Mở đầu. © Chương 2: Giới thiệu tổng quan. © Chương 3: Nghiên cứu lý thuyết. © Chương 4: Trình bày, đánh giá bàn luận về kết quả.
© Chương 5: Kết luận. e Chương 6: Hướng phát triển. Tình hình các nghiên cứu liên quan Bài toán nhận dạng con người là một trong các lĩnh vực quan trọng trong quá trình xây dựng các ứng dụng Internet vạn vật như các hệ thống theo dõi sức khỏe, điều khiển thông minh hay giám sát an ninh. Với tính chất kết nối của nhiều thiết bị trong môi trường Internet vạn vật, đã có nhiều phương pháp được đề xuất cho bài toán nhận dạng con người, sử dụng đa dạng các thiết bị thông minh như thiết bị cá nhân thông minh, camera, cảm biến, radar.
Theo khảo sát của Jiang Xiao và các đồng tác giả [1] về các nghiên cứu nhận dạng con người bằng môi trường thiết bị không dây, các hướng nghiên cứu được chia thành ba dạng chính: nhận dạng hành động, theo dõi chuyển động và xác định con người. Khảo sát của Jiao Liu và các đồng tác giả [2] cho thấy hướng tiếp cận thông qua các công nghệ không dây như RFID, FMCW, Wi-Fi, LoRa, LTE. để trích xuất hoạt động con người để lại trong môi trường không dây. Bài khảo sát cũng cho thấy lượng lớn các nghiên cứu sử dụng đặc trưng trích xuất từ dữ liệu CSI thu được qua phương pháp điều chế OFDM của các hệ thống Wi-Fi.
Các khảo sát cho thấy hướng nghiên cứu sử dụng môi trường không dây có thể đảm nhiệm được nhiều tác vụ trong bài toán nhận dạng con người và có nhiều tiềm năng phát triển, đặc biệt là hướng nghiên cứu sử dụng sóng vô tuyến. Để tiếp cận được với các nghiên cứu liên quan về lĩnh vực nhận dạng con người bằng sóng vô tuyến, nhiều nghiên cứu đã cung cấp các bộ công cụ tùy chỉnh trên các phần cứng thu sóng vô tuyến phổ thông. Daniel Halperin và các đồng tác giả [3] đã cho ra đời bộ công cụ Linux 802.11n CSI Tool gồm firmware và driver mã nguồn mở trên Linux để tùy chỉnh card mạng Intel 5300, cho phép người dùng trích xuất dữ liệu CSI sinh ra trong quá trình thu sóng Wi-Fi. Yaoxiong Xie và các đồng tác giả [4] đã cho ra đời bộ công cụ Atheros CSI Tool cho các card mạng sản xuất bởi Atheros với khả năng trích xuất nhiều dữ liệu liên quan đến quá trình trao đổi không dây ở tầng vật lý (Physical layer), trong đó có dữ liệu RSSI và CSI.
Matthias Schulz và các đồng tác giả [5] đã xây dựng bộ khung phần mềm nexmon gồm các bản vá firmware để giúp tùy biến các card mạng Broadcom/Cypress (nay thuộc về công ty Infineon), trong đó có chức năng trích xuất dữ liệu CSI. Hernandez và Eyuphan Bulut [6] đã xây dựng bộ phần mềm trích xuất dữ liệu CSI trên module ESP32 tích hợp Wi-Fi. Nổi bật gần đây là bộ công cụ PicoScenes của Zhiping Jiang và các đồng tác giả [7] với khả năng hỗ trợ các card mạng phổ biến của Intel, Qualcomm và các thiết bị SDR. Với số lượng lớn các bộ công cụ và các dạng phần cứng có thể hỗ trợ, các nhà khoa học có thể dễ dàng tiếp cận quá trình nghiên cứu về nhận dạng con người bằng sóng vô tuyến.
Features Learning Recognition Ƒ }n= Recognition { + ' Machine/Deep Gesture | (e., RSSL CS Fall Detection Hình 2-1: Mô hình hướng tiếp cận bang sóng vô tuyến [8] Với bộ dữ liệu thu được từ các công cụ nêu trên, các nghiên cứu dần tập trung vào phương pháp phân tích dữ liệu để đạt được đầu ra của bài toán nhận dang con người, nổi bật là phương pháp máy học và học sâu. Isura Nirmal và các đồng tác giả [8] đã khảo sát được xu hướng áp dụng học sâu vào bài toán nhận dạng con người, sự hiệu quả và các bộ dữ liệu công cộng có thể hỗ trợ nghiên cứu. Số lượng các nghiên cứu ứng dụng tăng dần theo các năm: khởi đầu với 3 nghiên cứu vào năm 2016 và tăng dần đến hơn 50 nghiên cứu trong năm 2019 trở về sau. Độ hiệu quả của các phương pháp học sâu như MLP, CNN, RNN.
đều có thể đạt trên 90% về độ chính xác. Nghiên cứu của Jiangfei Yang và các đồng tác giả [9] về ứng dụng học sâu vào nhận dạng con người sử dụng sóng vô tuyến đã mang lại góc nhìn thực tế hơn qua việc cung cấp benchmark đánh giá. Kết quả benchmark đã cho thấy khác biệt về độ hiệu quả giữa các mô hình máy học khác nhau trên bốn bộ dữ liệu công khai (hai bộ UT-HAR và Widar từ nghiên cứu khác; hai bộ NTU-Fi HAR và NTU-Fi Human-ID do các tác giả xây dựng), với các mô hình dạng RNN đạt độ chính xác cao nhất và mô hình dạng CNN đạt hiệu quả cao trong học chuyển giao (transfer learning). Các kết quả đều được công bố và có thể thực hiện lại qua mã nguồn được cung cấp.
Những khảo sát được thực hiện cho thấy việc ứng dụng học sâu vào giải quyết bài toán nhận dạng con người là hướng nghiên cứu được ưa chuộng. Về hướng triển khai thực tế, các ứng dụng đáng chú ý hướng đến sử dụng các thiết bị SDR. Thiết kế của Muhammad Bilal Khan và các đồng tác giả [10], Aboajeila Milad Ashleibta và các đồng tác giả [11] đã xây dựng mô hình thử nghiệm sử dụng phần cứng USRP của Ettus Research điều khiển bởi phần mềm MATLAB để phát hiện chuyển động của con người. Fei Wang và các đồng tác giả [12] đã xây dựng nghiên cứu qua phần cứng USRP với phần mềm điều khiển GNU Radio để nhận biết được đồng thời cả hành động và vị trí của con người.
Các nghiên cứu cho thấy tiềm năng sử dụng các thiết bị SDR để thực hiện nghiên cứu về nhận dạng con người bằng sóng vô tuyến, từ đó gợi ý được cách thiết kế ứng dụng mô phỏng để đánh giá độ hiệu quả khi triển khai nghiên cứu ra thực tế. Các vấn đề tồn tại Vấn đề về dữ liệu: Các khảo sát về ứng dụng học sâu cho bài toán nhận dạng con người [8] [9] [10] đều cho thấy hạn chế về việc thiếu bộ dữ liệu công khai. Đây là vấn đề lớn khi hướng tiếp cận hiện nay đều yêu cầu sử dụng học sâu do độ hiệu quả của phương pháp này tăng theo lượng dữ liệu được cung cấp. Số lượng bộ dữ liệu thấp cũng gây ra vấn đề về khả năng bao quát của các mô hình học sâu, khiến các mô hình học sâu không thể áp dụng học chuyển giao.
Vấn đề về thiết bị: Các bộ công cụ được nhắc đến đều bị giới hạn về các nhà cung cấp cụ thể như Intel [3], Atheros [4] và Broadcom [5] khiến việc tiếp cận bị giới hạn về phần cứng và phụ thuộc vào nhà cung cấp. Bộ công cụ xây dựng trên module ESP32 [6] khắc phục được hạn chế do là linh kiện có thiết kế được công khai và sản xuất số lượng lớn. Đồng thời các công cụ cố định về chuẩn Wi- Fi từ phần cứng, gây ra hạn chế về mặt tùy biến: điều chỉnh cường độ phat, tái cấu hình chuẩn vô tuyến, sử dụng tần số gốc khác. Các nghiên cứu sử dụng thiết bị SDR [11], [12] cho phép các tác giả tùy chỉnh cách điều chế sóng vô tuyến, tuy nhiên sử dụng MATLAB gây hạn chế về khả năng tiếp cận do là phần mềm trả phí và không được dùng để triển khai thực tế.
Nghiên cứu sử dụng đến công cụ GNU Radio [13] cho thấy khả thi hơn về mặt triển khai do là công cụ mã nguồn mở và hỗ trợ nhiều thiết bị SDR, tuy nhiên chưa được sử dụng rộng rãi do sự ưa chuộng MATLAB cho các nghiên cứu về truyền thông dữ liệu và do bộ công cụ vẫn đang được hoàn thiện dần. Ngoài ra, điểm chung của các nghiên cứu được đề cập sử dụng thiết bị USRP có giá thành cao, đây là hạn chế gây cản trở tiếp cận SDR so với việc sử dụng các card mạng phổ thông với giá thành rẻ. Các vấn đề mà đề tài cần tập trung, nghiên cứu giải quyết Vấn đề về dữ liệu: đề tài hướng đến việc đề xuất thiết kế có thể hỗ trợ việc thu bộ dữ liệu cho bài toán nhận dạng con người dễ tiếp cận hơn qua việc kết hợp các phần mềm mã nguồn mở. Thiết kế cho phép người dùng trích xuất dữ liệu CSI từ mô hình OFDM xây dựng trên công cụ GNU Radio, từ đó giúp tiếp cận được hướng nghiên cứu sử dụng sóng vô tuyến.
Đồng thời, thiết kế cho phép thu dữ liệu và kiểm tra kết quả thông qua khả năng triển khai được mô hình học sâu để dự đoán trên dữ liệu sau mỗi lần thu. Mô hình học sâu có thể triển khai qua công cụ NVIDIA Triton Inference Server trên một server hoặc công cụ RKNN- Toolkit trên máy tính nhúng sử dụng mach Rockchip. Vấn đề về thiết bị: đề tài hướng đến việc sử dụng các thiết bị SDR để mô phỏng được các nghiên cứu hiện hữu. Thiết bị LimeSDR Mini được sử dụng để tiết kiệm chi phí hơn so với các thiết bị USRP.
Đề tài sử dụng đến các máy tính nhúng để giảm sự cồng kềnh so với việc sử dụng các máy tính cá nhân, cho thấy sự linh động để nghiên cứu thực hiện được ở nhiều môi trường khác nhau. Ngoài ra đề tài đề xuất thiết kế có thể liên kết với việc điều khiển các thiết bị cơ bản để trực quan hóa ứng dụng của nghiên cứu trong lĩnh vực Internet vạn vật. Thiết kế thực hiện nhận dạng hành động tay của con người để điều khiển các đèn LED trên bảng mạch nối với máy tính nhúng, từ đó cho thấy được tiềm năng xây dựng ứng dụng. Nghiên cứu lý thuyết 3.
Bài toán nhận dạng con người Bài toán nhận dạng con người (Human Sensing ) là việc nhận diện các khía cạnh liên quan đến con người như vị trí, danh tính, hành động. thông qua các thiết bị thông dụng như camera, cảm biến, thiết bị vô tuyến để thu thập đữ liệu về con người trong môi trường sống. Với dữ liệu thu được, các kỹ thuật phân tích dữ liệu được áp dụng dé máy tính có thể nhận dang con người, phổ biến và hiệu quả nhất trong sô đó là các kỹ thuật máy học và học sâu của các nghiên cứu về trí tuệ nhân tạo. Nhu cầu ứng dụng của bài toán nhận dạng con người Trong suốt quá trình phát triển công nghệ thông tin, các bài toán ứng dụng như nhận dạng con người ngày càng được chú trọng phát triển.