I. Tổng quan về hệ thống phát hiện ngã qua cảm biến điện thoại
Hệ thống phát hiện ngã qua cảm biến điện thoại di động là giải pháp công nghệ giúp nhận diện hành động té ngã của người đi bộ. Hệ thống sử dụng các cảm biến gia tốc kế và con quay hồi chuyển tích hợp sẵn trong smartphone. Công nghệ này có tính ứng dụng cao trong chăm sóc sức khỏe người cao tuổi. Nghiên cứu của Phí Bá Chiến (2020) tại Đại học Công nghệ, ĐHQGHN đã xây dựng mô hình phát hiện ngã hiệu quả. Hệ thống hoạt động dựa trên nguyên lý thu thập dữ liệu chuyển động từ cảm biến. Các thuật toán máy học được áp dụng để phân loại hành động. Quá trình xử lý dữ liệu bao gồm tiền xử lý, trích xuất đặc trưng và phân lớp. Phương pháp sử dụng cửa sổ dữ liệu để chia nhỏ chuỗi thời gian liên tục. Kích thước cửa sổ và tỉ lệ chồng dữ liệu ảnh hưởng lớn đến độ chính xác. Kết quả nghiên cứu cho thấy Random Forest đạt hiệu suất tốt nhất trong việc phát hiện ngã.
1.1. Khái niệm phát hiện ngã bằng cảm biến
Phát hiện ngã là quá trình nhận diện thời điểm một người bị té ngã bất ngờ. Cảm biến gia tốc kế đo gia tốc ba trục X, Y, Z của thiết bị di động. Con quay hồi chuyển ghi lại góc quay và hướng chuyển động. Dữ liệu cảm biến được thu thập theo chuỗi thời gian liên tục. Mỗi mẫu dữ liệu chứa thông tin về cường độ và hướng chuyển động. Hệ thống phân biệt giữa hành động ngã và hoạt động bình thường như đi bộ, chạy bộ. Đây là bài toán phân loại nhị phân trong học máy.
1.2. Tầm quan trọng của phát hiện ngã tự động
Té ngã là nguyên nhân hàng đầu gây chấn thương nghiêm trọng ở người cao tuổi. Theo thống kê, hơn 30% người trên 65 tuổi bị ngã mỗi năm. Thời gian phát hiện và cấp cứu nhanh chóng giúp giảm tỷ lệ tử vong. Hệ thống phát hiện ngã tự động loại bỏ sự phụ thuộc vào người giám sát. Công nghệ sử dụng smartphone có chi phí triển khai thấp. Người dùng không cần mua thiết bị chuyên dụng đắt tiền. Giải pháp này phù hợp với điều kiện kinh tế tại Việt Nam.
II. Phân tích dữ liệu cảm biến và bài toán nhận dạng ngã
Dữ liệu cảm biến điện thoại có đặc điểm phức tạp và nhiễu cao. Bài toán nhận dạng ngã đòi hỏi kỹ thuật tiền xử lý dữ liệu chuyên biệt. Dữ liệu thô từ cảm biến chứa nhiều thành phần nhiễu ngẫu nhiên. Quá trình chuẩn hóa dữ liệu giúp loại bỏ sai lệch và tối ưu đầu vào. Phương pháp trích xuất đặc trưng trên miền thời gian và tần số được áp dụng rộng rãi. Thuộc tính thời gian bao gồm giá trị trung bình, độ lệch chuẩn, giá trị cực đại. Thuộc tính tần số sử dụng biến đổi Fourier để phân tích phổ tần số. Tham số Hjorth cung cấp thông tin về tính di động và phức tạp của tín hiệu. Kích thước cửa sổ dữ liệu ảnh hưởng trực tiếp đến chất lượng phân loại. Tỉ lệ chồng dữ liệu giúp tăng cường mẫu huấn luyện cho mô hình học máy. Bài toán phân loại đa lớp gồm các trạng thái: đi bộ, đứng, chạy, ngồi và ngã.
2.1. Kỹ thuật tiền xử lý dữ liệu thời gian thực
Tiền xử lý dữ liệu là bước quan trọng đầu tiên trong pipeline xử lý. Dữ liệu cảm biến được thu thập liên tục theo chuỗi thời gian. Kỹ thuật cửa sổ trượt chia dữ liệu thành các đoạn nhỏ có độ dài cố định. Tỉ lệ chồng dữ liệu thường đặt ở mức 25%, 50% hoặc 75%. Mục đích nhằm tăng số lượng mẫu huấn luyện cho mô hình. Dữ liệu được chuẩn hóa về phạm vi [0,1] hoặc [-1,1]. Các giá trị ngoại lệ và nhiễu được loại bỏ bằng bộ lọc thông thấp.
2.2. Phương pháp trích xuất đặc trưng từ cảm biến
Trích xuất đặc trưng biến đổi dữ liệu thô thành vector đặc trưng có ý nghĩa. Trên miền thời gian, các đặc trưng gồm trung bình, phương sai, độ lệch chuẩn. Giá trị cực đại, cực tiểu và khoảng biến thiên cũng được sử dụng. Trên miền tần số, biến đổi Fourier nhanh (FFT) phân tích phổ tần số. Năng lượng tần số và tần số trung bình là đặc trưng quan trọng. Tham số Hjorth đo tính di động và phức tạp của tín hiệu sinh học. Sự kết hợp đặc trưng từ hai miền tăng cường khả năng phân loại.
