NGHIÊN cứu, xây DỰNG mô HÌNH ĐÁNH GIÁ, PHÁT HIỆN HÀNH VI bất THƯỜNG dựa TRÊN PHÂN TÍCH dữ LIỆU cảm BIẾN TRONG điện THOẠI THÔNG MINH

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ ──────── * ─────── PHÙNG QUANG LUYỆN NGHIÊN CỨU, XÂY DỰNG MƠ HÌNH ĐÁNH GIÁ, PHÁT HIỆN HÀNH VI BẤT THƯỜNG DỰA TRÊN PHÂN TÍCH DỮ LIỆU CẢM BIẾN TRONG ĐIỆN THOẠI THƠNG MINH LUẬN VĂN THẠC SĨ Ngành: Cơng nghệ thông tin HÀ NỘI – 2021 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ ──────── * ─────── PHÙNG QUANG LUYỆN NGHIÊN CỨU, XÂY DỰNG MƠ HÌNH ĐÁNH GIÁ, PHÁT HIỆN HÀNH VI BẤT THƯỜNG DỰA TRÊN PHÂN TÍCH DỮ LIỆU CẢM BIẾN TRONG ĐIỆN THOẠI THƠNG MINH LUẬN VĂN THẠC SĨ NGÀNH: Công nghệ thông tin Cán hướng dẫn: PGS TS NGUYỄN HÀ NAM HÀ NỘI – 2021 LỜI CAM ĐOAN Với mục đích học tập, nghiên cứu để nâng cao kiến thức trình độ chun mơn nên chúng tơi làm luận văn cách nghiêm túc hoàn toàn trung thực Trong luận văn chúng tơi có sử dụng số tài liệu tham khảo số tác giả có thích, nêu phần tài liệu tham khảo cuối luận văn Chúng xin cam đoan chịu trách nhiệm nội dung trung thực luận văn tốt nghiệp Thạc sĩ Hà Nội, ngày tháng 12 năm 2021 Phùng Quang Luyện LỜI CẢM ƠN Lời đầu tiên, xin chân thành cảm ơn các thầy cô giáo trường Đại Học Công Nghệ - Đại học Quốc Gia Hà Nội, đặc biệt các thầy cô khoa Công Nghệ Thông Tin truyền đạt cho kiến thức, kinh nghiệm vô quý báu suốt thời gian qua Tôi xin gửi lời cảm ơn đến PGS.TS Nguyễn Hà Nam - Viện nghiên cứu Cao cấp Tốn nhóm nghiên cứu thầy thầy Nguyễn Đức Nhân, anh Lê Hồng Lam tận tình giúp đỡ, trực tiếp bảo hướng dẫn suốt q trình làm luận văn Cuối cùng, tơi xin cảm ơn đến gia đình, bạn bè động viên, đóng góp ý kiến giúp đỡ q trình học tập, nghiên cứu hoàn thành luận văn Do thời gian, kiến thức kinh nghiệm tơi cịn hạn chế nên khóa luận khơng thể tránh khỏi sai sót Tơi hy vọng nhận ý kiến nhận xét, góp ý thầy giáo bạn để luận văn hoàn Luận văn hoàn thành dựa hỗ trợ dự án QG.19.47 Đại học Quốc gia Hà Nội (ĐHQGHN) Tôi xin chân thành cảm ơn! Hà Nội, ngày tháng 12 năm 2021 Phùng Quang Luyện MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN MỤC LỤC DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT DANH MỤC HÌNH VẼ DANH MỤC BẢNG BIỂU MỞ ĐẦU 10 CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG HÀNH ĐỘNG 13 1.1 Giới thiệu 13 1.2 Khái niệm hành động, hành vi hành vi bất thường 13 1.3 Các phương pháp phát hành vi bất thường 15 1.4 Phương pháp đề xuất nghiên cứu luận văn 17 1.5 Kết luận 18 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 19 2.1 Giới thiệu 19 2.2 Tổng quan Phân lớp 20 2.2.1 Một số thuật toán phân lớp 20 2.2.2 Đánh giá mơ hình phân lớp 24 2.3 Tổng quan so khớp chuỗi 28 2.3.1 Giới thiệu 28 2.3.2 Một số thuật toán so khớp 30 2.4 Kết chương 32 CHƯƠNG 3: MƠ HÌNH PHÁT HIỆN HÀNH VI BẤT THƯỜNG 33 3.1 Mơ hình tổng quan 33 3.1.1 Pha thứ tạo mơ hình phát hành động 34 3.1.2 Pha thứ hai nhận dạng hành vi 38 3.2 Thực nghiệm phân tích kết 39 3.2.1 Dữ liệu 39 3.2.2 Cấu hình hệ thống 40 3.2.3 Kết thực nghiệm 40 3.3 Kết chương 45 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 47 TÀI LIỆU THAM KHẢO 49 DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT Ký hiệu viết tắt Thuật ngữ đầy đủ CNN Convolutional Neural Network Mạng nơ-ron tích chập Random Forest Thuật tốn Rừng ngẫu nhiên SVM Support Vector Machine Thuận toán máy vector hỗ trợ HAR Human Action Recognitio Nhận dạng hành động người IOT Internet of Things Internet vạn vật KNN K-Nearest Neighbors Thuật toán K láng giềng gần ACC Accelerometer Gia tốc kế Gyroscope Con quay hồi chuyển FN False Negative Mẫu mang nhãn dương bị phân lớp sai vào lớp âm FP False Positive Mẫu mang nhãn âm bị phân lớp sai vào lớp dương TN True Negative Mẫu mang nhãn âm phân lớp vào lớp âm TP True Positive Mẫu mang nhãn dương phân lớp vào lớp dương RF GYRO Giải thích DANH MỤC HÌNH VẼ Hình 1.1 Hệ thống phát hành động phân tích hình ảnh từ camera 16 Hình 1.2 Mơ hình phát hành động sử dụng camera sensor 16 Hình 2.1 Mơ hình phân lớp KNN 22 Hình 2.2 Phân lớp theo khơng gian vector 23 Hình 2.3 Mơ hình định 24 Hình 2.4 Cách tính giá trị độ đo đánh giá mơ hình phân lớp 26 Hình 2.5 Đường cong ROC 27 Hình 3.1 Mơ hình tổng quan phát hành vi bất thường 33 Hình 3.2 Dữ liệu ba trục X, Y, Z cảm biến theo thời gian 35 Hình 3.3 Cửa sổ trượt liệu 36 Hình 3.4 Sơ đồ tổng quát nhận dạng hành động 37 Hình 3.5 Dữ liệu theo trục thời gian hành động phức 45 DANH MỤC BẢNG BIỂU Bảng 3.1: Mô tả tính tỷ lệ so khớp cửa sổ W W’ 38 Bảng 3.2: Mô tả liệu các hành động người 40 Bảng 3.3: Kết phân lớp các hành động 42 Bảng 3.4: Tổng hợp Accuracy các hành động theo độ dài cửa sổ W 42 Bảng 3.5: Kết kiểm tra mơ hình chạy với liệu bất thường 43 Bảng 3.6: Kết kiểm tra mơ hình chạy với liệu bình thường 44 Bảng 3.7: Tỷ lệ đoán nhầm sử dụng phân lớp theo cửa sổ W 44 MỞ ĐẦU Lý chọn đề tài Cũng nhiều nước giới, Việt Nam chứng kiến gia tăng mạnh dân số người cao tuổi tình trạng các bệnh lý điển hình người cao tuổi tim mạch, cao huyết áp dẫn tới đột quỵ hậu kéo theo vô nghiêm trọng Vấn đề đặt làm phát hành vi bất thường gây nguy hiểm người già nhằm thơng báo hoặc cảnh báo Đã có nghiên cứu nhằm phát hành vi hành vi ngã người già để đưa cảnh báo đề cập nhiên chưa có nghiên cứu nhận diện hành vi bất thường xảy từ việc phân tích liệu cảm biến chuyển động điện thoại thông minh Hành vi bất thường xem hành vi gồm hoạt động hay mẫu hoạt động khác các hoạt động chấp nhận bình thường Trong phạm vi giới hạn đề tài, hành vi bất thường chuyển động xem bao gồm hoạt động ngã các mẫu chuyển động bất thường có khả dẫn đến ngã Một cách cụ thể, mô hình xây dựng xem xét đến khơng phát ngã mà hành vi di chuyển bất thường dẫn đến khả ngã để đưa cảnh báo phù hợp không cảnh báo sau ngã xảy Với mơ hình ngăn chặn ngã thường gặp nhiều thách thức cần phát nhận dạng các mẫu hành vi dẫn đến ngã Để thực mục tiêu đặt đề tài cần giải nhiều thách thức cụ thể từ việc thu thập liệu cảm biến cho phù hợp đến xử lý phân tích liệu Với toán cụ thể đề tài các phương pháp thực thay đổi cho phù hợp để đạt hiệu cao Dữ liệu thu thập lấy từ các cảm biến chuyển động gia tốc quay hồi chuyển, các cảm biến có mặt hầu hết tất các dịng điện thoại thơng minh Một thách thức khác nhận diện các mẫu hành vi bất thường liên quan đến ngã sử dụng liệu cảm biến điện thoại thơng minh Có nhiều yếu tố tác động dẫn đến khả ngã phân thành các yếu tố bên liên quan đến hành vi, trạng thái 10 Hình 3.3 Cửa sổ trượt liệu Dữ liệu cắt với cửa sổ lớn W tỷ lệ chồng liệu từ 90% Cửa sổ W W’ có tính chất tỷ lệ chồng liệu nằm khoảng từ 0-90% b) Biến đổi liệu tạo các thuộc tính Dữ liệu gia tốc thu chuỗi liệu liên tục theo miền thời gian Đây chuỗi liệu thô ban đầu Để nạp liệu vào mơ hình cần biến đổi liệu thô ban đầu thành cấu trúc liệu mà mơ hình phân lớp hiểu Đây quá trình xây dựng các tập thuộc tính đặc trưng Dựa kết nhóm nghiên cứu [15] các thuộc tính đặc trưng thể đặc tính thuộc tính miềm thời gian, thuộc tính miền tần số [16][17], tham số Hjorth [18] cụ thể nghiên cứu luận văn sử dụng 59 thuộc tính đó: Các thuộc tính xây dựng dựa miền thời gian: 37 thuộc tính Các thuộc tính dựa miền tần số: thuộc tính Các thuộc tính tham số Hjorth: 15 thuộc tính Bộ thuộc tính luận văn kế thừa từ nghiên cứu, chứng minh hiệu các luận án cơng bố trước nhóm Dữ liệu sau xử lý biến đổi áp dụng các phương pháp phân loại, nhận dạng hành động theo thuật toán RF trình bày 36 Hình 3.4 Sơ đồ tổng quát nhận dạng hành động Kết phân lớp phụ thuộc vào các tham số cửa sổ trượt W, W’, tỷ lệ chồng liệu Với tham số mơ hình sử dụng lúc cửa sổ W, W’ khác sau bước kết có 22 mơ hình nhận dạng 11 hành động tương ứng với cửa sổ trượt W W’ Dữ liệu đầu vào chạy qua mơ hình, cửa sổ W mơ hình cho kết (dữ liệu không nhận dạng 11 hành động) kết luận hành vi bất thường Nếu cửa sổ W mơ hình trả kết (dữ liệu thuộc 11 hành động cho trước) chia cắt liệu cửa sổ W thành nhiều cửa sổ nhỏ W’ thực cho liệu W’ qua nhận dạng hành động, liệu nhận tập hợp các hành động nhận dạng theo cửa sổ nhỏ W’ 37 3.1.1.2 So khớp xác định ngưỡng tối ưu Việc so khớp liệu kết chạy qua mơ hình nhận dạng cửa sổ W W’ xảy kết W Trong hướng nghiên cứu việc so khớp kết thực sau: Với cửa sổ W chia nhỏ liệu theo cửa sổ W’ x cửa sổ Cho x cửa sổ W’ chay qua mơ hình kết nhận tập hợp kết 0, tùy theo kết mơ hình trả Ví dụ kết cửa sổ W W’ đây, tính tỷ lệ so khớp kết cửa sổ W’ giống với kết cửa sổ W sau: Cửa sổ W Cửa sổ W' W'1 W'2 W'3 