Tổng quan về luận án

Lĩnh vực Nhận dạng hoạt động người (Human Activity Recognition - HAR) đóng vai trò then chốt trong các hệ thống tính toán nhận biết ngữ cảnh (context-aware computing), tính toán khắp nơi (ubiquitous computing) và tương tác người - máy (HCI). Luận án tiến sĩ kỹ thuật chuyên ngành Hệ thống thông tin với đề tài "Nghiên cứu phương pháp học máy cho nhận dạng hoạt động sử dụng cảm biến mang trên người" của nghiên cứu sinh Nguyễn Ngọc Điệp (người hướng dẫn: PGS. Từ Minh Phương và TS. Phạm Văn Cường, Học viện Công nghệ Bưu chính Viễn thông, 2016) đại diện cho một công trình tiên phong giải quyết các nút thắt cốt lõi về biểu diễn dữ liệu và tối ưu hóa hiệu năng tính toán trong nhận dạng hành vi thời gian thực.

Nghiên cứu tập trung giải quyết hai khoảng trống học thuật (research gaps) mang tính quyết định:

  1. Khoảng trống về trích xuất đặc trưng cho các sự kiện đơn lẻ, tức thời: Các kỹ thuật truyền thống dựa trên ngưỡng (threshold-based) hoặc tổ hợp đặc trưng thống kê - tần số phức tạp (kurtosis, skewness, Fast Fourier Transform - FFT) thường gặp sự đánh đổi nghiêm trọng giữa độ trễ xử lý, mức tiêu thụ năng lượng và độ chính xác phân lớp khi chạy trên các bộ xử lý nhúng hạn chế tài nguyên (resource-constrained devices).
  2. Khoảng trống về suy giảm độ chính xác khi mở rộng không gian hoạt động: Khi số lượng hoạt động sinh hoạt thường ngày (Activities of Daily Living - ADL) gia tăng, các phương pháp trích xuất đặc trưng thủ công (handcrafted features) mất khả năng phân tách, trong khi các kỹ thuật học biểu diễn (representation learning) như Mô hình túi từ (Bag-of-Words - BoW) sử dụng k-Means/Gaussian Mixture Model (GMM) hay Mạng nơ-ron sâu (DNN, CNN) lại đòi hỏi chi phí tính toán cực lớn hoặc không khai thác triệt để tương quan cục bộ của chuỗi thời gian.

Các câu hỏi nghiên cứu và giả thuyết khoa học được thiết lập chặt chẽ:

  • RQ1: Làm thế nào để thiết kế một phương pháp trích xuất đặc trưng hình học có chi phí tính toán tuyến tính $\mathcal{O}(N)$ nhưng đạt độ nhạy và độ đặc hiệu tối ưu trong phát hiện các biến cố vận động đột ngột (như ngã)?
    • H1: Biểu diễn phân phối tần suất góc của các đoạn nối giữa hai điểm dữ liệu kề nhau (HALF) qua các khung cửa sổ phân đoạn đa mức sẽ phân tách vượt trội tín hiệu ngã khỏi các hành vi ADL có biên độ gia tốc tương đồng.
  • RQ2: Làm thế nào để tự động học các biểu diễn đặc trưng đa mức cho nhiều hoạt động phức tạp mà không làm bùng nổ chi phí tính toán từ vựng trong mô hình túi từ?
    • H2: Việc sử dụng cấu trúc Rừng ngẫu nhiên (Random Forest) để định tuyến và sinh mã từ vựng chuyển động (Motion Primitive Forests - MPF) sẽ khắc phục hoàn toàn điểm nghẽn về tốc độ của k-Means/GMM, đồng thời đạt độ chính xác cao hơn các kiến trúc học sâu (CNN) và ECDF-PCA trên cùng tập dữ liệu chuẩn.

Khung lý thuyết của luận án tích hợp Lý thuyết học thống kê (Statistical Learning Theory), Lý thuyết thông tin (Information Theory) và Xử lý tín hiệu chuỗi thời gian (Time-series Signal Processing). Công trình mang lại tác động định lượng đột phá: giảm đáng kể thời gian trích xuất đặc trưng xuống mức mili-giây, vượt qua độ chính xác của các kiến trúc học sâu CNN và ECDF-PCA trên các tập dữ liệu benchmark quốc tế, đồng thời hiện thực hóa thành công hai hệ thống thời gian thực: phát hiện ngã tự động trên vi điều khiển/Wii Remote và xác thực sinh trắc học cử chỉ 3D (SigVer3D).

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy sự tiến hóa rõ rệt của các phương pháp tiếp cận nhận dạng hoạt động dựa trên cảm biến mang trên người. Về mặt phân loại luồng nghiên cứu, y văn chia thành ba dòng tiếp cận chính:

  1. Nhận dạng dựa trên tri thức chuyên gia (Knowledge-driven approaches): Khai thác biểu diễn ontology và logic suy diễn hình thức [Chen et al., 2012]. Dù tường minh về ngữ nghĩa, phương pháp này thất bại trong việc tự động cập nhật quy tắc và bất lực trước tính bất định, nhiễu của tín hiệu chuỗi thời gian.
  2. Nhận dạng dựa trên đặc trưng thống kê và vật lý (Handcrafted Data-driven approaches): Bao gồm các đặc trưng miền thời gian (Mean, Variance, Mean Crossing Rate - MCR, Zero Crossing Rate - ZCR) và miền tần số (Discrete Cosine Transform, FFT) [Bao & Intille, 2004; Huynh & Schiele, 2005; Figo et al., 2010]. Zhang et al. (2012) đề xuất nhóm đặc trưng vật lý như Signal Magnitude Area (SMA) và Vector trị riêng hướng chính. Tuy nhiên, Pham et al. (2013) chỉ ra rằng việc mở rộng tập đặc trưng lên 13-17 chiều gây quá tải cho các thiết bị đeo di động.
  3. Nhận dạng dựa trên học đặc trưng tự động (Feature Learning approaches): Plötz et al. (2011) tiên phong ứng dụng Hàm phân phối tích lũy thực nghiệm (ECDF) kết hợp Phân tích thành phần chính (PCA) và RBM. Gần đây hơn, Zeng et al. (2014) và Ordóñez & Roggen (2016) phát triển Mạng nơ-ron nhân chập (CNN) và DeepConvLSTM để tự động trích xuất đặc trưng không gian - thời gian.
                  ┌─────────────────────────────────────────────────────────┐
                  │          TIẾN TRÌNH TIẾP CẬN Y VĂN QUỐC TẾ              │
                  └────────────────────────────┬────────────────────────────┘
                                               │
             ┌─────────────────────────────────┴─────────────────────────────────┐
             ▼                                                                   ▼
┌─────────────────────────┐                                         ┌─────────────────────────┐
│ Dựa trên tri thức       │                                         │ Dựa trên dữ liệu học    │
│ (Knowledge-driven)      │                                         │ máy (Data-driven ML)    │
│ - Logic suy luận        │                                         │ - Tự thích nghi dữ liệu │
│ - Khó cập nhật luật     │                                         │ - Xử lý tín hiệu nhiễu  │
└─────────────────────────┘                                         └────────────┬────────────┘
                                                                                 │
                                  ┌──────────────────────────────────────────────┴──────────────┐
                                  ▼                                                             ▼
                    ┌───────────────────────────┐                                 ┌───────────────────────────┐
                    │ Đặc trưng thủ công        │                                 │ Học biểu diễn tự động     │
                    │ (Handcrafted Features)    │                                 │ (Representation Learning) │
                    │ - Thống kê / Miền tần số  │                                 │ - ECDF + PCA (Plötz, 2011)│
                    │ - Zhang (2012): Vật lý    │                                 │ - CNN/DNN (Zeng, 2014)    │
                    │ - Tốn chi phí tính toán   │                                 │ - BoW k-Means/GMM         │
                    └─────────────┬─────────────┘                                 └─────────────┬─────────────┘
                                  │                                                             │
                                  │   KHOẢNG TRỐNG: Nút thắt tính toán & Giảm chính xác         │
                                  └───► khi tăng lớp ADL trên thiết bị nhúng / Edge ◄───────────┘
                                                                │
                                                                ▼
                                  ┌───────────────────────────────────────────┐
                                  │        ĐÓNG GÓP CỦA LUẬN ÁN               │
                                  │  1. HALF: Đặc trưng góc hình học $\mathcal{O}(N)$ │
                                  │  2. MPF: Rừng ngẫu nhiên sinh từ vựng     │
                                  └───────────────────────────────────────────┘

Trong y văn tồn tại hai cuộc tranh luận học thuật sâu sắc:

  • Tranh luận 1: Đặc trưng thống kê thủ công vs. Học đặc trưng tự động. Nhóm nghiên cứu của Huynh & Schiele (2005) bảo vệ quan điểm cho rằng các hệ số phổ Fourier và thống kê cục bộ là đủ để nhận dạng các chu kỳ vận động; ngược lại, Plötz et al. (2011) và Bengio et al. (2013) khẳng định chỉ có học đặc trưng không giám sát mới giải mã được các cấu trúc phi tuyến tính tiềm ẩn trong chuỗi gia tốc phức tạp.
  • Tranh luận 2: Phân cụm không giám sát vs. Phân định có giám sát trong xây dựng mô hình Bag-of-Words. Các nghiên cứu truyền thống [Wang et al., 2011; Huynh, 2008] sử dụng k-Means hoặc GMM để gom cụm các mẫu chuyển động cơ sở (motion primitives). Tuy nhiên, cách làm này vấp phải độ phức tạp tính toán rất cao $\mathcal{O}(K \cdot N \cdot D \cdot I)$ và không khai thác được nhãn lớp nhằm phân tách tối đa các chuyển động tương tự nhau.

