Nghiên cứu và xây dựng hệ thống phát hiện hành động ngã của người đi bộ dựa trên cảm biến của điện thoại di động

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Phí Bá Chiến NGHIÊN CỨU VÀ XÂY DỰNG HỆ THỐNG PHÁT HIỆN HÀNH ĐỒNG NGÃ CỦA NGƯỜI ĐI BỘ DỰA TRÊN CẢM BIẾN CỦA ĐIỆN THOẠI DI ĐỘNG LUẬN VĂN THẠC SĨ KỸ THUẬT PHẦN MỀM HÀ NỘI – 2020 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CƠNG NGHỆ Phí Bá Chiến NGHIÊN CỨU VÀ XÂY DỰNG HỆ THỐNG PHÁT HIỆN HÀNH ĐỒNG NGÃ CỦA NGƯỜI ĐI BỘ DỰA TRÊN CẢM BIẾN CỦA ĐIỆN THOẠI DI ĐỘNG Ngành: Kỹ thuật phần mềm Chuyên ngành: Kỹ thuật phần mềm Mã số: 8480103.01 LUẬN VĂN THẠC SĨ KỸ THUẬT PHẦN MỀM NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS TS NGUYỄN HÀ NAM Hà Nội – 2020 LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu thực hướng dẫn PGS.TS Nguyễn Hà Nam Bộ môn Hệ thống Thông tin, Khoa Công nghệ Thông tin, Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội Các số liệu kết trình bày luận văn trung thực chưa cơng bố cơng trình khác Tác giả Phí Bá Chiến LỜI CẢM ƠN Luận văn thực Khoa CNTT-Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội, hướng dẫn PGS.TS Nguyễn Hà Nam Trước tiên, xin gửi lời cảm ơn sâu sắc tới PGS.TS Nguyễn Hà Nam Người Thầy tận tụy dạy, giúp đỡ giải vấn đề khó khăn nghiên cứu khoa học sống Tôi xin gửi lời cảm ơn tới tập thể Thầy, Cô giáo, Nhà khoa học khoa CNTT truyền đạt kiến thức quý báu tạo điều kiện thuận lợi cho tơi q trình học tập nghiên cứu Để có liệu phục vụ cho nghiên cứu, tơi xin gửi lời cảm ơn tới Nhóm nghiên cứu PGS.TS Nguyễn Hà Nam, thầy Nguyễn Đức Nhân, anh Lê Hồng Lam, anh Phùng Quang Luyện, em Nguyễn Vũ Đông giúp thu thập liệu tiến hành số thực nghiệm liên quan đến Luận văn Tôi gửi lời tri ân tới bạn bè, đồng nghiệp, người thân giúp đỡ hỗ trợ tơi suốt q trình nghiên cứu Cuối cùng, tơi vơ biết ơn gia đình, bố mẹ, anh chị em, đặc biệt vợ nhỏ tôi, người động viên, giành điều kiện tốt để tơi hồn thành chương trình nghiên cứu Phí Bá Chiến Hà Nội, 2020 ii MỤC LỤC LỜI CAM ĐOAN I LỜI CẢM ƠN II MỤC LỤC III DANH MỤC KÝ HIỆU VÀ TỪ VIẾT TẮT V DANH MỤC HÌNH ẢNH VI DANH MỤC BẢNG BIỂU VII MỞ ĐẦU Tính cấp thiết luận văn Mục tiêu luận văn Đối tượng phạm vi nghiên cứu Đóng góp luận văn Bố cục luận văn CHƯƠNG TỔNG QUAN VỀ NHẬN DẠNG HÀNH ĐỘNG 1.1 Giới thiệu 1.2 Một số khái niệm 1.3 Các phương pháp nhận diện hành động 1.4 Một số nghiên cứu liên quan 1.5 Sử dụng liệu cảm biến để phân tích hành động 1.6 Kết luận chương CHƯƠNG MỘT SỐ KỸ THUẬT KHAI PHÁ DỮ LIỆU CHUỖI THỜI GIAN…… 2.1 Giới thiệu 2.2 Đặc điểm số cách xử lý liệu thời gian thực 2.2.1 Tiền xử lý liệu 2.2.2 Cửa sổ liệu 11 2.2.3 Biến đổi liệu 11 2.2.4 Thuộc tính miền thời gian 12 2.2.5 Thuộc tính miền tần số 13 2.2.6 Tham số Hjorth 14 iii 2.3 