Phát hiện người ngã sử dụng đặc trưng kết hợp từ nhiều nguồn cảm biến tt

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
---------------------------------------

PHẠM ANH TUẤN

PHÁT HIỆN NGƯỜI NGÃ SỬ DỤNG ĐẶC TRƯNG KẾT HỢP TỪ
NHIỀU NGUỒN CẢM BIẾN

Chuyên ngành: Hệ thống Thông tin
Mã số: 8.48.01.04

TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT
(Theo định hướng ứng dụng)

HÀ NỘI – 2019


Luận văn được hoàn thành tại:
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Người hướng dẫn khoa học:

PGS.TS. PHẠM VĂN CƯỜNG

Phản biện 1: TS Trần Quí Nam
Phản biện 2: PGS.TS. Nguyễn Ngọc Hóa

Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tại Học viện
Công nghệ Bưu chính Viễn thông
Vào lúc:

10 giờ 20 ngày 19 tháng 01 năm 2019

Có thể tìm hiểu luận văn tại:
- Thư viện của Học viện Công nghệ Bưu chính Viễn thông


1

1 MỞ ĐẦU
Tuổi thọ của con người ngày càng gia tăng, trong khi có nhiều dự báo cho thấy những
người lớn tuổi sẽ phải sống độc lập trong ngôi nhà của họ. Một trong những rủi ro lớn đối với
người lớn tuổi khi sống một mình là thường hay bị ngã. Hơn nữa, nguy cơ té ngã tăng rõ rệt
theo độ tuổi do phản ứng chậm hơn, cân bằng và sức mạnh cơ bắp giảm. Vì vậy, hàng năm
cứ trong 3 người cao tuổi thì có một người bị ngã và những cú ngã đột ngột này là nguyên
nhân phổ biến gây thương tích và nhập viện trong độ tuổi này. Theo số liệu thống kê thực tế
cho thấy thì ở Việt Nam ước tính có khoảng 1,6 đến 2 triệu người cao tuổi bị té ngã mỗi năm
và ở Mỹ có khoảng 1/3 người có độ tuổi trên 65 tuổi bị ngã mỗi năm. Những chấn thương do
ngã gây ra có thể là thiệt hại mô mềm, các liên kết xương và chấn thương vùng đầu hoặc có
thể dẫn đến gãy xương đe dọa nghiêm trọng đến sức khỏe và cuộc sống của người cao tuổi.
Theo nghiên cứu hàng năm cho thấy 80% người cao tuổi được trang bị nút cứu trợ nhưng
họ lại không thể sử dụng được khi bị ngã mạnh, chủ yếu là vì họ không mang theo thiết bị
vào thời điểm ngã hoặc ngã quá mạnh khiến họ không có khả năng nhấn nút cứu trợ tại thời
điểm bị ngã. Để tăng khả năng sống độc lập của người cao niên, các nhà nghiên cứu đang
hướng đến một số công nghệ thông minh tích hợp trong ngôi nhà nhằm phát hiện ngã và trợ
giúp kịp thời. Chính vì vậy học viên chọn Đề tài: “Phát hiện người ngã sử dụng đặc trưng kết
hợp từ nhiều nguồn cảm biến” cho luận văn cao học của mình với mục tiêu khảo sát bài toán
phát hiện người ngã, và ứng dụng các thuật toán học máy để phân tích dữ liệu từ nhiều nguồn
cảm biến nhằm phân biệt được nhiều tư thế ngã khác nhau.
Mục đích nghiên cứu của học viên đó là khảo sát bài toán phát hiện người ngã, và ứng
dụng các thuật toán học máy để phân tích dữ liệu từ nhiều nguồn cảm biến nhằm phân biệt

được nhiều tư thế ngã khác nhau. Đối tượng nghiên cứu của học viên là người cao tuổi và
phương pháp kết hợp nhiều dữ liệu cảm biến cho bài toán phát hiện ngã. Phạm vi học viên
nghiên cứu là: Cảm biến gia tốc (accelerometer) và cảm biến con quay hồi chuyển
(gyroscope), thử nghiệm trên tập dữ liệu thu thập được.
Phương pháp mà học viên áp dụng trong việc xây dựng luận văn cụ thể gồm: nghiên cứu lý
thuyết và nghiên cứu thực nghiệm, trong đó nghiên cứu lý thuyết bao gồm: Đọc tài liệu, phân
tích các tư thế ngã và nghiên cứu các phương pháp phát hiện ngã bằng cách kết hợp nhiều
cảm biến. Nghiên cứu thực nghiệm học viên thu thập dữ liệu từ nhiều nguồn cảm biến với các


2
tư thế ngã khác nhau sau đó thử nghiệm và đánh giá phương pháp phát hiện ngã từ nhiều
nguồn cảm biến.
Phần nội dung của luận văn được chia thành các phần như sau: Phần mở đầu, 03
chương chính, phần kết luận, danh mục tài liệu tham khảo, các phần được bố trí thứ tự như
sau:
Phần mở đầu của luận văn nêu lên nguy cơ té ngã ở những người lớn tuổi và những rủi
ro họ gặp phải khi té ngã. Đã có rất nhiều nghiên cứu cho sự phát hiện ngã của con người tuy
nhiên những nghiên cứu đó hầu hết dựa vào dữ liệu từ một nguồn cảm biến nên trong những
trường hợp phức tạp thì phát hiện ngã và các hoạt động gần giống ngã vẫn còn nhiều vấn đề
cần giải quyết từ đó luận văn đưa ra các nội dung chính về mục đích, đối tượng, phạm vi
nghiên cứu cũng như phương pháp nghiên cứu.
Nội dung chương 1 là: Tổng quan, chương này sẽ trình bầy về khảo sát bài toán phát
hiện ngã; tiếp theo là khảo sát các nghiên cứu liên quan đến bài toán phát hiện ngã, bao gồm:
cách tiếp cận, cảm biến được sử dụng, phương pháp học máy và phương pháp thực nghiệm;
Tiếp theo sẽ trình bầy phạm vi nghiên cứu của luận văn này, và chương này sẽ kết thúc bằng
nội dung đánh giá, nhận xét được rút ra trong mục kết chương.
Chương 2 bắt đầu bằng việc trình bầy về các cảm biến được sử dụng trong luận văn; tiếp theo
là phương pháp phân tích và xử lý dữ liệu cảm biến; Phương pháp trích xuất và kết hợp các
đặc trưng từ nhiều nguồn cảm biến. Cuối cùng sẽ trình bầy về mô hình học máy sẽ được sử

dụng trong chương này và kết chương.
Chương 3 tập trung vào thử nghiệm để đánh giá phương pháp được trình bầy trong chương
2; mô tả quá trình thu thập và gán nhãn dữ liệu hoặc sử dụng tập dữ liệu đã công bố. Tiếp đến
là trình bầy quá trình và phương pháp thử nghiệm cũng như phân tích, đánh giá các kết quả
thử nghiệm.