III. Xây dựng mô hình phát hiện ngã bằng thuật toán học máy
Nghiên cứu áp dụng ba thuật toán học máy chính để phân loại hành động ngã. Random Forest (RF) sử dụng tập hợp nhiều cây quyết định để đưa ra dự đoán. Mô hình RF hoạt động dựa trên cơ chế voting đa số giữa các cây riêng lẻ. Artificial Neural Network (ANN) mô phỏng mạng nơ-ron thần kinh sinh học. ANN gồm ba tầng: Input Layer, Hidden Layer và Output Layer. Support Vector Machine (SVM) tìm siêu phẳng tối ưu phân tách các lớp dữ liệu. Quá trình tối ưu mô hình sử dụng thuật toán PSO để cải thiện hiệu suất. Kết quả thực nghiệm cho thấy RF đạt F-measure cao nhất với giá trị 0.875. Mô hình ANN cho kết quả F-measure đạt 0.653 tại cửa sổ 2 giây. SVM đạt F-measure 0.657 với cửa sổ 5 giây và chồng dữ liệu 50%. Quá trình đánh giá sử dụng ma trận nhầm lẫn và biểu đồ ROC-AUC.
3.1. Mô hình Random Forest và tối ưu bằng PSO
Random Forest xây dựng nhiều cây quyết định từ các mẫu bootstrap ngẫu nhiên. Mỗi cây sử dụng tập con ngẫu nhiên các biến để giảm tương quan. Cơ chế voting đa số tổng hợp kết quả từ tất cả cây quyết định. Thuật toán PSO (Particle Swarm Optimization) tối ưu siêu tham số của RF. PSO tìm kiếm tổ hợp tham số tối ưu trong không gian nghiệm. Quá trình tối ưu tập trung cải thiện độ chính xác phát hiện hành động ngã. Kết quả cho thấy RF sau tối ưu cho hiệu suất vượt trội hơn ANN và SVM.
3.2. Mô hình ANN và SVM cho bài toán phân loại ngã
ANN cấu trúc nhiều tầng nơ-ron xử lý phi tuyến dữ liệu phức tạp. Dữ liệu đầu vào chạy qua các node trong mạng và cho kết quả đầu ra. Mỗi kết quả được so sánh với dữ liệu huấn luyện để điều chỉnh trọng số. SVM tìm siêu phẳng có lề lớn nhất để phân tách các lớp hành động. Hàm kernel giúp SVM xử lý dữ liệu không tuyến tính hiệu quả. Cả hai mô hình đều nhạy cảm với kích thước cửa sổ dữ liệu. Thử nghiệm cho thấy ANN và SVM kém hơn RF trên bộ dữ liệu nghiên cứu.
IV. Kết luận và ứng dụng thực tế của hệ thống phát hiện ngã
Nghiên cứu đã xây dựng thành công hệ thống phát hiện ngã dựa trên cảm biến điện thoại. Mô hình Random Forest kết hợp tối ưu PSO cho kết quả tốt nhất. Hệ thống có khả năng phân biệt giữa hành động ngã và hoạt động bình thường. Độ chính xác phát hiện ngã được cải thiện đáng kể sau quá trình tối ưu. Ứng dụng thực tế bao gồm giám sát sức khỏe người cao tuổi tại nhà. Hệ thống có thể tích hợp vào ứng dụng di động chăm sóc sức khỏe. Giải pháp phù hợp triển khai trong bệnh viện và viện dưỡng lão. Chi phí triển khai thấp do tận dụng smartphone có sẵn. Hệ thống cảnh báo ngã tự động giúp rút ngắn thời gian cấp cứu. Nghiên cứu mở ra hướng phát triển mới cho công nghệ y tế thông minh tại Việt Nam. Công nghệ này có tiềm năng ứng dụng rộng rãi trong lĩnh vực IoT và smart home.
4.1. Đánh giá hiệu suất mô hình phân lớp
Hiệu suất mô hình được đánh giá bằng F-measure, precision và recall. Ma trận nhầm lẫn cho thấy chi tiết số mẫu phân loại đúng và sai. Biểu đồ ROC và độ đo AUC đánh giá khả năng phân biệt tổng thể. Random Forest đạt F-measure cao nhất 0.875 trên bộ dữ liệu thử nghiệm. ANN đạt 0.653 và SVM đạt 0.657 trong điều kiện tối ưu. Kết quả cho thấy RF phù hợp nhất cho bài toán phát hiện ngã. Độ chính xác phát hiện ngã luôn thấp hơn độ chính xác trung bình các hành động khác.
4.2. Tiềm năng ứng dụng trong chăm sóc sức khỏe
Hệ thống phát hiện ngã có ứng dụng rộng rãi trong chăm sóc sức khỏe người cao tuổi. Cảnh báo tự động gửi đến người thân hoặc dịch vụ cấp cứu khi phát hiện ngã. Ứng dụng di động giúp người dùng mang theo thiết bị mọi lúc mọi nơi. Hệ thống tích hợp vào smart home để giám sát liên tục 24/7. Viện dưỡng lão sử dụng để theo dõi tình trạng sức khỏe bệnh nhân. Chi phí triển khai thấp hơn nhiều so với thiết bị chuyên dụng. Giải pháp góp phần nâng cao chất lượng cuộc sống người cao tuổi.
