Luận án Nghiên cứu, phát triển các kỹ thuật phân tích hoạt động của bàn tay từ chuỗi hình ảnh thu thập bằng cảm biến đeo, ứng dụng trong hỗ trợ đánh giá bài tập hồi chức năng

Tên luận án:

NGHIÊN CỨU, PHÁT TRIỂN CÁC KỸ THUẬT PHÂN TÍCH HOẠT ĐỘNG CỦA BÀN TAY TỪ CHUỖI HÌNH ẢNH THU THẬP BẰNG CẢM BIẾN ĐEO, ỨNG DỤNG TRONG HỖ TRỢ ĐÁNH GIÁ BÀI TẬP HỒI CHỨC NĂNG

Ngành:

Cơ sở toán học cho tin học

Tóm tắt nội dung tài liệu:

Luận án này tập trung giải quyết nhu cầu cấp thiết về nhận biết tự động các hoạt động của bàn tay từ hình ảnh thu thập bằng cảm biến đeo, đặc biệt trong bối cảnh các bài tập phục hồi chức năng (PHCN). Mục tiêu chính là nghiên cứu và đề xuất các kỹ thuật thị giác máy tính tiên tiến nhằm hỗ trợ đánh giá hiệu quả các bài tập PHCN. Đề tài nhấn mạnh vào những thách thức đặc thù của thị giác máy tính góc nhìn thứ nhất (egocentric vision) và sự thiếu hụt các bộ dữ liệu chuyên biệt trong lĩnh vực y tế.

Các nội dung nghiên cứu chính bao gồm khảo sát, phân tích các công trình và bộ dữ liệu liên quan đến nhận biết hoạt động tay trong egocentric vision. Luận án đã xây dựng và công bố bộ dữ liệu RehabHand, thu thập từ bệnh nhân tại Bệnh viện Đại học Y Hà Nội, nhằm cung cấp một nguồn tài nguyên quý giá cho cộng đồng nghiên cứu. Trên cơ sở đó, các kỹ thuật cải tiến cho nhiệm vụ xác định tay đã được đề xuất, bao gồm phân đoạn bàn tay, theo dõi và định danh bàn tay bệnh nhân, cùng với ước lượng tư thế tay. Cụ thể, luận án đã phát triển các phương pháp phân đoạn vùng bàn tay bằng kỹ thuật dựa trên bản đồ biến đổi khoảng cách và SVM, cải thiện theo dõi tay bằng thuật toán MergeTrack để giải quyết vấn đề nhảy ID và che khuất. Đối với ước lượng tư thế, một mô hình kết hợp Mask R-CNN với HOPE-Net đã được đề xuất để nâng cao độ chính xác.

Ngoài ra, luận án còn đề xuất mô hình nhận biết hoạt động tay có tính đến tương tác tay – đồ vật trong các bài tập PHCN, sử dụng mạng học sâu R(2+1)D kết hợp với phát hiện đối tượng tương tác chính. Kết quả thực nghiệm trên bộ dữ liệu RehabHand và FPHA cho thấy các kỹ thuật đề xuất đạt hiệu suất vượt trội so với các phương pháp đã công bố, đặc biệt trong việc giảm thiểu lỗi và nâng cao độ chính xác.

Những đóng góp khoa học của luận án bao gồm việc phát triển các kỹ thuật xác định tay tiên tiến, đề xuất phương pháp nhận dạng hoạt động tay hiệu suất cao và công bố bộ dữ liệu PHCN mới. Về mặt thực tiễn, các kết quả nghiên cứu này có tiềm năng lớn trong việc xây dựng các ứng dụng tự động hỗ trợ bác sĩ đánh giá chất lượng tập luyện và khả năng phục hồi chức năng của bệnh nhân, góp phần nâng cao hiệu quả điều trị.

Mục lục chi tiết:

• MỞ ĐẦU
• Chương 1. Tổng quan bài toán nhận biết hoạt động của tay từ cảm biến ảnh đeo trên người
• Chương 2. Xây dựng bộ dữ liệu bài tập PHCN và các đánh giá liên quan đến tay
• Chương 3. Đề xuất kỹ thuật cải tiến cho nhiệm vụ xác định tay
• Chương 4. Đề xuất kỹ thuật nhận biết hoạt động tay trong các bài tập PHCN
• KẾT LUẬN
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO