Nghiên cứu Ứng dụng Machine Learning và IoT để Phát triển Hệ thống Giám sát Y tế Thông minh

Chuyên khảo y tế phân tích Hcmute nghiên cứu ứng dụng giải thuật máy học machine learning và iot phát triển hệ thống điều, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên

• Tác giả: Vũ Quang Huy
• Người hướng dẫn: TS. Vũ Quang Huy
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Khoa Đào Tạo Chất Lượng Cao
• Đề tài: Nghiên Cứu Và Ứng Dụng Giải Thuật Máy Học (Machine Learning) Và IoT Phát Triển Hệ Thống Điều Khiển Giám Sát Thông Minh Trong Lĩnh Vực Y Tế
• Loại tài liệu: luận văn
• Năm xuất bản: 2018
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Các dự án hiện tại đang hướng đến Sức khỏe và Giấc ngủ
• 1.3. Mục Đích Nghiên Cứu
• 1.4. Phương Pháp Nghiên Cứu
• 1.5. Đối Tượng, Phạm Vi Nghiên Cứu
• 1.6. Nội Dung Nghiên Cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Mối Liên Hệ Giữa Bước Chân, Giấc Ngủ Và Hệ Thống Tim Mạch
• 2.2. Các Giai Đoạn Của Giấc Ngủ Và Cách Nhận Biết
• 2.3. Nguyên Lý Đếm Bước Chân (Step Counting)
• 2.4. Thuật toán Máy học
• 2.5. Internet of Thing
• 3. CHƯƠNG 3: THIẾT KẾ CHẾ TẠO PHẦN CỨNG VÀ PHÁT TRIỂN PHẦN MỀM ỨNG DỤNG
• 3.1. Cấu trúc phần cứng
• 3.2. Thuật toán và phần mềm ứng dụng
• 4. CHƯƠNG 4: KẾT QUẢ VÀ THẢO LUẬN
• 4.1. Bộ đếm bước chân
• 4.2. Phát hiện Chuyển động trong giấc ngủ (MIS)
• 5. CHƯƠNG 5: KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Ứng dụng Machine Learning trong Giám sát Sức khỏe Thông minh

Phần này tập trung vào vai trò của machine learning y tế trong việc xây dựng hệ thống giám sát sức khỏe thông minh. Hệ thống giám sát y tế hiện đại cần khả năng phân tích dữ liệu khổng lồ (big data y tế) từ nhiều nguồn khác nhau. Machine learning cung cấp các mô hình machine learning mạnh mẽ để xử lý và phân tích dữ liệu này, cho phép phát hiện dấu hiệu đoán bệnh tật sớm và chính xác hơn. Các thuật toán machine learning, đặc biệt là deep learning y tế và học sâu trong y tế, có thể được sử dụng để phân tích dữ liệu sinh trắc học, phân tích hình ảnh y tế, và thu thập dữ liệu y tế từ các cảm biến y tế để phát hiện các bất thường và cung cấp chẩn đoán bệnh sớm. Việc ứng dụng AI trong y tế và mô hình dự đoán y tế giúp nâng cao hiệu quả quản lý sức khỏe từ xa và giám sát bệnh nhân từ xa. Ứng dụng machine learning cũng góp phần vào việc trí tuệ nhân tạo trong y tế và thực tiễn đào tạo trong y tế, giúp bác sĩ có thể đưa ra quyết định chính xác hơn, nhanh chóng hơn.

1.1 Phân tích Dữ liệu Y tế và Xây dựng Mô hình Dự đoán

Đây là giai đoạn quan trọng để khai thác sức mạnh của machine learning y tế. Phân tích dữ liệu y tế từ các nguồn khác nhau, bao gồm thu thập dữ liệu sinh trắc học từ các thiết bị đeo y tế (wearable y tế) và thiết bị y tế thông minh, là bước đầu tiên. Dữ liệu này được làm sạch, tiền xử lý và chuẩn hóa trước khi được đưa vào huấn luyện mô hình machine learning. Việc lựa chọn thuật toán phù hợp, ví dụ như hồi quy logistic, mạng neuron nhân tạo, hay các thuật toán học sâu trong y tế, phụ thuộc vào loại dữ liệu và mục tiêu dự đoán. Xử lý dữ liệu y tế hiệu quả giúp đảm bảo độ chính xác của mô hình dự đoán y tế. Việc đánh giá và tối ưu hóa mô hình là cần thiết để đảm bảo độ tin cậy của kết quả. An ninh dữ liệu y tế và bảo mật dữ liệu y tế là yếu tố then chốt cần được xem xét trong suốt quá trình.

