Luận án Phát hiện vận động bất thường (Ngã) sử dụng cảm biến đeo

 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 mô hình học máy. Tuy nhiên, thuật toán lọc cần có một 
ngưỡng lọc để loại bỏ đi các tín hiệu nhiễu. Trong khuôn khổ của luận án này, NCS 
sử dụng cảm biến quán tính đeo trên người do đó dữ liệu lấy được từ các cảm biến có 
thể bị nhiễu hoặc/và đôi 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, có nhiều yếu tố có thể gây ra sự 
59 
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 có thể là do các tác động bên ngoài làm cho 
chuyển động của con người trở nên không bình thường v.v. Ngoài ra, các cảm biến 
có thể tự sinh ra nhiễu tùy vào chất lượng chế tạo ra nó. Trong trường hợp như vậy, 
người ta thường sử dụng một ngưỡng cho bộ lọc để loại bỏ nhiễu, sau đó sinh ra giá 
trị phù hợp bù lại cho mẫu bị mất. Ở đây, các bộ lọc dữ liệu nhiễu bao gồm bộ lọc 
thông thấp để loại bỏ các mẫu có giá trị thấp bất thường và bộ lọc thông cao để loại 
bỏ các mẫu có giá trị cao bất thường (các tín hiệu thấp bất thường và cao bất thường 
không nằm trong ngưỡng sẽ không thể đi qua bộ lọc) thường được sử dụng. Sau đó, 
các mẫu được nhóm 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 thông thường, nó sẽ có thể 
bị loại bỏ bởi vì không đủ thông 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 có 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 tô theo, như vậy với sự hỗ trợ của thiết bị Spline, 
các kỹ sư sẽ vẽ được một đường cong mịn, không bị gãy khúc qua các điểm cần thiết. 
Nội suy Cubic Spline về mặt toán học cũng tương đương với cách thực hiện này, chi 
tiết về phương pháp nội duy Cubic Spline được trình bày trong [15, 19]. 
 Ngoài sử dụng bộ lọc thông thấp/cao, để nâng cao độ chính xác của tín hiệu 
cảm biến, trong các thử nghiệm NCS còn 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 nó có thể ước tính trạng thái quá 
khứ, hiện tại và ngay cả tương lai một cách hiệu quả, bộ lọc này cũng có thể hoạt 
động tốt ngay cả trong trường hợp độ chính xác thực sự của mô hình còn chưa biết. 
Đây là bộ lọc được dùng nhiều trong các ứng dụng định hướng, định vị hay điều khiển 
60 
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 mô 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 thông thấp (Low-pass filter) và hình bên dưới 
là tín hiệu khi sử dụng bộ lọc Kalman. 
Trong mô hình thực nghiệm, NCS sử dụng một thiết bị phần cứng có tên 
Raspberry PI Sense HAT được cung cấp bởi các giải pháp nhúng MLAB [90], PI 
Sense HAT là một máy tính nhúng có giá thành rẻ (khoảng 900 nghìn VNĐ) có thể 
kết hợp các mô-đun cảm biến MPU6050 gồm gia tốc kế, con quay hồi chuyển, từ kế 
(hình 2.3, bên trái) bằng giao thức I2C (ngoài ra mô-đun cảm biến MPU6050 cũng 
có thể tích hợp thêm một số loại cảm biến khác như cảm biến áp suất nếu có nhu cầu 
sử dụng). Raspberry PI Sense HAT sẽ được ghép nối với máy tính Raspberry Pi 3 có 
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). 
Hình 2.3. Raspberry MPU 6050 (trái) và cổng xPico 200 IoT (phải) [90] 
61 
 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 có thể đo bất kỳ chuyển động nào của người dùng. Khi thu thập dữ liệu, thiết 
bị được đeo bên hông vì đây đã được chứng minh là vị trí tốt nhất để các cảm biến có 
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 không 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 môi 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 đó. 
