Báo Cáo Tổng Kết Đề Tài Nghiên Cứu Khoa Học: Phát Hiện Ngã Qua Camera Gia Đình

Tài liệu nghiên cứu Nghiên cứu phát triển mô hình phát hiện ngã thông qua camera gia đình, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Tống Duy Đạt
• Người hướng dẫn: TS. Nguyễn Đình Công
• Trường học: Trường Đại Học Hồng Đức
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Nghiên Cứu Phát Triển Mô Hình Phát Hiện Ngã Thông Qua Camera Gia Đình
• Loại tài liệu: báo cáo tổng kết đề tài nghiên cứu khoa học
• Năm xuất bản: 2023
• Địa điểm: Thanh Hóa

Mục lục chi tiết

• DANH MỤC CHỮ CÁI VIẾT TẮT
• DANH MỤC CÁC BẢNG BIỂU
• DANH MỤC ẢNH
• THÔNG TIN KẾT QUẢ NGHIÊN CỨU
• 1. CHƯƠNG 1: TÍNH CẤP THIẾT CỦA ĐỀ TÀI
• 1.1. Tổng quan tình hình nghiên cứu
• 1.2. Mục tiêu và phạm vi đề tài
• 1.3. Dự kiến kết quả
• 2. CHƯƠNG 2: GIỚI THIỆU VỀ DEEP LEARNING
• 2.1. Giới thiệu chung
• 2.2. Cấu trúc của học sâu (Deep learning)
• 2.3. Cách thức hoạt động của một kiến trúc deep learning
• 2.4. Mạng nơ ron tích chập (CNN)
• 2.4.1. Lớp tích chập (Convolutional layer)
• 2.4.2. Lớp lấy mẫu (Pooling)
• 2.4.3. Lớp kết nối đầy đủ (Fully-connected layer – FC)
• 2.4.4. Hàm kích hoạt (Activation function)
• 3. CHƯƠNG 3: CÁC CÔNG NGHỆ NHẬN DIỆN TƯ THẾ CON NGƯỜI
• 3.1. Tổng quan bài toán nhận diện tư thế (HAR)
• 3.2. Giới thiệu bài toán nhận diện tư thế
• 3.3. Thách thức của nhận diện tư thế (HAR)
• 3.4. Các mô hình state of the art sử dụng cho mô hình nhận diện tư thế
• 3.5. Tổng quan tình hình nghiên cứu
• 3.6. Mô hình You Only Look Once (Yolov7 pose)
• 3.7. Mô hình MediaPipe Pose
• 4. CHƯƠNG 4: TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU VÀ ĐỀ XUẤT
• 4.1. Cách tiếp cận bài toán nhận diện ngã
• 4.2. Tổng quan tình hình nghiên cứu
• 4.3. Phương pháp đề xuất
• 4.4. Nhận diện tư thế người trong video
• 4.5. Tiền xử lý thông tin
• 4.6. Trích chọn đặc trưng
• 4.7. Mô hình phân loại
• 5. CHƯƠNG 5: THÍ NGHIỆM ĐÁNH GIÁ MÔ HÌNH
• 5.1. Bộ dữ liệu Fall Detection Dataset của phòng thí nghiệm ImViA
• 5.2. Bộ dữ liệu Fall Detection Dataset trong hội thảo Machine Vision Applications (MVA), 2017
• 5.3. Kết quả thí nghiệm
• 5.4. Thang đo đánh giá
• 5.5. Kết quả và đánh giá
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC
• PHỤ LỤC 1. DANH MỤC ẢNH BIỂU ĐỒ HUẤN LUYỆN TRONG QUÁ TRÌNH HUẤN LUYỆN MÔ HÌNH

Tóm tắt

I. Tổng Quan Phát Hiện Ngã Qua Camera Gia Đình Tại Sao Cần

Theo báo cáo của WHO (2021), té ngã là một vấn đề sức khỏe toàn cầu nghiêm trọng, gây ra khoảng 684,000 ca tử vong mỗi năm. Tỷ lệ tử vong cao nhất ở người lớn trên 60 tuổi. Té ngã không chỉ gây chấn thương vật lý mà còn ảnh hưởng đến tâm lý, khiến người cao tuổi sợ vận động, dẫn đến cô đơn và trầm cảm. Việc phát hiện ngã sớm rất quan trọng để có thể can thiệp kịp thời, giảm thiểu hậu quả. Lĩnh vực thị giác máy tính (computer vision) và trí tuệ nhân tạo (AI) đã mở ra khả năng phát triển các hệ thống phát hiện ngã hiệu quả thông qua camera gia đình. Tuy nhiên, vẫn còn những hạn chế về độ chính xác và khả năng triển khai trên các thiết bị có cấu hình thấp. Cần có những nghiên cứu để tối ưu hóa các mô hình, đảm bảo tính chính xác và nhỏ gọn để triển khai trên các thiết bị camera quan sát gia đình hiện có.

