải của nhiễm sắc thể.

Burstein và cộng sự đã phát triển một mô hình mạng thần kinh nhằm nghiên cứu toàn bộ quá trình tạo phôi trong không gian và thời gian, đồng thời hình thành mô hình di truyền cho loài Drosophila.

- Sử dụng tiền xử lý dữ liệu và perceptron một lớp để phân tích dữ liệu phòng thí nghiệm.

- Phân tích điện di huyết thanh bằng mạng neuron thần kinh.

Hóa sinh Chuỗi Protein, cấu trúc

- ProCANS (Phân loại protein bằng mạng neuron nhân tạo) đã đƣợc thiết kế để phân loại các protein.

Bảng 1.3: Tóm tắt các ứng dụng của mạng neuron thần kinh trong y học

Trong chương này, chúng ta đã khám phá khái niệm và cấu trúc của mạng neuron nhân tạo, một công cụ mạnh mẽ để giải quyết các bài toán phi tuyến và phức tạp, đặc biệt là trong chẩn đoán Mạng neuron có khả năng ứng dụng rộng rãi trong nhiều lĩnh vực y tế Ở chương tiếp theo, chúng ta sẽ thiết kế mạng neuron hỗ trợ chẩn đoán bệnh rối loạn nhịp tim bằng công cụ Neuron Network Toolbox của phần mềm Matlab.

THIẾT KẾ MẠNG NEURON HỖ TRỢ CHẨN ĐOÁN BỆNH RỐI LOẠN NHỊP TIM SỬ DỤNG CÔNG CỤ NEURON NETWORK TOOLBOX

Giới thiệu phần mềm matlab và công cụ neuron network toolbox

MATLAB, viết tắt từ "Matrix Laboratory", được phát minh bởi Cleve Moler vào cuối thập niên 1970 và sau đó trở thành chủ nhiệm khoa máy tính tại Đại học New Mexico Phần mềm này, do công ty MathWorks phát triển, cung cấp môi trường tính toán số và lập trình, cho phép người dùng thực hiện các phép toán với ma trận, vẽ đồ thị hàm số, thực hiện thuật toán, tạo giao diện người dùng và kết nối với các chương trình viết bằng nhiều ngôn ngữ lập trình khác Thông qua thư viện Toolbox, MATLAB hỗ trợ mô phỏng và thực nghiệm nhiều mô hình trong thực tế và kỹ thuật.

The Development Environment is a comprehensive set of tools that facilitates the use of MATLAB functions and files It includes essential components such as the MATLAB desktop, Command Window, command history, editor, debugger, and browsers for accessing help Additionally, it provides a workspace, file management features, and a search path for efficient navigation and organization.

- MATLAB Mathematical Function Library: tập hợp các hàm toán học nhƣ sum,sine, số học,

- MATLAB Language (scritp): ngôn ngữ lập trình bậc cao.

- Graphics: các công cụ giúp hiển thị dữ liệu dưới dạng đồ thị, ngoài ra còn cho phép xây dựng giao diện đồ họa.

- MATLAB Application Program Interface: bộ thƣ viện cho phép ta sử dụng các chức năng tính toán của MATLAB trên ngôn ngữ lập trình C hay FORTRAN.

- Là một ngôn ngữ cấp cao cho tính toán số, mô hình hóa mô phỏng và phát triển ứng dụng.

- Cung cấp môi trường tương tác thử nghiệm lặp đi lặp lại, thiết kế và giải quyết vấn đề.

Chúng tôi cung cấp một thư viện phong phú các hàm toán học, bao gồm đại số tuyến tính, thống kê, phân tích Fourier, lọc, tối ưu hóa và giải phương trình vi phân thường.

- Giao diện lập trình MATLAB cung cấp công cụ phát triển cải thiện chất lƣợng mã bảo trì và tối đa hóa hiệu suất.

-Cung cấp các công cụ để xây dựng các ứng dụng với giao diện đồ họa tùy chỉnh.

- Thuận tiện cho việc tích hợp các thuật toán MATLAB với các ứng dụng bên ngoài và các ngôn ngữ nhƣ C, Java, NET và Microsoft Excel.

2.1.4 Khả năng ứng dụng của Matlab

MATLAB là một bộ chương trình phần mềm lớn dành cho tính toán kỹ thuật Có thể dùng MATLAB để xử lý:

- Vẽ 2-D và 3-D và đồ họa

- Chức năng phi tuyến tính

Các ngành nghề kỹ thuật đƣợc Matlab hỗ trợ đắc lực:

- Xử lý tín hiệu và Truyền thông

- Hình ảnh và Video Processing

- Kiểm tra và đo lường

2.1.5 Giới thiệu công cụ Neuron Network Toolbox trong phần mềm Matlab

Học máy nói chung hay Deep Learning nói riêng hiện nay đang là một trong những ngành nóng nhất trong bộ môn khoa học máy tính (Computer science).

Deep Learning Toolbox ™ (trước đây là Neuron Network Toolbox ™) cung cấp khung cơ sở cho thiết kế và triển khai mạng thần kinh sâu, bao gồm các thuật toán, mô hình xử lý trước và ứng dụng Kỹ thuật học sâu này cho phép máy học trực tiếp từ dữ liệu, bao gồm hình ảnh, văn bản và âm thanh.

Deep Learning là một một phương pháp của học máy (Machine Learning) Khi phát triển một ứng dụng Deep Learning phải tiến hành các bước như sau [4]:

Đặt bài toán là bước quan trọng nhất trong quá trình phát triển mô hình Deep Learning, yêu cầu kiến thức và kinh nghiệm sâu rộng Đối với các vấn đề đơn giản, một lớp Deep Learning có thể đủ để giải quyết, nhưng với những bài toán phức tạp, cần nhiều lớp để xử lý dữ liệu đầu vào và cho ra kết quả đầu ra Trong giai đoạn này, chúng ta sẽ thiết kế cấu trúc của mạng và sau đó tiến hành quá trình luyện để điều chỉnh các tham số bên trong mạng.

2.Thu thập dữ liệu (Data Gathering): Sau khi đã định nghĩa vấn đề xong, chúng ta sẽ bắt đầu tiến hành thu thập nguồn dữ liệu tương ứng.

Quá trình lọc dữ liệu (Data Parsing) là bước quan trọng để đảm bảo cặp nhãn dữ liệu (data-label) chính xác nhất có thể Sau khi thu thập, dữ liệu cần được lọc để loại bỏ nhiễu (noise) và đảm bảo tính sạch (clean) tối đa Sau khi hoàn tất quá trình lọc, dữ liệu sẽ được chia thành ba phần: train, validation và test, với tỉ lệ phân chia thường dùng là 7-1,5-1,5 Như vậy, chúng ta đã có một tập dữ liệu hoàn chỉnh (dataset) cho các bước tiếp theo.

Quá trình luyện mô hình là bước nhồi liên tục cặp data-label vào trong model, nhằm điều chỉnh các tham số bên trong để hướng đầu ra đến label mong muốn Thời gian luyện có thể kéo dài từ vài tiếng đến vài tuần, và để rút ngắn thời gian này, quá trình tính toán sẽ được phân luồng trên nhiều GPU.

Sau khi hoàn tất quá trình luyện tập, bước tiếp theo là thực hiện xác thực (validation) để đánh giá và xác minh hiệu suất của mô hình Quá trình này giúp nhận diện thời điểm mà mô hình không còn cải thiện nữa, từ đó quyết định dừng luyện tập.

Sau khi hoàn tất quá trình huấn luyện, bước cuối cùng là kiểm tra độ chính xác của mô hình thông qua testing Đây là bước đơn giản, chỉ cần đưa dữ liệu kiểm tra vào mô hình và so sánh nhãn đầu ra với nhãn gốc của dữ liệu kiểm tra.

Sau khi hoàn tất quá trình huấn luyện, mô hình có thể được triển khai trên các thiết bị đầu cuối như board, mạch nhúng, điện thoại di động và FPGA.

Xây dựng cơ sở dữ liệu đáp ứng nhu cầu thiết kế mạng neuron

2.2.1 Chọn cơ sở dữ liệu thích hợp Để đào tạo mạng neuron hỗ trợ chẩn đoán bệnh rối loạn nhịp tim, cần có dữ liệu mô tả tình trạng lâm sàng của bệnh nhân đúng cách Dữ liệu thông tin không cần thiết hoặc không chính xác của bệnh nhân không nên sử dụng đối với chẩn đoán Quá trình lựa chọn dữ liệu đặc trưng phù hợp là nhiệm vụ của bác sĩ Thông thường những dữ liệu này là thông tin cơ bản về tình trạng sức khỏe của bệnh nhân, kết quả của phân tích sinh hóa, kết quả phân tích tín hiệu điện sinh học, triệu chứng và các thông tin khác giúp xác định chẩn đoán chính xác Tất cả các những dữ liệu này của bệnh nhân đƣợc thu thập và đánh giá đại diện cho mô hình đầu vào của mạng thần kinh Khả năng khái quát hóa mỗi quan hệ giữa các triệu chứng và chẩn đoán phụ thuộc nhiều vào các mẫu đầu vào đƣợc sử dụng trong quá trình đào tạo Do đó cơ sở dữ liệu cần chứa đủ số lƣợng các mẫu đáng tin cậy mô tả chẩn đoán bệnh lý Điều này sẽ cho phép trong quá trình đào tạo của mạng thần kinh ƣớc tính sự phụ thuộc ẩn trong tập dữ liệu và sử dụng kiến thức này để khái quát hóa cho các trường hợp chẩn đoán của bệnh nhân, ngay cả đối với những trường hợp không có trong dữ liệu đào tạo Cấu trúc cơ sở dữ liệu có dạng bảng hoặc ma trận chứa thông tin về sức khỏe tình trạng bệnh nhân và kết quả chẩn đoán của họ.

Để chọn dữ liệu phù hợp, chúng ta sử dụng cơ sở dữ liệu bệnh rối loạn nhịp tim Arrhythmia_dataset, bao gồm hai ma trận ArrhythmiaInputs và ArrhythmiaTargets Dữ liệu này được lấy từ kho cơ sở dữ liệu trực tuyến của Đại học Wisconsin, do các tác giả Altay Guvenir, Burak Acar và Haldun Muderrisoglu thuộc trường Đại học Bilkent, Thổ Nhĩ Kỳ, phát triển vào năm 1997.

“Tại sao bộ dữ liệu Arrhythmia_dataset lại được sử dụng?”, dưới đây là một số lý do chính:

- Đây là một bộ dữ liệu phản ánh đầy đủ nhất những yếu tố đặc trƣng – triệu chứng của bệnh.

Hiện tại, Việt Nam vẫn chưa có bộ dữ liệu đầy đủ phục vụ cho việc chẩn đoán Do đó, bộ dữ liệu Arrhythmia_dataset sẽ được áp dụng trong đồ án này.

Cơ sở dữ liệu này chứa các bản ghi điện tâm đồ thu đƣợc từ 452 bệnh nhân và

Trong nghiên cứu này, 279 thông số đặc trưng đã được liên kết với 16 loại bệnh lý tim mạch chẩn đoán Trước khi áp dụng cho việc luyện mạng neuron, cơ sở dữ liệu cần trải qua quá trình xử lý sơ bộ Do một số bệnh lý chỉ xuất hiện trong một vài mẫu bản ghi, nên chúng đã bị loại trừ, giảm số lượng bệnh chẩn đoán còn lại xuống còn 10.

Mã lớp Tên bệnh Số trường hợp

02 Ischemic changes (Bệnh động mạch vành) 44

03 Old Anterior Myocardial Infarction(Nhồi máu cơ tim cấp thành trước) 15

04 Old Inferior Myocardial Infarction (Nhồi máu cơ tim cấp thành dưới) 15

05 Sinus tachycardy (Nhịp nhanh xoang) 13

06 Sinus bradycardy (Nhịp chậm xoang) 25

07 Left bundle branch block ( Block tim nhanh trái) 9

08 Right bundle branch block (Block tim nhanh phải) 50

09 Atrial Fibrillation or Flutter (Rung nhĩ hoặc

Bảng 2.1: Các loại bệnh tim mạch được chẩn đoán

Các thuộc tính (TT) bao gồm 5 nhóm:

Nhóm 1 từ TT1 –> TT4: Các đặc trƣng chung cơ thể (Tuổi, Giới tính, Chiều cao, Cân nặng)

Nhóm 2 từ TT5 –> TT15: Các đặc trƣng chung về hoạt động của tim ( Độ dài phức hợp QRS, Khoảng cách giữa các sóng P và Q, Khoảng cách giữa khởi điểm sóng

Q và kết thúc song T, Độ dài sóng T,…….,Nhịp đập tim )

Các nhóm còn lại đƣợc trình bày trong (Bảng 2.2)

Tên nhóm đạo trình Số thuộc tính (TT) Đạo trình mẫu-cơ bản/Đạo trình song cực chi

TT16(160) –> TT27(169) TT28(170) –> TT39(179) TT40(180) –> TT51(189) Đạo trình tăng cường/Đạo trình đơn cực chi aVR aVL aVF

TT 76(210)–> TT87(219) Đạo trình tim/Đạo trình đơn cực trước tim

TT 100(230)–> TT111(239) TT112(240) –> TT123(249) TT124(250) –> TT135(259)

Bảng 2.2: Bảng tóm tắt các đạo trình 2.2.2 Chuẩn hóa cơ sơ dữ liệu

Trước khi sử dụng cơ sở dữ liệu để luyện mạng neuron, cần thực hiện xử lý sơ bộ và chuẩn hóa dữ liệu trong khoảng [0,1], đồng thời loại bỏ những thuộc tính không xác định Sau khi hoàn tất, cơ sở dữ liệu bao gồm hai ma trận: ma trận ArrhythmiaInputs với kích thước 262x433, tương ứng với 262 thuộc tính và 433 mẫu-bản ghi, và ma trận ArrhythmiaTargets có kích thước 10x433, đại diện cho 10 loại bệnh được chẩn đoán cùng 433 mẫu-bản ghi.

Quá trình xử lý dữ liệu bao gồm các bước sau đây:

Ma trận cơ sở dữ liệu gốc của bệnh rối loạn nhịp tim có kích thước 452x280 Để phù hợp với mô hình ma trận luyện mạng, ma trận này được chuyển vị thành DL = 280x452, trong đó số thuộc tính được thể hiện ở hàng và số trường hợp bệnh nhân ở cột.

Một số bệnh chỉ có một vài mẫu, do đó số lượng bệnh nhân được chẩn đoán đã giảm xuống còn 433 Kết quả là ma trận dữ liệu mới được hình thành với kích thước B = 280x433.

Trong đó :a,b c là số các trường hợp bị loại bỏ.

Ma trận dữ liệu B bao gồm 280 hàng, trong đó từ hàng 1 đến 279 là các thuộc tính đầu vào, còn hàng 280 đại diện cho thuộc tính đầu ra, phản ánh bệnh lý được chẩn đoán.

- Lấy ma trận đầu vào ArrhythmiaInputs từ ma trận B là ma trận C'9x433:

Sau khi chuẩn hóa ma trận đầu vào (ArrhythmiaInputs), chúng ta chia các giá trị trong mỗi hàng của ma trận này với giá trị lớn nhất của hàng đó, từ đó tạo ra ma trận mới có tên là IP'9x433.

