Chương 1, tac giả đã giới thiệu khái quát về đề tài, mục tiêu đề tài, phương pháp tiếp cận đề tài, phạm vi nghiên cứu và ý nghĩa thực tiễn, thực tế của luận văn, và các công trình nghiên cứu liên quan. Trong chương tiếp theo, tác giả sẽ trình bày chỉ tiết hơn về các nghiên cứu liên quan trong lĩnh vực này. 14 Chương 2 CÁC NGHIÊN CỨU LIÊN QUAN Trong chương này, tác giả tiễn hành tìm hiểu những nghiên cứu về lĩnh vực sức khỏe của con người, đặc biệt là các yếu tố dinh dưỡng và hoạt động thé thao. Khi tìm hiểu những nghiên cứu liên quan này sẽ giúp cho tác giả có thêm kiến thức về lĩnh vực này và góp phần hoàn thiện hơn cho luận văn.1 Cac nghiên cứu liên quan * Mọi người muốn dự đoán hiệu suất tập luyện cho nhiều đối tượng khác nhau (ví dụ: vận động viên chuyên nghiệp và nghiệp dư, sinh viên đại học, người lớn tuổi) dựa trên thói quen hàng ngày của mọi người, chang hạn như dinh dưỡng, ngủ, hoạt động thé chất, thói quen và đữ liệu cá nhân.
Trong [12], một mô hình được xây dựng bởi mạng lưới thần kinh và lý thuyết hỗn loạn được đề xuất đề dự đoán hiệu suất đào tạo của sinh viên đại học. Độ chính xác của mô hình là hơn 90% và hầu hết dữ liệu liên quan đến các phép đo thành tích thé thao. Trong [13], một mô hình mang thần kinh sử dung dit liệu hiệu suất của người chơi được xây dựng đề dự báo hiệu suất của các vận động viên cricket. Một mô hình LSTM được giới thiệu trong [14] đề dự đoán thành tích của các vận động viên bóng đá.
Những nghiên cứu này tập trung vào một phạm vi hẹp hiếm khi có những điểm chung giống nhau, chăng hạn như vận động viên chuyên nghiệp và sinh viên đại học. Hơn nữa, những nghiên cứu này không xem xét dinh dưỡng, một trong những yếu tố quan trọng nhất ảnh hưởng đến hiệu suất tập luyện. * Trong [15], các tác giả giới thiệu một dir liệu nhật ký cuộc sống đa phương thức thú vị bao gồm thói quen ăn kiêng, tham gia thé thao và tình trang sức khỏe của các cá nhân. Bộ dữ liệu này chứa các yếu tố khác nhau, bao gồm hình ảnh thức ăn, nhịp tim, 15 chất lượng giấc ngủ, bài tập và cảm xúc.
Động lực chính của nghiên cứu này là kết hợp thông tin về tập luyện và dinh dưỡng đề xác định thành tích của vận động viên có thể bị ảnh hưởng như thế nào bởi lựa chọn chế độ ăn uống và lịch tập luyện của họ. Nghiên cứu này nhằm mục đích đưa ra một khuyến nghị phù hợp tùy thuộc vào hoạt động của họ. Giả sử một vận động viên có những thói quen tồi tệ làm giảm thành tích, chăng hạn như tốc độ chạy chậm hoặc ăn uống không lành mạnh. Hệ thống sẽ tư vấn thực đơn, chế độ luyện tập phù hợp dé vận động viên nâng cao thành tích.
Trong [16], thuật toán máy hoc Support Vector Machine (SVM) và bay hat được áp dụng dé xây dựng mô hình dự đoán thành tích của vận động viên. Việc triển khai lý thuyết hỗn loạn đối với dữ liệu của các vận động viên trong quá khứ dé xác định các quy tắc ân làm tăng hiệu suất của các mô hình dự đoán là một đóng góp đáng kể của kỹ thuật này. Thật không may, mô tả tập dữ liệu không đủ chỉ tiết, vì vậy có thê khó lặp lại quy trình này. Trong [17], mô hình hồi quy phi tuyến tính và mạng thần kinh được giới thiệu.
