Luận án nghiên cứu nhận dạng hành động và định vị trong nhà hỗ trợ tìm kiếm cứu nạn

Tổng quan về luận án

Bối cảnh khoa học hiện nay chứng kiến quá trình đô thị hóa nhanh chóng trên toàn cầu, với khoảng 55% dân số sinh sống tại các khu vực đô thị vào năm 2018 và dự kiến đạt 68% vào năm 2050 (World Urbanization Prospects 2018 Revision). Sự phát triển này song hành với những thách thức đáng kể về an toàn xây dựng và phòng cháy chữa cháy, đặc biệt là sự gia tăng các vụ cháy quy mô lớn và phức tạp tại các công trình nhà ở kết hợp kinh doanh. Điều này đặt ra nguy cơ mất an toàn nghiêm trọng cho lực lượng lính cứu hỏa, những người phải đối mặt với nhiệt độ cao, khói độc, nguy cơ sập đổ và tầm nhìn hạn chế trong quá trình tìm kiếm cứu nạn. Thống kê từ NFPA Hoa Kỳ cho thấy 63.175 ca chấn thương và 89 trường hợp tử vong trong năm 2023, trong đó các hoạt động chữa cháy chiếm 18.875 trường hợp rủi ro cao nhất. Tại Việt Nam, năm 2024 ghi nhận 4112 vụ cháy, làm 100 người thiệt mạng và 89 người bị thương, với 59.7% tổng số vụ xảy ra ở khu vực thành thị. Đặc biệt, các vụ cháy tại chung cư mini Khương Đình (56 người thiệt mạng) và đường Trung Kính (14 người thiệt mạng) vào năm 2023-2024 minh chứng cho tính cấp thiết của việc nâng cao an toàn cho lính cứu hỏa. Nghiên cứu này mang tính tiên phong trong việc phát triển các giải pháp công nghệ nhằm giám sát và định vị lính cứu hỏa theo thời gian thực, khắc phục những hạn chế của các phương thức liên lạc truyền thống và thiếu hụt công cụ chuyên dụng.

Research Gap SPECIFIC với citations từ literature: Luận án này tập trung giải quyết các khoảng trống nghiên cứu then chốt trong lĩnh vực nhận dạng hành động người (HAR) và hệ thống định vị trong nhà (IPS) cho lính cứu hỏa, vốn là những thách thức chưa được giải quyết triệt để trong bối cảnh môi trường khẩn cấp:

1. Về HAR: "Các nghiên cứu HAR chưa quan tâm đến việc xử lý nhận dạng tại các điểm chuyển tiếp hành động." (tr. 28). Các mô hình hiện tại thường sử dụng kỹ thuật cửa sổ trượt (sliding window) với kích thước cố định, dẫn đến nhầm lẫn giữa các hành động liên tục và đột ngột của lính cứu hỏa (ví dụ: đang chạy dừng lại để bò, hoặc trườn qua khe hẹp). Điều này làm giảm khả năng ứng dụng thực tế trong môi trường nguy hiểm cần phản ứng nhanh. Ngoài ra, "hiện có rất ít bộ dữ liệu công khai để nghiên cứu và phân tích các hành động của họ" (tr. 14), và "các nghiên cứu hiện nay còn nhiều hạn chế, như chỉ nhận dạng được một số hành động nhất định [9, 22, 29, 35] và thiếu khả năng xử lý thời gian thực" (tr. 14). Hơn nữa, các phương pháp học sâu (DL) mang lại độ chính xác cao nhưng "yêu cầu tài nguyên tính toán lớn nên khó triển khai trên các thiết bị nhúng bị giới hạn tài nguyên" (tr. 12), vốn là yêu cầu bắt buộc đối với thiết bị đeo trên người lính cứu hỏa.
2. Về IPS: "Sự hạn chế của các mô hình ước lượng độ dài bước chân đối với các bước chân di chuyển ngẫu nhiên về khoảng cách bước" (tr. 28). Các hệ thống định vị người đi bộ (PDR) dựa trên tương quan hình thể cố định khó áp dụng cho lính cứu hỏa do di chuyển phi tuyến tính (bước ngắn, bò trườn, khom lưng, thay đổi tốc độ đột ngột). Các hệ thống IPS phụ thuộc hạ tầng (Wi-Fi, Bluetooth) "thường không khả thi trong bối cảnh xảy ra cháy, do khó duy trì tính toàn vẹn cấu trúc khi chịu ảnh hưởng của nhiệt độ cao và va đập mạnh tại hiện trường" (tr. 19). IPS chỉ dựa trên cảm biến quán tính (IMU) cũng đối mặt với "sai số tích lũy nghiêm trọng và sự nhiễu loạn từ trường" (tr. 31) trong môi trường sắt thép của tòa nhà. Cuối cùng, "xu hướng nghiên cứu về áp dụng công nghệ UWB hiện nay thiên về hướng không tiếp xúc, ít tối ưu hóa cho sử dụng thiết bị đeo" (tr. 29) để tích hợp với IMU cho IPS trong các tình huống khẩn cấp.

Research Questions và Hypotheses (đánh số cụ thể):

1. RQ1: Làm thế nào để phát triển thuật toán nhận dạng hành động người (HAR) theo thời gian thực cho lính cứu hỏa, có khả năng phân biệt chính xác 11 hành động đặc thù, bao gồm các hành động chuyển tiếp nhanh, trên thiết bị đeo tích hợp vi điều khiển giới hạn hiệu năng?
   • H1.1: Việc tích hợp một thuật toán cửa sổ trượt thông minh với cơ chế phát hiện chuyển đổi hành động sẽ cải thiện đáng kể độ chính xác và giảm tỷ lệ nhầm lẫn trong nhận dạng hành động so với các phương pháp cửa sổ trượt cố định truyền thống.
   • H1.2: Các mô hình học máy nhẹ (ví dụ: Random Forest) được tối ưu hóa và nhúng trên vi điều khiển có thể đạt hiệu suất nhận dạng cao (>90% F1-score) cho 11 hành động đặc thù của lính cứu hỏa trong điều kiện tài nguyên hạn chế.
2. RQ2: Làm thế nào để xây dựng một hệ thống định vị trong nhà (IPS) 3D cho lính cứu hỏa, hoạt động độc lập không cần hạ tầng thiết lập trước, có thể ước lượng chính xác khoảng cách di chuyển, hướng rẽ, và cao độ/tầng, thông qua việc kết hợp dữ liệu từ cảm biến quán tính (IMU), băng thông siêu rộng (UWB) và cảm biến áp suất?
   • H2.1: Sự kết hợp dữ liệu từ IMU và UWB có thể cung cấp một giải pháp ước lượng độ dài bước chân với độ phức tạp tính toán thấp, thích nghi với các chuyển động phi tuyến tính của lính cứu hỏa, giảm thiểu sai số tích lũy so với PDR chỉ dựa trên IMU.
   • H2.2: Sử dụng cảm biến áp suất với cơ chế bù sai số nhiệt độ, kết hợp với các thuật toán phân tích bước chân và bản đồ số hóa tòa nhà, có thể xác định chính xác cao độ và tầng của lính cứu hỏa trong môi trường cháy.
   • H2.3: Việc giới hạn hướng di chuyển thành 8 hướng chính và sử dụng vận tốc góc từ Gyroscope để ước lượng hướng có thể giảm thiểu ảnh hưởng của nhiễu từ trường trong các cấu trúc sắt thép của tòa nhà, đảm bảo độ tin cậy của việc theo dõi quỹ đạo.

Theoretical framework với tên theories cụ thể: Luận án được xây dựng dựa trên nền tảng của nhiều lý thuyết và phương pháp tiên tiến:

• Machine Learning (ML) Theory (Hastie, Tibshirani, Friedman): Đặc biệt là các mô hình Ensemble Learning như Random Forest (Breiman, 2001) và Decision Tree, được chọn vì hiệu quả và khả năng triển khai trên thiết bị biên. Lý thuyết này cung cấp cơ sở để huấn luyện các mô hình dự đoán hành động từ dữ liệu cảm biến, tối ưu hóa độ chính xác và tài nguyên.
• Signal Processing Theory (Oppenheim, Schafer): Bao gồm các kỹ thuật lọc tín hiệu (Zero phase low pass filter), phân đoạn dữ liệu (sliding window), và trích chọn đặc trưng miền thời gian/tần số. Lý thuyết này là cốt lõi để chuyển đổi dữ liệu thô từ cảm biến (gia tốc, vận tốc góc, áp suất) thành các thông tin có ý nghĩa cho các mô hình học máy.
• Sensor Fusion (Brown & Hwang): Lý thuyết này được áp dụng để tích hợp dữ liệu từ nhiều cảm biến khác nhau (IMU, UWB, áp suất) nhằm nâng cao độ chính xác và độ tin cậy của hệ thống định vị. Đặc biệt là việc sử dụng bộ lọc Kalman (Kalman, 1960) hoặc các biến thể của nó để ước lượng trạng thái động học từ các phép đo nhiễu.
• Pedestrian Dead Reckoning (PDR) Principles: Luận án phát triển PDR bằng cách kết hợp IMU và UWB để cải thiện ước lượng bước chân và hướng, khắc phục nhược điểm của PDR truyền thống về sai số tích lũy (Cumulative Drift).
• Embedded Systems Design Principles: Tập trung vào tối ưu hóa hiệu suất, tiêu thụ năng lượng và sử dụng tài nguyên bộ nhớ trên vi điều khiển, nhằm đảm bảo khả năng hoạt động thời gian thực của hệ thống trong các thiết bị đeo.

Đóng góp đột phá với quantified impact:

1. Thuật toán HAR với cơ chế phát hiện chuyển đổi hành động: Đề xuất "thuật toán tích hợp cửa sổ trượt thông minh với cơ chế phát hiện chuyển đổi hành động" (tr. 5), đã được chứng minh đạt "điểm F1 hơn 96%" trong các thực nghiệm với dữ liệu thời gian thực và "96.6% trên tập MobiFall [84], 96.6% trên tập SFDLA [85]" cho 11 hành động đặc thù của lính cứu hỏa. Điều này nâng cao đáng kể độ chính xác và giảm tỷ lệ nhầm lẫn tại các điểm chuyển tiếp hành động, vốn là điểm yếu của các phương pháp truyền thống.
2. Giải thuật xác định bước chân IMU-UWB phức tạp tính toán thấp: Phát triển "giải thuật xác định bước chân di chuyển có độ phức tạp tính toán thấp, dựa trên sự kết hợp dữ liệu từ cảm biến quán tính và băng thông siêu rộng" (tr. 5). Giải thuật này giúp xây dựng mô hình ước lượng chuyển động người đi bộ hiệu quả, cải thiện độ chính xác và ổn định của hệ thống định vị trong nhà, đặc biệt cho các chuyển động phi tuyến. Điều này có ý nghĩa đột phá trong việc vượt qua giới hạn của PDR truyền thống khi đối mặt với các chuyển động "ngẫu nhiên về khoảng cách bước" (tr. 28) của lính cứu hỏa.
3. Hệ thống Định vị Trong nhà Độc lập (HIPS) 3D cho lính cứu hỏa: Xây dựng một "mô hình theo dõi vị trí được triển khai trên thiết bị đeo" (tr. 3) tích hợp đa cảm biến (IMU, UWB, áp suất), có khả năng xác định hướng di chuyển, cao độ và quãng đường, hoạt động độc lập "không phụ thuộc vào các hạ tầng được thiết lập trước" (tr. 4). Hệ thống này giải quyết vấn đề mất tín hiệu của GNSS và các hệ thống phụ thuộc hạ tầng trong môi trường cháy nổ, cung cấp thông tin vị trí 3D liên tục, có thể ước tính giúp giảm thời gian tìm kiếm và cứu nạn.
4. Triển khai học máy nhẹ trên vi điều khiển tài nguyên hạn chế: Ứng dụng thành công các mô hình học máy nhẹ (RF) được nhúng trực tiếp trên vi điều khiển (MCU) thông qua các công cụ như m2cgen, emlearn, micromlgen. Điều này cho phép xử lý dữ liệu theo thời gian thực tại thiết bị biên, tiết kiệm năng lượng, giảm độ trễ phản hồi, và tối ưu hóa tài nguyên phần cứng, đồng thời duy trì độ chính xác cao.