𝑥𝑡+1 = 𝐴𝑥𝑡 + 𝑤𝑡 (2.1) 
𝑧𝑡+1 = 𝐻𝑥𝑡 + 𝑣𝑡 (2.2) 
trong đó 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 đó (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 có kích 
thước (m x n) là ma trận hệ số của trị đo zt, wt. 
62 
Hình 2.4. Hình ảnh tín hiệu cảm biến của ngã từ từ; tín hiệu chuẩn hóa (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 góc v.v. do đó 
x có thể được biểu diễn dưới dạng x=[a, g, m] trong đó a là gia tốc đo lường sự thay 
đổi tốc độ khi di chuyển; g là vận tốc góc 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 hóa trong giới hạn [-1,1]. 
2.4. Trích chọn các đặc trưng 
 Tín hiệu của các cảm biến quán tính dùng để theo dõi VĐBT được thu nhận 
theo thời gian và có biên độ giao động lớn, nó sẽ được dùng để tính toán các đặc 
trưng sử dụng cho các mô hình học máy. Đối với bài toán HAR, các đặc trưng thống 
kê theo miền thời gian đã chứng tỏ được sự hiệu quả đối với một mẫu tín hiệu 
63 
 1,..., nS s s= thu được của cảm biến gia tốc, con quay hồi chuyển và từ kế [19, 20, 
52, 129]. Các đặc trưng này bao gồm: 
2.4.1. Đặc trưng của cảm biến gia tốc 
 Độ đo hướng tâm: Được xác định qua trung bình số học s (công thức 2.3) và 
bình phương trung bình RMS (công thức 2.4). Trong công thức 2.3 và 2.4, is biểu 
diễn giá trị thứ i của tín hiệu, n biểu diễn độ dài của tín hiệu. Đối với gia tốc kế, độ 
đo hướng tâm thường được sử dụng để xác định tư thế thẳng đứng hoặc nằm ngang. 
1
1 n
i
i
s s
n =
=  (2.3) 
2
1
1
(S)
n
i
i
RMS s
n =
=  (2.4) 
 Các độ đo phân tán như độ lệch chuẩn s

 , phương sai
2
s , độ lệch tuyệt đối 
trung bình (MAD) được biểu diễn qua công thức 2.5, 2.6, 2.7: 
2
i
1
1
( )
1
n
s
i
s s
n

=
= −
−
 (2.5) 
 2 2
i
1
1
( )
1
n
s
i
s s
n

=
= −
−
 (2.6) 
i
1
1
( )
1
n
i
sMAD S
n
s
=
−=
−
 (2.7) 
Công thức 2.8 biểu diễn độ đo chuyển đổi miền năng lượng theo FFT, trong đó 
Fi là thành phần thứ i của biến đổi Fourier của S. 
2
1
n
i
i
F
Energy(S ) =
n
=

 (2.8) 
64 
Entropy: 
1
( ) log( ( ))
n
x i i
i
p x p xE
=
= − (2.9) 
trong đó xi là giá trị gia tốc; p(xi) là phân bố xác suất của 𝑥𝑖 trong cửa sổ trượt, có thể 
được ước tính bằng số 𝑥𝑖 có trong cửa sổ chia cho n. Tương tự, các entropy Ey, Ez dọc 
theo trục y và trục z được tính toán bằng cách sử dụng công thức 2.9. 
Tương quan giữa các trục: 
𝐶𝑥,𝑦 =
𝑐𝑜𝑣( 𝑥,𝑦)
𝛿𝑥𝛿𝑦
 (2.10) 
trong đó cov (x, y) là hiệp phương sai; x , y là độ lệch chuẩn của các giá trị gia tốc 
x và y. 
Hjorth mobility (HM): Thể hiện sự thay đổi về tần số, là căn bậc hai của phương 
sai của đạo hàm đầu tiên của tín hiệu y(t) chia cho phương sai của tín hiệu y (t). Trong 
đó y(t) đại diện cho tín hiệu gia tốc. 
(t)
ar( )
ar(y(t))
dy
v
dtHM
v
= (2.11) 
Hjorth complexity (HC): Thể hiện tần số trung bình, được tính như sau: 
(t)
( )
(y(t))
dy
HM
dtHC
HM
= (2.12) 
2.4.2. Đặc trưng của cảm biến con quay hồi chuyển 
 Một số đặc trưng của con quay hồi chuyển được trích chọn như: 
 Tổng độ lớn véc-tơ (SVM): Là tổng của 3 thành phần dọc theo trục của con 
quay hồi chuyển, công thức tính như sau: 
65 
SVMi = √𝑥𝑖
2 + 𝑦𝑖
2 + 𝑧𝑖
2 (2.13) 
 Khác biệt tổng về độ lớn Véc-tơ (DSVM): 
DSVMi = √(𝑥𝑖 − 𝑥𝑖−1)2 + (𝑦𝑖 − 𝑦𝑖−1)2 + (𝑧 − 𝑧𝑖−1)2 (2.14) 
Ngoài ra các đặc trưng trung bình 𝑠 (công thức 2.3), độ lệch chuẩn 𝜎𝑠 (công 
thức 2.5) và tương quan giữa các trục 𝐶𝑥,𝑦 (công thức 2.10) cũng được tính trên svmi 
và dsvmi. 
2.4.3. Đặc trưng của từ kế 
 Đối với từ kế, hai trưng đặc gồm trung bình 𝑠 (công thức 2.3) và phương sai 
𝜎𝑠
2 (công thức 2.6) được trích chọn. Ngoài ra, NCS trích chọn thêm của ba điểm có 
giá trị cao nhất (3 đỉnh) và ba điểm có giá trị thấp nhất trên một cửa số trượt của tín 
hiệu từ kế. 
 Như vậy, các đặc trưng được trích chọn thủ công của các cảm biến quán tính 
được tổng hợp trong bảng 2.1: 
66 
Bảng 2.1. Tổng hợp các đặc trưng của các cảm biến quán tính 
STT Tên cảm biến Đặc trưng 
1 Cảm biến gia tốc 
- Trung bình 
- Độ lệch chuẩn 
- Energy 
- Entropy 
- Tương quan giữa các trục gia tốc 
- Hjorth mobility (HM) 
- Hjorth complexity (HC) 
2 Con quay hồi chuyển 
- Độ lớn véc-tơ (SVM) 
- Khác biệt về độ lớn (DSVM) 
- Trung bình (mean) 
- Độ lệch chuẩn 
- Hệ số tương quan cũng được trích xuất trên svm 
và dsvm 
3 Từ kế 
- Trung bình (mean) 
- Phương sai (variance) 
- Đặc trưng của ba điểm có giá trị cao nhất (3 đỉnh) 
và ba điểm có giá trị thấp nhất trên một cửa số trượt 
được trích xuất. 
2.5. Ứng dụng mô hình học máy cho bài toán phát hiện VĐBT 
 Với sự phát triển của công nghệ chế tạo cảm biến, đã có nhiều cảm biến được 
nghiên cứu, phát triển và sử dụng trong các sản phẩm thương mại với mục đích thu 
thập các thông tin về vận động hằng ngày của con người. Cũng chính điều này đã làm 
cho dữ liệu thu thập được ngày càng đa dạng và thiếu tính đồng nhất. Đối với các hệ 
thống phát hiện hoạt động, các dữ liệu thô thu thập từ các cảm biến thường không có 
giá trị nhận dạng nếu không được xử lý. Trong trường hợp này, cần sử dụng các 
67 
phương pháp học máy để xử lý dữ liệu bằng việc tạo ra các mẫu giúp mô tả, phân tích 
và phân loại hoạt động. 
