Luận Văn Thạc Sĩ Về Phương Pháp Theo Dõi Nhịp Thở Bằng Học Sâu

Luận văn thạc sĩ nghiên cứu theo dõi nhịp thở bằng phương pháp học sâu, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực tiễn.

• Tác giả: Vũ Văn Huy
• Người hướng dẫn: PGS TS. Phạm Văn Cường
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Khoa học máy tính
• Đề tài: Theo dõi nhịp thở bằng phương pháp học sâu
• Loại tài liệu: luận văn thạc sỹ kỹ thuật
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. MỞ ĐẦU
• 2. TỔNG QUAN
• 2.1. Tổng quan vấn đề theo dõi sức khỏe bằng nhịp thở
• 2.2. Bài toán theo dõi nhịp thở dựa vào dữ liệu âm thanh
• 2.3. Một số nghiên cứu liên quan
• 2.3.1. Phát hiện âm thanh hô hấp dựa trên trích chọn đặc trưng
• 3. KỸ THUẬT HỌC SÂU CHO BÀI TOÁN THEO DÕI NHỊP THỞ
• 4. THỰC NGHIỆM, ĐÁNH GIÁ KẾT QUẢ VÀ XÂY DỰNG ỨNG DỤNG ĐẾM NHỊP THỞ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan vấn đề theo dõi sức khỏe bằng nhịp thở

Chương này trình bày tổng quan về theo dõi nhịp thở, một lĩnh vực quan trọng trong y tế. Việc theo dõi nhịp thở không chỉ giúp phát hiện sớm các bất thường mà còn hỗ trợ trong việc chẩn đoán và điều trị các bệnh lý liên quan đến hô hấp. Các phương pháp hiện tại bao gồm cả tiếp xúc và không tiếp xúc, mỗi phương pháp đều có ưu nhược điểm riêng. Phương pháp tiếp xúc thường cho kết quả chính xác hơn nhưng có thể gây khó chịu cho người dùng. Ngược lại, phương pháp không tiếp xúc lại có chi phí cao và yêu cầu thiết bị phức tạp. Luận văn này sẽ tập trung vào việc sử dụng học sâu để phân tích dữ liệu âm thanh thu được từ nhịp thở, nhằm cải thiện độ chính xác và hiệu quả trong việc theo dõi sức khỏe.

1.1 Đặt vấn đề

Việc theo dõi nhịp thở là một phần thiết yếu trong chăm sóc sức khỏe. Hành động hít thở không chỉ là một phản xạ tự nhiên mà còn là chỉ số quan trọng để đánh giá tình trạng sức khỏe của bệnh nhân. Các nghiên cứu đã chỉ ra rằng việc phát hiện sớm các bất thường trong nhịp thở có thể giúp bác sĩ đưa ra quyết định kịp thời và chính xác. Tuy nhiên, việc thu thập và phân tích dữ liệu nhịp thở gặp nhiều khó khăn, đặc biệt là trong việc xử lý dữ liệu lớn và liên tục. Luận văn này sẽ đề xuất một phương pháp mới sử dụng học sâu để giải quyết những vấn đề này, từ đó nâng cao hiệu quả trong việc theo dõi sức khỏe.

II. Kỹ thuật Học sâu cho bài toán theo dõi nhịp thở

Chương này sẽ đi sâu vào các kỹ thuật học sâu được áp dụng trong việc theo dõi nhịp thở. Mạng nơ-ron LSTM (Long Short-Term Memory) là một trong những kỹ thuật nổi bật, cho phép xử lý dữ liệu chuỗi một cách hiệu quả. LSTM có khả năng ghi nhớ thông tin trong thời gian dài, điều này rất quan trọng trong việc phân tích âm thanh nhịp thở, nơi mà các mẫu dữ liệu có tính liên tục và phụ thuộc lẫn nhau. Việc áp dụng LSTM trong bài toán này không chỉ giúp cải thiện độ chính xác mà còn giảm thiểu thời gian xử lý. Luận văn sẽ trình bày chi tiết về cách thức thu thập dữ liệu, lọc tín hiệu nhiễu và trích chọn frame chứa dữ liệu nhịp thở, từ đó xây dựng mô hình LSTM phù hợp.

2.1 Tổng quan về Học sâu

Học sâu là một nhánh của học máy và trí tuệ nhân tạo (AI), nổi bật với khả năng tự động trích xuất đặc trưng từ dữ liệu mà không cần sự can thiệp của con người. Điều này đặc biệt hữu ích trong việc phân tích âm thanh nhịp thở, nơi mà các đặc trưng có thể rất phức tạp và khó xác định. Học sâu đã chứng minh được hiệu quả vượt trội trong nhiều lĩnh vực, bao gồm nhận diện hình ảnh và âm thanh. Việc áp dụng học sâu vào lĩnh vực y tế, đặc biệt là trong theo dõi nhịp thở, hứa hẹn sẽ mang lại những kết quả khả quan, giúp cải thiện chất lượng chăm sóc sức khỏe.

III. Thực nghiệm đánh giá kết quả và xây dựng ứng dụng đếm nhịp thở

Chương này trình bày các bước thực nghiệm và đánh giá kết quả của mô hình theo dõi nhịp thở. Dữ liệu thử nghiệm được thu thập từ các micro không dây, sau đó được xử lý và phân tích bằng các thuật toán học sâu. Kết quả thực nghiệm cho thấy mô hình có khả năng nhận diện nhịp thở với độ chính xác cao, đồng thời xây dựng ứng dụng đếm nhịp thở theo thời gian thực. Ứng dụng này không chỉ giúp theo dõi sức khỏe của bệnh nhân mà còn có thể được áp dụng rộng rãi trong các lĩnh vực khác như thể thao và chăm sóc sức khỏe tại nhà. Việc phát triển ứng dụng này mở ra hướng đi mới trong việc ứng dụng công nghệ vào y tế.

3.1 Kết quả thực nghiệm

Kết quả thực nghiệm cho thấy mô hình học sâu đã đạt được độ chính xác cao trong việc phân loại nhịp thở. Các chỉ số như Precision, Recall và F-measure đều đạt mức tối ưu, cho thấy khả năng nhận diện âm thanh nhịp thở rất tốt. Việc sử dụng LSTM đã giúp mô hình có thể xử lý các dữ liệu liên tục một cách hiệu quả, từ đó nâng cao độ chính xác trong việc theo dõi nhịp thở. Kết quả này không chỉ khẳng định tính khả thi của phương pháp mà còn mở ra cơ hội cho các nghiên cứu tiếp theo trong lĩnh vực này.

Nội dung chính

Tổng quan nghiên cứu

Theo ước tính, trong những năm tới, lượng dữ liệu y tế số hóa có thể lên tới hàng trăm zetabytes, trong đó dữ liệu liên quan đến các bệnh hô hấp chiếm tỷ trọng đáng kể. Việc theo dõi nhịp thở đóng vai trò quan trọng trong chuẩn đoán và điều trị các bệnh lý về hô hấp, đặc biệt với các bệnh nhân có tiền sử bệnh phổi hoặc tim mạch. Nhịp thở không chỉ phản ánh trạng thái sức khỏe mà còn là chỉ số quan trọng trong đánh giá các giai đoạn giấc ngủ và các rối loạn hô hấp. Tuy nhiên, việc theo dõi nhịp thở liên tục và chính xác gặp nhiều thách thức do dữ liệu lớn, nhiễu tín hiệu và chi phí thiết bị cao.

Mục tiêu của luận văn là nghiên cứu và ứng dụng phương pháp học sâu, cụ thể là mạng nơ-ron hồi quy LSTM, để theo dõi nhịp thở dựa trên dữ liệu âm thanh thu thập từ micro không dây. Phạm vi nghiên cứu tập trung vào thu thập và xử lý dữ liệu âm thanh nhịp thở tại môi trường phòng thí nghiệm với các tình huống khác nhau như nghỉ ngơi, vận động và môi trường có tiếng ồn nhẹ. Ý nghĩa nghiên cứu thể hiện qua việc phát triển một hệ thống theo dõi nhịp thở có độ chính xác cao, chi phí thấp và khả năng ứng dụng trong thực tế, góp phần nâng cao chất lượng chăm sóc sức khỏe và hỗ trợ y tế từ xa.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: trí tuệ nhân tạo (AI) và học sâu (deep learning). AI là lĩnh vực nghiên cứu các hệ thống máy tính có khả năng thực hiện các nhiệm vụ thông minh. Học máy (machine learning) là một nhánh của AI, tập trung vào việc phát triển các thuật toán cho phép máy học từ dữ liệu. Học sâu là một phương pháp học máy sử dụng mạng nơ-ron nhiều lớp, có khả năng tự động trích xuất đặc trưng từ dữ liệu thô, phù hợp với các dữ liệu chuỗi như âm thanh.

Mạng nơ-ron hồi quy (RNN) là mô hình mạng thần kinh có khả năng xử lý dữ liệu tuần tự, tuy nhiên gặp khó khăn với các phụ thuộc dài hạn do vấn đề vanishing gradient. Mạng LSTM (Long Short Term Memory) là một biến thể của RNN, được thiết kế để khắc phục hạn chế này bằng cách sử dụng các cổng điều khiển thông tin, giúp ghi nhớ và quên thông tin một cách hiệu quả trong chuỗi dữ liệu dài.

Các khái niệm chính bao gồm:

• Nhịp thở (Breath Sound): âm thanh phát sinh trong quá trình hít vào và thở ra.
• Bộ lọc Kalman: thuật toán xử lý tín hiệu tối ưu để loại bỏ nhiễu trong dữ liệu âm thanh.
• Phân loại nhịp thở: xác định đoạn âm thanh có chứa nhịp thở hay không.
• Đếm nhịp thở: xác định số lượng nhịp thở trong một khoảng thời gian nhất định dựa trên kết quả phân loại.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các file âm thanh thu thập từ micro không dây FM XXD-18, với tần số lấy mẫu 8000 Hz, kênh Mono và 8 bit âm thanh, đảm bảo cân bằng giữa chất lượng dữ liệu và hiệu năng xử lý. Người tham gia đeo micro không dây, thở bình thường trong khoảng 5 phút, dữ liệu được ghi lại bằng phần mềm Audacity.

Quy trình nghiên cứu gồm các bước:

1. Thu thập dữ liệu: ghi âm âm thanh nhịp thở trong các điều kiện khác nhau (nghỉ ngơi, vận động, môi trường có tiếng ồn).
2. Xử lý tín hiệu: sử dụng bộ lọc Kalman để loại bỏ nhiễu và làm mịn tín hiệu âm thanh.
3. Trích xuất frame dữ liệu: cắt các đoạn âm thanh có độ dài cố định dựa trên các điểm bất thường trong chuỗi dữ liệu để tạo các mẫu dữ liệu có hoặc không chứa nhịp thở.
4. Huấn luyện mô hình LSTM: sử dụng thư viện Keras để xây dựng và huấn luyện mô hình nhận dạng nhịp thở trên các mẫu dữ liệu đã gán nhãn.
5. Đánh giá và dự đoán: áp dụng mô hình đã huấn luyện để phân loại các đoạn âm thanh mới và đếm số nhịp thở trong luồng dữ liệu liên tục.

Thời gian nghiên cứu kéo dài trong khoảng 2 năm, từ thu thập dữ liệu, xây dựng mô hình đến phát triển ứng dụng đếm nhịp thở theo thời gian thực.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác phân loại nhịp thở: Mô hình LSTM đạt độ chính xác trên 90% trong việc phân biệt các đoạn âm thanh chứa nhịp thở và không chứa nhịp thở, vượt trội so với các phương pháp học máy truyền thống như SVM, KNN với độ chính xác khoảng 85%.
2. Hiệu quả lọc nhiễu: Bộ lọc Kalman giúp giảm đáng kể nhiễu tín hiệu, cải thiện độ chính xác nhận dạng lên khoảng 5% so với dữ liệu chưa xử lý.
3. Tốc độ xử lý: Việc sử dụng tần số lấy mẫu 8000 Hz và kênh Mono giúp giảm dung lượng dữ liệu xuống còn khoảng 0.047 MB cho mỗi 60 giây thu âm, đảm bảo thời gian huấn luyện và dự đoán phù hợp với ứng dụng thời gian thực.
4. Ứng dụng thực tế: Ứng dụng đếm nhịp thở trên nền Raspberry Pi 3 hoạt động ổn định, cho phép theo dõi nhịp thở liên tục với độ trễ thấp, phù hợp cho các thiết bị y tế di động.

Thảo luận kết quả

Kết quả cho thấy phương pháp học sâu LSTM có ưu thế vượt trội trong việc xử lý dữ liệu chuỗi âm thanh nhịp thở nhờ khả năng tự động trích xuất đặc trưng và ghi nhớ thông tin dài hạn. So với các phương pháp học máy truyền thống, LSTM giảm thiểu được công đoạn trích xuất đặc trưng thủ công, tiết kiệm thời gian và tăng độ chính xác.

Việc áp dụng bộ lọc Kalman giúp loại bỏ hiệu quả các tạp âm môi trường như tiếng quạt, tiếng nói chuyện nhẹ, từ đó nâng cao chất lượng dữ liệu đầu vào cho mô hình. Điều này phù hợp với thực tế khi thu thập dữ liệu trong môi trường không hoàn toàn yên tĩnh.

Tốc độ xử lý và dung lượng dữ liệu được tối ưu nhờ lựa chọn tần số lấy mẫu và định dạng âm thanh phù hợp, giúp mô hình có thể triển khai trên các thiết bị có cấu hình hạn chế như Raspberry Pi, mở rộng khả năng ứng dụng trong các thiết bị y tế di động.

Biểu đồ ma trận nhầm lẫn (confusion matrix) và biểu đồ chỉ số Precision, Recall, F-measure minh họa rõ hiệu quả của mô hình LSTM trong việc phân loại chính xác các đoạn âm thanh nhịp thở, đồng thời giảm thiểu các trường hợp nhận dạng sai.

Đề xuất và khuyến nghị

1. Triển khai hệ thống theo dõi nhịp thở di động: Phát triển thiết bị đeo micro không dây kết nối với ứng dụng trên nền tảng Raspberry Pi hoặc smartphone, nhằm theo dõi nhịp thở liên tục với độ chính xác cao. Thời gian thực hiện dự kiến 12 tháng, chủ thể thực hiện là các công ty công nghệ y tế.
2. Tối ưu thuật toán lọc nhiễu: Nghiên cứu và áp dụng các bộ lọc nâng cao kết hợp với Kalman để xử lý tốt hơn các tạp âm phức tạp trong môi trường thực tế, nhằm nâng cao độ chính xác nhận dạng. Thời gian thực hiện 6 tháng, chủ thể là nhóm nghiên cứu và phát triển phần mềm.
3. Mở rộng phân tích nhịp thở: Phát triển thêm các mô hình học sâu để phân tích các bất thường trong nhịp thở như nhịp thở gấp, không đều, phục vụ chẩn đoán sớm các bệnh lý hô hấp. Thời gian thực hiện 18 tháng, chủ thể là các viện nghiên cứu y sinh và công nghệ.
4. Tích hợp hệ thống với các thiết bị y tế khác: Kết nối dữ liệu nhịp thở với các cảm biến sinh học khác như đo nhịp tim, nhiệt độ cơ thể để xây dựng hệ thống giám sát sức khỏe toàn diện. Thời gian thực hiện 24 tháng, chủ thể là các bệnh viện và nhà sản xuất thiết bị y tế.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành khoa học máy tính, trí tuệ nhân tạo: Luận văn cung cấp kiến thức sâu về ứng dụng học sâu trong xử lý tín hiệu âm thanh y tế, đặc biệt là mạng LSTM.
2. Chuyên gia y tế và kỹ thuật y sinh: Tham khảo phương pháp thu thập và phân tích dữ liệu nhịp thở không xâm lấn, hỗ trợ phát triển các thiết bị theo dõi sức khỏe.
3. Doanh nghiệp công nghệ y tế: Áp dụng mô hình và giải pháp trong phát triển sản phẩm theo dõi nhịp thở di động, nâng cao giá trị sản phẩm và dịch vụ.
4. Nhà phát triển phần mềm và ứng dụng di động: Tham khảo quy trình xây dựng ứng dụng đếm nhịp thở thời gian thực, tích hợp mô hình học sâu và xử lý tín hiệu.

Câu hỏi thường gặp

1. Phương pháp học sâu có ưu điểm gì so với học máy truyền thống trong theo dõi nhịp thở?
   Học sâu tự động trích xuất đặc trưng từ dữ liệu thô, giảm thiểu công đoạn xử lý thủ công và tăng độ chính xác nhận dạng, đặc biệt hiệu quả với dữ liệu chuỗi như âm thanh nhịp thở.

2. Tại sao chọn mạng LSTM cho bài toán này?
   LSTM có khả năng ghi nhớ thông tin dài hạn và xử lý tốt các phụ thuộc xa trong chuỗi dữ liệu, phù hợp với đặc tính liên tục và phụ thuộc thời gian của âm thanh nhịp thở.

3. Bộ lọc Kalman đóng vai trò gì trong xử lý dữ liệu?
   Bộ lọc Kalman giúp loại bỏ nhiễu và tạp âm trong tín hiệu âm thanh, cải thiện chất lượng dữ liệu đầu vào, từ đó nâng cao hiệu quả nhận dạng của mô hình.

4. Dữ liệu thu thập có bị ảnh hưởng bởi tiếng ồn môi trường không?
   Có, nhưng việc sử dụng bộ lọc Kalman và thiết kế mô hình học sâu giúp giảm thiểu ảnh hưởng của tiếng ồn nhẹ như tiếng quạt, tiếng nói chuyện, đảm bảo độ chính xác nhận dạng.

5. Ứng dụng đếm nhịp thở có thể triển khai trên thiết bị nào?
   Ứng dụng có thể chạy trên các thiết bị có cấu hình thấp như Raspberry Pi 3 hoặc smartphone, nhờ tối ưu dữ liệu và mô hình, phù hợp cho các thiết bị y tế di động.

Kết luận

• Luận văn đã thành công trong việc ứng dụng mạng LSTM để theo dõi và phân loại nhịp thở dựa trên dữ liệu âm thanh thu thập từ micro không dây.
• Bộ lọc Kalman được áp dụng hiệu quả trong xử lý nhiễu tín hiệu, nâng cao độ chính xác nhận dạng.
• Mô hình đạt độ chính xác trên 90%, vượt trội so với các phương pháp học máy truyền thống.
• Ứng dụng đếm nhịp thở theo thời gian thực được xây dựng và thử nghiệm trên nền tảng Raspberry Pi, mở rộng khả năng ứng dụng thực tế.
• Các bước tiếp theo bao gồm tối ưu thuật toán, mở rộng phân tích nhịp thở và tích hợp hệ thống với các thiết bị y tế khác nhằm nâng cao giá trị và ứng dụng trong chăm sóc sức khỏe.

Để tiếp tục phát triển, các nhà nghiên cứu và doanh nghiệp được khuyến khích áp dụng và mở rộng phương pháp này trong các dự án y tế số, góp phần nâng cao chất lượng chăm sóc sức khỏe cộng đồng.

Trích đoạn nội dung tài liệu

Đặt vấn đề Trong nhiều năm qua, việc sử dụng học máy vào các lĩnh vực khai thác dữ liệu số đã trở nên rất quen thuộc. Việc ứng dụng học máy vào các lĩnh vực đời sống đem lại những kết quả to lớn trong nghiên cứu khoa học. Lĩnh vực y tế cũng được hưởng lợi rất nhiều từ sự phát triển của học máy. Nhưng so với các lĩnh vực khác việc nghiên cứu trên dữ liệu y tế và áp dụng học máy vào đó vẫn còn khá mới mẻ.

Một phương pháp mới mẻ hơn là Học sâu cho thấy rất nhiều tín hiệu khả quan trong nghiên cứu xử lý dữ liệu lớn. Vì vậy việc áp dụng Học sâu vào nghiên cứu dữ liệu y tế là một xu hướng mới cần được quan tâm. Tại sao lại phải theo dõi nhịp thở? Bởi lẽ, hoạt động hít thở là hoạt động cơ bản của mọi cá nhân. Hành động hít thở đối với hô hấp và theo dõi hô hấp là khâu theo dõi đầu tiên và có vai trò quan trọng.

Đối với các bệnh nhân có tiền sử về các bệnh hô hấp, việc phát hiện sớm các bất thường về hô hấp có thể đưa ra các phán đoán sớm để phân loại bệnh, phán đoán sớm tình trạng bệnh hoặc để cung cấp thông tin phục vụ cho các công việc y tế khác. Các khó khăn gặp phải khi theo dõi nhịp thở. Có nhiều phương pháp tiếp cận để thu thập được thông tin và phân tích nhịp thở. Nhưng tựu chung là vấn đề xử lý dữ liệu lớn trong thời gian liên tục.

Điều này dẫn đến khó khăn trong việc nâng cao tính chính xác. Một khó khăn khác đến từ các thiết bị giúp theo dõi nhịp thở, đôi khi có giá thành quá cao, đôi khi lại không thực sự tiện lợi khi gắn vào đối tượng cần 5 được theo dõi. Như vậy, vấn đề cần phải giải quyết là tìm ra một phương pháp có độ chính xác cao với chi phí ở mức cho phép. Mục tiêu của đề tài, phương pháp được sử dụng và đóng góp của đề tài.

Mục tiêu chính của luận văn là tìm hiểu về phương pháp Học sâu và thử nghiệm phương pháp này trong việc xây dựng một ứng dụng đếm nhịp thở. Trong khuôn khổ nội dung, luận văn sẽ trình bày về một số phương pháp áp dụng học máy trên dữ liệu y tế, dữ liệu nhịp thở, các khó khăn hạn chế của các phương pháp này. Trình bày nhiều hơn về một phương pháp mới có tên là Học sâu (deep learning) trong khai thác thông tin dữ liệu. Mà cụ thể là kỹ thuật LSTM (long short time memory).

Luận văn sử dụng dữ liệu nhịp thở thu thập được từ micro âm thanh. Sau đó sử dụng phương pháp LSTM để nhận dạng ra âm thanh nhịp thở. Cuối cùng là xây dựng một ứng dụng để đếm nhịp thở của một đối tượng được gắn micro âm thanh.2 Tổng quan vấn đề theo dõi sức khỏe bằng nhịp thở 1.1 Tổng quan Hầu hết các ứng dụng y tế được sử dụng trong các doanh nghiệp, tổ chức, bệnh viện, cá nhân và cộng đồng nói chung tạo ra một lượng dữ liệu cực lớn. Các dữ liệu này có thể là có cấu trúc và phi cấu trúc, bao gồm cả dữ liệu âm thanh, hình ảnh và dữ liệu văn bản.

