Tổng quan về luận án

Sự phát triển mạnh mẽ của các thiết bị y tế đeo trên người (wearable devices) và cấy ghép sinh học (implantable sensors) đã thúc đẩy việc chuẩn hóa mạng không dây trên cơ thể sống (Wireless Body Area Network - WBAN) theo tiêu chuẩn quốc tế IEEE 802.15.6. Mạng WBAN vận hành trên các dải tần số chuyên biệt bao gồm dải tần y tế cấy ghép MICS (402 ÷ 405 MHz), dải truyền thông cơ thể HBC, dải tần công nghiệp - khoa học - y tế ISM (2.4 ÷ 2.4835 GHz) và băng tần siêu rộng UWB (3.1 ÷ 10.6 GHz). Tuy nhiên, môi trường truyền dẫn trên và xung quanh cơ thể người đặt ra những thách thức vật lý nghiêm trọng: suy hao hấp thụ mô cơ thể lớn, hiện tượng che khuất (shadowing) gây suy hao đột biến vượt mức $70\text{ dB}$ khi cơ thể vận động, hiện tượng pha-inh đa đường (multipath fading) và giao thoa đồng kênh (Co-Channel Interference - CCI) khi khai thác kỹ thuật ghép kênh không gian (Spatial Division Multiplexing - SDM) trong hệ thống đa ăng-ten (Multiple-Input Multiple-Output - MIMO).

+---------------------------------------------------------------------------------------------------+
|                                KHUNG NGHIÊN CỨU TỔNG THỂ CỦA LUẬN ÁN                               |
+---------------------------------------------------------------------------------------------------+
|  1. KÊNH TRUYỀN DẪN WBAN (IEEE 802.15.6)                                                          |
|     - Mô hình kênh CM3 (On-body), dải tần ISM 2.45 GHz                                            |
|     - Suy hao che khuất (Shadowing > 70 dB), Pha-inh Rayleigh & Rice, Xuyên nhiễu đồng kênh (CCI) |
+---------------------------------------------------------------------------------------------------+
                                                  |
                                                  v
+---------------------------------------------------------------------------------------------------+
|  2. HỆ THỐNG TRUYỀN THÔNG MỘT CHẶNG DỰA TRÊN AUTOENCODER (Chương 2)                               |
|     - SWAE-MIMO-RTN: Mã hóa theo Symbol (One-hot) + Tách tín hiệu Radio Transformer Network       |
|     - BWAE-MIMO-MMSE / MMSEnet: Mã hóa theo Bit + Deep Unfolding MMSEnet (L=4 lớp)                |
+---------------------------------------------------------------------------------------------------+
                                                  |
                                                  v
+---------------------------------------------------------------------------------------------------+
|  3. HỆ THỐNG TRUYỀN THÔNG HỢP TÁC HAI CHẶNG DỰA TRÊN AUTOENCODER (Chương 3)                       |
|     - AE-AF: Khuếch đại và chuyển tiếp + Bộ kết hợp MMSE / RTN                                    |
|     - AE-DF: Giải mã và chuyển tiếp + Bộ kết hợp MMSEnet / RTN (Đánh giá hoàn hảo & CSI bất định) |
+---------------------------------------------------------------------------------------------------+

Khoảng trống nghiên cứu cốt lõi (research gap) nằm ở sự đánh đổi giữa hiệu năng và độ phức tạp: các bộ tách sóng tối ưu như MLD (Maximum Likelihood Detection) có độ phức tạp tính toán tăng theo hàm mũ $O(M^{N_t})$, hoàn toàn bất khả thi đối với các vi cảm biến WBAN bị giới hạn nghiêm ngặt về kích thước và năng lượng (yêu cầu Specific Absorption Rate - SAR thấp và thời lượng pin tính bằng năm); trong khi các bộ tách tuyến tính kinh điển như ZF (Zero Forcing) hay MMSE (Minimum Mean Square Error) lại bộc lộ mức suy giảm phẩm chất tỷ số lỗi bit (Bit Error Rate - BER) nghiêm trọng do không thể bù đắp phi tuyến tính của kênh sinh học. Luận án giải quyết vấn đề này bằng việc kiến tạo mô hình tối ưu hóa đầu-cuối (end-to-end learning) ứng dụng mạng nơ-ron tự mã hóa (Autoencoder - AE), chuyển đổi toàn bộ chuỗi phát - kênh truyền - thu thành một mạng nơ-ron sâu (Deep Neural Network - DNN) được huấn luyện đồng bộ.

