Tổng quan về luận án

Luận án "Nghiên cứu phát triển một số kỹ thuật trích rút đặc trưng và tối ưu mô hình Random Forest trong phát hiện sự kiện ngã của con người bằng điện thoại thông minh" của NCS Lê Hồng Lam đặt trong bối cảnh toàn cầu về già hóa dân số và các thách thức y tế liên quan, đặc biệt là nguy cơ ngã ở người cao tuổi. Nghiên cứu tiên phong trong việc khai thác tiềm năng của điện thoại thông minh (SP) – một thiết bị phổ biến và dễ tiếp cận – để xây dựng một hệ thống phát hiện ngã (FDS) hiệu quả và tiết kiệm chi phí. Theo Tổ chức Y tế Thế giới (WHO), ngã là nguyên nhân hàng đầu gây chấn thương và tử vong ở người trên 65 tuổi, với khoảng 684.000 ca tử vong mỗi năm, và gây mất hơn 38 triệu DALYs (số năm sống được điều chỉnh theo mức độ tàn tật) [1], nhấn mạnh tính cấp thiết của các giải pháp phòng ngừa và phát hiện sớm.

Research Gap SPECIFIC với citations từ literature: Mặc dù các hệ thống nhận dạng hoạt động con người (HAR) đã đạt được nhiều tiến bộ, nhưng nghiên cứu về phát hiện sự kiện ngã (FDS) vẫn đối mặt với những thách thức đáng kể.

  1. Vấn đề dữ liệu không cân bằng và đánh giá hiệu suất: Các bộ dữ liệu thực tế về ngã thường rất khan hiếm và không cân bằng (số lượng mẫu ngã ít hơn đáng kể so với hoạt động bình thường), khiến các mô hình học sâu (DL) đòi hỏi nhiều dữ liệu không phù hợp cho các thiết bị di động có tài nguyên hạn chế [8–11]. Nhiều nghiên cứu trước đây chỉ sử dụng độ chính xác (Accuracy - ACC) làm thước đo chính, điều này không phản ánh đúng hiệu suất của mô hình đối với các sự kiện ngã khi dữ liệu không cân bằng [9, 12, 53, 57]. Ví dụ, Martínez-Villaseñor và cộng sự [12] báo cáo ACC 95.0% nhưng Precision chỉ 77.7% và F1-score 72.8% cho các sự kiện ngã.
  2. Phụ thuộc vào trích rút đặc trưng thủ công: Các mô hình học máy (ML) truyền thống phụ thuộc nhiều vào việc thiết kế đặc trưng thủ công, đòi hỏi sự hiểu biết sâu sắc về dữ liệu và có thể không tối ưu cho các sự kiện phức tạp như ngã [12–15].
  3. Tối ưu hóa mô hình Random Forest bằng giải thuật siêu kinh nghiệm: Một khoảng trống quan trọng được NCS Lê Hồng Lam xác định là sự thiếu vắng các công trình nghiên cứu về việc tối ưu hóa siêu tham số của mô hình Random Forest (RF) bằng các kỹ thuật siêu kinh nghiệm (MH) như giải thuật di truyền (GA) trong bối cảnh phát hiện ngã. "NCS gặp rất nhiều khó khăn khi tìm các bài viết liên quan đến bài toán tối ưu hóa siêu tham số của mô hình RF bằng các kỹ thuật MH." Điều này cho thấy tiềm năng đáng kể cho việc cải thiện hiệu suất của RF.

Research questions và hypotheses: Luận án giải quyết ba câu hỏi nghiên cứu chính, với các giả thuyết tương ứng:

  1. CQ1: Làm thế nào để cải tiến và phát triển các kỹ thuật trích rút đặc trưng mạnh mẽ và hiệu quả từ dữ liệu thô thu thập bằng cảm biến quán tính của điện thoại thông minh để cải thiện khả năng phân loại các sự kiện ngã?
    • Giả thuyết 1: Bằng cách kết hợp các đặc trưng từ miền thời gian, miền tần số, tham số định hướng và tham số Hjorth từ dữ liệu gia tốc 3 trục, khả năng phân tích và nhận dạng sự kiện ngã sẽ được tăng cường đáng kể so với các phương pháp chỉ sử dụng một loại đặc trưng hoặc ít hơn.
  2. CQ2: Những yếu tố nào ảnh hưởng đến độ chính xác và hiệu suất của mô hình Random Forest trong việc phát hiện sự kiện ngã, và làm thế nào để tối ưu hóa các yếu tố này nhằm nâng cao hiệu quả của hệ thống?
    • Giả thuyết 2: Việc tối ưu hóa siêu tham số của Random Forest bằng một giải thuật di truyền được thiết kế đặc biệt (GA4RF) với cấu trúc nhiễm sắc thể và hàm thích nghi phù hợp với đặc thù dữ liệu ngã sẽ dẫn đến hiệu suất phân loại vượt trội so với các cấu hình mặc định hoặc tìm kiếm thông thường.
  3. CQ3: Làm cách nào để phát triển một mô hình phát hiện sự kiện ngã có khả năng thích ứng với các điều kiện thực tế, đặc biệt khi dữ liệu về sự kiện ngã khó thu thập và gán nhãn trong thế giới thực?
    • Giả thuyết 3: Một mô hình phát hiện sự kiện ngã (FEDM) kết hợp GA4RF đã tối ưu, kỹ thuật so khớp dữ liệu linh hoạt và kỹ thuật ngưỡng có thể phân biệt hiệu quả hoạt động bình thường và sự kiện ngã, ngay cả khi dữ liệu ngã khan hiếm, từ đó nâng cao khả năng thích ứng trong môi trường thực tế.

Theoretical framework với tên theories cụ thể: Luận án được xây dựng dựa trên nền tảng của Lý thuyết học máy (Machine Learning Theory), đặc biệt là các phương pháp học có giám sát (Supervised Learning) để phân loại. Trọng tâm là Lý thuyết Học tập tập hợp (Ensemble Learning Theory) thông qua mô hình Random Forest (Breiman, 2001), kết hợp nhiều cây quyết định để cải thiện độ chính xác và giảm thiểu quá khớp (overfitting). Nghiên cứu cũng mở rộng Lý thuyết Tối ưu hóa Siêu kinh nghiệm (Meta-heuristic Optimization Theory), áp dụng Giải thuật di truyền (Holland, 1975) để tinh chỉnh các siêu tham số của RF, tạo ra một GA4RF độc đáo. Ngoài ra, việc xử lý dữ liệu cảm biến dựa trên Lý thuyết Xử lý tín hiệu số (Digital Signal Processing Theory) để trích rút các đặc trưng miền thời gian và tần số, cùng với các tham số Hjorth, cung cấp một khung phân tích toàn diện về chuyển động.

Đóng góp đột phá với quantified impact:

  1. Phương pháp trích rút đặc trưng đa chiều (TFDHD): Đề xuất một phương pháp trích rút đặc trưng mới từ dữ liệu gia tốc 3 trục bằng cách kết hợp các đặc trưng từ miền thời gian, miền tần số, tham số định hướng và tham số Hjorth. Phương pháp này "giúp tăng cường khả năng phân tích và nhận dạng các sự kiện ngã một cách hiệu quả" và đã được công bố trong [CT1], [CT2], [CT3], mở ra hướng tiếp cận mới cho việc biểu diễn dữ liệu cảm biến.
  2. Thuật toán tối ưu hóa GA4RF: Phát triển thuật toán GA4RF độc đáo sử dụng giải thuật di truyền để tối ưu hóa siêu tham số của mô hình Random Forest. GA4RF "thể hiện khả năng tìm kiếm bộ siêu tham số tối ưu nhờ cấu trúc nhiễm sắc thể, không gian tìm kiếm và hàm thích nghi được thiết kế theo hướng mới phù hợp với đặc thù của các bộ dữ liệu ngã." Thuật toán này đã được chứng minh là vượt trội trong việc cải thiện hiệu suất trên dữ liệu ngã không cân bằng, với hàm thích nghi dựa trên Normalized Matthew Correlation Coefficient (NMCC). Các công trình [CT2], [CT3], [CT4], [CT5] đã công bố kết quả này.
  3. Mô hình FEDM cho dữ liệu khan hiếm: Xây dựng mô hình phát hiện sự kiện ngã (FEDM) có khả năng thích ứng với điều kiện dữ liệu ngã khan hiếm trong thế giới thực. FEDM kết hợp GA4RF đã tối ưu, kỹ thuật so khớp dữ liệu linh hoạt và kỹ thuật ngưỡng, cho phép nó "phân biệt hiệu quả giữa các hoạt động bình thường (dữ liệu huấn luyện) và các sự kiện ngã (dữ liệu mới), mang lại khả năng phát hiện ngã chính xác ngay cả khi dữ liệu về sự kiện ngã khan hiếm." Đây là một đóng góp quan trọng giải quyết vấn đề thực tế nan giải.

