Cải thiện hiệu quả mạng neuron hỗ trợ chẩn đoán bệnh rối loạn nhịp tim bằng phương pháp gán trọng số tương ứng mức cấu trúc cơ thể

33 
tích xét nghiêm là phù hợp để sử dụng 
trong chẩn đoán y học (hình 1). 
Hình 1. Chẩn đoán y tế sử dụng mạng nơron 
MLP[4] 
Thông thường đầu vào của mạng này là 
các triệu chứng - thuộc tính bệnh lý được 
ghi nhận bằng các phương thức khác nhau 
và đầu ra là kết quả chẩn đoán được 
khẳng định bởi thực tế dùng để luyện 
(dạy) mạng. Nói chung, các mạng này đã 
cho kết quả có thể chấp nhận được, nhưng 
khi đầu vào quá lớn có thể dẫn đến giảm 
độ chính xác và tăng thời gian xử lý (hội 
tụ chậm hơn). Để giải quyết vấn đề này, 
nhiều giải pháp đã được đề xuất như 
chọn lựa cấu trúc tối ưu của mạng neuron 
nhân tạo, giảm số lượng kích thước thuộc 
tính đầu vào, chọn thuật toán luyện mạng 
thích hợp 
Cũng nhằm mục đích này trong bài báo 
[8] đã bước đầu sử dụng phương pháp gán 
trọng số cho các thuộc tính đầu vào phù 
hợp với các mức cấu trúc của cơ thể đối 
với mạng neuron nhân tạo Hỗ trợ chẩn 
đoán bệnh ung thư vú. Kết quả nhận được 
là có ý nghĩa, đặc biệt là đối với những 
bệnh có liên quan đến sự thay đổi cấu trúc 
vi mô của cơ thể. 
Ý tưởng của phương pháp gán trọng số 
tương ứng mức cấu trúc cơ thể xuất phát 
từ việc xem xét thành phần của các thuộc 
tính đầu vào mạng. Cụ thể các tham 
số/thuộc tính đầu vào này - vốn được thu 
nhận bằng các phương pháp đo lường y 
sinh khác nhau - sẽ tương ứng với 5 cấp 
cấu trúc của cơ thể như: cơ thể → cơ quan 
chức năng → mô → tế bào → phân tử sinh 
học, như được phân loại trong bảng 1. 
Bảng 1. Mức cấu trúc của cơ thể và các phương 
pháp chẩn đoán tương ứng 
Số 
cấp 
độ 
Mức cấu trúc Phương pháp chẩn 
đoán 
1 Cấp cơ thể Thu thập triệu chứng 
ho, đau, sốt 
Đo mạch đập, nhiệt 
độ, huyết áp, 
2 Cấp cơ quan chức 
năng 
Chẩn đoán chức năng 
(ECG, EEG, EMG,) 
3 Cấp mô CT, MRI, PET 
SPECT, kính hiển vi 
nano, phương pháp thử 
phân tích 
4 Cấp độ tế bào: 
các loại tế bào 
5 Cấp độ phân tử 
sinh học 
Một cách trực giác chúng ta thấy độ quan 
trọng hay trọng số của các tham số/thuộc 
tính đầu vào này đối với việc chẩn đoán là 
khác nhau, cụ thể là mức độ cấu trúc càng 
thấp thì giá trị chẩn đoán tương ứng của 
chúng càng có ý nghĩa, hay trọng số của 
chúng càng lớn. 
Như vậy, vừa để kiểm tra tính xác đáng 
và hiệu quả của các phương pháp nêu trên 
vừa để cải thiện chất lượng của mạng 
chẩn đoán một số bệnh tim mạch, trong 
phần tiếp sau sẽ lần lượt xây dựng và 
khảo sát hiệu quả mạng neuron nhân tạo 
hỗ trợ chẩn đoán bệnh tim mạch đối với 
hai trường hợp không gán và có gán trọng 
số cho các thuộc tính đầu vào tương ứng 
với các mức cấu trúc của cơ thể. 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
34 Số 21 
2. XÂY DỰNG MẠNG NEURON NHÂN 
TẠO HỖ TRỢ CHẨN ĐOÁN BỆNH TIM 
MẠCH VỚI CÁC ĐẦU VÀO LÀ CÁC 
THUỘC TÍNH BỆNH LÝ KHÔNG ĐƯỢC 
GÁN TRỌNG SỐ (HAY CÓ TRỌNG SỐ 
BẰNG NHAU LÀ 1) 
2.1. Để thiết kế mạng neuron trước tiên 
phải chọn cơ sở dữ liệu phù hợp. Trong 
trường hợp đang xét ta chọn cơ sở dữ 
liệu của bệnh rối loạn nhịp tim 
Arrhythmia_dataset gồm 2 ma trận: ma 
trận đầu vào mỗi cột tương ứng với các 
thông số đặc trưng của bản ghi điện tim 
đồ của một bệnh nhân (ArrhythmiaInputs) 
và ma trân đầu ra mỗi cột tương ứng với 
loại bệnh chuẩn đoán của một bệnh nhân 
(ArrhythmiaTargets) lấy từ kho cơ sở dữ 
liệu trực tuyến của Đại học Wisconsin [9]. 
Được tạo ra vào năm 1997 bởi các tác giả 
Altay Guvenir, Burak Acar và Haldun 
Muderrisoglu thuộc Đại học Bilkent ở 
Thổ Nhĩ Kỳ, cơ sở dữ liệu này chứa các 
bản ghi điện tâm đồ thu được từ 452 bệnh 
nhân và 279 thông số đặc trưng (thuộc 
tính đầu vào) được liên kết với 16 loại 
bệnh lý tim mạch chẩn đoán (đầu ra). 
2.2. Trước khi dùng để luyện Mạng 
neuron , cơ sở dữ liệu này cần được xử lý 
sơ bộ. Do một số bệnh lý chỉ xuất hiện 
trong một vài mẫu - bản ghi nên chúng 
được loại trừ giảm số lượng bệnh chẩn 
đoán còn lại là 10 (bảng 2). 
Ngoài ra dữ liệu được chuẩn hóa bằng 
cách xác định trị giá phần trăm của thuộc 
tính so với giá trị tuyệt đối lớn nhất của 
nó sao cho nằm trong khoảng [0,1] và 
những thuộc tính không xác định thì bị 
loại bỏ. Như vậy sau khi xử lý sơ bộ, 
cơ sở dữ liệu dùng để luyện mạng gồm 2 
ma trận: ma trận ArrhythmiaInputs có 
kích thước là 262 × 433 ứng với 262 
thuộc tính và 433 mẫu - bản ghi, và ma 
trận ArrhythmiaTargets với kích thước 
10 × 433 ứng với 10 loại bệnh được chẩn 
đoán và 433 mẫu - bản ghi. 
Bảng 2. Các loại bệnh tim mạch 
được chẩn đoán 
Mã lớp Tên bệnh Số trường hợp 
01 Bình thường 245 
02 Thiếu máu cục bộ 
(bệnh động mạch 
vành) 
44 
03 Bệnh nhồi máu cơ tim 
trước 
15 
04 Nhồi máu cơ tim kém 15 
05 Nhịp tim nhanh xoang 13 
06 Nhịp tim chậm xoang 25 
07 Nghẽn nhánh trái 9 
08 Nghẽn nhánh phải 50 
09 Rung tâm nhĩ 5 
10 Các loại bệnh khác 22 
Các thuộc tính (TT) bao gồm 5 nhóm: 
Nhóm 1 từ TT1 –> TT4: các đặc trưng 
chung cơ thể (tuổi, giới tính, chiều cao, 
cân nặng). 
Nhóm 2 từ TT5 –> TT15: Các đặc trưng 
chung tim (độ dài phức hợp QRS, khoảng 
cách giữa các sóng P và Q, khoảng cách 
giữa khởi điểm sóng Q và kết thúc sóng 
T, độ dài sóng T,, nhịp đập tim). 
Các nhóm còn lại được trình bày trong 
(bảng 3): 
Bảng 3. Bảng tóm tắt các đạo trình 
Tên đạo trình Số thuộc tính (TT) 
Đạo trình mẫu - cơ 
bản/Đạo trình song 
cực chi 
DI TT16(160) –> TT27(169) 
DII TT28(170) –> TT39(179) 
DIII TT40(180) –> TT51(189) 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 35 
Tên đạo trình Số thuộc tính (TT) 
Đạo trình tăng 
cường/Đạo trình 
đơn cực chi 
aVR TT52(190) –> TT63(199) 
aVL TT 64(200)–> TT75(209) 
aVF TT 76(210)–> TT87(219) 
Đạo trình tim/Đạo 
trình đơn cực trước 
tim 
V1 TT88 (220)–> TT99(229) 
V2 TT 100(230)–> TT111(239) 
V3 TT112(240) –> TT123(249) 
V4 TT124(250) –> TT135(259) 
V5 TT 136(260)–> TT147(269) 
V6 TT 148(270)–> TT159(279) 
2.3. Dựa trên cơ sở dữ liệu đã được xử lý 
tiến hành xây dựng mạng neuron nhân tạo 
đa lớp (MLP) hỗ trợ chẩn đoán bệnh rối 
loạn nhịp tim bằng. 
Mạng MLP tổng quát là mạng có n (n≥2) 
tầng (thông thường tầng đầu vào không 
được tính đến): trong đó gồm một tầng 
đầu ra (tầng thứ n) và (n-1) tầng ẩn. 
Hình 2. Mạng Neuron MLP 
 Đầu vào là các vector (𝑥1, 𝑥2, ..., 𝑥𝑝) 
trong không gian p chiều, đầu ra là các 
vector (𝑦1, 𝑦2, ..., 𝑦𝑞) trong không gian q 
chiều. Đối với các bài toán phân loại/chẩn 
đoán, p chính là kích thước của mẫu đầu 
vào, q chính là số lớp cần phân loại. 
 Đầu ra của nơron tầng trước là đầu vào 
của nơron thuộc tầng liền sau nó. Mỗi 
nơron thuộc tầng sau liên kết với tất cả 
các nơron thuộc tầng liền trước nó. 
 Hoạt động của mạng MLP như sau: tại 
tầng đầu vào các nơron nhận tín hiệu vào 
xử lý (tính tổng trọng số, gửi tới hàm 
truyền) rồi cho ra kết quả (là kết quả của 
hàm truyền); kết quả này sẽ được truyền 
tới các nơron thuộc tầng ẩn thứ nhất; các 
nơron tại đây tiếp nhận như là tín hiệu đầu 
vào, xử lý và gửi kết quả đến tầng ẩn thứ 
2;; quá trình tiếp tục cho đến khi các 
nơron thuộc tầng ra cho kết quả. 
Để bảo đảm tính khoa học và giản tiện 
trong việc xây dựng và khảo sát mạng, ở 
đây ta sử dụng công cụ Neural Network 
Toolbox trong phần mềm MATLAB. Như 
vậy, phù hợp với mục đích và yêu cầu 
nghiên cứu đã đặt ra, ta chọn Mạng 
neuron có cấu trúc như sau (Hình 3): 
Hình 3. Mạng neuron chẩn đoán hai lớp MLP 
Cụ thể, mạng có đầu vào với 262 tế bào 
nơron ứng với 262 thuộc tính, lớp ẩn 
sigmoid và lớp đầu ra với 10 tế bào 
nơron/10 đầu ra ứng với 10 loại bệnh 
được chẩn đoán. 
Hình 4. Kết quả xác thực tốt nhất 
2.4. Dữ liệu chẩn đoán đã chuẩn hóa của 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
36 Số 21 
bệnh nhân từ ma trận ArrhythmiaInputs 
và ma trận ArrhythmiaTargets được áp 
dụng để huấn luyện mạng MLP đã thiết 
kế. Dữ liệu này được phân chia một cách 
phù hợp thành các nhóm dữ liệu đào tạo 
(70%), kiểm tra (15%), và xác thực 
(15%). Mạng được luyện bằng phương 
pháp lan truyền ngược gradient liên hợp. 
Kết quả thu được từ quá trình luyện mạng 
được trình bày trên hình 3 và các bảng: 
Bảng 4. Bảng chỉ số tốt nhất của Mạng nơron chẩn đoán bệnh rối loạn nhịp tim 
 Bệnh được phân loại/chẩn đoán bởi mạng neuron 
D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 
Bệnh thực tế 
D1 235 18 2 6 10 16 0 9 0 14 
D2 8 24 0 1 0 0 0 0 3 2 
D3 0 0 13 0 0 0 0 0 0 0 
D4 0 0 0 8 0 0 0 0 1 0 
D5 0 0 0 0 2 0 0 0 0 1 
D6 0 0 0 0 0 7 0 1 0 2 
D7 0 0 0 0 0 0 9 0 0 0 
D8 2 2 0 0 1 2 0 40 1 3 
D9 0 0 0 0 0 0 0 0 0 0 
D10 0 0 0 0 0 0 0 0 0 0 
Bảng 5. So sánh tỷ lệ thành công cho các mô 
hình phân loại của bệnh rối loạn nhịp tim 
Tỷ lệ thành công [%] 76,3 
Tỷ lệ thất bại (%) 23,7 
3. XÂY DỰNG MẠNG NEURON NHÂN 
TẠO HỖ TRỢ CHẨN ĐOÁN BỆNH TIM 
MẠCH VỚI CÁC ĐẦU VÀO LÀ CÁC 
THUỘC TÍNH BỆNH LÝ ĐƯỢC GÁN 
TRỌNG SỐ PHÙ HỢP VỚI CÁC MỨC 
CẤU TRÚC CỦA CƠ THỂ (HAY CÓ 
TRỌNG SỐ KHÁC NHAU) 
Bảng 6. Kết quả kiểm tra đánh giá hiệu quả mạng neuron chẩn đoán bệnh rối loạn nhịp tim 
cho trường hợp gán trọng số thuộc tính 
Case 
number 
Gán trọng số cho thuộc tính Kết quả đào tạo mạng 
Tỷ lệ thành 
công [%] 
Tỷ lệ thất bại 
[%] 
Kết quả xác 
thực tốt nhất 
Chu kỳ 
hội tụ 
1 Trường hợp không gán 76,3 23,7 0,116 53 
2 Gán trọng số đạo trình tăng cường 
bằng 0 
73,8 26,2 0,107 37 
3 Gán trọng số đạo trình cơ bản bằng 0 55,3 44,7 0,154 5 
4 Gán trọng số thuộc tính DI đạo trình 
cơ bản bằng 0 
73.6 26.4 0.130 55 
5 Gán trọng số thuộc tính DII đạo trình 
cơ bản bằng 0 
70,4 29,6 0,115 39 
6 Gán trọng số thuộc tính DIII đạo 
trình cơ bản bằng 0 
77,9 22,1 0,105 61 
7 Gán trọng số thuộc tính DIII đạo 
trình cơ bản và đạo trình tăng cường 
bằng 0 
55,3 44,7 0,157 8 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 37 
3.1. Với mục đích chính là xác định tầm 
quan trọng của việc gán trọng số bằng 
cách so sánh kết quả luyện mạng giữa hai 
trường hợp không và có trọng số, nên ta 
duy trì cấu trúc của mạng (số lớp, số tế 
bào thần kinh cho mỗi lớp, độ sai lệch), 
nghĩa là vẫn giữ nguyên mạng như trên 
hình 2. 
3.2. Như trên đã phân tích, trong cơ sở dữ 
liệu ArrhythmiaInput có thể chia các 
thuộc tính thành 5 nhóm có thể coi là 
tương ứng với các mức cấu trúc của cơ 
thể. Do vai trò ảnh hưởng tới kết quả chẩn 
đoán khác nhau, các thuộc tính của các 
mức cao (1,2) được giữ nguyên hay gán 
trọng số 1, các mức thấp còn lại sẽ lần 
lượt được gán trọng số 0 để đánh giá độ 
quan trọng của chúng. 
Kết quả kiểm tra đánh giá hiệu quả Mạng 
neuron chẩn đoán bệnh rối loạn nhịp tim 
cho trường hợp gán trọng số thuộc tính 
được đưa ra trong bảng 6. 
4. KẾT QUẢ VÀ THẢO LUẬN 
Kết quả đào tạo mạng neuron chẩn đoán 
bệnh rối loạn nhịp tim trong hai trường 
hợp không và gán trong số tương ứng với 
các mức cấu trúc của cơ thể cho thấy: 
 Mô hình mạng MLP chẩn đoán bệnh 
rối loạn nhịp tim có độ chính xác và độ 
hội tụ tương đương với kết quả nhận được 
trong [1], do đó phù hợp cho sử dụng 
trong chẩn đoán y học 
 Đối với mô hình gán trọng số: 
- Từ bảng 6 ta thấy kết quả nhận được ở 
trường hợp 2 tốt hơn trường hợp 1 suy ra 
đạo trình tăng cường là dư thừa nên để 
tiết kiệm thời gian tính toán ta có thể bỏ 
qua chúng. 
- Trường hợp 3 cho thấy tỉ lê sai số rất 
cao tỉ lệ thành công thấp nên việc bỏ 
thuộc tính đạo trình cơ bản là không hợp 
lý. Điều này cho phép khẳng định đạo 
trình cơ bản là thuộc tính quan trọng nhất 
trong quá trình luyện mạng neuron chẩn 
đoán bệnh rối loạn nhịp tim. 
- Dựa vào kết quả của các trường hợp 
4,5,6 ta thấy DI là dạng thuộc tính quan 
trọng nhất tiếp đến là DII và để tiết kiệm 
thời gian và thu được kết quả tốt hơn có 
thể bỏ dạng thuộc tính DIII 
- Việc bỏ các thuộc tính đạo trình tăng 
cường và thuộc tính DIII của đạo trình cơ 
bản (trường hợp 7) không cho kết quả xác 
đáng có thể vì dữ liệu đầu vào bị bớt đi 
nhiều làm thiếu liên kết giữa các thuộc 
tính với nhau do số lớp ẩn trong mạng 
không đủ. 
Kết luận: Việc gán hệ số trọng cho các 
thuộc tính đầu vào tương ứng với mức 
cấu trúc của cơ thể là có ý nghĩa đáng kể. 
Nếu trọng số được chỉ định chính xác 
theo thứ tự của các cấp cấu trúc, thì hiệu 
quả sẽ được cải thiện và tốt hơn trường 
hợp tham chiếu không được gán trọng số 
hay với trọng số 1 cho tất cả các thuộc 
tính đầu vào. Kết quả nghiên cứu có thể 
áp dụng cho việc chẩn đoán bệnh lý với 
các triệu chứng/thuộc tính đặc trưng bệnh 
thu nhận được ở các mức cấu trúc cơ thể 
khác nhau. 
TÀI LIỆU THAM KHẢO 
[1] S. Kajan, D. Pernecký, J. Goga. “Application of neural network in medical diagnostics”. 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
38 Số 21 
[2] Deepa Rao, Sujuan Zhao. “Prediction of Breast cancer” (2012). 
[3] https://gsm672.wikispaces.com/Prediction+of+Breast+cancer, last visit: 5/14/18 
[4] Q.K. Al-Shayea. “Artificial neural networks in medical diagnosis”. International Journal of Computer Science 
Issues, 2011, 8.2: 150-154. 
[5] S. Kajan. GUI for classification using multilayer perceptron network, Technical Computing Prague, 2009. 
[6] F. Amato, et al. Artificial neural networks in medical diagnosis. Journal of Applied Biomedicine, 2013, 11.2: 
47-58. ISSN 1214-0287. 
[7] Kornel Papik, et al. Application of neural networks in medicine — a review. Med Sci Monit, 1998; 4(3): 538-
546. 
[8] Huynh Luong Nghia, Dinh Van Quang, Nguyen Thi Thuy. “Pathological diagnosis neuron network with 
inputs corresponding with structure levels of the body”. Journal of Military Science and Technology, 2018, 
11.17: 72-78. ISSN 1859 - 1043. 
[9] UCI: Machine Learning Repository 
Giới thiệu tác giả: 
Tác giả Huỳnh Lương Nghĩa tốt nghiệp Trường Kỹ sư TLPK Odetxa (Liên Xô) năm 
1973; nhận bằng Tiến sĩ ngành điều khiển học năm 1999 tại Minsk - Belarus; được 
phong Phó giáo sư chuyên ngành tự động hóa năm 2006. Hiện nay tác giả là 
giảng viên Khoa Điện tử viễn thông - Trường Đại học Điện lực. 
Tác giả Đinh Văn Quang là sinh viên năm cuối lớp D10 Thiết bị điện tử y tế - Khoa 
Điện tử viễn thông - Trường Đai học Điện lực. Tác giả đã tham gia nghiên cứu 
khoa học theo hướng học thuật "Ứng dụng mạng neuron network trong y tế" từ 
năm thứ 4; hiện đang thực hiện luận văn tốt nghiệp với đề tài “Ứng dụng trí tuệ 
nhân tạo xây dựng mạng neuron hỗ trợ chẩn đoán bệnh rối loạn nhịp tim”. 
Tác giả Đoàn Thị Bích Ngọc sinh viên năm cuối lớp D10 Thiết bị điện tử y tế - Khoa 
Điện tử viễn thông - Trường Đai học Điện lực. Tác giả tham gia nghiên cứu khoa 
học theo hướng học thuật "Ứng dụng mạng neuron network trong y tế" từ năm 
thứ 4; hiện đang thực hiện luận văn tốt nghiệp với đề tài “Ứng dụng trí tuệ nhân 
tạo xây dựng mạng neuron hỗ trợ chẩn đoán bệnh ung thư vú”. 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 39