Nghiên cứu xây dựng phần mềm nhận dạng hoạt động người sử dụng điện thoại trên hệ điều hành android

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
---------------------------------------

KIỀU THẾ HƢNG

NGHIÊN CỨU XÂY DỰNG PHẦN MỀM
NHẬN DẠNG HOẠT ĐỘNG
NGƢỜI SỬ DỤNG ĐIỆN THOẠI
TRÊN HỆ ĐIỀU HÀNH ANDROID

LUẬN VĂN THẠC SĨ KỸ THUẬT
KỸ THUẬT VIỄN THÔNG

HÀ NỘI – NĂM 2018


BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
---------------------------------------

KIỀU THẾ HƢNG

NGHIÊN CỨU XÂY DỰNG PHẦN MỀM
NHẬN DẠNG HOẠT ĐỘNG
NGƢỜI SỬ DỤNG ĐIỆN THOẠI
TRÊN HỆ ĐIỀU HÀNH ANDROID
LUẬN VĂN THẠC SĨ KỸ THUẬT
KỸ THUẬT VIỄN THÔNG

NGƢỜI HƢỚNG DẪN KHOA HỌC:

PGS.TS. NGUYỄN VĂN ĐỨC

HÀ NỘI – NĂM 2018


LỜI CAM ĐOAN

Tơi xin cam đoan đây là cơng trình nghiên cứu của riêng tôi dƣới sự hƣớng
dẫn của PGS.TS. Nguyễn Văn Đức. Các số liệu, kết quả nêu trong luận văn là trung
thực. Nội dung của luận văn có tham khảo và sử dụng một số thông tin, tài liệu từ
các nguồn sách, tạp chí đƣợc liệt kê trong danh mục các tài liệu tham khảo.
Nếu không đúng nhƣ đã nêu trên, tơi xin hồn tồn chịu trách nhiệm về đề tài
của mình.

Ngƣời cam đoan

Kiều Thế Hƣng

i


LỜI CẢM ƠN
Tôi xin gửi lời cảm ơn sâu sắc tới PGS.TS Nguyễn Văn Đức, ngƣời đã tận
tình chỉ bảo tôi những kiến thức chuyên môn, phƣơng pháp nghiên cứu khoa học
đồng thời cũng là tấm gƣơng trong mọi mặt của cuộc sống để tôi học tập và noi
theo.
Tôi xin chân thành cảm ơn các thầy, cô giáo trƣờng Đại học Bách Khoa Hà
Nội đã cung cấp cho tôi những kiến thức bổ ích trong thời gian tơi học tập tại
trƣờng.
Cuối cùng tôi xin gửi lời cảm ơn tới gia đình tơi đã ln ủng hộ tơi trên con

đƣờng học tập và nghiên cứu với nhiều khó khăn, vất vả. Mặc dù tơi đã cố gắng hết
sức trong q trình làm luận văn nhƣng khơng thể tránh khỏi thiếu sót, rất mong
nhận đƣợc những góp ý của thầy cơ và các bạn.
Hà Nội, ngày tháng
Học viên

Kiều Thế Hƣng

ii

năm


MỤC LỤC
LỜI CAM ĐOAN ........................................................................................................ i
LỜI CẢM ƠN .............................................................................................................ii
MỤC LỤC ................................................................................................................. iii
DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ ............................................................... v
DANH MỤC CÁC BẢNG BIỂU .............................................................................. vi
DANH MỤC CHỮ VIẾT TẮT.................................................................................vii
MỞ ĐẦU ..................................................................................................................... 1
CHƢƠNG 1: TỔNG QUAN VỀ GIÁM SÁT HOẠT ĐỘNG VÀ PHƢƠNG PHÁP
NHẬN DẠNG HÀNH VI ........................................................................................... 3
1.1. Tổng quan về giám sát hoạt động ........................................................................ 3
1.2. Cảm biến .............................................................................................................. 4
1.3. Điện thoại thông minh .......................................................................................... 5
1.4. Công nghệ nhận dạng hành vi .............................................................................. 6
1.4.1. Khái niệm phân lớp.................................................................................... 6
1.4.2. Phân lớp dữ liệu ......................................................................................... 7
1.4.3. Phân lớp nhận dạng hành vi ....................................................................... 9

1.4.4. Tiền xử lý ................................................................................................. 11
1.4.5. Trích chọn tính năng ................................................................................ 12
1.4.6. Phân lớp dữ liệu ....................................................................................... 14
1.4.7. Đánh giá thuật toán .................................................................................. 14
CHƢƠNG 2: GIỚI THIỆU MẠNG NƠRON TÍCH CHẬP VÀ CÁC GIẢI THUẬT
LIÊN QUAN ............................................................................................................. 15
2.1. Mạng Nơron ....................................................................................................... 15
2.1.1. Giới thiệu về mạng Nơron ....................................................................... 15
2.1.2. Mạng nơron nhiều tầng truyền thẳng MLP ............................................. 17
2.2. Thuật toán lan truyền ngƣợc .............................................................................. 18
2.3. Mạng Nơron tích chập........................................................................................ 20
2.3.1. Sự thay đổi về kiến trúc ........................................................................... 20
2.3.2. Chi tiết các lớp trong mơ hình ................................................................. 22
2.4. Các giải thuật Optimization ............................................................................... 25

iii


2.4.1. Các giải thuật cơ bản .............................................................................. 26
2.4.2. Các giải thuật dựa vào chiến lƣợc lựa chọn Learning Rate ..................... 27
2.4.3. Lựa chọn giải thuật Optimization nào? ................................................... 28
CHƢƠNG 3: THỰC NGHIỆM VÀ ĐÁNH GIÁ ..................................................... 29
3.1. Giới thiệu TensorFlow ....................................................................................... 29
3.2. Giới thiệu phƣơng pháp tạo dữ liệu huấn luyện nhận dạng hành động ngƣời
dùng của tập Actitracker ........................................................................................... 29
3.3. Thông tin về bộ dữ liệu ...................................................................................... 31
3.4. Thiết kế hệ thống ................................................................................................ 32
3.4.1. Tiền xử lý dữ liệu..................................................................................... 32
3.5. Mơi trƣờng thực nghiệm .................................................................................... 33
3.5.1. Q trình huấn luyện mơ hình CNN ........................................................ 42

