Do có ưu điểm là không xâm phạm và chi phí thấp, phát hiện ngã dựa vào thị lực được coi là một giải pháp có triển vọng và luận án này nghiên cứu hệ thống phát hiện ngã dựa vào thị lực ch
TỔNG QUAN NGHIÊN CỨU VỀ HIỆN TƯỢNG NGÃ
Phân tích nhu cầu xã hội
Người bệnh cao tuổi là nhóm dân số toàn cầu phát triển nhanh nhất, với tỷ lệ người cao tuổi ở Hoa Kỳ dự kiến tăng từ 13% vào năm 2010 lên 20,2% trong 40 năm tới Tại châu Âu, tỷ lệ này sẽ tăng 7,5% trong 45 năm kể từ năm 2005 Nhật Bản đã ghi nhận tỷ lệ người cao tuổi đạt 27,7% vào năm 2017 và dự kiến sẽ tăng thêm 7,6% từ năm 2017 đến 2040 Trung Quốc có 119,2 triệu người cao tuổi vào năm 2010, con số này sẽ tăng gấp 4 lần vào năm 2050 Trên toàn thế giới, số lượng người cao tuổi sẽ tăng từ 0,13 tỷ vào năm 2015 lên 0,45 tỷ vào năm 2050 Theo Tổ chức Y tế Thế giới, hàng năm, 28-35% người cao tuổi gặp tai nạn như ngã.
Theo Hội đồng An toàn Quốc gia, hơn 21 nghìn công dân Mỹ đã thiệt mạng do tai nạn ngã vào năm 2007, trong đó hơn 80% là người cao tuổi Trên toàn cầu, tai nạn ngã là nguyên nhân hàng đầu gây tử vong do vô ý, với khoảng 424 nghìn người cao tuổi mất mạng vì lý do này vào năm 2008 Khoảng 47% người cao tuổi không thể tự đứng dậy sau khi ngã, ngay cả khi không bị thương Đặc biệt, nếu một người cao tuổi sống độc thân bị ngã, họ có thể không nhận được sự trợ giúp kịp thời Vì vậy, việc phát triển một hệ thống phát hiện ngã, có khả năng tự động nhận diện tai nạn và thông báo cho gia đình hoặc cơ sở y tế, là rất cần thiết để bảo vệ sức khỏe và an toàn cho người cao tuổi độc thân.
Các phương pháp phát hiện ngã liên quan
Hệ thống phát hiện ngã được chia thành bốn loại chính: dịch vụ dựa trên thông tin cuộc sống, phương pháp sử dụng radar, phương pháp dựa trên thiết bị đa cảm biến và phương pháp xử lý hình ảnh.
1.2.1 Phát hiện ngã dựa trên thông tin cuộc sống
Hiện nay, nhiều công ty đã phát triển thiết bị ghi lại cuộc sống hàng ngày của người dùng nhằm xác định nguy cơ gặp phải Những thiết bị này gửi dữ liệu cho người thân để theo dõi tình trạng sống của người cao tuổi Một ví dụ điển hình là ấm đun nước điện thông minh "I-Pot", được Tập đoàn Zojirushi phát triển, giúp phát hiện tình trạng bất thường của người cao tuổi sống một mình.
Ấm được kết nối Internet qua Wi-Fi, cho phép người thân theo dõi lịch sử sử dụng của người cao tuổi, từ đó xác định xem họ có đang sử dụng ấm hay không Việc không được sưởi ấm trong thời gian dài có thể gây nguy hiểm cho người cao tuổi Công ty gas Tokyo cung cấp dịch vụ gửi thông tin sử dụng hàng ngày để giúp người thân nhận biết tình trạng an toàn của người cao tuổi Bên cạnh đó, Tổng công ty CICO thu thập và phân tích lượng điện năng tiêu thụ để đánh giá sức khỏe của cư dân Mặc dù các dịch vụ này có chi phí thấp và dễ sử dụng, nhưng chúng không cung cấp thông tin về việc phát hiện ngã theo thời gian thực.
1.2.2 Phát hiện ngã dựa trên sóng vô tuyến
Có hai loại hệ thống phát hiện ngã dựa trên sóng vô tuyến: hệ thống cổ điển như radar và hệ thống sử dụng Wi-Fi Những phương pháp này bảo vệ quyền riêng tư của người dùng và không yêu cầu người cao tuổi phải đeo thiết bị hay cảm biến nào Hệ thống radar nổi bật với khả năng hoạt động ổn định trong các điều kiện môi trường khác nhau và khả năng xuyên thấu tốt.
Hệ thống phát hiện ngã dựa trên radar băng tần kép được trình bày bởi [12] đã tối ưu hóa băng tần và mặt phẳng để nâng cao độ chính xác trong việc phát hiện ngã, với khả năng nhận diện tai nạn trong phạm vi 4 mét khi radar được đặt ở 0 độ Tuy nhiên, hệ thống này chỉ phát hiện được một số tư thế như ngã và đứng, trong khi nhiều tư thế khác vẫn chưa được nhận diện Để khắc phục hạn chế này, cách tiếp cận của [14] đã phát triển một hệ thống radar có khả năng phát hiện nhiều tư thế hơn, bao gồm cả các kiểu ngã như ngất xỉu và trượt chân Nghiên cứu mối quan hệ giữa tốc độ di chuyển và tần số radar thông qua mô hình Markov ẩn cho thấy phương pháp này đạt tỷ lệ phát hiện cao Các phương pháp dựa trên xử lý hình ảnh và âm thanh không hiệu quả trong môi trường như phòng tắm, khẳng định tính ưu việt của hệ thống radar.
Hệ thống phát hiện ngã dựa trên sóng định vị vô tuyến hấp dẫn bao gồm hai quá trình xử lý: sàng lọc trước và phân loại Quá trình đầu tiên xác định thời gian có thể xảy ra tai nạn ngã, trong khi quá trình thứ hai phân đoạn thông tin tần số từ các tham số wavelet ở nhiều tỷ lệ Sau khi phân loại, hệ thống có khả năng phát hiện ngã Kết quả thử nghiệm cho thấy hệ thống này có hiệu suất mạnh mẽ và khả năng phát hiện tốt tai nạn ngã trong phòng tắm, mặc dù vẫn còn hạn chế về độ chính xác.
Hệ thống phát hiện ngã hiện tại gặp nhiều hạn chế, đặc biệt là các phương pháp dựa trên radar, vì chúng không hoạt động hiệu quả trong môi trường có vật cản như mèo hoặc chó và khi có sự di chuyển của đồ đạc Để khắc phục những vấn đề này, hệ thống phát hiện ngã dựa trên Wi-Fi, được gọi là WiFall, đã được phát triển Phương pháp này tận dụng mô hình suy giảm cấu hình năng lượng để phát hiện ngã mà không cần thiết bị bổ sung, chỉ sử dụng bộ định tuyến Wi-Fi Tuy nhiên, các thuật toán Wi-Fi vẫn gặp khó khăn trong việc phát hiện ngã khi môi trường thay đổi hoặc có nhiều người trong phòng.
1.2.3 Phương pháp tiếp cận phát hiện ngã dựa trên thiết bị đa cảm biến
Có hai loại hệ thống phát hiện ngã dựa trên thiết bị đa cảm biến: hệ thống cảm biến có thể đeo được và hệ thống camera có thể đeo được Ưu điểm của các phương pháp này là chúng hoạt động hiệu quả cả trong nhà và ngoài trời Nhiều hệ thống phát hiện ngã dựa trên cảm biến có thể đeo được đã được đề xuất, nhờ vào chi phí thấp và không vi phạm quyền riêng tư.
Hệ thống phát hiện ngã dựa trên bộ xử lý tín hiệu kỹ thuật số (DSP) đã cho thấy độ chính xác cao trong việc phân tích tín hiệu gia tốc trong khoảng thời gian hai giây trước và sau khi phát hiện tác động Thiết bị cảm biến thông minh này không chỉ giúp phát hiện ngã hiệu quả mà còn trích xuất các tính năng quan trọng mà các hệ thống khác không có, đồng thời thực hiện xử lý thời gian thực Nghiên cứu đã tiến hành thử nghiệm với mười sáu người để xác định các nguyên nhân gây ra ngã như trượt chân và mất cân bằng, với thuật toán đạt độ nhạy 96% trong việc phân loại nguyên nhân té ngã, vượt trội hơn so với các phương pháp truyền thống Phương pháp mới được đề xuất cũng hỗ trợ trích xuất ví dụ huấn luyện bán tự động để cải thiện khả năng phát hiện ngã.
Nghiên cứu này trình bày một mạng lưới hai lớp để giám sát các hoạt động không ngã và phát hiện sự kiện ngã, cho thấy phương pháp này hiệu quả trong việc phát hiện ngã với độ chính xác lên đến 92,9% và tiết kiệm điện 75,3% Tuy nhiên, việc phát hiện ngã dựa trên cảm biến gặp khó khăn trong việc dự báo quá trình ngã của người cao tuổi, chỉ phù hợp với các trường hợp ngã bất ngờ Các phương pháp truyền thống thường sử dụng cửa sổ trượt để phân loại sự kiện ngã, nhưng có thể làm mất thông tin quan trọng Phương pháp mới sử dụng bộ đệm để lưu trữ mô hình và phân loại sự kiện ngã với chi phí tính toán thấp hơn 20% so với phương pháp truyền thống Mặc dù vậy, độ chính xác vẫn cần cải thiện, và một số nghiên cứu kết hợp bộ lọc Kalman đã được đề xuất để giảm thiểu phát hiện sai.
Nghiên cứu thu thập dữ liệu thực tế từ người cao tuổi nhằm so sánh các phương pháp nâng cao tỷ lệ phát hiện ngã Một trong những cách tiếp cận sử dụng học sâu và điện toán đám mây, kết hợp với kỹ thuật tăng cường dữ liệu để cải thiện hiệu suất Ngoài ra, một ứng dụng dựa trên đồng hồ thông minh cũng được phát triển, thu thập dữ liệu từ các tình nguyện viên để huấn luyện mô hình phát hiện ngã Dự án này còn xem xét các vấn đề thực tiễn như thói quen khác nhau của người dùng và thời lượng pin Tuy nhiên, nghiên cứu gặp khó khăn do thiếu bộ dữ liệu công khai cho việc phát hiện ngã dựa trên cảm biến.
Bộ dữ liệu phát hiện ngã được xây dựng dựa trên cảm biến gia tốc kế và con quay hồi chuyển, bao gồm 19 loại hoạt động hàng ngày và 15 loại hoạt động ngã Khác với các bộ dữ liệu khác chỉ có người trẻ tham gia, bộ dữ liệu này bao gồm thông tin từ 14 người cao tuổi, giúp nâng cao độ chính xác trong việc phát hiện ngã.
Các phương pháp phát hiện ngã dựa trên máy ảnh có thể đeo được, như đã đề xuất trong tài liệu tham khảo, sử dụng camera gắn vào dây thắt lưng để phân tích hình ảnh và phát hiện ngã Giải pháp này kết hợp ưu điểm của cả phương pháp cảm biến và phương pháp dựa trên thị giác, nhưng lại gặp vấn đề về tính riêng tư Trong khi đó, các thiết bị đeo thương mại như Apple Watch đã được phát triển với cảm biến chi phí thấp, cho phép sử dụng linh hoạt cả trong nhà và ngoài trời.
[36], Medical Guardian Fall Alert [37] và Philips Lifeline Auto Alert [38]
1.2.4 Phương pháp phát hiện ngã dựa trên cảm biến áp suất
Hệ thống phát hiện ngã dựa trên cảm biến áp suất là giải pháp hiệu quả cho người cao tuổi, đặc biệt vào ban đêm khi họ có thể quên mang theo thiết bị giám sát Các nghiên cứu hiện tại đã phát triển hệ thống theo dõi người cao tuổi bằng cách sử dụng tầng NFI, từ đó ước tính tư thế và phát hiện ngã thông qua các đặc điểm như kích thước dài nhất và tổng độ lớn Hệ thống sử dụng cảm biến áp suất và cảm biến hồng ngoại thụ động để phát hiện ngã, với hai trạng thái hoạt động rõ ràng Dữ liệu từ mười người cao tuổi được tạo ra để xây dựng mô hình, và khi có tai nạn ngã xảy ra, trạng thái cảm biến sẽ chuyển về 0, giúp phát hiện sự cố Một phương pháp khác sử dụng cảm biến sợi quang cũng cho phép phát hiện ngã dựa trên thời gian người cao tuổi nằm lâu hơn ngưỡng cho phép Tuy nhiên, do không thể phân biệt giữa tai nạn ngã và ngủ trên sàn, một thuật toán kết hợp cảm biến áp suất và gia tốc kế đã được đề xuất để cải thiện độ chính xác Mặc dù hệ thống này có chi phí thấp và dễ sử dụng, việc lắp đặt và bảo trì cảm biến áp suất vẫn là thách thức cần giải quyết trong tương lai.
1.2.5 Phát hiện ngã dựa trên xử lý hình ảnh
Phát hiện ngã dựa trên xử lý hình ảnh là một phương pháp hiệu quả và tiết kiệm chi phí, đặc biệt hữu ích cho người cao tuổi Trong trường hợp người cao tuổi đi vệ sinh vào ban đêm, họ có thể quên mang theo thiết bị hoặc camera đeo được Do đó, các phương pháp xử lý hình ảnh, mặc dù chỉ hoạt động trong nhà, vẫn mang lại lợi ích đáng kể cho nhóm đối tượng này.
