Luận án tiến sĩ triển khai học máy trên vi điều khiển nhận dạng hoạt động của tác giả Vũ Thị Thương

Nghiên cứu triển khai học máy trên vi điều khiển hiệu năng thấp phục vụ nhận dạng hoạt động người dùng qua cảm biến gia tốc trong hệ thống TinyML.

• Tác giả: Vũ Thị Thương
• Người hướng dẫn: GS. Trần Đức Tân
• Trường học: Học viện Khoa học và Công nghệ
• Chuyên ngành: Máy tính
• Đề tài: Nghiên cứu triển khai học máy trên vi điều khiển hiệu năng thấp cho hệ thống nhận dạng hoạt động sử dụng cảm biến gia tốc
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2026
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan về học máy trên vi điều khiển nhận dạng hoạt động

Nghiên cứu của tác giả Vũ Thị Thương tập trung vào lĩnh vực học máy nhúng (TinyML). Mục tiêu trọng tâm là nhận dạng hoạt động người thông qua cảm biến gia tốc. Hệ thống sử dụng vi điều khiển hiệu năng thấp để xử lý dữ liệu trực tiếp. Giải pháp này giúp cắt giảm phụ thuộc vào máy chủ đám mây. Thiết bị thu thập tín hiệu chuyển động từ cơ thể theo thời gian thực. Các hoạt động phổ biến gồm ngồi, đứng, đi bộ và chạy bộ. Việc nhận dạng hỗ trợ đắc lực cho công tác theo dõi sức khỏe và cứu hộ. Mô hình nhúng đảm bảo tính riêng tư dữ liệu cho người sử dụng. Kích thước hệ thống nhỏ gọn, trọng lượng nhẹ và tiết kiệm điện năng. Mô hình TinyML giải quyết bài toán tính toán trên các thiết bị hạn chế tài nguyên. Dữ liệu từ cảm biến gia tốc được trích xuất thành các đặc trưng toán học cô đọng. Các thuật toán học máy phân loại hành vi ngay tại biên mạng. Kiến trúc này giảm thiểu độ trễ phản hồi của hệ thống. Đồng thời, thiết bị duy trì khả năng hoạt động liên tục trong môi trường khắc nghiệt. Nghiên cứu khẳng định tiềm năng to lớn của vi điều khiển giá rẻ trong tự động hóa.

1.1. Khái niệm TinyML và nhận dạng hoạt động

TinyML là nhánh công nghệ đưa trí tuệ nhân tạo lên các vi điều khiển nhỏ. Hệ thống nhận dạng hoạt động người (HAR) ghi nhận các chuyển động thể chất thường ngày. Cảm biến gia tốc đóng vai trò thu thập tín hiệu chuyển động ba chiều. Dữ liệu này phản ánh sự thay đổi vị trí cơ thể theo trục thời gian. Thiết bị xử lý trực tiếp tín hiệu tại biên mà không cần truyền tải ra ngoài. Cách tiếp cận này loại bỏ nguy cơ rò rỉ dữ liệu cá nhân. Hệ thống phản hồi tức thì với độ trễ tính toán cực thấp. Mức tiêu thụ năng lượng duy trì ở ngưỡng rất nhỏ. Nhờ đó, thiết bị đeo có thể vận hành ổn định trong thời gian dài. Công nghệ mở ra bước tiến mới cho thiết bị giám sát y tế thông minh.

1.2. Vai trò của luận án tiến sĩ Vũ Thị Thương

Luận án tiến sĩ của Vũ Thị Thương giải quyết bài toán tối ưu thuật toán. Nghiên cứu thực hiện tại Học viện Khoa học và Công nghệ thuộc Viện Hàn lâm. Trọng tâm nghiên cứu là triển khai học máy trên vi điều khiển hiệu năng thấp. Tác giả chọn lọc các mô hình gọn nhẹ thay vì mô hình học sâu phức tạp. Cách tiếp cận này đáp ứng triệt để các rào cản phần cứng nhúng. Công trình mở ra hướng phát triển thiết bị nhận dạng độc lập, chi phí thấp. Thiết bị có khả năng hoạt động liên tục mà không cần kết nối mạng. Đây là tiền đề quan trọng cho các ứng dụng Internet vạn vật thực tế. Kết quả nghiên cứu đóng góp giá trị cao cho khoa học máy tính ứng dụng.

