Tổng quan nghiên cứu

Theo báo cáo của ngành y tế, tỷ lệ người cao tuổi nhập viện do té ngã chiếm khoảng 30-40% trong tổng số các ca chấn thương. Té ngã không chỉ gây ra thương tích nghiêm trọng mà còn là nguyên nhân hàng đầu dẫn đến tử vong và suy giảm chất lượng cuộc sống ở người già. Trong bối cảnh dân số già hóa ngày càng tăng, việc phát triển các hệ thống giám sát và cảnh báo té ngã có ý nghĩa thiết thực và cấp bách. Mục tiêu của luận văn là thiết kế và triển khai một hệ thống nhận diện hành vi té ngã dựa trên xử lý ảnh, sử dụng camera đơn để giám sát liên tục trong không gian cố định, đảm bảo độ chính xác trên 80% trong việc phát hiện té ngã. Nghiên cứu được thực hiện tại thành phố Hồ Chí Minh trong năm 2022-2023, tập trung vào ứng dụng công nghệ xử lý ảnh và trí tuệ nhân tạo trên nền tảng phần cứng Raspberry Pi 4 và webcam C920s PRO HD. Kết quả nghiên cứu góp phần nâng cao hiệu quả giám sát an toàn cho người cao tuổi, giảm thiểu rủi ro và tăng khả năng can thiệp kịp thời khi xảy ra sự cố té ngã.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: lý thuyết xử lý ảnh kỹ thuật số và mô hình ước lượng tư thế người (pose estimation). Lý thuyết xử lý ảnh kỹ thuật số bao gồm các kỹ thuật lọc Gaussian để giảm nhiễu và làm mượt ảnh, kỹ thuật phân ngưỡng (thresholding) để chuyển đổi ảnh sang dạng nhị phân, và các phép biến đổi hình thái học như xói mòn (erosion) và giãn nở (dilation) nhằm làm rõ biên dạng đối tượng. Mô hình ước lượng tư thế người sử dụng các hình học như elip để xác định góc nghiêng của cơ thể so với phương thẳng đứng, từ đó phát hiện các thay đổi đột ngột trong tư thế, đặc biệt là các góc nghiêng vượt ngưỡng 72 độ được xem là dấu hiệu của té ngã. Các khái niệm chính bao gồm: Gaussian filter, pose estimation, morphological transformation, contour detection và background subtraction.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các video ghi hình người trong môi trường cố định, sử dụng webcam C920s PRO HD kết nối với Raspberry Pi 4 để thu thập hình ảnh. Cỡ mẫu thử nghiệm khoảng 50 video với các tình huống khác nhau như đứng, ngồi, đi lại và té ngã. Phương pháp chọn mẫu là chọn ngẫu nhiên các tình huống thực tế tại một số địa phương nhằm đảm bảo tính đại diện. Phân tích dữ liệu sử dụng thư viện OpenCV trên ngôn ngữ Python, áp dụng các thuật toán xử lý ảnh như Gaussian blur, thresholding, erosion, dilation và contour detection để trích xuất đặc trưng hình ảnh. Timeline nghiên cứu kéo dài 15 tuần, từ nghiên cứu lý thuyết, thiết kế hệ thống, xây dựng prototype đến thử nghiệm và hoàn thiện sản phẩm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hệ thống đạt tỷ lệ nhận diện té ngã trên 90%, vượt mục tiêu đề ra là 80%, với độ chính xác 92% trong điều kiện ánh sáng đủ và không có vật cản che khuất.
  2. Thời gian phản hồi cảnh báo trung bình là dưới 3 giây kể từ khi phát hiện té ngã, đảm bảo khả năng can thiệp kịp thời.
  3. Việc sử dụng elip để ước lượng góc nghiêng cơ thể giúp phân biệt chính xác các trạng thái đứng, ngồi và té ngã với sai số góc dưới 5 độ.
  4. Hệ thống hoạt động ổn định trong môi trường có ánh sáng từ 300 lux trở lên, tuy nhiên hiệu suất giảm khoảng 15% khi ánh sáng yếu hoặc có vật cản che khuất một phần cơ thể.

Thảo luận kết quả

Nguyên nhân chính giúp hệ thống đạt hiệu quả cao là do việc kết hợp kỹ thuật lọc Gaussian giảm nhiễu và phương pháp ước lượng tư thế dựa trên hình học elip, giúp nhận diện chính xác các thay đổi đột ngột trong tư thế người. So với các nghiên cứu trước đây sử dụng cảm biến đeo trên người, hệ thống này không phụ thuộc vào pin và không gây khó chịu cho người dùng. Tuy nhiên, hạn chế về môi trường ánh sáng và góc quan sát camera là điểm cần cải thiện. Dữ liệu có thể được trình bày qua biểu đồ so sánh tỷ lệ nhận diện té ngã trong các điều kiện ánh sáng khác nhau và bảng thống kê thời gian phản hồi cảnh báo. Kết quả phù hợp với các nghiên cứu gần đây về ứng dụng xử lý ảnh trong giám sát an toàn người cao tuổi.

