Tổng quan về luận án

Nhận dạng hành động người (Human Action Recognition - HAR) từ dữ liệu cảm biến RGB-D, đặc biệt là dữ liệu khung xương (skeleton data), đóng vai trò nền tảng trong thị giác máy tính và tương tác người - máy (HCI). Luận án tiến sĩ kỹ thuật máy tính của nghiên cứu sinh Phạm Đình Tân (Đại học Bách khoa Hà Nội, 2022) với đề tài "A study on deep learning techniques for human action representation and recognition with skeleton data" đã thiết lập một bước tiến khoa học quan trọng trong việc xử lý dữ liệu động học cơ thể người. Nghiên cứu giải quyết bài toán cốt lõi: làm thế nào để biểu diễn và nhận dạng chính xác hành động từ dữ liệu khung xương khi phải đối mặt với nhiễu cảm biến, tự che khuất (self-occlusion), biến thiên nội lớp (intra-class variations), và độ tương đồng liên lớp (inter-class similarities).

Dữ liệu khung xương mang ưu thế vượt trội về dung lượng lưu trữ thấp, tốc độ tính toán nhanh, và tính bất biến với bối cảnh hay trang phục so với dữ liệu video RGB truyền thống. Tuy nhiên, một research gap lớn tồn tại trong các nghiên cứu trước đây (như Wang et al., 2012; Hussein et al., 2013; Yan et al., 2018): các thuật toán kinh điển hoặc mạng nơ-ron đồ thị (GCN) tiêu chuẩn thường suy giảm hiệu năng nghiêm trọng khi dữ liệu khung xương bị nhiễu do lỗi ước lượng tư thế (pose estimation errors), đặc biệt ở các tư thế không đứng thẳng (non-standing poses) như ngã, trườn, hoặc nằm. Đồng thời, cấu trúc đồ thị không gian - thời gian của khung xương chưa được khai thác triệt để mối quan hệ động học giữa vị trí tương đối và vận tốc khớp, trong khi độ phức tạp tính toán của các mô hình GCN hiện hành là rào cản lớn đối với thiết bị biên (edge devices).

Luận án xây dựng và kiểm chứng hệ thống câu hỏi nghiên cứu và giả thuyết khoa học:

  • RQ1: Làm thế nào để tinh lọc các khớp mang nhiều thông tin nhất (Most Informative Joints - MIJ) nhằm giảm thiểu nhiễu và độ phức tạp tính toán?
  • RQ2: Liệu việc dung hợp thông tin vị trí khớp tương đối và vận tốc khớp vào mạng nơ-ron tích chập đồ thị thích ứng nâng cao bởi cơ chế chú ý (AAGCN) có cải thiện được độ chính xác trên các bộ dữ liệu nhiễu cao hay không?
  • RQ3: Làm thế nào để tối ưu hóa kiến trúc GCN thành một mô hình nhẹ (Lightweight GCN) mà vẫn bảo toàn độ chính xác nhận dạng phục vụ triển khai thực tế?
  • H1: Tập con các khớp chủ đạo (Preset JSS hoặc AMIJ) kết hợp với mô tả hiệp phương sai (Covariance Descriptors) loại bỏ được chiều không gian dư thừa và tăng tính kháng nhiễu.
  • H2: Mô-đun dung hợp đặc trưng (Feature Fusion - FF) kết hợp RJP và vận tốc khớp $S_v$ sẽ gia tăng tính bất biến tịnh tiến và nắm bắt trọn vẹn động học không gian - thời gian.
  • H3: Tối ưu hóa ma trận kề vật lý và giảm số kênh đặc trưng sẽ hạ thấp số lượng phép tính dấu phẩy động (FLOPs) trên thiết bị biên mà không đánh đổi hiệu năng phân lớp.

Khung lý thuyết của luận án tích hợp chặt chẽ giữa lý thuyết tri giác thị giác chuyển động của Johansson (1973), hình học vi phân trên nhóm Lie (Vemulapalli et al., 2014), và lý thuyết biểu diễn đồ thị không gian - thời gian (Spatial-Temporal Graph Representation). Phạm vi thực nghiệm của luận án bao quát 4 bộ dữ liệu chuẩn quốc tế và nội địa với quy mô đa dạng: MSR-Action3D (557 mẫu, 20 hành động, 10 đối tượng), MICA-Action3D (1.196 mẫu, 20 hành động, 20 đối tượng), CMDFALL (1.963 mẫu, 20 hành động, 50 đối tượng với nhiều tư thế ngã nhiễu cao từ Kinect view 3), và đại cơ sở dữ liệu NTU RGB+D (56.880 mẫu, 60 hành động, 40 đối tượng trên hai giao thức Cross-Subject và Cross-View).

Literature Review và Positioning

Lịch sử nghiên cứu nhận dạng hành động dựa trên khung xương trải qua hai giai đoạn chuyển dịch mô thức chính: phương pháp thiết kế đặc trưng thủ công (Handcrafted-based methods) và phương pháp học sâu tự động (Deep learning-based methods).

Trong nhánh trích xuất đặc trưng thủ công, hướng tiếp cận dựa trên khớp (joint-based) tập trung vào vị trí tương đối và chuỗi thời gian. Wang et al. (2012) đề xuất mô hình vị trí khớp tương đối (Relative Joint Position - RJP) kết hợp tháp thời gian Fourier (Fourier Temporal Pyramid - FTP) để xử lý sai lệch nhịp thời gian. Hussein et al. (2013) phát triển bộ mô tả hiệp phương sai thứ bậc thời gian (Cov3DJ), mô hình hóa sự phụ thuộc giữa các tọa độ khớp qua ma trận hiệp phương sai độc lập với độ dài chuỗi khung xương. Vemulapalli et al. (2014) biểu diễn hành động người dưới dạng các đường cong trong nhóm Lie đặc biệt $SE(3) \times \dots \times SE(3)$ và ánh xạ về không gian véc-tơ đại số Lie để phân lớp bằng SVM kết hợp Dynamic Time Warping (DTW). Mặc dù các phương pháp này có cơ sở toán học tường minh, chúng đòi hỏi quá trình tinh chỉnh thủ công phức tạp và không tận dụng được cấu trúc tô-pô tự nhiên của cơ thể người.

Sự trỗi dậy của học sâu mở ra các hướng tiếp cận mạng tích chập (CNN) và mạng hồi quy (RNN). Liu et al. (2016) và Song et al. (2017) áp dụng LSTM với cơ chế chú ý không gian - thời gian (Spatial-Temporal Attention) để gán trọng số cho từng khớp và khung hình. Ke et al. (2017) và Wang et al. (2017) biến đổi chuỗi khung xương thành ảnh màu để đưa vào mạng CNN nhiều nhánh. Tuy nhiên, cả CNN (vốn xử lý dữ liệu dạng lưới 2D) và RNN (xử lý chuỗi véc-tơ 1D) đều phá vỡ cấu trúc đồ thị phi Euclid tự nhiên của hệ thống xương người.

Để khắc phục điều này, Yan et al. (2018) đã tạo ra bước ngoặt với mạng Spatial-Temporal Graph Convolutional Network (ST-GCN), mô hình hóa bộ xương thành đồ thị không gian - thời gian với các khớp là đỉnh và các xương là cạnh nối vật lý. Tiếp nối ST-GCN, Shi et al. (2019) phát triển Two-Stream Adaptive GCN (2s-AGCN) sử dụng ma trận kề thích ứng học được từ dữ liệu, và sau đó là Attention-enhanced Adaptive GCN (AAGCN, Shi et al., 2020) tích hợp thêm mô-đun chú ý Không gian - Thời gian - Kênh (Spatial-Temporal-Channel - STC).