3

2 CHƯƠNG 1: TỔNG QUAN
Chương này sẽ trình bầy về bài toán phát hiện ngã; tiếp theo là khảo sát các nghiên cứu
liên quan đến bài toán phát hiện ngã, bao gồm: cách tiếp cận, cảm biến được sử dụng, phương
pháp học máy và phương pháp thực nghiệm; Tiếp theo sẽ trình bầy phạm vi nghiên cứu của
luận văn này, và chương này sẽ kết thúc bằng nội dung đánh giá, nhận xét được rút ra trong
mục kết chương.

1.1

Giới thiệu bài toán

Ngã thường xuyên xảy ra đối với những người bệnh và người cao tuổi, và là một trong những
nguyên nhân chính có thể dẫn đến tử vong ở người cao tuổi. Té ngã không chỉ gây ra các chấn
thương vật lý mà còn ảnh hưởng đến tâm lý của người cao tuổi. Ngã cũng là nguyên nhân
khiến cho người cao tuổi sợ việc vận động, qua đó tác động một cách gián tiếp đến sức khỏe
của họ. Ngoài ra, khi điều trị chấn thương thường phải cách ly tạm thời ra khỏi cộng đồng, xã
hội sẽ làm ảnh hưởng xấu đến tâm lý của người ngã vì làm tăng cảm giác cô đơn và có thể
dẫn đến trầm cảm. Chính vì vậy, việc sử dụng hệ thống tự động phát hiện ngã sẽ là rất cần
thiết để giúp cho việc cấp cứu kịp thời để giảm thiểu rủi ro cho người ngã. Kết quả là, nhu
cầu phát triển hệ thống giám sát thông minh có khả năng phát hiện ngã đã tăng lên đáng kể
trong việc chăm sóc sức khỏe cộng đồng.

1.2

Các nghiên cứu trước đây

Một số nghiên cứu [2,3] đã kết hợp cảm biến gia tốc và hình ảnh từ video để phát hiện ngã và
các hoạt động hàng ngày. Chẳng hạn, công trình [2] thực hiện bởi T. H. Tran và các cộng sự
tại viện MICA, trường đại học Bách Khoa Hà Nội, đã kết hợp dữ liệu cảm biến gia tốc không
dây WAX3 gắn trên hông và cổ tay đối tượng thực hiện thử nghiệm với hình ảnh RGB-D
được chụp từ 7 Kinect cameras được cài đặt trong một căn phòng lớn để phân biệt ngã và một
số hoạt động gần giống như ngã nhằm hỗ trợ người cao tuổi tại nhà của họ.


4

Hình 1. 1: Hình minh họa của môi trường và thiết bị cài đặt.

Hình trên cho thấy sự bố trí của hệ thống thu thập dữ liệu của chuyển động. Sáu Kinect
cameras được cài đặt ở độ cao 1.8m xung quanh một không gian 3.6mx6.8m để mô phỏng
giống như một căn phòng tại gia đình. Chiếc Kinect thứ 7 được gắn trên trần có độ cao 3m để
quan sát từ phía trên toàn cảnh. Hai cảm biến không dây được gắn vào cổ tay trái và bên phía
hông trái của đối tượng thử nghiệm.

Hình 1. 2: Hình minh họa dữ liệu thu thập từ nhiều cảm biến.

Hình 1.2 cho thấy ảnh chụp nhanh của dữ liệu đa phương thức được đồng bộ hóa từ 7
Kinect cameras và các cảm biến gia tốc, vận tốc góc và từ trường. Tổng cộng, kích thước của
tập dữ liệu khoảng 350 Giga bytes. Tất cả dữ liệu được đồng bộ hóa theo thời gian. Sau đó
dữ liệu được gán nhãn, thời gian bắt đầu và thời gian kết thúc của mỗi hành động theo trình
tự được ghi chú cho hoạt động của con người. Đây là bộ dữ liệu tương đối lớn và thú vị với

số lượng người tham gia thử nghiệm và các tư thế hoạt động đa dạng, hơn thế nữa mỗi hoạt
động được thu thập với nhiều góc nhìn (multiview) và nhiều cảm biến (multimodal) khác


5
nhau. Ngoài ra, một số hoạt động dễ bị nhầm lẫn với ngã cũng tạo nên các thách thức đáng
kể cho việc phát hiện ngã. Cụ thể, nhiều hoạt động thường ngày giống ngã, ví dụ như: chống
tay trái để đứng dậy, chống tay phải để đứng dậy, đang ngồi trên ghế sau đó đứng dậy, đang
ngồi trên giường sau đó đứng dậy v.v...
Một nghiên cứu khác [3] đề xuất phương pháp tiếp cận phát hiện ngã bằng cách kết hợp cảm
biến gia tốc gắn bên hông và các hình ảnh độ sâu (depth images) từ cameras. Trong phương
pháp tiếp cận này, hình ảnh độ sâu được lưu trữ trong bộ nhớ đệm để được sử dụng khi cần
thiết. Sự kiện ngã được phát hiện dựa trên mô - đun xử lý dữ liệu cảm biến gia tốc. Mô đun
dữ liệu cảm biến gia tốc nhận đầu vào là luồng tín hiệu cảm biến gia tốc sau đó được so sánh
với một ngưỡng (threshold) để đưa ra quyết định một khoảng thời gian có khả năng chứa sự
kiện ngã hay không. Nếu có tiềm năng là một sự kiện ngã thì các hình ảnh độ sâu sẽ được xử
lý và phân tích để khẳng định có cú ngã xảy ra hay không.

Hình 1. 3: Mô hình đề xuất cho sự phát hiện ngã [3]

Trong một nghiên cứu khác [4], tác giả đã trình bày cách cải thiện khả năng phát hiện ngã
bằng cách bằng cách sử dụng dữ liệu của hình ảnh độ sâu và cảm biến gia tốc. Mô hình đề
xuất bao gồm một cảm biến gia tốc được sử dụng để phát hiện đoạn dữ liệu có khả năng chứa
sự kiện ngã (fall event segment) và một cảm biến Kinect nhằm mục đích cung cấp các hình
ảnh để xác nhận có sự kiện ngã đó.
Ngoài ra còn có nghiên cứu [9] của Zhong Zhang và các cộng sự tập trung vào nghiên cứu
dựa trên thị giác máy tính bằng camera chiều sâu. Cụ thể, các tác giả giới thiệu năm bộ dữ
liệu phát hiện té ngã hiện có, ba bộ trong số năm bộ dữ liệu này được ghi lại bằng camera
Kinect, một bộ được thu thập bởi camera RGB đơn và một bộ còn lại được tạo bằng nhiều
camera RGB đơn đã được hiệu chuẩn.

6
Bảng 1. 1: Năm bộ dữ liệu về ngã [9]

camera type

SDUFALL
one Kinect

camera
viewpoints

one

fall type

falls

EDF
two Kinects

two
eight fall
with direc-

different
tions
number of falls
200

activities of daily Yes
Life

OCCU
two Kinects

two

NaN
falls with different
occluded falls direc-

direc- tions

simulated scenar- 1
Ios

Dataset introduced in
[10]
one RGB camera

tions

320
Yes

60
Yes

192

Yes

1

1

4 (home, coffee room,
office, lecture room)

Dataset introduced in
[11]
eight calibrated RGB
cameras
eight
forward,
backward
falls,
falls from sitting down
and
loss of balance
200
Yes

24

Các công trình nghiên cứu trên đều tập trung trình bày các tập dữ liệu về phát hiện ngã,
dữ liệu có thể được thu thập bằng các cảm biến đeo trên người (Cảm biến gia tốc) hay cảm
biến được gắn ở môi trường xung quanh (cảm biến camera) tuy nhiên vẫn còn một số những
hạn chế được trình bày tóm tắt như trong bảng 1.2:
Bảng 1. 2: So sánh giữa một vài bộ dữ liệu phát hiện ngã khác nhau.

Dataset
UR [3]
Le2i [14]
SDUFall [12]
OCCU [13]
Cogent Lab [15]
EDF
UF[16]
SisFall[17]

#Falls
22
192
300
30
448
160
na
1798

CMDFALL

400

-

#ADL #FallStyles #Subjects #Views
24
na
1

8
58
3
1
∼8
1500
na
10
1
80
2
5
2
1520
6
42
na
100
8
10
2
229-na
2
6
1
2707
15
38
na
600

8

50

7

Modalities
Continuous Year
RGB
No
2010
RGB
No
2012
RGB + D + Skeleton
No
2014
RGB + D + Skeleton
No
2014
Acc. + Gyroscope
Yes
2015
RGB + D + Skeleton
No
2017
RGB + D + Skeleton
No
2017

Acc. + Gyroscope
Yes
2017
RGB + D + Skeleton + 2
Yes
2017
Acc.

Các phương pháp hạn chế: Hầu hết các bộ dữ liệu đều được thu thập bằng phương

pháp đơn cảm biến như [3], [14] thu thập dữ liệu bằng cảm biến đeo (gia tốc kế) hoặc thu thập
dữ liệu bằng cảm biến gắn ở môi trường xung quanh (RGB, D, Skeleton) [12], [13], [16].
-

Giới hạn các kiểu ngã: Trong hầu hết các tập dữ liệu, các đối tượng thực hiện hành

động ngã bằng cách đứng ở một vị trí rồi ngã xuống sàn và ở giữa khung cảnh. Không có ngã
từ trên giường, mà chỉ có một tập dữ liệu ngã từ trên ghế [14].


7
-

Video được cắt xén: Tất cả các video thu thập được đã được cắt cho phù hợp với việc

phân loại ngã từ các hoạt động khác nhau. Do đó không cho phép các dữ liệu đó đánh giá ngã
một cách liên tục.
-

Vị trí quan sát bị giới hạn: Số lượng các vị trí quan sát bối cảnh thường bị giới hạn bởi

một đến hai vị trí quan sát (OCCU [13], EDF). Trong [3], số lượng vị trí quan sát là tám,
nhưng chỉ có dữ liệu RGB được thu thập nên các hình ảnh thu được có thể bị trùng lặp hoặc
chồng chéo nhau, khó cho việc áp dụng phương pháp tiếp cận nhiều chế độ quan sát.
-

Số lượng đối tượng hạn chế: Hầu hết các tập dữ liệu sử dụng phương pháp đa cảm biến

thu thập được từ một số ít các đối tượng tham gia (khoảng từ 1 đến 10 đối tượng). [12] có 300
mẫu ngã và 1500 mẫu không ngã, tuy nhiên tập dữ liệu đó có ít các kiểu ngã được thu thập
bởi các đối tượng khác nhau.

1.3

Phạm vi nghiên cứu

Trong luận văn này, học viên tập trung nghiên cứu lựa chọn các đặc trưng của hai cảm
biến đó là cảm biến gia tốc kế (accelerometer) và cảm biến con quay hồi chuyển (gyroscope)
và phương pháp kết hợp các đặc trưng này lựa chọn phương pháp học máy sử dụng với các
đặc trưng kết hợp; cuối cùng tiến hành thử nghiệm thực tế với bài toán phát hiện ngã. Dữ liệu
mô phỏng được thu thập từ 30 đối tượng tham gia thử nghiệm tại môi trường trong nhà với
điều kiện hoạt động tốt của các cảm biến.

1.4

Kết luận chương
Trong chương 1, học viên đã trình bày về khảo sát bài toán phát hiện ngã, khảo sát các

nghiên cứu liên quan đến bài toán phát hiện ngã, tìm hiểu về cách tiếp cận, các cảm biến được
sử dụng, phương pháp học máy và phương pháp thực nghiệm được sử dụng trong bài toán.

Trong đó tập trung vào các bài toán phát hiện ngã bằng cách kết hợp sử dụng nhiều cảm biến
(từ hai cảm biến trở lên) để phân tích, đánh giá các ưu, nhược điểm của một số cách tiếp cận.
Phương pháp phát hiện ngã bằng một nguồn cảm biến đã cho kết quả cũng khá cao (thường
là trên 90%) tuy nhiên khó phân biệt được các hoạt động phức tạp gần giống với ngã (xảy ra
hàng ngày) như uốn cong người, cúi xuống sàn nhà nhặt đồ vật, hay nằm xuống ghế sofa,
v.v… Khi đó việc thu thập dữ liệu từ nhiều nguồn cảm biến sẽ cho kết quả chính xác hơn và
phần lớn giải quyết được các vấn đề này.


8

3 CHƯƠNG 2: PHÁT HIỆN NGÃ SỬ DỤNG NHIỀU
4 CẢM BIẾN
Chương này bắt đầu bằng việc trình bầy về các cảm biến được sử dụng trong luận văn;
tiếp theo là phương pháp phân tích và xử lý dữ liệu cảm biến; Phương pháp trích xuất và kết
hợp các đặc trưng từ nhiều nguồn cảm biến. Cuối cùng sẽ trình bầy về mô hình học máy sẽ
được sử dụng trong chương này và kết chương.

2.1. Các cảm biến gia tốc (accelerometer) và cảm biến con quay hồi chuyển
(gyroscope)
2.1.1 Cảm biến gia tốc (accelerometer)
Cảm biến gia tốc hay gia tốc kế (accelerometer) là một loại cảm biến quán tính được
sử dụng nhiều trong thực tế bởi tính phù hợp của cảm biến này đối với việc theo dõi và nhận
dạng hoạt động của người. Gia tốc kế dùng để thu nhận chuyển động của thiết bị cũng như
góc nghiêng so với phương nằm ngang. Với sự phát triển của công nghệ chế tạo cảm biến,
các cảm biến gia tốc có kích thước nhỏ ngày càng nhỏ hơn, tiêu thụ ít năng lượng, hiệu suất
hoạt động hiếm khi chịu tác động bởi môi trường và giá thành rẻ. Hơn nữa, sử dụng cảm biến
gia tốc trong theo dõi và nhận dạng hoạt động thường tạo ra sự thoải mái và tự nguyện cho
người dùng hơn là sử dụng cảm biến hình ảnh hay cảm biến âm thanh bởi nó đảm bảo tính
riêng tư cần thiết cho người sử dụng. Cảm biến gia tốc sử dụng đầu dò để đo gia tốc tuyến

tính (Hình 2.1)

Hình 2. 1: Cảm biến gia tốc tuyến tính


9

Hình 2. 2: Gia tốc kế 3 chiều trên smartphone

(Nguồn: />Đơn vị thông dụng được dùng để đo sự biến thiên của gia tốc là G hoặc m/s2. Hai đơn
vị này có thể được chuyển đổi lẫn nhau bằng công thức: 1G =9.8m/s2. Tùy từng loại gia tốc
(độ nhạy) mà chúng có thể đo được sự biến đổi gia tốc cho mỗi chiều trong khoảng từ (-1G,
+1G) cho đến (-3G, 3G).

Hình 2. 3: Nguyên lý đo gia tốc theo trục y

(Nguồn: />Khi đặt gia tốc kế thẳng đứng theo trục y, do tác động của trọng lực thì khối lượng
chuyển động (seismic mass) sẽ bị kéo xuống và giá trị chuẩn của trạng thái này là +1G. Khi
di chuyển khoang chứa (housing) lên xuống theo phương thẳng đứng thì khối lượng chuyển
động sẽ di chuyển, dẫn đến giá trị của y sẽ thay đổi. Độ biến thiên của y phụ thuộc vào việc
gia tốc chuyển động của khoang chứa theo chiều thẳng đứng. Một gia tốc nhiều chiều sẽ bao
gồm nhiều đơn vị đo gia tốc trong Hình 2.2 được đặt theo nhiều hướng khác nhau.
Hình 2.4 minh họa giá trị của x, y, z trong một số trường hợp khác nhau: (1) là trường
hợp đặt gia tốc kế đứng yên theo phương thẳng đứng của trục y; (2) là trường hợp di chuyển
gia tốc kế lên xuống theo phương thẳng đứng (trục y); (3) là trường hợp di chuyển gia tốc kế
qua lại theo chiều ngang (trục x); và (4) là trường hợp di chuyển gia tốc kế tới lui (trục z).


10

Hình 2. 4: Minh họa giá trị của x, y, z

2.1.2 Cảm biến con quay hồi chuyển (gyrosope)
Cảm biến con quay hồi chuyển (gyroscope) một thiết bị được sử dụng để đo vận tốc
góc hoặc duy trì phương hướng, dựa trên các nguyên tắc bảo toàn mô men động lượng. Khi
đĩa xoay với một vận tốc rất cao, sự chuyển hướng theo moment ngoại lực được giảm thiểu
giúp gyroscope hầu như duy trì độ nghiêng của nó. Hiện tượng này được ứng dụng để giám
sát độ nghiêng. Gia tốc kế chỉ đo được gia tốc tuyến tính trong lúc đó con quay hồi chuyển có
thể nhận biết được hướng của thiết bị, hệ thống dễ dàng ghi nhận những chuyển động theo cả
phương ngang hoặc theo phương thẳng đứng. Cảm biến hoạt động dựa trên hiệu ứng coriolis.

