Nghiên cứu ứng dụng giải thuật máy học ( machine learning) và iot phát triển hệ thống điều khiển giám sát thông minh trong lĩnh vực y tế

1.2 Tính cấp thiết của đề tài Nhu cầu phát triển một hệ thống giúp ngăn chặn và phòng chống CVD là càng trở nên cấp thiết, nhất là trong cuộc sống hiện đại ngày nay, để giúp đối tượng t

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

CÔNG TRÌNH NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG

NGHIÊN CỨU VÀ ỨNG DỤNG GIẢI THUẬT MÁY

HỌC (MACHINE LEARNING) VÀ IOT

PHÁT TRIỂN HỆ THỐNG ĐIỀU KHIỂN

GIÁM SÁT THÔNG MINH TRONG LĨNH VỰC Y TẾ

SKC 0 0 6 4 7 2

MÃ SỐ: T2018-93TĐ

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

BÁO CÁO TỔNG KẾT

ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM

Chủ nhiệm đề tài: TS Vũ Quang Huy

TP HCM, 12 / 2018

NGHIÊN CỨU VÀ ỨNG DỤNG GIẢI THUẬT

MÁY HỌC (MACHINE LEARNING) VÀ IOT PHÁT

TRIỂN HỆ THỐNG ĐIỀU KHIỂN GIÁM SÁT THÔNG

MINH TRONG LĨNH VỰC Y TẾ

Mã số: T2018-93TĐ

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

ĐƠN VỊ

BÁO CÁO TỔNG KẾT

ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM

NGHIÊN CỨU VÀ ỨNG DỤNG GIẢI THUẬT MÁY HỌC (MACHINE LEARNING) VÀ IOT PHÁT TRIỂN HỆ THỐNG ĐIỀU KHIỂN GIÁM SÁT THÔNG

TP HCM, 12 / 2018

DANH SÁCH THÀNH VIÊN THAM GIA NGHIÊN CỨU

1 TS Vũ Quang Huy (Chủ trì)

ĐƠN VỊ PHỐI HỢP:

Khoa Đào Tạo CLC và Khoa Cơ Khí Chế Tạo Máy, Bộ Môn Cơ Điện Tử

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÔNG TIN KẾT QUẢ NGHIÊN CỨU

1 Thông tin chung:

- Tên đề tài: Nghiên cứu và ứng dụng giải thuật máy học (Machine Learning) và IoT phát triển hệ thống điều khiển giám sát thông minh trong lĩnh vực y tế

- Mã số: T2018-93TĐ

- Chủ nhiệm: TS Vũ Quang Huy

- Cơ quan chủ trì: Khoa Đào Tạo Chất Lượng Cao

- Thời gian thực hiện: Từ 1-1-2018 đến 30-12-2018

3 Kết quả nghiên cứu:

Sản phẩm dùng để ứng dụng trong đếm bước chân và thời gian ngủ của đối tượng

4 Sản phẩm:

Một bài báo khoa học đăng trên hội nghị quốc tế

5 Hiệu quả, phương thức chuyển giao kết quả nghiên cứu và khả năng áp dụng:

Phát triển một hệ thống giám sát sức khỏe ca nhân và tích hợp việc đếm bước chân và theo dõi , cảnh báo thời gian ngủ trong cùng một thiết bị

INFORMATION ON RESEARCH RESULTS

1 General information:

Project title: Research & Applied Machine Learning and IOTs to develop a control and supervisor system in a personal medical device

Code number: T2018-93TĐ

Coordinator: Dr Vu Quang Huy

Implementing institution: Faculty for High Quality Training

Duration: From 01-01-2018 to 30-12-2018

2 Objective(s):

Applied IOTs to develop a control and supervisor system in a personal medical device

3 Creativeness and innovativeness:

Propose an integrated system to count the step and supervise sleep of human in a personal medical device

4 Research results:

A new mathematic model for processing roll system, a new discrete model predictive controller

5 Products:

A conference paper

6 Effects, transfer alternatives of research results and applicability:

Develop a control and supervisor system in a personal medical device and integrate the step counter and alarm sleep system in a housing

