Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh xã hội hiện đại, nhu cầu theo dõi và chăm sóc sức khỏe ngày càng gia tăng, kéo theo thách thức lớn về khả năng tiếp cận và chi phí dịch vụ y tế. Dẫn chứng từ số liệu khảo sát thực tế trên 1.000 người tham gia được tác giả trích dẫn cho thấy: 83,7% người được hỏi nhận định chi phí là yếu tố quyết định khi tiếp cận dịch vụ y tế; nhiều người trì hoãn đến bệnh viện, không mua thuốc theo toa hoặc chịu đựng tình trạng bệnh diễn tiến xấu hơn do rào cản tài chính, trong đó phụ nữ có tỷ lệ hối hận sau khi khám trực tiếp cao hơn nam giới. Đồng thời, việc ứng dụng công nghệ thông tin trong y tế đối mặt với rủi ro rò rỉ dữ liệu cá nhân nhạy cảm khi phải tập trung hóa hồ sơ bệnh án để huấn luyện các mô hình trí tuệ nhân tạo. Xuất phát từ thực trạng đó, đề tài nghiên cứu giải pháp xây dựng hệ thống theo dõi sức khỏe từ xa tại nhà, ứng dụng kỹ thuật học phân tán (Federated Learning) nhằm bảo mật dữ liệu tại nguồn kết hợp chuỗi khối (Blockchain) để xác thực và đảm bảo tính toàn vẹn thông tin.

Mục tiêu nghiên cứu tổng quát là xây dựng một hệ thống IoT theo dõi sức khỏe kết hợp dự đoán bệnh tiểu đường và bệnh viêm phổi. Tác giả xác định 6 nhiệm vụ và mục tiêu cụ thể gồm:

  1. Phát triển hệ thống tự động thu thập và lưu trữ dữ liệu sức khỏe từ nhiều nguồn khác nhau như cảm biến, thiết bị y tế, cơ sở y tế và người dùng.
  2. Triển khai mô hình học sâu để dự đoán các bệnh tiểu đường và viêm phổi dựa trên dữ liệu y tế thu thập được.
  3. Áp dụng phương pháp học phân tán để giảm sự phụ thuộc vào máy chủ trung tâm, tăng tính bảo mật của dữ liệu và cải thiện khả năng đào tạo mô hình từ nhiều nguồn phân tán.
  4. Xây dựng giải pháp bảo mật sử dụng chuỗi khối để xác minh danh tính, theo dõi các giao dịch liên quan đến trọng số huấn luyện, bảo đảm an toàn và tính minh bạch của dữ liệu.
  5. Phát triển ứng dụng trên hệ thống theo dõi sức khỏe để cung cấp thông tin và dự đoán bệnh cho người dùng cuối (bác sĩ và bệnh nhân), hỗ trợ quản lý sức khỏe cá nhân và can thiệp y tế sớm.
  6. Tiến hành đánh giá hiệu suất của hệ thống, bao gồm độ chính xác của các mô hình dự đoán và tính ổn định của hệ thống theo dõi sức khỏe.

Đối tượng nghiên cứu của đề tài bao gồm: hệ thống theo dõi sức khỏe từ xa, mô hình dự đoán bệnh tiểu đường và viêm phổi, công nghệ học phân tán (Federated Learning), nền tảng chuỗi khối (Blockchain), và các ứng dụng giao diện dành cho bác sĩ cùng bệnh nhân. Phạm vi nghiên cứu tập trung vào việc đánh giá hiệu quả dự đoán bệnh lý dựa trên hai tập dữ liệu y tế chuẩn, kiểm thử thuật toán học phân tán trên hệ thống máy chủ mô phỏng cục bộ và triển khai thử nghiệm mạng chuỗi khối phục vụ lưu trữ trọng số mô hình.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của đề tài được xây dựng trên sự tích hợp của các lĩnh vực công nghệ thông tin then chốt:

