Chương này tổng kết lại các vấn đề, mục tiêu đã giải quyết trong khóa luận dong thời dé xuất những hướng phát triển cho các nghiên cứu tiếp theo trong tương lai. Những dé xuất này sẽ đóng góp vào sự phát triển và cải tiễn của các phương pháp phân lớp giai đoạn giác ngủ và mở ra cơ hội cho ứng dung trong lĩnh vực
chăm sóc sức khỏe và nghiên cứu giấc ngủ.
7.1. Kêt luận
Nội dung khóa luận tốt nghiệp tập trung tìm hiéu về bài toán phân lớp các giai đoạn giấc ngủ, nghiên cứu và áp dụng các phương pháp dựa trên học sâu dé áp dụng
giải quyết bài toán. Dựa trên các mục tiêu đã đặt ra, khóa luận đã đạt được các kết
quả như sau:
- Tìm hiểu tổng quan về bài toán phân lớp các giai đoạn giấc ngủ, các khía cạnh quan trọng và thách thức liên quan đến việc phân lớp chính xác các giai đoạn giấc ngủ từ dữ liệu đa ký giấc ngủ.
- Tìm hiểu và hệ thống lại các hướng nghiên cứu, các phương pháp liên quan đến bài toán phân lớp các giai đoạn giấc ngủ.
- Tim hiểu các phương pháp phân lớp các giai đoạn giấc ngủ dựa trên học sâu tiên tiến hiện nay, cụ thé là các phương pháp DeepSleepNet [11], TinySleepNet
[12]. AttnSleep [13], TS-TCC [14], CA-TCC [15].
- Thực nghiệm lại và đánh giá các phương pháp đã tim hiểu trên bộ dữ liệu Sleep EDE Expanded. Nhóm đã khảo sát và đánh giá hiệu suất của các phương pháp
như DeepSleepNet, TinySleepNet, AttnSleep, TS-TCC và CA-TCC trên bộ dữ liệu
Expanded Sleep-EDF tín hiệu đơn kênh EEG Fpz-Cz. Đánh giá hiệu suất của các
mô hình theo các tiêu chí như: Precision, Recall, Fl-score. Trong đó TinySleepNet
cho thấy hiệu suất tốt trong việc phân lớp tổng thé, trong khi DeepSleepNet và AttnSleep đạt hiệu suất tương đối tốt. Tuy nhiên, TS-TCC và CA-TCC gặp khó khăn và có hiệu suất thấp hơn. Đối với TS-TCC và CA-TCC, cần cải thiện đáng kê
dé đạt được kết quả tốt hơn trong việc phân lớp tổng thé. Trong đó kết quả cho thấy
83
các phương pháp đạt hiệu suất khá tốt trên bộ dữ liệu. Phương pháp CA-TCC và TS-TCC có hiệu suất trung bình với Fl-score khoảng 70%, trong khi phương pháp DeepSleepNet và AttnSleep có hiệu suất tốt hơn với Fl-score trên 75%. Phương pháp TinySleepNet cho thấy khả năng phân loại chính xác nhất với Fl-score là 81.97%. Các kết quả thực nghiệm giúp đánh giá khả năng ứng dụng của các phương pháp học sâu trong bài toán phân lớp giai đoạn giấc ngủ.
- Dua trên kết quả thực nghiệm, nghiên cứu đưa ra kết luận tong quan về hiệu quả và ưu điểm của các phương pháp học sâu đã thực nghiệm. Phân tích kết quả phân lớp cho từng giai đoạn giấc ngủ cho thấy: các phương pháp đều đạt được hiệu suất phân lớp khá cao trong giai đoạn thức W, tuy nhiên vẫn còn gặp nhiều khó khăn dé nhận diện được giai đoạn NI, khi hầu hết các phương pháp chỉ đạt F1-score
từ 20% đến khoảng 50%.
- Dựa trên những quan sát, nhận định, nhóm đã tiến hành khảo sát và thử nghiệm sử dụng hàm kích hoạt GELU để thay thế ReLU trong kiến trúc của TinySleepNet, TC-TCC, CA-TCC đề huấn luyện mô hình. Qua đó, tìm hiểu khả năng nâng cao kết quả phân lớp giai đoạn giấc ngủ. Tuy nhiên, kết quả cải thiện của những thử nghiệm chưa đáng ké.
- Xây dựng công cu cho phép người dùng nạp dữ liệu về giấc ngủ và cho ra kết qua phân lớp tự động cho các dữ liệu đầu vào. Dé trực quan hóa kết quả nghiên cứu, nhóm đã sử dụng các công cụ và thư viện hỗ trợ của Python dé xây dựng một công cụ phân lớp giai đoạn giấc ngủ trên framework Flask. Điều này giúp nhóm có cái nhìn rõ ràng và có khả năng trình bày kết quả nghiên cứu một cách dễ dàng và
trực quan.
Sau quá trình nghiên cứu và thực nghiệm các phương pháp phân lớp giai đoạn
giấc ngủ, chúng em đã tích lũy được nhiều kiến thức và kinh nghiệm quý giá về việc tìm hiểu, thực nghiệm và xây dựng công cụ áp dụng mô hình học sâu vào thực tế.
84
7.2. Huong phát triển
Dựa vào kết quả thực nghiệm cho thấy vẫn còn nhiều thách thức trong bài toán phân lớp các giai đoạn giấc ngủ sử dụng dữ liệu tín hiệu não EEG kênh Fpz-cz. Với những kết quả đã đạt được, chúng em đề xuất những hướng phát triển có thé áp dụng trong những nghiên cứu tiếp theo trong tương lai, cụ thé:
- Tiếp tục tìm hiểu về các phương pháp phân lớp dựa trên học sâu.
- Bồ sung thêm dữ liệu và tiễn hành thực nghiệm và đánh giá với các bộ dữ liệu khác dé xác định khả năng áp dụng phương pháp đề xuất vào các tình huống và
ngữ cảnh khác nhau.
- Tiếp tục tìm hiểu và áp dụng các phương pháp mới, cải tiễn quy trình tiền
xử lý dữ liệu và cải thiện kết quả phân lớp tốt hơn cho giai đoạn NI.
- Cải thiện công cụ theo hướng trực quan hơn, cho phép người dùng có thé
tùy chọn các chức năng.
- Nghiên cứu, xây dựng hệ thống ensemble system bang cách kết hợp kết qua
phân lớp của các phương pháp.
85
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]