Bài toán giám sát bệnh nhân qua hệ thống cảm biến vô tuyến

TAÏP CHÍ KHOA HOÏC ÑAÏI HOÏC SAØI GOØN Soá 23 (48) - Thaùng 12/2016 
40 
Bài toán giám sát bệnh nhân 
qua hệ thống cảm biến vô tuyến 
Patient tracking through wireless sensor network 
ThS. Lý Tú Nga, Trường Đại học Quốc tế - Đại học Quốc gia TP.HCM 
Ly Tu Nga, M.Sc., International University - National University Ho Chi Minh City 
GS.TS. Lê Tiến Thường, Trường Đại học Bách khoa TP.HCM 
Le Tien Thuong, Prof., Ph.D., Ho Chi Minh University of Technology 
TS. Mai Linh, Trường Đại học Quốc tế - Đại học Quốc gia TP.HCM 
Mai Linh, Ph.D., International University - National University Ho Chi Minh City 
Tóm tắt 
Vấn đề then chốt của việc giám sát bệnh nhân qua hệ thống cảm biến vô tuyến là độ nhạy thay đổi môi 
trường từ những vật cản như tường, tủ, v.v. Những độ nhạy này chính là những ảnh hưởng “xấ a 
động ường độ tín hiệu thu. Bài báo đề xuất bộ lọ đa phần tử dựa vào thuật toán tái lấy mẫu khoảng 
cách Kullback-Leibler hiệu chỉnh phương sai với độ dốc dữ liệu làm giảm những ảnh hưởng xấu dao 
động ường độ tín hiệu thu bằng việc tạ ra tập ẫu gần iền hả năng a . Đề xuất này cải thiện giám 
sát bệnh nhân. Ý tưởng của giải pháp này dựa vào tìm giá trị phương sai l wer b n thông q a tối ư 
cự đại độ h nh lệ h gi trị lỗi ủa đề xuất và tái lấy mẫu khoảng cách Kullback-Leibler. Kết quả mô 
phỏng kiểm chứng cho thấy giải pháp này cải thiện sai số định vị bệnh nhân so với các giải pháp truyền 
thống khác. 
Từ khóa: lấy mẫu quan trọng tuần tự, tái lấy mẫu KLD, cường độ tín hiệu thu, hệ thống y sinh. 
Abstract 
The major challenge for patient tracking through wireless sensor network system is the sensibility to 
changing environment created by obstacles such as walls, furniture, etc. This sensibility negatively 
affects the function of the system, causing variations of Received Signal Strength (RSS). In this paper, 
we propose a Particle Filter (PF) based on Kullback-Leibler Distance (KLD)-resampling to smooth 
down the bad effect of RSS variations by generating a sample set near the high likelihood region. This 
technique improves the efficiency of patient tracking. The key idea of this method is to find the lower 
bound variance based on maximizing the error gap between the proposal and KLD-resampling. All 
simulation results show that this technique reduces tracking errors compared to traditional approaches. 
Keywords: SIR, KLD-resampling, RSS, health care systems. 
1. Mở đầu 
Thách thức hiện nay trong hệ thống 
 hă só sức khỏe là việc theo dõi/giám 
sát bệnh nhân, hệ thống quản lý và giám 
sát vì dân số lã hóa gia tăng và tình trạng 
thiế nhân vi n điề ưỡng. Thông qua các 
thiết bị cảm biến gọn nhẹ đe tr n người 
bệnh đã đóng góp việc giám sát bệnh nhân 
41 
một cách linh hoạt tự động bất cứ lúc nào 
và nơi nà [1]. 
Gi s t định vị bệnh nhân bao gồm 
hai dịch vụ chính yếu: dịch vụ theo dõi vị 
trí và tình trạng bệnh nhân. Nhận thức 
chính xác vị trí bệnh nhân trong khoảng 
thời gian ngắn đóng vai trò q an trọng cho 
nhân vi n sơ ứu. Mặt khác, dịch vụ theo 
dõi tình trạng bệnh nhân trong tình trạng 
khẩn cấp phải liên tục và rất cần thiết cho 
nhân vi n điề ưỡng khi bệnh nhân di 
chuyển x ng q anh ơ sở lư trú. Nhiều 
loại thông tin về tình trạng của bệnh nhân 
được thu thập một cách tự động như đặc 
tính chuyển động bệnh nhân, huyết áp, 
nhịp tim, v.v 
Sai số định vị bệnh nhân đóng vai trò 
quan trọng trong hệ thống hă só sức 
khỏe. Các tác giả [2-5] đưa ra ô hình hệ 
thống thực nghiệm LAURA (LocAlization 
and Ubiquitous monitoring of pAtients) 
gi s t và định vị bệnh nhân dựa vào 
 ường độ tín hiệu thu RSS. 
 Khi bệnh nhân di chuyển, giải pháp 
Gra ient es ent [3] được áp dụng để xác 
định vị trí bệnh nhân. Giải pháp này tính 
khoảng cách bệnh nhân đến các anchor 
node bằng cách ánh xạ tín hiệu-khoảng 
cách SDM (Signal-to-Distance Mapping). 