1.1. Tầm quan trọng của Phát hiện ngã sớm cho Người cao tuổi

Phát hiện ngã sớm có ý nghĩa vô cùng quan trọng đối với người cao tuổi và người bệnh. Việc phát hiện nhanh chóng giúp người nhà, người chăm sóc hoặc bác sĩ có thể can thiệp kịp thời, giảm thiểu các chấn thương nghiêm trọng. Thậm chí, trong một số trường hợp, việc can thiệp kịp thời có thể cứu sống người bệnh. Các hệ thống cảnh báo ngã tự động có thể thông báo cho người thân hoặc dịch vụ cấp cứu, đảm bảo phản ứng nhanh trong các tình huống khẩn cấp.

1.2. Hạn chế của các phương pháp Phát hiện ngã truyền thống

Các phương pháp phát hiện ngã truyền thống, như sử dụng cảm biến đeo trên người, có một số hạn chế. Người dùng có thể quên hoặc không muốn đeo thiết bị, đặc biệt là người già. Cảm biến cũng có thể hết pin hoặc gặp sự cố, dẫn đến việc bỏ lỡ các sự kiện ngã. Các phương pháp sử dụng camera quan sát truyền thống thường đòi hỏi nhiều tài nguyên tính toán và có thể không phù hợp với các thiết bị gia đình có cấu hình thấp. Cần có các giải pháp giải pháp chăm sóc sức khỏe tiết kiệm chi phí và dễ sử dụng.

II. Cách Phát Triển Mô Hình Phát Hiện Ngã Dùng Deep Learning

Các phương pháp phát hiện ngã hiện nay thường sử dụng hai phương pháp chính: sử dụng cảm biến và phân tích hình ảnh video. Phương pháp sử dụng cảm biến có nhược điểm về tính tiện dụng và chi phí. Phương pháp phân tích hình ảnh video, đặc biệt là sử dụng Deep Learning, có thể giải quyết được các nhược điểm này. Deep Learning cho phép xây dựng các mô hình nhận diện ngã từ hình ảnh với độ chính xác cao. Mô hình học cách trích xuất đặc trưng quan trọng từ hình ảnh, như phân tích chuyển động và tư thế người, để xác định xem có xảy ra ngã hay không. Các mô hình này có thể được tối ưu hóa để chạy trên các thiết bị camera gia đình với cấu hình hạn chế.

2.1. Ứng dụng Mạng Nơ ron Tích chập CNN trong nhận diện ngã

Mạng nơ-ron tích chập (CNN) là một kiến trúc học sâu mạnh mẽ, thường được sử dụng trong xử lý ảnh. CNN có khả năng tự động trích xuất các đặc trưng quan trọng từ hình ảnh, như hình dạng, đường nét và cấu trúc. Trong bài toán phát hiện ngã, CNN có thể được huấn luyện để nhận biết các tư thế và chuyển động liên quan đến ngã. CNN thường được sử dụng kết hợp với các kỹ thuật khác, như nhận diện tư thế người, để tăng độ chính xác.

2.2. Sử dụng Long Short Term Memory LSTM cho phân tích video

Long Short-Term Memory (LSTM) là một loại mạng nơ-ron hồi quy (RNN) đặc biệt phù hợp với việc xử lý dữ liệu chuỗi thời gian, như video. LSTM có khả năng ghi nhớ thông tin trong quá khứ và sử dụng thông tin này để đưa ra dự đoán trong tương lai. Trong bài toán phát hiện ngã, LSTM có thể được sử dụng để phân tích chuyển động của người trong video và phát hiện các dấu hiệu bất thường có thể dẫn đến ngã. LSTM thường được sử dụng kết hợp với CNN để trích xuất đặc trưng từ hình ảnh và sau đó phân tích chuyển động theo thời gian.