W'4 W'5 W'6 W'7 W'8 W'9 W'10 W'11 W'12 Tỷ lệ 1 0 1 0 1 1 0.58 1 1 0 1 1 1 0.75 Bảng 3.1: Mơ tả tính tỷ lệ so khớp cửa sổ W W’ Vấn đề toán tìm tỷ lệ ngưỡng Ɛ giống kết cửa cửa sổ W với W’ tối ưu bảo đảm kết phát hành vi bất thường cao 3.1.1.3 Tối ưu tham số Tại pha huấn luyện liệu nhận dạng dựa nhãn liệu kiểm tra Quá trình thực lặp lặp lại với các tham số W, W’ tỷ lệ chồng liệu tỷ lệ so khớp khác nhau, dựa vào kết các lần thực nghiệm so sánh để tìm tham số F(W, W’, Ɛ) tối ưu với kết cao 3.1.2 Pha thứ hai nhận dạng hành vi Dự tham số tối ưu F(W, W’, Ɛ) pha huấn luyện, liệu thô thu trực tiếp từ điện thoại đưa vào chương trình, các bước xử lý liệu biến đổi liệu tương tự pha với cửa sổ W, W’ Cho liệu W vào mơ hình kết nhận dạng kết luận hành vi bất thường Nếu kết 38 nhận dạng W tính tỷ lệ r so khớp cửa sổ W W’ tỷ lệ r > Ɛ kết luận hành vi bình thường ngược lại 3.2 Thực nghiệm phân tích kết 3.2.1 Dữ liệu Luận văn sử dụng liệu MobiAct 2.0 mô tả chi tiết [19] Dữ liệu thu từ 66 tình nguyện viên thực với 9879 thử nghiệm thu thập từ loại cảm biến bao gồm gia tốc kế (acc - accelerometer), quay hồi chuyển (gyro - gyroscope) cảm biến định hướng (ori - orientation) điện thoại thông minh Samsung Galaxy S3 [19] Trong đó, liệu gia tốc kế thu tần số 85Hz Điện thoại đặt túi quần di chuyển các tình nguyện viên Bảng liệu hành động nhận dạng hướng nghiên cứu luận văn: Nhãn hành STT động Thời gian thu mẫu Hoạt động Mô tả STD Đứng phút Đứng với với cử động nhẹ nhàng WAL Đi phút Đi bình thường JOG Chạy 30 giây Chạy JUM Nhảy 30 giây Nhảy liên tục STU Lên cầu thang 10 giây STN Xuống cầu thang 10 giây SCH Đứng chuyển sang ngồi giây SIT Ngồi ghế phút CHU Ngồi chuyển sang giây 39 Đi lên cầu thang (10 bậc) Đi xuống cầu thang (10 bậc) Chuyển tiếp từ đứng sang ngồi (ngồi ghế) Ngồi ghế với cử động nhẹ nhàng Chuyển tiếp từ ngồi đứng sang đứng (đứng lên từ ghế) 10 CSI Bước vào xe giây Bước vào xe 11 CSO Bước khỏi xe giây Bước khỏi xe Dữ liệu hành vi bất OTR Tập hợp liệu ngã 10 giây thường cụ thể hành động ngã Bảng 3.2: Mô tả liệu hành động người 12 Gọi R toàn tập liệu huấn luyện bao gồm tập liệu 11 hành động trên, để nhận dạng hành động sử dụng thuật toán phân loại nhị phân để phân loại hành động với tất hành động lại (OVA - onevs-all) Với liệu bất thường nhằm kiểm tra mơ hình lấy hành động ngã làm liệu kiểm tra gán nhãn OTR 3.2.2 Cấu hình hệ thống Thực nghiệm chạy máy tính với cấu Intel(R) Core (TM) i73740QM CPU 2.70GHz, RAM 8GB, Window 10 Professional Code chương trình viết tảng ngơn ngữ java, có sử dụng thư viện mã nguồn mở WEKA 3.7 để xây dựng mơ hình cài đặt thực nghiệm 3.2.3 Kết thực nghiệm a) Kết phân lớp liệu Kết pha thứ xây dựng mô hình có ý nghĩa quan trọng với tỷ lệ xác mơ hình cao pha thứ đạt hiệu cao Dựa vào kết nhóm nghiên cứu thầy hướng dẫn với kết tỷ lệ chồng liệu đạt 90% tham số RF sau cho kết tốt P = 100; I = 100; num-slots = 1; K =10; M = 1.0; V = 0.001; S = [20] Trong đó: - P (Bag size percent): Kích thước túi, theo tỷ lệ phần trăm kích thước tập huấn luyện 40 - I (numIterations): Số lượng rừng ngẫu nhiên - Num-slot (numExecutionSlots): Số lượng luồng sử dụng để xây dựng nhóm - K (numFeatures): Số lượng thuộc tính chọn ngẫu nhiên - M (minimum number of instances): Đặt số lượng cá thể tối thiểu cho lá - V (minimum variance for split): Đặt tỷ lệ phương sai loại số tối thiểu - S (seed): Số hạt giống ngẫu nhiên sử dụng Từ tham số thuật toán RF tỷ lệ chống liệu luận văn chạy huấn luyện 11 mơ hình tương ứng với 11 hành động các cửa sổ W khác Sau kết chạy 11 hành động cửa sổ W có độ dài 128: STT Nhãn Precision Recall F-Measure CHU 0.998 0.999 R\CHU 0.002 CSI 0.955 0.001 0.99 R\CSI 0.999 0.045 0.997 CSO 0.987 0.998 R\CSO 0.013 0.999 JOG 0.993 0.001 0.995 R\JOG 0.999 0.007 0.999 JUM 0.997 0.998 R\JUM 0.003 SCH 0.981 0.001 0.992 R\SCH 0.999 0.019 0.999 STD 0.998 0.997 R\STD 0.002 STN 0.939 0.001 0.984 R\STN 0.999 0.061 0.995 41 STU 0.944 0.001 0.991 R\STU 0.999 0.056 0.995 WAL 0.991 0.001 0.99 R\WAL 0.999 0.009 0.999 SIT 1 10 11 1 R\SIT Bảng 3.3: Kết phân lớp hành động Trong với hành động CHU CHU ký hiệu R\CHU tương tự với các hành động khác Với các cửa sổ W khác có kết độ xác thống kê bảng đây: Accuracy STT Nhãn W = 64 W = 128 W = 256 W = 512 CHU 99.9872 99.9881 99.9664 99.9766 CSI 99.3223 99.607 99.7752 99.8594 CSO 99.8959 99.8874 99.8584 99.8828 JOG 99.5982 99.8734 99.9469 99.959 JUM 99.8055 99.9489 99.9841 99.9766 SCH 99.6813 99.8245 99.8637 99.9121 SIT 99.9971 99.9986 100 100 STD 99.9103 99.951 99.977 99.9824 STN 99.1112 99.3999 99.5663 99.5253 10 STU 99.0387 99.4916 99.6938 99.5371 11 WAL 99.6295 99.7993 99.9133 99.9355 Bảng 3.4: Tổng hợp Accuracy hành động theo độ dài cửa sổ W b) Kết mô hình Kết nhận dạng hành động với liệu bất thường bình thường cửa sổ khác khác 42 Trong nghiên cứu, thử nghiệm thống kê tỷ lệ đoán sai hành vi bình thường mơ hình với liệu bình thường, tỷ lệ đoán hành vi bất thường với liệu ngã (được coi bất thường) cụ thể đây: Với liệu bất thường Bộ liệu bất thường lấy từ hành động ngã liệu mẫu, tập hợp các hành động ngã coi hành vi bất thường Với liệu bất thường mơ hình cho kết độ xác mơ hình tương ứng với cửa sổ W, W’ khác khác Tỷ lệ (Ɛ) W=512 W' = 256 W=512 W' = 128 W=512 W' = 64 W=256 W' =128 W=256 W' =64 W=128 W' =64 0.1 0.7680 0.7763 0.7815 0.7938 0.7908 0.8779 0.2 0.7695 0.7812 0.7898 0.8047 0.8098 0.8872 0.3 0.7718 0.7872 0.7988 0.8186 0.8243 0.8962 0.4 0.7774 0.7980 0.8101 0.8305 0.8440 0.9050 0.5 0.7920 0.8063 0.8176 0.8577 0.8625 0.9267 0.6 0.7999 0.8138 0.8243 0.8768 0.8834 0.9372 0.7 0.8048 0.8318 0.8378 0.8934 0.9125 0.9484 0.8 0.8149 