Phát hiện bất thường trong dáng đi ở người dựa trên khung xương sử dụng mô hình Markov ẩn

Bài viết đề xuất giải pháp phát hiện dáng đi bất thường ở người dựa trên việc xây dựng một mô hình dáng đi bình thường. Cụ thể, mô hình này được tạo ra dựa trên mối quan hệ về vị trí của một tập các khớp xương và sự biến đổi của các thông số này theo thời gian. Kết quả thực nghiệm trên 5 đối tượng với hai kiểu dáng đi bất thường cho thấy giải pháp đề xuất mang lại kết quả hứa hẹn trong việc giải quyết bài toán đặt ra. Mời các bạn cùng tham khảo!

Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Phát bất thường dáng người dựa khung xương sử dụng mơ hình Markov ẩn Nguyễn Trọng Ngun, Huỳnh Hữu Hưng Khoa Công nghệ Thông tin, Đại học Bách khoa, Đại học Đà Nẵng, Việt Nam Email: {ntnguyen, hhhung}@dut.udn.vn Tóm tắt—Phát bất thường dáng người toán nghiên cứu rộng rãi lĩnh vực thị giác máy tính nói chung chăm sóc sức khỏe nói riêng Đây vấn đề phức tạp tồn nhiều loại bất thường dáng khác nhau, ví dụ lê bước đau khớp gối hay trọng tâm thể thay đổi liên tục khom lưng, tất có sẵn mẫu Trong báo này, đề xuất giải pháp phát dáng bất thường người dựa việc xây dựng mơ hình dáng bình thường Cụ thể, mơ hình tạo dựa mối quan hệ vị trí tập khớp xương biến đổi thông số theo thời gian Kết thực nghiệm đối tượng với hai kiểu dáng bất thường cho thấy giải pháp đề xuất mang lại kết hứa hẹn việc giải tốn đặt Từ khóa—Dáng đi, chu kỳ, khung xương, phân cụm, mơ hình hóa I GIỚI THIỆU Các chấn thương liên quan đến xương xem tác nhân nguy hiểm có ảnh hưởng lớn đến sức khỏe người cao tuổi Nhiều giải pháp đánh giá sức khỏe người già đề xuất với hỗ trợ hệ thống tự động Một số nghiên cứu thực việc phân tích dáng với hỗ trợ cảm biến gia tốc gắn giày [1] người [2] Các thiết bị dùng để ước lượng thông số liên quan đến dáng độ dài sải chân, chiều dài bước, hay tốc độ di chuyển Ở [1], mơ hình dáng bất thường người xây dựng dựa kĩ thuật mơ hình Markov ẩn kết hợp với thơng tin ngón chân thu cảm biến gắn giày bao gồm quay hồi chuyển ba chiều gia tốc kế có tác dụng ước lượng vận tốc góc gia tốc bàn chân Ngoài ra, bốn điện trở cảm biến lực căng cảm biến uốn cong gắn đế giày để thu nhận thông tin lực Các đặc trưng dùng cho việc mơ hình hóa trích xuất dựa phương pháp phân tích thành phần (PCA) [3] Việc đánh giá dáng thực dựa độ đo tương tự Nghiên cứu [2] đánh giá nguy té ngã 349 người cao tuổi dựa thông tin dáng thông số thăng xác định thông qua cảm biến gắn người Trong 44 thông số thu từ cảm biến, 29 giá trị cho hiệu phân loại tốt hai nhóm bệnh nhân: có khơng có tiền sử chấn thương té ngã Kết dự đoán khả bị ngã khứ đạt hiệu gần 80% với hỗ trợ mơ hình hồi quy Mặc dù nghiên cứu nêu mang lại hiệu hứa hẹn việc phát cố trình di chuyển đánh giá nguy té ngã, việc sử dụng cảm biến lại mang đến bất tiện người dùng phải gắn chúng lên người Bên cạnh đó, chức theo dõi cảm biến bị gián đoạn q trình nạp lại lượng (ví dụ sạc pin) Ngồi ra, chi phí cho thiết bị lớn người cần trang bị cảm biến riêng Để khắc phục hạn chế nêu trên, nhà nghiên cứu hướng đến hệ thống thị giác máy tính xây dựng giải pháp tương ứng Ở [4], tác giả sử dụng cặp camera hiệu chuẩn, gắn cố định ví trí cao tường nhà Các camera thu ảnh với tốc độ khung hình giây với độ phân giải 640 × 480 điểm ảnh Hình chiếu đối tượng chuyển động xác định dựa thông tin màu kết cấu Các kết thu sau ánh xạ vào khơng gian rời rạc dựa thông số nội ngoại trình hiệu chuẩn, từ xây dựng đối tượng chiều tương ứng Với chuỗi ảnh bước đi, vị trí bước chân đánh dấu Cuối cùng, thông số (liên quan đến tọa độ chiều) vị trí tính tốn Mặc dù thơng số vật lý ước tính tương đối xác, độ phức tạp với chi phí tính tốn q trình hiệu chuẩn đồng trở thành vấn đề ảnh hưởng đến hiệu suất hoạt động hệ thống, đặc biệt việc tái cấu trúc đối tượng chiều Một số nghiên cứu khác phân tích dáng dựa ảnh màu thu từ camera Giải pháp đề xuất [5] sử dụng luồng quang học kết hợp với phân tích thành phần để xây dựng đặc trưng Thuật toán k láng giềng gần (k-NN) dựa khoảng cách 378 ISBN: 978-604-67-0635-9 378 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hausdorff sử dụng để thực việc phân lớp Hạn chế lớn giải pháp khả tích hợp vào hệ thống xử lý theo thời gian thực chi phí tính tốn dựa luồng quang học lớn Ngồi ra, mức độ tổng qt hóa giải pháp không đảm bảo việc thực nghiệm áp dụng hai liệu thu người Ở [6], nhà nghiên cứu mã hóa hình dạng đối tượng dựa việc chia lưới Thông tin chuyển động đối tượng xây dựng cách ghép nối chuỗi vectơ đặc trưng tương ứng với khung hình theo thời gian Mỗi mẫu phân loại dựa phân lớp máy vectơ tựa (SVM) Mặc dù độ xác đạt 7080%, việc đánh giá dáng khoảng thời gian theo phương pháp tồn hạn chế Sự xuất vài tư bất thường (ví dụ trường hợp ảnh thu bị ảnh hưởng nhiễu) chuỗi chuyển động bình thường làm sai lệch đáng kể kết phân lớp Giải pháp đề xuất báo hướng đến việc khắc phục hạn chế nêu Qua khảo sát, nhận thấy tư người đánh giá dựa khung xương, chuỗi khung xương biểu diễn thông tin dáng Trong báo này, đề xuất giải pháp xây dựng mô hình dáng bình thường nhằm phát bất thường trình di chuyển người Đầu vào hệ thống khung xương tọa độ chiều khớp cung cấp camera Kinect Thông tin xác định dựa ảnh độ sâu thu hệ thống cảm biến hồng ngoại bên Kinect Ảnh thu với tốc độ 30 khung hình giây độ phân giải 640 × 480, đồng thời khơng bị tác động ánh sáng môi trường Tư người khung hình chúng tơi biểu diễn góc khớp thuộc nửa thể thông số hình học liên quan Phần cịn lại báo tổ chức sau Phần II trình bày ý tưởng giải vấn đề đặt Giải pháp đề xuất trình bày chi tiết phần III Trong phần IV, tiến hành thực nghiệm phân tích kết Cuối cùng, kết luận đưa phần V II PHÁT HIỆN DÁNG ĐI BẤT THƯỜNG Trong chuỗi ảnh biểu diễn trình bước người, thông tin dễ dàng quan sát tư thời điểm t cụ thể, p(t) Thông thường, tư chứa đựng thông tin hướng, vị trí mối quan hệ đoạn xương nối tiếp khung xương tương ứng với thể người