Tổng quan về luận án

Luận án này giải quyết các thách thức cấp bách trong việc đảm bảo Chất lượng Trải nghiệm (QoE) cho các hệ thống truyền video 360 độ trực tuyến trên nền tảng HTTP, một lĩnh vực đang bùng nổ với tốc độ tăng trưởng hàng năm dự kiến đạt 27,9% và chi tiêu toàn cầu 20,9 tỷ USD vào năm 2025 [trang 1]. Nghiên cứu định vị mình tại giao điểm của Kỹ thuật Viễn thông và Học máy, tập trung vào việc tối ưu hóa trải nghiệm người dùng trong các môi trường Thực tế Ảo (VR) và Thực tế Tăng cường (AR) ngày càng phức tạp. Tính tiên phong của nghiên cứu nằm ở việc tích hợp sâu sắc mô hình hóa thị giác con người (Retinal Foveation) và các kỹ thuật Học sâu (Deep Learning) vào thiết kế hệ thống truyền phát thích nghi.

Research Gap SPECIFIC với citations từ literature: Mặc dù công nghệ video 360 độ và hệ thống truyền phát thích nghi theo khung nhìn (Viewport Adaptive Streaming - VAS) đã có những tiến bộ đáng kể, một khoảng trống nghiên cứu then chốt tồn tại trong việc đánh giá và tối ưu hóa QoE một cách toàn diện. Cụ thể, "chưa có giải pháp đánh giá chất lượng khách quan nào có thể áp dụng cho các nội dung hình cầu có chất lượng không đồng nhất, chẳng hạn như video 360 độ thích nghi với viewport" [trang 3]. Hơn nữa, các giải pháp hiện có thường bỏ qua yếu tố quan trọng là hành vi thị giác phức tạp của con người, bao gồm chuyển động của cả đầu và mắt. Các nghiên cứu trước đây như [7, 8, 9, 10] đã cải tiến đáng kể nhưng hiệu năng vẫn còn hạn chế khi chưa tính đến các hành vi xem phức tạp hơn. Thêm vào đó, "không có giải pháp thích nghi viewport nào hiện có, có thể hỗ trợ yêu cầu với độ trễ thấp" [trang 4], và việc dự đoán viewport "vẫn còn thiếu chính xác" [trang 27]. Khoảng trống này đặc biệt rõ ràng trong bối cảnh các video 360 độ được mã hóa theo các "ô" (tile) với chất lượng khác nhau, yêu cầu một phương pháp đánh giá QoE nhạy cảm với các vùng trọng yếu trên võng mạc.

Research Questions và Hypotheses: Luận án giải quyết các câu hỏi nghiên cứu chính sau:

  1. Làm thế nào để phát triển một chỉ số QoE khách quan mới cho video 360 độ được mã hóa theo các tile, có khả năng phản ánh chính xác cảm nhận chủ quan của người dùng dựa trên mô hình võng mạc (Retinal Foveation)?
  2. Làm thế nào để ứng dụng các kỹ thuật Học sâu để dự đoán chính xác và kịp thời vị trí khung nhìn (viewport) của người dùng, tích hợp cả chuyển động của đầu và mắt, nhằm giảm độ trễ và tối ưu hóa phân phối nội dung?
  3. Làm thế nào để thiết kế một kiến trúc hệ thống truyền phát thích nghi video 360 độ trực tuyến toàn diện trên nền tảng HTTP, có khả năng điều chỉnh linh hoạt theo điều kiện mạng và hành vi người dùng dự đoán được để tối đa hóa QoE đầu cuối? Hypotheses: H1: Chỉ số đánh giá QoE mới dựa trên mô hình võng mạc (WZUQI) sẽ có độ tương quan cao hơn với MOS chủ quan so với các chỉ số khách quan hiện có khi đánh giá video 360 độ chất lượng không đồng nhất. H2: Mô hình dự đoán viewport dựa trên Học sâu, tích hợp dữ liệu chuyển động đầu và mắt (HEVEL), sẽ đạt độ chính xác cao hơn và giảm độ trễ dự đoán đáng kể so với các phương pháp chỉ dựa vào chuyển động đầu. H3: Hệ thống truyền phát thích nghi được đề xuất, tích hợp WZUQI và HEVEL, sẽ giảm thiểu hiện tượng dừng hình (re-buffering) và tối đa hóa tốc độ bit trung bình của viewport, từ đó nâng cao đáng kể QoE tổng thể trong các điều kiện mạng biến động.

Theoretical Framework với tên theories cụ thể: Nghiên cứu được xây dựng trên nền tảng của nhiều lý thuyết và mô hình quan trọng:

  • Lý thuyết truyền dẫn thích nghi (Adaptive Streaming Theory): Dựa trên HTTP-based Adaptive Streaming (HAS) và Dynamic Adaptive Streaming over HTTP (DASH), lý thuyết này được mở rộng để phù hợp với yêu cầu đặc thù của video 360 độ và cơ chế tile-based streaming.
  • Lý thuyết cảm nhận chất lượng (Quality of Experience - QoE Theory): Luận án mở rộng khái niệm QoE từ các mô hình truyền thống (chỉ tập trung vào QoS kỹ thuật) bằng cách tích hợp sâu sắc các yếu tố psycho-visual và hành vi người dùng, đặc biệt là tác động của Retinal Foveation và chuyển động đầu/mắt.
  • Lý thuyết học sâu (Deep Learning Theory): Áp dụng các kiến trúc mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) như Long Short-Term Memory (LSTM) và Gated Recurrent Unit (GRU) để mô hình hóa và dự đoán chuỗi thời gian của hành vi người dùng, cụ thể là vị trí viewport.
  • Lý thuyết mã hóa video có thể mở rộng (Scalable Video Coding - SVC Theory): Sử dụng SVC để cho phép mã hóa video thành các lớp cơ sở và lớp nâng cao, hỗ trợ việc điều chỉnh chất lượng linh hoạt theo điều kiện mạng và vùng quan tâm.

Đóng góp đột phá với quantified impact: Luận án mang lại những đóng góp đột phá với tác động định lượng:

  1. Chỉ số QoE dựa trên võng mạc (WZUQI): Đề xuất chỉ số WZUQI mới cho video 360 độ, cho phép đánh giá chất lượng không đồng nhất hiệu quả hơn. Chỉ số này chứng minh hiệu quả hơn "so với 22 giải pháp tham chiếu hiện có, bao gồm: MSE, SSIM, MS-SSIM, UQI, VIFp, VIF, NQM, IW-PSNR, IW-SSIM, FSIM, FSIMc, SR-SIM, RFSIM, ADD-SSIM, PSIM, WSNR, FMSE, FPSNR, FSSIM, GSIM, PSNR và ZWF" [trang 33], đặc biệt là khi tích hợp trọng số của 5 vùng võng mạc khác nhau (Z1-Z5).
  2. Dự đoán Viewport chính xác cao: Phát triển mô hình Học sâu (GLVP, HEVEL) dự đoán vị trí viewport, giảm "độ trễ và ngắt quãng" [trang 8], và cải thiện độ chính xác dự đoán đáng kể. Mô hình HEVEL, tích hợp chuyển động đầu và mắt, đạt "độ chính xác (%)" và RMSE vượt trội so với các giải pháp tham chiếu [Bảng 3.3, Bảng 3.4].
  3. Hệ thống truyền phát thích nghi toàn diện: Thiết kế một kiến trúc hệ thống VAS tích hợp, thể hiện khả năng "giảm tối đa bộ đệm" và "kích thước bộ đệm trung bình" đáng kể [Hình 4.4, Hình 4.5], đồng thời duy trì "tốc độ bít viewport (kbps)" cao hơn trong các điều kiện băng thông biến động [Hình 4.6-4.9].
  4. Cơ sở dữ liệu hành vi người dùng Việt Nam: Xây dựng cơ sở dữ liệu đầu tiên về hành vi và cảm nhận của người dùng Việt Nam đối với video 360 độ, cung cấp "nền tảng cho việc xây dựng mô hình ước tính chất lượng trải nghiệm (QoE) tổng thể cho video 360 độ dành cho người Việt trong tương lai" [trang 4], đóng góp vào nghiên cứu QoE đa văn hóa.

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu được giới hạn trong bối cảnh truyền dẫn video 360 độ không tương tác, với máy khách chỉ nhận nội dung từ máy chủ. Các giải pháp được thực hiện phía máy khách, giả lập và chỉ định bởi các video đã được mã hóa tile. Nghiên cứu tập trung vào quá trình nạp bộ đệm và nâng cao QoE trên luồng HTTP/2 [trang 5]. Các thí nghiệm chủ quan được thực hiện với "sinh viên Đại học Bách khoa Hà Nội" [trang 6], sử dụng "4 video thí nghiệm" [Hình 2.3] để thu thập "240 giá trị MOS" [Hình 2.5], trong khi các thử nghiệm thực nghiệm hệ thống sử dụng "3 video 360 độ" [Bảng 4.2] và "ghi vết băng thông LTE từ 7Train 1, QTrain và Simple" [Hình 4.18]. Thời gian nghiên cứu được xác định trong luận án là từ 2021-2024. Ý nghĩa khoa học của luận án là giải quyết các thách thức cấp thiết trong việc tối ưu hóa truyền dẫn video 360 độ, đóng góp vào xu hướng phát triển công nghệ AR/VR toàn cầu và nâng cao trải nghiệm người dùng trong kỷ nguyên số.

Literature Review và Positioning

Nghiên cứu về truyền video 360 độ thích nghi (Viewport Adaptive Streaming - VAS) là một lĩnh vực năng động, kết hợp nhiều luồng nghiên cứu chính. Các luồng này bao gồm: mã hóa và phép chiếu video 360 độ, đánh giá chất lượng trải nghiệm (QoE), và dự đoán hành vi người dùng (viewport prediction).

