Đề án thạc sĩ nhận diện tư thế yoga thời gian thực của tác giả Nguyễn Quang Huy tại Học viện PTIT

Đề án thạc sĩ về nhận diện tư thế yoga thời gian thực sử dụng mô hình trích xuất khung xương và học máy của Nguyễn Quang Huy tại Học viện PTIT.

• Tác giả: Nguyễn Quang Huy
• Người hướng dẫn: TS. Nguyễn Duy Phương
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Khoa học máy tính
• Đề tài: Ứng dụng mô hình trích xuất khung xương và học máy trong nhận diện tư thế yoga thời gian thực
• Loại tài liệu: Đề án tốt nghiệp thạc sĩ
• Năm xuất bản: 2025
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan nghiên cứu nhận diện tư thế yoga thời gian thực

Đề án thạc sĩ của học viên Nguyễn Quang Huy tại Học viện Công nghệ Bưu chính Viễn thông tập trung vào bài toán thị giác máy tính. Đề tài do Tiến sĩ Nguyễn Duy Phương trực tiếp hướng dẫn khoa học vào năm 2025. Mục tiêu trọng tâm là xây dựng công cụ giám sát tập luyện thể chất tự động. Người tập yoga thường gặp khó khăn khi tự rèn luyện tại nhà. Việc thiếu huấn luyện viên chuyên nghiệp dẫn đến sai lệch kỹ thuật và nguy cơ chấn thương thể thao. Nghiên cứu tích hợp mô hình thị giác nhân tạo nhằm tự động phát hiện khung xương người qua camera thông thường. Hệ thống chuyển đổi hình ảnh trực tiếp thành chuỗi tọa độ hình học 2D hoặc 3D. Dữ liệu này trở thành đầu vào quan trọng cho thuật toán phân tích. Đề tài mở ra tiềm năng lớn cho các phần mềm chăm sóc sức khỏe thông minh. Thiết bị di động hoàn toàn có thể chạy mượt mà mô hình mà không cần máy chủ đắt tiền. Đây là bước tiến đáng ghi nhận trong chuyển đổi số thể thao và hỗ trợ y tế cá nhân.

1.1. Bối cảnh và mục tiêu đề tài của tác giả Nguyễn Quang Huy

Tập luyện yoga ngày càng phổ biến trong đời sống hiện đại. Người tự tập tại gia đình thường xuyên mắc lỗi tư thế cơ bản. Tình trạng này kéo dài gây thoái hóa xương khớp và căng cơ mãn tính. Nhu cầu về một trợ lý ảo thông minh ngày càng trở nên cấp thiết. Đề tài thạc sĩ kỹ thuật của tác giả Nguyễn Quang Huy tại PTIT giải quyết triệt để bài toán này. Nghiên cứu xây dựng đường ống xử lý dữ liệu hình ảnh tinh gọn. Hệ thống cung cấp phản hồi tức thời về độ chuẩn xác của động tác. Người dùng dễ dàng theo dõi trực quan sai sót trên màn hình hiển thị. Giải pháp tạo điều kiện tập luyện an toàn và đạt hiệu quả tối ưu.

1.2. Vai trò công nghệ trong nhận diện tư thế yoga thời gian thực

Công nghệ nhận diện khung xương là cầu nối giữa trí tuệ nhân tạo và thể thao. Trước đây, phân tích chuyển động người đòi hỏi hệ thống cảm biến đeo phức tạp và đắt tiền. Thị giác máy tính hiện đại giải quyết nhược điểm này bằng camera quang học thông dụng. Thuật toán trí tuệ nhân tạo trích xuất các điểm mốc cơ thể trực tiếp từ khung hình video. Việc chuyển đổi pixel thô thành các khớp xương chuẩn hóa giúp tối ưu hóa dung lượng tính toán. Dữ liệu tọa độ dạng nhẹ cho phép bộ phân loại hoạt động với tần số khung hình cao. Nhờ vậy, ứng dụng hoạt động ổn định trên máy tính cá nhân và điện thoại.