Đây xem đơn vị thông tin dùng để biểu diễn dáng người theo thời gian Trên thực tế, việc trích xuất thông tin tất xương điều không cần thiết Để đánh giá dáng đi, chúng 379 379 sử dụng xương thuộc phần nửa thể, bao gồm xương hông, xương đùi, cẳng chân bàn chân Các xương cung cấp thông tin đáng tin cậy việc phân biệt kiểu bước khác Lưu ý khái niệm khung xương báo ý dạng thông tin cung cấp Kinect, khơng hồn tồn giống xương lĩnh vực sinh học, y tế Đối với việc bước bình thường, tư người thường thỏa mãn số điều kiện định, ví dụ góc hình học tương ứng với khớp xương nằm miền giá trị cụ thể, tùy thuộc loại khớp Nhiều nghiên cứu người thực việc di chuyển cách lặp lại dạng thức chuyển động định [7] Ngoài ra, tuần hoàn chuyển động phận thể quan sát rõ việc bước bình thường, ngẫu nhiên thường tồn dáng bất thường Sự bất thường dáng người khơng tồn trường hợp khơng có xuất tư bất thường, mà chuỗi tư bình thường Nói cách khác, thơng tin tư chưa đủ để đánh giá dáng Do đó, ta cần xem xét kết hợp loạt tư theo thời gian Ví dụ, tư khác thường khơng quan sát q trình lại người bị nhức xương (nhẹ), nhận thấy dựa tốc độ di chuyển Vì vậy, chúng tơi xem xét dáng theo quãng thời gian, cụ thể chu kỳ bước nghiên cứu này, tương ứng với chuỗi tư p(t) Ý tưởng chúng tơi đưa mơ hình hóa dáng bình thường người chu kỳ Cụ thể, chuỗi ảnh biểu diễn việc di chuyển tách thành chu kỳ, chu kỳ biểu diễn dãy từ mã tương ứng với vectơ đặc trưng trích xuất từ khung xương tư p(t) Một giá trị ngưỡng ước lượng tự động trình huấn luyện dùng để định chu kỳ bình thường hay bất thường Quá trình xử lý cụ thể trình bày chi tiết phần III GIẢI PHÁP ĐỀ XUẤT Tổng quan giải pháp thể hình A Trích xuất đặc trưng Dữ liệu vào hệ thống chuỗi khung xương với khớp (cổ, vai, gối, ) tương ứng với thể người xác định dựa ảnh độ sâu với mật độ xác suất tương ứng với loại khớp [8] Tập hợp xương khớp sử dụng để mô tả tư người khác tùy thuộc tốn Ở đây, dáng đặc trưng chuyển động vùng xương nửa thể, nên sử dụng khớp xương Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) F1 F2 Ft Ft+1 Fm Fn Khung hình: − → v = (xC − xB , yC − yB , zC − zB ) = (v1 , v2 , v3 ) (2) ❄ ❄ ❄ ❄ ❄ ❄ Khung xương: S1 S2 St St+1 Sm Sn Đặc trưng: ❄ ❄ ❄ ❄ ❄ ❄ V1 V2 Vt Vt+1 Vm Vn Từ mã: ❄ ❄ ❄ ❄ ❄ ❄ W1 W2 Wt Wt+1 Wm Wn Chu kỳ bước đi: C1 C2 Cx Hình 1: Tổng quan giải pháp B Chuyển đổi vectơ sang từ mã (3) Sáu đặc trưng ước lượng dựa ba phương trình (1), (2) (3), đặc trưng thứ bảng I có khác biệt Tọa độ khớp tương ứng với đặc trưng trước sử dụng, chia cho chân Giá trị góc đặc trưng tính dựa góc hai vectơ pháp tuyến tương ứng với mặt phẳng chân Cho đến lúc này, tư người khung hình biểu diễn vectơ phần tử Nhằm đơn giản hóa việc biểu diễn dáng đi, vectơ chuyển đổi thành tập từ mã Xây dựng mơ hình / Nhận dạng → − → u − v → → ABC = (− u,− v ) = cos−1 → − → u − v u v + u2 v + u v −1 = cos u21 + u22 + u23 v12 + v22 + v32 KP KT Hình 2: Các đặc trưng vị trí khớp tương ứng KT: khớp tạo thành