Luận Văn: Phát Hiện Và Phân Loại Âm Thanh Ho Trên Các Thiết Bị IoT

Tài liệu nghiên cứu Luận văn phát hiện và phân loại âm thanh ho trên các thiết bị iot, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Nguyễn Lý Hòa
• Người hướng dẫn: PGS. Phạm Văn Cường
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Khoa học máy tính
• Đề tài: Phát Hiện Và Phân Loại Âm Thanh Ho Trên Thiết Bị IoT - Giải Pháp Công Nghệ Mới
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỤC LỤC
• DANH MỤC HÌNH VẼ
• DANH SÁCH BẢNG
• DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT
• BẢN CAM ĐOAN
• LỜI CẢM ƠN
• LỜI NÓI ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ PHÂN LOẠI HO
• 1.1. Bài toán phát hiện và phân loại ho
• 1.2. Một số nghiên cứu liên quan
• 1.3. Các dạng ho dựa trên bệnh lý con người
• 2. CHƯƠNG 2: PHƯƠNG PHÁP PHÂN LOẠI HO
• 2.1. Xử lý âm thanh ho
• 2.2. Mô hình máy học Gaussian hỗn hợp (GMM) cho phát hiện và phân loại ho
• 2.3. Restricted Boltzmann Machine
• 2.4. Mạng học sâu (DNN)
• 2.5. Mô hình máy học CNN-LSTM sử dụng cho việc phát hiện và phân loại ho
• 2.6. Mạng học sâu tích chập cho phát hiện và phân loại ho (CNN)
• 2.7. Áp dụng mô hình Sequence-to-Sequence cho việc phân loại và phát hiện ho
• 3. CHƯƠNG 3: THỬ NGHIỆM VÀ ĐÁNH GIÁ
• 3.1. Thu thập dữ liệu
• 3.2. Thu âm và gán nhãn âm thanh
• 3.3. Xây dựng và đánh giá âm thanh
• 3.4. Huấn luyện dữ liệu
• 3.5. Thử nghiệm phát hiện và phân loại ho
• 3.6. Kết quả thử nghiệm
• 4. CHƯƠNG 4: KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phát hiện và phân loại âm thanh ho

Phát hiện và phân loại âm thanh ho là một lĩnh vực nghiên cứu quan trọng trong y học, đặc biệt trong bối cảnh đại dịch COVID-19. Việc nhận diện âm thanh ho không chỉ giúp xác định tình trạng sức khỏe của bệnh nhân mà còn hỗ trợ trong việc phòng ngừa lây lan dịch bệnh. Các thiết bị IoT, với khả năng thu thập và phân tích âm thanh, đã trở thành công cụ hữu ích trong việc phát hiện âm thanh ho. Theo nghiên cứu, âm thanh ho có thể được phân loại dựa trên các đặc điểm như tần số, độ dài và cường độ. Việc áp dụng công nghệ âm thanh trong y tế không chỉ giúp nâng cao độ chính xác trong chẩn đoán mà còn tạo điều kiện thuận lợi cho việc theo dõi sức khỏe từ xa.

1.1. Bài toán phát hiện và phân loại ho

Bài toán phát hiện và phân loại ho trở nên cấp thiết trong bối cảnh dịch bệnh hiện nay. Ho là triệu chứng phổ biến của nhiều bệnh lý, đặc biệt là các bệnh liên quan đến đường hô hấp. Việc phát hiện sớm và phân loại chính xác âm thanh ho có thể giúp bác sĩ đưa ra chẩn đoán kịp thời. Các nghiên cứu đã chỉ ra rằng, việc sử dụng các cảm biến âm thanh gắn trên cơ thể hoặc thiết bị di động có thể đạt được độ chính xác cao trong việc nhận diện âm thanh ho. Hệ thống IoT cho phép thu thập dữ liệu âm thanh từ nhiều nguồn khác nhau, từ đó phân tích và đưa ra kết quả chính xác hơn về tình trạng sức khỏe của người bệnh.

1.2. Một số nghiên cứu liên quan

Nhiều nghiên cứu đã được thực hiện để phát hiện và phân loại âm thanh ho. Các phương pháp sử dụng cảm biến âm thanh đã cho thấy hiệu quả cao trong việc nhận diện âm thanh ho. Một số nghiên cứu đã áp dụng mạng nơ-ron nhân tạo để phân tích âm thanh ho, cho thấy khả năng phân loại chính xác lên tới 95%. Việc sử dụng các thiết bị IoT như điện thoại thông minh giúp người dùng dễ dàng tiếp cận và sử dụng công nghệ này. Các nghiên cứu cũng chỉ ra rằng, việc thu thập dữ liệu âm thanh từ môi trường xung quanh có thể cải thiện độ chính xác trong việc phát hiện âm thanh ho, từ đó hỗ trợ trong việc chẩn đoán và điều trị bệnh.

II. Phương pháp phân loại âm thanh ho

Phương pháp phân loại âm thanh ho chủ yếu dựa vào các thuật toán học máy và công nghệ âm thanh. Các mô hình như Gaussian Mixture Model (GMM) và Deep Neural Network (DNN) đã được áp dụng để phân tích và phân loại âm thanh ho. Việc sử dụng mạng học sâu tích chập (CNN) và mạng hồi quy (RNN) cho phép hệ thống học hỏi từ dữ liệu âm thanh một cách hiệu quả. Các nghiên cứu cho thấy rằng, việc kết hợp các mô hình này có thể nâng cao độ chính xác trong việc phát hiện và phân loại âm thanh ho. Hệ thống IoT có thể thu thập dữ liệu âm thanh từ nhiều nguồn khác nhau, từ đó cải thiện khả năng phân tích và đưa ra kết quả chính xác hơn.

2.1. Xử lý âm thanh ho

Xử lý âm thanh ho là bước quan trọng trong việc phát hiện và phân loại âm thanh. Các kỹ thuật xử lý tín hiệu âm thanh như biến đổi Fourier và phân tích tần số giúp tách biệt âm thanh ho khỏi các âm thanh nền. Việc áp dụng các thuật toán học máy cho phép hệ thống học hỏi từ dữ liệu âm thanh, từ đó cải thiện khả năng phân loại. Các nghiên cứu đã chỉ ra rằng, việc sử dụng các đặc trưng âm thanh như tần số và cường độ có thể giúp nâng cao độ chính xác trong việc phát hiện âm thanh ho.

2.2. Mô hình máy học cho phát hiện và phân loại ho

Mô hình máy học như GMM và DNN đã được áp dụng để phát hiện và phân loại âm thanh ho. GMM cho phép phân tích các đặc trưng âm thanh và xác định các dạng ho khác nhau. Trong khi đó, DNN có khả năng học hỏi từ dữ liệu lớn và cải thiện độ chính xác trong việc phân loại âm thanh ho. Việc kết hợp các mô hình này với các kỹ thuật xử lý âm thanh giúp nâng cao hiệu quả trong việc phát hiện và phân loại âm thanh ho.

III. Thử nghiệm và đánh giá

Thử nghiệm và đánh giá là bước quan trọng để xác định hiệu quả của các phương pháp phát hiện và phân loại âm thanh ho. Việc thu thập dữ liệu âm thanh từ các thiết bị IoT giúp tạo ra một cơ sở dữ liệu phong phú cho việc phân tích. Các thử nghiệm đã chỉ ra rằng, việc sử dụng các cảm biến âm thanh có thể đạt được độ chính xác cao trong việc phát hiện âm thanh ho. Đánh giá kết quả thử nghiệm cho thấy rằng, các mô hình học máy có thể phân loại âm thanh ho với độ chính xác lên tới 92%. Điều này cho thấy tiềm năng của công nghệ âm thanh trong việc hỗ trợ chẩn đoán và điều trị bệnh.

3.1. Thu thập dữ liệu

Thu thập dữ liệu là bước đầu tiên trong quá trình thử nghiệm. Việc thu âm và gán nhãn âm thanh ho từ các bệnh nhân giúp tạo ra một cơ sở dữ liệu phong phú cho việc phân tích. Các thiết bị IoT như điện thoại thông minh có thể được sử dụng để thu thập dữ liệu âm thanh một cách dễ dàng và thuận tiện. Việc gán nhãn âm thanh ho giúp hệ thống học hỏi và cải thiện khả năng phân loại âm thanh ho.

3.2. Kết quả thử nghiệm

Kết quả thử nghiệm cho thấy rằng, các mô hình học máy có thể phân loại âm thanh ho với độ chính xác cao. Việc sử dụng các cảm biến âm thanh giúp nâng cao độ chính xác trong việc phát hiện âm thanh ho. Các thử nghiệm đã chỉ ra rằng, việc áp dụng công nghệ âm thanh trong y tế có thể hỗ trợ trong việc chẩn đoán và điều trị bệnh một cách hiệu quả.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh đại dịch COVID-19 bùng phát mạnh mẽ từ đầu năm 2020 với hơn 43,9 triệu ca nhiễm và hơn 1,16 triệu ca tử vong trên toàn cầu, việc phát hiện và phân loại các triệu chứng liên quan đến đường hô hấp, đặc biệt là triệu chứng ho, trở nên cấp thiết. Tại Việt Nam, với thành công trong kiểm soát dịch bệnh, số ca nhiễm chỉ khoảng 1169 và 35 ca tử vong, tuy nhiên nguy cơ lây lan vẫn tiềm ẩn do sự chủ quan và thiếu hiểu biết của người dân. Ho là triệu chứng phổ biến trong nhiều bệnh lý hô hấp như lao, viêm phổi, hen suyễn và các dịch cúm lớn trong lịch sử như cúm Tây Ban Nha (1918), cúm Châu Á (1957) và SARS (2003). Mỗi dạng ho có đặc điểm âm thanh riêng biệt, phản ánh tình trạng bệnh lý khác nhau, do đó việc phát hiện và phân loại chính xác âm thanh ho có ý nghĩa quan trọng trong chẩn đoán và phòng ngừa bệnh.

Mục tiêu nghiên cứu là phát triển phương pháp phát hiện và phân loại âm thanh ho trên các thiết bị IoT, tận dụng khả năng phổ biến và tiện dụng của các thiết bị di động, thiết bị đeo tay thông minh để thu thập dữ liệu âm thanh một cách thụ động, từ đó hỗ trợ người dùng nhận biết sớm tình trạng sức khỏe hô hấp. Phạm vi nghiên cứu tập trung vào việc thu thập, xử lý và phân tích âm thanh ho thu được từ các thiết bị IoT tại Việt Nam trong giai đoạn năm 2020. Nghiên cứu góp phần nâng cao hiệu quả giám sát sức khỏe cá nhân, giảm tải cho hệ thống y tế và hạn chế sự lây lan của các bệnh truyền nhiễm qua đường hô hấp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình học máy hiện đại trong lĩnh vực xử lý tín hiệu âm thanh và học sâu, bao gồm:

• Mô hình Gaussian Mixture Model (GMM): Mô hình thống kê dùng để mô tả phân phối xác suất của các đặc trưng âm thanh ho, thường kết hợp với mô hình Markov ẩn (HMM) để mô phỏng chuỗi thời gian.
• Mạng nơ-ron sâu (Deep Neural Network - DNN): Mạng học sâu có khả năng học các đặc trưng phức tạp từ dữ liệu thô, thay thế GMM trong việc mô hình hóa xác suất quan sát.
• Restricted Boltzmann Machine (RBM) và Deep Bayesian Networks (DBN): Các mô hình mạng nơ-ron sâu được sử dụng để tiền huấn luyện và khởi tạo mạng DNN, giúp cải thiện hiệu quả huấn luyện.
• Mạng học sâu tích chập (Convolutional Neural Network - CNN): Áp dụng cho việc nhận dạng hình ảnh quang phổ thời gian của âm thanh ho, tận dụng khả năng trích xuất đặc trưng không gian.
• Mạng học sâu quy hồi (Recurrent Neural Network - RNN) và Long Short-Term Memory (LSTM): Mô hình xử lý dữ liệu tuần tự, ghi nhớ các phụ thuộc dài hạn trong chuỗi âm thanh, phù hợp với đặc tính thời gian của tín hiệu ho.
• Mô hình Sequence-to-Sequence (Seq2Seq): Kiến trúc Encoder-Decoder sử dụng mạng LSTM để ánh xạ chuỗi âm thanh đầu vào thành chuỗi nhãn đầu ra, hỗ trợ phân loại và phát hiện ho chính xác.

Các khái niệm chính bao gồm: đặc trưng âm thanh Mel Frequency Cepstral Coefficients (MFCC), chuyển đổi Fourier thời gian ngắn (STFT), các lớp mạng tích chập, lớp pooling, hàm kích hoạt ReLU, và thuật toán giải mã Greedy Search và Beam Search trong mô hình Seq2Seq.

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập từ các thiết bị IoT như điện thoại thông minh và thiết bị đeo tay thông minh tại Việt Nam trong năm 2020. Dữ liệu âm thanh ho được ghi âm, gán nhãn thủ công bởi các chuyên gia y tế và xử lý bằng phần mềm chuyên dụng như Audacity. Cỡ mẫu nghiên cứu khoảng vài nghìn đoạn âm thanh ho với đa dạng dạng ho và điều kiện thu âm.

Phương pháp phân tích bao gồm:

• Tiền xử lý âm thanh: loại bỏ tạp âm, chuẩn hóa năng lượng RMS, phân đoạn thành các khung 4ms.
• Trích xuất đặc trưng: chuyển đổi âm thanh sang biểu đồ quang phổ STFT, trích xuất MFCC.
• Huấn luyện mô hình học sâu: sử dụng các kiến trúc CNN, RNN-LSTM, và mô hình Seq2Seq với kỹ thuật pretrain và tinh chỉnh (fine-tuning).
• Đánh giá mô hình: sử dụng các chỉ số như độ chính xác, độ nhạy, độ đặc hiệu, và diện tích dưới đường cong ROC (AUC).

Timeline nghiên cứu kéo dài trong 12 tháng, bao gồm các giai đoạn thu thập dữ liệu (3 tháng), tiền xử lý và gán nhãn (3 tháng), huấn luyện và thử nghiệm mô hình (4 tháng), và phân tích kết quả, hoàn thiện luận văn (2 tháng).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất phát hiện ho trên thiết bị IoT: Mô hình CNN đạt độ chính xác lên tới 92%, trong khi mô hình RNN-LSTM đạt AUC khoảng 0,95, vượt trội so với các phương pháp truyền thống như GMM-HMM (độ chính xác khoảng 82%).
2. Phân loại các dạng ho: Mô hình Seq2Seq kết hợp CNN và LSTM cho phép phân loại chính xác 5 dạng ho phổ biến với độ chính xác trung bình trên 90%, giúp phân biệt ho khan, ho có đờm, ho ra máu, ho thành cơn và ho cấp.
3. Ảnh hưởng của chất lượng dữ liệu: Việc loại bỏ các khung âm thanh có năng lượng thấp và tạp âm không liên quan giúp tăng độ chính xác mô hình lên khoảng 5-7%.
4. Tác động của kiến trúc mạng: Sử dụng hàm kích hoạt ReLU và kỹ thuật dropout (p=0,5) trong CNN giúp giảm hiện tượng overfitting, cải thiện hiệu suất mô hình trên tập kiểm tra.

Thảo luận kết quả

Kết quả cho thấy việc áp dụng các mô hình học sâu, đặc biệt là CNN và RNN-LSTM, trên dữ liệu âm thanh thu thập từ thiết bị IoT là khả thi và hiệu quả trong phát hiện và phân loại âm thanh ho. So với các nghiên cứu trước đây sử dụng GMM-HMM, mô hình học sâu cho phép khai thác đặc trưng phức tạp hơn và xử lý tốt các phụ thuộc dài hạn trong chuỗi âm thanh. Việc chuyển đổi âm thanh thành biểu đồ quang phổ STFT giúp tận dụng ưu điểm của CNN trong nhận dạng hình ảnh, đồng thời LSTM xử lý tốt tính tuần tự của dữ liệu.

Các biểu đồ so sánh AUC giữa CNN và RNN, ma trận nhầm lẫn phân loại các dạng ho minh họa rõ ràng sự vượt trội của mô hình học sâu. Tuy nhiên, việc huấn luyện các mô hình này đòi hỏi lượng dữ liệu lớn và tài nguyên tính toán cao. Ngoài ra, chất lượng thu âm và môi trường thu âm cũng ảnh hưởng đáng kể đến hiệu quả nhận dạng, do đó cần thiết kế thiết bị IoT có micro chất lượng cao, khả năng lọc tạp âm tốt.

Nghiên cứu cũng nhấn mạnh tầm quan trọng của việc phát triển hệ thống phát hiện ho trên thiết bị IoT nhằm hỗ trợ người dùng tự theo dõi sức khỏe, giảm tải cho hệ thống y tế và hạn chế lây lan dịch bệnh, đặc biệt trong bối cảnh giãn cách xã hội và quá tải bệnh viện như hiện nay.

Đề xuất và khuyến nghị

1. Phát triển ứng dụng trên thiết bị di động và IoT: Tích hợp mô hình học sâu đã huấn luyện vào các ứng dụng di động, thiết bị đeo tay để người dùng có thể tự động phát hiện và phân loại dạng ho, nâng cao khả năng giám sát sức khỏe cá nhân. Thời gian triển khai dự kiến 6-12 tháng, chủ thể thực hiện là các công ty công nghệ y tế và nhà phát triển phần mềm.
2. Nâng cao chất lượng thu âm và xử lý tín hiệu: Trang bị micro chất lượng cao, tích hợp bộ lọc tạp âm và chuẩn hóa âm thanh để đảm bảo dữ liệu đầu vào sạch và chính xác, từ đó cải thiện hiệu suất mô hình. Chủ thể thực hiện là nhà sản xuất thiết bị IoT, thời gian 3-6 tháng.
3. Mở rộng bộ dữ liệu huấn luyện: Thu thập thêm dữ liệu âm thanh ho đa dạng về môi trường, đối tượng và dạng ho để tăng khả năng tổng quát của mô hình, giảm thiểu sai số. Chủ thể thực hiện là các trung tâm nghiên cứu y sinh và bệnh viện, thời gian liên tục trong 12 tháng.
4. Tăng cường bảo mật và quyền riêng tư: Xây dựng hệ thống mã hóa và bảo vệ dữ liệu cá nhân người dùng trong quá trình thu thập và xử lý âm thanh, đảm bảo tuân thủ các quy định về bảo mật thông tin y tế. Chủ thể thực hiện là các nhà phát triển phần mềm và cơ quan quản lý, thời gian 6 tháng.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và chuyên gia công nghệ y tế: Nghiên cứu các phương pháp học sâu ứng dụng trong chẩn đoán bệnh lý hô hấp, phát triển các hệ thống giám sát sức khỏe thông minh.
2. Bác sĩ và nhân viên y tế: Áp dụng công nghệ phát hiện và phân loại ho tự động để hỗ trợ chẩn đoán, theo dõi bệnh nhân từ xa, giảm tải cho bệnh viện.
3. Nhà phát triển phần mềm và thiết bị IoT: Thiết kế và phát triển các ứng dụng, thiết bị hỗ trợ giám sát sức khỏe cá nhân dựa trên âm thanh ho, nâng cao trải nghiệm người dùng.
4. Người dùng cá nhân và cộng đồng: Sử dụng các thiết bị IoT tích hợp công nghệ phát hiện ho để tự theo dõi sức khỏe, phát hiện sớm các dấu hiệu bệnh lý, góp phần phòng ngừa dịch bệnh lây lan.

Câu hỏi thường gặp

1. Phương pháp nào được sử dụng để phát hiện âm thanh ho trên thiết bị IoT?
   Nghiên cứu sử dụng các mô hình học sâu như CNN, RNN-LSTM và mô hình Sequence-to-Sequence để phân tích biểu đồ quang phổ thời gian của âm thanh ho, cho phép phát hiện và phân loại chính xác các dạng ho.

2. Dữ liệu âm thanh ho được thu thập như thế nào?
   Dữ liệu được thu thập từ micro tích hợp trên các thiết bị IoT như điện thoại thông minh và thiết bị đeo tay, sau đó được xử lý, gán nhãn thủ công bởi chuyên gia y tế để làm dữ liệu huấn luyện.

3. Mô hình học sâu có ưu điểm gì so với các phương pháp truyền thống?
   Mô hình học sâu có khả năng tự động trích xuất đặc trưng phức tạp, xử lý tốt dữ liệu tuần tự và phụ thuộc dài hạn, từ đó nâng cao độ chính xác phát hiện và phân loại so với các mô hình thống kê như GMM-HMM.

4. Làm thế nào để đảm bảo dữ liệu thu thập được có chất lượng tốt?
   Cần sử dụng micro chất lượng cao, áp dụng các kỹ thuật lọc tạp âm và chuẩn hóa năng lượng âm thanh, đồng thời loại bỏ các khung âm thanh có năng lượng thấp không liên quan để cải thiện chất lượng dữ liệu đầu vào.

5. Ứng dụng thực tiễn của nghiên cứu này là gì?
   Nghiên cứu giúp phát triển các hệ thống giám sát sức khỏe cá nhân trên thiết bị IoT, hỗ trợ phát hiện sớm các bệnh lý hô hấp, giảm tải cho hệ thống y tế và hạn chế lây lan dịch bệnh trong cộng đồng.

Kết luận

• Nghiên cứu đã phát triển thành công các mô hình học sâu (CNN, RNN-LSTM, Seq2Seq) để phát hiện và phân loại âm thanh ho trên thiết bị IoT với độ chính xác trên 90%.
• Việc ứng dụng công nghệ này trên các thiết bị phổ biến như điện thoại thông minh và thiết bị đeo tay giúp người dùng dễ dàng theo dõi sức khỏe hô hấp mọi lúc, mọi nơi.
• Kết quả nghiên cứu góp phần giảm tải cho hệ thống y tế, hỗ trợ phòng ngừa và kiểm soát các bệnh truyền nhiễm qua đường hô hấp, đặc biệt trong bối cảnh đại dịch COVID-19.
• Đề xuất mở rộng thu thập dữ liệu, nâng cao chất lượng thiết bị thu âm và bảo mật thông tin để hoàn thiện hệ thống trong tương lai.
• Các bước tiếp theo bao gồm triển khai ứng dụng thực tế, mở rộng phạm vi nghiên cứu và hợp tác với các đơn vị y tế để đánh giá hiệu quả trên quy mô lớn.

Mời các nhà nghiên cứu, chuyên gia y tế và nhà phát triển công nghệ quan tâm phối hợp triển khai ứng dụng thực tiễn nhằm nâng cao sức khỏe cộng đồng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ PHÂN LOẠI HO 1.1 Bài toán phát hiện và phân loại ho Như chúng ta đã, biết đối với hiện trạng như hiện nay trên thế giới tình trạng đại dịch COVID-19 truyền nhiễm theo cấp số nhân vô cùng nghiêm trọng tăng tới hàng trăm nghìn ca nhiễm và hàng nghìn ca tử vong mỗi này. Dựa vào biểu đồ tại hình 1.1, ta cũng có thể thấy được dịch bệnh này chưa hề có dấu hiệu dừng lại. Theo dữ liệu thống kê hiện tại: Hình 1.1: Biểu đồ dịch bệnh Covid – 19 năm 2020 (nguồn: google) Và đó chỉ là một trong những bệnh dịch gần đây nhất đang hoành hành trên thế giới tại thời điểm hiện tại. Trong suốt cả quá trình phát triển của loài người đã có những dịch bệnh kinh hoàng hơn như vậy.

Bệnh dịch hạch được biết tới từ những năm 541 sau công nguyên từng khiến cho các đế chế Hy Lạp chao đảo, cũng căn bệnh này đã khiến cho cả Châu Âu chao đảo từ 1347 đến 1351 số người chết lên tới 25 triệu người. Bệnh đậu mùa khi thực dân châu Âu xâm chiếm châu Mỹ vào thế kỷ 17 và mang theo cả bệnh đậu mùa (do virus variola gây ra) tới lục địa này. Bệnh đậu mùa đã cướp đi sinh mạng của khoảng 20 triệu người, gần 90% dân số ở châu Mỹ khi đó. Hay đại dịch tả đầu tiên bắt đầu ở Jessore, Ấn Độ (1817-1823) và giết chết hàng triệu người dân Ấn Độ khi ấy.

Sau đó, dịch tả bùng phát thêm nhiều đợt mới lan nhanh khắp các châu lục trong thời gian ngắn. Trong số đó, không thể không nhắc tới các đại dịch cúm đã liên tục hoành hành trong loài người như dịch cúm Tây Ban Nha (1918), dịch cúm Châu Á (1957),… Các dịch cúm liên tục thay đổi và thích nghi sau 2 mỗi lần loại người có thể phòng chống và chữa trị được, như đại dịch COVID-19 cũng là một bản sao sự biển đổi từ chủng của đại dịch SARS năm 2003. Tuy nhiên, mỗi dịch bệnh xảy ra đều có các triệu chứng liên quan để chúng ta có thể dễ dàng phòng ngừa được, tuy nhiên do sự chủ quan và thiếu hiểu biết đã khiến cho loài người rơi vào tình cảnh khó khăn. Phần lớn các căn bệnh liên quan tới được hô hấp hay dịch cúm đếu có các triệu chứng ho, chẳng hạn như đối với dịch bệnh COVID-19, ngoài các triệu chứng cụ thể ra kèm với đó còn có dạng ho riêng.

Tùy theo cơ địa mỗi người mà các triệu chứng dạng ho có thể là rõ hoặc không rõ nhưng vẫn có cùng dạng ho. Mỗi dạng ho, khi đi kèm với những triệu chứng khác nhau có thể là những căn bệnh khác nhau, đôi khi để cá nhân người bệnh có thể tự nhận biết hay phân loại được dạng ho của mình để có thể phòng ngừa cũng là một điều khó khăn khi không có các lời khuyên từ các bác sĩ chuyên ngành. Vì vậy, ứng dụng các kỹ thuật công nghệ để có thể phát hiện và phòng ngừa là một điều cấp thiết. Với sự phát triển của ngành Công nghệ thông tin, chúng ta đã ứng dụng được vào các ngành nghề khác để có thể hoạt động dễ dàng hơn.

Ngoài những ngành nghề khác, việc áp dụng công nghệ thông tin vào ngành y học là vô cùng cần thiết. Ngoài những công việc áp dụng công nghệ thông tin cơ bản, chúng ta cũng đã có nhiều thuật toán học sâu, ứng dụng trí tuệ nhân tạo để hỗ trợ con người trong ngành y học, dễ dàng hơn trong việc chuẩn đoán tình trạng của bệnh nhân và kịp thời phòng ngừa. Giả sử như bằng các thuật toán trí tuệ nhân tạo để kiểm tra và phân loại nhịp tim thai nhi [16], sử dụng để dự đoán ngừng tim đột ngột dựa trên các thông tin thay đổi của nhịp tim [17] hay các thuật toán học máy để kiểm tra tâm lý con người như kiểm tra các khái niệm về tự tử và cảm xúc của thanh thiếu niên để ngăn chặn việc tự tử [18],. Nhận thấy được khả năng khi áp dụng máy học cho các vấn đề về y học cùng với thực trạng hiện nay đối với các dịch bệnh cúm mùa đặc biệt là đại dịch COVID-19, tôi muốn áp dụng các thuật toán học máy để có thể thực hiện bài toán phát hiện và phân loại các dạng ho trên các thiết bị IoT, vậy tại sao là các thiết bị IoT? Đối với các thiết bị IoT thì gần như mọi người đều đang sử dụng chúng chẳng hạn như điện thoại thông 3 minh Smartphone, thiết bị đeo tay điện tử… Để tiếp cận hệ thống này cho những người sử dụng phổ thông là vô cùng đơn giản, không cần phải có các thiết bị điện tử quá đắt tiền cũng như gây khó chịu cho người sử dụng, không những thế người sử dụng có thể tiếp cận mọi lúc mọi nơi.

Việc thực hiện bài toán này chính là tiền đề để tạo ra hệ thống tối ưu nhất và có thể góp phần giúp người sử dụng nhanh chóng biết được tình trạng của bản thân và mau chóng chữa trị, phòng ngừa tránh lây lan ra cộng đồng người xum quanh mình. Xác suất nào đó có thể giảm thiểu số người nhiễm bệnh và người tử vong nếu như có những đại dịch cúm trong tương lai.2 Một số nghiên cứu liên quan Phát hiện, phân loại ho và đánh giá mức độ nghiêm trọng của triệu chứng tự động đã thu hút các nhà nghiên cứu, chuyên gia y tế và bác sỹ trong nhiều năm. Phần lớn người đến chưa trị, hay cần lời khuyên từ bác sỹ đều có chung triệu chứng là ho [3]. Người ta có thể phát hiện âm thanh ho dựa trên việc lắp đặt hàng loạt các cảm biến âm thanh [4], đối với [6], [7], [8], thì họ chỉ cần sử dụng duy nhất một micro gắn lên người có triệu chứng nhiễm bệnh [2] hoặc sử dụng hệ thống mic thu âm của thiết bị di động [1], [11].

Trước đây, các hệ thống cảm biến được lắp đặt theo thứ tự cụ thể trong một môi trường đa chiều để có thể cảm nhận được biến động từ môi trường xum quanh và cảnh báo nguy hiểm [8], trong khi đó các thiết bị cảm biến được đeo trên người thường có tác dụng để có thể nhận biết hành vi của người đeo, cảm biến các tác động, báo hiệu khi người sử dụng bị ngã [9] hoặc là các hệ thống cảm biến này có thể nhận diện được các dấu hiệu sự sống của còn người chẳng hạn như nhịp tim, hơi thở, huyết áp, nồng độ Oxi trong máu để báo hiệu cho người sử dụng khi tới ngưỡng nguy hiểm liên quan tới tính mạng. Tất nhiên, với việc sử dụng nhiều các cảm biến được cài đặt trong môi trường có thể mất khá nhiều kinh phí cũng như khả năng kết nối bởi sự hạn chế của phạm vi cảm biến chỉ có 1 khoảng nhất định (ví dụ như tầm tín hiệu của cảm biến chỉ ở trong phòng hoặc trong nhà). Đối với các thiết bị điện thoại di động hay là các thiết bị IoT có tích hợp cảm biến thì có thể cho phép người dùng phát hiện, phân loại ho và mức độ nghiêm trọng của triệu chứng mọi nơi, mọi lúc. 4 Các cảm biến hệ thống âm thanh được sử dụng để tạo ra các máy phát hiện ho là tương đối phổ biến, tính tới thời điểm hiện tạo các thiết bị đó có thể nhận dạng được âm thanh ho chuẩn tới 95%.

Một số nhà khoa học đã áp dụng phương pháp phát hiện âm thanh ho dựa trên mạng nơ-ron nhân tạo, được tạo ra bởi các vec tơ từ 222 đặc trưng [6], trong khi đó [4] bằng cách đặt các cảm biến ho tại các vị trí trên cơ thể người, so sánh các kết quả và đưa ra kết luận chính việc thay đổi các vị trí đặt máy cũng có thể liên quan tới sự chính xác của máy phát hiện ho, Vizel E. Còn [5] thì đưa ra thông tin về âm thanh ho bằng cách phân tích tổng hợp hai luồng đó là âm thanh được thu từ một chiếc micro được đặt trên ngực và âm thanh được thu từ các cảm biến được cài đặt trong môi trường xum quanh người đeo micro. Tương tự, Zheng, S. [7] CoughLoc phân tích âm thanh ho dựa từ dữ liệu thu được tại mạng cảm biến không dây không xâm nhập, bên cạnh đó CoughLoc cũng phân tích xem tại vị trí thu được các âm thanh ho để tăng độ nhận diện âm thanh chính xác nhất.

[6] nhận dạng âm thanh ho bằng cách sử dụng các cảm biến khác nhau bao gồm cả gia tốc kế EMT 25 C (Siemens); Gia tốc kế PPG 201 (PPG); Micro Sony ECM-T150 kết nối với bộ đầu nối nén khí và so sánh chất lượng chuyển đổi và nhận dạng với các thiết bị thu âm thanh của phổi. Bên cạnh đó, chúng ta còn có cách thu âm thanh ho chỉ bằng chiếc micro đeo trên ngực của người bệnh và phân tích dựa trên chính dữ liệu mà chiếc micro đó thu được. Chẳng hạn, [2] Leicester Cough Monitor đề xuất sử dụng máy ghi âm trên ngực bệnh nhân, kế quả LCM đã được đánh giá nghiêm ngặt, đạt được độ nhạy và độ đặc hiệu tỉ lệ cao 91% trên bộ dự liệu ngoại tuyến của 15 bệnh nhân ho mãn tính và 8 người khỏe mạnh. Một nghiên cứu khác, [8] đã sử dụng phương pháp học sâu áp dụng mô hình Markov ẩn với hơn 800 phút ghi âm và đã phát hiện ra các hiện tượng ho chính xác tới 82% cùng với tỉ lệ lỗi thấp khoảng 7 lần mỗi giờ.

Bên cạnh đó cũng đã có nhiều phương pháp áp dụng học sâu (Deep Learning Machine) vào việc phát hiện và phân loại các dạng ho. Sau đó sử dụng mạng học sâu để phân tích dựa trên hình ảnh quang phổ được chuyển đổi từ âm thanh ho và các âm thanh thông thường. Ưu điểm của việc này là sử dụng Mạng học sâu tích chập (CNN) để áp dụng vào việc nghiên cứu và phát hiện các dạng ho qua hình ảnh, CNN rất dễ huấn luyện và có sẵn rất nhiều phần cứng tài nguyên để hỗ trợ cho việc này. Cùng với đó, áp dụng đồng thời Mạng học sâu hồi quy (RNN) với các nơ-ron chuyên biệt có thể nắm bắt và mô hình hóa các liên kết dài hạn theo trình tự.

Bên cạnh đó, RNN cũng khó bị ảnh hưởng bởi hiện tượng nhiễu trong dữ liệu tuần tự. Tuy nhiên, CNN có một nhược điểm lớn đó là yêu cầu dữ liệu đầu vào phải được cố định và rõ ràng, cùng với đó việc học dựa trên RNN là quá trình huấn luyện máy học vô cùng khó khan và lượng mẫu dữ liệu đầu vào là không hề nhỏ.