Nhận diện cử chỉ dựa trên thông tin cảm biến gia tốc

Nhận diện cử chỉ dựa trên thông tin cảm biến gia tốc

TỔNG LIÊN ĐOÀN LAO ĐỘNG VIỆT NAM TRƯỜNG ĐẠI HỌC TÔN ĐỨC THẮNG KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN NHẬN DIỆN CỬ CHỈ DỰA TRÊN THÔNG TIN CẢM BIẾN GIA TỐC Người hướng dẫn: TS NGUYỄN MINH TUẤN Người thực hiện: TRẦN NGỌC QUỐC PHONG - 51303365 Lớp : 13050303 Khoá THÀNH PHỐ HỒ CHÍ MINH, NĂM 2016 : 17 TỔNG LIÊN ĐOÀN LAO ĐỘNG VIỆT NAM TRƯỜNG ĐẠI HỌC TÔN ĐỨC THẮNG KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN NHẬN DIỆN CỬ CHỈ DỰA TRÊN THÔNG TIN CẢM BIẾN GIA TỐC Người hướng dẫn: TS NGUYỄN MINH TUẤN Người thực hiện: TRẦN NGỌC QUỐC PHONG - 51303365 Lớp : 13050303 Khoá THÀNH PHỐ HỒ CHÍ MINH, NĂM 2016 : 17 i LỜI CẢM ƠN Em xin gửi lời cảm ơn chân thành đến TS Nguyễn Minh Tuấn, trưởng môn Khoa học máy tính – trường Đại học Tôn Đức Thắng, người tận tình hướng dẫn, bảo em suốt trình làm đồ án Em xin chân thành cảm ơn thầy cô giáo trường Đại học Tôn Đức Thắng nói chung, thầy cô Bộ môn Khoa học máy tính nói riêng dạy dỗ cho em kiến thức môn đại cương môn chuyên ngành, giúp em có sở lý thuyết vững vàng tạo điều kiện giúp đỡ em suốt trình học tập Cuối cùng, em xin chân thành cảm ơn gia đình bạn bè, tạo điều kiện, quan tâm, giúp đỡ, động viên em suốt trình học tập hoàn thành tập Thành phố Hồ Chí Minh, ngày 23 tháng 05 năm 2016 Sinh Viên Thực Hiện Trần Ngọc Quốc Phong ii ĐỒ ÁN ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC TÔN ĐỨC THẮNG Tôi xin cam đoan sản phẩm đồ án riêng / hướng dẫn TS Nguyễn Minh Tuấn; Các nội dung nghiên cứu, kết đề tài trung thực chưa công bố hình thức trước Những số liệu bảng biểu phục vụ cho việc phân tích, nhận xét, đánh giá tác giả thu thập từ nguồn khác có ghi rõ phần tài liệu tham khảo Ngoài ra, đồ án sử dụng số nhận xét, đánh số liệu tác giả khác, quan tổ chức khác có trích dẫn thích nguồn gốc Nếu phát có gian lận xin hoàn toàn chịu trách nhiệm nội dung đồ án Trường đại học Tôn Đức Thắng không liên quan đến vi phạm tác quyền, quyền gây trình thực (nếu có) TP Hồ Chí Minh, ngày 23 tháng 05 năm 2016 Tác giả (ký tên ghi rõ họ tên) Trần Ngọc Quốc Phong iii PHẦN XÁC NHẬN VÀ ĐÁNH GIÁ CỦA GIẢNG VIÊN Phần xác nhận GV hướng dẫn _ _ _ _ _ _ _ Tp Hồ Chí Minh, ngày tháng năm (kí ghi họ tên) Phần đánh giá GV chấm _ _ _ _ _ _ _ Tp Hồ Chí Minh, ngày tháng năm (kí ghi họ tên) iv TÓM TẮT Trước đây, tiếp cận với toán nhận dạng cử trực tuyến (Online Gesture Recognition) ta thường sử dụng phương pháp Xoắn Thời Gian Động (Dynamic Time Warping – DTW) để tìm kiếm so khớp mẫu có sẵn từ thông tin cảm biến đặt thể Tuy nhiên, DTW bộc lộ điểm yếu có xuất nhiều liệu nhiễu chuỗi thời gian Trong trình đọc cảm biến, việc xác định cử cho loại thông tin (gán nhãn liệu) cách xác khó chúng thường bị trùng lắp với (intertwined) Hơn nữa, cử ngày người không giống nhau, thời điểm khác không giống Vì thế, phần giới thiệu phương pháp so khớp mẫu Chuỗi Tuần Tự Con Dài Nhất (Longest Common Subsequence – LCS), phương pháp xử lý tốt liệu nhiễu để nhận dạng cử trực tuyến cách tốt Trong này, sử dụng phương pháp phân cụm liệu với giải thuật k-means để rút trích đặc trưng cử chỉ, chuyển thông tin chuỗi thời gian ban đầu dạng chuỗi kí tự (tương tự mã hóa SAX) để áp dụng thuật toán LCS, tìm mẫu khớp Trong phạm vi đồ án đề phương pháp cải tiến nhận dạng cử cách tốt nhờ trình khử nhiễu, tính toán lại độ tương quan hai chuỗi, từ nâng khả nhận diện xác từ 31% lên 43% MỤC LỤC LỜI CẢM ƠN i ĐỒ ÁN ĐƯỢC HOÀN THÀNH .ii TẠI TRƯỜNG ĐẠI HỌC TÔN ĐỨC THẮNG ii PHẦN XÁC NHẬN VÀ ĐÁNH GIÁ CỦA GIẢNG VIÊN iii TÓM TẮT .iv MỤC LỤC DANH MỤC KÍ HIỆU VÀ CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG BIỂU, HÌNH VẼ, ĐỒ THỊ CHƯƠNG – GIỚI THIỆU 1.1 Nhận dạng cử để làm gì? 1.2 Cảm biến thiết bị di động 1.2.1 Tổng quan MEMS 1.2.2 Các cảm biến thiết bị di dộng 1.2.2.1 Cảm biến gia tốc (Gia tốc kế) - Accelerometer 1.2.2.2 Con quay hồi chuyển – Gyroscope 10 1.2.2.3 Cảm biến tiệm cận - Proximity 11 CHƯƠNG – CỞ SỞ LÝ THUYẾT 13 2.1 Bài toán nhận dạng 13 2.2 Nhận dạng chuỗi thời gian 14 2.3 Đo độ tương quan chuỗi 16 2.3.1 Độ đo Euclid 16 2.3.2 Độ xoắn thời gian động (DTW) 17 2.3.3 Chuỗi chung dài (LCS) 18 2.3.3.1 Tổng quan 18 2.3.3.2 Phân tích thuật toán 18 2.3.3.3 Giải pháp cho hai chuỗi 19 2.3.3.3 Các tiền tố (Prefix) 19 2.3.3.4 Định nghĩa công thức LCS 21 2.3.3.5 Ví dụ toán LCS 22 2.3.3.6 Thuật toán LCS 24 2.4 Rút trích đặc trưng (rời rạc hóa – quantized) 25 2.4.1 Quá trình rút trích đặt trưng (rời rạc hóa – quantized) 25 2.4.2 Phân cụm liệu thuật toán K-means 26 2.4.2.1 Giới thiệu 26 2.4.2.2 Ý tưởng thuật toán 27 2.4.2.3 Giải thích thuật toán 28 2.4.2.4 Ví dụ thuật toán k – means 29 2.4.2.5 Đánh giá thuật toán 36 CHƯƠNG – KẾT QUẢ THỬ NGHIỆM 37 3.1 Mô tả sở liệu 37 3.2 Quá trình thực toán 43 3.3 Kết 45 DANH MỤC KÍ HIỆU VÀ CHỮ VIẾT TẮT CÁC KÝ HIỆU CÁC CHỮ VIẾT TẮT DP Dynamic Programming DWT Dynamic Time Warping HMI Human-Machine-Interface LCS Longest Common Subsequence MEMS Micro-Electro-Mechanical Systems TV Television DANH MỤC CÁC BẢNG BIỂU, HÌNH VẼ, ĐỒ THỊ DANH MỤC HÌNH Hình 1.1 Thông tin cảm biến điện thoại Hình 1.2 Một cảm biến gia tốc thường sử dụng thiết bị di động hãng STMicroelectronics 10 Hình 1.3 Vị trí cảm biến gia tốc điện thoại 11 Hình 2.1 Sơ đồ hệ thống nhận dạng 14 Hình 2.2 So sánh độ tương quan hai chuỗi thời gian 15 Hình 2.3 Đo độ tương quan chuỗi thời gian công thứ Euclid 17 Hình 2.4 Ví dụ chuỗi thời gian rời rạc hóa theo khoảng 25 Hình 2.5 Dữ liệu thô ban đầu (raw data) 26 Hình 2.6 Tọa độ điểm đánh dấu tên cụm đại diện 26 Hình 2.7 Dữ liệu phân thành cụm 27 Hình 2.8 Flowchart thuật toán k-means 28 Hình 2.9 Biểu diễn tập liệu trục tọa độ 30 Hình 2.10 Biểu diễn chọn tâm cho hai cụm ban đầu 31 Hình 2.11 Biểu diễn tâm hai cụm vừa cập nhật lại (1) 32 Hình 2.12 Biểu diễn hai cụm trung tâm vừa cập nhật lại (2) 34 Hình 3.1 Các cử có tập liệu 37 Hình 3.2 Một tệp liệu mẫu 38 Hình 3.3 Đại diện nhóm cử thứ 39 Hình 3.4 Đại diện nhóm cử thứ 2, hình tròn 40 Hình 3.5 Đại diện nhóm cử thứ 2, chuyển động hình vuông 40 Hình 3.6 Đại diện cho nhóm cử thứ ba 41 Hình 3.7 Đại diện nhóm cử thứ tư 42 Hình 3.8 Đại diện nhóm cử thứ năm 42 Hình 3.9 Biểu diễn liệu điểm 43 41  Nhóm thứ ba, từ cử số tới 12: chuyển động vuông, gấp khúc, không kín Trong nhóm kết hợp cử nhóm thứ lại với (từ lên từ trái sang phải) Trong nhóm này, có thay đổi hướng đột ngột lần Hình 3.6 Đại diện cho nhóm cử thứ ba  Nhóm thứ tư, từ cử số 13 đến 16: chuyển động gấp khúc Trong nhóm cử này, pha chuyển động tạo với góc nhọn, có thay đổi đột ngột chiều lần 42 Hình 3.7 Đại diện nhóm cử thứ tư  Nhóm cử thứ năm, từ cử số 17 tới 20: chuyển động theo đường zigzac Trong nhóm này, tay chuyển động theo đường zig-zac có thay đổi hướng lần, nhiên giống chuyển động tròn, thay đổi không đột ngột hình vuông hay đường gấp khúc nhóm thứ tư Hình 3.8 Đại diện nhóm cử thứ năm 43 3.2 Quá trình thực toán Bước 1: Rời rạc hóa liệu Như trình bày phần trước, thông tin cảm biến gia tốc có chiều nên ta không dùng mã hóa SAX (rời rạc hóa theo miền giá trị) mà phân cụm liệu giải thuật k-means mà đó, thông tin cảm biến có chiều ta xem điểm liệu Sau tải tất thông tin điểm lên chương trình, sử dụng công cụ plot.ly để biểu diễn giá trị biểu đồ (3D Scatter) Hình 3.9 Biểu diễn liệu điểm Ta nhận thấy giá trị tập trung vùng trung tâm lại thưa thớt vùng ngoài, công cụ thông kê, ta tính điểm trung bình (tâm tập liệu) là: 𝑃𝑜𝑖𝑛𝑡(3.4558, −1.3540,7.8732) Dữ liệu có tổng cộng 64070 điểm, có 7224 điểm bị trùng lắp hoàn toàn 44 Để rời rạc giá trị, ta cần truyền vào thuật toán giá trị k Ở ta chọn k từ đến 24 để phân cụm liệu, thuật toán phân cụm k-means trình bày phần trước Sau phân cụm liệu, ta nhận kết điểm ban đầu đánh kèm với số cụm 0.766145 3.830723 11.6454 17.31487 22.37142 -3.52427 -11.1857 -15.4761 -12.5648 -6.58884 -0.91937 -1.22583 2.911349 3.677494 7.814674 13 18 18 4 Hình 3.10 Kết sau phân cụm liệu Sau phân có số cụm liệu, ta tiến hành mã hóa liệu, ứng với giá trình index kí tự tương ứng bảng sau: Index Kí tự 11 M 12 N 13 O 14 P 15 Q 16 R 17 S 18 T 19 U 20 V 21 W 22 X 23 Y Bảng 3.2 Bảng quy đổi từ số cụm sang kí tự Alphabet Index 10 11 Kí tự A B C D E F G H I J K L Như với liệu ban đầu ta thu xâu kí tự, tương tự như: CQMMIIRRGQNMNNHHC Bước 2: Chia ngẫu nhiên tập liệu làm phần, đó: 75% tập để học (Training set) 45 25% lại tập để kiểm thử (Test set) Quá trình học: Sử dụng tập Training set, nhóm cử chung loại vào danh sách Ở danh sách, tính độ tương quan chuỗi với số chuỗi lại Chọn danh sách chuỗi có tổng độ tương quan lớn với chuỗi lại Kết nhận 20 cử mẫu Quá trình kiểm thử: Sử dụng tập Test set, lấy cử có tập Lần lượt tính độ tương quan giải thuật Longest Common Subsequence với 20 cử mẫu Chọn cử có độ tương quan lớn nhất, so sánh với thông tin liệu kiểm tra có nhận dạng hay không Dự đoán: Tỉ lệ nhận dạng phụ thuộc nhiều vào k, k nhỏ thiếu chi tiết cho chuỗi, tỉ lệ nhận dạng thấp, k lớn chi tiết, tỉ lệ nhiễu tăng lên, làm kết nhận dạng thấp Vì giá trị k trung bình có tỉ lệ nhận dạng cao 3.3 Kết Sau kiểm thử, ta có 23 bảng kết ứng với 23 giá trị k có giá trị từ tới 24 18 0 0 0 21 0 0 0 0 15 0 0 15 0 0 0 0 17 8 6 0 0 0 4 11 11 21 18 20 19 20 0 0 0 0 10 0 10 0 0 12 11 0 0 0 12 0 0 0 0 13 0 0 0 14 0 0 0 0 15 0 0 0 16 0 0 17 0 13 0 0 18 0 0 0 19 20 0 0 0 0 0 0 0 46 10 11 12 13 14 15 16 17 18 19 20 0 1 0 0 0 1 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 17 0 2 1 16 10 2 0 0 0 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 13 12 0 0 0 0 0 0 0 0 1 0 16 2 10 1 25 0 12 1 0 23 0 0 0 0 0 0 0 22 22 Bảng 3.3 Kết nhận dạng với k = 20 Với giá trị cột lớp cử nhận dạng, hàng giá trị nhận dạng kì vọng, giá trị thuộc đường chéo sáng màu số cử nhận dạng Những ô sẫm màu số cử bị nhận dạng sai Gọi 𝐴𝑘 biến cố giải thuật nhận dạng cử từ tập Test set với giá trị k xác định, 𝑘 = 2, 3, ⋯ , 24 Xác suất nhận dạng cử tính công thức: 𝑃(𝐴𝑘 ) = ∑20 𝑖=1 𝑋(𝑖,𝑖) 𝑁 Công thức 3.1, đó:  𝑋(𝑖,𝑖) giá trị vị trí (𝑖, 𝑖) bảng kết ví dụ phía  𝑁 số phần tử tập Test set Ta có có bảng thống kê: k 𝑷(𝑨𝒌 ) 0.189655 0.211823 0.205665 0.227833 0.277094 0.325123 0.289409 0.284483 k 13 14 15 16 17 18 19 20 𝑷(𝑨𝒌 ) 0.327586 0.331281 0.348522 0.332512 0.344828 0.358374 0.348522 0.343596 47 10 11 12 0.336207 0.346059 0.360837 21 22 23 24 0.346059 0.312808 0.365764 0.311576 Bảng 3.4 Thống kê nhận tỉ lệ nhận dạng với 𝑘 = … 24 Từ số liệu trên, ta có biểu đồ: Hình 3.11 Biểu đồ biểu thị tỉ lệ nhận dạng cử Nhận xét: Mặc dù tất so với tỉ lệ nhận dạng ngẫu nhiên (5%) dựa vào biểu đồ ta không thấy phụ thuộc nhiều vào giá trị k Với giá trị k trung bình không cao so với vùng k có giá trị lớn nhỏ Tuy nhiên, biểu đồ cho thấy xu hướng tăng giá trị k lên (giá trị biểu diễn chi tiết hơn) xác suất nhận dạng xác tăng lên Nguyên nhân tỉ lệ nhận dạng xác không cao liệu nhiễu làm ảnh, làm ảnh hưởng tới trình tính toán độ tương quan, ảnh hưởng trực tiếp đến trình chọn mẫu liệu Quan sát tập cử mẫu chọn: 48 Cử Dữ liệu KKKKKKKKKKKKKKKKKKKKKHHHOOOOOOKKKKKKKKKKKK KKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKK KKKKKKKKKKKOOOOHHSKKKKKKKKKKKKKKKKKKKKKKKK KKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKK KKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKK KKKKKKKKKKKKKKKKKKKKKK HHHHFFOGGTTTTTTTTJTTTTTTTTTTTTT TTTTTTTGGHPPPPCQQQQQQQQQIQQCQQQQQQQQQQQQIQ CCCCNNMHGGGRRBNMMQHHHCCCCCCC HHOOOHPFNCRRDSFOOOHHHHHHHHHHHHHHHHHHHHHHHHH HHHHHHHHHOK HHHHHHHHFOOGGDDAJJGGGKFNCSSHHHHOOOOHHHHOHHH KOOOFGJJJDGGKKKFOHHHBOOKKKKKKKKKKKKKKKKKOOOK KKKKKKKKKKKKKKKKOOOKKKKKKKKKKKKKKKKKKKKK QQQQQCCCPPPHHHGGADKKKKOOKAAAAAAAAAAAAAAK 10 HHHFPRGAJOOKKKKAAAAKKAAAAAAKK 11 AAADDKKJGGGHPPHQQQCCCCQHHHHHHHHHHHHHHHHHHHH HHH 12 AAAAAAJJOKKDDGGGHEPHCCHHHHHHHH 13 AAKAGGQMEPPPPCGGAAAAAAAKKAAAAAKKKKKKA 14 KKKKAAAGRRMEPPPQGGAAKAAAAAAA 15 CCCPEMRRGGQPPPQQQQQQQQQHQQ 16 QQQQEEIRRRIEPHQQQQQQCCQQCCQQQQQCCCQCCC 17 AAAAKAAKJJJOKDDSSHOBNPPQQHHHCCHHHCCCCHH 18 AAAAAAAAKKKDDKKGJBBNOHHKSSPNCHHHHHHHHHHK 19 CCCCCQQQNNCCOHSSSDGAAJAAAAAAAAAA 20 QQQQQQCCCCMMQQHCCIBBBOKDDAAAAAAAAAAA Bảng 3.5 Tập cử mẫu chọn Ta thấy vấn đề cử chọn dài, có lặp lại 49 Hình 3.12 Một ví dụ để biểu thị liệu nhiễu Trong hình ta thấy có phần khung thay đổi giá trị, bên khung không thay đổi giá trị nhiều lượng liệu dư thừa bị kéo dài Thuật toán LCS đo độ tương quan kí tự xuất trùng với kí tự chuỗi thứ hai, chuỗi dài lặp lại dễ dàng có tổng độ tương quan lớn so với chuỗi khác Một vấn đề so sánh chuỗi dài chuỗi ngắn, độ tương quan cho số không hợp lý, lấy ví dụ: Khi so sánh chuỗi “𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐵𝐶𝐷𝐸𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷” với chuỗi “𝐴𝐵𝐶𝐷𝐸” cho độ tương quan (“𝐴𝐵𝐶𝐷𝐸”) Cùng lúc đó, so sánh chuỗi “𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐵𝐶𝐷𝐸𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷” với chuỗi “𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐷𝐸𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴” cho độ tương quan 11 (“𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐷𝐸”) 50 Ở ta thấy thuật toán LCS tính thông tin không mang nhiều giá trị nên xảy sai số lớn cho kết Chính thế, ta cần xử lý nhiễu liệu nhiễu cách xóa kí tự giống liên tục Ngoài cần điều chỉnh lại công thức tính độ tương quan hai chuỗi sau: 𝑣𝑎𝑙𝑢𝑒𝐿𝐶𝑆(𝐴, 𝐵) = 𝐿𝐶𝑆(𝐴, 𝐵) max(|𝐴|, |𝐵|) Công thức 3.2, đó:  𝐿𝐶𝑆(𝐴, 𝐵) giá trị độ tương quan hai chuỗi A B  |𝐴| |𝐵| độ dài chuỗi A chuỗi B Sau khử nhiễu liệu ta thực lại trình kiểm thử, ta thu kết sau: 51 10 11 12 13 14 15 16 17 18 19 20 10 11 12 13 14 15 16 17 18 19 20 18 0 0 21 0 0 0 0 0 0 21 0 0 18 0 0 0 0 0 0 0 15 10 0 0 0 0 0 0 0 0 13 0 0 0 17 0 20 0 0 0 0 0 0 0 0 0 0 0 0 0 11 19 0 0 0 0 0 0 0 11 20 0 0 0 0 0 0 15 0 0 12 0 0 0 0 0 17 0 0 0 0 1 0 0 12 0 1 4 0 0 10 0 1 0 0 13 0 0 0 0 0 12 1 0 0 17 0 0 0 0 0 0 16 0 0 0 16 1 0 0 0 10 0 0 0 25 0 0 1 0 0 0 23 0 0 0 1 0 0 0 22 0 0 0 0 0 0 0 0 22 Bảng 3.6 Kết nhận dạng với k = 20 sau khử nhiễu 𝑷(𝑨𝒌 ) 13 0.456897 14 0.486453 15 0.495074 16 0.475369 17 0.471675 18 0.469212 19 0.492611 20 0.45197 10 21 0.445813 11 22 0.432266 12 23 0.454433 24 0.405172 Bảng 3.7 Xác suất nhận dạng xác sau khử nhiễu k 𝑷(𝑨𝒌 ) 0.195813 0.235222 0.288177 0.438424 0.424877 