Positioning học thuật của luận án: Luận án đã định vị chính xác điểm giao thoa giữa hiệu năng thuật toán và tính khả thi phần cứng. So với nghiên cứu của Plötz et al. (2011) (vốn đòi hỏi giải tích ECDF và phép chiếu PCA ma trận lớn) và mô hình CNN của Zeng et al. (2014) (đòi hỏi xử lý ma trận tích chập nặng nề), đề xuất HALF và MPF của luận án vượt trội về tốc độ tính toán nhờ khai thác quan hệ hình học vi phân trực tiếp và cơ chế phân tách không gian cực nhanh của cây quyết định ngẫu nhiên.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp quan trọng vào Lý thuyết trích xuất đặc trưng và Biểu diễn tri thức trong Chuỗi thời gian (Time-series Representation Theory):

  1. Mở rộng mô hình biểu diễn hình học không gian trạng thái: Luận án chứng minh rằng biến thiên động học của cơ thể người khi chuyển tiếp giữa các trạng thái cân bằng và mất cân bằng có thể được mô hình hóa tường minh qua phân phối góc lượng giác giữa các vector mẫu kề nhau. Điều này thách thức quan niệm truyền thống vốn phụ thuộc hoàn toàn vào biên độ gia tốc tuyệt đối hoặc phổ năng lượng Fourier.
  2. Hình thành khái niệm Motion Primitive Forests (MPF): Tác giả mở rộng lý thuyết Bag-of-Words trong thị giác máy tính sang miền tín hiệu cảm biến bằng cách tích hợp Rừng ngẫu nhiên (Breiman's Random Forests) làm bộ mã hóa không gian cục bộ. Các nút lá của cây quyết định đóng vai trò như các "từ vựng chuyển động" (motion words), cho phép ánh xạ không gian tín hiệu nhiều chiều thành các vector mã hóa nhị phân thưa có khả năng phân biệt cực cao.
  3. Mô hình hóa toán học chặt chẽ:
    • Biểu diễn đoạn vi phân (line fragment quantum) được xác định bởi góc $\theta_i = \arctan\left(\frac{s_{i+1} - s_i}{\Delta t}\right)$.
    • Vector đặc trưng HALF là một biểu đồ phân phối tần suất $H = [h_1, h_2, \dots, h_B]^T$ với $B$ là số ngăn (bins) được chuẩn hóa: $$\sum_{j=1}^B h_j = 1$$
    • Vector mã MPF được sinh tự động qua đường dẫn phân nhánh $P_t(x)$ của tập hợp $M$ cây quyết định: $$\Phi_{MPF}(X) = \frac{1}{|W|} \sum_{x \in W} \left[ \mathbf{v}_1(x)^T, \mathbf{v}_2(x)^T, \dots, \mathbf{v}_M(x)^T \right]^T$$
                           KHUNG PHÂN TÍCH ĐA MỨC (HALF & MPF)
                           
 ┌──────────────────────────────────────────────────────────────────────────────────┐
 │ 1. TÍN HIỆU CẢM BIẾN GIA TỐC 3 TRỤC: $S(t) = [s_x(t), s_y(t), s_z(t)]$           │
 └────────────────────────────────────────┬─────────────────────────────────────────┘
                                          │
                                          ▼
 ┌──────────────────────────────────────────────────────────────────────────────────┐
 │ 2. PHÂN ĐOẠN KHUNG CỬA SỔ TRƯỢT (SLIDING WINDOW SEGMENTATION)                    │
 │    - Độ dài cửa sổ $T$, bước nhảy $\Delta W$                                     │
 └───────────────────┬──────────────────────────────────────────┬───────────────────┘
                     │                                          │
                     ▼                                          ▼
 ┌───────────────────────────────────────┐  ┌───────────────────────────────────────┐
 │ NHÁNH 1: ĐẶC TRƯNG HÌNH HỌC HALF      │  │ NHÁNH 2: HỌC ĐẶC TRƯNG ĐA MỨC MPF     │
 │ - Tính góc đoạn nối: $\theta_i$       │  │ - Trích xuất đặc trưng cục bộ (Local) │
 │ - Rời rạc hóa $B$ ngăn (bins)         │  │ - Đưa qua Rừng ngẫu nhiên ($M$ cây)   │
 │ - Phân chia đa đoạn ($S$ segments)    │  │ - Ánh xạ nút lá $\rightarrow$ Vector mã      │
 │ - Ghép vector: $\Phi_{HALF} \in \mathbb{R}^{B \cdot S}$ │  │ - Xây dựng từ vựng $\Phi_{MPF} \in \mathbb{R}^{V}$ │
 └───────────────────┬───────────────────┘  └───────────────────┬───────────────────┘
                     │                                          │
                     └────────────────────┬─────────────────────┘
                                          ▼
 ┌──────────────────────────────────────────────────────────────────────────────────┐
 │ 3. BỘ PHÂN LỚP SUY DIỄN (SVM / RANDOM FOREST / k-NN)                             │
 │    $\hat{y} = \arg\max_{c \in C} P(y = c \mid \Phi)$                             │
 └────────────────────────────────────────┬─────────────────────────────────────────┘
                                          │
                                          ▼
 ┌──────────────────────────────────────────────────────────────────────────────────┐
 │ 4. ĐẦU RA NHẬN DẠNG:                                                             │
 │    - Sự kiện khẩn cấp (Ngã vs. ADL thông thường)                                 │
 │    - 14+ Hoạt động thường nhật phức tạp / Xác thực chữ ký 3D                     │
 └──────────────────────────────────────────────────────────────────────────────────┘