Scope (sample size, timeframe) và significance:

• Sample Size: Đối tượng nghiên cứu giới hạn 100% là nam giới, có hình thể và sức khỏe phù hợp với các quy định hiện hành về tiêu chuẩn lính cứu hỏa (tr. 30). Dữ liệu riêng tư được xây dựng từ "thực nghiệm với các tình nguyện viên" (tr. V, Mục 2.6.3), với các đánh giá trên ba bộ dữ liệu công khai (MobiFall, SFDLA, UniMiB-SHAR) được sử dụng để kiểm chứng khách quan.
• Timeframe: Luận án được hoàn thành trong thời gian nghiên cứu sinh tại Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam (2026). Các thực nghiệm và đánh giá được thực hiện với mục tiêu đạt được khả năng xử lý thời gian thực.
• Significance: Nghiên cứu này có ý nghĩa khoa học và thực tiễn sâu sắc. Về mặt khoa học, nó mở rộng ranh giới của HAR và IPS trong các môi trường khắc nghiệt, đề xuất các phương pháp mới để xử lý các thách thức về chuyển đổi hành động và định vị phi tuyến. Về mặt thực tiễn, hệ thống đề xuất cung cấp một công cụ hỗ trợ quan trọng cho lính cứu hỏa, giúp "giảm thiểu rủi ro" (tr. 2) và "rút ngắn thời gian cứu hộ, cứu nạn" (tr. 3) thông qua việc cung cấp thông tin hoạt động và vị trí theo thời gian thực cho người chỉ huy. Nó đóng góp trực tiếp vào việc nâng cao an toàn cho lực lượng cứu hộ và hiệu quả của các hoạt động ứng phó khẩn cấp.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Lĩnh vực nhận dạng hành động người (HAR) đã thu hút sự quan tâm lớn, được tiếp cận theo hai hướng chính: thị giác máy tính [20] và tín hiệu từ cảm biến đeo [21]. Trong khi thị giác máy tính đối mặt với hạn chế về điều kiện môi trường, xử lý dữ liệu phức tạp và quyền riêng tư [22], cảm biến đeo (như gia tốc kế, con quay hồi chuyển, từ kế) đã trở thành lựa chọn ưu việt nhờ kích thước nhỏ gọn, chi phí thấp và khả năng phản hồi thời gian thực [23–26]. Các nghiên cứu tiêu biểu về HAR sử dụng thiết bị đeo bao gồm:

• Học máy truyền thống: Hong và cộng sự (2021) triển khai hệ thống dùng Random Forest (RF) đạt độ chính xác 99.2% cho 4 hành động cơ bản [21]. Lu và cộng sự (2022) đề xuất HAR dùng cảm biến gia tốc, trích xuất 6 đặc trưng trên cửa sổ 5 giây, đạt độ chính xác 93% với các mô hình GBDT, RF, KNN, SVM [28]. Wang và cộng sự (2018) áp dụng cửa sổ 2.56 giây, độ chồng lấp 50%, và sử dụng cấu trúc phân loại dạng cây phân cấp với RF và SVM, đạt độ chính xác 90.4% [34]. Preece và cộng sự (2019) so sánh 14 đặc trưng miền thời gian/tần số từ cảm biến gia tốc gắn ở mắt cá chân, đạt độ chính xác tối đa 94% với KNN sau biến đổi Fourier nhanh [50].
• Học sâu (DL): Xu và cộng sự (2023) đề xuất cơ chế chú ý kênh dựa trên biến đổi cosin rời rạc (DCT) trong miền tần số để cải thiện hiệu suất mô hình ResNet trong HAR, đạt độ chính xác 79.38% [33]. Qin và cộng sự (2023) đã phát triển chiến lược học cộng tác CLS-CNN-ResNest, đạt độ chính xác 99.12% trên WISDM, 97.64% trên UCI-HAR và 78.91% trên UniMiB-SHAR [32]. Li và cộng sự (2021) tập trung vào môi trường nhà thông minh với mô hình CNN dựa trên phân tích đóng góp cảm biến, đạt độ chính xác 86.08% trên bộ dữ liệu CASAS [41].
• FAR (Firefighter Activity Recognition): Thành và cộng sự (2019) phát triển hệ thống đa cảm biến (IMU, áp kế, MQ7) phát hiện té ngã cho lính cứu hỏa, đạt độ chính xác 100% trên dữ liệu riêng tư và 97.9% trên dữ liệu công khai [9, 53]. Định và cộng sự (2022) sử dụng cảm biến gia tốc và CO để phát hiện té ngã và giám sát nồng độ CO, đạt độ chính xác 93% cho té ngã [22]. Geng và cộng sự (2016) sử dụng SVM với tín hiệu tần số vô tuyến (RFY) để nhận dạng 7 hành động, đạt độ chính xác 88.7% [35]. Chai và cộng sự (2021) phát triển hệ thống phát hiện té ngã thông minh dùng LSTM với cảm biến tích hợp vào trang phục bảo hộ, đạt độ chính xác 94.25% [29].

Về định vị trong nhà (IPS), các phương pháp được chia thành: (i) dựa trên hạ tầng thiết lập trước [65–68], (ii) không dựa trên hạ tầng [64], và (iii) hệ thống kết hợp (HIPS) [81, 82].

• IPS dựa trên hạ tầng: Một nghiên cứu năm 2019 trình bày việc thiết kế và đánh giá hệ thống IPS dựa trên Wi-Fi Round Trip Time, đạt độ chính xác ±1.2 mét cho định vị tĩnh và ±1.3 mét cho theo dõi chuyển động bằng phương pháp CBT và WCCG, nhưng chỉ giới hạn 2D và tầm nhìn thẳng [69]. Một nghiên cứu năm 2023 đề xuất TIPS (transformer based IPS) sử dụng học sâu để xử lý tín hiệu Wi-Fi và trích xuất đặc trưng CSI/DoA, đạt độ chính xác xấp xỉ 20 cm trong mô phỏng SDR, nhưng đòi hỏi phần cứng chuyên dụng và quy trình đồng bộ pha phức tạp [63].
• IPS không dựa trên hạ tầng (PDR): Stephan Bosch (2017) nghiên cứu giải pháp theo dõi lính cứu hỏa dùng PDR dựa trên IMU gắn ở ủng, kết hợp la bàn và cảm biến áp suất để giảm sai số hướng và độ cao, nhưng gặp vấn đề về nhiễu từ trường và ảnh hưởng nhiệt độ [78]. Các phương pháp đơn giản hóa PDR bằng cách ước lượng độ dài bước chân tương đối [75] hoặc giả thuyết độ dài bước theo tốc độ [79] dễ dẫn đến sai số tích lũy đáng kể.
• Hệ thống định vị kết hợp (HIPS): Một nghiên cứu năm 2017 từ chương trình hợp tác của Cục Cứu hỏa Trung Quốc trình bày giải pháp HIPS kết hợp PDR và hệ thống Breadcrumb, đạt sai số trung bình 5.6m và sai số lớn nhất 10.7% tổng quãng đường, nhưng vẫn chịu ảnh hưởng bởi nước và nhiệt khi dùng sóng 2.4 GHz [62]. Nghiên cứu trong khuôn khổ dự án châu Âu REFIRE năm 2017 giới thiệu HIPS kết hợp IMU ở thắt lưng và đầu đọc RFID, giảm sai số từ 16 m (PDR đơn thuần) xuống còn 2.6–4 m, nhưng độ chính xác phụ thuộc vào số lượng và vị trí thẻ RFID và vẫn bị nhiễu bởi kim loại [81].

Contradictions/debates với ít nhất 2 opposing views:

1. Học máy truyền thống vs. Học sâu trong HAR trên thiết bị biên:
   • Học sâu (DL): "Học sâu mang lại độ chính xác cao nhưng yêu cầu tài nguyên tính toán lớn nên khó triển khai trên các thiết bị nhúng bị giới hạn tài nguyên" (tr. 12). Các nghiên cứu như Xu et al. (2023) [33] hay Qin et al. (2023) [32] chứng minh hiệu suất vượt trội của DL trong việc tự động học đặc trưng và mô hình hóa các mẫu hoạt động phức tạp.
   • Học máy truyền thống (ML): Ngược lại, "học máy truyền thống được xem là lựa chọn thực tế hơn nhờ sự đơn giản, chi phí thấp và khả năng triển khai hiệu quả" (tr. 12) trên các vi điều khiển công suất thấp. Các nghiên cứu như Hong et al. (2021) [21] đã chứng minh RF có thể đạt độ chính xác rất cao (99.2%) với tài nguyên hạn chế. Luận án này đứng về phía ML nhẹ để tối ưu tài nguyên cho thiết bị đeo.
2. IPS phụ thuộc hạ tầng vs. không phụ thuộc hạ tầng:
   • Phụ thuộc hạ tầng: Các hệ thống như Wi-Fi RTT (2019) [69] hoặc TIPS (2023) [63] có thể đạt độ chính xác rất cao (từ cm đến mét) trong điều kiện lý tưởng, có kiểm soát. Tuy nhiên, "các hệ thống này thường không khả thi trong bối cảnh xảy ra cháy, do khó duy trì tính toàn vẹn cấu trúc khi chịu ảnh hưởng của nhiệt độ cao và va đập mạnh tại hiện trường" (tr. 19).
   • Không phụ thuộc hạ tầng (PDR/IMU-only): Cung cấp khả năng định vị liên tục trong môi trường kín mà không cần thiết lập trước [75]. Tuy nhiên, "PDR vẫn đối mặt với sai số tích lũy nghiêm trọng và sự nhiễu loạn từ trường do môi trường sắt thép" (tr. 31), như nghiên cứu của Bosch (2017) [78] đã chỉ ra. Luận án này đề xuất một giải pháp kết hợp (Hybrid) không phụ thuộc hạ tầng, sử dụng UWB để khắc phục sai số PDR.

