Mở đầu - L1 Bởi cảnh và Hi do chon dé tal. cece eee 12 Nhiệm vụ đặtra 13. Những đóng góp chính của luận văm 1⁄4. Hổ cục luận văn.
Chuong IL Tìm hiểu các bài toán liên quan về nhận dạng sự kiện ngã 11.1 Tổng quan vẻ bải toàn phát hiện sự kiện ngã.1 Các hệ thống phát hiện căm ngữ cảnh.3 Các hệ thông phát hiện dựa trên thiết bị mang theo 11.2 Nhận dạng sụ kiện ngã sử dụng cảm biến Kinect. 1L21 Các nghiên cửu sử đụng ảnh độ sâu.2 Các nghiên cứu sử dụng skeleton Chương lil. Các giải pháp đề xuất cho hệ thông,. T1 Định nghữa tập dữ liệu phân biệt sự kiện ngã T2 Phương pháp phát hiện sự kiện ngã sử dụng ngưỡng evens 38 I3 Phương pháp xác định ngã đựa trên nghiên cửu các trạng thái của cơ thể người trong quá trình hoạt động 42 ML3.2 Phương pháp phát hiện sự kiện ngã sử đụng mô hinh chuéi markov (markov chain) 46 Hình 1-11: Một ví dụ về mồ hình markov, x: trạng thải, a: xác suất chuyển trạng thái, y: quan sát, b: xác suất sinh - - - - 43 Tình TH-13: Mô hình HMM cũa quá trình đi chuyển của người bệnh - 43 1Iinh 1-13: Mồ hình forwarding, muarkov.
Hình IH-14: Cách thiết lập các trạng thải của một mẫu a)ảnh hình trạng người b)ãnh chuẩn hóa c)ãnh PCA đ)các trạng thái - - - 47 Tlinh I-15: Chuẩn hóa ảnh với các tư thẻ khác nhau - - 48 Tình TI-16: Chuyển từ không gian ảnh chuẩn hóa về không gian PCA 49 Tình IH-17: Các dữ liệu mới được gắn trạng thái qua k-neans. XHeeiehomeuee 30 linh 1-18: Dễ thị độ che lắp cúa phần người trên ảnh đã chuẩn hóa.Š2 Tình TH-19: Mơmen m1 biểu thị tương quan giữa các thành phần trên 2 true cửa đường biền. „53 Tĩỉnh TI-20: Biến thiên trên các vừng ảnh 1,3,5 chúa nhiều thông tin quan sát quá trình THẾ. - - 33 THỉnh IV-1: Một số kết quả nhận dang người sử dụng IloG-SVM, vừng chứa người được đồng khung - 62 HùữuTV-2: Môi số kết quả phát hiện người dùng Kineo(SDE,, vùng chứa người dược xác định đến từng pixel - - - - 63 Tình TV-3: Kết quả phát hiện người sử dụng dũ liệu RGB và độ sâu của KinecL.64 Hinh 1V-4: Phong bệnh giá lập tại viên MICA.
ào ác cereieeieieooÔS TRnh1V-5: Trường quan sát của các cảm biển Kinect - - 66 Hình IV-6: Các vị trí đánh dâu thử nghiệm từ một góc nhằn. cà 66 Hình 1-11: Một ví dụ về mồ hình markov, x: trạng thải, a: xác suất chuyển trạng thái, y: quan sát, b: xác suất sinh - - - - 43 Tình TH-13: Mô hình HMM cũa quá trình đi chuyển của người bệnh - 43 1Iinh 1-13: Mồ hình forwarding, muarkov. Hình IH-14: Cách thiết lập các trạng thải của một mẫu a)ảnh hình trạng người b)ãnh chuẩn hóa c)ãnh PCA đ)các trạng thái - - - 47 Tlinh I-15: Chuẩn hóa ảnh với các tư thẻ khác nhau - - 48 Tình TI-16: Chuyển từ không gian ảnh chuẩn hóa về không gian PCA 49 Tình IH-17: Các dữ liệu mới được gắn trạng thái qua k-neans. XHeeiehomeuee 30 linh 1-18: Dễ thị độ che lắp cúa phần người trên ảnh đã chuẩn hóa.Š2 Tình TH-19: Mơmen m1 biểu thị tương quan giữa các thành phần trên 2 true cửa đường biền.
