Phát hiện té ngã dựa vào tư thế của con người

Tài liệu nghiên cứu Phát hiện té ngã dựa vào tư thế của con người, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Lê Trần Quang Huy
• Người hướng dẫn: TS. Phạm Việt Cường
• Trường học: Trường Đại học Bách Khoa
• Chuyên ngành: Kỹ thuật Điều khiển và Tự động hóa
• Đề tài: Phát hiện té ngã dựa vào tư thế của con người
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng Quan Phát Hiện Té Ngã Dựa vào Tư Thế Người

Té ngã là một tai nạn phổ biến, đặc biệt nguy hiểm cho người cao tuổi do hệ miễn dịch và sức khỏe suy giảm. Các nguy cơ bao gồm gãy xương, chấn thương cột sống và thậm chí tử vong. Theo WHO, 28-42% người trên 65 tuổi bị té ngã mỗi năm. Tại Mỹ, CDC báo cáo rằng cứ 4 người trên 65 tuổi thì có 1 người bị té ngã, với 37% cần điều trị y tế. Ở Việt Nam, ước tính 1.5-1.9 triệu người cao tuổi té ngã hàng năm, 5% phải nhập viện. Phát hiện sớm té ngã giúp giảm thiểu hậu quả bằng cách cho phép gia đình, người chăm sóc hoặc bác sĩ can thiệp kịp thời. Vì vậy, nhu cầu về các hệ thống phát hiện té ngã sớm là rất quan trọng. Bài toán phát hiện té ngã trở nên cấp thiết khi camera an ninh được sử dụng rộng rãi tại nhà. Luận văn này đề xuất giải pháp phát hiện té ngã dựa vào tư thế người thông qua thị giác máy, sử dụng một chuỗi tư thế để dự đoán.

1.1. Tầm Quan Trọng của Phát Hiện Té Ngã Sớm ở Người Cao Tuổi

Phát hiện sớm té ngã đặc biệt quan trọng đối với người cao tuổi vì những hậu quả nghiêm trọng có thể xảy ra, bao gồm chấn thương nặng, thời gian nằm viện kéo dài và thậm chí tử vong. Các hệ thống giám sát té ngã có thể cung cấp cảnh báo kịp thời cho người thân hoặc nhân viên y tế, giúp giảm thiểu rủi ro và cải thiện chất lượng cuộc sống cho người lớn tuổi. Vì vậy, hệ thống phòng ngừa té ngã và giám sát té ngã là vô cùng cần thiết. Việc sử dụng cảm biến phát hiện té ngã cũng góp phần đáng kể trong việc nâng cao an toàn người già.

1.2. Ứng Dụng Camera An Ninh và Thị Giác Máy trong Phát Hiện Té Ngã

Sự phổ biến của camera an ninh tạo cơ hội để triển khai các hệ thống phát hiện té ngã dựa trên xử lý ảnh và computer vision. Phương pháp này sử dụng hình ảnh và video để phân tích tư thế và hành vi của con người, từ đó phát hiện các dấu hiệu té ngã. Ưu điểm của phương pháp này là không xâm lấn và có thể giám sát nhiều người cùng lúc. Tuy nhiên, độ chính xác của hệ thống phụ thuộc vào chất lượng hình ảnh, góc quay camera và điều kiện ánh sáng. Các kỹ thuật AI phát hiện té ngã ngày càng được ứng dụng rộng rãi.

II. Thách Thức Vấn Đề Trong Phát Hiện Té Ngã Chính Xác

Các nghiên cứu hiện tại tập trung vào dự đoán trạng thái té ngã của một người tại một thời điểm, ít chú trọng đến việc xử lý thời gian thực. Các thách thức bao gồm: trích xuất đặc trưng chính xác, xử lý dữ liệu nhiễu, và đảm bảo độ chính xác cao trong nhiều điều kiện khác nhau. Các yếu tố như góc camera, ánh sáng và sự xuất hiện của nhiều người trong khung hình có thể ảnh hưởng đến hiệu suất của hệ thống. Ngoài ra, các hành động tương tự như té ngã (ví dụ: ngồi xuống, nằm xuống) có thể gây nhầm lẫn. Việc xây dựng dữ liệu huấn luyện té ngã đa dạng và phong phú cũng là một thách thức lớn. Độ chính xác phát hiện té ngã và tỷ lệ phát hiện té ngã cần được cải thiện liên tục.