0.8607 0.8645 0.9104 0.9365 0.9587 0.9 0.8296 0.9020 0.9294 0.9308 0.9618 0.9696 1.0 0.9951 0.9962 0.9932 0.9985 0.9970 0.9982 Bảng 3.5: Kết kiểm tra mơ hình chạy với liệu bất thường Nhìn vào bảng kết thấy độ dài cửa sổ W W’ ảnh hưởng lớn tới kết nhận dạng hành vi bất thường Với liệu bình thường Tỷ lệ (Ɛ) W=512 W' = 256 W=512 W' = 128 W=512 W' = 64 W=256 W' =128 W=256 W' =64 W=128 W' =64 0.1 0.0388 0.0378 0.0406 0.0623 0.0640 0.1095 0.2 0.0394 0.0383 0.0430 0.0643 0.0680 0.1137 43 Tỷ lệ (Ɛ) W=512 W' = 256 W=512 W' = 128 W=512 W' = 64 W=256 W' =128 W=256 W' =64 W=128 W' =64 0.3 0.0401 0.0390 0.0466 0.0668 0.0734 0.1183 0.4 0.0414 0.0412 0.0527 0.0695 0.0827 0.1242 0.5 0.0452 0.0437 0.0605 0.0775 0.0920 0.1391 0.6 0.0478 0.0477 0.0719 0.0826 0.1033 0.1499 0.7 0.0522 0.0569 0.0892 0.0895 0.1265 0.1654 0.8 0.0593 0.0728 0.1174 0.0987 0.1571 0.1891 0.9 0.0707 0.0983 0.1990 0.1165 0.2153 0.2271 1.0 0.9978 0.9922 0.9800 0.9941 0.9842 0.9901 Bảng 3.6: Kết kiểm tra mơ hình chạy với liệu bình thường Dữ liệu tỷ lệ đoán nhầm sang hành động bình thường thành bất thường Từ kết với hai liệu ta thấy tham số tối ưu là: Cửa sổ lớn W =256 Cửa sổ nhỏ W’ = 128 Ngưỡng Ɛ = 0.7 Chúng ta đánh giá mơ hình cách giả sử khơng sử dụng kỹ thuật so khớp kết cửa sổ W W’ ta có kết sau: STT Đội dài W Số mẫu đoán sai Tổng số mẫu Tỷ lệ % đoán nhầm 512 877 2,664 32.92% 256 2,218 8,642 25.67% 128 3,065 21,324 14.37% Bảng 3.7: Tỷ lệ đoán nhầm sử dụng phân lớp theo cửa sổ W Với cửa sổ W=256 tỷ lệ đoán sai mẫu liệu bất thường đạt 25.67%, sử dụng với cửa sổ nhỏ W’ tỷ lệ đoán sai 14.37% 44 Từ kết cho thấy sử dụng phương pháp so khớp chia cửa sổ W theo mơ hình đạt hiệu cao so với phương pháp nhận dạng thông thường khẳng định mơ hình đưa hướng nghiên cứu hiệu Tuy nhiên để cải thiện thêm hiệu phương pháp hướng nghiên cứu cần tập trung vào cách để tăng độ xác nhận dạng theo cửa sổ lớn W, áp dụng mơ hình so khớp cửa sổ theo đề xuất đạt hiệu tốt Kiểm tra mơ hình với liệu hành động phức 01 người Để mơ hành động bình thường người luận văn nghiên cứu ghép các liệu bình thường theo cấu trúc cho trước ví dụ ngồi nghỉ, đưới dậy, bộ, ngồi nghỉ… để tạo kịch hành động người bình thường Hình 3.5 Dữ liệu theo trục thời gian hành động phức Dữ liệu cắt theo cửa sổ W = 256 ta 6057 mẫu tỷ lệ nhận dạng hành vi bất thường 185 mẫu đạt tỷ lệ 3.1% 3.3 Kết chương Trong Chương luận văn nghiên cứu đưa mơ hình phát hành động bất thường dựa các kỹ thuật phân tích, phân nhóm liệu, kết 45 hợp với kỹ thuật so khớp nhận dạng hành động nhiều cửa số liệu khác Kết thực nghiệp cho thấy kết hợp các phương pháp phân loại, phân lớp liệu thơng thường với kỹ thuật tính toán khác so khớp liệu, chia tách liệu khác có hiệu qua cao Kết chương đưa tham số tối ưu F (W=256, W’=128, Ɛ = 0.7) cho mơ hình hướng nghiên