Phân loại bệnh rung nhĩ dùng XGBoost và học sâu

Nguyễn Hồng Quang và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> 189(13): 85 - 91<br /> <br /> PHÂN LOẠI BỆNH RUNG NHĨ DÙNG XGBOOST VÀ HỌC SÂU<br /> Nguyễn Hồng Quang1*, Trịnh Văn Loan1, Phạm Ngọc Hưng3,<br /> Hà Quang Thái2, Bùi Trung Anh2, Phan Công Mạnh2<br /> 1<br /> <br /> Trường Đại học Bách Khoa Hà Nội,<br /> Công ty TNHH phát triển phần mềm Toshiba (Việt Nam),<br /> 3<br /> Trường Đại học Sư phạm Kỹ thuật Hưng Yên<br /> <br /> 2<br /> <br /> TÓM TẮT<br /> Bài báo này đề xuất một phương pháp phân loại tín hiệu rung nhĩ được đo từ các thiết bị điện tâm<br /> đồ (ECG) cầm tay. Phương pháp tiếp cận của chúng tôi sử dụng kết hợp XGBoost và mô hình học<br /> sâu (deep learning) trong đó XGBoost được xây dựng trên bộ đặc trưng được tăng cường và tinh<br /> chỉnh qua thực nghiệm, thực hiện vai trò sinh dữ liệu cho mô hình học sâu. Chúng tôi sử dụng các<br /> kỹ thuật phân đoạn và sinh nhãn cho các đoạn tín hiệu, giúp tăng cường, tạo sự cân bằng và độ tin<br /> cậy cho bộ dữ liệu. Mô hình học sâu với hướng tiếp cận học chuyển đổi (transfer learning) được sử<br /> dụng để thực hiện phân loại các đoạn tín hiệu dưới dạng ảnh phổ tần số. Chúng tôi thử nghiệm mô<br /> hình trên bộ dữ liệu của cuộc thi PhysioNet/Computing in Cardiology Challenge 2017 (PCCC<br /> 2017) để phân loại 4 loại tín hiệu: rung nhĩ, bình thường, các loại bệnh tim khác và nhiễu. Mô hình<br /> học sâu thể hiện khả năng dự đoán tốt trên các đoạn dữ liệu ngắn với kết quả F1 = 0.8397. Nghiên<br /> cứu của chúng tôi mở ra một hướng phát triển mới cho bài toán phân loại tín hiệu ECG khi thực<br /> hiện phân loại trên các đoạn tín hiệu ngắn, đồng thời mang đến một giải pháp ứng dụng các mô<br /> hình học sâu khi bài toán gặp những hạn chế về mặt dữ liệu.<br /> Từ khóa: Tín hiệu điện tim, Bệnh rung nhĩ, học sâu, XGBoost, mạng nơ ron tích chập, Biến đổi<br /> Wavelet rời rạc<br /> <br /> GIỚI THIỆU*<br /> Rung nhĩ (hay rung tâm nhĩ, atrial fibrillation)<br /> là một trong những bệnh rối loạn nhịp tim<br /> thường gặp. Rung nhĩ có nguy cơ dẫn đến suy<br /> tim, đột quỵ, và các biến chứng tim mạch<br /> nguy hiểm khác. Người bị bệnh thường phải<br /> đến bệnh viện khám định kỳ để theo dõi nhịp<br /> tim bằng hệ thống máy đo điện tâm đồ<br /> (ECG), tốn kém nhiều thời gian và chi phí.<br /> Những năm gần đây các nhà sản xuất đã cho<br /> ra đời nhiều loại thiết bị đo ECG cầm tay,<br /> giúp việc theo dõi nhịp tim trở nên thuận lợi<br /> và nhanh chóng hơn với người bệnh. Sự phát<br /> triển của các thiết bị đo này cũng mở ra nhiều<br /> cơ hội cho các nhà phát triển tích hợp các hệ<br /> thống phần mềm thông minh đi kèm. Tuy<br /> nhiên, so với việc sử dụng các hệ thống máy<br /> đo ECG 12 kênh (12-lead) thông thường, chất<br /> lượng tín hiệu của các thiết bị đo cầm tay sẽ<br /> kém hơn do chỉ đo đơn kênh (single-lead) và<br /> thường gặp rất nhiều nhiễu do tác động của<br /> môi trường, cũng như sai số do việc đo được<br /> *<br /> <br /> Tel: 0978 813688, Email: quangnh@soict.hust.edu.vn<br /> <br /> thực hiện bởi những người không chuyên.