  • Internet of Things (IoT) và Điện toán biên (Edge Computing): Đóng vai trò thu thập dữ liệu từ cảm biến y tế và thực hiện xử lý cục bộ tại các trạm biên (các cơ sở y tế/máy khách), giúp giảm độ trễ, tiết kiệm băng thông mạng và tăng cường bảo mật dữ liệu.
  • Học sâu (Deep Learning): Sử dụng Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN/NN) dạng Fully Connected cho dữ liệu dạng bảng và Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) cho dữ liệu hình ảnh X-quang. Các thành phần kỹ thuật gồm hàm kích hoạt phi tuyến LeakyReLU, ReLU, Sigmoid; chuẩn hóa hàng loạt (Batch Normalization); lớp giảm mẫu Max Pooling; và kỹ thuật Dropout chống hiện tượng quá khớp (overfitting).
  • Học phân tán (Federated Learning): Áp dụng hai thuật toán tổng hợp trọng số là Federated Averaging (FedAvg) và Federated Median (FedMed) để tổng hợp các tham số mô hình huấn luyện cục bộ từ các máy khách mà không cần truyền dữ liệu thô về máy chủ.
  • Chuỗi khối và Lưu trữ phân tán: Sử dụng nền tảng Hyperledger Sawtooth để quản trị giao dịch trạng thái, xác thực danh tính và kiểm soát quyền truy cập thông qua cơ chế đồng thuận; kết hợp hệ thống tệp liên hành tinh IPFS (InterPlanetary File System) để lưu trữ phi tập trung các tệp trọng số huấn luyện (.h5).
  • Giao diện lập trình ứng dụng và Giao diện người dùng: Ứng dụng framework FastAPI (Python) để xây dựng hệ thống REST API theo chuẩn HTTP/HTTPS; sử dụng C# Windows Forms trên nền .NET Framework để phát triển phần mềm quản lý cho bác sĩ và Android Studio để phát triển ứng dụng di động cho bệnh nhân.

Phương pháp nghiên cứu thực nghiệm được thực hiện trên hai nguồn dữ liệu y tế công khai:

  • Bộ dữ liệu Pima Indians Diabetes: Do Viện Quốc gia về Bệnh tiểu đường, Tiêu hóa và Bệnh thận (NIDDK) cung cấp, gồm 768 mẫu bệnh nhân nữ từ 21 tuổi trở lên thuộc bộ tộc da đỏ Pima. Bộ dữ liệu chứa 8 đặc trưng lâm sàng: Số lần mang thai (Pregnancies), Nồng độ glucose (Blood glucose), Huyết áp tâm trương (Blood pressure), Độ dày nếp gấp da cơ tam đầu (Skin thickness), Nồng độ Insulin huyết thanh, Chỉ số khối cơ thể (BMI), Hàm tiền sử gia đình mắc bệnh tiểu đường (Diabetes Pedigree Function - DPF), và Tuổi (Age). Quy trình tiền xử lý bao gồm lọc bỏ giá trị rỗng/trùng lặp, loại bỏ ngoại lai bằng phương pháp khoảng tứ phân vị (IQR), chuẩn hóa dữ liệu bằng Min-Max Scaling và phân chia theo tỷ lệ 80% huấn luyện - 20% kiểm tra.
  • Bộ dữ liệu Chest X-Ray Images (Pneumonia): Gồm ảnh chụp X-quang ngực của bệnh nhân nhi. Tập huấn luyện chứa 5.232 ảnh (3.883 ảnh viêm phổi gồm 2.538 ca do vi khuẩn, 1.345 ca do virus; 1.349 ảnh bình thường) từ 5.856 bệnh nhân. Tập kiểm thử độc lập gồm 624 ảnh (390 ảnh viêm phổi gồm 242 ca vi khuẩn, 148 ca virus; 234 ảnh bình thường). Ảnh được tiền xử lý chuyển đổi về kích thước đồng nhất 150x150 pixels, chuẩn hóa giá trị điểm ảnh và gán nhãn nhị phân (0: Normal, 1: Pneumonia).

