Với sự phát triển của cơng nghệ chế tạo cảm biến, cĩ nhiều cảm biến được nghiên cứu, phát triển và sử dụng trong các sản phẩm thương mại với mục đích thu thập các thơng tin về hoạt động hàng ngày của con người. Dữ liệu mà chúng thu thập ngày càng đa dạng và khơng đồng nhất. Đối với các hệ thống phát hiện hoạt động, các dữ liệu thơ thu thập từ các cảm biến thường khơng cĩ giá trị nhận dạng nếu khơng được xử lý.
Trong trường hợp này, cần sử dụng các phương pháp học máy để xử lý các dữ liệu này bằng bằng việc tạo ra các mẫu giúp mơ tả, phân tích và nhận dạng hoạt động. Trong lĩnh vực học máy cĩ một số phương pháp chính sau: học cĩ giám sát (supervised learning), học bám giám sát hay nửa giám sát (semi-supervised learning), học khơng cĩ giám sát (unsupervised learning) và học tăng cường (reinforcement learning). Với mục đích kết hợp các đặc trưng cảm biến, học viên thử nghiệm sử dụng phương pháp học cĩ giám sát vì lý do trong các bài tốn phát hiện hoạt động, cần phải đưa ra kết quả là một nhãn (đĩ là hoạt động gì) nên phương pháp học này đã được chứng minh là phù hợp hơn các phương pháp khác, học cĩ giám sát cũng thường được sử dụng rộng rãi và cĩ hiệu quả trong các hệ thống chăm sĩc sức khỏe như hỗ trợ phục hồi chức năng và ra các quyết định lâm sàng.
Cĩ một số thuật tốn thường được sử dụng trong học cĩ giám sát để xây dựng các bộ phân lớp bao gồm: máy vector hỗ trợ (Support Vector Machine - SVM); k láng giềng gần nhất (K Nearest Neighbours - KNN); tính tốn các xác suất chưa biết dựa trên các xác suất cĩ điều kiện khác (Nạve Bayes - NB); cây quyết định (Decision Tree - DT); mạng nơron (Neural Network - Nnet); rừng ngẫu nhiên (Random Forest) hay tuyến tính bình phương nhỏ nhất (Linear Least Square Fit – LLSF).
Trong thử nghiệm với bài tốn phát hiện ngã thì mơ hình học máy là máy véc tơ hỗ trợ (Support Vector Machines).
Mơ hình SVM (Support Vector Machines) cĩ thể duy trì các đặc trưng tổng quát trên dữ liệu khơng nhìn thấy khi chúng xây dựng các bản đồ nhập các đặc trưng vào một khơng gian đặc trưng mới cĩ kích thước cao hơn bằng cách sử dụng một hàm hạt nhân; chúng cĩ thể tìm thấy một siêu phẳng (hyper plane) với đường phân biệt (max- margin) lớp đối tượng trong khơng gian mới. Trong luận văn này, học viên sử dụng SVM trong LibSVM [30] với hạt nhân cơ sở hướng tâm (RBF). Tham số C và gamma của SVM đã được chọn bởi một thủ tục tìm kiếm lưới trên một tập con của tập dữ liệu do học viên thu thập.
2.5. Kết luận chương
Trong nội dung chương này, học viên đã giới thiệu về hai loại cảm biến đĩ là cảm biến gia tốc (accelerometer) và cảm biến con quay hồi chuyển (gyroscope). Tiến hành trích chọn các đặc trưng của hai cảm biến, đề xuất phương pháp kết hợp các loại đặc trưng; đồng thời học viên cũng đề xuât sử dụng mơ hình học máy SVM cho bước phân loại cho bài tốn phát hiện ngã. Chương kế tiếp là thực nghiệm để phân tích và đánh giá phương pháp được trình bầy trong chương này.
9 CHƯƠNG 3: THỬ NGHIỆM VÀ ĐÁNH GIÁ