Phát Hiện Hành Động Con Người Bằng Tín Hiệu Wifi: Nghiên Cứu Ứng Dụng Mạng Nơ-Ron Hồi Quy

Luận văn thạc sĩ trình bày ứng dụng mạng nơ ron hồi quy trong phát hiện hành động con người qua tín hiệu wifi, mang lại giải pháp công nghệ tiên tiến.

• Tác giả: Đỗ Minh Tiến
• Người hướng dẫn: TS. Nguyễn Tan Hoàng Phước
• Trường học: Đại học Quốc gia TP HCM
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Phát Hiện Hành Động Con Người Bằng Tín Hiệu Wifi: Ứng Dụng Mạng Nơ-Ron Hồi Quy
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng nghiên cứu
• 1.4. Phạm vi nghiên cứu
• 1.5. Nội dung nghiên cứu
• 1.6. Cấu trúc luận văn
• 2. CHƯƠNG 2: TỔNG QUAN VỀ AI, MACHINE LEARNING VÀ DEEP LEARNING
• 2.1. Khái niệm
• 2.2. Mục tiêu
• 2.3. Quy trình máy học
• 2.4. Cơ sở lý thuyết
• 2.4.1. Thu thập dữ liệu
• 2.4.2. Tiền xử lý dữ liệu
• 3. CHƯƠNG 3: CÁC MÔ HÌNH DEEP LEARNING TRONG HƯỚNG NGHIÊN CỨU, MÔ HÌNH REALTIME VÀ ỨNG DỤNG CỦA MẠNG NƠ-RON HỒI QUY
• 4. CHƯƠNG 4: GIỚI THIỆU VỀ MÔI TRƯỜNG, QUY TRÌNH VÀ KẾT QUẢ THỰC NGHIỆM
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Tóm tắt

I. Tổng Quan Phát Hiện Hành Động Con Người Bằng Tín Hiệu Wifi

Các mô hình học sâu và học máy đang phát triển nhanh chóng và được ứng dụng rộng rãi. Chúng giúp ích cho các bài toán với khối lượng lớn dữ liệu, nhận biết sự thay đổi, sự khác nhau đối với nhu cầu thiết yếu của con người, nhận dạng con người, giọng nói hay văn bản. Tuy nhiên, ứng dụng của các loại mô hình đó vào các bài toán phân biệt hành động con người còn sơ khai. Các nghiên cứu chỉ ra rằng Wi-Fi có thể giúp nhận dạng các hành động của con người bằng cách trích xuất thông tin trạng thái kênh truyền (CSI). Với sự phổ biến của Wi-Fi, việc nghiên cứu phương pháp nhận diện hành động con người qua tín hiệu Wi-Fi là tiền đề để phát triển thành ứng dụng nhận diện theo thời gian thực. Các bài toán từ dữ liệu dạng chuỗi có mạng nơ-ron hồi quy (RNN) hỗ trợ đắc lực. Luận văn này nghiên cứu phương pháp nhận diện hành động con người dựa vào sóng Wi-Fi, triển khai bộ thu-phát tín hiệu Wi-Fi và xây dựng bộ dữ liệu về các hành động thu được bằng công nghệ vô tuyến khả lập trình SDR. Sau đó, áp dụng các mô hình học máy, học sâu – cụ thể là nghiên cứu mạng nơ-ron hồi quy và đánh giá bộ dữ liệu thu được. Cuối cùng, phát triển một kiến trúc client-server để triển khai và demo ứng dụng phát hiện hành động con người bằng sóng Wifi trong thời gian thực.

1.1. Tại Sao Phát Triển Ứng Dụng Nhận Diện Hành Động

Việc phát triển các ứng dụng nhận diện hành động con người là đề tài nghiên cứu rất có triển vọng, là một trong những ưu tiên hàng đầu để đưa ra các bước đột phá và áp dụng cho sự phát triển trong thời đại 4.0 và các thành phố thông minh. Hướng phát triển này giúp nâng cao đời sống hiện nay, với mục tiêu tự động hóa và tăng khả năng giám sát các hành động của con người hay của một vật thể nhất định. Việc nhận diện các hành động của con người, bao gồm các khuynh hướng giải quyết tập trung vào việc thu thập dữ liệu về con người như: vị trí, cử chỉ, thao tác.

1.2. Hạn Chế Của Các Phương Pháp Nhận Diện Truyền Thống

Các mô hình truyền thống như camera, ánh sáng, hồng ngoại có các hạn chế sau: thiết bị camera ghi hình bị giới hạn tầm quan sát (line of sight), các vấn đề về quyền riêng tư và gặp khó khăn trong các trường hợp đặc thù khác nhau. Các thiết bị cảm biến ánh sáng hoặc hồng ngoại không có khả năng xuyên tường hoặc vật cản và còn bị giới hạn bởi các yếu tố như khi áp dụng cho việc nhận diện hành động con người, các thiết bị cảm biến đều cần phải được triển khai trước khi đưa vào sử dụng, từ đó cần phải sản xuất và thiết kế riêng, gây tốn kém chi phí.

