Nâng cao tính ổn định cho mô hình phát hiện ngã của người đi bộ bằng thuật toán tối ưu bầy đàn kết hợp bộ phân lớp rừng ngẫu nhiên

Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XIV về Nghiên cứu cơ bản và ứng dụng Công nghệ thơng tin (FAIR), TP. HCM, ngày 23-24/12/2021
DOI: 10.15625/vap.2021.00108

NÂNG CAO TÍNH ỔN ĐỊNH CHO MƠ HÌNH PHÁT HIỆN NGÃ CỦA NGƯỜI
ĐI BỘ BẰNG THUẬT TOÁN TỐI ƯU BẦY ĐÀN KẾT HỢP BỘ PHÂN LỚP
RỪNG NGẪU NHIÊN
Lê Hồng Lam1,4, Nguyễn Đức Nhân2, Trịnh Anh Tuấn3, Nguyễn Hà Nam4
Khoa Điện tử, Trường Đại học Sư phạm Kỹ thuật Vinh
Khoa Viễn Thông 1, Học viện Cơng nghệ Bưu chính Viễn thơng
3
Trung tâm Thuận lợi hóa Thương mại và Dịch vụ Điện tử, Liên minh Hợp tác xã Việt Nam
4
Viện Công nghệ Thông tin, Đại học Quốc gia Hà Nội
1

2

, , ,
TÓM TẮT: Phát hiện ngã cho người đi bộ đã và đang thu hút rất nhiều nghiên cứu do tầm quan trọng của nó trong việc xây
dựng một hệ thống phịng ngừa để tránh những hậu quả tiêu cực. Có nhiều kỹ thuật để phát hiện ngã, đó là sử dụng các thiết bị khác
nhau như máy ảnh, cảm biến môi trường, cảm biến đeo... Tuy nhiên, sự phổ biến của điện thoại thông minh với nhiều cảm biến
nhúng đã thúc đẩy nghiên cứu phát hiện hoạt động bất thường như té ngã dựa trên dữ liệu gia tốc kế. Khả năng phát hiện ngã chính
xác trong các hoạt động hàng ngày của con người luôn là một thách thức lớn. Bài báo này đề xuất một mơ hình phát hiện ngã với
hiệu suất phát hiện được cải thiện dựa trên các bộ tính năng khác nhau bao gồm bộ tính năng ở miền thời gian, bộ tính năng ở miền
tần số và tham số Hjorth. Hơn nữa, nghiên cứu này còn sử dụng thuật toán tối ưu bầy đàn (PSO) để tối ưu hóa các thơng số của mơ
hình phân lớp Rừng ngẫu nhiên (RF) nhằm cải thiện độ chính xác của hệ thống phát hiện ngã. Kết quả thử nghiệm trên bộ dữ liệu
MobiAct cho thấy hệ thống đề xuất cho hiệu suất tốt hơn so với nghiên cứu của Charikleia Chatzaki và cộng sự. Ngoài ra, hiệu suất
phát hiện té ngã cũng được cải thiện so với RF.
Từ khóa: Nhận dạng hành động, cảm biến gia tốc trên smartphone, mô hình phân lớp, tối ưu bầy đàn (PSO).

