Luận án tiến sĩ tối ưu Random Forest phát hiện người ngã bằng smartphone của Lê Hồng Lam

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.

Nội dung chính

Tổng quan luận án

Theo báo cáo của Tổ chức Y tế Thế giới (WHO), mỗi năm toàn cầu ghi nhận khoảng 684.000 ca tử vong do ngã, phần lớn tập trung tại các quốc gia có thu nhập thấp và trung bình ở khu vực Tây Thái Bình Dương và Đông Nam Á. Tỷ lệ người từ 65 tuổi trở lên gặp sự cố ngã hàng năm dao động trong khoảng từ 28% đến 35%, trong đó 40% trường hợp bị ngã tái phát và 50% số nạn nhân không thể tự đứng dậy sau tai nạn. Hậu quả từ chấn thương do ngã gây thiệt hại 38 triệu năm sống được điều chỉnh theo mức độ tàn tật (DALYs) mỗi năm, vượt qua tổng DALYs của tai nạn giao thông, đuối nước, bỏng và ngộ độc cộng lại.

Các hệ thống phát hiện ngã (FDS) hiện nay chủ yếu được xây dựng dựa trên ba nhóm công nghệ: cảm biến môi trường (camera, áp suất sàn, radar, hồng ngoại), thiết bị đeo chuyên dụng (IMU) và hệ thống lai. Tuy nhiên, các giải pháp môi trường gặp rào cản lớn về chi phí lắp đặt, phạm vi giám sát cố định và nguy cơ xâm phạm quyền riêng tư. Các thiết bị đeo chuyên dụng hoặc hệ sinh thái Internet vạn vật (IoT) đa cảm biến tuy cho độ chính xác cao nhưng cấu trúc phần cứng cồng kềnh, tiêu tốn năng lượng pin và gia tăng chi phí tính toán. Điện thoại thông minh (SP) là thiết bị phổ biến, tích hợp sẵn cảm biến và có khả năng truyền thông tin cảnh báo tức thời, nhưng việc tích hợp nhiều cảm biến đồng thời trên điện thoại làm giảm thời lượng pin và quá tải tài nguyên xử lý. Việc chỉ sử dụng duy nhất cảm biến gia tốc giúp tối ưu hóa phần cứng và năng lượng, song đặt ra thách thức về độ chính xác phân loại do dữ liệu đơn cảm biến dễ bị nhiễu và khó phân biệt ngã với các hoạt động thường ngày có gia tốc lớn. Đồng thời, dữ liệu ngã thực tế rất khó thu thập và bị mất cân bằng nghiêm trọng so với các hoạt động thường nhật.

Luận án đặt ra câu hỏi nghiên cứu trung tâm: "Làm thế nào để phát triển một hệ thống phát hiện sự kiện ngã chính xác, hiệu quả với dữ liệu ngã khó thu thập và gán nhãn trong thế giới thực?"

Để giải quyết câu hỏi trên, luận án xác định hai mục tiêu nghiên cứu cụ thể:

1. Mục tiêu thứ nhất: Phát triển phương pháp trích rút đặc trưng hiệu quả từ dữ liệu cảm biến gia tốc trên điện thoại thông minh để nâng cao độ chính xác trong phát hiện sự kiện ngã.
2. Mục tiêu thứ hai: Đề xuất giải pháp tối ưu hiệu suất mô hình Random Forest trong bài toán phát hiện ngã; đồng thời xây dựng mô hình phát hiện hành vi bất thường trong thế giới thực.

• Đối tượng nghiên cứu: Các mô hình phát hiện sự kiện ngã của con người dựa trên dữ liệu cảm biến gia tốc tích hợp trong thiết bị thông minh.
• Phạm vi nghiên cứu: Dữ liệu tín hiệu thu nhận từ cảm biến gia tốc ba trục tích hợp trên điện thoại thông minh; hai bộ dữ liệu thực nghiệm chuẩn công khai gồm MobiAct v2.0 và UP-Fall Detection; bài toán phân loại đa lớp bao gồm các hoạt động sinh hoạt thường ngày (ADL) và nhiều kịch bản ngã khác nhau.

