Ứng dụng công nghệ IoT và học máy trong giám sát sức khỏe và phát hiện té ngã ở người cao tuổi

1. Đặt vấn đề

Vấn đề sức khỏe phổ biến của người cao tuổi như bệnh tim mạch, rối loạn hô hấp, huyết áp không ổn định và các rối loạn chuyển hóa khiến họ cần được giám sát sức khỏe thường xuyên. Trong đó, té ngã là một trong những nguy cơ nghiêm trọng nhất, dẫn đến chấn thương nặng, mất khả năng vận động, thậm chí tử vong.

Khi tuổi tác càng cao, tỷ lệ gặp vấn đề về dáng đi và thăng bằng tăng đáng kể: khoảng 20-40% người trên 65 tuổi và 40-50% người trên 85 tuổi gặp phải tình trạng này. Sự thay đổi dáng đi, thoái hóa các cơ quan thị giác và cảm giác, cùng với việc suy giảm khả năng kiểm soát thăng bằng là những yếu tố chính khiến người cao tuổi dễ té ngã. Ngoài ra, các bệnh nền như rối loạn huyết áp, nhịp tim, cùng việc sử dụng thuốc thường xuyên gây ra tác dụng phụ như chóng mặt, buồn ngủ, và mệt mỏi, cũng làm tăng nguy cơ té ngã.

Trong bối cảnh tốc độ già hóa dân số toàn cầu gia tăng nhanh chóng, việc chăm sóc và giám sát sức khỏe người cao tuổi trở thành một lĩnh vực quan trọng và cấp thiết. Nghiên cứu này đề xuất phát triển một hệ thống giám sát sức khỏe và phát hiện té ngã dựa trên công nghệ IoT và học máy, với những lợi ích nổi bật:

Phát hiện sớm bất thường sức khỏe: Theo dõi liên tục các chỉ số như nhịp tim, SpO2, và nhiệt độ, giúp nhận biết sớm các vấn đề tiềm ẩn, hỗ trợ điều trị kịp thời và hiệu quả.

Can thiệp nhanh chóng khi té ngã: Các hệ thống cảnh báo tự động gửi tín hiệu khẩn cấp đến người thân hoặc cơ quan y tế, giảm thiểu tác hại từ các tình huống nguy hiểm.

Nâng cao chất lượng cuộc sống: Người cao tuổi có thể sống độc lập hơn, tự tin trong các hoạt động hàng ngày và giảm sự phụ thuộc vào người chăm sóc.

Hỗ trợ đội ngũ chăm sóc và y tế: Cung cấp dữ liệu sức khỏe chính xác và liên tục, giúp các chuyên gia y tế đưa ra quyết định điều trị chính xác và hiệu quả.

Giảm tải hệ thống y tế: Hệ thống góp phần giảm thiểu nhu cầu nhập viện do các biến cố sức khỏe, tối ưu hóa nguồn lực y tế và giảm chi phí chăm sóc dài hạn.

Hệ thống này không chỉ đáp ứng nhu cầu chăm sóc sức khỏe cá nhân mà còn mở ra một hướng tiếp cận hiện đại và bền vững trong quản lý sức khỏe người cao tuổi.

Hình 1. Thiết bị giám sát sức khỏe và phát hiện té ngã (nguồn: internet)

2. Vai trò của công nghệ IoT và học máy trong giải quyết các vấn đề chăm sóc và theo dõi sức khỏe người cao tuổi

Sự phát triển mạnh mẽ của công nghệ Internet vạn vật (IoT) và học máy (ML) đang mở ra những giải pháp tiên tiến để giải quyết hiệu quả các thách thức trong chăm sóc và theo dõi sức khỏe người cao tuổi. Những vai trò nổi bật bao gồm:

Giám sát sức khỏe liên tục và thời gian thực

IoT: Các thiết bị đeo thông minh như đồng hồ sức khỏe, cảm biến gắn trên cơ thể, và thiết bị đo y tế tại nhà có khả năng thu thập dữ liệu sức khỏe (nhịp tim, SpO2, huyết áp, nhiệt độ) liên tục. Điều này cho phép theo dõi tình trạng sức khỏe thời gian thực mà không cần sự can thiệp trực tiếp từ nhân viên y tế.

Học máy: Phân tích dữ liệu được thu thập để phát hiện các bất thường sức khỏe sớm, từ đó cảnh báo người dùng và bác sĩ ngay khi cần thiết.