Hình 2. 5: Con quay hồi chuyển

Khác với gia tốc kế chỉ có thể đo được gia tốc tuyến tính của thiết bị, trong khi con
quay hồi chuyển có thể nhận biết được hướng của thiết bị, hệ thống có thể dễ dàng ghi nhận
những chuyển động theo cả phương ngang hoặc phương thẳng đứng. Vậy nên con quay hồi
chuyển được ứng dụng rất nhiều vào các phần mềm cần đến khả năng điều hướng, đặc biệt là
các trò chơi trên các thiết bị di động. Con quay hồi chuyển còn được sử dụng để làm la bàn


11
con quay, loại bổ sung hoặc thay thế la bàn từ (trên tàu, máy bay và phi thuyền không gian),
để hỗ trợ tính ổn định (kính thiên văn Hubble, xe đạp, xe máy và tàu thuyền) hoặc được sử
dụng làm một bộ phận của hệ dẫn đường quán tính. Con quay chuyển hồi thường được sử
dụng cùng với gia tốc kế để đo chuyển động quay và sự phục hồi của tư thế. Sự kết hợp của
hai cảm biến này có thể giúp xác định các hoạt động của con người như đi bộ, chạy, nhảy,
ngồi, đi lên cầu thang, đi xuống cầu thang. Trong chăm sóc sức khỏe, việc nhận dạng được
các hoạt động này rất có ích cho các ứng dụng giúp phục hồi chức năng, dáng đi, các bệnh về
khớp, bệnh Parkinson và phát hiện ngã.
Trong luận văn của mình, học viên sẽ tiến hành nghiên cứu lựa chọn các đặc trưng của

hai cảm biến gồm cảm biến gia tốc (accelerometer) và cảm biến con quay hồi chuyển
(gyroscope) và phương pháp kết hợp các đặc trưng này; lựa chọn phương pháp học máy sử
dụng với các đặc trưng kết hợp.

2.2. Phân tích và xử lý dữ liệu cảm biến
Thiết bị phần cứng được sử dụng trong nghiên cứu này là Raspberry PI Sense HAT được
cung cấp bởi các giải pháp nhúng MLAB. PI Sense HAT là một máy tính nhúng kết hợp với
gia tốc kế, con quay hồi chuyển, và thêm một số chi tiết [23] được gắn trên Raspberry MPU
6050 (hình 1, bên trái). Ngoài ra, học viên sử dụng cổng iPico 200 IoT (Hình 2.7, bên phải)
để giao tiếp giữa các cảm biến và đám mây (clouds).

Hình 2. 6: Raspberry MPU 6050 [23] (trái) và cổng xPico 200 IoT [24] (phải)

Trong giới hạn luận văn của mình, học viên chỉ tập trung vào việc thu thập dữ liệu từ
cảm biến gia tốc (accelerometer) và cảm biến con quay hồi chuyển (gyroscope). Cảm biến


12
gia tốc được cấu hình ± 16g và tần số lấy mẫu là 50Hz, con quay hồi chuyển được cấu hình
đến 2000 dps. Các cấu hình này được lựa chọn cẩn thận và phù hợp để đo bất kỳ chuyển động
nào của người dùng. Thiết bị được đeo trên hông vì các cảm biến cần phải nhạy cảm với
hướng, xoay và chuyển động bất kỳ nào của cơ thể người dùng.
Do được thiết lập ở tần số lấy mẫu là 50Hz, cảm biến sinh ra 50 mẫu trong một giây.
Trong khi hoạt động, tín hiệu cảm biến được truyền không dây đến cổng IoT với tốc độ lấy
mẫu đã thiết lập, các tín hiệu trong hàng đợi được xử lý trước trong cổng IoT. Trên thực tế,
do nhiều yếu tố tác động của môi trường, các cảm biến thường sinh ra nhiễu đáng kể cho nên
học viên đã áp dụng bộ lọc Kalman ước tính trạng thái hệ thống tại thời điểm hiện tại từ trạng
thái ở thời điểm trước đó.

xt 1  Axt  wt

(1)

zt 1  Hxt  vt

(2)

Trong đó xt là vectơ trạng thái tại thời điểm t, A là ma trận chuyển tiếp trạng thái, wt là tập
âm chuyển tiếp trạng thái; zt là phép đo của x tại thời điểm t; vt là nhiễu đo và H là ma trận
quan sát.

Hình 2. 7: Tín hiệu cảm biến của ngã từ từ; tín hiệu chuẩn hóa của gia tốc kế
và con quay hồi chuyển

Các biến trạng thái trong nghiên cứu bao gồm gia tốc chuyển động, quay, vận tốc… do đó
x có thể được biểu diễn dưới dạng x = [a, g] trong đó a là tín hiệu gia tốc đo lường sự thay


13
đổi tốc độ khi di chuyển; g là vận tốc góc. Vector x được kết hợp với các ma trận A biểu diễn
sự thay đổi của hệ thống và H là mối quan hệ giữa các biến trạng thái và phép đo để tạo thành
các đầu vào của hệ thống. Sau khi được lọc, tất cả các tín hiệu được chuẩn hóa trong giới hạn
[-1,1]. Dữ liệu cảm biến được phát sinh liên tục cần phải được phân đoạn thành các cửa sổ
trượt để trích xuất đặc trưng. sử dụng độ dài 2 giây để phân đoạn cửa sổ trượt. Sau khi phân
đoạn, các đặc trưng năng lượng được tính toán từ các cửa sổ trượt để phát hiện ngã.
Công thức tính đặc trưng năng lượng như sau:
x2
Energy(x) = i 1 i
n

n

(3)

2.3. Trích xuất và kết hợp các đặc trưng
Tín hiệu từ gia tốc kế có mức độ giao động lớn, với những tín hiệu gia tốc thô chưa xử lý
sẽ rất khó nhận dạng các mẫu. Trên các bài toán phát hiện hoạt động sử dụng gia tốc kế và
con quay hồi chuyển, hầu hết đều sử dụng các phương pháp như Principal Component
Analysis (PCA), Discrete Cosine Transform (DCT) hay mô hình tự hồi quy để trích xuất các
đặc trưng theo miền tần số hoặc miền thời gian. Các đặc trưng theo miền tần số bao gồm: các
tần số cao điểm, công suất đỉnh, năng lượng quang phổ trên dải tần số khác nhau và entropy
phổ... Các đặc trưng theo miền thời gian bao gồm: trung bình, phương sai, độ lệch chuẩn, độ
nhọn, khoảng tứ phân vị, RMS, tương quan giữa các trục, entropy, skewness…
Tuy nhiên, với mục tiêu kết hợp các đặc trưng cảm biến một cách hiệu quả, trong luận
văn của mình, học viên đi sâu nghiên cứu phương pháp kết hợp các đặc trưng thống kê của
tín hiệu cảm biến. Cách tính các đặc trưng thống kế thường được sử dụng trong bài toán nhận
dạng hoạt động sử dụng gia tốc kế, con quay hồi chuyển cho một mẫu tín hiệu S 

s1,..., sn 

được liệt kê dưới đây.
Độ đo hướng tâm: được xác định qua trung bình số học s và trung bình bình phương RMS.
Trong công thức 1 và 2, si biểu diễn giá trị thứ i của tín hiệu tín hiệu, n biểu diễn độ dài của
tín hiệu. Đối với gia tốc kế, độ đo hướng tâm thường được sử dụng để xác định tư thế thẳng
đứng hoặc nằm ngang.
s