Các câu hỏi và giả thuyết nghiên cứu được xác lập cụ thể:

  • RQ1: Làm thế nào để thiết kế kiến trúc bộ mã hóa tự động MIMO một chặng có khả năng tự học chòm sao tín hiệu phi tuyến nhằm kháng pha-inh và triệt tiêu giao thoa đồng kênh trên kênh truyền WBAN?
    • H1: Kiến trúc SWAE (Symbol-Wise Autoencoder) kết hợp bộ tách biến đổi vô tuyến RTN (Radio Transformer Network) và BWAE (Bit-Wise Autoencoder) kết hợp mạng ξε-gấp sâu MMSEnet sẽ đạt phẩm chất BER tiệm cận bộ tách tối ưu MLD nhưng duy trì độ phức tạp tính toán tuyến tính.
  • RQ2: Làm thế nào để mở rộng mô hình Autoencoder cho hệ thống MIMO hợp tác hai chặng theo phương thức khuếch đại - chuyển tiếp (Amplify-and-Forward - AF) và giải mã - chuyển tiếp (Decode-and-Forward - DF)?
    • H2: Quá trình huấn luyện đồng bộ tham số liên kết nút nguồn (Source - TxS), nút chuyển tiếp (Relay - R) và nút đích (Destination - RxD/HUB) qua bộ kết hợp MMSEnet/RTN sẽ tối ưu hóa độ lợi phân tập không gian, triệt tiêu hiện tượng khuếch đại tạp âm của AF và hạn chế lan truyền lỗi của DF.
  • RQ3: Mức độ suy thoái phẩm chất của hệ thống AE-DF sẽ ra sao dưới điều kiện thông tin trạng thái kênh không hoàn hảo (imperfect Channel State Information - CSI) và môi trường che khuất hoàn toàn đường truyền trực tiếp?
    • H3: Mạng nơ-ron MMSEnet với cấu trúc mở rộng (deep unfolding) sở hữu năng lực kháng nhiễu ước lượng kênh vượt trội so với các thuật toán kết hợp truyền thống, bảo toàn đường truyền thông tin cậy qua đa chặng chuyển tiếp ($L_R \ge 2$).

Khung lý thuyết của luận án tích hợp chặt chẽ: Lý thuyết thông tin đầu-cuối qua Autoencoder của O'Shea & Hoydis (2017), Lý thuyết dung lượng kênh MIMO của Telatar (1999) & Foschini (1998), Lý thuyết truyền thông hợp tác của Laneman et al. (2004), và Nguyên lý mở rộng mạng nơ-ron sâu (Deep Unfolding) của Hershey et al. (2014) & Samuel et al. (2019). Nghiên cứu được giới hạn trong phạm vi mô hình kênh CM3 trên băng tần $2.45\text{ GHz}$, khảo sát các cấu hình ăng-ten $N = {2, 3, 4, 8}$, bậc điều chế $M = {2, 4, 8, 16}$, với tập dữ liệu mô phỏng Monte-Carlo hàng triệu khối tín hiệu độc lập.

Literature Review và Positioning

Nghiên cứu truyền thông WBAN và xử lý tín hiệu lớp vật lý (Physical Layer - PHY) dựa trên trí tuệ nhân tạo phát triển qua ba dòng học thuật chính:

Dòng thứ nhất tập trung vào mô hình hóa kênh truyền vô tuyến trên cơ thể sống. Boulis et al. (2012) và Yazdandoost & Kohno (2009) đã chứng minh suy hao do chuyển động cơ thể gây ra hiện tượng che khuất sâu vượt quá $70\text{ dB}$. Về đặc tính pha-inh đa đường, Fort et al. (2006) thực hiện đo đạc thực nghiệm ở dải tần $2.45\text{ GHz}$ và sử dụng tiêu chuẩn thông tin Akaike (AIC) để khẳng định rằng: ở khoảng cách $d \le 25\text{ cm}$, kênh truyền tuân theo phân bố Rice ($\Delta_{\text{Rice}} \le 1.1$) do tồn tại sóng uốn cong dọc bề mặt cơ thể (creeping waves); tuy nhiên ở cự ly $d \ge 35\text{ cm}$, kênh chuyển hẳn sang phân bố Rayleigh ($\Delta_{\text{Rayleigh}} = 0.4 \div 0.6$) do tín hiệu trực tiếp bị triệt tiêu hoàn toàn, chỉ còn các thành phần tán xạ và phản xạ từ môi trường xung quanh. Nghiên cứu của Conway et al. (2010) và Chandra et al. (2008) sử dụng phương pháp mô phỏng sai phân hữu hạn miền thời gian (FDTD) xác nhận hệ số suy giảm khoảng cách tăng vọt từ $n \approx 2.4 \div 2.5$ (khi có tia truyền thẳng - LOS) lên $n \approx 4.0 \div 4.5$ (khi mất tia truyền thẳng - NLOS).

Dòng thứ hai tập trung vào kỹ thuật phân tập không gian và truyền thông hợp tác. Smith et al. (2013) chỉ ra rằng khi bệnh nhân nằm ngủ, việc bổ sung nút chuyển tiếp phân tán giúp cải thiện $12%$ xác suất mất gói tin so với truyền trực tiếp. Khan et al. (2012) thiết kế hệ thống MIMO $2 \times 2$ sử dụng ăng-ten PIFA trên cơ thể, chứng minh dung lượng kênh tăng gấp 2 lần so với hệ thống SISO. Tuy nhiên, các cấu trúc MIMO truyền thống phải đối mặt với xung đột gay gắt: bộ tách tuyến tính ZF/MMSE loại bỏ CCI kém ở vùng tỷ số tín trên tạp (Signal-to-Noise Ratio - SNR) thấp, trong khi bộ tách phi tuyến MLD lại đòi hỏi tài nguyên tính toán vượt quá khả năng của chip vi xử lý sinh học.