1.2 Ứng dụng trong Chẩn đoán và Cảnh báo Sớm

Sau khi xây dựng mô hình, machine learning được sử dụng để chẩn đoán bệnh sớm. Hệ thống có thể phát hiện các dấu hiệu bất thường trong dữ liệu sức khỏe, sau đó đưa ra cảnh báo sớm cho cả bệnh nhân và bác sĩ. Ví dụ, hệ thống có thể phát hiện nhịp tim bất thường, thay đổi huyết áp hoặc các chỉ số khác liên quan đến bệnh tim mạch. Hệ thống cảnh báo sớm này đóng vai trò quan trọng trong việc giám sát sức khỏe thông minh, giúp ngăn ngừa hoặc giảm thiểu các biến chứng nghiêm trọng. Hệ thống giám sát bệnh nhân từ xa cũng có thể được tích hợp với hệ thống cảnh báo để hỗ trợ chăm sóc y tế hiệu quả hơn. Ứng dụng machine learning giúp nâng cao chất lượng chăm sóc sức khỏe.

II. IoT y tế và Tích hợp với Hệ thống Giám sát

Internet vạn vật trong y tế (internet vạn vật trong y tế) đóng vai trò quan trọng trong việc thu thập dữ liệu sức khỏe từ nhiều nguồn khác nhau. Các thiết bị y tế thông minh, như các cảm biến đeo được (wearable y tế) và các thiết bị theo dõi sức khỏe cá nhân, được kết nối với nhau thông qua internet of things và truyền dữ liệu về một nền tảng trung tâm. Ứng dụng internet of things cho phép thu thập dữ liệu y tế liên tục và tự động, cung cấp thông tin cập nhật về tình trạng sức khỏe của bệnh nhân. Tích hợp IoT với hệ thống giám sát giúp xây dựng một hệ thống giám sát sức khỏe toàn diện, hiệu quả. Cloud computing trong y tế cung cấp khả năng lưu trữ và xử lý dữ liệu lớn, hỗ trợ hoạt động của hệ thống. An ninh dữ liệu y tế và bảo mật dữ liệu y tế là yếu tố then chốt cần được đảm bảo trong hệ thống.

2.1 Thu thập Dữ liệu Từ Xa và Truyền Dữ Liệu An Toàn

Việc tích hợp IoT y tế cho phép thu thập dữ liệu y tế từ xa một cách hiệu quả. Các cảm biến y tế trên các thiết bị đeo y tế thu thập dữ liệu sinh trắc học, như nhịp tim, huyết áp, nhịp thở, và các thông số khác. Dữ liệu này được truyền đến nền tảng trung tâm qua mạng không dây, đảm bảo tính thời gian thực và tiện lợi. An ninh dữ liệu y tế và bảo mật dữ liệu y tế là rất quan trọng. Các giao thức mã hóa và bảo mật cần được triển khai để ngăn chặn truy cập trái phép và bảo vệ thông tin cá nhân của bệnh nhân. Blockchain trong y tế có thể được xem xét như một giải pháp để đảm bảo tính toàn vẹn và bảo mật của dữ liệu.