1 n
 si
n i 1

(4)


14

RMS (S) 

1 n 2
 si
n i 1

(5)

Độ đo phân tán như độ lệch chuẩn  s , phương sai  s , độ lệch tuyệt đối trung bình (MAD)
2

được biểu diễn qua công thức 5, 6, 7.

s 

 s2 

1 n
( si  s)2

n  1 i 1

(6)

1 n
( si  s)2

n  1 i 1

(7)

1 n
(8)
 si  s
n  1 i 1
Công thức 9 biểu diễn độ đo chuyển đổi miền năng lượng theo FFT, trong đó Fi là thành phần
MAD( S ) 

thứ i của biến đổi Fourier của S.
n

F
i 1

Energy(S ) =

2

i

(9)

n

Tương quan giữa mỗi cặp trục theo 3 hướng thường sử dụng để phát hiện các hoạt động có
sự thay đổi hướng, công thức tính toán như sau:

  x  x  y

N

 x, y

i 1

i

x

i

 xy



N x y

(10)

Ngoài ra, còn có một số số đặc trưng thống kê khác sử dụng trong bài toán phát hiện hoạt
động như:
Độ lệch (skewness): độ đo bất đối xứng của phân phối xác suất tín hiệu;
Độ nhọn (kurtosis): độ nhọn của phân phối xác suất tín hiệu;
MCR (mean crossing rate): số lần tín hiệu vượt qua đường trung bình;

ZCR (zero crossing rate): số lần tín hiệu chuyển từ âm sang dương và ngược lại;
Khoảng tứ phân vị (interquartile range): độ khác biệt giữa 75% và 25%.
Để kết hợp các đặc trưng đối với gia tốc kế và con quay hồi chuyển và một số đặc trưng khác
của các cảm biến này sẽ được tính toán.
 Các đặc trưng của gia tốc kế (accelerometer):


15
Entropy:
N

Ex   p( xi ) log( p( xi ))

(11)

i 1

Trong đó xi là giá trị gia tốc, p(xi) là phân bố xác suất của 𝑥𝑖 trong cửa sổ trượt, có thể được
ước tính bằng số 𝑥𝑖 trong cửa sổ chia cho n. Tương tự, các entropies Ey, Ez dọc theo trục y và
trục z được tính toán bằng cách sử dụng công thức (11).
Tương quan giữa trục gia tốc:
Cxy 

cov(x, y)

(12)
 x v
Trong đó cov (x, y) là hiệp phương sai,  x ,  y , là độ lệch chuẩn của các giá trị gia tốc x và y.
Hjorth mobility (HM):
HM 

dy (t)
)
dt
var(y(t))

var(

(13)

Hjorth mobility mô tả hình dạng đường cong bằng cách đo độ dốc trung bình tương đối, là
căn bậc hai của tỷ số giữa phương sai của đạo hàm đầu tiên của tín hiệu y(t) và biên độ y(t).
Hjorth complexity (HC):
HC 

HM (

d y (t)

dt
HM (y(t))

)

(14)

Hjorth complexity đo tần số miền tần số, là tỷ lệ giữa tính động của đạo hàm đầu tiên của tín
hiệu và tính động của tín hiệu.
 Các đặc trưng của con quay hồi chuyển (gyroscope):
Tổng độ lớn vector (Sum Vector Magnitude - svm):

svmi = √𝑥𝑖2 + 𝑦𝑖2 + 𝑧𝑖2

(15)

Là tổng của 3 thành phần dọc theo trục của con quay hồi chuyển.
Khác biệt về độ lớn của Vector (Differential Sum Vector Magnitude - dsvm):
dsvmi = √(𝑥𝑖 − 𝑥𝑖−1 )2 + (𝑦𝑖 − 𝑦𝑖−1 )2 + (𝑧 − 𝑧𝑖−1 )2

(16)

Ngoài ra, các đặc trưng khác như trung bình, độ lệch chuẩn và hệ số tương quan cũng được
tính trên svmi và dsvmi


16
Trong luận văn này, học viên đề xuất một lược đồ đơn giản cho kết hợp đặc trưng đó là dùng
phép nối giữa các véc tơ đặc trưng được trích chọn từ mỗi loại cảm biến cũng với trọng số là
một số thực nằm trong khoảng [0,1] thể hiện sự quan trọng đóng góp vào độ chính xác. Các
vectơ đặc trưng được tính từ gia tốc kế (𝐴⃗ ), con quay hồi chuyển (𝐺⃗ ) được kết hợp thành
một đặc trưng thống nhất dưới đây:
V=α*𝐴⃗ +β*𝐺⃗

(17)

Trong đó α, β (0≤α, β≤1) là trọng số của các đặc trưng dữ liệu gia tốc kế và các đặc trưng dữ
liệu con quay tương ứng. α, β thỏa mãn điều kiện α+β=1; có thể được ước tính bằng cách
đánh giá thử nghiệm trên tập dữ liệu. Toán tử “+” là một phép nối (concatanation) hai véc tơ
thành một véc tơ đặc trưng kết hợp cả hai véc tơ đặc trưng được tính từ gia tốc kế (𝐴⃗ ) và con
quay hồi chuyển (𝐺⃗ ).

