Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp kỹ sư ngành Kỹ thuật Máy tính với đề tài "System for managing electrical devices; analyze data and user behavior" (Hệ thống quản lý thiết bị điện; phân tích dữ liệu và hành vi người dùng) do sinh viên Phan Nhật Hoàng thực hiện tại Trường Đại học Công nghệ Thông tin, Đại học Quốc gia Thành phố Hồ Chí Minh (theo Quyết định thành lập Hội đồng số 11/QĐ-ĐHCNTT ngày 05 tháng 01 năm 2024). Nghiên cứu được hướng dẫn bởi TS. Phạm Quốc Hùng và ThS. Phan Đình Duy.

Về bối cảnh thực tiễn, công nghệ nhà thông minh (Smart home) đã trải qua nhiều giai đoạn phát triển: từ năm 1975 với các thiết bị điều khiển bằng sóng vô tuyến qua remote cầm tay, đến giai đoạn 2000–2010 với khả năng điều khiển và giám sát từ xa qua mạng Internet, và hiện nay đang hướng tới mô hình một "quản gia thực thụ" có thể chủ động lập lịch trình, giám sát và quản lý cuộc sống thường nhật dựa trên trí tuệ nhân tạo. Tuy nhiên, tác giả chỉ ra rằng thực tế chưa có giải pháp nào đáp ứng đầy đủ vai trò của một trợ lý ảo cá nhân hóa; đa số hệ thống hiện tại mới chỉ giải quyết các kịch bản chung (như điều chỉnh ánh sáng môi trường hay kiểm soát nhiệt độ phòng). Nguyên nhân căn bản gồm:

  1. Thiếu một thước đo hoặc phương pháp đo lường cụ thể để đánh giá độ hiệu quả của hệ thống nhà thông minh.
  2. Không gian sống và thói quen sinh hoạt không có thiết kế chung; số lượng, chủng loại và cách bố trí thiết bị hoàn toàn phụ thuộc vào cá tính, thói quen và lối sống của từng cá nhân, khiến việc xây dựng một mô hình chung tổng quát áp dụng cho mọi người dùng là rất khó khả thi.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài được tác giả xác định cụ thể:

  1. Xây dựng một hệ thống IoT ứng dụng trong gia đình, tập trung vào ba khía cạnh kỹ thuật: khả năng giao tiếp, khả năng phối hợp của hệ thống và tính thời gian thực (trong đó tính thời gian thực là ưu tiên hàng đầu).
  2. Xây dựng mô hình máy học kích thước nhỏ gọn, tốc độ phản hồi nhanh, có tiềm năng nhúng trực tiếp vào thiết bị IoT, nhằm chủ động thu thập, phân tích hành vi và dự đoán các tương tác tiếp theo của người dùng mà không cần phụ thuộc vào việc gán nhãn hoạt động thủ công.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Hệ thống quản lý thiết bị điện gia dụng thông qua mạng lưới cảm biến và thiết bị chấp hành; mô hình khai phá dữ liệu nhận diện quy luật tương tác của người dùng.
  • Phạm vi dữ liệu và không gian: Do giới hạn về mặt thời gian, tác giả không thu thập dữ liệu thô ban đầu mà tái sử dụng bộ dữ liệu công khai từ nghiên cứu nhận diện hoạt động người dùng trong nhà (House A). Đây là dữ liệu ghi nhận tại một căn hộ 3 phòng của một người dùng nam 26 tuổi sinh hoạt độc thân, theo dõi trong vòng 25 ngày với 14 cảm biến số gắn trên các vật dụng sinh hoạt.
  • Phạm vi phần cứng thực nghiệm: Mô hình phần cứng gồm 1 thiết bị Gateway đóng vai trò xử lý trung tâm và 2 thiết bị node (1 cảm biến đóng/mở cửa và 1 thiết bị đèn).

Cơ sở lý thuyết và phương pháp

Nghiên cứu khảo sát sâu hai công trình tiêu biểu về nhận diện hoạt động người dùng (Human Activity Recognition - HAR) trong không gian gia đình để làm cơ sở đối sánh:

Nghiên cứu của Van Kasteren và cộng sự [1]: Tiếp cận bài toán HAR cho một người dùng độc thân, thu thập dữ liệu nhị phân (0 hoặc 1) từ cảm biến không dây theo thời gian thực và dữ liệu gán nhãn hoạt động ghi nhận thủ công bằng Bluetooth. Tác giả [1] chia trục thời gian thành các lát cắt bằng nhau ($\Delta t$ hay "timeslice") và thử nghiệm 3 phép biến đổi dữ liệu: Raw (dữ liệu thô), Changepoint (ghi nhận giá trị 1 tại thời điểm đảo trạng thái, 0 ở các thời điểm khác), và Last-fired (lên 1 khi có đảo trạng thái và giữ 1 cho đến khi có cảm biến khác đảo trạng thái). Nghiên cứu [1] khảo sát trên 3 căn nhà (House A, B, C) sử dụng các mô hình Naive Bayes (NB), Hidden Markov Model (HMM), Hidden semi-Markov Model (HSMM) và Conditional Random Fields (CRF). Kết quả cho thấy dạng biểu diễn Changepoint cho hiệu suất cao nhất; mô hình phức tạp HSMM và CRF cho độ chính xác cao nhất; khoảng thời gian $\Delta t = 60$ giây là tối ưu nhất đối với House A nhưng không có giá trị $\Delta t$ nào tối ưu đồng thời cho cả ba căn nhà.

Thông số bộ dữ liệu [1] Căn nhà A (House A) Căn nhà B (House B) Căn nhà C (House C)
Độ tuổi tình nguyện viên 26 28 57
Giới tính Nam Nam Nam
Loại hình nhà ở Căn hộ (Apartment) Căn hộ (Apartment) Nhà riêng (House)
Số phòng 3 2 6
Thời gian thu thập 25 ngày 14 ngày 19 ngày
Số lượng cảm biến 14 23 21
Số lượng hoạt động 10 13 16
Phương thức gán nhãn Bluetooth Nhật ký (Diary) Bluetooth

Nghiên cứu của Tapia và cộng sự [2]: Sử dụng cảm biến trạng thái gắn trên vật dụng và áp dụng phương pháp lấy mẫu trải nghiệm (Experience Sampling Method - ESM) với thiết bị nhắc nhở bíp mỗi 15 phút để người dùng trả lời câu hỏi gán nhãn. Nghiên cứu [2] sử dụng kỹ thuật cửa sổ trượt (sliding window) với các khung thời gian riêng ($L_i$) cho từng loại hành động, kết hợp mô hình Naive Bayes. Tác giả [2] khảo sát thêm các thuộc tính mở rộng: exist (cảm biến có kích hoạt trong khung thời gian hay không) và các thuộc tính thứ tự before (before sensorID, before type, before location). Kết luận chỉ ra rằng thuộc tính exist mang lại hiệu quả cao nhất, các thuộc tính before không mang lại cải thiện rõ rệt, và phương pháp đánh giá theo "khoảng thời gian tốt nhất" (cho phép độ trễ $+\alpha$) đạt độ chính xác cao nhất so với đo theo phần trăm thời gian hay nhận diện ít nhất một lần.

Phương pháp đề xuất của khóa luận: Từ hạn chế của các nghiên cứu trên (phải phụ thuộc vào việc người dùng khai báo gán nhãn hoạt động thủ công gây phiền toái, mô hình học có giám sát không tự thích ứng khi thay đổi thói quen), tác giả đề xuất phương pháp học không giám sát (Unsupervised learning) và kỹ thuật khai phá dữ liệu (Data mining):