2.4 2.5 Các phương pháp phân lớp 14 2.3.1 Random Forest 15 2.3.2 Artificial Neural Network 16 2.3.3 Support Vector Machine 17 Phương pháp đánh giá phân lớp 18 2.4.1 Ma trận nhầm lẫn 18 2.4.2 Biểu đồ ROC độ đo AUC 20 Kết luận chương 22 CHƯƠNG XÂY DỰNG MƠ HÌNH PHÁT HIỆN HÀNH ĐỘNG 23 3.1 Giới thiệu 23 3.2 Tổng quan hệ thống 23 3.3 3.4 3.5 3.2.1 Dữ liệu thu thập từ cảm biến gia tốc 24 3.2.2 Xây dựng tập thuộc tính đặc trưng 25 Tối ưu mơ hình 26 3.3.1 Thuật toán tối ưu Particle Swarm Optimization – PSO 26 3.3.2 Mơ hình nhận dạng thuật toán PSO 30 Thực nghiệm đánh giá 34 3.4.1 Môi trường thực nghiệm 34 3.4.2 Dữ liệu thực nghiệm 34 3.4.3 Kết thực nghiệm với Random Forest 36 3.4.4 Kết thực nghiệm với ANN SVM 38 3.4.5 Tối ưu mơ hình Random Forest thuật toán PSO 41 Kết luận chương 48 KẾT LUẬN 49 TÀI LIỆU THAM KHẢO 50 iv DANH MỤC KÝ HIỆU VÀ TỪ VIẾT TẮT TỪ VIẾT TẮT RF ANN DIỄN GIẢI TIẾNG ANH TIẾNG VIỆT Thuật toán phân lớp rừng ngẫu nhiên Random Forest Artificial Neural Thuật toán phân lớp mạng nơ-ron Network SVM Support Vector Machine AUC Area Under Curve FN False Negative FP False Positive TN True Negative Thuật toán phân lớp máy véc-tơ hỗ trợ Diện tích đường cong ROC Âm tính giả (mẫu mang nhãn dương bị phân lớp sai vào lớp âm) Dương tính giả (mẫu mang nhãn âm bị phân lớp sai vào lớp dương) Âm tính thật (mẫu mang nhãn âm phân lớp vào lớp âm) Dương tính thật (mẫu mang nhãn TP dương phân lớp vào lớp True Positive dương) ROC PSO IEEE Receiver Operator Đặc tính hoạt động thu nhận Characteristic Particle Swarm Thuật toán tối ưu bầy đàn Optimization Institute of Electrical and Electronics Engineers v Hội Kỹ sư Điện Điện tử DANH MỤC HÌNH ẢNH Hình 2-1 Một số kỹ thuật chuẩn bị liệu 10 Hình 2-2 Phân đoạn chuỗi tín hiệu thành cửa sổ liệu 11 Hình 2-3 Thuật tốn Random Forest 15 Hình 2-4 Mơ tả mạng ANN 16 Hình 2-5 Khơng gian mơ hình SVM 17 Hình 2-6 Biểu đồ biểu diễn đường cong ROC 20 Hình 2-7 Diện tích đường cong ROC (độ đo AUC) 21 Hình 3-1 Tổng quan hệ thống phát hành động ngã 23 Hình 3-2 Các trục X, Y, Z cảm biến gia tốc 24 Hình 3-3 Dữ liệu thời gian ba trục X, Y, Z biểu diễn đồ thị 25 Hình 3-4 Mơ tả q trình tìm kiếm thức ăn đàn chim 27 Hình 3-5 Q trình cập nhật vị trí sử dụng PSO 28 Hình 3-6 Tối ưu mơ hình thuật tốn PSO 33 Hình 3-7 Biểu đồ kết phân lớp mơ hình RF 37 Hình 3-8 Biểu đồ kết mơ hình ANN 40 Hình 3-9 Biểu đồ kết mơ hình SVM 41 Hình 3-10 Biểu đồ kết hành động ngã BSC 43 Hình 3-11 Biểu đồ kết hành động ngã FKL 44 Hình 3-12 Biểu đồ kết hành động ngã FOL 44 Hình 3-13 Biểu đồ kết hành động ngã SDL 45 Hình 3-14 Biểu đồ kết phân lớp chung mơ hình 45 vi DANH MỤC BẢNG BIỂU Bảng 2-1 Ma trận nhầm lẫn 18 Bảng 2-2 Độ đo AUC với độ xác mơ hình phân lớp 21 Bảng 3-1 Các hoạt động thường ngày 35 Bảng 3-2 Các trạng thái ngã 36 Bảng 3-3 Mô hình RF với thơng số mặc định 36 Bảng 3-4 Kết phân lớp mơ hình RF 37 Bảng 3-5 Bộ tham số mơ hình ANN SVM 38 Bảng 3-6 Kết phân lớp mơ hình ANN 39 Bảng 3-7 Kết phân lớp mơ hình SVM 40 Bảng 3-8 Kết mơ hình phân lớp sau tối ưu 43 Bảng 3-9 Kết mơ hình phân lớp ban đầu 43 Bảng 3-10 Ma trận nhầm lẫn mơ hình Random Forest sau tối ưu 46 Bảng 3-11 Mơ hình đề xuất nghiên cứu liên quan 47 vii MỞ ĐẦU Tính cấp thiết luận văn Ngày nay, theo dõi sức khỏe vấn đề đặc biệt quan tâm giới Đặc biệt nước phát triển, vấn đề ý tế, sức khỏe nhận quan tâm hàng đầu Với người cao tuổi, người có sức khỏe yếu thường xảy biến cố bất ngờ ngã, đột quỵ lúc có điều kiện chăm sóc y tế, theo dõi thường xuyên từ nhân viên y tế người thân Những va chạm mạnh thường gây ảnh hưởng lớn đến sức khỏe không phát xử lý kịp thời Với phát triển không ngừng nghỉ khoa học kỹ thuật, điện thoại thông minh ngày phổ biến giới Mọi người giới tiếp cận sở hữu cho điện thoại thông minh dễ dàng Điện thoại thông minh tích hợp nhiều loại cảm biến khác, kèm theo điện thoại thơng minh thường đem thường xuyên sử dụng nhiều sống cho phép trở thành cơng cụ hữu ích việc thu thập liệu từ người dùng Rất nhiều cơng trình nghiên cứu ứng dụng liên quan đến việc thu thập liệu từ cảm biến điện thoại thông minh công bố năm gần Vì vậy, với yếu tố người, khoa học kỹ thuật kể trên, muốn xây dựng mơ hình phát hành động ngã thông qua việc sử dụng liệu cảm biến điện thoại thơng minh Do tơi chọn đề tài: “Nghiên cứu xây dựng hệ thống phát hành động ngã người dựa cảm biến điện thoại di động” làm đề tài nghiên cứu luận văn thạc sĩ chuyên ngành Kỹ thuật phần mềm - M (minimum number of instances): Đặt số lượng cá thể tối thiểu cho - V (minimum variance for split): Đặt tỷ lệ phương sai loại số tối thiểu - S (seed): Số hạt giống ngẫu nhiên sử dụng Kết độ xác phân lớp thể bảng Bảng 3-4 Kết phân lớp mô hình RF Tỉ lệ chồng liệu 25% 50% 75% giây 0.524 0.582 0.671 giây 0.664 0.783 0.695 giây 0.653 0.716 0.587 giây 0.689 0.635 0.665 giây 0.522 0.589 0.597 giây 0.656 0.522 0.598 Kích thước cửa sổ 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 1s 2s 3s 4s 5s 6s 25% 0.524 0.664 0.653 0.689 0.522 0.656 50% 0.582 0.783 0.716 0.635 0.589 0.522 75% 0.671 0.695 0.587 0.665 0.597 0.598 25% 50% 75% Hình 3-7 Biểu đồ kết phân lớp mô hình RF 37 Từ bảng 3-5 biểu đồ hình 3-7 cho thấy, kết phân lớp mơ hình RF cho kết trọng số F-measure tốt cửa sổ liệu W = giây tỉ lệ chồng chéo 50% Khi F-measure đạt giá trị 0.783 Từ thấy ảnh hưởng cửa sổ liệu đến kết thuật toán phân lớp 3.4.4 Kết thực nghiệm với ANN SVM Với mơ hình phân lớp ANN SVM, chúng tơi sử dụng kích thước cửa sổ từ đến giây, tỉ lệ chồng liệu 25%, 50%, 75% Độ đo F-measure sử dụng để