MỤC LỤC

MỤC LỤC 1

DANH MỤC HÌNH 2

CHƯƠNG 1 GIỚI THIỆU 4

1.1 Tổng Quan 4

1.2 Tính cấp thiết của đề tài 4

1.3 Mục Đích Nghiên Cứu 9

1.4 Phương Pháp Nghiên Cứu 9

1.5 Đối Tượng, Phạm Vi Nghiên Cứu 10

1.6 Nội Dung Nghiên Cứu 10

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 11

2.1 Mối Liên Hệ Giữa Bước Chân, Giấc Ngủ Và Hệ Thống Tim Mạch 11

2.2 Các Giai Đoạn Của Giấc Ngủ Và Cách Nhận Biết 13

2.3 Nguyên Lý Đếm Bước Chân (Step Counting) 16

2.4 Thuật toán Máy học 20

2.4 Internet of Thing 23

CHƯƠNG 3 THIẾT KẾ CHẾ TẠO PHẦN CỨNG VÀ PHÁT TRIỂN PHẦN MỀM ỨNG DỤNG 26

3.1 Cấu trúc phần cứng 26

3.2 Thuật toán và phần mềm ứng dụng 33

CHƯƠNG 4 KẾT QUẢ VÀ THẢO LUẬN 45

4.1 Bộ đếm bước chân 45

4.2 Phát hiện Chuyển động trong giấc ngủ (MIS) 48

CHƯƠNG 5 KẾT LUẬN 500

TÀI LIỆU THAM KHẢO 51

DANH MỤC HÌNH

Hình 1-1 Phần mềm Google Fit -Android 6

Hình 1-2 Phầm mềm Apple Health - iOS 6

Hình 1-3 HealthVault cho khách hàng và các tính năng 7

Hình 1-4 Thiết bị Jawbone UP3 8

Hình 1-5 Optical Heart Rate Monitor (OHRM) on FitBit Charge 2 9

Hình 2-1 Các giai đoạn của giấc ngủ 14

Hình 2-2 Kết quả thực nghiệm của tiến sĩ Christopher Winter 16

Hình 2-3 Definition of each axis 17

Hình 2-4 Sự thay đổi gia tốc (Acceleration change) 18

Hình 2-5 Dữ liệu gia tốc theo 3 trục (Acceleration value of three axis) 18

Hình 2-6 On Wrist ( Cổ tay) vs On Waist ( Thắt lưng) 19

Hình 2-7 Dữ liệu thu được khi đeo tay và chân (On Wrist vs On Leg) 19

Hình 2-8 Ví dụ về một mạng lưới Nơron với 1 lớp ẩn Số lượng các đầu vào là 4, số lượng tế bào thần kinh ẩn là 5, và số lượng các tế bào thần kinh đầu ra là 3 21 Hình 2-9 Kết nối "Things" với con người 23

Hình 2-10 Kết nối các thiết bị của con người với “Things” [27] 24

Hình 2-11 Giải pháp tim mạch không dây 24

Hình 2-12 Ứng dụng các chuẩn không dây cho IoT 25

Hình 3-1 Cấu trúc tổng quan của phần cứng và phần mềm 26

Hình 3-2 Thiết kế mạch in phần cứng bằng phần mềm Proteus 27

Hình 3-3 Thiết bị thực tế 27

Hình 3-4 Hộp đựng thiết bị 28

Hình 3-5 Thiết bị Arduino Nano 28

Hình 3-6 Thiết bị Arduino Nano 30

Hình 3-7 Cảm biến MPU-6050 30

Hình 3-8 Thiết bị MPU-6050 pin out 31

Hình 3-9 Thiết bị thực tế HC-05 32

Hình 3-10 Thiết bị HC-05 pin out 32

Hình 3-11 Sơ đồ khối mô đun bộ đếm 33

Hình 3-12 Tín hiệu cảm biến 3 trục 34

Hình 3-13 So sánh dữ liệu trước và sau khi lọc 34

Hình 3-14 So sánh dữ liệu trước và sau khi lọc 35

Hình 3-15 Dữ liệu gia tốc khi đi bộ (Acceleration data while walking) 36

Hình 3-16 Dữ liệu gia tốc khi đang chạy (Acceleration data while running) 36

Hình 3-17 Gia tốc và ngưỡng thích nghi (Acceleration and adaptive threshold) 37

Hình 3-18 Cấu trúc thuật toán MIS: MIS constructing diagram 39

Hình 3-19 Dữ liệu gia tốc ở trạng thái nằm của người dùng (Acceleration values while lying still (zoomed in)) 39

Hình 3-20 Lưu đồ phát hiện sự chuyển động (Flowchart of the movement detecting) 40

Hình 3-21 Sơ đồ khối thuật toán mô đun Bluetooth (Bluetooth connection diagram) 41

Hình 3-22 Sơ đồ khối mô đun cảnh báo (Alarm clock diagram) 42

Hình 3-23 Sơ đồ thuật toán đếm bước chân: My Step Counter working diagram 42

Hình 3-24 Sơ đồ thuật toán đếm bước chân: 43

Hình 3-25 Sơ đồ chương trình cảnh báo (Smart Alarm working diagram) 44

Hình 4-1 Thực nghiệm bước đi 45

Hình 4-2 Thực nghiệm bước đi lần 2 46

Hình 4-3 Kết quả thực nghiệm của bước chạy 47

Hình 4-4 So sánh với MIband Comparing with Miband (error rate: 0%) 48

Hình 4-5 So sánh với Miband (Comparing with Miband (error rate: 3.7%)) 49

Hình 4-6 So sánh với thiết bị Diese Link ( Comparing with Diesel Link (error rate: 13%) 49

CHƯƠNG 1 GIỚI THIỆU

1.1 Tổng Quan

Do lối sống làm việc hiện đại và nhanh chóng, rất ít người có thể duy trì hình thức rèn luyện thể chất ít nhất như chạy và đi bộ Ngoài việc thiếu hoạt động, nhiều người không thể duy trì đủ thời gian ngủ và thường cảm thấy mệt mỏi khi thức dậy Một số vấn đề liên quan đến sức khỏe có thể phát sinh từ các lý do trên,

và trường hợp xấu nhất là ảnh hưởng nghiêm trọng đến sức khỏe của chúng ta với các triệu chứng bệnh như dạng bệnh tim mạch (Cardiovascular Disease – CVD) Một số nghiên cứu đã được thực hiện để phát triển các hệ thống cảnh báo sớm cho bệnh tim và đã giúp cứu sống nhiều người trong thực tế Tuy nhiên, nhiều thiết bị chỉ dựa vào việc thu thập và phân tích nhịp tim hiện tại (có thể bao gồm các thông số khác) để đưa ra kết luận Nếu hệ thống trên có lỗi và đưa ra quyết định sai, thì khi đến lần đo sau, cảnh báo đưa ra từ thiết bị có thể đã quá muộn vì CVD có thể đã có ảnh hưởng nghiêm trọng đến sức khỏe của đối tượng Vì vậy, phòng chống bệnh thì tốt hơn chữa bệnh - điều quan trọng hơn là đối tượng nhận thức được việc duy trì lối sống thân thiện với trái tim ngay từ đầu

