Luận Văn Thạc Sĩ: Ứng Dụng Độ Đo Entropy Để Tự Động Phát Hiện Hành Vi Bất Thường Qua Camera

Luận văn thạc sĩ toán học nghiên cứu hệ thống thông tin áp dụng độ đo entropy cho bài toán tự động phát hiện hành vi bất thường qua, khảo sát thực trạng, phân tích nguyên nhân, đề

• Tác giả: Võ Quốc Thông
• Người hướng dẫn: TS. Nguyễn Hà Huy Cường
• Trường học: Trường Đại học Thủ Dầu Một
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Ứng dụng độ đo entropy trong phát hiện hành vi bất thường qua camera
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Bình Dương

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Khái niệm cơ bản
• 1.2. Phương pháp nghiên cứu
• 2. CHƯƠNG 2: ĐỀ XUẤT ỨNG DỤNG ĐỘ ĐO ENTROPY ĐỂ TÁCH ĐẶC TRƯNG NGÃ TRÊN CAMERA THEO DÕI
• 2.1. Tổng quan bài toán tách đặc trưng ngã
• 2.2. Áp dụng độ đo entropy để tách đặc trưng ngã qua camera theo dõi
• 2.3. Một số kết quả thực nghiệm
• 3. CHƯƠNG 3: ĐỀ XUẤT ÁP DỤNG SVM CHO BÀI TOÁN PHÂN LỚP CÁC VECTOR ĐẶC TRƯNG NGÃ
• 3.1. Bài toán phát hiện ngã dựa trên phân lớp SVM
• 3.2. Một số thực nghiệm
• 3.2.1. Mô tả phương pháp thực nghiệm
• 3.2.2. Mô tả dữ liệu
• 3.2.3. Kết quả thực nghiệm
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về bài toán phát hiện hành vi bất thường

Phát hiện hành vi bất thường là một lĩnh vực nghiên cứu quan trọng, đặc biệt trong các ứng dụng an ninh và y tế. Hành vi té ngã, một trong những hành vi bất thường, có thể gây ra nhiều rủi ro cho người cao tuổi. Theo Tổ chức Y tế Thế giới, 30% người cao tuổi trải qua ít nhất một lần ngã mỗi năm. Việc phát hiện sớm hành vi này có thể giúp giảm thiểu hậu quả nghiêm trọng. Các hệ thống phát hiện hành vi bất thường có thể được chia thành ba nhóm chính: thiết bị đeo, môi trường và thị giác máy tính. Trong đó, camera giám sát là một công cụ hữu ích, cho phép theo dõi và phân tích hành vi một cách hiệu quả. Việc sử dụng độ đo entropy trong phân tích hình ảnh giúp xác định các đặc trưng của hành vi té ngã, từ đó nâng cao độ chính xác trong việc phát hiện.

1.1. Khái niệm về hành vi bất thường

Hành vi bất thường được định nghĩa là những hành vi không phù hợp với các mẫu hành vi thông thường. Trong bối cảnh an ninh, việc phát hiện hành vi bất thường có thể giúp ngăn chặn các sự cố không mong muốn. Các nghiên cứu đã chỉ ra rằng việc phát hiện hành vi bất thường có thể được thực hiện thông qua nhiều phương pháp khác nhau, bao gồm phân tích hình ảnh từ camera giám sát. Hệ thống an ninh thông minh sử dụng công nghệ này để theo dõi và phát hiện các hành vi đáng ngờ, từ đó đưa ra cảnh báo kịp thời. Việc áp dụng độ đo entropy trong phân tích dữ liệu hình ảnh giúp xác định mức độ bất thường của hành vi, từ đó hỗ trợ trong việc phát hiện và phản ứng nhanh chóng với các tình huống khẩn cấp.

II. Ứng dụng độ đo entropy trong phát hiện hành vi bất thường

Độ đo entropy là một công cụ mạnh mẽ trong việc phân tích dữ liệu hình ảnh. Nó cho phép đánh giá mức độ không chắc chắn của thông tin trong các khung hình từ camera giám sát. Khi áp dụng vào bài toán phát hiện hành vi bất thường, entropy giúp xác định các đặc trưng của hành vi té ngã. Các nghiên cứu đã chỉ ra rằng việc sử dụng độ đo entropy có thể cải thiện độ chính xác trong việc phân loại các hành vi. Hệ thống có thể tự động phân tích và phát hiện các hành vi bất thường, từ đó đưa ra cảnh báo cho người dùng. Điều này không chỉ giúp nâng cao hiệu quả trong việc chăm sóc sức khỏe cho người cao tuổi mà còn góp phần vào việc xây dựng các hệ thống an ninh thông minh.

