5. Bố cục của luận án
2.3. Xử lý dữ liệu của cảm biến
Tín hiệu cĩ nhiễu là khi giá trị tín hiệu phát ra và tín hiệu thu được khơng giống nhau, cĩ thể giá trị đĩ sẽ bị giảm hoặc tăng lên, điều này gây khĩ khăn cho các hệ thống nhận dạng. Trong nhận dạng hoạt động ở người nĩi chung và phát hiện VĐBT nĩi riêng, cho dù sử dụng phương pháp học máy nào thì việc lọc bỏ các giá
trị nhiễu, khơng liên quan hoặc ít liên quan đến vận động là rất quan trọng, điều này sẽ giúp cải thiện hiệu suất của các thuật tốn học máy, giảm thiểu các yêu cầu lưu trữ, giúp đơn giản hố mơ hình từ đĩ nâng cao được tốc độ thực thi của các hệ thống phát hiện VĐBT v.v. Cơng việc này cĩ thể thực hiện ngay ở bước tiền xử lý dữ liệu hoặc đơi khi cũng cĩ thể được thực hiện ở bước trích chọn đặc trưng (loại bỏ các đặc trưng dư thừa).
Hình 2.2. Kết quả tín hiệu gia tốc kế sau quá trình lọc nhiễu
Việc lọc bỏ tín hiệu nhiễu thường được thực hiện ở bước tiền xử lý dữ liệu và thường độc lập với các mơ hình học máy. Tuy nhiên, thuật tốn lọc cần cĩ một ngưỡng lọc để loại bỏ đi các tín hiệu nhiễu. Trong khuơn khổ của luận án này, NCS sử dụng cảm biến quán tính đeo trên người do đĩ dữ liệu lấy được từ các cảm biến cĩ thể bị nhiễu hoặc/và đơi khi bị mất (dropped). Trong trường hợp lý tưởng, nếu cảm biến gia tốc được thiết lập ở tần số lấy mẫu 100 Hz thì mỗi giây sẽ cho ra 100 mẫu với 3 giá trị trên 3 trục x, y, z. Nhưng trong thực tế, cĩ nhiều yếu tố cĩ thể gây ra sự
mất mát các mẫu giá trị như sự ảnh hưởng của các vật dụng kim loại đặt giữa cảm biến và máy thu tín hiệu hoặc cũng cĩ thể là do các tác động bên ngồi làm cho chuyển động của con người trở nên khơng bình thường v.v. Ngồi ra, các cảm biến cĩ thể tự sinh ra nhiễu tùy vào chất lượng chế tạo ra nĩ. Trong trường hợp như vậy, người ta thường sử dụng một ngưỡng cho bộ lọc để loại bỏ nhiễu, sau đĩ sinh ra giá trị phù hợp bù lại cho mẫu bị mất. Ở đây, các bộ lọc dữ liệu nhiễu bao gồm bộ lọc thơng thấp để loại bỏ các mẫu cĩ giá trị thấp bất thường và bộ lọc thơng cao để loại bỏ các mẫu cĩ giá trị cao bất thường (các tín hiệu thấp bất thường và cao bất thường khơng nằm trong ngưỡng sẽ khơng thể đi qua bộ lọc) thường được sử dụng. Sau đĩ, các mẫu được nhĩm vào các khung hay cửa sổ thời gian. Nếu một khung chứa ít hơn một số lượng mẫu quy định (khoảng 75% số mẫu) so với thơng thường, nĩ sẽ cĩ thể bị loại bỏ bởi vì khơng đủ thơng tin để phân lớp các vận động. Ngược lại, khung sẽ được lấy mẫu lại bằng cách sử dụng phương pháp nội suy Cubic Spline để bù vào mẫu bị mất. Đây là phương pháp nội suy được xây dựng tương tự như cách các kỹ sư thiết kế dùng một thiết bị cĩ tên Spline để vẽ các đường cong sao cho đẹp và thẩm mỹ. Để vẽ các đường cong này, các kỹ sư sẽ xác định các điểm (nút) rồi bẻ cong thiết bị Spline qua những điểm này và tơ theo, như vậy với sự hỗ trợ của thiết bị Spline, các kỹ sư sẽ vẽ được một đường cong mịn, khơng bị gãy khúc qua các điểm cần thiết. Nội suy Cubic Spline về mặt tốn học cũng tương đương với cách thực hiện này, chi tiết về phương pháp nội duy Cubic Spline được trình bày trong [15, 19].
