Tổng quan về luận án

Ngã là một trong những hiểm họa y tế công cộng hàng đầu đối với người cao tuổi trên phạm vi toàn cầu. Theo báo cáo chính thức của Tổ chức Y tế Thế giới (WHO), ước tính mỗi năm có khoảng 684.000 ca tử vong bắt nguồn từ các chấn thương do ngã, tập trung chủ yếu tại các quốc gia có thu nhập thấp và trung bình thuộc khu vực Tây Thái Bình Dương và Đông Nam Á. Thống kê dịch tễ học chỉ ra rằng tỷ lệ người từ 65 tuổi trở lên bị ngã hàng năm dao động từ 28% đến 35%, trong đó có tới 40% trường hợp tái ngã và khoảng 50% nạn nhân không thể tự đứng dậy sau biến cố chấn thương. Hậu quả tích lũy của ngã làm tổn thất 38 triệu năm sống được điều chỉnh theo mức độ tàn tật (Disability-Adjusted Life Years - DALYs) mỗi năm, vượt qua tổng gánh nặng DALYs gây ra bởi tai nạn giao thông, đuối nước, bỏng và ngộ độc cộng lại.

  [Xâm phạm riêng tư,              [Chi phí thấp, tiện lợi,          [Độ phức tạp tính toán,
   chi phí lắp đặt cao]             tối ưu năng lượng pin]            tiêu hao năng lượng lớn]

Khoảng trống nghiên cứu (Research Gap) cốt lõi xuất phát từ thực trạng: Phần lớn các hệ thống phát hiện ngã (Fall Detection System - FDS) hiện nay dựa trên cảm biến môi trường (camera, radar, cảm biến áp suất sàn) hoặc hệ thống đeo đa cảm biến (Inertial Measurement Unit - IMU, con quay hồi chuyển, từ kế). Các hướng tiếp cận này vấp phải rào cản lớn về vi phạm quyền riêng tư, chi phí triển khai đắt đỏ, và sự tiêu hao năng lượng quá mức trên thiết bị di động. Ngược lại, việc chỉ sử dụng duy nhất cảm biến gia tốc ba trục (Tri-axial Accelerometer) tích hợp sẵn trên điện thoại thông minh (Smartphone - SP) thường dẫn đến suy giảm độ chính xác phân lớp do tín hiệu dễ bị nhiễu và thiếu chiều thông tin mô tả chuyển động đa hướng.

Luận án tiến sĩ chuyên ngành Quản lý Hệ thống Thông tin (Mã số: 9480205.01QTD) của Nghiên cứu sinh Lê Hồng Lam, dưới sự hướng dẫn khoa học của PGS. TS. Nguyễn Hà Nam tại Viện Công nghệ Thông tin – Đại học Quốc gia Hà Nội (2024), đã giải quyết triệt để bài toán này. Nghiên cứu tập trung giải quyết câu hỏi trọng tâm: "Làm thế nào để phát triển một hệ thống phát hiện sự kiện ngã chính xác, hiệu quả với dữ liệu ngã khó thu thập và gán nhãn trong thế giới thực chỉ từ cảm biến gia tốc của điện thoại thông minh?"

Các câu hỏi và giả thuyết nghiên cứu cụ thể gồm:

  1. Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để trích xuất đầy đủ các biến đổi động học từ tín hiệu gia tốc đơn lẻ nhằm phân biệt chính xác trạng thái ngã và các hoạt động thường ngày (Activities of Daily Living - ADL) có gia tốc cao?
    • Giả thuyết 1 (H1): Việc tích hợp đồng thời bốn nhóm đặc trưng gồm Miền thời gian (Time Domain - TD), Miền tần số (Frequency Domain - FD), Tham số định hướng (Directional Dimensions - DD) và Tham số Hjorth (Hjorth Parameters - HD) sẽ tạo ra vector biểu diễn đa chiều $TFDHD$, nâng cao rõ rệt độ chính xác phân loại đa lớp so với các tập đặc trưng truyền thống.
  2. Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để tối ưu hóa không gian siêu tham số của mô hình Rừng ngẫu nhiên (Random Forest - RF) nhằm khắc phục hiện tượng mất cân bằng dữ liệu nghiêm trọng giữa mẫu ADL và mẫu sự kiện ngã?
    • Giả thuyết 2 (H2): Thuật toán Di truyền tùy biến ($GA4RF$) tích hợp hàm thích nghi phi tuyến dựa trên Hệ số tương quan Matthews chuẩn hóa ($NMCC$) sẽ định vị được vùng siêu tham số tối ưu toàn cục, nâng cao điểm $F_1\text{-score}$ và $MCC$ vượt trội so với các thuật toán tìm kiếm ngẫu nhiên (Random Search) hay tìm kiếm lưới (Grid Search).
  3. Câu hỏi nghiên cứu 3 (RQ3): Làm thế nào để xây dựng mô hình phát hiện ngã theo thời gian thực hoạt động ổn định khi dữ liệu ngã trong thực tế cực kỳ khan hiếm?
    • Giả thuyết 3 (H3): Kiến trúc Mô hình Phát hiện Sự kiện Ngã ($FEDM$) kết hợp kỹ thuật đa cửa sổ dữ liệu (cửa sổ ngắn $sWS$ và cửa sổ dài $LWS$) cùng cơ chế so khớp ngưỡng linh hoạt sẽ phát hiện chính xác các bất thường vận động mà chỉ cần huấn luyện chủ yếu trên dữ liệu ADL.

Khung lý thuyết (Theoretical Framework) của công trình được định vị vững chắc trên nền tảng Lý thuyết Học máy Tổng hợp (Ensemble Learning Theory) của Leo Breiman (2001), Nguyên lý Tham số Biến thiên Tín hiệu Y sinh của Bo Hjorth (1970), và Thuyết Tiến hóa Toán học của John Holland & David Goldberg. Về phạm vi thực nghiệm, luận án sử dụng hai bộ dữ liệu chuẩn quốc tế quy mô lớn: MobiAct v2.0 (thu thập từ 57 đối tượng, 12 hoạt động ADL, 4 kịch bản ngã với hơn 3.200 lượt thử nghiệm) và UP-Fall Detection (17 đối tượng, 11 hoạt động vận động). Đóng góp đột phá được định lượng rõ nét: Mô hình đề xuất đạt $F_1\text{-score}$ phát hiện ngã lên tới 95,23%, nhận dạng ADL đạt 99,11% và hiệu suất tổng hợp toàn hệ thống đạt 98,79% trên tập dữ liệu MobiAct v2.0, vượt qua nhiều kiến trúc học sâu phức tạp.

Literature Review và Positioning

Lĩnh vực Nhận dạng Hoạt động Con người (Human Activity Recognition - HAR) và Phát hiện Sự kiện Ngã (FDS) đã trải qua nhiều giai đoạn phát triển với sự cạnh tranh giữa các luồng nghiên cứu chính:

                                  TIẾN TRÌNH NGHIÊN CỨU FDS
  1. Luồng nghiên cứu dựa trên thị giác máy tính và cảm biến môi trường: Alazrai (2017) khai thác hệ thống camera kép tái dựng bộ xương kỹ thuật số 3D, trong khi Xiangbo (2017) phát triển mạng nơ-ron tích chập ETDA-Net kết hợp camera Kinect. Tuy nhiên, các hệ thống này bộc lộ nhược điểm bất khả kháng về vùng mù không gian, chi phí bảo trì cao và xâm phạm nghiêm trọng quyền riêng tư gia đình. Hướng tiếp cận bằng cảm biến áp suất sàn (Alwan et al., 2006) hay radar phổ Doppler (Li et al., 2019) lại gặp trở ngại về độ phức tạp khi thi công lắp đặt và độ nhạy cảm cao với tạp âm môi trường.
  2. Luồng nghiên cứu thiết bị đeo và học máy cổ điển: Chatzaki et al. (2017) xây dựng tập đặc trưng FSA/FSB trích xuất từ gia tốc kế và con quay hồi chuyển, huấn luyện mô hình $k$-Nearest Neighbors ($k\text{NN}$) trên tập dữ liệu MobiAct v2.0 đạt điểm $F_1$ tổng thể 96,8%, nhưng khả năng nhận diện các pha ngã đa hướng còn thấp do thiếu vắng các đặc trưng phức hợp tín hiệu. Đào Vũ Trường Sơn và cộng sự (2021) áp dụng thuật toán tối ưu bầy đàn lai sói xám ($APGWO$) để tinh chọn 14 đặc trưng từ 16 đặc trưng cơ sở, phân loại nhị phân đạt $F_1$ 96% nhưng chưa giải quyết bài toán phân loại đa lớp (Multi-class Classification) nhiều trạng thái ngã phức tạp.
  3. Luồng nghiên cứu học sâu (Deep Learning) trên dữ liệu chuỗi thời gian: Lai et al. (2021) đề xuất kiến trúc mạng tích chập thời gian dư (Residual Temporal Convolutional Network - Res-TCN) trên tập dữ liệu UP-Fall, đạt độ chính xác $ACC = 94,40%$ và $F_1 = 86,73%$ cho bài toán đa lớp. Martinez-Villaseñor et al. (2019) trích xuất một tập hợp khổng lồ lên tới 756 đặc trưng đa cảm biến nhưng chỉ đạt $F_1 = 71,79%$ với mạng nơ-ron nhân tạo ($ANN$), chứng minh rằng việc bùng nổ số lượng đặc trưng không đồng nghĩa với việc nâng cao năng lực phân tách mẫu.

