Ứng dụng giải thuật di truyền (GA) để tối ưu tham số hệ mờ trong phân lớp tín hiệu điện tim

LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 5
ỨNG DỤNG GIẢI THUẬT DI TRUYỀN (GA) ĐỂ TỐI ƯU THAM SỐ 
HỆ MỜ TRONG PHÂN LỚP TÍN HIỆU ĐIỆN TIM
APPLICATION OF GA FOR OPTIMISING PARAMETERS OF FUZZY 
SYSTEMS IN ECG CLASSIFICATION
Hoàng Thị Ngọc Diệp, Trần Duy Khánh, Hoàng Thị An
Email: hoangdiepdtth@gmail.com 
Trường Đại Học Sao Đỏ
Ngày nhận bài: 16/2/2017 
Ngày nhận bài sửa sau phản biện: 6/11/2017
Ngày chấp nhận đăng: 28/12/2017
Tóm tắt
Bài báo trình bày các bước xây dựng một mô hình phân lớp điện tim sử dụng hệ mờ không đơn trị 
(NSFLS). Đầu tiên, các tín hiệu điện tim được cho qua một khối tiền xử lý để loại nhiễu do môi trường 
ghi điện tâm đồ gây ra. Tín hiệu sau khi xử lý nhiễu sẽ được phân tích và trích rút các đặc trưng thích 
hợp. Các đặc trưng này là đầu vào của một hệ phân lớp mờ không đơn trị. Sau khi xác định cấu trúc 
của mô hình phân lớp, xây dựng các tham số của mô hình qua một quá trình học dựa vào tập dữ liệu 
huấn luyện. Cuối cùng, nhóm tác giả sử dụng giải thuật di truyền để tối ưu tham số hệ mờ nhằm thu 
được kết quả phân lớp tín hiệu điện tim tốt nhất.
Từ khóa: Hệ mờ không đơn trị (NSFLS); giải thuật di truyền (GA); phân loại mẫu; phân lớp tín hiệu điện 
tim (ECG).
Abstract
The paper presents a method to construct a non-singleton fuzzy logic system (NSFLS) for ECG 
arrhythmic classification. The classifier is applied to distinguish normal sinus rhythm (NSR), 
ventricular fibrillation (VF) and ventricular tachycardia (VT). Two features of ECG signal, the average 
period and the pulse width, are inputs to the fuzzy classifier. The rule base used in the fuzzy system is 
constructed from training data. The generalized bell membership function is used to examine the 
performance of the classifier with different shapes of membership function. The results of experiments with 
data from the MIT-BIH Malignant Ventricular Arrhythmia Database show the viability of a non-singleton 
fuzzy system in ECG classification. Then, GA Optimisation of Non-Singleton Fuzzy Logic System for ECG 
Classification to obtain the best results.
Keywords: Non-singleton fuzzy logic system (NSFLS); genetic algorithm (GA); pattern classification; 
electrocardiogram (ECG).
1. GIỚI THIỆU
Trong thực tế có rất nhiều bài toán cần phân loại 
mẫu như bài toán phân loại ảnh khuôn mặt, phân 
loại văn bản, phát hiện lỗi trong các phân tích máy 
móc và y tế, phân loại chữ viết Có rất nhiều vấn 
đề con người xử lý khá đơn giản. Trái lại, trong 
nhiều trường hợp, phương án sử dụng máy tính 
đã chỉ ra mức độ khó của vấn đề. Tuy gặp nhiều 
khó khăn nhưng việc sử dụng máy tính trong các 
bài toán nhận dạng mẫu ngày càng trở nên phổ 
biến. Mục đích chính của việc phân loại mẫu là tự 
động trợ giúp con người khi phân tích khối lượng 
dữ liệu cực lớn và từ đó trích chọn ra những tri 
thức hữu ích. Mặc dù có nhiều phương thức khi 
phân loại nhưng chúng đều có chung cấu trúc nền 
tảng và các bước khi thiết kế. Theo [8] các thành 
phần của một bộ phân loại và trình tự thiết kế bộ 
phân loại được chỉ ra trên hình 1. 
Bước trích chọn đặc trưng biến đổi dữ liệu đầu 
vào (trong không gian quan sát) thành các vectơ 
đặc trưng (trong không gian đặc trưng). Không 
gian đặc trưng có số chiều ít hơn nhiều so với 
không gian quan sát. Bước tiếp theo là biến đổi 
từ không gian đặc trưng sang không gian quyết 
định được định nghĩa bởi tập các lớp (xác định). 
