Tổng quan về tích hợp cảm biến đeo và học máy
Nghiên cứu tổng quan của She et al. (2026) về hệ thống cảm biến đeo tích hợp học máy (Machine Learning - ML) cho thấy tiềm năng chuyển đổi từ theo dõi bệnh tật truyền thống sang giám sát dọc, lưu động. Các phương pháp truyền thống thường dựa vào các lần thăm khám bệnh viện định kỳ, gây gánh nặng hậu cần và xâm lấn, trong khi cảm biến đeo cho phép thu thập dữ liệu sinh lý liên tục, đa phương thức (multimodal) và không xâm lấn. Việc tích hợp ML giúp giải mã các tập dữ liệu phức tạp, phi tuyến tính từ cảm biến, hỗ trợ chẩn đoán sớm và phân tầng nguy cơ cho nhiều bệnh lý.
Phân loại cảm biến đeo
Cảm biến đeo được phân loại thành ba nhóm chính: cảm biến vật lý, cảm biến hóa học và cảm biến sinh học. Cảm biến vật lý (như cảm biến nhiệt, cơ học, điện sinh lý, âm thanh và quang học) phát hiện các đại lượng vật lý. Cảm biến hóa học tập trung vào các chất hóa học như khí và ion. Cảm biến sinh học phát hiện các phân tử sinh học trong dịch cơ thể. Nghiên cứu nhấn mạnh tầm quan trọng của việc tối ưu hóa vật liệu và cấu trúc vi mô để cải thiện độ nhạy và độ bền của cảm biến.
| Chỉ số/Kết cục | Kết quả theo tài liệu |
|---|---|
| Cỡ mẫu nghiên cứu | Khoảng 300 bài báo được chọn lọc từ hơn 600 hồ sơ |
| Độ nhạy cảm biến áp suất (Ref 57) | 23.37 mV/kPa |
| Giới hạn phát hiện cảm biến áp suất (Ref 66) | 4.9 Pa |
| Độ ổn định cảm biến (Ref 107) | 2% thay đổi điện trở sau 10.000 chu kỳ uốn |
| Độ ổn định cảm biến (Ref 104) | Khoảng 35% mất độ ẩm sau 10 ngày |
Thuật toán học máy trong hệ thống đeo
Các thuật toán ML được triển khai thông qua hai mô hình chính: tính toán tại biên (edge computing) và tính toán đám mây (cloud computing). Tính toán tại biên cho phép xử lý dữ liệu thời gian thực trên thiết bị, giảm độ trễ và bảo mật dữ liệu, trong khi tính toán đám mây hỗ trợ các mô hình phức tạp hơn với tài nguyên lớn. Các thuật toán truyền thống (như Linear Regression, SVM, KNN, DT, RF, NB, LDA) thường được sử dụng cho các tác vụ phân loại và hồi quy đơn giản. Ngược lại, học sâu (Deep Learning - DL) với các kiến trúc như CNN, RNN, LSTM và Transformer cho phép trích xuất đặc trưng tự động từ dữ liệu thô, mặc dù đòi hỏi tài nguyên tính toán cao hơn.
Bình luận: Thông tin theo [She et al., 2026]; đối chiếu guideline hiện hành khi áp dụng lâm sàng. Việc lựa chọn giữa ML truyền thống và DL cần cân nhắc kỹ giữa độ chính xác và tài nguyên phần cứng hạn chế của thiết bị đeo.
Ứng dụng lâm sàng và rào cản thực hiện
Hệ thống cảm biến đeo tích hợp ML đã được ứng dụng trong nhiều lĩnh vực như bệnh chuyển hóa (đái tháo đường, gout), bệnh thần kinh (Parkinson, động kinh, Alzheimer), bệnh tim mạch và bệnh hô hấp. Mặc dù đạt được kết quả khả quan trong các nghiên cứu thực nghiệm, việc triển khai thực tế vẫn đối mặt với các rào cản về chất lượng dữ liệu, tính bền vững của mô hình, khả năng giải thích (interpretability), quyền riêng tư và tuân thủ quy định. Tương lai của lĩnh vực này phụ thuộc vào việc xây dựng các đường ống (pipeline) khép kín, tích hợp giám sát từ xa và quản lý năng lượng thích ứng.
- Ưu tiên phát triển các cảm biến có độ bền cơ học cao và khả năng chống nhiễu tốt trong môi trường thực tế.
- Cần chuẩn hóa các giao thức thu thập dữ liệu và xác thực lâm sàng để đảm bảo tính so sánh giữa các nghiên cứu.
- Tập trung vào việc phát triển các mô hình ML có khả năng giải thích cao để tăng cường niềm tin của bác sĩ lâm sàng.
- Đẩy mạnh nghiên cứu về các mô hình nền tảng (foundation models) cho dữ liệu chuỗi thời gian để cải thiện hiệu quả học tập với dữ liệu hạn chế.
Tài liệu tham khảo:
Zichao She, Lin Shi, Daizhu Xie, et al., Machine learning-integrated wearable sensors for intelligent disease diagnosis and personalized healthcare, Chemical Engineering Journal, 2026, DOI: https://doi.org/10.1016/j.cej.2026.183437