Tổng quan nghiên cứu

Bệnh tim mạch là một trong những nguyên nhân hàng đầu gây tử vong tại Việt Nam, với khoảng 200.000 ca tử vong mỗi năm, chiếm khoảng 25% tổng số ca tử vong. Sau đại dịch Covid-19, hệ thống y tế Việt Nam bộc lộ nhiều hạn chế trong việc theo dõi và chăm sóc bệnh nhân, đặc biệt là những người mắc bệnh tim mạch cần giám sát liên tục. Các thiết bị theo dõi điện tâm đồ (ECG) truyền thống thường cồng kềnh, đắt tiền và chỉ sử dụng được trong môi trường bệnh viện, gây khó khăn cho việc theo dõi lâu dài và liên tục. Mục tiêu nghiên cứu của luận văn là thiết kế một bộ thiết bị IoT nhỏ gọn, đeo ngực, có khả năng theo dõi nhịp tim và phát hiện té ngã, tích hợp trí tuệ nhân tạo (AI) để phân tích và cảnh báo sớm các tình trạng bất thường về sức khỏe tim mạch. Thiết bị này sẽ giao tiếp không dây với IoT Gateway, cho phép truyền dữ liệu đến cơ sở dữ liệu và người dùng có thể truy cập thông qua website hoặc ứng dụng di động. Phạm vi nghiên cứu tập trung vào thiết kế phần cứng, phát triển mô hình AI dựa trên mạng nơ-ron hồi quy (RNN) như LSTM và GRU, và thử nghiệm trong môi trường mô phỏng với phạm vi truyền tải dữ liệu dưới 50m, thời gian sử dụng pin khoảng 18-24 tiếng. Nghiên cứu có ý nghĩa lớn trong việc nâng cao hiệu quả giám sát sức khỏe tim mạch từ xa, giảm tải cho hệ thống y tế và cải thiện chất lượng chăm sóc bệnh nhân.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Điện tâm đồ (ECG): Biểu đồ ghi lại hoạt động điện của tim, gồm các sóng P, Q, R, S, T phản ánh các giai đoạn co bóp của tim. ECG là công cụ quan trọng để phát hiện các bệnh lý tim mạch như rối loạn nhịp tim, suy tim, nhồi máu cơ tim.

  • Cảm biến nhịp tim MAX30003: Cảm biến tích hợp đo tín hiệu ECG với độ phân giải cao, tiết kiệm năng lượng (dòng tiêu thụ 100μA), hỗ trợ giao tiếp SPI, có khả năng phát hiện trạng thái điện cực (Lead-On/Lead-Off) và đo khoảng thời gian giữa các xung R-R.

  • Cảm biến gia tốc ADXL345: Cảm biến gia tốc 3 trục với độ phân giải cao, độ nhạy ±2g đến ±16g, dùng để phát hiện té ngã thông qua các thay đổi đột ngột về gia tốc.

  • Mạng nơ-ron hồi quy (RNN), LSTM và GRU: Các mô hình học sâu chuyên xử lý dữ liệu chuỗi thời gian, có khả năng ghi nhớ thông tin dài hạn, phù hợp để dự đoán và phát hiện bất thường trong tín hiệu ECG.

  • LSTM Autoencoder: Mô hình mã hóa - giải mã sử dụng LSTM để phát hiện bất thường trong chuỗi dữ liệu bằng cách so sánh tín hiệu tái tạo với tín hiệu gốc.

  • Công nghệ IoT và truyền thông không dây: Sử dụng module ESP32-WROOM-32E cho thiết bị đeo và IoT Gateway, module SIM7600CE hỗ trợ kết nối 4G, và công nghệ LoRa SX1278 cho truyền dữ liệu khoảng cách xa, tiêu thụ năng lượng thấp.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Thu thập dữ liệu ECG và gia tốc từ thiết bị đeo thực nghiệm, kết hợp với dữ liệu ECG chuẩn từ các bộ dữ liệu lớn đã được tiền xử lý, bao gồm mẫu bình thường và bất thường.

  • Phương pháp chọn mẫu: Thiết bị được thử nghiệm trong môi trường mô phỏng và thực tế tại bệnh viện tư nhân, với phạm vi truyền tải dữ liệu dưới 50m, thời gian sử dụng pin khoảng 18-24 tiếng.

  • Phương pháp phân tích: Áp dụng các mô hình học sâu LSTM và GRU để dự đoán tín hiệu ECG nhiều bước, sử dụng LSTM Autoencoder để phát hiện bất thường. Đánh giá mô hình dựa trên các chỉ số như độ chính xác, sai số trung bình (MSE, RMSE), và thời gian đáp ứng.