Một bộ phân loại hay một thuật toán sẽ sinh ra 
một phân hoạch của không gian đặc trưng bởi các 
miền quyết định. Sau khi thiết kế bộ phân loại với 
6NGHIÊN CỨU KHOA HỌC
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017
hiệu năng mong muốn, ta có thể sử dụng nó để 
phân loại các đối tượng mới. Điều này có nghĩa 
là bộ phân loại sẽ gán từng vectơ đặc trưng trong 
không gian đặc trưng với một lớp trong không 
gian quyết định.
Trong bài toán phân loại mẫu, trích chọn đặc 
trưng là nhiệm vụ khó khăn nhất, quyết định đến 
độ chính xác của thuật toán. Khi trích chọn đặc 
trưng cần lựa chọn những đặc trưng hữu ích để 
tìm ra thuật toán học hiệu quả cho bài toán phân 
Đã có nhiều nghiên cứu để phân lớp tín hiệu điện 
tim. Theo [3] với mô hình mờ sử dụng logic mờ 
loại 2 khoảng đơn trị thì khả năng làm việc với 
nhiễu hiệu quả chưa cao. Theo [9] sử dụng hệ mờ 
loại hai khoảng và thuật toán VF - Filter Leakage 
thì khả năng phân lớp chưa tối ưu hóa hàm thuộc 
và cơ sở luật. Do đó, hệ mờ không đơn trị được 
chọn vì nó thích hợp hơn hệ mờ đơn trị khi làm 
việc với nhiễu. Giải thuật di truyền được dùng để 
tối ưu hóa đồng thời hàm thuộc và cơ sở luật. 
Bài báo này trình bày khả năng của hệ mờ không 
đơn trị và giải thuật di truyền để xử lý nhiễu trong 
các bài toán phân loại mẫu. Hiệu năng của các hệ 
thống đơn trị và không đơn trị được so sánh với 
nhau trong bài toán phân lớp điện tim. Các kết 
quả chỉ ra rằng giải thuật di truyền tốt hơn hệ mờ 
loại mẫu và tiết kiệm chi phí tính toán. Nếu những 
đặc trưng thừa hay không thích hợp ảnh hưởng 
đến hiệu năng cũng như chất lượng phân loại 
mẫu, thậm chí có thể dẫn tới việc phân loại sai. 
Do có nhiều cách lựa chọn thuật toán nên độ khó 
khi trích chọn đặc trưng cũng rất đa dạng. Hơn 
nữa, trong các ứng dụng ta luôn phải đối mặt với 
nhiễu. Nguyên nhân của chúng là do nhiễu điện 
trong các thiết bị trích chọn hoặc thao tác các thiết 
bị không đúng.
 a) b)
Hình 1. a) Các thành phần của bộ phân loại; b) Trình tự thiết kế bộ phân loại sử dụng GA
đơn trị khi có nhiễu trong các đặc trưng được trích 
chọn. Điều này rất hữu ích khi không thể tránh 
khỏi sự nhập nhằng trong dữ liệu đầu vào [8].
2. GIẢI THUẬT DI TRUYỀN ÁP DỤNG VÀO BÀI 
TOÁN ECG
2.1. Bài toán ECG
Bài toán phân lớp điện tim được mô tả theo sơ đồ 
như hình 2, trong đó:
- Đầu vào gồm hai đặc trưng: độ rộng xung (PW), 
chu kỳ xung (T).
- Đầu ra loại nhịp tim (phân làm ba lớp): NRS (nhịp 
tim bình thường), VF (chứng rung tâm thất) và VT 
(chứng tim đập nhanh).
 Dữ liệu vào 
Cảm biến 
Tiền xử lý 
Trích chọn đặc 
t
Phân lớp 
Quyết định 
a) 
Thu thập dữ 
Lựa chọn đặc 
Lựa chọn lớp 
Huấn luyện phân 
Đánh giá hiệu 
ấ
Kết thúc 
b) 
Thu nhập dữ liệu
Lựa chọn đặc trưng
Đánh giá hiệu suất
Huấn luyện phân loại
Kết thúcQuyết định
P lớp
Tiề lý
Cả i n
 liệu vào
Lựa chọ lớp
Trích c ọn đặc trưng
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 7
Tín hiệu điện tim đầu vào
Loạn nhịp tim
Phân lớp tín hiệu
Xử lý và trích rút đặc trưng của tín hiệu
Hình 2. Sơ đồ bài toán ECG
2.2. Giải thuật di truyền
Giải thuật di truyền sử dụng các mã hóa nhị phân, 
mỗi cá thể là một chuỗi bit, thông qua các toán tử 
di truyền: chọn lọc, lai ghép, đột biến, tái tạo. 