„53 Tĩỉnh TI-20: Biến thiên trên các vừng ảnh 1,3,5 chúa nhiều thông tin quan sát quá trình THẾ. - - 33 THỉnh IV-1: Một số kết quả nhận dang người sử dụng IloG-SVM, vừng chứa người được đồng khung - 62 HùữuTV-2: Môi số kết quả phát hiện người dùng Kineo(SDE,, vùng chứa người dược xác định đến từng pixel - - - - 63 Tình TV-3: Kết quả phát hiện người sử dụng dũ liệu RGB và độ sâu của KinecL.64 Hinh 1V-4: Phong bệnh giá lập tại viên MICA. ào ác cereieeieieooÔS TRnh1V-5: Trường quan sát của các cảm biển Kinect - - 66 Hình IV-6: Các vị trí đánh dâu thử nghiệm từ một góc nhằn. cà 66 Danh mục các bảng Bang IV-1: Co s6 dit ligu thu thập.
- - - 6ï Bang IV-2: Kết quả nhận dạng sự kiện ngã với phương pháp sử dụng ngưỡng. 68 Bang 1V-3: Kết quá nhận dạng sự kiện ngã với phương pháp sử dụng mỏ hinh Markov chain - - - - 68 ng TV-4: Kết quả nhận đạng sự kiện ngã với phương pháp sử dụng mô hình Markov an - - - - - 69 Bang TV-S: So sánh kết quả các phương pháp - - 70 Danh mục các ký hiệu, các chữ viết tất Ký hiệu /Chữ viết tất Cụm từ đẩy đủ Dịch nghĩa ADL Activities of daily living | Các hoạt động thưởng ngày HMM Hidden Markov model _ | M6 hinh Markov 4n HOG Histogram of Oriented | Biểu đỏ các biến đổi trên Gradicnis các hướng PCA Principal component | Phan tich thanh phan chinh analysis SDK Software Development | Bộ công cụ phát triển phần Kit êm. SVM Support Vector Machine | Máy hỗ trợ vecto WHO World Health | Tổ chức Y tế Thế giới Organization Danh mục các ký hiệu, các chữ viết tất Ký hiệu /Chữ viết tất Cụm từ đẩy đủ Dịch nghĩa ADL Activities of daily living | Các hoạt động thưởng ngày HMM Hidden Markov model _ | M6 hinh Markov 4n HOG Histogram of Oriented | Biểu đỏ các biến đổi trên Gradicnis các hướng PCA Principal component | Phan tich thanh phan chinh analysis SDK Software Development | Bộ công cụ phát triển phần Kit êm. SVM Support Vector Machine | Máy hỗ trợ vecto WHO World Health | Tổ chức Y tế Thế giới Organization 113.3 Phương pháp phát hiện sự kiện ngã sử đụng mô hình markov ẫn (Hiđđen Markov Model) 51 Chuong TV.
XAy dung hệ thông và kết quả đánh giá 39 IV.I Các vẫn đề kỹ thuật.2 Xây dựng hệ thông thu thập đữ liệu từ Kinect 59 IV.3_ Xây dựng mô đun phát hiện người - - 62 IVA M6 té méi trường thủ nghiệm - - 64 TV.5 Kết quả thử nghiệm - 68 Kết luận,. HH HH" 1mH HH HH gieo 71 Tài liệu tham k háo. si He ereerue 72 Danh mục các bảng Bang IV-1: Co s6 dit ligu thu thập. - - - 6ï Bang IV-2: Kết quả nhận dạng sự kiện ngã với phương pháp sử dụng ngưỡng.