II. Thách thức phân tích trong nhận diện tư thế yoga thời gian thực

Quá trình phân tích động tác yoga qua luồng video trực tiếp đối mặt với nhiều rào cản kỹ thuật. Yoga bao gồm các chuỗi tư thế tĩnh và động phức tạp. Cơ thể người thường xuyên bị uốn cong, xoay nghiêng hoặc đan chéo các chi. Hiện tượng tự che khuất giữa các bộ phận diễn ra phổ biến. Điều này làm thuật toán trích xuất điểm mốc dễ đoán sai vị trí khớp. Ngoài ra, điều kiện môi trường thực tế luôn biến động thất thường. Cường độ ánh sáng thay đổi và góc quay camera lệch trục gây nhiễu lớn. Khoảng cách giữa người tập và thiết bị thu hình cũng liên tục thay đổi. Yêu cầu thời gian thực đòi hỏi độ trễ xử lý phải ở mức tối thiểu. Các mạng nơ-ron tích chập truyền thống thường quá nặng nề để xử lý mượt mà trên phần cứng phổ thông. Nếu tốc độ tụt xuống dưới 20 khung hình mỗi giây, việc điều chỉnh động tác sẽ mất đi tính kịp thời. Nghiên cứu của tác giả Nguyễn Quang Huy phân tích sâu sắc các hạn chế trên nhằm tìm kiếm kiến trúc tối ưu.

2.1. Vấn đề che khuất và biến dạng khớp xương trong bài tập yoga

Tư thế yoga sở hữu biên độ chuyển động cơ thể rất rộng. Người tập thường gập người sâu, vặn xoắn thân mình hoặc nằm sấp trên thảm. Các bộ phận như cánh tay và cẳng chân thường xuyên che lấp lẫn nhau trước ống kính. Nhiều khớp nối quan trọng bị biến mất tạm thời trong khung hình. Khi mất dấu điểm nút, các mô hình ước lượng tư thế cổ điển rất dễ sinh ra tọa độ sai lệch. Sai số tọa độ này khiến bộ phân loại nhận định nhầm lẫn tư thế. Thuật toán cần khả năng suy luận liên kết động học để bù đắp điểm thiếu hụt.

2.2. Áp lực phần cứng và độ trễ nhận diện tư thế yoga thời gian thực

Hệ thống huấn luyện thông minh đòi hỏi phản hồi gần như tức thì. Độ trễ hiển thị lớn sẽ làm gián đoạn nhịp thở và sự tập trung của người tập. Các mô hình học sâu kích thước lớn thường ngốn tài nguyên bộ nhớ và năng lượng. Chúng khó vận hành trơn tru trên thiết bị biên không có GPU rời chuyên dụng. Việc xử lý đồng thời trích xuất khung xương và phân loại nhãn tư thế gây nghẽn cổ chai tính toán. Vì vậy, bài toán tối ưu hóa mô hình nhằm đạt ngưỡng trên 30 FPS trên phần cứng tiêu chuẩn là thách thức cốt lõi của nghiên cứu.

III. Giải pháp đột phá nhận diện tư thế yoga thời gian thực tại PTIT

Tác giả Nguyễn Quang Huy đề xuất một kiến trúc hệ thống module hóa gồm hai giai đoạn độc lập. Giai đoạn thứ nhất thực hiện trích xuất khung xương cơ thể người. Đề tài khảo sát và đánh giá kỹ lưỡng hai công cụ hàng đầu là BlazePose và MoveNet. BlazePose dự đoán 33 điểm khớp với cơ chế kết hợp giữa bộ phát hiện và bộ bám vết. MoveNet nổi bật với khả năng xác định 17 điểm khớp quan trọng với tốc độ siêu nhanh. Phiên bản MoveNet TFLite được lựa chọn làm giải pháp trọng tâm cho hệ thống thực thi. Mô hình này duy trì độ gọn nhẹ tối đa và giảm thiểu chi phí tính toán. Giai đoạn thứ hai xử lý vector đặc trưng hình học từ các điểm nút trích xuất được. Dữ liệu chuẩn hóa được đưa vào bộ phân loại máy học Support Vector Machine (SVM). Thuật toán SVM xây dựng siêu phẳng phân chia tối ưu giữa các lớp tư thế yoga khác nhau. Sự kết hợp giữa MoveNet TFLite và SVM tạo nên quy trình xử lý ổn định, chính xác và đồng bộ cao.