3.5.2. Kết quả huấn luyện CNN ......................................................................... 43
3.6. Xây dựng phần mềm nhận dạng hoạt động ngƣời sử dụng điện thoại thông qua
nền tảng điện thoại di động Android. ........................................................................ 44
3.7. Kết quả thực nghiệm trên thiết bị Android………………………………….46
3.8. Nhận xét và đánh giá .......................................................................................... 49
KẾT LUẬN VÀ KIẾN NGHỊ................................................................................... 51
TÀI LIỆU THAM KHẢO ......................................................................................... 52
PHỤ LỤC CHƢƠNG TRÌNH .................................................................................. 55

iv


DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ
Hình 1.1. Hệ trục trên điện thoại di động [22]................................................................. 4
Hình 1.2. Sơ đồ biểu diễn quy trình học máy [22]. ....................................................... 10
Hình 1.3. Mơ hình nhận dạng hành vi từ dữ liệu cảm biến trên điện thoại Android
[22]. ................................................................................................................... 11
Hình 2.1. Cấu trúc một nơron nhân tạo [6]. ................................................................... 15
Hình 2.2. Mạng MLP tổng qt [6]. ............................................................................... 17
Hình 2.3. Mạng nơron tích chập.[19].............................................................................. 21
Hình 2.4. Tính tích chập với Filter .................................................................................. 22
Hình 2.5. Tính tốn với phƣơng pháp MaxPooling ...................................................... 23
Hình 2.6. Mơ hình Softmax Regression dƣới dạng mạng nơron [23]. ....................... 25
Hình 3.1. Trục tƣơng đối cho ngƣời dùng thiết bị Android [1]. .................................. 30
Hình 3.2. Tỉ lệ các nhãn đƣợc gán trong tập dữ liệu Actitracker [3]. ......................... 31
Hình 3.3. Sơ đồ khối hệ thống [24]. ................................................................................ 32
Hình 3.4. Mơ hình mạng nhận dạng hoạt động ngƣời sử dụng điện thoại [3]. .......... 33
Hình 3.5. Dữ liệu đƣợc gắn nhãn “ngồi” sau khi chuẩn hố [3]. ................................ 35
Hình 3.6. Dữ liệu đƣợc gắn nhãn “đứng” sau khi chuẩn hoá [3]. ............................... 36
Hình 3.7. Dữ liệu đƣợc gắn nhãn “đi bộ” sau khi chuẩn hố [3]. .............................37

Hình 3.8. Dữ liệu đƣợc gắn nhãn “xuống cầu thang” sau khi chuẩn hoá [3]. ........... 38
Hình 3.9. Dữ liệu đƣợc gắn nhãn “lên cầu thang” sau khi chuẩn hố [3]. ................. 39
Hình 3.10. Dữ liệu đƣợc gắn nhãn “chạy bộ” sau khi chuẩn hoá [3]. ........................ 40

v


DANH MỤC CÁC BẢNG BIỂU
Bảng 1.1. Tóm tắt các nghiên cứu trƣớc đây về nhận dạng hoạt động sử dụng cảm
biến gia tốc. Cột tập dữ liệu quy định cụ thể dữ liệu đƣợc thu thập trong
phịng thí nghiệm (L), tự nhiên (N), hoặc bán tự nhiên (S) [22]. ................ 5
Bảng 1.2. Tính năng miền thời gian. Cơng thức tƣơng ứng và các ứng dụng [22]. . 12
Bảng 1.3. Tính năng miền tần số. Công thức tƣơng ứng và các ứng dụng [22]. ....... 13
Bảng 3.1. Bảng dữ liệu hoạt động ngƣời dùng xây dựng trên tập dữ liệu Actitracker [3]. .... 34
Bảng 3.2. Mẫu dữ liệu đƣợc gắn nhãn hoạt động ngƣời dùng [3]. ............................. 41
Bảng 3.3. Dữ liệu huấn luyện sau khi đi qua lớp Max pooling [3]. ............................ 42
Bảng 3.4. Kết quả huấn luyện mạng nơron [3].............................................................. 43
Bảng 3.5. Nhận dạng hành động “xuống cầu thang” .................................................... 46
Bảng 3.6. Nhận dạng hành động “lên cầu thang” ......................................................... 47
Bảng 3.7. Nhận dạng hành động “chạy bộ” ................................................................... 47
Bảng 3.8. Nhận dạng hành động “đi bộ” ........................................................................ 48
Bảng 3.9. Nhận dạng hành động “ngồi” ......................................................................... 48
Bảng 3.10. Nhận dạng hành động “đứng”...................................................................... 49

vi


DANH MỤC CHỮ VIẾT TẮT
Ký hiệu

Diễn giải

Tiếng Việt

CNN

Convolution Neural Network

Mạng nơron tích chập

ADL

Activities of daily living

Hoạt động hằng ngày

AR

Activity recognition

Nhận dạng hành vi

ANN

Atificial Neural Network

Mạng nơron nhân tạo

GPS

Global Positioning System

Hệ thống định vị tồn cầu

HMM

Hidden Markov Models

Mơ hình Markov ẩn

K-NN

K-Nearest Neighbours

Mơ hình phân lớp K hàng
xóm gần nhất

SVM

Support Vector Machines

GD

Gradient Descent

SGD

Stochastic Gradient Descent

WISDM

Wireless Sensor Data Mining

vii

Máy vec tơ hỗ trợ


MỞ ĐẦU
Với sự phát triển của khoa học kĩ thuật, các thiết bị phục vụ nhu cầu của con
ngƣời ngày càng trở nên hiện đại, nhiều tính năng, đặc biệt là các thiết bị di động,
mà trong đó, các thiết bị chạy trên nền tảng hệ điều hành Android chiếm thị phần
lớn nhất. Các thiết bị này mang những tính năng mà hầu hết ngƣời sử dụng cũng
nhƣ các nhà phát triển ứng dụng chƣa tận dụng hết đƣợc, trong đó có thể kể đến các
cảm biến gia tốc, chuyển động của thiết bị.
Trong luận văn này, tôi đƣa ra phƣơng pháp sử dụng các cảm biến gia tốc trên
thiết bị Android, để có thể tận dụng các chức năng sẵn có của thiết bị, ứng dụng vào
việc nhận diện hành vi của ngƣời dùng thông qua các cảm biến này. Nghiên

cứu

thực hiện trên các thiết bị Android, với các cảm biến gia tốc. Quá trình nhận diện
hành động của ngƣời sử dụng dựa vào việc thu thập giá trị đo đƣợc của các cảm
biến này, thơng qua q trình huấn luyện một mạng nơron nhân tạo từ tập dữ liệu
cho trƣớc, ta đƣa ra kết quả là hành động của ngƣời dùng.
Do thời gian thực hiện đề tài không cho phép thu thập dữ liệu thực tế, nên
luận văn xây dựng dựa trên tập dữ liệu có sẵn Actitracker, thu thập trong mơi
trƣờng thí nghiệm. Do đó, việc nhận diện chính xác hơn khi thiết bị đƣợc đặt trong
túi của ngƣời sử dụng.
Kết quả của ứng dụng là nhận diện đƣợc hành động của ngƣời dùng là một

trong các hành động sau: chạy bộ, lên cầu thang, xuống cầu thang, ngồi, đi bộ,
đứng.
Đề tài nghiên cứu nhằm tận dụng các cảm biến của thiết bị Android, từ đó có
thể ứng dụng cho các công việc thực tiễn hơn: ứng dụng tập thể dục, hỗ trợ luyện
tập, …
Đề tài đƣợc xây dựng theo hai phần chính:
 Xây dựng mạng nơron: mạng nơron nhân tạo này đƣợc sử dụng để nhận diện
nhãn của hành động theo các giá trị thu đƣợc từ cảm biến của thiết bị
Android. Mạng đƣợc xây dựng sử dụng các lớp tích chập và Max-pooling,

1


dữ liệu huấn luyện và kiểm thử đƣợc sử dụng từ tập dữ liệu Actitracker
(WISDM).
 Nhận diện hành động: dữ liệu cho việc nhận diện đƣợc thu trực tiếp từ các
cảm biến của thiết bị Android, các dữ liệu này đƣợc đƣa vào mạng nơron
(các trọng số thu đƣợc từ việc xây dựng và huấn luyện mạng), và đƣợc gán
nhãn theo một trong các hành động: chạy, lên cầu thang, xuống cầu thang,
đứng, ngồi, đi bộ.
Đề tài sử dụng phƣơng pháp nghiên cứu tài liệu, dựa trên các đề tài về xây dựng,
thiết kế mạng nơron, xử lý ảnh, xử lý tín hiệu số, từ đó áp dụng vào phân tích và
giải quyết bài tốn của đề tài.
Nội dung của luận văn nghiên cứu, và phát triển đƣợc trình bày thông qua ba
chƣơng:
 Chƣơng 1: Tổng quan về giám sát hoạt động và phƣơng pháp nhận
dạng hành vi.
 Chƣơng 2: Giới thiệu mạng Nơron tích chập và các giải thuật liên
quan
 Chƣơng 3: Thực nghiệm và đánh giá

2


CHƢƠNG 1
TỔNG QUAN VỀ GIÁM SÁT HOẠT ĐỘNG VÀ PHƢƠNG
PHÁP NHẬN DẠNG HÀNH VI
1.1. Tổng quan về giám sát hoạt động
Khái niệm hoạt động đã đƣợc xem xét trong tƣơng tác ngƣời–máy (HCI) để
thiết kế tốt hơn các mơ hình điện toán phân tán dựa trên hành vi ngƣời dùng (Bao &
Intille, 2004). Các mục tiêu của điện toán phân tán là có mặt khắp mọi nơi và kín
đáo, hoặc dần là nền tảng hỗ trợ con ngƣời trong khi học thực hiện các hoạt động
hàng ngày. Dự đoán các hoạt động là mục tiêu của các hệ thống điện toán rộng
khắp, tuy nhiên việc sử dụng các hành động cơ lập để phân tích các tình huống thực
tế bên ngồi khơng thành cơng, bởi vì hành động ln nằm trong một bối cảnh, và
hệ thống không thể hiểu đƣợc bối cảnh đó. Sự phát triển của các hệ thống nhận biết
ngữ cảnh là quan trọng để nhận ra một hoạt động chính là bối cảnh có ý nghĩa tối
thiểu để hiểu đƣợc hoạt động cá nhân. Phát hiện các tƣ thế không đủ để phân biệt
đƣợc một số các hoạt động, chỉ khi có đƣợc bối cảnh, các hoạt động có thể đƣợc
phân biệt một cách chính xác [22].
Q trình giám sát hành vi ngƣời dùng bắt đầu bằng việc thu thập các dữ liệu
thô, đặc biệt là dữ liệu chuyển động. Cảm biến quán tính là một giải pháp thích hợp
để phát hiện chuyển động. Những cảm biến phản ứng với các kích thích bằng cách
tạo ra các tín hiệu có thể phân tích và diễn tả. Thơng thƣờng, các cảm biến đƣợc đặt
bên cạnh cơ thể nên đem lại sự thoải mái cho ngƣời sử dụng. Các thế hệ mới của
điện thoại thông minh đƣợc trang bị với một loạt các cảm biến bên trong: cảm biến
gia tốc, cảm biến con quay hồi chuyển, cảm biến nhịp tim, cảm biến tiệm cận, cảm
biến độ ẩm, cảm biến ánh sáng. Một số cảm biến có thể đƣợc sử dụng để giám sát
hoạt động hàng ngày của con ngƣời: cảm biến gia tốc, con quay hồi chuyển. Các
thiết bị này rất tiện lợi, nhỏ và kín đáo, nó trở thành ý tƣởng cho hệ thống nhận

dạng hành vi ngƣời dùng. Tính năng hấp dẫn khác là có thể đeo đƣợc, làm việc với
thời gian thực và đƣợc sử dụng để theo dõi lâu dài. Những thiết bị này có thể ghi

3


nhận, xử lý và có đƣợc thơng tin hữu ích từ dữ liệu thơ của cảm biến, nhƣng khó
khăn chính của việc tạo ra các ứng dụng nhận biết bối cảnh là việc phát triển các
thuật tốn có thể nhận diện bối cảnh từ dữ liệu cảm biến có nhiễu và không rõ ràng.
Cảm biến gia tốc là một cảm biến lý tƣởng vì chúng địi hỏi sức mạnh xử lý thấp và
tiêu thụ ít năng lƣợng [22].
1.2. Cảm biến
Cảm biến có thể thu thập dữ liệu đƣợc sử dụng để phát hiện các hành vi của
con ngƣời. Có 3 vấn đề chính liên quan đến cảm biến: loại, vị trí và số lƣợng. Phần
lớn các hệ thống nhận biết cử động sử dụng cảm biến quán tính, đặc biệt là cảm
biến gia tốc để ƣớc tính độ nghiêng của cơ thể và xác định phƣơng hƣớng, chuyển
động của ngƣời sử dụng [22].
Tín hiệu thu đƣợc với cảm biến gia tốc có 2 thành phần, “một là gia tốc trọng
trƣờng cung cấp thông tin về tƣ thế của chủ thể, và một thành phần tăng tốc của cơ
thể cung cấp thông tin về sự chuyển động của chủ thể”. Một cảm biến gia tốc 3
chiều đo gia tốc theo trục x, y, z so với màn hình của điện thoại đƣợc mơ tả nhƣ
hình dƣới. Gia tốc đƣợc đo bằng đơn vị m/

[22].

Hình 1.1. Hệ trục trên điện thoại di động [22].
Một số điều tra sử dụng số lƣợng hoạt động và thị giác máy tính có khả năng
hỗ trợ nhận dạng hành động sử dụng cảm biến gia tốc cũng đƣợc mô tả trong
chƣơng này. Nhiều nghiên cứu trƣớc đây đã chứng minh 85-95% cho đánh giá nhận
4

dạng hành động, tƣ thế và các hoạt động khác sử dụng dữ liệu cảm biến gia tốc. Một
số công trình đƣợc mơ tả trong bảng 1.1:
Các hoạt động

Cảm biến

Vị trí cảm biến

Chuyển động
của ngƣời
Chuyển động
của ngƣời
Chuyển động
của ngƣời,
ADL

Gia tốc
X,Y GPS
Cảm biến
3D
Gia tốc 3D,
la bàn, ánh
sáng xung
quanh, cảm
biến lực
video
Gia tốc
X,Y

Gia tốc

Túi

Chính xác nhận
dạng
10 ngƣời (L) 85%-90%

Ngực và đùi

05 ngƣời (S) 89.3%

Đùi phải, cổ,
cổ tay trái phải

13 ngƣời (S) 90.61%

10 ADL
20 ADL
Chuyển động
ngƣời, ADL
ADL

5 hoạt động
sửa xe đạp

Tập dữ liệu

1 ngƣời (S) 95%
Đùi trái, mắt cá 20 ngƣời (S) 84.26%

phải
Cổ tay
7 ngƣời (L) 92.86% +/- 5.91%

Gia tốc,
ngực, cổ tay,
cảm biến
giày
ánh sáng,
microphone
Gia tốc
Thân, tay áo
trái phải, cánh
tay áo trên
dƣới, và tay
trái
Gia tốc
Cổ tay và đùi

7 ngƣời (L)

>90%

3 ngƣời (L)

82.7%

Chuyển động
1 ngƣời (N) 86%-93%
ngƣời

3 di chuyển
Gia tốc
2 ở cổ tay
1 ngƣời (L) 96.67%
kungfu
Chuyển động
Gia tốc 2D Chân trái trên
6 ngƣời (L) 42%-96%
ngƣời
Cử động ngƣời Gia tốc
2 ở hông
1 ngƣời (L) 83%-90%
Cử động ngƣời Gia tốc
2 ở đùi
8 ngƣời (L) 92.85%-95.91%
Bảng 1.1. Tóm tắt các nghiên cứu trước đây về nhận dạng hoạt động sử dụng
cảm biến gia tốc. Cột tập dữ liệu quy định cụ thể dữ liệu được thu thập trong
phịng thí nghiệm (L), tự nhiên (N), hoặc bán tự nhiên (S) [22].
1.3. Điện thoại thông minh
Thế hệ mới của điện thoại thông minh đang đƣợc xem xét bởi nhiều ngƣời
dùng nhƣ là một thiết bị cá nhân quan trọng. Các thiết bị này có tiềm năng cho sự
5


tăng trƣởng cân xứng với việc thu thập dữ liệu hành vi cho việc xây dựng hệ thống
dự đoán hành vi con ngƣời. Nhận thức về lợi ích của chúng đang trở nên phổ biến,
và ngƣời dùng đã quen với việc có mặt khắp mọi nơi của chúng. Điện thoại thông
minh đƣợc trang bị với hàng loạt các cảm biến bên trong, trong đó cảm biến gia tốc,
và cảm biến con quay hồi chuyển có thể đƣợc sử dụng để giám sát hành vi hàng
ngày của con ngƣời. Các thiết bị này rất tiện lợi, nhỏ và kín đáo, nó trở thành nền

tảng lý tƣởng cho một hệ thống nhận dạng hành vi phổ biến [22].
Sự phát triển của điện thoại thơng minh cho việc dự đốn hành vi con ngƣời
có một số nhƣợc điểm nhƣ: pin hạn chế, bộ nhớ không cao và các phát triển mới
trên lĩnh vực này cần giải quyết các câu hỏi nhƣ: tác động của các ứng dụng lên pin
của điện thoại, tỉ lệ mẫu để đạt đƣợc kết quả chính xác, thời gian để tạo mơ hình và
khơng gian bộ nhớ cần thiết cho nó. Về quy trình thu thập dữ liệu, ta có thể chọn
thu thập dữ liệu với một điện thoại thơng minh đƣợc đặt ở những vị trí xác định
trƣớc hoặc ở 1 phần cơ thể và tạo ra một tập dữ liệu thích hợp, hoặc sử dụng bộ dữ
liệu cơng cộng với dữ liệu đã đƣợc chú thích. Các tùy chọn trƣớc đây đơi khi đƣợc
ƣa thích vì một tập dữ liệu có cùng kích thƣớc và đƣợc chú thích là cần thiết để
đánh giá thuật tốn phân lớp, bởi vì một bộ dữ liệu có chú thích sẽ có thể kiểm tra
đƣợc kết quả. Để thu thập một bộ dữ liệu hồn chỉnh có thể khơng khả thi, vì nó
phải thu thập một lƣợng lớn dữ liệu từ ngƣời sử dụng trong một thời gian dài để tạo
ra một thuật tốn mạnh mẽ và chính xác cho việc đoán định ngƣời dùng mới. Một
số nghiên cứu trƣớc đây đã hƣớng dẫn cho việc ghi dữ liệu sử dụng các đối tƣợng
khác nhau, ƣu tiên không phải ngƣời nghiên cứu hoặc khơng có sự giám sát để có
đƣợc dữ liệu tự nhiên. Các đối tƣợng đƣợc yêu cầu thực hiện một loạt các hành
động và chú thích vào sau mỗi hoạt động hoặc để thực hiện ngẫu nhiên các trình tự
của hoạt động đƣợc xác định trƣớc [22].
1.4. Cơng nghệ nhận dạng hành vi
1.4.1. Khái niệm phân lớp
Phân lớp dữ liệu có thể coi là q trình học một mơ hình mà mơ hình này
dùng để mơ tả các lớp dữ liệu khác nhau. Các lớp dữ liệu ở đây đã đƣợc xác định

