Tổng quan nghiên cứu

Các nghiên cứu y học hiện đại chỉ ra rằng việc duy trì hoạt động thể chất đều đặn giúp giảm tới 50% nguy cơ mắc các bệnh lý tim mạch nguy hiểm và nâng cao chất lượng cuộc sống. Trong bối cảnh tốc độ già hóa dân số tăng nhanh cùng gánh nặng chi phí y tế cộng đồng ngày càng lớn, nhu cầu theo dõi và nhận biết hành vi vận động hàng ngày của con người trở nên cấp thiết hơn bao giờ hết. Các phương pháp giám sát truyền thống dựa trên hệ thống ghi hình video kết hợp cảm biến áp lực thường cồng kềnh, chi phí tốn kém, xâm phạm quyền riêng tư và chỉ có thể thực hiện trong không gian phòng thí nghiệm hạn hẹp.

Nhằm giải quyết triệt để rào cản này, nghiên cứu của tác giả Đỗ Văn Thìn, dưới sự hướng dẫn của Phó Giáo sư Tiến sĩ Nguyễn Hải Châu tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội vào năm 2016, đã tập trung khai thác dữ liệu từ các cảm biến quán tính tích hợp sẵn trên điện thoại thông minh để tự động nhận dạng hành vi người dùng. Mục tiêu cụ thể của luận văn là xây dựng quy trình thu thập tín hiệu gia tốc 3 chiều, tiền xử lý và trích chọn đặc trưng, sau đó ứng dụng các thuật toán học máy phân lớp để tự động phân biệt 6 trạng thái sinh hoạt thường nhật cơ bản.

Phạm vi nghiên cứu tập trung vào việc xử lý dữ liệu cảm biến quán tính thu thập từ thiết bị di động đeo ở vị trí thắt lưng với tần số lấy mẫu cố định 50 Hz. Đóng góp nổi bật của công trình là chứng minh tính khả thi của việc sử dụng một thiết bị di động duy nhất để nhận dạng hành vi với độ chính xác đạt từ 85% đến 95%, tạo tiền đề vững chắc cho việc phát triển các ứng dụng y tế từ xa, giám sát người cao tuổi và chăm sóc sức khỏe thông minh trong thời gian thực.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết học máy có giám sát, kết hợp chặt chẽ với các nguyên lý xử lý tín hiệu số và lý thuyết nhận biết ngữ cảnh trong lĩnh vực điện toán phổ quát. Ba khái niệm cốt lõi làm nền tảng cho toàn bộ luận văn bao gồm: hoạt động sinh hoạt thường ngày (Activities of Daily Living - ADL), bài toán phân lớp dữ liệu (Data Classification) và trích chọn đặc trưng đa miền (Feature Extraction). Quá trình phân lớp được định nghĩa là việc xây dựng một mô hình toán học nhằm ánh xạ các véc-tơ thuộc tính đầu vào thành các nhãn lớp hành vi rời rạc đã xác định từ trước.

Khung lý thuyết của đề tài đối chiếu và phân tích 4 mô hình học máy kinh điển: Cây quyết định (Decision Tree - điển hình là giải thuật J48), Máy học véc-tơ hỗ trợ (Support Vector Machines - SVM), Thuật toán K-láng giềng gần nhất (k-Nearest Neighbors - k-NN) và Mạng Bayes ngây thơ (Naive Bayes). Trong đó, thuật toán SVM tập trung vào việc tìm kiếm siêu phẳng tối ưu nhằm tối đa hóa khoảng cách biên giữa các lớp dữ liệu trong không gian đa chiều, giúp hạn chế tối đa sai số tổng quát hóa. Ngược lại, cây quyết định J48 hoạt động dựa trên cơ chế phân chia đệ quy tập dữ liệu theo độ lợi thông tin, cung cấp bộ quy tắc phân lớp dạng Nếu - Thì trực quan và dễ dàng triển khai trực tiếp trên các thiết bị di động có cấu hình phần cứng hạn chế.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm chuẩn hóa từ 30 tình nguyện viên trong độ tuổi từ 19 đến 48 tuổi. Phương pháp chọn mẫu ngẫu nhiên có chủ đích đảm bảo tính đa dạng về thể trạng và thói quen vận động của các đối tượng tham gia. Mỗi người thực hiện 6 hành vi thường nhật bao gồm: đi bộ, leo cầu thang lên, đi cầu thang xuống, ngồi, đứng và nằm. Dữ liệu thô được ghi nhận liên tục thông qua cảm biến gia tốc 3 trục (x, y, z) và con quay hồi chuyển tích hợp trên điện thoại Galaxy S II gắn cố định tại thắt lưng với tần số lấy mẫu 50 Hz.