3.1. Ứng dụng MoveNet và BlazePose trong trích xuất khung xương

Nghiên cứu đối sánh hai kiến trúc thị giác máy tính tiên tiến của Google. BlazePose sở hữu độ chi tiết vượt trội với 33 điểm khớp phủ khắp cơ thể. Cấu trúc gồm bộ phát hiện vùng người kết hợp bộ theo dõi chuyển động liên tục. Ngược lại, MoveNet tập trung vào 17 điểm khớp trọng yếu với hai phiên bản Lightning và Thunder. Tác giả chọn MoveNet định dạng TFLite nhờ khả năng nén mô hình xuất sắc. Mô hình định vị chính xác vị trí giải phẫu cơ thể ngay cả khi ánh sáng thay đổi. Đây là nền tảng vững chắc để chuyển đổi video thành chuỗi đặc trưng số học tin cậy.

3.2. Tích hợp thuật toán SVM phân loại tư thế yoga chính xác cao

Dữ liệu tọa độ sau trích xuất được tiến hành chuẩn hóa không gian để khử sai số cự ly. Bộ phân loại SVM nhận vector đặc trưng đầu vào để định danh tư thế tập luyện. SVM thể hiện năng lực tổng quát hóa xuất sắc trên không gian đặc trưng kích thước nhỏ. Thuật toán duy trì tốc độ suy luận cực nhanh, chỉ mất vài mili-giây cho mỗi mẫu thử. Ngay cả khi một vài điểm khớp bị che khuất tạm thời, SVM vẫn phân loại chuẩn xác. Sự phối hợp này đảm bảo hệ thống phản hồi mượt mà mà không chiếm dụng nhiều tài nguyên máy chủ.

IV. Đánh giá ứng dụng nhận diện tư thế yoga thời gian thực thực tế

Kết quả thực nghiệm trên đề án của tác giả Nguyễn Quang Huy tại PTIT chứng minh tính khả thi cao. Hệ thống được kiểm thử kỹ lưỡng trên nhiều môi trường phần cứng khác nhau. Trên máy tính xách tay Acer trang bị Intel Core i7-1260P và máy để bàn Gigabyte, hệ thống đạt tốc độ xử lý ổn định 30-31 khung hình mỗi giây. Mức hiệu năng này đáp ứng hoàn hảo tiêu chuẩn vận hành thời gian thực. Hệ thống thích ứng linh hoạt trong nhiều điều kiện nhận dạng phức tạp. Độ chính xác được bảo toàn ngay cả khi khoảng cách từ người tập đến camera thay đổi xa gần. Góc quay bị lệch hướng so với góc trực diện vẫn cho ra kết quả phân loại chuẩn. Giao diện chương trình hiển thị sinh động các đường nối khung xương và nhãn cảnh báo trực quan. Người tập dễ dàng quan sát để tự chỉnh sửa tư thế kịp thời. Nghiên cứu mở ra triển vọng tích hợp mô hình vào các ứng dụng thể thao di động, thiết bị IoT và nền tảng chăm sóc sức khỏe tại gia.

4.1. Hiệu năng vượt trội và tính thích ứng trong môi trường đa dạng

Thử nghiệm thực tế khẳng định tính bền vững của giải pháp MoveNet TFLite kết hợp SVM. Tốc độ trung bình đạt 30 đến 31 FPS trên phần cứng văn phòng phổ thông. Hệ thống chứng tỏ khả năng chịu lỗi ấn tượng trong thực tế ghi hình. Khi người tập đứng chéo góc hoặc tiến lại gần ống kính, thuật toán vẫn duy trì độ chính xác cao. Hiện tượng mất dấu cục bộ một vài điểm khớp không làm sụp đổ kết quả dự đoán tổng thể. Cơ chế lọc nhiễu thông minh giúp bảo đảm tính liên tục của luồng giám sát.