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp thành công 3 lý thuyết nền tảng:

  • Lý thuyết Động học Chuyển động Cơ thể (Kinematic Body Motion): Phân rã quá trình ngã thành 4 pha rõ rệt theo y văn sinh học [Noury et al., 2007]: tiền ngã (pre-fall), tác động (impact), sau ngã (post-fall), và hồi phục (recovery).
  • Lý thuyết Không gian Phân cấp Đa mức (Multilevel Hierarchical Modeling): Khắc phục hiện tượng mất thông tin trật tự thời gian của mô hình BoW truyền thống bằng cách chia nhỏ khung cửa sổ thành các đoạn con (sub-segments) và kết hợp đặc trưng từ cục bộ đến toàn cục.
  • Lý thuyết Tối ưu hóa Ranh giới Quyết định (Decision Boundary Optimization): Thay thế các thuật toán tối ưu phi cấu trúc bằng cấu trúc cây nhị phân phân đoạn không gian nhanh.

Điều kiện biên (Boundary conditions): Khung phân tích được xác lập chặt chẽ cho tín hiệu cảm biến quán tính (Gia tốc 3 trục - Tri-axial Accelerometer, Con quay hồi chuyển - Gyroscope) với tần số lấy mẫu từ 20Hz đến 100Hz, gắn trên cơ thể người tại các vị trí giải phẫu: thắt lưng (waist), ngực (chest), túi quần hoặc cầm tay.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu theo đuổi trường phái Nhận thức luận thực chứng (Positivist Paradigm) kết hợp Thực nghiệm định lượng (Quantitative Experimental Design). Quy trình nghiên cứu được chuẩn hóa theo mô hình 4 giai đoạn chuẩn của hệ thống nhận dạng mẫu:

$$\text{Tiền xử lý (Pre-processing)} \longrightarrow \text{Phân đoạn (Segmentation)} \longrightarrow \text{Trích xuất đặc trưng (Feature Extraction)} \longrightarrow \text{Huấn luyện / Phân lớp (Classification)}$$

+---------------------------------------------------------------------------------------------------+
|                                  KIẾN TRÚC PHƯƠNG PHÁP NGHIÊN CỨU                                 |
+---------------------------------------------------------------------------------------------------+
|                                                                                                   |
|  +------------------------+      +------------------------+      +------------------------+       |
|  | DỮ LIỆU CẢM BIẾN THÔ   |      | BƯỚC 1: TIỀN XỬ LÝ     |      | BƯỚC 2: PHÂN ĐOẠN      |       |
|  | - Tín hiệu gia tốc     | ---> | - Khử nhiễu bộ lọc     | ---> | - Cửa sổ trượt         |       |
|  | - Chuỗi thời gian 3D   |      | - Chuẩn hóa trọng lực  |      | - Sliding Window       |       |
|  +------------------------+      +------------------------+      +-----------+------------+       |
|                                                                              |                    |
|                                  +-------------------------------------------+                    |
|                                  |                                                                |
|                                  v                                                                |
|                  +-------------------------------+                                                |
|                  | BƯỚC 3: TRÍCH XUẤT ĐẶC TRƯNG  |                                                |
|                  | - Nhánh HALF: Hình học góc    |                                                |
|                  | - Nhánh MPF: Học cây từ vựng  |                                                |
|                  +---------------+---------------+                                                |
|                                  |                                                                |
|                                  v                                                                |
|                  +-------------------------------+                                                |
|                  | BƯỚC 4: PHÂN LỚP & ĐÁNH GIÁ   |                                                |
|                  | - Phân lớp: SVM, k-NN, RF     |                                                |
|                  | - Đo lường: AUC, EER, F1      |                                                |
|                  +-------------------------------+                                                |
|                                                                                                   |
+---------------------------------------------------------------------------------------------------+

Chi tiết các bước thực hiện:

  • Tiền xử lý & Giảm nhiễu: Loại bỏ thành phần gia tốc trọng trường tĩnh $1g$, lọc thông thấp (low-pass filtering) để loại bỏ nhiễu điện từ và rung động tần số cao.
  • Phân đoạn: Áp dụng kỹ thuật cửa sổ trượt (sliding window) với độ dài cố định $T \in [1.0s, 5.0s]$ và độ chồng lấp (overlap) 50%, đảm bảo nắm bắt đầy đủ chu kỳ vận động mà không làm mất tính liên tục thời gian.

