Tổng quan về luận án

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)" đề cập đến một lĩnh vực nghiên cứu tiên phong trong Kỹ thuật điện tử, tập trung vào việc tối ưu hóa truyền thông cho các mạng cảm biến y tế và quân sự quan trọng. Bối cảnh khoa học của nghiên cứu này nằm trong sự phát triển nhanh chóng của Internet kết nối vạn vật (IoT) và học sâu (Deep Learning - DL), đặc biệt là tiềm năng của chúng trong việc giải quyết các thách thức cố hữu của WBAN. Mạng WBAN, kết nối các thiết bị/cảm biến trên, trong hoặc xung quanh cơ thể con người, đóng vai trò quan trọng trong việc thu thập dữ liệu sức khỏe và hoạt động theo thời gian thực, với các ứng dụng rộng rãi từ chăm sóc sức khỏe từ xa đến giám sát binh sĩ trên chiến trường [81], [82], [115]. Tuy nhiên, WBAN phải đối mặt với những thách thức nghiêm trọng như suy hao đường truyền lớn, hiện tượng che khuất (Shadowing) do cử động cơ thể, môi trường truyền tin đa đường phức tạp, và hạn chế về năng lượng tiêu hao, tất cả đều "làm giảm phẩm chất của hệ thống [14], [115]".

Research gap cụ thể mà luận án này giải quyết là sự thiếu vắng các giải pháp truyền thông tích hợp, tối ưu hóa toàn diện từ máy phát đến máy thu cho WBAN thông qua kỹ thuật học sâu tiên tiến. Trong khi các nghiên cứu trước đây đã ứng dụng học sâu để cải thiện các khối chức năng riêng lẻ (như ước lượng kênh [85] hoặc tách tín hiệu [102]) hoặc áp dụng bộ mã hóa tự động (AE) chung cho các hệ thống truyền thông, thì vẫn còn một khoảng trống đáng kể trong việc "huấn luyện tối ưu đồng bộ toàn bộ tham số học" của các hệ thống MIMO và MIMO hợp tác cho các liên kết WBAN, đặc biệt là khi tính đến các đặc trưng kênh phức tạp như pha-đinh Rayleigh và ảnh hưởng của CSI không hoàn hảo. Luận án này vượt ra ngoài các phương pháp truyền thống chỉ cải thiện từng thành phần riêng lẻ, hướng tới một cách tiếp cận tối ưu hóa đầu cuối.

Các câu hỏi nghiên cứu chính của luận án được định hình như sau:

  1. RQ1: Làm thế nào để thiết kế và huấn luyện các hệ thống MIMO sử dụng bộ mã hóa tự động (SWAE-MIMO, BWAE-MIMO) tích hợp với các bộ tách tín hiệu tiên tiến (RTN, MMSE, MMSEnet) để nâng cao phẩm chất truyền thông một chặng trong WBAN?
  2. RQ2: Các hệ thống MIMO hợp tác dựa trên bộ mã hóa tự động (AE-AF, AE-DF) với các bộ kết hợp tín hiệu mới (RTN, MMSE, MMSEnet) có thể cải thiện độ tin cậy truyền thông hai chặng trong WBAN như thế nào, đặc biệt trong các kịch bản có và không có đường truyền trực tiếp?
  3. RQ3: Ảnh hưởng của thông tin trạng thái kênh (CSI) không hoàn hảo đến hiệu năng của các hệ thống MIMO hợp tác ứng dụng bộ mã hóa tự động trong WBAN là gì, và làm thế nào để giảm thiểu tác động tiêu cực này?

Các giả thuyết chính (Hypotheses) bao gồm:

  1. H1: Việc huấn luyện đồng bộ các tham số của hệ thống MIMO từ nút cảm biến đến HUB bằng kỹ thuật AE sẽ cải thiện đáng kể tỷ số lỗi bit (BER) so với các hệ thống truyền thống với các bộ tách tín hiệu được thiết kế riêng lẻ.
  2. H2: Các hệ thống MIMO hợp tác AE-AF và AE-DF sẽ mang lại tăng ích phân tập không gian vượt trội và phẩm chất truyền thông tốt hơn so với các phương pháp MIMO hợp tác truyền thống trong WBAN.
  3. H3: Các thiết kế hệ thống AE có khả năng thích ứng và duy trì phẩm chất truyền thông cao ngay cả khi đối mặt với CSI không hoàn hảo và trong các tình huống "không có đường truyền trực tiếp do ảnh hưởng bởi hiện tượng che khuất của kênh WBAN".

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa giữa Lý thuyết thông tin, Kỹ thuật truyền thông vô tuyến (MIMO, MIMO hợp tác) và Học sâu (Deep Learning), đặc biệt là kiến trúc Autoencoder. Nó tích hợp các lý thuyết về mã hóa kênh, điều chế, tách sóng, lý thuyết phân tập không gian, và lý thuyết học máy để tạo ra một giải pháp tối ưu hóa toàn diện.

Đóng góp đột phá của luận án nằm ở việc đề xuất và kiểm chứng "giải pháp ứng dụng kỹ thuật học sâu, kỹ thuật AE tiên tiến vào truyền thông trong WBAN nhằm nâng cao hiệu năng truyền thông của mạng". Cụ thể, luận án giới thiệu các hệ thống SWAE-MIMO và BWAE-MIMO với các bộ tách RTN, MMSE, MMSEnet cho truyền thông một chặng, và các hệ thống AE-AF, AE-DF với các bộ kết hợp RTN, MMSE, MMSEnet cho truyền thông hai chặng. Tác động của nghiên cứu có thể được định lượng thông qua việc cải thiện "tỷ số lỗi bit (BER)" đáng kể, cho thấy khả năng "tăng cường độ tin cậy" của các liên kết WBAN. Ví dụ, các nghiên cứu trước đây về truyền thông hợp tác trong WBAN đã cho thấy khả năng "cải thiện 12% xác suất mất gói tin so với truyền trực tiếp [109]"; luận án này dự kiến sẽ vượt trội hơn nữa thông qua tối ưu hóa AE.

Phạm vi nghiên cứu tập trung vào lớp vật lý trong WBAN, cụ thể là các liên kết truyền thông một chặng và hai chặng tuân thủ chuẩn IEEE 802.6, sử dụng hệ thống MIMO và MIMO hợp tác ghép kênh không gian. Các mô hình kênh pha-đinh phẳng, đặc biệt là kênh Rayleigh, được sử dụng để mô phỏng môi trường truyền dẫn đầy thách thức của WBAN. Quy mô mẫu (sample size) trong các mô phỏng Monte-Carlo là đủ lớn để đảm bảo độ tin cậy thống kê của kết quả, bao gồm hàng triệu lần truyền cho mỗi điểm SNR. Luận án có ý nghĩa quan trọng trong việc thúc đẩy quá trình "ứng dụng kỹ thuật học sâu vào các hệ thống truyền thông" và "mở ra một số hướng nghiên cứu tiếp theo cho giải pháp truyền thông trong WBAN ứng dụng kỹ thuật học sâu".

Literature Review và Positioning

Luận án này được đặt trong bối cảnh rộng lớn của truyền thông không dây, đặc biệt là sự phát triển của mạng không dây trên cơ thể sống (WBAN), kỹ thuật đa đầu vào đa đầu ra (MIMO) và học sâu (Deep Learning - DL). Các nghiên cứu trước đây đã chỉ ra rằng WBAN là một lĩnh vực đầy hứa hẹn với nhiều ứng dụng trong y tế và quân sự, nhưng cũng đối mặt với nhiều thách thức về hiệu năng truyền thông [14], [115]. Các giải pháp truyền thống như tối ưu hóa định tuyến [126], lựa chọn giao thức truyền tin [48], mã sửa lỗi [35], [95] đã được đề xuất để cải thiện phẩm chất mạng. Đặc biệt, hệ thống MIMO và MIMO hợp tác đã được chứng minh là có khả năng "cải thiện dung lượng và độ tin cậy cho liên kết truyền thông trong WBAN do các luồng thông tin được truyền song song trên cùng băng tần và nhận được độ lợi phân tập [51], [108], [117]". Chẳng hạn, Khan và cộng sự [59] đã chứng minh hệ thống MIMO 2x2 ở 2.45 GHz có thể đạt "tăng ích bằng 2 lần so với hệ thống SISO" về dung lượng, và Arrobo và cộng sự [10] đã đề xuất hệ thống MIMO hợp tác để tăng cường dung lượng và độ tin cậy.

Tuy nhiên, các hệ thống MIMO truyền thống vẫn phải đối mặt với độ phức tạp tính toán cao ở máy thu, đặc biệt là với bộ tách sóng hợp lý cực đại (MLD) [49], hoặc phẩm chất chưa tối ưu của các bộ tách tuyến tính như ZF, MMSE. Luận án này nhận thấy rằng các kỹ thuật học sâu có thể giải quyết những hạn chế này. Trong lĩnh vực học sâu ứng dụng vào truyền thông vô tuyến, đã có hai hướng nghiên cứu chính: "Một là ứng dụng để thay thế một khối chức năng, như ước lượng kênh [85], mã hóa và giải mã sửa lỗi [83], đa truy nhập [70], nhận dạng điều chế [89], [105] hay tách tín hiệu [52], [102],.; hai là ứng dụng cho toàn hệ thống từ máy phát đến máy thu, tạo thành một bộ mã hóa tự động (AE: Autoencoder) cho phép huấn luyện tối ưu đồng bộ toàn bộ tham số học giúp nâng cao phẩm chất của hệ thống [45], [91]".

Có những mâu thuẫn và tranh luận đáng chú ý trong tài liệu hiện có. Ví dụ, trong khi một số nghiên cứu (như [52], [102]) tập trung vào việc phát triển các bộ tách tín hiệu ứng dụng học sâu để thay thế các khối chức năng riêng lẻ, thì hướng tiếp cận AE end-to-end (như [45], [91]) đề xuất một phương pháp toàn diện hơn, có khả năng đạt được hiệu năng tốt hơn thông qua tối ưu hóa đồng bộ. Các phương pháp dựa trên học sâu cho WBAN cũng đa dạng, từ việc sử dụng mạng LSTM để ước lượng ma trận kênh MIMO [58] đến các giải pháp bảo mật tầng vật lý dựa trên học sâu [9]. Tuy nhiên, vẫn chưa có nghiên cứu nào tích hợp một cách toàn diện bộ mã hóa tự động để tối ưu hóa đồng bộ các hệ thống MIMO và MIMO hợp tác cụ thể cho các đặc trưng kênh và hạn chế của WBAN ở lớp vật lý.

Luận án này định vị mình bằng cách trực tiếp giải quyết khoảng trống nghiên cứu này. Nó không chỉ ứng dụng học sâu vào một khối chức năng riêng lẻ mà còn phát triển các "hệ thống truyền tin được xây dựng ứng dụng kỹ thuật AE được huấn luyện, tối ưu đồng bộ các tham số từ nút cảm biến, nút chuyển tiếp và HUB bằng một pha hoặc hai pha tuần tự trên kênh pha-đinh phẳng". Điều này tiến xa hơn các công trình như [39], [71], [91], [119] đã khám phá ứng dụng học sâu trong truyền thông nhưng chưa tập trung sâu vào tối ưu hóa end-to-end cho cấu trúc MIMO và MIMO hợp tác trong WBAN.

So sánh với ít nhất hai nghiên cứu quốc tế, luận án này cho thấy sự tiến bộ đáng kể. Nghiên cứu của O’Shea và Hoydis [91] đã chứng minh hiệu quả của AE trong các hệ thống truyền thông trên kênh AWGN, nhưng luận án này mở rộng ra các kênh pha-đinh phức tạp hơn của WBAN và cấu trúc MIMO/MIMO hợp tác. Tương tự, nghiên cứu của Khan và cộng sự [59] đã khảo sát MIMO 2x2 cho WBAN và ảnh hưởng của kênh Rice, nhưng chưa tích hợp tối ưu hóa toàn hệ thống bằng AE với các bộ tách và kết hợp tiên tiến như RTN, MMSEnet. Luận án cũng vượt trội so với các nghiên cứu như [108] đã xem xét MIMO hợp tác DF với các bộ kết hợp SC/MRC bằng cách đưa vào khả năng tự học và tối ưu hóa biểu đồ chòm sao tín hiệu thông qua AE, từ đó cải thiện đáng kể BER.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lý thuyết truyền thông vô tuyến bằng cách mở rộng và thách thức các giả định truyền thống về thiết kế hệ thống. Cụ thể, nó mở rộng lý thuyết về tối ưu hóa hệ thống truyền thông bằng cách áp dụng phương pháp học sâu, đặc biệt là Autoencoder (AE), vào các hệ thống MIMO và MIMO hợp tác trong môi trường WBAN. Các lý thuyết truyền thống về mã hóa kênh, điều chế, và tách sóng thường thiết kế từng khối chức năng một cách độc lập, sau đó tối ưu hóa chúng riêng lẻ. Tuy nhiên, luận án này, theo hướng của O'Shea và Hoydis [91], đề xuất một mô hình "huấn luyện tối ưu đồng bộ toàn bộ tham số học" từ máy phát đến máy thu. Điều này thách thức quan điểm phân lớp cứng nhắc của mô hình OSI truyền thống ở lớp vật lý và giới thiệu một "kỹ thuật học sâu ứng dụng trong các hệ thống truyền thông đem lại những tiềm năng lớn về khả năng ứng dụng công nghệ xử lý tiên tiến trong đơn giản hóa cấu trúc máy thu/phát, tối ưu hóa phân bổ tài nguyên, cải thiện hiệu suất mạng, nâng cao độ tin cậy và giảm độ trễ truyền tin [120], [91]".

Luận án cụ thể mở rộng các lý thuyết về phân tập không gian (spatial diversity) trong MIMO và MIMO hợp tác của các nhà lý thuyết như Telatar [104] và Laneman [62] bằng cách cho thấy AE có thể tối ưu hóa cách thức các luồng tín hiệu được điều chế, mã hóa và kết hợp để đạt được tăng ích phân tập tối đa một cách thích nghi với kênh. Các hệ thống SWAE-MIMO và BWAE-MIMO cho thấy khả năng tự động học và định hình chòm sao tín hiệu (constellation shaping) tối ưu cho các kênh pha-đinh của WBAN, một khía cạnh không được giải quyết triệt để bởi các kỹ thuật điều chế cố định truyền thống (như M-PSK, M-QAM). Tương tự, các hệ thống AE-AF và AE-DF không chỉ kế thừa lợi ích của phương pháp khuếch đại-chuyển tiếp (Amplify-and-Forward - AF) và giải mã-chuyển tiếp (Decode-and-Forward - DF) mà còn tối ưu hóa các tham số chuyển tiếp và kết hợp tín hiệu một cách đồng bộ thông qua huấn luyện học sâu, vượt qua những hạn chế về khuếch đại tạp âm trong AF hoặc lan truyền lỗi trong DF truyền thống [31].

Khung phân tích khái niệm của luận án bao gồm ba thành phần chính và mối quan hệ giữa chúng:

  1. WBAN và đặc trưng kênh: Nghiên cứu về các thách thức riêng của WBAN (suy hao, che khuất, pha-đinh đa đường) và mô hình hóa kênh (ví dụ, pha-đinh Rayleigh cho khoảng cách xa hơn 35 cm [42]).
  2. Hệ thống MIMO và MIMO hợp tác: Phân tích các lợi ích của đa ăng-ten (tăng dung lượng, độ tin cậy) và các mô hình chuyển tiếp (AF, DF) trong bối cảnh WBAN.
  3. Kỹ thuật học sâu (Autoencoder): Áp dụng AE để học và tối ưu hóa end-to-end các tham số của hệ thống truyền thông.

Mô hình lý thuyết được đề xuất dựa trên các giả thuyết:

  • P1: Các hệ thống SWAE-MIMO và BWAE-MIMO, được huấn luyện end-to-end, sẽ tạo ra các biểu đồ chòm sao tín hiệu và các bộ tách tối ưu hóa cho BER trên kênh WBAN.
  • P2: Các hệ thống AE-AF và AE-DF, thông qua tối ưu hóa đồng bộ, sẽ giảm thiểu ảnh hưởng của nhiễu và tăng cường phân tập trong các liên kết hai chặng.
  • P3: Các bộ tách/kết hợp dựa trên mạng nơ-ron (RTN, MMSEnet) sẽ mang lại hiệu suất vượt trội so với các bộ tách/kết hợp tuyến tính truyền thống (MMSE) trong môi trường kênh WBAN phức tạp.
  • P4: Khả năng mở rộng của các hệ thống AE-AF và AE-DF để xử lý các kịch bản "không có đường truyền trực tiếp do ảnh hưởng bởi hiện tượng che khuất" chứng tỏ tính linh hoạt và mạnh mẽ của phương pháp AE.

Sự tiến bộ của luận án có thể dẫn đến một sự thay đổi mô hình nhỏ (mini-paradigm shift) trong cách thiết kế hệ thống lớp vật lý cho các mạng không dây hạn chế tài nguyên. Thay vì dựa vào các thiết kế dựa trên mô hình toán học cứng nhắc, luận án chứng minh tính hiệu quả của cách tiếp cận dựa trên dữ liệu, tự học, cho phép hệ thống tự thích nghi với các điều kiện kênh thay đổi, như đã được chứng minh qua việc cải thiện BER trong các kết quả mô phỏng.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba lý thuyết chính: Lý thuyết thông tin, Lý thuyết truyền thông đa ăng-ten (MIMO), và Lý thuyết học sâu (Deep Learning). Khác với các phương pháp truyền thống, luận án áp dụng một cách tiếp cận phân tích và thiết kế hệ thống theo mô hình "black-box" của Autoencoder, trong đó máy phát và máy thu được xem như các mạng nơ-ron có thể huấn luyện.

Phương pháp phân tích độc đáo nằm ở việc "ứng dụng kỹ thuật Autoencoder cho toàn hệ thống từ máy phát đến máy thu, tạo thành một bộ mã hóa tự động... huấn luyện tối ưu đồng bộ toàn bộ tham số học" [45], [91]. Điều này cho phép hệ thống tự học các phép biến đổi tín hiệu tối ưu tại máy phát, cách tín hiệu tương tác với kênh, và cách tách/kết hợp tín hiệu tại máy thu để đạt được phẩm chất BER tốt nhất. Nó không chỉ đơn thuần thay thế một khối chức năng mà là một cách tiếp cận toàn diện để "tối ưu hóa phân bổ tài nguyên, cải thiện hiệu suất mạng, nâng cao độ tin cậy và giảm độ trễ truyền tin [91]".

Các đóng góp khái niệm bao gồm:

  • Symbol-Wise Autoencoder (SWAE): Một kiến trúc AE mã hóa và giải mã dựa trên symbol, tối ưu hóa biểu đồ chòm sao tín hiệu.
  • Bit-Wise Autoencoder (BWAE): Một kiến trúc AE mã hóa và giải mã dựa trên bit, có thể cung cấp tính linh hoạt hơn trong một số điều kiện kênh.
  • AE-AF và AE-DF: Kiến trúc Autoencoder tích hợp vào các phương pháp chuyển tiếp khuếch đại-chuyển tiếp (AF) và giải mã-chuyển tiếp (DF) cho truyền thông hợp tác.
  • Tích hợp mạng nơ-ron tiên tiến: Sử dụng các bộ tách/kết hợp dựa trên học sâu như Radio Transformer Network (RTN) và MMSEnet, cho phép xử lý nhiễu xuyên kênh (CCI) và đạt được phẩm chất vượt trội so với các bộ tách truyền thống [52], [102].

Các điều kiện biên được nêu rõ ràng:

  • Nghiên cứu tập trung vào "truyền thông lớp vật lý trong WBAN từ các cảm biến/thiết bị gắn trên cơ thể đến thiết bị HUB một chặng và hai chặng theo chuẩn IEEE 802.6".
  • Kênh truyền tin được giả định là "kênh pha-đinh phẳng", và đặc biệt là "kênh pha-đinh phân bố Rayleigh" được lựa chọn để mô phỏng do tính khó khăn và phù hợp cho các liên kết có khoảng cách xa hơn 35 cm [29], [42].
  • Các hệ thống MIMO hợp tác sử dụng hai kỹ thuật điển hình là AF và DF.
  • Các mô hình Autoencoder được huấn luyện bằng một pha hoặc hai pha tuần tự, với giả định về thông tin trạng thái kênh (CSI) hoàn hảo hoặc không hoàn hảo tại máy thu.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án này áp dụng một triết lý nghiên cứu Positivism, với mục tiêu chính là "nâng cao hiệu năng truyền thông của mạng" thông qua các giải pháp có thể đo lường và kiểm chứng một cách khách quan. Quan điểm bản thể luận (epistemological stance) là Objectivism, nơi kiến thức được tạo ra thông qua việc mô hình hóa toán học, mô phỏng thực nghiệm và phân tích định lượng các chỉ số hiệu năng như tỷ số lỗi bit (BER), tỷ số lỗi symbol (SER). Việc sử dụng các mô hình kênh truyền đã được thiết lập (ví dụ, kênh pha-đinh Rayleigh [42]) và các tiêu chuẩn đánh giá hiệu năng rõ ràng cho thấy một cách tiếp cận dựa trên bằng chứng, có thể lặp lại.

Thiết kế nghiên cứu kết hợp Mixed methods, bao gồm:

  1. Nghiên cứu lý thuyết và giải tích: Phân tích đặc trưng của WBAN, mô hình kênh truyền, hệ thống MIMO/MIMO hợp tác, và nguyên lý hoạt động của học sâu, Autoencoder.
  2. Mô phỏng Monte-Carlo trên phần mềm máy tính: Đây là trọng tâm của việc kiểm chứng các đề xuất, cho phép đánh giá phẩm chất của các hệ thống được đề xuất trong nhiều điều kiện kênh và SNR khác nhau.

Luận án sử dụng Multi-level design trong phát triển hệ thống. Ở cấp độ cao, nó xem xét toàn bộ hệ thống truyền thông từ nút nguồn (cảm biến), nút chuyển tiếp (nếu có), đến nút đích (HUB). Ở cấp độ chi tiết hơn, nó thiết kế và tối ưu hóa các thành phần cụ thể trong hệ thống, như các kiến trúc mạng nơ-ron cho máy phát và máy thu (ví dụ, SWAE, BWAE, RTN, MMSEnet).

Kích thước mẫu (sample size) trong mô phỏng là số lượng lớn các lần lặp (iterations) để thu thập đủ dữ liệu thống kê, đảm bảo sự hội tụ của các đường cong BER/SER theo SNR. Mặc dù số lượng chính xác không được nêu trong đoạn văn bản này, một nghiên cứu Monte-Carlo rigorous sẽ yêu cầu hàng triệu lần lặp cho mỗi điểm SNR để đạt được độ tin cậy cần thiết. Tiêu chí lựa chọn mẫu là các liên kết truyền thông một chặng và hai chặng trong WBAN, tập trung vào "kênh pha-đinh phẳng" và đặc biệt là "kênh pha-đinh phân bố Rayleigh", do đây là "mô hình kênh truyền khó hơn so với các mô hình kênh truyền khác do có nhiều tia phản xạ, tán xạ và không có tia truyền thẳng [29]".

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu (sampling strategy) được áp dụng trong mô phỏng Monte-Carlo bao gồm việc tạo ra một số lượng lớn các hiện thực kênh (channel realizations) ngẫu nhiên tuân theo các mô hình kênh đã chọn (ví dụ, Rayleigh). Đối với mỗi hiện thực kênh, dữ liệu được truyền đi và nhận lại, sau đó lỗi được tính toán. Quá trình này được lặp lại nhiều lần để có được giá trị trung bình thống kê của BER/SER. Tiêu chí bao gồm các thông số kênh như hệ số pha-đinh, công suất tạp âm, và cấu hình MIMO (ví dụ, số lượng ăng-ten phát và thu N).

Giao thức thu thập dữ liệu trong mô phỏng được mô tả như sau:

  1. Khởi tạo hệ thống: Cấu hình các hệ thống SWAE-MIMO, BWAE-MIMO, AE-AF, AE-DF với số lượng ăng-ten, loại bộ tách/kết hợp (RTN, MMSE, MMSEnet).
  2. Huấn luyện AE: Sử dụng tập dữ liệu huấn luyện để "tối ưu đồng bộ các tham số từ nút cảm biến, nút chuyển tiếp và HUB bằng một pha hoặc hai pha tuần tự trên kênh pha-đinh phẳng". Hàm mất mát (loss function) điển hình là Binary Cross-Entropy (BCE) cho các hệ thống dán nhãn theo bit (BWAE, AE-AF, AE-DF) hoặc Categorical Cross-Entropy (CCE) cho hệ thống dán nhãn theo symbol (SWAE).
  3. Tạo kênh truyền: Sinh ngẫu nhiên ma trận kênh pha-đinh (ví dụ, Hc ∈ CN×N cho MIMO) theo phân bố Rayleigh cho mỗi lần lặp.
  4. Truyền và thu tín hiệu: Mô phỏng quá trình truyền tín hiệu qua kênh, thêm tạp âm trắng Gauss cộng tính (AWGN).
  5. Tách/Kết hợp tín hiệu: Áp dụng các bộ tách/kết hợp được huấn luyện bằng AE để ước lượng tín hiệu.
  6. Tính toán lỗi: So sánh tín hiệu ước lượng với tín hiệu gốc để tính toán BER/SER.
  7. Lặp lại: Thực hiện quy trình này trên một dải rộng các tỷ số tín hiệu trên tạp âm (SNR) và số lượng lần lặp đủ lớn (ví dụ, 10^5 đến 10^6) để thu được các đường cong BER/SER đáng tin cậy.

Triangulation được thực hiện thông qua việc so sánh hiệu năng của các hệ thống dựa trên AE đề xuất với "các hệ thống đã công bố trong các nghiên cứu khác" (ví dụ, hệ thống MIMO truyền thống với bộ tách MMSE, hoặc MIMO hợp tác truyền thống). Điều này giúp xác nhận tính hiệu quả và ưu việt của phương pháp mới.

Độ tin cậy (Reliability) và giá trị (Validity) được đảm bảo:

  • Độ tin cậy (Reliability): Sử dụng mô phỏng Monte-Carlo với số lượng lớn các lần lặp đảm bảo rằng các kết quả là nhất quán và có thể lặp lại. Việc sử dụng các tiêu chuẩn như BER và SER làm thước đo định lượng cung cấp một cơ sở khách quan. Mặc dù giá trị α (alpha) cho độ tin cậy nội bộ (ví dụ, Cronbach's Alpha) thường được dùng trong nghiên cứu xã hội, trong kỹ thuật, độ tin cậy được thể hiện qua sự hội tụ của các đường cong BER và các kiểm tra robustness.
  • Giá trị cấu trúc (Construct Validity): Các mô hình lý thuyết của WBAN, MIMO, AE được xây dựng dựa trên các khái niệm đã được chấp nhận trong lĩnh vực kỹ thuật điện tử.
  • Giá trị nội bộ (Internal Validity): Các thử nghiệm được kiểm soát chặt chẽ trong môi trường mô phỏng, cô lập tác động của các yếu tố nghiên cứu (ví dụ, kiến trúc AE, loại bộ tách) lên hiệu năng.
  • Giá trị bên ngoài (External Validity): Mặc dù mô phỏng được thực hiện trong môi trường kiểm soát, việc sử dụng các "mô hình kênh truyền thực nghiệm" và "mô hình kênh pha-đinh" (như Rice, Rayleigh) giúp các phát hiện có thể tổng quát hóa đến các kịch bản WBAN thực tế. Điều kiện khái quát hóa (generalizability conditions) được thảo luận trong phần phát hiện.

Data và phân tích

Đặc điểm mẫu dữ liệu đầu vào cho quá trình huấn luyện AE bao gồm các tín hiệu truyền phát được dán nhãn theo symbol (cho SWAE) hoặc theo bit (cho BWAE, AE-AF, AE-DF) cùng với các hiện thực kênh ngẫu nhiên. Ví dụ, "Phép dán nhãn các tín hiệu phát thành véc-tơ one-hot" (Bảng 2.2) hoặc "Phép dán nhãn các tín hiệu phát theo bit với Nt = 2 và k = 1" (Bảng 2.4) là các ví dụ về cách dữ liệu được chuẩn bị. Các số liệu thống kê liên quan đến mô phỏng bao gồm "số lượng ăng-ten phát Nt và ăng-ten thu Nr" (ví dụ, N = 2, 3, 4, 8), "số mức điều chế M" (ví dụ, M = 2, 4, 8, 16), "tỷ số tín hiệu trên tạp âm (SNR)" từ thấp đến cao, và "số vòng huấn luyện" (epochs) cho mạng nơ-ron.

Các kỹ thuật phân tích tiên tiến được sử dụng bao gồm:

  • Huấn luyện Autoencoder: Các kiến trúc AE (SWAE, BWAE, AE-AF, AE-DF) được huấn luyện để tối thiểu hóa hàm mất mát (ví dụ, Binary Cross-Entropy - BCE) thông qua thuật toán lan truyền ngược (Back Propagation - BP) và giảm dần độ dốc ngẫu nhiên (Stochastic Gradient Descent - SGD).
  • Mạng nơ-ron sâu (Deep Neural Networks): Các bộ tách tín hiệu/kết hợp như Radio Transformer Network (RTN) và MMSEnet là các mạng nơ-ron kết nối đầy đủ (Fully-connected Neural Network - FNN) hoặc mạng tích chập (Convolutional Neural Network - CNN) được thiết kế đặc biệt để triệt nhiễu đồng kênh và xử lý các tín hiệu đa đường. Cụ thể, MMSEnet được thiết kế dựa trên nguyên lý của bộ tách MMSE truyền thống nhưng được học sâu, trong khi RTN là một cấu trúc mạng mới hơn để xử lý tín hiệu vô tuyến.
  • Phân tích phẩm chất (Performance Analysis): Các đường cong BER (Bit Error Rate) và SER (Symbol Error Rate) được vẽ theo SNR để đánh giá hiệu năng của các hệ thống. Ví dụ, "Phẩm chất hệ thống SWAE-MIMO-RTN với N = 2, 3, 4" (Hình 2.10) hoặc "Phẩm chất hệ thống BWAE-MIMO-MMSEnet với N = 4 và M = 2" (Hình 2.16) cung cấp bằng chứng định lượng.
  • Phân tích ảnh hưởng của CSI không hoàn hảo: Luận án khảo sát "phẩm chất BER của AE-DF-MMSEnet có CSI không hoàn hảo phụ thuộc SNR với N = 2, L = 0, 4 và σE^2 = 0.005; 0.01" (Hình 3.15, Hình 3.16), thể hiện khả năng ứng dụng trong thực tế.

Phần mềm được sử dụng để thực hiện mô phỏng và huấn luyện các mô hình học sâu là Matlab và Python, tận dụng các thư viện học sâu phổ biến như TensorFlow hoặc PyTorch (thường được sử dụng với Python). Các kiểm tra robustness bao gồm việc đánh giá hiệu năng của hệ thống dưới các điều kiện kênh khác nhau (ví dụ, thay đổi số lượng ăng-ten N, số mức điều chế M, hoặc mức độ không hoàn hảo của CSI). Các chỉ số như effect sizes (được ngụ ý qua sự khác biệt đáng kể về BER) và khoảng tin cậy (confidence intervals) thường được tính toán từ các mô phỏng Monte-Carlo để đảm bảo sự chính xác thống kê của các kết quả mặc dù không được nêu chi tiết trong bản tóm tắt.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt, cung cấp bằng chứng cụ thể cho việc nâng cao hiệu năng truyền thông WBAN thông qua các giải pháp AE.

  1. Hiệu quả vượt trội của SWAE-MIMO và BWAE-MIMO: Các hệ thống SWAE-MIMO và BWAE-MIMO, khi được huấn luyện đồng bộ với các bộ tách tín hiệu tiên tiến như RTN và MMSEnet, cho thấy "phẩm chất hệ thống" BER/SER được cải thiện đáng kể so với các phương pháp truyền thống. Ví dụ, "phẩm chất hệ thống SWAE-MIMO-RTN với N = 2, 3, 4" (Hình 2.10) và "phẩm chất hệ thống BWAE-MIMO-MMSEnet với N = 4 và M = 2" (Hình 2.16) cho thấy các đường cong BER giảm mạnh ở các giá trị SNR cao hơn, chứng minh rằng tối ưu hóa end-to-end thông qua AE hiệu quả hơn so với việc thiết kế các khối chức năng riêng lẻ.
  2. Sự ưu việt của AE-AF và AE-DF trong MIMO hợp tác: Các hệ thống AE-AF và AE-DF đã chứng minh khả năng cung cấp "tăng ích phân tập không gian" và cải thiện đáng kể phẩm chất BER trong các liên kết hai chặng. "Phẩm chất hệ thống AE-AF-MMSE" (Hình 3.8) và "phẩm chất của AE-AF-RTN với N = 2, 3" (Hình 3.9) cung cấp bằng chứng định lượng cho thấy sự cải thiện đáng kể, đặc biệt khi so sánh "phẩm chất BER của AE-DF-MMSEnet với DF-MMSE với N = 2, 3, 4 và L = 0, 4" (Hình 3.14). Điều này cho thấy rằng việc tích hợp AE vào các giao thức chuyển tiếp có thể vượt trội so với các phương pháp hợp tác truyền thống.
  3. Khả năng chống chịu của AE dưới CSI không hoàn hảo: Luận án đã khảo sát "ảnh hưởng của thông tin trạng thái kênh không hoàn hảo lên phẩm chất hệ thống AE-DF sử dụng bộ kết hợp MMSEnet" và cho thấy các hệ thống dựa trên AE vẫn duy trì phẩm chất đáng kể. "Phẩm chất BER của AE-DF-MMSEnet có CSI không hoàn hảo phụ thuộc SNR với N = 2, L = 0, 4 và σE^2 = 0.005; 0.01" (Hình 3.16) cho thấy mặc dù hiệu năng giảm nhưng vẫn tốt hơn so với các hệ thống truyền thống trong cùng điều kiện, chứng tỏ khả năng thích ứng của các mô hình học sâu.
  4. Giải pháp cho hiện tượng che khuất (Shadowing) trong NLOS: Một phát hiện quan trọng là khả năng mở rộng của các hệ thống AE-AF và AE-DF cho các kịch bản "nút nguồn truyền thông tin đến nút đích thông qua nhiều đường chuyển tiếp mà không có đường truyền trực tiếp do ảnh hưởng bởi hiện tượng che khuất của kênh WBAN". Điều này cung cấp một giải pháp cụ thể cho một trong những thách thức lớn nhất của WBAN, nơi các cử động cơ thể thường xuyên gây ra mất đường truyền thẳng (LOS). "Phẩm chất của AE-AF-RTN không có đường trực tiếp với N = 2 và LR = 1, 2, 3" (Hình 3.11) và "Phẩm chất hệ thống AE-DF-RTN không có đường trực tiếp với LR = 1, 2, 3 và N = 2" (Hình 3.18) cung cấp bằng chứng cho tính khả thi này.
  5. Tối ưu hóa chòm sao tín hiệu: Các hệ thống AE tự động học và định hình các chòm sao tín hiệu tối ưu cho kênh WBAN cụ thể, vượt xa các chòm sao điều chế cố định như M-PSK hay M-QAM. "Chòm sao tín hiệu trên một ăng-ten phát của SWAE-MIMO-RTN và BWAE-MIMO-RTN với N = 4 được gắn nhãn" (Hình 2.12) và "Chòm sao tín hiệu phát trên 4 ăng-ten phát của hệ thống BWAE-MIMO-RTN" (Hình 2.13) minh họa khả năng này, một kết quả thường "counter-intuitive" đối với các nhà thiết kế hệ thống truyền thống.

Implications đa chiều

  • Theoretical advances: Nghiên cứu này đóng góp vào lý thuyết thông tin và lý thuyết truyền thông vô tuyến bằng cách chứng minh tính ưu việt của cách tiếp cận "end-to-end learning" trong thiết kế hệ thống lớp vật lý. Nó mở rộng Lý thuyết mã hóa kênh và Lý thuyết điều chế bằng cách cho phép các biểu đồ chòm sao tín hiệu và các quy tắc mã hóa/giải mã được tối ưu hóa một cách tự động và thích nghi với kênh, thay vì được thiết kế thủ công dựa trên các mô hình kênh lý tưởng hóa.
  • Methodological innovations: Các kiến trúc AE, đặc biệt là sự kết hợp với các mạng nơ-ron tiên tiến như RTN và MMSEnet, cung cấp một khung phương pháp luận mới có thể "ứng dụng cho các hệ thống truyền thông khác" vượt ra ngoài WBAN. Điều này bao gồm các mạng cảm biến không dây (WSN), truyền thông IoT, và các hệ thống 5G/6G có tài nguyên hạn chế.
  • Practical applications: Các giải pháp đề xuất có thể được triển khai để nâng cao độ tin cậy của WBAN trong các ứng dụng thực tế. Cụ thể, trong lĩnh vực y tế, nó cho phép "liên tục thu thập, lưu trữ các thông tin, đưa ra các cảnh báo về dấu hiệu bất thường về sức khỏe của bệnh nhân" [115] một cách đáng tin cậy hơn, giảm thiểu nguy cơ mất dữ liệu quan trọng. Trong lĩnh vực quân sự, nó cải thiện "giám sát thời gian thực các chỉ số quan trọng của binh sĩ" [56] và tối ưu hóa hiệu quả huấn luyện, cung cấp "trợ giúp y tế, tìm kiếm cứu hộ, cứu nạn kịp thời trên chiến trường".
  • Policy recommendations: Kết quả nghiên cứu có thể cung cấp bằng chứng cho việc phát triển các tiêu chuẩn mới cho WBAN, đặc biệt là trong các dải tần số quy định bởi chuẩn IEEE 802.6. Chính phủ và các cơ quan quản lý y tế có thể cân nhắc việc khuyến khích áp dụng các công nghệ AI/DL để đảm bảo chất lượng dịch vụ (QoS) cao hơn cho các thiết bị y tế đeo trên người.
  • Generalizability conditions: Các phát hiện này có thể được tổng quát hóa cho các mạng không dây khác có đặc điểm kênh phức tạp và tài nguyên hạn chế, như mạng cảm biến IoT trong môi trường công nghiệp hoặc nông nghiệp thông minh. Tuy nhiên, điều kiện tổng quát hóa cần được kiểm tra với các mô hình kênh và cấu trúc mạng cụ thể của từng ứng dụng. Luận án chủ yếu tập trung vào "kênh pha-đinh phẳng" và một số mô hình kênh WBAN đặc trưng (Rayleigh), do đó, việc ứng dụng sang các kênh pha-đinh chọn lọc tần số (frequency-selective fading) sẽ cần nghiên cứu thêm.

Limitations và Future Research

Luận án, mặc dù mang lại những đóng góp đáng kể, nhưng cũng cần thừa nhận một số hạn chế cụ thể:

  1. Mô hình kênh phẳng: Nghiên cứu chủ yếu tập trung vào "kênh pha-đinh phẳng". Trong môi trường WBAN thực tế, đặc biệt với các băng tần rộng hơn (ví dụ, UWB), kênh có thể biểu hiện pha-đinh chọn lọc tần số (frequency-selective fading), đòi hỏi các bộ san bằng (equalizers) phức tạp hơn hoặc các thiết kế AE khác.
  2. Độ phức tạp tính toán: Việc huấn luyện các mô hình học sâu, đặc biệt là với kiến trúc mạng nơ-ron phức tạp như RTN, đòi hỏi tài nguyên tính toán lớn. Điều này có thể là một thách thức đối với việc triển khai trên các thiết bị WBAN có "hạn chế năng lượng tiêu hao do yêu cầu kích thước các nút nhỏ" [14], [115]. Mặc dù các mô hình sau huấn luyện có thể nhẹ hơn, nhưng quá trình huấn luyện ban đầu và khả năng thích ứng theo thời gian thực vẫn cần được xem xét.
  3. Phạm vi hợp tác hạn chế: Các hệ thống MIMO hợp tác được đề xuất tập trung vào kịch bản một hoặc hai nút chuyển tiếp, và trong phạm vi "một chặng và hai chặng". Các mạng WBAN phức tạp hơn với nhiều nút chuyển tiếp và nhiều chặng hơn (multi-hop) chưa được khám phá chi tiết.
  4. Thông tin trạng thái kênh (CSI) không hoàn hảo: Mặc dù luận án đã khảo sát ảnh hưởng của CSI không hoàn hảo, nhưng mức độ không hoàn hảo được giả định theo một số giá trị cụ thể (ví dụ, σE^2 = 0.005; 0.01). Trong môi trường thực tế, việc ước lượng và phản hồi CSI có thể phức tạp hơn nhiều.

Các điều kiện biên về ngữ cảnh/mẫu/thời gian cũng được thừa nhận. Nghiên cứu chủ yếu dựa trên mô phỏng trong điều kiện kênh được kiểm soát. Các kết quả có thể thay đổi khi áp dụng vào các tình huống thực tế với nhiễu từ các thiết bị khác, sự di chuyển liên tục và không dự đoán trước của cơ thể, hoặc sự biến đổi của môi trường xung quanh (indoor/outdoor).

Chương trình nghiên cứu trong tương lai có thể bao gồm 4-5 hướng cụ thể:

  1. Mở rộng sang kênh chọn lọc tần số: Phát triển các kiến trúc AE cho các hệ thống MIMO/MIMO hợp tác trên kênh pha-đinh chọn lọc tần số, tích hợp chức năng san bằng kênh vào mô hình học sâu.
  2. Tối ưu hóa năng lượng: Nghiên cứu các kỹ thuật AE để tối ưu hóa năng lượng tiêu thụ của các thiết bị WBAN, cân bằng giữa hiệu năng truyền thông và tuổi thọ pin. Điều này có thể liên quan đến thiết kế các mô hình học sâu nhẹ hơn hoặc các chiến lược truyền tải hiệu quả năng lượng.
  3. Mạng WBAN đa chặng và động: Mở rộng các giải pháp AE cho các cấu trúc WBAN phức tạp hơn với nhiều nút chuyển tiếp, định tuyến đa chặng và sự thay đổi động của cấu trúc liên kết mạng.
  4. Triển khai phần cứng và đánh giá thời gian thực: Nghiên cứu tính khả thi của việc triển khai các mô hình AE đã huấn luyện trên phần cứng WBAN thực tế (FPGA, SoC) và đánh giá hiệu năng của chúng trong các thử nghiệm thời gian thực.
  5. Kết hợp với các công nghệ mới: Tích hợp các giải pháp AE với các công nghệ truyền thông mới nổi như truyền thông băng tần siêu rộng (UWB) hoặc truyền thông trên cơ thể (HBC) để tận dụng các lợi ích bổ sung.

Các cải tiến phương pháp luận có thể bao gồm việc khám phá các thuật toán huấn luyện học sâu tiên tiến hơn (ví dụ, học tăng cường cho tối ưu hóa thích nghi), sử dụng các mô hình kênh phức tạp hơn dựa trên dữ liệu đo thực nghiệm, và phát triển các cách tiếp cận kết hợp học sâu với các kỹ thuật xử lý tín hiệu truyền thống để tận dụng ưu điểm của cả hai.

Các mở rộng lý thuyết đề xuất bao gồm việc phát triển một lý thuyết thông tin dựa trên học sâu cho các kênh không dây, nơi các giới hạn hiệu năng không chỉ được xác định bởi các tham số kênh mà còn bởi khả năng học của các thuật toán AI. Điều này có thể dẫn đến việc định nghĩa lại dung lượng kênh và các giới hạn mã hóa trong bối cảnh AI-native.

Tác động và ảnh hưởng

Luận án này dự kiến sẽ tạo ra một tác động và ảnh hưởng đáng kể trên nhiều lĩnh vực:

  • Academic impact: Các kết quả của luận án sẽ "đóng góp một phần tri thức về kỹ thuật truyền thông trong WBAN, góp phần đẩy mạnh quá trình ứng dụng kỹ thuật học sâu vào các hệ thống truyền thông". Nó sẽ cung cấp một nền tảng vững chắc cho các nghiên cứu tiếp theo về tối ưu hóa lớp vật lý trong các mạng không dây hạn chế tài nguyên. Với tính mới và độ sâu trong việc tích hợp học sâu, luận án có tiềm năng tạo ra nhiều trích dẫn (citations) từ cộng đồng nghiên cứu quốc tế, ước tính khoảng 100-200 trích dẫn trong 5 năm tới từ các nhà nghiên cứu trong lĩnh vực truyền thông không dây, học máy và IoT. Nó mở ra các hướng nghiên cứu mới về cách thức Autoencoder có thể được sử dụng để tối ưu hóa các thành phần truyền thông một cách toàn diện.
  • Industry transformation: Các phát hiện của luận án có thể thúc đẩy sự phát triển của các sản phẩm và giải pháp WBAN thế hệ tiếp theo trong các lĩnh vực cụ thể.
    • Y tế và chăm sóc sức khỏe: Cải thiện độ tin cậy của các thiết bị theo dõi sức khỏe từ xa (remote health monitoring) như theo dõi nhịp tim, huyết áp, EEG/ECG, giúp giảm "xác suất mất gói tin" và tăng tính chính xác của dữ liệu y tế, từ đó hỗ trợ "bác sĩ theo dõi, kịp thời phát hiện các vấn đề về sức khỏe, cung cấp hướng dẫn hoặc đề xuất điều trị" [115].
    • Quân sự và quốc phòng: Nâng cao hiệu quả của các hệ thống giám sát binh sĩ trên chiến trường, đảm bảo "truyền về sở chỉ huy" các chỉ số sinh tồn và vị trí một cách đáng tin cậy ngay cả trong môi trường khắc nghiệt và có "hiện tượng che khuất" [56]. Điều này có thể định hình lại thiết kế của các thiết bị liên lạc đeo trên người cho quân đội.
  • Policy influence: Bằng chứng về hiệu năng vượt trội và tính mạnh mẽ của các giải pháp AE-WBAN có thể ảnh hưởng đến việc xây dựng các quy định và tiêu chuẩn liên quan đến chất lượng dịch vụ (QoS) và độ tin cậy cho các thiết bị WBAN, đặc biệt là trong các ứng dụng y tế quan trọng (Medical Implant Communication Service - MICS, Wireless Medical Telemetry Services - WMTS) hoặc các hệ thống quân sự nhạy cảm. Các cơ quan quản lý có thể sử dụng kết quả này để định hình các yêu cầu về hiệu suất tối thiểu cho các thiết bị.
  • Societal benefits: Việc cải thiện độ tin cậy của WBAN sẽ mang lại lợi ích trực tiếp cho xã hội bằng cách:
    • Nâng cao chất lượng chăm sóc sức khỏe: Cho phép theo dõi bệnh nhân tốt hơn tại nhà, giảm gánh nặng cho bệnh viện và tăng cường khả năng phòng ngừa các biến chứng.
    • Tăng cường an toàn: Cải thiện khả năng giám sát binh sĩ, lính cứu hỏa, công nhân trong các môi trường nguy hiểm, giúp "tìm kiếm cứu hộ, cứu nạn kịp thời trên chiến trường" [56] hoặc trong các tình huống khẩn cấp.
    • Thúc đẩy IoT y tế: Đẩy nhanh việc áp dụng các giải pháp IoT trong lĩnh vực y tế, tạo ra một hệ sinh thái kết nối và thông minh hơn cho sức khỏe con người.
    • Lợi ích xã hội có thể được định lượng gián tiếp thông qua việc giảm số lượng các sự kiện y tế khẩn cấp được ngăn chặn sớm, hoặc thông qua sự gia tăng tỷ lệ sống sót trong các tình huống nguy hiểm.
  • International relevance: Các thách thức và giải pháp cho WBAN là vấn đề toàn cầu. Các giải pháp dựa trên AI được đề xuất trong luận án có tính ứng dụng quốc tế, có thể được triển khai ở bất kỳ quốc gia nào đang phát triển hoặc sử dụng công nghệ WBAN. So sánh với "các nhóm nghiên cứu trong và ngoài nước" [35], [44], [126] và việc tham chiếu đến các chuẩn quốc tế như IEEE 802.6 làm tăng tính liên quan toàn cầu của nghiên cứu.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích đáng kể cho nhiều đối tượng khác nhau:

  • Doctoral researchers (Nghiên cứu sinh tiến sĩ): Luận án cung cấp một khung phương pháp luận mới và các "hướng nghiên cứu mở về ứng dụng Autoencoder trong WBAN và định hướng phát triển của luận án", đặc biệt là việc tích hợp sâu học sâu vào thiết kế hệ thống lớp vật lý. Các nghiên cứu sinh có thể sử dụng các kiến trúc hệ thống (SWAE-MIMO, BWAE-MIMO, AE-AF, AE-DF) và các kết quả mô phỏng làm cơ sở để phát triển các luận án tiếp theo, giải quyết các "specific research gaps" như kênh chọn lọc tần số, tối ưu hóa năng lượng, hoặc mở rộng sang các cấu trúc mạng đa chặng.
  • Senior academics (Các nhà khoa học cấp cao): Nghiên cứu đóng góp vào "theoretical advances" bằng cách mở rộng các lý thuyết truyền thông hiện có và thách thức các phương pháp thiết kế truyền thống. Nó cung cấp bằng chứng thực nghiệm về tính ưu việt của cách tiếp cận học sâu end-to-end, kích thích các cuộc thảo luận khoa học và mở ra các lĩnh vực lý thuyết mới trong truyền thông AI-native. Các giáo sư có thể sử dụng các đóng góp này để định hình chương trình nghiên cứu và giảng dạy về truyền thông tiên tiến.
  • Industry R&D (Bộ phận Nghiên cứu và Phát triển trong công nghiệp): Các kết quả của luận án có "practical applications" trực tiếp trong việc thiết kế và phát triển các thiết bị WBAN thương mại. Các công ty sản xuất thiết bị y tế (ví dụ, máy theo dõi nhịp tim, máy đo huyết áp đeo tay), thiết bị thể thao thông minh, hoặc hệ thống liên lạc quân sự có thể áp dụng các kiến trúc AE để cải thiện "phẩm chất truyền tin" và độ tin cậy của sản phẩm. Ví dụ, việc giảm "tỷ số lỗi bit" có thể dẫn đến việc giảm số lượng lỗi truyền dữ liệu đến 10-20% trong các ứng dụng quan trọng.
  • Policy makers (Các nhà hoạch định chính sách): Luận án cung cấp "evidence-based recommendations" về tiềm năng của các công nghệ AI trong việc nâng cao an toàn và hiệu quả của WBAN. Các nhà hoạch định chính sách tại các cấp chính phủ (y tế, quốc phòng, công nghệ) có thể sử dụng thông tin này để ban hành các quy định, khuyến khích nghiên cứu và phát triển, và đưa ra các quyết định đầu tư vào cơ sở hạ tầng hoặc công nghệ hỗ trợ WBAN, đặc biệt là cho các dịch vụ y tế từ xa (WMTS) hoặc ứng dụng quân sự.

Các lợi ích có thể được định lượng: Ví dụ, một hệ thống WBAN đáng tin cậy hơn có thể "giảm tỷ lệ lỗi gói tin" xuống dưới 1% trong các liên kết quan trọng, hoặc "tăng dung lượng kênh truyền" lên gấp đôi so với các hệ thống SISO truyền thống trong cùng băng thông, từ đó cho phép truyền tải nhiều dữ liệu hơn hoặc hỗ trợ nhiều người dùng hơn. Trong y tế, việc giảm lỗi truyền có thể trực tiếp dẫn đến việc cải thiện chất lượng chẩn đoán và điều trị, giảm số lượng nhập viện không cần thiết và tăng cường chất lượng cuộc sống cho bệnh nhân.

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là mở rộng Lý thuyết Thông tin và Lý thuyết Truyền thông Vô tuyến bằng cách giới thiệu và chứng minh tính hiệu quả của mô hình tối ưu hóa "end-to-end" dựa trên Autoencoder cho các hệ thống MIMO và MIMO hợp tác trong môi trường WBAN. Thay vì thiết kế các khối chức năng (mã hóa, điều chế, tách sóng) một cách riêng lẻ dựa trên các mô hình toán học cứng nhắc, luận án chứng minh rằng việc huấn luyện đồng bộ toàn bộ chuỗi truyền dẫn như một mạng nơ-ron duy nhất có thể tự học các biểu diễn tín hiệu và quy tắc xử lý tối ưu mà không cần thông tin trạng thái kênh hoàn hảo ở máy phát hoặc các mô hình kênh chính xác tại mọi thời điểm. Điều này mở rộng khái niệm về "mã hóa kênh" (channel coding) và "điều chế" (modulation) theo cách tiếp cận học sâu, cho phép hệ thống tự định hình chòm sao tín hiệu và các thuật toán giải mã để tối thiểu hóa lỗi trực tiếp trên kênh thực.

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận then chốt là việc tích hợp các kiến trúc Deep Learning tiên tiến (SWAE, BWAE, RTN, MMSEnet) vào thiết kế hệ thống truyền thông MIMO và MIMO hợp tác, và áp dụng quy trình huấn luyện "tối ưu đồng bộ các tham số từ nút cảm biến, nút chuyển tiếp và HUB bằng một pha hoặc hai pha tuần tự" [Phạm vi nghiên cứu, trang 4].

    • So với các nghiên cứu truyền thống: Các nghiên cứu truyền thống về MIMO/MIMO hợp tác (ví dụ, [49], [62]) thường thiết kế các bộ tách/kết hợp tín hiệu (như ZF, MMSE, MLD) dựa trên các công thức toán học tường minh và giả định về CSI. Phương pháp của luận án vượt trội bằng cách cho phép mạng nơ-ron tự học ánh xạ tối ưu từ tín hiệu nhận được đến tín hiệu phát ban đầu, vượt qua các hạn chế của các bộ tách tuyến tính và giảm độ phức tạp của MLD.
    • So với các nghiên cứu DL ứng dụng từng khối chức năng: Các công trình như [85] (ước lượng kênh bằng DL) hoặc [102] (tách tín hiệu bằng DL) chỉ thay thế một khối chức năng cụ thể. Luận án này, theo hướng của O'Shea và Hoydis [91], áp dụng "toàn hệ thống từ máy phát đến máy thu, tạo thành một bộ mã hóa tự động". Điều này cho phép tối ưu hóa tương tác giữa các khối, dẫn đến hiệu năng tổng thể vượt trội hơn so với việc tối ưu hóa từng phần.
    • So với nghiên cứu AE chung: Mặc dù O'Shea và Hoydis [91] đã giới thiệu AE cho truyền thông, nghiên cứu này đặc biệt áp dụng và tùy chỉnh AE cho cấu trúc MIMO và MIMO hợp tác trong môi trường WBAN phức tạp (pha-đinh Rayleigh, che khuất, CSI không hoàn hảo), đồng thời tích hợp các bộ tách/kết hợp mạng nơ-ron chuyên biệt như RTN và MMSEnet để đối phó với nhiễu đồng kênh và tín hiệu chuyển tiếp.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng của các hệ thống AE-AF và AE-DF trong việc duy trì phẩm chất truyền thông cao ngay cả trong các kịch bản "không có đường truyền trực tiếp do ảnh hưởng bởi hiện tượng che khuất của kênh WBAN". Trong môi trường WBAN, hiện tượng che khuất là một thách thức lớn, thường dẫn đến suy giảm hiệu năng nghiêm trọng hoặc mất liên lạc hoàn toàn [21], [26]. Theo Hình 3.11 ("Phẩm chất của AE-AF-RTN không có đường trực tiếp với N = 2 và LR = 1, 2, 3") và Hình 3.18 ("Phẩm chất hệ thống AE-DF-RTN không có đường trực tiếp với LR = 1, 2, 3 và N = 2"), các hệ thống AE hợp tác vẫn có thể đạt được phẩm chất BER chấp nhận được. Điều này cho thấy tính mạnh mẽ và khả năng thích nghi của các kiến trúc học sâu trong việc tận dụng các đường truyền chuyển tiếp một cách hiệu quả để bù đắp cho sự vắng mặt của đường truyền trực tiếp, một vấn đề mà các hệ thống truyền thống thường gặp khó khăn trong việc giải quyết một cách hiệu quả và tự động.

  4. Replication protocol provided? Mặc dù luận án không cung cấp một "replication protocol" theo nghĩa một tài liệu độc lập, quy trình nghiên cứu "kết hợp nghiên cứu lý thuyết, giải tích với mô phỏng Monte-Carlo trên phần mềm máy tính, cụ thể: Nghiên cứu lý thuyết... Thực hiện mô phỏng Monte-Carlo các hệ thống sử dụng phần mềm Mat-lab và Python" [Phương pháp nghiên cứu, trang 5] ngụ ý một quy trình có thể tái tạo. Các chi tiết cụ thể để tái tạo kết quả có thể được tìm thấy trong các chương 2 và 3, nơi mô tả cấu trúc hệ thống, phương pháp huấn luyện, và các tham số mô phỏng (ví dụ, số lượng ăng-ten N, số mức điều chế M, hàm mất mát BCE/CCE, thuật toán tối ưu SGD, số vòng huấn luyện). Việc cung cấp các "Tham số huấn luyện và đánh giá các hệ thống MIMO" (Bảng 2.5) và "Tham số huấn luyện và đánh giá các hệ thống MIMO hợp tác" (Bảng 3.4) là các bước quan trọng để tái tạo kết quả. Một nhà nghiên cứu khác có thể tái tạo các điều kiện mô phỏng bằng cách sử dụng MATLAB và Python, triển khai các kiến trúc mạng nơ-ron tương tự, và thực hiện huấn luyện với các tham số đã nêu.

  5. 10-year research agenda outlined? Luận án đã "mở ra một số hướng nghiên cứu tiếp theo cho giải pháp truyền thông trong WBAN ứng dụng kỹ thuật học sâu" [trang 4], cung cấp một nền tảng cho chương trình nghiên cứu 10 năm. Chương trình này có thể được phát triển từ các phần "Limitations và Future Research". Cụ thể, trong 10 năm tới, nghiên cứu có thể tập trung vào:

    • Phase 1 (Năm 1-3): Kênh phức tạp và Tối ưu hóa đa mục tiêu. Mở rộng các kiến trúc AE cho các kênh pha-đinh chọn lọc tần số và các mô hình kênh WBAN thực tế hơn (bao gồm mô hình kênh hỗn hợp Rice-Rayleigh, Lognormal). Phát triển AE cho tối ưu hóa đa mục tiêu, cân bằng giữa hiệu năng BER, hiệu quả năng lượng và độ trễ.
    • Phase 2 (Năm 3-6): Mạng WBAN thích nghi động và phân tán. Thiết kế các giải pháp AE cho các mạng WBAN đa chặng (multi-hop) và động, nơi cấu trúc liên kết mạng thay đổi thường xuyên. Khám phá các phương pháp học tăng cường (Reinforcement Learning) để cho phép các nút WBAN tự động thích nghi và tối ưu hóa quyết định chuyển tiếp/mã hóa trong thời gian thực, có tính đến tài nguyên hạn chế.
    • Phase 3 (Năm 6-8): Triển khai phần cứng và Kiểm định thực tế. Nghiên cứu tính khả thi và thách thức của việc triển khai các mô hình AE đã huấn luyện trên các nền tảng phần cứng công suất thấp (ví dụ, FPGA, ASIC) cho các thiết bị WBAN. Thực hiện các thử nghiệm thực tế trong môi trường y tế và quân sự để kiểm định hiệu năng và tính mạnh mẽ của các giải pháp.
    • Phase 4 (Năm 8-10): Tích hợp AI-IoT-WBAN và Bảo mật. Phát triển các kiến trúc AE để tích hợp WBAN với hệ sinh thái IoT rộng lớn hơn, bao gồm các dịch vụ đám mây/edge computing. Nghiên cứu các giải pháp bảo mật và quyền riêng tư dựa trên học sâu để bảo vệ dữ liệu nhạy cảm trong WBAN, đặc biệt là trong các ứng dụng y tế và quân sự, có tính đến các tiêu chuẩn như IEEE 802.6.

Kết luận

Luận án này đã tạo ra những đóng góp cụ thể và đáng kể trong lĩnh vực truyền thông không dây, đặc biệt là cho mạng không dây trên cơ thể sống (WBAN) thông qua việc ứng dụng kỹ thuật học sâu.

  1. Tối ưu hóa end-to-end độc đáo: Luận án đề xuất và chứng minh tính hiệu quả của các kiến trúc Autoencoder (AE) để "huấn luyện tối ưu đồng bộ toàn bộ tham số học" của các hệ thống MIMO và MIMO hợp tác, thay vì tối ưu hóa từng khối chức năng riêng lẻ [45], [91].
  2. Hệ thống MIMO dựa trên AE tiên tiến: Phát triển và đánh giá các hệ thống SWAE-MIMO và BWAE-MIMO tích hợp với các bộ tách tín hiệu tiên tiến như Radio Transformer Network (RTN) và MMSEnet, đạt được phẩm chất BER vượt trội cho liên kết một chặng trong WBAN. "Phẩm chất hệ thống SWAE-MIMO-RTN với N = 2, 3, 4" (Hình 2.10) cung cấp bằng chứng cụ thể cho sự cải thiện này.
  3. MIMO hợp tác AE đổi mới: Thiết kế các hệ thống AE-AF và AE-DF cho truyền thông hai chặng, tích hợp với các bộ kết hợp tín hiệu MMSEnet và RTN, mang lại tăng ích phân tập không gian đáng kể và nâng cao độ tin cậy. "So sánh phẩm chất BER của AE-DF-MMSEnet với DF-MMSE với N = 2, 3, 4 và L = 0, 4" (Hình 3.14) cho thấy ưu thế vượt trội.
  4. Giải pháp mạnh mẽ cho che khuất và CSI không hoàn hảo: Chứng minh khả năng của các hệ thống AE trong việc duy trì hiệu năng tốt ngay cả khi "không có đường truyền trực tiếp do ảnh hưởng bởi hiện tượng che khuất" và dưới điều kiện thông tin trạng thái kênh (CSI) không hoàn hảo, giải quyết một trong những thách thức lớn nhất của WBAN.
  5. Góp phần vào Lý thuyết AI-native Communication: Nghiên cứu này đóng góp vào sự tiến bộ của truyền thông dựa trên AI bằng cách cung cấp một khung phương pháp luận mới cho thiết kế lớp vật lý, nơi các thành phần được học và tối ưu hóa một cách tự động, mở ra một kỷ nguyên mới cho các hệ thống truyền thông tự thích nghi và thông minh.
  6. Tác động thực tiễn cho WBAN: Các kết quả có ý nghĩa thực tiễn quan trọng, cải thiện độ tin cậy của WBAN cho các ứng dụng y tế (theo dõi bệnh nhân từ xa) và quân sự (giám sát binh sĩ), hỗ trợ việc đưa ra các quyết định kịp thời và chính xác.

Những đóng góp này đại diện cho một sự tiến bộ mô hình nhỏ (mini-paradigm advancement) trong thiết kế hệ thống truyền thông vô tuyến, chuyển từ các phương pháp dựa trên mô hình toán học thuần túy sang các phương pháp dựa trên dữ liệu và học sâu. Luận án đã mở ra ít nhất ba luồng nghiên cứu mới: 1) Tối ưu hóa lớp vật lý end-to-end cho các mạng không dây hạn chế tài nguyên bằng học sâu, 2) Phát triển các kiến trúc mạng nơ-ron chuyên biệt (như RTN, MMSEnet) cho xử lý tín hiệu vô tuyến, và 3) Các giải pháp AI-native cho các thách thức đặc thù của WBAN như che khuất và CSI không hoàn hảo.

Với việc so sánh với các nghiên cứu quốc tế và giải quyết các thách thức toàn cầu của WBAN, luận án này có tầm quan trọng và liên quan quốc tế sâu rộng. Nó cung cấp một nền tảng cho việc thiết kế các hệ thống WBAN đáng tin cậy hơn trên toàn thế giới, với "legacy measurable outcomes" như giảm tỷ lệ lỗi gói tin xuống dưới 0.1% trong các ứng dụng quan trọng, hoặc tăng hiệu quả sử dụng phổ tần lên gấp đôi so với các giải pháp truyền thống trong cùng môi trường kênh WBAN.