<br /> Những điều này đặt ra nhiều thách thức cho<br /> việc phát triển các thuật toán phân loại tín<br /> hiệu. Nắm bắt được xu hướng phát triển này,<br /> PCCC 2017 đã triển khai đề tài phân biệt tín<br /> hiệu bệnh rung nhĩ với các tín hiệu nhịp tim<br /> thông thường, tín hiệu nhiễu hay các tín hiệu<br /> bệnh tim khác.<br /> Trong nghiên cứu này, chúng tôi đề xuất một<br /> phương pháp giải quyết bài toán phân loại tín<br /> hiệu nhịp tim theo hướng tiếp cận sử dụng kết<br /> hợp XGBoost và học sâu, trong đó XGBoost<br /> đóng vai trò tạo ra dữ liệu, và mô hình học<br /> sâu thực hiện phân loại các mẫu tín hiệu.<br /> Trước tiên, chúng tôi trích chọn các đặc trưng<br /> từ tín hiệu ECG để xây dựng một mô hình<br /> XGBoost. Các đặc trưng sẽ được điều chỉnh<br /> và cải tiến qua quá trình thực nghiệm. Tiếp<br /> theo đó, mô hình XGBoost được sử dụng để<br /> sinh dữ liệu cho mô hình học sâu. Chúng tôi<br /> áp dụng kỹ thuật học chuyển đổi (transfer<br /> learning) trên một mạng CNN (Convolutional<br /> Neural Network) được huấn luyện trước<br /> (pretrained) là VGG-16 [16], kết hợp với một<br /> 85<br /> <br /> Nguyễn Hồng Quang và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> kiến trúc Multi-layer Perceptron (MLP) với<br /> hai lớp ẩn.<br /> Bài báo này đề xuất một phương pháp mới có<br /> khả năng phát hiện các mẫu tín hiệu ngắn bất<br /> thường xuất hiện trong đoạn tín hiệu dài.<br /> Chúng tôi thử nghiệm và đánh giá mô hình<br /> này trên dữ liệu của PCCC 2017. Phần tiếp<br /> theo sẽ trình bày về các nghiên cứu liên quan.<br /> Phần 3 mô tả phương pháp đề xuất. Phần 4<br /> trình bày kết quả thử nghiệm và đánh giá.<br /> Phần 5 là kết luận và định hướng nghiên cứu<br /> tiếp theo.<br /> CÁC NGHIÊN CỨU LIÊN QUAN<br /> Bài toán phân loại tín hiệu ECG đã được các<br /> nhà nghiên cứu thử nghiệm và tiếp cận theo<br /> nhiều hướng khác nhau. Hướng nghiên cứu<br /> trích chọn đặc trưng (feature engineering) kết<br /> hợp các thuật toán phân lớp trong họ cây<br /> quyết định là một hướng tiếp cận phổ biến và<br /> hiệu quả. Chẳng hạn như Teijeiro và cộng sự<br /> [6] (đạt kết quả tốt nhất của PCCC 2017) đã<br /> thử nghiệm trên 79 đặc trưng, bao gồm các<br /> đặc trưng hình thái, đặc trưng thống kê và sử<br /> dụng XGBoost để tối ưu trên 8-fold crossvalidation. Zabihi và cộng sự [8] cũng sử<br /> dụng 491 đặc trưng, bao gồm các đặc trưng<br /> về hình thái miền thời gian, các đặc trưng<br /> miền tần số, các đặc trưng miền thời gian-tần<br /> số; sau đó 150 đặc trưng được lựa chọn và sử<br /> dụng bộ phân lớp Random Forest. Bin và<br /> cộng sự [7] sử dụng các đặc trưng riêng của<br /> bệnh rung nhĩ, hay các đặc trưng liên quan<br /> đến khoảng RR (khoảng cách giữa 2 đỉnh R<br /> của tín hiệu điện tim), sử dụng tập hợp cây<br /> quyết định huấn luyện bằng thuật toán<br /> AdaBoost.M2. Trên bộ dữ liệu MIT/BIH gồm<br /> 5 loại nhịp tim, Emanet trích chọn các đặc<br /> trưng từ tín hiệu ECG sử dụng biến đổi<br /> wavelet rời rạc (Discrete Wavelet Transform)<br /> kết hợp với bộ phân lớp Random Forest và<br /> đạt độ chính xác 99.8% [9].<br /> Bên cạnh hướng trích chọn đặc trưng, không<br /> nằm ngoài xu hướng chung, học sâu cũng<br /> được thử nghiệm cho bài toán phân loại tín<br /> 86<br /> <br /> 189(13): 85 - 91<br /> <br /> hiệu ECG. Các nghiên cứu sử dụng mạng<br /> CNNs có thể kể đến Pyakillya và cộng sự<br /> [10] sử dụng 7 lớp 1D-CNNs và 3 lớp FC<br /> (Fully Connected) với đầu vào là dữ liệu<br /> chuỗi thời gian (time series), hay Al Rahhal<br /> và cộng sự [11] sử dụng CNNs với hướng tiếp<br /> cận transfer learning. Ngoài ra, các kiến trúc<br /> RNNs, GRU hay LSTM là một hướng triển<br /> vọng khác cho dữ liệu dạng time series như<br /> ECG. Sujadevi và cộng sự [12] sử dụng bộ dữ<br /> liệu MIT-BIH Physionet để thử nghiệm các<br /> kiến trúc RNNs, GRU, LSTM trên tín hiệu<br /> gốc, không cần qua các bước tiền xử lý như<br /> khử nhiễu hay lọc tín hiệu nhưng đạt độ chính<br /> xác 95% đến 100%. Mohamad M. Al Rahhal<br /> và cộng sự [13] thử nghiệm kết hợp CNN và<br /> LSTM (CRNN) trên dữ liệu ảnh phổ tần số<br /> được biến đổi từ tín hiệu ECG gốc.<br /> Các mô hình học sâu là một hướng tiếp cận<br /> phổ biến trong nhiều lĩnh vực với hiệu quả<br /> vượt trội so với nhiều thuật toán học máy<br /> truyền thống khác. Tuy nhiên học sâu thường<br /> chỉ phù hợp cho các bài toán có kích thước dữ<br /> liệu lớn. Trong khi đó các bộ dữ liệu về ECG<br /> như bộ dữ liệu của PCCC 2017 thường bị giới<br /> hạn về số lượng, đặc biệt là các mẫu nhịp tim<br /> thể hiện bệnh. Vì vậy các nghiên cứu ứng<br /> dụng học sâu trong lĩnh vực liên quan đến tín<br /> hiệu ECG vẫn chưa thực sự dồi dào do giới<br /> hạn về mặt dữ liệu. Nghiên cứu này của<br /> chúng tôi mở ra một hướng giải quyết để xây<br /> dựng các mô hình học sâu trong điều kiện hạn<br /> chế về mặt dữ liệu. Ngoài ra, điểm chung của<br /> các nghiên cứu kể trên là việc phân loại được<br /> thực hiện trên đoạn tín hiệu ECG dài (như bộ<br /> dữ liệu PCCC 2017 các tín hiệu dài 9 đến 61<br /> giây). Trong khi đó đặc điểm của rất nhiều<br /> bệnh tim (trong đó có bệnh rung nhĩ) là các<br /> dấu hiệu bất thường chỉ xảy ra bất chợt trong<br /> vài giây, đặt ra nhu cầu trong việc xác định<br /> được các mẫu tín hiệu nhịp tim bệnh trên cả<br /> đoạn tín hiệu dài. Phương pháp đề xuất của<br /> chúng tôi cũng có khả năng phát hiện các mẫu<br /> tín hiệu ngắn bất thường xuất hiện trong đoạn<br /> tín hiệu dài.