 procedure Genetic_Algorithm;
 begin
 t ← 0;
 Khởi tạo thế hệ ban đầu P(t);
 Đánh giá P(t) (theo hàm thích nghi);
repeat
 t ← t + 1;
Sinh ra thế hệ mới P(t) từ P(t-1) bởi
•	 Chọn lọc
•	 Lai ghép
•	 Đột biến
Đánh giá P(t);
until Điều kiện kết thúc được thỏa mãn;
 end;
2.3. Giải thuật di truyền ứng dụng vào bài 
toán ECG
Khi thiết kế một hệ mờ giải quyết bài toán ECG 
dùng giải thuật di truyền, đầu tiên là xem xét chiến 
lược trình bày và cách thức mã hóa hệ mờ vào 
nhiễm sắc thể. Trong thiết kế giải thuật di truyền 
ở bài báo này có hai đầu vào và mỗi đầu vào gồm 
hai biến x1 và x2 (có thể là độ rộng xung và chu 
kỳ hoăc độ rộng xung và biên độ) được phân chia 
thành ba hàm, do đó, có 12 tham số (vì 2 tham số 
x 2 đầu vào x 3 chức năng thành viên = 12 tham 
số). Giả sử không mất tính tổng quát và độ lệch 
tiêu chuẩn của hàm tham gia là 
i
l
xm và i
l
xσ , với 
i = 1, 2 và l = 1, 2, 3. Ngoài ra có 9 luật (3x3) trong 
các quy tắc cơ sở, thêm kết quả phụ 9 tham số, 
rn trong đó n = 1, 2, , 9. Do vậy, tổng cộng 21 
tham số (3 chức năng thành viên × 2 tham số × 2 
biến đầu vào + 9 quy tắc) cần thiết để giải thuật di 
truyền điều chỉnh. 
+ Mỗi tham số luật được mã hóa thành chuỗi 
nhị phân 2-bit.
+ Mỗi tham số của hàm được mã hóa thành 
chuỗi nhị phân 8-bit. 
Do đó, chiều dài của chuỗi nhị phân là 114 bit 
(12x8+2x9=114 bit). Minh họa cấu trúc của nhiễm 
sắc thể (hình 3). 
Hình 3. Cấu trúc của nhiễm sắc thể
Trong quá trình thẩm định thích hợp các tham số 
phải được giải mã (kiểu hình đại diện).
+ Tham số luật giải mã thành dãy số 
nguyên 0-4.
+ Tham số hàm giải mã thành số thực bằng 
cách sử dụng phương trình lập bản đồ tuyến tính 
như dưới đây [3]:
12
)( minmaxmin
−
×−+= N
q
qqqp
A
GGGg 
(1)
trong đó: p và q: chuỗi gen tương ứng; gp biểu thị 
giá trị thực tế của các tham số qth; Aq biểu diễn các 
số nguyên đại diện là chuỗi gen N-bit; maxqG và min
qG biểu thị cho người dùng xác định giới hạn 
trên và dưới của gen tương ứng. 
3. CẤU TRÚC CỦA MÔ HÌNH PHÂN LỚP MỜ 
SỬ DỤNG GA ĐỂ TỐI ƯU THAM SỐ 
Về cơ bản, kiến trúc chung của mô hình GA giống 
với mô hình phân lớp loại hai khoảng. Tuy nhiên 
trong cấu trúc có thêm khối tiền xử lý và giảm bớt 
khối giảm loại và khử mờ.
Hình 4. Cấu trúc của một hệ phân loại mờ 
sử dụng GA
8NGHIÊN CỨU KHOA HỌC
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017
3.1. Khái niệm hệ mờ không đơn trị
Kaufman và Gupta [7] định nghĩa phép mờ hóa 
không đơn trị: Một bộ mờ hóa không đơn trị có 
dạng ( ) 1( 1,..., )iX ix i pµ ′ = = và )( iX xiµ giảm dần từ 
1 khi ix xa dần ix′ .
3.2. Khối tiền xử lý
Xét một bộ phân loại, giả sử có thể có một số loại 
nhiễu. Đầu tiên, các đầu vào của bộ phân loại có 
thể bị hỏng. Các tín hiệu điện tim ghi được (đặc biệt 
là tín hiệu điện tim đo trên bề mặt) rất nhạy cảm với 
việc di chuyển cáp điện và các hoạt động của cơ. 
Ngoài ra, nhiễu từ mạng điện có thể sai lệch quá 
trình ghi nhận tín hiệu... Do đó, tín hiệu cần được 
tiền xử lý để có thể thu được thông tin từ tín hiệu 
chính xác hơn.
