Bối cảnh:

  + IoT, Edge-of-Things, Cloud-of-Things đang thay đổi y tế thông minh, cho phép giám sát sức khỏe liên tục ngoài bệnh viện.

  + Thiết bị đeo phổ biến trong y tế, phục hồi chức năng, chăm sóc người già, hỗ trợ sống độc lập.

  + Thách thức: dữ liệu lớn, nhiễu cảm biến, tiêu thụ pin, bảo mật.

• Mục tiêu:
•   + Xây dựng hệ thống dự đoán hoạt động thời gian thực trên thiết bị biên, giảm phụ thuộc vào cloud.
•   + So sánh hiệu năng với các phương pháp truyền thống.
• - Dữ liệu & cảm biến:
•   + Bộ MHEALTH: 10 tình nguyện viên, 12 hoạt động (đứng, ngồi, nằm, đi bộ, leo cầu thang, gập người, nâng tay, gập gối, đạp xe, chạy bộ, chạy nhanh, nhảy).
•   + Cảm biến đặt ở ngực (ECG, gia tốc), cổ tay phải (gia tốc, con quay, từ kế), mắt cá trái (gia tốc, con quay, từ kế).
•   + Tần số lấy mẫu 50 Hz.
• - Tiền xử lý & đặc trưng:
•   + Tổ chức dữ liệu thành vector đặc trưng L gồm tất cả kênh cảm biến.
•   + Chuẩn hóa Z-score.
• - Mô hình RNN/LSTM:
•   + RNN nhiều lớp với 20 đơn vị LSTM.
•   + Công thức cổng vào, quên, trạng thái, cổng ra, trạng thái ẩn, đầu ra softmax.
•   + Huấn luyện với dữ liệu huấn luyện, dự đoán trên dữ liệu kiểm thử.
• - Kết quả:
•   + Độ chính xác trung bình toàn bộ đối tượng: 99,69%.
•   + So sánh: HMM ~89,98%, DBN ~92,01%.
•   + RNN vượt trội ở tất cả hoạt động, sai số rất thấp.
•   + GPU giúp tăng tốc huấn luyện/dự đoán.
• - Kết luận:
•   + Hệ thống RNN đa cảm biến trên thiết bị biên đạt hiệu năng cao, phù hợp triển khai y tế thông minh thời gian thực.
•   + Giảm độ trễ, giảm rủi ro truyền dữ liệu qua nhiều tầng cloud.
•   + Có thể mở rộng cho nhận dạng hoạt động, phát hiện té ngã, giám sát phục hồi chức năng.