Luận án Phân tích tín hiệu điện tim cho việc cải thiện trong chẩn đoán bệnh tim

Tín hiệu ECG sau khi thu được, ngoài việc chứa đựng thông tin cần thiết thì
cũng mang rất nhiều thành phần nhiễu, mà nguyên nhân có thể là do tâm lý người
bệnh lúc đo, do nguồn điện cung cấp, do kết nối đầu dò tín hiệu, do đường cơ sở tín
hiệu bị trôi, do thiết bị đo hoặc những yếu tố khác. Vì vậy, tiền xử lý tín hiệu điện tim
để loại bỏ những thành phần nhiễu không mong muốn là công việc rất quan trọng
nhưng cũng rất khó khăn trong phân tích tín hiệu.
Mặc dù có rất nhiều kỹ thuật đã được các nhà khoa học sử dụng cho việc xử
lý tín hiệu điện tim trước đây. Tuy nhiên, vẫn còn rất nhiều thử thách trong xử lý tín
hiệu điện tim và phân loại bệnh tim dựa vào tín hiệu điện tim mà nguyên nhân gồm
nhiều yếu tố được mô tả như sau [6]:
1 - Tính biến đổi của đặc trưng tín hiệu ECG, nhịp tim của từng cá nhân khác
nhau thì mang những đặc trưng khác nhau mặc dù họ bị chung một loại bệnh, chưa
kể đến vấn đề nhịp tim của mỗi cá nhân cũng biến đổi theo từng thời điểm sinh lý và
tinh thần khác nhau.
2 - Không tồn tại 1 quy luật phân loại tối ưu nào cho việc phân loại bệnh tim
dùng tín hiệu ECG, mặc dù đã có nhiều phương pháp được sử dụng nhưng hiện tại
chưa có một thuật toán nào là tối ưu cho việc phân loại bệnh.
3 - Tính phức tạp trong tín hiệu ECG, một tín hiệu ECG thông thường chỉ bao
gồm các đỉnh P, Q, R, S, T, và U, tuy nhiên trên thực tế thì một tín hiệu ECG thông
thường có thể bao gồm hàng nghìn các đỉnh và các đỉnh này có thể có dạng khác nhau
là cho việc trích xuất đặc trưng sẽ khó khăn.
4 - Xây dựng một bộ phân loại tín hiệu ECG theo thời gian thực là vấn đề rất
khó khăn bởi vì trên tín hiệu ECG tồn tại rất nhiều tham số. 
pdf 162 trang phubao 26/12/2022 4240
Bạn đang xem 20 trang mẫu của tài liệu "Luận án Phân tích tín hiệu điện tim cho việc cải thiện trong chẩn đoán bệnh tim", để tải tài liệu gốc về máy hãy click vào nút Download ở trên.

File đính kèm:

  • pdfluan_an_phan_tich_tin_hieu_dien_tim_cho_viec_cai_thien_trong.pdf
  • pdfQD thanh lap HD.pdf
  • docTrang thong tin Luan an tieng Anh _ NCS Nguyen Thanh Nghia_11_07_2022.doc
  • docTrang thong tin Luan an tieng Viet _ NCS Nguyen Thanh Nghia_11_07_2022.doc

Nội dung text: Luận án Phân tích tín hiệu điện tim cho việc cải thiện trong chẩn đoán bệnh tim

  1. Chương 5: Tính toán kích thước kernel của các lớp tích chập trong mạng học sâu cho phân loại bệnh tim điện tim để thu được tín hiệu điện tim mịn hơn. Hơn nữa, tác giả đề xuất cấu trúc mạng Faster R-CNN cho phân loại 5 loại bệnh tim. Độ chích xác phân loại bệnh tim của hệ thống này là 99.21%. Trong một nghiên cứu khác, Shu Lih Oh và các cộng sự [15], đã đề xuất một mạng học sâu CNN - LSTM cho trích đặc trưng của tín hiệu nhịp tim từ tập dữ liệu MIT-BIH. Trong nghiên cứu này, mỗi nhịp tim trong tín hiệu điện tim được cắt ra với độ dài 260 mẫu, và các nhịp tim này được chuẩn hóa dùng phương pháp z-score trước khi đưa vào mạng phân loại. Ở mạng phân loại, một mạng MLP với các lớp kết nối đầy đủ được áp dụng để phân loại bệnh tim và độ chính xác phân loại bệnh tim thu được là 98.10%. Yong Xia và các cộng sự [16] đã đề xuất một sự kết hợp giữa biến đổi wavelet tĩnh và mạng học sâu DCNN để phân loại các loại bệnh tim. Cụ thể, một bộ lọc thông dãi với bậc là 10 và tần số dãi thông là 0.5 Hz – 50 Hz được áp dụng để loại bỏ nhiễu đường cơ sở, nhiễu do nguồn xoay chiều cung cấp và nhiễu điện cơ để thu được tín hiệu điện tim không có nhiễu. Từ đó, tín hiệu này được phân rã dùng thuật toán biến đổi wavelet tĩnh ở mức 6 để thu được 6 thành phần chi tiết và xấp xỉ. Tất cả các thành phần này được kết hợp thành dữ liệu 2 chiều để đưa vào mạng DCNN. Mạng DCNN bao gồm 2 lớp tích chập, 2 lớp max-pooling, 2 lớp Relu, một lớp dropout, 2 lớp kết nối đầy đủ và một lớp sofmax. Tín hiệu điện tim MIT-BIH được sử dụng để kiểm tra mô hình phân loại được đề xuất và độ chính xác phân loại thu được là 98.63%. Trong luận án này, một phương pháp tính các kích thước của kernel ở các lớp tích chập của mạng học sâu được đề xuất để trích được những đặc trưng nhất của các loại bệnh tim trong tín hiệu nhịp tim. Từ kích thước của các kernel được tín toán, số lượng lớp tích chập được lựa chọn dựa vào số lượng các kernel đã được tính ở trên. Cụ thể, với 7 lớp tích chập thì độ chính xác phân loại bệnh tim thu được là tốt nhất. Hơn nữa, chiều dài của một nhịp tim và hàm wavelet phù hợp cho việc phân loại bệnh tim cũng được khảo sát. Kết quả thực nghiệm cho thấy rằng, với chiều dài của một nhịp tim là 300 và hàm wavelet là dmey là phù hợp nhất cho phân loại bệnh tim. Trong các nghiên cứu [14, 17], các tác giả sử dụng hàm wavelet daubechies để lọc nhiễu trên tín hiệu điện tim. Trong luận án này, tác giả sử dụng hàm wavelet Trang – 124 –
  2. Chương 5: Tính toán kích thước kernel của các lớp tích chập trong mạng học sâu cho phân loại bệnh tim Classification", IJCSNS International Journal of Computer Science and Network Security, Vol. 19, No. 1, pp. 74-84, 2019. (ESCI) [3]. Thanh-Nghia Nguyen, Thanh-Hai Nguyen, Thanh-Tam Nguyen, "A Remote Diagnostic System using Deep Learning Network for Heart Disease Detection," in Proceedings of 2021 International Conference on System Science and Engineering, Vietnam, pp. 274 - 278, 2021. (ISBN: 978-1- 6654-4848-2). [4]. Duong Van Binh, Nguyen Thanh Nghia, Nguyen Thanh Hai and Nguyen Manh Hung, "Design of Classifier for Electrocardiography Classification", in Proceedings of 7th International Conference on the Development of Biomedical Engineering in Vietnam (BME7), Vietnam, Vol. 69, pp. 552- 557, 2018. Trang – 126 –
  3. Chương 6: Kết luận và hướng phát triển Luận án còn đề xuất giải thuật wkPCA để trích các đặc trưng của tín hiệu điện tim cho áp dụng một mạng truyền thẳng nhiều lớp cho phân loại các loại bệnh tim. Cụ thể, giải thuật wkPCA này đề xuất sử dụng kernel kết hợp với phân tích thành phần chính để trích các đặc trưng của tín hiệu nhịp tim sau khi lọc nhiễu dùng phương pháp WDFR. Trong thuật toán wkPCA này, tín hiệu nhịp tim được ánh xạ sang miền không gian mới sử dụng phương pháp kernel nhằm tách các loại bệnh khác nhau ra xa nhau để hiệu suất phân loại đạt tốt hơn. Cụ thể, dữ liệu nhịp tim trong miền không gian mới được trích thành phần chính có trong nhịp tim của bệnh tim và đồng thời giảm chiều dữ liệu. Cuối cùng, một mạng truyền thẳng bốn lớp gồm 3 lớp ẩn và 1 lớp ngõ ra đã được áp dụng để phân loại các loại bệnh tim sử dụng những đặc trưng được trích dùng giải thuật wkPCA. Kết quả độ chính xác của bộ phân loại thu được là 98.04% với 5 loại bệnh tim khác nhau, điều này chứng tỏ phương pháp trích đặc trưng được đề xuất là phù hợp cho việc trích đặc trưng trên tín hiệu điện tim dùng cho mạng truyền thẳng nhiều lớp cho phân loại các loại bệnh tim. Cho sự phát triển hiệu suất phân loại, luận án đã áp dụng một mạng học sâu gồm 26 lớp để phân loại các loại bệnh tim, trong đó giải thuật xây dựng các kernel cho lớp tích chập đã được đề xuất. Cụ thể, tín hiệu nhịp tim đã được lọc nhiễu sử dụng giải thuật WDFR đã được tính toán để phân ra 7 loại kernel với kích cỡ khác nhau dựa vào khoảng thời gian của các thành phần sóng con P, Q, R, và S cho 7 lớp tích chập nhằm nâng cao hiệu quả trích đặc trưng và giảm chiều. Rõ ràng, với 7 lớp tích chập nhằm trích xuất tối ưu nhất các thành phần đặc trưng của tín hiệu nhịp tim ngay trong hệ thống mạng học sâu đã làm tăng hiệu suất phân loại bệnh tim với số lượng nhịp tim lớn. Kết quả thí nghiệm cho thấy mạng học sâu được áp dụng với những kernel và lớp tích chập được đề xuất đã phân loại được 5 loại bệnh tim với độ chính xác là 99.37%. Đây rõ ràng là một đề suất có ý nghĩa và có thể được áp dụng trong thực tế với đa dạng bệnh tim và tập dữ liệu lớn. Với mục tiêu được đề ra của luận án là nâng cao hiệu suất phân loại bệnh tim mà cụ thể là nâng cao độ chính xác phân loại bệnh tim, luận án đã đề xuất các phương pháp lọc nhiễu, trích đặc trưng cũng như phân loại các loại bệnh tim như trình bày ở Trang – 128 –
  4. Các công trình đã công bố CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ Danh mục các kết quả nghiên cứu trong tạp chí và hội thảo đã được công bố trong quá trình thực hiện luận án: Tạp chí quốc tế trong hệ thống ISI/Scopus [1]. Thanh-Nghia Nguyen, Thanh-Hai Nguyen, "Deep Learning Framework with ECG Feature-Based Kernels for Heart Disease Classification," Elektronika Ir Elektrotechnika, Vol. 27, No. 1, pp. 48-59, 2021. (SCIE) (ISSN: 1392-1215). [2]. Thanh-Nghia Nguyen, Thanh-Hai Nguyen, and Van-Thuyen Ngo, "Artifact elimination in ECG signal using wavelet transform", TELKOMNIKA Telecommunication, Computing, Electronics and Control, Vol.18, No.2, pp.936-944, 2020. (Scopus). (ISSN: 1693-6930). [3]. Thanh-Nghia Nguyen, Thanh-Hai Nguyen, Manh-Hung Nguyen, and Salvatore Livatino, "Wavelet-Based Kernel Construction for Heart Disease Classification", Advances in Electrical and Electronic Engineering Journal, Vol. 17, No. 3, pp. 306-319, 2019. (ESCI). (ISSN: 1336-1376). [4]. Manh-Hung Nguyen, Vu-Hoang-Tran, Thanh-Hai Nguyen, and Thanh-Nghia Nguyen, "A Deep Learning Framework for Inter-Patient ECG Classification", IJCSNS International Journal of Computer Science and Network Security, Vol. 19, No. 1, pp. 74-84, 2019. (ESCI). (ISSN: 2325-0925). Chương sách quốc tế [5]. Thanh-Hai Nguyen, Thanh-Nghia Nguyen, and Thanh-Tam Nguyen, "A Deep Learning Framework for Heart Disease Classification in an IoTs-Based System", In: Balas V., Solanki V., Kumar R., Ahad M. (eds) A Handbook of Internet of Things in Biomedical and Cyber Physical System. Intelligent Systems Reference Library, Vol.165, pp. 217-244, Springer, Cham, 2020. (Scopus – Book chapter). (ISBN: 978-3-030-23982-4). Hội nghị quốc tế [6]. Thanh-Nghia Nguyen, Thanh-Hai Nguyen, Thanh-Tam Nguyen, "A Remote Diagnostic System using Deep Learning Network for Heart Disease Detection," in Proceedings of 2021 International Conference on System Science and Engineering (ICSSE), Vietnam, pp. 274 - 278, 2021. (ISBN: 978-1-6654-4848- 2). [7]. Thanh-Nghia Nguyen, Thanh-Hai Nguyen, D. -D. Vo and T. -D. Nguyen, "Multi-class Support Vector Machine Algorithm for Heart Disease Classification," 2020 5th International Conference on Green Technology and Sustainable Development (GTSD), Ho Chi Minh City, Vietnam, pp. 137-140, 2020. (ISBN: 978-1-7281-9982-5). Trang – 130 –
