Nội dung chính của bài viết này là đề xuất giải pháp nâng cao chất lượng (độ chính xác) nhận dạng tín hiệu điện tim ECG (ElectroCardioGraphy), dựa trên việc sử dụng cây quyết định nhị phân (Binary Decision Tree) để phối hợp nhiều mô hình nhận dạng đơn là các mạng nơron kinh điển MLP (Multi Layer Perceptron), mạng nơron logic mờ TSK (Takaga-Sugeno-Kang), máy học vectơ hỗ trợ SVM (Support Vectơ Machines) và rừng ngẫu nhiên RF (Random Forest). | LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Ứng dụng cây quyết định để xây dựng mô hình phối hợp nâng cao chất lượng nhận dạng tín hiệu điện tim Decision tree application to build a coordinated model to improve the quality of ECG signal recognition Đỗ Văn Đỉnh Phạm Văn Kiên Email dodinh75@ Trường Đại học Sao Đỏ Ngày nhận bài 9 10 2019 Ngày nhận bài sửa sau phản biện 23 12 2019 Ngày chấp nhận đăng 31 12 2019 Tóm tắt Nội dung chính của bài báo này là đề xuất giải pháp nâng cao chất lượng độ chính xác nhận dạng tín hiệu điện tim ECG ElectroCardioGraphy dựa trên việc sử dụng cây quyết định nhị phân Binary Decision Tree để phối hợp nhiều mô hình nhận dạng đơn là các mạng nơron kinh điển MLP Multi Layer Perceptron mạng nơron logic mờ TSK Takaga-Sugeno-Kang máy học vectơ hỗ trợ SVM Support Vectơ Machines và rừng ngẫu nhiên RF Random Forest . Sử dụng các hàm cơ sở Hermite Hermite Basis Functions để khai triển phức bộ QRS và hai đặc tính về thời gian là khoảng cách giữa hai đỉnh R liên tiếp R-R giá trị trung bình của 10 khoảng cách R-R cuối cùng. Các thuật toán đã được triển khai thử nghiệm trên các bộ mẫu số liệu kinh điển của quốc tế cơ sở dữ liệu MIT-BIH Massachusetts Institute of Technology Boston s Beth Israel Hospital và cơ sở dữ liệu MGH từ trang web http . Từ khóa Mạng nơron MLP TSK SVM hệ thống tích hợp cây quyết định chức năng cơ sở Hermite tín hiệu điện tâm đồ ECG IC FPAA IC ARM. Abstract The paper presents a solution to improve the accuracy of arrhythmia recognition based on the integration of multiple classifiers using the binary decision tree. The solution uses as the single classifiers the classical MLP Multi Layer Perceptron neuro-fuzzy TSK network Takaga-Sugeno-Kang SVM Support Vectơ Machines and RF Random Forest . The Hermite basis functions were used to generate the feature vectơs together with 2 time-based features the last R-R period and the average of last 10 R-R periods. The proposed solution was tested with ECG signals taken from 2