Hầu hết các dữ liệu này đã được số hóa và lưu trữ, theo ước tính trong những năm tiếp theo có thể lên tới hàng trăm zetabytes. Các dữ liệu bệnh nhân được thu thập có thể giúp các bác sỹ đưa ra quyết định tốt hơn và nhanh hơn dựa trên các dự đoán và khuyến nghị được cung cấp bởi các thuật toán học máy. Các dữ liệu liên quan đến các bệnh hô hấp và các thuật toán học học cho các bệnh hô hấp cũng được đặc biệt quan tâm trong suốt một thời gian dài. Để chuẩn đoán được các nguyên nhân dựa trên các triệu chứng của các bệnh hô hấp, phương pháp kiểm tra Pulmonary Function Tests (PFTs) đã được áp dụng.

Các tổ chức American Thoracic Society (ATS), National Asthma Education and Prevention Program và Global Initiative for Chronic, Obstructive Lung Disease (GOLD) khuyến nghị sử dụng PFT [5]. 6 Bảng 1-1: Một mẫu dữ liệu PFT và ý nghĩa các đại lượng [6] Đại lượng Giá trị Ý nghĩa Thể tích không khí thở ra từ thời điểm FVC (L) 3.84 hít vào sâu nhất và thở ra sâu nhất Thể tích không khí trong giây đầu tiên FEV1 (L) 2.3 của FVC FEV1/FVC 0.60 Tỉ lệ giữa FEV1 và FVC Tốc độ dòng không khí lớn nhất thu PEF (L/s) 0.98 được trong khi đo FVC DLCO Khả năng khuếch tán oxy vào máu của 8.21 Tổng dung tích của phổi VA (mL) 4.46 Dung tích của phế nang DLCO/VA 1.99 Tỉ lệ DLCO trên từng phế nang Với rất nhiều dữ liệu PFT của các bệnh nhân có sẵn, áp dụng các thuật toán học máy không chỉ giúp bác sỹ phân loại chính xác bệnh nhân mà còn cung cấp các dự đoán về tình trạng sức khỏe của bệnh nhân. Kỹ thuật học máy được sử dụng phổ biến trong phân tích dữ liệu bệnh hô hấp là kỹ thuật học máy có giám sát: thuật toán Naïve Bayes, Support Vector Machine, Decision Tree, K Nearest Neighbors… Độ chính xác trên các dữ liệu PFT cũng rất cao, trung bình lên đến xấp xỉ 90% đối với ba phương pháp Naïve Bayes, Support Vector Machine, Decision Tree [7]. Âm thanh thở (Breath Sound) chứa các chỉ số quan trọng về sức khỏe và bệnh hô hấp, việc phân tích phát hiện âm thanh thở trở thành một chủ đề quan trọng trong chuẩn đoán và đánh giá các khả năng điều trị [7].

Dữ liệu trích rút ra từ âm thanh nhịp thở có dạng chuỗi dữ liệu, có tính liên tục và yêu cầu để phân tích nó cần phải nhanh. 7 Một điểm quan trọng đối với các mô hình học máy thông thường là việc phải trích xuất ra các đặc trưng của các mẫu dữ liệu. Điều này đối với từng bộ dữ liệu cụ thể sẽ là khó khăn và mang tính chất cảm nhận cá nhân của người xử lý dữ liệu. Việc áp dụng các mô hình học sâu mang lại một lợi thế lớn là việc không cần quan tâm đến trích xuất ra đặc trưng, mô hình học sâu sẽ tự động điều chỉnh cho phù hợp và xuất ra đặc trưng phù hợp cho quá trình nhận dạng.

Một ưu thế nữa của mô hình học sâu là vấn đề phụ thuộc xa. Các mẫu dữ liệu thu thập được có tính liên quan đối với các đoạn dữ liệu nằm phía trước chúng. Các mô hình học máy thông thường rất khó để liên kết các thông tin của chuỗi dữ liệu nằm ở phía trước, trong khi việc đưa ra quyết định phân loại nhãn đối với dữ liệu chuỗi lại phụ thuộc rất lớn vào vấn đề này.2 Bài toán theo dõi nhịp thở dựa vào dữ liệu âm thanh Bài toán 1: Cho trước một tập dữ liệu là các file âm thanh được thu từ micro âm thanh. Các file này ngắn và chứa nội dung bên trong có thể là một đoạn âm thanh nhịp thở hoặc là một đoạn âm thanh không phải nhịp thở.

