Nghiên cứu bài toán phân loại tư thế ngủ bằng phương pháp ước lượng tư thế sử dụng mạng học sâu

• Tác giả: Phạm Quốc Trung
• Người hướng dẫn: TS. Nguyễn Huy Hoàng
• Trường học: Đại học Bách khoa Hà Nội
• Chuyên ngành: Kỹ thuật điện tử
• Đề tài: Nghiên cứu bài toán phân loại tư thế ngủ bằng phương pháp ước lượng tư thế sử dụng mạng học sâu
• Loại tài liệu: Luận văn thạc sĩ
• Địa điểm: Hà Nội

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Giới thiệu chung về mạng học sâu
• 1.2. Tổng quan về mạng học sâu
• 1.3. Một số thành tựu của mạng học sâu trong lĩnh vực y tế và chăm sóc sức khỏe trong những năm gần đây
• 1.4. Cơ sở toán học của các mạng học sâu trong lĩnh vực thị giác máy tính
• 1.4.1. Tính phi tuyến
• 1.4.2. Thuật toán huấn luyện
• 1.4.3. Phép tích chập – cốt lõi của mạng CNN
• 1.5. Bài toán ước lượng tư thế sử dụng mạng CNN
• 1.5.1. Giới thiệu về bài toán
• 1.5.2. Ứng dụng trong thực tế
• 1.6. Bài toán phân loại hình ảnh sử dụng mạng CNN
• 1.6.1. Giới thiệu về bài toán
• 1.6.2. Ứng dụng trong thực tế
• 2. CHƯƠNG 2: ỨNG DỤNG PHÂN LOẠI TƯ THẾ NGỦ DỰA TRÊN PHƯƠNG PHÁP ƯỚC LƯỢNG TƯ THẾ
• 2.1. Giới thiệu về tập dữ liệu thí nghiệm
• 2.2. Tổng quan về phương pháp
• 2.2.1. Mô đun ước lượng tư thế
• 2.2.2. Mô đun phân loại tư thế
• 2.2.3. Tham số huấn luyện cho các mô đun
• 3. CHƯƠNG 3: KẾT QUẢ VÀ THẢO LUẬN
• 3.1. Giới thiệu về các độ đo sử dụng để đánh giá mô hình
• 3.2. Các độ đo phổ biến cho bài toán phân loại
• 3.2.1. Kết quả cơ sở
• 3.2.2. Kết quả của phương pháp đề xuất
• 3.2.2.1. Kết quả đánh giá riêng biệt từng mô đun
• 3.2.2.2. Kết quả đánh giá tổng thể mô hình
• 3.3. Hướng phát triển của đồ án trong tương lai
• TÀI LIỆU THAM KHẢO

I. Tổng Quan về Phân Loại Tư Thế Ngủ Ứng dụng và Lợi ích

Bài toán phân loại tư thế ngủ ngày càng trở nên quan trọng trong lĩnh vực chăm sóc sức khỏe và nâng cao chất lượng cuộc sống. Ứng dụng này giúp theo dõi và đưa ra gợi ý điều chỉnh tư thế ngủ phù hợp, tránh các vấn đề về cột sống. Đặc biệt hữu ích trong việc theo dõi tư thế người bệnh nằm lâu ngày, giúp bác sĩ kịp thời thay đổi, tránh loét do tiếp xúc nhiều với giường bệnh. Các ứng dụng này đều cần trích xuất thông tin về tư thế người nằm, biến phân loại tư thế ngủ thành nền tảng quan trọng. Theo R.Yousefi và cộng sự [1], từ năm 2011, bản đồ nhiệt từ tư thế nằm đã hỗ trợ theo dõi điểm tiếp xúc với giường bệnh, giúp điều chỉnh tư thế bệnh nhân. Những nghiên cứu gần đây tập trung cải thiện độ chính xác và ứng dụng trong nhiều lĩnh vực khác nhau của y tế.

1.1. Tầm quan trọng của ước lượng tư thế trong y tế

Ước lượng tư thế đóng vai trò then chốt trong phân loại tư thế ngủ, cung cấp dữ liệu chính xác để đánh giá và theo dõi. Từ đó, các ứng dụng y tế có thể hỗ trợ chẩn đoán, điều trị và cải thiện chất lượng cuộc sống cho bệnh nhân. Việc sử dụng công nghệ này còn giúp giảm tải công việc cho nhân viên y tế, đặc biệt trong việc chăm sóc bệnh nhân nằm viện lâu ngày. Ước lượng tư thế cũng giúp đánh giá sự thoải mái trong tư thế ngủ để cải thiện giấc ngủ.

