(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect

(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect(Luận văn thạc sĩ) Sử dụng thuật toán trong Vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng Camera Kinect

LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chƣa đƣợc cơng bố cơng trình khác Tp Hồ Chí Minh, ngày … tháng … năm 2015 (Ký tên ghi rõ họ tên) ii LỜI CẢM ƠN Em xin chân thành cảm ơn quý thầy cô trƣờng Đại học Sƣ Phạm Kỹ Thuật TP.HCM, quý thầy cô khoa Điện – Điện Tử giảng dạy, truyền đạt kiến thức quý báu nhƣ giúp đỡ em giải khó khăn gặp phải suốt trình làm luận văn Đặc biệt em xin chân thành cảm ơn TS Nguyễn Thanh Hải giảng viên hƣớng dẫn tận tình giúp đỡ, dạy đề xuất hƣớng giải vấn đề khó khăn q trình nghiên cứu hồn thành đề tài Bên cạnh em xin cảm ơn anh/chị học viên, bạn bè, đồng nghiệp, đóng góp ý kiến, hỗ trợ, cộng tác tạo mọi điều kiện thuận lợi để hoàn thành luận văn Học viên Trịnh Hoài Ân iii TÓM TẮT Té ngã nguyên nhân gây chấn thƣơng nghiêm trọng tai nạn nguy hiểm ngƣời lớn tuổi Do việc phát sớm té ngã có phƣơng pháp điều trị kịp thời điều quan trọng giúp cứu sống nhiều bệnh nhân Chính lẽ đó, năm gần đây, nhà khoa học nghiên cứu, phát triển nhiều cơng trình, nhiều phƣơng pháp phát nhận dạng té ngã có độ xác cao, phục vụ cho việc chăm sóc sức khỏe ngƣời lớn tuổi đƣợc tốt Trong đề tài này, học viên nghiên cứu giải thuật thiết kế hệ thống phát hiện, cảnh báo té ngã sử dụng phƣơng pháp vector hỗ trợ học máy (Support Vector Machine – SVM) Dữ liệu đƣợc thu thập từ camera Kinect đƣợc đặt vị trí cố định không gian cần giám sát Đặc trƣng liệu đƣợc trích xuất phƣơng pháp phân tích thành phần (Principal Component Analysis – PCA) Thuật toán SVM đƣợc sử dụng để huấn luyện nhận dạng trạng thái ngƣời xem có xảy té ngã hay khơng Các kết thí nghiệm đƣợc thực ba ngƣời với trƣờng hợp nhƣ thực tế cho kết tƣơng đối tốt độ tin cậy hệ thống iv ABSTRACT Falls are the major reason of serious injury and dangerous accident for olderly people It is important to recognize falls early for assistance and treatment to save more patients Therefore, in recent years, scientists have been developing multiple projects with multiple methods of detection and recognition of human falls better In this thesis, subjects were introduced a system for recognition and warning falls using the SVM method Data were collected from the Kinect camera, which is placed at a fixed position in space Features of the data are extracted using the PCA algorithm The SVM was used for training and recognition of the human states to detect the fall whether fall or not fall Experimental results show that the high accuracy of recognition activities the proposed approach produced v MỤC LỤC Trang tựa TRANG Quyết định giao đề tài LÝ LỊCH KHOA HỌC i LỜI CAM ĐOAN ii LỜI CẢM ƠN iii TÓM TẮT iv ABSTRACT v MỤC LỤC vi DANH SÁCH BẢNG ix DANH SÁCH HÌNH x DANH MỤC CÁC TỪ VIẾT TẮT xii Chƣơng TỔNG QUAN .1 1.1 Tổng quan chung lĩnh vực nghiên cứu 1.2 Mục đích đề tài 1.3 Nhiệm vụ giới hạn đề tài 1.3.1 Nhiệm vụ 1.3.2 Giới hạn 1.4 Phƣơng Pháp Nghiên Cứu 1.5 Tóm Tắt Đề Tài Chƣơng CƠ SỞ LÝ THUYẾT 2.1 Té ngã yếu tố ảnh hƣởng đến té ngã .7 2.1.1 Định nghĩa té ngã 2.1.2 Các yếu tố đặc trƣng hoạt động té ngã vi 2.2 Các phƣơng pháp phát nhận dạng té ngã .8 2.2.1 Phƣơng pháp sử dụng cảm biến môi trƣờng 2.2.2 Phƣơng pháp sử dụng cảm biến đeo thể 2.2.3 Phƣơng pháp sử dụng thị giác máy tính (sử dụng camera) .10 Chƣơng XÂY DỰNG HỆ THỐNG THU DỮ LIỆU TÉ NGÃ 14 3.1 Phần cứng hệ thống 14 3.1.1 Camera Kinect thƣ viện hỗ trợ .14 3.1.2 Module báo động .17 3.2 Nhận dạng khớp xƣơng ảnh hƣởng khớp xƣơng đến tƣ 18 3.2.1 Nhận dạng khớp xƣơng 18 3.2.2 Ảnh hƣởng khớp xƣơng đến tƣ ngƣời .21 3.3 Thu thập liệu 24 Chƣơng TRÍCH ĐẶC TRƢNG VÀ NHẬN DẠNG SỬ DỤNG PHƢƠNG PHÁP PCA .31 4.1 Tổng quan PCA 31 4.2 Trích đặc trƣng sử dụng thuật toán PCA 33 4.3 Nhận dạng sử dụng phƣơng pháp khoảng cách Euclide 38 Chƣơng HUẤN LUYỆN VÀ NHẬN DẠNG SỬ DỤNG THUẬT TOÁN SVM 41 5.1 Tổng quan SVM 41 5.1.1 Giai đoạn huấn luyện SVM .41 5.1.2 Giai đoạn nhận dạng 43 5.2 Nhận dạng dựa vào thuật toán SVM 44 Chƣơng KẾT QUẢ THỰC HIỆN 47 6.1 Thu liệu té ngã .47 6.2 Hệ thống thông báo té ngã 53 vii 6.3 Kết nhận dạng sử dụng Euclide 54 6.4 Kết nhận dạng sử dụng SVM 55 Chƣơng KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 59 7.1 Kết Luận 59 7.2 Hƣớng Phát Triển Error! Bookmark not defined TÀI LIỆU THAM KHẢO 61 PHỤ LỤC 64 viii DANH SÁCH BẢNG Bảng TRANG Bảng 2.1 So sánh độ xác phƣơng pháp nhận dạng 11 Bảng 2.2 Hiệu suất nhận dạng phƣơng pháp đƣợc đề xuất 12 Bảng 3.1 Đặc trƣng tƣ thu liệu Kinect 22 Bảng 4.1 Thứ tự mẫu liệu 33 Bảng 6.1 Mô tả trƣờng hợp lấy mẫu 47 Bảng 6.2 Kết nhận dạng với số lƣợng vector đặc trƣng 1000 (41,7%) 54 Bảng 6.3 Kết nhận dạng với số lƣợng vector đặc trƣng 2000 (83,3%) 55 Bảng 6.4 Kết nhận dạng với số lƣợng vector đặc trƣng 2400 (100%) 55 Bảng 6.5 Kết nhận dạng trạng thái té ngã không té ngã 57 Bảng 6.6 Kết nhận dạng té ngã với hoạt động thƣờng ngày khác .57 ix DANH SÁCH HÌNH Hình TRANG Hình 1.1 Tỷ lệ nhập viện té ngã tăng dần theo độ tuổi giới tính Canada Hình 1.2 Các chấn thƣơng ngƣời lớn tuổi thƣờng gặp phải bị té ngã [1] .2 Hình 2.1 Các phƣơng pháp phát nhận dạng té ngã Hình 3.1 Sơ đồ khối hệ thống 14 Hình 3.2 Kinect X-Box 360 15 Hình 3.3 Cấu tạo camera Kinect [19] .15 Hình 3.4 Mơ tả cách thu liệu cảm biến độ sâu [19] 15 Hình 3.5 Mơ tả hệ tọa độ độ sâu Kinect .16 Hình 3.6 Sơ đồ khối module báo động .17 Hình 3.7 Sơ đồ thực nhận diện khớp xƣơng Kinect [20] 19 Hình 3.8 a) Chuyển đổi ảnh chiều sâu thành đồ phận thể [20] 19 Hình 3.9 Ví dụ câu hỏi thuật toán RDF .20 Hình 3.10 Randomized Decision Forest 21 Hình 3.11 Sơ đồ 20 vị trí khớp xƣơng 21 Hình 3.12 Vị trí đặt camera Kinect 25 Hình 3.13 Mơ tả tọa độ (x, y, z) khớp xƣơng 26 Hình 3.14 Minh họa hoạt động té ngã ngƣời 27 Hình 3.15 Tọa độ theo trục Y khớp xƣơng đầu té ngã khơng té ngã 28 Hình 3.16 Mơ tả liệu tập mẫu P 29 Hình 3.17 Mơ tả liệu tập mẫu S 30 Hình 4.1 Mơ tả phƣơng pháp PCA 31 Hình 4.2 Mơ tả q trình biến đổi liệu PCA 32 Hình 4.3 Lƣu đồ thực thuật tốn PCA 34 Hình 4.4 Chuyển đổi liệu đầu vào thành vector n2x1 35 x Hình 4.5 Mơ tả tập liệu mẫu PCA .35 Hình 4.6 Mơ tả trung bình mẫu PCA .36 Hình 4.7 Lƣu đồ chƣơng trình nhận dạng khoảng cách Euclide .39 Hình 5.1 Các siêu phẳng H1 H2 chia mẫu thành lớp khác 42 Hình 5.2 Lƣu đồ chƣơng trình phát nhận dạng té ngã sử dụng SVM 44 Hình 5.3 Phân loại trạng thái dựa vào siêu phẳng thuật toán SVM [24] 45 Hình 6.1 Dữ liệu tọa độ khớp xƣơng đƣợc lƣu dƣới dạng xls 48 Hình 6.2 Mô tả trƣờng hợp thu tập mẫu 50 Hình 6.3 Phân bố liệu khớp xƣơng đầu trƣờng hợp té ngã 51 Hình 6.4 Phân bố liệu khớp xƣơng đầu trƣờng hợp không té ngã 52 Hình 6.5 Hệ thống thơng báo té ngã thực tế .53 Hình 6.6 Gửi tin nhắn thơng báo có té ngã 53 Hình 6.7 Tự động gọi điện thông báo .54 Hình 6.8 Kết nhận dạng đối tƣợng bị té ngã 56 Hình 6.9 Kết nhận dạng đối tƣợng không té ngã .56 xi Chƣơng Kết Quả Thực Hiện 6.2 Hệ thống thơng báo té ngã Mơ hình thực tế hệ thống thông báo té ngã đƣợc mô tả nhƣ hình 6.5 Buzzer Module nguồn SIM 900A Arduino MEGA 2560 R3 Antenna Module SIM 900A Hình 6.5 Hệ thống thơng báo té ngã thực tế Hình 6.6 mơ tả hệ thống gửi tin nhắn thông báo xãy té ngã đến số điện thoại đƣợc cài đặt trƣớc sau có kết phát té ngã giao diện GUI Matlab đƣợc xử lý máy tính Trong hình minh họa tin nhắn đƣợc hiển thị điện thoại có nội dung: “Da xay te nga o nguoi lon tuoi Cap cuu khan cap! SOS” a) Hình 6.6 Gửi tin nhắn thơng báo có té ngã 53 b) Chƣơng Kết Quả Thực Hiện a) Kết phát té ngã b) Tự động nhắn tin đến số điện thoại cài đặt sẵn Trong hình 6.7 hệ thống tự động gọi điện đến số điện thoại đƣợc cài đặt trƣớc để báo có xảy té ngã sau có kết nhận dạng máy tính a) Hình 6.7 Tự động gọi điện thơng báo b) a) Kết phát té ngã b) Tự động gọi điện đến số điện thoại cài đặt sẵn Song song với việc nhắn tin gọi điện thông báo module buzzer phát âm thông báo đến ngƣời xung quanh 6.3 Kết nhận dạng sử dụng Euclide Kết nhận dạng Eulicde đƣợc thực đối tƣợng tập mẫu huấn luyện với số lƣợng cần nhận dạng 2400 frame, 1200 frame ảnh cho trạng thái té ngã 1200 frame ảnh cho trạng thái không té ngã, kết đƣợc thể nhƣ sau: Bảng 6.2 Kết nhận dạng với số lƣợng vector đặc trƣng 1000 (41,7%) Trƣờng hợp Số mẫu nhận dạng Tỉ lệ xác (%) Té ngã 1200 64,5 Khơng té ngã 1200 68,3 54 Chƣơng Kết Quả Thực Hiện Bảng 6.3 Kết nhận dạng với số lƣợng vector đặc trƣng 2000 (83,3%) Trƣờng hợp Số mẫu nhận dạng Tỉ lệ xác (%) Té ngã 1200 67,7 Không té ngã 1200 70,9 Bảng 6.4 Kết nhận dạng với số lƣợng vector đặc trƣng 2400 (100%) Trƣờng hợp Số mẫu nhận dạng Tỉ lệ xác (%) Té ngã 1200 69,1 Không té ngã 1200 72,8 Kết nhận dạng cho thấy tỉ lệ nhận dạng xác phù hợp với lý thuyết nêu tức số đặc trƣng đƣợc chọn nhiều kết nhận dạng cho tỷ lệ xác cao Hiện nhận dạng đem đến hiệu suất tƣơng đối tốt, chƣa phân tích đánh giá kết đối tƣợng bên tập mẫu Vậy theo nhƣ lý thuyết số lƣợng vector đặc trƣng đƣợc chọn ảnh hƣởng đến kết nhận dạng 6.4 Kết nhận dạng sử dụng SVM Để thực nhận dạng té ngã trƣờng hợp offline phƣơng pháp SVM, ta chọn vào nút Open image, xuất cửa sổ chọn file liệu Sau ảnh cần nhận dạng hiển thị axes giao diện hiển thị kết cần nhận dạng Trƣờng hợp té ngã nhƣ hình 6.8 Ảnh cần nhận dạng đƣợc hiển thị khung Image Detection, khung Skeletal Graph hiển thị phân bố giá trị 20 khớp xƣơng ảnh cần nhận dạng theo trục X, Y, Z Kết nhận dạng đƣợc hiển thị khung Result, trƣờng hợp kết nhận đƣợc đối tƣợng té ngã (Fall) 55 Chƣơng Kết Quả Thực Hiện Hình 6.8 Kết nhận dạng đối tƣợng bị té ngã Hình 6.9 mơ tả trƣờng hợp khơng té ngã Các hình ảnh đối tƣợng cần nhận dạng đƣợc hiển thị khung Image Detection, Skeltal Graph nhƣ trƣờng hợp té ngã Kết trƣờng hợp khơng xảy té ngã (Normal) Hình 6.9 Kết nhận dạng đối tƣợng không té ngã 56 Chƣơng Kết Quả Thực Hiện Kết nhận dạng đƣợc thực 2400 mẫu đƣợc huấn luyện 1200 mẫu liệu bên tập huấn luyện Với mẫu huấn luyện bao gồm 1200 mẫu té ngã 1200 mẫu không té ngã đạt độ xác 82,2% (1972/2400) Trong với mẫu tập huấn luyện bao gồm 600 mẫu té ngã 600 mẫu khơng té ngã đạt độ xác 82,7% (992/1200) đƣợc thể nhƣ bảng 6.5 Bảng 6.5 Kết nhận dạng trạng thái té ngã không té ngã Results Activity Fall Non-fall Recognized Recognized Accuracy fall non-fall (%) 1200 976 224 81,8 New 600 491 109 81,3 Trained 1200 996 204 83,5 New 600 501 99 83 Samples Total Trained Kết sử dụng thuật tốn SVM nêu cho thấy độ xác tƣơng đối cao việc nhận dạng mẫu đƣợc huấn luyện Mặc khác việc nhận dạng trạng thái té ngã khơng té ngã có đạt độ xác nhiều hay khơng cịn phụ thuộc vào nhiều yếu tố tập sở liệu chuẩn điều quan trọng Bên cạnh đó, việc phân biệt trạng thái té ngã trạng thái hoạt động ngày khác đƣợc thực để đánh giá độ tin cậy phƣơng pháp đƣợc đề xuất Kết trƣờng hợp thí nghiệm đƣợc thể nhƣ bảng 6.6 Trong 600 mẫu té ngã 300 mẫu tƣơng ứng tƣ đứng, ngồi ghế, khom, nằm sàn đƣợc đƣa vào huấn luyện Sau tiến hành nhận dạng với mẫu Các trƣờng hợp nhận dạng bao gồm: té ngã – đứng, té ngã – ngồi ghế, té ngã – khom, té ngã – nằm Bảng 6.6 Kết nhận dạng té ngã với hoạt động thƣờng ngày khác STT Trƣờng hợp Té ngã – Đứng Số mẫu thử Nhận dạng Độ xác (%) 600 Té ngã 81,9 300 Đứng 83,6 57 Chƣơng Kết Quả Thực Hiện Té ngã – Ngồi ghế Té ngã – Khom Té ngã – Nằm sàn 600 Té ngã 81,1 300 Ngồi ghế 82,9 600 Té ngã 81,4 300 Khom 82,3 600 Té ngã 80,9 300 Nằm sàn 79,6 58 Chƣơng Kết Luận Và Hƣớng Phát Triển Chƣơng KẾT LUẬN VÀ KIẾN NGHỊ 7.1 Kết Luận Trong đề tài, liệu hình ảnh đối tƣợng cần nhận dạng đƣợc thu từ camera Kinect Dữ liệu đƣợc trích xuất đặc trƣng sử dụng phƣơng pháp PCA Quá trình nhận dạng đƣợc thực hai phƣơng pháp phƣơng pháp khoảng cách Euclide thuật toán SVM Kết phƣơng pháp khoảng cách Euclide cho thấy việc chọn số lƣợng K vector đặc trƣng cách phù hợp qua trọng Số lƣợng vector đặc trƣng đƣợc chọn lần lƣợt 1000, 2000, 2400 Kết cho thấy số lƣợng vector đặc trƣng 2400 cho kết nhận dạng có độ xác cao Với tỷ lệ nhận dạng trạng thái té ngã 69,1% trạng thái khơng té ngã 72,8% Với thuật tốn SVM, tín hiệu sau đƣợc trích đặc trƣng phƣơng pháp PCA đƣợc huấn luyện thuật toán SVM sau tiến hành nhận dạng trạng thái té ngã khơng té ngã (bình thƣờng) Trong trƣờng hợp nhận dạng tập mẫu huấn luyện tỷ lệ xác trạng thái té ngã 81.8% không té ngã 83,5% Trong trƣờng hợp nhận dạng mẫu ngồi tập huấn luyện thì tỷ lệ xác trạng thái té ngã 81.3% không té ngã 83% Kết nhận dạng thuật tốn SVM có độ xác cao chứng minh phƣơng pháp đƣợc đề xuất đắn cho kết cao đƣợc sử dụng trình nhận dạng trạng thái té ngã xảy 7.2 Kiến nghị Một số hƣớng phát triển đề tài để tăng độ xác tính ứng dụng cao hệ thống phát nhận dạng té ngã đƣợc đề xuất nhƣ sau: - Sử dụng phƣơng pháp huấn luyện Hidden Markov Model, Neural Network nhằm nâng cao hiệu suất nhận dạng 59 Chƣơng Kết Luận Và Hƣớng Phát Triển - Thực hệ thống nhận dạng theo thời gian thực sử dụng hệ thống nhúng board vi xử lý có tốt độ xử lý cao thay cho máy tính, điều khiển thiết bị ngoại vi để báo động, điều khiển robot ứng dụng phát té ngã ngƣời già, ngƣời bệnh nhà sở y tế, bệnh viện - Hiển thị xử lý thời gian thực dựa tảng xử lý ảnh tĩnh 60 Tài Liệu Tham Khảo TÀI LIỆU THAM KHẢO [1] Public Health Agency of Canada Seniors’ Falls in Canada Second report Her Majesty the Queen in Right of Canada, 2014, pp 12–15 [2] Mary E.Tinetti, M.D Preventing Falls in Elderly Persons The New England Journal of Medicine, vol 348, pp 42 – 49, January 2003 [3] K.R.Tremblay, C.E.Barber Preventing Falls in the Elderly Colorado State University Extension, 2010, pp 69-78 [4] Christopher Kawatsu, Jiaxing Li, C.J Chung Development of a Fall Detection System with Microsoft Kinect International Conference on Robot Intelligence Technology and Applications, 2012, vol 208, pp 623-630 [5] Erik E.Stone, Marjoeie Skubic Falls Detection in Homes of Older Adults Using the Microsoft Kinect IEEE Journal of Biomedical and Health Informatics, vol 19, Issue 1, pp 290-301, March 2014 [6] Wen-Chang C, Ding-Mao J Triaxial Accelerometer-Based Fall Detection Method Using a Self-Constructing Cascade-AdaBoost-SVM Classifier IEEE Journal of Biomedical and Health Informatics, vol.17, Issue 2, pp 411- 419, 2013 [7] Dean M Karantonis MRN, Merryn Mathie, Nigel H.Lovell, Branko G Celler Implementation of a Real-Time Human Movement Classifier Using a Triaxial Accelerometer for Ambulatory Monitoring IEEE Transactions on Information Technology In Biomedicine, vol 10, Issue 1, pp 156 - 167, Jan 2006 [8] Bourke AK, O’Brien JV, Lyons GM Evaluation of a threshold-based tri-axial accelerometer fall detection algorithm Gait & Posture, vol 26, Issue 2, pp 194199, July 2007 [9] Kalache, Dongbo Fu, WHO Global report on Falls Prevention in older Age, World Health Organization, 2007, pp 13 - 19 [10] Alwan M, Rajendran, P.J Kell, S Mack, D Dalal, S Wolfe, M Felder A smart and passive floor-vibration based fall detector for elderly International Conference on Information and Communication Technologies, 2006, pp 1003-1007 61 Tài Liệu Tham Khảo [11] Zigel Y, Litvak D, Gannot A Method for Automatic Fall Detection of Elderly People Using Floor Vibrations and Sound - Proof of Concept on Human Mimicking Doll Falls IEEE Transactions on Biomedical Engineering, vol 56, Issue 12, pp 2858 – 2867, August 2009 [12] Burchfield Tr,Venkatesan S Accelerometer-based human abnormal movement detection in wireless sensor networks Proceedings of the 1st ACM SIGMOBILE International workshop on Systems and networking support for healthcare and assisted living environments: ACM, 2007, pp 67-79 [13] Ye Z, Li, Y Zhao, Q Liu A Falling Detection System with wireless sensor for the Elderly People Based on Ergnomics International Journal of Smart Home, vol 8, Issue 1, pp 187 – 196, 2014 [14] Amandine DUBOIS, Franỗois CHARPILLET Detecting and preventing falls with depth camera, tracking the body center The 12th European Association for the Advancement of Assistive Technology in Europe, 2013, pp 77 - 82 [15] Rachit Dubey, Bingbing Ni, Pierre Moulin A Depth Camera Based Fall Recognition System for the Elderly Springer-Verlag Berlin Heidelberg, 2012, pp 137 - 142 [16] Amandine Dubois, Francois Charpillet Human Activities Recognition with RGB-Depth Camera using HMM 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2013, pp 4666 - 4669 [17] Orasa Patsadu, Chakarida Nukoolkit, Bunthit Watanapa Human gesture recognition using Kinect camera The 9th International Joint Conference on Computer Science and Software Engineering, 2012, pp 28 - 32 [18] Bogdan Kwolek, Michal Kepski Human fall detection on embedded platform using depth maps and wireless accelerometer Computer Methods and Program in Biomedicine, vol 117, Issue 3, pp 489 – 501, December 2014 [19] Programming with the Kinect for Windows SDK, Microsoft Research, 2014 [20] Jamie Shotton, Andrew