Tổng quan về luận án

Luận án này trình bày một nghiên cứu đột phá trong lĩnh vực phân tích và xử lý tín hiệu cho dữ liệu không đầy đủ, đặc biệt trong các ứng dụng y sinh học như tạo ảnh cộng hưởng từ (MRI) và điện não đồ (EEG). Nghiên cứu đặt trong bối cảnh khoa học hiện đại, nơi việc thu thập dữ liệu không đầy đủ đang trở thành một thách thức và cơ hội then chốt, đòi hỏi các giải pháp xử lý tín hiệu tiên tiến để tăng tốc độ và hiệu quả mà vẫn đảm bảo độ chính xác. Hai phương pháp chính được khai thác là Lấy mẫu nén (Compressed Sensing - CS) và Phân tích phần tử song song (Canonical Polyadic - CP) cho cấu trúc ten-xơ, nhằm giải quyết các hạn chế của các phương pháp hiện có.

Research gap SPECIFIC với citations từ literature: Nghiên cứu hiện tại về Lấy mẫu nén (CS) cho MRI còn tồn tại hai khoảng trống đáng kể. Thứ nhất, các phương pháp CS-MRI phổ biến như của Lustig và cộng sự [41–43] dựa trên lấy mẫu ngẫu nhiên, vốn "khó thực hiện trong thực tế" dù có lợi thế về chứng minh toán học [tr. 13]. Ngược lại, CS dựa trên lấy mẫu tất định (deterministic sampling), như phương pháp CCS-MRI của nhóm nghiên cứu Đại học Quốc gia Hà Nội [24, 57, 65], dù dễ thực thi hơn nhưng "việc lấy mẫu dựa trên hệ hỗn loạn có tính chất thống kê như biến ngẫu nhiên Gauss dẫn đến sự linh hoạt trong việc lấy mẫu bị hạn chế, có nhược điểm khi phân bố năng lượng trong không gian k không phải gần với phân bố Gauss" [tr. 14]. Thứ hai, các phương pháp này "chưa kết hợp CS với một kỹ thuật MRI có tốc độ tạo ảnh cao, nhằm phát huy lợi thế giữa tăng tốc độ về vật lý và tăng tốc độ về xử lý tín hiệu" [tr. 14]. Đối với xử lý tín hiệu EEG với dữ liệu không đầy đủ dưới cấu trúc ten-xơ, khoảng trống nghiên cứu thậm chí còn rõ ràng hơn. Các thuật toán phân tích CP hiện có, ví dụ như thuật toán CP Weighted OPTimization (CP-WOPT) của Acar và cộng sự [4], đều là các thuật toán xử lý chế độ khối (block-mode). Phương pháp này, dù có độ chính xác cao, lại "thời gian xử lý của các thuật toán này là lớn và phụ thuộc vào kích thước của khối dữ liệu xử lý" [tr. 14], khiến chúng không phù hợp cho các ứng dụng trực tuyến hoặc thích nghi. "Cho đến nay, chỉ có thuật toán CP-WOPT của Acar và cộng sự trong [4] đề cập đến nội dung phân tích CP của tín hiệu EEG không đầy đủ. CP-WOPT cũng là thuật toán xử lý chế độ khối, chưa có thuật toán xử lý thích nghi trong trường hợp dữ liệu không đầy đủ" [tr. 15].

Research questions và hypotheses:

  1. Làm thế nào để phát triển các giải thuật Lấy mẫu nén tất định dựa trên hệ hỗn loạn, linh hoạt hơn, phù hợp với phân bố năng lượng không gian k thực tế và có khả năng tích hợp với các kỹ thuật MRI vật lý tốc độ cao để tăng tốc độ tạo ảnh?
    • H1: Các giải thuật CS tất định mới dựa trên hệ hỗn loạn sẽ cung cấp khả năng lấy mẫu linh hoạt, phù hợp với phân bố năng lượng k-space, và khi kết hợp với phương pháp SWIFT sẽ mang lại tốc độ tạo ảnh MRI nhanh hơn đáng kể so với các phương pháp hiện hành (CS-MRI, CCS-MRI).
  2. Làm thế nào để phát triển các thuật toán ước lượng không gian con thích nghi cho dữ liệu không đầy đủ, từ đó xây dựng thuật toán phân tích CP thích nghi cho ten-xơ bậc 3, và áp dụng chúng một cách hiệu quả cho xử lý tín hiệu EEG không đầy đủ?
    • H2: Ba thuật toán ước lượng không gian con mới cải tiến từ PETRELS sẽ nâng cao hiệu suất xử lý dữ liệu không đầy đủ.
    • H3: Thuật toán phân tích CP thích nghi cho ten-xơ bậc 3 không đầy đủ, xây dựng dựa trên các thuật toán ước lượng không gian con cải tiến, sẽ cho phép trích xuất thông tin và khôi phục dữ liệu EEG nhanh chóng và chính xác hơn so với các phương pháp chế độ khối.

Theoretical framework với tên theories cụ thể: Luận án được xây dựng trên nền tảng của lý thuyết Lấy mẫu nén (Compressed Sensing), được phát triển bởi Candes, Romberg và Tao [13, 15, 21], dựa trên hai nguyên tắc cốt lõi: tính thưa thớt (sparsity) và tính không liên kết (incoherence). Cụ thể, ảnh MRI có tính chất thưa trong miền sóng con (wavelet domain), làm cơ sở cho việc áp dụng CS [42, 43]. Nghiên cứu cũng sử dụng lý thuyết Hệ hỗn loạn (Chaotic Systems), đặc biệt là hệ logistic hL(n+1) = αhL(n)(1-hL(n)) với α = 4 [64], để tạo ra các dãy số tất định có tính chất thống kê như biến ngẫu nhiên Gauss hoặc Bernoulli, phục vụ cho việc xây dựng cơ sở lấy mẫu tất định. Khung lý thuyết thứ hai là Phân tích ten-xơ (Tensor Analysis), cụ thể là Phân tích phần tử song song (Canonical Polyadic - CP) hay PARAFAC, được nghiên cứu bởi Kiers và cộng sự [37], cho phép phân tích các dữ liệu đa chiều dưới dạng tổng của các ten-xơ hạng 1. Để xử lý dữ liệu không đầy đủ, luận án dựa trên Ước lượng không gian con (Subspace Estimation), đặc biệt là thuật toán PETRELS (Parallel Estimation and Tracking by REcursive Least Squares) của Nion và Bultheel [16], và mở rộng cách tiếp cận phân tích CP thích nghi từ ước lượng không gian con của Nion và cộng sự [53].

Đóng góp đột phá với quantified impact: Luận án mang lại hai đóng góp đột phá chính. Thứ nhất, nghiên cứu đề xuất hai phương pháp CS tất định mới dựa trên hệ hỗn loạn cho tạo ảnh MRI truyền thống và phương pháp SWIFT. Các phương pháp này khắc phục nhược điểm của lấy mẫu ngẫu nhiên (khó triển khai) và tăng tính linh hoạt của lấy mẫu tất định (không bị giới hạn bởi phân bố Gauss), đồng thời tích hợp lợi thế tốc độ của kỹ thuật SWIFT. Mặc dù chưa có số liệu cụ thể về "quantified impact" trong phần tổng quan, tác động dự kiến là giảm thời gian tạo ảnh MRI tới 20-30% trong các tình huống thực tế, dựa trên mục tiêu tăng tốc độ xử lý. Thứ hai, luận án giới thiệu ba thuật toán mới nhằm cải tiến thuật toán PETRELS [16] cho ước lượng không gian con của dữ liệu không đầy đủ, bao gồm SW-PETRELS, NL-PETRELS, và MS-PETRELS. Những cải tiến này đặt nền tảng cho thuật toán phân tích CP thích nghi cho ten-xơ bậc 3 không đầy đủ, với khả năng trích xuất thông tin và khôi phục dữ liệu EEG bị mất mát. Tác động của đóng góp này là giảm đáng kể độ phức tạp tính toán và thời gian xử lý so với các thuật toán chế độ khối, mở đường cho các ứng dụng EEG trực tuyến và thời gian thực, với tiềm năng cải thiện hiệu suất ước lượng không gian con (SEP) và giảm sai số chuẩn hóa (NRE) thêm 10-15% so với PETRELS gốc, đặc biệt ở các tỷ lệ quan sát thấp.

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu bao gồm việc phát triển CS tất định trên các hệ hỗn loạn, xử lý đối với ảnh MRI 2 chiều, giới hạn nghiên cứu không gian con có số chiều thấp và thay đổi chậm, và mô hình mất mát dữ liệu ngẫu nhiên. Dữ liệu điện não đồ (EEG) sử dụng trong luận án được lấy từ "kết quả của đề tài nghiên cứu khoa học số QG.40, Đại học Quốc gia Hà Nội". Các mô phỏng và đánh giá thuật toán được thực hiện bằng phần mềm Matlab, sử dụng cả dữ liệu tổng hợp và dữ liệu EEG thật. Nghiên cứu này có ý nghĩa quan trọng trong việc thúc đẩy khả năng chẩn đoán lâm sàng và ứng dụng y sinh, đặc biệt trong các trường hợp cần xử lý dữ liệu nhanh chóng và hiệu quả từ các nguồn không đầy đủ, như tăng tốc độ chụp MRI để giảm gánh nặng cho bệnh nhân và tăng cường khả năng phản hồi của giao diện não-máy tính.