2.1. Phân tích dữ liệu hình ảnh

Phân tích dữ liệu hình ảnh là một phần quan trọng trong việc phát hiện hành vi bất thường. Việc sử dụng độ đo entropy cho phép trích xuất các đặc trưng từ hình ảnh, giúp xác định các hành vi bất thường một cách chính xác. Các nghiên cứu đã chỉ ra rằng việc áp dụng độ đo entropy trong phân tích hình ảnh có thể cải thiện đáng kể khả năng phát hiện hành vi té ngã. Hệ thống có thể tự động phân tích các khung hình từ camera giám sát, từ đó phát hiện các hành vi bất thường và đưa ra cảnh báo kịp thời. Điều này không chỉ giúp bảo vệ người cao tuổi mà còn nâng cao hiệu quả trong việc chăm sóc sức khỏe.

III. Phân lớp Support Vector Machine SVM trong phát hiện hành vi bất thường

Phân lớp SVM là một trong những phương pháp học máy hiệu quả trong việc phân loại các hành vi bất thường. SVM giúp phân loại các vector đặc trưng của hành vi té ngã dựa trên các đặc trưng đã được trích xuất từ độ đo entropy. Việc áp dụng SVM trong phát hiện hành vi bất thường cho phép hệ thống học hỏi từ dữ liệu và cải thiện độ chính xác theo thời gian. Các nghiên cứu đã chỉ ra rằng SVM có thể đạt được độ chính xác cao trong việc phân loại các hành vi bất thường, từ đó hỗ trợ trong việc phát hiện và phản ứng nhanh chóng với các tình huống khẩn cấp.

3.1. Ứng dụng SVM trong phát hiện hành vi té ngã

SVM đã được áp dụng thành công trong việc phát hiện hành vi té ngã. Hệ thống sử dụng các vector đặc trưng được trích xuất từ camera giám sát và độ đo entropy để phân loại các hành vi. Các nghiên cứu cho thấy rằng SVM có khả năng phân loại chính xác các hành vi bất thường, từ đó giúp nâng cao hiệu quả trong việc phát hiện và phản ứng với các tình huống khẩn cấp. Việc áp dụng SVM không chỉ giúp cải thiện độ chính xác mà còn giảm thiểu thời gian phản ứng trong các tình huống khẩn cấp.

Nội dung chính

Tổng quan nghiên cứu

Té ngã là một trong những hành vi bất thường phổ biến và nguy hiểm, đặc biệt đối với người cao tuổi. Theo Tổ chức Y tế Thế giới, khoảng 30% người cao tuổi trải qua ít nhất một lần té ngã mỗi năm, với tần suất tăng theo độ tuổi. Việc phát hiện sớm và tự động hành vi té ngã có ý nghĩa quan trọng trong chăm sóc sức khỏe, giúp giảm thiểu hậu quả nghiêm trọng và hỗ trợ kịp thời. Tuy nhiên, tình trạng thiếu hụt nhân lực chăm sóc đang ngày càng gia tăng, đòi hỏi các giải pháp công nghệ hỗ trợ phát hiện tự động.

Luận văn tập trung nghiên cứu ứng dụng độ đo entropy kết hợp với phương pháp phân lớp Support Vector Machine (SVM) để phát hiện hành vi té ngã dựa trên hình ảnh thu nhận từ camera giám sát. Mục tiêu chính là xây dựng hệ thống tự động phát hiện hành vi bất thường, cụ thể là té ngã, với độ chính xác cao và khả năng ứng dụng trong thực tế. Nghiên cứu được thực hiện trên bộ dữ liệu gồm khoảng 16.000 hình ảnh, thu thập tại Bình Dương trong năm 2022, với phạm vi tập trung vào người cao tuổi và các tình huống sinh hoạt thường ngày.