  • Lấy tín hiệu đảo trạng thái làm trung tâm: Thay vì ép chuỗi sự kiện vào các khung thời gian cố định hay các nhãn hoạt động trừu tượng, hệ thống chỉ ghi nhận các thời điểm cảm biến đảo trạng thái (từ 0 sang 1 hoặc 1 sang 0).
  • Xác định ngưỡng thời gian phân cụm ($\alpha$) bằng thống kê: Tính toán độ trễ $\Delta t_i$ giữa hai lần đảo trạng thái liên tiếp trên toàn hệ thống. Tác giả xây dựng hàm phân phối tích lũy $\Phi(\beta)$ biểu diễn tỷ lệ số lượng khoảng $\Delta t_i \le \beta$. Sau khi loại bỏ 5% giá trị ngoại lai lớn nhất để khử nhiễu, điểm khuỷu tay (Elbow point) trên đường cong đạo hàm chính là giá trị ngưỡng $\alpha$. Khi độ trễ giữa hai sự kiện vượt quá $\alpha$, sự kiện mới được xác định là điểm khởi đầu cho một chuỗi tương tác mới.
  • Phân tích ngưỡng theo từng thiết bị: Áp dụng quy trình tìm ngưỡng mở rộng khoảng lấy mẫu cho từng thiết bị cụ thể đối với cả hai trạng thái đảo (0 sang 1 và 1 sang 0).
  • Thuật toán phân cụm K-Means: Gom nhóm tần suất sử dụng của các thiết bị theo trục thời gian 24 giờ trong ngày nhằm xác định các khung giờ có mật độ tương tác cao, đồng thời loại bỏ các cụm có số lần xuất hiện nhỏ hơn 10 để khử nhiễu.
  • Khai phá luật kết hợp (Association Rules): Phân tích các tập biến cố xuất hiện đồng thời hoặc liên tiếp nhau thông qua các chỉ số Support, Confidence và Lift. Tác giả đối sánh thuật toán duyệt toàn bộ (Brute-force) và thuật toán Apriori (dựa trên nguyên lý tập con của tập phổ biến cũng phải là tập phổ biến) để trích xuất các quy tắc tương tác giữa các thiết bị.

Thiết kế và triển khai hệ thống IoT

Khóa luận thiết kế một hệ thống IoT hoàn chỉnh gồm 4 thành phần chính: các thiết bị node phần cứng, thiết bị Gateway trung tâm, cơ sở dữ liệu đám mây và ứng dụng điều khiển trên thiết bị di động.

1. Kiến trúc truyền thông và công nghệ mạng

  • Bluetooth Low Energy (BLE): Hoạt động ở dải tần 2.4 GHz ISM với 40 kênh truyền dữ liệu (thay vì 79 kênh như Bluetooth Classic), tốc độ truyền gói tin đạt 125 Kb/s. Cấu trúc giao thức gồm các lớp: Physical Layer (PHY), Link Layer (LL), L2CAP, Security Manager (SMP), Attribute Protocol (ATT), Generic Attribute Profile (GATT) và Generic Access Profile (GAP). Giao thức ATT quản lý dữ liệu qua 4 trường thuộc tính: Handle (16 bit), Type (128 bit UUID), Permissions (8 bit) và Values (0–512 bit).
  • Bluetooth Mesh (chuẩn hóa năm 2017): Xây dựng trên nền tảng BLE, hỗ trợ cấu trúc liên kết nhiều - nhiều (many-to-many) thông qua cơ chế truyền tin ngập lụt (flooding) với trường Time-To-Live (TTL). Cấu trúc ngăn xếp giao thức Bluetooth Mesh gồm các tầng: Bearer Layer (Advertising bearer và GATT bearer), Network Layer, Lower Transport Layer, Upper Transport Layer, Access Layer, Foundation Layer và Model Layer.
  • Các vai trò node được định nghĩa trong mạng: Node tiêu chuẩn, Relay node (chuyển tiếp gói tin để mở rộng mạng), Low-power node (tiết kiệm năng lượng, phần lớn thời gian ở trạng thái sleep), Friend node (lưu trữ bản tin cho Low-power node), Proxy node (chuyển đổi giữa GATT bearer và Advertising bearer) và Provisioner node (thiết lập cấu hình và cấp phát khóa bảo mật cho thiết bị mới gia nhập mạng).

2. Thiết kế phần cứng và phần mềm nhúng

  • Vi điều khiển: Sử dụng vi điều khiển ESP32 làm bộ xử lý trung tâm cho cả thiết bị Gateway và các thiết bị node trong mạng.
  • Hệ điều hành thời gian thực (FreeRTOS): Tích hợp trên vi điều khiển ESP32 để quản lý lập lịch tác vụ đa nhiệm dựa trên mức độ ưu tiên (priority-based scheduling), thực hiện đồng bộ hóa và đảm bảo tính thời gian thực cho các tiến trình truyền nhận tín hiệu điều khiển.
  • Phần cứng thực nghiệm: Hệ thống được triển khai trên mô hình thực nghiệm gồm 1 Gateway trung tâm và 2 thiết bị node: 1 node cảm biến đóng/mở cửa và 1 node điều khiển rơ-le đèn chiếu sáng.

3. Cơ sở dữ liệu và ứng dụng người dùng

  • Cơ sở dữ liệu đám mây (Web-based Cloud Database): Đóng vai trò trung gian lưu trữ trạng thái hoạt động, cấu hình các phòng và danh sách thiết bị.
  • Ứng dụng di động: Được lập trình trên môi trường Android Studio bằng ngôn ngữ Java/Kotlin. Ứng dụng cung cấp các giao diện chính: màn hình hiển thị danh sách phòng (Room), tùy chọn chức năng hệ thống, thêm phòng (Add room), xóa phòng (Remove room), và thêm thiết bị mới (Add device).
  • Luồng điều khiển và truyền nhận thông điệp:
    1. Người dùng phát lệnh điều khiển trên ứng dụng di động; lệnh được đóng gói và gửi tới Gateway thông qua giao thức MQTT.
    2. Gateway nhận mã lệnh, phân tích yêu cầu và truyền lệnh tới node đích trong mạng nội bộ thông qua mạng Bluetooth Mesh.
    3. Sau khi thực thi lệnh điều khiển thành công, Gateway sử dụng giao thức HTTP để cập nhật trạng thái mới nhất của hệ thống lên cơ sở dữ liệu đám mây.
    4. Ứng dụng di động ghi nhận sự thay đổi trên cơ sở dữ liệu để đồng bộ và cập nhật trạng thái hiển thị trên giao diện người dùng theo thời gian thực.

Nội dung chính theo từng chương

Chương 1. Tổng quan về hệ thống IoT

Chương 1 giới thiệu lịch sử phát triển của khái niệm IoT từ đề xuất nhúng RFID của Kevin Ashton, đồng thời phân tích quá trình tiến hóa của nhà thông minh từ các hệ thống dùng sóng vô tuyến (1975), điều khiển từ xa qua Internet (2000–2010), đến các yêu cầu tích hợp trí tuệ nhân tạo hiện nay. Tác giả phân tích tình hình thực tế và chỉ ra nguyên nhân khiến các hệ thống nhà thông minh hiện nay chưa đạt được vai trò "quản gia ảo": sự thiếu vắng thước đo đánh giá hiệu quả chung và tính dị biệt trong thói quen của mỗi cá nhân. Từ đó, chương này xác định phạm vi đề tài: xây dựng hệ thống IoT tập trung vào khả năng giao tiếp, khả năng phối hợp và tính thời gian thực trên nền tảng Bluetooth Mesh 4.2 kết hợp vi điều khiển ESP32, đồng thời nghiên cứu mô hình máy học không giám sát gọn nhẹ có thể nhúng vào hệ thống.

Chương 2. Cơ sở lý thuyết

Chương 2 phân tích chuyên sâu hai bài báo nghiên cứu thực nghiệm tiêu biểu về HAR của Van Kasteren [1] và Tapia [2]. Tác giả đánh giá chi tiết các phương pháp tiền xử lý dữ liệu cảm biến nhị phân (Raw, Changepoint, Last-fired), các kỹ thuật phân khung thời gian ($\Delta t$ cố định và cửa sổ trượt $L_i$), cùng các giải thuật học có giám sát (NB, HMM, HSMM, CRF). Dựa trên những điểm hạn chế của việc gán nhãn thủ công và sự bất tiện của phương pháp ESM, tác giả đề xuất hướng tiếp cận học không giám sát. Chương này cũng trình bày lý thuyết nền tảng về Khai phá dữ liệu (Data mining), quy trình phân cụm K-Means (định nghĩa tâm cụm, khoảng cách Euclid, các bước lặp cập nhật), và Khai phá luật kết hợp (Association rules) với các công thức toán học tính Support, Confidence, Lift cùng mã giả của hai thuật toán Brute-force và Apriori.