2.2 Quản lý và Phân tích Dữ liệu từ Nhiều Nguồn

Dữ liệu từ nhiều nguồn khác nhau cần được quản lý và phân tích một cách hiệu quả. Nền tảng trung tâm phải có khả năng xử lý lượng lớn dữ liệu (big data y tế) từ nhiều thiết bị và nguồn khác nhau. Xử lý dữ liệu y tế bao gồm việc làm sạch dữ liệu, chuẩn hóa dữ liệu và tích hợp dữ liệu từ các nguồn khác nhau. Các công nghệ cloud computing trong y tế hỗ trợ việc lưu trữ và xử lý dữ liệu lớn một cách hiệu quả. Phân tích dữ liệu y tế giúp giám sát sức khỏe thông minh hiệu quả hơn và đưa ra những quyết định chính xác hơn. Telemedicine cũng dựa trên nền tảng này để hỗ trợ chăm sóc y tế từ xa.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh lối sống hiện đại ngày càng bận rộn và thiếu vận động, các vấn đề sức khỏe liên quan đến bệnh tim mạch (Cardiovascular Disease – CVD) ngày càng trở nên nghiêm trọng. Theo một nghiên cứu dịch tễ học, đi bộ hơn 4 giờ mỗi tuần giúp giảm nguy cơ nhập viện do tim mạch với nguy cơ tương đối 0,69 (khoảng tin cậy 95%, 0,52–0,90). Đồng thời, thiếu ngủ cũng là một yếu tố nguy cơ lớn, khi những người ngủ dưới 6 giờ mỗi đêm có nguy cơ đột quỵ hoặc đau tim cao gấp đôi so với người ngủ đủ 6-8 giờ. Trước thực trạng này, việc phát triển các hệ thống giám sát sức khỏe cá nhân thông minh, tích hợp công nghệ IoT và thuật toán máy học, nhằm theo dõi hoạt động thể chất và giấc ngủ, trở nên cấp thiết.

Mục tiêu nghiên cứu là xây dựng một hệ thống điều khiển và giám sát thông minh, ứng dụng IoT và thuật toán máy học, để theo dõi số bước chân và chất lượng giấc ngủ của người dùng, từ đó cảnh báo kịp thời các nguy cơ sức khỏe. Nghiên cứu được thực hiện trong năm 2018 tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, tập trung phát triển thiết bị đeo cá nhân tích hợp bộ đếm bước chân và hệ thống cảnh báo giấc ngủ thông minh. Kết quả nghiên cứu góp phần nâng cao hiệu quả phòng ngừa bệnh tim mạch thông qua việc theo dõi chủ động sức khỏe cá nhân, đồng thời giảm thiểu sự phức tạp khi người dùng phải sử dụng nhiều thiết bị riêng biệt.

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:

• Mối liên hệ giữa bước chân, giấc ngủ và hệ thống tim mạch: Đi bộ đều đặn giúp giảm nguy cơ CVD, trong khi giấc ngủ chất lượng ảnh hưởng trực tiếp đến sức khỏe tim mạch. Quán tính giấc ngủ (Sleep Inertia) và nhịp nghỉ tim (Resting Heart Rate - RHR) là các chỉ số quan trọng đánh giá trạng thái sức khỏe.
• Các giai đoạn của giấc ngủ và cách nhận biết: Giấc ngủ được phân thành các giai đoạn NREM-1, NREM-2, NREM-3 (ngủ sâu) và REM, với mỗi giai đoạn có đặc điểm sóng não riêng biệt đo bằng điện não đồ (EEG). Việc đánh thức trong giai đoạn ngủ nhẹ giúp giảm quán tính giấc ngủ.
• Nguyên lý đếm bước chân: Sử dụng gia tốc kế 3 trục để đo gia tốc theo các trục x, y, z, từ đó xác định chuyển động dao động của cánh tay nhằm đếm bước chân chính xác.
• Thuật toán máy học: Áp dụng các thuật toán học có giám sát như Decision Tree và mạng Nơron nhân tạo (Neural Network) để phân loại và nhận dạng trạng thái chuyển động, giấc ngủ.
• Internet of Things (IoT): Kết nối các thiết bị cảm biến và thiết bị di động qua Bluetooth, tạo thành hệ thống giám sát sức khỏe cá nhân thông minh, cho phép thu thập và phân tích dữ liệu liên tục.

Phương pháp nghiên cứu

Nghiên cứu được thực hiện trong khoảng thời gian từ 01/01/2018 đến 30/12/2018, tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh. Phương pháp nghiên cứu bao gồm:

• Thu thập dữ liệu: Sử dụng cảm biến gia tốc MPU-6050 gắn trên cổ tay để thu thập dữ liệu gia tốc 3 trục trong quá trình đi bộ, chạy và ngủ của người dùng.
• Thiết kế phần cứng: Phát triển thiết bị đeo tích hợp Arduino Nano, cảm biến MPU-6050 và mô-đun Bluetooth HC-05 để truyền dữ liệu.
• Phân tích dữ liệu: Áp dụng bộ lọc thông thấp (Low Pass Filter) để loại bỏ nhiễu, sử dụng ngưỡng thích nghi (adaptive threshold) để xác định bước chân và phát hiện chuyển động trong giấc ngủ.
• Phát triển phần mềm: Xây dựng ứng dụng Android gồm hai mô-đun chính là My Step Counter để hiển thị số bước và Smart Alarm để đánh thức người dùng trong giai đoạn ngủ nhẹ.
• Cỡ mẫu và chọn mẫu: Thực nghiệm với nhiều trường hợp khác nhau về tốc độ và kiểu chuyển động của người dùng nhằm đánh giá độ chính xác của thiết bị và thuật toán.
• Phương pháp phân tích: So sánh kết quả đếm bước chân với các thiết bị thương mại như MiBand và Diesel Link để đánh giá sai số, đồng thời phân tích dữ liệu chuyển động trong giấc ngủ để xác định giai đoạn ngủ nhẹ.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác đếm bước chân: Thiết bị đạt sai số 0% khi so sánh với MiBand trong thử nghiệm đi bộ, sai số 3% trong thử nghiệm chạy và sai số 13% khi so sánh với Diesel Link. Điều này chứng tỏ thiết bị có độ chính xác cao, đặc biệt trong các hoạt động đi bộ và chạy thông thường.

2. Hiệu quả của ngưỡng thích nghi: So với ngưỡng cố định, ngưỡng thích nghi giúp thiết bị tự động điều chỉnh theo phong cách đi bộ/chạy của từng người dùng, giảm sai số đếm bước chân trong các trường hợp vận động không đều hoặc thay đổi tốc độ.

3. Phát hiện chuyển động trong giấc ngủ (MIS): Thuật toán phát hiện chuyển động dựa trên ngưỡng gia tốc thay đổi khoảng 40-50 đơn vị, giúp xác định chính xác giai đoạn ngủ nhẹ để kích hoạt báo thức thông minh. Việc này giúp giảm quán tính giấc ngủ và cải thiện chất lượng thức dậy.

4. Tích hợp hệ thống IoT và ứng dụng di động: Thiết bị truyền dữ liệu qua Bluetooth sang ứng dụng Android, cho phép người dùng theo dõi số bước chân và nhận cảnh báo đánh thức đúng giai đoạn ngủ nhẹ. Ứng dụng có thể hoạt động nền, tiết kiệm pin và dễ sử dụng.

Thảo luận kết quả

Kết quả cho thấy việc ứng dụng thuật toán máy học kết hợp với cảm biến gia tốc và công nghệ IoT trong thiết bị đeo cá nhân là khả thi và hiệu quả. Độ chính xác đếm bước chân cao hơn so với một số thiết bị thương mại, nhờ vào việc sử dụng ngưỡng thích nghi và bộ lọc thông thấp để giảm nhiễu. Việc phát hiện chuyển động trong giấc ngủ giúp cải thiện trải nghiệm người dùng bằng cách đánh thức trong giai đoạn ngủ nhẹ, giảm cảm giác mệt mỏi khi thức dậy.

So sánh với các nghiên cứu trước đây, thiết bị này tích hợp đồng thời chức năng đếm bước và cảnh báo giấc ngủ trong một phần cứng duy nhất, khắc phục hạn chế của các thiết bị chỉ thực hiện một chức năng riêng biệt. Dữ liệu có thể được trình bày qua biểu đồ số bước theo thời gian và biểu đồ chuyển động trong giấc ngủ, giúp người dùng dễ dàng theo dõi và điều chỉnh thói quen sinh hoạt.

Tuy nhiên, thiết bị vẫn có thể cải tiến thêm về khả năng nhận dạng các trạng thái vận động phức tạp hơn và mở rộng tích hợp các cảm biến sinh học khác như nhịp tim để nâng cao độ chính xác và tính toàn diện của hệ thống giám sát sức khỏe.

Đề xuất và khuyến nghị

1. Phát triển thêm các thuật toán máy học nâng cao nhằm cải thiện khả năng phân loại trạng thái vận động và giấc ngủ, tăng độ chính xác nhận dạng trong các điều kiện thực tế đa dạng. Thời gian thực hiện: 12 tháng; chủ thể: nhóm nghiên cứu và đối tác công nghệ.

2. Mở rộng tích hợp cảm biến sinh học như cảm biến nhịp tim, nhiệt độ cơ thể để cung cấp dữ liệu toàn diện hơn về sức khỏe người dùng, hỗ trợ cảnh báo sớm các nguy cơ tim mạch. Thời gian thực hiện: 18 tháng; chủ thể: phòng thí nghiệm phát triển thiết bị.