Để phát hiện bệnh nhân di chuyển “x y n 
qua vật cản, tác giả kết hợp giải pháp 
Gradient descent và bộ lọ đa phần tử dựa 
vào thuật toán tái lấy mẫu tuần tự quan 
trọng SIR (Sequential Important 
Resampling) [2], kí hiệu là SIR PF. Gần 
đây, t giả [4] áp dụng thành công giải 
pháp bộ lọ đa phần tử dựa vào thuật toán 
tái lấy mẫu khoảng cách Kullback-Leibler 
(kí hiệu KLD-resampling) và phiên bản cải 
tiến bộ lọ đa phần tử dựa vào thuật toán 
tái lấy mẫu khoảng cách Kullback-Leibler 
với hiệu chỉnh phương sai và độ dốc dữ 
liệu [5] (kí hiệ Pr p sal) đã ải thiện định 
vị bệnh nhân tại mức công suất cố định. 
Ngoài ra, tác giả [5] hưa đưa ra th ật toán 
tìm giá trị phương sai l wer b n tr ng 
trường hợp tổng quát với các mức công 
suất khác nhau [6]. 
Bài b này đề xuất thuật toán tìm giá 
trị phương sai l wer b n ột cách tổng 
quát cho bài báo [5] với các mức công suất 
 h nha [6] để cải thiện định vị bệnh 
nhân so với các giải pháp truyền thống: 
Gradient descent [3] và SIR [2]. 
2. Nội dung 
2.1. Vấn đề 
Cấu trúc hệ thống giám sát bệnh nhân 
điển hình được cho ở Hình 1. Hệ thống bao 
gồ an h r n e đượ đặt ở các vị trí 
cố định trong phòng, mạng điều phối cá 
nhân PAN (Personal Area Network), bệnh 
nhân, cấu trúc mạng, định tuyến cây. 
Hình 1. Cấu trúc hệ thống giám sát [2] 
 Biết trước vị trí các anchor node, giá trị 
chỉ số ường độ hiệu thu RSSI (RSS 
In i at r) được thu thập giữa các cặp anchor 
node liên quan trong mạng. Bộ chỉ báo giá 
trị ường độ tín hiệ th RSSI được cung 
cấp bởi các thiết bị off-the-shelf mà không 
yêu cầu thêm phần cứng chuyên dụng. 
Giả định mô hình trì hoãn biết trước 
các số liệ li n q an RSSI như S (tính bằng 
đơn vị dBm) và khoảng cách giữa các 
anchor node d. Bảng chỉ số ường độ tín 
hiệ th RSSI được mô hình hóa [2] 
42 
10
0
100 - log v, 
dS S
d
 (1) 
với S0 là những giá trị RSSI giữa hai 
anchor nodes, d0 giá trị khoảng cách tương 
ứng, và là hệ số s y ha ôi trường. 
Nhiễu v là nhiễu ngẫu nhiên phân bố 
Gaussian 
2(0, )v tr ng ôi trường đa 
đường, với giá trị phương sai v phụ thuộc 
và đặ trưng ôi trường. 
Khoảng thời gian tr ng bình để thu 
thập 3 giá trị đ RSSI là 200 s. Khi đã ó 
mô hình lý thuyết truyền dẫn RSS như 
công thức (1), thì việ định vị bệnh nhân 
được giải quyết nhờ áp dụng giải pháp 
Gradient descent. Mô hình lý thuyết truyền 
dẫn RSS là phi tuyến nên việc kết hợp bộ 
lọ đa phần tử và Gradient descent hứa hẹn 
cải thiện định vị bệnh nhân. 
2.2. Giải pháp Gradient descent 
Gọi 2
i Rx ,i=1,...,M là vị trí của 
một anchor node, và M là số lượng các 
anchor node. Mỗi anchor node chứa một 
vector  
T
i i1 i2 iMs s s, ,..., s chỉ số giá trị 
 ường độ tín hiệ th RSSI tra đổi dữ liệu 
với an h r n e h , tr ng đó ijs là 
giá trị RSSI liên quan tới tín hiệ được 
phát ra bởi anchor node thứ i và thứ j. Ma 
trận   MxM1 2 M R, ,..., sS s s là tổng các 
giá trị chỉ số ường độ tín hiệu thu RSSI 
của tất cả các cặp anchor node. 
Mối liên quan tuyến tính giữa các giá 
trị RSSI và logarit của khoảng cách anchor 
n e [3] được tính 
 log , D TS (2) 
tr ng đó,  M D d ,d ,...,d1 2 là ma trận 
khoảng cách của tất cả các cặp anchor 
node,  
T
i i1 i2 iMd ,d ,...,d d là vector khoảng 
cách của anchor node thứ i ; và 
ijd là 
khoảng cách Euclidean giữa anchor node 
thứ i và thứ j; MxMR T là ma trận ánh xạ 
tín hiệu-khoảng cách; mỗi hàng của ma trận 
T đượ trình bày như là phương trình t yến 
tính của cột ma trận S, và 
T
it là trọng số của 
hàng thứ i. Ma trận T được tính toán dựa 
và phương ph p bình phương tối thiểu 
1
T Tlog .