mặt phẳng chân trái KP: khớp tạo thành mặt phẳng chân phải từ phần hông trở xuống Để tránh bị ảnh hưởng kích thước thể khác nhau, có giá trị góc sử dụng thay thơng tin liên quan đến độ dài xương Có tất giá trị, gồm góc khớp góc mặt phẳng hình học, sử dụng để mô tả tư thể người khung trình bày bảng I minh họa hình Đặc trưng tương ứng với khớp tính tốn dựa tọa độ ba chiều ba khớp liên quan Giả sử ta quan tâm đến góc khớp B tạo thành đoạn xương BA BC, A(xA , yA , zA ), B(xB , yB , zB ) C(xC , yC , zC ) khớp Giá trị góc khớp B xác định dễ dàng dựa cơng thức hình học sau: − → u = (xA − xB , yA − yB , zA − zB ) = (u1 , u2 , u3 ) (1) Quá trình hướng đến mục tiêu biểu diễn tư người khung hình giá trị vơ hướng thay vectơ Điều giúp loại bỏ sai lệch nhỏ tư (tồn nhiễu hay dáng người khác nhau) Việc chuyển đổi thực giải thuật phân cụm k-means, sử dụng nhiều nghiên cứu thị giác máy tính tính đơn giản hiệu Các vectơ nhóm lại dựa khoảng cách không gian Trước hết, k tâm tương ứng với k cụm khởi tạo ngẫu nhiên từ điểm liệu sẵn có Tiếp theo, khoảng cách tất điểm liệu đến tâm đo Mỗi điểm gán vào cụm có tâm nằm gần Tọa độ tâm cụm cập nhật cách tính trung bình tọa độ tất điểm cụm Quá trình lặp lại khơng có thay đổi tâm cụm Các vectơ bên cụm chuyển đổi thành từ mã có giá trị định, cụm mang giá trị từ mã khác C Phân tách chu kỳ bước Chúng định nghĩa chu kỳ bước dựa thông số vật lý có tính tuần hồn cách tương đối Trong giải pháp đề xuất, chọn khoảng cách hai mắt cá chân giá trị có biến đổi dạng sóng theo thời gian Tuy vậy, khoảng cách thường bị dao động nhẹ kĩ thuật định vị khớp Kinect Do đó, việc áp dụng lọc làm mượt điều cần thiết trước tiến hành phân tách chu kỳ bước Kĩ 380 380 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) ID Góc đặc trưng Hơng trái Hơng phải Đầu gối trái Đầu gối phải Mắt cá chân trái Mắt cá chân phải Hai mặt phẳng chân Góc tạo thành Xương hông trái Xương đùi trái Xương hông phải Xương đùi phải Xương đùi trái Ống chân trái Xương đùi phải Ống chân phải Ống chân trái Bàn chân trái Ống chân phải Bàn chân phải Mặt phẳng khớp chân trái Mặt phẳng khớp chân phải st = xt αxt + (1 − α)st−1 t=0 t>0 (4) với α hệ số làm mượt (0 < α < 1), t thứ tự khung hình theo thời gian, xt st khoảng cách đo khoảng cách làm mượt Sau có giá trị khoảng cách (dạng sóng), chu kỳ bước xác định dựa cặp giá trị cực đại cục liên tiếp với hỗ trợ cửa sổ trượt có kích thước cố định Chúng tơi sử dụng kĩ thuật không đơn giản trực quan mà khả ứng dụng hệ thống thực thi theo thời gian thực Tại thời điểm t, cửa sổ trượt xem xét chuỗi giá trị khoảng cách từ thời điểm (t − n + 1) đến t, với n chiều rộng cửa sổ Nếu giá trị cực đại chuỗi nằm trung vị, tư người khung hình tương ứng xem đầu chu kỳ, tương ứng với điểm kết thúc chu kỳ trước điểm bắt đầu chu kỳ Để tránh trường hợp tồn dao động nhỏ sau làm mượt, ngưỡng thống kê (ví dụ độ lệch chuẩn) kĩ thuật hồi quy áp dụng để xử lý vấn đề Vì Kinect có miền quan sát thuộc