Tóm tắt Đề án Thạc sĩ: Phân loại âm thanh ho bằng học sâu ít mẫu

Việc chẩn đoán các bệnh lý hô hấp ngày càng trở nên cấp thiết trong bối cảnh ô nhiễm môi trường và biến đổi khí hậu gia tăng. Hệ hô hấp đóng vai trò trung tâm trong sự sống, và các bệnh liên quan đang có xu hướng phức tạp hơn. Phân loại tự động âm thanh ho là một hướng tiếp cận đầy hứa hẹn để hỗ trợ chẩn đoán nhanh chóng và chính xác. Tuy nhiên, thách thức lớn nằm ở sự khan hiếm dữ liệu ho được dán nhãn chất lượng cao, cùng với chi phí và vấn đề riêng tư. Nghiên cứu này đề xuất một giải pháp sử dụng học sâu ít mẫu kết hợp với mạng nguyên mẫu nhằm giải quyết bài toán phân loại âm thanh ho hiệu quả ngay cả khi dữ liệu hạn chế, mở ra tiềm năng cho các ứng dụng chẩn đoán y tế.

Các nhà nghiên cứu trong lĩnh vực trí tuệ nhân tạo, học máy, xử lý tín hiệu âm thanh, y sinh học và các chuyên gia y tế quan tâm đến chẩn đoán bệnh hô hấp tự động.

Đề án này tập trung vào việc giải quyết thách thức trong phân loại âm thanh ho bằng cách phát triển một khuôn khổ mạnh mẽ dựa trên học sâu ít mẫu (few-shot learning). Bối cảnh là sự cần thiết của việc chẩn đoán nhanh các bệnh hô hấp, đối lập với khó khăn trong việc thu thập và dán nhãn các tập dữ liệu ho lớn do chi phí, công sức và lo ngại về quyền riêng tư. Để khắc phục, phương pháp đề xuất kết hợp học sâu ít mẫu với một mạng nguyên mẫu (Prototypical network), cho phép mô hình học cách phân loại các lớp mới chỉ với một vài mẫu sau khi được huấn luyện trên một tập dữ liệu cơ sở lớn. Trong thực nghiệm, nghiên cứu sử dụng dữ liệu ho từ bộ COVID-19 Thermal Face & Cough Dataset, với các tệp âm thanh 1 giây được phân loại thành 8 danh mục. Kết quả đạt được cho thấy hiệu suất khả quan với điểm F1-Score trung bình là 86%, chứng minh tính khả thi của sự kết hợp giữa học ít mẫu và mạng nguyên mẫu. Luận văn được cấu trúc thành ba chương: Chương 1 cung cấp tổng quan về bệnh lý ho, các khái niệm liên quan, và tổng kết các nghiên cứu hiện có về phát hiện, phân loại âm thanh ho và ứng dụng học sâu ít mẫu. Chương 2 đi sâu vào việc ứng dụng học sâu ít mẫu, bao gồm các phương pháp xử lý tín hiệu âm thanh như trích chọn đặc trưng MFCCs, và quy trình huấn luyện mô hình. Công trình này không chỉ góp phần nâng cao khả năng chẩn đoán bệnh đường hô hấp tự động mà còn đặt nền móng cho các ứng dụng hỗ trợ y tế, đặc biệt trong các tình huống dữ liệu khan hiếm.