Nhận dạng hoạt động của người sử dụng nhiều cảm biển (tt)

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - Tạ Thị Hà Thủy NHẬN DẠNG HOẠT ĐỘNG CỦA NGƯỜI SỬ DỤNG NHIỀU CẢM BIẾN Chuyên ngành: Hệ thống thông tin Mã số: 8.48.01.04 TÓM TẮT LUẬN VĂN THẠC SĨ HÀ NỘI - 2018 Luận văn hoàn thành tại: HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG Người hướng dẫn khoa học: PGS TS Phạm Văn Cường Phản biện 1: ………………………………………………………………… Phản biện 2: ………………………………………… ………… ……… Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Cơng nghệ Bưu Viễn thơng Vào lúc: ngày tháng năm Có thể tìm hiểu luận văn tại: - Thư viện Học viện Cơng nghệ Bưu Viễn thơng PHẦN MỞ ĐẦU Tính cấp thiết luận án Trong cuộc sống hiện nay, mọi việc đều được đơn giản và tối ưu hóa thời gian thông qua ứng dụng công nghệ vào xử lý các công việc hàng ngày, đó nghiên cứu về nhận dạng hoạt động người đạt được thành tựu vượt bậc Các công nghệ cảm biến kỹ thuật xử lý liệu có bước tiến: thu gọn hơn, xác hơn, bợ nhớ lớn hơn, tiêu thụ lượng và giá thành rẻ hơn, và có khả kết nối mạng, tạo thuận lợi thúc đẩy cộng đồng nghiên cứu chuyển dịch từ truyền, thu nhận xử lý liệu mức thấp sang nghiên cứu tích hợp thơng tin mức cao, xử lý ngữ cảnh, nhận dạng suy diễn hoạt đợng Hơn nữa, ngày có nhiều tốn thực tế cần dựa vào nhận dạng hoạt động, ứng dụng an ninh theo dõi giám sát nhận dạng hoạt động để xác định mối đe dọa về khủng bố; nhận dạng hoạt động để hỗ trợ người sớng mợt mình, người già đơn; phịng họp thơng minh, bệnh viện thông minh, v.v Cảm biến mang thể người mở nhiều ứng dụng tiềm nhận dạng hoạt động người không bị giới hạn môi trường được lắp sẵn thiết bị, mang lại khả cung cấp trợ giúp thông minh: giao tiếp ảo bất cứ nơi đâu và lúc Tuy có nhiều nghiên cứu về chủ đề này, vấn đề có tính thời thu hút cộng đồng nghiên cứu chuyên gia về công nghệ Đề tài “Nhận dạng hoạt động người sử dụng nhiều cảm biến” được thực hiện khuôn khổ luận án thạc sĩ chuyên ngành hệ thống thơng tin góp phần giải mợt sớ vấn đề cịn tồn phương pháp nhận dạng hoạt đợng sử dụng cảm biến mang người Bố cục luận án Luận án gồm 47 trang kết cấu gồm phần mở đầu, 03 chương và phần kết luận Có 03 bảng 15 hình minh họa, 31 tài liệu tham khảo tiếng Việt tiếng Anh Chương 1- TỔNG QUAN 1.1 Bài toán nhận dạng hoạt động người Nhận dạng hoạt động người đóng vai trị quan trọng ứng dụng tốn nhận dạng với sở các phương pháp được sử dụng, mục đích luận văn hướng tới nghiên cứu, tìm hiểu nhiều bợ cảm biến khác được tích hợp đồng hồ thơng minh và đơi giày về cảm biến gia tốc, cảm biến gyroscope, cảm biến nhịp tim được đeo/mang vị trí khác nhằm nâng cao hiệu quả nhận dạng hoạt động người Dữ liệu được thu thập từ ứng dụng đồng hồ thông minh và đế giày nhằm phân tích và đánh giá mợt sớ hoạt đợng hàng ngày người chơi thể thao chạy bộ, tập thể dục tay không, vươn thở, v.v 1.2 Các nghiên cứu trước 1.2.1 Nhận dạng hoạt động người sử dụng loại cảm biến Có nhiều loại hoạt động khác tùy thuộc vào ứng dụng nhận dạng hoạt đợng người Về bản, hoạt đợng người được chia làm hai loại: Hoạt đợng mức thấp hoạt động mức cao [4]  Hoạt động mức thấp bao gồm hoạt động bộ, ngồi xuống, đứng lên, hút bụi, ăn, rửa bát, v.v  Hoạt động mức cao thường gồm một tập hợp hoạt động mức thấp diễn thời gian dài lau nhà, ngắm cảnh hay làm việc văn phịng kéo dài vài phút nhiều giờ Nhận dạng hoạt động sử dụng cảm biến mang người có từ cuối thập niên 90 Nhiều nghiên cứu thành công sau nhận dạng hoạt đợng tạo động lực mạnh mẽ về việc giải vấn đề khó khăn thiết thực Mợt sớ lĩnh vực thu được nhiều lợi ích từ hoạt đợng sử dụng cảm biến mang người: an ninh [20], văn phịng, thể thao, giải trí, cơng nghiệp, đặc biệt lĩnh vực chăm sóc sức khỏe Trong đó, hoạt động sống hàng ngày (ADL) thu hút được nhiều quan tâm nhiều hoạt động nghiên cứu Giám sát hoạt động hàng ngày ưu quan trọng so với phương pháp y học truyền thống việc hỗ trợ chẩn đoán, phục hồi chức suy giảm chức mãn tính Quan trọng hỗ trợ tích cực để khuyến khích người sớng mợt lối sống khỏe mạnh Từ đó xuất hiện nhiều nghiên cứu về hoạt động đánh răng, rửa tay, ăn ́ng, ́ng th́c, hay thói quen di chuyển tính tốn tiêu thụ lượng [22] Nghiên cứu cảnh báo nguy cho sức khỏe người, ví dụ phát hiện yếu tố người lớn tuổi bị té ngã, một vấn đề sức khỏe cộng đồng quan trọng giới Gần đây, nhận dạng hoạt động trở thành một yếu tố quan trọng nhiều sản phẩm tiêu dùng Ví dụ, máy chơi trị chơi Wii Nintendo hay Kinect Microsoft Mặc dù ban đầu hệ thống được phát triển cho việc giải trí, sau đó được mở rộng sang ứng dụng khác, huấn luyện thể thao phục hồi chức Một số sản phẩm thể thao DirectLife Philips giày chạy Nike+ tích hợp cảm biến chuyển đợng dùng cho cả vận động viên chuyên không chuyên để hỗ trợ q trình lụn tập thơng qua phản hồi về hiệu suất hoạt động vận động viên Nghiên cứu Jamie A Ward cộng [21], tập trung vào việc nhận biết hoạt động liên tục xưởng gỗ, sử dụng microphone gia tớc kế ba trục gắn hai vị trí tay người dùng Các hoạt động tiềm ẩn “thú vị” được phân đoạn từ luồng liệu liên tục cách sử dụng phân tích cường đợ âm phát hiện hai vị trí khác Vì vậy, nhóm tác giả chọn microphone gia tớc kế sử dụng cảm biến đeo hai vị trí cổ tay cánh tay để nhận diện hoạt động người dùng để phát hiện hoạt động liên tục một kịch bản lắp rắp Cụ thể:  Phân