Nhiệm vụ của việc giải bài toán này là gán nhãn cho các file đó, nhằm phân biệt trong file có những đoạn (segments) nào là chứa âm thanh nhịp thở và và đoạn nào là không chứa âm thanh nhịp thở. Thông thường, người ta có thể cắt từng đoạn rồi lưu ra mỗi đoạn là một file. Từ đó việc gán nhãn nhịp thở sử dụng các file dữ liệu này. Hình 1-1: Một đoạn dữ liệu thở chứa một nhịp hít vào và một nhịp thở ra Bài toán 2: Dữ liệu nhịp thở lúc này không phải là các file đơn thuần nữa mà là một luồng dữ liệu liên tục.

Nhiệm vụ đặt ra là đếm trong khoảng thời gian nhất định có bao nhiêu nhịp thở. 8 Hình 1-2: Một đoạn dữ liệu thở liên tục Bài toán 3: Vẫn là luồng dữ liệu nhịp thở liên tục. Nhiệm vụ lúc này là thu thập nhiều hơn các thông tin về nhịp thở. Có thể bao gồm: tần suất thở trên một phút, các bất thường về nhịp thở (nhịp thở có gấp, có đều đặn…) để đưa ra các phán đoán sâu hơn về tình trạng bệnh lý của người được theo dõi.

Có thể thấy được rằng bài toán số 1 là bài toán cơ sở. Từ việc phân loại nhãn của các tệp nhỏ, giúp xây dựng được một mô hình nhận dạng và từ đó sử dụng mô hình này cho việc xác định nhãn của một frame dữ liệu (quá trình này cũng bao gồm công việc phải đi tìm điểm bất thường trong luồng dữ liệu để xác định đâu là điểm bắt đầu cho frame dữ liệu cần xác định nhãn). Đặc biệt ở trong bài toán số 3, số lượng các nhãn sẽ lớn hơn trong bài toán số 2 (vốn chỉ bao gồm hai loại nhãn đúng hoặc sai). Trong khuôn khổ nội dung của luận văn, sẽ trình bày phương pháp tiếp cận và giải quyết bài toán số 1 và bài toán số 2.

Bài toán số 3 có thể sẽ được tìm hiểu và trình bày trong các nghiên cứu dẫn xuất sau này. Bài toán số 1 được coi là loại bài toán loại bài toán phân loại, bài toán số 2 là loại bài toán đếm (dựa trên cơ sở phân loại và đếm số nhịp thở), bài toán số 3 là loại bài toán phân tích. Trong quá trình giải quyết bài toán số 2, luận văn sẽ tiến hành giải quyết bài toán số 1, trên cơ sở bài toán số 1 cùng với việc phát hiện bất thường trong quá trình thu thập âm thanh, để xác định điểm đầu tiên của nhịp thở (phát hiện bất thường để cắt frame dữ liệu chính xác) để xây dựng nên ứng dụng đếm nhịp thở theo thời gian thực. 9 Như vậy có hai bài toán nhỏ mà luận văn tập trung giải quyết gồm: - Bài toán Phân loại dữ liệu nhịp thở - Bài toán xác định điểm bất thường trong luồng dữ liệu nhịp thở liên tục, để cắt frame chính xác chứa nhịp thở.3 Một số nghiên cứu liên quan Lĩnh vực nghiên cứu, áp dụng học máy vào xử lý dữ liệu y tế rất được quan tâm.

Trong những năm gần đây, đã có rất nhiều các nghiên cứu liên quan đến hô hấp và theo dõi nhịp thở. Phương pháp áp dụng để giải quyết vấn đề cũng rất đa dạng. Luận văn xin được trình bày hai nghiên cứu có liên quan nhiều đến phương pháp tiếp cận mà luận văn sắp trình bày ở chương nội dung số hai.1 Phát hiện âm thanh hô hấp dựa trên trích chọn đặc trưng a.