BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC ĐÀ NẴNG
---{---
HOÀNG LÊ UYÊN THỤC
PHÂN TÍCH THÔNG MINH TÍN HIỆU VIDEO
HỖ TRỢ CHO HỆ THỐNG
GIÁM SÁT CHĂM SÓC SỨC KHỎE
LUẬN ÁN TIẾN SĨ KỸ THUẬT
Đà Nẵng 2017
BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC ĐÀ NẴNG
---{--HOÀNG LÊ UYÊN THỤC
PHÂN TÍCH THÔNG MINH TÍN HIỆU VIDEO
HỖ TRỢ CHO HỆ THỐNG
GIÁM SÁT CHĂM SÓC SỨC KHỎE
Chuyên ngành : KHOA HỌC MÁY TÍNH
Mã số
: 62 48 01 01
LUẬN ÁN TIẾN SĨ KỸ THUẬT
Người hướng dẫn khoa học:
GS. TS. Jenq-Neng Hwang
PGS. TS. Phạm Văn Tuấn
Đà Nẵng 2017
LỜI CAM ĐOAN
Tôi xin cam đoan đây là công trình nghiên cứu do tôi thực hiện, dưới sự
hướng dẫn khoa học của GS. TS. Jenq-Neng Hwang (Khoa Điện, Trường Đại học
Washington, Seattle, USA) và PGS. TS. Phạm Văn Tuấn (Phòng Khảo thí và Đảm
bảo chất lượng giáo dục, Trường Đại học Bách khoa, Đại học Đà Nẵng).
Tôi cam đoan các kết quả nghiên cứu được trình bày trong luận án là trung
thực và không sao chép từ bất kỳ luận án nào khác. Một số kết quả nghiên cứu là
thành quả tập thể và đã được các đồng tác giả đồng ý cho sử dụng. Mọi trích dẫn
đều có ghi nguồn gốc xuất xứ rõ ràng và đầy đủ.
Tác giả
NCS. Hoàng Lê Uyên Thục
LỜI CẢM ƠN
Trước tiên, với lòng kính trọng và biết ơn sâu sắc, tôi xin gởi lời tri ân đến thầy
giáo hướng dẫn – GS. TS. Jenq-Neng Hwang và PGS. TS. Phạm Văn Tuấn đã tận tình giúp
đỡ tôi từ những bước đi đầu tiên đến khi hoàn thành luận án. Với tôi, niềm đam mê nghiên
cứu và tấm lòng của người Thầy đối với học trò luôn là nguồn động viên tinh thần vô giá.
Trong quá trình học tập và nghiên cứu, thông qua các buổi trao đổi học thuật, bài
giảng, bảo vệ chuyên đề, seminar, bảo vệ cấp cơ sở, tôi đã nhận được nhiều kiến thức và
góp ý quý báu của PGS. TS. Võ Trung Hùng, PGS. TS. Phan Huy Khánh, TS. Huỳnh Hữu
Hưng, TS. Hồ Phước Tiến và PGS. TS. Nguyễn Thanh Bình (Đại học Đà Nẵng), TS. Ngô
Văn Sỹ (Trung tâm Nghiên cứu Điện tử-Tin học-Tự động hóa Miền Trung), PGS. TS.
Huỳnh Xuân Hiệp (Trường Đại học Cần Thơ), PGS. TS. Lê Mạnh Thạnh (Đại học Huế),
BS. Cao Bích Thủy (Trường Đại học Kỹ thuật Y-Dược Đà Nẵng), BS. Nguyễn Hoài Nam
(Trường Đại học Y Hà Nội). Xin được bày tỏ lòng biết ơn chân thành đến quý Thầy Cô.
Đặc biệt, tôi xin trân trọng cảm ơn phản biện độc lập đã dành thời gian và công sức
đọc, nhận xét và đánh giá luận án nhằm giúp cho luận án được bổ sung, chỉnh sửa rõ ràng,
đầy đủ và hợp lý hơn.
Tôi xin trân trọng cảm ơn Ban Đào tạo - Đại học Đà Nẵng, Phòng Đào tạo Trường Đại học Bách khoa đã tạo mọi điều kiện thuận lợi cho tôi trong thời gian học tập,
nghiên cứu và thực hiện luận án. Xin cảm ơn Khoa Công nghệ thông tin đã tạo môi trường
học thuật thân thiện và tích cực cho các nghiên cứu sinh.
Tôi xin gởi lời cảm ơn chân thành đến Ban Lãnh đạo Khoa Điện tử - Viễn thông và
Bộ môn Kỹ thuật Viễn thông đã luôn hỗ trợ và tạo điều kiện tốt nhất cho tôi thực hiện luận
án. Xin cảm ơn các Thầy Cô giáo trong Khoa đã luôn bên cạnh động viên và sẵn lòng chia
sẻ công việc để tôi có thể tập trung nghiên cứu.
