Hệ thống theo dõi sức khoẻ ứng dụng iot và mô hình dự đoán tình trạng bệnh nhân

Hệ thống theo dõi sức khỏe ứng dụng IoT và mô hình dự đoán tình trạng bệnh nhân LỜI CAM ĐOAN Tôi xin cam đoan luận văn về đề tài “Hệ thống theo dõi sức khỏe ứng dụng IoT và mô hình dự đ

Trang 1

ĐẠI HỌC QUỐC GIA TP HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

-

NGUYỄN VĂN ĐẠT

HỆ THỐNG THEO DÕI SỨC KHỎE ỨNG DỤNG IOT

VÀ MÔ HÌNH DỰ ĐOÁN TÌNH TRẠNG BỆNH NHÂN

Chuyên ngành : Kỹ thuật điện tử

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 01 năm 2023

Trang 2

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI

TRƯỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG – HCM

Cán bộ hướng dẫn khoa học : PGS.TS TRƯƠNG QUANG VINH…… Cán bộ chấm nhận xét 1 : TS HUỲNH HỮU THUẬN ……… Cán bộ chấm nhận xét 2 : TS NGUYỄN MINH SƠN ……… Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 09 tháng 01 năm 2023

Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:

(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ)

1 PGS.TS Hoàng Trang - Chủ tịch hội đồng

2 TS Nguyễn Lý Thiên Trường - Thư ký hội đồng

3 TS Trần Hoàng Linh - Ủy viên

4 TS Huỳnh Hữu Thuận - Cán bộ chấm phản biện 1

5 TS Nguyễn Minh Sơn - Cán bộ chấm phản biện 2

Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có)

CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA ĐIỆN-ĐIỆN TỬ

PGS TS Hoàng Trang

Trang 3

Hệ thống theo dõi sức khỏe ứng dụng IoT và mô hình dự đoán tình trạng bệnh nhân

ĐẠI HỌC QUỐC GIA TP.HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Độc lập - Tự do - Hạnh phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: NGUYỄN VĂN ĐẠT MSHV: 2070148 Ngày, tháng, năm sinh: 21/05/1992 Nơi sinh: Bến Tre Chuyên ngành: Kỹ thuật điện tử Mã số : 8520203

I TÊN ĐỀ TÀI: Hệ thống theo dõi sức khỏe ứng dụng IoT và mô hình dự đoán tình

trạng bệnh nhân (Health monitoring system using IoT and patient's condition predictive model)

II NHIỆM VỤ VÀ NỘI DUNG:

1 Nghiên cứu, xây dựng mô hình hệ thống theo dõi sức khỏe ứng dụng IoT

2 Xây dựng, lựa chọn và ứng dụng mô hình dự đoán dùng phương pháp học máy hoặc học sâu để dự đoán tình trạng sức khỏe của bệnh nhân

3 Thực nghiệm hệ thống trên phần cứng (3 mô-đun đọc số liệu) và phần mềm (dựng server, thiết kế website theo dõi thông số, tích hợp mô hình dự đoán đã huấn luyện vào hệ thống)

III NGÀY GIAO NHIỆM VỤ : (Ghi theo trong QĐ giao đề tài) 05/09/2022

IV NGÀY HOÀN THÀNH NHIỆM VỤ: (Ghi theo trong QĐ giao đề tài)

18/12/2022

V CÁN BỘ HƯỚNG DẪN : PGS.TS Trương Quang Vinh

Tp HCM, ngày tháng năm 202…

PGS TS Trương Quang Vinh

TRƯỞNG KHOA ĐIỆN - ĐIỆN TỬ

Trang 4

LỜI CẢM ƠN

Đề tài “Hệ thống theo dõi sức khỏe ứng dụng IoT và mô hình dự đoán tình trạng bệnh nhân” là nội dung tôi đã chọn và được sự chấp thuận của Bộ môn Điện tử, khoa Điện – Điện tử, Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh để thực hiện luận văn tốt nghiệp Thạc sĩ Để luận văn có thể hoàn thành như hiện tại, tôi xin gửi lời cảm ơn chân thành đến:

- Thầy PGS.TS Trương Quang Vinh đã tận tình hướng dẫn, định hướng và giúp tôi giải đáp các khó khăn, thắc mắc trong suốt hơn một học kỳ thực hiện đề tài

- Bộ môn Điện tử, khoa Điện – Điện tử, phòng Đào tạo Sau đại học trường Đại học Bách Khoa đã tạo môi trường học tập, nghiên cứu phù hợp, đã tạo điều kiện cho tôi về mặt thủ tục để có thể đăng ký và thực hiện trọn vẹn luận văn

Cuối cùng, tôi xin gửi lời cảm ơn đến quý anh chị đồng nghiệp, gia đình và bạn

bè đã tạo thêm điều kiện về thời gian, thường xuyên động viên, giúp đỡ tôi trong quá trình hoàn thành khóa học và thực hiện luận văn này

Trân trọng cảm ơn!

TP Hồ Chí Minh, ngày 02 tháng 01 năm 2023

Nguyễn Văn Đạt

Trang 5

TÓM TẮT LUẬN VĂN THẠC SĨ

Với sự phát triển mạnh mẽ của IoT và trí tuệ nhân tạo, công nghệ ngày càng giúp ích được con người trong nhiều lĩnh vực, trong đó có chăm sóc sức khỏe Luận văn tập trung nghiên cứu để đề xuất một mô hình IoT phù hợp trong ứng dụng theo dõi sức khỏe bệnh nhân, đồng thời ứng dụng trí tuệ nhân tạo để dự đoán tình trạng sức khỏe của bệnh nhân

Mô hình IoT được đề xuất sẽ sử dụng các cảm biến để đọc chỉ số sinh hiệu từ bệnh nhân, bao gồm: thân nhiệt, nhịp tim và SpO2 Số liệu được hiển thị tại chỗ, đồng thời truyền đến Server thông qua giao thức MQTT Tại Server, các số đo sẽ được lưu trữ vào cơ sở dữ liệu, hiển thị lên trang web giám sát thông qua dạng số liệu tường minh và dạng đồ thị thống kê Trang web cũng có nhiệm vụ tiếp nhận các thông tin phụ trợ của bệnh nhân như tuổi, giới tính, xác định giường bệnh đang sử dụng và các ghi chú khác

Trí tuệ nhân tạo cũng được nghiên cứu để ứng dụng vào đề tài thông qua các

mô hình dự đoán được huấn luyện bằng phương pháp máy học và học sâu Đầu vào của mô hình dự đoán là 3 thông số đã đo được từ các cảm biến, kết hợp với thông tin tuổi và giới tính của bệnh nhân Tập dữ liệu huấn luyện được tạo giả lập (do chưa tìm được nguồn dữ liệu phù hợp và chưa có chuyên gia y tế hỗ trợ gán nhãn) Đầu ra thuộc dạng phân loại tình trạng sức khỏe “bình thường” hoặc “bất thường” Ba loại

mô hình đã được xây dựng, huấn luyện và đánh giá: Mạng nơ-ron nhân tạo (ANN), Random Forest và XGBoost Kết quả mô hình Random Forest cho kết quả dự đoán tốt nhất (với độ chính xác 99.95%, đánh giá dựa vào thông số “accuracy”) Theo đó,

mô hình dùng Random Forest được lựa chọn để triển khai vào hệ thống

Để kiểm thử, sản phẩm phần cứng là 3 mô-đun thu thập số liệu đã được thi công, đồng thời trang web giám sát, cơ sở dữ liệu, mô hình dự đoán và các thành phần khác tại Server cũng đã được thiết lập để hoạt động trong môi trường mạng cục bộ Kết quả hệ thống có thể hoạt động và đáp ứng các yêu cầu đặt ra ban đầu, tuy nhiên

có tồn tại một khoảng sai số do chất lượng của các cảm biến Các kết quả được thực hiện tại phòng thí nghiệm, chưa vận hành thực tế trong môi trường bệnh viện