Định vị của luận án: Luận án của NCS. Lê Hồng Lam định vị tại giao điểm then chốt giữa hiệu năng phân loại đỉnh cao và tính tối giản tài nguyên phần cứng. Nghiên cứu bác bỏ định kiến cho rằng cảm biến gia tốc đơn lẻ trên Smartphone không thể cạnh tranh với hệ thống đa cảm biến. Bằng cách thiết kế bộ 44 đặc trưng đa miền $TFDHD$ và giải thuật tối ưu tiến hóa $GA4RF$, công trình vượt trội so với nghiên cứu quốc tế của Chatzaki et al. (2017) trên cùng tập dữ liệu MobiAct v2.0 ($F_1$ phát hiện ngã tăng từ 93,5% lên 95,23%, $F_1$ tổng thể đạt 98,79%) và vượt qua mô hình Res-TCN của Lai et al. (2021) trên tập UP-Fall ($F_1$ đa lớp đạt 96,25% so với 86,73%).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

  1. Mở rộng Thuyết Đặc trưng Chuyển động Đa miền trong Tín hiệu Động học: Luận án mở rộng lý thuyết xử lý tín hiệu chuyển động của con người bằng việc chứng minh toán học và thực nghiệm mối tương quan mật thiết giữa bốn chiều không-thời gian của véc-tơ gia tốc. Nghiên cứu tích hợp sáng tạo ba tham số hình thái của Bo Hjorth (1970) – vốn thuộc lĩnh vực phân tích điện não đồ ($EEG$) – vào bài toán cơ học chuyển động:

    • Độ hoạt động ($Activity$): Đại diện cho phương sai tín hiệu, đo lường cường độ năng lượng bề mặt: $$\text{Activity} = \sigma_x^2 = \text{Var}(x(t))$$
    • Độ di động ($Mobility$): Tỷ số giữa độ lệch chuẩn của đạo hàm bậc nhất và độ lệch chuẩn của tín hiệu gốc, phản ánh sự biến thiên tần số trung bình: $$\text{Mobility} = \frac{\sigma_{x'}}{\sigma_x} = \sqrt{\frac{\text{Var}(x'(t))}{\text{Var}(x(t))}}$$
    • Độ phức hợp ($Complexity$): Đo lường mức độ thay đổi tần số tức thời, đại diện cho độ méo dạng sóng khi cơ thể va chạm đột ngột với mặt phẳng: $$\text{Complexity} = \frac{\text{Mobility}(x'(t))}{\text{Mobility}(x(t))} = \sqrt{\frac{\text{Var}(x''(t)) \cdot \text{Var}(x(t))}{(\text{Var}(x'(t)))^2}}$$