Việc áp dụng entropy giúp trích xuất đặc trưng hành vi bất thường từ chuỗi hình ảnh, giảm thiểu kích thước dữ liệu đầu vào cho mô hình phân lớp. Kết hợp với SVM, hệ thống có thể phân loại chính xác các hành vi té ngã và không té ngã, góp phần nâng cao hiệu quả giám sát và cảnh báo trong các môi trường chăm sóc sức khỏe và an ninh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: entropy và phân lớp Support Vector Machine (SVM).

• Entropy: Là thước đo mức độ không chắc chắn hoặc độ bất định trong thông tin, được Claude Shannon phát triển trong lý thuyết thông tin. Entropy được sử dụng để đánh giá sự biến động và bất thường trong chuỗi dữ liệu hình ảnh, giúp trích xuất đặc trưng hành vi té ngã từ các khung hình camera. Độ đo entropy càng cao tại một điểm ảnh cho thấy sự biến động lớn, tương ứng với hành vi bất thường.

• Support Vector Machine (SVM): Là thuật toán học máy dùng để phân lớp dữ liệu, đặc biệt hiệu quả trong các bài toán phân loại nhị phân. SVM tìm siêu phẳng tối ưu phân tách hai lớp dữ liệu sao cho khoảng cách giữa siêu phẳng và các điểm dữ liệu gần nhất (vector hỗ trợ) là lớn nhất. SVM có khả năng xử lý dữ liệu phi tuyến tính thông qua kỹ thuật kernel và được ứng dụng rộng rãi trong nhận dạng mẫu, phân loại hình ảnh.

Các khái niệm chính bao gồm: entropy, vector đặc trưng, siêu phẳng phân lớp, kernel, độ chính xác (precision), độ phủ (recall), ma trận nhầm lẫn (confusion matrix).

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ tập dữ liệu hình ảnh thu thập từ camera giám sát, gồm khoảng 16.000 hình ảnh được phân thành hai lớp: "ngã" và "không ngã". Dữ liệu được chia thành ba tập con: tập huấn luyện (khoảng 11.000 ảnh), tập xác thực và tập kiểm thử (khoảng 4.300 ảnh).

Quy trình nghiên cứu gồm các bước:

1. Tiền xử lý dữ liệu: Hình ảnh được chuẩn hóa kích thước, làm sạch và loại bỏ các ảnh không liên quan hoặc bị khuất tầm nhìn. Kỹ thuật tăng cường dữ liệu (data augmentation) như xoay, dịch chuyển, thu phóng, cắt ảnh được áp dụng để làm giàu dữ liệu, giúp mô hình tổng quát hóa tốt hơn.

2. Trích chọn đặc trưng bằng entropy: Tính toán độ đo entropy trên từng pixel qua chuỗi 24 khung hình để xác định các vùng có biến động bất thường, từ đó trích xuất đặc trưng hành vi té ngã.

3. Huấn luyện mô hình SVM: Sử dụng thư viện sklearn trong Python với kernel tuyến tính để huấn luyện bộ phân lớp trên các vector đặc trưng entropy đã trích xuất.

4. Đánh giá mô hình: Sử dụng các chỉ số như độ chính xác (accuracy), độ chính xác dự đoán (precision), độ phủ (recall), và ma trận nhầm lẫn để đánh giá hiệu suất mô hình trên tập kiểm thử.

5. Thời gian nghiên cứu: Nghiên cứu được thực hiện trong năm 2022 tại Trường Đại học Thủ Dầu Một, tỉnh Bình Dương.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả trích chọn đặc trưng bằng entropy: Kết quả thực nghiệm cho thấy các vùng ảnh có hành vi té ngã có giá trị entropy cao hơn đáng kể so với các vùng bình thường. Ví dụ, trong chuỗi 24 khung hình, các pixel tại vị trí té ngã có entropy tăng lên rõ rệt, thể hiện qua ảnh xám với màu sáng hơn. Điều này chứng minh entropy là đặc trưng phù hợp để phát hiện hành vi bất thường.