 T D S SS (3) 
Khi ánh xạ tín hiệu-khoảng h được 
x định, định vị bệnh nhân thu thập các 
giá trị đ RSSI giữa chính nó và các anchor 
node gần kề sˆ . Khi đó ve t r h ảng cách 
dˆ tương ứng được tính 
 ˆ ˆexp . d Ts (4) 
2.3. Bộ lọc đa phần tử 
Sai số định vị bệnh nhân được cải 
thiện nhờ sự kết hợp thông tin biết trước 
như: n e h yển động và bản đồ môi 
trường hình học. Trong hệ thống này, bộ 
lọ đa phần tử theo dõi vị trí bệnh nhân tại 
thời gian t, vector trạng thái 
T
T T
t = t , t 
z x v , với 2Rt x là vị 
trí và 2Rt v là vận tốc bệnh nhân. 
Gọi 
T
T T
p p pt = t , t
z x v là vector 
bộ lọ đa phần tử ướ lượng với hàm xác 
suất hậu nghiệm trạng thái z tại thời điểm t, 
và p=1,,N; gọi pw t là trọng số bộ lọ đa 
phần tử. Khi đó, trạng thái của mụ ti được 
ướ lượng theo công thức (5) ở b n ưới. 
Giá trị ban đầu vị trí bệnh nhân 0xˆ 
được biết trước từ việ ướ lượng giá trị dˆ 
theo thuật toán Gradient descent từ 
M 2
i i i2
x i 1
1
0 x
2
ˆˆ arg min ,
 x x d (6) 
43 
tr ng đó, idˆ là giá trị khoảng cách 
đượ ướ lượng giữa bệnh nhân và anchor 
node thứ i; 
i là hệ số trọng số được tính 
2
i
i M 2
ii 1
ˆ
.
ˆ


d
d
 (7) 
tr ng đó, 
T là thời gian lấy mẫu; x 
và 
v là các giá trị tỉ lệ thí h nghi được 
x định thông qua mô hình thực nghiệm. 
Lấy đạo hàm công thức (6) với tham 
số x. Ướ lượng xˆ ùng để cập nhật 
M
k 1 k ki
i ik
i 1 i
2
1
ˆ
ˆ ˆ ˆ x ,
ˆ x
 

d
x x x
x
(8) 
T pt 1 t 1 t 1 t
t 1 t 1 t t 1
x x
v v
ˆ ˆ ˆ ˆw t ,
ˆ ˆ ˆ ˆ ,
x x v x
v v x x
 (5) 
với được khởi tạ là 0.1; ước 
lượng ban đầu 
 0
xˆ là bằng với vị trí của 
anchor node gần nhất. Khi khởi tạo giá trị 
ban đầu bộ lọ đa phần tử có thể tìm ẩn vị 
trí của mục tiêu bên ngoài tòa nhà, mô hình 
 ôi trường hình họ h trướ là điểm ràng 
buộc khởi tạo bệnh nhân bên trong tòa nhà. 
2.3.1. Tiên đoán 
Vector giá trị trạng thái mới của bộ lọc 
đa phần tử thứ p được tính theo mô hình 
động công thức kinematic 
p p p T x
p p v
t t 1 t 1
t t 1
,


x x v
v v
 (9) 
tr ng đó, x và v là nhiễu Gaussian 
với phương sai tương ứng 
x
2
 và v
2
 ; Nếu 
bản đồ ôi trường hình họ được cho 
trước và áp dụng ô hình động bằng cách 
gán trọng số của bộ lọc bằng 0 ( p 0w ) 
nghĩa là bệnh nhân đã “x y n q a tường . 
2.3.2. Cập nhật 
Sa q trình ti n đ n, trọng số của hạt 
thứ p được cập nhật dựa vào những giá trị 
thu thập RSSI tại thời điểm t. Trọng số của 
bộ lọ đa phần tử được thiết lập như sa 
M 2
p p i p i i2
i 1
1
t t 1 t
2
ˆw w - exp w x ,
 x d
(10) 
tr ng đó, idˆ là ướ lượng khoảng 
cách, p i 2t x x là giá trị khoảng cách 
của hạt từ anchor node thứ i. 
Một cách cụ thể để xem xét bệnh nhân 
di chuyển ra ng ài hay hưa, trọng số hàm 
phân bố bộ lọ đa phần tử theo công thức 
(10) được kiể tra, xe lư đồ giải thuật 
Hình 2. Khi tất cả các hạt đượ “nhốt 
trong một phòng tr ng hi đó bệnh nhân đã 
di chuyển ra ngoài phòng. 
N
p
p 1
tw ,
  (11) 
với  là giá trị ngưỡng được gán 10-5. 
