I. Giới thiệu về hệ thống phân loại
Hệ thống phân loại để theo dõi hoạt động thể chất bằng cảm biến gia tốc 3 trục mini được phát triển nhằm ghi lại các mức độ hoạt động khác nhau của con người. Mục tiêu chính của nghiên cứu này là xây dựng một thuật toán phân loại dựa trên k-means có khả năng diễn giải các tín hiệu từ cảm biến gia tốc 3 trục silicon tiêu chuẩn và chuyển đổi chúng thành các cụm hoạt động đã được xác định trước. Hệ thống tập trung vào việc xác định ba lớp hoạt động cơ bản: nghỉ ngơi, đi bộ và chạy. Các lớp này được mở rộng thành các lớp con như các tư thế khác nhau của nghỉ ngơi (nằm, ngồi và đứng), các tốc độ đi bộ khác nhau (chậm, vừa, nhanh, lên và xuống cầu thang) và chạy (chạy bộ, chậm, vừa và tốc độ tối đa). Kết quả cho thấy hệ thống đạt tỷ lệ phân loại thành công 100% cho ba lớp hoạt động cơ bản và 84% cho các lớp con khác nhau của tốc độ đi bộ và chạy.
1.1. Công nghệ cảm biến
Cảm biến gia tốc 3 trục là công nghệ chủ chốt trong việc theo dõi hoạt động thể chất. Các cảm biến này có khả năng ghi lại chuyển động trong ba chiều, cho phép phân tích chính xác hơn về các hoạt động thể chất. Việc sử dụng cảm biến mini giúp giảm thiểu kích thước và trọng lượng, tạo điều kiện thuận lợi cho việc tích hợp vào các thiết bị đeo tay. Hệ thống này không chỉ giúp theo dõi các hoạt động như đi bộ hay chạy mà còn có thể phân biệt giữa các tư thế khác nhau của cơ thể, từ đó cung cấp thông tin chi tiết về mức độ hoạt động của người dùng.
II. Phân tích dữ liệu và thuật toán phân loại
Quá trình phân tích dữ liệu từ cảm biến gia tốc bao gồm việc thu thập và xử lý tín hiệu để xác định các hoạt động thể chất. Các tín hiệu này thường được lưu trữ trong bộ nhớ của thiết bị hoặc truyền đến máy tính qua kết nối không dây để thực hiện việc trích xuất đặc trưng và nhận diện mẫu. Các đặc trưng thường được trích xuất bằng cách sử dụng biến đổi Fourier nhanh (FFT) và biến đổi wavelet, giúp chuyển đổi tín hiệu từ miền thời gian sang miền tần số. Việc áp dụng các phương pháp học máy như cây quyết định, k-nearest neighbor (KNN) và mạng nơ-ron nhân tạo (ANN) đã cho thấy hiệu quả cao trong việc phân loại các hoạt động thể chất. Hệ thống đã đạt được tỷ lệ phân loại chính xác lên đến 90% cho các hoạt động khác nhau, cho thấy tiềm năng ứng dụng trong việc giám sát hoạt động.
2.1. Kết quả và ứng dụng thực tiễn
Kết quả từ hệ thống phân loại cho thấy khả năng phân biệt chính xác giữa các hoạt động như đi bộ, chạy và các tư thế nghỉ ngơi. Điều này không chỉ có ý nghĩa trong việc theo dõi sức khỏe cá nhân mà còn có thể được áp dụng trong các hệ thống giám sát sức khỏe cho những người mắc bệnh tiểu đường. Bằng cách chuyển đổi các hoạt động thành các đơn vị tiêu thụ năng lượng, hệ thống có thể giúp dự đoán mức glucose trong máu dựa trên năng lượng tiêu thụ và năng lượng đã tiêu thụ. Điều này mở ra cơ hội cho việc phát triển các thiết bị hỗ trợ tự theo dõi cho người bệnh, từ đó cải thiện chất lượng cuộc sống.
III. Kết luận và triển vọng tương lai
Hệ thống phân loại để theo dõi hoạt động thể chất bằng cảm biến gia tốc 3 trục mini đã chứng minh được tính khả thi và hiệu quả trong việc phân loại các hoạt động thể chất. Việc phát triển công nghệ này không chỉ giúp nâng cao khả năng giám sát sức khỏe mà còn mở ra hướng đi mới cho các ứng dụng trong lĩnh vực y tế, đặc biệt là trong việc quản lý bệnh tiểu đường. Tương lai, việc tích hợp hệ thống này với các công nghệ cảm biến khác có thể tạo ra một nền tảng mạnh mẽ cho việc theo dõi sức khỏe toàn diện, từ đó giúp người dùng có thể quản lý sức khỏe của mình một cách hiệu quả hơn.
3.1. Hướng phát triển tiếp theo
Các nghiên cứu tiếp theo có thể tập trung vào việc mở rộng khả năng phân loại của hệ thống để bao gồm nhiều hoạt động thể chất hơn, cũng như cải thiện độ chính xác của thuật toán phân loại. Việc tích hợp thêm các cảm biến khác như cảm biến nhịp tim hoặc cảm biến theo dõi dinh dưỡng có thể tạo ra một hệ thống giám sát sức khỏe toàn diện hơn. Điều này không chỉ giúp người dùng theo dõi hoạt động thể chất mà còn hỗ trợ trong việc quản lý chế độ ăn uống và sức khỏe tổng thể.