I. GIỚI THIỆU

Điện thoại thông minh đã trở nên phổ biến ở nhiều nước trên thế giới, hệ thống cảm biến trên điện thoại thơng
minh ngày càng chính xác và hiện đại. Vì vậy, nó trở thành một cơng cụ hữu ích cho nhận dạng hành động của người
dùng (HAR). Đối với HAR, các mẫu dữ liệu thu được từ cảm biến đóng vai trò là quyết định loại hoạt động mà người
dùng thực hiện [1]. Với sự gia tăng dân số cao tuổi ở nhiều nước trên thế giới, hệ thống nhận dạng hành động, đặc biệt là
các hành động bất thường của do ngã, đột quỵ, bị va đập mạnh hoặc mất kiểm soát,... được quan tâm nhiều hơn. Trong
cuộc sống hàng ngày, các hoạt động, hành vi bất thường của con người rất đa dạng. Tuy nhiên, hành vi bất thường như té
ngã cần được nghiên cứu nhiều hơn vì hậu quả của té ngã thường nghiêm trọng, đặc biệt đối với người già.
Nhiều yếu tố tác động gây nguy cơ té ngã, có thể được phân loại là các yếu tố bên trong, liên quan đến hành vi,
trạng thái sức khỏe con người và các yếu tố bên ngoài, liên quan đến môi trường [2], [3]. Việc xác định được nhiều mối
liên kết giữa các yếu tố này sẽ xác định tốt hơn mức độ rủi ro dẫn đến ngã. Mơ hình chỉ sử dụng dữ liệu thu từ các cảm
biến gia tốc trên điện thoại thông minh, yếu tố môi trường không được xác định sẽ tạo ra thách thức rất lớn khi đánh giá
các mức độ rủi ro gây nên té ngã. Do vậy, cần phải xác định được các pha đặc trưng trong dáng đi của con người. Qua đó
xác định được các tham số đặc trưng cho từng pha. Sự biến đổi các tham số đặc trưng theo thời gian có mối liên hệ mật
thiết đến khả năng té ngã. Xác định được tập các đặc trưng tiêu biểu có vai trị rất quan trọng, cho phép các mơ hình phân
lớp có thể nhận dạng các mẫu hành vi bất thường của con người với độ chính xác cao.
Các phần tiếp theo của bài báo được tổ chức như sau: Phần II giới thiệu một số nghiên cứu liên quan, tóm tắt một
số phương pháp được các nhà nghiên cứu khác đề xuất để giải quyết vấn đề HAR. Phần III trình bày mơ hình phát hiện
ngã và phương pháp đề xuất. Phần IV giới thiệu về bộ dữ liệu thử nghiệm, mô tả quá trình thử nghiệm và các kết quả thử
nghiệm. Phần V đưa ra các kết luận và đề xuất hướng nghiên cứu trong tương lai.
II. MỘT SỐ NGHIÊN CỨU LIÊN QUAN
Adnan Nadeem và công sự [4] đã xây dựng tập dữ liệu sử dụng cảm biến đo lường quán tính và điện tâm đồ có thể
đeo được để nhận dạng hoạt động, phát hiện ngã và hệ thống phát hiện bất thường về tim cơ bản. Yan Wang và cộng sự
[5] đã thực hiện một cuộc khảo sát về phương thức cảm biến có thể đeo được trên cổ tay tập trung vào việc ghi nhận hoạt
động chăm sóc sức khỏe của con người. Henry Friday Nweke và cộng sự đã chỉ ra các khó khăn và thách thức khi sử dụng
các thuật toán học sâu để nhận dạng hoạt động của con người bằng cách sử dụng mạng cảm biến di động và có thể đeo
được [6]. Nethra Ganesh Chigateria và công sự đã sử dụng gia tốc kế để đo hoạt động của người già [7]. Emma Stack và
cộng sự có một cơng trình nghiên cứu xác định sự suy giảm khả năng thăng bằng ở những người bị bệnh Parkinson bằng
cách sử dụng video và cảm biến có thể đeo được [8]. Charissa Ann Ronao và Sung-Bae Cho đề xuất các giải pháp nhận
biết các hoạt động của con người từ các cảm biến của điện thoại thông minh bằng cách sử dụng các mơ hình Markov ẩn
liên tục phân cấp [9].

Xu và cộng sự [10] đã sử dụng kết hợp mơ hình CNN-LSTM để đạt được độ chính xác 98,98 % bằng cách sử dụng
dữ liệu gia tốc kế của 6 hoạt động cơ bản ((ADL): WAL, JOG, JUM, STD, SIT, STU và 4 hành động té ngã làm các tính


Lê Hồng Lam, Nguyễn Đức Nhân, Trịnh Anh Tuấn, Nguyễn Hà Nam

595

năng của mơ hình trên tập dữ liệu MobiAct. Tuy nhiên, trong nghiên cứu [10] chỉ sử dụng các hành động có tỉ lệ nhận
dạng cao để huấn luyện mơ hình. Panhwar và cộng sự [11] chỉ xem xét hai hoạt động ngã, FOL và BSC và ba ADL, cụ
thể là STD, WAL và SIT cho tập dữ liệu MobiAct nên không thể đánh giá hết các trường hợp có thể xẩy ra. Họ đã sử
dụng cả SVM và Neural Network để thử nghiệm, trong đó kết quả tốt nhất thu được bằng cách sử dụng mơ hình dựa trên
Neural Network. Zheng và cộng sự. [12] đã đề xuất thuật tốn có tên Two-layer Activity Sparse Grouping (TASG), coi đó
là sparse matrix xác định sự giống nhau giữa các hoạt động khác nhau. Dựa trên những điểm tương đồng giữa 12 hoạt
động, chúng được phân loại thành ba nhóm trong đó nhóm thứ nhất bao gồm LYI, STD, SIT; nhóm thứ hai bao gồm
WAL, JOG, JUM, STU, STN và nhóm cuối cùng bao gồm của SCH, CHU, CSI, và CSO. Họ đã sử dụng các bộ phân loại
SVM, RF, kNN, và RNN có hoặc khơng có TASG. Kết quả tốt nhất mà họ đã thu được cho SVM với sự kết hợp của
TASG. Bảng 1, đưa ra tóm tắt của một cơng trình trước đây trên bộ dữ liệu MobiAct.
Bảng 1. So sánh hiệu suất (tính theo %) của một số phương pháp hiện đại trên bộ dữ liệu MobiAct
Năm
2019
2018
2017
2016

Các tác giả
Xu và cộng sự. [10]
Zheng và cộng sự. [12]
Panwhar và cộng sự. [11]
Chatzaki và cộng sự [13]

Phân loại
CNN+Mô hình LSTM
TASG được áp dụng với SVM
Mạng thần kinh
Ibk

Độ chính xác
96,98 %
90,55 %
96,07 %
96,8 %

Từ một số nghiên cứu đã khảo sát, chúng tơi thấy rằng, chỉ một số ít trường hợp mơ hình dựa trên RF được sử
dụng để nhận dạng hoạt động. Hầu hết các phương pháp dựa trên kỹ thuật điển hình và bộ phân lớp cơ bản. Trong nghiên
cứu này, chúng tôi đã áp dụng thành cơng mơ hình dựa trên RF kết hợp với thuật toán PSO để nâng cao hiệu suất và độ ổn
định của mơ hình phát hiện té ngã.
PSO là một thuật tốn được phát triển mơ phỏng trí tuệ bầy đàn để tìm kiếm kết quả cho các bài tốn tối ưu hố
trên một phạm vi tìm kiếm cố định. Thuật tốn được cơng bố vào năm 1995 tại hội nghị của IEEE bởi Dr. Eberhart và
Dr. Kennedy. Đầu tiên, PSO khởi tạo một nhóm cá thể ngẫu nhiên. Trong nhóm cá thể ngẫu nhiên ban đầu, vị trí tốt nhất
của bầy đàn chính là vị trí của một trong các cá thể khởi tạo ban đầu. Mỗi lần cập nhật vị trí của các cá thể trong đàn mỗi
cá thể sẽ biết được 2 giá trị là Pbest - vị trí tốt nhất cá thể đó từng đạt được và Gbest - vị trí tốt nhất mà tất cả các cả thể từng
đạt được đến thời điểm hiện tại. Từ 2 giá trị này, từng cá thể trong đàn sẽ cập nhật lại vị trí, hướng di chuyển của mình
theo vị trí tốt nhất từng đạt được. Sau khi tìm được hai giá trị tốt nhất, vị trí và vận tốc của các cá thể được cập nhật theo
công thức lặp lại thuật tốn tối ưu hóa bầy hạt cơ bản (bPSO) [14], [15] như sau:
𝒗𝒕+𝟏
= 𝝎 ∗ 𝒗𝒕𝒊 + 𝒄𝟏 ∗ 𝒓𝟏 ∗ (𝑷𝒃𝒆𝒔𝒕 − 𝒙𝒕𝒊 ) + 𝒄𝟐 ∗ 𝒓𝟐 ∗ (𝑮𝒃𝒆𝒔𝒕 − 𝒙𝒕𝒊 )
𝒊
𝒙𝒕+𝟏
= 𝒙𝒕𝒊 + 𝒗𝒕+𝟏

𝒊
𝒊

(1)
(2)

III. MƠ HÌNH PHÁT HIỆN TÉ NGÃ
A. Hệ thống nhận dạng hành động
Hệ thống nhận dạng hành động thực hiện việc thu thập, tiền xử lý dữ liệu, biến đổi để có tập dữ liệu đặc trưng dựa
trên tập thuộc tính được đề xuất. HAR bao gồm các hành vi bất thường dựa trên dữ liệu cảm biến gia tốc của điện thoại
thông minh được xây dựng và biểu diễn như Hình 1:

Hình 1. Hệ thống nhận dạng các hoạt động hàng ngày

Hệ thống nhận dạng bao gồm 2 pha: Pha thứ nhất, sử dụng dữ liệu gia tốc đã được gán nhãn các loại hành động
được thu thập và xác định trước từ các tình nguyện viên. Các kỹ thuật tiền xử lý dữ liệu được sử dụng kết hợp với tập
thuộc tính đặc trưng được đề xuất để xây dựng tập dữ liệu đặc trưng. Qua đó xây dựng mơ hình phát hiện bằng phương
pháp nhận dạng. Pha thứ hai, nhận dạng các hoạt động hàng ngày dựa trên dữ liệu cảm biến thu được từ điện thoại. Các kỹ
thuật biến đổi dữ liệu, trích xuất đặc trưng được áp dụng để tạo mẫu dữ liệu phát hiện, phát hiện nhãn của mẫu dữ liệu này
bằng bộ phân lớp tối ưu. Trong bài báo này, nhóm tác giả dừng lại ở pha thứ nhất. Sau khi hoàn thành pha thứ nhất, nhóm
tác giả sẽ tiến hành nghiên cứu hệ thống cho pha thứ hai.


596

NÂNG CAO TÍNH ỔN ĐỊNH CHO MƠ HÌNH PHÁT HIỆN NGÃ CỦA NGƯỜI ĐI BỘ BẰNG THUẬT TOÁN…

Mỗi loại hành động, hành vi có tính chất, đặc trưng khác nhau nên kích thước cửa sổ dữ liệu tương ứng cũng khác nhau.
Việc tìm một cửa sổ có kích thước phù hợp chứa đủ các thông tin của tất cả các đối tượng cần phân loại, nhận dạng sẽ gặp nhiều
khó khăn. Việc thực nghiệm trên nhiều kích thước cửa số để tìm ra kích thước cửa sổ phù hợp nhất là hết sức cần thiết.

B. Xây dựng tập thuộc tính đặc trưng
Tập thuộc tính (T): bao gồm các thuộc tính trên miền thời gian, đó là: giá trị trung bình, thuộc tính phương sai,
thuộc tính hiệp phương sai, thuộc tính độ lệch chuẩn, thuộc tính độ tương quan, giá trị điểm cắt khơng, thuộc tính độ đo
hiệu dụng trên từng cửa sổ dữ liệu. Cùng với các thuộc tính tỉ lệ đỉnh trung bình trên các trục X, Y, Z của cảm biến gia tốc
nhằm tăng thêm hiệu quả nhận dạng các hành động. Kết hợp với 4 thuộc tính diện tích độ lớn tín hiệu (SMA) [16], độ lớn
véctơ tín hiệu vi sai DSVM [16] và các giá trị trung bình trong thống kê. Tổng số thuộc tính trong miền thời gian ở tập T
là 34.
Tập thuộc tính (F): bao gồm các thuộc tính trên miền tần số của tín hiệu cảm biến gia tốc thu được trong các hoạt
động. Sự thay đổi về tín hiệu đẫn đến thay đổi về giá trị năng lượng, nên các đại lượng liên quan đến năng lượng tín hiệu
cũng như độ đo Entropy được lựa chọn nhằm trợ giúp nhận dạng các hành động, hành vi khác nhau. Số lượng các thuộc
tính trong tập F này là 7.
Tham số Hjorth (H): Sử dụng chủ yếu trong lĩnh vực phân tích tín hiệu tin sinh học [17], [18]. Đặc trưng của tham
số này có tính chất thống kê của tín hiệu trong miền thời gian gồm tính hoạt động, tính di động và tính phức hợp của tín
hiệu. Để nhận dạng hành động và hành vi, chúng tôi đề xuất sử dụng các tham số này đối với các đại lượng góc xoay cũng
như đại lượng trên các trục khác nhau của dữ liệu gia tốc kế. Tham số Hjorth có 3 thuộc tính được sử dụng.
Bảng 2. Các tính được sử dụng để xây dựng tập thuộc tính trong đề xuất của chúng tơi
Kiểu
Thống kê

Miền thời gian

Miền
tần số
Tham số Hjorth

Tên đặc trưng
µ
s2
s
Diff = max(x) − min(x)

R
ZC
PAR
SMA
SVM
DSVM
I
EFFT
En
A
M
C

Định nghĩ
Giá trị trung bình
Phương sai
Độ lệch chuẩn
Độ lệch mẫu
Độ tương quan
Điểm cắt không
Tỉ lệ đỉnh trên trung bình
Diện tích độ lớn tín hiệu
Độ lớn vectơ tín hiệu
Độ lớn vectơ tín hiệu vi sai
Tích lũy
Năng lượng
Entropy
Hành động
Di động
Phức tạp

Thuộc tính
ax, ay, az, arms, φ, θ
ax, ay, az, φ, θ
ax, ay, az
ax, ay, az
(ax, ay), (ax, az), (az, ay)
ax, ay, az
ax, ay, az
ax, ay, az, arms
arms
arms
φ, θ
ax, ay, az, arms
ax, ay, az
ax, ay, az, arms, φ, θ
ax, ay, az, arms, φ, θ
ax, ay, az, arms, φ, θ

C. Xây dựng tập thuộc tính đặc trưng
Như đã thảo luận, bài báo này đề xuất sử dụng PSO để tìm ra bộ tham số tối ưu nhằm tăng hiệu quả phân loại của
RF. Để làm được điều này, cần phải biến đổi tập hợp các tham số và kết quả của RF thành các biến trong hàm mục tiêu
(F-Measure) của thuật tốn PSO (Hình 2).

Hình 2. Mơ hình kết hợp bộ phân lớp RF với thuật toán PSO


Lê Hồng Lam, Nguyễn Đức Nhân, Trịnh Anh Tuấn, Nguyễn Hà Nam

597

Khi kết hợp bộ phân lớp RF với thuật toán PSO, cần xác định được các đại lượng đầu vào và đầu ra của thuật toán
PSO. Đại lượng đầu vào là những tham số chính của bộ phân lớp RF cần tối ưu và giá trị đầu ra của thuật toán PSO là các
tham số đã được tối ưu cho bộ phân lớp RF. Mục tiêu của PSO nhằm tự động tìm các tham số của mơ hình phân lớp RF
nhằm tối ưu việc phân loại các hành động đã thu thập được.
Các tham số đầu vào của thuật tốn:
Bộ phân lớp RF có nhiều tham số, vì vậy cần phải chọn lọc những tham số ảnh hưởng đến kết quả cần tối ưu, tránh
lãng phí tài nguyên cũng như thời gian chạy thuật toán. Các tham số cần tối ưu là những tham số quan trọng, khi thay đổi
các tham số này hiệu suất của mơ hình thay đổi rõ rệt. Chúng tôi nghiên cứu và đề xuất những tham số sẽ tối ưu trong mơ
hình nhận dạng sử dụng bộ phân lớp RF như sau:
• P (Bag size percent): Kích thước của mỗi túi, theo tỷ lệ % của kích thước tập huấn luyện.
• I (numIterations): Số lượng cây trong rừng.
• Num-slot (numExecutionSlots): Số lượng luồng được sử dụng để xây dựng nhóm.
• K (numFeatures): Số lượng thuộc tính được chọn ngẫu nhiên.
Hàm đánh giá hiệu quả mơ hình (Hàm F):
F=

trong đó:

FBSC + FFKL + FFOL + FSDL
4

(3)

− F: Giá trị trung bình F-Measure của các hành động ngã.
− FFKL : Giá trị F-measure phân lớp cho hành động ngã gập đầu gối.

− FFOL : Giá trị F-measure phân lớp cho hành động ngã về phía trước.

− FFKL : Giá trị F-measure phân lớp cho hành động ngã từ ghế.

− FFKL : Giá trị F-measure phân lớp cho hành động ngã nghiêng.

IV. THỬ NGHIỆM VÀ ĐÁNH GIÁ

A. Tổng quan về bộ dữ liệu thử nghiệm
Trong nghiên cứu này, chúng tôi sử dụng bộ dữ liệu MobiAct 2.0 thu từ cảm biến gia tốc kế của điện thoại thông
minh để tiến hành xây dựng hệ thống nhận dạng. MobiAct 2.0 là một bộ dữ liệu gồm 4 loại ngã (Falls) khác nhau và 12
trạng thái hoạt động hàng ngày (ADLs) khác nhau được 66 tình nguyện viên thực hiện với hơn 9879 thử nghiệm được thu
thập từ 3 loại cảm biến bao gồm gia tốc kế (acc - accelerometer), con quay hồi chuyển (gyro - gyroscope) và cảm biến
định hướng (ori - orientation) của điện thoại thông minh Samsung Galaxy S3 [19]. Trong đó, dữ liệu gia tốc kế được thu ở
tần số 85Hz. Cách thức thu thập dữ liệu của MobiAct 2.0 được mô tả chi tiết ở [19]. Bảng 3 tóm tắt tất cả các hoạt động
hàng ngày và hành động ngã được ghi lại, số lượng, thời gian thử nghiệm và mơ tả tóm tắt về các hoạt động.
Bảng 3. Các hoạt động hàng ngày (ADL)
Loại hoạt động
Té ngã

Hoạt động hàng
ngày

Nhãn
FOL
FKL
BSC
SDL
STD
WAL
JOG
JUM
STU

STN
SCH
SIT
CHU
CSI
CSO
LYI

Thời gian (s)
10 giây
10 giây
10 giây
10 giây
5 phút
5 phút
30 giây
30 giây
10 giây
10 giây
6 giây
1 phút
6 giây
6 giây
6 giây
10 giây

Mơ tả
Ngã về phía trước khi đang đứng, sử dụng tay để chống.
Ngã về phía trước khi đang đứng, đầu gối tiếp xúc đầu tiên.
Ngã ngửa trong khi đang ngồi trên ghế.

Ngã sang một bên khi đang đứng, gập chân.
Đứng với với cử động nhẹ nhàng.
Đi bộ bình thường.
Chạy bộ.
Nhảy liên tục.
Đi lên cầu thang (10 bậc).
Đi xuống cầu thang (10 bậc).
Chuyển tiếp từ đứng sang ngồi (ngồi trên ghế).
Ngồi trên ghế với những cử động nhẹ nhàng.
Chuyển tiếp từ ngồi sang đứng (đứng lên từ ghế).
Bước vào trong xe.
Bước ra khỏi xe hơi.
Hoạt động được thực hiện ở khoảng thời gian nằm sau ngã.


598

NÂNG CAO TÍNH ỔN ĐỊNH CHO MƠ HÌNH PHÁT HIỆN NGÃ CỦA NGƯỜI ĐI BỘ BẰNG THUẬT TOÁN…

B. Kết quả và thảo luận
1. Tối ưu mơ hình Random Forest và thuật tốn PSO
Như đã trình bày ở trên, thí nghiệm này chúng tôi tập trung vào trọng số F-measure của các hành động té ngã
(BSC, FKL, FOL, và SDL) để xây dựng thuật tốn tối ưu tham số cho mơ hình phân lớp RF. Kết quả đạt được trình bày ở
Hình 3.

Hình 3. Kết quả phân lớp của mơ hình PSO + RF so với mơ hình RF ở từng loại hành động

Nhìn vào các biểu đồ ở Hình 3 có thể thấy hiệu suất của mơ hình RF trước và sau khi kết hợp với PSO được cải
thiện rõ rệt. Tính ổn định khi nhận dạng các hành động cũng cao hơn so với mơ hình RF đơn lẻ. Độ đo F-measure ở tất cả
các hành động, đặc biệt là các hành vi té ngã đều tốt hơn mô hình RF gốc ban đầu. Xét về tổng thể chung của cả mơ hình,

F-measure tăng từ 96,9% lên 98,5%.
2. So sánh hiệu suất với các nghiên cứu khác
Với tập thuộc tính và mơ hình kết hợp bộ phân lớp RF với thuật toán PSO như đã đề xuất, kết quả thực nghiệm cho
thấy trung bình trọng số của 16 hành động ở độ đo F-measure của chúng tôi (98,5%) tốt hơn so với [13] (96,8%) được
trình bày ở Hình 4.(a). Đặc biệt, ở các hành động té ngã, hiệu suất của mơ hình chúng tơi xây dựng tốt hơn khá nhiều so
với mơ hình của Chatzaki và cộng sự [13], như thể hiện ở Hình 4.(b).

a)

b)

Hình 4. (a) Kết quả nhận dạng các hành động ở độ đo F-measure, (b) kết quả nhận dạng các hành động té ngã ở độ đo F-measure
trong nghiên cứu [13] và của chúng tôi.

V. KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO
Trong bài báo này, chúng tơi đề xuất tập thuộc tính đặc trưng và phương pháp tối ưu bộ phân lớp RF sử dụng thuật
toán tối ưu tham số PSO. Đầu tiên, chúng tơi nghiên cứu tính chất dữ liệu cảm biến gia tốc kế của điện thoại thông minh
để xây dựng tập thuộc tính đặc trưng. Sau đó, chúng tơi nghiên cứu khảo sát một số bộ phân lớp thông dụng để tìm ra mơ
hình phù hợp với bộ dữ liệu va tập thuộc tính đã xây dựng. Cuối cùng, thuật tốn tối ưu PSO được sử dụng để tìm bộ tham
số tối ưu cho mơ hình RF nhằm nâng cao hiệu suất nhận dạng của mơ hình. Kết quả thực nghiệm cho thấy, hệ thống mà
chúng tôi xây dựng đã cải thiện hiệu suất phát hiện tăng từ 96,9% lên 98,5% ở độ đo F-measure. Ngoài ra, hiệu suất phát
hiện ở các hành động ngã cao hơn từ 17% đến 26,7% ở độ đo F-Measure so với nhóm tác giả Charikleia Chatzaki và cộng
sự [13]. Từ kết quả đạt được cho thấy, phương pháp tiếp cận của chúng tôi phù hợp với việc nhận dạng các hành động té
ngã của người đi bộ. Vì vậy, trong tương lai, chúng tơi sẽ mở rộng nghiên cứu theo hướng tập trung vào việc xây dựng tập
thuộc tính đặc trưng từ nhiều cảm biến để cải thiện và nâng cao độ ổn định của hệ thống phát hiện té ngã.
TÀI LIỆU THAM KHẢO
[1]
[2]
[3]

K. G. Montero Quispe, W. Sousa Lima, D. Macêdo Batista, and E. Souto, “MBOSS: A symbolic representation of human
activity recognition using mobile sensors”, Sensors, vol. 18, No. 12, p. 4354, 2018.
W. Z. Khan, Y. Xiang, M. Y. Aalsalem, and Q. Arshad, “Mobile Phone Sensing Systems: A Survey”, IEEE Commun. Surv.
Tutor., vol. 15, No. 1, pp. 402-427, 2013, doi: 10.1109/SURV.2012.031412.00077.
M. Khan, S. I. Ahamed, M. Rahman, and R. O. Smith, “A Feature Extraction Method for Realtime Human Activity
Recognition on Cell Phones”, p. 6.


Lê Hồng Lam, Nguyễn Đức Nhân, Trịnh Anh Tuấn, Nguyễn Hà Nam
[4]
[5]
[6]

[7]
[8]
[9]
[10]
[11]
[12]
[13]

[14]
[15]
[16]
[17]
[18]
[19]