6


trƣớc. Khác với phân cụm dữ liệu, phân lớp dữ liệu đƣợc xem là một q trình “học
có giám sát”. Sau khi đƣợc xây dựng, mơ hình phân lớp có thể đƣợc sử dụng để
phân lớp các dữ liệu mới. Mỗi bản ghi trong tập dữ liệu học có một thuộc tính gọi là

nhãn lớp (Class lable) để chỉ ra bản ghi đó thuộc lớp nào [25].
1.4.2. Phân lớp dữ liệu
Ngày nay phân lớp dữ liệu (classification) là một trong những hƣớng nghiên
cứu chính của khai phá dữ liệu. Thực tế đặt ra nhu cầu là từ một cơ sở dữ liệu với
nhiều thơng tin ẩn con ngƣời có thể trích rút ra các quyết định nghiệp vụ thơng
minh. Phân lớp và dự đốn là hai dạng của phân tích dữ liệu nhằm trích rút ra một
mơ hình mơ tả các lớp dữ liệu quan trọng hay dự đoán xu hƣớng dữ liệu tƣơng lai.
Phân lớp dự đoán giá trị của những nhãn xác định (categorical label) hay những giá
trị rời rạc (discrete value), có nghĩa là phân lớp thao tác với những đối tƣợng dữ liệu
mà có bộ giá trị là biết trƣớc. Trong khi đó, dự đốn lại xây dựng mơ hình với các
hàm nhận giá trị liên tục. Ví dụ mơ hình phân lớp dự báo thời tiết có thể cho biết
thời tiết ngày mai là mƣa, hay nắng dựa vào những thông số về độ ẩm, sức gió,
nhiệt độ,… của ngày hơm nay và các ngày trƣớc đó. Trong những năm qua, phân
lớp dữ liệu đã thu hút sự quan tâm các nhà nghiên cứu trong nhiều lĩnh vực khác
nhau nhƣ học máy (machine learning), hệ chuyên gia (expert system), thống kê
(statistics)... Công nghệ này cũng ứng dụng trong nhiều lĩnh vực khác nhau nhƣ:
thƣơng mại, nhà băng, maketing, nghiên cứu thị trƣờng, bảo hiểm, y tế, giáo dục...
Phần lớn các thuật toán ra đời trƣớc đều sử dụng cơ chế dữ liệu cƣ trú trong bộ nhớ
(memory resident), thƣờng thao tác với lƣợng dữ liệu nhỏ. Một số thuật toán ra đời
sau này đã sử dụng kỹ thuật cƣ trú trên đĩa cải thiện đáng kể khả năng mở rộng của
thuật toán với những tập dữ liệu lớn lên tới hàng tỉ bản ghi. Quá trình phân lớp dữ
liệu gồm hai phần [25].
 Học (learning)
Quá trình học nhằm xây dựng một mơ hình mơ tả một tập các lớp dữ liệu hay
các khái niệm định trƣớc. Đầu vào của quá trình này là một tập dữ liệu có cấu trúc
đƣợc mơ tả bằng các thuộc tính và đƣợc tạo ra từ tập các bộ giá trị của các thuộc

7

tính đó. Mỗi bộ giá trị đƣợc gọi chung là một phần tử dữ liệu (data tuple), có thể là
các mẫu (sample), ví dụ (example), đối tƣợng (object), bản ghi (record) hay trƣờng
hợp (case). Khoá luận sử dụng các thuật ngữ này với nghĩa tƣơng đƣơng. Trong tập
dữ liệu này, mỗi phần tử dữ liệu đƣợc giả sử thuộc về một lớp định trƣớc, lớp ở đây
là giá trị của một thuộc tính đƣợc chọn làm thuộc tính gán nhãn lớp hay thuộc tính
phân lớp (class label attribute). Đầu ra của bƣớc này thƣờng là các quy tắc phân lớp
dƣới dạng luật dạng if-then, cây quyết định, công thức logic, hay mạng nơron [25].
 Phân lớp (classification)
Bƣớc thứ hai dùng mơ hình đã xây dựng ở bƣớc trƣớc để phân lớp dữ liệu
mới. Trƣớc tiên độ chính xác mang tính chất dự đốn của mơ hình phân lớp vừa tạo
ra đƣợc ƣớc lƣợng. Holdout là một kỹ thuật đơn giản để ƣớc lƣợng độ chính xác đó.
Kỹ thuật này sử dụng một tập dữ liệu kiểm tra với các mẫu đã đƣợc gán nhãn lớp.
Các mẫu này đƣợc chọn ngẫu nhiên và độc lập với các mẫu trong tập dữ liệu đào
tạo. Độ chính xác của mơ hình trên tập dữ liệu kiểm tra đã đƣa là tỉ lệ phần trăm
các mẫu trong tập dữ liệu kiểm tra đƣợc mô hình phân lớp đúng (so với thực tế).
Nếu độ chính xác của mơ hình đƣợc ƣớc lƣợng dựa trên tập dữ liệu đào tạo thì kết
quả thu đƣợc là rất khả quan vì mơ hình ln có xu hƣớng “q vừa” dữ liệu. Quá
vừa dữ liệu là hiện tƣợng kết quả phân lớp trùng khít với dữ liệu thực tế vì q trình
xây dựng mơ hình phân lớp từ tập dữ liệu đào tạo có thể đã kết hợp những đặc điểm
riêng biệt của tập dữ liệu đó. Do vậy cần sử dụng một tập dữ liệu kiểm tra độc lập
với tập dữ liệu đào tạo. Nếu độ chính xác của mơ hình là chấp nhận đƣợc, thì mơ
hình đƣợc sử dụng để phân lớp những dữ liệu tƣơng lai, hoặc những dữ liệu mà giá
trị của thuộc tính phân lớp là chƣa biết [25].
Trong mơ hình phân lớp, thuật tốn phân lớp giữ vai trị trung tâm, quyết
định tới sự thành cơng của mơ hình phân lớp. Do vậy chìa khóa của vấn đề phân lớp
dữ liệu là tìm ra đƣợc một thuật toán phân lớp nhanh, hiệu quả, có độ chính xác cao
và có khả năng mở rộng đƣợc. Trong đó khả năng mở rộng đƣợc của thuật toán
đƣợc đặc biệt chú trọng và phát triển [25].

