Phát Triển Ứng Dụng Phát Hiện Cú Ngã Dựa Trên Thuật Toán Phân Tích Tư Thế

Khóa luận trình bày ứng dụng phát hiện cú ngã dựa trên thuật toán phân tích tư thế trong công nghệ thông tin, góp phần nâng cao an toàn.

• Tác giả: Nguyễn Văn Nhịnh
• Người hướng dẫn: TS. Nguyễn Tấn Cầm
• Trường học: Đại Học Quốc Gia TP. Hồ Chí Minh
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phát Triển Ứng Dụng Phát Hiện Cú Ngã Dựa Trên Thuật Toán Phân Tích Tư Thế
• Loại tài liệu: Khóa Luận Tốt Nghiệp
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Đối tượng nghiên cứu
• 1.3. Phạm vi nghiên cứu
• 2. CHƯƠNG 2: TỔNG QUAN
• 2.1. Ước lượng tư thế
• 2.2. Ước lượng tư thế trong bài toán phát hiện té ngã
• 2.3. Bộ dữ liệu té ngã
• 2.4. Lựa chọn bộ dữ liệu
• 3. CHƯƠNG 3: PHƯƠNG PHÁP THỰC NGHIỆM
• 3.1. Quy trình
• 3.2. Logic phát hiện té ngã
• 3.3. Phương pháp đánh giá
• 4. CHƯƠNG 4: KẾT QUẢ
• 4.1. Vai trò của mô hình ước lượng tư thế
• 4.2. Các trường hợp dự đoán sai
• 4.3. So sánh với nghiên cứu gốc
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phát Triển Ứng Dụng Phát Hiện Cú Ngã

Phát hiện cú ngã là một lĩnh vực nghiên cứu quan trọng, đặc biệt trong chăm sóc sức khỏe cho người cao tuổi. Sự gia tăng dân số già đang tạo ra nhu cầu cấp thiết cho các hệ thống phát hiện cú ngã hiệu quả. Ứng dụng công nghệ hiện đại như thuật toán phát hiện cú ngã giúp cải thiện độ chính xác và khả năng phản ứng nhanh chóng trong các tình huống khẩn cấp. Nghiên cứu này sẽ tập trung vào việc phát triển ứng dụng dựa trên thuật toán phân tích tư thế.

1.1. Lý Do Cần Phát Triển Ứng Dụng Phát Hiện Cú Ngã

Té ngã là nguyên nhân hàng đầu gây tử vong và thương tích nghiêm trọng cho người cao tuổi. Theo Tổ chức Y tế Thế giới, mỗi năm có khoảng 684,000 ca tử vong do té ngã. Việc phát hiện sớm và chính xác cú ngã có thể giảm thiểu thiệt hại về sức khỏe và tài chính cho gia đình và xã hội.

1.2. Các Công Nghệ Hiện Có Trong Phát Hiện Cú Ngã

Hiện nay, có nhiều công nghệ được sử dụng để phát hiện cú ngã, bao gồm cảm biến đeo được, cảm biến thị giác và cảm biến môi trường. Trong đó, công nghệ cảm biến thị giác được ưa chuộng nhờ khả năng không xâm phạm và không bị giới hạn bởi pin.

II. Thách Thức Trong Phát Hiện Cú Ngã Hiện Nay

Mặc dù có nhiều tiến bộ trong lĩnh vực phát hiện cú ngã, nhưng vẫn còn nhiều thách thức cần giải quyết. Các hệ thống hiện tại thường gặp khó khăn trong việc hoạt động hiệu quả trong điều kiện thực tế. Việc thiếu bộ dữ liệu chuẩn và khả năng phát hiện trong thời gian thực là những vấn đề lớn.

2.1. Thiếu Bộ Dữ Liệu Chuẩn

Hiện tại, chưa có bộ dữ liệu cú ngã chuẩn nào bao gồm dữ liệu từ đời thực để làm khung tham chiếu cho việc đánh giá hệ thống. Điều này gây khó khăn trong việc phát triển và kiểm tra các mô hình phát hiện cú ngã.

2.2. Khó Khăn Trong Điều Kiện Thực Tế

Nhiều hệ thống phát hiện cú ngã không hoạt động hiệu quả trong điều kiện thực tế, đặc biệt là trong môi trường có ánh sáng yếu hoặc khi người dùng mặc trang phục không phù hợp. Điều này làm giảm độ chính xác của các mô hình hiện tại.

III. Phương Pháp Phát Triển Ứng Dụng Phát Hiện Cú Ngã

Nghiên cứu này áp dụng hai mô hình OpenPose và MoveNet để phát triển ứng dụng phát hiện cú ngã. Cả hai mô hình đều có khả năng hoạt động trong thời gian thực và đạt độ chính xác cao. Việc so sánh hiệu suất của hai mô hình này sẽ giúp xác định mô hình tối ưu cho ứng dụng.

3.1. Mô Hình OpenPose

OpenPose là mô hình ước lượng tư thế 2D mã nguồn mở, hoạt động trong thời gian thực. Mô hình này sử dụng Part Affinity Fields để xác định liên kết giữa các bộ phận cơ thể, giúp phát hiện cú ngã một cách chính xác.

3.2. Mô Hình MoveNet

MoveNet là mô hình mới nhất của TensorFlow, được thiết kế để hoạt động nhanh và hiệu quả. Mô hình này có khả năng phát hiện tư thế người trong thời gian thực với độ chính xác cao, phù hợp cho ứng dụng phát hiện cú ngã.

IV. Ứng Dụng Thực Tiễn Của Hệ Thống Phát Hiện Cú Ngã

Hệ thống phát hiện cú ngã có thể được ứng dụng trong nhiều lĩnh vực, từ chăm sóc sức khỏe tại nhà đến các cơ sở y tế. Việc sử dụng công nghệ này không chỉ giúp bảo vệ sức khỏe cho người cao tuổi mà còn giảm thiểu gánh nặng cho gia đình và xã hội.

