Tổng Quan Về Ứng Dụng Trí Tuệ Nhân Tạo Trong Phát Hiện Té Ngã Và Chẩn Đoán Hình Ảnh Y Khoa

Khám phá ứng dụng trí tuệ nhân tạo trong phát hiện té ngã cho người già và chẩn đoán hình ảnh y khoa, nâng cao chất lượng cuộc sống.

• Người hướng dẫn: TS. Bùi Đình Bá
• Trường học: Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật Cơ điện tử
• Đề tài: Ứng Dụng Trí Tuệ Nhân Tạo Trong Phát Hiện Té Ngã Và Chẩn Đoán Hình Ảnh Y Khoa
• Loại tài liệu: báo cáo
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU
• 1.1. Tổng quan về trí tuệ nhân tạo ứng dụng trong bài toán xử lý ảnh
• 1.2. Các lĩnh vực ứng dụng trong thực tiễn
• 1.3. Một số nghiên cứu trước đó
• 1.4. Mục tiêu, nội dung và phương pháp nghiên cứu
• 1.4.1. Mục tiêu của đề tài
• 1.4.2. Nội dung nghiên cứu
• 1.4.3. Phương pháp nghiên cứu
• 1.5. Bố cục của luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Giới thiệu
• 2.2. Một số khái niệm cơ bản
• 2.2.1. Trí tuệ nhân tạo
• 2.2.2. Học máy hoặc máy học (Machine Learning)
• 2.2.3. Học sâu (Deep Learning)
• 2.2.4. Thị giác máy tính (Computer Vision)
• 2.3. Cơ sở và thuật toán cơ bản của bài toán xử lý ảnh
• 2.3.1. Giới thiệu về xử lý ảnh
• 2.3.2. Hệ màu RGB
• 2.3.3. Ảnh màu
• 2.3.4. Tensor
• 2.3.5. Ảnh xám
• 2.3.6. Chuyển hệ màu ảnh
• 2.3.7. Phép tính convolution
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Ứng Dụng Trí Tuệ Nhân Tạo Trong Y Khoa Hiện Nay

Trí tuệ nhân tạo (AI) đang thay đổi cách chúng ta tiếp cận nhiều vấn đề trong cuộc sống, đặc biệt là trong lĩnh vực y tế. AI trong y tế không chỉ giới hạn ở việc chẩn đoán hình ảnh y khoa mà còn mở rộng ra các ứng dụng như dự đoán bệnh, phát hiện dịch bệnh và hỗ trợ điều trị cá nhân hóa. Các hệ thống học máy trong y tế có khả năng phân tích lượng lớn dữ liệu y tế, từ đó đưa ra những kết luận chính xác và nhanh chóng hơn so với phương pháp truyền thống. Theo một nghiên cứu, "Các thuật toán AI đã tác động đáng kể đến các công nghệ truyền thông kỹ thuật số" (ĐẠI HỌC BÁCH KHOA HÀ NỘI). Điều này cho thấy tiềm năng to lớn của công nghệ AI trong y tế để cải thiện chất lượng chẩn đoán và điều trị bệnh.

1.1. Lợi ích của AI trong phân tích hình ảnh y khoa

AI mang lại nhiều lợi ích trong việc phân tích hình ảnh y khoa, giúp các bác sĩ chẩn đoán bệnh nhanh chóng và chính xác hơn. Trí tuệ nhân tạo trong chẩn đoán hình ảnh có thể phát hiện những dấu hiệu bất thường mà mắt thường khó nhận ra. Ngoài ra, AI còn giúp giảm tải công việc cho các bác sĩ, cho phép họ tập trung vào những ca bệnh phức tạp hơn. Các ứng dụng cụ thể bao gồm: phân tích X-quang, CT scan, MRI, và siêu âm.

1.2. Tiềm năng của AI trong phát hiện té ngã cho người cao tuổi

AI có tiềm năng lớn trong việc phát hiện té ngã bằng AI cho người cao tuổi, giúp giảm thiểu rủi ro và cải thiện chất lượng cuộc sống. Các hệ thống giám sát té ngã sử dụng cảm biến phát hiện té ngã và các thuật toán AI để nhận biết các tình huống nguy hiểm và cảnh báo kịp thời. Các hệ thống này có thể được tích hợp vào nhà thông minh hoặc thiết bị đeo thông minh, giúp người cao tuổi an tâm hơn khi ở một mình. Hệ thống được đề xuất có thể thông báo kịp thời cho người chăm sóc thông qua chatbot khi phát hiện ra ngã.

II. Thách Thức Khi Triển Khai AI Phát Hiện Té Ngã Chẩn Đoán

Mặc dù AI mang lại nhiều tiềm năng, việc triển khai AI trong phát hiện té ngã và chẩn đoán hình ảnh y khoa vẫn đối mặt với nhiều thách thức. Một trong những thách thức lớn nhất là vấn đề về dữ liệu. Các hệ thống học máy cần một lượng lớn dữ liệu để huấn luyện và đạt được độ chính xác cao. Tuy nhiên, việc thu thập và xử lý dữ liệu y tế có thể gặp nhiều khó khăn do các quy định về bảo mật và quyền riêng tư của bệnh nhân. Ngoài ra, cần đảm bảo tính công bằng và tránh giới hạn của AI trong y tế. Cần có thêm nhiều nghiên cứu để giải quyết những thách thức này và khai thác tối đa tiềm năng của AI trong lĩnh vực y tế.

2.1. Vấn đề về độ chính xác và độ tin cậy của AI

Một trong những thách thức lớn nhất khi triển khai AI trong chẩn đoán y khoa là đảm bảo độ chính xác của AI. Các hệ thống AI cần được kiểm tra và đánh giá kỹ lưỡng để đảm bảo rằng chúng có thể đưa ra những kết quả chính xác và đáng tin cậy. Các bác sĩ cần hiểu rõ về giới hạn của AI và sử dụng AI như một công cụ hỗ trợ, không phải là một sự thay thế hoàn toàn cho kinh nghiệm và kiến thức chuyên môn của họ. Kết quả của hệ thống cần được so sánh với kết quả của các chuyên gia y tế hàng đầu.

2.2. Yêu cầu về bảo mật và quyền riêng tư dữ liệu y tế

Dữ liệu y tế là thông tin nhạy cảm và cần được bảo vệ một cách nghiêm ngặt. Việc sử dụng AI trong y tế đòi hỏi phải tuân thủ các quy định về bảo mật và quyền riêng tư dữ liệu. Các hệ thống AI cần được thiết kế để đảm bảo rằng dữ liệu bệnh nhân được bảo vệ an toàn và chỉ được sử dụng cho mục đích chẩn đoán và điều trị bệnh. Bất kỳ vi phạm nào về bảo mật dữ liệu có thể gây ra những hậu quả nghiêm trọng cho bệnh nhân và các tổ chức y tế.

III. Phương Pháp Ứng Dụng Học Sâu Deep Learning Trong Y Khoa

Học sâu trong chẩn đoán hình ảnh đã mở ra một kỷ nguyên mới cho việc phân tích dữ liệu y tế. Các mô hình deep learning có khả năng học hỏi từ lượng lớn dữ liệu, từ đó đưa ra những dự đoán và chẩn đoán chính xác hơn. Trong lĩnh vực chẩn đoán hình ảnh, deep learning được sử dụng để phát hiện các bệnh như ung thư, tim mạch, và các bệnh về thần kinh. Ngoài ra, deep learning cũng được ứng dụng trong việc xử lý ảnh y tế bằng AI, giúp cải thiện chất lượng ảnh và giảm thiểu nhiễu. Việc tích hợp deep learning vào các hệ thống y tế giúp cải thiện hiệu quả và chất lượng chẩn đoán bệnh.

3.1. Sử dụng Mạng Nơ ron Tích Chập CNN trong phân tích ảnh

Mạng Nơ-ron Tích Chập (CNN) là một trong những kiến trúc deep learning phổ biến nhất được sử dụng trong phân tích hình ảnh y khoa bằng AI. CNN có khả năng tự động học các đặc trưng quan trọng từ hình ảnh, giúp phát hiện các dấu hiệu bất thường một cách chính xác. CNN được sử dụng rộng rãi trong việc tầm soát ung thư, phát hiện các tổn thương trong não, và phân loại các bệnh về mắt.

3.2. Ứng dụng Mạng LSTM trong phân tích chuỗi dữ liệu thời gian

Mạng LSTM (Long Short-Term Memory) là một loại mạng nơ-ron tái phát (RNN) được sử dụng rộng rãi trong việc phân tích chuỗi dữ liệu thời gian, có tiềm năng lớn trong việc phát hiện té ngã. Trong ngữ cảnh phát hiện té ngã, LSTM có thể được sử dụng để phân tích chuỗi các tư thế và chuyển động của người già để xác định xem có xảy ra té ngã hay không. Ưu điểm chính của LSTM là khả năng ghi nhớ và sử dụng thông tin từ các khung hình trước đó để dự đoán các khung hình hiện tại, giúp cải thiện độ chính xác của hệ thống phát hiện té ngã. Hệ thống được đề xuất có thể thông báo kịp thời cho người chăm sóc thông qua chatbot khi phát hiện ra ngã.

IV. Ứng Dụng Thực Tế Hệ Thống Phát Hiện Té Ngã và Chẩn Đoán AI

Các hệ thống phát hiện té ngã bằng AI và chẩn đoán hình ảnh y khoa AI đã được triển khai trong nhiều bệnh viện và viện dưỡng lão trên toàn thế giới. Các hệ thống này giúp cải thiện an toàn người bệnh và giảm thiểu rủi ro tai nạn. Trong lĩnh vực chẩn đoán, các hệ thống AI giúp các bác sĩ đưa ra những quyết định chính xác hơn và nhanh chóng hơn, từ đó cải thiện hiệu quả điều trị. Hệ thống AI có thể thông báo kịp thời cho người chăm sóc thông qua chatbot khi phát hiện ra ngã, đảm bảo hỗ trợ kịp thời cho người bệnh. Sự phát triển của các hệ thống này đang mang lại những lợi ích to lớn cho ngành y tế.

4.1. Triển khai hệ thống giám sát té ngã tại viện dưỡng lão

Việc triển khai hệ thống giám sát té ngã tại viện dưỡng lão giúp giảm thiểu rủi ro té ngã và cải thiện an toàn người bệnh. Các hệ thống này sử dụng cảm biến phát hiện té ngã, camera, và các thuật toán AI để phát hiện các tình huống nguy hiểm và cảnh báo kịp thời. Hệ thống AI có thể thông báo cho nhân viên y tế hoặc người thân của bệnh nhân, giúp họ có thể phản ứng nhanh chóng và cung cấp sự hỗ trợ cần thiết.

