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. Sau đó, các thuật toán phát hiện hoạt động bất thường có thể được áp dụng để theo dõi liên tục chuyển động của từng cá nhân để kiểm tra xem hoạt động của người đó có vượt quá tiêu chuẩn. Trong những trường hợp như vậy, nó sẽ có lợi cho phát hiện nếu một hoạt động bất thường bất ngờ xảy ra dựa trên cảm biến và phát ra báo động nếu cần thiết. Phát hiện hoạt động bất thường cũng là rất quan trọng đối với việc ứng dụng vào các lĩnh vực khác.
Ví dụ như là trong linh vực y tế chăm sóc sức khỏe cho con người, xem xét một ứng dụng trong chăm sóc sức khỏe, thay vào việc chú ý đến các hoạt động bình thường của bệnh nhân, các bác sĩ hoặc y tá có thể cần quan tâm nhiều hơn đến người già hoặc bệnh nhân khi thấy những dấu hiệu đầu tiên của một căn bệnh nghiêm trọng như là lang thang xung quanh không mục đích, bò lổm ngổm trên sàn nhà hoặc đơn giản rơi xuống. Vấn đề là thách thức bởi vì, không giống như các hoạt động bình thường, trong việc phát hiện hoạt động bất thường, dữ liệu cực kỳ khan hiếm và ít khi xảy ra trong thực tế so với các hoạt động bình thường của con người. Trong một ứng dụng để 7 đảm bảo an ninh, ví dụ như là một hệ thống giám sát có thể được huấn luyện để nhận ra chỉ các hoạt động bình thường vì sự sẵn có của dữ liệu hoạt động bình thường, trong khi các hoạt động bất thường là mới đối với hệ thống. Hơn nữa, sau khi tập dữ liệu hoạt động được thu thập và huấn luyện, một người dùng được theo dõi có thể thay đổi các hoạt động mà không có thông báo cho hệ thống biết để học tập.
Trong trường hợp này, hệ thống phát hiện hoạt động bất thường có thể cho kết quả nhận dạng sai những hoạt động bất thường và báo động sai. Vì vậy, đây là một nhiệm vụ khó khăn để có thể thiết kế một hệ thống phát hiện hoạt động bất thường có thể giảm thiểu cả tỷ lệ nhận dạng sai. Trong bài luận văn này, các hoạt động bất thường được xem xét như là một hoạt động với các thuộc tính sau: Các hoạt động hiếm khi xảy ra như ngã, đột quỵ, bò lổm ngổm. Các hoạt động không được dự kiến trước như co giật, đang đi vấp ngã, ngồi ngã… Trước đây, một số cách tiếp cận đã được đề xuất giải quyết vấn đề phát hiện hoạt động bất thường.
Những cách tiếp cận này phạm vi từ áp dụng thị giác máy tính, nơi các biến thể của mô hình Markov được thiết kế để phát hiện hành động ngoài định mức bình thường của con người, đến khu vực khai thác thu thập dữ liệu từ các loại cảm biến, nơi các phương pháp dựa trên mô hình học máy được sử dụng để phát hiện các hoạt động bất thường. Tuy nhiên, trong việc sử dụng dữ liệu cảm biến, có khá ít công việc có thể sử dụng thiết bị đeo được có gắn cảm biến để phát hiện các hoạt động bất thường. So với dữ liệu về hình ảnh, dữ liệu thu được từ cảm biến cũng cung cấp một số lợi thế, và thách thức. Về lợi thế của việc sử dụng dữ liệu cảm biến so với việc sử dụng dữ liệu hình ảnh từ các camera, dữ liêu cảm biến cho phép chuyển động của một người được theo dõi liên tục, ít bị ảnh hưởng bởi các yếu tố môi trường.
Ngược lại, dữ liệu hình ảnh có thể bị ảnh hưởng lớn từ môi trường như là : khu vực chiếu sáng và sự che phủ và hình ảnh có thể bị nhiễu hoặc khi nhiều đối tượng xuất hiện trong một hình ảnh. Dữ liệu hình ảnh có thể xâm phạm vào quyền riêng tư của mỗi cá nhân (ví dụ: bệnh nhân có thể phản đối việc sử dụng video trong nhà mình, hoặc một số khu vực nhạy cảm không được đặt các thiết bị thu thập hình ảnh). Tuy nhiên, việc sử dụng cảm biến cũng gặp những thách thức 8 đối với việc triển khai. Ví dụ, cảm biến cần được thiết kế để có thể dễ dàng gắn lên các vật dụng của con người để họ cảm thấy thoải mái và thuận tiện nhất.
Một thách thức nữa trong việc sử dụng cảm biến đó là năng lượng để cảm biến có thể hoạt động và kênh truyền tín hiệu từ cảm biến về hệ thống xử lý. Tùy thuộc vào loại khác nhau, cảm biến có thể phát hiện các loại tín hiệu khác nhau, chẳng hạn như các tín hiệu ánh sáng, âm thanh, nhiệt độ, gia tốc và từ trường. Các cảm biến cần có trọng lượng nhẹ để chúng có thể dễ dàng gắn vào cơ thể người. Trong bài luận văn này tôi sử dụng cảm biến WAX để thu thập dữ liệu gia tốc, dùng để phát hiện hoạt động bất thường của con người.2 Các nghiên cứu trước đây về phát hiện hoạt động bất thường a.
Nhận diện hoạt động bất thường bằng cảm biến của Jie Yin [5] Trong bài báo của mình, Jie Yin [5] đề xuất một cách tiếp cận phát hiện hoạt động bất thường dựa trên dữ liệu thu thập được từ cảm biến. Cách tiếp cận của Jie Yin được lấy cảm hứng từ quan sát rằng, mặc dù các hoạt động bất thường trên thực tế là rất ít, và rất khó để có được một lượng lớn dữ liệu huấn luyện để nhận dạng các hoạt động bất thường, nhưng ngược lại dữ liệu về các hoạt động bình thường thì có thể thu thập được rất nhiều. Điều này cho phép tạo ra các mô hình tốt cho các hoạt động bình thường, từ đó có thể nhận dạng được các hoạt động bình thường. Do đó, Jie Yin đề xuất một phương pháp được chia thành hai giai đoạn để phát hiện hoạt động bất thường, được xây dựng dựa trên dữ liệu từ các hoạt động bình thường.
Trong giai đoạn đầu tiên, Jie Yin xây dựng một one-class SVM (SVM) [15] dựa trên dữ liệu thu thập từ các hoạt động bình thường, mô hinh này có thể lọc ra các hoạt động bình thường với độ chính xác cao. Sau đó, các hoạt động đáng ngờ được chuyển sang giai đoạn thứ hai để phát hiện thêm. Trong giai đoạn thứ hai, Jie Yin thực hiện kernel nonlinear regression (KNLR) [3] để thu được các mô hình hoạt động bất thường từ dữ liệu hoạt động bình thường. Điểm mạnh cách tiếp cận của Jie Yin là nó có thể đạt được một tỷ lệ tốt giữa phát hiện hoạt động bất thường và tỷ lệ báo động giả (tức là nhận diện sai hoạt động bất thường) mà không cần thu 9 thập dữ liệu về các hoạt động bất thường và gán nhãn chó chúng.
Jie Yin thu thập dữ liệu từ các cảm biến có thể đeo gắn liền với người dùng và chứng minh tính hiệu quả của cách tiếp cận bằng cách sử dụng những dữ liệu đã thu thập được trong một môi trường thực tế. Loại cảm biến và vị trí gắn cảm biến [5] Như trên Hình 1, Tác giả Jie Yin đã sử dụng một thiết bị cảm biến MICA2 gắn trên 3 vị trí là vai, thắt lưng và đầu gối của người dùng.