Theo dõi nhịp thở bằng phương pháp học sâu (tt)

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - VŨ VĂN HUY THEO DÕI NHỊP THỞ BẰNG PHƯƠNG PHÁP HỌC SÂU Chuyên ngành Mã số : Khoa học máy tính : 8.48.01.01 TÓM TẮT LUẬN VĂN THẠC SỸ HÀ NỘI – 2019 Luận văn hồn thành tại: HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG Người hướng dẫn khoa học: PGS.TS Phạm Văn Cường Phản biện 1: .…………………………………………………………… .…………………………………………………………… ………… …………………………………………………………… ………… Phản biện 2: … ………………………………………………………… .…………………………………………………………… ………… …………………………………………………………… ………… Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Cơng nghệ Bưu Viễn thơng Vào lúc: ngày tháng năm Có thể tìm hiểu luận văn tại: - Thư viện Học viện Cơng nghệ Bưu Viễn thơng MỞ ĐẦU Phát nhịp thở phân tích liệu nhịp thở ứng dụng quan trọng lĩnh vực y tế Việc phát bất thường nhịp thở, khởi đầu cho việc ngăn chặn hệ xấu liên quan đến hơ hấp Đã có nhiều phương pháp công nghệ phát triển nhằm mục đích phát hiện, theo dõi nhịp thở Luận văn tập trung vào việc theo dõi nhịp thở Luận văn đề xuất phương pháp đơn giản, kết nối micro khơng dây với máy tính Thu lại âm thở phân tích liệu thở thu Phương pháp tiếp cận để phát nhịp thở sử dụng Học sâu Cuối cùng, luận văn xin trình bày ứng dụng đếm nhịp thở dựa học sâu Hành động hít thở việc thiết yếu, quan trọng với tất động vật sống “Hơi thở hỗ hợp nitơ, oxi, cacbonic, nước lượng nhỏ chất hữu dễ bay hơi” [1] Hành động hít thở gồm hai giai đoạn liên tiếp, hít vào thở diễn liên tục Số nhịp thở phút ghi nhận tùy thuộc vào trạng thái hành động người Ví dụ như, nhịp thở bộ, chạy, làm việc nặng hay ngủ nghỉ ngơi Nhịp thở chậm nghỉ ngơi ngủ [2] Hít thở đóng vai trò số quan trọng, dùng thước đo để đánh giá lĩnh vực y tế [3] Việc theo dõi nhịp thở việc thu thập liệu thiết bị khác sử dụng liệu từ thiết bị cho việc phân tích liệu Đã có nhiều kỹ thuật sử dụng để theo dõi nhịp thở Dựa yếu tố thiết bị sử dụng có tiếp xúc với người cần theo dõi nhịp thở hay khơng, chia phương pháp thành tiếp xúc khơng tiếp xúc [2], phương pháp sử dụng nhiều thiết bị kết hợp hai phương pháp Phương pháp tiếp xúc sử dụng loại cảm biến nhiệt điện, cảm biến hô hấp cảm biến âm Ưu điểm lớn phương pháp độ xác liệu nhận trình thu thập Nhưng phương pháp tiếp cận tỏ không phù hợp áp dụng cho ứng dụng di động tạo không thoải mái cho người theo dõi nhịp thở phải đeo Ngược lại phương pháp không tiếp xúc lại dựa vào lại camera, radar “doppler modalities” Nhược điểm lớn việc sử dụng thiết bị giá thiết bị cao, việc thu thập phân tích liệu lớn thác thức [2] Đã có nhiều nghiên cứu theo dõi nhịp thở dựa loại cảm biến dựa học máy đem lại kết khả quan Dữ liệu thu thập liệu âm thu qua micro gắn với máy tính Cảm biến gắn lồng ngực ghi nhận chuyển động hô hấp đối tượng theo dõi Cảm biến nhiệt thu thập liệu thở dựa nguyên tắc nhiệt độ thở lúc hít vào thấp so với nhiệt độ thở thở [4] Các phương pháp sử dụng cảm biến nói chung cho kết tốt với chi phí thấp đầu tư cho mua thiết bị Kết hợp với thuật toán học máy liệu thu thập đem lại kết ấn tượng Trong năm gần đây, xuất phương pháp học sâu, dần thay đổi phương pháp phân tích liệu độ xác mà chúng mang lại Theo đó, việc thu thập liệu dựa cảm biến âm thanh, sau dựa phương pháp học sâu để phân tích liệu thu hướng nghiên cứu cho việc theo dõi nhịp thở, hứa hẹn đem lại kết tốt Trên đây, luận văn điểm qua tầm quan trọng toán theo dõi nhịp thở, đồng thời ý nghĩa khoa học thực tiễn vấn đề Nhận thức điều này, luận văn chọn đề tài là: “Theo dõi nhịp thở phương pháp học sâu” Bố cục luận văn bao gồm phần mở đầu, phần kết luận chương nội dung tổ chức sau: - Chương 1: Tổng quan Nội dung chương trình bày tốn theo dõi nhịp thở, lại cần phải theo dõi nhịp thở, số khái niệm bản, trình bày ngắn gọn số nghiên cứu liên quan cuối mơ tả ngắn phương pháp đóng góp luận văn - Chương 2: Kỹ thuật học sâu cho tốn theo dõi nhịp thở Chương trình bày nội dung luận văn, phương pháp nghiên cứu, cách thức tiến hành để theo dõi nhịp thở; hệ thống thử nghiệm đếm nhịp thở - Chương 3: Thực nghiệm đánh giá kết Nội dung chương trình bày phương pháp tiến hành thực nghiệm đánh giá, xây dựng ứng dụng theo dõi nhịp thở, kết luận hướng phát triển đề tài Chương TỔNG QUAN Trong chương này, luận văn giới thiệu cách tổng quan toán theo dõi nhịp thở (đếm số nhịp thở), lại cần theo dõi nhịp thở, vấn đề gặp phải theo dõi nhịp thở, mục tiêu đề tài, kỹ thuật sử dụng giải toán theo dõi nhịp thở Một số cơng trình nghiên cứu liên quan đề cập đến chương 1.1 Đặt vấn đề Trong nhiều năm qua, việc sử dụng học máy vào lĩnh vực khai thác