Ngồi sử dụng bộ lọc thơng thấp/cao, để nâng cao độ chính xác của tín hiệu cảm biến, trong các thử nghiệm NCS cịn sử dụng thêm bộ lọc Kalman để lọc nhiễu [66, 95]. Đây là bộ lọc phù hợp với các tín hiệu rời rạc và tuyến tính, do bộ lọc sử dụng chuỗi gồm nhiều giá trị đo lường, các giá trị này chịu ảnh hưởng bởi nhiễu hoặc sai số để ước lượng biến số giúp nâng cao sự chính xác so với việc sử dụng một giá trị đo lường. Điểm nổi bật của bộ lọc Kalman là nĩ cĩ thể ước tính trạng thái quá khứ, hiện tại và ngay cả tương lai một cách hiệu quả, bộ lọc này cũng cĩ thể hoạt động tốt ngay cả trong trường hợp độ chính xác thực sự của mơ hình cịn chưa biết. Đây là bộ lọc được dùng nhiều trong các ứng dụng định hướng, định vị hay điều khiển
các phương tiện di chuyển, bộ lọc Kalman cũng được sử dụng trong lĩnh vực xử lý tín hiệu, thậm chí trong các lĩnh vực kinh tế. Hình 2.2 mơ tả tín hiệu gốc thu được từ gia tốc kế (đường màu xanh) và tín hiệu sau khi lọc nhiễu (đường màu vàng). Hình bên trên là tín hiệu khi sử dụng bộ lọc thơng thấp (Low-pass filter) và hình bên dưới là tín hiệu khi sử dụng bộ lọc Kalman.
Trong mơ hình thực nghiệm, NCS sử dụng một thiết bị phần cứng cĩ tên Raspberry PI Sense HAT được cung cấp bởi các giải pháp nhúng MLAB [90], PI Sense HAT là một máy tính nhúng cĩ giá thành rẻ (khoảng 900 nghìn VNĐ) cĩ thể kết hợp các mơ-đun cảm biến MPU6050 gồm gia tốc kế, con quay hồi chuyển, từ kế (hình 2.3, bên trái) bằng giao thức I2C (ngồi ra mơ-đun cảm biến MPU6050 cũng cĩ thể tích hợp thêm một số loại cảm biến khác như cảm biến áp suất nếu cĩ nhu cầu sử dụng). Raspberry PI Sense HAT sẽ được ghép nối với máy tính Raspberry Pi 3 cĩ cấu hình CPU 64 bit quad-core bộ vi xử lý ARM Cortex A53, RAM 1G, vi xử lý hình ảnh VideoCore IV 3D, tích hợp wireless chuẩn 802.11n và Bluetooth 4.1. Dữ liệu sau khi thu thập sẽ được tiến hành tiền xử lý, trích chọn đặc trưng và gửi lên đám mây (clouds) để nhận dạng. Để giao tiếp giữa Raspberry PI và đám mây, NCS sử dụng cổng iPico 200 IoT (hình 2.3, bên phải).
NCS tiến hành cấu hình các cảm biến như sau: Con quay hồi chuyển được cấu hình đến 2000 dps; cảm biến gia tốc được đặt thành ± 16g và tần số lấy mẫu là 50Hz; từ kế được đặt thành ± 16 gauss. Các cấu hình này được lựa chọn cẩn thận và phù hợp để cĩ thể đo bất kỳ chuyển động nào của người dùng. Khi thu thập dữ liệu, thiết bị được đeo bên hơng vì đây đã được chứng minh là vị trí tốt nhất để các cảm biến cĩ thể thu nhận dữ liệu về hướng và bất kỳ chuyển động nào của cơ thể người dùng.
Do được thiết lập ở tần số lấy mẫu là 50Hz, cảm biến sinh ra 50 mẫu một giây. Trong khi vận động, tín hiệu cảm biến được truyền khơng dây đến cổng IoT với tốc độ lấy mẫu đã thiết lập, các tín hiệu ở hàng đợi được xử lý trước trong cổng IoT. Thực tế do nhiều yếu tố tác động của mơi trường, các cảm biến thường sinh ra nhiễu đáng kể. Trong trường hợp này, bộ lọc Kalman đã được sử dụng để ước tính trạng thái hệ thống tại thời điểm hiện tại từ trạng thái ở thời điểm trước đĩ.
+1= +
(2.1)
+1= +
(2.2)
trong đĩ xt là véc-tơ trạng thái tại thời điểm t, A là ma trận chuyển tiếp trạng thái kích thước (n x n), đây là ma trận hệ số ẩn của tại trạng thái trước đĩ (trạng thái t) so với trạng thái hiện thời (t+1), wt là tạp âm chuyển tiếp trạng thái; zt là phép đo của x
tại thời điểm t; vt là nhiễu đo tại thời điểm t và H là ma trận quan sát, ma trận H cĩ kích thước (m x n) là ma trận hệ số của trị đo zt, wt.
Hình 2.4. Hình ảnh tín hiệu cảm biến của ngã từ từ; tín hiệu chuẩn hĩa (tính từ trên xuống dưới) của gia tốc kế, con quay hồi chuyển và từ kế
Các biến trạng thái bao gồm gia tốc, chuyển động quay, vận tốc gĩc v.v. do đĩ x cĩ thể được biểu diễn dưới dạng x=[a, g, m] trong đĩ a là gia tốc đo lường sự thay đổi tốc độ khi di chuyển; g là vận tốc gĩc và m là tín hiệu đo sự thay đổi từ trường (sắt từ, hướng và cường độ từ tính). Véc-tơ x được kết hợp với ma trận A biểu diễn sự thay đổi của hệ thống và ma trận H biểu diễn mối quan hệ giữa các biến trạng thái và phép đo để tạo thành các đầu vào cho hệ thống. Sau khi được lọc, tất cả các tín hiệu được chuẩn hĩa trong giới hạn [-1,1].