Bối cảnh và vấn đề nghiên cứu

Phân tích tín hiệu âm thanh là lĩnh vực có tính ứng dụng cao trong nhiều ngành công nghiệp, giải trí và y tế. Trong giám sát thú y và chăn nuôi, việc áp dụng công nghệ xử lý âm thanh kết hợp trí tuệ nhân tạo mở ra tiềm năng theo dõi tự động, hỗ trợ chẩn đoán sức khỏe động vật mà không gây xâm lấn. Đồ án tốt nghiệp "Phân tích tín hiệu âm thanh để nhận diện tình trạng sức khỏe của ngựa" của sinh viên Phạm Đức Long (ngành Công nghệ thông tin, Trường Đại học Phenikaa) tập trung khai thác các tín hiệu sinh học phát ra từ loài ngựa và môi trường sống của chúng nhằm nhận diện trạng thái hành vi và phát hiện các biểu hiện bệnh lý.

Lý do chọn đề tài xuất phát từ đặc tính sinh học thực tế của loài ngựa: một cá thể ngựa bình thường dành khoảng 18 giờ mỗi ngày để ăn. Nếu tần suất phát ra âm thanh nhai thức ăn bị gián đoạn hoặc biến mất trong thời gian dài (trên 2 giờ), đây là dấu hiệu cảnh báo nghiêm trọng về sức khỏe. Ngoài ra, việc ngựa di chuyển nhanh và thường xuyên trong thời gian ăn là triệu chứng điển hình của bệnh đau bụng (colic) – một hội chứng nguy hiểm ở loài động vật này.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài được xác định cụ thể như sau:

  1. Nghiên cứu các khái niệm cơ bản về tín hiệu âm thanh, âm thanh số hóa và các thuộc tính vật lý, sinh lý của âm thanh.
  2. Khảo sát các kỹ thuật trích chọn đặc trưng của tín hiệu âm thanh trong miền thời gian (Energy, RMSE, Zero Crossing Rate, Silence Ratio) và miền tần số (DFT, STFT, Spectrogram, Mel Filterbank, MFCC).
  3. Nghiên cứu cơ sở toán học của kỹ thuật phân tích thành phần chính (PCA) nhằm giảm chiều dữ liệu và thuật toán phân cụm K-means.
  4. Xây dựng chương trình thực nghiệm trên bộ dữ liệu âm thanh thực tế thu thập từ trang trại ngựa để so sánh, làm rõ hiệu quả của các tham số trích xuất đặc trưng và xác định các cụm hành vi âm thanh đặc trưng của ngựa.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Tín hiệu âm thanh sinh học của ngựa (tiếng hí, tiếng kêu, tiếng nhai, tiếng di chuyển) và âm thanh tạp âm môi trường chuồng trại; các phương pháp xử lý tín hiệu số và mô hình học máy không giám sát.
  • Phạm vi không gian: Dữ liệu âm thanh được thu thập thực tế tại một trang trại nuôi ngựa.
  • Phạm vi thời gian và dữ liệu: Bộ dữ liệu thực nghiệm gồm 35 tệp ghi âm định dạng .mp3 với tổng thời lượng xấp xỉ 35 giờ.
  • Phạm vi kỹ thuật: Xử lý âm thanh đơn kênh (mono) ở tần số lấy mẫu chuẩn hóa 16.000 Hz, trích xuất đặc trưng MFCC với các mức kích thước khác nhau (20, 40, 80, 128), giảm chiều dữ liệu bằng PCA xuống 3 thành phần chính và phân cụm bằng giải thuật K-means.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của đồ án được xây dựng dựa trên lý thuyết xử lý tín hiệu số và học máy không giám sát, bao gồm các thành phần:

  1. Khái niệm và đặc trưng âm thanh số:

    • Đặc trưng vật lý: Tần số (Hz), cường độ âm ($W/m^2$).
    • Đặc trưng sinh lý: Âm sắc (timbre), âm lượng (đo bằng Decibel - dB, lấy ngưỡng nghe tối thiểu $10^{-12} W/m^2$ làm mốc 0 dB).
    • Tham số số hóa: Tần số lấy mẫu (sample rate), số kênh (mono/stereo), tốc độ truyền dữ liệu (bitrate) và các chuẩn nén âm thanh có mất dữ liệu (lossy) hoặc không mất dữ liệu (lossless).

  2. Các đặc trưng trong miền thời gian và miền tần số:

    • Miền thời gian: Năng lượng tín hiệu ($E(x) = \sum x(N)^2$), năng lượng hiệu dụng ($RMSE(x) = \sqrt{\frac{1}{N}\sum x(N)^2}$), tốc độ qua điểm 0 (Zero Crossing Rate - ZCR) và tỷ lệ im lặng (Silence ratio).
    • Miền tần số: Biến đổi Fourier rời rạc (DFT), biến đổi Fourier nhanh (FFT), biến đổi Fourier thời gian ngắn (STFT), phổ âm thanh, băng thông (Bandwidth), trọng tâm phổ (Spectral Centroid / Brightness), tính điều hòa (Harmonicity), cao độ (Pitch) và ảnh phổ (Spectrogram).

  3. Hệ số Mel-Frequency Cepstral Coefficients (MFCC): Mô hình trích xuất đặc trưng phổ biến trong xử lý tiếng nói và âm thanh sinh học, mô phỏng cơ chế tiếp nhận phi tuyến tính của thính giác người thông qua thang tần số Mel: $$f_{mel}(f) = 2595 \log_{10}\left(1 + \frac{f}{700}\right)$$ Quy trình tính toán MFCC gồm: Lấy mẫu và chuyển đổi A/D; Tiền nhấn mạnh (Pre-emphasis) để bù năng lượng ở dải tần số cao; Cửa sổ hóa (Windowing) bằng các hàm cửa sổ như Hamming, Hanning hoặc Blackman với độ rộng khung 20–25 ms, độ chồng lấp (overlap) 10 ms; Biến đổi DFT để tạo Spectrogram; Chiếu qua bộ lọc thông dải Mel-scale filterbank để thu nhận phổ công suất Mel; Lấy logarit năng lượng; Biến đổi Fourier ngược (IDFT) hoặc biến đổi cosin rời rạc (DCT) để trích xuất 12 hệ số cepstral; Bổ sung 1 hệ số năng lượng khung cùng 13 đặc trưng đạo hàm bậc một (Delta) và 13 đặc trưng đạo hàm bậc hai (Delta-Delta), hình thành vector đặc trưng hoàn chỉnh gồm 39 chiều.

  4. Kỹ thuật giảm chiều PCA và thuật toán phân cụm K-means:

    • Phân tích thành phần chính (PCA): Tìm hệ cơ sở trực chuẩn mới để tối đa hóa phương sai dữ liệu qua 4 bước: (1) Tính vector kỳ vọng; (2) Chuẩn hóa trừ kỳ vọng; (3) Tính ma trận hiệp phương sai; (4) Tính các vector riêng tương ứng với các trị riêng lớn nhất để lập ma trận chiếu dữ liệu xuống không gian con $K$ chiều.
    • Phân cụm K-means: Thuật toán phân vùng không phân cấp (Partitioning Clustering), gom $N$ đối tượng vào $k$ cụm dựa trên khoảng cách Euclidean tới các tâm cụm qua các vòng lặp cập nhật trọng tâm cho đến khi hội tụ.

Phương pháp nghiên cứu thực nghiệm được tác giả triển khai theo đường ống xử lý (pipeline): Dữ liệu thô $\rightarrow$ Đọc và lấy mẫu (Librosa) $\rightarrow$ Tiền xử lý (chuẩn hóa, lọc ồn với Noisereduce) $\rightarrow$ Trích xuất đặc trưng MFCC $\rightarrow$ Giảm chiều bằng PCA $\rightarrow$ Phân cụm bằng K-means (đánh giá bằng phương pháp Elbow qua Inertia và Distortion) $\rightarrow$ Gán nhãn và phân tích chuỗi thời gian.

