Tổng quan luận án

Nghiên cứu của tác giả Hồ Đắc Quán mang tên "Tiếp cận máy học trong giải phương trình đạo hàm riêng, ứng dụng trong xử lý ảnh y khoa", thuộc chuyên ngành Cơ sở toán cho tin học (mã số: 62460110), được thực hiện tại Trường Đại học Khoa học Tự nhiên – Đại học Quốc gia Thành phố Hồ Chí Minh dưới sự hướng dẫn khoa học của PGS. Huỳnh Trung Hiếu. Luận án giải quyết bài toán tìm nghiệm xấp xỉ của phương trình đạo hàm riêng (Partial Differential Equations - PDE) bằng công cụ học máy (Machine Learning) và ứng dụng các mô hình này vào hai bài toán thực tế: khử nhiễu ảnh y khoa và giám sát hành vi rửa tay trong y tế.

Tính cấp thiết và khoảng trống nghiên cứu

Phương trình đạo hàm riêng là công cụ toán học nền tảng dùng để mô hình hóa các quá trình biến đổi theo không gian và thời gian trong vật lý, kỹ thuật, sinh học và xử lý ảnh (chẳng hạn phương trình nhiệt, sóng, Poisson, Laplace). Tuy nhiên, phần lớn các phương trình đạo hàm riêng không có nghiệm giải tích chính xác. Các phương pháp tính toán số truyền thống như sai phân hữu hạn (Finite Difference Method - FDM), phần tử hữu hạn (Finite Element Method - FEM) và thể tích hữu hạn (Finite Volume Method - FVM) hoạt động dựa trên cơ chế chia lưới miền tính toán. Để đạt được nghiệm có độ chính xác cao, lưới tính toán bắt buộc phải chia thật mịn, dẫn đến chi phí tính toán lớn và đòi hỏi dung lượng bộ nhớ cao. Hơn nữa, khi điều kiện biên hoặc điều kiện đầu thay đổi, các phương pháp chia lưới truyền thống phải tính toán lại từ đầu mà không thể tái sử dụng các kết quả trước đó.

Để khắc phục các hạn chế này, các hướng tiếp cận dùng mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN) đã được nghiên cứu. Tuy nhiên, các kỹ thuật mạng nơ-ron giải PDE trước đây chủ yếu sử dụng thuật toán lan truyền ngược (Backpropagation - BP) hoặc Levenberg-Marquardt (LM) dựa trên phương pháp giảm gradient. Cách tiếp cận này có tốc độ hội tụ chậm, đòi hỏi nhiều bước lặp, phụ thuộc vào việc chọn tốc độ học (learning rate), dễ rơi vào điểm tối ưu cục bộ và gặp hiện tượng quá khớp (overfitting). Đối với các tiếp cận mạng truyền thẳng một lớp ẩn (Single Hidden Layer Feedforward Network - SLFN) dùng thuật toán học cực trị (Extreme Learning Machine - ELM), các nghiên cứu trước đó hầu như chỉ giải quyết lớp phương trình elliptic, chia nhỏ miền tính toán thành các ô rời rạc hoặc chọn điểm huấn luyện theo phân bố đều (uniform distribution), làm hạn chế độ chính xác và tăng thời gian tính toán.

Trong lĩnh vực xử lý ảnh và video y khoa, ảnh y tế (như siêu âm, CT, MRI) thường xuyên bị ảnh hưởng bởi nhiễu đốm (speckle noise) và nhiễu Gauss, đòi hỏi các phương pháp khử nhiễu vừa làm mịn vùng đồng nhất vừa bảo toàn đường biên cấu trúc. Đồng thời, việc giám sát tuân thủ quy trình vệ sinh tay theo quy định của Tổ chức Y tế Thế giới (World Health Organization - WHO) nhằm giảm thiểu nhiễm khuẩn bệnh viện (Healthcare-Associated Infections - HAIs) bằng camera tự động theo thời gian thực vẫn đang gặp khó khăn về độ chính xác và chi phí xử lý dữ liệu chuỗi thời gian.

