Luận án tiến sĩ quản lý hệ thống thông tin nghiên cứu phát triển một số kỹ thuật trích rút đặc trưng và tối ưu mô hình random forest trong phát hiện sự kiện ngã của con người bằng điện thoại thông minh

Luận án tiến sĩ nghiên cứu phát triển kỹ thuật trích rút đặc trưng và tối ưu mô hình random forest trong phát hiện sự kiện ngã bằng smartphone.

• Tác giả: Lê Hồng Lam
• Người hướng dẫn: PGS. Nguyễn Hà Nam
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Quản lý hệ thống thông tin
• Đề tài: Nghiên Cứu Phát Triển Kỹ Thuật Trích Rút Đặc Trưng và Tối Ưu Mô Hình Random Forest Trong Phát Hiện Sự Kiện Ngã Của Con Người
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Một số khái niệm cơ bản
• 1.1.1. Cấu trúc chung của hệ thống nhận dạng hoạt động
• 1.1.2. Thu thập dữ liệu cho HAR
• 1.1.3. Một số mô hình phân loại thông dụng trong HAR
• 1.1.4. Các phương pháp đánh giá hiệu năng của mô hình
• 1.1.5. Tình hình nghiên cứu trong và ngoài nước về phát hiện ngã
• 1.1.6. Một số nghiên cứu trên thế giới
• 1.1.7. Một số nghiên cứu ở Việt Nam
• 1.1.8. Khoảng trống nghiên cứu và đề xuất giải pháp
• 1.2. Định hướng nghiên cứu
• 1.3. Đề xuất giải pháp
• 1.4. Kết luận chương
• 2. CHƯƠNG 2: TRÍCH RÚT ĐẶC TRƯNG
• 2.1. Tổng quan về trích rút đặc trưng
• 2.2. Vai trò của trích rút đặc trưng
• 2.3. Một số nghiên cứu liên quan đến trích rút đặc trưng
• 2.4. Thách thức trong trích rút đặc trưng
• 2.5. Hướng tiếp cận giải quyết thách thức
• 2.6. Phương pháp trích rút đặc trưng từ dữ liệu cảm biến gia tốc
• 2.7. Nguồn dữ liệu gia tốc
• 2.8. Bộ dữ liệu MobiAct v2. Bộ dữ liệu UP-Fall
• 2.9. Tiền xử lý dữ liệu
• 2.10. Kỹ thuật lọc nhiễu
• 2.11. Phân đoạn dữ liệu
• 2.12. Trích rút đặc trưng
• 2.13. Miền thời gian
• 2.14. Tham số định hướng
• 2.15. Lựa chọn đặc trưng
• 2.16. Thực nghiệm và đánh giá kết quả
• 2.17. Thiết kế thực nghiệm
• 2.18. Kết quả và bàn luận
• 2.19. So sánh kết quả với các nghiên cứu liên quan
• 2.20. Kết luận chương
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH PHÁT HIỆN SỰ KIỆN NGÃ
• 3.1. Giới thiệu bài toán
• 3.2. Thách thức trong phát hiện ngã
• 3.3. Hướng tiếp cận giải quyết thách thức
• 3.4. Một số nghiên cứu liên quan
• 3.5. Tối ưu mô hình mô hình RE
• 3.6. Giải thuật di truyền
• 3.7. Đề xuất thuật toán GA4RE
• 3.8. Thực nghiệm và đánh giá kết quả
• 3.9. Xây dựng mô hình phát hiện sự kiện ngã
• 3.10. Thách thức trong phát triển mô hình phát hiện sự kiện ngã
• 3.11. Ảnh hưởng của kích thước cửa sổ dữ liệu
• 3.12. Phương pháp thiết kế FEDM
• 3.13. Thực nghiệm và đánh giá kết quả
• 3.14. Kết luận chương
• KẾT LUẬN VÀ KIẾN NGHỊ
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN
• PHỤ LỤC: XÂY DỰNG ỨNG DỤNG DEMO
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Phát Hiện Ngã Giới Thiệu Tầm Quan Trọng