1.2. Ứng dụng của phân loại tư thế ngủ trong đời sống hàng ngày

Ngoài lĩnh vực y tế, phân loại tư thế ngủ còn có nhiều ứng dụng trong đời sống hàng ngày. Các thiết bị theo dõi giấc ngủ thông minh sử dụng công nghệ này để phân tích chất lượng giấc ngủ và đưa ra các lời khuyên cải thiện. Bên cạnh đó, thông tin về tư thế ngủ cũng có thể giúp lựa chọn loại nệm và gối phù hợp, tạo sự thoải mái và hỗ trợ tốt nhất cho cơ thể. Sự phát triển của công nghệ phân loại tư thế ngủ hứa hẹn mang lại nhiều tiện ích thiết thực cho người dùng.

II. Thách Thức trong Phân Loại Tư Thế Ngủ Chính Xác bằng AI

Việc phân loại tư thế ngủ chính xác đối mặt với nhiều thách thức, đặc biệt là trong điều kiện thiếu sáng và khi người dùng đắp chăn. Các đặc trưng thị giác dễ bị ảnh hưởng bởi yếu tố ngoại cảnh, làm giảm độ chính xác của các mô hình trí tuệ nhân tạo. Luận văn này đề xuất phương pháp cải thiện độ chính xác bằng cách tăng cường thông tin từ các điểm keypoint trên cơ thể người. Thay vì chỉ dựa vào các đặc trưng trích xuất từ mạng học sâu, quá trình phân loại còn sử dụng thông tin về tọa độ các điểm keypoint. Mục tiêu là xây dựng phương pháp cho kết quả tốt hơn, kết hợp đặc trưng thị giác và đặc trưng không gian.

2.1. Ảnh hưởng của điều kiện ánh sáng và vật cản đến độ chính xác

Ánh sáng yếu và sự hiện diện của vật cản như chăn, gối có thể gây khó khăn cho việc ước lượng tư thế và phân loại tư thế ngủ. Điều này làm giảm độ chính xác của các mô hình học sâu dựa trên thị giác máy tính. Do đó, cần có các phương pháp xử lý ảnh và tăng cường dữ liệu để cải thiện khả năng nhận diện trong điều kiện không thuận lợi. Cần có các thuật toán robust có thể xử lý các yếu tố nhiễu này.

2.2. Sự phức tạp của dữ liệu tư thế Đa dạng và biến đổi

Dữ liệu tư thế rất đa dạng và biến đổi, tùy thuộc vào nhiều yếu tố như thói quen ngủ, tình trạng sức khỏe và môi trường xung quanh. Điều này đòi hỏi các mô hình học sâu phải có khả năng học và khái quát hóa tốt để có thể phân loại chính xác trong nhiều tình huống khác nhau. Các phương pháp tăng cường dữ liệu có thể giúp mô hình học được các biến thể khác nhau của tư thế ngủ.

III. Mạng Học Sâu CNN Phương Pháp Ước Lượng Tư Thế Ngủ

Mạng học sâu (Deep Learning) đang trở thành công cụ mạnh mẽ trong lĩnh vực ước lượng tư thế và phân loại tư thế ngủ. Các mạng nơ-ron tích chập (CNN) thể hiện ưu thế vượt trội trong việc trích xuất đặc trưng từ ảnh và video. CNN có khả năng tự động học các đặc trưng quan trọng, giúp cải thiện đáng kể độ chính xác so với các phương pháp truyền thống. Theo Lindsay Stern và cộng sự [3], việc sử dụng kết hợp mô hình 2D và 3D (Resnet18 và I3D) cho kết quả ấn tượng trên tập dữ liệu ảnh bản đồ nhiệt.

3.1. Tổng quan về mạng CNN và ứng dụng trong thị giác máy tính

Mạng CNN là một loại mạng học sâu được thiết kế đặc biệt để xử lý dữ liệu ảnh và video. CNN sử dụng các lớp tích chập để trích xuất các đặc trưng từ hình ảnh, sau đó sử dụng các lớp kết nối đầy đủ để phân loại hoặc dự đoán. CNN đã đạt được những thành công to lớn trong nhiều lĩnh vực của thị giác máy tính, bao gồm nhận diện vật thể, phân loại hình ảnh và ước lượng tư thế. CNN hoạt động bằng cách học các bộ lọc đặc trưng từ dữ liệu đào tạo và áp dụng chúng vào dữ liệu mới.

3.2. Cách mạng CNN trích xuất đặc trưng cho bài toán tư thế ngủ

Trong bài toán tư thế ngủ, mạng CNN có thể được sử dụng để trích xuất các đặc trưng liên quan đến hình dạng cơ thể, vị trí các khớp và hướng của các chi. Các đặc trưng này sau đó có thể được sử dụng để phân loại tư thế ngủ thành các loại khác nhau như nằm ngửa, nằm nghiêng hoặc nằm sấp. Việc sử dụng mạng CNN giúp tự động hóa quá trình trích xuất đặc trưng và giảm thiểu sự can thiệp của con người. Mô hình có thể tự học để trích xuất những đặc trưng quan trọng nhất cho việc phân loại.

IV. Kết Hợp Keypoint và Mạng Học Sâu Giải Pháp Nâng Cao

Luận văn này đề xuất phương pháp kết hợp thông tin từ các điểm keypoint trên cơ thể người với đặc trưng trích xuất từ mạng học sâu. Thay vì chỉ dựa vào thông tin thị giác, phương pháp này tận dụng cả thông tin về tọa độ các điểm keypoint. Quá trình phân loại sẽ sử dụng thêm thông tin này để tăng cường độ chính xác. Ý tưởng này dựa trên việc các điểm keypoint cung cấp thông tin không gian quan trọng, giúp mô hình hiểu rõ hơn về cấu trúc cơ thể và tư thế của người.

4.1. Vai trò của Keypoint trong ước lượng tư thế và nhận dạng tư thế

Keypoint là các điểm đặc trưng trên cơ thể người, ví dụ như khớp vai, khớp khuỷu tay, đầu gối... Keypoint cung cấp thông tin quan trọng về cấu trúc cơ thể và tư thế. Trong ước lượng tư thế, keypoint được sử dụng để xác định vị trí và hướng của các bộ phận cơ thể. Trong nhận dạng tư thế, keypoint được sử dụng để phân loại tư thế thành các loại khác nhau. Việc sử dụng keypoint giúp mô hình trở nên robust hơn với các biến đổi về ánh sáng, góc nhìn và vật cản.

4.2. Phương pháp kết hợp Keypoint và đặc trưng từ mạng học sâu

Phương pháp đề xuất kết hợp thông tin keypoint với đặc trưng trích xuất từ mạng học sâu bằng cách sử dụng một mạng nơ-ron bổ sung để học cách kết hợp hai loại thông tin này. Mạng nơ-ron này có thể là một mạng kết nối đầy đủ hoặc một mạng CNN. Đầu vào của mạng nơ-ron là các tọa độ của keypoint và các đặc trưng trích xuất từ mạng học sâu. Đầu ra của mạng nơ-ron là phân loại tư thế ngủ. Việc kết hợp thông tin keypoint và đặc trưng từ mạng học sâu giúp cải thiện đáng kể độ chính xác của bài toán phân loại tư thế ngủ.

V. Thử Nghiệm và Đánh Giá Hiệu Suất Mô Hình Phân Loại Tư Thế Ngủ

Để đánh giá hiệu quả của phương pháp đề xuất, luận văn sử dụng tập dữ liệu ảnh IR thuộc bộ dữ liệu SLP. Tập dữ liệu này đa dạng, thể hiện sự phức tạp của tư thế ngủ trong thực tế. Mục tiêu là xây dựng một phương pháp phân loại cho kết quả tốt hơn tập kết quả cơ sở, thông qua việc kết hợp đặc trưng thị giác và đặc trưng không gian. Quá trình đánh giá sẽ sử dụng các độ đo phổ biến như độ chính xác, độ chính xác, độ recall và F1-score.