599

A. Nadeem, A. Mehmood, and K. Rizwan, “A dataset build using wearable inertial measurement and ECG sensors for activity
recognition, fall detection and basic heart anomaly detection system”, Data Brief, vol. 27, p. 104717, 2019.
Y. Wang, S. Cang, and H. Yu, “A survey on wearable sensor modality centred human activity recognition in health care”,
Expert Syst. Appl., vol. 137, pp. 167-190, 2019.
H. F. Nweke, Y. W. Teh, M. A. Al-Garadi, and U. R. Alo, “Deep learning algorithms for human activity recognition using
mobile and wearable sensor networks: State of the art and research challenges”, Expert Syst. Appl., vol. 105, pp. 233-261,
2018.
N. G. Chigateri, N. Kerse, L. Wheeler, B. MacDonald, and J. Klenk, “Validation of an accelerometer for measurement of
activity in frail older people”, Gait Posture, vol. 66, pp. 114-117, 2018.
E. Stack et al., “Identifying balance impairments in people with Parkinson’s disease using video and wearable sensors”, Gait
Posture, vol. 62, pp. 321-326, 2018.
C. A. Ronao and S. B. Cho, “Recognizing human activities from smartphone sensors using hierarchical continuous hidden
Markov models”, Int. J. Distrib. Sens. Netw., vol. 13, No. 1, p. 1550147716683687, 2017.
J. Xu, Z. He, and Y. Zhang, “CNN-LSTM combined network for IoT enabled fall detection applications”, Journal of Physics:
Conference Series, vol. 1267, No. 1, p. 012044, 2019.
M. Panhwar, S. M. S. Shah, S. M. Z. S. Shah, S. M. Shah, and B. S. Chowdhry, “Smart phone based fall detection using auto
regression modeling in a non-restrictive setting”, Indian J. Sci. Technol., vol. 10, No. 5, pp. e111274-e111274, 2017.
Z. Zheng, J. Du, L. Sun, M. Huo, and Y. Chen, “TASG: An Augmented Classification Method for Impersonal HAR”, Mob.
Inf. Syst., vol. 2018, 2018.
C. Chatzaki, M. Pediaditis, G. Vavoulas, and M. Tsiknakis, “Human daily activity and fall recognition using a smartphone’s
acceleration sensor”, International Conference on Information and Communication Technologies for Ageing Well and eHealth, pp. 100-118, 2016.
J. Kennedy and R. Eberhart, “Particle swarm optimization”, Proceedings of ICNN’95-international conference on neural
networks, vol. 4, pp. 1942-1948, 1995.
Y. Shi and R. C. Eberhart, “Empirical study of particle swarm optimization”, Proceedings of the 1999 congress on
evolutionary computation-CEC99 (Cat. No. 99TH8406), vol. 3, pp. 1945-1950, 1999.
D. N. Lu, D. N. Nguyen, T. H. Nguyen, and H. N. Nguyen, “Vehicle mode and driving activity detection based on analyzing
sensor data of smartphones”, Sensors, vol. 18, No. 4, p. 1036, 2018.
B. Hjorth, “EEG analysis based on time domain properties”, Electroencephalogr. Clin. Neurophysiol., vol. 29, No. 3, pp. 306310, 1970.
S. H. Oh, Y. R. Lee, and H. N. Kim, “A novel EEG feature extraction method using Hjorth parameter”, Int. J. Electron. Electr.
Eng., vol. 2, No. 2, pp. 106-110, 2014.

G. Vavoulas, C. Chatzaki, T. Malliotakis, M. Pediaditis, and M. Tsiknakis, “The mobiact dataset: Recognition of activities of
daily living using smartphones”, International Conference on Information and Communication Technologies for Ageing Well
and e-Health, 2016, vol. 2, pp. 143-151.

IMPROVE STABILITY FOR PEDESTRIAN FALL DETECTION MODEL BY SWARM OPTIMIZATION
ALGORITHM COMBINED WITH RANDOM FOREST CLASSIFIER
Hong Lam Le, Duc Nhan Nguyen, Trinh Anh Tuan, Ha Nam Nguyen
ABSTRACT: Fall detection for pedestrians has been attracting a lot of researches due to its importance in building a
prevention system to avoid the negative consequences. There are many techniques for detecting falls such as using different devices
such as cameras and wearable sensors. However, the popularity of smartphones with many embedded sensors has motivated to
study on detecting the abnormal activity such as falling based on accelerometer data. A high accuracy of fall detection in daily life
activities is alaways a practical challenge. This paper proposes a model of fall detection with an improved detection performance
based on different sets of features including time domain sets, frequency domain sets and Hjorth parameters. Various combinations
of different domains have been investigated to show the efficiency of the proposed model. Furthermore, this study also employs
Particle Swarm Optimization (PSO) to optimize the parameters of the Random Forest algorithm which aims to improve the
accuracy of fall detection system. Experimental results on the MobiAct and MobiFall datasets have shown that the proposed system
has improved the detection performance from 5% to 9% higher than the original model. In addition, the proposed model also gave
better results from 11.5% to 24.7% at Precision measurement and from 11.2% to 20.2% at F-Measure measurement compared to
the methods proposed by the authors Charikleia Chatzaki et al.