2.1. Các Yếu Tố Ảnh Hưởng Đến Độ Chính Xác của Hệ Thống

Nhiều yếu tố có thể ảnh hưởng đến độ chính xác của hệ thống phát hiện té ngã, bao gồm chất lượng hình ảnh, góc quay camera, điều kiện ánh sáng, và sự phức tạp của môi trường xung quanh. Các hệ thống cần được thiết kế để xử lý các biến thể này và đảm bảo hiệu suất ổn định trong các tình huống khác nhau. Việc sử dụng các kỹ thuật tiền xử lý ảnh và tăng cường dữ liệu có thể giúp cải thiện độ tin cậy của hệ thống. Camera phát hiện té ngã cần có độ phân giải cao và khả năng hoạt động tốt trong điều kiện ánh sáng yếu.

2.2. Khó Khăn Trong Việc Phân Biệt Té Ngã Với Các Hành Động Tương Tự

Một thách thức lớn trong phát hiện té ngã là phân biệt giữa té ngã và các hành động tương tự như ngồi xuống, nằm xuống, hoặc cúi người. Các hệ thống cần có khả năng phân tích chuỗi hành động và tư thế để đưa ra quyết định chính xác. Việc sử dụng các mô hình học sâu có khả năng học các đặc trưng phức tạp có thể giúp giải quyết vấn đề này. Thuật toán phát hiện té ngã cần được huấn luyện với dữ liệu huấn luyện té ngã đa dạng để nhận biết các hành vi tương tự và giảm thiểu sai sót.

III. Phương Pháp Phát Hiện Té Ngã Sử Dụng YOLOv8 và LSTM

Luận văn này đề xuất một hệ thống phát hiện té ngã sử dụng mạng YOLOv8 nano để phát hiện người trong khung hình, thuật toán DeepSORT để theo dõi và gán ID cho từng người, mô hình MoveNet để trích xuất đặc trưng tư thế, và mạng LSTM để phân tích chuỗi hành động và dự đoán té ngã. Hệ thống được thiết kế để hoạt động trong thời gian thực và có khả năng xử lý nhiều người cùng lúc. Dữ liệu được thu thập từ nhiều góc độ và điều kiện môi trường khác nhau để đảm bảo độ chính xác cao. Việc kết hợp các mô hình này cho phép hệ thống nhận dạng té ngã một cách hiệu quả. Mục tiêu là giám sát té ngã một cách toàn diện và kịp thời.

3.1. Sử Dụng YOLOv8 Nano và DeepSORT để Phát Hiện và Theo Dõi Người

Mạng YOLOv8 nano được sử dụng để phát hiện người trong khung hình. Thuật toán DeepSORT được sử dụng để theo dõi và gán ID cho từng người, đảm bảo rằng hệ thống có thể theo dõi hành vi của từng người riêng biệt. Việc sử dụng DeepSORT giúp duy trì ID của mỗi người không đổi giữa các khung hình, cho phép phân tích chính xác chuỗi hành động. Đây là bước quan trọng để đảm bảo rằng thông tin tư thế được ghép nối chính xác cho từng người. Hệ thống này cũng giúp nhận biết tư thế đứng, tư thế ngồi, và tư thế nằm ban đầu của đối tượng.

3.2. Trích Xuất Đặc Trưng Tư Thế Bằng MoveNet và Phân Tích Chuỗi Hành Động Bằng LSTM

Mô hình MoveNet được sử dụng để trích xuất đặc trưng tư thế của từng người, bao gồm vị trí của các điểm đặc trưng trên cơ thể (keypoints). Các đặc trưng tư thế này được ghép lại thành một chuỗi hành động ngắn. Mạng LSTM được sử dụng để phân tích chuỗi hành động và dự đoán té ngã. LSTM là một kiến trúc học sâu phù hợp để xử lý dữ liệu chuỗi thời gian, cho phép hệ thống học các mẫu hành vi liên quan đến té ngã. Việc huấn luyện LSTM với dữ liệu huấn luyện té ngã đa dạng là rất quan trọng để đảm bảo độ chính xác cao.

IV. Triển Khai Tối Ưu Hệ Thống Phát Hiện Té Ngã Thời Gian Thực

Hệ thống được triển khai và tối ưu hóa để đạt hiệu suất thời gian thực. Các kỹ thuật tối ưu bao gồm giảm độ phức tạp của mô hình, sử dụng phần cứng phù hợp, và tối ưu hóa mã. Hệ thống được đánh giá trên nhiều tập dữ liệu khác nhau để đảm bảo độ chính xác và độ tin cậy. Kết quả cho thấy hệ thống có thể phát hiện té ngã với độ chính xác cao và thời gian phản hồi nhanh. Tuy nhiên, vẫn còn một số hạn chế, đặc biệt là trong các tình huống phức tạp với nhiều người và điều kiện ánh sáng kém. Cần liên tục cập nhật và cải tiến hệ thống để đáp ứng các yêu cầu thực tế. Thời gian phản hồi phát hiện té ngã là yếu tố quan trọng để đảm bảo sự can thiệp kịp thời.

4.1. Các Kỹ Thuật Tối Ưu Hóa Hệ Thống Để Đạt Hiệu Suất Thời Gian Thực

Để đạt hiệu suất thời gian thực, hệ thống cần được tối ưu hóa về cả phần mềm và phần cứng. Các kỹ thuật tối ưu hóa phần mềm bao gồm giảm độ phức tạp của mô hình, sử dụng các thư viện tối ưu, và tối ưu hóa mã. Các kỹ thuật tối ưu hóa phần cứng bao gồm sử dụng GPU để tăng tốc xử lý, và lựa chọn các thiết bị phù hợp với yêu cầu của hệ thống. Việc cân bằng giữa độ chính xác và tốc độ là rất quan trọng để đảm bảo hệ thống hoạt động hiệu quả trong thời gian thực. Việc sử dụng IoT phát hiện té ngã cũng cần được tối ưu để đảm bảo thời gian phản hồi phát hiện té ngã nhanh nhất.

4.2. Đánh Giá Hiệu Suất và Độ Chính Xác Của Hệ Thống Trong Các Tình Huống Thực Tế

Hiệu suất và độ chính xác của hệ thống cần được đánh giá trong các tình huống thực tế để đảm bảo rằng hệ thống hoạt động hiệu quả trong các điều kiện khác nhau. Các tình huống đánh giá bao gồm các môi trường khác nhau, số lượng người khác nhau, và các điều kiện ánh sáng khác nhau. Việc sử dụng các chỉ số đánh giá phù hợp, như độ chính xác, độ tin cậy, và thời gian phản hồi, là rất quan trọng để đánh giá hiệu suất của hệ thống. Việc phân tích tư thế chính xác là chìa khóa để nhận dạng té ngã thành công.

V. Kết Quả Nghiên Cứu Ứng Dụng Thực Tế Của Phát Hiện Té Ngã

Kết quả thử nghiệm cho thấy hệ thống có thể phát hiện té ngã cho nhiều người cùng lúc với tốc độ xử lý khung hình đủ để đáp ứng thời gian thực khi chỉ có một người. Tuy nhiên, hiệu suất giảm khi số lượng người tăng lên. Hệ thống cũng có thể nhầm lẫn do góc quay camera hoặc các hành động tương tự. Các ứng dụng tiềm năng bao gồm: smart home, smart healthcare, dịch vụ chăm sóc sức khỏe từ xa, và thiết bị đeo. Hệ thống có thể được tích hợp vào các thiết bị thông minh để cung cấp cảnh báo và hỗ trợ kịp thời. Ứng dụng phát hiện té ngã có tiềm năng lớn trong việc cải thiện an toàn người già và nâng cao chất lượng cuộc sống.

5.1. Các Ứng Dụng Tiềm Năng của Hệ Thống trong Smart Home và Smart Healthcare

Hệ thống phát hiện té ngã có nhiều ứng dụng tiềm năng trong smart home và smart healthcare. Trong smart home, hệ thống có thể được tích hợp vào các thiết bị thông minh để cung cấp cảnh báo và hỗ trợ kịp thời cho người cao tuổi và những người có nguy cơ té ngã cao. Trong smart healthcare, hệ thống có thể được sử dụng để giám sát té ngã trong bệnh viện, viện dưỡng lão, và các cơ sở chăm sóc sức khỏe khác. Hệ thống cũng có thể được sử dụng để cung cấp dịch vụ chăm sóc sức khỏe từ xa cho bệnh nhân tại nhà.

5.2. Tích Hợp Hệ Thống Vào Thiết Bị Đeo và Các Giải Pháp Giám Sát Từ Xa

Hệ thống phát hiện té ngã có thể được tích hợp vào thiết bị đeo như đồng hồ thông minh, vòng tay thông minh, và các thiết bị tương tự. Các thiết bị đeo này có thể liên tục theo dõi tư thế và hành vi của người dùng và gửi cảnh báo nếu phát hiện té ngã. Hệ thống cũng có thể được tích hợp vào các giải pháp giám sát từ xa, cho phép người thân và nhân viên y tế theo dõi tình trạng của bệnh nhân từ xa và cung cấp hỗ trợ kịp thời khi cần thiết. Việc sử dụng cảm biến gia tốc kế và con quay hồi chuyển trong thiết bị đeo có thể cải thiện độ chính xác của hệ thống.

VI. Kết Luận Hướng Phát Triển Của Công Nghệ Phát Hiện Té Ngã

Hệ thống phát hiện té ngã dựa trên tư thế người là một giải pháp tiềm năng để cải thiện an toàn người già và giảm thiểu hậu quả của té ngã. Tuy nhiên, vẫn còn nhiều thách thức cần giải quyết, bao gồm cải thiện độ chính xác, giảm thời gian phản hồi, và mở rộng phạm vi ứng dụng. Các hướng phát triển bao gồm sử dụng các mô hình học sâu tiên tiến hơn, tích hợp nhiều loại cảm biến, và phát triển các giải pháp tùy chỉnh cho các môi trường khác nhau. Việc nghiên cứu và phát triển công nghệ phát hiện té ngã cần được tiếp tục để đáp ứng nhu cầu ngày càng tăng của xã hội. Cần tập trung vào phòng ngừa té ngã và giảm thiểu rủi ro té ngã.

6.1. Các Hướng Nghiên Cứu và Phát Triển Tiềm Năng Trong Tương Lai

Trong tương lai, các nghiên cứu có thể tập trung vào việc sử dụng các mô hình học sâu tiên tiến hơn, như Transformer và Graph Neural Networks, để cải thiện độ chính xác và độ tin cậy của hệ thống. Việc tích hợp nhiều loại cảm biến, như cảm biến áp suất, và các nguồn dữ liệu khác, như thông tin môi trường, cũng có thể giúp cải thiện hiệu suất của hệ thống. Ngoài ra, cần phát triển các giải pháp tùy chỉnh cho các môi trường khác nhau, như nhà ở, bệnh viện, và viện dưỡng lão. Học máy phát hiện té ngã và deep learning phát hiện té ngã sẽ đóng vai trò quan trọng trong tương lai.

6.2. Tầm Quan Trọng Của Việc Tiếp Tục Nghiên Cứu và Phát Triển Công Nghệ

Việc tiếp tục nghiên cứu và phát triển công nghệ phát hiện té ngã là rất quan trọng để đáp ứng nhu cầu ngày càng tăng của xã hội. Các hệ thống phát hiện té ngã có thể giúp cải thiện an toàn người già, giảm thiểu gánh nặng cho hệ thống chăm sóc sức khỏe, và nâng cao chất lượng cuộc sống cho hàng triệu người trên toàn thế giới. Cần khuyến khích sự hợp tác giữa các nhà nghiên cứu, nhà phát triển, và các nhà cung cấp dịch vụ để đưa công nghệ phát hiện té ngã đến gần hơn với người sử dụng. Nguyên nhân té ngã và hậu quả té ngã cần được nghiên cứu kỹ lưỡng để phát triển các giải pháp phòng ngừa té ngã hiệu quả.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN ĐỀ TÀI 1.1 Lý do chọn đề tài Té ngã là một trong những tai nạn rất thường hay xảy ra trong đời sống, nó tiềm ẩn rất nhiều nguy cơ như gãy xương, vỡ đốt sống, hay thậm chí là tử vong. Đặc biệt, té ngã càng nguy hiểm hơn đối với người cao tuổi bởi sự suy yếu của hệ thống miễn dịch cũng như sức khỏe của độ tuổi. Thêo báo cáo vào năm 2008 của Tổ chức y tế thế giới (WHO), cho thấy tỉ lệ người cao tuổi bị té ngã mỗi năm là khoảng 28% - 35% đối với những người có tuổi từ 65 tuổi trở lên và 32% - 42% đối với những người trên 75 tuổi [1].

Theo một báo cáo khác vào năm 2018 của Trung tâm kiểm soát và phòng ngừa dịch bệnh Hoa Kỳ (CDC), trong một năm tại Mỹ, cứ 4 người từ 65 tuổi trở lên thì có 1 người bị té ngã và khoảng 37% người té ngã cho biết họ bị chấn thương cần được điều trị y tế. [2] Tại Việt Nam, theo bài viết vào năm 2020 của báo Sức khỏê và Đời sống (Cơ quan ngôn luận của bộ y tế Việt Nam), có khoảng 1,5 - 1,9 triệu người cao tuổi bị té ngã mỗi năm, 5% trong số đó phải nhập viện vì các chấn thương. Tại Khoa Lão - Chăm sóc giảm nhẹ Bệnh viện Đại học Y Dược TP.HCM (BV ĐHYD TP.HCM), mỗi tháng có khoảng 17% người bệnh nhập viện do té ngã hoặc do các biến cố liên quan tới té ngã. Theo TS BS.

Thân Hà Ngọc Thể - Trưởng khoa Lão - Chăm sóc giảm nhẹ tại bệnh viện Đại Học Y Dược TPHCM, té ngã có thể dẫn đến nhiều hệ lụy nghiêm trọng đối với sức khỏe người cao tuổi. Đây là nguyên nhân hàng đầu gây chấn thương với hơn 50% trường hợp bị té ngã tại nhà và là nguyên nhân thứ 2 gây chấn thương não và tủy sống ở người cao tuổi. Tỉ lệ chấn thương do té ngã ở NCT là 10 - 25%, trong đó thương tích nghiêm trọng chiếm khoảng 5 - 15%. Trong các chấn thương do té ngã thì gãy xương chiếm tỉ lệ cao nhất với 87%, trong đó hơn 95% trường hợp bị gãy xương hông.

Té ngã cũng nằm trong 5 nguyên nhân gây tử vong ở người trên 65 tuổi với tỉ lệ tử vong tăng thêo tuổi. [3] Việc phát hiện sớm các trường hợp té ngã, đặc biệt là ở người cao tuổi, có thể giúp các thành viên trong gia đình, người chăm sóc hoặc bác sĩ đến bên 1 nạn nhân kịp thời và có thể giúp hạn chế hậu quả của việc té ngã. Do đó nhu cầu về hệ thống phát hiện té ngã và có khả năng thông báo sớm cho người chăm sóc hoặc gia đình là rất cấp thiết. Hiện nay camêra an ninh đã dần được phổ biến không chỉ ở nơi công cộng mà còn ở nhà riêng.

Chính vì vậy, tôi đề xuất một phương pháp phát hiện té ngã bằng thị giác máy sẽ dự đoán việc té ngã thông qua 1 chuỗi tư thế của con người.2 Những công trình nghiên cứu gần đây Bài viết Vision-Based Fall Detection with Convolutional Neural Networks - Adrián Núñez-Marcos, Gorka Azkune, and Ignacio Arganda- Carreras (2017 Dec) [4] Tác giả đưa ra giải pháp dựa trên thị giác máy, bằng cách sử dụng một mạng nơ ron tích chập (Convolutional Nêural Nêtworks) để xác định xem trong 1 chuỗi ảnh liên tiếp thì có người nào ngã không. Tác giả sử dụng hình ảnh luồng quang (optical flow imagês) làm đầu vào cho mạng nơ ron tích chập. Sau khi thực hiện thì tác giả tiến hành đánh giá với 3 tập dữ liệu công khai với kết quả khá tốt là URFD (accuracy 95%), Multicam (accuracy 97%) và FDD (accuracy 97%). Mặc dù kết quả của tác giả đưa ra là khá tốt và ý tưởng dự đoán một chuỗi ảnh liên tiếp rất hay, tuy nhiên phần dữ liệu đầu vào của mạng CNN là ảnh optical flow, vì vậy cần phải có một hệ thống camêra tương đối tốt để có thể chuyển từ ảnh thường sang ảnh optical flow, chi phi sẽ khá tốn kém.

Ngoài ra, mạng CNN của tác giả chỉ dự đoán trong 1 chuỗi ảnh liên tiếp có người ngã không, mà không biết trước được trong ảnh có người hay không, môi trường phải tĩnh dễ tránh việc nhiễu do có vật chuyển động trong khung ảnh. Bài viết Human-skeleton based Fall-Detection Method using LSTM for Manufacturing Industries - Sungjoo Kang (2019 Jun) [5] Tác giả cũng đưa ra giải pháp dựa trên thị giác máy, bằng cách sử dụng một mạng LSTM để phát hiện việc té ngã. LSTM là một kiến trúc học sâu mạnh mẽ trong việc xử lý việc phân loại dữ liệu chuỗi thời gian. Trong bài viết, đầu vào của mô hình LSTM là một chuỗi dữ liệu khung xương của con người (hay có thể nói là một chuỗi tư thế của người), được trích xuất từ thư viện OpenPose.

Ngoài ra tác giả còn kết 2 hợp thêm một số phương pháp tăng cường khi trích xuất đặc trưng, như HCLC (tọa độ trung tâm cơ tể người) và SHCLC (tốc độ của khung xương ở 2 khung hình liên tiếp) để tăng đặc trưng cho dữ liệu. Kết quả đạt được với tập dữ liệu công khai URFD rất tốt, accuracy cao nhất lên đến 98. Tuy nhiên việc trích xuất đặc trưng bằng thư viện OpenPose khá chậm, nên không khả thi với các hệ thống thời gian thực (realtime), tác giả cũng không đề cập đến thời gian thực thi của 1 lần dự đoán, và trong 1 khung hình tác giả chỉ dự đoán được 1 người có đang ngã hay không.3 Mục tiêu đề tài Sau khi tham khảo các bài báo và nghiên cứu, hầu hết các bài nghiên cứu trước đó chỉ tập trung vào việc dự đoán trạng thái té ngã của một người tại một thời điểm, chưa có bài viết nào đề cập đến việc chạy trên thời gian thực. Nên mục tiêu của đề tài này là dựa trên ý tưởng nghiên cứu của Sungjoo Kang về việc dự đoán té ngã bằng LSTM, xây dựng một hệ thống có thể phát hiện và dự đoán té ngã cho nhiều người trong cùng một khung hình.

Cố gắng tối ưu hệ thống để có thể chạy có thể chạy chạy trên thời gian thực. Hệ thống sẽ phát hiện những người có trong khung hình camera và đưa ra dự đoán về trạng thái của từng người: - Phát hiện từng người trong khung hình. - Thêo dõi và đánh số thứ tự cho từng người. - Trích xuất đặc trưng tư thế của từng người người dựa vào việc phát hiện vị trí các điểm đặc trưng trên cơ thể từng người.

- Ghép các đặc trưng tư thế lại thành một chuỗi hành động ngắn. - Sau khi có được các chuỗi hành động ngắn của từng người, tiến hành dự đoán trạng thái của từng người từ đó phát hiện việc té ngã.4 Nhiệm vụ đề tài Sử dụng mạng YỌLỌv8 nano để phát hiện vùng ảnh nào có người. Tiến hành thu thập dữ liệu con người ở nhiều góc độ khác nhau đặc biệt là các tư thế khi té ngã cho việc huấn luyện. 3 Sử dụng thuật toán thêo dõi đối tượng DêêpSỌRT để theo dõi và gán ID cho từng người đã được phát hiện bằng YỌLỌv8 nano trước đó, để đảm bảo cho bước tiếp theo là phát hiện tư thế và ghép các tư thế lại thành một chuỗi hành động đúng với từng người.

