THIẾT KẾ BỘ THIẾT BỊ IOT NHỎ GỌN DÁN NGỰC THEO DÕI NHỊP TIM VÀ CẢM BIẾN TÉ NGÃ CÓ TÍCH HỢP AI ĐỂ PHÂN TÍCH VÀ CẢNH BÁO SỚM TÌNH TRẠNG BẤT THƯỜNG SỨC KHỎE TIM MẠCH

• Tác giả: Trần Nhựt Minh
• Người hướng dẫn: TS. Nguyễn Văn Thái
• Trường học: Trường Đại học Sư phạm Kỹ thuật
• Chuyên ngành: Kỹ thuật điện tử
• Đề tài: Thiết kế bộ thiết bị IoT nhỏ gọn dán ngực theo dõi nhịp tim và cảm biến té ngã có tích hợp AI để phân tích và cảnh báo sớm tình trạng bất thường sức khỏe tim mạch
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Tp. Hồ Chí Minh

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• TÓM TẮT
• ABSTRACT
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. Tính cần thiết của đề tài
• 1.2. Các nghiên cứu liên quan
• 1.3. Mục tiêu đề tài
• 1.4. Các bước tiến hành
• 1.5. Điểm mới của đề tài
• 1.6. Tính thực tiễn
• 1.7. Phương pháp nghiên cứu
• 1.8. Nội dung đề tài
• 1.8.1. Tổng quan điện tâm đồ ECG, quá trình hoạt động của tim và cảm biến nhịp tim MAX30003
• 1.8.2. Điện tâm đồ ECG (Electrocardiogram) và hoạt động của tim
• 1.8.3. Tổng quan về cảm biến nhịp tim MAX30003
• 1.8.4. Tổng quát cảm biến gia tốc GY-291 ADXL345
• 1.8.5. Giới thiệu về module Wifi ESP32-WROOM-32E/UE
• 1.8.6. Khái quát về Module SIM7600CE
• 2. CHƯƠNG 2: THIẾT KẾ VÀ THI CÔNG HỆ THỐNG
• 2.1. Thiết kế và thi công hệ thống phần cứng (mạch điện tử)
• 2.1.1. Mạch IoT Gateway (Hub)
• 2.1.2. Thiết kế khối nguồn và mạch bảo vệ nguồn
• 2.1.3. Mạch bảo vệ pin thấp áp (Mạch main sensor)
• 2.1.4. Module ESP32 trong mạch IoT Gateway
• 2.1.5. Module ESP32 trong mạch sensor (thiết bị đeo)
• 2.1.6. Hệ thống mạch Alarm (Led, Relay & Buzz) – IoT Gateway
• 2.1.7. Khối cảm biến MAX30003
• 2.2. Mạch giao tiếp giữa ESP32 và cảm biến MAX30003
• 2.2.1. Giao tiếp SPI
• 2.2.2. Mạch đọc điện áp của pin
• 2.2.3. Mạch nạp chương trình giao tiếp RS232 (Mạch IoT Gateway)
• 2.2.4. Sơ đồ nguyên lý toàn mạch
• 2.2.5. Thi công mạch in PCB
• 2.2.6. Mạch IoT Gateway
• 2.2.7. Sản phẩm sau khi thi công
• 2.2.8. Xây dựng mạch mô phỏng điện tim (giả lập)
• 2.3. Thực hiện mô hình AI
• 2.3.1. Ý tưởng thực hiện mô hình
• 2.3.2. Phương pháp đánh giá
• 2.3.3. Thực hiện mô hình
• 2.3.4. Sơ đồ hệ thống
• 2.3.5. Mô hình dự đoán xu hướng dữ liệu (LSTM Forcasting)
• 2.3.6. Mô hình phát hiện bất thường (LSTM Auto-encoder)
• 3. CHƯƠNG 3: PHÂN TÍCH KẾT QUẢ MÔ PHỎNG
• 3.1. Kết quả giao tiếp được dữ liệu từ cảm biến ECG và cảm biến gia tốc
• 3.2. Kết quả mô phỏng
• 3.3. Kết quả của các dữ liệu cảm biến khi kiểm tra từng phần trên mạch
• 3.4. Kết quả dữ liệu cảm biến gia tốc
• 3.5. Kiểm chứng kết quả với máy đo điện tâm đồ chuyên dụng
• 3.6. Kết quả huấn luyện hệ thống AI
• 3.6.1. Mô hình dự đoán xu hướng dữ liệu (LSTM-Forcasting)
• 3.6.2. Mô hình phát hiện bất thường (LSTM autoencoder)
• 3.6.3. Phân ngưỡng bất thường
• 3.6.4. Đánh giá mô hình
• 5. CHƯƠNG 5: HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Tại Sao Thiết Kế Thiết Bị IoT Tim Mạch Lại Quan Trọng

