Mạng nơron nhân tạo, gọi tắt là mạng nơron, là một mô hình xử lý thông tin phỏng theo cách thức xử lý thông tin của các hệ nơron sinh học. Nó được tạo nên từ một số lượng lớn các phần tử nơron kết nối với nhau thông qua các liên kết (có trọng số) làm việc như một thể thống nhất để giải quyết một vấn đề cụ thể nào đó. Một mạng nơron nhân tạo được cấu hình cho một ứng dụng cụ thể (nhận dạng mẫu, phân loại dữ liệu,...) thông qua quá trình học từ tập các mẫu huấn luyện. Về bản chất, học chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơron sao cho giá trị hàm lỗi là nhỏ nhất.
Nghiên cứu [18] nhận biết trạng thái hoạt động người sử dụng mạng nơron lan truyền ngược. Đầu tiên cơ thể và hình chiếu được trích xuất từ các chuỗi ảnh của chuyển động trạng thái hoạt động. Tiếp đến, khung xương 2D được trích xuất từ hình chiếu bằng cách xác định 9 tọa độ điểm trên cơ thể. Các góc chuyển động trong chu kỳ trạng thái hoạt động được tính từ chuỗi trạng thái hoạt động để phân tích. Sau đó, thuật toán mạng nơron lan truyền ngược tăng cường được dùng để xác định các đặc điểm trạng thái hoạt động. Thử nghiệm được tiến hành trên 90 đối tượng khác nhau với bảy mô hình trạng thái hoạt động của từng đối tượng, tổng cộng 630 mô hình trạng thái hoạt động được sử dụng. Các đối tượng này được phân loại thành ba nhóm, mỗi nhóm có 30 đối tượng, dựa theo mức chất lượng của dữ liệu ở giai đoạn tiền xử lý (tốt, trung bình, yếu). Mỗi nhóm dùng 150 vector để huấn luyện, 30 vector thử nghiệm. Hệ thống sử dụng 10 đặc trưng trạng thái hoạt động của từng đối tượng làm dữ liệu đầu vào, 28 nút ẩn và 13 nút đầu ra. Để nhận dạng
35
trạng thái hoạt động, mạng nơron được huấn luyện cho đến khi hiệu quả nhận dạng trên dữ liệu huấn luyện đạt 100%. Kết quả nhận dạng đạt 90.0% với nhóm dữ liệu tiền xử lý tốt, cùng đạt 83.3% với nhóm trung bình và yếu.