0.42734 0.466749 0.434729 0.474138 0.474138 0.419951 k 52 Hình 3.13 Biểu đồ biểu thị xác suất nhận dạng với k từ tới 24 sau khử nhiễu Nhận xét: Sau khử nhiễu, xác suất nhận dạng xác tăng lên rõ rệt (từ trung bình 0,31 thành 0,43) Tỉ lệ nhận dạng vùng trung bình k cao hẳn so với vùng lại Kết luận: Trong trình đọc thông tin cảm biến, việc gán nhãn cho cử khó, thực tế cử khác luôn có liệu nhiễu không mong muốn Để nhận dạng cử tốt ta cần có phương pháp khử độ nhiễu liệu, trích chọn phần liệu quan trọng, bỏ bớt thông tin dư thừa tăng tốc lực tính toán chương trình nâng cao độ xác việc nhận dạng cử 53 TÀI LIỆU THAM KHẢO Tiếng Việt [3][4][5][6] Tổng quan MEMS, Hoang Son (academia.edu) [7] Báo cáo tìm hiểu cảm biến gia tốc, Luan Nguyen Thanh (academia.edu) [9] Tìm hiểu cảm biến điện thoại, VNReview (Số 24/06/2012) [13] Nhập môn xử lý ảnh số, chương 7, Đại Học Bách Khoa Hà Nội [14][15] Tổng quan tìm kiếm tương tự liệu chuỗi thời gian – TS Dương Tuấn Anh, Đại Học Bách Khoa Hồ Chí Minh [17] Thuật toán K-Means với toán phân cụm liệu, Nguyễn Văn Chức Tiếng Anh [1] Matthias Rehm, Nikolaus Bee, Elisabeth André, Wave Like an Egyptian – Accelerometer Based Gesture Recognition for Culture Specific Interactions, British Computer Society, 2007 [2] Dimond, T.L (1957-12-01), Devices for reading handwritten characters, Proceedings of Eastern Joint Computer Conference, pp 232–237 [8] Gyroscope by Sándor Kabai, Wolfram Demonstrations Project [10] Improving Online Gesture Recognition with Template Matching Methods in Accelerometer Data, Long-Van Nguyen-Dinh, Daniel Roggen, Alberto Calatroni and Gerhard Tröster in: Proceedings of the 12th International Conference on Intelligent Systems Design and Applications, ISDA, 2012 [11] Bishop, Christopher M (2006) Pattern Recognition and Machine Learning Springer p vii [12] Pattern Recognition – Wikipedia [16] David Maier (1978) "The Complexity of Some Problems on Subsequences and Supersequences" J ACM (ACM Press) 54 [18] Gabriele Costante, Lorenzo Porzi, Oswald Lanz, Paolo Valigi, Elisa Ricci, Personalizing a Smartwatch-based Gesture Interface With Learning, 22nd European Signal Processing Conference (EUSIPCO), 2014 Transfer 55 PHỤ LỤC ... dụng thông tin cảm biến gia tốc áp dụng giải thuật học máy để nhận diện cử (Gesture Recognition) Chức cảm biến gia tốc có nhờ chip MEMS (như hình bên dưới) đảm nhận Hình 1.2 Một cảm biến gia tốc. .. ánh sáng, cảm biến từ, cảm biến tiệm cận cảm biến tốc Hình lấy từ phần mềm chẩn đoán (Diagnostic Tool) hãng Samsung 1.2.2.1 Cảm biến gia tốc (Gia tốc kế) - Accelerometer Cảm biến gia tốc thành... ĐOÀN LAO ĐỘNG VIỆT NAM TRƯỜNG ĐẠI HỌC TÔN ĐỨC THẮNG KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN NHẬN DIỆN CỬ CHỈ DỰA TRÊN THÔNG TIN CẢM BIẾN GIA TỐC Người hướng dẫn: TS NGUYỄN MINH TUẤN Người thực hiện: TRẦN