1.2 Tính cấp thiết của đề tài

Nhu cầu phát triển một hệ thống giúp ngăn chặn và phòng chống CVD là càng trở nên cấp thiết, nhất là trong cuộc sống hiện đại ngày nay, để giúp đối tượng tích cực hơn với sức khỏe của họ dưới hình thức theo dõi hoạt động và giấc ngủ Sau

đó, hệ thống sẽ quan sát những thay đổi trong nhịp tim của đối tượng, tính chủ động, thời gian nghỉ ngơi và các điều kiện liên quan khác để đưa ra cảnh báo khi cần thiết Hệ thống như vậy đáng tin cậy hơn trong việc ngăn ngừa bệnh tim hơn bất kỳ mô hình nào trước đây

Dựa trên nhiều nghiên cứu trước đây, một số kết luận đã được rút ra:

• Việc đi bộ có lợi ích sức khỏe liên quan đến CVD ở nam giới và phụ nữ trẻ, trung bình và lớn tuổi, ở cả dân số khỏe mạnh và bệnh nhân [1]

• Một trong những yếu tố quan trọng nhất là giai đoạn ngủ trước khi thức dậy Thức tỉnh đột ngột trong một giấc ngủ sóng chậm (SWS) tạo ra quán tính giấc ngủ nhiều hơn so với thức dậy ở giai đoạn 1 hoặc 2 [2] Đã có những thiết bị có thể: (1) đếm và hiển thị số bước để cho đối tượng theo dõi tiến trình của họ và (2) đánh thức đúng đối tượng trong pha ngủ nhẹ của họ để giảm tác động của quán tính giấc ngủ Tuy nhiên, chưa có thiết bị nào có thể đáp ứng cả hai mục đích trên trong một phần cứng

Các dự án hiện tại đang hướng đến Sức khỏe và Giấc ngủ

Google Fit and Apple Health

Theo CNET, Google Fit (GF) là câu trả lời của Google cho Apple Health GF sử dụng các cảm biến được tích hợp trong thiết bị của bạn để tự động theo dõi các hoạt động như đi bộ, đi xe đạp và chạy Bạn cũng có thể sử dụng GF để theo dõi các mục tiêu tập thể dục và tiến trình giảm cân của bạn theo ngày, tuần và tháng Ứng dụng Google Fit có sẵn dưới dạng tải xuống miễn phí trong cửa hàng Play và cũng được cài đặt sẵn trên đồng hồ Android Wear

Như thường lệ, bất cứ khi nào có một sản phẩm của Google, thì lại có một sản phẩm của Apple để cạnh tranh với sản phẩm đó hoặc ngược lại Ứng dụng Apple Health có phần giống với Google Fit theo nhiều cách, với những ưu và nhược điểm tương ứng đến từng ứng dụng Một lợi thế lớn của Google Fit là nó hoạt động như một dịch vụ đám mây trong Internet of Things khi nó lưu trữ dữ liệu người dùng trên máy chủ và sau đó cho phép người dùng truy cập dữ liệu thông qua máy tính xách tay, điện thoại thông minh và máy tính bảng thông qua web hoặc ứng dụng

Sự phát triển của thế giới kỹ thuật số với việc theo dõi sức khỏe và thống kê sức khỏe cho thấy không có dấu hiệu chậm lại, và cả Microsoft, Google và Apple hiện đang phát triển các nền tảng và định dạng tiêu chuẩn dành cho việc đo lường và hiển thị

Microsoft HealthVault

Microsoft HealthVault là một hồ sơ sức khỏe cá nhân dựa trên ứng dụng web được

tạo bởi Microsoft (MS), vào tháng 10 năm 2007, để lưu trữ và duy trì

Hình 1-1 Phần mềm Google Fit -Android

Hình 1-2 Phầm mềm Apple Health - iOS

thông tin về sức khỏe và thể lực Có 3 sản phẩm riêng biệt của HealthVault dành cho các cấp độ người dùng khác nhau như được mô tả trên trang web HealthVault:

- HealthVault cho doanh nghiệp - cho phép các bệnh viện, nhà thuốc và các công

ty thử nghiệm trong phòng thí nghiệm lưu trữ thông tin sức khỏe cá nhân

- HealthVault dành cho người tiêu dùng - thu thập dữ liệu từ các thiết bị y tế

- HealthVault Insights - một ứng dụng di động dành cho sử dụng với chương trình

do nhà cung cấp dịch vụ chăm sóc của bạn để tạo các kế hoạch chăm sóc Ứng dụng cho phép bạn xem và quản lý các kế hoạch chăm sóc này và theo dõi tiến trình hướng tới kết quả sức khỏe bằng cách sử dụng dữ liệu liên quan từ thiết bị đeo, ứng dụng và dịch vụ của bạn

Hình 1-3 HealthVault cho khách hàng và các tính năngMicrosoft có thiết bị đeo được của riêng mình - Microsoft Band Microsoft đã hỗ trợ kết nối với Microsoft Band, Google Fit (ứng dụng Android) và Apple Health (ứng dụng iOS) để hỗ trợ thêmcho các thiết bị giám sát trong quá trình tập thể dục Tuy nhiên, MS Band đã bị chấm dứt và chưa được lên kế hoạch sản xuất lại Có thể thấy HealthVault Insights là nỗ lực mới nhất của MS hướng tới dữ liệu của người dùng với các công nghệ và thuật toán thông minh để cung cấp các phân tích, đánh giá giúp cải thiện sức khỏe tổng thể của đối

Thiết bị giám sát sức khỏe

Nhiều máy tập thể dục không chỉ đo số bước bạn thực hiện mỗi ngày, lượng calo

bạn đốt cháy, mà còn cả thói quen ngủ của bạn Nói một cách đơn giản, máy đo lường các chuyển động của đối tượng được theo dõi, giám sát: hầu hết các thiết bị đeo ngày nay đều đi kèm với gia tốc kế 3 trục để theo dõi chuyển động theo mọi hướng, và một số thiết bị còn tích hợp con quay hồi chuyển để đo hướng và góc xoay