4.2. Sử dụng AI để cải thiện độ chính xác chẩn đoán ung thư

AI đang được sử dụng để cải thiện độ chính xác của AI trong chẩn đoán ung thư, giúp các bác sĩ phát hiện bệnh ở giai đoạn sớm và cải thiện cơ hội sống sót cho bệnh nhân. Các hệ thống AI có thể phân tích hình ảnh như X-quang, CT scan, và MRI để phát hiện các dấu hiệu bất thường và hỗ trợ các bác sĩ đưa ra những quyết định chẩn đoán chính xác hơn.

V. Đánh Giá Hiệu Quả và Triển Vọng Phát Triển Của AI Y Tế

Việc đánh giá hiệu quả của AI trong y tế là rất quan trọng để đảm bảo rằng các hệ thống này mang lại những lợi ích thực sự cho bệnh nhân và các tổ chức y tế. Các nghiên cứu đã chỉ ra rằng AI có thể cải thiện chất lượng chẩn đoán, giảm thiểu sai sót, và tăng cường hiệu quả điều trị. Tuy nhiên, cần tiếp tục nghiên cứu và phát triển để AI có thể phát huy tối đa tiềm năng của mình trong lĩnh vực y tế. Triển vọng phát triển của AI trong y tế là rất lớn, với tiềm năng thay đổi cách chúng ta tiếp cận việc chăm sóc sức khỏe.

5.1. Phân tích độ chính xác và thời gian chẩn đoán bệnh

Việc phân tích độ chính xác của AI trong chẩn đoán và thời gian chẩn đoán bệnh là rất quan trọng để đánh giá hiệu quả của các hệ thống AI. Các nghiên cứu cần so sánh hiệu quả của AI với phương pháp chẩn đoán truyền thống để xác định xem AI có thực sự mang lại những lợi ích đáng kể hay không. Các chỉ số quan trọng bao gồm độ nhạy, độ đặc hiệu, và thời gian chẩn đoán.

5.2. Dự đoán xu hướng và tiềm năng phát triển của AI trong y tế

Các chuyên gia dự đoán rằng AI sẽ tiếp tục phát triển mạnh mẽ trong lĩnh vực y tế, với tiềm năng cách mạng hóa nhiều khía cạnh của việc chăm sóc sức khỏe. AI có thể được sử dụng để phát triển các phương pháp điều trị cá nhân hóa, dự đoán nguy cơ mắc bệnh, và cải thiện hiệu quả quản lý bệnh viện. Tuy nhiên, cần giải quyết các thách thức về dữ liệu, bảo mật, và đạo đức để đảm bảo rằng AI được sử dụng một cách an toàn và hiệu quả.

VI. Kết Luận AI Thay Đổi Tương Lai Chăm Sóc Sức Khỏe Thế Nào

AI đang dần khẳng định vai trò quan trọng trong việc thay đổi tương lai của chăm sóc sức khỏe. Từ việc phát hiện té ngã đến chẩn đoán hình ảnh y khoa, AI mang lại những giải pháp hiệu quả và tiềm năng. Tuy nhiên, cần tiếp tục nghiên cứu và phát triển để AI có thể phát huy tối đa tiềm năng của mình trong lĩnh vực y tế. Sự kết hợp giữa AI và kinh nghiệm chuyên môn của các bác sĩ sẽ giúp cải thiện chất lượng chẩn đoán, điều trị bệnh, và an toàn người bệnh.

6.1. Tóm tắt các ứng dụng AI và lợi ích mang lại trong y tế

AI mang lại nhiều lợi ích trong lĩnh vực y tế, bao gồm cải thiện độ chính xác chẩn đoán, giảm thiểu sai sót, tăng cường hiệu quả điều trị, và cải thiện an toàn người bệnh. Các ứng dụng cụ thể bao gồm phát hiện té ngã bằng AI, chẩn đoán hình ảnh y khoa AI, và phát triển các phương pháp điều trị cá nhân hóa.

6.2. Hướng đi và nghiên cứu tương lai cho ứng dụng AI trong y khoa

Các nghiên cứu tương lai cần tập trung vào việc giải quyết các thách thức về dữ liệu, bảo mật, và đạo đức để đảm bảo rằng AI được sử dụng một cách an toàn và hiệu quả trong lĩnh vực y tế. Cần tiếp tục phát triển các thuật toán AI tiên tiến hơn, thu thập và chia sẻ dữ liệu y tế, và đào tạo nhân lực y tế về AI để khai thác tối đa tiềm năng của AI trong việc cải thiện chất lượng chẩn đoán, điều trị bệnh, và an toàn người bệnh.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh dân số già hóa ngày càng gia tăng, việc phát hiện kịp thời các sự cố té ngã ở người cao tuổi và chẩn đoán chính xác các bệnh lý qua hình ảnh y khoa trở thành vấn đề cấp thiết. Theo ước tính, té ngã là nguyên nhân hàng đầu gây thương tích nghiêm trọng và tử vong ở người già, ảnh hưởng đến khoảng 30% người trên 65 tuổi hàng năm. Đồng thời, các bệnh thoái hóa xương khớp như viêm xương khớp (OA) cũng chiếm tỷ lệ cao, gây giảm chất lượng cuộc sống và tăng gánh nặng y tế. Trí tuệ nhân tạo (AI), đặc biệt là các thuật toán học sâu và thị giác máy tính, đã chứng minh hiệu quả vượt trội trong việc xử lý và phân tích hình ảnh y tế, góp phần nâng cao độ chính xác chẩn đoán và phát hiện sớm các sự kiện nguy hiểm.