III. Hướng Dẫn Nhận Diện Tư Thế Người Cho Phát Hiện Ngã

Nhận diện tư thế người là một bước quan trọng trong quy trình phát hiện ngã qua camera gia đình. Kỹ thuật này cho phép xác định vị trí và tư thế của các bộ phận cơ thể người, như đầu, tay, chân. Thông tin về tư thế này có thể được sử dụng để phân tích chuyển động và phát hiện các dấu hiệu bất thường liên quan đến ngã. Các mô hình nhận diện tư thế hiện đại, như MediaPipe Pose và YOLOv7-Pose, cung cấp khả năng nhận diện chính xác và nhanh chóng. Việc tích hợp các mô hình này vào hệ thống phát hiện ngã giúp tăng độ chính xác và hiệu quả.

3.1. Tổng quan bài toán Nhận diện tư thế HAR và Thách thức

Bài toán Nhận diện tư thế (HAR), hay nhận diện hành động của con người, là một bài toán phức tạp trong lĩnh vực computer vision. Thách thức lớn nhất là sự đa dạng của tư thế và chuyển động của con người. Các yếu tố như ánh sáng, góc nhìn và trang phục cũng có thể ảnh hưởng đến độ chính xác của mô hình. Để giải quyết các thách thức này, cần sử dụng các mô hình học sâu mạnh mẽ và huấn luyện trên một bộ dữ liệu lớn và đa dạng.

3.2. Các Mô hình Nhận diện tư thế HAR State of the Art

Hiện nay, có nhiều mô hình nhận diện tư thế (HAR) state-of-the-art, như You Only Look Once (YOLOv7 pose) và MediaPipe Pose. Các mô hình này sử dụng các kỹ thuật học sâu tiên tiến để đạt được độ chính xác cao. YOLOv7-Pose là một mô hình nhanh và hiệu quả, phù hợp với các ứng dụng thời gian thực. MediaPipe Pose là một mô hình nhẹ và dễ tích hợp, phù hợp với các thiết bị camera gia đình có cấu hình hạn chế.

IV. Đề Xuất Phương Pháp Phát Hiện Ngã Quy trình và Giai đoạn

Quy trình phát hiện ngã thường bao gồm các giai đoạn sau: nhận diện tư thế người trong video, tiền xử lý thông tin, trích chọn đặc trưng và phân loại. Đầu tiên, mô hình nhận diện tư thế được sử dụng để xác định vị trí các khớp trên cơ thể người. Sau đó, thông tin này được tiền xử lý để loại bỏ nhiễu và chuẩn hóa dữ liệu. Tiếp theo, các đặc trưng quan trọng, như tốc độ và góc chuyển động, được trích chọn. Cuối cùng, một mô hình phân loại, như SVM hoặc LSTM, được sử dụng để phân loại hành động là ngã hay không ngã.

4.1. Tiền xử lý Thông tin và Trích chọn đặc trưng chính

Tiền xử lý thông tin là một bước quan trọng để đảm bảo độ chính xác của mô hình. Các kỹ thuật tiền xử lý có thể bao gồm lọc nhiễu, chuẩn hóa dữ liệu và điền các giá trị bị thiếu. Trích chọn đặc trưng là quá trình lựa chọn các đặc trưng quan trọng nhất từ dữ liệu. Các đặc trưng có thể bao gồm tốc độ, góc chuyển động, khoảng cách giữa các khớp và tư thế cơ thể. Việc lựa chọn các đặc trưng phù hợp có thể cải thiện đáng kể hiệu suất của mô hình.

4.2. Xây dựng Mô hình Phân loại ngã chính xác và hiệu quả

Mô hình phân loại có nhiệm vụ phân loại hành động là ngã hay không ngã dựa trên các đặc trưng đã trích chọn. Các mô hình phân loại phổ biến bao gồm SVM, LSTM và các mô hình học sâu khác. Việc lựa chọn mô hình phân loại phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu về hiệu suất. Mô hình nên được huấn luyện trên một bộ dữ liệu lớn và đa dạng để đảm bảo độ chính xác và khả năng tổng quát hóa.

V. Thí Nghiệm Đánh Giá Hiệu Quả Mô Hình Phát Hiện Ngã Qua Camera

Để đánh giá hiệu quả của mô hình phát hiện ngã, cần thực hiện các thí nghiệm trên bộ dữ liệu chuẩn. Các bộ dữ liệu phổ biến bao gồm Fall Detection Dataset của phòng thí nghiệm ImViA và Fall Detection Dataset trong hội thảo Machine Vision Applications (MVA). Các thí nghiệm cần đánh giá các chỉ số hiệu suất quan trọng, như độ chính xác, độ nhạy và độ đặc hiệu. Kết quả thí nghiệm sẽ giúp xác định điểm mạnh và điểm yếu của mô hình, từ đó có thể cải thiện hiệu suất.

5.1. Bộ Dữ liệu Fall Detection Dataset và Thang đo đánh giá

Bộ dữ liệu Fall Detection Dataset chứa các video ghi lại các hoạt động ngã và không ngã. Bộ dữ liệu này được sử dụng để huấn luyện và đánh giá mô hình phát hiện ngã. Thang đo đánh giá được sử dụng để đo lường hiệu suất của mô hình. Các chỉ số quan trọng bao gồm độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity) và F1-score. Các chỉ số này cho phép đánh giá một cách toàn diện khả năng của mô hình trong việc nhận diện ngã.

5.2. Kết quả và Đánh giá chi tiết về Độ chính xác của mô hình

Kết quả thí nghiệm cho thấy mô hình đạt được độ chính xác cao trên bộ dữ liệu Fall Detection Dataset. Tuy nhiên, cần phân tích kỹ hơn về các trường hợp mà mô hình mắc lỗi để xác định nguyên nhân và cải thiện hiệu suất. Ví dụ, mô hình có thể gặp khó khăn trong việc phân biệt giữa ngã và các hoạt động khác có chuyển động tương tự. Việc tăng cường huấn luyện trên các trường hợp khó có thể giúp cải thiện độ chính xác.

VI. Kết Luận Hướng Phát Triển Mô Hình Phát Hiện Ngã Tương Lai

Nghiên cứu phát triển mô hình phát hiện ngã thông qua camera gia đình là một lĩnh vực đầy tiềm năng, có thể mang lại lợi ích to lớn cho an ninh gia đình và chăm sóc sức khỏe. Các mô hình học sâu đã chứng minh khả năng nhận diện ngã chính xác và hiệu quả. Tuy nhiên, vẫn còn nhiều thách thức cần giải quyết, như cải thiện độ chính xác, giảm thiểu tài nguyên tính toán và đảm bảo quyền riêng tư. Trong tương lai, các nghiên cứu có thể tập trung vào việc tích hợp các cảm biến bổ sung, phát triển các mô hình học sâu tiên tiến hơn và đảm bảo tính bảo mật và quyền riêng tư của người dùng.

6.1. Ứng dụng tiềm năng trong Chăm sóc sức khỏe và IoT

Các hệ thống phát hiện ngã có thể được tích hợp vào các hệ thống chăm sóc sức khỏe thông minh và Internet of Things (IoT). Ví dụ, hệ thống có thể tự động thông báo cho người thân hoặc dịch vụ cấp cứu khi phát hiện ngã. Hệ thống cũng có thể thu thập dữ liệu về chuyển động và tư thế của người dùng để cung cấp thông tin hữu ích cho bác sĩ. Việc tích hợp với các thiết bị IoT khác, như đèn chiếu sáng và hệ thống điều hòa, có thể tạo ra một môi trường sống an toàn và thoải mái hơn cho người cao tuổi và người bệnh.

6.2. Thách thức và Giải pháp trong Triển khai thực tế mô hình

Triển khai thực tế các hệ thống phát hiện ngã còn gặp nhiều thách thức. Một trong những thách thức lớn nhất là đảm bảo quyền riêng tư của người dùng. Cần có các biện pháp bảo mật để ngăn chặn việc truy cập trái phép vào dữ liệu video. Một thách thức khác là đảm bảo độ tin cậy và ổn định của hệ thống. Hệ thống cần hoạt động liên tục và chính xác trong mọi điều kiện ánh sáng và môi trường. Việc giải quyết các thách thức này đòi hỏi sự kết hợp giữa các kỹ thuật học sâu, bảo mật và IoT.

