Luận án Nâng cao chất lượng nhận dạng tín hiệu điện tim dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh

  Các trường hợp FN đã giảm 4 mẫu (từ 30 mẫu xuống còn 26 mẫu) tương ứng với chỉ số tính theo công thức (4.2) bằng: 4 100 13 33 30 % , %  Chương IV: Trích chọn đặc trưng và nhận dạng tín hiệu ECG bằng mạng TSK ­ 67 ­  Các trường hợp FP đã giảm 2 mẫu (từ 16 mẫu xuống còn 14 mẫu) tương ứng với chỉ số tính theo công thức (4.3) bằng: 2 100 12 50 16 % , %   Chỉ số Sensitivity tính theo công thức (4.4) đã được cải thiện từ 95,0% lên 95,67% ; chỉ số Specificity tính theo công thức (4.5) đã được cải thiện từ 98, 22% lên 98, 44% Từ các thử nghiệm 1.2 và 3.2 theo dạng MGH/20­20 cho thấy việc sử dụng thêm các thông tin từ nhịp thở tức thời cũng giúp cải thiện được chất lượng nhận dạng, cụ thể là:  Sai số kiểm tra đã giảm 5 mẫu (từ 62 mẫu xuống còn 57 mẫu) tương ứng với chỉ số tính theo công thức (4.1) bằng: 5 100 8 06 62 % , %   Các trường hợp FN đã giảm 2 mẫu (từ 30 mẫu xuống còn 28 mẫu) tương ứng với chỉ số tính theo công thức (4.2) bằng: 2 100 6 67 30 % , %   Các trường hợp FP đã giảm 3 mẫu (từ 16 mẫu xuống còn 13 mẫu) tương ứng với chỉ số tính theo công thức (4.3) bằng: 3 100 18 75 16 % , %   Chỉ số Sensitivity tính theo công thức (4.4) đã được cải thiện từ 95,0% lên 95,33% ; chỉ số Specificity tính theo công thức (4.5) đã được cải thiện từ 98, 22% lên 98,56% . Từ các thử nghiệm 1.2 và 4.2 theo dạng MGH/20­20 cho thấy việc sử dụng đồng thời loại bỏ ảnh hưởng của nhịp thở bằng wavelet và các thông tin từ nhịp thở tức thời cho chất lượng nhận dạng tốt nhất, cụ thể là:  Sai số kiểm tra đã giảm 11 mẫu (từ 62 mẫu xuống còn 51 mẫu) tương ứng với chỉ số tính theo công thức (4.1) bằng: 11 100 17 74 62 % , %   Các trường hợp FN đã giảm 7 mẫu (từ 30 mẫu xuống còn 23 mẫu) tương ứng với chỉ số tính theo công thức (4.2) bằng: 7 100 23 33 30 % , %   Các trường hợp FP đã giảm 5 mẫu (từ 16 mẫu xuống còn 11 mẫu) tương ứng với chỉ số tính theo công thức (4.3) bằng: 5 100 31 25 16 % , %   Chỉ số Sensitivity tính theo công thức (4.4) đã được cải thiện từ 95,0% lên 96,17%; chỉ số Specificity tính theo công thức (4.5) đã được cải thiện từ 98, 22% lên 98,78% . Chương IV: Trích chọn đặc trưng và nhận dạng tín hiệu ECG bằng mạng TSK ­ 68 ­ 4.3.3.3. Các thử nghiệm dạng MGH/15-5 cho kịch bản 1 và kịch bản 2: Các thử nghiệm này sử dụng tập các mẫu nhịp của 15 bản ghi để xây dựng mô hình và sử dụng các mẫu nhịp của 5 bản ghi còn lại để kiểm tra và mạng TSK 18 được xây dựng với 18 đầu vào tương ứng với 18 thành phần của véc­tơ đặc tính, 3 đầu ra nhị phân tương ứng với 3 loại mẫu nhịp N, S và V. Luận án sẽ xét 4 trường hợp con có thể phân chia tập mẫu ban đầu theo dạng MGH/15­5 gồm toàn bộ mẫu các bệnh nhân (theo bảng 4.2): 1. từ 1 đến 5; 2. từ 6 đến 10; 3. từ 11 đến 15 và 4. từ 16 đến 20; tập hợp học gồm mẫu của các bệnh nhân còn lại. Khi đó các chỉ số sai số được ước lượng là trung bình của các chỉ số đó trong 4 trường hợp con Mô hình nhận dạng vẫn sử dụng mạng TSK với 18 đầu vào tương ứng với 18 thành phần của véc­tơ đặc tính, 3 đầu ra nhị phân tương ứng với 3 loại mẫu nhịp N, S và V. Số luật của mạng TSK vẫn được lựa chọn như đã trình bày ở trên để xác định giá trị tốt (tương ứng với sai số kiểm tra cho trường hợp đó là nhỏ nhất). Với 4 trường hợp con đã thử nghiệm cho bộ mẫu MGH/15­5, số luật cần sử dụng dao động từ 18 đến 20 luật. Kết quả nhận dạng 3 loại nhịp của thử nghiệm 1.3 và 2.3 theo dạng MGH/15­15 được tổng hợp như bảng 4.10. Bảng 4.10. Kết quả nhận dạng 3 loại mẫu nhịp của hai thử nghiệm dạng MGH/15-5 Thử nghiệm 1.3 Thử nghiệm 2.3 Trường hợp Số mẫu kiểm tra Sai số FN FP Sai số FN FP (15­5)_1 1089 456 49 383 430 36 366 (15­5)_2 1148 373 92 193 327 86 192 (15­5)_3 1089 642 68 483 640 51 473 (15­5)_4 1174 760 47 600 665 40 506 Trung bình 1125 558 64 415 516 53 384  Nhận xét 3: Từ các thử nghiệm 1.3 và 2.3 theo dạng MGH/15­5 cho thấy việc loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG bằng lọc wavelet đã giúp cải thiện được chất lượng nhận dạng, cụ thể là:  Sai số kiểm tra trung bình đã giảm 42 mẫu (từ 558 mẫu xuống còn 516 mẫu) tương ứng với chỉ số tính theo công thức (4.1) bằng: 42 100 7 53 558 % , %  Chương IV: Trích chọn đặc trưng và nhận dạng tín hiệu ECG bằng mạng TSK ­ 69 ­  Các trường hợp FN trung bình đã giảm 11 mẫu (từ 64 mẫu xuống còn 53 mẫu) tương ứng với chỉ số tính theo công thức (4.2) bằng: 11 100 17 19 64 % , %   Các trường hợp FP trung bình đã giảm 31 mẫu (từ 415 mẫu xuống còn 384 mẫu) tương ứng với chỉ số tính theo công thức (4.3) bằng: 31 100 7 47 415 % , %  4.3.3.4. Các thử nghiệm dạng MGH/19-1 cho kịch bản 1 và kịch bản 2: Với các thử nghiệm này sử dụng tập các mẫu nhịp của 19 bản ghi để xây dựng mô hình và sử dụng các mẫu nhịp của 1 bản ghi còn lại để kiểm tra. Luận án sẽ xét toàn bộ 20 trường hợp có thể phân chia tập mẫu ban đầu theo dạng MGH/19­1, đó là tuần tự tập hợp mẫu kiểm tra gồm toàn bộ các mẫu của 1 bệnh nhân từ 1 đến 20 (theo bảng 4.2), tập hợp mẫu học gồm mẫu các bệnh nhân còn lại. Khi đó các chỉ số sai số được ước lượng là giá trị trung bình của các chỉ số đó trong 20 trường hợp con. Mô hình nhận dạng vẫn sử dụng mạng TSK với 18 đầu vào tương ứng với 18 thành phần của véc­tơ đặc tính, 3 đầu ra nhị phân tương ứng với 3 loại mẫu nhịp N, S và V. Số luật của mạng TSK vẫn được khảo sát thủ công như đã trình bày ở trên để xác định giá trị tốt (tương ứng với sai số kiểm tra cho trường hợp đó là nhỏ nhất). Với 20 trường hợp con đã thử nghiệm cho bộ mẫu MGH/19­1, số lượng luật cần sử dụng dao động trong khoảng từ 15 đến 20 luật. Các kết quả nhận dạng 3 loại nhịp của thử nghiệm 1.4 và 2.4 theo dạng MGH/19­1 được tổng hợp trong bảng 4.11.  