Tổng quan về luận án

Trong kỷ nguyên chuyển đổi số y tế và kỹ thuật y sinh hiện đại, xử lý dữ liệu không đầy đủ (incomplete data processing) là một trong những thách thức cốt lõi đối với các hệ thống hỗ trợ chẩn đoán lâm sàng. Luận án tiến sĩ kỹ thuật viễn thông với đề tài "Phân tích và xử lý tín hiệu cho dữ liệu không đầy đủ ứng dụng trong y sinh" do nghiên cứu sinh Trương Minh Chính thực hiện dưới sự hướng dẫn của PGS. Nguyễn Linh Trung và GS. Đỗ Ngọc Minh (Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội, 2019, Mã số: 9510302.02) là công trình nghiên cứu tiên phong giải quyết bài toán dữ liệu thiếu hụt trong hai công nghệ chẩn đoán y sinh trọng yếu: Tạo ảnh cộng hưởng từ (Magnetic Resonance Imaging - MRI) và Điện não đồ (Electroencephalogram - EEG).

Nghiên cứu tập trung vào hai cơ chế phát sinh dữ liệu không đầy đủ:

  1. Thu thập dữ liệu thiếu hụt chủ động: Giảm số lượng mẫu thu thập trong không gian $k$ (k-space under-sampling) nhằm vượt qua giới hạn vật lý về thời gian quét của hệ thống MRI truyền thống và kỹ thuật tạo ảnh cộng hưởng từ tĩnh nhanh SWIFT (Sweep Imaging with Fourier Transformation).
  2. Khôi phục dữ liệu thiếu hụt thụ động: Xử lý sự mất mát tín hiệu đa kênh trong đo đạc điện não đồ EEG do nhiễu kỹ thuật, điện cực tiếp xúc không ổn định hoặc lỗi truyền thông.

Khoảng trống nghiên cứu (Research Gap) được xác định rõ ràng từ y văn quốc tế: Các phương pháp lấy mẫu nén cho MRI (CS-MRI) truyền thống của Lustig và cộng sự (2007) dựa trên ma trận lấy mẫu ngẫu nhiên (random sampling), vốn khó hiện thực hóa trên phần cứng xung gradient và tiêu tốn tài nguyên bộ nhớ; đồng thời chưa tích hợp với kỹ thuật kích thích xung RF băng rộng hiện đại như SWIFT của Idiyatullin và cộng sự (2006). Mặt khác, đối với tín hiệu EEG đa chiều, thuật toán phân tích ten-xơ CP trọng số (CP-WOPT) của Acar và cộng sự (2011) vận hành ở chế độ khối (batch processing), đòi hỏi toàn bộ dữ liệu lịch sử và có chi phí tính toán lớn, không đáp ứng được yêu cầu giám sát thời gian thực (online/adaptive processing).

Luận án thiết lập hai câu hỏi nghiên cứu và giả thuyết tương ứng:

  • RQ1: Làm thế nào để thiết kế một cơ chế lấy mẫu nén tất định, có phân bố năng lượng linh hoạt trên không gian $k$ nhằm tăng tốc độ quét MRI và SWIFT mà vẫn đảm bảo độ chính xác khôi phục ảnh?
    • H1: Việc tích hợp chuỗi hỗn loạn tất định (chaotic sequence) từ hệ logistic biến đổi Gauss/Bernoulli vào ma trận lấy mẫu cho MRI/SWIFT sẽ thỏa mãn điều kiện không liên kết (incoherence) và tính chất đẳng cự giới hạn (RIP), giúp giảm thời gian thu nhận với sai số tái tạo NRMSE và MAE tối ưu so với lấy mẫu ngẫu nhiên.
  • RQ2: Làm thế nào để phân tích thành phần song song (CP/PARAFAC) thích nghi cho ten-xơ bậc 3 khi dữ liệu bị mất mát theo thời gian thực?
    • H2: Quy đổi bài toán phân tích ten-xơ thích nghi về bài toán ước lượng không gian con đệ quy (subspace tracking) cải tiến từ thuật toán PETRELS sẽ cho phép trích xuất đặc trưng và khôi phục kênh EEG bị mất với độ phức tạp tính toán thấp hơn đáng kể so với xử lý khối.

Phạm vi nghiên cứu bao quát từ mô hình toán học giải tích, chuỗi hỗn loạn, ten-xơ bậc 3 $\mathcal{X} \in \mathbb{R}^{I \times J(t) \times K}$ đến mô phỏng thực nghiệm trên bộ dữ liệu ảnh MRI não và dữ liệu điện não đồ thực tế 19-32 kênh chuẩn quốc tế Jasper 10/20 và ACNS 10/10, được tài trợ bởi Quỹ NAFOSTED (Đề tài 102.32) và Đại học Quốc gia Hà Nội (Đề tài QG.40).

Literature Review và Positioning

Lý thuyết lấy mẫu nén (Compressed Sensing - CS) đặt nền móng bởi Candes, Romberg, Tao (2006) và Donoho (2006) đã chứng minh rằng một tín hiệu $K$-thưa ($K$-sparse) trong một miền cơ sở $\Psi$ có thể được khôi phục chính xác từ $M$ mẫu đo tuyến tính ($M \ll N$) thông qua tối ưu hóa chuẩn $\ell_1$, phá vỡ giới hạn định lý Nyquist-Shannon. Trong y sinh, Candes và cộng sự (2006) cùng Lustig, Donoho, Pauly (2007) đã đề xuất phương pháp CS-MRI, chỉ ra rằng: "Ảnh MRI não là ảnh thưa: Ảnh MRI có biểu diễn thưa trong miền sóng con (wavelet)". Tuy nhiên, CS-MRI truyền thống sử dụng ma trận ngẫu nhiên Gauss/Bernoulli, tạo nên sự tranh luận học thuật lớn giữa hai trường phái:

  1. Trường phái Lấy mẫu Ngẫu nhiên (Random CS): Ủng hộ tính tối ưu lý thuyết của xác suất thỏa mãn RIP bậc $2K$ với số mẫu $M \ge C \cdot K \log(N/K)$, nhưng gặp trở ngại nghiêm trọng khi triển khai trên phần cứng thực tế do tính ngẫu nhiên không tương thích với quỹ đạo điều khiển dòng xung gradient liên tục.
  2. Trường phái Lấy mẫu Tất định (Deterministic CS): Tiêu biểu là các nghiên cứu của DeVore (2007) và Li et al. (2012), đề xuất sử dụng ma trận tất định hoặc hệ động lực phi tuyến (hệ hỗn loạn logistic, Chebyshev) để cố định cấu trúc phần cứng, tiết kiệm bộ nhớ lưu trữ mặt nạ lấy mẫu (mask) và tái lập chính xác quỹ đạo lấy mẫu.

Đối với phân tích ten-xơ trong xử lý tín hiệu EEG, Kolda và Bader (2009), Cichocki và cộng sự (2015) đã hệ thống hóa phân tích đa tuyến tính (multilinear analysis), trong đó phân tích phần tử song song (Canonical Polyadic Decomposition - CPD hay PARAFAC) đóng vai trò then chốt để tách tín hiệu nguồn não theo 3 chiều: Kênh không gian $\times$ Thời gian $\times$ Tần số. Điểm nghẽn học thuật xuất hiện khi dữ liệu EEG bị mất quan sát. Công trình tiêu biểu của Acar, Dunlavy, Kolda, Mørup (2011) đề xuất CP-WOPT giải bài toán tối ưu trọng số theo đạo hàm phi tuyến gradient liên hợp (NCG), nhưng bị giới hạn bởi cấu trúc xử lý khối (batch mode). Trong khi đó, các thuật toán ước lượng không gian con thích nghi như PAST của Yang (1995) hay OPAST của Abed-Meraim et al. (2000) chỉ xử lý dữ liệu đầy đủ. Phải đến khi Chi, Eldar, Calderbank (2013) công bố thuật toán PETRELS (Parallel Estimation and Tracking by REcursive Least Squares), bài toán ước lượng không gian con cho dữ liệu không đầy đủ mới đạt bước đột phá, song PETRELS chưa được mở rộng cấu trúc đa tuyến tính ten-xơ.

Vị thế học thuật của luận án được xác lập tại giao điểm của các lý thuyết trên, so sánh trực tiếp với hai nghiên cứu quốc tế điển hình:

  • So với công trình CS-MRI của Lustig et al. (2007, Magnetic Resonance in Medicine), luận án chuyển dịch toàn diện từ cơ chế lấy mẫu ngẫu nhiên sang cơ chế lấy mẫu hỗn loạn tất định thích ứng mật độ phổ năng lượng (NewCCS-MRI) và mở rộng sang kỹ thuật SWIFT (CCS-SWIFT).
  • So với thuật toán CP-WOPT của Acar et al. (2011, Bioinformatics), luận án phát triển khung phân tích CP thích nghi trực tuyến từ PETRELS, giảm thời gian xử lý xuống mức tức thời trên từng lát cắt thời gian $J(t)$, khắc phục triệt để độ trễ tính toán trong các giao diện não - máy tính (BCI).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp sâu sắc vào lý thuyết xử lý tín hiệu thống kê và đại số đa tuyến tính thông qua việc mở rộng các lý thuyết nền tảng:

  1. Mở rộng Lý thuyết Lấy mẫu Nén Tất định (Deterministic CS Theory): Luận án chứng minh rằng chuỗi hỗn loạn phi tuyến sinh từ phương trình Logistic map: $$h_L(n + 1) = \alpha h_L(n)(1 - h_L(n)), \quad \alpha = 4$$ sở hữu hàm mật độ xác suất đối xứng $P(x) = \frac{1}{\pi \sqrt{x(1-x)}}$, khi được chuyển đổi phi tuyến qua hàm giải tích: $$G_L(n) = \sqrt{2}\text{erf}^{-1}(2h_L(n) - 1)$$ sẽ hình thành dãy tất định mang đầy đủ tính chất thống kê của biến ngẫu nhiên Gauss $\mathcal{N}(0, \pi)$ hoặc phân bố đều $U(0, 2^q - 1)$. Việc áp dụng dãy này vào mặt nạ không gian $k$ giải quyết triệt để nghịch lý giữa tính tất định phần cứng và tính chất không liên kết (incoherence) $\mu(\Phi, \Psi) \in [1, \sqrt{N}]$.
  2. Mở rộng Lý thuyết Đại số Ten-xơ Đa tuyến tính: Luận án hình thức hóa bài toán biểu diễn ten-xơ bậc 3 $\mathcal{X} \in \mathbb{R}^{I \times J(t) \times K}$ có chiều $J(t)$ tăng dần theo thời gian thành mô hình không gian con ma trận hóa: $$X_{(1)}(t) = (A \odot C) B^T(t) = W(t) B^T(t)$$ trong đó $\odot$ là tích Khatri-Rao, kết hợp toán tử tích Kronecker $\otimes$ và phân tích giá trị suy biến (SVD) để phân rã cột $w_r(t) = a_r(t) \otimes c_r(t)$ thành các ma trận thành phần $A(t) \in \mathbb{R}^{I \times R}$ (kênh không gian) và $C(t) \in \mathbb{R}^{K \times R}$ (tần số/thời gian) có bậc hạng $R$ xác định.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên ngành 3 trụ cột lý thuyết: Hệ động lực hỗn loạn (Chaos Theory), Lý thuyết Tối ưu hóa Lồi (Convex Optimization) và Lý thuyết Ước lượng Không gian con Đệ quy (Recursive Subspace Estimation).

graph TD
    A["Dữ liệu Y sinh Không đầy đủ"] --> B["Thu thập Thiếu hụt Chủ động (MRI / SWIFT)"]
    A --> C["Mất mát Dữ liệu Thụ động (Tín hiệu Não EEG)"]
    
    B --> D["Hệ Hỗn loạn Logistic Tất định (α=4)"]
    D --> E["Ma trận Lấy mẫu Hỗn loạn Không gian k (NewCCS / CCS-SWIFT)"]
    E --> F["Khôi phục Ảnh Tối ưu hóa lồi NCG"]
    
    C --> G["Ten-xơ bậc 3: X ∈ R^(I × J(t) × K)"]
    G --> H["Ước lượng Không gian con Đệ quy (MS/NL/SW-PETRELS)"]
    H --> I["Phân tích SVD Hạng 1 & Cập nhật Khatri-Rao (CP-MS / CP-NL)"]
    I --> J["Trích xuất Đặc trưng & Khôi phục Kênh EEG Bị mất"]

Quy trình giải tích được thiết lập với các điều kiện biên chặt chẽ:

  • Điều kiện biên không gian con: Không gian con sinh bởi $W(t)$ có số chiều thấp ($r \ll \min(I \cdot K, J)$) và biến thiên chậm giữa hai thời điểm liên tiếp: $|W(t) - W(t-1)|_F \le \epsilon$.
  • Mô hình mất mát dữ liệu: Ma trận quan sát đường chéo $P(t) = \text{diag}{p(t)} \in {0, 1}^{M \times M}$ với các phần tử nhị phân $p_m(t)$ đại diện cho trạng thái quan sát của kênh $m$ tại thời điểm $t$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ triệt để chủ nghĩa thực chứng (positivism) kết hợp suy diễn toán học hình thức và kiểm chứng thực nghiệm mô phỏng. Thiết kế nghiên cứu đa tầng (multi-level experimental design) được xây dựng có cấu trúc:

  • Tầng 1 (Toán học giải tích): Chứng minh tính hội tụ, phân bố thống kê và độ phức tạp tính toán lý thuyết ($\mathcal{O}$-notation).
  • Tầng 2 (Mô phỏng bán nhân tạo): Kiểm thử thuật toán trên dữ liệu tổng hợp với các mức tỷ lệ mất mát (missing ratio từ 10% đến 80%) và mức nhiễu Gauss trắng $\sigma_n \in [10^{-3}, 10^{-2}]$.
  • Tầng 3 (Xác thực dữ liệu y sinh thực tế): Đánh giá trên tập dữ liệu ảnh chụp cộng hưởng từ MRI não và dữ liệu điện não đồ EEG ghi nhận từ hệ thống đa điện cực chuẩn y tế.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu triển khai qua hai trục xử lý độc lập nhưng tương hỗ:

sequenceDiagram
    participant P as Bệnh nhân / Đối tượng đo
    participant S as Hệ thống Thu nhận (MRI/EEG)
    participant A as Thuật toán Đề xuất
    participant R as Kết quả Tái tạo / Chẩn đoán
    
    Note over S,A: Trục 1: Tăng tốc Tạo ảnh MRI / SWIFT
    S->>A: Lấy mẫu không gian k hỗn loạn (NewCCS / CCS-SWIFT)
    A->>A: Tối ưu hóa lồi phi tuyến NCG với biến đổi Wavelet Ψ
    A->>R: Ảnh giải phẫu độ phân giải cao (NRMSE, MAE cực tiểu)
    
    Note over S,A: Trục 2: Xử lý EEG Đa kênh Thiếu hụt
    S->>A: Ma trận quan sát P(t) và luồng tín hiệu y(t) = P(t)x(t)
    A->>A: Ước lượng không gian con MS-PETRELS / NL-PETRELS
    A->>A: Cập nhật ma trận thành phần A(t), B(t), C(t) thích nghi
    A->>R: Tái tạo kênh mất (TCS) & Tách sóng nhịp não (FMS)

Quy trình kiểm tra độ tin cậy và tính hợp lệ (validity & reliability) được bảo đảm bằng phương pháp tam giác hóa phương pháp (methodological triangulation):

  • Đối với MRI/SWIFT: Đánh giá định lượng qua sai số trung bình bình phương chuẩn hóa (Normalized Root Mean Square Error - NRMSE), sai số tuyệt đối trung bình (Mean Absolute Error - MAE) và hàm trải điểm chuyển đổi (Transform Point Spread Function - TPSF): $$\text{TPSF}(i; j) = e_j^T \Psi F_u^* F_u \Psi^* e_i$$
  • Đối với Ten-xơ EEG: Đánh giá chỉ số khớp nhân tử (Factor Match Score - FMS), chỉ số khôi phục ten-xơ (Tensor Completion Score - TCS), hiệu suất ước lượng không gian con (Subspace Estimation Performance - SEP) và sai số dư chuẩn hóa (Normalized Residual Error - NRE).

Data và phân tích

Luận án xây dựng và cải tiến 3 thuật toán ước lượng không gian con từ PETRELS:

  1. SW-PETRELS (Sliding Window PETRELS): Tích hợp cửa sổ trượt độ dài $L$ thay thế hệ số quên $\lambda$, tăng khả năng bám bắt không gian con thay đổi nhanh.
  2. NL-PETRELS (Non-Linear PETRELS): Tích hợp gradient liên hợp phi tuyến giải trực tiếp hàm chi phí có ràng buộc phi tuyến.
  3. MS-PETRELS (Modified Simplified PETRELS): Cải tiến ma trận hiệp phương sai đệ quy $R_m(t)$ thành dạng đơn giản hóa chung $R(t) = \lambda R(t-1) + a(t)a^T(t)$ nhưng bổ sung hệ số hiệu chỉnh thích nghi theo từng hàng quan sát $p_m(t)$, giảm độ phức tạp từ $\mathcal{O}(M r^2)$ xuống $\mathcal{O}(M r + r^3)$.

Đối với phân tích ten-xơ, cấu trúc trích xuất ma trận thành phần $A(t)$ và $C(t)$ từ ma trận không gian con $W(t) \in \mathbb{R}^{IK \times R}$ được thực hiện qua việc tái lập ma trận cục bộ $\text{unvec}(w_r) \in \mathbb{R}^{I \times K}$ và áp dụng phân tích SVD bậc 1: $$\text{unvec}(w_r) \approx \sigma_{r,1} u_{r,1} v_{r,1}^T \implies a_r(t) = \sqrt{\sigma_{r,1}} u_{r,1}, \quad c_r(t) = \sqrt{\sigma_{r,1}} v_{r,1}$$

Hệ thống thuật toán được hiện thực hóa trên môi trường tính toán MATLAB R2018a/2019a với các gói thư viện chuyên dụng Tensor Toolbox và Wavelet Toolbox.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm mô phỏng và phân tích dữ liệu thực tế mang lại các phát hiện khoa học đột phá:

Phương pháp / Thuật toán Tỷ lệ lấy mẫu / Kênh quan sát Môi trường nhiễu / Điều kiện Chỉ số hiệu năng định lượng (NMRSE / MAE / FMS / TCS) Ý nghĩa đột phá khoa học
NewCCS-MRI Tỷ số nén $r_{cs} = 0.25 - 0.50$ Không gian $k$ phân bố Gauss $\text{NRMSE} \le 0.042$, giảm 18.5% so với CS-MRI Mặt nạ hỗn loạn tất định vượt trội lấy mẫu ngẫu nhiên về độ mịn biên ảnh
CCS-SWIFT Tỷ số nén $r_{cs} = 0.30$ Xung điều chế Hyperbolic Secant $HS_n$ $\text{MAE} = 0.015$, Tỷ lệ thành công $99.2%$ Kết hợp thành công CS tất định với kỹ thuật quét MRI tĩnh nhanh
MS-PETRELS Tỷ lệ quan sát $40% - 60%$ Không gian con tĩnh & động, $\sigma_n = 10^{-3}$ $\text{SEP} \le -38\text{ dB}$, $\text{NRE} \le 10^{-4}$ Tốc độ hội tụ nhanh gấp 2.4 lần so với PETRELS gốc
CP-NL & CP-MS Mất từ 1 đến 8 kênh EEG Ten-xơ EEG $\mathbb{R}^{19 \times J(t) \times 64}$, $\sigma_n = 10^{-2}$ $\text{FMS} \ge 0.962$, $\text{TCS} \ge 0.945$ Khôi phục chính xác các sóng nhịp não Alpha, Beta khi mất tín hiệu

Các kết quả phản trực giác (counter-intuitive findings) và phát hiện mới:

  • Việc áp dụng ma trận lấy mẫu tất định từ chuỗi hỗn loạn không làm suy giảm chất lượng ảnh mà ngược lại, tạo ra tính không liên kết (incoherence) đồng đều hơn trên toàn bộ phổ biến đổi sóng con $\Psi$, loại bỏ hiện tượng kết tụ mẫu (sample clustering) thường gặp trong bộ sinh số ngẫu nhiên giả (pseudo-random generator).
  • Trong thuật toán CP-MS, dù đơn giản hóa việc cập nhật ma trận nghịch đảo đệ quy $R(t)$, độ chính xác khớp nhân tử FMS vẫn đạt trên $0.96$, tương đương với phương pháp tối ưu hóa khối CP-WOPT nhưng thời gian thực thi giảm hơn $85%$.

Implications đa chiều

  1. Ý nghĩa Lý thuyết: Cung cấp bằng chứng thực nghiệm và toán học xác nhận khả năng dung hợp giữa lý thuyết hỗn loạn phi tuyến và lý thuyết xấp xỉ không gian con đa tuyến tính, đặt nền tảng cho việc mở rộng các bài toán ten-xơ bậc cao ($N \ge 4$) trong dữ liệu dòng (data stream).
  2. Ý nghĩa Phương pháp luận: Thiết lập quy trình chuẩn mực về việc quy đổi phân tích cấu trúc đa chiều sang chuỗi các bài toán bình phương tối thiểu đệ quy đan xen phân rã SVD cục bộ, cho phép ứng dụng rộng rãi trong các lĩnh vực xử lý tín hiệu mảng (array processing), radar và viễn thông MIMO.
  3. Ứng dụng Thực tiễn và Y tế:
    • Tối ưu hóa máy quét MRI: Cho phép giảm thời gian chụp cộng hưởng từ từ 30-45 phút xuống còn 10-15 phút mà không làm suy giảm độ phân giải giải phẫu, giảm thiểu hội chứng sợ không gian kín (claustrophobia) và sai lệch do chuyển động của bệnh nhân.
    • Hệ thống Giám sát Não bộ Trực tuyến: Cho phép xây dựng các thiết bị BCI đeo đầu (wearable EEG) giá thành thấp, tự động bù đắp và tái tạo dữ liệu khi các điện cực bị lỏng hoặc nhiễu mồ hôi trong thời gian thực.
  4. Đề xuất Chính sách Y tế: Cung cấp cơ sở khoa học để Bộ Y tế và các bệnh viện tuyến trung ương nâng cấp phần mềm điều khiển trên các hệ thống MRI hiện hữu mà không cần tái đầu tư phần cứng đắt đỏ, góp phần giảm tải áp lực dịch vụ chẩn đoán hình ảnh quốc gia.

Limitations và Future Research

Luận án thẳng thắn chỉ rõ 4 giới hạn nghiên cứu chính:

  1. Giới hạn Chiều không gian Ảnh MRI: Nghiên cứu mới dừng lại ở việc xử lý mô hình ảnh MRI lát cắt 2 chiều ($2\text{D}$ Cartesian k-space), chưa mở rộng sang không gian 3D/4D (không gian - thời gian trong MRI chức năng fMRI) hoặc các quỹ đạo quét phi Đề-các phức tạp (radial, spiral trajectories).
  2. Giới hạn Động học Không gian con EEG: Giả thiết không gian con biến thiên chậm ($|W(t) - W(t-1)|_F \approx 0$) có thể không hoàn toàn tối ưu trong các trạng thái não thay đổi đột ngột như cơn động kinh kịch phát (epileptic seizures) hoặc biến cố co giật tức thời.
  3. Mô hình Mất mát Dữ liệu: Mô hình mất quan sát trong luận án chủ yếu khảo sát dạng mất mát ngẫu nhiên độc lập (missing completely at random - MCAR), chưa bao quát toàn diện dạng mất dữ liệu có cấu trúc khối liên tục kéo dài (burst packet loss).
  4. Ràng buộc Phần cứng: Các đánh giá thực nghiệm được thực hiện trên môi trường mô phỏng máy tính số, chưa nạp trực tiếp mã nhúng (firmware) vào chip xử lý tín hiệu số DSP/FPGA trên máy MRI lâm sàng thực tế.

Chương trình nghiên cứu 5-10 năm tiếp theo (Future Research Agenda):

  • Phát triển thuật toán lấy mẫu nén hỗn loạn cho MRI 3D/4D đa kênh song song (Parallel MRI - pMRI kết hợp SENSE/GRAPPA).
  • Mở rộng phân tích ten-xơ thích nghi lên ten-xơ bậc 4 (Thời gian $\times$ Tần số $\times$ Kênh $\times$ Thử nghiệm/Đối tượng) phục vụ phân tích dữ liệu lớn thần kinh học (Neuroimaging Big Data).
  • Nghiên cứu cơ chế tự động ước lượng hạng ten-xơ $R(t)$ thích nghi dựa trên tiêu chuẩn độ dài mô tả tối thiểu (Minimum Description Length - MDL).
  • Tích hợp mạng nơ-ron sâu sinh sâu (Deep Generative Models / Diffusion Models) với phân tích ten-xơ thích nghi để tăng cường khả năng khôi phục tín hiệu cực đoan (missing $> 80%$).

Tác động và ảnh hưởng

Luận án tạo ra tác động học thuật và xã hội sâu rộng:

  • Tác động Học thuật: Các công trình công bố từ luận án trên các tạp chí quốc tế ISI/Scopus uy tín và kỷ yếu hội nghị đầu ngành IEEE (như IEEE Signal Processing Letters, REV Journal on Electronics and Communications, ATC) khẳng định vị thế của nghiên cứu xử lý tín hiệu y sinh Việt Nam trên trường quốc tế.
  • Chuyển đổi Công nghiệp Thiết bị Y tế: Cung cấp giải pháp phần mềm lõi cho các nhà sản xuất máy chụp cộng hưởng từ và thiết bị điện não đồ trong việc nâng cấp thuật toán nội suy và nén dữ liệu tại chỗ (edge processing).
  • Lợi ích Xã hội và Chăm sóc Sức khỏe: Giúp hạ giá thành dịch vụ chẩn đoán hình ảnh, rút ngắn thời gian chờ đợi của bệnh nhân, nâng cao chất lượng chẩn đoán sớm các bệnh lý thoái hóa thần kinh (Alzheimer, Parkinson) và tổn thương cấu trúc não.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học trẻ: Tiếp cận một tài liệu học thuật mẫu mực kết hợp chặt chẽ giữa toán học đại số trừu tượng, lý thuyết thông tin và kỹ thuật y sinh ứng dụng; mở ra các hướng đề tài mới về ten-xơ thích nghi.
  • Giáo sư & Chuyên gia Học thuật: Khai thác khung phân tích CP đệ quy để mở rộng cho các bài toán xử lý dữ liệu cảm biến đa chiều trong Internet vạn vật (IoT), mạng thông tin vô tuyến 5G/6G và xử lý địa chấn.
  • Kỹ sư R&D Y sinh: Ứng dụng trực tiếp mã nguồn thuật toán MS-PETRELS và CCS-SWIFT vào việc phát triển sản phẩm máy đo EEG di động và module tăng tốc phần mềm MRI.
  • Bác sĩ Lâm sàng & Nhà quản lý Bệnh viện: Tiếp cận hình ảnh chẩn đoán có độ tương phản cao trong thời gian chụp ngắn hơn, tối ưu hóa quy trình khám chữa bệnh cho hàng triệu bệnh nhân mỗi năm.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào? Trả lời: Đóng góp độc đáo nhất là việc xây dựng thành công cầu nối giải tích giữa lý thuyết hệ động lực hỗn loạn (Chaotic Dynamics) và lấy mẫu nén tất định thông qua biến đổi tích phân nghịch đảo hàm sai số Gauss $\text{erf}^{-1}(\cdot)$, chứng minh chuỗi logistic map $\alpha = 4$ hoàn toàn thỏa mãn các điều kiện đẳng cự giới hạn RIP và độ không liên kết của Candes & Donoho mà không cần đến nguồn phát ngẫu nhiên ngốn bộ nhớ.

  2. Đột phá phương pháp luận của luận án khi so sánh với hai nghiên cứu quốc tế điển hình? Trả lời: So với CS-MRI ngẫu nhiên của Lustig et al. (2007), luận án tạo ra mặt nạ lấy mẫu tất định thích ứng mật độ phổ năng lượng không gian $k$ giúp giảm NRMSE tới 18.5%; so với thuật toán CP-WOPT xử lý khối của Acar et al. (2011), các thuật toán thích nghi CP-MS và CP-NL của luận án giải quyết bài toán trực tuyến trên từng slice $J(t)$, giảm thời gian tính toán hơn 85% trong khi duy trì chỉ số khớp nhân tử $\text{FMS} \ge 0.96$.

  3. Phát hiện thực nghiệm gây bất ngờ nhất được chứng minh bằng dữ liệu là gì? Trả lời: Phát hiện thuật toán đơn giản hóa cải tiến MS-PETRELS với ma trận cập nhật đồng nhất $R(t)$ không những không bị phân kỳ mà còn đạt độ chính xác ước lượng không gian con $\text{SEP} \le -38\text{ dB}$ (tại mức quan sát 40%), bám bắt không gian con nhanh hơn 2.4 lần so với thuật toán PETRELS gốc của Chi et al. (2013).

  4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) rõ ràng không? Trả lời: Hoàn toàn có. Toàn bộ các tham số mô phỏng (hệ số quên $\lambda = 0.98$, tham số hỗn loạn $\alpha = 4$, giá trị khởi tạo $W(0)$, mức nhiễu $10^{-3} - 10^{-2}$, kích thước ma trận ten-xơ EEG $\mathbb{R}^{19 \times J(t) \times 64}$) cùng giả mã chi tiết của các thuật toán SW-PETRELS, NL-PETRELS, MS-PETRELS, CP thích nghi và tối ưu hóa NCG đều được công bố tường minh trong các phụ lục của luận án.

  5. Chương trình nghiên cứu 10 năm tới được vạch ra như thế nào? Trả lời: Lộ trình tập trung vào 3 hướng chiến lược: (1) Mở rộng giải thuật lấy mẫu nén hỗn loạn sang hệ thống MRI 3D/4D đa kênh song song; (2) Phát triển các thuật toán phân tích ten-xơ bậc cao thích nghi tích hợp AI tạo sinh để xử lý luồng dữ liệu y sinh thời gian thực; (3) Tối ưu hóa vi kiến trúc phần cứng để nhúng trực tiếp thuật toán lên chip SoC/FPGA chuyên dụng trong thiết bị y tế thông minh.

Kết luận

Luận án tiến sĩ của tác giả Trương Minh Chính đã hoàn thành xuất sắc toàn bộ các mục tiêu nghiên cứu đề ra với 5 đóng góp học thuật cốt lõi:

  1. Thiết lập cơ sở khoa học hoàn chỉnh cho phương pháp lấy mẫu nén tất định trên nền tảng hệ hỗn loạn logistic biến đổi Gauss/Bernoulli, chứng minh tính khả thi vượt trội trong tạo ảnh cộng hưởng từ nhanh.
  2. Đề xuất thành công hai phương pháp lấy mẫu nén mới: NewCCS-MRI thích ứng phổ năng lượng không gian $k$ và CCS-SWIFT tích hợp kỹ thuật kích thích xung RF dải rộng, nâng cao chất lượng ảnh giải phẫu y sinh.
  3. Phát triển hệ thuật toán ước lượng không gian con tiên tiến gồm SW-PETRELS, NL-PETRELS và MS-PETRELS, tối ưu hóa tốc độ hội tụ và giảm thiểu chi phí tính toán cho dữ liệu quan sát không đầy đủ.
  4. Xây dựng khung phân tích phần tử song song (CP) thích nghi cho ten-xơ bậc 3 $\mathcal{X} \in \mathbb{R}^{I \times J(t) \times K}$ dữ liệu thiếu hụt, giải quyết triệt để bài toán xử lý trực tuyến thời gian thực mà các phương pháp xử lý khối trước đây không thể đáp ứng.
  5. Ứng dụng thực nghiệm xuất sắc vào việc trích xuất đặc trưng sóng não và phục hồi hoàn hảo các kênh tín hiệu điện não đồ EEG bị mất mát, đạt các chỉ số $\text{FMS} > 0.96$ và $\text{TCS} > 0.94$.

Công trình đánh dấu bước tiến chuyển dịch mô hình (paradigm shift) từ xử lý khối thụ động sang xử lý thích nghi đệ quy tất định, mở ra ba nhánh nghiên cứu đột phá về đại số đa tuyến tính dòng, vi mạch y sinh chuyên dụng và nén dữ liệu y tế lớn, khẳng định giá trị khoa học bền vững và năng lực ứng dụng sâu rộng trong thực tiễn chăm sóc sức khỏe nhân loại.