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo mô hình kiến trúc Điện toán biên 4 tầng, tối ưu hóa cho việc xử lý phân tán và bảo mật:

Tầng kiến trúc Thành phần và Công nghệ Chức năng chính trong hệ thống
Tầng Cảm biến & Người dùng Cảm biến IoT, Thiết bị y tế, Ứng dụng Android, Windows Forms C# Thu thập chỉ số sinh học, tiếp nhận tương tác của bệnh nhân và hỗ trợ bác sĩ theo dõi/chỉnh sửa hồ sơ.
Tầng Biên (Edge Layer) FL Clients, Bộ lưu trữ cục bộ, Máy tính trạm tại cơ sở y tế Lưu trữ dữ liệu nhạy cảm cục bộ, thực hiện huấn luyện mô hình sâu trên dữ liệu riêng tư tại trạm.
Tầng Dịch vụ & Giao tiếp FastAPI, IPFS Node, Mô hình DL (NN & CNN) Xử lý logic API, trung chuyển dữ liệu mã hóa, phân phối và lưu trữ phân tán các tệp trọng số (.h5).
Tầng Chuỗi khối (Cloud/Blockchain) Hyperledger Sawtooth, Trình xác thực (Validators), Smart Contract Quản lý sổ cái bất biến, ghi nhận giao dịch chứa mã băm trọng số, xác thực quyền truy cập và đảm bảo tính toàn vẹn.

Chi tiết thiết kế mô hình học sâu:

  • Mô hình NN dự đoán tiểu đường: Lớp đầu vào tiếp nhận các đặc trưng đã chuẩn hóa; tầng ẩn thứ nhất gồm 8 nơ-ron kích hoạt bằng LeakyReLU ($\alpha = 0,01$); tầng ẩn thứ hai gồm 4 nơ-ron kích hoạt bằng LeakyReLU ($\alpha = 0,0125$); tầng đầu ra gồm 1 nơ-ron với hàm kích hoạt Sigmoid trả về xác suất mắc bệnh.
  • Mô hình CNN dự đoán viêm phổi: Sử dụng 32 lớp tích chập với bộ lọc kích thước 3x3 kết hợp chuẩn hóa hàng loạt (Batch Normalization), tầng giảm mẫu Max Pooling kích thước 2x2, các lớp Dropout ngắt kết nối ngẫu nhiên, tầng kết nối đầy đủ (Dense) gồm 128 nơ-ron kích hoạt bằng ReLU, và tầng đầu ra 1 nơ-ron kích hoạt bằng Sigmoid. Mô hình được tối ưu bằng thuật toán RMSprop kết hợp hàm mất mát Binary Cross-Entropy.

Cấu trúc định danh và giao dịch trên Hyperledger Sawtooth:

  • Không gian địa chỉ trạng thái toàn cục (Global State) sử dụng định dạng Radix 36 byte (tương đương 70 ký tự thập lục phân - hex). Trong đó, 3 byte đầu (6 ký tự hex) là tiền tố không gian tên (namespace prefix, cho phép tối đa 16.777.216 không gian tên), và 32 byte tiếp theo (64 ký tự hex) được mã hóa để phân loại và định danh đối tượng.
  • Dữ liệu giao dịch được tuần tự hóa bằng Protocol Buffers, tổ chức thành cấu trúc Transaction (chứa Transaction Header với các trường signer_public_key, batcher_public_key, inputs, outputs, dependencies, payload_sha512 và Transaction Payload) và cấu trúc Batch (chứa Batch Header và danh sách các giao dịch được thực thi nguyên tử).

Hệ thống điểm cuối REST API (FastAPI) được phân chia theo các nhóm chức năng:

  • API Xác thực & Người dùng: POST /login (xác thực và trả về chuỗi access token); GET /users, POST /users, GET /users/{id}, PUT /users/{id}, DELETE /users/{id}.
  • API Cảm biến: GET /sensors, POST /sensors, GET /sensors/{id}, PUT /sensors/{id}, DELETE /sensors/{id}.
  • API Bệnh nhân: GET /patients/name/{name}, GET /patients/userId/{userId}, GET /patients/id/{id}, PUT /patients/id/{id}, GET /patients/po_update/{time} (sắp xếp theo thời gian cập nhật Pneumonia Order), GET /patients/do_update/{time} (sắp xếp theo thời gian cập nhật Diabetes Order), POST /patients, DELETE /patients/{name}.
  • API Hình ảnh X-quang: GET /xray_images, POST /xray_images, GET /xray_images/{id}, PUT /xray_images/{id}, DELETE /xray_images/all.
  • API Dự đoán: POST /predict/pneumonia, GET /predict/pneumonia/history/{userId}, POST /predict/diabetes.