68 Bang 1V-3: Kết quá nhận dạng sự kiện ngã với phương pháp sử dụng mỏ hinh Markov chain - - - - 68 ng TV-4: Kết quả nhận đạng sự kiện ngã với phương pháp sử dụng mô hình Markov an - - - - - 69 Bang TV-S: So sánh kết quả các phương pháp - - 70 Danh mục các ký hiệu, các chữ viết tất Ký hiệu /Chữ viết tất Cụm từ đẩy đủ Dịch nghĩa ADL Activities of daily living | Các hoạt động thưởng ngày HMM Hidden Markov model _ | M6 hinh Markov 4n HOG Histogram of Oriented | Biểu đỏ các biến đổi trên Gradicnis các hướng PCA Principal component | Phan tich thanh phan chinh analysis SDK Software Development | Bộ công cụ phát triển phần Kit êm. SVM Support Vector Machine | Máy hỗ trợ vecto WHO World Health | Tổ chức Y tế Thế giới Organization Hình 1-11: Một ví dụ về mồ hình markov, x: trạng thải, a: xác suất chuyển trạng thái, y: quan sát, b: xác suất sinh - - - - 43 Tình TH-13: Mô hình HMM cũa quá trình đi chuyển của người bệnh - 43 1Iinh 1-13: Mồ hình forwarding, muarkov. Hình IH-14: Cách thiết lập các trạng thải của một mẫu a)ảnh hình trạng người b)ãnh chuẩn hóa c)ãnh PCA đ)các trạng thái - - - 47 Tlinh I-15: Chuẩn hóa ảnh với các tư thẻ khác nhau - - 48 Tình TI-16: Chuyển từ không gian ảnh chuẩn hóa về không gian PCA 49 Tình IH-17: Các dữ liệu mới được gắn trạng thái qua k-neans. XHeeiehomeuee 30 linh 1-18: Dễ thị độ che lắp cúa phần người trên ảnh đã chuẩn hóa.Š2 Tình TH-19: Mơmen m1 biểu thị tương quan giữa các thành phần trên 2 true cửa đường biền.
„53 Tĩỉnh TI-20: Biến thiên trên các vừng ảnh 1,3,5 chúa nhiều thông tin quan sát quá trình THẾ. - - 33 THỉnh IV-1: Một số kết quả nhận dang người sử dụng IloG-SVM, vừng chứa người được đồng khung - 62 HùữuTV-2: Môi số kết quả phát hiện người dùng Kineo(SDE,, vùng chứa người dược xác định đến từng pixel - - - - 63 Tình TV-3: Kết quả phát hiện người sử dụng dũ liệu RGB và độ sâu của KinecL.64 Hinh 1V-4: Phong bệnh giá lập tại viên MICA. ào ác cereieeieieooÔS TRnh1V-5: Trường quan sát của các cảm biển Kinect - - 66 Hình IV-6: Các vị trí đánh dâu thử nghiệm từ một góc nhằn. cà 66 Chuongl Mo dau 11 Béi canh va li do chon dé tai Theo thông kê của lô chức y tế thế giới (WHO 2005) trong |17], thế giới có khoáng 28-35% người giả (65 tuổi) bị ngã trong mỗi năm và tí lệ nảy tăng lên tới 32- 42M khi họ bước qua luỗi 70.
Do đặc điểm sinh học, người giả rất dễ bị tốn thương nghiềm trọng do ngã ảnh hướng to lớn dến sức khóe và quả trình diễu trị sau nay déi với bệnh nhân. Nếu không có biện pháp bảo vệ thích hợp, số lượng ca chân thương do Tigã sẽ tăng lên tới 100% trong năm 2030. Vì thế, các thiết bị hỗ trợ đề phát hiên ngã và tránh các hậu quá của ngã (thong qua các thiết bị hồ trợ hoặc theo dõi tử xa.) lả thực sự cân thiết. Việc thực hiện để tài này cũng không nằm ngoài mục đích đó.
THiện may trên thể giới đã có nhiều hướng nghiên cứu về hệ thắng phát Inén sự kiện ngã như được mô tả trong [7], [L1]. Vẻ cơ bản, các hệ thông phát hiện ngã thường, có cơ chế hoại động giống nhau. Trong đó, các hệ thông này có gắng phân biệt các hoat dông bình thường {activitics of daily living — ADL) với các sự kiện ngũ. Đây khóng phái là công việc đơn gián do một số hoat động binh thưởng lại rất giống với sự kiện tigã, ví dụ: người đang đi chuyển sang ngồi xuống hoặc đứng lên vớilấy đỗ vật nào đó, hoặc nằm sóng xoai dé tim dé vat dudi dit.
Vi thé, để đánh giá các hệ thống phát hiện sự kiện người ngã, người ta thường phải thu thập dữ liệu thật vẻ các họat động bình thường và họat động ngã, dây là một công việc rất khỏ khăn nhất là đổi với trường hợp ng. Các hoat động này được thu thập bằng các thiết bị căm biến khác nhau. thu thập được có thế ở đạng tín hiệu gia tốc, hình ảnh, tin hiệu áp suất. Sau đó các tín liệu này dược xữ lý, phân lớp dễ phân lớp thành hai loại: bình thuờng hoặc ngũ.