Scope và significance: Phạm vi nghiên cứu tập trung vào việc sử dụng điện thoại thông minh làm thiết bị thu thập dữ liệu, tận dụng cảm biến gia tốc kế 3 trục và con quay hồi chuyển có sẵn (chủ yếu là gia tốc kế để tối ưu năng lượng) để phát hiện sự kiện ngã của con người. Các bộ dữ liệu công khai MobiAct v2.0 và UP-Fall được sử dụng để đảm bảo tính khách quan và khả năng so sánh quốc tế. Nghiên cứu đánh giá trên nhiều hoạt động thường ngày (ADL) và các sự kiện ngã cụ thể. Ý nghĩa khoa học của đề tài nằm ở việc làm phong phú thêm lý thuyết về xử lý tín hiệu và học máy, đặc biệt trong các bài toán phân loại sự kiện phức tạp với dữ liệu hạn chế. Về mặt thực tiễn, luận án tạo ra một giải pháp FDS dễ tiếp cận, tiết kiệm chi phí, có thể tích hợp thành phần mềm miễn phí trên điện thoại thông minh, góp phần nâng cao chất lượng chăm sóc sức khỏe và an toàn cho người cao tuổi, giảm thiểu hậu quả do ngã.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Nghiên cứu về nhận dạng hoạt động con người (HAR) và phát hiện ngã (FDS) đã phát triển theo hai hướng chính: dựa trên cảm biến môi trường xung quanh và dựa trên thiết bị đeo được.

  1. Cảm biến môi trường: Các hệ thống sử dụng camera, cảm biến âm thanh, áp suất sàn, PIR, radar, siêu âm (ví dụ: nghiên cứu được tổng hợp bởi [24]) thường phù hợp cho không gian nhỏ như viện dưỡng lão. Tuy nhiên, chúng có hạn chế về chi phí lắp đặt, bảo trì, giới hạn không gian giám sát và các vấn đề về quyền riêng tư [23, 24]. Camera cần băng thông lớn, dễ bị ảnh hưởng bởi điều kiện ánh sáng và vật cản.
  2. Thiết bị đeo được (Wearable Devices - WD): Đây là xu hướng thịnh hành do chi phí phần cứng thấp và sự phổ biến của các thiết bị di động tích hợp cảm biến quán tính (ví dụ: điện thoại thông minh - SP, đồng hồ thông minh - SW, IMU chuyên dụng) [7]. Dữ liệu ADL và ngã được thu thập từ gia tốc kế, con quay hồi chuyển, và cảm biến định hướng. Ưu điểm nổi bật là tính cơ động cao, phạm vi giám sát không giới hạn, ít nhiễu môi trường và chi phí rẻ [25, 26]. Tuy nhiên, các WD chuyên dụng thường không hoạt động độc lập và nguồn cấp năng lượng vẫn là một thách thức [25, 26].
  3. Học máy (ML) và Học sâu (DL) trong FDS: Ferrari và cộng sự (2020) đã khảo sát 305 nghiên cứu về FDS từ 2015-2020, cho thấy các mô hình ML truyền thống như Support Vector Machine (SVM), K-Nearest Neighbors (kNN), Random Forest (RF), Artificial Neural Network (ANN), và J48 vẫn rất phổ biến, chiếm tỷ lệ lớn (ví dụ: RF 21.6%, SVM 19.3%, kNN 18.5%) [7]. Mặc dù DL (ví dụ: CNN, LSTM) cho thấy tiềm năng lớn trong việc xử lý dữ liệu phức tạp và tự động trích rút đặc trưng (ví dụ: Shi, 2020 [52]; Hassan, 2018 [14]), nhưng chúng đòi hỏi lượng dữ liệu lớn, tài nguyên tính toán mạnh, và tiêu thụ nhiều năng lượng, không phù hợp cho các thiết bị di động tài nguyên hạn chế [8–11].

Contradictions/debates với ít nhất 2 opposing views:

  1. Sử dụng cảm biến con quay hồi chuyển cùng gia tốc kế: Một số nghiên cứu như Perry và cộng sự [61], Chelli và cộng sự [62] cho rằng việc kết hợp gia tốc kế và con quay hồi chuyển có thể tăng khả năng phát hiện ngã. Tuy nhiên, luận án này chỉ ra rằng việc sử dụng nhiều cảm biến sẽ tăng lượng dữ liệu, số lượng đặc trưng cần trích xuất và tiêu thụ năng lượng, đòi hỏi phần cứng mạnh hơn, làm tăng chi phí tính toán và vận hành, không phù hợp với tiêu chí tiết kiệm năng lượng cho điện thoại thông minh [87, 88].
  2. Phù hợp của các độ đo hiệu suất: Luôn tồn tại tranh cãi về việc sử dụng các độ đo hiệu suất. Các nghiên cứu như Shi (2020) [52] hay Mahfuz (2018) [14] thường báo cáo chỉ số Accuracy (ACC) cao cho FDS. Tuy nhiên, luận án của Lê Hồng Lam, cùng với Lai và cộng sự (2021) [9] và Martínez-Villaseñor và cộng sự (2019) [12], khẳng định rằng ACC là không phù hợp cho các bộ dữ liệu không cân bằng – nơi các sự kiện ngã chiếm dưới 10% tổng số mẫu. Thay vào đó, các chỉ số như Precision, Recall, F1-score và đặc biệt là Matthew Correlation Coefficient (MCC) được khuyến nghị vì chúng cung cấp đánh giá khách quan và công bằng hơn, đặc biệt trong các trường hợp dữ liệu mất cân bằng [43, 48].

Positioning trong literature với specific gap identified: Luận án định vị mình ở giao điểm của việc tối ưu hóa hiệu suất FDS trên thiết bị di động và giải quyết vấn đề dữ liệu ngã khan hiếm. Nó tập trung vào việc cải tiến các kỹ thuật trích rút đặc trưng và tối ưu hóa mô hình học máy Random Forest – một hướng đi chưa được khai thác triệt để, đặc biệt là việc áp dụng giải thuật siêu kinh nghiệm để tinh chỉnh siêu tham số của RF, điều mà NCS đã "gặp rất nhiều khó khăn khi tìm các bài viết liên quan" trong các nghiên cứu trước đây. Bằng cách này, luận án không chỉ nâng cao hiệu quả của các FDS hiện có mà còn tạo ra một khung phương pháp luận mới cho việc phát triển các ứng dụng chăm sóc sức khỏe trên thiết bị thông minh.

How this advances field với concrete contributions: Nghiên cứu này tiến một bước dài trong lĩnh vực FDS bằng cách:

  1. Nâng cao khả năng trích rút đặc trưng: Phương pháp kết hợp đặc trưng TFDHD (Time-Frequency-Direction-Hjorth Domain) đề xuất không chỉ đơn thuần là gộp các loại đặc trưng mà còn tối ưu hóa chúng để tăng cường khả năng phân biệt các sự kiện ngã phức tạp, vượt qua các phương pháp chỉ sử dụng tập đặc trưng nhỏ hoặc ít đa dạng hơn [13, 63, 64].
  2. Tối ưu hóa mô hình học máy hiệu quả: Thuật toán GA4RF là một đóng góp mới, giải quyết bài toán tìm kiếm siêu tham số tối ưu cho Random Forest, một mô hình mạnh mẽ nhưng thường được sử dụng với các thiết lập mặc định hoặc tinh chỉnh thủ công. Điều này nâng cao hiệu suất đáng kể cho RF, đặc biệt trên các bộ dữ liệu ngã không cân bằng.
  3. Mô hình phát hiện ngã thích ứng với dữ liệu khan hiếm (FEDM): FEDM giải quyết trực tiếp một trong những rào cản lớn nhất trong phát triển FDS thực tế – sự khan hiếm dữ liệu ngã. Bằng cách huấn luyện trên dữ liệu hoạt động bình thường và sử dụng kỹ thuật ngưỡng linh hoạt, FEDM cung cấp một giải pháp robust cho vấn đề này, mở ra khả năng triển khai rộng rãi hơn.

So sánh với ÍT NHẤT 2 international studies:

  1. So sánh với Chatzaki và cộng sự (2017) [13]: Nghiên cứu của Chatzaki et al. sử dụng bộ dữ liệu MobiAct v2.0 và trích rút 39 đặc trưng từ miền thời gian và tần số, đạt độ chính xác trung bình 96.8% (F1-score) cho phân loại đa lớp. Tuy nhiên, họ ghi nhận "độ chính xác cao nhất của phát hiện ngã không vượt quá 84%." Điều này cho thấy rằng mặc dù tổng thể tốt, khả năng phát hiện sự kiện ngã cụ thể vẫn còn hạn chế. Ngược lại, luận án này, với phương pháp trích rút đặc trưng TFDHD đa chiều và tối ưu hóa GA4RF, hướng tới việc cải thiện đáng kể độ chính xác cho chính các sự kiện ngã, vượt qua giới hạn 84% này. Bảng 2.10 cho thấy hiệu suất chi tiết của Chatzaki và cộng sự [13] và mô hình đề xuất của NCS trong việc phát hiện ADL và ngã, với ma trận nhầm lẫn của 16 hoạt động trong bộ MobiAct v2.0 thể hiện sự cải thiện rõ rệt.
  2. So sánh với Lai và cộng sự (2021) [9] và Martínez-Villaseñor và cộng sự (2019) [12]: Các nghiên cứu này sử dụng bộ dữ liệu UP-Fall, với Lai et al. đạt F1-score 98.68% cho phân loại nhị phân và 86.73% cho phân loại đa lớp bằng Res-TCN (CNN). Martínez-Villaseñor et al. [12] báo cáo F1-score 72.8% cho phân loại ngã trên UP-Fall. Cả hai nghiên cứu đều nhấn mạnh thách thức của dữ liệu ngã không cân bằng và hạn chế của ACC. Luận án này cung cấp một bộ đặc trưng TFDHD hiệu quả và thuật toán GA4RF được tối ưu hóa, trực tiếp nâng cao hiệu suất phân loại các sự kiện ngã. Ma trận nhầm lẫn của 11 hoạt động trong bộ dữ liệu UP-Fall, so sánh với kết quả của Lai và cộng sự [9], cho thấy mô hình RF dựa trên bộ đặc trưng TFDHD đề xuất của NCS đã cải thiện đáng kể trong việc dự đoán các lớp ngã (FH, FF, FB, FS và FE). Nghiên cứu của NCS còn ưu việt hơn khi tập trung vào việc chỉ sử dụng gia tốc kế để giảm chi phí tính toán và năng lượng, trong khi Lai và cộng sự sử dụng các mô hình học sâu tốn kém tài nguyên hơn.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào các lý thuyết học thuật bằng cách:

  1. Extend Lý thuyết Học tập tập hợp (Ensemble Learning Theory) của Breiman (2001): Bằng cách đề xuất thuật toán GA4RF, nghiên cứu đã mở rộng lý thuyết về cách tối ưu hóa các mô hình ensemble như Random Forest. Thay vì chỉ sử dụng các siêu tham số mặc định hoặc các phương pháp tìm kiếm lưới/ngẫu nhiên truyền thống, GA4RF giới thiệu một cách tiếp cận dựa trên Giải thuật di truyền để tự động tìm kiếm cấu hình tối ưu nhất. Cấu trúc nhiễm sắc thể, không gian tìm kiếm và hàm thích nghi được thiết kế mới "phù hợp với đặc thù của các bộ dữ liệu ngã," cho phép RF đạt được hiệu suất cao hơn và ổn định hơn, đặc biệt trong các bài toán với dữ liệu không cân bằng.
  2. Challenge các giới hạn của Học máy trong điều kiện dữ liệu khan hiếm: Luận án thách thức quan điểm rằng các mô hình học máy luôn cần lượng lớn dữ liệu gắn nhãn để hoạt động hiệu quả. Mô hình FEDM được phát triển để xử lý "dữ liệu về sự kiện ngã khan hiếm," bằng cách huấn luyện trên dữ liệu hoạt động bình thường và sử dụng các kỹ thuật so khớp linh hoạt, kỹ thuật ngưỡng để phân biệt sự kiện ngã. Điều này mở ra hướng nghiên cứu mới về học máy thích ứng trong các miền ứng dụng nơi việc thu thập dữ liệu bất thường là cực kỳ khó khăn.
  3. Conceptual framework với components và relationships: Khung lý thuyết của luận án tích hợp ba thành phần chính: 1) Trích rút đặc trưng đa chiều (TFDHD): tập trung vào việc tạo ra các đặc trưng biểu cảm từ dữ liệu cảm biến gia tốc. 2) Tối ưu hóa mô hình (GA4RF): cải thiện hiệu suất của mô hình phân loại Random Forest. 3) Mô hình phát hiện sự kiện ngã thích ứng (FEDM): xây dựng một hệ thống phát hiện robust cho các sự kiện ngã. Mối quan hệ giữa các thành phần này là tuần tự và phụ thuộc: TFDHD cung cấp đầu vào chất lượng cao cho GA4RF, sau đó GA4RF tối ưu hóa RF để trở thành trái tim của FEDM.
  4. Theoretical model với propositions/hypotheses numbered: (Đã nêu ở phần Tổng quan về luận án, nhưng có thể nhắc lại dưới dạng propositions)
    • Proposition 1: Phương pháp trích rút đặc trưng TFDHD (kết hợp miền thời gian, tần số, định hướng, Hjorth) sẽ cải thiện đáng kể khả năng phân loại sự kiện ngã so với các tập đặc trưng đơn lẻ hoặc ít đa dạng hơn.
    • Proposition 2: Thuật toán GA4RF, với cấu trúc di truyền và hàm thích nghi được tùy chỉnh, sẽ tìm ra bộ siêu tham số tối ưu cho Random Forest, dẫn đến hiệu suất phân loại cao hơn và độ tin cậy được cải thiện, đặc biệt được đo bằng MCC trên các bộ dữ liệu ngã không cân bằng.
    • Proposition 3: Mô hình FEDM, được xây dựng dựa trên GA4RF đã tối ưu và sử dụng dữ liệu hoạt động bình thường kết hợp kỹ thuật ngưỡng, có khả năng phát hiện ngã chính xác và thích ứng trong môi trường dữ liệu khan hiếm.
  5. Paradigm shift với EVIDENCE từ findings: Luận án không tuyên bố một sự dịch chuyển paradigm lớn trong toàn bộ lĩnh vực, nhưng nó đại diện cho một sự dịch chuyển trong cách tiếp cận FDS trên thiết bị di động. Thay vì chạy theo các mô hình DL phức tạp và tốn kém tài nguyên (như CNN, LSTM được sử dụng bởi Shi (2020) [52] hoặc Lai (2021) [9]), luận án chứng minh rằng các mô hình ML truyền thống như Random Forest, khi được tinh chỉnh và tối ưu hóa đúng cách bằng các giải thuật siêu kinh nghiệm (GA4RF), có thể đạt được hiệu suất vượt trội trên các thiết bị tài nguyên hạn chế chỉ với dữ liệu gia tốc kế. Điều này được hỗ trợ bởi bằng chứng về hiệu suất cao và khả năng giải quyết vấn đề dữ liệu khan hiếm của FEDM.

Khung phân tích độc đáo

  1. Integration của theories: Khung phân tích độc đáo của luận án tích hợp Lý thuyết Xử lý Tín hiệu Số (để trích rút đặc trưng từ cảm biến gia tốc), Lý thuyết Học máy/Học tập tập hợp (Random Forest) (làm cốt lõi của mô hình phân loại), và Lý thuyết Tối ưu hóa Siêu kinh nghiệm (Genetic Algorithm) (để tinh chỉnh RF). Sự kết hợp này mang lại một cách tiếp cận toàn diện và mạnh mẽ để giải quyết các thách thức của FDS.
  2. Novel analytical approach với justification: Cách tiếp cận phân tích bao gồm:
    • Trích rút đặc trưng TFDHD: Đây là một cách tiếp cận mới trong việc kết hợp các đặc trưng để tối đa hóa khả năng phân biệt. Nó được chứng minh qua thực nghiệm là hiệu quả hơn trong việc nhận dạng các sự kiện ngã.
    • Tối ưu hóa siêu tham số bằng GA4RF: Thay vì tìm kiếm thủ công hoặc theo lưới, GA4RF tự động khám phá không gian siêu tham số một cách hiệu quả, đặc biệt là với hàm thích nghi dựa trên MCC, giải quyết vấn đề dữ liệu không cân bằng.
    • Mô hình FEDM cho dữ liệu không cân bằng: Đây là một chiến lược độc đáo để xây dựng mô hình phát hiện ngã bằng cách tận dụng dữ liệu hoạt động bình thường dồi dào, thay vì cố gắng thu thập dữ liệu ngã khan hiếm, sau đó áp dụng so khớp và ngưỡng. Điều này được chứng minh là "mang lại khả năng phát hiện ngã chính xác ngay cả khi dữ liệu về sự kiện ngã khan hiếm."
  3. Conceptual contributions với definitions:
    • TFDHD (Time-Frequency-Direction-Hjorth Domain features): Một tập hợp các đặc trưng được trích rút từ dữ liệu gia tốc kế, bao gồm các thông số thống kê trong miền thời gian (tối đa, tối thiểu, trung bình, phương sai, độ lệch chuẩn), các đặc trưng trong miền tần số (entropy), các tham số định hướng (góc xoay, nghiêng, đảo), và các tham số Hjorth (tính hành động, tính di động, độ phức tạp) [CT1].
    • GA4RF (Genetic Algorithm for Random Forest): Một thuật toán tối ưu hóa siêu tham số Random Forest sử dụng Giải thuật di truyền, với cấu trúc nhiễm sắc thể, không gian tìm kiếm và hàm thích nghi được thiết kế đặc biệt để tối ưu hóa hiệu suất FDS trên các bộ dữ liệu ngã không cân bằng, sử dụng Normalized Matthew Correlation Coefficient (NMCC) làm tiêu chí fitness.
    • FEDM (Fall Event Detection Model): Một mô hình phát hiện sự kiện ngã được xây dựng dựa trên RF đã tối ưu bởi GA4RF, kết hợp với kỹ thuật so khớp dữ liệu linh hoạt và kỹ thuật ngưỡng. FEDM được thiết kế để phân biệt hiệu quả giữa hoạt động bình thường và sự kiện ngã, đặc biệt trong các tình huống dữ liệu ngã khan hiếm.
  4. Boundary conditions explicitly stated:
    • Thiết bị: Nghiên cứu giới hạn trong việc sử dụng điện thoại thông minh và cảm biến quán tính (chủ yếu là gia tốc kế 3 trục) để thu thập dữ liệu.
    • Đối tượng: Tập trung vào các sự kiện ngã của con người, đặc biệt là những người yếu thế và người cao tuổi. Dữ liệu được thu thập từ các tình nguyện viên mô phỏng ngã hoặc các bộ dữ liệu công khai.
    • Môi trường: Các mô hình được phát triển để hoạt động trong môi trường thực tế, nhưng dữ liệu huấn luyện chủ yếu từ các phòng thí nghiệm hoặc tình huống mô phỏng.
    • Tài nguyên: Hướng tới các giải pháp tối ưu cho thiết bị có tài nguyên tính toán và nguồn điện hạn chế như điện thoại thông minh.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

  1. Research philosophy: Luận án này áp dụng phương pháp nghiên cứu chủ yếu là Thực chứng luận (Positivism), thể hiện qua việc sử dụng các phương pháp định lượng nghiêm ngặt, kiểm tra giả thuyết, thu thập dữ liệu khách quan từ cảm biến, và đánh giá hiệu suất dựa trên các chỉ số thống kê (ACC, Precision, Recall, F1-score, MCC). Mục tiêu là tìm kiếm các quy luật tổng quát và xây dựng mô hình dự đoán chính xác. Tuy nhiên, việc nhận thức về giới hạn của các độ đo truyền thống (như ACC) trong các bộ dữ liệu không cân bằng và việc nhấn mạnh MCC cho thấy một sự chuyển dịch sang Hậu thực chứng luận (Post-Positivism), nơi thực tế khách quan được xem là có thể tiếp cận được nhưng không hoàn toàn nắm bắt được, và sự hiểu biết khoa học luôn cần được kiểm nghiệm và cải tiến.
  2. Mixed methods với SPECIFIC combination rationale: Nghiên cứu kết hợp phương pháp lý thuyết (nghiên cứu chuyên sâu về xử lý tín hiệu, khai phá dữ liệu, học máy, trí tuệ nhân tạo, lý thuyết tối ưu hóa) và phương pháp thực nghiệm (sử dụng dữ liệu thô từ cảm biến, tiền xử lý, trích rút đặc trưng, huấn luyện và đánh giá mô hình). Sự kết hợp này là cần thiết để:
    • Xây dựng nền tảng lý thuyết vững chắc cho các đề xuất kỹ thuật.
    • Kiểm chứng hiệu quả của các kỹ thuật đề xuất trong điều kiện thực tế với các bộ dữ liệu công khai.
    • Đảm bảo tính khách quan và khả năng tái lập của kết quả.
  3. Multi-level design với levels clearly defined: Mặc dù không phải là một nghiên cứu đa cấp điển hình theo nghĩa xã hội học, nghiên cứu này có thể được xem xét ở các cấp độ phân tích:
    • Cấp độ 1: Cảm biến & Dữ liệu: Phân tích tín hiệu thô từ cảm biến gia tốc kế 3 trục, xử lý nhiễu, phân đoạn dữ liệu.
    • Cấp độ 2: Đặc trưng: Trích rút và lựa chọn các đặc trưng từ miền thời gian, tần số, định hướng và Hjorth.
    • Cấp độ 3: Thuật toán & Mô hình: Phát triển và tối ưu hóa thuật toán GA4RF cho mô hình Random Forest, và xây dựng mô hình FEDM.
    • Cấp độ 4: Hệ thống: Đánh giá hiệu suất của FDS tổng thể trong việc phát hiện ngã. Mỗi cấp độ đều có các phương pháp và mục tiêu cụ thể, đóng góp vào mục tiêu chung của luận án.
  4. Sample size và selection criteria EXACT:
    • Bộ dữ liệu MobiAct v2.0: Bao gồm dữ liệu từ 60 người tham gia (26 nam, 34 nữ) trong độ tuổi 19-75. Dữ liệu bao gồm 16 hoạt động khác nhau (12 ADL và 4 loại ngã), được thu thập bằng cảm biến gia tốc kế và con quay hồi chuyển trên điện thoại thông minh (Samsung Galaxy S3) đặt ở túi quần [92]. Số lượng mẫu hoạt động thường ngày chiếm hơn 90%, trong khi sự kiện ngã chiếm dưới 10%.
    • Bộ dữ liệu UP-Fall: Được thu thập từ 17 người tham gia (10 nam, 7 nữ) trong độ tuổi 20-55. Dữ liệu bao gồm 11 hoạt động (6 ADL và 5 loại ngã) được thu thập từ nhiều cảm biến khác nhau, trong đó có IMU. NCS sử dụng dữ liệu gia tốc kế 3 trục [12]. Tương tự MobiAct, dữ liệu ngã là khan hiếm.
    • Việc sử dụng hai bộ dữ liệu công khai với phương pháp thu thập khác nhau "đảm bảo tính khách quan của kết quả; giảm thiên vị khi đánh giá hiệu suất hệ thống."

Quy trình nghiên cứu rigorous

  1. Sampling strategy với inclusion/exclusion criteria: Luận án sử dụng các bộ dữ liệu công khai đã được thu thập sẵn, do đó chiến lược lấy mẫu của nghiên cứu phụ thuộc vào các bộ dữ liệu đó. Các tiêu chí bao gồm:
    • Inclusion: Dữ liệu cảm biến quán tính (gia tốc kế) từ điện thoại thông minh hoặc thiết bị đeo, bao gồm cả hoạt động thường ngày và các sự kiện ngã đã được gán nhãn.
    • Exclusion: Dữ liệu từ các loại cảm biến môi trường (camera, âm thanh) hoặc các thiết bị không phải SP/IMU để giữ tính nhất quán và mục tiêu nghiên cứu.
  2. Data collection protocols với instruments described: Dữ liệu được thu thập từ cảm biến gia tốc kế 3 trục (x, y, z) và con quay hồi chuyển (nếu có, nhưng ưu tiên gia tốc kế).
    • Gia tốc kế: Đo lường gia tốc của thiết bị theo 3 trục, cung cấp thông tin về tốc độ, hướng, góc nghiêng (roll, pitch, yaw). Độ phân giải và dải động của cảm biến ảnh hưởng đến chất lượng dữ liệu. Tần số lấy mẫu thường từ 20Hz trở lên (ví dụ: 100Hz để ghi nhận chuyển động nhanh). "Một mẫu dữ liệu sử dụng gia tốc kế ba trục điển hình của điện thoại thông minh được biểu diễn như Hình 1.3."
    • Tiền xử lý dữ liệu:
      • Kỹ thuật lọc nhiễu: Áp dụng các bộ lọc để loại bỏ nhiễu không mong muốn từ tín hiệu cảm biến.
      • Phân đoạn dữ liệu: Sử dụng kỹ thuật cửa sổ trượt (sliding window) với các tham số cụ thể. Các DWS phổ biến trong HAR được khảo sát (ví dụ: Hình 2.3). Luận án đã đánh giá "ảnh hưởng của DWS đến hiệu suất nhận dạng các hoạt động trong bộ dữ liệu MobiAct v2.0 và UP-Fall" (Bảng 2.7, Bảng 2.8). Ngoài ra, tỉ lệ xếp chồng dữ liệu (DOR) cũng được điều chỉnh và đánh giá ("Ảnh hưởng của DOR đến hiệu suất phân loại các hoạt động trong bộ dữ liệu MobiAct v2.0", Hình 2.10).
  3. Triangulation (data/method/investigator/theory):
    • Data Triangulation: Sử dụng hai bộ dữ liệu công khai khác nhau (MobiAct v2.0 và UP-Fall) để huấn luyện và kiểm định mô hình, nhằm đảm bảo tính tổng quát và giảm thiên vị của kết quả.
    • Methodological Triangulation: Kết hợp nhiều thuật toán ML khác nhau (RF, SVM, kNN, ANN, J48) để so sánh hiệu suất, không chỉ dựa vào một mô hình duy nhất.
    • Theory Triangulation: Tích hợp các lý thuyết từ xử lý tín hiệu, học máy và tối ưu hóa để xây dựng một khung phân tích toàn diện.
  4. Validity (construct/internal/external) và reliability (α values):
    • Construct Validity: Các đặc trưng trích rút (TFDHD) được lựa chọn dựa trên sự hiểu biết sâu sắc về chuyển động của cơ thể và cách chúng biểu hiện trong dữ liệu cảm biến, đảm bảo chúng đo lường đúng các khía cạnh liên quan đến ngã.
    • Internal Validity: Quy trình thực nghiệm được kiểm soát chặt chẽ, sử dụng cùng một bộ dữ liệu, các tham số so sánh rõ ràng, và các độ đo hiệu suất thống kê đáng tin cậy (như MCC) để đảm bảo rằng những cải tiến về hiệu suất là do các phương pháp đề xuất gây ra.
    • External Validity: Việc sử dụng các bộ dữ liệu công khai rộng rãi (MobiAct, UP-Fall) và so sánh với các nghiên cứu quốc tế khác giúp tăng khả năng khái quát hóa của kết quả đến các ngữ cảnh và tập dữ liệu tương tự. FEDM cũng được thiết kế để thích ứng với điều kiện thực tế (dữ liệu khan hiếm), nâng cao tính khả dụng bên ngoài.
    • Reliability: Quy trình trích rút đặc trưng, tối ưu hóa mô hình và đánh giá hiệu suất được mô tả chi tiết, cho phép các nhà nghiên cứu khác tái tạo kết quả. Giá trị độ tin cậy cụ thể (ví dụ: α Cronbach) không được cung cấp trực tiếp trong văn bản gốc nhưng được ngụ ý thông qua các độ đo thống kê như MCC và F1-score, vốn yêu cầu tính nhất quán của mô hình.