Giao diện ứng dụng người dùng:

  • Phần mềm Bác sĩ (Windows Forms C#): Cung cấp chức năng đăng nhập, hiển thị bảng danh sách bệnh nhân kèm thời gian cập nhật PO/DO, khung hiển thị chi tiết các chỉ số sinh học (BMI, Glucose, Insulin, Huyết áp, DPF...), khu vực hiển thị và phóng to ảnh X-quang phổi, cùng tính năng chỉnh sửa và lưu trực tiếp dữ liệu vào hệ thống.
  • Ứng dụng Bệnh nhân (Android): Cho phép người dùng đăng ký, đăng nhập, theo dõi hồ sơ y tế cá nhân, nhập 8 thông số sức khỏe để nhận dự đoán nguy cơ tiểu đường, tải ảnh X-quang chụp từ thiết bị để nhận kết quả phân tích viêm phổi, đồng thời cung cấp thông tin tỷ lệ mắc bệnh trong cộng đồng cùng khuyến nghị duy trì lối sống lành mạnh.

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Chương 1 trình bày lý do chọn đề tài dựa trên nhu cầu theo dõi sức khỏe từ xa và thực trạng chi phí y tế cao qua số liệu khảo sát thực tế. Tác giả phân tích tính cấp thiết của việc bảo vệ dữ liệu cá nhân trong y tế, từ đó xác định mục tiêu xây dựng hệ thống tích hợp IoT, Học sâu, Học phân tán và Chuỗi khối. Chương này cũng phân định rõ đối tượng, phạm vi nghiên cứu và bố cục 5 chương của khóa luận.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp nền tảng lý thuyết toàn diện cho hệ thống:

  • Phân tích kiến trúc, thành phần và các giao thức truyền thông IoT (MQTT, FTP, HTTP, ZigBee).
  • Trình bày nguyên lý Điện toán biên (Edge Computing) trong việc đặt năng lực tính toán tại trạm biên (bệnh viện).
  • Khái quát cấu trúc mạng nơ-ron nhân tạo (ANN) và mạng nơ-ron tích chập (CNN), giải thích chi tiết cơ chế hoạt động của lớp tích chập, tham số Stride, các lớp Max Pooling/Average Pooling, chuẩn hóa hàng loạt (Batch Normalization) và các hàm kích hoạt (ReLU, LeakyReLU, Sigmoid, Tanh).
  • Trình bày tổng quan về học phân tán, luồng chia sẻ trọng số và phân tích ưu nhược điểm của mô hình.
  • Giới thiệu công nghệ phát triển API bằng FastAPI, các loại kiến trúc API (RESTful, SOAP, GraphQL, Web API).
  • Trình bày cấu trúc chuỗi khối (Block Header, Previous Hash, Nonce, Merkle Root), cơ chế đồng thuận (PoW, PoS, DPoS) và nền tảng phát triển ứng dụng (Windows Forms C#, Android Studio).

Chương 3: Thiết kế hệ thống

Chương 3 chi tiết hóa giải pháp đề xuất bao gồm kiến trúc 4 tầng kết hợp giữa máy chủ và các máy khách. Tác giả trình bày quy trình 4 bước huấn luyện học phân tán, cơ chế hoạt động cùng ưu nhược điểm của hai giải thuật tổng hợp FedAvg và FedMed. Chương này mô tả chi tiết sơ đồ phân lớp của mạng NN dự đoán tiểu đường, mạng CNN dự đoán viêm phổi, các bước tiền xử lý hai bộ dữ liệu thực nghiệm, vai trò lưu trữ của mạng IPFS, kiến trúc địa chỉ Radix và cấu trúc gói tin giao dịch trên Hyperledger Sawtooth, cùng lưu đồ luồng hoạt động của hai ứng dụng người dùng.