Mục tiêu nghiên cứu

Mục tiêu tổng quát của luận án là nghiên cứu và đề xuất các thuật toán huấn luyện mạng nơ-ron hiệu quả để tìm nghiệm xấp xỉ của phương trình đạo hàm riêng tuyến tính dạng elliptic và parabolic; đồng thời ứng dụng các mô hình phương trình đạo hàm riêng vào khử nhiễu ảnh y khoa và nhận dạng hành vi vệ sinh tay. Luận án xác định 3 mục tiêu cụ thể:

  • [O1]: Tổng quan các phương pháp giải phương trình đạo hàm riêng, phân tích và tổng hợp điểm mạnh, điểm yếu giữa các phương pháp.
  • [O2]: Nghiên cứu và đề xuất thuật toán huấn luyện mạng hiệu quả nhằm giải phương trình đạo hàm riêng tuyến tính dạng elliptic và phương trình khuếch tán đối lưu (Advection Diffusion Partial Differential Equation - AD-PDE).
  • [O3]: Ứng dụng phương trình đạo hàm riêng trong xử lý ảnh y khoa (khử nhiễu ảnh hai chiều) và nhận dạng hành vi (giám sát quy trình rửa tay y tế).

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Phương trình đạo hàm riêng (đặc biệt là phương trình dạng elliptic, parabolic và khuếch tán đối lưu); dữ liệu ảnh hai chiều (2D) và dữ liệu video chuỗi thời gian.
  • Phạm vi nghiên cứu: Lớp phương trình khuếch tán đối lưu tuyến tính (AD-PDE); ảnh thông thường và ảnh y tế (ảnh CT, MRI, siêu âm); chuỗi khung hình video ghi lại quy trình rửa tay 6 bước theo tiêu chuẩn WHO.

Tổng quan tài liệu và vị trí của luận án

Luận án đã hệ thống hóa các hướng nghiên cứu giải phương trình đạo hàm riêng và ứng dụng xử lý ảnh, video theo các nhóm công trình:

       [Đóng góp của Luận án]: Thuật toán ELMNN + ELMNET (lấy mẫu Monte Carlo)
       Ứng dụng: Khử nhiễu NDEANN + Nhận dạng hành vi rửa tay WHO (Mạng LTC / ODE)

Các nghiên cứu trước đây được điểm lại trong văn bản

  • Phương pháp mạng nơ-ron lan truyền ngược và hàm cơ sở xuyên tâm: Lagaris và cộng sự (1998, 2000) đề xuất phương pháp dùng mạng nơ-ron giải bài toán giá trị biên (BVPs) và giá trị biên đầu (IBVPs). N. Mai-Duy và cộng sự (2001–2006) phát triển mạng hàm cơ sở xuyên tâm (Radial Basis Function Networks - RBFNs) giải PDE. McFall và cộng sự (2009) ứng dụng mạng nơ-ron cho miền có biên hình dạng tùy ý. A. Golbabai và cộng sự (2009, 2011) cải tiến RBFNs để tăng độ chính xác giải PDE. Năm 2015, mô hình MANN và mạng đa thức Legendre (LNN) kết hợp ELM được xây dựng để giải elliptic PDE.
  • Phương pháp học máy và mạng lấy cảm hứng vật lý (Physics-Informed): Hou và cộng sự nghiên cứu mạng đa thức Bernstein (BeNN) và học máy phân tán. Srinivasan và cộng sự đề xuất mô hình PIELM và DPIELM chia nhỏ miền tính toán theo dạng thể tích hữu hạn để giải AD-PDE. Manoj Kumar và cộng sự ứng dụng thuật toán ELM huấn luyện mạng SLFN cho bài toán elliptic. Suchuan Dong và cộng sự chia miền tính toán thành các miền con để tính nghiệm PDE tuyến tính và phi tuyến, so sánh với Deep Galerkin Method (DGM) và Physics-Informed Neural Networks (PINN). Mortari và cộng sự kết hợp PINN với lý thuyết kết nối hàm (Theory of Functional Connections - TFC) tạo ra mô hình X-TFC. Calabrò và cộng sự nghiên cứu việc tối ưu hóa tham số mạng ($w, b$) và hàm kích hoạt $\sigma$ trong thuật toán ELM.
  • Phương pháp PDE trong xử lý ảnh: Khởi xướng từ các công trình của Salinas, Koenderink, Witkin (thập niên 1980), Osher và Rudin (1992). Perona và Malik (1990) đề xuất mô hình khuếch tán không đẳng hướng (anisotropic diffusion) với phương trình khuếch tán phi tuyến (Nonlinear Diffusion Equation - NDE). Guy Gilboa, Nir Sochen, Yehoshua Y. Zeevi phát triển lớp PDE phức cho xử lý ảnh.
  • Nhận dạng hành vi và giám sát vệ sinh tay: Báo cáo y tế từ CDC và WHO về vai trò của việc rửa tay đối với việc giảm tỷ lệ mắc bệnh tiêu chảy (23–40%), bệnh hô hấp (16–21%) và phòng ngừa HAIs. Các nghiên cứu nhận dạng hành động người (HAR) sử dụng cây quyết định (Decision Trees - DT), K láng giềng gần nhất (KNN), mô hình Markov ẩn (HMM), máy vector hỗ trợ (SVM). Về mạng nơ-ron chuỗi, He và cộng sự (2016) đề xuất ResNet; Ricky Chen và cộng sự (2018) phát triển Neural ODE (NODE); các kiến trúc thời gian liên tục CT-RNN, CT-GRU và mạng Liquid Time-Constant (LTC).