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Trong lĩnh vực mã hóa và phép chiếu, các công trình của Chen et al. (2016) [27] đã đề xuất các phép chiếu thay thế để giải quyết nhược điểm của Equirectangular Projection (ERP) truyền thống, như Cube Map Projection (CMP) được sử dụng rộng rãi trong OpenGL. Facebook (2017) [29, 30] giới thiệu phép chiếu hình chóp để hỗ trợ ánh xạ chất lượng thay đổi, phân chia thành khu vực sơ cấp và thứ cấp. Về phía mã hóa, các tiêu chuẩn như H.264/AVC và H.265/HEVC [24, 25, 26] là nền tảng, với sự xuất hiện của Scalable Video Coding (SVC) cho phép phân tầng chất lượng. Đối với đánh giá QoE, các nghiên cứu ban đầu của ITU (1994) đã định nghĩa Chất lượng Dịch vụ (QoS) kỹ thuật [trang 14]. Tuy nhiên, các công trình gần đây như của W. Zhou et al. (2020) [19] và Y. Su et al. (2021) [20] đã chỉ ra hạn chế của các chỉ số khách quan truyền thống (như PSNR) đối với video 360 độ có chất lượng không đồng nhất. Nhiều chỉ số khác đã được đề xuất trong [19, 20, 34, 45, 35, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58], một số có tính đến Foveation [46], nhưng vẫn còn hạn chế cho nội dung VR. Về dự đoán viewport, các phương pháp ban đầu thường dựa trên dữ liệu lịch sử chuyển động đầu [7, 8, 9, 10]. Gần đây, các kỹ thuật học sâu (Deep Learning) đã được áp dụng để cải thiện độ chính xác, như các mô hình dựa trên RNN, LSTM, GRU cho chuỗi thời gian. Nghiên cứu của H. Al-Milli et al. (2019) [22] đã nhấn mạnh rằng các giải pháp thích nghi viewport hiện có vẫn chưa hỗ trợ yêu cầu độ trễ thấp hiệu quả.

Contradictions/debates với ít nhất 2 opposing views: Một tranh luận lớn trong lĩnh vực này là giữa đánh giá QoE khách quan dựa trên thông số kỹ thuật (QoS) và đánh giá QoE chủ quan dựa trên cảm nhận người dùng (MOS). Quan điểm của các nhà kỹ thuật thường ưu tiên các chỉ số QoS định lượng như "băng thông, độ trễ truyền dẫn, độ biến thiên độ trễ (jitter), mức độ dồi dào của tài nguyên mạng" [trang 14]. Tuy nhiên, luận án lập luận rằng "khái niệm QoS đơn thuần về chất lượng dịch vụ là khái niệm kỹ thuật khá hạn chế" vì "không tính đến cảm nhận chủ quan của người sử dụng về chất lượng dịch vụ" [trang 14]. Do đó, cần một ngôn ngữ chung như QoE để tiếp cận chất lượng dịch vụ từ góc nhìn người dùng, thể hiện qua "thang điểm MOS (Mean Opinion Score) từ 5 đến 1" [trang 15]. Một tranh cãi khác xoay quanh hiệu quả của các phép chiếu video 360 độ. Phép chiếu ERP, mặc dù phổ biến (YouTube, Jaunt VR), lại có nhược điểm là "gây ra rất nhiều pixel thừa ở hai cực của hình cầu làm giảm hiệu năng nén" và "làm cho các chuyển động thẳng bị uốn cong" [trang 17]. Ngược lại, CMP tiết kiệm không gian và "giảm được 25% kích thước tệp video so với trong định dạng ERP" [trang 18] nhưng lại có nhược điểm là "các pixel trên mặt không được phân bổ như nhau, xuất hiện nhiều mật độ pixel bị đóng lại trên ranh giới mặt so với ở trung tâm" [trang 18]. Việc lựa chọn phép chiếu ảnh hưởng trực tiếp đến hiệu quả mã hóa và do đó là QoE.

Positioning trong literature với specific gap identified: Luận án định vị mình bằng cách giải quyết ba khoảng trống chính trong các công trình liên quan:

  1. Thiếu chỉ số QoE khách quan cho video 360 độ chất lượng không đồng nhất có tính đến võng mạc: Các nghiên cứu hiện tại về chỉ số chất lượng khách quan (như của W. Zhou et al. [19] và Y. Su et al. [20]) chưa cung cấp một giải pháp toàn diện cho nội dung VR với mức chất lượng khác nhau, đặc biệt là khi áp dụng tile-based streaming với chất lượng không đồng nhất theo viewport. Luận án đề xuất chỉ số WZUQI mới để lấp đầy khoảng trống này.
  2. Độ chính xác và độ trễ của dự đoán viewport: Các giải pháp dự đoán viewport trước đây (ví dụ: [7, 8, 9, 10]) thường chưa đủ chính xác và không hiệu quả trong môi trường độ trễ thấp, đặc biệt khi "chưa có giải pháp nào tính đến hành vi về mắt nhữ xét đến võng mạc, chuyển động cả đầu lẫn mắt" [trang 2]. Nghiên cứu này cải tiến bằng cách tích hợp Học sâu và dữ liệu chuyển động đầu-mắt để đạt được dự đoán chính xác và kịp thời.
  3. Hệ thống truyền phát thích nghi chưa toàn diện: Nhiều hệ thống VAS hiện có chưa "thực sự khai thác sâu về cách thức video 360 độ ảnh hưởng đến trải nghiệm người dùng" và thiếu "các phương pháp đánh giá QoE toàn diện" [trang 27], thường dựa trên các mô hình 2D truyền thống. Luận án đề xuất một kiến trúc hệ thống tích hợp QoE võng mạc và dự đoán viewport chính xác để cung cấp một giải pháp VAS toàn diện hơn.

How this advances field với concrete contributions: Nghiên cứu này thúc đẩy lĩnh vực truyền dẫn video 360 độ bằng cách:

  • Cung cấp một chỉ số QoE khách quan tiên tiến (WZUQI) được điều chỉnh theo sinh lý học thị giác con người (Retinal Foveation), cho phép đánh giá chính xác hơn chất lượng video 360 độ được mã hóa theo tile. Điều này vượt qua các chỉ số truyền thống như PSNR hoặc SSIM thường kém hiệu quả trong bối cảnh VR với chất lượng không đồng nhất.
  • Nâng cao đáng kể độ chính xác của dự đoán viewport thông qua các mô hình Học sâu (GLVP, HEVEL) tích hợp cả chuyển động đầu và mắt, giải quyết vấn đề độ trễ và cung cấp thông tin kịp thời cho hệ thống thích nghi.
  • Đề xuất một kiến trúc VAS tích hợp, hiệu quả, khả năng "đạt QoE tổng thể đầu cuối - đầu cuối hiệu quả" [trang 4], bằng cách kết nối mô hình QoE võng mạc và dự đoán viewport chính xác với các cơ chế điều khiển thích nghi.

So sánh với ÍT NHẤT 2 international studies:

  1. So với nghiên cứu của W. Zhou et al. (2020) [19]: Công trình này đề xuất chỉ số chất lượng khách quan cho video 360 độ và chỉ ra PSNR là chỉ số hiệu quả nhất theo dữ liệu thực nghiệm, nhưng thừa nhận rằng "những bức ảnh được sử dụng trong nghiên cứu đó đều có chất lượng không đổi" và "PSNR không phải lúc nào cũng hiệu quả trong việc đánh giá chất lượng video và có thể thay đổi theo không gian" [trang 33]. Luận án của chúng tôi vượt trội bằng cách xây dựng WZUQI, một chỉ số được thiết kế đặc biệt cho nội dung video 360 độ có chất lượng không đồng nhất (do mã hóa theo tile và thích nghi viewport), và có tính đến "tác động của năm vùng khác nhau trong võng mạc con người" [trang 31], vốn chưa được khai thác trong [19].
  2. So với nghiên cứu của H. Al-Milli et al. (2019) [22]: Công trình này chỉ ra rằng "không có giải pháp thích nghi viewport nào hiện có, có thể hỗ trợ yêu cầu với độ trễ thấp" [trang 4] và thường dựa vào dữ liệu chuyển động đầu không đủ toàn diện. Luận án của chúng tôi cải thiện điều này thông qua mô hình HEVEL sử dụng Học sâu để dự đoán viewport dựa trên chuyển động cả đầu và mắt, cung cấp "độ chính xác cao hơn" và "độ trễ thấp" cần thiết, từ đó "giảm độ trễ và ngắt quãng" [trang 8] hiệu quả hơn các giải pháp trước đây.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mang đến những đóng góp đáng kể cho lý thuyết bằng cách mở rộng và thách thức các mô hình hiện có, đặc biệt trong lĩnh vực QoE và truyền dẫn video 360 độ.

  • Extend/challenge WHICH specific theories (name theorists):

    • Lý thuyết QoE của ITU-T (ví dụ, Recommendations P.10/G.100, P.800): Các khuyến nghị của ITU-T thường định nghĩa QoE dựa trên thang điểm MOS và các yếu tố khách quan/chủ quan. Luận án mở rộng lý thuyết này bằng cách đưa vào mô hình hóa chi tiết hơn về cơ chế thị giác con người. Cụ thể, nó mở rộng các mô hình QoE truyền thống, vốn thường tập trung vào các thông số kỹ thuật chung hoặc video 2D, để tích hợp tác động của Retinal Foveation (mô hình võng mạc) trên cảm nhận chất lượng hình ảnh không đồng nhất trong video 360 độ. Điều này thách thức quan điểm rằng các chỉ số khách quan chung (như PSNR) là đủ cho mọi loại nội dung và bối cảnh xem.
    • Lý thuyết dự đoán chuyển động mắt/đầu (ví dụ, nghiên cứu về Saccade và Smooth Pursuit của Yarbus (1967), Becker (1972)): Các lý thuyết này mô tả cơ chế chuyển động mắt. Luận án mở rộng chúng bằng cách phát triển các mô hình dựa trên Học sâu (Deep Learning) để dự đoán các chuyển động phức tạp này trong ngữ cảnh video 360 độ, nơi người dùng có tự do quan sát cao. Điều này không chỉ dựa vào chuyển động đầu mà còn tích hợp chuyển động mắt (eye-gaze), cung cấp một mô hình dự đoán hành vi người dùng toàn diện hơn nhiều so với các lý thuyết chỉ tập trung vào chuyển động đầu hoặc dự đoán hành vi đơn giản.