  5. Tài liệu tham khảo TÀI LIỆU THAM KHẢO [1] V. T. H. Hoa and Đ. V. Tri, "Characteristics of Blood Pressure Variability in Patients with The Masked Hypertension Detected by 24-h Ambulatory Blood Pressure Monitoring," Journal of Vietnamese Cardiology, vol. 66, pp. 149 - 159, 2014. (ISSN: 1859-2848). [2] C. T. Sinh and N. T. T. Ngan, "Evaluating Antihypertensive Effects and Tolerance of Lercanidipne Versus Amlodipine in Patients with Ischemic Stroke with Hypertension by Ambulatory Blood Pressure Monitoring," Journal of Vietnamese Cardiology, vol. 69, pp. 26-33, 2015. (ISSN: 1859- 2848). [3] A. H. Association, "Heart Disease, Stroke and Research Statistics At-a- Glance," Circulation, 2016. (ISSN: 1746-8094). [4] R. J. Martis, U. R. Acharya, and L. C. Min, "ECG beat classification using PCA, LDA, ICA and Discrete Wavelet Transform," Biomedical Signal Processing and Control pp. 437–448, 2013. (ISSN: 1746-8094). [5] R. Ranjan and V. K. Giri, "A Unified Approach of ECG Signal Analysis," International Journal of Soft Computing and Engineering, vol. 2, no. 3, pp. 5 - 10, 2012. (ISSN: 2231-2307). [6] S. H. Jambukia, V. K. Dabhi, and H. B. Prajapati, "Classification of ECG signals using machine learning techniques: A survey," in Proceedings of International Conference on Advances in Computer Engineering and Applications (ICACEA), pp. 1-8, 2015. (ISBN: 978-1-4673-6911-4). [7] C. Đ. Hoàng, "Phân tích tín hiệu tim loạn nhịp," PhD Thesis, Đại Học Bách Khoa Hà Nội, 2014. [8] N. Đ. Thảo, "Nâng cao chất lượng nhận dạng tín hiệu điện tim dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh," PhD Thesis, Đại Học Bách Khoa Hà Nội, 2016. [9] P. V. Nam, "Xây dựng mô hình nhận dạng kết hợp nhằm nâng cao độ chính xác phân loại tín hiệu điện tim loạn nhịp," PHD Thesis, Trường Đại học Bách Khoa Hà Nội, 2018. [10] R. Rodríguez, A. Mexicano, S. C. J. Bila, and R. Ponce, "Feature Extraction of Electrocardiogram Signals by Applying Adaptive Threshold and Principal Component Analysis," Journal of Applied Research and Technology, vol. 13, pp. 261-269, 2015. (ISSN: 1665-6423). [11] S. M. Qaisar and S. F. Hussain, "Arrhythmia Diagnosis by Using Level- Crossing ECG Sampling and Sub-Bands Features Extraction for Mobile Healthcare," Sensors, vol. 20, no. 8, pp. 1-19, 2020. (ISSN: 1424-8220). [12] T. Li and M. Zhou, "ECG Classification Using Wavelet Packet Entropy and Random Forests," Entropy, vol. 18, no. 8, pp. 285-301, 2016. (ISSN: 1099- 4300). Trang – 132 –
  6. Tài liệu tham khảo Instrumentation and Measurement, Computer, Communication and Control (IMCCC), pp. 1272 - 1275, 2015. (ISBN: 978-1-4673-7723-2). [27] W.-h. Lin, M. Y.-M. Wong, L.-n. Pu, and Y.-t. Zhang, "Comparison of median filter and discrete dyadic wavelet transform for noise cancellation in electrocardiogram," in Proceedings of Annual International Conference of the IEEE Engineering in Medicine and Biology, pp. 2395 - 2398, 2010. (ISBN: 1094-687X). [28] R. Verma, Mehrotra, and V. Bhateja, "An integration of improved median and morphological filtering techniques for electrocardiogram signal processing," in Proceedings of 3rd IEEE International Advance Computing Conference (IACC), pp. 1223 - 1228, 2013. (ISBN: 978-1-4673-4529-3). [29] J.