Đánh giá khả năng phát hiện phức bộ QRS trên dữ liệu ECG đo thời gian thực bằng vi điều khiển

https://doi.org/10.31130/ud-jst.2025.23(9A).305

Tóm tắt: 168 | PDF: 88

##plugins.themes.academic_pro.article.main##

Author

  • Tran Thanh Luan
    PhD student in Control and Automation engineering, College of Engineering, Can Tho University, Vietnam; Vinh Long University of Technology Education, Vietnam
    Tran Vy Khang
    College of Engineering, Can Tho University, Vietnam
    Nguyen Quy Hung
    College of Engineering, Can Tho University, Vietnam
    Nguyen Tien Thanh
    College of Engineering, Can Tho University, Vietnam
    Nguyen Chi Ngon
    College of Engineering, Can Tho University, Vietnam
    Nguyen Van Khanh
    College of Engineering, Can Tho University, Vietnam

Từ khóa:

ECG
QRS
Pan-Tompkins
Hilbert Transform
Englese & Zeelenberg

Tóm tắt

Ngày nay, tín hiệu điện tâm đồ (ECG) giữ vai trò quan trọng trong chẩn đoán các bệnh tim mạch. Việc phát hiện phức bộ QRS trong ECG là rất cần thiết, vì nó biểu hiện rõ nhất tình trạng bệnh lý của tim. Nghiên cứu này đánh giá khả năng phát hiện QRS trên dữ liệu ECG đo thời gian thực bằng vi điều khiển (VĐK). Một hệ thống thu thập tín hiệu ECG 8 kênh được xây dựng dựa trên chip ADS1292 và VĐK ESP32. Dữ liệu ECG được thu từ các tình nguyện viên và thử nghiệm bằng ba thuật toán phát hiện QRS là Pan-Tompkins, Hilbert Transform và Englese & Zeelenberg áp dụng trên kênh thứ 2. Kết quả độ chính xác tương ứng đạt 100%, 99,46% và 99,63%, với thời gian xử lý lần lượt là 117 μs, 116 μs và 222 μs. Nghiên cứu này chứng minh hiệu quả của hệ thống thu thập và phân tích ECG trực tiếp trên VĐK, đồng thời tạo nền tảng phát triển các thiết bị chẩn đoán tim mạch di động, giúp phát hiện sớm và nâng cao chất lượng chăm sóc sức khỏe cộng đồng.