4.2. Tiềm năng triển khai hệ thống yoga thông minh trên thiết bị biên

Đề tài tốt nghiệp của tác giả Nguyễn Quang Huy mang tính ứng dụng thực tiễn to lớn. Kiến trúc gọn nhẹ mở đường cho việc cài đặt trực tiếp trên điện thoại thông minh và thiết bị nhúng. Người dùng không cần gửi dữ liệu video cá nhân lên đám mây, giúp bảo vệ quyền riêng tư tuyệt đối. Chi phí triển khai giải pháp được hạ xuống mức thấp nhất. Trong tương lai, hệ thống có thể mở rộng để đếm số lần lặp động tác, chấm điểm độ dẻo dai và gợi ý bài tập nâng cao. Đây là đóng góp khoa học thiết thực của sinh viên PTIT cho cộng đồng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DIỆN TƯ THẾ YOGA 1. Khái quát về nhận diện tư thế người Nhận diện tư thế người (Human Pose Recognition – HPR) thuộc nhóm chủ đề quan trọng trong thị giác máy tính (CV) và tương tác người–máy (Human–Computer Interaction – HCI). Mục tiêu của bài toán này là phân tích từ hình ảnh hoặc video để xác định tư thế từ đó có thể biết được chuyển động và hành động mà con người đang thực hiện. Khác với bài toán ước lượng tư thế người (Human Pose Estimation – HPE), vốn chỉ xoay quanh việc phát hiện cùng định vị các điểm khớp (keypoints) trên cơ thể, HPR là bài toán rộng hơn hướng đến việc phân loại và nhận dạng tư thế/hành động tổng thể của cơ thể người.

Nhờ sự phát triển của học máy và học sâu cùng với thuật toán xử lý hình ảnh hiện đại, HPR đã đạt được nhiều tiến bộ đáng kể trong trong vài năm trở lại đây. Các hệ thống nhận diện tư thế ngày nay có thể nhận biết chính xác các tư thế đơn giản như đứng, ngồi, giơ tay, cúi người, cho đến các chuỗi động tác phức tạp hơn như nhảy, chạy, hoặc thể thao, giám sát nói chung. Nhờ đó, công nghệ HPR trở thành nền tảng cho nhiều ứng dụng thực tiễn. Trong nhận dạng hoạt động HAR [15], hệ thống có thể xác định các hành động cụ thể của con người, mang lại giá trị cao cho các lĩnh vực như giám sát an ninh [16], phân tích thể thao hoặc hỗ trợ chăm sóc sức khỏe.

Đồng thời trong tương tác người–máy, công nghệ này giúp nâng cao tính tự nhiên của giao tiếp giữa người và thiết bị, ứng dụng trong môi trường ảo, trò chơi hoặc hệ thống điều khiển từ xa [17]. Ngoài ra, trong phân tích y học, việc nhận diện và theo dõi tư thế, dáng đi hoặc chuyển động của bệnh nhân giúp hỗ trợ chẩn đoán và phục hồi chức năng,. Dẫu vậy, lĩnh vực này cũng có nhiều trở ngại, chẳng hạn như hiện tượng che khuất khiến các bộ phận cơ thể bị ẩn khỏi tầm nhìn, sự thay đổi về trang phục, ánh sáng, góc nhìn hoặc phông nền làm giảm độ chính xác, và yêu cầu xử lý thời gian thực trong các ứng dụng tương tác đòi hỏi hiệu suất tính toán cao [18]. Nhìn chung, nhờ sự tiến bộ nhanh chóng của học sâu và thị giác máy tính, công nghệ nhận diện tư thế người đang ngày càng hoàn thiện, mở ra nhiều triển vọng trong đời sống, y tế, giáo dục, thể thao và các hệ thống thông minh tương lai.

Tuy 6 nhiên, lĩnh vực này vẫn cần được đào sâu thêm về mặt nghiên cứu, nhằm tăng cường độ chuẩn xác, độ ổn định và khả năng ứng biến trong các môi trường thực tế - nơi mà tiềm năng lợi ích thực tế và việc áp dụng của công nghệ này là vô cùng lớn. Bài toán nhận diện tư thế yoga Yoga, một phương pháp rèn luyện cổ xưa kết nối cân bằng giữa thể chất và tinh thần, việc cải thiện sự dẻo dai, sức mạnh cốt lõi, cân bằng cho đến việc giảm thiểu căng thẳng và nâng cao sự minh mẫn [19]. Trong bối cảnh cuộc sống hiện đại, đặc biệt sau các sự kiện xã hội có biến động lớn từ COVID-19 và sự trỗi dậy của AI, xu hướng tập luyện tại nhà đã trở nên phổ biến mạnh mẽ. Hình thức này đặc biệt thu hút học sinh, sinh viên lẫn người làm dân văn phòng – những người hay gặp phải tình trạng một chỗ quá lâu trong ngày và tìm kiếm các cách để rèn luyện linh hoạt, tiết kiệm được thời gian.

Sự bùng nổ của nhu cầu ấy đã thúc đẩy sự ra mắt của rất nhiều ứng dụng và nền tảng tập luyện trực tuyến. Tuy nhiên, việc tự tập luyện mà thiếu đi sự giám sát, hỗ trợ của huấn luyện viên tiềm ẩn nhiều rủi ro, đặc biệt khi người tập thực hiện sai tư thế. Các lỗi nhỏ trong động tác có thể làm giảm hiệu quả bài tập hoặc thậm chí dẫn đến chấn thương như căng cơ hay tổn thương khớp, khiến người tập mất đi lợi ích vốn có của yoga. Trước thực tế này, công nghệ thị giác máy tính đã mở ra hướng đi hướng đi sáng giá — phát triển các hệ thống nhận diện và đánh giá tư thế yoga tự động [20] [21].

Chúng có khả năng phân tích dáng cơ thể người từ video hoặc hình ảnh, sau đó cung cấp phản hồi tức thời giúp người dùng điều chỉnh động tác chính xác hơn. Dù vậy, việc xây dựng một hệ thống như vậy sẽ phải xử lý không ít trở ngại về kỹ thuật phức tạp, từ sự đa dạng về hình thể và tỷ lệ cơ thể của người tập, cho đến các yếu tố môi trường như góc quay camera, điều kiện ánh sáng. Yêu cầu cốt lõi và khó khăn nhất chính là phải đạt được sự cân bằng tối ưu giữa độ chính xác (accuracy) trong nhận dạng và tốc độ xử lý (speed/latency) để đảm bảo trải nghiệm người dùng liền mạch. Bài toán nhận diện tư thế yoga là một trường hợp đặc thù của nhận diện tư thế người HPR, trong đó mục tiêu là xác định chính xác tư thế mà người tập đang thực 7 hiện dựa trên dữ liệu hình ảnh.

So với các bài toán nhận dạng hành động thông thường, nhận diện tư thế yoga đòi hỏi mức độ chính xác cao hơn, vì nhiều tư thế có hình dáng tương tự nhau nhưng khác biệt tinh tế ở các góc khớp, hướng tay chân hoặc độ nghiêng và cân bằng của cơ thể. Bài toán này có tiềm năng lớn trong thực tế, nhất trong các lĩnh vực như huấn luyện thể chất, đánh giá kỹ thuật rèn luyện thể chất, theo dõi sức khỏe và phục hồi chức năng. Nhờ sự phát triển của các mô hình mới nhẹ và công cụ ước lượng tư thế theo thời gian thực, việc triển khai hệ thống nhận diện tư thế yoga trên thiết bị di động hoặc thiết bị đeo thông minh trở nên khả thi hơn, góp phần hỗ trợ người dùng luyện tập đúng tư thế mà không cần sự hướng dẫn trực tiếp từ huấn luyện viên. Các phương pháp và mô hình nhận diện tư thế người Nhận diện tư thế người HPR được phát triển dựa trên nhiều phương pháp và mô hình khác nhau, tùy theo loại dữ liệu đầu vào và mức độ phức tạp của bài toán.

Các hướng tiếp cận và mô hình trong HPR được phát triển đa dạng, nhưng nhìn chung có thể phân loại thành ba nhóm chính: (1) Phương pháp dựa trên ảnh RGB: Phương pháp dựa trên hình ảnh RGB là hướng tiếp cận phổ biến và cơ bản nhất trong nhận diện tư thế người. Ở cách tiếp cận này, hệ thống sử dụng ảnh hoặc chuỗi khung hình RGB làm đầu vào, sau đó học đặc trưng trực tiếp từ dữ liệu thị giác để phân loại tư thế hoặc hành động tương ứng. Về bản chất, bài toán nhận diện tư thế trong trường hợp này có thể được coi như một bài toán phân loại ảnh thông thường, trong đó mỗi tư thế của con người được xem như một lớp (class) riêng biệt. Các phương pháp cổ điển dựa trên đặc trưng thủ công (như HOG, SIFT) kết hợp với các bộ phân loại (SVM, k-NN, Random Forest) từng được sử dụng nhiều.