5.1. Tập dữ liệu SLP Đặc điểm và Thống kê

Tập dữ liệu SLP (Sleep Posture Dataset) là một tập dữ liệu ảnh IR đa dạng, chứa các ảnh về tư thế ngủ được thu thập từ nhiều nguồn cảm biến khác nhau. Tập dữ liệu này thể hiện sự đa dạng và phức tạp của tư thế ngủ trong thực tế. SLP chứa các ảnh về nhiều loại tư thế ngủ, bao gồm nằm ngửa, nằm nghiêng, nằm sấp, và các tư thế biến thể khác. Tập dữ liệu này cũng chứa các ảnh về người đắp chăn mỏng, chăn dày và không đắp chăn. Các thống kê về tập dữ liệu SLP giúp hiểu rõ hơn về phân phối của các tư thế và các yếu tố ảnh hưởng đến độ chính xác của mô hình.

5.2. Các Độ Đo Đánh Giá Hiệu Suất Mô Hình Phân Loại Tư Thế

Độ chính xác (Accuracy), Độ chính xác (Precision), Độ recall (Recall) và F1-score là các độ đo phổ biến được sử dụng để đánh giá hiệu suất của mô hình phân loại tư thế. Độ chính xác cho biết tỉ lệ các tư thế được phân loại đúng trên tổng số các tư thế. Độ chính xác cho biết tỉ lệ các tư thế được dự đoán là thuộc một lớp nhất định thực sự thuộc lớp đó. Độ recall cho biết tỉ lệ các tư thế thuộc một lớp nhất định được dự đoán đúng. F1-score là trung bình điều hòa của độ chính xác và độ recall. Các độ đo này cung cấp một cái nhìn toàn diện về hiệu suất của mô hình.

VI. Ứng Dụng và Tương Lai Của Nghiên Cứu Phân Loại Tư Thế Ngủ

Nghiên cứu về phân loại tư thế ngủ bằng mạng học sâu mở ra nhiều ứng dụng tiềm năng trong lĩnh vực chăm sóc sức khỏe và nâng cao chất lượng cuộc sống. Các ứng dụng này bao gồm theo dõi giấc ngủ, phát hiện các vấn đề sức khỏe liên quan đến tư thế ngủ, và cung cấp các giải pháp cải thiện giấc ngủ. Trong tương lai, nghiên cứu này có thể được mở rộng để phân tích các yếu tố khác ảnh hưởng đến giấc ngủ, như nhiệt độ, độ ẩm và tiếng ồn.

6.1. Ứng Dụng Y Tế Chẩn Đoán và Theo Dõi Bệnh Liên Quan Giấc Ngủ

Phân loại tư thế ngủ có thể hỗ trợ chẩn đoán và theo dõi các bệnh liên quan đến giấc ngủ, như chứng ngưng thở khi ngủ, hội chứng chân không yên và chứng nghiến răng khi ngủ. Thông tin về tư thế ngủ có thể giúp bác sĩ xác định nguyên nhân gây ra các vấn đề này và đưa ra các phương pháp điều trị phù hợp. Hơn nữa, các ứng dụng theo dõi giấc ngủ sử dụng phân loại tư thế ngủ có thể giúp người dùng tự theo dõi giấc ngủ của mình và phát hiện sớm các dấu hiệu bất thường. Các hệ thống có thể cảnh báo người dùng thay đổi tư thế khi phát hiện các dấu hiệu của bệnh lý.

6.2. Hướng Phát Triển Tích Hợp Với Các Công Nghệ Cảm Biến và IoT

Trong tương lai, nghiên cứu về phân loại tư thế ngủ có thể được tích hợp với các công nghệ cảm biến và IoT để tạo ra các hệ thống theo dõi giấc ngủ thông minh và toàn diện hơn. Các cảm biến có thể được sử dụng để thu thập dữ liệu về nhiều yếu tố khác nhau ảnh hưởng đến giấc ngủ, như nhiệt độ, độ ẩm, tiếng ồn và nhịp tim. Dữ liệu này sau đó có thể được phân tích bằng các thuật toán học sâu để cung cấp thông tin chi tiết về chất lượng giấc ngủ và đưa ra các lời khuyên cải thiện. Sự tích hợp với IoT cho phép các thiết bị theo dõi giấc ngủ kết nối với các thiết bị thông minh khác trong nhà, tạo ra một môi trường ngủ lý tưởng.

Tổng quan nghiên cứu

Trong bối cảnh cuộc cách mạng công nghệ 4.0, trí tuệ nhân tạo (AI) và học sâu (Deep Learning) đã trở thành những công nghệ trọng điểm, đặc biệt trong lĩnh vực y tế và chăm sóc sức khỏe. Theo báo cáo của ngành, việc theo dõi tư thế ngủ có vai trò quan trọng trong việc cải thiện chất lượng giấc ngủ và phòng tránh các bệnh lý liên quan đến cột sống. Tuy nhiên, bài toán phân loại tư thế ngủ gặp nhiều thách thức do ảnh chụp thường trong điều kiện thiếu sáng, người dùng có thể đắp chăn gây che khuất đặc trưng hình ảnh. Mục tiêu nghiên cứu của luận văn là phát triển một phương pháp phân loại tư thế ngủ chính xác hơn bằng cách kết hợp đặc trưng hình ảnh và thông tin về các điểm keypoint trên cơ thể người, sử dụng mạng học sâu. Nghiên cứu tập trung trên tập dữ liệu SLP thu thập từ 109 người với 9 tư thế ngủ mở rộng, trong điều kiện ánh sáng và che phủ khác nhau, nhằm đánh giá hiệu quả của phương pháp đề xuất. Kết quả nghiên cứu có ý nghĩa thiết thực trong việc ứng dụng AI để theo dõi và cải thiện sức khỏe người dùng, đồng thời mở rộng phạm vi ứng dụng trong các hệ thống giám sát y tế thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên nền tảng lý thuyết của trí tuệ nhân tạo, học máy và học sâu, trong đó mạng nơ ron tích chập (CNN) là công nghệ cốt lõi. CNN được thiết kế để trích xuất đặc trưng từ ảnh thông qua các lớp tích chập, giúp mô hình học được các đặc điểm phức tạp của dữ liệu hình ảnh. Hai lý thuyết chính được áp dụng là:

• Ước lượng tư thế (Pose Estimation): Mô hình HRNet được sử dụng để dự đoán tọa độ 14 điểm keypoint trên cơ thể người trong ảnh, bao gồm đầu, cổ, vai, khuỷu tay, cổ tay, hông, đầu gối và cổ chân. HRNet nổi bật với khả năng duy trì độ phân giải cao trong quá trình học, giúp tăng độ chính xác của dự đoán.

• Phân loại hình ảnh (Image Classification): Mạng CNN được sử dụng để phân loại tư thế ngủ dựa trên đặc trưng hình ảnh và tọa độ keypoint. Mô đun phân loại tư thế thô sử dụng mạng CNN 1 chiều để phân loại 3 tư thế chính, trong khi mô đun phân loại tư thế chân sử dụng ResNet18 để phân loại chi tiết tư thế chân thành 3 nhóm: duỗi 2 chân, co 1 chân, co cả 2 chân.

Các khái niệm chính bao gồm: hàm kích hoạt ReLU, hàm mất mát Cross-Entropy, thuật toán tối ưu Adam và SGD, cũng như các phép toán tích chập, tích chập giãn nở và tích chập chuyển vị trong CNN.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là tập SLP (Simultaneously-collected multimodel Lying Pose) với ảnh hồng ngoại thu thập từ 109 người, gồm 9 tư thế ngủ được phân loại dựa trên tư thế chân. Dữ liệu được chia thành tập huấn luyện và kiểm thử theo tỷ lệ 8:2, đảm bảo phân phối đồng đều giữa các lớp.

Phương pháp nghiên cứu gồm hai mô đun chính:

1. Mô đun ước lượng tư thế: Sử dụng HRNet kết hợp với YOLOv4 để phát hiện người và dự đoán tọa độ keypoint. Quá trình huấn luyện sử dụng hàm mất mát MSE, thuật toán Adam, learning rate 0.001, trong 80 epoch.

2. Mô đun phân loại tư thế: Bao gồm phân loại tư thế thô (3 lớp) bằng CNN 1 chiều với hàm mất mát Cross-Entropy, SGD, learning rate 0.0001, 100 epoch; và phân loại tư thế chân bằng ResNet18 với hàm mất mát Focal Cross-Entropy, learning rate 0.005, 100 epoch.