Trang 6

The proposed IoT model will use sensors to read vitals from the patient, including: body temperature, heart rate, and SpO2 The data is displayed locally, and transmitted to the Server through the MQTT protocol At the Server, the measurements will be stored in the database, displayed on the monitoring website through explicit data and statistical graphs The website is also responsible for receiving ancillary information of the patient such as age, gender, identification of the bed in use and other notes

Artificial intelligence is also studied for application to the topic through predictive models trained by machine learning and deep learning methods The input

to the predictive model is 3 parameters measured from the sensors, combined with the patient's age and gender information The training data set is simulated (because

no suitable data source has been found and no medical experts support labeling) The output is in the category of “normal” or “abnormal” health status Three types of models were built, trained and evaluated: Artificial Neural Networks (ANN), Random Forest and XGBoost The results of the Random Forest model give the best prediction results (with an accuracy of 99.95%, based on the "accuracy" parameter) Accordingly, the model using Random Forest was selected to deploy into the system

For testing, the hardware product of 3 data collection modules has been built, and the monitoring site, database, predictive model and other components at the Server have also been set up to operate in a local network environment As a result, the hardware can work and meet the original requirements, but there is a margin of error due to the quality of the sensors The results are made in the laboratory, not in actual operation in a hospital environment

Trang 7

LỜI CAM ĐOAN

Tôi xin cam đoan luận văn về đề tài “Hệ thống theo dõi sức khỏe ứng dụng IoT

và mô hình dự đoán tình trạng bệnh nhân” là công trình nghiên cứu cá nhân của tôi trong thời gian thực hiện luận văn thạc sĩ tại Trường Đại học Bách Khoa – ĐHQG-HCM

Mọi số liệu sử dụng phân tích trong luận văn và kết quả nghiên cứu là do tôi tự tìm hiểu, phân tích một cách khách quan, trung thực, có nguồn gốc rõ ràng và chưa được công bố dưới bất kỳ hình thức nào Các trích dẫn, tài liệu tham khảo đều được ghi rõ nguồn gốc

Tôi xin chịu hoàn toàn trách nhiệm nếu có sự không trung thực trong thông tin

sử dụng trong công trình nghiên cứu này

TP.Hồ Chí Minh, ngày 02 tháng 01 năm 2023

Nguyễn Văn Đạt

Trang 8

MỤC LỤC

NHIỆM VỤ LUẬN VĂN THẠC SĨ i

LỜI CẢM ƠN ii

TÓM TẮT LUẬN VĂN THẠC SĨ iii

LỜI CAM ĐOAN v

DANH MỤC BẢNG BIỂU ix

DANH MỤC HÌNH ẢNH xi

DANH MỤC CÁC TỪ VIẾT TẮT xiv

CHƯƠNG 1 MỞ ĐẦU 1

1.1 Giới thiệu đề tài 1

1.2 Nhiệm vụ của đề tài 2

1.3 Phạm vi của đề tài 2

CHƯƠNG 2 TỔNG QUAN 3

2.1 Tình hình nghiên cứu trong và ngoài nước 3

2.1.1 Các hệ thống IoT trong lĩnh vực theo dõi sức khỏe: 3

2.1.2 Các nghiên cứu về mô hình dự đoán trong lĩnh vực sức khỏe: 9

2.2 Những vấn đề sẽ tập trung giải quyết: 16

2.3 Các kiến thức liên quan: 16

2.3.1 Thân nhiệt: 16

2.3.2 Nhịp tim: 17

2.3.3 Chỉ số bão hòa oxy trong máu (SpO2): 18

CHƯƠNG 3 THIẾT KẾ HỆ THỐNG 20

3.1 Tổng quan hệ thống: 20

3.1.1 Sơ đồ khối hệ thống: 20

Trang 9

3.1.2 Đặc tả hệ thống: 21

3.1.3 Các thông số của hệ thống: 22

3.2 Chi tiết các thành phần của hệ thống: 23

3.2.1 Chi tiết mô-đun thu thập số liệu: 23

3.2.1.1 Sơ đồ khối mô-đun thu thập số liệu: 23

3.2.1.2 Sơ đồ kết nối mạch chi tiết của mô-đun thu thập số liệu: 23

3.2.1.3 Thi công phần cứng: 24

3.2.1.4 Lưu đồ giải thuật xử lý tại mô-đun thu thập số liệu: 24

3.2.2 Chi tiết khối Server: 25

3.2.2.1 Sơ đồ các thành phần tại Server: 26

3.2.2.2 MQTT Broker 26

3.2.2.3 Cơ sở dữ liệu 27

3.2.2.4 Trang web và web server 28

3.2.2.5 Dịch vụ xử lý tại Server: 29

3.3 Mô hình dự đoán tình trạng bệnh nhân 30

3.3.1 Vai trò của mô hình dự đoán trong hệ thống 30

3.3.2 Phương pháp thực hiện mô hình dự đoán 31

3.3.3 Tập dữ liệu 31

3.3.3.1 Nguồn gốc tập dữ liệu: 31

3.3.3.2 Phương pháp tạo tập dữ liệu: 31

3.3.3.3 Mô tả tập dữ liệu: 32

3.3.4 Huấn luyện và đánh giá kết quả mô hình dự đoán: 33

3.3.4.1 Mô hình Artificial Neural Network (ANN): 33

3.3.4.2 Mô hình Random Forest: 38

Trang 10

3.3.4.3 Mô hình XGBoost 43

3.3.5 Lựa chọn và triển khai mô hình dự đoán vào hệ thống: 50

3.3.5.1 Lựa chọn mô hình dự đoán: 50

3.3.5.2 Triển khai mô hình dự đoán vào hệ thống 50

CHƯƠNG 4 KẾT QUẢ THỰC HIỆN VÀ BÀN LUẬN 52

4.1 Kết quả thực hiện phần cứng: 52

4.2 Kết quả xây dựng phần mềm: 53

4.3 Bàn luận 55

CHƯƠNG 5 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 56

5.1 Kết luận 56

5.2 Ưu điểm 57

5.3 Khuyết điểm và tồn tại 57

5.4 Hướng phát triển 57

TÀI LIỆU THAM KHẢO 59

PHỤ LỤC 64

Phụ lục A: Mô tả linh kiện của mô-đun thu thập số liệu: 64

Phụ lục B: Chi tiết các bước triển khai mô hình dự đoán tình trạng sức khỏe bệnh nhân vào hệ thống theo dõi sức khỏe đã xây dựng: 66

Phụ lục C: Chi tiết giao diện trang web của hệ thống giám sát sức khỏe bệnh nhân 72

LÝ LỊCH TRÍCH NGANG 76

Trang 11

DANH MỤC BẢNG BIỂU

Bảng 2.1 Tóm tắt các mô hình học sâu [8] 13

Bảng 2.2 Các công cụ thông dụng để thực hiện mô hình học sâu [8] 14

Bảng 2.3 Thông số nhịp tim tương ứng với độ tuổi [31] 18

Bảng 3.1 Đặc tả hệ thống 21

Bảng 3.2 Cấu trúc trang web của hệ thống theo dõi sức khỏe bệnh nhân 28

Bảng 3.3 Thống kê nhãn trạng thái của tập dữ liệu 32

Bảng 3.4 Thông số và kết quả huấn luyện mô hình ANN 35

Bảng 3.5 Các siêu tham số huấn luyện mô hình Ramdon Forest và ý nghĩa: 38

Bảng 3.6 Các siêu tham số mặc định của mô hình Random Forest 40

Bảng 3.7 Kết quả huấn luyện mô hình Random Forest với các siêu tham số mặc định 41

Bảng 3.8 Giá trị các siêu tham số được chọn để đưa vào công cụ RandomizedSearchCV dùng cho mô hình Random Forest 42

Bảng 3.9 Kết quả chọn thông số tốt nhất sau khi áp dụng công cụ RandomizedSearchCV cho mô hình Random Forest 42

Bảng 3.10 Kết quả huấn luyện mô hình Random Forest với bộ thông số tốt nhất được đề xuất từ công cụ RandomizedSearchCV 43

Bảng 3.11 Các siêu tham số huấn luyện của mô hình XGBoost [40] 43

Bảng 3.12 Các siêu tham số mặc định trong huấn luyện mô hình XGBoost: 46

Bảng 3.13 Kết quả huấn luyện mô hình XGBoost với các siêu tham số mặc định: 47 Bảng 3.14 Giá trị các siêu tham số được chọn để đưa vào công cụ RandomizedSearchCV để dùng cho mô hình XGBoost 48

Bảng 3.15 Các thông số tối ưu sau khi áp dụng công cụ RandomizedSearchCV cho mô hình XGBoost 48

Trang 12

Bảng 3.16 Kết quả huấn luyện mô hình XGBoost với bộ thông số tối ưu từ công cụ

RandomizedSearchCV 49

Bảng 3.17 Tổng hợp độ chính xác của các mô hình đã huấn luyện 50

Bảng 3.18 Diễn giải các bước triển khai mô hình dự đoán vào hệ thống 51

Bảng 6.1 Mô tả các thành phần của mô-đun thu thập số liệu 64

Trang 13

DANH MỤC HÌNH ẢNH

Hình 2.1 Sơ đồ luồng dữ liệu để hệ thống tham khảo tìm ra một thiết bị trong nghiên

cứu của Yuri F Gomes và cộng sự [2] 4

Hình 2.2 Kịch bản truyền dữ liệu trong nghiên cứu của Yuri F Gomes và cộng sự [2] 4

Hình 2.3 Kiến trúc WSN sử dụng các nút giám sát di động [3] 6

Hình 2.4 Ý tưởng về việc thiết lập mô hình ứng dụng IoT vào lĩnh vực chăm sóc sức khỏe [6] 8

Hình 2.5 Hệ thống được đề xuất trong đề tài tham khảo [7] 10

Hình 2.6 Cấu trúc hệ thống trong nghiên cứu [7] 10

Hình 2.7 Đồ thị so sánh kết quả dự đoán của giáo sư Prof Swati Dhabarde và cộng sự [7] 11

Hình 2.8 Xu thế phát triển của phương pháp học sâu [8] 12

Hình 2.9 So sánh quy trình thực hiện dự đoán giữa phương pháp học sâu và học máy[8] 12

Hình 2.10 Nhiệt độ cơ thể trong các điều kiện khác nhau [30] 17

Hình 2.11 Đồ thị phân ly Oxygen-hemoglobin [30] 19

Hình 3.1 Sơ đồ khối toàn hệ thống 20

Hình 3.2 Sơ đồ khối mô-đun thu thập số liệu 23

Hình 3.3 Sơ đồ kết nối mạch chi tiết của mô-đun thu thập số liệu 24

Hình 3.4 Lưu đồ giải thuật tại mô-đun thu thập số liệu 25

Hình 3.5 Sơ đồ các thành phần tại Server 26

Hình 3.6 Cấu trúc bảng “tbl_thongso” 27

Hình 3.7 Cấu trúc bảng “tbl_thongtin_bn” 27

Trang 14

Hình 3.8 Cấu trúc bảng “tbl_ttgiuong” 28

Hình 3.9 Cấu trúc bảng “tbl_setup” 28

Hình 3.10 Cấu trúc bảng “tbl_last_select” 28

Hình 3.11 Hình minh họa các nhãn trạng thái trong tập dữ liệu 32

Hình 3.12 Minh họa một đoạn tập dữ liệu 33

Hình 3.13 Sơ đồ minh họa mạng ANN 33

Hình 3.14 Thông số mô hình ANN (thể hiện trên Google Colab) 34

Hình 3.15 Biểu đồ “accuracy” và “loss” của mạng ANN (trường hợp 1) 35

Hình 3.20 Biểu đồ “accucary” và “loss” của mạng ANN (trường hợp 6) 37

Hình 3.22 Ba bước huấn luyện mô hình Random Forest 40

Hình 3.23 Ba bước huấn luyện mô hình XGBoost 46

Hình 3.24 Năm bước triển khai mô hình dự đoán vào hệ thống 50

Hình 4.1 Phần cứng mô-đun đọc số liệu khi thi công 52

Hình 4.2 Hình ảnh bên trong của mô-đun thu thập số liệu sau khi đã thi công xong 53

Hình 4.3 Bên ngoài của mô-đun thu thập số liệu đã hoàn thiện 53

Hình 4.4 Giao diện trang giám sát thông số 54

Hình 6.1 Sơ đồ cấu trúc của mô hình dự đoán dạng ONNX 68

Hình 6.2 Các thông số thuộc tính của mô hình dự đoán dạng ONNX 68

Trang 15

Hình 6.3 Giao diện trang giám sát thông số và tình trạng sức khỏe bệnh nhân 72

Hình 6.4 Giao diện biểu đồ hiển thị 100 giá trị số đo thân nhiệt của bệnh nhân 73

Hình 6.5 Giao diện biểu đồ hiển thị 100 giá trị số đo nhịp tim của bệnh nhân 73

Hình 6.6 Giao diện biểu đồ hiển thị 100 giá trị số đo SpO2 của bệnh nhân 74

Hình 6.7 Giao diện biểu đồ đường hiển thị 100 giá trị cảnh báo tình trạng sức khỏe của bệnh nhân 74

Hình 6.8 Giao diện biểu đồ tròn thể hiện 100 giá trị cảnh báo tình trạng sức khỏe của bệnh nhân 74

Hình 6.9 Giao diện trang tra cứu, nhập liệu thông tin bệnh nhân 75

Hình 6.10 Giao diện trang web giới thiệu thông tin 75

Trang 16

DANH MỤC CÁC TỪ VIẾT TẮT

Từ viết tắt Nghĩa tiếng Anh Nghĩa tiếng Việt

ADC Analog-Digital Converter Mạch chuyển đổi tương tự-số

AI Artificial Intelligence Trí tuệ nhân tạo

ANN Artificial Neural Network Mạng nơ-ron nhân tạo

API Application Programming

Interface

Giao diện lập trình ứng dụng

CNN Convolutional Neural Network Mạng nơ-ron tích chập

EMR Electronic Medical Record Hồ sơ y tế điện tử

HTTP Hyper Text Transfer Protocol Giao thức truyền tải siêu văn

ISO International Organization for

Standardization

Tổ chức Quốc tế về Tiêu chuẩn hoá

Trang 17

LCD Liquid Crystal Display Màn hình tinh thể lỏng

MQTT Message Queuing Telemetry

Transport

Truyền thông từ xa dùng hàng đợi

ONNX Open Neural Network Exchange Chuyển đổi mạng nơ-ron mã

nguồn mở OSI Open Systems Interconnection

Reference Model

Mô hình tham chiếu kết nối các

hệ thống mở QoS Quality of Service Chất lượng dịch vụ

RNN Recurrent Neural Network Mạng nơ-ron hồi quy

SMS Short Message Services Dịch vụ tin nhắn ngắn

SpO2 Saturation of peripheral Oxygen Độ bão hòa ô-xi trong máu

ngoại vi SQL Structured Query Language Ngôn ngữ truy vấn có cấu trúc SSL Secure Sockets Layer Lớp cổng bảo mật

SVM Support Vector Machine Máy véc-tơ hỗ trợ

TCP/IP Transmission Control Protocol/

USB Universal Serial Bus Bus nối tiếp đa năng

WSN Wireless Sensor Network Mạng cảm biến không dây XGBOOST Extreme Gradient Boosting Giải thuật tăng cường độ dốc

cực cao

Trang 18

CHƯƠNG 1 MỞ ĐẦU 1.1 Giới thiệu đề tài

Hiện tại, các ngành khoa học đều có sự phát triển và đạt những thành tựu lớn, giúp ích cho cuộc sống con người trong mọi lĩnh vực, từ sức khỏe, y tế, giáo dục, giao thông, giải trí, Lĩnh vực kỹ thuật nói chung, điện tử và công nghệ thông tin nói riêng cũng không nằm ngoài xu thế đó Ngày càng nhiều các hệ thống, thiết bị điện tử được ứng dụng rộng rãi, thay thế dần các công việc thủ công

Xét riêng trong lĩnh vực y tế, ngành điện tử đã có những bước tiến quan trọng trong việc sản xuất thiết bị đo, các hệ thống trợ giúp y tế, hệ thống cung cấp thông tin

hỗ trợ điều trị, giúp cho công việc khám chữa bệnh diễn ra chính xác và tiện lợi hơn, quá trình theo dõi, chăm sóc sức khỏe diễn ra nhanh chóng, kịp thời hơn Ngày càng nhiều các ứng dụng từ việc phát triển của công nghệ được đưa vào phục vụ bệnh nhân

Hướng phát triển của các ứng dụng thông minh tại bệnh viện tập trung vào 3 hướng chính: một là mở rộng phạm vi cung cấp dịch vụ y tế dựa vào các ứng dụng công nghệ thông tin, bao gồm tin học hóa phần mềm quản lý, giảm thủ tục và giảm chờ đợi khám chữa bệnh cho bệnh nhân; hai là cải tiến các quy trình kỹ thuật, tối ưu hóa, tự động hóa các quy trình, hoạt động trong bệnh viện để dịch vụ trở nên thuận tiện, hiệu quả cho bệnh nhân, xây dựng nền tảng thông tin tích hợp dựa trên bệnh án điện tử (EMR); ba là ứng dụng công nghệ thông tin trong việc liên kết, hợp tác giữa bệnh viện với các đơn vị cung cấp ứng dụng [1]

Một trong những hướng ứng dụng đang được đầu tư nghiên cứu đó là hệ thống theo dõi, giám sát sức khỏe và đưa ra các chẩn đoán ban đầu về tình trạng sức khỏe của bệnh nhân Có nhiều đề tài nghiên cứu liên quan đã được thực hiện, tuy nhiên hiện tại các hệ thống theo dõi sức khỏe bệnh nhân đơn lẻ thường mang tính chất phân tán, thực hiện tại chỗ, chưa có tính kết hợp với mô hình Internet of Things (IoT) để thực hiện một nhiệm vụ theo dõi sức khỏe từ xa, đồng thời dự đoán và cảnh báo tự động khi tình trạng sức khỏe của bệnh nhân chuyển biến xấu Vì vậy, việc nghiên cứu

Trang 19

và thực nghiệm một hệ thống theo dõi sức khỏe bệnh nhân có sự kết hợp giữa việc đọc tín hiệu từ các cảm biến, truyền tín hiệu qua mô hình IoT và kết hợp mô hình dự đoán trạng thái sức khỏe là cần thiết

1.2 Nhiệm vụ của đề tài

Nhiệm vụ của đề tài “Hệ thống theo dõi sức khỏe ứng dụng IoT và mô hình dự đoán tình trạng bệnh nhân” bao gồm:

- Nghiên cứu, xây dựng mô hình hệ thống theo dõi sức khỏe ứng dụng IoT

- Xây dựng, lựa chọn và ứng dụng mô hình dự đoán dùng phương pháp học máy hoặc học sâu để dự đoán tình trạng sức khỏe của bệnh nhân

- Thực nghiệm hệ thống trên phần cứng (3 mô-đun đọc số liệu) và phần mềm (dựng server, thiết kế trang web theo dõi thông số, tích hợp mô hình dự đoán đã huấn luyện vào hệ thống)

1.3 Phạm vi của đề tài

Trong giới hạn của luận văn, đề tài “Hệ thống theo dõi sức khỏe ứng dụng IoT và

mô hình dự đoán tình trạng bệnh nhân” sẽ được thực hiện với phạm vi:

- Ứng dụng IoT ở mức độ truyền dữ liệu không dây thông qua Wifi (giao thức MQTT) từ mô-đun đọc số liệu đến Server

- Các chỉ số sinh hiệu sẽ theo dõi: giới hạn trong 3 thông số thân nhiệt, nhịp tim, SpO2

- Tập dữ liệu huấn luyện: tự tạo và tự gán nhãn, do chưa có chuyên gia trong lĩnh vực y tế để cung cấp dữ liệu và gán nhãn Mỗi bản ghi dữ liệu bao gồm 5 thông số: giới tính, tuổi, thân nhiệt, nhịp tim, SpO2

- Mô hình dự đoán tình trạng sức khỏe: thực hiện mô hình phân loại, với 2 nhãn đầu ra: “bình thường”, “bất thường” Chọn mô hình trong nhóm học có giám sát (để có thể đánh giá chất lượng mô hình dựa trên nhãn đã gán)

Kết quả của sản phẩm sẽ thi công dùng để minh chứng khả năng hoạt động của hệ thống đã thiết kế và thực nghiệm khả năng triển khai mô hình dự đoán đã huấn luyện vào một hệ thống thời gian thực

Trang 20

CHƯƠNG 2 TỔNG QUAN 2.1 Tình hình nghiên cứu trong và ngoài nước

2.1.1 Các hệ thống IoT trong lĩnh vực theo dõi sức khỏe:

* Nội dung nghiên cứu của bài báo “Integrating MQTT and ISO/IEEE 11073 for health information sharing in the Internet of Things” của Yuri F Gomes (Phòng thí nghiệm hệ thống nhúng và điện toán phổ quát, Đại học Liên bang Campina Grande, Brazil) và cộng sự, đăng trên tạp chí “IEEE International Conference on Consumer Electronics” năm 2015:

Nhóm tác giả đề xuất mô hình sử dụng Internet of Things (IoT) để kết nối các thiết bị theo dõi sức khỏe với nhau, từ đó có thể chia sẻ các thông tin sức khỏe cá nhân với bác sĩ và các dịch vụ chăm sóc sức khỏe thông qua thiết bị sức khỏe cá nhân, các thiết bị điện tử dân dụng và mạng internet

Một kiến trúc mới để các thiết bị theo dõi sức khỏe chia sẻ thông tin với nhau,

đó là sử dụng các gói tin ISO/IEEE 11073 thông qua giao thức MQTT (Message Queue Telemetry Transport), có sử dụng MQTT Broker Hướng tiếp cận này có thể tận dụng được các ưu thế của giao thức MQTT như cho phép tự động tìm ra những thiết bị dùng ISO/IEEE 11073, từ đó có thể kết nối những thiết bị sức khỏe cá nhân như điện thoại thông minh, TV và các thiết bị điện tử dân dụng khác

Nhóm tác giả đã nêu ra những đặc tính cơ bản của giao thức MQTT như: là một giao thức mã nguồn mở của IBM; thuộc tầng ứng dụng của mô hình OSI; sử dụng nền tảng TCP; cung cấp tính tin cậy và bảo mật thông qua SSL (Secure Socket Layer)