4.1. Ứng Dụng Trong Chăm Sóc Tại Nhà

Hệ thống phát hiện cú ngã có thể được tích hợp vào các thiết bị thông minh trong nhà, giúp giám sát sức khỏe của người cao tuổi một cách hiệu quả. Khi phát hiện cú ngã, hệ thống sẽ tự động thông báo cho người thân hoặc dịch vụ y tế.

4.2. Ứng Dụng Trong Cơ Sở Y Tế

Trong các cơ sở y tế, hệ thống phát hiện cú ngã có thể được sử dụng để giám sát bệnh nhân, đặc biệt là những người có nguy cơ cao. Điều này giúp nhân viên y tế phản ứng nhanh chóng trong các tình huống khẩn cấp.

V. Kết Luận Và Hướng Phát Triển Tương Lai

Nghiên cứu này đã chỉ ra rằng việc phát triển ứng dụng phát hiện cú ngã dựa trên thuật toán phân tích tư thế là khả thi và có nhiều tiềm năng. Tuy nhiên, cần tiếp tục cải thiện độ chính xác và khả năng hoạt động trong điều kiện thực tế. Hướng phát triển trong tương lai có thể bao gồm việc tích hợp thêm các công nghệ mới và mở rộng bộ dữ liệu.

5.1. Cải Thiện Độ Chính Xác

Để nâng cao độ chính xác của hệ thống, cần nghiên cứu và phát triển các thuật toán mới, cũng như cải thiện quy trình xử lý dữ liệu. Việc sử dụng các mô hình học sâu tiên tiến có thể giúp đạt được mục tiêu này.

5.2. Mở Rộng Bộ Dữ Liệu

Mở rộng bộ dữ liệu cú ngã chuẩn sẽ giúp cải thiện khả năng tổng quát của các mô hình. Việc thu thập dữ liệu từ nhiều nguồn khác nhau sẽ giúp hệ thống hoạt động hiệu quả hơn trong các tình huống thực tế.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Theo báo cáo của Tổ chức Y tế Thế giới (WHO), té ngã là một vấn đề sức khỏe cộng đồng nghiêm trọng với ước tính khoảng 684.000 ca tử vong mỗi năm trên toàn cầu. Trong đó, người cao tuổi là nhóm đối tượng chịu nguy cơ tử vong hoặc thương tật nặng nề nhất. Xu hướng già hóa dân số đang diễn ra nhanh chóng: dự kiến đến năm 2030, cứ 6 người sẽ có 1 người từ 60 tuổi trở lên, đưa quy mô dân số cao tuổi tăng từ 1 tỷ người (năm 2020) lên 1,4 tỷ người. Tình hình này đặt ra nhu cầu cấp thiết về các giải pháp phát hiện cú ngã tự động nhằm hỗ trợ ứng cứu kịp thời, giảm thiểu tổn thất về thể chất và tài chính.

Các công trình nghiên cứu về hệ thống phát hiện té ngã đã xuất hiện từ năm 1996, tiếp cận qua ba nhóm cảm biến chính: cảm biến đeo được (wearable sensor), cảm biến môi trường xung quanh (ambient sensor) và cảm biến thị giác (visual sensor). Trong đó, hệ thống sử dụng cảm biến thị giác sở hữu ưu điểm vượt trội do không gây vướng víu, không xâm phạm cơ thể và không phụ thuộc vào thời lượng pin như thiết bị đeo. Tuy nhiên, theo khảo sát của Xueyi Wang và cộng sự, nghiên cứu phát hiện té ngã qua thị giác vẫn đối mặt với ba rào cản lớn:

1. Thiếu các bộ dữ liệu té ngã chuẩn hóa thu thập từ môi trường thực tế để làm hệ quy chiếu chung.
2. Hạn chế về số lượng hệ thống đáp ứng khả năng xử lý trong điều kiện thời gian thực.
3. Chưa tối ưu hóa thiết kế hệ thống nhằm bảo đảm quyền riêng tư, an toàn dữ liệu và tính thuận tiện cho người cao tuổi.

Sự phát triển của các mô hình ước lượng tư thế người (human pose estimation) mã nguồn mở trong giai đoạn gần đây như OpenPose và MoveNet đã mở ra tiềm năng giải quyết các thách thức trên nhờ tốc độ xử lý nhanh, độ chính xác cao và khả năng chạy trực tiếp trên thiết bị biên. Khóa luận tập trung vào hai nhiệm vụ nghiên cứu cụ thể:

1. Xây dựng hai mô hình phát hiện té ngã dựa trên thuật toán phân tích tư thế, lần lượt tích hợp thư viện ước lượng tư thế OpenPose và MoveNet.
2. Thực nghiệm đánh giá, so sánh hiệu năng của hai mô hình trên các bộ dữ liệu té ngã chuẩn hóa quốc tế (UR Fall Detection và Charfi2012 dataset).

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Các thư viện ước lượng tư thế người mã nguồn mở (OpenPose, MoveNet); kiến trúc hệ thống phát hiện té ngã dựa trên cảm biến thị giác; các bộ dữ liệu té ngã chuẩn.
• Phạm vi nghiên cứu: Khóa luận giới hạn trong bài toán xử lý tín hiệu từ một camera RGB đơn lẻ (không sử dụng hệ thống đa cảm biến hay dữ liệu độ sâu phức tạp) và chỉ tập trung nhận diện cú ngã của một cá thể người đơn lẻ trong khung hình (single-person fall detection).

---

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng nền tảng dựa trên lý thuyết thị giác máy tính và các công trình thực nghiệm về phân tích hành vi con người qua hình ảnh.

1. Khung lý thuyết và mô hình ước lượng tư thế

Ước lượng tư thế 2D dựa trên học sâu là quá trình định vị các điểm trọng điểm trên cơ thể (human keypoints) từ ảnh hoặc video. Khóa luận phân tích hai trường phái tiếp cận:

• Tiếp cận từ trên xuống (Top-down): Phát hiện người trước, đóng khung đối tượng rồi mới định vị khớp xương. Cách này tốn chi phí tính toán tỷ lệ thuận với số lượng người và dễ gặp lỗi cam kết sớm (early commitment) nếu khâu phát hiện người thất bại.
• Tiếp cận từ dưới lên (Bottom-up): Định vị tất cả các khớp xương trong khung hình trước, sau đó ghép nối thành từng cá thể. Phương pháp này tối ưu chi phí tính toán hơn trong các cảnh phức tạp.

Hai mô hình ước lượng tư thế cụ thể được sử dụng gồm:

• OpenPose (Cao và cộng sự, 2017): Hoạt động theo cơ chế Bottom-up, sử dụng trường liên kết bộ phận (Part Affinity Fields - PAFs) để mã hóa vị trí và hướng của các chi. Mô hình trích xuất 25 điểm trọng điểm trên cơ thể, đạt tốc độ xử lý 22 FPS trên card đồ họa Nvidia GTX 1080 Ti.
• MoveNet (Google, 2021): Kiến trúc trích xuất đặc trưng gồm 4 nhánh: Bản đồ nhiệt trung tâm người (person center heatmap), Trường hồi quy trọng điểm (keypoint regression field), Bản đồ nhiệt trọng điểm (person keypoint heatmap) và Trường độ lệch 2D (2D per-keypoint offset field). MoveNet định vị 17 điểm trọng điểm theo chuẩn COCO, cung cấp hai phiên bản: MoveNet Lightning (tối ưu độ trễ, đạt hơn 50 FPS) và MoveNet Thunder (tối ưu độ chính xác, đạt trên 30 FPS).

Tiêu chí so sánh	OpenPose	MoveNet Lightning	MoveNet Thunder
Phân loại tác vụ	Ước lượng tư thế nhiều người	Ước lượng tư thế một người	Ước lượng tư thế một người
Cách tiếp cận	Từ dưới lên (Bottom-up)	Từ dưới lên (Bottom-up)	Từ dưới lên (Bottom-up)
Số lượng trọng điểm	25 trọng điểm	17 trọng điểm	17 trọng điểm
Tập dữ liệu huấn luyện	COCO, MPII	COCO, Active	COCO, Active
Điểm đánh giá chuẩn	COCO AP = 64.7; MPII mAP = 75.6	COCO AP = 52.8 (nam) / 51.5 (nữ)	COCO AP = 64.5 (nam) / 63.8 (nữ)
Thời gian xử lý trên GPU	36 ms (Nvidia GTX 1080 Ti)	15.0 - 39.0 ms tùy loại GPU	22.5 - 44.6 ms tùy loại GPU
Phương thức triển khai	C++/Python, yêu cầu cấu hình cao	Hỗ trợ TensorFlow.js và TFLite	Hỗ trợ TensorFlow.js và TFLite

2. Thuật toán logic phát hiện té ngã

Khóa luận kế thừa và hiệu chỉnh thuật toán dựa trên ngưỡng (threshold-based) từ nghiên cứu của Weiming Chen và cộng sự (2020). Cú ngã được xác định khi các điều kiện hình học và động học đồng thời thỏa mãn:

• Điều kiện vận tốc rơi: Tốc độ rơi theo trục thẳng đứng tại tâm khớp hông (trung điểm giữa khớp hông trái và hông phải) giữa hai thời điểm $t_1$ và $t_2$: $$v = \frac{|y_{t2} - y_{t1}|}{t_2 - t_1}$$ Ngưỡng kích hoạt được đặt ở mức $0.009\text{ m/s}$. Nhóm tác giả thực hiện chuyển đổi khoảng cách từ pixel sang mét và xác định khoảng cách 5 khung hình dựa trên chỉ số FPS riêng của từng tập dữ liệu ($1/30 \times 5$ giây với UR Fall và $1/24 \times 5$ giây với Charfi2012).
• Điều kiện góc nghiêng cơ thể: Góc tạo bởi đường tâm cơ thể (nối trung điểm hai mắt cá chân với mũi) và mặt đất: $$\theta_t = \arctan \left| \frac{y_{t0} - y_t}{x_{t0} - x_t} \right|$$ Nếu $\theta_t < 45^\circ$, điều kiện góc nghiêng được xác nhận. Điểm mũi được lựa chọn thay thế cho điểm đầu vì cả hai thư viện đều không cung cấp nhãn trọng điểm "đầu".
• Điều kiện tỷ lệ khung bao (Aspect Ratio): Tỷ lệ giữa chiều rộng và chiều cao của hộp chữ nhật bao quanh toàn bộ các trọng điểm: $$P = \frac{x_{\max} - x_{\min}}{y_{\max} - y_{\min}}$$ Khi người đứng thẳng hoặc đi bộ, $P < 1$; khi té ngã nằm trên sàn, $P > 1$.

3. Nguồn dữ liệu thực nghiệm

Qua rà soát 81 công trình nghiên cứu giai đoạn 2015–2020 từ tổng hợp của Jesús Salinas Gutiérrez, nhóm tác giả chọn lọc hai bộ dữ liệu video chuẩn đáp ứng định dạng RGB và dán nhãn nhị phân:

• Charfi2012 dataset: Gồm 220 video (143 video té ngã, 77 video hoạt động thường ngày ADL), ghi hình bằng 01 camera giám sát tại 4 môi trường trong nhà (quán cà phê, phòng khách, phòng giảng, văn phòng) ở tốc độ 24 FPS với nhiều mức ánh sáng và nhiễu nền.
• UR Fall Detection: Gồm 70 video (30 video té ngã, 40 video hoạt động thường ngày ADL), ghi hình qua camera ở tốc độ 30 FPS. Đây là bộ dữ liệu có tần suất trích dẫn khoa học cao trong cộng đồng nghiên cứu thị giác máy tính.

---

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo quy trình xử lý luồng video tuần tự qua các tầng kiến trúc:

[Video đầu vào RGB] 
[Mô hình ước lượng tư thế (OpenPose / MoveNet)]
[Tọa độ các trọng điểm cơ thể 2D qua từng khung hình]
[Bộ phân tích Logic phát hiện té ngã (Vận tốc hông + Góc nghiêng + Tỷ lệ P)]
[Dự đoán nhị phân cấp khung hình (Ngã / Không ngã)]
[Quyết định nhị phân cấp video (Có ít nhất 01 khung hình ngã)]

Triển khai kỹ thuật và xử lý biên

• Môi trường thực thi OpenPose: Mô hình được thiết lập trên môi trường điện toán đám mây Google Colab Runtime có hỗ trợ tăng tốc GPU CUDA do yêu cầu tính toán lớn. Dữ liệu trích xuất từ OpenPose cho mỗi khung hình được xuất thành các tệp cấu trúc định dạng JSON chứa danh sách 25 trọng điểm 2D.
• Môi trường thực thi MoveNet: Nhóm tác giả tích hợp phiên bản MoveNet Lightning thông qua thư viện TensorFlow.js cùng các tập lệnh phụ trợ (Core, Converter, WebGL). Mô hình chạy trực tiếp ở phía máy khách (client-side) trên trình duyệt web mà không cần gửi dữ liệu hình ảnh về máy chủ trung tâm. Để phục vụ so sánh đồng bộ với OpenPose, video được bóc tách thành chuỗi khung hình tĩnh để đưa vào MoveNet lấy tọa độ JSON thay vì chạy luồng stream mặc định.
• Xử lý sự cố dữ liệu khung hình: Quá trình thử nghiệm phát sinh hai trường hợp lỗi:
  • Thiếu khung hình (Missing frames): Mô hình OpenPose bỏ qua khung hình dẫn đến việc không tạo ra tệp JSON tương ứng.
  • Khung hình rỗng (Empty frames): Cả OpenPose và MoveNet đều gặp tình trạng tệp JSON trả về mảng rỗng do không nhận dạng được cá thể người (bị che khuất hoặc thay đổi góc nhìn đột ngột). Nhóm nghiên cứu thiết lập quy tắc gán nhãn: mọi khung hình thiếu hoặc rỗng đều mặc định được xem là khung hình "Không ngã" nhằm tránh phát sinh cảnh báo sai.

---

Nội dung chính theo từng chương

Chương 1: Mở đầu

Chương này thiết lập bức tranh tổng quan về già hóa dân số và các hiểm họa y tế từ sự cố té ngã ở người già (dẫn các mốc số liệu của WHO năm 2020 và 2030). Tác giả phân loại ba nhóm cảm biến phát hiện té ngã, làm nổi bật ưu thế của cảm biến thị giác và chỉ ra ba tồn tại lớn của các nghiên cứu hiện tại. Từ đó, tác giả xác định mục tiêu xây dựng hai mô hình thử nghiệm với OpenPose và MoveNet, đồng thời khoanh vùng phạm vi trong bài toán một camera RGB xử lý một người đơn lẻ.

Chương 2: Tổng quan

Chương 2 cung cấp hệ thống cơ sở lý thuyết chi tiết:

• Phân tích sự dịch chuyển từ các giải pháp thị giác cổ điển (cấu trúc hình ảnh - pictorial structures dùng HOG, đường viền) sang kiến trúc học sâu. Khảo sát các mạng xương sống (AlexNet, VGG, ResNet), hàm mất mát ($L_1$, $L_2$, Log loss) và các chỉ số đo lường như AP, IoU và OKS trên tập dữ liệu COCO.
• Đi sâu vào nguyên lý hoạt động của OpenPose (cơ chế phân tích PAFs) và MoveNet (cơ chế 4 nhánh đặc trưng trên TensorFlow.js).
• Khảo sát 81 nghiên cứu giai đoạn 2015–2020 của Jesús Salinas Gutiérrez để chứng minh xu hướng chuyển đổi từ đặc trưng toàn cục/đặc trưng độ sâu sang đặc trưng cục bộ (tọa độ khớp). Tóm tắt các nghiên cứu tiêu biểu của Weiming Chen (độ chính xác 97%), Bo-Hua Wang (96.91% - 97.33%), Wan-Jung Chang (98.25%), Heilym Ramirez (98.84%) và Nazar Mamchur (91.00%).
• Tổng kết các công trình đánh giá tập dữ liệu té ngã của Eduardo Casilari, Raul Igual; trích dẫn nghiên cứu y học của Stephen N. Robinovitch về 227 video ngã thực tế tại viện dưỡng lão ở Canada để đối chiếu các kiểu ngã phổ biến. Phân tích loại trừ các bộ dữ liệu không phù hợp và đưa ra quyết định chọn Charfi2012 và UR Fall Detection.

Chương 3: Phương pháp thực nghiệm

Chương này mô tả chi tiết quy trình xử lý dữ liệu và thiết lập giải thuật:

• Chuẩn hóa quy trình từ video đầu vào, trích xuất điểm qua mô hình tư thế, đưa vào logic kiểm tra 3 điều kiện và xuất kết quả nhãn ở cấp độ khung hình và video.
• Trình bày công thức toán học tính vận tốc rơi tại hông, góc nghiêng thân người và tỷ lệ khung bao chữ nhật $P$.
• Lý giải sự điều chỉnh so với bài báo gốc của Weiming Chen: quy đổi mét/pixel theo FPS cụ thể (24 FPS và 30 FPS); dùng điểm mũi thay cho đỉnh đầu; loại bỏ Điều kiện 4 (khả năng tự đứng dậy sau ngã) do các tập dữ liệu chuẩn không gán nhãn trạng thái này.
• Chi tiết hóa quá trình cài đặt OpenPose trên Google Colab GPU và MoveNet qua TensorFlow.js, định dạng tệp JSON đầu ra và quy ước xử lý lỗi khung hình rỗng.
• Xác lập ba chỉ số đánh giá y tế: Độ chính xác (Accuracy), Độ nhạy (Sensitivity) và Độ đặc hiệu (Specificity), khẳng định ưu tiên độ nhạy cao để tránh bỏ sót các tai nạn nguy kịch.

Chương 4: Kết quả

Chương này trình bày các số liệu đo kiểm thực nghiệm, vai trò của mô hình ước lượng tư thế, phân tích các trường hợp phán đoán sai và so sánh với công trình gốc của Weiming Chen. Tác giả chỉ ra nguyên nhân khiến độ chính xác trên tập chuẩn (khoảng 68% - 70%) thấp hơn con số 97% trong nghiên cứu gốc là do sự phức tạp của bối cảnh thực tế, hiện tượng che khuất và chất lượng khung hình trong các video chuẩn.

Chương 5: Kết luận và hướng phát triển

Chương tổng kết các kết quả đạt được trong việc áp dụng mô hình ước lượng tư thế vào bài toán phát hiện ngã; thẳng thắn nêu lên các hạn chế về mặt thuật toán và vạch ra định hướng cải tiến hệ thống trong giai đoạn tiếp theo.

---

Kết quả và đóng góp

1. Kết quả thực nghiệm

Khóa luận đã kiểm thử thành công hai mô hình ước lượng tư thế trên hai bộ dữ liệu chuẩn quốc tế là UR Fall Detection và Charfi2012 dataset:

Mô hình ước lượng	Tỷ lệ chính xác tổng thể (Accuracy)	Đặc tính triển khai thực tế
Hệ thống dùng OpenPose	68.04%	Yêu cầu tài nguyên phần cứng lớn, xử lý qua Colab GPU
Hệ thống dùng MoveNet	70.xx% (văn bản ghi nhận 70.)	Nhẹ, chạy trực tiếp trên trình duyệt bằng TensorFlow.js

2. Giải pháp và đóng góp của đề tài

• Khảo sát và chuẩn hóa quy trình so sánh: Đưa ra phương pháp luận tuyển chọn bộ dữ liệu dựa trên tiêu chuẩn khoa học khắt khe, loại bỏ các tập dữ liệu lỗi thời hoặc thiếu nhãn chuẩn.
• Thích nghi hóa thuật toán hướng ngưỡng: Đã hiệu chỉnh thuật toán của Weiming Chen để giải quyết sự sai lệch về đơn vị đo (pixel sang mét), đồng bộ hóa tần số khung hình (24 FPS và 30 FPS) và xử lý khuyết thiếu điểm giải phẫu bằng cách lấy điểm mũi làm mốc thay thế đỉnh đầu.
• Thử nghiệm tính khả thi trên thiết bị biên: Chứng minh mô hình MoveNet hoàn toàn có khả năng thay thế OpenPose trong bài toán phát hiện té ngã với độ chính xác nhỉnh hơn (70.xx% so với 68.04%), đồng thời vượt trội về tốc độ xử lý và khả năng triển khai tại chỗ (on-device) thông qua TensorFlow.js, giúp bảo vệ quyền riêng tư của người dùng do không phải truyền luồng video về máy chủ.
• Phản biện khách quan kết quả nghiên cứu trước: Khóa luận chứng minh rằng các thuật toán đạt độ chính xác rất cao (97%) trên tập dữ liệu tự quay trong điều kiện tối ưu sẽ sụt giảm hiệu năng đáng kể khi đưa vào các tập dữ liệu chuẩn có bối cảnh phức tạp và ánh sáng biến đổi.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận trong văn bản

• Phạm vi đối tượng đơn lẻ: Hệ thống chỉ nhận diện được tư thế của một cá thể duy nhất trong khung hình, chưa thể phân tích các môi trường có nhiều người di chuyển cùng lúc.
• Hạn chế của dữ liệu 2D: Việc ước lượng tư thế trên không gian 2D dễ bị sai lệch khi góc quay camera bị xiên hoặc khi các bộ phận cơ thể tự che khuất nhau trong quá trình ngã.
• Sự cố trích xuất khung hình: Hiện tượng thiếu khung hình trên OpenPose và khung hình rỗng trên cả hai mô hình làm giảm độ nhạy phát hiện sự kiện.
• Ngưỡng heuristic cố định: Các ngưỡng vận tốc rơi ($0.009\text{ m/s}$), góc nghiêng ($45^\circ$) và tỷ lệ $P$ được cố định cứng, chưa có khả năng tự thích ứng với các thể trạng và thói quen vận động đa dạng.

Hướng nghiên cứu tiếp

• Mở rộng thuật toán để xử lý bài toán phát hiện té ngã cho nhiều đối tượng đồng thời (multi-person).
• Thay thế thuật toán logic hướng ngưỡng cố định bằng các mô hình học máy chuỗi thời gian như LSTM hoặc mạng nơ-ron hồi quy để phân tích chuỗi tọa độ khớp, nâng cao độ chính xác nhận diện.
• Kết hợp các kết luận y khoa thực tế (như các phát hiện của Stephen N. Robinovitch về nguyên nhân và hướng ngã thường gặp ở người già) để thiết kế các kịch bản phát hiện bám sát thực tế sinh hoạt hơn.
• Xây dựng quy chuẩn đóng gói dữ liệu té ngã thực tế từ người cao tuổi có tính đến các ràng buộc về đạo đức và bảo mật thông tin.

---

Giá trị tham khảo

Tài liệu khóa luận mang lại giá trị học thuật và kỹ thuật thiết thực cho các nhóm đối tượng:

• Sinh viên và nhà nghiên cứu ngành Công nghệ Thông tin, Trí tuệ nhân tạo, Khoa học dữ liệu: Phần tổng quan (Chương 2) là tài liệu tham khảo chi tiết về sự phát triển của kỹ thuật ước lượng tư thế người (từ mô hình cổ điển đến kiến trúc Bottom-up, cơ chế PAFs và MoveNet), cùng danh mục tổng hợp 81 nghiên cứu phát hiện ngã qua cảm biến thị giác.
• Kỹ sư phát triển hệ thống biên (Edge AI / IoT): Quy trình triển khai MoveNet thông qua TensorFlow.js và giải pháp xử lý phân tích cục bộ tại máy khách trong Chương 3 là tài liệu hữu ích cho việc xây dựng các ứng dụng thị giác máy tính nhẹ, bảo mật và thời gian thực trên trình duyệt hoặc thiết bị nhúng.
• Người làm đề tài về phân tích hành vi con người: Cách thức tinh chỉnh giải thuật hình học (quy đổi tọa độ, chuẩn hóa FPS, tính toán góc nghiêng và tỷ lệ bao khung) cung cấp bài học kinh nghiệm xử lý dữ liệu thực tế khi kế thừa các công trình nghiên cứu đi trước.

---

Câu hỏi thường gặp

1. Tại sao nhóm tác giả lại sử dụng tọa độ điểm mũi thay cho điểm đầu trong công thức tính góc nghiêng thân người?
Trong nghiên cứu gốc của Weiming Chen và cộng sự, góc nghiêng được tính dựa trên đường nối giữa trung điểm hai mắt cá chân và đỉnh đầu. Tuy nhiên, cả hai thư viện mã nguồn mở OpenPose (chuẩn 25 điểm) và MoveNet (chuẩn 17 điểm COCO) đều không định nghĩa trọng điểm giải phẫu mang tên "đầu". Do đó, nhóm nghiên cứu đã linh hoạt thay thế điểm đầu bằng điểm mũi ($x_{t0}, y_{t0}$) để bảo đảm tính khả thi khi trích xuất tự động từ mô hình.

2. Vì sao Điều kiện 4 (xác định đối tượng có đứng dậy sau khi ngã hay không) bị loại bỏ khỏi mô hình thực nghiệm?
Ở công trình gốc, nếu sau cú ngã đối tượng có thể tự đứng dậy (tỷ lệ $P < 1$ và góc nghiêng $> 45^\circ$), hệ thống sẽ không kích hoạt báo động khẩn cấp. Tuy nhiên, hai bộ dữ liệu chuẩn được dùng để đánh giá là UR Fall Detection và Charfi2012 không cung cấp nhãn chú thích hay các kịch bản ghi nhận hành vi đối tượng đứng dậy sau khi ngã. Do thiếu dữ liệu kiểm chứng chuẩn hóa, nhóm tác giả đã chủ động lược bỏ điều kiện này.

3. MoveNet Lightning và MoveNet Thunder có điểm gì khác biệt theo công bố kỹ thuật trong khóa luận?
MoveNet Lightning được thiết kế ưu tiên độ trễ cực thấp, tốc độ xử lý đạt trên 50 FPS (thời gian xử lý từ 15.0 đến 39.0 ms trên các dòng GPU phổ thông), phù hợp với các ứng dụng phản hồi tức thời. Trong khi đó, MoveNet Thunder ưu tiên độ chính xác với điểm AP cao hơn (đạt 64.5 trên tập COCO cho nam giới so với 52.8 của Lightning), tốc độ đạt trên 30 FPS (thời gian xử lý từ 22.5 đến 44.6 ms trên GPU).

4. Tại sao độ chính xác của hai mô hình trong khóa luận (68.04% và 70.xx%) lại thấp hơn mức 97% trong nghiên cứu của Weiming Chen?
Nghiên cứu gốc của Weiming Chen và cộng sự thử nghiệm trên bộ dữ liệu nội bộ tự thu thập gồm 100 video trong điều kiện góc máy lý tưởng, ít vật cản. Ngược lại, khóa luận đánh giá trên hai bộ dữ liệu chuẩn quốc tế (UR Fall Detection và Charfi2012) có bối cảnh phức tạp hơn nhiều: góc quay thực tế tại quán cà phê, văn phòng, phòng học; điều kiện ánh sáng thay đổi; có chuyển động nền và tình trạng cơ thể người bị đồ đạc che khuất, dẫn đến phát sinh các khung hình rỗng hoặc tọa độ trọng điểm bị sai lệch.

5. Lỗi khung hình rỗng (empty frame) phát sinh do đâu và được hệ thống xử lý như thế nào?
Lỗi khung hình rỗng xuất hiện khi mô hình ước lượng tư thế không thể nhận diện được con người trong khung ảnh (do bị che khuất hoặc góc máy quá xa), trả về tệp JSON chứa danh sách rỗng. Nhóm tác giả đã quy ước xử lý lỗi này bằng cách gán mặc định trạng thái của khung hình đó là "Không ngã", nhằm ngăn chặn việc thuật toán tính toán sai lệch gây ra hiện tượng dương tính giả (False Positive).

---

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Văn Nhịnh và Trần Huyền Trang đã giải quyết trọn vẹn bài toán xây dựng và đánh giá hệ thống phát hiện té ngã đơn cảm biến dựa trên kỹ thuật ước lượng tư thế người. Thông qua việc tinh chỉnh thuật toán hướng ngưỡng và thực nghiệm trên hai bộ dữ liệu chuẩn Charfi2012 và UR Fall Detection, công trình đã xác lập kết quả đo kiểm khách quan với độ chính xác 68.04% (OpenPose) và 70.xx% (MoveNet). Nghiên cứu khẳng định giá trị thực tiễn nổi bật của mô hình MoveNet trong việc xây dựng các ứng dụng bảo vệ sức khỏe người cao tuổi có khả năng vận hành thời gian thực, xử lý tại chỗ và bảo đảm an toàn dữ liệu cá nhân.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 : MỞ ĐÀU 1.1 Lý do chọn đề tài Trên toàn cau, té ngã là một van dé sức khỏe cộng đồng nghiêm trong. Ước tính mỗi năm có khoảng 684,000 ca tử vong xảy ra do té ngã. Trong đó, người cao tuôi là đối tượng có nguy cơ tử vong hoặc chan thương nặng do té ngã lớn nhất, và tuổi càng cao thì nguy cơ càng cao [1]. Cùng lúc đó, con người trên toàn thế giới đang sống lâu hơn.

Theo Tổ chức Y tế Thế giới WHO, đến năm 2030, dự kiến cứ 6 người trên thế giới thì có 1 người từ 60 tuổi trở lên và dân số từ 60 tuổi trở lên sẽ tăng từ 1 tỷ người vào năm 2020 lên 1.4 tỷ người [2]. Giữa bối cảnh này, phát hiện té ngã, đặc biệt với đối tượng người cao tuổi, sẽ đóng vai trò quan trọng trong việc giảm thiểu các ton thất về sức khoẻ và tài chính liên quan đến té ngã. Trên thực tế, phát hiện té ngã là một chủ đề nghiên cứu nhận được nhiều quan tâm trong vài thập kỷ gần đây. Nghiên cứu sớm nhất về phát hiện té ngã xuất hiện vào năm 1996 và tính tới nay đã có hàng ngàn nghiên cứu về chủ đề này, đa số từ các nước Hoa Kỳ, Anh, Trung Quốc và Đức.

Có thé phân loại các nghiên cứu này dựa vào loại cảm biến được sử dụng để phát hiện té ngã, cụ thể là: cảm biến đeo được (wearable sensor), cảm biến thị giác (visual sensor), và cảm biến môi trường xung quanh (ambient sensor). Trong đó, hệ thống sử dụng cảm biến thị giác có ưu điểm nổi bật là không xâm phạm tới đối tượng nghiên cứu và không bị giới hạn về pin. Tuy nhiên, theo Xueyi Wang và cộng sự, nghiên cứu về phát hiện té ngã vẫn gặp phải một số thử thách. Thứ nhất, hiện nay chưa có bộ dữ liệu tẽ ngã chuẩn bao gồm dữ liệu từ đời thật để làm khung tham chiếu chung cho việc đánh giá hệ thống.

Thứ hai, còn ít hệ thống có khả năng phát hiện té ngã trong điều kiện thời gian thực. Thứ ba, chưa có nhiều đầu tư đến thiết kế hệ thông dé dam bảo tinh bảo mật, quyền riêng tư và các nhu cầu khác của đối tượng người dùng hướng tới là người cao tuổi [3]. Tất cả các điểm yếu này cần được cải thiện để đưa hệ thống từ nghiên cứu tới triển khai trong thực tế, Trong khoảng 5 năm gần đây, sự xuất hiện của nhiều mô hình ước lượng tư thế mã nguồn mở tạo ra cơ hội đề khắc phục một số nhược điểm kể trên. Các mô hình như OpenPose, AlphaPose, PoseNet hay MoveNet của Tensorflow có ưu điểm là hoạt động trong thời gian thực với độ chính xác cao và tương đối dễ cài đặt.

Một số nghiên cứu về phát hiện té ngã đã áp dụng các mô hình ké trên để xây dựng những hệ thống phát hiện té ngã nhanh, nhẹ và có thê triển khai trên nhiều nền tang với nhiều thiết bị phần cứng khác nhau. Dự kiến trong tương lai ngày càng nhiều nghiên cứu phát hiện té ngã sẽ khai thác mô hình ước lượng tư thế dé nâng cao hiệu quả của hệ thống va rút ngắn khoảng cách giữa nghiên cứu và triển khai thực tế.2 Mục đích Nghiên cứu của chúng tôi mong muốn đóng góp cho chủ đề phát hiện té ngã thông qua việc ứng dụng mô hình ước lượng tư thế mã nguồn mở. Cụ thé, chúng tôi sẽ: « _ Xây dựng hai mô hình phát hiện té ngã lần lượt sử dụng thư viện ước lượng tư thế mã nguồn mở OpenPose và MoveNet. e - Đánh giá và so sánh hai mô hình thông qua thử nghiệm trên bộ dữ liệu té ngã chuân.3 Đối tượng nghiên cứu e Thu viện ước lượng tư thế, cụ thé là OpenPose và MoveNet.

¢ _ Hệ thống phat hiện té ngã sử dung cảm biến thị giác. « _ Bộ dữ liệu té ngã chuẩn.4 Phạm vỉ nghiên cứu ¢ _ Hệ thống phát hiện té ngã sử dụng một loại cảm biến (cụ thé là cảm biến thi giác), thay vì hệ thống đa cảm biến. e Phat hiện té ngã dựa trên ước lượng tư thế của một đối tượng thay vì nhiều đối tượng. CHƯƠNG2 : TONG QUAN 2.1 Ước lượng tư thế Ước lượng tư thế người (human pose estimation) là một tác vụ thuộc lĩnh vực thị giác máy tính, với mục tiêu là xác định vị trí các trọng điểm cơ thể người (human keypoints) như các chi hay khớp trong không gian 2D hoặc 3D từ dữ liệu đầu vào là hình ảnh hoặc video.

Ước lượng tư thế có nhiều ứng dụng như trong nhận diện hành động, theo dõi giám sát, phân tích thé thao và dịch ngôn ngữ ký hiệu. Có nhiều cách tiếp cận bài toán ước lượng tư thế. Các công trình nghiên cứu đời đầu đưa ra phương pháp cô điển mang tên “pictorial structures". Phương pháp này thé hiện tương quan trong không gian của các bộ phận co thé người đưới dạng mô hình đồ hoạ cấu trúc cây.

Các đặc trưng được sử dụng trong phương pháp này là cạnh (edge), đường viền (contour) và HOG (viết tắt của histogram of oriented gradients). Phương pháp cô điển hoạt động khá tốt với dữ liệu đầu vào tối ưu, nhưng gặp khó khăn khi dữ liệu đầu vào chứa hình ảnh người không rõ nét hay bị che khuất. Hơn thế nữa, các mô hình theo phương pháp cô điền có tính khái quát thấp, tức mô hình được huấn luyện băng bộ dữ liệu A đạt hiệu kết quả thấp khi chạy trên bộ dữ liệu B. Gần đây xuất hiện nhiều phương pháp ước lượng tư thế dựa trên học sâu có khả năng khắc phục những nhược điểm của phương pháp cô điển.

Trong phần này, chúng tôi tập trung tìm hiểu phương pháp ước lượng tư thé trong không gian 2D dựa trên học sâu, va đi sâu vào hai mô hình là OpenPose và MoveNet.1 Tổng quan Theo Tewodros Legesse Munea và cộng sự, một phương pháp ước lượng tư thế có thé được mô ta thông qua các đặc điểm về phân loại, cách tiếp cận, và thành phan [4]. Phan loai Các phương pháp ước lượng tư thế có thể được chia thành hai nhóm: ước lượng tư thế một người (single-person) và nhiều người (multi-person). Ước lượng tư thế một người xác định tư thế của một người từ hình ảnh chứa một hoặc nhiều người. Ước lượng tư thế nhiều người xác định tư thế của tất cả mọi người trong hình anh dau vào.

Cách tiếp cận Hai cách tiếp cận phô biến trong ước lượng tu thé là từ trên xuống (top-down) và từ dưới lên (bottom-up). Tiếp cận từ trên xuống: Trước tiên, mỗi cá thé người trong hình ảnh đầu vào được xác định và đóng khung. Sau đó, thông tin tư thế của từng cá thé sẽ được xác định. Cách tiếp cận này gặp phải van dé cam kết sớm (early commitment), tức là nếu bước dau tiên là phát hiện cá thê người không thành công, thì không có khả năng phục hồi.

Bên cạnh đó, với mỗi cá thể người được xác định thì ta cần chạy một phân tích tư thế người. Điều này có nghĩa là chi phí tính toán của cách tiếp cận từ trên xuống tỷ lệ thuận với số lượng người trong hình ảnh. Tiếp cận từ dưới lên: Cách tiếp cận này xác định vi trí của tất cả các trọng điểm cơ thể người trong hình ảnh, sau đó nhóm các trọng điểm này theo từng cá thể người. Cách tiếp cận từ dưới lên vừa tránh được vấn đề cam kết sớm, vừa giảm được độ phức tạp tính toán so với cách tiếp cận từ trên xuống.

Tuy nhiên, cách tiếp cận từ dưới lên thường gặp vấn đề trong việc nhóm các trọng điểm cơ thé người trong trường hợp dit liệu gốc chứa hình ảnh nhiều người chông chéo lên nhau.1 Trên: Hướng tiếp cận từ trên xuống, Dưới: Hướng tiếp cận dưới lên. ¢ Kién trúc xương sống. Xương sông (backbone) ở đây chi mang trích xuất đặc trưng (feature extractor network) trong kiến trúc học sâu. Các kiến trúc xương sống phổ biến trong ước lượng tư thế bao gồm AlexNet, R-CNN, Fast R-CNN, FPN, Faster R-CNN, Mask R-CNN, VGG và ResNet.

Hàm mat mát được dùng dé đánh giá khả năng dự đoán của một thuật toán bằng cách đo lường sự khác biệt giữa giá trị thực và giá trị dự đoán. Ba loại hàm mat mát phổ biến là: LI loss (còn gọi là Mean Absolute Error), L2 loss (còn gọi là Mean Squared Error) và Log loss (còn gọi là Cross- entropy). o LI loss duoc tinh bang trung bình cộng cua tất cả các chênh lệch tuyệt đối giữa giá trị thực và giá trị dự đoán. o L2 loss được tinh bằng giá trị trung bình của chênh lệch bình phương giữa giá trị thực và giá trị dự đoán.

o Log loss được tính dựa trên số điểm được ấn định cho mỗi sự khác biệt giữa giá trị dy đoán và giá trị thực. Chênh lệch càng nhỏ thì điểm càng nhỏ. Một thuật toán có Log loss nhỏ là thuật toán có độ chính xác cao. ¢ Bo dữ liệu.

Bộ dữ liệu được sử dụng dé dao tạo và đánh giá các thuật toán học máy. Nghiên cứu ước lượng tư thế chủ yếu sử dụng bốn bộ dữ liệu chuẩn sau: Frames Labeled In Cinema, Leeds Sports Pose Dataset, Max Planck Institute for Informatics Human Pose Dataset (còn gọi là MPII) va Common Objects in Context (còn gọi là COCO). Trong đó, COCO được sử dung rất rộng rãi. Một sản phẩm của Microsoft, COCO là bộ dữ liệu rất lớn với 200,000 hình ảnh, đại diện cho 250,000 người.

Mỗi cá thé người được gan nhãn với 17 trọng điểm. Dữ liệu của COCO rất đa dạng, bao gồm nhiều tư thế người, trong điều kiện có che khuất và được thu thập ở môi trường đời thật thay vì trong phòng thí nghiệm. «Chỉ số đánh giá. Chỉ số đánh giá được sử dụng dé so sánh và đối chiếu các thuật toán với nhau.

Theo thời gian, chỉ số đánh giá thường dùng trong nghiên cứu ước lượng tư thế chuyền từ đo tỷ lệ phát hiện bộ phận cơ thé sang đo tỷ lệ phát hiện khớp và trọng điểm. Ở đây chúng tôi tập trung tìm hiểu AP (viết tắt của Average Precision, tức độ chính xác trung bình). Vốn là chỉ số dé đánh giá các mô hình trong bài toán phát hiện đối tượng (object detection), AP đã được biến đổi để áp dụng cho bài toán phát hiện trọng điểm (keypoint detection) trong Thử Thách Phát Hiện Trọng Điểm COCO (COCO Keypoint Detection Task). Công thức tinh AP là: k n= AP = » [Recalls(k) — Recalls(k + 1)| x Precisions(k) k= =0 Recalls(n) = 0, Precisions(n) = 1 n = Number of thresholds.2 Công thức tính AP.

Trong đó: e Precision là chi sô đo tân suât dự đoán chính xác của mô hình, duoc tinh băng công thức: True Positive / (True Positive + False Positive).