đánh giá độ tốt mơ hình phân lớp Các mơ hình thử nghiệm với tham số mặc định công cụ WEKA Bảng 3-5 Bộ tham số mô hình ANN SVM STT Mơ hình Bộ tham số ANN L = 0.3; M = 2; N = 500; V = 0; S = 0; E = 20; H = a SVM S= 0; K= 2; D = 3; G = 0; R = 0.0; N = 0.5; M = 40; C = 1.0; E = 0.001; P = 0.1 Trong đó: Mơ hình ANN: - L (learning rate): Tỷ lệ học cho thuật toán lan truyền ngược - M (Momentum): Tỷ lệ động lượng cho thuật toán lan truyền ngược - N (number of epochs): Số kỷ nguyên cần đào tạo - V (percentage size of validation set): Phần trăm kích thước xác thực đặt để sử dụng để chấm dứt đào tạo - S (seed): Giá trị sử dụng để khởi tạo trình tạo số ngẫu nhiên - E (threshold for number of consecutive errors): Số lỗi gia tăng liên tiếp phép xác thực kiểm tra trước kết thúc đào tạo - H (comma separated numbers for nodes on each layer): Các lớp ẩn tạo cho mạng Giá trị mặc định a=(attribs + classes) / 38 Mơ hình SVM: - S (type of SVM): Đặt loại cho mô hình SVM - K (type of kernel function): Đặt loại cho hàm Kernel - D (degree in kernel function): Độ hàm nhân - G (gamma in kernel function): Gamma hàm nhân - R (coef0 in kernel function): coef0 hàm nhân - N (Nu): tham số nu nu-SVC, SVM lớp nu-SVR - M (cachesize): kích thước nhớ đệm tính MB - C (cost) : tham số C C-SVC, epsilon-SVR nu-SVR - E (epsilon): đặt dung sai tiêu chí kết thúc - P: chức epsilon epsilon-SVR Kết thử nghiệm mơ sau Bảng 3-6 Kết phân lớp mô hình ANN Tỉ lệ chồng liệu 25% 50% 75% giây 0.563 0.601 0.603 giây 0.485 0.653 0.602 giây 0.436 0.609 0.535 giây 0.514 0.569 0.549 giây 0.515 0.441 0.563 giây 0.532 0.589 0.556 Kích thước cửa sổ 39 Bảng 3-7 Kết phân lớp mô hình SVM Tỉ lệ chồng liệu 25% 50% 75% giây 0.602 0.389 0.568 giây 0.516 0.392 0.536 giây 0.556 0.347 0.587 giây 0.547 0.656 0.579 giây 0.607 0.657 0.425 giây 0.445 0.563 0.489 Kích thước cửa sổ 0.7 0.6 0.5 0.4 0.3 0.2 0.1 1s 2s 3s 4s 5s 6s 25% 0.563 0.485 0.436 0.514 0.515 0.532 50% 0.601 0.653 0.609 0.569 0.441 0.589 75% 0.603 0.602 0.535 0.549 0.563 0.556 25% 50% 75% Hình 3-8 Biểu đồ kết mơ hình ANN 40 0.7 0.6 0.5 0.4 0.3 0.2 0.1 1s 2s 3s 4s 5s 6s 25% 0.602 0.516 0.556 0.547 0.607 0.445 50% 0.389 0.392 0.347 0.656 0.657 0.563 75% 0.568 0.536 0.587 0.579 0.425 0.489 25% 50% 75% Hình 3-9 Biểu đồ kết mô hình SVM Từ biểu đồ hình 3-7 hình 3-8 ta nhận thấy tốt mơ hình ANN đạt F-measure = 0.653 kích thước cửa sổ giây tỉ lệ chồng liệu 50% Mơ hình SVM cho kết tốt F-measure = 0.657 kích thước cửa sổ giây tỉ lệ chồng liệu 50% Từ kết cho thấy, liệu xây dựng kết chạy từ mơ hình phân lớp ANN SVM khơng thực tốt mơ hình RF 3.4.5 Tối ưu mơ hình Random Forest thuật tốn PSO Chương trình tối ưu viết ngơn ngữ java, mơ hình nhận dạng tính tốn mơ hình sử dụng cơng cụ WEKA Dữ liệu thực nghiệm tiền xử lý liệu sử dụng giống q trình tạo mơ hình chương Trong q trình nghiên cứu, chúng tơi nhận thấy độ xác phát hành động ngã ln nhỏ độ xác trung bình tất hành động mơ hình Giá trị F-measure hành động ngã nhỏ giá trị F-measure trung bình mơ hình Các hành động (WAL), đứng (STD), chạy (SOL) hoạt động thường ngày ln cho kết tốt Vì giai đoạn tối ưu mơ hình chúng tơi tập trung tối ưu để tăng tỉ lệ xác phát trạng thái ngã 41 Các tham số thuật toán tối ưu - 𝑐1 = 2.05 - 𝑐2 = 2.05 - 𝜔 = 0.9 - 𝑡 𝑚𝑎𝑥 = 100 - Số lượng tham số ban đầu N = Giới hạn tham số mơ hình Random Forest - P (Bag size percent) = [10, 100] - I (numIterations) = [10, 1000] - Num-slot (numExecutionSlots) = [1, 10] - K (numFeatures) = [5, 50] Chương trình tối ưu chạy máy tính để bàn với cầu hình CPU core i7-8700 @ 3.2GHz, RAM 32GB Mỗi lần thay đổi tham số, mơ hình chạy lại lần Thời gian chạy mơ hình tùy thuộc vào tham số mơ hình Chương trình tối ưu dừng lại thỏa mãn hai điều kiện sau: - Giá trị F-measure hành động ngã Tỉ lệ đoán hành động ngã 100% - 𝑡 = 𝑡 𝑚𝑎𝑥 = 100 Đã chạy hết số vòng lặp Như biết, mơ hình phân lớp có sai số Vì dự đốn chương trình tối ưu thỏa mãn giá trị F = gần khơng thể Trong khn khổ luận văn có giới hạn thời gian, nên việc lấy giá tị 𝑡 𝑚𝑎𝑥 =100 khả thi phù hợp với tài nguyên, thời gian cho phép Với giá trị N=7 𝑡 𝑚𝑎𝑥 = 100, kết thúc vòng lặp chương trình chạy tương đương với 700 mơ hình Random Forest 42 Kết thúc chương trình tối ưu, kết thu sau: Bảng 3-8 Kết mô hình phân lớp sau tối ưu Precision Recall F-measure ROC Area BSC 0.875 0.703 0.780 0.995 FKL 0.831 0.758 0.793 0.996 FOL 0.858 0.766 0.810 0.993 SDL 0.856 0.769 0.810 0.996 All 0.933 0.933 0.931 0.998 Bảng 3-9 Kết mô hình phân lớp ban đầu Precision Recall F-measure ROC Area BSC 0.560 0.355 0.440 0.951 FKL 0.657 0.983 0.787 0.983 FOL 0.807 0.729 0.766 0.975 SDL 0.723 0.606 0.659 0.965 All 0.805 0.790 0.783 0.980 0.8 0.6 0.4 0.2 Precision Recall F-measure ROC Area Mơ hình ban đầu 0.56 0.355 0.44 0.951 Mơ hình tối ưu 0.875 0.703 0.78 0.995 Mơ hình ban đầu Mơ hình tối ưu Hình 3-10 Biểu đồ kết hành động ngã BSC 43 0.8 0.6 0.4 0.2 Precision Recall F-measure ROC Area Mơ hình ban đầu 0.657 0.983 0.787 0.983 Mơ hình tối ưu 0.831 0.758 0.793 0.996 Mơ hình ban đầu Mơ hình tối ưu Hình 3-11 Biểu đồ kết hành động ngã FKL 0.8 0.6 0.4 0.2 Precision Recall F-measure ROC Area Mơ hình ban đầu 0.807 0.729 0.659 0.975 Mơ hình tối ưu 0.858 0.766 0.81 0.993 Mơ hình ban đầu Mơ hình tối ưu Hình 3-12 Biểu đồ kết hành động ngã FOL 44 0.8 0.6 0.4 0.2 Precision Recall F-measure ROC Area Mơ hình ban đầu 0.723 0.606 0.659 0.965 Mơ hình tối ưu 0.856 0.769 0.81 0.996 Hình 3-13 Biểu đồ kết hành động ngã SDL 0.8 0.6 0.4 0.2 Precision Recall F-measure ROC Area Mơ hình ban đầu 0.805 0.79 0.783 0.98 Mơ hình tối ưu 0.933 0.933 0.931 0.998 Mơ hình ban đầu Mơ hình tối ưu Hình 3-14 Biểu đồ kết phân lớp chung mơ hình Nhìn vào biểu đồ thấy sau tối ưu, mơ hình cải thiện rõ rệt Tất trọng số độ xác (Precision), độ bao phủ (Recall), F-measure, AUC (diện tích đường cong ROC) tốt mơ hình ban đầu Có khác biệt rõ rệt trọng số F-measure hành động ngã BSC, FOL, SDL Xét tổng thể 45 chung mô hình, F-measure tăng từ 0.783 lên 0.931 Độ xác tăng từ 0.805 (80.5%) lên 0.933 (93.3%) Từ kết cho thấy tham số mơ hình có ảnh hưởng không nhỏ đến kết phân lớp Với thuật tốn tối ưu PSO mơ hình phức tạp Random Forest, kết chưa kết tốt đạt đảm bảo tham số nằm vùng có kết tốt Nếu điều kiện tài nguyên cho phép, tăng giá trị 𝑡 𝑚𝑎𝑥 từ 100 lên 200, 500 1000 Khi thuật tốn tối ưu PSO có nhiều hội thử nghiệm tìm mơ hình phân lớp có độ xác cao Bảng 3-10 Ma trận nhầm lẫn mô hình Random Forest sau tối ưu BSC BSC CHU CHU 70.3 CSI 11.5 CSO 0.5 FKL 1.5 FOL 0.7 JOG JUM 0 LYI SCH SDL 7.1 5.3 SIT STD STN STU 1 WAL 0.1 81.4 0.5 0 0 0 4.3 2.4 1.4 CSI 1.6 0.0 79.3 0.4 0.1 0.1 0.1 0.1 0.1 3.9 1.1 0.5 1.4 2.4 6.3 2.6 CSO 0.0 0.3 0.1 96.1 0.0 0.0 0.0 0.0 0.0 0.0 0.2 1.6 0.0 0.2 0.2 1.4 FKL 0.3 0.0 1.8 0.6 75.8 9.8 0.2 0.2 0.0 2.6 1.1 0.2 0.6 3.5 2.6 0.8 FOL 0.7 0.0 2.0 0.1 8.8 76.6 0.0 0.3 0.0 1.5 2.7 0.5 1.3 1.5 3.6 0.5 JOG 0.0 0.0 0.1 0.0 0.0 0.0 96.7 0.7 0.0 0.0 0.0 0.0 0.0 0.9 0.6 1.0 JUM 0.0 0.0 0.0 0.0 0.0 0.0 0.9 98.2 0.0 0.0 0.0 0.1 0.0 0.6 0.2 0.0 LYI 0.0 0.0 0.2 0.0 0.0 0.0 9.7 8.0 64.8 0.0 0.0 2.3 3.7 1.0 2.2 8.1 SCH 0.3 0.3 4.2 2.8 0.1 0.2 0.3 0.0 1.7 52.6 0.6 2.6 10.3 4.8 5.8 13.4 SDL 4.0 0.0 5.7 0.8 3.2 2.2 0.7 0.1 0.0 2.8 76.9 0.1 0.7 0.9 1.6 0.3 SIT 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 99.1 0.2 0.2 0.0 0.0 STD 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 99.9 0.0 0.1 0.0 STN 0.0 0.0 0.3 0.2 0.0 0.1 0.5 0.0 0.2 0.0 0.4 0.4 6.6 79.3 6.4 5.5 STU 0.0 0.0 0.2 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.2 0.3 3.5 7.5 82.4 5.7 WAL 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.2 99.6 Bảng 3.10 biểu diễn ma trận nhầm lẫn mơ hình Random Forest sau tối ưu Hệ số bảng tính theo tỉ lệ phần trăm Có thể thấy kết hành động ngã: • Trạng thái ngã từ ghế (BSC) thường bị nhầm lẫn với hành động bước vào xe CSI), từ đứng chuyển sang ngồi (SCH) trạng thái ngã nghiêng (SDL) 46 • Trạng thái ngã gập đầu gối (FKL) thường bị nhầm lẫn với trạng thái ngã phía trước (FOL) • Trạng thái ngã gập đầu gối (FOL) thường bị nhầm lẫn với trạng thái ngã nghiêng (FKL) • Trạng thái ngã nghiêng (SDL) thường bị nhầm lẫn với trạng thái ngã từ ghế (BSC), bước vào xe (CSI) ngã gập đầu gối (FKL) So sánh mơ hình với nghiên cứu liên quan Phương pháp nhận dạng hành động hàng ngày thuật