Để có thể trao đổi thông tin với nhau, các thiết bị sử dụng MQTT phải thông qua một máy chủ môi giới, gọi là “broker” Giao thức này dựa trên mô hình “xuất bản/đăng ký” (publisher/subscriber) Tồn tại ba mức độ tin cậy cho việc truyền dữ liệu (QoS: Quality of service)

- QoS 0: Broker/client sẽ gửi dữ liệu đúng một lần, quá trình gửi được xác nhận bởi chỉ giao thức TCP/IP

Trang 21

- QoS 1: Broker/client sẽ gửi dữ liệu với tín hiệu phản hồi ACK Nếu ACK bị thiếu, dữ liệu sẽ được gửi lại

- QoS 2: Broker/client đảm bảo khi gửi dữ liệu thì phía nhận chỉ nhận được đúng một lần, quá trình này phải trải qua 4 bước bắt tay

Nhóm tác giả trình bày sơ đồ luồng dữ liệu để hệ thống tìm ra một thiết bị sức khỏe mới trong hình 2.1:

Hình 2.1 Sơ đồ luồng dữ liệu để hệ thống tham khảo tìm ra một thiết bị trong

nghiên cứu của Yuri F Gomes và cộng sự [2]

Đồng thời, kịch bản truyền dữ liệu cũng được triển khai như hình 2.2:

Hình 2.2 Kịch bản truyền dữ liệu trong nghiên cứu của Yuri F Gomes và cộng sự

[2]

Nhóm tác giả sử dụng thư viện Antidote để tạo một “MQTT plugin” cùng với thư viện Mosquitto để tạo máy chủ môi giới Sau khi thử gửi dữ liệu ở mức QoS thấp

Trang 22

nhất (QoS 0), và mức cao nhất (QoS 2), kết quả tổng số gói tin được trao đổi đều tăng thêm từ 15% đến 50% khi so sánh với kết nối TCP cơ bản Đồng thời, nhóm tác giả còn nhận định thêm về khả năng tự tìm kiếm thiết bị MQTT trong mạng, khả năng chia sẻ thông tin giữa các thiết bị MQTT của bệnh viện và các thiết bị điện tử gia đình; tính bảo mật thông tin bệnh nhân khi MQTT có cung cấp tùy chọn dùng mã hóa SSL [2]

Với nghiên cứu này, có thể nhận định rằng MQTT là một giao thức có nhiều

ưu điểm trong việc truyền các số liệu về sức khỏe trong mô hình IoT

* Nghiên cứu về “Hệ thống giám sát, chăm sóc tại nhà dựa trên mạng cảm biến không dây” trong bài báo có tựa đề “WiSPH: A Wireless Sensor Network-Based Home Care Monitoring System” của tác giả Pedro Magaña-Espinoza (khoa Viễn thông, Đại học Colima, Mexico) và cộng sự, đăng trên tạp chí mdpi.com năm 2014 [3]:

Nội dung bài báo Bài báo này trình bày một hệ thống dựa trên công nghệ WSN (mạng cảm biến không dây: Wireless Sensor Network) có khả năng giám sát nhịp tim

và tốc độ chuyển động của người cao tuổi trong nhà của họ Hệ thống có khả năng cảnh báo từ xa cho các chuyên gia, người chăm sóc hoặc thành viên gia đình thông qua điện thoại thông minh nhanh chóng thay đổi sinh lý do té ngã, nhịp tim nhanh hoặc nhịp tim chậm Kiến trúc WSN được đề xuất là linh hoạt, cho phép khả năng

mở rộng lớn hơn để cho phép tốt hơn giám sát dựa trên sự kiện Kiến trúc cũng cung cấp các cơ chế bảo mật để đảm bảo rằng dữ liệu được giám sát và/hoặc lưu trữ chỉ có thể được truy cập bởi các cá nhân hoặc thiết bị được ủy quyền Các đặc điểm nói trên cung cấp tính linh hoạt và độ vững chắc của mạng cần thiết cho mục đích sử dụng trong các ứng dụng y tế

Liên quan đến ứng dụng IoT vào lĩnh vực chăm sóc sức khỏe, nhóm tác giả đề xuất kiến trúc “nút giám sát di động” Kiến trúc này được trình bày trong hình 2.3 Nút giám sát di động bao gồm một bộ vi điều khiển LCP2148 ARM7, một bộ phát

vô tuyến dùng chuẩn 802.15.4 (wireless) và môt bộ phát vô tuyến dùng chuẩn

Trang 23

Hình 2.3 Kiến trúc WSN sử dụng các nút giám sát di động [3]

802.15.1 (bluetooth), khối cấp nguồn và một cặp cảm biến (cảm biến gia tốc và nhịp tim) Nút được lập trình để liên tục theo dõi các giá trị của cảm biến nhịp tim và gia tốc kế để phát hiện các giá trị bất thường để phát hiện ra một sự kiện có thể ảnh hưởng đến sự an toàn của người dùng (ví dụ té ngã hoặc nhịp tim bất thường)

Để phát hiện những bất thường về nhịp tim của người dùng, ngưỡng theo dõi được thiết lập dựa trên phép đo nhịp mỗi phút (BPM) Một bất thường về nhịp tim phổ biến là nhịp tim chậm, đó là thấp hơn 60 BPM đối với những người đang nghỉ ngơi, mặc dù tình trạng này có thể thay đổi theo độ tuổi và thói quen hàng ngày của mỗi cá nhân Đặc biệt, người lớn tuổi bị nhịp tim chậm nếu giá trị của họ giảm xuống dưới 50 BPM vì tim yếu đi và nhịp tim chậm lại khi con người già đi [4]

Một rối loạn nhịp tim phổ biến khác là nhịp tim nhanh Người lớn bị nhịp tim nhanh có hơn 100 bpm [5] Cũng như nhịp tim chậm, một loạt các thói quen và tuổi tác ảnh hưởng đến các giá trị; tuy nhiên, những yếu tố này không cần nghiên cứu sâu Dựa trên các nghiên cứu khác, các giới hạn chấp nhận được đối với nhịp tim nhanh

và nhịp tim chậm được đặt ở mức tương ứng là 100 BPM và 60 BPM Bất kỳ giá trị nào ở trên hoặc dưới giới hạn đã thiết lập sẽ kích hoạt báo động

Giao diện giám sát và cảnh báo từ xa: Hệ thống web giám sát bao gồm một ứng dụng giao diện người dùng liên tục phân tích mọi dữ liệu mới được gửi đến máy chủ cơ sở dữ liệu Trong thời gian thực, có thể hiển thị nhịp tim của người dùng, trạng

Trang 24

thái có thể té ngã và trạng thái té ngã thật sự, đồng thời có thể gửi thông báo cho người chăm sóc trong trường hợp khẩn cấp

Kết quả thực nghiệm của nghiên cứu: phát hiện được té ngã với tỉ lệ các trường hợp xảy ra lỗi (phát hiện sai) là 2.5%, nút di động gửi thông báo về hệ thống giám sát với tuần suất 2 lần/giây, gửi được cảnh báo đến điện thoại của người chăm sóc, phát hiện được nhịp tim cao hoặc thấp và hiển thị thông số trên website giám sát; xác suất

dữ liệu bị mất mát trên mạng thấp (chỉ 1.83%) [3]

Với nghiên cứu này, có thể thấy việc truyền dữ liệu đo đạc thông số sức khỏe qua mạng cảm biến không dây có nhiều ưu điểm, đồng thời chức năng giám sát sức khỏe từ xa qua internet mang lại nhiều tiện ích cho người dùng