- Những thuộc tính không xác định bị loại bỏ nên cuối cùng ma trận ArrhythmiaInputs thu đƣợc có dạng là IP1= 262x433

- Lấy ma trận đầu ra (ArrhythmiaTargets) từ ma trận B là ma trận OP=1x433:

- Sau đó chuẩn hóa ma trận ArrhythmiaTargetst theo mã các loại bệnh lý chẩn đoán;cuối cùng ma trận ArrhythmiaTargetst thu đƣợc có dạng là: OP1x433.

Thiết kế mạng neuron hỗ trợ chẩn đoán bệnh rối loạn nhịp tim

Dựa trên cơ sở dữ liệu đã xử lý, chúng tôi xây dựng mạng neuron nhân tạo đa lớp truyền thẳng (MLP) để hỗ trợ chẩn đoán bệnh rối loạn nhịp tim Mạng MLP tổng quát có n (n≥2) tầng, bao gồm một tầng đầu ra (tầng thứ n) và (n-1) tầng ẩn, với tầng đầu vào thường không được tính.

Kiến trúc tổng quát của mạng MLP được mô tả với đầu vào là các vector trong không gian p chiều và đầu ra là các vector trong không gian q chiều Trong các bài toán phân loại hoặc chẩn đoán, p đại diện cho kích thước mẫu đầu vào, trong khi q là số lớp cần phân loại Hai yếu tố quan trọng ảnh hưởng đến đầu vào là

- Dạng hàm đích: khi hàm đích càng phức tạp thì kích thước đầu vào cần tăng.

Nhiễu xảy ra khi dữ liệu chứa thông tin sai lệch hoặc thiếu sót, do đó kích thước đầu vào cần được tăng cường Đầu ra từ các neuron của tầng trước sẽ trở thành đầu vào cho các neuron của tầng kế tiếp, và mỗi neuron ở tầng sau sẽ liên kết với tất cả các neuron ở tầng trước đó.

Mạng MLP hoạt động theo quy trình như sau: tại tầng đầu vào, các neuron nhận tín hiệu, thực hiện tính tổng trọng số và áp dụng hàm truyền để tạo ra kết quả Kết quả này được truyền đến các neuron của tầng ẩn thứ nhất, nơi chúng tiếp tục xử lý và gửi tín hiệu đến tầng ẩn thứ hai Quá trình này lặp lại cho đến khi tín hiệu đến tầng ra, nơi kết quả cuối cùng được đưa ra.

Một số kết luận đã đƣợc chứng minh:

- Bất kì một hàm Boolean nào cũng có thể biểu diễn đƣợc bởi một mạng MLP 2 tầng trong đó các neuron sử dụng hàm truyền sigmoid.

Tất cả các hàm liên tục có thể được xấp xỉ bởi một mạng MLP 2 tầng Mạng này sử dụng hàm truyền sigmoid cho các neuron ở tầng ẩn và hàm truyền tuyến tính cho các neuron ở tầng ra, với sai số có thể nhỏ tùy ý.

Mọi hàm bất kỳ có thể được xấp xỉ bởi một mạng MLP ba tầng, trong đó sử dụng hàm truyền sigmoid cho các neuron ở tầng ẩn và hàm truyền tuyến tính cho các neuron ở tầng ra Khi xây dựng mạng MLP, có một số vấn đề cần lưu ý để đảm bảo hiệu suất và độ chính xác của mô hình.

Việc xác định số lượng neuron trong tầng ẩn của mạng MLP là yếu tố quan trọng, phụ thuộc vào bài toán cụ thể và kinh nghiệm của nhà thiết kế Số lượng nút ẩn càng nhiều, mạng càng có khả năng nắm bắt đặc tính dữ liệu huấn luyện tốt hơn, nhưng thời gian học sẽ tăng lên Ngược lại, nếu số nút ẩn quá ít, mạng sẽ không học chính xác Để đảm bảo tính khoa học và đơn giản trong việc xây dựng và khảo sát mạng, công cụ Neuron Network Toolbox trong phần mềm Matlab sẽ được sử dụng Do đó, nhằm phù hợp với mục đích nghiên cứu, chúng ta chọn mạng neuron với cấu trúc như hình 2.2.

Hình 2.2: Mạng neuron chẩn đoán hai lớp MLP

Mạng neural được thiết kế với 262 tế bào neuron đầu vào, tương ứng với 262 thuộc tính khác nhau Lớp ẩn sử dụng hàm kích hoạt sigmoid, trong khi lớp đầu ra có 10 tế bào neuron, đại diện cho 10 loại bệnh được chẩn đoán.

2.3.2 Chọn thuật toán luyện mạng

Phương pháp tối ưu hóa mạng MLP phổ biến nhất là thuật toán lan truyền ngược, giúp giảm thiểu sai số trung bình bình phương bằng cách điều chỉnh trọng số và hệ số bias ngược hướng với vectơ Gradient Tuy nhiên, hàm sai số này thường phức tạp với nhiều cực trị cục bộ, dẫn đến việc mạng có thể chỉ đạt được cực trị cục bộ thay vì cực trị toàn cục Giá trị khởi tạo của trọng số ảnh hưởng lớn đến kết quả cuối cùng; nếu khởi tạo tất cả trọng số bằng nhau, mạng sẽ học kém Khởi tạo trọng số với giá trị lớn có thể khiến hàm sigmoid chỉ đạt 0 hoặc 1, gây tắc nghẽn tại cực tiểu cục bộ Do đó, trọng số trên lớp thứ l thường được khởi tạo ngẫu nhiên nhỏ trong khoảng [-1/n, 1/n] để tăng khả năng hội tụ về các giá trị cực tiểu khác nhau, và nếu may mắn, mạng có thể đạt được cực tiểu tổng thể.

Bỏ qua sự phức tạp về mặt toán học lƣợc đồ của thuật toán đƣợc mô ta nhƣ sau :

Hình 2.3: Lược đồ thuật toán lan truyền ngược gradient liên hợp

Lƣợc đồ hình 2.3 đƣợc diễn ta nhƣ sau:

- Khởi tạo trọng số. o Giá trị của trọng số liên kết giữa các neuron đƣợc khởi tạo ngẫu nhiên.

- Mạng truyền thẳng o Mỗi neuron trên mỗi tầng đƣợc tính tổng trọng số của các tín hiệu vào. o Sử dụng hàm activation để tính giá trị ra từ neuron.

- Truyền ngƣợc của sai số. o Thông tin lỗi đƣợc tính o Ta sử dụng giá trị này để tính toán thông tin lỗi trên mỗi neuron còn lại.

Cập nhật giá trị trọng số là quá trình quan trọng trong mạng nơ-ron, trong đó thông tin lỗi trên mỗi node được sử dụng để tính toán và điều chỉnh giá trị mới cho trọng số liên kết giữa các neuron.

Về mặt toán học thuật toán lan truyền ngƣợc đƣợc mô tả nhƣ sau:

Ta sử dụng một số kí hiệu sau:

 xi: Giá trị đầu vào của neuron thứ i

 Vij: vector trọng số trên đường kết nối từ neuron node vào thứ i tới neuron node ẩn thứ j.

 Wjk: vector trọng số trên đường kết nối từ neuron node ẩn thứ j tới neuron node ra thứ k.

 f: hàm truyền với: f(x) = 1 / (1 + e -x ) - Ở đây chúng ta sử dụng hàm truyền là hàm Sigmoid, giới hạn giá trị đầu ra trong khoảng [0,-1].

 IIi – Input của node Input thứ i

 OIi – Ouput của node Input thứ i

 IHp – Input của node Hidden thứ p

 OHp – Output của node Hidden thứ p

 IOq – Input của node Output thứ q

 OOq – Output của node Output thứ q

 OOk – Output của node Output thứ k

- Mạng feed-forward với n đầu vào, m nút ẩn và L đầu ra.

- Tập dữ liệu huấn luyện D = { - là vector đầu vào, - là vector đầu ra mong muốn}.

Output: Các vector trọng số sau khi đã đƣợc huấn luyện.

Hình 2.4: Lưu đồ thao tác huấn luyện sử dụng thuật toán lan truyền ngược

Bước 1: Khởi tạo trọng số � ij, W j� bởi các giá trị ngẫu nhiên nhỏ:

Vij = Random(-1,1), Wjk = Random(-1,1) Bước 2: Lan truyền thẳng tính toán đầu ra thực tế 

- Tại node vào thứ i (Input):

- Tại node ẩn thứ p (Hidden):

- Tại node ra thứ q (Output):

Nhƣ vậy giá trị đầu ra thực tế của mạng với bộ trọng số ngẫu nhiên ban đầu là:

Để đạt được đầu ra mong muốn và giảm thiểu độ sai khác giữa đầu ra thực tế, cần tính toán và điều chỉnh các trọng số mạng qua từng bước học Quá trình học sẽ dừng lại khi độ sai khác đạt đến ngưỡng giới hạn phù hợp.

Bước 3: Đánh giá lỗi học – sai số trung bình bình phương (MSE: meansquare error):

Trong đó: E là sai số trung bình bình phương, L đại diện cho đầu ra

Bước 4: Lan truyền ngược điều chỉnh trọng số

- Với mỗi nút q thuộc tầng ra, tính đạo hàm ngƣợc sai số thành phần  theo công thức: ðq = (((((((((((((((q − q))))))))))))))) q(1 − q)

- Cập nhật các trọng số từ tầng ẩn tới tầng ra Wjjjjjjjjjjjjjjj :

- Với mỗi nút p thuộc tầng ẩn, tính đạo hàm ngƣợc sai số ðq theo công thức: ð = (1 − ) ∑ w0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 (0 ) ð ,  = 1 

- Cập nhật các trọng số từ tầng vào tới tầng ẩn ij:

Lặp lại bước 2 cho đến khi đạt được điều kiện kết thúc ở bước 3 Kết quả thu được là bộ trọng số chuẩn ij, W j�, nhằm tối ưu hóa sự tương đồng giữa giá trị đầu ra thực tế và giá trị đầu ra mong muốn, với mục tiêu giảm thiểu sai số trung bình bình phương.