Tổng quan tài liệu và vị trí của luận án

Tổng quan các công trình nghiên cứu trong và ngoài nước cho thấy ba xu hướng tiếp cận chính trong nhận dạng hoạt động con người (HAR) và phát hiện ngã (FDS):

1. Hệ thống dựa trên cảm biến môi trường: Alazrai (2017) sử dụng hệ thống hai camera để tái tạo mô hình bộ xương kỹ thuật số; Zhang và cộng sự (2018) kết hợp hệ thống Vicon và gia tốc kế trong mô hình 14 liên kết; Liu và cộng sự (2018) đề xuất mô hình T-C3D dựa trên mạng tích chập CNN đa cấp; Xiangbo (2018) phát triển ETDA-Net kết hợp lọc nhiễu và kiến trúc AlexNet. Về cảm biến tiếp xúc và sóng, Alwan và cộng sự (2006) sử dụng cảm biến áp suất sàn dựa trên nguyên lý áp điện và mạng cảm biến địa chấn; Newman (2014) và các nghiên cứu tiếp theo thử nghiệm cảm biến siêu âm theo nguyên lý Time of Flight (ToF); Li và cộng sự (2020) áp dụng mô hình JDS-TL trích rút đặc trưng từ phổ Doppler của radar. Các công trình này ghi nhận độ chính xác tốt trong phòng thí nghiệm nhưng bộc lộ nhược điểm về chi phí lắp đặt cao, góc nhìn hẹp và xâm phạm sự riêng tư.
2. Hệ thống dựa trên thiết bị đeo và IoT: Các nghiên cứu của Santoyo-Ramón và cộng sự (2022) kết hợp SVM và bầu chọn đa số trên bộ dữ liệu UP-Fall; Martinez-Villaseñor và cộng sự (2019) trích rút 756 đặc trưng trên dữ liệu cảm biến quán tính IMU nhưng mô hình mạng nơ-ron nhân tạo (ANN) chỉ đạt F1-score 71,79%; Lai và cộng sự (2021) áp dụng kiến trúc Res-TCN trên UP-Fall đạt F1-score 86,73% cho phân loại đa lớp; Kraft và cộng sự (2020) sử dụng CNN với hàm kích hoạt ReLU trên UP-Fall đạt F1-score 99% ở bài toán nhị phân. Các hệ thống phần cứng IoT đa cảm biến này gặp hạn chế về kích thước cồng kềnh và thời lượng pin hạn chế (El-Bendary và cộng sự, 2013).
3. Các nghiên cứu tại Việt Nam: Phạm Văn Cường và cộng sự tại Học viện Công nghệ Bưu chính Viễn thông đã thực hiện các nghiên cứu: trích rút 58 đặc trưng từ cảm biến Wii Remotes kết hợp mô hình Markov ẩn HMM để nhận dạng 13 hoạt động (2016); phát triển mô hình không-thời gian CNN-LSTM trên dữ liệu đa cảm biến (2020); trích rút đặc trưng từ cảm biến gia tốc của Samsung Galaxy Note II kết hợp cây quyết định C4.5 và HMM (2014); kết hợp mạng TCN, module chú ý TAM và học đa tác vụ để thu hẹp khoảng cách dữ liệu mô phỏng và thực tế (2022). Tại Đại học Bách khoa Hà Nội, Trần Thị Thanh Hải và cộng sự (2016) sử dụng camera Kinect 3D. Tại Đại học Quốc gia TP. Hồ Chí Minh, Đào Vũ Trường Sơn và cộng sự (2022) áp dụng thuật toán tối ưu bầy sói xám (GWO và APGWO) chọn 17 và 14 đặc trưng huấn luyện các bộ phân loại nhị phân đạt độ chính xác 99% và F1-score 96%; Vũ Hà và cộng sự (2021) kết hợp trích rút 28 đặc trưng với các mô hình XGBoost, CatBoost và mạng nơ-ron sâu.

Nhóm nghiên cứu	Bộ dữ liệu	Cảm biến	Số đặc trưng	Miền đặc trưng	Phân loại	Hiệu suất công bố
Chatzaki (2017)	MobiAct v2.0	Gia tốc, Con quay	39	Thời gian, Tần số	Đa lớp	F1-score: 96,8%
Shi (2020)	MobiAct	Gia tốc, Con quay	3 + thô	Thời gian	Nhị phân	Accuracy: 95,55%
Mahfuz (2019)	MobiAct v2.0	Gia tốc	58	Thời gian	Nhị phân	F1-score: 97,0%
Xu (2019)	MobiAct	Gia tốc	Dữ liệu thô	-	Nhị phân	Accuracy: 98,98%
Wu (2019)	MobiAct	Gia tốc, Con quay	Dữ liệu thô	-	Đa lớp	F1-score: 90,33%
Martinez-Villaseñor (2019)	UP-Fall	Gia tốc, Con quay	756	Thời gian, Tần số	Đa lớp	F1-score: 71,79%
Lai (2021)	UP-Fall	Gia tốc	Dữ liệu thô	-	Đa lớp	F1-score: 86,73%
Lê (2021)	UP-Fall	Gia tốc, Con quay, Từ, Ánh sáng	14	Thời gian, Tần số	Nhị phân	F1-score: 84,79%