Một số vấn đề tồn tại của phương pháp phát hiện ngã
Dựa trên kết quả xem xét, các vấn đề sau đây được tìm thấy để giải quyết và các thuật toán và thí nghiệm được thiết kế
Hiện nay, hệ thống phát hiện ngã trong phòng vệ sinh của bệnh nhân còn rất hạn chế, mặc dù đây là nơi tiềm ẩn nhiều nguy cơ cho người bệnh Nghiên cứu này đề xuất một thuật toán phát hiện ngã dựa trên tầm nhìn, với mô-đun camera được lắp đặt trong phòng vệ sinh để ghi lại và gửi hình ảnh liên tục đến bộ phận xử lý Do SDK Kinect không thể phát hiện rõ người trong phòng vệ sinh, nghiên cứu đã phát triển một thuật toán phân đoạn người và phương pháp khử nhiễu Bằng cách xác định trọng tâm và phát hiện hình elip, hệ thống có khả năng phát hiện ngã trong phòng vệ sinh một cách hiệu quả Chi tiết về nghiên cứu này được trình bày trong Chương 2 của đề tài.
Nghiên cứu này tập trung vào việc phát hiện trạng thái ngủ nhằm giảm tỷ lệ phát hiện sai giữa hình ảnh khi ngủ và hình ảnh ngã Để đạt được điều này, phương pháp phân tích đường tiếp tuyến và phân tích khung xương đã được đề xuất Kết quả cho thấy, khi người cao tuổi gặp tai nạn ngã, tốc độ thay đổi của các tính năng được trích xuất nhanh hơn so với tốc độ thay đổi của các tính năng khi đứng hoặc ngủ Thông tin chi tiết về nghiên cứu này được trình bày trong Chương 3 của đề tài.
Xây dựng tổng quan hệ thống
Đề tài này tập trung vào việc phát hiện tình huống nguy hiểm liên quan đến hiện tượng ngã thông qua các phương pháp sử dụng tầm nhìn Hệ thống được phát triển có khả năng phát hiện hiện tượng ngã trong thời gian thực, góp phần nâng cao an toàn cho người dùng.
Mục tiêu của công việc này là thiết kế một hệ thống phát hiện ngã cho người bệnh, nhằm nhận diện kịp thời các tình huống nguy hiểm trong môi trường nội trú tại các cơ sở khám chữa bệnh.
Hệ thống phát hiện ngã trong nhà vệ sinh được thiết kế để bảo vệ bệnh nhân khi sử dụng phòng vệ sinh, giúp phát hiện ngã trong thời gian thực.
Hệ thống phát hiện ngã trong nhà vệ sinh gồm bốn phần: phân đoạn người, phát hiện điểm trọng tâm, phát hiện hình elip gần đúng và quyết định ngã Phần phân đoạn người sử dụng hình ảnh khác biệt giữa phòng vệ sinh có và không có người, sau đó xác định ngưỡng để tạo hình ảnh nhị phân Để cải thiện độ rõ nét, quá trình điều chỉnh ánh sáng được thực hiện và tiếng ồn được loại bỏ Điểm trọng tâm và hình elip gần đúng của người được phát hiện để đánh giá tình huống nguy hiểm Nếu cả hai chỉ ra nguy hiểm trong 60 giây, hệ thống sẽ gửi cảnh báo đến thành viên gia đình hoặc nhân viên bệnh viện Đánh giá cho thấy hệ thống phát hiện tình huống nguy hiểm trong vòng 1,5 giây cho mỗi khung hình, hoạt động trong thời gian thực.
Hệ thống phát hiện ngã trong phòng khách sử dụng các thuật toán tiên tiến để phát hiện mối nguy hiểm trong thời gian thực với độ chính xác cao Để cải thiện độ chính xác trong việc phát hiện ngã, các thuật toán phân tích hình dạng đã được đề xuất Bên cạnh đó, phương pháp phân tích đường cũng được áp dụng để phân loại các hành động tương tự như ngã, nhằm nâng cao hiệu quả của hệ thống.
Hình 1.1 Tổng quan hệ thống phát hiện ngã
Hệ thống phát hiện ngã được minh họa trong Hình 1.1, với trọng tâm nghiên cứu là các vị trí phòng vệ sinh và phòng khách, hai khu vực nguy hiểm nhất trong nhà đối với người cao tuổi Luận văn này sẽ tập trung vào phương pháp phát hiện ngã tại hai khu vực này, được trình bày chi tiết trong chương 2 và chương 3.
Dự kiến sẽ lắp đặt các mô-đun máy ảnh tại nhiều khu vực như phòng khách và phòng vệ sinh Các máy ảnh này sẽ chụp ảnh liên tục và truyền dữ liệu hình ảnh không dây đến một mô-đun xử lý theo thời gian thực Mô-đun xử lý sẽ phân tích hình ảnh từ các máy ảnh màu hoặc cảm biến độ sâu để phát hiện tai nạn ngã.
PHƯƠNG PHÁP PHÁT HIỆN NGÃ CỦA BỆNH NHÂN
Phương pháp phát hiện ngã
Sơ đồ phát hiện tình huống nguy hiểm trong khu vệ sinh phòng bệnh được trình bày trong Hình 2.1, bao gồm bốn phần chính: phát hiện người, phát hiện trọng tâm, phát hiện hình elip và quyết định nguy hiểm.
Hình 2.1 Thuật toán của hệ thống phát hiện ngã trong nhà vệ sinh
2.1.1 Phát hiện con người dựa trên hình ảnh khác biệt
Quá trình phát hiện người bao gồm bốn bước chính: hiệu chỉnh độ sáng để đảm bảo hình ảnh rõ ràng, tính toán độ chênh lệch hình ảnh nhằm xác định các vùng khác nhau, phân tích hình ảnh chênh lệch để nhận diện các đối tượng, và cuối cùng là làm giảm hình ảnh khác biệt để tối ưu hóa kết quả phát hiện.
Do kích thước nhỏ của phòng vệ sinh, độ sáng sẽ thay đổi khi có người bước vào, ảnh hưởng đến khả năng tính toán hình ảnh khác biệt và gây khó khăn trong việc phát hiện người Vì vậy, độ sáng của từng hình ảnh được điều chỉnh liên tục theo Công thức (1).
Hiệu chỉnh độ sáng hình ảnh dựa trên sự khác biệt giữa các vùng có người và không có người trong phòng vệ sinh Hình ảnh không có người được ký hiệu là Iw(x,y) và hình ảnh có người là Io(x,y) Các phần tương ứng được định nghĩa là Iwp(x,y) cho hình ảnh không có người và Iop(x,y) cho hình ảnh có người Kích thước của Iwp(x,y) và Iop(x,y) được chọn ngẫu nhiên từ Iw(x,y) và Io(x,y) Cuối cùng, việc hiệu chỉnh độ sáng từng điểm ảnh trong hình ảnh có người được thực hiện bằng cách sử dụng Công thức (1) để điều chỉnh sự khác biệt giữa Iwp(x,y) và Iop(x,y).
Để giảm nhiễu trong hình ảnh hai chiều trước khi trích xuất hình dạng của người và trọng tâm, cần tối ưu hóa quá trình này mà vẫn bảo tồn chi tiết hình ảnh Mặc dù nhiều bộ lọc như bộ lọc Gaussian, bộ lọc song phương và bộ lọc trung bình không cục bộ hiệu quả với hình ảnh màu, nhưng chúng không mang lại kết quả tốt cho ảnh nhị phân Do đó, nhóm nghiên cứu đã phát triển một bộ lọc mới dựa trên một thuật toán cụ thể, với giá trị là 9 và kích thước bộ lọc là 19x19, trong khi giá trị α được xác định là 180 thông qua việc phân tích một số hình ảnh.
Các khu vực nguy hiểm trong phòng vệ sinh được xác định ở hai bên trái và phải của trung tâm phòng, như được minh họa trong Hình 2.2.
Hình 2.2 Xác định các khu vực nguy hiểm
Khi người cao tuổi gặp khó khăn trong việc giữ thăng bằng, trọng tâm của họ có thể lệch sang trái hoặc phải, dẫn đến nguy cơ ngã Nếu họ ở trong khu vực nguy hiểm mà không có cử động, hệ thống sẽ nhận diện tình huống này và gửi cảnh báo đến gia đình hoặc nhân viên y tế để đảm bảo an toàn cho người cao tuổi.
Thuật toán 1 được áp dụng để phát hiện trọng tâm và biến dạng của người dùng thông qua hình ảnh nhị phân Khi trọng tâm lệch sang trái hoặc phải so với vị trí ngồi thẳng, hệ thống nhận định rằng người đó đang trong tình huống nguy hiểm Điều này xảy ra do khi một người ngã, họ sẽ mất cân bằng, dẫn đến sự dịch chuyển trọng tâm sang bên trái hoặc bên phải.
Công thức (3) cho thấy phép tính trọng tâm (GC), tính trung bình tọa độ của x của người được phát hiện Số pixel của vật kính là 255 (màu trắng)
Thuật toán 2 trong phụ lục luận văn tập trung vào việc phát hiện hình elip, một công cụ quan trọng trong nhận diện hình dạng con người Hình elip thường được sử dụng để xác định tư thế của một người; nếu trục chính của hình elip thẳng đứng, người đó có thể đang đứng, trong khi khi trục nằm ngang cho thấy người đó có thể đang nằm trên sàn.
Phương pháp này không chỉ áp dụng cho việc phát hiện nguy hiểm trong phòng vệ sinh mà còn có thể được sử dụng để nhận diện các tình huống nguy hiểm ở nhiều không gian khác Nhóm nghiên cứu đã phát triển một phương pháp hiệu quả để phát hiện các tình huống nguy hiểm trong các môi trường khác nhau.
Nhóm nghiên cứu đã áp dụng 13 cách sử dụng xấp xỉ hình elip bằng hàm cvFindContours trong Open CV để xác định hình dạng của người được phát hiện Sau đó, họ sử dụng các hàm cvFitEllipse2 và cvEllipseBox để tính gần đúng hình elip cho hình dạng này Tiếp theo, tỷ lệ giữa trục tung và trục hoành được tính toán; nếu tỷ lệ này vượt quá ngưỡng nhất định, tình huống sẽ được đánh giá là nguy hiểm Ngưỡng được xác định dựa trên hình ảnh chụp tại các phòng vệ sinh thực tế Kết quả chi tiết được trình bày trong phần tiếp theo, với thuật toán được liệt kê trong Thuật toán 2, như thể hiện trong Hình 2.4.
Đánh giá kết quả
Bài viết này trình bày kết quả thử nghiệm nhằm đánh giá hiệu quả của hệ thống RDDS dựa trên Raspberry Pi 4 Hệ thống được phát triển bằng ngôn ngữ C và sử dụng OpenCV 2.4.9 cho phần phát hiện Hình ảnh được ghi lại tại phòng vệ sinh của văn phòng và nhà ở trong khu vực làm việc của tác giả trong quá trình sử dụng thực tế.
Hình 2.5 Hệ thống phát hiện ngã dựa trên Raspberry Pi
Hình 2.6 trình bày kết quả phát hiện con người, bao gồm hình ảnh của phòng vệ sinh khi không có người và khi có người hiện diện (không chỉnh sửa hình ảnh) Sự khác biệt giữa hai hình ảnh này được tính toán Hình 2.6(c) hiển thị hình ảnh đã được mã hóa nhị phân với ngưỡng nhỏ hơn, trong khi Hình 2.6(d) cho thấy kết quả mã hóa với ngưỡng lớn hơn, cả hai đều thiếu độ rõ nét Cuối cùng, Hình 2.6(e) thể hiện kết quả của phép nhị phân từ hình ảnh đã được hiệu chỉnh.
Việc chỉnh sửa hình ảnh trước khi thực hiện phản ứng nhị phân là một giải pháp hiệu quả, như được chứng minh qua 14 bức ảnh có đủ độ rõ nét.
(a) Ảnh phòng vệ sinh khi không có người
(b) Ảnh phòng vệ sinh khi có người
(c) Ảnh nhị phân Phòng vệ sinh khi có người với ngưỡng nhỏ
(d) Ảnh nhị phân Phòng vệ sinh khi có người với ngưỡng lớn
(d) Ảnh nhị phân Phòng vệ sinh khi có người sau hiệu chỉnh
Hình 2.6 Hình ảnh phát hiện khác nhau dựa trên con người
Hình 2.7 minh họa kết quả phát hiện trọng tâm của một người mặc đồ đỏ Cụ thể, như thể hiện trong Hình 2.7(a), khi người đó nghiêng sang trái hoặc phải, tọa độ x cho thấy sự khác biệt rõ rệt so với khi người đó ngồi thẳng, như được chỉ ra trong Hình 2.7(b).
Do đó, một tọa độ x lớn hơn cho thấy một sự thay đổi lớn hơn trong một tình huống nguy hiểm
Công thức (4) tính toán tọa độ x của trọng tâm x GC (x) so với chiều rộng hình ảnh mục tiêu (Width) Để đánh giá tình huống có nguy hiểm hay không, ngưỡng được xác định là chênh lệch 20% so với tọa độ x ngồi thẳng.
(a) Sự thay đổi theo trục x
(b) Ảnh màu và ảnh nhị phân với Tư thế ngồi thẳng
(c) Ảnh màu và ảnh nhị phân với Tư thế nghiêng phía trước
(d) Ảnh màu và ảnh nhị phân với Tư thế nghiêng bên trái
(e) Ảnh màu và ảnh nhị phân với Tư thế nghiêng bên phải
Hình 2.7 Kết quả thí nghiệm đối với một người mặc đồ đỏ
Các kết quả tương tự đã được ghi nhận đối với người mặc trang phục vàng (Hình 2.8), người mặc trang phục trắng (Hình 2.9) và người mặc trang phục đen (Hình 2.10).
RDDS có khả năng phát hiện tình huống nguy hiểm trong thời gian thực, với thời gian phát hiện chỉ mất chưa đầy 1,5 giây cho mỗi khung hình.
(a) Sự thay đổi theo trục x
(b) Ảnh màu và ảnh nhị phân với Tư thế ngồi thẳng
(c) Ảnh màu và ảnh nhị phân với Tư thế nghiêng phía trước
(d) Ảnh màu và ảnh nhị phân với Tư thế nghiêng bên trái
(e) Ảnh màu và ảnh nhị phân với Tư thế nghiêng bên phải
Hình 2.8 Kết quả thí nghiệm đối với một người mặc đồ màu vàng
(a) Sự thay đổi theo trục x
(b) Ảnh màu và ảnh nhị phân với Tư thế ngồi thẳng
(c) Ảnh màu và ảnh nhị phân với Tư thế nghiêng phía trước
(d) Ảnh màu và ảnh nhị phân với Tư thế nghiêng bên trái
(e) Ảnh màu và ảnh nhị phân với Tư thế nghiêng bên phải
Hình 2.9 Kết quả thí nghiệm đối với một người mặc đồ trắng
(b) Ảnh màu và ảnh nhị phân với Tư thế ngồi thẳng
(c) Ảnh màu và ảnh nhị phân với Tư thế nghiêng phía trước
(a) Sự thay đổi theo trục x
(d) Ảnh màu và ảnh nhị phân với Tư thế nghiêng bên trái
(e) Ảnh màu và ảnh nhị phân với Tư thế nghiêng bên phải
Hình 2.10 Kết quả thí nghiệm đối với một người mặc đồ đen
Kết quả giảm giá trị nhiễu được thể hiện rõ trong Hình 2.11 Hình 2.11(a1) trình bày hình ảnh nhị phân chưa được khử nhiễu, trong khi Hình 2.11(a2) cho thấy kết quả phán đoán hình elip cho hình ảnh này Nghiên cứu đã áp dụng ba loại bộ lọc để khử nhiễu: bộ lọc Gaussian (Hình 2.11(b1)), bộ lọc song phương (Hình 2.11(c1)), và bộ lọc trung bình không cục bộ Kết quả phán đoán hình elip tương ứng cho các bộ lọc này được hiển thị trong Hình 2.11(b2), (c2), và (d2) Cuối cùng, Hình 2.11(e1) thể hiện kết quả giảm giá trị cho bộ lọc ban đầu thử nghiệm, trong khi Hình 2.11(e2) cho thấy kết quả phán đoán hình elip cho Hình 2.11(e1).
Hình 2.11(a2) hiển thị một số hình elip được nhận diện trong ảnh nhị phân mà không bị giảm nhiễu Kết quả phán đoán hình elip ở Hình 2.11(b1), (c1) và (d1) vượt trội hơn so với kết quả ở (a), mặc dù vẫn có một số khu vực của hình ảnh bị nhận diện sai là hình elip Bộ lọc thử nghiệm đã chứng minh khả năng tạo ra các phán đoán chính xác hơn, chỉ ra các điểm lửng của con người.
Kết quả từ phán đoán hình elip có thể giúp phát hiện tình huống nguy hiểm Khi tỷ số giữa trục tung và trục hoành vượt quá 0,9, tình huống này được coi là nguy hiểm, như minh họa trong Hình 2.12.
(a1) Ảnh nhị phân thô (a2) Kết quả phát hiện trọng tâm (a1)
(b1) Ảnh nhị phân giảm nhiễu bằng bộ lọc Gaussian
(b2) Kết quả phát hiện trọng tâm (b1)
(c1) Ảnh nhị phân giảm nhiễu bằng bộ lọc song hướng
(c2) Kết quả phát hiện trọng tâm (c1)
Hình 2.11 Kết quả khử nhiễu trong phát hiện hình elip
(d1) Ảnh nhị phân giảm nhiễu bằng bộ lọc trung bình phi cục bộ
(d2) Kết quả phát hiện trọng tâm (d1)
(e1) Ảnh nhị phân giảm nhiễu bằng bộ lọc trung bình phi cục bộ
(e2) Kết quả phát hiện trọng tâm (e1)
(c)Bán kính 1,2 Hình 2.12 Kết quả phát hiện hình elip
2.2.4 Đánh giá kết quả chung Đánh giá của hệ thống này trên những người mặc bốn màu khác nhau cho thấy phương pháp phát hiện trọng tâm và elip có thể phát hiện tình huống nguy hiểm trong vòng chưa đầy 1,5 giây cho mỗi khung hình, tức là trong thời gian thực Các ngưỡng đã được thiết lập theo thử nghiệm và nhóm nghiên cứu chỉ sử dụng hai loại phòng vệ sinh trong các thử nghiệm Do đó, phải thực hiện thêm nhiều thử nghiệm để xác nhận tính hiệu quả của hệ thống thử nghiệm
Khi phát hiện người, độ chính xác của phát hiện ngã do trọng tâm đạt 85,7%, trong khi độ chính xác của phát hiện ngã hình elip chỉ đạt 71,4% Tuy nhiên, khi kết hợp cả hai phương pháp, độ chính xác đạt 100% Một thách thức hiện tại là thuật toán không thể phát hiện người khi màu sắc quần áo tương tự với màu sàn nhà, đây là vấn đề mà nhóm nghiên cứu sẽ tiếp tục giải quyết trong tương lai.
Kết luận chương
Hệ thống phát hiện ngã trong khu vệ sinh của phòng bệnh bảo vệ người bệnh bằng cách phát hiện ngã trong thời gian thực, đồng thời gửi cảnh báo đến gia đình và nhân viên bệnh viện.
Hệ thống bao gồm bốn quy trình chính: phát hiện người, phát hiện trọng tâm, phát hiện hình elip và quyết định nguy hiểm Quy trình phát hiện người tính toán sự khác biệt giữa hình ảnh của phòng vệ sinh trống và phòng vệ sinh có người, sau đó phân nhóm hình ảnh để xác định sự hiện diện của người Sau khi loại bỏ nhiễu từ hình ảnh hai chiều, hệ thống sẽ phát hiện trọng tâm và hình elip của người, từ đó đánh giá tình huống có nguy cơ nguy hiểm hay không.
Bảo vệ quyền riêng tư của người sử dụng nhà vệ sinh là một vấn đề quan trọng cần giải quyết Đề xuất phát hiện ngã dựa trên trọng tâm và hình elip giúp giảm thiểu rủi ro xâm phạm quyền riêng tư Nếu hình ảnh được chụp tiết lộ danh tính, quyền riêng tư sẽ bị vi phạm Tuy nhiên, việc mã hóa hình ảnh trong hệ thống có thể ngăn chặn việc rò rỉ thông tin Trong trường hợp khẩn cấp, hệ thống chỉ cần phát hiện và gửi hình ảnh của người đứng đầu để cảnh báo, do đó bảo vệ quyền riêng tư vẫn được đảm bảo trong nghiên cứu này.
PHƯƠNG PHÁP PHÁT HIỆN NGÃ CỦA BỆNH NHÂN
Giới thiệu phương pháp
Trong chương này, chúng tôi nghiên cứu phân tích đường tiếp tuyến, phương pháp chuyển đổi trạng thái và phân tích khung xương Nghiên cứu tập trung vào tỷ lệ thay đổi của các tính năng được trích xuất, cho thấy rằng khi người cao tuổi gặp tai nạn ngã, tốc độ thay đổi của các tính năng nhanh hơn so với tốc độ thay đổi của các tính năng khi đứng hoặc ngủ Chi tiết của nghiên cứu này sẽ được trình bày rõ ràng trong chương này.
Khi đánh giá hiệu suất các phương pháp phát hiện ngã, các chỉ số như Dương tính thực (TP), Âm tính thật (TN), Dương tính giả (FP) và Âm tính giả (FN) thường được sử dụng để đo lường hiệu quả Những chỉ số này cung cấp thước đo định lượng cho hiệu suất của thuật toán trong việc xác định chính xác các sự kiện té ngã và không té ngã Dưới đây là một số chỉ số đánh giá phổ biến trong phát hiện ngã.
Độ chính xác là chỉ số đo lường mức độ chính xác tổng thể của các dự đoán phát hiện ngã, tính toán tỷ lệ các phiên bản giảm và không giảm được phân loại chính xác trên tổng số phiên bản Đây là một số liệu hữu ích cho các bộ dữ liệu cân bằng, nơi số lượng trường hợp giảm và không giảm tương đối bằng nhau.
Độ nhạy, hay tỷ lệ tích cực thực sự, là chỉ số quan trọng trong việc đánh giá khả năng của phương pháp phát hiện ngã Nó đo lường khả năng xác định chính xác các sự kiện ngã bằng cách tính toán tỷ lệ các lần ngã được xác định đúng trên tổng số lần ngã thực tế.
Độ nhạy là chỉ số quan trọng phản ánh khả năng của thuật toán phát hiện ngã, đảm bảo an toàn cho những người có nguy cơ Độ đặc hiệu, hay còn gọi là tỷ lệ âm thực, cũng đóng vai trò thiết yếu trong việc đánh giá hiệu quả của hệ thống này.
Tính đặc hiệu là chỉ số quan trọng trong việc đánh giá khả năng của phương pháp phát hiện ngã, giúp xác định chính xác các sự kiện không phải là ngã Chỉ số này được tính toán bằng tỷ lệ giữa các dự đoán tiêu cực thực sự.
(được xác định chính xác là số lần không bị ngã) trên tổng số lần không bị ngã thực tế
Tính cụ thể của thuật toán thể hiện khả năng tránh kết quả dương tính giả bằng cách nhận diện chính xác các hoạt động bình thường không bị ngã Độ chính xác (Giá trị dự đoán dương) đo lường tỷ lệ dự đoán tích cực chính xác so với tổng số dự đoán ngã, cung cấp cái nhìn sâu sắc về khả năng của thuật toán trong việc đưa ra dự đoán chính xác Điểm F1 là thước đo cân bằng giữa độ chính xác và độ nhạy, tính toán giá trị trung bình hài hòa của hai chỉ số này, giúp đánh giá hiệu quả của thuật toán một cách toàn diện.
(3.4) Điểm F1 đặc biệt hữu ích khi có sự mất cân bằng giữa số trường hợp giảm và không giảm trong tập dữ liệu
Khi đánh giá các phương pháp phát hiện ngã, cần xem xét nhiều chỉ số để hiểu rõ hiệu suất của chúng Việc lựa chọn số liệu đánh giá phụ thuộc vào yêu cầu cụ thể, mức độ ưu tiên và rủi ro liên quan đến kết quả dương tính giả và âm tính giả trong từng ứng dụng cụ thể.
Một số phương pháp phát hiện trạng thái ngã
3.1.1 Phát hiện ngã dựa trên đường tiếp tuyến
Phát hiện ngã dựa trên đường tiếp tuyến sử dụng camera để theo dõi và phát hiện người bị ngã thông qua việc phân tích hình ảnh và đường tiếp tuyến của họ Phương pháp này ngày càng phổ biến trong các hệ thống giám sát sức khỏe và an ninh, giúp nâng cao khả năng phát hiện và phản ứng kịp thời trong các tình huống khẩn cấp.
Nguyên tắc hoạt động chung:
Hệ thống camera liên tục thu thập hình ảnh của người dùng hoặc khu vực quan sát, thường sử dụng máy ảnh thông thường hoặc camera có chức năng chụp hình và quay phim.
Sử dụng kỹ thuật xử lý hình ảnh để xác định vị trí và biểu đồ của người dùng trong khung hình là rất quan trọng Các thuật toán như Haar Cascade, OpenPose và YOLO (You Only Look Once) thường được áp dụng để thực hiện nhiệm vụ này.
Hệ thống theo dõi đường tiếp tuyến ghi lại vị trí của các điểm quan trọng trên cơ thể, như đầu và chân Nó liên tục theo dõi sự thay đổi vị trí theo thời gian để tính toán đường tiếp tuyến cho chuyển động của người dùng.
Hệ thống phát hiện sự ngã thông qua việc nhận diện những thay đổi đột ngột trong đường tiếp tuyến của chuyển động, chẳng hạn như khi đối tượng nghiêng nhiều hoặc có tư thế không bình thường Khi những dấu hiệu này xuất hiện, hệ thống sẽ xác định khả năng đã xảy ra một vụ ngã.
Khi phát hiện sự ngã, hệ thống có khả năng kích hoạt cảnh báo để thông báo cho người chăm sóc hoặc hệ thống an ninh về tình huống này Phát hiện ngã dựa trên đường tiếp tuyến từ hình ảnh mang lại nhiều ưu điểm, nhưng cũng có những hạn chế cần được xem xét.
Người dùng không cần đeo thiết bị đặc biệt nào, điều này mang lại sự thuận tiện tối đa trong các tình huống hàng ngày.
Khả năng phát hiện ngã từ xa: Hệ thống có thể theo dõi và phát hiện ngã từ xa mà không cần tiếp xúc vật lý với người dùng
Tuy nhiên, cũng có nhược điểm:
Phụ thuộc vào điều kiện ánh sáng: Hiệu suất của hệ thống có thể bị ảnh hưởng bởi điều kiện ánh sáng trong môi trường quan sát
Khả năng phát hiện sai sót: Hệ thống có thể phát hiện sai sót, chẳng hạn như xem xét một tư thế bình thường là một ngã
Yêu cầu xử lý mạnh mẽ: Xử lý hình ảnh và theo dõi chuyển động yêu cầu tài nguyên máy tính mạnh để đảm bảo hiệu suất tốt
Phương pháp này đang được nghiên cứu và phát triển liên tục, với tiềm năng ứng dụng rộng rãi trong các lĩnh vực như chăm sóc sức khỏe, giám sát người cao tuổi và hệ thống an ninh.
Nhóm nghiên cứu đã đề xuất một phương pháp đơn giản để phát hiện ngã, có thể cài đặt trên các thiết bị nhỏ như Raspberry Pi 4 hoặc NVIDIA Jetson TK1 Hệ thống này sử dụng sơ đồ xử lý dữ liệu hiệu quả để thực hiện chức năng phát hiện ngã.
28 xuất được thể hiện trong Hình 3.1 Thuật toán này bao gồm 4 bước: phân đoạn người, giảm nhiễu, phát hiện hình dạng, phân tích tình huống
Hình 3.1 Lưu đồ phát hiện ngã phòng khách
Thuật toán tính toán vectơ tiếp tuyến tập trung vào việc xác định các góc của vectơ này và trích xuất phân phối góc dưới dạng các đặc trưng Hình 3.2 minh họa quá trình tính toán các góc của đường tiếp tuyến, bắt đầu bằng việc quét hình ảnh và lựa chọn các điểm cần thiết.
Đối với mỗi pixel màu trắng, góc của đường tiếp tuyến được tính toán Ví dụ, pixel O trong Hình 3.2 là một trong những pixel màu trắng trong đường tiếp tuyến của một người được phát hiện và được chọn làm điểm tiếp tuyến Xung quanh pixel O có bốn điểm ảnh màu trắng, và thuật toán tính toán góc của bốn vectơ tạo bởi điểm tiếp tuyến O và các điểm ảnh xung quanh Góc trung bình của bốn vectơ này được định nghĩa là vectơ OM, là vectơ pháp tuyến của điểm tiếp tuyến O Cuối cùng, vectơ tiếp tuyến được tính dựa trên vectơ pháp tuyến, với góc XON được định nghĩa là góc nhọn để dễ tính toán.
Tất cả các góc tiếp tuyến của pixel màu trắng trong hình ảnh phác thảo được phân chia thành sáu nhóm với độ phân giải 15°, cụ thể là từ 0°-15°, 15°-30°, 30°-45°, 45°-60°, 60°-75° và 75°-90° Các đặc điểm này được tính toán theo các công thức từ (34) đến (39) Cuối cùng, độ nguy hiểm sẽ được xác định dựa trên tỷ lệ phần trăm của các đường tiếp tuyến này.
Hình 3.3 Quyết định tình huống nguy hiểm
3.1.2 Phương pháp chuyển đổi trạng thái
Phương pháp dựa vào đường tiếp tuyến có giới hạn trong việc phát hiện ngã của người cao tuổi, đặc biệt khi họ ngã về phía máy ảnh Sử dụng phân bố của đường tiếp tuyến kết hợp với phương pháp học sâu có thể cải thiện độ chính xác trong việc phát hiện ngã Tuy nhiên, chi phí tính toán của các phương pháp học sâu lại rất cao.
Do đó, mục này đề xuất một phương pháp phát hiện ngã dựa trên đường tiếp tuyến để phân tích tỷ lệ thay đổi
Phương pháp này phân tích sự thay đổi trong mô hình gia tốc để xác định ba trạng thái khác nhau: đứng yên, chuyển tiếp và giảm.
Trong trạng thái đứng (A), người đó được xem là ở vị trí thẳng đứng mà không có chuyển động đáng kể Dữ liệu từ gia tốc kế trong trạng thái này sẽ tạo thành đường cơ sở, đóng vai trò quan trọng cho các phân tích tiếp theo.
Kết quả thử nghiệm
3.2.1 Kết quả phát hiện ngã dựa trên đường tiếp tuyến
Nghiên cứu này tập trung vào việc xác định trạng thái của những người ở trạng thái B, khó phân biệt giữa việc họ ngã xuống hay chỉ ngồi trên ghế Để giải quyết vấn đề này, tốc độ chuyển đổi của khía cạnh được tính toán thông qua hệ thống được lập trình bằng C++ trên Raspberry Pi 4 Hệ thống sử dụng OpenCV phiên bản 2.4.9 và Microsoft Kinect SDK 2.0 để phát hiện người dùng, với cấu hình PC gồm Intel Core i5 5200U và bộ nhớ 4GB Cảm biến độ sâu được lắp đặt ở độ sâu 2,0 mét, và bố trí của căn phòng được thể hiện trong hình ảnh minh họa Trong thí nghiệm, ba đối tượng tham gia gồm Đối tượng A cao 1,8 mét và nặng 68kg, cùng với Đối tượng B cao 1,85 mét.
40 khối lượng của vật đó là 90kg Chiều cao của vật C là 1,7m và khối lượng của vật là 60kg
Hình 3.12 Bố trí phòng khách
Hình 3.13 đến Hình 3.21 trình bày kết quả thực nghiệm về phân đoạn người, bao gồm việc phát hiện đường viền và tính toán phân bố đường tiếp tuyến Mỗi vật thể được thử nghiệm ở ba tư thế: đứng yên, ngã ngang và ngã nghiêng Cụ thể, Hình 3.13 - Hình 3.15 thể hiện kết quả thí nghiệm của đối tượng A, Hình 3.16 - Hình 3.18 là kết quả của đối tượng B, và Hình 3.19 - Hình 3.21 phản ánh kết quả thí nghiệm của đối tượng C.
Trong các hình 3.13 - 3.21, người được phân đoạn bằng Kinec SDK và các đường viền được xác định qua bộ lọc Canny Hình 3.13 - 3.21(c) cho phép phân tích sự phân bố góc của các đường tiếp tuyến Đối với vật A, tỷ lệ đường tiếp tuyến từ 0° đến 45° là dưới 25% khi đứng yên và trên 50% khi ngã Tương tự, vật B có tỷ lệ này dưới 20% khi đứng và trên 60% khi ngã Vật C cũng cho thấy tỷ lệ dưới 25% khi đứng và trên 60% khi ngã Nghiên cứu đặt ngưỡng 0,4, nghĩa là nếu hơn 40% các góc đường tiếp tuyến nằm trong khoảng từ 0° đến 45°, điểm ngã sẽ được phát hiện.
