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.