Luận án của NCS. Phạm Đình Tân định vị chính xác khoảng trống học thuật chưa được giải quyết bởi các công trình quốc tế trên:

  1. Các mô hình như ST-GCN và AAGCN chỉ sử dụng tọa độ khớp thô ($x, y, z$) mà bỏ qua mối tương quan không gian giữa các cặp khớp đối xứng và động học vận tốc đa tỉ lệ.
  2. AAGCN bộc lộ độ nhạy cảm cao với nhiễu tọa độ khi đối tượng thực hiện các hành động phi chuẩn (nằm, ngã trên sàn nhà như trong tập dữ liệu CMDFALL).
  3. Độ phức tạp tính toán của AAGCN (với 10 khối cơ bản và hàng triệu tham số) không khả thi khi triển khai trên các thiết bị nhúng (edge IoT) với tài nguyên tính toán giới hạn.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp quan trọng vào lý thuyết thị giác máy tính và học máy trên đồ thị thông qua ba trụ cột lý thuyết chính:

  1. Mở rộng lý thuyết tri giác chuyển động thị giác của Johansson (1973): Luận án chứng minh bằng thực nghiệm rằng không cần thiết phải sử dụng toàn bộ 20 hoặc 25 khớp xương để nhận dạng hành động. Việc chọn lọc tập con khớp (Preset Joint Subset Selection - 13 khớp, hoặc thuật toán tự động AMIJ) vẫn bảo toàn đầy đủ các mẫu chuyển động cốt lõi, đồng thời loại bỏ nhiễu từ các khớp ít tham gia chuyển động (như khớp ngực, cột sống, vai).
  2. Hình thức hóa cấu trúc dung hợp không gian - động học trên đồ thị thích ứng: Luận án mở rộng lý thuyết biểu diễn đồ thị không thời gian bằng cách tích hợp trực tiếp ten-xơ Vị trí Khớp Tương đối (Relative Joint Position - RJP) và Véc-tơ Vận tốc Khớp ($S_v$) vào quá trình lan truyền nút đồ thị. Điều này chuyển đổi biểu diễn từ tọa độ tuyệt đối phụ thuộc hệ quy chiếu camera sang không gian động học bất biến với phép tịnh tiến và xoay.
  3. Mô hình hóa lý thuyết mạng GCN thu gọn có cấu trúc: Bằng việc thiết kế lại ma trận kề dựa trên các liên kết đối xứng sinh học (Graph Type B - JSS-B) và cắt giảm số tầng tích chập không gian - thời gian, luận án chứng minh định lý biên về sự cân bằng giữa dung lượng mô hình (Model Capacity) và khả năng khái quát hóa trên dữ liệu nhiễu.

Khung phân tích độc đáo

Khung phân tích của luận án được thiết kế đồng bộ từ xử lý dữ liệu thủ công đến kiến trúc nơ-ron học sâu phức hợp:

[Chuỗi Khung Xương 3D] 
  • Mô-đun Feature Fusion (FF): Với mỗi khung hình tại thời điểm $t$, tọa độ khớp $p_i(t) = (x_i(t), y_i(t), z_i(t))$ được chuẩn hóa và biến đổi thành tọa độ tương đối đối với khớp gốc (hip center hoặc spine base). Véc-tơ vận tốc được tính toán qua bước nhảy thời gian: $V_i(t) = p_i(t + \Delta t) - p_i(t)$. Dữ liệu sau đó được ghép kênh (channel concatenation) để tạo thành ten-xơ đặc trưng phong phú đầu vào cho mạng GCN.
  • Mô-đun Chú ý STC (Spatial-Temporal-Channel): Tính toán trọng số phân bố chú ý trên ba chiều độc lập: Channel Attention Module (CAM), Spatial Attention Module (SAM), và Temporal Attention Module (TAM), giúp mạng tự động tập trung vào các khớp và khung hình mang tính phân biệt cao nhất.
  • Điều kiện biên (Boundary Conditions): Khung phân tích được tối ưu hóa cho chuỗi hành động đơn lẻ đã phân đoạn (segmented sequences), hoạt động tối ưu trên dữ liệu thu nhận từ cảm biến độ sâu có tần số từ 15 đến 30 fps.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ nghiêm ngặt thế giới quan thực chứng (Positivism Paradigm) với phương pháp tiếp cận định lượng thực nghiệm (Empirical Quantitative Research). Thiết kế nghiên cứu đa tầng kết hợp giữa phương pháp thiết kế đặc trưng toán học giải tích và mô hình học sâu dữ liệu lớn (Data-driven Deep Learning).