3. Tối ưu hóa phần mềm ứng dụng di động với giao diện thân thiện, khả năng lưu trữ và phân tích dữ liệu dài hạn, đồng thời hỗ trợ đa nền tảng (iOS, Android). Thời gian thực hiện: 6 tháng; chủ thể: đội ngũ phát triển phần mềm.

4. Triển khai thử nghiệm thực tế quy mô lớn tại các cộng đồng dân cư và cơ sở y tế để đánh giá hiệu quả sử dụng, thu thập phản hồi người dùng và điều chỉnh thiết bị phù hợp. Thời gian thực hiện: 12 tháng; chủ thể: các trung tâm y tế và tổ chức nghiên cứu.

5. Xây dựng hướng dẫn sử dụng và đào tạo người dùng nhằm nâng cao nhận thức về lợi ích của việc theo dõi sức khỏe cá nhân và sử dụng thiết bị đúng cách, góp phần phòng ngừa bệnh tim mạch hiệu quả. Thời gian thực hiện: liên tục; chủ thể: các tổ chức y tế và giáo dục.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật y sinh và công nghệ thông tin: Nghiên cứu cung cấp kiến thức về ứng dụng thuật toán máy học và IoT trong phát triển thiết bị y tế cá nhân, hỗ trợ phát triển các dự án tương tự.

2. Chuyên gia phát triển thiết bị đeo thông minh và ứng dụng sức khỏe: Tham khảo thiết kế phần cứng, thuật toán xử lý dữ liệu và phần mềm ứng dụng để cải tiến sản phẩm, nâng cao tính năng và độ chính xác.

3. Bác sĩ và chuyên gia y tế trong lĩnh vực tim mạch và giấc ngủ: Hiểu rõ hơn về công nghệ giám sát sức khỏe cá nhân, hỗ trợ tư vấn và áp dụng thiết bị trong chăm sóc bệnh nhân.

4. Nhà quản lý và hoạch định chính sách y tế công cộng: Đánh giá tiềm năng ứng dụng công nghệ trong phòng ngừa bệnh tim mạch, xây dựng các chương trình hỗ trợ và khuyến khích sử dụng thiết bị giám sát sức khỏe.

Câu hỏi thường gặp

1. Thiết bị này có thể sử dụng cho những đối tượng nào?
   Thiết bị phù hợp với mọi người trưởng thành muốn theo dõi hoạt động thể chất và chất lượng giấc ngủ, đặc biệt là những người có nguy cơ bệnh tim mạch hoặc cần cải thiện thói quen sinh hoạt.

2. Độ chính xác của bộ đếm bước chân như thế nào?
   Thiết bị đạt sai số 0-3% so với các thiết bị thương mại trong các thử nghiệm đi bộ và chạy, đảm bảo độ tin cậy cao trong việc theo dõi hoạt động hàng ngày.

3. Làm thế nào thiết bị phát hiện giai đoạn ngủ nhẹ để đánh thức?
   Thiết bị sử dụng thuật toán phát hiện chuyển động dựa trên dữ liệu gia tốc, xác định các thay đổi lớn trong giấc ngủ để nhận biết giai đoạn ngủ nhẹ và kích hoạt báo thức phù hợp.

4. Thiết bị có thể kết nối với điện thoại nào?
   Thiết bị sử dụng mô-đun Bluetooth HC-05, tương thích với các điện thoại Android có hỗ trợ Bluetooth, cho phép truyền dữ liệu và điều khiển qua ứng dụng di động.

5. Có thể mở rộng tính năng của thiết bị không?
   Có thể tích hợp thêm cảm biến sinh học khác như nhịp tim, nhiệt độ, và phát triển thuật toán máy học nâng cao để tăng tính năng và độ chính xác, phù hợp với nhu cầu đa dạng của người dùng.