Sau đại dịch Covid, hệ thống y tế Việt Nam đối mặt với nhiều hạn chế. Quá tải bệnh nhân và áp lực lên nhân viên y tế đòi hỏi các giải pháp theo dõi sức khỏe hiệu quả hơn, đặc biệt cho bệnh nhân tim mạch. Việc theo dõi điện tâm đồ (ECG) truyền thống yêu cầu thăm khám thường xuyên, gây tốn kém và bất tiện. Các phương pháp theo dõi liên tục còn hạn chế, như máy Holter cồng kềnh và chi phí cao. Sự phát triển của IoT và trí tuệ nhân tạo (AI) mở ra cơ hội tạo ra các thiết bị nhỏ gọn, chính xác, hỗ trợ chăm sóc sức khỏe từ xa. Thiết bị này không chỉ đo nhịp tim mà còn tích hợp cảm biến té ngã, cảnh báo sớm các vấn đề tim mạch, giúp giảm gánh nặng cho bệnh viện và cải thiện chất lượng cuộc sống của bệnh nhân. Dựa trên các nghiên cứu trước đây, mục tiêu là phát triển một thiết bị IoT nhỏ gọn, dễ sử dụng, và có khả năng phân tích dữ liệu để cung cấp thông tin giá trị cho cả bệnh nhân và bác sĩ.

1.1. Nhu Cầu Cấp Thiết về Thiết Bị Theo Dõi Tim Mạch IoT

Số liệu thống kê cho thấy bệnh tim mạch là một trong những nguyên nhân gây tử vong hàng đầu tại Việt Nam. Theo Giáo sư Phạm Gia Khải, tỷ lệ mắc bệnh tim mạch rất cao, và bệnh thường không được phát hiện cho đến khi có biến chứng. Do đó, cần có các thiết bị theo dõi sức khỏe tim mạch liên tục, dễ sử dụng và giá cả phải chăng. Thiết bị IoT tích hợp cảm biến nhịp tim và cảm biến té ngã giải quyết vấn đề này, mang lại lợi ích to lớn cho cộng đồng.

1.2. Ưu Điểm Của Thiết Bị IoT Theo Dõi Sức Khỏe Tim Mạch So Với Truyền Thống

Các phương pháp đo điện tâm đồ (ECG) truyền thống thường cồng kềnh, chỉ có ở bệnh viện chuyên khoa, không tiện lợi cho việc theo dõi lâu dài. Máy Holter di động cũng có nhược điểm là cần các điện cực và nút đo lớn, gây khó chịu cho bệnh nhân. Ngược lại, thiết bị IoT nhỏ gọn, không dây, có thể đeo liên tục, không gây ảnh hưởng đến sinh hoạt hàng ngày. Ngoài ra, khả năng phân tích dữ liệu bằng AI giúp phát hiện sớm các bất thường, nâng cao hiệu quả theo dõi và điều trị.

II. Thách Thức Vượt Qua Giới Hạn Thiết Kế Thiết Bị Theo Dõi IoT

Việc thiết kế thiết bị IoT theo dõi nhịp tim và phát hiện té ngã không phải là một nhiệm vụ đơn giản. Một trong những thách thức lớn nhất là đảm bảo độ chính xác và độ tin cậy của dữ liệu thu thập được. Cảm biến phải hoạt động ổn định trong nhiều điều kiện khác nhau, và thuật toán AI phải đủ thông minh để phân biệt giữa các hoạt động bình thường và các sự kiện bất thường. Bên cạnh đó, vấn đề bảo mật dữ liệu và quyền riêng tư cũng cần được xem xét kỹ lưỡng. Người dùng phải tin tưởng rằng thông tin sức khỏe của họ được bảo vệ an toàn. Cuối cùng, chi phí sản xuất cũng là một yếu tố quan trọng. Thiết bị cần phải đủ rẻ để có thể tiếp cận được với đông đảo người dùng, đặc biệt là người cao tuổi và những người có thu nhập thấp.

2.1. Đảm Bảo Độ Chính Xác và Tin Cậy Của Dữ Liệu Từ Cảm Biến

Để đảm bảo chất lượng dữ liệu, cần lựa chọn cảm biến chất lượng cao và hiệu chỉnh chúng cẩn thận. Các yếu tố như vị trí đặt cảm biến, áp lực tiếp xúc, và nhiễu từ môi trường xung quanh có thể ảnh hưởng đến kết quả đo. Cần có các thuật toán xử lý tín hiệu số (DSP) để loại bỏ nhiễu và bù trừ sai số. Ngoài ra, cần kiểm tra và đánh giá độ chính xác của thiết bị trong điều kiện thực tế, so sánh với các thiết bị y tế chuyên dụng.

2.2. Bảo Mật Dữ Liệu Cá Nhân và Tuân Thủ Quy Định Y Tế

Dữ liệu sức khỏe là thông tin nhạy cảm, cần được bảo vệ nghiêm ngặt. Cần sử dụng các phương pháp mã hóa dữ liệu, xác thực người dùng, và kiểm soát truy cập để ngăn chặn truy cập trái phép. Thiết bị cũng cần tuân thủ các quy định về bảo mật dữ liệu và quyền riêng tư, như HIPAA (ở Mỹ) hoặc GDPR (ở châu Âu). Việc tuân thủ tiêu chuẩn y tế như FDA và CE cũng rất quan trọng để đảm bảo an toàn và hiệu quả của thiết bị.

2.3. Tối Ưu Chi Phí Sản Xuất Để Tiếp Cận Thị Trường Đại Chúng

Để giảm chi phí sản xuất, cần lựa chọn linh kiện giá cả phải chăng, tối ưu hóa thiết kế phần cứng và phần mềm nhúng. Cần cân nhắc giữa hiệu năng và chi phí để đưa ra lựa chọn phù hợp. Việc sản xuất hàng loạt cũng giúp giảm giá thành. Ngoài ra, cần tìm kiếm các nguồn tài trợ hoặc hợp tác với các đối tác để chia sẻ chi phí và rủi ro.

III. Giải Pháp Phương Pháp Thiết Kế Thiết Bị IoT Tim Mạch AI Hiệu Quả

Thiết kế thiết bị IoT theo dõi nhịp tim và phát hiện té ngã tích hợp AI đòi hỏi sự kết hợp của nhiều lĩnh vực kỹ thuật khác nhau. Đầu tiên, cần lựa chọn cảm biến nhịp tim và gia tốc kế phù hợp, đảm bảo độ nhạy và độ ổn định cao. Tiếp theo, cần phát triển thuật toán phát hiện té ngã dựa trên dữ liệu từ gia tốc kế, sử dụng học máy (Machine Learning) để phân loại các hoạt động khác nhau và phát hiện các sự kiện té ngã. Sau đó, cần xây dựng hệ thống kết nối không dây để truyền dữ liệu đến IoT Gateway và Cloud Computing. Cuối cùng, cần phát triển ứng dụng di động để hiển thị dữ liệu và cảnh báo cho người dùng.

3.1. Lựa Chọn Cảm Biến Nhịp Tim và Gia Tốc Kế Phù Hợp

Cảm biến nhịp tim có nhiều loại khác nhau, như cảm biến quang học và điện cực. Cảm biến quang học dễ sử dụng, nhưng độ chính xác có thể bị ảnh hưởng bởi ánh sáng và chuyển động. Điện cực cho kết quả chính xác hơn, nhưng cần tiếp xúc tốt với da. Gia tốc kế đo gia tốc và hướng di chuyển, cần có độ nhạy cao để phát hiện các thay đổi nhỏ. Việc lựa chọn cảm biến phụ thuộc vào yêu cầu về độ chính xác, kích thước, và chi phí.

3.2. Xây Dựng Thuật Toán Phát Hiện Té Ngã Sử Dụng Học Máy

Thuật toán phát hiện té ngã thường dựa trên dữ liệu từ gia tốc kế. Các thuật toán đơn giản có thể dựa trên ngưỡng, nhưng các thuật toán phức tạp hơn sử dụng học máy (Machine Learning) để phân loại các hoạt động khác nhau, như đi bộ, chạy, ngồi, và té ngã. Các thuật toán học máy có thể tự động học từ dữ liệu và cải thiện độ chính xác theo thời gian. Theo luận văn nghiên cứu, các mô hình RNN như LSTMs và GRUs được huấn luyện trên một tập dữ liệu lớn của các bản ghi ECG đã được tiền xử lý, bao gồm cả các mẫu bình thường và bất thường. Các mô hình này sẽ được tối ưu hóa cho việc dự đoán ECG trước nhiều bước và phát hiện bất thường, với sự tập trung vào việc bắt kịp những biến đổi nhỏ chỉ ra vấn đề về tim mạch.

3.3. Thiết Kế Hệ Thống Kết Nối Không Dây và Ứng Dụng Di Động

Hệ thống kết nối không dây cần đảm bảo truyền dữ liệu ổn định và tiết kiệm năng lượng. Các giao thức phổ biến bao gồm Bluetooth, Wi-Fi, LoRaWAN, và NB-IoT. Bluetooth phù hợp cho kết nối tầm ngắn với điện thoại di động. Wi-Fi cho tốc độ cao hơn, nhưng tiêu thụ nhiều năng lượng hơn. LoRaWAN và NB-IoT cho phạm vi rộng và tiêu thụ ít năng lượng, phù hợp cho các ứng dụng IoT quy mô lớn. Ứng dụng di động cần có giao diện thân thiện, dễ sử dụng, hiển thị dữ liệu trực quan và cung cấp cảnh báo kịp thời.

IV. Ứng Dụng Theo Dõi Sức Khỏe IoT Cho Người Cao Tuổi Hiệu Quả

Thiết bị IoT theo dõi nhịp tim và phát hiện té ngã có nhiều ứng dụng tiềm năng, đặc biệt trong lĩnh vực chăm sóc sức khỏe từ xa cho người cao tuổi. Thiết bị có thể giúp người cao tuổi tự theo dõi sức khỏe tại nhà, giảm thiểu số lần thăm khám bệnh viện. Khi phát hiện các bất thường về nhịp tim hoặc sự kiện té ngã, thiết bị có thể tự động gửi cảnh báo đến người thân hoặc trung tâm cấp cứu. Điều này giúp tăng cường an toàn và cải thiện chất lượng cuộc sống cho người cao tuổi. Ngoài ra, thiết bị cũng có thể được sử dụng trong các bệnh viện và viện dưỡng lão để theo dõi sức khỏe bệnh nhân và phát hiện sớm các vấn đề tiềm ẩn.

4.1. Giám Sát Sức Khỏe Liên Tục Cho Người Cao Tuổi Tại Nhà

Người cao tuổi thường gặp nhiều vấn đề về sức khỏe, cần được theo dõi thường xuyên. Thiết bị IoT giúp theo dõi các chỉ số quan trọng như nhịp tim, huyết áp, và hoạt động hàng ngày. Dữ liệu được thu thập liên tục và tự động, giúp phát hiện sớm các dấu hiệu bất thường. Chăm sóc sức khỏe từ xa giúp giảm gánh nặng cho gia đình và cải thiện sự độc lập cho người cao tuổi.

4.2. Cảnh Báo Khẩn Cấp Khi Phát Hiện Té Ngã Hoặc Bất Thường Nhịp Tim

Té ngã là một trong những nguyên nhân hàng đầu gây thương tích và tử vong cho người cao tuổi. Thuật toán phát hiện té ngã giúp phát hiện sớm các sự kiện té ngã và gửi cảnh báo đến người thân hoặc trung tâm cấp cứu. Cảnh báo có thể bao gồm vị trí của người bị nạn, giúp đội cứu hộ tiếp cận nhanh chóng. Việc phát hiện sớm các bất thường về nhịp tim cũng giúp ngăn ngừa các biến chứng nguy hiểm như đột quỵ.

4.3. Ứng Dụng Trong Bệnh Viện và Viện Dưỡng Lão Để Giám Sát Bệnh Nhân

Thiết bị IoT có thể được sử dụng trong bệnh viện và viện dưỡng lão để theo dõi sức khỏe bệnh nhân một cách liên tục và hiệu quả. Dữ liệu được thu thập tự động và hiển thị trên hệ thống trung tâm, giúp nhân viên y tế dễ dàng theo dõi tình trạng của nhiều bệnh nhân cùng lúc. Việc phát hiện sớm các vấn đề sức khỏe giúp can thiệp kịp thời, giảm thiểu rủi ro và cải thiện kết quả điều trị. Theo luận văn, hệ thống sẽ có chức năng cảnh báo cho người dùng tình trạng sức khỏe hiện tại thông qua tin nhắn SMS.

V. Nghiên Cứu Kết Quả Thử Nghiệm AI Trong Thiết Bị IoT Tim Mạch

Nghiên cứu đã thực hiện thử nghiệm mô hình AI tích hợp trong thiết bị IoT để phân tích dữ liệu điện tim và phát hiện bất thường. Kết quả cho thấy, mô hình có khả năng dự đoán xu hướng dữ liệu và phát hiện các điểm bất thường với độ chính xác cao. Dữ liệu từ cảm biến ECG và gia tốc được thu thập, xử lý và phân tích bằng thuật toán AI. Mô hình học sâu đã được huấn luyện trên tập dữ liệu lớn, bao gồm cả các mẫu bình thường và bất thường. Theo luận văn, nghiên cứu này tập trung vào việc tận dụng các kỹ thuật học sâu để cải thiện phân tích tín hiệu điện tâm đồ (ECG) để cải thiện việc chẩn đoán các bất thường về tim mạch

5.1. Đánh Giá Độ Chính Xác Của Mô Hình AI Dự Đoán Nhịp Tim

Mô hình AI được đánh giá bằng các chỉ số như độ chính xác, độ tin cậy, và độ nhạy. Kết quả cho thấy, mô hình có khả năng dự đoán xu hướng nhịp tim với độ chính xác cao, giúp phát hiện sớm các thay đổi bất thường. Trong đó, mô hình học sâu dựa trên recurrent neural network (RNN) architectures như LSTMs và GRUs. Mô hình dự đoán xu hướng dữ liệu (LSTM Forcasting), Mô hình phát hiện bất thường (LSTM Auto-encoder).

5.2. Thử Nghiệm Thực Tế Khả Năng Phát Hiện Té Ngã Của Thiết Bị

Thiết bị được thử nghiệm trong môi trường thực tế để đánh giá khả năng phát hiện té ngã. Kết quả cho thấy, thiết bị có thể phát hiện chính xác các sự kiện té ngã, ngay cả trong các tình huống phức tạp. Thuật toán phát hiện té ngã dựa trên dữ liệu từ gia tốc kế và con quay hồi chuyển. Ngưỡng bất thường được phân tích, giúp cải thiện độ chính xác.

VI. Tương Lai Phát Triển Thiết Bị IoT Tim Mạch AI Tiên Tiến Hơn

Tương lai của thiết bị IoT theo dõi nhịp tim và phát hiện té ngã hứa hẹn nhiều tiềm năng phát triển. Với sự tiến bộ của công nghệ AI và cảm biến, thiết bị sẽ ngày càng thông minh hơn, chính xác hơn, và dễ sử dụng hơn. Thiết bị có thể được tích hợp thêm các tính năng mới, như theo dõi giấc ngủ, đo huyết áp, và phân tích điện tâm đồ (ECG) chi tiết. Thiết bị cũng có thể được kết nối với các hệ thống eHealth và mHealth để cung cấp dịch vụ chăm sóc sức khỏe từ xa toàn diện hơn.

6.1. Tích Hợp Các Tính Năng Theo Dõi Sức Khỏe Toàn Diện Hơn

Ngoài nhịp tim và té ngã, thiết bị có thể được tích hợp thêm các cảm biến để theo dõi các chỉ số khác như huyết áp, đường huyết, và chất lượng giấc ngủ. Dữ liệu được thu thập và phân tích để cung cấp thông tin toàn diện về sức khỏe người dùng. Nghiên cứu có thể được phát triển theo hướng, Thiết kế, chế tạo mô hình phần cứng thực nghiệm, Lấy dữ liệu điện tâm đồ và nhịp tim từ người đo, Tích hợp cảm biến té ngã để gửi cảnh báo đến người dùng.

6.2. Kết Nối Với Hệ Thống Chăm Sóc Sức Khỏe Từ Xa EHealth và MHealth

Thiết bị IoT có thể được kết nối với các hệ thống eHealth và mHealth để cung cấp dịch vụ chăm sóc sức khỏe từ xa toàn diện hơn. Dữ liệu được chia sẻ với bác sĩ và người thân, giúp theo dõi sức khỏe và đưa ra quyết định điều trị kịp thời. eHealth và mHealth giúp tăng cường khả năng tiếp cận dịch vụ y tế cho những người ở vùng sâu vùng xa hoặc không có điều kiện đến bệnh viện. IoT Gateway sẽ giao tiếp được với cơ sở dữ liệu để xem và giao tiếp được dữ liệu người dùng thông qua Website và Mobile App.

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 một phần tư 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 bệnh viện, gây khó khăn cho việc theo dõi lâu dài và liên tục. Máy theo dõi Holter di động tuy có thể theo dõi trong 1-2 ngày nhưng vẫn còn bất tiện do kích thước lớn và nhiều điện cực.

Trước thực trạng này, nghiên cứu tập trung vào thiết kế 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 bất thường về sức khỏe tim mạch. Thiết bị được thiết kế tiết kiệm năng lượng, giao tiếp không dây với IoT Gateway, cho phép truyền dữ liệu đến cơ sở dữ liệu và người dùng có thể truy cập qua website hoặc ứng dụng di động. Mục tiêu chính là phát triển một hệ thống giám sát sức khỏe tim mạch tiện lợi, chính xác, giúp giảm tải cho nhân viên y tế và nâng cao hiệu quả chăm sóc bệnh nhân.

Phạm vi nghiên cứu tập trung vào thiết kế phần cứng và phần mềm của thiết bị đeo, tích hợp cảm biến ECG MAX30003 và cảm biến gia tốc ADXL345, sử dụng các mô hình học sâu như LSTM và GRU để phân tích tín hiệu ECG, thực hiện tại TP. Hồ Chí Minh trong giai đoạn 2022-2024. Nghiên cứu có ý nghĩa lớn trong việc ứng dụng công nghệ IoT và AI vào y tế, góp phần nâng cao chất lượng giám sát và chăm sóc sức khỏe tim mạch tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

• Điện tâm đồ (ECG): Là biểu đồ ghi lại hoạt động điện của tim, phản ánh các giai đoạn co bóp của tim qua các sóng P, Q, R, S, T. Tín hiệu ECG được thu thập bằng cảm biến MAX30003, có độ phân giải cao, tích hợp bộ lọc nhiễu và phát hiện trạng thái điện cực (Lead-On/Lead-Off).

• Cảm biến gia tốc ADXL345: Cảm biến 3 trục dùng để phát hiện chuyển động và té ngã, có độ phân giải 10 bit, hỗ trợ giao tiếp SPI/I2C, tiêu thụ năng lượng thấp.

• Mạng nơ-ron hồi quy (RNN): Mô hình học sâu xử lý dữ liệu chuỗi thời gian, trong đó có các biến thể như LSTM (Long Short-Term Memory) và GRU (Gated Recurrent Unit) giúp ghi nhớ thông tin dài hạn và dự đoán tín hiệu ECG tương lai.

• LSTM Autoencoder: Mô hình học sâu dùng để phát hiện bất thường trong tín hiệu ECG bằng cách tái tạo dữ liệu đầu vào và so sánh sai số tái tạo để phát hiện các điểm dị thường.

• Giao tiếp 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, module LoRa SX1278 cho truyền dữ liệu khoảng cách xa với tiêu thụ năng lượng thấp.

Các khái niệm chính bao gồm: tín hiệu ECG, phát hiện Lead-Off/Lead-On, mạng RNN, LSTM, Autoencoder, IoT Gateway, giao tiếp SPI, và cảnh báo SMS.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Thu thập dữ liệu ECG và gia tốc từ thiết bị đeo thực nghiệm, dữ liệu ECG chuẩn từ các bệnh viện và bộ dữ liệu MIT-BIH. Dữ liệu được tiền xử lý, chuẩn hóa và gán nhãn bình thường hoặc bất thường.

• Phương pháp phân tích: Thiết kế phần cứng cảm biến ECG và gia tốc, xây dựng hệ thống IoT Gateway để thu thập và truyền dữ liệu. Áp dụng các mô hình học sâu LSTM và LSTM Autoencoder để dự đoán tín hiệu ECG và phát hiện bất thường. Đánh giá mô hình qua các chỉ số như độ chính xác, sai số trung bình (MSE, RMSE).