liệu số trở nên quen thuộc Việc ứng dụng học máy vào lĩnh vực đời sống đem lại kết to lớn nghiên cứu khoa học Lĩnh vực y tế hưởng lợi nhiều từ phát triển học máy Nhưng so với lĩnh vực khác việc nghiên cứu liệu y tế áp dụng học máy vào cịn mẻ Một phương pháp mẻ học sâu cho thấy nhiều tín hiệu khả quan nghiên cứu xử lý liệu lớn Vì việc áp dụng học sâu vào nghiên cứu liệu y tế xu hướng cần quan tâm Tại lại phải theo dõi nhịp thở? Bởi lẽ, hoạt động hít thở hoạt động cá nhân Hành động hít thở hô hấp theo dõi hô hấp khâu theo dõi có vai trị quan trọng Đối với bệnh nhân có tiền sử bệnh hô hấp, việc phát sớm bất thường hơ hấp đưa phán đoán sớm để phân loại bệnh, phán đoán sớm tình trạng bệnh, để cung cấp thơng tin phục vụ cho cơng việc y tế khác Các khó khăn gặp phải theo dõi nhịp thở Có nhiều phương pháp tiếp cận để thu thập thông tin phân tích nhịp thở Nhưng tựu chung vấn đề xử lý liệu lớn thời gian liên tục Điều dẫn đến khó khăn việc nâng cao tính xác Một khó khăn khác đến từ thiết bị giúp theo dõi nhịp thở, có giá thành q cao, đơi lại khơng thực tiện lợi gắn vào đối tượng cần theo dõi Như vậy, vấn đề cần phải giải tìm phương pháp có độ xác cao với chi phí mức cho phép Mục tiêu đề tài, phương pháp sử dụng đóng góp đề tài Mục tiêu luận văn tìm hiểu phương pháp học sâu thử nghiệm phương pháp việc xây dựng ứng dụng đếm nhịp thở Trong khuôn khổ nội dung, luận văn trình bày số phương pháp áp dụng học máy liệu y tế, liệu nhịp thở, khó khăn hạn chế phương pháp Trình bày nhiều phương pháp có tên học sâu (deep learning) khai thác thông tin liệu Mà cụ thể kỹ thuật LSTM (long short time memory) Luận văn sử dụng liệu nhịp thở thu thập từ micro âm Sau sử dụng phương pháp LSTM để nhận dạng âm nhịp thở Cuối xây dựng ứng dụng để đếm nhịp thở đối tượng gắn micro âm 1.2 1.2.1 Tổng quan vấn đề theo dõi sức khỏe nhịp thở Tổng quan Âm thở (Breath Sound) chứa số quan trọng sức khỏe bệnh hơ hấp, việc phân tích phát âm thở trở thành chủ đề quan trọng chuẩn đoán đánh giá khả điều trị [7] Dữ liệu trích rút từ âm nhịp thở có dạng chuỗi liệu, có tính liên tục u cầu để phân tích cần phải nhanh Một điểm quan trọng mơ hình học máy thơng thường việc phải trích xuất đặc trưng mẫu liệu Điều liệu cụ thể khó khăn mang tính chất cảm nhận cá nhân người xử lý liệu Việc áp dụng mơ hình học sâu mang lại lợi lớn việc không cần quan tâm đến trích xuất đặc trưng, mơ hình học sâu tự động điều chỉnh cho phù hợp xuất đặc trưng phù hợp cho trình nhận dạng Một ưu mơ hình học sâu vấn đề phụ thuộc xa Các mẫu liệu thu thập có tính liên quan đoạn liệu nằm phía trước chúng Các mơ hình học máy thơng thường khó để liên kết thông tin chuỗi liệu nằm phía trước, việc đưa định phân loại nhãn liệu chuỗi lại phụ thuộc lớn vào vấn đề 1.2.2 Bài toán theo dõi nhịp thở dựa vào liệu âm Bài toán 1: Cho trước tập liệu tệp âm thu từ micro âm Các tệp ngắn chứa nội dung bên đoạn âm nhịp thở đoạn âm nhịp thở Nhiệm vụ việc giải toán gán nhãn cho tệp đó, nhằm phân biệt tệp có đoạn (segments) chứa âm nhịp thở và đoạn không chứa âm nhịp thở Thơng thường, người ta cắt đoạn lưu đoạn file Từ việc gán nhãn nhịp thở sử dụng file liệu Hình 1-1: Một đoạn liệu thở chứa nhịp hít vào nhịp thở Bài tốn 2: Dữ liệu nhịp thở lúc tệp đơn mà luồng liệu liên tục Nhiệm vụ đặt đếm khoảng thời gian định có nhịp thở Hình 1-2: Một đoạn thở liệu liên tục Bài toán 3: Vẫn luồng liệu nhịp thở liên tục Nhiệm vụ lúc thu thập nhiều thơng tin nhịp thở Có thể bao gồm: tần suất thở phút, bất thường nhịp thở (nhịp thở có gấp, có đặn…) để đưa phán đốn sâu tình trạng bệnh lý người theo dõi 1.3 Một số nghiên cứu liên quan Lĩnh vực nghiên cứu, áp dụng học máy vào xử lý liệu y tế quan tâm Trong năm gần đây, có nhiều nghiên cứu liên quan đến hơ hấp theo dõi nhịp thở Phương pháp áp dụng để giải vấn đề đa dạng Luận văn xin trình bày hai nghiên cứu có liên quan nhiều đến phương pháp tiếp cận mà luận văn trình bày chương nội dung số hai 1.3.1 Phát âm hơ hấp dựa trích chọn đặc trưng Nghiên cứu nhóm tác giả Morten Grønnesby, Juan Carlos Aviles Solis, Einar Holsbø, Hasse Melbye, Lars Ailo Bongo với tên đề tài “Feature Extraction for Machine Learning Based Crackle Detection in Lung Sounds from a Health Survey” [8] Phương pháp tiếp cận nhóm tác giả mơ tả sau: Chương trình cung cấp công cụ phát tự động tự động thích dễ dàng sử dụng nhân viên y tế người dùng khác Người dùng ghi âm lại âm cách sử dụng ống nghe có micro sau tải lên máy chủ thơng qua giao diện web Các kết sau trình bày ứng dụng web Ngồi kết trích xuất dạng excel Sơ đồ mơ tả q trình nhận dạng sau: Hình 1-3: Quá trình training (trên - dưới) q trình phân loại (trái - phải) Nhóm tác giả sử dụng phương pháp học máy có giám sát để phân loại âm thành hai nhãn: nhãn có tiếng âm hơ hấp (crackle) nhãn âm bình thường (non-crackle) Kết trình phân lớp phụ thuộc nhiều vào phương pháp học máy sử dụng Chính vậy, nhóm tác giả cố gắng thử nghiệm số phương pháp sau đây: SVM, KNN AdaBoost (Decision Trees) [9] [10] [11] Đối với tất phương pháp sử dụng loại đặc trưng liệu đầu vào Theo đánh giá nhóm tác giả việc sử dụng phương pháp SVM phù hợp với việc xây dựng hệ thống phát âm hơ hấp Tỉ lệ xác việc sử dụng SVM sau Precision = 85.6 ± 6.1, Recall = 83.6 ± 10.2 F = 83.5 ± 3.6 1.3.2 Phân loại giai đoạn giấc ngủ dựa nhịp thở a Các giai đoạn giấc ngủ Giấc ngủ là trạng thái định kỳ tự nhiên đặc trưng việc ý thức giảm tạm thời ngừng, hoạt động cảm giác tương đối đình trệ hầu hết bắp thả lỏng cách tự nguyện [12] Về giấc ngủ phân loại thành hai giai đoạn: Giai đoạn mắt chuyển động nhanh (Rapid Eye Movement - REM) giao đoạn giấc ngủ với mắt nhắm khơng cịn chuyển động (Non-Rapid Eye Movement -NREM) b Phương pháp sử dụng để phân loại giai đoạn giấc ngủ Phương pháp chuẩn sử dụng để phân loại giai đoạn giấc ngủ phương pháp Rechtscanffen phương pháp Kales [2] Hai phương pháp sử dụng kỹ thuật polysomnography (PSG) PSG giúp theo dõi chức thể bao gồm hoạt động não (EEG), chuyển động mắt (EOG), hoạt động xương khớp (EMG) nhịp tim (ECG) giấc ngủ [13] Electrocephalography (EEG) công cụ quan trọng để nghiên cứu chuẩn đoán rối loạn giấc ngủ Tuy nhiên, nhược điểm việc sử dụng kỹ thuật sử dụng kỹ thuật chụp quang tuyến tốn Còn điều cách tiếp cận xác định giai đoạn giấc ngủ dựa phương pháp non-contact (không tiếp xúc với thể người theo dõi), mơ hình tốn học xây dựng dựa trình phân loại giai đoạn giấc ngủ phát triển c Phân loại giai đoạn giấc ngủ dựa nhịp thở Theo nghiên cứu, người ta thấy việc phân loại giấc ngủ thực dựa nhiệt độ thể đối tượng dựa tốc độ nhịp thở Tốc độ nhịp thở nhiệt độ thể khác tùy vào người tùy vào giai đoạn giấc ngủ Tuy nhiên dựa nghiên cứu người ta đưa bảng đánh giá tỉ lệ nhịp thở với giai đoạn giấc ngủ sau: Bảng 1-1: Nhịp thở qua giai đoạn giấc ngủ [14] Giai đoạn Tỉnh táo Tốc độ nhịp thở 12 - 18 nhịp/phút NREM Giai đoạn - 3-4 nhịp/phút NREM Giai đoạn - 3-4 nhịp/phút NREM Giai đoạn - 3-4 nhịp/phút NREM Giai đoạn - 3-4 nhịp/phút REM 24 - 36 nhịp/phút d Áp dụng vào phương pháp phát giai đoạn giấc ngủ dựa sensor không tiếp xúc Quá trình nhận giai đoạn giấc ngủ dựa tốc độ nhịp thở mô tả qua sơ đồ sau: Hình 1-2: Sơ đồ hệ thống phân loại giai đoạn giấc ngủ Trong phương pháp trình bày đây, âm thở thu nhận micro âm thở phút tính tốn dựa thuật tốn học máy Có thách thức định với phương pháp việc xác định tốc độ nhịp thở Việc xác định nhịp thở thách thức lớn giai đoạn ngủ NREM Khi người theo dõi có chuyển động có tiếng ồn liên quan đó.Ngồi biên độ âm thở phụ thuộc nhiều vào cá nhân cụ thể Để nắm bắt nhịp thở có cường độ thấp việc chọn vị trí đặt micro quan trọng việc ghi lại âm nhịp thở Ngoài âm khác tiếng quạt, tiếng điều hịa can thiệp vào q trình ghi âm Thuật tốn phát nhịp thở phải đủ mạnh để loại bỏ tiếng ồn 1.3.3 Đánh giá Từ việc tìm hiểu nghiên cứu khoa học liên quan, luận văn nhận thấy số điểm học hỏi áp dụng vào q trình giải tốn.Thứ nhất, việc sử dụng liệu âm phương án tiếp cận phù hợp cho toán y tế Phương pháp sử dụng liệu âm rẻ, cần micro âm giá rẻ có kết nối với máy tính để thu thập liệu, lại cho tỉ lệ nhận dạng mức cao Thứ hai, toán y tế nghiên cứu thử nghiệm với mức độ thành công cao Điều mang đến cho luận văn tin tưởng tốn mà luận văn giải có sở đến thành cơng Tuy nhiên có số khuyết điểm mà luận văn nhận thấy hai nghiên cứu liên quan Đầu tiên tỉ lệ nhận dạng mức cao nhiên nhiều trường hợp bị nhận dạng sai (tỉ lệ khoảng 90%) Mặt khác q trình phân tích liệu chọn đặc trưng công việc phức tạp, tốn nhiều thời gian phân tích lựa chọn, đơi ảnh hưởng lớn đến độ xác Các yếu điểm khắc phục việc thay đổi thuật toán nhận dạng Một số phương pháp nghiên cứu học máy phương pháp học sâu Phương pháp hứa hẹn giải vấn đề nêu Trong chương nội dung tiếp theo, luận văn trình bày chi tiết phương pháp việc giải toán đề Chương KỸ THUẬT HỌC SÂU CHO BÀI TOÁN THEO DÕI NHỊP THỞ Trong chương nội dung luận văn giới thiệu Học sâu (deep learning), mạng nơron hồi quy LSTM (long short term memory) cách áp dụng LSTM cho trình nhận dạng nhịp thở 2.1 Sơ lược phương pháp Học sâu Như trình bày phần mở đầu, trí tuệ nhân tạo len lỏi vào lĩnh vực sống ảnh hưởng sâu rộng đến cá nhân xã hội Tần suất xuất từ “artificial intelligence”, “machine learning”, “deep learning” tăng lên xuất phương pháp Học sâu (deep learning) khoảng mười năm trở lại tạo thay đổi lớn lĩnh vực trí tuệ nhân tạo nói chung Xin nhắc lại mối quan hệ Trí tuệ nhân tạo (AI - artificial intelligence), Học máy (ML – machine learning) Học sâu (DL – deep learning) Hình 2-1: Mối quan hệ trí tuệ nhân tạo, học máy học sâu Có thể giải thích mối liên hệ khái niệm cách tưởng tượng chúng vịng trịn, AI - ý tưởng xuất sớm - vòng tròn lớn nhất, tiếp đến máy học - khái niệm xuất sau, cuối học sâu - thứ thúc đẩy bùng phát AI - vòng tròn nhỏ 2.2 Long short-term memory Con người tư theo kiểu sử dụng nhớ để kết nối, ghi nhớ kiện có trước đó, giống việc đọc báo, người khơng đọc tới đâu ném tới mà ghi nhớ lại để khơng phải suy nghĩ lại từ đầu Các mạng nơ-ron truyền thống không làm việc giống suy nghĩ não người – khuyết điểm mạng nơ-ron [8] Ví dụ, để hiểu tình tiết diễn phim buộc phải xâu chuỗi kiện có từ đầu phim - 10 Phân tích file audio: dựa vào điểm bất thường chuỗi liệu liệu âm để tìm đoạn âm chứa nhịp thở - Cắt đoạn âm nhịp thở (Frame Data Extraction): đoạn liệu với độ dài giống cắt Các khung liệu liệu (chứa liệu nhịp thở) liệu khơng xác (khơng chứa đoạn liệu nhịp thở) Sau liệu gán nhãn (labeling) - Dữ liệu đem Traning để tạo LSTM Model phục vụ cho trình nhận dạng liệu chưa biết nhãn - Predict: sử dụng LSTM Model tạo từ trình training để đưa kết luận mẫu liệu chưa biết nhãn Hình 2-3: Sơ đồ hệ thống nhận dạng nhịp thở Micro Bluetooth Việc sử dụng micro không dây thuận tiện nhiều cho đối tượng cần theo dõi hay lấy liệu nhịp thở Tránh cảm giác không thoải mái Micro kết nối với máy tính Q trình thu thập liệu trình record audio ghi lại thành file liệu Trích xuất frame: chuỗi liệu liên tục cần phải vào đột biến chuỗi liệu để bắt đầu cắt đoạn liệu nghi ngờ mẫu chứa âm nhịp thở Trong trình thu thập liệu, biết trước đâu liệu đâu liệu sai nên dễ dàng để đánh nhãn (labeling) cho frame data Huấn luyện: sau trình phân loại nhãn liệu hoàn thành Toàn liệu chuẩn hóa (độ dài mẫu liệu giống nhau, thành phần liệu nằm khoảng [-1, 1]) Thử nghiệm báo sử dụng thư viện Keras [23] để tiến hành training tạo LSTM Model Quá trình train model diễn lâu phụ thuộc lớn vào độ dài mẫu liệu Khuyến nghị việc hạn chế độ dài mẫu liệu nằm khoảng từ 1000 phần tử [24] Phân loại nhãn model LSTM: việc dự đoán mẫu liệu có phải nhịp thở hay khơng cách sử dụng lại data file chưa LSTM Model tạo từ bước trước 11 2.3.2 Thu thập liệu nhịp thở e Định dạng file liệu phù hợp Về vấn đề thu thập liệu, nói đến âm tín hiệu âm nói chung trường nghiên cứu rộng lớn phức tạp muốn nghiên cứu sâu Trong phạm vi luận văn này, âm coi đối tượng liệu để qua tiến hành thử nghiệm đánh giá kết Việc sử dụng liệu âm nào cho phù hợp phải tính đến lựa chọn kỹ lưỡng Sao cho lượng thông tin cung cấp từ liệu âm vừa đủ để không làm sai lệch kết cuối lại vừa đảm bảo hiệu xử lý tính tốn thuật tốn sử dụng Trong q trình thử nghiệm để tìm đâu phương án tối ưu cho tốn nhận dạng, luận văn có bảng thống kê sau: Bảng 2-1: So sánh kết thử nghiệm lấy mẫu liệu âm Thời gian lấy Số bít liệu Mono / Tần số lấy Dung lượng mẫu (giây) âm Stereo mẫu (Hz) file (MB) 60 Mono 8000 0.458 60 Mono 44100 2.523 60 16 Mono 8000 0.916 60 16 Mono 44100 5.047 Qua kết so sánh trên, thấy sử dụng tần số lấy mẫu mức 8000Hz, kênh Mono số bít âm cho phép đáp ứng liệu đủ để mang đến kết xác lại phù hợp với việc đáp ứng thời gian xử lý f Các trường hợp thu thập liệu Dữ liệu thu thập sau Người cần theo dõi lấy liệu đeo micro khơng dây vịng qua đầu Một đầu kết nối tai nghe kết nối với máy tính chạy phần mềm Audactiy Khi kết nối bắt đầu ổn định, bắt đầu thu thập liệu Người theo dõi thở bình thường thời gian thu thập liệu, lần lấy liệu kéo dài khoảng năm phút Một số yếu tố thử nghiệm lấy liệu sau: - Người theo dõi vừa trải qua trình vận động mạnh, nhịp thở trở nên gấp nhanh bình thường - Người theo dõi trạng thái nghỉ ngơi - Môi trường xung quanh bị ảnh hưởng tiếng ồn nhẹ: phịng có tiếng người nói chuyện, tiếng quạt chạy… - Mơi trường xung quanh hoàn toàn yên tĩnh 12 g Thiết bị micro sử dụng để thu thập liệu Để tiến hành thu thập liệu, việc chuẩn bị micro điều cần thiết Trong hệ thống thực nghiệm luận văn, sử dụng micro không dây có kết nối bluetooth đến máy tính Một chương trình để ghi âm lại liệu điều cần thiết Thiết bị để ghi âm trình thu thập liệu để tiến hành thực nghiệm sau micro không dây FM XXD-18 Thiết bị cho phép thu thập liệu dạng Mono Stereo Hình 2-4: Bộ micro khơng dây FM XXD-18 2.3.3 Lọc tín hiệu nhiễu Nhiệm vụ lọc xử lý nhiễu tín hiệu âm thu từ micro