II. Phân tích rào cản triển khai học máy trên vi điều khiển

Triển khai mô hình trí tuệ nhân tạo trên phần cứng nhúng đối mặt nhiều thách thức lớn. Các vi điều khiển giá rẻ như PIC18F4520 sở hữu tài nguyên rất hạn chế. Dung lượng bộ nhớ RAM và Flash của chip thường chỉ vài chục kilobyte. Khả năng tính toán dấu phẩy động cũng bị giới hạn đáng kể. Trong khi đó, các mô hình học máy truyền thống thường đòi hỏi bộ nhớ khổng lồ. Vấn đề thu thập dữ liệu cũng đặt ra trở ngại thực tế. Các nghiên cứu trước đây như dự án Opportunity từng gắn tới 19 cảm biến trên cơ thể. Việc đeo quá nhiều thiết bị gây vướng víu và khó chịu nghiêm trọng cho người dùng. Thiết bị cồng kềnh cản trở các chuyển động tự nhiên hàng ngày. Ngoài ra, việc truyền dữ liệu liên tục về máy chủ gây tốn pin nhanh chóng. Đường truyền không dây cũng tiềm ẩn nguy cơ mất gói tin và độ trễ cao. Môi trường cứu hộ hoặc dã ngoại thường xuyên thiếu sóng viễn thông. Do đó, hệ thống buộc phải tinh gọn cả phần cứng lẫn số lượng cảm biến. Thuật toán cần được tối ưu sâu để vừa vặn với bộ vi xử lý đơn giản.

2.1. Giới hạn phần cứng trên vi điều khiển hiệu năng thấp

Bộ vi điều khiển PIC18F4520 là đại diện tiêu biểu cho phân khúc phần cứng giá rẻ. Dòng chip này có bộ nhớ chương trình Flash hạn hẹp và RAM chỉ vài kilobyte. Khả năng xử lý số học dấu phẩy động đòi hỏi chi phí chu kỳ lệnh rất lớn. Vi điều khiển không thể tải trực tiếp các mạng nơ-ron sâu hay mô hình đồ sộ. Mọi phép toán ma trận cồng kềnh đều dẫn đến hiện tượng tràn bộ nhớ. Bên cạnh đó, nguồn pin của thiết bị đeo di động có giới hạn dung lượng nghiêm ngặt. Bộ xử lý phải hoàn thành tính toán nhanh chóng để đưa chip vào trạng thái ngủ. Đây là yêu cầu kỹ thuật vô cùng khắt khe đối với kỹ sư thiết kế hệ thống nhúng.

2.2. Nhược điểm khi đeo quá nhiều cảm biến trên cơ thể

Việc bố trí hàng loạt cảm biến trên cơ thể bộc lộ nhiều điểm yếu thực tế. Dự án Opportunity từng thử nghiệm gắn 19 cảm biến cùng hệ thống máy quay ghi hình. Mô hình này tạo ra sự vướng víu khó chịu cho các tình nguyện viên. Người dùng khó duy trì các tư thế sinh hoạt bình thường một cách thoải mái. Trọng lượng tổng thể của hệ thống làm suy giảm tính linh hoạt khi vận động. Trong các nhiệm vụ cứu hộ hoặc chữa cháy, thiết bị cồng kềnh có thể gây nguy hiểm. Hơn nữa, việc tích hợp nhiều cảm biến làm tăng chi phí chế tạo phần cứng. Khả năng lỗi đường dây tín hiệu và xung đột dữ liệu cũng tăng theo. Do đó, giảm thiểu số lượng cảm biến là hướng đi tất yếu.

III. Giải pháp học máy trên vi điều khiển nhận dạng hoạt động

Nghiên cứu của Vũ Thị Thương đề xuất giải pháp tối ưu toàn diện từ phần cứng đến phần mềm. Tác giả sử dụng cảm biến gia tốc với kích thước nhỏ và trọng lượng nhẹ. Vi điều khiển PIC18F4520 đảm nhận vai trò bộ xử lý trung tâm trong thiết bị nhúng. Quy trình vận hành gồm ba bước chính: thu thập tín hiệu, trích xuất đặc trưng và phân loại. Thuật toán Rừng ngẫu nhiên (Random Forest) được lựa chọn nhờ cấu trúc tính toán đơn giản. Sau khi huấn luyện trên máy tính, mô hình cung cấp các ngưỡng phân nhánh nhị phân cụ thể. Vi điều khiển chỉ cần thực hiện các phép so sánh số học cơ bản theo cây quyết định. Cách làm này không đòi hỏi bộ nhớ lưu trữ lớn và tránh các phép chia phức tạp. Nhờ đó, chip xử lý tín hiệu chuyển động mượt mà theo thời gian thực. Mô hình phân biệt chính xác bốn trạng thái: ngồi, đứng, đi bộ và chạy bộ. Toàn bộ chu trình tính toán diễn ra ngay trên vi điều khiển mà không cần truyền dữ liệu ra ngoài.

3.1. Ứng dụng cảm biến gia tốc thu thập dữ liệu

Cảm biến gia tốc là lựa chọn hàng đầu cho hệ thống nhận dạng vận động. Linh kiện này sở hữu kích thước siêu nhỏ, trọng lượng nhẹ và độ bền cao. Thiết bị có khả năng đo lường gia tốc ba trục theo thời gian thực. Tín hiệu gia tốc ghi lại đầy đủ biên độ dao động khi cơ thể chuyển động. Tác giả chỉ sử dụng số lượng cảm biến tối thiểu nhằm đem lại sự tiện lợi. Người dùng không cảm thấy vướng víu khi mang thiết bị trong sinh hoạt hàng ngày. Dữ liệu thu thập được lọc nhiễu trước khi đưa vào bước trích xuất đặc trưng. Đây là nguồn dữ liệu chuẩn xác để phân biệt rõ các tư thế cơ bản.

3.2. Cấu trúc Random Forest tối ưu cho vi điều khiển

Thuật toán Random Forest chứng minh tính tương thích vượt trội trên phần cứng PIC18F4520. Mô hình huấn luyện ngoại tuyến tạo ra cấu trúc các cây quyết định nhị phân. Các nút phân nhánh lưu trữ giá trị ngưỡng so sánh của từng đặc trưng gia tốc. Khi nạp vào vi điều khiển, chương trình chỉ thực hiện cấu trúc điều kiện nếu-thì (if-else). Chip không cần lưu trữ ma trận trọng số phức tạp như mạng nơ-ron nhân tạo. Tốc độ thực thi diễn ra gần như tức thì với dung lượng mã nhúng rất nhỏ. Tác giả tối ưu hóa bộ nhớ đệm để bảo toàn tài nguyên cho hệ thống. Giải pháp này giúp thiết bị đeo phân loại hoạt động chính xác và liên tục theo thời gian thực.

IV. Kết luận và ứng dụng học máy trên vi điều khiển thực tế

Nghiên cứu của tác giả Vũ Thị Thương chứng minh tính khả thi của TinyML trên phần cứng giá rẻ. Giải pháp nhận dạng hoạt động đạt độ chính xác cao mà vẫn tiết kiệm năng lượng. Việc xử lý tín hiệu tại chỗ đem lại lợi ích lớn cho nhiều lĩnh vực thực tiễn. Trong công tác cứu nạn cứu hộ và chữa cháy, thiết bị hỗ trợ theo dõi trạng thái di chuyển của nhân viên ứng cứu. Trong y tế gia đình, hệ thống cảnh báo sớm các hành vi bất thường của bệnh nhân hoặc người cao tuổi. Thiết bị đeo nhỏ gọn tạo cảm giác thoải mái khi mang theo bên mình liên tục. Tính năng hoạt động ngoại tuyến bảo vệ trọn vẹn quyền riêng tư cho người dùng. Đồng thời, mô hình loại bỏ hoàn toàn sự phụ thuộc vào hạ tầng mạng Internet đắt đỏ. Kết quả của luận án mở đường cho việc phổ cập các sản phẩm IoT thông minh sản xuất nội địa. Đây là cơ sở thực nghiệm vững chắc để nhân rộng sang nhiều bài toán phân tích hành vi phức tạp khác.

4.1. Khả năng ứng dụng trong y tế và cứu hộ khẩn cấp

Hệ thống nhận dạng cử động hỗ trợ hiệu quả công tác cứu hộ khẩn cấp. Lực lượng cứu hỏa mang thiết bị có thể tự động báo cáo trạng thái bất động hoặc chạy nhanh. Trong lĩnh vực y tế, thiết bị phục vụ theo dõi phục hồi chức năng của người bệnh. Hệ thống dễ dàng phân biệt hành vi ngồi, đứng, đi bộ để tính toán mức độ vận động hàng ngày. Khi phát hiện té ngã hoặc dấu hiệu bất thường, bộ vi điều khiển lập tức kích hoạt tín hiệu báo động. Khả năng xử lý trực tiếp không phụ thuộc Internet là ưu thế then chốt trong vùng mất sóng. Thiết bị đem lại sự an toàn và nâng cao hiệu quả phản ứng nhanh trong các tình huống nguy hiểm.