Nhận xét 4: Từ các thử nghiệm 1.4 và 2.4 theo dạng MGH/19­1 cho thấy việc loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG bằng wavelet cũng đã giúp cải thiện được chất lượng nhận dạng, cụ thể là:  Sai số kiểm tra trung bình đã giảm 16 mẫu (từ 91mẫu xuống còn 75 mẫu) tương ứng với chỉ số tính theo công thức (4.1) bằng: 16 100 17 58 91 % , %   Các trường hợp FN trung bình đã giảm 5 mẫu (từ 17 mẫu xuống còn 12 mẫu) tương ứng với chỉ số tính theo công thức (4.2) bằng: 5 100 29 41 17 % , %   Các trường hợp FP trung bình đã giảm 8 mẫu (từ 57 mẫu xuống còn 49 mẫu) tương ứng với chỉ số tính theo công thức (4.3) bằng: 8 100 14 04 57 % , %  Chương IV: Trích chọn đặc trưng và nhận dạng tín hiệu ECG bằng mạng TSK ­ 70 ­ Bảng 4.11. Kết quả nhận dạng 3 loại mẫu nhịp của hai thử nghiệm dạng MGH/19-1 Thử nghiệm 1.4 Thử nghiệm 2.4 Trường hợp Số mẫu kiểm tra Sai số FP FN Sai số FP FN (19­1)_1 201 105 104 1 93 88 5 (19­1)_2 212 56 0 56 53 0 49 (19­1)_3 215 31 7 21 27 6 18 (19­1)_4 216 79 61 13 74 60 6 (19­1)_5 245 56 1 39 43 0 31 (19­1)_6 224 137 127 1 55 47 6 (19­1)_7 216 77 74 2 72 68 3 (19­1)_8 200 49 0 0 48 0 0 (19­1)_9 270 146 76 24 137 87 8 (19­1)_10 238 159 99 14 145 97 5 (19­1)_11 215 163 131 31 142 113 29 (19­1)_12 200 150 147 3 146 145 0 (19­1)_13 204 119 68 0 76 61 0 (19­1)_14 255 142 91 20 125 69 15 (19­1)_15 215 148 113 11 136 108 11 (19­1)_16 280 42 0 31 40 0 26 (19­1)_17 225 76 37 5 46 32 7 (19­1)_18 200 4 0 2 2 0 2 (19­1)_19 227 20 10 10 18 8 10 (19­1)_20 242 52 0 49 19 0 15 Trung bình 225 91 57 17 75 49 12 Riêng đối với trường hợp này, do ta có 20 trường hợp kiểm tra với các kết quả khác nhau, nên nghiên cứu sinh sử dụng các test thống kê đánh giá và so sánh thêm các chỉ số này. Sử dụng test thống kê t­Student cho 3 cặp chuỗi: sai số tổng, các trường hợp FP, các trường hợp FN, ta test 3 giả thuyết H0 : “Trung bình của sai số (tổng hoặc FP hoặc FN) khi không sử dụng phương pháp lọc wavelet > Trung bình của sai số (tổng hoặc FP hoặc FN) khi có sử dụng phương pháp lọc”. Các kết quả test với các số liệu từ bảng 4.11 như sau: Chương IV: Trích chọn đặc trưng và nhận dạng tín hiệu ECG bằng mạng TSK ­ 71 ­  0( : 0,11%AllH p Sai sè tæng khi kh«ng läc Sai sè tæng khi cã läc)  0( : 3,65%FPH p Sai sè FP khi kh«ng läc Sai sè FP khi cã läc)  0( : 1,75%FNH p Sai sè FN khi kh«ng läc Sai sè FN khi cã läc) Ta có thể thấy, cả 3 trường hợp đều có 5%p  nên với độ đảm bảo 95%, ta có thể khẳng định được là việc sử dụng giải pháp lọc bằng wavelet đã giúp cải thiện được độ chính xác của nhận dạng. 4.4. Kết luận chương 4 Trong nội dung chương này đã trình bày ứng dụng hàm Hermite trong phân tích và trích chọn đặc tính tín hiệu ECG để xây dựng các véc­tơ đặc tính phục vụ bài toán nhận dạng tín hiệu ECG. Xây dựng các bộ số liệu và mô hình nhận dạng TSK ứng dụng trong bài toán nhận dạng tín hiệu ECG phục vụ các trường hợp thử nghiêm (như trong bảng 1.1) theo 4 kịch bản nhận dạng. Kết quả kiểm chứng chất lượng nhận dạng với các mẫu nhịp từ cơ sở dữ liệu MIT/16­16 cho thấy: Việc loại bỏ ảnh hưởng của nhịp thở bằng họ wavelet Coiflet bậc 4 giúp cải thiện chất lượng nhận dạng. Với các mẫu nhịp từ cơ sở dữ liệu MGH/MF kết quả kiểm chứng chất lượng nhận dạng cũng cho thấy:  Việc loại bỏ ảnh hưởng của nhịp thở bằng họ wavelet Coiflet bậc 4 giúp cải thiện chất lượng nhận dạng,  Việc sử dụng thông tin trực tuyến về nhịp thở cũng giúp cải thiện chất lượng nhận dạng,  Sử dụng đồng thời việc loại bỏ ảnh hưởng của nhịp thở bằng họ wavelet Coiflet bậc 4 và thông tin về nhịp thở tức thời sẽ cho kết quả tốt nhất trong các trường hợp đã thử nghiệm,  Các thử nghiệm theo dạng MGH/20­20 cho kết quả nhận dạng tốt nhất. Các thử nghiệm dạng MGH/19­1 và các thử nghiệm theo dạng MGH/15­5 cho thấy việc xây dựng mô hình nhận dạng tín hiệu ECG cho các bệnh nhân mới vẫn cần phải có sự cập nhật mẫu của các bệnh nhân này. Nếu chỉ sử dụng các mẫu của các bệnh nhân khác (có trong quá trình huấn luyện) thì việc nhận dạng tín hiệu của bệnh nhân mới sẽ không đạt hiệu quả cao và nếu số bệnh nhân mới càng cao thì sai số sẽ càng lớn. Kết luận và hướng phát triển ­ 72 ­ KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Luận án đã nghiên cứu và tìm hiểu chức năng của hệ tim mạch ­ hô hấp các ảnh hưởng chính của nhịp thở trong tín hiệu ECG, ba ảnh hưởng chính của nhịp thở trong tín hiệu ECG là: rối loạn nhịp tim, điều chế biên độ tín hiệu ECG và trôi dạt đường cơ sở; phân tích, đánh giá một số giải pháp sử dụng phương pháp loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG. Từ đó khảo sát và đề xuất lựa chọn họ wavelet và bậc phù hợp để loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG. Trường hợp có tín hiệu nhịp thở được đo đồng thời với tín hiệu ECG, luận án đề xuất sử dụng 2 đặc tính là biên độ tức thời của nhịp thở để hỗ trợ phát hiện các biến thiên bệnh lý trong tín hiệu ECG. Các bộ mẫu tín hiệu được đưa vào mô hình nhận dạng sử dụng mạng nơ­ron TSK để kiểm chứng hiệu quả của các giải pháp đề xuất. Các đóng góp mới của luận án có thể kể tới là:  Đã khảo sát, so sánh, đánh giá chất lượng và đề xuất sử dụng wavelet Coiflets bậc 4 để phân tích thành phần phù hợp tương ứng với thành phần tần số do nhịp thở gây ra trong tín hiệu ECG, làm cơ sở để loại bỏ thành phần này khi nhận dạng tín hiệu ECG,  Nghiên cứu và đề xuất phương pháp bổ sung thêm 2 đặc tính từ thông tin nhịp thở để cải thiện độ chính xác của quá trình nhận dạng tín hiệu ECG,  Giải pháp đề xuất trong luận án góp phần hỗ trợ bác sĩ tuyến cơ sở trong việc chẩn đoán, khám và điều trị các bệnh về tim. Về mặt thực nghiệm để kiểm chứng các đề xuất trên, luận án đã thực hiện được các kết quả sau:  Xây dựng 10 thử nghiệm (2 thử nghiệm với 7 loại nhịp và 8 thử nghiệm với 3 loại nhịp) để thử nghiệm cho các trường hợp:  Nhận dạng tín hiệu ECG khi không loại bỏ ảnh hưởng của nhịp thở và khi có loại bỏ ảnh hưởng này.  Nhận dạng tín hiệu ECG khi không có thông tin về nhịp thở tức thời và khi có thông tin này.  Xây dựng 4 kịch bản nhận dạng (dùng chung mô hình mạng TSK) để thử nghiệm kiểm chứng chứng tỏ rằng sau khi loại bỏ ảnh hưởng của nhịp thở trong tín hiệu ECG hoặc khi sử dụng thêm các thông tin từ nhịp thở thì có thể cải thiện được chất lượng nhận dạng tín hiệu ECG.  