Nghiên cứu này được thực hiện trên nhóm vận động viên ném lao 18 + 0,5 tuổi dé huấn luyện và thử nghiệm mô hình. Tác giả cũng chứng minh rang mô hình thần kinh hoạt động tốt hơn mô hình hồi quy trong việc dự đoán kết quả thể thao. Tuy nhiên, nghiên cứu này chỉ giới hạn ở một cỡ mẫu nhỏ, điều này sẽ khó dự đoán đối với những người trẻ tuôi hoặc trung niên. Trong cuộc thi do điểm chuẩn so sánh LSC’21, LifeSeeker 3.0 [18] tập trung vào tìm kiếm và lọc theo truy van văn bản sử dụng mô hình Túi từ có trọng số với tính năng tăng ý tưởng trực quan và ba từ vựng có trọng số.
Thật không may, cách tiếp cận này không phân biệt được các đối tượng không xác định trong các bức ảnh lifelog dé tự động chú thích. Trong [19], mô hình Mạng lưới thần kinh nhân tạo (Multi-Layer Perceptrons) được sử dụng để dự đoán thành tích của một nữ vận động viên bơi lội hàng đầu trong trận chung kết nội dung 200 mét bơi ngửa tại Thế vận hội Olympic 2000 ở Sydney. Thật không may, do thiếu bộ đữ liệu lớn được sử dụng để đào tạo mô hình ANN, các tác giả cho rằng hành vi thích ứng của cả hai vận động viên là tương tự nhau, khiến mô hình kém chính xác hơn khi dự đoán một nhóm người mới. 16 * Trong [20], tác gia đưa ra nhiều mô hình dự báo thành tích của vận động viên trong các giải đấu thể thao, bao gồm RNN, LSTM và GRU, sau đó lựa chon mô hình tối ưu dé dự báo cho một hoặc một nhóm vận động viên.
Tuy nhiên, mô hình không thể dự đoán nhiều nhóm người khác nhau do bộ dữ liệu bị hạn chế và việc chọn mô hình tối ưu đê dự đoán cho một hoặc một nhóm người.2 Ưu diém và hạn chê của các nghiên cứu liên quan Tóm lại, các nghiên cứu trên đã đạt được những thành tựu nhất định, họ đã có những đóng góp tích cực cho xã hội nhăm mục đích nâng cao đời sống con người. Chúng ta cùng điểm qua những ưu điêm và hạn chê của những nghiên cứu đó: ° Ưu điềm: hướng dén nhiêu đôi tượng khác nhau như sinh viên đại học, các vận động viên Cricket và bóng đá. Mặt khác, các nghiên cứu đó cũng đê xuât nhiêu loại mô hình khác nhau chăng hạn như mô hình mạng thần kinh, mô hình LSTM, SVM, và RNN. » Hạn chế: trong mỗi nghiên cứu trên, họ chỉ nhắm đến một đối tượng cụ thể và chỉ dùng một mô hình đơn lẻ.
Điều này sẽ rất khó cho độc giả có thể áp dụng theo các phương pháp mà họ đề xuất, chăng hạn như một người ở độ tuổi trung niên thì anh ấy không thê bắt chước các phương pháp dành cho các sinh viên đại học bởi vì nó sẽ không đem lại kết quả như mong đợi. Hơn thế nữa, với việc chỉ xây dựng một mô hình đơn lẻ dé dự đoán cho một người thì xem ra phương án đó không được khả thi cho lắm. Nếu có một người mới tham gia vào nhóm của họ thì họ phải huấn luyện và kiểm tra lại mô hình cho người mới đó. Hơn thế nữa, nếu có một ngản người mới, chăng lẽ họ phải huấn luyện và kiểm tra cho một ngàn mô hình? Nhăm mục đích khắc phục những hạn chế của những nghiên cứu trên, tác giả mong muốn có một mô hình dự đoán có thé hoạt động cho một nhóm người quy mô lớn và mô hình đó có thé dé dang và nhanh chóng thích nghi với một cá nhân.