* Nghiên cứu về các ứng dụng của IoT trong lĩnh vực chăm sóc sức khỏe trong bài báo có tên “The Internet of Things for Healthcare: Applications, Selected Cases and Challenges” của tác giả Rehab A Rayan (Khoa Dịch tễ học, Viện Y tế Công cộng Cấp cao, Đại học Alexandria, Alexandria, Ai Cập) và cộng sự, xuất bản năm 2021:

Quá trình hình thành và phát triển của internet vạn vật (IoT) được nhóm tác giả đề cập, qua đó thấy được xu thế của việc ứng dụng IoT ngày càng gia tăng nhanh chóng

Xét riêng IoT trong lĩnh vực sức khỏe, nhóm tác giả nhận định đây là một mảng ứng dụng “cao quý” của IoT Thông qua IoT, các y bác sĩ có thể cứu giúp bệnh nhân thông qua internet, xóa đi rào cản về khoảng cách địa lý IoT cho phép các bác sĩ có thể tiếp cận từ xa từng bệnh nhân, phân tích tình trạng sức khỏe, xác định triệu chứng của người bệnh gần như với thời gian thực Với xu thế phát triển dữ liệu lớn (big data), IoT kết hợp cùng với trí tuệ nhân tạo (AI) có thể làm tăng hiệu quả và tốc độ trong việc xử lý dữ liệu, ra quyết định chẩn đoán

Nhóm tác giả đề xuất một ý tưởng về việc thiết lập mô hình ứng dụng IoT vào lĩnh vực chăm sóc sức khỏe, được trình bày trong hình 2.4

Về ứng dụng của IoT trong lĩnh vực chăm sóc sức khỏe: tác giả nhận định IoT

Trang 25

Hình 2.4 Ý tưởng về việc thiết lập mô hình ứng dụng IoT vào lĩnh vực chăm sóc

- Thu thập dữ liệu (thông qua các cảm biến, các máy dò, camera,…)

- Chuyển đổi dữ liệu: dữ liệu đầu vào được chuyển đổi tương tự - số để chuẩn bị cho quá trình xử lý tiếp theo

- Lưu trữ dữ liệu: dữ liệu sau khi được thu thập và chuyển đổi, cần được lưu trữ, với

xu thế hiện nay là lưu trữ đám mây

- Xử lý dữ liệu: dùng các dữ liệu thu thập được, chuyển đổi thành các giá trị có nghĩa

có quá trỉnh ra quyết định

Trang 26

Nhĩm tác giả cũng nêu ra 3 thách thức đối với việc ứng dụng IoT trong lĩnh vực chăm sĩc sức khỏe, đĩ là:

- Thách thức về kỹ thuật (hạ tầng mạng, quá trình kết hợp dữ liệu từ nhiều nguồn, nhiều loại thiết bị thu thập dữ liệu với quy ước khác nhau)

- Thách thức liên quan chi phí (bao gồm các chi phí trực tiếp và gián tiếp)

- Thách thức về đạo đức (tính bảo mật về mặt lưu trữ, chia sẻ thơng tin) [6] Qua nghiên cứu này, phần nào làm rõ tiềm năng, các lợi ích và ý tưởng thiết kế

hệ thống chăm sĩc sức khỏe ứng dụng IoT, đồng thời cũng nhìn nhận các thách thức đối với hướng phát triển này

2.1.2 Các nghiên cứu về mơ hình dự đốn trong lĩnh vực sức khỏe:

Các mơ hình dự đốn đã được nghiên cứu để giải quyết nhiều bài tốn trong lĩnh vực sức khỏe Một số đề tài đã tìm hiểu:

* Nghiên cứu “Dự đốn bệnh sử dụng giải thuật máy học” được trình bày trong bài báo cĩ tên “Disease prediction using machine learning algorithms” của giáo

sư Swati Dhabarde (Khoa Khoa học Máy tính và Kỹ thuật, Đại học Kỹ thuật Priyadarshini, Nagpur, Ấn Độ) và các cộng sự, được đăng tải trên tạp chí

“International Research Journal of Modernization in Engineering Technology and Science” năm 2022 [7]:

Nhĩm tác giả phát triển một hệ thống khuyến nghị y tế dựa trên các thuật tốn máy học để đưa ra chẩn đốn chính xác hơn một hệ thống thơng thường Cĩ nhiều thuật tốn được đề xuất sử dụng trong đề tài nghiên cứu như Logistic Regression, Decision Tree, Nạve Bayes, SVM, Random Forest, áp dụng với cả dữ liệu cĩ cấu trúc và dữ liệu chưa định hình Hệ thống được nhĩm tác giả đề xuất thể hiện trong hình 2.5

Tập dữ liệu được sử dụng cĩ hơn 230 điều kiện cho việc lựa chọn sử dụng Dựa trên các triệu chứng, tuổi tác và giới tính của một cá nhân, hệ thống ý kiến về bệnh mà bệnh nhân cĩ thể đang mắc

Cấu trúc của hệ thống được trình bày trong hình 2.6

Trang 27

Hình 2.5 Hệ thống được đề xuất trong đề tài tham khảo [7]

Hình 2.6 Cấu trúc hệ thống trong nghiên cứu [7]

Kết quả dự đoán của hệ thống có thể đạt độ chính xác cao nhất lên đến 93.24% Đồ thị so sánh độ chính xác giữa các thuật toán được thể hiện trong hình 2.7

Như vậy, từ việc tham khảo nghiên cứu này, có thể thấy tùy vào việc lựa chọn

và sử dụng tập dữ liệu để đưa vào mô hình, cũng như việc lựa chọn thuật toán cho

mô hình sẽ quyết định độ chính xác cho đầu ra dự đoán

Trang 28

Hình 2.7 Đồ thị so sánh kết quả dự đoán của giáo sư Prof Swati Dhabarde và cộng

sự [7]

* Đề tài nghiên cứu về phân tích dự đoán trong lĩnh vực chăm sóc sức khỏe dùng phương pháp học sâu được trình bày trong bài báo có tên “Deep Learning for Predictive Analytics in Healthcare” của tác giả Anandhavalli Muniasamy (Khoa Khoa học máy tính, trường Đại học King Khalid, Abha, Vương Quốc Ả Rập) cùng các cộng sự, công bố lần đầu năm 2019, do nhà xuất bản Springer Nature của Thụy Sỹ xuất bản năm 2020 [8]:

Bài báo tập trung vào khuôn khổ phân tích dữ liệu dùng phương pháp học sâu

để ra các quyết định lâm sàng nhằm mô tả nghiên cứu về các kỹ thuật và công cụ học sâu khác nhau trong thực tế, cũng như các ứng dụng của học sâu trong chăm sóc sức khỏe Xu thế phát triển của phương pháp học sâu được nhóm tác giả trình hày trong hình 2.8

Có thể thấy, việc sử dụng phương pháp học sâu trong lĩnh vực chăm sóc sức khỏe đang tăng rất nhanh trong các năm gần đây, số lượng nguồn dữ liệu và ứng dụng cũng đa dạng

Nhóm tác giả đã chỉ ra điểm khác biệt giữa trong cách thức dự đoán giữa giải phương pháp học sâu và phương pháp máy học (Hình 2.9) Từ đây có thể hình dung các thuật toán dùng phương pháp học sâu có sự đơn giản hơn trong luồng xử lý so với phương pháp máy học truyền thống

Trang 29

Hình 2.8 Xu thế phát triển của phương pháp học sâu [8]

Hình 2.9 So sánh quy trình thực hiện dự đoán giữa phương pháp học sâu và học

máy[8]

Một bảng tóm tắt các mô hình học sâu được nhóm tác giả đưa ra, kèm theo ứng dụng trong lĩnh vực chăm sóc sức khỏe của từng loại mô hình, những thuận lợi và giới hạn của mỗi loại mô hình:

Trang 30

Phát hiện nhồi máu

cơ tim [10], X-quang

xử lý ngôn ngữ tự nhiên

Cần bộ dữ liệu lớn

Có nhiều vấn đề do hiện tượng “gradient vanishing”

Quá trình khởi tạo làm cho quá trình huấn luyện phát sinh nhiều về mặt tính toán

DNN Nhận dạng âm thanh

tim [16], Điện tâm đồ

[17]

Được sử dụng rộng rãi với độ chính xác cao

Quá trình huấn luyện không hề đơn giản vì lỗi được lan truyền ngược lại các lớp trước đó và trở nên rất

Trang 31

Khó học cách tạo dữ liệu rời rạc, như văn bản và rất khó đào tạo

Ở phần các công cụ để thực hiện mô hình học sâu, nhóm tác giả đã giới thiệu 10 công

MXNet [22] Thư viện phần mềm mã nguồn mở để tính toán số sử dụng biểu

đồ luồng dữ liệu và hỗ trợ kiến trúc DL CNN và RNN Caffe [23] Giao diện lập trình hỗ trợ đa nền tảng C ++, Matlab và Python

Theano Cung cấp các khả năng như API tượng trưng hỗ trợ kiểm soát

vòng lặp (quét), giúp triển khai RNN dễ dàng và hiệu quả Keras Thư viện học sâu dựa trên Theano

ConvNet [24] Bộ công cụ mạng thần kinh tích chập dựa trên Matlab

Trang 32

[26]

H20.ai [27]

Mã nguồn mở được các công ty chăm sóc sức khỏe hàng đầu sử dụng để cung cấp các giải pháp AI có giá trị thay đổi ngành công nghiệp này

* Bài báo: Dự đoán tải bệnh nhân dựa trên máy học và hệ thống chuyển bệnh nhân thông minh tích hợp IoT (Machine Learning-Based Patient Load Prediction and IoT Integrated Intelligent Patient Transfer Systems) [28]:

Trọng tâm của bài báo mô hình dự đoán tải bệnh nhân nhựa trên máy học, để giải quyết bài toán lượng bệnh nhân phân bổ không đồng đều giữa các cơ sở y tế, dẫn đến tình trạng quá tải ở cơ sở này, nhưng lại không đủ tải ở cơ sở khác Hệ thống sử dụng đầu vào là dữ liệu tải bệnh nhân tại thời điểm hiện tại và lịch sử khám bệnh của các bệnh nhân, từ đó đưa ra đầu ra là cơ sở y tế lân cận đang có tải lượng bệnh nhân

ít hơn để bệnh nhân có thể lựa chọn Đồng thời, việc chỉ định bệnh nhân đi đến cơ sở

y tế khác cũng liên quan trực tiếp đến phương tiện đi lại Để giải quyết vấn đề đó, hệ thống mạng IoT để theo dõi và cung cấp vị trí của các xe buýt, chuyển thông tin đến bệnh nhân thông qua tin nhắn SMS hoặc ứng dụng web

Nhóm tác giả đề xuất 2 phương án cho việc xây dựng hệ thống dự đoán tại lượng bệnh nhân, đó là phương án dữ liệu tập trung và phương án dữ liệu phi tập trung

Với phương án dữ liệu tập trung, các dữ liệu liên quan đến bệnh nhân được lưu trữ chung trong một kho dữ liệu trung tâm, theo định dạng được chuẩn hóa chung

Ở phương án này, tác giả trình bày 4 giai đoạn: giai đoạn thu thập dữ liệu, giai đoạn đào tạo, giai đoạn tính toán dự đoán, giai đoạn đào tạo trực tuyến

Với phương án dữ liệu phi tập trung, các dữ liệu liên quan đến bệnh nhân được lưu trữ riêng lẻ tại từng cơ sở y tế Các dữ liệu của cá nhân từng bệnh nhân chỉ được chia sẻ khi có yêu cầu từ hệ thống Ở phương án này, tác giả trình bày 2 giai đoạn: giai đoạn thu thập dữ liệu và giai đoạn đào tạo Cả 2 phương án đều sử dụng mạng CNN để dự đoán Phân hệ theo dõi vị trí của hệ thống xe buýt dùng giao thức MQTT

Trang 33

2.2 Những vấn đề sẽ tập trung giải quyết:

Đề tài sẽ tập trung giải quyết các vấn đề sau:

- Tìm hiểu các kiến thức liên quan về chỉ số sinh hiệu của cơ thể người (thân nhiệt, nhịp tim, SpO2), các hệ thống hỗ trợ bệnh nhân đã có trên thị trường

- Xây dựng hệ thống IoT bao gồm phần cứng và phần mềm để đọc giá trị chỉ số sinh hiệu của cơ thể người (thân nhiệt, nhịp tim, SpO2) từ các cảm biến, hiển thị giá trị tại chỗ, truyền giá trị đo được lên server, lưu trữ giá trị cảm biến vào

cơ sở dữ liệu và hiển thị cho người dùng từ xa thông qua website

- Tích hợp vào website một trang quản lý thông tin bệnh nhân cơ bản (bao gồm việc tạo, lưu trữ, tìm kiếm thông tin về họ tên, tuổi, giới tính, mã giường bệnh của bệnh nhân)

- Xây dựng mô hình dự đoán tình trạng bệnh nhân, đầu vào là các giá trị cảm biến đọc ra từ cơ sở dữ liệu, đầu ra là trạng thái sức khỏe của bệnh nhân Đánh giá hiệu quả dự đoán của mô hình

- Tích hợp mô hình dự đoán tình trạng bệnh nhân vào hệ thống để thực hiện hành động dự đoán tình trạng sức khỏe của bệnh nhân theo thời gian thực, từ đó đưa

ra các cảnh báo tại chỗ và từ xa về tình trạng sức khỏe của bệnh nhân

- Nhìn nhận và đánh giá kết quả đạt được, đưa ra hướng phát triển

2.3 Các kiến thức liên quan:

độ môi trường [29]

- Thân nhiệt ngoại vi: đo ở da, thay đổi theo nhiệt độ môi trường xung quanh Điều hòa thân nhiệt: gọi tắt là điều nhiệt, là một hoạt động có tác dụng giữ cho

Trang 34

thân nhiệt dao động ở một khoảng rất hẹp, trong khi nhiệt độ môi trường sống thay đổi Vì vận tốc các phản ứng hóa học trong cơ thể, và sự hoạt động tối ưu của hệ thống enzym tùy thuộc vào thân nhiệt, nên muốn cơ thể hoạt động bình thường thì thân nhiệt phải được giữ ổn định Có thể coi điều nhiệt là một hoạt động nhằm đảm bảo hằng tính nội môi [29]

Thân nhiệt bình thường và các yếu tố ảnh hưởng đến thân nhiệt bình thường:

- Bình thường thân nhiệt cơ thể dao động trong khoảng 36.3oC đến 37.1oC, nhiệt

độ ở hậu môn biểu hiện thân nhiệt đúng nhất, nhiệt độ ở miệng thường thấp hơn nhiệt độ trực tràng khoảng 0.2 đến 0.5oC, nhiệt độ ở nách thấp hơn trực tràng 0.5 đến 1oC, nhiệt độ ở da chịu ảnh hưởng của nhiệt độ môi trường nhiều hơn

và thay đổi theo vị trí đo, ở trán khoảng 36.5oC [29]

- Khi cơ thể có biểu hiện sốt, thân nhiệt sẽ tăng cao hơn mức bình thường

Hình 2.10 Nhiệt độ cơ thể trong các điều kiện khác nhau [30]