cứu Tuy nhiên kết hướng nghiên cứu chưa thực tốt nhận dạng hành động cửa sổ lớn W hạn chế 46 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Phát hành vi bất thường lĩnh vực nghiên cứu quan trọng lĩnh vực chăm sóc sức khỏe theo dõi y tế cho đặc biệt cho đối tượng người già, người có tiền sử bệnh lý đột quỵ, cao huyết áp Nếu phát nhanh xác hành vi bất thường giúp giảm thiểu tối đa hậu gây ra, nâng cao sức khoẻ người Tuy nhiên nay, các nghiên cứu phát hành vi ngồi nước cịn nhiều điểm hạn chế giá thành cao, xâm phạm tính riêng tư Chính vậy, hướng nghiên cứu luận văn tiếp cận theo hướng sử dụng các cảm biến điện thoại có giá thành hợp lý kết hợp các phương pháp học máy phân tích hiệu các tín hiệu cảm biến để phát các hành vi bất thường người Luận văn khảo sát các cách tiếp cận khác cho toán phát hành vi bất thường, đề xuất phương pháp phát hành vi bất thường giống ngã Các thực nghiệm thực để chứng minh tính đắn phương pháp đề xuất với kết xác 89% Thực nghiệm tiến hành với tập liệu gồm 11 hoạt động bình thường 01 tập hành động bất thường Kết đạt tương đối tốt với tập liệu phức tạp cho thấy tính đắn phương pháp đề xuất Những kết luận văn: Luận văn tiến hành tìm hiểu, thu thập, khảo sát tính chất liệu cảm biến, các kỹ thuật phân tích liệu Xây dụng thành cơng mơ hình phát hành vi bất thường cách phân đoạn cửa sổ liệu hành động thành các đoạn với kích thước cửa sổ đủ nhỏ Nhận dạng hành động dựa so khớp giữ việc nhận dạng hành động loại cửa sổ từ đưa ngưỡng giá trị tối ưu cho mơ hình phát hành vi bất thường 2) Hướng phát triển luận văn: 47 Dựa sở các phương pháp đề xuất, luận văn phát triển theo hướng xây dựng hồn chỉnh ứng dụng thực tế với chi phí phù hợp để hỗ trợ theo dõi người bệnh vận động người cao tuổi Việt Nam Nghiên cứu bổ sung liệu các hành vi bình thường khác 11 hành động luận văn nêu để mơ hình bao quát tồn hoạt động bình thường ngày người 48 TÀI LIỆU THAM KHẢO [1.] K G Montero Quispe, W Sousa Lima, D Macêdo Batista, and E Souto, “MBOSS: A symbolic representation of human activity recognition using mobile sensors,” Sensors, vol 18, no 12, p 4354, 2018 [2.] W Z Khan, Y Xiang, M Y Aalsalem, and Q Arshad, “Mobile Phone Sensing Systems: A Survey,” IEEE Commun Surv Tutor., vol 15, no 1, pp 402–427, 2013, doi: 10.1109/SURV.2012.031412.00077 [3.] M Khan, S I Ahamed, M Rahman, and R O Smith, “A Feature Extraction Method for Realtime Human Activity Recognition on Cell Phones,” p [4.] O D Lara, A.J.P, M A Labrador, and J D Posada, , Centinela: A humanactivity recognition system based on acceleration and vital sign data.Journal on Pervasive and Mobile Computing, 2011 [5.] Janusz Kacprzyk, Systems Research Institute, Polish Academy of Sciences, Warsaw, Poland: An Interpretable Machine Learning Model for Human Fall Detection Systems