Hình 1-4 Thiết bị Jawbone UP3

Dữ liệu được thu thập sau đó được chuyển đổi thành các bước chân và các chuyển động của đối tượng, lượng calo tiêu hao và chất lượng giấc ngủ Các thuật toán khác nhau có thể được đề xuất, tiến hành phân tích và thực nghiệm để tính toán dựa trên dữ liệu thu thập theo cách chính xác và hữu ích nhất

Có nhiều cách để so sánh những cái được gọi là máy theo dõi thể dục trực tuyến này: thời lượng pin tốt nhất, giao diện đẹp nhất, giao diện tốt nhất với phương tiện truyền thông xã hội danh sách này là vô tận Một số trong số họ thậm chí bao gồm các tính năng như phát hiện nhịp tim hoặc đo nhiệt độ cơ thể để khiến bản thân cạnh tranh trên thị trường

Hình 1-5 Optical Heart Rate Monitor (OHRM) on FitBit Charge 2

Chúng ta quen thuộc với khái niệm sử dụng gia tốc kế để đo chuyển động như chạy, đi bộ và nằm Tuy nhiên, một máy đo gia tốc còn có thể cung cấp cho chúng

ta nhiều thông tin hơn với việc đo giấc ngủ của chúng ta Những máy theo dõi này

có thể cung cấp cho bạn thông tin hữu ích về chất lượng giấc ngủ và lượng hoạt động trong ngày của bạn để tham khảo, so sánh, từ đó giúp bạn thực hiện các bước

để cải thiện chất lượng giấc ngủ và sức khỏe

1.3 Mục Đích Nghiên Cứu

Đề tài có mục đích phát triển một thiết bị bằng cách tích hợp bộ đếm bước và đánh thức đúng đối tượng trong pha ngủ nhẹ vào trong cùng một thiết bị để giảm sự phức tạp của việc đeo nhiều thiết bị Kết hợp thành công hai sản phẩm vào một thiết bị sẽ giúp thu thập dữ liệu và phân tích dữ liệu thuận tiện hơn cho người sử dụng trong quá trình theo dõi và tập luyện cải thiện sức khỏe

1.4 Phương Pháp Nghiên Cứu

Đề tài được thực hiện bằng cách kết hợp nhiều phương pháp nghiên cứu

- Tham khảo tài liệu có liên quan: Thông qua mạng Internet, thư viện, sách báo

và tạp chí quốc thu thập những tài liệu có sẵn, kế thừa những điểm mạnh, khắc phục những điểm yếu Tham khảo tài liệu giúp cho người nghiên cứu bổ sung vốn kiến thức, lý luậ và từ đó tìm ra ý tưởng để vận dụng giải quyết những vấn

đề của đề tài

- Phân tích: Phân tích ưu và nhược điểm của các phương pháp liên quan đề tài

nghiên cứu

- Thiết kế: Đề xuất phương pháp cải tiến, thiết kế mới

- Thực nghiệm: Thiết kế phần cứng và viết chương trình tính toán, đo lường và

khảo sát chọn lựa giải pháp tối ưu nần cao độ chính xác và hiệu quả của thiết

bị được phát triển

1.5 Đối Tượng, Phạm Vi Nghiên Cứu

Đối tượng nghiên cứu

Đếm bước đi của người và ghi nhận thời gian ngủ và trạng thái của con người

Phạm vi nghiên cứu

Nghiên cứu phát triển thiết bị đếm bước chân và đo thời gian giấc ngủ giúp giám sát duy trì sức khỏe cho đối tượng đeo thiết bị

1.6 Nội Dung Nghiên Cứu

- Thu thập và đọc tài liệu tham khảo

- Xây dựng và phát triển thiết bị đếm bước chân và đo thời gian ngủ của đối tượng

- Đề xuất giải thuật để nâng cao độ chính xác

- Tiến hành chế tạo, thực nghiệm và đánh giá kết quả

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT

2.1 Mối Liên Hệ Giữa Bước Chân, Giấc Ngủ Và Hệ Thống Tim Mạch

Đi bộ và hệ thống tim mạch

Năm 2004, Tudor-Locke và Bassett Jr [4] đã thiết lập các mức hoạt động thể chất được xác định cho người lớn khỏe mạnh:

- <5000 bước / ngày (ít vận động)

- 5000 đến 7499 bước / ngày (hoạt động thấp)

- 7500 đến 9999 bước / ngày (hơi hoạt động)

- 10000 đến 12499 bước / ngày (hoạt động)

- 12500 bước / ngày (hoạt động mạnh)

Các hạng mục phân loại này đã được củng cố trong năm 2008 [5], và trong năm 2009 mức phân loại ban đầu được thêm vào hai cấp độ bổ sung [6]: <2500 bước / ngày và 2500 đến 5000 bước / ngày

Đi bộ hơn 4 giờ / tuần có liên quan đáng kể với giảm nguy cơ nhập viện do tim mạch ở cả hai giới kết hợp so với đi bộ dưới 1 giờ / tuần (nguy cơ tương đối được điều chỉnh theo tuổi và giới tính = 0,69; khoảng tin cậy 95%, 0,52–0,90 ) [7]

Đi bộ có liên quan lợi ích sức khỏe.CVD ở những người đàn ông và phụ nữ trẻ, trung niên và lớn tuổi hơn, cả về sức khỏe và bệnh nhân Bằng chứng từ các nghiên cứu dịch tễ học cho thấy rằng ngay cả những cải tiến nhỏ về số lượng đi bộ hàng ngày cũng tốt hơn là không đi bộ, và sự gia tăng lớn hơn mang lại lợi ích sức khỏe tim mạch lớn hơn [1]

Giấc ngủ và hệ thống tim mạch

Thiếu ngủ

Một nghiên cứu với dữ liệu từ 3.000 người lớn trên 45 tuổi thấy rằng những người ngủ ít hơn sáu giờ mỗi đêm có nguy cơ bị đột quỵ hoặc đau tim cao gấp hai lần những người ngủ sáu đến tám tiếng mỗi đêm [8]

Ngủ quá ít gây ra sự gián đoạn trong điều kiện sức khỏe tiềm ẩn và các quá trình sinh học như chuyển hóa glucose, huyết áp và viêm Nếu không có thời gian nghỉ ngơi dài, sâu, một số hóa chất được kích hoạt để giữ cho cơ thể không đạt được thời gian dài trong đó nhịp tim và huyết áp được hạ xuống Theo thời gian, điều này có thể dẫn đến huyết áp cao hơn trong ngày và có nguy cơ cao hơn về các vấn đề về tim mạch

Liên quan đến thiếu ngủ, một nghiên cứu cho rằng một giấc ngủ ngắn (ít hơn

30 phút trong thời gian) đã thực sự gắn liền với một tỷ lệ thấp hơn của CVD Ngáp ngắn hơn có thể không có tác dụng tiêu cực tương tự như những khoảng trống dài hơn có thể ảnh hưởng đến sự khởi đầu của giấc ngủ sóng chậm sâu Bước vào giấc ngủ sâu chậm và sau đó không hoàn thành chu kỳ ngủ bình thường có thể dẫn đến hiện tượng được gọi là Sleep Inertia [9]

Quán tính ngủ

Quán tính giấc ngủ là trạng thái chuyển tiếp của việc giảm kích thích và giảm tạm thời trong hiệu suất tiếp theo sau khi thức giấc từ giấc ngủ Nhiều yếu tố liên quan đến sự đóng góp vào quán tính giấc ngủ:

• Thời gian thiếu ngủ trước có thể ảnh hưởng đến mức độ nghiêm trọng của quán tính giấc ngủ tiếp theo Quán tính giấc ngủ thường kéo dài 15-30 phút, nhưng có thể kéo dài tới 4 giờ vì lý do đó

• Một trong những yếu tố quan trọng nhất là giai đoạn ngủ trước khi thức tỉnh Sự thức tỉnh đột ngột trong một giai đoạn ngủ chậm (SWS) tạo ra quán tính ngủ nhiều hơn là thức tỉnh ở giai đoạn 1 hoặc 2 [2]

• Các nghiên cứu về các yếu tố điều biến SI cho thấy SI bị ảnh hưởng mạnh bởi số lượng giấc ngủ chậm và độ sâu giấc ngủ [10]

Nhịp nghỉ ntim (RHR) khi ngủ như một chỉ báo về sức khỏe và hoạt động thể chất hiện tại

Tiến sĩ Jason Wasfy, giám đốc chất lượng và phân tích tại Trung tâm Tim mạch Bệnh viện Đa khoa Massachusetts thuộc Đại học Harvard cho biết: “Trong một số trường hợp, RHR thấp hơn có nghĩa là mức độ tập luyện thể chất cao hơn,

có liên quan đến việc giảm các biến cố tim mạch như đau tim” “Tuy nhiên, RHR cao có thể là dấu hiệu của nguy cơ mắc bệnh tim tăng cao trong một số trường hợp, vì càng nhiều nhịp tim bạn phải gánh chịu sẽ ảnh hưởng đến chức năng tổng thể của nó”

Một nghiên cứu vào năm 2013 trên tạp chí Heart theo dõi sức khỏe tim mạch của khoảng 3.000 nam giới trong 16 năm và thấy rằng RHR cao có liên quan đến thể lực thể chất thấp hơn và huyết áp cao hơn, trọng lượng cơ thể và mức độ lưu thông máu Các nhà nghiên cứu cũng phát hiện ra rằng RHR của một người càng cao, nguy cơ tử vong sớm càng cao Cụ thể, một RHR từ 81 đến 90 tăng gấp đôi khả năng tử vong, trong khi một RHR cao hơn gấp 90 lần so với nó

Mặc dù RHR thấp thường cho thấy thể lực thể chất cao hơn, trong một số trường hợp, RHR quá thấp có thể chỉ ra “kết quả của các nút điện của tim bị lão hóa, hoặc không truyền tín hiệu điện một cách chính xác” [11]

2.2 Các Giai Đoạn Của Giấc Ngủ Và Cách Nhận Biết

Có 2 giai đoạn trước khi ngủ và 4 giai đoạn của giấc ngủ được phân biệt bởi 4 sóng não riêng biệt được đo bằng máy EEG (điện não đồ):

• Awake: đầy đủ chức năng, sóng beta (15-50 Hz)

• Trước khi ngủ: thư giãn, sóng alpha (8-12 Hz)

• NREM-1 (ngủ nhẹ): buồn ngủ, sóng theta (4-8 Hz), tổng chu kỳ ngủ 5%

• NREM-2: ngủ, trục ngủ + phức hợp K, tổng chu kỳ 45%

• NREM-3 (ngủ sâu): sóng delta (dưới 4Hz với biên độ cao nhất), tổng chu kỳ ngủ 25%