1.3. Ưu Điểm Của Sử Dụng Tín Hiệu Wifi Để Phát Hiện Hành Động

Hướng tiếp cận sử dụng sóng điện từ (WiFi, LTE, LoRa,...) đã được đề xuất trong nhiều nghiên cứu do mang lại nhiều thuận lợi như: các thiết bị phát sóng điện từ rất phổ biến hiện nay, điều đó giúp rút gọn chi phí và áp dụng được trong nhiều cơ sở hạ tầng sử dụng các công nghệ có sẵn, quyền riêng tư của các đối tượng được nhận diện không bị ảnh hưởng như hướng tiếp cận bằng các thiết bị truyền thống. Tuy nhiên, việc nhận diện hành động con người bằng sóng điện từ cũng gặp nhiều vấn đề như: sự biến đổi của tín hiệu về biên độ và pha phức tạp, tùy thuộc vào môi trường, đặc điểm nhận dạng của con người trong sóng nhận được tồn tại ở nhiều dạng và khó trình bày bằng các phương pháp toán học thông thường, nhiều hướng phân tích tín hiệu khác nhau dẫn đến ít mô hình thống nhất về cách xử lý bài toán.

II. Thách Thức Khi Phát Hiện Hành Động Bằng Tín Hiệu Wifi

Việc phát hiện hành động bằng Wifi không phải là không có thách thức. Sự biến đổi của tín hiệu về biên độ và pha là rất phức tạp và phụ thuộc nhiều vào môi trường xung quanh. Đặc điểm nhận dạng của con người trong sóng Wifi tồn tại ở nhiều dạng và khó trình bày bằng các phương pháp toán học thông thường. Sự đa dạng trong hướng phân tích tín hiệu cũng dẫn đến việc thiếu các mô hình thống nhất về cách xử lý bài toán. Để giải quyết các vấn đề này, các mô hình máy học, đặc biệt là học sâu, đã được đưa vào sử dụng. Đã có nhiều nghiên cứu sử dụng thông tin trạng thái kênh truyền (CSI) của tín hiệu WiFi để phân biệt các hành động khác nhau của con người. Tuy nhiên, số lượng các bộ dữ liệu CSI dùng cho các mô hình học máy hiện nay không nhiều, gây khó khăn cho việc nghiên cứu.

2.1. Độ Phức Tạp Của Tín Hiệu Wifi Trong Môi Trường Thực Tế

Tín hiệu Wifi rất nhạy cảm với môi trường xung quanh. Các yếu tố như vật cản, nhiễu sóng từ các thiết bị khác, và sự di chuyển của các vật thể khác đều có thể ảnh hưởng đến tín hiệu. Điều này làm cho việc trích xuất thông tin chính xác về hành động con người từ tín hiệu Wifi trở nên khó khăn.

2.2. Sự Thiếu Hụt Dữ Liệu CSI Đánh Giá Hiệu Năng Mô Hình

Một trong những thách thức lớn nhất trong lĩnh vực này là sự thiếu hụt các bộ dữ liệu CSI chất lượng cao. Các bộ dữ liệu này cần phải chứa thông tin chi tiết về các hành động khác nhau và được thu thập trong các môi trường khác nhau. Sự thiếu hụt dữ liệu này gây khó khăn cho việc đào tạo và đánh giá các mô hình học máy.

2.3. Xây Dựng Bộ Dataset Chứa Thông Tin CSI Của Sóng Wifi

Luận văn này xem xét phân tích và đề xuất các giải pháp để xây dựng bộ dataset chứa các thông tin CSI của sóng WiFi đối với các hành động khác nhau của con người. Cùng với đó là sự kết hợp ứng dụng công nghệ Deep Learning, sử dụng bộ dataset tự xây dựng để đánh giá, tìm kiếm và kết hợp với một mô hình Deep learing hiệu quả nhằm đưa một mô hình nhận diện hành động của con người có độ chính xác tương đối, phù hợp và có tính ứng dụng thực tế. Luận văn cũng đánh giá dựa trên dữ liệu thực và các tập dữ liệu uy tín từ các bài báo đã được công bố để chứng minh về hiệu suất cũng như tính hiệu quả của hướng nghiên cứu này cụ thể là các mô hình học máy sau như MLP và LSTM đã cho ra được độ chính xác khá cao trong việc nhận diện cách hành động của con người qua sóng Wifi.

III. Ứng Dụng Mạng Nơ Ron Hồi Quy RNN Trong HAR Wifi

Luận văn tập trung nghiên cứu các mô hình học sâu (đặc biệt là mô hình Nơ-ron hồi quy) và các phương pháp tiền xử lý tín hiệu sóng WiFi, nhằm cải thiện độ chính xác trong việc phân biệt hành động của con người. Sau công cuộc chắt lọc và lựa chọn, sẽ có thể tìm ra được những phương pháp tối ưu nhất và giải pháp khả thi để phát triển vào những ứng dụng thông minh phù hợp với những bối cảnh cụ thể. Các thuật toán xử lý tín hiệu như: Bộ lọc cửa số trung bình với kích thước N và Thuật toán tìm trung tâm hành động. Các model deep learning được nghiên cứu và thử nghiệm như: MLP, LSTM, RNN, CNN. Dữ liệu từ CSI, cơ sở dữ liệu Wifi có thêm thông tin về vị trí, dữ liệu được qua bước tiền xử lý trước khi đưa vào các model deep learning. Đã tiến hành thu tập dữ liệu thủ công tại lầu 12 tòa nhà E của trường đại học công nghệ thông tin-DHQG đặt tên là UIT-CSI để tiến hành công đoạn kiểm nghiệm cho hướng nghiên cứu.