Kiểm chứng chất lượng nhận dạng với các mẫu nhịp từ cơ sở dữ liệu MIT­BIH cho thấy: Việc loại bỏ ảnh hưởng của nhịp thở bằng họ wavelet Coiflet bậc 4 giúp cải thiện chất lượng nhận dạng Kết luận và hướng phát triển ­ 73 ­  Kiểm chứng kết quả nhận dạng với các mẫu nhịp từ cơ sở dữ liệu MGH/MF cho thấy:  Việc loại bỏ ảnh hưởng của nhịp thở bằng họ wavelet Coiflet bậc 4 giúp cải thiện chất lượng nhận dạng  Việc sử dụng thông tin trực tuyến về nhịp thở cũng giúp cải thiện chất lượng nhận dạng  Sử dụng đồng thời việc loại bỏ ảnh hưởng của nhịp thở bằng họ wavelet Coiflet bậc 4 và thông tin về nhịp thở tức thời sẽ cho kết quả tốt nhất trong các trường hợp đã thử nghiệm  Các thử nghiệm theo dạng MGH/20­20 cho kết quả nhận dạng tốt nhất. Các thử nghiệm dạng MGH/19­1 và các thử nghiệm theo dạng MGH/15­5 cho thấy việc xây dựng mô hình nhận dạng tín hiệu ECG cho các bệnh nhân mới vẫn cần phải có sự cập nhật mẫu của các bệnh nhân này. Nếu chỉ sử dụng các mẫu của các bệnh nhân khác thì việc nhận dạng tín hiệu của bệnh nhân mới sẽ không đạt hiệu quả cao và nếu số bệnh nhân mới càng cao thì sai số sẽ càng lớn.  Nghiên cứu và triển khai giải pháp thu thập tín hiệu nhịp thở bằng cảm biến gia tốc MMA8451Q. Kết quả thực nghiệm trên cơ sở đếm số nhịp thở thu được từ cảm biến gia tốc so với số nhịp thở thực tế ở trạng thái thở chậm, thở thường chính xác 100% và thở nhanh đạt độ chính xác trên 98,35% Với các kết quả như trên, giải pháp đề xuất trong luận án có thể góp phần hỗ trợ bác sĩ tuyến cơ sở trong việc chẩn đoán, khám và điều trị các bệnh về tim. Tiếp theo sau, các ý tưởng và giải pháp đã đề xuất trong luận án có thể được tiếp tục bổ sung và phát triển theo một số định hướng như sau:  Tiếp tục khảo sát các phương pháp lọc (ví dụ như các phương pháp lọc thích nghi, lọc mù,) để so sánh và lựa chọn giải pháp nâng cao hơn nữa chất lượng tiền xử lý tín hiệu,  Khảo sát khả năng ứng dụng các mô hình nhận dạng khác để so sánh chất lượng nhận dạng tín hiệu ECG,  Thử nghiệm nhận dạng với các cơ sở dữ liệu với các mẫu bệnh khác,  Thử nghiệm các giải pháp đo nhịp thở tức thời và triển khai trên các thiết bị phần cứng đo song song tín hiệu ECG và tín hiệu nhịp thở để kiểm nghiệm các giải pháp nhận dạng. Từ đó làm cơ sở xây dựng các thiết bị đo y sinh hỗ trợ thuận tiện cho các bác sĩ trong quá trình chẩn đoán và điều trị.  Thử nghiệm trên các bệnh nhân thực tế để tiếp tục kiểm chứng chất lượng. Danh mục các Tài liệu tham khảo ­ 74 ­ DANH MỤC CÁC TÀI LIỆU THAM KHẢO TIẾNG VIỆT: 1. Chử Đức Hoàng (2014), “Phân tích tín hiệu loạn nhịp tim”, Luận án Tiến sĩ, Đại học Bách khoa Hà Nội. 2. Đinh Văn Nhượng (2010), “Phương pháp xây dựng hệ thống nhận dạng sử dụng logic mờ trong phân loại sản phẩm gạch ốp lát”, Luận án Tiến sĩ, Đại học Bách khoa Hà Nội. 3. Hoàng Mạnh Hà (2011), “Các phương pháp thích nghi trong lọc nhiễu tín hiệu điện tim”, Luận án Tiến sĩ, Viện Công nghệ Thông tin – Viện Khoa học và Công nghệ Việt Nam. 4. Trần Đỗ Trinh (2003), “Hướng dẫn đọc điện tim”, Nhà xuất bản Y học. 5. Trịnh Bỉnh Dy, Phạm Thị Minh Đức, Phùng Xuân Bình, Lê Thu Liên, Hoàng Thế Long (2006,) “Sinh lý học” Tập 1, Nhà xuất bản Y học Hà Nội. 6. Trần Hoài Linh (2014), “Mạng Nơ­ron và ứng dụng trong xử lý tín hiệu”, Nhà xuất bản Bách Khoa Hà Nội. 7. Trương Tuấn Anh (2014), “Nghiên cứu phương pháp xác định vị trí trên đường dây tải điện dựa trên mạng Nơ­ron MLP”, Luận án Tiến sĩ, Đại học Bách khoa Hà Nội. 8. Vương Hoàng Nam (2010), “Nghiên cứu, phát triển một số giải thuật xử lý mù tín hiệu và ứng dụng”, Luận án Tiến sĩ, Đại học Bách khoa Hà Nội. TIẾNG ANH: 9. Anmin J., Bin Y., Geert M., Haris D.,( 2009) “Performance evaluation of a tri­axial accelerome­try based respiration monitoring for ambient assisted living”, 31st Annual International Conference of the IEEE Engineering in Medicine and Biology Society. EMBC pp: 5677−5680. 10. Anapagamini, S.A., Rajavel, R (2013), “Removal of artifacts in ECG using Empirical mode decomposition”, International Conference on Communications and Signal Processing (ICCSP), pp. 288­292. 11. Agrawal, S., Gupta, A. (2013), “Projection operator based removal of baseline wander noise from ECG signals”, Asilomar Conference on Signals Systems and Computers, pp. 957­961. 12. Bates A., Ling M.J., Arvind D.K. (2010), “Respiratory rate and flow waveform estimation from tri­axial accelerometer data”, 2010 International Conference on Body Sensor Networks (BSN). Singapore, pp: 144−150. Danh mục các Tài liệu tham khảo ­ 75 ­ 13. Bailón R, Sörnmo L, Laguna P (2006), “A robust method for ecg­based estimation of the respiratory frequency during stress testing”, IEEE Transactions of Biomedical Engineering, pp. 1273­1285. 14. Benmalek, M.; Charef, A.; Abdelliche, F. (2010), “Preprocessing of the ECG signals using the His­Purkinje fractal system”, 7th International Multi­Conference on Systems Signals and Devices (SSD), pp. 1­5. 15. Bianchi A.M., Scholz U.J., Mainardi L.T., Orlandini P., Pozza G., Cerutti S. (1994), “Extraction of the respiration influence from the heart rate variability signal by means of lattice adaptive filter”. Engineering Advances: New International Conference of the IEEE Engineering in Medicine and Biology Society; pp. 121­122. 16. Bhogeshwar S.S., Soni M.K., Bansal D. (2014), “Design of Simulink Model to denoise ECG signal using various IIR & FIR filters”, International Conference on Optimization, Reliabilty, and Information Technology (ICROIT), pp. 477­483. 17. Cassani R., Mejia P., Tavares J.A.; Sanchez J.C. (2011), “Adaptive filtering for respiration influence reduction on Heart Rate Variability”, 8th International Conference on Electrical Engineering Computing Science and Automatic Control (CCE), pp. 1­5. 18. Castells F., P. Laguna, L. Sornmo, A. Bollmann, J.M. Roig (2010), “Principal component analysis in ECG signal processing”, EURASIP Journal of Advanced Signal Processing, pp. 98­118. 19. Chan A.M., Ferdosi N., Narasimhan, R. (2013), “Ambulatory respiratory rate detection using ECG and a triaxial accelerometer”, 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp. 4058­4061. 