(Luận văn thạc sĩ hcmute) thiết kế hệ thống giám sát sự té ngã của người lớn tuổi

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ PHẠM TỶ PHÚ THIẾT KẾ HỆ THỐNG GIÁM SÁT SỰ TÉ NGÃ CỦA NGƯỜI LỚN TUỔI NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 S K C0 Tp Hồ Chí Minh, tháng 10/2014 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ PHẠM TỶ PHÚ THIẾT KẾ HỆ THỐNG GIÁM SÁT SỰ TÉ NGÃ CỦA NGƢỜI LỚN TUỔI NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Tp Hồ Chí Minh, tháng 10/2014 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ PHẠM TỶ PHÚ THIẾT KẾ HỆ THỐNG GIÁM SÁT SỰ TÉ NGÃ CỦA NGƢỜI LỚN TUỔI NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Hƣớng dẫn khoa học: TS NGUYỄN THANH HẢI Tp Hồ Chí Minh, tháng 10/2014 Luan van LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƢỢC: Họ & tên: Phạm Tỷ Phú Giới tính: Nam Ngày, tháng, năm sinh: 17/2/1989 Nơi sinh: Bình Dƣơng Quê quán: Bình Dƣơng Dân tộc: Kinh Chỗ riêng địa liên lạc: 4E3 Khu dân cƣ Hiệp Thành 1, TP Thủ Dầu Một, Tỉnh Bình Dƣơng Điện thoại quan: Điện thoại nhà riêng: E-mail:phamtyphu89@gmail.com II QUÁ TRÌNH ĐÀO TẠO: Trung học chuyên nghiệp: Không Hệ đào tạo: Nơi học (trƣờng, thành phố): Ngành học: Đại học: Hệ đào tạo: Chính quy Thời gian đào tạo từ …/… đến …/ … Thời gian đào tạo từ 10/2007 đến 3/2012 Nơi học (trƣờng, thành phố): Đại Học Sƣ Phạm Kỹ Thuật TP HCM Ngành học: Công nghệ điện tử viễn thông Tên đồ án, luận án môn thi tốt nghiệp: KHẢO SÁT KIT DIGILENT GENESYS VIRTEX@-5 VÀ NGÔN NGỮ EDK SDK Ngày & nơi bảo vệ đồ án, luận án thi tốt nghiệp: 03/2012, Bộ môn Điện Tử Viễn Thông, Khoa Điện - Điện Tử, Đại Học Sƣ Phạm Kỹ Thuật TP HCM Ngƣời hƣớng dẫn: GVC.Ths Nguyễn Đình Phú III QUÁ TRÌNH CƠNG TÁC CHUN MƠN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi công tác Công việc đảm nhiệm 5/2013 - Đại Học Sƣ Phạm Kỹ Thuật TP HCM i Luan van Giảng viên hữu 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 2014 (Ký tên ghi rõ họ tên) ii Luan van LỜI CẢM ƠN Em xin chân thành cảm ơn quý thầy cô môn Điện Tử Công Nghiệp môn Điện Tử Viễn Thông, khoa Điện – Điện Tử trang bị cho em kiến thức giúp đỡ em giải khó khăn q trình làm luận văn Bên cạnh em củng xin cảm ơn anh chị học viên đóng góp ý kiến cho đề tài đạt hiệu Đặt biệt em xin chân thành cảm ơn Thầy hƣớng dẫn, T.S Nguyễn Thanh Hải Thầy Ngơ Quốc Cƣờng tận tình giúp đỡ trình lựa chọn đề tài hỗ trợ em trình thực Học viên Phạm Tỷ Phú iii Luan van TÓM TẮT Té ngã nguyên nhân gây chấn thƣơng nghiêm trọng cho ngƣời già nhƣ gãy xƣơng hay chấn thƣơng sọ não, tăng nguy tử vong Thêm vào đó, cịn gây vấn đề tâm lý việc sợ ngã Tuy nhiên, hậu nguy hiểm thuyên giảm phát việc té ngã cách kịp thời Trong nhƣng năm gần đây, nhà nghiên cứu phát triển nhiều phƣơng pháp phát nhận dạng té ngã có độ xác cao, phục vụ cho việc chăm sóc sức khỏe cho ngƣời già đƣợc tốt Trong đề tài này, ngƣời thực thiết kế hệ thống nhận biết té ngã cảnh báo Dữ liệu thu thập từ cảm biến gia tốc đeo ngƣời sử dụng qua lọc trung bình để tín hiệu phẳng Đặc tính tín hiệu đƣợc trích xuất phƣơng pháp phân tích thành phần Principal component analysis (PCA) Để nhận dạng, công cụ vector hỗ trợ Support Vector Machines (SVM) đƣợc áp dụng để huấn luyện nhận dạng té ngã hay khơng Các kết thí nghiệm ngƣời với trƣờng hợp vận động cho thấy độ tin cậy hệ thống iv Luan van ABSTRACT Falls in elderly people are one of main reasons which cause serious injuries such as hip fractures and head traumas, and can even increase the risk of early death Moreover, it can result in psychological problems from fear of falling However, serious consequences could be reduced by a timely fall detection In recent years, the researchers have developed many methods, for detecting and recognizing falls accurately, and for taking care of the elderly thoughtfully In this thesis, a fall detection system using the Support Vector Machine (SVM) method will be proposing Data collected by a trial-axis accelerometer will be pre-processed using a mean filter for getting more smoothly data Characteristics of the filtered signals will be extracted using the Principal Component Analysis (PCA) method The Support Vector Machines will be employed to train and recognize fall/normal situations Experiment results will be done many trials on one or many subject to illustrate the effectiveness of the proposed method v Luan van 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 viii DANH SÁCH HÌNH ix Chƣơng TỔNG QUAN .1 1.1 Tổng Quan Về Lĩnh Vực Nghiên Cứu .1 1.2 Mục Đích Của Đề Tài 1.3 Nhiệm Vụ Và Giới Hạn Của Đề Tài 1.3.1 Nhiệm Vụ 1.3.2 Giới Hạn .3 1.4 Phƣơng Pháp Nghiên Cứu 1.5 Tóm Tắt Đề Tài Chƣơng CƠ SỞ LÝ THUYẾT 2.1 Định Nghĩa Té Ngã 2.1.1 Định Nghĩa Té Ngã 2.1.2 Các kiểu té ngã 2.1.3 Các yếu tố việc té ngã .6 2.2 Các phƣơng pháp nhận dạng té ngã 2.2.1 Phƣơng pháp sử dụng cảm biến môi trƣờng 2.2.2 Phƣơng pháp sử dụng camera 2.2.3 Phƣơng pháp sử dụng cảm biến đeo thể .10 vi Luan van Chƣơng THIẾT KẾ HỆ THỐNG PHÁT HIỆN TÉ NGÃ 16 3.1 Phần Cứng Hệ Thống .16 3.1.1 Module cảm biến thu tín hiệu Freescale .17 3.1.2 Module cảm biến biến ADXL 345 18 3.1.3 Module thu tín hiệu 20 3.1.4 Module báo động 22 3.2 Tín hiệu gia tốc 23 Chƣơng PHƢƠNG PHÁP PHÁT HIỆN TÉ NGÃ 35 4.1 Tiền xử lý liệu .35 4.2 Thuật toán phát té ngã dựa vào phân tích ngƣỡng 37 4.3 Thuật toán nhận dạng té ngã dựa vào nhận dạng SVM 41 4.3.1 Trích xuất đặc trƣng 41 4.3.2 Nhận dạng dựa vào thuật toán SVM 44 Chƣơng KẾT LUẬN .52 5.1 Kết Luận 52 5.2 Hƣớng Phát Triển .52 TÀI LIỆU THAM KHẢO 54 PHỤ LỤC 58 vii Luan van Chƣơng Phƣơng Pháp Phát Hiện Té Ngã Bảng 4.3 Sắp xếp đặc tính từ thí nghiệm theo hàng Trạng thái hoạt động bình thƣờng Đi Đứng (nhanh) cúi h1…h20 Đứng Đứng ngồi nhanh Trạng thái té Ngồi cúi Té ghế Té ghế Té ghế (phía sau) (bên phải) (bên trái) h21…h40 h41…h60 h61…h80 h81…h100 h101…h120 h121…h140 h141…h160 Các hệ số thành phần thí nghiệm đƣợc đem huấn luyện phƣơng pháp SVM, đó, siêu mặt phẳng hàm tuyến tính chia mẫu huấn luyện thành hai miền Miền chứa hệ số té ngã có nhãn Miền chứa hệ số hoạt đọng bình thƣờng có nhãn , đƣợc thể Hình 4.10 Hình 4.10 Phân loại đăc trƣng chuyển động dựa vào siêu phẳng dựa vào thuật toán SVM Gọi vf la vector hệ số lần té hệ số lần hoạt động bình thƣờng Trong thí nghiệm, xét tập Sf bao gồm 60 vector từ vf1 đến vf60 vector đặc trƣng trạng thái té ngã, Sn bao gồm 60 vector từ vn1 đến vn100 cứa vector đặc trƣng trạng thái hoạt động ngày Để nhận dạng té ngã, ta dùng 59 vector Sf kết hợp với tất vector tập Sn mang huấn luyện, vector lại Sf dùng làm mẫu thử Tƣơng tự cho nhận dạng hoạt động 47 Luan van Chƣơng Phƣơng Pháp Phát Hiện Té Ngã ngày, dùng 99 vector Sn Sf để huấn luyện, vector lại Sn đƣợc dùng làm mẫu thử Thuật toán kiểm tra đƣợc mô tả Bảng 4.4 Bảng 4.4 Giải thuật kiểm tra chéo Bình thƣờng Té ngã { { } { } } { } k = 1; k = 1; Trong Trong { } { } Huấn luyện tìm w, b, α Huấn luyện tìm w, b, α Kiểm tra Kiểm tra k = k+1 k = k+1 Kết thúc Kết thúc Việc kiểm tra chéo đƣợc thực trƣờng hợp hoạt động ngày với trạng thái té ngã tùy vào trƣờng hợp mà số vòng lặp kiểm tra khác Kết đƣợc trình bày Bảng 4.5 Bảng 4.5 Kết nhận dạng té ngã với hoạt động bình thƣờng với kiểm tra chéo S TT 1 Trƣờng hợp Té – Bình thường 2Đứng ngồi nhanh - té Mẫu thử Độ xác (%) Té 95 Bình thƣờng 96 Té 100 48 Luan van Chƣơng Phƣơng Pháp Phát Hiện Té Ngã Đứng ngồi 3 Đi nhanh – té Ngồi cúi – té ghế (phía sau) 5 Đứng - Té Té 100 93.33 Đi nhanh 80 Té ghế 100 Ngồi cúi 100 Té 100 Đứng 100 Với tổng cộng 160 lần thí nghiệm, kết trƣờng hợp tổng quát té không té, té 95 %, không té 96 % Điều 60 mẫu té 100 mẫu bình thƣờng thuật tốn nhận dạng xác 57 mẫu té 96 mẫu bình thƣờng Trong trƣờng hợp kiểm tra nhanh té kết 60 mẫu té nhận dạng xác 56 mẫu, 20 mẫu nhanh nhận dạng xác 16 mẫu Kết đạt 16 mẫu nhanh cho thấy đối tƣợng thực nhanh với tốc độ không với lần thực Các trƣờng hợp khác dạt kết 100 %, cho thấy độ tin cậy thuật toán xây dựng Đồng thời với phƣơng pháp kiểm tra chéo với liệu thu đƣợc từ cảm biến MMA 7660 kit ZSTAR, tập liệu khác đƣợc thu cảm biến ADXL 345 Tập liệu đƣợc thu với số lần thu số trƣờng hợp giống với tập mẫu MMA 7550, với lần thu 150 mẫu với tần số lấy mẫu 30 Hz, tƣơng ứng với thí nghiệm thu mẫu giây Qui trình nhận dạng với thuật tốn SVM, sử dụng cảm biến ADXL 345 đƣợc miêu tả Hình 4.11 49 Luan van Chƣơng Phƣơng Pháp Phát Hiện Té Ngã Begin Collection 150 samples from a ADXL 345 triaxis accelerometer Moving average filter with M=5 Feature extraction with PCA method Recognition of fall event by SVM method Hình 4.11 Lƣu đồ chƣơng trình phát té ngã dùng phƣơng pháp SVM với cảm biến ADXL 345 Mỗi 150 mẫu thu đƣợc từ cảm biến đƣợc chiếu vào ma trận PCA để trích đặc trƣng Sau tập đặc trƣng đƣợc nhận dạng với tập mẫu SVM, kết là nhận dạng té, là nhận dạng bình thƣờng Kết trƣờng hợp nhận dạng mẫu thu đƣợc (mẫu Offline) nhƣ bảng 4.6 Bảng 4.6 Kết nhận dạng té ngã với hoạt động bình thƣờng với mẫu Offline Nhận dạng Mẫu thử Té Bình thƣờng Độ xác (%) Số lần TT Đi 20 20 100 Đứng 20 20 100 Ngồi nhanh 20 20 100 Té ghế 20 16 80 50 Luan van Chƣơng Phƣơng Pháp Phát Hiện Té Ngã Với 80 lần thí nghiệm, trƣờng hợp đi, đứng đạt độ xác 100% Trƣờng hợp té có 16 lần nhận dạng té, lần nhận dạng bình thƣờng Kết đạt đƣợc cho thấy độ tin cậy thuật toán xây dựng Từ thuật toán nhận dạng té ngã đƣợc kiểm tra với mẫu Offline, chƣơng trình nhận dạng té ngã thời gian thực Chƣơng trình nhận dạng hai trƣờng hợp té bình thƣờng kết đƣợc trình bày Bảng 4.7 Bảng 4.7 Kết nhận dạng té ngã với hoạt động bình thƣờng với mẫu Online Nhận dạng Mẫu thử Té Bình thƣờng Độ xác (%) Số lần TT Đi 10 10 100 Đứng 10 10 100 Ngồi nhanh 10 10 100 Té ghế 10 70 Kết trƣờng hợp hoạt động bình thƣờng đạt 100 % Trong trƣờng hợp té ghế có lần nhận dạng té, lần nhận dạng bình thƣờng Ngun nhân xuất phát từ tƣ lúc té tham gia thí nghiệm chƣa Những điều xuất phát lớn từ yếu tố chủ quan đối tƣợng thí nghiệm gây 51 Luan van Chƣơng Kết luận Chƣơng KẾT LUẬN 5.1 Kết Luận Trong đề tài, tín hiệu gia tốc thu đƣợc từ cảm biến gia tốc đeo hơng ngƣời dùng Tín hiệu đƣợc đƣa qua lọc trung bình dịch chuyển với kích thƣớc sổ trƣợt M= để lọc nhiễu làm tín hiệu phẳng Hệ thống đƣợc chia làm hai phƣơng pháp ngƣỡng thuật toán SVM Kết phƣơng pháp ngƣỡng cho thấy việc chọn mức ngƣỡng phù hợp qua trọng Hai mức ngƣỡng đƣợc áp dụng 1.5 g 1.8 g Kết cho thấy mức ngƣỡng 1.8 g có độ xác cao Độ xác trung bình độ lệch chuẩn đƣợc trình bày Bảng 5.1 Bảng 5.1 Độ xác trung bình độ lệch chuẩn với phƣơng pháp ngƣỡng Mức ngƣỡng Độ xác trung bình (%) Độ lệch chuẩn (%) 1.8 g 96,25 10,6 Với thuật tốn SVM, tín hiệu sau qua lọc trung bình đƣợc trích đặc trƣng phƣơng pháp PCA, đƣợc đƣa nhận dạng mẫu với thuật toán SVM Kết độ xác trung bình độ lệch chuẩn đƣợc trình bày nhƣ Bảng 5.2 Bảng 5.2 Độ xác trung bình độ lệch chuẩn với phƣơng pháp SVM Trạng thái Độ xác trung bình (%) Độ lệch chuẩn (%) Té 82.55 9.9 Bình thƣờng 98,4 1,95 Việc pháp té ngã đƣợc nhận dạng với độ xác cao chứng minh thuật tốn SVM đƣợc đề xuất phát huy hiệu 5.2 Hƣớng Phát Triển Giải thuật nhận dạng mà đề tài xây dựng cịn số nhƣợc điểm, số hƣớng phát triển đề tài để tăng độ xác tính ứng dụng cao hệ thống phát té ngã đƣợc đề xuất nhƣ sau: 52 Luan van Chƣơng Kết luận  Thu thập liệu với nhiều đối tƣợng với nhiều môi trƣờng trƣờng hợp hoạt động khác  Hệ thống nhận dạng theo thời gian thực sử dụng vi xử lý thay cho máy tính  Giảm nhiễu: sử dụng lọc khác  Trích đặc trƣng: sử dụng phƣơng pháp phân tích thành phần độc lập Các liệu phân tích tín hiệu đạt đƣợc dùng việc nhận dạng, đề tài phát triển thêm kết hợp với chẩn đoán y khoa để đƣa đánh giá nguy té ngã, từ có chăm sóc theo dõi ngƣời già hiệu 53 Luan van Tài Liệu Tham Khảo TÀI LIỆU THAM KHẢO [1] WHO, Global report on Falls Prevention in older Age, 2007,vol, pp [2] Ivo C Lopes BV, Joel J P.C Rodrigues, SensorFall –An Accelerometer Based Mobile Application, Computer Science and its Applications, 2009 CSA '09 2nd International Conference 2009,vol, pp [3] Xiaoxiao D, Meng W, Davidson B, Mahoor M, Jun Z, Image-Based Fall Detection with Human Posture Sequence Modeling, Healthcare Informatics (ICHI), 2013 IEEE International Conference, 2013,vol, pp 376-81 [4] Mirmahboub B, Samavi S, Karimi N, Shirani S, Automatic monocular system for human fall detection based on variations in silhouette area, Biomedical Engineering, IEEE Transactions, 2013,vol, pp 427-36 [5] Litvak D, Zigel Y, Gannot I, Fall detection of elderly through floor vibrations and sound, Engineering in Medicine and Biology Society, 2008 EMBS 2008 30th Annual International Conference of the IEEE, 2008,vol, pp 4632-5 [6] Wen-Chang C, Ding-Mao J, Triaxial Accelerometer-Based Fall Detection Method Using a Self-Constructing Cascade-AdaBoost-SVM Classifier, Biomedical and Health Informatics, IEEE Journal, 2013,vol, pp 411-9 [7] Dean M Karantonis MRN, Merryn Mathie,NigelH.Lovell and 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,, 2006,vol 10, pp [8] Bourke AK, O’Brien JV, Lyons GM, Evaluation of a threshold-based triaxial accelerometer fall detection algorithm, Gait & Posture, 2007,vol 26, pp 194-9 [9] Mubashir M, Shao L, Seed L, A survey on fall detection: Principles and approaches, Neurocomput, 2013,vol 100, pp 144-52 54 Luan van Tài Liệu Tham Khảo [10] Alwan M, Rajendran, P J., Kell, S., Mack, D., Dalal, S., Wolfe, M., Felder, R, A smart and passive floor-vibration based fall detector for elderly, Information and Communication Technologies, 2006,vol 1, pp 1003-7 [11] Zigel Y, Dima Litvak, Israel Gannot, A method for automatic fall detection of elderly people using floor vibrations and sound—Proof of concept on human mimicking doll falls, Biomedical Engineering, IEEE Transactions on 56, 2009,vol 12, pp 2858-67 [12] Fu Z, Culurciello, E., Lichtsteiner, P., Delbruck, T., Fall detection using an address-event temporal contrast vision sensor, Circuits and Systems, 2008 ISCAS 2008 IEEE International Symposium on IEEE, 2008,vol, pp 424-7 [13] McKenna SJ, Hammadi Nait Charif, Summarising contextual activity and detecting unusual inactivity in a supportive home environment, Pattern Analysis and Applications 7, 2004,vol, pp 386-401 [14] Foroughi H, Baharak Shakeri Aski, Hamidreza Pourreza, Intelligent video surveillance for monitoring fall detection of elderly in home environments, Computer and Information Technology 11th International Conference, 2008,vol, pp 219-24 [15] Miaou S-G, Pei-Hsu Sung, and Chia-Yuan Huang, A customized human fall detection system using omni-camera images and personal information, Distributed Diagnosis and Home Healthcare, 2006 D2H2 1st Transdisciplinary Conference on IEEE, 2006,vol, pp 39-42 [16] Stefano Abbate MA, Paolo Corsini, Janet Light and Alessio Vecchio Monitoring of Human Movements for Fall Detection and Activities Recognition in Elderly Care Using Wireless Sensor Network: a Survey, Wireless Sensor Networks: Application - Centric Design, 2010,vol, pp [17] 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 679 55 Luan van Tài Liệu Tham Khảo [18] 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,, 2014,vol 8, pp 187-96 [19] Bourke A, Van de Ven P, Gamble M, O’Connor R, Murphy K, Bogan E, et al., Evaluation of waist-mounted tri-axial accelerometer based fall-detection algorithms during scripted and continuous unscripted activities, Journal of biomechanics, 2010,vol 43, pp 3051-7 [20] Luštrek M, Kaluža B, Fall detection and activity recognition with machine learning,vol, pp [21] Gjoreski Hl, Mitja; Gams, Matjaz., Accelerometer placement for posture recognition and fall detection, Intelligent Environments International Conference, 2011,vol, pp 47-54 [22] Freescale, DRM103 Designer Reference Manual, Freescale Semiconductor, Inc, 2009,vol, pp [23] Devices A, ADXL345: 3-Axis, ±2 g/±4 g/±8 g/±16 g Digital Accelerometer Data Sheet Analog Devices, Inc, 2013,vol, pp [24] Technology S, SIM900 Hardware Design, SIM Technology Group Ltd, 2009,vol, pp [25] Zhang M, Alexander A Sawchuk , A feature selection-based framework for human activity recognition using wearable multimodal sensors, Proceedings of the 6th International Conference on Body Area Networks ICST (Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering), 2011.,vol, pp 92-8 [26] Jianfeng Liu ZP, and Xiangcheng Li, An Accelerometer-Based Gesture Recognition Algorithm and its Application for 3D Interaction, Computer Science and Information Systems 2010,vol, pp [27] Phu PT, Hai NT, Tam NT, A Threshold Algorithm in a Fall Alert System for Elderly People, Proceedings of the 5th International Conference on the Development of Biomedical Engineering in Vietnam, 2014,vol, pp 413 - 56 Luan van Tài Liệu Tham Khảo [28] Tarng W, Lin C-H, Liou H-H, Applications of wireless sensor networks in fall detection for senior people, International Journal of Computer Science & Information Technology, 2012,vol 4, pp [29] Jolliffe I, Principal component analysis, 2005,vol, pp [30] Smith L, A tutorial on principal components analysis USA Cornell University; 2002 [31] He Z, Accelerometer Based Gesture Recognition Using Fusion Features and SVM, Journal of Software (1796217X), Jun 2011,vol 6, pp [32] Cristianini N, John Shawe-Taylor, An introduction to support vector machines and other kernel-based learning methods: Cambridge University Press; 2000 57 Luan van Phụ Lục PHỤ LỤC Phần phụ lục trình giao diện hệ thống nhận dạng té ngã phƣơng pháp SVM Giao diện chƣơng trình Trong đó, thành phần lựa chọn đƣợc trình bày Chức Lựa chọn BEGIN EXIT Mở chƣơng trình nhận dạng Thốt khỏi chƣơng trình Giao diện chƣơng trình nhận dạng đƣợc gọi từ chƣơng trình 58 Luan van Phụ Lục Các chức lựa chọn giao diện đƣợc trình bày trình bày bảng sau Chức Lựa chọn File Recognition Mở file thu thập liệu Chọn phƣơng pháp SVM: Online Offline Reset Khởi động lại cổng Com End Thoát khỏi chƣơng trình Để thực nhận dạng té ngã phƣơng pháp SVM offline, ta chọn vào File, xuất cửa sổ chọn file liệu Sau tên file liệu hiển thị chƣơng trình, vào Recogntion, chọn SVM_OFFLINE, ta có kết hình vẽ biểu tƣợng ngã bình thƣờng Trƣờng hợp liệu bình thƣờng: Trƣờng hợp liệu té ngã: 59 Luan van Phụ Lục Khi nhận dạng online, vào Recogntion, chọn SVM_ONLINE, kết trả Figure Tín hiệu màu đỏ, lục, xanh tƣng ứng với giá trị trục X, Y, Z Tín hiệu đƣợc vẽ liên tục theo liệu đƣợc cảm biến truyền qua cổng COM Khi nhận dạng đối tƣợng ngã xuất thông báo nhƣ sau Để dừng việc nhận dạng, ta nhấn RESET để đóng cổng COM 60 Luan van S K L 0 Luan van ... có bị té hay khơng phát tín hiệu cấp cứu 15 Luan van Chƣơng Thiết Kế Hệ Thống Phát Hiện Té Ngã Chƣơng THIẾT KẾ HỆ THỐNG PHÁT HIỆN TÉ NGÃ Phần Cứng Hệ Thống 3.1 Hệ thống giám sát phát té ngã ngƣời... TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ PHẠM TỶ PHÚ THIẾT KẾ HỆ THỐNG GIÁM SÁT SỰ TÉ NGÃ CỦA NGƢỜI LỚN TUỔI NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Hƣớng dẫn khoa học:... TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ PHẠM TỶ PHÚ THIẾT KẾ HỆ THỐNG GIÁM SÁT SỰ TÉ NGÃ CỦA NGƢỜI LỚN TUỔI NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Tp Hồ Chí Minh, tháng