Khóa luận tốt nghiệp Mạng máy tính và truyền thông: Triển khai ứng dụng nhận dạng con người bằng sóng vô tuyến trên thiết bị nhúng

Phổ biến nhất là việc ứng dụng các thiết bị thông minh dé trích xuất dữ liệu liên quan đến con người trong môi trường sông, kết hợp với các kỹ thuật học máy để máy tính nhận dạng được co

ĐẠI HỌC QUOC GIA TP HO CHÍ MINH

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA MẠNG MÁY TÍNH VÀ TRUYÈN THÔNG

DANG TRAN HONG HÀ - 19520504

KHÓA LUẬN TÓT NGHIỆP

TRIÊN KHAI ỨNG DỤNG NHẬN DẠNG HÀNH ĐỘNG

TAY CUA CON NGƯỜI BANG SÓNG VÔ TUYẾN TREN

THIẾT BỊ NHÚNG

Deployment of human hand activity recognition application using

wireless signal on embedded devices

KY SƯ NGÀNH MẠNG MAY TÍNH VA TRUYEN THONG DU LIEU

GIANG VIEN HUONG DAN

TS NGUYEN TAN HOANG PHUOC

TP HO CHi MINH, 2023

LỜI CẢM ƠN

Quá trình thực hiện đề tài khóa luận tốt nghiệp “Triển khai ứng dụng

nhận dạng hành động tay của con người bằng sóng vô tuyến trên thiết bị

nhúng” vừa qua đã cung cấp cho em nhiều kiến thức mới và kinh nghiệm quýbáu cho sự nghiệp trong tương lai Để đạt được kết quả và sản phẩm từ đề tài,

em mong muốn gửi lời cảm ơn đến Nhà trường, gia đình và bạn bè

Đầu tiên, em xin được bày tỏ lòng biết ơn sâu sắc đến các thầy cô Khoa

Mạng máy tính và Truyền thông của trường Đại học Công nghệ Thông tin đãtruyền đạt các kiến thức và kỹ năng cần thiết để em thực hiện đề tài suôn sẻ

Đặc biệt, em xin gửi lời cảm ơn chân thành và lòng biết ơn sâu sắc đến thầy TS Nguyễn Tấn Hoàng Phước đã dẫn dắt và hỗ trợ em trong suốt quá

trình nghiên cứu và xây dựng nền móng để thiết kế đề tài cho khóa luận từ khi

em đang là sinh viên năm 3 Quá trình nghiên cứu khoa học do thầy hướng dẫn

đã giúp em đạt được nhiều kinh nghiệm quý báu trong học tập và làm việc

Tiếp theo, em xin cảm ơn gia đình đã luôn là chỗ dựa tỉnh thần vững chắc

và là nguồn động lực thúc đẩy em thực hiện khóa luận tốt nghiệp

Bên cạnh đó, em xin được cảm ơn các anh kỹ sư của nhóm Camera AI của

Tổng Công ty Công nghiệp Công nghệ cao Viettel đã hỗ trợ và giúp đỡ về kiến

thức để áp dụng vào khóa luận một cách hiệu quả

Cuối cùng, em xin cảm ơn các thầy và các bạn cộng tác viên ở phòng lab

E3.1 của Khoa Mạng máy tính và Truyền thông đã giúp đỡ tận tình để thực

hiện nghiên cứu mà không gặp trở ngại gì Em cũng xin cảm ơn bạn bè đã đồng

hành cùng em suốt quá trình học tập tại trường là chỗ dựa tinh thần và giải tỏa

căng thẳng trong quá trình thực hiện khóa luận.

Trong quá trình thực hiện khóa luận khó tránh khỏi sai sót, em mong các thầy

cô chỉ bảo và đóng góp ý kiến dé em hoàn thiện đề tài tốt hon.

Em xin chân thành cảm ơn!

MỤC LỤC

Chương 1 Mở đầu ccccvecxerrErkrtrrrtttrriiirrrttriirrrrrriirrrrirrrrrrrrrrre 2

1.1 Lí do chọn để tài -ccrHHHHHHHHHHHrerie 2

1.2 MUC ti€U con nh 3

1.3 Đối tượng và phạm vi nghiên CỨu ccccccvveeeerrrrrrtrrrkrrrrrrree 4

1.3.1 Đối tượng nghiên cứu cc-c-cccvveeeeececvveseererrrveeerrrrrrrresree 4

1.3.2 Phạm vi nghiém CỨUu -s«csxessretkretkritttrtkriiitriririiririrerrie 4

V4, CaU ẽ ÀÀÀLÀLÔ,ÔỎ 4Chương 2 Tổng Quan cssssssssccccssssssssessseeeessssnneeseeeeessssnneseeeeessssnneeeeeeseeesnnnseeeeeseensan 5

2.1 Tinh hình các nghiên cứu liên Quan es cs«cccssecsrxerekrxerrrkerrrrkrrrreriie 5

2.2 Các vấn đề tồn tại rcscssssssscsssssssssssescssssescessnsesesssseesssssssesssnscessssssenssssuessssseensssscensssseeceessesess 7

2.3 Các vấn đề mà đề tài cần tập trung, nghiên cứu giải quyết 8Chương 3 Nghiên cứu lý thUyẾT cccccccsccrrxeertrrrrterrrrrrrrrirrrrrrrrree 10

3.1 Bài toán nhận dạng con ngườời c scccsesxeekkeekreeerrerrretrierrerree 10

3.1.1 Nhu cầu ứng dung của bài toán nhận dạng con người 103.1.2 _ Các hướng tiếp cận để giải quyết bài toán 10

3.1.2.1 Giai đoạn thu thập dữ liệu -ccccceekieeriirierreree 10 3.1.2.2 Giai đoạn xử lý dữ liệu c-cxkkeekiiiiiiiiirree 12

3.2 Kỹ thuật điều chế sóng OFDM -ccccccscrrrrreerrrrrrrrrrrrrrrrrrrrrrrrre 14

3.2.1 Các khái niệm về OFDM ecscssssssssssssessssssesssssssessssssesssssseesssssssessnsesessssessssssss 14

3.2.1.1 Giới thiệu chung về OFDM -.cccccccccveeerecrevveeerrerrrrer 143.2.1.2 Mô hình điều chế OFDM eeeecceeriiriirirrrrrrriie 153.2.1.3 Đồng bộ trong mô hình OFDM .ccccccccvvecercccvvex 173.2.1.4 Thông tin trạng thái kênh truyền c -cccccccccccvex 19

3.3 Kỹ thuật máy hỌC -e-csrerrrrirtrrirrrriirtrirrriiirrirriririerrrrrrrrierrri 20

3.3.1 Phan loại các phương pháp học máy -c -e-ereee 22

3.3.1.1 Học có giám sát .cccckiHHnHHH HH ê, 22 3.3.1.2 Hoc không giám sát + e, 23 3.3.1.3 Học bán giám sát cccsrikkirkErittririiiiiriiiirree 24

3.3.1.4 HOC CUNG sẽ 25

3.3.2 _ Kỹ thuật học Sau esscsssessssesssecssecsssecstecsssesseeesseesstecsueessserseeessseeseeesseeesseesneessses 26

3.4 Các công nghệ được sử dụng trong đề tài .ccceeceeeerrke 28

3.4.1 Thiết bị vô tuyến khả lập trình - ccccceecccceeeeeeeeee 28

3.4.2 GNU Radlio HH giày 30 3.4.3 Các công nghệ phục vụ mô hình học sâu -« 31

3.4.3.1 Model as a S€TVÏC@ cccriiEHriiiriiiiiriiiirre 33 3.4.3.2 Edge depÌlOymetnf -csererkrrttrirttiiiirtiriiriierriee 34

3.4.4 Máy tính nhúng . -ccecccecreeerreerreeerrerrrrerrsrrrrrrreee 35

Chương 4 Trình bày, đánh giá bàn luận về kết quả -. - 36

4.1 Môi trường triển khai -c-cccccveeeertrrrrrkrriiiirrrirrriiiirrrriirriie 36

4.1.1 Tài nguyên phần cứng -cccvveeseccvvvvessrrrrrrreesrrrrrrrrsrrrre 384.1.2 Tài nguyên phần mềm -cccvveeeeccvrvvestrrrrrrreerrrrrrrrrerrrre 39

4.1.3 Dich vnsi0i0x 0 40

4.2 Triển khai ứng dụng -. -ccs2eecstreevtrrervtrterrtrrrrtrrrrrrrrrrrrrrrrte 40

4.2.1 Mô hình OFDM trên GNU Radio ccccceeeeeereeree 40

4.2.1.1 Mô hình phát tín hiệu OFDM «ii 41 4.2.1.2 Mô hình thu tín hiệu OFDM ke 43

4.2.1.3 M6 hình nhận tín hiệu điều khiển . -ccccececccccsee 46

4.2.2 Mô phỏng bài toán nhận dạng hành động tay của con người 47

4.2.3 Quá trình huấn luyện mô hình hoc sâu để giải quyết bài toan 48

4.2.4 Hướng triển khai lên máy tính nhúng c -+ 51

4.2.4.1 Triển khai mô hình học sâu cc cccccsecccseevecceeerrrressee 514.2.4.2 Điều khiển thiết bị IoT cơ bản cccceecccssecccceesrrccessee 51

4.3 Đánh giá kết quả ceccccrkcrEEiiiiiirriiiriiiiiiiiiriiiiiiiiiiirrriiriiie 53

4.3.1 _ Kết quả huấn luyện mô hình học sâu -sc - 53

4.3.2 _ Kết quả triển khai mô hình học sâu - ccc ee -cee 544.3.3 Kết quả triển khai lên thiết bị cccerrreeeeerrrrrrrie 55

Chương 6 Hướng phát triỂn cvccecccvvvvveeeerrtrrveertrttrkreerirtrrrrrerrirrrrree 57

6.1.1 Bai toán xử lý c.e-rrieerrkiiiririiiririiiiriiiriiiiiriiieee 57

6.1.2 Phương pháp triển khai -cccccescccvvvveeserrrvesssrrrrrreosee 57

DANH MỤC HÌNH

Hình 2-1: Mô hình hướng tiếp cận bằng sóng vô tuyến [8] , 6

Hình 3-1: Mô hình điều chế OFDM c -vvcevcvvvvvvererrrrvrerrrrrrrrrrrrrrrrrrrer 15 Hình 3-2: Khác biệt giữa truyền song song và tuần tự -. - e 15 Hình 3-3: Cấu trúc gói OFDM với data carrier và pilot carrier - 17

Hình 3-4: Cấu trúc hoàn chỉnh của một gói tin OFDM - 18

Hình 3-5: Cấu trúc gói tin OFDM được dùng trong chuẩn IEEE 802.11a 18

Hình 3-6: Khác biệt giữa lập trình truyền thống và máy học 21

Hình 3-7: Quá trình học có giám sát -c+cttEkrtEittiiiirree 22 Hình 3-8: Quá trình học không giám sát -ccceeceriirrrrirrrriiirrriirrrirrrrirree 23 Hình 3-9: Quá trình học bán giám sát -csccccecreerrrrrrrterrrrrrrrrrrrerrrrrreee 24 Hình 3-10: Quá trình học cỦng CO ccssssssccsssssscsssssssssssesssssseccsssssecsssssesessssesssssseessssseesssssssess 25 Hình 3-11: Cấu trúc mạng neuron mô phỏng từ não bộ con người 26

Hình 3-12: Cấu trúc chung của các mô hình học sâu .c - 27

Hình 3-13: Kiến trúc của thiết bị SIDR -eccssetxesrtrsstsrxeerrrssrrrserrrrssree 28 Hình 3-14: Thiết bị LimeSDR Mini -c -cseevcccxesererkeetrtrretrrrrksrrrrkerrie 29 Hình 3-15:Flowgraph xây dựng qua GNU Radio Companion - 30

Hình 3-16: Thiết kế xử lý luồng của GStreaImerr -ccccececccvvveeerrerrrree 31 Hình 3-17: Khác biệt giữa quy trình huấn luyện và suy luận mô hình 31

Hình 3-18: Hướng tiếp cận Model as a SerVÏCe .ecccceccrrrrkiiirrrrrrrrriie 33 Hình 3-19: Hướng tiếp cận Edge deployIment cc cccccecrecrrreeerrrerrrree 34 Hình 3-20: Các dạng máy tính nhúng phổ biến -ccccccccccxrrsrerre 35 Hình 4-1: Mô hình thiết kế phía phát và phía thu - cccc ee-eeee 36 Hình 4-2: Mô hình lắp đặt thiết bị -.cccerrrrrrrririirirrrrree 37 Hình 4-3: Phía phát tín hiệu OFDM và điều khiển thiết bị IoT 37

Hình 4-4: Phía thu tín hiệu OFDM và nhận dạng hành động tay 38

Hình 4-5: Cấu trúc chung của mô hình phát tín hiệu OFDM 41

Hình 4-6: Bộ phận xây dựng dữ liệu c+ chen 41

Hình 4-7: Bộ phận điều chế dữ liệu -cccccccccccvseeecccvvveereerrrrvrerrrrrrrrer 42 Hình 4-8: Bộ phận điều chế tín hiệu OFDM ccccecxeeieerrsesrrrrree 42

Hình 4-9: Mô hình phát tín hiệu OFDM hoàn chỉnh -. sccccceeee 42

Hình 4-10: Cấu hình chung của mô hình thu tín hiệu OFDM 43

Hình 4-11: Bộ phận thu và trích xuất tín hiệu -ccccccceeseserreeree 44 Hình 4-12: Bộ phận xử lý heaerr -c cc-xeecxrkerttrkiirttrriirrriiiririiiirrieee 44 Hình 4-13: Bộ phận xử lý payÌoad -ce-cscxerrtrkiirtrtiirrriiiriiiiirriieee 45 Hình 4-14: Bộ phận trích xuất và xử lý thông tin trạng thái kênh truyền 46

Hình 4-15: Mô hình nhận tín hiệu điều khiển thiết bị Internet van vật 46

Hình 4-16: Cách thực hiện hành động tay che 47 Hình 4-17: Các dạng hành động để lại trong thông tin trạng thái kênh truyền.48 Hình 4-18: Độ phân bố dữ liệu -c vecec-cccxxrrerrkkiiirririiiirriiiirriree 49 Hình 4-19: Cấu trúc mô hình BiLSTM được sử dụng c.-c-c-c.ex 49 Hình 4-20: Cấu trúc mô hình LeNet được sử dụng -.cc.e-c.xeeee 50 Hình 4-21: Chuyển đổi mô hình thành dạng ONNX .c. -s+ 51 Hình 4-22: Bảng mạch đèn LED được kết nối đến thiết bị 52

Hình 4-23: Mô hình LeNet với độ chính xác trung bình 95.83% 53

Hình 4-24: Mô hình BiLSTM với độ chính xác trung bình 94.16% 53

Hình 4-25: Kết quả đo lường qua hai phương pháp triển khai mô hình 54

Hình 4-26: Người thực hiện hành động tay ccceeskiieeriiririiiirke 55 Hình 4-27: Kết quả nhận dạng hành động tay được biểu diễn qua biểu đồ 55

DANH MỤC BANG

Bảng 3-1: Mô tả kỹ thuật của thiết bị LimeSDR Mini -e- 29

Bảng 4-1: Danh sách các phần cứng được dùng trong đề tài 39

Bảng 4-2: Danh sách các phần mềm được dùng trong đề tài 39

Bảng 4-3: Danh sách các dịch vụ tính toán được dùng trong đề tài 40

Bảng 4-4: Cấu hình tín hiệu OFDM của mô hình truyền sóng vô tuyến 40

Bang 4-5: Quy định hành động tay -c<c+L HH 47

\© œ>¬>ICCƠI>C)2t2PE

DANH MỤC TỪ VIET TAT

SDR Software Defined RadioOFDM Orthogonal Frequency Division MultiplexingRSSI Received Signal Strength Indicator

CSI Channel State InformationUSRP Universal Software Radio PeripheralGPIO General Purpose Input/Output

API Application Programming InterfaceBPSK Binary Phase-shift Keying

QPSK Quadrature Phase-shift Keying

TÓM TẮT KHÓA LUẬN

Trong thời đại thúc đây phát triển ứng dụng môi trường sống thông minh, các ứng dụng nhận dạng con người đang là chủ đề được chú trọng nghiên cứu Ứng dụng nhận dạng con người đóng vai trò quan trọng trong việc hỗ trợ con người điều khiển các thiết bị thông minh xung quanh Các ngữ cảnh có thể ứng dụng đến bao gồm nhà thông minh, hệ thống theo dõi và chăm sóc sức khỏe, hệ thống giám sát an ninh Đã

có nhiều hướng tiếp cận dé giải quyết bài toán nhận dạng con người qua việc sử dụng

các thiết bị thông dụng như camera hoặc cảm biến, Song đều có các hạn chế nhất định

từ bản chất thiết bị như điều kiện ánh sáng, vật cản, điều kiện lắp đặt Các nghiên

cứu của những năm gần đây đề xuất đến việc ứng dụng sóng vô tuyến vào việc nhận dạng con người, cụ thé là việc trích xuất đặc trưng của con người dé lại trong môi trường truyền sóng vô tuyến Phổ biến nhất của phương pháp này là việc ứng dụng

thông tin trạng thái kênh truyền trong phương pháp điều chế sóng OFDM — phương pháp điều chế dùng trong các chuẩn vô tuyến hiện nay như Wi-Fi, Li-Fi, LTE Tuy nhiên do đặc thù của thiết bị thu phát sóng vô tuyến, việc xây dựng hệ thống và trích xuất đữ liệu của nhiều nghiên cứu hiện đang bị giới hạn ở các phần cứng thu sóng Wi-Fi của một số nhà cung cấp như Intel và Atheros Điều này hạn chế khả năng tùy

chỉnh và mở rộng sang các chuẩn vô tuyến khác.

Nội dung của khóa luận đề xuất việc xây dựng môi trường nghiên cứu truyền sóng không dây từ các phần cứng vô tuyến khả lập trình và phần mềm mã nguồn mở GNU Radio Tác giả sử dụng phương pháp điều chế OFDM với các tham số tương đương chuan Wi-Fi dé định nghĩa cho phan cứng SDR, từ đó mô phỏng lại được cách các nghiên cứu trích xuất dữ liệu trang thái kênh truyền trong môi trường sóng vô tuyến Dữ liệu trích xuất được đưa vào mô hình học sâu đề giải quyết bài toán nhận dạng hành động tay của con người Sau khi có được mô hình, tác giả thực hiện triển

khai lên các máy tính nhúng thông qua các công nghệ phục vụ mô hình học sâu, móc

nối với điều khiến các thiết bị điện tử cơ bản Với việc sử dụng tất cả công nghệ mã nguồn mở, hệ thống đề xuất một ứng dụng có thê hỗ trợ nghiên cứu liên quan đến

nhận dạng con người băng sóng vô tuyên.

Chương 1 Mở đầu

1.1 Lí do chọn đề tài

Trong quá trình phát triển các ứng dụng thông minh để hỗ trợ đời sống của

con người, các bài toán liên quan đến nhận dạng con người ngày càng được chú trọng

phát triển với nhiều hướng tiếp cận khác nhau Phổ biến nhất là việc ứng dụng các thiết bị thông minh dé trích xuất dữ liệu liên quan đến con người trong môi trường sông, kết hợp với các kỹ thuật học máy để máy tính nhận dạng được con người Các hướng tiếp cận này đã mang lại hiệu quả cao và trở thành các ứng dụng thực tiễn cho

các môi trường thông minh, tuy nhiên đều có các hạn chế nhất định mà các nghiên cứu chưa thê khắc phục.

Các hạn chế trong việc tiếp cận bài toán thông qua các thiết bị hiện hữu đều

phát sinh từ cách sử dụng các thiết bị Các giải pháp sử dụng cảm biến thường yêu

cầu con người phải đeo cảm biến hoặc thiết bị chứa cảm biến trên người (như điện thoại thông minh, đồng hồ, vòng cổ ), từ đó gây ra bat tiện và không thoải mái khi luôn phải đeo thiết bị, đặc biệt trong ứng dụng chăm sóc sức khỏe cho trẻ em hay người lớn tuổi do người dùng có thé quên việc đeo thiết bị và có thé tháo ra bat cứ

lúc nào Các giải pháp sử dụng thiết bị gắn trong môi trường như camera hay cảm

biến hồng ngoại, tải trọng, ánh sáng bị ảnh hưởng lớn từ môi trường xung quanh (như điều kiện ánh sáng, nhiệt độ, vật cản ) Đồng thời, dữ liệu thu được từ hình ảnh camera có thé gây vi phạm đến quyền riêng tư con người khi chứa các dữ liệu liên quan đến đặc điểm sinh học hoặc hoạt động của con người Mặc dù dữ liệu được dùng

cho các ứng dụng nhận dạng con người, song việc dữ liệu không bị tận dụng cho mục đích khác là việc khó đảm bảo.

Đề có thé giải quyết được các hạn chế và ứng dụng được cho tat cả các ngữ

cảnh bài toán, các nghiên cứu về nhận dạng con người tiếp tục được thúc đâyvà sinh

ra hướng tiếp cận bằng sóng vô tuyến trong các nghiên cứu của những năm gần đây Hướng tiếp cận bằng sóng vô tuyến tận dụng các thiết bị vô tuyến trong môi trường (phổ biến là Wi-Fi hoặc mạng đi động) thông qua việc trích xuất dit liệu con người

tác động lên sóng vô tuyến để phân tích và nhận dạng con người Giải pháp này khắc

phục được các vấn đề về môi trường (hoạt động được ở mọi điều kiện ánh sáng, di

xuyên qua vật cản) và riêng tư (dữ liệu dạng sóng), đồng thời tận dụng được tài

nguyên có sẵn trong môi trường, tiết kiệm được chỉ phí triển khai Tuy nhiên, hướng tiếp cận băng sóng vô tuyến là hướng nghiên cứu mới, do đó cách tiếp cận và ứng dụng thực tiễn chưa được phô biến Các nghiên cứu hầu hết bị giới hạn về một vài

loại thiết bị mạng và phần mềm chuyên dụng Điều này khiến quá trình tiếp cận

nghiên cứu chưa có sự chuân hóa, khó thúc đây nghiên cứu rộng rãi.

Với hiện trạng hướng nghiên cứu chưa có tiếp cận cụ thể, khóa luận đề xuất

một hướng tiếp cận chung, sử dụng các công cụ mã nguồn mở và các thiết bị được

hỗ trợ bởi các công cụ Khóa luận xây dựng một ứng dụng mô phỏng giải quyết bài toán nhận diện hành động tay của con người trong sóng vô tuyến thông qua việc trích xuất dữ liệu CSI từ sóng vô tuyến điều chế qua kỹ thuật OFDM Hướng giải quyết ứng dụng kỹ thuật hoc sâu dé nhận diện hành động, sau đó sử dụng kết quả nhận dạng

dé điều khiến thiết bị Toàn bộ ứng dụng được trién khai trên các phần cứng SDR cho việc truyền sóng vô tuyến, quản lý bởi các máy tính nhúng dé nhận kết quả, từ đó điều khién các thiết bị nhúng cơ bản dùng trong các ứng dụng Internet van vật.

1.2 Mục tiêu đề tài

— Tìm hiểu về các nghiên cứu liên quan đến phương pháp nhận dạng con người

băng sóng vô tuyến.

— Tìm hiểu về các thiết bị và công cu dé triển khai ứng dụng mô phỏng.

— Xây dựng ứng dụng nhận dạng hành động tay của con người với bộ dt liệu tự

thu được.

— _ Triển khai ứng dụng trên các máy tính nhúng dé điều khién các thiết bị Internet

vạn vật.

1.3 Đối tượng và phạm vi nghiên cứu

1.3.1 Đối tượng nghiên cứu

— Thiết bị vô tuyến khả lập trình: Lime SDR Mini.

— Máy tính nhúng: Raspberry Pi 3B, Orange Pi 5.

— Thư viện xây dựng mô hình học sâu: TensorFlow — Keras.

— Các chuẩn cấu trúc mô hình học sâu: TensorFlow SavedModel, ONNX,

e Xây dựng ứng dụng từ các thiết bị mượn tại phòng Lab E3.1 của Khoa Mạng

máy tính và Truyền thông.

e_ Triển khai thiết bị và đánh giá độ hiệu quả từ ứng dụng đã xây dựng tại phòng

Lab.

1.4 Cấu trúc

Qua các nội dung đã trình bày, cấu trúc cụ thể của khóa luận bao gồm các

nội dung sau:

e Chương 1: Mở đầu.

© Chương 2: Giới thiệu tổng quan.

© Chương 3: Nghiên cứu lý thuyết.

© Chương 4: Trình bày, đánh giá bàn luận về kết quả.

© Chương 5: Kết luận.

e Chương 6: Hướng phát triển.

Chương2 Tổng quan

2.1 Tình hình các nghiên cứu liên quan

Bài toán nhận dạng con người là một trong các lĩnh vực quan trọng trong

quá trình xây dựng các ứng dụng Internet vạn vật như các hệ thống theo dõi sức

khỏe, điều khiển thông minh hay giám sát an ninh Với tính chất kết nối của nhiều

thiết bị trong môi trường Internet vạn vật, đã có nhiều phương pháp được đềxuất cho bài toán nhận dạng con người, sử dụng đa dạng các thiết bị thông minhnhư thiết bị cá nhân thông minh, camera, cảm biến, radar Theo khảo sát của

Jiang Xiao và các đồng tác giả [1] về các nghiên cứu nhận dạng con người bằng

môi trường thiết bị không dây, các hướng nghiên cứu được chia thành ba dạng

chính: nhận dạng hành động, theo dõi chuyển động và xác định con người Khảosát của Jiao Liu và các đồng tác giả [2] cho thấy hướng tiếp cận thông qua cáccông nghệ không dây như RFID, FMCW, Wi-Fi, LoRa, LTE để trích xuất hoạtđộng con người để lại trong môi trường không dây Bài khảo sát cũng cho thấylượng lớn các nghiên cứu sử dụng đặc trưng trích xuất từ dữ liệu CSI thu được

qua phương pháp điều chế OFDM của các hệ thống Wi-Fi Các khảo sát cho thấy

hướng nghiên cứu sử dụng môi trường không dây có thể đảm nhiệm được nhiều

tác vụ trong bài toán nhận dạng con người và có nhiều tiềm năng phát triển, đặcbiệt là hướng nghiên cứu sử dụng sóng vô tuyến

Để tiếp cận được với các nghiên cứu liên quan về lĩnh vực nhận dạng con

người bằng sóng vô tuyến, nhiều nghiên cứu đã cung cấp các bộ công cụ tùy chỉnh

trên các phần cứng thu sóng vô tuyến phổ thông Daniel Halperin và các đồng tácgiả [3] đã cho ra đời bộ công cụ Linux 802.11n CSI Tool gồm firmware và driver

mã nguồn mở trên Linux để tùy chỉnh card mạng Intel 5300, cho phép người

dùng trích xuất dữ liệu CSI sinh ra trong quá trình thu sóng Wi-Fi Yaoxiong Xie

và các đồng tác giả [4] đã cho ra đời bộ công cụ Atheros CSI Tool cho các card

mạng sản xuất bởi Atheros với khả năng trích xuất nhiều dữ liệu liên quan đếnquá trình trao đổi không dây ở tầng vật lý (Physical layer), trong đó có dữ liệu

RSSI và CSI Matthias Schulz và các đồng tác giả [5] đã xây dựng bộ khung phầnmềm nexmon gồm các bản vá firmware để giúp tùy biến các card mạngBroadcom/Cypress (nay thuộc về công ty Infineon), trong đó có chức năng trích

xuất dữ liệu CSI Steven M Hernandez và Eyuphan Bulut [6] đã xây dựng bộ phầnmềm trích xuất dữ liệu CSI trên module ESP32 tích hợp Wi-Fi Nổi bật gần đây là

bộ công cụ PicoScenes của Zhiping Jiang và các đồng tác giả [7] với khả năng hỗ

trợ các card mạng phổ biến của Intel, Qualcomm và các thiết bị SDR Với số lượng

Hình 2-1: Mô hình hướng tiếp cận bang sóng vô tuyến [8]

Với bộ dữ liệu thu được từ các công cụ nêu trên, các nghiên cứu dần tậptrung vào phương pháp phân tích dữ liệu để đạt được đầu ra của bài toán nhậndang con người, nổi bật là phương pháp máy học và học sâu Isura Nirmal và cácđồng tác giả [8] đã khảo sát được xu hướng áp dụng học sâu vào bài toán nhận

dạng con người, sự hiệu quả và các bộ dữ liệu công cộng có thể hỗ trợ nghiên

cứu Số lượng các nghiên cứu ứng dụng tăng dần theo các năm: khởi đầu với 3

nghiên cứu vào năm 2016 và tăng dần đến hơn 50 nghiên cứu trong năm 2019

trở về sau Độ hiệu quả của các phương pháp học sâu như MLP, CNN, RNN đều

có thể đạt trên 90% về độ chính xác Nghiên cứu của Jiangfei Yang và các đồngtác giả [9] về ứng dụng học sâu vào nhận dạng con người sử dụng sóng vô tuyến

đã mang lại góc nhìn thực tế hơn qua việc cung cấp benchmark đánh giá Kết quảbenchmark đã cho thấy khác biệt về độ hiệu quả giữa các mô hình máy học khácnhau trên bốn bộ dữ liệu công khai (hai bộ UT-HAR và Widar từ nghiên cứu khác;

hai bộ NTU-Fi HAR và NTU-Fi Human-ID do các tác giả xây dựng), với các mô

hình dạng RNN đạt độ chính xác cao nhất và mô hình dạng CNN đạt hiệu quả cao

trong học chuyển giao (transfer learning) Các kết quả đều được công bố và cóthể thực hiện lại qua mã nguồn được cung cấp Những khảo sát được thực hiện

cho thấy việc ứng dụng học sâu vào giải quyết bài toán nhận dạng con người là

hướng nghiên cứu được ưa chuộng.

Về hướng triển khai thực tế, các ứng dụng đáng chú ý hướng đến sử dụng

các thiết bị SDR Thiết kế của Muhammad Bilal Khan và các đồng tác giả [10],

Aboajeila Milad Ashleibta và các đồng tác giả [11] đã xây dựng mô hình thửnghiệm sử dụng phần cứng USRP của Ettus Research điều khiển bởi phần mềmMATLAB để phát hiện chuyển động của con người Fei Wang và các đồng tác giả[12] đã xây dựng nghiên cứu qua phần cứng USRP với phần mềm điều khiển GNU

Radio để nhận biết được đồng thời cả hành động và vị trí của con người Cácnghiên cứu cho thấy tiềm năng sử dụng các thiết bị SDR để thực hiện nghiên cứu

về nhận dạng con người bằng sóng vô tuyến, từ đó gợi ý được cách thiết kế ứng

dụng mô phỏng để đánh giá độ hiệu quả khi triển khai nghiên cứu ra thực tế

2.2 Các vấn đề tồn tại

Vấn đề về dữ liệu: Các khảo sát về ứng dụng học sâu cho bài toán nhận

dạng con người [8] [9] [10] đều cho thấy hạn chế về việc thiếu bộ dữ liệu công

khai Đây là vấn đề lớn khi hướng tiếp cận hiện nay đều yêu cầu sử dụng học sâu

do độ hiệu quả của phương pháp này tăng theo lượng dữ liệu được cung cấp Số

lượng bộ dữ liệu thấp cũng gây ra vấn đề về khả năng bao quát của các mô hìnhhọc sâu, khiến các mô hình học sâu không thể áp dụng học chuyển giao

Vấn đề về thiết bị: Các bộ công cụ được nhắc đến đều bị giới hạn về các

nhà cung cấp cụ thể như Intel [3], Atheros [4] và Broadcom [5] khiến việc tiếp

cận bị giới hạn về phần cứng và phụ thuộc vào nhà cung cấp Bộ công cụ xây dựng

trên module ESP32 [6] khắc phục được hạn chế do là linh kiện có thiết kế được

công khai và sản xuất số lượng lớn Đồng thời các công cụ cố định về chuẩn

Wi-Fi từ phần cứng, gây ra hạn chế về mặt tùy biến: điều chỉnh cường độ phat, tái

cấu hình chuẩn vô tuyến, sử dụng tần số gốc khác

Các nghiên cứu sử dụng thiết bị SDR [11], [12] cho phép các tác giả tùychỉnh cách điều chế sóng vô tuyến, tuy nhiên sử dụng MATLAB gây hạn chế vềkhả năng tiếp cận do là phần mềm trả phí và không được dùng để triển khai thực

tế Nghiên cứu sử dụng đến công cụ GNU Radio [13] cho thấy khả thi hơn về mặt

triển khai do là công cụ mã nguồn mở và hỗ trợ nhiều thiết bị SDR, tuy nhiên

chưa được sử dụng rộng rãi do sự ưa chuộng MATLAB cho các nghiên cứu về

truyền thông dữ liệu và do bộ công cụ vẫn đang được hoàn thiện dần Ngoài ra,

điểm chung của các nghiên cứu được đề cập sử dụng thiết bị USRP có giá thành

cao, đây là hạn chế gây cản trở tiếp cận SDR so với việc sử dụng các card mạngphổ thông với giá thành rẻ

2.3 Các vấn đề mà đề tài cần tập trung, nghiên cứu giải quyết

Vấn đề về dữ liệu: đề tài hướng đến việc đề xuất thiết kế có thể hỗ trợ việc thu bộ dữ liệu cho bài toán nhận dạng con người dễ tiếp cận hơn qua việc

kết hợp các phần mềm mã nguồn mở Thiết kế cho phép người dùng trích xuất

dữ liệu CSI từ mô hình OFDM xây dựng trên công cụ GNU Radio, từ đó giúp tiếp

cận được hướng nghiên cứu sử dụng sóng vô tuyến Đồng thời, thiết kế cho phépthu dữ liệu và kiểm tra kết quả thông qua khả năng triển khai được mô hình học

sâu để dự đoán trên dữ liệu sau mỗi lần thu Mô hình học sâu có thể triển khaiqua công cụ NVIDIA Triton Inference Server trên một server hoặc công cụ RKNN-

Toolkit trên máy tính nhúng sử dụng mach Rockchip.

Vấn đề về thiết bị: đề tài hướng đến việc sử dụng các thiết bị SDR để mô

phỏng được các nghiên cứu hiện hữu Thiết bị LimeSDR Mini được sử dụng đểtiết kiệm chi phí hơn so với các thiết bị USRP Đề tài sử dụng đến các máy tính

nhúng để giảm sự cồng kềnh so với việc sử dụng các máy tính cá nhân, cho thấy

sự linh động để nghiên cứu thực hiện được ở nhiều môi trường khác nhau

Ngoài ra đề tài đề xuất thiết kế có thể liên kết với việc điều khiển các thiết

bị cơ bản để trực quan hóa ứng dụng của nghiên cứu trong lĩnh vực Internet vạnvật Thiết kế thực hiện nhận dạng hành động tay của con người để điều khiển các

đèn LED trên bảng mạch nối với máy tính nhúng, từ đó cho thấy được tiềm năng

xây dựng ứng dụng.

Chương 3 Nghiên cứu lý thuyết

3.1 Bài toán nhận dạng con người

cạnh liên quan đến con người như vị trí, danh tính, hành động thông qua các thiết

bị thông dụng như camera, cảm biến, thiết bị vô tuyến để thu thập đữ liệu về con người trong môi trường sống Với dữ liệu thu được, các kỹ thuật phân tích dữ liệu

được áp dụng dé máy tính có thể nhận dang con người, phổ biến và hiệu quả nhất

trong sô đó là các kỹ thuật máy học và học sâu của các nghiên cứu về trí tuệ nhân tạo.

3.1.1 Nhu cầu ứng dụng của bài toán nhận dạng con người

Trong suốt quá trình phát triển công nghệ thông tin, các bài toán ứng dụngnhư nhận dạng con người ngày càng được chú trọng phát triển Xu hướng tựđộng hóa hướng đến việc giảm tải các công việc đơn giản của con người để tập

trung nguồn lực vào các công việc đòi hỏi kỹ thuật cao hơn Thời đại phát triển

của Internet vạn vật ngày càng thúc đẩy các ứng dụng nhận dạng con người vào

nhiều lĩnh vực Các lĩnh vực có thể kể đến bao gồm: môi trường sống thông minh,

hệ thống giám sát an ninh, hệ thống quản lý sức khỏe, điều khiển từ xa Việc phát

triển không chỉ tập trung vào độ hiệu quả mà còn hướng đến việc bao hàm được

tất cả các ngữ cảnh, khắc phục được các hạn chế hiện hữu và tiết kiệm chỉ phí

triển khai

3.1.2 Các hướng tiếp cận để giải quyết bài toán

Hiện nay đã có nhiều nghiên cứu tóm tắt lại hiện trạng của bài toán nhận

dạng con người với nhiều hướng tiếp cận khác nhau Các phương pháp giải quyết

van đề thường được chia ra hai giai đoạn chính: thu thập dữ liệu và xử lý dữ liệu

3.1.2.1 Giai đoạn thu thập dữ liệu

Để phục vụ cho bài toán nhận dạng con người, các máy tính cần nhận được

dữ liệu liên quan đến con người trong môi trường sống Dữ liệu được thu về

10

thông qua việc sử dụng các phần cứng thông dụng có thể tương tác với con

người, bao gồm camera hoặc các loại cảm biến Tùy theo hướng tiếp cận mà cácphương pháp được chia ra hai hướng chính: device-based (dựa vào thiết bị đeo

trên người) và device-free (dựa vào thiết bị lắp đặt trong môi trường sống của

con người).

Hướng tiếp cận device-based trong nhận dạng hành động của con người tận

dụng đến các đặc điểm của các thiết bị con người sử dụng trong đời sống thường

ngày: vòng cô, vòng đeo tay, điện thoại thông minh Để nhận dạng hành động của con người, một thiết bị điều khiển được cài đặt ở vị trí cố định và liên lạc với các thiết

bị đeo trên người Các thiết bị đeo thường được gắn các loại cảm biến (chuyên động,

nhiệt độ) dé thu thập dữ liệu và gửi về thiết bị điều khiển Các thiết bị điều khiến cũng

có thê tận dụng việc các thiết bị thông minh có sử dụng các giao thức không dây

(Wi-Fi, Bluetooth, LoRa) dé xác định con người trong môi trường mang không dây Mặc

dù đây là hướng tiếp cận hiệu quả cho bài toán nhận dạng con người, song hạn chế nam ở việc yêu cầu con người phải mang theo thiết bị trên người dé có thé nhận dạng Đối với các ứng dụng đặc biệt như chăm sóc sức khỏe hoặc nhà dưỡng lão, việc cần

con người luôn đeo thiết bị trên người thường không khả thi (người bệnh cảm thấy khó chịu khi luôn phải đeo thiết bị, người già có thé quên đeo thiết bị, thiết bị gây can

trở sinh hoạt).

Hướng tiếp cận device-free cho bài toán nhận dạng hành động của con người

tập trung vào việc lắp đặt và sử dụng các thiết bị trong môi trường xung quanh dé

nhận dạng con người Phổ biến là việc sử dụng các thiết bị camera đề trích xuất hình ảnh, từ đó sử dụng dữ liệu hình ảnh kết hợp với các phương pháp thị giác máy tính

dé nhận dang con người Hướng tiếp cận bang dữ liệu hình ảnh mang lại hiệu quả cao

do các phương pháp thị giác máy tính đều được phát triển mạnh từ lâu đời, tuy nhiên

với việc các phương pháp đều ứng dụng đến các công cụ học máy dẫn đến việc cần

lượng dit liệu lớn dé giải quyết được bài toán Quyền riêng tư của con người cũng bi

ảnh hưởng trong quá trình thu thập và sử dụng dữ liệu hình ảnh do danh tính và hành

động cua con người déu bị ghi lại Dé tránh được các hạn chê vê hướng tiêp cận bang

11

dữ liệu hình ảnh, các thiết bị cảm biến (hồng ngoại, ánh sáng, tải trọng) được thiết lập trong môi trường sống Các thiết bị này trích xuất các dữ liệu sinh học của con

người dé phục vụ cho giai đoạn phân tích phía sau Sự kết hợp giữa nhiều loại cảm

biến tạo nên nguồn dữ liệu phong phú, đạt được hiệu quả cao khi áp dụng các kỹ thuật phân tích dữ liệu Tuy nhiên, hạn chế đem lại từ việc sử dụng các cảm biến năm ở tuổi thọ và chỉ phí triển khai, gây cản trở lớn khi ứng dụng diện rộng.

Với việc cần giải quyết được hạn chế về chi phí mà van đạt được độ tiện lợi

do hướng tiếp cận device-free mang lại, các nghiên cứu gần đây đã đề xuất việc tận dụng các thiết bị truyền sóng vô tuyến hiện hữu vào việc giải quyết bài toán Trong

môi trường sóng vô tuyến, các tác động của con người đều đề lại ảnh hưởng lên sóng

vô tuyến trên đường truyền từ thiết bị này sang thiết bị khác Các nghiên cứu đã tận dụng và trích xuất các đặc điểm của con người qua nhiều khía cạnh khác nhau, bao gồm chỉ số cường độ tín hiệu thu (Received Signal Strength Indicator), thông tin trạng thái kênh truyền (Channel State Information), Radar sóng liên tục qua điều chế tan số (Frequency Modulated Continuous Wave radar) Việc tận dụng các thiết bị vô tuyến

có sẵn như hạ tầng Wi-Fi, LTE, LoRa giúp cắt giảm chỉ phí triển khai và bảo trì, tuy

nhiên độ hiệu quả chưa được kiểm chứng và chưa có nhiều ứng dụng cụ thể được

triển khai rộng rãi do đây là hướng nghiên cứu khá mới.

3.1.2.2 Giai đoạn xử lý dữ liệu

Sau khi thu thập dữ liệu từ phần cứng, các phương pháp xử lý dữ liệu đểđưa ra kết quả nhận dạng con người được áp dụng để các máy tính đưa ra quyếtđịnh điều khiển ứng dụng Các phương pháp xử lý dữ liệu được đề xuất tùy vào

mỗi đặc trưng của việc nhận dạng như phát hiện vị trí, nhận diện danh tính hay

hành động của con người Sự phát triển của các công nghệ liên quan đến lĩnh vựctrí tuệ nhân tạo đã thúc đẩy các phương pháp xử lý dữ liệu theo hướng khác, từ

đó phân chia các phương pháp theo hai hướng truyền thống và hướng ứng dụng

máy học.

12

Các phương pháp tiếp cận truyền thống tập trung vào việc xử lý dữ liệu

dựa trên các đặc trưng vật lý một cách thủ công Các kỹ thuật toán học và vật lý

được áp dựng để gán các đặc trưng trong bộ dữ liệu thành các dạng biểu diễn

chung Khi nhận được dữ liệu mới, các ứng dụng thực hiện so sánh dữ liệu với

dạng biểu diễn đã xây dựng từ trước, điển hình như kỹ thuật so khớp mẫu

(template matching) Hướng xử lý dữ liệu đem lại hiệu quả nhất định và khôngyêu cầu tài nguyên tính toán nhiều, tuy nhiên bị hạn chế về khả năng bao quátđược nhiều môi trường và hoàn cảnh khác nhau Đồng thời, hướng tiếp cận yêu

cầu người xử lý dữ liệu phải có trình độ cao theo mỗi dạng dữ liệu: kỹ thuật xử

lý hình ảnh (đối với dữ liệu từ camera), kỹ thuật xử lý dữ liệu dòng thời gian (đốivới dữ liệu từ cảm biến), kỹ thuật xử lý tín hiệu (đối với dữ liệu từ các thiết bị

sóng vô tuyến) Các hạn chế nêu trên khiến cho phương pháp xử lý dữ liệu truyềnthống khó đưa vào ứng dụng rộng rãi

Để khắc phục các hạn chế của các phương pháp truyền thống, nhiều

nghiên cứu đã ứng dụng các phương pháp thuộc lĩnh vực trí tuệ nhân tạo vào xử

lý và phân tích dữ liệu Phổ biến nhất trong các phương pháp của lĩnh vực trí tuệ

nhân tạo là các kỹ thuật máy học và học sâu Các giải thuật máy học như Nearest Neighbours, Support Vector Machine hay Decision Tree đã được ứng

K-dụng va đạt hiệu quả với các ứng K-dụng nhận dang cơ ban như phân loại hành

động, nhận biết hữu hạn hướng đi, phát hiện ngã Hạn chế đến từ các phương

pháp máy học bao gồm sự bắt buộc của bước trích xuất đặc trưng và khả năng

học giới hạn, từ đó không thể áp dụng cho các ứng dụng phức tạp hơn Các môhình học sâu được ứng dụng để đạt hiệu quả cao hơn cho các ứng dụng phức tạp,

điển hình là các mạng neuron sâu như Convolutional Neural Network (phổ biếntrong nhận diện hình ảnh) va Recurrent Neural Network (phổ biến trong xử lý

dữ liệu dạng thời gian) Các mô hình học sâu mang lại hiệu quả về việc học được

từ lượng lớn dữ liệu và kết hợp bước trích xuất đặc trưng trong mô hình, giải

quyết được các bài toán phức tạp như nhận diện thủ ngữ, phân tích hành động ở

13

nhiều môi trường khác nhau, phát hiện vị trí của con người Hạn chế của các

phương pháp học sâu là sự phụ thuộc vào lượng dữ liệu lớn để học hiệu quả và

yêu cầu lớn về tài nguyên tính toán dẫn đến khó khăn trong việc xây dựng dữ

liệu và triển khai ứng dụng lên các thiết bị với tài nguyên hạn chế

3.2 Kỹ thuật điều chế sóng OFDM

3.2.1 Các khái niệm về OFDM

3.2.1.1 Giới thiệu chung về OFDM

Phương pháp Ghép kênh phân chia theo tần số trực giao (OrthogonalFrequency-Division Multiplexing) là một dạng điều chế đa sóng mang OFDM sử

dụng nhiều sóng mang băng tần hẹp trực giao với nhau để truyền dữ liệu Mỗi sóng mang được điều chế bằng các phương pháp thông thường như điều chế pha

(Phase Modulation) hay điều chế biên (Amplitude Modulation), sau đó các sóng

mang được sắp xếp trực giao với nhau để tạo thành mô hình đa sóng mang qua

phép biến đổi Fourier Việc tận dụng được nhiều sóng mang làm tăng lượng dữliệu có thể truyền được trong một khoảng thời gian

So với các phương pháp FDM thông thường, OFDM mang lại lợi thế về việc

sử dụng băng thông hiệu quả và chia sẻ được với nhiều người dùng Hiện tượng

fading chon lọc tần số không gây ảnh hưởng lớn do tín hiệu trên OFDM kéo dài,

đồng thời ảnh hưởng trên từng sóng mang không gây ảnh hưởng đến toàn bộ hệthống Từ các ưu điểm trên, OFDM được ứng dụng rộng trong các chuẩn vô tuyến

như DVB-T, Wi-Fi và LTE.

14

3.2.1.2 Mô hình điều chế OFDM

b S/P Mapping IDFT P/S Add CP

b P/S = Demapping

Channel

Estimate

Hình 3-1: Mô hình điều chế OFDM

Mô hình chia ra hai giai đoạn phát và thu tín hiệu OFDM Giả định đã có dữ

liệu chuẩn bị được truyền, cách hoạt động của mô hình như sau:

Giai đoạn phát:

Bước |: S/P (Serial to Parallel): Chuyén đôi luồng dữ liệu từ tuần tự thành song

song, cho phép luồng dữ liệu được truyền di toàn bộ trong thời gian ngắn hơn.

Dữ liệu song song được gán với từng sóng mang trong hệ thống.

Parallel interface example

Bước 2: Mapping: Luéng dữ liệu sau khi được chuyên sang song song được điều

chế tương tự như phương pháp điều chế tuần tự thông thường Các kỹ thuật

được áp dụng bao gồm điều biên (amplitude) như QAM, điều pha như QPSK

dé chuyền luồng dữ liệu thành luồng tín hiệu có thể truyền đi.

Bước 3: IDFT (Inverse Discrete Fourier Transform): Luéng tin hiéu can duoc

biến đổi từ miền tần số sang miền thời gian dé có thé đưa xuống phan cứng.

Đây là bước cần thiết để các giá trị tồn tại có thê được đưa vào sóng mang.

Bước 4: P/S (Parallel to Serial): Luồng tín hiệu song song được chuyên về dạng

tuần tự dé đưa được xuống phan cứng.

Bước 5: Add CP (Cyclic Prefix): Một phần khối tín hiệu được tách ra dé đặt vào

đầu khối tín hiệu Đây là đặc trưng của kỹ thuật điều chế OFDM, giúp tách biệt được giữa các gói OFDM được gửi đi liền kè.

Kênh truyền: gói tin OFDM tận dụng việc có thể sử dụng nhiều sóng mang nhỏ

để truyền dữ liệu, vì vậy cần có các quy định cụ thể khi truyền đi để phía nhận cóthể tách tín hiệu từ các sóng mang:

— Một dạng sóng mang OFDM sử dụng 3⁄4 sóng mang dé truyền dữ liệu (data

carrier), 1⁄4 sóng mang dé hỗ trợ tính toán trạng thái kênh truyền ở phía nhận

(pilot carrier).

— Với trường hợp 64 sóng mang: 48 sóng mang được dùng truyền dữ liệu, 16

sóng được dùng cho tính toán trạng thái kênh truyền.

— Các giá trị ở pilot carrier được định sẵn Phía nhận thực hiện so sánh giá trị ở

các vi tri pilot carrier với giá tri ban dau được định sẵn dé xác định trạng thái kênh truyền.

— Thông qua đữ liệu về kênh truyền nhận được từ pilot carrier, ảnh hưởng từ

kênh truyền lên các data carrier có thể được suy ra từ ảnh hưởng trên pilot carrier, từ đó đồng bộ được gói OFDM để trích xuất dữ liệu chính xác hơn.

16

@ @ pilot ® @ data

Hình 3-3: Cấu trúc gói OFDM với data carrier va pilot carrier

Giai doan nhan:

Bước 1: Remove CP (Cyclic Prefix): Gói OFDM nhận được thông qua bước bỏ

Cyclic Prefix để ra gói gốc.

Bước 2: S/P (Serial to Parallel): Gói OFDM là luồng tuần tự, từ đó cần đảo

ngược lại thành song song.

Bước 3: DFT (Discrete Fourier Transform): Luéng song song được biến đổi

DFT dé chuyền về biéu diễn miền tần số, từ đó tách được về các tín hiệu đã

điều chế.

Bước 4: Channel Estimate: Dựa theo thiết kế sóng mang của OFDM, trạng thái

kênh truyền được tính ra từ pilot carrier Kết quả từ trạng thái kênh truyền cho biết ảnh hưởng của môi trường lên gói OFDM nhận được.

Bước 5: Equalize: Sau khi có dữ liệu về trạng thái kênh truyền, các gói OFDM

được đồng bộ qua việc loại bỏ giá trị ảnh hưởng từ môi trường Các tín hiệu thu được chỉ còn chịu ảnh hưởng không thể tránh khỏi về độ nhiễu.

Bước 6: Demapping: Tín hiệu sau khi đã đồng bộ được giải điều chế dé ra dữ

liệu ban đầu.

Bước 7: P/S (Parallel to Serial): Luéng dữ liệu được chuyển về tuần tự dé đưa

vào sử dụng.

3.2.1.3 Đồng bộ trong mô hình OFDM

Trong tất cả các phương pháp truyền dữ liệu hiện nay, vấn đề đồng bộ là

điều bắt buộc cần xử lý để hệ thống thu có thể nhận được chính xác tín hiệu từ

hệ thống phát Một phương pháp được sử dụng trong mô hình OFDM tận dụng

17

các sync words cho quá trình đồng bộ Sync words là các đoạn dữ liệu được quy

định sẵn ở phía phát và phía thu, được dùng để giải quyết các vấn đề sau:

— Xác định thời điểm gói tin bắt đầu.

— Hỗ trợ tính toán trạng thái kênh truyền và độ lệch tần số sóng mang.

Các sync word được thêm vào trước gói OFDM để tạo thành doaan

preamble, theo sau là các gói OFDM Một gói tin hoàn chỉnh được phát hiện bên

phía nhận thông qua việc nhận biết preamble

Hình 3-4: Cấu trúc hoàn chỉnh của một gói tin OFDM

Việc sử dụng preamble được đề xuất bởi Timothy Schmidl và Donald Cox

[13] và được áp dụng thực tế trong chuẩn IEEE802.11 để phục vụ truyền nhận

các gói tin hiệu quả.

4 802.11a OFDM Burst

Preamble SIGNAL DATA OFDM Symbols

rame Structure

8 us length 8 us duration 4 us duration 4 us duration

12 subcarriers - all 52 subcarriers always BPSK 1 IFFT per symbol

every 4th subcarrier equal mag/phase Rate info 52 subcarriers per symbol

equal Magnitude channel estimation Length info 48 data, 4 pilots & zero Null sub.

signal detect chan equalization *SIGNAL 802.11a only data: same mod fmt per burst

AGC Diversity Sel fine freq offset est (BPSK,QPSK,16QAM,.640AM)

timing syne pilots: BPSK only

coarse freq offset est Max 4096 bits per frame

802.114 and HIPERLAN/2 Frame Structure

Hình 3-5: Cấu trúc gói tin OFDM được dùng trong chuẩn IEEE 802.11a

18

3.2.1.4 Thông tin trạng thái kênh truyền

Kỹ thuật ước lượng kênh truyền (channel estimation) là việc tính toán độ

ảnh hưởng của các hiện tượng tự nhiên lên kênh truyền khi tín hiệu được truyền

từ phía phát sang phía thu Các hiện tượng tự nhiên như phân tán, phản xạ, hấpthụ đều để lại ảnh hưởng đến sóng vô tuyến truyền đi ở khoảng cách xa Dữ liệu

được tính toán từ kỹ thuật ước lượng kênh truyền được gọi là thông tin trạng

thái kênh truyền (channel state information) và được tận dụng triệt để cho các

hệ thống vô tuyến khắc phục được ảnh hưởng do môi trường để lại.