Mục tiêu nghiên cứu là ứng dụng các thuật toán AI tiên tiến để xây dựng hệ thống phát hiện té ngã cho người già và chẩn đoán các bệnh lý qua hình ảnh y khoa, đồng thời tích hợp hệ thống với nền tảng web và chatbot Telegram nhằm hỗ trợ giám sát sức khỏe hiệu quả. Phạm vi nghiên cứu tập trung vào phát triển và đánh giá các mô hình AI trong khoảng thời gian gần đây, áp dụng tại một số địa phương có tỷ lệ người cao tuổi cao. Kết quả nghiên cứu dự kiến góp phần cải thiện các chỉ số an toàn và chăm sóc sức khỏe người già, đồng thời nâng cao hiệu quả chẩn đoán bệnh qua hình ảnh y khoa với độ chính xác lên đến gần 90%.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên nền tảng lý thuyết của trí tuệ nhân tạo (AI), học máy (Machine Learning) và học sâu (Deep Learning), đặc biệt tập trung vào các mô hình mạng nơ-ron tích chập (Convolutional Neural Networks - CNN) và mạng hồi tiếp dài ngắn hạn (Long Short-Term Memory - LSTM).

• Trí tuệ nhân tạo (AI): Là lĩnh vực nghiên cứu phát triển các hệ thống máy tính có khả năng tự học và thực hiện các nhiệm vụ thông minh tương tự con người, như nhận dạng hình ảnh, phân loại và dự đoán.
• Học máy (Machine Learning): Là tập con của AI, bao gồm các thuật toán học có giám sát, không giám sát và củng cố, giúp máy tính học từ dữ liệu để cải thiện hiệu suất.
• Học sâu (Deep Learning): Là phương pháp học máy sử dụng mạng nơ-ron nhiều lớp, đặc biệt hiệu quả trong xử lý ảnh và video.
• Thị giác máy tính (Computer Vision): Lĩnh vực nghiên cứu các phương pháp thu nhận, xử lý và phân tích dữ liệu hình ảnh nhằm trích xuất thông tin có ý nghĩa.
• Mạng CNN: Được sử dụng để trích xuất đặc trưng từ ảnh thông qua các lớp convolutional, pooling và fully connected, giúp nhận diện và phân loại đối tượng.
• Mạng LSTM: Mô hình mạng hồi tiếp có khả năng ghi nhớ thông tin dài hạn, phù hợp cho việc phân tích chuỗi thời gian như dữ liệu chuyển động trong phát hiện té ngã.

Các thuật toán và mô hình chính được áp dụng gồm YOLOv8 cho bài toán nhận diện gãy xương, MediaPipe Pose để ước lượng tư thế người, và LSTM để phân tích chuỗi dữ liệu chuyển động nhằm phát hiện té ngã.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu bao gồm bộ dữ liệu hình ảnh y khoa về xương khớp và dữ liệu video chuyển động người già thu thập tại một số địa phương. Cỡ mẫu dữ liệu hình ảnh y khoa khoảng vài nghìn ảnh X-quang, trong khi dữ liệu video chuyển động gồm hàng trăm giờ ghi hình.

Phương pháp chọn mẫu là chọn ngẫu nhiên có kiểm soát nhằm đảm bảo tính đại diện cho các trường hợp té ngã và bệnh lý xương khớp. Các bước phân tích bao gồm:

• Tiền xử lý dữ liệu: chuẩn hóa ảnh, tách kênh màu, chuyển đổi hệ màu.
• Xây dựng bộ dữ liệu khung xương khớp và tư thế người sử dụng MediaPipe Pose.
• Huấn luyện mô hình YOLOv8 để nhận diện gãy xương và phân loại mức độ tổn thương.
• Áp dụng mạng LSTM để phân tích chuỗi chuyển động, phát hiện sự kiện té ngã.
• Đồng bộ hóa hệ thống với giao diện web và chatbot Telegram để cảnh báo kịp thời.
• Đánh giá hiệu suất mô hình qua các chỉ số như độ chính xác (accuracy), mAP (mean Average Precision), và thời gian phản hồi.

Thời gian nghiên cứu kéo dài trong vòng 12 tháng, bao gồm giai đoạn thu thập dữ liệu, phát triển mô hình, thử nghiệm và đánh giá thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả phát hiện té ngã: Hệ thống phát hiện té ngã sử dụng MediaPipe Pose kết hợp mạng LSTM đạt độ chính xác khoảng 87%, với khả năng phân biệt các tình huống té ngã và không té ngã vượt trội so với các phương pháp truyền thống. Tỷ lệ phát hiện sớm té ngã đạt trên 90%, giúp giảm thiểu thời gian phản ứng.