Phát hiện ngã của con người là một lĩnh vực nghiên cứu phát triển kỹ thuật quan trọng, đặc biệt trong bối cảnh dân số già hóa nhanh chóng. Các hệ thống phát hiện sự kiện ngã có thể giúp giảm thiểu hậu quả nghiêm trọng do ngã gây ra, như chấn thương, tàn tật, thậm chí tử vong. Nghiên cứu này tập trung vào việc sử dụng điện thoại thông minh và các cảm biến tích hợp để thu thập dữ liệu, sau đó áp dụng các thuật toán Machine Learning, đặc biệt là Random Forest, để phân tích và phát hiện ngã. Mục tiêu là xây dựng một hệ thống phát hiện ngã của con người hiệu quả, chính xác và có thể triển khai trên các thiết bị di động thông thường. Theo Tổ chức Y tế Thế giới (WHO), mỗi năm có hàng triệu người cao tuổi bị ngã, gây ra gánh nặng lớn cho hệ thống y tế và xã hội.

1.1. Ứng Dụng Y Tế và Giám Sát Sức Khỏe Từ Xa

Hệ thống phát hiện ngã có nhiều ứng dụng tiềm năng trong lĩnh vực ứng dụng y tế và giám sát từ xa. Nó có thể được sử dụng để theo dõi người cao tuổi sống một mình, bệnh nhân sau phẫu thuật, hoặc những người có nguy cơ cao bị ngã. Khi phát hiện ngã, hệ thống có thể tự động gửi cảnh báo đến người thân, nhân viên y tế, hoặc các dịch vụ khẩn cấp, giúp đảm bảo người bị ngã được hỗ trợ kịp thời. Điều này đặc biệt quan trọng trong việc giảm thiểu thời gian nằm bất động sau ngã, một yếu tố quan trọng ảnh hưởng đến khả năng phục hồi của bệnh nhân.

1.2. Tích Hợp IoT và Nhà Thông Minh cho An Toàn Người Già

Ngoài ứng dụng y tế, hệ thống phát hiện ngã cũng có thể được tích hợp vào các hệ thống IoT và nhà thông minh để tăng cường an toàn cho người cao tuổi. Các thiết bị đeo (wearable devices) như đồng hồ thông minh có thể được sử dụng để thu thập dữ liệu về hoạt động và chuyển động của người dùng. Dữ liệu này có thể được phân tích để phát hiện các dấu hiệu bất thường, chẳng hạn như ngã. Khi phát hiện ngã, hệ thống có thể tự động điều chỉnh ánh sáng, nhiệt độ, hoặc các thiết bị khác trong nhà để giúp người bị ngã cảm thấy thoải mái và an toàn hơn.

II. Thách Thức Giải Pháp Trong Phát Hiện Ngã Bằng AI Hiện Nay

Mặc dù có nhiều tiềm năng, việc phát hiện sự kiện ngã bằng AI vẫn còn nhiều thách thức. Một trong những thách thức lớn nhất là sự đa dạng của dữ liệu. Ngã có thể xảy ra trong nhiều tình huống khác nhau, với các tư thế và chuyển động khác nhau. Điều này gây khó khăn cho việc xây dựng các mô hình Machine Learning có thể khái quát hóa tốt cho nhiều tình huống khác nhau. Ngoài ra, việc thu thập dữ liệu ngã thực tế là một vấn đề khó khăn, do tính chất hiếm gặp và nguy hiểm của sự kiện này. Nghiên cứu này đề xuất các giải pháp để giải quyết những thách thức này, bao gồm việc sử dụng các kỹ thuật trích rút đặc trưng tiên tiến và tối ưu mô hình Random Forest.

2.1. Vấn Đề Độ Chính Xác và Độ Tin Cậy Của Thuật Toán

Một trong những yêu cầu quan trọng nhất đối với hệ thống phát hiện ngã là độ chính xác và độ tin cậy cao. Hệ thống cần phải có khả năng phân biệt chính xác giữa ngã và các hoạt động thường ngày khác, như ngồi xuống, nằm xuống, hoặc trượt chân. Sai sót trong việc phát hiện ngã có thể dẫn đến những hậu quả nghiêm trọng, chẳng hạn như bỏ lỡ cơ hội cứu chữa kịp thời, hoặc gây ra báo động giả không cần thiết. Do đó, việc cải thiện độ chính xác và giảm thiểu lỗi là một ưu tiên hàng đầu trong nghiên cứu này.

2.2. Yêu Cầu Về Thời Gian Thực và Tiết Kiệm Năng Lượng

Để có thể triển khai trên các thiết bị di động, hệ thống phát hiện ngã cần phải đáp ứng các yêu cầu về thời gian thực và tiết kiệm năng lượng. Hệ thống cần phải có khả năng xử lý dữ liệu và đưa ra quyết định trong thời gian ngắn, để có thể cảnh báo kịp thời khi ngã xảy ra. Đồng thời, hệ thống cần phải tiêu thụ ít năng lượng, để không làm giảm thời lượng pin của thiết bị di động. Điều này đòi hỏi việc thiết kế các thuật toán hiệu quả và tối ưu hóa việc sử dụng tài nguyên của thiết bị.

III. Phương Pháp Trích Rút Đặc Trưng Tối Ưu Cho Phát Hiện Ngã

Nghiên cứu này tập trung vào việc nghiên cứu phát triển kỹ thuật trích rút đặc trưng hiệu quả từ dữ liệu cảm biến gia tốc thu thập từ điện thoại thông minh. Các đặc trưng được trích rút bao gồm các đặc trưng trong miền thời gian, miền tần số, và các tham số định hướng. Việc lựa chọn các đặc trưng phù hợp là rất quan trọng để đảm bảo độ chính xác cao của hệ thống phát hiện ngã. Nghiên cứu sử dụng các kỹ thuật phân tích dữ liệu và chọn lọc đặc trưng để xác định các đặc trưng quan trọng nhất cho việc phân loại ngã.

3.1. Phân Tích Chuyển Động và Trích Xuất Đặc Trưng Hình Ảnh

Ngoài dữ liệu cảm biến gia tốc, nghiên cứu cũng xem xét việc sử dụng các kỹ thuật phân tích chuyển động và trích xuất đặc trưng hình ảnh từ video để tăng cường khả năng phát hiện ngã. Các đặc trưng hình ảnh có thể cung cấp thông tin bổ sung về tư thế và chuyển động của người dùng, giúp phân biệt ngã với các hoạt động khác. Các kỹ thuật Học sâu (Deep Learning) như CNN (Convolutional Neural Network) và RNN (Recurrent Neural Network) có thể được sử dụng để tự động học các đặc trưng quan trọng từ dữ liệu hình ảnh và video.

3.2. Tiền Xử Lý Dữ Liệu và Chuẩn Hóa Dữ Liệu Cảm Biến

Tiền xử lý dữ liệu là một bước quan trọng trong quá trình xây dựng hệ thống phát hiện ngã. Dữ liệu cảm biến thường chứa nhiều nhiễu và sai sót, do đó cần phải được làm sạch và chuẩn hóa trước khi đưa vào mô hình Machine Learning. Các kỹ thuật lọc nhiễu, phân đoạn dữ liệu, và chuẩn hóa dữ liệu được sử dụng để cải thiện chất lượng dữ liệu và tăng cường hiệu suất của hệ thống.

3.3. Giảm Chiều Dữ Liệu và PCA để Tăng Tốc Độ Xử Lý

Để giảm thiểu độ phức tạp tính toán và tăng tốc độ xử lý, nghiên cứu sử dụng các kỹ thuật giảm chiều dữ liệu như PCA (Principal Component Analysis) và LDA (Linear Discriminant Analysis). Các kỹ thuật này giúp giảm số lượng đặc trưng cần thiết để phân loại ngã, mà không làm giảm đáng kể độ chính xác của hệ thống. Điều này đặc biệt quan trọng đối với các ứng dụng thời gian thực trên các thiết bị di động.

IV. Tối Ưu Mô Hình Random Forest Bằng Giải Thuật Di Truyền

Nghiên cứu này đề xuất một phương pháp tối ưu mô hình Random Forest bằng cách sử dụng giải thuật di truyền (Genetic Algorithm). Thuật toán Random Forest là một thuật toán Machine Learning mạnh mẽ, nhưng hiệu suất của nó phụ thuộc vào việc lựa chọn các siêu tham số phù hợp. Giải thuật di truyền được sử dụng để tự động tìm kiếm các siêu tham số tối ưu cho thuật toán Random Forest, giúp cải thiện độ chính xác và độ tin cậy của hệ thống phát hiện ngã.

