Luận văn thạc sĩ ứng dụng học máy trong xây dựng phần mềm hỗ trợ xác định tư thế ngồi chuẩn cho bác sỹ trung tâm chuẩn đoán hình ảnh bệnh viện k

Luận văn thạc sĩ y tế phân tích ứng dụng học máy trong xây dựng phần mềm hỗ trợ xác định tư thế ngồi chuẩn cho bác sỹ trung tâm, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải

• Tác giả: Tạ Mạnh Cường
• Người hướng dẫn: TS. Ngô Quốc Dũng
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Khoa học máy tính
• Đề tài: Ứng Dụng Học Máy Trong Xác Định Tư Thế Ngồi Chuẩn Cho Bác Sĩ Tại Bệnh Viện
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Tổng quan về vấn đề nghiên cứu
• 2. PHÂN TÍCH BÀI TOÁN PHÂN LOẠI ẢNH TƯ THẾ NGỒI CỦA BÁC SỸ SỬ DỤNG MẠNG NƠ-RON
• 2.1. Tổng quan bài toán
• 2.2. Ứng dụng học máy, học sâu trong phân tích tư thế ngồi
• 2.3. Mạng nơ-ron nhân tạo
• 2.4. Các nghiên cứu liên quan
• 2.5. Nhận diện tư thế ngồi bằng OpenPose
• 2.6. Phân loại tư thế ngồi dựa trên cảm biến
• 2.7. Nhận diện dáng ngồi với YOLO
• 2.8. Kết luận chương I
• 3. XÂY DỰNG HỆ THỐNG MẠNG NƠ-RON CÓ KHẢ NĂNG PHÂN LOẠI ẢNH TƯ THẾ NGỒI CỦA BÁC SỸ VÀ ĐƯA VÀO SỬ DỤNG THỰC TẾ
• 3.1. Mô hình đề xuất
• 3.2. Ước tính đặc trưng tư thế người (Pose Estimation)
• 3.3. Tiền xử lý đặc trưng tư thế
• 3.4. Xây dựng mạng nơ-ron để phân loại đặc trưng tư thế người
• 3.5. Xây dựng bộ dữ liệu
• 3.6. Hệ thống huấn luyện mô hình phân loại đặc trưng tư thế người
• 3.6.1. Xử lý dữ liệu
• 3.6.2. Xây dựng mô hình
• 3.6.3. Huấn luyện mô hình
• 3.6.4. Kết quả thử nghiệm
• 3.7. Kết luận chương II
• 4. THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Các mô hình thực nghiệm
• 4.2. Đánh giá kết quả thực nghiệm
• 4.3. Kết luận chương III
• KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về ứng dụng học máy

Ứng dụng học máy trong việc xác định tư thế ngồi chuẩn cho bác sĩ tại bệnh viện là một lĩnh vực nghiên cứu quan trọng. Tư thế ngồi không đúng có thể dẫn đến nhiều vấn đề sức khỏe, đặc biệt là các bệnh về cột sống. Việc áp dụng công nghệ y tế và học máy giúp phát hiện và cảnh báo sớm các tư thế ngồi không đúng, từ đó nâng cao hiệu suất làm việc và sức khỏe cho bác sĩ. Hệ thống này không chỉ giúp bác sĩ điều chỉnh tư thế ngồi mà còn có thể áp dụng cho nhiều môi trường khác như văn phòng, trường học. Theo thống kê, tỷ lệ mắc các bệnh về cột sống đang gia tăng, đặc biệt trong nhóm người làm việc văn phòng. Do đó, việc phát triển phần mềm hỗ trợ xác định tư thế ngồi chuẩn là cần thiết.

1.1. Tầm quan trọng của tư thế ngồi

Tư thế ngồi đúng là yếu tố quan trọng trong việc duy trì sức khỏe cho bác sĩ. Nghiên cứu cho thấy rằng tư thế ngồi không đúng có thể dẫn đến các vấn đề như đau lưng, mỏi vai gáy. Việc sử dụng công nghệ để theo dõi và phân tích tư thế ngồi giúp bác sĩ nhận biết và điều chỉnh kịp thời. Hệ thống này có thể sử dụng mạng nơ-ron để phân loại tư thế ngồi thành hai loại: tốt và xấu. Điều này không chỉ giúp bác sĩ cải thiện sức khỏe mà còn nâng cao hiệu suất làm việc trong môi trường áp lực cao như bệnh viện.