3.1. Tiền Xử Lý Tín Hiệu Wifi Để Nâng Cao Độ Chính Xác

Các thuật toán tiền xử lý tín hiệu WiFi rất quan trọng để loại bỏ nhiễu và làm nổi bật các đặc trưng quan trọng của hành động con người. Các thuật toán phổ biến bao gồm bộ lọc trung bình động, chuẩn hóa tín hiệu và phân tích thành phần chính (PCA).

3.2. Mạng Nơ Ron Hồi Quy RNN Cho Dữ Liệu Dạng Chuỗi CSI

Mạng nơ-ron hồi quy (RNN) là một lựa chọn phù hợp cho việc xử lý dữ liệu CSI dạng chuỗi thời gian. RNN có khả năng ghi nhớ thông tin từ các bước thời gian trước đó, giúp chúng hiểu được các mẫu phức tạp trong dữ liệu.

3.3. LSTM Và GRU Các Biến Thể Của Mạng RNN Phổ Biến

LSTM (Long Short-Term Memory) và GRU (Gated Recurrent Unit) là các biến thể của RNN được thiết kế để giải quyết vấn đề biến mất gradient, một vấn đề phổ biến trong việc đào tạo RNN. LSTM và GRU có khả năng ghi nhớ thông tin trong thời gian dài hơn, giúp chúng hoạt động tốt hơn trên các tác vụ phức tạp.

IV. Thực Nghiệm Phát Hiện Hành Động Môi Trường Kết Quả

Phạm vi nghiên cứu giới hạn trong phạm vi của các cuộc nghiên cứu về chủ đề theo phương hướng sử dụng tín hiệu WiFi để phân biệt các hành động của con người và nghiên cứu cũng như đề xuất các mô hình học sâu, các phương pháp xử lý tín hiệu WiFi thích hợp nhằm cải thiện các hiệu năng của hệ thống nhận diện. Nghiên cứu bao gồm: Nghiên cứu về thiết bị thu phát sóng vô tuyến khả lập trình SDR. Sau đó, xây dựng bộ thu phát sóng WiFi dựa trên thiết bị đã tìm hiểu. Xác định các tham số chính cho bài toán thu thập dataset (vị trí thu tín hiệu, cường độ tín hiệu, số lượng các hành động ...). Tìm hiểu về các mô hình học sâu (đặc biệt là mạng nơ-ron hồi quy) để áp dụng vào bài toán phân biệt hành động con người. Tìm hiểu và thực thi các thuật toán tiền xử lý tín hiệu để tăng độ chính xác của việc phát hiện hành động con người. Phát triển mô hình ứng dụng nghiên cứu thời gian thực.

4.1. Xây Dựng Bộ Thu Phát Sóng Wifi Dựa Trên SDR

Sử dụng thiết bị thu phát sóng vô tuyến khả lập trình SDR cho phép linh hoạt trong việc cấu hình và thu thập dữ liệu CSI. Bộ thu phát sóng WiFi được xây dựng dựa trên SDR để thu thập dữ liệu trong các môi trường khác nhau.

4.2. Các Mô Hình Học Sâu So Sánh MLP LSTM RNN CNN

Nghiên cứu sẽ thử nghiệm và so sánh hiệu năng của các mô hình học sâu khác nhau, bao gồm MLP, LSTM, RNN, và CNN, để xác định mô hình phù hợp nhất cho việc phát hiện hành động con người dựa trên tín hiệu Wifi.

4.3. Phát Triển Ứng Dụng Phát Hiện Hành Động Thời Gian Thực

Mục tiêu cuối cùng của nghiên cứu là phát triển một ứng dụng có thể phát hiện hành động con người trong thời gian thực dựa trên tín hiệu Wifi. Ứng dụng này có thể được sử dụng trong nhiều ứng dụng khác nhau, chẳng hạn như nhà thông minh, giám sát sức khỏe từ xa, và an ninh gia đình.

V. Kết Luận Hướng Phát Triển Trong Phát Hiện Hành Động

Luận văn tổ chức gồm 5 chương cụ thể như sau: + Chương 1: Giới thiệu tổng quan tình hình thực tiễn và định hướng nghiên cứu. + Chương 2: Trình bày cơ sở lý thuyết về AI, deep learning và machine learning, bài toán xử lý tín hiệu trong wifi và việc áp dụng trên tín hiệu Wifi. Chương 3: Các model deep learning trong hướng nghiên cứu, mô hình realtime và ứng dụng của model mạng nơ-ron hôi quy. Chương 4: Giới thiệu về môi trường, quy trình và kết quả thực nghiệm. Chương 5: Kết luận và hướng phát triển. Trí tuệ nhân tạo hay Artificial intelligence (AI): là khái niệm phổ cập đến sự trừu tượng và mô phỏng trí thông minh của loài người được lập trình trên máy tính, chúng được thiết lập để có thể suy nghĩ và tư duy giống như một con người thực và nâng cao hơn đó là bắt chước được những hành động của họ.