• Timeline nghiên cứu:

  • 09/2022 - 10/2022: Thu thập tài liệu, thiết kế phần cứng.
  • 11/2022 - 12/2022: Xây dựng mô hình AI, huấn luyện và kiểm thử.
  • 01/2023 - 04/2023: Mô phỏng, đánh giá kết quả.
  • 11/2023 - 01/2024: Hoàn thiện luận văn và bảo vệ.

• Cỡ mẫu: Dữ liệu ECG lớn từ nhiều nguồn, bao gồm cả dữ liệu thực tế và mô phỏng. Thiết bị thử nghiệm với phạm vi truyền tải dữ liệu trong khoảng 30-50m, thời gian sử dụng pin khoảng 18-24 tiếng.

• Phương pháp chọn mẫu: Lựa chọn dữ liệu ECG đa dạng, bao gồm cả mẫu bình thường và bất thường để huấn luyện mô hình học sâu, đảm bảo tính đại diện và độ chính xác.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Thiết bị đeo nhỏ gọn, tiết kiệm năng lượng: Thiết bị sử dụng pin Li-Po 1200mAh, kích thước 6x34x50 mm, cho thời gian hoạt động liên tục 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, phù hợp với môi trường bệnh viện và gia đình.

2. Độ chính xác tín hiệu ECG cao: So sánh tín hiệu ECG 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 dữ liệu thu thập.

3. Mô hình AI dự đoán và phát hiện bất thường hiệu quả: Mô hình LSTM-Forcasting dự đoán tín hiệu ECG tương lai với sai số thấp, trong khi LSTM Autoencoder phát hiện bất thường với độ chính xác lên đến 98%. Các biểu đồ sai số (Loss function) giảm dần qua các epoch huấn luyện, chứng tỏ mô hình hội tụ tốt.

4. Hệ thống cảnh báo sớm và giao tiếp đa kênh: IoT Gateway tích hợp module SIM7600CE cho phép gửi cảnh báo SMS khi phát hiện té ngã hoặc bất thường nhịp tim. Dữ liệu được lưu trữ và truy xuất qua website và ứng dụng di động, hỗ trợ giám sát từ xa.

Thảo luận kết quả

Kết quả cho thấy thiết bị IoT nhỏ gọn có thể thay thế các thiết bị theo dõi ECG truyền thống cồng kềnh, đồng thời tích hợp cảm biến gia tốc giúp phát hiện té ngã, một yếu tố quan trọng trong chăm sóc người cao tuổi và bệnh nhân 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 và tăng độ chính xác.

Mô hình học sâu LSTM và LSTM Autoencoder cho phép phân tích tín hiệu ECG tự động, giảm sự phụ thuộc vào chuyên gia y tế trong việc phát hiện bất thường, đồng thời cảnh báo sớm giúp can thiệp kịp thời. So với các nghiên cứu trước đây, mô hình này đạt độ chính xác cao hơn nhờ sử dụng tập dữ liệu lớn và kỹ thuật tiền xử lý dữ liệu chuỗi thời gian.

Phạm vi truyền tải dữ liệu và thời gian sử dụng pin đáp ứng tốt yêu cầu thực tế trong bệnh viện và gia đình, tuy nhiên cần mở rộng thử nghiệm trong môi trường thực tế đa dạng hơn để đánh giá toàn diện. Hệ thống có thể mở rộng số lượng thiết bị cảm biến kết nối với IoT Gateway, tăng khả năng giám sát nhiều bệnh nhân cùng lúc.

Dữ liệu và kết quả có thể được trình bày qua các biểu đồ sai số Loss function theo epoch, biểu đồ so sánh tín hiệu ECG thực tế và dự đoán, bảng đánh giá độ chính xác và thời gian đáp ứng của mô hình AI, giúp minh họa rõ ràng hiệu quả của hệ thống.

Đề xuất và khuyến nghị

1. Phát triển thêm các cảm biến đa dạng: Mở rộng tích hợp các cảm biến sinh học khác như SpO2, huyết áp để tăng khả năng giám sát toàn diện sức khỏe tim mạch, nâng cao giá trị ứng dụng của thiết bị.

2. Tối ưu hóa thuật toán AI: Nâng cao độ chính xác và tốc độ xử lý của mô hình học sâu bằng cách áp dụng các kỹ thuật tăng cường dữ liệu, huấn luyện trên tập dữ liệu lớn hơn và đa dạng hơn, đồng thời giảm thiểu sai số dự đoán.