2.4. Thuật toán nhận dạng
Mô hình SVM (Support Vector Machines) có thể duy trì các đặc trưng tổng quát trên dữ liệu
không nhìn thấy khi chúng xây dựng các bản đồ nhập các đặc trưng vào một không gian đặc
trưng mới có kích thước cao hơn bằng cách sử dụng một hàm hạt nhân; chúng có thể tìm thấy
một siêu phẳng (hyper plane) với đường phân biệt (max-margin) lớp đối tượng trong không
gian mới. Trong luận văn này, học viên sử dụng SVM trong LibSVM [30] với hạt nhân cơ sở
hướng tâm (RBF). Tham số C và gamma của SVM đã được chọn bởi một thủ tục tìm kiếm
lưới trên một tập con của tập dữ liệu do học viên thu thập.

2.5. Kết luận chương
Trong nội dung chương này, học viên đã giới thiệu về hai loại cảm biến đó là cảm biến gia
tốc (accelerometer) và cảm biến con quay hồi chuyển (gyroscope). Tiến hành trích chọn các
đặc trưng của hai cảm biến, đề xuất phương pháp kết hợp các loại đặc trưng; đồng thời học
viên cũng đề xuât sử dụng mô hình học máy SVM cho bước phân loại cho bài toán phát hiện
ngã. Chương kế tiếp là thực nghiệm để phân tích và đánh giá phương pháp được trình bầy
trong chương này.


17

5 CHƯƠNG 3: THỬ NGHIỆM VÀ ĐÁNH GIÁ
3.1.

Tập dữ liệu
Hiện nay không có sẵn dữ liệu thu thập dựa trên Internet of Things, do đó trong luận văn

của mình, học viên thực hiện tự thu thập tập dữ liệu ngã cho 30 đối tượng từ 20 đến 40 tuổi
tham gia thực nghiệm. Mỗi đối tượng tham gia thử nghiệm được yêu cầu đeo thiết bị bên
hông. Thiết bị đeo có kích thước nhỏ và được bọc trong vỏ màu đen để không làm ảnh hưởng
nhiều tới hoạt động hàng ngày và không gây mất tập trung đối với các đối tượng. Một camera

kỹ thuật số được đặt ở góc trần của căn phòng để ghi lại toàn bộ hoạt động được thực hiện
bởi các đối tượng tham gia. Trước khi thực hiện ngã và hoạt động khác, để tạo tín hiệu đặc
biệt cho việc đồng bộ hóa giữa cảm biến và camera các đối tượng tham gia thử nghiệm được
yêu cầu xoay nhanh một vòng. Sau đó các đối tượng thực hiện 8 loại ngã bao gồm: ngã về
phía trước, ngã về phía sau, ngã về bên phải, ngã về bên trái, ngã khi lên cầu thang, ngã khi
xuống cầu thang, ngã khi đi bộ, ngã từ từ và 8 hoạt động giống như ngã bao gồm: ngồi, ngồi
sau đó nằm, nằm từ từ, nhảy, đá, đi lên cầu thang, đi xuống cầu thang và các hoạt động không
xác định trong đó hoạt động không xác định là hoạt động tùy ý mà không phải là một trong
các hoạt động trong danh sách trên.

Hình 3. 1: Thiết bị đeo được gắn cho các đối tượng tham gia thử nghiệm

Dữ liệu thu thập sau đó được gán nhãn bởi ba sinh viên tại Học viện Công nghệ Bưu chính
Viễn thông bằng cách sử dụng công cụ gán nhãn ELAN [31] vì ELAN có thể cung cấp các
định nghĩa nhãn đa cấp. Các hoạt động được phân loại thành hai nhóm là: ngã và không phải
ngã được mô tả trong bảng 3.1 dưới đây.


18
Bảng 3. 1: Các hoạt động ngã và không phải ngã

Mức độ cao
(High - level)

Mức độ thấp
(Low - level)

Không phải ngã (Non – Fall)

Ngã (Fall)

-

Ngã về phía trước
Ngã về phía sau
Ngã về bên phải
Ngã về bên trái
Ngã khi lên cầu thang
Ngã khi xuống cầu thang
Ngã trong khi đi bộ
Ngã từ từ

-

Ngồi
Ngồi sau đó nằm
Nằm từ từ
Nhảy
Đá
Đi lên cầu thang
Đi xuống cầu thang
Các hoạt động khác

3.2. Phân tích và đánh giá kết quả
3.2.1.
Độ đo đánh giá
Để đánh giá kết quả thực nghiệm, học viên sử dụng các phép đo phổ biến bao gồm:
Độ chính xác:
Độ bao phủ:

3.2.2.

𝑇𝑃
𝑇𝑃 + 𝐹𝑃
𝑇𝑃
𝑅𝑒𝑐𝑎𝑙𝑙 =
𝑇𝑃 + 𝐹𝑁

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =

(18)
(19)

Kết quả trên cảm biến đơn

Đối với cảm biến đơn, học viên sử dụng các đặc trưng riêng biệt được trích xuất từ cảm biến
riêng lẻ để đào tạo mô hình Máy hỗ trợ Vector (SVM). Đáng chú ý, dữ liệu cho đào tạo và
thử nghiệm đến từ cùng một cảm biến. Trong nghiên cứu này, SVM là một trình phân loại
nhị phân cho sự phân biệt ngã và không phải ngã. Các kết quả trên cảm biến đơn được hiển
thị trong bảng 3.2.
Bảng 3. 2: Kết quả đánh giá từ cảm biến đơn.

Cảm biến

Không phải ngã

Ngã
Độ chính xác

Độ bao phủ

Độ chính xác

Độ bao phủ

Gia tốc kế

86.23%

87.46%

74.16%

75.23%

Con quay hồi chuyển

56.78%

58.12%

55.73%

54.53%

Như trong bảng 3.2, gia tốc có kết quả tốt nhất với độ chính xác (precision) và độ bao phủ
(recall) trên 86% cho phát hiện ngã và khoảng 74% cho phân loại không phải ngã. Tiếp theo
là con quay hồi chuyển với khoảng 55% cho cả ngã và không phải ngã. Mặt khác, ngã được
phát hiện cao hơn đáng kể so với không phải ngã. Kết quả này là phù hợp vì các hoạt động
chưa biết (các hoạt động tùy ý) có chứa nhiễu đáng kể đã được đưa vào các nhóm không phải

19
ngã. Mặc dù học viên có thể đạt được hiệu suất phát hiện khá tốt với một gia tốc đơn nhưng
kết hợp gia tốc kế với các cảm biến khác có thể cải thiện độ chính xác cho nhiệm vụ phát hiện
ngã.