Hình 3.14 Đối tượng A (Nằm xuống I)
Hình 3.15 Đối tượng A (Nằm xuống II)
Hình 3.17 Đối tượng B (Nằm xuống I)
Hình 3.18 Đối tượng B (Nằm xuống II)
Hình 3.20 Đối tượng C (Nằm xuống I)
Hình 3.21 Đối tượng C (Nằm xuống II)
3.2.2 Kết quả chuyển đổi trạng thái
Tỷ lệ khung hình từ trạng thái A đến trạng thái C thay đổi nhanh chóng (trong vòng 10 khung hình) khi một người bị tai nạn ngã, trong khi khi ngồi xuống, tỷ lệ này thay đổi chậm hơn (trên 20 khung hình) Nghiên cứu cho thấy người cao tuổi thường không ngồi xuống nhanh chóng Nếu một người chuyển từ trạng thái A sang trạng thái B và tốc độ thay đổi vượt quá ngưỡng cho phép là 15, hiện tượng ngã sẽ được phát hiện Ngưỡng này được xác định dựa trên kết quả thử nghiệm.
Hình 3.22 Thay đổi tỷ lệ khung hình
3.2.3 Kết quả phương pháp dựa trên bộ xương 3D
Trong thử nghiệm này, máy ảnh ToF Microsoft Kinect V2 đã được sử dụng để thu thập dữ liệu Ngôn ngữ lập trình C++ được triển khai thông qua Visual Studio 2019, với OpenCV phiên bản 4.4 và Kinect SDK phiên bản 1409 Máy ảnh được kết nối với một laptop có CPU Intel(R) Core i7-10510U, bộ nhớ 16GB và hệ điều hành Windows.
10 Home Tốc độ khung hình là 30-60 khung hình / giây mà không cần sử dụng GPU
Tai nạn ngã được phân tích thông qua phương pháp khoảng cách từ cổ đến sàn, như minh họa trong Hình 3.10 Trục ngang của Hình 3.23 (a) thể hiện số khung thời gian, trong khi trục tung biểu thị chiều dài không gian giữa cổ và sàn Hình 3.23 (a) cho thấy sự thay đổi chiều dài không gian từ cổ đến sàn theo thời gian, với khớp cổ tiếp cận mặt đất khi tai nạn xảy ra Chiều dài không gian giảm từ khoảng 1600 mm xuống còn khoảng 20 mm, với ngưỡng 600 mm được đặt ra từ các thí nghiệm, vì không có hoạt động nào cho phép cổ tiếp cận sàn trong phạm vi này Thời gian thực hiện cho mỗi khung dao động từ 3ms đến 30ms, như được minh họa trong Hình 3.23 (b).
Hình 3.23 Kết quả của phương pháp dựa trên khung xương 3D
Chương trình tính toán khoảng cách từ khớp đầu đến sàn trong thí nghiệm, đồng thời xác định tốc độ va chạm của đầu trong trường hợp tai nạn ngã và khi ngủ trên sàn Kết quả được trình bày trong Hình 3.24 và Hình 3.25, cho thấy rằng khi một người bị tai nạn ngã, đầu họ chạm sàn trong vòng 50 khung hình, trong khi thời gian cần thiết cho một người ngủ trên sàn là lâu hơn.
Hệ thống giám sát ghi lại 200 khung hình khi đầu người gần chạm sàn, với tốc độ tức thời có thể vượt qua 1000mm/s trong quá trình rơi Do đó, 1000mm/s được xác định là ngưỡng cảnh báo Khi khớp đầu của người già áp sát sàn, tốc độ tức thời trên 1000mm/s thường được quan sát nhiều lần, từ đó hệ thống sẽ gửi cảnh báo đến bác sĩ hoặc gia đình để thông báo về nguy cơ cho người lớn tuổi.
Hình 3.24 Đặc trưng Điểm đầu trong trường hợp ngã
Hình 3.25 Đặc trưng Điểm đầu trong trường hợp chủ động nằm
3.2.4 So sánh kết quả các phương pháp
Các phương pháp phát hiện ngã đã cho thấy hiệu suất khác nhau thông qua các chỉ số đánh giá Phương pháp dựa trên bộ xương 3D đạt độ chính xác, độ nhạy và độ đặc hiệu cao, chứng tỏ hiệu suất tổng thể xuất sắc Ngược lại, phương pháp chuyển đổi trạng thái thể hiện độ nhạy tốt nhưng độ đặc hiệu thấp, dẫn đến khả năng tạo ra dương tính giả cao Trong khi đó, Phát hiện đường tiếp tuyến cho thấy các chỉ số hiệu suất như độ chính xác, độ nhạy và độ đặc hiệu đều thấp hơn, cho thấy cần cải tiến Cần lưu ý rằng các kết quả này chỉ mang tính minh họa và các chỉ số hiệu suất mong muốn có thể thay đổi tùy thuộc vào yêu cầu ứng dụng và tập dữ liệu Các ngưỡng và mục tiêu hiệu suất cũng có thể được điều chỉnh theo nhu cầu cụ thể và sự đánh đổi của hệ thống phát hiện ngã.
Kết luận chương
Chương này giới thiệu hệ thống phát hiện ngã dựa trên hình ảnh, bao gồm bốn quy trình: phát hiện người, chỉ rõ, phát hiện đường tiếp tuyến và quyết định ngã Nghiên cứu cải tiến thuật toán phát hiện ngã trước đây bằng cách sử dụng máy ảnh độ sâu, cho phép phát hiện ngã trong điều kiện ánh sáng yếu Phương pháp chuyển tiếp ba trạng thái được phát triển, sử dụng các trạng thái vị trí và tốc độ chuyển đổi để phân biệt giữa trạng thái ngã và ngồi xuống Hệ thống phát hiện ngã này hoạt động tự do theo thời gian thực, chi phí thấp, dựa trên phân tích khoảng cách sàn cổ để nâng cao độ chính xác.
Máy ảnh độ sâu được sử dụng để xác định tọa độ 3D, từ đó tính toán phương trình mặt phẳng của sàn và chiều dài không gian giữa cổ nạn nhân và mặt đất theo thời gian thực Nếu cổ nạn nhân nằm sát sàn hơn một phút, cảnh báo sẽ được gửi đến người thân hoặc trung tâm chăm sóc sức khỏe Phương pháp này đạt độ chính xác 92% với thời gian thực hiện ngắn, tuy nhiên vẫn tồn tại một số vấn đề trong nghiên cứu Mặc dù bộ dữ liệu chứa nhiều hình ảnh, nhưng nhiều tình huống như ngồi trên ghế, ngủ trên sofa và ngã ra sau đồ nội thất chưa được xem xét, dẫn đến phát hiện sai Việc xây dựng bộ dữ liệu hoàn chỉnh với các tình huống bổ sung và phân tích qua khung xương 3D là một trong những hướng nghiên cứu tương lai.