Trong chương này, chúng tôi đã giới thiệu Neuron Network Toolbox trong Matlab và khả năng ứng dụng của nó Bài viết tập trung vào việc lựa chọn, xử lý và chuẩn hóa dữ liệu để thiết kế mạng neuron Chúng tôi cũng xây dựng mạng neuron nhân tạo đa lớp truyền thẳng (MLP) nhằm hỗ trợ chẩn đoán bệnh rối loạn nhịp tim, đồng thời lựa chọn thuật toán lan truyền ngược gradient liên hợp để luyện và tối ưu hóa mạng neuron.

LUYỆN MẠNG, THẨM ĐỊNH VÀ THỬ NGHIỆM MẠNG

Phân bố mẫu thử để luyện, thẩm định và thử nghiệm mạng

Đánh giá mức độ tổng quát hóa của mạng được thực hiện bằng cách chia mẫu thành tập huấn luyện và tập kiểm tra Quá trình luyện mạng sử dụng tập huấn luyện, nhưng cần định kỳ dừng lại để đánh giá sai số trên tập kiểm tra Khi sai số trên tập kiểm tra gia tăng, điều này cho thấy hiện tượng quá khớp đã bắt đầu, và quá trình luyện cần phải dừng lại Dữ liệu chẩn đoán chuẩn hóa của bệnh nhân được lấy từ ma trận ArrhythmiaInputs và ma trận.

ArrhythmiaTargets có thể đƣợc phân chia phù hợp thành các nhóm dữ liệu đào tạo

(70%), kiểm tra (15%) và xác thực (15%).

Sau đó quá trình huấn luyện mạng dựa trên phần mềm Matlab đƣợc tiến hành nhƣ sau:

Bước 1: ta vào mục import data để lấy dữ liệu đầu vào và đầu ra đã được chuẩn hóa trước đó mà ta dùng để luyện mạng

Bước 2: Ta chọn New Scipt để viết code theo đúng thiết kế mạng

Bước 3: sau khi viết code xong ấn vào run để luyện mạng

Bước 4: Nhận kết quả luyện mạng (xem ở mục 3.2 và 3.3 chương III).

Kết quả của trường hợp không gán trọng số cho các thuộc tính đầu vào

Kết quả từ quá trình luyện mạng trong trường hợp không gán trọng số cho các thuộc tính đầu vào (trường hợp 0) được thể hiện rõ qua Hình 3.1 cùng với các bảng 3.1 và 3.2.

Hình 3.1: Kết quả xác thực tốt nhất - case 0

Bảng 3.1: Bảng chỉ số tốt nhất của mô hình mạng neuron cho bệnh rối loạn nhịp tim - case 0

Bảng 3.2: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim - case 0

Kết quả cho trường hợp sử dụng phương pháp gán trọng số cho các thuộc tính đầu vào

3.3.1 Ý nghĩa phương pháp gán trọng số cho các thuộc tính đâu vào Ý tưởng của phương pháp gán trọng số tương ứng mức cấu trúc cơ thể xuất phát từ việc xem xét thành phần của các thuộc tính đầu vào Mạng Cụ thể các tham số/thuộc tính đầu vào này - vốn được thu nhận bằng các phương pháp đo lường y sinh khác nhau - sẽ tương ứng với 5 cấp cấu trúc của cơ thể như: cơ thể cơ quan chức năng mô tế bào phân tử sinh học [5], nhƣ đƣợc phân loại trong bảng sau:

Số cấp độ Mức cấu trúc Phương pháp chẩn đoán

1 Cấp cơ thể Thu thập triệu chứng ho, đau, sốt… Đo Mạch đập, nhiệt độ, huyết áp,…

2 Cấp cơ quan chức năng Chẩn đoán chức năng (ECG, EEG,

3 Cấp mô CT, MRI, PET SPECT, kính hiển vi nano, phương pháp phân tích, xét nghiệm.

4 Cấp độ tế bào: các loại tế bào

5 Cấp độ phân tử sinh học

Bảng 3.3: Mức cấu trúc của cơ thể và các phương pháp chẩn đoán tương ứng

Độ quan trọng của các tham số đầu vào trong chẩn đoán có sự khác biệt, với mức độ cấu trúc càng thấp thì giá trị chẩn đoán tương ứng càng có ý nghĩa, tức là trọng số của chúng càng lớn.

Nghiên cứu này áp dụng phương pháp gán trọng số cho các thuộc tính đầu vào nhằm kiểm tra tính xác đáng và hiệu quả của phương pháp chẩn đoán bệnh tim mạch Mục tiêu là cải thiện chất lượng mạng chẩn đoán thông qua việc tương thích với các mức cấu trúc của cơ thể, cụ thể là cấp cơ quan chức năng, sử dụng mạng neuron nhân tạo.

Mục tiêu chính của nghiên cứu này là đánh giá tầm quan trọng của việc gán trọng số trong mạng nơ-ron bằng cách so sánh kết quả luyện mạng giữa hai trường hợp có và không có trọng số Để thực hiện điều này, chúng tôi giữ nguyên cấu trúc của mạng, bao gồm số lớp, số tế bào thần kinh cho mỗi lớp và sai lệch, tương tự như mô hình được trình bày trong Hình 2.2.

