Luận văn Thạc sĩ: Nghiên cứu nhận dạng hoạt động bất thường của con người bằng IoT

Bố cục của Luận văn gồm 3 chương: Chương 1 - Tổng quan về các hoạt động bất thường; Chương 2 - Nghiên cứu thiết kế các vật dụng tiện lợi gắn cảm biến; Chương 3 - Thực nghiệm và đánh giá. Mời các bạn cùng tham khảo!

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - PHAN HỮU THĂNG NGHIÊN CỨU NHẬN DẠNG HOẠT ĐỘNG BẤT THƯỜNG CỦA NGƯỜI BẰNG IOT CHUYÊN NGÀNH : MÃ SỐ: KHOA HỌC MÁY TÍNH 8.48.01.01 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) HÀ NỘI – 2020 Luận văn hồn thành tại: HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THÔNG 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 thông Vào lúc: ngày tháng năm 2020 Có thể tìm hiểu luận văn tại: I MỞ ĐẦU Lý chọn đề tài Dân số giới già nhanh chóng Theo thời gian, tỷ lệ người già tổng dân số tăng lên, tiếp tục tăng, đặc biệt nước phát triển Vì vậy, giúp người cao tuổi sống sống tốt quan trọng có lợi ích xã hội tuyệt vời Mặc dù số người lớn tuổi có lựa chọn nhà dưỡng lão, hầu hết số họ muốn nhà riêng mình, nơi họ cảm thấy quen thuộc thoải mái Vấn đề kinh phí hạn chế cho dịch vụ y tế cơng cộng thiếu hụt y tá yếu tố thúc đẩy việc áp dụng mơ hình người cao tuổi sống hỗ trợ nhà Do đó, vấn đề dưỡng lão nhà trở thành vấn đề nghiên cứu nhiều, đặc biệt vấn đề phát hoạt động bất thường Người cao tuổi sống nhà riêng cần chăm sóc khẩn cấp nhanh chóng, trường hợp xấu nhất, số người tìm thấy chết nhà họ bị trượt ngã Nếu có hệ thống giúp phát cách xác cảnh báo hoạt động bất thường họ (như trượt ngã, ngã từ giường xuống…) cho người thân người dân xung quanh, họ cứu chữa cách kịp thời Một vấn đề khác xã hội quan tâm việc chăm sóc sức khỏe, theo dõi cho người bệnh đặc biệt bệnh nhân bị rối loạn nhận thức, bệnh nhân mắc chứng bệnh Parkinson bệnh Alzheimer Những người thường có hoạt động bất thường gây nguy hiểm đến tính mạng bệnh nhân mắc bệnh Parkinson – chứng bệnh gây gây thối hóa hệ thần kinh trung ương gây ảnh hưởng đến tình trạng hoạt động, thăng kiểm soát bệnh nhận Nếu ngơi nhà nơi họ sống có thiết bị thơng minh giúp phát cảnh báo hoạt động bất thường họ họ có hội sống tốt an tồn ngơi nhà Theo truyền thống, phương pháp phát hoạt động bất thường người sử dụng camera để có liệu chuyển động tồn thân người Tuy nhiên, có vấn đề thách thức phương pháp dựa thị giác máy tính, chẳng hạn tính phức tạp tính tốn xử lý hình ảnh, tính thống liệu điều kiện chiếu sáng khác xâm phạm quyền riêng tư người Những vấn đề làm cho việc triển khai thực tế hệ thống dựa xử lý ảnh trở nên khó khăn 2 Một phương pháp tốt thay cho phương pháp xử lý ảnh phương pháp sử dụng cảm biến gắn vật dụng tiện lợi đeo thể người vòng đeo tay hay dây thắt lưng để phát hoạt động bất thường người Dữ liệu chuyển động người