8

Có thể liệt kê ra đây một số kỹ thuật có thể đƣợc dùng cho phân lớp dữ liệu
[25]:
 Phân lớp cây quyết định (Decision tree classification)
 Bộ phân lớp Bayesian (Bayesian classifier)


Mơ hình phân lớp K-hàng xóm gần nhất (K-nearest neighbor classifier)

 Mạng nơron
 Phân tích thống kê
 Phƣơng pháp tập thô (Rough set Approach).
1.4.3. Phân lớp nhận dạng hành vi
Một khi dữ liệu đã sẵn sàng, một thuật toán phân loại cần phải đƣợc thực
hiện. Nhƣ đã đề cập trƣớc đó, dự đốn hành vi của con ngƣời thƣờng đƣợc coi là
một vấn đề phân loại, sử dụng kỹ thuật học máy dựa trên lý thuyết về xác suất thống
kê. Vào năm 1959, Arthur Samuel định nghĩa học máy nhƣ là một lĩnh vực nghiên
cứu cung cấp cho máy tính khả năng học hỏi mà khơng cần đƣợc lập trình một cách
rõ ràng. Các cơ sở của học máy là chính xác nhƣ Samuel đã mơ tả, nó xây dựng một
mơ hình và phân loại, khả năng học từ dữ liệu vơ hình. Mơ hình đại diện cho đại
diện dữ liệu (thông thƣờng mỗi trƣờng hợp đại diện cho một cửa sổ dữ liệu với kích
thƣớc cố định) và đại diện chức năng trong bƣớc huấn luyện và cuối cùng là phân
loại có thể khái quát hóa cho dữ liệu khơng nhìn thấy. Học máy làm một ngành
khoa học máy tính có liên quan đến vấn đề mà mơ hình cơ bản cho việc dự đốn
hoặc mơ tả phải đƣợc thực hiện, dựa trên những thuộc tính đã biết để huấn luyện từ
bộ dữ liệu huấn luyện [22].
Thuật tốn học máy có thể chia ra thành các loại [22]:
-

Học máy bán giám sát: kỹ thuật cho phép thuật tốn có thể thích nghi với dữ
liệu mới. Một số thuật tốn cho học máy này nhƣ: mơ hình Markov ẩn

9


(HMM), mạng Naïve Bayes, cây quyết định, K-Nearest Neighbours, Máy
vecter hỗ trợ (SVM).
-

Học máy giám sát: sử dụng dữ liệu đƣợc gán nhãn để huấn luyện thuật tốn,
sau đó chúng có thể phân lớp dữ liệu chƣa đƣợc gán nhãn.

-

Học máy khơng giám sát: cố gắng xây dựng mơ hình trực tiếp từ dữ liệu
không đƣợc gán nhãn. Cách tiếp cận này sử dụng ƣớc lƣợng mật độ để tìm
các cụm mẫu tƣơng tự để tạo ra mơ hình học máy.

-

Học máy tăng cƣờng: huấn luyện nhiều học máy để giải quyết cùng một vấn
đề. Khả năng tổng quát của chúng có thể tốt hơn nhiều so với sử dụng một
học máy.

Thu thập dữ liệu:
Tập dữ liệu công
khai

Tiền xử lý:

Chuyển đổi dữ
liệu, phân chia dữ
liệu vào tập huấn
luyện và tập kiểm
tra

Trích chọn tính
năng:
Tính năng miền
thời gian và tính
năng miền tần số

Đánh giá:
Độ chính xác,
ma trận nhầm
lẫn

Phân lớp:
Mạng nơron
tích chập

Hình 1.2. Sơ đồ biểu diễn quy trình học máy [22].
Liên quan đến mục đích mà hệ thống nhận dạng hành vi đƣợc thiết kế, điều
quan trọng là thu thập càng nhiều dữ liệu của từng hoạt động càng tốt, nhƣng không
chỉ số lƣợng là quan trọng, tính chính xác của việc xử lý bản ghi cũng là điều cần
thiết bởi vì các thuật toán dựa rất nhiều vào số liệu. Chủng loại, vị trí và số lƣợng
cảm biến đƣợc sử dụng để thu thập dữ liệu cũng rất quan trọng và so sánh các kết

10

quả của các nghiên cứu chỉ khả thi nếu các điều kiện tƣơng tự nhau, không nhất
thiết phải mô phỏng theo [22].
Các quá trình cần thiết để nhận dạng hành vi của con ngƣời đƣợc tóm tắt
trong hình và về cơ bản nó bao gồm các bƣớc: thu thập dữ liệu chuyển động cho các
hoạt động, tiền xử lý tín hiệu này với các bộ lọc, lấy mẫu lại trong các cửa sổ đƣợc
xác định trƣớc để phân tích và phân lớp dữ liệu. Sau khi lựa chọn thuộc tính, các số
liệu đánh giá cần đƣợc tính tốn và đầu ra của mơ hình phân lớp sẽ cho chúng ta
mỗi thể hiện của các dữ liệu hoạt động là gì [22].

Lựa chọn
thuộc tính

Phân lớp

Hình 1.3. Mơ hình nhận dạng hành vi từ dữ liệu cảm biến trên điện thoại
Android [22].
1.4.4. Tiền xử lý
Các dữ liệu thô thƣờng cần phải đƣợc xử lý trƣớc để cung cấp cho các bộ
công cụ. Dữ liệu thô của cảm biến gia tốc cần đƣợc chia trong các cửa sổ, tuần tự để
chuẩn bị tiền xử lý. Một cách lựa chọn cửa sổ là dựa vào việc nhận đƣợc dự định sẽ
đƣợc thực hiện trong thời gian thực hay không. Đối với các ứng dụng online, các
cửa sổ đƣợc xác định song song với tập dữ liệu, và đối với các ứng dụng offline các
cửa sổ cần xác định trƣớc khi thu thập dữ liệu. Các phƣơng pháp đƣợc sử dụng phổ
biến nhất là cửa sổ trƣợt, các tín hiệu đƣợc chia trong các cửa sổ khơng có khoảng
trống. Tuy nhiên, kế hoạch này có nhƣợc điểm là các kích thƣớc cửa sổ đƣợc thiết
lập một cách tùy tiện, nó có thể dẫn đến việc tách dữ liệu trong một nơi không thuận
tiện, không ghi đƣợc “toàn bộ chu kỳ” của hoạt động cần đƣợc ghi nhận. Kỹ thuật
này có thể đƣợc sử dụng với sự chồng chéo (thông thƣờng là 50%). Trong nghiên
cứu này sẽ sử dụng cửa sổ với kích thƣớc 90 mẫu (tƣơng ứng với 4.5 giây của dữ

liệu) [22].