Trong cơ sở dữ liệu ArrhythmiaInput, các thuộc tính được phân loại thành 5 nhóm tương ứng với các mức cấu trúc của cơ thể Để đánh giá độ quan trọng của các thuộc tính, các mức cao (1,2) được giữ nguyên hoặc gán trọng số 1, trong khi các mức thấp còn lại được gán trọng số 0 Kết quả là các ma trận ArrhythmiaInput mới (IP2, IP3, IP4, IP5, IP6, IP7, IP8) với kích thước 262x443 được tạo ra sau khi thực hiện việc gán trọng số.

- Trường hợp gán trọng số bằng không đối với thuộc tính đạo trình tăng cường - Case 1:

- Trường hợp gán trọng số bằng không đối với thuộc tính đạo trình tim - Case 2

- Trường hợp gán trọng số bằng không đối với thuộc tính đạo trình cơ bản - Case 3:

- Trường hợp gán trọng số bằng không đối với thuộc tính DI của đạo trình cơ bản – case 4:

- Trường hợp gán trọng số bằng không đối với thuộc tính DII của đạo trình cơ bản – case 5:

- Trường hợp gán trọng số bằng không đối với thuộc tính DIII của đạo trình cơ bản –case 6:

- Trường hợp gán trọng số bằng không đối với thuộc tính DIII của đạo trình cơ bản và thuộc tính đạo trình tăng cường – case 7:

3.3.2 Kết quả cho trường hợp gán trọng số cho các thuộc tính đầu vào

Kết quả kiểm tra cho thấy mạng neuron chẩn đoán bệnh rối loạn nhịp tim có hiệu quả cao khi áp dụng phương pháp gán trọng số thuộc tính Các trường hợp được phân tích cho thấy khả năng chính xác và độ tin cậy của mạng neuron trong việc phát hiện và chẩn đoán rối loạn nhịp tim.

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính đạo trình tăng cường - case 1:

Hình 3.2: Kết quả xác thực tốt nhất – case1

Bảng 3.4: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn nhịp tim – case 1

Bảng 3.5: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim – case 1

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính đạo trình tim - Case 2:

Hình 3.3: Kết quả xác thực tốt nhất – case2

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính đạo trình cơ bản - Case 3:

Hình 3.4: Kết quả xác thực tốt nhất – case 3

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DI của đạo trình cơ bản – case 4:

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DII của đạo trình cơ bản – case 5:

Bảng 3.13: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim– case 5

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DIII của đạo trình cơ bản – case 6:

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DIII của đạo trình cơ bản và thuộc tính đạo trình tăng cường – case 7:

Dựa vào kết quả thu được từ trường hợp gán trọng số bằng 0, có thể xác định được mức độ quan trọng của các nhóm thuộc tính trong cấu trúc cấp cơ quan chức năng.

Thuộc tính đạo trình cơ bản > Thuộc tính đạo trình tăng cường> Thuộc tính đạo trình tim

Theo phương pháp gán trọng số, giá trị chẩn đoán của các thuộc tính càng cao khi mức độ quan trọng của chúng lớn Do đó, chúng ta phân bố trọng số cho các nhóm theo thứ tự như sau:

- Gán trọng số 0.8; 0.4; 0.2 lần lƣợt với các thuộc tính: Đạo trình cơ bản; Đạo trình tăng cường; Đạo trình tim – case 8:

IP=[IP([1:15],:);IP([16:51],:).*0.8;IP([52:87],:).*0.4;IP([88:159],:).*0.2;IP([1 60:189],:).*0.8;IP([190:219],:).*0.4;IP([220:279],:).*0.2];

- Gán trọng số 0.9; 0.5; 0.1 lần lƣợt với các thuộc tính: Đạo trình cơ bản; Đạo trình tăng cường; Đạo trình tim – case 9

Khi thực hiện luyện, xác thực và thử nghiệm mạng với ma trận đầu vào được gán trọng số phân bố lần lượt, chúng ta nhận được kết quả tương tự như trường hợp không gán trọng số (case 0).

Kết quả thử nghiệm, kiểm chứng trên mô hình bài báo[3]

Để xác minh hiệu quả của mô hình mạng MLP trong việc chẩn đoán bệnh rối loạn nhịp tim, chúng tôi sử dụng kết quả từ mô hình MLP đã được trình bày trong bài báo “Application of neuron network in medical diagnostics” của tác giả S Kajan, D.

Pernecký và Goga đã áp dụng mạng neuron vào cơ sở dữ liệu về rối loạn nhịp tim, trong đó dữ liệu được chia thành hai phần: 60% cho đào tạo và 40% cho thử nghiệm Các bộ dữ liệu thử nghiệm được phân chia theo tỷ lệ tương đương giữa phần kiểm tra và phần xác thực.

Trong nghiên cứu này, một lớp ẩn đã được xác định trong cấu trúc mạng, với số lượng tế bào thần kinh được điều chỉnh thành 25 neuron Số lượng này được giữ cố định cho tất cả các tập dữ liệu, mang lại kết quả tốt nhất cho mô hình thần kinh thông qua thuật toán lan truyền ngược.