Việc trích rút hai đặc trưng độ rộng xung, chu kỳ 
xung của tín hiệu được thực hiện qua hai bước. 
Tín hiệu điện tim sau khi lọc được biến đổi thành 
một chuỗi nhị phân để làm tăng khả năng trích 
chọn đặc trưng. Thuật toán biến đổi sử dụng trong 
bài báo được cải tiến (nội dung của bước 2) từ 
thuật toán trong [8]. Bài báo sử dụng thuật toán 
biến đổi hai bước thay vì thuật toán biến đổi một 
bước của Zhang. Tín hiệu điện tim sẽ được biến 
đổi từng phần thành chuỗi nhị phân thay vì biến đổi 
toàn bộ. Điều này có thể làm giảm việc phát hiện 
sai các đỉnh tích cực bằng cách khử đi tín hiệu 
có biên độ nhỏ. Sau bước này là bước biến đổi 
hoàn toàn chuỗi nhị phân nhằm xác định ngưỡng 
để cực đại hóa sự khác biệt giữa lớp NSR và lớp 
VF/VT. Sau đó, ta sẽ tính toán độ rộng xung, chu 
kỳ xung trung bình của tín hiệu dựa vào chuỗi nhị 
phân trên. 
VFDB - cơ sở liêu chứng loạn nhịp thất ác tính 
của MIT-BIH. CSDL điện tim MIT-BIH [10] với tập 
dữ liệu trích từ cơ sở dữ liệu điện tim từ dự án 
hợp tác giữa Học viện Kỹ thuật Massachusetts và 
Bệnh viện Beth Israel (MIT-BIH). Đây là một cơ 
sở dữ liệu điện tim phong phú đầy đủ, đã được 
sử dụng rộng rãi trong nghiên cứu và học tập trên 
thế giới.
Các bước được trình bày như sau:
Thuật toán:
Bước 1: Chuyển mẫu tín hiệu (4s tín hiệu) ban đầu 
thành chuỗi nhị phân
Với dữ liệu của VFDB, chọn 4s dữ liệu. Tại tần số 
250 Hz các tín hiệu rời rạc nên có tất cả 1000 điểm 
dữ liệu trong cửa sổ dài 4s à ta có n = 1000 mẫu 
có các giá trị Xi với i = 1, 2,.., 1000.
Lấy x[m] là trung bình cộng các phần tử của mảng 
{Xi}. Tạo một mảng X’ bằng cách lấy giá trị của 
mỗi phần từ trừ đi Xm: X’i = {xi – xm}
Làm các công việc sau trên mảng X’:
- Tính giá trị âm nhỏ nhất Vn và giá trị dương lớn 
nhất Vp.
- Tạo một phần chuỗi nhị phân: Nếu các phần 
tử có giá trị trong khoảng (0<xi<0.2 Vp) hoặc 
(0.2 Vn<xi<0) thì x’(i) = 0.
- Tính tham số Np và Nn. Np là ký hiệu số lượng 
dữ liệu xi>0 và Nn=n–Np.
- Chuyển một phần chuỗi nhị phân thành toàn bộ 
chuỗi nhị phân bằng cách xác định ngưỡng Tr. 
Đây là bước quan trọng để tách biệt giữa các tín 
hiệu NSR, VF và VT.
 Nếu Np < 0.15n thì Tr = 0.7*Vp
 Nếu Np >= 0.15n thì Tr = 0
- Chuyển một phần chuỗi nhị phân thành chuỗi 
nhị phân hoàn toàn bằng cách so sánh x[i] 
với Tr:
 Nếu x[i] <= Tr thì x[i] = 0
 Nếu x[i] > Tr thì x[i] = 1
Sau bước này ta có chuỗi nhị phân tương ứng 
với mẫu tín hiệu: dãy số 1 liên tiếp trong chuỗi nhị 
phân biểu diễn xung QRS của tín hiệu ban đầu.
Bước 2: Tính Pw và T từ chuỗi nhị phân:
Bước này sẽ tính độ rộng xung và chu kỳ xung 
trung bình trong khoảng 4s tín hiệu. Độ rộng xung 
của mẫu 4s tín hiệu được tính bằng trung bình 
độ rộng của tất cả các xung trong khoảng tín 
hiệu. Độ rộng của một xung trong mẫu tín hiệu 
là độ dài chuỗi số 1 liên tiếp trong chuỗi nhị phân 
tương ứng.
1 ( )
N
iW
PW ms
N
=
∑ (2)
1
1 ( )
1
N
iT
T ms
N
−
=
−
∑
trong đó: 
Wi: độ rộng xung thứ i;
Ti: khoảng cách giữa xung thứ (i) và xung thứ 
(i+1);
N: tổng số xung trong đoạn tín hiệu.
