5. Bố cục của luận án
3.2.3.1. Thiết lập các mơ hình thử nghiệm
Để đánh giá kết quả phát hiện VĐBT bằng CNN một cách chính xác, NCS đã thực hiện thêm thử nghiệm sử dụng các tập dữ liệu trên với mơ hình máy véc-tơ hỗ trợ (SVM) và rừng ngẫu nhiên (RF) và tiến hành so sánh hai mơ hình với nhau, các mơ hình thử nghiệm được thiết lập như sau:
Máy véc-tơ hỗ trợ (SVM): Với các bước tiền xử lý và trích xuất đặc trưng từ dữ liệu cảm biến được tham khảo từ nghiên cứu [77]. Các véc-tơ tính tốn từ các cửa sổ trượt được dùng để huấn luyện mơ hình SVM với tham số C=1, lămda là kết quả của tìm kiếm lưới (grid search) và hàm nhân RBF.
Rừng ngẫu nhiên (RF): Tiêu chí tách được thiết lập để đạt được thơng tin; chiều sâu tối đa là 7 với độ tin cậy là 0,16; N = 50 là số cây quyết định trong RF, các giá trị này được chọn theo phương pháp kinh nghiệm thơng qua các thử nghiệm nhỏ và quy trình xác thực chéo 4 lần trên một tập con của tập dữ liệu đã thu thập.
Mạng nơ-ron nhân chập (CNN): Được hiệu chỉnh để tương thích với dữ liệu cảm biến của từng tập dữ liệu thử nghiệm [26]: Số lớp nhân chập là 3, cĩ 2 lớp max pooling và theo sau là 2 lớp kết hợp đầy đủ. Số đầu ra của lớp softmax được điều chỉnh bằng số nhãn VĐBT trên từng tập dữ liệu. Để cải tiến hiệu suất huấn luyện và dự đốn, NCS sử dụng kỹ thuật tối ưu Rectified Adam [72].
3.2.3.2. Kết quả
NCS sử dụng phương pháp kiểm chứng chéo 10 lần (10-fold cross validation). Đối với phương pháp này, mỗi tập dữ liệu được chia thành 10 phần bằng nhau; 9 phần được lấy ra để huấn luyện và 1 phần được sử dụng để kiểm chứng. Quá trình này được lặp lại cho đến khi cả 10 phần được kiểm chứng và kết quả được tính trung bình. Kết quả thử nghiệm được trình bày trong bảng 3.1.
Bảng 3.1. Kết quả của mơ hình sử dụng CNN trên 4 tập dữ liệu (%)
Tập dữ liệu Độ chính xác Độ bao phủ F1-score
UTD 93,25 95,46 94,34
MobiFall 88,12 88,91 88,51
PTITAct 88,86 93,34 91,04
CMDFALL 83,08 81,34 82,20
Trung bình 88,33 89,76 89,02
Với mơ hình thử nghiệm, CNN cho kết quả nhận dạng đúng trung bình trên cả 4 tập dữ liệu khoảng 90%. Với riêng từng tập dữ liệu, UTD cho kết quả cao nhất 94,34% vì đây tập dữ liệu đơn giản, tập dữ liệu này chỉ cĩ 1 vận động ngã, tiếp theo là MobiFall cho kết quả 88,51% với 4 vận động ngã. Tập dữ liệu PTITAct với 8 vận động ngã cho kết quả khá tốt lên đến 91,04%. Với CMDFALL, đây là tập dữ liệu rất phức tạp với 11 vận động ngã và giống như vận động ngã, do đĩ kết quả của mơ hình CNN với tập dữ liệu này là thấp nhất với 82,20%.
Bảng 3.2. So sánh kết quả (F1-score) của mơ hình sử dụng CNN, RF và SVM trên 4 tập dữ liệu (%)
Phương pháp/tập dữ liệu UTD MobiFall PTITAct CMDFALL
SVM 85,17 78,84 87,12 45,26
RF 88,95 80,41 84,92 51,21
CNN 94,34 88,51 91,04 82,20
SVM và RF là bộ phân loại đã từng cho kết quả khá tốt với các đặc trưng được trích chọn thủ cơng [77]. Tuy nhiên từ bảng 3.2 cĩ thể thấy rằng, so với các mơ hình học sâu sử dụng CNN thì sử dụng RF và SVM cho kết quả thấp hơn đáng kể trên cả 4 tập dữ liệu, đặc biệt trên tập dữ liệu CMDFALL, RF chỉ đạt được hiệu suất nhận dạng 51,21%, SVM là 45,26% trong khi đĩ với CNN là 82,20%. Điều này cho thấy, CNN với khả năng học các đặc trưng tự động rất tốt qua các phép nhân chập giữa các
bộ lọc, đã lựa chọn được các đặc trưng với đặc tính khơng-thời gian (spatial) hiệu quả trong nhận dạng vận động ngã ở người.
3.3. Mơ hình mạng bộ nhớ dài - ngắn phát hiện VĐBT