Trích đoạn nội dung tài liệu

TRƢỜNG ĐẠI HỌC HỒNG ĐỨC KHOA CNTT & TT BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN NĂM HỌC 2022 - 2023 NGHIÊN CỨU PHÁT TRIỂN MÔ HÌNH PHÁT HIỆN NGÃ THÔNG QUA CAMERA GIA ĐÌNH Thuộc nhóm ngành khoa học: Khoa học máy tính THANH HÓA, THÁNG 04/2023 TRƢỜNG ĐẠI HỌC HỒNG ĐỨC KHOA CNTT & TT BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN NĂM HỌC 2022 - 2023 NGHIÊN CỨU PHÁT TRIỂN MÔ HÌNH PHÁT HIỆN NGÃ THÔNG QUA CAMERA GIA ĐÌNH Thuộc nhóm ngành khoa học: Khoa học máy tính Sinh viên thực hiện: Tống Duy Đạt Dân tộc: Kinh Lớp, khoa: K23 ĐH CNTT – Khoa CNTT&TT Năm thứ: 3 / Số năm đào tạo: 4 Ngành học: CNTT Giảng viên hƣớng dẫn: TS. Nguyễn Đình Công THANH HÓA, THÁNG 04/2023 MỤC LỤC DANH MỤC CHỮ CÁI VIẾT TẮT. iii DANH MỤC CÁC BẢNG BIỂU .iv DANH MỤC ẢNH. vii THÔNG TIN KẾT QUẢ NGHIÊN CỨU.

viii CHƢƠNG I. Tính cấp thiết của đề tài. Tổng quan tình hình nghiên cứu. Mục tiêu và phạm vi đề tài.

Dự kiến kết quả. 4 CHƢƠNG II. GIỚI THIỆU VỀ DEEP LEARNING. Giới thiệu chung.

Cấu trúc của học sâu (Deep learning). Cách thức hoạt động của một kiến trúc deep learning. Mạng nơ ron tích chập ( CNN ). Lớp tích chập (Convolutional layer).

Lớp lấy mẫu (Pooling). Lớp kết nối đầy đủ (Fully-connected layer – FC). Hàm kích hoạt (Activation function). Long short term memory (LSTM).

Gated Recurrent Unit (GRU). Bidirectional Long Short-Term Memory (BLSTM). 17 CHƢƠNG III. CÁC CÔNG NGHỆ NHẬN DIỆN TƢ THẾ CON NGƢỜI.

Tổng quan bài toán nhận diện tư thế (HAR). Giới thiệu bài toán nhận diện tư thế. Thách thức của nhận diện tư thế (HAR). Các mô hình state of the art sử dụng cho mô hình nhận diện tư thế.

Tổng quan tình hình nghiên cứu. Mô hình You Only Look Once (Yolov7 pose). Mô hình MediaPipe Pose. 29 CHƢƠNG IV: TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU VÀ ĐỀ XUẤT.

Cách tiếp cận bài toán nhận diện ngã. Tổng quan tình hình nghiên cứu. Phương pháp đề xuất. Nhận diện tư thế người trong video.

Tiền xử lý thông tin. Trích chọn đặc trưng. Mô hình phân loại. 35 CHƢƠNG V: THÍ NGHIỆM ĐÁNH GIÁ MÔ HÌNH.

Bộ dữ liệu Fall Detection Dataset của phòng thí nghiệm ImViA. Bộ dữ liệu Fall Detection Dataset trong hội thảo Machine Vision Applications (MVA), 2017. Kết quả thí nghiệm. Thang đo đánh giá.

Kết quả và đánh giá. 42 CHƢƠNG VI. 48 TÀI LIỆU THAM KHẢO. 55 DANH MỤC CHỮ CÁI VIẾT TẮT Từ viết tắt Tiếng anh Tiếng việt CNN Convolutional Netural Networks Mạng Nơ ron tích chập AI Artificial Intelligence Trí tuệ nhân tạo ReLU Rectified Linear Units Đơn vị tuyến tính chỉnh lưu GPU Graphics Processing Unit Bộ xử lí đồ họa FC Fully Connectyed Kết nối đầy đủ CPU Central Processing Unit Bộ xử lí trung tâm GB Gigabyte Đơn vị tính dữ liệu ReLU Rectified linear units Đơn vị tuyến tính chỉnh lưu SVM Support Vector Machine Máy vec-tơ hỗ trợ LSTM Long Short Time Memory Bộ nhớ dài-ngắn hạn Yolo You Only Look Once Mô hình Yolo GRU Gated Recurrent Unit Đơn vị định kì có kiểm soát BLSTM Bidirectional Long Short-Term Bộ nhớ dài-ngắn hạn hai chiều Memory DANH MỤC CÁC BẢNG BIỂU Bảng 1: So sánh các đặc tính của Yolo – Pose và Mediapipe – Pose.