Quá trình huấn luyện được thực hiện trên nền tảng Ubuntu 22.04 LTS, sử dụng Torch 1.1 và GPU NVIDIA GeForce GTX 3090 với CUDA Toolkit 11.4 để tăng tốc tính toán. Kỹ thuật tăng cường dữ liệu (data augmentation) được áp dụng nhằm cải thiện độ đa dạng và độ chính xác của mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác ước lượng keypoint: Mô đun ước lượng tư thế đạt độ đo PCK@0.2 khoảng 92%, cho thấy khả năng dự đoán tọa độ keypoint chính xác cao trên tập dữ liệu SLP.

2. Hiệu quả phân loại tư thế thô: Mô đun phân loại tư thế thô đạt độ chính xác (accuracy) trên 95% cho 3 lớp tư thế chính, thể hiện khả năng phân biệt rõ ràng giữa nằm ngửa, nghiêng trái và nghiêng phải.

3. Phân loại tư thế chân chi tiết: Mô đun phân loại tư thế chân sử dụng ResNet18 đạt F1-score trên 90% trong việc phân loại 3 dạng tư thế chân, góp phần nâng tổng thể độ chính xác phân loại 9 tư thế lên trên 88%.

4. So sánh với mô hình cơ sở: Phương pháp đề xuất cải thiện độ chính xác trung bình khoảng 5-7% so với các mô hình học sâu phổ biến chỉ sử dụng đặc trưng hình ảnh, đặc biệt trong điều kiện người đắp chăn dày, khi các đặc trưng hình ảnh bị che khuất.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện độ chính xác là việc kết hợp thông tin về tọa độ keypoint giúp mô hình có thêm đặc trưng không gian, giảm thiểu ảnh hưởng của các yếu tố ngoại cảnh như ánh sáng yếu hay vật thể che khuất. Kết quả này phù hợp với các nghiên cứu gần đây trong lĩnh vực ước lượng tư thế và phân loại hành động, đồng thời mở rộng phạm vi phân loại từ 3 tư thế truyền thống lên 9 tư thế chi tiết hơn.

Biểu đồ confusion matrix cho thấy các lớp tư thế được phân loại chính xác với tỷ lệ nhầm lẫn thấp, đặc biệt là các lớp nằm ngửa duỗi 2 chân và nằm nghiêng phải co 1 chân. Tuy nhiên, một số nhầm lẫn nhỏ vẫn xảy ra giữa các tư thế có đặc điểm tương tự, ví dụ như nằm nghiêng trái co 1 chân và co 2 chân, do sự tương đồng về hình dạng.

Kết quả cũng cho thấy mô hình có khả năng duy trì hiệu suất tốt trong các điều kiện đắp chăn khác nhau, chứng tỏ tính ứng dụng thực tế cao của phương pháp đề xuất trong môi trường giám sát y tế.

Đề xuất và khuyến nghị

1. Triển khai hệ thống giám sát tư thế ngủ tự động: Áp dụng mô hình phân loại tư thế ngủ vào các thiết bị giám sát tại bệnh viện và gia đình nhằm theo dõi liên tục tư thế người bệnh, giảm thiểu nguy cơ loét do nằm lâu. Thời gian triển khai dự kiến trong 12 tháng, chủ thể thực hiện là các đơn vị công nghệ y tế.

2. Phát triển ứng dụng hỗ trợ cải thiện giấc ngủ: Tích hợp công nghệ phân loại tư thế ngủ vào ứng dụng di động để cung cấp phản hồi và gợi ý điều chỉnh tư thế ngủ cho người dùng, hướng tới nâng cao chất lượng giấc ngủ. Mục tiêu tăng độ chính xác dự báo trên 90% trong vòng 6 tháng.

3. Mở rộng nghiên cứu với dữ liệu đa dạng: Thu thập thêm dữ liệu từ các nhóm đối tượng khác nhau, bao gồm người già, trẻ em và bệnh nhân có bệnh lý đặc thù để cải thiện khả năng tổng quát của mô hình. Thời gian thực hiện 18 tháng, phối hợp giữa viện nghiên cứu và bệnh viện.

4. Tối ưu hóa mô hình cho thiết bị di động: Nghiên cứu giảm kích thước mô hình và tăng tốc độ xử lý để triển khai trên các thiết bị di động hoặc thiết bị IoT, giúp ứng dụng rộng rãi trong thực tế. Mục tiêu giảm thời gian xử lý xuống dưới 100ms, hoàn thành trong 9 tháng.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, trí tuệ nhân tạo: Luận văn cung cấp kiến thức chuyên sâu về ứng dụng mạng học sâu trong thị giác máy tính, đặc biệt là bài toán ước lượng tư thế và phân loại hình ảnh.

2. Chuyên gia phát triển sản phẩm y tế thông minh: Tham khảo để phát triển các hệ thống giám sát tư thế ngủ, theo dõi bệnh nhân nằm viện, góp phần nâng cao chất lượng chăm sóc sức khỏe.

3. Nhà quản lý và hoạch định chính sách y tế: Hiểu rõ tiềm năng ứng dụng AI trong chăm sóc sức khỏe, từ đó xây dựng các chương trình hỗ trợ nghiên cứu và ứng dụng công nghệ mới.

4. Doanh nghiệp công nghệ và startup: Tận dụng kết quả nghiên cứu để phát triển các sản phẩm công nghệ phục vụ chăm sóc sức khỏe cá nhân và cộng đồng, mở rộng thị trường ứng dụng AI.

Câu hỏi thường gặp

1. Phương pháp đề xuất có thể áp dụng cho các loại dữ liệu ảnh khác không?
   Phương pháp chủ yếu sử dụng ảnh hồng ngoại từ tập dữ liệu SLP, tuy nhiên kiến trúc mạng học sâu có thể được điều chỉnh để áp dụng cho ảnh màu hoặc ảnh độ sâu, với hiệu quả phụ thuộc vào chất lượng và đặc trưng dữ liệu.

2. Làm thế nào để mô hình xử lý trường hợp người bị che khuất bởi chăn?
   Việc kết hợp thông tin keypoint giúp mô hình giảm thiểu ảnh hưởng của che khuất, bởi keypoint cung cấp đặc trưng không gian bổ sung cho đặc trưng hình ảnh, nâng cao độ chính xác trong điều kiện ánh sáng yếu hoặc che phủ.

3. Tại sao chọn HRNet và ResNet18 cho các mô đun chính?
   HRNet duy trì độ phân giải cao trong quá trình học, phù hợp cho bài toán ước lượng keypoint chính xác. ResNet18 có kiến trúc residual giúp tránh hiện tượng vanishing gradient, đồng thời có số lượng tham số vừa phải, phù hợp cho phân loại tư thế chân.

4. Mô hình có thể mở rộng để phân loại nhiều tư thế hơn không?
   Có thể mở rộng bằng cách thu thập thêm dữ liệu và điều chỉnh mô hình phân loại, tuy nhiên cần cân nhắc độ phức tạp và khả năng phân biệt giữa các lớp tư thế tương tự để tránh giảm hiệu quả.

5. Ứng dụng thực tế của nghiên cứu này là gì?
   Nghiên cứu hỗ trợ phát triển các hệ thống giám sát tư thế ngủ tự động, giúp cải thiện chất lượng giấc ngủ, phòng tránh các bệnh liên quan đến tư thế nằm, đồng thời hỗ trợ theo dõi bệnh nhân nằm viện lâu ngày, giảm nguy cơ loét do nằm lâu.

Kết luận

• Luận văn đã phát triển thành công phương pháp phân loại tư thế ngủ kết hợp đặc trưng hình ảnh và tọa độ keypoint, nâng cao độ chính xác so với các phương pháp truyền thống.
• Mô hình HRNet và ResNet18 được áp dụng hiệu quả cho bài toán ước lượng tư thế và phân loại chi tiết tư thế chân.
• Kết quả trên tập dữ liệu SLP với 9 tư thế ngủ đa dạng cho thấy độ chính xác trên 88%, đặc biệt trong điều kiện che khuất và ánh sáng yếu.
• Nghiên cứu mở ra hướng phát triển ứng dụng AI trong giám sát sức khỏe cá nhân và y tế thông minh.
• Các bước tiếp theo bao gồm mở rộng dữ liệu, tối ưu mô hình cho thiết bị di động và triển khai ứng dụng thực tế nhằm nâng cao chất lượng cuộc sống người dùng.

Khuyến khích các nhà nghiên cứu và doanh nghiệp công nghệ tiếp tục khai thác và phát triển các giải pháp AI trong lĩnh vực chăm sóc sức khỏe để tạo ra những sản phẩm có giá trị thực tiễn cao.