Hình 3.11: Kết quả xác thực tốt nhất theo bài báo[3]

Bảng 3.22: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn nhịp tim theo bài báo[3]

Bảng 3.23: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim theo bài báo[3]

Do sự khác biệt giữa phiên bản phần mềm luyện mạng của đồ án và bài báo, chúng tôi đã tiến hành mô phỏng lại mô hình mạng và phương pháp luyện mạng theo cách thức trong bài báo trên phần mềm của đồ án, và đã thu được kết quả như sau:

Hình 3.12: Mạng neuron chẩn đoán hai lớp MLP mô phỏng lại bài báo[3]

Hình 3.13: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3]- case 0

Bảng 3.24: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] - case 0

Bảng 3.25: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3]- case 0

Từ trên ta có bảng đánh giá mô hình MLP đã thiết kế trong đồ án và trong bài báo[3] nhƣ sau:

Kết quả đào tạo Mạng

Kết quả xác thực tốt nhất

Trường hợp luyện mạng theo thiết kế của đồ án 76.3 23.7 0.116 53

Kết quả luyện mạng của bài báo[3] 72.31 - 79.86 20,14 -27.9 0.023 Không xác định

Trường hợp luyện mạng theo thiết kế mô phỏng lại bài báo[3]

Bảng 3.26: Đánh giá mô hình MLP đã thiết kế trong đồ án và trong bài báo[3]

Từ bảng 3.26 trên ta thấy :

- Tỉ lê thành công của cả 3 trường hợp là tương đương nhau

Kết quả xác thực cho trường hợp 2 và 3 vượt trội hơn so với trường hợp 1, điều này cho thấy rằng việc tăng số lượng nút ẩn trong mạng giúp mạng nắm bắt nhiều đặc tính của dữ liệu huấn luyện hơn, từ đó cải thiện kết quả Tuy nhiên, việc này cũng dẫn đến thời gian hội tụ lâu hơn.

Chúng tôi cũng tiến hành gán trọng số cho các thuộc tính đầu vào trong thiết kế mạng, dựa trên nghiên cứu trong bài báo [3], và đã đạt được những kết quả đáng chú ý.

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính đạo trình tăng cường - case 1:

Hình 3.14: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3] – case 1

Bảng 3.27: Bảng chỉ số tốt nhất của mô hình mạng neuron phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] – case 1

Bảng 3.28: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] – case 1

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính đạo trình tim - Case 2:

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính đạo trình cơ bản - Case 3:

Hình 3.16: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3]– case 3

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DI của đạo trình cơ bản – case 4:

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DII của đạo trình cơ bản – case 5:

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DIII của đạo trình cơ bản – case 6:

- Kết quả trường hợp gán trọng số bằng không đối với thuộc tính DIII của đạo trình cơ bản và thuộc tính đạo trình tăng cường – case 7:

Dựa trên các kết quả thu được từ trường hợp gán trọng số bằng 0, có thể xác định mức độ quan trọng của các nhóm thuộc tính trong cấu trúc cấp cơ quan chức năng.

Thuộc tính đạo trình cơ bản > Thuộc tính đạo trình tim > Thuộc tính đạo trình tăng cường

Khi thực hiện luyện tập, xác thực và thử nghiệm mạng theo ma trận đầu vào được gán trọng số phân bố lần lượt, chúng ta nhận được kết quả tương tự như trường hợp không gán trọng số (case 0).

Hình 3.21: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3] - case 8

Bảng 3.42: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] - case 8

Hình 3.22: Kết quả xác thực tốt nhất luyện mạng theo thiết kế mô phỏng lại bài báo[3] - case 9

Bảng 3.44: Tỷ lệ thành công của mô hình phân loại bệnh rối loạn nhịp tim luyện mạng theo thiết kế mô phỏng lại bài báo[3] - case 9

Trong chương này, chúng tôi đã thực hiện việc luyện, xác thực và thử nghiệm mạng neuron nhân tạo để hỗ trợ chẩn đoán bệnh rối loạn nhịp tim, bao gồm cả hai trường hợp gán trọng số và không gán trọng số cho các thuộc tính đầu vào Chúng tôi cũng đã trình bày kết quả thử nghiệm và kiểm chứng mô hình mạng đã sử dụng trước đó trong bài báo [3] Thuật toán học của mạng neuron kết hợp giữa mạng neuron truyền thẳng đa lớp và thuật toán lan truyền ngược như đã đề cập trong chương II.

Tiêu đề	Ứng Dụng Trí Tuệ Nhân Tạo Xây Dựng Mạng Neuron Hỗ Trợ Chẩn Đoán Bệnh Rối Loạn Nhịp Tim
Người hướng dẫn	PGS.TS. Huỳnh Lương Nghĩa
Trường học	Trường Đại Học Điện Lực
Chuyên ngành	Công Nghệ Kỹ Thuật – Điện Tử Viễn Thông
Thể loại	Đồ Án Tốt Nghiệp
Năm xuất bản	2019 - 2020
Thành phố	Hà Nội

Định dạng
Số trang	73
Dung lượng	1,5 MB