[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_b%C3%B9%20chuy%E1%BB%83n%20%C4%91%E1%BB%99ng{\"limit\":5}":3,"_public_topic_byId_b%C3%B9%20chuy%E1%BB%83n%20%C4%91%E1%BB%99ng":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":17,"publishUser":21,"keywords":25,"keywordCount":18,"enrichTopicLink":26,"status":27,"createTime":28,"updateTime":29,"publishTime":30,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":31,"wikidataId":10,"relateTopics":32},"bù chuyển động","Bù chuyển động là gì? Các bài nghiên cứu khoa học liên quan","Bù chuyển động là kỹ thuật xử lý video dùng để mô tả và dự đoán sự dịch chuyển của các đối tượng giữa các khung hình liên tiếp nhằm khai thác dư thừa theo thời gian. Kỹ thuật này cho phép biểu diễn sự thay đổi hình ảnh bằng vector chuyển động và tín hiệu dư, từ đó giảm đáng kể dữ liệu cần mã hóa trong các hệ thống video số. ","\u003Cdiv>\u003Ch2>Khái niệm bù chuyển động\u003C\u002Fh2>\n\u003Cp>\nBù chuyển động (motion compensation) là một kỹ thuật xử lý tín hiệu được sử dụng để mô tả và khai thác sự thay đổi vị trí của các đối tượng trong chuỗi hình ảnh theo thời gian.\nTrong bối cảnh video số, bù chuyển động cho phép biểu diễn sự khác biệt giữa các khung hình liên tiếp thông qua các vector chuyển động,\nthay vì phải mã hóa lại toàn bộ thông tin hình ảnh của từng khung hình.\n\u003C\u002Fp>\n\u003Cp>\nVề bản chất, bù chuyển động dựa trên giả định rằng nội dung của cảnh quay thay đổi chậm theo thời gian,\nvà phần lớn sự khác biệt giữa hai khung hình liền kề xuất phát từ chuyển động của camera hoặc của các đối tượng trong cảnh.\nGiả định này đúng với đa số video tự nhiên như phim, truyền hình, giám sát hay hội nghị trực tuyến.\n\u003C\u002Fp>\n\u003Cp>\nBù chuyển động không phải là một kỹ thuật độc lập mà thường hoạt động kết hợp với các bước khác trong chuỗi xử lý video,\nbao gồm ước lượng chuyển động, biến đổi (transform), lượng tử hóa và mã hóa entropy.\nTrong toàn bộ chuỗi này, bù chuyển động đóng vai trò làm giảm dư thừa theo thời gian (temporal redundancy),\nmột trong ba loại dư thừa chính của tín hiệu video.\n\u003C\u002Fp>\n\n\u003Ch2>Vai trò của bù chuyển động trong nén video\u003C\u002Fh2>\n\u003Cp>\nNén video hiện đại dựa trên việc loại bỏ các thông tin không cần thiết hoặc ít quan trọng đối với cảm nhận thị giác của con người.\nTrong đó, dư thừa theo thời gian chiếm tỷ lệ rất lớn do các khung hình liên tiếp thường có nội dung gần giống nhau.\nBù chuyển động cho phép khai thác trực tiếp đặc điểm này bằng cách dự đoán khung hình hiện tại từ các khung tham chiếu trước hoặc sau.\n\u003C\u002Fp>\n\u003Cp>\nThay vì mã hóa toàn bộ khung hình, bộ mã hóa chỉ cần lưu trữ các vector chuyển động và phần sai khác giữa khung dự đoán và khung thực tế.\nPhần sai khác này thường có biên độ nhỏ hơn nhiều so với tín hiệu gốc, do đó có thể nén hiệu quả hơn.\nCách tiếp cận này giúp giảm đáng kể tốc độ bit mà vẫn duy trì chất lượng hình ảnh.\n\u003C\u002Fp>\n\u003Cp>\nVai trò của bù chuyển động có thể được minh họa thông qua so sánh giữa hai phương pháp mã hóa:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Mã hóa nội khung (intra-frame): mỗi khung hình được mã hóa độc lập.\u003C\u002Fli>\n  \u003Cli>Mã hóa liên khung (inter-frame): khung hình được dự đoán từ các khung khác bằng bù chuyển động.