Đề xuất và khuyến nghị

  1. Mở rộng hệ thống đa camera để khắc phục hạn chế về góc quan sát và che khuất, nâng cao độ chính xác nhận diện trong môi trường phức tạp. Thời gian thực hiện dự kiến 6 tháng, do phòng thí nghiệm công nghệ thông tin chủ trì.
  2. Tối ưu thuật toán xử lý ảnh bằng cách áp dụng các kỹ thuật giảm nhiễu nâng cao và học sâu (deep learning) để cải thiện hiệu suất trong điều kiện ánh sáng yếu. Thời gian nghiên cứu 4 tháng, do nhóm nghiên cứu AI đảm nhiệm.
  3. Phát triển ứng dụng di động đa nền tảng để nhận cảnh báo nhanh chóng và dễ dàng cho người thân, đồng thời tích hợp chức năng ghi nhận lịch sử sự kiện. Thời gian hoàn thiện 3 tháng, do bộ phận phát triển phần mềm thực hiện.
  4. Triển khai thử nghiệm thực tế tại các cơ sở chăm sóc người cao tuổi nhằm thu thập phản hồi và điều chỉnh hệ thống phù hợp với nhu cầu thực tế. Kế hoạch kéo dài 12 tháng, phối hợp với các trung tâm y tế địa phương.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành kỹ thuật điều khiển và tự động hóa: Nghiên cứu các ứng dụng xử lý ảnh và trí tuệ nhân tạo trong giám sát an toàn.
  2. Chuyên gia công nghệ thông tin và phát triển phần mềm: Áp dụng các thuật toán xử lý ảnh và phát triển hệ thống cảnh báo thông minh.
  3. Cơ sở y tế và trung tâm chăm sóc người cao tuổi: Ứng dụng hệ thống giám sát té ngã để nâng cao chất lượng chăm sóc và giảm thiểu rủi ro tai nạn.
  4. Doanh nghiệp công nghệ phát triển thiết bị giám sát và an ninh: Tham khảo mô hình thiết kế phần cứng và phần mềm tích hợp trên nền tảng Raspberry Pi và camera HD.

Câu hỏi thường gặp

  1. Hệ thống có thể hoạt động trong điều kiện ánh sáng yếu không?
    Hệ thống hoạt động tốt khi ánh sáng trên 300 lux, tuy nhiên hiệu suất giảm khoảng 15% trong điều kiện ánh sáng yếu do nhiễu và khó phân biệt biên dạng cơ thể.

  2. Có thể sử dụng nhiều camera để mở rộng vùng giám sát không?
    Có, việc sử dụng đa camera giúp khắc phục hạn chế về góc nhìn và che khuất, nâng cao độ chính xác và phạm vi giám sát.

  3. Hệ thống có phát hiện được té ngã của nhiều người cùng lúc không?
    Hiện tại hệ thống chỉ được thử nghiệm với một người trong khung hình, việc phát hiện nhiều người cần phát triển thêm thuật toán phân tách đối tượng.

  4. Thời gian phản hồi cảnh báo là bao lâu?
    Thời gian trung bình dưới 3 giây kể từ khi phát hiện té ngã, đảm bảo cảnh báo kịp thời cho người thân hoặc nhân viên y tế.

  5. Hệ thống có yêu cầu người dùng phải đeo thiết bị gì không?
    Không, hệ thống sử dụng camera giám sát và xử lý ảnh nên không cần thiết bị đeo, tránh phiền toái và hạn chế về pin.

Kết luận

  • Hệ thống nhận diện té ngã dựa trên xử lý ảnh và ước lượng tư thế người đạt độ chính xác trên 90%, vượt mục tiêu đề ra.
  • Sử dụng Raspberry Pi 4 và webcam HD làm nền tảng phần cứng, kết hợp thuật toán Gaussian filter và morphological transformation giúp giảm nhiễu và tăng độ tin cậy.
  • Hệ thống có khả năng cảnh báo nhanh chóng trong vòng 3 giây, phù hợp với ứng dụng giám sát người cao tuổi tại nhà hoặc cơ sở y tế.
  • Hạn chế hiện tại là hiệu suất giảm trong điều kiện ánh sáng yếu và không hỗ trợ nhiều người cùng lúc, cần mở rộng nghiên cứu.
  • Đề xuất phát triển đa camera, tối ưu thuật toán và ứng dụng di động để nâng cao hiệu quả và tính ứng dụng thực tiễn.

Next steps: Triển khai thử nghiệm thực tế, hoàn thiện phần mềm ứng dụng và mở rộng phạm vi giám sát.

Call-to-action: Các nhà nghiên cứu và doanh nghiệp công nghệ được khuyến khích hợp tác phát triển và ứng dụng hệ thống nhằm nâng cao an toàn cho người cao tuổi trong cộng đồng.