  • Timeline nghiên cứu: Thu thập tài liệu và xây dựng cơ sở lý thuyết (09-10/2022), thiết kế phần cứng và mô hình AI (11-12/2022), mô phỏng và đánh giá kết quả (01-04/2023), hoàn thiện luận văn và bảo vệ (11/2023 - 01/2024).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Thiết kế bộ thiết bị đeo nhỏ gọn, tiết kiệm năng lượng: Thiết bị sử dụng pin Li-Po 1200mAh, kích thước 6x34x50 mm, cho thời gian sử dụng thực tế khoảng 24 tiếng khi đo ECG và truyền dữ liệu trong phạm vi 3m. Thiết bị có thể hoạt động ổn định trong phạm vi 30m có vật cản và 50m không vật cản.

  2. Độ chính xác tín hiệu ECG: So sánh dữ liệu thu được từ thiết bị với máy đo điện tâm đồ chuyên dụng tại bệnh viện cho thấy độ tương đồng khoảng 70-80% ở các sóng V1, V2, đảm bảo tính tin cậy của thiết bị trong việc theo dõi nhịp tim.

  3. Hiệu quả mô hình AI trong dự đoán và phát hiện bất thường: Mô hình LSTM Forcasting dự đoán chính xác xu hướng tín hiệu ECG trong 3 giây tiếp theo dựa trên 10 giây dữ liệu đầu vào, với sai số trung bình thấp. Mô hình LSTM Autoencoder phát hiện bất thường với độ chính xác lên đến 98%, vượt trội so với các phương pháp truyền thống.

  4. Khả năng cảnh báo sớm và phát hiện té ngã: Cảm biến gia tốc ADXL345 phát hiện các chuyển động đột ngột và té ngã với độ nhạy cao, kết hợp với AI phân tích dữ liệu ECG để gửi cảnh báo qua SMS thông qua IoT Gateway, giúp người dùng và nhân viên y tế phản ứng kịp thời.

Thảo luận kết quả

Kết quả cho thấy thiết bị IoT nhỏ gọn có thể thay thế các thiết bị đo ECG truyền thống cồng kềnh, đồng thời tích hợp cảm biến gia tốc và AI để nâng cao khả năng giám sát sức khỏe tim mạch. Việc sử dụng cảm biến MAX30003 giúp giảm tải xử lý trên vi điều khiển nhờ tích hợp phần cứng phát hiện nhịp tim, tiết kiệm năng lượng hiệu quả. Mô hình LSTM và LSTM Autoencoder cho phép phát hiện các biến đổi nhỏ trong tín hiệu ECG, điều mà các phương pháp truyền thống khó thực hiện được, góp phần nâng cao độ chính xác chẩn đoán và cảnh báo sớm. So với các nghiên cứu trước đây, thiết bị này có ưu điểm về tính di động, khả năng kết nối không dây linh hoạt và tích hợp đa chức năng trong một hệ thống đồng bộ. Dữ liệu có thể được trình bày qua biểu đồ so sánh tín hiệu ECG thực tế và tín hiệu dự đoán, bảng đánh giá độ chính xác và thời gian đáp ứng của các mô hình AI, cũng như biểu đồ phân bố các sự kiện té ngã được phát hiện.

Đề xuất và khuyến nghị

  1. Triển khai thử nghiệm thực tế rộng rãi hơn: Mở rộng phạm vi thử nghiệm thiết bị tại các bệnh viện và cộng đồng để thu thập thêm dữ liệu thực tế, đánh giá hiệu quả và độ tin cậy trong môi trường đa dạng. Thời gian thực hiện: 6-12 tháng. Chủ thể: các trung tâm y tế, viện nghiên cứu.

  2. Tối ưu hóa phần cứng và phần mềm: Nâng cấp thiết bị đeo để giảm kích thước, tăng thời gian sử dụng pin trên 24 tiếng, đồng thời cải thiện thuật toán AI để giảm sai số và tăng tốc độ xử lý. Thời gian: 3-6 tháng. Chủ thể: nhóm phát triển kỹ thuật.

  3. Phát triển hệ sinh thái IoT và ứng dụng di động: Xây dựng nền tảng quản lý dữ liệu tập trung, ứng dụng di động thân thiện cho người dùng và nhân viên y tế, hỗ trợ cảnh báo đa kênh (SMS, email, app notification). Thời gian: 6 tháng. Chủ thể: nhóm phát triển phần mềm.