5.1. Tóm Tắt Kết Quả Đạt Được Trong Nghiên Cứu HAR Wifi

Tóm tắt lại những kết quả chính đạt được trong luận văn, bao gồm độ chính xác của các mô hình học máy, hiệu quả của các thuật toán tiền xử lý, và tiềm năng của ứng dụng phát hiện hành động con người trong thời gian thực.

5.2. Hướng Phát Triển Tiềm Năng Trong Tương Lai Của HAR Wifi

Đề xuất các hướng phát triển tiềm năng cho nghiên cứu trong tương lai, chẳng hạn như sử dụng các kỹ thuật học sâu tiên tiến hơn, thu thập dữ liệu trong các môi trường đa dạng hơn, và tích hợp ứng dụng với các hệ thống nhà thông minh khác.

5.3. Ứng Dụng Phát Hiện Hành Động Wifi Trong Cuộc Sống

Nhấn mạnh tầm quan trọng của nghiên cứu trong việc cải thiện cuộc sống con người, chẳng hạn như giúp đỡ người cao tuổi và người khuyết tật, tăng cường an ninh gia đình, và cải thiện hiệu quả năng lượng trong các tòa nhà.

Nội dung chính

## Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ thông tin và trí tuệ nhân tạo, việc nhận diện hành động con người qua tín hiệu Wi-Fi đang trở thành một hướng nghiên cứu đầy tiềm năng. Theo ước tính, việc ứng dụng tín hiệu Wi-Fi để phát hiện hành động con người có thể giúp giảm thiểu chi phí và bảo vệ quyền riêng tư so với các phương pháp truyền thống như camera hay cảm biến ánh sáng. Luận văn tập trung nghiên cứu ứng dụng mạng nơ-ron hồi quy, đặc biệt là mô hình LSTM, để phân biệt các hành động con người dựa trên tín hiệu Channel State Information (CSI) thu thập từ sóng Wi-Fi. Mục tiêu chính là xây dựng bộ dữ liệu CSI thu thập tại lầu 12 tòa nhà E, Trường Đại học Công nghệ Thông tin, đồng thời phát triển mô hình học sâu nhằm nâng cao độ chính xác nhận diện hành động trong thời gian thực. Phạm vi nghiên cứu giới hạn trong việc xử lý tín hiệu Wi-Fi và áp dụng các mô hình mạng nơ-ron hồi quy để nhận dạng hành động con người. Ý nghĩa nghiên cứu được thể hiện qua việc cải thiện độ chính xác nhận diện hành động, góp phần phát triển các ứng dụng trong giám sát an ninh, chăm sóc sức khỏe và thành phố thông minh.

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: trí tuệ nhân tạo (AI) và học sâu (Deep Learning). AI được hiểu là khả năng mô phỏng trí thông minh con người trên máy tính, trong khi học sâu là một nhánh của AI sử dụng mạng nơ-ron nhân tạo nhiều lớp để xử lý dữ liệu phức tạp. Mạng nơ-ron hồi quy (RNN) và biến thể Long Short-Term Memory (LSTM) là các mô hình chủ đạo được áp dụng để xử lý dữ liệu dạng chuỗi như tín hiệu Wi-Fi. Các khái niệm chính bao gồm:

- **Channel State Information (CSI):** Thông tin trạng thái kênh truyền biểu diễn trạng thái liên kết truyền thông giữa thiết bị phát và thu, chứa các đặc trưng về biên độ và pha của sóng Wi-Fi.
- **Mạng nơ-ron hồi quy (RNN):** Mạng có khả năng xử lý dữ liệu tuần tự, sử dụng trạng thái ẩn để ghi nhớ thông tin trước đó.
- **Mạng LSTM:** Phiên bản cải tiến của RNN, giúp khắc phục vấn đề biến mất gradient, cho phép ghi nhớ thông tin dài hạn.
- **Thuật toán tiền xử lý tín hiệu:** Bao gồm bộ lọc cửa sổ trung bình và thuật toán tìm trung tâm hành động nhằm làm sạch và đồng bộ dữ liệu CSI.

### Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu CSI thu thập thủ công tại lầu 12 tòa nhà E, Trường Đại học Công nghệ Thông tin, sử dụng thiết bị thu phát sóng vô tuyến khả lập trình SDR (USRP N210). Bộ dữ liệu gồm các mẫu hành động con người được ghi nhận qua tín hiệu Wi-Fi, sau đó được tiền xử lý bằng bộ lọc cửa sổ trung bình kích thước N và thuật toán tìm trung tâm hành động để đồng bộ hóa thời gian các mẫu. Phương pháp phân tích sử dụng các mô hình học sâu như MLP, RNN, LSTM và CNN để huấn luyện và đánh giá độ chính xác nhận diện hành động. Cỡ mẫu gồm hàng trăm mẫu dữ liệu thu thập trong nhiều lần thực nghiệm. Timeline nghiên cứu kéo dài trong năm 2022, bao gồm các giai đoạn thu thập dữ liệu, tiền xử lý, huấn luyện mô hình và triển khai mô hình realtime. Phương pháp chọn mẫu dựa trên việc thu thập dữ liệu thực tế trong môi trường phòng thí nghiệm nhằm đảm bảo tính đại diện và độ tin cậy.

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

- Mô hình LSTM đạt độ chính xác nhận diện hành động lên đến khoảng 87%, vượt trội so với các mô hình MLP (khoảng 75%) và RNN truyền thống (khoảng 80%).
- Việc áp dụng thuật toán tiền xử lý tín hiệu giúp tăng độ chính xác nhận diện lên khoảng 10% so với dữ liệu chưa qua xử lý.
- Bộ dữ liệu CSI thu thập bằng thiết bị SDR USRP N210 cho phép trích xuất thông tin biên độ và pha đầy đủ, cải thiện độ tin cậy của mô hình so với các thiết bị truyền thống chỉ sử dụng biên độ.
- Mô hình realtime client-server được phát triển có khả năng nhận diện hành động con người trong thời gian thực với độ trễ thấp, phù hợp ứng dụng thực tế.

### Thảo luận kết quả

Nguyên nhân chính giúp mô hình LSTM đạt hiệu quả cao là khả năng ghi nhớ thông tin dài hạn và xử lý dữ liệu chuỗi phức tạp của tín hiệu Wi-Fi. So với các nghiên cứu trước đây chỉ sử dụng mô hình học máy truyền thống, việc kết hợp tiền xử lý dữ liệu và mạng nơ-ron hồi quy đã nâng cao đáng kể độ chính xác. Dữ liệu thu thập từ thiết bị SDR USRP N210 có chất lượng cao hơn nhờ khả năng điều chỉnh tần số và pha, giúp mô hình học sâu khai thác tốt hơn các đặc trưng của tín hiệu. Kết quả có thể được trình bày qua biểu đồ so sánh độ chính xác giữa các mô hình và bảng thống kê hiệu quả của các bước tiền xử lý. Ý nghĩa của nghiên cứu là mở ra hướng phát triển ứng dụng nhận diện hành động con người không xâm phạm quyền riêng tư, chi phí thấp và khả năng vận hành realtime trong các hệ thống giám sát thông minh.

## Đề xuất và khuyến nghị

- **Triển khai hệ thống nhận diện hành động dựa trên mô hình LSTM** trong các khu vực giám sát an ninh để nâng cao hiệu quả phát hiện hành vi bất thường, mục tiêu tăng độ chính xác nhận diện lên trên 85% trong vòng 12 tháng, do các đơn vị an ninh và công nghệ thực hiện.
- **Mở rộng thu thập dữ liệu CSI đa dạng môi trường** nhằm cải thiện khả năng tổng quát của mô hình, dự kiến hoàn thành trong 18 tháng, do các nhóm nghiên cứu và doanh nghiệp công nghệ phối hợp thực hiện.
- **Phát triển phần mềm tiền xử lý tín hiệu tự động** tích hợp thuật toán lọc cửa sổ trung bình và tìm trung tâm hành động, giúp giảm nhiễu và đồng bộ dữ liệu, mục tiêu giảm sai số dữ liệu xuống dưới 5%, do các nhóm kỹ thuật phần mềm đảm nhiệm.
- **Xây dựng mô hình realtime client-server tối ưu hóa độ trễ và hiệu suất** để ứng dụng trong các hệ thống giám sát thông minh, dự kiến triển khai thử nghiệm trong 6 tháng, do các đơn vị phát triển phần mềm và hệ thống thực hiện.
- **Tăng cường đào tạo và phổ biến kiến thức về ứng dụng mạng nơ-ron hồi quy trong nhận diện hành động** cho các chuyên gia và kỹ sư công nghệ, nhằm nâng cao năng lực phát triển và ứng dụng, thực hiện liên tục trong các khóa đào tạo chuyên ngành.

## Đối tượng nên tham khảo luận văn

- **Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin, Trí tuệ Nhân tạo:** Nắm bắt kiến thức về ứng dụng mạng nơ-ron hồi quy và xử lý tín hiệu Wi-Fi trong nhận diện hành động con người, phục vụ nghiên cứu và phát triển đề tài liên quan.
- **Doanh nghiệp phát triển hệ thống giám sát an ninh và thành phố thông minh:** Áp dụng mô hình và giải pháp nhận diện hành động con người không xâm phạm quyền riêng tư, nâng cao hiệu quả giám sát và phản ứng kịp thời.
- **Chuyên gia phát triển phần mềm và kỹ sư hệ thống realtime:** Tham khảo kiến trúc client-server và kỹ thuật tiền xử lý tín hiệu để xây dựng các ứng dụng nhận diện hành động thời gian thực.
- **Cơ quan quản lý và hoạch định chính sách công nghệ:** Hiểu rõ tiềm năng và giới hạn của công nghệ nhận diện hành động dựa trên tín hiệu Wi-Fi, từ đó xây dựng các chính sách hỗ trợ phát triển và ứng dụng công nghệ phù hợp.

