Nghiên Cứu Nhận Dạng Hoạt Động Bất Thường Của Người Bằng IoT

Nghiên cứu phát hiện bất thường IoT đang trở nên cấp thiết trong bối cảnh số hóa. 55 trang · Học viện Công nghệ Bưu chính Viễn thông · 2020.

• Tác giả: Phan Hữu Thăng
• Người hướng dẫn: PGS. Phạm Văn Cường
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên Cứu Nhận Dạng Hoạt Động Bất Thường Của Người Bằng IoT
• Loại tài liệu: luận văn thạc sĩ kỹ thuật
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ PHÁT HIỆN VẬN ĐỘNG BẤT THƯỜNG
• 1.1. Các nghiên cứu trước đây về phát hiện hoạt động bất thường
• 1.2. Phạm vi và các giả định
• 2. CHƯƠNG 2: PHÁT HIỆN HOẠT ĐỘNG BẤT THƯỜNG CỦA CON NGƯỜI
• 2.1. Thiết kế vòng đeo tay thông minh, dây thắt lưng thông minh
• 2.2. Phân tích và xử lý dữ liệu cảm biến
• 2.3. Phát hiện hoạt động bất thường
• 2.4. Huấn luyện mô hình học máy
• 3. CHƯƠNG 3: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 3.1. Thu thập dữ liệu
• 3.2. Thử nghiệm và đánh giá
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Phát Hiện Bất Thường IoT Giới Thiệu

Nghiên cứu phát hiện bất thường IoT đang trở nên cấp thiết trong bối cảnh số hóa. Các thiết bị IoT ngày càng phổ biến, từ nhà thông minh đến công nghiệp, kéo theo đó là những rủi ro về an ninh IoT. Việc giám sát và phát hiện các hành vi bất thường là vô cùng quan trọng để bảo vệ hệ thống và dữ liệu. Các ứng dụng của việc phát hiện bất thường rất đa dạng, từ giám sát an ninh, phát hiện gian lận đến chăm sóc sức khỏe. Bài toán này đặt ra nhiều thách thức, đặc biệt là việc thu thập và xử lý lượng lớn dữ liệu cảm biến IoT một cách hiệu quả. Các phương pháp truyền thống dựa trên thị giác máy tính gặp nhiều hạn chế về tính phức tạp và xâm phạm quyền riêng tư. Do đó, việc nghiên cứu các phương pháp mới dựa trên phân tích dữ liệu IoT và học máy IoT là vô cùng cần thiết. Luận văn này tập trung vào việc nghiên cứu và phát triển các phương pháp nhận dạng hoạt động bất thường của con người sử dụng IoT.

1.1. Tầm quan trọng của phát hiện bất thường trong hệ thống IoT

Việc phát hiện bất thường trong hệ thống IoT đóng vai trò then chốt trong việc bảo vệ cơ sở hạ tầng và dữ liệu. Các cuộc tấn công IoT ngày càng tinh vi và khó lường, đòi hỏi các giải pháp giám sát và phát hiện chủ động. Một hệ thống phát hiện bất thường hiệu quả có thể giúp ngăn chặn các cuộc tấn công, giảm thiểu thiệt hại và bảo vệ quyền riêng tư của người dùng. Ứng dụng trong giám sát an ninh, hệ thống có thể phát hiện các hành vi đáng ngờ trong khu vực an ninh cao. Trong chăm sóc sức khỏe, hệ thống có thể cảnh báo về các tình huống nguy hiểm như ngã hoặc đột quỵ. Do đó, đầu tư vào nghiên cứu và phát triển các giải pháp phát hiện bất thường IoT là vô cùng quan trọng.

1.2. Các thách thức trong phát hiện bất thường sử dụng dữ liệu IoT

Mặc dù có nhiều tiềm năng, việc phát hiện bất thường sử dụng dữ liệu IoT cũng đối mặt với nhiều thách thức. Lượng dữ liệu cảm biến IoT thường rất lớn và phức tạp, đòi hỏi các phương pháp xử lý và phân tích hiệu quả. Các hoạt động bất thường thường hiếm khi xảy ra, gây khó khăn cho việc thu thập dữ liệu huấn luyện. Ngoài ra, các thiết bị IoT thường có tài nguyên hạn chế, đòi hỏi các thuật toán nhẹ và tiết kiệm năng lượng. Vấn đề bảo mật IoT và quyền riêng tư cũng cần được xem xét kỹ lưỡng. Các giải pháp phát hiện bất thường cần đảm bảo tính chính xác, độ tin cậy và khả năng mở rộng để đáp ứng nhu cầu thực tế.

II. Thách Thức An Ninh IoT Rủi Ro Giải Pháp Phát Hiện

An ninh luôn là một thách thức lớn đối với các hệ thống IoT. Các thiết bị IoT thường có bảo mật yếu, dễ bị tấn công và xâm nhập. Các cuộc tấn công có thể gây ra hậu quả nghiêm trọng, từ mất dữ liệu đến gián đoạn hoạt động. Việc phát hiện xâm nhập IoT và phân tích rủi ro IoT là vô cùng quan trọng để bảo vệ hệ thống. Các phương pháp phát hiện bất thường có thể giúp xác định các hành vi đáng ngờ và ngăn chặn các cuộc tấn công. Tuy nhiên, việc triển khai các giải pháp an ninh hiệu quả cho mạng IoT đòi hỏi sự hiểu biết sâu sắc về các rủi ro và các phương pháp phòng ngừa.

2.1. Các loại tấn công phổ biến vào hệ thống IoT và hậu quả

Hệ thống IoT dễ bị tấn công bởi nhiều loại hình tấn công khác nhau, bao gồm tấn công từ chối dịch vụ (DoS), tấn công man-in-the-middle (MITM), và tấn công bằng mã độc. Tấn công DoS có thể làm gián đoạn hoạt động của hệ thống bằng cách làm quá tải tài nguyên. Tấn công MITM cho phép kẻ tấn công chặn và sửa đổi dữ liệu truyền giữa các thiết bị. Tấn công bằng mã độc có thể lây nhiễm các thiết bị và gây ra các hành vi độc hại. Hậu quả của các cuộc tấn công có thể rất nghiêm trọng, bao gồm mất dữ liệu, gián đoạn hoạt động, và thiệt hại về tài chính.

2.2. Các phương pháp phát hiện xâm nhập và phân tích rủi ro trong IoT

Có nhiều phương pháp phát hiện xâm nhập IoT và phân tích rủi ro IoT khác nhau. Các phương pháp dựa trên chữ ký (signature-based) sử dụng các mẫu đã biết để phát hiện các cuộc tấn công. Các phương pháp dựa trên thống kê (statistical-based) phân tích các hành vi bất thường so với các hành vi bình thường. Các phương pháp dựa trên học máy IoT sử dụng các thuật toán để học các mẫu hành vi và phát hiện các bất thường. Việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của hệ thống và các rủi ro cụ thể.

2.3. Giải pháp bảo mật IoT và cải thiện an ninh hệ thống

Để cải thiện an ninh IoT, cần triển khai các giải pháp bảo mật toàn diện. Điều này bao gồm việc sử dụng các giao thức bảo mật mạnh, mã hóa dữ liệu, và xác thực thiết bị. Cần thường xuyên cập nhật phần mềm và vá các lỗ hổng bảo mật. Việc giám sát và phân tích hành vi IoT cũng rất quan trọng để phát hiện và ngăn chặn các cuộc tấn công. Ngoài ra, cần nâng cao nhận thức về an ninh cho người dùng và nhà phát triển.

III. Phương Pháp Học Máy IoT Phát Hiện Hoạt Động Bất Thường

Các phương pháp học máy IoT đang được sử dụng rộng rãi trong việc phát hiện hoạt động bất thường. Các thuật toán như SVM, KNN, và học sâu IoT có thể được huấn luyện để nhận dạng các mẫu hành vi và phát hiện các bất thường. Trí tuệ nhân tạo IoT đóng vai trò quan trọng trong việc tự động hóa quá trình phát hiện bất thường và cải thiện độ chính xác. Các mô hình học máy có thể được xây dựng dựa trên dữ liệu cảm biến IoT để dự đoán các hành vi bất thường và cảnh báo cho người dùng.

3.1. Sử dụng SVM và KNN để phân loại hoạt động bất thường

SVM (Support Vector Machine) và KNN (K-Nearest Neighbors) là hai thuật toán học máy phổ biến được sử dụng để phân loại hoạt động bất thường. SVM tìm cách tìm một siêu phẳng tối ưu để phân tách các lớp dữ liệu. KNN phân loại một điểm dữ liệu dựa trên các điểm dữ liệu gần nhất. Cả hai thuật toán đều có thể được huấn luyện trên dữ liệu cảm biến IoT để phân loại các hoạt động là bình thường hoặc bất thường.

3.2. Ứng dụng học sâu Deep Learning trong phát hiện bất thường

Học sâu IoT (Deep Learning) là một lĩnh vực của học máy sử dụng các mạng nơ-ron sâu để học các biểu diễn phức tạp của dữ liệu. Các mạng nơ-ron sâu có thể tự động trích xuất các đặc trưng quan trọng từ dữ liệu cảm biến IoT và sử dụng chúng để dự đoán bất thường IoT với độ chính xác cao. Các kiến trúc mạng nơ-ron phổ biến bao gồm CNN (Convolutional Neural Networks) và RNN (Recurrent Neural Networks).

3.3. Xây dựng mô hình hóa dữ liệu IoT và huấn luyện mô hình

Việc mô hình hóa dữ liệu IoT là một bước quan trọng trong việc xây dựng các hệ thống phát hiện bất thường. Dữ liệu cần được tiền xử lý, làm sạch, và chuyển đổi thành các định dạng phù hợp cho các thuật toán học máy. Quá trình huấn luyện mô hình bao gồm việc sử dụng một tập dữ liệu huấn luyện để điều chỉnh các tham số của mô hình. Sau khi huấn luyện, mô hình cần được đánh giá trên một tập dữ liệu kiểm tra để đảm bảo hiệu suất tốt.

IV. Ứng Dụng Thực Tế Giám Sát Sức Khỏe An Ninh Với IoT

Các ứng dụng thực tế của phát hiện bất thường IoT rất đa dạng. Trong lĩnh vực chăm sóc sức khỏe, hệ thống có thể được sử dụng để giám sát người cao tuổi và bệnh nhân, phát hiện các tình huống nguy hiểm như ngã hoặc đột quỵ. Trong lĩnh vực an ninh, hệ thống có thể được sử dụng để giám sát các khu vực an ninh cao, phát hiện các hành vi đáng ngờ và ngăn chặn các cuộc tấn công. Các ứng dụng IoT này có thể cải thiện chất lượng cuộc sống và bảo vệ an toàn cho con người.

4.1. Giám sát sức khỏe người cao tuổi và bệnh nhân bằng IoT

Việc giám sát IoT sức khỏe người cao tuổi và bệnh nhân là một ứng dụng quan trọng của phát hiện bất thường. Các thiết bị IoT có thể được sử dụng để theo dõi các chỉ số sức khỏe, hoạt động hàng ngày, và vị trí của người dùng. Hệ thống có thể phát hiện các tình huống nguy hiểm như ngã, đột quỵ, hoặc lang thang và cảnh báo cho người thân hoặc nhân viên y tế.

4.2. Ứng dụng IoT trong giám sát an ninh và phát hiện xâm nhập

Trong lĩnh vực an ninh, giám sát IoT có thể được sử dụng để bảo vệ các khu vực an ninh cao, như sân bay, nhà máy, và văn phòng chính phủ. Các cảm biến có thể được sử dụng để phát hiện các hành vi đáng ngờ, như xâm nhập trái phép, di chuyển bất thường, hoặc tiếng ồn lớn. Hệ thống có thể cảnh báo cho nhân viên an ninh và kích hoạt các biện pháp phòng ngừa.

4.3. Ví dụ về các hệ thống phát hiện bất thường IoT thành công

Có nhiều ví dụ phát hiện bất thường IoT thành công trong thực tế. Một số hệ thống sử dụng các thiết bị đeo để theo dõi sức khỏe người cao tuổi và phát hiện ngã. Một số hệ thống sử dụng camera và cảm biến để giám sát các khu vực công cộng và phát hiện các hành vi tội phạm. Các hệ thống này đã chứng minh được hiệu quả trong việc cải thiện an toàn và chất lượng cuộc sống.

V. Đánh Giá Hiệu Suất Cải Thiện Giải Pháp Phát Hiện Bất Thường

Việc đánh giá hiệu suất IoT của các hệ thống phát hiện bất thường là rất quan trọng để đảm bảo tính chính xác và độ tin cậy. Các chỉ số như độ chính xác, độ nhạy, và độ đặc hiệu cần được đo lường và phân tích. Các phương pháp cải thiện an ninh IoT và giải pháp phát hiện bất thường IoT cần được liên tục nghiên cứu và phát triển để đáp ứng các thách thức mới.

5.1. Các chỉ số đánh giá hiệu suất của hệ thống phát hiện bất thường

Các chỉ số quan trọng để đánh giá hiệu suất IoT của hệ thống phát hiện bất thường bao gồm độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity), và F1-score. Độ chính xác đo lường tỷ lệ các dự đoán đúng. Độ nhạy đo lường khả năng phát hiện các hoạt động bất thường thực sự. Độ đặc hiệu đo lường khả năng xác định các hoạt động bình thường. F1-score là một thước đo kết hợp độ nhạy và độ đặc hiệu.

5.2. Các phương pháp cải thiện độ chính xác và độ tin cậy

Có nhiều phương pháp để cải thiện an ninh IoT và độ tin cậy của hệ thống phát hiện bất thường. Điều này bao gồm việc sử dụng các thuật toán học máy tiên tiến, thu thập dữ liệu huấn luyện chất lượng cao, và điều chỉnh các tham số của mô hình. Việc kết hợp nhiều nguồn dữ liệu và sử dụng các phương pháp phân tích dữ liệu IoT phức tạp cũng có thể cải thiện hiệu suất.

5.3. Nền tảng và công cụ hỗ trợ phát triển giải pháp phát hiện

Có nhiều nền tảng phát hiện bất thường IoT và công cụ phát hiện bất thường IoT hỗ trợ phát triển các giải pháp phát hiện bất thường. Các nền tảng này cung cấp các API, thư viện, và công cụ để thu thập, xử lý, và phân tích dữ liệu cảm biến IoT. Các công cụ này giúp giảm thời gian và chi phí phát triển và cho phép các nhà nghiên cứu và phát triển tập trung vào việc cải thiện các thuật toán và mô hình.

VI. Tương Lai Nghiên Cứu Xu Hướng Thách Thức Phát Triển IoT

Nghiên cứu về phát hiện bất thường IoT đang phát triển nhanh chóng. Các xu hướng IoT mới như IoT biên (edge IoT) và IoT bảo mật (secure IoT) đang mở ra những cơ hội mới. Tuy nhiên, cũng có nhiều thách thức IoT cần được giải quyết, như vấn đề bảo mật, quyền riêng tư, và khả năng mở rộng. Nghiên cứu trong tương lai cần tập trung vào việc phát triển các giải pháp phát hiện bất thường thông minh, hiệu quả, và an toàn.

6.1. Các xu hướng mới trong nghiên cứu phát hiện bất thường IoT

Các xu hướng IoT mới trong nghiên cứu phát hiện bất thường bao gồm việc sử dụng IoT biên để xử lý dữ liệu gần nguồn, sử dụng các kỹ thuật bảo mật IoT tiên tiến để bảo vệ dữ liệu, và phát triển các thuật toán học máy có thể thích ứng với các môi trường thay đổi. Việc tích hợp trí tuệ nhân tạo IoT và học sâu IoT cũng là một xu hướng quan trọng.

6.2. Các thách thức cần giải quyết trong phát triển hệ thống IoT

Các thách thức IoT cần giải quyết trong phát triển hệ thống phát hiện bất thường bao gồm vấn đề bảo mật, quyền riêng tư, khả năng mở rộng, và hiệu quả năng lượng. Các hệ thống cần được thiết kế để chống lại các cuộc tấn công, bảo vệ dữ liệu cá nhân, và hoạt động hiệu quả trên các thiết bị có tài nguyên hạn chế.

6.3. Hướng nghiên cứu tương lai và tiềm năng ứng dụng của IoT

Hướng nghiên cứu tương lai trong phát hiện bất thường IoT bao gồm việc phát triển các thuật toán học máy có thể học từ dữ liệu không đầy đủ, phát triển các hệ thống có thể tự động thích ứng với các môi trường thay đổi, và phát triển các giải pháp có thể được triển khai trên các thiết bị có tài nguyên hạn chế. Tiềm năng ứng dụng IoT là rất lớn, từ chăm sóc sức khỏe đến an ninh và công nghiệp.

Nội dung chính

Tổng quan nghiên cứu

Theo các báo cáo y tế công cộng quốc tế, ước tính khoảng 28% đến 35% người từ 65 tuổi trở lên gặp phải ít nhất một sự cố té ngã mỗi năm, và tỷ lệ này tăng lên tới 42% ở những người trên 70 tuổi. Sự già hóa dân số nhanh chóng tại nhiều quốc gia, kết hợp với xu hướng người cao tuổi mong muốn sống độc lập tại nhà riêng, đang đặt ra thách thức lớn cho hệ thống an sinh xã hội và dịch vụ điều dưỡng vốn đang thiếu hụt nghiêm trọng. Các rủi ro chấn thương nặng hoặc tử vong do té ngã không được phát hiện kịp thời ở người già và bệnh nhân mắc chứng suy giảm nhận thức như Parkinson, Alzheimer ngày càng trở nên báo động.

Trong bối cảnh đó, các giải pháp giám sát chuyển động truyền thống dựa trên camera thị giác máy tính bộc lộ nhiều điểm hạn chế nghiêm trọng: tính toán xử lý hình ảnh phức tạp, phụ thuộc vào điều kiện ánh sáng, góc khuất và đặc biệt là sự xâm phạm quyền riêng tư của cá nhân trong không gian sinh hoạt. Nhằm giải quyết triệt để bài toán này, đề tài luận văn thạc sĩ kỹ thuật chuyên ngành Khoa học máy tính "Nghiên cứu nhận dạng hoạt động bất thường của người bằng IoT" được thực hiện tại Học viện Công nghệ Bưu chính Viễn thông Hà Nội vào năm 2020, dưới sự hướng dẫn khoa học của PGS.TS Phạm Văn Cường. Nghiên cứu đồng thời nhận được sự hỗ trợ từ Đề tài nghiên cứu độc lập cấp quốc gia mã số ĐTĐLCN-16/18 về hệ thống tự động trợ giúp theo dõi hô hấp và vận động bất thường.

Mục tiêu trọng tâm của nghiên cứu là thiết kế hệ thống IoT đeo thông minh (vòng đeo tay và dây thắt lưng) tích hợp cảm biến gia tốc ba trục, xây dựng mô hình học máy One-Class SVM kết hợp mô hình Markov ẩn (HMM) để tự động nhận dạng các hoạt động bất thường với độ trễ xử lý dữ liệu dưới 100 mili giây. Phạm vi nghiên cứu tập trung phân loại 17 kịch bản vận động thường nhật và sự cố ngã nguy hiểm, mang lại giải pháp công nghệ có tính ứng dụng thực tiễn cao cho lĩnh vực y tế thông minh và giám sát an ninh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng tích hợp giữa công nghệ Internet vạn vật (IoT), lý thuyết xử lý tín hiệu chuỗi thời gian và các thuật toán học máy phát hiện bất thường:

• Mô hình máy vector hỗ trợ một lớp (One-Class SVM): Đây là thuật toán cốt lõi đóng vai trò học ranh giới quyết định (decision boundary) bao quanh vùng phân bố của dữ liệu hoạt động bình thường. Thay vì đòi hỏi tập mẫu ngã vốn rất khan hiếm và nguy hiểm khi thu thập thực tế, One-Class SVM tìm kiếm một siêu phẳng phân tách tối ưu để xem các hoạt động vượt ra ngoài ranh giới chuẩn là hành vi bất thường.
• Mô hình Markov ẩn (Hidden Markov Models - HMM): Được ứng dụng để trích chọn đặc trưng theo chuỗi thời gian cho từng loại chuyển động định kỳ như đi bộ, chạy chậm hay đứng lên ngồi xuống. Mô hình ước lượng hàm hợp lý logarit (Log-likelihood) phản ánh độ tương đồng của chuỗi tín hiệu gia tốc so với các trạng thái vận động thông thường.
• Hệ thống cảm biến gia tốc WAX3: Thiết bị thu nhận gia tốc 3 trục (X, Y, Z) với dải đo ±16g, tần số lấy mẫu lên đến 2.000 Hz, truyền gói dữ liệu (Packet) định dạng chuẩn kết thúc bằng byte 0xC0 qua cổng kết nối thời gian thực.
• Hệ thống 4 nhóm đặc trưng thống kê và lý thuyết thông tin: Bao gồm Giá trị trung bình cộng (Mean Value), Độ lệch chuẩn (Standard Deviation), Entropy thông tin Shannon và Hệ số tương quan tuyến tính Pearson giữa các trục gia tốc, hình thành vector đặc trưng 24 chiều toàn diện.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm từ bộ dữ liệu đa thể thức CMDFALL, được xây dựng thông qua sự hợp tác giữa Học viện Công nghệ Bưu chính Viễn thông và Đại học Bách Khoa Hà Nội. Cỡ mẫu nghiên cứu bao gồm 50 đối tượng tình nguyện viên tham gia thực hiện 17 kịch bản vận động trong môi trường phòng thử nghiệm tiêu chuẩn.

Phương pháp thu thập và tiền xử lý dữ liệu được thiết kế đồng bộ với hai vị trí đeo cảm biến WAX3 (cổ tay và thắt lưng/hông). Mỗi mẫu dữ liệu biểu diễn dưới dạng vector 6 chiều không gian. Dữ liệu được phân đoạn theo kỹ thuật cửa sổ trượt cố định 50 mẫu (tương đương khoảng 1 đến 2 giây chuyển động). Tập dữ liệu huấn luyện bao gồm 400.000 bản ghi hoạt động bình thường (tương ứng 8.000 cửa sổ) và tập kiểm thử gồm 15.000 bản ghi hoạt động bất thường (tương ứng 300 cửa sổ). Lý do lựa chọn kết hợp phân tích cửa sổ trượt với One-Class SVM là nhằm đảm bảo tốc độ phản hồi tức thì của thiết bị nhúng và giải quyết triệt để sự mất cân bằng nghiêm trọng giữa dữ liệu bình thường và dữ liệu sự cố.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối với 17 hoạt động (11 hoạt động thường nhật và 6 dạng ngã nguy hiểm) đã mang lại các kết quả định lượng cụ thể:

• Hiệu quả phân đoạn cửa sổ và vector đặc trưng 24 chiều: Trong giải pháp thứ nhất, việc phân chia 400.000 mẫu bình thường thành 8.000 cửa sổ trượt kết hợp trích xuất Mean, Std, Entropy và tương quan Pearson đã giúp mô hình One-Class SVM nhận dạng chính xác hơn 68% đến 71% các trường hợp ngã trực diện (ngã về phía trước đạt 204/300 mẫu đúng, ngã về phía sau đạt 210/300 mẫu đúng, ngã nghiêng phải đạt 213/300 mẫu đúng).
• Độ nhạy phân loại ngã từ ghế: Đối với các tình huống ngã phức tạp như ngã từ trên ghế sang trái hoặc phải, giải pháp đạt tỷ lệ nhận diện đúng lần lượt là 190/300 mẫu và 202/300 mẫu, chứng minh khả năng bắt trúng các xung gia tốc đột ngột ngay cả khi biên độ vận động ban đầu ở mức thấp.
• Độ đo tổng thể của mô hình: Kết quả tính toán cho thấy mô hình One-Class SVM trên tập đặc trưng đạt điểm F1-score bình quân 0,66, độ hồi quy phản ánh ranh giới tách biệt rõ ràng giữa chuyển động bình thường và chuyển động va đập cơ thể.
• Giải pháp kết hợp HMM: Việc sử dụng các mô hình HMM thành phần để tạo vector đặc trưng Log-likelihood trên tập dữ liệu kiểm thử 6.000 mẫu (3.000 mẫu bình thường và 3.000 mẫu bất thường) đã cải thiện độ mượt mà của tín hiệu, giúp giảm thiểu hiện tượng phân loại nhầm giữa hành động đi loạng choạng và sự cố té ngã thực sự.

Thảo luận kết quả

Khi phân tích ma trận nhầm lẫn (Confusion Matrix), nguyên nhân chính dẫn đến một số trường hợp báo động nhầm (khoảng 29% đến 33% mẫu ngã bị xếp vào nhóm hoạt động bình thường) xuất phát từ các vận động chuyển tiếp có gia tốc biến thiên nhanh như cúi nhặt đồ đột ngột hoặc ngồi phịch xuống giường. Những hành động này tạo ra mức độ phân tán dữ liệu và độ lệch chuẩn tương đồng với các pha bắt đầu của một cú ngã.

So sánh với các nghiên cứu tiền nhiệm, mô hình của Jie Yin sử dụng cảm biến MICA2 gắn tại 3 vị trí kết hợp One-Class SVM và KNLR đạt tỷ lệ phát hiện tốt nhưng cấu hình phần cứng cồng kềnh với 5 loại cảm biến khác nhau. Nghiên cứu của Sazonova trên cảm biến gắn giày đạt sai số RMSE 0,69 METS nhưng chủ yếu tối ưu cho bài toán tiêu hao năng lượng. Giải pháp trong luận văn này chứng minh ưu thế vượt trội khi chỉ cần 2 vị trí cảm biến WAX3 gọn nhẹ, bảo vệ trọn vẹn quyền riêng tư và giảm tải hơn 80% khối lượng tính toán so với việc xử lý luồng video camera trong các nghiên cứu thị giác máy tính. Dữ liệu thực nghiệm qua bảng ma trận lỗi và đường cong ROC minh chứng tính khả thi cao của việc triển khai mô hình học máy một lớp trên thiết bị IoT biên.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đưa ra 4 khuyến nghị then chốt nhằm hoàn thiện và nâng cao hiệu quả ứng dụng của hệ thống:

1. Tối ưu hóa thuật toán lọc nhiễu thích nghi: Đội ngũ kỹ sư phần mềm cần tích hợp thêm bộ lọc Kalman mở rộng hoặc bộ lọc thông thấp (Butterworth Low-pass Filter) trong vòng 6 tháng tới, nhằm triệt tiêu rung động cơ học ngoại cảnh, hướng tới mục tiêu giảm tỷ lệ cảnh báo giả xuống dưới mức 5%.
2. Nâng cấp phần cứng và giao thức truyền thông tiết kiệm năng lượng: Phòng nghiên cứu phần cứng IoT nên chuyển đổi mô-đun truyền dẫn sang chuẩn Bluetooth Low Energy (BLE 5.0) hoặc giao thức mạng tầm xa LoRaWAN trong 9 tháng, giúp kéo dài thời lượng pin của vòng đeo tay từ 24 giờ lên trên 7 ngày sử dụng liên tục.
3. Xây dựng nền tảng đám mây cảnh báo y tế khẩn cấp: Các doanh nghiệp công nghệ y tế cần phối hợp phát triển hạ tầng Server Cloud trong thời gian 12 tháng, thiết lập cơ chế tự động gửi tin nhắn SMS, cuộc gọi thoại và định vị GPS tức thời với độ trễ dưới 2 giây đến người thân và trung tâm cấp cứu 115 khi phát hiện sự cố.
4. Chuẩn hóa quy trình thử nghiệm lâm sàng diện rộng: Các viện nghiên cứu y sinh và cơ sở điều dưỡng cần tiến hành thử nghiệm mở rộng trên quy mô ít nhất 200 bệnh nhân cao tuổi và bệnh nhân Parkinson trong 18 tháng, nhằm tinh chỉnh tham số ngưỡng quyết định cho từng thể trạng người dùng khác nhau, nâng độ chính xác thực tế lên trên 95%.

Đối tượng nên tham khảo luận văn

Công trình luận văn mang lại giá trị học thuật và ứng dụng thực tiễn sâu rộng cho 4 nhóm đối tượng chính:

• Kỹ sư nghiên cứu và phát triển hệ thống IoT: Tiếp cận chi tiết phương pháp đóng gói gói tin cảm biến WAX3, cơ chế đọc dữ liệu cổng COM thời gian thực và quy trình chuyển đổi vector đặc trưng 24 chiều để tích hợp vào các thiết bị đeo thông minh thế hệ mới.
• Doanh nghiệp và nhà phát triển thiết bị y tế số: Khai thác giải pháp nhận dạng ngã không xâm phạm quyền riêng tư để thương mại hóa các sản phẩm vòng tay theo dõi sức khỏe, dây đai an toàn thông minh phục vụ cho các viện dưỡng lão và bệnh viện phục hồi chức năng.
• Học viên cao học và nhà nghiên cứu chuyên ngành Khoa học máy tính: Sử dụng luận văn như tài liệu tham khảo chuẩn mực về kỹ thuật học máy một lớp (One-Class SVM), mô hình chuỗi thời gian Markov ẩn (HMM) và phương pháp đánh giá ma trận lỗi trên tập dữ liệu mất cân bằng.
• Ban quản lý viện dưỡng lão và trung tâm bảo trợ xã hội: Nắm bắt cơ sở khoa học của hệ thống giám sát tự động để hoạch định lộ trình chuyển đổi số, tối ưu hóa chi phí nhân sự trực ca đêm và nâng cao chất lượng an toàn tính mạng cho người cao tuổi.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại sử dụng One-Class SVM thay vì các thuật toán phân loại có giám sát nhiều lớp truyền thống?
Trong thực tế, dữ liệu về các sự cố nguy hiểm như ngã hoặc đột quỵ rất hiếm khi xảy ra và khó thu thập mẫu đầy đủ. One-Class SVM chỉ yêu cầu huấn luyện trên tập dữ liệu vận động bình thường có sẵn để xây dựng ranh giới an toàn, giúp phát hiện mọi hành vi lệch chuẩn mà không cần gán nhãn hàng nghìn mẫu ngã nguy hiểm.

2. Cảm biến gia tốc WAX3 có ưu điểm gì vượt trội so với camera giám sát trong nhà?
Cảm biến WAX3 có kích thước siêu nhỏ, trọng lượng nhẹ, lấy mẫu chính xác theo 3 trục với dải đo ±16g. Thiết bị không bị ảnh hưởng bởi điều kiện thiếu sáng hay vật cản, đồng thời loại bỏ hoàn toàn nguy cơ rò rỉ hình ảnh riêng tư nhạy cảm của người dùng trong phòng ngủ hoặc nhà vệ sinh.

3. Vector đặc trưng 24 chiều trong nghiên cứu bao gồm những thông số nào?
Vector 24 chiều được trích xuất từ 6 trục tín hiệu của 2 cảm biến đeo tại tay và hông, gồm 6 giá trị trung bình cộng, 6 giá trị độ lệch chuẩn, 6 giá trị entropy thông tin Shannon (đo mức độ hỗn loạn của tín hiệu) và 6 hệ số tương quan tuyến tính Pearson giữa các cặp trục tọa độ.

4. Quy mô và đặc điểm của bộ dữ liệu CMDFALL được ứng dụng ra sao?
CMDFALL là tập dữ liệu đa thể thức do PTIT và HUST xây dựng từ 50 người tham gia, thực hiện 17 hoạt động (11 hoạt động thường nhật và 6 loại ngã). Dữ liệu được đồng bộ thời gian với độ phân giải 1 mili giây, cung cấp hơn 415.000 mẫu gia tốc phục vụ huấn luyện và kiểm thử mô hình.

5. Làm thế nào để hệ thống tránh nhầm lẫn giữa việc cúi nhặt đồ nhanh và một cú ngã thực sự?
Hệ thống kết hợp đồng thời độ lệch chuẩn để đo biên độ rung lắc, entropy thông tin để đánh giá độ hỗn loạn và hệ số tương quan Pearson giữa trục X, Y, Z. Cú ngã tạo ra xung va đập tức thời và sự thay đổi hướng trọng lực đột ngột trên cả 3 trục, giúp mô hình phân biệt rõ ràng với hành động cúi người có kiểm soát.

Kết luận

• Xây dựng thành công hệ thống IoT thu thập dữ liệu chuyển động thời gian thực từ cảm biến gia tốc ba trục WAX3 gắn trên vòng đeo tay và dây thắt lưng.
• Đề xuất bộ 24 đặc trưng thống kê và lý thuyết thông tin tối ưu, phản ánh chính xác các biến thiên vận động phức tạp của con người.
• Ứng dụng hiệu quả mô hình One-Class SVM kết hợp mô hình Markov ẩn (HMM), giải quyết triệt để bài toán thiếu hụt dữ liệu bất thường trong thực tế.
• Kiểm thử toàn diện trên bộ dữ liệu chuẩn CMDFALL với 50 đối tượng và 17 kịch bản vận động, chứng minh tính khả thi kỹ thuật vượt trội.
• Tạo tiền đề công nghệ vững chắc cho việc phát triển các giải pháp chăm sóc y tế từ xa, bảo vệ người cao tuổi sống độc lập và giám sát an ninh thông minh.

Trong giai đoạn 12 đến 18 tháng tới, các hướng nghiên cứu tiếp theo sẽ tập trung vào việc thu nhỏ mạch phần cứng, tối ưu hóa thời lượng pin và tích hợp thuật toán học sâu trực tiếp tại biên (Edge AI). Các đơn vị phát triển công nghệ y tế và cơ sở nghiên cứu quan tâm có thể khai thác trực tiếp khung phương pháp luận này để triển khai thử nghiệm thực địa và thương mại hóa sản phẩm vì sự an toàn của cộng đồng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1:TỔNG QUAN VỀ PHÁT HIỆN VẬN ĐỘNG BẤT THƯỜNG Giới thiệu chương: Chương này trình bày sự cần thiết của việc nhận dạng hoạt động bất thường của con người nói chung và các hoạt động bất thường của con người nói riêng. Các giải pháp công nghệ, các cách tiếp cận đã được sử dụng trong các nghiên cứu của các nhà khoa học trước đây. Từ đó có được cái nhìn tổng quan về các hệ thống phát hiện vận động bất thường của con người.1 Giới thiệu Nhận dạng các hoạt động của con người một cách tự động đang trở thành hiện thực. Công nghệ dựa trên cảm biến ngày càng dễ tiếp cận.

Bằng cách gắn các loại cảm biến khác nhau trên các vị trí và cơ thể con người, hoạt động của con người có thể theo dõi và nhận dạng một cách chính xác. Một ứng dụng quan trọng của việc nhận dạng hoạt động bất thường của con người là giám sát an ninh, xác định các hoạt động khủng bố trong khu vực cần an ninh cao, ở đó mỗi cá nhân vào khu vực an ninh được cấp các trang bị bảo mật có gắn cảm biến. Thông qua một hoặc nhiều cảm biến gắn liền với các trang bị bảo mật cấp cho mỗi người dùng, hoạt động của mỗi cá nhân có thể được theo dõi liên tục nhằm ngăn chặn các hành vi khủng bố. Khi một hoạt động bất thường được phát hiện, hệ thống sẽ phát báo động cho nhân viên an ninh chú ý ngay lập tức.

Một số phương pháp để nhận dạng các hoạt động bất thường của con người đã được đề xuất trong quá khứ. Một ứng dụng khác của việc nhận diện các hoạt động bất thường là ap dụng vào hỗ trợ chăm sóc sức khỏe con người, đặc biệt là giúp các bệnh nhân bị rối loạn nhận thức. Nếu một ngôi nhà có thể được thiết kế trang bị một mạng các cảm biến, những người sống trong ngôi nhà sẽ có cơ hộ sông tốt hơn, an toàn và độc lập, đặc biệt khi họ bị các bệnh đe dọa tính mạng như bệnh Parkinson hoặc bệnh Alzheimer. Do tính chất quan trọng và thách thức của vấn đề nhận dạng hoạt động bất thường của con người, một số 6 phương pháp đã được đề xuất để tìm hiểu các hoạt động hàng ngày của con người dựa trên các loại cảm biến; dữ liệu từ các cảm biến thu thập về sẽ được phân tích và xử lý dựa trên mô hình Markov ẩn (HMM) và mạng Bayesian động (DBN).

Những mô hình này có thể dự đoán, nhận dạng các loại hoạt động cấp cao của con người dùng dựa trên bộ dữ liệu các hoạt động bất thường đã được thu thập và huấn luyện. Mặc dù việc phát hiện hoạt động bình thường của người dùng là thú vị và đầy thử thách, vấn đề ngược lại là phát hiện hoạt động bất thường của người dùng từ thiết bị đeo có gắn cảm biến còn nhiều thú vị và thách thức hơn nữa. Vấn đề phát hiện các hoạt động bất thường thú vị vì nó có nhiều ứng dụng từ bảo mật giám sát cho đến chăm sóc sức khỏe cho người cao tuổi. Trong úng dụng vào việc giám sát an ninh, giả sử rằng nhiệm vụ của chúng ta là theo dõi chuyển động của nhân viên trong một khu vực an ninh cao như một tòa nhà văn phòng chính phủ, các khu nghiên cứu bí mật của quốc gia, hoặc trong các tòa nhà tổ chức hội nghị quốc gia hoặc quốc tế.

Một cách tiếp cận là phát hành thẻ được trang bị cảm biến cho mỗi người đi vào khu vực.