cảm biến thu thập nhiều so với phương pháp sử dụng camera thu thập hình ảnh chuyển động Một vấn đề sử dụng cảm biến thu thập liệu chuyển động người đảm bảo quyền riêng tư Đồng hành bùng nổ công nghệ thông tin, cách mạng công nghệ 4.0 năm gần đời giải pháp công nghệ áp dụng vào lĩnh vực y tế xã hội Nhận thấy lợi ích mà hệ thống nhận dạng hoạt động bất thường người mang lại, luận văn chọn đề tài: “Nghiên cứu nhận dạng hoạt động bất thường người IoT” Bố cục luận văn bao gồm phần mở đầu, phần kết luận chương nội dung tổ chức sau: - Chương 1: Tổng quan hoạt động bất thường Nội dung chương trình bày tổng quan hoạt động bất thường; trình bày ngắn gọn số cơng trình nghiên cứu liên quan công nghệ cảm biến trợ giúp nhận dạng theo dõi hoạt động người Từ đưa tốn cần giải luận văn - Chương 2: Nghiên cứu thiết kế vật dụng tiện lợi gắn cảm biến Chương trình bày thiết kế vịng đeo tay thơng minh, dây thắt lưng thơng minh có gắn cảm biến gia tốc; Phương pháp phân tích tiền xử lý liệu cảm biến, phương pháp phát tần suất hoạt động bất thường người; - Chương 3: Thực nghiệm đánh giá Nội dung chương bao gồm bước: thu thập liệu vận động người, hoạt động bình thường bất thường; đánh giá phương pháp phát hoạt động bất thường người Tổng quan vấn đề nghiên cứu - Nghiên cứu Jie Yin, Qiang Yang “Sensor-Based Abnormal Human-Activity Detectio” [5] Tác giả đề xuất phương pháp hai giai đoạn để phát hoạt động bất thường, xây dựng dựa liệu có sẵn hoạt động bình thường Trong giai đoạn đầu tiên, tác giả xây dựng mơ hình học máy SVM dựa hoạt động bình thường, lọc hoạt động có xác suất cao bình thường Sau đó, hoạt động đáng ngờ chuyển sang giai đoạn thứ hai để phát thêm Trong giai đoạn thứ hai, tác giả thực phân tích hồi quy phi tuyến hạt nhân (KNLR) để lấy mơ hình hoạt động bất thường - Nghiên cứu Nadezhda Sazonova, Raymond C Browning, Edward Sazonov[1] Đó nghiên cứu “Accurate Prediction of Energy Expenditure Using a Shoe-Based Activity Monitor” Nadezhda Sazonova, Raymond C Browning, Edward Sazonov Nghiên cứu phát triển thiết bị gắn giày nhúng gia tốc kế cảm biến áp suất đế giày cho việc dự đoán lượng calo tiêu thụ Việc đầu tiên, liệu thu từ cảm biến gia tốc cảm biến áp suất dùng để nhận dạng hoạt động cụ thể Sitting, Walking, Cycle Nghiên cứu sử dụng thuật toán phân nhánh để ước lượng calo tiêu thụ nhận dạng xác tư hoạt động Nghiên cứu lượng calo tiêu thụ qua nhiệt lượng gián tiếp 16 người với tập hoạt động nêu trên, để so sánh với kết ước lượng thu thập mơ hình sử dụng cảm biến gia tốc cảm biến áp suất Kết cho thấy, có liệu áp lực dẫn đến độ xác tốt dự đoán lượng tư tĩnh ngồi đứng Các hoạt động dựa mô hình phân nhánh có dự báo từ gia tốc cảm biến áp lực (BACC-PS) đạt mức lỗi thấp (ví dụ, gốc có nghĩa lỗi bình phương (RMSE) = 0,69 METS) so với mơ hình phân nhánh gia tốc dựa BACC(RMSE = 0,77 METS) mơ hình khơng phân nhánh (RMSE = 0,94-0,99 METS) So sánh mơ hình dự báo lượng sử dụng liệu từ hai chân so với mơ hình sử dụng liệu từ chân cho thấy có giày cần phải trang bị cảm biến Cảm biến gia tốc đặt mặt sau giầy với pin đổi lượng Cảm biến áp suất đặt vị trí khác nhua đế giầy Dữ liệu cảm biến lấy với tần số 25Hz chuyển qua máy tính thơng qua mạng không dây WISAN (Wireless Intelligent Sensor and Actuator Network) 4 II NỘI DUNG CHƯƠNG 1:TỔNG QUAN VỀ PHÁT HIỆN VẬN ĐỘNG BẤT THƯỜNG Giới thiệu chương: Chương trình bày cần thiết việc nhận dạng hoạt động bất thường người nói chung hoạt động bất thường người nói riêng Các giải pháp công nghệ, cách tiếp cận sử dụng nghiên cứu nhà khoa học trước Từ có nhìn tổng quan hệ thống phát vận động bất thường người 1.1 Giới thiệu Nhận dạng hoạt động người cách tự động trở thành thực Công nghệ dựa cảm biến ngày dễ tiếp cận Bằng cách gắn loại cảm biến khác vị trí thể người, hoạt động người theo dõi nhận dạng cách xác Một ứng dụng quan trọng việc nhận dạng hoạt động bất thường người giám sát an ninh, xác định hoạt động khủng bố khu vực cần an ninh cao, cá nhân vào khu vực an ninh cấp trang bị bảo mật có gắn cảm biến Thông qua nhiều cảm biến gắn liền với trang bị bảo mật cấp cho người dùng, hoạt động cá nhân theo dõi liên tục nhằm ngăn chặn hành vi khủng bố 1.2 Các nghiên cứu trước phát hoạt động bất thường a Nhận diện hoạt động bất thường cảm biến Jie Yin [5] Tác giả Jie Yin sử dụng thiết bị cảm biến MICA2 gắn vị trí vai, thắt lưng đầu gối người dùng Mỗi thiết bị MICA2 trang bị loại cảm biến khác bao gồm : cảm biến ánh sáng, cảm biến nhiệt độ, microphone, cảm biến gia tốc chiều cảm biến từ chiều Dữ liệu thu thập từ cảm biến truyền tới máy tính để xử lý Jie Yin thu thập liệu hoạt động người dùng môi trường nhà Và tác giả thu thập vài liệu hoạt động bất thường “bò lổm ngổm sàn nhà”, “ngã sàn nhà”,… Mỗi liệu vector chiều thu từ loại cảm biến gắn thiết bị Kết thuật toán nhận dạng hoạt động bất thường tác giả Jie Yin đánh giá qua hai độ đo: tỷ lệ phát (detection rate) tỷ lệ cảnh báo sai (false alarm rate) Giá trị tỷ lệ phát xác định tính tốn tỷ lệ phát hoạt động bất thường tổng số hoạt động bất thường Giá trị tỷ lệ cảnh báo sai xác định tỷ lệ số lượng hoạt động bình thường bị xác định sai thành hoạt động bất thường tổng số hoạt động bình thường Detection Rate = TN / (TN + FN) (1.2) False Alarm Rate = FP / (FP + TP) (1.3) Tác giả Jie Yin sử dụng phương pháp đường cong ROC để đánh giá hiệu thuật tốn Hình 1- - Kết thực nghiệm Jie Yin Trên hình ví dụ đường cong ROC thể kết thực nghiệm thuật toán phát hoạt động bất thường tác giả Jie Yin Từ kết cho thấy thuật toán phát hoạt động bất thường SVM+KNLR cho kết tốt b Phát hoạt động bất thường sử