4.1. GA4RF Thuật Toán Di Truyền Tối Ưu Siêu Tham Số RF

Nghiên cứu đề xuất một thuật toán mới, được gọi là GA4RF, để tối ưu các siêu tham số của mô hình Random Forest. GA4RF sử dụng giải thuật di truyền để tìm kiếm các bộ siêu tham số tối ưu, dựa trên một hàm mục tiêu được định nghĩa để tối đa hóa độ chính xác và độ tin cậy của hệ thống phát hiện ngã. Thuật toán này được thiết kế để có thể thích ứng với các bộ dữ liệu khác nhau và các yêu cầu khác nhau về hiệu suất.

4.2. Đánh Giá Hiệu Năng và So Sánh Thuật Toán GA4RF

Hiệu năng của thuật toán GA4RF được đánh giá bằng cách so sánh với các thuật toán tối ưu khác, cũng như với mô hình Random Forest mặc định. Các kết quả thực nghiệm cho thấy rằng GA4RF có thể cải thiện đáng kể độ chính xác và độ tin cậy của hệ thống phát hiện ngã, đặc biệt là trong các tình huống phức tạp và khó khăn.

V. Ứng Dụng Thực Tế Đánh Giá Hệ Thống Phát Hiện Ngã

Nghiên cứu này xây dựng một hệ thống phát hiện sự kiện ngã hoàn chỉnh, có thể triển khai trên điện thoại thông minh. Hệ thống bao gồm các mô-đun thu thập dữ liệu, tiền xử lý dữ liệu, trích rút đặc trưng, và phân loại ngã. Hệ thống được đánh giá trên các bộ dữ liệu công khai và dữ liệu thu thập được trong thực tế. Các kết quả đánh giá cho thấy rằng hệ thống có thể đạt được độ chính xác cao và độ trễ thấp, đáp ứng các yêu cầu của các ứng dụng thời gian thực.

5.1. Xây Dựng Ứng Dụng Demo và Triển Khai Trên Android

Để chứng minh tính khả thi của nghiên cứu, một ứng dụng demo được xây dựng và triển khai trên hệ điều hành Android. Ứng dụng này có thể thu thập dữ liệu cảm biến từ điện thoại thông minh, phân tích dữ liệu, và cảnh báo khi phát hiện ngã. Ứng dụng được thiết kế để dễ sử dụng và có thể tùy chỉnh để phù hợp với các nhu cầu khác nhau của người dùng.

5.2. Thử Nghiệm và Đánh Giá Độ Trễ Của Hệ Thống

Độ trễ của hệ thống phát hiện ngã là một yếu tố quan trọng ảnh hưởng đến khả năng cảnh báo kịp thời khi ngã xảy ra. Nghiên cứu thực hiện các thử nghiệm để đánh giá độ trễ của hệ thống trong các tình huống khác nhau. Các kết quả thử nghiệm cho thấy rằng hệ thống có thể đạt được độ trễ thấp, đáp ứng các yêu cầu của các ứng dụng thời gian thực.

VI. Kết Luận Hướng Phát Triển Nghiên Cứu Phát Hiện Ngã Tương Lai

Nghiên cứu này đã đóng góp vào việc nghiên cứu phát triển kỹ thuật phát hiện sự kiện ngã bằng cách đề xuất các phương pháp trích rút đặc trưng tiên tiến và tối ưu mô hình Random Forest. Các kết quả nghiên cứu cho thấy rằng các phương pháp này có thể cải thiện đáng kể độ chính xác và độ tin cậy của hệ thống phát hiện ngã. Trong tương lai, nghiên cứu có thể được mở rộng để khám phá các kỹ thuật Học sâu (Deep Learning) và tích hợp với các hệ thống IoT và nhà thông minh để tạo ra các giải pháp phát hiện ngã toàn diện và hiệu quả hơn.

6.1. Tích Hợp Dữ Liệu Đa Nguồn và Học Sâu Đa Mô Thức

Trong tương lai, hệ thống phát hiện ngã có thể được cải thiện bằng cách tích hợp dữ liệu từ nhiều nguồn khác nhau, chẳng hạn như dữ liệu cảm biến, dữ liệu hình ảnh, và dữ liệu ngữ cảnh. Các kỹ thuật Học sâu (Deep Learning) đa mô thức có thể được sử dụng để học các biểu diễn chung từ các nguồn dữ liệu khác nhau, giúp cải thiện độ chính xác và độ tin cậy của hệ thống.