Tôi xin ghi nhận và cảm ơn các thành viên Phòng thí nghiệm Information
Processing – Đại học Washington đã nhiệt tình hỗ trợ về mặt chuyên môn trong thời gian
tôi nghiên cứu tại Phòng. Xin cảm ơn các đồng tác giả đã đồng ý cho tôi sử dụng các kết
quả nghiên cứu chung cho luận án. Cảm ơn các em sinh viên Khoa Điện tử - Viễn thông và
Chương trình tiên tiến đã nhiệt tình hỗ trợ xây dựng cơ sở dữ liệu và kiểm tra hệ thống.
Cuối cùng, tôi xin được gởi lời cảm ơn sâu sắc nhất đến gia đình và bạn thânnhững người đã luôn dành cho tôi tình yêu và niềm tin, để tôi có thể vững tâm trên hành
trình đầy thách thức này.
NCS. Hoàng Lê Uyên Thục
MỤC LỤC
{
LỜI CAM ĐOAN ....................................................................................................... i
LỜI CẢM ƠN............................................................................................................ii
MỤC LỤC ............................................................................................................... iii
DANH MỤC TỪ VIẾT TẮT .................................................................................. vi
DANH MỤC THUẬT NGỮ ANH – VIỆT ......................................................... viii
DANH MỤC BẢNG BIỂU .....................................................................................xii
DANH MỤC HÌNH VẼ ......................................................................................... xiv
MỞ ĐẦU .................................................................................................................... 1
1. Đặt vấn đề ........................................................................................................... 1
2. Mục tiêu, đối tượng và phạm vi nghiên cứu ....................................................... 3
3. Phương pháp nghiên cứu .................................................................................... 4
4. Cấu trúc của luận án ........................................................................................... 4
5. Đóng góp chính của luận án ............................................................................... 5
Chương 1. NGHIÊN CỨU TỔNG QUAN ........................................................... 7
1.1. Hệ thống giám sát chăm sóc sức khỏe HMS ................................................... 7
1.1.1. Ứng dụng của hệ thống HMS .................................................................. 8
1.1.2. Cấu trúc của hệ thống HMS .................................................................... 9
1.2. Kỹ thuật cảm biến .......................................................................................... 10
1.2.1. Cấu trúc của nút mạng cảm biến ........................................................... 11
1.2.2. Ứng dụng của kỹ thuật cảm biến ........................................................... 11
1.2.3. Các vấn đề cần quan tâm khi ứng dụng kỹ thuật cảm biến vào hệ thống
HMS.................................................................................................................13
1.3. Kỹ thuật IVA.................................................................................................. 14
1.3.1. Cấu trúc hệ thống sử dụng kỹ thuật IVA .............................................. 14
1.3.2. Ứng dụng của kỹ thuật IVA .................................................................. 16
1.3.3. Một số nghiên cứu gần đây về ứng dụng IVA vào hệ thống HMS ....... 17
1.3.4. Các vấn đề cần quan tâm khi ứng dụng IVA vào hệ thống HMS ......... 20
1.4. Quá trình trích đặc trưng trong hệ thống IVA ............................................... 22
1.4.1. Phân vùng đối tượng ............................................................................. 23
1.4.2. Mô tả đặc trưng ..................................................................................... 24
1.4.3. Thảo luận về các bộ mô tả đặc trưng .................................................... 27
1.5. Quá trình nhận dạng hành động trong hệ thống IVA..................................... 28
1.5.1. Nhận dạng tĩnh ...................................................................................... 29
1.5.2. Nhận dạng động .................................................................................... 30
1.5.3. Thảo luận về các phương pháp nhận dạng hành động .......................... 33
1.6. Định hướng vấn đề nghiên cứu ...................................................................... 34
1.6.1. Bài toán xây dựng hệ thống HMS trên nền IVA ................................... 35
1.6.2. Các vấn đề thiết yếu về hệ thống HMS đề xuất .................................... 37
1.7. Kết luận chương 1 .......................................................................................... 40
Chương 2. HỆ THỐNG HMS TRÊN NỀN KỸ THUẬT IVA ......................... 41
2.1. Phân vùng đối tượng theo phương pháp trừ nền GMM ................................. 41
2.2. Mô tả đặc trưng trong hệ thống HMS phát hiện té ngã.................................. 43
2.2.1. Đặc điểm té ngã ..................................................................................... 43
2.2.2. Tính toán vector đặc trưng té ngã.......................................................... 44
2.3. Mô tả đặc trưng trong hệ thống HMS phát hiện dáng đi bất thường ............. 47
2.3.1. Đặc điểm dáng đi................................................................................... 47
2.3.2. Tính toán vector đặc trưng dáng đi ....................................................... 48
Mô tả đặc trưng trong hệ thống HMS phát hiện hành động bất thường .............. 51
2.4.1. Cơ sở xây dựng bộ mô tả đặc trưng hành động 3D GRF ...................... 51
2.4.2. Xác định dữ liệu vào của bộ mô tả đặc trưng hành động 3D GRF ....... 52
2.4.3. Tính toán vector đặc trưng GRF ........................................................... 56
2.4.4. Bộ mô tả đặc trưng 3D GRF cải tiến ..................................................... 60
2.5. Nhận dạng hành động dựa trên mô hình HMM ............................................. 61
2.5.1. Giới thiệu mô hình HMM ..................................................................... 61
2.5.2. Ứng dụng mô hình HMM vào nhận dạng hành động ........................... 63
2.5.3. Mô hình HMM-Kmeans ........................................................................ 65
2.5.4. Mô hình HMM nhận dạng hành động gần tuần hoàn ........................... 67
Kết luận chương 2 ............................................................................................ 69
Chương 3. GIÁM SÁT TÉ NGÃ ........................................................................ 70
3.1. Giới thiệu các cơ sở dữ liệu và tiêu chí đánh giá hệ thống ............................ 70
3.1.1. Cơ sở dữ liệu té ngã HBU ..................................................................... 70
3.1.2. Cơ sở dữ liệu dáng đi bệnh lý bất thường ............................................. 71
3.1.3. Cơ sở dữ liệu té ngã Le2i ...................................................................... 73
3.1.4. Tiêu chí đánh giá hệ thống .................................................................... 75
3.2. Kiểm tra, đánh giá hệ thống phát hiện té ngã ................................................ 76
3.2.1. Sự phân chia dữ liệu .............................................................................. 76
3.2.2. Quá trình thí nghiệm và kết quả kiểm tra hệ thống phát hiện té ngã .... 76
3.2.3. Kết quả thí nghiệm kiểm tra hệ thống phát hiện té ngã......................... 78
3.2.4. Đánh giá hệ thống phát hiện té ngã ....................................................... 79
3.3. Triển khai hệ thống phát hiện té ngã thực tế .................................................. 81
3.3.1. Kiến trúc hệ thống phát hiện té ngã thực tế........................................... 81
3.3.2. Kiểm tra, đánh giá hệ thống với cơ sở dữ liệu Le2i .............................. 83
3.3.3. Kiểm tra, đánh giá hệ thống với tình huống té ngã thực tế ................... 85
3.4. Kiểm tra, đánh giá hệ thống dự đoán nguy cơ té ngã do dáng đi bất thường 87
3.4.1. Kiểm tra, đánh giá hệ thống phát hiện dáng đi bệnh Parkinson ............ 87
3.4.2. Kiểm tra, đánh giá hệ thống phát hiện dáng đi bệnh lý ......................... 88
3.5. Kết luận chương 3 .......................................................................................... 91
Chương 4. PHÁT HIỆN HÀNH ĐỘNG BẤT THƯỜNG ................................ 93
4.1. Giới thiệu các cơ sở dữ liệu và tiêu chí đánh giá hệ thống ............................ 93
4.1.1. Cơ sở dữ liệu HumanEVA .................................................................... 93
4.1.2. Cơ sở dữ liệu ước lượng tư thế 3D ........................................................ 95
4.1.3. Cơ sở dữ liệu IXMAS ........................................................................... 95
4.1.4. Tiêu chí đánh giá hệ thống .................................................................... 96
4.2. Đánh giá bộ mô tả đặc trưng 3D GRF ........................................................... 97
4.2.1. Thí nghiệm về bộ mô tả đặc trưng 3D GRF .......................................... 97
4.2.2. Kết quả thí nghiệm về bộ mô tả đặc trưng 3D GRF ............................. 98
4.2.3. Nhận xét bộ mô tả đặc trưng 3D GRF ................................................ 100
4.3. Các yếu tố ảnh hưởng đến hiệu quả nhận dạng của mô hình HMM ............ 102
4.3.1. Ảnh hưởng của các tham số mô hình HMM ....................................... 103
4.3.2. Ảnh hưởng của số lượng người tham gia huấn luyện mô hình HMM 106
4.4. Nhận dạng hành động gần tuần hoàn dùng mô hình CHMM ...................... 109
4.4.1. Xây dựng cơ sở dữ liệu hành động gần tuần hoàn .............................. 109
4.4.2. Kết quả thí nghiệm .............................................................................. 110
4.5. Kiểm tra, đánh giá hệ thống phát hiện hành động bất thường ..................... 110
4.5.1. Kiểm tra, đánh giá khối nhận dạng hành động .................................... 112
4.5.2. Kiểm tra, đánh giá khối phát hiện hành động bất thường ................... 114
4.6. Kết luận chương 4 ........................................................................................ 116
KẾT LUẬN ............................................................................................................ 118
1. Các kết quả của luận án .................................................................................. 118
2. Đánh giá kết quả ............................................................................................. 118
3. Hướng phát triển ............................................................................................. 119
DANH MỤC CÔNG TRÌNH KHOA HỌC ........................................................ 121
TÀI LIỆU THAM KHẢO .................................................................................... 122
PHỤ LỤC............................................................................................................... 133
DANH MỤC TỪ VIẾT TẮT
Từ viết tắt
Nghĩa chữ viết tắt
Dịch nghĩa tiếng Việt
Acc
Accuracy
Độ chính xác
ADL
Activities of Daily Living
Hoạt động hàng ngày
AMI
Accumulated Motion Image
Ảnh chuyển động tích lũy
BMI
Body Mass Index
Chỉ số khối lượng cơ thể
BSN
Body Sensor Netword
Mạng cảm biến cơ thể người
CHMM
Cyclic HMM
HMM tuần hoàn
D
Dimension
Hướng (chiều)
DFT
Discrete Fourier Transform
Phép biến đổi Fourier rời rạc
DTW
Dynamic Time Warping
Làm lệch thời gian động
GMM
Gaussian Mixture Model
Mô hình hợp Gauss
GRF
Geometric Relational Feature
Đặc trưng quan hệ hình học
HM
Highly Mismatch
Ít phù hợp
HMM
Hidden Markov Model
Mô hình Markov ẩn
HMS
Healthcare Monitoring System
Hệ thống giám sát chăm sóc
sức khỏe
HOG
Histogram of Oriented Gradient
Histogram của gradient có
hướng
IIR
Infinite duration Impulse
Response
Đáp ứng xung dài vô hạn
INRIA
Institut National de Recherche en
Informatique et en Automatique
Viện Nghiên cứu Tin học và Tự
động hóa
ITMI
Integrated Time Motion Image
Ảnh chuyển động theo thời gian
tích hợp
IVA
Intelligent Video Analytics
Phân tích thông minh tín hiệu
video
JHFRAT
Johns Hopkins Fall Risk
Assessment Tool
Công cụ đánh giá nguy cơ té ngã
của bệnh viện Johns Hopkins
KNN
K-Nearest Neighbor
K lân cận gần nhất
Le2i
Laboratoire Electronique,
Informatique et Image
Phòng thí nghiệm Điện tử, Tin
học và Ảnh
MCI
Mild Cognitive Impairment
Suy giảm nhận thức mức độ nhẹ
MFS
Morse Fall Scale
Thang đo nguy cơ té ngã Morse
vi
MHI
Motion History Image
Ảnh lịch sử chuyển động
MII
Motion Intensity Image
Ảnh cường độ chuyển động
MLP
Multi Layer Perceptron
Perceptron nhiều lớp
MM
Medium Match
Phù hợp trung bình
NWFE
Nonparametric Weighted Feature
Extraction
Đặc trưng được lấy trọng số
không có tham số
PCA
Principal Component Analysis
Phân tích thành phần chính
Pixel
Picture of Element
Điểm ảnh
RP
PRecision
Độ tin cậy
RC
ReCall
Tỷ lệ dương tính được phát hiện
RGB
Red Green Blue
Không gian màu Đỏ-Lục-Lam
RSTP
Real Time Streaming Protocol
Thủ tục truyền dòng tín hiệu thời
gian thực
SAIL
Smart AssIsted Living
Hệ thống trợ giúp thông minh
SMS
Short Message Services
Dịch vụ tin nhắn
STIP
Space Time Interest Points
Điểm quan tâm không-thời gian
SVM
Support Vector Machine
Máy vector hỗ trợ
WHO
World Health Organization
Tổ chức Y tế thế giới
WM
Well Match
Rất phù hợp
vii
DANH MỤC THUẬT NGỮ ANH – VIỆT
Thuật ngữ tiếng Anh
Thuật ngữ tiếng Việt
Abnormal gait detection
Phát hiện dáng đi bất thường
Action recognition
Nhận dạng hành động
Addition pattern
Mẫu dư thừa
Angle-related feature
Đặc trưng góc
Anormal action pattern
Mẫu hành động bất thường
Axial plane
Mặt phẳng ngang
Background
Nền
Background model
Mô hình nền
Background subtraction
Trừ nền
Base width
Độ rộng bước
Body plane
Mặt phẳng cơ thể
Boolean feature
Đặc trưng nhị phân
Box
Đánh bốc
Centroid
Trọng tâm
Check watch
Xem giờ
Codebook
Bảng mã
Codeword
Từ mã
Commission pattern
Mẫu sai khác
Confusion matrix
Ma trận nhầm lẫn
Coronal plane
Mặt phẳng đứng
Cost function
Hàm giá
Cross arm
Vòng tay
Deep learning
Học sâu
Depth camera
Camera 3D (độ sâu)
Discrimative model
Mô hình phân biệt
Distance-related feature
Đặc trưng khoảng cách
Dynamic recognition
Nhận dạng động
Eigenvector
Vector riêng
viii
Fall
Sự kiện té ngã
Fall detection
Phát hiện té ngã
Feature
Đặc trưng
Feature descriptor
Bộ mô tả đặc trưng
Feature extraction
Trích đặc trưng
Feature vector
Vector đặc trưng
Flow-based
Dựa vào dòng chuyển động
Front view
Góc quay trực diện
Gait analysis
Phân tích dáng đi
Gait speed
Tốc độ đi bộ
Generative model
Mô hình sinh mẫu
Get up
Đứng dậy
Hyperplane
Siêu phẳng
Initial probability
Phân bố xác suất khởi đầu
Jog
Chạy chậm
Kernel
Hàm nhân
Key frames