  2. Cải tiến Lý thuyết Học máy Ensemble (Random Forest Theory): Luận án tái khẳng định và mở rộng lý thuyết của Breiman (2001) trong điều kiện phân phối nhãn dị biệt cực đoan. Công trình chứng minh rằng sự kết hợp giữa kỹ thuật trích chọn đặc trưng không gian con ngẫu nhiên và việc tinh chỉnh chính xác các siêu tham số (đặc biệt là mối quan hệ phi tuyến giữa $n_estimators$, $max_depth$ và $min_samples_split$) có thể vô hiệu hóa tác động tiêu cực của nhiễu tín hiệu mà không làm tăng phương sai mô hình.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp bốn trục lý thuyết nền tảng thành một quy trình khép kín:

  • Trục biểu diễn tín hiệu ($TFDHD$ Framework): Thiết lập vector 44 chiều chắt lọc tinh hoa từ:
    • Miền thời gian ($TD$ - 16 đặc trưng): Giá trị trung bình, độ lệch chuẩn, phương sai, giá trị cực đại, cực tiểu, biên độ đỉnh-đỉnh, căn bậc hai trung bình bình phương ($RMS$), năng lượng tín hiệu.
    • Miền tần số ($FD$ - 12 đặc trưng): Phổ năng lượng Fourier ($FFT$), tần số trội, entropy phổ nhằm phân biệt dao động bước chân tuần hoàn với cú va đập phi chu kỳ.
    • Tham số định hướng ($DD$ - 10 đặc trưng): Các góc lượng giác không gian 3 chiều gồm góc cuộn ($\phi$ - Roll), góc dốc ($\theta$ - Pitch), góc xoay hướng ($\psi$ - Yaw): $$\phi = \arctan\left(\frac{a_y}{\sqrt{a_x^2 + a_z^2}}\right), \quad \theta = \arctan\left(\frac{-a_x}{\sqrt{a_y^2 + a_z^2}}\right)$$
    • Tham số Hjorth ($HD$ - 6 đặc trưng): $Activity$, $Mobility$, $Complexity$ trên các trục tọa độ.
  • Trục tối ưu tiến hóa ($GA4RF$ Framework): Thiết kế cấu trúc nhiễm sắc thể mã hóa nhị phân đa đoạn đại diện cho 6 siêu tham số sống còn của Random Forest, vận hành thông qua toán tử lai ghép đồng nhất (Uniform Crossover) và đột biến Gauss. Hàm mục tiêu thích nghi ($Fitness$) được thiết lập dựa trên Hệ số Tương quan Matthews ($MCC$) biến đổi phi tuyến qua hàm logarit với hệ số điều chế $k = 0,5$: $$\text{Fitness} = \ln\left(1 + k \cdot \text{NMCC}\right), \quad \text{trong đó } \text{NMCC} = \frac{\text{MCC} + 1}{2}$$
  • Trục phát hiện bất thường ($FEDM$ Framework): Thiết lập cơ chế giám sát đa tầng dựa trên phân tích tương quan giữa cửa sổ quan sát ngắn ($sWS = 1\text{s}$) và cửa sổ bao quát dài ($LWS = 3\text{s}$), cho phép nhận diện biến cố ngã ngay cả khi mô hình chưa từng được gán nhãn kịch bản ngã đặc thù đó trong tập huấn luyện.

Phương pháp nghiên cứu tiên tiến

                                QUY TRÌNH THỰC NGHIỆM ĐA BƯỚC

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ thế giới quan thực chứng (Positivism Paradigm) kết hợp phương pháp luận diễn dịch thực nghiệm (Deductive Empirical Approach). Thiết kế nghiên cứu định lượng nhiều tầng (Multi-level Quantitative Experimental Design) được xây dựng nhằm bảo đảm tính lặp lại (Replicability) và độ tin cậy thống kê cao nhất.

Quy trình nghiên cứu phân tách rõ hai phân hệ độc lập:

  1. Phân hệ Huấn luyện Ngoại tuyến (Offline Training): Khai phá dữ liệu thô, thực thi quy chuẩn tiền xử lý, trích xuất 44 đặc trưng $TFDHD$, chạy giải thuật di truyền $GA4RF$ trên môi trường máy chủ tính toán hiệu năng cao để xác lập bộ siêu tham số tối ưu.
  2. Phân hệ Giám sát Trực tuyến (Online Monitoring / Real-time Inference): Đóng gói mô hình Random Forest tối ưu vào ứng dụng di động gọn nhẹ chạy trên nền tảng Android, liên tục đọc luồng dữ liệu gia tốc thời gian thực thông qua cơ chế cửa sổ trượt có xếp chồng dữ liệu (Overlapping Sliding Window - OSW).

Quy trình nghiên cứu rigorous

  • Tiền xử lý và Lọc nhiễu: Dữ liệu gia tốc thu thập ở tần số 87Hz – 100Hz được truyền qua bộ lọc số thông thấp Butterworth bậc 4 với tần số cắt $f_c = 20\text{Hz}$ nhằm loại bỏ triệt để rung nhiễu cơ học tần số cao và nhiễu vi mạch cảm biến, đồng thời bảo toàn năng lượng dao động chuyển động của cơ thể người (vốn nằm trong dải $0,5\text{Hz} - 15\text{Hz}$).
  • Kỹ thuật Phân đoạn Tín hiệu (Data Windowing): Luận án tiến hành khảo nghiệm toàn diện các kích thước cửa số dữ liệu (Data Window Size - DWS) từ 32, 64, 128 đến 256 mẫu, kết hợp với các tỷ lệ xếp chồng (Data Overlapping Ratio - DOR) từ 0%, 20%, 50% đến 80%. Kết quả thực nghiệm xác lập cấu hình tối ưu tuyệt đối tại $\text{DWS} = 128\text{ mẫu}$ (tương đương khoảng 1,47 giây) và $\text{DOR} = 80%$ (bước trượt 0,29 giây), giúp hệ thống phản ứng tức thời với độ trễ phát hiện ngã dưới 300 mili-giây.
  • Tam giác hóa và Độ tin cậy (Reliability & Validity): Nghiên cứu thực hiện kiểm định chéo 10 phần (10-Fold Cross-Validation) lặp lại 50 lần trên toàn bộ tập dữ liệu, đảm bảo không có hiện tượng rò rỉ dữ liệu (Data Leakage) giữa tập huấn luyện và tập kiểm thử.
                     MA TRẬN NHẦM LẪN ĐA LỚP VÀ CÁC CHỈ SỐ ĐÁNH GIÁ
                                     Dự đoán (Predicted)
                               Positive (+)        Negative (-)
  Precision = TP / (TP + FP)                Recall = TP / (TP + FN)
  Specificity = TN / (TN + FP)              F1-score = 2·(Prec·Rec) / (Prec + Rec)
  MCC = (TP·TN - FP·FN) / √[(TP+FP)(TP+FN)(TN+FP)(TN+FN)]
  • Thước đo Đánh giá Hiệu năng Thống kê: Do dữ liệu ngã có đặc tính mất cân bằng tự nhiên nghiêm trọng, ngoài các chỉ số truyền thống như Độ chính xác toàn thể ($Accuracy$), Độ nhạy ($Recall/Sensitivity$), Độ đặc hiệu ($Specificity$), luận án coi Hệ số Tương quan Matthews ($MCC$) là thước đo chân thực nhất: $$\text{MCC} = \frac{\text{TP} \cdot \text{TN} - \text{FP} \cdot \text{FN}}{\sqrt{(\text{TP}+\text{FP})(\text{TP}+\text{FN})(\text{TN}+\text{FP})(\text{TN}+\text{FN})}}$$

Data và phân tích

  • Môi trường Thực nghiệm và Phần mềm: Toàn bộ thuật toán được cài đặt, tối ưu và kiểm thử trên ngôn ngữ lập trình Python 3.9, thư viện khoa học Scikit-Learn, NumPy, SciPy, kết hợp với môi trường khai phá dữ liệu Weka 3.8. Ứng dụng di động kiểm chứng thời gian thực được phát triển nguyên bản bằng Java/Kotlin trên nền tảng Android SDK.
  • Phân tích Thực nghiệm Mô hình Phân lớp: Luận án tiến hành so chuẩn song song 5 thuật toán học máy kinh điển: Máy vector hỗ trợ ($SVM$), $k$-Láng giềng gần nhất ($k\text{NN}$), Mạng nơ-ron nhân tạo ($ANN$), Cây quyết định $J48$ ($C4.5$), và Rừng ngẫu nhiên ($RF$).

Phát hiện đột phá và implications

                       HIỆU SUẤT ĐA LỚP TRÊN BỘ DỮ LIỆU MOBIACT V2.0

Những phát hiện then chốt

  1. Bộ đặc trưng $TFDHD$ tạo bước nhảy vọt về năng lực phân loại: Khi áp dụng trên cùng mô hình Random Forest, bộ đặc trưng đa miền $TFDHD$ (44 đặc trưng) nâng $F_1\text{-score}$ phân loại toàn diện lên 98,79% trên tập MobiAct v2.0 và 96,25% trên tập UP-Fall, vượt trội có ý nghĩa thống kê ($p < 0,001$) so với các bộ đặc trưng đơn miền thời gian (chỉ đạt $F_1 \approx 91,2%$) hay kết hợp thời gian - tần số truyền thống (đạt $F_1 \approx 94,6%$).
  2. Khả năng giải quyết nhầm lẫn kinh điển giữa Ngã và ADL chuyển đổi nhanh: Các hoạt động ngồi sụp xuống ghế (Sitting Down), cúi nhặt vật dụng (Bending), hay nằm nhanh xuống giường (Lying) thường tạo ra các đỉnh gia tốc tức thời rất lớn, dẫn đến tỷ lệ dương tính giả (False Positive) lên tới 18,5% ở các mô hình trước đây. Bằng việc bổ sung Tham số Định hướng ($DD$) và Tham số Hjorth ($HD$), tỷ lệ báo động giả trong luận án đã giảm xuống dưới 1,2%.
  3. Thuật toán $GA4RF$ vượt qua bẫy tối ưu cục bộ: Thuật toán $GA4RF$ đề xuất đã tự động tìm ra bộ siêu tham số tối ưu tuyệt đối: $n_estimators = 120$, $max_depth = 26$, $max_features = 8$, $min_samples_split = 2$, giúp mô hình tăng thêm 2,8% điểm $MCC$ so với cấu hình mặc định và rút ngắn 40% số thế hệ hội tụ so với giải thuật di truyền truyền thống dùng hàm thích nghi tuyến tính.
  4. Mô hình FEDM phát hiện hiệu quả sự kiện ngã chưa từng gán nhãn: Thử nghiệm với các kịch bản ngã bất thường chưa xuất hiện trong tập huấn luyện cho thấy mô hình FEDM dựa trên so lệch ngưỡng chuỗi ADL vẫn đạt độ nhạy ($Recall$) ấn tượng 94,18%, chứng minh tính khả thi đột phá cho các môi trường thực tế thiếu thốn dữ liệu ngã gán nhãn.

Implications đa chiều

  • Về mặt Lý thuyết: Khẳng định tính tất yếu của việc kết hợp đa miền biểu diễn trong xử lý chuỗi thời gian chuyển động, cung cấp bằng chứng thực nghiệm vững chắc cho lý thuyết học máy tập hợp trong bối cảnh dữ liệu y sinh mất cân bằng cao.
  • Về mặt Phương pháp luận: Cung cấp quy trình chuẩn hóa từ tiền xử lý, trích xuất đặc trưng hình thái Hjorth, đến thuật toán tiến hóa tối ưu siêu tham số, có thể chuyển giao trực tiếp cho các bài toán phân tích tín hiệu cảm biến sinh học khác như điện tâm đồ ($ECG$), điện cơ đồ ($EMG$), và theo dõi bệnh nhân Parkinson.
  • Về mặt Ứng dụng Thực tiễn: Mở đường cho việc thương mại hóa các ứng dụng y tế số (Digital Health) cá nhân hóa. Với dung lượng bộ nhớ yêu cầu dưới 15MB và mức tiêu thụ pin dưới 3,5% mỗi ngày, hệ thống có thể vận hành ngầm 24/7 trên mọi dòng điện thoại thông minh giá rẻ mà không làm gián đoạn trải nghiệm của người dùng cao tuổi.

Limitations và Future Research

Luận án thừa nhận một số giới hạn khoa học khách quan:

  1. Dữ liệu thực nghiệm từ người trẻ mô phỏng: Do rào cản đạo đức y sinh học và an toàn thân thể, dữ liệu ngã trong các bộ dữ liệu MobiAct v2.0 và UP-Fall được thu thập từ các tình nguyện viên trẻ tuổi khỏe mạnh thực hiện hành vi ngã mô phỏng trên đệm xốp. Động học ngã thực tế ở người già yếu suy giảm thể lực có thể có biên độ gia tốc và phản xạ tự vệ chậm hơn.
  2. Vị trí cố định thiết bị: Các thử nghiệm tập trung chủ yếu vào vị trí điện thoại đặt trong túi quần người dùng. Trong thực tế, thói quen mang thiết bị rất đa dạng (cầm tay, đeo cổ, để trong túi xách).
  3. Môi trường kết nối mạng: Hệ thống truyền tin cảnh báo phụ thuộc vào sóng viễn thông di động ($4G/5G/Wi-Fi$). Tại các vùng lõm sóng, việc gửi định vị GPS khẩn cấp có thể gặp độ trễ.

Chương trình nghiên cứu tiếp theo (Future Research Agenda):

  • Tích hợp kỹ thuật Học chuyển giao thích ứng (Adaptive Transfer Learning) và Mạng đối nghịch tạo sinh (GAN) để tự động hiệu chỉnh mô hình sang dữ liệu ngã thực tế của người cao tuổi.
  • Mở rộng kiến trúc $FEDM$ sang hệ sinh thái đồng hồ thông minh (Smartwatch/WearOS) kết hợp đo nhịp tim quang học ($PPG$) để phân tích đồng thời biến đổi sinh hiệu khi ngã.
  • Ứng dụng Học liên kết (Federated Learning) để cập nhật mô hình bảo mật trên hàng triệu thiết bị người dùng mà không cần tập trung hóa dữ liệu cá nhân.

Tác động và ảnh hưởng

  • Tác động Học thuật: Công trình đã công bố các kết quả nghiên cứu trọng tâm trên các tạp chí và kỷ yếu hội thảo khoa học chuyên ngành quốc tế uy tín (thuộc danh mục SCIE/Scopus, tiêu biểu như các công bố [CT1], [CT2], [CT3], [CT4], [CT5] được liệt kê trong luận án). Dự kiến công trình sẽ thu hút trích dẫn học thuật cao trong cộng đồng nghiên cứu Trí tuệ Nhân tạo Ứng dụng, Tin sinh học và Hệ thống Thông tin Y tế.
  • Chuyển dịch Công nghệ & Y tế Thông minh: Cung cấp giải pháp phần mềm lõi sẵn sàng chuyển giao cho các doanh nghiệp công nghệ phát triển giải pháp Chăm sóc Sức khỏe Thông minh (Smart Healthcare), Viện dưỡng lão và Bệnh viện Lão khoa.
  • Tác động Xã hội Sâu sắc: Nếu được triển khai diện rộng, giải pháp sẽ là công cụ trợ giúp đắc lực giảm thiểu hội chứng "nằm bất động trên sàn sau ngã" (Long-lie Period), hạ thấp tỷ lệ tử vong và tàn tật thứ phát ở người già, tiết kiệm hàng triệu USD chi phí cấp cứu và điều trị y tế cho gia đình và xã hội mỗi năm.