Phát hiện và cảnh báo té ngã

IoT: Các cảm biến chuyển động và gia tốc kế gắn trên cơ thể hoặc tích hợp trong nhà có thể phát hiện các chuyển động bất thường, như té ngã.

Học máy: Mô hình ML như CNN hoặc LSTM có thể phân biệt giữa các tình huống té ngã thực sự và các chuyển động thông thường khác, giúp giảm thiểu các cảnh báo sai (false alarms).

Cá nhân hóa chăm sóc sức khỏe

IoT: Các thiết bị IoT cung cấp dữ liệu cụ thể về thói quen vận động, giấc ngủ, và các thông số sức khỏe cá nhân, tạo điều kiện xây dựng kế hoạch chăm sóc phù hợp với từng cá nhân.

Học máy: ML hỗ trợ phân tích dữ liệu lịch sử để dự đoán nguy cơ mắc bệnh, đề xuất các biện pháp phòng ngừa và điều trị tối ưu cho từng người.

Tăng cường khả năng tiếp cận dịch vụ y tế

IoT: Các thiết bị kết nối có thể hoạt động từ xa, cho phép bác sĩ và người thân giám sát tình trạng sức khỏe của người cao tuổi mà không cần thăm khám trực tiếp. Điều này đặc biệt hữu ích cho người sống ở khu vực nông thôn hoặc có hạn chế trong di chuyển.

Học máy: Hỗ trợ xây dựng các hệ thống tư vấn sức khỏe tự động, cung cấp thông tin và khuyến nghị phù hợp dựa trên dữ liệu thu thập.

Nâng cao hiệu quả và giảm chi phí chăm sóc

IoT: Tự động hóa quá trình giám sát và thu thập dữ liệu giúp giảm tải công việc cho nhân viên y tế và tiết kiệm chi phí chăm sóc dài hạn.

Học máy: Phân tích hiệu quả dữ liệu lớn (big data) để tối ưu hóa quy trình chăm sóc, phát hiện kịp thời các vấn đề sức khỏe và giảm chi phí do nhập viện khẩn cấp.

Hỗ trợ phát triển các hệ thống chăm sóc thông minh

IoT: Tạo nên các môi trường sống thông minh (smart home) tích hợp các cảm biến an toàn, hệ thống cảnh báo, và thiết bị hỗ trợ sức khỏe cho người cao tuổi.

Học máy: Xây dựng các hệ thống học thích ứng (adaptive learning systems) có khả năng tự động điều chỉnh theo nhu cầu và tình trạng sức khỏe của từng người

Hình 2. Mô hình hệ thống giám sát sức khỏe và phát hiện té ngã ở người cao tuổi

3. Xây dựng hệ thống giám sát sức khỏe và phát hiện té ngã

3.1. Mô hình hệ thống

Hệ thống giám sát sức khỏe và phát hiện té ngã cho người cao tuổi dựa trên công nghệ IoT và học máy được thiết kế để đảm bảo tính toàn diện, linh hoạt và hiệu quả. Kiến trúc tổng quan của hệ thống bao gồm ba thành phần chính: thiết bị đầu cuối (Edge Devices), phần mềm webserver, giao diện người dùng trên nền webase.

Cảm biến sinh trắc học: Đo nhịp tim, SpO2, nhiệt độ cơ thể.

Cảm biến chuyển động: Gia tốc kế, con quay hồi chuyển để phát hiện dáng đi và té ngã.

Bộ vi xử lý trung tâm: thu thập, lưu trữ và phân tích dữ liệu sử dụng học máy, hiển thị dữ liệu khi người dùng yêu cầu..

Mô hình học máy: Mô hình CNN hoặc Random Forest được triển khai để phân tích dữ liệu sức khỏe và phát hiện các bất thường hoặc tình huống té ngã chính xác hơn.

Ứng dụng webserver: Hiển thị dữ liệu sức khỏe theo thời gian thực, bao gồm nhịp tim, SpO2, nhiệt độ và trạng thái vận động; gửi thông báo cảnh báo khi phát hiện tình huống nguy hiểm, như té ngã hoặc bất thường sức khỏe; cung cấp giao diện dễ sử dụng để cài đặt hệ thống và theo dõi lịch sử sức khỏe.

3.2. Thiết kế phần cứng

Phần cứng thiết bị sử dụng bộ điều khiển trung tâm là bộ vi điều khiển SoC ESP32 được thiết kế và sản xuất bởi Espressif Systems. Đây là lựa chọn phổ biến cho các ứng dụng IoT do chi phí thấp, mức tiêu thụ điện năng thấp và khả năng tích hợp Wi-Fi và Bluetooth.