20. Ciara O’Brien, Conor Heneghan (2006), “Acomparison of algorithms for estimation of a respiratory signal from the surface electrocardiogram”, Computers in Biology and Medicine 37, pp. 305 – 314, 2007. 21. Devy Widjaja, Alexander Caicedo Dorado, Johan A.K. Suykens and Sabine Van Huffel (2012), “Application of Kernel Principal Component Analysis for Single­ Lead­ECG­Derived Respiration”, IEEE Transactions on Biomedical engineering, Vol. 59, No. 4, pp. 1169­1176. 22. Dhillon S.S., Chakrabarti S (2001), “Power line interference removal from electrocardiogram using a simplified lattice based adaptive IIR notch filter”, Proceedings of the 23rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pp. 3407­3412. Danh mục các Tài liệu tham khảo ­ 76 ­ 23. Eckberg, D.L. (2003), “The human respiratory gate”. The Journal of Physiology, 548(Pt 2), 339 24. Einthoven W (1908), “Weiteres über das Elektrokardiogram”, Pflüger Arch. ges. Physiol. 122, pp. 517­548. 25. Einthoven W, Fahr G, de Waart A (1913), “Über die Richtung und die Manifeste Grösse der Potentialschwankungen im mennschlichen Herzen und über den Einfluss der Herzlage auf die form des Elektrokardiogramms”. Pflüger Arch. ges. Physiol. 150, pp. 275­315. 26. Faziludeen, S.; Sabiq, P.V., (2013), “ECG beat classification using wavelets and SVM”, IEEE Conference on Information & Communication Technologies (ICT), pp. 815 ­ 818 27. Frey A.W., Hagenmiller C., Baumert J., Grueneis, F. (1994), “The respiratory sinus arrhythmia as a function of breathing frequency revisited”, Computers in Cardiology, pp. 41 – 44. 28. Friesen G. M., Jannett T.C., Jadallah M.A., Yates S.L., Quint S.R., Nagle H.T. (1990), “A comparison of the noise sensitivity of nine QRS detection algorithms”, IEEE Transactions on Biomedical Engineering, vol. 37, no. 1, pp.85­98. 29. Fumihiko Yasuma, Jun­ichiro Hayano, (2004), “Why does the Heartbeat Synchronize With Respiratory Rhythm?”, pp. 683­690. 30. Garg G., Gupta S., Singh V., Gupta, J.R.P (2010), “Identification of optimal wavelet­ based algorithm for removal of power line interferences in ECG signals”, India International Conference on Power Electronics. 31. George B. Moody, Roger G. Mark, Andrea Zoccola, Sara Mantero (1985), “Derivation of Respiratory Signals from Multi­lead ECGs”, Computers in Cardiology, vol. 12, pp. 113­116. 32. Glass, L. (2001), “Synchronization and rhythmic processes in physiology”, Nature, 410(6825), 277­284. 33. Goldberger A.L, Amaral L.A., Glass L., Hausdorff J.M., Ivanov P.C., Mark R.G., Mietus J.E., Moody G.B., Peng C.K., Stanley H.E. (2000), “PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals”, American Heart Association. 34. Gradwohl J., R., Pottala Erik, W., Horton, M.R. Bailey, James J. (1988), “Comparison of two methods for removing baseline wander in the ECG”, Computers in Cardiology, pp. 493­496. Danh mục các Tài liệu tham khảo ­ 77 ­ 35. Qi Haibing, Liu Xiongfei, Pan Chao (2010), “Discrete Wavelet Soft Threshold Denoise Processing for ECG Signal”, International Conference on Intelligent Computation Technology and Automation (ICICTA), pp. 126­129. 36. Weituo Hao, Yu Chen, Yi Xin (2011), “ECG baseline wander correction by mean­ median filter and discrete wavelet transform”, Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBC, pp. 2712­2715. 37. Hahnt, G., Sipinkova, I., Baischt, F., & Helliget. G., “Changesin the thoracic impedance distributionunder different ventilatory conditions”. Physiological measurment, 16(3A), A161 38. Helfenbein. E., Firoozabadi. R., Chien. S., Carlson. E., & Babaeizadeh. S, (2014), “Development of three methods for extracting respiration from the surface ECG: A review”, Journal of elctrocardiogram, 47(6), pp: 819­825 39. Hargittai, S. (2008), “Efficient and fast ECG baseline wander reduction without distortion of important clinical information”, Computers in Cardiology, pp. 841­844. 40. Hirsch J. A., B. Bishop (1981), “Respiratory sinus arrhythmia in humans: How breathing pattern modulates heart rate”, American Journal of Physiology ­ Heart and Circulatory Physiology, vol. 241, pp. 620­629. 41. Kampouraki, A., Manis, G. ; Nikou, C., (2009), “Heartbeat Time Series Classification With Support Vector Machines”, IEEE Transactions on Information Technology in Biomedicine, pp. 512­518 42. Qi Huimin (2012), “Research and application of ECG signal pretreatment based on wavelet de­noising technology”, 2nd International Conference on Uncertainty Reasoning and Knowledge Engineering (URKE), 2012, pp. 286­289. 43. vIsa S.M., Noviyanto A., Arymurthy A.M. (2011), “Optimal selection of wavelet thresholding algorithm for ECG signal denoising”, International Conference on Advanced Computer Science and Information System, pp. 365­370. 44. Jane R., Laguna P., Thakor N.V., Caminal P. (1992), “Adaptive baseline wander removal in the ECG: Comparative analysis with cubic spline technique”, Proceedings of Computers in Cardiology, pp. 143­146. 45. Manpreet Kaur, Birmohan Singh, Seema (2011), “Comparisons of Different Approaches for Removal of Baseline Wander from ECG Signal”, IJCA Proceedings on International Conference and workshop on Emerging Trends in Technology, pp. 30­34. 46. Ruqaiya Khanam, Syed Naseem Ahmad (2013), “Selection of Wavelets for Evaluating SNR, PRD and CR of ECG Signal”, International Journal of Engineering Science and Innovative Technology (IJESIT) Volume 2, Issue 1, pp. 112­119. Danh mục các Tài liệu tham khảo ­ 78 ­ 47. Gennady V. Krasnikov, Miglena Y. Tyurina, Arina V. Tankanag, Galina M. Piskunova, Nikolai K. Chemeris (2013), “Analysis of heart rate variability and skin blood flow oscillations under deep controlled breathing”, Respiratory Physiology & Neurobiology 185, pp. 562– 570. 48. R Lakhwani, S Ayub, JP Saini (2013), “Design and Comparison of Digital Filters for Removal of Baseline Wandering from ECG Signal”, 5th International Conference on Computational Intelligence and Communication Networks (CICN), pp. 186­191. 