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nBảng dưới đây cho thấy sự khác biệt cơ bản giữa hai phương pháp này:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Tiêu chí\u003C\u002Fth>\n    \u003Cth>Mã hóa nội khung\u003C\u002Fth>\n    \u003Cth>Mã hóa liên khung (có bù chuyển động)\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Dư thừa theo thời gian\u003C\u002Ftd>\n    \u003Ctd>Không khai thác\u003C\u002Ftd>\n    \u003Ctd>Khai thác hiệu quả\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Tốc độ bit\u003C\u002Ftd>\n    \u003Ctd>Cao\u003C\u002Ftd>\n    \u003Ctd>Thấp hơn đáng kể\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Độ phức tạp\u003C\u002Ftd>\n    \u003Ctd>Thấp\u003C\u002Ftd>\n    \u003Ctd>Cao hơn\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Nguyên lý cơ bản của ước lượng chuyển động\u003C\u002Fh2>\n\u003Cp>\nƯớc lượng chuyển động là bước tiền đề của bù chuyển động, nhằm xác định cách mà các vùng trong khung hình đã di chuyển giữa các thời điểm khác nhau.\nQuá trình này thường bắt đầu bằng việc chia khung hình thành các khối hình chữ nhật có kích thước xác định,\nví dụ 16×16 hoặc 8×8 điểm ảnh.\n\u003C\u002Fp>\n\u003Cp>\nĐối với mỗi khối trong khung hiện tại, thuật toán sẽ tìm kiếm trong một vùng xác định của khung tham chiếu\nđể tìm ra khối có mức độ tương đồng cao nhất.\nMức độ tương đồng thường được đánh giá bằng các hàm chi phí như tổng sai khác tuyệt đối (SAD)\nhoặc tổng sai khác bình phương (SSD).\n\u003C\u002Fp>\n\u003Cp>\nKết quả của quá trình ước lượng là một vector chuyển động biểu diễn độ dịch chuyển theo phương ngang và dọc của khối.\nCác vector này được sử dụng trực tiếp trong bước bù chuyển động để tái tạo khung dự đoán.\nQuy trình cơ bản của ước lượng chuyển động có thể tóm tắt như sau:\n\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Chia khung hình thành các khối.\u003C\u002Fli>\n  \u003Cli>Xác định vùng tìm kiếm trong khung tham chiếu.\u003C\u002Fli>\n  \u003Cli>Tính hàm chi phí cho từng vị trí ứng viên.\u003C\u002Fli>\n  \u003Cli>Chọn vị trí có chi phí nhỏ nhất.\u003C\u002Fli>\n\u003C\u002Fol>\n\n\u003Ch2>Mô hình toán học của bù chuyển động\u003C\u002Fh2>\n\u003Cp>\nMô hình toán học của bù chuyển động mô tả mối quan hệ giữa các điểm ảnh trong khung hiện tại và khung tham chiếu.\nGiả sử chuyển động của một khối là tịnh tiến, giá trị điểm ảnh dự đoán có thể được lấy trực tiếp từ khung tham chiếu\ntại vị trí đã được dịch chuyển bởi vector chuyển động.\n\u003C\u002Fp>\n\u003Cp>\nBiểu thức toán học thường được sử dụng để mô tả quá trình này như sau:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\n\\hat{I}_t(x, y) = I_{t-1}(x + v_x, y + v_y)\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nTrong đó \u003Cscript type=\"math\u002Ftex\">I_{t-1}\u003C\u002Fscript> là khung tham chiếu,\n\u003Cscript type=\"math\u002Ftex\">(v_x, v_y)\u003C\u002Fscript> là vector chuyển động,\nvà \u003Cscript type=\"math\u002Ftex\">\\hat{I}_t\u003C\u002Fscript> là khung dự đoán.\nSai khác giữa khung thực tế và khung dự đoán được gọi là tín hiệu dư (residual),\nsẽ được tiếp tục xử lý bằng các bước biến đổi và lượng tử hóa.\n\u003C\u002Fp>\n\u003Cp>\nMặc dù mô hình trên giả định chuyển động tuyến tính và đồng nhất trong mỗi khối,\nnó vẫn đủ hiệu quả cho phần lớn các ứng dụng thực tế.\nCác mô hình phức tạp hơn, như chuyển động affine hoặc phi tuyến,\nchỉ được sử dụng trong các hệ thống chuyên biệt do chi phí tính toán cao.\n\u003C\u002Fp>\n\u003Ch2>Các phương pháp chia khối và độ phân giải chuyển động\u003C\u002Fh2>\n\u003Cp>\nTrong các hệ thống bù chuyển động, cách chia khối ảnh có ảnh hưởng trực tiếp đến độ chính xác dự đoán và độ phức tạp tính toán.\nCác chuẩn nén video ban đầu thường sử dụng kích thước khối cố định, phổ biến nhất là macroblock 16×16 điểm ảnh.\nCách tiếp cận này đơn giản, dễ cài đặt và phù hợp với phần cứng hạn chế.\n\u003C\u002Fp>\n\u003Cp>\nTuy nhiên, chuyển động trong video thực tế thường không đồng nhất trên toàn khối.\nVì vậy, các chuẩn hiện đại cho phép chia khối linh hoạt với nhiều kích thước khác nhau,\ntừ các khối lớn cho vùng nền ít chuyển động đến các khối nhỏ cho vùng có chuyển động phức tạp.\nCách chia này giúp cải thiện chất lượng dự đoán nhưng làm tăng số lượng vector chuyển động cần mã hóa.\n\u003C\u002Fp>\n\u003Cp>\nBên cạnh kích thước khối, độ phân giải của vector chuyển động cũng là yếu tố quan trọng.\nThay vì chỉ cho phép dịch chuyển theo đơn vị điểm ảnh nguyên,\nnhiều hệ thống hỗ trợ độ phân giải nửa điểm ảnh hoặc phần tư điểm ảnh thông qua nội suy.\nĐiều này giúp mô tả chuyển động mượt hơn, đặc biệt trong các cảnh có chuyển động chậm hoặc camera lia.\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Khối lớn: giảm số vector, nhưng dễ sai lệch với chuyển động phức tạp.\u003C\u002Fli>\n  \u003Cli>Khối nhỏ: tăng độ chính xác, nhưng chi phí tính toán và bit rate cao hơn.\u003C\u002Fli>\n  \u003Cli>Độ phân giải cao của vector: cải thiện chất lượng, tăng độ phức tạp.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Thuật toán tìm kiếm chuyển động\u003C\u002Fh2>\n\u003Cp>\nƯớc lượng chuyển động yêu cầu tìm kiếm khối tương đồng nhất trong một vùng tìm kiếm,\nvà đây là bước tiêu tốn nhiều tài nguyên tính toán nhất trong bộ mã hóa video.\nThuật toán tìm kiếm toàn phần kiểm tra tất cả các vị trí khả dĩ trong vùng tìm kiếm,\ncho kết quả tối ưu nhưng có độ phức tạp rất cao.\n\u003C\u002Fp>\n\u003Cp>\nĐể giảm chi phí, nhiều thuật toán tìm kiếm gần đúng đã được phát triển.\nCác thuật toán này khai thác đặc tính trơn của trường chuyển động,\ngiả định rằng chuyển động của các khối lân cận thường tương tự nhau.\nNhờ đó, không gian tìm kiếm được thu hẹp đáng kể.\n\u003C\u002Fp>\n\u003Cp>\nMột số thuật toán phổ biến bao gồm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Tìm kiếm ba bước (Three-Step Search): giảm dần kích thước bước tìm kiếm.\u003C\u002Fli>\n  \u003Cli>Tìm kiếm kim cương (Diamond Search): sử dụng mẫu tìm kiếm hình kim cương.\u003C\u002Fli>\n  \u003Cli>Tìm kiếm lục giác (Hexagon Search): cân bằng tốt giữa tốc độ và độ chính xác.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nPhân tích chi tiết các thuật toán này có thể tham khảo tại\n\u003Ca href=\"https:\u002F\u002Fieeexplore.ieee.org\" target=\"_blank\" rel=\"noopener\">IEEE Xplore\u003C\u002Fa>,\nnơi tập hợp nhiều công trình nghiên cứu đánh giá hiệu năng và độ phức tạp của từng phương pháp.\n\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng của bù chuyển động ngoài nén video\u003C\u002Fh2>\n\u003Cp>\nMặc dù được biết đến nhiều nhất trong nén video, bù chuyển động còn là thành phần quan trọng trong nhiều ứng dụng khác của xử lý ảnh và thị giác máy tính.\nTrong ổn định video, các vector chuyển động được sử dụng để ước lượng chuyển động của camera\nvà bù trừ rung lắc nhằm tạo ra chuỗi hình ảnh mượt hơn.\n\u003C\u002Fp>\n\u003Cp>\nTrong lĩnh vực theo dõi đối tượng, bù chuyển động hỗ trợ dự đoán vị trí tiếp theo của vật thể\ndựa trên quỹ đạo chuyển động đã quan sát được.\nCách tiếp cận này được sử dụng trong giám sát an ninh, xe tự hành và phân tích hành vi.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, bù chuyển động còn được ứng dụng trong:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Tăng cường chất lượng video độ phân giải thấp.\u003C\u002Fli>\n  \u003Cli>Dự đoán khung hình trong truyền phát video thời gian thực.\u003C\u002Fli>\n  \u003Cli>Xử lý video y sinh và ảnh vệ tinh.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nCác tổng quan ứng dụng có thể tham khảo tại\n\u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\" target=\"_blank\" rel=\"noopener\">ScienceDirect\u003C\u002Fa>,\nđặc biệt trong các tạp chí về xử lý tín hiệu và thị giác máy tính.\n\u003C\u002Fp>\n\n\u003Ch2>Hạn chế và thách thức của bù chuyển động\u003C\u002Fh2>\n\u003Cp>\nBù chuyển động dựa trên các giả định đơn giản về chuyển động,\nchủ yếu là chuyển động tịnh tiến và đồng nhất trong mỗi khối.\nTrong các cảnh có biến dạng mạnh, chuyển động phi tuyến hoặc che khuất,\ncác giả định này không còn phù hợp và dẫn đến sai số dự đoán lớn.\n\u003C\u002Fp>\n\u003Cp>\nNhững sai số này có thể biểu hiện dưới dạng nhiễu khối, bóng mờ hoặc biến dạng hình ảnh,\nđặc biệt khi bit rate thấp.\nNgoài ra, việc tăng kích thước vùng tìm kiếm hoặc giảm kích thước khối\nđể cải thiện độ chính xác sẽ làm tăng đáng kể độ phức tạp tính toán.\n\u003C\u002Fp>\n\u003Cp>\nMột thách thức khác là độ trễ trong các hệ thống thời gian thực.\nƯớc lượng và bù chuyển động yêu cầu nhiều phép tính,\nđòi hỏi phần cứng chuyên dụng hoặc các kỹ thuật tối ưu hóa mạnh mẽ để đáp ứng yêu cầu thời gian.\n\u003C\u002Fp>\n\n\u003Ch2>Xu hướng nghiên cứu và phát triển hiện nay\u003C\u002Fh2>\n\u003Cp>\nNghiên cứu gần đây tập trung vào việc kết hợp bù chuyển động truyền thống với các phương pháp học sâu.\nThay vì sử dụng các hàm chi phí thủ công,\nmạng nơ-ron có thể học trực tiếp đặc trưng chuyển động từ dữ liệu video lớn.\n\u003C\u002Fp>\n\u003Cp>\nCác mô hình học sâu cho phép mô tả chuyển động phức tạp hơn,\nbao gồm biến dạng, chuyển động không đồng nhất và tương tác giữa nhiều đối tượng.\nĐiều này đặc biệt quan trọng đối với video độ phân giải cao,\nvideo 360 độ và các ứng dụng thực tế ảo.\n\u003C\u002Fp>\n\u003Cp>\nSong song với đó, các chuẩn nén video thế hệ mới vẫn tiếp tục cải tiến bù chuyển động truyền thống,\ntối ưu hóa cấu trúc khối, độ phân giải vector và cơ chế dự đoán đa khung\nnhằm đạt hiệu quả nén cao hơn với chi phí chấp nhận được.\n\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Cul>\n  \u003Cli>\n    Richardson, I. E. G. \u003Ci>Video Codec Design\u003C\u002Fi>. Wiley, 2002.\n  \u003C\u002Fli>\n  \u003Cli>\n    Wiegand, T., Sullivan, G. J., Bjøntegaard, G., & Luthra, A.\n    “Overview of the H.264\u002FAVC Video Coding Standard.”\n    \u003Ci>IEEE Transactions on Circuits and Systems for Video Technology\u003C\u002Fi>, 2003.