phạm vi độ sâu cố định nên ta ước lượng kích thước cửa sổ dựa vị trí lắp đặt camera thực tế mà đảm bảo độ ổn định việc tách chu kỳ Một ví dụ minh họa cách tách chu kỳ dựa khoảng cách hai mắt cá chân trình bày hình khung hình trung vị cực đại khoảng cách (cm) thuật làm mượt theo hàm mũ sử dụng với công thức tổng quát khoảng cách (cm) Bảng I: Các đặc trưng mô tả tư khung xương D Xây dựng mơ hình dáng bình thường Có nhiều kĩ thuật khác thường dùng để giải tốn nhận dạng, phổ biến so khớp mẫu sử dụng mơ hình Chúng sử dụng phương pháp thứ hai để thực việc phân loại dáng lý sau Các chuỗi từ mã tương ứng với chu kỳ bước có độ dài khác Do kĩ thuật so khớp thường co dãn chuỗi nhằm tạo cặp 381 381 cực đại chu kỳ khung hình Hình 3: Quá trình phân tách chu kỳ bước Biểu đồ trên: liệu thô Biểu đồ dưới: liệu làm mượt chuỗi để tính khoảng cách, ví dụ dynamic time warping [9] Trong đó, độ dài chuỗi, hay thời gian thực chu kỳ, đặc điểm quan trọng để đánh giá chu kỳ Việc bước quãng đường ngắn với quãng thời gian lớn biểu việc thể có vấn đề Mơ hình dáng bình thường chúng tơi xây dựng dựa kĩ thuật mơ hình Markov ẩn (HMM) [10] với tập chu kỳ tương ứng với dáng bình thường HMM chọn biểu diễn tốt chuyển đổi tư trình di chuyển người Một lý khác để chọn HMM vectơ đặc trưng chu kỳ có độ dài khác Điều quan trọng thực tế, độ dài vectơ chịu ảnh hưởng tốc độ di chuyển Cấu trúc tổng quan mơ hình chúng tơi sử dụng minh họa hình Lưu ý số quan sát mơ hình xác định tham số k trình phân cụm Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) a11 q1 a22 a12 q2 an,n a23 an−1,n qn Hình 4: Mơ hình Markov ẩn với n trạng thái qi , aij xác suất chuyển trạng thái từ i sang j E Ước lượng ngưỡng Giá trị ngưỡng dùng để phân biệt chu kỳ thuộc dáng bình thường hay bất thường ước lượng dựa giá trị trung bình độ lệch chuẩn logarit xác suất chu kỳ huấn luyện sinh mơ hình xây dựng Độ lệch chuẩn thường dùng thống kê để xác định giá trị nằm gần trị trung bình (bình thường) hay lớn nhỏ (bất thường) Cơng thức ước lượng ngưỡng có dạng tổng qt θ =µ+λ n i=1 (ζi n − µ)2 Hình 5: Các dáng thử nghiệm theo thứ tự từ xuống: bình thường, bất đối xứng trái-phải khom lưng Người 01 02 03 04 05 (5) Bình thường 26 43 68 27 21 Khom lưng 42 48 59 45 48 Bất đối xứng hai chân 41 48 56 46 35 Bảng II: Số lượng chu kỳ tương ứng với loại dáng sử dụng thực nghiệm với θ ngưỡng, λ số, n số lượng chu kỳ huấn luyện, ζ µ logarit xác suất chu kỳ giá trị trung bình Lưu ý µ λ giá trị âm logarit xác suất số dương Một chu kỳ bước xem bình thường logarit xác suất tương ứng với mơ hình xây dựng lớn ngưỡng θ Ngược lại, hệ thống cho có bất thường xảy trình di chuyển người Trong ứng dụng thực tế, số luật áp dụng để nâng cao hiệu nhận dạng, ví dụ yêu cầu lượng tối thiểu chu kỳ bất thường quãng thời gian để xác nhận bước với giả định lưng bị đau Lúc này, trọng tâm thể có xu hướng đổ trước tay đặt vào chỗ đau sau lưng Vì vậy, trọng tâm thể ln chuyển đổi qua lại hai