Hình 3. Sơ đồ kết nối mạch CPU với các cảm biến

Trong đó, chúng tôi sử dụng các cảm biến sau:

Cảm biến độ ẩm và nhiệt độ DHT11 Temperature Humidity Sensor là cảm biến rất thông dụng hiện nay vì chi phí rẻ và rất dễ lấy dữ liệu thông qua giao tiếp 1 wire (giao tiếp digital 1 dây truyền dữ liệu duy nhất).

Cảm biến gia tốc MPU6050 là một module cảm biến tích hợp, kết hợp cảm biến gia tốc kế và con quay hồi chuyển (gyroscope). Nó được sử dụng để đo và theo dõi chuyển động, gia tốc và góc quay của một đối tượng.

MAX30100 là cảm biến đa năng được sử dụng cho nhiều ứng dụng. Là cảm biến theo dõi nhịp tim và cũng là máy đo oxy. Cảm biến có hai diode phát sáng, một cảm biến quang (photodetector) và các linh kiện xử lý tín hiệu để phát hiện nhịp tim và đo xung oxy.

3.3. Mô hình AI ứng dụng giám sát sức khỏe và phát hiện té ngã

Chúng tôi sử dụng thuật toán học sâu Random Forest và mô hình CNN để huấn luyện mô hình nhận dạng dữ liệu giám sát sức khỏe và phát hiện té ngã.

Hình 4. Mô hình AI nhận dạng dữ liệu giám sát sức khỏe và phát hiện té ngã

Trong đó, nguồn dữ liệu Dataset để huấn luyện mô hình như sau:

Nguồn dữ liệu cảnh báo ngã: Nguồn dữ liệu "Falls vs Normal Activities" trên Kaggle được thiết kế để phát hiện và phân loại rơi ngã, đặc biệt hữu ích trong lĩnh vực y tế công cộng. Dataset này bao gồm dữ liệu từ gia tốc kế và con quay hồi chuyển, mỗi loại có ba trục (x, y, z), tạo thành tín hiệu 6 chiều. Dữ liệu được thu thập ở tần số 20 Hz, với mỗi quan sát kéo dài 20 giây, tương ứng 400 điểm dữ liệu. Cảm biến được gắn trên cơ thể người tham gia tại các vị trí khác nhau để ghi nhận chuyển động trong các hoạt động bình thường (đi bộ, ngồi, lên xuống cầu thang) và các tình huống rơi ngã có kiểm soát, giúp mô phỏng thực tế.

Nguồn dữ liệu tình trạng sức khỏe: Dataset "Health Status" trên Kaggle được thiết kế để nghiên cứu mối quan hệ giữa nhiệt độ cơ thể, nhịp tim và độ bão hòa oxy trong máu (SpO2). Dữ liệu này rất hữu ích trong việc phân tích và đánh giá tình trạng sức khỏe của con người. Dữ liệu được thu thập từ các cảm biến đo nhiệt độ cơ thể, nhịp tim và SpO2. Các cảm biến này được gắn trên cơ thể người tham gia để thu thập dữ liệu liên tục. Quá trình thu thập dữ liệu bao gồm việc đo lường các chỉ số này trong các điều kiện khác nhau để đảm bảo tính đa dạng và độ chính xác của dữ liệu.

Tiền xử lí dữ liệu cảnh báo ngã: Sau khi thu thập dữ liệu từ tệp fall_dataset.csv, chúng tôi thực hiện tiền xử lý dữ liệu để chuẩn bị huấn luyện mô hình mạng nơ-ron tích chập (CNN). Đầu tiên, nhãn được mã hóa thành dạng số nguyên bằng LabelEncoder. Tiếp theo, dữ liệu được chia thành tập huấn luyện (80%) và tập kiểm tra (20%) bằng hàm train_test_split. Dữ liệu sau đó được tái cấu trúc thành các tín hiệu có kích thước đồng nhất, bổ sung một chiều để phù hợp với định dạng ảnh xám. Cuối cùng, dữ liệu được chuẩn hóa để tăng tính ổn định, giúp cải thiện hiệu suất dự đoán và đánh giá sự cố ngã.

Hình 5. Biểu đồ phân phối số lượng các hoạt động

Tiền xử lí dữ liệu sức khỏe: Sau khi đọc dữ liệu từ health_dataset.csv bằng pandas, chúng tôi kiểm tra cấu trúc và thông tin dữ liệu. Các cột body temperature, pulse, SpO2 được chọn làm input (X), và cột Status làm output (y). Dữ liệu được chia thành tập huấn luyện (80%) và tập kiểm tra (20%) bằng train_test_split. Mô hình Random Forest được xây dựng bằng RandomForestClassifier, huấn luyện trên tập huấn luyện để dự đoán trạng thái sức khỏe. Kết quả được đánh giá qua ma trận nhầm lẫn và báo cáo phân loại (precision, recall, f1-score). Cuối cùng, mô hình được lưu vào health_model.pkl bằng joblib.dump, sẵn sàng dự đoán dữ liệu mới một cách hiệu quả.

4. Thử nghiệm và đánh giá

Sau khi cài đặt và tích hợp thành công ESP32, MPU6050, DHT11, MAX30100, và sử dụng ReactJS cho giao diện người dùng và PostgreSQL cho cơ sở dữ liệu backend, HiveMQ cho quản lý IoT và Jupyter Notebook cho phân tích dữ liệu, chúng tôi đã phát triển một hệ thống tích hợp có khả năng:

• Thu thập dữ liệu đa dạng: Hệ thống hiệu quả thu thập dữ liệu từ các cảm biến bao gồm gia tốc kế, nhiệt độ, độ ẩm, nhịp tim và mức độ oxy trong máu.

• Quản lý dữ liệu an toàn và hiệu quả: Dữ liệu được quản lý an toàn trong cơ sở dữ liệu PostgreSQL, đảm bảo bảo mật và truy cập nhanh chóng đến các bản ghi.

• Giao tiếp IoT mạnh mẽ: HiveMQ hỗ trợ giao tiếp mượt mà và trao đổi dữ liệu giữa các thiết bị và hệ thống, đơn giản hóa tích hợp và tăng cường tính linh hoạt vận hành.

• Phân tích và hiển thị dữ liệu tiên tiến: Jupyter Notebook cung cấp môi trường linh hoạt để thực hiện phân tích dữ liệu chi tiết, kiểm tra các mô hình và trình bày kết quả một cách trực quan.

• Giao diện người dùng tối ưu hóa: ReactJS được áp dụng để tạo ra giao diện người dùng thân thiện, tăng cường tương tác mượt mà và tính sử dụng dễ dàng.

Hình 6. Giao diện phần mềm trên nền webbase

5. Kết luận

Hệ thống sử dụng các cảm biến IoT để thu thập dữ liệu về nhịp tim, SpO2, nhiệt độ cơ thể và phát hiện các tình huống té ngã rất hữu ích trong thu thập, quản lý, phân tích dữ liệu và cung cấp trải nghiệm người dùng toàn diện. Những thành tựu đạt được không chỉ khẳng định tính khả thi của giải pháp mà còn mở ra tiềm năng ứng dụng trong các lĩnh vực y tế và IoT. Với nền tảng hiện có, hệ thống sẵn sàng được mở rộng và phát triển để đáp ứng nhu cầu ngày càng cao về giám sát sức khỏe và môi trường thông minh, góp phần nâng cao chất lượng cuộc sống và thúc đẩy ứng dụng công nghệ tiên tiến vào thực tiễn.

Tài liệu tham khảo:

[1] https://medium.com/@mayankverma05032001/binary-classification-using-convolution-neural-network-cnn-model-6e35cdf5bdbb

[2]. Đỗ Trung Tuấn, Cơ sở dữ liệu, nxb. Đại học quốc gia Hà Nội, 2010

[3]. Vũ Hữu Tiệp, Machine Learning cơ bản, 2018

[4]. I. Goodfellow et al., Deep Learning, MIT press, 2016

[5]. C. Bishop, Pattern Recognition and Machine Learning, Springer, 2006

[6]. A.Sucerquia, J. L. Lopez, J. F. Vargas-Bonilla , SisFall: A Fall and Movement Dataset Sensors, 2017

[7]. Oliver Theobald, Machine Learning For Absolute Beginners, 2017

[8]. HiveMQ Team, Hive MQ MQTT Essentials, 2023

[9]. Chris Minnick, Beginning ReactJS Foundations Building User Interfaces with ReactJS An Approachable Guide, 2022

[10]. M.S. Al-Kahtani, F. Khan, W. Taekeun. (2022). Application of Internet of Things and Sensors in Healthcare. Sensors, 22(15), 5738.

[11]. R. Strogonov, Implementing pulse oximeter using MAX30100, 2017 (accessed 10 March 2024).

Nguyễn Công Nhật Minh, Dương Xuân Đạt, Vũ Quốc Việt

(Học viện công nghệ bưu chính viễn thông)