• Giấc ngủ REM: giống như sóng beta (15-30 Hz), tổng chu kỳ ngủ 25%

Một chu kỳ ngủ hoàn chỉnh mất trung bình từ 90 đến 110 phút Hiệp hội Tổ chức Giấc ngủ khuyến cáo người lớn nên duy trì khoảng 5-6 chu kỳ giấc ngủ mỗi đêm Các chu kỳ ngủ đầu tiên mỗi đêm có giấc ngủ REM tương đối ngắn và thời gian ngủ sâu dài nhưng sau đó vào ban đêm, thời gian REM kéo dài và thời gian ngủ sâu giảm

Hình 2-1 Các giai đoạn của giấc ngủ

Liên quan đến việc xác định giai đoạn ngủ, có 2 phương pháp phổ biến nhất:

POLYSOMNOGRAPHY (PSG) [12]

Polysomnography, thước đo tiêu chuẩn vàng của giấc ngủ, đề cập đến việc ghi lại qua đêm của nhiều thông số sinh lý trong khi một người ngủ Trong lịch sử những điều này đã được ghi lại trong một phòng thí nghiệm giấc ngủ với các nhà khoa học tham dự qua đêm Các bản ghi PSG khác nhau được phân loại từ cấp I đến IV dựa trên số lượng kênh và loại dữ liệu mà chúng ghi

Được mô tả là PSG cấp I, được đo lường trong phòng thí nghiệm ghi PSG với một nhà khoa học tham dự, video kỹ thuật số và tối thiểu bảy kênh thông tin, bao gồm điện não đồ (EEG), điện não đồ (EOG), điện tâm đồ cằm (EMG), điện tâm đồ ), luồng không khí, nỗ lực hô hấp và bão hòa oxy Các cảm biến khác được

sử dụng nếu cần, bao gồm các điện cực EEG và cảm biến CO2 bổ sung Giai đoạn ngủ được xác định bằng điện não đồ với thông tin bổ sung do EOG và EMG cung cấp Thông tin này kết hợp với các cảm biến theo dõi hô hấp, cử động chi và nhịp

tim / nhịp tim, được sử dụng để chẩn đoán một loạt các tình trạng bao gồm rối loạn nhịp thở, rối loạn vận động bao gồm cử động tay chân định kỳ, rối loạn nhịp tim, ký sinh trùng và ở một mức độ nào đó, thần kinh rối loạn như chứng ngủ rũ

và động kinh

Polysomnography đã là một công cụ quan trọng trong sự phát triển của thuốc ngủ như một môn học Đó là một quá trình phức tạp và phát triển liên quan đến việc đo lường và phân tích tiêu chuẩn của nhiều hệ thống sinh lý trong khi ngủ Tuy nhiên, phương pháp này có những hạn chế Đo lường PSG trong phòng thí nghiệm truyền thống rất tốn kém để vận hành và gây ra khó khăn khi hướng tới nhiều người dùng trong xã hội

ACTIGRAPHY

Actigraphs là thiết bị thường được đặt trên cổ tay (mặc dù chúng cũng có thể được đặt trên mắt cá chân) để ghi lại chuyển động Ưu điểm của Actigraph so với phương pháp truyền thống (PSG) là Actigraph có thể ghi lại một cách thuận tiện liên tục trong 24 giờ một ngày trong nhiều ngày, nhiều tuần hoặc thậm chí lâu hơn Năm 1995, Sadeh et al dưới sự bảo trợ của Hiệp hội Rối loạn Giấc ngủ Hoa Kỳ (nay gọi là Học viện Y học Giấc ngủ Hoa Kỳ, AASM) đã xem xét các kiến thức hiện tại về ứng dụng Actigraph trong việc đánh giá các rối loạn giấc ngủ Họ kết luận rằng Actigraph cung cấp thông tin hữu ích và đó có thể là một phương pháp hiệu quả về chi phí để đánh giá các rối loạn giấc ngủ Kể từ thời điểm đó, công nghệ Actigraph đã được cải thiện, và nhiều nghiên cứu đã được tiến hành Một số tài liệu đánh giá đã kết luận rằng Actigraph thông qua thiết bị gắn trên cổ tay có thể phân biệt giấc ngủ và trạng thái thức trong suốt 24 giờ và chỉ ra Actigraph có thể được sử dụng để theo dõi chứng mất ngủ, rối loạn giấc ngủ / thức giấc và rối loạn vận động chân tay định kỳ [13] Actigraph đã được sử dụng để nghiên cứu các kiểu ngủ/thức trong hơn 20 năm và nhiều thiết bị tập thể thao được thương mại hóa có tích hợp công nghệ trên

(a) Thiết bị thực nghiệm

(b) Tín hiệu thực nghiệm Hình 2-2 Kết quả thực nghiệm của tiến sĩ Christopher Winter

Đỏ (Red) chỉ đang thức tỉnh, Đen (black) là đang ở REM , and xanh dương nhạt chỉ giấc

ngủ chưa sâu và xanh đen chỉ giấc ngủ sâu

2.3 Nguyên Lý Đếm Bước Chân (Step Counting)

Chọn lựa thông số phù hợp để tiến hành đo lường

Hãy để ý nghĩ về bản chất của việc đi bộ hoặc chạy Thông thường trong khi bạn đang đi bộ, một phần cụ thể của cơ thể hoặc thậm chí toàn bộ cơ thể tạo ra một chuyển động qua lại Vì vậy, nếu chúng ta có thể xác định xem phần cơ thể của đối tượng có thực hiện một dao động qua lại hay không, chúng ta sẽ biết thực

sự nếu đối tượng đang đi hay đang chạy, và sau đó thực hiện đếm bước Từ các đặc điểm dao động và đung đưa của cánh tay, vận tốc của cánh tay đối tượng sẽ biến đổi khi chuyển động lên xuống Và khi thấy sự thay đổi vận tốc theo thời gian, chúng ta thường nghĩ gia tốc là một thông số phù hợp để đo Sự thay đổi gia tốc của cánh tay sẽ giúp chúng ta tìm hiểu xem cánh tay của chúng ta có vung lên không