Khoảng trống nghiên cứu luận án lựa chọn giải quyết:

• Đa số nghiên cứu trên điện thoại thông minh chỉ thực hiện phân loại nhị phân (ngã / không ngã) hoặc nhận dạng hoạt động sinh hoạt thường ngày mà chưa giải quyết bài toán phân loại đa lớp các dạng ngã cụ thể.
• Kỹ thuật trích rút đặc trưng từ cảm biến gia tốc hiện tại chủ yếu tập trung vào miền thời gian hoặc kết hợp hạn chế với miền tần số, bỏ qua các thông số định hướng tư thế không gian (các góc Euler) và các tham số mô tả độ phức tạp tín hiệu sóng (tham số Hjorth).
• Việc tối ưu hóa siêu tham số cho Random Forest (RF) trong FDS thường dùng tìm kiếm lưới hoặc tìm kiếm ngẫu nhiên quy mô nhỏ, chưa có giải pháp thuật toán di truyền được thiết kế chuyên biệt (cấu trúc nhiễm sắc thể, hàm thích nghi) phù hợp với bản chất mất cân bằng của dữ liệu ngã.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án xây dựng trên các khái niệm nền tảng: "Hành vi" là phản ứng biểu hiện ra ngoài của cá nhân trong hoàn cảnh cụ thể; "Hành vi bình thường" là chuỗi hoạt động thường ngày (ADL) gồm đi bộ, chạy, nhảy, ngồi, đứng, lên/xuống cầu thang; "Hành vi bất thường" là sự kiện ngã ngoài ý muốn. Cấu trúc hệ thống HAR gồm ba khối chức năng: Khối thu thập dữ liệu (cảm biến gia tốc), Khối mô hình nhận dạng hoạt động (các thuật toán học máy), và Khối truyền thông tin cảnh báo (kết nối Wi-Fi, 4G, 5G, SMS, BLE).

Các mô hình học máy được phân tích và kiểm thử gồm:

• Random Forest (RF): Mô hình tổ hợp xây dựng từ nhiều cây quyết định độc lập thông qua kỹ thuật lấy mẫu bootstrap có hoàn lại và chọn ngẫu nhiên tập con các đặc trưng, đưa ra kết quả phân loại bằng cơ chế bỏ phiếu đa số.
• Support Vector Machine (SVM): Xác định siêu phẳng phân tách tối ưu hóa lề cực đại giữa các lớp, mở rộng sang đa lớp bằng kỹ thuật One-vs-One (OvO).
• K-Nearest Neighbor (kNN): Phân loại phi tham số dựa trên khoảng cách giữa điểm dữ liệu mới và $k$ điểm láng giềng gần nhất.
• Artificial Neural Network (ANN): Mạng nơ-ron nhiều tầng truyền thẳng, tối ưu hóa trọng số qua thuật toán lan truyền ngược.
• J48: Thuật toán triển khai cấu trúc cây quyết định C4.5 dựa trên chỉ số tỷ số độ lợi thông tin (gain ratio).

Phương pháp trích rút đặc trưng đề xuất (TFDHD): Trích xuất 44 đặc trưng đa miền từ tín hiệu gia tốc ba trục ($x, y, z$) và vector gia tốc tổng hợp ($SMV = \sqrt{x^2 + y^2 + z^2}$):