Ngõ vào: hởi tạ vị trí bệnh nhân (6), 
trọng số (7), trạng th i zp(0) 
Ngõ ra:tạ ra tập ẫ ới {xp,wp}
Bệnh nhân ra hỏi 
phòng
Cập nhật: trọng số (10), 
 hởi tạ gi trị ngưỡng (11)
Tiên đoán: tạ trạng th i 
 ới h hạt (9)
-Tính t n vị trí bệnh nhân (5)
-T i lấy ẫ (SIR, KLD, đề x ất) 
-Ch ẩn hóa trọng số
không
có
Hình 2. Lư đồ cải thiện định vị 
Nếu việc kiểm tra thất bại (bệnh nhân 
ra khỏi phòng), các hạt sẽ hông ướ lượng 
bệnh nhân chính xác nên các hạt được khởi 
44 
tạo lại. Ngược lại, bệnh nhân không ra khỏi 
phòng, vị trí b nh nhân đượ x định, tái 
lấy mẫ được tiến hành, trọng số của bộ 
lọ đa phần tử được chuẩn hóa 
N
pp 1
t 1w
  . 
2.4. Thuật toán tái lấy mẫu 
2.4.1. Tái lấy mẫu tuần tự quan trọng SIR 
Bộ lọ đa phần tử [7] được biết đến 
như là bộ lọc bootstrap, hay kỹ thuật 
Monte Carlo, v.v. Dựa vào ý tưởng hàm 
mật độ hậu nghiệ được yêu cầu bởi một 
tập mẫu ngẫu nhiên (hạt) với những trọng 
số ơ bản liên quan. Việc tính toán những 
giá trị ướ lượng dựa vào các mẫu và trọng 
số ơ bản. Khi số lượng của mẫu rất lớn, 
đặ trưng M nte Carl tương đương hà 
xác suất hậu nghiệm và bộ lọc tối ư 
Bayesian. Tác giả đưa ra th ật toán lấy 
mẫu tuần tự quan trọng SIS (Sequential 
I p rtant Sa pling) như Hình 3, ba gồm 
tái lấy mẫu tại thời điểm tức thời. 
Cập nhật
trọng số
Hạt đề xuất
Khởi tạo 
trọng số
21 N
1 2 N
Chuẩn hóa trọng số
Hàm quan sát
Ước lượng
Ngõ ra
Thoát
Không
Đánh giá hiệu quả 
hạt
Cần tái lấy mẫu
Tái lấy mẫu
Có
Không
Có
Hình 3. Lư đồ thuật toán SIR PF [7] 
Thuật toán SIS sử dụng mật độ hàm 
quan trọng, đó là hà ật độ đại diện cho 
một số khác mà không thể tính toán chính 
x . D đó, ẫ được tạo ra từ mật độ 
quan trọng thay vì mật độ thực tế. Hiện 
tượng suy thoái mẫu là một vấn đề thường 
gặp với SIS PF, như bướ 3 Hình 4. Đối 
với hạt trọng số nhỏ, quá trình tái lấy mẫu 
sẽ bỏ qua các giá trị này (đượ đ nh ấu 
tr ng h ng à đỏ); hay hạt trọng số lớn 
được sao chép thành hai/ba hạt tương ứng. 
Ý tưởng khắc phục hiện tượng suy 
thoái mẫ được nêu ra trong bài báo [8]: sự 
“thỏa hiệp giữa hạt tập trung (sao chép 
các hạt trọng số lớn) và hạt phân hóa (loại 
bỏ các hạt hông đ ng ể). Giải pháp này 
còn gọi là tái lấy mẫu dựa vào giá trị hạt 
(hay thông tin trạng thái). Bài báo nêu ra 
ba giải pháp khắc phục hiện tượng suy 
thoái mẫ như: 1.T i lấy mẫu hiệu chỉnh 
(modified resampling): dựa vào hàm phân 
bố trọng số hạt. 2. Tái lấy mẫu kích thức 
thay đổi: nghĩa là họn số lượng hạt nhỏ 
nếu hàm phân bố tập trung vào phần nhỏ 
của không gian trạng th i và ngược lại, số 
lương hạt lớn nếu hàm phân bố tập trung 
vào phần lớn của không gian trạng thái: 
như t i lấy mẫu dựa vào khoảng cách 
Kullback-Leibler. 3. Làm nhám 
(Roughening): tập hạt tối ư : ựa vào hàm 
phân bố Gaussian kernels. 
Bước 1: hàm phân bố 
xác suất
Bước 2: biểu diễn bằng hạt
Bước 3: tái lấy mẫu dựa 
vào trọng số
Bước 4: hàm phân bố xác 
suất biểu diễn bằng hạt
Hình 4. Hiện tượng suy thoái mẫu [8] 
45 
Trong bài báo này chúng tôi xin trình 
bày giải pháp tái lấy mẫu khoảng cách 
Kullback-Leibler hiệu chỉnh phương sai 
với độ dốc dữ liệu của bộ lọ đa phần tử. 
2.4.2. Thuậ oán á ấ ẫu KLD 
 ệu c n ư ng độ ốc ệu 
Thuật toán lấy mẫu khoảng cách 
Kullbacl-Leibler [9] òn được gọi là bộ lọc 
thích nghi tại mỗi lần lặp của bộ lọc có số 
lượng mẫ x định với xác suất 1-  , và 
lỗi giữa giá trị hàm xác suất hậu nghiệm 
thực và mẫu xấp xỉ nhỏ hơn gi trị ngưỡng 
 h trước. 