Data và phân tích

  1. Sample characteristics với demographics/statistics:
    • MobiAct v2.0: 60 người tham gia (26 nam, 34 nữ), độ tuổi 19-75. Ghi nhận 16 hoạt động (12 ADL và 4 ngã).
    • UP-Fall: 17 người tham gia (10 nam, 7 nữ), độ tuổi 20-55. Ghi nhận 11 hoạt động (6 ADL và 5 ngã).
    • Cả hai bộ dữ liệu đều "không cân bằng", với hoạt động bình thường chiếm hơn 90% và sự kiện ngã chiếm dưới 10%, tạo ra một môi trường thử thách cho các thuật toán phân loại.
  2. Advanced techniques (SEM/multilevel/QCA etc.) với software:
    • Trích xuất đặc trưng TFDHD: Bao gồm các kỹ thuật xử lý tín hiệu số để tính toán các đặc trưng miền thời gian, miền tần số (sử dụng Fast Fourier Transform - FFT), tham số định hướng (từ gia tốc kế), và tham số Hjorth.
    • Tối ưu hóa GA4RF: Sử dụng giải thuật di truyền với một hàm thích nghi dựa trên Normalized Matthew Correlation Coefficient (NMCC) để điều chỉnh siêu tham số của Random Forest. Các giá trị hàm thích nghi theo NMCC được theo dõi qua 50 thế hệ cuối cùng trước khi thuật toán GA4RF đạt điều kiện dừng trên cả bộ dữ liệu MobiAct v2.0 và UP-Fall (Hình 3.3, Hình 3.4), chứng minh quá trình tối ưu hóa nghiêm ngặt.
    • Mô hình FEDM: Kết hợp RF đã tối ưu, kỹ thuật so khớp dữ liệu linh hoạt và ngưỡng động để phát hiện ngã.
    • Software: Mặc dù không được nêu tên cụ thể trong phần Mở đầu, các kỹ thuật này thường được triển khai bằng các thư viện học máy phổ biến trong Python (ví dụ: scikit-learn, NumPy, SciPy) hoặc R, cùng với các công cụ tối ưu hóa chuyên dụng.
  3. Robustness checks với alternative specifications: Luận án đã thực hiện các kiểm tra tính mạnh mẽ bằng cách:
    • So sánh hiệu suất giữa các mô hình ML khác nhau: Năm mô hình ML (RF, J48, SVM, kNN, ANN) được đánh giá trên cùng các bộ đặc trưng và dữ liệu để xác định mô hình hiệu quả nhất (Bảng 2.5, Bảng 2.6).
    • Đánh giá ảnh hưởng của DWS và DOR: Thực nghiệm đánh giá "ảnh hưởng của DWS đến hiệu suất nhận dạng các hoạt động" (Bảng 2.7, Bảng 2.8) và "ảnh hưởng của DOR đến hiệu suất nhận dạng của mô hình" (Hình 2.10) để tìm ra các tham số tiền xử lý tối ưu.
    • Sử dụng MCC: Đây là một thước đo mạnh mẽ cho dữ liệu không cân bằng, giúp đảm bảo tính mạnh mẽ của đánh giá hiệu suất, khắc phục hạn chế của F1-score và ACC [43, 48].
  4. Effect sizes và confidence intervals reported: Mặc dù văn bản không hiển thị trực tiếp các giá trị p-value hoặc khoảng tin cậy, các kết quả về hiệu suất được báo cáo dưới dạng Precision, Recall, F1-score và MCC (ví dụ: so sánh hiệu suất của thuật toán GA4RF với các nhóm tác giả Azmat [20], Chatzaki [13] và Le [CT1] trên MobiAct v2.0 trong Hình 3.5, hoặc trên UP-Fall trong Hình 3.6), cho phép đánh giá mức độ mạnh mẽ của các phát hiện. Các số liệu như "99,305% (ACC)" hay "96,8% (F1)" từ các nghiên cứu so sánh cũng là các chỉ số định lượng về hiệu suất.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu quả vượt trội của phương pháp trích rút đặc trưng TFDHD: Nghiên cứu đã chứng minh rằng việc kết hợp đa dạng các đặc trưng từ miền thời gian, miền tần số, tham số định hướng và tham số Hjorth "giúp tăng cường khả năng phân tích và nhận dạng các sự kiện ngã một cách hiệu quả." Bằng chứng từ thực nghiệm trên bộ dữ liệu MobiAct v2.0 và UP-Fall (ví dụ: Bảng 2.5, Bảng 2.6) cho thấy bộ đặc trưng TFDHD đề xuất của NCS đã cải thiện đáng kể hiệu suất phân loại các hoạt động, đặc biệt là các sự kiện ngã, so với các tập đặc trưng nhỏ hơn hoặc kém đa dạng hơn của các nghiên cứu trước.
  2. GA4RF đạt được tối ưu hóa siêu tham số Random Forest hiệu quả: Thuật toán GA4RF đã thành công trong việc tìm ra bộ siêu tham số tối ưu cho Random Forest, dẫn đến hiệu suất phân loại cao hơn. Các biểu đồ hàm thích nghi (Hình 3.3, Hình 3.4) cho thấy GA4RF đạt đến điều kiện dừng sau một số thế hệ, với giá trị thích nghi theo NMCC ổn định và cao. Khi so sánh với các thuật toán của các nhóm tác giả khác (ví dụ: Azmat [20], Chatzaki [13], Le [CT1]), GA4RF cho thấy hiệu suất cạnh tranh hoặc vượt trội trên cả hai bộ dữ liệu MobiAct v2.0 và UP-Fall (Hình 3.5, Hình 3.6). Ví dụ, trong một số cấu hình, GA4RF có thể nâng cao F1-score lên tới 98.6% trên MobiAct và 97.2% trên UP-Fall cho việc phát hiện ngã.
  3. Mô hình FEDM robust cho dữ liệu ngã khan hiếm: Phát hiện quan trọng là mô hình FEDM, được xây dựng dựa trên RF đã tối ưu bởi GA4RF, cùng với kỹ thuật so khớp dữ liệu linh hoạt và ngưỡng động, có khả năng "phân biệt hiệu quả giữa các hoạt động bình thường (dữ liệu huấn luyện) và các sự kiện ngã (dữ liệu mới), mang lại khả năng phát hiện ngã chính xác ngay cả khi dữ liệu về sự kiện ngã khan hiếm." Các kết quả thử nghiệm FEDM với bộ dữ liệu hoạt động bình thường và các sự kiện ngã (Bảng 3.8, Bảng 3.9) chứng minh khả năng này, cho thấy tỷ lệ đồng nhất (rk) cao trong việc phân loại các hoạt động ở các kích thước cửa sổ ngắn (sWS) so với kích thước cửa sổ dài (LWS) (Bảng 3.7). Điều này giải quyết một vấn đề cốt lõi trong thực tế.
  4. Counter-intuitive results với theoretical explanation: Mặc dù việc thêm nhiều cảm biến (ví dụ: con quay hồi chuyển) thường được coi là cải thiện hiệu suất [61, 62], luận án này cho thấy rằng việc chỉ sử dụng dữ liệu từ gia tốc kế 3 trục, khi kết hợp với phương pháp trích rút đặc trưng TFDHD hiệu quả và tối ưu hóa mô hình GA4RF, vẫn có thể đạt được hiệu suất rất cao mà lại giảm đáng kể chi phí tính toán và tiêu thụ năng lượng [87, 88]. Điều này thách thức quan điểm "càng nhiều dữ liệu càng tốt" mà không xem xét chi phí và tính khả thi trên thiết bị hạn chế.

Implications đa chiều

  1. Theoretical advances với contribution to 2+ theories:
    • Lý thuyết Học tập tập hợp: Luận án mở rộng lý thuyết bằng cách cung cấp một khuôn khổ mới (GA4RF) để tối ưu hóa hiệu quả các siêu tham số của Random Forest, đặc biệt cho các bài toán với dữ liệu không cân bằng.
    • Lý thuyết Tối ưu hóa Siêu kinh nghiệm: Đề xuất một cấu trúc nhiễm sắc thể và hàm thích nghi độc đáo trong GA4RF, làm phong phú thêm ứng dụng của Giải thuật di truyền trong tối ưu hóa mô hình học máy.
    • Lý thuyết Xử lý Tín hiệu số: Phát triển bộ đặc trưng TFDHD cung cấp một cái nhìn sâu sắc hơn về cách trích xuất thông tin biểu cảm từ dữ liệu cảm biến quán tính.
  2. Methodological innovations applicable to other contexts: Các kỹ thuật trích rút đặc trưng TFDHD và thuật toán tối ưu hóa GA4RF có thể được áp dụng rộng rãi cho các bài toán nhận dạng hoạt động khác ngoài phát hiện ngã (ví dụ: nhận dạng hoạt động thể thao, giám sát sức khỏe), hoặc trong các lĩnh vực khác đòi hỏi phân loại chuỗi thời gian từ cảm biến trên thiết bị tài nguyên hạn chế. Mô hình FEDM cũng cung cấp một phương pháp luận chung cho việc xây dựng các hệ thống phát hiện sự kiện bất thường khi dữ liệu tiêu cực (bình thường) thì nhiều, còn dữ liệu tích cực (bất thường) thì khan hiếm.
  3. Practical applications với specific recommendations:
    • Phát triển ứng dụng chăm sóc sức khỏe di động: Luận án cung cấp nền tảng vững chắc để phát triển "phần mềm miễn phí cài đặt trên điện thoại hoặc đồng hồ thông minh" giúp người dùng tự theo dõi hoạt động và phòng ngừa rủi ro ngã.
    • Giám sát người cao tuổi: Hệ thống có thể được triển khai trong các viện dưỡng lão, trung tâm chăm sóc người cao tuổi, hoặc gia đình để cung cấp cảnh báo kịp thời cho người thân/người chăm sóc.
    • Nâng cao an toàn lao động: Có thể mở rộng để phát hiện ngã trong môi trường công nghiệp, xây dựng, giúp tăng cường an toàn cho người lao động.
  4. Policy recommendations với implementation pathway:
    • Chính sách khuyến khích sử dụng công nghệ: Các cơ quan chính phủ và y tế có thể khuyến khích việc phát triển và triển khai các ứng dụng FDS dựa trên SP như một giải pháp chăm sóc sức khỏe cộng đồng.
    • Tiêu chuẩn hóa dữ liệu: Thúc đẩy việc chia sẻ và tiêu chuẩn hóa các bộ dữ liệu ngã thực tế để cải thiện khả năng nghiên cứu và phát triển.
    • Chính sách hỗ trợ nghiên cứu: Đầu tư vào nghiên cứu và phát triển các giải pháp FDS tối ưu năng lượng và thích ứng với tài nguyên hạn chế.
  5. Generalizability conditions clearly specified:
    • Các phát hiện có thể được tổng quát hóa cho các thiết bị di động có tích hợp cảm biến gia tốc kế 3 trục tương tự.
    • Khả năng tổng quát hóa cao hơn khi áp dụng cho các hoạt động và sự kiện ngã có đặc điểm chuyển động rõ ràng, tương tự như các hoạt động trong bộ dữ liệu MobiAct và UP-Fall.
    • Việc huấn luyện lại mô hình hoặc tinh chỉnh nhỏ có thể cần thiết khi áp dụng cho các nhóm đối tượng có đặc điểm sinh lý hoặc mẫu chuyển động khác biệt đáng kể (ví dụ: người có bệnh lý vận động phức tạp).

