Xác định hematocrit sử dụng mạng neural được huấn luyện online dựa trên máy học cực độ

Trong bài báo này các tác giả trình bài một cách tiếp cận mới để đo HCT từ cung dòng điện được tạo ra bởi phản ứng hóa học trong quá trình đo glucose của các thiết bị cầm tay. Phương pháp đề xuất dựa trên mạng neural nhân tạo được huấn luyện online dựa trên máy học cực độ (Extreme Learning Machine - ELM). Những kết quả thực nghiệm cho thấy, phương pháp đề nghị cho kết quả khả quan khi so sánh với các phương pháp trước.
Nội dung trích xuất từ tài liệu:
Xác định hematocrit sử dụng mạng neural được huấn luyện online dựa trên máy học cực độ Tạp chí Tin học và Điều khiển học, T.29, S.3 (2013), 277–284 XÁC ĐỊNH HEMATOCRIT SỬ DỤNG MẠNG NEURAL ĐƯỢC HUẤN LUYỆN ONLINE DỰA TRÊN MÁY HỌC CỰC ĐỘ HUỲNH TRUNG HIẾU, HỒ ĐẮC QUÁN Khoa Công nghệ Thông tin, Đại học Công nghiệp Tp. HCM Tóm t t. Hematocrit (HCT) là tỉ lệ phần trăm về thể tích của hồng cầu so với thể tích máu. Đây là yếu tố ảnh hưởng rất lớn đến quá trình đo glucose sử dụng các thiết bị cầm tay. Trong bài báo này các tác giả trình bài một cách tiếp cận mới để đo HCT từ cung dòng điện được tạo ra bởi phản ứng hóa học trong quá trình đo glucose của các thiết bị cầm tay. Phương pháp đề xuất dựa trên mạng neural nhân tạo được huấn luyện online dựa trên máy học cực độ (Extreme Learning Machine - ELM). Những kết quả thực nghiệm cho thấy, phương pháp đề nghị cho kết quả khả quan khi so sánh với các phương pháp trước. T khóa. Hematocrit; mạng nơron; máy học cực độ; huấn luyện online; đo glucose. Abstract. Hematocrit (HCT) is the volume percentage of red blood cells in the whole blood. This is the most highly influencing factor in glucose measurement using handheld devices. In this paper, we present a new approach to estimate hematocrit from the transduced current curve which is produced by chemical reaction on electrochemical biosensors used in glucose measurement. Our method utilizes the single-hidden layer feedforward neural network trained by online sequential extreme learning machine. The experimental results are given to show high level of accuracy of the proposed method. Key words. Hematocrit; neural network, extreme learning machine; online sequential training; glucose measurement. 1. GIỚI THIỆU Hematocrit (HCT) là một trong những thông số quan trọng trong y học chẳng hạn như phẫu thuật và lọc máu (hemodialysis) [1-2]. Nó cũng được xem là dấu hiệu của bệnh thiếu máu (anemia, khả năng vận chuyển Oxy trong máy sẽ giảm) nếu HCT ở mức thấp. HCT mức cao là dấu hiệu của bệnh polycythaemia. Ngoài ra, đây cũng là yếu tố ảnh hưởng lớn nhất đến kết quả đo glucose bằng các thiết bị cầm tay [3-5]. Giá trị glucose đo được có xu hướng lệch lớn hơn giá trị đúng tại HCT ở mức thấp và lệch thấp hơn giá trị đúng tại HCT ở mức cao. Việc xác định giá trị HCT có thể thực hiện bằng phương pháp ly tâm, các thiết bị phân tích chuyên dụng, dielectric spectroscopy [6], hoặc 1 số kỹ thuật khác. Tuy nhiên hầu hết các phương pháp trên khá phức tạp và/hoặc yêu cầu 1 thiết bị chuyên dụng, đặc biệt là không thể áp dụng được trong các thiết bị cầm tay. ∗ Bài báo được thực hiện với sự hỗ trợ từ trường Đại học Quốc gia Chonnam, Hàn Quốc, Viện nghiên cứu BioIT, và Công ty GlucoDr 278 HUỲNH TRUNG HIẾU, HỒ ĐẮC QUÁN Việc xác định giá trị HCT từ cung dòng điện (Transduced Current Curve) sử dụng mạng neural truyền thẳng đã được đề xuất trong các bài báo trước [7]. Một mạng neural truyền thẳng tổng quát bao gồm một lớp nhập, các lớp ẩn và một lớp xuất. Tuy nhiên, người ta đã chứng minh được rằng, mạng truyền thẳng với 1 lớp ẩn (Single Hidden Layer Feedforward Neural Network-SLFN) có thể xấp xỉ 1 hàm bất kỳ và biên quyết định với hình dạng bất kỳ [8] nếu hàm kích hoạt được chọn 1 cách thích hợp. Do đó, trong nghiên cứu này sẽ tập trung vào mạng neural truyền thẳng 1 lớp ẩn (SLFN). Thông thường, huấn luyện mạng neural dựa trên tiếp cận giảm gradient, một trong những thuật toán huấn luyện phổ biến cho mạng neural dựa trên tiếp cận giảm gradient là thuật toán lan truyền ngược (Backpropagation), trong đó các trọng số của mạng được cập nhật từ lớp xuất đến lớp nhập. Thuật toán này thường hội tụ chậm, nó cũng dễ dàng gặp phải vấn đề tối ưu cục bộ (Local Minima) hay quá khớp (Overfitting). Mặc dù có nhiều cải tiến, nhưng đến thời điểm này hầu hết các thuật toán huấn luyện dựa trên giảm gradient đều khá chậm do yêu cầu nhiều bước lặp. Một thuật toán huấn luyện hiệu quả được đề xuất gần đây trong huấn luyện SLFN là máy học cực độ (Extreme Learning Machine -ELM) [9-12]. Trong ELM, các trọng số ở lớp nhập và các độ dịch ở lớp ẩn được gán các giá trị ngẫu nhiên, sau đó trọng số lớp xuất được xác định bởi phép tính ma trận đơn giản dựa trên nghịch đảo của ma trận lớp ẩn. Thuật toán này có thể khắc phục một số nhược điểm của thuật toán lan truyền ngược như tối ưu cục bộ, tốc độ học, epochs... Trong các nghiên cứu trước, SLFN dùng trong xác định HCT được huấn luyện dạng offline. Trong bài báo này nhóm tác giả tiếp tục phát triển phương pháp xác định HCT từ cung dòng điện sử dụng SLFN được huấn luyện dạng online. Các đặc trưng đầu vào (Input Features) cho mạng neural được lấy mẫu từ cung dòng điện được tạo ra do sự di chuyển các ion đến điện cực. Các ion này được tạo ra do phản ứng hóa học với enzyme trong quá trình đo glucose sử dụng glucose sensor (Electrochemical Glucose Biosensor). Bố cục của bài báo được tổ chức: Mục 2 trình bày thuật toán huấn luyện online cho SLFN dựa trên máy học cực độ (ELM). Phương pháp xác định HCT sử dụng ELM được huấn luyện online được mô tả trong Mục 3, Mục 4 trình bày các kết quả thực nghiệm. Và cuối cùng là kết luận. 2. HUẤN LUYỆN ONLINE CHO MÁY HỌC CỰC ĐỘ Mạng neural đã và đang được sử dụng rất phổ biến trong nhiều ứng dụng khác nhau [13]. Có nhiều kiến trúc mạng khác nhau đã và đang được nghiên cứu và phát triển. Tuy nhiên người ta đã chứng minh được rằng một mạng neural truyền thẳng với lớp ẩn đơn có thể tạo ra các biên phân loại với hình dạng bất kỳ hoặc nó có thể xấp xỉ hàm bất kỳ nếu hàm kích hoạt được chọn một cách thích hợp [8]. Do đó, mạng một lớp ẩn đã và đang được ứng dụng phổ biến nhất. Kiến trúc tiêu biểu của mạng neural một lớp ẩn với d nút ở lớp nhập, N nút ở lớp ẩn và C nút ở lớp xuất có thể được mô tả như trong Hình 1. Giả sử w m = [wm1 , wm2 , ..., wmd ] là vector trọng số của các kết nối từ lớp nhập đến nút ẩn thứ m, bm là độ dịch (bias) của nó và a i = [ai1 , ai2 , ..., aiN ]T là vector trọng số của các kết nối từ lớp ẩn đến nút xuất thứ i thì v ...