Phân tích thông minh tín hiệu video hỗ trợ cho hệ thống giám sát chăm sóc sức khỏe

BỘ GIÁO DỤC VÀ ĐÀO TẠO

ĐẠI HỌC ĐÀ NẴNG

---—{–---

HOÀNG LÊ UYÊN THỤC

PHÂN TÍCH THÔNG MINH TÍN HIỆU VIDEO
HỖ TRỢ CHO HỆ THỐNG
GIÁM SÁT CHĂM SÓC SỨC KHỎE

LUẬN ÁN TIẾN SĨ KỸ THUẬT

Đà Nẵng 2017


BỘ GIÁO DỤC VÀ ĐÀO TẠO

ĐẠI HỌC ĐÀ NẴNG

---—{–--HOÀNG LÊ UYÊN THỤC

PHÂN TÍCH THÔNG MINH TÍN HIỆU VIDEO
HỖ TRỢ CHO HỆ THỐNG
GIÁM SÁT CHĂM SÓC SỨC KHỎE
Chuyên ngành : KHOA HỌC MÁY TÍNH
Mã số

: 62 48 01 01

LUẬN ÁN TIẾN SĨ KỸ THUẬT

Người hướng dẫn khoa học:
GS. TS. Jenq-Neng Hwang
PGS. TS. Phạm Văn Tuấn

Đà Nẵng 2017


LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu do tôi thực hiện, dưới sự
hướng dẫn khoa học của GS. TS. Jenq-Neng Hwang (Khoa Điện, Trường Đại học
Washington, Seattle, USA) và PGS. TS. Phạm Văn Tuấn (Phòng Khảo thí và Đảm
bảo chất lượng giáo dục, Trường Đại học Bách khoa, Đại học Đà Nẵng).
Tôi cam đoan các kết quả nghiên cứu được trình bày trong luận án là trung
thực và không sao chép từ bất kỳ luận án nào khác. Một số kết quả nghiên cứu là
thành quả tập thể và đã được các đồng tác giả đồng ý cho sử dụng. Mọi trích dẫn
đều có ghi nguồn gốc xuất xứ rõ ràng và đầy đủ.

Tác giả

NCS. Hoàng Lê Uyên Thục


LỜI CẢM ƠN
Trước tiên, với lòng kính trọng và biết ơn sâu sắc, tôi xin gởi lời tri ân đến thầy
giáo hướng dẫn – GS. TS. Jenq-Neng Hwang và PGS. TS. Phạm Văn Tuấn đã tận tình giúp
đỡ tôi từ những bước đi đầu tiên đến khi hoàn thành luận án. Với tôi, niềm đam mê nghiên
cứu và tấm lòng của người Thầy đối với học trò luôn là nguồn động viên tinh thần vô giá.

Trong quá trình học tập và nghiên cứu, thông qua các buổi trao đổi học thuật, bài
giảng, bảo vệ chuyên đề, seminar, bảo vệ cấp cơ sở, tôi đã nhận được nhiều kiến thức và
góp ý quý báu của PGS. TS. Võ Trung Hùng, PGS. TS. Phan Huy Khánh, TS. Huỳnh Hữu
Hưng, TS. Hồ Phước Tiến và PGS. TS. Nguyễn Thanh Bình (Đại học Đà Nẵng), TS. Ngô
Văn Sỹ (Trung tâm Nghiên cứu Điện tử-Tin học-Tự động hóa Miền Trung), PGS. TS.
Huỳnh Xuân Hiệp (Trường Đại học Cần Thơ), PGS. TS. Lê Mạnh Thạnh (Đại học Huế),
BS. Cao Bích Thủy (Trường Đại học Kỹ thuật Y-Dược Đà Nẵng), BS. Nguyễn Hoài Nam
(Trường Đại học Y Hà Nội). Xin được bày tỏ lòng biết ơn chân thành đến quý Thầy Cô.
Đặc biệt, tôi xin trân trọng cảm ơn phản biện độc lập đã dành thời gian và công sức
đọc, nhận xét và đánh giá luận án nhằm giúp cho luận án được bổ sung, chỉnh sửa rõ ràng,
đầy đủ và hợp lý hơn.
Tôi xin trân trọng cảm ơn Ban Đào tạo - Đại học Đà Nẵng, Phòng Đào tạo Trường Đại học Bách khoa đã tạo mọi điều kiện thuận lợi cho tôi trong thời gian học tập,
nghiên cứu và thực hiện luận án. Xin cảm ơn Khoa Công nghệ thông tin đã tạo môi trường
học thuật thân thiện và tích cực cho các nghiên cứu sinh.
Tôi xin gởi lời cảm ơn chân thành đến Ban Lãnh đạo Khoa Điện tử - Viễn thông và
Bộ môn Kỹ thuật Viễn thông đã luôn hỗ trợ và tạo điều kiện tốt nhất cho tôi thực hiện luận
án. Xin cảm ơn các Thầy Cô giáo trong Khoa đã luôn bên cạnh động viên và sẵn lòng chia
sẻ công việc để tôi có thể tập trung nghiên cứu.
Tôi xin ghi nhận và cảm ơn các thành viên Phòng thí nghiệm Information
Processing – Đại học Washington đã nhiệt tình hỗ trợ về mặt chuyên môn trong thời gian
tôi nghiên cứu tại Phòng. Xin cảm ơn các đồng tác giả đã đồng ý cho tôi sử dụng các kết
quả nghiên cứu chung cho luận án. Cảm ơn các em sinh viên Khoa Điện tử - Viễn thông và
Chương trình tiên tiến đã nhiệt tình hỗ trợ xây dựng cơ sở dữ liệu và kiểm tra hệ thống.
Cuối cùng, tôi xin được gởi lời cảm ơn sâu sắc nhất đến gia đình và bạn thânnhững người đã luôn dành cho tôi tình yêu và niềm tin, để tôi có thể vững tâm trên hành
trình đầy thách thức này.
NCS. Hoàng Lê Uyên Thục


MỤC LỤC

—{–
LỜI CAM ĐOAN ....................................................................................................... i
LỜI CẢM ƠN............................................................................................................ii
MỤC LỤC ............................................................................................................... iii
DANH MỤC TỪ VIẾT TẮT .................................................................................. vi
DANH MỤC THUẬT NGỮ ANH – VIỆT ......................................................... viii
DANH MỤC BẢNG BIỂU .....................................................................................xii
DANH MỤC HÌNH VẼ ......................................................................................... xiv
MỞ ĐẦU .................................................................................................................... 1
1. Đặt vấn đề ........................................................................................................... 1
2. Mục tiêu, đối tượng và phạm vi nghiên cứu ....................................................... 3
3. Phương pháp nghiên cứu .................................................................................... 4
4. Cấu trúc của luận án ........................................................................................... 4
5. Đóng góp chính của luận án ............................................................................... 5
Chương 1. NGHIÊN CỨU TỔNG QUAN ........................................................... 7
1.1. Hệ thống giám sát chăm sóc sức khỏe HMS ................................................... 7
1.1.1. Ứng dụng của hệ thống HMS .................................................................. 8
1.1.2. Cấu trúc của hệ thống HMS .................................................................... 9
1.2. Kỹ thuật cảm biến .......................................................................................... 10
1.2.1. Cấu trúc của nút mạng cảm biến ........................................................... 11
1.2.2. Ứng dụng của kỹ thuật cảm biến ........................................................... 11
1.2.3. Các vấn đề cần quan tâm khi ứng dụng kỹ thuật cảm biến vào hệ thống
HMS.................................................................................................................13
1.3. Kỹ thuật IVA.................................................................................................. 14
1.3.1. Cấu trúc hệ thống sử dụng kỹ thuật IVA .............................................. 14
1.3.2. Ứng dụng của kỹ thuật IVA .................................................................. 16
1.3.3. Một số nghiên cứu gần đây về ứng dụng IVA vào hệ thống HMS ....... 17
1.3.4. Các vấn đề cần quan tâm khi ứng dụng IVA vào hệ thống HMS ......... 20
1.4. Quá trình trích đặc trưng trong hệ thống IVA ............................................... 22
1.4.1. Phân vùng đối tượng ............................................................................. 23

1.4.2. Mô tả đặc trưng ..................................................................................... 24
1.4.3. Thảo luận về các bộ mô tả đặc trưng .................................................... 27
1.5. Quá trình nhận dạng hành động trong hệ thống IVA..................................... 28
1.5.1. Nhận dạng tĩnh ...................................................................................... 29
1.5.2. Nhận dạng động .................................................................................... 30


1.5.3. Thảo luận về các phương pháp nhận dạng hành động .......................... 33
1.6. Định hướng vấn đề nghiên cứu ...................................................................... 34
1.6.1. Bài toán xây dựng hệ thống HMS trên nền IVA ................................... 35
1.6.2. Các vấn đề thiết yếu về hệ thống HMS đề xuất .................................... 37
1.7. Kết luận chương 1 .......................................................................................... 40
Chương 2. HỆ THỐNG HMS TRÊN NỀN KỸ THUẬT IVA ......................... 41
2.1. Phân vùng đối tượng theo phương pháp trừ nền GMM ................................. 41
2.2. Mô tả đặc trưng trong hệ thống HMS phát hiện té ngã.................................. 43
2.2.1. Đặc điểm té ngã ..................................................................................... 43
2.2.2. Tính toán vector đặc trưng té ngã.......................................................... 44
2.3. Mô tả đặc trưng trong hệ thống HMS phát hiện dáng đi bất thường ............. 47
2.3.1. Đặc điểm dáng đi................................................................................... 47
2.3.2. Tính toán vector đặc trưng dáng đi ....................................................... 48
Mô tả đặc trưng trong hệ thống HMS phát hiện hành động bất thường .............. 51
2.4.1. Cơ sở xây dựng bộ mô tả đặc trưng hành động 3D GRF ...................... 51
2.4.2. Xác định dữ liệu vào của bộ mô tả đặc trưng hành động 3D GRF ....... 52
2.4.3. Tính toán vector đặc trưng GRF ........................................................... 56
2.4.4. Bộ mô tả đặc trưng 3D GRF cải tiến ..................................................... 60
2.5. Nhận dạng hành động dựa trên mô hình HMM ............................................. 61
2.5.1. Giới thiệu mô hình HMM ..................................................................... 61
2.5.2. Ứng dụng mô hình HMM vào nhận dạng hành động ........................... 63
2.5.3. Mô hình HMM-Kmeans ........................................................................ 65
2.5.4. Mô hình HMM nhận dạng hành động gần tuần hoàn ........................... 67

Kết luận chương 2 ............................................................................................ 69
Chương 3. GIÁM SÁT TÉ NGÃ ........................................................................ 70
3.1. Giới thiệu các cơ sở dữ liệu và tiêu chí đánh giá hệ thống ............................ 70
3.1.1. Cơ sở dữ liệu té ngã HBU ..................................................................... 70
3.1.2. Cơ sở dữ liệu dáng đi bệnh lý bất thường ............................................. 71
3.1.3. Cơ sở dữ liệu té ngã Le2i ...................................................................... 73
3.1.4. Tiêu chí đánh giá hệ thống .................................................................... 75
3.2. Kiểm tra, đánh giá hệ thống phát hiện té ngã ................................................ 76
3.2.1. Sự phân chia dữ liệu .............................................................................. 76
3.2.2. Quá trình thí nghiệm và kết quả kiểm tra hệ thống phát hiện té ngã .... 76
3.2.3. Kết quả thí nghiệm kiểm tra hệ thống phát hiện té ngã......................... 78
3.2.4. Đánh giá hệ thống phát hiện té ngã ....................................................... 79
3.3. Triển khai hệ thống phát hiện té ngã thực tế .................................................. 81
3.3.1. Kiến trúc hệ thống phát hiện té ngã thực tế........................................... 81


3.3.2. Kiểm tra, đánh giá hệ thống với cơ sở dữ liệu Le2i .............................. 83
3.3.3. Kiểm tra, đánh giá hệ thống với tình huống té ngã thực tế ................... 85
3.4. Kiểm tra, đánh giá hệ thống dự đoán nguy cơ té ngã do dáng đi bất thường 87
3.4.1. Kiểm tra, đánh giá hệ thống phát hiện dáng đi bệnh Parkinson ............ 87
3.4.2. Kiểm tra, đánh giá hệ thống phát hiện dáng đi bệnh lý ......................... 88
3.5. Kết luận chương 3 .......................................................................................... 91
Chương 4. PHÁT HIỆN HÀNH ĐỘNG BẤT THƯỜNG ................................ 93
4.1. Giới thiệu các cơ sở dữ liệu và tiêu chí đánh giá hệ thống ............................ 93
4.1.1. Cơ sở dữ liệu HumanEVA .................................................................... 93
4.1.2. Cơ sở dữ liệu ước lượng tư thế 3D ........................................................ 95
4.1.3. Cơ sở dữ liệu IXMAS ........................................................................... 95
4.1.4. Tiêu chí đánh giá hệ thống .................................................................... 96
4.2. Đánh giá bộ mô tả đặc trưng 3D GRF ........................................................... 97
4.2.1. Thí nghiệm về bộ mô tả đặc trưng 3D GRF .......................................... 97

4.2.2. Kết quả thí nghiệm về bộ mô tả đặc trưng 3D GRF ............................. 98
4.2.3. Nhận xét bộ mô tả đặc trưng 3D GRF ................................................ 100
4.3. Các yếu tố ảnh hưởng đến hiệu quả nhận dạng của mô hình HMM ............ 102
4.3.1. Ảnh hưởng của các tham số mô hình HMM ....................................... 103
4.3.2. Ảnh hưởng của số lượng người tham gia huấn luyện mô hình HMM 106
4.4. Nhận dạng hành động gần tuần hoàn dùng mô hình CHMM ...................... 109
4.4.1. Xây dựng cơ sở dữ liệu hành động gần tuần hoàn .............................. 109
4.4.2. Kết quả thí nghiệm .............................................................................. 110
4.5. Kiểm tra, đánh giá hệ thống phát hiện hành động bất thường ..................... 110
4.5.1. Kiểm tra, đánh giá khối nhận dạng hành động .................................... 112
4.5.2. Kiểm tra, đánh giá khối phát hiện hành động bất thường ................... 114
4.6. Kết luận chương 4 ........................................................................................ 116
KẾT LUẬN ............................................................................................................ 118
1. Các kết quả của luận án .................................................................................. 118
2. Đánh giá kết quả ............................................................................................. 118
3. Hướng phát triển ............................................................................................. 119
DANH MỤC CÔNG TRÌNH KHOA HỌC ........................................................ 121
TÀI LIỆU THAM KHẢO .................................................................................... 122
PHỤ LỤC............................................................................................................... 133


DANH MỤC TỪ VIẾT TẮT
Từ viết tắt

Nghĩa chữ viết tắt

Dịch nghĩa tiếng Việt

Acc

Accuracy

Độ chính xác

ADL

Activities of Daily Living

Hoạt động hàng ngày

AMI

Accumulated Motion Image

Ảnh chuyển động tích lũy

BMI

Body Mass Index

Chỉ số khối lượng cơ thể

BSN

Body Sensor Netword

Mạng cảm biến cơ thể người

CHMM

Cyclic HMM

HMM tuần hoàn

D

Dimension

Hướng (chiều)

DFT

Discrete Fourier Transform

Phép biến đổi Fourier rời rạc

DTW

Dynamic Time Warping

Làm lệch thời gian động

GMM

Gaussian Mixture Model

Mô hình hợp Gauss

GRF

Geometric Relational Feature

Đặc trưng quan hệ hình học

HM

Highly Mismatch

Ít phù hợp

HMM

Hidden Markov Model

Mô hình Markov ẩn

HMS

Healthcare Monitoring System

Hệ thống giám sát chăm sóc
sức khỏe

HOG

Histogram of Oriented Gradient

Histogram của gradient có
hướng

IIR

Infinite duration Impulse
Response

Đáp ứng xung dài vô hạn

INRIA

Institut National de Recherche en
Informatique et en Automatique

Viện Nghiên cứu Tin học và Tự
động hóa

ITMI

Integrated Time Motion Image

Ảnh chuyển động theo thời gian
tích hợp

IVA

Intelligent Video Analytics

Phân tích thông minh tín hiệu
video

JHFRAT

Johns Hopkins Fall Risk
Assessment Tool

Công cụ đánh giá nguy cơ té ngã
của bệnh viện Johns Hopkins

KNN

K-Nearest Neighbor

K lân cận gần nhất

Le2i

Laboratoire Electronique,
Informatique et Image

Phòng thí nghiệm Điện tử, Tin
học và Ảnh

MCI

Mild Cognitive Impairment

Suy giảm nhận thức mức độ nhẹ

MFS

Morse Fall Scale

Thang đo nguy cơ té ngã Morse

vi


MHI

Motion History Image

Ảnh lịch sử chuyển động

MII

Motion Intensity Image

Ảnh cường độ chuyển động

MLP

Multi Layer Perceptron

Perceptron nhiều lớp

MM

Medium Match

Phù hợp trung bình

NWFE

Nonparametric Weighted Feature
Extraction

Đặc trưng được lấy trọng số
không có tham số

PCA

Principal Component Analysis

Phân tích thành phần chính

Pixel

Picture of Element

Điểm ảnh

RP

PRecision

Độ tin cậy

RC

ReCall

Tỷ lệ dương tính được phát hiện

RGB

Red Green Blue

Không gian màu Đỏ-Lục-Lam

RSTP

Real Time Streaming Protocol

Thủ tục truyền dòng tín hiệu thời
gian thực

SAIL

Smart AssIsted Living

Hệ thống trợ giúp thông minh

SMS

Short Message Services

Dịch vụ tin nhắn

STIP

Space Time Interest Points

Điểm quan tâm không-thời gian

SVM

Support Vector Machine

Máy vector hỗ trợ

WHO

World Health Organization

Tổ chức Y tế thế giới

WM

Well Match

Rất phù hợp

vii


DANH MỤC THUẬT NGỮ ANH – VIỆT
Thuật ngữ tiếng Anh

Thuật ngữ tiếng Việt

Abnormal gait detection

Phát hiện dáng đi bất thường

Action recognition

Nhận dạng hành động

Addition pattern

Mẫu dư thừa

Angle-related feature

Đặc trưng góc

Anormal action pattern

Mẫu hành động bất thường

Axial plane

Mặt phẳng ngang

Background

Nền

Background model

Mô hình nền

Background subtraction

Trừ nền

Base width

Độ rộng bước

Body plane

Mặt phẳng cơ thể

Boolean feature

Đặc trưng nhị phân

Box

Đánh bốc

Centroid

Trọng tâm

Check watch

Xem giờ

Codebook

Bảng mã

Codeword

Từ mã

Commission pattern

Mẫu sai khác

Confusion matrix

Ma trận nhầm lẫn

Coronal plane

Mặt phẳng đứng

Cost function

Hàm giá

Cross arm

Vòng tay

Deep learning

Học sâu

Depth camera

Camera 3D (độ sâu)

Discrimative model

Mô hình phân biệt

Distance-related feature

Đặc trưng khoảng cách

Dynamic recognition

Nhận dạng động

Eigenvector

Vector riêng

viii


Fall

Sự kiện té ngã

Fall detection

Phát hiện té ngã

Feature

Đặc trưng

Feature descriptor

Bộ mô tả đặc trưng

Feature extraction

Trích đặc trưng

Feature vector

Vector đặc trưng

Flow-based

Dựa vào dòng chuyển động

Front view

Góc quay trực diện

Gait analysis

Phân tích dáng đi

Gait speed

Tốc độ đi bộ

Generative model

Mô hình sinh mẫu

Get up

Đứng dậy

Hyperplane

Siêu phẳng

Initial probability

Phân bố xác suất khởi đầu

Jog

Chạy chậm

Kernel

Hàm nhân

Key frames

Khung trọng yếu

Kick

Đá

Kmeans clustering

Phân nhóm Kmeans

Left-right model

Mô hình trái-phải

Manifold

Đối tượng đa chiều

Margin

Ranh giới

Marker

Vật đánh dấu

Mean

Giá trị trung bình

Median

Giá trị trung vị

Model-based

Dựa trên mô hình

Motion field

Trường chuyển động

Non fall

Không té

Non invasive

Không xâm lấn

Non model-based

Không dựa trên mô hình

Normal vector

Vector pháp tuyến

ix

Notification communication

Thông tin cảnh báo

Numeric feature

Đặc trưng số thực

Object segmentation

Phân vùng đối tượng

Observation matrix

Ma trận quan sát

Occlusion

Sự che khuất

Omission pattern

Mẫu thiếu vắng

Optical flow

Dòng chuyển động

Outlier

Phần tử dữ liệu cá biệt

Pathological gait

Dáng đi bệnh lý

Pick up

Nhặt đồ vật

Punch

Đấm

Rank matrix

Ma trận hạng

Robustness

Tính bền vững

Sagittal plane

Mặt phẳng dọc

Scratch head

Gãi đầu

Sensor

Cảm biến

Shape-based

Dựa vào hình dạng

Side view

Góc quay bên hông

Silhouette

Ảnh mặt nạ

Sit down

Ngồi xuống

Spotting

Chia đoạn dữ liệu

State-space model

Mô hình không gian trạng thái

Static recognition

Nhận dạng tĩnh

Step length

Độ dài bước

Supervised learning

Học có giám sát

Template matching

So khớp mẫu

Testing

Kiểm tra

Testing data

Dữ liệu kiểm tra

Threshold matching

So khớp với mức ngưỡng

Throw

Ném

Training

Huấn luyện

x


Training data

Dữ liệu huấn luyện

Transition matrix

Ma trận chuyển tiếp

Turn around

Xoay người

Unsupervised learning

Học không giám sát

Vector encoding

Mã hóa vector

Vector quantization

Lượng tử hóa vector

View-point

Góc quay của camera

Video acquisition

Thu nhận tín hiệu video

Video analysis

Phân tích tín hiệu video

Walk

Đi bộ

Wave

Vẫy tay

xi


DANH MỤC BẢNG BIỂU
Bảng 2.1. Quan hệ tương đương giữa hành động “té ngã” và bộ mô tả đặc trưng
té ngã. ........................................................................................................................44
Bảng 2.2. Quan hệ tương đương giữa hành động “đi bộ” và đặc trưng 3D GRF mô
tả hành động “đi bộ”. ................................................................................................52

Bảng 2.3. Biến đổi tương đương dữ liệu HumanEVA và mô hình 13 điểm. ...........54
Bảng 2.4. Tập các đặc trưng hành động 3D GRF. ...................................................56
Bảng 2.5. Mô tả chi tiết đặc trưng 3D GRF. ............................................................57
Bảng 2.6. Tập đặc trưng hành động 3D GRF cải tiến. .............................................61
Bảng 3.1. Ma trận nhầm lẫn của hệ thống phát hiện té ngã (Tập Test1-HBU) ........78
Bảng 3.2. Ma trận nhầm lẫn của hệ thống phát hiện té ngã (Tập Test2-HBU) ........78
Bảng 3.3. Ma trận nhầm lẫn của hệ thống phát hiện té ngã (Tập Test3-HBU) ........78
Bảng 3.4. Hiệu quả nhận dạng của hệ thống phát hiện té ngã trên cơ sở dữ liệu
HBU theo các chỉ tiêu RC, PR và Acc .....................................................................79
Bảng 3.5. So sánh hiệu suất nhận dạng của các hệ thống phát hiện té ngã ..............81
Bảng 3.6. Kết quả kiểm tra hệ thống phát hiện té ngã trên tập Home1, Home2 và
Lecture trong cơ sở dữ liệu Le2i ...............................................................................83
Bảng 3.7. Ma trận nhầm lẫn của hệ thống phát hiện té ngã thực tế (%) ..................86
Bảng 3.8. Ma trận nhầm lẫn của hệ thống phát hiện dáng đi bệnh Parkinson .........88
Bảng 3.9. Kết quả phát hiện dáng đi bất thường. .....................................................89
Bảng 3.10. Ma trận nhầm lẫn của hệ thống phát hiện dáng đi bệnh lý (%) .............90
Bảng 4.1. Kết quả thí nghiệm 4.2.2a trên cơ sở dữ liệu HumanEVA ......................99
Bảng 4.2. Kết quả thí nghiệm 4.2.2b trên cơ sở dữ liệu HumanEVA ......................99
Bảng 4.3. Kết quả thí nghiệm 4.2.2c trên cơ sở dữ liệu HumanEVA ......................99
Bảng 4.4. Kết quả thí nghiệm 4.2.2d trên cơ sở dữ liệu HumanEVA ....................100
Bảng 4.5. Một phần của ma trận quan sát trước và sau khi xử lý. .........................103
Bảng 4.6. Tỷ lệ nhận dạng hành động (%) với các giá trị M khác nhau. ...............104

xii


Bảng 4.7. Tỷ lệ nhận dạng hành động (%) với các giá trị N khác nhau. ................105
Bảng 4.8. Tỷ lệ nhận dạng hành động (%) với các giá trị ε khác nhau. .................105
Bảng 4.9. Kết quả thí nghiệm 4.3.2a trên cơ sở dữ liệu ước lượng tư thế 3D........106
Bảng 4.10. Kết quả thí nghiệm 4.3.2b trên cơ sở dữ liệu ước lượng tư thế 3D .....107

Bảng 4.11. Kết quả thí nghiệm 4.3.2c trên cơ sở dữ liệu ước lượng tư thế 3D......107
Bảng 4.12. Kết quả thí nghiệm 4.3.2d trên cơ sở dữ liệu ước lượng tư thế 3D .....107
Bảng 4.13. Kết quả thí nghiệm 4.3.2e trên cơ sở dữ liệu ước lượng tư thế 3D......108
Bảng 4.14. Tỷ lệ nhận dạng hành động (%) của hệ thống dùng CHMM. ..............110
Bảng 4.15. Kết quả nhận dạng hành động (%) trong cơ sở dữ liệu IXMAS. .........113
Bảng 4.16. So sánh các hệ thống nhận dạng hành động. .......................................114
Bảng 4.17. Kết quả (%) phát hiện mẫu “thiếu vắng hành động đi bộ”. .................115
Bảng 4.18. Kết quả (%) phát hiện mẫu “dư thừa hành động bạo lực”. ..................116

xiii


DANH MỤC HÌNH VẼ
Hình 1.1. Sơ đồ cấu trúc của hệ thống HMS điển hình..............................................9
Hình 1.2. Sơ đồ cấu trúc của nút mạng cảm biến điển hình.....................................11
Hình 1.3. Một số ứng dụng tiêu biểu của kỹ thuật cảm biến và kỹ thuật IVA.........12
Hình 1.4. Sơ đồ cấu trúc hệ thống sử dụng kỹ thuật IVA điển hình ........................15
Hình 1.5. Ví dụ về ảnh gốc và ảnh mặt nạ của đối tượng. .......................................23
Hình 1.6. Các ví dụ về ảnh gốc, ảnh MHI và MII tương ứng [29] ..........................25
Hình 1.7. Các ví dụ về trường vector dòng chuyển động [7]. ..................................26
Hình 1.8. Đặc trưng nhị phân mô tả quan hệ giữa các điểm trên cơ thể [93] ..........27
Hình 1.9. Ví dụ về so khớp hai chuỗi vector tốc độ khác nhau dùng DTW [6].......31
Hình 2.1. Ví dụ một mô hình GMM có ba thành phần Gauss. ................................42
Hình 2.2. Kết quả phân đoạn đối tượng con người dùng phương pháp trừ nền dựa
trên mô hình GMM cải tiến ......................................................................................43
Hình 2.3. Hình ellipse bao quanh đối tượng và các thông số đặc trưng [95]. ..........45
Hình 2.4. Ảnh MHI đi bộ và té ngã..........................................................................47
Hình 2.5. Độ dài bước và độ rộng bước. ..................................................................47
Hình 2.6. Ảnh mặt nạ trích từ các khung video dáng đi bình thường và Parkinson.
..................................................................................................................................49

Hình 2.7. Cấu trúc tổng quát hệ thống phát hiện hành động bất thường. ................51
Hình 2.8. Mô hình cơ thể [66]. .................................................................................53
Hình 2.9. Các đặc trưng 2D trích từ ảnh gốc [65]. ...................................................55
Hình 2.10. Kết quả bám đuổi 2D [65]. .....................................................................55
Hình 2.11. Kết quả mô hình hóa 3D cho cơ sở dữ liệu HumanEVA II [65]............55
Hình 2.12. Các mặt phẳng cơ thể theo giải phẫu học [17]. ......................................57
Hình 2.13. Khoảng cách có dấu - d - giữa điểm p4 và mặt phẳng {p1, p2, p3}. ........58
Hình 2.14. Một số loại HMM phổ biến. ...................................................................62
Hình 2.15. Ví dụ HMM trái-phải biểu diễn hành động “đánh bốc”.........................64

xiv


Hình 2.16. Nguyên lý nhận dạng maximum likelihood. ..........................................64
Hình 2.17. Cấu trúc khối nhận dạng hành động dùng mô hình HMM rời rạc. ........65
Hình 2.18. Ảnh hưởng của phần tử cá biệt (do nhiễu) lên thuật toán Kmeans ........67
Hình 2.19. Các tư thế con người trong một chu kỳ “đi bộ”. ....................................67
Hình 2.20. Khoảng cách giữa hai chân trong khi “đi bộ” [96]. ...............................68
Hình 2.21. Mô hình CHMM 5 trạng thái. ................................................................69
Hình 3.1. Các hướng té ngã khác nhau trong cơ sở dữ liệu HBU [3]. .....................71
Hình 3.2. Một số khung video trong cơ sở dữ liệu HBU [3]. ..................................72
Hình 3.3. Một số khung video hình ảnh các loại dáng đi trong cơ sở dữ liệu dáng đi
bệnh lý.......................................................................................................................73
Hình 3.4. Các khung video trong cơ sở dữ liệu Le2i [23]........................................74
Hình 3.5. Ma trận nhầm lẫn. ....................................................................................75
Hình 3.6. Quy trình thí nghiệm đánh giá hệ thống...................................................77
Hình 3.7. Sự giống nhau giữa đặc trưng mô tả hành động “ngồi” và “té ngã” theo
hướng trực diện (đường xanh nét liền: ngồi, đường đỏ nét đứt: té ngã). ..................80
Hình 3.8. Kiến trúc cơ bản của hệ thống phát hiện té ngã thực tế. ..........................81
Hình 3.9. Ảnh chụp hệ thống thực nghiệm. .............................................................85

Hình 3.10. Một số khung video trong thực tế. .........................................................86
Hình 4.1. Các khung video trong cơ sở dữ liệu HumanEVA [123]. ........................94
Hình 4.2. Các khung video trong cơ sở dữ liệu ước lượng tư thế 3D [65]. .............96
Hình 4.3. Các khung video trong cơ sở dữ liệu IXMAS [59]. .................................97
Hình 4.4. Khung video, tọa độ 3D và vector đặc trưng 3D GRF tương ứng. ........101
Hình 4.5. Đồ thị cột về tỷ lệ nhận dạng trong các trường hợp huấn luyện khác nhau.
................................................................................................................................108

xv


1

MỞ ĐẦU
1. Đặt vấn đề
Già hóa dân số là một trong các xu hướng đang diễn ra mạnh mẽ trên tất cả
các khu vực và quốc gia trên thế giới [4], [134]. Bằng chứng cho điều này là tỷ lệ
người cao tuổi (trên 60 tuổi) đã tăng từ 9.2% trong năm 1990 lên 11.7% trong năm
2013 và sẽ đạt 21,1 % vào năm 2050. Trên toàn cầu, số lượng người cao tuổi dự
kiến sẽ tăng hơn gấp đôi, tức là từ 841 triệu người vào năm 2013 lên hơn 2 tỷ người
vào năm 2050, trong đó số lượng người trên 80 tuổi ước tính đạt 392 triệu, tăng gấp
3 lần so với hiện tại [134].
Ở nước ta, cơ cấu độ tuổi dân số cũng có những chuyển biến đi theo xu hướng
chung trên toàn cầu [2], [133]. Theo Quỹ Dân số Liên hợp quốc UNFPA [133], Việt
Nam là một trong những quốc gia có tốc độ già hóa nhanh nhất thế giới với dự báo
đến năm 2049 thì tỷ lệ người cao tuổi ở Việt Nam sẽ chiếm đến 26.10% tổng dân
số, cao hơn nhiều so với tỷ lệ người cao tuổi trung bình trên toàn cầu.
Chúng ta không thể phủ nhận già hóa dân số là một trong những thành tựu vĩ
đại nhất của loài người, nhờ sự tiến bộ về y học, chăm sóc sức khỏe, giáo dục và đời
sống kinh tế. Nhưng khuynh hướng già hóa dân số tạo nên những thách thức lớn

cho cá nhân, gia đình, xã hội và cộng đồng trên toàn cầu [4]. Một trong các thách
thức đó là số lượng các căn bệnh liên quan đến tuổi tác xuất hiện ngày càng nhiều,
trong đó chủ yếu là các bệnh không lây nhiễm như mất trí nhớ, thoái hóa khớp,
huyết áp, đái tháo đường, chấn thương do té ngã, v.v. và phải điều trị suốt đời. Xét
về chi phí chăm sóc sức khỏe, thống kê cho thấy chi phí trung bình cho người cao
tuổi cao gấp 7-8 lần chi phí trung bình cho trẻ em [2]. Để giảm chi phí chăm sóc sức
khỏe và tăng khả năng điều trị bệnh thành công, yêu cầu cấp bách đặt ra là cần phải
tìm các biện pháp phát hiện sớm các chứng bệnh nói trên nhằm can thiệp y khoa kịp
thời. Ngoài ra, phát hiện bệnh sớm còn góp phần đáng kể vào giảm tải công việc
cho nhân viên y tế, đặc biệt là nhân viên y tế chuyên ngành lão khoa, vốn đang bị
khủng hoảng thiếu nghiêm trọng [1].
Điều này đã thúc đẩy nhiều nhà khoa học tập trung vào một hướng nghiên cứu
mới đầy triển vọng: thiết kế, triển khai và ứng dụng các hệ thống giám sát chăm sóc


2
sức khỏe HMS (Healthcare Monitoring System) [42], [108]. Cùng với các giải pháp
kỹ thuật khác ứng dụng trong hệ thống HMS chẳng hạn như kỹ thuật cảm biến [45],
[74], [148] thì kỹ thuật phân tích thông minh tín hiệu video IVA (Intelligent Video
Analytics) [84], [94], [143] đang nhận được rất nhiều sự quan tâm nghiên cứu trên
toàn thế giới. Kỹ thuật IVA dựa vào phân tích tín hiệu video ghi lại các hoạt động
hàng ngày của người cao tuổi cần giám sát, để nhận dạng các hành động của họ,
phát hiện các hành động bất thường và kịp thời đưa ra cảnh báo nếu có [28], [39],
[72]. Thực tế cho thấy kỹ thuật IVA đã tỏ ra có nhiều ưu điểm nổi trội và đã đạt
được nhiều thành tựu đáng khích lệ. Tuy nhiên, để ứng dụng thành công kỹ thuật
IVA vào hệ thống HMS, cần giải quyết những khó khăn về kỹ thuật như sau:
-

Vấn đề góc quay là thách thức lớn nhất cho bài toán nhận dạng hành động con
người sử dụng kỹ thuật IVA [7], [65]. Thực tế thì camera thường đặt ở một vị

trí cố định trong khi con người di chuyển tùy ý, vì thế yêu cầu đặt ra là dù ở
các góc quay khác nhau thì hiệu quả nhận dạng vẫn phải không bị ảnh hưởng.

-

Hầu hết các hệ thống sử dụng kỹ thuật IVA đều thực hiện bước xử lý đầu tiên
là phân vùng đối tượng con người dựa vào phương pháp trừ nền [33], [127],
[141]. Phương pháp trừ nền yêu cầu một mô hình nền tin cậy và phải được cập
nhật sao cho thích nghi với cảnh nền động phức tạp, hay thay đổi cũng như
điều kiện chiếu sáng trong phòng không đồng nhất. Hơn nữa, cần giải quyết
vấn đề bóng đổ do sự chiếu sáng của các nguồn sáng nhân tạo trong phòng tạo
ra làm ảnh hưởng đến hình dạng của đối tượng được phân đoạn, dẫn đến kết
quả nhận dạng sai [27]. Cuối cùng, vấn đề che khuất giữa các bộ phận cơ thể
hay che khuất giữa người và đồ đạc cũng cần giải quyết để đối tượng được
phân đoạn chính xác [65].

-

Cuối cùng, cần phải nghiên cứu để có thể mô tả hành động sao cho ít bị ảnh
hưởng nhất bởi vẻ bên ngoài của con người và vẻ bên ngoài của hành động
[68], [93] Vẻ bên ngoài của con người phụ thuộc vào các yếu tố như: bề mặt
bước đi, quần áo, giày dép, v.v. Vẻ bề ngoài của hành động cũng thay đổi đa
dạng, phụ thuộc vào người thực hiện, thời gian thực hiện, cách thức thực
hiện, v.v. Tất cả những điều này đều làm ảnh hưởng đến kết quả nhận dạng.
Xuất phát từ bối cảnh trên, đề tài “Phân tích thông minh tín hiệu video hỗ

trợ cho hệ thống giám sát chăm sóc sức khỏe” được chọn làm nội dung của luận


3

án với mong muốn góp phần vào lĩnh vực nghiên cứu về kỹ thuật IVA nói chung và
ứng dụng IVA vào hệ thống giám sát chăm sóc sức khỏe người cao tuổi nói riêng.

2. Mục tiêu, đối tượng và phạm vi nghiên cứu
Luận án được thực hiện nhằm nghiên cứu giải quyết một phần các thách thức
kỹ thuật nêu trên, sao cho hệ thống sử dụng kỹ thuật IVA trở nên phù hợp với ứng
dụng hỗ trợ chăm sóc sức khỏe cho người cao tuổi. Cụ thể là luận án nhằm hướng
đến hai ứng dụng chính như sau:
-

Thứ nhất là giám sát té ngã, bao gồm hai kịch bản ứng dụng là: (1) phát hiện,
cảnh báo té ngã và (2) dự đoán nguy cơ té ngã. Ở đây nguy cơ té ngã được xét
là do yếu tố dáng đi bất thường (do bệnh lý xương khớp hoặc tâm thần kinh)
gây ra.

-

Thứ hai là phát hiện các hành động bất thường để hỗ trợ cho dự đoán chứng
suy giảm nhận thức nhẹ.
Dựa vào mục tiêu nghiên cứu nói trên, luận án tập trung vào hai đối tượng

nghiên cứu chính là:
-

Thứ nhất, các khối xử lý tín hiệu trong hệ thống sử dụng kỹ thuật IVA.

-

Thứ hai, các ứng dụng của kỹ thuật IVA vào hỗ trợ hệ thống HMS hướng đến
phục vụ đối tượng người cao tuổi, gồm phát hiện té ngã, phát hiện dáng đi bất

thường và phát hiện hành động bất thường.
Xác định mục tiêu và đối tượng nghiên cứu như trên, luận án tập trung vào

thực hiện các nhiệm vụ chính như sau:
-

Thứ nhất, nghiên cứu tổng quan kỹ thuật IVA hỗ trợ cho hệ thống HMS,
hướng đến đối tượng người cao tuổi.

-

Thứ hai, xây dựng các hệ thống HMS trên nền kỹ thuật IVA sao cho phù hợp
với ứng dụng hỗ trợ hệ thống HMS.

-

Thứ ba, nghiên cứu ứng dụng hệ thống xây dựng được vào việc phát hiện các
bất thường về sức khỏe người cao tuổi mà ta có thể quan sát bằng mắt gồm tai
nạn té ngã, dáng đi bất thường, hành động bất thường.
Tất cả các vấn đề nghiên cứu nêu trên đều được giải quyết trong phạm vi các

ràng buộc cụ thể như sau:


4
-

Hệ thống được xây dựng theo cách tiếp cận truyền thống, nghĩa là trong hệ
thống có hai khối xử lý chính là trích đặc trưng và nhận dạng với dữ liệu video.

-

Hệ thống chỉ sử dụng một camera 2D gắn cố định để thu tín hiệu.

-

Môi trường quay trong nhà và nền tĩnh.

-

Trong cảnh quay chỉ có một đối tượng chuyển động là con người.

-

Tùy theo từng ứng dụng, các cảnh quay có thể là một trong các trường hợp sau:
người tham gia (1) đang thực hiện các hoạt động thông thường thì bị té, hoặc
(2) đi bộ với các kiểu dáng đi bệnh lý khác nhau, hoặc (3) thực hiện một hành
động nào đó trong suốt cảnh quay.

3. Phương pháp nghiên cứu
Việc thực hiện luận án dựa trên cơ sở kế thừa các kiến thức nền tảng sau đây:
-

Thị giác máy tính

-

Kỹ thuật học máy

-

Xử lý tín hiệu ảnh và video

-

Lý thuyết thống kê.
Phương pháp nghiên cứu sử dụng trong luận án là phương pháp kết hợp lý

thuyết và thực nghiệm, bao gồm những công việc chính sau đây:
-

Sưu tầm, sắp xếp, phân tích, đánh giá các ưu khuyết điểm của các công trình
nghiên cứu liên quan để từ đó đề xuất ý tưởng mới hoặc cải thiện các phương
pháp/hệ thống đang tồn tại.

-

Thiết kế và thực thi các thí nghiệm với phương pháp/hệ thống đề xuất dùng cơ
sở dữ liệu phù hợp để thu thập dữ liệu kết quả.

-

Phân tích dữ liệu kết quả để đánh giá thực nghiệm phương pháp/hệ thống
đề xuất. Việc đánh giá chủ yếu dựa vào tiêu chí về tỷ lệ nhận dạng thành công.

-

So sánh phương pháp/hệ thống đề xuất với các phương pháp/hệ thống đang
tồn tại để rút ra kết luận.

4. Cấu trúc của luận án
Trên cơ sở các nhiệm vụ nghiên cứu nêu trên, để đạt mục tiêu đề ra và đảm
bảo tính logic và chỉnh thể của vấn đề nghiên cứu, ngoài phần mở đầu và phần kết
luận và hướng phát triển, luận án được cấu trúc gồm bốn chương với nội dung


5
chính của các chương như sau:
Chương 1 giới thiệu hệ thống giám sát chăm sóc sức khỏe HMS hướng đến
ứng dụng cho đối tượng người cao tuổi. Đồng thời trình bày hai kỹ thuật hỗ trợ cho
hệ thống HMS là kỹ thuật cảm biến và IVA, trong đó tập trung vào kỹ thuật IVA.
Hai bước xử lý chính trong hệ thống sử dụng kỹ thuật IVA là trích đặc trưng và
nhận dạng được trình bày dựa vào nghiên cứu tổng quan các công trình về IVA gần
đây. Kết quả nghiên cứu tổng quan sẽ định hướng cho các nghiên cứu tiếp theo của
luận án trong các chương sau.
Chương 2 đề xuất các hệ thống HMS trên nền kỹ thuật IVA, nhằm hướng đến
các ứng dụng chính là phát hiện té ngã, dự đoán nguy cơ té ngã do dáng đi bất
thường và phát hiện hành động bất thường. Cụ thể là phần trích đặc trưng sử dụng
kết hợp thông tin hình dạng với tốc độ chuyển động trong ứng dụng phát hiện té
ngã, sử dụng moment Hu trong ứng dụng phát hiện dáng đi bất thường, sử dụng đặc
trưng quan hệ hình học GRF (Geometric Relational Feature) trong ứng dụng phát
hiện hành động bất thường. Phần nhận dạng dựa trên mô hình Markov ẩn HMM
(Hidden Markov Model), gồm HMM kết hợp với Kmeans và HMM tuần hoàn
CHMM (Cyclic HMM).
Chương 3 trình bày kết quả thực nghiệm kiểm tra, đánh giá hệ thống HMS
nêu ở chương 2 trong ứng dụng giám sát té ngã, gồm phát hiện – cảnh báo té ngã và
dự đoán nguy cơ té ngã do dáng đi bất thường. Riêng hệ thống phát hiện – cảnh báo
té ngã được thiết kế, thực hiện và kiểm tra với các tình huống té ngã thực tế.
Chương 4 trình bày kết quả thực nghiệm kiểm tra, đánh giá hệ thống HMS đề
xuất ở chương 2 trong ứng dụng phát hiện các mẫu hành động bất thường, gồm hai

mẫu đại diện là mẫu “thiếu vắng” và mẫu “dư thừa”, vốn là những mẫu hành động
có thể do chứng suy giảm nhận thức mức độ nhẹ gây ra.

5. Đóng góp chính của luận án
Qua quá trình thực hiện các nhiệm vụ của luận án nhằm đạt được mục tiêu
nghiên cứu đề ra, luận án đã có những đóng góp khoa học như sau:
-

Hệ thống hóa các nghiên cứu gần đây về kỹ thuật IVA, đặc biệt tập trung vào
kỹ thuật IVA với ứng dụng hỗ trợ cho hệ thống HMS (công trình số [1], [2],


6
[6] trong Danh mục công trình khoa học)
-

Đề xuất bộ mô tả đặc trưng quan hệ hình học GRF có khả năng đối phó với
vấn đề góc quay và che khuất, góp phần nâng cao hiệu quả nhận dạng (công
trình số [3] trong Danh mục công trình khoa học).

-

Đề xuất phương pháp nhận dạng các hành động gần tuần hoàn dùng mô hình
HMM tuần hoàn CHMM (Cyclic HMM) (công trình số [5] trong Danh mục
công trình khoa học).
Ngoài ra, một số hệ thống trên nền IVA lý thuyết và thực tế đã được xây dựng

qua quá trình thực hiện luận án gồm có:
-

Hệ thống phát hiện tai nạn té ngã thực tế (công trình số [9])

-

Hệ thống phát hiện dáng đi bất thường hỗ trợ cho dự đoán nguy cơ té ngã
(công trình số [10], [12]).

-

Hệ thống nhận dạng hành động (công trình số [4], [7], [8])

-

Hệ thống phát hiện mẫu hành động bất thường (công trình số [11]).
Các hệ thống đề xuất trong luận án không có ý định thay thế hoàn toàn chuyên

gia y tế, nhưng có thể góp phần cung cấp một công cụ hữu hiệu để giúp phát hiện
sớm các bất thường về sức khỏe nhằm chữa trị kịp thời, giúp giảm thiểu chi phí,
tăng cao hiệu quả điều trị và nâng cao chất lượng sống cho người cao tuổi.


7

Chương 1.

NGHIÊN CỨU TỔNG QUAN

Nội dung của chương gồm có hai phần chính: phần thứ nhất là tổng quan về hệ
thống giám sát chăm sóc sức khỏe (HMS) (Mục 1.1) và phần thứ hai là các kỹ thuật
sử dụng trong hệ thống HMS gồm kỹ thuật cảm biến (Mục 1.2) và kỹ thuật phân

tích thông minh tín hiệu video (IVA) (Mục 1.3) .
Riêng với kỹ thuật IVA, hai bước xử lý chính trong hệ thống trên nền IVA là
trích đặc trưng và nhận dạng được trình bày trên cơ sở nghiên cứu tổng quan các
công trình liên quan gần đây (Mục 1.4 và 1.5).
Ngoài ra, phần cuối chương là các thảo luận và đề xuất nhằm định hướng các
nghiên cứu tiếp theo trong luận án (Mục 1.6).
Kết quả nghiên cứu tổng quan của luận án đã được công bố ở các công trình
[1], [2], [6] trong Danh mục công trình khoa học của tác giả.

1.1. Hệ thống giám sát chăm sóc sức khỏe HMS
Hệ thống giám sát chăm sóc sức khỏe HMS là hệ thống cho phép quan sát,
theo dõi liên tục bệnh nhân từ xa nhằm thu thập các thông tin về tình trạng sức khỏe
bệnh nhân, phát hiện các tai nạn hoặc phát hiện các bất thường về sức khỏe [42].
Các hệ thống HMS hiện đại có thể giúp rút ngắn thời gian nằm viện, giảm bớt số
lần bệnh nhân phải đến bệnh viện để thăm khám sức khỏe định kỳ, giúp xử lý kịp
thời các tai nạn nguy cấp, giúp phát hiện sớm một số chứng bệnh nguy hiểm để có
biện pháp can thiệp y khoa kịp thời [108].
Hiện nay, lĩnh vực nghiên cứu về hệ thống HMS đang thu hút được rất nhiều
sự quan tâm trên thế giới [108]. Điều này thể hiện ở số lượng rất lớn các công trình
nghiên cứu, hội nghị hội thảo chuyên ngành, dự án. Nhiều hệ thống/dự án HMS đã
bước đầu được triển khai thực tế khá thành công, chẳng hạn như:
-

Hệ thống E-safe [45] sử dụng cảm biến gắn vào người để tự động phát hiện té
ngã dựa trên công nghệ zigbee. Nếu phát hiện có té ngã thì các bên liên quan
được cảnh báo qua dịch vụ tin nhắn SMS (Short Message Services) và email.

-

Hệ thống trợ giúp thông minh SAIL (Smart AssIsted Living) [148] dùng kỹ

thuật tương tác người-máy để giám sát tình trạng sức khỏe của từng bệnh nhân


8
cao tuổi hoặc người khuyết tật. SAIL bao gồm mạng cảm biến cơ thể người
BSN (Body Sensor Network), robot hướng dẫn, điện thoại thông minh và nhà
cung cấp dịch vụ chăm sóc sức khỏe từ xa. Dựa trên dữ liệu thu từ các cảm
biến, robot sẽ trợ giúp bệnh nhân hoặc là nhà cung cấp dịch vụ từ xa sẽ chuyển
chỉ thị giúp đỡ đến bệnh nhân thông qua cổng điện thoại thông minh.
-

Hệ thống [79] hoàn toàn dựa trên kỹ thuật phân tích tín hiệu video với cấu trúc
gồm: thu dữ liệu video, phát hiện và bám đuổi đối tượng, phân tích đặc trưng
của đối tượng, phát hiện các hiện tượng bất thường (gồm đi loạng choạng, té
ngã, bất động lâu, có hành vi lạ) và thông báo cho các bên liên quan.

1.1.1. Ứng dụng của hệ thống HMS
Ứng dụng của hệ thống HMS rất đa dạng và thay đổi tùy theo đối tượng phục
vụ, chẳng hạn như:
-

Đối với trẻ em: hệ thống HMS giúp tự động quan sát, theo dõi trẻ em liên tục
nhằm phát hiện các hành vi “tự kích thích” (vẫy tay, đập đầu, cắn, v.v.) [107]
hay cách chơi bất thường trong các trò chơi tương tác nhằm phát hiện sớm hội
chứng tự kỷ để có biện pháp can thiệp sớm [109], phát hiện kịp thời các hành
vi nguy hiểm ở trẻ mới tập đi như leo trèo, với tay, v.v. để cảnh báo cho người
chăm sóc trẻ nhằm ngăn chặn té ngã kịp thời [145].

-

Đối với người cao tuổi: hệ thống HMS giúp giám sát hoạt động “ăn uống” của
người cao tuổi tại nhà nhằm phát hiện sớm các vấn đề sức khỏe liên quan [25]
hoặc tại viện dưỡng lão nhằm đánh giá mức độ khó khăn trong ăn uống để hỗ
trợ cho điều dưỡng [46], phát hiện hội chứng ngưng thở trong khi ngủ, bệnh
tim mạch và đột quỵ [72], giám sát hoạt động “uống thuốc” của bệnh nhân cao
tuổi tại nhà nhằm tránh dùng thuốc không đúng cách [58], đưa ra các phản hồi
tại chỗ để hướng dẫn, hỗ trợ cho bệnh nhân đột quỵ thực hiện các hoạt động
thường ngày ví dụ như “pha cà phê” [47], tính toán các thông số liên quan đến
các bài tập phục hồi chức năng khi bệnh nhân tự tập tại nhà, nhằm giúp
chuyên gia y tế đánh giá sự cải thiện chức năng vận động của bệnh nhân từ xa
mà không cần phải đến tập tại bệnh viện [117].

-

Đối với bệnh nhân cần theo dõi đặc biệt: hệ thống HMS có thể giúp giám sát
liên tục các chỉ số sinh tồn như nhịp tim, huyết áp của sản phụ và thai nhi