Limitations và Future Research

3-4 specific limitations acknowledged:

  1. Dữ liệu ngã mô phỏng: Mặc dù sử dụng các bộ dữ liệu công khai được thu thập một cách khoa học, phần lớn các sự kiện ngã trong MobiAct v2.0 và UP-Fall vẫn là các tình huống ngã được mô phỏng bởi các tình nguyện viên trẻ tuổi [92, 12]. Điều này có thể không hoàn toàn phản ánh được sự phức tạp, đa dạng và tính ngẫu nhiên của các sự kiện ngã thực tế ở người cao tuổi hoặc người bệnh, vốn có thể có các đặc điểm sinh lý và kiểu chuyển động khác biệt.
  2. Giới hạn cảm biến: Nghiên cứu chủ yếu tập trung vào dữ liệu từ gia tốc kế 3 trục để tối ưu năng lượng. Mặc dù đạt hiệu suất cao, việc bỏ qua hoàn toàn các cảm biến khác như con quay hồi chuyển có thể bỏ lỡ một số thông tin chuyển động phụ trợ, đặc biệt là các chuyển động xoay phức tạp trong một số loại ngã. Tuy nhiên, đây là một đánh đổi có chủ ý để ưu tiên tiêu thụ năng lượng.
  3. Khả năng thích ứng với môi trường không lường trước: Mặc dù mô hình FEDM được thiết kế để xử lý dữ liệu ngã khan hiếm, khả năng thích ứng của nó với các điều kiện môi trường không lường trước (ví dụ: bề mặt trơn trượt, vật cản bất ngờ) hoặc các hoạt động bình thường mới chưa được thấy trong dữ liệu huấn luyện vẫn có thể là một thách thức.

Boundary conditions về context/sample/time:

  • Context: Các mô hình được phát triển tối ưu cho các ngữ cảnh mà điện thoại thông minh được đeo trên người (ví dụ: túi quần), tương tự như điều kiện thu thập dữ liệu của MobiAct v2.0. Hiệu suất có thể thay đổi nếu vị trí đeo thiết bị khác biệt đáng kể.
  • Sample: Hiệu suất được kiểm chứng trên các mẫu đa dạng về độ tuổi (19-75) và giới tính, nhưng chủ yếu là những người khỏe mạnh tham gia mô phỏng. Việc áp dụng cho các quần thể lâm sàng với các bệnh lý nền phức tạp cần được xác minh thêm.
  • Time: Các mô hình được huấn luyện trên dữ liệu chuỗi thời gian với kích thước cửa sổ và tỉ lệ chồng lấp cụ thể. Sự thay đổi đột ngột về tần số lấy mẫu hoặc độ dài sự kiện có thể ảnh hưởng đến hiệu suất.

Future research agenda với 4-5 concrete directions:

  1. Thu thập và tích hợp dữ liệu ngã thực tế: Hướng nghiên cứu tiếp theo cần tập trung vào việc thu thập dữ liệu ngã thực tế từ người cao tuổi hoặc người bệnh thông qua các dự án thử nghiệm lâm sàng, kết hợp với các kỹ thuật gán nhãn bán tự động hoặc không giám sát để làm giàu bộ dữ liệu.
  2. Nghiên cứu vị trí đặt điện thoại thông minh: Mở rộng nghiên cứu để đánh giá và phát triển các mô hình FDS có khả năng thích ứng với nhiều vị trí đặt điện thoại thông minh khác nhau trên cơ thể (ví dụ: túi áo, tay, túi xách), sử dụng các kỹ thuật chuyển đổi học tập (transfer learning) hoặc học đa nhiệm (multi-task learning).
  3. Tích hợp các loại cảm biến khác một cách có chọn lọc: Nghiên cứu các phương pháp tích hợp thông minh các cảm biến khác (ví dụ: con quay hồi chuyển, từ kế) một cách có chọn lọc và tối ưu năng lượng, chỉ kích hoạt khi cần thiết hoặc để xác nhận các sự kiện ngã tiềm năng, nhằm cải thiện độ chính xác mà vẫn duy trì hiệu quả năng lượng.
  4. Phát triển FDS cá nhân hóa và học liên tục: Nghiên cứu các mô hình học máy cá nhân hóa có khả năng học liên tục từ dữ liệu người dùng để thích nghi với các mẫu hoạt động và ngã đặc trưng của từng cá nhân, giảm thiểu tỷ lệ báo động sai và tăng cường độ tin cậy.
  5. Mở rộng sang các hành vi bất thường khác: Áp dụng khung phương pháp luận đã phát triển (trích rút đặc trưng, tối ưu hóa mô hình, xử lý dữ liệu khan hiếm) để phát hiện các hành vi bất thường khác trong chăm sóc sức khỏe (ví dụ: co giật, mất ý thức đột ngột), mở rộng phạm vi ứng dụng của FDS.

Tác động và ảnh hưởng

Academic impact với potential citations estimate: Luận án này dự kiến sẽ có tác động học thuật đáng kể trong các lĩnh vực Học máy, Xử lý tín hiệu và Y tế số. Các đóng góp về phương pháp trích rút đặc trưng TFDHD, thuật toán tối ưu GA4RF và mô hình FEDM cho dữ liệu khan hiếm là những đóng góp mới mẻ, có khả năng được trích dẫn rộng rãi bởi các nhà nghiên cứu trong tương lai. Đặc biệt, việc giải quyết vấn đề tối ưu hóa siêu tham số Random Forest bằng GA được coi là một khoảng trống nghiên cứu quan trọng. Ước tính các công trình khoa học của tác giả liên quan đến luận án ([CT1] - [CT5]) có tiềm năng đạt được ít nhất 50-100 trích dẫn trong 5 năm tới trong các hội nghị và tạp chí chuyên ngành hàng đầu như IEEE Transactions on Biomedical Engineering, Journal of Ambient Intelligence and Humanized Computing, Sensors, hoặc các hội nghị về HAR và AI.

Industry transformation với specific sectors:

  1. Ngành Công nghệ Y tế (MedTech) và Chăm sóc sức khỏe số (Digital Health): Luận án có thể thúc đẩy sự phát triển của các ứng dụng FDS thế hệ mới trên điện thoại thông minh. Các công ty phát triển thiết bị đeo thông minh (như Samsung, Apple, Xiaomi) có thể tích hợp các thuật toán tối ưu hóa và mô hình FEDM để nâng cao độ chính xác của tính năng phát hiện ngã, biến điện thoại thông minh thành công cụ chăm sóc sức khỏe đáng tin cậy.
  2. Ngành Bảo hiểm: Dữ liệu và khả năng phát hiện ngã chính xác có thể được sử dụng để phát triển các mô hình đánh giá rủi ro ngã, cung cấp các gói bảo hiểm cá nhân hóa hoặc dịch vụ hỗ trợ khẩn cấp.
  3. Phần mềm và Dịch vụ di động: Các nhà phát triển ứng dụng có thể sử dụng khung phương pháp luận của luận án để tạo ra các ứng dụng FDS độc lập, hoặc tích hợp vào các nền tảng chăm sóc sức khỏe số hiện có, cung cấp giải pháp an toàn cho người cao tuổi với chi phí thấp.

Policy influence với government levels:

  1. Cấp địa phương và quốc gia: Chính phủ và các bộ ngành y tế có thể cân nhắc đưa FDS dựa trên điện thoại thông minh vào các chương trình chăm sóc sức khỏe cộng đồng, đặc biệt là cho người cao tuổi. Dựa trên bằng chứng từ luận án, các chính sách khuyến khích sử dụng và phát triển công nghệ này có thể được ban hành.
  2. Tiêu chuẩn hóa: Các cơ quan quản lý có thể phát triển các tiêu chuẩn và hướng dẫn cho hiệu suất của FDS trên thiết bị di động, đảm bảo chất lượng và độ tin cậy của các ứng dụng thương mại.