Việc ước lượng trạng thái kênh truyền được thực hiện qua việc sử dụng

chuỗi huấn luyện (training sequence) Trong OFDM, chuỗi huấn luyện được quy định lên các pilot carriers và yêu cầu cả hai phía phát và thu biết được chuỗi đểthực hiện tính toán Công thức ước lượng thường có dạng sau:

Các số liệu trong ma trận kênh truyền tồn tại ở dạng số phức Z = a + jb

và có thể suy ra biên độ và pha qua các công thức:

— Biên độ: A = va? + b?

— Pha: P = arctan (7)

a

19

Trong các khảo sát về các nghiên cứu nhận dạng con người bằng sóng vô

tuyến, dữ liệu biên độ được tận dụng chủ yếu để giải quyết các bài toán về phân

biệt hành động con người Trong khi đó, dữ liệu pha được tận dụng nhiều hơn

với các bài toán về xác định vị trí con người Thiết kế trong khóa luận sử dụng

dữ liệu biên độ cho ứng dụng mô phỏng nhận dạng hành động tay của con người,

tuy nhiên dữ liệu thu được vẫn được lưu dưới dạng ma trận số phức để có thể

tùy biến ở việc trích xuất dữ liệu biên độ hoặc pha Biên độ thu được từ thông tintrạng thái kênh truyền phản ánh rõ rệt tác động của con người lên môi trường

vô tuyến

3.3 Kỹ thuật máy học

Máy học (Machine Learning) là một lĩnh vực trong Trí tuệ nhân tạo

(Artificial Intelligence) - ngành nghiên cứu với mong muốn đạt được khả năngcung cấp trí thông minh cho máy tính [14] Đây là một lĩnh vực hướng đến việc

máy tính có thể tự học hỏi được khi cung cấp dữ liệu đầu vào mà không cần lập

trình cụ thể [15] Kết quả đạt được từ áp dụng máy học luôn hiện hữu trong đờisống hiện nay, từ việc lọc email rác tự động, gợi ý trên các công cụ tìm kiếm đến

dự đoán giá cả hay hỗ trợ đưa ra quyết định Sự phát triển của máy học và khối

lượng dữ liệu ngày càng lớn hướng đến việc tiếp cận máy học như một phương

pháp lập trình để giải quyết vấn đề

Đối với người lập trình, bài toán cần giải quyết thường có dạng: nhận dữ

liệu đầu vào, sau đó phân tích dữ liệu đầu vào để đạt kết quả theo mong muốn.Các phương pháp lập trình truyền thống thường dựa vào việc xây dựng các mô

hình phân tích dữ liệu thủ công để đưa ra kết quả mong muốn, chẳng hạn như

lọc email: dựa vào các từ có trong email để phân loại là email rác hay không Việcxây dựng mô hình thủ công dần mất đi sự hiệu quả khi lượng dữ liệu dần trở nên

đa dạng hơn, ví dụ như email rác có thể dùng font chữ khác để ghi nội dung, dùng

câu từ và các từ ngữ đặc biệt để qua mắt mô hình lọc Người lập trình không thể

nào bao quát được tất cả các trường hợp một cách hiệu quả Để giải quyết các

20

vấn đề trên, các kỹ thuật máy học được đưa vào ứng dụng Máy học có thể học

được các đặc điểm chung của bộ dữ liệu, từ đó đưa ra được dự đoán kết quả trên

các dữ liệu tương tự Với hướng tiếp cận tập trung trên dữ liệu (data-oriented),máy học đã đem lại hiệu quả và tiết kiệm công sức hơn so với các phương pháplập trình truyền thống

3.3.1 Phân loại các phương pháp học máy

Học máy được phân loại thành bốn nhóm: học có giám sát (Supervised

Learning), học không giám sát (Unsupervised Learning), học bán giám sát

(Semi-supervised Learning), học củng cố (Reinforcement Learning)

3.3.1.1 Học có giám sát

Học có giám sát (Supervised Learning) là các thuật toán học máy dự đoán

đầu ra từ việc học dữ liệu đầu vào đã gán nhãn Dữ liệu đầu vào đã gán nhãn là

dạng dữ liệu được cung cấp kết quả đầu ra mong muốn Các phương pháp học cógiám sát hướng đến việc dự đoán được kết quả đầu ra cho các dữ liệu mới có

điểm tương đồng với dữ liệu gán nhãn đã được học

Training a Supervised Learner

Hình 3-7: Quá trình hoc có giám sát

Các phương pháp học có giám sát thường được chia ra theo dạng bài toán

cần giải quyết: phân loại và hồi quy

22

— Phân loại (classification): là dạng bài toán với SỐ lượng đầu ra là hữu hạn Ví

dụ điền hình là việc phân loại email (“hợp lệ” hay “rác”), phân loại động vật

^^.

(“chó”, “mèo” hay “gà”), xác định hành động (“đứng”, “ngôi”, “vay tay”)

— Hồi quy (regression): là dang bài toán với đầu ra không hữu hạn Kết quả đầu

ra hướng đến việc dự đoán giá trị liên tục Ví dụ điển hình là bài toán dự đoán

độ tin cậy tín dụng (từ 0 đến 1), dự đoán giá nhà (giá trị không cố định), dự

đoán lượng nước tưới cây (thường tính theo ml)

3.3.1.2 Học không giám sát

Học không giám sát (Unsupervised Learning) là các thuật toán tập trung

vào xử lý dữ liệu không gán nhãn Khác với học có giám sát, đầu ra của học không

giám sát không được xác định cụ thể do dữ liệu đầu vào không có sự phân loại

rõ rệt Mục tiêu của học không giám sát nằm ở việc thao tác lên dữ liệu để hỗ trợ

các tác vụ lưu trữ và tính toán, do vậy không cần kết quả tuyệt đối như kết quả

dự đoán trong học có giám sát.

Hình 3-8: Quá trình học không giám sát

Các phương pháp học không giám sát được chia thành hai dạng: phân

nhóm và liên kết quy luật

— Phân nhóm (clustering): là dạng bài toán phân tách bộ dữ liệu lớn thành các

nhóm nhỏ với sự tương quan nhất định Kết quả phân nhóm thường cho thấy

23

các đặc điểm mà người lập trình chưa thé nhận thấy Vi dụ điển hình cho bài

toán bao gồm việc phân nhóm các vật thể do cùng màu, cùng hình dạng hay

cùng vật liệu , phân nhóm khách hàng dựa theo hành vi mua hàng

— Liên kết quy luật: là dạng bài toán khám phá quy luật dựa trên một hoặc

nhiều bộ dit liệu Các quy luật sinh ra có thé hỗ trợ cách tiếp cận dit liệu cho người lập trình Ví dụ điển hình là các hệ thống gợi ý tìm kiếm dựa trên các chủ đề người dùng đã tìm, gợi ý mua hàng dựa trên dữ liệu khách hàng mua sắm

3.3.1.3 Học bán giám sát

Học bán giám sát (Semi-supervised Learning) là phương pháp học để giải

quyết các vấn đề nằm giữa nhóm bài toán học có giám sát và không giám sát Học

bán giám sát đưa ra kết quả dự đoán cố định như học có giám sát, tuy nhiên hoạt

động trên bộ dữ liệu chỉ một phần được gán nhãn nên có phần tương đương học

không giám sát.

Semi-Supervised Learning

Learning

process Pseudo-labeled Dataset

bó) Predictions It will be either

iy “4Ð = „| a > b Mm an apple or a

hp) Learning Model trained on

Small amount Pseudo labeled

~~ Of labeled data data and

labeled data

Data to be predicted aee*

==

Trained Machine learning Model

Two groups are identified Nowa human could label group 1 as

apples and group 2 as pineapples

Hình 3-9: Quá trình hoc bán giám sát

24

3.3.1.4 Học củng cố

Học củng cố (Reinforcement Learning) là phương pháp học xác định

hướng đi để đạt lợi ích cao nhất theo bài toán đề ra Khác với học có giám sát,

học củng cố tập trung vào việc khám phá dữ liệu và được điều chỉnh qua việc

người lập trình sử dụng “phần thưởng” khi đi đúng hướng để phương pháp họctìm đường đạt được, sao cho đạt được càng nhiều “phần thưởng” càng tốt

25