  4. Đánh giá an toàn và chứng nhận thiết bị: Tiến hành các thử nghiệm an toàn theo tiêu chuẩn quốc tế, xin cấp phép và chứng nhận thiết bị y tế để đảm bảo an toàn cho người sử dụng và thuận lợi trong thương mại hóa. Thời gian: 6-9 tháng. Chủ thể: tổ chức kiểm định, cơ quan quản lý y tế.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, y sinh: Nghiên cứu về thiết kế cảm biến, hệ thống IoT và ứng dụng AI trong y tế, có thể áp dụng kiến thức và phương pháp trong luận văn để phát triển các dự án tương tự.

  2. Bác sĩ và chuyên gia y tế: Hiểu rõ về công nghệ theo dõi sức khỏe từ xa, ứng dụng AI trong phân tích ECG, giúp nâng cao hiệu quả chẩn đoán và quản lý bệnh nhân tim mạch.

  3. Doanh nghiệp phát triển thiết bị y tế và IoT: Tham khảo thiết kế phần cứng, phần mềm và mô hình kinh doanh tiềm năng của thiết bị đeo thông minh tích hợp AI, từ đó phát triển sản phẩm thương mại.

  4. Cơ quan quản lý và hoạch định chính sách y tế: Đánh giá tiềm năng ứng dụng công nghệ mới trong giám sát sức khỏe cộng đồng, xây dựng chính sách hỗ trợ phát triển và ứng dụng thiết bị y tế thông minh.

Câu hỏi thường gặp

  1. Thiết bị IoT này có thể sử dụng trong bao lâu trước khi cần sạc lại?
    Thiết bị sử dụng pin Li-Po dung lượng 1200mAh, cho thời gian sử dụng thực tế khoảng 18-24 tiếng khi đo ECG và truyền dữ liệu liên tục. Pin có thể sạc lại và thay thế dễ dàng, phù hợp cho giám sát liên tục.

  2. Độ chính xác của tín hiệu ECG thu được từ thiết bị so với máy đo chuyên dụng như thế nào?
    Kết quả thử nghiệm tại bệnh viện cho thấy tín hiệu ECG từ thiết bị có độ tương đồng khoảng 70-80% với máy đo chuyên dụng, đảm bảo độ tin cậy trong việc theo dõi nhịp tim và phát hiện bất thường.

  3. Mô hình AI sử dụng có thể phát hiện những loại bất thường nào trong tín hiệu ECG?
    Mô hình LSTM Autoencoder có khả năng phát hiện các bất thường như rối loạn nhịp tim, nhịp tim nhanh hoặc chậm, và các biến đổi nhỏ trong tín hiệu ECG, giúp cảnh báo sớm các vấn đề tim mạch.

  4. Thiết bị có thể phát hiện té ngã như thế nào?
    Cảm biến gia tốc ADXL345 đo gia tốc 3 trục với độ phân giải cao, phát hiện các chuyển động đột ngột và thay đổi độ nghiêng, từ đó xác định sự kiện té ngã và gửi cảnh báo kịp thời.

  5. Phạm vi truyền dữ liệu không dây của hệ thống là bao nhiêu?
    Thiết bị hoạt động ổn định trong phạm vi 30m có vật cản và 50m không vật cản. Công nghệ LoRa có thể truyền xa hơn đến vài km, nhưng trong nghiên cứu này tập trung vào phạm vi sử dụng trong bệnh viện hoặc nhà riêng.

Kết luận

  • Thiết kế thành công bộ thiết bị IoT nhỏ gọn, tiết kiệm năng lượng, có khả năng theo dõi nhịp tim và phát hiện té ngã.
  • Tích hợp cảm biến MAX30003 và ADXL345 đảm bảo thu thập dữ liệu chính xác và đa dạng.
  • Mô hình AI dựa trên LSTM và LSTM Autoencoder đạt độ chính xác cao trong dự đoán và phát hiện bất thường tín hiệu ECG.
  • Hệ thống IoT Gateway và giao tiếp không dây hỗ trợ truyền dữ liệu hiệu quả, cảnh báo sớm qua SMS và ứng dụng di động.
  • Tiếp tục mở rộng thử nghiệm thực tế, tối ưu hóa thiết bị và phát triển hệ sinh thái phần mềm để ứng dụng rộng rãi trong giám sát sức khỏe tim mạch.

Hành động tiếp theo: Khuyến khích các nhà nghiên cứu, doanh nghiệp và cơ quan y tế phối hợp triển khai thử nghiệm thực tế, hoàn thiện sản phẩm và đưa vào ứng dụng rộng rãi nhằm nâng cao chất lượng chăm sóc sức khỏe cộng đồng.