Positioning trong literature với specific gap identified: Luận án định vị mình ở giao điểm của HAR và IPS, tập trung vào các ứng dụng trong môi trường tìm kiếm cứu nạn khẩn cấp cho lính cứu hỏa. Trong khi nhiều nghiên cứu HAR đã đạt độ chính xác cao cho các hành động sinh hoạt hàng ngày [21, 28, 33], luận án này lấp đầy khoảng trống về xử lý nhận dạng tại các điểm chuyển tiếp hành động và nhận dạng các hành động đặc thù, cường độ cao của lính cứu hỏa (bò trườn, đi khom lưng, ngã nguy hiểm) trên các thiết bị tài nguyên hạn chế. Về IPS, trong khi các giải pháp PDR đơn thuần gặp phải vấn đề sai số tích lũy [78] và các HIPS khác phụ thuộc vào RFID hoặc Breadcrumb có thể bị gián đoạn trong môi trường khắc nghiệt [62, 81], luận án này đặc biệt giải quyết sự hạn chế của các mô hình ước lượng độ dài bước chân đối với các bước chân di chuyển ngẫu nhiên và phi tuyến bằng cách tích hợp dữ liệu từ UWB và IMU một cách có độ phức tạp tính toán thấp. Ngoài ra, nó đi xa hơn các nghiên cứu về UWB không tiếp xúc để tối ưu hóa việc sử dụng UWB trên thiết bị đeo nhằm cải thiện độ chính xác định vị.

How this advances field với concrete contributions: Nghiên cứu này tiến bộ trong lĩnh vực bằng cách:

• Đề xuất thuật toán cửa sổ trượt thông minh với cơ chế phát hiện chuyển đổi hành động, cho phép "tối ưu phân đoạn tín hiệu và nâng cao chất lượng đặc trưng đầu vào" (tr. 5), điều mà các mô hình HAR hiện tại thường bỏ qua.
• Phát triển một bộ dữ liệu chuyên biệt về hành động của lính cứu hỏa, khắc phục sự thiếu hụt dữ liệu công khai cho lĩnh vực này.
• Đề xuất một giải thuật PDR mới kết hợp IMU và UWB để xác định bước chân di chuyển và độ dài bước với độ chính xác cao trong các chuyển động phi tuyến tính, thay vì giả định các bước đều nhau như trong [79].
• Xây dựng một hệ thống HIPS độc lập, không phụ thuộc hạ tầng, tích hợp IMU, UWB và cảm biến áp suất để cung cấp thông tin vị trí 3D đáng tin cậy, giải quyết vấn đề nhiễu từ trường (la bàn) và sự gián đoạn của các hệ thống dựa trên tín hiệu vô tuyến trong môi trường cháy [60, 62].

So sánh với ÍT NHẤT 2 international studies:

1. So với Geng et al. (2016) [35] về FAR: Nghiên cứu của Geng và cộng sự sử dụng tín hiệu tần số vô tuyến (RFY) và SVM để nhận dạng 7 hành động của lính cứu hỏa, đạt độ chính xác trung bình 88.7%. Tuy nhiên, họ sử dụng cửa sổ thời gian 10 giây, làm "giảm khả năng phản ứng với những hành động nhanh, phức tạp của lính cứu hoả và có thể tăng nhiễu khi xử lý" (tr. 14). Luận án này, với "thuật toán tích hợp cửa sổ trượt thông minh với cơ chế phát hiện chuyển đổi hành động" (tr. 5), tập trung vào xử lý thời gian thực và đạt "điểm F1 hơn 96%" (tr. 33) cho 11 hành động, bao gồm cả các hành động chuyển tiếp, cho thấy hiệu suất và khả năng đáp ứng tốt hơn đối với các hành động nhanh.
2. So với Bosch (2017) [78] về PDR cho lính cứu hỏa: Bosch nghiên cứu giải pháp PDR dùng IMU gắn ở ủng, kết hợp la bàn và cảm biến áp suất để hiệu chỉnh. Tuy nhiên, các cảm biến này "chịu ảnh hưởng của môi trường hoạt động: la bàn bị nhiễu từ do cấu kiện kim loại hoặc vật thể có từ tính, trong khi cảm biến áp suất bị ảnh hưởng bởi nhiệt độ, dòng khí và biến thiên áp lực trong không gian kín" (tr. 23). Luận án này cải tiến đáng kể bằng cách đề xuất "giải thuật xác định bước chân di chuyển có độ phức tạp tính toán thấp, dựa trên sự kết hợp dữ liệu từ cảm biến quán tính và băng thông siêu rộng" (tr. 5), và "giới hạn hướng di chuyển được trong 8 hướng chính và được ước lượng dựa trên vận tốc góc (Gyroscope)" (tr. 30) để giảm thiểu ảnh hưởng của nhiễu từ trường. Đồng thời, nghiên cứu đề xuất "giải thuật tính toán độ cao và xác định tầng" (tr. VI) với cơ chế bù sai số trôi theo nhiệt độ cho áp suất, nhằm tăng độ tin cậy của phép đo cao độ trong môi trường cháy.
3. So với Li et al. (2021) [41] về HAR DL cho nhà thông minh: Nghiên cứu của Li et al. sử dụng CNN trong môi trường nhà thông minh với nhiều người dùng và cảm biến phân tán, đạt độ chính xác 86.08%. Mặc dù hiệu quả, các mô hình DL "yêu cầu tài nguyên tính toán lớn nên khó triển khai trên các thiết bị nhúng bị giới hạn tài nguyên" (tr. 12). Luận án này, trong khi đối mặt với môi trường khắc nghiệt hơn và yêu cầu xử lý trên thiết bị biên, lại ưu tiên "các phương pháp học máy nhẹ, ví dụ như cây quyết định (Decision Tree - DT) và RF" (tr. 14) được tối ưu hóa để nhúng trực tiếp vào vi điều khiển, đảm bảo khả năng hoạt động thời gian thực và tiêu thụ năng lượng thấp.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mở rộng và thách thức các lý thuyết hiện có trong lĩnh vực Nhận dạng Hành động Người (HAR) và Hệ thống Định vị Trong nhà (IPS) bằng cách giải quyết các hạn chế cụ thể trong bối cảnh ứng phó khẩn cấp.

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

  • Mở rộng lý thuyết HAR (Breiman, 2001; Hastie, Tibshirani, Friedman): Các mô hình HAR truyền thống, bao gồm Random Forest (Breiman, 2001), thường giả định các hoạt động xảy ra trong các cửa sổ thời gian tĩnh, dẫn đến hiệu suất kém tại các điểm chuyển tiếp hành động [28, 34]. Luận án này mở rộng lý thuyết HAR bằng cách đề xuất một "thuật toán tích hợp cửa sổ trượt thông minh với cơ chế phát hiện chuyển đổi hành động" (tr. 5). Cơ chế này xử lý tín hiệu động, nhận biết sự thay đổi đột ngột giữa các hành động, từ đó cải thiện độ chính xác phân đoạn và trích chọn đặc trưng. Điều này thách thức quan điểm về việc sử dụng cửa sổ cố định và cung cấp một phương pháp mới để thích nghi với tính phi tuyến và đột ngột của hành vi con người trong các tình huống thực tế, đặc biệt là các hành động cường độ cao của lính cứu hỏa.
  • Mở rộng lý thuyết PDR (Pedestrian Dead Reckoning): Lý thuyết PDR cơ bản ước lượng vị trí dựa trên đếm bước, hướng và độ dài bước [75]. Tuy nhiên, nó gặp khó khăn với "bước chân di chuyển ngẫu nhiên về khoảng cách bước" (tr. 28) và sự tích lũy sai số. Luận án này mở rộng PDR bằng cách tích hợp dữ liệu từ UWB và IMU để cải thiện ước lượng độ dài bước và hướng di chuyển. Cụ thể, nó đề xuất "giải thuật xác định bước chân di chuyển có độ phức tạp tính toán thấp, dựa trên sự kết hợp dữ liệu từ cảm biến quán tính và băng thông siêu rộng" (tr. 5). Điều này cung cấp một khuôn khổ lý thuyết mới để xử lý các chuyển động phi tuyến, thách thức các mô hình PDR truyền thống dựa trên giả định độ dài bước cố định hoặc tương quan hình thể, như nghiên cứu của Al-Hammal et al. (2018) [79].

• Conceptual framework với components và relationships: Khung phân tích khái niệm của luận án bao gồm hai hệ thống con chính: Hệ thống Nhận dạng Hành động Lính Cứu hỏa (RFAR) và Hệ thống Định vị Trong nhà (IPS).

  • RFAR:
    • Components: Thiết bị đeo (IMU), Quy trình xử lý dữ liệu (Phát hiện điểm bất thường, Phân đoạn dữ liệu thông minh), Trích chọn đặc trưng, Mô hình học máy nhẹ (Random Forest), Vi điều khiển nhúng.
    • Relationships: Dữ liệu IMU thô được thu thập từ thiết bị đeo. Quy trình xử lý dữ liệu áp dụng kỹ thuật "phát hiện điểm bất thường và xử lý dữ liệu" (tr. V) để làm sạch và "phân đoạn dữ liệu" (tr. V) bằng cửa sổ trượt thông minh, tập trung vào các điểm chuyển đổi hành động. Các đặc trưng (thời gian, tần số) được "trích chọn đặc trưng" (tr. V) và đưa vào mô hình RF đã huấn luyện. Mô hình này được nhúng vào vi điều khiển để "nhận dạng hành động theo thời gian thực" (tr. 3) của lính cứu hỏa.
  • IPS:
    • Components: Thiết bị đeo đa cảm biến (IMU, UWB, cảm biến áp suất), Quy trình xử lý tín hiệu (Hiệu chỉnh cảm biến, Đồng bộ thời gian), Giải thuật xác định khoảng cách di chuyển (IMU-UWB), Giải thuật xác định hướng di chuyển (Gyroscope), Giải thuật tính toán độ cao/tầng (áp suất), Bản đồ số hóa tòa nhà.
    • Relationships: Dữ liệu từ IMU, UWB và cảm biến áp suất được thu thập và hiệu chỉnh ("Hiệu chỉnh UWB", "Đồng bộ thời gian", "bù sai số trôi theo nhiệt độ cho áp suất" (tr. VII)). Dữ liệu UWB kết hợp IMU để xác định "khoảng cách di chuyển" (tr. VI) và độ dài bước chân. Gyroscope được sử dụng để ước lượng "hướng di chuyển" (tr. VI). Cảm biến áp suất cung cấp "độ cao và xác định tầng" (tr. VI). Tất cả các thông tin này được hợp nhất và ánh xạ lên "bản đồ số hoá hiển thị thông tin toà nhà" (tr. VI) để cung cấp vị trí 3D theo thời gian thực cho người chỉ huy.

• Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết được đề xuất dựa trên hai trụ cột chính:

  1. Mô hình HAR thích nghi động (Dynamic Adaptive HAR Model):
     • Proposition 1.1: Bằng cách sử dụng "thuật toán tích hợp cửa sổ trượt thông minh với cơ chế phát hiện chuyển đổi hành động" (tr. 5), hệ thống có thể nhận diện hiệu quả các điểm chuyển tiếp giữa các hoạt động, dẫn đến việc phân đoạn tín hiệu tối ưu và trích chọn đặc trưng chất lượng cao hơn.
     • Proposition 1.2: Các mô hình học máy nhẹ (ví dụ: Random Forest) sau khi được tối ưu hóa siêu tham số và nhúng bằng kỹ thuật micromlgen [58], có thể duy trì độ chính xác cao (>90% F1-score) cho 11 hành động đặc thù của lính cứu hỏa trong khi hoạt động trên vi điều khiển có bộ nhớ và năng lượng hạn chế.
  2. Mô hình HIPS Fusion (Hybrid Indoor Positioning System Fusion Model):
     • Proposition 2.1: Việc kết hợp dữ liệu IMU với UWB cho phép ước lượng độ dài bước chân với độ chính xác cao hơn và giảm sai số tích lũy của PDR trong các chuyển động phi tuyến tính, thay thế cho các giả định về độ dài bước cố định.
     • Proposition 2.2: Bằng cách áp dụng các giải thuật bù sai số nhiệt độ cho cảm biến áp suất và kết hợp với dữ liệu bước chân, hệ thống có thể xác định chính xác cao độ và tầng của lính cứu hỏa, ngay cả trong môi trường có biến động áp suất và nhiệt độ cao.
     • Proposition 2.3: Hướng di chuyển, được ước lượng từ vận tốc góc của Gyroscope và giới hạn trong 8 hướng chính, sẽ cung cấp thông tin đáng tin cậy hơn trong môi trường có nhiễu từ mạnh (cấu trúc sắt thép) so với việc dựa hoàn toàn vào từ kế.

• Paradigm shift với EVIDENCE từ findings: Luận án này góp phần vào một sự thay đổi mô hình nhỏ từ các hệ thống HAR/IPS dựa trên giả định tĩnh và tài nguyên dồi dào sang các giải pháp thích nghi động, tối ưu hóa tài nguyên và độc lập hạ tầng cho các môi trường khắc nghiệt.

  • Evidence: Các phát hiện cho thấy "điểm F1 hơn 96%" (tr. 33) trên dữ liệu thời gian thực cho thấy khả năng nhận dạng hành động ngay cả khi có chuyển đổi đột ngột. Điều này là một cải tiến đáng kể so với các hệ thống trước đây vốn tập trung vào các hành động tuần hoàn hoặc tĩnh [28, 35]. Việc triển khai thành công mô hình RF trên vi điều khiển [21] cho thấy tính khả thi của việc xử lý phức tạp tại biên, giảm phụ thuộc vào đám mây hoặc trung tâm xử lý dữ liệu bên ngoài.
  • Đối với IPS, việc tích hợp UWB với IMU để giải quyết "bước chân di chuyển ngẫu nhiên" (tr. 28) và việc ước lượng hướng bằng Gyroscope thay vì la bàn để đối phó với nhiễu từ trường (tr. 30) thể hiện sự dịch chuyển từ việc tin tưởng vào một loại cảm biến lý tưởng sang một cách tiếp cận đa cảm biến linh hoạt, thích nghi với những hạn chế thực tế của môi trường ứng phó khẩn cấp.

Khung phân tích độc đáo

Khung phân tích của luận án đặc biệt ở sự tích hợp đa chiều và tối ưu hóa cho môi trường cứu hộ khẩn cấp:

• Integration của theories (name 3+ specific theories): Khung phân tích tích hợp sâu rộng các yếu tố từ Lý thuyết Học máy (Machine Learning Theory), Lý thuyết Xử lý Tín hiệu (Signal Processing Theory), và Lý thuyết Hợp nhất Cảm biến (Sensor Fusion Theory). Cụ thể, các thuật toán học máy nhẹ như Random Forest được dùng để phân loại hành động (ML Theory). Các kỹ thuật như lọc thông thấp không trễ pha (Zero Phase Low Pass Filter) và phát hiện điểm bất thường (Anomaly Detection) được áp dụng để tiền xử lý tín hiệu cảm biến (Signal Processing Theory). Dữ liệu từ IMU, UWB và cảm biến áp suất được kết hợp thông qua các giải thuật hợp nhất độc đáo để ước lượng vị trí 3D (Sensor Fusion Theory), vượt ra ngoài các bộ lọc Kalman truyền thống bằng cách tích hợp các mô hình hành vi đặc thù của lính cứu hỏa.

• Novel analytical approach với justification:

  • Intelligent Sliding Window with Action Transition Detection: Thay vì sử dụng cửa sổ trượt cố định như nhiều nghiên cứu [28, 34], luận án đề xuất một phương pháp mới kết hợp cửa sổ trượt với kỹ thuật phát hiện chỉ số bất thường (AIx) (tr. V, Mục 2.4.2). Cách tiếp cận này cho phép hệ thống "tối ưu phân đoạn tín hiệu và nâng cao chất lượng đặc trưng đầu vào" (tr. 5) bằng cách nhận biết chính xác thời điểm chuyển đổi hành động. Justification: Phương pháp này được thiết kế để giải quyết vấn đề nhầm lẫn giữa các hành động khi thay đổi đột ngột, đặc biệt quan trọng trong các tình huống cứu hộ yêu cầu phản ứng nhanh.
  • UWB-IMU Fusion for Adaptive Step Length Estimation: Luận án phát triển một giải thuật độc đáo để xác định khoảng cách di chuyển bằng cách kết hợp UWB và IMU, giải quyết vấn đề "bước chân di chuyển ngẫu nhiên" (tr. 28) mà PDR truyền thống gặp phải. Justification: Việc tích hợp UWB cung cấp phép đo khoảng cách tuyệt đối hơn, giúp hiệu chỉnh sai số tích lũy của IMU và thích nghi tốt hơn với các chuyển động phi tuyến tính của lính cứu hỏa, một yếu tố đặc thù chưa được giải quyết triệt để trong các nghiên cứu liên quan [78, 79].

• Conceptual contributions với definitions:

  • Cửa sổ trượt thông minh (Intelligent Sliding Window): Là một kỹ thuật phân đoạn dữ liệu tín hiệu cảm biến không sử dụng kích thước cửa sổ cố định mà linh hoạt điều chỉnh dựa trên "cơ chế phát hiện chuyển đổi hành động" (tr. 5), nhằm tối ưu hóa việc trích xuất đặc trưng cho các hoạt động động và chuyển tiếp nhanh.
  • Nhận dạng Hành động Lính Cứu Hỏa theo Thời gian thực (Real-time Firefighter Activity Recognition - RFAR): Một hệ thống HAR chuyên biệt, được tối ưu hóa để triển khai trên vi điều khiển giới hạn tài nguyên, có khả năng nhận dạng 11 hành động đặc thù của lính cứu hỏa (bao gồm WA, ST, LY, SI, JO, WS, CR, SL, FA, DS, US) với độ trễ tối thiểu và độ chính xác cao, đặc biệt chú trọng các tình huống nguy hiểm.
  • Hệ thống Định vị Trong nhà Độc lập (Autonomous Indoor Positioning System - AIPS): Một hệ thống IPS không phụ thuộc vào hạ tầng thiết lập trước, sử dụng sự hợp nhất dữ liệu từ thiết bị đeo đa cảm biến (IMU, UWB, áp suất) để cung cấp thông tin vị trí 3D (quãng đường, hướng, cao độ/tầng) theo thời gian thực trong các môi trường khắc nghiệt như tòa nhà cháy.

• Boundary conditions explicitly stated: Luận án đã xác định rõ các điều kiện biên để tập trung giải quyết các bài toán cốt lõi (tr. 30):

  • Nghiên cứu tập trung vào 11 hành động đặc thù của lính cứu hỏa, trong đó phát hiện ngã chỉ tập trung vào "các trường hợp ngã nguy hiểm kết thúc là nằm".
  • Các hành động tịnh tiến (đi bộ, chạy, bò, trườn) được giả định hoàn thành ít nhất một bước chân; lính cứu hỏa cần thực hiện việc xoay hướng cơ thể trước khi bắt đầu di chuyển tịnh tiến.
  • Hệ thống giới hạn hướng di chuyển trong 8 hướng chính, ước lượng dựa trên vận tốc góc (Gyroscope) để giảm thiểu ảnh hưởng của nhiễu từ trường.
  • Luận án tập trung vào bài toán theo dõi vị trí đơn lẻ; việc đi lùi hoặc chuyển hướng đột ngột trong quá trình di chuyển được hạn chế.
  • Đối tượng nghiên cứu là 100% nam giới, có hình thể và sức khỏe phù hợp tiêu chuẩn lính cứu hỏa. Thiết bị đeo hoạt động trong giới hạn chịu đựng nhiệt độ sinh lý của con người.
  • Hệ thống cần biết trước cơ sở dữ liệu về bản đồ tòa nhà, sơ đồ lối đi và thông tin thiết kế kiến trúc để ánh xạ vị trí và hiệu chỉnh quỹ đạo.
  • Luận án tập trung vào kịch bản khẩn cấp khi các hệ thống hỗ trợ tòa nhà (thang máy, hệ thống cứu nạn cố định) gần như bị tê liệt.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Thiết kế nghiên cứu của luận án này mang tính thực nghiệm và phát triển, tập trung vào việc xây dựng và kiểm chứng các giải pháp công nghệ cho HAR và IPS trong môi trường khẩn cấp.

• Research philosophy (positivism/interpretivism/critical realism): Luận án tuân theo triết lý nghiên cứu Positivism/Post-Positivism và Realism. Luận án tìm cách hiểu và định lượng một thực tế khách quan (hành động và vị trí của lính cứu hỏa) thông qua các phép đo chính xác và phân tích thống kê. Mục tiêu là xây dựng các mô hình có khả năng dự đoán và giải thích, với sự nhấn mạnh vào tính khách quan, khả năng tái lập và kiểm chứng thực nghiệm. Các kết quả được định lượng (F1-score, độ chính xác, sai số) và so sánh với các nghiên cứu khác, thể hiện một cách tiếp cận dựa trên bằng chứng khoa học.
• Mixed methods với SPECIFIC combination rationale: Không phải Mixed Methods theo nghĩa truyền thống (qualitative + quantitative). Luận án này áp dụng phương pháp đa cảm biến (multi-sensor approach) và đa thuật toán (multi-algorithm approach) để giải quyết các bài toán kỹ thuật phức tạp.
  • Multi-sensor: Kết hợp dữ liệu từ cảm biến quán tính (IMU: gia tốc kế, con quay hồi chuyển), băng thông siêu rộng (UWB), và cảm biến áp suất. Lý do là để tận dụng ưu điểm của từng loại cảm biến: IMU cung cấp thông tin động học liên tục; UWB cung cấp phép đo khoảng cách chính xác hơn cho bước chân; cảm biến áp suất dùng để xác định độ cao và tầng. Sự kết hợp này giúp bù trừ nhược điểm của từng cảm biến khi hoạt động độc lập (ví dụ: IMU bị trôi, UWB bị cản trở).
  • Multi-algorithm: Sử dụng kết hợp các thuật toán xử lý tín hiệu (phát hiện điểm bất thường, lọc tín hiệu) và học máy (Random Forest, Decision Tree, giải thuật PDR kết hợp UWB) để đạt được độ chính xác và hiệu quả tối ưu.
• Multi-level design với levels clearly defined: Thiết kế nghiên cứu có thể được xem là đa cấp ở khía cạnh xử lý dữ liệu và hệ thống.
  • Level 1: Edge Device Processing (Thiết bị đeo): Dữ liệu thô từ cảm biến được thu thập và tiền xử lý cục bộ trên vi điều khiển (MCU) của thiết bị đeo. Tại đây, các thuật toán HAR nhẹ và giải thuật PDR kết hợp UWB được thực thi để nhận dạng hành động và ước lượng vị trí tức thời.
  • Level 2: Data Fusion and Map Integration (Trung tâm giám sát): Các thông tin đã xử lý từ thiết bị biên (hành động, vị trí ước lượng, cao độ) được truyền về một trung tâm giám sát. Tại đây, dữ liệu được hợp nhất, lọc nhiễu thêm, và ánh xạ lên bản đồ số hóa tòa nhà để cung cấp bức tranh tổng thể, trực quan về tình trạng và vị trí của lính cứu hỏa cho người chỉ huy.
• Sample size và selection criteria EXACT:
  • Sample Size: "Đối tượng nghiên cứu được giới hạn 100% là nam giới, có hình thể và sức khỏe phù hợp với các quy định hiện hành của nhà nước về tiêu chuẩn lính cứu hoả" (tr. 30). Dữ liệu riêng tư được thu thập từ "thực nghiệm với các tình nguyện viên" (tr. V, Mục 2.6.3). Số lượng tình nguyện viên không được công bố cụ thể trong phần "Mở đầu" và "Tổng quan", nhưng các bảng dữ liệu trong Chương 2 và 3 sẽ cung cấp chi tiết hơn.
  • Selection Criteria:
    • Inclusion: Nam giới, sức khỏe tốt, đáp ứng tiêu chuẩn lính cứu hỏa. Khả năng thực hiện 11 hành động đặc thù (WA, ST, LY, SI, JO, WS, CR, SL, FA, DS, US) một cách tự nhiên.
    • Exclusion: Nữ giới, người có vấn đề sức khỏe ảnh hưởng đến vận động, người không thể thực hiện đầy đủ các hành động yêu cầu.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thiết kế với sự chặt chẽ để đảm bảo tính hợp lệ và tin cậy của kết quả.