6.2. Phát Triển Hệ Thống Cảnh Báo Sớm và Ngăn Ngừa Tai Nạn

Ngoài việc phát hiện ngã, nghiên cứu trong tương lai có thể tập trung vào việc phát triển các hệ thống cảnh báo sớm và ngăn ngừa tai nạn. Các hệ thống này có thể sử dụng dữ liệu cảm biến và dữ liệu ngữ cảnh để dự đoán nguy cơ ngã và đưa ra các cảnh báo hoặc biện pháp phòng ngừa kịp thời. Điều này có thể giúp giảm thiểu số lượng ngã và cải thiện an toàn cho người cao tuổi và những người có nguy cơ cao.

Trích đoạn nội dung tài liệu

Chương 1. TONG QUAN Chương | của luận án tập trung vào việc xây dựng bối cảnh và cơ sở lý thuyết cho hệ thông nhận dạng hoạt động và phát hiện ngã của con người. Nghiên cứu xác định câu hỏi trọng tâm là làm thé nào dé phát triển FDS hiệu quả, tiết kiệm năng lượng và kha thi khi triển khai trên thiết bị di động. Thông qua phân tích tổng quan về các khái niệm cơ bản, cau trúc của HAR và đánh giá các nghiên cứu liên quan, chương đã chỉ ra hai khoảng trồng nghiên cứu chính: (1) thiếu một phương pháp trích rút đặc trưng toàn diện kết hợp thông tin từ nhiều miền khác nhau; (2) chưa có giải pháp tối ưu hiệu quả cho mô hình RF trong bài toán phát hiện ngã.

Dé khắc phục những hạn chế này, nghiên cứu đề xuất hai giải pháp: (i) phương pháp trích rút đặc trưng đa miền, kết hợp các thông tin từ miền thời gian, tần số và các tham số định hướng; (ii) tối ưu mô hình RF bằng GA. Cách tiếp cận này không chỉ hứa hẹn nâng cao độ chính xác trong phát hiện ngã mà con mang tính khả thi khi triển khai trên thiết bi di động. Một số khái niệm co bản Việc đánh giá một hành động là bình thường hay bất thường không đơn giản do sự chủ quan trong nhận định của mỗi người. Đề đảm bảo tính nhất quán trong luận án, các khái niệm sau đây được thống nhất định nghĩa và sử dụng: (i) Hanh vi là những phản ứng, cách cư xử, biêu hiện ra ngoài của một người trong một hoàn cảnh cụ thể [39]; (ii) Bình thường là những sự việc, hành động không có gì đặc biệt hoặc khác thường [39]: Bat thường là những sự việc, hành động không tuân theo lệ thường, khác biệt so với bình thường [39]; (iii) Hành vi bình thường là các hoạt động thường ngày của con người như ngồi, năm, đứng, đi bộ, chạy, nhảy, đi lên/xuống cầu thang, v.

Hanh vi bắt thường là các hoạt động khác biệt so với các hành vi bình thường, trong luận án này là hành vi ngã. Đây là một tình trạng không mong muốn, tiềm ẩn nhiều nguy cơ gây chan thương cho mọi người, đặc biệt là người già và người bệnh. Cấu trúc chung của hệ thống nhận dạng hoạt động Hệ thống nhận dạng hoạt động của con người thường bao gồm ba thành phần chính. Phần này sẽ trình bày tổng quan về HAR và các thành phần cấu thành của nó, được minh họa cụ thể như trong Hình 1.

THU THẬP DỮ LIỆU Ậ TRUYỀN TIN CẢNH BÁO learni. Cau trúc chung của hệ thống HAR [41-44] (1) Thu thập dữ liệu: Hệ thống này có nhiệm vụ ghi nhận các tín hiệu mô tả hoạt động của con người thông qua các cảm biến. Dữ liệu này sẽ hỗ trợ cho quá trình phát hiện hoạt động và các sự kiện ngã. (2) Mô hình nhận dạng hoạt động: Phần này thường sử dụng các thuật toán học máy hoặc học sâu dé phân tích dữ liệu đã thu thập.