49. Langley Philip, Emma J. Bowers, Alan Murray (2010), “Principal Component Analysis as a Tool for Analyzing Beat­to­Beat Changes in ECG Features: Application to ECG­Derived Respiration”, IEEE Transactions on Biomedical Engineering, vol. 57, No. 4, pp. 821­829. 50. Li Suyi, Guangda Liu, Zhenbao Lin (2009), “Comparisons of wavelet packet, lifting wavelet and stationary wavelet transform for de­noising ECG ”, 2nd IEEE International Conference on Computer Science and Information Technology (ICCSIT2009), pp. 491­494. 51. Li Suyi, Yanju Ji, Guangda Liu (2009), “Optimal Wavelet Basis Selection of Wavelet Shrinkage for ECG De­Noising”, International Conference on Management and Service Science, pp. 1­4. 52. Li X.Y., Wang T., Zhou P., Feng H.Q (2003), ”ST­T complex automatic analysis of the electrocardiogram signals based on wavelet transform”, Proceedings 29th Annual IEEE Conference of Bioengineering, pp. 144­145. 53. Lin Wan­hua, Wong M.Y., Li­Na Pu; Yuan­Ting Zhang (2010),“Comparison of median filter and discrete dyadic wavelet transform for noise cancellation in electrocardiogram”, Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2010, pp. 2395­2398. 54. Hsin­Yi Lin, Sz­Ying Liang, Yi­Lwun Ho, Yen­Hung Lin (2013) “Discrete­ wavelet­transform­based noise reduction and R wave detection for ECG signals”, IEEE 15th International Conference on e­Health Networking, Applications & Services (Healthcom), pp. 355­360. 55. Hung P.D., Bonnnet S., Gillemaud R., Castelli E., Yen P.T.N. (2008) “Estimation of respiratory waveform using an accelerometer", 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Vancouver, Canada, pp: 1493− 1496. 56. Labete, D., Foresta, F., Occhiuto, G., Morabito, F.D., Lay­Ekuakille, A., & Vergallo. P. (2013), “Empirical Mode Decomposition vs. Wavelet Decomposition for the Danh mục các Tài liệu tham khảo ­ 79 ­ Extraction of RespiratorySignal from Single­Channel ECG: A Comparison”. Sensor Journal, IEEE, Vol. 13, N0 7, pp. 2666­2674. 57. Linh T. H., Pham Van Nam, Vuong Hoang Nam (2014), “Multiple neural network integration using a binary decision tree to improve the ECG signal recognition accuracy”, International Journal of Applied Mathematics and Computer Science. Volume 24, Issue 3, pp. 647–655. 58. Luong Duong Trong, Nguyen Duc Thuan, Trinh Quang Duc (2014), “Removal of baseline noise from Electrocardiography (ECG) signal based on time domain approach“, International Journal of Biomedical Science and Engineering, Published online, pp. 11­16. 59. Malik M., A. J. Camm, (1995), “Heart Rate Variability”, Futura Publishing Company. 60. Malmivuo J., Plonsey, R. (1995), “Bioelectromagnetism ­ principles and applications of bioelectric and biomagnetic fields”. New York. Oxford University Press. 61. Martinez Vega G., Alvarado­Serrano C., Leija­Salas L. (2011), “ECG baseline drift removal using discrete wavelet transform”, 8th International Conference on Electrical Engineering Computing Science and Automatic Control (CCE), pp. 1­5. 62. Mateo J., Sanchez C., Vaya C., Cervigon R. (2007), “A new adaptive approach to remove baseline wander from ECG recordings using Madeline structure”, Computers in Cardiology, pp. 533­536. 63. Min Dai, Shi­Liu Lian (2009), “Removal of Baseline Wander from Dynamic Electrocardiogram Signals”, CISP '09. 2nd International Congress on Image and Signal Processing, pp. 1­4. 64. Mneimneh M.A., Yaz E.E. (2006), Johnson M.T., Povinelli, R.J. ”An adaptive Kalman filter for removing baseline wandering in ECG signals”, Computers in Cardiology, pp. 253­256. 65. Na Pan, Vai Mang I, Mai Peng Un, Pun Sio Hang (2007), “Accurate Removal of Baseline Wander in ECG Using Empirical Mode Decomposition”, Noninvasive Functional Source Imaging of the Brain and Heart and the International Conference on Functional Biomedical Imaging (NFSI­ICFBI 2007), pp. 177­180. 66. Naga V. Prudhvi Raj, Venkateswarlu, T. (2011),“ECG signal denoising using Undecimated Wavelet Transform”, 3rd International Conference on Electronics Computer Technology (ICECT), pp. 94­98. 67. Nayak S., Soni, D. Bansal (2012), “Filtering techniques for ECG signal processing”, International Journal of Research in Engineering & Applied Sciences. Danh mục các Tài liệu tham khảo ­ 80 ­ 68. Osowski S., T. Markiewicz , L. Tran Hoai (2006), “Ensemble of neural networks for improved recognition and classification of arrhythmia”, XVIII IMEKO WORLD CONGRESS Metrology for a Sustainable Development, Brazil 69. Pablo Laguna, Raimon Jane, Pere Caminal (1992), “Adaptive Filtering of ECG Baseline Wander”, 14th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pp.143­146. 70. Pallas­Areny R., Colominas­Balague J., Rosell F.J. (1989), “The Effect of Respiration­Induced Heart Movements on the ECG”, IEEE Transactions on Biomedical Engineering, vol. 36, no. 6, pp. 585­590. 71. Patil P.B., Chavan, M.S. (2012), “A wavelet based method for denoising of biomedical signal", International Conference on Pattern Recognition, Informatics and Medical Engineering, pp. 769­772. 72. Phan D. H., S. Bonnet, R. Guillemaud, E. Castelli, N. Y. Pham Thi (2008), “Estimation of respiratory waveform and heart rate using an accelerometer”, Annual International Conference of the IEEE Engineering in Medicine and Biology Society ­ EMBC, pp. 4916­4919. 73. Phong Phan Anh , Kieu Quang Thien (2009), “Classification of Cardiac Arrhythmias Using Interval Type­2 TSK Fuzzy System”, 2009 International Conference on Knowledge and Systems Engineering, pp. 1­6. 74. Ouelli A., Elhadadi B., Bouikhalene B. (2014), “Multivariate autoregressive modeling for cardiac arrhythmia classification using multilayer perceptron neural networks”, International Conference on Multimedia Computing and Systems (ICMCS), pp. 402­606. 75. Thérèse J.M. Overbeek, Anton van Boxtel, Joyce H.D.M. Westerink (2014), “Respiratory sinus arrhythmia responses to cognitive tasks: Effects of task factors and RSA indices”, Biological Psychology, vol. 99, pp. 1–14, Elsevier. 76. Panda R., Pati U.C (2012), “Removal of artifacts from electrocardiogram using digital filter”, IEEE Students' Conference on Electrical, Electronics and Computer Science (SCEECS), pp. 1­4. 