Tổng quan về luận án

Mạng không dây trên cơ thể sống (Wireless Body Area Network - WBAN) theo chuẩn IEEE 802.15.6 đóng vai trò hạ tầng công nghệ then chốt trong y tế thông minh (IoMT), chăm sóc sức khỏe từ xa và tác chiến hiện đại. Mạng kết nối các cảm biến sinh học đo điện tâm đồ (ECG), điện não đồ (EEG), huyết áp, nhịp tim và các cảm biến vận động với thiết bị điều phối trung tâm (HUB). Tuy nhiên, môi trường truyền thông vô tuyến trên cơ thể người đặt ra những thách thức vật lý khắc nghiệt: suy hao lan truyền lớn do mô sinh học hấp thụ bức xạ điện từ, hiện tượng che khuất (shadowing) nghiêm trọng với mức suy giảm công suất trung bình vượt quá $70\text{ dB}$ khi cơ thể vận động, cùng hiện tượng pha-đinh đa đường phức tạp.

+-----------------------------------------------------------------------------------+
|                        KHUNG PHÂN TÍCH TỔNG QUAN LUẬN ÁN                          |
+-----------------------------------------------------------------------------------+
|                                                                                   |
|   [Thách thức WBAN]        [Khoảng trống nghiên cứu]      [Giải pháp đột phá]     |
|   - Suy hao mô sinh học    - CSI phi lý tưởng             - SWAE-MIMO-RTN         |
|   - Che khuất > 70 dB      - Bộ tách tuyến tính hạn chế   - BWAE-MIMO-MMSEnet     |
|   - Năng lượng giới hạn    - Thiếu tối ưu hóa End-to-End  - AE-AF/DF Hợp tác      |
|                                                                                   |
+-----------------------------------------------------------------------------------+

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tế: các hệ sinh thái truyền dẫn đa ăng-ten (MIMO) và MIMO hợp tác truyền thống phụ thuộc hoàn toàn vào các khối xử lý tách rời (điều chế, mã hóa kênh, ước lượng kênh, tách tín hiệu tuyến tính ZF/MMSE hoặc phi tuyến MLD). Các thuật toán truyền thống này đòi hỏi thông tin trạng thái kênh hoàn hảo (perfect Channel State Information - CSI) và tiêu tốn tài nguyên tính toán lớn—điều bất khả thi trên các nút cảm biến sinh học giới hạn năng lượng và kích thước. Việc ứng dụng mạng nơ-ron học sâu dưới dạng bộ mã hóa tự động (Autoencoder - AE) nhằm tối ưu hóa đồng bộ toàn diện từ đầu-cuối (end-to-end) cho các liên kết MIMO và MIMO hợp tác trên kênh pha-đinh WBAN vẫn chưa được giải quyết thấu đáo.

Luận án "Nghiên cứu ứng dụng bộ mã hóa tự động (AE) nâng cao hiệu năng truyền thông của mạng không dây trên cơ thể sống (WBAN)" do NCS Bùi Thị Thanh Tâm thực hiện dưới sự hướng dẫn của GS. Trần Xuân Nam và TS. Phan Huy Anh tại Viện Khoa học và Công nghệ Quân sự đã thiết lập các câu hỏi và giả thuyết nghiên cứu cụ thể:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để thiết kế kiến trúc bộ mã hóa tự động tối ưu hóa đồng bộ chòm sao tín hiệu và thuật toán tách sóng cho hệ thống MIMO một chặng trên kênh pha-đinh WBAN?
  • Câu hỏi nghiên cứu 2 (RQ2): Cấu trúc bộ mã hóa tự động dán nhãn theo bit (Bit-Wise Autoencoder - BWAE) và dán nhãn theo symbol (Symbol-Wise Autoencoder - SWAE) kết hợp mạng biến đổi vô tuyến (Radio Transformer Network - RTN) và MMSEnet giải quyết xuyên nhiễu đồng kênh (CCI) như thế nào?
  • Câu hỏi nghiên cứu 3 (RQ3): Mô hình MIMO hợp tác hai chặng khuếch đại - chuyển tiếp (AE-AF) và giải mã - chuyển tiếp (AE-DF) có khả năng duy trì phẩm chất truyền dẫn ra sao trong điều kiện che khuất hoàn toàn đường truyền trực tiếp và sai số ước lượng kênh ($\sigma_E^2$)?
  • Giả thuyết nghiên cứu 1 (H1): Kiến trúc BWAE-MIMO kết hợp tầng tách tín hiệu học sâu MMSEnet sẽ đạt được phẩm chất tỷ số lỗi bit (Bit Error Rate - BER) vượt trội so với các hệ thống MIMO-MMSE truyền thống trên cùng cấu hình ăng-ten $N_t \times N_r$.
  • Giả thuyết nghiên cứu 2 (H2): Hệ thống MIMO hợp tác AE-DF sử dụng bộ kết hợp nơ-ron có khả năng chống chịu suy thoái hiệu năng do thông tin trạng thái kênh không hoàn hảo (imperfect CSI) tốt hơn đáng kể so với phương pháp DF-MMSE kinh điển.

Khung lý thuyết của luận án tích hợp chặt chẽ lý thuyết truyền thông vô tuyến hiện đại, lý thuyết phân tập không gian MIMO, mô hình kênh sinh học WBAN (chuẩn IEEE 802.15.6) và lý thuyết học sâu biểu diễn tín hiệu từ đầu-cuối (End-to-End Deep Learning Communications). Phạm vi nghiên cứu tập trung vào lớp vật lý (PHY layer) cho các liên kết truyền thông băng hẹp tại dải tần ISM $2{,}45\text{ GHz}$, khảo sát trên các cấu hình ăng-ten đa dạng ($N = 2, 3, 4, 8$) dưới mô hình kênh pha-đinh Rayleigh và Ricean.

Literature Review và Positioning

Nghiên cứu truyền thông vô tuyến trên cơ thể người khởi nguồn từ công trình nền tảng của Zimmermann (1996) về Human Body Communication (HBC) và được chuẩn hóa thông qua chuẩn IEEE 802.15.6 (2012). Các công trình thực nghiệm của Fort và cộng sự (2006), Cotton và cộng sự (2009), Smith và cộng sự (2013) đã định hình các mô hình kênh suy hao lan truyền Friis, suy hao bão hòa (saturation path loss) và phân bố thống kê pha-đinh (Rice, Rayleigh, Nakagami-$m$, Lognormal).

+------------------------------------------------------------------------------------+
|                         BẢN ĐỒ TIẾP NỐI VÀ ĐỊNH VỊ HỌC THUẬT                      |
+------------------------------------------------------------------------------------+
|                                                                                    |
|   Fort et al. (2006)         Cotton et al. (2009)       O'Shea & Hoydis (2017)     |
|   [Mô hình kênh Rice/        [Pha-đinh & che khuất      [Học sâu End-to-End cho    |
|    Rayleigh thực nghiệm]      trong WBAN phức tạp]       kênh AWGN/SISO đơn giản]  |
|                       LUẬN ÁN BÙI THỊ THANH TÂM (2024)                             |
|         - Kiến trúc SWAE / BWAE cho MIMO ghép kênh không gian                      |
|         - Khung hợp tác AE-AF / AE-DF tối ưu hóa hai pha                           |
|         - Bộ tách sóng nơ-ron RTN & MMSEnet kháng sai số CSI                       |
|                                                                                    |
+------------------------------------------------------------------------------------+

Trong dòng nghiên cứu tối ưu hóa lớp vật lý WBAN, hai luồng quan điểm lớn tồn tại song song:

  1. Luồng tiếp cận mô hình hóa kinh điển (Model-driven): Các tác giả như Khan và cộng sự (2012), Meng và cộng sự (2016) áp dụng các kỹ thuật đa ăng-ten MIMO $2 \times 2$ sử dụng ăng-ten PIFA và kỹ thuật hợp tác chuyển tiếp (AF/DF) với bộ kết hợp tỷ số cực đại (MRC) hoặc kết hợp lựa chọn (SC). Luồng quan điểm này tối ưu trên các giả định kênh lý tưởng nhưng bộc lộ sự suy giảm hiệu năng nghiêm trọng khi kênh biến đổi phi tuyến do cử động sinh học.
  2. Luồng tiếp cận dựa trên dữ liệu và học máy (Data-driven): Kể từ nghiên cứu đột phá của O'Shea và Hoydis (2017) chứng minh khả năng thay thế toàn bộ hệ thống phát-thu bằng một bộ mã hóa tự động (Autoencoder) trên kênh AWGN, nhiều công trình đã mở rộng sang ước lượng kênh (He et al., 2018), giải mã nơ-ron (Nachmani et al., 2018) và tách tín hiệu MIMO qua mạng DetNet (Samuel et al., 2019), OAMP-Net2 (He et al., 2020).

Tuy nhiên, các nghiên cứu học sâu quốc tế hầu như chỉ khảo sát trên kênh AWGN hoặc pha-đinh Rayleigh khối độc lập trong truyền thông mạng tế bào, chưa tính toán đến tính chất đặc thù của WBAN. So sánh trực tiếp với nghiên cứu của O'Shea & Hoydis (2017) (vốn dừng lại ở hệ thống SISO/AWGN) và nghiên cứu của Fort et al. (2006) (chỉ thuần túy đo đạc thực nghiệm thống kê mà không đề xuất giải pháp tối ưu hóa PHY), luận án của Bùi Thị Thanh Tâm đã định vị chính xác điểm giao thoa: Xây dựng khung truyền dẫn học sâu từ đầu-cuối hoàn chỉnh cho hệ thống MIMO và MIMO hợp tác thích ứng trực tiếp với đặc tính phân bố pha-đinh WBAN.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng lý thuyết dung lượng kênh MIMO của Telatar và Foschini sang không gian biểu diễn học sâu không giám sát/bán giám sát trên các kênh truyền dẫn sinh học. Cụ thể:

  • Tái cấu trúc mô hình mã hóa - giải mã tín hiệu vô tuyến: Thay vì sử dụng các chòm sao trực giao cố định (BPSK, QPSK, $M$-QAM) và các bộ giải mã giải tích, hệ thống học được không gian biểu diễn tín hiệu liên tục thông qua ánh xạ phi tuyến nhiều lớp, tự động tối ưu hóa khoảng cách Euclidean giữa các điểm chòm sao tín hiệu trên từng ăng-ten phát dưới ràng buộc công suất phát trung bình $P_T$.
  • Mở rộng lý thuyết truyền thông hợp tác hai chặng: Chứng minh về mặt giải tích và thực nghiệm nơ-ron rằng việc liên kết hàm mất mát (loss function) từ nguồn (TxS), nút chuyển tiếp (Relay) đến nút đích (RxD) cho phép mạng hội tụ về trạng thái tối ưu hóa toàn cục, triệt tiêu hiện tượng khuếch đại tạp âm của phương pháp AF truyền thống và hạn chế hiện tượng lan truyền lỗi giải mã của phương pháp DF truyền thống.
+------------------------------------------------------------------------------------+
|                      CƠ CHẾ ÁNH XẠ VÀ PHÂN TÁCH KHÔNG GIAN BWAE                    |
+------------------------------------------------------------------------------------+
|                                                                                    |
|  Chuỗi bit nhị phân: s = [b_1, b_2, ..., b_k]                                      |
|  | Bộ mã hóa Nơ-ron (Transmitter Encoder Layers)      |                             |
|  Véc-tơ phát: x_c = [x_{c,1}, x_{c,2}, ..., x_{c,N_t}]^T                           |
|  Ràng buộc công suất: E{||x_c||_2^2} <= P_T                                        |
|  Kênh WBAN: y_c = H_c * x_c + z_c  (Pha-đinh Rayleigh / Che khuất)                 |
|  | Bộ giải mã / Tách sóng Nơ-ron (RTN / MMSEnet)     |                             |
|  Tái tạo chuỗi bit ước lượng: s_hat = Q{g_φ(y_c)}                                  |
|                                                                                    |
+------------------------------------------------------------------------------------+

Khung phân tích độc đáo

Luận án thiết lập 4 kiến trúc phân tích đột phá:

  1. Hệ thống SWAE-MIMO-RTN: Mô hình mã hóa tự động dán nhãn theo symbol (Symbol-Wise Autoencoder), biểu diễn tập bản tin qua véc-tơ one-hot, kết hợp bộ tách sóng Radio Transformer Network (RTN) có khả năng tự động học ma trận biến đổi không gian để hiệu chỉnh pha và biên độ bị méo do kênh $H_c$.
  2. Hệ thống BWAE-MIMO-MMSE / MMSEnet: Mô hình dán nhãn theo bit (Bit-Wise Autoencoder) giải quyết triệt để sự bùng nổ số chiều tính toán của SWAE khi số lượng bit $k$ và số ăng-ten $N_t$ tăng cao. Kiến trúc tích hợp bộ tách sóng tối ưu MMSEnet dựa trên kỹ thuật mở rộng mạng lặp (deep unfolding) từ thuật toán giải tích MMSE kinh điển.
  3. Khung truyền dẫn AE-AF (Amplify-and-Forward Autoencoder): Hệ thống chuyển tiếp khuếch đại hai khe thời gian, tại đó nút đích kết hợp tín hiệu từ đường trực tiếp ($y_1^c = H_{sd}^c x^c + z_{d,1}^c$) và đường chuyển tiếp ($y_2^c = H_{rd}^c f(y_{sr}^c) + z_{d,2}^c$) thông qua bộ kết hợp RTN đa tầng.
  4. Khung truyền dẫn AE-DF (Decode-and-Forward Autoencoder): Hệ thống chuyển tiếp giải mã nơ-ron hai pha, cho phép nút chuyển tiếp giải mã mềm và tái mã hóa thông minh trước khi phát tiếp về đích, tối ưu hóa qua hàm mất mát entropy chéo nhị phân toàn diện.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng hậu hiện đại (post-positivism), kết hợp chặt chẽ giữa suy diễn toán học giải tích xác suất và mô phỏng Monte-Carlo số lượng lớn kiểm chứng thực nghiệm.

+-----------------------------------------------------------------------------------+
|                        MA TRẬN THIẾT KẾ THỰC NGHIỆM VÀ PHÂN TÍCH                  |
+-----------------------------------------------------------------------------------+
| Mức độ khảo sát      | Thông số cấu hình              | Phương pháp đánh giá      |
+----------------------+--------------------------------+---------------------------+
| Nút cảm biến (TxS)   | N_t = 2, 3, 4, 8               | Ràng buộc công suất P_T   |
| Nút chuyển tiếp (R)  | N_r = 2, 3, 4 (AF / DF)        | Khuếch đại / Tái tạo mềm  |
| Nút đích (HUB/RxD)   | N_d = 2, 3, 4, 8               | RTN / MMSE / MMSEnet      |
| Kênh truyền sinh học | Rayleigh, Rice (K = 1.82..316) | Tiêu chuẩn AIC, BIC       |
| Sai số ước lượng CSI | sigma_E^2 = 0.000, 0.005, 0.01 | Đánh giá độ bền vững      |
+----------------------+--------------------------------+---------------------------+

Độ phức tạp của phương pháp nghiên cứu thể hiện qua việc mô hình hóa kênh truyền $H_c \in \mathbb{C}^{N_r \times N_t}$ dưới dạng một lớp hàm nơ-ron không có trọng số học (non-trainable custom layer) nhưng cho phép đạo hàm và lan truyền ngược gradient (backpropagation) thông qua toán tử biến đổi tín hiệu số phức sang số thực: $$\tilde{y} = \tilde{H}\tilde{x} + \tilde{z} \iff \begin{bmatrix} \text{Re}(y_c) \ \text{Im}(y_c) \end{bmatrix} = \begin{bmatrix} \text{Re}(H_c) & -\text{Im}(H_c) \ \text{Im}(H_c) & \text{Re}(H_c) \end{bmatrix} \begin{bmatrix} \text{Re}(x_c) \ \text{Im}(x_c) \end{bmatrix} + \begin{bmatrix} \text{Re}(z_c) \ \text{Im}(z_c) \end{bmatrix}$$

Quy trình nghiên cứu rigorous

Quá trình thu thập và xử lý dữ liệu huấn luyện được chuẩn hóa nghiêm ngặt:

  • Tập dữ liệu huấn luyện (Training Set): Sinh ngẫu nhiên hàng triệu khối bit độc lập đồng phân phối (i.i.d), chuẩn hóa công suất phát $E{|x_c|^2_2} \le P_T = 1$.
  • Hàm mất mát (Loss Functions):
    • Đối với hệ thống dán nhãn symbol (SWAE): Sử dụng Categorical Cross-Entropy (CCE): $$\mathcal{L}{CCE} = -\sum{m=1}^{M} s_m \log(\hat{s}_m)$$
    • Đối với hệ thống dán nhãn bit (BWAE, AE-AF, AE-DF): Sử dụng Binary Cross-Entropy (BCE): $$\mathcal{L}{BCE} = -\frac{1}{k}\sum{j=1}^{k} \left[ b_j \log(\hat{b}_j) + (1 - b_j)\log(1 - \hat{b}_j) \right]$$
  • Độ tin cậy và kiểm chuẩn mô hình: Mô hình kênh được đối sánh độ khớp (Goodness-of-fit) thông qua tiêu chuẩn thông tin Akaike ($\text{AIC}$) và tiêu chuẩn Bayes ($\text{BIC}$), xác nhận mô hình kênh Rayleigh phù hợp nhất cho liên kết WBAN khoảng cách $> 35\text{ cm}$ ($\Delta_{\text{Rayleigh}} = 0{,}4 - 0{,}6$ so với $\Delta_{\text{Lognormal}} > 10$).
+-----------------------------------------------------------------------------------+
|                     QUY TRÌNH HUẤN LUYỆN HAI PHA CHO HỆ THỐNG AE-DF               |
+-----------------------------------------------------------------------------------+
|                                                                                   |
|  [Pha 1: Huấn luyện liên kết Nguồn - Chuyển tiếp]                                 |
|  Tối ưu hóa tham số {θ_TxS, φ_RxR} qua hàm tổn thất L_BCE(s, s_hat_R)             |
|                                                                                   |
|  [Pha 2: Huấn luyện liên kết Chuyển tiếp - Đích & Kết hợp toàn diện]              |
|  Cố định {θ_TxS}, tối ưu hóa {θ_TxR, φ_RxD} qua L_BCE(s, s_hat_D)                |
|                                                                                   |
+-----------------------------------------------------------------------------------+

Data và phân tích

Toàn bộ hệ thống được xây dựng và mô phỏng trên nền tảng Python (TensorFlow/Keras) kết hợp MATLAB.

  • Mạng FNN sâu gồm các lớp Fully-Connected với hàm kích hoạt ELU (Exponential Linear Unit) và ReLU, lớp đầu ra sử dụng hàm Softmax (cho phân loại symbol) hoặc Sigmoid (cho ước lượng bit xác suất).
  • Thuật toán tối ưu: Adam (Adaptive Moment Estimation) với tốc độ học $\eta \in [10^{-4}, 10^{-3}]$, kích thước batch size từ $256$ đến $1024$.
  • Kiểm tra độ bền vững (Robustness checks): Khảo sát chi tiết ảnh hưởng của sai số thông tin trạng thái kênh với mô hình kênh thực tế: $$\hat{H}_c = H_c + E_c$$ với các phần tử của ma trận sai số $E_c \sim \mathcal{CN}(0, \sigma_E^2)$, khảo sát tại $\sigma_E^2 \in {0{,}005; 0{,}01}$ và mô hình sai số phụ thuộc SNR: $\sigma_E^2 = \frac{1}{1 + \text{SNR}}$.

Phát hiện đột phá và implications

Những phát hiện then chốt

+-----------------------------------------------------------------------------------+
|                    BẢNG TỔNG HỢP CÁC PHÁT HIỆN ĐỘT PHÁ CỦA LUẬN ÁN               |
+-----------------------------------------------------------------------------------+
| Phát hiện        | Hệ thống đề xuất    | Đối chứng truyền thống | Kết quả định lượng      |
+------------------+---------------------+------------------------+-------------------------+
| Triệt nhiễu CCI  | BWAE-MIMO-MMSEnet   | MIMO-MMSE (QPSK)       | Tăng ích SNR 3 - 5 dB   |
| Tự tối ưu chòm sao| SWAE/BWAE Encoder   | Chòm sao vuông chuẩn   | Biến dạng hình học tối ưu|
| Kháng sai số CSI | AE-DF-MMSEnet (L=4) | DF-MMSE (Lý thuyết)    | Duy trì BER tại σ_E^2=0.01|
| Vượt che khuất   | AE-AF/DF Đa chuyển  | Liên kết trực tiếp NLOS| Phục hồi BER tại >70 dB |
+-----------------------------------------------------------------------------------+
  1. Khả năng triệt xuyên nhiễu đồng kênh (CCI) vượt bậc của BWAE-MIMO-MMSEnet: Kết quả mô phỏng khẳng định hệ thống BWAE-MIMO sử dụng bộ tách sóng nơ-ron MMSEnet đạt phẩm chất BER vượt trội so với hệ thống MIMO truyền thống sử dụng điều chế QPSK và bộ tách MMSE. Tại giá trị $\text{BER} = 10^{-3}$, hệ thống đề xuất mang lại độ lợi công suất (SNR gain) từ $3\text{ dB}$ đến $5\text{ dB}$ trên cấu hình $4 \times 4$.
  2. Hiện tượng tự tạo hình chòm sao tín hiệu (Constellation Shaping): Bộ mã hóa nơ-ron tự động học được cấu trúc phân bố chòm sao tín hiệu phi hình học (geometric shaping) trên từng nhánh ăng-ten phát, tối đa hóa năng lượng truyền dẫn và khả năng phân biệt tại máy thu, loại bỏ hoàn toàn yêu cầu phải thiết kế các bộ điều chế $M$-QAM/MPSK thủ công.
  3. Tính bền vững cao trước thông tin kênh không hoàn hảo (Imperfect CSI): Hệ thống AE-DF-MMSEnet với số lớp mở rộng $L = 4$ duy trì đường cong BER gần như không suy giảm khi phương sai sai số kênh tăng từ $\sigma_E^2 = 0{,}005$ lên $\sigma_E^2 = 0{,}01$, trong khi hệ thống DF-MMSE kinh điển bị sàn lỗi (error floor) ở vùng SNR cao.
  4. Hóa giải hoàn toàn hiện tượng che khuất sâu bằng MIMO hợp tác: Trong tình huống cơ thể che khuất hoàn toàn đường truyền trực tiếp ($H_{sd} = 0$, suy hao $> 70\text{ dB}$), hệ thống AE-AF và AE-DF thông qua $L_R = 1, 2, 3$ nút chuyển tiếp trang bị bộ kết hợp RTN giúp khôi phục liên kết truyền thông, đạt được độ lợi phân tập toàn phần (full diversity order).
+-----------------------------------------------------------------------------------+
|                  SO SÁNH ĐẶC TÍNH BER GIỮA AE-DF VÀ PHƯƠNG PHÁP CỔ ĐIỂN           |
+-----------------------------------------------------------------------------------+
| BER                                                                               |
| 10^0 +                                                                            |
|      | \                                                                          |
| 10^-1+   \                                                                        |
|      |     \       --- DF-MMSE Truyền thống (Bị sàn lỗi khi CSI sai số)          |
|      |         \                                                                  |
| 10^-3+          \---\                                                             |
|      |               \---\                                                        |
|      |                             \                                              |
| 10^-5+------------------------------\--------------------+                        |
|      0       5       10      15      20      25     30  SNR (dB)                  |
+-----------------------------------------------------------------------------------+

Implications đa chiều

  • Về mặt lý thuyết: Chứng minh tính khả thi và ưu việt của mô hình "Giao thức truyền thông tự học" (Self-learning PHY protocol), mở rộng biên giới của lý thuyết thông tin Shannon trong môi trường truyền dẫn sinh học phức tạp.
  • Về mặt phương pháp luận: Cung cấp phương pháp tích hợp sâu (deep unfolding) giữa thuật toán giải tích cổ điển (MMSE) với kiến trúc nơ-ron sâu (MMSEnet), tạo tiền lệ phương pháp luận cho việc thiết kế các khối thu phát vô tuyến lai (hybrid model-data driven).
  • Về mặt ứng dụng thực tiễn: Cho phép kéo dài tuổi thọ pin của các nút cảm biến sinh học WBAN do tiết kiệm công suất phát từ $3 - 5\text{ dB}$, đồng thời đảm bảo an toàn bức xạ sinh học nhờ giảm chỉ số hấp thụ riêng (SAR).
  • Về chính sách và tiêu chuẩn: Cung cấp bằng chứng kỹ thuật quan trọng phục vụ các ủy ban tiêu chuẩn hóa (như IEEE 802.15 TG6) trong việc tích hợp các giao thức nơ-ron học sâu vào các thế hệ tiêu chuẩn WBAN tiếp theo.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Giả định kênh truyền pha-đinh phẳng (Flat Fading): Toàn bộ mô hình được khảo sát trên kênh pha-đinh phẳng băng hẹp; chưa tính toán toàn diện hiệu ứng tán xạ chọn lọc tần số (Frequency-Selective Fading) xuất hiện trong các kênh băng siêu rộng (UWB).
  2. Độ phức tạp phần cứng khi triển khai thực tế: Các mạng nơ-ron sâu đòi hỏi các phép toán nhân ma trận liên tục, có thể gây áp lực lên các vi điều khiển năng lượng cực thấp (Ultra-low power MCU) trên nút cảm biến cấy ghép.
  3. Mô hình di động sinh học thời gian thực: Nghiên cứu sử dụng phân bố thống kê kênh cố định cho từng đợt truyền; chưa tích hợp các mô hình chuỗi thời gian nơ-ron hồi quy (RNN/LSTM) để thích ứng với sự thay đổi kênh liên tục theo từng bước chạy của người dùng.
+-----------------------------------------------------------------------------------+
|                       ĐỊNH HƯỚNG NGHIÊN CỨU 10 NĂM TỚI                            |
+-----------------------------------------------------------------------------------+
|                                                                                   |
|  [2024 - 2026]  Phần cứng hóa FPGA/ASIC, Lượng tử hóa mạng nơ-ron (TinyML)        |
|  [2026 - 2029]  Mở rộng kênh băng rộng UWB, Tích hợp RIS / Meta-surface sinh học  |
|  [2029 - 2034]  Học liên kết (Federated Learning) cho mạng WBAN bảo mật lượng tử  |
|                                                                                   |
+-----------------------------------------------------------------------------------+

Chương trình nghiên cứu tiếp nối bao gồm 5 hướng đi:

  • Hướng 1: Tối ưu hóa phần cứng và lượng tử hóa mô hình (TinyML/Quantization) để nạp các bộ nơ-ron AE lên chip nhúng FPGA/ASIC công suất micro-Watt.
  • Hướng 2: Mở rộng kiến trúc BWAE-MIMO cho các kênh băng rộng chọn lọc tần số UWB sử dụng kỹ thuật ghép kênh phân chia theo tần số trực giao (OFDM).
  • Hướng 3: Ứng dụng bề mặt phản xạ thông minh (Reconfigurable Intelligent Surfaces - RIS) gắn trên trang phục để định hình kênh WBAN chủ động.
  • Hướng 4: Kết hợp mạng Transformer vô tuyến thế hệ mới với kỹ thuật học liên kết (Federated Learning) để bảo vệ quyền riêng tư dữ liệu bệnh nhân.
  • Hướng 5: Đánh giá thực nghiệm lâm sàng trên cơ thể người thật trong môi trường tác chiến và buồng bệnh đa nguồn nhiễu.

Tác động và ảnh hưởng

  • Ảnh hưởng học thuật (Academic Impact): Dự kiến thu hút lượng trích dẫn học thuật cao trong cộng đồng nghiên cứu IEEE Communications Society, IEEE Transactions on Wireless Communications và IEEE Journal of Biomedical and Health Informatics, mở ra phân ngành nghiên cứu chuyên sâu về "Học sâu lớp vật lý cho mạng y sinh".
  • Chuyển đổi công nghiệp y tế (Healthcare Industry Transformation): Thúc đẩy các tập đoàn thiết bị y tế (Medtronic, Abbott, GE Healthcare) phát triển các thế hệ máy tạo nhịp tim, máy bơm insulin tự động và viên nang nội soi truyền hình ảnh siêu nét với mức tiêu thụ pin giảm $40%$.
  • Hiện đại hóa quốc phòng (Defense Modernization): Ứng dụng trực tiếp vào hệ thống giám sát quân trang chiến sĩ số hóa, truyền dữ liệu sinh tồn của bộ đội theo thời gian thực về sở chỉ huy trong môi trường tác chiến điện tử phức tạp mà không bị phát hiện hoặc gây can nhiễu.
  • Lợi ích xã hội (Societal Benefits): Giảm thiểu chi phí chăm sóc y tế thông qua hệ thống theo dõi người cao tuổi tại nhà, cảnh báo sớm đột quỵ và nhồi máu cơ tim với độ tin cậy kết nối gần như tuyệt đối ($99{,}999%$).

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
|                         CƠ CẤU ĐỐI TƯỢNG HƯỞNG LỢI TRỰC TIẾP                       |
+------------------------------------------------------------------------------------+
| Nghiên cứu sinh & Nhà khoa học | Tiếp cận khung lý thuyết AE-MIMO, các hướng nghiên|
|                                | cứu mở về AI-Native Physical Layer Communications.|
+--------------------------------+---------------------------------------------------+
| Kỹ sư R&D Thiết bị Y tế / IoT  | Ứng dụng thuật toán MMSEnet & RTN vào firmware    |
|                                | của các thiết bị đeo và cấy ghép sinh học.        |
+--------------------------------+---------------------------------------------------+
| Lực lượng Quốc phòng & An ninh | Sở hữu giải pháp mạng cảm biến chiến thuật tin cậy,|
|                                | bảo mật cao, hoạt động bền bỉ trong môi trường hầm.|
+--------------------------------+---------------------------------------------------+
| Bệnh nhân & Hệ thống Y tế      | Hưởng lợi từ dịch vụ khám chữa bệnh từ xa ổn định,|
|                                | thiết bị đeo nhỏ gọn, pin kéo dài nhiều tháng.    |
+--------------------------------+---------------------------------------------------+

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là khung tối ưu hóa đầu-cuối đồng thời cho hệ thống MIMO hợp tác đa nút dựa trên Autoencoder (AE-AF và AE-DF), mở rộng trực tiếp lý thuyết biểu diễn thông tin lớp vật lý vô tuyến của O'Shea & Hoydis (2017) và lý thuyết truyền thông hợp tác của Laneman et al. (2004). Luận án đã giải quyết thành công bài toán tối ưu phi tuyến không lồi trên kênh sinh học ngẫu nhiên bằng cách nhúng thuật toán giải tích MMSE vào mạng nơ-ron mở rộng (deep unfolding MMSEnet).

2. Sự đổi mới về phương pháp luận so với ít nhất 2 nghiên cứu quốc tế tiền nhiệm?

  • So với Samuel et al. (2019) (mạng DetNet cho MIMO cổ điển): Luận án không chỉ dừng lại ở việc thiết kế bộ tách sóng nơ-ron tại máy thu mà thiết kế đồng bộ từ bộ phát (tự học chòm sao phát) đến bộ thu qua kênh WBAN.
  • So với Zhang et al. (2011) (truyền thông hợp tác WBAN truyền thống): Luận án thay thế các giao thức chuyển đổi cứng nhắc bằng cơ chế học tham số liên tục, giúp nút chuyển tiếp tự thích nghi với suy hao che khuất $> 70\text{ dB}$ mà không cần tái cấu hình giao thức MAC phức tạp.

3. Phát hiện gây bất ngờ nhất về mặt dữ liệu thực nghiệm là gì?

Phát hiện bất ngờ nhất là chòm sao tín hiệu tự học của bộ mã hóa BWAE không tuân theo bất kỳ cấu trúc hình học trực giao truyền thống nào (như lưới vuông của 16-QAM hay đường tròn của 8-PSK). Các điểm tín hiệu tự động phân bố lệch tâm và co cụm phi đối xứng nhằm tối đa hóa khoảng cách Euclid trung thực sau khi đi qua ma trận kênh truyền suy biến $H_c$, giúp triệt tiêu hoàn toàn nhiễu đồng kênh CCI ngay từ khâu phát.

4. Giao thức tái lập nghiên cứu (Replication Protocol) có được cung cấp rõ ràng không?

Luận án cung cấp đầy đủ và chi tiết toàn bộ tham số kiến trúc mạng: số lớp fully-connected, kích thước nơ-ron từng tầng, các hàm kích hoạt (ELU, ReLU, Sigmoid, Softmax), tốc độ học Adam $\eta = 0{,}001$, hàm tổn thất BCE/CCE, cùng quy trình huấn luyện hai pha chuẩn xác, đảm bảo khả năng tái lập kết quả mô phỏng $100%$ trên môi trường TensorFlow và MATLAB.

5. Kế hoạch nghiên cứu 10 năm được phác thảo như thế nào?

Lộ trình 10 năm chuyển dịch từ Mô phỏng phần mềm (2024) $\to$ Hiện thực hóa vi mạch phần cứng TinyML/ASIC công suất cực thấp (2026) $\to$ Tích hợp với bề mặt phản xạ thông minh RIS và mạng WBAN thế hệ 6G (2030) $\to$ Mạng y tế sinh học tự chủ toàn diện hỗ trợ điện toán lượng tử (2034).

Kết luận

  1. Thiết lập thành công hệ thống SWAE-MIMO và BWAE-MIMO: Hiện thực hóa giải pháp truyền thông đa ăng-ten từ đầu-cuối tối ưu cho WBAN, giải quyết triệt để sự bùng nổ số chiều tính toán bằng kiến trúc dán nhãn theo bit kết hợp bộ tách sóng nơ-ron RTN và MMSEnet.
  2. Đột phá trong truyền thông MIMO hợp tác: Đề xuất và chứng minh tính ưu việt của hai hệ thống AE-AF và AE-DF hai chặng, mang lại độ lợi SNR vượt trội từ $3\text{ dB}$ đến $5\text{ dB}$ so với phương pháp DF-MMSE truyền thống.
  3. Khắc phục hoàn toàn hiện tượng che khuất sâu: Cung cấp giải pháp kết hợp nơ-ron đa chuyển tiếp hóa giải tình trạng mất tín hiệu do cử động cơ thể (suy hao $> 70\text{ dB}$).
  4. Chứng minh tính bền vững trước sai số kênh: Hệ thống đề xuất duy trì phẩm chất truyền dẫn ổn định ngay cả khi thông tin trạng thái kênh bị sai lệch ($\sigma_E^2 = 0{,}01$).
  5. Mở ra kỷ nguyên AI-Native cho mạng WBAN: Đặt nền móng vững chắc cho việc chuyển dịch từ các khối thu phát truyền thống sang kiến trúc nơ-ron tự học toàn diện trên các thiết bị y tế và quân sự tương lai.