Hệ thống mẫu thực nghiệm gồm:

  • Tập dữ liệu MSR-Action3D: Cảm biến Structured-Light Kinect v1, độ phân giải độ sâu $320 \times 240$, 15 fps, gồm 20 khớp xương, chia 3 tập con AS1, AS2, AS3 để đánh giá chéo.
  • Tập dữ liệu MICA-Action3D: Thu thập tại Viện MICA (ĐHBK Hà Nội), 20 đối tượng, 1.196 chuỗi hành động, 20 fps, sử dụng để đánh giá tổng quát hóa liên tập dữ liệu (cross-dataset evaluation).
  • Tập dữ liệu CMDFALL: Cảm biến Kinect v1, 20 fps, 50 đối tượng, gồm 20 lớp hành động (trong đó có 9 hành động sinh hoạt hằng ngày và 11 hành động ngã nguy hiểm). Môi trường thu thập thực tế tạo ra nhiều khung xương biến dạng nghiêm trọng khi đối tượng nằm trên sàn nhà.
  • Tập dữ liệu NTU RGB+D: Cảm biến Time-of-Flight Kinect v2, 30 fps, 25 khớp xương, 56.880 chuỗi hành động. Luận án tuân thủ tuyệt đối 2 benchmark chuẩn: Cross-Subject (CS - 40.320 chuỗi huấn luyện, 16.560 chuỗi kiểm thử) và Cross-View (CV - 37.920 chuỗi huấn luyện từ camera 2 & 3, 18.960 chuỗi kiểm thử từ camera 1).

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được chuẩn hóa qua các giao thức kiểm soát chất lượng dữ liệu nghiêm ngặt:

  1. Tiền xử lý và chuẩn hóa khung xương: Khử dịch chuyển tọa độ tuyệt đối bằng cách lấy gốc tọa độ tại khớp hông trung tâm ($x_c, y_c, z_c$), chuẩn hóa khoảng cách xương để loại bỏ biến thiên nhân trắc học giữa các đối tượng khác nhau.
  2. Thuật toán Chọn lọc Khớp Tự động (AMIJ):
    • Tính toán ma trận biến thiên động năng của từng khớp $i$ qua các mẫu: $w_i = \frac{1}{N_{bc}} \sum_{j=1}^{N_{bc}} \text{var}(p_{i,j}(t))$.
    • Xếp hạng và trích xuất $M$ khớp có trọng số vượt ngưỡng thích ứng $\theta$.
  3. Mô tả Hiệp phương sai trên Khớp Thông tin (CovMIJ):
    • Trích xuất ma trận hiệp phương sai tọa độ $\text{COV}(S_p) \in \mathbb{R}^{3M \times 3M}$ và ma trận hiệp phương sai vận tốc $\text{COV}(S_v) \in \mathbb{R}^{3M \times 3M}$.
    • Áp dụng cấu trúc phân tầng thời gian 2 lớp (Layer 1: toàn bộ chuỗi; Layer 2: các cửa sổ trượt phân đoạn chồng lấn 50% - Overlapping Windows) để bảo toàn thông tin tiến trình thời gian.
  4. Phần mềm và môi trường thực nghiệm:
    • Hệ điều hành Ubuntu 18.04 LTS, framework PyTorch, CUDA Toolkit, thư viện trực quan hóa Matplotlib (sử dụng Jet Colormap cho bản đồ chú ý), công cụ ước lượng tư thế Google MediaPipe (33 mốc) và OpenPose (18 khớp).

Data và phân tích

Luận án áp dụng các kỹ thuật phân tích ma trận nhầm lẫn (Confusion Matrix), phân tích thành phần chính (PCA), trực quan hóa không gian nhúng t-SNE (t-Distributed Stochastic Neighbor Embedding), và các kiểm định cắt bỏ (Ablation Studies) chuyên sâu để đo lường đóng góp của từng thành phần mô hình.

Độ tin cậy của mô hình được kiểm chứng độc lập qua các chỉ số:

  • Accuracy (Độ chính xác tổng thể): $\text{Acc} = \frac{TP + TN}{TP + TN + FP + FN}$
  • Precision, Recall, và F1-Score: Được tính toán chi tiết cho từng lớp hành động nguy hiểm trên tập dữ liệu mất cân bằng CMDFALL.
  • Độ phức tạp tính toán: Đo lường chính xác dung lượng bộ nhớ (Memory footprint in MB), số lượng tham số (Parameters in Millions), và số phép tính dấu phẩy động (FLOPs in GFLOPs/MFLOPs).

Phát hiện đột phá và implications

Những phát hiện then chốt

Trích xuất trực tiếp từ các bằng chứng định lượng trong luận án:

  1. Hiệu năng vượt trội của Joint Subset Selection trên dữ liệu nhiễu: Trích dẫn nguyên văn từ luận án: "Experimental results show that joint subset selection helps improve action recognition performance on datasets with noise in skeleton data." Trên tập dữ liệu MSR-Action3D, phương pháp Preset JSS (chọn 13 khớp) kết hợp với Covariance Descriptors đạt độ chính xác vượt trội so với việc sử dụng toàn bộ 20 khớp gốc, đồng thời giảm 45% thời gian tính toán trích xuất đặc trưng. Trên tập dữ liệu CMDFALL, thuật toán AMIJ giúp tăng F1-score của các hành động ngã khó phân biệt từ 72.4% lên 81.6%.
  2. Đột phá kháng nhiễu của mô hình FF-AAGCN trên tập dữ liệu CMDFALL: Trích dẫn từ luận án: "There are many poses with persons lying on the ground in the CMDFALL dataset, so there is a lot of noise in skeleton data. The reason is that the Kinect sensor could not get an accurate pose estimation for subjects from non-standing poses... Particularly, FF-AAGCN achieves remarkable results on challenging datasets." Mô hình đề xuất FF-AAGCN đạt độ chính xác vượt bậc trên CMDFALL so với mô hình gốc AAGCN. Trực quan hóa t-SNE cho thấy các cụm đặc trưng của các hành động dễ nhầm lẫn như left fall, right fall, sit on chair then fall left được phân tách rõ ràng và tập trung hơn rất nhiều so với không gian đặc trưng của AAGCN tiêu chuẩn.
  3. Xác lập độ chính xác cạnh tranh trên chuẩn quốc tế NTU RGB+D: Trên bộ dữ liệu quy mô lớn NTU RGB+D (56.880 mẫu), mô hình FF-AAGCN đạt độ chính xác 89.8% trên Cross-Subject (CS)95.8% trên Cross-View (CV), vượt qua các mô hình đường cơ sở như ST-GCN (CS: 81.5%, CV: 88.3%) và AS-GCN (CS: 86.8%, CV: 94.2%), cạnh tranh sòng phẳng với các mạng GCN đa nhánh phức tạp hàng đầu thế giới tại thời điểm công bố.
  4. Hiệu quả thu gọn kiến trúc của LW-FF-AAGCN: Mô hình siêu nhẹ đề xuất LW-FF-AAGCN cắt giảm hơn 70% số lượng tham số của mô hình AAGCN gốc (từ ~3.5M tham số xuống còn ~0.9M tham số) và giảm hơn 65% FLOPs, trong khi độ chính xác trên tập NTU RGB+D chỉ suy giảm không đáng kể (< 1.2%), cho phép mô hình đạt tốc độ suy luận thời gian thực (> 45 fps) trên CPU và thiết bị nhúng biên.
  5. Cơ chế STC Attention phản ánh chính xác động học cơ thể người: Bản đồ chú ý (Attention Map) trực quan hóa bằng Jet Colormap chứng minh mô hình tự động gán trọng số cực đại cho các khớp cổ tay và bàn tay trong các hành động khéo léo (draw X, draw circle, two-hand wave), và gán trọng số lớn cho khớp mắt cá chân, đầu gối trong các hành động di chuyển (walk, kick).

Implications đa chiều

  • Về mặt lý thuyết: Luận án chứng minh rằng việc kết hợp tri thức động học vật lý (domain-specific kinematic constraints) vào kiến trúc học sâu dạng đồ thị mang lại hiệu quả biểu diễn vượt trội hơn việc tăng độ sâu thuần túy của mạng nơ-ron.
  • Về mặt phương pháp luận: Đóng góp một quy trình hoàn chỉnh từ chọn lọc khớp thích ứng, dung hợp đặc trưng không gian - thời gian đến tinh giản đồ thị, có khả năng chuyển giao và áp dụng cho các bài toán phân tích chuyển động khác như chẩn đoán dáng đi y khoa, phân tích kỹ thuật thể thao, và nhận dạng ngôn ngữ ký hiệu.
  • Về ứng dụng thực tiễn: Tạo tiền đề triển khai hệ thống cảnh báo té ngã tự động cho người cao tuổi trong bệnh viện và viện dưỡng lão sử dụng camera RGB-D giá rẻ, bảo đảm tính riêng tư tuyệt đối do chỉ xử lý dữ liệu khung xương thay vì hình ảnh RGB đầy đủ.
  • Về mặt chính sách và triển khai: Cung cấp giải pháp công nghệ đáp ứng tiêu chuẩn tính toán biên trong chiến lược chuyển đổi số y tế và thành phố thông minh (Smart Healthcare & Smart Cities).

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Phụ thuộc góc nhìn đơn (Single-view Constraint): Mô hình hiện tại được tối ưu hóa cho chuỗi khung xương đơn góc nhìn. Khi bị che khuất hoàn toàn từ một phía, chất lượng ước lượng tư thế vẫn bị ảnh hưởng nếu không có cơ chế dung hợp đa camera (Multi-view fusion).
  2. Giới hạn hành động đơn lẻ đã phân đoạn: Luận án tập trung vào bài toán nhận dạng hành động (Action Recognition) trên các đoạn clip đã cắt sẵn, chưa tích hợp mô-đun phát hiện điểm bắt đầu - kết thúc hành động trong luồng video liên tục thời gian thực (Online Action Spotting/Detection).
  3. Phạm vi hành động tương tác: Nghiên cứu chủ yếu tập trung vào các hành động cá nhân hoặc tương tác hai người cơ bản, chưa mở rộng sang các kịch bản tương tác nhóm phức tạp (Crowd behavior analysis).

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Tích hợp kỹ thuật học tự giám sát (Self-supervised learning) để khai thác các tập dữ liệu khung xương khổng lồ chưa được gán nhãn.
  • Mở rộng kiến trúc đồ thị động (Dynamic Graph Neural Networks) có khả năng tự động học cấu trúc tô-pô thay đổi theo thời gian thay cho ma trận kề cố định.
  • Triển khai ứng dụng hoàn chỉnh đánh giá bài tập phục hồi chức năng và Yoga trên thiết bị di động kết hợp công nghệ Google MediaPipe.

Tác động và ảnh hưởng

  • Tác động học thuật: Các công bố từ luận án trên các tạp chí và hội nghị uy tín thuộc danh mục ISI/Scopus đã đóng góp cơ sở dữ liệu MICA-Action3D cho cộng đồng nghiên cứu thị giác máy tính tại Việt Nam và quốc tế, định hình hướng tiếp cận mới trong việc xử lý dữ liệu khung xương nhiễu.
  • Chuyển đổi công nghiệp & Y tế: Cung cấp lõi công nghệ trực tiếp cho các hệ thống giám sát bệnh nhân từ xa, hệ thống cảnh báo tai nạn lao động trong nhà máy công nghiệp thông minh, và các thiết bị tương tác không chạm (Touchless HCI).
  • Lợi ích xã hội: Giảm thiểu tỷ lệ chấn thương nghiêm trọng và tử vong ở người cao tuổi sống độc thân thông qua hệ thống phát hiện té ngã tức thời với chi phí thiết bị cực thấp.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên ngành Khoa học Máy tính / Thị giác Máy tính: Tiếp cận khung phân tích lý thuyết đồ thị tiên tiến, phương pháp dung hợp đặc trưng động học và bộ mã nguồn chuẩn mực để phát triển các đề tài nghiên cứu tiếp nối.
  • Kỹ sư R&D trong ngành AI / IoT Biên: Sở hữu kiến trúc mạng nơ-ron đồ thị thu gọn (LW-FF-AAGCN) sẵn sàng nạp lên các chip xử lý biên (NVIDIA Jetson, Raspberry Pi, Google Coral) với độ trễ thấp.
  • Các tổ chức Y tế và Chăm sóc Sức khỏe: Ứng dụng giải pháp giám sát hành vi người bệnh tự động, bảo vệ quyền riêng tư cá nhân theo chuẩn HIPAA/GDPR.
  • Nhà phát triển Ứng dụng Thể thao / Thực tế ảo (VR/AR): Ứng dụng mô-đun ước lượng và đánh giá tư thế người thời gian thực cho các ứng dụng thể dục thông minh.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc hình thức hóa Khung dung hợp không gian - động học trên mạng đồ thị thích ứng (Spatial-Kinematic Fusion on Adaptive Graph Networks), mở rộng trực tiếp lý thuyết tri giác chuyển động thị giác của Johansson (1973). Luận án chứng minh rằng thông tin ngữ nghĩa của hành động không chỉ nằm ở vị trí các khớp đơn lẻ mà tập trung tại mối tương quan vị trí tương đối (RJP) và đạo hàm bậc nhất của chuyển động (vận tốc khớp $S_v$) trên một tập con cấu trúc xương tối thiểu.

2. Sự đổi mới về phương pháp luận so với ít nhất 2 công trình quốc tế tiêu biểu?

  • So với ST-GCN (Yan et al., 2018): ST-GCN sử dụng ma trận kề cố định theo cấu trúc giải phẫu học và chỉ nhận đầu vào là tọa độ $(x, y, z)$. Luận án phát triển mô-đun Feature Fusion bổ sung RJP và $S_v$, đồng thời tích hợp cơ chế chú ý STC giúp ma trận kề thích ứng linh hoạt theo từng hành động.
  • So với AAGCN (Shi et al., 2020): AAGCN nguyên bản dễ bị quá khớp (overfitting) và sụt giảm độ chính xác khi dữ liệu bị nhiễu do ước lượng tư thế nằm/ngã. Mô hình FF-AAGCN và LW-FF-AAGCN của luận án giải quyết triệt để vấn đề này nhờ cơ chế lọc khớp thông tin (JSS) và thiết kế lại đồ thị đối xứng sinh học (JSS-B), giúp tăng F1-score trên tập CMDFALL và giảm hơn 70% tham số mô hình.

3. Phát hiện bất ngờ nhất với bằng chứng thực nghiệm cụ thể từ dữ liệu là gì?

Phát hiện bất ngờ nhất là: Việc loại bỏ bớt 35% số lượng khớp xương (từ 20 khớp xuống 13 khớp trong Preset JSS) không những không làm mất mát thông tin mà còn làm tăng độ chính xác phân lớp trên các tập dữ liệu nhiễu. Bằng chứng thực nghiệm trên tập MSR-Action3D cho thấy độ chính xác nhận dạng khi sử dụng 13 khớp chủ đạo cao hơn khi sử dụng toàn bộ 20 khớp, chứng minh rằng các khớp như cột sống, vai và ngực đóng vai trò là "nhiễu tĩnh" gây phân tán trọng số của mạng phân lớp.

4. Giao thức tái lập thực nghiệm (Replication Protocol) có được cung cấp đầy đủ không?

Luận án cung cấp chi tiết toàn bộ siêu tham số (Hyperparameters): thuật toán tối ưu SGD với Nesterov momentum 0.9, learning rate khởi tạo 0.1 với cơ chế giảm theo hàm bước (step decay), kích thước batch size 16/32/64 tùy tập dữ liệu, kỹ thuật chuẩn hóa Batch Normalization, cấu trúc chi tiết của 10 Spatial-Temporal Basic Blocks, cũng như thông số các công cụ phần mềm (PyTorch, Google MediaPipe, Kinect SDK v1/v2, Ubuntu 18.04 LTS).

5. Lộ trình nghiên cứu 10 năm tiếp theo được vạch ra như thế nào?

Lộ trình phát triển 10 năm hướng tới:

  • Xây dựng mô hình nền tảng (Foundation Models) cho phân tích hành vi người đa phương thức (kết hợp Skeleton, Video RGB, Cảm biến quán tính IMU, và Văn bản miêu tả hành động).
  • Ứng dụng mạng GCN biến đổi hình học thần kinh (Neural Geometric GCN) để tự động sửa lỗi và nội suy các khớp bị che khuất trong không gian 3D phức tạp thời gian thực.
  • Chuẩn hóa hệ thống AI chấm điểm và chỉnh sửa tư thế chuẩn xác trong y học thể thao và phục hồi chức năng thần kinh.

Kết luận

Luận án tiến sĩ của NCS. Phạm Đình Tân đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp học thuật và công nghệ cốt lõi:

  1. Đề xuất hai phương pháp chọn lọc tập con khớp (Preset JSS và AMIJ): Chứng minh tính hiệu quả của việc giảm chiều dữ liệu động học, loại bỏ nhiễu và tối ưu hóa thời gian tính toán cho các bài toán phân lớp khung xương.
  2. Thiết kế mô-đun Feature Fusion (FF): Đột phá trong việc kết hợp vị trí khớp tương đối và vận tốc thời gian, giúp mô hình đạt tính bất biến tịnh tiến và kháng nhiễu vượt trội trên các tư thế phức tạp.
  3. Phát triển kiến trúc mạng FF-AAGCN: Nâng cao hiệu năng nhận dạng hành động trên các tập dữ liệu chuẩn quốc tế (MSR-Action3D, NTU RGB+D) và dữ liệu thực tế nhiều thách thức (CMDFALL).
  4. Kiến tạo mô hình mạng siêu nhẹ LW-FF-AAGCN: Giảm hơn 70% số lượng tham số và 65% FLOPs so với mô hình cơ sở, mở đường cho việc thương mại hóa và ứng dụng AI nhận dạng hành động trên các thiết bị nhúng và IoT biên.
  5. Xây dựng và đóng góp tập dữ liệu MICA-Action3D: Bổ sung nguồn tài nguyên dữ liệu giá trị cho cộng đồng nghiên cứu thị giác máy tính trong nước và quốc tế.

Công trình tạo ra bước chuyển dịch quan trọng từ việc áp dụng thụ động các mô hình học sâu hộp đen sang việc chủ động dung hợp tri thức động học cơ thể người vào cấu trúc mạng nơ-ron, đặt nền móng vững chắc cho các hệ thống giám sát sức khỏe thông minh và tương tác người - máy thế hệ mới.