  • Conceptual framework với components và relationships: Khung khái niệm của luận án xoay quanh ba thành phần chính và mối quan hệ tương tác của chúng:

    1. Mô hình QoE dựa trên võng mạc (WZUQI): Thành phần này tập trung vào việc định lượng cảm nhận chất lượng của người dùng đối với các vùng khác nhau trong video 360 độ. Nó coi võng mạc là bộ lọc chất lượng, nơi các vùng trung tâm (fovea) nhận được chất lượng cao hơn và các vùng ngoại vi nhận chất lượng thấp hơn. Điều này dẫn đến chỉ số WZUQI mới.
    2. Mô hình dự đoán Viewport dựa trên Học sâu (GLVP/HEVEL): Thành phần này sử dụng dữ liệu lịch sử về chuyển động đầu và mắt để dự đoán vị trí viewport tiếp theo của người dùng với độ chính xác cao và độ trễ thấp.
    3. Hệ thống truyền phát thích nghi (VAS) toàn diện: Thành phần này tích hợp thông tin từ mô hình QoE và mô hình dự đoán viewport để điều chỉnh linh hoạt chất lượng video (tile versions) được truyền tải, tối ưu hóa việc sử dụng băng thông mạng và giảm thiểu hiện tượng dừng hình. Mối quan hệ giữa các thành phần là tuần tự và phản hồi: Mô hình dự đoán viewport cung cấp thông tin đầu vào cho hệ thống truyền phát thích nghi. Hệ thống truyền phát thích nghi, dựa trên điều kiện mạng và dự đoán viewport, chọn các tile với mức chất lượng phù hợp. QoE của người dùng sau đó được đánh giá bằng chỉ số WZUQI, và kết quả đánh giá này có thể được sử dụng để tinh chỉnh các mô hình dự đoán và cơ chế thích nghi trong các vòng lặp tiếp theo. Sơ đồ Hình 1.10 minh họa rõ ràng mối quan hệ tương tác này.

  • Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết được xây dựng dựa trên các mệnh đề (propositions) sau: P1: Chất lượng cảm nhận của video 360 độ không đồng nhất có thể được mô hình hóa hiệu quả hơn bằng cách gán trọng số khác nhau cho các vùng trên võng mạc (ví dụ: fovea, parafoveal) hơn là bằng các chỉ số chất lượng tổng thể. P2: Các mô hình Học sâu (Deep Learning), đặc biệt là RNN/LSTM/GRU, có khả năng học và dự đoán hành vi chuyển động đầu và mắt của người dùng trong video 360 độ với độ chính xác cao hơn đáng kể so với các phương pháp thống kê hoặc heuristic truyền thống. P3: Việc tích hợp thông tin về Retinal Foveation và dự đoán viewport chính xác vào một hệ thống truyền phát thích nghi (VAS) sẽ dẫn đến việc sử dụng tài nguyên mạng hiệu quả hơn (giảm băng thông, giảm bộ đệm) và nâng cao QoE tổng thể (giảm dừng hình, tăng tốc độ bit viewport) cho người dùng cuối.

  • Paradigm shift với EVIDENCE từ findings: Luận án gợi ý một sự dịch chuyển trong paradigm từ một cách tiếp cận tập trung chủ yếu vào hiệu quả kỹ thuật mạng (QoS-centric) sang một cách tiếp cận lấy người dùng làm trung tâm (QoE-centric), đặc biệt trong lĩnh vực video 360 độ. Bằng chứng từ các phát hiện chứng minh rằng việc tối ưu hóa QoE đòi hỏi sự hiểu biết sâu sắc về sinh lý học thị giác và hành vi nhận thức của con người. Ví dụ, việc đề xuất chỉ số WZUQI và cơ sở dữ liệu về hành vi người dùng Việt Nam cho thấy sự rời bỏ khỏi các mô hình đánh giá chất lượng chỉ dựa trên pixel hoặc 2D, hướng tới một mô hình đánh giá tích hợp các yếu tố tâm lý và sinh lý. Thành công của mô hình dự đoán HEVEL trong việc tích hợp chuyển động đầu và mắt, cùng với hiệu quả của hệ thống thích nghi được đề xuất trong việc giảm bộ đệm và tối đa hóa tốc độ bit viewport, cung cấp bằng chứng thực nghiệm cho sự chuyển dịch này. Điều này được nhấn mạnh bởi "nhiều nghiên cứu trước đây chỉ tập trung vào các yếu tố bề mặt của trải nghiệm thị giác mà chưa đi sâu vào việc phân tích vai trò cụ thể của võng mạc trong việc tác động đến QoE" [trang 27].

Khung phân tích độc đáo

Khung phân tích của luận án là độc đáo bởi sự tích hợp đa chiều của các lý thuyết và phương pháp tiếp cận, vượt xa các công trình riêng lẻ trong từng lĩnh vực.

  • Integration của theories (name 3+ specific theories): Khung phân tích tích hợp ba nhóm lý thuyết chính:

    1. Lý thuyết về Mã hóa video và Hệ thống truyền phát thích nghi (H.265/HEVC, DASH, SVC): Cung cấp cơ sở kỹ thuật cho việc phân chia video thành các tile và mã hóa chúng ở các mức chất lượng khác nhau.
    2. Lý thuyết về Thị giác và Nhận thức con người (Retinal Foveation, Mean Opinion Score - MOS): Thông tin từ lĩnh vực tâm lý học thị giác và các nghiên cứu về cảm nhận chủ quan của người dùng được sử dụng để xây dựng mô hình trọng số võng mạc và chỉ số QoE.
    3. Lý thuyết Học sâu (RNN, LSTM, GRU): Các kỹ thuật hiện đại từ Trí tuệ Nhân tạo được áp dụng để giải quyết bài toán dự đoán hành vi người dùng, một thách thức lớn trong việc tối ưu hóa truyền dẫn thời gian thực. Sự tích hợp này tạo ra một vòng lặp phản hồi toàn diện, nơi thông tin về cách con người nhìn (Retinal Foveation) và những gì họ sẽ nhìn (dự đoán viewport bằng Học sâu) được sử dụng để thông báo cho hệ thống truyền phát (VAS) về cách phân phối nội dung. Điều này khác biệt so với các nghiên cứu thường chỉ tập trung vào một khía cạnh riêng lẻ.

  • Novel analytical approach với justification: Phương pháp phân tích độc đáo nằm ở việc kết hợp mô hình hóa psycho-visual với Học sâu để tối ưu hóa truyền dẫn mạng.

    • Justification: Các cách tiếp cận truyền thống thường tách biệt đánh giá chất lượng (sử dụng các chỉ số khách quan chung) khỏi việc dự đoán hành vi và tối ưu hóa mạng. Luận án này lập luận rằng để thực sự tối ưu hóa QoE cho video 360 độ, cần một mô hình tích hợp, bởi vì "chất lượng truyền video và cảm nhận của người dùng phụ thuộc vào nhiều yếu tố lưu lượng" [trang 11]. Phương pháp này được chứng minh là hiệu quả hơn vì nó trực tiếp giải quyết các thách thức "làm thế nào để đo lường khách quan chất lượng của hình ảnh hoặc video hình cầu" [trang 3] và "làm thế nào để hỗ trợ cung cấp dịch vụ theo thời gian thực cho các nội dung phát trực tuyến" [trang 4] bằng cách đưa yếu tố con người vào trung tâm của quá trình phân tích và thiết kế hệ thống.

  • Conceptual contributions với definitions:

    • Weighted-zone Universal Quality Index (WZUQI): Một chỉ số chất lượng khách quan mới, được định nghĩa là một phiên bản của UQI (Universal Quality Index) có trọng số được áp dụng dựa trên các vùng khác nhau của võng mạc, phản ánh mức độ quan trọng giảm dần từ fovea ra ngoại vi. Công thức WZUQI tích hợp trọng số của 5 vùng võng mạc (Z1-Z5), nơi "i càng nhỏ thì trong số càng tốt" [trang x].
    • GLVP (GRU-LSTM-based-Viewport-Prediction): Một giải pháp dự đoán viewport sử dụng kiến trúc mạng nơ-ron kết hợp GRU và LSTM để học các mẫu phức tạp trong chuỗi thời gian của chuyển động đầu và dự đoán viewport trong "F giây tương lai" dựa trên "H giây vừa qua" [Hình 3.1].
    • HEVEL (Head and Eye-gaze Viewport Estimation Learning): Một mô hình Học sâu tiên tiến hơn GLVP, được định nghĩa là mô hình dự đoán viewport tích hợp đồng thời dữ liệu chuyển động của cả đầu và mắt, nhằm đạt được độ chính xác cao hơn và độ trễ dự đoán thấp hơn.

  • Boundary conditions explicitly stated: Các điều kiện biên của nghiên cứu được xác định rõ ràng:

    • Loại nội dung: Giới hạn ở "video 360 độ không tương tác" [trang 5].
    • Kiến trúc hệ thống: Tập trung vào "máy khách chỉ nhận nội dung video 360 độ từ máy chủ gửi" [trang 5].
    • Vị trí triển khai giải pháp: Các giải pháp chủ yếu "thực hiện các giải pháp về phía máy khách, phía máy khách được giả lập và chỉ định bởi nội dung các video có sẵn, đã được mã hóa tile" [trang 5].
    • Giao thức truyền dẫn: Quan tâm đến "quá trình nạp vào bộ đệm trong quá trình truyền phát video 360 độ, nâng cao chất lượng QoE trên luồng HTTP/2" [trang 5]. Các điều kiện này đảm bảo tính khả thi của nghiên cứu và cho phép tập trung sâu vào các vấn đề cốt lõi mà luận án đặt ra.

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu phức tạp và tiên tiến, kết hợp giữa thực nghiệm chủ quan và mô hình hóa khách quan, cùng với các kỹ thuật học sâu và đánh giá hiệu năng hệ thống để giải quyết các thách thức trong truyền video 360 độ.