đoạn tín hiệu hai micro  Ghi nhận sử dụng âm gia tốc: 1.2.2 Nhận dạng hoạt động người sử dụng nhiều loại cảm biến Nghiên cứu cảm biến hỗn hợp được phát triển năm gần đây, đó là việc sử dụng đồng thời liệu từ một cảm biến hay từ nhiều cảm biến lấy thông tin hợp để tạo nên bức tranh về trạng thái môi trường xác Việc áp dụng kỹ thuật cho phép loại bỏ bớt nhiễu, tăng hiệu quả về điều khiển ổn định [2] Có nhiều vấn đề phát sinh giải vấn đề cảm biến hỗn hợp độ bất định vốn có các phép đo cảm biến, tính đa dạng về thời gian không gian phép đo Độ bất định số liệu cảm biến không phát sinh từ tính khơng xác nhiễu phép đo, mà nó bị gây từ không rõ ràng và không đồng môi trường, khơng có khả phân biệt chúng Các biện pháp được sử dụng để tổng hợp liệu từ cảm biến loại bỏ độ bất định trên, đưa vào tính tốn thơng sớ mơi trường ảnh hưởng đến các phép đo cảm biến kết hợp tính tự nhiên khác thơng tin để có được mợt thơng tin xác mơ tả môi trường phù hợp Các thuật toán được phân loại thành ba nhóm [15]: - Suy luận xác suất, thường dựa trên: Lý thuyết suy luận Bayesian lý thuyết Dempester-Shafer; Lý thuyết thống kê; Lý thuyết vận hành đệ qui - Bình phương tối thiểu, là các phương pháp dựa trên: Bộ lọc Kalman; Lý thuyết tối ưu - Tổng hợp thông minh, là các phương pháp dựa trên: Logic mờ; Mạng neuron; Các thuật toán di trùn Các tác giả cớ gắng mơ hình hóa đợ bất định các phép đo cảm biến Với nhóm suy luận xác suất, thường sử dụng phương pháp suy luận Bayesian Cùng tồn với lý thuyết Bayes lý thuyết DempesterShafer, là lý thuyết cho phép giải kỹ về kiện không chắn xảy Tuy nhiên phương pháp này các phần tử tính tốn tăng lên cấp lũy thừa theo số cảm biến hệ thống và khó tính tốn Trong mợt sớ tốn mà liệu đầu vào bị nhiễu, địi hỏi phải có mợt phương pháp có khả đưa định dựa điều kiện không chắn, tức phải mở rộng từ việc đánh giá định lượng giá trị vật lý đến việc đánh giá theo xác suất hiện lên kết quả tổng hợp nhiều liệu cảm biến không gian một nhiều chiều Ở áp dụng kỹ thuật logic-mờ mợt phương pháp hữu ích [2] Tuy nhiên, cảm biến không giống nhau, nhiều công việc cần phải thực hiện để thực hiện suy diễn toán tổng hợp liệu từ nguồn khác nhau, đòi hỏi hệ thớng có khả tự tạo qui tắc riêng để tổng hợp liệu Số lượng cảm biến tăng tăng đợ tính tốn phức tạp; đơi khơng tính được phụ tḥc đồng thời cảm biến Một phương pháp hiệu quả để ước tính đồng thời giá trị đo cảm biến đó là bộ lọc Kalman mở rộng (EKF) Sự phụ thuộc không giống cảm biến được giải cách tính tốn thời gian xử lý khác (độ trễ) cảm biến Bảng 1.1 Tóm lược cảm biến mang người sử dụng nhận dạng hoạt động Phương pháp nhận dạng Cảm biến hoạt động Dựa vào thông tin chuyển Cảm biến gia tớc đợng thể (có thể kết Có thể kết hợp cảm biến quay hồi hợp cảm biến khác) chuyển cảm biến âm Dựa vào xác định vị trí GPS, cảm biến âm thanh, cảm biến người dùng quay hồi chuyển Dựa vào cảm biến gắn vào Bộ đọc thẻ RFID, cảm biến phát hiện tia đối tượng sử dụng hồng ngoại, chuyển mạch cộng từ, cảm biến đo nhiệt độ môi trường Dựa dấu hiệu sống Huyết áp, nhịp tim, điện não, điện tim, hô hấp, cảm biến nhiệt độ thể, cảm biến áp suất bọt, điện trở đo áp lực, cảm biến đo oxy, cảm biến độ dẫn điện da, điện tim Trong một nghiên cứu công bố Hội nghị quốc tế khoa học về điện toán tỏa khắp (Pervasive Computing) năm 2010, [31] nghiên cứu nhận biết ADL với thiết bị cảm biến hỗn hợp được trang bị là một máy camera, một microphone, và một cảm biến gia tốc kế và được gắn vào cổ tay người sử dụng giúp nhận biết được hoạt động sống hàng ngày Nắm bắt được không gian cách sử dụng thiết bị mang cổ tay giúp nhận biết sử dụng các đối tượng tay như: Pha trà, pha cà phê tưới Các thiết bị cảm biến đeo được hiện được trang bị với một microphone một cảm biến đo gia tốc nhận biết được hoạt đợng sớng hàng ngày mà khơng có cảm biến nhúng đối tượng Tuy nhiên vấn đề đặt cần tập trung cải tiến thuật toán nữa, Nhận diện hoạt động, kết hợp nhiều cảm biến phần lớn bắt nguồn từ trực giác mà hai bộ cảm biến được bớ trí tớt chuyển tiếp thơng tin về hoạt động là một cảm biến Phương pháp đơn giản so sánh định hàng đầu lớp phân loại, loại bỏ kết quả không đồng thuận 1.3 Kết chương Trong chương 1, học viên nghiên cứu tốn nhận dạng hoạt đợng người ứng dụng phổ biến Trong đó tập trung vào tốn nhận dạng hoạt đợng người sử dụng cảm biến hỗn hợp (từ loại cảm biến trở nên), phân tích các ưu, nhược điểm mợt sớ cách tiếp cận Trong năm gần nhận dạng hoạt động trở thành một yếu tố quan trọng nhiều sản phẩm tiêu dùng, máy chơi trị chơi Microsoft, điện thoại thơng minh, cảm biến đế gắn vào đề giày, cảm biến gia tốc, quay hồi chuyển gắn thể người một cách thuận tiện mở một triển vọng to lớn lĩnh vực Tuy nhiên thuật toán cần phải được cải tiến, sử dụng kết hợp cảm biến khác để nhận dạng có hiệu quả Chương 2- NHẬN DẠNG HOẠT ĐỘNG SỬ DỤNG NHIỀU CẢM BIẾN 2.1 Các cảm biến 2.1.1 Cảm biến gia tốc Hoạt động gia tốc kế: Định luật II về chuyển động Newton phát biểu vector gia tốc một vật hướng với lực tác dụng lên vật Độ lớn vector gia tốc tỉ lệ thuận với độ lớn vector lực tỉ lệ nghịch với khối lượng vật Định luật này thường được phát biểu dạng phương trình F=ma, với F lực tác dụng lên vật, m khối lượng vật a gia tốc vật đó Gia tốc kế một thiết bị dùng để đo biến đổi gia tốc đối tượng mang thiết bị 6 Hình 2.1: Cảm biến gia tốc tuyến tính Tín hiệu thu được với cảm biến gia tớc có thành phần: gia tớc trọng trường cung cấp thông tin về tư chủ thể, thành phần tăng tốc thể cung cấp thông tin về chuyển động chủ thể Nhiều nghiên cứu trước chứng minh 85-95% cho đánh giá nhận dạng hành động, tư hành vi khác sử dụng liệu cảm biến gia tốc Các nghiên cứu trước chứng minh hình thức vận đợng bộ, chạy bộ, leo cầu thang và các tư ngồi, nằm, đứng được ghi nhận với đợ xác từ 83 – 95% sử dụng cảm biến gia tốc hông, đùi mắt cá chân Tuy nhiên nghiên cứu Ling Bao Intille cho thấy đùi và cổ tay vị trí thích hợp để đặt cảm biến gia tớc để phát hiện ADL Hệ thống nhận dạng hành vi nên sử dụng liệu với liệu vị trí khác nhau, cho phép người dùng mang theo thiết bị vị trí thuận tiện cho mợt bới cảnh định Liên quan đến số lượng cảm biến để nhận diện xác Hình 2.2: Tóm tắt nghiên cứu trước nhận dạng hành vi sử dụng cảm biến gia tốc Ling Bao & Intille, 2004 cho thấy việc sử dụng cảm biến ảnh hưởng khoảng 5% đợ xác so với một hệ thống dùng cảm biến So sánh cảm biến gia tốc trục trục làm tăng chi phí mà phong phú liệu là không đáng kể Số lượng tối đa cảm biến được ghi nhận cảm biến gia tốc đơn trục [12] Các loại gia tốc kế thông dụng hiện đều có khả đo biến đổi gia tốc theo cả chiều: x, y, z Hình 2.3 mơ tả chiều mợt gia tốc kế các điện thoại di động thông minh (smartphone), đó x trục hướng theo chiều ngang thiết bị, y trục hướng theo chiều thẳng đứng thiết bị và z hướng từ sau trước Hình 2.3: Gia tốc kế chiều smartphone (Nguồn: https://goo.gl/97bEFb) Đơn vị thông dụng được dùng để đo biến thiên gia tốc G m/s2 Hai đơn vị được chuyển đổi lẫn công thức: 1G =9.8m/s2 Tùy loại gia tớc (đợ nhạy) mà chúng đo được biến đổi gia tốc cho chiều khoảng từ [-1G, +1G] [-3G, 3G] Hình 2.4: Nguyên lý đo gia tốc theo trục y (Nguồn: https://goo.gl/gB74Kj) Khi đặt gia tốc kế thẳng đứng theo trục y, tác đợng trọng lực khới lượng chuyển đợng (seismic mass) bị kéo xuống giá trị chuẩn trạng thái +1G Khi di chuyển khoang chứa (housing) lên x́ng theo phương thẳng đứng khới lượng chuyển động di chuyển, dẫn đến giá trị y thay đổi Độ biến thiên y phụ thuộc vào việc gia tốc chuyển động khoang chứa theo chiều thẳng đứng Một gia tốc nhiều chiều bao gồm nhiều đơn vị đo gia tớc Hình 2.4 được đặt theo nhiều hướng khác Hình 2.6 minh họa giá trị x, y, z một số trường hợp khác nhau: (1) là trường hợp đặt gia tốc kế đứng yên theo phương thẳng đứng trục y; (2) là trường hợp di chuyển gia tốc kế lên xuống theo phương thẳng đứng (trục y); (3) là trường hợp di chuyển gia tốc kế qua lại theo chiều ngang (trục x); và (4) là trường hợp di chuyển gia tốc kế tới lui (trục z) 8 Hình 2.5 minh họa giá trị x, y, z Nhận dạng hoạt động sử dụng liệu cảm biến gia tớc người dùng tự gán nhãn: Các tính trung bình, lượng, entropy và tương quan được trích từ liệu gia tớc Hoạt đợng nhận dạng các tính này được thực hiện cách sử dụng bảng định, nghiên cứu dựa vào cá thể (IBL hàng xóm gần nhất), định C4.5 lớp phân loại naive Bayes được tìm thấy Bợ cơng cụ Thuật tốn học máy Weka [19] Cây được sử dụng cho kết quả tớt với đợ xác 80% nghiên cứu nhận dạng hoạt động sử dụng liệu cảm biến gia tốc được gán nhãn người dùng [23] Dữ liệu thu từ cảm biến chiều được đặt vị trí khác thể Các đặc trưng được lựa chọn bao gồm trung bình, lượng, mợt sớ tḥc tính miền tần sớ sử dụng FFT và được tính cửa sổ trượt kích thước 512 mẫu 50% trùng lặp (overlap), tần số lấy mẫu 76.25 Hz, cửa sổ chứa 6.7 giây Hình 2.6: Một số đặc trưng trích chọn 2.1.2 Cảm biến gyroscope Ta xét chuyển động quay trường trọng lực, quanh điểm cố định nằm trục đới xứng z Hình 2.7: Chuyển động quay trường trọng lực quanh điểm cố định Khi quay quay nhanh tác dụng lên trục quay một lực 𝐹⃗ đầu trục quay dịch chuyển theo phương vng góc với 𝐹⃗ Tính chất đó gọi hiệu ứng hồi chuyển Do đó ta gọi quay hồi chuyển 9 Hệ thống toạ độ gia tốc Một gia tốc ba trục trả về giá trị dịch chuyển một thân dọc theo trục X, trục Y trục Z A Triaxial Gyroscope thiết bị trả về giá trị xoay vòng thân dọc theo trục X (Di chuyển từ bên sang bên kia), Y (nghiêng và phía trước) trục Z (Xoay từ chân dung sang phong cảnh và ngược lại) Gyroscope một thiết bị được sử dụng để đo vận tớc góc trì phương hướng, dựa nguyên tắc bảo toàn mô men động lượng Con quay hồi chuyển hoạt đợng giớng với mợt gia tớc kế nó cung cấp thơng tin xác ví dụ để biết xác mợt đối tượng được định hướng Trong gia tốc được ảnh hưởng trọng lực, không phải là quay vòng và đó chúng tạo bổ sung tuyệt vời cho Chúng đo vận tớc góc đơn vị quay vịng / phút (RPM), độ giây (°/s) Ba trục xoay được tham chiếu chủ yếu nhiều tài liệu cuộn, âm thanh, khe hở [6] Nghiên cứu Li cộng [1] đề xuất kết hợp quay hồi chuyển gia tốc kế để phát hiện hành vi té ngã Các tác giả sử dụng mạch TEMP (Technology-Enabled Medical Precision Observation) 3.0, mạch gồm gia tốc kế quay hồi chuyển Một mạch được gắn ngực đối tượng cần được theo dõi mạch được gắn chân, đoạn đầu gối hông Dữ liệu gia tốc kế được sử dụng để xác định biến thiên chuyển đợng, cịn quay hồi chuyển dùng để tính đợ quay đới tượng 2.1.3 Cảm biến nhịp tim Các cảm biến y học, có nhiều ứng dụng việc theo dõi hoạt động sinh lý theo dõi nhiệt độ thể, nhịp tim, hoạt động não, vận động bắp liệu quan trọng khác Các gia tốc kế thường được sử