Với các đặc trưng được tính toán từ dữ liệu thu được từ ba cảm biến 3 trục gồm 
gia tốc kế, con quay hồi chuyển và từ kế có thể coi đó là dữ liệu nhiều chiều. Để xử 
lý các dữ liệu này, NCS sử dụng hai mô hình học máy bao gồm Máy véc-tơ hỗ trợ 
(SVM) và Rừng ngẫu nhiên (RF) trong các thử nghiệm về kết hợp các đặc trưng cảm 
biến, hai mô hình học máy này đã được chứng minh có khả năng giải quyết tốt các 
vấn đề đối với dữ liệu nhiều chiều và tránh được vấn đề over-fitting [22, 64, 76]. Mô 
hình SVM có thể duy trì các đặc trưng tổng quát trên dữ liệu bằng cách ánh xạ các 
đặc trưng vào một không gian đặc trưng mới có kích thước cao hơn bằng cách sử 
dụng một hàm nhân [22, 64], giúp tìm một siêu phẳng (hyper plane) với đường phân 
biệt (max-margin) lớp đối tượng tốt hơn trong không gian mới. 
 Mô hình RF là một bộ phân loại đồng bộ bao gồm nhiều cây quyết định, RF 
có một số ưu điểm như các mô hình RF có thể tạo ra một ước tính không thiên vị nội 
bộ về lỗi tổng quát khi nó xây dựng các tiến trình [76]. Đặc biệt là nó có khả năng 
cân bằng lỗi trong lớp phổ biến trên các tập dữ liệu không cân bằng. Ngoài ra, RF là 
một ví dụ điển hình về việc giảm sự phù hợp bằng cách lấy trung bình một nhóm cây. 
RF cũng có thể được mở rộng để học từ dữ liệu không được gán nhãn, điều này 
thường được sử dụng trong các tác vụ khác như phân cụm không giám sát, kiểm tra 
dữ liệu và phát hiện ngoại lệ. Những đặc điểm này của RF rất quan trọng đối với các 
lĩnh vực nghiên cứu nhận dạng hoạt động ở người vì dữ liệu từ các cảm biến có thể 
tăng nhanh chóng, phần lớn chúng không có nhãn và thường mất cân bằng. Mỗi phần 
tử của RF là một cây quyết định có cấu trúc dạng đồ thị theo luồng, trong đó mỗi nút 
biểu thị một phép thử trên một thuộc tính trong khi mỗi nhánh trong cây xác định một 
tiến trình của phép thử, cây quyết định thực hiện nhiệm vụ phân loại bằng cách so 
sánh các giá trị thuộc tính của một dãy hữu hạn các giá trị với cây quyết định và 
đường dẫn là một vết từ gốc tới nút lá, để dự đoán lớp cho một quan sát. 
68 
2.6. Kết hợp các đặc trưng cảm biến, thử nghiệm và đánh giá 
2.6.1. Kết hợp các đặc trưng cảm biến 
 NCS đề xuất một lược đồ đơn giản cho kết hợp đặc trưng cảm biến đó là dùng 
phép nối giữa các véc-tơ đặc trưng được trích chọn từ mỗi cảm biến với trọng số là 
một số thực nằm trong khoảng [0,1] thể hiện tỷ lệ quan trọng đóng góp vào độ chính 
xác. Các véc-tơ đặc trưng được tính từ gia tốc kế (𝐴 ), con quay hồi chuyển (𝐺 ) và 
từ kế (𝑀⃗ ) được kết hợp thành một đặc trưng thống nhất theo công thức dưới đây: 
�⃗� =α . 𝐴  β. 𝐺  (1-α-β). �⃗⃗�⃗ (2.15) 
 Trong công thức 2.15, α và β (α ≥0, β ≥0, α + β≤1) là trọng số của các đặc 
trưng dữ liệu gia tốc kế và các đặc trưng dữ liệu con quay tương ứng, việc sử dụng α 
và β có thể giúp NCS ước tính được tỷ lệ phần trăm trong đóng góp vào kết quả nhận 
dạng của từng cảm biến. Cụ thể hơn, có thể coi cả ba cảm biến sẽ có đóng góp 100% 
vào kết quả nhận dạng, như vậy α cho biết gia tốc kế sẽ có đóng góp bao nhiêu phần 
trăm vào kết quả nhận dạng, β cũng sẽ cho biết con quay hồi chuyển có đóng góp bao 
nhiêu phần trăm vào kết quả nhận dạng và tương tự như vậy đối với từ kế. α và β 
được ước tính bằng cách đánh giá thử nghiệm trên tập dữ liệu. Toán tử “” là một 
phép nối (concatanation) ba véc-tơ thành một véc-tơ đặc trưng kết hợp cả ba véc-tơ 
đặc trưng được tính từ gia tốc kế (𝐴 ), con quay hồi chuyển (𝐺 ) và từ kế (𝑀⃗ ). 
