Phát Triển Hệ Thống Thời Gian Thực Để Phát Hiện và Theo Dõi Lính Cứu Hỏa Bị Thương

Hệ thống thời gian thực phát hiện và theo dõi lính cứu hỏa bị thương là một công nghệ tiên tiến, giúp… 153 trang · Vietnam National University Hanoi · 2022.

• Tác giả: Pham Van Thanh
• Người hướng dẫn: Assoc. Tran Duc Tan
• Trường học: Vietnam National University Hanoi
• Chuyên ngành: Electronic Engineering
• Đề tài: Hệ Thống Thời Gian Thực Phát Hiện và Theo Dõi Lính Cứu Hỏa Bị Thương Sử Dụng Kỹ Thuật Xử Lý Tín Hiệu Nâng Cao
• Loại tài liệu: doctoral thesis
• Năm xuất bản: 2022
• Địa điểm: Ha Noi

Mục lục chi tiết

• DECLARATION
• ACKNOWLEDGEMENT
• CONTENTS
• LIST OF ABBREVIATIONS
• LIST OF SYMBOLS AND THEIR MEANINGS
• LIST OF FIGURES
• LIST OF TABLES
• 1. THE PURPOSE OF THESIS
• 2. OBJECTIVES AND SCOPE OF THE THESIS
• 3. SCIENTIFIC SIGNIFICANCE AND CONTRIBUTIONS OF THE THESIS
• 4. OVERVIEW OF THE RESEARCH
• 4.1. Related Studies on Injured Detection
• 4.2. Related Studies on Indoor Positioning
• 4.3. The challenges in study on injury detection and indoor positioning
• 5. SYSTEM DESCRIPTION, SENSOR ERRORS ELIMINATION AND MAP PROCESSING
• 5.1. Sensors Errors Elimination
• 5.2. The 3-DOF Accelerometer
• 5.3. The Magnetic Sensor
• 5.4. The MQ7 Sensor
• 6. DEVELOPMENT OF A METHOD TO DETECT INJURED FIREFIGHTERS
• 6.1. Fall Detection Method
• 6.2. Fall Detection Module
• 6.3. Post-fall Recognition Module
• 6.4. The Posture Recognition Estimation
• 6.5. The Vertical Velocity Estimation
• 6.6. Injury Detection for On-Duty Firefighters
• 6.7. The Proposed Fall Detection Algorithm for Firefighter
• 6.8. The Proposed Loss of Physical Performance Detection Algorithm for Firefighter
• 6.9. The CO Detection Algorithm
• 7. RESULT AND DISCUSSION
• 7.1. The Experimental Results
• 7.2. Fall Detection Results
• 7.3. Loss of Physical Performance Detection
• 7.4. The High CO Level Alerting Algorithm
• 7.5. The Comparison on the Experimental Data
• 7.6. The Comparison on Public Datasets
• 8. DEVELOPMENT OF A METHOD TO TRACK ON-DUTY INJURED FIREFIGHTERS
• 8.1. The Step Counting Method
• 8.2. Step Length Estimation
• 8.3. The Proposed Method
• 9. RESULTS AND DISCUSSION
• 9.1. Turning Time and Direction Estimation
• 9.2. Turning Time Estimation
• 9.3. Turning Direction Estimation
• 9.4. Vertical Position Estimation
• 10. INDOOR FIREFIGHTER POSITIONING AND TRACKING USING MULTI-SENSOR DATA FUSION AND MAP MATCHING ALGORITHM
• 10.1. Combining Data Fusion and Map Matching to Detect Indoor Position
• 10.2. The Scenarios Testing
• 11. CONCLUSIONS AND FUTURE WORK
• LIST OF PUBLICATIONS
• THE RELATED PUBLICATIONS

Tóm tắt

I. Tổng quan về Hệ Thống Thời Gian Thực Phát Hiện Lính Cứu Hỏa Bị Thương

Hệ thống thời gian thực phát hiện và theo dõi lính cứu hỏa bị thương là một công nghệ tiên tiến, giúp nâng cao hiệu quả cứu hộ trong các tình huống khẩn cấp. Hệ thống này sử dụng các công nghệ phát hiện lính cứu hỏa và kỹ thuật xử lý tín hiệu nâng cao để theo dõi tình trạng sức khỏe của lính cứu hỏa trong thời gian thực. Việc phát hiện kịp thời các trường hợp bị thương có thể cứu sống nhiều mạng người và giảm thiểu thiệt hại trong các vụ cháy nổ.

1.1. Công Nghệ Phát Hiện Lính Cứu Hỏa Bị Thương

Công nghệ phát hiện lính cứu hỏa bị thương bao gồm các cảm biến và thiết bị theo dõi sức khỏe. Các cảm biến này có khả năng đo lường các chỉ số sinh tồn như nhịp tim, nhiệt độ cơ thể và mức độ oxy trong máu. Việc sử dụng công nghệ IoT trong cứu hỏa giúp kết nối các thiết bị này với hệ thống trung tâm, từ đó cung cấp thông tin kịp thời cho các đội cứu hộ.

1.2. Lợi Ích Của Hệ Thống Thời Gian Thực

Hệ thống thời gian thực không chỉ giúp phát hiện nhanh chóng các trường hợp bị thương mà còn cung cấp thông tin chi tiết về tình trạng của lính cứu hỏa. Điều này giúp các chỉ huy có thể đưa ra quyết định chính xác và kịp thời trong các tình huống khẩn cấp. Hệ thống cũng có thể giảm thiểu rủi ro cho lính cứu hỏa bằng cách cảnh báo trước về các nguy cơ tiềm ẩn.

II. Thách Thức Trong Việc Phát Hiện Lính Cứu Hỏa Bị Thương

Mặc dù công nghệ phát hiện lính cứu hỏa bị thương đã có những bước tiến đáng kể, nhưng vẫn còn nhiều thách thức cần phải vượt qua. Các yếu tố như môi trường làm việc khắc nghiệt, sự phức tạp trong việc thu thập và xử lý dữ liệu là những vấn đề lớn. Hệ thống cần phải hoạt động hiệu quả trong điều kiện khói, nhiệt độ cao và tiếng ồn lớn.

2.1. Khó Khăn Trong Việc Thu Thập Dữ Liệu

Việc thu thập dữ liệu trong môi trường khẩn cấp là một thách thức lớn. Các cảm biến có thể bị hỏng hoặc không hoạt động đúng cách do điều kiện khắc nghiệt. Điều này có thể dẫn đến việc thiếu thông tin quan trọng về tình trạng của lính cứu hỏa, ảnh hưởng đến khả năng cứu hộ.

2.2. Độ Chính Xác Của Các Cảm Biến

Độ chính xác của các cảm biến là yếu tố quyết định trong việc phát hiện lính cứu hỏa bị thương. Các cảm biến cần phải được hiệu chuẩn thường xuyên để đảm bảo rằng dữ liệu thu thập được là chính xác. Nếu không, có thể dẫn đến những quyết định sai lầm trong quá trình cứu hộ.

III. Phương Pháp Phát Hiện Lính Cứu Hỏa Bị Thương Hiệu Quả

Để phát hiện lính cứu hỏa bị thương một cách hiệu quả, cần áp dụng các phương pháp tiên tiến trong xử lý tín hiệu. Các phương pháp này bao gồm việc sử dụng các thuật toán học máy và phân tích dữ liệu lớn để cải thiện độ chính xác trong việc phát hiện và theo dõi tình trạng sức khỏe của lính cứu hỏa.

3.1. Kỹ Thuật Xử Lý Tín Hiệu Nâng Cao

Kỹ thuật xử lý tín hiệu nâng cao cho phép phân tích và xử lý dữ liệu từ các cảm biến một cách hiệu quả. Các thuật toán như Kalman filter và machine learning có thể được áp dụng để cải thiện độ chính xác trong việc phát hiện các trường hợp bị thương.

3.2. Ứng Dụng AI Trong Phát Hiện

Sử dụng trí tuệ nhân tạo (AI) trong phát hiện lính cứu hỏa bị thương giúp tối ưu hóa quy trình phân tích dữ liệu. AI có khả năng học hỏi từ các mẫu dữ liệu trước đó, từ đó cải thiện khả năng phát hiện và dự đoán tình trạng sức khỏe của lính cứu hỏa trong thời gian thực.

IV. Ứng Dụng Thực Tiễn Của Hệ Thống Phát Hiện

Hệ thống phát hiện và theo dõi lính cứu hỏa bị thương đã được áp dụng trong nhiều tình huống thực tế. Các kết quả nghiên cứu cho thấy hệ thống này có thể giảm thiểu rủi ro và nâng cao hiệu quả cứu hộ. Việc theo dõi tình trạng sức khỏe của lính cứu hỏa trong thời gian thực giúp các chỉ huy đưa ra quyết định kịp thời và chính xác.

4.1. Kết Quả Nghiên Cứu Từ Các Tình Huống Thực Tế

Nghiên cứu cho thấy rằng việc áp dụng hệ thống phát hiện lính cứu hỏa bị thương đã giúp giảm thiểu số lượng thương vong trong các vụ cháy lớn. Các dữ liệu thu thập được từ hệ thống đã cung cấp thông tin quý giá cho các nhà nghiên cứu và các cơ quan chức năng.

4.2. Phản Hồi Từ Các Đội Cứu Hỏa

Phản hồi từ các đội cứu hỏa cho thấy hệ thống này đã giúp họ cảm thấy an toàn hơn khi thực hiện nhiệm vụ. Hệ thống cung cấp thông tin kịp thời về tình trạng sức khỏe, giúp họ có thể tập trung vào công việc cứu hộ mà không lo lắng về sự an toàn của bản thân.

V. Kết Luận và Tương Lai Của Hệ Thống Phát Hiện

Hệ thống thời gian thực phát hiện và theo dõi lính cứu hỏa bị thương là một bước tiến quan trọng trong việc bảo vệ an toàn cho lính cứu hỏa. Tương lai của hệ thống này hứa hẹn sẽ còn nhiều cải tiến với sự phát triển của công nghệ. Việc tích hợp các công nghệ mới như AI và IoT sẽ giúp nâng cao hiệu quả và độ chính xác của hệ thống.

5.1. Hướng Phát Triển Trong Tương Lai

Trong tương lai, hệ thống sẽ được cải tiến với các cảm biến mới và thuật toán tiên tiến hơn. Việc tích hợp các công nghệ mới sẽ giúp nâng cao khả năng phát hiện và theo dõi lính cứu hỏa bị thương trong thời gian thực.

5.2. Tầm Quan Trọng Của Nghiên Cứu Liên Tục

Nghiên cứu liên tục về hệ thống phát hiện lính cứu hỏa bị thương là rất cần thiết. Việc cập nhật và cải tiến công nghệ sẽ giúp đảm bảo rằng hệ thống luôn hoạt động hiệu quả và đáp ứng được nhu cầu thực tế trong công tác cứu hộ.

Nội dung chính

Tổng quan luận án

Luận án tiến sĩ kỹ thuật điện tử và truyền thông với đề tài "Development of Real-time Systems to Detect and Track On-Duty Injured Firefighters Using Advanced Signal Processing Techniques" (Nghiên cứu phát triển hệ thống thời gian thực phát hiện và theo dõi lính cứu hỏa bị thương khi làm nhiệm vụ sử dụng các kỹ thuật xử lý tín hiệu nâng cao) được thực hiện bởi nghiên cứu sinh Phạm Văn Thành, dưới sự hướng dẫn của PGS. Trần Đức Tân tại Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội (mã số chuyên ngành: 9 52 02 03.01).

Tính cấp thiết và khoảng trống nghiên cứu

Theo các số liệu thống kê được tác giả trích dẫn từ tài liệu quốc tế, trong năm 2015 tại Hoa Kỳ đã có 68.085 lính cứu hỏa bị thương và 64 người hy sinh khi đang làm nhiệm vụ. Trong đó, chấn thương trực tiếp trên hiện trường chữa cháy chiếm tỷ lệ cao nhất với khoảng 29.130 vụ (tương đương 43%), tiếp theo là các tình huống khẩn cấp phi hỏa hoạn (19%), huấn luyện (11%), di chuyển đến/về từ hiện trường (6%) và các nhiệm vụ khác (21%). Tại Việt Nam, số liệu thống kê ghi nhận 2.357 vụ cháy trong năm 2014 và 2.792 vụ cháy trong năm 2015.

Lính cứu hỏa khi thực thi nhiệm vụ chữa cháy và cứu nạn cứu hộ trong các công trình kín thường xuyên phải đối mặt với môi trường khắc nghiệt, khói độc, sụp đổ cấu trúc và giảm tầm nhìn. Các thiết bị an toàn cá nhân hiện hữu như hệ thống cảnh báo chuyển động PASS (Personal Alert Safety System) bộc lộ nhược điểm lớn khi chỉ kích hoạt còi báo động âm thanh 95 dB sau một khoảng thời gian bất động nhất định; âm thanh này dễ bị lấn át bởi tiếng ồn động cơ, còi xe chữa cháy và hệ thống chữa cháy tại hiện trường (như các vụ hỏa hoạn tại kho lạnh Worcester khiến 6 lính cứu hỏa tử vong và cửa hàng Charleston Sofa Super Store khiến 9 lính cứu hỏa tử vong). Mặt khác, các hệ thống định vị trong nhà dựa vào hạ tầng lắp đặt sẵn (như Wi-Fi, UWB, RFID, trạm thu phát) dễ bị nhiệt độ cao hoặc ngọn lửa phá hủy, trong khi tín hiệu định vị vệ tinh GPS bị suy hao nghiêm trọng không thể hoạt động bên trong tòa nhà. Do đó, khoảng trống nghiên cứu đặt ra là cần xây dựng một giải pháp tích hợp mang tính độc lập hạ tầng, kết hợp giữa việc phát hiện tai nạn/mất khả năng vận động và giám sát quỹ đạo vị trí thời gian thực.

Mục tiêu nghiên cứu

Tác giả xác định mục tiêu trọng tâm là nghiên cứu và phát triển phương pháp phát hiện chấn thương và theo dõi vị trí lính cứu hỏa theo thời gian thực trong điều kiện hỏa hoạn, thông qua việc giải quyết 5 nhiệm vụ cụ thể:

1. Thu thập, phân tích và tổng quan các tài liệu nghiên cứu liên quan về định vị trong nhà và phát hiện chấn thương.
2. Lựa chọn cảm biến, thiết kế phần cứng hệ thống đề xuất, hiệu chuẩn cảm biến, kết hợp dữ liệu đa cảm biến và xử lý bản đồ công trình.
3. Phân loại các trạng thái hoạt động và xây dựng thuật toán phát hiện lính cứu hỏa bị ngã hoặc suy giảm khả năng vận động.
4. Ước lượng số bước chân, chiều dài bước chân, góc quay, hướng rẽ và độ cao để theo dõi, xác định vị trí trong nhà.
5. Tối ưu hóa thuật toán dựa trên mô hình cây quyết định (Decision Tree) nhằm giảm độ phức tạp tính toán, tiết kiệm năng lượng và đáp ứng yêu cầu xử lý thời gian thực.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: Tín hiệu chuyển động cơ học (gia tốc, vận tốc góc, từ trường), áp suất khí quyển và nồng độ khí độc CO ghi nhận từ lính cứu hỏa khi thực hiện các hoạt động đặc thù; các thuật toán xử lý tín hiệu, lọc nhiễu, phân loại trạng thái và khớp bản đồ.
• Phạm vi không gian: Không gian bên trong các tòa nhà, công trình kín không có sẵn hạ tầng thu phát sóng hỗ trợ.
• Phạm vi thời gian: Quá trình nghiên cứu và thu thập dữ liệu được thực hiện trong giai đoạn từ tháng 09/2017 đến tháng 08/2021.

---

Tổng quan tài liệu và vị trí của luận án

Luận án đã hệ thống hóa các công trình nghiên cứu trong nước và quốc tế liên quan đến hai mảng chính:

Nghiên cứu về phát hiện ngã và phát hiện chấn thương

Tác giả phân tích các nhóm tiếp cận hiện có:

• Phương pháp sử dụng camera thị giác và camera chiều sâu: Các nghiên cứu sử dụng Microsoft Kinect hoặc camera quang học để xử lý hình ảnh nhận diện ngã. Hạn chế cốt lõi trong môi trường chữa cháy là khói đặc làm mất tầm nhìn hoàn toàn, phạm vi bao phủ góc quay hẹp và vấn đề bảo mật hình ảnh cá nhân.
• Hệ thống dựa trên thiết bị đeo gắn trên nhiều vị trí cơ thể: Một số nghiên cứu bố trí cảm biến gia tốc tại ngực, eo, đùi hoặc mắt cá chân. Cách tiếp cận này gây vướng víu, cản trở sự linh hoạt khi lính cứu hỏa mang vác trang thiết bị nặng.
• Hệ thống cảm biến tích hợp trên điện thoại thông minh hoặc vòng đeo tay: Cảm biến trên vòng tay dễ bị nhiễu bởi các chuyển động vung tay thông thường (ADLs); cảm biến trên điện thoại thông minh có sự khác biệt lớn về phần cứng giữa các hãng sản xuất và thiếu cảm biến chuyên dụng.
• Hệ thống kết hợp đa cảm biến gắn ở thắt lưng: Điển hình là nghiên cứu của Paola Pierleoni và cộng sự (2015) tích hợp gia tốc kế, con quay hồi chuyển, từ kế và áp kế để phát hiện ngã cho người cao tuổi dựa trên 4 đặc trưng (va chạm, hậu quả, tư thế và thay đổi độ cao). Tuy nhiên, phương pháp này chưa tính đến các trạng thái vận động mạnh và phức tạp của lính cứu hỏa như bò trườn hoặc trườn rồi ngã.
• Dự án Proetex: Tích hợp đa cảm biến sinh học và môi trường (gia tốc kế, nhịp thở, nhịp tim, nhiệt độ, dòng nhiệt, CO, CO2, SpO2) truyền qua Wi-Fi, nhưng thuật toán phát hiện ngã còn đơn giản, dễ nhận diện sai khi lính cứu hỏa bò sát sàn.

Nghiên cứu về định vị trong nhà

• Nhóm sử dụng hạ tầng cố định: Sử dụng Wi-Fi, trạm phát UWB, sóng siêu âm, mạng cảm biến không dây hoặc radar Doppler. Nhóm này đạt độ chính xác cao nhưng chi phí lắp đặt lớn và dễ bị vô hiệu hóa khi xảy ra cháy nổ.
• Nhóm định vị quán tính độc lập (PDR - Pedestrian Dead Reckoning): Sử dụng thiết bị đo quán tính (IMU) gắn trên người. Phương pháp này phù hợp cho môi trường khẩn cấp nhưng vấp phải hiện tượng trôi sai số (drift error) và sai số tích lũy tăng nhanh theo thời gian khi thực hiện tích phân bậc hai tín hiệu gia tốc.

Khoảng trống nghiên cứu được lựa chọn giải quyết

Luận án tập trung giải quyết bài toán: Thiết kế một thiết bị phần cứng nhỏ gọn đặt trong túi quần, sử dụng mô hình kết hợp dữ liệu đa cảm biến (gia tốc 3 trục, từ trường 3 trục, áp suất BMP180, khí MQ7) kết hợp xử lý bản đồ hình thái học để vừa nhận diện chính xác các tình huống chấn thương đặc thù (ngã từ tư thế đứng, ngã khi đang bò, ngất xỉu/bất động, ngộ độc CO), vừa định vị chính xác vị trí lính cứu hỏa mà không phụ thuộc vào hạ tầng bên ngoài.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và các công thức toán học

Luận án xây dựng các mô hình toán học và xử lý tín hiệu phục vụ từng khối chức năng:

1. Hiệu chuẩn cảm biến gia tốc và loại bỏ sai số hệ thống: Hệ số tỷ lệ $K$ và giá trị bù $Offset$ trên từng trục được xác định qua phép đo tại hai vị trí hướng cực dương ($a^+$) và cực âm ($a^-$): $$Offset = \frac{a'+ + a'-}{2}$$ $$A = a - Offset$$ Giá trị độ lớn gia tốc căn bậc hai trung bình (RMS) chuẩn hóa theo gia tốc trọng trường ($g = 9.81\text{ m/s}^2$): $$Acc(t) = \frac{\sqrt{Ax^2 + Ay^2 + Az^2}}{g}$$

2. Lọc sai số ngẫu nhiên bằng bộ lọc Kalman đơn giản (Simple Kalman Filter): Được áp dụng cho tín hiệu gia tốc, từ trường và áp suất nhằm làm mịn tín hiệu mà không làm biến dạng đặc tính chuyển động:

   • Cập nhật thời gian: $\hat{x}k^- = \hat{x}{k-1}$, $P_k^- = P_{k-1}$
   • Cập nhật đo lường: $$K_k = \frac{P_k^-}{P_k^- + R}$$ $$\hat{x}_k = \hat{x}_k^- + K_k(z_k - \hat{x}_k^-)$$ $$P_k = (1 - K_k)P_k^-$$

3. Mô hình tính toán độ cao từ áp suất khí quyển: Sử dụng công thức suy giảm áp suất theo độ cao chuẩn quốc tế: $$H_k = 44330 \times \left[1 - \left(\frac{P_k}{P_0}\right)^{\frac{1}{5.255}}\right]$$ Trong đó $P_k$ là áp suất đo được tại thời điểm $k$, $P_0 = 1013.25\text{ hPa}$ là áp suất chuẩn tại mực nước biển.

4. Xử lý bản đồ bằng toán học hình thái (Mathematical Morphology):

   • Phép giãn (Dilation): $A \oplus B = {z \mid (\hat{B})_z \cap A \neq \emptyset}$
   • Phép co (Erosion): $A \ominus B = {z \mid (B)_z \subseteq A}$
   • Thuật toán loang (Flood Fill Algorithm): Xác định diện tích sàn và tỷ lệ chuyển đổi giữa số lượng điểm ảnh (pixel) và khoảng cách thực tế (cm).

Phương pháp nghiên cứu thực tế

• Thiết kế thực nghiệm phần cứng: Thiết bị phát (Transmitter) tích hợp vi điều khiển, khối IMU đo 9 bậc tự do (gia tốc, con quay hồi chuyển, từ kế), cảm biến áp suất BMP180, cảm biến khí MQ7 và module thu phát sóng nRF24L01. Tần số lấy mẫu được thiết lập ở mức 50 Hz ($Fs = 50\text{ Hz}$). Thiết bị thu (Receiver) đặt tại trạm chỉ huy bên ngoài tòa nhà kết nối máy tính hiển thị.
• Thực nghiệm thu thập dữ liệu: Thu thập dữ liệu thực nghiệm trên các tình nguyện viên thực hiện các chuỗi hành động: đi bộ bình thường, đi bộ nhanh, đi bộ chậm ngắt quãng, chạy, bò trườn, đổi hướng rẽ, đi thang máy, ngã về phía trước, ngã đập đầu gối, ngất xỉu và tiếp xúc với nồng độ khí CO trong các đám cháy thử nghiệm.
• Bộ dữ liệu kiểm chứng: Sử dụng dữ liệu đo đạc thực tế của tác giả kết hợp đối chiếu trên các bộ dữ liệu công cộng quốc tế như SisFall và MobiFall.

Thành phần hệ thống	Cảm biến / Module	Vai trò / Thông số
Gia tốc 3 trục	3-DOF Accelerometer	Đo chuyển động các trục $Ax, Ay, Az$, lấy mẫu 50 Hz, nhận diện ngã
Từ trường 3 trục	3-DOF Magnetometer	Đo biến thiên từ trường Trái đất ($Mx, My, Mz$), nhận diện góc rẽ
Áp suất khí quyển	Barometer BMP180	Đo áp suất môi trường, ước lượng độ cao tầng ($H_k$), phân biệt thang máy
Nồng độ khí CO	MQ7 Sensor	Dải đo 20–2000 ppm CO, cảnh báo thời điểm sử dụng bình khí thở SCBA
Thu phát không dây	Module nRF24L01	Truyền dữ liệu thời gian thực từ trong nhà ra trạm chỉ huy
Phần mềm xử lý	MATLAB 2019b / C nhúng	Hiệu chuẩn từ kế (magcal), lọc Kalman, khớp bản đồ và hiển thị

---

Nội dung chính theo từng chương

Chương 1: Tổng quan nghiên cứu (Overview of the Research)

Chương này tổng kết bức tranh tổng thể về các nguy cơ chấn thương của lính cứu hỏa trong thực tế và phân tích toàn diện các nghiên cứu đã công bố về hệ thống phát hiện chấn thương và định vị trong nhà. Tác giả chỉ ra rằng các giải pháp phát hiện ngã truyền thống dành cho người cao tuổi không thể áp dụng trực tiếp cho lính cứu hỏa do sự khác biệt lớn về cường độ vận động và các tư thế di chuyển đặc thù (như bò thấp người dưới tầng khói). Đồng thời, việc phân tích chi tiết các vụ tai nạn hỏa hoạn lịch sử tại Mỹ đã làm rõ tính cấp thiết của việc xây dựng một hệ thống giám sát thời gian thực tự chủ, không phụ thuộc vào hạ tầng viễn thông công cộng hay các điểm truy cập lắp đặt sẵn.

Chương 2: Mô tả hệ thống, khử sai số cảm biến và xử lý bản đồ (System Description, Sensor Errors Elimination and Map Processing)

Nội dung chương 2 tập trung vào cấu trúc phần cứng và các thuật toán tiền xử lý dữ liệu:

• Kiến trúc hệ thống: Thiết bị phát nhỏ gọn được đặt trong túi quần phía trước của lính cứu hỏa, sao cho trục $Ay$ song song với phương của trọng lực Trái đất (giá trị danh định $[0, 1, 0]$ g).
• Khử sai số cảm biến: Áp dụng thuật toán cân chỉnh hệ số $K$ và $Offset$ cho cảm biến gia tốc; sử dụng hàm magcal trong MATLAB để đưa phân bố tín hiệu từ kế về gốc tọa độ; áp dụng bộ lọc Kalman đơn giản để làm mịn dữ liệu gia tốc, từ trường và áp suất mà vẫn bảo toàn biên dạng đặc trưng của chuyển động.
• Xử lý bản đồ: Chuyển đổi bản đồ mặt bằng kiến trúc từ ảnh màu sang ảnh nhị phân với ngưỡng phân chia 0.5. Ứng dụng phép co và giãn hình thái học với phần tử cấu trúc $(7 \times 7)$ để giữ lại các bức tường chính và phần tử cấu trúc $(4 \times 4)$ để giữ lại cầu thang, cửa sổ; đồng thời loại bỏ các vật dụng nội thất không cố định (bàn, ghế, giường). Thuật toán loang (Flood Fill) được áp dụng để xác định ranh giới không gian kín và tính toán tỷ lệ xích giữa pixel ảnh và kích thước vật lý thực tế.

Chương 3: Phát triển phương pháp phát hiện lính cứu hỏa bị thương (Development of a Method to Detect Injured Firefighters)

Chương này trình bày chi tiết thuật toán phát hiện ngã, mất khả năng vận động và giám sát khí CO:

• Thuật toán phát hiện ngã (Fall Detection): Dựa trên việc phân tích 3 giai đoạn của một sự kiện ngã gồm: giai đoạn rơi tự do (giá trị gia tốc $Acc$ giảm xuống dưới ngưỡng dưới LFT), giai đoạn va chạm tiếp đất (gia tốc $Acc$ tăng vọt vượt ngưỡng trên UFT trong khoảng thời gian $tFE < t_{threshold}$) và giai đoạn bất động sau ngã. Khối nhận diện sau ngã (Post-fall Recognition) kiểm tra tư thế người sau 2 giây thông qua góc nghiêng $\theta$ giữa trục $Ay$ và vector trọng lực, góc chúc ngẩng (Pitch) và góc nghiêng ngang (Roll), kết hợp vận tốc thẳng đứng $v_{threshold}$.
• Thuật toán phát hiện mất khả năng vận động (Loss of Physical Performance): Nhận diện các tình huống lính cứu hỏa bị kiệt sức, ngất xỉu khi đang bò trườn thông qua hai ngưỡng chuyển động $Lumov$ và $Ll_mov$, kết hợp biến thiên độ cao $\Delta Altitude$ từ cảm biến áp suất để loại trừ trường hợp đứng yên trong thang máy đang di chuyển.
• Thuật toán cảnh báo nồng độ khí CO: Giám sát liên tục nồng độ CO từ cảm biến MQ7, phân cấp các mức độ nguy hiểm đối với sức khỏe (dựa trên mức tích tụ carboxyhemoglobin - COHb trong máu) để phát tín hiệu khuyến nghị thời điểm lính cứu hỏa bắt đầu bật bình khí nén SCBA, giúp tối ưu hóa thời gian sử dụng lượng khí nén vốn chỉ duy trì được từ 30 đến 60 phút.

Chương 4: Phát triển phương pháp theo dõi lính cứu hỏa bị thương khi làm nhiệm vụ (Development of a Method to Track On-Duty Injured Firefighters)

Chương 4 giải quyết các bài toán thành phần trong việc theo dõi chuyển động bước chân và hướng di chuyển:

• Đếm bước chân chính xác cao: Đề xuất thuật toán dựa trên 4 đặc trưng cốt lõi: khoảng cách cực trị tối thiểu ($D$), độ nổi bật đỉnh tối thiểu (minimal peak prominence), ngưỡng động thích nghi ($AverD, ThD$) và loại bỏ rung lắc ($VibEli$). Kết hợp kiểm tra tính tuần hoàn ($T_i = |t_{Peak(i+1)} - t_{Peak(i)}|$) và tính tương đồng ($S_i$) để loại bỏ hoàn toàn các bước đi giả mạo do rung lắc cơ thể khi đứng yên.
• Ước lượng chiều dài bước chân thích nghi (Adaptive Step Length Estimation): Cải tiến mô hình dựa trên độ dịch chuyển hông bằng cách kết hợp biên độ gia tốc 3 trục và hệ số điều chỉnh $K$ phụ thuộc vào chiều cao của từng cá nhân và trạng thái di chuyển, nâng cao độ chính xác so với các mô hình cố định của Weinberg (2002) hay Gu-Min Jeong.
• Ước lượng thời điểm và hướng rẽ: Khi thiết bị đặt trong túi quần, trục $My$ song song trọng lực nên ít biến thiên từ trường, trong khi hai trục $Mx$ và $Mz$ ghi nhận sự thay đổi rõ rệt khi người đổi hướng. Bằng cách tính toán giá trị $MaxMin_X(i)$, $MaxMin_Z(i)$ và chuẩn hóa thành $Mx_normal, Mz_normal$, thuật toán xác định chính xác thời điểm rẽ và hướng rẽ (rẽ trái, rẽ phải, quay đầu).
• Ước lượng vị trí tầng theo phương thẳng đứng: Giám sát sự thay đổi áp suất để nhận diện chính xác trạng thái di chuyển giữa các tầng nhà qua cầu thang bộ hoặc thang máy (ví dụ di chuyển từ tầng 7 xuống tầng 2 hoặc từ tầng 3 lên tầng 4).

Chương 5: Định vị và theo dõi lính cứu hỏa trong nhà sử dụng kết hợp đa cảm biến và thuật toán khớp bản đồ (Indoor Firefighter Positioning and Tracking Using Multi-Sensor Data Fusion and Map Matching Algorithm)

Chương cuối cùng tổng hợp kết quả của các thuật toán thành phần (số bước, độ dài bước, hướng rẽ, cao độ tầng, trạng thái ngã/bất động) và tích hợp với thuật toán khớp bản đồ đã đơn giản hóa:

• Tiến hành thử nghiệm thực tế qua nhiều kịch bản di chuyển có độ phức tạp tăng dần trong tòa nhà:
  • Kịch bản tự do ngắn: 16 bước chân với 3 lần đổi hướng rẽ.
  • Kịch bản hành lang thẳng: 122 bước chân với 2 lần đổi hướng rẽ từ điểm đầu đến điểm cuối hành lang.
  • Kịch bản chu vi: 248 bước chân với 3 lần đổi hướng rẽ từ ngoài vào và đi vòng quanh hành lang.
  • Kịch bản phòng - hành lang: 111 bước chân với 5 lần đổi hướng rẽ từ trong phòng ra hành lang.
  • Kịch bản phức hợp: 148 bước chân với 7 lần đổi hướng rẽ và 163 bước chân với 10 lần đổi hướng rẽ (di chuyển từ đầu hành lang vào phòng, quay đầu và đi đến cuối hành lang).
• Kết quả thực nghiệm cho thấy quỹ đạo ước lượng bám sát thực tế, không xảy ra hiện tượng vị trí ước lượng bị xuyên qua các bức tường kiên cố nhờ sự hỗ trợ điều chỉnh tự động của thuật toán khớp bản đồ.

---

Kết quả và những đóng góp mới

Những đóng góp mới về mặt khoa học và kỹ thuật

Theo công bố của tác giả, luận án mang lại hai đóng góp mới chính:

1. Mô hình kết hợp dữ liệu đa cảm biến toàn diện: Đã đề xuất phương pháp kết hợp đồng thời dữ liệu từ gia tốc kế 3 trục, con quay hồi chuyển 3 trục, từ kế 3 trục, cảm biến áp suất BMP180 và cảm biến khí MQ7. Mô hình này cho phép:
   • Phát hiện chính xác sự kiện ngã và tình trạng mất khả năng vận động (kể cả khi đang bò).
   • Đo lường và cảnh báo nồng độ CO cao theo thời gian thực nhằm tối ưu hóa thời gian sử dụng bình khí thở SCBA.
   • Ước lượng đồng thời số bước, chiều dài bước, vị trí thẳng đứng (số tầng) và thời điểm/hướng rẽ của lính cứu hỏa.
2. Phương pháp đếm bước chân chính xác cao: Phát triển thuật toán đếm bước chân mới dựa trên 4 đặc trưng: khoảng cách đỉnh tối thiểu ($D$), độ nổi bật đỉnh tối thiểu, ngưỡng động thích nghi ($AverD, ThD$) và triệt tiêu rung lắc ($VibEli$). Thuật toán giải quyết triệt để hiện tượng đếm thừa bước do các rung động không phải bước đi và hiện tượng đếm thiếu bước ở các tốc độ di chuyển khác nhau.

Bảng tổng hợp các đặc trưng kỹ thuật và ngưỡng đề xuất trong luận án

Thuật toán / Mô-đun	Các đặc trưng / Tham số chính	Mục đích / Ý nghĩa kỹ thuật
Loại bỏ sai số ngẫu nhiên	Bộ lọc Kalman đơn giản ($A=1, P=1, u=0, Q=0$)	Làm mịn tín hiệu gia tốc, từ trường, áp suất; tiết kiệm thời gian tính toán
Phát hiện ngã	Ngưỡng dưới LFT, ngưỡng trên UFT, thời gian $tFE$	Nhận diện 3 giai đoạn: rơi tự do, va chạm tiếp đất và trạng thái nằm yên
Nhận diện sau ngã	Góc $\theta$ (giữa $Ay$ và trọng lực), Pitch, Roll, $v_{threshold}$	Xác nhận tư thế nằm bất động sau 2 giây kể từ va chạm
Phát hiện mất vận động	Ngưỡng chuyển động $Lumov, Ll_mov$, biến thiên $\Delta Altitude$	Phát hiện kiệt sức khi bò trườn; phân biệt với trạng thái đi thang máy
Đếm bước chân	4 đặc trưng: $D$, độ nổi bật đỉnh, $AverD/ThD, VibEli$	Triệt tiêu rung lắc ($VibEli$), thích nghi tốc độ đi chậm, thường, nhanh
Ước lượng độ dài bước	Biên độ gia tốc 3 trục kết hợp hệ số $K$ theo chiều cao	Tính toán chiều dài bước chân thích nghi theo thể trạng người dùng
Xác định hướng rẽ	Tích hợp biến thiên hai trục từ trường $Mx, Mz$	Ước lượng thời điểm và hướng rẽ trái/phải/quay đầu khi đeo ở túi quần
Đơn giản hóa bản đồ	Phép co/giãn ảnh với phần tử $(7 \times 7)$ và $(4 \times 4)$	Loại bỏ nội thất (bàn, ghế), giữ lại tường, cầu thang phục vụ khớp vị trí

---

Hạn chế và hướng nghiên cứu tiếp

Căn cứ theo các nội dung được tác giả trình bày trong luận án:

• Hạn chế: Hệ thống được thiết kế với giả định vị trí mang thiết bị cố định trong túi quần phía trước của lính cứu hỏa để đảm bảo trục $Ay$ hướng theo phương trọng lực. Trong một số tư thế vận động đặc biệt phức tạp hoặc khi thiết bị bị xoay lệch vị trí trong túi, độ chính xác của việc xác định hướng từ trường có thể bị ảnh hưởng cục bộ. Ngoài ra, việc thử nghiệm nồng độ khí CO chủ yếu tập trung vào các kịch bản thực nghiệm có kiểm soát.
• Hướng phát triển tiếp theo: Tối ưu hóa sâu hơn nữa các thuật toán nhúng trên vi điều khiển năng lượng thấp; mở rộng thử nghiệm trong các diễn tập chữa cháy quy mô lớn với nhiều lực lượng cùng tham gia; tích hợp thêm các cảm biến sinh trắc học và phát triển cơ chế tự động bù sai lệch hướng đeo của thiết bị.

---

Giá trị tham khảo

Luận án là tài liệu chuyên khảo có giá trị ứng dụng và học thuật đối với:

• Nghiên cứu sinh, học viên cao học và kỹ sư ngành Điện tử - Viễn thông, Kỹ thuật Y sinh, Hệ thống Nhúng và IoT: Cung cấp tài liệu tham khảo chi tiết về các thuật toán xử lý tín hiệu cảm biến quán tính (IMU), kỹ thuật lọc Kalman đơn giản hóa, thuật toán PDR thích nghi và xử lý ảnh hình thái học trong khớp bản đồ.
• Cán bộ nghiên cứu và giảng viên tại các trường Cảnh sát, Phòng cháy chữa cháy (UFPF): Tham khảo mô hình phân tích vận động, các chỉ số an toàn sinh mạng của lính cứu hỏa trong môi trường khói độc và hỏa hoạn.
• Các đơn vị phát triển thiết bị cứu hộ cứu nạn: Cung cấp giải pháp phần cứng và thuật toán thực tế để chế tạo các thiết bị giám sát an toàn cá nhân thế hệ mới có khả năng định vị độc lập, không phụ thuộc vào sóng vô tuyến ngoại vi.

---

Câu hỏi thường gặp

1. Tại sao hệ thống cảnh báo PASS truyền thống của Mỹ lại không đạt hiệu quả cao trong các vụ cháy lớn?
Hệ thống PASS sử dụng còi báo động âm thanh cường độ 95 dB khi người dùng bất động. Trong các vụ cháy thực tế quy mô lớn (như vụ cháy kho lạnh Worcester hay siêu thị Charleston), âm thanh này bị triệt tiêu và lấn át bởi tiếng ồn của động cơ xe chữa cháy, tiếng còi hú, hệ thống phun nước và tiếng sụp đổ công trình, khiến đồng đội bên ngoài không thể nghe thấy để định vị nạn nhân.

2. Tại sao tác giả lựa chọn mô hình Cây quyết định (Decision Tree) thay vì các mô hình học máy (Machine Learning) phức tạp?
Mô hình Cây quyết định đòi hỏi chi phí tính toán thấp, không tốn nhiều tài nguyên bộ nhớ và xử lý của vi điều khiển. Điều này giúp hệ thống nhúng tiết kiệm năng lượng tiêu thụ, kéo dài thời lượng pin và đảm bảo khả năng phản hồi thông tin theo thời gian thực tại hiện trường.

3. Làm thế nào hệ thống phân biệt được giữa việc lính cứu hỏa bị ngất xỉu bất động với việc người đó đang đứng yên trong thang máy di chuyển?
Hệ thống kết hợp dữ liệu gia tốc kế với cảm biến áp suất khí quyển BMP180. Khi đứng trong thang máy di chuyển, dữ liệu gia tốc không xuất hiện dao động bước chân nhưng độ cao tính toán ($\Delta Altitude$) thay đổi liên tục theo quy luật di chuyển tầng, giúp thuật toán phân biệt chính xác với trường hợp bất động do chấn thương trên một mặt phẳng sàn.

4. Bốn đặc trưng mới được đề xuất trong thuật toán đếm bước chân của luận án là gì?
Bốn đặc trưng bao gồm: Khoảng cách đỉnh tối thiểu ($D$), độ nổi bật đỉnh tối thiểu (minimal peak prominence), ngưỡng động thích nghi ($AverD, ThD$) và loại bỏ rung lắc ($VibEli$). Các đặc trưng này kết hợp cùng tính tuần hoàn và tính tương đồng giúp loại trừ các dao động giả mạo khi người dùng lắc lư hoặc thay đổi tư thế mà không di chuyển.

5. Cảm biến khí MQ7 đóng vai trò gì trong việc kéo dài thời gian làm việc của lính cứu hỏa?
Bình khí nén tự thở (SCBA) có dung tích giới hạn chỉ đủ dùng từ 30 đến 60 phút. Cảm biến MQ7 gắn trên mặt nạ đo nồng độ khí CO thời gian thực; khi nồng độ CO ở mức an toàn, hệ thống báo hiệu để lính cứu hỏa sử dụng không khí tự nhiên, và chỉ kích hoạt cảnh báo bật bình khí SCBA khi nồng độ CO vượt ngưỡng nguy hiểm, giúp bảo tồn lượng khí sạch cho các tình huống khẩn cấp.