Công cụ và nguồn dữ liệu: Ngôn ngữ lập trình Python 3 cùng hệ sinh thái thư viện chuyên dụng: Librosa (xử lý âm thanh), Noisereduce (khử nhiễu phổ), NumPy và Pandas (tính toán ma trận, xử lý bảng dữ liệu), Scikit-learn (mô hình PCA, K-means), Matplotlib (trực quan hóa). Nguồn dữ liệu gồm 35 tệp ghi âm định dạng .mp3 thu tại trang trại ngựa thực tế.

Nội dung chính theo từng chương

CHƯƠNG 1: TỔNG QUAN VỀ TÍN HIỆU ÂM THANH

Chương này hệ thống hóa các khái niệm nền tảng về bản chất vật lý và sinh lý của sóng âm, phương thức số hóa và lưu trữ âm thanh:

  • Bản chất vật lý: Âm thanh là các dao động cơ học lan truyền trong môi trường vật chất dạng sóng. Tín hiệu được đo lường qua tần số (Hz) với dải nghe của tai người từ 20 Hz đến 20.000 Hz, và cường độ âm $I$ ($W/m^2$).
  • Đặc trưng sinh lý: Phân tích sự cảm nhận chủ quan của tai người thông qua âm sắc (phụ thuộc vào cấu trúc phổ tần số) và âm lượng (đo theo thang logarit Decibel - dB). Ngưỡng nghe nhỏ nhất quy ước là $10^{-12} W/m^2$ tại 0 dB.
  • Số hóa âm thanh: Định lý lấy mẫu Nyquist-Shannon quy định tần số lấy mẫu $f_s$ phải tối thiểu gấp đôi tần số thành phần cực đại ($f_s \ge 2f_m$). Âm thanh CD tiêu chuẩn sử dụng $f_s = 44.100$ Hz. Tác giả phân tích các thông số kỹ thuật gồm kênh âm thanh (Mono - 1 kênh, Stereo - 2 kênh tích hợp cho tai trái và phải) và tốc độ bit (bitrate - kbps).
  • Định dạng tệp tin: Phân biệt tệp không nén WAV (chiếm dung lượng lớn, khoảng 10 MB cho mỗi phút âm thanh) và các định dạng nén. Nén có mất dữ liệu (lossy) như MP3, WMA, OGG loại bỏ các dải tần số không quan trọng; nén không mất dữ liệu (lossless) như FLAC, APE giữ nguyên vẹn dữ liệu gốc nhưng có kích thước tệp lớn hơn.

CHƯƠNG 2: TRÍCH CHỌN ĐẶC TRƯNG CỦA ÂM THANH

Chương 2 trình bày cơ sở toán học của các kỹ thuật xử lý tín hiệu và các thuật toán học máy được áp dụng trong đồ án:

  • Đặc trưng miền thời gian: Phân tích tín hiệu biểu diễn theo thời gian - biên độ (chuẩn hóa về khoảng $[-1, 1]$). Trình bày công thức tính năng lượng (Energy), căn bậc hai trung bình bình phương biên độ (RMSE) để đo công suất tổng cộng, tốc độ đổi dấu biên độ (ZCR) để xấp xỉ tần số trung bình, và tỷ lệ im lặng (Silence ratio) dựa trên ngưỡng biên độ và ngưỡng thời gian liên tục.
  • Đặc trưng miền tần số: Giới thiệu biến đổi Fourier rời rạc (DFT) và thuật toán biến đổi nhanh FFT để tách tín hiệu thành các thành phần sóng sin và cosin. Trình bày giải pháp biến đổi Fourier thời gian ngắn (STFT) bằng cách chia tín hiệu thành các khung nhỏ (10–20 ms) để phân tích phổ. Phân tích các thuộc tính dẫn xuất: băng thông (khoảng cách giữa tần số cao nhất và thấp nhất có năng lượng lớn hơn 3 dB trên mức câm); phân bổ năng lượng và trọng tâm phổ (Spectral Centroid / Brightness); tính điều hòa (Harmonicity) dựa trên các bội số nguyên của tần số cơ bản $f_0$; cao độ (Pitch) và biểu đồ ảnh phổ (Spectrogram) biểu thị năng lượng theo thời gian và tần số.
  • Đặc trưng chủ quan: Phân tích âm sắc (Timbre) như một thuộc tính định tính thể hiện sự khác biệt về nguồn phát khi có cùng tần số và biên độ.
  • Kỹ thuật MFCC: Trình bày chi tiết luồng xử lý trích xuất 39 tham số MFCC. Mô tả bước tiền nhấn mạnh (Pre-emphasis) nhằm kích hoạt dải năng lượng cao bị suy hao; kỹ thuật cửa sổ hóa (Windowing) dùng hàm Hamming/Hanning để tránh hiện tượng rò rỉ phổ do cắt khung đột ngột; biến đổi Mel filterbank; tính Cepstrum bằng biến đổi IDFT/DCT để tách biệt tần số cơ bản $F_0$ khỏi các formant ($F_1, F_2, F_3$); và tính toán các hệ số biến thiên Delta và Delta-Delta.
  • Kỹ thuật giảm chiều PCA: Xây dựng quy trình 4 bước tìm không gian con trực giao $K$ chiều dựa trên ma trận hiệp phương sai, giúp loại bỏ tính tương quan giữa các đặc trưng và giảm chi phí tính toán.
  • Phương pháp phân cụm K-means: Trình bày nguyên lý tối ưu hóa hàm mục tiêu của phương pháp phân vùng không phân cấp; các thách thức thực tế như lựa chọn số cụm $k$, khởi tạo tâm ngẫu nhiên hoặc phân tán, và tiêu chuẩn dừng lặp (hội tụ khi độ dịch chuyển tâm cụm nhỏ hơn ngưỡng $\Delta$).

CHƯƠNG 3: THỰC NGHIỆM, KẾT QUẢ VÀ PHÂN TÍCH

Chương này mô tả chi tiết quá trình triển khai thực nghiệm và phân tích dữ liệu:

  • Mô tả bài toán: Nhận diện trạng thái sức khỏe của ngựa thông qua âm thanh ăn uống và hoạt động, phát hiện dấu hiệu gián đoạn nhai thức ăn hoặc di chuyển quá mức liên quan đến bệnh đau bụng.
  • Môi trường và công cụ: Sử dụng Python 3 kết hợp các thư viện Librosa, Noisereduce, Pandas, NumPy, Scikit-learn và Matplotlib.
  • Tiền xử lý dữ liệu: Bộ dữ liệu 35 tệp ghi âm .mp3 (~35 giờ) được đọc thông qua hàm librosa.load với tần số lấy mẫu thiết lập tại $sr = 16.000$ Hz. Tác giả lập luận rằng dải tần 16 kHz là đủ để bao phủ toàn bộ các đặc trưng phát âm và sinh hoạt của loài ngựa mà không làm tăng gánh nặng tính toán. Dữ liệu sau đó được chuẩn hóa biên độ về khoảng $[-1, 1]$ và áp dụng thư viện noisereduce để triệt tiêu tạp âm môi trường chuồng trại.
  • Khảo sát đặc trưng MFCC và giảm chiều PCA: Thực nghiệm trích chọn MFCC với các tham số kích thước khác nhau (n_mfcc lần lượt bằng 20, 40, 80, 128). Sau đó, áp dụng PCA để trích xuất 3 thành phần chính đầu tiên.
  • Phân cụm và xác định tham số tối ưu: Sử dụng thuật toán K-means, khảo sát các giá trị $k$ từ 1 đến các số lớn hơn. Đánh giá độ biến dạng (Distortion) và quán tính (Inertia) theo phương pháp Elbow để chọn $k=3$ là số cụm tối ưu.
  • Kết quả phân cụm: Thuật toán K-means với $k=3$ đã tách biệt thành công 3 nhóm âm thanh riêng biệt: Cụm 1 đại diện cho tiếng kêu và tiếng hí của ngựa; Cụm 2 đại diện cho tiếng bước chân di chuyển; Cụm 3 bao gồm các âm thanh khác và tạp âm nền còn sót lại. Tiến hành gán nhãn dữ liệu và vẽ biểu đồ phân bố tần suất xuất hiện theo thời gian của từng đoạn âm thanh.