29 Bảng 2: Dữ liệu nhận diện hành động. 37 Bảng 3: Dữ liệu nhận diện hành động của Bộ dữ liệu Fall Detection Dataset trong hội thảo Machine Vision Applications (MVA), 2017. 39 Bảng 4: Bảng so sánh độ chính xác của các mô hình thử nghiệm lấy tất cả điểm khóa làm đặc trưng. 42 Bảng 5: Bảng so sánh độ chính xác của các mô hình thử nghiệm bỏ đặc trưng điểm khóa ở vùng đầu.

43 Bảng 6: Bảng so sánh độ chính xác của các mô hình thử nghiệm bỏ đặc trưng điểm khóa ở vùng đầu và cánh tay. 43 Bảng 7 :Bảng đánh giá chất lượng mô hình MediaPipe Pose + BLSTM với tất cả các điểm khóa làm đặc trưng. 45 Bảng 8 :Bảng đánh giá chất lượng mô hình MediaPipe Pose + BLSTM bỏ các đặc trưng phần đầu. 46 DANH MỤC ẢNH Hình 1: Ví dụ về neural network [11].

5 Hình 2:Ví dụ về Neuron trong Deep learning [12]. 5 Hình 3:Ví dụ về hàm Activation [12]. 6 Hình 4:Ví dụ về mạng deep learning có tẩng ẩn [12]. 6 Hình 5: Ví dụ về Loss function (các kí hiệu , , thể hiện là hàm kích hoạt được sử dụng trong mạng) [13].

7 Hình 6:Ví dụ về một vài thuật toán Optimizer [14]. Kiến trúc mạng deep learning tiêu chuẩn [15]. Cấu trúc mạng nơ-ron tích chập [16]. Ví dụ về lớp tích chập [17].

Ví dụ về lớp lấy mẫu max pooling [17]. 12 Hình 11: Ví dụ về lớp lấy mẫu average pooling [17]. Ví dụ về lớp kết nối đầy đủ (Fully connected layer -FC) [17]. 13 Hình 13: Đồ thị hàm ReLU [18].

14 Hình 19: Kiến trúc mạng LSTM. 15 Hình 20: Kiến trúc và công thức tính của GRU [3]. 17 Hình 21: Kiến trúc BLSTM. 18 Hình 14: Hình ảnh biểu diễn khung người [5].

22 Hình 15: Cách tiếp cận từ trên xuống và cách tiếp cận từ dưới lên [5]. 23 Hình 16: Hình mô tả kiến trúc Yolo-Pose [22]. 24 Hình 17: Quy trình nhận diện tư thế của Mediapipe Pose [23]. 27 Hình 18: Kiến trúc mạng theo dõi: hồi quy với giám sát bản đồ nhiệt [23].

28 Hình 22: Tổng quan quy trình thực hiện. 34 Hình 28: (a) Quá trình nhận diện khung xương người của MediaPipe Pose (b) Thông tin khung xương người. 34 Hình 21: Kiến trúc BLSTM. 36 Hình 35: Kiến trúc mạng BLSTM được sử dụng cho bộ phân lớp.

36 Hình 22: Biều đồ thể hiện tần suất của dữ liệu Fall Detection Dataset [24]. 37 Hình 23: Một số ví dụ về các hành động trong data Fall Detection Dataset. 38 Hình 24: Biều đồ thể hiện tần suất của dữ liệu Fall Detection Dataset. 39 Hình 25: Một số ví dụ về các hành động trong Fall Detection Dataset 2.

40 Hình 32: Confusion matrix sau khi huấn luyện MediaPipe Pose + BLSTM với tất cả các điểm khóa làm đặc trưng. 45 Hình 33: Confusion matrix sau khi huấn luyện MediaPipe Pose + BLSTM bỏ các đặc trưng phần đầu. 46 Hình 36: Một số hình minh họa khi triên khai mô hình. 47 Hình 37: Biểu đồ training của các mô hình thử nghiệm sử dụng full điểm khóa.

50 Hình 38: Biểu đồ training của các mô hình thử nghiệm bỏ phần đầu. 51 Hình 39: Biểu đồ training của các mô hình thử nghiệm bỏ phần đầu và cánh tay. 52 Hình 40: Biểu đồ training của các mô hình thử nghiệm sử dụng full điểm khóa. 53 Hình 41: Biểu đồ training của các mô hình thử nghiệm bỏ phần đầu.