Khoảng trống luận án lựa chọn giải quyết

Luận án tập trung khắc phục nhược điểm của các thuật toán lan truyền ngược lặp từng bước và hạn chế của các phương pháp số chia lưới. Tác giả thiết lập thuật toán huấn luyện không lặp dựa trên ELM kết hợp kỹ thuật lấy mẫu Monte Carlo ngẫu nhiên nhằm giải quyết cả hai lớp phương trình: PDE tuyến tính dạng elliptic và phương trình khuếch tán đối lưu (AD-PDE dạng parabolic), đồng thời mở rộng mô hình sang bài toán PDE phi tuyến để ứng dụng khử nhiễu ảnh và mô hình hóa mạng nơ-ron thời gian liên tục trong phân tích chuỗi video y tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết

  • Phân loại phương trình đạo hàm riêng cấp hai hai biến: Dạng tổng quát được biểu diễn qua phương trình: $$A u_{xx} + B u_{xy} + C u_{yy} + D u_x + E u_y + L u = 0$$ Biệt thức $\Delta = B^2 - 4AC$ được dùng để phân loại:
    • Nếu $B^2 - 4AC > 0$: phương trình thuộc loại hyperbolic.
    • Nếu $B^2 - 4AC = 0$: phương trình thuộc loại parabolic (ví dụ phương trình nhiệt/khuếch tán: $u_t = c \Delta u + f$).
    • Nếu $B^2 - 4AC < 0$: phương trình thuộc loại elliptic (ví dụ phương trình Poisson: $\Delta u = f$).
  • Điều kiện ban đầu và điều kiện biên: Bài toán giá trị đầu (điều kiện Cauchy $u(t=0, x, y) = u_0(x, y)$); điều kiện biên Dirichlet ($u$ xác định trên biên $\partial\Omega$); điều kiện biên Neumann ($\partial_n u$ mô tả dòng thông lượng qua biên theo hướng pháp tuyến).
  • Phương pháp số cổ điển (FDM): Xây dựng lưới không gian - thời gian với các bước lưới $h_1, h_2, \tau$; thiết lập lược đồ sai phân hiện (explicit scheme) và lược đồ sai phân ẩn (implicit scheme - giải hệ phương trình tuyến tính ma trận 5 đường chéo).
  • Mô hình khuếch tán phi tuyến Perona-Malik trong xử lý ảnh: $$\frac{\partial u}{\partial t} = \text{div}(c(|\nabla u|) \nabla u)$$ Hàm hệ số khuếch tán: $$c(|\nabla u|) = \exp\left(-\left(\frac{|\nabla u|}{K}\right)^2\right)$$ trong đó $K$ là hệ số điều khiển độ mờ và độ tương phản tại biên ảnh.
  • Mạng nơ-ron thời gian liên tục và vi phân: Kiến trúc mạng nơ-ron truyền thẳng một lớp ẩn (SLFN) với thuật toán huấn luyện cực trị (ELM); mạng nơ-ron phương trình vi phân thường (Neural ODE / NODE: $\frac{du(t)}{dt} = f(u(t), t, h(t))$); khối phần dư ResNet ($h_{t+1} = h_t + F(h_t)$); mạng hồi quy thời gian liên tục (CT-RNN, CT-GRU) và mạng hằng số thời gian lỏng (Liquid Time-Constant - LTC).
  • Bộ trích xuất đặc trưng ảnh HOG (Histogram of Oriented Gradient): Tính toán độ lớn và hướng của gradient pixel trên trục $X$ và $Y$, chia thành các ô (cells) và khối (blocks) để chuẩn hóa vector đặc trưng phục vụ nhận dạng cử chỉ.

Phương pháp nghiên cứu

  • Phương pháp nghiên cứu lý thuyết: Tổng hợp, phân tích các tài liệu toán học và học máy về lý thuyết xấp xỉ nghiệm PDE, phương pháp số và mạng nơ-ron nhân tạo.
  • Phương pháp phân tích tổng hợp: Xây dựng cấu trúc mạng SLFN, thiết lập hàm phần dư cho phương trình đạo hàm riêng, thiết kế thuật toán chọn điểm huấn luyện ngẫu nhiên dựa trên phân bố Monte Carlo và thuật toán lấy mẫu theo tỷ lệ bác bỏ (Rejection Sampling - RS).
  • Phương pháp thực nghiệm: Lập trình mô phỏng các bài toán đối chuẩn (benchmark), đánh giá sai số tuyệt đối trung bình (MAE), sai số bình phương trung bình (MSE), tỷ số tín hiệu cực đại trên nhiễu (PSNR), độ chính xác (Accuracy), ma trận nhầm lẫn (Confusion Matrix) và đường cong ROC (Receiver Operating Characteristic).

Nguồn dữ liệu thực nghiệm

  • Dữ liệu phương trình: Các bài toán Poisson hai chiều, bài toán khuếch tán đối lưu AD-PDE 1Dt và 2Dt có nghiệm giải tích đối chuẩn.
  • Dữ liệu ảnh: Tập ảnh chuẩn hai chiều thông thường và tập ảnh y khoa (ảnh chụp cắt lớp vi tính CT, ảnh cộng hưởng từ MRI, ảnh siêu âm y tế).
  • Dữ liệu video: Tập dữ liệu Hand Wash và tập dữ liệu Ad-Hoc gồm các video ghi hình quá trình thực hiện 6 bước rửa tay theo chuẩn WHO.

Nội dung chính theo từng chương

Chương 1: Giới thiệu

Chương mở đầu trình bày bối cảnh khoa học về sự giao thoa giữa phương trình đạo hàm riêng, thị giác máy tính và học máy. Tác giả phân tích tính cấp thiết của việc tìm nghiệm xấp xỉ cho PDE trong xử lý ảnh, chỉ ra các giới hạn của phương pháp sai phân/phần tử hữu hạn và thuật toán lan truyền ngược. Chương 1 nêu rõ 3 mục tiêu nghiên cứu cụ thể [O1, O2, O3], đối tượng, phạm vi nghiên cứu, phương pháp luận thực hiện, các đóng góp khoa học chính cùng cấu trúc 6 chương của luận án.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp hệ thống cơ sở toán học và mô hình nơ-ron:

  • Định nghĩa, phân loại phương trình đạo hàm riêng cấp hai hai biến độc lập (hyperbolic, parabolic, elliptic).
  • Lý thuyết truyền nhiệt, bài toán Cauchy, điều kiện biên Dirichlet và Neumann.
  • Cơ chế rời rạc hóa bằng phương pháp sai phân hữu hạn (FDM) qua lược đồ sai phân hiện, lược đồ sai phân ẩn và sai phân trung tâm giải phương trình elliptic.
  • Cơ chế khuếch tán ảnh, mô hình khuếch tán phi tuyến Perona-Malik (anisotropic diffusion) bảo toàn biên.
  • Lý thuyết mạng nơ-ron hồi quy chuỗi thời gian: Continuous-Time RNN (CT-RNN), Continuous-Time Gated Recurrent Units (CT-GRU), Residual Networks (ResNet), Neural ODE (NODE) mô tả lớp ẩn qua phương trình vi phân thường với phương pháp giải Euler, và kỹ thuật trích xuất đặc trưng HOG.

Chương 3: Tiếp cận máy học trong giải phương trình đạo hàm riêng

Chương 3 tập trung xây dựng các thuật toán học máy huấn luyện không lặp để giải PDE:

  • Giải bài toán PDE tuyến tính dạng elliptic: Thiết kế kiến trúc mạng truyền thẳng một lớp ẩn (SLFN). Đề xuất thuật toán ELMNN (Extreme Learning Machine Neural Network), tính toán trực tiếp ma trận trọng số đầu ra mà không cần vòng lặp lan truyền ngược, giúp giải quyết bài toán giá trị biên elliptic.
  • Giải bài toán PDE tuyến tính dạng parabolic (AD-PDE): Xây dựng hàm phần dư (residual function) cho phương trình khuếch tán đối lưu. Đề xuất thuật toán ELMNET (kết hợp mạng SLFN, thuật toán ELM và kỹ thuật chọn điểm huấn luyện ngẫu nhiên Monte Carlo / Rejection Sampling).
  • Mở rộng sang bài toán PDE phi tuyến: Phân tích phương pháp xấp xỉ PDE phi tuyến thông qua phương pháp Euler kết hợp khai triển chuỗi Taylor đưa về chuỗi các bài toán tuyến tính, tích hợp mô hình Time-marching DLM và kiến trúc mạng DPINN (Distributed Physics-Informed Neural Network).

Chương 4: Ứng dụng phương trình đạo hàm riêng trong xử lý ảnh y khoa

Chương 4 hiện thực hóa các mô hình toán học vào hai ứng dụng y sinh:

  • Khử nhiễu ảnh y khoa bằng phương trình khuếch tán phi tuyến dựa trên mạng nơ-ron (NDEANN): Kết hợp phương trình Perona-Malik cải tiến có thành phần đối lưu và khuếch tán ($\frac{\partial u}{\partial t} - \varepsilon(|\nabla u|)\Delta u + \vec{\beta}(|\nabla u|)\cdot\nabla u = 0$) với mạng nơ-ron để làm mịn nhiễu đốm, nhiễu Gauss trong ảnh siêu âm, CT, MRI mà không làm mờ đường biên cơ quan/mô.
  • Hệ thống giám sát quy trình rửa tay y tế: Thiết kế hệ thống nhận dạng chuỗi video hành vi rửa tay 6 bước theo tiêu chuẩn WHO (RT6B) nhằm kiểm soát nhiễm khuẩn bệnh viện (HAIs). Xây dựng mô hình cây Liquid Time-Constant (LTC Tree) kết hợp thuật toán Rừng ngẫu nhiên (Random Forest) và giải phương trình vi phân thường ODE bằng thuật toán ELMNET để phân loại chính xác các cử chỉ tay biến thiên theo thời gian liên tục.