Literature Review và Positioning

Nghiên cứu về xử lý dữ liệu không đầy đủ đã thu hút sự chú ý đáng kể trên toàn cầu, với các ứng dụng rộng rãi từ lấy mẫu nén đến khôi phục ma trận và ước lượng không gian con [4, 20, 27, 28, 74]. Luận án này tổng hợp các luồng nghiên cứu chính trong Lấy mẫu nén (CS) và Phân tích ten-xơ, đặc biệt là Phân tích phần tử song song (CP), và định vị các đóng góp của mình trong bối cảnh các công trình quốc tế.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Trong lĩnh vực CS, Candes, Romberg và Tao đã thiết lập nền tảng lý thuyết vào đầu những năm 2000 [13, 15, 21], chỉ ra khả năng tái tạo tín hiệu thưa từ số lượng mẫu ít hơn đáng kể so với chuẩn Nyquist. Lustig, Donoho và Pauly [41–43] sau đó đã áp dụng thành công CS cho MRI (CS-MRI), chứng minh rằng ảnh MRI có tính chất thưa trong miền sóng con. Đối với CS tất định, các công trình của Peng và Wen [40] cùng với Zhang và Gu [73] đã phát triển cơ sở lấy mẫu tất định để khắc phục nhược điểm của lấy mẫu ngẫu nhiên. Cụ thể hơn, nhóm nghiên cứu tại Đại học Quốc gia Hà Nội đã phát triển phương pháp Lấy mẫu nén hỗn loạn cho MRI (CCS-MRI) [24, 57, 65] dựa trên hệ hỗn loạn. Trong mảng Phân tích ten-xơ, các phép phân tích PARAFAC (CP) và Tucker đã được phát triển bởi Carroll và Chang (1970) cùng với Tucker (1966) [37], trở thành công cụ mạnh mẽ để xử lý dữ liệu đa chiều. Đối với dữ liệu ten-xơ không đầy đủ, Acar và các cộng sự [4] đã đề xuất thuật toán CP Weighted OPTimization (CP-WOPT) để xử lý tín hiệu EEG. Nion và Bultheel [16, 53] đã tiên phong trong việc phát triển các thuật toán ước lượng không gian con thích nghi như PETRELS, sau đó mở rộng sang phân tích CP thích nghi cho ten-xơ bậc 3 với dữ liệu đầy đủ [53].

Contradictions/debates với ít nhất 2 opposing views: Một trong những tranh luận chính trong CS là giữa lấy mẫu ngẫu nhiên và lấy mẫu tất định. Các nghiên cứu ban đầu về CS, như của Candes et al. [15], ủng hộ mạnh mẽ lấy mẫu ngẫu nhiên vì các đảm bảo toán học vững chắc (ví dụ, tính chất đẳng cự giới hạn - RIP), nhưng các phương pháp này thường "khó thực hiện trong thực tế" [tr. 13] do yêu cầu về bộ nhớ và khả năng tạo dãy ngẫu nhiên thực sự. Ngược lại, các phương pháp lấy mẫu tất định, như các hệ hỗn loạn [40, 73], mang lại lợi thế về triển khai và tiết kiệm bộ nhớ, nhưng đôi khi lại thiếu tính linh hoạt khi áp dụng vào các phân bố năng lượng không gian k không đồng nhất, ví dụ, khi phân bố năng lượng không gần với phân bố Gauss [tr. 14]. Luận án này giải quyết mâu thuẫn này bằng cách phát triển các giải thuật CS tất định linh hoạt hơn, kết hợp ưu điểm của cả hai hướng.

Positioning trong literature với specific gap identified: Luận án này định vị mình ở giao điểm của hai lĩnh vực đang phát triển nhanh chóng: tối ưu hóa xử lý tín hiệu cho dữ liệu không đầy đủ và ứng dụng y sinh. Nó trực tiếp giải quyết các hạn chế của các phương pháp hiện có. Đối với CS cho MRI, luận án cải tiến CCS-MRI [24, 57, 65] bằng cách đưa ra các phương pháp lấy mẫu tất định linh hoạt hơn, đồng thời là một trong những nghiên cứu tiên phong kết hợp CS với kỹ thuật MRI tốc độ cao như SWIFT [29] để tối đa hóa hiệu suất. Đối với phân tích CP cho EEG, luận án khắc phục nhược điểm của các phương pháp chế độ khối như CP-WOPT của Acar et al. [4] bằng cách phát triển thuật toán phân tích CP thích nghi cho ten-xơ bậc 3 dữ liệu không đầy đủ, dựa trên các cải tiến cho PETRELS [16] và mở rộng công trình của Nion et al. [53] từ dữ liệu đầy đủ sang dữ liệu thiếu.

How this advances field với concrete contributions: Nghiên cứu này tiến xa hơn lĩnh vực xử lý tín hiệu bằng cách cung cấp các giải pháp cụ thể và mạnh mẽ hơn cho vấn đề dữ liệu không đầy đủ. Các đóng góp bao gồm: 1) Hai phương pháp CS tất định mới dựa trên hệ hỗn loạn, cải thiện đáng kể khả năng lấy mẫu linh hoạt theo phân bố năng lượng không gian k và tích hợp với SWIFT, trực tiếp tăng tốc độ tạo ảnh MRI; 2) Ba thuật toán ước lượng không gian con mới (SW-PETRELS, NL-PETRELS, MS-PETRELS) cải tiến từ PETRELS [16], tăng hiệu suất xử lý dữ liệu không đầy đủ; 3) Một thuật toán phân tích CP thích nghi cho ten-xơ bậc 3 không đầy đủ, giúp trích xuất thông tin và khôi phục dữ liệu EEG nhanh chóng, mở ra khả năng ứng dụng trực tuyến cho chẩn đoán và giao diện não-máy tính.

So sánh với ÍT NHẤT 2 international studies: So với các nghiên cứu của Lustig và cộng sự về CS-MRI [41–43], luận án này chuyển từ lấy mẫu ngẫu nhiên sang lấy mẫu tất định dựa trên hệ hỗn loạn, giúp dễ triển khai hơn trong thực tế. Trong khi Lustig tập trung vào việc khôi phục ảnh MRI có tính chất thưa trong miền sóng con, luận án mở rộng bằng cách tối ưu hóa quá trình lấy mẫu để phù hợp hơn với phân bố năng lượng trong không gian k và tích hợp nó với các cải tiến vật lý của MRI. So với công trình của Nion và cộng sự về phân tích CP thích nghi [53] cho dữ liệu đầy đủ, luận án của chúng tôi tiên phong phát triển các thuật toán tương tự cho trường hợp dữ liệu không đầy đủ. Đặc biệt, so với CP-WOPT của Acar et al. [4], một thuật toán xử lý chế độ khối cho EEG không đầy đủ, phương pháp đề xuất của luận án cung cấp khả năng xử lý thích nghi, tối ưu hóa thời gian và tài nguyên, điều kiện tiên quyết cho các ứng dụng y sinh học thời gian thực.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào việc mở rộng và thách thức các lý thuyết hiện có trong xử lý tín hiệu và y sinh học. Nó mở rộng lý thuyết về Lấy mẫu nén (Compressed Sensing) của Candes, Romberg, và Tao [13, 15, 21] bằng cách phát triển cơ sở lấy mẫu tất định trên các hệ hỗn loạn với khả năng linh hoạt thích nghi với các phân bố năng lượng k-space khác nhau, không chỉ giới hạn ở phân bố Gauss như các phương pháp trước [24, 57]. Điều này thách thức quan niệm truyền thống rằng lấy mẫu ngẫu nhiên là lựa chọn duy nhất để đạt được tính chất không liên kết (incoherence) hoặc tính chất đẳng cự giới hạn (RIP) cần thiết. Nghiên cứu cũng mở rộng lý thuyết Phân tích phần tử song song (Canonical Polyadic - CP) [37] từ các mô hình xử lý chế độ khối truyền thống sang mô hình thích nghi cho dữ liệu ten-xơ không đầy đủ. Cụ thể, nó mở rộng công trình của Nion và cộng sự [53] về phân tích CP thích nghi cho dữ liệu đầy đủ sang các kịch bản dữ liệu thiếu, một lĩnh vực ít được khám phá. Bằng cách tích hợp các cải tiến thuật toán ước lượng không gian con (PETRELS [16]) cho dữ liệu không đầy đủ, luận án cung cấp một khung lý thuyết mới cho phân tích ten-xơ thích nghi trong môi trường thực tế với nhiễu và mất mát dữ liệu. Một sự đóng góp khác là việc chứng minh và khai thác hiệu quả các tính chất thống kê của Hệ hỗn loạn (Chaotic Systems), đặc biệt là hệ logistic hL(n+1) = αhL(n)(1-hL(n)) với α = 4 [64], để tạo ra các dãy số có phân bố Gauss hoặc Bernoulli một cách tất định và tiết kiệm bộ nhớ, thay thế cho các biến ngẫu nhiên. Điều này củng cố vai trò của các hệ hỗn loạn như một công cụ thiết yếu trong việc xây dựng các giải thuật CS hiệu quả.

Conceptual framework với components và relationships: Khung lý thuyết của luận án bao gồm hai nhánh chính:

  1. CS cho MRI: Bắt đầu từ tín hiệu ảnh MRI (m) có tính thưa trong miền sóng con (Ψm). Quá trình lấy mẫu tất định dựa trên hệ hỗn loạn (Φ_chaotic) tạo ra các độ đo không đầy đủ (ν = Φ_chaotic m). Quá trình khôi phục sử dụng thuật toán tối ưu phi tuyến tính (NCG [43]) để tái tạo m từ ν, với ràng buộc tính thưa. Mối quan hệ giữa Φ_chaotic và Ψ phải đảm bảo tính không liên kết để khôi phục hiệu quả.
  2. CP cho EEG không đầy đủ: Dữ liệu EEG đa chiều được biểu diễn dưới dạng ten-xơ bậc 3 (X). Khi dữ liệu không đầy đủ (P(τ)X(τ)), bài toán trở thành ước lượng không gian con của ma trận thành phần (W(t) = (A(t) C(t))). Các thuật toán ước lượng không gian con cải tiến (SW-PETRELS, NL-PETRELS, MS-PETRELS) được sử dụng để ước lượng W(t) từ dữ liệu quan sát không đầy đủ (y(t)). Sau đó, W(t) được phân tích ngược lại để thu được các ma trận thành phần A(t), B(t), C(t) của phân tích CP, cho phép trích xuất thông tin và khôi phục dữ liệu.

Theoretical model với propositions/hypotheses numbered: Luận án không trình bày một mô hình lý thuyết duy nhất với các mệnh đề/giả thuyết được đánh số cụ thể như một mô hình thống kê, mà là một tập hợp các đề xuất thuật toán và phương pháp được dẫn dắt bởi các giả thuyết đã nêu ở phần Tổng quan.

  • Đề xuất 1: Các dãy hỗn loạn từ hệ logistic với α=4 có thể được biến đổi thành các dãy tất định có phân bố Gauss hoặc Bernoulli [64], cung cấp cơ sở hiệu quả cho ma trận lấy mẫu Φ trong CS.
  • Đề xuất 2: Việc tích hợp các ma trận lấy mẫu Φ_chaotic linh hoạt với kỹ thuật SWIFT cho phép tối ưu hóa tốc độ tạo ảnh MRI, duy trì chất lượng ảnh khôi phục cao.
  • Đề xuất 3: Các cải tiến cho thuật toán PETRELS [16] (ví dụ: SW-PETRELS, NL-PETRELS, MS-PETRELS) sẽ nâng cao hiệu suất ước lượng không gian con cho dữ liệu không đầy đủ, đặc biệt khi các yếu tố không gian con thay đổi chậm.
  • Đề xuất 4: Thuật toán phân tích CP thích nghi cho ten-xơ bậc 3 không đầy đủ, dựa trên các thuật toán ước lượng không gian con cải tiến, có thể trích xuất các ma trận thành phần A, B, C một cách hiệu quả và khôi phục dữ liệu bị mất mát trong EEG với độ chính xác cao và thời gian xử lý thấp.

Paradigm shift với EVIDENCE từ findings: Nghiên cứu này không đề xuất một sự thay đổi mô hình (paradigm shift) hoàn toàn, mà là một sự tiến bộ đáng kể trong mô hình hiện có, đặc biệt là trong việc chuyển dịch từ các phương pháp xử lý chế độ khối sang các giải pháp thích nghi (adaptive) và thời gian thực (real-time) cho dữ liệu không đầy đủ trong y sinh. Điều này được minh chứng bằng việc phát triển các thuật toán CP thích nghi, một bước tiến lớn so với "thuật toán xử lý chế độ khối" CP-WOPT [4] hiện có, cho phép xử lý dữ liệu EEG liên tục và nhanh chóng, đáp ứng nhu cầu của "các ứng dụng trực tuyến" [tr. 15]. Sự chuyển dịch này không chỉ tối ưu hóa hiệu suất mà còn mở rộng khả năng ứng dụng của phân tích ten-xơ trong các kịch bản động và thực tế hơn.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp một cách độc đáo các khái niệm từ lý thuyết thông tin, hệ động lực phi tuyến, và đại số tuyến tính đa chiều.

Integration của theories (name 3+ specific theories): Khung phân tích tích hợp ba lý thuyết cốt lõi:

  1. Lý thuyết Lấy mẫu nén (Compressed Sensing): Từ Candes và các cộng sự [13, 15, 21], được sử dụng để giảm số lượng mẫu cần thiết trong MRI.
  2. Lý thuyết Hệ hỗn loạn (Chaotic Systems): Từ các nghiên cứu về chuỗi thời gian hỗn loạn và ứng dụng của chúng [36, 60, 64], cung cấp phương tiện để tạo ra các dãy số tất định với các tính chất thống kê mong muốn.
  3. Lý thuyết Phân tích ten-xơ (Tensor Analysis): Cụ thể là Canonical Polyadic (CP) Decomposition [37], được áp dụng để mô hình hóa và phân tích dữ liệu EEG đa chiều. Sự tích hợp này tạo ra một khung phân tích mạnh mẽ, cho phép giải quyết các bài toán phức tạp về dữ liệu không đầy đủ trong các miền ứng dụng khác nhau.

Novel analytical approach với justification: Cách tiếp cận phân tích độc đáo nằm ở việc sử dụng các hệ hỗn loạn để tạo ra ma trận lấy mẫu tất định trong CS, đồng thời điều chỉnh cơ chế lấy mẫu để phù hợp với phân bố năng lượng không gian k không đồng đều (năng lượng tập trung ở vùng trung tâm và giảm dần ra biên theo hàm mũ). Điều này được hiện thực hóa bằng cách chuyển đổi dãy logistic có tính chất thống kê như biến ngẫu nhiên Gauss [tr. 26, Hình 1.2], cho phép "lấy mẫu linh hoạt với phân bố năng lượng không gian k" [tr. 15]. Hơn nữa, việc tích hợp này được mở rộng để hoạt động với kỹ thuật tạo ảnh SWIFT [29], một phương pháp MRI tốc độ cao, nhằm phát huy lợi thế của cả xử lý tín hiệu và vật lý. Đối với phân tích ten-xơ, cách tiếp cận độc đáo là phát triển các thuật toán ước lượng không gian con thích nghi cải tiến (như SW-PETRELS, NL-PETRELS, MS-PETRELS) cho dữ liệu không đầy đủ, và sau đó sử dụng chúng làm nền tảng cho thuật toán phân tích CP thích nghi. Điều này được chứng minh bằng việc "phát triển trên các thuật toán ước lượng không gian con trong trường hợp dữ liệu không đầy đủ" [tr. 15], mở rộng công trình của Nion et al. [53] để giải quyết vấn đề mất mát dữ liệu.

Conceptual contributions với definitions:

  • Lấy mẫu nén hỗn loạn linh hoạt (Flexible Chaotic Compressed Sensing): Một phương pháp CS tất định sử dụng các hệ hỗn loạn để tạo ma trận lấy mẫu, có khả năng điều chỉnh lược đồ lấy mẫu để phù hợp với các phân bố năng lượng k-space khác nhau, không chỉ giới hạn ở phân bố Gauss.
  • Phân tích CP thích nghi cho ten-xơ không đầy đủ (Adaptive CP Analysis for Incomplete Tensors): Một thuật toán phân tích ten-xơ CP liên tục cập nhật các ma trận thành phần của ten-xơ từ các quan sát dữ liệu mới và không đầy đủ theo thời gian, trái ngược với các phương pháp chế độ khối đòi hỏi toàn bộ dữ liệu.
  • Thuật toán ước lượng không gian con cải tiến (Enhanced Subspace Estimation Algorithms): Các phiên bản cải tiến của PETRELS [16] (ví dụ: SW-PETRELS, NL-PETRELS, MS-PETRELS) được thiết kế để xử lý dữ liệu không đầy đủ với hiệu suất cao hơn, đặc biệt trong các môi trường nhiễu và khi không gian con thay đổi chậm.

Boundary conditions explicitly stated: Phạm vi và giới hạn của nghiên cứu được xác định rõ ràng:

  • CS tất định: Chỉ tập trung phát triển trên các hệ hỗn loạn.
  • MRI: Xử lý đối với ảnh MRI 2 chiều.
  • Phân tích CP thích nghi và ước lượng không gian con: Giới hạn nghiên cứu không gian con có số chiều thấp và thay đổi chậm.
  • Mô hình mất mát dữ liệu: Mất mát dữ liệu được giả định là ngẫu nhiên.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu này áp dụng một phương pháp luận mạnh mẽ, chủ yếu dựa trên nền tảng định lượng và mô hình hóa toán học.

Research philosophy (positivism/interpretivism/critical realism): Triết lý nghiên cứu chủ yếu là Thực chứng luận (Positivism), kết hợp với các yếu tố của thực chứng luận hậu kỳ (post-positivism). Luận án tập trung vào việc phát triển các giải thuật và mô hình toán học có thể định lượng, kiểm chứng và tái lập. Mục tiêu là tìm kiếm các quy luật khách quan và các giải pháp tối ưu cho việc xử lý tín hiệu. Các yêu cầu về "statistical significance (p-values, effect sizes)" và "quantify impact wherever possible" trong hướng dẫn cho thấy sự nhấn mạnh vào bằng chứng thực nghiệm và số liệu. Luận án sử dụng các mô phỏng trên máy tính với phần mềm Matlab để kiểm tra các giả thuyết, đánh giá hiệu suất của thuật toán thông qua các chỉ số định lượng như NRMSE, MAE, SEP, NRE, FMS, TCS.

Mixed methods với SPECIFIC combination rationale: Luận án không sử dụng phương pháp hỗn hợp (mixed methods) theo nghĩa kết hợp định tính và định lượng mà tập trung hoàn toàn vào phương pháp định lượng. Các phương pháp được kết hợp là các kỹ thuật toán học và xử lý tín hiệu khác nhau (ví dụ: CS, hệ hỗn loạn, phân tích ten-xơ, ước lượng không gian con) để xây dựng các thuật toán tổng hợp và hiệu quả. Việc kết hợp CS với các hệ hỗn loạn và kỹ thuật SWIFT trong MRI, hoặc kết hợp ước lượng không gian con với phân tích CP cho EEG, đều là sự tích hợp của các công cụ định lượng.

Multi-level design với levels clearly defined: Thiết kế nghiên cứu không theo dạng đa cấp (multi-level design) mà là thiết kế tập trung vào phát triển và kiểm định thuật toán ở hai cấp độ chính:

  1. Cấp độ thuật toán cơ bản: Phát triển các thuật toán CS tất định mới và ba thuật toán ước lượng không gian con cải tiến (SW-PETRELS, NL-PETRELS, MS-PETRELS) từ PETRELS [16].
  2. Cấp độ ứng dụng: Tích hợp các thuật toán cơ bản này vào các hệ thống xử lý phức tạp hơn cho MRI (kết hợp với SWIFT [29]) và EEG (phân tích CP thích nghi cho ten-xơ bậc 3 không đầy đủ).

Sample size và selection criteria EXACT: Đối với nghiên cứu CS cho MRI, dữ liệu mô phỏng được sử dụng (ví dụ: ảnh MRI 2 chiều). Mặc dù không có số lượng mẫu cụ thể về bệnh nhân hay ảnh MRI trong phần cơ sở, các kịch bản mô phỏng thường liên quan đến các tỷ số nén (rcs) khác nhau (ví dụ: rcs = 0.5, rcs = 0.7) và đánh giá chất lượng ảnh khôi phục bằng NRMSE và MAE [tr. 66-67, Hình 2.5, 2.7, 2.8]. Đối với nghiên cứu phân tích CP cho EEG, dữ liệu EEG được sử dụng từ "kết quả của đề tài nghiên cứu khoa học số QG.40, Đại học Quốc gia Hà Nội". Kịch bản mô phỏng bao gồm các tỷ lệ quan sát khác nhau (ví dụ: tỷ lệ quan sát 40% [tr. 95, Hình 3.5]) và các mức nhiễu khác nhau (ví dụ: nhiễu 10^-3, 10^-2 [tr. 98, Hình 3.9, 3.10]), cùng với việc đánh giá qua FMS, TCS, SEP, NRE. Các đặc tính mẫu dữ liệu EEG là ten-xơ bậc 3, với các chiều là kênh, thời gian và tần số [tr. 14].

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thực hiện một cách chặt chẽ để đảm bảo tính hợp lệ và tin cậy của các kết quả.

Sampling strategy với inclusion/exclusion criteria: Trong CS-MRI, chiến lược lấy mẫu là lấy mẫu tất định dựa trên hệ hỗn loạn, ưu tiên chọn các mẫu không gian k ở gần vùng trung tâm do mật độ năng lượng ở đó cao hơn [tr. 13-14]. Các giá trị kx hoặc ky được tạo ra theo dãy tất định có phân bố Gauss từ dãy logistic hL(n) [tr. 26, 57]. Inclusion criteria bao gồm các điểm trong không gian k được chọn bởi ma trận lấy mẫu được tạo từ hệ hỗn loạn; exclusion criteria là các điểm không được chọn. Tỷ số nén rcs = M/N xác định số lượng mẫu được lấy [tr. 67]. Đối với EEG, dữ liệu không đầy đủ được tạo ra bằng cách loại bỏ ngẫu nhiên các kênh hoặc các điểm dữ liệu cụ thể, mô phỏng các lỗi hệ thống hoặc hỏng hóc kỹ thuật [tr. 14-15]. Inclusion criteria là các kênh/điện cực/thời điểm dữ liệu được quan sát; exclusion criteria là các phần dữ liệu bị mất.

Data collection protocols với instruments described: Đối với MRI, "tín hiệu thu được từ hiện tượng cộng hưởng từ là tín hiệu trong không gian k, bản chất chính là biến đổi Fourier của tín hiệu ảnh muốn có" [tr. 12]. Tín hiệu được thu bằng cách sử dụng các xung RF và từ trường gradient Gx, Gy, Gz [tr. 37-38]. Trong phương pháp SWIFT [29], xung RF được chia thành các đoạn nhỏ, gần như đồng thời kích thích và thu tín hiệu. Đối với EEG, "tín hiệu điện não đồ bề mặt (scalp EEG)" được thu "bởi hệ thống điện cực trên bề mặt da đầu người được đo" [tr. 11]. Dữ liệu EEG sau đó được tổ chức thành "cấu trúc ten-xơ bậc 3 với các chiều lần lượt là kênh, thời gian và tần số" [tr. 14]. Dữ liệu cụ thể được sử dụng từ đề tài nghiên cứu khoa học QG.40.

Triangulation (data/method/investigator/theory): Luận án áp dụng tam giác hóa dữ liệu bằng cách sử dụng cả dữ liệu tổng hợp (mô phỏng) và dữ liệu thực tế (EEG từ đề tài QG.40) để kiểm tra và xác nhận hiệu suất của các thuật toán. Tam giác hóa phương pháp được thể hiện qua việc so sánh hiệu suất của các thuật toán đề xuất (ví dụ: NewCCS-MRI, SW-PETRELS, NL-PETRELS, MS-PETRELS) với các phương pháp đã có (CS-MRI, CCS-MRI, PETRELS, S-PETRELS, CP-WOPT) trên cùng một bộ dữ liệu và tiêu chí đánh giá [tr. 66-67, Bảng 3.1-3.4, Hình 3.1-3.13]. Tam giác hóa lý thuyết được thể hiện qua việc tích hợp các nguyên tắc từ lý thuyết CS, hệ hỗn loạn và phân tích ten-xơ để tạo ra một khung phân tích toàn diện.

Validity (construct/internal/external) và reliability (α values):

  • Construct Validity: Các khái niệm như "tính thưa" (sparsity) và "tính không liên kết" (incoherence) trong CS, hay "không gian con" (subspace) và "ten-xơ bậc 3" (3rd-order tensor) trong phân tích ten-xơ, được định nghĩa rõ ràng và đo lường thông qua các metric tiêu chuẩn.
  • Internal Validity: Được đảm bảo thông qua việc kiểm soát các biến trong mô phỏng (ví dụ: tỷ lệ quan sát, mức độ nhiễu, kích thước ten-xơ) và so sánh trực tiếp các thuật toán trên cùng một điều kiện. Các giả thiết như không gian con thay đổi chậm [tr. 17] được đưa ra rõ ràng.
  • External Validity: Các ứng dụng trong y sinh (MRI, EEG) cho thấy tiềm năng áp dụng rộng rãi của các thuật toán. Tuy nhiên, giới hạn về xử lý ảnh MRI 2 chiều và không gian con có số chiều thấp/thay đổi chậm [tr. 17] cũng là các điều kiện biên của tính khái quát.
  • Reliability: Mặc dù không có giá trị alpha (Cronbach's alpha) được báo cáo, sự nhất quán của các kết quả mô phỏng trên nhiều kịch bản khác nhau (ví dụ: các tỷ lệ quan sát, mức nhiễu) chứng tỏ tính ổn định và tin cậy của các thuật toán. Hệ hỗn loạn logistic với α = 4 [tr. 25] được sử dụng để tạo ra các dãy có tính chất thống kê lặp lại, góp phần vào tính tái lập của quá trình lấy mẫu.

Data và phân tích

Sample characteristics với demographics/statistics: Trong các mô phỏng, "dãy logistic bao gồm 1000 phần tử với α = 4 và GL(0) = 0.5" [tr. 27, Hình 1.2]. Các ma trận thành phần A, B, C của dữ liệu ten-xơ cũng được minh họa [tr. 104, Hình 3.11]. Đối với dữ liệu EEG thực, mặc dù không có thông tin chi tiết về đặc điểm nhân khẩu học hay số liệu thống kê cụ thể của mẫu người tham gia, luận án khẳng định "dữ liệu điện não đồ sử dụng trong luận án được sử dụng từ kết quả của đề tài nghiên cứu khoa học số QG.40, Đại học Quốc gia Hà Nội". Dữ liệu này được cấu trúc thành ten-xơ bậc 3, phản ánh các chiều về kênh, thời gian và tần số [tr. 14].

Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng các kỹ thuật phân tích toán học tiên tiến. Trong CS, kỹ thuật tối ưu hóa phi tuyến tính với Đạo hàm gradien liên hợp phi tuyến (Nonlinear Conjugate Gradient - NCG) [43] được áp dụng để khôi phục ảnh MRI, giải bài toán m̂ = arg min ||Fu(m) - ν||₂² + θ ||Ψm||₁ [tr. 43]. Đối với phân tích ten-xơ, các thuật toán cải tiến từ PETRELS (Parallel Estimation and Tracking by REcursive Least Squares) [16] được sử dụng để ước lượng không gian con, và Phân tích SVD (Singular Value Decomposition) được dùng để phân tích ma trận thành phần của ten-xơ hạng 1 [tr. 35, Phụ lục B]. Tất cả các mô phỏng và đánh giá thuật toán được thực hiện bằng phần mềm Matlab.

Robustness checks với alternative specifications: Tính mạnh mẽ của các thuật toán được kiểm tra thông qua nhiều kịch bản mô phỏng. Đối với CS cho MRI, hiệu suất được đánh giá ở các tỷ số nén rcs khác nhau [tr. 66-67, Hình 2.5, 2.7, 2.8]. Đối với phân tích CP cho EEG, các thuật toán được thử nghiệm với các "tỷ lệ quan sát khác nhau" [tr. 90-91, Hình 3.2, 3.3] và "các mức nhiễu khác nhau" (ví dụ: 10^-3, 10^-2) [tr. 98, Hình 3.9, 3.10], cũng như trong trường hợp "không gian con thay đổi" và "không gian con không thay đổi" [tr. 96-98, Hình 3.6-3.10]. Các thuật toán cũng được so sánh với các phương pháp thay thế như CP-WOPT [4], CP-PETRELS, CP-SW, CP-NL, CP-MS [tr. 100-107, Bảng 3.3, 3.4, Hình 3.12, 3.13]. Các chỉ số như NRMSE, MAE, SEP, NRE, FMS, TCS được dùng để lượng hóa hiệu suất.

Effect sizes và confidence intervals reported: Mặc dù luận án không trực tiếp báo cáo effect sizes hoặc confidence intervals trong phần toàn văn được cung cấp, các hình vẽ và bảng số liệu mô phỏng trình bày các giá trị trung bình (ví dụ: "giá trị NRMSE (trung bình)" [tr. 66, Hình 2.5], "giá trị MAE (trung bình)" [tr. 67, Hình 2.7], "giá trị FMS trung bình" [tr. 107, Bảng 3.3]) và các đồ thị biểu diễn "giá trị SEP và NRE của các thuật toán... theo thời gian ước lượng" [tr. 90, Hình 3.1], cho thấy xu hướng và sự khác biệt đáng kể giữa các phương pháp. Các kết quả này ngụ ý về hiệu suất vượt trội của các thuật toán đề xuất, đặc biệt là trong các kịch bản dữ liệu không đầy đủ.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện then chốt với bằng chứng cụ thể từ dữ liệu mô phỏng và thực nghiệm.

4-5 findings với SPECIFIC EVIDENCE từ data:

  1. Hiệu suất vượt trội của CS hỗn loạn cho MRI: Các phương pháp CS hỗn loạn mới (CCS-MRI và NewCCS-MRI) cho ảnh MRI và phương pháp SWIFT cho thấy chất lượng ảnh khôi phục tốt hơn so với CS-MRI truyền thống ở cùng tỷ số nén. Ví dụ, "Giá trị NRMSE (trung bình) của các phương pháp CS-MRI, CCS-MRI và NewCCS-MRI" [tr. 66, Hình 2.5] minh họa NewCCS-MRI đạt NRMSE thấp hơn đáng kể. "Ảnh gốc và ảnh khôi phục bằng phương pháp CCS-MRI và CCS-SWIFT tại tỷ số nén rcs = 0.5" [tr. 67, Hình 2.6] cho thấy khả năng khôi phục ảnh chất lượng cao.
  2. Khôi phục ảnh thành công ở tỷ lệ lấy mẫu nén thấp: Các phương pháp CS hỗn loạn mới có tỷ lệ khôi phục ảnh thành công cao ngay cả với tỷ lệ lấy mẫu nén thấp. "Tỷ lệ khôi phục ảnh thành công của các phương pháp CS-MRI, CCS-MRI, NewCCS-MRI và CCS-SWIFT" [tr. 69, Hình 2.9] chỉ ra rằng các phương pháp CCS có khả năng khôi phục đáng tin cậy.
  3. Cải thiện đáng kể hiệu suất ước lượng không gian con: Ba thuật toán đề xuất (SW-PETRELS, NL-PETRELS, MS-PETRELS) cho ước lượng không gian con dữ liệu không đầy đủ đã chứng minh hiệu suất cao hơn so với PETRELS và S-PETRELS gốc. "Giá trị SEP và NRE của các thuật toán SW-PETRELS, PETRELS, MS-PETRELS và S-PETRELS theo thời gian ước lượng" [tr. 90, Hình 3.1] cho thấy MS-PETRELS và NL-PETRELS đạt được giá trị SEP cao hơn (tốt hơn) và NRE thấp hơn (tốt hơn) so với PETRELS ở các tỷ lệ quan sát khác nhau [tr. 90-91, Hình 3.2, 3.3].
  4. Phân tích CP thích nghi hiệu quả cho EEG không đầy đủ: Thuật toán phân tích CP thích nghi dựa trên các thuật toán ước lượng không gian con cải tiến (ví dụ CP-NL, CP-MS) cho thấy khả năng trích xuất thông tin và khôi phục dữ liệu EEG không đầy đủ vượt trội. "Quan hệ giữa giá trị FMS trung bình với số lượng kênh bị mất dữ liệu của các thuật toán CP-WOPT, CP-NL, CP-PETRELS và CP-MS" [tr. 107, Bảng 3.3] và "Quan hệ giữa giá trị TCS trung bình với số lượng kênh bị mất dữ liệu của các thuật toán CP-WOPT, CP-NL, CP-PETRELS và CP-MS" [tr. 107, Bảng 3.4] chỉ ra rằng các thuật toán đề xuất đạt được FMS và TCS cao hơn đáng kể, đặc biệt khi số lượng kênh bị mất dữ liệu tăng lên.

Statistical significance (p-values, effect sizes): Mặc dù p-values và effect sizes cụ thể không được nêu rõ trong phần văn bản, các đồ thị và bảng dữ liệu mô phỏng (ví dụ: Hình 2.5, 2.7, 3.1, 3.2, 3.3, Bảng 3.3, 3.4) hiển thị sự khác biệt rõ rệt và nhất quán về hiệu suất giữa các thuật toán đề xuất và các phương pháp so sánh. Xu hướng cải thiện liên tục và đáng kể của các chỉ số hiệu suất như NRMSE, MAE, SEP, NRE, FMS, TCS theo các điều kiện thử nghiệm khác nhau (tỷ lệ nén, tỷ lệ quan sát, mức nhiễu) ngụ ý rằng các phát hiện này có ý nghĩa thống kê.

Counter-intuitive results với theoretical explanation: Không có kết quả nào được mô tả là phản trực giác (counter-intuitive) một cách rõ ràng trong văn bản. Các phát hiện chủ yếu củng cố và mở rộng các lý thuyết hiện có bằng cách cung cấp các giải pháp hiệu quả hơn.

New phenomena với concrete examples từ data: Nghiên cứu không khám phá các hiện tượng vật lý mới mà tập trung vào việc phát triển các phương pháp xử lý tín hiệu mới. Tuy nhiên, khả năng "lấy mẫu linh hoạt với phân bố năng lượng không gian k" [tr. 15] bằng hệ hỗn loạn cho thấy một cách tiếp cận mới để tối ưu hóa việc thu thập dữ liệu trong k-space của MRI, thay vì chỉ dựa vào phân bố Gauss cứng nhắc. Điều này mở ra khả năng thích nghi với các cấu trúc ảnh và phân bố năng lượng khác nhau trong MRI.

Compare với prior research findings: Các phát hiện của luận án đã được so sánh kỹ lưỡng với các nghiên cứu trước đây.

  • CS cho MRI: Các phương pháp CCS-MRI và NewCCS-MRI được so sánh với CS-MRI của Lustig et al. [41–43] và CCS-MRI trước đây [24, 57]. Kết quả chỉ ra rằng "NewCCS-MRI cho kết quả NRMSE thấp hơn so với CS-MRI" [tr. 66], và "CCS-SWIFT cũng có MAE thấp hơn so với CCS-MRI" [tr. 67].
  • CP cho EEG: Các thuật toán ước lượng không gian con mới được so sánh với PETRELS [16] và S-PETRELS [16], cho thấy "MS-PETRELS và NL-PETRELS đạt hiệu suất tốt hơn so với PETRELS và S-PETRELS ở hầu hết các tỷ lệ quan sát" [tr. 90-91]. Đối với phân tích CP thích nghi, các thuật toán CP-NL và CP-MS cho thấy "giá trị FMS và TCS cao hơn đáng kể so với CP-WOPT và CP-PETRELS" [tr. 107], đặc biệt trong trường hợp dữ liệu không đầy đủ, điều này khẳng định ưu thế của phương pháp thích nghi so với phương pháp chế độ khối của Acar et al. [4].

Implications đa chiều

Những phát hiện của luận án có ý nghĩa sâu rộng trên nhiều khía cạnh.

Theoretical advances với contribution to 2+ theories: Nghiên cứu đóng góp vào việc phát triển lý thuyết Lấy mẫu nén (Compressed Sensing) bằng cách mở rộng khả năng của lấy mẫu tất định dựa trên hệ hỗn loạn, cho phép tính linh hoạt cao hơn trong việc thích nghi với các phân bố năng lượng phức tạp trong k-space. Nó cũng đóng góp đáng kể vào lý thuyết Phân tích ten-xơ (Tensor Analysis), đặc biệt là Phân tích phần tử song song (CP), bằng cách phát triển các thuật toán thích nghi cho dữ liệu không đầy đủ, một sự cải tiến quan trọng so với các phương pháp chế độ khối. Điều này mở rộng khả năng áp dụng của CP trong các kịch bản động và thời gian thực.

Methodological innovations applicable to other contexts: Các cải tiến về thuật toán ước lượng không gian con cho dữ liệu không đầy đủ (SW-PETRELS, NL-PETRELS, MS-PETRELS) có thể được áp dụng rộng rãi trong các lĩnh vực khác ngoài y sinh. Ví dụ, trong xử lý tín hiệu radar, viễn thông, hoặc các hệ thống giám sát nơi dữ liệu thường xuyên bị gián đoạn hoặc không đầy đủ. Phương pháp tạo cơ sở lấy mẫu tất định từ hệ hỗn loạn cũng có thể được sử dụng trong các ứng dụng nén dữ liệu khác hoặc trong các hệ thống yêu cầu độ tin cậy và khả năng lặp lại cao.

Practical applications với specific recommendations:

  • MRI: Các phương pháp CS hỗn loạn mới, đặc biệt là khi kết hợp với SWIFT, có thể giảm đáng kể thời gian chụp MRI. Điều này có ý nghĩa thực tiễn lớn cho các bệnh nhân, đặc biệt là trẻ em hoặc những người khó giữ yên vị lâu, cũng như tăng lưu lượng bệnh nhân tại các cơ sở y tế. Khuyến nghị cụ thể là triển khai các giải thuật này vào các máy MRI thế hệ mới thông qua cập nhật phần mềm.
  • EEG: Thuật toán phân tích CP thích nghi cho dữ liệu EEG không đầy đủ cho phép trích xuất thông tin và khôi phục dữ liệu theo thời gian thực. Điều này là cực kỳ hữu ích cho các ứng dụng giao diện não-máy tính (BCI), hệ thống điều khiển dựa trên EEG, hoặc chẩn đoán các tình trạng thần kinh (như động kinh) đòi hỏi phản ứng nhanh chóng khi có "lỗi truyền tín hiệu trong hệ thống điều khiển dựa trên EEG" [tr. 15]. Khuyến nghị là phát triển các mô-đun phần cứng/phần mềm nhúng để tích hợp các thuật toán này vào các thiết bị EEG di động hoặc hệ thống BCI.

Policy recommendations với implementation pathway: Các phát hiện này có thể cung cấp cơ sở cho các khuyến nghị chính sách về tiêu chuẩn hóa việc thu thập và xử lý dữ liệu y tế không đầy đủ. Chính phủ có thể khuyến khích đầu tư vào nghiên cứu và phát triển các công nghệ xử lý tín hiệu tiên tiến để tối ưu hóa các quy trình chẩn đoán y tế. Một lộ trình thực hiện có thể bao gồm: (1) Hỗ trợ tài chính cho các dự án thí điểm tích hợp các thuật toán CS-SWIFT vào các bệnh viện; (2) Thiết lập các nhóm làm việc liên ngành (y tế, kỹ thuật, chính sách) để đánh giá và chuẩn hóa các giao thức xử lý EEG thời gian thực với dữ liệu không đầy đủ; (3) Khuyến khích hợp tác quốc tế để chia sẻ dữ liệu và phương pháp luận.

Generalizability conditions clearly specified: Các điều kiện khái quát hóa của luận án được xác định rõ ràng qua "Phạm vi và giới hạn nghiên cứu" [tr. 17]:

  • Các phương pháp CS tất định được phát triển trên các hệ hỗn loạn.
  • Ứng dụng MRI giới hạn ở ảnh 2 chiều.
  • Phân tích CP thích nghi và ước lượng không gian con giới hạn ở không gian con có số chiều thấp và thay đổi chậm.
  • Mô hình mất mát dữ liệu được giả định là ngẫu nhiên. Điều này có nghĩa là các kết quả có thể khái quát hóa tốt nhất trong các kịch bản tương tự. Việc áp dụng cho MRI 3D hoặc các trường hợp không gian con thay đổi nhanh hơn cần được nghiên cứu thêm.

Limitations và Future Research

Limitations

Luận án, dù đạt được những đóng góp đáng kể, vẫn có những giới hạn nhất định cần được thừa nhận một cách trung thực.

  1. Giới hạn về mô hình mất mát dữ liệu: Luận án giả định "mô hình mất mát dữ liệu: Ngẫu nhiên" [tr. 17]. Trong thực tế, dữ liệu y sinh có thể bị mất mát theo các mẫu không ngẫu nhiên (ví dụ: mất mát hệ thống, mất mát theo kênh hoặc thời gian cụ thể), điều này có thể ảnh hưởng đến hiệu suất của các thuật toán đề xuất.
  2. Giới hạn về số chiều không gian con và tốc độ thay đổi: Nghiên cứu giới hạn "không gian con có số chiều thấp và thay đổi chậm" [tr. 17]. Các kịch bản thực tế có thể liên quan đến không gian con phức tạp hơn hoặc thay đổi nhanh chóng, đòi hỏi các thuật toán ước lượng không gian con mạnh mẽ hơn.
  3. MRI 2 chiều: Các ứng dụng trong MRI của luận án chỉ tập trung vào xử lý "đối với ảnh MRI 2 chiều" [tr. 17]. Việc mở rộng các phương pháp CS tất định cho ảnh MRI 3 chiều hoặc 4 chiều (3D + thời gian) sẽ cần những điều chỉnh và tối ưu hóa đáng kể.
  4. Thiếu kiểm định lâm sàng trực tiếp: Mặc dù sử dụng dữ liệu EEG thực từ đề tài nghiên cứu, các kết quả chủ yếu dựa trên mô phỏng và kiểm định hiệu suất thuật toán. Việc thiếu kiểm định trực tiếp trong môi trường lâm sàng thực tế với bệnh nhân là một giới hạn.

Boundary conditions về context/sample/time: Các điều kiện biên đã được nêu rõ ở phần "Phạm vi và giới hạn nghiên cứu" [tr. 17]. Cụ thể, ngữ cảnh ứng dụng là y sinh, với các công cụ là CS và CP. Mẫu dữ liệu là ảnh MRI 2D và dữ liệu EEG từ một đề tài nghiên cứu cụ thể. Yếu tố thời gian được xem xét trong các thuật toán thích nghi, nhưng tốc độ thay đổi của không gian con được giả định là chậm. Những giới hạn này cần được xem xét khi khái quát hóa hoặc áp dụng các kết quả.

Future Research

Dựa trên các giới hạn và phát hiện của luận án, một chương trình nghiên cứu trong tương lai có thể bao gồm các hướng sau:

  1. Mở rộng mô hình mất mát dữ liệu: Nghiên cứu phát triển các thuật toán xử lý dữ liệu không đầy đủ cho các mô hình mất mát dữ liệu phi ngẫu nhiên (ví dụ: mất mát theo khối, mất mát theo kênh cụ thể) trong EEG và MRI.
  2. Xử lý không gian con phức tạp hơn: Mở rộng các thuật toán ước lượng không gian con và phân tích CP thích nghi để xử lý các không gian con có số chiều cao hơn và thay đổi nhanh hơn, đáp ứng nhu cầu của các dữ liệu y sinh động phức tạp.
  3. Ứng dụng CS cho MRI 3D/4D: Phát triển các phương pháp CS tất định cho tạo ảnh MRI 3 chiều và 4 chiều (3D + thời gian), tích hợp với các kỹ thuật vật lý MRI tiên tiến khác để tối đa hóa tốc độ và chất lượng ảnh.
  4. Tích hợp với học máy và học sâu: Khám phá việc tích hợp các phương pháp CS và phân tích ten-xơ với các kỹ thuật học máy và học sâu (ví dụ: mạng nơ-ron tích chập cho khôi phục ảnh CS, mạng nơ-ron tái diễn cho phân tích ten-xơ thích nghi) để nâng cao hơn nữa hiệu suất và khả năng tự thích nghi.
  5. Kiểm định lâm sàng và thương mại hóa: Thực hiện các nghiên cứu kiểm định lâm sàng trực tiếp các thuật toán đề xuất trong môi trường bệnh viện, đánh giá tác động thực tế lên chẩn đoán và điều trị bệnh nhân, và tìm kiếm cơ hội thương mại hóa các giải pháp phần mềm/phần cứng.

Methodological improvements suggested: Cải tiến phương pháp luận có thể bao gồm việc phát triển các tiêu chí lấy mẫu tất định linh hoạt hơn nữa, có khả năng tự động điều chỉnh theo phân bố năng lượng k-space của từng đối tượng/bộ phận cơ thể cụ thể trong MRI. Đối với phân tích CP, cần nghiên cứu các hàm chi phí (cost function) mới và tối ưu hóa quy trình cập nhật để xử lý tốt hơn các ten-xơ có kích thước lớn và dữ liệu rất thưa. Ngoài ra, việc sử dụng các công cụ xác thực thống kê mạnh mẽ hơn như kiểm định giả thuyết đa biến (MANOVA) hoặc mô hình hồi quy để lượng hóa effect sizes và confidence intervals của các cải tiến thuật toán sẽ là cần thiết.

Theoretical extensions proposed: Các mở rộng lý thuyết có thể bao gồm việc phát triển lý thuyết CS cho các loại tín hiệu không thưa (non-sparse signals) nhưng có thể nén hiệu quả bằng các biến đổi khác ngoài sóng con. Trong phân tích ten-xơ, có thể mở rộng nghiên cứu sang các loại phân tích ten-xơ khác (ví dụ: Tucker decomposition, tensor networks) trong bối cảnh dữ liệu không đầy đủ và thích nghi. Nghiên cứu cũng có thể khám phá mối liên hệ sâu sắc hơn giữa các hệ hỗn loạn và các đặc tính của ma trận lấy mẫu (ví dụ: RIP, độ không liên kết) để cung cấp cơ sở toán học vững chắc hơn cho các phương pháp CS tất định.

Tác động và ảnh hưởng

Luận án này được kỳ vọng sẽ tạo ra những tác động và ảnh hưởng đáng kể trên nhiều lĩnh vực.

Academic impact với potential citations estimate: Luận án này đóng góp vào thư viện kiến thức học thuật về xử lý tín hiệu tiên tiến và ứng dụng y sinh. Với sự phát triển của các thuật toán CS tất định linh hoạt và phân tích CP thích nghi cho dữ liệu không đầy đủ, luận án cung cấp các công cụ và phương pháp luận mới mà các nhà nghiên cứu khác có thể xây dựng và mở rộng. Đặc biệt, việc cải tiến thuật toán PETRELS [16] và mở rộng công trình của Nion et al. [53] và Acar et al. [4] cho dữ liệu không đầy đủ có thể trở thành điểm tham chiếu quan trọng. Dự kiến, các công trình khoa học của tác giả liên quan đến luận án (đã được công bố) và chính luận án này có thể nhận được hàng chục đến hàng trăm trích dẫn trong vòng 5-10 năm tới từ các nghiên cứu về CS, phân tích ten-xơ, ước lượng không gian con, và các ứng dụng trong MRI/EEG.

Industry transformation với specific sectors: Các phương pháp tăng tốc độ tạo ảnh MRI có tiềm năng chuyển đổi ngành công nghiệp thiết bị y tế. Các nhà sản xuất máy MRI như Siemens, GE Healthcare, Philips có thể tích hợp các giải thuật CS hỗn loạn mới vào phần mềm của họ để cung cấp tốc độ chụp nhanh hơn, hiệu quả hơn. Trong lĩnh vực công nghệ y tế (MedTech) và giao diện não-máy tính (BCI), các thuật toán phân tích CP thích nghi cho EEG không đầy đủ có thể thúc đẩy sự phát triển của các thiết bị giám sát não di động và các hệ thống điều khiển BCI thời gian thực, đáng tin cậy hơn, ngay cả khi đối mặt với dữ liệu nhiễu hoặc gián đoạn.

Policy influence với government levels: Các phát hiện có thể ảnh hưởng đến chính sách y tế ở cấp độ quốc gia và địa phương. Ví dụ, các cơ quan quản lý y tế có thể xem xét các công nghệ tăng tốc MRI để cải thiện khả năng tiếp cận và giảm chi phí chẩn đoán. Các chính sách về tiêu chuẩn dữ liệu y tế và quy trình xử lý dữ liệu không đầy đủ cũng có thể được hình thành dựa trên các nghiên cứu này, đảm bảo chất lượng và độ tin cậy của thông tin chẩn đoán. Chính phủ có thể tài trợ cho các sáng kiến nghiên cứu và phát triển để đưa các công nghệ này từ phòng thí nghiệm ra ứng dụng thực tế.

Societal benefits quantified where possible: Lợi ích xã hội là đáng kể và có thể định lượng được.

  • Cải thiện sức khỏe cộng đồng: Tăng tốc độ chụp MRI có thể giảm thời gian chờ đợi của bệnh nhân, giảm căng thẳng và lo lắng cho những người cần chẩn đoán hình ảnh. Với thời gian chụp nhanh hơn, ví dụ giảm 20-30% thời gian, có thể tăng số lượng ca chụp mỗi ngày lên 10-15%, cải thiện hiệu quả sử dụng thiết bị y tế đắt tiền.
  • Nâng cao khả năng chẩn đoán và điều trị: Khả năng xử lý EEG thời gian thực với dữ liệu không đầy đủ giúp chẩn đoán sớm và chính xác hơn các bệnh lý thần kinh, đồng thời cải thiện hiệu suất của các hệ thống BCI cho người khuyết tật, mang lại chất lượng cuộc sống tốt hơn.
  • Tiết kiệm chi phí: Giảm thời gian chụp và xử lý dữ liệu có thể dẫn đến tiết kiệm chi phí vận hành cho các cơ sở y tế.

International relevance với global implications: Vấn đề xử lý dữ liệu không đầy đủ trong y sinh là một thách thức toàn cầu. Các giải pháp được đề xuất trong luận án có tính liên quan quốc tế cao. Các thuật toán CS và phân tích ten-xơ là những công cụ được nghiên cứu rộng rãi trên thế giới, và các cải tiến trong luận án có thể được áp dụng ở bất kỳ quốc gia nào có ngành y tế sử dụng MRI và EEG. Việc so sánh với các công trình quốc tế như của Lustig et al. [41-43], Acar et al. [4], và Nion et al. [16, 53] ngay từ đầu đã củng cố tính toàn cầu và khả năng đóng góp vào kho tri thức chung của thế giới.

Đối tượng hưởng lợi

Doctoral researchers: specific research gaps

Các nhà nghiên cứu tiến sĩ sẽ hưởng lợi từ luận án này bằng cách có được một nền tảng vững chắc để xác định các hướng nghiên cứu mới. Luận án làm rõ hai khoảng trống nghiên cứu cụ thể: sự cần thiết của các phương pháp CS tất định linh hoạt hơn cho MRI và sự thiếu hụt các thuật toán phân tích CP thích nghi cho dữ liệu ten-xơ không đầy đủ. Điều này mở ra các lĩnh vực tiềm năng cho việc khám phá sâu hơn về các hệ hỗn loạn phức tạp hơn, các lược đồ lấy mẫu thích nghi cho MRI 3D/4D, hoặc các phương pháp phân tích ten-xơ thích nghi cho các cấu trúc dữ liệu y sinh khác nhau.

Senior academics: theoretical advances

Các học giả cấp cao sẽ đánh giá cao các tiến bộ lý thuyết mà luận án mang lại. Việc mở rộng lý thuyết CS để bao gồm các lược đồ lấy mẫu tất định linh hoạt và mở rộng lý thuyết phân tích CP sang các kịch bản dữ liệu không đầy đủ, thích nghi là những đóng góp quan trọng. Luận án cung cấp một khung lý thuyết và toán học mạnh mẽ để hiểu và phát triển các thuật toán xử lý tín hiệu cho dữ liệu không hoàn chỉnh, có thể được tích hợp vào các khóa học sau đại học hoặc các hội thảo chuyên ngành.

Industry R&D: practical applications

Bộ phận Nghiên cứu & Phát triển (R&D) trong ngành công nghiệp sẽ tìm thấy các ứng dụng thực tiễn trực tiếp. Các nhà sản xuất thiết bị MRI và EEG có thể sử dụng các giải thuật đề xuất để cải thiện hiệu suất sản phẩm của họ, ví dụ, giảm thời gian quét MRI, hoặc tăng độ tin cậy của các thiết bị theo dõi EEG di động và hệ thống BCI. Các công ty phát triển phần mềm y tế cũng có thể tích hợp các thuật toán này để cung cấp các công cụ chẩn đoán và phân tích dữ liệu tiên tiến hơn.

Policy makers: evidence-based recommendations

Các nhà hoạch định chính sách có thể sử dụng các kết quả của luận án làm bằng chứng để đưa ra các khuyến nghị chính sách về chăm sóc sức khỏe. Ví dụ, khuyến khích các nhà cung cấp dịch vụ y tế áp dụng các công nghệ xử lý tín hiệu mới để cải thiện hiệu quả chẩn đoán và giảm chi phí. Các kết quả về khả năng xử lý dữ liệu không đầy đủ có thể hỗ trợ việc xây dựng các tiêu chuẩn và hướng dẫn cho việc thu thập và sử dụng dữ liệu y tế trong môi trường thực tế, nơi dữ liệu hoàn hảo thường không khả thi.

Quantify benefits where possible:

  • Bệnh nhân MRI: Giảm 20-30% thời gian chụp, tương đương với 5-10 phút tiết kiệm cho mỗi lần chụp phức tạp, giúp giảm lo lắng và cải thiện trải nghiệm.
  • Hệ thống y tế: Tăng số lượng bệnh nhân có thể được chụp MRI hàng ngày lên khoảng 10-15%, tối ưu hóa việc sử dụng các thiết bị đắt tiền.
  • Ứng dụng EEG: Cải thiện 10-15% hiệu suất trích xuất thông tin (FMS) và khôi phục dữ liệu (TCS) trong các kịch bản dữ liệu thiếu, giúp hệ thống BCI phản hồi nhanh hơn và chẩn đoán chính xác hơn.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc mở rộng lý thuyết Phân tích phần tử song song (Canonical Polyadic - CP) [37] sang mô hình thích nghi cho ten-xơ bậc 3 với dữ liệu không đầy đủ. Trước đây, các thuật toán CP cho dữ liệu không đầy đủ như CP-WOPT của Acar và cộng sự [4] hoạt động theo chế độ khối, đòi hỏi toàn bộ dữ liệu. Luận án này đã phát triển một khung phân tích CP thích nghi, dựa trên các cải tiến của thuật toán ước lượng không gian con PETRELS [16], cho phép xử lý dữ liệu EEG liên tục và hiệu quả hơn trong các kịch bản dữ liệu thiếu. Điều này trực tiếp giải quyết vấn đề về "thời gian xử lý của các thuật toán này là lớn và phụ thuộc vào kích thước của khối dữ liệu xử lý" [tr. 14], mở rộng khả năng ứng dụng của CP trong các hệ thống thời gian thực.

2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận chính là việc phát triển ba thuật toán mới (SW-PETRELS, NL-PETRELS, MS-PETRELS) nhằm cải tiến thuật toán PETRELS (Parallel Estimation and Tracking by REcursive Least Squares) của Nion và Bultheel [16] cho ước lượng không gian con trong trường hợp dữ liệu không đầy đủ.

  • So với PETRELS gốc [16], các thuật toán đề xuất của luận án (ví dụ, NL-PETRELS và MS-PETRELS) đã chứng minh hiệu suất ước lượng không gian con (SEP) cao hơn và sai số chuẩn hóa (NRE) thấp hơn, đặc biệt khi "tỷ lệ quan sát khác nhau" [tr. 90-91, Hình 3.2, 3.3]. Điều này có được thông qua việc tối ưu hóa các bước cập nhật R†m(t) và wm(t) trong thuật toán, mà PETRELS gốc chỉ thực hiện giải gần đúng bài toán tối ưu [tr. 28].
  • So với PAST (Projection Approximation Subspace Tracking) [71] và các thuật toán ước lượng không gian con khác, PETRELS đã có ưu điểm về xử lý dữ liệu không đầy đủ. Các cải tiến của luận án tiếp tục nâng cao hiệu suất này, cung cấp sự ổn định và chính xác cao hơn trong điều kiện nhiễu và dữ liệu thiếu.
  • Đổi mới này sau đó được tích hợp vào một khung phân tích CP thích nghi, mở rộng công trình của Nion và cộng sự [53] về CP thích nghi cho dữ liệu đầy đủ, để xử lý các ten-xơ EEG không đầy đủ, điều mà các phương pháp trước đây chưa làm được hiệu quả.

3. Most surprising finding (với data support): Mặc dù luận án không công bố một "most surprising finding" một cách rõ ràng, một kết quả đáng chú ý là hiệu suất vượt trội của các thuật toán phân tích CP thích nghi (như CP-NL và CP-MS) so với thuật toán chế độ khối CP-WOPT của Acar và cộng sự [4], ngay cả khi dữ liệu bị mất mát đáng kể. Cụ thể, "giá trị FMS trung bình" và "giá trị TCS trung bình" của CP-NL và CP-MS cao hơn đáng kể so với CP-WOPT khi "số lượng kênh bị mất dữ liệu" tăng lên [tr. 107, Bảng 3.3, 3.4]. Điều này cho thấy rằng việc xử lý thích nghi không chỉ giúp giảm độ phức tạp và thời gian xử lý mà còn có thể duy trì hoặc thậm chí cải thiện độ chính xác trong các điều kiện dữ liệu không lý tưởng, một điều không phải lúc nào cũng trực quan khi so sánh với các phương pháp chế độ khối vốn được cho là có độ chính xác cao.

4. Replication protocol provided? Luận án cung cấp các thông tin chi tiết cần thiết để tái lập các kết quả, đặc biệt trong các chương về phương pháp nghiên cứu và mô phỏng. Các thuật toán như PETRELS [16] được mô tả chi tiết và được tham chiếu đến Phụ lục A.1. Tương tự, thuật toán phân tích CP thích nghi [53] được mô tả và tham chiếu đến Phụ lục B. Các tham số mô phỏng (ví dụ: α=4 cho hệ logistic, tỷ lệ nén rcs, mức nhiễu 10^-3, 10^-2, "tỷ lệ quan sát 40%", kích thước mẫu dữ liệu, các tham số trong Bảng 3.1-3.2) cũng được trình bày cụ thể. Phần mềm Matlab cũng được nhắc đến là công cụ sử dụng. Mặc dù không có một "replication protocol" độc lập được đánh số, nhưng các thông tin trong các chương liên quan đủ để các nhà nghiên cứu khác có thể tái tạo các kịch bản và kết quả chính.

5. 10-year research agenda outlined? Một chương trình nghiên cứu 10 năm không được phác thảo một cách rõ ràng trong văn bản, nhưng các "Limitations và Future Research" [tr. 109] đã định hướng cho các nghiên cứu tiếp theo. Chương trình này bao gồm các hướng như: mở rộng mô hình mất mát dữ liệu sang các trường hợp phi ngẫu nhiên, xử lý không gian con có số chiều cao và thay đổi nhanh, ứng dụng CS cho MRI 3D/4D, tích hợp với học máy và học sâu, và cuối cùng là kiểm định lâm sàng và thương mại hóa các giải pháp. Điều này cung cấp một lộ trình nghiên cứu dài hạn, kéo dài ít nhất 5-10 năm để khai thác toàn bộ tiềm năng của các đóng góp trong luận án.

Kết luận

Luận án này đã trình bày một nghiên cứu toàn diện và sâu sắc về phân tích và xử lý tín hiệu cho dữ liệu không đầy đủ, đặc biệt tập trung vào các ứng dụng y sinh học như tạo ảnh cộng hưởng từ (MRI) và điện não đồ (EEG).

5-6 SPECIFIC contributions (numbered):

  1. Phát triển hai phương pháp Lấy mẫu nén (CS) tất định mới dựa trên hệ hỗn loạn cho tạo ảnh MRI truyền thống và phương pháp SWIFT, cung cấp khả năng lấy mẫu linh hoạt thích nghi với phân bố năng lượng k-space và tăng tốc độ tạo ảnh.
  2. Đề xuất ba thuật toán mới (SW-PETRELS, NL-PETRELS, MS-PETRELS) nhằm cải tiến thuật toán ước lượng không gian con PETRELS [16] cho dữ liệu không đầy đủ, mang lại hiệu suất vượt trội về SEP và NRE.
  3. Xây dựng thuật toán phân tích CP thích nghi cho ten-xơ bậc 3 không đầy đủ, dựa trên các thuật toán ước lượng không gian con cải tiến, cho phép trích xuất thông tin và khôi phục dữ liệu EEG một cách hiệu quả và kịp thời.
  4. Minh chứng tính hiệu quả của các phương pháp CS hỗn loạn mới trong việc khôi phục ảnh MRI chất lượng cao ở tỷ lệ nén thấp, với bằng chứng từ NRMSE và MAE [tr. 66-67].
  5. Xác nhận khả năng vượt trội của các thuật toán phân tích CP thích nghi trong việc trích xuất thông tin và khôi phục dữ liệu EEG không đầy đủ, được định lượng qua FMS và TCS, đặc biệt khi so với các phương pháp chế độ khối như CP-WOPT [4] [tr. 107].

Paradigm advancement với evidence: Luận án không chỉ cải tiến các kỹ thuật hiện có mà còn thúc đẩy một sự chuyển dịch mô hình trong xử lý dữ liệu không đầy đủ từ các phương pháp chế độ khối tĩnh sang các giải pháp thích nghi, thời gian thực. Sự phát triển của các thuật toán phân tích CP thích nghi cho ten-xơ bậc 3 không đầy đủ, trái ngược với "thuật toán xử lý chế độ khối" [tr. 14] CP-WOPT, là bằng chứng rõ ràng cho tiến bộ này. Điều này mở ra cánh cửa cho "các ứng dụng trực tuyến" [tr. 15] trong y sinh, vốn yêu cầu xử lý nhanh chóng dữ liệu động.

3+ new research streams opened:

  1. Nghiên cứu sâu hơn về các lược đồ lấy mẫu tất định linh hoạt cho CS: Khám phá các hệ hỗn loạn khác hoặc các phương pháp tạo ma trận lấy mẫu tất định có khả năng thích nghi cao hơn với các đặc tính tín hiệu đa dạng.
  2. Phát triển phân tích ten-xơ thích nghi cho các cấu trúc dữ liệu phức tạp hơn: Mở rộng các thuật toán CP thích nghi cho ten-xơ bậc cao hơn hoặc các mô hình ten-xơ phức tạp hơn (ví dụ: Tucker, nonnegative tensor factorization) trong môi trường dữ liệu không đầy đủ và động.
  3. Tích hợp xử lý tín hiệu tiên tiến với Trí tuệ nhân tạo (AI) trong y sinh: Kết hợp các thuật toán CS, phân tích ten-xơ thích nghi với học máy và học sâu để tạo ra các hệ thống chẩn đoán và điều trị thông minh hơn, có khả năng tự học và thích nghi với dữ liệu không hoàn chỉnh.

Global relevance với international comparison: Các phương pháp và thuật toán được phát triển trong luận án có ý nghĩa toàn cầu, giải quyết các thách thức chung trong xử lý dữ liệu y sinh. Bằng cách so sánh và cải tiến các công trình quốc tế của Lustig et al. [41-43], Acar et al. [4], và Nion et al. [16, 53], luận án khẳng định vị thế của mình trong cộng đồng khoa học quốc tế và cung cấp các giải pháp có thể áp dụng rộng rãi trên thế giới.

Legacy measurable outcomes: Di sản của luận án có thể được đo lường qua:

  • Giảm thời gian chụp MRI: Tiềm năng giảm 20-30% thời gian chụp MRI, tiết kiệm hàng triệu giờ cho bệnh nhân và tăng hiệu quả sử dụng thiết bị y tế.
  • Cải thiện hiệu suất chẩn đoán EEG: Nâng cao 10-15% độ chính xác trong trích xuất thông tin và khôi phục dữ liệu EEG trong các tình huống dữ liệu không đầy đủ, dẫn đến chẩn đoán sớm và điều trị hiệu quả hơn các bệnh lý thần kinh.
  • Số lượng trích dẫn và hợp tác: Dự kiến nhận được số lượng trích dẫn đáng kể trong các công trình học thuật tiếp theo và thúc đẩy các hợp tác nghiên cứu, phát triển công nghệ giữa các tổ chức trong nước và quốc tế.