toán phân lớp phương pháp phổ biến nhiều nghiên cứu sử dụng Tùy theo liệu, u cầu tốn có hệ thống nhận dạng thiết kế khác Với tập thuộc tính đề xuất, nhóm nghiên cứu thực nghiệm liệu MobiAct [15], kết thực nghiệm phát hành động ngã nghiên cứu cao so với phương pháp số nghiên cứu liệu thống kê Bảng 3-11 Qua kết đánh giá cho thấy, hệ thống nhận dạng phù hợp có kết khả quan việc nhận dạng hành động hàng ngày, đặc biệt hành động ngã Bảng 3-11 Mô hình đề xuất nghiên cứu liên quan Kết hành động ngã Nghiên cứu Kết trung bình hành FKL FOL SDL động ngã 0.832 0.760 0.709 0.757 0.764 0.780 0.793 0.810 0.810 0.798 BSC Charikleia Chatzaki cộng [15] Phương pháp đề xuất Trong đó, trọng số đánh giá sử dụng độ đo F-measure 47 3.5 Kết luận chương Trong chương này, đề xuất hệ thống phát hành động ngã dựa liệu cảm biến thu từ điện thoại thông minh Các phương pháp phân lớp thử nghiệm đánh giá với liệu mà xây dựng Lựa chọn mơ hình cho kết tốt để chạy thuật tốn tối ưu Từ tìm tham số có kết tốt 48 KẾT LUẬN Nghiên cứu phân tích, nhận dạng hoạt động chủ đề đặc biệt quan tâm nhiều lĩnh vực Luận văn nghiên cứu lĩnh vực theo dõi, giám sát phân phát hành động ngã người dựa phân tích liệu thu từ cảm biến gia tốc điện thoại Trong luận văn, khảo sát nghiên cứu kỹ thuật phương pháp thu thập liệu Sau sử dụng kỹ thuật để nghiên cứu xây dựng thuộc tính đặc trưng để nâng cao độ xác hệ thống phát hành động ngã Chúng nghiên cứu phương pháp phân lớp, tiến hành thử nghiệm với thuộc tính xây dựng Sau tối ưu tham số mơ hình phân lớp phù hợp dựa thuật toán tối ưu PSO Luận văn có số kết sau: - Xây dựng liệu gồm thuộc tính đặc trưng Từ liệu liên tục theo miền thời gian, chúng tơi tiến hành xây dựng tập thuộc tính đặc trưng miền thời gian, miền tần số thuộc tính Hjorth - Đề xuất hệ thống phát hành động ngã người dựa phân tích liệu thu từ cảm biến gia tốc điện thoại thông minh Hệ thống gồm pha pha huấn luyện pha phát Trong trình xây dựng thử nghiệm hệ thống, tiến hành nhiều phương pháp phân lớp khác để lựa chọn phương pháp phù hợp với tốn liệu có - Đề xuất giải pháp tối ưu tham số PSO cho mơ hình phân lớp Random Forest 49 TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] Hoàng Phê (Chủ biên), “Từ điển Tiếng Việt - GS Hoàng Phê” Nhà xuất Hồng Đức, 2016 WangYan, CangShuang, Yu, Hongnian, “A survey on wearable sensor modality centred human activity recognition in health care”, Expert Systems With Applications, pp 167-190, 2019 Adnan Nadeem, Amir Mefmood, Kashif Rizwan, “A dataset build using wearable inertial measurement and ECG sensors for activity recognition, fall detection and basic heart anomaly detection system”, Data in brief, pp 104717, 2019 Henry Friday Nweke, Ying Wah The, Mohammed Ali Al-garadi, Uzoma Rita Alo, “Deep learning algorithms for human activity recognition using mobile and wearable sensor networks: State of the art and research challenges”, Expert Systems With Applications, pp 233-261, 2018 E Stack, V Agarwal, R King, M Burnett, F Tahavori, B Janko, W Harwin, A Ashburn and D.Kunkel, “Identifying balance impairments in people with Parkinson’s disease using video and wearable sensors”, Gait & Posture, pp 321326, 2018 N C Chigateria, N Kerse, L Wheeler, B MacDonald, J Klenk, “Validation of an accelerometer for measurement of activity in frail older people”, Gait & Posture, pp 114-117, 2018 Yinfeng Wu, Yiwen Su, Renjian Feng, Ning Yu and Xu Zang, “Wearable-sensorbased pre-impact fall detection system with a hierarchical classifier”, Measurement, pp 283-292, 2019 Charissa Ann Ronao, Sung-Bae Cho, “Recognizing human activities from smartphone sensors using hierarchical continuous hidden Markov models”, International Journal of Distributed SenSor NetWorks, Vol 13(1), 2017 S García, Intelligent Systems Reference Library 72 Data Preprocessing in Data Mining 2015 Bochner, S Chandrasekharan, K (1949), “Fourier Transforms”, Princeton University Press Bo Hjorth, “EEG analysis based on time domain propertiesAnalyse EEG basee sur les series temporelles”, pp 306-310, 1970 Ho, Tin Kam (1995) “Random Decision Forests” Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, QC, 14–16 August 1995 pp 278–282 Archived from the original (PDF) on 17 April 2016 Retrieved June 2016 Michael A Nielsen, “Neural Networks and Deep Learning”, Determination Press, 2015 Abe, Prof Dr Shigeo, Support Vector Machines for Pattern Classification, Springer-Verlag, London, 2010 Chatzaki C., Pediaditis M., Vavoulas G., Tsiknakis M (2017) Human Daily Activity and Fall Recognition Using a Smartphone’s Acceleration Sensor In: Rocker C., O’Donoghue J., Ziefle M., Helfert M., Molloy W (eds) Information and Communication Technologies for Ageing Well and e-Health ICT4AWE 2016 Communications in Computer and Information Science, vol 736, pp 100-118 50 Springer, Cham, DOI 10.1007/978-3-319-62704-5_7 51 ... GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Phí Bá Chiến NGHIÊN CỨU VÀ XÂY DỰNG HỆ THỐNG PHÁT HIỆN HÀNH ĐỒNG NGÃ CỦA NGƯỜI ĐI BỘ DỰA TRÊN CẢM BIẾN CỦA ĐI? ??N THOẠI DI ĐỘNG Ngành: Kỹ thuật phần mềm Chuyên... Tổng quan hệ thống 3.2 Hệ thống phát hành động ngã người dựa cảm biến gia tốc đi? ??n thoại thông minh chia làm hai pha - Pha huấn luyện - Pha phát Hình 3-1 Tổng quan hệ thống phát hành động ngã Trong... liệu đầu vào dựa cảm biến đi? ??n thoại thơng minh, xây dựng hệ thống phát hành động (đi bộ, ngồi, chạy, ngã, …) người sống hàng ngày • Nghiên cứu thuật tốn tối ưu để nâng cao độ xác hệ thống Giảm