## Câu hỏi thường gặp

1. **Tại sao chọn tín hiệu Wi-Fi để nhận diện hành động con người?**  
Wi-Fi phổ biến, chi phí thấp và không xâm phạm quyền riêng tư như camera. Tín hiệu Wi-Fi chứa thông tin trạng thái kênh (CSI) phản ánh hành động con người qua biến đổi sóng.

2. **Mạng nơ-ron hồi quy (RNN) và LSTM khác nhau thế nào?**  
LSTM là phiên bản cải tiến của RNN, giúp khắc phục vấn đề biến mất gradient, cho phép ghi nhớ thông tin dài hạn hiệu quả hơn trong dữ liệu chuỗi.

3. **Bộ lọc cửa sổ trung bình và thuật toán tìm trung tâm hành động có vai trò gì?**  
Bộ lọc giúp giảm nhiễu tín hiệu, thuật toán tìm trung tâm đồng bộ hóa thời gian các mẫu hành động, cải thiện độ chính xác khi huấn luyện mô hình.

4. **Thiết bị SDR USRP N210 có ưu điểm gì trong thu thập dữ liệu?**  
Cho phép điều chỉnh tần số và pha linh hoạt, thu thập đầy đủ biên độ và pha của tín hiệu, nâng cao chất lượng dữ liệu so với thiết bị truyền thống.

5. **Mô hình realtime client-server có thể ứng dụng ở đâu?**  
Phù hợp cho các hệ thống giám sát an ninh, chăm sóc sức khỏe, và các ứng dụng thành phố thông minh cần nhận diện hành động con người nhanh chóng và chính xác.

## Kết luận

- Ứng dụng mạng nơ-ron hồi quy, đặc biệt là LSTM, giúp nâng cao độ chính xác nhận diện hành động con người qua tín hiệu Wi-Fi lên khoảng 87%.  
- Thuật toán tiền xử lý tín hiệu đóng vai trò quan trọng trong việc làm sạch và đồng bộ dữ liệu CSI, tăng hiệu quả mô hình.  
- Thiết bị SDR USRP N210 cung cấp dữ liệu chất lượng cao, hỗ trợ khai thác đặc trưng biên độ và pha đầy đủ của tín hiệu Wi-Fi.  
- Mô hình realtime client-server được phát triển có khả năng vận hành trong thời gian thực, phù hợp ứng dụng thực tế.  
- Hướng nghiên cứu mở ra tiềm năng ứng dụng trong giám sát an ninh, chăm sóc sức khỏe và phát triển thành phố thông minh.  

Tiếp theo, cần mở rộng thu thập dữ liệu đa dạng môi trường và tối ưu hóa mô hình để nâng cao khả năng tổng quát. Khuyến khích các đơn vị nghiên cứu và doanh nghiệp phối hợp triển khai ứng dụng thực tế. Hãy bắt đầu áp dụng các giải pháp này để nâng cao hiệu quả nhận diện hành động con người trong các hệ thống thông minh hiện nay.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu tổng quan tình hình thực tiễn và định hướng nghiên cứu. + Chương 2: Trình bày cơ sở lý thuyết về AI, deep learning và machine learning, bài toán xử lý tín hiệu trong wifi và việc áp dụng trên tín hiệu Wifi. Chương 3: Các model deep learning trong hướng nghiên cứu, mô hình realtime và ứng dụng của model mạng nơ-ron hôi quy. Chương 4: Giới thiệu về môi trường, quy trình và kết quả thực nghiệm.

Chương 5: Kết luận và hướng phát triển. Cơ sở lý thuyết CHƯƠNG 2. Tổng quan về AI, Machine learning và Deep learning 2. Khái niệm Trí tuệ nhân tạo hay Artificial intelligence (AI): là khái niệm phổ cập đến sự trừu tượng và mô phỏng trí thông minh của loài người được lập trình trên máy tính, chúng được thiết lập dé có thể suy nghĩ và tư duy giống như một con người thực va nâng cao hơn đó là bắt chước được những hành động của họ [10,11].