77. Patil H.T., Holambe R.S. (2013), “New approach of threshold estimation for denoising ECG signal using wavelet transform”, Annual IEEE India Conference (INDICON), pp. 1­4. 78. Rashid A., Zahooruddin, Qureshi I.M., Saleem A. (2011),“Electrocardiogram signal processing for baseline noise removal using blind source separation techniques: A comparative analysis”, International Conference on Machine Learning and Cybernetics (ICMLC), pp. 1756­1761. Danh mục các Tài liệu tham khảo ­ 81 ­ 79. Ravindra Pratap Narwaria, Seema Verma, P. K. Singhal (2011), “Removal of Baseline Wander and Power Line Interference from ECG Signal ­ A Survey Approach”, International Journal of Electronics Engineering, 3 (1), pp. 107– 111. 80. Reinvuo T., Hannula M., Sorvoja H., Alasaarela E. (2006), “Measurement of respiratory rate with high­resolution accelerometer and emfit pressure sensor”, Proceedings of the 2006 IEEE Sensors Applications Symposium, pp. 192­195. 81. Rouhani. M., Soleymani. R., (2009) “Neural Networks based Diagnosis of heart arrhythmias using chaotic and nonlinear features of HRV signals”, International Association of Computer Science and Information Technology ­ Spring Conference, pp. 545 – 549. 82. Sargolzaei A., Faez K., Sargolzaei S. (2009), “A new robust wavelet based algorithm for baseline wandering cancellation in ECG signals”, IEEE International Conference on Signal and Image Processing Applications (ICSIPA), pp. 33­38. 83. Sawant C., Patii H.T. (2014), “Wavelet based ECG signal de­noising”, First International Conference on Networks & Soft Computing (ICNSC), pp. 20­24. 84. Seema Rani, Amanpreet Kaur, J. S. Ubhi (2011), “Comparative study of FIR and IIR filters for the removal of baseline noises from ECG signal”, International Journal of Computation Science and Information Technology (IJCSIT), pp. 30­36. 85. Seth Suppappola, Ying Sun (1994), “Nonlinear Transforms of ECG Signals for Digital QRS Detection: A Quantitative Analysis”, IEEE Transactions on Biomedical Engineering, vol. 41, Issue: 4, pp. 397 – 400. 86. Sheng WANG Jie, ZHANG Yong, ZHANG Ping, SUN Shi­Feng (2010), “Research on Denoising Algorithm for ECG Signals”, 29th Chinese Control Conference (CCC), pp. 2936­2940. 87. Shier, David (2002), “Hole's Human Anatomy & Physiology”, McGraw­ Hill. 88. Shivajirao M. Jadhav1, Sanjay L. Nalbalwar2, Ashok A. Ghatol., (2010), “Arrhythmia Disease Classification using Artificial Neural Network Model”, IEEE International Conference on Computational Intelligence and Computing Research (ICCIC), pp. 1­4. 89. Singh, N.; Ayub, S.; Saini, J.P. (2013),“Design of Digital IIR Filter for Noise Reduction in ECG Signal”, 5th International Conference on Computational Intelligence and Communication Networks (CICN), pp. 171­176. 90. Sørensen J.S., Johannesen L., Grove U.S.L., Lundhus K.(2010), “A comparison of IIR and wavelet filtering for noise reduction of the ECG”, Computing in Cardiology, pp. 489­492. Danh mục các Tài liệu tham khảo ­ 82 ­ 91. Stantic Dejan, Jun Jo (2014), “Selection of Optimal Parameters for ECG Signal Smoothing and Baseline Drift Removal”, Computer and Information Science, pp. 112­119. 92. Thakor N.V., Yi­Sheng Zhu (1991), “Applications of Adaptive Filtering to ECG Analysis : Noise Cancellation and Arrhythmia Detection”, IEEE Transactions on Biomedical Engineering, pp. 785­794. 93. Tran Hoai Linh, Stanisław Osowski, Maciej Stodolski (2003) “On­Line Heart Beat Recognition Using Hermite Polynomials and Neuro­Fuzzy Network”, IEEE Transactions on Instrumentation and Measurement, pp. 165­170. 94. Travaglini A, C Lamberti, J DeBie, M Ferri (1998), “Respiratory Signal Derived from Eight­lead ECG”, Computers in Cardiology, pp. 65 ­ 68. 95. Van Alsté JA, van Eck W, Herrmann OE (1985), “ECG Baseline Wander Reduction Using Linear Phase Filters”, Computers and Biomedical Research, pp. 417­427 96. Varanini M., M. Emdin, F. Allegri, M. Raciti, F. Conforti, A. Macerata, A. Taddei, R. Francesconi, G. Kraft, A.L. Abbate, C. Marchesi (1990), “ Adaptive filtering of ECG signal for deriving respiratory activity”, Conference Proceeding of Computers in Cardiology, pp. 621­624. 97. Von Borries R. F., J. H. Pierluissi, H. Nazeran (2005), “Wavelet Transform­Based ECG Baseline Drift Removal for Body Surface Potential Mapping”, 27th Annual International Conference of the Engineering in Medicine and Biology Society, pp. 3891 – 3894. 98. Wang Chien­Chih, Cheng­Ding Chang (2010), “SVD and SVM based approach for congestive heart failure detection from ECG signal”, 40th International Conference on Computers and Industrial Engineering (CIE), pp. 1­5. 99. Wang K.Q., Xu L.S., Wang L., Li, Z.G (2003), “Pulse baseline wander removal using wavelet approximation”, Computers in Cardiology. 100. Watanabe K., Watanabe T., Watanabe H., Ando H. (2005), “Noninvasive measurement of heartbeat, respiration, snoring and body movements of a subject in bed via a pneumatic method”, IEEE Transactions on Biomedical Engineering, pp. 2100­2107. 101. Wei Zhang, Linlin Ge (2008), “A Method for Reduction of Noise in the ECG”, The 2nd International Conference on Bioinformatics and Biomedical Engineering, pp. 2119­2122. 102. John B. West (2012), “Respiratory Physiological Phenomena”, Library of Congress Cataloging­in­Publication Data. Danh mục các Tài liệu tham khảo ­ 83 ­ 103. Yu Xiao­Hua, Suranai Poungponsri (2013), “An adaptive filtering approach for electrocardiogram (ECG) signal noise reduction using neural networks”, Elsevier, pp. 206­213. 104. Chazal P., Heneghan C., Sheridan E., Reilly R. (2003), “Automated processing of the single­lead electrocardiogram for the detection of obstructive sleep apnoea”, IEEE Transactions on Biomedical Engineering, pp. 686 ­ 696. 105. Zhi­Dong Zhao; Yu­quan Chen (2006), “A New Method for Removal of Baseline Wander and Power Line Interference in ECG Signals”, International Conference on Machine Learning and Cybernetics, pp. 4243­4247. 