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).