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 9
Như vậy, sau bước này với mỗi tín hiệu ta sẽ thu 
được 2 giá trị độ rộng xung (PW) và chu kỳ xung 
(T). Giá trị của hai đặc trưng này sẽ là đầu vào cho 
mô hình phân lớp dựa trên luật mờ ở bước sau.
(a)
(b)
(c)
Hình 5. Ba dạng tín hiệu điện tim khác nhau 
với chuỗi nhị phân tương ứng
Theo Teck Wee Chua và Woei Wan Tan [8], trong 
hình 5 có hai tham số được trích chọn từ chuỗi 
nhị phân này: độ rộng xung, chu kì xung. Tất 
cả các tham số được tính trung bình trong cửa 
sổ 4s và độ lệch chuẩn của chúng được tính 
tương ứng.
3.3. Khối mờ hóa
Mặc dù, bộ mờ hóa đơn trị đơn giản và phổ biến 
hơn bộ mờ hóa không đơn trị. Nhưng khi lựa chọn 
phương pháp mờ hóa người ta lại lựa chọn bộ mờ 
hóa không đơn trị vì bộ mờ hóa không đơn trị có 
thể làm việc tốt hơn trong môi trường nhiễu và nó 
có thể mô hình hóa sự không chắc chắn, không 
chính xác của các đầu vào [4, 5]. Các tín hiệu điện 
tim ECG thường bị ngắt quãng khi ghi nên các 
điểm kề đó có thể cũng là các giá trị đúng nhưng 
với độ thuộc bé hơn. Do đó, theo Mouzouris và 
Mendel [2], bộ mờ hóa không đơn trị coi đầu vào x 
là đại diện tốt nhất từ tất cả các giá trị xung quanh 
nó. Tuy nhiên, ta có thể dễ dàng chuyển đổi bộ 
phân loại không đơn trị thành đơn trị và ngược lại 
bằng cách thay thế khối mờ hóa tương ứng (hình 
chữ nhật đậm trong hình 4). 
Sự khác biệt duy nhất giữa hệ logic mờ đơn trị và 
không đơn trị là số lượng các mức đốt cháy.
Hiệu quả của “bộ tiền lọc” của FLS không đơn trị 
là chìa khóa để làm việc với sự không chắc chắn 
trong đầu vào [1]. Hiệu quả này là kết quả của 
phép hợp thành super-star trong phép mờ hóa 
của NSFLS framwork với việc biến x thành xlmax. 
Vì vậy, theo [8] xét một tập mờ với hàm thuộc Gauss













 −−=
2
2
1exp)(
σ
µ iiX
xxx
 (3)
trong đó: phương sai 2σ thể hiện độ rộng của 
( )X ixµ . Giá trị này càng rộng thì càng có nhiều 
nhiễu trong dữ liệu. Bộ mờ hóa không đơn trị có 
thể sử dụng suy diễn dùng phép min hoặc phép 
product để biến x thành max
lx . Giả sử tập mờ có 
đầu vào thứ k và tiền đề thứ k tương ứng có dạng: 















 −
−=
2
,
2
1exp),(
k
kk
k
x
xik
ikX
mx
xx
σ
µ















 −
−=
2
,
2
1exp),(
l
k
l
kk
l
k
F
Fik
ikF
mx
xx
σ
µ
 (4)
+ Với phép suy diễn min đầu vào biến thành 
, ax
l
k mx như sau:
l
kk
klk
l
kk
FX
XFFXl
k
mm
x
σσ
σσ
+
+
=max, (5)
+ Với phép suy diễn dùng product đầu vào biến 
thành , ax
l
k mx như sau:
l
kk
klk
l
kk
FX
XFFXl
k
mm
x 22
22
max, σσ
σσ
+
+
= 
(6)
10
NGHIÊN CỨU KHOA HỌC
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017
Với hai dữ liệu đầu vào con là 
k
mΧ và lkFm , phương 
sai 2σ thể hiện độ rộng của tập mờ tương ứng. 
Giá trị này càng rộng thì càng có nhiều nhiễu trong 
dữ liệu. Vì một lý do nào đó mà dữ liệu đầu vào 
bị hỏng do nhiễu thì bộ mờ hóa không đơn trị vẫn 
có thể xử lý được. Ví dụ, đầu vào 
k
mΧ bị hỏng bởi 
nhiễu, tức là: kXX nmm kk += 0 
 (7)
Với 
0kX
m là tín hiệu có ích và kn là nhiễu.
Thay 
kX
m trong (5) bởi (7) ta có:
l
kk
l
k
l
kk
klk
l
kk
FX
kF
FX
XFFXl
k
nmm
x
σσ
σ
σσ
σσ
+
+
+
+
=max,
 (8) 
Công thức (8) chỉ ra rằng bộ mờ hóa Gaussian 
làm việc được với nhiễu bởi thành phần 
/ ( )l l
kk k
XF F
σ σ σ+ . Tương tự, ta chứng minh 
được bộ mờ hóa tam giác cũng có khả năng làm 
việc được với nhiễu. Ngoài ra, hệ mờ không đơn trị 
là hàm thuộc đầu ra có độ cao cực đại lớn hơn hệ 
mờ đơn trị [3]. Vì với cùng một đầu vào thì hệ mờ 
không đơn trị có thể có độ thuộc trong nhiều tập mờ 
tiền đề hơn hệ mờ đơn trị; do đó khi có nhiều nhiễu 
trong đầu vào thì trong hệ mờ không đơn trị nhiều 
luật sẽ được đốt cháy hơn là trong hệ mờ đơn trị. 
3.4. Khối quyết định
Phần này bàn về đề xuất tiếp cận GA để phân 
lớp mờ, hàm Gaussian, các luật được chọn ngẫu 
nhiên và được điều chỉnh đồng thời bởi GA. Shi 
và cộng sự [6], các hàm và các luật được thiết kế 
và phát triển cùng một lúc vì hai tham số đó được 
gọi là đồng tác phụ thuộc. Sau đó, tiến hành lựa 
chọn hàm thích hợp. Nếu tìm được hàm thích hợp 
tốt có thể phản ánh được mục tiêu của hệ thống. 
Phương pháp dùng giải thuật di truyền GA có sự 
khác biệt hơn nhiều so với phương pháp truyền 
thống gradient, nó được sử dụng để phát triển hệ 
thống với bất kỳ loại hàm của phép đo thích hợp: 
không khả vi, không liên tục,... Để xác định hàm 
thẩm định thích hợp, bài báo này không dùng vấn 
đề dự báo hay ước lượng mà dùng vấn đề phụ 
thuộc. Với vấn đề phụ thuộc thường sử dụng sai 
số bình phương hoặc hàm liên quan lỗi khác biệt 
tuyệt đối. Vấn đề phân loại sử dụng số lượng các 
lớp được phân loại chính xác hoặc lớp được phân 
loại chưa chính xác. Hàm thích hợp được đề xuất 
như sau:
(9)
Trong đó: ACNSR: tỷ lệ phần trăm của lớp tim bình 
thường; ACVF: tỷ lệ phần trăm của lớp rung tâm 
thất và ACVT: tỷ lệ phần trăm của lớp tim đập nhanh 
được phân loại chính xác. Sau khi mỗi nhiễm sắc 
thể được đánh giá và liên quan tới một sự thích 
hợp. Dân số luôn luôn biến động, quá trình sinh 
sản để tạo ra một thế hệ tiếp theo của dân số. Để 
xác định các thành viên mới phát sinh dựa vào 
sơ đồ “sự thay thế”. Mục đích của cơ chế chọn 
lọc là tập trung tìm kiếm trên các vùng hứa hẹn 
nhất của không gian tìm kiếm. Trong giải thuật di 
truyền GA để tìm kiếm hiệu quả kể cả với vùng 
mới dùng biến thể của nhà khai thác (chéo và đột 
biến). Vì sự xuyên chéo tạo điều kiện thăm dò, 
còn đột biến tạo điều kiện khai thác không gian 
tìm kiếm. Trong bài báo, nhóm tác giả sử dụng 
chéo điểm duy nhất và từng bit đột biến. Trong 
toàn bộ hoạt động của giải thuật di truyền để đơn 
giản các xác suất là hằng số: của chéo là 0.8 và 
đột biến là 0,03. Để đáp ứng điểm dừng của bài 
toán những cải tiến trong hoạt động được lặp đi 
lặp lại cho phù hợp với một số tiêu chí dừng.
4. KẾT QUẢ THỬ NGHIỆM 
Với cùng cơ sở dữ liệu thử nghiệm như hệ mờ 
loại hai khoảng [3]. Kết quả của hệ mờ sử dụng 
giải thuật di truyền [8] như sau: Có ba cách đo 
hiệu suất (độ chính xác, độ nhạy cảm và đặc 
trưng) được dùng để chuẩn hóa hệ thống phân 
lớp. Độ nhạy cảm là khả năng mà nếu xét nghiệm 
là dương tính thì người có bệnh, trong khi đó đặc 
trưng là khả năng mà nếu xét nghiệm là âm tính 
thì người không có bệnh. Các tham số được định 
nghĩa như sau:
Sensitivity, 
(10)
Specificity, 
(11)
trong đó: TP, TN, FP và FN được định nghĩa trong 
bảng 1.
Bảng 1. Ký hiệu sử dụng giống nhau giữa độ nhạy 
cảm và đặc trưng
Predicted / 
Real
Rhythm A Rhythm B
Rhythm A True Positive (TP)
False 
Negative (FN)
Rhythm B False Positive (FP)
True Negative 
(TN)
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017 11
Bảng 2. Kết quả phân lớp với các cấu hình 
khác nhau
Cấu 
hình
Nhịp tim
AC 
(%)
SE 
(%)
SP 
(%)
a
NSR 100,00 100,00 100,00
VF 83,33 90,91 92,00
VT 91,67 84,62 95,65
Trung bình 91,67 91,84 95,88
b
NSR 100,00 100,00 100,00
VF 95,00 100,00 97,56
VT 100 95,24 100,00
Trung bình 98,33 98,41 99,19
c
NSR 100,00 98,36 100,00
VF 98,33 100,00 99,17
VT 100,00 100,00 100,00
Trung bình 98,44 98,45 99,72
d
NSR 100,00 100,00 100,00
VF 100,00 100,00 100,00
VT 100,00 100,00 100,00
Trung bình 100,00 100,00 100,00
trong đó [8]:
a: FLS đơn trị với đặc trưng đầu vào là độ rộng 
xung và chu kỳ;
b: FLS đơn trị với đặc trưng đầu vào là độ rộng 
xung và biên độ;
c: FLS không đơn trị với đặc trưng đầu vào là độ 
rộng xung và chu kỳ;
d: FLS không đơn trị với đặc trưng đầu vào là độ 
rộng xung và biên độ.
Trong thực tế, các cán bộ y tế luôn quan sát thông 
tin biên độ chứ không phải là thông tin chu kỳ 
để xác định các loại loạn nhịp thất. Thông tin về 
chu kỳ xung có thể là không đáng tin cậy vì chu 
kỳ xung ngắn hơn có thể là kết quả từ các hoạt 
động tập thể dục hay cảm xúc của bệnh nhân. 
Tuy nhiên, từ kết quả này ta thấy ưu thế của việc 
sử dụng hệ logic mờ không đơn trị. Bên cạnh đó, 
FLS không đơn trị cung cấp những lợi thế nhất khi 
tín hiệu đầu vào đơn gồm các đặc trưng không 
chắc chắn để phân lớp tín hiệu. Vấn đề được cải 
thiện chút ít nếu tín hiệu đầu vào là đặc trưng có 
ít sự chắc chắn hơn. Nói tóm lại, FLS không đơn 
trị được chứng minh là một công cụ rất hữu hiệu 
trong việc giải quyết những bất trắc tồn tại trong 
phân loại mẫu.
Thuật toán giải thuật sử dụng các cửa sổ chiều 
dài ngắn nhất (4.0 s) để khai thác tính năng so 
với các thuật toán khác như sự liên quan giữa sự 
khác biệt và hiệu suất. Một số thuật toán đã dùng 
có độ dài của cửa sổ 4,0 s; 4,8 s; 8,0 s; 20,0 s; 
8,0 s; 7,0 s và 5,5 s tương ứng để đạt được kết 
quả khá tốt. Một số cửa sổ chiều dài ngắn hơn sẽ 
cho phép phát hiện trong một thời gian ngắn hơn, 
cho rằng thời gian tính toán của các phân lớp là 
tương đương. Đề xuất FLS không đơn trị chỉ dùng 
ít hơn 0,05 ms để phân lớp một tập các dữ liệu 
tách ra, vì thế thời gian tính toán lấy của phân loại 
là không đáng kể so với các đặc trưng được chọn. 
Bảng 3 cho thấy hệ thống phân lớp sử dụng giải 
thuật di truyền tối ưu hệ mờ không đơn trị tốt hơn 
hệ thống phân lớp sử dụng hệ mờ loại hai khoảng 
và VF - Filter Leakage.