Quy trình phân tích dữ liệu được thực hiện tuần tự qua các giai đoạn:

  1. Phân đoạn dữ liệu bằng kỹ thuật cửa sổ trượt với kích thước cố định 256 mẫu (tương đương 5,12 giây dữ liệu liên tục) và độ chồng lấn 50% nhằm nắm bắt trọn vẹn chu kỳ của từng hành động.
  2. Trích chọn đặc trưng miền thời gian (giá trị trung bình, độ lệch chuẩn, phương sai) và miền tần số thông qua biến đổi Fourier nhanh (FFT) và biến đổi Wavelet.
  3. Chuyển đổi dữ liệu sang định dạng tệp chuẩn ARFF để xử lý trên môi trường phần mềm Weka.
  4. Lựa chọn phương pháp kiểm thử phân chia dữ liệu với tỷ lệ 66% cho tập huấn luyện và 34% cho tập kiểm tra độc lập, kết hợp kiểm định chéo K-fold nhằm ngăn ngừa triệt để hiện tượng quá khớp (overfitting). Lý do lựa chọn bộ công cụ Weka và giải thuật J48 là nhằm tối ưu hóa tốc độ thực thi và giảm thiểu bộ nhớ tiêu thụ trên hệ điều hành Android.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và phân tích định lượng trên các tập dữ liệu cảm biến đã đem lại 4 phát hiện quan trọng:

Thứ nhất, việc trích xuất tín hiệu gia tốc 3 trục từ vị trí thắt lưng cho phép nhận diện chính xác các trạng thái tĩnh (ngồi, đứng, nằm) với tỷ lệ phân lớp đúng đạt trên 92%, trong khi các hoạt động vận động động lực học như đi bộ đạt độ chính xác từ 85% đến 93%. Tín hiệu trọng trường cung cấp thông tin góc nghiêng cơ thể rõ rệt, giúp tách biệt hoàn toàn tư thế nằm với các tư thế đứng và ngồi.

Thứ hai, kích thước cửa sổ phân đoạn 256 mẫu kết hợp độ chồng lấn 50% chứng minh tính ưu việt vượt trội về mặt hiệu năng. Kỹ thuật này giúp hệ thống cập nhật kết quả nhận dạng sau mỗi 2,56 giây mà không làm đứt gãy chu kỳ chuyển động, mang lại sự cân bằng hoàn hảo giữa độ trễ xử lý và độ chính xác phân loại.

Thứ ba, thuật toán cây quyết định J48 thể hiện hiệu năng phân lớp xuất sắc trên tập kiểm thử độc lập. Quá trình xây dựng cây diễn ra nhanh chóng, trong đó giai đoạn cắt tỉa cành nhánh chỉ chiếm dưới 1% tổng thời gian tính toán của mô hình nhưng giúp loại bỏ hoàn toàn các nhiễu dữ liệu ngẫu nhiên, nâng cao độ bền vững của bộ phân lớp.

Thứ tư, so sánh giữa các miền đặc trưng cho thấy các tính năng trong miền thời gian có chi phí tính toán thấp hơn khoảng 40% so với miền tần số. Các đặc trưng miền thời gian không đòi hỏi các phép biến đổi toán học phức tạp, giúp thiết bị di động tiết kiệm năng lượng pin đáng kể trong khi vẫn duy trì độ chính xác nhận dạng trên 88%.

Thảo luận kết quả

Kết quả nhận dạng hành vi đạt độ chính xác tổng thể trong khoảng 85% đến 95% là minh chứng rõ ràng cho tiềm năng ứng dụng thực tế của cảm biến điện thoại. Khi biểu diễn kết quả phân lớp thông qua ma trận nhầm lẫn (confusion matrix), số liệu cho thấy sự phân tách tuyệt đối giữa nhóm hành vi tĩnh và nhóm hành vi động. Tuy nhiên, sự nhầm lẫn vẫn xảy ra ở mức 7% đến 10% giữa hai hoạt động leo cầu thang lên và đi cầu thang xuống do dạng sóng gia tốc của hai chuyển động này có biên độ và tần số dao động tương đối đồng nhất dọc theo trục thẳng đứng.

