Xây dựng mạng giám sát hành vi người trong tòa nhà sử dụng công nghệ WIFI

Hệ thống giám sát hành vi người qua wifi/internet được triển khai để dự đoán năm hành động cơ bản bao gồm: Ngồi, nằm, đứng, đi bộ và chạy bộ. Bài viết này trình bày giải pháp phân loại hành động dựa trên các ngưỡng đặc trưng gia tốc điển hình theo thời gian thực. Để phát hiện các ngưỡng đặc trưng tín hiệu, nhóm nghiên cứu xây dựng mô hình phân loại hành động ứng dụng thuật toán học máy cây quyết định (DT) với đầu vào là các đặc trưng dữ liệu gia tốc ba trục.

Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Xây dựng mạng giám sát hành vi người tòa nhà sử dụng cơng nghệ WIFI ĐÀO TƠ HIỆU1,2 Trường Đại học Công nghệ Thông tin Truyền thông Học viện Khoa học Công nghệ-VAST Email: dthieu@ictu.edu.vn TRẦN ĐỨC NGHĨA Viện Công nghệ Thông tin IOIT-VAST Viện Hàn Lâm KH&CN Việt Nam Email: nghiatd@ioit.ac.vn đặc trưng trích xuất phân đoạn liệu theo thời gian với kích thước cố định ngiây huấn luyện với thuật tốn học máy định để tìm ngưỡng đặc trưng quan trọng II TỔNG QUAN Tóm tắt – Hệ thống giám sát hành vi người qua wifi/internet triển khai để dự đoán năm hành động bao gồm: ngồi, nằm, đứng, chạy Bài viết trình bày giải pháp phân loại hành động dựa ngưỡng đặc trưng gia tốc điển hình theo thời gian thực Để phát ngưỡng đặc trưng tín hiệu, nhóm nghiên cứu xây dựng mơ hình phân loại hành động ứng dụng thuật toán học máy định (DT) với đầu vào đặc trưng liệu gia tốc ba trục Từ đó, hoạt động thường ngày người theo dõi, quan sát từ xa điện thoại thông minh máy chủ liệu qua mạng wifi/internet Nghiên cứu hướng đến xây dựng hệ thống giám sát hành vi người tịa nhà có hiệu suất cao, giá thành rẻ hoạt động theo thời gian thực Kết thực nghiệm đạt độ xác 90% tốt gắn cố định thiết bị phân loại eo người tình nguyện viên tham gia thử nghiệm Từ khóa: machine learning, decision tree, wifi, phân loại, hành động, đặc trưng, gia tốc A Mơ hình phân loại hành động Mơ hình phân loại hành động (Hình 1) gồm giai đoạn chính: i> Thu thập liệu; ii> Chọn lọc đặc trưng; iii> Phân loại hành động Dữ liệu thô Tiền xử lý Phân đoạn theo thời gian Thu thập liệu Hành vi Huấn luyện, phân loại Phân loại hành động Trích chọn đặc trưng Chọn lọc đặc trưng Hình 1: Mơ hình phân loại hành động Thu thập liệu: Các hành vi người thu thập nhờ thiết bị giám sát mang người chuyển thành tín hiệu điện tương ứng Dữ liệu cần tiền xử lý giảm nhiễu loại bỏ liệu lỗi xảy trình lấy mẫu liệu Chọn lọc đặc trưng: Dữ liệu sau tiền xử lý chia thành phân đoạn theo thời gian Lựa chọn độ dài cửa sổ thời gian hợp lý giúp cho hiệu phân loại tốt Bên cạnh đó, chọn lọc đặc tính bật liệu để tăng hiệu phân loại giảm kích thước liệu đầu vào Phân loại hành động: Các đặc trưng chọn lọc gán nhãn tương ứng với hoạt động chia thành tập liệu đào tạo, tập liệu kiểm tra Dữ liệu đặc trưng huấn luyện với thuật tốn học máy để