<br /> <br /> Nguyễn Hồng Quang và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> PHƯƠNG PHÁP ĐỀ XUẤT<br /> Phương pháp chúng tôi đề xuất gồm các bước<br /> phân đoạn tín hiệu điện tim ngắn, lọc các<br /> đoạn tín hiệu điện tim ngắn sử dụng bộ phân<br /> lớp XGBoost, huấn luyện và thử nghiệm nhận<br /> dạng các đoạn tín hiệu điện tim ngắn sử dụng<br /> phương pháp học sâu.<br /> Phân đoạn tín hiệu điện tim ngắn<br /> Để có thể phát hiện các mẫu tín hiệu bất<br /> thường trong tín hiệu điện tim, chúng tôi thực<br /> hiện đánh giá trên từng đoạn tín hiệu điện tim<br /> ngắn. Vì tín hiệu ngắn nhất trong bộ dữ liệu<br /> PCCC 2017 có độ dài 2352 mẫu, và vì thông<br /> tin chúng tôi sử dụng để huấn luyện mô hình<br /> học sâu là thông tin trên miền tần số, do vậy<br /> chúng tôi chọn độ dài của đoạn tín hiệu điện<br /> tim là 2048 mẫu (giá trị lũy thừa của 2 lớn<br /> nhất nhỏ hơn độ dài trên).<br /> Như đã trình bày ở phần trên, để có thể huấn<br /> luyện mạng nơ ron sâu hiệu quả thì cần có bộ<br /> dữ liệu lớn và có phân bố đồng đều giữa các<br /> lớp. Tuy nhiên bộ dữ liệu của PCCC 2017 lại<br /> có sự phân bố không đồng đều giữa các lớp<br /> (mục 4.1). Do đó để tạo sự cân bằng dữ liệu<br /> giữa các lớp trong tập dữ liệu huấn luyện,<br /> chúng tôi lựa chọn khoảng dịch khi thực hiện<br /> phân đoạn dựa vào lớp của tín hiệu. Chúng tôi<br /> chọn cố định 20000 đoạn tín hiệu điện tim<br /> ngắn cho từng lớp. Như vậy với lớp có nhiều<br /> mẫu thì độ dịch lớn và ngược lại với lớp có ít<br /> mẫu thì độ dịch nhỏ. Từ đó với từng lớp<br /> Normal, AF, Other và Noise, chúng tôi tính<br /> được khoảng dịch là 2248 điểm, 150 điểm,<br /> 400 điểm và 35 điểm.<br /> Lọc các tín hiệu điện tim ngắn<br /> Vì trong cả một tín hiệu điện tim dài, đã phần<br /> là ở dạng Normal, các dạng tín hiệu điện tim<br /> bất thường như AF, Other và Noise chỉ xuất<br /> hiện rải rác. Như vậy không phải tất cả các<br /> đoạn trong mẫu AF (Other/Noise) đều được<br /> gán nhãn là AF. Do vậy chúng tôi đã xây<br /> dựng một bộ lọc dựa trên mô hình XGBoost<br /> để gán nhãn lại cho từng đoạn tín hiệu điện<br /> tim ngắn.<br /> <br /> 189(13): 85 - 91<br /> <br /> Đầu tiên chúng tôi thực hiện trích chọn đặc<br /> trưng. Các đặc trưng phổ biến cho tín hiệu<br /> ECG đã được phát triển và chọn lọc từ nhiều<br /> nghiên cứu trước [2], như các đặc trưng xử lý<br /> tín hiệu số sử dụng biến đổi wavelet [17], các<br /> đặc trưng về hình thái sóng [18] hay sử dụng<br /> mạng nơ-ron để xác định các đặc trưng cho<br /> tín hiệu ECG [19]. Ở trong nghiên cứu này,<br /> chúng tôi sử dụng 2 nhóm đặc trưng của tín<br /> hiệu ECG.