Nguyên nhân của hiện tượng này bắt nguồn từ việc cảm biến gia tốc tuyến tính chỉ ghi nhận sự thay đổi vận tốc tức thời mà không đo lường được sự thay đổi áp suất khí quyển hay độ cao tuyệt đối. So sánh với các nghiên cứu của Ling Bao và Intille, kết quả này hoàn toàn tương thích và khẳng định thêm rằng việc chỉ sử dụng một cảm biến tại thắt lưng có thể làm giảm khoảng 5% độ chính xác so với việc gắn 5 cảm biến ở khắp các vị trí trên cơ thể, nhưng lại đem đến sự tiện lợi, tự nhiên và thoải mái tối đa cho người sử dụng hàng ngày. Khi trình bày dữ liệu qua các biểu đồ phân tán siêu phẳng của mô hình SVM, khoảng cách lề giữa các cụm dữ liệu phân lớp tĩnh và động được hiển thị rất rõ ràng, khẳng định tính đúng đắn của phương pháp trích chọn đặc trưng đã áp dụng.

Đề xuất và khuyến nghị

Dựa trên các kết quả nghiên cứu đã đạt được, luận văn đưa ra 4 khuyến nghị và giải pháp kỹ thuật mang tính ứng dụng cao:

Thứ nhất, tối ưu hóa bộ trích chọn đặc trưng siêu nhẹ cho thiết bị di động. Các nhóm kỹ sư phát triển phần mềm cần ưu tiên sử dụng các đặc trưng thống kê miền thời gian (như giá trị trung bình, độ lệch chuẩn) kết hợp cấu trúc cây quyết định J48 rút gọn. Mục tiêu là giảm 30% mức tiêu hao dung lượng pin và đảm bảo thời gian phản hồi dưới 200 mili-giây trên mỗi chu kỳ nhận dạng, hoàn thành triển khai trong vòng 6 tháng tới.

Thứ hai, mở rộng quy mô và tính đa dạng của tập dữ liệu huấn luyện. Các cơ sở nghiên cứu và trường đại học cần gia tăng số lượng mẫu khảo sát lên trên 200 người thuộc nhiều nhóm độ tuổi khác nhau, đặc biệt là nhóm người cao tuổi trên 65 tuổi và bệnh nhân suy giảm khả năng vận động trong giai đoạn 2026-2027 nhằm nâng cao khả năng tổng quát hóa của mô hình học máy.

Thứ ba, tích hợp thêm các kênh cảm biến bổ trợ để nâng cao độ chính xác. Nhóm nghiên cứu hệ thống cần kết hợp dữ liệu từ cảm biến con quay hồi chuyển (gyroscope) và cảm biến áp kế (barometer) sẵn có trên các dòng điện thoại thông minh thế hệ mới. Việc bổ sung dữ liệu áp suất không khí sẽ giúp giải quyết triệt để bài toán phân biệt leo cầu thang và đi bộ dốc, hướng tới mục tiêu nâng độ chính xác toàn diện lên trên 96% trong vòng 12 tháng.

Thứ tư, chuẩn hóa quy trình bảo mật và truyền nhận dữ liệu y tế. Các doanh nghiệp công nghệ y tế cần xây dựng cơ chế xử lý dữ liệu biên (edge computing) trực tiếp trên điện thoại, chỉ truyền tải kết quả nhãn hành vi đã mã hóa về máy chủ đám mây. Giao thức này phải đạt chuẩn an toàn thông tin 100% nhằm bảo vệ quyền riêng tư cá nhân của người bệnh trong thời hạn 9 tháng.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả thực nghiệm của luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng chuyên môn:

Nhóm học viên cao học và nghiên cứu sinh chuyên ngành Công nghệ thông tin, Hệ thống thông tin: Luận văn cung cấp phương pháp luận chuẩn xác về quy trình tiền xử lý dữ liệu cảm biến chuỗi thời gian, trích xuất đặc trưng đa miền và kỹ thuật huấn luyện các mô hình học máy như J48, SVM, k-NN trên bộ công cụ Weka.

Nhóm kỹ sư phát triển ứng dụng di động (Mobile Developers): Nắm bắt kiến trúc xây dựng module nhận dạng hành vi tiêu tốn ít tài nguyên phần cứng, từ đó tích hợp tính năng tự động đếm bước chân, theo dõi lịch trình sinh hoạt và tối ưu hóa trải nghiệm người dùng theo ngữ cảnh thời gian thực.

Nhóm doanh nghiệp và chuyên gia phát triển giải pháp Y tế số (Digital Health): Tiếp cận mô hình giám sát sức khỏe từ xa cho bệnh nhân mãn tính và người cao tuổi với chi phí phần cứng bằng 0, tận dụng tối đa thiết bị sẵn có của người dùng để cảnh báo sớm nguy cơ té ngã hoặc suy giảm vận động.

Nhóm nhà nghiên cứu hệ thống nhúng và Internet vạn vật (IoT): Khai thác các kỹ thuật xử lý tín hiệu cảm biến gia tốc và thuật toán phân lớp nhẹ để áp dụng trực tiếp lên các thiết bị đeo thông minh (wearables) như vòng đeo tay y tế và đồng hồ thông minh.

Câu hỏi thường gặp

Cảm biến gia tốc trên điện thoại thông minh nhận dạng hành vi con người theo nguyên lý nào? Cảm biến gia tốc 3 trục đo lường gia tốc tuyến tính dọc theo các trục không gian x, y và z. Tín hiệu thu được bao gồm hai thành phần: thành phần gia tốc trọng trường phản ánh tư thế góc nghiêng của cơ thể và thành phần biến thiên động lực học thể hiện cường độ chuyển động, từ đó thuật toán học máy có thể bóc tách và phân lớp từng hành vi cụ thể.

Tại sao kỹ thuật cửa sổ trượt 256 mẫu với độ chồng lấn 50% lại được lựa chọn? Với tần số lấy mẫu 50 Hz, khung cửa sổ 256 mẫu tương đương 5,12 giây tín hiệu liên tục. Độ dài này đủ lớn để bao quát trọn vẹn ít nhất 2 đến 3 chu kỳ bước chân khi đi bộ hoặc leo cầu thang. Độ chồng lấn 50% cho phép hệ thống cập nhật kết quả nhận dạng sau mỗi 2,56 giây, đảm bảo tính liên tục và giảm thiểu độ trễ phản hồi.

Thuật toán cây quyết định J48 có ưu điểm gì nổi bật so với các mô hình phân lớp khác? Giải thuật J48 có tốc độ huấn luyện nhanh, tạo ra cấu trúc cây phân cấp gồm các tập luật tường minh dễ hiểu và không đòi hỏi phần cứng tính toán mạnh. Khi triển khai thực tế trên hệ điều hành di động, J48 tiêu tốn ít bộ nhớ RAM và pin hơn đáng kể so với SVM hay Mạng nơ-ron nhân tạo phức tạp.

Việc giảm số lượng cảm biến xuống một thiết bị duy nhất có làm giảm sút độ chính xác không? Các thử nghiệm thực tế chứng minh việc giảm từ 5 cảm biến phân tán trên cơ thể xuống 1 cảm biến đặt tại thắt lưng chỉ làm suy giảm khoảng 5% độ chính xác tổng thể. Mức độ chính xác duy trì từ 85% đến 95% hoàn toàn đáp ứng tốt các yêu cầu theo dõi sức khỏe thường nhật mà vẫn bảo đảm sự thuận tiện cho người dùng.

Làm thế nào để ứng dụng nhận dạng hành vi vận hành liên tục mà không gây cạn kiệt pin điện thoại? Hệ thống giải quyết bài toán năng lượng bằng cách ưu tiên trích xuất các đặc trưng thống kê trong miền thời gian đơn giản, tránh các phép biến đổi phổ tần số phức tạp. Kết hợp với việc cài đặt ngưỡng kích hoạt cảm biến thông minh giúp giảm từ 30% đến 40% công suất tiêu thụ điện năng của chip xử lý.

Kết luận

  • Luận văn đã xây dựng thành công quy trình toàn diện nhằm nhận dạng tự động 6 hành vi sinh hoạt thường nhật của con người từ dữ liệu cảm biến gia tốc 3 trục trên điện thoại thông minh.
  • Chứng minh tính vượt trội của giải thuật cây quyết định J48 và đặc trưng miền thời gian trong việc tối ưu hóa độ chính xác đạt từ 85% đến 95% đồng thời tiết kiệm tài nguyên vi xử lý.
  • Xác lập phương pháp tiền xử lý tín hiệu hiệu quả với cửa sổ trượt 256 mẫu và độ chồng lấn 50% ở tần số lấy mẫu 50 Hz, đảm bảo khả năng đáp ứng thời gian thực.
  • Đóng góp giải pháp khoa học thực tiễn giúp thay thế các hệ thống giám sát y tế phòng thí nghiệm cồng kềnh bằng thiết bị di động cá nhân gọn nhẹ, bảo mật và chi phí thấp.
  • Đề ra lộ trình 12 tháng tới để mở rộng thử nghiệm trên thiết bị đeo tay thông minh và ứng dụng các mô hình học sâu bán giám sát thích nghi.

Để khai thác chi tiết các ma trận phân lớp thực nghiệm, thuật toán mã giả và toàn bộ cấu trúc cây quyết định J48, bạn đọc hãy liên hệ hoặc tra cứu trực tiếp toàn văn luận văn tại thư viện Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội.