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

BỘGIÁODỤCVÀĐÀOTẠO
ĐẠIHỌCĐÀNẴNG

----------


HOÀNG LÊ UYÊN THỤC


PHÂNTÍCHTHÔNGMINHTÍNHIỆUVIDEO
HỖTRỢCHOHỆTHỐNG



GIÁMSÁTCHĂMSÓCSỨCKHỎE



Chuyênngành:KHOAHỌCMÁYTÍNH
Mãsố:62480101



TÓMTẮTLUẬNÁNTIẾNSĨKỸTHUẬT

ĐàNẵng2017


Côngtrìnhđượchoànthànhtại:

TRƯỜNGĐẠIHỌCBÁCHKHOA-ĐẠIHỌCĐÀNẴNG

Ngườihướngdẫnkhoahọc:
1)GS.TS.Jenq-NengHwang
2)PGS.TS.PhạmVănTuấn

Phảnbiện1:………………………………………………
Phảnbiện2:…………………………………………………
Phảnbiện3:…………………………………………………


LuậnánsẽđượcbảovệtrướcHộiđồngchấmluậnáncấp
Trườnghọptại:ĐạihọcĐàNẵng
Vàohồi….....giờ.........ngày..........tháng………năm……….


Cóthểtìmhiểuluậnántại:
-ThưviệnQuốcgia
-TrungtâmThôngtin–Họcliệu,ĐạihọcĐàNẵng


1
MỞ ĐẦU
1. Đặt vấn đề
Già hóa dân số là một trong các xu hướng đang diễn ra trên tất cả các
khu vực và quốc gia trên thế giới, trong đó có nước ta. Mặt trái của già
hóa là các bệnh tật liên quan đến tuổi tác xuất hiện ngày càng nhiều. Do
đó, một 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.
Hiện nay, hướng nghiên cứu về hệ thống giám sát chăm sóc sức khỏe

HMS (Healthcare Monitoring System) dùng kỹ thuật phân tích thông
minh tín hiệu video IVA (Intelligent Video Analytics) đang nhận được
rất nhiều sự quan tâm và đã đạt nhiều thành tựu đáng khích lệ. Tuy
nhiên, IVA vẫn đang đối mặt với một số thách thức chính như vấn đề
góc quay, che khuất, phân vùng đối tượng, mô tả hành động, v.v.
Xuất phát từ tình hình trên, bài toán “Phân tích thông minh tín hiệu
video hỗ trợ cho hệ thống giám sát chăm sóc sức khỏe” được chọn làm
đề tài nghiên cứu của của luận án.
2. Mục đích, đối tượng và phạm vi nghiên cứu
+ Mục đích nghiên cứu: cải thiện hệ thống sử dụng kỹ thuật IVA (còn
gọi là hệ thống IVA) để phù hợp với các ứng dụng:
- Phát hiện té ngã và dự đoán nguy cơ té ngã do dáng đi bất thường.
- Phát hiện hành động bất thường.
+ Đối tượng nghiên cứu:
- Các khối xử lý tín hiệu trong hệ thống IVA
- Các ứng dụng của kỹ thuật IVA vào hỗ trợ hệ thống HMS.
+ Phạm vi nghiên cứu:
- Tiếp cận theo phương pháp truyền thống: hệ thống IVA có hai khâu là
trích đặc trưng và nhận dạng.
- Sử dụng một camera 2D gắn cố định, môi trường quay trong nhà, nền
tĩnh, trong cảnh quay chỉ có một người.
- Các kịch bản: (1) người tham gia đang thực hiện các hoạt động thông
thường thì bị té, hoặc (2) đi bộ với các kiểu dáng đi bệnh lý khác nhau,


2
hoặc (3) thực hiện một hành động nào đó trong suốt cảnh quay.
2. Phương pháp nghiên cứu
Phương pháp kết hợp lý thuyết và thực nghiệm.
3. Cấu trúc của luận án

- Mở đầu
- Chương 1 trình bày tổng quan về hệ thống HMS, kỹ thuật cảm biến và
IVA trong HMS, các bước trích đặc trưng và nhận dạng trong IVA.
- Chương 2 trình bày cấu trúc các hệ thống HMS trên nền IVA đề xuất,
các tính toán cho các khâu trong hệ thống.
- Chương 3 trình bày kết quả thực nghiệm đánh giá hệ thống HMS ứng
dụng phát hiện té ngã và dự đoán nguy cơ té ngã do dáng đi bất thường.
- Chương 4 trình bày kết quả thực nghiệm đánh giá hệ thống HMS trong
ứng dụng phát hiện hành động bất thường.
- Kết luận.
4. Đóng góp chính của luận án
Đóng góp về mặt khoa học:
- Hệ thống hóa các nghiên cứu mới về kỹ thuật IVA, đặc biệt tập trung
vào IVA ứng dụng hỗ trợ cho HMS (công trình [1], [2], [6]).
- Đề xuất mới bộ mô tả đặc trưng 3D GRF (Geometric Relation
Features) có khả năng đối phó với vấn đề góc quay và che khuất (công
trình [3]).
- Đề xuất mới phương pháp nhận dạng hành động gần tuần hoàn dùng
mô hình HMM tuần hoàn (Cyclic HMM) (công trình [5]).
Ngoài ra, trong quá trình thực hiện luận án, một số hệ thống được
xây dựng gồm:
- Hệ thống phát hiện té ngã thực tế (công trình[9]).
- Hệ thống phát hiện dáng đi bất thường (công trình [10], [12]).
- Hệ thống nhận dạng hành động (công trình [4], [7], [8]).
- Hệ thống phát hiện hành động bất thường (công trình [11]).



3
Chương1:NGHIÊNCỨUTỔNG QUAN

Nội dung của chương gồm: tổng quan về hệ thống HMS, kỹ thuật
cảm biến và IVA sử dụng trong hệ thống HMS, đặc biệt tập trung vào
IVA với hai bước xử lý là trích đặc trưng và nhận dạng.
Kết quả nghiên cứu tổng quan đã được công bố ở công trình [1], [2],
[6] trong Danh mục công trình của tác giả.
1.1 Hệ thống giám sát chăm sóc sức khỏe HMS
Là hệ thống quan sát, theo dõi bệnh nhân từ xa nhằm thu thập thông
tin về tình trạng sức khỏe, phát hiện tai nạn hoặc các bất thường sức khỏe.
1.1.1. Ứng dụng của hệ thống HMS
1.1.2. Cấu trúc của hệ thống HMS
Một hệ thống HMS tối thiểu có ba thành phần chính như trên Hình
1.1. Dữ liệu thu nhận có thể dựa vào cảm biến hoặc camera (camera
cũng là một loại cảm biến nhưng là cảm biến 2 chiều).

Hình 1.1. Sơ đồ cấu trúc của hệ thống HMS điển hình.

1.2. Kỹ thuật cảm biến
1.2.1. Cấu trúc của nút mạng cảm biến
1.2.2. Ứng dụng của kỹ thuật cảm biến
1.2.3. Các vấn đề cần quan tâm khi ứng dụng kỹ thuật cảm biến vào
hệ thống HMS
Số lượng cảm biến lớn dẫn đến vận hành bảo dưỡng mạng phức tạp,
việc gắn cảm biến gây khó khăn và phiền phức cho bệnh nhân, v.v.


4
1.3. Kỹ thuật IVA
Tín hiệu video ghi hình đối tượng quan tâm được phân tích và đưa ra
kết quả là những sự kiện gì đang xảy ra trong đoạn video đó. Mức độ
“thông minh” được định lượng dựa vào tỷ lệ nhận dạng chính xác.

1.3.1. Cấu trúc hệ thống sử dụng kỹ thuật IVA
Trong phạm vi luận án, xét hệ thống IVA truyền thống gồm hai bước
chính là trích đặc trưng và nhận dạng hành động như trên Hình 1.2.

Hình 1.2. Sơ đồ cấu trúc của hệ thống sử dụng kỹ thuật IVA điển hình.

1.3.2. Ứng dụng của kỹ thuật IVA
1.3.3. Một số nghiên cứu gần đây về ứng dụng IVA vào hệ
thống HMS
1.3.3.1. Giám sát các hoạt động hàng ngày ADL (Activities of Daily
Living)
1.3.3.2. Phát hiện tai nạn té ngã
1.3.3.3. Phân tích dáng đi
1.3.3.4. Hỗ trợ phục hồi chức năng
1.3.4. Các vấn đề cần quan tâm khi ứng dụng IVA vào hệ thống HMS
Vấn đề góc quay, cảnh nền động, bóng đổ, che khuất, vẻ bề ngoài
của đối tượng thay đổi, cách thức thực hiện hành động khác nhau, v.v.
1.4. Quá trình trích đặc trưng trong hệ thống IVA
Trích đặc trưng tương đương với biến đổi mỗi khung hình thành một
vector đặc trưng. Vector đặc trưng cần phải chứa đựng các đặc tính hữu
hiệu và nổi bật nhất của một hành động, bất kể hành động đó được thực
hiện bởi ai, thực hiện như thế nào, vào lúc nào và ở góc quay nào.
1.4.1. Phân vùng đối tượng


5
Đối với camera tĩnh, phương pháp phân đoạn đối tượng phổ biến nhất
là trừ nền dùng mô hình hợp Gauss GMM1 (Gaussian Mixture Model),
tạo ra ảnh mặt nạ chứa đối tượng màu trắng trên nền đen.
1.4.2. Mô tả đặc trưng

1.4.2.1. Đặc trưng số thực
Thành phần của vector đặc trưng là số thực. Có thể mô tả đặc trưng
dựa vào hình dáng (shape-based) hoặc dòng chuyển động (flow-based).
1.4.2.2. Đặc trưng số nhị phân
Dùng các giá trị 0 hoặc 1 để biểu diễn quan hệ hình học nhị phân
giữa các điểm khác nhau trong cơ thể.
Đặc trưng nhị phân điển hình2 là một tập các số 0, 1 để biểu thị một
điểm nào đó trên cơ thể ở trước/sau, bên phải/bên trái, trên/dưới của một
mặt phẳng cơ thể, tư thế gập/duỗi của một bộ phận cơ thể, v.v.
1.4.3. Thảo luận về các bộ mô tả đặc trưng
Nhìn chung, đặc trưng số thực cho kết quả nhận dạng tốt nhưng vì
chủ yếu dựa trên thông tin 2D nên nhạy với nhiễu, với sự che khuất và
phụ thuộc vào góc quay của camera.
Đặc trưng số nhị phân được tính từ tọa độ 3D gồm cả chiều sâu nên
khắc phục được các khuyết điểm của đặc trưng số thực, nhưng do chỉ
dùng số 0 và 1 nên không đủ mềm dẻo để mô tả các hành động phức tạp.
1.5. Quá trình nhận dạng hành động trong hệ thống IVA
Bước này chính là xác định xem chuỗi vector đặc trưng trích được mô
tả đúng nhất cho hành động nào trong số các hành động đã huấn luyện.
1.5.1. Nhận dạng tĩnh
Không quan tâm đến thông tin thời gian trong tín hiệu mà thực hiện
dựa vào các khung trọng yếu. Tiêu biểu là phương pháp K-NN (KNearest Neighbor) và SVM (Support Vector Machine).
1.5.2. Nhận dạng động

1
2

Stauffer và Grimson (1999)
Meinard Muller và cộng sự (2005)

6
1.5.2.1. Phương pháp so khớp mẫu
So sánh chuỗi vector đặc trưng trích từ đoạn video kiểm tra và từ
đoạn video huấn luyện để xác định chúng có tương tự nhau hay không.
Tiêu biểu là phương pháp DTW (Dynamic Time Warping).
1.5.2.2. Phương pháp dùng mô hình không gian trạng thái
Mỗi hành động được biểu diễn bằng một mô hình nhiều trạng thái,
mỗi trạng thái tương đương với một tư thế. Để nhận dạng, tính xác suất
mà mỗi mô hình có thể sinh ra chuỗi vector đặc trưng trích từ đoạn
video kiểm tra, để đo khả năng mô hình đó sinh ra chuỗi vector đó. Tiêu
biểu là mô hình HMM (Hidden Markov Model).
1.5.3. Thảo luận về các phương pháp nhận dạng hành động
Tỷ lệ nhận dạng theo phương pháp nhận dạng tĩnh bị phụ thuộc vào
khung trọng yếu.
Phương pháp so khớp mẫu đơn giản nhưng nhạy với nhiễu và chịu
chi phối bởi thứ tự thời gian của các khung hình.
Phương pháp dùng mô hình không gian trạng thái khắc phục được
khuyết điểm của phương pháp so khớp mẫu nhưng tính toán phức tạp
hơn, đòi hỏi số lượng dữ liệu lớn và hiện chưa có lý thuyết xác định cấu
trúc cũng như giá trị tối ưu của các thông số mô hình.
1.6. Định hướng vấn đề nghiên cứu
1.6.1. Bài toán xây dựng hệ thống HMS trên nền IVA
1.6.1.1. Bài toán phát hiện té ngã
Yêu cầu phát hiện và cảnh báo té ngã từ đoạn video ghi hình đối
tượng quan tâm sống một mình tại nhà và đang thực hiện các hoạt động
thông thường thì bị ngã. Góc quay của camera là tùy ý.
1.6.1.2. Bài toán dự đoán nguy cơ té ngã
Yêu cầu phát hiện dáng đi bất thường từ đoạn video ghi hình đối
tượng quan tâm sống một mình tại nhà và đi bộ theo đường thẳng với

góc quay bên hông. Kết quả phát hiện dáng đi bất thường có thể hỗ trợ
cho dự đoán nguy cơ té ngã, vì dáng đi bất thường là một trong các yếu tố
nguy cơ gây ra té ngã.


7
1.6.1.3. Bài toán dự đoán chứng rối loạn nhận thức
Yêu cầu phát hiện hành động bất thường từ đoạn video ghi hình đối
tượng quan tâm sống một mình tại nhà và đang thực hiện một hành động
nào đó với góc quay tùy ý. Kết quả được dùng để hỗ trợ dự đoán chứng
rối loạn nhận thức nhẹ MCI (Mild Cognitive Impairment), vì nghiên
cứu cho thấy chứng MCI có gây ra hành động bất thường.
1.6.2. Các vấn đề thiết yếu về hệ thống HMS đề xuất
1.6.2.1. Các khó khăn khi xây dựng hệ thống HMS
- Khó khăn về kỹ thuật: như trình bày ở 1.3.4
- Khó khăn phi kỹ thuật: cơ sở dữ liệu video, vấn đề về quyền riêng tư.
1.6.2.2. Trích đặc trưng trong hệ thống HMS đề xuất
Do môi trường quay trong nhà, camera gắn cố định và nền tĩnh nên
dùng phương pháp trừ nền GMM để phân vùng đối tượng.
Các bộ mô tả đặc trưng thay đổi tùy ứng dụng, nhằm khai thác được
những đặc điểm nổi bật nhất và khác biệt nhất của từng loại hành động
cần nhận dạng.
1.6.2.3. Nhận dạng hành động trong hệ thống HMS đề xuất
Từ các phân tích ở mục 1.5.3, mô hình HMM được chọn dùng trong
các hệ thống HMS đề xuất, vì lý do: (1) không phụ thuộc tốc độ thực
hiện hành động, (2) cho kết quả nhận dạng tốt, (3) có thể mở rộng HMM
chuẩn nhằm phục vụ những mục đích đặc biệt.
1.7. Kết luận chương 1
Đóng góp chính của chương là phân tích, đánh giá ưu khuyết điểm
của các nghiên cứu về IVA. Đây là cơ sở để định hướng các vấn đề

nghiên cứu tiếp theo trong luận án.
Chương2:HỆ THỐNG HMS TRÊN NỀN KỸ THUẬT IVA
Chương này trình bày cấu trúc và tính toán trong các hệ thống HMS
đề xuất, nhằm hướng đến ba ứng dụng như đã trình bày ở 1.6.1.
Các kết quả nghiên cứu về hệ thống HMS đề xuất đã được công bố ở
các công trình [9]-[12] trong Danh mục công trình của tác giả.


8
2.1. Phân vùng đối tượng theo phương pháp trừ nền GMM
Nguyên lý phân vùng đối tượng là so sánh khung hình hiện tại với
mô hình nền, qua đó phân chia khung hình thành vùng chứa đối tượng
chuyển động và vùng nền. Mô hình nền được xây dựng dựa trên mô
hình GMM cho từng điểm ảnh và liên tục được cập nhật theo thời gian.
Sau đó, áp dụng các phép hình thái toán học để làm mịn đường biên
và lấp đầy các lỗ nhỏ bên trong vùng chứa đối tượng nhằm tạo nên một
ảnh mặt nạ hoàn hảo dùng cho các bước xử lý tiếp theo.
Hình 2.1 là một ví dụ về phân đoạn đối tượng bằng trừ nền GMM.

Hình 2.1. Kết quả phân đoạn đối tượng bằng trừ nền GMM.
2.2. Mô tả đặc trưng trong hệ thống HMS phát hiện té ngã
2.2.1. Đặc điểm té ngã
2.2.2. Tính toán vector đặc trưng té ngã
Sự khác biệt rõ rệt giữa hành động “té ngã” và “không té” thể hiện ở
hình dạng và tốc độ chuyển động. Do đó đặc trưng kết hợp hình dạng
với tốc độ3 được chọn dùng trong luận án và được tính qua 4 bước sau:
Bước 1: Xác định ellipse bao quanh đối tượng trong ảnh mặt nạ.
Bước 2: Tính các đặc trưng hình dạng dựa vào hình ellipse để biết tư thế
của đối tượng, gồm:
- Góc đứng tức thời của khung hiện tại,

- Độ thay đổi góc đứng trong 15 khung liên tiếp,
- Độ lệch tâm tức thời,
- Độ thay đổi trọng tâm đối tượng trong 15 khung liên tiếp.

3

Ngo và cộng sự (2012)


9
Bước 3: Tính đặc trưng tốc độ chuyển động để biết tốc độ chuyển động
nhanh hay chậm của đối tượng, dựa vào ảnh lịch sử chuyển động MHI
(Motion History Image) được xây dựng từ 15 khung liên tiếp.
Bước 4: Kết hợp đặc trưng hình dạng với đặc trưng tốc độ.
2.3. Mô tả đặc trưng trong hệ thống HMS phát hiện dáng đi
bất thường
2.3.1. Đặc điểm dáng đi
2.3.2. Tính toán vector đặc trưng dáng đi
Do có sự khác biệt giữa hình dạng các ảnh mặt nạ trích từ các loại
dáng đi bệnh lý khác nhau nên bộ mô tả đặc trưng hình dạng dựa vào
moment Hu4 được chọn để mô tả dáng đi.
Vì kết quả tính các giá trị của moment Hu rất bé nên áp dụng phép
logarit để chuyển các vector đặc trưng ở rất gần nhau trong không gian
gốc sang không gian mới, ở đó chúng cách nhau đủ xa để dễ xử lý hơn.
2.4. Mô tả đặc trưng trong hệ thống HMS phát hiện hành động
bất thường
Hệ thống phát hiện hành động bất thường đề xuất dựa trên hệ thống
nhận dạng hành động như trên Hình 2.2.

Hình 2.2. Cấu trúc hệ thống phát hiện hành động bất thường.

2.4.1. Cơ sở xây dựng bộ mô tả đặc trưng hành động 3D GRF
Bộ mô tả đặc trưng 3D GRF dựa trên ý tưởng của đặc trưng nhị phân
4

Huang và cộng sự (2010)


10
là mô tả quan hệ hình học giữa các điểm quan tâm trên cơ thể, nhưng
dùng số thực có dấu thay cho số 0/1, nhằm khai thác các ưu điểm và hạn
chế khuyết điểm của đặc trưng nhị phân như đã phân tích ở 1.4.3.
2.4.2. Xác định dữ liệu vào của bộ mô tả đặc trưng 3D GRF
Dữ liệu vào là tọa độ 3D của các điểm trên cơ thể (Hình 2.3), được
ước lượng dựa vào vật đánh dấu (marker) hoặc tín hiệu video.

(a)

(b)

(c)

Hình 2.3. Mô hình cơ thể
(a) Ảnh gốc, (b) Mô hình 13 điểm, (c) Mô hình 3D

Phương pháp dựa vào marker chính xác nhưng chi phí cao và phức
tạp. Phương pháp dựa vào tín hiệu video có giá thành rẻ hơn và thực
hiện đơn giản hơn. Qua tìm hiểu, phương pháp5 được chọn dùng do sai
khác ước lượng tốt nhất so với các phương pháp dựa vào video khác.
2.4.3. Tính toán vector đặc trưng 3D GRF
Xét 6 hành động “đánh bốc”, “vẫy tay”, “chạy chậm”, “đi bộ”, “đá”,

“ném” có sẵn trong các cơ sở dữ liệu công cộng. Phân tích các cử động của
cơ thể khi thực hiện 6 hành động này, có thể đề xuất Bảng 2.1 mô tả GRF.
2.4.3.1. Tính đặc trưng khoảng cách
Đặc trưng khoảng cách là khoảng cách có dấu giữa các bộ phận quan
tâm trong cơ thể và có thay đổi rõ rệt trong khi thực hiện hành động.
Đặc trưng 1A là khoảng cách có dấu giữa điểm quan tâm với mặt
phẳng đứng (coronal plane), dấu +/- chỉ ra điểm quan tâm ở trước/sau
thân. Mặt phẳng đứng xác định bởi 3 điểm {p1, p2, p3} lần lượt là {Hông
5

Shian-Ru Ke và cộng sự (2011)


11
trái, Hông phải, Vai phải}, {Hông trái, Hông phải, Vai trái}, {Vai trái,
Vai phải, Hông phải}, và {Vai trái, Vai phải, Hông trái}; điểm quan tâm
p4 lần lượt là Tay phải, Tay trái, Chân phải, Chân trái tương ứng với đặc
trưng F1, F2, F3, F4. Vậy tính đặc trưng 1A chính là tính khoảng cách có
dấu giữa điểm p4 và một mặt phẳng xác định bởi {p1, p2, p3}.
Đặc trưng 1B là khoảng cách có dấu giữa Tay với mặt phẳng dọc
(saggital plane), dấu +/- chỉ cho biết Tay ở bên phải/trái cơ thể.
Bảng 2.1. Tập các đặc trưng 3D GRF

2.4.3.2. Chuẩn hóa đặc trưng khoảng cách
Chuẩn hóa nhằm đảm bảo giá trị của đặc trưng khoảng cách F1-F6
không bị phụ thuộc vào khoảng cách giữa camera và đối tượng.
2.4.3.3. Tính đặc trưng góc
Đặc trưng góc là góc đo giữa hai đoạn thẳng quan tâm trên cơ thể và
có thay đổi rõ rệt trong khi thực hiện hành động. Tính đặc trưng góc
chính là tính góc tạo bởi hai vector v1 và v2 có chung điểm gốc là p và có

điểm ngọn tương ứng là p1 và p2.
2.4.4. Bộ mô tả đặc trưng 3D GRF cải tiến
Trong trường hợp hành động cần nhận dạng gồm “xem giờ”, “vòng
tay”, “gãi đầu”, “ngồi xuống”, “đứng dậy”, “xoay người”, “đi bộ”, “vẫy
tay”, “đấm”, “đá” và “nhặt đồ”, đặc trưng 3D GRF nên được cải tiến để
mô tả hành động hữu hiệu hơn. GRF cải tiến gồm 15 đặc trưng: giữ lại 8
đặc trưng gốc, thay thế 2 đặc trưng gốc và bổ sung 5 đặc trưng mới.
2.5. Nhận dạng hành động dựa trên mô hình HMM
2.5.1. Giới thiệu mô hình HMM


12
Một mô hình HMM được xác định bởi tập λ = {A, B, π} và giá trị N,
M; với A là ma trận chuyển tiếp, B là ma trận quan sát, π là xác suất trạng
thái khởi đầu, N là số trạng thái ẩn và M là số ký hiệu quan sát.
Có nhiều loại mô hình HMM, trong đó loại HMM trái-phải là phù
hợp với mô hình hóa hành động trong đoạn video.
2.5.2. Ứng dụng mô hình HMM vào nhận dạng hành động
Trong pha huấn luyện, cần huấn luyện một mô hình HMM cho mỗi
hành động cần nhận dạng từ chuỗi vector huấn luyện.
Trong pha kiểm tra, cần tính likelihood mà mỗi mô hình HMM có
thể sinh ra chuỗi vector kiểm tra, từ đây kết luận về hành động cần nhận
dạng dựa theo tiêu chuẩn likelihood cực đại.
2.5.3. Mô hình HMM-Kmeans
2.5.3.1. Nguyên lý hoạt động của HMM rời rạc
Dữ liệu vào huấn luyện là chuỗi vector huấn luyện được rời rạc hóa
bằng cách lượng tử hóa vector (ví dụ dùng Kmeans6) để tạo ra một bảng
mã. Dữ liệu vào kiểm tra là chuỗi vector kiểm tra được rời rạc hóa bằng
cách mã hóa vector dựa vào bảng mã này.
2.5.3.2. Lượng tử hóa vector dựa vào Kmeans

Nhằm hạn chế các khuyết điểm của Kmeans, thực hiện một số thay đổi
như: (1) thí nghiệm với K thay đổi, (2) ứng với mỗi K thực hiện Kmeans
nhiều lần rồi lấy trung bình cộng của các bảng mã trung gian, (3) thay giá
trị trung bình bằng giá trị trung vị khi xác định trọng tâm nhóm.
2.5.4. Mô hình HMM nhận dạng hành động gần tuần hoàn
2.5.4.1. Khái niệm hành động gần tuần hoàn
Từ “gần tuần hoàn” được dùng theo nghĩa là các tư thế (hoặc tham
số đặc trưng) của hành động lặp lại theo chu kỳ. Tuy nhiên, sự lặp lại
này không hoàn toàn giống nhau từ chu kỳ trước đến chu kỳ sau.
2.5.4.2. Mô hình HMM tuần hoàn CHMM
Là HMM trái-phải với một chuyển tiếp từ trạng thái cuối về trạng thái
đầu như Hình 2.4 để biểu thị sự lặp lại của các tư thế trong hành động.
6

Glenn Fung (2011)


13
!
#
#
#
A =#
#
#
#"

a11

a12

0

0

0

a22

a23

0

0

0

a33

a34

0

0

0

a44

a51

0

0

0

0 $
&
0 &
&
0 &
a45 &
&
a55 &%

Hình 2.4. Mô hình CHMM 5 trạng thái.
2.6. Kết luận chương 2
Tóm lại, chương 2 đã trình bày chi tiết tính toán các khâu xử lý trong
các hệ thống HMS đề xuất.
Đóng góp chính của chương là đề xuất mô hình giám sát chăm sóc
sức khỏe hướng đến 3 ứng dụng khác nhau gồm phát hiện té ngã, dự
đoán nguy cơ té ngã và dự đoán nguy cơ chứng MCI. Các đề xuất mới
trong mô hình gồm: bộ mô tả đặc trưng 3D GRF và nhận dạng hành
động gần tuần hoàn dùng mô hình CHMM.
Hiệu quả của mô hình và các đề xuất sẽ được kiểm tra, đánh giá lần
lượt qua chương 3 và chương 4.
Chương3:GIÁM SÁT TÉ NGÃ
Chương này trình bày thí nghiệm kiểm tra, đánh giá hệ thống HMS ở
chương 2 trong ứng dụng giám sát té ngã, với hai kịch bản: (1) phát

hiện té ngã và (2) dự đoán nguy cơ té ngã do dáng đi bất thường.
Kết quả nghiên cứu thực nghiệm về hệ thống giám sát té ngã được
công bố qua các công trình [9], [10], [12] trong Danh mục công trình
của tác giả.
3.1. Giới thiệu các cơ sở dữ liệu và tiêu chí đánh giá hệ thống
3.1.1. Cơ sở dữ liệu té ngã HBU
HBU do nhóm TRT-3DCS xây dựng, bao gồm 134 đoạn video gồm
65 đoạn “té ngã” và 69 đoạn “không té”, độ phân giải 320x240, tốc độ
30 khung/s. Các tình huống té ngã khác nhau về hướng té (trực diện,
chéo, bên hông), nguyên nhân té, tư thế cơ thể khi té và tốc độ té.


14
3.1.2. Cơ sở dữ liệu dáng đi bất thường
Đây là cơ sở dữ liệu tự xây dựng, có 56 đoạn video dáng đi Ataxic, 85
đoạn Hemiplegic, 93 đoạn Limping, 97 đoạn Neuropathic, 100 đoạn
Parkinson, 100 đoạn bình thường, phân giải 180x144, tốc độ 25 khung/s.
Các video được ghi hình với góc quay bên hông.
3.1.3. Cơ sở dữ liệu té ngã Le2i
Le2i do phòng thí nghiệm Le2i xây dựng, có 215 đoạn video gồm 147
đoạn “té ngã” và 68 đoạn “không té”, độ phân giải gồm 320x240 và
320x180, tốc độ gồm 25 khung/s và loại 24 khung/s.
3.1.4. Tiêu chí đánh giá hệ thống
Dựa vào Recall (RC), Precision (PR) và Accuracy (Acc) được tính từ
ma trận nhầm lẫn (confusion matrix) như trong Hình 3.1.

RC =

TP
TP + FN

, PR =

TP
TP + FP

, ACC =

TP + TN
TP + TN + FP + FN

(3.1)

TP (True Positive): dương tính thật
FP (False Positive): dương tính giả
FN (False Nagetive): âm tính giả
TN (True Negative): âm tính thật

Hình 3.1. Ma trận nhầm lẫn.
3.2. Kiểm tra, đánh giá hệ thống phát hiện té ngã
Xét hệ thống7 dùng đặc trưng như ở 2.2 và mô hình HMM-Kmeans.
3.2.1. Sự phân chia dữ liệu
Toàn bộ cơ sở dữ liệu được chia hai: 31 video huấn luyện và 103
video kiểm tra. Các video kiểm tra được chia thành 3 tập con Test1,
Test2 và Test3 ứng với các kịch bản té ngã có độ phức tạp khác nhau.
3.2.2. Quá trình thí nghiệm và kết quả kiểm tra hệ thống phát hiện
té ngã
7

Tra và Pham, 2013

15
Hệ thống được kiểm tra theo quy trình ở Hình 3.2, với N=5 và K=M=96

Hình 3.2. Sơ đồ thí nghiệm phát hiện té ngã.
3.2.3. Kết quả thí nghiệm kiểm tra hệ thống phát hiện té ngã
Bảng 3.1. Hiệu quả nhận dạng của hệ thống phát hiện té ngã trên HBU

3.2.4. Đánh giá hệ thống phát hiện té ngã
3.2.4.1. Đánh giá hiệu quả nhận dạng của hệ thống
- Tỷ lệ nhận dạng phụ thuộc vào mức độ phức tạp của kịch bản kiểm tra.
- Hiệu quả phát hiện té ngã bị ảnh hưởng bởi góc quay: té hướng bên hông
được phát hiện 100% và hướng trực diện bị bỏ sót nhiều nhất (78.95%).
- Tỷ lệ dương tính giả nhiều nhất với các hành động xảy ra trên sàn nhà.
3.2.4.2. Nguyên nhân nhận dạng không chính xác
- Ánh sáng yếu, màu quần áo trùng lẫn màu nền, che khuất.
- Bộ mô tả đặc trưng té ngã thiếu thông tin chiều sâu.
3.2.4.3. So sánh các hệ thống phát hiện té ngã
Kết quả so sánh trong Bảng 3.2 cho thấy hiệu quả rõ rệt của hệ thống
đang xét, thể hiện ở sự tăng lên của tất cả các tiêu chí RC, PR và Acc.


16
Bảng 3.2. So sánh các hệ thống phát hiện té ngã
Hệ thống

RC

PR

Acc

Trừ nền và so khớp ngưỡng

73.01

70

69.9

Trừ nền và mạng neural

81.13

84.31

82.69

Trừ nền GMM và mạng neural

87.38

86.67

86.38

Trừ nền GMM và mô hình HMM

88.46

86.79

87.38

3.3. Triển khai hệ thống phát hiện té ngã thực tế
3.3.1. Kiến trúc hệ thống phát hiện té ngã thực tế
3.3.1.1. Thu nhận tín hiệu video
Ghi hình bằng camera IP D-Link DCS-942L, truyền tín hiệu video
qua router không dây đến máy tính, giao diện video-máy tính được thiết
kế nhờ C++ và OpenCV, thủ tục truyền dữ liệu là RTSP.
3.3.1.2. Phân tích tín hiệu video
Truyền tín hiệu video theo từng khung đến máy tính để phân tích
theo thuật toán phát hiện té ngã đã trình bày, dùng Matlab 2012a.
3.3.1.3. Thông tin cảnh báo
Có hai hình thức cảnh báo được thiết kế là (1) cảnh báo tại chỗ bằng
âm thanh và văn bản trên màn hình quan sát và (2) cảnh báo từ xa bằng
tin nhắn SMS gởi đến số điện thoại đã định dùng module SIM900A.
3.3.2. Kiểm tra, đánh giá hệ thống với cơ sở dữ liệu Le2i
3.3.2.1. Thí nghiệm kiểm tra hệ thống với cơ sở dữ liệu Le2i
Chọn 58 đoạn video có phân giải 320x240 trong tập Home1, Home2
và Lecture có kịch bản khác nhiều so với HBU. Kết quả có 13/22 hành
động “té ngã” và 28/36 hành động “không té” được nhận dạng đúng,
dẫn đến chỉ số thống kê là RC=59%, PR=62% và Acc=71%.
3.3.2.2. Nhận xét đánh giá hệ thống dựa trên cơ sở dữ liệu Le2i
- 100% cảnh nền và 50/58 đoạn video (chiếm 86%) chuỗi hành động
trong Le2i khác với HBU nên tỷ lệ nhận dạng giảm đi đáng kể.
- Ánh sáng yếu, che khuất ảnh hưởng đến phân đoạn đối tượng (69%).

17
- Tỷ lệ dương tính giả cao do nhiều đối tượng chuyển động (55%), hành
động tương tự “té ngã” (62%), đồ vật bị rơi (14%).
- Khó áp dụng trừ nền GMM do đối tượng có sẵn trong khung hình
(57%), đối tượng bất động (86%).
3.3.3. Kiểm tra, đánh giá hệ thống với tình huống té ngã thực tế
Nhằm kiểm tra tính ổn định, khả năng đáp ứng thời gian thực và khả
năng phát hiện tai nạn té ngã thực, hệ thống được huấn luyện bởi 134
video HBU, cho chạy thử trước Văn phòng Khoa ĐT-VT và phòng học
C217 trường Đại học bách khoa, ĐHĐN, từ 14/04 - 15/05/2014.
Kết quả là camera ghi được 674 hành động với 9 hành động “té
ngã”. Hệ thống phát hiện và cảnh báo được 8/9 hành động “té ngã”,
nhận dạng nhầm 16 hành động “không té”. Vậy tỷ lệ nhận dạng chính
xác là Acc = 97.47%. Thời gian trễ xử lý đo được là 1-5 giây.
3.4. Kiểm tra, đánh giá hệ thống dự đoán nguy cơ té ngã do dáng đi
bất thường
3.4.1. Kiểm tra, đánh giá hệ thống phát hiện dáng đi bệnh Parkinson
3.4.1.1. Thí nghiệm phát hiện dáng đi bệnh Parkinson
Thí nghiệm theo quy trình ở Hình 3.2, với cơ sở dữ liệu 100 đoạn
video dáng đi bình thường và 100 đoạn Parkinson, bộ mô tả đặc trưng là
moment Hu, mô hình nhận dạng là CHMM N = 7 và M = 64.
3.4.1.2. Kết quả thí nghiệm phát hiện dáng đi bệnh Parkinson
Thực hiện đánh giá theo phương pháp đánh giá chéo 1:10, kết quả là
99/100 dáng đi Parkinson và 100/100 dáng đi bình thường được nhận
dạng đúng, dẫn đến tỷ lệ nhận dạng chính xác rất tốt - Acc = 99.5%.
3.4.2. Kiểm tra, đánh giá hệ thống phát hiện dáng đi bệnh lý
3.4.2.1. Thí nghiệm phát hiện dáng đi bệnh lý
Thí nghiệm tương tự như thí nghiệm phát hiện dáng đi Parkinson ở
3.4.1.1, chỉ khác cơ sở dữ liệu là cơ sở dữ liệu dáng đi bất thường gồm 6
loại dáng đi bệnh lý khác nhau đã trình bày ở 3.1.2.

3.4.2.2. Kết quả thí nghiệm phát hiện dáng đi bệnh lý


18
Thí nghiệm đầu tiên được thực hiện với vector đặc trưng dùng
moment Hu không qua logarit đối với dáng đi Ataxic và Hemiplegic cho
kết quả nhận dạng đúng rất thấp (<50%).
Thí nghiệm thứ hai thực hiện với vector đặc trưng dựa trên moment
Hu đã qua phép tính logarit đối với cả 6 loại dáng đi. Kết quả là có
49/56 đoạn Ataxic, 80/85 đoạn Hemiplegic, 92/93 đoạn Limping, 92/97
đoạn Neuropathic, 99/100 đoạn Parkinson được nhận dạng là “bất
thường” và 85/100 đoạn đi bình thường được nhận dạng là “bình
thường”. Từ đây xây dựng được ma trận nhầm lẫn (tính bằng %), sau đó
tính được các chỉ số thống kê RC=95.59%, PR=86.43%, Acc=90.30%.
Qua thí nghiệm có thể rút ra các nhận xét về ưu điểm của hệ thống:
- Tỷ lệ phát hiện dáng đi bất thường khá cao nên hỗ trợ tốt cho việc dự
đoán nguy cơ té ngã do dáng đi bất thường gây ra.
- Thời gian quan sát người đi bộ rất ngắn (độ dài đoạn video từ 10-42s).
- Có thể ứng dụng hệ thống vào nhận dạng bệnh thông qua dáng đi.
- Hệ thống đề xuất đơn giản hơn các hệ thống phân tích dáng đi khác.
Các hạn chế của hệ thống gồm:
- Hệ thống chỉ áp dụng cho góc quay bên hông.
- Tỷ lệ dương tính giả còn cao (15% dáng đi bộ bị nhầm thành bệnh lý).
- Tỷ lệ nhận dạng đúng dáng đi Ataxic còn thấp (87.5%).
- Cơ sở dữ liệu chưa có sự tham gia của bệnh nhân thật.
3.5. Kết luận chương 3
Tóm lại, các thí nghiệm ở trên cho thấy các hệ thống HMS đề xuất
đã cơ bản đáp ứng được mục tiêu đề ra: hệ thống phát hiện té ngã đạt
hiệu quả phát hiện té ngã tốt với thời gian trễ rất thấp, hệ thống phát
hiện dáng đi bất thường đạt hiệu quả nhận dạng cao nên có thể hỗ trợ tốt

cho việc dự đoán nguy cơ té ngã.
Chương4:PHÁT HIỆN HÀNH ĐỘNG BẤT THƯỜNG
Chương này trình bày thí nghiệm kiểm tra, đánh giá hệ thống HMS
phát hiện hành động bất thường đã trình bày trong chương 2.


19
Các thí nghiệm nhằm: (1) đánh giá đặc trưng 3D GRF, (2) xét ảnh
hưởng của các yếu tố khác nhau đến tỷ lệ nhận dạng, (3) kiểm tra mô
hình CHMM và (4) kiểm tra hệ thống phát hiện hành động bất thường.
Kết quả nghiên cứu thực nghiệm về hệ thống HMS phát hiện hành
động bất thường đã được công bố qua các công trình [3]-[5], [7]-[8],
[11] trong Danh mục công trình của tác giả.
4.1. Giới thiệu các cơ sở dữ liệu và tiêu chí đánh giá hệ thống
4.1.1. Cơ sở dữ liệu HumanEVA
HumanEVA được quay bởi hệ thống MOCAP, cung cấp dữ liệu là
tọa độ 3D của các điểm gắn marker. Từ cơ sở dữ liệu HumanEVA trích
được 152 đoạn video chứa một chu kỳ hành động, gồm 22 đoạn “đánh
bốc”, 35 đoạn “vẫy tay”, 54 đoạn “chạy chậm” và 41 đoạn “đi bộ”.
4.1.2. Cơ sở dữ liệu ước lượng tư thế 3D
Toàn bộ cơ sở dữ liệu có 80 đoạn video hành động, có 20 đoạn cho
mỗi loại hành động như “vẫy tay”, “đá”, “ném” và “đánh bốc”, mỗi
đoạn video chỉ chứa một chu kỳ hành động hoàn chỉnh.
4.1.3. Cơ sở dữ liệu IXMAS
IXMAS được xây dựng bởi Viện INRIA, có tổng cộng 11 hành động
như đã nêu ở 2.4.4. Có 12 đối tượng tham gia ghi hình, thực hiện 3 lần
cho một hành động nên có tổng cộng 36 đoạn video cho một hành động.
4.1.4. Tiêu chí đánh giá hệ thống
Hệ thống phát hiện hành động bất thường đề xuất gồm 2 khối chính
như Hình 2.3. Khối nhận dạng hành động được đánh giá dựa vào tỷ lệ

nhận dạng đúng trung bình, được tính là trung bình cộng của tỷ lệ nhận
dạng đúng của mỗi hành động. Khối phát hiện bất thường được đánh giá
dựa vào các tiêu chí RC, PR và Acc.
4.2. Đánh giá bộ mô tả đặc trưng 3D GRF
4.2.1. Thí nghiệm về bộ mô tả đặc trưng 3D GRF
Thí nghiệm được thực hiện theo quy trình ở Hình 3.2, cơ sở dữ liệu
HumanEVA, bộ mô tả đặc trưng lần lượt là 3D GRF và tọa độ 3D của
13 điểm, mô hình nhận dạng là HMM-Kmeans N = 5 và M = 64.
4.2.2. Kết quả thí nghiệm về bộ mô tả đặc trưng 3D GRF


20
- Thí nghiệm 4.2.2a dùng tọa độ 3D của 13 điểm, mẫu huấn luyện lấy từ
cả 3 người, tỷ lệ nhận dạng 76.75%.
- Thí nghiệm 4.2.2b dùng đặc trưng mới 3D GRF, mẫu huấn luyện lấy từ
cả 3 người, tỷ lệ nhận dạng 92.83%.
- Thí nghiệm 4.2.2c dùng tọa độ 3D của 13 điểm, mẫu huấn luyện và
kiểm tra lấy từ cùng một người, tỷ lệ nhận dạng 74.17%.
- Thí nghiệm 4.2.2d dùng đặc trưng mới 3D GRF, mẫu huấn luyện và
kiểm tra lấy từ cùng một người, tỷ lệ nhận dạng 97.5%.
4.2.3. Nhận xét bộ mô tả đặc trưng 3D GRF
4.2.3.1. Sự cải thiện tỷ lệ nhận dạng trung bình
Hiệu quả nhận dạng được cải thiện nhiều khi chuyển từ tọa độ 3D
sang đặc trưng 3D GRF (so sánh kết quả thí nghiệm 4.2.2b và 4.2.2a).
4.2.3.2. Khả năng trích xuất đặc tính cá nhân
Đặc trưng 3D GRF trích được các đặc tính riêng của mỗi cá nhân
trong khi thực hiện hành động (so sánh kết quả 4.2.2d và 4.2.2c).
4.2.3.3. Sự suy giảm tỷ lệ nhận dạng một số hành động
Việc giảm số chiều vector đặc trưng từ 39 xuống 10 làm mất mát
thông tin, dẫn đến các hành động chứa những cử động tương tự nhau có

thể bị nhận dạng nhầm sang nhau, ví dụ “đánh bốc” và “chạy chậm”.
4.3. Các yếu tố ảnh hưởng đến hiệu quả nhận dạng của mô hình HMM
Thí nghiệm thực hiện theo Hình 3.2, cơ sở dữ liệu là ở 4.1.2, bộ mô
tả đặc trưng là 3D GRF, mô hình nhận dạng là HMM-Kmeans.
4.3.1. Ảnh hưởng của các tham số mô hình HMM
Ngoài M và N, một tham số nữa là ε rất nhỏ được đưa thêm vào sau
khi huấn luyện, nhằm giải quyết trường hợp thiếu dữ liệu huấn luyện.
Phương pháp đánh giá là LOOCV (Leave-One-Out Cross Validation).
4.3.1.1. Ảnh hưởng của tham số M
Bảng 4.1. Tỷ lệ nhận dạng hành động (%) với các giá trị M khác nhau
M

8

16

32

64

128

Tỷ lệ (%)

91.9063

93.9075

94.9063

95.6250

95.4063

4.3.1.2. Ảnh hưởng của tham số N


21
Bảng 4.2. Tỷ lệ nhận dạng hành động (%) với các giá trị N khác nhau
N

2

3

4

5

6

7

Vẫy tay

90.25

90.75

85.25

92.25

83.25

85.25

Đá

100

100

100

100

100

99.75

Ném

95.5

96

90.45

96

94

97

Đánh bốc

95

95

92.5

95

95

95

Trung bình

95.1875

95.4375

92.00

95.8125

93.0625

94.25

4.3.1.3. Ảnh hưởng của tham số ε
Bảng 4.3. Tỷ lệ nhận dạng hành động (%) với các giá trị ε khác nhau

Từ các kết quả trên chọn tập tham số phù hợp nhất của mô hình là
{M, N, ε} = {64, 5, 10-4} ứng với tỷ lệ nhận dạng trung bình 95.875%.
4.3.2. Ảnh hưởng của số lượng người tham gia huấn luyện mô hình
- Trong các thí nghiệm 4.3.2a, 4.3.2b, 4.3.2c, mẫu huấn luyện lần lượt
lấy từ 1, 2 và 3 người, mẫu kiểm tra thuộc về người khác. Các tỷ lệ nhận
dạng trung bình lần lượt tăng dần lên là 72.92%, 82.92% và 86.25%.
- Thí nghiệm 4.3.2d dùng mẫu huấn luyện lấy từ cả 4 người, tỷ lệ nhận
dạng trung bình là 95.75%.
- Thí nghiệm 4.3.2e dùng mẫu huấn luyện và kiểm tra lấy từ cùng một
người, tỷ lệ nhận dạng trung bình 98.75%.
Như vậy, có thể tăng tỷ lệ nhận dạng bằng cách tăng số lượng người
tham gia huấn luyện mô hình.
4.4. Nhận dạng hành động gần tuần hoàn dùng mô hình CHMM
4.4.1. Xây dựng cơ sở dữ liệu hành động gần tuần hoàn
Để có hành động gần tuần hoàn, ta nối các đoạn video hành động
trong cơ sở dữ liệu giới thiệu ở 4.1.2 lại với nhau sao cho các đoạn
video mới chứa 2-5 chu kỳ hành động lặp lại. Mô hình sử dụng là
CHMM như Hình 2.3 với {M, N, ε} = {64, 5, 10-4}.
4.4.2 Kết quả thí nghiệm
Kết quả cho thấy CHMM có thể ứng dụng cho hành động gần tuần hoàn.


22
Bảng 4.4. Tỷ lệ nhận dạng hành động (%) của hệ thống dùng CHMM

Tỷ lệ nhận dạng (%)
Vẫy tay

Đá

Ném

Đánh bốc

Vẫy tay

80

0

20

0

Đá

0

100

0

0

Ném

20

0

80

0

Đánh bốc

0

0

9.375

90.625

4.5. Kiểm tra, đánh giá hệ thống phát hiện hành động bất thường
4.5.1. Kiểm tra, đánh giá khối nhận dạng hành động
4.5.1.1. Thí nghiệm nhận dạng hành động với cơ sở dữ liệu IXMAS
Thí nghiệm thực hiện theo Hình 3.2, đặc trưng là 3D GRF 15 chiều,
mô hình nhận dạng là CHMM với {M, N, ε} = {64, 5, 10-4}.
4.5.1.2. Kết quả thí nghiệm nhận dạng hành động với cơ sở dữ liệu
IXMAS
Việc đánh giá được thực hiện theo phương thức đánh giá chéo 1:5 và
cho kết quả tỷ lệ nhận dạng trung bình của hệ thống là 91.7%.
4.5.1.3. So sánh hệ thống nhận dạng hành động đề xuất với các hệ
thống nhận dạng hành động khác

Bảng 4.5. So sánh các hệ thống nhận dạng hành động.
Bộ mô tả đặc trưng

Phương pháp nhận dạng

Tỷ lệ nhận dạng (%)

3D GRF

DTW

68.2

Tọa độ 3D tuyệt đối

CHMM

74.2

Tọa độ 3D tương đối

CHMM

78.6

Mẫu 3D

HMM

80.5

SSM-HOG

SVM

71.2

STIP

SVM

85.5

3D GRF

CHMM

91.7

Qua đây có thể khẳng định hiệu quả của việc kết hợp đặc trưng 3D
GRF với mô hình CHMM trong nhận dạng hành động.
4.5.2. Kiểm tra, đánh giá khối phát hiện hành động bất thường
Về nguyên tắc, mẫu hành động bất thường liên quan đến chứng MCI
phải được định nghĩa bởi chuyên gia tâm thần kinh. Trong giai đoạn đầu


23
tiên này, vì chưa phối hợp với chuyên gia y tế thu thập các mẫu hành
động bất thường thật nên hai mẫu hành động bất thường giả lập được
xem xét là mẫu “ thiếu vắng hành động đi bộ” và mẫu “dư thừa hành

động bạo lực”, với hai kịch bản như sau:
- Bệnh nhân không “đi bộ” trong khi hàng ngày luôn luôn có hoạt động
“đi bộ” vào mỗi buổi sáng:

Kết quả phát hiện mẫu “thiếu vắng hành động đi bộ” được xác định
qua thí nghiệm là RC = 97.5%, PR = 100% và Acc = 98.75%.
- Bệnh nhân thực hiện hành động bạo lực như “đấm” hoặc “đá” trong
khi hàng ngày không bao giờ thực hiện hành động này:

Kết quả phát hiện mẫu “dư thừa hành động bạo lực” được xác định
qua thí nghiệm là RC = 100%, PR = 97.4% và Acc = 98.67%.
Kết quả cho thấy khả năng ứng dụng hệ thống đề xuất vào hỗ trợ dự
đoán chứng MCI nếu có sự phối hợp chặt chẽ với chuyên gia y tế.
4.6. Kết luận chương 4
Tóm lại, các thí nghiệm được thực hiện ở chương 4 cho thấy hệ
thống HMS đề xuất đã cơ bản đáp ứng được mục tiêu đề ra, cụ thể là:
- Đặc trưng 3D GRF có thể trích được các đặc tính hữu hiệu và nổi bật
của từng hành động, hạn chế được ảnh hưởng của góc quay và che khuất.
Tuy nhiên, đặc trưng GRF bị phụ thuộc vào tọa độ 3D ước lượng.
- Các tham số phù hợp của mô hình HMM/CHMM đã được xác định
bằng thực nghiệm.
- Hệ thống nhận dạng hành động kết hợp 3D GRF với CHMM đạt hiệu
quả nhận dạng cao nhất trong số các hệ thống được so sánh.
- Tỷ lệ phát hiện hành động bất thường gần như tuyệt đối, cho thấy khả
năng ứng dụng thực tế của hệ thống để hỗ trợ cho việc phát hiện
chứng MCI.