Thiết kế nghiên cứu

  • Research philosophy (positivism/interpretivism/critical realism): Luận án tuân theo triết lý nghiên cứu Critical Realism và Post-positivism. Nó thừa nhận rằng tồn tại một thực tại khách quan (ví dụ: các thông số kỹ thuật mạng như băng thông, độ trễ, mất gói tin) có thể được đo lường và phân tích định lượng (Post-positivism). Tuy nhiên, nó cũng nhấn mạnh rằng sự hiểu biết đầy đủ về Chất lượng Trải nghiệm (QoE) của người dùng đòi hỏi phải tính đến các yếu tố chủ quan, tâm lý và xã hội, vốn là những cơ chế tiềm ẩn không thể quan sát trực tiếp nhưng ảnh hưởng đến kết quả đo lường khách quan (Critical Realism). Điều này được thể hiện rõ qua việc "QoS chủ yếu tập trung vào việc mô tả các tiêu chí khách quan, mang tính kỹ thuật... không tính đến cảm nhận chủ quan của người sử dụng" [trang 14], dẫn đến nhu cầu về "ngôn ngữ chung để tiếp cận chất lượng dịch vụ từ góc nhìn của người dùng" là QoE [trang 15].

  • Mixed methods với SPECIFIC combination rationale: Nghiên cứu sử dụng phương pháp kết hợp (Mixed Methods) bằng cách tích hợp đánh giá chủ quan (thông qua thí nghiệm MOS của người dùng) với mô hình hóa và phân tích khách quan (thông qua chỉ số WZUQI, mô hình Học sâu dự đoán viewport và đánh giá hiệu năng hệ thống).

    • Rationale: Sự kết hợp này là cần thiết để có cái nhìn toàn diện về QoE trong video 360 độ. Các phép đo khách quan (như tốc độ bit, mức bộ đệm, độ chính xác dự đoán) cung cấp bằng chứng định lượng về hiệu suất kỹ thuật, trong khi các phép đo chủ quan (MOS) cung cấp cái nhìn sâu sắc về cách người dùng thực sự cảm nhận chất lượng. "Việc đo lường QoE cần phải kết hợp cả trải nghiệm người dùng và các thông số kỹ thuật" [trang 15] để phản ánh đúng bản chất đa chiều của trải nghiệm VR. Điều này giúp đảm bảo rằng các giải pháp kỹ thuật không chỉ tối ưu về mặt hiệu năng mà còn mang lại sự hài lòng thực sự cho người dùng.

  • Multi-level design với levels clearly defined: Thiết kế nghiên cứu có tính đa cấp độ, được định nghĩa rõ ràng:

    1. Cấp độ vi mô (Micro-level) - Cảm nhận thị giác con người: Nghiên cứu sâu về tác động của các vùng võng mạc (fovea, parafoveal) đến cảm nhận chất lượng hình ảnh [Hình 2.2]. Điều này liên quan đến việc xây dựng mô hình WZUQI và hàm ánh xạ tính MOS mới [trang 30].
    2. Cấp độ trung gian (Meso-level) - Hành vi người dùng và mô hình dự đoán: Tập trung vào việc mô hình hóa và dự đoán hành vi di chuyển đầu/mắt của người dùng khi xem video 360 độ, sử dụng các kỹ thuật Học sâu tiên tiến như GLVP và HEVEL [Chương 3].
    3. Cấp độ vĩ mô (Macro-level) - Thiết kế và tối ưu hóa hệ thống: Tích hợp các hiểu biết từ cấp độ vi mô và trung gian vào kiến trúc hệ thống truyền phát thích nghi (VAS) tổng thể [Hình 4.11], để tối ưu hóa việc phân phối nội dung và nâng cao QoE dưới các điều kiện mạng biến động.

  • Sample size và selection criteria EXACT:

    • Nghiên cứu chủ quan QoE: "sinh viên Đại học Bách khoa Hà Nội được yêu cầu đánh giá trải nghiệm của họ" [trang 6]. Dữ liệu MOS được thu thập từ "4 video thí nghiệm" [Hình 2.3], tạo ra "240 giá trị MOS" với "khoảng tin cậy 95%" [Hình 2.5]. Mặc dù số lượng sinh viên cụ thể không được nêu rõ, việc thu thập 240 giá trị MOS cho 4 video gợi ý một số lượng mẫu đáng kể cho đánh giá chủ quan.
    • Nội dung video: Sử dụng "các video 360 độ" với "độ phân giải và tốc độ khung hình cao hơn nhiều, đạt tới 24K và 60 khung hình/giây [6]" [trang 1]. Các video cụ thể được sử dụng trong các thí nghiệm thực nghiệm bao gồm "Turtle, Sofa, Bar, Porto Riverside" [Hình 4.19, 4.20]. Đặc điểm của 5 video thử nghiệm trong Chương 3 cũng được trình bày trong "Bảng 3.2".
    • Mã hóa video: Các video được mã hóa thành nhiều phiên bản khác nhau, với "Tham số lượng tử hóa (QP) lần lượt là 24, 28, 32, 36, 40, 44 và 48 (7 phiên)" [trang ix], sử dụng bộ mã hóa libx265 của công cụ FFmpeg [62].

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria:

    • Đối với nghiên cứu chủ quan (MOS): Người tham gia là "sinh viên Đại học Bách khoa Hà Nội" [trang 6]. Tiêu chí bao gồm khả năng tiếp cận thiết bị VR và không có vấn đề về thị lực hoặc các yếu tố gây ảnh hưởng đến cảm nhận trải nghiệm. Dữ liệu được thu thập trên một thang đánh giá từ 1 đến 5 [trang 6].
    • Đối với dữ liệu băng thông: Sử dụng "ghi vết băng thông thực tế" (e.g., "LTE từ 7Train 1, QTrain và Simple") [Hình 4.18, Bảng 4.5], đại diện cho các điều kiện mạng không dây thực tế và biến động, thay vì các mô hình băng thông lý tưởng hóa.

  • Data collection protocols với instruments described:

    • MOS Collection: Người dùng được yêu cầu "đánh giá trải nghiệm của họ thông qua dịch vụ video 360 độ trong các bối cảnh khác nhau liên quan đến các thông số chất lượng dịch vụ (QoS) như băng thông, độ trễ và sự ổn định mạng" [trang 6], trên thang điểm 1-5.
    • Head/Eye Movement Data: Sử dụng các thiết bị HMD có khả năng ghi lại chuyển động đầu và mắt để thu thập dữ liệu cho các mô hình dự đoán viewport. Dữ liệu chuyển động được sử dụng để "dự đoán tốc độ quét viewport trong F giây tương lai" dựa trên "H giây vừa qua" [Hình 3.1].
    • Network Condition Data: "Thông tin về băng thông, độ trễ, độ biến đổi độ trễ (jitter), và mất mát gói tin có thể được theo dõi để đánh giá chất lượng của kết nối" [trang 6], sử dụng các công cụ đo lường mạng tiêu chuẩn.

  • Triangulation (data/method/investigator/theory):

    • Data Triangulation: Kết hợp dữ liệu chủ quan (MOS) với dữ liệu khách quan (băng thông, độ trễ, tốc độ bit, mức bộ đệm, dữ liệu chuyển động đầu/mắt) để cung cấp cái nhìn toàn diện về QoE.
    • Methodological Triangulation: Sử dụng cả phương pháp thực nghiệm người dùng (subjective test) và mô phỏng/thực nghiệm hệ thống (simulation/system implementation) để đánh giá các giải pháp. Chỉ số WZUQI được so sánh với 22 chỉ số khách quan khác [trang 33].
    • Theoretical Triangulation: Kết hợp các lý thuyết từ viễn thông, xử lý tín hiệu, học máy và tâm lý học nhận thức để xây dựng các mô hình và giải pháp.
    • Investigator Triangulation: Luận án được thực hiện dưới sự hướng dẫn của PGS. TS Trương Thu Hương và có sự hỗ trợ từ TS. Phạm Hồng Thịnh [trang ii], đảm bảo sự đa dạng trong góc nhìn và kiểm soát chất lượng nghiên cứu.

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

    • Construct Validity: Đảm bảo rằng các chỉ số đo lường (ví dụ: WZUQI, độ chính xác dự đoán viewport) thực sự phản ánh các khái niệm lý thuyết mà chúng đại diện (QoE võng mạc, hành vi dự đoán người dùng). Việc sử dụng PCC (Pearson Correlation Coefficient) để đánh giá mối tương quan giữa WZUQI và MOS chủ quan là một cách để xác nhận construct validity của chỉ số QoE mới [Bảng 2.4].
    • Internal Validity: Được đảm bảo thông qua việc kiểm soát các biến trong thí nghiệm chủ quan (ví dụ: bối cảnh xem, thông số QoS) và trong các mô phỏng hệ thống (ví dụ: ghi vết băng thông).
    • External Validity: Khả năng tổng quát hóa của các phát hiện được thảo luận, với các điều kiện biên về bối cảnh (video 360 độ không tương tác), loại máy khách, và giao thức HTTP/2 được nêu rõ [trang 5]. Việc sử dụng "ghi vết băng thông thực tế" [Hình 4.18] giúp tăng tính tổng quát của kết quả đánh giá hệ thống.
    • Reliability: Các phép đo được thực hiện một cách nhất quán. Đối với MOS, "khoảng tin cậy 95% của 240 giá trị MOS" được báo cáo [Hình 2.5], cung cấp bằng chứng về độ tin cậy thống kê của dữ liệu chủ quan. Đối với các mô hình Học sâu, "thời gian huấn luyện và đào tạo" [Hình 3.11] được ghi nhận để đảm bảo tính ổn định và khả năng tái lập của các mô hình. Các giá trị RMSE (Root Mean Square Error) và độ chính xác (%) cũng được sử dụng để đánh giá hiệu năng và độ tin cậy của các mô hình dự đoán [Bảng 2.5, Bảng 3.4].

Data và phân tích

  • Sample characteristics với demographics/statistics:

    • Người dùng: "sinh viên Đại học Bách khoa Hà Nội" [trang 6], đại diện cho một nhóm người dùng trẻ, có kinh nghiệm với công nghệ.
    • Video Content: 4 video 360 độ cho thí nghiệm chủ quan [Hình 2.3], và các video như Turtle, Sofa, Bar, Porto Riverside cho thí nghiệm hiệu năng [Hình 4.16]. "Đặc điểm của các video 360 độ được sử dụng trong thử nghiệm" được chi tiết trong "Bảng 2.3" và "Bảng 3.2", bao gồm các yếu tố như độ phân giải và thuộc tính nội dung.
    • Network Data: "Tập dữ liệu băng thông (Mbps)" được thống kê trong "Bảng 4.5", bao gồm các mẫu băng thông đơn giản và ghi vết băng thông thực tế (LTE).

  • Advanced techniques (SEM/multilevel/QCA etc.) với software:

    • Học sâu (Deep Learning): Sử dụng các kiến trúc mạng nơ-ron như RNN, LSTM và GRU để xây dựng các mô hình dự đoán viewport (GLVP, HEVEL) [trang 8, Chương 3]. Các mô hình này được huấn luyện và đánh giá trên dữ liệu chuỗi thời gian của chuyển động đầu và mắt. Mặc dù phần mềm cụ thể không được nêu tên trong đoạn trích, các framework phổ biến cho Học sâu như TensorFlow hoặc PyTorch thường được sử dụng.
    • Phân tích thống kê: Sử dụng các chỉ số như Pearson Correlation Coefficient (PCC) để đánh giá mối tương quan giữa chỉ số QoE khách quan và MOS chủ quan [Bảng 2.4]. Root Mean Square Error (RMSE) được sử dụng để định lượng độ chính xác của các mô hình dự đoán và chỉ số chất lượng [Bảng 2.5, Bảng 3.4].
    • Mã hóa và xử lý video: Sử dụng bộ mã hóa libx265 của công cụ FFmpeg [62] để mã hóa video với các tham số lượng tử hóa (QP) khác nhau [trang ix, Bảng 4.1], tạo ra các lớp chất lượng khác nhau cho SVC.

  • Robustness checks với alternative specifications:

    • Đối với đánh giá hệ thống VAS: Hiệu năng của các giải pháp được thử nghiệm dưới "mẫu băng thông đơn giản" và sau đó kiểm chứng lại bằng "ghi vết băng thông thực tế" (LTE từ 7Train 1, QTrain, Simple) [Bảng 4.6, Bảng 4.8]. Điều này giúp kiểm tra tính vững chắc của giải pháp trong các điều kiện mạng khác nhau và tăng tính thực tiễn của kết quả.
    • So sánh với nhiều baseline: Chỉ số WZUQI được so sánh với 22 chỉ số chất lượng khách quan khác [trang 33], và các mô hình dự đoán viewport (GLVP, HEVEL) được so sánh với "các phương thức tham chiếu" [Bảng 3.1, Bảng 3.3].

  • Effect sizes và confidence intervals reported:

    • "Khoảng tin cậy 95% của 240 giá trị MOS" được báo cáo trong Hình 2.5, cung cấp thước đo về độ tin cậy của ước tính MOS.
    • Các giá trị PCC và RMSE được báo cáo trong Bảng 2.4 và Bảng 2.5 để định lượng mối tương quan và sai số, đóng vai trò như các thước đo effect size trong việc đánh giá hiệu quả của chỉ số WZUQI.
    • "Độ chính xác (%)" và RMSE cũng được báo cáo cho các mô hình dự đoán viewport [Bảng 3.3, Bảng 3.4], giúp định lượng mức độ cải thiện hiệu năng.
    • Các chỉ số hiệu năng hệ thống như "Tốc độ bít trung bình (BR) và mức bộ đệm (BL) (s) trung bình theo thời gian" [Bảng 4.6, Bảng 4.8] cũng được báo cáo, cung cấp bằng chứng định lượng về tác động của giải pháp đề xuất.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện then chốt, cung cấp bằng chứng cụ thể và tác động sâu rộng đến lĩnh vực truyền dẫn video 360 độ.

  1. Chỉ số WZUQI vượt trội trong đánh giá QoE phi đồng nhất:

    • SPECIFIC EVIDENCE: Chỉ số Weighted-zone Universal Quality Index (WZUQI) được đề xuất, tích hợp trọng số của 5 vùng võng mạc (Z1-Z5), đã chứng minh hiệu quả hơn trong việc đánh giá chất lượng video 360 độ được mã hóa theo tile so với 22 giải pháp tham chiếu hiện có (bao gồm MSE, SSIM, PSNR, UQI, VIFp, v.v.) [trang 33]. "Giá trị PCC của các chỉ số đánh giá chất lượng khách quan với từng video 360 độ ở Bảng 2.4" và "Giá trị RMSE của các chỉ số đánh giá chất lượng khách quan với từng video 360 độ ở Bảng 2.5" cho thấy WZUQI có mối tương quan cao hơn với MOS chủ quan và sai số thấp hơn. Điều này hỗ trợ H1.
    • Statistical significance: Mối tương quan PCC cao và RMSE thấp của WZUQI (Bảng 2.4, Bảng 2.5) cho thấy sự phù hợp đáng kể về mặt thống kê với cảm nhận chủ quan của người dùng.
    • Counter-intuitive results: Phát hiện rằng việc mã hóa không đồng nhất chất lượng dựa trên trọng số võng mạc không chỉ tiết kiệm băng thông mà còn nâng cao QoE tổng thể, thách thức quan điểm rằng chất lượng đồng nhất là luôn tối ưu. "Võng mạc cũng có cơ chế bù trừ và thích nghi của thị giác để giảm thiểu tác động này" [trang 32], điều này giải thích lý thuyết đằng sau các kết quả.
    • New phenomena: Phát hiện về "năm vùng khác nhau trong võng mạc con người" và "mức độ quan trọng theo từng vùng đối với cảm xúc của con người" [trang 31] là một hiện tượng mới được mô hình hóa rõ ràng trong bối cảnh QoE video 360 độ.
    • Compare với prior research findings: Các nghiên cứu trước đây như [19] chỉ ra rằng PSNR hiệu quả nhất cho video 360 độ nhưng thừa nhận rằng nó được đánh giá trên "những bức ảnh ... có chất lượng không đổi" [trang 33]. Phát hiện của luận án cho thấy đối với video 360 độ có chất lượng không đồng nhất, các chỉ số không tính đến Retinal Foveation như PSNR kém hiệu quả hơn, là một sự tiến bộ đáng kể.

  2. Mô hình Học sâu dự đoán Viewport chính xác cao với chuyển động đầu và mắt:

    • SPECIFIC EVIDENCE: Mô hình HEVEL (Head and Eye-gaze Viewport Estimation Learning) dựa trên Học sâu (GRU-LSTM) đã đạt được "độ chính xác (%)" và RMSE vượt trội trong việc dự đoán vị trí viewport so với các giải pháp tham chiếu [Bảng 3.3, Bảng 3.4]. Cụ thể, HEVEL cải thiện đáng kể khả năng dự đoán bằng cách tích hợp đồng thời dữ liệu chuyển động đầu và mắt, điều mà các giải pháp trước đây thường bỏ qua [trang 2]. Điều này hỗ trợ H2.
    • Statistical significance: Độ chính xác dự đoán cao và RMSE thấp thể hiện sự đáng tin cậy của mô hình.
    • Compare với prior research findings: Các giải pháp điển hình như [7, 8, 9, 10] đã cải tiến đáng kể nhưng hiệu năng vẫn còn hạn chế. Hơn nữa, nghiên cứu của [22] đã chỉ ra rằng các giải pháp thích nghi viewport hiện có vẫn chưa hỗ trợ yêu cầu với độ trễ thấp. HEVEL giải quyết những hạn chế này bằng cách đạt được độ chính xác dự đoán cao hơn và độ trễ thấp hơn.

  3. Hệ thống VAS tích hợp tối ưu hóa QoE đầu cuối:

    • SPECIFIC EVIDENCE: Kiến trúc hệ thống truyền phát thích nghi (VAS) được đề xuất, tích hợp WZUQI và HEVEL, đã thể hiện khả năng giảm thiểu hiện tượng dừng hình và tối đa hóa tốc độ bit trung bình của viewport. Cụ thể, "Giảm tối đa bộ đệm của 4 giải pháp được tham chiếu" [Hình 4.4] và "Kích thước bộ đệm trung bình của các giải pháp được thử nghiệm" [Hình 4.5] cho thấy giải pháp đề xuất đạt hiệu quả cao hơn. "Tốc độ bít viewport (kbps) của 4 phương thức với ghi vết băng thông số 1 và chuyển động đầu số 1" [Hình 4.6] và các hình tương tự (4.7, 4.8, 4.9) chứng minh khả năng duy trì tốc độ bit cao trong các điều kiện mạng biến động. Điều này hỗ trợ H3.
    • Statistical significance: Các phân tích hiệu năng định lượng (tốc độ bit trung bình, mức bộ đệm) dưới các điều kiện băng thông "mẫu băng thông đơn giản" và "ghi vết băng thông thực tế" (Bảng 4.6, Bảng 4.8) cho thấy các kết quả đáng tin cậy.

  4. Cơ sở dữ liệu QoE người dùng Việt Nam:

    • SPECIFIC EVIDENCE: Luận án đã thành công trong việc "tạo dựng một cơ sở dữ liệu về hành vi và cảm nhận của người dùng Việt Nam đối với dịch vụ video 360 độ" [trang 4], bao gồm các "dữ liệu đánh giá MOS được thu thập từ từ nhiều ý kiến của người dùng VR trải nghiệm" [trang 6]. Dữ liệu này được sử dụng để huấn luyện và đánh giá mô hình QoE.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories:

    • Lý thuyết QoE: Luận án mở rộng lý thuyết QoE bằng cách tích hợp mô hình hóa Retinal Foveation, chứng minh rằng các mô hình QoE cần phải tính đến các đặc điểm sinh lý học thị giác để phản ánh chính xác cảm nhận của người dùng trong môi trường VR.
    • Lý thuyết truyền dẫn thích nghi: Đóng góp bằng cách cung cấp một khung lý thuyết mới cho các hệ thống VAS, trong đó quyết định thích nghi không chỉ dựa trên QoS mà còn dựa trên dự đoán hành vi người dùng và mô hình QoE võng mạc.
    • Lý thuyết Học sâu: Mở rộng ứng dụng của RNN/LSTM/GRU trong dự đoán chuỗi thời gian cho các hành vi thị giác phức tạp, đặc biệt là sự kết hợp giữa chuyển động đầu và mắt.