Chương 4: Triển khai và đánh giá

Chương 4 ghi nhận quá trình thực nghiệm và các kết quả đo đạc thực tế:

  • Triển khai mô hình học sâu độc lập trên phần cứng máy tính cá nhân (CPU AMD Ryzen 7 4800H 8 nhân, GPU GTX 1650, RAM 16 GB).
  • Triển khai mô hình học phân tán trên hệ thống phân tán gồm 3 máy chủ Ubuntu 22.04 (mỗi máy 4 nhân CPU, 8 GB RAM) với 1 Server và 2 Clients, tiến hành khảo sát 10 đến 11 kịch bản phân phối dữ liệu cho cả hai thuật toán FedAvg và FedMed.
  • Kiểm thử các điểm cuối của hệ thống API trên FastAPI.
  • Đánh giá thời gian phản hồi giao dịch gửi/nhận tệp trên mạng chuỗi khối theo số lượng người dùng đồng thời.
  • Trình bày các giao diện thực thi hoàn chỉnh của phần mềm Windows Forms và ứng dụng di động Android.

Chương 5: Kết luận và hướng phát triển

Chương 5 đúc kết toàn bộ các kết quả đã hoàn thành: xây dựng thành công hệ thống tích hợp đa công nghệ đáp ứng yêu cầu giám sát sức khỏe từ xa, bảo vệ quyền riêng tư dữ liệu và xác thực giao dịch an toàn. Đồng thời, tác giả đề xuất 3 hướng phát triển tiếp theo nhằm mở rộng quy mô dữ liệu, tự động hóa thu thập thực tế và nâng cao bảo mật chuỗi khối.

Kết quả và đóng góp

Kết quả thực nghiệm mô hình học sâu độc lập

Mô hình học sâu được đánh giá trên tập kiểm thử độc lập với các thông số tài nguyên và hiệu năng:

Mô hình / Bài toán Độ chính xác (Accuracy) Thời gian thực thi RAM sử dụng Tải CPU trung bình
NN (Tiểu đường - Pima Dataset) 88% 55 giây 389 MB 1%
CNN (Viêm phổi - Chest X-Ray) 90% 1.404 giây 2.106 MB 6%

Chi tiết ma trận phân loại cho thấy các chỉ số thành phần (Precision, Recall, F1-score) đều đạt mức ổn định trên cả hai lớp bệnh lý (Class 1) và bình thường (Class 0).

Kết quả thực nghiệm học phân tán (Federated Learning)

Thực nghiệm phân tán khảo sát sự ảnh hưởng của tỷ lệ phân chia dữ liệu giữa Server, Client 1 và Client 2 trên 3 máy chủ Ubuntu riêng biệt. Kết quả so sánh giữa giải thuật Federated Averaging (FedAvg) và Federated Median (FedMed) được tổng hợp như sau:

Bảng so sánh kết quả huấn luyện phân tán mô hình CNN (Dự đoán viêm phổi):

Trường hợp (Case) Tỷ lệ Server (%) Tỷ lệ Client 1 (%) Tỷ lệ Client 2 (%) Bộ tối ưu tổng hợp (Optimizer) Độ chính xác (Accuracy %) Thời gian huấn luyện (phút)
1 100 100 100 Average (FedAvg) 70 60
2 10 45 45 Average (FedAvg) 86 23
3 20 40 40 Average (FedAvg) 89 24
4 40 35 35 Average (FedAvg) 84 21
5 40 30 30 Average (FedAvg) 86 24
6 50 25 25 Average (FedAvg) 87 25
7 60 20 20 Average (FedAvg) 63.5 30
8 10 50 40 Average / Median 87 / 75 22 / -
9 10 60 30 Average / Median 82 / 81 22 / -
10 10 70 20 Average / Median 76 / 87 21 / -

Bảng so sánh kết quả huấn luyện phân tán mô hình NN (Dự đoán tiểu đường):

Trường hợp (Case) Tỷ lệ Server (%) Tỷ lệ Client 1 (%) Tỷ lệ Client 2 (%) Bộ tối ưu tổng hợp (Optimizer) Độ chính xác (Accuracy %) Thời gian huấn luyện (giây)
1 100 100 100 Average (FedAvg) 70 120
2 10 45 45 Average (FedAvg) 85 53
3 20 40 40 Average (FedAvg) 89 55
4 40 35 35 Average (FedAvg) 86 50
5 40 30 30 Average (FedAvg) 85 58
6 50 25 25 Average (FedAvg) 83 60
7 60 20 20 Average (FedAvg) 70 62
8 10 50 40 Average / Median 85 / 77 55 / -
9 10 60 30 Average / Median 83 / 80 53 / -
10 10 70 20 Average / Median 75 / 87 54 / -
11 10 80 10 Average / Median 70 / 80 50 / -

Từ các kết quả trên, tác giả rút ra các kết luận thực nghiệm:

  • Thuật toán FedAvg cho hiệu năng tổng thể và độ chính xác trung bình vượt trội hơn so với FedMed trong phần lớn các phân phối dữ liệu.
  • Tỷ lệ phân phối dữ liệu tại Trường hợp 3 (Server 20%, Client 1 40%, Client 2 40%) đạt độ chính xác cao nhất (89% cho cả CNN và NN), xấp xỉ kết quả của mô hình học sân tập trung gốc (90% và 88%), với thời gian thực thi tối ưu (24 phút cho CNN và 55 giây cho NN). Do đó, cấu hình Trường hợp 3 được lựa chọn để tích hợp vào hệ thống thực tế.

Đánh giá hiệu năng Chuỗi khối

Thực nghiệm đo lường thời gian phản hồi của mạng Hyperledger Sawtooth cho thấy:

  • Thời gian đáp ứng tỷ lệ thuận với số lượng người dùng đồng thời gửi yêu cầu lên hệ thống.
  • Thao tác gửi tệp (Send File) có thời gian xử lý nhanh hơn đáng kể so với thao tác nhận tệp (Get File). Nguyên nhân do thao tác nhận tệp bắt buộc phải thực hiện truy vấn và đối soát mã băm (hash string) trên sổ cái phân tán của chuỗi khối trước khi trích xuất dữ liệu từ IPFS.

Đóng góp khoa học

Đề tài đã hoàn thành các mục tiêu đề ra và có 2 công trình khoa học được công bố/báo cáo tại các hội nghị chuyên ngành:

  1. Bài báo "A Home-based Diabetes Prediction System on Internet of Things, Federated Learning and Edge Computing" được chấp nhận đăng tại Hội nghị quốc tế Springer INISCOM 2024 (Đà Nẵng, Việt Nam).
  2. Bài báo "Building a home health monitoring system based on federated learning and blockchain technologies" được nộp phản biện tại Hội nghị quốc tế về Thiết kế, Vi mạch và Kiểm tra ICDV 2024 (Hà Nội, Việt Nam).

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ rõ các hạn chế và xác định 3 hướng phát triển trong tương lai:

  • Mở rộng dữ liệu huấn luyện: Nâng cao độ chính xác và khả năng tổng quát hóa của các mô hình học sâu bằng cách thu thập thêm các tập dữ liệu y tế lớn hơn, đa dạng hơn về chủng tộc và nhóm bệnh lý.
  • Tự động hóa thu thập và kiểm thử thực địa: Cải thiện tính di động và khả năng sẵn sàng của dịch vụ y tế bằng cách triển khai các cảm biến phần cứng tự động thu thập và tiền xử lý dữ liệu thời gian thực từ người dùng thay cho việc nhập thông số thủ công.
  • Nâng cao bảo mật chuỗi khối: Tiếp tục nghiên cứu, tối ưu hóa các cơ chế đồng thuận và thuật toán mật mã trên mạng chuỗi khối nhằm giảm độ trễ truy vấn mã băm khi hệ thống mở rộng số lượng nút tham gia.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo chuyên môn phù hợp cho sinh viên, học viên cao học và kỹ sư thuộc các ngành Mạng máy tính và Truyền thông, Công nghệ thông tin, Khoa học dữ liệu, và Kỹ thuật phần mềm y tế (eHealth).

Các nội dung có giá trị tham khảo ứng dụng cao gồm:

  • Thiết kế kiến trúc 4 tầng kết hợp giữa Edge Computing, Federated Learning và Hyperledger Sawtooth.
  • Phương pháp khảo sát, đánh giá thực nghiệm tỷ lệ phân chia dữ liệu phân tán giữa Server và các Clients (kịch bản 20:40:40).
  • Cấu trúc địa chỉ Radix 70 ký tự hex và định dạng gói tin Transaction/Batch tuần tự hóa bằng Protocol Buffers trên Sawtooth.
  • Thiết kế hệ thống REST API đầy đủ bằng FastAPI phục vụ quản lý hồ sơ bệnh án và tích hợp các điểm cuối suy luận mô hình trí tuệ nhân tạo.