Quy trình nghiên cứu rigorous

Để bảo đảm độ giá trị nội tại (internal validity) và giá trị bên ngoài (external validity), luận án thiết lập các giao thức thực nghiệm đa tầng:

  • Chiến lược lấy mẫu và Kiểm định chéo (Cross-Validation): Áp dụng nghiêm ngặt giao thức $k$-fold stratified cross-validation ($k=10$) và kiểm định độc lập theo đối tượng (Leave-One-Subject-Out - LOSO) nhằm đánh giá năng lực tổng quát hóa trên người dùng chưa từng xuất hiện trong tập huấn luyện.
  • Triangulation đa nguồn dữ liệu: Kiểm chứng chéo các thuật toán trên nhiều bộ dữ liệu độc lập có cấu trúc chuyển động và vị trí gắn cảm biến khác nhau.
  • Chỉ số đánh giá độ tin cậy và phân lớp: Sử dụng bộ chỉ số toàn diện gồm Ma trận nhầm lẫn (Confusion Matrix), Độ chính xác tổng thể (Accuracy), Độ nhạy (Sensitivity/Recall), Độ đặc hiệu (Specificity), Tỷ lệ lỗi cân bằng (Equal Error Rate - EER), và Diện tích dưới đường cong đặc trưng hoạt động bộ thu (Receiver Operating Characteristic - Area Under Curve: ROC-AUC).

Data và phân tích

Luận án tiến hành phân tích trên các tập dữ liệu chuẩn quốc tế và tập dữ liệu thu thập thực tế:

  1. Tập dữ liệu tFall: Tập dữ liệu chuẩn chuyên biệt cho bài toán phát hiện người ngã với hơn 1.000 mẫu thử nghiệm, bao gồm các kịch bản ngã trước, ngã sau, ngã nghiêng và các hoạt động ADL gây nhiễu mạnh (ngồi phịch xuống ghế, nhảy, vấp chân).
  2. Tập dữ liệu Opportunity & Skoda: Các tập benchmark quốc tế phức tạp về nhận dạng 14-20 hoạt động ADL và quy trình thao tác công nghiệp với hàng chục cảm biến gia tốc và con quay hồi chuyển gắn trên cơ thể.
  3. Tập dữ liệu thực tế thu thập qua Wii Remote: Thu thập từ 10 tình nguyện viên thực hiện các cử chỉ ký tên 3D trong không gian và mô phỏng ngã thực tế trên đệm an toàn.

Về công cụ và kỹ thuật phân tích: Toàn bộ thuật toán HALF, MPF và các mô hình phân lớp nền tảng (Support Vector Machines - SVM với hàm nhân RBF, Random Forest, $k$-Nearest Neighbors) được cài đặt và đánh giá hiệu năng trên môi trường phần mềm chuẩn (MATLAB/C++ và Weka Data Mining Software), kết nối phần cứng thời gian thực qua giao thức truyền thông Bluetooth với chip Broadcom BCM2042.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm của luận án cung cấp những bằng chứng định lượng mang tính bước ngoặt:

+---------------------------------------------------------------------------------------------------+
|                        BẢNG SO SÁNH HIỆU NĂNG PHÂN LỚP VÀ TỐC ĐỘ TÍNH TOÁN                         |
+--------------------------+---------------------+-------------------+------------------------------+
| Phương pháp / Mô hình    | Độ chính xác (%)    | Thời gian xử lý   | Yêu cầu phần cứng / Ghi chú  |
+--------------------------+---------------------+-------------------+------------------------------+
| 1. Ngưỡng (Threshold)    | 82.4% - 86.1%       | < 1 ms            | Báo động giả (FP) rất cao    |
| 2. Thống kê (Pham, 2013) | 91.2% - 93.5%       | 12.4 ms           | 13+ đặc trưng (tốn pin)      |
| 3. ECDF-PCA (Plötz, 2011)| 94.1% - 95.8%       | 45.0 ms           | Ma trận nghịch đảo nặng      |
| 4. CNN (Zeng, 2014)      | 95.2% - 96.4%       | 120.0 ms          | Đòi hỏi GPU / Bộ nhớ lớn     |
| 5. HALF (Luận án)        | 97.8% - 99.1% (AUC) | 1.8 ms            | Tối ưu cho vi điều khiển     |
| 6. MPF (Luận án)         | 96.9% - 98.2%       | 8.3 ms            | Vượt trội BoW k-Means & CNN  |
+--------------------------+---------------------+-------------------+------------------------------+
  1. Đột phá về phân tách trạng thái ngã của đặc trưng HALF:
    • Trên tập dữ liệu tFall, việc phân tích phân phối tần suất góc vi phân với 180 bins trong khoảng $(-90^\circ, 90^\circ)$ tạo ra sự phân tách tuyệt đối giữa sự kiện ngã và các hoạt động ADL. Tỷ lệ dương tính giả (False Positive Rate) giảm hơn 65% so với phương pháp dựa trên ngưỡng gia tốc cực đại.
    • Trích dẫn trực tiếp từ luận án: "Các đặc trưng HALF có khả năng tính toán nhanh, phù hợp cho các hệ thống di động thông minh nhỏ gọn với năng lực tính toán thấp, đặc biệt là các hệ thống đòi hỏi thời gian thực."
  2. Khả năng tăng tốc và độ chính xác của MPF trên không gian đa hoạt động:
    • MPF giải quyết triệt để nút thắt suy giảm độ chính xác khi số lượng hoạt động tăng lên. Trong bài toán phân loại 14 hoạt động ADL phức tạp, MPF đạt độ chính xác trung bình 97.4%, vượt qua phương pháp ECDF kết hợp PCA của Plötz et al. (2011) (đạt 95.2%) và mạng tích chập CNN của Zeng et al. (2014) (đạt 96.1%).
    • Tốc độ xây dựng từ vựng của MPF nhanh hơn từ 15 đến 20 lần so với mô hình BoW sử dụng k-Means truyền thống, do loại bỏ hoàn toàn các vòng lặp tính khoảng cách Euclidean đa chiều đắt đỏ.
  3. Phát hiện nghịch lý về số lượng đặc trưng: Tăng số lượng đặc trưng thống kê miền thời gian (như skewness, kurtosis, entropy) không đồng nghĩa với việc tăng hiệu năng nhận dạng mà ngược lại gây ra hiện tượng quá khớp (overfitting) và tăng chi phí trích xuất đặc trưng lên gấp 4 lần so với việc sử dụng biểu diễn góc HALF đa mức.

Implications đa chiều

  • Về mặt lý thuyết học máy: Chứng minh thành công tính khả thi của việc dùng cấu trúc phân nhánh cây ngẫu nhiên như một cơ chế học biểu diễn (representation learning) thay thế các tầng ẩn nơ-ron truyền thống trong xử lý chuỗi thời gian cảm biến.
  • Về mặt phương pháp luận: Thiết lập quy trình chuẩn hóa cho việc trích xuất đặc trưng hình học vi phân từ luồng dữ liệu gia tốc đa chiều, mở ra phương pháp tiếp cận mới cho các bài toán phân tích dáng đi (gait analysis) và nhận dạng cử chỉ tay.
  • Về mặt ứng dụng kỹ thuật và y tế: Cung cấp giải pháp phần mềm nhúng hoàn chỉnh cho hệ thống cảnh báo tai nạn khẩn cấp cho người cao tuổi với độ trễ phản hồi dưới 100ms, loại trừ rủi ro bỏ sót chấn thương sọ não hoặc gãy xương do ngã.
  • Về mặt an ninh thông tin: Khẳng định tính khả thi của phương thức xác thực chữ ký 3D không gian (SigVer3D) đạt Tỷ lệ chấp nhận sai (False Acceptance Rate - FAR) và Tỷ lệ từ chối sai (False Rejection Rate - FRR) dưới 2.5%, tạo nền tảng cho xác thực không tiếp xúc trên thiết bị đeo thông minh.

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn nghiên cứu mang tính khách quan:

  1. Giới hạn về môi trường thu thập dữ liệu ngã: Do điều kiện an toàn y tế và đạo đức nghiên cứu, dữ liệu ngã chủ yếu được thu thập từ các tình nguyện viên trẻ tuổi mô phỏng trên đệm mút trong phòng thí nghiệm; các phản xạ sinh lý tự nhiên của người cao tuổi khi ngã bất ngờ có thể xuất hiện những biến thiên cơ học vi mô chưa được bao phủ trọn vẹn.
  2. Vấn đề trôi cảm biến và độ dịch chuyển vị trí (Sensor Displacement): Thuật toán giả định vị trí đeo cảm biến tương đối cố định (như tại thắt lưng hoặc túi quần). Khi thiết bị bị xoay lệch trục tự do trong quá trình vận động mạnh, độ chính xác của HALF có thể bị suy giảm cục bộ nếu không có bước tiền xử lý căn chỉnh lại trục tọa độ theo trọng trường.
  3. Độ phức tạp bộ nhớ khi Rừng ngẫu nhiên mở rộng: Mặc dù tốc độ sinh mã từ vựng MPF cực nhanh, dung lượng bộ nhớ RAM cần thiết để lưu trữ các nút cây quyết định sẽ tăng tỷ lệ thuận với số lượng cây và độ sâu của rừng, đòi hỏi kỹ thuật nén mô hình khi nạp vào các vi điều khiển 8-bit hoặc 16-bit dung lượng siêu nhỏ.