nâng cao độ xác B Thuật toán học máy Hai phương pháp phổ biến áp dụng cho toán nhận dạng hành động bao gồm: 1> học có giám sát; 2> Học khơng giám sát Phương pháp nhận dạng hoạt động người dựa thị giác máy sử dụng đầu vào camera, video… để quan sát hành động người [10], [11] Phương pháp I GIỚI THIỆU Trong năm gần đây, nhiều cơng trình khoa học cơng bố dựa phân loại hành động người y tế theo dõi sức khỏe [1], [2], cảnh báo người già bị ngã [3], [4]; an ninh [5]; thể thao, nghệ thuật, giải trí [6]–[8]; cơng nghiệp [9] Điển hình y tế giải pháp điều trị, theo dõi bệnh nhân từ xa giúp tiết kiệm nhiều thời gian, kinh phí cho bệnh nhân nhờ ứng dụng khoa học kỹ thuật Hơn nữa, bệnh nhân sau phẫu thuật lại viện lâu ngày mà y bác sĩ giám sát hành vi từ xa để dự đoán thể trạng phục hồi Do đó, nghiên cứu hướng đến xây dựng hệ thống giám sát hành vi người dựa thiết bị nhỏ gắn cố định eo người có khả kết nối máy chủ liệu qua hạ tầng mạng wifi/internet Nhóm nghiên cứu đề xuất sử dụng năm loại đặc trưng liệu bao gồm trung bình, bình phương trung bình, phạm vi liên phần tư, độ lệch chuẩn phạm vi trục X, Y, Z Các ISBN 978-604-80-5958-3 LÊ MINH HỊA Khoa Điện-Điện tử Trường Đại học Giao thơng Vận tải Email: hoaleminh1989@gmail.com TRẦN ĐỨC TÂN* Khoa Điện – Điện tử Trường Đại học Phenikaa Email: tan.tranduc@phenikaa-uni.edu.vn 48 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) giới hạn không gian định thiết bị lắp đặt cố định, khơng có tính di động, chi phí triển triển khai bảo trì lớn Vì vậy, việc giám sát hoạt động bị gián đoạn, khơng liên tục khó khăn triển khai rộng rãi Với hướng tiếp cận thứ 2, dựa liệu hành vi thu thập, thuật toán học máy triển khai số hệ thống nhận dạng hành động định (DT) [12], định tăng cường (GBDT) [13] Nghiên cứu Tian [14] đề xuất phương pháp đặc tính lọc chung dựa đặc trưng phổ lượng sóng để phát hành vi người Nghiên cứu sử dụng hai thuật toán học máy gồm K láng giềng gần (KNN) vector máy hỗ trợ (SVM) để cải thiện độ xác hệ thống Hussain cộng [15] đạt độ xác 99.80% sử dụng KNN 96.82% với rừng ngẫu nhiên (RF) Balli cộng [16] nghiên cứu phương pháp phát chuyển động người cách sử dụng đồng hồ thơng minh đếm bước, góc quay, gia tốc kế cảm biến nhịp tim Các đặc trưng trích xuất phương pháp phân tích thành phần (PCA) RF để phân loại C Mạng giám sát hành vi Mạng giám sát hành vi thiết bị thu thập phân loại kết nối đến máy chủ liệu thông qua công nghệ wifi Bộ xử lý trung tâm (ESP8266) tích hợp cơng nghệ wifi tiêu thụ lượng thấp hỗ trợ giao tiếp vào/ra mức logic tối đa 3.3V nguồn pin lipo 3.7V850maH khắc phục chênh lệch điện áp chịu đựng điện áp pin điện áp nguồn pin thông thường từ 3.7V - 4.2V, tín hiệu điện áp pin qua mạch phân áp Tiếp theo, phương pháp đo pin minh họa theo công thức (2) giúp tính tốn dung lượng pin theo tỷ lệ %   adc * Vref Perpin =    Cảm biến gia tốc Hình 2: Sơ đồ khối thiết bị    