54 PHỤ LỤC PHỤ LỤC 1. DANH MỤC ẢNH BIỂU ĐỒ HUẤN LUYỆN TRONG QUÁ TRÌNH HUẤN LUYỆN MÔ HÌNH. 49 THÔNG TIN KẾT QUẢ NGHIÊN CỨU 1. Tên đề tài: Nghiên cứu phát triển mô hình phát hiện ngã thông qua camera gia đình.

Cấp dự thi: Cấp khoa 3. Nhóm sinh viên thực hiện Họ và tên: Tống Duy Đạt Lớp: K23A-ĐHCNTT Khoa: CNTT-TT Điện thoại: [phone] Email: dattongduy1. Giáo viên hƣớng dẫn: TS. Nguyễn Đình Công 5.

Thời gian thực hiện: 08 tháng, từ tháng 09/2022 đến 04/2023. Cơ quan quản lý đề tài: Trường Đại học Hồng Đức. Đơn vị chủ trì đề tài: Khoa Công nghệ thông tin và truyền thông. Tính cấp thiết của đề tài Theo báo cáo của WHO (2021) [1], trên toàn cầu té ngã là một vấn đề sức khỏe được cộng đồng rất quan tâm.

Ước tính có khoảng 684 000 ca tử vong do ngã xảy ra mỗi năm, khiến nó trở thành nguyên nhân thứ hai gây tử vong do thương tích không chủ ý, sau thương tích giao thông đường bộ. Hơn 80% trường hợp tử vong liên quan đến ngã xảy ra ở các quốc gia có thu nhập thấp và trung bình, với các khu vực Tây Thái Bình Dương và Đông Nam Á chiếm 60% số ca tử vong. Ở tất cả các khu vực trên thế giới, tỷ lệ tử vong cao nhất ở người lớn trên 60 tuổi. Té ngã không chỉ gây ra các chấn thương vật lý mà còn ảnh hưởng đến tâm lý của người bị ngã đặc biết là đối với người cao tuổi.

Nó làm cho người cao tuổi sợ việc vận động, qua đó tác động một cách gián tiếp đến sức khỏe của họ. Ngoài ra, khi điều trị chấn thương thường phải bị cách ly tạm thời ra khỏi cộng đồng, xã hội, làm tăng cảm giác cô đơn và có thể dẫn đến trầm cảm. Việc phát hiện té ngã sớm có thể giúp người nhà, người chăm sóc (carer) hay bác sĩ đến một cách kịp thời và có thể giúp hạn chế hậu quả do té ngã gây ra. Do đó, nhu cầu về các hệ thống phát hiện té ngã sớm và có khả năng thông báo cho người chăm sóc hay các người có liên quan là rất cấp thiết.

Lĩnh vực thị giác máy tính, hàng loạt các thuật toán làm camera có thể quan sát và nhận biết các đối tượng, sự kiện xuất hiện trong khung hình của camera có thể quan sát với độ chính xác cao thế nên việc phát hiện ngã sớm là khả thi. Tuy nhiên mỗi cách tiếp cận trên đều đã có những kết quả nghiên cứu đáng kể, nhưng cũng bộc lộ một số hạn chế nhất định. Một số phương pháp có hạn chế là tốc độ tính toán thấp tốn nhiều tài nguyên nhưng độ chính xác cao. Mặt khác một số phương pháp khác có tốc độ tính toán cao nhưng độ chính xác thấp.

Từ những điểm trên, nhóm nghiên cứu chúng tôi đề xuất một mô hình nhận dạng ngã sử dụng trí tuệ nhân tạo. Mô hình đảm bảo tính chính xác, nhỏ gọn để có thể triển khai được trên các thiết bị phần cứng cấu hình thấp. Tổng quan tình hình nghiên cứu Các phương pháp nhận diện ngã hiện nay trên thế giới chia làm 2 phương pháp chính: (a) Sử dụng cảm biến: phương pháp này sử dụng các cảm biến, chẳng hạn như con quay hồi chuyển, gia tốc kế, cảm biến quán tính, khí áp kế, v., để phát hiện ngã. Phương pháp này có một số nhược điểm như thay pin thường xuyên, chi phí cao, sử dụng thiết bị đeo được, khoảng cách cảm nhận, v.v; (b) Phát hiện tƣ thế con ngƣời từ hình ảnh video: phương pháp này có thể giải quyết được các nhược điểm của phương pháp sử dụng cảm biến.