Sử dụng mô hình MoveNet để trích xuất đặc trưng tư thế cho từng người đã được gán ID trước đó, thông tin tư thế ở đây là một vector chứa vị trí các điểm đặc trưng trên cơ thể (keypoints) như đầu, vai, khớp tay, khớp chân,… Sau đó, tiến hành ghép các vêctor đặc trưng tư thế liên tiếp lại thành một ma trận, tạo thành thông tin của một chuỗi hành động ngắn. Sử dụng mô hình LSTM để phát hiện người ngã dựa vào chuỗi hành động ngắn. Tiến hành lấy dữ liệu huấn luyện bằng mô hình MoveNet. Triển khai, kết hợp các mô hình lại với nhau để có thể dự đoán té ngã cho nhiều người.

Tối ưu và tăng tốc hệ thống. Khảo sát thực nghiệm và đánh giá.1 Nhận dạng đối tượng 2.1 Giới thiệu YOLOv8 YOLO - You Only Look Once là một trong những tập hợp các mô hình phát hiện vật thể tốt nhất ở thời điểm hiện tại. Các phiên bản của mô hình này đều có những cải tiến rất đáng kể sau mỗi phiên bản. Sau 3 phiên bản của tác giả chính Josêph Rêdmon là YỌLỌv1 đến v3, tính đến thời điểm hiện tại đã có thêm những phiên bản khác như: YỌLỌv4 của Alexey Bochkovskiy, YOLOv5 của Glenn Jocher, YOLOv6 của nhóm nghiên cứu Meituan, YOLOv7 Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao, phiên bản mới nhất hiện tại là YOLOv8 của nhóm Ultralytics.

YOLOv8 là mô hình one stage detectors (cùng lúc sẽ thực hiện cả việc tìm kiếm bounding box và classification cho một vật thể), chính vì đặc điểm này mà YOLO có tốc độ khá nhanh và độ chính xác cao. YOLOv8 đặc biệt hơn so với các bản YỌLỌ trước đó vì nó được ra mắt kèm theo framework Ultralytics, giúp cho việc huấn luyện và triển khai mạng dễ dàng hơn.1 So sánh tốc độ của các phiên bản YOLO trên tập dữ liệu MS COCO Có nhiều biến thể của YOLOv8, bao gồm YOLOv8x, YOLOv8l, YOLOv8m, YOLOv8s và YOLOv8n. Trong luận văn này, phiên bản YOLOv8n (YOLOv8 nano), phiên bản nhỏ gọn của YỌLỌv8, được chọn để thực hiện quá trình transfer learning. Việc này nhằm đảm bảo rằng hệ thống có khả năng hoạt động ở tốc độ thời gian thực.2 Kiến trúc YOLOv8 Kiến trúc của YOLO nói chung: Hình 2.2 Mô hình chung của YOLO Kiến trúc của một mạng YOLO nói chung sẽ thường được chia làm ba phần: xương sống (backbone), cổ (nêck) và đầu (head).

Trong đó phần xương sống được sử dụng để trích xuất các đặc trưng từ ảnh đầu vào. Phần xương sống thường bao gồm các mạng nơ-ron tích chập (CNN) như Darknêt, RêsNêt, hoặc EfficientNet. Phần cổ đặt giữa phần xương sống và phần đầu, chịu trách nhiệm kết hợp các đặc trưng khác nhau từ phần xương sống, nhầm tạo ra các đặc trưng cần thiết để dự đoán và phát hiện đối tượng. Có thể sử dụng các kỹ thuật như Feature Pyramid Network (FPN) hoặc Path Ạggrêgation Nêtwork (PẠN) để tăng cường thông tin của các đặc trưng, giúp mô hình có khả năng dự đoán đối tượng ở các tỷ lệ và kích thước khác nhau trong ảnh.

Và phần cuối cùng của mô hình là phần đầu, đây là nơi thực hiện các dự đoán về vị trí và phân lớp của các đối tượng trong ảnh. Đối với YOLO, phần đầu thường gồm các lớp tích chập để dự đoán các bounding boxês và lớp xác suất để phân loại đối tượng.