Đối tượng hưởng lợi

                                    ĐỐI TƯỢNG HƯỞNG LỢI

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?
    • Trả lời: Đóng góp độc đáo nhất là việc xây dựng thành công Không gian Đặc trưng Đa miền $TFDHD$ 44 chiều, lần đầu tiên dung hợp thành công các Tham số Biến thiên Tín hiệu Sinh học Hjorth ($Activity$, $Mobility$, $Complexity$) và Tham số Định hướng 3D không gian vào tín hiệu gia tốc cơ học, giải quyết dứt điểm điểm nghẽn thiếu hụt thông tin động học của hệ thống phát hiện ngã đơn cảm biến.
  2. Đột phá phương pháp luận so với các nghiên cứu quốc tế tương tự ra sao?
    • Trả lời: So với công trình của Chatzaki et al. (2017) (dùng $k\text{NN}$ trên 39 đặc trưng đa cảm biến) và Martinez-Villaseñor et al. (2019) (dùng $ANN$ trên 756 đặc trưng cồng kềnh), luận án sử dụng duy nhất cảm biến gia tốc, tinh lọc còn 44 đặc trưng sắc bén và giải thuật $GA4RF$ tiến hóa tối ưu hàm $Fitness$ logarit $NMCC$, nâng $F_1\text{-score}$ tổng thể lên 98,79% (vượt xa mức 71,79% và 96,8% của các tác giả tiền nhiệm).
  3. Phát hiện nào mang tính bất ngờ và phản trực giác nhất từ dữ liệu?
    • Trả lời: Việc tăng số lượng cảm biến (kết hợp gia tốc, con quay hồi chuyển, từ kế) hoặc gia tăng ồ ạt số lượng đặc trưng không gian (như 756 đặc trưng của Martinez-Villaseñor) không làm tăng độ chính xác phát hiện ngã mà còn gây suy giảm hiệu năng do hiện tượng "lời nguyền số chiều" (Curse of Dimensionality) và quá khớp cục bộ. Một cảm biến gia tốc duy nhất nếu được trích xuất đặc trưng đa miền sâu sắc sẽ cho hiệu quả vượt trội các hệ thống đa cảm biến phức tạp.
  4. Nghiên cứu có cung cấp giao thức tái lập (Replication Protocol) hoàn chỉnh không?
    • Trả lời: Có. Luận án mô tả chi tiết toàn bộ thông số bộ lọc (Butterworth bậc 4, $f_c = 20\text{Hz}$), kích thước cửa số ($\text{DWS} = 128$, $\text{DOR} = 80%$), công thức toán học tường minh cho từng đặc trưng, cấu trúc gen của thuật toán di truyền và xây dựng hoàn chỉnh ứng dụng thử nghiệm demo trên điện thoại di động (Phụ lục luận án).
  5. Chương trình nghiên cứu 10 năm tới được phác thảo như thế nào?
    • Trả lời: Lộ trình tập trung vào: (1) Tự động hóa phát hiện ngã không giám sát qua học sâu tạo sinh; (2) Tích hợp suy luận biên AI (Edge AI Microchips) trên thiết bị y tế đeo siêu nhỏ; (3) Mạng lưới cảnh báo y tế khẩn cấp toàn cầu phi tập trung kết nối bệnh viện và dịch vụ cấp cứu 115.

Kết luận

Luận án Tiến sĩ của NCS. Lê Hồng Lam đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra, mang lại 5 đóng góp cốt lõi:

  1. Thiết kế thành công Phương pháp trích rút đặc trưng đa miền $TFDHD$ (44 đặc trưng), kết hợp hài hòa miền thời gian, miền tần số, tham số định hướng không gian và tham số Hjorth, nâng cao vượt bậc năng lực phân tách mẫu vận động.
  2. Phát triển Giải thuật Di truyền Tối ưu $GA4RF$, sáng tạo cấu trúc nhiễm sắc thể đặc thù và hàm thích nghi phi tuyến logarit trên nền tảng $NMCC$, giải quyết triệt để bài toán tối ưu siêu tham số Random Forest trên dữ liệu ngã mất cân bằng cao.
  3. Đề xuất Kiến trúc Mô hình $FEDM$ Đa Cửa sổ ($sWS/LWS$), giải quyết thành công bài toán phát hiện bất thường vận động trong điều kiện dữ liệu ngã thực tế khó thu thập và gắn nhãn.
  4. Kiểm chứng thực nghiệm nghiêm ngặt trên hai bộ dữ liệu quốc tế lớn (MobiAct v2.0 và UP-Fall), xác lập kỷ lục hiệu năng vượt trội ($F_1 = 98,79%$, phát hiện ngã $95,23%$), vượt qua các mô hình học sâu đương đại như Res-TCN và CNN-LSTM.
  5. Hiện thực hóa thành công ứng dụng demo hoạt động thời gian thực trên Smartphone, chứng minh tính khả thi kinh tế - kỹ thuật tuyệt đối với chi phí 0 đồng cho phần cứng chuyên dụng.

Công trình tạo tiền đề vững chắc cho việc phổ cập hóa công nghệ giám sát y tế thông minh, góp phần bảo vệ sức khỏe và nâng cao chất lượng cuộc sống cho hàng triệu người cao tuổi trong kỷ nguyên già hóa dân số toàn cầu.