Mục đích là xác định trạng thái hoạt động của người dùng, bao gồm việc đánh giá nguy cơ ngã. (3) Hệ thống truyền thông tin cảnh báo: Dam bảo rằng khi phát hiện nguy co, thông điệp cảnh báo sẽ được gửi ngay lập tức đến người chăm sóc. Điều này cho phép cung cấp sự trợ giúp kịp thời trong trường hợp xảy ra sự có. Bằng cách kết hợp ba thành phan này, hệ thống HAR có thé theo dõi, phân tích và phản ứng hiệu quả đối với các hoạt động của con người nói chung và trong việc phát hiện, ngăn ngừa các sự kiện ngã nói riêng.

Thu dữ thập liệu cho HAR Hiệu suất của HAR phụ thuộc nhiều vào phương thức sử dụng cảm biến dé thu thập dữ liệu. Các hệ thống HAR thường được phân thành các nhóm dựa trên vị trí gắn cảm biến thu dit liệu, điển hình là: (i) dựa trên các loại cảm biến môi trường xung quanh, (ii) dựa trên các loại cảm biến trên thiết bị đeo được và (iii) công nghệ cảm biến lai [5, 6]. Các loại cảm biến thông dụng của mỗi nhóm được thống kê như Hình 1. Cảm biến môi trường xung quanh Các loại cảm biến của thiết bị đeo Hình 1.

Các loại cảm biến thường dùng trong HAR 1. Các loại cảm biến môi trường xung quanh Hệ thống phát hiện ngã sử dụng nhiều loại cảm biến môi trường như camera, cảm biến âm thanh, áp suất sàn, chuyền động PIR, radar hay siêu âm dé theo dõi hoạt động và phát hiện sự kiện ngã của con người [45]. Những hệ thống này thường được áp dụng trong không gian hạn chế như viện dưỡng lão, phòng chăm sóc bệnh nhân và nhà riêng. Phương pháp này có một số hạn chế như chi phí lắp đặt và bảo trì cao, không gian giám sát bị giới han, dé bi ảnh hưởng bởi nhiễu môi trường [45] và có thể gây cảm giác xâm phạm quyền riêng tu cho đối tượng được chăm sóc [6, 45].

10 Mỗi loại cảm biến trong FDS đều có những hạn chế riêng [46]. Camera đòi hỏi băng thông và chi phi xử lý lớn, dé bi ảnh hưởng bởi điều kiện ánh sáng và vật cản, khiến việc phát hiện trường hợp ngã một cách chính xác gặp khó khăn. Cảm biến âm thanh dễ bị tác động bởi tiếng ồn bên ngoài và có thê khó phân biệt tiếng ngã với các âm thanh khác, dé bỏ lọt trường hop ngã không gây ra tiếng động mạnh. Cảm biến áp suất sàn chỉ có thé phát hiện khi ngã xảy ra trên sàn và dé bị kích hoạt bởi các hoạt động khác như đi lại.

Cảm biến PIR lại nhạy cảm với chuyền động của vật nuôi hoặc đồ vật xung quanh, dé bỏ lọt trường hợp ngã chậm. Radar tiêu tốn năng lượng lớn, giá thành cao, lắp đặt phức tạp và có nguy cơ phát xạ điện từ. Cuối cùng, cảm biến siêu âm dé bị ảnh hưởng bởi vật cản và có góc nhìn hẹp, hạn chế khả năng phát hiện ngã trong một số trường hợp. Với những hạn chế đã nêu, có thé nhận thấy các hệ thống FDS dựa trên cảm biến môi trường chưa thực sự tối ưu và phù hợp với mọi bối cảnh, đặc biệt khi cần đảm bảo quyền riêng tư, hiệu quả trong giám sát và chi phí hợp lý.

Điều nay đặt ra nhu cầu nghiên cứu và phát triển các giải pháp thay thế hoặc cải tiến phù hợp hơn cho việc phát hiện ngã trong nhiều môi trường khác nhau. Các loại cảm biến trên thiết bị đeo Trong những năm gần đây, việc xây dựng FDS từ tín hiệu quán tính đã thu hút sự chú ý của nhiều nhà nghiên cứu. Xu hướng nay chủ yếu do hai yếu tố: chi phí phần cứng ngày càng giảm và sự phô biến của các thiết bị di động được trang bị sẵn cảm biến quán tính [7]. FDS dựa trên thiết bị có thể đeo được (bao gồm SP, SW và cảm biến trên IMU) thu thập dữ liệu về hoạt động hàng ngày và sự kiện ngã thông qua cảm biến gia tốc, con quay hồi chuyển và cảm biến định hướng.