Song, chúng vẫn bị ràng buộc mạnh bởi điều kiện chiếu sáng, góc nhìn và nền ảnh, nên hiệu quả bị suy giảm trong môi trường thực tế.Sự xuất hiện của học sâu (Deep Learning) đã thay đổi hoàn toàn hướng tiếp cận này. Các mô hình CNN và biến thể như 3D-CNN, Vision Transformer (ViT) [22] ,có thể tự động học đặc trưng từ dữ liệu ảnh thô, không cần bước trích xuất thủ công nên nhận dạng tư thế và hành động với độ chính xác cao hơn. 8 (2) Phương pháp dựa trên dữ liệu khung xương (Skeleton-based): Các phương pháp này biểu diễn con người thông qua tập hợp các điểm khớp (keypoints) trích xuất từ hình ảnh hoặc video, giúp mô hình tập trung vào cấu trúc hình học và quan hệ vị trí–thời gian của các bộ phận cơ thể. Quá trình nhận diện tư thế người thường gồm ba giai đoạn chính: (i) Phát hiện điểm khớp (Keypoint Detection) nhằm xác định vị trí các khớp chủ chốt như vai, đầu gối, khuỷu, hoặc cổ tay; (ii) Trích xuất đặc trưng (Feature Extraction) để học các đặc trưng không gian từ tập điểm khớp, phản ánh cấu trúc và chuyển động cơ thể; và (iii) Phân loại tư thế (Pose Classification) sử dụng các thuật toán dựa trên hình học, mô hình học máy hoặc học sâu để xác định tư thế tổng thể của con người.

Ba bước này tạo thành chuỗi xử lý chính, giúp hệ thống chuyển đổi dữ liệu hình ảnh thô thành thông tin có ý nghĩa về hành vi và trạng thái của con người. (3) Mô hình lai: Mô hình lai (hybrid models) kết hợp đồng thời nhiều nguồn dữ liệu — ví dụ ảnh RGB, dữ liệu độ sâu (depth), biểu diễn khung xương (skeleton) và dữ liệu cảm biến (IMU, thiết bị đeo) — nhằm tận dụng ưu điểm của từng kiểu biểu diễn. Việc tích hợp đa phương thức giúp mô hình vừa nắm bắt được thông tin ngữ cảnh và ngoại cảnh từ ảnh RGB, vừa bảo toàn cấu trúc hình học và động học của cơ thể từ skeleton hoặc dữ liệu cảm biến, từ đó ntăng cường độ chính xác và khả năng khái quát trong các tình huống thực tế phức tạp. Cuối cùng, mặc dù mô hình lai đem lại nhiều lợi ích về độ chính xác và tính bền vững khi ứng dụng trong thực tế, chúng cũng đặt ra thách thức về đồng bộ dữ liệu, mức độ phức tạp khi tích hợp và chi phí tính toán.

Nghiên cứu liên quan đến nhận diện tư thế yoga Một số các nghiên cứu cũ trước đây đã thiết kế hệ thống hỗ trợ thể dục hoặc yoga dựa trên phân tích ảnh hoặc video mà không sử dụng dữ liệu skeleton. Công trình [23] đã khai thác một mô hình nhận diện tư thế Yoga (asana) dựa trên tập dữ liệu gồm 6 tư thế khác nhau được thu thập bởi 15 tình nguyện viên. Mô hình đề xuất 9 ứng dụng kiến trúc kết hợp giữa mạng CNN và LSTM, được gọi là Long-Term Recurrent Convolutional Network (LRCN). Trong đó, CNN đảm nhận việc trích xuất đặc trưng không gian từ từng khung hình, còn LSTM chịu trách nhiệm phân tích mối liên hệ theo chuỗi thời gian giữa các khung hình liên tiếp.

Kết quả thực nghiệm chỉ ra rằng mô hình đạt chính xác ở mức 81% các tư thế Yoga. Hay trong nghiên cứu [24] , YoNet – một mô hình học sâu mới – được các tác giả giới thiệu nhằm nhận diện năm tư thế yoga khác nhau ngay cả khi dữ liệu huấn luyện tương đối hạn chế.