Luận án Phân tích thông minh tín hiệu video Hỗ trợ cho hệ thống Giám sát chăm sóc sức khỏe

- Khó khăn phi kỹ thuật: cơ sở dữ liệu video, vấn đề về quyền riêng tư. 
1.6.2.2. Trích đặc trưng trong hệ thống HMS đề xuất 
 Do môi trường quay trong nhà, camera gắn cố định và nền tĩnh nên 
dùng phương pháp trừ nền GMM để phân vùng đối tượng. 
 Các bộ mô tả đặc trưng thay đổi tùy ứng dụng, nhằm khai thác được 
những đặc điểm nổi bật nhất và khác biệt nhất của từng loại hành động 
cần nhận dạng. 
1.6.2.3. Nhận dạng hành động trong hệ thống HMS đề xuất 
 Từ các phân tích ở mục 1.5.3, mô hình HMM được chọn dùng trong 
các hệ thống HMS đề xuất, vì lý do: (1) không phụ thuộc tốc độ thực 
hiện hành động, (2) cho kết quả nhận dạng tốt, (3) có thể mở rộng HMM 
chuẩn nhằm phục vụ những mục đích đặc biệt. 
1.7. Kết luận chương 1 
 Đóng góp chính của chương là phân tích, đánh giá ưu khuyết điểm 
của các nghiên cứu về IVA. Đây là cơ sở để định hướng các vấn đề 
nghiên cứu tiếp theo trong luận án. 
 Chương 2: HỆ THỐNG HMS TRÊN NỀN KỸ THUẬT IVA 
 Chương này trình bày cấu trúc và tính toán trong các hệ thống HMS 
đề xuất, nhằm hướng đến ba ứng dụng như đã trình bày ở 1.6.1. 
 Các kết quả nghiên cứu về hệ thống HMS đề xuất đã được công bố ở 
các công trình [9]-[12] trong Danh mục công trình của tác giả. 
 8 
2.1. Phân vùng đối tượng theo phương pháp trừ nền GMM 
 Nguyên lý phân vùng đối tượng là so sánh khung hình hiện tại với 
mô hình nền, qua đó phân chia khung hình thành vùng chứa đối tượng 
chuyển động và vùng nền. Mô hình nền được xây dựng dựa trên mô 
hình GMM cho từng điểm ảnh và liên tục được cập nhật theo thời gian. 
 Sau đó, áp dụng các phép hình thái toán học để làm mịn đường biên 
và lấp đầy các lỗ nhỏ bên trong vùng chứa đối tượng nhằm tạo nên một 
ảnh mặt nạ hoàn hảo dùng cho các bước xử lý tiếp theo. 
 Hình 2.1 là một ví dụ về phân đoạn đối tượng bằng trừ nền GMM. 
 Hình 2.1. Kết quả phân đoạn đối tượng bằng trừ nền GMM. 
2.2. Mô tả đặc trưng trong hệ thống HMS phát hiện té ngã 
2.2.1. Đặc điểm té ngã 
2.2.2. Tính toán vector đặc trưng té ngã 
 Sự khác biệt rõ rệt giữa hành động “té ngã” và “không té” thể hiện ở 
hình dạng và tốc độ chuyển động. Do đó đặc trưng kết hợp hình dạng 
với tốc độ3 được chọn dùng trong luận án và được tính qua 4 bước sau: 
Bước 1: Xác định ellipse bao quanh đối tượng trong ảnh mặt nạ. 
Bước 2: Tính các đặc trưng hình dạng dựa vào hình ellipse để biết tư thế 
của đối tượng, gồm: 
- Góc đứng tức thời của khung hiện tại, 
- Độ thay đổi góc đứng trong 15 khung liên tiếp, 
- Độ lệch tâm tức thời, 
- Độ thay đổi trọng tâm đối tượng trong 15 khung liên tiếp. 
3 Ngo và cộng sự (2012) 
 9 
Bước 3: Tính đặc trưng tốc độ chuyển động để biết tốc độ chuyển động 
nhanh hay chậm của đối tượng, dựa vào ảnh lịch sử chuyển động MHI 
(Motion History Image) được xây dựng từ 15 khung liên tiếp. 
Bước 4: Kết hợp đặc trưng hình dạng với đặc trưng tốc độ. 
2.3. Mô tả đặc trưng trong hệ thống HMS phát hiện dáng đi 
bất thường 
2.3.1. Đặc điểm dáng đi 
2.3.2. Tính toán vector đặc trưng dáng đi 
 Do có sự khác biệt giữa hình dạng các ảnh mặt nạ trích từ các loại 
dáng đi bệnh lý khác nhau nên bộ mô tả đặc trưng hình dạng dựa vào 
moment Hu4 được chọn để mô tả dáng đi. 
 Vì kết quả tính các giá trị của moment Hu rất bé nên áp dụng phép 
logarit để chuyển các vector đặc trưng ở rất gần nhau trong không gian 
gốc sang không gian mới, ở đó chúng cách nhau đủ xa để dễ xử lý hơn. 
2.4. Mô tả đặc trưng trong hệ thống HMS phát hiện hành động 
bất thường 
 Hệ thống phát hiện hành động bất thường đề xuất dựa trên hệ thống 
nhận dạng hành động như trên Hình 2.2. 
 Hình 2.2. Cấu trúc hệ thống phát hiện hành động bất thường. 
2.4.1. Cơ sở xây dựng bộ mô tả đặc trưng hành động 3D GRF 
 Bộ mô tả đặc trưng 3D GRF dựa trên ý tưởng của đặc trưng nhị phân 
4 Huang và cộng sự (2010) 
 10 
là mô tả quan hệ hình học giữa các điểm quan tâm trên cơ thể, nhưng 
dùng số thực có dấu thay cho số 0/1, nhằm khai thác các ưu điểm và hạn 
chế khuyết điểm của đặc trưng nhị phân như đã phân tích ở 1.4.3. 
2.4.2. Xác định dữ liệu vào của bộ mô tả đặc trưng 3D GRF 
 Dữ liệu vào là tọa độ 3D của các điểm trên cơ thể (Hình 2.3), được 
ước lượng dựa vào vật đánh dấu (marker) hoặc tín hiệu video. 
 (a) (b) (c) 
 Hình 2.3. Mô hình cơ thể 
 (a) Ảnh gốc, (b) Mô hình 13 điểm, (c) Mô hình 3D 
 Phương pháp dựa vào marker chính xác nhưng chi phí cao và phức 
tạp. Phương pháp dựa vào tín hiệu video có giá thành rẻ hơn và thực 
hiện đơn giản hơn. Qua tìm hiểu, phương pháp5 được chọn dùng do sai 
khác ước lượng tốt nhất so với các phương pháp dựa vào video khác. 
2.4.3. Tính toán vector đặc trưng 3D GRF 
 Xét 6 hành động “đánh bốc”, “vẫy tay”, “chạy chậm”, “đi bộ”, “đá”, 
“ném” có sẵn trong các cơ sở dữ liệu công cộng. Phân tích các cử động của 
cơ thể khi thực hiện 6 hành động này, có thể đề xuất Bảng 2.1 mô tả GRF. 
2.4.3.1. Tính đặc trưng khoảng cách 
 Đặc trưng khoảng cách là khoảng cách có dấu giữa các bộ phận quan 
tâm trong cơ thể và có thay đổi rõ rệt trong khi thực hiện hành động. 
 Đặc trưng 1A là khoảng cách có dấu giữa điểm quan tâm với mặt 
phẳng đứng (coronal plane), dấu +/- chỉ ra điểm quan tâm ở trước/sau 
thân. Mặt phẳng đứng xác định bởi 3 điểm {p1, p2, p3} lần lượt là {Hông 
5
 Shian-Ru Ke và cộng sự (2011) 
 11 
trái, Hông phải, Vai phải}, {Hông trái, Hông phải, Vai trái}, {Vai trái, 
Vai phải, Hông phải}, và {Vai trái, Vai phải, Hông trái}; điểm quan tâm 
p4 lần lượt là Tay phải, Tay trái, Chân phải, Chân trái tương ứng với đặc 
trưng F1, F2, F3, F4. Vậy tính đặc trưng 1A chính là tính khoảng cách có 
dấu giữa điểm p4 và một mặt phẳng xác định bởi {p1, p2, p3}. 
 Đặc trưng 1B là khoảng cách có dấu giữa Tay với mặt phẳng dọc 
(saggital plane), dấu +/- chỉ cho biết Tay ở bên phải/trái cơ thể. 
 Bảng 2.1. Tập các đặc trưng 3D GRF 
2.4.3.2. Chuẩn hóa đặc trưng khoảng cách 
 Chuẩn hóa nhằm đảm bảo giá trị của đặc trưng khoảng cách F1-F6 
không bị phụ thuộc vào khoảng cách giữa camera và đối tượng. 
2.4.3.3. Tính đặc trưng góc 
 Đặc trưng góc là góc đo giữa hai đoạn thẳng quan tâm trên cơ thể và 
có thay đổi rõ rệt trong khi thực hiện hành động. Tính đặc trưng góc 
chính là tính góc tạo bởi hai vector v1 và v2 có chung điểm gốc là p và có 
điểm ngọn tương ứng là p1 và p2. 
2.4.4. Bộ mô tả đặc trưng 3D GRF cải tiến 
 Trong trường hợp hành động cần nhận dạng gồm “xem giờ”, “vòng 
tay”, “gãi đầu”, “ngồi xuống”, “đứng dậy”, “xoay người”, “đi bộ”, “vẫy 
tay”, “đấm”, “đá” và “nhặt đồ”, đặc trưng 3D GRF nên được cải tiến để 
mô tả hành động hữu hiệu hơn. GRF cải tiến gồm 15 đặc trưng: giữ lại 8 
đặc trưng gốc, thay thế 2 đặc trưng gốc và bổ sung 5 đặc trưng mới. 
2.5. Nhận dạng hành động dựa trên mô hình HMM 
2.5.1. Giới thiệu mô hình HMM 
 12 
 Một mô hình HMM được xác định bởi tập λ = {A, B, π} và giá trị N, 
M; với A là ma trận chuyển tiếp, B là ma trận quan sát, π là xác suất trạng 
thái khởi đầu, N là số trạng thái ẩn và M là số ký hiệu quan sát. 
 Có nhiều loại mô hình HMM, trong đó loại HMM trái-phải là phù 
hợp với mô hình hóa hành động trong đoạn video. 
2.5.2. Ứng dụng mô hình HMM vào nhận dạng hành động 
 Trong pha huấn luyện, cần huấn luyện một mô hình HMM cho mỗi 
hành động cần nhận dạng từ chuỗi vector huấn luyện. 
 Trong pha kiểm tra, cần tính likelihood mà mỗi mô hình HMM có 
thể sinh ra chuỗi vector kiểm tra, từ đây kết luận về hành động cần nhận 
dạng dựa theo tiêu chuẩn likelihood cực đại. 
2.5.3. Mô hình HMM-Kmeans 
2.5.3.1. Nguyên lý hoạt động của HMM rời rạc 
 Dữ liệu vào huấn luyện là chuỗi vector huấn luyện được rời rạc hóa 
bằng cách lượng tử hóa vector (ví dụ dùng Kmeans6) để tạo ra một bảng 
mã. Dữ liệu vào kiểm tra là chuỗi vector kiểm tra được rời rạc hóa bằng 
cách mã hóa vector dựa vào bảng mã này. 
2.5.3.2. Lượng tử hóa vector dựa vào Kmeans 
 Nhằm hạn chế các khuyết điểm của Kmeans, thực hiện một số thay đổi 
như: (1) thí nghiệm với K thay đổi, (2) ứng với mỗi K thực hiện Kmeans 
nhiều lần rồi lấy trung bình cộng của các bảng mã trung gian, (3) thay giá 
trị trung bình bằng giá trị trung vị khi xác định trọng tâm nhóm. 
2.5.4. Mô hình HMM nhận dạng hành động gần tuần hoàn 
2.5.4.1. Khái niệm hành động gần tuần hoàn 
 Từ “gần tuần hoàn” được dùng theo nghĩa là các tư thế (hoặc tham 
số đặc trưng) của hành động lặp lại theo chu kỳ. Tuy nhiên, sự lặp lại 
này không hoàn toàn giống nhau từ chu kỳ trước đến chu kỳ sau. 
2.5.4.2. Mô hình HMM tuần hoàn CHMM 
 Là HMM trái-phải với một chuyển tiếp từ trạng thái cuối về trạng thái 
đầu như Hình 2.4 để biểu thị sự lặp lại của các tư thế trong hành động. 
6 Glenn Fung (2011) 
 13 
 ! a a 0 0 0 $
 # 11 12 &
 # 0 a22 a23 0 0 &
 # &
 A 0 0 a a 0
 = # 33 34 &
 # 0 0 0 a44 a45 &
 # &
 a 0 0 0 a
 "# 51 55 %& 
 Hình 2.4. Mô hình CHMM 5 trạng thái. 
2.6. Kết luận chương 2 
 Tóm lại, chương 2 đã trình bày chi tiết tính toán các khâu xử lý trong 
các hệ thống HMS đề xuất. 
 Đóng góp chính của chương là đề xuất mô hình giám sát chăm sóc 
sức khỏe hướng đến 3 ứng dụng khác nhau gồm phát hiện té ngã, dự 
đoán nguy cơ té ngã và dự đoán nguy cơ chứng MCI. Các đề xuất mới 
trong mô hình gồm: bộ mô tả đặc trưng 3D GRF và nhận dạng hành 
động gần tuần hoàn dùng mô hình CHMM. 
 Hiệu quả của mô hình và các đề xuất sẽ được kiểm tra, đánh giá lần 
lượt qua chương 3 và chương 4. 
 Chương 3: GIÁM SÁT TÉ NGÃ 
 Chương này trình bày thí nghiệm kiểm tra, đánh giá hệ thống HMS ở 
chương 2 trong ứng dụng giám sát té ngã, với hai kịch bản: (1) phát 
hiện té ngã và (2) dự đoán nguy cơ té ngã do dáng đi bất thường. 
 Kết quả nghiên cứu thực nghiệm về hệ thống giám sát té ngã được 
công bố qua các công trình [9], [10], [12] trong Danh mục công trình 
của tác giả. 
3.1. Giới thiệu các cơ sở dữ liệu và tiêu chí đánh giá hệ thống 
3.1.1. Cơ sở dữ liệu té ngã HBU 
 HBU do nhóm TRT-3DCS xây dựng, bao gồm 134 đoạn video gồm 
65 đoạn “té ngã” và 69 đoạn “không té”, độ phân giải 320x240, tốc độ 
30 khung/s. Các tình huống té ngã khác nhau về hướng té (trực diện, 
chéo, bên hông), nguyên nhân té, tư thế cơ thể khi té và tốc độ té. 
 14 
3.1.2. Cơ sở dữ liệu dáng đi bất thường 
 Đây là cơ sở dữ liệu tự xây dựng, có 56 đoạn video dáng đi Ataxic, 85 
đoạn Hemiplegic, 93 đoạn Limping, 97 đoạn Neuropathic, 100 đoạn 
Parkinson, 100 đoạn bình thường, phân giải 180x144, tốc độ 25 khung/s. 
Các video được ghi hình với góc quay bên hông. 
3.1.3. Cơ sở dữ liệu té ngã Le2i 
 Le2i do phòng thí nghiệm Le2i xây dựng, có 215 đoạn video gồm 147 
đoạn “té ngã” và 68 đoạn “không té”, độ phân giải gồm 320x240 và 
320x180, tốc độ gồm 25 khung/s và loại 24 khung/s. 
3.1.4. Tiêu chí đánh giá hệ thống 
 Dựa vào Recall (RC), Precision (PR) và Accuracy (Acc) được tính từ 
ma trận nhầm lẫn (confusion matrix) như trong Hình 3.1. 
 TP TP TP + TN
RC = , PR = , ACC = (3.1) 
 TP + FN TP + FP TP + TN + FP + FN
 TP (True Positive): dương tính thật 
 FP (False Positive): dương tính giả 
 FN (False Nagetive): âm tính giả 
 TN (True Negative): âm tính thật 
 Hình 3.1. Ma trận nhầm lẫn. 
3.2. Kiểm tra, đánh giá hệ thống phát hiện té ngã 
 Xét hệ thống7 dùng đặc trưng như ở 2.2 và mô hình HMM-Kmeans. 
3.2.1. Sự phân chia dữ liệu 
 Toàn bộ cơ sở dữ liệu được chia hai: 31 video huấn luyện và 103 
video kiểm tra. Các video kiểm tra được chia thành 3 tập con Test1, 
Test2 và Test3 ứng với các kịch bản té ngã có độ phức tạp khác nhau. 
3.2.2. Quá trình thí nghiệm và kết quả kiểm tra hệ thống phát hiện 
té ngã 
 7Tra và Pham, 2013 
 15 
 Hệ thống được kiểm tra theo quy trình ở Hình 3.2, với N=5 và K=M=96 
 Hình 3.2. Sơ đồ thí nghiệm phát hiện té ngã. 
3.2.3. Kết quả thí nghiệm kiểm tra hệ thống phát hiện té ngã 
Bảng 3.1. Hiệu quả nhận dạng của hệ thống phát hiện té ngã trên HBU 
3.2.4. Đánh giá hệ thống phát hiện té ngã 
3.2.4.1. Đánh giá hiệu quả nhận dạng của hệ thống 
- Tỷ lệ nhận dạng phụ thuộc vào mức độ phức tạp của kịch bản kiểm tra. 
- Hiệu quả phát hiện té ngã bị ảnh hưởng bởi góc quay: té hướng bên hông 
được phát hiện 100% và hướng trực diện bị bỏ sót nhiều nhất (78.95%). 
- Tỷ lệ dương tính giả nhiều nhất với các hành động xảy ra trên sàn nhà. 
3.2.4.2. Nguyên nhân nhận dạng không chính xác 
- Ánh sáng yếu, màu quần áo trùng lẫn màu nền, che khuất. 
- Bộ mô tả đặc trưng té ngã thiếu thông tin chiều sâu. 
3.2.4.3. So sánh các hệ thống phát hiện té ngã 
 Kết quả so sánh trong Bảng 3.2 cho thấy hiệu quả rõ rệt của hệ thống 
đang xét, thể hiện ở sự tăng lên của tất cả các tiêu chí RC, PR và Acc. 
 16 
Bảng 3.2. So sánh các hệ thống phát hiện té ngã 
 Hệ thống RC PR Acc 
 Trừ nền và so khớp ngưỡng 73.01 70 69.9 
 Trừ nền và mạng neural 81.13 84.31 82.69 
 Trừ nền GMM và mạng neural 87.38 86.67 86.38 
 Trừ nền GMM và mô hình HMM 88.46 86.79 87.38 
3.3. Triển khai hệ thống phát hiện té ngã thực tế 
3.3.1. Kiến trúc hệ thống phát hiện té ngã thực tế 
3.3.1.1. Thu nhận tín hiệu video 
 Ghi hình bằng camera IP D-Link DCS-942L, truyền tín hiệu video 
qua router không dây đến máy tính, giao diện video-máy tính được thiết 
kế nhờ C++ và OpenCV, thủ tục truyền dữ liệu là RTSP. 
3.3.1.2. Phân tích tín hiệu video 
 Truyền tín hiệu video theo từng khung đến máy tính để phân tích 
theo thuật toán phát hiện té ngã đã trình bày, dùng Matlab 2012a. 
3.3.1.3. Thông tin cảnh báo 
 Có hai hình thức cảnh báo được thiết kế là (1) cảnh báo tại chỗ bằng 
âm thanh và văn bản trên màn hình quan sát và (2) cảnh báo từ xa bằng 
tin nhắn SMS gởi đến số điện thoại đã định dùng module SIM900A. 
3.3.2. Kiểm tra, đánh giá hệ thống với cơ sở dữ liệu Le2i 
3.3.2.1. Thí nghiệm kiểm tra hệ thống với cơ sở dữ liệu Le2i 
 Chọn 58 đoạn video có phân giải 320x240 trong tập Home1, Home2 
và Lecture có kịch bản khác nhiều so với HBU. Kết quả có 13/22 hành 
động “té ngã” và 28/36 hành động “không té” được nhận dạng đúng, 
dẫn đến chỉ số thống kê là RC=59%, PR=62% và Acc=71%. 
3.3.2.2. Nhận xét đánh giá hệ thống dựa trên cơ sở dữ liệu Le2i 
- 100% cảnh nền và 50/58 đoạn video (chiếm 86%) chuỗi hành động 
trong Le2i khác với HBU nên tỷ lệ nhận dạng giảm đi đáng kể. 
- Ánh sáng yếu, che khuất ảnh hưởng đến phân đoạn đối tượng (69%). 
 17 
- Tỷ lệ dương tính giả cao do nhiều đối tượng chuyển động (55%), hành 
động tương tự “té ngã” (62%), đồ vật bị rơi (14%). 
- Khó áp dụng trừ nền GMM do đối tượng có sẵn trong khung hình 
(57%), đối tượng bất động (86%). 
3.3.3. Kiểm tra, đánh giá hệ thống với tình huống té ngã thực tế 
 Nhằm kiểm tra tính ổn định, khả năng đáp ứng thời gian thực và khả 
năng phát hiện tai nạn té ngã thực, hệ thống được huấn luyện bởi 134 
video HBU, cho chạy thử trước Văn phòng Khoa ĐT-VT và phòng học 
C217 trường Đại học bách khoa, ĐHĐN, từ 14/04 - 15/05/2014. 
 Kết quả là camera ghi được 674 hành động với 9 hành động “té 
ngã”. Hệ thống phát hiện và cảnh báo được 8/9 hành động “té ngã”, 
nhận dạng nhầm 16 hành động “không té”. Vậy tỷ lệ nhận dạng chính 
xác là Acc = 97.47%. Thời gian trễ xử lý đo được là 1-5 giây. 
3.4. Kiểm tra, đánh giá hệ thống dự đoán nguy cơ té ngã do dáng đi 
bất thường 
3.4.1. Kiểm tra, đánh giá hệ thống phát hiện dáng đi bệnh Parkinson 
3.4.1.1. Thí nghiệm phát hiện dáng đi bệnh Parkinson 
 Thí nghiệm theo quy trình ở Hình 3.2, với cơ sở dữ liệu 100 đoạn 
video dáng đi bình thường và 100 đoạn Parkinson, bộ mô tả đặc trưng là 
moment Hu, mô hình nhận dạng là CHMM N = 7 và M = 64. 
3.4.1.2. Kết quả thí nghiệm phát hiện dáng đi bệnh Parkinson 
 Thực hiện đánh giá theo phương pháp đánh giá chéo 1:10, kết quả là 
99/100 dáng đi Parkinson và 100/100 dáng đi bình thường được nhận 
dạng đúng, dẫn đến tỷ lệ nhận dạng chính xác rất tốt - Acc = 99.5%. 
3.4.2. Kiểm tra, đánh giá hệ thống phát hiện dáng đi bệnh lý 
3.4.2.1. Thí nghiệm phát hiện dáng đi bệnh lý 
 Thí nghiệm tương tự như thí nghiệm phát hiện dáng đi Parkinson ở 
3.4.1.1, chỉ khác cơ sở dữ liệu là cơ sở dữ liệu dáng đi bất thường gồm 6 
loại dáng đi bệnh lý khác nhau đã trình bày ở 3.1.2. 
3.4.2.2. Kết quả thí nghiệm phát hiện dáng đi bệnh lý 
 18 
 Thí nghiệm đầu tiên được thực hiện với vector đặc trưng dùng 
moment Hu không qua logarit đối với dáng đi Ataxic và Hemiplegic cho 
kết quả nhận dạng đúng rất thấp (<50%). 
 Thí nghiệm thứ hai thực hiện với vector đặc trưng dựa trên moment 
Hu đã qua phép tính logarit đối với cả 6 loại dáng đi. Kết quả là có 
49/56 đoạn Ataxic, 80/85 đoạn Hemiplegic, 92/93 đoạn Limping, 92/97 
đoạn Neuropathic, 99/100 đoạn Parkinson được nhận dạng là “bất 
thường” và 85/100 đoạn đi bình thường được nhận dạng là “bình 
thường”. Từ đây xây dựng được ma trận nhầm lẫn (tính bằng %), sau đó 
tính được các chỉ số thống kê RC=95.59%, PR=86.43%, Acc=90.30%. 
 Qua thí nghiệm có thể rút ra các nhận xét về ưu điểm của hệ thống: 
- Tỷ lệ phát hiện dáng đi bất thường khá cao nên hỗ trợ tốt cho việc dự 
đoán nguy cơ té ngã do dáng đi bất thường gây ra. 
- Thời gian quan sát người đi bộ rất ngắn (độ dài đoạn video từ 10-42s). 
- Có thể ứng dụng hệ thống vào nhận dạng bệnh thông qua dáng đi. 
- Hệ thống đề xuất đơn giản hơn các hệ thống phân tích dáng đi khác. 
 Các hạn chế của hệ thống gồm: 
- Hệ thống chỉ áp dụng cho góc quay bên hông. 
- Tỷ lệ dương tính giả còn cao (15% dáng đi bộ bị nhầm thành bệnh lý). 
- Tỷ lệ nhận dạng đúng dáng đi Ataxic còn thấp (87.5%). 
- Cơ sở dữ liệu chưa có sự tham gia của bệnh nhân thật. 
3.5. Kết luận chương 3 
 Tóm lại, các thí nghiệm ở trên cho thấy các hệ thống HMS đề xuất 
đã cơ bản đáp ứng được mục tiêu đề ra: hệ thống phát hiện té ngã đạt 
hiệu quả phát hiện té ngã tốt với thời gian trễ rất thấp, hệ thống phát 
hiện dáng đi bất thường đạt hiệu quả nhận dạng cao nên có thể hỗ trợ tốt 
cho việc dự đoán nguy cơ té ngã. 
 Chương 4: PHÁT HIỆN HÀNH ĐỘNG BẤT THƯỜNG 
 Chương này trình bày thí nghiệm kiểm tra, đánh giá hệ thống HMS 
phát hiện hành động bất thường đã trình bày trong chương 2. 
 19 
 Các thí nghiệm nhằm: (1) đánh giá đặc trưng 3D GRF, (2) xét ảnh 
hưởng của các yếu tố khác nhau đến tỷ lệ nhận dạng, (3) kiểm tra mô 
hình CHMM và (4) kiểm tra hệ thống phát hiện hành động bất thường. 
 Kết quả nghiên cứu thực nghiệm về hệ thống HMS phát hiện hành 
động bất thường đã được công bố qua các công trình [3]-[5], [7]-[8], 
[11] trong Danh mục công trình của tác giả. 
4.1. Giới thiệu các cơ sở dữ liệu và tiêu chí đánh giá hệ thống 
4.1.1. Cơ sở dữ liệu HumanEVA 
 HumanEVA được quay bởi hệ thống MOCAP, cung cấp dữ liệu là 
tọa độ 3D của các điểm gắn marker. Từ cơ sở dữ liệu HumanEVA trích 
được 152 đoạn video chứa một chu kỳ hành động, gồm 22 đoạn “đánh 
bốc”, 35 đoạn “vẫy tay”, 54 đoạn “chạy chậm” và 41 đoạn “đi bộ”. 
4.1.2. Cơ sở dữ liệu ước lượng tư thế 3D 
 Toàn bộ cơ sở dữ liệu có 80 đoạn video hành động, có 20 đoạn cho 
mỗi loại hành động như “vẫy tay”, “đá”, “ném” và “đánh bốc”, mỗi 
đoạn video chỉ chứa một chu kỳ hành động hoàn chỉnh. 
4.1.3. Cơ sở dữ liệu IXMAS 
 IXMAS được xây dựng bởi Viện INRIA, có tổng cộng 11 hành động 
như đã nêu ở 2.4.4. Có 12 đối tượng tham gia ghi hình, thực hiện 3 lần 
cho một hành động nên có tổng cộng 36 đoạn video cho một hành động. 
4.1.4. Tiêu chí đánh giá hệ thống 
 Hệ thống phát hiện hành động bất thường đề xuất gồm 2 khối chính 
như Hình 2.3. Khối nhận dạng hành động được đánh giá dựa vào tỷ lệ 
nhận dạng đúng trung bình, được tính là trung bình cộng của tỷ lệ nhận 
dạng đúng của mỗi hành động. Khối phát hiện bất thường được đánh giá 
dựa vào các tiêu chí RC, PR và Acc. 
4.2. Đánh giá bộ mô tả đặc trưng 3D GRF 
4.2.1. Thí nghiệm về bộ mô tả đặc trưng 3D GRF 
 Thí nghiệm được thực hiện theo quy trình ở Hình 3.2, cơ sở dữ liệu 
HumanEVA, bộ mô tả đặc trưng lần lượt là 3D GRF và tọa độ 3D của 
13 điểm, mô hình nhận dạng là HMM-Kmeans N = 5 và M = 64. 
4.2.2. Kết quả thí nghiệm về bộ mô tả đặc trưng 3D GRF 
 20 
- Thí nghiệm 4.2.2a dùng tọa độ 3D của 13 điểm, mẫu huấn luyện lấy từ 
cả 3 người, tỷ lệ nhận dạng 76.75%. 
- Thí nghiệm 4.2.2b dùng đặc trưng mới 3D GRF, m