NHẬN DẠNG HÀNH ĐỘNG NGƯỜI BẰNG CẢM BIẾN GIA TỐC

ĐẠI HỌC QUỐC GIA TP.HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA ĐIỆN – ĐIỆN TỬ BỘ MÔN ĐIỆN TỬ -o0o - ĐỒ ÁN ( KỸ THUẬT ĐIỆN TỬ - VIỄN THÔNG ) NHẬN DẠNG HÀNH ĐỘNG NGƯỜI BẰNG CẢM BIẾN GIA TỐC GVHD: HÀ HOÀNG KHA SINH VIÊN THỰC HIỆN : STT Họ tên Võ Minh Đức Tống Trần Thái Anh MSSV 1913179 1912618 Điểm TP HỒ CHÍ MINH, THÁNG NĂM 2022 Ghi LỜI CẢM ƠN Để hoàn thành đồ án trước hết em xin gửi đến quý thầy, cô giáo khoa Điện – Điện tử trường Đại học Bách khoa – DHQG Thành phố Hồ Chí Minh lời cảm ơn chân thành Đặc biệt, em xin gửi đến thầy Hà Hoàng Kha, người tận tình hướng dẫn, giúp đỡ em hồn thành đồ án lời cảm ơn sâu sắc Vì kiến thức chuyên ngành cịn nhiều hạn chế, q trình thực đồ án em tránh khỏi sai sót, kính mong nhận góp ý từ thầy ! Trận trọng Tp Hồ Chí Minh, tháng năm 2022 Sinh viên kubin23012017@gmail.comkubin23012017@gmail.com TÓM TẮT ĐỒ ÁN Nhận dạng hoạt động người (Human Activity Recognition - HAR) q trình giám sát phân tích hành vi người dùng trạng thái môi trường xung quanh nhằm suy diễn/nhận dạng hoạt động xảy Nhận dạng hoạt động người chủ đề nghiên cứu quan trọng tính tốn nhận biết ngữ cảnh mà chủ nhiều lĩnh vực khác tính tốn khắp nơi, tương tác người - máy hay tính tốn di động Một mục tiêu nhận dạng hoạt động cung cấp thông tin hành vi người dùng, từ cho phép hệ thống tính tốn chủ động hỗ trợ người dùng công việc Nhận dạng hoạt động sử dụng cảm biến mang người ứng dụng công nghệ cảm biến mang theo người để giám sát hành vi người dùng Dữ liệu cảm biến thu thập sau phân tích cách sử dụng kỹ thuật học máy khai phá liệu để xây dựng mơ hình hoạt động người thực nhận dạng mẫu Trong phương pháp này, cảm biến gắn vị trí khác thể người Cảm biến mang người loại cảm biến gia tốc MPU 6050, có khả thu thập nhiều loại thơng tin hành vi người dùng Có nhiều ứng dụng hữu ích dựa nhận dạng hoạt động người, ứng dụng y tế, công nghiệp, thể thao, giải trí, v.v Để ứng dụng phục vụ sống người thực tế, chúng phải diện khắp nơi thời điểm người dùng cần Điều có nghĩa hệ thống phải truy cập thông tin người dùng cách liên tục Hệ thống mang người đáp ứng yêu cầu nhờ sử dụng cảm biến có khả thu thập thông tin người dùng mà không bị gián đoạn Đồ án tập trung khai thác nhận dạng hoạt động sử dụng cảm biến mang người Trước tiên, đồ án tìm hiểu loại cảm biến mang người, kiến trúc hệ thống nhận dạng hoạt động sử dụng cảm biến mang người số phương pháp nhận dạng Sau luận án mô tả cách thức sử dụng cảm biến kết hợp với phương pháp học máy để thu thập liệu, mơ hình hóa, học nhận dạng hoạt động người dùng Phần đồ án trình bày cách thu thập, xử lý liệu, phần cứng, phần mềm cách hoạt động sản phẩm kubin23012017@gmail.comkubin23012017@gmail.com MỤC LỤC GIỚI THIỆU 1.1 Tổng quan 1.2 Nhiệm vụ đề tài 1.3 Phân chia cơng việc nhóm TÌM HIỂU VỀ MPU 6050, NODE MCU VÀ THINGSPEAK 2.1 Cảm biến gia tốc MPU 6050 2.2 Node MCU 2.3 Thingspeak THIẾT KẾ VÀ THỰC HIỆN PHẦN CỨNG 10 3.1 Yêu cầu thiết kế 10 3.2 Phân tích thiết kế 10 THIẾT KẾ VÀ THỰC HIỆN PHẦN MỀM 13 4.1 Gửi liệu lên Thingspeak tải xuống 13 4.2 Lấy liệu từ thingspeak sau sử dụng python để dự đoán hành động 16 KẾT QUẢ THỰC HIỆN 23 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 28 6.1 Kết luận 28 6.2 Hướng phát triển 28 TÀI LIỆU THAM KHẢO 29 kubin23012017@gmail.comkubin23012017@gmail.com DANH SÁCH HÌNH MINH HỌA Hình 1: MPU 6050 Hình 2: NodeMCU ESP 8266 Hình 3: Website Thingspeak Hình 4: Sơ đồ khối phần cứng 11 Hình 5: Mơ hình sơ đồ đấu nối dây 12 Hình 6: Giao diện website Thingspeak 13 Hình 7: Cài đặt channel Thingspeak 13 Hình 8: Write API Keys Real API Keys channel Thingspeak 14 Hình 9: Mục Data Import/Export Thingspeak 15 Hình 10: Dữ liệu tải từ Thingspeak 15 Hình 11: Giao diện PyCharm 17 Hình 12: Import thư viện 18 Hình 13: File huấn luyện 18 Hình 14: Data huấn luyện 19 Hình 15: Data dự đốn hành động 19 Hình 16: Cây định 20 Hình 17: Vị trí đặt cảm biến thể 22 Hình 18: Tư đứng 22 Hình 19: Tư ngồi 23 Hình 20: Tư nằm 23 Hình 21: Tư 24 Hình 22: Tư chạy bơ 24 Hình 23: Hình ảnh thực tế thiết bị 25 Hình 24: Các Field thu sau tải liệu lên Thingspeak 25 Hình 25: Biểu đồ Python trả 26 kubin23012017@gmail.comkubin23012017@gmail.com DANH SÁCH BẢNG SỐ LIỆU Bảng 1: Tần số hoạt động 26 GIỚI THIỆU 1.1 Tổng quan Nhận dạng hoạt động người trình giám sát phân tích hành vi người dùng trạng thái môi trường xung quanh nhằm suy diễn/nhận dạng hoạt động xảy Một mục tiêu nhận dạng hoạt động cung cấp thông tin hành vi người dùng, từ cho phép hệ thống tính tốn chủ động hỗ trợ người dùng công việc Nhận dạng hoạt động sử dụng cảm biến mang người hướng tiếp cận hiệu với chi phí thấp cho thu thập liệu nhận dạng hoạt động người, nhờ vào công nghệ cảm biến gắn người Hướng nghiên cứu gần thu hút nhiều quan tâm cộng đồng nghiên cứu nhu cầu cấp thiết nhận dạng hoạt động người môi trường không hạn chế sống hàng ngày Thêm vào đó, tiến khơng ngừng công nghệ cảm biến tạo nên cảm biến mang người mạnh mẽ, có tính ứng dụng cao, giá rẻ, cho phép khả hoạt động liên tục không hạn chế Nhờ khả theo dõi hoạt động từ góc nhìn người dùng, cảm biến mang người cho phép ứng dụng nhận dạng khắc phục hạn chế môi trường hoạt động, biến chúng trở thành hệ thống trợ giúp thông minh cho người lúc nơi Có nhiều loại hoạt động khác tùy thuộc vào ứng dụng nhận dạng hoạt động người Tuy nhiên, hoạt động người chia làm hai loại, hoạt động mức thấp hoạt động mức cao Các hoạt động mức thấp bao gồm hoạt động bộ, ngồi xuống, đứng lên, Đây hoạt động đặc trưng chuyển động thể, tư cách sử dụng vật dụng, thông thường kéo dài vài giây hay vài phút Thậm chí chúng tồn thời gian nhỏ với chuyển động thể riêng biệt ngắn gọn, ví dụ bước đong đưa vợt hay cử gập cánh tay Ngược lại, hoạt động mức cao thường gồm tập hợp hoạt động mức thấp diễn thời gian dài , chạy Các hoạt động kéo dài vài phút nhiều đồng hồ Đồ án chủ yếu nghiên cứu tập trung hành động: Đứng, ngồi, nằm, bộ, chạy Dữ liệu lấy cách gắn cảm biến vào cổ chân người, sau liệu gửi lên web server ( Thing speak), quan sát biểu đồ thay đổi số cần thu thập, sau lấy data máy cho vào máy học để xử lý phán đoán hành động Sau phán đoán hành động, tổng hợp lại tất data thu thập hành động gì, sau so sánh với lượng data người bình thường, xem người phân tích hoạt động nhiều, hoạt động hay khơng hoạt động 1.2 Nhiệm vụ đề tài Nhiệm vụ đồ án nghiên cứu đề xuất số phương pháp học máy nhằm tăng cường hiệu cho hệ thống nhận dạng hoạt động sử dụng cảm biến mang người, cụ thể đề xuất phương pháp trích xuất đặc trưng hiệu cho nhận dạng hoạt động Đặc biệt, nghiên cứu tập trung vào hai mục tiêu: - Nghiên cứu đề xuất phương pháp trích xuất đặc trưng có tốc độ nhanh cho ứng dụng nhận dạng số hoạt động riêng lẻ, sử dụng cảm biến mang theo người với yêu cầu thời gian thực Các hệ thống nhận dạng hoạt động thiết bị nhúng hệ thống hỗ trợ người dùng thông minh mang người có yêu cầu hoạt động theo thời gian thực cần phương pháp trích xuất đặc trưng có khả tính tốn nhanh phải đảm bảo độ xác cần thiết Để đáp ứng yêu cầu trường hợp tổng qt vơ khó khăn Phương pháp đề xuất giải vấn đề đặt cho lớp ứng dụng nhận dạng hoạt động, ứng dụng nhận dạng số hoạt động riêng lẻ - Nghiên cứu đề xuất phương pháp trích xuất đặc trưng giúp nâng cao độ xác cho hệ thống cần nhận dạng cho nhiều loại hoạt động Các hệ thống nhận dạng hoạt động phổ biến thường có hạn chế dễ nhận thấy số lượng hoạt động cần nhận dạng nhiều độ xác hệ thống giảm Phương pháp đề xuất giải hạn chế Các mục tiêu liệt kê mô tả phạm vi đối tượng nghiên cứu luận án Đó sử dụng phương pháp học máy để nghiên cứu đề xuất phương pháp trích xuất đặc trưng hệ thống nhận dạng hoạt động sử dụng cảm biến mang người Các phương pháp trích xuất đặc trưng phù hợp với hệ thống trợ giúp cá nhân thông minh nhỏ gọn mang theo người, lực xử lý thấp yêu cầu hoạt động theo thời gian thực, phù hợp với hệ thống cần nhận dạng nhiều hoạt động người phức tạp Các hoạt động người bao gồm hoạt động sống hàng ngày, hoạt động sản xuất, giải trí, thể thao, chuyển động thể ghi nhận phân biệt cảm biến mang người Nôi dung 1: Tìm hiểu cảm biến MPU6050, nodeMCU ESP 8266 Thingspeak Nội dung 2: Thiết kế thực phần cứng Nội dụng 3: Thiết kế thực phần mềm Nội dung 4: Thu thập, xử lý liệu Nội dung 5: Hoàn thiện sản phẩm 1.3 Phân chia cơng việc nhóm Thành viên Cơng việc Võ Minh Đức Gửi data lên web server lấy máy Tống Trần Thái Anh Machine learning Họp nhóm Qui tắc nhóm 19h00, thứ ba, tuần Tham gia buổi họp nhóm Lắng nghe cẩn thận ý kiến nhóm Hồn thành tiến độ trước deadline Chú trọng vào kết Khơng gây gổ, bất hịa Tin tưởng lẫn Chữ kí TÌM HIỂU VỀ MPU6050, NODE MCU VÀ THINGSPEAK 2.1 Cảm biến gia tốc MPU 6050: MPU-6050 cảm biến hãng InvenSense MPU-6050 giải pháp cảm biến chuyển động giới có tới (mở rộng tới 9) trục cảm biến tích hợp chip MPU-6050 sử dụng cơng nghệ độc quyền MotionFusion InvenSense chạy thiết bị di động, tay điều khiển… Nó điều hành nguồn cung cấp 3.3V/5V, giao tiếp thông qua I2C với tốc độ tối đa 400kHz Chip có sẵn gói SPI gọi MPU6000 cho tốc độ giao tiếp lên tới 10Mbs MPU-6050 tích hợp trục cảm biến bao gồm: + Con quay hồi chuyển trục (3-axis MEMS gyroscope) + Cảm biến gia tốc chiều (3-axis MEMS accelerometer) Ngồi ra, MPU-6050 cịn có đơn vị tăng tốc phần cứng chuyên xử lý tín hiệu (Digital Motion Processor - DSP) cảm biến thu thập thực tính tốn cần thiết Điều giúp giảm bớt đáng kể phần xử lý tính tốn vi điều khiển, cải thiện tốc độ xử lý cho phản hồi nhanh Đây điểm khác biệt đáng kể MPU-6050 so với cảm biến gia tốc gyro khác MPU-6050 kết hợp với cảm biến từ trường (bên ngoài) để tạo thành cảm biến góc đầy đủ thơng qua giao tiếp I2C.Các cảm biến bên MPU-6050 sử dụng chuyển đổi tương tự - số (Anolog to Digital Converter - ADC) 16-bit cho kết chi tiết góc quay, tọa độ Với 16-bit bạn có 2^16 = 65536 giá trị cho cảm biến - Thơng số chuyển động: + Có thể lựa chọn + -2/4 / / 16g phạm vi gia tốc + Có thể lựa chọn + -250 / 500/1000/2000 độ /s phạm vi quay hồi chuyển + 16 bit đầu + Con quay nhạy cảm gia tốc tuyến tính 0.1 độ /s, cải tiến lớn so với quay hồi chuyển trục tri công ty khác + Số Field sử dụng: Field Cần tải lên Thingspeak cột data gồm AcX, AcY, AcZ thông số giúp phân tích gia tốc người quan sát, cột lại GyX, GyY, GyZ trục X, trục Y, trục Z người nghiên cứu + Thời gian lấy mẫu lần liên tiếp 15s: Như 15s lần liệu gửi lên Thingspeak, ngày nhận nhiều liệu đủ để phân tích hoạt động diễn người nghiên cứu - Phân tích: Đầu tiên để có liệu gửi lên Thingspeak, cần phải đọc liệu từ cảm biến Ở đồ án em viết code Arduino tảng Arduino IDE để đọc liệu từ cảm biến gửi liệu lên Thingspeak Chọn Arduino có sẵn thư viện cảm biến MPU 6050, nodeMCU Thingspeak, điều làm cho công việc trở nên đơn giản Chương trình Arduino gồm phần: Phần thứ đọc liệu từ cảm biến hiển thị lên Arduino IDE Ở đâu đọc thông số gia tốc, trục nhiệt độ ( data nhiệt độ dùng phần mở rộng), phần thứ hai gửi liệu lên Thingspeak, có sẵn thư viện nên việc đọc liệu gửi liệu thực lệnh Arduino Wire.read() hay ThingSpeak.setField() Sau gửi liệu lên Thingspeak cần phải lấy liệu máy để xử lý chạy marchine learning Và ThingSpeak có sẵn chức cho phép export liệu gửi lên máy dạng file xlsx, việc cần làm chọn vào mục Data Import/Export ấn vào phần download Hình : Mục Data Import/Export Thingspeak Và sau liệu tải máy tính gồm field tạo Thingspeak, thời gian liệu tải lên thứ tự Hình 10 : Dữ liệu tải từ Thingspeak 4.2 Lấy liệu từ thingspeak sau sử dụng python để dự đoán hành động Khái niệm machine learning Machine learning (ML) hay máy học nhánh trí tuệ nhân tạo (AI), lĩnh vực nghiên cứu cho phép máy tính có khả cải thiện thân chúng dựa liệu mẫu (training data) dựa vào kinh nghiệm (những học) Machine learning tự dự đốn đưa định mà khơng cần lập trình cụ thể Bài tốn machine learning thường chia làm hai loại dự đoán (prediction) phân loại (classification) Các toán dự đoán dự đoán giá nhà, giá xe… Các toán phân loại nhận diện chữ viết tay, nhận diện đồ vật… Quy trình làm việc machine learning gồm có bước: + Data collection – thu thập liệu: để máy tính học bạn cần có liệu (dataset), bạn tự thu thập chúng lấy liệu công bố trước Lưu ý bạn phải thu thập từ nguồn thống, có liệu xác máy học cách đắng đạt hiệu cao + Preprocessing – tiền xử lý: bước dùng để chuẩn hóa liệu, loại bỏ thuộc tính khơng cần thiết, gán nhãn liệu, mã hóa số đặc trưng, trích xuất đặc trưng, rút gọn liệu đảm bảo kết quả… Bước tốn thời gian tỉ lệ thuận với số lượng liệu bạn có Bước thường chiếm 70% tổng thời gian thực + Training model – huấn luyện mơ hình: bước bước bạn huấn luyện cho mơ hình cho học liệu bạn thu thập xử lý hai bước đầu + Evaluating model – đánh giá mơ hình: sau huấn luyện mơ hình xong, cần dùng độ đo để đánh giá mơ hình, tùy vào độ đo khác mà mơ hình đánh giá tốt hay khơng khác Độ xác mơ hình đạt 80% cho tốt + Improve – cải thiện: sau đánh giá mơ hình, mơ hình đạt độ xác khơng tốt cần train lại, lặp lại từ bước 3, đạt độ xác kỳ vọng Tổng thời gian bước cuối rơi vào khoảng 30% tổng thời gian thực - Phân loại Có nhiều cách phân loại machine learning, thơng thường machine learning phân làm hai loại sau: + Supervised learning: học có giám sát + Unsupervised learning: học khơng giám sát + Ngồi ra, machine learning cịn phân làm loại sau: + Semi-supervised learning: học bán giám sát + Deep learning: học sâu (về vấn đề đó) + Reinforce learning: học củng cố/tăng cường Ở nhóm thực theo mơ hình học có giám sát, liệu đưa vào có dán nhãn tương ứng - Chuẩn bị cho machine learning Sử dụng phần mềm pycharm code ngôn ngữ python để thực bước machine learning Giao diện pycharm đẹp, màu sắc kí tự phân biệt để dễ dàng nhận biết kiểu lệnh pycharm Khi có lỗi sai tả, cấu trúc, pycharm báo cho biết để sửa lỗi dễ dàng Hình 11: Giao diện PyCharm Về thư viện sử dụng, sử dụng thư viện có sẵn sklearn.tree thư viện cho đưa vào thông số, lựa chọn thông số đặc trưng thông số kết để nhận biết Thư viện cịn cung cấp lệnh để thực mơ hình định từ đưa kết dự đốn Ngồi ta cần thư viện hỗ trợ matplotlib.pyplot (vẽ đồ thị), csv (để đọc file csv), pandas (hỗ trợ tính tốn vector ma trận) Tiến hành import thư viện cần thiết Hình 12: Import thư viện File trình huấn luyện lấy liệu ghi trước hành động File lưu với tên shows.csv chứa thư mục chung với file main.py Trong file chứa thông số trục hành động tương ứng Nhóm thực lấy khoảng 300 mẫu cho hành động, hành động từ 60 – 70 mẫu Các mẫu thực gán hành động tương ứng, hành động gồm có đứng – DUNG , nằm – NAM , ngồi – NGOI , - DI BO, chạy - CHAY BO Các hành động gán không dấu để thuận tiện cho python đọc liệu, sau vào python hành động thay đổi tương ứng theo thứ tự 0, 1, 2, 3, 4, 5, Vì thư viện Sklearn.tree tương tác với số Hình 13: File huấn luyện Hình 14: Data huấn luyện Cuối file test.csv lấy từ thingspeak phục vụ cho trình kiểm tra kết dự đoán sau File lưu chung thư mục với file main.py Dữ liệu file gồm có thơng số trục khơng có thơng số hành động Qua học máy cho hành động thực Hình 15: Data dự đoán hành động Sau chuẩn bị cho trình học máy xong tiền hành theo mơ hình định Khái niệm định: Cây định (Decision Tree) phân cấp có cấu trúc dùng để phân lớp đối tượng dựa vào dãy luật Các thuộc tính đối tượngncó thể thuộc kiểu liệu khác Nhị phân (Binary) , Định danh (Nominal), Thứ tự (Ordinal), Số lượng (Quantitative) thuộc tính phân lớp phải có kiểu liệu Binary Ordinal Tóm lại, cho liệu đối tượng gồm thuộc tính với lớp (classes) nó, định sinh luật để dự đoán lớp liệu chưa biết Ta xét ví dụ kinh điển khác định Giả sử dựa theo thời tiết mà bạn nam định đá bóng hay khơng? Những đặc điểm ban đầu là: Thời tiết, Độ ẩm, Gió Dựa vào thơng tin trên, bạn xây dựng mơ sau: Hình 16: Cây định Cây định thực thuật toán tìm kiếm từ xuống Đầu tiên yếu tố quan trọng thời tiết, có ba kiểu thời tiết xét đến nắng, râm mát mưa Nếu trời nằng xem có độ ẩm nào, độ ẩm cao khơng đá bóng cịn độ ẩm bình thường thi Nếu thời tiết râm mát đá bóng thời tiết hồn hảo Cuối có mưa xét xem có gió mạnh hay khơng, có gió mạnh khơng Tương tự tốn liệu đưa vào có thơng số Từ thơng số timd điểm chung thư viện tự tìm đặc trưng để dự đoán Ưu, nhược điểm thuật toán định: - Ưu điểm: + Cây định thuật toán đơn giản phổ biến Thuật toán sử dụng rộng rãi bới lợi ích nó: + Mơ hình sinh quy tắc dễ hiểu cho người đọc, tạo luật với nhánh luật + Dữ liệu đầu vào là liệu missing, khơng cần chuẩn hóa tạo biến giả + Có thể làm việc với liệu số liệu phân loại + Có thể xác thực mơ hình cách sử dụng kiểm tra thống kê + Có khả việc với liệu lớn - Nhược điểm + Kèm với đó, định có nhược điểm cụ thể: + Mơ hình định phụ thuộc lớn vào liệu bạn Thậm chí, với thay đổi nhỏ liệu, cấu trúc mơ hình định thay đổi hồn tồn + Cây định hay gặp vấn đề overfitting Cuối thực lập trình để dự đốn hành động KẾT QUẢ THỰC HIỆN Sau hoàn thành bước thiết kế phần cứng, phần mềm tiến hành thu thập liệu xử lý liệu marchine learning Các cột liệu gửi lên Thingspeak liệu liên quan đến hành động: Đứng, nằm, ngồi, bộ, chạy Cảm biến gắn vào cổ chân phải thu thập liệu Hình17 : Vị trí đặt cảm biến thể Và để phân biệt hành động cần phải nêu lên đặc trung hành động để máy phân biệt được, từ đưa dự đốn xác nhất: + Đứng: Đứng thằng người, hai chân chạm đất, khơng di chuyển Hình 18 : Tư đứng + Ngồi: Ngồi thẳng lưng, hai chân đan vào nhau, giống tư ngồi thiền Hình19 : Tư ngồi + Nằm: Nằm ngửa, chân duỗi thẳng , hai chân đặt sát theo chiều dài thể, bàn chân vng góc với bền mặt nằm Hình 20: Tư nằm + Đi bộ: Tốc độ không 5km/h, thời điểm phải có chân chạm đất, tốc tốc độ ổn định Hình 21: Tư + Chạy bộ: Người thẳng, di chuyển nhanh đến vi trí khác, hai chân khơng cham đất chạy thời điểm Hình 22: Tư chạy Hình 23 : Hình ảnh thực tế thiết bị - Gửi liệu lên Thingspeak: Kết thu sau tiến hành thí nghiêm xác, kiểm tra cách so sánh liệu đọc phần mềm Arduino IDE với liệu gửi lên Thingspeak Các liệu gửi lên xếp theo Field ban đầu, Field cập nhật đồng với nhau, cho đồ thị biểu diễn thay đổi liệu tải lên Thingspeak Hình 24 : Các Field thu sau tải liệu lên Thingspeak Kết sau thực xong bước machine learning Python trả biểu đồ có dạng điểm tương ứng với hành động Hình 25: Biểu đồ Python trả Nhóm thực thu thập hành động 200 liệu khác tổng cộng gồm có 1000 test để kiểm tra kết hoạt động Kết cho bảng sau Nằm Ngồi Đứng Đi Chạy Nằm 198 0 Ngồi 196 0 Đứng 194 0 Bảng 1: Tần số hoạt động Đi 0 199 Chạy 0 1 198 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 Kết luận Nhận dạng hoạt động người chủ đề nghiên cứu quan trọng nhiều lĩnh vực tính tốn nhận biết ngữ cảnh, tính tốn khắp nơi, tương tác người-máy, tính tốn di động Đồ án nghiên cứu hướng tiếp cận chủ đề này, nhận dạng hoạt động sử dụng cảm biến mang người Đồ án tập trung làm rõ nhiệm vụ tải liệu lên Thingspeak phân tích liệu marchine learning Trong tương lai, nghiên cứu bổ sung thêm tính cho sản phẩm nhằm mở rộng mục đích hoạt động kĩnh vực như: giám sát, y tế, quân sự… Ngoài ra, thay đổi thuật tốn phần cứng sản phẩm hoạt động cách lâu dài xác 6.2 Hướng phát triển đề tài Đây đề tài ứng dụng nhiều giám sát, y tế, quân sự, đặc biệt y tế, mơ hình giúp bác sĩ theo dõi bệnh nhân, cha mẹ theo dõi sức khỏe cái, tự theo dõi sức khỏe Hướng phát triển tương lai, thực viết trang wed theo dõi tình hình sức khỏe cá nhân, từ trang wed nhìn thấy đồ thị hoạt động người thời gian thực Đưa nhận định sức khỏe lời khuyên hoạt động cho với tiêu chuẩn người bình thường Sử dụng thêm chức nhiệt độ module MPU6050, sử dụng module đại có thêm số đo tim mạch, huyết áp phục vụ cho y tế TÀI LIỆU THAM KHẢO [1] Tessai Hayama, “Walking-posture Classification from Single-acceleration-sensor Data using Deep Learning”, 2020 https://www.computer.org/csdl/proceedingsarticle/iiai-aai/2020/739700a400/1tGcwuyr6CI [2] Akram Bayat, “A Study on Human Activity Recognition Using Accelerometer Data from Smartphones”, 2014 https://www.sciencedirect.com/science/article/pii/S1877050914008643 [3] W3Schools Shop https://www.w3schools.com/ [4] Giới thiệu machine learning https://machinelearningcoban.com/2016/12/26/introduce / [5] Mơ hình định https://trituenhantao.io/kien-thuc/decision-tree/ ... qua lọc có tần số góc tối đa 256Hz - Chân giao tiếp MPU 6050: Hình 1: MPU 6050 + VCC : 5V/ 3.3V + GND : 0V + SCL : Chân SCL giao tiếp I2C + SDA : Chân SDA giao tiếp I2C + XDA : Chân liệu (kết nối... Chân Tx giao thức UART, kêt nối đến chân RX vi điều khiển + Rx: Chân Rx giao thức UART, kết nối đến chân Tx vi điều khiển + RST: Chân reset + 10 chân GPIO từ D0 – D9, có chức PWM, IIC, giao tiếp... mơ hình dự đốn hành động cảm biến gia tốc đơn giản bao gồm ba khối chức Khối thu thập liệu: khối thực cảm biến gia tốc MPU6050, liệu thu thập gồm thông số (gồm gia tốc ba trục góc nghiêng ba trục)