2.3.2 Nhịp tim:

Những cơ chế đặc biệt trong tim gây ra một chuỗi liên tục duy trì co bóp tim hay được gọi là nhịp tim, truyền điện thế hoạt động khắp cơ tim để tạo ra nhịp đập của tim [31]

Nhịp tim chuẩn có thể khác nhau ở mỗi người, tùy thuộc vào độ tuổi, thể trạng, giới tính, Đối với người từ 18 tuổi trở lên, nhịp tim bình thường trong lúc nghỉ ngơi dao

Trang 35

động trong khoảng từ 60 đến 100 nhịp mỗi phút Thông thường, người có thể trạng càng khỏe mạnh, thì nhịp tim càng thấp Đối với những vận động viên chuyên nghiệp, khi ở chế độ nghỉ ngơi, nhịp tim trung bình của họ chỉ khoảng 40 nhịp một phút Ví

dụ như vận động viên đua xe đạp Lance Armstrong - huyền thoại của làng thể thao thế giới, tim của anh chỉ đập khoảng 32 nhịp mỗi phút [31]

Theo nghiên cứu của Cơ quan y tế quốc gia tại Vương quốc Anh, dưới đây là bảng tiêu chuẩn nhịp tim lý tưởng theo từng độ tuổi:

Bảng 2.3 Thông số nhịp tim tương ứng với độ tuổi [31]

Nhịp tim chuẩn là nhịp tim được đo lúc cơ thể đang nghỉ ngơi hoàn toàn

2.3.3 Chỉ số bão hòa oxy trong máu (SpO 2 ):

SpO2 là viết tắt của cụm từ Saturation of peripheral oxygen - độ bão hòa oxy trong máu ngoại vi Hiểu một cách khác, SpO2 là tỷ lệ hemoglobin oxy hóa (hemoglobin có chứa oxy) so với tổng lượng hemoglobin trong máu Hemoglobin là một protein được tìm thấy trong các tế bào hồng cầu, quyết định màu đỏ của hồng cầu

Chỉ số SpO2 có thể được đo bằng phép đo xung - một phương pháp gián tiếp, không xâm lấn (không đưa các dụng cụ vào trong cơ thể) Nó hoạt động bằng cách phát ra và tự hấp thu một làn sóng ánh sáng đi qua các mạch máu hoặc mao mạch trong đầu ngón tay, đầu ngón chân hoặc dái tai Sự thay đổi của sóng ánh sáng xuyên

Trang 36

qua ngón tay, ngón chân hoặc dái tai sẽ cho biết kết quả của phép đo SpO2 vì mức độ

oxy bão hòa gây ra các biến đổi về màu sắc của máu [32]

Giá trị chỉ số SpO2 được biểu thị bằng 1% Nếu máy đo oxy cho kết quả 97% thì

chứng tỏ mỗi tế bào hồng cầu được tạo ra bởi 97% oxygenated và 3% không oxy hóa

hemoglobin Giá trị SpO2 bình thường sẽ dao động ở mức 95 - 99% [33]

Chỉ số oxy hóa máu tốt là rất cần thiết vì cung cấp đủ năng lượng cho cơ bắp

hoạt động Nếu giá trị SpO2 xuống dưới 95%, đây là dấu hiệu cảnh báo oxy hóa máu

kém, còn được gọi là tình trạng máu thiếu oxy Các nghiên cứu chứng minh rằng chỉ

số SpO2 từ 94% trở lên là chỉ số bình thường, đảm bảo an toàn [33]

Thang đo chỉ số SpO2 tiêu chuẩn [32]:

- SpO2 từ 97 - 99%: Chỉ số oxy trong máu tốt;

- SpO2 từ 94 - 96%: Chỉ số oxy trong máu trung bình, cần thở thêm oxy;

- SpO2 từ 90% - 93%: Chỉ số oxy trong máu thấp, cần xin ý kiến của bác sĩ chủ

Trang 37

3.1 Tổng quan hệ thống:

3.1.1 Sơ đồ khối hệ thống:

Sơ đồ khối toàn hệ thống:

Hình 3.1 Sơ đồ khối toàn hệ thống

- Đường truyền: sử dụng hạ tầng mạng internet có sẵn để giao tiếp tín hiệu giữa các mô-đun giường bệnh và server:

Trang 38

▪ Đường truyền giữa mô-đun thu thập số liệu và router: wifi

▪ Đường truyền giữa router và server: cáp quang (hoặc đường truyền khác do nhà mạng cung cấp)

▪ Giao thức giao tiếp giữa mô-đun thu thập số liệu và server: MQTT

▪ Giao thức giao tiếp giữa web client và server: http

- Khối server: được xây dựng trên một máy vi tính (hệ điều hành Windows10, có kết nối internet) Khối này có nhiệm vụ thiết lập MQTT Broker, nhận và xử lý tín hiệu cảm biến từ các mô-đun giường bệnh gửi về, lưu trữ, dự đoán tình trạng bệnh nhân

2 Hiển thị số đo tại

chỗ

Mô-đun đọc số liệu hiển thị tại chỗ các thông số chỉ

số sinh hiệu lên màn hình LCD 16x2 (bao gồm thân nhiệt, nhịp tim và SpO2)

3 Truyền số đo lên

Server

Mô-đun đọc số liệu truyền dữ liệu các thông số đo được lên server theo thời gian thực thông qua wifi (giao thức MQTT)

nhân tại Server

Phần mềm “App Server” sẽ nhận dữ liệu từ các đun đọc số liệu, đối chiếu mã giường bệnh để xác định thông tin bệnh nhân tương ứng, hiển thị số đo trên giao diện phần mềm, thực hiện lưu trữ số đo vào

mô-cơ sở dữ liệu SQL server Các thông tin bệnh nhân được nhập từ trang web giám sát cũng được lưu trữ

Trang 39

vào cơ sở dữ liệu tại server

dữ liệu, gửi phản hồi về cho mô-đun đọc số liệu

7 Quản lý thông tin

người bệnh

Website giám sát cho phép người dùng nhập các thông tin của bệnh nhân (như mã bệnh nhân, họ tên, năm sinh, giới tính), thao tác tìm kiếm, cập nhật thông tin bệnh nhân vào cơ sở dữ liệu

8 Theo dõi thông

tin từ xa

Webserver chứa một trang web giúp người dùng có thể truy cập từ xa để theo dõi các số đo và tình trạng sức khỏe của bệnh nhân

Trang 40

▪ Tần suất đo: 12 lần/phút

- Số mô-đun đọc số liệu đang kết nối: 3

- Số mô-đun đọc số liệu tối đa có thể mở rộng: >1000

- Số lượng bệnh nhân có thể lưu dữ liệu: không giới hạn (phụ thuộc vào dung lượng bộ nhớ)

3.2 Chi tiết các thành phần của hệ thống:

3.2.1 Chi tiết mô-đun thu thập số liệu:

3.2.1.1 Sơ đồ khối mô-đun thu thập số liệu:

Hình 3.2 Sơ đồ khối mô-đun thu thập số liệu Chi tiết các linh kiện của mô-đun thu thập số liệu được mô tả trong Phụ lục A (các thông số kỹ thuật được lấy theo datasheet của linh kiện)

3.2.1.2 Sơ đồ kết nối mạch chi tiết của mô-đun thu thập số liệu:

Sơ đồ kết mạch chi tiết của mô-đun thu thập số liệu được thể hiện trong hình 3.3:

Tiêu đề	Hệ thống theo dõi sức khoẻ ứng dụng iot và mô hình dự đoán tình trạng bệnh nhân
Trường học	University of Information Technology
Chuyên ngành	IoT and Health Monitoring Systems
Thể loại	Luận văn
Thành phố	Ho Chi Minh City

Định dạng
Số trang	93
Dung lượng	2,03 MB