TỰ ĐỘNG PHÂN LOẠI TÍN HIỆU ECG SỬ DỤNG MÔ HÌNH HỌC SÂU

Tóm tắt

Phát hiện sớm các chứng bệnh liên quan tới tim mạch thông qua tín hiệu ECG đã và đang đóng một vai trò quan trọng trong quá trình điều trị cho người bệnh. Việc ứng dụng trí tuệ nhân tạo vào phát triển một phương pháp tự động phân loại tín hiệu ECG có độ chính xác và tin cậy cao giúp giảm thiểu thời gian chẩn đoán là yêu cầu tất yếu. Nghiên cứu này đề xuất một mô hình học sâu kết hợp giữa mạng tích chập dày đặc (DenseNet) với mạng bộ nhớ dài-ngắn song song (BiLSTM) có số lượng tham số nhỏ vào phân loại tín hiệu ECG. Mô hình đề xuất được kiểm thử trên cơ sở dữ liệu mở bao gồm 827 bản ghi ECG. Mặc dù nghiên cứu chỉ sử dụng số lượng nhỏ dữ liệu cho quá trình huấn luyện nhưng mô hình đề xuất vẫn cho kết quả tốt cùng điểm số F1 tương ứng với các loại bệnh block nhánh phải, block nhánh trái và hội chứng nhịp chậm xoang lần lượt là 0,831; 0,846 và 0,882. Kết quả đạt được có thể làm cơ sở có các nghiên cứu tiếp theo ứng dụng trên các thiết bị có nguồn tài nguyên hạn chế.