\n  \u003C\u002Fli>\n  \u003Cli>\n    Sullivan, G. J., Ohm, J. R., Han, W.-J., & Wiegand, T.\n    “Overview of the High Efficiency Video Coding (HEVC) Standard.”\n    \u003Ci>IEEE Transactions on Circuits and Systems for Video Technology\u003C\u002Fi>, 2012.\n  \u003C\u002Fli>\n  \u003Cli>\n    Tourapis, A. M., et al.\n    “Highly Efficient Predictive Video Coding Using Motion Compensation.”\n    \u003Ci>Proceedings of SPIE\u003C\u002Fi>, 2005.\n  \u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":22,"researcherId":10,"name":23,"imageUrl":24},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[13],false,"PUBLISHED","2025-12-01T11:27:38.679+00:00","2026-02-01T18:13:40.434+00:00","2026-02-01T18:13:40.431+00:00",79,[33,43,54,60,71,77,83,89,95,106],{"id":34,"title":35,"term":34,"englishTitle":36,"definition":37,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"tiêu chuẩn mpeg 4","Tiêu chuẩn mpeg 4 là gì? Khái niệm, cơ chế và ứng dụng","MPEG-4 standard","Tiêu chuẩn MPEG-4 là một bộ tiêu chuẩn quốc tế (ISO\u002FIEC 14496) do nhóm Moving Picture Experts Group phát triển, định nghĩa các công nghệ mã hóa, nén và truyền dẫn luồng dữ liệu nghe nhìn (audio, video) và đa phương tiện tương tác kỹ thuật số.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":44,"title":45,"term":46,"englishTitle":47,"definition":48,"discipline":49,"disciplineCode":50,"disciplineLabel":51,"disciplineColor":52,"disciplineIcon":53},"ct 4d","CT 4D là gì? Ứng dụng trong xạ trị ung thư chính xác","CT 4D","four-dimensional computed tomography","CT 4D là kỹ thuật chụp cắt lớp vi tính bốn chiều tích hợp yếu tố thời gian vào không gian ba chiều nhằm ghi nhận và bù trừ chuyển động sinh học hô hấp của các cơ quan nội tạng trong lập kế hoạch xạ trị.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":55,"title":56,"term":57,"englishTitle":58,"definition":59,"discipline":49,"disciplineCode":50,"disciplineLabel":51,"disciplineColor":52,"disciplineIcon":53},"mô hình lâm sàng","Mô hình lâm sàng là gì? Các nghiên cứu khoa học liên quan","Mô hình lâm sàng","clinical model \u002F clinical prediction model","Mô hình lâm sàng (clinical model, hay mô hình dự đoán lâm sàng) là cấu trúc toán học hoặc thuật toán học máy được xây dựng nhằm mô phỏng, chẩn đoán hoặc dự báo kết cục lâm sàng dựa trên việc tích hợp đa chiều các biến số đầu vào như triệu chứng lâm sàng, dấu ấn sinh học và dữ liệu bệnh án điện tử.",{"id":61,"title":62,"term":63,"englishTitle":64,"definition":65,"discipline":66,"disciplineCode":67,"disciplineLabel":68,"disciplineColor":69,"disciplineIcon":70},"kinh tế biển","Kinh tế biển là gì? Các bài nghiên cứu khoa học liên quan","Kinh tế biển","marine economy \u002F ocean economy","Kinh tế biển (marine economy hay ocean economy) là tổng thể các hoạt động kinh tế diễn ra trên biển, đại dương và dải ven biển, bao gồm việc khai thác, sử dụng các nguồn tài nguyên thiên nhiên biển và các ngành dịch vụ, hạ tầng trung chuyển gắn liền với không gian biển nhằm tạo ra của cải vật chất và động lực phát triển kinh tế – xã hội bền vững cho quốc gia.