Giá trị khoảng cách Kullback-Leibler 
giữa các hàm phân bố đề nghị (q) và (p) ở 
dạng rời rạc 
KL
x
x
p x
d p q p x
q x
W x x W x
|| log
q log ,


(12) 
với W x p x q x/ . Số lượng 
mẫu cần dùng Nr được tính 
2
r l 11
1
N
2
, ,

 (13) 
tr ng đó l là số lượng pin. Lượng tử 
phân bố Chi-sq are được tính 
 2 2l 1 l 11P 1, .   (14) 
Căn ứ và phương ph p h yển đổi 
Wilson-Hilferty để tính toán xấp xỉ 
2
l 11,  . 
Công thức (13) được biểu diễn theo cách 
khác 
3
r,KLD 1
1 2 2
1 ,
2 9 1 9 1
l
N z
l l


(15) 
với 1z  là tứ phân vị trên của hàm 
phân phối chuẩn. 
Giải pháp này có khuyết điểm: giới hạn 
thống kê về xấp xỉ mẫ được tính từ hàm 
phân phối đề xuất hơn là phân bố hậu 
nghiệm thực. Sự không phù hợp giữa hàm 
phân bố thực và phân phối đề xuất được 
loại bỏ. Để tránh hiện tượng này, công thức 
(15) được áp dụng trong quá trình tái lấy 
mẫu thay vì áp dụng ở qui trình lấy mẫu. 
Tác giả [10] đưa ra h phân hia hạt 
phân bố hậu nghiệ thành bins và đếm số 
lượng bins l mà ít nhất một hạt được tái lấy 
mẫ để x định tổng số hạt tái lấy mẫu. 
Phương ph p này được gọi là giải pháp tái 
lấy mẫu khoảng cách Kullback-Leibler. Khi 
đó, số lượng hạt yêu cầu Nr theo công thức 
(15) được viết lại 
 r re r KLDN N N, max ,min ,ceil . (16) 
Bên cạnh đó, bài b [11] n ra th ật 
toán lấy mẫu khoảng cách Kullback-Leibler 
với hiệu chỉnh phương sai và độ dốc dữ liệu 
nhằm cải thiện thời gian hoạt động hay lỗi 
định vị. Điều này được thực hiện nhờ vào 
điều chỉnh í h thước mẫu bằng cách gia 
tăng phương sai nghị h đảo tỉ lệ khả năng 
và tạo ra các mẫu mới xấp xỉ hàm phân 
phối thực hay miền khả năng a 
(li elih ). Tương tự phương ph p này, 
nhóm nghiên cứ đề xuất giải pháp kết hợp 
thuật toán tái lấy mẫu khoảng cách 
Kullback-Leibler với phương sai điều chỉnh 
và dữ liệ độ dố . Nghĩa là q trình thực 
hiện điều chỉnh í h thước mẫu bằng cách 
gia tăng phương sai nghị h đảo tỉ lệ khả 
năng và tạo ra các mẫu mới xấp xỉ hàm 
phân phối thự được thực hiện ở bước tái 
lấy mẫu [4,5]. 
Phương sai điều chỉnh được tính toán 
bằng cách sử dụng mối quan hệ giữa số 
lượng tối đa ẫu và số lượng mẫu cần thiết 
như sa : 
46 
 ad lb
r,re
max
N
,
N
   (17) 
tr ng đó, ad và lb là phương 
sai điều chỉnh và phương sai giới hạn ưới, 
tương ứng; 
Các mẫu mới được tạo ra bằng cách 
r re
l
l ad
l
l ad
if 0
otherwise
,
i
i
i+N
x=x
i
p h x
x .randn, i
xx ,
x .randn,


 
  
 
(18) 
với 
l
l
2
l
2
z1
22
i
ix=x x=x
p h x h x
exp
x x  
   
   
là phương sai ủa hàm phân bố xác suất 
Gaussian. 
Khi các mẫu mới tạo ra từ công thức 
(18) được sử dụng để cập nhật các trọng 
số. Thông qua giải pháp này, việc tạo ra 
các mẫu mới với miền khả năng a . Bảng 
1 trình bày thuật t n đề xuất. 
Trong giải ph p này, việ q an trọng 
là là sa tì đượ gi trị phương sai 
lower bound, công thứ (17). Th ật t n 
tì gi trị này được trình bày trong phần 
tiếp theo. 
2.4.3. uậ oán ư ng o 
bound 
Đề xuất thuật toán tìm giá trị phương 
sai l wer b n được cho Bảng 2 bên 
 ưới. Gọi lb i, là giá trị phương sai l wer 
bound thứ i; 
lb i
o
,
PrEr , 
KLDEr và 
SIREr là 
những giá trị lỗi của đề xuất và KLD-
resampling [10] và SIR [2]. 