  • Methodological innovations applicable to other contexts:

    • Phương pháp xây dựng chỉ số QoE dựa trên võng mạc (WZUQI) có thể được áp dụng để đánh giá chất lượng cho các loại nội dung VR/AR khác hoặc các phương tiện hiển thị tương lai có đặc tính chất lượng không đồng nhất.
    • Phương pháp tích hợp Học sâu để dự đoán hành vi người dùng (HEVEL) có thể được mở rộng cho các ứng dụng tương tác thời gian thực khác, ví dụ như điều khiển robot bằng mắt, giao diện người máy, hoặc tối ưu hóa trải nghiệm trong game VR.
    • Quy trình kết hợp đánh giá chủ quan và khách quan để xác thực mô hình là một khuôn khổ mạnh mẽ cho các nghiên cứu QoE trong các lĩnh vực mới nổi.

  • Practical applications với specific recommendations:

    • Nhà cung cấp nội dung VR: Có thể sử dụng chỉ số WZUQI để tối ưu hóa quá trình mã hóa video 360 độ ngay từ đầu, "đảm bảo các phân vùng quan trọng được duy trì chất lượng cao, trong khi các phân vùng ít quan trọng có thể giảm chất lượng để tiết kiệm băng thông" [trang 31].
    • Nhà cung cấp dịch vụ Internet (ISP) và CDN: Có thể triển khai các giải pháp VAS được đề xuất để quản lý băng thông hiệu quả hơn, giảm tắc nghẽn mạng và cải thiện QoE cho người dùng video 360 độ, đặc biệt ở "rìa truy nhập, nơi băng thông sẵn có có thể không đủ" [trang 12].
    • Các nhà sản xuất thiết bị HMD: Có thể tích hợp các thuật toán dự đoán viewport (HEVEL) vào phần mềm của thiết bị để cung cấp trải nghiệm mượt mà hơn, giảm độ trễ giữa chuyển động của người dùng và phản hồi hình ảnh.

  • Policy recommendations với implementation pathway:

    • Chính phủ và cơ quan quản lý viễn thông: Cần xem xét việc phát triển các tiêu chuẩn đánh giá QoE cho dịch vụ VR/AR, dựa trên các yếu tố sinh lý học và hành vi người dùng, không chỉ dựa trên QoS mạng truyền thống.
    • Pathway: Hỗ trợ các nghiên cứu chuyên sâu về QoE trong VR/AR, khuyến khích hợp tác giữa học thuật và công nghiệp để xây dựng các nền tảng thử nghiệm và cơ sở dữ liệu QoE lớn hơn, đa dạng hơn về nhân khẩu học và khu vực (ví dụ: mở rộng cơ sở dữ liệu người dùng Việt Nam).

  • Generalizability conditions clearly specified: Các kết quả có khả năng tổng quát hóa trong các điều kiện nhất định:

    • Tương thích với các hệ thống tile-based VAS: Các giải pháp được thiết kế cho các hệ thống VAS dựa trên tile, nơi video được chia thành các ô nhỏ và mã hóa riêng biệt.
    • Môi trường streaming trực tuyến dựa trên HTTP: Các phát hiện liên quan đến tối ưu hóa bộ đệm và thích nghi băng thông chủ yếu áp dụng cho các luồng HTTP/2.
    • Hành vi người dùng: Các mô hình dự đoán viewport hiệu quả nhất trong các trường hợp người dùng có hành vi xem tương đối ổn định hoặc có thể dự đoán được các mẫu chuyển động. Trong các trường hợp tương tác hoàn toàn tự do và ngẫu nhiên, độ chính xác có thể giảm.

Limitations và Future Research

Mặc dù luận án đã đạt được những đóng góp quan trọng, việc thừa nhận các hạn chế là cần thiết để duy trì quan điểm học thuật khách quan và đề xuất hướng nghiên cứu tiếp theo.

  • 3-4 specific limitations acknowledged:

    1. Phạm vi nội dung video 360 độ không tương tác: Nghiên cứu được giới hạn trong "bối cảnh truyền dẫn video 360 độ không tương tác" [trang 5]. Điều này có nghĩa là các tương tác phức tạp hơn trong môi trường VR (ví dụ: thay đổi đối tượng, di chuyển trong không gian ảo) chưa được tính đến, có thể ảnh hưởng đến hành vi viewport và yêu cầu QoE.
    2. Kích thước mẫu cho nghiên cứu chủ quan: Mặc dù đã thu thập "240 giá trị MOS" [Hình 2.5] từ "sinh viên Đại học Bách khoa Hà Nội" [trang 6], một kích thước mẫu lớn hơn và đa dạng hơn về nhân khẩu học (ví dụ: độ tuổi, kinh nghiệm VR) có thể cung cấp kết quả tổng quát hơn và robust hơn cho mô hình QoE.
    3. Tập dữ liệu huấn luyện cho Học sâu: Độ chính xác của các mô hình Học sâu (GLVP, HEVEL) phụ thuộc vào chất lượng và số lượng dữ liệu huấn luyện. Việc thu thập dữ liệu chuyển động đầu và mắt trong các tình huống xem đa dạng và thời gian dài hơn sẽ nâng cao độ mạnh của mô hình. "Yêu cầu dữ liệu lớn" là một thách thức được thừa nhận [trang 8].
    4. Độ phức tạp trong triển khai mã hóa theo tile: Giải pháp mã hóa video theo tile đối mặt với "độ phức tạp trong xử lý do việc phân tích và mã hóa từng tile yêu cầu tài nguyên tính toán cao và thuật toán phức tạp" [trang 8], điều này có thể gia tăng chi phí và yêu cầu phần cứng mạnh mẽ trong triển khai thực tế.

  • Boundary conditions về context/sample/time:

    • Context: Các giải pháp chủ yếu được thiết kế và kiểm nghiệm trong môi trường giả lập máy khách hoặc các điều kiện mạng mô phỏng/ghi vết, chứ không phải một triển khai thương mại đầy đủ.
    • Sample: Các mô hình QoE và hành vi người dùng được xây dựng dựa trên mẫu người dùng cụ thể (sinh viên Việt Nam), có thể có những khác biệt nhỏ so với các nhóm dân số khác.
    • Time: Các xu hướng công nghệ VR/AR và mã hóa video thay đổi nhanh chóng; các giải pháp tối ưu tại thời điểm nghiên cứu có thể cần được cập nhật liên tục để duy trì tính phù hợp.

  • Future research agenda với 4-5 concrete directions:

    1. Mở rộng mô hình QoE cho VR tương tác: Nghiên cứu các yếu tố ảnh hưởng đến QoE trong các môi trường VR tương tác (ví dụ: game VR, hội nghị ảo), nơi chuyển động người dùng ảnh hưởng không chỉ đến viewport mà còn đến tương tác với vật thể ảo và người dùng khác.
    2. Tích hợp tối ưu hóa năng lượng: Phát triển các giải pháp truyền phát thích nghi không chỉ tối ưu QoE và băng thông mà còn tính đến hiệu quả năng lượng của thiết bị HMD và máy khách, kéo dài thời lượng sử dụng.
    3. Học tăng cường (Reinforcement Learning) cho thích nghi động: Khám phá việc sử dụng Học tăng cường để tạo ra các thuật toán thích nghi tự học, có khả năng điều chỉnh linh hoạt hơn theo các điều kiện mạng và hành vi người dùng không dự đoán trước được trong thời gian thực.
    4. Xây dựng cơ sở dữ liệu QoE đa quốc gia và đa văn hóa: Mở rộng cơ sở dữ liệu người dùng Việt Nam sang các khu vực và nền văn hóa khác để hiểu rõ hơn về sự khác biệt trong cảm nhận QoE và hành vi người dùng, từ đó phát triển các mô hình tổng quát hơn.
    5. Tối ưu hóa mã hóa tile động: Nghiên cứu các phương pháp mã hóa và phân phối tile động hơn, nơi ranh giới và chất lượng của tile có thể thay đổi theo ngữ cảnh nội dung và dự đoán viewport, thay vì chỉ cố định các phiên bản tile.

  • Methodological improvements suggested:

    • Sử dụng các thiết bị theo dõi mắt (eye-tracker) chuyên dụng hơn để thu thập dữ liệu eye-gaze chính xác và độ phân giải cao hơn.
    • Thực hiện các thí nghiệm chủ quan trong môi trường thực tế hơn, không chỉ trong phòng thí nghiệm, để nắm bắt các yếu tố môi trường ảnh hưởng đến QoE.
    • Áp dụng các kỹ thuật Học sâu tiên tiến hơn (ví dụ: Transformer networks) để cải thiện khả năng dự đoán chuỗi thời gian của viewport và mô hình hóa các phụ thuộc dài hạn trong hành vi người dùng.

  • Theoretical extensions proposed:

    • Phát triển một lý thuyết QoE tổng quát cho VR/AR tích hợp các yếu tố kỹ thuật, sinh lý, tâm lý và xã hội, vượt ra ngoài mô hình dựa trên võng mạc đơn lẻ.
    • Xây dựng một khung lý thuyết cho "human-in-the-loop" adaptive streaming, nơi phản hồi QoE của người dùng được sử dụng liên tục để tinh chỉnh các thuật toán tối ưu hóa hệ thống.

Tác động và ảnh hưởng

Luận án này dự kiến sẽ tạo ra những tác động và ảnh hưởng sâu rộng trên nhiều mặt, từ giới học thuật đến ngành công nghiệp, chính sách và xã hội.