chân, tùy vào chân bước phía trước, thể có xu hướng nghiêng hai bên trình di chuyển Trong trường hợp tay đặt sau lưng, vị trí tay Kinect định vị khơng xác, điều không ảnh hưởng đến giải pháp đề xuất Cả ba dáng thực nghiệm minh họa hình Số lượng chu kỳ bước (được phân tách kĩ thuật trình bày phần III.C) tương ứng với người liệu trình bày bảng II Mơ hình dáng bất thường xây dựng dựa 2/3 lượng chu kỳ dáng bình thường chọn ngẫu nhiên, với hệ số làm mượt α phương trình (4) 0.2 số λ (5) −1.28 Qua khảo sát, chúng tơi nhận thấy chưa có giải pháp tối ưu hóa tốn chọn tham số cho mơ hình Markov ẩn Vì việc thực nghiệm tiến hành lượng lớn mơ hình khác chọn mơ hình cho hiệu cao Độ xác nhận dạng tương ứng với 400 mơ hình Markov ẩn thử nghiệm trình bày hình Mơ hình cho kết cao bao gồm 33 quan sát 16 trạng thái với độ xác 86.06% Việc sử dụng lượng lớn trạng thái quan sát làm IV THỰC NGHIỆM VÀ KẾT QUẢ Hiện chưa có liệu chuẩn khung xương người trình bước nghiên cứu tương tự đối tượng này, chúng tơi sử dụng liệu tự ghi số liệu mocap thu thập từ internet Chúng xây dựng hệ thống thử nghiệm dựa ngôn ngữ C# Dữ liệu thử nghiệm thu người thông qua Kinect môi trường nhà thực tế Dữ liệu chia thành nhóm, bao gồm dáng bình thường, bất đối xứng trái-phải khom lưng Nhóm liệu ghi người bước cách bình thường Nhóm thứ hai mô việc bước với khớp gối bị đau Khi đó, chân tương ứng khơng thể co gối thường lệ mà phải kéo lê, dẫn đến việc trọng tâm dồn sang chân lại thân người có xu hướng nghiêng bên Dáng bất thường lại 382 382 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) số trạng thái khớp Việc sử dụng ngưỡng thời gian khắc phục vấn đề này: chu kỳ ngắn bỏ qua khỏi trình nhận dạng nối với chu kỳ để tạo thành chu kỳ Ngồi ra, việc xác nhận bất bình thường với yêu cầu lượng tối thiểu chu kỳ bước bất thường quãng thời gian cải thiện độ xác hệ thống V KẾT LUẬN Trong báo này, đề xuất giải pháp hỗ trợ việc đánh giá dáng bình thường hay khơng bình thường người Cụ thể, chúng tơi xây dựng mơ hình dáng bình thường ước lượng ngưỡng tự động giúp phân loại chu kỳ bước có thuộc mơ hình hay khơng Đóng góp báo cách sử dụng đặc trưng hình học khung xương để biểu diễn dáng người theo chiều thời gian đánh giá phân đoạn (chu kỳ) Kết thực nghiệm cho thấy giải pháp đề xuất mang lại hiệu đầy hứa hẹn đồng thời đưa hướng cải tiến cho vài hạn chế tồn Trong nghiên cứu mở rộng, tiếp tục đánh giá đặc trưng thử áp dụng cho toán mơ hình hóa dáng bệnh lý số quan sát Hình 6: Hiệu nhận dạng với mơ hình Markov ẩn khác số chu kỳ Bình thường Bất thường |ζ| TÀI LIỆU Hình 7: Trị tuyệt đối logarit xác suất, |ζ| (5), tính dựa mơ hình Markov ẩn gồm 33 quan sát 16 trạng thái Ngưỡng xác định tự động trình huấn luyện THAM KHẢO [1] M Chen, B Huang, and Y Xu, “Human abnormal gait modeling via hidden markov model,” in Information Acquisition, 2007 ICIA ’07 International Conference on, July 2007, pp 517–522 [2] B Greene, A Donovan, R Romero-Ortuno, L Cogan, C