Ưu điểm nổi bật của hệ thống này là phạm vi giám sát không giới hạn, tính cơ động cao, ít chịu ảnh hưởng bởi nhiễu môi trường và chỉ phí triển khai thấp. Mặc dù chất lượng dữ liệu thu thập từ các thiết bị đeo chuyên dụng như IMU rất tốt, những thiết bị này thường không hoạt động độc lập. Chúng cần kết hợp với các hệ 11 thống Internet vạn vật (IoT) và/hoặc điện thoại thông minh để xây dựng FDS và truyền bản tin cảnh báo. Tuy nhiên, kiến trúc phần cứng của các hệ thống IoT có thê khá công kênh và nặng, gây nên sự khó chịu va bat tiện cho người sử dung [47].

Một thách thức khác đối với các nhà nghiên cứu là nguồn cấp điện cho hệ thống này. Do các cảm biến đeo thường có tính di động và hoạt động độc lập với nguồn điện lưới, việc sử dụng điện năng tiết kiệm là một mối quan tâm lớn. Trang bi pin lớn cho một thiết bị đeo nhỏ có thé khiến thiết bi trở nên cồng kénh hơn, trong khi sử dụng pin nhỏ sẽ buộc người dùng phải sạc lại thường xuyên [48]. Điều này tạo ra một sự đánh đổi giữa kích thước thiết bị và thời gian sử dụng, đòi hỏi các nhà thiết kế phải cân nhắc kỹ lưỡng dé tối ưu trải nghiệm người dùng.

Dữ liệu thu bằng cảm biến gia tốc Cảm biến gia tốc là một loại cảm biến được thiết kế dé ghi nhận sự thay đổi vận tốc của vật thể theo thời gian. Loại cảm biến này được ứng dụng phô biến trong HAR vì khả năng đo lường chuyên động có hướng của đối tượng theo thời gian [49, 50]. Trong SP, cảm biến gia tốc đo lường gia tốc của thiết bi theo ba trục x, y va z. Các thông số này cung cấp thông tin chi tiết về sự thay đồi tốc độ theo từng hướng, hỗ trợ theo dõi chính xác chuyên động của thiết bị.

Giá trị gia tốc thường được đo bằng m/s?, phản ánh lực tác động lên thiết bị từ chuyên động hoặc môi trường xung quanh. Ngoài ra, cảm biến này còn cung cấp thông tin về hướng và góc nghiêng của thiết bị, bao gồm các góc xoay (9-roll), góc nghiêng (0-pitch) và góc đảo (w-yaw). Chất lượng dữ liệu thu được từ cảm biến gia tốc phụ thuộc vào nhiều yếu tố như đải động và độ phân giải của cảm biến. Dải động là khoảng gia tốc mà cảm biến có thể phát hiện, ảnh hưởng đến khả năng theo dõi các chuyên động khác nhau.

Độ phân giải phan ánh độ nhạy của cảm biến đối với những thay đổi nhỏ về gia tốc, đóng vai trò quan trọng trong việc nhận biết chỉ tiết nhỏ trong chuyền động. Tần số lay mau cũng là một yếu tố quan trọng; tần số cao cung cấp thông tin chỉ tiết hơn nhưng tiêu thụ nhiều năng lượng hơn. Đối với các hoạt động đơn giản như đi bộ, đứng và ngồi, 12 tần số lay mẫu 20Hz thường là đủ. Tuy nhiên, để ghi lại chi tiết các chuyên động nhanh và thay đôi đột ngột, tần số lấy mẫu cần đạt từ 100Hz trở lên.3 minh họa một mẫu dữ liệu điên hình được thu thập bang cảm biến gia tốc ba trục trong SP.

Mẫu dữ liệu ngã thu bằng cảm biến gia tốc của SP 1. Một số mô hình phân loại thông dụng trong HAR Trong bài toán HAR, việc lựa chọn thuật toán và phương pháp giải quyết đóng vai trò quyết định đến hiệu quả của hệ thống. Theo nghiên cứu của Ferrari và cộng sự [7].