Tổng quan nghiên cứu

Ngã là một trong những nguyên nhân hàng đầu gây thương tích nghiêm trọng và tử vong ở người cao tuổi. Theo ước tính, tại Việt Nam có khoảng 1,6 đến 2 triệu người cao tuổi bị té ngã mỗi năm, trong khi tại Mỹ, cứ 3 người trên 65 tuổi thì có 1 người bị ngã hàng năm. Những cú ngã này không chỉ gây tổn thương vật lý như gãy xương, chấn thương vùng đầu mà còn ảnh hưởng tiêu cực đến tâm lý, làm tăng nguy cơ cô đơn và trầm cảm. Việc phát hiện ngã kịp thời đóng vai trò quan trọng trong việc giảm thiểu rủi ro và nâng cao chất lượng cuộc sống cho người cao tuổi.

Bài toán phát hiện ngã đã được nghiên cứu rộng rãi, tuy nhiên các hệ thống hiện tại chủ yếu dựa trên dữ liệu từ một nguồn cảm biến đơn lẻ, dẫn đến hạn chế trong việc phân biệt các hoạt động phức tạp gần giống ngã như cúi xuống, nằm nghỉ hay các tư thế ngã khác nhau. Luận văn này tập trung nghiên cứu phát hiện người ngã bằng cách kết hợp đặc trưng từ nhiều nguồn cảm biến, cụ thể là cảm biến gia tốc (accelerometer) và cảm biến con quay hồi chuyển (gyroscope), nhằm nâng cao độ chính xác và khả năng phân biệt các tư thế ngã khác nhau.

Phạm vi nghiên cứu bao gồm thu thập và phân tích dữ liệu cảm biến từ 30 đối tượng tham gia thử nghiệm trong môi trường trong nhà, sử dụng các thuật toán học máy để xây dựng mô hình phát hiện ngã. Mục tiêu chính là khảo sát và phát triển phương pháp kết hợp đặc trưng cảm biến nhằm cải thiện hiệu suất phát hiện ngã, góp phần ứng dụng trong các hệ thống giám sát sức khỏe thông minh, đặc biệt trong bối cảnh phát triển Internet vạn vật (IoT).

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai loại cảm biến chính: cảm biến gia tốc (accelerometer) và cảm biến con quay hồi chuyển (gyroscope). Gia tốc kế đo gia tốc tuyến tính theo ba trục không gian, cung cấp thông tin về chuyển động và tư thế của người dùng. Con quay hồi chuyển đo vận tốc góc, giúp xác định hướng và các chuyển động quay của cơ thể. Việc kết hợp hai loại cảm biến này giúp thu thập dữ liệu đa chiều, phong phú hơn về trạng thái chuyển động.

Các đặc trưng trích xuất từ dữ liệu cảm biến bao gồm các chỉ số thống kê như trung bình, độ lệch chuẩn, năng lượng tín hiệu, entropy, tương quan giữa các trục, cũng như các đặc trưng vật lý như cường độ chuyển động (MI), trị riêng của các hướng chính (EVA), vận tốc trung bình theo hướng trọng lực (AVG), và các đặc trưng miền tần số như tần số chính (DF). Phương pháp kết hợp đặc trưng được đề xuất là phép nối (concatenation) các véc tơ đặc trưng từ từng cảm biến với trọng số α, β thể hiện mức độ đóng góp của từng cảm biến.

Mô hình học máy được sử dụng là máy vector hỗ trợ (Support Vector Machine - SVM) với hạt nhân cơ sở hướng tâm (RBF), được lựa chọn do khả năng phân loại hiệu quả trong không gian đặc trưng cao chiều và đã được chứng minh phù hợp với bài toán phát hiện ngã.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là tập dữ liệu do học viên tự thu thập từ 30 đối tượng trong độ tuổi 20-40, thực hiện 8 loại ngã và 8 hoạt động gần giống ngã trong môi trường trong nhà. Thiết bị đeo gắn cảm biến gia tốc và con quay hồi chuyển được đặt ở vị trí hông, thu thập dữ liệu với tần số 50Hz. Dữ liệu được đồng bộ hóa với video ghi lại hoạt động để gán nhãn chính xác.

Phương pháp phân tích dữ liệu bao gồm tiền xử lý bằng bộ lọc Kalman để giảm nhiễu, phân đoạn dữ liệu thành các cửa sổ trượt 2 giây để trích xuất đặc trưng. Các đặc trưng thống kê và vật lý được tính toán trên từng cửa sổ. Mô hình SVM được huấn luyện và đánh giá bằng phương pháp xác thực chéo 4 lần (4-fold cross-validation) để chọn tham số tối ưu và đánh giá hiệu suất.

Thời gian nghiên cứu tập trung vào giai đoạn thu thập dữ liệu, xử lý và phân tích trong năm 2018-2019 tại Học viện Công nghệ Bưu chính Viễn thông, Hà Nội.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu suất phát hiện ngã với cảm biến đơn: Sử dụng đặc trưng từ cảm biến gia tốc đơn lẻ đạt độ chính xác (precision) và độ bao phủ (recall) lần lượt là 86.23% và khoảng 74% cho phân loại ngã và không phải ngã. Trong khi đó, cảm biến con quay hồi chuyển đơn lẻ cho kết quả thấp hơn, khoảng 56.53% cho cả hai chỉ số.

  2. Cải thiện hiệu suất khi kết hợp đặc trưng: Khi kết hợp đặc trưng từ cả hai cảm biến gia tốc và con quay hồi chuyển với trọng số tối ưu (α=0.64, β=0.36), mô hình SVM đạt F-score trung bình lên tới 93%, tăng đáng kể so với cảm biến đơn.

  3. Phân loại chi tiết: Độ chính xác và độ bao phủ cho nhóm ngã đạt trên 93%, trong khi nhóm không phải ngã đạt khoảng 82%, cho thấy khả năng phân biệt tốt giữa các hoạt động ngã và các hoạt động gần giống ngã.

  4. Khả năng xử lý dữ liệu nhiễu: Tập dữ liệu thu thập có chứa nhiều hoạt động không xác định và nhiễu, tuy nhiên phương pháp kết hợp đặc trưng và mô hình SVM vẫn duy trì hiệu suất cao, chứng tỏ tính ổn định và khả năng ứng dụng thực tế.

Thảo luận kết quả

Kết quả cho thấy cảm biến gia tốc đóng vai trò chủ đạo trong việc phát hiện ngã, trong khi cảm biến con quay hồi chuyển bổ sung thông tin về chuyển động quay giúp cải thiện độ chính xác tổng thể. Việc kết hợp đặc trưng từ nhiều nguồn cảm biến giúp mô hình học máy phân biệt tốt hơn các tư thế ngã phức tạp và các hoạt động gần giống ngã, vượt qua hạn chế của các hệ thống sử dụng cảm biến đơn lẻ.

So sánh với các nghiên cứu trước đây, kết quả đạt được tương đương hoặc cao hơn các hệ thống phát hiện ngã dựa trên cảm biến đơn hoặc kết hợp, đồng thời tập trung vào đa dạng tư thế ngã và hoạt động phức tạp hơn. Dữ liệu thu thập từ 30 đối tượng với nhiều kiểu ngã và hoạt động gần giống ngã tạo nên bộ dữ liệu thực tế và đa dạng, góp phần nâng cao tính ứng dụng của mô hình.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác và độ bao phủ giữa cảm biến đơn và kết hợp, cũng như bảng chi tiết kết quả phân loại từng nhóm hoạt động, giúp minh họa rõ ràng hiệu quả của phương pháp đề xuất.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống phát hiện ngã thời gian thực: Áp dụng mô hình kết hợp đặc trưng cảm biến gia tốc và con quay hồi chuyển trên nền tảng IoT để giám sát người cao tuổi tại nhà, nhằm phát hiện ngã kịp thời và giảm thiểu rủi ro. Thời gian thực hiện trong vòng 12 tháng, chủ thể là các đơn vị phát triển công nghệ chăm sóc sức khỏe.

  2. Mở rộng thu thập dữ liệu đa dạng: Thu thập thêm dữ liệu từ nhiều nhóm tuổi, môi trường khác nhau và các tư thế ngã phức tạp hơn để nâng cao độ chính xác và khả năng tổng quát của mô hình. Thời gian thực hiện 18-24 tháng, chủ thể là các trung tâm nghiên cứu và bệnh viện.

  3. Tối ưu hóa tiêu thụ năng lượng và tính toán: Nghiên cứu và phát triển thuật toán xử lý nhẹ, tiết kiệm năng lượng cho các thiết bị cảm biến đeo nhằm kéo dài thời gian sử dụng và phù hợp với các mạng cảm biến quy mô lớn. Thời gian thực hiện 12 tháng, chủ thể là các nhà sản xuất thiết bị IoT.

  4. Phát triển giao diện cảnh báo và hỗ trợ cấp cứu: Xây dựng hệ thống cảnh báo tự động kết nối với người thân hoặc dịch vụ y tế khi phát hiện ngã, đồng thời tích hợp các chức năng hỗ trợ phục hồi chức năng cho người cao tuổi. Thời gian thực hiện 6-12 tháng, chủ thể là các công ty công nghệ y tế.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, kỹ thuật y sinh: Có thể áp dụng phương pháp kết hợp cảm biến và thuật toán học máy để phát triển các hệ thống giám sát sức khỏe thông minh.

  2. Các đơn vị phát triển thiết bị IoT và thiết bị đeo thông minh: Tham khảo kỹ thuật trích xuất và kết hợp đặc trưng cảm biến để nâng cao hiệu suất nhận dạng hoạt động và phát hiện ngã.

  3. Bệnh viện và trung tâm chăm sóc người cao tuổi: Áp dụng kết quả nghiên cứu để triển khai các hệ thống giám sát tự động, hỗ trợ phát hiện ngã và can thiệp kịp thời.

  4. Chính sách và quản lý y tế cộng đồng: Sử dụng dữ liệu và kết quả nghiên cứu để xây dựng các chương trình phòng ngừa ngã và nâng cao chất lượng chăm sóc người cao tuổi.

Câu hỏi thường gặp

  1. Tại sao cần kết hợp nhiều cảm biến để phát hiện ngã?
    Kết hợp nhiều cảm biến như gia tốc kế và con quay hồi chuyển giúp thu thập dữ liệu đa chiều về chuyển động, từ đó phân biệt chính xác hơn các tư thế ngã và các hoạt động gần giống ngã, vượt qua hạn chế của cảm biến đơn lẻ.

  2. Phương pháp học máy nào được sử dụng trong nghiên cứu?
    Luận văn sử dụng mô hình máy vector hỗ trợ (SVM) với hạt nhân RBF, được đánh giá là phù hợp và hiệu quả trong phân loại các hoạt động ngã và không ngã dựa trên đặc trưng cảm biến.

  3. Dữ liệu thu thập như thế nào và có bao nhiêu đối tượng tham gia?
    Dữ liệu được thu thập từ 30 đối tượng trong độ tuổi 20-40, thực hiện 8 loại ngã và 8 hoạt động gần giống ngã trong môi trường trong nhà, sử dụng thiết bị đeo gắn cảm biến gia tốc và con quay hồi chuyển.

  4. Hiệu suất phát hiện ngã đạt được là bao nhiêu?
    Mô hình kết hợp đặc trưng cảm biến đạt độ chính xác và độ bao phủ trên 93% cho nhóm ngã, cao hơn đáng kể so với việc sử dụng cảm biến đơn lẻ.

  5. Ứng dụng thực tế của nghiên cứu này là gì?
    Nghiên cứu hỗ trợ phát triển các hệ thống giám sát sức khỏe thông minh, đặc biệt cho người cao tuổi sống độc lập, giúp phát hiện ngã kịp thời và giảm thiểu rủi ro chấn thương nghiêm trọng.

Kết luận

  • Luận văn đã khảo sát và phát triển phương pháp phát hiện người ngã dựa trên kết hợp đặc trưng từ cảm biến gia tốc và con quay hồi chuyển.
  • Phương pháp kết hợp đặc trưng và mô hình SVM đạt hiệu suất phát hiện ngã với độ chính xác và độ bao phủ trên 93%.
  • Bộ dữ liệu thu thập từ 30 đối tượng với đa dạng tư thế ngã và hoạt động gần giống ngã tạo nền tảng thực tế cho nghiên cứu.
  • Nghiên cứu khai thác ưu điểm của nền tảng IoT, hướng tới phát hiện ngã thời gian thực hiệu quả hơn.
  • Các bước tiếp theo bao gồm triển khai hệ thống thực tế, mở rộng dữ liệu và tối ưu hóa thuật toán để ứng dụng rộng rãi trong chăm sóc sức khỏe cộng đồng.

Hãy áp dụng kết quả nghiên cứu này để phát triển các giải pháp giám sát sức khỏe thông minh, góp phần nâng cao chất lượng cuộc sống cho người cao tuổi và cộng đồng.