Bảng 3. So sánh kết quả phân lớp tập dữ liệu (%) của các phương pháp khác nhau
Thuật toán/
bài báo
NSR VF VT Cơ sở 
dữ liệuAC (%)
SE 
(%)
SP 
(%)
AC 
(%)
SE 
(%)
SP 
(%)
AC 
(%)
SE 
(%)
SP 
(%)
VF-Filter 
Leakage/[9] 97,55 94,12 98,24 89,22 89,41 89,08 89,71 84,71 93,28 VFDB
Type-2 
khoảng 
Fuzzy 
Classifier/[3]
100 100 100 92,3 92,5 98 93,3 93,3 95,8
MIT-
BIH
GA Fuzzy 
Classifier 100,0 98,36 100,0 98,33 100,0 99,17 100,0 100,0 100,0 VFDB
12
NGHIÊN CỨU KHOA HỌC
Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(59).2017
Vì 3 phương pháp: Type-2 khoảng Fuzzy, 
VF - Filter Leakage và GA Fuzzy Classifier cùng 
sử dụng cơ sở dữ liệu có sẵn của MIT-BIH để 
phân loại ra NSR, VF, VT. Nhưng kết quả của GA 
là tốt hơn hẳn. VFDB - cơ sở liêu chứng loạn nhịp 
thất ác tính của MIT- BIH. CSDL điện tim MIT-BIH 
[10] được sử dụng để đánh giá hiệu năng của mô 
hình phân lớp. 70 mẫu dữ liệu được chọn ngẫu 
nhiên từ CSDL để huấn luyện và thử nghiệm mô 
hình. Trong 70 mẫu dữ liệu bao gồm 30 mẫu thuộc 
lớp NSR, 25 mẫu thuộc lớp VT và 15 lớp thuộc lớp 
VF. CSDL bao gồm 48 bản ghi, mỗi bản ghi lưu trữ 
một điện tâm đồ trong khoảng thời gian 30 phút. 
Tần số lấy mẫu của tín hiệu điện tim là 250 Hz.
5. KẾT LUẬN
Nhóm tác giả đã trình bày các bước xây dựng một 
mô hình phân lớp điện tim sử dụng hệ mờ không 
đơn trị kết hợp với giải thuật di truyền để tối ưu 
tham số hệ mờ. Kết quả chỉ ra rằng với cùng một 
dữ liệu đầu vào thì hệ mờ không đơn trị kết hợp 
GA luôn loại bỏ được nhiễu và phân lớp tốt hơn so 
với các hệ mờ đơn trị tương ứng.
TÀI LIỆU THAM KHẢO
[1]. J. M . Mendel (2001). Uncertain Rule-Based Fuzzy 
Logic Systems: Introduction and New Directions. 
Upper Saddle River, NJ Prentice-Hall, 2001.
[2]. J. M. Mendel and R .I. John (2002). Type-2 Fuzzy 
Sets Made Simple. IEEE Transactions on Fuzzy 
Systems (2002), 10(2), 117-127.
[3]. Teck Wee Chua and Woei Wan Tan (2007). 
Interval Type-2 Fuzzy System for ECG Arrhythmic 
Classification. Department of Electrical 
Engineering, National University of Singapore, 
Singapore, 1-18.
[4]. L. X. Wang (1994). Adaptive Fuzzy Systems 
and Control Design and Stability Analysis. NJ: 
Prentice-Hall.
[5]. N.V. Thakor, Y.S. Zhu, and K.Y. Pan (1990). 
Ventricular Tachycardia and Fibrillation Detection 
by A Sequential Hypothesis Testing Algorithm. 
IEEE Transactions on Biomedical Engineering, 
vol. 37, no. 9, pp. 837-843, 1990.
[6]. A.S. Al-Fahoum, I.H. (1999). Combined Wavelet 
Transform and Radial Basis Neural Networks 
for the Classifying Life Threatening Cardiac 
Arrhythmias. Med. Bio. Eng. Comput., 1999. 37: 
p. 566-573.
[7]. A. Kaufman and M. M. Gupta (1991). Introduction 
to Fuzzy Arithmetic: Theory and Applications. NY: 
Van Nostrand Reinhold. 
[8]. Teck Wee Chua and Woei Wan Tan (2009). 
GA Optimisation of Non-Singleton Fuzzy Logic 
System for ECG Classification. Department of 
Electrical and Computer Engineering National 
University of Singapore 4, Engineering Drive 3, 
Singapore 117576.
[9]. X. S. Zhang, Y. S. Zhu and N. V. Thakor (1990). 
Detecting Ventricular Tachycardia and Fibrillation 
by Complexity Measure. IEEE Transactions 
on Biomedical Engineering, vol. 46, no. 5, pp. 
837-843.
[10]. MIT/BIH Database Distribution, Massachusetts 
Inst. Techno. Cambridge, MA. (2011)
[11].