Khung trọng yếu
Kick
Đá
Kmeans clustering
Phân nhóm Kmeans
Left-right model
Mô hình trái-phải
Manifold
Đối tượng đa chiều
Margin
Ranh giới
Marker
Vật đánh dấu
Mean
Giá trị trung bình
Median
Giá trị trung vị
Model-based
Dựa trên mô hình
Motion field
Trường chuyển động
Non fall
Không té
Non invasive
Không xâm lấn
Non model-based
Không dựa trên mô hình
Normal vector
Vector pháp tuyến
ix
Notification communication
Thông tin cảnh báo
Numeric feature
Đặc trưng số thực
Object segmentation
Phân vùng đối tượng
Observation matrix
Ma trận quan sát
Occlusion
Sự che khuất
Omission pattern
Mẫu thiếu vắng
Optical flow
Dòng chuyển động
Outlier
Phần tử dữ liệu cá biệt
Pathological gait
Dáng đi bệnh lý
Pick up
Nhặt đồ vật
Punch
Đấm
Rank matrix
Ma trận hạng
Robustness
Tính bền vững
Sagittal plane
Mặt phẳng dọc
Scratch head
Gãi đầu
Sensor
Cảm biến
Shape-based
Dựa vào hình dạng
Side view
Góc quay bên hông
Silhouette
Ảnh mặt nạ
Sit down
Ngồi xuống
Spotting
Chia đoạn dữ liệu
State-space model
Mô hình không gian trạng thái
Static recognition
Nhận dạng tĩnh
Step length
Độ dài bước
Supervised learning
Học có giám sát
Template matching
So khớp mẫu
Testing
Kiểm tra
Testing data
Dữ liệu kiểm tra
Threshold matching
So khớp với mức ngưỡng
Throw
Ném
Training
Huấn luyện
x
Training data
Dữ liệu huấn luyện
Transition matrix
Ma trận chuyển tiếp
Turn around
Xoay người
Unsupervised learning
Học không giám sát
Vector encoding
Mã hóa vector
Vector quantization
Lượng tử hóa vector
View-point
Góc quay của camera
Video acquisition
Thu nhận tín hiệu video
Video analysis
Phân tích tín hiệu video
Walk
Đi bộ
Wave
Vẫy tay
xi
DANH MỤC BẢNG BIỂU
Bảng 2.1. Quan hệ tương đương giữa hành động “té ngã” và bộ mô tả đặc trưng
té ngã. ........................................................................................................................44
Bảng 2.2. Quan hệ tương đương giữa hành động “đi bộ” và đặc trưng 3D GRF mô
tả hành động “đi bộ”. ................................................................................................52
Bảng 2.3. Biến đổi tương đương dữ liệu HumanEVA và mô hình 13 điểm. ...........54
Bảng 2.4. Tập các đặc trưng hành động 3D GRF. ...................................................56
Bảng 2.5. Mô tả chi tiết đặc trưng 3D GRF. ............................................................57
Bảng 2.6. Tập đặc trưng hành động 3D GRF cải tiến. .............................................61
Bảng 3.1. Ma trận nhầm lẫn của hệ thống phát hiện té ngã (Tập Test1-HBU) ........78
Bảng 3.2. Ma trận nhầm lẫn của hệ thống phát hiện té ngã (Tập Test2-HBU) ........78
Bảng 3.3. Ma trận nhầm lẫn của hệ thống phát hiện té ngã (Tập Test3-HBU) ........78
Bảng 3.4. Hiệu quả nhận dạng của hệ thống phát hiện té ngã trên cơ sở dữ liệu
HBU theo các chỉ tiêu RC, PR và Acc .....................................................................79
Bảng 3.5. So sánh hiệu suất nhận dạng của các hệ thống phát hiện té ngã ..............81
Bảng 3.6. Kết quả kiểm tra hệ thống phát hiện té ngã trên tập Home1, Home2 và
Lecture trong cơ sở dữ liệu Le2i ...............................................................................83
Bảng 3.7. Ma trận nhầm lẫn của hệ thống phát hiện té ngã thực tế (%) ..................86
Bảng 3.8. Ma trận nhầm lẫn của hệ thống phát hiện dáng đi bệnh Parkinson .........88
Bảng 3.9. Kết quả phát hiện dáng đi bất thường. .....................................................89
Bảng 3.10. Ma trận nhầm lẫn của hệ thống phát hiện dáng đi bệnh lý (%) .............90
Bảng 4.1. Kết quả thí nghiệm 4.2.2a trên cơ sở dữ liệu HumanEVA ......................99
Bảng 4.2. Kết quả thí nghiệm 4.2.2b trên cơ sở dữ liệu HumanEVA ......................99
Bảng 4.3. Kết quả thí nghiệm 4.2.2c trên cơ sở dữ liệu HumanEVA ......................99
Bảng 4.4. Kết quả thí nghiệm 4.2.2d trên cơ sở dữ liệu HumanEVA ....................100
Bảng 4.5. Một phần của ma trận quan sát trước và sau khi xử lý. .........................103
Bảng 4.6. Tỷ lệ nhận dạng hành động (%) với các giá trị M khác nhau. ...............104
xii
Bảng 4.7. Tỷ lệ nhận dạng hành động (%) với các giá trị N khác nhau. ................105
Bảng 4.8. Tỷ lệ nhận dạng hành động (%) với các giá trị ε khác nhau. .................105
Bảng 4.9. Kết quả thí nghiệm 4.3.2a trên cơ sở dữ liệu ước lượng tư thế 3D........106
Bảng 4.10. Kết quả thí nghiệm 4.3.2b trên cơ sở dữ liệu ước lượng tư thế 3D .....107
Bảng 4.11. Kết quả thí nghiệm 4.3.2c trên cơ sở dữ liệu ước lượng tư thế 3D......107
Bảng 4.12. Kết quả thí nghiệm 4.3.2d trên cơ sở dữ liệu ước lượng tư thế 3D .....107
Bảng 4.13. Kết quả thí nghiệm 4.3.2e trên cơ sở dữ liệu ước lượng tư thế 3D......108
Bảng 4.14. Tỷ lệ nhận dạng hành động (%) của hệ thống dùng CHMM. ..............110
Bảng 4.15. Kết quả nhận dạng hành động (%) trong cơ sở dữ liệu IXMAS. .........113
Bảng 4.16. So sánh các hệ thống nhận dạng hành động. .......................................114
Bảng 4.17. Kết quả (%) phát hiện mẫu “thiếu vắng hành động đi bộ”. .................115
Bảng 4.18. Kết quả (%) phát hiện mẫu “dư thừa hành động bạo lực”. ..................116
xiii
DANH MỤC HÌNH VẼ
Hình 1.1. Sơ đồ cấu trúc của hệ thống HMS điển hình..............................................9
Hình 1.2. Sơ đồ cấu trúc của nút mạng cảm biến điển hình.....................................11
Hình 1.3. Một số ứng dụng tiêu biểu của kỹ thuật cảm biến và kỹ thuật IVA.........12
Hình 1.4. Sơ đồ cấu trúc hệ thống sử dụng kỹ thuật IVA điển hình ........................15
Hình 1.5. Ví dụ về ảnh gốc và ảnh mặt nạ của đối tượng. .......................................23
Hình 1.6. Các ví dụ về ảnh gốc, ảnh MHI và MII tương ứng [29] ..........................25
Hình 1.7. Các ví dụ về trường vector dòng chuyển động [7]. ..................................26
Hình 1.8. Đặc trưng nhị phân mô tả quan hệ giữa các điểm trên cơ thể [93] ..........27
Hình 1.9. Ví dụ về so khớp hai chuỗi vector tốc độ khác nhau dùng DTW [6].......31
Hình 2.1. Ví dụ một mô hình GMM có ba thành phần Gauss. ................................42
Hình 2.2. Kết quả phân đoạn đối tượng con người dùng phương pháp trừ nền dựa
trên mô hình GMM cải tiến ......................................................................................43
Hình 2.3. Hình ellipse bao quanh đối tượng và các thông số đặc trưng [95]. ..........45
Hình 2.4. Ảnh MHI đi bộ và té ngã..........................................................................47
Hình 2.5. Độ dài bước và độ rộng bước. ..................................................................47
Hình 2.6. Ảnh mặt nạ trích từ các khung video dáng đi bình thường và Parkinson.
..................................................................................................................................49
Hình 2.7. Cấu trúc tổng quát hệ thống phát hiện hành động bất thường. ................51
Hình 2.8. Mô hình cơ thể [66]. .................................................................................53
Hình 2.9. Các đặc trưng 2D trích từ ảnh gốc [65]. ...................................................55
Hình 2.10. Kết quả bám đuổi 2D [65]. .....................................................................55
Hình 2.11. Kết quả mô hình hóa 3D cho cơ sở dữ liệu HumanEVA II [65]............55
Hình 2.12. Các mặt phẳng cơ thể theo giải phẫu học [17]. ......................................57
Hình 2.13. Khoảng cách có dấu - d - giữa điểm p4 và mặt phẳng {p1, p2, p3}. ........58
Hình 2.14. Một số loại HMM phổ biến. ...................................................................62
Hình 2.15. Ví dụ HMM trái-phải biểu diễn hành động “đánh bốc”.........................64
xiv
Hình 2.16. Nguyên lý nhận dạng maximum likelihood. ..........................................64
Hình 2.17. Cấu trúc khối nhận dạng hành động dùng mô hình HMM rời rạc. ........65
Hình 2.18. Ảnh hưởng của phần tử cá biệt (do nhiễu) lên thuật toán Kmeans ........67
Hình 2.19. Các tư thế con người trong một chu kỳ “đi bộ”. ....................................67
Hình 2.20. Khoảng cách giữa hai chân trong khi “đi bộ” [96]. ...............................68
Hình 2.21. Mô hình CHMM 5 trạng thái. ................................................................69
Hình 3.1. Các hướng té ngã khác nhau trong cơ sở dữ liệu HBU [3]. .....................71
Hình 3.2. Một số khung video trong cơ sở dữ liệu HBU [3]. ..................................72
Hình 3.3. Một số khung video hình ảnh các loại dáng đi trong cơ sở dữ liệu dáng đi
bệnh lý.......................................................................................................................73
Hình 3.4. Các khung video trong cơ sở dữ liệu Le2i [23]........................................74
Hình 3.5. Ma trận nhầm lẫn. ....................................................................................75
Hình 3.6. Quy trình thí nghiệm đánh giá hệ thống...................................................77
Hình 3.7. Sự giống nhau giữa đặc trưng mô tả hành động “ngồi” và “té ngã” theo
hướng trực diện (đường xanh nét liền: ngồi, đường đỏ nét đứt: té ngã). ..................80
Hình 3.8. Kiến trúc cơ bản của hệ thống phát hiện té ngã thực tế. ..........................81
Hình 3.9. Ảnh chụp hệ thống thực nghiệm. .............................................................85
Hình 3.10. Một số khung video trong thực tế. .........................................................86
Hình 4.1. Các khung video trong cơ sở dữ liệu HumanEVA [123]. ........................94
Hình 4.2. Các khung video trong cơ sở dữ liệu ước lượng tư thế 3D [65]. .............96
Hình 4.3. Các khung video trong cơ sở dữ liệu IXMAS [59]. .................................97
Hình 4.4. Khung video, tọa độ 3D và vector đặc trưng 3D GRF tương ứng. ........101
Hình 4.5. Đồ thị cột về tỷ lệ nhận dạng trong các trường hợp huấn luyện khác nhau.