R - Oi  / Si (1) Với Ai Giá trị gia tốc theo hướng i; 𝑆𝑎𝑚𝑖 giá trị sau lấy mẫu trục i; R điện trở treo tham chiếu điện áp; 𝑂𝑖 phần bù 𝑆𝑖 độ nhạy gia tốc trục i Bên cạnh đó, thiết bị có thông tin cảnh báo đến người giám sát lượng sụt xuống qua ứng dụng điện thoại đèn báo thiết bị Để ISBN 978-604-80-5958-3 (2) A Lấy mẫu tiền xử lý Tình nguyện viên Nhóm nghiên cứu tiến hành ghi liệu thử nghiệm với nhóm gồm 15 tình nguyện viên (tám nam bảy nữ, tuổi: 18-32, chiều cao: 1.561.75m, cân nặng: 43-62 kg, chọn từ trường Đại học CNTT) Mỗi tình nguyện viên mang thiết bị đề xuất eo (Hình 4) cho trục Ax song song với véc tơ trọng lực thực hành vi: ngồi, nằm, đứng, chạy Để thu thập liệu hành động, xử lý trung tâm ESP8266 kết nối cảm biến gia tốc ADXL345 theo giao thức I2C tới xung đồng 100KHz Giá trị gia tốc thu thập ba trục Ax, Ay, Az với tần số lấy mẫu 1Hz đơn vị gia tốc g Giá trị gia tốc tính theo cơng thức (1)  Sami   1024 R5 Sau thiết lập xong, thiết bị thu thập, giám sát node với mã địa riêng giao tiếp với máy chủ liệu theo giao thức HTTP/GET Dữ liệu hành động kết phân loại lưu sở liệu MySQL III PHƯƠNG PHÁP NGHIÊN CỨU BỘ NHỚ LƯU TRỮ Ai =  100%  − 3.7     0.5 R4 + R5  Hình 3: Ứng dụng phân loại hành động máy chủ liệu WIFI/ WIFI/ INTERNET/LAN INTERNET BỘ XỬ LÝ ESP8266 TRUNG TÂM −1  Trong đó, adc giá trị chuyển đổi chân đọc tín hiệu điện áp pin; re độ phân giải chuyển đổi tương tự - số; R4 R5 hai điện trở phân áp mắc nối tiếp Khi thiết bị giám sát hành vi gửi liệu máy chủ, liệu truy xuất trực tiếp thông qua địa web ứng dụng điện thoại thơng minh (Hình 3) Nguồn ni Cảm biển gia tốc re Hình 4: Hướng thiết bị thu thập 49 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) đến -0.9g Do đó, dùng đặc trưng giá trị trung bình, giá trị phạm vi liên phần tư để phân biệt hành động nằm, ngồi đứng Thu thập liệu Các hành động giám sát bao gồm: nằm, ngồi, đứng, chạy định nghĩa Bảng Bảng 1: Các hành động HÀNH ĐỘNG Nằm Ngồi Đứng Đi Chạy ĐỊNH NGHĨA Toàn thân người mặt phẳng tư nghỉ Đầu lưng không chạm tư nghỉ Người thẳng, đôi chân không di chuyển Người thẳng di chuyển chậm đến vị trí khác nhau, có chân chạm đất Trạng thái chuyển nhanh đến vị trí khác nhau, chân khơng chạm đất vào thời điểm Hình 8: Biểu đồ hành động đứng với phần liệu Ax Bên cạnh đó, hành động trạng thái di chuyển (đi chạy bộ) có phạm vi giá trị lớn so với hành động trạng thái di chuyển (nằm, ngồi đứng) Ví dụ: Hành động (Hình 9) có phạm vi khoảng (-1.8g, -0.6g); hành động chạy (Hình 10) có phạm vi khoảng (-2.0g, 0g) Bởi vậy, đặc trưng phạm vi phân biệt hành động trạng thái tĩnh, di chuyển với hành động trạng thái động Sau loại bỏ lỗi tín hiệu, tập liệu thu gồm: 4200 mẫu nằm, 3432 mẫu ngồi, 3240 mẫu đứng, 4368 mẫu 3030 mẫu chạy (Hình 5) Hình 5: Tập liệu thu thập Lựa chọn đặc trưng hành vi điển hình giúp nâng cao hiệu suất phân loại Do đó, nghiên cứu phân tích phần