Gọi lb i, * (dòng 12) là tập giá trị 
phương sai l wer b n đ p ứng điều kiện 
của Nhận xét 1 (dòng 11). Gọi 
lb i lb i
o KLD
, ,
PrEr Er Er  là khoảng lỗi của 
đề xuất và KLD-resa pling [10]. Khi đó 
lb 1 lb, ,Q
Er Er , , Er  là tập giá trị 
các khoảng lỗi của hai giải pháp nêu trên. 
Nhận xét 1: Nếu 0Er (dòng 11-
14) thì tồn tại một giá trị lb opt, thỏa mãn 
điều kiện cự đại tập Er . 
Bảng 1. Thuật toán KLD-resampling hiệu chỉnh phương sai và độ dốc dữ liệ (Đề xuất) 
1: procedure Pro lb Nmax, , ,    lb dựa vào Bảng 2 
2: i=0, l=0, Nr,re=0 Khởi tạo biến đếm, số bin, số hạt cần dùng 
3: tất cả bin là zero-resampled: b 
4: while ( r reN ,i && Nmaxi ) do 
5: Chọn một hạt ngẫu nhiên từ tập hạt theo trọng số 
6: i=i+1 
7: if (hạt tái lấy mẫu mới từ zero-resampled b) then 
8: 
ad theo công thức (17)  Tính t n phương sai hiệu chỉnh 
7: l=l+1  Cập nhật bin 
8: b:=resampled 
9: Nr,re theo công thức (16)  Cập nhật hạt sử dụng 
10: end if 
11: end while 
12:end procedure 
47 
Bảng 2. Thuật t n phương sai l wer b n 
1:procedure lblb,opt min,max,  
2: Khởi tạo mức công suất 
3: M Ch trước số lượng anchor nodes 
4:   Xác suất cố định 
5: i=1, lb 1 lb, ,i*min, Er   Khởi tạo các tập l wer b n , độ chênh lệch 
lỗi
6: while (
lb ,i max ) do 
7: lb lb,i* ,i    Cập nhật phương sai lower bound 
8: 
lb i
o
,
PrEr 
 Tính toán lỗi của Pro 
9: 
KLDEr
 Tính toán lỗi của KLD-resampling [10] 
10: SIREr  Tính toán lỗi của SIR [2] 
11: if (
lb i lb i
KLD o SIREr
, ,
Pro PrEr Er && Er  ) then  Kiểm tra khoảng lỗi 
12: lb lb lb,i* ,i* ,i     Cập nhật phương sai lower bound 
13: 
lb ,i*
Er Er Er  
 Cập nhật khoảng lỗi Pro và KLD-resampling 
14: end if 
15: i=i+1 
16: end while 
17: lb ,opt max Er  Tìm lb ,opt theo cự đại hàm Er 
18:end procedure 
3. Kết luận 
Tất cả các kết quả mô phỏng chạy trên 
PC Core i5-2400 @3.10GHz, 4.00GB 
RAM và MATLAB 2012a (7.14.0.739). 
Ngoài ra, tất cả thông số của hệ thống được 
cho trong Bảng 3. Bệnh nhân được theo 
dõi là một đường biết trước trong diện tích 
250m
2. An h r n e đượ đặt tại mỗi điểm 
test với 30 giây, với 30 gói RSSI được gởi 
tới mạng điều phối cá nhân. Mỗi gói RSSI, 
vị trí bệnh nhân đượ ướ lượng theo thuật 
toán SIR, Gradient descent, KLD -
resa pling và đề xuất. Test được lặp đi lặp 
lại cho bốn mật độ an h r n e, và ước 
lượng trên tập ngẫu nhiên của anchor node 
được lặp lại để tránh hiện tượng bias. 
3.1. h ập h ph n a 
bound lb 
Theo Nhận xét 1, Bảng 4 trình bày kết 
quả những giá trị tối ư phương sai l wer 
bound với các giá trị mức công suất khác 
nhau cho bốn mật độ anchor node. 
Bài báo sẽ xe xét và đ nh gi 
tracking lỗi của các thuật toán: Gradient 
descent [3], SIR [2], KLD-resampling [10] 
và đề xuất tại mức công suất tối thiểu 
(-25dBm). Theo Bảng 4, các giá trị phương 
48 
sai lower bound cho bốn mật độ anchor 
node tại mức công suất self-RSSI tối thiểu 
là 0.85, 0.2, 0.45, và 0.15 (xem Hình 5). 
Cuối cùng, tất cả giá trị phương sai l wer 
bound ở Bảng 4 được áp dụng để đ nh gi 
hiệu quả khoảng lỗi với bốn mật độ anchor 
node (xem Hình 6) và kiểm tra sự ảnh 
hưởng mật độ anchor node với toàn bộ 
mức công suất h đề xuất (xem Hình 7). 