Thuật ngữ “AI” cũng có thể được áp dụng vào bat kỳ thiết bị máy móc nào hoặc cho các dự án phát triển những hệ thống áp dụng trí tuệ đặc trưng của con người đề học tập hay giải quyết các vấn đề, chẳng hạn như là về khả năng suy luận phân loại, khám phá các ý nghĩa và đưa ra nhận xét, khái quát hóa hay là học hỏi từ các kinh nghiệm từ những dữ kiện ở trong quá khứ [9]. Machine learning (ML) hay học máy là một phân loại của trí tuệ nhân tạo (AI) cho phép các phần mềm ứng dung dự đoán kết quả có sự chính xác hơn mà không cần con người phải lập trình một cách rõ ràng, ti mi từng chỉ tiết một đề làm như vậy. Nó là một trong những phương pháp giúp phân tích dữ liệu một cách tự động hóa, dựa trên hướng phát triển rằng việc xây dựng các mô hình phân tích, xác định được các tập mẫu (training data) và đưa ra được quyết định dự đoán các giá trị đâu ra mới và sẽ cải thiện được độ chính xác của nó một cách từ từ. Học sâu hay gọi cách khác là Deep Learning (DL) là một trong số những lĩnh vực con của trí tuệ nhân tạo (AI) và nó liên quan đến các thuật toán được các nhà nghiên cứu lấy nguồn cảm hứng từ các chức năng và cấu trúc linh hoạt của bộ não con người sẽ được gọi là “mạng lưới thần kinh nhân tạo hay mạng thần kinh nhân tạo”.

Nó giúp cho việc thúc day ra được các ứng dụng thực tiễn và dịch vụ về AI giúp cải thiện và phát triển khả năng về công cuộc tự động hóa trong công nghiệp hiện đại thời đại hiện nay, nó sẽ thực hiện các nhiệm vụ về việc phân tích, quyết 17 Chương 2. Cơ sở lý thuyết định mà không cần thiết phải có con người can thiệp vào. Công nghệ học sâu này được ứng dụng vào các sản phẩm công nghệ và đã được ra vào hoạt động trong các thành phố thông minh (chẳng hạn như trợ lý phương tiện kỹ thuật só, điều khiển từ xa các loại TV hay thiết bị nội thất trong nhà hỗ trợ giọng nói (voice) và phát hiện, nhận dạng các gian lận từ thẻ tín dụng) cũng như các công nghệ mới nổi gần đây trên các diễn đàn và trang báo lớp chẳng hạn như ô tô tự lái cho phép chúng nhận ra biển báo dừng hoặc phân biệt người đi bộ với cột đèn hay các công cụ đề xuất có thể cung cấp các đề xuất tự động cho các chương trình truyền hình dựa trên thói quen xem của người dùng [30]. Mục tiêu Mục tiêu của trí tuệ nhân tạo (AI) nói chung và máy học (ML) cùng với học sâu (DL) nói riêng là bổ sung máy học và tương tác nhận thức vào các ứng dụng và quy trình công nghệ truyền thống đề có thé cải thiện đáng ké về các trải nghiệm của người dùng va tăng năng suất cũng như giúp cho công nghiệp tự động hóa phát trién, hòa nhập cùng thời đại ngày nay.

Quy trình máy học Các giai đoạn điển hình bao gồm các bước như sau [14]: © Thu thập dữ liệu. e Tiền xử lý dữ liệu. e Xây dựng bộ dữ liệu. © Đào tạo và Sang lọc mô hình.

e Đánh giá và Triên khai vào sản xuat. Cơ sở lý thuyết a) Thu thập dữ liệu Công việc thu thập dữ liệu đó là một trong quy trình được xem là quan trọng nhất của một quy trình học máy bat kỳ. Trong bước đầu của quá trình thu thập dữ liệu, chúng ta đang xác định tính hữu ích và độ chính xác tiềm năng của dự án với chất lượng của dữ liệu mà việc thu thập mang lại [14]. Thông thường, các máy móc ban đầu học từ dữ liệu mà các nhóm nghiên cứu cung cấp cho chúng, vì vậy điều ưu tiên nhất đó chính là thu thập dữ liệu đáng tin cậy dé mô hình học máy có thé tìm thấy các mẫu chính xác và chất lượng của dữ liệu đầu vào cung cấp cho máy sẽ xác định được mức độ chính xác của mô hình của từng bài toán.

Nếu dữ liệu không có tính chính xác hoặc không phù hợp thì sẽ dẫn đến việc kết quả hoặc dự đoán sai hoặc không liên quan và tính chất của việc nghiên cứu trở nên bắt khả thi. Cơ sở lý thuyết b) Tiên xử lý dữ liệu Nếu không có dữ liệu, thì quá trình tiền xử lý dữ liệu không thẻ diễn ra. Vì vậy, khi đã xác định rõ ràng ở giai đoạn 1, cần thu thâp, sưu tầm các dữ liệu từ nhiều nguồn khác nhau. Tinh chất đúng đắn và lĩnh vực của dit liệu phải được đảm bảo và được xác định rõ ở giai đoạn 1.

Những bộ dữ liệu chuẩn, lớn vừa phải và khái quát được nhiều trường hợp của các loại thuật toán xử lý được các nhà nghiên cứu mang vào dùng trong quá trình thực nghiệm các thuật toán. Tuy nghiên bộ dữ liệu trong thực tế có rất nhiều phần không như mong muốn, chứa nhiều phan bị nhiễu, lỗi, sai lệch, không đồng nhất,. Vì vậy muốn có được bộ dữ liệu sử dụng tốt cho quá trình xây dụng thành công một mô hình nghiên cứu thì việc tiền xử lý dữ liệu là điều gần như bắt buộc phải thực hiện [20]. Có thể chia quá trình thu thập và tiền xử lý dữ liệu thành 6 bước nhỏ sau: + Tập hợp dữ liệu (Gathering): Bước khởi tạo trong quá trình này.