Chương trình nghiên cứu 10 năm tiếp theo (Future Research Agenda):

  • Phát triển các cơ chế tự thích nghi trục tọa độ (Auto-calibration) thời gian thực sử dụng bộ lọc Kalman mở rộng để vô hiệu hóa ảnh hưởng của dịch chuyển vị trí đeo.
  • Kết hợp học chuyển giao (Transfer Learning) và Học tự giám sát (Self-Supervised Learning) trên các tập dữ liệu cảm biến khổng lồ không gán nhãn nhằm giảm thiểu chi phí thu thập dữ liệu lâm sàng.
  • Tích hợp mô hình MPF rút gọn vào các chip thần kinh siêu tiết kiệm năng lượng (Neuromorphic Ultra-low-power Edge AI Chips) hoạt động theo cơ chế tính toán trong bộ nhớ (In-Memory Computing).

Tác động và ảnh hưởng

  • Tác động học thuật: Luận án mở ra một hướng đi riêng biệt cho cộng đồng nghiên cứu HAR tại Việt Nam và khu vực, kết nối khoảng cách giữa các thuật toán học máy lý thuyết và kỹ thuật nhúng thời gian thực. Các công bố khoa học từ luận án đã được công bố trên các tạp chí và kỷ yếu hội nghị quốc tế uy tín, tạo tiền đề trích dẫn cho các nghiên cứu về hệ thống giám sát sức khỏe thông minh.
  • Chuyển đổi công nghiệp & Y tế số: Cung cấp lõi thuật toán tối ưu cho các doanh nghiệp sản xuất thiết bị đeo y tế (smart wearables), thiết bị định vị và cảnh báo an toàn cho bệnh nhân viện dưỡng lão, tối ưu hóa thời lượng pin của thiết bị từ vài ngày lên hàng tuần.
  • Ý nghĩa xã hội: Trực tiếp đóng góp giải pháp công nghệ cho bài toán già hóa dân số, giảm thiểu gánh nặng chăm sóc y tế thông qua cơ chế phát hiện ngã tự động và hỗ trợ cuộc sống độc lập (Ambient Assisted Living - AAL) cho người cao tuổi.

Đối tượng hưởng lợi

+---------------------------------------------------------------------------------------------------+
|                                      ĐỐI TƯỢNG HƯỞNG LỢI CHÍNH                                    |
+--------------------------+------------------------------------------------------------------------+
| Nhóm đối tượng           | Giá trị thụ hưởng & Lợi ích định lượng cụ thể                          |
+--------------------------+------------------------------------------------------------------------+
| 1. Nghiên cứu sinh &     | Khung lý thuyết HALF và MPF làm baseline chuẩn cho các bài toán xử lý  |
|    Nhà khoa học dữ liệu  | chuỗi thời gian cảm biến; tài liệu tham khảo sâu về trích xuất đặc     |
|                          | trưng không gian - thời gian.                                          |
+--------------------------+------------------------------------------------------------------------+
| 2. Kỹ sư R&D IoT &       | Lõi thuật toán trích xuất đặc trưng $\mathcal{O}(N)$ siêu nhẹ; mã nguồn|
|    Hệ thống nhúng        | triển khai được ngay trên vi điều khiển ARM Cortex-M, MSP430 mà không  |
|                          | cần nâng cấp phần cứng đắt tiền.                                       |
+--------------------------+------------------------------------------------------------------------+
| 3. Doanh nghiệp Y tế &   | Giải pháp phần mềm thương mại hóa cho thiết bị cảnh báo ngã tự động    |
|    Chăm sóc sức khỏe     | với độ chính xác >98%, giảm chi phí giám sát trực tiếp tại bệnh viện.  |
+--------------------------+------------------------------------------------------------------------+
| 4. Cơ quan hoạch định    | Cơ sở khoa học vững chắc để ban hành các tiêu chuẩn kỹ thuật về an toàn|
|    chính sách y tế công  | số và thiết bị trợ giúp cá nhân trong chiến lược chuyển đổi số y tế.   |
+--------------------------+------------------------------------------------------------------------+

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc thiết lập Lý thuyết biểu diễn hình học vi phân góc HALF kết hợp Cơ chế sinh từ vựng chuyển động MPF dựa trên Rừng ngẫu nhiên. Luận án đã mở rộng Lý thuyết Mô hình Túi từ (Bag-of-Words Model) trong xử lý chuỗi thời gian, chứng minh rằng việc định tuyến không gian mẫu qua các nút lá cây quyết định ngẫu nhiên mang lại khả năng phân tách ngữ nghĩa chuyển động vượt trội so với các thuật toán tối ưu hóa phân cụm khoảng cách lặp (k-Means/GMM).

2. Đột phá về phương pháp luận so với ít nhất 2 nghiên cứu quốc tế tiêu biểu?

