PHÁT HIỆN VẬN ĐỘNG BẤT THƯỜNG (NGÃ) SỬ DỤNG CẢM BIẾN ĐEO
KỸ THUẬT MÁY TÍNH
Luận án "PHÁT HIỆN VẬN ĐỘNG BẤT THƯỜNG (NGÃ) SỬ DỤNG CẢM BIẾN ĐEO" giải quyết thách thức liên ngành quan trọng về phát hiện các vận động bất thường ở người, đặc biệt là ngã, bằng cách sử dụng cảm biến đeo và các kỹ thuật học máy. Nghiên cứu được thúc đẩy bởi những hạn chế của các phương pháp hiện có, vốn thường dựa vào cảm biến đeo, cảm biến tích hợp môi trường hoặc thị giác máy tính.
Mục tiêu chính của luận án là đề xuất các phương pháp học máy và học sâu hiệu quả để phát hiện vận động bất thường, tận dụng dữ liệu từ nhiều cảm biến đeo. Cụ thể, nghiên cứu tập trung vào việc phát triển các phương pháp kết hợp dữ liệu từ các cảm biến đeo khác nhau và sử dụng các mô hình học sâu tiên tiến để trích chọn và biểu diễn đặc trưng tự động.
Luận án được cấu trúc thành ba chương chính. Chương 1 trình bày tổng quan về bài toán phát hiện vận động bất thường, xem xét các nghiên cứu liên quan (đặc biệt là phát hiện ngã), các phương pháp trích chọn đặc trưng, tập dữ liệu và các độ đo đánh giá. Chương 2 đề xuất phương pháp trích chọn đặc trưng thủ công, kết hợp dữ liệu từ các cảm biến quán tính (gia tốc kế, con quay hồi chuyển và từ kế) để tạo thành một bộ đặc trưng thống nhất cho bài toán phát hiện ngã. Chương này cũng giới thiệu giải pháp sử dụng hàm nhân phi tuyến hồi quy để giải quyết vấn đề thiếu và mất cân bằng dữ liệu huấn luyện. Kết quả thử nghiệm trên tập dữ liệu tự thu thập đạt F1-score 94,18% cho phát hiện ngã và F1-score trung bình 78,11% cho 20 hoạt động (bình thường và bất thường) trên tập dữ liệu CMDFALL.
Chương 3 đi sâu vào các phương pháp học sâu, đề xuất mô hình kết hợp CNN-LSTM nhằm nâng cao hiệu suất phát hiện vận động bất thường. Ngoài ra, chương này còn giới thiệu mô hình kết hợp dữ liệu khung xương và dữ liệu quán tính ở cấp đặc trưng, sử dụng các mạng nhân chập theo thời gian (TCN) để nhận dạng các hoạt động phức tạp và vận động bất thường. Các thử nghiệm trên bốn tập dữ liệu (UTD, MobiFall, PTITAct, CMDFALL) đã chứng minh hiệu suất vượt trội của mô hình CNN-LSTM đề xuất, đạt F1-score cao nhất lên đến 96,13% (UTD), 95,06% (MobiFall), 93,38% (PTITAct) và 85,05% (CMDFALL). Mô hình kết hợp dữ liệu khung xương và quán tính với TCN đạt F1-score 83% trên CMDFALL và 96,98% trên UTD-MHAD.
Những đóng góp chính của luận án bao gồm việc xây dựng một tập dữ liệu ngã mới, các kỹ thuật kết hợp cảm biến hiệu quả, thuật toán hồi quy hàm nhân phi tuyến cho dữ liệu mất cân bằng, và các mô hình học sâu tiên tiến (CNN-LSTM, TCN kết hợp dữ liệu khung xương/quán tính) để phát hiện vận động bất thường phức tạp. Hướng phát triển trong tương lai bao gồm cải tiến mô hình học sâu, tích hợp nhiều loại cảm biến hơn (ảnh RGB, chiều sâu), ứng dụng hệ thống vào các dịch vụ hỗ trợ tại chỗ và nghiên cứu chưng cất tri thức để triển khai các ứng dụng nhẹ trên thiết bị đeo, hỗ trợ theo dõi người bệnh Parkinson, bệnh vận động và người cao tuổi.