II. Phân tích bài toán phân loại tư thế ngồi

Bài toán phân loại tư thế ngồi của bác sĩ sử dụng mạng nơ-ron là một thách thức lớn. Môi trường làm việc căng thẳng và khối lượng công việc lớn khiến cho bác sĩ dễ mắc các bệnh liên quan đến cột sống. Việc áp dụng học máy để phân loại tư thế ngồi giúp phát hiện sớm các tư thế không đúng, từ đó giảm thiểu nguy cơ mắc bệnh. Hệ thống sẽ thu thập dữ liệu từ hình ảnh và sử dụng công nghệ để phân tích. Các nghiên cứu trước đây đã chỉ ra rằng việc sử dụng mạng nơ-ron tích chập có thể mang lại kết quả chính xác trong việc nhận diện tư thế ngồi. Hệ thống này sẽ giúp bác sĩ điều chỉnh tư thế ngồi, từ đó nâng cao sức khỏe và hiệu suất làm việc.

2.1. Các phương pháp phân loại tư thế ngồi

Có nhiều phương pháp để phân loại tư thế ngồi của bác sĩ. Một trong những phương pháp hiệu quả là sử dụng OpenPose để nhận diện tư thế. Phương pháp này cho phép trích xuất các điểm khớp trên cơ thể và phân loại tư thế ngồi dựa trên các điểm này. Ngoài ra, việc sử dụng cảm biến cũng là một phương pháp hữu ích để theo dõi tư thế ngồi. Các nghiên cứu đã chỉ ra rằng việc kết hợp nhiều phương pháp sẽ mang lại kết quả tốt hơn trong việc phân loại tư thế ngồi. Hệ thống này không chỉ giúp bác sĩ cải thiện tư thế ngồi mà còn có thể áp dụng cho nhiều lĩnh vực khác.

III. Xây dựng hệ thống mạng nơ ron

Việc xây dựng hệ thống mạng nơ-ron để phân loại tư thế ngồi là một bước quan trọng trong nghiên cứu này. Hệ thống sẽ bao gồm hai phần chính: phần trích xuất đặc trưng tư thế và phần phân loại tư thế. Đầu vào của hệ thống có thể là hình ảnh từ camera hoặc dữ liệu từ cảm biến. Sau khi thu thập dữ liệu, hệ thống sẽ được huấn luyện để phân loại tư thế ngồi thành hai loại: tốt và xấu. Việc sử dụng học sâu trong xây dựng hệ thống này giúp cải thiện độ chính xác và hiệu quả trong việc phân loại. Hệ thống này không chỉ có giá trị trong môi trường bệnh viện mà còn có thể áp dụng cho nhiều lĩnh vực khác.

3.1. Quy trình xây dựng hệ thống

Quy trình xây dựng hệ thống mạng nơ-ron bao gồm nhiều bước. Đầu tiên, cần thu thập dữ liệu hình ảnh tư thế ngồi của bác sĩ. Sau đó, dữ liệu này sẽ được xử lý và phân loại. Hệ thống sẽ sử dụng mạng nơ-ron tích chập để trích xuất đặc trưng tư thế và phân loại tư thế ngồi. Việc huấn luyện mô hình sẽ được thực hiện trên một bộ dữ liệu lớn để đảm bảo độ chính xác cao. Cuối cùng, hệ thống sẽ được triển khai và đánh giá trong thực tế để đảm bảo tính khả thi và hiệu quả trong việc hỗ trợ bác sĩ điều chỉnh tư thế ngồi.

Nội dung chính

Tổng quan nghiên cứu

Bệnh về cột sống và các bệnh Cơ-Xương-Khớp đang gia tăng nhanh chóng tại Việt Nam, đặc biệt ở nhóm người trên 35 tuổi với tỷ lệ mắc khoảng 30%, và lên đến 85% ở nhóm trên 80 tuổi. Việt Nam cũng là một trong những quốc gia có tốc độ già hóa dân số nhanh nhất thế giới, với 10,1 triệu người cao tuổi chiếm 11% dân số. Trong môi trường bệnh viện, đặc biệt tại Trung tâm Chẩn đoán hình ảnh Bệnh viện K, các bác sĩ phải ngồi làm việc liên tục trong nhiều giờ, dẫn đến nguy cơ cao mắc các bệnh về cột sống do tư thế ngồi không chuẩn. Nghiên cứu nhằm ứng dụng học máy để xây dựng phần mềm hỗ trợ xác định tư thế ngồi chuẩn cho bác sĩ, giúp giảm thiểu các bệnh lý liên quan và nâng cao hiệu quả công việc. Phạm vi nghiên cứu tập trung tại Trung tâm Chẩn đoán hình ảnh Bệnh viện K, với dữ liệu thu thập từ các bác sĩ trong môi trường làm việc thực tế. Mục tiêu cụ thể là phát triển hệ thống nhận diện và phân loại tư thế ngồi dựa trên hình ảnh, sử dụng các mô hình mạng nơ-ron tích chập hiện đại, nhằm cảnh báo kịp thời tư thế sai và hỗ trợ điều chỉnh. Nghiên cứu có ý nghĩa quan trọng trong việc bảo vệ sức khỏe người lao động trong môi trường y tế, đồng thời mở rộng ứng dụng cho các môi trường làm việc khác như văn phòng, trường học, công xưởng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên lý thuyết học máy và học sâu, đặc biệt là các mô hình mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN) và mạng nơ-ron tích chập (Convolutional Neural Networks - CNN). Mạng nơ-ron nhân tạo mô phỏng cấu trúc thần kinh sinh học, gồm các nơ-ron kết nối với trọng số và hàm kích hoạt phi tuyến như ReLU, sigmoid, tanh để xử lý dữ liệu phi tuyến tính. Mạng nơ-ron tích chập được thiết kế đặc biệt cho dữ liệu ảnh, sử dụng các bộ lọc trượt trên ảnh đầu vào để trích xuất đặc trưng không gian hiệu quả, giảm số lượng tham số và tăng khả năng học các đặc trưng phức tạp. Ngoài ra, mô hình ước tính đặc trưng tư thế người (Pose Estimation) như MoveNet được sử dụng để trích xuất 17 điểm khớp chính trên cơ thể, tạo thành vector đặc trưng đa chiều cho việc phân loại tư thế. Các khái niệm chính bao gồm:

• Mạng nơ-ron nhân tạo: cấu trúc gồm các lớp nơ-ron kết nối đầy đủ, sử dụng hàm kích hoạt phi tuyến để học biểu diễn dữ liệu.
• Mạng nơ-ron tích chập: mạng chuyên biệt cho xử lý ảnh, giảm số lượng kết nối bằng cách áp dụng bộ lọc trên vùng ảnh cục bộ.
• Ước tính đặc trưng tư thế (Pose Estimation): kỹ thuật trích xuất vị trí các điểm khớp trên cơ thể người từ ảnh hoặc video.
• Hàm mất mát (Loss function): hàm đo sai số giữa dự đoán và nhãn thực tế, được tối ưu trong quá trình huấn luyện.
• Thuật toán tối ưu (Adam optimizer): thuật toán cập nhật trọng số mạng nhằm giảm hàm mất mát hiệu quả.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ ảnh tư thế ngồi của các bác sĩ tại Trung tâm Chẩn đoán hình ảnh Bệnh viện K, thu thập qua webcam với 4 nhãn phân loại: ngồi thẳng, ngồi lệch trái, ngồi lệch phải và cúi người. Bộ dữ liệu gồm khoảng 300-350 ảnh mỗi tình nguyện viên, thu từ 4 tình nguyện viên, tổng cộng khoảng 1200-1400 ảnh. Dữ liệu được tiền xử lý bằng cách trích xuất 17 điểm khớp tư thế người sử dụng mô hình MoveNet, loại bỏ các điểm có độ tin cậy thấp, chuẩn hóa tọa độ theo chuẩn Min-max về khoảng [0,1], và tăng cường dữ liệu bằng cách dịch chuyển nhẹ các điểm khớp trong ngưỡng cho phép để tăng tính đa dạng. Mô hình phân loại được xây dựng bằng mạng nơ-ron kết nối đầy đủ gồm 4 lớp: lớp đầu vào 34 nơ-ron (tương ứng 17 điểm khớp với 2 tọa độ), hai lớp ẩn lần lượt 16 và 8 nơ-ron với hàm kích hoạt ReLU, và lớp đầu ra 4 nơ-ron với hàm Softmax để phân loại 4 nhãn. Mô hình được huấn luyện sử dụng thuật toán Adam, hàm mất mát categorical crossentropy, với 100 epoch, batch size 512, và tỷ lệ chia dữ liệu huấn luyện/kiểm thử 80/20. Phương pháp chọn mẫu là lấy mẫu ngẫu nhiên từ bộ dữ liệu thu thập, đảm bảo đa dạng tư thế và cá nhân. Quá trình huấn luyện và đánh giá được thực hiện trên nền tảng TensorFlow.js, phù hợp cho triển khai trên thiết bị di động. Timeline nghiên cứu kéo dài trong năm 2021, từ thu thập dữ liệu, xây dựng mô hình, huấn luyện đến thử nghiệm thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác mô hình phân loại tư thế ngồi: Sau 100 vòng huấn luyện, mô hình đạt độ chính xác (precision) và độ thu hồi (recall) trên bộ dữ liệu kiểm thử đều vượt ngưỡng 90%, cho thấy khả năng phân loại tư thế ngồi chuẩn xác.
2. Hiệu quả của mô hình MoveNet trong trích xuất đặc trưng: MoveNet cho phép trích xuất 17 điểm khớp với độ trễ thấp (khoảng 25-60 ms trên thiết bị di động), nhanh hơn và chính xác hơn so với PoseNet, giúp tăng hiệu quả xử lý thời gian thực.
3. Tính đa dạng và độ tin cậy của bộ dữ liệu: Bộ dữ liệu thu thập từ 4 tình nguyện viên với khoảng 1200-1400 ảnh, được tăng cường dữ liệu giúp cải thiện khả năng tổng quát của mô hình, giảm hiện tượng overfitting.
4. Khả năng nhận diện tư thế sai và cảnh báo kịp thời: Hệ thống phân biệt chính xác các tư thế lệch trái, lệch phải và cúi người với tỷ lệ nhận diện đúng trên 90% trong các thử nghiệm thực tế với tình nguyện viên.

Thảo luận kết quả

Kết quả cho thấy việc ứng dụng học máy, đặc biệt là mạng nơ-ron kết nối đầy đủ kết hợp với mô hình ước tính đặc trưng tư thế MoveNet, là phương pháp hiệu quả để phân loại tư thế ngồi của bác sĩ trong môi trường bệnh viện. Độ chính xác cao của mô hình phản ánh chất lượng bộ dữ liệu và hiệu quả của quá trình tiền xử lý, tăng cường dữ liệu. So với các nghiên cứu trước đây sử dụng OpenPose hoặc YOLO, MoveNet cho tốc độ xử lý nhanh hơn, phù hợp với ứng dụng thời gian thực trên thiết bị di động. Biểu đồ độ chính xác và hàm mất mát qua các epoch cho thấy mô hình hội tụ tốt trên dữ liệu huấn luyện và kiểm thử, tuy nhiên hàm mất mát trên bộ kiểm thử chưa hoàn toàn ổn định, gợi ý cần mở rộng bộ dữ liệu để cải thiện khả năng tổng quát. Việc tổng hợp kết quả dự đoán từ 10 ảnh liên tiếp giúp giảm nhiễu và tăng độ tin cậy của kết quả phân loại. Kết quả này có ý nghĩa thực tiễn lớn trong việc hỗ trợ bác sĩ điều chỉnh tư thế ngồi, giảm thiểu nguy cơ mắc các bệnh về cột sống, đồng thời có thể mở rộng ứng dụng cho các môi trường làm việc khác.

Đề xuất và khuyến nghị

1. Triển khai phần mềm trên thiết bị di động: Phát triển ứng dụng di động tích hợp mô hình đã huấn luyện để hỗ trợ bác sĩ theo dõi và cảnh báo tư thế ngồi sai trong thời gian thực, nhằm giảm thiểu các bệnh lý liên quan. Thời gian thực hiện dự kiến 6 tháng, chủ thể thực hiện là nhóm phát triển phần mềm và Trung tâm CNTT Bệnh viện K.
2. Mở rộng bộ dữ liệu huấn luyện: Thu thập thêm dữ liệu từ nhiều bác sĩ và các tư thế ngồi đa dạng hơn để nâng cao độ chính xác và khả năng tổng quát của mô hình, giảm hiện tượng overfitting. Thời gian thực hiện 12 tháng, chủ thể là nhóm nghiên cứu và các phòng ban liên quan.
3. Tích hợp hệ thống cảnh báo tự động: Xây dựng cơ chế cảnh báo bằng âm thanh hoặc hình ảnh khi phát hiện tư thế ngồi sai liên tục, giúp bác sĩ kịp thời điều chỉnh. Thời gian thực hiện 3 tháng, chủ thể là nhóm phát triển phần mềm.
4. Đào tạo và nâng cao nhận thức cho bác sĩ: Tổ chức các buổi tập huấn về tư thế ngồi chuẩn và sử dụng phần mềm hỗ trợ, nhằm nâng cao ý thức bảo vệ sức khỏe trong môi trường làm việc. Thời gian thực hiện liên tục, chủ thể là Ban lãnh đạo Bệnh viện và phòng nhân sự.
5. Nghiên cứu mở rộng ứng dụng: Áp dụng hệ thống cho các môi trường làm việc khác như văn phòng, trường học, công xưởng để bảo vệ sức khỏe người lao động. Thời gian thực hiện 12-18 tháng, chủ thể là các tổ chức nghiên cứu và doanh nghiệp liên quan.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành khoa học máy tính, trí tuệ nhân tạo: Nghiên cứu cung cấp phương pháp ứng dụng học máy trong xử lý ảnh và phân loại tư thế, có thể làm cơ sở cho các đề tài phát triển tiếp theo.
2. Bác sĩ và nhân viên y tế tại các trung tâm chẩn đoán hình ảnh: Hỗ trợ hiểu rõ về tác động của tư thế ngồi đến sức khỏe, đồng thời ứng dụng phần mềm để cải thiện điều kiện làm việc.
3. Chuyên gia phát triển phần mềm y tế và ứng dụng di động: Tham khảo kiến trúc mô hình, quy trình xây dựng và huấn luyện mạng nơ-ron, cũng như cách tích hợp mô hình vào ứng dụng thực tế.
4. Quản lý và lãnh đạo bệnh viện, tổ chức y tế: Đánh giá hiệu quả của công nghệ trong việc nâng cao sức khỏe người lao động, từ đó xây dựng chính sách và đầu tư phù hợp.

Câu hỏi thường gặp

1. Học máy là gì và tại sao được chọn cho bài toán này?
   Học máy là lĩnh vực trí tuệ nhân tạo cho phép máy tính học từ dữ liệu để thực hiện các nhiệm vụ mà không cần lập trình rõ ràng. Với bài toán phân loại tư thế ngồi, học máy giúp tự động nhận diện và phân loại dựa trên hình ảnh, xử lý hiệu quả các đặc trưng phức tạp mà phương pháp truyền thống khó thực hiện.

2. Tại sao chọn MoveNet thay vì các mô hình khác như PoseNet hay OpenPose?
   MoveNet có ưu điểm về tốc độ xử lý nhanh (25-60 ms trên thiết bị di động) và độ chính xác cao hơn PoseNet, phù hợp cho ứng dụng thời gian thực trên thiết bị di động, đồng thời được hỗ trợ tốt bởi TensorFlow.

3. Bộ dữ liệu được thu thập như thế nào và có đủ đa dạng không?
   Bộ dữ liệu gồm khoảng 1200-1400 ảnh thu từ 4 tình nguyện viên với 4 tư thế ngồi khác nhau. Dữ liệu được tăng cường bằng kỹ thuật dịch chuyển điểm khớp để tăng tính đa dạng, tuy nhiên vẫn cần mở rộng thêm để nâng cao khả năng tổng quát.

4. Mô hình có thể áp dụng cho các môi trường khác ngoài bệnh viện không?
   Có thể. Phần mềm và mô hình có thể được điều chỉnh và huấn luyện lại với dữ liệu phù hợp để áp dụng cho các môi trường như văn phòng, trường học, công xưởng nhằm bảo vệ sức khỏe người lao động.

5. Làm thế nào để phần mềm cảnh báo tư thế sai kịp thời?
   Hệ thống tổng hợp kết quả phân loại từ 10 ảnh liên tiếp và đưa ra cảnh báo khi phát hiện tư thế sai chiếm đa số, giúp giảm nhiễu và cảnh báo chính xác, hỗ trợ người dùng điều chỉnh kịp thời.

Kết luận

• Ứng dụng học máy, đặc biệt mạng nơ-ron kết nối đầy đủ kết hợp với mô hình MoveNet, hiệu quả trong phân loại tư thế ngồi chuẩn cho bác sĩ.
• Bộ dữ liệu thu thập và tăng cường dữ liệu giúp mô hình đạt độ chính xác và độ thu hồi trên 90% sau 100 epoch huấn luyện.
• Hệ thống có khả năng nhận diện các tư thế sai như lệch trái, lệch phải, cúi người với độ chính xác cao trong thử nghiệm thực tế.
• Phần mềm có thể triển khai trên thiết bị di động, hỗ trợ cảnh báo thời gian thực, góp phần bảo vệ sức khỏe người lao động trong môi trường bệnh viện.
• Đề xuất mở rộng bộ dữ liệu, tích hợp cảnh báo tự động và đào tạo người dùng để nâng cao hiệu quả ứng dụng trong thực tế.

Tiếp theo, nghiên cứu sẽ tập trung vào mở rộng bộ dữ liệu, hoàn thiện phần mềm và triển khai thử nghiệm thực tế tại Bệnh viện K. Độc giả và các tổ chức quan tâm được khuyến khích hợp tác phát triển và ứng dụng công nghệ này nhằm nâng cao sức khỏe và hiệu quả làm việc cho nhân viên y tế.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. PHÂN TÍCH BÀI TOÁN PHÂN LOẠI ẢNH TƯ THẾ NGỒI CỦA BÁC SỸ SỬ DỤNG MẠNG NƠ-RON 1.1 Tổng quan bài toán Môi trường làm việc của các bác sỹ có nhiều áp lực về mặt thời gian và khối lượng công việc. Giải quyết một khối lượng công việc nặng trong một khoảng thời gian dài làm tăng nguy cơ mắc các bệnh về tim mạch, tiêu hóa, tiết niệu và đặc biệt là cột sống, khi tư thế ngồi của bác sỹ không được đảm bảo trong điều kiện làm việc kéo dài. Phân loại tư thế ngồi của bác sỹ hay phân loại tư thế ngồi nói chung là một bài toán đến từ một nhu cầu thiết thực, đó là phát hiện và cảnh báo tư thế ngồi sai, qua giảm thiểu được nguy cơ gây nên các bệnh về cột sống, cũng như các bệnh liên quan khác, và qua đó gián tiếp, hoặc trực tiếp, nâng cao hiệu quả học tập, làm việc.

Trong thời đại hiện nay, công nghệ đã và đang phát triển với tốc độ rất nhanh, tỉ lệ thuận với chất lượng, khả năng tiếp cận, sử dụng và cải tiến. Do đó, áp dụng các thành tựu công nghệ tân tiến vào việc giải quyết các vấn đề đã trở nên dễ dàng hơn và trở thành một xu hướng phổ biến. Học sâu là một trong các các lĩnh vực công nghệ có nhiều bước đột phá trong những năm vừa qua. Sự phát triển mạnh mẽ của công nghệ thiết kế thiết bị, phần mềm tính toán (GPU, TPU, WebGL, …) đã giải quyết các nhược điểm về mức độ tính toán nặng của các thuật toán học sâu.

Các thuật toán học sâu được biết đến với khả năng mang lại độ chính xác cao, cùng với khả năng giải quyết một mức độ rộng các bài toán trong thực tế. Mạng nơ-ron là cấu trúc được áp dụng phổ biến trong các bài toán được giải quyết bằng các thuật toán học sâu. Đặc trưng của mạng nơ-ron là cấu trúc gồm nhiều lớp tính toán được kết nối với nhau. Các thuật toán học sâu ứng dụng mạng nơ-ron sẽ “huấn luyện” mạng này với các bộ dữ liệu cụ thể phù hợp với bài toán đặt ra.

Khả năng giải quyết vấn đề của các thuật toán ứng dụng cấu trúc mạng nơ-ron phụ thuộc vào nhiều yếu tố, trong đó có hai yếu tố chính là cấu trúc mạng nơ-ron và độ lớn và Luan van 6 đa dạng của bộ dữ liệu huấn luyện; khi được huấn luyện với bộ dữ liệu đủ tốt, mạng nơ-ron có thể giải quyết bài toán với mức độ chính xác vượt trội so với các thuật toán học máy trước đó. Từ các luận điểm nêu trên, áp dụng mạng nơ-ron để giải quyết bài toán phân loại tư thế ngồi là một phương án khả thi. Quy trình nghiên cứu việc áp dụng mạng nơ-ron để giải quyết bài toán nêu trên gồm các bước như sau: 1. Tham khảo các nghiên cứu liên quan đến vấn đề đang nghiên cứu.

Nghiên cứu các khía cạnh kỹ thuật liên quan đến học sâu và mạng 3. Xây dựng hệ thống mạng nơ-ron giải quyết bài toán phân loại tư thế ngồi từ các kết tinh kỹ thuật được rút ra từ hai bước trên.2 Ứng dụng học máy, học sâu trong phân tích tư thế ngồi Phần này sẽ giới thiệu một cách tổng quan một lý thuyết của học máy, học sâu, cũng như cách áp dụng học máy, học sâu vào thực tế để từ đó ứng dụng học máy, học sâu trong phân tích tư thế ngồi.1 Học máy Học máy là nghiên cứu các thuật toán máy tính có thể cải thiện tự động thông qua kinh nghiệm và bằng cách sử dụng dữ liệu. [5] Nó được xem như một phần của trí tuệ nhân tạo. Các thuật toán học máy xây dựng một mô hình dựa trên dữ liệu mẫu, được gọi là dữ liệu đào tạo, để đưa ra dự đoán hoặc quyết định mà không được lập trình rõ ràng để làm như vậy.

[6] Các thuật toán học máy được sử dụng trong nhiều ứng dụng, chẳng hạn như trong y học, lọc email, nhận dạng giọng nói và thị giác máy tính, trong đó việc phát triển các thuật toán thông thường để thực hiện các tác vụ cần thiết là khó hoặc không khả thi. [7] Một tập hợp con của học máy có liên quan chặt chẽ đến thống kê tính toán, tập trung vào việc đưa ra dự đoán bằng máy tính; nhưng không phải tất cả học máy đều là học thống kê. Nghiên cứu về tối ưu hóa toán học cung cấp các phương pháp, lý thuyết và lĩnh vực ứng dụng cho lĩnh vực máy học. Khai phá dữ liệu là một lĩnh vực nghiên cứu liên quan, tập trung vào phân tích dữ liệu khám phá thông qua học tập không giám sát.

[8] [9] Một số triển khai của học máy sử dụng dữ liệu và mạng nơ- Luan van 7 ron theo cách bắt chước hoạt động của bộ não sinh học. [10] [11] Trong ứng dụng của nó cho các vấn đề kinh doanh, học máy còn được gọi là phân tích dự đoán. Thuật toán học tập hoạt động dựa trên cơ sở rằng các chiến lược, thuật toán và suy luận đã hoạt động tốt trong quá khứ có khả năng tiếp tục hoạt động tốt trong tương lai. Những suy luận này có thể rõ ràng, chẳng hạn như "vì mặt trời mọc vào mỗi buổi sáng trong 10.000 ngày qua, nó có thể sẽ mọc vào sáng mai".

Chúng có thể có nhiều sắc thái, chẳng hạn như "X% các họ có các loài riêng biệt về mặt địa lý với các biến thể màu sắc, vì vậy có Y% khả năng tồn tại những con thiên nga đen chưa được phát hiện". [12] Các chương trình học máy có thể thực hiện các tác vụ mà không cần được lập trình rõ ràng để làm như vậy. Nó liên quan đến việc máy tính học hỏi từ dữ liệu được cung cấp để chúng thực hiện các tác vụ nhất định. Đối với các nhiệm vụ đơn giản được giao cho máy tính, có thể lập trình các thuật toán cho máy biết cách thực hiện tất cả các bước cần thiết để giải quyết vấn đề trong tầm tay; về phần máy tính, không cần học.

Đối với các tác vụ nâng cao hơn, con người có thể tạo ra các thuật toán cần thiết theo cách thủ công. Trong thực tế, nó có thể hiệu quả hơn khi giúp máy phát triển thuật toán của riêng nó, thay vì để các lập trình viên con người chỉ định mọi bước cần thiết. [13] Kỷ luật học máy sử dụng nhiều cách tiếp cận khác nhau để dạy máy tính hoàn thành các nhiệm vụ khi không có sẵn thuật toán thỏa mãn hoàn toàn. Trong trường hợp có rất nhiều câu trả lời tiềm năng tồn tại, một cách tiếp cận là gắn nhãn một số câu trả lời đúng là hợp lệ.

Sau đó, dữ liệu này có thể được sử dụng làm dữ liệu đào tạo cho máy tính để cải thiện (các) thuật toán mà nó sử dụng để xác định câu trả lời đúng. Ví dụ, để đào tạo một hệ thống cho nhiệm vụ nhận dạng ký tự kỹ thuật số, bộ dữ liệu MNIST gồm các chữ số viết tay thường được sử dụng.2 Học sâu Học sâu (còn được gọi là học có cấu trúc sâu) là một phần của họ các phương pháp học máy rộng hơn dựa trên mạng nơ-ron nhân tạo với học đại diện. Luan van 8 Các kiến trúc học sâu như mạng nơ-ron sâu, mạng niềm tin sâu, học tăng cường sâu, mạng nơ-ron hồi quy và mạng nơ-ron tích chập đã được áp dụng cho các lĩnh vực bao gồm thị giác máy tính, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên, dịch máy, tin sinh học, thiết kế thuốc, y tế phân tích hình ảnh, kiểm tra vật liệu và các chương trình trò chơi trên bàn cờ, trong đó chúng đã tạo ra kết quả có thể so sánh với và trong một số trường hợp vượt qua hiệu suất chuyên gia của con người. Mạng nơ-ron nhân tạo được lấy cảm hứng từ quá trình xử lý thông tin và các nút giao tiếp phân tán trong các hệ thống sinh học.

Mạng nơ-ron nhân tạo có nhiều điểm khác biệt so với bộ não sinh học. Cụ thể, mạng nơ-ron nhân tạo có xu hướng tĩnh và tượng trưng, trong khi não sinh học của hầu hết các sinh vật sống là động và tương tự (analogue). Tính từ "sâu" trong học sâu dùng để chỉ việc sử dụng nhiều lớp trong mạng. Nghiên cứu ban đầu cho thấy rằng một perceptron1 tuyến tính không thể là một bộ phân loại phổ quát, nhưng một mạng có hàm kích hoạt phi tuyến với một lớp ẩn có chiều rộng không giới hạn thì có thể.

Học sâu là một biến thể hiện đại có liên quan đến số lượng lớp có kích thước giới hạn không giới hạn, cho phép ứng dụng thực tế và triển khai tối ưu hóa, trong khi vẫn giữ được tính phổ quát lý thuyết trong điều kiện nhẹ. Trong học tập sâu, các lớp cũng được phép không đồng nhất và sai lệch nhiều so với các mô hình kết nối được thông báo về mặt sinh học, vì lợi ích của hiệu quả, khả năng đào tạo và dễ hiểu, kể từ phần "có cấu trúc".3 Mạng nơ-ron nhân tạo Mạng nơ-ron nhân tạo là một cấu trúc tính toán mô phỏng lại cách hoạt động của hệ thần kinh động vật 1 Perceptron là một thuật toán để học có giám sát các bộ phân loại nhị phân. Bộ phân loại nhị phân là một hàm có thể quyết định xem đầu vào, được biểu diễn bằng một vec-tơ số, thuộc một số lớp cụ thể hay không.1 Nơ-ron Nơ-ron là đơn vị cơ bản của một mạng nơ-ron nhân tạo. Nó mô phỏng lại kiến trúc nơ-ron thần kinh với các đuôi gai tinh thể, nhân tế bào, sợi trục và khớp thần kinh bằng các cấu trúc tương ứng là đầu vào, trọng số, hàm kích hoạt và đầu ra.

Một nơ-ron gồm n đầu vào thường được đặc trưng bởi một tập trọng số 𝑊 = [𝑤1 , 𝑤2 , … , 𝑤𝑛 ], một hàm kích hoạt 𝐹(𝑥) và có thể là một biến số thiên vị 𝑏. Với một đầu vào 𝑋 = [𝑥1 , 𝑥2 , … , 𝑥𝑛 ], đầu ra của nơ-ron này sẽ là: 𝑌 = 𝐹 (𝑊 ∙ 𝑋 + 𝑏) = 𝐹(𝑤1 𝑥1 + 𝑤2 𝑥2 + ⋯ + 𝑤𝑛 𝑥𝑛 + 𝑏) Hình 1. Mô tả lại cách thiết kế của nơ-ron nhân tạo so với cấu trúc của nơ-ron thần kinh.2 Lớp mạng Một mạng nơ-ron thường gồm từ một hoặc nhiều lớp mạng, mỗi lớp mạng là tập hợp của một hoặc nhiều nơ-ron. Tùy vào từng cấu trúc mạng khác nhau mà cách sắp xếp của các nơ-ron trong một lớp cũng như cách kết nối các nơ-ron giữa các lớp với nhau cũng khác nhau.

Điều này sẽ được giải thích cặn kẽ hơn ở các phần sau.