---

Kết luận

Luận án của tác giả Phạm Văn Thành đã giải quyết trọn vẹn bài toán tích hợp giữa phát hiện chấn thương và định vị vị trí lính cứu hỏa trong nhà theo thời gian thực mà không cần lắp đặt trước hạ tầng thu phát sóng. Thông qua việc kết hợp dữ liệu đa cảm biến (IMU, BMP180, MQ7) với bộ lọc Kalman, mô hình cây quyết định và các phép toán hình thái học xử lý bản đồ, hệ thống đạt độ chính xác cao trong việc nhận diện ngã, mất khả năng vận động và vẽ lại quỹ đạo di chuyển phức tạp. Toàn bộ các thuật toán và mô hình phần cứng đề xuất đã được kiểm chứng thực nghiệm chặt chẽ, mang lại giá trị khoa học và tiềm năng ứng dụng thực tiễn trong công tác chữa cháy và cứu nạn cứu hộ.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY HA NOI UNIVERSITY OF ENGINEERING AND TECHNOLOGY PHAM VAN THANH DEVELOPMENT OF REAL-TIME SYSTEMS TO DETECT AND TRACK ON-DUTY INJURED FIREFIGHTERS USING ADVANCED SIGNAL PROCESSING TECHNIQUES DOCTORAL THESIS IN ELECCTRONICS AND TELECOMMUNICATIONS ENGINEERING Ha Noi - 2022 VIETNAM NATIONAL UNIVERSITY HA NOI UNIVERSITY OF ENGINEERING AND TECHNOLOGY PHAM VAN THANH DEVELOPMENT OF REAL-TIME SYSTEMS TO DETECT AND TRACK ON-DUTY INJURED FIREFIGHTERS USING ADVANCED SIGNAL PROCESSING TECHNIQUES Major: Electronic Engineering Code: 9 52 02 03.01 DOCTORAL THESIS IN ELECCTRONICS AND TELECOMMUNICATIONS ENGINEERING Supervised by: Assoc. Tran Duc Tan Ha Noi - 2022 DECLARATION “I hereby declare that the work contained in this thesis is of my own, and it has been written by myself under the supervison of Professor Tran Duc Tan at Faculty of Electrical and Electronic Engineering, Phenikaa University, Hanoi, Vietnam during the period from September 2017 to August 2021. The thesis has not been previously submitted for a degree or diploma at this or any other higher education institution. I have duly acknowledged all the sources of information which have been used in the thesis.

The thesis content has been partly published in my list of publications as below: 1. Pham Van Thanh, Tuan Khai Nguyen, Duc Anh Nguyen, Nhu Dinh Dang, Huu Tue Huynh, Duc-Tan Tran*, “Adaptive Step Length Estimation Support Indoor Positioning System using Low-Cost Inertial Measurement Units”, 2020 IEEE Eighth International Conference on Communications and Electronics, pp. Pham Van Thanh, Le Quang Bon, Nguyen Duc Anh, Dang Nhu Dinh, Huynh Huu Tue, Tran Duc Tan, "Multi-Sensor Data Fusion in A Real-Time Support System for On-Duty Firefighters", Sensors 2019 (ISSN: 1424-8220 – SCIE). Van Thanh Pham, Duc Anh Nguyen, Nhu Dinh Dang, Hong Hai Pham, Van An Tran, Kumbesan Sandrasegaran and Duc-Tan Tran, “Highly Accurate Step Counting at Various Walking Speeds Using Low-Cost Inertial Measurement Unit Support Indoor Positioning System”, Sensors.

Pham Van Thanh, Duc-Tan Tran, Dinh-Chinh Nguyen, Nguyen Duc Anh, Dang Nhu Dinh, S. El-Rabaie and Kumbesan Sandrasegaran, “Development of a Real-time, Simple and High-Accurate Fall Detection System for Elderly Using 3- 1 DOF Accelerometers”, Arabian Journal for Science and Engineering. Pham Van Thanh, Anh-Dao Nguyen Thi, Quynh Tran Thi Thuy, Dung Chu Thi Phuong, Viet Ho Mau and Duc-Tan Tran, “A Novel Step Counter Supporting For Indoor Positioning Based On Inertial Measurement Unit”, 7th international conference on Integrated Circuit, Design, and Verification (ICDV), IEEE, pp. Nguyen Van Duong, Pham Van Thanh, Tran Van An, Nguyen Tuan Khai, Duong Thi Thuy Hang, Hoang The Hop and Tran Duc Tan, “Elevator Motion States Recognition Using Barometer Support Indoor Positioning System”, The 7th International Conference in Vietnam on the Development of Biomedical Engineering, IFMBE Proceedings, Springer, pp.

The Hop Hoang, Van Thanh Pham, Thuy Quynh Tran Thi, Huu An Nguyen, Tuan Khai Nguyen and Tan Tran-Duc, “Xây dựng hệ thống xác định độ cao bên trong nhà và công trình sử dụng đa cảm biến áp suất”, Hội nghị Quốc gia lần thứ XXI về Điện tử, Truyền thông và Công nghệ Thông tin (The 21st National Conference on Electronics, Communications and Information Technology), 2018, pp. Ha Noi, 16th January, 2022 Author Signature:………………………………………………. 2 ACKNOWLEDGEMENT I would like to express my sincere thanks to my advisor Assoc. Tran Duc Tan, Faculty of Electrical and Electronic Engineering, Phenikaa University for the guidance and support throughout the completion of my thesis.

My thanks go to all lecturers and people in Faculaty of Electronics and Telecommunications, Universisty of Engineering and Technology, Viet Nam National University Hanoi for their teaching and useful help. I give my special thanks to leaders, colleagues and Mr. Tran Van An at University of Fire Prevention and Fighting for their help, guidance and financial support in the entire thesis completion process. I am grateful to all people in MEMS lab as well as my students in Universisty of Engineering and Technology, Vietnam National University Hanoi and University of Fire Prevention and Fighting for their contribution.

I would also like to greatly thank the Vingroup Innovation Foundation (VINIF) - Vingroup Big Data Institute (VinBigdata) for their grant support and encouragement, which help me overcome financial problems and difficulties. Last but the most important, I would like to thank my parents, my brother, my sister-in-law because their comfort and support are the power for me going to success. “This work was supported by the Domestic Master/ PhD Scholarship Programme of Vingroup Innovation Foundation”. Ha Noi, 16th January, 2022 3 CONTENTS CONTENTS.

4 LIST OF ABBREVIATIONS. 7 LIST OF FIGURES. The purpose of thesis. Objectives and Scope of the Thesis.

Scientific significance and Contributions of the Thesis. OVERVIEW OF THE RESEARCH. Related Studies on Injured Detection. Related Studies on Indoor Positioning.

The challenges in study on injury detection and indoor positioning. SYSTEM DESCRIPTION, SENSOR ERRORS ELIMINATION AND MAP PROCESSING. Sensors Errors Elimination. 33 The 3-DOF Accelerometer.

33 The Magnetic Sensor. 36 The MQ7 Sensor. DEVELOPMENT OF A METHOD TO DETECT INJURED FIREFIGHTERS. Fall Detection Method.

46 Fall Detection Module. 46 Post-fall Recognition Module. 48 The Posture Recognition Estimation. 49 The Vertical Velocity Estimation.

Injury Detection for On-Duty Firefighters. 52 The Proposed Fall Detection Algorithm for Firefighter. 53 The Proposed Loss of Physical Performance Detection Algorithm for Firefighter. 57 The CO Detection Algorithm.

Result and Discussion. 61 The Experimental Results. 61 Fall Detection Results. 63 Loss of Physical Performance Detection.

64 The High CO Level Alerting Algorithm. 67 The Comparison on the Experimental Data. 68 The Comparison on Public Datasets. DEVELOPMENT OF A METHOD TO TRACK ON- DUTY INJURED FIREFIGHTERS.

The Step Counting Method. Step Length Estimation. 107 5 The Proposed Method. 107 Results and Discussion.