<br /> <br /> Hình 1. Lựa chọn đoạn tín hiệu để huấn luyện mô<br /> hình deep learning cho lớp Normal<br /> <br /> Các đặc trưng thống kê: Một mẫu tín hiệu<br /> ECG đặc trưng sẽ xuất hiện các sóng P-QRST. Các thông tin liên quan đến vị trí, khoảng<br /> cách, biên độ các sóng này trên mỗi tín hiệu<br /> sẽ được thu thập. Ví dụ: các biên độ của sóng<br /> R, các vị trí của sóng R, các khoảng cách giữa<br /> 2 đỉnh R, ... Các hàm thống kê như average,<br /> median, standard deviation, min, max,<br /> percentile [75%, 25%, 90%, 10%] được sử<br /> dụng để rút ra những đặc trưng thống kê trên<br /> mỗi miền đặc trưng thu thập được.<br /> Các đặc trưng biến đổi nhịp tim (HRV, HeartRate Variability) [14]: các đặc trưng HRV<br /> được trích xuất từ tín hiệu ECG qua các đặc<br /> trưng miền thời gian, miền tần số và phân tích<br /> thống kê, cung cấp thông tin về sự thay đổi<br /> giữa các nhịp tim liên tiếp. Chúng tôi sử dụng<br /> bộ công cụ Neurokit [15] để trích xuất các<br /> đặc trưng này.<br /> Chúng tôi sử dụng những đặc trưng trên để<br /> huấn luyện bộ phân lớp sử dụng mô hình<br /> XGBoost. Đầu vào của bộ phân lớp là một<br /> đoạn tín hiệu điện tim ngắn và đầu ra là 1<br /> trong 4 lớp Normal, AF, Other và Noise. Tiếp<br /> 87<br /> <br /> Nguyễn Hồng Quang và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> theo đoạn tín hiệu điện tim ngắn được mô<br /> hình XGBoost nhận dạng khác với lớp của<br /> mẫu chứa đoạn tín hiệu này thì đoạn tín hiệu<br /> này sẽ bị loại bỏ [Hình 1]. Sau đó chúng tôi<br /> chuyển đổi đoạn tín hiệu ECG này sang dạng<br /> ảnh phổ tẩn số [Hình 2].<br /> <br /> 189(13): 85 - 91<br /> <br /> toán điện tim. Đầu vào của mạng VGG-16 là<br /> các ảnh có kích thước 224x224x3. Vector đặc<br /> trưng đầu ra của khối convolution trong mạng<br /> VGG-16 có kích thước 25088 chiều. Chúng<br /> tôi xây dựng thêm một số lớp kết nối đầy đủ<br /> (fully-connected) phù hợp cho việc phân loại<br /> các tín hiệu ECG.<br /> THỬ NGHIỆM VÀ ĐÁNH GIÁ<br /> Bộ dữ liệu PCCC 2017<br /> <br /> Hình 2. Ví dụ ảnh phổ tần số của đoạn tín hiệu<br /> ECG<br /> <br /> Huấn luyện mạng nơ ron sâu để nhận dạng<br /> bệnh rung nhĩ<br /> Ảnh phổ tần số (224x224x3)<br /> Mạng VGG16<br /> Lớp kết nối đầy đủ (25088)<br /> Lớp kết nối đầy đủ (2048)<br /> Lớp kết nối đầy đủ (2048)<br /> Kết quả nhận dạng (4)<br /> Hình 3. Kiến trúc mô hình học sâu<br /> <br /> Chúng tôi đề xuất kiến trúc mô hình học sâu<br /> mới dựa trên mô hình mạng CNN để nhận<br /> dạng một đoạn tín hiệu điện tim ngắn thuộc<br /> vào một trong 4 lớp Normal, AF, Other và<br /> Noise [Hình 3]. Các mạng CNNs thường bao<br /> gồm 2 thành phần chính: phần trích xuất đặc<br /> trưng (các lớp convolution) và phần phân loại<br /> (là các lớp fully-connected). Chúng tôi áp<br /> dụng phương pháp “transfer learning” theo<br /> cách dùng 1 một mạng CNN đã xây dựng sẵn<br /> để làm bộ trích xuất đặc trưng. Phần trích<br /> xuất đặc trưng của nhiều mô hình CNNs đã<br /> được huấn luyện trên bộ dữ liệu lớn nên có<br /> khả năng học được các đặc trưng tốt cho phần<br /> lớn các dữ liệu cùng loại. Ở đây chúng tôi<br /> chọn mạng VGG-16 vì hai nguyên nhân. Thứ<br /> nhất mạng VGG-16 đạt thứ hạng rất cao (thứ<br /> 2) trong cuộc thi phân loại ảnh ImageNet<br /> 2014 [21]. Nguyên nhân thứ 2 là mạng VGG16 có số tầng không quá lớn, vì vậy phù hợp<br /> với bài toán có bộ dữ liệu hạn chế như bài<br /> 88<br /> <br /> Bộ dữ liệu được sử dụng trong cuộc thi PCCC<br /> 2017 bao gồm 8528 bản ghi ECG đơn kênh ở<br /> tần số 300Hz, với độ dài khác nhau, từ 9 giây<br /> (2700 giá trị) đến 61 giây (18300 giá trị). Dữ<br /> liệu được gán nhãn thành 4 lớp: N (Normal)<br /> bao gồm các tín hiệu nhịp tim thông thường,<br /> A (AF) là các tín hiệu nhịp tim của người bị<br /> rung nhĩ, O (Other) là các tín hiệu nhịp tim<br /> bệnh khác, ~ (Noise) là các tín hiệu nhiễu. Số<br /> lượng các mẫu trong từng lớp là không cân<br /> bằng, phần lớn là các mẫu Normal với 5076<br /> mẫu và Other với 2415 mẫu. Số lượng mẫu<br /> AF và Noise rất ít với 758 và 279 mẫu.<br /> <br /> Hình 3. Phân bố chiều dài của các mẫu dữ<br /> liệu trong tập huấn luyện (hình bên trái), tập xác<br /> thực (hình ở giữa) và tập thử nghiệm (hình bên<br /> phải), đồng thời tương ứng với 4 lớp Normal<br /> (dòng trên cùng), AF (dòng thứ hai), Other (dòng<br /> thứ ba) và Noise (dòng thứ tư).<br /> <br /> Nguyễn Hồng Quang và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> Chúng tôi chia dữ liệu thành 3 tập: tập huấn<br /> luyện (Training), tập xác thực (Validation),<br /> tập kiểm tra (Test). Trong đó, 70% số mẫu<br /> của mỗi lớp được dùng cho Training, 15%<br /> mẫu mỗi lớp dùng cho Validation, 15% mẫu<br /> mỗi lớp dùng cho Test.<br /> Nhìn hình 1 chúng tôi nhận thấy đa phần các<br /> bản ghi có chiều dài 9000 mẫu (tương ứng<br /> với 30 giây). Tuy còn có những bản ghi có<br /> chiều dài rất ngắn (khoảng 2500 mẫu) hoặc có<br /> những bản ghi có chiều dài lớn (khoảng<br /> 18000 mẫu), tuy nhiên số lượng các bản ghi<br /> này khá nhỏ. Sự phân bố này đồng đều cho tất<br /> cả 4 lớp Normal, AF, Other, Noise, cũng như<br /> có sự phân bố đồng đều trên các tập huấn<br /> luyện, tập xác thực và tập thử nghiệm.<br /> Độ chính xác của mô hình được đánh giá bằng<br /> giá trị F1 = (F1n + F1a + F1o + F1n)/4, trong<br /> đó F1n, F1a, F1o, F1n lần lượt là giá trị F1 tính<br /> trên từng lớp Normal, AF, Other và Noise.<br /> Phân loại tín hiệu gốc dùng XGBoost<br /> Như chúng tôi đã đề cập, tín hiệu ECG thu<br /> thập qua các thiết bị cầm tay thường gồm rất<br /> nhiều nhiễu, vì vậy chúng tôi cũng kết hợp<br /> thử nghiệm việc lọc nhiễu tín hiệu trước khi<br /> đưa vào XGBoost. Chúng tôi phân rã tín hiệu<br /> thành các thành phần tần số khác nhau theo<br /> kỹ thuật Wavelet Multi-Resolution Analysis,<br /> sử dụng DWT, hàm ‘db6’, mức phân rã là 9.