Các nguồn dữ liệu có thé có từ một cơ sở dữ liệu có sẵn, một kho dữ liệu hoặc có thẻ từ một ứng dụng. + Trích lọc dữ liệu (Selection): Ở bước này tùy theo mục đích sử dụng mà trích rút lấy dữ liệu cần thiết. + Chuẩn bị dữ liệu, tiền xử ly và làm sạch (Preparation, Pre-processing and Cleansing): Đây là bước tôi quan trọng trong quy trình xây dựng thành công một mô hình học máy hiệu quả. Một số lỗi trong khi tập hợp dữ liệu là các bộ dữ liệu nó đang chứa đựng các giá trị vô nghĩa và không thé kết nối dẫn đến dữ liệu bị thừa, không đủ chặt chẽ và logic.

Những thông tin trên được xem là dữ liệu không có giá trị và sẽ được xử lý trong bước này. Nếu không được trải qua công đoạn xử lý sẽ dẫn đến những kết quả sai lệch trong khi tiền hành đào tạo và sàng lọc mô hình một cách hiệu quả. Cơ sở lý thuyết + Chuyén đổi dữ liệu (Transformation): Trong bước chuyền đổi dữ liệu. Việc tô chức lại dữ liệu sẽ làm cho dữ liệu có thể sử dụng phù hợp với mục đích ban đầu.

+ Trích mẫu dữ liệu va phát hiện (Pattern Extraction and Discovery): Day là bước được nhiều nhà nghiên cứu tập trung và chú trọng nhiều nhất. Trong bước này dữ liệu sẽ được các thuật toán xử lý và trích rút ra các thông tin cần thiết. + Đánh giá kết qua (Evaluation of result): Đây là bước cuỗi trong việc kiểm định lại dữ liệu để được xem là một tập dữ liệu lý tưởng. Đôi khi dữ liệu được trích rút vẫn bị sai lệch hoặc mang các thông tin không cần thiết do đó cần được đánh giá về độ chính xác hoặc ưu tiên sử dụng các kết quả có tính chuẩn xác cao.

c) Xây dựng bộ dữ liệu Giai đoạn này liên quan đến việc chia nhỏ dữ liệu đã xử lý thành ba bộ dữ liệu: bộ dữ liệu đào tạo (Training set), bộ dit liệu xác nhận (Validation set) và bộ dit liệu thử nghiệm (Test set) [14]. ¢ B6 dữ liệu đào tạo — nó sẽ được sử dụng trong phân đoạn huấn luyện thuật toán ban đầu và sẽ dạy cho nó biết cách xử lý thông tin. Bộ này xác định phân loại mô hình thông qua các giá trị của tham số. e© B6 dữ liệu xác nhận - được sử dụng vào việc ước tính độ chính xác của mô hình.

Tập dữ liệu này được dùng để tỉnh chỉnh các tham số mô hình. e B6 dữ liệu thử nghiệm — dùng trong việc đánh giá độ chính xác và hiệu suất của các mô hình. Bộ này nhằm mục đích phơi bày bat kỳ vấn đề hoặc sai sót nào trong mô hình. d) Đào tạo va sàng lọc mô hình 21 Chương 2.

Cơ sở lý thuyết Khi có bộ dữ liệu, bước tiếp theo đó là đào tạo mô hình cho công cuộc nghiên cứu. Mục tiêu của việc huấn luyện đó là trả lời các câu hỏi hoặc đưa ra một phương. hướng dự đoán chính xác thường xuyên nhất có thé [15]. Điều này có liên quan đến cung cấp tập huấn luyện cho thuật toán của hướng nghiên cứu để thuật toán có thể tìm hiểu các thông số và tính năng phù hợp được sử dụng trong việc phân loại.

Sau khi quy trình đào tạo hay huấn luyện hoàn thành, các nhà nghiên cứu có thé tinh chỉnh mô hình bằng tập dữ liệu xác thực của mình. Điều này cũng có thể liên quan đến công đoạn sửa đổi hoặc loại bỏ các biến và bao gồm quy trình điều chỉnh cài đặt dành riêng cho mô hình (siêu tham số mô hình đơn giản có thể bao gồm: số bước đào tạo, tốc độ học, giá trị khởi tạo và phân phối) cho đến khi nào mà độ chính xác của thuật toán có thể được chấp nhận và có thể triển khai vào sản xuất [14]. e) Đánh giá và triển khai vào sản xuất Cuối cùng, sau khi tìm thấy một bộ siêu tham số có thể chấp nhận được và độ chính xác của mô hình của hướng nghiên cứu được tối ưu hóa, các nhà nghiên cứu có thể tiến hành kiềm tra mô hình của mình. Thử nghiệm sử dụng tập dữ liệu thử nghiệm và nhằm xác minh rang các mô hình của họ đang sử dụng các tính năng chính xác.