Kết quả và đóng góp

Nghiên cứu đạt được các kết quả định lượng cụ thể thông qua quá trình thử nghiệm các tham số trích xuất đặc trưng và mô hình phân cụm:

  1. Hiệu quả giảm chiều của PCA trên các tập đặc trưng MFCC: Khi thay đổi số lượng hệ số MFCC trích xuất ban đầu (n_mfcc), tỷ lệ phần trăm phương sai tích lũy của 3 thành phần chính đầu tiên được ghi nhận như sau:
Số lượng đặc trưng MFCC (n_mfcc) Tỷ lệ phương sai của 3 thành phần chính đầu tiên (%)
20 Tỷ lệ giải thích phương sai cao nhất trong các thử nghiệm
40 Duy trì mức giải thích phương sai ổn định, cân bằng thông tin
80 Tỷ lệ phương sai phân tán sang các thành phần thứ cấp
128 Tỷ lệ phương sai của 3 thành phần chính giảm rõ rệt do phân mảnh đặc trưng
  1. Đánh giá chất lượng phân cụm với $k=3$: Tác giả sử dụng hai độ đo là Distortion (khoảng cách bình phương trung bình từ các điểm dữ liệu đến tâm cụm) và Inertia (tổng bình phương khoảng cách nội cụm). Kết quả thực nghiệm xác nhận tại $k=3$, đường cong biểu diễn độ suy giảm của Distortion và Inertia xuất hiện điểm gập (Elbow point), cho thấy cấu trúc 3 cụm là tối ưu cho dữ liệu khảo sát:
Số lượng đặc trưng MFCC Tham số cụm ($k$) Trạng thái Distortion & Inertia Kết quả phân tách cụm
Khảo sát $n_mfcc \in {20, 40, 80, 128}$ $k = 3$ Đạt điểm gập Elbow tối ưu; mức giảm lỗi chậm lại rõ rệt từ $k > 3$ Phân lập rõ nét 3 nhóm tín hiệu: Tiếng hí/kêu, tiếng di chuyển, âm thanh khác

  1. Phân loại hành vi thực tế: Thuật toán phân tách thành công dữ liệu ghi âm thành 3 cụm có ý nghĩa thực tiễn:

    • Cụm 1: Âm thanh tiếng kêu, tiếng hí của ngựa.
    • Cụm 2: Âm thanh bước chân và tiếng di chuyển trong chuồng hoặc bãi ăn.
    • Cụm 3: Các âm thanh khác gồm tiếng động môi trường, tiếng va chạm chuồng trại và tạp âm nền.

  2. Giải pháp đề xuất của tác giả:

    • Thiết lập quy trình tự động cảnh báo dựa trên chuỗi thời gian: theo dõi liên tục âm thanh nhai thức ăn của ngựa trong ngày; nếu không phát hiện âm thanh nhai trong thời gian vượt quá ngưỡng 2 giờ, hệ thống sẽ phát tín hiệu cảnh báo.
    • Đồng thời, giám sát tần suất xuất hiện của Cụm 2 (tiếng di chuyển): nếu âm thanh di chuyển tăng đột biến, diễn ra nhanh và liên tục trong khoảng thời gian ăn, hệ thống ghi nhận nguy cơ ngựa đang mắc hội chứng đau bụng (colic) để can thiệp kịp thời.