................................................................................................................................108
xv
1
MỞ ĐẦU
1. Đặt vấn đề
Già hóa dân số là một trong các xu hướng đang diễn ra mạnh mẽ trên tất cả
các khu vực và quốc gia trên thế giới [4], [134]. Bằng chứng cho điều này là tỷ lệ
người cao tuổi (trên 60 tuổi) đã tăng từ 9.2% trong năm 1990 lên 11.7% trong năm
2013 và sẽ đạt 21,1 % vào năm 2050. Trên toàn cầu, số lượng người cao tuổi dự
kiến sẽ tăng hơn gấp đôi, tức là từ 841 triệu người vào năm 2013 lên hơn 2 tỷ người
vào năm 2050, trong đó số lượng người trên 80 tuổi ước tính đạt 392 triệu, tăng gấp
3 lần so với hiện tại [134].
Ở nước ta, cơ cấu độ tuổi dân số cũng có những chuyển biến đi theo xu hướng
chung trên toàn cầu [2], [133]. Theo Quỹ Dân số Liên hợp quốc UNFPA [133], Việt
Nam là một trong những quốc gia có tốc độ già hóa nhanh nhất thế giới với dự báo
đến năm 2049 thì tỷ lệ người cao tuổi ở Việt Nam sẽ chiếm đến 26.10% tổng dân
số, cao hơn nhiều so với tỷ lệ người cao tuổi trung bình trên toàn cầu.
Chúng ta không thể phủ nhận già hóa dân số là một trong những thành tựu vĩ
đại nhất của loài người, nhờ sự tiến bộ về y học, chăm sóc sức khỏe, giáo dục và đời
sống kinh tế. Nhưng khuynh hướng già hóa dân số tạo nên những thách thức lớn
cho cá nhân, gia đình, xã hội và cộng đồng trên toàn cầu [4]. Một trong các thách
thức đó là số lượng các căn bệnh liên quan đến tuổi tác xuất hiện ngày càng nhiều,
trong đó chủ yếu là các bệnh không lây nhiễm như mất trí nhớ, thoái hóa khớp,
huyết áp, đái tháo đường, chấn thương do té ngã, v.v. và phải điều trị suốt đời. Xét
về chi phí chăm sóc sức khỏe, thống kê cho thấy chi phí trung bình cho người cao
tuổi cao gấp 7-8 lần chi phí trung bình cho trẻ em [2]. Để giảm chi phí chăm sóc sức
khỏe và tăng khả năng điều trị bệnh thành công, yêu cầu cấp bách đặt ra là cần phải
tìm các biện pháp phát hiện sớm các chứng bệnh nói trên nhằm can thiệp y khoa kịp
thời. Ngoài ra, phát hiện bệnh sớm còn góp phần đáng kể vào giảm tải công việc
cho nhân viên y tế, đặc biệt là nhân viên y tế chuyên ngành lão khoa, vốn đang bị
khủng hoảng thiếu nghiêm trọng [1].
Điều này đã thúc đẩy nhiều nhà khoa học tập trung vào một hướng nghiên cứu
mới đầy triển vọng: thiết kế, triển khai và ứng dụng các hệ thống giám sát chăm sóc
2
sức khỏe HMS (Healthcare Monitoring System) [42], [108]. Cùng với các giải pháp
kỹ thuật khác ứng dụng trong hệ thống HMS chẳng hạn như kỹ thuật cảm biến [45],
[74], [148] thì kỹ thuật phân tích thông minh tín hiệu video IVA (Intelligent Video
Analytics) [84], [94], [143] đang nhận được rất nhiều sự quan tâm nghiên cứu trên
toàn thế giới. Kỹ thuật IVA dựa vào phân tích tín hiệu video ghi lại các hoạt động
hàng ngày của người cao tuổi cần giám sát, để nhận dạng các hành động của họ,
phát hiện các hành động bất thường và kịp thời đưa ra cảnh báo nếu có [28], [39],
[72]. Thực tế cho thấy kỹ thuật IVA đã tỏ ra có nhiều ưu điểm nổi trội và đã đạt
được nhiều thành tựu đáng khích lệ. Tuy nhiên, để ứng dụng thành công kỹ thuật
IVA vào hệ thống HMS, cần giải quyết những khó khăn về kỹ thuật như sau:
-
Vấn đề góc quay là thách thức lớn nhất cho bài toán nhận dạng hành động con
người sử dụng kỹ thuật IVA [7], [65]. Thực tế thì camera thường đặt ở một vị
trí cố định trong khi con người di chuyển tùy ý, vì thế yêu cầu đặt ra là dù ở
các góc quay khác nhau thì hiệu quả nhận dạng vẫn phải không bị ảnh hưởng.