Chương 5: Kết quả thực nghiệm

Chương 5 trình bày toàn bộ số liệu, bảng biểu và đồ thị đánh giá hiệu năng của các giải pháp đề xuất:

  • Kiểm chứng thuật toán ELMNN trên bài toán elliptic: Thử nghiệm trên bài toán Poisson hai chiều với hàm nguồn $f(x, y) = \sin(\pi x)\sin(\pi y)$ và $f(x, y) = (2 - \pi^2 x^2)\sin(\pi y) + (y^3 + 6y)\cos(\pi x)$. Kết quả cho thấy sai số nghiệm của ELMNN thấp hơn và tốc độ tính toán nhanh hơn đáng kể so với các phương pháp giải số truyền thống và mạng nơ-ron đối chuẩn.
  • Kiểm chứng thuật toán ELMNET trên bài toán AD-PDE: Thử nghiệm trên bài toán 1Dt và 2Dt AD-PDE. Phân tích biến thiên sai số theo số lượng nút ẩn, so sánh độ chính xác và tốc độ hội tụ với mô hình VarNet và nghiệm giải tích chính xác.
  • Thực nghiệm khử nhiễu ảnh (NDEANN): Đánh giá trên tập ảnh 2D chuẩn và ảnh y tế (CT, MRI, siêu âm). Phương pháp NDEANN đạt chỉ số PSNR (Peak Signal-to-Noise Ratio) cao hơn và sai số MAE thấp hơn so với mô hình Perona-Malik (PM) gốc.
  • Thực nghiệm nhận dạng quy trình rửa tay y tế: Đánh giá trên hai tập dữ liệu video Hand Wash và Ad-Hoc. Phân tích độ chính xác tổng thể, độ chính xác từng bước trong 6 bước rửa tay WHO (RT6B), vẽ biểu đồ hộp (boxplot) so sánh chỉ số Accuracy giữa 5 mô hình và phân tích đường cong ROC.
Nhóm thực nghiệm Phương pháp / Mô hình so sánh Tiêu chí đánh giá chính Kết quả đạt được
Giải elliptic PDE (Poisson) ELMNN so với các mạng nơ-ron đối chuẩn Sai số nghiệm, thời gian huấn luyện Giảm sai số nghiệm, loại bỏ hoàn toàn các bước lặp gradient
Giải parabolic PDE (AD-PDE 1Dt & 2Dt) ELMNET so với VarNet và nghiệm giải tích MAE, MSE, biến thiên sai số $e_{IS}, e_{IC}, e_{BC}, e_{total}$ Độ chính xác xấp xỉ cao, thời gian tính toán giảm mạnh
Khử nhiễu ảnh y khoa (CT, MRI, Siêu âm) NDEANN so với mô hình Perona-Malik (PM) PSNR, MAE Tăng tỷ số tín hiệu cực đại trên nhiễu (PSNR), giữ sắc nét biên ảnh
Nhận dạng rửa tay 6 bước WHO (RT6B) Cây LTC (kết hợp ELMNET) so với DT, KNN, HMM, SVM, 5 mô hình mạng Accuracy, ROC curve, Boxplot sai số Đạt độ chính xác nhận dạng vượt trội trên tập Hand Wash và Ad-Hoc

Chương 6: Kết luận và hướng phát triển

Chương tổng kết toàn bộ kết quả nghiên cứu so với 3 mục tiêu đề ra, khẳng định tính đúng đắn của việc kết hợp học máy (ELM, nơ-ron ODE, LTC) trong giải phương trình đạo hàm riêng và ứng dụng y sinh, đồng thời vạch ra các định hướng mở rộng nghiên cứu trong tương lai.

Kết quả và những đóng góp mới

Luận án đã công bố 04 công trình khoa học (gồm 02 bài báo trên các tạp chí quốc tế thuộc danh mục SCIE [CT2, CT4], 01 bài báo hội thảo quốc tế [CT3], và 01 bài báo hội thảo quốc tế/trong nước [CT1]). Các đóng góp mới được luận án xác định gồm:

Đóng góp về mặt lý thuyết và giải thuật toán học

  1. Thuật toán ELMNN: Đề xuất thuật toán huấn luyện không lặp cho mạng truyền thẳng một lớp ẩn (SLFN) để giải lớp phương trình đạo hàm riêng tuyến tính dạng elliptic, loại bỏ quá trình cập nhật trọng số chậm chạp của thuật toán lan truyền ngược.
  2. Thuật toán ELMNET: Đề xuất thuật toán huấn luyện không lặp kết hợp SLFN, thuật toán ELM và phương pháp lấy mẫu ngẫu nhiên Monte Carlo / Rejection Sampling để giải lớp phương trình khuếch tán đối lưu tuyến tính (AD-PDE dạng parabolic), giúp phân bố điểm huấn luyện tối ưu và nâng cao độ chính xác nghiệm.