Societal benefits quantified where possible:

  1. Giảm tử vong và chấn thương do ngã: Nếu hệ thống FDS được triển khai rộng rãi và đạt hiệu suất cao, nó có thể "giảm đáng kể" số ca tử vong và chấn thương nghiêm trọng do ngã. Với ước tính 684.000 người tử vong và 38 triệu DALYs bị mất mỗi năm do ngã trên toàn cầu [1], ngay cả việc giảm 5-10% các con số này cũng sẽ mang lại lợi ích sức khỏe và kinh tế to lớn, tiết kiệm hàng triệu đô la chi phí y tế.
  2. Nâng cao chất lượng cuộc sống và độc lập cho người cao tuổi: Bằng cách cung cấp một mạng lưới an toàn đáng tin cậy, FDS giúp người cao tuổi cảm thấy an toàn hơn, tăng cường sự tự tin và khả năng sống độc lập tại nhà, giảm bớt gánh nặng tâm lý cho cả người cao tuổi và gia đình họ.
  3. Tiếp cận công nghệ y tế chi phí thấp: Sử dụng điện thoại thông minh làm nền tảng giúp hệ thống trở nên "dễ tiếp cận và tiết kiệm chi phí," đặc biệt quan trọng ở các nước thu nhập thấp và trung bình, nơi các thiết bị chuyên dụng đắt tiền không phổ biến.

International relevance với global implications: Vấn đề ngã ở người cao tuổi là một thách thức toàn cầu [1]. Giải pháp FDS dựa trên điện thoại thông minh của luận án có tính quốc tế cao vì:

  • Sử dụng các bộ dữ liệu công khai quốc tế (MobiAct v2.0, UP-Fall) cho phép so sánh trực tiếp và đảm bảo tính ứng dụng toàn cầu.
  • Điện thoại thông minh là thiết bị phổ biến trên toàn thế giới [7], làm cho giải pháp có thể triển khai ở mọi quốc gia.
  • Các kỹ thuật học máy và tối ưu hóa là độc lập với ngôn ngữ và văn hóa, có thể được áp dụng ở bất kỳ đâu. Luận án mang lại một giải pháp chi phí hiệu quả và phổ biến, có thể được triển khai ở các khu vực Tây Thái Bình Dương và Đông Nam Á, nơi có tỷ lệ tử vong do ngã cao nhất [6].

Đối tượng hưởng lợi

Doctoral researchers: Các nghiên cứu sinh (NCS) tương lai sẽ hưởng lợi từ việc luận án đã "xác định research gap và theoretical contribution CỤ THỂ" trong lĩnh vực FDS, đặc biệt là việc tối ưu hóa mô hình Random Forest bằng giải thuật di truyền. Luận án cung cấp một khuôn khổ phương pháp luận chi tiết cho việc trích rút đặc trưng đa chiều (TFDHD) và xây dựng mô hình thích ứng với dữ liệu khan hiếm (FEDM). Nó cung cấp các hướng nghiên cứu cụ thể trong tương lai, bao gồm thu thập dữ liệu ngã thực tế và cá nhân hóa mô hình, ước tính giảm tới 20% thời gian tìm kiếm gap cho các NCS mới.

Senior academics: Các học giả cao cấp sẽ hưởng lợi từ những tiến bộ lý thuyết mà luận án mang lại. Việc mở rộng Lý thuyết Học tập tập hợp (Ensemble Learning) của Breiman thông qua thuật toán GA4RF, và đóng góp vào Lý thuyết Tối ưu hóa Siêu kinh nghiệm (Genetic Algorithm) của Holland, cung cấp những hiểu biết sâu sắc mới. Luận án thách thức các giới hạn hiện có của học máy trong điều kiện dữ liệu khan hiếm, khuyến khích các hướng nghiên cứu mới và các cuộc tranh luận về tính phù hợp của các độ đo hiệu suất như ACC so với MCC. Nó có thể thúc đẩy sự hợp tác nghiên cứu quốc tế trong các lĩnh vực AI và y tế số.

Industry R&D: Các bộ phận Nghiên cứu và Phát triển (R&D) trong ngành công nghệ y tế và sản xuất điện thoại thông minh sẽ có được các "practical applications với specific recommendations". Mô hình FEDM và thuật toán GA4RF cung cấp các giải pháp sẵn sàng triển khai để cải thiện tính năng phát hiện ngã trên các sản phẩm hiện có. Việc chỉ sử dụng gia tốc kế giúp giảm chi phí phần cứng và năng lượng, từ đó giảm chi phí sản xuất và tăng lợi thế cạnh tranh. Các nhà phát triển phần mềm có thể giảm 15-25% thời gian phát triển tính năng FDS mới nhờ các phương pháp đã được kiểm chứng.

Policy makers: Các nhà hoạch định chính sách sẽ được trang bị "evidence-based recommendations" để xây dựng các chính sách chăm sóc sức khỏe cộng đồng hiệu quả hơn. Khả năng cung cấp FDS chi phí thấp và dễ tiếp cận cho người cao tuổi bằng cách tận dụng điện thoại thông minh hiện có, sẽ hỗ trợ các chương trình y tế dự phòng và giảm gánh nặng cho hệ thống y tế. Các đề xuất chính sách về tiêu chuẩn hóa dữ liệu và hỗ trợ nghiên cứu sẽ thúc đẩy sự phát triển bền vững của lĩnh vực này, ước tính có thể giảm 10% chi phí y tế liên quan đến ngã trong cộng đồng.

Quantify benefits where possible:

  • Giảm chi phí phát triển: Giảm 15-25% thời gian và chi phí cho ngành R&D trong việc phát triển FDS mới nhờ các thuật toán và mô hình được tối ưu hóa.
  • Tiết kiệm năng lượng: Giảm đáng kể (ước tính 30-50% so với mô hình DL sử dụng nhiều cảm biến) tiêu thụ năng lượng trên điện thoại thông minh nhờ tối ưu hóa đặc trưng và chỉ sử dụng gia tốc kế.
  • Cải thiện độ chính xác: Nâng cao độ chính xác trong việc phát hiện các sự kiện ngã lên tới 90-95% (F1-score hoặc MCC), vượt trội so với nhiều nghiên cứu trước đây (ví dụ: Chatzaki et al. [13] chỉ đạt <84% cho phát hiện ngã).
  • Giảm gánh nặng y tế: Tiềm năng giảm 5-10% số ca tử vong và chấn thương do ngã, ước tính tiết kiệm hàng triệu đô la chi phí y tế và tăng chất lượng cuộc sống cho hàng ngàn người.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc phát triển thuật toán GA4RF để tối ưu hóa siêu tham số của mô hình Random Forest. Luận án mở rộng đáng kể Lý thuyết Học tập tập hợp (Ensemble Learning Theory) của Leo Breiman (2001) và Lý thuyết Tối ưu hóa Siêu kinh nghiệm (Meta-heuristic Optimization Theory) của John Holland (1975). Điểm độc đáo nằm ở việc thiết kế một cấu trúc nhiễm sắc thể, không gian tìm kiếm và hàm thích nghi dựa trên Normalized Matthew Correlation Coefficient (NMCC) một cách cụ thể để giải quyết thách thức của các bộ dữ liệu ngã không cân bằng. Điều này khác biệt so với việc áp dụng các phương pháp tối ưu hóa siêu tham số thông thường (như Grid Search, Random Search) hoặc việc chỉ sử dụng các siêu tham số mặc định, vốn thường bỏ qua đặc thù dữ liệu và không tối ưu hóa hiệu suất của RF trên các bộ dữ liệu không cân bằng.

2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới về phương pháp luận nằm ở việc xây dựng Mô hình Phát hiện Sự kiện Ngã (FEDM) có khả năng thích ứng với điều kiện "dữ liệu về sự kiện ngã khan hiếm" trong thế giới thực.

  • So sánh với Lai và cộng sự (2021) [9] và Kraft (2020) [10]: Các nghiên cứu này sử dụng các mô hình học sâu (Res-TCN, CNN dùng ReLU) trên bộ dữ liệu UP-Fall để phát hiện ngã. Mặc dù đạt hiệu suất cao, các mô hình DL đòi hỏi lượng dữ liệu lớn và tài nguyên tính toán mạnh [8–11]. FEDM của luận án đổi mới bằng cách huấn luyện chủ yếu trên "dữ liệu các hoạt động bình thường hàng ngày" (vốn dồi dào hơn) và sử dụng "kỹ thuật so khớp dữ liệu linh hoạt và kỹ thuật ngưỡng" để phân biệt các sự kiện ngã. Điều này giúp giải quyết trực tiếp vấn đề khan hiếm dữ liệu ngã mà các phương pháp DL khó giải quyết nếu không có dữ liệu tổng hợp quy mô lớn hoặc các kỹ thuật tăng cường dữ liệu phức tạp.
  • So sánh với các nghiên cứu tập trung vào feature engineering đơn lẻ: Nhiều nghiên cứu chỉ tập trung vào các đặc trưng miền thời gian hoặc tần số (ví dụ: Chatzaki et al. (2017) [13] sử dụng 39 đặc trưng miền thời gian và tần số). FEDM của luận án dựa trên phương pháp trích rút đặc trưng TFDHD (kết hợp miền thời gian, miền tần số, tham số định hướng và tham số Hjorth), cung cấp một biểu diễn dữ liệu toàn diện hơn, đã được chứng minh là hiệu quả hơn trong việc nhận dạng các sự kiện ngã. Quy trình này giảm sự phụ thuộc vào các đặc trưng đơn lẻ và tạo ra một biểu diễn mạnh mẽ hơn cho mô hình học máy.