Kết luận

• Nghiên cứu đã phát triển thành công thiết bị đeo cá nhân tích hợp bộ đếm bước chân và hệ thống cảnh báo giấc ngủ thông minh, ứng dụng IoT và thuật toán máy học.
• Thiết bị đạt độ chính xác cao trong việc đếm bước chân với sai số thấp so với các thiết bị thương mại hiện có.
• Thuật toán phát hiện chuyển động trong giấc ngủ giúp đánh thức người dùng đúng giai đoạn ngủ nhẹ, giảm quán tính giấc ngủ và cải thiện chất lượng thức dậy.
• Hệ thống kết nối Bluetooth với ứng dụng Android cho phép người dùng theo dõi và quản lý sức khỏe cá nhân thuận tiện.
• Các bước tiếp theo bao gồm mở rộng tích hợp cảm biến, nâng cao thuật toán, tối ưu phần mềm và triển khai thử nghiệm thực tế quy mô lớn để hoàn thiện sản phẩm và ứng dụng rộng rãi.

Khuyến khích các nhà nghiên cứu, chuyên gia y tế và phát triển công nghệ tiếp tục khai thác và ứng dụng các kết quả này nhằm nâng cao sức khỏe cộng đồng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 GIỚI THIỆU 1.1 Tổng Quan Do lối sống làm việc hiện đại và nhanh chóng, rất ít người có thể duy trì hình thức rèn luyện thể chất ít nhất như chạy và đi bộ. Ngoài việc thiếu hoạt động, nhiều người không thể duy trì đủ thời gian ngủ và thường cảm thấy mệt mỏi khi thức dậy. Một số vấn đề liên quan đến sức khỏe có thể phát sinh từ các lý do trên, và trường hợp xấu nhất là ảnh hưởng nghiêm trọng đến sức khỏe của chúng ta với các triệu chứng bệnh như dạng bệnh tim mạch (Cardiovascular Disease – CVD). Một số nghiên cứu đã được thực hiện để phát triển các hệ thống cảnh báo sớm cho bệnh tim và đã giúp cứu sống nhiều người trong thực tế.

Tuy nhiên, nhiều thiết bị chỉ dựa vào việc thu thập và phân tích nhịp tim hiện tại (có thể bao gồm các thông số khác) để đưa ra kết luận. Nếu hệ thống trên có lỗi và đưa ra quyết định sai, thì khi đến lần đo sau, cảnh báo đưa ra từ thiết bị có thể đã quá muộn vì CVD có thể đã có ảnh hưởng nghiêm trọng đến sức khỏe của đối tượng. Vì vậy, phòng chống bệnh thì tốt hơn chữa bệnh - điều quan trọng hơn là đối tượng nhận thức được việc duy trì lối sống thân thiện với trái tim ngay từ đầu.2 Tính cấp thiết của đề tài Nhu cầu phát triển một hệ thống giúp ngăn chặn và phòng chống CVD là càng trở nên cấp thiết, nhất là trong cuộc sống hiện đại ngày nay, để giúp đối tượng tích cực hơn với sức khỏe của họ dưới hình thức theo dõi hoạt động và giấc ngủ. Sau đó, hệ thống sẽ quan sát những thay đổi trong nhịp tim của đối tượng, tính chủ động, thời gian nghỉ ngơi và các điều kiện liên quan khác để đưa ra cảnh báo khi cần thiết.

Hệ thống như vậy đáng tin cậy hơn trong việc ngăn ngừa bệnh tim hơn bất kỳ mô hình nào trước đây. Dựa trên nhiều nghiên cứu trước đây, một số kết luận đã được rút ra: • Việc đi bộ có lợi ích sức khỏe liên quan đến CVD ở nam giới và phụ nữ trẻ, trung bình và lớn tuổi, ở cả dân số khỏe mạnh và bệnh nhân [1]. 4 Luan van • Một trong những yếu tố quan trọng nhất là giai đoạn ngủ trước khi thức dậy. Thức tỉnh đột ngột trong một giấc ngủ sóng chậm (SWS) tạo ra quán tính giấc ngủ nhiều hơn so với thức dậy ở giai đoạn 1 hoặc 2 [2].

Đã có những thiết bị có thể: (1) đếm và hiển thị số bước để cho đối tượng theo dõi tiến trình của họ và (2) đánh thức đúng đối tượng trong pha ngủ nhẹ của họ để giảm tác động của quán tính giấc ngủ. Tuy nhiên, chưa có thiết bị nào có thể đáp ứng cả hai mục đích trên trong một phần cứng. Các dự án hiện tại đang hướng đến Sức khỏe và Giấc ngủ Google Fit and Apple Health Theo CNET, Google Fit (GF) là câu trả lời của Google cho Apple Health. GF sử dụng các cảm biến được tích hợp trong thiết bị của bạn để tự động theo dõi các hoạt động như đi bộ, đi xe đạp và chạy.

