Tóm tắt Luận văn Thạc sĩ: Nghiên cứu một số phương pháp phát hiện và phân loại nhịp thở sử dụng mạng Học sâu đa nhiệm

Tình hình gia tăng các bệnh hô hấp, chịu ảnh hưởng từ ô nhiễm môi trường và các đại dịch như COVID-19, đã đặt ra yêu cầu cấp thiết về các công cụ chẩn đoán và theo dõi tiên tiến. Việc phát hiện và phân loại nhịp thở chính xác và kịp thời đóng vai trò then chốt trong can thiệp sớm, quản lý bệnh và chăm sóc sức khỏe cá nhân. Các phương pháp truyền thống thường đối mặt với thách thức về bảo mật dữ liệu, khối lượng và độ phức tạp của dữ liệu nhịp thở liên tục, cùng với chi phí và kích thước của thiết bị theo dõi. Nghiên cứu này tập trung vào ứng dụng trí tuệ nhân tạo, đặc biệt là mạng học sâu đa nhiệm, nhằm khắc phục những hạn chế này. Bằng cách tận dụng các mô hình tính toán phức tạp, nghiên cứu hướng tới việc nâng cao độ chính xác và hiệu quả của phân tích nhịp thở, mở đường cho các giải pháp theo dõi sức khỏe dễ tiếp cận và hiệu quả hơn.

Nghiên cứu này hướng đến các nhà nghiên cứu và học viên trong lĩnh vực khoa học máy tính, trí tuệ nhân tạo, kỹ thuật y sinh, đặc biệt là những người quan tâm đến xử lý tín hiệu, ứng dụng học sâu trong y tế và công nghệ giám sát hô hấp. Nó cũng phù hợp với các chuyên gia y tế và nhà hoạch định chính sách.

Luận văn thạc sĩ này giải quyết nhu cầu ngày càng tăng về các phương pháp hiệu quả để phát hiện và phân loại nhịp thở, một khía cạnh quan trọng trong việc theo dõi sức khỏe hô hấp, đặc biệt trong bối cảnh các bệnh hô hấp ngày càng gia tăng và các đại dịch toàn cầu như COVID-19. Nghiên cứu thừa nhận những thách thức vốn có trong các cách tiếp cận hiện tại, bao gồm tính nhạy cảm của dữ liệu y tế, cường độ tính toán cần thiết để xử lý lượng lớn dữ liệu âm thanh nhịp thở liên tục, và những hạn chế thực tế của các thiết bị cảm biến IoT hiện có về chi phí và khả năng sử dụng.

Để khắc phục những trở ngại này, nghiên cứu đề xuất và tìm hiểu mạng học sâu đa nhiệm, một cách tiếp cận tiên tiến trong trí tuệ nhân tạo. Mục tiêu chính là khám phá ứng dụng của các mạng này, đặc biệt tập trung vào mô hình Bidirectional Long Short-Term Memory (Bi-LSTM), để phân tích nhịp thở một cách mạnh mẽ và chính xác. Phương pháp luận bao gồm việc thu thập dữ liệu nhịp thở bằng các thiết bị giá cả phải chăng và nhỏ gọn như Raspberry Pi được trang bị micro cảm biến âm thanh. Dữ liệu này sau đó được xử lý và phân tích bằng mô hình Bi-LSTM, được thiết kế để đồng thời phát hiện và phân loại các loại âm thanh nhịp thở khác nhau, bao gồm thở bình thường, thở sâu, thở mạnh và có thể là các kiểu bất thường liên quan đến các tình trạng như COVID-19.

Giá trị của nghiên cứu này nằm ở đóng góp của nó vào việc phát triển một hệ thống chính xác, hiệu quả và tiết kiệm chi phí hơn cho việc theo dõi hô hấp. Bằng cách tận dụng khả năng tự trích xuất đặc trưng của các mô hình học sâu và khả năng xử lý dữ liệu chuỗi thời gian theo thời gian thực, nghiên cứu này nhằm mục đích cung cấp nền tảng để xây dựng các ứng dụng thực tế có thể hỗ trợ phát hiện sớm bệnh, tạo điều kiện quản lý bệnh nhân tốt hơn và hỗ trợ các chuyên gia y tế với thông tin chẩn đoán quan trọng. Các hàm ý mở rộng đến việc tăng cường giám sát sức khỏe cộng đồng và cho phép các giải pháp theo dõi sức khỏe cá nhân dễ tiếp cận hơn.