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":72,"title":73,"term":74,"englishTitle":75,"definition":76,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"tàu container","Tàu container là gì? Các bài nghiên cứu khoa học liên quan","Tàu container","container ship","Tàu container (container ship, hay tàu chở công-ten-nơ) là loại tàu buôn chuyên dụng được cấu trúc thân và hầm hàng theo các khung ray dẫn hướng (cell guides) để vận chuyển hàng hóa đóng gói trong các thùng container tiêu chuẩn hóa liên vận quốc tế (chủ yếu là TEU và FEU).",{"id":78,"title":79,"term":80,"englishTitle":81,"definition":82,"discipline":49,"disciplineCode":50,"disciplineLabel":51,"disciplineColor":52,"disciplineIcon":53},"mô hình nomogram","Mô hình nomogram là gì? Các nghiên cứu khoa học liên quan","Mô hình nomogram","nomogram model","Mô hình nomogram (nomogram model) là công cụ tính toán đồ họa biểu diễn trực quan các mô hình hồi quy đa biến (như hồi quy logistic hoặc hồi quy rủi ro tỷ lệ Cox), cho phép các nhà lâm sàng quy đổi các giá trị của nhiều biến số tiên lượng thành thang điểm số học để tính tổng điểm và ước tính trực tiếp xác suất xảy ra biến cố lâm sàng trên từng cá thể người bệnh.",{"id":84,"title":85,"term":86,"englishTitle":87,"definition":88,"discipline":49,"disciplineCode":50,"disciplineLabel":51,"disciplineColor":52,"disciplineIcon":53},"nhân chồi","Nhân chồi là gì? Các bài báo nghiên cứu khoa học liên quan","Nhân chồi","nuclear bud","Nhân chồi (nuclear bud hoặc nuclear budding) là một bất thường hình thái nhân tế bào, đặc trưng bởi sự lồi ra của một phần chất nhân và chất nhiễm sắc (chromatin) qua màng nhân chính, phản ánh quá trình loại bỏ các đoạn DNA khuếch đại hoặc sai lệch phân chia nhiễm sắc thể liên quan đến bất ổn định bộ gene.",{"id":90,"title":91,"term":92,"englishTitle":93,"definition":94,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"bộ lọc số","Bộ lọc số là gì? Các bài báo nghiên cứu khoa học liên quan","Bộ lọc số","digital filter","Bộ lọc số (digital filter) là hệ thống hoặc thuật toán xử lý tín hiệu số rời rạc theo thời gian, thực hiện các phép toán số học trên chuỗi tín hiệu đầu vào để biến đổi đặc tính phổ tần số, loại bỏ dải tần nhiễu hoặc tái tạo dạng sóng mong muốn (bao gồm bộ lọc đáp ứng xung hữu hạn FIR và vô hạn IIR).",{"id":96,"title":97,"term":98,"englishTitle":99,"definition":100,"discipline":101,"disciplineCode":102,"disciplineLabel":103,"disciplineColor":104,"disciplineIcon":105},"sinh học hệ thống","Sinh học hệ thống là gì? Các nghiên cứu khoa học liên quan","Sinh học hệ thống","systems biology","Sinh học hệ thống (systems biology) là lĩnh vực khoa học liên ngành nghiên cứu các cơ chế vận hành của cơ thể sống như một hệ thống mạng lưới phức tạp và tích hợp, thông qua việc kết hợp dữ liệu sinh học quy mô lớn (omics), mô hình hóa toán học và mô phỏng tính toán động lực học.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":107,"title":108,"term":109,"englishTitle":110,"definition":111,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"khung thép","Khung thép là gì? Các bài báo nghiên cứu khoa học liên quan","Khung thép","steel frame","Khung thép (steel frame) là hệ kết cấu chịu lực không gian được hợp thành từ các cấu kiện thép định hình hoặc tổ hợp (cột, dầm, giằng) liên kết với nhau bằng bu lông hoặc đường hàn, có khả năng tiếp nhận và truyền tải trọng trọng trường cùng tải trọng ngang (gió, động đất) xuống móng."]