Bảng 3. Thông số hệ thống 
Dòng Kí hiệu Giải thích Giá trị 
1 M Số lượng của anchor nodes [5;10;15;20] 
2 exp_day Data sets [12] '9 aprile 2' 
3 N_max Số subset cự đại để test cho mỗi mật độ node 1 
4 
x Tố độ thích nghi theo công thức (5) 1 
5 
v Tố độ thích nghi theo công thức (5) 0.8 
6  Giá trị ngưỡng theo công thức (11) 10-5 
7 Nmax Số lượng cự đại của hạt theo Bảng 1 50 
8  Giá trị bound error theo Bảng 1 0.65 
9  Xác suất cố định theo Bảng 1 0.01 
10 
lb Giá trị phương sai l wer b n Xem Bảng 4 
11 N Số lượng mẫu 100 
Bảng 4. Giá trị phương sai l wer b n với các mức công suất 
Anchor nodes Các mức công suất [dBm] 
0 -3 -5 -7 -10 -15 -25 
5 0.55 0.25 0.7 0.05 0.55 0.65 0.85 
10 0.7 0.6 0.45 0.55 0.55 0.45 0.2 
15 0.95 0.15 0.6 0.95 0.35 0.15 0.45 
20 0.3 0.6 0.3 0.25 0.8 0.65 0.15 
3.2. K t quả khác 
Hình 5 trình bày lỗi định vị đề xuất các 
giải pháp khác. Tại xác suất lỗi nhỏ hơn 
80% (Pr<80%), ba mật độ anchor node (10 
anchor nodes, 15 anchor nodes và 20 anchor 
nodes) thỏa ãn điều kiện sai số chuẩn [13] 
từ 3 đến 5m. Với mật độ anchor node 0.04 
(10 anchor nodes), khoảng lỗi giữa đề xuất 
with 50 particles so với thuật toán Gradient 
descent, SIR with 100 particles, KLD-
resampling with 50 paritlces là 0.16m, 
0.01 và 0.15 , tương ứng. Tương tự cho 
20 anchor node (0.08 anchor nodes/m
2
), 
khoảng lỗi giữa đề xuất with 50 particles so 
với thuật toán Gradient descent, SIR with 
100 particles, KLD-resampling with 50 
particles là 0.53m, 0.05m, 0.15m; và 15 
an h r n es là 0.63 , 0.22 , 0.24 . Điều 
này chứng tỏ, mật độ an h r n e àng tăng 
thì lỗi định vị càng giảm. 
49 
(a) (b) 
 (c) 
 (d) 
Hình 5. Tracking lỗi với mức công suất tối thiểu (-25dBm) 
(a)5 anchor nodes (b)10 anchor nodes (c)15 anchor nodes (d)20 anchor nodes 
Bảng 5 so sánh khoảng lỗi của các giải 
pháp với các mật độ anchor node. Khoảng 
lỗi giữa đề xuất with 50 particles và SIR 
with 100 particles; khoảng lỗi giữa đề xuất 
và KLD-resampling with 50 particles. Nhìn 
chung, với số lượng mẫu giảm phân nữa, 
đề xuất tương đối tốt tr ng 2 trường hợp 5 
và 20 anchor nodes. 
Kết hợp với Hình 5d, chúng tôi 
khuyến cáo sử dụng mật độ 20 anchor 
nodes sẽ cho sai số lỗi ưới 2m khi 
Pr<80%. Cuối ùng, đề xuất vẫn tốt hơn 
giải pháp KLD-resampling nhờ vào hiệu 
chỉnh phương sai và độ dốc dữ liệu thông 
qua tìm giá trị phương sai l wer b n . 
Bảng 5. Khoảng lỗi với mật độ anchor node 
1. Anchor nodes 2. Đề xuất và SIR [2] 3. Đề xuất và KLD-resampling [10] 
5 0.2 0.17 
10 0.02 0.18 
15 0.05 0.15 
20 0.27 0.23 
50 
Hình 6 đ nh gi ối liên quan giữa 
khoảng lỗi và các mức công suất cho tất 
cả các giải pháp với bốn mật độ anchor 
node. Với 5 an h r n es, như Hình 6a, 
nhìn chung các khoảng lỗi của đề xuất 
with 50 particles và SIR với 100 
particles là 0.2, 0.58, 0.44, 0.11, 0.4, 
0.41, và 0.36 hi thay đổi mức công suất 
từ -25 B đến 0 B , tương ứng. Ngoài 
ra, khi số lượng hạt như nha , h ảng lỗi 
của đề xuất và KLD-resampling là 0.15, 
0.55, 0.18, 0.08, 0.25, 0.08, và 0.38. 
Tương tự Hình 6a, hi tăng ật độ 
anchor node từ 0.02 anchor nodes/m2 đến 
0.08 anchor nodes/m
2, đề xuất khả thi 
hơn những giải pháp khác.Việ đ nh gi 
ảnh hưởng mức công suất với tracking 
lỗi của đề xuất cho các mật độ anchor 
n e được trình bày trong Hình 7. Với 
20 anchor nodes, tất cả đường 
tracking lỗi của đề xuất hội tụ và đạt 
 ưới 2m (Pr<80%), xem Hình 7d; Bên 
cạnh đó, việc cải thiện tracking lỗi từ 3m 
đến 5 tr ng trường hợp 5 anchor nodes, 
10 anchor nodes và 15 anchor nodes 
được trình bày trong các Hình 7abc. 