2. Độ chính xác mô hình SVM: Mô hình SVM huấn luyện trên tập dữ liệu 16.000 ảnh đạt độ chính xác trung bình trên 95% khi phân loại hành vi té ngã và không té ngã. Cụ thể, trên 5 clip thử nghiệm, độ chính xác và độ phủ đều vượt ngưỡng 95%, với tỷ lệ dương tính giả (FP) và âm tính giả (FN) rất thấp.

3. So sánh với các mô hình khác: Khi đối chiếu với các mô hình phát hiện té ngã dựa trên các kỹ thuật khác như Gaussian Mixture Models (81%), Fisher vector (88%), hay phương pháp dựa trên khung xương người (95%), mô hình đề xuất có hiệu suất tương đương hoặc vượt trội, đặc biệt trong việc xử lý dữ liệu hình ảnh thu thập từ camera giám sát.

4. Tính khả thi trong thực tế: Mô hình có thể áp dụng trong các hệ thống giám sát thời gian thực, hỗ trợ cảnh báo sớm cho người cao tuổi hoặc bệnh nhân có nguy cơ té ngã, góp phần nâng cao chất lượng chăm sóc sức khỏe.

Thảo luận kết quả

Việc sử dụng entropy làm đặc trưng giúp giảm kích thước dữ liệu đầu vào, tập trung vào các vùng có biến động lớn, từ đó tăng hiệu quả và tốc độ xử lý của mô hình phân lớp. Kết quả thực nghiệm cho thấy entropy là thước đo nhạy bén với hành vi bất thường như té ngã, phù hợp với các ứng dụng giám sát qua camera.

Mô hình SVM với kernel tuyến tính được lựa chọn do tính đơn giản, hiệu quả và khả năng tổng quát hóa tốt. Mặc dù SVM có hạn chế về xử lý dữ liệu lớn và phức tạp, nhưng với bộ dữ liệu đã được trích chọn đặc trưng bằng entropy, mô hình hoạt động ổn định và chính xác.

So với các nghiên cứu trước đây sử dụng cảm biến đeo hoặc các kỹ thuật phức tạp khác, phương pháp dựa trên thị giác máy tính và entropy có ưu điểm về chi phí, dễ triển khai và không xâm phạm quyền riêng tư người dùng. Tuy nhiên, nhược điểm là độ phức tạp tính toán cao khi tính entropy trên toàn bộ bề mặt ảnh, cần cải tiến để giảm tải tính toán.

Dữ liệu có thể được trình bày qua biểu đồ quá trình huấn luyện mô hình (độ chính xác và hàm mất mát qua 50 epoch) và bảng ma trận nhầm lẫn thể hiện số lượng dự đoán đúng/sai cho từng lớp, giúp minh họa rõ hiệu quả mô hình.

Đề xuất và khuyến nghị

1. Tối ưu hóa thuật toán tính entropy: Cần phát triển các phương pháp tính toán entropy hiệu quả hơn, giảm độ phức tạp tính toán để phù hợp với ứng dụng thời gian thực. Chủ thể thực hiện: nhóm nghiên cứu và phát triển phần mềm, trong vòng 12 tháng.

2. Mở rộng bộ dữ liệu và thực nghiệm: Thu thập thêm dữ liệu từ nhiều môi trường và đối tượng khác nhau để đánh giá độ chính xác và khả năng tổng quát của mô hình. Chủ thể thực hiện: các trung tâm nghiên cứu và bệnh viện, trong 18 tháng tới.

3. Phát triển sản phẩm ứng dụng thực tế: Xây dựng hệ thống giám sát tự động tích hợp camera và phần mềm phát hiện té ngã, cung cấp cảnh báo kịp thời cho người chăm sóc. Chủ thể thực hiện: doanh nghiệp công nghệ và đơn vị y tế, trong 24 tháng.

4. Kết hợp đa cảm biến: Nghiên cứu tích hợp dữ liệu từ các cảm biến đeo, âm thanh và hình ảnh để nâng cao độ chính xác và giảm sai số. Chủ thể thực hiện: nhóm nghiên cứu đa ngành, trong 24-36 tháng.

5. Đào tạo và nâng cao nhận thức: Tổ chức các khóa đào tạo cho nhân viên y tế và người dùng cuối về cách sử dụng hệ thống và hiểu các cảnh báo. Chủ thể thực hiện: các cơ sở y tế và tổ chức xã hội, trong 12 tháng.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, học máy: Luận văn cung cấp kiến thức về ứng dụng entropy và SVM trong xử lý ảnh và phát hiện hành vi, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

2. Chuyên gia y tế và chăm sóc người cao tuổi: Tham khảo giải pháp công nghệ hỗ trợ phát hiện té ngã, giúp cải thiện chất lượng chăm sóc và giảm thiểu rủi ro cho bệnh nhân.

3. Doanh nghiệp phát triển phần mềm và thiết bị giám sát: Cơ sở để phát triển các sản phẩm giám sát thông minh, ứng dụng trong nhà thông minh, bệnh viện và trung tâm chăm sóc.

4. Cơ quan quản lý và hoạch định chính sách y tế: Tham khảo để xây dựng các chương trình hỗ trợ người cao tuổi, ứng dụng công nghệ trong chăm sóc sức khỏe cộng đồng.

Câu hỏi thường gặp

1. Entropy là gì và tại sao được sử dụng trong phát hiện té ngã?
   Entropy là thước đo mức độ không chắc chắn hoặc biến động trong dữ liệu. Trong phát hiện té ngã, entropy giúp xác định các vùng ảnh có sự thay đổi bất thường qua các khung hình, từ đó trích xuất đặc trưng hành vi té ngã hiệu quả.

2. Tại sao chọn SVM làm phương pháp phân lớp?
   SVM có khả năng phân tách dữ liệu nhị phân hiệu quả, đặc biệt khi dữ liệu có thể phân tách tuyến tính hoặc phi tuyến tính qua kernel. SVM cũng có khả năng tổng quát hóa tốt và sử dụng bộ nhớ hiệu quả nhờ tập trung vào các vector hỗ trợ.

3. Bộ dữ liệu sử dụng trong nghiên cứu có đặc điểm gì?
   Bộ dữ liệu gồm khoảng 16.000 hình ảnh được phân thành hai lớp "ngã" và "không ngã", thu thập từ camera giám sát tại Bình Dương. Dữ liệu được chia thành tập huấn luyện, xác thực và kiểm thử để đảm bảo đánh giá chính xác mô hình.

4. Mô hình có thể áp dụng trong thực tế như thế nào?
   Mô hình có thể tích hợp vào hệ thống camera giám sát trong các cơ sở y tế, nhà dưỡng lão hoặc gia đình để tự động phát hiện và cảnh báo khi người cao tuổi bị té ngã, giúp can thiệp kịp thời và giảm thiểu hậu quả.

5. Những hạn chế của phương pháp này là gì?
   Phương pháp tính entropy trên toàn bộ bề mặt ảnh có độ phức tạp tính toán cao, gây khó khăn trong ứng dụng thời gian thực. Ngoài ra, mô hình SVM có thể gặp khó khăn khi dữ liệu nhiễu hoặc các lớp chồng chéo, cần cải tiến thêm để nâng cao độ ổn định.

Kết luận

• Luận văn đã đề xuất thành công giải pháp phát hiện hành vi té ngã dựa trên độ đo entropy kết hợp với phân lớp SVM, đạt độ chính xác trên 95%.
• Entropy được chứng minh là đặc trưng hiệu quả để trích xuất hành vi bất thường từ chuỗi hình ảnh camera.
• Mô hình SVM với kernel tuyến tính phù hợp cho bài toán phân loại nhị phân trong nghiên cứu này.
• Hạn chế chính là độ phức tạp tính toán cao khi xử lý entropy trên toàn bộ ảnh, cần cải tiến trong các nghiên cứu tiếp theo.
• Hướng phát triển tiếp theo bao gồm mở rộng dữ liệu, tối ưu thuật toán, phát triển sản phẩm ứng dụng thực tế và tích hợp đa cảm biến.

Luận văn mở ra hướng đi mới trong ứng dụng công nghệ thị giác máy tính và học máy cho chăm sóc sức khỏe người cao tuổi. Để tiếp tục phát triển, các nhà nghiên cứu và doanh nghiệp được khuyến khích hợp tác triển khai thực nghiệm quy mô lớn và hoàn thiện giải pháp.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Phát hiện hành vi bất thƣờng có nhiều ứng dụng trong thực tiễn, là cơ sở để tiến hành các hành động, phản ứng kịp thời với các biến cố không mong đợi. Các lĩnh vực áp dụng phổ biến phát hiện hành vi bất thƣờng bao gồm nhƣng không giới hạn các lĩnh vực an ninh, y tế, điều hành sản xuất… Trong các hành vi bất thƣờng, té ngã là một trong những hành vi bất thƣờng ẩn chứa nhiều rủi ro, nguy hiểm đối với chủ thể. Ngƣời lớn tuổi thƣờng xuyên phải ở một mình hoặc thiếu sự trợ giúp của ngƣời thân nên việc khắc phục khi xảy ra sự cố té ngã rất khó khăn. Tự động phát hiện hành vi bất thƣờng (té ngã) đƣợc xem là nền tảng quan trọng để xây dựng nên các ứng dụng thực tế trong chăm sóc sức khỏe, trợ giúp, cảnh báo ngƣời có bệnh liên quan đến vận động và thần kinh; cũng nhƣ các trợ giúp kịp thời đối với ngƣời cao tuổi.

Có nhiều cách tiếp cận để phát hiện sự cố té ngã ở ngƣời lớn tuổi dựa trên thiết bị đeo, môi trƣờng và thị giác. Nhiều nghiên cứu đã phát triển các hệ thống phát hiện hành vi bất thƣờng trong hỗ trợ, chăm sóc ngƣời cao tuổi, bệnh nhân Parkinson, bệnh tim mạch, huyết áp… Trong luận văn này, chúng tôi đề xuất một cách tiếp cận phát hiện sự cố té ngã ở ngƣời lớn tuổi dựa trên hình ảnh từ camera. Luận văn này đƣợc chia làm 3 chƣơng: Chƣơng 1 – Tổng quan; Chƣơng 2 –Đề xuất ứng dụng độ đo entropy để tách đặc trƣng ngã trên camera theo dõi; Chƣơng 3 – Đề xuất áp dụng SVM cho bài toán phân lớp các vector đặc trƣng ngã. Tổng quan về bài toán phát hiện té ngã Té ngã là một trong những rủi ro rất dễ xảy ra đối với ngƣời cao tuổi.

Té ngã có thể để lại những hậu quả nghiêm trọng nếu không đƣợc xử lý kịp thời. Khi chúng ta già đi, cơ thể của chúng ta trải qua nhiều thay đổi về thể chất và trở nên mỏng manh hơn dễ bị ngã. Ví dụ, thời gian phản ứng của chúng ta chậm hơn, có liên quan đến nguy cơ ngã nhiều hơn. Tầm nhìn của chúng ta kém hơn, khiến chúng ta khó phát hiện chƣớng ngại vật hơn.

Thuốc cũng có thể ảnh hƣởng đến chúng ta bằng cách làm cho chúng ta buồn ngủ hoặc chóng mặt, từ đó ảnh hƣởng đến sự cân bằng của chúng ta. Tổ chức Y tế Thế giới [1] báo cáo rằng 30% ngƣời cao tuổi trải qua ít nhất một lần ngã mỗi năm và tần suất ngã tăng theo cấp số nhân khi tuổi càng cao. Trong khi đó, tình trạng thiếu hụt nhân lực chăm sóc đang trở thành một vấn đề ngày càng gia tăng trên toàn thế giới. Do đó, ngành y tế đang quan tâm đến việc có một hệ thống có thể hỗ trợ phát hiện ngƣời cao tuổi trong trƣờng hợp bị ngã.

Noury [2] đã đƣa ra định nghĩa về sự té ngã. Nó bao gồm bốn giai đoạn:trƣớc khi ngã, nguy kịch, sau ngã và phục hồi (Hình 1.1 mô tả độ cao của nạn nhân trong các pha của té ngã theo thời gian. Trong pha trƣớc té ngã, nạn nhân thƣờng đang thực hiện các hành vi bình thƣờng trong cuộc sống hằng ngày. Trong pha nguy kịch, có sự di chuyển đột ngột của nạn nhân về mặt đất dẫn đến độ cao của nạn nhân so với mặt đất giảm nhanh.