Cụ thé hon, trong luận văn này, tác giả sẽ nghiên cứu nhiều nhóm đối tượng khác nhau như nhóm chỉ toàn các thành viên nam hay nhómở độ tuổi trung niên. Tiếp theo, thay vì chỉ sử dụng một mô hình đơn lẻ dé dự đoán, tác giả sẽ tìm cách kết hợp nhiều mô hình đơn lẻ lại với nhau nhằm mục dich tăng độ chính xác lên cao hơn. Chỉ tiết về nghiên cứu này sẽ được tác giả trình bày ở những chương sau. 17 Chương 3 PHƯƠNG PHÁP NGHIÊN CỨU Phần này giới thiệu cách tiếp cận dựa trên dữ liệu mà tác giả xây dựng mô hình của mình.
Đầu tiên, tác giả giới thiệu ngắn gọn về thuật toán khai thác mẫu tần suất định kỳ và cách sử dụng thuật toán này dé khám phá các tập hợp con có giá trị của các yếu tô dit liệu ma có thê phân biệt giữa các nhóm người. Bên cạnh đó, phương pháp khai thác mẫu tuần suất cũng được tiến hành tương tự như phương pháp trên. Sau đó, tác giả giới thiệu cách thức tiền xử lý dữ liệu, chia nhóm người, cũng như là lựa chọn thuộc tính cho mô hình. Tiếp theo, luận văn này đề cập đến mô hình học tập thích ứng dựa trên nền tảng xếp chồng mô hình theo hướng dữ liệu chạy trên các tập hợp con được khai thác của các yếu tố dit liệu.
Cuối cùng, tác giả giải thích cách mô hình có thê hoạt động trong các trường hợp chung và riêng lẻ khác nhau.2 minh họa tổng quan về phương pháp đề xuất. Mỗi thành phần sẽ sớm được mô tả trong các phân sau.1 KY thuật khai thác các mẫu có tần suất định kỳ Trong tiêu mục này, tác giả xem xét ngắn gọn các thuật ngữ cơ bản của các kỹ thuật khai thác mẫu tần suất định kỳ, chỉ ra một ví dụ về cách chúng tạo ra các mẫu tần suất định kỳ và giải thích cách diễn giải các mẫu này.v biểu thị tập mục. Đặt 7; = {Un} „tim biểu thi một giao dich là một tập hợp các mục của tập mục. Đặt Pe = { Un} net, độ hỗ trợ(%), tính tuần hoàn(%)} biểu thị một mẫu tần số tuần hoàn trong đó tập hợp các phần tử {„Ì»„=[ixị có tần số được biểu thị theo hỗ trợ (%) và mức độ thường xuyên của mẫu này xuất hiện trong cơ sở đữ liệu được mô tả theo chu kỳ (%).
18 Object/food tow Fuzzy Logie MED HIGH 3 detection Region Percentage Transactional table Transaction Image data creation Stacking model Stacking model Features Frequent Intersection selections Mini features ining Personal features Hình 3.1: Tổng quan về phương pháp kỹ thuật khai thác các mẫu có tan suất định kỳ Object/food detection Transactional table Pattern Mining Features (Apriori selections algorithm) Hình 3.2: Tổng quan về phương pháp kỹ thuật khai thác mẫu Thuật toán khai thác mẫu tần số định kỳ được giới thiệu bởi Dr. trong đó M là tổng số giao dich làm đầu vào và tạo ra {P¿}¿=¡.p trong đó P là tong số mau làm đầu ra minSup (nghĩa là chỉ chọn các mẫu có độ hỗ trợ lớn hơn minSup) và maxPer (tức là chỉ chon các mẫu có chu kỳ nhỏ hơn maxPer) phải được khai báo trước dé giới hạn phạm vi tìm kiếm.1 minh họa một mau tập hợp vật phẩm, giao dịch và các mẫu phô biến định kỳ. 19 ts, P, Sup va Per lần lượt là từ viết tắt của giao dịch, mẫu, hỗ trợ và tính định kỳ. Độc giả có thể tham khảo bài báo gốc [6] dé biết thêm chỉ tiết.