(a) 
(b) 
(c) 
(d) 
Hình 6. Khoảng lỗi với các mức công suất cho các giải pháp 
(a)5 anchor nodes (b)10 anchor nodes (c)15 anchor nodes (d)20 anchor nodes 
51 
 (a) 
 (b) 
 (c) 
 (d) 
Hình 7. Tracking lỗi và các mức công suất h đề xuất 
(a)5 anchor nodes (b)10 anchor nodes (c)15 anchor nodes (d)20 anchor nodes 
4. ết ận 
Bài báo nêu ra thuật toán tái lấy mẫu 
khoảng cách Kullback-Leibler dựa vào 
hiệu chỉnh phương sai và độ dốc dữ liệu 
cho bộ lọ đa phần tử trong y học. Kết quả 
mô phỏng kiểm chứng đã h thấy giải 
pháp mới cải thiện định vị bệnh nhân so 
với các giải pháp truyền thống. Bài báo 
khảo sát ảnh hưởng các mức công suất 
khác nhau với các mật độ anchor node 
khác nhau của bộ lọ đa phần tử trong 
mạng y học. 
Acknowledgment 
This research is funded by Vietnam 
National University Ho Chi Minh City 
(VNU-HCM) under grant number 
C2015-2803. 
TÀI LIỆU THAM KHẢO 
1. Ren Y., Pazzi R., and Boukerche A., 
(February 2010). Monitoring patients via a 
secure and mobile health care system, 
Wireless Communications, IEEE, vol. 17, 
no.1, 59-65 
52 
2. Alessandro Redondi, Marco Tagliasacchi, 
Matteo Cesana, Luca Borsani, Paula Tarrio, 
and Fabio Salice. (September, 2010). LAURA-
LocAlization and Ubiquitous monitoRing of 
pAtients for health care support. In 
Proccedings of IEEE 21st Symposium on 
Personal, Indoor and Mobile Radio 
Communications Workshops, 218-222, 
DOI:10.1109/PIMRCW.2010.5670365. 
3. Lim H., Kung L.-C., Hou J.C., and Luo H., 
(2010). Zero-configuration indoor localization 
over ieee 802.11 wireless infrastructure, 
Wireless Networks, vol.16, no.2, 405-420. 
4. Nga Ly-Tu, Thuong Le-Tien, Linh Mai 
(Dec.2015). Kullback-Leibler Distance 
Resampling based Particle Filter Applied to 
Health Care System. In Proceedings on the 
16th ASIA Pacific Industrial Engineering and 
Management Systems Conference, APIEMS 
2015, HCM city, Vietnam, 301-307. 
5. Nga Ly-Tu, Thuong Le-Tien, Linh Mai, (Mar. 
2016), Power adaptive-resampling based 
particle filters for wireless patient tracking 
applied to health care systems, Proceeding on 
the 7th International Conference on the 
Applications of Digital Information and Web 
Technologies (ICADIWT), Keelung city, 
Taiwan, 148-161, DOI: 10.3233/978-1-
61499-637-8-148. 
6. Hongliang Ren and Max Q.-H. Meng, (June 
2009). Power Adaptive Localization 
Algorithm for Wireless Sensor Networks 
Using Particle Filter, IEEE Trans. Vehicular 
Technology, vol.58, no.5, 2498-2508. 
7. Arulampalam M.S., Maskell S., Gordon N., 
Clapp T., (August 2002). A Tutorial on 
Particle Filters for Online Nonlinear/Non-
Gaussian Bayesian Tracking. IEEE 
Transactions on Signal Processing, Vol.50, 
no.2, 174-188. 
8. Tiancheng Li, Deterministic resampling: 
unbiased sampling to avoid sample 
impoverishment in particle filter, Signal 
Processing, Elsevier, 2012. 
9. Fox, D. (December 2003). Adapting the 
Sample Size in Particle Filters through KLD-
sampling. The International Journal of 
Robotics Research, vol.22, no.12, 985-1003. 
10. Li T., Sun S., and Sattar T.P., (June 2013). 
Adapting Sample Size in Particle Filters 
through KLD-resampling. Electronics Letters, 
Vol.49, No.12, 1-2, 
DOI: 10.1049/el.2013.0233. 
11. Sang-Hyuk Park; Young-Joong Kim; Hoo-
Cheol Lee; Myo-Taeg Lim (August 
2008). Improved Adaptive Particle Filter 
Using Adjusted Variance and Gradient Data. 
In Proceedings of IEEE International 
Conference on Multisensor Fusion and 
Integration for Intelligent Systems, Seoul, 
Korea, 650-655. 
12. ANT Lab. (2011) LAURA-Localization and 
Ubiquitous Monitoring of Patients for Health 
Care Support. Available at: 
 Accessed: Aug. 
30, 2015 
13. Zahid Farid, Rosdiadee Nordin, and 
Mahamod Ismail, Recent Advances in 
Wireless Indoor Localzation Techniques and 
System, Journal of computer Networks and 
Communications, Volume 2013, 1-13, 
Aug.2013. 
Ngày nhận bài: 26/5/2016 Biên tập xong: 15/12/2016 Duyệt đăng: 20/12/2016