Xác thực cá nhân qua tín hiệu ECG kênh đơn: Đề tài luận văn tốt nghiệp

Đề tài luận văn tốt nghiệp về xác thực cá nhân bằng tín hiệu ECG một kênh, khám phá ứng dụng công nghệ trong y tế và bảo mật thông tin.

• Tác giả: Vu Thi Minh
• Người hướng dẫn: Dr. Nguyen Viet Dung
• Trường học: Hanoi University of Science and Technology
• Chuyên ngành: Biomedical Engineering
• Đề tài: Personal Authentication By Single-Channel ECG Signals
• Loại tài liệu: Thesis
• Năm xuất bản: 2019
• Địa điểm: Hanoi

Mục lục chi tiết

• DANH MỤC HÌNH VẼ
• DANH MỤC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: THÔNG TIN NỀN TẢNG CƠ BẢN
• 1.1. Các loại sinh trắc học
• 1.2. Các thành phần cơ bản của hệ thống sinh trắc học
• 1.3. Một số tiêu chí của sinh trắc học
• 1.4. Các loại nhiễu khác nhau trong tín hiệu ECG
• 1.5. Khái niệm cơ bản và tổng quan về biến đổi Wavelet
• 1.6. Phân tích đa độ phân giải và biến đổi Wavelet liên tục
• 1.7. Phân tích đa độ phân giải: Biến đổi Wavelet rời rạc
• 1.8. Các loại học máy
• 1.9. Máy vector hỗ trợ (SVM)
• 1.10. Thiết bị ghi ECG: Kardia mobile
• 1.11. Số hóa đồ thị web (Web plot digitizer)
• 1.12. Thiết lập thực nghiệm
• 3. CHƯƠNG 3: THIẾT KẾ HỆ THỐNG XÁC THỰC CÁ NHÂN DỰA TRÊN ECG
• 3.1. Thuật toán trích xuất đặc trưng từ DWT sử dụng Wavelet Daubechies
• 3.2. Kết quả và thảo luận

Tóm tắt

I. Tổng quan về xác thực cá nhân bằng tín hiệu ECG kênh đơn

Xác thực cá nhân bằng tín hiệu ECG kênh đơn đang trở thành một trong những phương pháp tiên tiến trong lĩnh vực sinh trắc học. Tín hiệu ECG không chỉ phản ánh hoạt động điện của tim mà còn mang lại những đặc điểm sinh học độc nhất cho mỗi cá nhân. Việc sử dụng tín hiệu ECG cho xác thực cá nhân có thể giải quyết nhiều vấn đề về bảo mật thông tin cá nhân, đặc biệt trong bối cảnh công nghệ ngày càng phát triển.

1.1. Định nghĩa và tầm quan trọng của xác thực cá nhân

Xác thực cá nhân là quá trình xác định danh tính của một cá nhân thông qua các đặc điểm sinh học. Tín hiệu ECG, với tính độc nhất và khó giả mạo, trở thành một lựa chọn lý tưởng cho việc bảo mật thông tin cá nhân.

1.2. Lịch sử phát triển của công nghệ ECG trong sinh trắc học

Công nghệ ECG đã được nghiên cứu và phát triển từ lâu, nhưng gần đây mới được áp dụng rộng rãi trong xác thực cá nhân. Những nghiên cứu gần đây đã chỉ ra rằng tín hiệu ECG có thể cung cấp độ chính xác cao trong việc nhận diện cá nhân.

II. Vấn đề và thách thức trong xác thực cá nhân bằng ECG

Mặc dù xác thực cá nhân bằng tín hiệu ECG có nhiều ưu điểm, nhưng vẫn tồn tại một số thách thức cần được giải quyết. Các vấn đề như độ chính xác của tín hiệu, sự ảnh hưởng của nhiễu và điều kiện môi trường có thể làm giảm hiệu quả của phương pháp này.

2.1. Độ chính xác và độ tin cậy của tín hiệu ECG

Độ chính xác của tín hiệu ECG phụ thuộc vào nhiều yếu tố, bao gồm chất lượng thiết bị ghi nhận và kỹ thuật xử lý tín hiệu. Việc cải thiện độ chính xác là một trong những thách thức lớn nhất trong nghiên cứu này.

2.2. Ảnh hưởng của nhiễu và điều kiện môi trường

Nhiễu từ các nguồn bên ngoài như thiết bị điện tử có thể làm sai lệch tín hiệu ECG. Điều này đòi hỏi các phương pháp xử lý tín hiệu hiệu quả để đảm bảo tính chính xác trong xác thực.

III. Phương pháp chính trong xác thực cá nhân bằng tín hiệu ECG

Để thực hiện xác thực cá nhân bằng tín hiệu ECG, nhiều phương pháp đã được phát triển. Các phương pháp này bao gồm việc trích xuất đặc trưng từ tín hiệu ECG và sử dụng các thuật toán học máy để phân loại.

3.1. Trích xuất đặc trưng từ tín hiệu ECG

Trích xuất đặc trưng là bước quan trọng trong quá trình xác thực. Các đặc trưng này có thể được lấy từ các phương pháp như Biến đổi Wavelet rời rạc (DWT) để cải thiện độ chính xác trong nhận diện.

3.2. Sử dụng thuật toán học máy trong phân loại tín hiệu

Thuật toán Hỗ trợ Vector Machine (SVM) đã được áp dụng để phân loại tín hiệu ECG. Kết quả cho thấy phương pháp này có thể đạt được độ chính xác cao trong việc xác thực cá nhân.

IV. Ứng dụng thực tiễn của xác thực cá nhân bằng ECG

Xác thực cá nhân bằng tín hiệu ECG có thể được ứng dụng trong nhiều lĩnh vực khác nhau, từ y tế đến bảo mật thông tin. Việc sử dụng tín hiệu ECG giúp tăng cường bảo mật và giảm thiểu rủi ro trong các hệ thống xác thực.

4.1. Ứng dụng trong lĩnh vực y tế

Trong y tế, xác thực cá nhân bằng tín hiệu ECG có thể giúp nhận diện bệnh nhân một cách chính xác, từ đó cải thiện chất lượng dịch vụ chăm sóc sức khỏe.

4.2. Ứng dụng trong bảo mật thông tin

Xác thực cá nhân bằng ECG có thể được tích hợp vào các hệ thống bảo mật thông tin, giúp ngăn chặn truy cập trái phép và bảo vệ dữ liệu cá nhân.

V. Kết luận và tương lai của xác thực cá nhân bằng ECG

Xác thực cá nhân bằng tín hiệu ECG kênh đơn đang mở ra nhiều cơ hội mới trong lĩnh vực sinh trắc học. Với sự phát triển của công nghệ, phương pháp này hứa hẹn sẽ trở thành một giải pháp an toàn và hiệu quả cho việc bảo mật thông tin cá nhân.

5.1. Tóm tắt những lợi ích của phương pháp

Phương pháp xác thực cá nhân bằng ECG mang lại nhiều lợi ích như độ chính xác cao, tính bảo mật tốt và khả năng ứng dụng rộng rãi trong nhiều lĩnh vực.

5.2. Triển vọng phát triển trong tương lai

Với sự tiến bộ của công nghệ, việc cải thiện độ chính xác và khả năng xử lý tín hiệu ECG sẽ mở ra nhiều cơ hội mới cho việc ứng dụng trong xác thực cá nhân.

Nội dung chính

Tổng quan nghiên cứu

Thực trạng an ninh thông tin hiện nay đang đối mặt với nhiều thách thức nghiêm trọng khi các phương thức sinh trắc học truyền thống dần bộc lộ những lỗ hổng bảo mật đáng lo ngại. Theo thống kê từ các tổ chức bảo mật quốc tế, tỷ lệ từ chối sai của công nghệ nhận diện vân tay có thể tăng vọt từ mức 0% trong ngày đầu đăng ký lên đến 66% sau 6 tuần sử dụng do sự mài mòn biểu bì, bụi bẩn hoặc tổn thương ngoài da. Đồng thời, kỹ thuật nhận diện khuôn mặt và mống mắt cũng đứng trước nguy cơ bị đánh lừa bởi hình ảnh kỹ thuật số độ phân giải cao hoặc các mô hình tái tạo không gian ba chiều. Trước bối cảnh đó, việc tìm kiếm một giải pháp xác thực dựa trên tín hiệu sinh học sống mang tính bảo vệ chống giả mạo tuyệt đối là yêu cầu cấp thiết.

Luận văn tập trung giải quyết bài toán xác thực cá nhân thông qua tín hiệu điện tâm đồ đơn kênh thu nhận từ thiết bị y tế cầm tay Kardia Mobile do công ty AliveCor sản xuất, một thiết bị đã đạt chứng nhận tiêu chuẩn an toàn từ Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ. Mục tiêu cốt lõi của đề tài là xây dựng quy trình trích xuất đặc trưng tối ưu dựa trên biến đổi Wavelet rời rạc kết hợp các chỉ số thống kê, từ đó ứng dụng thuật toán học máy để phân loại và định danh chính xác người dùng.

Nghiên cứu được triển khai thực nghiệm tại Trường Điện - Điện tử thuộc Đại học Bách khoa Hà Nội vào tháng 1 năm 2019. Ý nghĩa khoa học và thực tiễn của công trình thể hiện qua việc đạt độ chính xác nhận thực tổng thể xấp xỉ 87.5% trên tập dữ liệu thực tế, mở ra hướng đi đầy triển vọng trong việc tích hợp công nghệ xác thực sinh trắc học tín hiệu sống vào các thiết bị thông minh nhỏ gọn, kiểm soát chặt chẽ tỷ lệ chấp nhận sai và tỷ lệ từ chối sai ở mức tối ưu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết sinh trắc học tín hiệu sống và xử lý tín hiệu số y sinh. Khác với các đặc điểm hình thái học bên ngoài, tín hiệu điện tâm đồ phản ánh trực tiếp hoạt động điện học truyền qua các buồng tim trong dải tần số sinh lý từ 0.05 Hz đến 100 Hz với biên độ dao động từ 1 mV đến 10 mV. Hoạt động này được chi phối bởi cấu trúc giải phẫu cơ tim, vị trí của tim trong lồng ngực và đặc tính dẫn truyền riêng biệt của từng cá nhân, tạo nên tính duy nhất và khả năng chống làm giả tuyệt đối.

Khung phân tích trung tâm của luận văn dựa trên lý thuyết phân tích đa độ phân giải thông qua biến đổi Wavelet rời rạc. Phương pháp này khắc phục triệt để điểm yếu của biến đổi Fourier cổ điển và biến đổi Fourier ngắn hạn khi xử lý các tín hiệu phi dừng, cho phép phân tích tín hiệu đồng thời trên cả miền thời gian lẫn miền tần số với độ phân giải linh hoạt. Bên cạnh đó, mô hình phân loại máy học Support Vector Machine được ứng dụng nhằm tối ưu hóa việc tìm kiếm siêu phẳng phân cách cực đại giữa các lớp dữ liệu, đảm bảo khả năng tổng quát hóa cao khi xử lý tập dữ liệu không gian nhiều chiều.

Các khái niệm then chốt được vận dụng xuyên suốt bao gồm: phức bộ sóng tim P-QRS-T đại diện cho chu kỳ khử cực và tái cực của tâm nhĩ và tâm thất, hàm Wavelet Daubechies bậc 4, hệ số chi tiết và hệ số xấp xỉ của quá trình phân giải băng con, cùng hai chỉ số định lượng hiệu năng là tỷ lệ chấp nhận sai và tỷ lệ từ chối sai.

Phương pháp nghiên cứu

Nguồn dữ liệu của đề tài được thu thập trực tiếp bằng phương pháp đo điện tâm đồ đơn kênh qua 2 điện cực tiếp xúc ngón tay của thiết bị Kardia Mobile. Tập mẫu nghiên cứu bao gồm hơn 80 bản ghi tín hiệu điện tim thực tế từ các tình nguyện viên khỏe mạnh tại môi trường nghiên cứu, với tần số nhịp tim dao động ổn định trong khoảng sinh lý từ 60 đến 100 nhịp mỗi phút. Phương pháp chọn mẫu có chủ đích được áp dụng nhằm thu thập các dạng sóng rõ nét, giảm thiểu tối đa các sai số vận động bất thường ngoài ý muốn. Tín hiệu thô sau đó được số hóa chuẩn xác thông qua công cụ WebPlotDigitizer trước khi đưa vào xử lý.

Lý do lựa chọn phương pháp phân tích kết hợp giữa biến đổi Wavelet rời rạc và Support Vector Machine xuất phát từ đặc thù tín hiệu điện tim bị ảnh hưởng bởi nhiều nguồn tạp âm phức tạp. Thuật toán phân rã tín hiệu qua 8 cấp độ lọc thông dải giúp cô lập hoàn toàn các thành phần nhiễu đường dây điện 50 Hz và hiện tượng trôi đường nền dưới 0.5 Hz. Các đặc trưng thống kê kết hợp từ hệ số Wavelet tạo thành một vector đầu vào cô đọng, giúp mô hình Support Vector Machine phân loại nhị phân chính xác danh tính người dùng với chi phí tính toán thấp. Toàn bộ quy trình nghiên cứu từ thiết lập phần cứng, thu thập mẫu đến huấn luyện mô hình được hoàn thành trong timeline 6 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã ghi nhận nhiều kết quả thực nghiệm nổi bật, chứng minh tính khả thi vượt trội của phương pháp đề xuất:

• Thứ nhất, mô hình phân loại kết hợp giữa hệ số biến đổi Wavelet Daubechies và các tham số thống kê đạt độ chính xác xác thực tổng thể xấp xỉ 87.5% trên tập dữ liệu kiểm thử thực tế, khẳng định tiềm năng lớn của tín hiệu điện tim đơn kênh trong bảo mật.
• Thứ hai, quá trình phân rã và tái tạo tín hiệu qua các cấp độ biến đổi Wavelet rời rạc từ cấp 1 đến cấp 4 đã loại bỏ hơn 90% năng lượng của các loại nhiễu phổ biến, bao gồm nhiễu tần số điện lưới 50 Hz và nhiễu cơ điện với tần số lên tới 10 kHz, giữ nguyên vẹn hình thái đặc trưng của phức bộ sóng QRS.
• Thứ ba, khi khảo sát các tỷ lệ phân chia dữ liệu huấn luyện và kiểm thử ở các mức 70/30 và 80/20, mô hình Support Vector Machine duy trì tính ổn định cao, giúp giảm thiểu tỷ lệ lỗi nhận diện xuống thấp hơn 12.5% so với các thuật toán phân loại láng giềng gần nhất truyền thống.
• Thứ tư, các chỉ số đánh giá an ninh sinh trắc học ghi nhận sự cân bằng lý tưởng khi giá trị tỷ lệ chấp nhận sai và tỷ lệ từ chối sai tiến về điểm cân bằng tối ưu nhờ kỹ thuật điều chỉnh biên mềm với biến phụ trợ trong không gian phân tách dữ liệu.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự thành công của thuật toán là do phức bộ sóng QRS có biên độ đỉnh R đạt tới 2 mV cùng khoảng thời gian khử cực tâm thất rất ngắn từ 0.03 giây đến 0.10 giây mang đậm tính cá biệt sinh học. Những biến thiên tinh vi trong hình thái sóng và cấu trúc năng lượng phổ của từng người được bảo toàn trọn vẹn thông qua các hệ số Wavelet ở từng dải tần số con.

Trong các báo cáo khoa học, dữ liệu thực nghiệm này có thể được minh họa một cách trực quan thông qua biểu đồ mật độ phổ công suất trước và sau khi lọc nhiễu, kết hợp cùng bảng ma trận nhầm lẫn biểu diễn chi tiết tỷ lệ phân loại đúng của từng đối tượng khảo sát.

So sánh với các nghiên cứu sinh trắc học sử dụng dấu vân tay hay khuôn mặt, phương pháp xác thực bằng điện tâm đồ thể hiện ưu thế vượt trội về khả năng đảm bảo tính sống của mẫu đo. Nếu như các hệ thống nhận diện khuôn mặt có thể đạt tỷ lệ từ chối sai khoảng 1% theo các thử nghiệm tiêu chuẩn nhưng dễ bị tấn công giả mạo bằng hình ảnh 2D, thì tín hiệu điện tim chỉ có thể thu nhận từ cơ thể sống đang hoạt động tuần hoàn. Mặc dù kích thước tập mẫu huấn luyện còn ở mức giới hạn, việc áp dụng biến đổi Wavelet rời rạc kết hợp Support Vector Machine đã tối ưu hóa hiệu năng phân tách không gian mẫu một cách hiệu quả và chuẩn xác.

Đề xuất và khuyến nghị

Dựa trên các phát hiện thực nghiệm, luận văn đưa ra 4 nhóm giải pháp mang tính hành động cao nhằm hoàn thiện và thương mại hóa hệ sinh thái xác thực sinh trắc học:

• Nâng cấp cấu trúc mô hình học sâu: Nhóm nghiên cứu xử lý tín hiệu cần tích hợp các mạng nơ-ron tích chập hoặc mạng hồi quy kết hợp cùng biến đổi Wavelet để tự động hóa hoàn toàn khâu rút trích đặc trưng sâu, hướng tới mục tiêu nâng cao độ chính xác xác thực từ 87.5% lên trên 96.5% trong khung thời gian 12 tháng.
• Mở rộng quy mô cơ sở dữ liệu đa dạng: Phòng thí nghiệm Kỹ thuật Y sinh cần chủ trì thu thập thêm dữ liệu từ ít nhất 500 đối tượng thuộc nhiều độ tuổi, giới tính và tình trạng sức khỏe tim mạch khác nhau trong vòng 6 tháng, nhằm đánh giá toàn diện độ bền vững của vector đặc trưng sinh trắc học trước các biến đổi sinh lý.
• Tối ưu hóa phần cứng nhúng trên thiết bị đeo: Các kỹ sư phần cứng và nhà phát triển thiết bị y tế cần triển khai tích hợp thuật toán lọc nhiễu thích nghi vào chip xử lý của đồng hồ thông minh hoặc vòng đeo tay y tế trong vòng 9 tháng, đặt target metric giảm độ trễ phản hồi xác thực xuống dưới 1.5 giây và duy trì công suất tiêu thụ dưới 50 mW.
• Chuẩn hóa khung pháp lý và an toàn dữ liệu y sinh: Các chuyên gia an ninh mạng cùng cơ quan quản lý cần xây dựng bộ tiêu chuẩn bảo mật với ngưỡng tỷ lệ chấp nhận sai nhỏ hơn 0.1% và tỷ lệ từ chối sai dưới 2.0% cho các hệ thống kiểm soát truy cập mức độ cao trong lộ trình 18 tháng tới.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị thực tiễn và học thuật sâu sắc cho 4 nhóm đối tượng chính:

• Nhà nghiên cứu và học viên chuyên ngành Kỹ thuật Y sinh, Xử lý tín hiệu số: Nắm vững quy trình ứng dụng biến đổi Wavelet rời rạc để lọc nhiễu y sinh phức tạp và phương pháp trích xuất đặc trưng thống kê phục vụ phân loại mẫu tín hiệu tim mạch.
• Kỹ sư phát triển phần mềm bảo mật và an toàn thông tin: Khai thác giải pháp xác thực dựa trên tín hiệu sống nhằm thiết kế các cổng bảo mật chống giả mạo tuyệt đối cho các hệ thống ngân hàng số, ví điện tử và tài khoản định danh cấp cao.
• Doanh nghiệp sản xuất thiết bị y tế và công nghệ đeo thông minh: Tham khảo kiến trúc kết nối và xử lý dữ liệu từ các thiết bị thu nhận điện tim đơn kênh đạt chuẩn y tế như Kardia Mobile để tích hợp tính năng định danh cá nhân vào sản phẩm thương mại.
• Chuyên gia quản trị hệ thống tại các cơ quan trọng yếu: Ứng dụng mô hình xác thực cá nhân 1-1 nhằm nâng cao năng lực bảo vệ vật lý tại các trung tâm dữ liệu, phòng thí nghiệm tuyệt mật và các khu vực yêu cầu kiểm soát an ninh nghiêm ngặt.

Câu hỏi thường gặp

• Tín hiệu điện tâm đồ có ưu điểm gì vượt trội so với vân tay và khuôn mặt trong bảo mật? Tín hiệu điện tim cung cấp khả năng chống giả mạo tự nhiên nhờ tính năng nhận diện sự sống tức thời. Trong khi dấu vân tay có thể bị làm giả bằng silicon hoặc có tỷ lệ từ chối sai tăng đến 66% sau 6 tuần thử nghiệm, tín hiệu điện tim biến đổi theo từng nhịp đập sinh học và không thể bị đánh cắp bằng các kỹ thuật sao chép hình ảnh thông thường.

• Tại sao biến đổi Wavelet rời rạc lại vượt trội hơn biến đổi Fourier trong xử lý điện tim? Tín hiệu điện tim là tín hiệu phi dừng với các thành phần tần số thay đổi liên tục theo thời gian. Biến đổi Fourier chỉ cung cấp thông tin phổ tần số tổng thể mà làm mất vị trí thời gian, trong khi biến đổi Wavelet rời rạc phân tích đa độ phân giải 8 cấp độ, giúp định vị chính xác vị trí các sóng đỉnh R và khử sạch nhiễu 50 Hz mà không làm méo tín hiệu.

• Thiết bị Kardia Mobile đóng vai trò như thế nào trong tính thực tiễn của đề tài? Kardia Mobile là thiết bị y tế đạt chứng nhận từ Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ, cho phép thu nhận tín hiệu điện tim đơn kênh chất lượng cao qua 2 tiếp điểm ngón tay. Việc sử dụng thiết bị này chứng minh giải pháp xác thực có thể triển khai dễ dàng ngoài đời thực mà không cần gắn nhiều dây điện cực rườm rà.

• Hệ thống xử lý các loại nhiễu sinh học và môi trường như thế nào? Hệ thống loại bỏ nhiễu đường điện 50 Hz và nhiễu cơ điện lên tới 10 kHz thông qua các bộ lọc số gương cầu phương của biến đổi Wavelet. Hiện tượng trôi đường nền dưới 0.5 Hz do nhịp thở gây ra cũng được triệt tiêu ở các cấp phân giải cao, giúp biên độ sóng tim luôn ổn định trước khi đưa vào mô hình phân loại.

• Thuật toán Support Vector Machine mang lại lợi thế gì cho bài toán xác thực? Support Vector Machine hoạt động tối ưu với các tập dữ liệu có số chiều đặc trưng lớn nhưng kích thước mẫu giới hạn. Bằng cách thiết lập siêu phẳng phân cách cực đại với các biến bù lỏng, thuật toán giúp phân loại nhị phân chính xác giữa người dùng hợp lệ và người lạ với độ chính xác đạt xấp xỉ 87.5%, hạn chế tối đa nguy cơ quá khớp dữ liệu.

Kết luận

• Đề tài đã nghiên cứu và phát triển thành công giải pháp xác thực cá nhân dựa trên tín hiệu điện tâm đồ đơn kênh thu thập từ thiết bị cầm tay đạt chứng nhận y tế quốc tế.
• Phương pháp kết hợp biến đổi Wavelet Daubechies bậc 4 và các tham số thống kê đã giải quyết triệt để bài toán khử nhiễu dải tần 0.05 Hz đến 100 Hz và tối ưu hóa không gian đặc trưng.
• Thuật toán phân loại Support Vector Machine đem lại hiệu suất nhận thực ấn tượng với độ chính xác đạt xấp xỉ 87.5% trên tập dữ liệu thử nghiệm thực tế.
• Nghiên cứu khẳng định tiềm năng ứng dụng vượt bậc của tín hiệu sinh học sống trong việc thay thế hoặc bổ trợ cho các hệ thống sinh trắc học truyền thống dễ bị giả mạo.
• Lộ trình phát triển trong 12 đến 18 tháng tới sẽ tập trung mở rộng quy mô mẫu thử nghiệm trên 500 đối tượng và tích hợp mô hình học sâu vào các dòng thiết bị đeo thông minh thế hệ mới.

Quý độc giả, các nhà nghiên cứu và kỹ sư công nghệ có thể ứng dụng trực tiếp khung phân tích và thuật toán trích xuất đặc trưng Wavelet từ công trình này để nâng tầm các giải pháp bảo mật sinh trắc học thế hệ mới ngay hôm nay.