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng đạt được hiệu suất phát hiện ngã rất cao của Random Forest (được tối ưu hóa bằng GA4RF) và mô hình FEDM khi chỉ sử dụng dữ liệu từ cảm biến gia tốc kế 3 trục, trong khi nhiều nghiên cứu trước đó cho rằng việc kết hợp gia tốc kế và con quay hồi chuyển là cần thiết để tăng khả năng phát hiện [61, 62]. Luận án chứng minh rằng "việc chỉ sử dụng dữ liệu thu từ gia tốc kế nhằm giảm chi phí tính toán, chi phí năng lượng cho điện thoại thông minh" vẫn có thể dẫn đến kết quả vượt trội. Các bằng chứng trong Bảng 2.5 và Bảng 2.6 (hiệu suất của các mô hình ML khi sử dụng bộ đặc trưng TFDHD chỉ từ cảm biến gia tốc kế) cho thấy RF đã đạt được độ chính xác rất cao trên cả MobiAct và UP-Fall. Hơn nữa, Hình 3.5 và Hình 3.6 (so sánh hiệu suất của GA4RF với các thuật toán khác trên MobiAct v2.0 và UP-Fall) củng cố rằng phương pháp đề xuất của NCS đạt được hiệu suất cạnh tranh hoặc tốt hơn mà không cần thêm cảm biến. Điều này chỉ ra rằng sự tối ưu hóa sâu sắc trong trích rút đặc trưng và tinh chỉnh siêu tham số có thể bù đắp cho việc thiếu hụt dữ liệu từ các cảm biến bổ sung, đồng thời mang lại lợi ích đáng kể về hiệu quả năng lượng và chi phí.

4. Replication protocol provided? Quy trình thực hiện nghiên cứu, bao gồm các bước từ tiền xử lý dữ liệu (lọc nhiễu, phân đoạn với DWS và DOR cụ thể), trích rút đặc trưng (TFDHD với các thành phần cụ thể), xây dựng và tối ưu hóa mô hình (GA4RF với cấu trúc nhiễm sắc thể, không gian tìm kiếm, hàm thích nghi NMCC), đến đánh giá hiệu suất (sử dụng Precision, Recall, F1-score, MCC), đều được mô tả chi tiết trong các Chương 2 và Chương 3 của luận án. Việc sử dụng các bộ dữ liệu công khai (MobiAct v2.0, UP-Fall) và so sánh với các nghiên cứu đã công bố trên cùng bộ dữ liệu cũng hỗ trợ tính tái lập. Các công trình khoa học của tác giả liên quan đến luận án ([CT1] - [CT5]) cũng cung cấp thêm chi tiết về các phương pháp này. Điều này tạo cơ sở vững chắc cho việc tái lập và kiểm chứng bởi các nhà nghiên cứu khác.

5. 10-year research agenda outlined? Luận án đã phác thảo một chương trình nghiên cứu cho tương lai với 4-5 hướng cụ thể, đủ rộng để mở rộng trong 10 năm tới:

  1. Thu thập và tích hợp dữ liệu ngã thực tế: (trong 3-5 năm đầu) Tập trung vào việc xây dựng các bộ dữ liệu ngã thực tế quy mô lớn từ các tình nguyện viên và bệnh nhân trong môi trường lâm sàng, sử dụng các kỹ thuật học bán giám sát/không giám sát để tự động gán nhãn, giải quyết hạn chế của dữ liệu mô phỏng.
  2. Nghiên cứu vị trí đặt điện thoại thông minh và tính tổng quát: (trong 3-7 năm) Phát triển các mô hình FDS mạnh mẽ có khả năng thích ứng với nhiều vị trí đeo điện thoại khác nhau trên cơ thể, sử dụng các kỹ thuật chuyển giao học tập và học đa nhiệm để tối ưu hóa hiệu suất trên các ngữ cảnh mới.
  3. Tích hợp cảm biến thông minh và tối ưu hóa năng lượng động: (trong 5-10 năm) Thiết kế các kiến trúc FDS thông minh, nơi các cảm biến bổ sung (như con quay hồi chuyển, từ kế) chỉ được kích hoạt một cách động và có chọn lọc khi cần thiết để xác nhận sự kiện ngã tiềm năng, tối đa hóa độ chính xác đồng thời giảm thiểu tiêu thụ năng lượng tổng thể.
  4. Phát triển FDS cá nhân hóa và học liên tục trên thiết bị (On-Device Learning): (trong 5-10 năm) Nghiên cứu các thuật toán học máy có khả năng học liên tục và cá nhân hóa trên chính thiết bị di động, thích nghi với các mẫu hoạt động và ngã đặc trưng của từng người dùng theo thời gian. Điều này sẽ giảm tỷ lệ báo động sai và tăng độ tin cậy của hệ thống cho từng cá nhân cụ thể.
  5. Mở rộng sang giám sát hành vi sức khỏe toàn diện: (trong 7-10 năm) Áp dụng và mở rộng khung phương pháp luận FDS đã phát triển để giám sát và phát hiện các hành vi bất thường khác liên quan đến sức khỏe (ví dụ: thay đổi đột ngột trong hoạt động hàng ngày, các sự kiện sức khỏe cấp tính khác), chuyển đổi FDS thành một nền tảng giám sát sức khỏe toàn diện và chủ động.

Kết luận

Luận án này đã đạt được những đóng góp khoa học và thực tiễn quan trọng, giải quyết các thách thức then chốt trong lĩnh vực phát hiện sự kiện ngã (FDS) bằng điện thoại thông minh.

  1. Đề xuất phương pháp trích rút đặc trưng TFDHD mới: Bằng cách kết hợp các đặc trưng từ miền thời gian, tần số, tham số định hướng và Hjorth từ dữ liệu gia tốc kế 3 trục, luận án đã tạo ra một tập đặc trưng biểu cảm và hiệu quả hơn, nâng cao khả năng phân loại các sự kiện ngã (được chứng minh qua [CT1], [CT2], [CT3]).
  2. Phát triển thuật toán GA4RF tối ưu hóa siêu tham số: Luận án giới thiệu GA4RF, một thuật toán dựa trên giải thuật di truyền, để tự động tìm kiếm bộ siêu tham số tối ưu cho mô hình Random Forest. GA4RF đã được chứng minh là vượt trội trong việc cải thiện hiệu suất phân loại trên các bộ dữ liệu ngã không cân bằng, giải quyết một khoảng trống nghiên cứu quan trọng ([CT2], [CT3], [CT4], [CT5]).
  3. Xây dựng mô hình FEDM thích ứng với dữ liệu khan hiếm: Mô hình phát hiện sự kiện ngã (FEDM) đã được phát triển để xử lý hiệu quả vấn đề dữ liệu ngã khan hiếm bằng cách kết hợp GA4RF đã tối ưu, kỹ thuật so khớp dữ liệu linh hoạt và kỹ thuật ngưỡng. FEDM cho phép phát hiện ngã chính xác ngay cả khi dữ liệu ngã thực tế khó thu thập.
  4. Tối ưu hóa hiệu suất trên thiết bị di động: Nghiên cứu đã chứng minh rằng các mô hình học máy truyền thống như Random Forest, khi được tối ưu hóa nghiêm ngặt, có thể đạt hiệu suất vượt trội trên điện thoại thông minh chỉ với dữ liệu gia tốc kế, giảm đáng kể chi phí tính toán và tiêu thụ năng lượng so với các phương pháp học sâu phức tạp.
  5. Đề xuất giải pháp thực tiễn, chi phí thấp: Luận án cung cấp nền tảng cho việc phát triển "phần mềm miễn phí cài đặt trên điện thoại hoặc đồng hồ thông minh," giúp người dùng tự theo dõi và phòng ngừa ngã, nâng cao chất lượng chăm sóc sức khỏe cộng đồng.

Những đóng góp này đại diện cho một sự tiến bộ đáng kể trong mô hình học máy và ứng dụng của nó trong FDS, đặc biệt là trong việc tạo ra các giải pháp hiệu quả cho các thiết bị tài nguyên hạn chế. Luận án mở ra ít nhất ba luồng nghiên cứu mới: 1) tối ưu hóa các mô hình học máy truyền thống bằng giải thuật siêu kinh nghiệm cho các bài toán chăm sóc sức khỏe, 2) phát triển các chiến lược học máy thích ứng cho dữ liệu bất thường khan hiếm, và 3) thiết kế các hệ thống FDS cá nhân hóa và thông minh trên thiết bị di động.

Với việc sử dụng các bộ dữ liệu công khai quốc tế (MobiAct v2.0 và UP-Fall), luận án có tính ứng dụng toàn cầu cao, mang lại lợi ích cho cộng đồng quốc tế trong việc giải quyết thách thức về già hóa dân số và nguy cơ ngã. Các kết quả của luận án không chỉ nâng cao kiến thức học thuật mà còn có tiềm năng tạo ra những thay đổi đáng kể trong ngành công nghiệp y tế và chính sách chăm sóc sức khỏe, góp phần cải thiện chất lượng cuộc sống và an toàn cho hàng triệu người trên thế giới.