dụng SVM Ms Apurva Landge [12] Tác giả đề xuất phương pháp phát hoạt động bất thường người dựa hoạt động liên tiếp người, thiết kế dựa thuật toán SVM, K-Means Random Forest Sơ đồ kiến trúc mơ hình phát hoạt động bất thường tác giả: Hình 1-5 : Mơ hình phát hoạt động bất thường Apurva Landge [12] 1.3 Phạm vi giả định Luân văn nghiên cứu nhận dạng hoạt động bất thường người giới hạn 17 hoạt động danh sách Với giả định hoạt động bất thường hoạt động ngã người, cịn lại hoạt động bình thường Phạm vi giả định hoạt động bất thường : + Ngã phía trước + Ngã phía sau + Ngã bên trái + Ngã bên phải + Ngồi ghế ngã bên trái + Ngồi ghế ngã bên phải Người sử dụng phải đeo cảm biến gia tốc để gửi liệu gia tốc ứng dụng Các hoạt động diễn đủ ngắn phạm vị phịng giới hạn, khoảng truyền liệu từ cảm biến ứng dụng có giới hạn khoảng cách 7 CHƯƠNG 2: PHÁT HIỆN HOẠT ĐỘNG BẤT THƯỜNG CỦA CON NGƯỜI Chương bắt đầu thiết kế chế tạo vịng đeo tay thơng minh, dây thắt lưng thơng minh có gắn cảm biến gia tốc; phương pháp phân tích xử lý liệu cảm biến; phương pháp phát hoạt động bất thường 2.1.Thiết kế vịng đeo tay thơng minh, dây thắt lưng thông minh 2.1.1.Cảm biến gia tốc WAX3 WAX3 cảm biến gia tốc theo ba trục x,y,z có kích thước nhỏ Cảm biến có thời gian thu thập xử lý liệu ngắn phù hợp với việc thu thập xử lý liệu thời gian thực Dữ liệu mà WAX3 gửi theo gói (Packet) Để nhận biết kết thúc gói ký tự END (END = 0xC0) Vì đặc điểm mà thực chương trình, cho tiến trình chuyên bắt liệu từ WAX3 gửi về, gặp ký tự END có nghĩa đủ Packet, chương trình xử lý Packet bit bytes Format có dạng : rreeffff Nếu ee = sampleData có bytes liệu tướng ứng : Nếu ee = sampleData có bytes liệu, với cấu trúc sau : eezzzzzz zzzzyyyy yyyyyyxx xxxxxxxx Thiết bị WAX3 cấu hình đầy đủ cách sử dụng phần mêm OM (tỷ lệ mẫu, độ nhạy, tốc độ truyền tải, phạm vi hoạt động) Thiết bị đưa vào chế độ ngủ để vận chuyển an tồn Trong chế độ bình thường thiết bị cấu hình để bắt đầu truyền tải cảm biến gia tốc phát chuyển động 2.1.2.Thiết kế vịng đeo tay thơng minh Cảm biến WAX3 lắp vào mặt trước vịng đeo tay hình : Hình 2-3: Vịng đeo tay thơng minh Vịng đeo tay người sử dụng đeo vào tay bên phải thực hoạt động để thu thập liệu cảm biến từ hoạt động khác phòng 8 2.1.2.Thiết kế dây thắt lưng thông minh Cảm biến WAX3 gắn vào dây thắt lưng người sử dụng vị trí eo bên phải người đeo 2.2.Phân tích xử lý liệu cảm biến 2.2.1.Tiền xử lý liệu Như phần mô tả cảm biến WAX3 liệu cảm biến gửi dạng Packet, Packet có nhiều Sample, Sample chứa ba giá trị gia tốc theo trục x , y , z Chính ta cần lớp dùng để mô tả đóng gói liệu lại lớp WaxPacket WaxSample 2.2.2.Phân đoạn trích đặc trưng Sau có liệu nhận về, việc quan trọng, định đến khả nhận dạng hoạt động bất thường người Đó việc trích chọn đặc trưng phù