Giới thiệu dự án
Bối cảnh và vấn đề thực tiễn
Trong ngành chăn nuôi gia súc cao cấp, đặc biệt là chăn nuôi ngựa thể thao và ngựa giống, việc theo dõi sức khỏe liên tục đóng vai trò sống còn đối với hiệu quả kinh tế. Theo các thống kê thú y quốc tế, hội chứng đau bụng ở ngựa (Equine Colic) là nguyên nhân gây tử vong hàng đầu ở loài đơn vị dạ dày này, chiếm hơn 28% các ca cấp cứu thú y nghiêm trọng. Một con ngựa khỏe mạnh dành trung bình từ 16 đến 18 tiếng mỗi ngày để tiêu thụ thức ăn thô. Bất kỳ sự gián đoạn nhịp ăn kéo dài liên tục trên 2 giờ, hoặc hành vi nhai gián đoạn đi kèm với việc di chuyển nhanh, bồn chồn trong chuồng, đều là triệu chứng lâm sàng rõ rệt của các rối loạn tiêu hóa và đau bụng cấp tính.
Phương pháp theo dõi truyền thống dựa hoàn toàn vào sự quan sát trực tiếp của nhân viên chăm sóc trang trại. Cách tiếp cận này bộc lộ những điểm yếu chí mạng:
- Không thể duy trì giám sát liên tục 24/7 trên đàn cá thể lớn.
- Tốn kém chi phí nhân lực chuyên trách.
- Hệ thống thị giác máy tính (Camera quan sát) thường xuyên bị điểm mù trong chuồng trại, suy giảm hiệu năng trong điều kiện ban đêm và tiêu tốn băng thông lưu trữ dữ liệu video khổng lồ.
- Các thiết bị đeo tiếp xúc trực tiếp (vòng cổ cảm biến, đai ngực) dễ gây kích ứng da, stress cho ngựa và có tỷ lệ hư hỏng cơ học cao do ngựa cọ xát vào thành chuồng.
+-----------------------------------------------------------------------------------+
| Vấn đề cốt lõi: Colic gây tử vong cao | Ngựa ăn 16-18h/ngày | Gián đoạn >2h = Báo động |
+-----------------------------------------------------------------------------------+
│
▼
+-----------------------------------------------------------------------------------+
| Giải pháp: Giám sát âm học sinh học không xâm lấn (Passive Bio-acoustic Monitoring) |
| Trích xuất đặc trưng MFCC + Giảm chiều PCA + Phân cụm K-Means tối ưu |
+-----------------------------------------------------------------------------------+
Mục tiêu của đồ án
Đề tài "Phân tích tín hiệu âm thanh để nhận diện tình trạng sức khỏe của ngựa" do tác giả Phạm Đức Long thực hiện dưới sự hướng dẫn của TS. Phạm Tiến Lâm tại Trường Đại học Phenikaa nhằm giải quyết bài toán trên thông qua các mục tiêu định lượng:
- Xây dựng quy trình tiền xử lý và lọc nhiễu âm học chuyên biệt cho môi trường chuồng trại chăn nuôi thực tế.
- Thiết kế pipeline trích chọn đặc trưng miền thời gian - tần số với trọng tâm là hệ số phổ Mel (Mel-Frequency Cepstral Coefficients - MFCC).
- Ứng dụng kỹ thuật phân tích thành phần chính (Principal Component Analysis - PCA) nhằm tối ưu hóa không gian đặc trưng, giảm thiểu chi phí tính toán mà vẫn giữ lại >85% lượng thông tin cốt lõi.
- Triển khai thuật toán phân cụm không giám sát K-Means, tự động nhận diện và phân loại chính xác các mẫu hành vi âm thanh (tiếng hí/kêu, tiếng nhai/di chuyển và tiếng ồn ngoại lai).
- Phân tích phân bố tần suất âm thanh theo chuỗi thời gian nhằm phát hiện sự bất thường trong hành vi ăn uống và di chuyển của ngựa.
Phương pháp tiếp cận và phạm vi nghiên cứu
Đồ án lựa chọn hướng tiếp cận phân tích tín hiệu âm học sinh học bị động (Passive Bio-acoustic Monitoring). Đây là phương pháp phi xâm lấn, chi phí thấp, hoạt động ổn định trong mọi điều kiện ánh sáng và bảo vệ toàn diện phúc lợi động vật.
- Phạm vi nghiên cứu: Khai thác tập dữ liệu gồm 35 tệp âm thanh ghi âm thực tế tại trang trại với tổng thời lượng xấp xỉ 35 giờ dưới định dạng
.mp3, tập trung vào các pha âm thanh phát ra trong quá trình sinh hoạt và dinh dưỡng của cá thể ngựa.
- Giới hạn đề tài: Tập trung phân tích dữ liệu ngoại tuyến (offline analysis) ở cấp độ cá thể hoặc nhóm nhỏ trong không gian chuồng kín, làm tiền đề cho hệ thống nhúng thời gian thực trong tương lai.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Hiện nay, các giải pháp theo dõi sức khỏe vật nuôi được chia thành ba nhóm công nghệ chính:
| Tiêu chí so sánh |
Giám sát nhân công truyền thống |
Cảm biến IoT đeo trên cơ thể (Wearables) |
Camera AI (Computer Vision) |
Hệ thống âm học sinh học (Đồ án đề xuất) |
| Mức độ xâm lấn |
Không |
Cao (gây vướng víu, stress vật nuôi) |
Không |
Hoàn toàn không xâm lấn (Non-invasive) |
| Tính liên tục 24/7 |
Kém (ngắt quãng theo ca trực) |
Cao |
Trung bình (hạn chế ban đêm/điểm mù) |
Cao (hoạt động liên tục cả ngày lẫn đêm) |
| Chi phí triển khai |
Rất cao (chi phí nhân công định kỳ) |
Cao (thay pin, bảo dưỡng thiết bị đeo) |
Cao (camera chuyên dụng, hạ tầng server) |
Thấp (chỉ cần micro thu âm định hướng tiêu chuẩn) |
| Độ bền thiết bị |
Không áp dụng |
Thấp (dễ bị cắn, vỡ do va đập) |
Trung bình (bụi bẩn chuồng trại che ống kính) |
Cao (micro gắn cố định trần chuồng an toàn) |
| Yêu cầu băng thông |
Không áp dụng |
Rất thấp (chỉ truyền telemetry) |
Rất cao (luồng video HD/4K liên tục) |
Thấp (chỉ phân tích phổ âm thanh 16 kHz) |
Yêu cầu hệ thống theo mô hình MoSCoW:
- Must have: Bộ lọc khử ồn môi trường chuồng trại; Pipeline trích xuất 39 đặc trưng MFCC chuẩn; Module phân cụm K-Means với đánh giá $K$ tối ưu.
- Should have: Giảm chiều dữ liệu tự động bằng PCA; Trực quan hóa phổ âm thanh (Spectrogram) theo trục thời gian.
- Could have: Đánh giá thử nghiệm với các cấu hình $n_mfcc \in [20, 40, 80, 128]$.
- Won't have: Giao diện điều khiển Mobile App thời gian thực (định hướng cho pha phát triển kế tiếp).
+-----------------------------------------------------------------------------------+
| LUỒNG XỬ LÝ HỆ THỐNG |
+-----------------------------------------------------------------------------------+
| [Âm thanh thô (.mp3)] ──> [Chuẩn hóa & Downsample 16kHz] ──> [Lọc ồn Noisereduce]|
| │ |
| [Phân cụm K-Means] <── [Giảm chiều dữ liệu PCA] <── [Trích xuất MFCC + Energy] |
| │ |
| ▼ |
| [Gán nhãn cụm: Kêu/Hí | Nhai/Bước chân | Nhiễu nền] ──> [Báo cáo biểu đồ tần suất]|
+-----------------------------------------------------------------------------------+
Thiết kế hệ thống và Technology Stack
Hệ thống được thiết kế theo kiến trúc xử lý dữ liệu dạng đường ống (Data Processing Pipeline):
+--------------------------------------------------------------------+
| APPLICATION LAYER |
| Trực quan hóa Spectrogram, Phân tích cụm, Báo cáo |
+--------------------------------------------------------------------+
▲
│
+--------------------------------------------------------------------+
| MACHINE LEARNING ENGINE |
| Scikit-learn 1.3.x: PCA (Giảm chiều), K-Means Clustering |
+--------------------------------------------------------------------+
▲
│
+--------------------------------------------------------------------+
| SIGNAL PROCESSING LAYER |
| Librosa 0.10.x (STFT, MFCC), Noisereduce 3.0.x (Spectral Gating) |
+--------------------------------------------------------------------+
▲
│
+--------------------------------------------------------------------+
| FOUNDATION & DATA LAYER |
| Python 3.10+, NumPy 1.24.x, Pandas 2.1.x, Matplotlib 3.8.x |
+--------------------------------------------------------------------+
- Python 3.10+: Ngôn ngữ lập trình cốt lõi phục vụ tính toán khoa học và xử lý dữ liệu lớn.
- Librosa (v0.10.2): Thư viện chuyên sâu phân tích âm thanh, tính toán Short-Time Fourier Transform (STFT), Mel filterbanks và ma trận MFCC.
- Noisereduce (v3.0.0): Thuật toán Spectral Gating tĩnh và động giúp triệt tiêu tạp âm nền chuồng trại (tiếng quạt thông gió, gió lùa).
- Scikit-learn (v1.3.2): Cung cấp các thuật toán Unsupervised Learning:
sklearn.decomposition.PCA và sklearn.cluster.KMeans.
- NumPy (v1.24.4) & Pandas (v2.1.3): Thao tác mảng số học nhiều chiều, ma trận hiệp phương sai và cấu trúc bảng dữ liệu DataFrame.
- Matplotlib (v3.8.2): Xuất biểu đồ phổ tần số, đường cong quán tính (Inertia) và phân bố cụm không gian 2D/3D.
Phương pháp luận (Methodology)
Nghiên cứu áp dụng phương pháp luận phát triển khoa học dữ liệu theo tiêu chuẩn CRISP-DM:
- Thu thập dữ liệu âm học: Ghi âm liên tục 35 giờ tại trang trại thực tế, lưu trữ tệp
.mp3.
- Tiền xử lý âm thanh: Tái lấy mẫu (resampling) về tần số chuẩn $f_s = 16000\text{ Hz}$. Chuẩn hóa biên độ tín hiệu về đoạn $[-1.0, 1.0]$.
- Phân đoạn khung (Windowing): Chia tín hiệu thành các frame có độ dài $25\text{ ms}$ ($N = 400\text{ samples}$ tại $16\text{ kHz}$) với độ chồng lấp (hop length) là $10\text{ ms}$ ($160\text{ samples}$), áp dụng cửa sổ Hamming để tránh hiện tượng rò rỉ phổ (spectral leakage).
- Biến đổi toán học: Áp dụng Discrete Fourier Transform (DFT), đưa qua dàn lọc Mel (Mel Filterbank) gồm 26-40 kênh lọc tam giác, lấy Logarithm công suất và thực hiện biến đổi Cosine rời rạc (Discrete Cosine Transform - DCT).
- Giảm chiều và phân cụm: Tính toán ma trận hiệp phương sai, trích xuất các vector riêng mang trị riêng lớn nhất qua PCA, sau đó đưa vào thuật toán K-Means lặp để tìm tâm cụm hội tụ.
Implementation và kết quả
Chi tiết giải thuật và mã nguồn
1. Cơ sở toán học
- Định lý lấy mẫu Nyquist-Shannon: Tần số lấy mẫu phải thỏa mãn $f_s \ge 2 f_{max}$. Với dải âm thanh sinh học của loài ngựa chủ yếu tập trung dưới $8\text{ kHz}$, việc lựa chọn $f_s = 16000\text{ Hz}$ vừa đảm bảo nguyên vẹn thông tin dạng sóng, vừa tiết kiệm $63.7%$ dung lượng bộ nhớ so với chuẩn studio $44100\text{ Hz}$.
- Thang tần số Mel: Mô phỏng cơ chế tiếp nhận phi tuyến của thính giác:
$$f_{mel} = 2595 \cdot \log_{10}\left(1 + \frac{f}{700}\right)$$
- Hệ số MFCC bậc 1, 2 (Delta & Delta-Delta):
$$d(t) = \frac{c(t+1) - c(t-1)}{2}, \quad b(t) = \frac{d(t+1) - d(t-1)}{2}$$
- Hàm mục tiêu K-Means (Inertia/Distortion):
$$J = \sum_{j=1}^{k} \sum_{i \in S_j} |x_i - \mu_j|^2$$
2. Triển khai mã nguồn Python chuẩn mực
Dưới đây là đoạn mã nguồn thực thi toàn bộ pipeline từ đọc file, khử nhiễu, trích xuất đặc trưng MFCC mở rộng, giảm chiều PCA và phân nhóm K-Means:
import numpy as np
import pandas as pd
import librosa
import noisereduce as nr
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
def process_horse_audio_pipeline(file_path: str, target_sr: int = 16000, n_mfcc: int = 40, n_clusters: int = 3):
"""
Pipeline phân tích tín hiệu âm thanh sức khỏe ngựa.
Bao gồm: Load Audio -> Lọc ồn -> Trích xuất MFCC/Delta -> PCA -> K-Means
"""
# 1. Đọc và chuẩn hóa dữ liệu âm thanh
raw_signal, sr = librosa.load(file_path, sr=target_sr, mono=True)
normalized_signal = librosa.util.normalize(raw_signal)
# 2. Khử nhiễu nền chuồng trại bằng Spectral Gating
# Sử dụng 0.5s đầu làm mẫu nhiễu tĩnh nếu có
noise_sample = normalized_signal[0:int(sr * 0.5)]
cleaned_signal = nr.reduce_noise(y=normalized_signal, sr=sr, y_noise=noise_sample, prop_decrease=0.85)
# 3. Trích xuất đặc trưng MFCC, Delta và Delta-Delta
# Frame size = 25ms (400 samples), Hop length = 10ms (160 samples)
n_fft = int(sr * 0.025)
hop_length = int(sr * 0.010)
mfcc = librosa.feature.mfcc(y=cleaned_signal, sr=sr, n_mfcc=n_mfcc, n_fft=n_fft, hop_length=hop_length)
mfcc_delta = librosa.feature.delta(mfcc)
mfcc_delta2 = librosa.feature.delta(mfcc, order=2)
# Kết hợp vector đặc trưng (Shape: [3 * n_mfcc, n_frames])
feature_matrix = np.vstack([mfcc, mfcc_delta, mfcc_delta2]).T # Shape: [n_frames, 3 * n_mfcc]
# 4. Giảm chiều dữ liệu với PCA giữ lại 3 thành phần chính
pca = PCA(n_components=3, random_state=42)
pca_features = pca.fit_transform(feature_matrix)
explained_variance = np.sum(pca.explained_variance_ratio_) * 100
print(f"Tổng phương sai tích lũy của 3 thành phần chính PCA: {explained_variance:.2f}%")
# 5. Phân cụm hành vi âm thanh bằng K-Means
kmeans = KMeans(n_clusters=n_clusters, init='k-means++', n_init=10, max_iter=300, random_state=42)
cluster_labels = kmeans.fit_predict(pca_features)
return {
"signal": cleaned_signal,
"pca_features": pca_features,
"cluster_labels": cluster_labels,
"inertia": kmeans.inertia_,
"explained_variance": explained_variance
}
Thử nghiệm và đánh giá thực nghiệm
Quá trình thực nghiệm tiến hành trên toàn bộ 35 file dữ liệu ghi âm. Để xác định số lượng hệ số MFCC và số cụm tối ưu, đồ án đã tiến hành thử nghiệm chéo:
Đánh giá tỷ lệ phương sai giải thích của PCA theo $n_mfcc$
| Cấu hình đặc trưng |
Số chiều gốc ($3 \times n_mfcc$) |
Phương sai thành phần PC1 |
Phương sai thành phần PC2 |
Phương sai thành phần PC3 |
Tổng phương sai tích lũy (3 PCs) |
| $n_mfcc = 20$ |
60 |
54.21% |
21.34% |
11.15% |
86.70% |
| $n_mfcc = 40$ |
120 |
51.10% |
19.80% |
10.45% |
81.35% |
| $n_mfcc = 80$ |
240 |
46.85% |
18.12% |
9.73% |
74.70% |
| $n_mfcc = 128$ |
384 |
42.30% |
16.50% |
8.90% |
67.70% |
Nhận xét: Cấu hình $n_mfcc = 20$ và $n_mfcc = 40$ cho tỷ lệ tích lũy phương sai vượt trội (>80%), giúp 3 trục tọa độ PCA phản ánh trung thực toàn bộ cấu trúc dữ liệu mà loại bỏ hoàn toàn các chiều nhiễu.
Đánh giá số cụm tối ưu ($K$) bằng phương pháp Elbow (Inertia & Distortion)
| Số cụm ($K$) |
Giá trị Distortion (Khoảng cách trung bình) |
Giá trị Inertia (Tổng bình phương khoảng cách) |
Tỷ lệ suy giảm quán tính |
| $K = 1$ |
4.821 |
182,450.2 |
- |
| $K = 2$ |
2.654 |
94,120.5 |
48.41% |
| $K = 3$ (Điểm khuỷu tay - Elbow) |
1.412 |
45,310.8 |
51.86% |
| $K = 4$ |
1.185 |
36,890.1 |
18.58% |
| $K = 5$ |
0.992 |
29,450.4 |
20.17% |
Kết quả phân cụm thực tế: Tại $K=3$, điểm Elbow xuất hiện rõ nét nhất. Ba cụm đại diện cho 3 nhóm âm thanh riêng biệt trong chuồng:
- Cụm 1 (Tiếng hí, tiếng kêu - Vocalizations): Biên độ dao động mạnh, năng lượng phổ tập trung cao ở dải tần $1000\text{ Hz} - 4000\text{ Hz}$, ZCR biến động lớn.
- Cụm 2 (Tiếng nhai thức ăn & tiếng gõ móng di chuyển): Tần số lặp chu kỳ ngắn ($0.8\text{ Hz} - 1.5\text{ Hz}$), năng lượng trung bình, phân bổ đều ở dải tần số thấp ($< 1500\text{ Hz}$).
- Cụm 3 (Tạp âm nền & im lặng): Mức năng lượng RMSE cực thấp ($< 0.02$), tỷ lệ im lặng (Silence Ratio) chiếm đa số.
Đổi mới và đóng góp
Những cải tiến kỹ thuật đột phá
- Kiến trúc phân tích âm học đa tầng không giám sát: Khác với các phương pháp phân loại giám sát (Supervised Learning) đòi hỏi dán nhãn thủ công hàng vạn khung âm thanh tốn kém, đồ án ứng dụng giải thuật K-Means kết hợp bộ trích chọn MFCC mở rộng (kèm Delta và Delta-Delta) và PCA. Điều này cho phép hệ thống tự thích nghi và gom cụm tín hiệu âm thanh của cá thể mới mà không cần dữ liệu mồi gán nhãn trước.
- Khử nhiễu phổ chuyên dụng cho môi trường trang trại: Tích hợp bộ lọc Spectral Gating thích ứng giúp triệt tiêu tiếng ồn quạt thông gió và tiếng gió lùa nông thôn, tăng tỷ số tín hiệu trên nhiễu (SNR) thêm $8.4\text{ dB}$.
- Tối ưu hóa tài nguyên tính toán (Computational Efficiency):
- Giảm tần số lấy mẫu từ $44.1\text{ kHz}$ xuống $16\text{ kHz}$ giúp giảm $63.7%$ khối lượng dữ liệu đầu vào.
- Giảm chiều từ vector $120$ chiều xuống $3$ thành phần chính qua PCA giúp thuật toán K-Means tăng tốc độ hội tụ gấp $4.8$ lần, mở ra khả năng nhúng trên vi điều khiển biên (Edge Computing).
So sánh với các giải pháp hiện hành
| Đặc tính kỹ thuật |
Nghiên cứu đo gia tốc đeo cổ (Equine Accelerometer) |
Giám sát video chuồng trại (CCTV + YOLOv8) |
Giải pháp của đồ án (Audio MFCC + PCA + K-Means) |
| Độ trễ phát hiện gián đoạn ăn |
15 - 30 phút |
5 - 10 phút (nếu không bị che khuất) |
Thời gian thực (< 2 giây sau khi kết thúc frame) |
| Độ nhạy nhận diện tiếng nhai |
Kém (chỉ đo góc cúi đầu) |
Trung bình (khó nhận diện cử động hàm nhỏ) |
Rất cao (bắt trực tiếp xung âm thanh nhai cỏ) |
| Tính độc lập với ánh sáng |
Độc lập |
Phụ thuộc hoàn toàn vào hồng ngoại/đèn |
Hoàn toàn độc lập |
| Chi phí phần cứng trên mỗi chuồng |
$150 - $300 (phải thay mới do hỏng) |
$200 - $500 (Camera góc rộng + Server AI) |
$25 - $50 (Microphone điện dung + Vi xử lý ESP32/Pi) |
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng trong đời sống
- Hệ thống cảnh báo sớm hội chứng đau bụng (Equine Colic Alert): Thiết bị đặt tại trần chuồng ghi nhận liên tục âm thanh. Nếu trong khoảng thời gian $2\text{ giờ}$ liên tục, tần suất xuất hiện của Cụm 2 (Tiếng nhai) giảm đột ngột xuống dưới $5%$ thời lượng chuẩn, đồng thời tỷ lệ Cụm 1 (Tiếng hí báo hiệu đau đớn) hoặc âm thanh di chuyển tăng đột biến, hệ thống kích hoạt chuông báo động và gửi cảnh báo SMS/Telegram trực tiếp đến bác sĩ thú y.
- Theo dõi chất lượng dinh dưỡng và khẩu phần ăn: Đếm chính xác tổng thời gian nhai trong ngày ($16 - 18\text{ giờ}$ tiêu chuẩn), hỗ trợ điều chỉnh khẩu phần cỏ và thức ăn tinh phù hợp với thể trạng từng cá thể ngựa đua.
+-------------------------------------------------------------------------------+
| MÔ HÌNH TRIỂN KHAI THỰC TẾ TRANG TRẠI |
+-------------------------------------------------------------------------------+
| [Micro định hướng tại chuồng] |
| │ |
| ▼ (Audio stream 16kHz) |
| [Edge Gateway: Raspberry Pi 4 / ESP32-S3] |
| ├──> Tiền xử lý & Lọc ồn Noisereduce |
| ├──> Trích xuất 40 MFCCs + PCA Transform |
| └──> K-Means Inference (Phân loại cụm) |
| │ |
| ▼ (MQTT / HTTP JSON) |
| [Hệ thống IoT Server & Dashboard Quản lý] ──> [Cảnh báo SMS/App tới Bác sĩ] |
+-------------------------------------------------------------------------------+
Yêu cầu phần cứng và chiến lược triển khai
- Thiết bị thu âm (Edge Node): 01 Microphone định hướng độ nhạy cao (độ nhạy $-38\text{ dB} \pm 2\text{ dB}$, dải tần $20\text{ Hz} - 20\text{ kHz}$) lắp đặt tại vị trí máng ăn cách mặt đất $2.5\text{ m}$.
- Phần cứng xử lý tại biên: Raspberry Pi 4 Model B (4GB RAM) hoặc máy tính công nghiệp nhúng mini chạy hệ điều hành Linux Ubuntu Server 22.04 LTS.
- Giao thức truyền dữ liệu: MQTT hoặc Webhook gửi bản tin JSON định kỳ 60 giây chứa thống kê tỷ lệ phần trăm các cụm hành vi về máy chủ trung tâm.
Phân tích hiệu quả kinh tế (ROI)
Với một trang trại nuôi dưỡng 30 cá thể ngựa thể thao giá trị cao:
- Chi phí đầu tư hệ thống âm học ước tính: khoảng $1,500\text{ USD}$ cho toàn bộ 30 chuồng.
- Thiệt hại trung bình cho một ca tử vong do phẫu thuật Colic muộn: dao động từ $15,000\text{ USD}$ đến $50,000\text{ USD}$.
- Hệ thống chỉ cần ngăn chặn sớm thành công $01$ ca đau bụng chuyển biến nặng trong năm đầu tiên đã mang lại tỷ suất hoàn vốn ROI đạt trên $1000%$.
Hạn chế và hướng phát triển
Các hạn chế kỹ thuật hiện tại
- Nhiễu âm thanh chồng lấn (Cocktail Party Effect): Trong điều kiện chuồng trại hở có nhiều cá thể ngựa đứng cạnh nhau, microphone có thể thu lẫn tiếng nhai hoặc tiếng hí từ chuồng lân cận.
- Giới hạn của thuật toán K-Means: K-Means giả định các cụm có dạng hình cầu lồi đồng nhất, có thể phân loại nhầm các trường hợp tiếng thở dốc bất thường với tạp âm môi trường phức tạp.
- Thiếu nhãn lâm sàng chuyên sâu: Tập dữ liệu 35 giờ tuy phản ánh chân thực nhịp sinh hoạt nhưng chưa bao gồm các ca bệnh thực tế được xác nhận bởi hồ sơ bệnh án thú y chính thức tại thời điểm ghi âm.
Lộ trình nâng cấp và mở rộng
- Chuyển dịch sang mô hình Deep Learning giám sát: Ứng dụng mạng nơ-ron tích chập 2D (2D-CNN), Audio Spectrogram Transformer (AST) hoặc CRNN huấn luyện trên ảnh phổ Log-Mel Spectrogram để phân loại chi tiết hơn 10 trạng thái âm thanh khác nhau.
- Kỹ thuật tách nguồn âm thanh (Blind Source Separation): Ứng dụng thuật toán Beamforming kết hợp mảng Micro (Microphone Array) để định hướng chính xác âm thanh phát ra từ từng cá thể riêng biệt trong chuồng mở.
- Phát triển ứng dụng di động hoàn chỉnh: Xây dựng ứng dụng Flutter đa nền tảng kết hợp hệ thống thông báo đẩy (Push Notifications) khi phát hiện nhịp nhai bất thường theo thời gian thực.
Đối tượng hưởng lợi
+--------------------------------------------------------------------------------------+
| ĐỐI TƯỢNG HƯỞNG LỢI |
+--------------------------------------------------------------------------------------+
| |
| 🎓 SINH VIÊN & NGHIÊN CỨU SINH 💻 KỸ SƯ DỮ LIỆU & LẬP TRÌNH VIÊN |
| - Mã nguồn mẫu pipeline âm thanh - Pipeline hoàn chỉnh Scikit-Learn/Librosa |
| - Cơ sở toán học MFCC, STFT, PCA - Kỹ thuật giảm chiều tối ưu thuật toán |
| |
| 🐎 CHỦ TRANG TRẠI & DOANH NGHIỆP 🩺 BÁC SĨ THÚ Y & CHUYÊN GIA DINH DƯỠNG |
| - Giảm >90% nhân công theo dõi đêm - Dữ liệu khách quan về nhịp ăn uống |
| - Ngăn ngừa rủi ro tử vong do Colic - Chẩn đoán sớm rối loạn tiêu hóa |
| |
+--------------------------------------------------------------------------------------+
- Sinh viên và nhà nghiên cứu công nghệ: Cung cấp tài liệu tham khảo thực nghiệm hoàn chỉnh về quy trình xử lý tín hiệu số (DSP) và học máy không giám sát áp dụng cho lĩnh vực âm sinh học (Bio-acoustics).
- Kỹ sư trí tuệ nhân tạo: Bản thiết kế kiến trúc chuẩn mực để khai thác thư viện
librosa và scikit-learn trong việc biến đổi dữ liệu âm thanh phi cấu trúc thành các vector đặc trưng phục vụ phân cụm.
- Chủ trang trại và doanh nghiệp chăn nuôi: Sở hữu giải pháp giám sát thông minh không xâm lấn, giảm chi phí nhân sự trực ca đêm lên đến $90%$ và đảm bảo an toàn tối đa cho vật nuôi có giá trị kinh tế cao.
- Bác sĩ thú y: Công cụ hỗ trợ chẩn đoán chính xác (Computer-Aided Diagnosis), cung cấp biểu đồ lịch sử ăn uống liên tục giúp phát hiện sớm các bệnh lý nha khoa và tiêu hóa ở ngựa.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật phần cứng tối thiểu để triển khai pipeline phân tích âm thanh này là gì?
Hệ thống yêu cầu thiết bị thu âm hỗ trợ tần số lấy mẫu tối thiểu $16\text{ kHz}$ với độ phân giải 16-bit. Về năng lực xử lý, một vi xử lý lõi tứ ARM Cortex-A72 (như Raspberry Pi 4) với $2\text{GB RAM}$ hoàn toàn có thể thực thi việc trích xuất MFCC, biến đổi PCA và phân cụm K-Means cho đoạn âm thanh $60\text{ giây}$ trong vòng chưa đầy $1.2\text{ giây}$.
2. Hệ thống xử lý thế nào khi môi trường chuồng trại có tiếng mưa lớn hoặc máy móc vận hành?
Quy trình được trang bị lớp tiền xử lý khử ồn qua thư viện noisereduce sử dụng giải thuật Spectral Gating. Khi có tiếng ồn nền kéo dài liên tục (như tiếng mưa hoặc quạt máy), thuật toán sẽ trích xuất phổ tĩnh của tạp âm và triệt tiêu có chọn lọc trên toàn bộ dải tần số mà không làm méo mó các thành phần formant chính của tiếng hí và tiếng nhai.
3. Tại sao đồ án lại lựa chọn tần số lấy mẫu 16 kHz thay vì chuẩn phổ thông 44.1 kHz?
Dải tần số âm thanh phát ra từ các hoạt động sinh học của ngựa (tiếng nhai, thở, hí) tập trung chủ yếu dưới ngưỡng $7\text{ kHz} - 8\text{ kHz}$. Theo định lý Nyquist, tần số lấy mẫu $16\text{ kHz}$ là hoàn toàn đủ để tái tạo chính xác tín hiệu mà không xảy ra hiện tượng chồng phổ (aliasing), đồng thời giảm tải $63.7%$ khối lượng dữ liệu tính toán và tiết kiệm dung lượng lưu trữ lâu dài.
4. Giải pháp có thể tích hợp với các hệ thống quản lý chuồng trại (Farm Management Systems) có sẵn không?
Toàn bộ mã nguồn được đóng gói dạng module hướng đối tượng, dễ dàng đóng gói thành các dịch vụ Docker container hoặc RESTful API/MQTT client để truyền dữ liệu thống kê trực tiếp vào cơ sở dữ liệu của các phần mềm quản trị trang trại hiện hữu.
5. Chi phí bảo trì định kỳ cho hệ thống âm thanh này có đắt không?
Do sử dụng phương pháp cảm biến bị động gắn cố định trên cao, micro không tiếp xúc trực tiếp với cơ thể ngựa nên không bị va đập, cọ xát cơ học hay bám bẩn bởi chất thải. Chi phí bảo dưỡng định kỳ gần như bằng không, chỉ cần vệ sinh màng lọc bụi của micro định kỳ 6 tháng/lần.
Kết luận
Đồ án tốt nghiệp "Phân tích tín hiệu âm thanh để nhận diện tình trạng sức khỏe của ngựa" của tác giả Phạm Đức Long đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra, mang lại một giải pháp khoa học dữ liệu ứng dụng giàu giá trị thực tiễn. Bằng việc kết hợp chặt chẽ giữa lý thuyết xử lý tín hiệu âm thanh số (lọc nhiễu, biến đổi Fourier, trích xuất MFCC) và các thuật toán học máy hiện đại (giảm chiều dữ liệu PCA, phân cụm tối ưu K-Means), đề tài đã chứng minh tính khả thi vượt trội của phương pháp giám sát âm học không xâm lấn trong chăn nuôi công nghệ cao.
Kết quả thực nghiệm trên 35 giờ dữ liệu thực tế khẳng định hệ thống có khả năng phân tách chính xác các hành vi âm thanh đặc trưng của ngựa, tạo tiền đề vững chắc để xây dựng các thiết bị IoT cảnh báo sớm bệnh lý đau bụng cấp tính (Colic). Hướng nghiên cứu này không chỉ góp phần nâng cao phúc lợi động vật mà còn mang lại lợi ích kinh tế bền vững cho ngành chăn nuôi gia súc tại Việt Nam và trên thế giới. Quý độc giả và các nhà phát triển quan tâm có thể tiếp tục mở rộng mô hình sang kiến trúc học sâu thời gian thực để ứng dụng rộng rãi trên nhiều loài gia súc khác nhau.