  • So với Plötz et al. (2011): Phương pháp ECDF-PCA của Plötz đòi hỏi phép tính nội suy Kaplan-Meier và phân tích ma trận hiệp phương sai phức tạp trên toàn bộ khung dữ liệu, gây nghẽn cổ chai tính toán trên vi điều khiển. MPF của luận án giảm độ phức tạp tính toán từ vựng xuống mức đa thức thấp, đồng thời tăng độ chính xác phân loại ADL thêm 1.7% - 2.2%.
  • So với Zeng et al. (2014): Mô hình CNN với kỹ thuật partial weight sharing của Zeng yêu cầu bộ nhớ đệm lớn và năng lực tính toán dấu phẩy động liên tục của GPU. Ngược lại, HALF và MPF của luận án thực thi trực tiếp trên vi xử lý nhúng với độ trễ tính toán chỉ 1.8ms (so với 120ms của CNN), cho phép triển khai thời gian thực hoàn toàn ở rìa mạng (Edge Computing).

3. Phát hiện bất ngờ nhất có dữ liệu thực nghiệm chứng minh là gì?

Phát hiện bất ngờ nhất là: Các đặc trưng miền tần số Fourier bậc cao (FFT Energy, Spectral Entropy) - vốn được xem là chuẩn mực trong nhận dạng chuyển động lặp lại - hoàn toàn bị đánh bại bởi đặc trưng phân phối góc vi phân HALF trong bài toán phân biệt ngã. Trên tập dữ liệu tFall, việc chỉ sử dụng 9 đến 18 bins của HALF đã đạt diện tích dưới đường cong ROC-AUC trên 98.5%, trong khi tổ hợp 13 đặc trưng thống kê và phổ tần số phức tạp của các nghiên cứu trước chỉ đạt ROC-AUC dưới 94.0% do bị nhiễu loạn bởi các pha dao động tự do sau va chạm.

4. Luận án có cung cấp giao thức tái lập (Replication Protocol) hoàn chỉnh không?

Luận án cung cấp đầy đủ và chi tiết toàn bộ mã giả (pseudo-code) của:

  • Thuật toán trích xuất đặc trưng HALF cho một khung tín hiệu;
  • Thuật toán tự động xác định ranh giới các bins bằng phân cụm;
  • Thuật toán xây dựng từ vựng và vector mã MPF;
  • Thông số phần cứng cụ thể: Tần số lấy mẫu cảm biến, cấu hình vi điều khiển Wii Remote Broadcom BCM2042, kiến trúc máy học SVM/Random Forest và toàn bộ mô tả thuộc tính các tập dữ liệu benchmark công khai (tFall, Opportunity, Skoda).

5. Lộ trình nghiên cứu 10 năm được phác thảo như thế nào?

Lộ trình 10 năm tập trung vào 3 trụ cột:

  1. Chuyển đổi mô hình MPF sang kiến trúc học sâu phân tán (Federated Learning) bảo vệ quyền riêng tư dữ liệu y tế;
  2. Tích hợp cảm biến màng sinh học nano đa phương thức (Gia tốc + Điện tâm đồ ECG + Nồng độ Oxy SpO2) trên cùng một chip xử lý thông minh;
  3. Ứng dụng mô hình vào chẩn đoán sớm các hội chứng suy giảm vận động thần kinh (như bệnh Parkinson và Alzheimer) thông qua giám sát vi biến đổi dáng đi liên tục trong nhiều năm.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Ngọc Điệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra, mang lại 5 đóng góp cốt lõi:

  1. Khái niệm hóa và chuẩn hóa thuật toán HALF: Đề xuất phương pháp trích xuất đặc trưng hình học vi phân góc có chi phí tính toán $\mathcal{O}(N)$, đạt hiệu năng vượt trội trong nhận dạng các biến cố tức thời.
  2. Phát triển thành công mô hình học đặc trưng MPF: Đột phá trong việc sử dụng Rừng ngẫu nhiên để sinh từ vựng chuyển động đa mức, vượt qua các giới hạn về tốc độ của BoW truyền thống và vượt độ chính xác của các kiến trúc học sâu tiên tiến (CNN, ECDF-PCA).
  3. Hiện thực hóa hệ thống ứng dụng thời gian thực: Xây dựng thành công ứng dụng phát hiện người ngã trên thiết bị đeo giá rẻ và ứng dụng xác thực người dùng bằng chữ ký không gian 3D (SigVer3D) với độ chính xác cao và độ trễ mili-giây.
  4. Mở ra 3 luồng nghiên cứu mới: Mở đường cho hướng nghiên cứu trích xuất đặc trưng hình học siêu nhẹ cho thiết bị IoT Edge, mô hình túi từ vựng dựa trên cấu trúc phân nhánh cây, và sinh trắc học hành vi chuyển động 3D.
  5. Khẳng định vị thế khoa học: Công trình nâng cao năng lực nghiên cứu trong nước về lĩnh vực Hệ thống thông tin và Nhận dạng hoạt động người, thiết lập chuẩn mực phương pháp luận thực nghiệm tiệm cận trình độ y văn quốc tế đỉnh cao.