11


Dữ liệu thô cần chia thành tập huấn luyện và kiểm thử. Tập huấn luyện sẽ
đƣợc sử dụng để đào tạo các thuật toán nhận dạng và tập kiểm thử sau đó sẽ đƣợc
dùng để đánh giá các thuật tốn sau khi đào tạo. Điều này là rất quan trọng để
không sử dụng mẫu thử nghiệm để huấn luyện mô hình để khơng thiên vị kết quả và
đảm bảo phân loại đƣợc đánh giá trong dữ liệu khơng nhìn thấy [22].
1.4.5. Trích chọn tính năng
Đối với mỗi cửa sổ, một số tính năng đƣợc chiết suất để mơ tả các tín hiệu.
Những tính năng này sau đó đƣợc sử dụng nhƣ là đầu vào cho thuật toán nhận dạng,
kết hợp mỗi cửa sổ với một hoạt động. Miền thời gian, miền tần số và các tính năng
miền chuỗi biểu tƣợng có thể đƣợc chiết xuất từ dữ liệu chuyển động. Tuy nhiên,
một sự kết hợp của chúng là một kỳ vọng [22].
 Time-domain features (tính năng miền thời gian) là số liệu toán học và thống
kê đơn giản sử dụng để trích xuất thơng tin tín hiệu cơ bản từ dữ liệu thơ. Nó cũng
có thể đƣợc tính nhƣ dữ liệu đang đƣợc đọc. Thơng thƣờng, tính năng này rất đơn
giản để tính tốn. Bảng 1.2 tóm tắt một số tính năng trong miền thời gian.
Đặc tính
Cơng thức
Dải phân cách
Tách dữ liệu thành hai nửa
trung bình

Ứng dụng
Làm mịn dữ liệu, hiệu
chỉnh trục, phân biệt tƣ
thế khác nhau

Độ chênh lệch std Sự sai khác trung bình bình phƣơng ổn định tín hiệu
phƣơng sai
từ căn bậc hai của phƣơng sai
Nhỏ nhất, lớn nhất, Phạm vi là sự khác biệt giữa giá trị Phân biệt chạy và đi bộ
phạm vi
nhỏ nhất và giá trị lớn nhất
Tổng hợp
Vùng tín hiệu dƣới độ cong dữ liệu Ƣớc tính tốc độ và
khoảng cách
Sự khác nhau
Giữa các tín hiệu trong một sắp xếp So sánh cƣờng độ tín
cặp tín hiệu
hiệu trong 3 trục
Vận tốc góc
Góc giữa trục acc và lực hấp dẫn Xác định hƣớng, phát
đối với 3 trục
hiện ngã
Zero-Crossing
Các điểm nơi tín hiệu đi một nửa Nhận dạng các di
phạm vi tín hiệu
chuyển bƣớc
Vùng độ lớn tín Tổng của vùng dƣới độ lớn của mỗi Tính tốn tiêu hao năng
hiệu
3 trục tín hiệu
lƣợng trong ADL
Bảng 1.2. Tính năng miền thời gian. Cơng thức tương ứng và các ứng dụng [22].

12

 Frequency-domain techniques (miền tần số) nắm bắt đƣợc bản chất tƣơng
ứng của một tín hiệu cảm biến (Figo et al., 2010). Trong tính năng miền tần
số, các cửa sổ dữ liệu cảm biến phải đƣợc chuyển thành miền tần số, sử dụng
các biến đổi Fourier (FFT), đó là một đại diện phổ của tín hiệu. Một đại diện
dựa trên tần số, dựa trên sự phân hủy của một tập các vecor trực giao là biến
đổi Wavelet. Bảng 1.3 cho thấy một số tính năng miền tần số:

Đặc tính
Thành phần DC

Cơng thức
Hệ số đầu tiên trong đại diện
phổ. Trung bình tín hiệu
Năng lƣợng quang Tổng bình phƣơng của hệ số
phổ
quang phổ đƣợc chuẩn hóa bởi
chiều dài của cửa sổ mẫu
Thơng tin entropy
Thơng tin dữ liệu ngẫu nhiên
bình thƣờng của FFT rời rạc hệ
số độ lớn không bao gồm thành
phần DC
Ƣu thế tần số
Giá trị tần số tƣơng ứng tới hệ số
quang phổ tối đa

Ứng dụng
Xác định
chuyển

đƣờng

vận

Sự khác biệt giữa các tín
hiệu với cùng một năng
lƣợng

Quyết định nếu ngƣời
dùng đang đi bộ hoặc
đang chạy
Các hệ số tổng
Tổng kết của một tập hợp các hệ Công nhận một số hoạt
số quang phổ
động
Tổng các hệ số Tổng kết của tất cả các hệ số của Nắm bắt các thay đổi tín
wavelet
phép biến đổi wavelet
hiệu đột ngột. Phát hiện té
ngã
Bảng 1.3. Tính năng miền tần số. Công thức tương ứng và các ứng dụng [22].
Một tính năng khác đƣợc chuyển hóa từ miền chuỗi biểu tƣợng (symbolic
string-domain), nơi mà dữ liệu gia tốc chuyển thành chuỗi các ký hiệu rời rạc, sử
dụng một bảng chữ cái biểu tƣợng để đại diện cho các tín hiệu.
Khi áp dụng các tính năng tính tốn trên một điện thoại thông minh, ta nên
cẩn thận với độ phức tạp tính tốn của chúng, bởi vì các điện thoại thơng minh có
bộ nhớ hạn chế, khả năng xử lý và tuổi thọ của pin. Do đó hầu nhƣ tất cả các tính
năng trong miền thời gian phù hợp hơn cho các thiết bị di động, đƣa vào bảng điểu
các hoạt động tƣơng quan có chi phí cao hơn. Với ngoại lệ của các số liệu dựa trên
biến đổi Wavelet, tất cả các tính năng khác miền tấn số là tốn kém về chi phí tính

tốn [22].