Bạn cũng có thể sử dụng GF để theo dõi các mục tiêu tập thể dục và tiến trình giảm cân của bạn theo ngày, tuần và tháng. Ứng dụng Google Fit có sẵn dưới dạng tải xuống miễn phí trong cửa hàng Play và cũng được cài đặt sẵn trên đồng hồ Android Wear. Như thường lệ, bất cứ khi nào có một sản phẩm của Google, thì lại có một sản phẩm của Apple để cạnh tranh với sản phẩm đó hoặc ngược lại. Ứng dụng Apple Health có phần giống với Google Fit theo nhiều cách, với những ưu và nhược điểm tương ứng đến từng ứng dụng.

Một lợi thế lớn của Google Fit là nó hoạt động như một dịch vụ đám mây trong Internet of Things khi nó lưu trữ dữ liệu người dùng trên máy chủ và sau đó cho phép người dùng truy cập dữ liệu thông qua máy tính xách tay, điện thoại thông minh và máy tính bảng thông qua web hoặc ứng dụng. Sự phát triển của thế giới kỹ thuật số với việc theo dõi sức khỏe và thống kê sức khỏe cho thấy không có dấu hiệu chậm lại, và cả Microsoft, Google và Apple hiện đang phát triển các nền tảng và định dạng tiêu chuẩn dành cho việc đo lường và hiển thị. Microsoft HealthVault 5 Luan van Microsoft HealthVault là một hồ sơ sức khỏe cá nhân dựa trên ứng dụng web được tạo bởi Microsoft (MS), vào tháng 10 năm 2007, để lưu trữ và duy trì Hình 1-1 Phần mềm Google Fit -Android Hình 1-2 Phầm mềm Apple Health - iOS. 6 Luan van thông tin về sức khỏe và thể lực.

Có 3 sản phẩm riêng biệt của HealthVault dành cho các cấp độ người dùng khác nhau như được mô tả trên trang web HealthVault: - HealthVault cho doanh nghiệp - cho phép các bệnh viện, nhà thuốc và các công ty thử nghiệm trong phòng thí nghiệm lưu trữ thông tin sức khỏe cá nhân. - HealthVault dành cho người tiêu dùng - thu thập dữ liệu từ các thiết bị y tế. - HealthVault Insights - một ứng dụng di động dành cho sử dụng với chương trình do nhà cung cấp dịch vụ chăm sóc của bạn để tạo các kế hoạch chăm sóc. Ứng dụng cho phép bạn xem và quản lý các kế hoạch chăm sóc này và theo dõi tiến trình hướng tới kết quả sức khỏe bằng cách sử dụng dữ liệu liên quan từ thiết bị đeo, ứng dụng và dịch vụ của bạn.

Hình 1-3 HealthVault cho khách hàng và các tính năng Microsoft có thiết bị đeo được của riêng mình - Microsoft Band. Microsoft đã hỗ trợ kết nối với Microsoft Band, Google Fit (ứng dụng Android) và Apple Health (ứng dụng iOS) để hỗ trợ thêmcho các thiết bị giám sát trong quá trình tập thể dục. Tuy nhiên, MS Band đã bị chấm dứt và chưa được lên kế hoạch sản xuất lại. Có thể thấy HealthVault Insights là nỗ lực mới nhất của MS hướng tới dữ liệu của người dùng với các công nghệ và thuật toán thông minh để cung cấp các phân tích, đánh giá giúp cải thiện sức khỏe tổng thể của đối Thiết bị giám sát sức khỏe Nhiều máy tập thể dục không chỉ đo số bước bạn thực hiện mỗi ngày, lượng calo 7 Luan van bạn đốt cháy, mà còn cả thói quen ngủ của bạn.

Nói một cách đơn giản, máy đo lường các chuyển động của đối tượng được theo dõi, giám sát: hầu hết các thiết bị đeo ngày nay đều đi kèm với gia tốc kế 3 trục để theo dõi chuyển động theo mọi hướng, và một số thiết bị còn tích hợp con quay hồi chuyển để đo hướng và góc xoay. Hình 1-4 Thiết bị Jawbone UP3 Dữ liệu được thu thập sau đó được chuyển đổi thành các bước chân và các chuyển động của đối tượng, lượng calo tiêu hao và chất lượng giấc ngủ. Các thuật toán khác nhau có thể được đề xuất, tiến hành phân tích và thực nghiệm để tính toán dựa trên dữ liệu thu thập theo cách chính xác và hữu ích nhất. Có nhiều cách để so sánh những cái được gọi là máy theo dõi thể dục trực tuyến này: thời lượng pin tốt nhất, giao diện đẹp nhất, giao diện tốt nhất với phương tiện truyền thông xã hội.

danh sách này là vô tận. Một số trong số họ thậm chí bao gồm các tính năng như phát hiện nhịp tim hoặc đo nhiệt độ cơ thể để khiến bản thân cạnh tranh trên thị trường. 8 Luan van Hình 1-5 Optical Heart Rate Monitor (OHRM) on FitBit Charge 2 Chúng ta quen thuộc với khái niệm sử dụng gia tốc kế để đo chuyển động như chạy, đi bộ và nằm. Tuy nhiên, một máy đo gia tốc còn có thể cung cấp cho chúng ta nhiều thông tin hơn với việc đo giấc ngủ của chúng ta.

Những máy theo dõi này có thể cung cấp cho bạn thông tin hữu ích về chất lượng giấc ngủ và lượng hoạt động trong ngày của bạn để tham khảo, so sánh, từ đó giúp bạn thực hiện các bước để cải thiện chất lượng giấc ngủ và sức khỏe.3 Mục Đích Nghiên Cứu Đề tài có mục đích phát triển một thiết bị bằng cách tích hợp bộ đếm bước và đánh thức đúng đối tượng trong pha ngủ nhẹ vào trong cùng một thiết bị để giảm sự phức tạp của việc đeo nhiều thiết bị. Kết hợp thành công hai sản phẩm vào một thiết bị sẽ giúp thu thập dữ liệu và phân tích dữ liệu thuận tiện hơn cho người sử dụng trong quá trình theo dõi và tập luyện cải thiện sức khỏe.4 Phương Pháp Nghiên Cứu Đề tài được thực hiện bằng cách kết hợp nhiều phương pháp nghiên cứu. - Tham khảo tài liệu có liên quan: Thông qua mạng Internet, thư viện, sách báo và tạp chí quốc thu thập những tài liệu có sẵn, kế thừa những điểm mạnh, khắc phục những điểm yếu. Tham khảo tài liệu giúp cho người nghiên cứu bổ sung vốn kiến thức, lý luậ và từ đó tìm ra ý tưởng để vận dụng giải quyết những vấn đề của đề tài.

9 Luan van - Phân tích: Phân tích ưu và nhược điểm của các phương pháp liên quan đề tài nghiên cứu. - Thiết kế: Đề xuất phương pháp cải tiến, thiết kế mới. - Thực nghiệm: Thiết kế phần cứng và viết chương trình tính toán, đo lường và khảo sát chọn lựa giải pháp tối ưu nần cao độ chính xác và hiệu quả của thiết bị được phát triển.5 Đối Tượng, Phạm Vi Nghiên Cứu Đối tượng nghiên cứu Đếm bước đi của người và ghi nhận thời gian ngủ và trạng thái của con người. Phạm vi nghiên cứu Nghiên cứu phát triển thiết bị đếm bước chân và đo thời gian giấc ngủ giúp giám sát duy trì sức khỏe cho đối tượng đeo thiết bị.6 Nội Dung Nghiên Cứu - Thu thập và đọc tài liệu tham khảo - Xây dựng và phát triển thiết bị đếm bước chân và đo thời gian ngủ của đối tượng - Đề xuất giải thuật để nâng cao độ chính xác - Tiến hành chế tạo, thực nghiệm và đánh giá kết quả.

10 Luan van CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2.1 Mối Liên Hệ Giữa Bước Chân, Giấc Ngủ Và Hệ Thống Tim Mạch Đi bộ và hệ thống tim mạch Năm 2004, Tudor-Locke và Bassett Jr. Các hạng mục phân loại này đã được củng cố trong năm 2008 [5], và trong năm 2009 mức phân loại ban đầu được thêm vào hai cấp độ bổ sung [6]: <2500 bước / ngày và 2500 đến 5000 bước / ngày.