liệu với 200 mẫu liệu thu từ cảm biến theo hướng Ax Hình Với hành vi nằm (trạng thái nghỉ), giá trị cảm biến trục Ax có xu hướng dao động quanh giá trị -0.025g (Hình 6) Hình 9: Biểu đồ hành động với phần liệu Ax Hình 10: Biểu đồ hành động chạy với phần liệu Ax Hơn nữa, phân bố giá trị hành động có khác rõ rệt Hành vi chạy có phân bố đồng hành vi lại có thưa thớt hai bên Do đó, độ lệch chuẩn giá trị với giá trị trung bình dùng để phân biệt khác khác hành vi Ngồi ra, hành động có giá trị có độ lớn khác trục Ax Ví dụ: Hành động nằm có độ lớn giá trị xấp xỉ 0g; hai hành động ngồi đứng có độ lớn tiệm cận 1g; hai hành động chạy có giá trị với độ lớn 1g Bởi vậy, đặc trưng bình phương trung bình sử dụng để phân biệt hành vi với B Phân đoạn liệu Kích thước cửa sổ có ảnh hưởng quan trọng đến kết phân loại [17] Trong nghiên cứu này, tập liệu thu thập phân đoạn thành cửa sổ thời gian với kích thước 10 giây tỷ lệ chồng Hình 6: Biểu đồ hành động nằm với phần liệu Ax Phạm vi giá trị hành động nằm tương đối rộng, khoảng từ -0.1g đến 0.1g Khác với hành động nằm, hành động ngồi (Hình 7) hành động đứng (Hình 8) có miền giá trị tương đối hẹp lệch âm trục Ax Hình 7: Biểu đồ hành động ngồi với phần liệu Ax Hành động ngồi có miền giá trị từ -0.94g đến 0.7g; hành động ngồi có phạm vi giá trị từ -0.97g ISBN 978-604-80-5958-3 50 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021)  lấp 50% Số lượng cửa sổ sau phân đoạn thống kê Bảng  Đào tạo 588 480 453 611 424 2556 Kiểm tra 251 205 194 261 181 1092  N N Range ( X ) = max  x −  x j i i i =1 i =1 Bảng 3: Cửa sổ thời gian hành động Hành động Nằm Ngồi Đứng Đi Chạy Tổng Phạm vi: Cửa sổ 839 685 647 872 605 3648 (7) Năm đặc trưng nêu trích xuất cửa sổ liệu (Hình 11) cho thấy hành vi tách biệt tốt Tuy nhiên chút nhầm lẫn hành động chạy D Phân loại hành động Sau trích chọn đặc trưng tập liệu đào tạo kiểm tra, đặc trưng huấn luyện với thuật tốn DT (Hình 12) Hình 11 biểu diễn liệu phân đoạn trước sau áp dụng đặc trưng Hành động nằm ngồi tách biệt ba hành động đứng, chạy có trùng lặp lớn Tuy nhiên hai hành động đứng có mật độ tập trung cao cịn hành động chạy có phân tán Hình 12: Đặc trưng quan trọng Do đó, ngưỡng đặc trưng quan trọng sử dụng bao gồm: mean_x, rms_x, std_x, Irq_x, range_x (những đặc trưng theo hướng Ax) std_y (độ lệch chuẩn theo hướng y) Hình 11: Biểu diễn liệu với cửa sổ kích thước 10s Do đó, cửa sổ đặc trưng với kích thước đề xuất nghiên cứu có hiệu tốt Tiếp theo, tập liệu sau phân đoạn chia thành tập liệu đào tạo/ kiểm tra với tỷ lệ 6/4 nhãn tương ứng Chi tiết số lượng hành vi liệu đào tạo kiểm tra thống kê Bảng C Trích xuất đặc trưng Đặc trưng điển hình giúp cải thiện hiệu suất mơ hình phân loại Nghiên cứu sử dụng năm đặc trưng trích xuất theo cơng thức (3) – (7)  Trung bình: (X ) =   j N  N x i =1 i (X ) = j N N  i =1 ( xi -  ) Đứng ISBN 978-604-80-5958-3 X j S Irq_x