• Miền thời gian (TD): Giá trị trung bình, độ lệch chuẩn, phương sai, giá trị cực đại, cực tiểu, phạm vi biên độ, độ lệch (skewness), độ nhọn (kurtosis), biên độ đỉnh, năng lượng tín hiệu.
• Miền tần số (FD): Tính toán qua biến đổi Fourier nhanh (FFT), bao gồm phổ năng lượng, tần số trung vị, entropy phổ.
• Tham số định hướng (DD): Tính toán các góc quay của điện thoại trong không gian ba chiều: góc xoay roll ($\phi$), góc nghiêng pitch ($\theta$), và góc đảo yaw ($\psi$) để nhận biết góc nghiêng bất thường của cơ thể khi ngã.
• Tham số Hjorth (HD): Gồm 3 thành phần đo lường tín hiệu: Hoạt động (Activity - phương sai bề mặt tín hiệu), Độ di động (Mobility - tỷ số độ lệch chuẩn của đạo hàm bậc nhất trên độ lệch chuẩn tín hiệu gốc), và Độ phức tạp (Complexity - mức độ thay đổi hình dạng tín hiệu so với sóng sin thuần túy).

Phương pháp tối ưu hóa GA4RF: Sử dụng giải thuật di truyền (Genetic Algorithm) để tìm kiếm bộ siêu tham số tối ưu cho RF. Điểm cấu tạo mới gồm:

• Mã hóa nhiễm sắc thể biểu diễn đồng thời các tham số chính của RF: số lượng cây quyết định (n_estimators), độ sâu tối đa (max_depth), số lượng đặc trưng tối đa khi phân nhánh (max_features), số mẫu tối thiểu tại nút lá (min_samples_leaf), số mẫu tối thiểu để phân tách nút (min_samples_split), và tiêu chí phân tách (criterion: Gini hoặc Entropy).
• Hàm thích nghi (fitness function): Xây dựng dựa trên hệ số tương quan Matthews chuẩn hóa (NMCC) kết hợp biến đổi logarit nhằm gia tăng khoảng cách phân biệt giữa các cá thể có giá trị thích nghi tiệm cận nhau. Công thức MCC: $$MCC = \frac{TP \times TN - FP \times FN}{\sqrt{(TP + FP)(TP + FN)(TN + FP)(TN + FN)}}$$ MCC được lựa chọn vì tính toán cân bằng cả 4 giá trị của ma trận nhầm lẫn, đảm bảo phản ánh khách quan hiệu năng mô hình trên dữ liệu ngã bị mất cân bằng trầm trọng.

Nguồn dữ liệu thực nghiệm:

• Bộ dữ liệu MobiAct v2.0: Thu thập từ 57 đối tượng tình nguyện (gồm 12 hoạt động ADL và 4 loại ngã), sử dụng cảm biến gia tốc ba trục tích hợp trên điện thoại thông minh Samsung Galaxy S3 với tần số lấy mẫu 100 Hz.
• Bộ dữ liệu UP-Fall Detection: Thu thập từ 17 đối tượng thực hiện 11 hoạt động (gồm 6 hoạt động ADL và 5 kịch bản ngã: ngã ra trước, ngã ngửa, ngã nghiêng, ngã quỵ gối, ngã từ ghế) sử dụng cảm biến gia tốc đeo tại hông.

Phương pháp tiền xử lý và phân đoạn: Tín hiệu gia tốc được lọc bỏ trọng lực và nhiễu tần số thấp bằng bộ lọc phù hợp. Phân đoạn chuỗi thời gian sử dụng kỹ thuật cửa số trượt có xếp chồng (Overlapping Sliding Window - OSW) với các kích thước cửa sổ dữ liệu (DWS: 128 mẫu, tương đương 1,28 giây ở tần số 100 Hz) và tỷ lệ xếp chồng dữ liệu (DOR: 80%).

Nội dung chính theo từng chương

Chương 1. TỔNG QUAN

Chương 1 thiết lập bức tranh tổng thể về nhận dạng hoạt động của con người và phát hiện ngã. Tác giả phân tích cấu trúc ba khối của HAR và tổng hợp các công nghệ thu thập dữ liệu hiện hữu. Dựa trên số liệu khảo sát từ Ferrari và cộng sự (2020) trên 305 nghiên cứu FDS giai đoạn 2015–2020, luận án làm rõ rằng các mô hình học máy truyền thống như SVM, kNN, ANN, J48 và RF vẫn chiếm tỷ trọng áp đảo nhờ khả năng vận hành hiệu quả với lượng dữ liệu gán nhãn vừa phải và chi phí tính toán thấp hơn nhiều so với học sâu khi triển khai trên phần cứng di động.