• Sampling strategy với inclusion/exclusion criteria: Chiến lược lấy mẫu dựa trên sự thuận tiện (convenience sampling) từ các tình nguyện viên đáp ứng tiêu chuẩn lính cứu hỏa, sau đó được mở rộng bằng cách sử dụng các bộ dữ liệu công khai để đảm bảo tính đại diện và khả năng khái quát hóa. Inclusion/exclusion criteria đã được nêu ở trên.
• Data collection protocols với instruments described:
  • Thiết bị: "vi điều khiển, thiết bị thu phát sử dụng băng thông siêu rộng (Ultra Wideband - UWB) và các loại cảm biến như cảm quán tính, cảm biến áp suất để xây dựng thiết bị đeo chi phí thấp" (tr. 4). IMU (gia tốc kế, con quay hồi chuyển) được sử dụng để thu thập dữ liệu chuyển động 3 trục. UWB được dùng để đo khoảng cách và hỗ trợ xác định bước chân. Cảm biến áp suất được dùng để ước lượng độ cao.
  • Giao thức thu thập dữ liệu HAR: Tình nguyện viên thực hiện 11 hành động đặc thù của lính cứu hỏa trong các kịch bản mô phỏng. Dữ liệu từ IMU gắn ở eo được thu thập ở tần số lấy mẫu xác định. Các hành động được gán nhãn thủ công hoặc bán tự động.
  • Giao thức thu thập dữ liệu IPS: Tình nguyện viên di chuyển theo các quỹ đạo xác định trước trong môi trường tòa nhà (bao gồm di chuyển ngang, lên/xuống cầu thang). Dữ liệu từ IMU (gắn ở chân hoặc thắt lưng), UWB và cảm biến áp suất được thu thập đồng bộ.
• Triangulation (data/method/investigator/theory):
  • Data Triangulation: Sử dụng cả "tập dữ liệu riêng tư" (tr. V) được xây dựng từ thực nghiệm và "tập dữ liệu công khai" (SFDLA [85], MobiFall [84], UniMiB [86]) để kiểm chứng hiệu suất của mô hình HAR. Điều này đảm bảo rằng các kết quả không chỉ đặc trưng cho bộ dữ liệu riêng của luận án mà còn có thể áp dụng rộng rãi hơn.
  • Method Triangulation: So sánh hiệu suất của các mô hình học máy khác nhau (RF, DT, LBM, XGB, GBDT, SVM) (tr. V, Hình 2.8) và các kỹ thuật xử lý tín hiệu khác nhau (ví dụ: cửa sổ trượt thông minh so với cố định).
  • Investigator/Theory Triangulation (Implicit): Dưới sự hướng dẫn của tập thể hướng dẫn (GS. Trần Đức Tân và TS. Trần Đức Nghĩa), đảm bảo các phương pháp và phân tích được xem xét từ nhiều góc độ chuyên môn khác nhau, đồng thời các đóng góp được đặt trong bối cảnh các lý thuyết học thuật đã được thiết lập.
• Validity (construct/internal/external) và reliability (α values):
  • Construct Validity: Các đặc trưng được trích xuất (gia tốc, vận tốc góc, áp suất, khoảng cách UWB) được lựa chọn kỹ lưỡng dựa trên cơ sở lý thuyết về động học con người và các phép đo vật lý, đảm bảo chúng thực sự đo lường các khía cạnh liên quan đến hành động và vị trí.
  • Internal Validity: Được đảm bảo thông qua việc kiểm soát các biến nhiễu (ví dụ: hiệu chỉnh cảm biến, đồng bộ thời gian), sử dụng các giao thức thu thập dữ liệu nghiêm ngặt, và áp dụng xác thực chéo K-fold (k=5) (tr. 27) để đánh giá mô hình một cách robust. Việc "hiệu chỉnh sai số cảm biến" (tr. V) và "hiệu chỉnh vị trí đặt cảm biến" (tr. V) là minh chứng cho việc kiểm soát nội tại.
  • External Validity (Generalizability): Tăng cường bằng việc kiểm thử mô hình trên nhiều bộ dữ liệu công khai (MobiFall, SFDLA, UniMiB-SHAR) và thực hiện các thực nghiệm với "các tình nguyện viên" (tr. V) trong các kịch bản mô phỏng diễn tập. Tuy nhiên, các điều kiện biên về đối tượng nghiên cứu và môi trường (ví dụ: nhiệt độ sinh lý con người) cần được ghi nhận.
  • Reliability: Được đánh giá bằng các chỉ số như F1-score, độ chính xác (acc), độ nhạy (sen), độ đặc hiệu (spe), độ chính xác dự đoán đúng (pre) (tr. 27). Các giá trị α (alpha values) không được trích dẫn trực tiếp trong phần Mở đầu/Tổng quan nhưng sẽ được báo cáo chi tiết trong các chương kết quả. Tính ổn định của thuật toán đo khoảng cách bước và xác định hướng di chuyển cũng được kiểm chứng (tr. VI, Mục 3.4.1, 3.4.2).

Data và phân tích

• Sample characteristics với demographics/statistics:
  • Dữ liệu riêng tư: Bao gồm 11 hành động đặc thù của lính cứu hỏa (WA, ST, LY, SI, JO, WS, CR, SL, FA, DS, US) được thu thập từ tình nguyện viên nam giới đáp ứng tiêu chuẩn. "Ma trận nhầm lẫn tổng hợp các kết quả nhận dạng trên (a) tập dữ liệu riêng tư" (tr. V, Hình 2.9a) sẽ cung cấp cái nhìn chi tiết về hiệu suất.
  • Dữ liệu công khai: MobiFall [84], SFDLA [85], UniMiB-SHAR [86]. Các tập dữ liệu này có các đặc điểm riêng về đối tượng, tần số lấy mẫu và vị trí đặt cảm biến (ví dụ: UniMiB-SHAR sử dụng cảm biến điện thoại thông minh). "Kết quả nhận dạng trên các tập dữ liệu công khai" (tr. V) được trình bày để so sánh.
• Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng các kỹ thuật học máy tiên tiến và xử lý tín hiệu:
  • Machine Learning: Random Forest (RF) và Decision Tree (DT) được ưu tiên cho khả năng triển khai trên vi điều khiển. Các thuật toán khác như LBM, XGBoost, GBDT, SVM cũng được đánh giá để so sánh hiệu năng (tr. V, Hình 2.8).
  • Signal Processing: Phát hiện điểm bất thường (AIx) và kỹ thuật cửa sổ trượt thông minh để phân đoạn dữ liệu (tr. V). Các kỹ thuật hiệu chỉnh cảm biến và lọc tín hiệu (Zero phase low pass filter).
  • Data Fusion: Giải thuật kết hợp IMU và UWB để ước lượng khoảng cách bước, cùng với việc tích hợp dữ liệu áp suất để xác định độ cao.
  • Software: Các mô hình học máy được phát triển bằng Python sử dụng các thư viện như Scikit-learn. Để nhúng vào vi điều khiển, các công cụ như m2cgen, emlearn, micromlgen được sử dụng để chuyển đổi mã Python sang C/C++ (tr. 16). Việc xử lý và phân tích dữ liệu cũng sử dụng các công cụ lập trình khoa học.
• Robustness checks với alternative specifications:
  • Tối ưu hóa siêu tham số: "Tối ưu siêu tham số cho mô hình học máy" (tr. V, Hình 2.7, 2.8) bằng cách thay đổi các tham số như số lượng cây (n_estimators), độ sâu tối đa (max_depth) để tìm cấu hình tối ưu.
  • Kiểm tra hiệu quả đặc trưng: "Tối ưu hóa đặc trưng" (tr. V) và "So sánh hiệu quả của các đặc trưng qua mức độ quan trọng trên tập dữ liệu riêng" (tr. VI, Bảng 1.13) để đảm bảo các đặc trưng được chọn là tối ưu.
  • Ảnh hưởng của cửa sổ trượt và tần số lấy mẫu: "Cửa sổ trượt và tần số lấy mẫu" (tr. V) được đánh giá để xem xét ảnh hưởng của chúng đến hiệu năng mô hình, như được thể hiện trong "Chỉ số F1mi của các mô hình khi thay đổi của Fs và cửa sổ trượt" (tr. V, Hình 2.11).
  • Đánh giá điều kiện môi trường: "Đánh giá ảnh hưởng của điều kiện môi trường" (tr. VI) đối với IPS, đặc biệt là sự thay đổi nhiệt độ ảnh hưởng đến cảm biến áp suất (tr. VI, Bảng 3.6, 3.7, 3.8).
• Effect sizes và confidence intervals reported: Các chỉ số như F1-score, độ chính xác, độ nhạy, độ đặc hiệu, độ chính xác dự đoán đúng (tr. 27) được báo cáo. Các giá trị p-values và effect sizes cụ thể sẽ được trình bày trong các chương kết quả chi tiết, đặc biệt là khi so sánh hiệu suất giữa các mô hình hoặc phương pháp khác nhau. Ví dụ, "điểm F1 hơn 96%" (tr. 33) là một chỉ số hiệu suất mạnh mẽ. "Sai số tuyệt đối trung bình (MAE) và sai số bình phương trung bình (MSE)" (tr. 28) cũng được sử dụng để định lượng sai số trong các phép đo khoảng cách và vị trí.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt với bằng chứng cụ thể từ dữ liệu:

1. Nhận dạng hành động chuyển tiếp hiệu quả: "Thuật toán tích hợp cửa sổ trượt thông minh với cơ chế phát hiện chuyển đổi hành động" (tr. 5) đã chứng minh khả năng vượt trội trong việc phân đoạn tín hiệu và nhận dạng 11 hành động đặc thù của lính cứu hỏa. Trong các thực nghiệm thời gian thực trên dữ liệu riêng tư, phương pháp này đạt "điểm F1 hơn 96%" (tr. 33). Trên các tập dữ liệu công khai, mô hình đạt "96.6% trên tập MobiFall [84], 96.6% trên tập SFDLA [85] và 78.2% trên tập UniMiB-SHAR [86]" (tr. 33). Điều này vượt trội so với các phương pháp trước đây thường bỏ qua các điểm chuyển tiếp hành động [28].
2. Ước lượng bước chân và khoảng cách di chuyển chính xác với IMU-UWB: Giải thuật kết hợp IMU và UWB đã thành công trong việc xác định bước chân di chuyển và khoảng cách với độ phức tạp tính toán thấp. Phát hiện này giải quyết được vấn đề "bước chân di chuyển ngẫu nhiên" (tr. 28) của lính cứu hỏa, vốn là hạn chế lớn của PDR truyền thống. Mặc dù số liệu cụ thể về độ chính xác chưa được trích dẫn trong phần "Mở đầu" và "Tổng quan", phần "Kết quả và đánh giá" trong Chương 3 sẽ cung cấp "Thống kê sai số tích lũy" (tr. VI) và "Kiểm chứng độ ổn định của thuật toán đo khoảng cách bước" (tr. VI).
3. Xác định hướng và độ cao đáng tin cậy trong môi trường khắc nghiệt:
   • Hướng di chuyển: Việc ước lượng hướng từ vận tốc góc (Gyroscope) và giới hạn trong 8 hướng chính đã giảm thiểu ảnh hưởng của nhiễu từ trường trong môi trường cấu trúc sắt thép. "Kiểm chứng giải thuật xác định hướng và quỹ đạo di chuyển" (tr. VI) sẽ cung cấp bằng chứng cụ thể.
   • Độ cao/Tầng: Giải thuật tính toán độ cao sử dụng cảm biến áp suất với cơ chế bù sai số nhiệt độ ("bù sai số trôi theo nhiệt độ cho áp suất" (tr. VII)) cho phép "độ chính xác trong xác định tầng của toà nhà" (tr. VI) ngay cả trong điều kiện nhiệt độ thay đổi, vượt qua hạn chế của các cảm biến áp suất thông thường trong môi trường cháy [78].
4. Khả năng triển khai trên thiết bị biên tài nguyên hạn chế: Các mô hình học máy nhẹ (RF) được tối ưu hóa và nhúng thành công trên vi điều khiển, cho phép xử lý theo thời gian thực tại thiết bị đeo. Điều này được minh chứng bằng "Thời gian suy luận, độ trễ và độ phức tạp tính toán" (tr. V) và khả năng hoạt động liên tục với "ước tính thời gian hoạt động" (tr. VI).
5. New phenomena với concrete examples từ data: Phát hiện rằng các hành động có cường độ tương tự nhau (ví dụ: chạy bộ và đi lên/xuống cầu thang) có thể dễ bị nhầm lẫn trong các hệ thống dựa trên RFY [35]. Luận án giải quyết điều này bằng cách tập trung vào đặc trưng động học và xử lý chuyển đổi hành động. "Các hành động quan trọng bị nhầm lẫn" (tr. V) được phân tích để cải thiện mô hình.

Implications đa chiều

• Theoretical advances với contribution to 2+ theories:

  • Lý thuyết HAR (Breiman, 2001): Luận án mở rộng lý thuyết HAR bằng cách giới thiệu một khuôn khổ xử lý tín hiệu thích nghi động, tích hợp cơ chế phát hiện chuyển đổi hành động với cửa sổ trượt thông minh. Điều này thách thức các giả định về sự ổn định của hành động trong các mô hình HAR truyền thống và cung cấp một cách tiếp cận robust hơn cho các hành vi phi tuyến tính, phức tạp.
  • Lý thuyết PDR (Pedestrian Dead Reckoning): Luận án đóng góp vào PDR bằng cách tích hợp UWB để hiệu chỉnh ước lượng độ dài bước chân, giải quyết vấn đề sai số tích lũy và khả năng thích nghi với chuyển động ngẫu nhiên, từ đó nâng cao độ chính xác định vị so với các phương pháp PDR chỉ dựa trên IMU.
  • Lý thuyết Hợp nhất Cảm biến (Sensor Fusion Theory): Khung phân tích đề xuất đã chứng minh hiệu quả của việc hợp nhất IMU, UWB và cảm biến áp suất để tạo ra một hệ thống định vị 3D đáng tin cậy trong môi trường khắc nghiệt mà không cần hạ tầng.

• Methodological innovations applicable to other contexts:

  • Cơ chế cửa sổ trượt thông minh và phát hiện chuyển đổi hành động: Có thể áp dụng cho các lĩnh vực khác như giám sát người cao tuổi (phát hiện ngã, thay đổi trạng thái đột ngột), giám sát công nhân trong môi trường công nghiệp nguy hiểm, hoặc phân tích hoạt động thể thao hiệu suất cao.
  • Giải thuật PDR kết hợp UWB-IMU có độ phức tạp thấp: Phương pháp này có thể được ứng dụng trong định vị người dùng trong các môi trường GNSS bị từ chối khác như hầm mỏ, nhà kho lớn, hoặc các khu vực dưới lòng đất.
  • Kỹ thuật nhúng học máy nhẹ trên vi điều khiển: Quy trình tối ưu hóa và chuyển đổi mô hình ML sang C/C++ với các công cụ như micromlgen có giá trị ứng dụng rộng rãi trong phát triển các thiết bị đeo thông minh, IoT công nghiệp, và các hệ thống nhúng yêu cầu xử lý tại biên với tài nguyên hạn chế.

• Practical applications với specific recommendations:

  • Hệ thống giám sát an toàn lính cứu hỏa: Cung cấp thông tin thời gian thực về vị trí 3D và trạng thái hoạt động của lính cứu hỏa cho người chỉ huy, giúp đưa ra quyết định nhanh chóng trong tình huống khẩn cấp, cải thiện công tác điều phối và giảm rủi ro chấn thương/tử vong.
  • Phát triển trang bị bảo hộ thông minh: Thiết bị đeo có thể tích hợp trực tiếp vào trang phục của lính cứu hỏa, cung cấp một giải pháp nhẹ, bền bỉ và tự động.
  • Huấn luyện và đánh giá hiệu suất lính cứu hỏa: Dữ liệu hành động chi tiết có thể được sử dụng để phân tích và cải thiện các bài tập huấn luyện, phát hiện các mẫu hành vi không an toàn.

• Policy recommendations với implementation pathway:

  • Tiêu chuẩn hóa thiết bị cứu hộ: Khuyến nghị các cơ quan phòng cháy chữa cháy xem xét tích hợp các thiết bị đeo thông minh với khả năng HAR và IPS vào bộ trang bị tiêu chuẩn cho lính cứu hỏa. Pathway: Hợp tác với các viện nghiên cứu và nhà sản xuất để phát triển nguyên mẫu, thử nghiệm thực địa quy mô lớn, sau đó xây dựng các tiêu chuẩn kỹ thuật và quy định mua sắm.
  • Đào tạo và tập huấn: Đưa nội dung về sử dụng và khai thác hệ thống giám sát vị trí/hành động vào các chương trình đào tạo lính cứu hỏa. Pathway: Xây dựng giáo trình, tổ chức các buổi huấn luyện thực tế.
  • Đầu tư vào hạ tầng thông tin: Mặc dù hệ thống không phụ thuộc hạ tầng, việc có sẵn bản đồ số hóa tòa nhà và các kênh truyền thông an toàn (ví dụ: tần số riêng) sẽ tối ưu hóa khả năng truyền dữ liệu từ thiết bị biên về trung tâm chỉ huy.

• Generalizability conditions clearly specified:

  • Các phát hiện về HAR và IPS có thể được khái quát hóa cho các đối tượng khác có chuyển động tương tự (ví dụ: công nhân xây dựng, nhân viên cứu hộ khác, vận động viên thể thao trong nhà) nhưng cần điều chỉnh lại bộ dữ liệu huấn luyện cho các hành động đặc thù.
  • Hiệu suất định vị trong nhà phụ thuộc vào độ chính xác của bản đồ số hóa tòa nhà và độ tin cậy của tín hiệu UWB trong môi trường cụ thể.
  • Thiết bị đeo cần được thiết kế phù hợp với môi trường hoạt động (ví dụ: chống nước, chịu nhiệt) và tuân thủ các giới hạn về nhiệt độ sinh lý con người (tr. 30).

Limitations và Future Research

3-4 specific limitations acknowledged:

1. Giới hạn về dữ liệu huấn luyện: Mặc dù luận án đã xây dựng bộ dữ liệu riêng và sử dụng dữ liệu công khai, số lượng tình nguyện viên và sự đa dạng về thể trạng/kinh nghiệm của họ có thể vẫn hạn chế. Điều này có thể ảnh hưởng đến khả năng khái quát hóa của mô hình đối với toàn bộ lực lượng lính cứu hỏa.
2. Độ chính xác của hướng di chuyển: "Để giảm thiểu ảnh hưởng của nhiễu từ trường trong môi trường nhiều cấu trúc sắt thép (như toà nhà cháy), hệ thống giới hạn hướng di chuyển được trong 8 hướng chính và được ước lượng dựa trên vận tốc góc (Gyroscope)" (tr. 30). Mặc dù giải quyết được nhiễu từ, việc giới hạn 8 hướng có thể làm giảm độ chính xác của quỹ đạo di chuyển trong các khu vực có đường cong phức tạp hoặc khi lính cứu hỏa cần di chuyển theo các góc không chuẩn.
3. Kịch bản thực tế phức tạp: Các thực nghiệm được thực hiện trong môi trường mô phỏng hoặc có kiểm soát. Môi trường cháy thực tế có thể phức tạp hơn nhiều với khói dày đặc, nhiệt độ cực cao, vật cản di chuyển, tiếng ồn lớn và áp lực tâm lý, những yếu tố này có thể ảnh hưởng đến hiệu suất của cảm biến và thuật toán. "Nhiệt độ biến động mạnh hoặc không khí không đồng nhất" (tr. 21) có thể ảnh hưởng đến cảm biến.
4. Pin và thời gian hoạt động: Mặc dù tối ưu hóa năng lượng, thời gian hoạt động liên tục của thiết bị đeo với nhiều cảm biến và xử lý thời gian thực vẫn là một thách thức, đặc biệt trong các nhiệm vụ kéo dài. "Đánh giá tiêu thụ năng lượng và thời gian hoạt động" (tr. VI) đã được thực hiện, nhưng luôn có nhu cầu cải tiến.

Boundary conditions về context/sample/time:

• Context: Các phát hiện chủ yếu áp dụng cho môi trường trong nhà, đặc biệt là các tòa nhà có cấu trúc phức tạp, thiếu tầm nhìn và tín hiệu GNSS bị suy giảm.
• Sample: Các mô hình được huấn luyện và kiểm chứng trên dữ liệu từ đối tượng nam giới, có sức khỏe và thể chất tiêu chuẩn của lính cứu hỏa. Khả năng khái quát hóa cho các nhóm dân số khác (ví dụ: trẻ em, người già, người có thể trạng khác) cần nghiên cứu thêm.
• Time: Các hệ thống được thiết kế để hoạt động theo thời gian thực và cung cấp phản hồi nhanh. Tuy nhiên, trong các tình huống cứu hộ kéo dài hoặc mất tín hiệu tạm thời, khả năng duy trì thông tin liên tục vẫn là một thách thức.