hợp Sau tham khảo nhiều tài liệu liên quan tơi thấy có nhiều đặc trưng chọn, nhiên để phù hợp với đề tài "Nhận dạng hoạt động bất thường người", định sử dụng đặc trưng sau:  Trung bình cộng (Mean Value)  Độ lệch chuẩn (Standard Deviation)  Entropy thông tin  Sự tương quan (Corelation) a Trung bình cộng (Mean Value): b Độ lệch chuẩn (Standard Deviation): c Entropy Thông tin: d Độ tương quan (Correlation): 2.3.Phát hoạt động bất thường 2.3.1 Huấn luyện mơ hình học máy Thuật tốn sử dụng để huấn luyện mơ hình học máy cho đề tài One Class SVM One Class SVM coi thuật tốn SVM lớp thơng thường, tất liệu sử dụng để huấn luyện mơ hình học máy nằm lớp Vì thuật tốn chất tìm siêu phẳng (hyperplane) chứa hầu hết liệu huấn luyện 𝑓 (𝑥) = < 𝑊, 𝑋 > + 𝑏 (2.5) Trong W : vector liệu bình thường mang huấn luyện Hình 2-4 : Ví dụ hình ảnh phát điểm bất thường One Class SVM Dữ liệu cảm biến gia tốc WAX3 thu thập từ hoạt động bình thường mang huấn luyện mơ hình học máy : Dữ liệu Huấn luyện Trích chọn đặc trưng One Class SVM Model Hình 2-5 : Mơ hình huấn luyện mơ hình học máy Giải pháp thứ : chia liệu thành cửa sổ : Dữ liệu thu từ cảm biến WAX3 lúc đầu vector có dạng (x1, y1, z1, x2, y2, z2) Dữ liệu chia thành cửa sổ, cửa số 50 mẫu tương ứng với 50 vector Mỗi vector tính tốn các giá trị đặc trưng : Mean Value, Standard Deviation, Entropy Thông tin, Correlation Các giá trị đặc trưng hoạt động gán nhãn hoạt động bình 10 thường tính tốn làm liệu để huấn luyện cho thuật toán One Class SVM Đầu thuật toán thu Model cho hoạt động bình thường Sau tính toán gia trị đặc trưng 50 vector liệu, ta có vector đặc trưng 24 chiều cho liệu : (TbX1, TbY1, TbZ1 ,…… Rx2y2, Ry2z2, Rz2x2) Tập liệu hoạt động bình thường chia thành M khung, khung tính tốn vector đặc trưng dùng để huấn luyện cho mơ hình học má One Class SVM Giải pháp thứ hai : Sử dụng Hidden Markov Models để trích chọn đặc trưng Dữ liệu Huấn luyện Huấn luyện HMM Model Dữ liệu Huấn luyện HMM Model One Class SVM Model Hình 2-6 : Mơ hình huấn luyện mơ hình học máy Tồn hiệu hoạt động bình thường gán nhãn Với liệu hoạt động bình thường sử dụng làm liệu huấn luyện cho model HMM Giả sử tồn liệu hoạt động bình thường thu thập có M hoạt động bình thường Sau huấn luyện ta thu M model HMM cho hoạt động bình thường Một số mơ hình HMM hoạt động bình thường sau : Hình 2-8 : Mơ hình HMM cho hoạt động Chạy chậm Sau có M mơ hình HMM cho M loại hoạt động bình thường Với liệu từ cảm biến WAX3 (x1, y1, z1, x2, y2, z2), tính tốn giá trị log-likelihood từ mơ hình HMM hoạt động bình thường Cơng thức tính: L(Yi; λj) = log P (Yi|λj), ≤ i ≤ N, ≤ j ≤ M Trong : M số mơ hình HMM hoạt động bình thường (2.30) 11 N : số lượng số liệu (x1, y1, z1, x2, y2, z2) Bằng cách tính tốn vậy, với liệu dùng để huấn luyện, thu vector đặc trưng xi = ( L(Yi; λ1), , L(Yi; λM) ) Từ vector đặc trưng này, ta sử dụng thuật toán One Class SMV để huấn luyện mơ hình phát hoạt động bất thường 2.3.2 Phát theo dõi vận động Dữ liệu WAX3 Trích chọn đặc trưng Model Phân loại hoạt động Hình 2-8 : Mơ hình nhận dạng hoạt động bất thường Sau có Model hoạt động bình thường kết đầu trình huấn luyên Dữ liệu nhận từ cảm biến WAX3 nhận trích chọn đặc trưng Từ đặc trưng phân loại hoạt động bình thương hay hoạt động bất thường từ Model hoạt động bình thường 12 CHƯƠNG 3:THỰC NGHIỆM VÀ ĐÁNH GIÁ Chương trình bày trình thu thập liệu số hoạt động để tạo tập liệu mẫu Tiếp theo chương trình bày đánh giá phương pháp phát hoạt động bất thường chương 3.1.Thu thập liệu Luận văn sử dụng liệu CMDFALL Đây tập liệu đa thể thức nhắm đến mục đích phân tích ngã, phát người ngã, nghiên cứu chung đến từ hai trường Học viên Cơng nghệ Bưu Viễn thơng Đại học Bách Khoa Hà Nội Trong trình thu liệu, hai cảm biến gia tốc WAX3 sử dụng để thu liệu từ 50 người Các thiết bị ghi hình Kinect đặt nhiều vị trí khác xung quanh phòng, hai cảm biến gia tốc đeo cổ tay trái hông trái người thu liệu 3.2.Thử nghiệm đánh giá Các thước đo đánh giá bao gồm:  Confusion matrix: hay gọi ma trận lỗi, khái niệm học máy cho phép mô hoạt động thuật toán dạng bảng Mỗi cột ma trận đại diện cho instance lớp dự đoán, hàng đại diện cho vector đặc trưng lớp thực tế  Tỉ lệ lớp nhận dạng xác (true positive + true negative): Tỷ lệ theo phần trăm số vector đặc trưng gán lớp tổng số vector đặc trưng kiểm thử  Tỉ lệ lớp nhận dạnh khơng xác(false positive + false negative): Tỷ lệ theo phần trăm số vector đặc trưng gán lớp sai tổng số vector đặc trưng kiểm thử  accuracy : Đó tỷ lệ đối tượng dán nhãn xác cho tồn nhóm đối tượng  Precision recall hay gọi độ xác độ bao phủ  Độ đo F1 : 13 3.3 Kết Phương pháp thứ nhất, đặc trưng trích chọn cách chia liệu thành cửa sổ Mỗi cửa sổ 50 liệu cảm biến tập liệu Tính tốn đặc trưng : Trung bình cộng, độ lệch chuẩn, Entropy thông tin, độ tương quan liệu Bộ liệu hoạt động bình thường gồm 400.000 liệu cho hoạt động bình thường Chia thành cửa sổ, cửa sổ 50 liệu Tổng số cửa số hoạt động bình thường 8000 Dữ liệu hoạt động bất thường sử dụng để kiểm tra gồm 15.000 liệu, tổng số cửa sổ hoạt động bất thường 300 Kết phương pháp cho bảng sau : Ma trận lỗi : Với : : Ngã phía trước :Ngã phía sau : Ngã bên trái : Ngã bên phải : Ngã bên trái ngồi ghế : Ngã bên phải ngồi ghế : Các hoạt động khác (Hoạt động bình thường) 204 0 0 96 210 0 0 90 0 211 0 89 0 213 0 87 0 0 190 110 0 0 202 98 109 109 109 109 109 109 191 Bảng 3-3: Mã trận lỗi giải pháp thứ 14 Bảng kết tính toán độ đo : Precision Recall F11 0.68 0.65 0.66 0.70 0.66 0.68 0.70 0.66 0.68 0.71 0.68 0.68 0.63 0.64 0.63 0.67 0.65 0.66 Bảng 3-4 : Kết giải pháp thứ Phương pháp thứ hai, Sử dụng HMM để trích chọn đặc trưng Với liệu kiểm tra gồm 3000 liệu bất thường 3000 liệu hoạt động bình thường để kiểm tra Kết phương pháp : Ma trận lỗi : Với : : Ngã phía trước :Ngã phía sau : Ngã bên trái : Ngã bên phải : Ngã bên trái ngồi ghế : Ngã bên phải ngồi ghế : Các hoạt động khác (Hoạt động bình thường) 15 2590 0 0 410 2550 0 0 450 0 2597 0 403 0 2696 0 304 0 0 2135 865 0 0 2493 507 1491 1491 1491 1491 1491 1491 1509 Bảng 3-5 : Mã trận lỗi giải pháp thứ Bảng kết tính tốn độ đo : Precision Recall F11 0.86 0.63 0.85 0.63 0.72 0.87 0.63 0.73 0.90 0.64 0.75 0.71 0.59 0.64 0.83 0.62 0.71 0.73 Bảng 3-6 : Kết giải pháp thứ Từ kết thực nghiệm cho thấy, Phương pháp trích chọn đặc trưng sử dụng HMM cho kết tốt Kết độ đo phương pháp trích chọn đặc trưng HMM có độ xác cao Phân loại hoạt động bình thường bất thường tốt Trong hai phương pháp thực nghiệm cho thấy, hoạt động bất thường “Ngã bên phải” cho điểm số cao Phương pháp trích chọn đặc trưng chia cửa sổ cho độ đo F1 16 0.68, phương pháp trích chọ đặc trưng mơ hình HMM cho độ đo F1 0.75 Điều lý giải cảm biến gắn vịng đeo tay thơng minh dây thắt lưng thơng minh phía bên phải nên ngã tư đứng phía bên phải cho liệu cảm biến gia tốc dễ nhận biết Tuy nhiên ngã bên phải tư ngồi ghế cho điểm số thấp Phương pháp trích chọn đặc trưng chia cửa sổ cho độ đo F1 0.63, phương pháp trích chọn đặc trưng HMM cho độ đo F1 0.64 Tại ngồi ghế ngã bên phải, hai cảm biến vịng đeo tay thơng minh dây thắt lưng thơng gần nhau, ngã bên phải, liệu cảm biến nhận dễ bị nhầm lẫn sang hoạt động bình thường khác chậm … 17 III KẾT LUẬN Luận văn tập trung nghiên cứu phương pháp nhận dạng hoạt động người,đồng thời áp dụng vào việc nghiên cứu hoạt động phần tay phần eo thể người Dự kiến, luận văn đạt số kết sau:  Thử nghiệm đánh giá phương pháp nhận dạng hoạt động người sở lựa chọn phương pháp nhận dạng hoạt động phần tay eo thể người để phát hoạt động bất thường  Xây dựng ứng dụng demo nhận dạng số hoạt động bất thường cụ thể người Trong tương lai, luận văn tiếp tục nghiên cứu để nhận dạng nhiều hoạt động hoạt động bất thường Đồng thời, lựa chọn phương pháp tốt để mang lại tính xác cao  ... mà hệ thống nhận dạng hoạt động bất thường người mang lại, luận văn chọn đề tài: ? ?Nghiên cứu nhận dạng hoạt động bất thường người IoT? ?? Bố cục luận văn bao gồm phần mở đầu, phần kết luận chương... hoạt động bất thường tác giả: Hình 1-5 : Mơ hình phát hoạt động bất thường Apurva Landge [12] 1.3 Phạm vi giả định Luân văn nghiên cứu nhận dạng hoạt động bất thường người giới hạn 17 hoạt động. .. thường  Xây dựng ứng dụng demo nhận dạng số hoạt động bất thường cụ thể người Trong tương lai, luận văn tiếp tục nghiên cứu để nhận dạng nhiều hoạt động hoạt động bất thường Đồng thời, lựa chọn phương