2. Chẩn đoán hình ảnh y khoa: Mô hình YOLOv8 được huấn luyện trên bộ dữ liệu X-quang gối cho kết quả nhận diện gãy xương và phân loại mức độ tổn thương với độ chính xác lên đến 89%. So sánh với các mô hình YOLOv2 và YOLOv3 trước đó, YOLOv8 cải thiện hiệu suất khoảng 5-7% về mAP.

3. Tích hợp hệ thống và phản hồi thời gian thực: Việc đồng bộ hệ thống với giao diện web và chatbot Telegram cho phép cảnh báo kịp thời khi phát hiện té ngã hoặc kết quả chẩn đoán bất thường. Thời gian phản hồi trung bình dưới 2 giây, phù hợp với yêu cầu giám sát liên tục.

4. Độ tin cậy và khả năng mở rộng: Hệ thống cho thấy khả năng hoạt động ổn định trong môi trường thực tế với tỷ lệ false positive dưới 5%, đồng thời dễ dàng mở rộng cho các ứng dụng giám sát sức khỏe khác.

Thảo luận kết quả

Nguyên nhân thành công của hệ thống là do sự kết hợp hiệu quả giữa các thuật toán AI tiên tiến và dữ liệu chất lượng cao. Việc sử dụng MediaPipe Pose giúp trích xuất chính xác các điểm khớp trên cơ thể người, tạo điều kiện thuận lợi cho mạng LSTM phân tích chuỗi chuyển động dài hạn, khắc phục hạn chế vanishing gradient của RNN truyền thống. Kết quả này phù hợp với các nghiên cứu gần đây cho thấy LSTM vượt trội trong nhận dạng hành động và phát hiện sự kiện trong video.

Trong chẩn đoán hình ảnh y khoa, YOLOv8 với kiến trúc cải tiến giúp tăng độ chính xác và tốc độ xử lý so với các phiên bản trước, đồng thời giảm thiểu sai sót trong việc định vị và phân loại tổn thương. Kết quả này tương đồng với báo cáo của ngành về hiệu quả của các mô hình học sâu trong y tế.

Việc tích hợp hệ thống với chatbot Telegram không chỉ nâng cao tính tiện dụng mà còn mở ra hướng phát triển các giải pháp giám sát sức khỏe từ xa, phù hợp với xu hướng chuyển đổi số trong y tế hiện nay.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác các mô hình YOLO, bảng thống kê tỷ lệ phát hiện té ngã và biểu đồ thời gian phản hồi hệ thống, giúp minh họa rõ ràng hiệu quả nghiên cứu.

Đề xuất và khuyến nghị

1. Mở rộng bộ dữ liệu huấn luyện: Thu thập thêm dữ liệu hình ảnh và video từ nhiều nguồn khác nhau để tăng tính đa dạng và độ chính xác của mô hình, đặc biệt là các trường hợp té ngã phức tạp và bệnh lý đa dạng. Thời gian thực hiện: 6-12 tháng, chủ thể: các trung tâm y tế và viện nghiên cứu.

2. Cải tiến thuật toán phát hiện té ngã: Nghiên cứu tích hợp thêm các cảm biến chuyển động và dữ liệu sinh trắc học để nâng cao độ nhạy và giảm tỷ lệ cảnh báo sai. Thời gian thực hiện: 6 tháng, chủ thể: nhóm phát triển AI và kỹ sư phần cứng.

3. Phát triển giao diện người dùng thân thiện: Tối ưu hóa giao diện web và chatbot để người dùng cao tuổi dễ dàng sử dụng, đồng thời bổ sung tính năng hỗ trợ đa ngôn ngữ và hướng dẫn trực quan. Thời gian thực hiện: 3-6 tháng, chủ thể: đội ngũ thiết kế UX/UI.

4. Triển khai thử nghiệm thực tế quy mô lớn: Áp dụng hệ thống tại các cơ sở chăm sóc người cao tuổi và bệnh viện để đánh giá hiệu quả trong môi trường thực tế, thu thập phản hồi và điều chỉnh phù hợp. Thời gian thực hiện: 12 tháng, chủ thể: các bệnh viện, trung tâm chăm sóc sức khỏe.

5. Nâng cao bảo mật và bảo vệ dữ liệu: Đảm bảo an toàn thông tin cá nhân và tuân thủ các quy định pháp luật về bảo mật dữ liệu y tế trong quá trình thu thập và xử lý. Chủ thể: bộ phận pháp lý và kỹ thuật.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật cơ điện tử, trí tuệ nhân tạo: Luận văn cung cấp kiến thức chuyên sâu về ứng dụng AI trong xử lý ảnh và phát hiện sự kiện, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

2. Chuyên gia y tế và kỹ thuật y sinh: Tham khảo để hiểu rõ hơn về các phương pháp chẩn đoán tự động và giám sát sức khỏe người cao tuổi, từ đó ứng dụng vào thực tiễn lâm sàng.

3. Nhà phát triển phần mềm và công ty công nghệ y tế: Cung cấp giải pháp tích hợp AI với hệ thống web và chatbot, giúp phát triển các sản phẩm giám sát sức khỏe thông minh.

4. Cơ quan quản lý và hoạch định chính sách y tế: Tham khảo để xây dựng các chương trình chăm sóc sức khỏe cộng đồng dựa trên công nghệ số, nâng cao hiệu quả giám sát và can thiệp kịp thời.

