ActiNet là công cụ nghiên cứu mã nguồn mở dùng học sâu để phân loại cường độ hoạt động thể lực từ dữ liệu gia tốc kế đeo ở cổ tay. Công trình được công bố trên Scientific Reports vào tháng 10/2026. Điểm đáng chú ý là cách mô hình xử lý tín hiệu chuyển động, chứ không phải lời hứa đồng hồ có thể tự hiểu chính xác mọi bài tập.
Phương pháp nghiên cứu
Nhóm nghiên cứu sử dụng bộ dữ liệu CAPTURE-24 gồm 151 người trưởng thành, ghi nhận chuyển động cổ tay trong sinh hoạt hằng ngày. ActiNet kết hợp biểu diễn học sâu từ dữ liệu gia tốc và một mô hình chuỗi để làm mượt kết quả dự đoán theo thời gian. Các tác giả đánh giá theo nhóm người tham gia bằng quy trình cross-validation, đồng thời so sánh với thuật toán random forest có bước hậu xử lý.
ActiNet đạt kết quả gì?
Trong đánh giá được công bố, ActiNet đạt macro F1 trung bình khoảng 0,82, so với 0,76 của hệ thống đối chứng. Cohen’s kappa tương ứng khoảng 0,86 và 0,80. Đây là các chỉ số đánh giá chất lượng phân loại; không nên viết rằng đồng hồ có “độ chính xác 82%” trong mọi hoạt động. Sai số còn tùy loại vận động, mẫu người dùng, môi trường và cảm biến.
Gia tốc kế có phải công cụ đo cường độ luyện tập hoàn chỉnh?
Không. Gia tốc kế đo sự thay đổi chuyển động của cổ tay. Khi đạp xe, tay có thể tương đối đứng yên dù vận động viên đang tiêu hao nhiều năng lượng. Khi nâng tạ, chuyển động tay không phản ánh đầy đủ tải cơ hoặc mức căng thẳng sinh lý. Dữ liệu nhịp tim, công suất, pace, cảm nhận gắng sức và lịch sử tập luyện đóng vai trò khác nhau.
Ứng dụng trong khoa học thể thao
Đối với nghiên cứu sức khỏe cộng đồng, công cụ phân loại mức hoạt động từ dữ liệu đeo liên tục giúp đánh giá lối sống và xu hướng vận động trên quần thể. Đối với huấn luyện, kết quả có thể là một nguồn tham khảo về hoạt động ngoài giờ tập. Tuy nhiên, HLV không nên dùng phân loại của mô hình làm căn cứ duy nhất để tăng hoặc giảm khối lượng tập.
Tham khảo thêm: AI và thiết bị đeo cá nhân hóa tập luyện và cảm biến nhận dạng động tác.
Giới hạn cần lưu ý
Phương pháp đánh giá trên cùng một bộ dữ liệu không chứng minh rằng mô hình sẽ luôn hoạt động tương đương trên thiết bị mới hoặc nhóm người khác. Các đặc điểm như vị trí đeo, tốc độ lấy mẫu, hoàn cảnh sử dụng và cách gán nhãn hoạt động có thể ảnh hưởng đến kết quả. Khi áp dụng cho sản phẩm, cần kiểm định độc lập ngoài mẫu, thiết lập ngưỡng sai số và bảo vệ thông tin cá nhân.
Kết luận
ActiNet cho thấy tiềm năng của học sâu trong phân loại cường độ hoạt động từ cảm biến cổ tay. Giá trị khoa học nằm ở mô hình có thể kiểm tra và so sánh, không nằm ở một con số hiệu năng tách khỏi bối cảnh. Người tập nên sử dụng dữ liệu từ đồng hồ như một phần của bức tranh tổng thể.
Nguồn gốc: Acquah, Chan và Doherty (2026), ActiNet: an open-source tool for activity intensity classification of wrist-worn accelerometry using self-supervised deep learning, Scientific Reports. Ảnh đại diện minh họa thiết bị đeo, không phải mẫu thử nghiệm nghiên cứu.