13


1.4.6. Phân lớp dữ liệu
Sau khi lấy ra các tín hiệu tính năng, ta nên áp dụng kỹ thuật học máy để xây
dựng một bộ phân lớp. Năm 2006, học sâu đã xuất hiện nhƣ một lĩnh vực mới của
nghiên cứu học máy. Nó cho phép các mơ hình tính toán đƣợc bao gổm nhiều lớp
để học các đại diện của dữ liệu với nhiều cấp độ trừu tƣợng. Những phƣơng pháp
này cải tiến đáng kể trạng thái của kỹ thuật trong nhận dạng giọng nói, nhận dạng
đối tƣợng thị giác, phát hiện đối tƣợng và nhiều lĩnh vực khác. Học sâu phát hiện ra
cấu trúc phức tạp trong các tập dữ liệu lớn bằng cách sử dụng các thuật toán lan
truyền ngƣợc để chỉ ra làm thế nào một máy sẽ thay đổi các thơng số bên trong của
nó để sử dụng tính tốn các đại diện trong mỗi lớp từ các đại diện trong lớp trƣớc
đó. Mạng tích chập sâu đã đem lại những bƣớc đột phá trong việc xử lý hình ảnh,
video, giọng nói, và âm thanh. Trong nghiên cứu của em, em sử dụng một trong
những thuật tốn học máy thơng thƣờng, CNNs (mạng nơron tích chập). Em sử
dụng nó với dữ liệu đã thu thập đƣợc từ các cảm biến gia tốc trong điện thoại thơng
minh [22].
1.4.7. Đánh giá thuật tốn
Có nhiều cách khác nhau để đánh giá hiệu suất của một thuật toán phân lớp,
cách thƣờng đƣợc dùng nhất là sử dụng ma trận nhầm lẫn với tính chính xác và
đúng đắn. Hiệu quả của bộ phân lớp thƣờng đƣợc đánh giá qua so sánh quyết định
của bộ phân lớp đó với quyết định của con ngƣời khi tiến hành trên một tập kiểm
thử (test set) các văn bản đã đƣợc gán nhãn lớp trƣớc. Có ba độ đo điển hình đƣợc
sử dụng để đánh giá độ hiệu quả của thuật toán phân lớp, đó là độ chính xác P
(precision), độ hồi tƣởng R (recall) và độ đo F-measure [22].

14

CHƢƠNG 2
GIỚI THIỆU MẠNG NƠRON TÍCH CHẬP VÀ CÁC GIẢI
THUẬT LIÊN QUAN
2.1. Mạng Nơron
2.1.1. Giới thiệu về mạng Nơron
Mạng nơron nhân tạo, Artificial Neural Network (ANN) là một mơ hình xử
lý thông tin phỏng theo cách thức xử lý thông tin của các hệ nơron sinh học. Nó
đƣợc tạo nên từ một số lƣợng lớn các phần tử (nơron) kết nối với nhau thông qua
các liên kết (trọng số liên kết) làm việc nhƣ một thể thống nhất để giải quyết một
vấn đề cụ thể nào đó. Một mạng nơron nhân tạo đƣợc cấu hình cho một ứng dụng
cụ thể (nhận dạng mẫu, phân loại dữ liệu,...) thông qua một quá trình học từ tập các
mẫu huấn luyện. Về bản chất học chính là q trình hiệu chỉnh trọng số liên kết
giữa các nơron.
Cấu trúc một nơron nhân tạo:
𝑤𝑘
Hàm truyền
𝑤𝑘

.

.

.

.

ƒ (.)

Z

𝑦𝑘
Đầu ra

Hàm tổng

𝑏𝑘

𝑤𝑘𝑛
Đầu vào

Ngƣỡng

Trọng số liên kết
Hình 2.1. Cấu trúc một nơron nhân tạo [6].

Các thành phần cơ bản của một nơron nhân tạo bao gồm [6]:
 Đầu vào: Là các tín hiệu vào của nơron, các tín hiệu này thƣờng đƣợc đƣa
vào dƣới dạng một vector n phần tử.

15

.


 Tập các liên kết: Mỗi liên kết đƣợc thể hiện bởi một trọng số liên kết
(synaptic weight). Trọng số liên kết giữa tín hiệu vào thứ j với nơron k
thƣờng đƣợc kí hiệu là

. Thơng thƣờng, các trọng số này đƣợc khởi tạo

một cách ngẫu nhiên ở thời điểm khởi tạo mạng và đƣợc cập nhật liên tục
trong quá trình học mạng.
 Bộ tổng

(summing function): là hàm tổng hợp các tín hiệu vào của nơron.

 Ngƣỡng (cịn gọi là một độ lệch - bias): Ngƣỡng này thƣờng đƣợc đƣa vào
nhƣ một thành phần của hàm truyền, đóng vai trị tăng tính thích nghi và khả
năng tính tốn của mạng nơron.
 Hàm truyền ƒ (Transfer function): Còn gọi là hàm kích hoạt hay hàm tích
hợp. Hàm này đƣợc dùng để giới hạn phạm vi đầu ra của mỗi nơron. Nó
nhận đầu vào là kết quả của hàm tổng và ngƣỡng.


Đầu ra: Là tín hiệu đầu ra của một nơron, với mỗi nơron sẽ có tối đa là một
đầu ra.
Xét về mặt toán học, cấu trúc của một nơron k, đƣợc mơ tả bằng cặp biểu

thức sau:
∑

ƒ
Trong đó:
số liên kết của nơron thứ k;
và

là các tín hiệu vào;
là hàm tổng;

là các trọng

là một ngƣỡng; ƒ là hàm truyền

là tín hiệu đầu ra của nơron.
Nhƣ vậy nơron nhân tạo nhận các tín hiệu đầu vào, xử lý (nhân các tín hiệu

này với trọng số liên kết, tính tổng các tích thu đƣợc rồi gửi kết quả tới hàm truyền),
và cho một tín hiệu đầu ra (là kết quả của hàm truyền).
Các hàm truyền phải có các đặc tính sau [6]:
 Hàm có tính đơn điệu.

16