Turning Time and Direction Estimation. 113 Turning Time Estimation. 113 Turning Direction Estimation. Vertical Position Estimation.

INDOOR FIREFIGHTER POSITIONING AND TRACKING USING MULTI-SENSOR DATA FUSION AND MAP MATCHING ALGORITHM. Combining Data Fusion and Map Matching to Detect Indoor Position. 126 The Scenarios Testing. 135 CONCLUSIONS AND FUTURE WORK.

136 LIST OF PUBLICATIONS. 138 THE RELATED PUBLICATIONS. 141 6 LIST OF ABBREVIATIONS 3-DOF Three Degrees Of Freedom ADLs Activities of Daily Living CO Carbon Monoxide CO2 Carbon Dioxide COHb Blood Carboxyhemoglobin FFT Fast Fourier Transform GPS Global Positioning System iOS iPhone Operating System (Apple) I2C Inter-Integrated Circuit IC Incident Commander IMU Inertial Measurement Unit MEMS Micro-Electro-Mechanical systems NFPA National Fire Protection Association OADs On-Duty Activities PAA Piecewise Aggregate Approximation PASS Personal Alert Safety System ppm Parts Per Millions RMS Root Mean Square ROC receiver operating characteristic curve curve SAX Symbolic Aggregate approximation SCBA Self-Contained Breathing Apparatuses SpO2 Saturation of Peripheral Oxygen SVM Support Vector Machine UFPF University of Fire Prevention and Fighting US United States 7 US U. Occupational Safety and Health Administration Code of Federal OSHA Regulations CFR 𝐴𝑐𝑐 Accuracy 𝐹𝑁 False Negative 𝐹𝑃 False Positive 𝑆𝑒𝑛 Sensitivity 𝑆𝑝𝑒𝑐 Specificity 𝑇𝑁 True Negative 𝑇𝑃 True Positive 8 LIST OF SYMBOLS AND THEIR MEANINGS SYMBOLS MEANINGS Ax, Ay, Az Acceleration Along Ax, Ay, And Az Axes The Acceleration Of Gravity On The Surface Of The G Earth At Sea Level K The Accelerations Measure In Positive (𝑎+) And 𝑎+ and 𝑎− Negative (𝑎−) Of Ax, Ay And Az Axes The Accelerations Measure In Positive (𝑎+) And 𝑎′+ and 𝑎′− Negative (𝑎−) Of Ax, Ay And Az Axes After Multiple With K Factor.

𝐴+ and 𝐴− Acceleration In Each Axes After Calibrated The Root Mean Square (Rms) Of Acceleration Along A𝑐𝑐(𝑡) Ax, Ay, And Az Axes At Time 𝑡 𝐾𝑘 The Kalman Gain 𝑥̂𝑘 The Estimated Signal On The Current State 𝑥̂− The Estimated Signal On The Previous State 𝑘 𝑃𝑘 The Posteriori Error Covariance 𝑃𝑘− The Priori Error Covariance 𝑧𝑘 The Measured Value R The Environment Noise 𝐻𝑘 The Calculated Altitude In Meters 𝑃𝑘 The Measured Pressure P0 The Pressure At The Sea Level (P0 = 1013. 𝐴⊕𝐵 The Dilation Of A By The Structuring Element B 𝐴⊖𝐵 The Erosion Of A By The Structuring Element B The Duration Time From Acc Values Exceed The LFT TFE Threshold Until It Exceeds The UFT Threshold. 9 LFT Lower Fall Threshold UFT Upper Fall Threshold 𝜃 The Angle Between Ay And Gravity 𝑣 Vertical Velocity The Threshold To Distinguish Between The Rest And 𝑣𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑 The Active States 𝑈𝑡ℎ The Upper Threshold U𝑝𝑡 The Upper Threshold to check the post-fall condition L𝑝𝑡 The Lower Threshold to check the post-fall condition T The Theta Angle 𝑌, 𝑃, 𝑅 The Yaw, Pitch, And Roll Angles The Upper Threshold To Check Loss Of Physical 𝐿𝑢𝑚𝑜𝑣 Performance Condition The Lower Threshold To Check Loss Of Physical 𝐿𝑙_𝑚𝑜𝑣 Performance Condition 𝛥𝐴𝑙𝑡𝑖𝑡𝑢𝑑𝑒 The Altitude Variations ∆𝐻 The Altitude Change D The Minimal Number Of Samples 𝑤𝑖𝑛_𝑠𝑖𝑧𝑒 The Window Size 𝑇𝑠 The Average Time Period To Perform Each Step AverD The Average Dynamic Thresholding 𝑇ℎ𝐷 Fluctuated Value The Difference Between 𝐴𝑐𝑐(𝑗) And The Gravity 𝑉𝑖𝑏𝐸𝑙𝑖 Acceleration 𝑇𝑖 The Time Range Between Two Neighboring Peak 𝑡𝑃𝑒𝑎𝑘𝑖+1 And 𝑡𝑃𝑒𝑎𝑘 𝑖 The Time Of Peak(I+1) And Peak(I) 𝑆𝑖 The Similarity Between Two Neighboring Peaks Kg Kilogram 10 𝐸 The Number Of The Estimated Steps 𝑇 The Number Of Reference Steps 11 LIST OF FIGURES Figure 0. US firefighter injuries by type of duty during 2015 [45].

The block diagram of the proposed system. The recorded data with and without using the simple Kalman filter. The Magnetic fields along Ax, Ay and Az before and after using the simple Kalman filter. The signal from the magnetic sensor before and after calibration.

The altitude signal comparison between with and without using the simple Kalman filter. The position of CO sensor on the mask. The binary image of a floor used in experimental testing. The map simplification algorithm.

The Erosion and Dilation operations [17]. The result of applying Erosion and Dilation with structuring element size of (7 × 7) for keeping wall. The result of applying Erosion and Dilation with structuring element size of (4 × 4) for keeping windows and stairs. The Map simplification achieved after using Erosion and Dilation operations.

The floor size detected after applying the flood fill algorithm. The unclosed floor structure. The floor size detected after applying the dilation operation and flood fill algorithm. The proposed fall detection algorithm.

An example of a fall event and the UFT, LFT and tFE thresholds. The time cycle of 6 walking steps. The different states of the user along three axes Ax, Ay and Az. The values of acceleration, Velocity and Theta angle of a volunteer when transiting between activities: standing – walking – sitting – walking – lying.

The injury detection algorithm for firefighters. The proposed fall detection algorithm. Firefighters move through the narrow paths or spaces. The proposed loss of physical performance detection algorithm.

The high CO level alerting algorithm. The volunteer is carrying the support device in his trouser pocket in the crawling state viewed from a side (a) and from above (b). (a) The RMS of acceleration of a fall forward from standing, first impact on knees; (b) the theta angle; (c) the pitch and roll angles. The loss of physical performance because of the accident (crawling then falling); (a) the RMS of accelerometer data; (b) the barometric data.

The loss of physical performance because of moving up in an elevator; (a) the RMS of accelerometer data; (b) the barometric data. a) Testing and measuring the CO level in the fire; b) the measured CO values. The RMS of acceleration of a fall forward from standing. The RMS of acceleration of crawling then falling as the scenario of Figure 3.

The RMS of acceleration of crawling then falling as the scenario in Figure 3.