Câu hỏi thường gặp

1. Hệ thống phát hiện té ngã hoạt động chính xác đến mức nào?
   Hệ thống đạt độ chính xác khoảng 87% trong phát hiện té ngã, với khả năng cảnh báo sớm trên 90%, giúp giảm thiểu rủi ro và tăng hiệu quả chăm sóc người già.

2. Mô hình YOLOv8 có ưu điểm gì so với các phiên bản trước?
   YOLOv8 cải tiến về kiến trúc giúp tăng độ chính xác nhận diện và tốc độ xử lý, đạt độ chính xác gần 89% trong chẩn đoán hình ảnh y khoa, vượt trội hơn YOLOv2 và YOLOv3.

3. LSTM được sử dụng như thế nào trong phát hiện té ngã?
   LSTM phân tích chuỗi dữ liệu chuyển động dài hạn, khắc phục hiện tượng vanishing gradient của RNN truyền thống, giúp nhận diện chính xác các mẫu chuyển động liên quan đến té ngã.

4. Hệ thống có thể tích hợp với các nền tảng khác ngoài Telegram không?
   Có thể mở rộng tích hợp với nhiều nền tảng chatbot và ứng dụng web khác, tùy thuộc vào yêu cầu và môi trường triển khai thực tế.

5. Làm thế nào để đảm bảo dữ liệu cá nhân được bảo mật khi sử dụng hệ thống?
   Hệ thống tuân thủ các quy định về bảo mật dữ liệu y tế, áp dụng các biện pháp mã hóa và kiểm soát truy cập nghiêm ngặt nhằm bảo vệ thông tin người dùng.

Kết luận

• Ứng dụng thành công các thuật toán AI như YOLOv8, MediaPipe Pose và LSTM trong phát hiện té ngã và chẩn đoán hình ảnh y khoa, đạt độ chính xác cao và thời gian phản hồi nhanh.
• Hệ thống tích hợp hiệu quả với nền tảng web và chatbot Telegram, hỗ trợ giám sát sức khỏe người già kịp thời và tiện lợi.
• Nghiên cứu góp phần nâng cao chất lượng chăm sóc sức khỏe cộng đồng, đặc biệt trong bối cảnh già hóa dân số.
• Đề xuất mở rộng bộ dữ liệu, cải tiến thuật toán và triển khai thử nghiệm thực tế để hoàn thiện và ứng dụng rộng rãi hơn.
• Khuyến khích các nhà nghiên cứu, chuyên gia y tế và doanh nghiệp công nghệ tiếp tục phát triển và ứng dụng các giải pháp AI trong lĩnh vực y tế.

Hành động tiếp theo là triển khai các đề xuất cải tiến và mở rộng thử nghiệm thực tế nhằm hoàn thiện hệ thống, đồng thời thúc đẩy hợp tác đa ngành để ứng dụng rộng rãi trong chăm sóc sức khỏe người cao tuổi. Độc giả và các bên liên quan được mời tham khảo và áp dụng kết quả nghiên cứu nhằm nâng cao hiệu quả giám sát và chăm sóc sức khỏe cộng đồng.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan của đề tài nghiên cứu Chương 2: Cơ sở lý thuyết Chương 3: Ứng dụng các thuật toán trong thực nghiệm Chương 4: Kết quả thực nghiệm và đánh giá Chương 5: Kết luận và hướng phát triển 8 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2. Giới thiệu Trong chương 2 này chúng ta sẽ đi nghiên cứu và tìm hiểu về các thuật toán và công nghệ được sử dụng trong luận văn gồm công nghệ MediaPipe Pose, YOLO và thuật toán LSTM. Một số khái niệm cơ bản [21] 2. Trí tuệ nhân tạo Hình 2.1: Mối quan hệ của trí tuệ nhân tạo với máy học và học sâu [21].

Trí tuệ nhân tạo (Artificial Intelligent) là một ngành thuộc lĩnh vực khoa học máy tính. Trí tuệ nhân tạo là trí tuệ do con người lập trình tạo ra với mục đích giúp máy tính có thể tự động hóa các hành vi thông minh như con người. Trí tuệ nhân tạo khác với việc lập trình logic trong các ngôn ngữ lập trình là việc ứng dụng các hệ thống máy học để mô phỏng trí tuệ của con người trong các xử lý mà con người làm tốt hơn máy tính. Cụ thể, trí tuệ nhân tạo giúp máy tính có được những trí tuệ của con người như: biết suy nghĩ và lập luận để giải quyết vấn đề, biết giao tiếp do hiểu được các ngôn ngữ, tiếng nói, biết học và tự thích nghi.

Sau đây là một vài ứng dụng kỹ thuật hiện hành đang phát triển nhanh chóng của trí tuệ nhân tạo: ▪ Nhận dạng, phân loại, gắn thẻ hình ảnh tĩnh. ▪ Cải thiện hiệu suất chiến lược thương mại theo thuật toán. ▪ Quy trình xử lý dữ liệu bệnh nhân hiệu quả và có khả năng nhân rộng. ▪ Dự tính thời điểm bảo trì.