  3. Đóng góp của đồ án:

    • Về mặt học thuật: Hệ thống hóa phương pháp luận trích xuất đặc trưng âm thanh sinh học bằng MFCC và tối ưu hóa không gian biểu diễn bằng PCA kết hợp K-means.
    • Về mặt thực tiễn: Ứng dụng thành công xử lý âm thanh vào giám sát hành vi và sức khỏe của vật nuôi tại trang trại ở Việt Nam, cung cấp cơ sở kỹ thuật cho việc xây dựng các thiết bị giám sát chuồng trại thông minh.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đồ án theo phạm vi và nội dung văn bản trình bày:

  • Dữ liệu thực nghiệm mới chỉ thu thập trên phạm vi một trang trại nuôi ngựa với 35 tệp âm thanh, tập trung chủ yếu vào khoảng thời gian ăn của ngựa, chưa bao quát đầy đủ tất cả các trạng thái sinh lý khác (như lúc ngủ, vận động ngoài trời, hoặc khi thời tiết thay đổi mạnh).
  • Mô hình sử dụng phương pháp phân cụm không giám sát (K-means), phụ thuộc vào cách khởi tạo tâm ban đầu và vẫn đòi hỏi chuyên gia gán nhãn thủ công cho các cụm sau khi phân vùng.
  • Môi trường thu âm thực địa có chứa nhiều tạp âm ngẫu nhiên; dù đã áp dụng thư viện noisereduce, một số phân đoạn âm thanh nhỏ vẫn có nguy cơ bị lẫn vào cụm âm thanh môi trường.

Hướng nghiên cứu tiếp được đề xuất:

  • Mở rộng quy mô tập dữ liệu, thu thập thêm âm thanh của nhiều cá thể ngựa thuộc các lứa tuổi, giống loài và điều kiện chuồng trại khác nhau.
  • Thử nghiệm các mô hình học sâu (Deep Learning) hoặc các mạng nơ-ron tích chập (CNN) trên Spectrogram để phân loại âm thanh có giám sát với độ chính xác cao hơn.
  • Nghiên cứu tích hợp quy trình phân tích tín hiệu vào hệ thống phần cứng nhúng hoặc thiết bị di động/Robotics để triển khai giám sát và cảnh báo thời gian thực tại các cơ sở chăn nuôi.

Giá trị tham khảo

Đồ án có giá trị tham khảo thiết thực cho các nhóm đối tượng:

  • Sinh viên và học viên ngành Công nghệ thông tin, Khoa học dữ liệu, Trí tuệ nhân tạo: Tài liệu cung cấp ví dụ thực nghiệm cụ thể về một chu trình xử lý dữ liệu âm thanh số hoàn chỉnh bằng Python, từ bước đọc tín hiệu, tiền xử lý, trích xuất đặc trưng đến huấn luyện mô hình học máy.
  • Người làm nghiên cứu về xử lý tín hiệu âm thanh và tin sinh học thú y (Bioacoustics): Là tài liệu tham khảo tốt về việc chuẩn hóa tham số MFCC (n_mfcc), ứng dụng PCA để trực quan hóa dữ liệu và phương pháp xác định số cụm tối ưu bằng kỹ thuật Elbow (Distortion và Inertia).
  • Các phần đáng tham khảo nhất trong văn bản:
    • Toàn bộ Chương 2: Cung cấp đầy đủ công thức toán học từ biểu diễn miền thời gian, biến đổi Fourier đến quy trình 5 bước tính toán hệ số MFCC và 4 bước thuật toán PCA.
    • Mục 3.2 và 3.3 thuộc Chương 3: Trình bày chi tiết cách thức phối hợp các thư viện Python chuyên dụng (librosa, noisereduce, sklearn) trên tệp âm thanh thực tế với tần số lấy mẫu 16.000 Hz.

