Page 336 - SDMD CNKT va CNTT trong tien trinh CNH_HDH DBSCL

hiện tại mà còn phụ thuộc vào các bước trước đó. Bên cạnh mạng nơ-ron hồi
quy truyền thống (mạng nơ-ron hồi quy một chiều), RNN còn có biến thể là
RNN 2 chiều, mạng này không chỉ xét kết quả trước đó mà còn xét kết quả
dự kiến trong tương lai. Trong kiến trúc các mạng RNN có thể thêm vào nhiều
lớp ẩn nhằm cung cấp khả năng học tốt hơn trên dữ liệu. RNN thường được
ứng dụng trong lĩnh vực xử lý hình ảnh và xử lý dữ liệu chuỗi, như dữ liệu
thời gian, chuỗi DNA, xử lý ngôn ngữ tự nhiên. RNN có nhược điểm về khả
năng xử lý thông tin từ xa trong chuỗi dài, nên một số biến thể như long short-
term memory (LSTM) và gated recurrent unit (GRU) thường được ưa chuộng
hơn trong các ứng dụng y học. Một số nhà nghiên cứu đã tuyên bố rằng việc
kết hợp mạng nơ-ron LSTM với RNN có thể cải thiện hiệu suất dự đoán.

RNN và các biến thể thường được dùng để dự đoán bệnh lý và chẩn
đoán dựa trên dữ liệu chuỗi lâm sàng giúp bác sĩ đưa ra quyết định chẩn đoán
chính xác, dự đoán tái phát và phản ứng tác dụng thuốc giúp cá nhân hóa quá
trình điều trị, xử lý dữ liệu hình ảnh y khoa, dự đoán chuỗi thời gian trong y
học như dự đoán biểu hiện lâm sàng trong các chuỗi thời gian nhiệt độ cơ thể,
đường huyết huyết áp để quản lý bệnh lý hiệu quả.

Hỗ trợ phân tích dữ liệu để chăm sóc sức khỏe thu thập từ dữ liệu cảm
biến cơ thể đã được quan tâm nghiên cứu nhiều do các ứng dụng thực tế của
nó trong các hệ thống chăm sóc sức khỏe, đặc biệt là hệ thống nhận dạng hành
vi dựa trên thiết bị đeo thông minh nhằm cải thiện quá trình phục hồi chức
năng và kéo dài cuộc sống độc lập của bệnh nhân. Uddin et al. (2020) đề xuất
một hệ thống dựa trên cảm biến nhiệt độ cơ thể để nhận dạng hành vi bằng
mạng RNN. Dữ liệu của nghiên cứu được tổng hợp từ nhiều cảm biến cơ thể
như điện tâm đồ (ECG), gia tốc kế, từ kế,… các đặc trưng được trích xuất
được tăng cường hơn nữa thông qua phân tích thành phần chính của kernel
(kernel-based principal component analysis - KPCA). Sau đó các đặc trưng
mạnh mẽ này sẽ được đem đi huấn luyện trong mạng RNN cho nhiệm vụ
nhận dạng hành vi. Phương pháp được đề xuất được kiểm tra và so sánh với
phương pháp truyền thống, các tác giả chọn ba bộ dữ liệu có sẵn công khai
(MHEALTH, PUC-RiO và AreM) và áp dụng các kết hợp phương pháp đào
tạo và thử nghiệm khác nhau. Phương pháp được đề xuất cho thấy hiệu suất
vượt trội trên tất cả các bộ dữ liệu.

Ngày nay, các hệ thống theo dõi glucose liên tục (continuous glucose
monitoring system - CGM) đã mang lại nguồn dữ liệu sẵn có hơn. Aliberti et
al. (2020) đã đề xuất một giải pháp chuyên biệt dựa trên mạng LSTM để dự
đoán các giá trị tương lai của nồng độ đường huyết, cho phép ngăn ngừa sớm

322