Chương này phân tích các hạn chế của cảm biến môi trường (chi phí cao, phụ thuộc không gian, vi phạm quyền riêng tư) và thiết bị đeo chuyên dụng (cồng kềnh, tiêu hao pin), từ đó xác lập ba định hướng chiến lược cho luận án:

1. Lựa chọn điện thoại thông minh làm nền tảng triển khai nhờ tính phổ cập cao và tích hợp đầy đủ kênh truyền thông tin báo động khẩn cấp.
2. Chỉ sử dụng duy nhất cảm biến gia tốc ba trục để đo lường chuyển động nhằm tối giản hóa hệ thống, giảm thiểu chi phí xử lý và kéo dài tuổi thọ pin thiết bị.
3. Lựa chọn mô hình Random Forest làm bộ phân loại cốt lõi và xác lập nhiệm vụ phát triển kỹ thuật trích rút đặc trưng đa miền cùng giải thuật tối ưu hóa siêu tham số.

Chương 2. TRÍCH RÚT ĐẶC TRƯNG

Chương 2 trình bày chi tiết quy trình xử lý tín hiệu và trích xuất đặc trưng đa miền TFDHD. Dữ liệu thô từ cảm biến gia tốc được đưa qua công đoạn tiền xử lý, phân đoạn bằng kỹ thuật cửa sổ trượt có xếp chồng (OSW). Tác giả tiến hành thử nghiệm các cấu hình kích thước cửa sổ DWS khác nhau và tỷ lệ xếp chồng DOR từ 50% đến 80%, xác định cấu hình DWS = 128 mẫu kết hợp DOR = 80% mang lại sự cân bằng tốt nhất giữa độ trễ xử lý và độ chính xác phân loại.

Tập đặc trưng TFDHD gồm 44 thành phần trích xuất từ 4 miền tín hiệu: miền thời gian (TD), miền tần số (FD), tham số định hướng góc Euler (DD) và tham số Hjorth (HD). Luận án thiết kế thực nghiệm so sánh 10 tổ hợp cấu hình đặc trưng trên 5 thuật toán phân loại (SVM, kNN, ANN, J48 và RF):

• Trên bộ dữ liệu MobiAct v2.0: Mô hình RF khi sử dụng bộ đặc trưng TFDHD đạt F1-score 95,23% cho nhóm sự kiện ngã, 99,11% cho nhóm hoạt động bình thường (ADL) và 98,79% cho toàn bộ các hoạt động tổng hợp.
• Trên bộ dữ liệu UP-Fall: Mô hình RF kết hợp TFDHD đạt F1-score 96,07% cho nhóm sự kiện ngã, 98,28% cho nhóm ADL và 97,78% cho phân loại tổng hợp.

So sánh đối chuẩn với các công trình công bố trước đây trên cùng bộ dữ liệu:

• Trên MobiAct v2.0: Kết quả phân loại đa lớp của RF với bộ đặc trưng TFDHD vượt qua kết quả của Chatzaki và cộng sự (2017) vốn đạt F1-score 96,8% bằng thuật toán kNN với 39 đặc trưng.
• Trên UP-Fall: Mô hình đề xuất đạt F1-score 97,78% và Accuracy vượt trội hoàn toàn so với mô hình ANN của Martinez-Villaseñor và cộng sự (2019) (Accuracy 95,73%, F1-score 71,79%) và vượt qua mô hình học sâu Res-TCN của Lai và cộng sự (2021) (Accuracy 94,40%, F1-score 86,73% ở bài toán phân loại đa lớp).

Chương 3. XÂY DỰNG MÔ HÌNH PHÁT HIỆN SỰ KIỆN NGÃ

Chương 3 giải quyết hai bài toán then chốt: tối ưu hóa siêu tham số mô hình Random Forest và thiết kế kiến trúc phát hiện sự kiện ngã trong điều kiện dữ liệu thực tế.