cơng việc quan trọng cần phải tính đến muốn đảm bảo độ xác cao cho toán nhận dạng Phần trình bày luận văn tính chất quan trọng a Mơ hình lọc Kalman Trong xử lý tín hiệu số, có nhiều phương pháp thuật toán khác nghiên cứu áp dụng Một số thuật tốn Kalman, xuất lâu ảnh hưởng cịn ngun giá trị Luận văn tìm hiểu sử dụng lọc Kalman cho q trình xử lý nhiễu tín hiệu âm thu từ micro [25] Bộ lọc Kalman đơn giản thuật toán xử lý liệu hồi quy tối ưu Có nhiều cách xác định tối ưu, phụ thuộc tiêu chuẩn lựa chọn trình thơng số đánh giá Nó cho thấy lọc Kalman tối ưu chi tiết cụ thể tiêu chuẩn có nghĩa Một khía cạnh tối ưu lọc Kalman hợp tất thông tin cung cấp tới Nó xử lý tất giá trị sẵn có, ngoại trừ độ sai số, ước lượng giá trị thời giá trị quan tâm, với cách sử dụng hiểu biết động học thiết bị giá trị hệ thống, mô tả số liệu thống kê hệ thống nhiễu, gồm nhiễu ồn, nhiễu đo khơng chắn mơ hình động học, thông tin điều kiện ban đầu giá trị quan tâm 13 Hình 2-5: Mơ hình hoạt động chung lọc Hình 2.9 mơ hình hóa hoạt động mạch lọc Kalman Chúng ta có tín hiệu đo được, có mơ hình tín hiệu đo (địi hỏi tuyến tính) sau áp dụng vào hệ thống phương trình mạch lọc để ước lượng trạng thái quan tâm Thực tín hiệu đo khơng khó, phương trình có sẵn, chung ta cần mơ hình hố hệ thống Để ứng dụng cách hiểu mạch lọc Kalman phải mơ hình hóa cách tuyến tính thay đổi trạng thái cần ước lượng dự đốn Mơ hình tốn học lọc Kalman Giả sử mơ hình hóa mơ hình phương trình chuyển trạng thái: 𝑥𝑘+1 = 𝐹𝑘 𝑥𝑘 + 𝐺𝑘 𝑢𝑘 + 𝑤𝑘 (2.5) Trong 𝑥𝑘 trạng thái thời điểm k, 𝑢𝑘 vector điều khiển đầu vào, 𝑤𝑘 hệ thống cộng hay nhiễu trình – thường nhiễu Gaussian trắng cộng, 𝐺𝑘 ma trận chuyển đổi đầu vào 𝐹𝑘 ma trận chuyển trạng thái Ngoài ra, giả sử khả quan sát trạng thái thực thông qua hệ thống đo lường biểu diễn phương trình tuyến tính sau: 𝑧𝑘 = 𝐻𝑘 𝑥𝑘 + 𝑣𝑘 (2.6) Trong 𝑧𝑘 thơng tin quan sát hay đo lường thực thời điểm k, 𝑥𝑘 trạng thái thời điểm k, 𝐻𝑘 ma trận quan sát 𝑣𝑘 nhiễu cộng trình đo lường b Áp dụng lọc Kalman vào xử lý nhiễu tín hiệu âm thu Bởi lọc Kalman xuất từ lâu (những năm 1960) ứng dụng rộng rãi, nên việc sử dụng thư viện lập trình có sẵn lọc Kalman điều phù hợp Trong trình tìm hiểu, luận văn nhận thấy thư viện mã nguồn mở Apache với tên gọi org.apache.commons.math3.filter [26] phù hợp để sử dụng lọc tín hiệu nhiễu âm 14 Đầu vào thư viện ma trận liệu, trường hợp luận văn mảng chiều gồm n phần tử tương ứng với n mẫu liệu trích chọn Đầu mảng chiều với độ dài tương ứng với đầu vào xử lý tín hiệu nhiễu âm 2.3.4 Trích chọn frame chứa liệu nhịp thở Phần mềm sử dụng để thu âm xử lý file ghi âm Audacity 2.1.0, giao diện sử dụng phần mềm sau: Hình 2-6: Giao diện làm việc phần mềm xử lý âm Audacity 2.1.0 Phần mềm Audacity có chức như: ghi âm, phân tích file ghi âm, tách nhỏ file ghi âm thành file nhỏ cách trích chọn khoảng liệu (khoảng liệu chọn trực quan cho phép xem khoảng thời gian chọn, số mẫu liệu chọn) Cho phép trích xuất liệu dạng Mono Stereo Để tiến hành việc trích trọn liệu đắn nhất, cần phải kết hợp việc nghe lại đoạn liệu âm quan sát biểu đồ mô liệu Điều dễ dàng với Audacity, phần mềm cung cấp giao diện trực quan phù hợp để phân tích trích chọn liệu âm 2.3.5 Chuẩn hóa liệu Về vấn đề chuẩn hóa liệu, Frame Extraction cho kết thu với độ dài mẫu không giống Vì cần phải có q trình chuẩn hóa Ngồi ra, nhiệm vụ khác chuẩn hóa đưa toàn giá trị phần tử nằm mẫu liệu thuộc khoảng [-1, 1] Một vấn đề quan tâm nữa, độ dài mẫu liệu ảnh hưởng nhiều đến trình training LSTM model ảnh hưởng đến kết nhận dạng Việc tìm độ dài mẫu phù hợp cần thiết, đảm bảo tỉ lệ xác cao thời gian training phải đủ nhanh Dưới bảng thống kê độ dài mẫu với thời gian training model LSTM 15 c Độ dài phù hợp frame liệu Bảng 2-2: Thời gian tạo model phụ thuộc vào độ dài lấy mẫu liệu Độ dài frame (độ Số lượng frame liệu Thời gian tạo model dài vector) training (giờ) 200 100 2.15 1000 100 4.08 1800 100 9.4 2400 100 15.8 Qua tham khảo thêm tài liệu ảnh hưởng liệu đến thời gian training tạo model LSTM [18], luận văn nhận thấy sử dụng độ dài mẫu liệu với vector liệu có độ dài 1000 đem lại hợp lý cao độ dài mẫu liệu sử dụng để huấn luyện thử nghiệm sau luận văn d Chuẩn hóa frame liệu Dữ liệu thu từ window có độ dài khơng giống nhau, mảng chiều đơi có độ dài lớn nhỏ 1000 phần tử Đầu vào để training yêu cầu phần tử phải giống Như để chuẩn bị cho việc training predict, cần phải có bước chuẩn hóa liệu Các liệu có nhiều 1000 phần tử cắt bớt (tất nhiên có sử dụng mô đồ thị Audacity để đảm bảo không cắt nhầm phần tử), window 1000 phần tử bù giá trị Phần mềm Audacity hỗ trợ export liệu khoảng [-1,1] xuất file dạng file CSV Toàn liệu file đánh dấu theo tên để phân nhóm (các trường hợp lấy mẫu liệu khác nhau) sau đem training nhằm tạo model LSTM phục vụ predict liệu thử nghiệm sau 2.3.6 Tạo LSTM Model Trong thực nghiệm, luận văn sử dụng ngơn ngữ lập trình Python với thư viện hỗ trợ nghiên cứu học sâu Tensorflow Keras TensorFlow hệ thứ hai hệ thống học máy Google Brain, với cài đặt tham khảo phát hành dạng phần mềm mã nguồn mở vào ngày 9/11/2015 Keras library c phỏt trin vo nm 2015 bi Franỗois Chollet, kỹ sư nghiên cứu deep learning google Nó open source cho neural network viết ngôn ngữ python Keras API bậc cao sử dụng chung với thư viện deep learning tiếng Tensorflow (được phát triển Google), CNTK (được phát triển Microsoft), Theano (người phát triển Yoshua Bengio) Keras có số ưu điểm như: Dễ sử dụng, xây dựng model nhanh; chạy CPU GPU; hỗ trợ xây dựng CNN, RNN kết hợp hai 16 Về chất TensorFlow thư viện hỗ trợ học sâu mức thấp cịn Keras thư viện API mức cao cho phép lập trình viên dễ dàng thao tác xử lý với Học sâu việc sử dụng giao diện API TensorFlow Như cần cài đặt TensorFlow Keras máy tính sử dụng Keras để thao tác với liệu tạo model LSTM từ liệu đầu vào Một số thông số cài đặt trình train LSTM model sau Dropout = 0.2 (độ quên liệu – lượng thông tin bỏ qua, quên sau vòng lặp cell mạng LSTM) Activation='tanh' xác nhận sử dụng cổng cell mạng LSTM Units = Số lượng nhãn đầu ra, nghiên cứu bao gồm nhãn Đúng Sai Đầu vào mạng nơ-ron liệu âm số hóa (dạng liệu số thực) Từ file âm dạng *wav liệu trính xuất thành file *csv Quá trình tiền xử lý liệu đưa toàn liệu training vào file csv tổng, file này, dòng mẫu liệu, với số dịng đánh dấu liệu có phải nhịp thở hay không (1 tương ứng với nhãn nhịp thở, tương ứng với nhãn nhịp thở) Cấu trúc mạng Nơ-ron sử dụng nghiên cứu luận văn: - Mạng Nơ-rơn thuộc loại LSTM - Dữ liệu đầu vào dạng chuỗi (Sequential) - Số lớp ẩn sử dụng 12 lớp (hidden_size) - Sau lần lặp (mỗi lần lặp qua lớp ẩn) sử dụng thuộc tính drop liệu vịng lặp (hệ số drop liệu Dropout(0.2)) Đoạn lệnh tạo model LSTM import numpy as np from keras.models import Sequential,Model model = Sequential() model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape)) model.add(Flatten()) model.add(Dense(32, activation='relu')) model.add(Dense(num_classes, activation='softmax')) model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.Adadelta(), metrics=['accuracy']) model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, verbose=1, validation_data=(x_test, y_test)) 17 Để lưu lại LSTM model, nghiên cứu sử dụng định dạng file H5 Sau train model thành công, lưu lại file để tái sử dụng cho q trình dự đốn nhãn liệu Đoạn lệnh mơ tả q trình lưu LSTM model dạng file load lại để tái sử dụng # serialize model to JSON model_json = model.to_json() with open("model.json", "w") as json_file: json_file.write(model_json) # serialize weights to HDF5 model.save_weights("model.h5") print("Saved model to disk") # load json and create model json_file = open('model.json', 'r') loaded_model_json = json_file.read() json_file.close() loaded_model = model_from_json(loaded_model_json) # load weights into new model loaded_model.load_weights("model.h5") print("Loaded model from disk") 18 Chương THỰC NGHIỆM, ĐÁNH GIÁ KẾT QUẢ VÀ XÂY DỰNG ỨNG DỤNG ĐẾM NHỊP THỞ Trong chương nội dung cuối này, luận văn tập trung vào việc trình bày phương pháp đánh giá kết thử nghiệm, liệu thử nghiệm, kết thử nghiệm đưa kết luận đánh giá tỉ lệ nhận dạng nhịp thở Cuối cùng, luận văn xin trình bày việc áp dụng kết nghiên cứu vào việc xây dựng ứng dụng để đếm nhịp thở 3.1 3.1.1 Thử nghiệm Độ đo đánh giá Trong thử nghiệm này, luận văn sử dụng độ đo đánh giá [20] là: Precision, Recall F- measure thường áp dụng phân loại liệu Precision độ đo xác đắn việc phân loại liệu Recall độ đo tính tốn vẹn việc phân lớp liệu 3.1.2 Bộ liệu thử nghiệm a Thu thập liệu Để tiến hành thu thập liệu, việc chuẩn bị micro điều cần thiết Trong hệ thống thực nghiệm luận văn, sử dụng micro khơng dây có kết nối bluetooth đến máy tính Một chương trình để ghi âm lại liệu điều cần thiết Quá trình thu thập liệu Dữ liệu thu thập sau Người cần theo dõi lấy liệu đeo micro khơng dây vịng qua đầu Một đầu kết nối tai nghe kết nối với máy tính chạy phần mềm Audactiy Khi kết nối bắt đầu ổn định, bắt đầu thu thập liệu Người theo dõi thở bình thường thời gian thu thập liệu, lần lấy liệu kéo dài khoảng năm phút Một số yếu tố thử nghiệm lấy liệu sau: - Người theo dõi vừa trải qua trình vận động mạnh, nhịp thở trở nên gấp nhanh bình thường - Người theo dõi trạng thái nghỉ ngơi - Môi trường xung quanh bị ảnh hưởng tiếng ồn nhẹ: phịng có tiếng người nói chuyện, tiếng quạt chạy… - Mơi trường xung quanh hồn tồn yên tĩnh b Dữ liệu thử nghiệm Để đơn giản cho trình nhận dạng đáp ứng thời gian tính tốn đủ nhanh, luận văn đề xuất phương án sử dụng liệu âm dạng Mono Dữ liệu thu thập ba người trưởng thành (độ tuổi 27 tuổi) lượt lấy liệu kéo dài ba phút Đối tượng cần lấy liệu nhịp thở đeo micro với vành micro vòng qua đầu, đầu thu nhận liệu micro cách mũi khoảng 1.5 cm, yêu cầu đối tượng ngồi tránh 19 cử động trình thu thập liệu Một người lấy liệu nhiều lần, điều kiện thu thập liệu sau: - TH1: Môi trường yên tĩnh người theo dõi trạng thái nghỉ ngơi - TH2: Môi trường không yên tĩnh (có tiếng quạt, tiếng người nói chuyện bình thường) người theo dõi trạng thái nghỉ ngơi - TH3: Môi trường yên tĩnh người theo dõi vừa trải qua trình vận động mạnh (tập chạy chỗ nâng cao chân khoảng phút) - TH4: Môi trường khơng n tĩnh (có tiếng quạt, tiếng người nói chuyện bình thường) người theo dõi vừa trải qua trình vận động mạnh (tập chạy chỗ nâng cao chân khoảng phút) Các liệu điều kiện thu thập khác tách riêng để phục vụ đánh giá tính xác trường hợp riêng biệt Sau trình lọc liệu, cắt chuỗi liệu, trích xuất liệu file *.csv, kết thu trường hợp nêu sau: 3.1.3 - TH1: 205 mẫu liệu nhịp thở, 115 mẫu liệu nhịp thở - TH2: 171 mẫu liệu nhịp thở, 102 mẫu liệu nhịp thở - TH3: 188 mẫu liệu nhịp thở, 112 mẫu liệu nhịp thở - TH4: 232 mẫu liệu nhịp thở, 117 mẫu liệu nhịp thở Kết thực nghiệm Để tiến hành đánh giá độ xác phương pháp nhận dạng, tiến hành chia liệu riêng biệt theo bốn trường hợp nêu Bộ liệu chia theo tỉ lệ, sử dụng 70% liệu làm liệu huấn luyện 30% liệu lại dùng để đánh giá kết nhận dạng Bảng 3-1: Kết thử nghiệm TH1 TH2 TH3 TH4 Tổng số 205 (+) 115 (-) 171 (+) 102 (-) 188 (+) 112 (-) 232 (+) 117 (-) Thử nghiệm (30%) 62 35 51 31 56 34 70 35 Dự đoán 55 30 41 24 51 20 54 25 Dự đoán sai 10 14 16 10 Precision 0.917 0.854 0.785 0.844 Recall 0.887 0.804 0.911 0.771 F-measure 0.902 0.828 0.843 0.806 Ghi chú: (+) nhãn liệu nhịp thở, (-) nhãn liệu nhịp thở 20 Dưới biểu đồ kết thực nghiệm Hình 3-1: Chỉ số Precision, Recall, F-measure qua liệu thử nghiệm 3.2 Đánh giá Dựa kết thử nghiệm với bốn liệu thử nghiệm gồm: trường hợp người lấy mẫu trạng thái bình thường, mơi trường yên tĩnh; trường hợp người lấy mẫu trạng thái bình thường, mơi trường có tiếng ồn nhỏ; trường hợp người lấy mẫu vừa trải qua vận động mạnh, môi trường yên tĩnh; trường hợp người lấy mẫu vừa trải qua vận động mạnh, mơi trường có tiềng ồn nhỏ Luận văn rút số nhận xét sau đây: - Một cách tổng thể nhìn nhận liệu thử nghiệm tỉ lệ nhận dạng xác chưa cao, trường hợp tốt môi trường khơng có tiếng ồn, người lấy mẫu trạng thái nghỉ ngơi bình thường tỉ lệ xác mức 90.2% Còn trường hợp xấu 80.6% (trường hợp người lấy mẫu vừa hoạt động mạnh, mơi trường lấy mẫu có tiếng ồn nhỏ) - Mơi trường có tiếng ồn gây ảnh hưởng lớn đến kết dự đoán nhãn liệu Cụ thể điều kiện giống Trường hợp Trường hợp 2, tỉ lệ nhận dạng giảm từ 90.2% xuống 82.8% - Đối với trường hợp thử nghiệm liên quan đến nhịp thở sau người theo dõi vận động mạnh tỉ lệ nhận dạng bị thay đổi mạnh từ 90.2% xuống 84.3% Như yếu tố trình trạng vận động người theo dõi yếu tố ảnh hưởng quan trọng - Trung bình tỉ lệ xác toàn bốn thử nghiệm Precision (0.85), Recall (0.843) Fmeasure (0.845) 21 3.3 3.3.1 Xây dựng ứng dụng đếm nhịp thở Mơ hình triển khai hệ thống Mơ hình hoạt động ứng dụng đơn giản, bao gồm micro không dây gán với đối tượng cần theo dõi nhịp thở Micro không dây chia sẻ liệu âm với máy tính gần đó, khoảng cách khoảng hai mét Máy tính cài đặt phần mềm đếm nhịp thở Toàn hệ thống triển khai phịng kín với mức độ ồn vừa phải Hình 3-2: Mơ hình triển khai hệ thống Phần mềm hệ thống theo dõi kết đếm nhịp thở theo thời gian thực thông báo kết lên hình Giao diện sử dụng cịn cho phép bấm nút để bắt đầu trình đếm nhịp thở xóa liệu vừa đếm thử để bắt đầu lại từ đầu 3.3.2 Xây dựng ứng dụng đếm nhịp thở Có số thách thức gặp phải trong phải triển khai xử lý liệu theo thời gian thực Nói chung, việc phải xử lý tín hiệu liên tục theo thời gian thực xử lý cách chia tín hiệu thành nhiều phần Mỗi phần gọi cửa sổ (window) Thách thức đến từ việc định độ dài window, phụ thuộc vào khoảng thời gian cần thiết để thuật tốn phát xác đâu nhịp thở độ dài đệm (bộ đệm chứa liệu tạm thời, nơi chương trình đọc giá trị từ tín hiệu analog) Chiều dài đệm thường phụ thuộc vào cấu hình xử lý máy tính hệ thống Nếu thời lượng ghi đệm nhỏ mức cần thiết để phát nhịp thở, khả bị số nhịp thở trình theo dõi cao Thách thức đến từ việc kết hợp window liệu lại với để frame liệu hoàn chỉnh Frame mức đơn vị tối thiểu dùng để kết luận liệu có phải nhịp thở hay khơng Giả sử liệu nhịp thở dài giây, độ dài khung liệu window tối đa lưu trữ khoảng thời gian giây Như để có frame hồn chỉnh cần phải ghép nối liệu từ window liên tiếp Vấn đề thực thách thách việc phải xử lý thời gian thực, vậy, luận văn xin đề xuất phương pháp 22 sử dụng bất thường mẫu liệu để bắt đầu trình lấy mẫu liệu âm thực sự, để từ phải xử lý frame liệu nghi nghờ chứa liệu âm Chương trình với hai giao diện, giao diện cho phép bắt đầu đếm nhịp thở thống kết nhịp thở, với giao diện lại thể chuỗi liệu nhịp thở theo thời gian thực Hình 3-3: Chương trình đếm nhịp thở theo thời gian thực Bấm nút Start để bắt đầu đếm nhịp thở, đếm xong cần reset lại thời gian bấm nút Stop để xóa liệu cũ chuẩn bị đếm liệu Ứng dụng chạy thử nghiệm đối tượng với nhiều lần thử nghiệm khác bảng tổng kết trình chạy thử nghiệm Bảng 3-5: Kết thử nghiệm ứng dụng đếm nhịp thở theo thời gian thực STT Thời gian đo Số nhịp thở thực tế Số nhịp thở đo Lần 1 phút 16 25 Lần phút 18 24 Lần phút 36 54 Lần phút 35 51 Lần phút 35 55 Như vậy, từ trình thử nghiệm ứng dụng đếm nhịp thở, thấy tỉ lệ xác ứng dụng cịn thấp Điều giải thích q trình thu nhận xử lý âm theo thời gian thực chưa tốt, việc phát điểm bất thường liệu âm để bắt đầu cắt frame liệu đem so sánh kết luận nhịp thở cịn chưa xác Chỉ cần biến động thu nhận liệu tiếng bước chân mạnh, tiếng đồ vật rơi,… làm sai lệch trình phát bất thường cắt chuỗi liệu Vấn đền cần phải xử lý phương pháp tiên tiến để đem lại hiệu cao cho ứng dụng đếm nhịp thở 23 KẾT LUẬN Trên sở tìm hiểu tốn theo dõi nhịp thở lý thuyết học sâu phương pháp học sâu LSTM, luận văn đạt số kết sau: - Giới thiệu tổng quan vấn đề theo dõi sức khỏe thông qua theo dõi nhịp thở Bài toán theo dõi nhịp thở phân loại các toán toán theo dõi nhịp thở dựa âm - Tìm hiểu số nghiên cứu liên quan đến theo dõi hô hấp cách sử dụng cảm biến âm sử dụng thuật toán học máy: tốn phát âm hơ hấp dựa trích chọn đặc trưng, toán phân loại giai đoạn giấc ngủ dựa nhịp thở - Tìm hiểu học sâu, kỹ thuật LSTM, kỹ thuật lọc Kalman - Trình bày phương pháp áp dụng kỹ thuật LSTM cho toán theo dõi nhịp thở - Tiến hành lấy mẫu liệu trường hợp bình thường trường hợp đặc biệt (mơi trường có tiếng ồn, người theo dõi vừa trải qua vận động mạnh) Tách mẫu liệu Audacity, chuẩn hóa liệu gán nhãn chuẩn bị cho training thử nghiệm đo tỉ lệ xác - Xây dựng ứng dụng đếm nhịp thở theo thời gian thực Bên cạnh kết đạt hạn chế cần phải khác phục: - Tỉ lệ nhận dạng chưa cao, trường hợp tốt 90.2% trung bình trường hợp liệu 84.5% - Số liệu chưa đủ nhiều đa dạng, ngun nhân dẫn đến tỉ lệ xác chưa cao - Xử lý liệu lớn chưa tốt ảnh hưởng đến thời gian tạo model LSTM, tốc độ xử lý theo thời gian thực ứng dụng đếm nhịp thở Qua kết hạn chế hệ thống cho thấy việc tiến theo dõi nhịp thở đòi hỏi trình nghiên cứu thực lâu dài Trong phạm vi đề tài, luận văn thực phát đâu nhịp thở đâu nhịp thở, để xây dựng hệ thống nhận dạng mạnh hơn, tổng quát phải cần thêm nhiều thời gian Hướng phát triển trước mắt cần phải tập trung cải thiện độ xác thời gian tính tốn hệ thống Hướng phát triển xa đề tài quan tâm đến xu hướng công nghệ ngày dần tiến tới thiết bị nhỏ gọn có tính di động, kết đề tài làm sở cho việc xây dựng thiết bị nhỏ gọn nhận dạng tự động Lấy ví dụ thiết bị có tên “Raspberry pi” [21], thực chất máy tinh thu nhỏ chạy tảng hệ điều hành Linux, phần cứng máy sử dụng hệ thống System on Chip cấu hình thấp hồn tồn đáp ứng nhiều nhu cầu thiết bị di động 24 Hình 3-4: Raspberry Pi Raspberry pi lắp ghép thêm thiết bị ngoại vi cảm biến âm thanh, kết nối mạng… cho thiết bị Như hoàn tồn tạo thiết bị di động để theo dõi nhịp thở, ứng dụng phát bất thường nhịp thở… Một nhược điểm hiệu thiết bị khơng cao cải thiện cách đưa mã nguồn C++ để đáp ứng vấn đề đáp ứng thời gian thực thiết bị ... cách tổng quan toán theo dõi nhịp thở (đếm số nhịp thở) , lại cần theo dõi nhịp thở, vấn đề gặp phải theo dõi nhịp thở, mục tiêu đề tài, kỹ thuật sử dụng giải toán theo dõi nhịp thở Một số cơng trình... liệu nhịp thở, 115 mẫu liệu nhịp thở - TH2: 171 mẫu liệu nhịp thở, 102 mẫu liệu nhịp thở - TH3: 188 mẫu liệu nhịp thở, 112 mẫu liệu nhịp thở - TH4: 232 mẫu liệu nhịp thở, 117 mẫu liệu nhịp thở. .. đếm nhịp thở 23 KẾT LUẬN Trên sở tìm hiểu toán theo dõi nhịp thở lý thuyết học sâu phương pháp học sâu LSTM, luận văn đạt số kết sau: - Giới thiệu tổng quan vấn đề theo dõi sức khỏe thơng qua theo