Câu hỏi thường gặp

1. Tại sao đồ án chọn tần số lấy mẫu (sample rate) là 16.000 Hz thay vì 44.100 Hz chuẩn?
Trả lời: Theo tác giả trình bày tại Mục 3.3, mặc dù tần số 44.100 Hz là chuẩn phổ biến để tránh hiện tượng mất mát thông tin theo định lý Nyquist-Shannon cho toàn bộ ngưỡng nghe của con người, nhưng đối với bài toán nhận diện âm thanh của loài ngựa, dải tần 16.000 Hz (16 kHz) là hoàn toàn đủ để biểu diễn trọn vẹn các đặc trưng âm học của ngựa. Việc chọn 16.000 Hz giúp giảm đáng kể kích thước dữ liệu và tối ưu hóa thời gian tính toán của các giải thuật.

2. Tập dữ liệu thực nghiệm được thu thập với quy mô như thế nào và phục vụ mục đích gì?
Trả lời: Bộ dữ liệu được ghi âm trực tiếp tại một trang trại nuôi ngựa, bao gồm 35 tệp âm thanh định dạng .mp3 với tổng thời lượng xấp xỉ 35 giờ. Mục đích thu thập là để theo dõi hành vi của ngựa trong lúc ăn, ghi nhận tiếng nhai thức ăn và các cử động di chuyển nhằm phát hiện các dấu hiệu bất thường về tiêu hóa.

3. Vì sao tác giả cần kết hợp kỹ thuật PCA trước khi áp dụng thuật toán K-means?
Trả lời: Đặc trưng MFCC trích xuất từ các khung âm thanh tạo ra các vector có số chiều lớn (từ 20 đến 128 chiều tùy cấu hình). Việc đưa trực tiếp không gian nhiều chiều vào K-means sẽ làm tăng chi phí tính toán và giảm hiệu quả do hiện tượng bùng nổ chiều dữ liệu. Kỹ thuật PCA giúp tìm ra hệ cơ sở trực giao mới, giữ lại 3 thành phần chính mang nhiều thông tin nhất, giảm độ tương quan giữa các biến và hỗ trợ trực quan hóa dữ liệu trên biểu đồ không gian.

4. Dữ liệu âm thanh của ngựa sau khi phân cụm được chia thành những nhóm cụ thể nào?
Trả lời: Thuật toán K-means với số cụm tối ưu $k=3$ (xác định qua đồ thị Distortion và Inertia theo phương pháp Elbow) đã phân chia dữ liệu thành 3 cụm riêng biệt: Cụm 1 là tiếng kêu và tiếng hí của ngựa; Cụm 2 là tiếng bước chân di chuyển của ngựa; Cụm 3 là các âm thanh khác và tạp âm môi trường chuồng trại.

5. Mối liên hệ sinh học nào giữa âm thanh và bệnh lý của ngựa được tác giả ứng dụng trong đồ án?
Trả lời: Tác giả dựa trên hai quy luật sinh học thực tế: thứ nhất, ngựa bình thường ăn 18 giờ mỗi ngày, nên nếu thiếu vắng tiếng nhai thức ăn trong khoảng thời gian kéo dài trên 2 giờ thì đó là dấu hiệu bất thường; thứ hai, khi ngựa có hành vi di chuyển nhanh và liên tục ngay trong lúc ăn, đó là triệu chứng lâm sàng điển hình của bệnh đau bụng ở ngựa.

Kết luận

Đồ án tốt nghiệp của sinh viên Phạm Đức Long đã xây dựng thành công quy trình phân tích tín hiệu âm thanh ứng dụng trong theo dõi hành vi và sức khỏe của ngựa. Bằng việc kết hợp các kỹ thuật trích xuất đặc trưng âm học MFCC, giảm chiều dữ liệu PCA và phân cụm không giám sát K-means trên bộ dữ liệu thực địa gần 35 giờ ghi âm, nghiên cứu đã phân lập chính xác các nhóm âm thanh chức năng gồm tiếng kêu, tiếng di chuyển và tạp âm môi trường. Kết quả này cung cấp cơ sở thực nghiệm vững chắc cho việc phát triển các giải pháp tự động nhận diện sớm các hội chứng bệnh lý nguy hiểm ở vật nuôi, tiêu biểu là bệnh đau bụng ở ngựa.