Câu hỏi thường gặp

1. Khóa luận sử dụng các thuật toán học phân tán nào và thuật toán nào cho kết quả tốt hơn?
Tác giả triển khai thử nghiệm hai thuật toán là Federated Averaging (FedAvg) và Federated Median (FedMed). Kết quả thực nghiệm trên cả hai tập dữ liệu cho thấy FedAvg vượt trội hơn FedMed về độ chính xác trung bình và thời gian huấn luyện.

2. Tỷ lệ phân phối dữ liệu phân tán tối ưu nhất được tác giả lựa chọn là bao nhiêu?
Qua kiểm thử 10-11 kịch bản khác nhau, Trường hợp 3 với tỷ lệ phân phối dữ liệu 20% cho Server, 40% cho Client 1 và 40% cho Client 2 đạt độ chính xác cao nhất (89% đối với cả mô hình CNN dự đoán viêm phổi và mô hình NN dự đoán tiểu đường), có độ chính xác tiệm cận nhất với mô hình học sâu tập trung gốc.

3. Tại sao hệ thống sử dụng kết hợp cả IPFS và Hyperledger Sawtooth thay vì lưu trực tiếp trọng số lên chuỗi khối?
Tệp trọng số của mô hình học sâu (.h5) có dung lượng lớn, việc lưu trực tiếp lên sổ cái chuỗi khối sẽ gây nghẽn mạng và tăng chi phí tính toán. Hệ thống sử dụng IPFS để lưu trữ phân tán các tệp trọng số, sau đó chỉ lưu chuỗi mã băm (hash string) của tệp lên Hyperledger Sawtooth để xác thực tính toàn vẹn và quyền truy cập.

4. Cấu trúc mạng nơ-ron dự đoán bệnh tiểu đường được thiết kế như thế nào?
Mô hình gồm 4 tầng: Tầng đầu vào nhận các đặc trưng sinh học; tầng ẩn thứ nhất gồm 8 nơ-ron kích hoạt bằng LeakyReLU ($\alpha = 0,01$); tầng ẩn thứ hai gồm 4 nơ-ron kích hoạt bằng LeakyReLU ($\alpha = 0,0125$); và tầng đầu ra gồm 1 nơ-ron kích hoạt bằng hàm Sigmoid để đưa ra xác suất mắc bệnh.

5. Kết quả thực nghiệm về thời gian xử lý của chuỗi khối cho thấy điều gì giữa thao tác gửi và nhận tệp?
Thao tác gửi tệp (Send File) có thời gian xử lý nhanh hơn thao tác nhận tệp (Get File). Lý do là yêu cầu nhận tệp đòi hỏi hệ thống phải thực hiện thêm bước tìm kiếm và xác thực mã băm trên chuỗi khối trước khi lấy dữ liệu, làm gia tăng thời gian đáp ứng khi số lượng người dùng tăng lên.

Kết luận

Khóa luận tốt nghiệp của tác giả Huỳnh Phi Long và Nguyễn Xuân Dương đã xây dựng thành công hệ thống theo dõi sức khỏe tại nhà kết hợp dự đoán bệnh tiểu đường và viêm phổi dựa trên kiến trúc 4 tầng tích hợp IoT, Học sâu, Học phân tán và Chuỗi khối Hyperledger Sawtooth. Hệ thống chứng minh tính khả thi qua việc đạt độ chính xác 89% trong môi trường học phân tán với cấu hình phân chia dữ liệu 20:40:40, đồng thời bảo đảm tính an toàn dữ liệu và quyền riêng tư của bệnh nhân. Toàn bộ giải pháp được triển khai hoàn chỉnh từ các dịch vụ REST API bằng FastAPI đến phần mềm quản lý trên Windows Forms C# cho bác sĩ và ứng dụng di động Android cho bệnh nhân, kèm theo 2 công bố khoa học tại các hội nghị chuyên ngành quốc tế.