4.2. Hướng phát triển TinyML trên phần cứng nhúng

Nghiên cứu khẳng định tiềm năng mở rộng của công nghệ TinyML trong tương lai. Kỹ thuật lượng tử hóa và nén mô hình sẽ tiếp tục hoàn thiện trên các vi điều khiển đời mới. Các nhà phát triển có thể kết hợp thêm cảm biến đo nhịp tim hoặc nhiệt độ cơ thể. Sự kết hợp đa cảm biến giúp hệ thống nhận diện hành vi toàn diện hơn. Xu hướng phát triển hướng tới giảm thiểu tối đa kích thước phần cứng và điện năng tiêu thụ. Chi phí sản xuất vi mạch thấp thúc đẩy thương mại hóa thiết bị đeo thông minh. Mô hình nhúng độc lập sẽ trở thành nền tảng trọng yếu cho kỷ nguyên Internet vạn vật thông minh.

Trích đoạn nội dung tài liệu

Chương 1 này giới thiệu về bài toán nhận dạng hoạt động người sử dụng cảm biến. Các nghiên cứu liên quan sẽ được phân vào nhóm những phương pháp tiếp cận. Nhìn chung, trong bài toán HAR, có ba cách tiếp cận phổ biến: cách tiếp cận dựa trên thị giác máy tính, cách tiếp cận dựa trên cảm biến tương tác môi trường và cách tiếp cận dựa trên cảm biến thiết bị đeo. Mỗi cách tiếp cận phù hợp với các tình huống và các môi trường khác nhau.

Các thách thức của các phương pháp nhận dạng hoạt động người sử dụng cảm biến cũng được phân tích chi tiết làm tiền đề cho việc đề xuất các thuật toán ở các chương tiếp theo. Bên cạnh đó, một số kiến thức nền tảng cần thiết để thuận tiện cho việc hiểu thuật toán đề xuất và một số chỉ số đánh giá phổ biến cho nhận dạng hoạt động người cũng được trình bày trong chương này. Giới thiệu về nhận dạng hoạt động người Ngày nay, HAR đã trở thành một lĩnh vực nghiên cứu sôi động trên toàn thế giới, với sự phát triển mạnh mẽ của công nghệ cảm biến và học máy [27]. Có nhiều vấn đề thực tế cần giải pháp dựa trên nhận dạng hoạt động như chăm sóc sức khỏe [2], [3], phát hiện té ngã cho người già [4], [5], công nghiệp [7], bảo mật [28], v.

Công nghệ nhận dạng hoạt động thu thập thông tin hành vi của người dùng, cung cấp nhiều cách tương tác khác nhau, từ đó cho phép hệ thống hỗ trợ tích cực cho người dùng trong công việc của họ [29]. Trong bài toán HAR, có hai cách tiếp cận phổ biến: cách tiếp cận dựa trên thị giác máy tính, cách tiếp cận dựa trên cảm biến (bao gồm: cách tiếp cận dựa trên cảm biến tương tác môi trường và cách tiếp cận dựa trên cảm biến thiết bị đeo) [9], [10], Hình 1. Máy ảnh hoặc video được sử dụng cho phương pháp tiếp cận dựa trên tầm nhìn để quan sát hành vi của người dùng và những thay đổi của môi trường xung quanh [12], [13]. Tuy nhiên, việc sử dụng camera giám sát còn nhiều hạn chế như giá thành cao, kém hiệu quả trong điều kiện ánh sáng yếu và vấn đề riêng tư của người dùng [30].

Với cách tiếp cận dựa trên cảm biến tương tác với môi trường, cảm biến được nhúng vào đối tượng hoặc chủ thể cấu thành môi trường xung quanh để giám sát hoạt động của người 10 10 dùng [6], [14]. Giống như cách tiếp cận dựa trên thị giác máy tính [30], hệ thống này cần được triển khai và cài đặt sẵn [6], [14].1 Phân loại phương pháp nhận dạng hoạt động người Khác với cách tiếp cận trên, cách tiếp cận dựa trên cảm biến mang trên người sử dụng cảm biến trên cơ thể đã mở ra nhiều ứng dụng tiềm năng trong HAR [15], [16]. Với sự phát triển của công nghệ, các cảm biến ngày càng đa dạng hơn để nâng cao tỷ lệ nhận dạng và thích ứng với các tình huống khác nhau. Chúng phù hợp với toàn bộ môi trường mà không cần lắp đặt, dù trong nhà hay ngoài trời [31].

Theo phương pháp này, cảm biến có thể được đeo ở nhiều vị trí khác nhau trên cơ thể con người, chẳng hạn như cánh tay, cổ tay [32], đùi [33], túi trước [17] hay mắt cá chân [34]. Luận án tập trung khai thác khả năng nhận dạng trạng thái của con người bằng cách sử dụng các cảm biến mang trên cơ thể. HAR dựa trên video là một lĩnh vực nghiên cứu tích cực với nhiều công trình đầy triển vọng [35] [36]. Những thay đổi ngẫu nhiên về quần áo, phông nền, ánh sáng.

của con người là những thách thức trong HAR dựa trên video [35].