Đóng góp về mặt ứng dụng thực tiễn

  1. Mô hình khử nhiễu ảnh y tế NDEANN: Ứng dụng phương trình đạo hàm riêng khuếch tán phi tuyến kết hợp mạng nơ-ron trong việc làm mịn nhiễu đốm và nhiễu Gauss trên ảnh y khoa (CT, MRI, siêu âm), đảm bảo bảo toàn cấu trúc đường biên phục vụ chẩn đoán bệnh lý.
  2. Hệ thống giám sát vệ sinh tay y tế theo chuẩn WHO: Xây dựng mô hình xử lý video kết hợp máy học và hệ phương trình vi phân/đạo hàm riêng (mạng Liquid Time-Constant kết hợp Random Forest và thuật toán giải ODE bằng ELMNET), cung cấp giải pháp khách quan, tự động giám sát quy trình rửa tay 6 bước (RT6B) nhằm phòng ngừa nhiễm khuẩn trong bệnh viện (HAIs).

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các nội dung được văn bản đề cập trong phạm vi nghiên cứu và phần kết luận:

Hạn chế

  • Các thuật toán giải số bằng học máy (ELMNN, ELMNET) chủ yếu tập trung vào phương trình tuyến tính elliptic và phương trình khuếch tán đối lưu parabolic trong không gian 1D, 2D; chưa mở rộng đánh giá trên các hệ phương trình đạo hàm riêng phi tuyến bậc cao với miền hình học 3D phức tạp.
  • Tập dữ liệu video thực nghiệm nhận dạng hành vi rửa tay tập trung vào dữ liệu thu nhận từ các góc quay cố định tại bồn rửa tay y tế (tập Hand Wash và tập Ad-Hoc).

Hướng nghiên cứu tiếp

  • Mở rộng thuật toán ELMNET để giải các hệ phương trình đạo hàm riêng phi tuyến phức tạp trong không gian 3 chiều (3D).
  • Tích hợp sâu các kiến trúc mạng nơ-ron phương trình vi phân (NODE, LTC) với mạng tích chập sâu (Deep CNN) để nâng cao khả năng tự động trích xuất đặc trưng không gian - thời gian từ dữ liệu video phức tạp.
  • Phát triển và thử nghiệm hệ thống giám sát vệ sinh tay thời gian thực trên phần cứng nhúng phục vụ triển khai thực tế tại các bệnh viện và cơ sở y tế.

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị chuyên môn cao cho các đối tượng:

  • Nghiên cứu sinh, học viên cao học và giảng viên ngành Toán ứng dụng, Cơ sở toán cho tin học, Khoa học máy tính: Tham khảo phương pháp luận kết hợp học máy (ELM, PINN, NODE, LTC) để giải các bài toán phương trình vi phân và đạo hàm riêng (BVPs, IBVPs, AD-PDE) thay thế cho các phương pháp chia lưới truyền thống.
  • Các nhà nghiên cứu và kỹ sư trong lĩnh vực Xử lý ảnh y khoa và Thị giác máy tính: Tham khảo thuật toán NDEANN để phát triển các bộ lọc khử nhiễu đốm cho thiết bị chẩn đoán hình ảnh (máy siêu âm, CT, MRI) và kiến trúc mạng thời gian liên tục (LTC/CT-RNN) trong xử lý chuỗi hành vi từ video.
  • Các nhà quản lý y tế và chuyên gia kiểm soát nhiễm khuẩn: Tham khảo giải pháp tự động hóa giám sát quy trình rửa tay 6 bước theo khuyến cáo của WHO và CDC nhằm giảm thiểu tỷ lệ nhiễm khuẩn bệnh viện (HAIs).