Fitzgibbon, Mat Cook, Toby Sharp, Mark Finocchio, Richard Moore, Alex Kipman, Andrew Blake Real-time human pose recognition in 62 Tài Liệu Tham Khảo parts from single depth images Machine Learning for Computer Vision, vol 411, Issue 2, pp 119 – 135, 2013 [21] Francois Bremond, Bernard Boulay, Monique Thonnat Intelligent Camera for Human Posture Recognition ST Micro Electronics PACA Lab, 2007 [22] Mohamed Elgendi, Flavien Picon, Nadia Magnenat-Thalmann, Derek Abbott Arm movement speed assessment via a Kinect camera: A preliminary study in healthy subjects BioMedical Engineering OnLine, 27 June 2014 [23] Cristianini N, John Shawe-Taylor An introduction to support vector machines and other kernel-based learning methods Cambridge University Press, 2000 [24] Hoai An Trinh, Hai Thanh Nguyen, Truong Quang Phuc, Tran Thanh Mai Support Vector Machine algorithm for human recognition Kinect-Based skeletal data Proceedings of 2015 2nd National Foundation for Science and Technology Development Conference on Information and Computer Science, 2015, pp 202-207 63 Tài Liệu Tham Khảo PHỤ LỤC Phần phụ lục trình bày giao diện trình thu thập liệu nhận dạng phƣơng pháp SVM Thiết bị dùng thu liệu camera Kinect Xbox 360 đƣợc tích hợp camera màu, camera hồng ngoại, sensor hồng ngoại sử dụng công cụ Kinect for Window SDK version 1.8 kết hợp với phần mềm Matlab Giao diện thu liệu nhƣ hình Giao diện GUI đƣợc xây dựng đơn giản gồm khung axes để hiển thị hình ảnh thu nhận đƣợc từ camera gửi về, nút button để bắt đầu thu nhận liệu số khớp xƣơng thể ngƣời Giao diện chƣơng trình 64 Tài Liệu Tham Khảo Trong đó, nút điều khiển giao diện đƣợc trình bày: Chức Phím lựa chọn LOG IN Mở giao diện chƣơng trình nhận dạng EXIT Thốt khỏi chƣơng trình Giao diện chƣơng trình nhận dạng Các chức giao diện đƣợc trình bày nhƣ sau: 65 Tài Liệu Tham Khảo Chức Lựa chọn Open Image Mở file ảnh offline cần nhận dạng Open Video Mở video cần nhận dạng Connect Kết nối Matlab Arduino Exit Thoát khỏi giao diện chƣơng trình Image Detection Hiển thị ảnh đƣợc chọn cần nhận dạng Skeletal graph Hiển thị đồ thị giá trị khớp xƣơng theo trục X, Y, Z ảnh cần nhận dạng Result Hiển thị kết nhận dạng đƣợc 66 S K L 0 ... thống nhận dạng phát trạng thái té ngã sử dụng camera Kinect, áp dụng thuật tốn phân tích thành phần (PCA) để trích xuất đặc trƣng sử dụng phƣơng pháp nhận dạng dựa thuật toán vector máy hỗ trợ. .. ứng dụng để trích xuất đặc trƣng liệu, sử dụng PCA để nhận dạng trạng thái té ngã - Chƣơng 5: Huấn luyện nhận dạng sử dụng thuật toán SVM Nội dung chƣơng trình bày phƣơng pháp huấn luyện nhận dạng. .. RGB image depth image trạng thái té ngã tƣ thƣờng ngày - Áp dụng thuật toán PCA để trích xuất đặc trƣng liệu thu đƣợc - Thực việc huấn luyện nhận dạng trạng thái té ngã thuật toán SVM - Xây dựng