106. Zhao Zhidong; Liu Juan (2010), “Baseline Wander Removal of ECG Signals Using Empirical Mode Decomposition and Adaptive Filter”, 4th International Conference on Bioinformatics and Biomedical Engineering (iCBBE), pp. 1­3. 107. 108. 109. 110. ­axis­accelerometers/2g­4g­ 8g­low­g­14­bit­digital­accelerometer:MMA8451Q Danh mục các công trình đã công bố của luận án ­ 84 ­ DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 1. Trần Hoài Linh, Nguyễn Bá Biền, Phạm Văn Nam, Nguyễn Đức Thảo (2011), “Sử dụng công nghệ FPAA và PSoC trong thiết kế mạch thu thập và xử lý tín hiệu điện tim”, Tuyển tập báo cáo (CD) của Hội nghị toàn quốc về Điều khiển và Tự động hoá (VCCA). 2. Trần Hoài Linh, Nguyễn Đức Thảo, Phạm Văn Nam (2013), “Ứng dụng hàm Hermite và cây quyết định trong lựa chọn các đặc tính của tín hiệu điện tim phục vụ cho bài toán nhận dạng”, Tuyển tập báo cáo (CD) của Hội nghị toàn quốc về Điều khiển và Tự động hoá (VCCA). 3. Nguyễn Đức Thảo, Trần Hoài Linh, Phạm Văn Nam (2014), “Sử dụng cảm biến gia tốc thu thập tín hiệu nhịp thở,” Tuyển tập báo cáo (CD) Hội nghị toàn quốc về Cơ điện tử (VCM). 4. Nguyễn Đức Thảo, Dương Hòa An, Trần Hoài Linh (2015), “Thiết kế thiết bị thu thập nhịp thở và thuật toán loại trừ ảnh hưởng tới nhịp tim”, Tạp chí Khoa học và Công nghệ Đại học Thái Nguyên, Tập 132, số 02, Trang: 87­93. 5. Hoai Linh Tran, Van Nam Pham, Duc Thao Nguyen (2015), "A hardware implementation of intelligent ECG classifier", COMPEL: The International Journal for Computation and Mathematics in Electrical and Electronic Engineering, vol. 34, Iss: 3, pp. 905 – 919. 6. Nguyễn Đức Thảo, Trần Hoài Linh (2015), “Nâng cao chất lượng nhận dạng tín hiệu điện tim dựa trên giải pháp loại bỏ ảnh hưởng từ nhịp thở của người bệnh”, Tạp chí Khoa học và Công nghệ Đại học Thái Nguyên, Tập 140, số 10, Trang: 119­ 125. Phụ lục của luận án ­ 85 ­ Phụ lục A: Kết quả tính toán các thông số SNR, CORR, PRD và TH1 khi sử dụng bộ lọc thông cao loại bỏ ảnh hưởng của nhịp thở. Bảng A.1: Kết quả tính toán thông số khi sử dụng bộ lọc Butterworth_2 Thử nghiệm 1 Thử nghiệm 2 Record Nr SNR CORR PRD TH1 SNR CORR PRD TH1 Record_1 22.58 96.30 27.13 1.54 15.14 88.32 52.83 3.78 Record_2 21.31 95.73 29.15 1.87 14.93 88.25 63.74 4.92 Record_3 14.38 90.64 42.90 3.03 10.67 85.31 54.69 3.44 Record_4 10.87 86.19 51.83 4.01 17.72 91.57 41.23 4.78 Record_5 19.06 94.48 33.10 1.11 19.2 91.42 45.64 3.75 Record_6 18.31 93.97 34.62 1.08 14.9 90.8 43.56 7.11 Record_7 18.21 93.91 34.77 1.28 15.6 91.45 47.57 7.18 Record_8 18.55 94.13 34.14 1.27 14.39 84.99 51.74 2.74 Record_9 14.34 90.56 43.17 1.46 17.5 90.32 55.88 7.15 Record_10 13.57 89.78 44.76 3.21 11.14 86.2 52.62 2.66 Trung bình 17.12 92.57 37.56 1.99 15.12 88.86 50.95 4.75 Bảng A.2: Kết quả tính toán thông số khi sử dụng bộ lọc Kaiser_56 Thử nghiệm 1 Thử nghiệm 2 Record Nr SNR CORR PRD TH1 SNR CORR PRD TH1 Record_1 9.89 85.91 51.42 9.82 4.12 79.19 61.1 17.19 Record_2 9.16 84.59 53.72 19.91 11.8 78.48 63.86 12.06 Record_3 6.03 81.72 57.63 28.05 4.02 76.13 61.18 15.64 Record_4 3.42 76.17 64.85 36.34 6.39 81.36 58.2 17.90 Record_5 9.13 85.34 52.21 9.02 8.82 83.06 45.48 11.60 Record_6 4.88 78.24 62.44 4.35 5.36 76.46 55.63 10.74 Record_7 5.17 78.47 62.21 4.39 8.94 83.44 56.08 20.67 Record_8 7.49 83.01 55.83 6.40 2.74 75.45 67.47 12.37 Record_9 5.07 79.86 60.20 8.37 10.75 82.43 48.63 9.33 Record_10 6.44 80.83 59.06 29.96 4.13 75.88 60.26 12.79 Trung bình 6.67 81.41 57.96 15.66 6.71 79.19 57.79 14.03 Phụ lục của luận án ­ 86 ­ Bảng A.3: Kết quả tính toán thông số khi sử dụng bộ lọc Kaiser_255 Thử nghiệm 1 Thử nghiệm 2 Record Nr SNR CORR PRD TH1 SNR CORR PRD TH1 Record_1 15.72 91.93 39.93 11.04 2.99 54.17 88.61 18.24 Record_2 15.40 91.69 40.41 17.76 5.62 72.03 95.82 17.09 Record_3 19.75 95.25 30.44 25.49 5.00 66.32 81.42 17.81 Record_4 16.48 93.19 36.28 32.97 2.48 49.99 89.59 18.53 Record_5 17.84 93.80 34.86 8.91 6.73 73.51 87.99 17.04 Record_6 14.10 90.72 42.33 6.49 7.01 74.67 82.61 15.89 Record_7 13.61 90.14 43.62 7.41 1.7 42.19 98.16 19.00 Record_8 16.97 93.23 36.31 8.27 7.82 78.33 68.98 16.35 Record_9 17.97 94.18 33.62 9.68 9.74 82.28 65.19 15.88 Record_10 16.11 92.59 37.91 27.30 6.63 73.29 86.44 16.87 Trung bình 16.40 92.67 37.57 15.53 5.57 66.68 84.48 17.27 Bảng A.4: Kết quả tính toán thông số khi sử dụng bộ lọc Rectang _100 Thử nghiệm 1 Thử nghiệm 2 Record Nr SNR CORR PRD TH1 SNR CORR PRD TH1 Record_1 11.13 87.43 48.82 1.77 6.32 80.98 58.77 9.30 Record_2 9.93 85.93 51.41 2.14 12.44 88.2 64.91 6.75 Record_3 7.34 83.77 54.61 3.42 5.84 80.97 58.7 8.63 Record_4 4.56 78.17 62.44 4.45 8.01 82.52 57.03 9.80 Record_5 10.28 86.97 49.42 1.34 13.3 90.33 42.95 6.66 Record_6 6.08 80.49 59.47 1.26 8.11 86.34 50.74 5.95 Record_7 6.33 80.71 59.22 1.53 9.4 83.29 57.43 11.47 Record_8 8.64 84.58 53.46 1.50 1.62 77.79 63.38 6.79 Record_9 6.48 81.73 57.65 1.66 11.81 88.57 46.55 5.41 Record_10 7.35 82.20 57.17 3.61 6.06 81.93 57.35 7.10 Trung bình 7.81 83.20 55.37 2.27 8.29 84.09 55.78 7.79 Phụ lục của luận án ­ 87 ­ Phụ lục B: Kết quả tính toán các thông số SNR, CORR, PRD và TH1 trung bình khi sử dụng bộ lọc wavelet loại bỏ ảnh hưởng của nhịp thở. Bảng B.1.1: Kết quả tính toán các thông số khi sử dụng họ wavelet Biorthogonal Thử nghiệm 1 SNR CORR PRD TH1 BOIR A8 A9 A8 A9 A8 A9 A8 A9 1.1 10.64 6.29 83.55 71.12 65.35 49.60 1.97 1.97 1.3 10.27 6.21 82.75 70.82 67.64 50.12 1.87 1.94 1.5 9.83 6.10 81.76 70.36 70.32 50.81 1.86 1.94 2.2 16.74 5.63 92.18 68.40 41.76 53.69 2.09 2.06 2.4 17.72 5.92 93.00 69.61 39.23 51.91 1.88 1.96 2.6 17.93 5.95 93.17 69.75 38.70 51.71 1.85 1.95 2.8 17.93 5.94 93.17 69.71 38.69 51.78 1.85 1.95 3.1 5.87 2.17 69.95 46.84 102.13 94.75 7.07 7.31 3.3 19.55 4.97 94.45 65.40 34.60 58.32 2.46 2.30 3.5 22.21 5.67 95.90 68.59 29.32 53.43 1.97 1.99 3.7 23.06 5.86 96.27 69.40 27.86 52.22 1.87 1.97 3.9 23.42 5.92 96.42 69.64 27.25 51.87 1.85 1.95 4.4 19.54 5.87 94.35 69.44 34.83 52.16 1.86 1.95 5.5 20.91 5.86 95.19 69.40 31.91 52.23 1.85 1.95 6.8 22.29 5.88 95.91 69.46 29.26 52.14 1.84 1.95 Phụ lục của luận án ­ 88 ­ Bảng B.1.2: Kết quả tính toán các thông số khi sử dụng họ wavelet Biorthogonal Thử nghiệm 2 SNR CORR PRD TH1 BOIR A8 A9 A8 A9 A8 A9 A8 A9 1.1 9.29 5.11 76.35 62.14 121.63 103.11 4.50 4.59 1.3 9.06 4.97 75.72 61.47 124.85 106.17 3.69 4.51 1.5 8.88 4.85 75.24 60.89 126.85 108.44 3.62 4.52 2.2 16.09 6.73 88.19 68.36 62.24 73.28 4.20 4.43 2.4 17.02 6.91 88.86 68.98 56.77 71.59 3.77 4.38 2.6 17.14 6.95 88.96 69.12 59.42 71.27 3.70 4.36 2.8 17.15 6.95 88.96 69.12 59.40 71.28 3.69 4.36 3.1 4.85 2.83 64.48 51.33 130.46 101.89 9.57 5.53 3.3 15.14 6.82 88.01 68.74 61.60 69.04 4.60 4.40 3.5 17.62 7.25 89.67 70.14 55.69 65.97 3.66 4.28 3.7 18.10 7.38 90.01 70.61 54.45 64.90 3.46 4.24 3.9 18.25 7.44 90.15 70.85 53.96 64.39 3.40 4.23 4.4 17.98 7.13 89.73 69.70 55.93 68.50 3.65 4.32 5.5 18.41 7.24 90.08 70.09 54.50 67.11 3.57 4.29 6.8 18.68 7.33 90.30 70.42 53.61 66.12 3.49 4.26 Phụ lục của luận án ­ 89 ­ Bảng B.2.1: Kết quả tính toán các thông số khi sử dụng họ wavelet Coiflets Thử nghiệm 1 SNR CORR PRD TH1 COIF A8 A9 A8 A9 A8 A9 A8 A9 1 10.89 5.38 84.02 62.28 64.35 63.45 1.88 1.95 2 14.36 6.05 89.54 61.57 49.46 64.68 1.84 1.95 3 17.03 6.22 92.40 61.36 41.10 65.05 1.84 1.95 4 19.27 7.58 94.17 61.27 35.45 65.19 1.84 1.95 5 21.17 8.20 95.33 61.24 31.39 65.25 1.84 1.95 Bảng B.2.2: Kết quả tính toán các thông số khi sử dụng họ wavelet Coiflets Thử nghiệm 2 SNR CORR PRD TH1 COIF A8 A9 A8 A9 A8 A9 A8 A9 1 14.23 6.24 85.59 66.63 74.02 82.37 3.01 4.52 2 17.45 6.98 89.22 69.20 57.94 70.44 2.81 4.37 3 18.39 7.24 90.04 70.07 54.62 67.22 2.69 4.30 4 18.79 7.37 90.35 70.53 51.31 65.79 2.61 4.25 5 19.00 7.45 90.51 70.84 52.63 64.91 2.55 4.22 Phụ lục của luận án ­ 90 ­ Bảng B.3.1: Kết quả tính toán các thông số khi sử dụng họ wavelet Daubechies Thử nghiệm 1 SNR CORR PRD TH1 DB A8 A9 A8 A9 A8 A9 A8 A9 1 10.64 6.29 83.55 71.12 65.35 50.58 1.97 1.97 2 13.71 6.14 88.69 70.51 51.83 51.34 1.88 1.95 3 15.60 6.01 90.99 70.00 45.32 51.52 1.86 1.95 4 17.16 5.98 92.51 69.88 40.73 51.50 1.85 1.95 5 18.79 5.98 93.82 69.89 36.58 51.76 1.85 1.95 6 20.10 5.94 94.71 69.71 33.61 52.06 1.83 1.95 7 21.00 5.89 95.24 69.51 31.73 51.97 1.83 1.95 8 22.15 5.91 95.83 69.58 29.51 51.76 1.84 1.94 9 23.52 5.94 96.45 69.72 27.11 51.86 1.84 1.94 10 24.27 5.92 96.76 69.65 25.87 52.14 1.83 1.95 11 24.70 5.88 96.91 69.46 25.19 52.13 1.83 1.95 12 25.74 5.88 97.26 69.47 23.65 51.91 1.83 1.95 13 26.94 5.92 97.62 69.61 21.99 51.89 1.84 1.94 14 27.18 5.92 97.69 69.63 21.67 52.12 1.83 1.95 15 27.22 5.88 97.70 69.47 21.61 52.20 1.83 1.95 16 28.19 5.87 97.94 69.42 20.40 52.03 1.83 1.95 17 29.27 5.90 98.18 69.54 19.12 51.92 1.84 1.94 18 29.14 5.91 98.16 69.61 19.27 52.07 1.83 1.95 19 28.89 5.89 98.10 69.51 19.56 52.22 1.83 1.95 20 29.76 5.87 98.28 69.41 18.57 50.58 1.83 1.95 Phụ lục của luận án ­ 91 ­ Bảng B.3.2: Kết quả tính toán các thông số khi sử dụng họ wavelet Daubechies Thử nghiệm 2 SNR CORR PRD TH1 DB A8 A9 A8 A9 A8 A9 A8 A9 1 9.29 5.11 76.35 62.14 121.63 103.11 3.37 4.59 2 13.96 6.29 85.50 66.80 74.76 81.66 2.92 4.50 3 16.22 6.69 87.99 68.16 62.86 74.86 2.90 4.44 4 17.09 6.98 88.98 69.30 54.69 69.84 2.82 4.37 5 17.50 7.24 89.56 70.17 56.53 66.69 2.68 4.30 6 18.07 7.33 90.08 70.32 54.83 66.42 2.63 4.27 7 18.55 7.30 90.23 70.27 53.99 66.59 2.65 4.28 8 18.51 7.36 90.13 70.59 53.97 65.44 2.63 4.26 9 18.41 7.50 90.26 71.02 53.60 64.17 2.55 4.21 10 18.71 7.56 90.59 71.10 52.68 64.13 2.50 4.19 11 19.05 7.50 90.67 70.97 52.27 64.57 2.52 4.21 12 18.96 7.49 90.47 71.05 52.63 64.21 2.53 4.20 13 18.75 7.60 90.45 71.36 52.69 63.33 2.49 4.17 14 18.92 7.68 90.73 71.50 51.98 63.04 2.43 4.15 15 19.24 7.62 90.86 71.38 51.52 63.42 2.43 4.16 16 19.20 7.57 90.66 71.32 51.92 63.48 2.46 4.17 17 18.96 7.64 90.54 71.52 52.23 62.89 2.45 4.15 18 19.02 7.73 90.76 71.72 51.70 62.44 2.39 4.12 19 19.32 7.71 90.96 71.66 51.12 62.62 2.38 4.13 20 19.36 7.63 90.81 71.53 51.41 62.89 2.42 4.14 Phụ lục của luận án ­ 92 ­ Bảng B.4.1: Kết quả tính toán các thông số khi sử dụng họ wavelet Symlets Thử nghiệm 1 SNR CORR PRD TH1 SYM A8 A9 A8 A9 A8 A9 A8 A9 2 13.71 6.14 88.69 70.51 51.83 50.58 1.88 1.95 3 15.60 6.01 90.99 70.00 45.32 51.34 1.86 1.95 4 17.19 5.96 92.53 69.80 40.66 51.63 1.85 1.95 5 18.79 5.96 93.83 69.80 36.59 51.64 1.84 1.95 6 19.90 5.90 94.58 69.55 34.03 52.00 1.84 1.95 7 21.14 5.94 95.31 69.70 31.45 51.78 1.84 1.94 8 22.16 5.88 95.84 69.46 29.50 52.14 1.84 1.95 9 23.33 5.92 96.38 69.64 27.41 51.88 1.83 1.96 10 24.06 5.87 96.67 69.42 26.20 52.19 1.84 1.95 11 25.20 5.93 97.08 69.67 24.44 51.82 1.84 1.95 12 25.62 5.87 97.22 69.41 23.82 52.21 1.83 1.95 13 26.67 5.93 97.54 69.66 22.35 51.84 1.84 1.95 14 26.92 5.87 97.61 69.41 22.01 52.21 1.83 1.95 15 27.94 5.91 97.88 69.60 20.70 51.94 1.84 1.95 16 27.99 5.87 97.89 69.41 20.64 52.21 1.83 1.95 17 28.73 5.92 98.07 69.62 19.74 51.90 1.83 1.95 18 29.06 5.86 98.14 69.40 19.37 52.23 1.83 1.95 19 29.75 5.89 98.28 69.52 18.58 52.05 1.84 1.94 20 29.57 5.87 98.25 69.41 18.78 52.22 1.83 1.95 Phụ lục của luận án ­ 93 ­ Bảng B.4.2: Kết quả tính toán các thông số khi sử dụng họ wavelet Symlets Thử nghiệm 2 SNR CORR PRD TH1 SYM A8 A9 A8 A9 A8 A9 A8 A9 2 9.29 5.11 76.35 62.14 121.63 103.11 3.90 4.50 3 13.96 6.29 85.50 66.80 74.76 81.66 3.87 4.44 4 16.22 6.69 88.99 68.16 54.86 74.86 3.79 4.38 5 17.09 6.98 88.90 69.30 58.69 69.84 3.55 4.30 6 17.50 7.24 89.56 70.17 56.53 66.69 3.63 4.31 7 18.07 7.33 90.08 70.32 54.83 66.42 3.54 4.27 8 18.55 7.30 90.23 70.27 53.99 66.59 3.51 4.26 9 18.51 7.36 90.13 70.59 53.97 65.44 3.34 4.21 10 18.41 7.50 90.26 71.02 53.60 64.17 3.42 4.23 11 18.71 7.56 90.59 71.10 52.68 64.13 3.34 4.19 12 19.05 7.50 90.67 70.97 52.27 64.57 3.36 4.21 13 18.96 7.49 90.47 71.05 52.63 64.21 3.28 4.16 14 18.75 7.60 90.45 71.36 52.69 63.33 3.29 4.18 15 18.92 7.68 90.73 71.50 51.98 63.04 3.28 4.16 16 19.24 7.62 90.86 71.38 51.52 63.42 3.25 4.16 17 19.20 7.57 90.66 71.32 51.92 63.48 3.19 4.13 18 18.96 7.64 90.54 71.52 52.23 62.89 3.27 4.16 19 19.02 7.73 90.76 71.72 51.70 62.44 3.25 4.14 20 19.32 7.71 90.96 71.66 51.12 62.62 3.20 4.14