Dòng thứ ba là sự trỗi dậy của mạng nơ-ron tự mã hóa (Autoencoder) trong truyền thông vô tuyến. Công trình đột phá của O'Shea & Hoydis (2017) đã đặt nền móng cho việc mô hình hóa hệ thống truyền dẫn SISO như một bộ Autoencoder tối ưu hóa hàm mất mát phân loại (Categorical Cross-Entropy - CCE). Tiếp đó, Samuel et al. (2019) phát triển DetNet và He et al. (2020) đề xuất OAMP-Net2 dựa trên tư tưởng deep unfolding nhằm tối ưu hóa bộ tách sóng MIMO. Dẫu vậy, các nghiên cứu quốc tế này chủ yếu giả định kênh truyền AWGN hoặc Rayleigh đồng nhất trong mạng tổ ong, hoàn toàn chưa giải quyết đặc thù bất đối xứng, suy hao cơ thể động và hạn chế công suất phát nghiêm ngặt của mạng WBAN.

+---------------------------------------------------------------------------------------------------+
|               SO SÁNH VỊ THẾ KHOA HỌC VỚI CÁC CÔNG TRÌNH QUỐC TẾ TIÊU BIỂU                         |
+------------------------------------+----------------------------------+---------------------------+
| Tiêu chí so sánh                   | Công trình quốc tế đối sánh      | Luận án (Bùi Thị Thanh    |
|                                    | (O'Shea 2017 / Samuel 2019)      | Tâm, 2024)                |
+------------------------------------+----------------------------------+---------------------------+
| Kịch bản kênh truyền               | AWGN, Rayleigh đa kênh chuẩn     | CM3 On-body WBAN          |
|                                    | không tương quan                 | (Rayleigh/Rice, che khuất |
|                                    |                                  | động, suy hao > 70 dB)    |
| Kiến trúc hệ thống                 | SISO hoặc MIMO đơn chặng         | MIMO đơn chặng và Hợp tác |
|                                    | tập trung                        | đa chặng (AE-AF, AE-DF)   |
| Phương pháp mã hóa                 | Symbol-wise (One-hot) kinh điển  | Lưỡng phân: SWAE          |
|                                    | (hạn chế số bit)                 | (Symbol) & BWAE (Bit)     |
| Bộ kết hợp/tách tín hiệu           | DetNet thuần túy                 | RTN & Deep Unfolding      |
|                                    |                                  | MMSEnet (L=4 lớp tối ưu)  |
| Đánh giá bất định kênh (CSI error) | Giả định CSI hoàn hảo ($H$ biết) | Đánh giá suy thoái CSI    |
|                                    |                                  | thực tế ($\sigma_E^2>0$)  |
+------------------------------------+----------------------------------+---------------------------+

Vị thế khoa học của luận án được xác lập thông qua việc giải quyết triệt để hai cuộc tranh luận học thuật: (1) Khắc phục hạn chế bùng nổ kích thước vector one-hot của kiến trúc Autoencoder kinh điển khi tăng số lượng ăng-ten $N_t$ và bậc điều chế $M$ bằng giải pháp mã hóa theo bit (BWAE); (2) Kết hợp hài hòa giữa cấu trúc học máy thuần túy (data-driven) và tri thức mô hình kênh truyền (model-driven) thông qua việc triển khai mạng mở rộng MMSEnet cho các nút thu WBAN.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mang lại bốn đóng góp lý thuyết nền tảng cho lĩnh vực kỹ thuật vô tuyến:

  1. Mở rộng lý thuyết mã hóa kênh đầu-cuối sang hệ thống MIMO-WBAN tương quan không gian: Bằng cách mô hình hóa máy phát $T_x$ và máy thu $R_x$ dưới dạng các hàm ánh xạ nơ-ron phi tuyến $f_{\theta}(s)$ và $g_{\phi}(y)$, luận án chứng minh rằng mạng nơ-ron có thể tự học (self-learn) các giản đồ chòm sao tín hiệu hình học đa chiều (geometric constellation shaping). Các chòm sao tự học này sở hữu khoảng cách Euclid cực tiểu giữa các điểm tín hiệu lớn hơn so với các điều chế kinh điển (QAM, PSK), từ đó tối ưu hóa dung lượng truyền dẫn và tăng cường khả năng chịu đựng hiện tượng fading Rayleigh trên cơ thể.
  2. Hình thành khung lý thuyết BWAE (Bit-Wise Autoencoder) cho truyền thông đa ăng-ten: Luận án giải quyết rào cản tính toán của phương pháp dán nhãn symbol truyền thống (vốn đòi hỏi vector one-hot có kích thước $M^{N_t}$, bùng nổ khi $N_t, M$ lớn) bằng cách thiết lập cơ chế ánh xạ phân tách theo từng luồng bit trên từng nhánh ăng-ten với hàm mất mát Binary Cross-Entropy (BCE): $$\mathcal{L}{\text{BCE}} = -\frac{1}{K} \sum{k=1}^{K} \left[ s_k \log(\hat{s}_k) + (1 - s_k)\log(1 - \hat{s}_k) \right]$$
  3. Phát triển lý thuyết kết hợp tín hiệu hợp tác dựa trên Deep Unfolding: Luận án tích hợp ma trận trọng số MMSE kinh điển vào các tầng ẩn của mạng nơ-ron sâu (MMSEnet), biến các bước lặp giải tích thành các lớp nơ-ron có tham số học được ($\alpha^{(l)}, \beta^{(l)}$). Khung lý thuyết này chứng minh rằng việc nhúng cấu trúc toán học của kênh truyền vào mạng nơ-ron giúp đẩy nhanh tốc độ hội tụ và triệt tiêu hoàn toàn hiện tượng bão hòa lỗi (error floor) tại vùng SNR cao.
  4. Xác lập mô hình toán học cho hệ thống MIMO hợp tác tự mã hóa AE-AF và AE-DF: Thiết lập phương trình biểu diễn tín hiệu hai khe thời gian có ràng buộc công suất phát tại nút nguồn và nút chuyển tiếp:
  • Khe thời gian 1: $$y_{sr} = H_{sr} x_s + z_{r,1}; \quad y_{sd,1} = H_{sd} x_s + z_{d,1}$$
  • Khe thời gian 2: $$y_{d,2} = H_{rd} f_R(y_{sr}) + z_{d,2}$$ Hàm biến đổi $f_R(\cdot)$ được tối ưu hóa đồng thời với bộ tiền mã hóa tại nguồn và bộ giải mã tại nút đích HUB, tạo nên sự cân bằng tối ưu giữa phân tập không gian và loại bỏ tạp âm.

Khung phân tích độc đáo

Khung phân tích của luận án kết hợp bốn trụ cột lý thuyết: Lý thuyết Thông tin Shannon, Lý thuyết Tối ưu hóa Tham số Đầu-cuối, Lý thuyết Ghép kênh Không gian MIMO, và Lý thuyết Mở rộng Thuật toán (Deep Unfolding).

+---------------------------------------------------------------------------------------------------+
|                              KHUNG PHÂN TÍCH VÀ CƠ CHẾ TỐI ƯU HÓA                                 |
+---------------------------------------------------------------------------------------------------+
| [Chuỗi Bit Nguồn s] ---> [Tiền mã hóa nơ-ron f_θ(s)] ---> [Chuẩn hóa Công suất E{||x||^2} <= PT]  |
|                                                                    |                              |
|                                                                    v                              |
| [Nhiễu AWGN z] <-------- [Kênh Fading Rayleigh/Rice H] <--- [Tín hiệu phát x]                     |
|                                  |                                                                |
|                                  v                                                                |
|                          [Tín hiệu thu y]                                                         |
|                                  |                                                                |
|         +------------------------+------------------------+                                       |
|         v                                                 v                                       |
| [Khối RTN Detector]                             [Khối MMSEnet Detector (L=4)]                     |
| (Symbol-wise SWAE)                              (Bit-wise BWAE / AE-DF)                           |
|         |                                                 |                                       |
|         +------------------------+------------------------+                                       |
|                                  |                                                                |
|                                  v                                                                |
|                   [Hàm mất mát CCE / BCE]                                                         |
|                                  |                                                                |
|                                  v                                                                |
|    [Lan truyền ngược Backpropagation qua Kênh truyền vi phân] ---> [Cập nhật Trọng số {θ, ϕ}]     |
+---------------------------------------------------------------------------------------------------+

Điều kiện biên (boundary conditions) của khung phân tích được xác định rõ ràng: kênh truyền fading phẳng (flat fading) biến đổi chậm (quasi-static block fading); các nút mạng WBAN hoạt động trong phạm vi cự ly ngắn ($d \le 5\text{ m}$); tổng công suất phát trên toàn bộ $N_t$ ăng-ten được chuẩn hóa nghiêm ngặt $P_T = 1$; và thông tin trạng thái kênh $H$ được ước lượng tại máy thu với sai số bất định được mô hình hóa theo phân bố Gauss $\mathcal{CN}(0, \sigma_E^2)$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ triết lý thực chứng toán học (positivism paradigm) kết hợp phương pháp mô phỏng tính toán khoa học chuyên sâu (computational empirical simulation). Thiết kế nghiên cứu đa tầng (multi-level design) được cấu trúc hóa chặt chẽ:

  • Tầng vật lý cục bộ (Local PHY Level): Khảo sát liên kết một chặng giữa cảm biến gắn trên cơ thể (On-body sensor) và thiết bị điều phối trung tâm HUB.
  • Tầng mạng hợp tác (Cooperative Network Level): Khảo sát liên kết hai chặng có sự trợ giúp của các nút chuyển tiếp đóng vai trò như các trạm lặp thông minh.
  • Tầng tham số học sâu (Deep Learning Parameter Level): Khảo sát cấu trúc mạng fully-connected (FNN), mạng biến đổi vô tuyến RTN, và mạng mở rộng thuật toán MMSEnet với số lớp biến thiên $L \in {0, 1, 2, 3, 4}$.

Quy trình nghiên cứu rigorous

Quy trình thực nghiệm được chuẩn hóa qua bốn bước nghiêm ngặt:

  1. Tạo lập tập dữ liệu (Dataset Synthesis): Tạo các chuỗi bit nhị phân ngẫu nhiên độc lập phân bố đều (i.i.d). Ma trận kênh truyền $H \in \mathbb{C}^{N_r \times N_t}$ được lấy mẫu ngẫu nhiên từ phân bố phức chuẩn $\mathcal{CN}(0, 1)$ cho fading Rayleigh và phân bố Rice với hệ số $K$ biến thiên theo cự ly đo đạc thực tế của Fort et al. (2006).
  2. Kỹ thuật vi phân kênh truyền (Channel Differentiation Protocol): Nhúng kênh truyền vô tuyến thành một lớp tĩnh (non-trainable custom layer) trong kiến trúc mạng nơ-ron sâu, cho phép đạo hàm của hàm mất mát truyền ngược (backpropagation) xuyên suốt từ máy thu về máy phát.
  3. Huấn luyện mô hình (Model Training):
    • Thuật toán tối ưu: Adam (Adaptive Moment Estimation) với tốc độ học $\eta = 10^{-3}$, suy giảm theo hàm mũ.
    • Kích thước batch (Batch size): 1024 vector tín hiệu/vòng lặp.
    • Số vòng huấn luyện (Epochs): 100 ÷ 500 epochs đảm bảo hội tụ hoàn toàn của hàm mất mát BCE/CCE.
    • Chiến lược huấn luyện hai pha (Two-phase training) cho hệ thống hợp tác: Huấn luyện độc lập liên kết nguồn - chuyển tiếp ($S \to R$) trước khi tối ưu hóa liên kết tổng thể ($S \to R \to D$).
  4. Kiểm định độ tin cậy và giá trị hợp thức (Validation & Triangulation): Phẩm chất của hệ thống được kiểm chứng chéo thông qua mô phỏng Monte-Carlo với tối thiểu $10^6$ khối dữ liệu độc lập, so sánh trực tiếp với nghiệm giải tích của các bộ tách chuẩn ZF, MMSE và bộ tách tối ưu MLD.
+---------------------------------------------------------------------------------------------------+
|                        THÔNG SỐ HUẤN LUYỆN VÀ THIẾT KẾ MẠNG NƠ-RON                                 |
+------------------------------------+--------------------------------------------------------------+
| Tham số hệ thống                   | Giá trị thiết lập chi tiết                                   |
+------------------------------------+--------------------------------------------------------------+
| Cấu hình ăng-ten ($N_t \times N_r$)| $2 \times 2, 3 \times 3, 4 \times 4, 8 \times 8$             |
| Dải tần số trung tâm               | $2.45\text{ GHz}$ (ISM Band - Chuẩn IEEE 802.15.6)           |
| Bậc điều chế tương đương           | $M = 2\text{ (BPSK)}, 4\text{ (QPSK)}, 8\text{ (8-QAM)}, 16$ |
| Cấu trúc mạng máy phát             | FNN: [Input $\to$ Dense(64, ReLU) $\to$ Dense($2N_t$, Linear)|
| Cấu trúc bộ tách MMSEnet           | $L = 4$ layers unfolded; Hàm kích hoạt ReLU / Tanh           |
| Hàm mất mát (Loss function)        | CCE (cho SWAE) và BCE (cho BWAE, AE-AF, AE-DF)              |
| Bộ tối ưu hóa (Optimizer)          | Adam ($\beta_1 = 0.9, \beta_2 = 0.999, \epsilon = 10^{-8}$)  |
| Môi trường phát triển              | Python 3.8, TensorFlow/PyTorch, MATLAB R2022b                |
+------------------------------------+--------------------------------------------------------------+

Data và phân tích

Quá trình phân tích dữ liệu tập trung vào các chỉ số: Tỷ số lỗi bit (BER) theo tỷ số tín trên tạp $E_b/N_0$ hoặc SNR (quét từ $0\text{ dB}$ đến $30\text{ dB}$); Tỷ số lỗi symbol (SER); Hàm mật độ phổ công suất; và Ma trận tương quan lỗi dưới tác động của bất định kênh ($\sigma_E^2 \in {0.005, 0.01}$). Các kiểm tra tính vững (robustness checks) được thực hiện bằng cách thay đổi số lượng nút chuyển tiếp $L_R \in {1, 2, 3}$ trong kịch bản mất hoàn toàn liên kết trực tiếp $S \to D$.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Sự vượt trội của kiến trúc SWAE-MIMO-RTN và BWAE-MIMO-RTN: Kết quả mô phỏng cho thấy hệ thống SWAE-MIMO sử dụng bộ tách RTN mang lại độ lợi SNR vượt bậc từ $3\text{ dB} \div 5\text{ dB}$ so với bộ tách tuyến tính MMSE truyền thống ở mức $\text{BER} = 10^{-3}$ trên cấu hình $N = 4$. Bộ tách RTN tự học cách bù trừ pha và triệt tiêu giao thoa đồng kênh nhờ cơ chế tự biến đổi không gian tín hiệu.
  2. Khắc phục hiện tượng bão hòa lỗi nhờ Deep Unfolding MMSEnet: Trong hệ thống BWAE-MIMO-MMSEnet, khi tăng số lớp mở rộng từ $L = 0$ lên $L = 4$, đường cong BER dốc xuống liên tục và tiệm cận sát đường cong lý thuyết của bộ tách tối ưu MLD. Tại cấu hình $N = 4, M = 2$, MMSEnet ($L = 4$) đạt mức cải thiện BER hơn 1 bậc độ lớn (order of magnitude) so với bộ tách MMSE kinh điển tại $\text{SNR} = 20\text{ dB}$.
  3. Tính vững chắc vượt trội của AE-DF dưới điều kiện CSI không hoàn hảo: Khi kênh truyền bị suy thoái bởi sai số ước lượng kênh $\sigma_E^2 = 0.005$ và $\sigma_E^2 = 0.01$, phẩm chất của hệ thống DF-MMSE truyền thống bị phá hủy nghiêm trọng (xuất hiện error floor tại $\text{BER} \approx 10^{-2}$). Ngược lại, hệ thống đề xuất AE-DF-MMSEnet ($L = 4$) vẫn duy trì độ nghiêng phân tập ổn định, chỉ bị suy giảm nhẹ khoảng $1.5\text{ dB}$ tại $\text{BER} = 10^{-3}$, chứng minh khả năng học thích nghi với nhiễu tham số của mạng nơ-ron sâu.
  4. Hiệu năng đột phá trong kịch bản che khuất hoàn toàn (NLOS Multi-relay): Đối với kịch bản đường truyền trực tiếp bị cơ thể che khuất hoàn toàn ($S \to D$ suy hao $> 70\text{ dB}$), hệ thống AE-DF-RTN và AE-AF-RTN với đa nút chuyển tiếp ($L_R = 2, 3$) đã khôi phục toàn bộ phẩm chất truyền dẫn, đạt hệ số tăng ích phân tập bậc $L_R \times N$, đảm bảo luồng dữ liệu y tế sinh tồn không bị gián đoạn.
+---------------------------------------------------------------------------------------------------+
|               BẢNG TỔNG HỢP CÁC PHÁT HIỆN THỰC NGHIỆM VÀ HIỆU NĂNG ĐỘT PHÁ                        |
+--------------------------+---------------------+-----------------------+--------------------------+
| Cấu hình hệ thống        | Phẩm chất đối sánh  | Phẩm chất đề xuất     | Mức độ cải thiện/Ý nghĩa |
+--------------------------+---------------------+-----------------------+--------------------------+
| SWAE-MIMO-RTN            | MMSE truyền thống   | SWAE-RTN              | Tăng ích SNR 3 ÷ 5 dB    |
| ($N = 4$)                | ($\text{BER}=10^{-2}$ tại 15dB) | ($\text{BER}=10^{-4}$ tại 15dB) | tại $\text{BER}=10^{-3}$ |
| BWAE-MIMO-MMSEnet        | MMSE ($L=0$)        | MMSEnet ($L=4$)       | Triệt tiêu error floor;  |
| ($N = 4, M = 2$)         | (Error floor ở SNR cao)| Dốc tuyến tính     | tiệm cận tối ưu MLD      |
| AE-DF-MMSEnet            | DF-MMSE             | AE-DF-MMSEnet ($L=4$) | Duy trì phân tập tốt;    |
| ($\sigma_E^2 = 0.01$)    | ($\text{BER}$ bão hòa $10^{-2}$)| ($\text{BER} \le 10^{-4}$) | kháng nhiễu kênh vượt bậc|
| AE-AF / AE-DF Đa chặng   | Đứt liên kết        | Phân tập tối ưu       | Khôi phục truyền dẫn     |
| ($NLOS, L_R = 3, N = 2$) | (Mất tín hiệu >70dB)| ($\text{BER} \approx 10^{-4}$ tại 12dB)| khi bị che khuất sâu     |
+--------------------------+---------------------+-----------------------+--------------------------+

Implications đa chiều

  • Về mặt lý thuyết (Theoretical Advances): Chứng minh tính khả thi của việc thay thế các khối xử lý rời rạc trong lý thuyết truyền thông cổ điển bằng một hàm tối ưu hóa toàn cục, mở rộng ranh giới của lý thuyết Autoencoder sang các kênh sinh học phức tạp.
  • Về phương pháp luận (Methodological Innovations): Cung cấp khung thiết kế lai (hybrid model-driven & data-driven) thông qua mạng Deep Unfolding MMSEnet, giải quyết triệt để bài toán "hộp đen" (black-box) của học sâu trong viễn thông.
  • Về ứng dụng thực tiễn y tế và quân sự (Practical & Policy Applications): Cho phép kéo dài thời lượng pin của các vi cảm biến WBAN lên $30% \div 40%$ nhờ tối ưu hóa công suất phát mà vẫn đảm bảo độ tin cậy truyền tin $\ge 99.99%$; cung cấp cơ sở kỹ thuật để hoàn thiện các tiêu chuẩn bảo vệ bức xạ SAR trong y tế điện tử và giám sát tác chiến người lính.

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Giả định kênh truyền Quasi-static Flat Fading: Mô hình mô phỏng giả định kênh truyền không đổi trong suốt một khối truyền dẫn (block), chưa phản ánh đầy đủ hiện tượng tán xạ dịch tần Doppler nhanh khi cơ thể thực hiện các động tác thể thao cường độ cao.
  2. Độ phức tạp phần cứng triển khai thực tế: Mặc dù độ phức tạp thực thi (inference) thấp hơn MLD, việc nạp các trọng số ma trận của mạng nơ-ron lên các vi điều khiển nhúng công suất cực thấp (Ultra-low-power MCU) vẫn đòi hỏi các kỹ thuật lượng tử hóa trọng số (weight quantization) chuyên biệt.
  3. Mô hình năng lượng phần cứng chưa tích hợp: Nghiên cứu tập trung vào hiệu quả công suất phát sóng vô tuyến $P_T$, chưa tính toán chi tiết mức tiêu hao năng lượng tính toán tĩnh (static computational circuit power) của chip xử lý AI.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Phát triển mạng nơ-ron xung (Spiking Neural Networks - SNN) nhằm giảm mức tiêu thụ năng lượng xử lý nơ-ron xuống mức nano-Joule/bit.
  • Ứng dụng kỹ thuật học tăng cường sâu (Deep Reinforcement Learning - DRL) để tự động điều chỉnh số lớp mở rộng $L$ và phương thức hợp tác (chuyển đổi linh hoạt giữa AF và DF) theo thời gian thực dựa trên trạng thái pin và biến đổi kênh.
  • Mở rộng khảo sát trên các dải tần số thế hệ mới: Băng tần Terahertz (THz) và dải sóng milimet (mmWave 60 GHz) cho các ứng dụng WBAN truyền hình ảnh nội soi viên nang siêu nét 4K/8K.
  • Tích hợp bề mặt phản xạ thông minh (Reconfigurable Intelligent Surfaces - RIS) gắn trên trang phục nhằm chủ động tái cấu trúc môi trường truyền sóng xung quanh cơ thể.

Tác động và ảnh hưởng

Luận án tạo ra những tác động học thuật và công nghệ rõ nét:

  • Tác động học thuật: Định hình hướng nghiên cứu tiên phong về việc kết hợp giữa Deep Unfolding và truyền thông WBAN, dự kiến thu hút trích dẫn cao trong các tạp chí chuyên ngành hàng đầu của IEEE (IEEE Trans. on Wireless Communications, IEEE JBHI, IEEE Trans. on Molecular, Biological and Multi-Scale Communications).
  • Chuyển đổi công nghiệp y tế (MedTech & Wearables): Cung cấp giải pháp nền tảng cho các tập đoàn sản xuất thiết bị y tế phát triển thế hệ cảm biến sinh học thông minh thế hệ mới, hỗ trợ theo dõi liên tục bệnh nhân tiểu đường, tim mạch và hỗ trợ phục hồi chức năng từ xa.
  • Hiện đại hóa quốc phòng: Ứng dụng trực tiếp vào hệ thống thông tin tích hợp trên quân phục người lính (Future Soldier System), cho phép truyền tải dữ liệu sinh tồn, điện tâm đồ (ECG), điện não đồ (EEG) và tọa độ chiến thuật về sở chỉ huy với độ trễ thấp và độ bảo mật vật lý cao trong môi trường tác chiến phức tạp.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận khung phương pháp luận kết hợp giữa lý thuyết viễn thông và học máy sâu, mở ra các hướng đề tài mới về AI-native Physical Layer.
  • Kỹ sư R&D Viễn thông và IoT Sinh học: Ứng dụng trực tiếp các kiến trúc mạng SWAE, BWAE và MMSEnet vào thiết kế modem vô tuyến băng hẹp tiết kiệm năng lượng.
  • Các nhà hoạch định chính sách và Quản lý Y tế: Có cơ sở khoa học vững chắc để đánh giá và ban hành các tiêu chuẩn kỹ thuật về an toàn bức xạ điện từ và độ tin cậy dữ liệu trong y tế số (Digital Health).

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc mở rộng Lý thuyết Bộ mã hóa Tự động Đầu-cuối (End-to-End Autoencoder) của O'Shea & Hoydis (2017) cho hệ thống MIMO hợp tác đa chặng trên kênh sinh học WBAN. Bằng cách thiết lập kiến trúc BWAE dán nhãn theo bit kết hợp hàm mất mát Binary Cross-Entropy, luận án đã phá vỡ giới hạn bùng nổ không gian trạng thái của phương pháp dán nhãn symbol kinh điển, cho phép tối ưu hóa đồng thời bộ tiền mã hóa phát, bộ chuyển tiếp thông minh và bộ kết hợp giải mã đa ăng-ten.

2. Điểm cải tiến phương pháp luận so với các nghiên cứu trước đây là gì? So với nghiên cứu của Samuel et al. (2019) (DetNet - mạng học sâu hộp đen) và phương pháp MMSE truyền thống, luận án áp dụng kỹ thuật Deep Unfolding để thiết kế mạng MMSEnet $L=4$ lớp. Phương pháp này nhúng trực tiếp cấu trúc ma trận kênh $H$ và ma trận hiệp phương sai tạp âm vào từng lớp nơ-ron, giúp mô hình đạt tốc độ hội tụ nhanh hơn gấp nhiều lần, giải thích được cơ chế toán học và triệt tiêu hoàn toàn hiện tượng bão hòa lỗi ở vùng SNR cao.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất trong nghiên cứu? Phát hiện bất ngờ nhất là khả năng tự phục hồi phẩm chất của hệ thống AE-DF-MMSEnet khi chịu sai số ước lượng kênh nghiêm trọng ($\sigma_E^2 = 0.01$). Trong khi hệ thống kinh điển DF-MMSE bị tê liệt và mất hoàn toàn khả năng truyền tin (bão hòa ở $\text{BER} \approx 10^{-2}$), mạng nơ-ron MMSEnet đã tự động học cách bù trừ ma trận nhiễu bất định, duy trì đường cong BER dốc tuyến tính và đạt $\text{BER} \le 10^{-4}$ tại $\text{SNR} = 25\text{ dB}$.

4. Nghiên cứu có cung cấp giao thức tái lập thực nghiệm (Replication Protocol) không? Có. Toàn bộ tham số kiến trúc mạng (kích thước các lớp Dense, hàm kích hoạt ReLU/Tanh/Linear), tham số huấn luyện (Adam optimizer, batch size 1024, learning rate $10^{-3}$), và mô hình toán học của kênh fading Rayleigh/Rice theo chuẩn IEEE 802.15.6 đều được mô tả chi tiết, cho phép tái lập chính xác trên các nền tảng PyTorch, TensorFlow và MATLAB.

5. Lộ trình nghiên cứu 10 năm tiếp theo được định hình như thế nào? Lộ trình hướng tới: (1) Tích hợp phần cứng mạng nơ-ron xung (Neuromorphic Spiking Hardware) nhằm đạt hiệu năng cận zero-power; (2) Mở rộng lên truyền thông dải tần Terahertz phục vụ mạng nano-WBAN sinh học; (3) Triển khai các bề mặt phản xạ thông minh (RIS) tích hợp trên sợi vải thông minh để tối ưu hóa môi trường truyền sóng on-body.

Kết luận

Luận án "Nghiên cứu ứng dụng bộ mã hóa tự động (AE) nâng cao hiệu năng truyền thông của mạng không dây trên cơ thể sống (WBAN)" của tác giả Bùi Thị Thanh Tâm đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp cốt lõi:

  1. Xây dựng thành công hệ thống SWAE-MIMO-RTN và BWAE-MIMO-RTN, chứng minh khả năng tự học chòm sao tín hiệu tối ưu, mang lại độ lợi SNR từ $3 \div 5\text{ dB}$ so với các hệ thống MIMO tuyến tính cổ điển.
  2. Thiết kế kiến trúc máy thu mở rộng sâu MMSEnet ($L = 4$ lớp) cho hệ thống BWAE-MIMO, tiệm cận phẩm chất của bộ tách tối ưu MLD trong khi duy trì độ phức tạp tính toán ở mức tuyến tính.
  3. Đề xuất toàn diện hai hệ thống MIMO hợp tác hai chặng AE-AF và AE-DF, giải quyết triệt để bài toán suy hao do che khuất sâu ($> 70\text{ dB}$) thông qua tối ưu hóa đồng bộ đa nút mạng.
  4. Chứng minh tính vững chắc vượt trội của kiến trúc AE-DF-MMSEnet trước các bất định của thông tin trạng thái kênh không hoàn hảo ($\sigma_E^2 > 0$).
  5. Mở ra ba dòng nghiên cứu mới: Tích hợp Deep Unfolding vào mạng cảm biến sinh học; Tối ưu hóa truyền thông hợp tác thông minh bằng AI; và Hiện thực hóa lớp vật lý tự học (AI-native PHY) cho các mạng vô tuyến thế hệ sau (6G/IoT).

Công trình đánh dấu bước tiến quan trọng trong việc đưa các kỹ thuật học sâu tiên tiến từ lý thuyết vào giải quyết các bài toán kỹ thuật truyền thông phức tạp, tạo tiền đề vững chắc cho sự phát triển của các hệ thống chăm sóc sức khỏe thông minh và trang bị tác chiến công nghệ cao trong kỷ nguyên số.