Để đo gia tốc ta chọn gia tốc kế 3 trục Gia tốc kế có thể đo gia tốc dọc theo 3 trục như trong hình 2.4 bên dưới

Hình 2-3 Definition of each axis

Hướng của mỗi trục có thể thay đổi tùy thuộc vào vị trí của gia tốc kế Ví dụ, chúng ta có thể đặt gia tốc kế dọc theo cánh tay sao cho trục x và phát hiện phía trước trùng khớp Theo đó, về mặt lý thuyết, sự thay đổi gia tốc của trục x được thể hiện trong Hình 2.5

Hình 2-4 Sự thay đổi gia tốc (Acceleration change)

Hình dưới đây cho thấy giá trị của ba trục trong khi chúng ta đi bộ Trục x (đường màu xanh) có sự thay đổi định kỳ tương đối lớn so với trục khác Do đó, chúng ta đi đến quyết định sử dụng giá trị của trục x trong thuật toán đếm bước

Hình 2-5 Dữ liệu gia tốc theo 3 trục (Acceleration value of three axis)

Vị trí thích hợp trên cơ thể người để đặt gia tốc kế?

Có nhiều nơi trên cơ thể người để gắn máy đo gia tốc trên: cổ tay, thắt lưng, chân

và cả trong túi quần của bạn Chúng ta hãy xem những biểu đồ dưới đây, họ so

Swing forward Swing backward

Motion

Acceleration

sánh dữ liệu gia tốc được ghi lại khi được đặt trên cổ tay, trên thắt lưng và trên chân:

Hình 2-6 On Wrist ( Cổ tay) vs On Waist ( Thắt lưng)

Hình 2-7 Dữ liệu thu được khi đeo tay và chân (On Wrist vs On Leg)

Có một sự đánh đổi giữa việc chọn vị trí khác nhau để gắn gia tốc kế: Đặt một gia tốc kế trên chân hoặc trên thắt lưng có thể chỉ ra trạng thái đi bộ /

chạy Tuy nhiên, trên cả hai biểu đồ chúng ta cĩ thể thấy rằng dữ liệu gia tốc ở chân và thắt lưng bị nhiễu hơn so với dữ liệu trên cổ tay.Điều đĩ bởi vì, như được giải thích bởi Định luật 3 của Newton, sự rung động xuất hiện ở phần thân dưới của bạn khi chân bạn tác động lên đường khi đi và chạy

Liên quan đến dữ liệu về tốc độ biến đổi lên xuống của cổ tay, cĩ nhiều hoạt động khác cũng ảnh hưởng đến bên cạnh việc đi bộ và chạy Tuy nhiên, dữ liệu tăng tốc trên cổ tay dường như rõ ràng hơn và giúp việc dễ dàng phát hiện bước chân và đây cũng là phương án được lựa chọn trong nghiên cứu này

2.4 Thuật tốn Máy học

Máy học (Machine Learning) là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc phát triển các kỹ thuật cho phép máy tính cĩ thể “học” Máy học được xem là phương pháp tạo ra các chương trình máy tính sử dụng kinh nghiệm, quan sát hoặc dữ liệu trong quá khứ để cải thiện cơng việc của mình trong tương lai Trong lĩnh vực máy học gồm 3 phương pháp huấn luyện (học) chính:

Học cĩ giám sát: Máy tính được xem một số mẫu gồm đầu vào và đầu ra tương ứng trước Sau khi học xong các mẫu này, máy tính quan sát một đầu vào mới và cho ra kết quả

Học khơng giám sát: Máy tính chỉ được xem các mẫu khơng cĩ đầu ra, sau đĩ máy phải tự phân loại các mẫu này và các mẫu mới

Học tăng cường: Máy tính đưa ra quyết định hành động và nhận kết quả phản hồi

từ mơi trường Sau đĩ máy tính tìm cách chỉnh sửa cách ra quyết định hành động của mình

Phương pháp học cĩ giám sát được lựa chọn sử dụng để khai phá dữ liệu, rút ra qui luật để nhận dạng các trạng trái thơng qua các thuật tốn: Decision Tree, Nạve Bayes và Neural Network…

Thuật tốn Decision Tree

Cây quyết định (Decision tree) là một trong những hình thức mơ tả dữ liệu trực quan nhất, dễ hiểu nhất đối với người dùng Cấu trúc của một cây quyết định bao

gồm các nút và các nhánh Nút dưới cùng được gọi là nút lá, trong mô hình phân lớp dữ liệu chính là các giá trị của các nhãn lớp (gọi tắt là nhãn) Các nút khác nút

lá được gọi là các nút con, đây còn là các thuộc tính của tập dữ liệu, hiển nhiên các thuộc tính này phải khác thuộc tính phân lớp Mỗi một nhánh của cây xuất phát từ một nút nào đó ứng với một phép so sánh dựa trên miền giá trị của nút đó Nút đầu tiên gọi là nút gốc của cây

Thuật toán mạng Nơron

Mạng trí tuệ nhân tạo (Artificial Neural) - thường được gọi là một mạng Nơron -

là một công cụ để mô hình hóa các mối quan hệ phức tạp giữa đầu vào và ngõ ra Các mối quan hệ giữa đầu vào và ngõ ra được biết, một mạng Nơron có thể thực hiện như phân loại để dự đoán ngõ ra với ngõ vào mới Mạng Nơron là mô hình mạng lưới, nơi các Nơron được nối với nhau bằng các lớp thần kinh mô phỏng theo cấu trúc của não bộ Mạng Nơron bao gồm các lớp tế bào thần kinh; một lớp đầu vào, một hoặc nhiều lớp ẩn, và một lớp ra

Hình 2-8 Ví dụ về một mạng lưới Nơron với 1 lớp ẩn Số lượng các đầu vào là 4,

số lượng tế bào thần kinh ẩn là 5, và số lượng các tế bào thần kinh đầu ra là 3 Một mạng Nơron được huấn luyện, hoạt động bằng cách nhập dữ liệu vào các tế bào thần kinh ở lớp ngõ vào Các mạng sau đó lan truyền dữ liệu này thông qua

các mạng sử dụng các lớp thần kinh, cho đến khi các tế bào thần kinh đầu ra cuối cùng có một kết quả cuối cùng Quá trình này lan truyền đầu vào thông qua mạng, được gọi là lan truyền thẳng

Kỹ thuật phân lớp dữ liệu

Ngày nay phân lớp (classification) dữ liệu là một trong những hướng nghiên cứu chính của khai phá dữ liệu Thực tế đặt ra nhu cầu là từ một cơ sở dữ liệu với nhiều thông tin ẩn con người có thể trích rút ra các quyết định nghiệp vụ thông minh Phân lớp và dự đoán là hai dạng của phân tích dữ liệu nhằm trích rút ra một

mô hình mô tả các lớp dữ liệu quan trọng hay dự đoán xu hướng dữ liệu tương lai Phân lớp dự đoán giá trị của những nhãn xác định (categorical label) hay những giá trị rời rạc (discrete value), có nghĩa là phân lớp thao tác với những đối tượng

dữ liệu mà có bộ giá trị là biết trước Trong khi đó, dự đoán lại xây dựng mô hình với các hàm nhận giá trị liên tục Ví dụ mô hình phân lớp dự báo thời tiết có thể cho biết thời tiết ngày mai là mưa, hay nắng dựa vào những thông số về độ ẩm, sức gió, nhiệt độ,… của ngày hôm nay và các ngày trước đó Hay nhờ các luật về

xu hướng mua hàng của khách hàng trong siêu thị, các nhân viên kinh doanh có thể ra những quyết sách đúng đắn về lượng mặt hàng cũng như chủng loại bày bán… Một mô hình dự đoán có thể dự đoán được lượng tiền tiêu dùng của các khách hàng tiềm năng dựa trên những thông tin về thu nhập và nghề nghiệp của khách hàng Trong những năm qua, phân lớp dữ liệu đã thu hút sự quan tâm các nhà nghiên cứu trong nhiều lĩnh vực khác nhau như máy học (Machine Learning),

hệ chuyên gia (expert system), thống kê (statistics) Công nghệ này cũng ứng dụng trong nhiều lĩnh vực khác nhau như: thương mại, nhà băng, maketing, nghiên cứu thị trường, bảo hiểm, y tế, giáo dục Phần lớn các thuật toán ra đời trước đều

sử dụng cơ chế dữ liệu cư trú trong bộ nhớ (memory resident), thường thao tác với lượng dữ liệu nhỏ Một số thuật toán ra đời sau này đã sử dụng kỹ thuật cư trú trên đĩa cải thiện đáng kể khả năng mở rộng của thuật toán với những tập dữ liệu lớn lên tới hàng tỉ bản ghi

2.4 Internet of Thing

Kevin Ashton là người đầu tiên đưa ra khái niệm “Internet of Things” vào năm

1999 và được trình bày trong hội nghị RFID & the Supply Chain tại Proctor and Gamble Sau đó, năm 2009 ông ta đã viết bài báo hướng phát triển của IoT lên tạp

chí RFID với tựa đề: “In the real world, things matter more than ideas”

Hình 2-9 Kết nối "Things" với con người Các máy tính ngày nay, cộng với sự phụ thuộc của con người vào thông tin trên dịch vụ Internet Khoảng 50 petabytes (1 petabyte bằng 1024 terabytes) dữ liệu hiện có trên Internet đã được cất giữ hoặc tạo ra bởi con người bằng nhập liệu, lưu trữ hình ảnh, video hoặc là quét mã vạch …

Nếu tồn tại máy tính mà biết tất cả mọi thứ (things), sử dụng dữ liệu thu thập được

để giúp cho người sử dụng, họ có thể theo dõi, giám sát và đếm số lượng mọi hoạt động, giảm sự lãng phí, mất mát Con người phải biết những thứ cần phải thay thế, sửa chữa hoặc lấy lại dữ liệu, và bất cứ khi nào họ muốn lấy dữ liệu mới hoặc dữ liệu tốt nhất trong quá khứ

Con người cần phải trao quyền cho các máy tính với phương tiện để thu thập thông tin, do đó họ có thể nhìn thấy, nghe thấy và cảm nhận được thế giới cho mình RFID và công nghệ cảm biến cho phép các máy tính để quan sát, nhận biết

và hiểu thế giới mà không có những hạn chế của dữ liệu con người bước vào đó

Hình 2-10 Kết nối các thiết bị của con người với “Things” [27]

Dựa vào hình 2.12 ta thấy được dự báo của Microsoft thống kê năm 2013 xấp xỉ 10 tỷ thiết bị được kết nối và có khoảng 7.14 tỷ người toàn cầu kết nối Và ước tính có khoảng 50 tỷ kết nối với các thiết bị trong năm 2020 Cũng theo thống

kê trên có khoảng 99.4% các thiết bị vật lý vẫn chưa kết nối, hoặc có khoảng 10 tỷ trên tổng số 1.5 nghìn tỷ đã kết nối Và có khoảng 200 kết nối trên một người hiện đại trong thế giới ngày nay

Hình 2-11 Giải pháp tim mạch không dây