dụng để giám sát hoạt động người về bản được sử dụng để đo gia tốc dọc theo một trục nhạy cảm một dải tần sớ cụ thể Có mợt sớ loại gia tớc kế có sẵn dựa các phương pháp điện áp chuyển đổi (piezoelectric), thay đổi điện dung Thông thường tất cả chúng đều sử dụng một nguyên tắc hoạt động một khối lượng đáp ứng với gia tốc cách gây một nguồn co giản một thành phần tương đương để kéo giãn nén tương ứng với gia tốc đo được Cảm biến điện tâm đồ (ECG) đeo được dùng để đánh giá bệnh tim mạch Một hệ thống chuyển đổi analog-to-information không đồng bộ được đưa vào để đo khoảng RR (khoảng cách từ mợt sóng R đến sóng R liền sau nó) tín hiệu điện tâm đồ ECG Hệ thớng có chứa mợt hiệu chỉnh chuyển đổi ngang mức từ các định lượng vật lý sang sớ ( analogto-digital) mợt thuật tốn để phát hiện các đỉnh R từ liệu lấy mẫu ngang qua mợt khới nén liệu 10 Hình 2.8: Biểu đồ biểu diễn thiết bị cảm biến đơn giản mang Hình 2.9: Biểu đồ trình bày Hệ thống (HAM) giám sát hoạt động người Hình 2.10: Hình ảnh hệ thống giám sát thơng số sinh lý học mang Trong nghiên cứu Nadezhda Sazonova cộng sự, gia tốc (Accelerometry-ACC) lên là một cách tiếp cận phổ biến đến dự báo lương (EE) [28] Các máy đo gia tốc đơn có một hạn chế về đánh giá thấp đáng kể chi phí lượng các tư tĩnh hoạt động thường trực (ví dụ: cơng việc gia đình) và các hoạt đợng khơng có trọng lượng (ví dụ xe đạp) Do đó, họ khơng giải thích được mợt phần đáng kể biến đổi chi phí lượng cho cuộc sống thường ngày Một chiến lược để cải thiện dự đoán EE được sử dụng cảm biến đa năng, thêm gia tốc kế loại cảm biến khác (ví dụ nhịp tim) [9] Ví dụ, kết hợp nhịp tim và ACC được chứng minh cải thiện bản tính xác dự báo chi phí lượng [9], sử dụng gia tốc kế đa Gần đây, một số nghiên cứu chứng minh dự đoán EE được cải thiện với một máy gia tốc đơn cách sử dụng các phương pháp tiếp cận mơ hình phức tạp bao gồm mạng thần kinh nhân tạo, độ trể phân bớ mơ hình hố trục thuật tốn phân nhánh Để định lượng xác chi phí lượng hoạt động thể chất nhân tố bản nổ lực để hiểu được rối loạn chuyển hóa lượng Actiheart một thiết bị cảm biến kết hợp giám sát nhịp tim chuyển động [9] Để kiểm tra khía cạnh đợ tin cậy và đợ xác Actiheart thiết lập học và quá trình bợ chạy đơn vị Actiheart, đánh giá độ tin cậy kỹ thuật (hệ sớ biến thiên, CV) tính hợp lý chuyển động với gia tốc sinusoid (0.1-20 m / s2) cho nhịp tim (HR) 11 mô sóng xung R (25-250 beats per minutes (bpm)-sớ nhịp đập một phút) Thống Actiheart và ECG được xác định thời gian nghỉ ngơi và vận động máy chạy bộ (3.2-12.1 km / h) Đi bộ chạy cường độ (trong J/phút/kg) được đánh giá phép đo nhiệt lượng gián tiếp 11 người đàn ông và phụ nữ (26-50 y, 20-29 kg / m2) và được mô từ vận động, HR, movement ỵHR bng hi quy a tuyn tớnh, iờu chnh cho tình dục Kết quả: CV trung bình tĩnh mạch lần lượt là 0,5 và 0,03% đối với chuyển động HR CV liên tiếp tương tác giá trị 5,7 0,03% với một số chứng không liên quan đến chuyển đợng Mới quan hệ tuyến tính chuyển đợng gia tớc mạnh (R2 ¼0.99, Po0.001) Mô sóng R được phát hiện vòng phút / phút từ 30 đến 250 phút / phút Các 95% giới hạn thống Actiheart electrocardiogram (ECG), đánh giá điện và tim là 4,2 đến 4,3 bpm Tương quan với cường đợ nhìn chung cao (R240.84, Po0.001) cao kết hợp HR chuyển động 2.2 Tiền xử lý Các liệu thô (raw data) cần phải được tiền xử lý trước phân đoạn trích chọn đặc trưng Tại bước tiền xử lý, tín hiệu cảm biến được đưa vào bộ lọc dải thông thấp (low-pass filter) để loại bỏ tín hiệu có cường đợ q thấp và sau đó được đưa vào bộ lọc dải thông cao (high-pass filter) để loại bỏ tín hiệu có cường độ quá cao mà được coi nhiễu (noise) Các ngưỡng lọc (threshold) cho loại cảm biến được xác định tay thông qua một thử nghiệm nhỏ (pilot) Những tín hiệu mát q trình thu nhận liệu được tái tạo lại thuật tốn nợi suy tuyến tính (linear interpolation) Sau được tiền xử lý liệu thô cảm biến gia tốc được chia cửa sổ-tuần tự (sliding window) Một cách lựa chọn cửa sổ dựa vào việc nhận được dự định được thực hiện thời gian thực hay không Đối với ứng dụng online, cửa sổ được xác định song song với tập liệu, và đối với ứng dụng offline cửa sổ cần xác định trước thu thập liệu Các phương pháp được sử dụng phổ biến cửa sổ trượt, tín hiệu được chia cửa sổ khơng có khoảng trớng Tuy nhiên, kế hoạch này có nhược điểm là các kích thước cửa sổ được thiết lập mợt cách tùy tiện, dẫn đến việc tách liệu một nơi không thuận tiện, không ghi được “toàn bộ chu kỳ” hoạt động cần được ghi nhận Kỹ thuật được sử dụng với chồng chéo (thơng thường 50%) Trong nghiên cứu sử dụng cửa sổ với kích thước 100 mẫu (tương ứng với giây liệu) chồng chéo 50% 12 2.3 Trích chọn đặc trưng 2.3.1 Đặc trưng cảm biến gia tốc 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛 𝑛 Standard deviation: 𝑆𝐷 = |√𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒| 𝑀𝑒𝑎𝑛 = 2 𝑥 +⋯+ 𝑥𝑛 Root Mean square: 𝑥𝑅𝑀𝑆 = √ (2.1) (2.2) (2.3) 𝑛 Correlation: 𝜌𝑥,𝑦 = 2.3.2 𝑐𝑜𝑣 (𝑥,𝑦) 𝜎𝑥 𝜎𝑦 Đặc trưng cảm biến gyroscope Pitch = 𝑎𝑟𝑐𝑡𝑔 ( 𝑥 √𝑦 +𝑧 Roll = 𝑎𝑟𝑐𝑡𝑔 ( 𝑦 √𝑥 +𝑧 ) ) (2.4) (2.5) (2.6) Zero crossing rate: điểm (time point) mà tín hiệu trùn qua mợt nửa phạm vi tín hiệu 2.4 Phân lớp liệu Sau trích chọn các đặc trưng để tạo thành các véc tơ đặc trưng làm đầu vào mơ hình phân loại Chúng tơi lựa chọn mơ hình học máy là: bảng định (Decision