Trong pha sau té ngã, nạn nhân thƣờng nằm bất động trên mặt đất trong một khoảng thời gian không quá dài nên độ cao của nạn nhân so với mặt đất đƣợc duy trì. Cuối cùng, trong pha phục hồi, nạn nhân tự đứng dậy hoặc đứng dậy với sự giúp đỡ của ngƣời khác nên độ cao của nạn nhân so với mặt đất đƣợc tăng dần đến khi đạt độ cao bình thƣờng của nạn nhân.1 Các pha của té ngã Có nhiều nghiên cứu đƣợc thực hiện trong mảng phát triển các hệ thống phát hiện té ngã. Các hệ thống này có thể đƣợc chia thành 03 nhóm chính: nhóm dựa trên thiết bị đeo, nhóm dựa trên môi trƣờng, nhóm dựa trên thị giác máy tính [3]. Trong đó, cách tiếp cận dựa trên thị giác máy tính là một trong những hƣớng tiếp cận mới với khả năng áp dụng rộng rãi, dễ dàng.

Wu và các cộng sự thu thập dữ liệu gia tốc bằng cách sử dụng gia tốc kế ba trục đƣợc đeo vào ngƣời. Dữ liệu này sau đó đƣợc phân tích và so sánh với các giá trị ngƣỡng. Vallejo và Leauhatong đề xuất cung cấp dữ liệu gia tốc vào mạng nhiều tầng truyền thẳng thay vì sử dụng các giá trị ngƣỡng. OjeTola và các cộng sự đã mở rộng việc sử dụng các thiết bị dựa trên gia tốc kế bằng cách đƣa vào con quay hồi chuyển ba trục.

Hệ thống đã sử dụng cây quyết định để phát hiện. Tabar và các cộng sự đã phát triển một hệ thống nhà thông minh trong đó ngƣời dùng đƣợc trang bị một thẻ có thể giao tiếp không dây với các nút mạng. Thẻ cũng cung cấp một kênh liên lạc bằng giọng nói đến trung tâm chỉ huy trong trƣờng hợp bị rơi. Hệ thống cũng có thể ƣớc tính vị trí của một ngƣời, đƣợc sử dụng để phát hiện không hoạt động.

Cuối cùng, hình ảnh từ camera đã đƣợc sử dụng để xác nhận trực quan dự đoán của các cảm biến. Xiaodan và các cộng sự đã đề xuất một hệ thống sử dụng tín hiệu âm thanh từ microphone. Các đoạn âm thanh sau đó đƣợc phân loại bằng cách sử dụng máy máy vector hỗ trợ (Support Vector Machine - SVM). Trong nghiên cứu của Zigel và các 3 cộng sự, dữ liệu âm thanh và dao động đƣợc sử dụng làm đầu vào cho một thuật toán nhận dạng mẫu để phân biệt giữa ngã và các sự kiện khác.

Toreyin và các cộng sự hợp nhất cảm biến âm thanh, rung động và hồng ngoại thụ động. Các tính năng của Wavelet đƣợc sử dụng để trích xuất các đặc trƣng ngã từ đầu ra cảm biến thô và sau đó đƣợc phân tích để phát hiện sự cố rơi. Các tính năng này sau đó đƣợc sử dụng đồng thời để huấn luyện mô hình Markov ẩn nhằm phân biệt các hoạt động thƣờng xuyên và không thƣờng xuyên của một ngƣời cao tuổi. Ji Tao và các cộng sự sử dụng tỷ lệ co của chiều rộng và chiều cao để phát hiện một sự cố té ngã.

Miaou và các cộng sự cải thiện điều này bằng cách sử dụng bộ chuẩn tỷ lệ chiều cao và chiều rộng của các đối tƣợng, và do đó có thể có một hệ thống đáng tin cậy hơn. Mirmahboub và các cộng sự trích xuất hình bóng của một ngƣời bằng cách sử dụng phép trừ nền và trích xuất một số đặc điểm từ vùng hình bóng. Sau đó, SVM đã đƣợc áp dụng để phân loại các đặc điểm liên quan đến hình bóng này. Zerrouki và Houacine cũng sử dụng và SVM để phân loại tƣ thế của một bóng, nhƣng sau đó cũng sử dụng những dự đoán này làm đầu vào cho mô hình Markov ẩn để phân loại chuỗi video.

Cách tiếp cận sử dụng cách tiếp cận cảm biến đeo trên ngƣời cho phép phát hiện hành vi bất thƣờng ở ngƣời đeo mọi lúc, mọi nơi trong khi giảm thiểu tính xâm phạm riêng tƣ nhƣng có thể có khó khăn trong việc phát hiện các vận động không có tính lặp lại hoặc đòi hỏi nhận dạng ngữ cảnh để nâng cao độ chính xác phát hiện. Cách tiếp cận sử dụng thị giác máy tính thƣờng giới hạn ngƣời dùng trong một khu vực không gian nhất định tuy nhiên lại phù hợp trong ngữ cảnh sử dụng camera phổ biến hiện nay và chi phí cũng tiết kiệm hơn rất nhiều. Entropy và bài toán đo độ bất định 1.1 Khái niệm entropy Entropy lần đầu tiên xuất hiện trong nhiệt động lực học vào những năm 1850 với công thức của Rudolf Clausius về Định luật thứ hai về nhiệt động lực học, nhƣ một phép đo chất lƣợng của nhiệt năng trong mối quan hệ với nhiệt độ và một đặc 4 điểm của tính không thuận nghịch. Kể từ đó, công thức nhiệt động lực học đã đƣợc chứng minh là tƣơng đƣơng với công thức thống kê phân tử của entropy của Ludwig Boltzmann và Josiah Gibbs.

Vào những năm 1940, Claude Shannon đã đƣa ra một phép đo thống kê về nội dung thông tin, do sự tƣơng đồng rõ ràng của nó với các công thức Boltzmann và Gibbs, nên nó cũng đƣợc đặt tên là entropy. Nguyên tắc của entropy cực đại, công thức đầu tiên đƣợc xây dựng bởi E. Jaynes, phát biểu rằng, thƣớc đo thống kê này, khi đƣợc tối đa hóa tùy thuộc vào bất kỳ ràng buộc nào đã biết, sẽ dẫn đến phân phối có khả năng xảy ra nhất [4, 5]. Công thức thống kê này, khi áp dụng ở cấp độ vi mô, tƣơng đƣơng với công thức Boltzmann và Gibbs.

Tuy nhiên, nó có thể đƣợc áp dụng một cách tổng quát hơn, đặc biệt là trong những trƣờng hợp chi tiết không rõ hoặc không đƣợc xác định rõ ràng, chẳng hạn nhƣ trong các hệ thống đô thị hoặc thành phố. Việc định lƣợng nội dung thông tin là tƣơng đối và theo ngữ cảnh cụ thể, tùy thuộc vào lƣợng thông tin mà ngƣời quan sát sở hữu. Trong công trình của mình vào năm 1948, Shannon [6] đề xuất độ đo nội dung thông tin dựa trên việc truyền tải thông điệp từ ngƣời này sang ngƣời khác với tên gọi là entropy. Xét thông điệp đƣợc hình thành nhƣ một chuỗi các biến ngẫu nhiên, có thể có một số trạng thái , với xác suất xuất hiện cho trƣớc bởi.

Nếu không quan sát, ngƣời nhận không có thông tin và nhận thấy độ không chắc chắn là tối đa. Thông tin đƣợc cung cấp bởi việc quan sát trạng thái là thƣớc đo mức độ không chắc chắn của thông tin. Xác suất của càng thấp, thì thông tin thu đƣợc qua việc quan sát càng nhiều. Ví dụ: nếu X là tổng của hai lần tung xúc xắc không chệch, quan sát thấy xác suất thấp X = 2 (2 xúc xắc có giá trị 1), trong khi X = 7 mơ hồ hơn về thông tin giá trị của xúc tuy nhiên xác suất xuất hiện X = 7 là cao hơn.

Từ đó, X = 2 cung cấp nhiều thông tin hơn về các giá trị xúc xắc riêng lẻ so với quan sát xác suất cao X = 7. Shannon phát biểu công thức độ đo cho nội dung thông tin nhƣ công thức (1). ∑ (1) trong đó là hằng số dƣơng là xác suất của dự kiện và tổng là trên tất cả các quan sát có thể có và cơ số của logarit chuyển tiếp các đơn vị thông tin.