Tài liệu tham khảo

    [1] S. N. Qayyum, M. Iftikhar, and M. Rehan, “Revolutionizing electrocardiography: the role of artificial intelligence in modern cardiac diagnostics”, Ann. Med. Surg., vol. 87, pp. 161–170, 2025.
    [2] W. Lv and J. Guo, “Real-time ECG signal acquisition and monitoring for sports competition process oriented to the Internet of Things”, Meas. J. Int. Meas. Confed., vol. 169, no. August 2020, 2021, doi: 10.1016/j.measurement.2020.108359.
    [3] H. Ni et al., “Application analysis of a new pre-localization series algorithm for differentiating wide QRS complex tachycardia”, J. Electrocardiol., vol. 91, no. 1882, p. 153937, 2025, doi: 10.1016/j.jelectrocard.2025.153937.
    [4] N. T. Bui and G. S. Byun, “The comparison features of ecg signal with different sampling frequencies and filter methods for real-time measurement”, Symmetry (Basel)., vol. 13, no. 8, 2021, doi: 10.3390/sym13081461.
    [5] T. M. C. Pereira, R. C. Conceição, V. Sencadas, and R. Sebastião, “Biometric Recognition: A Systematic Review on Electrocardiogram Data Acquisition Methods”, Sensors, vol. 23, no. 3, pp. 1–31, 2023, doi: 10.3390/s23031507.
    [6] E. Y. A. Al-Jabbar, M. M. M. Al-Hatab, M. A. Qasim, W. R. Fathel, and M. A. Fadhil, “Clinical Fusion for Real-Time Complex QRS Pattern Detection in Wearable ECG Using the Pan-Tompkins Algorithm”, Fusion Pract. Appl., vol. 12, no. 2, pp. 172–184, 2023, doi: 10.54216/FPA.120214.
    [7] M. N. Imtiaz and N. Khan, “Pan-Tompkins++: A Robust Approach to Detect R-peaks in ECG Signals”, Proc. - 2022 IEEE Int. Conf. Bioinforma. Biomed. BIBM 2022, pp. 2905–2912, 2022, doi: 10.1109/BIBM55620.2022.9995552.
    [8] M. Rakshit and S. Das, “An efficient wavelet-based automated R-peaks detection method using Hilbert transform”, Biocybern. Biomed. Eng., vol. 37, no. 3, pp. 566–577, 2017, doi: 10.1016/j.bbe.2017.02.002.
    [9] B. Guénégo, C. Lelandais-perrault, E. Avignon-meseldzija, G. Sou, and P. Bénabès, “Impact of Mother Wavelet Choice on Fast Wavelet Transform Performances for Integrated ST Segment Monitoring”, Low Power Electron. Appl., vol. 15, no. 2, pp. 1–17, 2025.
    [10] A. Lourenço, H. Silva, P. Leite, R. Lourenço, and A. Fred, “Real time electrocardiogram segmentation for finger based ECG biometrics”, BIOSIGNALS 2012 - Proc. Int. Conf. Bio-Inspired Syst. Signal Process., pp. 49–54, 2012, doi: 10.5220/0003777300490054.
    [11] L. C. Njike Kouekeu, Y. Mohamadou, A. Djeukam, F. Tueche, and M. Tonka, “Embedded QRS complex detection based on ECG signal strength and trend”, Biomed. Eng. Adv., vol. 3, no. October 2021, p. 100030, 2022, doi: 10.1016/j.bea.2022.100030.
    [12] V. K. Sinha and S. K. Kar, “An efficient real-time ECG QRS-complex identification by A-CLT and digital fractional order differentiation”, Biomed. Signal Process. Control, vol. 92, no. November 2023, p. 106055, 2024, doi: 10.1016/j.bspc.2024.106055.
    [13] J. Pan and W. J. Tompkins, “A Real-Time QRS Detection Algorithm”, IEEE Trans. Biomed. Eng., vol. BME-32, no. 3, pp. 230–236, 1985, doi: 10.1109/TBME.1985.325532.
    [14] X. Lu, M. Pan, and Y. Yu, “QRS detection based on improved adaptive threshold”, J. Healthc. Eng., vol. 2018, 2018, doi: 10.1155/2018/5694595.
    [15] A. Thomas, “Enclaves in real-time operating systems”, M.Sc. Diss. Dep. Electr. Eng. Comput. Sci. Univ. California, Berkeley, USA, 2021.
    [16] D. Benitez, P. A. Gaydecki, A. Zaidi, and A. P. Fitzpatrick, “The use of the Hilbert transform in ECG signal analysis”, Comput. Biol. Med., vol. 31, no. 5, pp. 399–406, 2001, doi: https://doi.org/10.1016/S0010-4825(01)00009-9.
    [17] V. K. Tran, B. T. Thai, H. Pham, V. K. Nguyen, and V. K. Nguyen, “A Proposed Approach to Utilizing Esp32 Microcontroller for Data Acquisition”, J. Eng. Technol. Sci., vol. 56, no. 4, pp. 474–488, 2024, doi: 10.5614/j.eng.technol.sci.2024.56.4.4.
    [18] T. P. Utomo, N. Nuryani, and Darmanto, “QRS peak detection for heart rate monitoring on Android smartphone”, J. Phys. Conf. Ser., vol. 909, no. 1, 2017, doi: 10.1088/1742-6596/909/1/012006.
    [19] C. C. Lin and C. M. Yang, “Heartbeat classification using normalized RR intervals and morphological features”, Math. Probl. Eng., vol. 2014, 2014, doi: 10.1155/2014/712474.
    [20] I. I. Christov, “Real time electrocardiogram QRS detection using combined adaptive threshold”, Biomed. Eng. Online, vol. 3, pp. 1–9, 2004, doi: 10.1186/1475-925X-3-28.
    [21] J. Lewandowski, H. E. Arochena, R. N. G. Naguib, and K.-M. Chao, “A simple real-time QRS detection algorithm utilizing curve-length concept with combined adaptive threshold for electrocardiogram signal classification”, in TENCON 2012 IEEE Region 10 Conference, 2012, pp. 1–6. doi: 10.1109/TENCON.2012.6412176.
    [22] A. Chen et al., “A real time QRS detection algorithm based on ET and PD controlled threshold strategy”, Sensors (Switzerland), vol. 20, no. 14, pp. 1–15, 2020, doi: 10.3390/s20144003.
Xem thêm

##plugins.themes.academic_pro.article.sidebar##

Đã Xuất bản

Sep 30, 2025
Download
PDF (English)
Cách trích dẫn
Luan, T. T., T. V. Khang, N. Q. Hung, N. T. Thanh, N. C. Ngon, và N. V. Khanh. “Đánh Giá Khả năng phát hiện phức bộ QRS Trên dữ liệu ECG đo thời Gian thực bằng Vi điều khiển”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 23, số p.h 9A, Tháng Chín 2025, tr 29-35, doi:10.31130/ud-jst.2025.23(9A).305.

##plugins.themes.academic_pro.article.details##