Câu hỏi thường gặp

1. Điểm khác biệt cơ bản giữa việc giải phương trình đạo hàm riêng bằng mạng nơ-ron so với các phương pháp số truyền thống (FDM, FEM, FVM) là gì? Các phương pháp số truyền thống đòi hỏi chia rời rạc miền tính toán thành lưới; để đạt độ chính xác cao cần lưới rất mịn, dẫn đến chi phí tính toán và bộ nhớ tăng cao, đồng thời phải tính lại toàn bộ khi đổi điều kiện biên. Ngược lại, giải PDE bằng mạng nơ-ron không cần chia lưới truyền thống, nghiệm được biểu diễn dưới dạng hàm khả vi liên tục trên toàn miền với số lượng tham số cần điều chỉnh ít hơn, giúp giảm bộ nhớ và thời gian tính toán.

2. Thuật toán ELMNN và ELMNET có ưu điểm gì so với các mạng nơ-ron sử dụng thuật toán lan truyền ngược truyền thống? Thuật toán lan truyền ngược (BP) dựa trên kỹ thuật giảm gradient nên hội tụ chậm, cần nhiều bước lặp, dễ rơi vào cực tiểu cục bộ và phụ thuộc vào hệ số học. ELMNN và ELMNET sử dụng nguyên lý học cực trị (ELM) trên mạng truyền thẳng một lớp ẩn (SLFN), tính toán trực tiếp ma trận trọng số mà không cần lặp, kết hợp với phương pháp lấy mẫu ngẫu nhiên Monte Carlo, giúp tăng tốc độ huấn luyện và cải thiện độ chính xác nghiệm của bài toán elliptic và AD-PDE.

3. Vì sao phương trình khuếch tán phi tuyến Perona-Malik lại được ứng dụng trong khử nhiễu ảnh y khoa? Phương trình Perona-Malik sử dụng hệ số khuếch tán phụ thuộc vào gradient ảnh ($c(|\nabla u|) = \exp(-(|\nabla u|/K)^2)$). Tại các vùng đồng nhất (gradient nhỏ), hệ số khuếch tán lớn giúp làm mịn và loại bỏ nhiễu; tại các vị trí đường biên mô/cơ quan (gradient lớn), hệ số khuếch tán tiến về 0, giúp giữ lại các chi tiết cấu trúc quan trọng phục vụ chẩn đoán y tế.

4. Mô hình nhận dạng quy trình rửa tay trong luận án được xây dựng dựa trên kiến trúc nào và tuân theo tiêu chuẩn gì? Mô hình nhận dạng được xây dựng dựa trên sự kết hợp giữa bộ trích xuất đặc trưng HOG, mạng hằng số thời gian lỏng (Liquid Time-Constant - LTC), kiến trúc mạng vi phân Neural ODE giải bằng ELMNET và thuật toán Rừng ngẫu nhiên (Random Forest). Mô hình được thiết kế để nhận dạng và giám sát tự động quy trình rửa tay 6 bước theo quy định chuẩn của Tổ chức Y tế Thế giới (WHO) nhằm kiểm soát nhiễm khuẩn bệnh viện.

Kết luận

Luận án tiến sĩ của tác giả Hồ Đắc Quán đã hoàn thành việc nghiên cứu và phát triển các thuật toán học máy huấn luyện không lặp ELMNN và ELMNET để giải xấp xỉ phương trình đạo hàm riêng tuyến tính dạng elliptic và phương trình khuếch tán đối lưu (AD-PDE). Nghiên cứu đã chứng minh tính hiệu quả của các mô hình toán học đề xuất thông qua việc ứng dụng thành công vào khử nhiễu ảnh y khoa (CT, MRI, siêu âm) bằng mô hình NDEANN và giám sát tự động quy trình rửa tay y tế 6 bước của WHO bằng mạng nơ-ron thời gian liên tục LTC. Các kết quả nghiên cứu đã được công bố trên 02 bài báo tạp chí quốc tế SCIE và 02 bài báo kỷ yếu hội thảo khoa học, mang lại đóng góp thiết thực cho cả lý thuyết tính toán số và các ứng dụng thị giác máy tính trong y tế.