Sơ đồ các bước thực hiện từ bước tiền xử lý tín hiệu cảm biến đến bước trích 
chọn các đặc trưng và kết hợp các đặc trưng cảm biến được thể hiện trong hình 2.5. 
Trong hình 2.5, dữ liệu thu được từ cảm biến gia tốc, con quay hồi chuyển và từ kế 
được tiền xử lý (dữ liệu được lọc và phân đoạn thành các cửa sổ trượt). Sau bước này, 
các đặc trưng của các cảm biến tương ứng được tính toán và kết hợp thành véc-tơ đặc 
trưng (như công thức 2.15). Véc-tơ đặc trưng này tiếp tục được sử dụng cho các mô 
hình học máy bao gồm SVM và RF để phát hiện ngã. 
69 
Hình 2.5. Sơ đồ các bước thực hiện để kết hợp các đặc trưng cảm biến sử dụng cho 
mô hình học máy 
2.6.2. Thử nghiệm và đánh giá 
2.6.2.1. Thu thập và gán nhãn dữ liệu 
Tại thời điểm tiến hành các thử nghiệm, do không có sẵn dữ liệu thu thập từ 
cảm biến gia tốc, con quay hồi chuyển và từ kế cho thử nghiệm phát hiện ngã được 
công khai trên Internet, vì vậy NCS và đồng sự đã thực hiện tự thu thập tập dữ liệu 
cho ngã. Tập dữ liệu được đặt tên là PTITAct được thu thập từ 26 người từ 19 đến 42 
tuổi tham gia thực nghiệm, mỗi người được yêu cầu đeo thiết bị ở hông (tại vùng thắt 
70 
lưng bên phải) như hình 2.6, thiết bị đeo có kích thước nhỏ và được bọc trong vỏ màu 
đen do đó không ảnh hưởng nhiều tới hoạt động hàng ngày và không gây mất tập 
trung đối cho những người tham gia thử nghiệm. Một camera kỹ thuật số được lắp ở 
góc trần của căn phòng để ghi lại các vận động được thực hiện, camera kỹ thuật số 
được sử dụng với mục đích để gán nhãn dữ liệu thu nhận từ cảm biến quán tính dựa 
trên sự đồng bộ về thời gian giữa dữ liệu của cảm biến quán tính và hình ảnh thu nhận 
từ camera. Sau đó những người tham gia thực nghiệm được yêu cầu thực hiện 8 vận 
động ngã và 8 vận động giống như ngã trong đó có một vận động không xác định 
(vận động không xác định là vận động những người tham gia được thực hiện tuỳ ý 
và không nằm trong danh sách các vận động quy ước trước). Việc thu thập các vận 
động gần giống như ngã bao gồm cả vận động không xác định sẽ giúp đánh giá hiệu 
suất của hệ thống phát hiện ngã một cách khách quan khi triển khai trong thực tế vì 
nếu hệ thống không có khả năng nhận dạng và phát hiện vận động ngã tốt thì rất dễ 
nhầm lẫn giữa vận động ngã và vận động giống như ngã, từ đó đưa ra các cảnh báo sai 
về vận động ngã. Chi tiết các vận động ngã, các vận động không phải ngã và số mẫu 
của mỗi vận động trong tập dữ liệu được trình bày ở bảng 2.2, lưu ý trong bảng này 
các vận động không xác định có số lượng lớn nhất là 1635 mẫu. 
 Ứng dụng ghi lại thông tin (dạng nhật ký) các cảm biến được phát triển để thu 
thập dữ liệu cảm biến từ thiết bị được đeo ở hông của đối tượng. Trước khi thực hiện 
một vận động, các đối tượng được cung cấp một danh sách các ngã và các vận động 
được định nghĩa, sau đó NCS thực hiện mẫu cho những người tham gia thực nghiệm 
xem. Mỗi vận động ngã và các vận động khác được thực hiện liên tục 5 lần, các mẫu 
dữ liệu cảm biến cùng với thời gian được ghi vào tệp nhật ký chứa các vận động. 
71 
Hình 2.6. Thiết bị đeo được gắn vào hông của người dùng 
 Dữ liệu thu thập được gán nhãn bằng cách sử dụng công cụ gán nhãn ELAN 
[36] vì công cụ này có thể cung cấp các định nghĩa nhãn đa cấp. Các vận động được 
nhóm thành hai nhóm: Ngã và Không phải ngã (xem bảng 2.2). 
Bảng 2.2. Các vận động ngã và không phải ngã 
Mức độ cao 
(High-level) 
Ngã (Fall) Không phải ngã (Non-fall) 
Mức độ thấp 
(Low-level) 
Ngã về phía trước (260) 
Ngã về phía sau (260) 
Ngã về bên trái (260) 
Ngã về bên phải (260) 
Ngã khi lên cầu thang (260) 
Ngã khi xuống cầu thang 
Ngã trong khi đi bộ (260) 
Ngã từ từ (260) 
Ngồi (260) 
Ngồi sau đó nằm (260) 
Nằm từ từ (260) 
Nhảy (520) 
Đá (520) 
Đi lên cầu thang (520) 
Đi xuống cầu thang (520) 
Các vận động không xác định (1635) 
72 
2.6.2.2. Phân đoạn và thiết lập các tham số cho mô hình học máy 
a. Phân đoạn 
Khi thu nhận dữ liệu, dữ liệu cảm biến được sinh ra liên tục theo thời gian (như 
các dòng dữ liệu) nên cần phải được phân đoạn thành các cửa sổ trượt để trích chọn 
đặc trưng. Từ nghiên cứu [117], NCS chọn độ dài cửa sổ 2 giây là phù hợp trong việc 
phát hiện ngã và nhận dạng hoạt động ở người, độ dài 2 giây có thể giúp bao quát 
được toàn bộ hoạt động và cũng có thể tránh được sự chậm chễ không cần thiết từ 
việc xử lý liên tục theo thời gian thực. Sau khi phân đoạn, các đặc trưng được tính 
toán từ các cửa sổ trượt để phát hiện ngã. NCS đã phát triển một chương trình phát 
hiện sự kiện có tên “Event detector” có chức năng phát hiện trong số các cửa sổ trượt 
thì cửa sổ nào có xác suất cao chứa sự kiện ngã, chương trình sẽ dựa trên ngưỡng đơn 
giản để phát hiện các sự kiện ngã tiềm năng từ các cửa sổ trượt (ngưỡng dựa trên đặc 
trưng năng lượng được tính toán và được ước tính thông qua thử nghiệm trên một tập 
con của tập dữ liệu tự thu thập của NCS và đồng sự). Chỉ các cửa số trượt có chứa sự 
kiện ngã mới được đưa sang bước tiếp theo để trích xuất đặc trưng. 
b. Thiết lập các tham số cho mô hình học máy 
Với các thử nghiệm nhỏ và qua nghiên cứu [76], NCS sử dụng SVM trong 
LibSVM [16] với hàm RBF, tham số C và gamma của SVM đã được chọn bởi một 
thủ tục tìm kiếm lưới (đây là thủ tục tìm kiếm