3. Mở rộng phạm vi truyền thông: Nâng cấp công nghệ truyền dữ liệu không dây, kết hợp LoRa và 4G để tăng phạm vi giám sát, phù hợp với các khu vực rộng lớn như bệnh viện đa khoa hoặc khu dân cư.

4. Triển khai hệ thống giám sát từ xa: Phát triển nền tảng web và ứng dụng di động thân thiện, hỗ trợ cảnh báo tức thì qua SMS và thông báo đẩy, giúp nhân viên y tế và người dùng dễ dàng theo dõi và phản ứng kịp thời.

5. Thử nghiệm thực tế và đánh giá an toàn: Tiến hành thử nghiệm thiết bị trong môi trường thực tế đa dạng, đánh giá độ bền, an toàn điện và độ tin cậy lâu dài, đồng thời xin chứng nhận an toàn từ các cơ quan chức năng để đưa sản phẩm ra thị trường.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, y sinh: Có thể tham khảo thiết kế phần cứng cảm biến, mô hình AI và phương pháp xử lý tín hiệu ECG để phát triển các dự án tương tự hoặc nâng cao.

2. Chuyên gia y tế và bác sĩ tim mạch: Hiểu rõ về công nghệ giám sát tim mạch từ xa, ứng dụng AI trong phân tích ECG, hỗ trợ trong việc lựa chọn thiết bị theo dõi và cải thiện quy trình chăm sóc bệnh nhân.

3. Doanh nghiệp phát triển thiết bị y tế và IoT: Áp dụng các giải pháp thiết kế nhỏ gọn, tiết kiệm năng lượng và tích hợp AI để phát triển sản phẩm mới, nâng cao tính cạnh tranh trên thị trường.

4. Nhà quản lý y tế và bệnh viện: Tham khảo mô hình giám sát sức khỏe từ xa, triển khai hệ thống cảnh báo sớm nhằm giảm tải cho nhân viên y tế, nâng cao hiệu quả quản lý và chăm sóc bệnh nhân.

Câu hỏi thường gặp

1. Thiết bị có thể sử dụng liên tục trong bao lâu?
   Thiết bị sử dụng pin Li-Po 1200mAh, cho thời gian hoạt động liên tục khoảng 18-24 tiếng, đủ để theo dõi sức khỏe trong một ngày làm việc hoặc sinh hoạt bình thường.

2. Độ chính xác của tín hiệu ECG thu được như thế nào?
   So sánh với máy đo điện tâm đồ chuyên dụng, tín hiệu thu được có độ tương đồng khoảng 70-80% ở các sóng quan trọng, đảm bảo độ tin cậy cho việc phân tích và cảnh báo.

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

4. Phạm vi truyền dữ liệu không dây của thiết bị là bao nhiêu?
   Thiết bị hoạt động ổn định trong phạm vi 30m có vật cản và 50m không vật cản, phù hợp với môi trường bệnh viện hoặc gia đình. Công nghệ LoRa có thể mở rộng phạm vi lên đến vài km trong điều kiện lý tưởng.

5. Làm thế nào để người dùng truy cập dữ liệu sức khỏe?
   Dữ liệu được truyền về IoT Gateway và lưu trữ trên cơ sở dữ liệu đám mây, người dùng có thể truy cập qua website hoặc ứng dụng di động để theo dõi tình trạng sức khỏe và nhận cảnh báo kịp thời.

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 cho phép thu thập dữ liệu chính xác và đa dạng.
• Mô hình AI LSTM và LSTM Autoencoder đạt độ chính xác cao trong dự đoán và phát hiện bất thường tín hiệu ECG.
• Hệ thống IoT Gateway hỗ trợ truyền dữ liệu, cảnh báo SMS và truy xuất dữ liệu qua ứng dụng web và di động.
• Tiếp tục mở rộng thử nghiệm thực tế, tối ưu thuật toán và phát triển hệ thống giám sát toàn diện là bước tiếp theo quan trọng.

Khuyến khích các nhà nghiên cứu, doanh nghiệp và chuyên gia y tế ứng dụng và phát triển công nghệ này nhằm nâng cao chất lượng chăm sóc sức khỏe tim mạch tại Việt Nam.