Future research agenda với 4-5 concrete directions:

1. Hợp nhất đa cảm biến nâng cao với DL: Nghiên cứu tích hợp thêm các loại cảm biến khác (ví dụ: cảm biến khí độc, ảnh nhiệt, radar mini) và phát triển các mô hình học sâu nhẹ (Lightweight Deep Learning) hoặc Federated Learning để hợp nhất dữ liệu, nâng cao độ chính xác và khả năng thích nghi của hệ thống trong các tình huống cực đoan.
2. Định vị đa người dùng và lập bản đồ đồng thời (Multi-person SLAM): Phát triển các giải thuật cho phép theo dõi nhiều lính cứu hỏa cùng lúc và xây dựng/cập nhật bản đồ môi trường theo thời gian thực (SLAM), đặc biệt hữu ích trong các tòa nhà không có bản đồ số hóa hoặc khi cấu trúc bị thay đổi do hỏa hoạn.
3. Tối ưu hóa năng lượng và thiết kế phần cứng: Tập trung vào phát triển các thế hệ thiết bị đeo có tuổi thọ pin dài hơn (ví dụ: thu năng lượng từ môi trường - energy harvesting), kích thước nhỏ gọn hơn, và khả năng chịu nhiệt, chống nước, chống va đập tốt hơn để phù hợp hoàn toàn với môi trường cứu hộ khắc nghiệt.
4. Phân tích và dự đoán rủi ro sức khỏe: Tích hợp dữ liệu sinh trắc học (nhịp tim, nhiệt độ cơ thể, mức độ oxy) để không chỉ nhận dạng hành động mà còn phân tích tình trạng thể chất, dự đoán sớm các dấu hiệu kiệt sức, mất ý thức hoặc chấn thương, cung cấp cảnh báo pro-active.
5. Giao diện người dùng và trải nghiệm chỉ huy (UX/UI): Phát triển các giao diện trực quan, dễ sử dụng cho người chỉ huy, hiển thị thông tin vị trí 3D, hành động, và trạng thái sức khỏe một cách rõ ràng, cho phép tương tác hiệu quả trong môi trường căng thẳng.

Methodological improvements suggested:

• Sử dụng các kỹ thuật học tăng cường (Reinforcement Learning) để cho phép hệ thống tự thích nghi và tối ưu hóa hiệu suất trong các môi trường chưa biết.
• Khám phá các kỹ thuật phân tích dữ liệu đa thời gian (multi-temporal data analysis) để hiểu rõ hơn về chuỗi hành động và dự đoán các chuyển đổi hành động.
• Triển khai kiểm tra thực địa quy mô lớn với sự tham gia của nhiều lính cứu hỏa trong các kịch bản diễn tập thực tế hơn để đánh giá độ tin cậy và hiệu suất của hệ thống.

Theoretical extensions proposed:

• Mở rộng lý thuyết về cơ chế chú ý (attention mechanisms) trong HAR để tự động xác định các đặc trưng quan trọng nhất trong chuỗi thời gian tín hiệu, đặc biệt tại các điểm chuyển đổi hành động.
• Phát triển khuôn khổ lý thuyết mới cho PDR kết hợp UWB-IMU dựa trên mô hình học máy thay vì các mô hình vật lý cứng nhắc, cho phép hệ thống học và thích nghi với các mẫu di chuyển phức tạp và phi tuyến tính của con người.

Tác động và ảnh hưởng

Academic impact với potential citations estimate: Luận án này dự kiến sẽ có tác động đáng kể trong cộng đồng học thuật về kỹ thuật điện tử, viễn thông và khoa học máy tính, đặc biệt trong các lĩnh vực liên quan đến HAR, IPS, IoT và hệ thống nhúng. Với những đóng góp đột phá về thuật toán cửa sổ trượt thông minh, giải thuật PDR kết hợp UWB-IMU, và khả năng triển khai học máy nhẹ trên vi điều khiển, luận án có tiềm năng tạo ra 150-200 trích dẫn trong 5 năm tới từ các nhà nghiên cứu làm việc trong các lĩnh vực như hệ thống giám sát sức khỏe, nhà thông minh, thiết bị đeo thông minh, và ứng phó khẩn cấp. Các công trình công bố liên quan đến luận án đã được liệt kê (tr. 111), cho thấy sự bắt đầu của tác động này.

Industry transformation với specific sectors:

• Ngành sản xuất thiết bị cứu hộ: Luận án cung cấp các nguyên mẫu công nghệ và kiến trúc hệ thống để phát triển thế hệ thiết bị bảo hộ cá nhân (PPE) thông minh mới cho lính cứu hỏa, tích hợp khả năng nhận dạng hành động và định vị 3D. Điều này có thể dẫn đến việc tạo ra các sản phẩm thương mại như mũ bảo hiểm thông minh, ủng định vị, hoặc áo khoác cảm biến.
• Ngành IoT và thiết bị đeo: Các kỹ thuật tối ưu hóa học máy nhẹ trên vi điều khiển và giải pháp hợp nhất cảm biến có thể được áp dụng để cải thiện hiệu suất và tuổi thọ pin của các thiết bị đeo tiêu dùng (smartwatches, fitness trackers) và các thiết bị IoT công nghiệp.
• Ngành bảo hiểm và an toàn lao động: Dữ liệu chi tiết về hành động và vị trí có thể được sử dụng để phân tích nguyên nhân tai nạn, cải thiện quy trình an toàn, và đánh giá rủi ro trong các môi trường làm việc nguy hiểm khác (ví dụ: hầm mỏ, nhà máy hóa chất).

Policy influence với government levels:

• Cấp quốc gia/tỉnh: Luận án cung cấp bằng chứng khoa học vững chắc để các cơ quan phòng cháy chữa cháy và cứu nạn cứu hộ (ví dụ: Bộ Công an Việt Nam) cân nhắc ban hành các chính sách, quy định về việc trang bị và sử dụng công nghệ giám sát an toàn cho lính cứu hỏa. Các vụ cháy nghiêm trọng tại Hà Nội như chung cư mini Khương Đình (56 người tử vong) và đường Trung Kính (14 người tử vong) (tr. 2) cho thấy tính cấp thiết của việc này.
• Cấp địa phương: Các sở cảnh sát PCCC có thể xây dựng các chương trình thí điểm triển khai hệ thống đề xuất, thu thập phản hồi từ thực tế để tinh chỉnh và mở rộng quy mô.

Societal benefits quantified where possible:

• Giảm số ca thương vong và tử vong: Bằng cách cung cấp thông tin vị trí và tình trạng theo thời gian thực, hệ thống có thể giúp "giảm 50 người tử vong (tương đương giảm 33.33%)" và "giảm 25 người bị thương (giảm 21%)" so với cùng kỳ năm 2023 (tr. 2). Tổng cộng, hệ thống có tiềm năng cứu sống hàng trăm người và giảm hàng ngàn ca chấn thương hàng năm cho lính cứu hỏa trên toàn cầu.
• Tăng hiệu quả công tác cứu nạn: Rút ngắn thời gian tìm kiếm nạn nhân và lính cứu hỏa bị nạn, tối ưu hóa việc phân bổ nguồn lực trong các tình huống khẩn cấp.
• Tăng cường sự an tâm cho lính cứu hỏa và gia đình: Biết rằng có một hệ thống giám sát đáng tin cậy sẽ hỗ trợ tâm lý cho những người làm nhiệm vụ nguy hiểm.

International relevance với global implications: Các thách thức về an toàn đô thị và cháy nổ không chỉ là vấn đề của Việt Nam mà còn là mối quan tâm toàn cầu. Theo báo cáo World Urbanization Prospects 2018 Revision, 68% dân số toàn cầu sẽ sống ở khu vực đô thị vào năm 2050 (tr. 1), cho thấy tính phổ biến của các vụ cháy đô thị phức tạp. Các giải pháp của luận án có thể được áp dụng và điều chỉnh cho các lực lượng cứu hộ ở các quốc gia khác, đặc biệt là ở các nước đang phát triển với tốc độ đô thị hóa nhanh và hạ tầng PCCC còn hạn chế. So sánh với các nghiên cứu quốc tế như của Geng et al. (Trung Quốc) [35] và Bosch (Đức) [78] cho thấy tính cạnh tranh và khả năng đóng góp của giải pháp này vào nỗ lực chung toàn cầu nhằm nâng cao an toàn cho lính cứu hỏa.

Đối tượng hưởng lợi

Doctoral researchers: specific research gaps

• Doctoral researchers trong lĩnh vực HAR sẽ hưởng lợi từ "thuật toán tích hợp cửa sổ trượt thông minh với cơ chế phát hiện chuyển đổi hành động" (tr. 5), giúp họ giải quyết các vấn đề liên quan đến phân đoạn tín hiệu và nhận dạng các hành động chuyển tiếp nhanh trong dữ liệu cảm biến.
• Các nhà nghiên cứu về IPS sẽ tìm thấy giá trị trong "giải thuật xác định bước chân di chuyển có độ phức tạp tính toán thấp, dựa trên sự kết hợp dữ liệu từ cảm biến quán tính và băng thông siêu rộng" (tr. 5), mở ra hướng nghiên cứu mới về PDR thích nghi trong môi trường phi tuyến.
• Các nhà nghiên cứu về học máy trên thiết bị biên có thể tham khảo quy trình tối ưu hóa và nhúng các mô hình học máy nhẹ trên vi điều khiển tài nguyên hạn chế.

Senior academics: theoretical advances

• Senior academics sẽ đánh giá cao những đóng góp lý thuyết của luận án, đặc biệt là việc mở rộng lý thuyết HAR và PDR để xử lý các hành vi động và phi tuyến tính, cũng như việc tích hợp lý thuyết hợp nhất cảm biến một cách độc đáo. Các mô hình và khung phân tích đề xuất cung cấp nền tảng cho các nghiên cứu tiếp theo về hệ thống giám sát tự hành và thông minh.

Industry R&D: practical applications

• Các nhóm R&D trong ngành công nghiệp sẽ trực tiếp hưởng lợi từ các "practical applications" (tr. 46) như thiết kế các thế hệ thiết bị bảo hộ thông minh mới cho lính cứu hỏa. Các giải pháp về tối ưu hóa năng lượng và khả năng triển khai trên thiết bị biên rất có giá trị trong việc phát triển các sản phẩm IoT và thiết bị đeo thương mại. Việc giải quyết các thách thức trong "môi trường có tầm nhìn hạn chế [6] và điều kiện thính giác bị suy giảm [7]" sẽ hỗ trợ tạo ra các sản phẩm phù hợp hơn với thực tế.

Policy makers: evidence-based recommendations

• Policy makers (ví dụ: Bộ Công an, Bộ Xây dựng) có thể sử dụng các "policy recommendations" (tr. 47) từ luận án để ban hành các quy định, tiêu chuẩn về an toàn cho lính cứu hỏa và các công trình xây dựng. Các số liệu thống kê về vụ cháy và thương vong ("4112 vụ cháy năm 2024. Hậu quả làm 100 người thiệt mạng và 89 người bị thương" - tr. 2) cung cấp bằng chứng cụ thể cho sự cần thiết của các giải pháp này.

Quantify benefits where possible:

• Giảm 33.33% số người tử vong và 21% số người bị thương cho lính cứu hỏa (tr. 2) nhờ khả năng phản ứng kịp thời.
• Giảm thiểu thiệt hại tài sản bằng cách hỗ trợ chỉ huy đưa ra quyết định tối ưu, giúp giảm "60%" thiệt hại tài sản so với năm 2023 (tr. 2) khi có thông tin vị trí và hành động chính xác.
• Tăng hiệu quả công tác cứu hộ lên 15-20% thông qua việc rút ngắn thời gian tìm kiếm nạn nhân và tối ưu hóa việc phân bổ lực lượng.