-S. Wang, Y. Zhang, P. Zhang, and S.-F. Sun, "Research on denoising algorithm for ECG signals," the 29th Chinese Control Conference (CCC), pp. 2936 - 2940, 2010. (ISSN: 1934-1768). [30] A. Ren, Z. Du, J. Li, F. Hu, X. Yang, and H. Abbas, "Adaptive Interference Cancellation of ECG Signals," Sensors (Basel, Switzerland), vol. 17, no. 5, pp. 942-957, 2017. (ISSN: 1424-8220). [31] S. Asgari and A. Mehrnia, "A novel low-complexity digital filter design for wearable ECG devices," PloS one, vol. 12, no. 4, pp. 1-19, 2017. (ISSN: 1932- 6203). [32] S.-H. Liu, C.-H. Hsieh, W. Chen, and T.-H. Tan, "ECG Noise Cancellation Based on Grey Spectral Noise Estimation," Sensors (Basel), vol. 19, no. 4, pp. 1-16, 2019. (ISSN: 1424-8220). [33] J. Piskorowski, "Digital Q-Varying Notch IIR Filter With Transient Suppression," IEEE Transactions on Instrumentation and Measurement, vol. 59, no. 4, pp. 866-872, 2010. (ISSN: 0018-9456). [34] V. Joshi, A. R. Verma, and Y. Singh, "De-noising of ECG Signal Using Adaptive Filter Based on MPSO," Procedia Computer Science, vol. 57, no. 1, pp. 395-402, 2015. (ISSN: 1877-0509). [35] K. Tajane, R. Pitale, and J. Umale, "Review Paper: Comparative Analysis Of Mother Wavelet Functions With The ECG Signals," International Journal of Engineering Research and Applications, vol. 4, no. 1, pp. 38-41, 2014. (ISSN: 2248-9622). [36] K. D. Priya, G. S. Rao, and P. S. V. S. Rao, "Comparative Analysis of Wavelet Thresholding Techniques with Wavelet-wiener Filter on ECG Signal," Procedia Computer Science, vol. 87, no. 1, pp. 178-183, 2016/01/01/ 2016. (ISSN: 1877-0509). [37] X. Xu, Y. Liang, P. He, and J. Yang, "Adaptive Motion Artifact Reduction Based on Empirical Wavelet Transform and Wavelet Thresholding for the Non-Contact ECG Monitoring Systems," Sensors (Basel), vol. 19, no. 13, pp. 1-14, 2019. (ISSN: 1424-8220). Trang – 134 –
  7. Tài liệu tham khảo [50] P. d. Chazal, "A Switching Feature Extraction System for ECG Heartbeat Classification," Computing in Cardiology 2013, pp. 955-958, 2013. (ISSN: 978-1-4799-0886-8). [51] M. Kropf, D. Hayn, and G. Schreier, "ECG classification based on time and frequency domain features using random forests," in Proceedings of Computing in Cardiology 2017, pp. 1-4, 2017. (ISBN: 978-1-5386-6630-2). [52] R. N. Khushabaa, S. Kodagodaa, S. Lalb, and G. Dissanayake, "Uncorrelated fuzzy neighborhood preserving analysis based feature projection for driver drowsiness recognition," Fuzzy Sets and Systems, vol. 221, pp. 90-111, 2013. (ISSN: 0165-0114). [53] R. Rodriguez-Jorge, A. Mexicano, J. Bila, R. Ponce, and S. Cervantes, "Feature Extraction of Electrocardiogram Signals by Applying Adaptive Threshold and Principal Component Analysis," Journal of Applied Research and Technology, vol. 13, no. 2, pp. 261-269, 2015. (ISSN: 1665-6423). [54] Q. Qin, J. Li, L. Zhang, Y. Yue, and C. Liu, "Combining Low-dimensional Wavelet Features and Support Vector Machine for Arrhythmia Beat Classification," Scientific Reports, vol. 7, no. 1, pp. 6067-6079, 2017/07/20 2017. (ISSN: 2045-2322). [55] D. Zhang, S. Wang, F. Li, J. Wang, A. K. Sangaiah, V. S. Sheng, et al., "An ECG Signal De-Noising Approach Based on Wavelet Energy and Sub-Band Smoothing Filter," Applied Sciences, vol. 9, no. 22, p. 4968, 2019. (ISSN: 2076-3417). [56] T. Wang, C. Lu, Y. Sun, M. Yang, C. Liu, and C. Ou, "Automatic ECG Classification Using Continuous Wavelet Transform and Convolutional Neural Network," Entropy (Basel, Switzerland), vol. 23, no. 1, pp. 119-132, 2021. (ISSN: 1099-4300). [57] H. Li, H. Liang, C. Miao, L. Cao, X. Feng, C. Tang, et al., "Novel ECG Signal Classification Based on KICA Nonlinear Feature Extraction," Circuits, Systems, and Signal Processing, vol. 35, no. 4, pp. 1187-1197, 2016. (ISSN: 1531-5878). [58] J. L. Rodriguez-Sotelo, E. Delgado-Trejos, D. Peluffo, D. Cuesta-Frau, and G. Castellanos-Dominguez, "Weighted-PCA for Unsupervised Classification of Cardiac Arrhythmias," in Proceedings of 32nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Buenos Aires, Argentina, 2010. (ISBN: 978-1-4244-4123-5). [59] G. Chen, Z. Hong, Y. Guo, and C. Pang, "A cascaded classifier for multi-lead ECG based on feature fusion," Computer Methods and Programs in Biomedicine, vol. 178, pp. 135–143, 2019. (ISSN: 0169-2607). [60] T. Mar, S. Zaunseder, J. P. Martınez, M. Llamedo, and R. Poll, "Optimization of ECG Classification by Means of Feature Selection," IEEE Transactions on Biomedical Engineering vol. 58, no. 8, pp. 2168-2177, 2011. (ISSN: 0018- 9294). Trang – 136 –
  8. Tài liệu tham khảo International Journal of Artificial Intelligence & Applications, vol. 2, no. 2, pp. 45-66, 2011. (ISSN: 0976 - 2191). [73] R. V. Andreão, B. Dorizzi, and J. Boudy, "ECG signal analysis through hidden Markov models," IEEE Transactions on Biomedical Engineering, vol. 53, no. 8, pp. 1541-1549, 2006. (ISSN: 0018-9294). [74] S. M. Anwar, M. Gul, M. Majid, and M. Alnowami, "Arrhythmia Classification of ECG Signals Using Hybrid Features," Computational and Mathematical Methods in Medicine, vol. 2018, no. 10, pp. 1-8, 2018. (ISSN: 1748-670X). [75] V. M. Priyadharshini and S. S. Kumar, "An Enhanced Approach on ECG Data Analysis using Improvised Genetic Algorithm," International Research Journal of Engineering and Technology, vol. 2, no. 5, pp. 1248-1256, 2015. (ISSN: 2395-0072). [76] S. Dalal and R. Birok, "Analysis of ECG Signals using Hybrid Classifier," International Advanced Research Journal in Science, Engineering and Technology, vol. 3, no. 7, pp. 89-95, 2016. (ISSN: 2394-1588). [77] Bensujin, C. K. S. vijila, and C. Hubert, "Detection of ST Segment Elevation Myocardial Infarction (STEMI) Using Bacterial Foraging Optimization Technique," International Journal of Engineering and Technology, vol. 6, no. 2, pp. 1212-1223, 2014. (ISSN: 2227-524X). [78] K. Feng, X. Pi, H. Liu, and K. Sun, "Myocardial Infarction Classification Based on Convolutional Neural Network and Recurrent Neural Network," Applied Sciences, vol. 9, no. 9, pp. 1879-1891, 2019. (ISSN: 2076-3417). [79] U. Erdenebayar, H. Kim, J.-U. Park, D. Kang, and K.