Table), mạng xác suất Bayes (Baysian Nets), rừng ngẫu nhiên (Random Forests) được cài đặt sẵn bộ thư viện WEKA để thử nghiệm (chi tiết thử nghiệm được trình bày chương 3) Dưới là trình bày tóm tắt về thuật tốn học máy 2.4.1 bảng định (Decision Table) a) Bảng định (Decision Table) công cụ hỗ trợ định có nhiều lựa chọn được đưa và có nhiều điều kiện tác động lên lựa chọn Bảng định được sử dụng phổ biến nhiều lĩnh vực phân tích kinh doanh, quản lý, chăm sóc khách hàng, thiết kế, kiểm tra hoạt động… tính đơn giản hiệu quả Mợt bảng định gồm phần sau [18]: Condition statements: Các điều kiện (nguyên nhân - Cause) Condition entries: Các kết hợp (combination) các Condition statements gọi là các luật (rules) Action statements: Các hành động (kết quả mong muốn- Effect) Action entries: Mối liên hệ Condition statements và Action statements, cho biết hành động nào được thực hiện các điều kiện tương ứng thỏa mãn b) Các bước để xây dựng Decision Table 13 Xác định tất cả các điều kiện; Xác định tất cả các hành đợng; Tính sớ kết hợp các điều kiện; Điền các kết hợp (rule) vào bảng; Loại bỏ kết không cần thiết (hợp xung đột dư thừa); Điền các hành động (action) vào bảng tương ứng với các kết hợp Nhiệm vụ là xác định một chức phù hợp hệ thống mà có kết hợp yếu tớ đầu vào Nên chia chúng thành tập và đối ứng với tập một lúc Một ta xác định các điều kiện cần phải được kết hợp, sau đó đặt chúng vào một bảng liệt kê tất cả kết hợp và đánh giá True và False cho điều kiện 2.4.2 mạng xác suất Bayes (Baysian Nets) Bayesian Belief Networks (BBNs) gọi Bayesian Networks (BNs) hay Belief Networks (BNs) được phát triển vào cuối năm 1970s Đại học Stanford [10] BBNs là mơ hình đồ thị (graphical model) thể hiện mối quan hệ nhân – quả (cause – effect) biến BBNs chủ yếu dựa lý thuyết xác suất có điều kiện hay gọi lý thuyết Bayes (Bayesian theory, hay Bayes’ theory) Chính thế, kỹ thuật có tên gọi Bayesian Belief Networks (BBNs) BBNs cịn mợt dạng biểu đồ ảnh hưởng (influence diagram), kết hợp hài hòa lý thuyết xác suất lý thuyết đồ thị để giải hai vấn đề quan trọng: tính khơng chắn tính phức tạp, được ứng dụng rợng rãi tốn học kỹ thuật [26] Cấu trúc mạng BBNs Hình 2.11 thể hiện cấu trúc mạng BBNs tổng quát hơn, phức tạp với nhiều nút (nodes) nhiều cạnh liên kết (edges) [26] Hình 2.11: Cấu trúc mạng BBNs tổng quát 2.4.3 rừng ngẫu nhiên (Random forest) Thuật toán RF - RandomForest một thuật toán đặc biệt dựa kỹ thuật lắp ghép, Về bản chất thuật toán RF được xây dựng dựa nền tảng thuật toán phân lớp phân loại hồi quy, sử dụng kỹ thuật có tên gọi “bagging” Thuật tốn cho phép lựa chọn mợt nhóm nhỏ tḥc tính nút để phân chia cho mức phân lớp Bằng cách chia nhỏ khơng gian tìm kiếm thành nhỏ cho phép thuật tốn phân loại mợt cách nhanh chóng cho dù khơng gian tḥc tính lớn Các tham số đầu vào thuật toán khá đơn giản bao gồm tḥc tính được chọn lần phân chia Giá trị mặc định tham 14 số này là bậc hai p với p sớ lượng tḥc tính Sớ lượng được tạo không hạn chế và không sử dụng kỹ thuật nào để hạn chế mở rộng Phải lựa chọn tham số cho biết số lượng được sinh cho đảm bảo mợt tḥc tính được kiểm tra mợt vài lần Thuật tốn sử dụng kỹ thuật “out of bag” để xây dựng tập huấn luyện phương pháp kiểm tra 2.5 Kết chương Công nghệ cảm biến nhận dạng hoạt động người hiện phát triển một tốc độ nhanh, từ cảm biến cớ định cảm biến mang người vị trí khác Đồng thời sử dụng cảm biến kết hợp gia tốc kế, quay hồi chuyển, để cung cấp thông tin về hành vi người dùng, từ đó cho phép hệ thớng tính tốn chủ đợng hỗ trợ người dùng công việc Cảm biến gia tốc được dùng nhiều khả đo được cả tần suất lẫn cường đợ chuyển đợng, kết hợp với một số cảm biến khác quay hồi chuyển hay cảm biến âm để tăng hiệu quả nhận dạng hoạt động nhiều điều kiện môi trường khác Điều quan trọng là chương này học viên tập trung nghiên cứu tiếp cận về tiền xử lý và phân đoạn Sau được tiền xử lý trích chọn đặc trưng, chúng tơi lựa chọn ba mơ hình học máy bảng định (Decision Table), mạng xác suất Bayes (Baysian Nets), rừng ngẫu nhiên (Random Forests) được cài đặt sẵn bộ thư viện WEKA để thử nghiệm Chương 3- THỬ NGHIỆM VÀ ĐÁNH GIÁ 3.1 Thu thập gán nhãn liệu 3.1.1 Công cụ thu liệu Sử dụng cảm biên gia tốc chiều không dây WAX3 [14] và đồng hồ thông minh Samsung Gear S2 [31] để thu liệu Hình 3.1: Cảm biến gia tốc WAX3 đồng hồ thông minh Gear S2 Thiết bị WAX3 Samsung Gear S2 Bảng 3.1 Vị trí, giá trị cảm biến đo Vị trí Dữ liệu thu Dữ liệu sử dụng Đế giầy Gia tốc Gia tốc chân phải Cổ tay phải Gia tốc, gyroscope, Gia tốc, Gyroscope nhịp tim, độ sáng 15 Trong phạm vi luận văn này, sử dụng liệu gia tốc từ WAX3, liệu gia tốc gyroscope từ đồng hồ Gear S2 3.1.2 Tiến hành thu thập liệu Thực hiện thu liệu 13 người có độ tuổi từ 19-25, thực hiện hoạt động thể thao hành đợng có thời lượng thu từ 0-2 phút, tần số lấy mẫu 50Hz Các hoạt động một nhóm được thu một phiên (chứa một file video file liệu từ đồng hồ cảm biến WAX3) hoạt động thể thao theo thứ tự bao gồm: Duỗi tay; Đi dạo; Đi lên cầu thang; Nhảy; Không xác định; Đứng; Chạy; Đi xuống cầu thang Mỗi bản ghi liệu thu được từ cảm biến WAX3 có: ACCEL,yyyy-MM-dd HH:mm:ss.SSS, X_acc_shoes, Y_acc_shoes, Z_acc_shoes Trong đó X_acc_shoes, Y_acc_shoes, Z_acc_shoes lần lượt giá trị cảm biến gia tốc trục x, y z Ví dụ liệu cảm biến WAX3 ACCEL,2017-09-24 03:21:25.059,155,12191,0.0234375,0.0234375,0.65625 ACCEL,2017-09-24 03:21:25.079,155,12192,0.03125,0.0234375,0.6640625 ACCEL,2017-09-24 03:21:25.099,155,12193,0.03125,-0.03125,0.6640625 … Mỗi bản ghi liệu thu được từ đồng hồ có format: yyyy-MM-dd;HH:mm:ss:SSS; X_acc_watch,Y_acc_watch,Z_acc_watch; X_gyr_watch,Y_gyr_watch, Z_gyr_watch; un, un, un Trong đó X_acc_watch, Y_acc_watch, Z_acc_watch, X_gyr_watch, Y_gyr_watch, Z_gyr_watch lần lượt giá trị cảm biến gia tốc gyroscope đồng hồ, liệu cuối không sử dụng 2017-9-24;10:21:16:204; 6.123232841491699, 6.252446174621582, 0.9475577473640442; -82.31999969482422, 16.239999771118164, 51.380001068115234; -1, -1; 17; 100 2017-9-24;10:21:16:215; 6.123232841491699, 6.252446174621582, 0.9475577473640442; -82.31999969482422, 16.239999771118164, 51.380001068115234; -1, -1; 17; 100 2017-9-24;10:21:16:226; 6.123232841491699, 6.252446174621582, 0.9475577473640442; -82.31999969482422, 16.239999771118164, 51.380001068115234; -1, -1; 17; 100 2017-9-24;10:21:16:237; 6.424728870391846, 6.2668023109436035, 0.5120640397071838; 7.28000020980835, -23.030000686645508, 16 16.450000762939453; -1, -1; 17; 100 2017-9-24;10:21:16:247; 6.424728870391846, 6.2668023109436035, 0.5120640397071838; 7.28000020980835, -23.030000686645508, 16.450000762939453; -1, -1; 17; 100 2017-9-24;10:21:16:258; 6.424728870391846, 6.2668023109436035, 0.5120640397071838; 7.28000020980835, -23.030000686645508, 16.450000762939453; -1, -1; 17; 100 … 3.2 Phân tích đánh giá kết Để đánh giá kết quả thực nghiệm ta sử dụng mợt sớ đợ đo phổ biến Precision (đợ xác), Recall (đợ phủ) Pricision và recall được tính sử dụng ma trận lỗi Precision: các hành động được gán nhãn L có tỷ hoạt đợng được gán nhãn 𝑡𝑝 (3.1) 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑡𝑝 + 𝑓𝑝 Recall: các hành đợng có nhãn L có tỷ lệ hoạt động gán nhãn 𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑡𝑝 𝑡𝑝+𝑓𝑛 (3.2) Trong trình thực nghiệm chọn liệu thu thập liệu để đánh giá mô hình được huấn luyện Ta thu được kết quả: TD 0,743 0,853 0,707 0,904 0,783 0,96 0,916 0,937 0,847 Precision BN 0.95 0.879 0.419 0.636 0.693 0.793 0.931 0.918 0.835 RF 0.981 0.997 0.991 0.986 0.99 0.997 0.998 0.989 TD 0,972 0,931 0,593 0,641 0,613 0,795 0,918 0,794 0,846 Recall BN 0.946 0.793 0.775 0.795 0.676 0.9 0.878 0.819 0.811 RF 0.995 0.958 0.991 0.959 0.994 0.989 0.989 a = hand stretching b = walking c = going up stairs d = Jumping e = unknown f = standing g = running h = going down stairs Trung bình Ma trận nhầm lẫn (confusion matrix) phân loại 08 hoạt đợng với thuật tốn có nhận xét sau: 17 3.2.1 Ma trận nhầm lẫn (confusion matrix) với thuật toán Table Decision a b c d e f g h < classified as 563 0 1 | a = hand stretching 29 2742 73 88 | b = walking 17 129 224 0 | c = going up stairs 26 17 12 141 10 | d = Jumping 52 251 542 14 17 | e = unknown 14 318 59 | f = standing 39 11 22 938 | g = running 18 60 0 36 443 | h = going down stairs Hình 3.2: Ma trận nhầm lẫn (confusion matrix) với thuật tốn DecisionTable Thực nghiệm đới với hoạt đợng thực hiện đánh giá chéo 10 lần theo thuật toán được trình bày cụ thể sau Ma trận nhầm lẫn với thuật toán Decision Table (DT) hàng ngang thứ cho thấy đợ xác hành đợng duỗi tay – hand stretching (a) 563 động tác tương ứng 97,20%, đối chiếu theo hàng cho thấy nhận dạng hoạt đợng có hành đợng nhầm lẫn 16 lần, bao gồm bộ - walking (b) 09 lần, không xác định-unknown (e) nhầm lẫn 05 lần, chạy bộ -running (g) nhầm lẫn 01 lần và xuống cầu thang – going down stairs (h) nhầm lẫn 01 lần Ở hàng ngang thứ hai đợ xác hành động bộ (b) 2742 trường hợp tương ứng 93,10%, lúc đó nhận dạng nhầm lẫn có 06 hành động 201 lần bao gồm (a) 29 lần, hành động bộ lên cầu thang – going up stairs (c) 73 lần, hành động nhảy -Jumping (d) 03 lần, (e) 88 lần, (g) 05 lần, (h) 06 lần Hàng ngang thứ ba, đối với hành động lên cầu thang (c) độ xác 224 lần tương ứng 59,30%, có nhận dạng nhầm lẫn 04 hành động 154 lần, bao gồm (a) 17 lần, (b) 129 lần, (d) 01 lần, (e) 02 lần (h) 05 lần Hàng ngang thứ tư, đợ xác hành đợng nhãy (d) là 141 trường hợp tương ứng 64,10%, nhận dạng nhầm lẫn có 06 hành đợng là 79 trường hợp, bao gồm (a) 26 lần , (b) 17 lần, (c) 12 lần, (e) 08 lần, (f) 10 lần, (g) 06 lần Hàng ngang thứ năm, nhân dạng hành động khơng xác định (e) có đợ xác 542 trường hợp tương ứng 61, 30% so sánh với nhận dạng nhầm lẫn có 07 hành đợng là 342 trường hợp, bao gồm (a) 52 lần, (b) 251 lần, (c) 04 lần, (d) 03 lần, (f) 01 lần, (g) 14 lần, (h) 17 lần 18 Hàng ngang thứ sáu nhận dạng hành động đứng chỗ (f) có độ xác 318 trường hợp tương ứng với 79,50%, đó nhận dạng nhầm lẫn có 04 hành động là 82 trường hợp, bao gồm (a) 14 lần, (c) 02 lần, (d) 07 lần (g) 59 lần Hàng ngang thứ bảy, nhận dạng hành động chạy bợ (g) có đợ xác 938 lần tương ứng với 91,80%, đó nhận dạng nhầm lẫn có 07 hành đợng 84 trường hợp, bao gồm (a) 39 lần, (b) 08 lần, (c) 02 lần, (d) 01 lần, (e) 11 lần, (f) 22 lần, (h) 01 lần Hàng ngang thứ tám, nhận dạng hành động (h) có đợ xác 443 trường hợp tương ứng 79%, đó nhận dạng nhầm lẫn có 04 hành động là 115 trường hợp, bao gồm (a) 18 lần, (b) 60 lần, (e) 36 lần g 01 lần 3.2.3 Ma trận nhầm lẫn (confusion matrix) với thuật toán Baysian Nets a b c d e f g h < classified as 548 22 1 | a = hand stretching 2337 363 26 187 14 14 | b = walking 13 52 293 12 | c = going up stairs 18 175 16 | d = Jumping 198 34 598 19 15 | e = unknown 0 10 360 26 | f = standing 13 14 14 73 897 | g = running 52 10 31 457 | h = going down stairs Hình 3.3: Ma trận nhầm lẫn (confusion matrix) với thuật toán Baysian Nets (BN) Ma trận nhầm lẫn với thuật toán BN hàng ngang thứ cho thấy nhận dạng có độ xác hành đợng (a) là 548 trường hợp tương ứng với 94,60%, đó nhận dạng nhầm lẫn có 05 hành đợng 51 lần, bao gồm (b) 06 lần, d (01 lần), (e) 22 lần, (f) 01 lần, (h) 01 lần Hàng ngang thứ hai nhận dạng hành đợng (b) có đợ xác 2337 lần tương ứng 79,30%, đó nhận dạng nhầm lần có 06 hành đợng 609 trường hợp, bao gồm (a) 05 lần, (c) 363 lần, (d) 26 lần, (e) 187 lần, (g) 14 lần (h) 14 lần Hàng ngang thứ ba, nhận dạng hành đợng (c) có đợ xác 293 lần tương ứng với 77,50%, đó nhận dạng nhầm lẫn có 06 hành động 85 lần, bao gồm (a) 13 lần, (b) 52 lần, (d) 12 lần, (e) 02 lần, (g) 01 lần (h) 05 lần Hàng ngang thứ tư, nhận dạng hành đợng (d) có đợ xác 175 lần tương ứng với 79,5%, đó nhận dạng nhầm lẫn có 05 hành đợng bao gồm (a) 03 lần, (c) 18 lần, (e) 06 lần, (f) 16 lần, (g) 02 lần 19 Hàng ngang thứ năm, nhận dạng hành đợng (e) có đợ xác 598 trường hợp tương ứng với 67,60%, đó nhận dạng nhầm lẫn có 07 hành đợng 286 lần, bao gồm (a) 08 lần, (b) 198 lần, (c) 09 lần, (d) 34 lần, (f) 03 lần, (g) 19 lần, (h) 15 lần Hàng ngang thứ sáu, nhận dạng hành đợng (f) có đợ xác 360 trường hợp tương ứng với 60,00%, đó nhận dạng nhầm lẫn có 04 hành đợng 40 lần, bao gồm (c) 01 lần, (d) 10 lần, (e) 03 lần, (g) 26 lần Hàng ngang thứ bảy, nhận dạng hành đợng (g) có đợ xác 897 trường hợp tương ứng với 87,80%, đó nhận dạng nhầm lẫn có 06 hành đợng 125 lần, bao gồm (b) 13 lần, (c) 05 lần, (d) 14 lần, (e) 14 lần, (f) 73 lần, (h) 06 lần Hàng ngang thứ tám, nhận dạng hành đợng (h) có đợ xác 457 trường hợp tương ứng với 81,9%, đó nhận dạng nhầm lẫn có 06 hành đợng 101 lần, bao gồm (b) 52 lần, (c) 10 lần, (d) 03 lần, (e) 31 lần, (f) 01 lần, (g) 04 lần 3.2.4 Ma trận nhầm lẫn với thuật toán Random Forests a b c d e f g h < classified as 579 0 0 0 | a = hand stretching 2932 12 0 | b = walking 16 362 0 0 | c = going up stairs 218 0 | d = Jumping 34 0 848 | e = unknown 0 0 400 0 | f = standing 0 1016 | g = running 0 0 552 | h = going down stairs Hình 3.4: Ma trận nhầm lẫn (confusion matrix) với thuật toán Random Forests Ma trận nhầm lẫn (confusion matrix) với thuật toán Random Forests hàng ngang thứ cho thấy nhận dạng có đợ xác hành động (a) là 579 trường hợp tương ứng với 100,00%, khơng có nhận dạng nhầm lẫn khơng có 07 hành đợng cịn lại Hàng ngang thứ hai cho thấy nhận dạng có đợ xác hành đợng (b) là 2932 trường hợp tương ứng với 99,50%, đó nhận dạng nhầm lẫn có 03 hành động 14 lần, bao gồm (c) 01 lần, (e) 12 lần (h) 01 lần Hàng ngang thứ ba cho thấy nhận dạng có đợ xác hành động (c) là 362 trường hợp tương ứng 95,80%, đó nhận dạng nhầm lần có hành đông (b) là 16 lần 20 Hàng ngang thứ tư cho thấy nhận dạng có đợ xác hành động (d) là 218 trường hợp tương ứng 99,10%, đó nhận dạng nhầm lần có (b) 01 lần (g) 01 lần Hàng ngang thứ năm cho thấy nhận dạng có đợ xác hành động (e) là 848 trường hợp tương ứng 95,90%, đó nhận dạng nhầm lần có 02 hành động 36 lần, bao gồm (b) 34 lần, (g) 02 lần Hàng ngang thứ sáu cho thấy nhận dạng có đợ xác hành đợng (f) là 400 trường hợp tương ứng 100,00%, đó không có nhận dạng nhầm lần 07 hành đợng cịn lại Hàng ngang thứ bảy cho thấy nhận dạng có đợ xác hành đợng (g) là 1016 trường hợp tương ứng 99,40%, đó nhận dạng nhầm lẫn có 02 hành đợng (d) 02 lần (f) 04 lần Hàng ngang thứ tám cho thấy nhận dạng có đợ xác hành động (h) là 552 trường hợp tương ứng 98,90%, đó nhận dạng nhầm lẫn có hành động (b) 06 lần Từ kết quả ta phát biểu rằng, đợ xác kiểm tra chéo 10 lần cả ba thuật toán đối với ma trận nhầm lẫn cho thấy thuật toán Random Forests nhận dạng có đợ xác cao với 6907 trường hợp tổng số 6987 trường hợp, tương ứng 98,85%, nhận dạng nhầm lẫn 80 lần tương ứng 1,15% Sự nhận dạng có đợ xác thứ hai thuật toán Decision Table với 5911 trường hợp nhận dạng xác tổng sớ 6987 trường hợp tương ứng 84,60%, nhận dạng nhầm lẫn 1076 trường hợp, tương ứng 15,40% Nhận dạng có đợ xác thấp 03 thuật toán ma trận thuật toán Bayes Nets nhận dạng xác 5665 trương hợp tổng số là 6987 trường hợp tương ứng 81,08%, nhận dạng nhầm lẫn 1322 lần tương ứng 18, 92% 3.2.4 Đánh giá độ xác theo lớp TD 0,743 0,853 0,707 0,904 0,783 0,96 0,916 0,937 0,847 Precision Recall BN RF TD BN RF 0.95 0,972 0.946 a = hand stretching 0.879 0.981 0,931 0.793 0.995 b = walking 0.419 0.997 0,593 0.775 0.958 c = going up stairs 0.636 0.991 0,641 0.795 0.991 d = Jumping 0.693 0.986 0,613 0.676 0.959 e = unknown 0.793 0.99 0,795 0.9 f = standing 0.931 0.997 0,918 0.878 0.994 g = running 0.918 0.998 0,794 0.819 0.989 h = going down stairs 0.835 0.989 0,846 0.811 0.989 Trung bình Bảng 3.2 Độ xác theo lớp theo thuật tốn thực nghiệm 21 Đợ xác theo lớp bảng 3.2 cho ta thấy thuật toán DT tỷ lệ nhận dạng đợ xác hành động (c) thấp so với các hành động khác mức 70,70% tiếp đến là hành động (a) 74,30% và (e) 78,30% Hành động (b) mức trung bình là 85,30% Nhận dạng hoạt đợng có đợ xác cao thuật toán này là hành động (f) 96,00%, (h) 93,70%, tiếp đến là (g) 92,00%, (d) 90,40% Đối với thuật toán BN nhận dạng hoạt đợng có đợ xác thấp là hành động (c) 41,90%, tiếp đến là (d) 63,60% Nhận dạng hoạt đợng xác mức đợ trung bình là hành động (e) 69,30%, (f) 79,30% (b) 87,90% Nhận dạng hoạt đợng xác mức đợ cao là (a) 95,00%, (g) 93,10% (h) 90,89% Đối với thuật toán RF đợ xác theo lớp cho thấy nhận dạng hoạt đợng có đợ xác tương đới đồng đều và đều mức cao so với mức cao hai thuật toán DT và BN chúng đều mức 98,00%-100% Rõ ràng nhận dạng hoạt đợng có đợ xác cao tḥc về thuật toán RF Bảng 3.2 rằng, độ phủ ba thuật toán DT; BN RF có đợ nhận dạng xác vùng thấp là hành đợng (c) lần lượt là 59,30%; 77,50% và 95,80% tương ứng Hành động (e) 61,30%; 67,60% và 95,90% tương ứng Tiếp đến là hành động (d) là 64,10%; 79,59% và 99,10% tương ứng Nhận dạng hoạt đợng xác nằm vùng trung bình là hành đợng (h) 79,40%; 81,90%; 98,90% tương ứng Nhận dạng hoạt đợng xác nằm vùng cao là các hành động (g) 91,80%; 87,80% và 99,40% tương ứng; tiếp đến là hành động (b) là 93,10%; 70,30% và 99,50% tương ứng và được nhận dạng mức cao là hành dộng (a) 97,20%; 94,60% và 100% tương ứng 3.6 Kết chương III Tổng hợp mợt sớ thuật tốn nghiên cứu và đề xuất phương pháp trích xuất đặc trưng để giải vấn đề xây dựng phương pháp nhận dạng hiệu quả cho nhiều loại hoạt động người Nghĩa là, phương pháp trich xuất đặc trưng đề xuất tạo các đặc trưng phù hợp với nhiều kiểu liệu, giúp nâng cao độ xác và đợ phủ hệ thớng nhận dạng hoạt động kể cả số hoạt động tăng lên nhiều Giới thiệu bộ công cụ đo, phương pháp đo và các thuật toán liên quan đến thực nghiệm Đưa vào thử nghiệm đánh giá tập liệu theo thuật toán Random Forests Đây là phương pháp phân lớp hồi quy dựa việc kết hợp kết quả dự đoán một số lượng lớn định Đưa vào thực nghiệm mợt sớ thuật tốn đánh giá đợ xác, đợ phủ bảng định (Decision Table) công cụ hỗ trợ định có nhiều lựa chọn được đưa và có nhiều điều kiện tác động lên lựa chọn tính đơn giản hiệu quả nó; đồng thời đưa vào thử nghiệm 22 đánh giá mơ hình rừng ngẫu nhiên-RF thời gian hạn chế 1,75 giây kết quả cho thấy mơ hình RF khả quan, có đợ xác và đợ phủ cao 98,8% so với đợ xác và đợ phủ hai mơ hình cịn lại lần lượt 84,7 84,6 (%) (DT) thời gian 1,56 giây; 83,50 81,11% (BN) thời gian 0,57 giây Sai sớ bình phương gớc thuật toán DT; BN; RF lần lượt 0,11; 0,21; 0,06 cho thấy mơ hình RF dạt sai sớ bình phương gớc nhỏ tiếp đến DT thứ ba BN Sai số tuyệt đối trung bình DT; BN; RF lần lượt 0,099; 0,048; 0,016 cho thấy mơ hình RF dựa gia tớc kế có sai sớ tụt đới trung bình nhỏ so với mơ hình BN DT hiệu quả so với mơ hình nghiên cứu trước KẾT LUẬN Nhận dạng hoạt động người một chủ đề nghiên cứu được nhiều người, nhiều lĩnh vực quan tâm tính toán nhận biết ngữ cảnh, tính tốn khắp nơi, tương tác người-máy, tính toán di động, ứng dụng nhận dạng hoạt động lĩnh vực hàng không, công nghiệp, thể thao, y tế Luận án Thạc sĩ này học viên nghiên cứu một hướng tiếp cận về chủ đề này, nhận dạng hoạt động sử dụng cảm biến mang người Đó là sử dụng cảm biên gia tốc chiều không dây WAX3 [14], và đồng hồ thông minh Samsung Gear S2 [31] để thu liệu Dù có chung nhiều vấn đề về mặt phương pháp luận với các lĩnh vực nghiên cứu khác xử lý ngôn ngữ tự nhiên, nhận dạng tiếng nói, nhận dạng hoạt đợng dựa cảm biến mang theo người đòi hỏi các phương pháp tính tốn chun biệt kể cả tận dụng phương pháp hiện sử dụng các lĩnh vực khác Sở dĩ bên cạnh vấn đề chung toán nhận dạng mẫu, có mợt sớ vấn đề mang tính đặc thù đới với nhận dạng hoạt động sử dụng cảm biến mang người Sau nghiên cứu tiếp cận về tiền xử lý và phân đoạn, được tiền xử lý trích chọn các đặc trưng, lựa chọn ba mơ hình học máy bảng định (Decision Table), mạng xác suất Bayes (Baysian Nets), rừng ngẫu nhiên (Random Forests) được cài đặt sẵn bộ thư viện WEKA để thử nghiệm, tập trung giải hai vấn đề, đó là đảm bảo nhận dạng hoạt động xác 08 hoạt đợng địi hỏi thời gian bị hạn chế về tài nguyên; Sử dụng phần mềm Weka để trích xuất phân tích liệu cho thấy: Kết quả mơ hình rừng ngẫu nhiên-RF thời gian hạn chế 1,75 giây cho thấy mơ hình RF khả quan, có đợ xác và đợ phủ cao 98,8% so với đợ xác và đợ phủ hai mơ hình cịn lại lần lượt 84,7 84,6 (%) (DT) thời gian 1,56 giây; 83,50 81,11% (BN) thời gian 0,57 giây 23 Sai sớ bình phương gớc thuật tốn DT; BN; RF lần lượt 0,11; 0,21; 0,06 cho thấy mơ hình RF dạt sai sớ bình phương gớc nhỏ tiếp đến DT thứ ba BN Sai sớ tụt đới trung bình DT; BN; RF lần lượt 0,099; 0,048; 0,016 cho thấy mơ hình RF dựa gia tớc kế có sai sớ tụt đới trung bình nhỏ so với mơ hình BN DT hiệu quả so với mơ hình nghiên cứu trước Hệ thớng rừng ngẫu nhiên dễ sử dụng, có bợ phần mềm Weka hỗ trợ tính tốn nhanh chóng cung cấp liệu người dùng, nhiên thời gian dài hơn./  ... 1.2.1 Nhận dạng hoạt động người sử dụng loại cảm biến Có nhiều loại hoạt đợng khác tùy thuộc vào ứng dụng nhận dạng hoạt đợng người Về bản, hoạt đợng người được chia làm hai loại: Hoạt. .. gian xử lý khác (độ trễ) cảm biến Bảng 1.1 Tóm lược cảm biến mang người sử dụng nhận dạng hoạt động Phương pháp nhận dạng Cảm biến hoạt động Dựa vào thông tin chuyển Cảm biến gia tớc đợng... sử dụng kết hợp cảm biến khác để nhận dạng có hiệu quả Chương 2- NHẬN DẠNG HOẠT ĐỘNG SỬ DỤNG NHIỀU CẢM BIẾN 2.1 Các cảm biến 2.1.1 Cảm biến gia tốc Hoạt động gia tốc kế: Định luật II