Nội dung thứ nhất là đề xuất thuật toán GA4RF: Luận án phân tích sự phụ thuộc phi tuyến giữa các siêu tham số của RF đến hiệu suất phân loại. Giải thuật di truyền GA4RF được thiết kế với cấu trúc nhiễm sắc thể đặc thù và hàm thích nghi dựa trên hệ số tương quan Matthews chuẩn hóa (NMCC) kết hợp hàm logarit. Khi thử nghiệm thực nghiệm:

• Trên bộ dữ liệu MobiAct v2.0: Thuật toán hội tụ sau 50 thế hệ, tìm ra bộ siêu tham số tối ưu giúp nâng cao hiệu suất phân biệt giữa các lớp ngã và ADL, đạt kết quả cao hơn rõ rệt so với thuật toán tối ưu SSRDC, thuật toán IBk và cấu hình RF mặc định.
• Trên bộ dữ liệu UP-Fall: GA4RF đạt điều kiện dừng sau 51 thế hệ, đem lại kết quả phân loại vượt qua thuật toán tối ưu OP-Tanish, kiến trúc Res-TCN và RF mặc định.

Nội dung thứ hai là phát triển mô hình phát hiện sự kiện ngã FEDM (Fall Event Detection Model): Xuất phát từ thực tế dữ liệu ngã trong đời sống rất hiếm và khó thu thập, FEDM tiếp cận theo hướng phát hiện hành vi bất thường. Mô hình kết hợp kỹ thuật cửa sổ động: cửa sổ dài (LWS) đại diện cho mẫu vận động hoàn chỉnh và các cửa sổ ngắn (sWS) nhằm phát hiện sớm sự biến đổi tức thời. FEDM sử dụng kỹ thuật so khớp dữ liệu linh hoạt thông qua tỷ lệ đồng nhất dự đoán ($r_k$) và cơ chế phân ngưỡng:

• Mô hình được huấn luyện hoàn toàn dựa trên 9 nhãn hoạt động bình thường (ADL) phổ biến từ bộ dữ liệu MobiAct v2.0.
• Khi kiểm thử với các mẫu hoạt động bình thường chưa từng xuất hiện, FEDM nhận dạng chính xác trạng thái không ngã.
• Khi đưa vào các chuỗi dữ liệu sự kiện ngã thực tế, FEDM phát hiện chính xác các sai lệch so với phân phối bình thường, kích hoạt cảnh báo ngã với độ nhạy cao.

Phần phụ lục của luận án trình bày việc hiện thực hóa mô hình thành ứng dụng phần mềm thử nghiệm cài đặt trực tiếp trên hệ điều hành Android của điện thoại thông minh, chứng minh tính khả thi trong việc thu thập tín hiệu cảm biến thời gian thực, thực thi trích rút đặc trưng và gửi tin báo khẩn cấp.

Kết quả và những đóng góp mới

Luận án tự xác định các đóng góp mới về mặt lý luận khoa học và thực tiễn:

1. Đóng góp về lý luận và phương pháp trích rút đặc trưng:

• Đề xuất phương pháp trích rút đặc trưng đa miền TFDHD gồm 44 đặc trưng từ tín hiệu cảm biến gia tốc ba trục. Điểm mới là sự tích hợp đồng thời các tham số định hướng góc Euler ($\phi, \theta, \psi$) và các tham số độ phức tạp dạng sóng Hjorth (Activity, Mobility, Complexity) cùng các đặc trưng miền thời gian và miền tần số truyền thống. Sự kết hợp này cho phép phản ánh đầy đủ bốn trạng thái của sự kiện ngã: biến đổi biên độ đột ngột, tần số dao động, sự thay đổi góc nghiêng cơ thể trong không gian và độ phức tạp chuyển động.

2. Đóng góp về thuật toán và kiến trúc mô hình:

• Đề xuất thuật toán di truyền GA4RF tối ưu hóa đồng thời 6 siêu tham số cốt lõi của Random Forest, với đóng góp mới ở thiết kế cấu trúc nhiễm sắc thể phù hợp và hàm thích nghi dựa trên biến đổi logarit của hệ số tương quan Matthews (NMCC), giải quyết triệt để vấn đề thiên lệch phân loại trên dữ liệu mất cân bằng nghiêm trọng.
• Phát triển mô hình phát hiện sự kiện ngã FEDM dựa trên phân tích hành vi bất thường, kết hợp kỹ thuật cửa sổ trượt đa kích thước (LWS và sWS) và tỷ lệ đồng nhất so khớp ($r_k$). FEDM cho phép phát hiện sự kiện ngã tin cậy mà không phụ thuộc vào việc phải thu thập và gán nhãn các tập dữ liệu ngã thực nghiệm quy mô lớn.