-J. Lee, "Automatic Prediction of Atrial Fibrillation Based on Convolutional Neural Network Using a Short-term Normal Electrocardiogram Signal," Journal of Korean medical science, vol. 34, no. 7, pp. 1-10, 2019. (ISSN: 1598-6357). [80] A. Vishwa, M. K. Lal, S. Dixit, and P. Varadwaj, "Clasification Of Arrhythmic ECG Data Using Machine Learning Techniques," International Jorunal of Interactive Multimedia and Artificial Intelligence, vol. 1, no. 4, pp. 67-70, 2011. (ISSN: 1989-1660). [81] S. Jadhav, S. L. Nalbalwar, and A. Ghatol, "Artificial Neural Network Models based Cardiac Arrhythmia Disease Diagnosis from ECG Signal Data," International Journal of Computer Applications, vol. 44, no. 15, pp. 8-13, 2012. (ISSN: 0975 - 8887). [82] B. T. Funsten, "ECG Classification with an Adaptive Neuro-Fuzzy Inference System," PhD Thesis, California Polytechnic State Universit, 2015. [83] S. Shadmand and B. Mashoufi, "Personalized ECG Signal Classification Using Block-Based Neural-Network and Particle Swarm Optimization," in Proceedings of 20th Iranian Conference on Biomedical Engineering, pp. 203- 208, 2013. (ISBN: 4799-3232). Trang – 138 –
  9. Tài liệu tham khảo Techniques," Mathematical Problems in Engineering, vol. 2018, pp. 1–10, 2018. (ISSN: 1024-123X). [97] G. Vrbancic, I. J. Fister, and V. Podgorelec, "Automatic Detection of Heartbeats in Heart Sound Signals Using Deep Convolutional Neural Networks," Elektronika Ir Elektrotechnika, vol. 25, no. 3, pp. 71-76, 2019. (ISSN: 1392-1215). [98] L. Guoa, G. Sima, and B. Matuszewski, "Inter-patient ECG classification with convolutional and recurrent neural networks," Biocybernetics and Biomedical Engineering, vol. 39, no. 3, pp. 868-879, 2019. (ISSN: 0208-5216). [99] T.-N. Nguyen, T.-H. Nguyen, and V.-T. Ngo, "Artifact elimination in ECG signal using wavelet transform," TELKOMNIKA Telecommunication, Computing, Electronics and Control, vol. 18, no. 2, pp. 936-944, 2020. (ISSN: 1693-6930). [100] U. Satija, B. Ramkumar, and M. S. Manikandan, "Automated ECG Noise Detection and Classification System for Unsupervised Healthcare Monitoring," IEEE Journal of Biomedical and Health Informatics, vol. 22, no. 3, pp. 722-732, 2018. (ISSN: 2168-2194). [101] D. L. Donoho and I. M. Johnstone, "Adapting to Unknown Smoothness via Wavelet Shrinkage," Journal of the American Statistical Association, vol. 90, no. 432, pp. 1200-1224, 1995. (ISSN: 0162-1459). [102] A. Kumar, R. Kumar, and R. K. Pandey, "ECG Signal Compression using Optimum Wavelet Filter Bank Based on Kaiser Window," Procedia Engineering, vol. 38, no. 1, pp. 2889-2902, 2012. (ISSN: 1877-7058). [103] Y. Zhang, M. Wang, and Y. Li, "Low Computational Signal Acquisition for GNSS Receivers Using a Resampling Strategy and Variable Circular Correlation Time," Sensors (Basel), vol. 18, pp. 1-21, 2018. (ISSN: 1424- 8220). [104] J. Dempster, "Chapter six - Signal Analysis and Measurement," in The Laboratory Computer, J. Dempster, Ed., ed London: Academic Press, pp. 136- 171, 2001. (ISBN: 978-0-12-209551-1). [105] T.-N. Nguyen, T.-H. Nguyen, M.-H. Nguyen, and S. Livatino, "Wavelet- Based Kernel Construction for Heart Disease Classification," Advances in Electrical and Electronic Engineering Journal, vol. 17, no. 3, pp. 306-319, 2019. (ISSN: 1336-1376). [106] Y. Xiang, J. Luo, T. Zhu, S. Wang, X. Xiang, and J. Meng, "ECG-Based Heartbeat Classification Using Two-Level Convolutional Neural Network and RR Interval Difference," IEICE Transactions on Information and Systems, vol. E101.D, no. 4, pp. 1189-1198, 2018. (ISSN: 0916-8532). [107] T.-N. Nguyen and T.-H. Nguyen, "Deep Learning Framework with ECG Feature-Based Kernels for Heart Disease Classification," Elektronika Ir Elektrotechnika, vol. 27, no. 1, pp. 48-59, 2021. (ISSN: 1392-1215). Trang – 140 –