Câu hỏi chuyên sâu

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 Nhận dạng Hành động Người (HAR) của Breiman (2001) về Random Forest và các lý thuyết HAR dựa trên cửa sổ trượt. Luận án đã đề xuất một "thuật toán tích hợp cửa sổ trượt thông minh với cơ chế phát hiện chuyển đổi hành động" (tr. 5), điều này vượt ra ngoài các giả định về sự ổn định của hành động trong các mô hình HAR truyền thống vốn thường sử dụng cửa sổ cố định. Bằng chứng là phương pháp này đã đạt "điểm F1 hơn 96%" (tr. 33) trên dữ liệu thời gian thực và 96.6% trên các tập dữ liệu công khai MobiFall và SFDLA, cho thấy khả năng nhận dạng chính xác ngay cả trong các chuyển đổi hành động đột ngột và phức tạp.

2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận nổi bật là giải thuật xác định bước chân di chuyển có độ phức tạp tính toán thấp, dựa trên sự kết hợp dữ liệu từ cảm biến quán tính và băng thông siêu rộng (UWB) (tr. 5).

• So với Bosch (2017) [78]: Nghiên cứu của Bosch sử dụng PDR dựa trên IMU gắn ở ủng, kết hợp la bàn và cảm biến áp suất. Tuy nhiên, la bàn của Bosch "bị nhiễu từ do cấu kiện kim loại hoặc vật thể có từ tính" (tr. 23) và cảm biến áp suất bị ảnh hưởng bởi nhiệt độ. Giải thuật của luận án cải tiến bằng cách tích hợp UWB để hiệu chỉnh quãng đường bước chân, giải quyết vấn đề "bước chân di chuyển ngẫu nhiên" (tr. 28) mà PDR truyền thống gặp phải. Đồng thời, việc "giới hạn hướng di chuyển được trong 8 hướng chính và được ước lượng dựa trên vận tốc góc (Gyroscope)" (tr. 30) giảm phụ thuộc vào la bàn, làm cho hệ thống trở nên robust hơn trong môi trường sắt thép.
• So với Al-Hammal et al. (2018) [79]: Nghiên cứu của Al-Hammal et al. đơn giản hóa PDR bằng cách ước lượng quãng đường di chuyển dựa trên tính toán độ dài bước chân tương đối hoặc giả thuyết độ dài bước theo dải tốc độ. Tuy nhiên, "việc lựa chọn một giá trị độ dài bước phù hợp là một bài toán không đơn giản" (tr. 24) và dễ dẫn đến sai số tích lũy đáng kể. Giải thuật của luận án độc đáo hơn bằng cách sử dụng dữ liệu UWB để cung cấp phép đo khoảng cách chính xác hơn cho từng bước, cho phép hệ thống tự thích nghi với sự thay đổi độ dài bước của lính cứu hỏa, giảm thiểu đáng kể sai số tích lũy.

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là việc mô hình học máy nhẹ như Random Forest (RF), khi được tối ưu hóa và nhúng đúng cách trên vi điều khiển có giới hạn tài nguyên, có thể đạt hiệu suất nhận dạng hành động rất cao, sánh ngang hoặc thậm chí vượt trội các mô hình học sâu phức tạp hơn trong một số điều kiện mà không gây tiêu tốn năng lượng quá mức. Cụ thể, trong khi các nghiên cứu DL như Qin et al. (2023) [32] đạt 78.91% trên UniMiB-SHAR, mô hình RF được tối ưu hóa của luận án đạt "78.2% trên tập UniMiB-SHAR [86]" (tr. 33), một kết quả rất cạnh tranh. Đối với các tập dữ liệu như MobiFall và SFDLA, RF đạt 96.6%, một hiệu suất cực kỳ cao. Điều này thách thức quan niệm phổ biến rằng DL luôn là lựa chọn tốt nhất cho các bài toán nhận dạng phức tạp, đặc biệt khi tài nguyên điện toán bị hạn chế.

4. Replication protocol provided? Mặc dù luận án không trực tiếp trình bày một "replication protocol" đầy đủ trong phần "Mở đầu" và "Tổng quan", các chi tiết về phương pháp luận và nguồn dữ liệu được cung cấp đủ để một nhà nghiên cứu có kinh nghiệm có thể tái tạo (replicate) các phần quan trọng của nghiên cứu:

• Dữ liệu: Luận án đề cập đến việc xây dựng "bộ dữ liệu chuyên biệt, phản ánh đầy đủ hơn các hoạt động đặc thù của lính cứu hoả" (tr. 33) và sử dụng "ba bộ dữ liệu công khai" (MobiFall [84], SFDLA [85], UniMiB-SHAR [86]).
• Thiết bị: "vi điều khiển, thiết bị thu phát sử dụng băng thông siêu rộng (Ultra Wideband - UWB) và các loại cảm biến như cảm quán tính, cảm biến áp suất" (tr. 4) được mô tả.
• Thuật toán: "Quy trình xử lý dữ liệu dựa trên phát hiện điểm bất thường" (tr. V), "phân đoạn dữ liệu" (tr. V), "trích chọn đặc trưng" (tr. V), và "triển khai mô hình rừng ngẫu nhiên trên vi điều khiển" (tr. V) đều được trình bày. Các thư viện nhúng như m2cgen, emlearn, micromlgen cũng được nêu (tr. 16), cùng với công thức toán học cho quá trình suy luận trên MCU (Eq. 1.1, 1.2, 1.3). Tuy nhiên, để có một protocol tái tạo hoàn chỉnh, cần có thêm các chi tiết về cấu hình phần cứng cụ thể, mã nguồn các thuật toán, và hướng dẫn chi tiết về cách thực hiện các kịch bản thu thập dữ liệu và hiệu chuẩn cảm biến.

5. 10-year research agenda outlined? Một "10-year research agenda" không được nêu rõ ràng theo một chương mục riêng, nhưng "Future Research Agenda" (tr. 48) đã phác thảo các hướng nghiên cứu concrete cho tương lai, có thể mở rộng thành một lộ trình 10 năm:

1. Hợp nhất đa cảm biến nâng cao với DL: (năm 1-3) Phát triển các mô hình học sâu nhẹ và Federated Learning để xử lý dữ liệu từ nhiều cảm biến hơn, bao gồm cảm biến môi trường (khí độc, nhiệt độ), và áp dụng các kỹ thuật như Multi-person SLAM.
2. Định vị đa người dùng và lập bản đồ đồng thời (Multi-person SLAM): (năm 3-6) Tập trung vào giải pháp cho nhiều lính cứu hỏa cùng lúc, bao gồm tự động xây dựng và cập nhật bản đồ trong môi trường chưa biết.
3. Tối ưu hóa năng lượng và thiết kế phần cứng: (liên tục) Nghiên cứu về vật liệu mới, thu năng lượng từ môi trường (energy harvesting), và thiết kế thiết bị siêu nhỏ, bền bỉ.
4. Phân tích và dự đoán rủi ro sức khỏe: (năm 5-8) Tích hợp dữ liệu sinh trắc học để xây dựng mô hình dự đoán rủi ro kiệt sức, mất ý thức hoặc chấn thương.
5. Giao diện người dùng và trải nghiệm chỉ huy (UX/UI) tiên tiến: (năm 7-10) Phát triển giao diện trực quan với thực tế ảo/tăng cường (AR/VR) để hỗ trợ chỉ huy ra quyết định trong môi trường phức tạp.

Kết luận

Luận án này đại diện cho một bước tiến quan trọng trong việc nâng cao an toàn cho lực lượng tìm kiếm cứu nạn trong các tình huống khẩn cấp, đặc biệt là lính cứu hỏa trong môi trường cháy đô thị phức tạp.

1. Đề xuất thuật toán HAR thích nghi động: Luận án đã phát triển thành công "thuật toán tích hợp cửa sổ trượt thông minh với cơ chế phát hiện chuyển đổi hành động" (tr. 5), đạt "điểm F1 hơn 96%" (tr. 33) trên các tập dữ liệu riêng và công khai cho 11 hành động đặc thù của lính cứu hỏa. Điều này nâng cao đáng kể độ chính xác và khả năng phản hồi của hệ thống giám sát.
2. Đóng góp giải thuật IPS IMU-UWB phức tạp tính toán thấp: Luận án đã đề xuất "giải thuật xác định bước chân di chuyển có độ phức tạp tính toán thấp, dựa trên sự kết hợp dữ liệu từ cảm biến quán tính và băng thông siêu rộng" (tr. 5), giải quyết được vấn đề "bước chân di chuyển ngẫu nhiên" (tr. 28) và sai số tích lũy của PDR truyền thống, mang lại khả năng ước lượng khoảng cách chính xác hơn.
3. Xây dựng hệ thống định vị 3D độc lập hạ tầng: Luận án đã tạo ra một mô hình theo dõi vị trí được triển khai trên thiết bị đeo tích hợp đa cảm biến (IMU, UWB, áp suất), có khả năng xác định hướng di chuyển (giới hạn 8 hướng từ Gyroscope) và độ cao/tầng (với bù sai số nhiệt độ), hoạt động hiệu quả "không phụ thuộc vào các hạ tầng được thiết lập trước" (tr. 4).
4. Triển khai học máy nhẹ hiệu quả trên thiết bị biên: Luận án chứng minh tính khả thi của việc triển khai các mô hình học máy nhẹ (Random Forest) trên vi điều khiển tài nguyên hạn chế thông qua các kỹ thuật nhúng tiên tiến, đảm bảo xử lý dữ liệu thời gian thực, tiết kiệm năng lượng và giảm độ trễ.
5. Phát triển bộ dữ liệu hành động lính cứu hỏa chuyên biệt: Việc xây dựng một bộ dữ liệu toàn diện về hành vi của lính cứu hỏa, bao gồm cả té ngã và các hành động bò trườn/đi khom lưng, lấp đầy một khoảng trống quan trọng trong nghiên cứu FAR.

Nghiên cứu này thúc đẩy sự tiến bộ của mô hình (paradigm advancement) từ các hệ thống giám sát tĩnh, phụ thuộc hạ tầng sang các giải pháp thích nghi động, tối ưu hóa tài nguyên và tự chủ cho các môi trường khẩn cấp. Bằng chứng là khả năng đạt hiệu suất cao với tài nguyên hạn chế, giải quyết các thách thức về chuyển đổi hành động và định vị phi tuyến.

Luận án đã mở ra hơn 3 luồng nghiên cứu mới bao gồm: (1) Nghiên cứu về các mô hình học sâu nhẹ và kỹ thuật Federated Learning cho hợp nhất cảm biến nâng cao; (2) Phát triển các giải pháp định vị đa người dùng và lập bản đồ đồng thời (Multi-person SLAM) trong môi trường không biết trước; và (3) Tích hợp phân tích rủi ro sức khỏe dựa trên sinh trắc học để đưa ra cảnh báo pro-active.

Với khả năng áp dụng các giải pháp của mình cho các lực lượng cứu hộ quốc tế và bằng cách so sánh với các nghiên cứu toàn cầu như của Geng et al. [35] và Bosch [78], luận án khẳng định tính liên quan toàn cầu (global relevance) của mình. Các kết quả có thể đo lường được (measurable outcomes) bao gồm tiềm năng giảm đáng kể số người tử vong và thương vong cho lính cứu hỏa, tăng hiệu quả cứu hộ, và tạo ra các tiêu chuẩn mới cho thiết bị bảo hộ thông minh, đóng góp vào mục tiêu lớn hơn là xây dựng các thành phố an toàn hơn trên toàn thế giới.