<br /> Những tín hiệu thành phần có tần số không<br /> phù hợp như D1 và D9 sẽ được loại bỏ.<br /> Bảng 1. Kết quả thử nghiệm phân lớp tín hiệu<br /> điện tim sử dụng bộ phân lớp XGBoost (tính theo<br /> F1-score)<br /> Đặc trưng<br /> Thống kê<br /> Thống kê + HRV<br /> <br /> Dữ liệu<br /> gốc<br /> 0.7133<br /> 0.7222<br /> <br /> Dữ liệu<br /> lọc nhiễu<br /> 0.6898<br /> 0.7421<br /> <br /> Chúng tôi thử nghiệm mô hình phân lớp<br /> XGBoost trên các loại đặc trưng khác nhau:<br /> đặc trưng thống kê và đặc trưng HRV. Các<br /> đặc trưng sẽ được trích xuất trên cả 2 bộ dữ<br /> liệu gốc và bộ dữ liệu đã được lọc nhiễu. Kết<br /> quả phân lớp tính theo F1-score được liệt kê<br /> trong Bảng 1.<br /> <br /> 189(13): 85 - 91<br /> <br /> Như vậy, lọc nhiễu giúp mô hình dự đoán<br /> chính xác hơn ngoại trừ trường hợp chỉ dùng<br /> đặc trưng thống kê. Việc tăng cường thêm đặc<br /> trưng cũng giúp mô hình đạt được kết quả cao<br /> hơn cho dữ liệu gốc.<br /> Kết quả nhận dạng các đoạn tín hiệu ngắn<br /> ECG<br /> Chúng tôi thử nghiệm huấn luyện tối ưu mạng<br /> theo hai hàm loss: Cross-entropy loss và F1<br /> loss [5]. Kết quả phân loại F1-score được<br /> tổng hợp trong bảng 2. Kết quả ở bảng 2 cho<br /> thấy việc tối ưu trực tiếp theo F1 đem lại kết<br /> quả trên F1-score tốt hơn (0.8397 so với<br /> 0.8304). Các mô hình thường gặp nhầm lẫn<br /> nhiều ở các trường hợp: AF bị nhầm thành<br /> Other và ngược lại. Trường hợp này thường<br /> dễ xảy ra do nhiều bệnh lý về tim khác<br /> (Other) cũng xuất hiện những dấu hiệu bất<br /> thường về nhịp tim như rung nhĩ, trong khi đó<br /> các hình thái của bệnh rung nhĩ cũng khá đa<br /> dạng. Kết quả F1 = 0.8397 là tương đương<br /> với kết quả của top 1 trong cuộc thi PCCC<br /> 2017. Sự khác biệt cũng như ưu điểm trong<br /> phương pháp của chúng tôi là mô hình có thể<br /> dự đoán cho mẫu tín hiệu ngắn hơn.<br /> Bảng 2. Kết quả nhận dạng (F1) các đoạn tín hiệu<br /> ECG khi tối ưu theo cross-entropy loss và F1-score<br /> Lớp<br /> <br /> Tối ưu theo<br /> cross entropy<br /> loss<br /> <br /> Tối ưu theo<br /> F1-score<br /> <br /> Normal<br /> <br /> 0.8747<br /> <br /> 0.8759<br /> <br /> AF<br /> <br /> 0.8316<br /> <br /> 0.8427<br /> <br /> Other<br /> <br /> 0.6915<br /> <br /> 0.7098<br /> <br /> Noise<br /> <br /> 0.9239<br /> <br /> 0.9302<br /> <br /> F1 trung bình<br /> <br /> 0.8304<br /> <br /> 0.8397<br /> <br /> KẾT LUẬN<br /> Trong nghiên cứu này, chúng tôi đã đề xuất<br /> một hướng giải quyết mới cho việc ứng dụng<br /> học sâu trên các bài toán gặp hạn chế về dữ<br /> liệu nói chung và bài toán phân loại tín hiệu<br /> ECG nói riêng. Phương pháp của chúng tôi<br /> kết hợp 2 mô hình XGBoos và học sâu trong<br /> đó XGBoost được xây dựng trước và đóng<br /> 89<br /> <br />