3.2.3.

Kết quả cho kết hợp đặc trưng cảm biến

Trước tiên, học viên ước tính α, β trong công thức (16) bằng xác thực chéo 4 lần với bộ phân
loại SVM trên tập con tập dữ liệu của tập dữ liệu thu thập được. Sau đó học viên thay đổi giá
trị của α, β cho ra độ chính xác cao nhất. Một số giá trị của α, β trong khi thử nghiệm được
liệt kê trong bảng 3.3.
Bảng 3. 3: Kết quả thu được khi thay đổi giá trị của α và β
Α

Β

F-score (%)

0.9

0.1

0.87

0.8

0.2

0.92

0.7

0.3

0.93

0.6

0.4

0,92

0.5

0.5

0.89

0.4

0.6

0.81

0.3

0.7

0.75

0.2

0.8

0.69

0.1

0.9

0.64

Kết quả tốt nhất đạt được (trong bảng 3.3) với giá trị α = 0.7 và β = 0.3. Điều này có nghĩa
gia tốc kế là quan trọng nhất trong đóng góp vào hiệu suất của hệ thống phát hiện ngã. Với Fscore cao, trung bình chính xác là 93%, phương pháp kết hợp các đặc trưng của học viên đã
cải thiện đáng kể độ chính xác phát hiện ngã từ 86% bằng việc sử dụng một gia tốc tăng lên
93% bằng việc sử dụng cảm biến gia tốc kết hợp với cảm biến con quay hồi chuyển. Kết quả
chi tiết cho α = 0.7 và β = 0.3 được thể hiện trong bảng 3.4.


20
Bảng 3. 4: Chi tiết kết quả cho sự kết hợp các đặc trưng của cảm biến.

Hoạt động
Ngã
Không phải ngã

SVM

Độ chính xác
93.69
82.24

Độ bao phủ
92.93
84.18

Như trong bảng 3.4, phương pháp kết hợp đơn giản nhưng hiệu quả của ở các mức độ đặc
trưng đạt tới độ chính xác (precision) và độ bao phủ (recall) cao hơn 93% từ mô hình máy
véc tơ hỗ trợ SVM. Điều đáng lưu ý là tập dữ liệu học viên thu thập chứa nhiễu đáng kể bởi
các hoạt động không xác định. Các kết quả này rất khả quan cho việc hiện thực hóa bài toán
phát hiện ngã trong thời gian thực.
3.3.

Kết luận chương

Trong chương này, học viên đã giới thiệu bộ dữ liệu phát hiện ngã được thu thập từ 30 đối
tượng tham gia thử nghiệm với độ tuổi từ 20 đến 40, các đối tượng tham gia thực hiện các
hoạt động ngã, các hoạt động giống như ngã và các loại hoạt động khác bằng cách đeo bên
hông thiết bị nhận dạng hành động có gắn cảm biến gia tốc (accelerometer), cảm biến con
quay hồi chuyển (gyroscope) và 1 số thiết bị khác, và thiết bị này được gắn cổng iPico 200
IoT để giao tiếp giữa các cảm biến và đám mây (clouds). Dữ liệu thu thập được từ thiết bị này
sẽ được gán nhãn bằng công cụ gán nhãn đa cấp ELAN, sau đó được phân loại thành hai
nhóm là: ngã và không phải ngã. Số liệu cụ thể thu được từ việc kết hợp đặc trưng từ của hai
cảm biến là: cảm biến gia tốc và cảm biến con quay hồi chuyển đã cho thấy một kết quả cao
hơn so với việc sử dụng đặc trưng từ một nguồn cảm biến trong việc phát hiên ngã và các
hoạt động khác không phải là ngã.

21

6 KẾT LUẬN
Ngã có thể dẫn tới những chấn thương rất nghiêm trọng, thậm chí có thể là tử vong. Từ
trước tới nay đã có rất nhiều những nghiên cứu để tìm ra một hệ thống tự động phát hiện ngã
để giúp cho việc cấp cứu kịp thời để giảm thiểu rủi ro cho người ngã, đặc biệt là đối với người
cao tuổi.
Luận văn Thạc sỹ này, học viên chỉ tập trung vào nghiên cứu khảo sát bài toán phát hiện
người ngã, và ứng dụng các thuật toán học máy để phân tích dữ liệu từ nhiều nguồn cảm biến
nhằm phân biệt được nhiều tư thế ngã khác nhau. Trong luận văn của mình, học viên đã nghiên
cứu lựa chọn cảm biến kết hợp bao gồm cảm biến gia tốc và cảm biến con quay hồi chuyển.
Tiến hành trích chọn các đặc trưng của các cảm biến kết hợp, đề xuất phương pháp kết hợp
các loại đặc trưng, nghiên cứu và lựa chọn phương pháp học máy phù hợp. Sau đó học viên
tiến hành thực nghiệm với một hệ thống phát hiện ngã trên một tập hợp các loại ngã và các
hoạt động giống như ngã bao gồm các hoạt động không rõ. Ngoài ra, học viên còn tiến hành
khảo sát hiệu suất phát hiện ngã trong cả hai trường hợp: trên các cảm biến đơn lẻ và kết hợp
nhiều cảm biến ở cấp độ đặc trưng.
Các thực nghiệm được thực hiện để chứng minh tính hiệu quả của phương pháp cảm biến
kết hợp được đề xuất với độ chính xác và độ bao phủ hơn 92% cho mô hình mô hình máy
vector hỗ trợ. Hơn nữa, nghiên cứu này khai thác các ưu điểm của nền tàng Internet vạn vật
hướng tới việc phát hiện ngã thời gian thực một cách hiệu quả hơn. Các nghiên cứu trong
tương lai sẽ được thực hiện với thời gian thực và đánh giá mức tiêu thụ năng lượng cũng như
tính phức tạp về tính toán của các nút trên mạng cảm biến có qui mô lớn.