N Scanaill, and R Kenny, “Quantitative falls risk assessment using the timed up and go test,” Biomedical Engineering, IEEE Transactions on, vol 57, no 12, pp 2918–2926, Dec 2010 [3] I T Jolliffe, “Principal Component Analysis and Factor Analysis,” in Principal Component Analysis, ser Springer Series in Statistics New York: Springer New York, 2002, ch 7, pp 150–166 [4] E Stone and M Skubic, “Passive in-home measurement of stride-to-stride gait variability comparing vision and kinect sensing,” in Engineering in Medicine and Biology Society,EMBC, 2011 Annual International Conference of the IEEE, Aug 2011, pp 6491–6494 [5] L Wang, “Abnormal walking gait analysis using silhouettemasked flow histograms,” in Pattern Recognition, 2006 ICPR 2006 18th International Conference on, vol 3, 2006, pp 473– 476 [6] “Automatic detection of abnormal gait,” Image and Vision Computing, vol 27, no 1–2, pp 108 – 115, 2009, canadian Robotic Vision 2005 and 2006 [7] D A Winter, Biomechanics and motor control of human movement John Wiley & Sons, 2009 [8] J Shotton, T Sharp, A Kipman, A Fitzgibbon, M Finocchio, A Blake, M Cook, and R Moore, “Real-time human pose recognition in parts from single depth images,” Commun ACM, vol 56, no 1, pp 116–124, Jan 2013 [9] “Correlation based dynamic time warping of multivariate time series,” Expert Systems with Applications, vol 39, no 17, pp 12 814 – 12 823, 2012 [10] P Fieguth, Statistical image processing and multidimensional modeling Springer Science & Business Media, 2010 tăng chi phí tính tốn, giảm khả áp dụng giải pháp cho hệ thống nhận dạng trực tiếp Trong thực nghiệm, hệ thống chúng tơi thực thi theo thời gian thực Giá trị tuyệt đối (nhằm nâng cao tính trực quan) logarit xác suất tương ứng với chu kỳ bước bình thường bất thường biểu diễn biểu đồ hình Độ xác thực nghiệm cho thấy giải pháp đề xuất mang lại hiệu hứa hẹn việc phát bất thường trình bước người Một số cải tiến thực để nâng cao chất lượng hệ thống Một dáng bình thường xuất vài chu kỳ bất thường quỹ đạo chuyển động chu kỳ có dạng cong đáng kể Tuy vậy, thực tế, người ta thay đổi hướng đột ngột nhiều chu kỳ bước liên tiếp Vì vậy, hệ thống bỏ qua chu kỳ có quỹ đạo cong (với mức độ tùy chọn) để hạn chế trường hợp phân loại sai Bên cạnh đó, số chu kỳ với thời gian thực ngắn tồn sai số q trình định vị tọa độ 383 383 ... quan sát rõ việc bước bình thường, ngẫu nhiên thường tồn dáng bất thường Sự bất thường dáng người khơng tồn trường hợp khơng có xuất tư bất thường, mà chuỗi tư bình thường Nói cách khác, thơng... khớp [8] Tập hợp xương khớp sử dụng để mô tả tư người khác tùy thuộc tốn Ở đây, dáng đặc trưng chuyển động vùng xương nửa thể, nên sử dụng khớp xương Hội Thảo Quốc Gia 2015 Đi? ??n Tử, Truyền Thông... đặc trưng mô tả tư khung xương D Xây dựng mơ hình dáng bình thường Có nhiều kĩ thuật khác thường dùng để giải tốn nhận dạng, phổ biến so khớp mẫu sử dụng mô hình Chúng tơi sử dụng phương pháp thứ