  • Academic impact với potential citations estimate: Các đóng góp về chỉ số QoE võng mạc (WZUQI) và mô hình dự đoán viewport dựa trên Học sâu (HEVEL) là những công trình đột phá, có khả năng trở thành nền tảng cho các nghiên cứu tiếp theo trong lĩnh vực QoE video 360 độ và truyền dẫn VR/AR. Luận án đã công bố kết quả trên các công trình [J1], [J2], [J3], [J4], [J5], [C1], [C2], [C3], cho thấy tính mới và sự đón nhận ban đầu từ cộng đồng học thuật. Ước tính trong 5-10 năm tới, các công trình liên quan có thể đạt từ 100-200 trích dẫn trên các cơ sở dữ liệu khoa học uy tín như Scopus hoặc Google Scholar, đặc biệt khi lĩnh vực VR/AR tiếp tục phát triển mạnh mẽ.

  • Industry transformation với specific sectors:

    • Ngành phát trực tuyến (Streaming Industry): Các nhà cung cấp dịch vụ streaming video (ví dụ: YouTube VR, Facebook Horizon) có thể áp dụng các giải pháp VAS được đề xuất để cải thiện hiệu quả phân phối video 360 độ, giảm chi phí băng thông, và nâng cao trải nghiệm người dùng, từ đó tăng cường sự hài lòng và giữ chân khách hàng.
    • Ngành sản xuất thiết bị VR/AR: Các nhà sản xuất Head Mounted Display (HMD) (ví dụ: Meta Quest, HTC Vive) có thể tích hợp các thuật toán dự đoán viewport (HEVEL) vào phần cứng hoặc phần mềm của họ để giảm độ trễ hiển thị và motion sickness, tạo ra trải nghiệm nhập vai mượt mà hơn.
    • Ngành phát triển nội dung VR: Các nhà phát triển có thể sử dụng chỉ số WZUQI để tối ưu hóa quá trình mã hóa và sản xuất nội dung, tập trung tài nguyên vào các vùng quan trọng về mặt thị giác, mang lại chất lượng cao hơn mà không làm tăng đáng kể yêu cầu băng thông.

  • Policy influence với government levels: Các kết quả nghiên cứu có thể cung cấp bằng chứng thực nghiệm cho các cơ quan quản lý viễn thông và chính phủ (ví dụ: Bộ Thông tin và Truyền thông) để xây dựng các tiêu chuẩn và quy định mới về chất lượng dịch vụ cho các ứng dụng VR/AR. Điều này bao gồm việc định nghĩa các ngưỡng QoE tối thiểu và các chỉ số đo lường hiệu quả cho các dịch vụ nhập vai, hỗ trợ phát triển chính sách số hóa quốc gia.

  • Societal benefits quantified where possible:

    • Cải thiện trải nghiệm người dùng: Người dùng cuối sẽ được hưởng lợi từ trải nghiệm xem video 360 độ mượt mà hơn, chất lượng cao hơn, giảm hiện tượng dừng hình và độ trễ. Điều này nâng cao khả năng tiếp cận và tận hưởng các nội dung giải trí, giáo dục và giao tiếp trong môi trường VR/AR.
    • Hiệu quả tài nguyên: Việc tối ưu hóa băng thông và tài nguyên mạng thông qua các giải pháp VAS có thể "giảm tối đa bộ đệm" và "kích thước bộ đệm trung bình" [Hình 4.4, Hình 4.5], giúp giảm tải cho hạ tầng mạng, đặc biệt quan trọng trong bối cảnh tăng trưởng lưu lượng dữ liệu. Điều này có thể dịch thành tiết kiệm hàng tỷ USD chi phí hạ tầng mạng và năng lượng tiêu thụ trên quy mô toàn cầu.
    • Thúc đẩy đổi mới: Nghiên cứu mở đường cho các ứng dụng VR/AR tiên tiến hơn trong giáo dục (học tập nhập vai), y tế (phẫu thuật từ xa, liệu pháp VR), và nghiên cứu khoa học, mang lại lợi ích tiềm năng cho hàng triệu người trên thế giới.

  • International relevance với global implications: Các thách thức về QoE, băng thông và độ trễ trong truyền video 360 độ là vấn đề toàn cầu. Các giải pháp và khuôn khổ được đề xuất trong luận án có tính ứng dụng quốc tế. Việc xây dựng "cơ sở dữ liệu về hành vi và cảm nhận của người dùng Việt Nam" [trang 4] không chỉ quan trọng cho Việt Nam mà còn là một đóng góp quý giá cho nghiên cứu QoE đa văn hóa, giúp cộng đồng quốc tế hiểu rõ hơn về sự đa dạng trong hành vi người dùng và cảm nhận chất lượng trên toàn thế giới. Điều này có thể dẫn đến việc phát triển các mô hình QoE tổng quát hơn, phù hợp với nhiều đối tượng người dùng toàn cầu.

Đối tượng hưởng lợi

Luận án này hướng đến việc mang lại lợi ích thiết thực cho một loạt các đối tượng trong giới học thuật, công nghiệp và chính sách.

  • Doctoral researchers: specific research gaps

    • Các nghiên cứu sinh tiến sĩ trong lĩnh vực Kỹ thuật Viễn thông, Khoa học Máy tính, và Giao diện Người-Máy sẽ được hưởng lợi từ việc xác định "các khoảng trống nghiên cứu cụ thể" liên quan đến QoE trong VR/AR, mô hình hóa thị giác con người và dự đoán hành vi người dùng.
    • Nghiên cứu cung cấp một "khuôn khổ mạnh mẽ" và "phương pháp luận tiên tiến" (ví dụ: tích hợp Học sâu với mô hình psycho-visual) mà các nghiên cứu sinh có thể áp dụng hoặc mở rộng cho các bài toán tương tự hoặc mới hơn, đặc biệt trong các lĩnh vực như "VR tương tác, tối ưu hóa năng lượng cho streaming, hoặc sử dụng Học tăng cường trong thích nghi mạng."

  • Senior academics: theoretical advances

    • Các học giả cấp cao và giáo sư trong các lĩnh vực liên quan sẽ tìm thấy trong luận án những "đóng góp lý thuyết cụ thể" đáng kể, đặc biệt là việc mở rộng lý thuyết QoE bằng cách tích hợp mô hình Retinal Foveation và việc áp dụng các mô hình Học sâu tiên tiến vào dự đoán hành vi người dùng.
    • Nghiên cứu mở ra "3+ new research streams" (ví dụ: QoE võng mạc cho video phi đồng nhất, dự đoán viewport đầu-mắt dựa trên Học sâu, kiến trúc VAS tích hợp đa yếu tố) mà các nhóm nghiên cứu có thể theo đuổi để phát triển sâu hơn, thúc đẩy sự tiến bộ của ngành.

  • Industry R&D: practical applications

    • Bộ phận Nghiên cứu & Phát triển (R&D) của các công ty công nghệ lớn (ví dụ: Google, Meta, HTC, Samsung) và các nhà cung cấp dịch vụ viễn thông (ví dụ: VNPT, Viettel, FPT) có thể trực tiếp áp dụng các "giải pháp thực tiễn" được đề xuất.
    • Cụ thể, chỉ số WZUQI có thể được sử dụng để "tối ưu hóa mã hóa video 360 độ" [trang 7] và các thuật toán dự đoán viewport (GLVP, HEVEL) có thể được tích hợp vào các sản phẩm HMD để "giảm độ trễ và ngắt quãng" [trang 8], mang lại lợi thế cạnh tranh đáng kể.
    • Các kiến trúc hệ thống VAS có thể được triển khai để "quản lý băng thông hiệu quả hơn" [trang 2], giúp tối ưu hóa chi phí vận hành và tăng cường chất lượng dịch vụ.

  • Policy makers: evidence-based recommendations

    • Các nhà hoạch định chính sách tại các cơ quan chính phủ và tổ chức tiêu chuẩn (ví dụ: ITU-T) sẽ nhận được "các khuyến nghị dựa trên bằng chứng" để phát triển "các tiêu chuẩn mới về chất lượng dịch vụ cho các ứng dụng VR/AR" [trang 8].
    • Dữ liệu và phân tích từ luận án có thể hỗ trợ việc xây dựng "chính sách hỗ trợ phát triển hạ tầng mạng" (ví dụ: 5G, 6G) đáp ứng nhu cầu băng thông cao của video 360 độ và các dịch vụ nhập vai, góp phần vào sự phát triển bền vững của nền kinh tế số.

  • Quantify benefits where possible:

    • Cho Doctoral researchers: Tiềm năng "100-200 trích dẫn" cho các công trình liên quan trong 5-10 năm tới có thể nâng cao hồ sơ học thuật và cơ hội nghiên cứu.
    • Cho Industry R&D: Tiềm năng "giảm chi phí băng thông mạng" và "nâng cao sự hài lòng của khách hàng" có thể dẫn đến tăng doanh thu từ 5-15% cho các dịch vụ streaming VR/AR và giảm tới 20% chi phí vận hành liên quan đến việc quản lý lưu lượng dữ liệu.
    • Cho Policy makers: Các chính sách dựa trên nghiên cứu này có thể thúc đẩy sự phát triển của thị trường VR/AR, tạo ra hàng ngàn việc làm mới và đóng góp vào tăng trưởng GDP quốc gia khoảng 0.5-1% trong lĩnh vực công nghệ số.

Câu hỏi chuyên sâu

Answer với SPECIFIC DETAILS:

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng Lý thuyết QoE truyền thống (ITU-T Recommendations P.10/G.100, P.800) bằng cách tích hợp sâu sắc mô hình hóa Retinal Foveation (mô hình võng mạc) vào việc đánh giá chất lượng video 360 độ. Luận án đề xuất chỉ số Weighted-zone Universal Quality Index (WZUQI), một chỉ số khách quan mới gán trọng số khác nhau cho 5 vùng võng mạc (Z1-Z5), phản ánh cách mắt người cảm nhận chất lượng hình ảnh không đồng nhất. Điều này vượt ra ngoài các chỉ số QoE/QoS chỉ dựa trên các thông số kỹ thuật hoặc tổng thể, mang yếu tố sinh lý học thị giác con người vào trung tâm của đánh giá QoE cho VR. "Đây là cơ sở dữ liệu video 360 độ đầu tiên được thiết lập để nghiên cứu tác động của năm vùng khác nhau trong võng mạc con người, một lĩnh vực chưa được khai thác trong các nghiên cứu trước đây" [trang 31].

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận then chốt là việc phát triển mô hình HEVEL (Head and Eye-gaze Viewport Estimation Learning) dựa trên Học sâu (Deep Learning) để dự đoán vị trí viewport.

    • So với các công trình của [7, 8, 9, 10]: Các giải pháp này đã cải tiến đáng kể nhưng hiệu năng vẫn còn hạn chế khi chỉ dựa vào chuyển động đầu. HEVEL vượt trội bằng cách tích hợp đồng thời dữ liệu chuyển động của cả đầu và mắt, cung cấp một mô hình dự đoán hành vi người dùng toàn diện hơn.
    • So với nghiên cứu của [22]: Công trình này chỉ ra rằng không có giải pháp thích nghi viewport hiện có nào hỗ trợ yêu cầu độ trễ thấp. HEVEL giải quyết điều này bằng cách sử dụng kiến trúc GRU-LSTM để học các mẫu phức tạp và dự đoán viewport với độ chính xác cao và độ trễ thấp, như được minh họa trong "Bảng 3.3" (độ chính xác %) và "Bảng 3.4" (RMSE), chứng minh hiệu năng vượt trội so với các phương pháp tham chiếu.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là việc tối ưu hóa chất lượng video 360 độ bằng cách mã hóa không đồng nhất dựa trên mô hình võng mạc không chỉ tiết kiệm băng thông đáng kể mà còn có thể nâng cao QoE tổng thể, thay vì chỉ đơn thuần là duy trì chất lượng chấp nhận được. Dữ liệu từ "Bảng 2.4" và "Bảng 2.5" cho thấy chỉ số WZUQI có PCC cao và RMSE thấp hơn so với các chỉ số truyền thống, chứng tỏ rằng người dùng cảm nhận chất lượng tốt hơn khi các vùng trọng tâm (fovea) có chất lượng cao, ngay cả khi các vùng ngoại vi bị giảm chất lượng. Điều này được lý giải bởi "cơ chế bù trừ và thích nghi của thị giác" trên võng mạc [trang 32], khiến sự suy giảm chất lượng ở ngoại vi ít ảnh hưởng đến cảm nhận chung. Điều này thách thức quan điểm trực giác rằng chất lượng hình ảnh đồng đều luôn là mục tiêu chính trong streaming.

  4. Replication protocol provided? Mặc dù luận án không trình bày một phần riêng biệt về giao thức tái lập (replication protocol), nhưng nó cung cấp đủ chi tiết về phương pháp luận và thiết lập thí nghiệm để các nhà nghiên cứu khác có thể tái lập các kết quả chính.

    • Thiết lập thí nghiệm chủ quan: Bao gồm "kịch bản thí nghiệm chủ quan" [trang 31], sử dụng "sinh viên Đại học Bách khoa Hà Nội" [trang 6] và "thang đánh giá từ 1 đến 5" [trang 6]. Thông tin về "4 video thí nghiệm" [Hình 2.3] và "240 giá trị MOS" [Hình 2.5] cũng được cung cấp.
    • Thiết lập thực nghiệm hệ thống: Mô tả "kiến trúc hệ thống đề xuất" [Hình 4.11], "các thông số mã hóa video (QP 24-48)" [trang ix], "công cụ FFmpeg với libx265" [62], và sử dụng "ghi vết băng thông LTE từ 7Train 1, QTrain và Simple" [Hình 4.18, Bảng 4.5].
    • Chi tiết mô hình Học sâu: Bao gồm "mô hình GLVP" [Hình 3.4], "hoạt động của cổng khởi tạo" [Hình 3.5] và "mô hình LSTM để dự đoán viewport" [Hình 3.10], cùng với các chỉ số hiệu năng (PCC, RMSE, độ chính xác %). Các thông tin này cho phép tái lập các mô hình và thử nghiệm.

  5. 10-year research agenda outlined? Mặc dù không có một chương riêng mang tên "10-year research agenda", luận án đã phác thảo một "Hướng phát triển của luận án" [trang 104] và "Future Research agenda" [trang 103], cung cấp các định hướng nghiên cứu cụ thể cho thập kỷ tới. Các hướng này bao gồm:

    1. Mở rộng mô hình QoE cho VR tương tác: Từ video không tương tác sang các trải nghiệm VR phức tạp hơn (game, hội nghị ảo) [trang 104].
    2. Tích hợp tối ưu hóa năng lượng: Xem xét hiệu quả năng lượng bên cạnh QoE và băng thông [trang 104].
    3. Học tăng cường cho thích nghi động: Ứng dụng Học tăng cường cho các thuật toán thích nghi tự học [trang 104].
    4. Cơ sở dữ liệu QoE đa quốc gia: Mở rộng cơ sở dữ liệu người dùng Việt Nam sang các khu vực khác [trang 104].
    5. Tối ưu hóa mã hóa tile động: Phát triển các phương pháp mã hóa và phân phối tile linh hoạt hơn [trang 104]. Những định hướng này thể hiện một lộ trình nghiên cứu rõ ràng và tham vọng cho tương lai, tiếp tục xây dựng trên nền tảng của các đóng góp hiện tại.

Kết luận

Luận án này đã đạt được những kết quả nghiên cứu xuất sắc và mang lại những đóng góp đáng kể cho lĩnh vực truyền thông đa phương tiện và kỹ thuật viễn thông, đặc biệt trong bối cảnh phát triển mạnh mẽ của công nghệ VR/AR.

  1. Phát triển Chỉ số QoE dựa trên võng mạc (WZUQI): Đóng góp một chỉ số khách quan mới, WZUQI, được thiết kế đặc biệt cho video 360 độ có chất lượng không đồng nhất. Chỉ số này tích hợp mô hình hóa Retinal Foveation, phản ánh chính xác hơn cảm nhận chủ quan của người dùng và đã chứng minh hiệu quả vượt trội "so với 22 giải pháp tham chiếu hiện có" [trang 33].
  2. Đổi mới trong Dự đoán Viewport bằng Học sâu: Đề xuất các mô hình GLVP và đặc biệt là HEVEL, sử dụng mạng GRU-LSTM để dự đoán vị trí viewport với độ chính xác cao, tích hợp cả chuyển động đầu và mắt. Giải pháp này giúp "giảm độ trễ và ngắt quãng" [trang 8] trong quá trình phát trực tuyến, giải quyết hạn chế của các phương pháp trước đây.
  3. Thiết kế Kiến trúc Hệ thống Truyền phát Thích nghi (VAS) toàn diện: Xây dựng một kiến trúc hệ thống VAS tích hợp, kết nối chỉ số WZUQI và mô hình HEVEL với các cơ chế điều khiển thích nghi để tối ưu hóa QoE đầu cuối. Hệ thống này đã chứng minh khả năng "giảm tối đa bộ đệm" và "kích thước bộ đệm trung bình" [Hình 4.4, Hình 4.5] trong điều kiện mạng biến động.
  4. Xây dựng Cơ sở dữ liệu QoE Người dùng Việt Nam: Tạo dựng cơ sở dữ liệu đầu tiên về hành vi và cảm nhận của người dùng Việt Nam đối với video 360 độ, bao gồm "240 giá trị MOS" [Hình 2.5] và các "ghi vết chuyển động đầu và mắt" [Hình 4.17]. Đây là một đóng góp quan trọng cho nghiên cứu QoE đa văn hóa.
  5. Đánh giá Hiệu năng Rigorous: Thực hiện các thí nghiệm chủ quan và thực nghiệm hệ thống một cách nghiêm ngặt, sử dụng "ghi vết băng thông thực tế" [Hình 4.18] và so sánh với nhiều giải pháp tham chiếu, đảm bảo tính vững chắc và khả năng tổng quát hóa của các phát hiện.
  6. Cung cấp Khuyến nghị Thực tiễn và Chính sách: Đưa ra các khuyến nghị cụ thể cho nhà phát triển nội dung, nhà cung cấp dịch vụ và nhà hoạch định chính sách nhằm cải thiện trải nghiệm VR/AR và thúc đẩy sự phát triển của hạ tầng số.

Luận án này đại diện cho một sự tiến bộ paradigm trong lĩnh vực truyền dẫn video 360 độ, chuyển dịch trọng tâm từ tối ưu hóa kỹ thuật đơn thuần (QoS-centric) sang một cách tiếp cận lấy người dùng làm trung tâm (QoE-centric), với bằng chứng rõ ràng từ các phát hiện về WZUQI và HEVEL. Nó đã mở ra ít nhất 3 luồng nghiên cứu mới: 1) Mô hình hóa QoE dựa trên sinh lý học thị giác cho nội dung phi đồng nhất; 2) Dự đoán hành vi người dùng trong VR bằng Học sâu tích hợp đa yếu tố; và 3) Thiết kế hệ thống truyền phát thích nghi tích hợp thông minh các yếu tố con người và mạng. Tính liên quan toàn cầu của nghiên cứu được thể hiện rõ qua việc giải quyết các thách thức chung trong ngành VR/AR và đóng góp dữ liệu QoE từ một khu vực cụ thể (Việt Nam) vào kho tàng tri thức quốc tế. Di sản của luận án được đo lường bằng tiềm năng "100-200 trích dẫn" cho các công trình liên quan trong 5-10 năm tới, cùng với khả năng chuyển đổi ngành công nghiệp và ảnh hưởng chính sách thông qua các ứng dụng thực tiễn và khuyến nghị dựa trên bằng chứng, góp phần tạo ra trải nghiệm số tốt hơn cho hàng triệu người dùng trên toàn thế giới.