9 ▪ Phát hiện và phân loại vật thể. ▪ Phân bố nội dung trên các phương tiện truyền thông xã hội. ▪ Bảo vệ khỏi những mối đe dọa an ninh mạng. Học máy hoặc máy học (Machine Learning) Hình 2.2: Ngôi nhà với máy nhà là máy học [21] Học máy hoặc máy học (Machine Learning) nổi lên như một bằng chứng của cuộc cách mạng công nghiệp lần thứ 4 (với các cuộc cách mạng lần lượt như thứ 1 - động cơ hơi nước, thứ 2 - năng lượng điện, thứ 3 - công nghệ thông tin).

Trí Tuệ Nhân Tạo đang len lỏi vào mọi lĩnh vực trong đời sống hằng ngày. Xe tự hành của Google và Tesla, hệ thống tự tag khuôn mặt trong ảnh của Facebook, trợ lý ảo Siri của Apple, hệ thống gợi ý sản phẩm của Amazon, hệ thống gợi ý phim của Netflix, máy chơi cờ vây AlphaGo của Google DeepMind, v.v…, chỉ là một vài trong vô vàn những ứng dụng của trí tuệ nhân tạo/học máy. Học máy là một tập con của trí tuệ nhân tạo và có nhiều loại: học có giám sát (Supervised Learning), học không giám sát (Unsupervised Learning), học bán giám sát (Semi-Supervised Learning), học củng cố (Reinforcement Learning). Học có giám sát (Supervised Learning) là thuật toán dự đoán đầu ra (outcome) của một dữ liệu mới (new input) dựa trên các cặp (input, outcome) đã biết từ trước.

Cặp dữ liệu này còn được gọi là dữ liệu (data) và nhãn (label). Học có giám sát là nhóm phổ biến nhất trong các thuật toán học máy. Học sâu (Deep Learning) 10 Hình 2.3: Lịch sử phát triển của mạng học sâu [21] Những năm gần đây, khi mà khả năng tính toán của các máy tính được nâng lên một tầm cao mới và lượng dữ liệu khổng lồ được thu thập bởi các hãng công nghệ lớn, học máy đã tiến thêm một bước dài và một lĩnh vực mới được ra đời gọi là học sâu (Deep Learning). Học sâu đã giúp máy tính thực thi những việc tưởng chừng như không thể vào 10 năm trước: phân loại cả ngàn vật thể khác nhau trong các bức ảnh, tự tạo chú thích cho ảnh, bắt chước giọng nói và chữ viết của con người, giao tiếp với con người, hay thậm chí cả sáng tác văn hay âm nhạc và nhiều điều không thể tưởng khác.4 Thị giác máy tính (Computer Vision) Thị giác máy tính là một lĩnh vực gồm nhiều phương pháp như thu nhận ảnh, xử lý ảnh kỹ thuật số, phân tích và nhận dạng các hình ảnh.

Nói chung thị giác máy tính là nhận vào dữ liệu đa chiều từ thế giới thực sau đó xử lý để cho ra các thông tin số hoặc các biểu tượng. Việc phát triển lĩnh vực này bắt nguồn từ việc sao chép các khả năng thị giác con người về sự nhận dạng và hiểu biết một hình ảnh mang tính điện tử. Việc nhận dạng hình ảnh có thể xem như việc giải quyết vấn đề của các biểu tượng hay thông tin từ dữ liệu hình ảnh qua cách dùng các mô hình được xây dựng với sự giúp đỡ của các ngành lý thuyết học, thống kê học, vật lý học và hình học. Thị giác máy tính còn được mô tả là sự tổng thể của một dải các quá trình tự động và tích hợp các phương thức thể hiện cho các nhận thức của thị giác.

Thị giác máy tính là một môn học khoa học liên quan đến lý thuyết với các hậu duệ là các hệ thống nhân tạo có trích xuất các thông tin từ những hình ảnh. Dữ liệu hình ảnh có thể nhiều dạng như: ảnh chụp (ảnh 2 chiều), chuỗi video, các cảnh từ nhiều camera, hay dữ liệu đa chiều từ máy quét y học (ảnh 3 chiều), v.v… Các lĩnh vực con của thị giác máy tính gồm: tái cấu trúc cảnh, dò tìm sự kiện, theo dõi video, nhận dạng bố cục đối tượng, học, chỉ mục, đánh giá chuyển động, phục hồi ảnh, v. Cơ sở và thuật toán cơ bản của bài toán xử lý ảnh[22] 2. Giới thiệu về xử lý ảnh 2.

Hệ màu RGB RGB viết tắt của Red (đỏ), Green (xanh lục), Blue (xanh lam), là ba màu chính của ánh sáng khi tách ra từ lăng kính. Khi trộn ba màu trên theo tỉ lệ nhất định có thể tạo thành các màu khác nhau.4: Thêm đỏ vào xanh lá cây tạo ra vàng; thêm vàng vào xanh lam tạo ra trắng [22] Ví dụ khi bạn chọn màu ở đây[23]. Khi bạn chọn một màu thì sẽ ra một bộ ba số tương ứng (r,g,b) Với mỗi bộ 3 số r, g, b nguyên trong khoảng [0, 255] sẽ cho ra một màu khác nhau. Do có 256 cách chọn r, 256 cách chọn màu g, 256 cách chọn b => tổng số màu có thể tạo ra bằng hệ màu RGB là: 256 * 256 * 256 = 16777216 màu !!! Hình 2.5: màu được chọn là rgb(102, 255, 153), nghĩa là r=102, g=255, b=153 [22] 12 2.

Ảnh màu Hình 2.6: Mathematical bridge, Cambridge[22] Hình 2.7: Mathematical bridge, Cambridge properties[22] Theo wiki, pixel (hay điểm ảnh) là một khối màu rất nhỏ và là đơn vị cơ bản nhất để tạo nên một bức ảnh kỹ thuật số. Vậy bức ảnh trên kích thước 800 pixel * 600 pixel, có thể biểu diễn dưới dạng một ma trận kích thước 600 * 800 (vì định nghĩa ma trận là số hàng nhân số cột). 𝑤1,1 ⋯ 𝑤1,800 [ ⋮ ⋱ ⋮ ] 𝑤600,1 ⋯ 𝑤600,800 Trong đó mỗi phần tử wi j là một pixel. Như vậy có thể hiểu là mỗi pixel thì biểu diễn một màu và bức ảnh trên là sự kết hợp rất nhiều pixel.

Hiểu đơn giản thì in bức ảnh ra, kẻ ô vuông như chơi cờ ca rô với 800 đường 13 thẳng ở chiều dài, 600 đường ở chiều rộng, thì mỗi ô vuông là một pixel, biểu diễn một chấm màu. Tuy nhiên để biểu diễn 1 màu ta cần 3 thông số (r,g,b) nên gọi wi j = (ri j;gi j;bi j) để biểu diễn dưới dạng ma trận thì sẽ như sau: Hình 2.8: Ảnh màu kích thước 3*3 biểu diễn dạng ma trận, mỗi pixel biểu diễn giá trị (r,g,b)[22] Để tiện lưu trữ và xử lý không thể lưu trong 1 ma trận như thế kia mà sẽ tách mỗi giá trị màu trong mỗi pixel ra một ma trận riêng.9: Tách ma trận trên thành 3 ma trận cùng kích thước: mỗi ma trận lưu giá trị từng màu khác nhau red, green, blue[22] Tổng quát: Hình 2.10: Tách ma trận biểu diễn màu ra 3 ma trận, mỗi ma trận lưu giá trị 1 màu[22] Mỗi ma trận được tách ra được gọi là 1 channel nên ảnh màu được gọi là 3 channel: channel red, channel green, channel blue. Tóm tắt: Ảnh màu là một ma trận các pixel mà mỗi pixel biểu diễn một điểm màu. Mỗi điểm màu được biểu diễn bằng bộ 3 số (r,g,b).

Để tiện cho việc xử lý ảnh thì sẽ tách ma trận pixel ra 3 channel red, green, blue. Tensor Khi dữ liệu biểu diễn dạng 1 chiều, người ta gọi là vector, mặc định khi viết vector sẽ viết dưới dạng cột. Khi dữ liệu dạng 2 chiều, người ta gọi là ma trận, kích thước là số hàng * số cột. Khi dữ liệu nhiều hơn 2 nhiều thì sẽ được gọi là tensor, ví dụ như dữ liệu có 3 chiều.11: Vector v kích thước n, ma trận W kích thước m*n[22] Để ý thì thấy là ma trận là sự kết hợp của các vector cùng kích thước.

Xếp n vector kích thước m cạnh nhau thì sẽ được ma trận m*n. Thì tensor 3 chiều cũng là sự kết hợp của các ma trận cùng kích thước, xếp k ma trận kích thước m*n lên nhau sẽ được tensor kích thước m*n*k.12: Hình hộp chữ nhật kích thước a*b*h Tưởng tượng mặt đáy là một ma trận kích thước a * b, được tạo bởi b vector kích thước a. Cả hình hộp là tensor 3 chiều kích thước a*b*h, được tạo bởi xếp h ma trận kích thước a*b lên nhau. Do đó biểu diễn ảnh màu trên máy tính ở phần trên sẽ được biểu diễn dưới dạng tensor 3 chiều kích thước 600*800*3 do có 3 ma trận (channel) màu red, green, blue kích thước 600*800 chồng lên nhau.

Ví dụ biểu diễn ảnh màu kích thước 28*28, biểu diễn dưới dạng tensor 28*28*3 15 Hình 2.13: Ảnh màu biểu diễn dưới dạng tensor [22] 2.13: Ảnh xám của mathematical bridge[22] Tương tự ảnh màu, ảnh xám cũng có kích thước 800 pixel * 600 pixel, có thể biểu diễn dưới dạng một ma trận kích thước 600 * 800 (vì định nghĩa ma trận là số hàng nhân số cột). Tuy nhiên mỗi pixel trong ảnh xám chỉ cần biểu diễn bằng một giá trị nguyên trong khoảng từ [0,255] thay vì (r,g,b) như trong ảnh màu. Do đó khi biểu diễn ảnh xám trong máy tính chỉ cần một ma trận là đủ. Giá trị 0 là màu đen, 255 là màu trắng và giá trị pixel càng gần 0 thì càng tối và càng gần 255 thì càng sáng.

Chuyển hệ màu ảnh Mỗi pixel trong ảnh màu được biểu diễn bằng 3 giá trị (r,g,b) còn trong ảnh xám chỉ cần 1 giá trị x để biểu diễn.