Tóm tắt Đề án tốt nghiệp Thạc sĩ: Giải pháp học máy phát hiện rối loạn nhịp tim dựa trên dữ liệu điện tâm đồ

Trong bối cảnh chuyển đổi số y tế toàn cầu, sự tích hợp các công nghệ tiên tiến như Internet vạn vật y tế (IoMT) và học sâu (Deep Learning) đang cách mạng hóa việc giám sát, chẩn đoán và chăm sóc sức khỏe cá nhân. Tín hiệu điện tâm đồ (ECG) là một công cụ chẩn đoán tim mạch thiết yếu. Đề tài này khai thác tiềm năng của sự kết hợp giữa IoMT và các giải pháp học sâu, đặc biệt là mạng nơ-ron tích chập một chiều (1D-CNN), để phát triển một hệ thống giám sát sức khỏe từ xa thông minh và chính xác. Mục tiêu là xây dựng giải pháp học máy phát hiện rối loạn nhịp tim hiệu quả dựa trên dữ liệu điện tâm đồ, đáp ứng yêu cầu về độ chính xác cao và khả năng phản hồi nhanh cho các ứng dụng thời gian thực.

Nghiên cứu sinh, sinh viên và các nhà nghiên cứu trong lĩnh vực kỹ thuật y sinh, công nghệ thông tin, kỹ thuật viễn thông, trí tuệ nhân tạo, cũng như các chuyên gia y tế quan tâm đến ứng dụng AI trong chẩn đoán tim mạch và hệ thống IoMT.

Đề án "Giải pháp học máy phát hiện rối loạn nhịp tim dựa trên dữ liệu điện tâm đồ" tập trung vào việc ứng dụng học máy tiên tiến để tự động phát hiện các bất thường trong hoạt động tim mạch. Trọng tâm là sử dụng mạng nơ-ron tích chập một chiều (1D-CNN), một mô hình học sâu đã được chứng minh hiệu quả trong việc phân tích tín hiệu thời gian như ECG. Khác với các phương pháp truyền thống đòi hỏi trích xuất đặc trưng thủ công bởi chuyên gia, mô hình 1D-CNN tự động hóa quá trình này, học hỏi các mẫu phức tạp từ dữ liệu thô. Quy trình này bao gồm các bước từ tiền xử lý tín hiệu điện tâm đồ, thiết kế kiến trúc mạng nơ-ron, đến huấn luyện mô hình trên bộ dữ liệu MIT-BIH Arrhythmia nổi tiếng. Nội dung đề án được cấu trúc rõ ràng, bắt đầu bằng việc tổng quan về hệ thống IoMT, tín hiệu ECG và các phương pháp học sâu liên quan đến phân tích tín hiệu y sinh. Tiếp theo là mô tả chi tiết quá trình xây dựng và huấn luyện mô hình CNN 1D, nhấn mạnh các bước kỹ thuật và dữ liệu sử dụng. Cuối cùng, đề án tiến hành phân tích và đánh giá hiệu suất của mô hình bằng các chỉ số định lượng như độ chính xác, điểm F1 và ROC-AUC, đồng thời xem xét thời gian dự đoán để đảm bảo tính khả dụng trong ứng dụng thực tế. Giải pháp này mang lại giá trị ứng dụng cao trong việc giám sát sức khỏe từ xa, chẩn đoán tự động và hỗ trợ các quyết định lâm sàng, góp phần nâng cao hiệu quả chăm sóc y tế với khả năng xử lý dữ liệu lớn và độ chính xác vượt trội.