-
Hầu hết các hệ thống sử dụng kỹ thuật IVA đều thực hiện bước xử lý đầu tiên
là phân vùng đối tượng con người dựa vào phương pháp trừ nền [33], [127],
[141]. Phương pháp trừ nền yêu cầu một mô hình nền tin cậy và phải được cập
nhật sao cho thích nghi với cảnh nền động phức tạp, hay thay đổi cũng như
điều kiện chiếu sáng trong phòng không đồng nhất. Hơn nữa, cần giải quyết
vấn đề bóng đổ do sự chiếu sáng của các nguồn sáng nhân tạo trong phòng tạo
ra làm ảnh hưởng đến hình dạng của đối tượng được phân đoạn, dẫn đến kết
quả nhận dạng sai [27]. Cuối cùng, vấn đề che khuất giữa các bộ phận cơ thể
hay che khuất giữa người và đồ đạc cũng cần giải quyết để đối tượng được
phân đoạn chính xác [65].
-
Cuối cùng, cần phải nghiên cứu để có thể mô tả hành động sao cho ít bị ảnh
hưởng nhất bởi vẻ bên ngoài của con người và vẻ bên ngoài của hành động
[68], [93] Vẻ bên ngoài của con người phụ thuộc vào các yếu tố như: bề mặt
bước đi, quần áo, giày dép, v.v. Vẻ bề ngoài của hành động cũng thay đổi đa
dạng, phụ thuộc vào người thực hiện, thời gian thực hiện, cách thức thực
hiện, v.v. Tất cả những điều này đều làm ảnh hưởng đến kết quả nhận dạng.
Xuất phát từ bối cảnh trên, đề tài “Phân tích thông minh tín hiệu video hỗ
trợ cho hệ thống giám sát chăm sóc sức khỏe” được chọn làm nội dung của luận
3
án với mong muốn góp phần vào lĩnh vực nghiên cứu về kỹ thuật IVA nói chung và
ứng dụng IVA vào hệ thống giám sát chăm sóc sức khỏe người cao tuổi nói riêng.
2. Mục tiêu, đối tượng và phạm vi nghiên cứu
Luận án được thực hiện nhằm nghiên cứu giải quyết một phần các thách thức
kỹ thuật nêu trên, sao cho hệ thống sử dụng kỹ thuật IVA trở nên phù hợp với ứng
dụng hỗ trợ chăm sóc sức khỏe cho người cao tuổi. Cụ thể là luận án nhằm hướng
đến hai ứng dụng chính như sau:
-
Thứ nhất là giám sát té ngã, bao gồm hai kịch bản ứng dụng là: (1) phát hiện,
cảnh báo té ngã và (2) dự đoán nguy cơ té ngã. Ở đây nguy cơ té ngã được xét
là do yếu tố dáng đi bất thường (do bệnh lý xương khớp hoặc tâm thần kinh)
gây ra.
-
Thứ hai là phát hiện các hành động bất thường để hỗ trợ cho dự đoán chứng
suy giảm nhận thức nhẹ.
Dựa vào mục tiêu nghiên cứu nói trên, luận án tập trung vào hai đối tượng
nghiên cứu chính là:
-
Thứ nhất, các khối xử lý tín hiệu trong hệ thống sử dụng kỹ thuật IVA.
-
Thứ hai, các ứng dụng của kỹ thuật IVA vào hỗ trợ hệ thống HMS hướng đến
phục vụ đối tượng người cao tuổi, gồm phát hiện té ngã, phát hiện dáng đi bất
thường và phát hiện hành động bất thường.
Xác định mục tiêu và đối tượng nghiên cứu như trên, luận án tập trung vào
thực hiện các nhiệm vụ chính như sau:
-
Thứ nhất, nghiên cứu tổng quan kỹ thuật IVA hỗ trợ cho hệ thống HMS,
hướng đến đối tượng người cao tuổi.
-
Thứ hai, xây dựng các hệ thống HMS trên nền kỹ thuật IVA sao cho phù hợp
với ứng dụng hỗ trợ hệ thống HMS.
-
Thứ ba, nghiên cứu ứng dụng hệ thống xây dựng được vào việc phát hiện các
bất thường về sức khỏe người cao tuổi mà ta có thể quan sát bằng mắt gồm tai
nạn té ngã, dáng đi bất thường, hành động bất thường.
Tất cả các vấn đề nghiên cứu nêu trên đều được giải quyết trong phạm vi các
ràng buộc cụ thể như sau:
- Xem thêm -