Chương 3. Phân tích và xây dựng tập dữ liệu

Chương 3 trình bày phương pháp xử lý dữ liệu dựa trên tập dữ liệu của Căn nhà A từ nghiên cứu [1]. Thay vì bám theo các nhãn hoạt động, tác giả phân tích các thời điểm đảo trạng thái của cảm biến. Chương này thiết lập mô hình toán học xác định ngưỡng phân cụm $\alpha$ trên quy mô toàn hệ thống thông qua đồ thị tỷ lệ tích lũy $\Phi(\beta)$ và phương pháp tìm điểm khuỷu tay (Elbow point), sau khi đã loại bỏ 5% giá trị ngoại lai lớn nhất. Tiếp đó, tác giả mở rộng phương pháp này để xác định ngưỡng thời gian lấy mẫu cho từng thiết bị đơn lẻ theo cả hai chiều chuyển đổi trạng thái (0 sang 1 và 1 sang 0). Cuối cùng, chương mô tả quy trình áp dụng K-Means để phân cụm mật độ sử dụng thiết bị trong chu kỳ 24 giờ (loại bỏ các cụm có tần suất $< 10$) và áp dụng luật kết hợp để phát hiện quy luật phối hợp giữa các thiết bị.

Chương 4. Phân tích và thiết kế hệ thống IoT

Chương 4 tập trung vào thiết kế kiến trúc kỹ thuật của hệ thống phần cứng và truyền thông. Nội dung chương bao gồm:

  • Chi tiết kỹ thuật của chuẩn kết nối BLE (dải tần 2.4 GHz, 40 kênh, tốc độ 125 Kb/s) và các tầng giao thức GAP, GATT, ATT.
  • Cấu trúc và nguyên lý vận hành của mạng Bluetooth Mesh: các vai trò thiết bị (Relay, Low-power, Friend, Proxy, Provisioner), cơ chế truyền tin ngập lụt (flooding), và cấu trúc 7 tầng của mô hình Mesh Profile.
  • Ứng dụng hệ điều hành thời gian thực FreeRTOS trên vi điều khiển ESP32 để quản lý lập lịch tác vụ theo độ ưu tiên.
  • Thiết kế chi tiết 4 thành phần hệ thống: cấu hình Gateway làm bộ xử lý trung tâm, các thiết bị node (cảm biến cửa, đèn), cơ sở dữ liệu đám mây và ứng dụng điều khiển Android xây dựng trên Android Studio kết hợp giao thức truyền thông MQTT và HTTP.

Chương 5. Mô hình nhận diện và dự đoán hành vi & Hệ thống IoT

Chương 5 trình bày các kết quả thực nghiệm của mô hình phân tích dữ liệu và hệ thống IoT phần cứng:

  • Thống kê các giá trị ngưỡng phân cụm hệ thống và ngưỡng riêng cho từng thiết bị như tủ lạnh (Fridge), đèn nhà vệ sinh (Toilet light) từ đồ thị điểm khuỷu tay (Bảng 5.1).
  • Trích xuất các tập luật kết hợp dự đoán hành vi: danh sách các thiết bị có xu hướng được kích hoạt đồng thời hoặc liên tiếp cùng với tủ lạnh (Fridge) trong khung giờ từ 8:00 đến 13:00 (Bảng 5.2), và các thiết bị được sử dụng cùng cảm biến cửa nhà vệ sinh (Hall-Toilet door) (Bảng 5.3).
  • Kết quả kiểm thử thời gian thực trên hệ thống IoT thực tế: đánh giá khả năng thêm, xóa, sửa thiết bị; đo lường độ trễ điều khiển thiết bị đèn từ ứng dụng di động qua Gateway đạt 2 giây trong điều kiện mạng ổn định và cự ly hoạt động lý tưởng.

Chương 6. Kết luận và hướng phát triển

Chương 6 tổng kết các kết quả đạt được về mặt mô hình máy học và hệ thống phần cứng IoT. Tác giả đánh giá mức độ hoàn thành so với mục tiêu ban đầu, chỉ ra các mặt hạn chế còn tồn đọng trong quá trình thực nghiệm, đồng thời đề xuất định hướng nghiên cứu tiếp theo nhằm tối ưu hóa giải thuật và nâng cao năng lực triển khai thực tế của hệ thống.

Kết quả và đóng góp

1. Kết quả thực nghiệm cụ thể

  • Hệ thống phần cứng và truyền thông IoT:
    • Triển khai thành công mạng lưới giao tiếp trên nền tảng Bluetooth Mesh 4.2 sử dụng vi điều khiển ESP32 chạy hệ điều hành FreeRTOS.
    • Hệ thống cho phép mở rộng và tái cấu trúc linh hoạt thông qua các chức năng thêm, xóa, sửa phòng và thiết bị trên ứng dụng di động Android.
    • Trong điều kiện đường truyền mạng ổn định và các node phần cứng đặt trong vùng hoạt động lý tưởng, thời gian đáp ứng từ khi người dùng phát lệnh trên ứng dụng điện thoại đến khi thiết bị chấp hành (đèn) nhận lệnh và thực thi là 2 giây.
  • Mô hình khai phá dữ liệu và dự đoán hành vi:
    • Phương pháp tìm điểm khuỷu tay (Elbow point) từ hàm phân phối tích lũy độ trễ đảo trạng thái đã xác định được giá trị ngưỡng thời gian $\alpha$, cho phép tự động gom cụm các chuỗi sự kiện có mật độ tương tác cao mà không cần gán nhãn thời gian hay giám sát hoạt động.
    • Phân tích ngưỡng đảo trạng thái chi tiết cho từng thiết bị (trạng thái 0 sang 1 và 1 sang 0) kết hợp lọc nhiễu K-Means (loại cụm có số lần xuất hiện $< 10$) trên dữ liệu Căn nhà A.
    • Khai phá thành công các tập luật kết hợp có ý nghĩa thống kê về thói quen sinh hoạt: xác định được các thiết bị có xu hướng dùng chung với tủ lạnh (Fridge) trong khoảng thời gian từ 8:00 đến 13:00 (chuẩn bị bữa ăn), và các thiết bị phối hợp cùng cảm biến mở cửa nhà vệ sinh (Hall-Toilet door).

2. Giải pháp và kiến nghị của tác giả

  • Chuyển đổi hoàn toàn bài toán nhận diện hành vi trong nhà thông minh từ hướng tiếp cận học có giám sát sang hướng tiếp cận học không giám sát, lấy điểm đảo trạng thái của cảm biến phần cứng làm trung tâm.
  • Sử dụng các giải thuật khai phá dữ liệu có độ phức tạp tính toán thấp (K-Means, Association Rules) nhằm tiết kiệm tài nguyên bộ nhớ và thời gian xử lý, tạo tiền đề để tích hợp thuật toán trực tiếp vào các nút mạng IoT hoặc Gateway biên.

3. Đóng góp so với các nghiên cứu trước

  • Khắc phục nhược điểm lớn nhất của các nghiên cứu HAR trước đây (như nghiên cứu [1] dùng nhật ký/Bluetooth và nghiên cứu [2] dùng phương pháp ESM): loại bỏ hoàn toàn yêu cầu người dùng phải chủ động gán nhãn, khai báo hay mang thiết bị đo trên người.
  • Loại bỏ sự phụ thuộc vào các khung thời gian tĩnh ($\Delta t$), giải quyết vấn đề sai lệch dữ liệu do việc tái gán nhãn trên các lát cắt thời gian gây ra.
  • Hiện thực hóa một chu trình khép kín từ thu thập dữ liệu phần cứng, xử lý phân cụm, đến truyền thông điều khiển thiết bị chấp hành theo thời gian thực trên cùng một hệ thống mạng BLE Mesh và ESP32.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được tác giả chỉ ra trong văn bản:

  • Nguồn dữ liệu thực nghiệm: Do hạn chế về mặt thời gian, tác giả chưa tự thu thập được bộ dữ liệu dài ngày từ hệ thống phần cứng tự chế tạo mà phải tái sử dụng lại bộ dữ liệu có sẵn từ nghiên cứu [1] để huấn luyện và kiểm thử thuật toán.
  • Quy mô thực nghiệm phần cứng: Hệ thống thử nghiệm thực tế mới chỉ dừng lại ở quy mô nhỏ gồm 1 Gateway và 2 thiết bị node đại diện (1 cảm biến cửa và 1 đèn), chưa kiểm thử trên mật độ thiết bị lớn.
  • Điều kiện áp dụng của mô hình ngưỡng: Thuật toán phân cụm dựa trên ngưỡng $\alpha$ đòi hỏi hệ thống phải có mật độ cảm biến/thiết bị đủ dày và khoảng cách thời gian giữa các chuỗi hoạt động sinh hoạt khác nhau phải đủ dài; nếu mật độ thiết bị thưa thớt, việc phân tách các cụm tương tác sẽ kém chính xác.

Hướng phát triển tiếp theo:

  • Về mô hình máy học: Nghiên cứu tối ưu hóa giải thuật để nhúng trực tiếp mô hình phân tích dữ liệu và luật kết hợp vào phần cứng Gateway hoặc các vi điều khiển trong hệ thống IoT; kiểm nghiệm mô hình trên các tập dữ liệu đa dạng hơn.
  • Về hệ thống IoT: Mở rộng số lượng node mạng, đa dạng hóa các chủng loại cảm biến và thiết bị gia dụng trong gia đình, đồng thời thử nghiệm ứng dụng giải pháp trên các hệ thống IoT ngoài phạm vi nhà thông minh.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo thực tiễn hữu ích cho sinh viên, học viên và kỹ sư thuộc các chuyên ngành Kỹ thuật Máy tính, Hệ thống Nhúng & IoT, Điện tử - Viễn thông, Công nghệ Thông tin và Khoa học Dữ liệu ứng dụng.

Các nội dung có giá trị tham khảo chuyên sâu gồm:

  1. Tài liệu kỹ thuật về Bluetooth Mesh trên ESP32: Toàn bộ Chương 4 cung cấp chi tiết về cấu trúc các tầng giao thức BLE, cách thiết lập cấu hình mạng Mesh (Relay, Proxy, Friend, Low-power), và phương pháp lập trình hệ điều hành thời gian thực FreeRTOS cho các thiết bị điều khiển biên.
  2. Kiến trúc tích hợp hệ thống đa giao thức: Tài liệu tham khảo rõ ràng cho việc kết hợp đồng thời nhiều công nghệ truyền thông trong một giải pháp IoT hoàn chỉnh: Bluetooth Mesh cho mạng cảm biến nội bộ, MQTT cho đường truyền điều khiển thời gian thực từ ứng dụng di động đến Gateway, và HTTP/Cloud Database cho việc đồng bộ trạng thái hệ thống.
  3. Phương pháp xử lý dữ liệu chuỗi thời gian không giám sát: Quy trình xác định điểm khuỷu tay (Elbow point) để tìm ngưỡng thời gian phân cụm $\alpha$ từ độ trễ biến cố cảm biến tại Chương 3 là phương pháp tham khảo tốt cho các đề tài phân tích dữ liệu cảm biến rời rạc mà không có nhãn sẵn.

Câu hỏi thường gặp

1. Tại sao tác giả không sử dụng các mô hình học có giám sát như HMM hay CRF giống các nghiên cứu trước?
Các mô hình học có giám sát như HMM hay CRF (trong nghiên cứu [1]) đòi hỏi phải có tập dữ liệu được gán nhãn chính xác cho từng khoảng thời gian. Trong môi trường thực tế, việc yêu cầu người dùng liên tục ghi nhật ký hoạt động hoặc trả lời câu hỏi khảo sát (như phương pháp ESM trong [2]) gây ra sự bất tiện lớn, tốn kém thời gian và dễ phát sinh sai số. Hơn nữa, khi người dùng thay đổi thói quen hoặc tái cấu trúc thiết bị, mô hình có giám sát sẽ mất tính chính xác và phải thu thập dữ liệu lại từ đầu. Do đó, tác giả lựa chọn phương pháp học không giám sát để hệ thống tự phát hiện quy luật từ các điểm đảo trạng thái mà không cần người dùng can thiệp.

2. Giá trị ngưỡng phân cụm thời gian ($\alpha$) được tính toán như thế nào?
Tác giả thống kê toàn bộ độ trễ $\Delta t_i$ giữa hai lần đảo trạng thái liên tiếp của các cảm biến trong hệ thống. Một hàm phân phối tích lũy $\Phi(\beta)$ được xây dựng để đo tỷ lệ phần trăm các khoảng $\Delta t_i \le \beta$. Sau khi loại trừ 5% các giá trị lớn nhất để loại bỏ dữ liệu nhiễu ngoại lai, tác giả phân tích đường cong và tìm điểm khuỷu tay (Elbow point) – vị trí mà tại đó sự gia tăng của khoảng thời gian $\beta$ không còn làm tăng đáng kể tỷ lệ tích lũy $\Phi(\beta)$ (đạo hàm tiệm cận mức bão hòa). Giá trị $\beta$ tại điểm bão hòa này chính là ngưỡng $\alpha$ dùng để phân tách hai chuỗi sự kiện khác nhau.

3. Hệ thống phần cứng IoT thực nghiệm gồm những thành phần nào và sử dụng vi điều khiển gì?
Hệ thống phần cứng thực nghiệm sử dụng vi điều khiển ESP32 chạy hệ điều hành thời gian thực FreeRTOS. Cấu hình phần cứng bao gồm: 1 thiết bị Gateway đóng vai trò xử lý trung tâm và cấu hình mạng lưới Mesh, cùng 2 thiết bị node thực nghiệm đại diện gồm 1 cảm biến đóng/mở cửa và 1 rơ-le điều khiển thiết bị đèn chiếu sáng.

4. Cơ chế truyền thông giữa ứng dụng di động, Gateway và các node được thiết kế như thế nào?
Khi người dùng phát tín hiệu điều khiển từ ứng dụng Android, mã lệnh được gửi đến Gateway thông qua giao thức MQTT. Gateway tiếp nhận, phân tích lệnh và phát sóng đến các thiết bị node tương ứng qua mạng nội bộ sử dụng công nghệ Bluetooth Mesh (cơ chế truyền ngập lụt - flooding). Khi thiết bị node thực thi xong, Gateway sử dụng giao thức HTTP để cập nhật trạng thái mới lên cơ sở dữ liệu đám mây. Ứng dụng di động sau đó đọc dữ liệu cập nhật từ cơ sở dữ liệu để đồng bộ hiển thị lên giao diện người dùng.

5. Thời gian phản hồi điều khiển thực tế của hệ thống là bao lâu?
Theo kết quả thử nghiệm được ghi nhận tại Chương 1 và Chương 5, trong môi trường đường truyền mạng ổn định và các node phần cứng nằm trong cự ly hoạt động lý tưởng, thời gian đáp ứng từ khi người dùng thao tác trên ứng dụng di động đến khi thiết bị đèn thực hiện đóng/ngắt là 2 giây.

Kết luận

Khóa luận tốt nghiệp của tác giả Phan Nhật Hoàng đã hoàn thành việc thiết kế và xây dựng mô hình hệ thống quản lý thiết bị gia dụng kết hợp phân tích hành vi người dùng dựa trên nền tảng vi điều khiển ESP32, hệ điều hành FreeRTOS và chuẩn truyền thông Bluetooth Mesh. Nghiên cứu đóng góp một hướng tiếp cận học không giám sát khả thi trong việc phân tích dữ liệu cảm biến nhị phân, sử dụng kỹ thuật tìm ngưỡng thời gian bão hòa (Elbow point) kết hợp thuật toán K-Means và luật kết hợp Apriori để nhận diện quy luật tương tác mà không cần gán nhãn thủ công. Mô hình thực nghiệm phần cứng đạt thời gian phản hồi điều khiển 2 giây, cung cấp nền tảng kỹ thuật hữu ích cho việc phát triển các giải pháp nhà thông minh có khả năng tính toán và tự động hóa tại biên.