3. Đóng góp thực tiễn và kiến nghị giải pháp:

• Xây dựng thành công nguyên mẫu ứng dụng phát hiện ngã hoàn chỉnh trên điện thoại thông minh chỉ sử dụng một cảm biến gia tốc duy nhất, loại bỏ yêu cầu trang bị thêm phần cứng ngoài, tiết kiệm điện năng và tối ưu hóa tài nguyên tính toán.
• Luận án kiến nghị triển khai ứng dụng dưới dạng phần mềm hỗ trợ sức khỏe cộng đồng miễn phí, tích hợp vào các nền tảng y tế từ xa để tự động phát hiện tai nạn ngã và truyền phát tọa độ GPS kèm cảnh báo khẩn cấp qua SMS/cuộc gọi đến người chăm sóc y tế.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu:

• Dữ liệu thực nghiệm của luận án chủ yếu khai thác từ hai bộ dữ liệu công khai (MobiAct v2.0 và UP-Fall), vốn được thu thập từ các đối tượng tình nguyện trẻ tuổi thực hiện mô phỏng kịch bản ngã trên đệm bảo hiểm trong phòng thí nghiệm; các kịch bản này có sự khác biệt nhất định so với ngã ngẫu nhiên ngoài đời thực của người cao tuổi.
• Vị trí mang điện thoại thông minh trong các tập dữ liệu thử nghiệm tương đối cố định (chủ yếu ở túi quần hoặc gắn hông), chưa bao quát toàn diện các tình huống sử dụng thực tế đa dạng như người dùng cầm điện thoại trên tay, bỏ vào túi áo ngực hoặc đặt trong túi xách.

Hướng nghiên cứu tiếp:

• Tiến hành thu thập thêm dữ liệu vận động thực tế từ nhóm đối tượng người cao tuổi trong môi trường sinh hoạt hàng ngày nhằm hoàn thiện độ chính xác của mô hình.
• Nghiên cứu phát triển các thuật toán trích rút đặc trưng có tính bất biến đối với vị trí và hướng đặt điện thoại trên cơ thể.
• Nghiên cứu tích hợp các kỹ thuật học máy phân tán như học liên kết (Federated Learning) nhằm bảo mật dữ liệu riêng tư của người dùng và cập nhật mô hình học máy trực tuyến theo thời gian thực trên các dòng thiết bị di động thế hệ mới.

Giá trị tham khảo

Nội dung và kết quả của luận án mang lại giá trị tham khảo chuyên môn cho các nhóm đối tượng:

• Nghiên cứu sinh và học viên cao học ngành Quản lý hệ thống thông tin, Khoa học máy tính, Kỹ thuật dữ liệu và Trí tuệ nhân tạo: Có thể tham khảo phương pháp luận kết hợp trích rút đặc trưng đa miền TFDHD từ dữ liệu chuỗi thời gian của cảm biến quán tính, cũng như phương pháp thiết kế giải thuật di truyền tối ưu hóa siêu tham số mô hình trên dữ liệu mất cân bằng.
• Giảng viên và nhà nghiên cứu trong lĩnh vực Xử lý tín hiệu và Kỹ thuật y sinh (Biomedical Engineering): Tài liệu cung cấp cơ sở phân tích chi tiết về ảnh hưởng của kích thước cửa số phân đoạn (DWS) và tỷ lệ xếp chồng (DOR), cùng việc ứng dụng các tham số Hjorth trong phân tích động học chuyển động cơ thể người.
• Các kỹ sư phát triển phần mềm và nhà quản lý hệ thống y tế số: Tham khảo kiến trúc mô hình FEDM và quy trình triển khai thuật toán học máy gọn nhẹ lên các thiết bị di động, phục vụ việc xây dựng các ứng dụng FDS thương mại hoặc dịch vụ an sinh xã hội cho người cao tuổi.

Câu hỏi thường gặp

1. Tại sao luận án chỉ sử dụng duy nhất cảm biến gia tốc trên điện thoại thông minh mà không kết hợp thêm cảm biến con quay hồi chuyển hay các cảm biến môi trường? Việc kết hợp nhiều loại cảm biến (như con quay hồi chuyển, từ kế) hoặc hệ thống camera/radar làm tăng đáng kể độ phức tạp phần cứng, chi phí lắp đặt, vi phạm quyền riêng tư và tiêu tốn nhiều năng lượng của điện thoại thông minh. Luận án chỉ dùng cảm biến gia tốc để đơn giản hóa hệ thống, kéo dài thời lượng pin và tối ưu chi phí tính toán, đồng thời bù đắp lượng thông tin thiếu hụt thông qua phương pháp trích rút đặc trưng đa miền TFDHD và tối ưu mô hình RF.

2. Bộ đặc trưng TFDHD gồm những nhóm thành phần nào và giải quyết hạn chế gì của các nghiên cứu trước? TFDHD gồm 44 đặc trưng tích hợp từ 4 miền: miền thời gian (TD), miền tần số (FD), tham số định hướng góc Euler (DD: roll, pitch, yaw) và tham số Hjorth (HD: Activity, Mobility, Complexity). Phương pháp này khắc phục nhược điểm của các nghiên cứu trước (chỉ dùng miền thời gian hoặc thời gian - tần số đơn thuần) bằng cách bổ sung thông tin tư thế góc nghiêng không gian và độ phức tạp dạng sóng, giúp phân biệt chính xác sự kiện ngã với các hoạt động ADL có gia tốc lớn như ngồi mạnh hoặc cúi người.

3. Thuật toán GA4RF sử dụng tiêu chuẩn nào trong hàm thích nghi để khắc phục bài toán dữ liệu ngã mất cân bằng? GA4RF sử dụng hàm thích nghi xây dựng trên hệ số tương quan Matthews chuẩn hóa (NMCC) kết hợp hàm logarit. Chỉ số MCC tính toán đồng thời cả 4 thành phần trong ma trận nhầm lẫn ($TP, TN, FP, FN$), không bị thiên lệch bởi số lượng mẫu âm tính lớn như chỉ số F1-score hay Accuracy, đảm bảo đánh giá khách quan và gia tăng khả năng phân biệt giữa các bộ siêu tham số tốt nhất.

4. Nguyên lý vận hành của mô hình FEDM trong việc phát hiện sự kiện ngã khi thiếu dữ liệu ngã thực tế là gì? Mô hình FEDM tiếp cận theo hướng nhận dạng hành vi bất thường. Thay vì phụ thuộc vào tập dữ liệu ngã lớn để huấn luyện, FEDM chỉ cần huấn luyện trên các mẫu hoạt động sinh hoạt thường ngày (ADL). Bằng cách kết hợp kỹ thuật cửa sổ động dài - ngắn (LWS và sWS), tỷ lệ đồng nhất dự đoán ($r_k$) và kỹ thuật phân ngưỡng, FEDM xác định sự kiện ngã khi có chuỗi tín hiệu biến đổi đột ngột lệch khỏi phân phối bình thường của các mẫu ADL.

5. Hiệu suất phân loại của mô hình Random Forest kết hợp TFDHD trên hai bộ dữ liệu MobiAct v2.0 và UP-Fall đạt kết quả cụ thể như thế nào? Trên bộ dữ liệu MobiAct v2.0, RF kết hợp TFDHD đạt F1-score 95,23% cho nhóm sự kiện ngã, 99,11% cho nhóm ADL và 98,79% cho toàn bộ hoạt động (vượt qua kết quả của Chatzaki và cộng sự đạt F1-score 96,8%). Trên bộ dữ liệu UP-Fall, mô hình đạt F1-score 96,07% cho nhóm ngã, 98,28% cho nhóm ADL và 97,78% cho toàn bộ hoạt động, vượt trội so với mô hình ANN của Martinez-Villaseñor và mô hình Res-TCN của Lai và cộng sự.

Kết luận

Luận án tiến sĩ của nghiên cứu sinh Lê Hồng Lam đã giải quyết bài toán phát hiện sự kiện ngã của con người trên điện thoại thông minh chỉ sử dụng cảm biến gia tốc ba trục. Thông qua việc đề xuất phương pháp trích rút 44 đặc trưng đa miền TFDHD, thuật toán tối ưu hóa siêu tham số GA4RF dựa trên độ đo NMCC và mô hình phát hiện hành vi bất thường FEDM, công trình đã nâng cao độ chính xác phân loại các dạng ngã trên hai bộ dữ liệu chuẩn MobiAct v2.0 và UP-Fall. Kết quả nghiên cứu cung cấp cơ sở lý luận và giải pháp kỹ thuật có tính ứng dụng thực tiễn cao, hỗ trợ hiệu quả cho việc phát triển các hệ thống cảnh báo tai nạn phục vụ chăm sóc sức khỏe cộng đồng.

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.