Using Hybrid Intelligent Models, 2020 [6.] A Nadeem, A Mehmood, and K Rizwan, “A dataset build using wearable inertial measurement and ECG sensors for activity recognition, fall detection and basic heart anomaly detection system,” Data Brief, vol 27, p 104717, 2019 [7.] Y Wang, S Cang, and H Yu, “A survey on wearable sensor modality centred human activity recognition in health care,” Expert Syst Appl., vol 137, pp 167– 190, 2019 [8.] Friedman, N., Geiger, D., Goldszmidt, M.: “Bayesian network classifiers”, 1997 [9.] Kramer O K-Nearest Neighbors In: “Dimensionality Reduction with Unsupervised Nearest Neighbors”, p 13-23, 2013 [10.] Cortes, Corinna; Vladimir Vapnik, "Support-Vector Networks" 1995 [11.] Richard A Berk, “Statistical Learning from a Regression Perspective”, pp.193-254, 2008 [12.] Christian Charras, Therry Lecroq, “Handbook of Exact String Matching Algorithms” King's College Publications, 2004 [13.] Prof Alberto Pettorossi “Techniques for Searching, Parsing, and Matching” 2021 [14.] Boyer, R.S., Moore, J.S “A Fast String Searching Algorithm”, Communications of the Association for Computing Machinery, 20, 762-772, 1977 [15.] D.-N Lu, D.-N Nguyen, T.-H Nguyen, and H.-N Nguyen, “Vehicle mode and driving activity detection based on analyzing sensor data of smartphones,” Sensors, vol 18, no 4, p 1036, 2018 49 [16.] M Shoaib, S Bosch, O Incel, H Scholten, and P Havinga, “A Survey of Online Activity Recognition Using Mobile Phones,” Sensors, vol 15, no 1, pp 2059– 2085, 2015 [17.] D Figo, P C Diniz, D R Ferreira, and M P Cardoso, “Preprocessing techniques for context recognition from accelerometer data,” pp 645–662, 2010 [18.] B O Hjorth, “Technical contributions eeg analysis based on time domain properties,” pp 306–310, 1970 [19.] G Vavoulas, C Chatzaki, T Malliotakis, M Pediaditis, and M Tsiknakis, “The mobiact dataset: Recognition of activities of daily living using smartphones,” in International Conference on Information and Communication Technologies for Ageing Well and e-Health, 2016, vol 2, pp 143–151 [20.] Phí Bá Chiến - Luận văn thạc sỹ “Nghiên cứu xây dựng hệ thống phát hành động ngã người dựa cảm biến điện thoại di động” 2021 50 ... QUANG LUYỆN NGHIÊN CỨU, XÂY DỰNG MƠ HÌNH ĐÁNH GIÁ, PHÁT HIỆN HÀNH VI BẤT THƯỜNG DỰA TRÊN PHÂN TÍCH DỮ LIỆU CẢM BIẾN TRONG ĐIỆN THOẠI THƠNG MINH LUẬN VĂN THẠC SĨ NGÀNH: Cơng nghệ thông tin Cán... ? ?Nghiên cứu, xây dựng mơ hình đánh giá, phát hành vi bất thường dựa phân tích liệu cảm biến điện thoại thông minh? ?? Mục tiêu luận văn Mục tiêu nghiên cứu đề tài tập trung vào xây dựng mơ hình. .. triển theo hướng nghiên cứu 17 phát hành vi bất thường cách phân tích liệu cảm biến cụ thể cảm biến gia tốc quay hồi chuyển điện thoại thông minh Với vi? ??c liệu mẫu hành vi bất thường ít, mặt