Nâng cao tính ổn định cho mô hình phát hiện ngã của người đi bộ bằng thuật toán tối ưu bầy đàn kết hợp bộ phân lớp rừng ngẫu nhiên

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:6

Thêm vào BST

Báo xấu

22
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này đề xuất một mô hình phát hiện ngã với hiệu suất phát hiện được cải thiện dựa trên các bộ tính năng khác nhau bao gồm bộ tính năng ở miền thời gian, bộ tính năng ở miền tần số và tham số Hjorth. Hơn nữa, nghiên cứu này còn sử dụng thuật toán tối ưu bầy đàn (PSO) để tối ưu hóa các thông số của mô hình phân lớp Rừng ngẫu nhiên (RF) nhằm cải thiện độ chính xác của hệ thống phát hiện ngã.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Nâng cao tính ổn định cho mô hình phát hiện ngã của người đi bộ bằng thuật toán tối ưu bầy đàn kết hợp bộ phân lớp rừng ngẫu nhiên

Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XIV về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), TP. HCM, ngày 23-24/12/2021 DOI: 10.15625/vap.2021.00108 NÂNG CAO TÍNH ỔN ĐỊNH CHO MÔ HÌNH PHÁT HIỆN NGÃ CỦA NGƯỜI ĐI BỘ BẰNG THUẬT TOÁN TỐI ƯU BẦY ĐÀN KẾT HỢP BỘ PHÂN LỚP RỪNG NGẪU NHIÊN Lê Hồng Lam1,4, Nguyễn Đức Nhân2, Trịnh Anh Tuấn3, Nguyễn Hà Nam4 Khoa Điện tử, Trường Đại học Sư phạm Kỹ thuật Vinh 1 Khoa Viễn Thông 1, Học viện Công nghệ Bưu chính Viễn thông 2 3 Trung tâm Thuận lợi hóa Thương mại và Dịch vụ Điện tử, Liên minh Hợp tác xã Việt Nam 4 Viện Công nghệ Thông tin, Đại học Quốc gia Hà Nội lehonglam@vnu.edu.vn, nhannd@ptit.edu.vn, txtuan@gmail.com, namnh@vnu.edu.vn TÓM TẮT: Phát hiện ngã cho người đi bộ đã và đang thu hút rất nhiều nghiên cứu do tầm quan trọng của nó trong việc xây dựng một hệ thống phòng ngừa để tránh những hậu quả tiêu cực. Có nhiều kỹ thuật để phát hiện ngã, đó là sử dụng các thiết bị khác nhau như máy ảnh, cảm biến môi trường, cảm biến đeo... Tuy nhiên, sự phổ biến của điện thoại thông minh với nhiều cảm biến nhúng đã thúc đẩy nghiên cứu phát hiện hoạt động bất thường như té ngã dựa trên dữ liệu gia tốc kế. Khả năng phát hiện ngã chính xác trong các hoạt động hàng ngày của con người luôn là một thách thức lớn. Bài báo này đề xuất một mô hình phát hiện ngã với hiệu suất phát hiện được cải thiện dựa trên các bộ tính năng khác nhau bao gồm bộ tính năng ở miền thời gian, bộ tính năng ở miền tần số và tham số Hjorth. Hơn nữa, nghiên cứu này còn sử dụng thuật toán tối ưu bầy đàn (PSO) để tối ưu hóa các thông số của mô hình phân lớp Rừng ngẫu nhiên (RF) nhằm cải thiện độ chính xác của hệ thống phát hiện ngã. Kết quả thử nghiệm trên bộ dữ liệu MobiAct cho thấy hệ thống đề xuất cho hiệu suất tốt hơn so với nghiên cứu của Charikleia Chatzaki và cộng sự. Ngoài ra, hiệu suất phát hiện té ngã cũng được cải thiện so với RF. Từ khóa: Nhận dạng hành động, cảm biến gia tốc trên smartphone, mô hình phân lớp, tối ưu bầy đàn (PSO). I. GIỚI THIỆU Điện thoại thông minh đã trở nên phổ biến ở nhiều nước trên thế giới, hệ thống cảm biến trên điện thoại thông minh ngày càng chính xác và hiện đại. Vì vậy, nó trở thành một công cụ hữu ích cho nhận dạng hành động của người dùng (HAR). Đối với HAR, các mẫu dữ liệu thu được từ cảm biến đóng vai trò là quyết định loại hoạt động mà người dùng thực hiện [1]. Với sự gia tăng dân số cao tuổi ở nhiều nước trên thế giới, hệ thống nhận dạng hành động, đặc biệt là các hành động bất thường của do ngã, đột quỵ, bị va đập mạnh hoặc mất kiểm soát,... được quan tâm nhiều hơn. Trong cuộc sống hàng ngày, các hoạt động, hành vi bất thường của con người rất đa dạng. Tuy nhiên, hành vi bất thường như té ngã cần được nghiên cứu nhiều hơn vì hậu quả của té ngã thường nghiêm trọng, đặc biệt đối với người già. Nhiều yếu tố tác động gây nguy cơ té ngã, có thể được phân loại là các yếu tố bên trong, liên quan đến hành vi, trạng thái sức khỏe con người và các yếu tố bên ngoài, liên quan đến môi trường [2], [3]. Việc xác định được nhiều mối liên kết giữa các yếu tố này sẽ xác định tốt hơn mức độ rủi ro dẫn đến ngã. Mô hình chỉ sử dụng dữ liệu thu từ các cảm biến gia tốc trên điện thoại thông minh, yếu tố môi trường không được xác định sẽ tạo ra thách thức rất lớn khi đánh giá các mức độ rủi ro gây nên té ngã. Do vậy, cần phải xác định được các pha đặc trưng trong dáng đi của con người. Qua đó xác định được các tham số đặc trưng cho từng pha. Sự biến đổi các tham số đặc trưng theo thời gian có mối liên hệ mật thiết đến khả năng té ngã. Xác định được tập các đặc trưng tiêu biểu có vai trò rất quan trọng, cho phép các mô hình phân lớp có thể nhận dạng các mẫu hành vi bất thường của con người với độ chính xác cao. Các phần tiếp theo của bài báo được tổ chức như sau: Phần II giới thiệu một số nghiên cứu liên quan, tóm tắt một số phương pháp được các nhà nghiên cứu khác đề xuất để giải quyết vấn đề HAR. Phần III trình bày mô hình phát hiện ngã và phương pháp đề xuất. Phần IV giới thiệu về bộ dữ liệu thử nghiệm, mô tả quá trình thử nghiệm và các kết quả thử nghiệm. Phần V đưa ra các kết luận và đề xuất hướng nghiên cứu trong tương lai. II. MỘT SỐ NGHIÊN CỨU LIÊN QUAN Adnan Nadeem và công sự [4] đã xây dựng tập dữ liệu sử dụng cảm biến đo lường quán tính và điện tâm đồ có thể đeo được để nhận dạng hoạt động, phát hiện ngã và hệ thống phát hiện bất thường về tim cơ bản. Yan Wang và cộng sự [5] đã thực hiện một cuộc khảo sát về phương thức cảm biến có thể đeo được trên cổ tay tập trung vào việc ghi nhận hoạt động chăm sóc sức khỏe của con người. Henry Friday Nweke và cộng sự đã chỉ ra các khó khăn và thách thức khi sử dụng các thuật toán học sâu để nhận dạng hoạt động của con người bằng cách sử dụng mạng cảm biến di động và có thể đeo được [6]. Nethra Ganesh Chigateria và công sự đã sử dụng gia tốc kế để đo hoạt động của người già [7]. Emma Stack và cộng sự có một công trình nghiên cứu xác định sự suy giảm khả năng thăng bằng ở những người bị bệnh Parkinson bằng cách sử dụng video và cảm biến có thể đeo được [8]. Charissa Ann Ronao và Sung-Bae Cho đề xuất các giải pháp nhận biết các hoạt động của con người từ các cảm biến của điện thoại thông minh bằng cách sử dụng các mô hình Markov ẩn liên tục phân cấp [9]. Xu và cộng sự [10] đã sử dụng kết hợp mô hình CNN-LSTM để đạt được độ chính xác 98,98 % bằng cách sử dụng dữ liệu gia tốc kế của 6 hoạt động cơ bản ((ADL): WAL, JOG, JUM, STD, SIT, STU và 4 hành động té ngã làm các tính
Lê Hồng Lam, Nguyễn Đức Nhân, Trịnh Anh Tuấn, Nguyễn Hà Nam 595 năng của mô hình trên tập dữ liệu MobiAct. Tuy nhiên, trong nghiên cứu [10] chỉ sử dụng các hành động có tỉ lệ nhận dạng cao để huấn luyện mô hình. Panhwar và cộng sự [11] chỉ xem xét hai hoạt động ngã, FOL và BSC và ba ADL, cụ thể là STD, WAL và SIT cho tập dữ liệu MobiAct nên không thể đánh giá hết các trường hợp có thể xẩy ra. Họ đã sử dụng cả SVM và Neural Network để thử nghiệm, trong đó kết quả tốt nhất thu được bằng cách sử dụng mô hình dựa trên Neural Network. Zheng và cộng sự. [12] đã đề xuất thuật toán có tên Two-layer Activity Sparse Grouping (TASG), coi đó là sparse matrix xác định sự giống nhau giữa các hoạt động khác nhau. Dựa trên những điểm tương đồng giữa 12 hoạt động, chúng được phân loại thành ba nhóm trong đó nhóm thứ nhất bao gồm LYI, STD, SIT; nhóm thứ hai bao gồm WAL, JOG, JUM, STU, STN và nhóm cuối cùng bao gồm của SCH, CHU, CSI, và CSO. Họ đã sử dụng các bộ phân loại SVM, RF, kNN, và RNN có hoặc không có TASG. Kết quả tốt nhất mà họ đã thu được cho SVM với sự kết hợp của TASG. Bảng 1, đưa ra tóm tắt của một công trình trước đây trên bộ dữ liệu MobiAct. Bảng 1. So sánh hiệu suất (tính theo %) của một số phương pháp hiện đại trên bộ dữ liệu MobiAct Các tác giả Năm Phân loại Độ chính xác Xu và cộng sự. [10] 2019 CNN+Mô hình LSTM 96,98 % Zheng và cộng sự. [12] 2018 TASG được áp dụng với SVM 90,55 % Panwhar và cộng sự. [11] 2017 Mạng thần kinh 96,07 % Chatzaki và cộng sự [13] 2016 Ibk 96,8 % Từ một số nghiên cứu đã khảo sát, chúng tôi thấy rằng, chỉ một số ít trường hợp mô hình dựa trên RF được sử dụng để nhận dạng hoạt động. Hầu hết các phương pháp dựa trên kỹ thuật điển hình và bộ phân lớp cơ bản. Trong nghiên cứu này, chúng tôi đã áp dụng thành công mô hình dựa trên RF kết hợp với thuật toán PSO để nâng cao hiệu suất và độ ổn định của mô hình phát hiện té ngã. PSO là một thuật toán được phát triển mô phỏng trí tuệ bầy đàn để tìm kiếm kết quả cho các bài toán tối ưu hoá trên một phạm vi tìm kiếm cố định. Thuật toán được công bố vào năm 1995 tại hội nghị của IEEE bởi Dr. Eberhart và Dr. Kennedy. Đầu tiên, PSO khởi tạo một nhóm cá thể ngẫu nhiên. Trong nhóm cá thể ngẫu nhiên ban đầu, vị trí tốt nhất của bầy đàn chính là vị trí của một trong các cá thể khởi tạo ban đầu. Mỗi lần cập nhật vị trí của các cá thể trong đàn mỗi cá thể sẽ biết được 2 giá trị là Pbest - vị trí tốt nhất cá thể đó từng đạt được và Gbest - vị trí tốt nhất mà tất cả các cả thể từng đạt được đến thời điểm hiện tại. Từ 2 giá trị này, từng cá thể trong đàn sẽ cập nhật lại vị trí, hướng di chuyển của mình theo vị trí tốt nhất từng đạt được. Sau khi tìm được hai giá trị tốt nhất, vị trí và vận tốc của các cá thể được cập nhật theo công thức lặp lại thuật toán tối ưu hóa bầy hạt cơ bản (bPSO) [14], [15] như sau: 𝒗𝒕+𝟏 𝒊 = 𝝎 ∗ 𝒗𝒕𝒊 + 𝒄𝟏 ∗ 𝒓𝟏 ∗ (𝑷𝒃𝒆𝒔𝒕 − 𝒙𝒕𝒊 ) + 𝒄𝟐 ∗ 𝒓𝟐 ∗ (𝑮𝒃𝒆𝒔𝒕 − 𝒙𝒕𝒊 ) (1) 𝒙𝒕+𝟏 𝒊 = 𝒙𝒕𝒊 + 𝒗𝒕+𝟏 𝒊 (2) III. MÔ HÌNH PHÁT HIỆN TÉ NGÃ A. Hệ thống nhận dạng hành động Hệ thống nhận dạng hành động thực hiện việc thu thập, tiền xử lý dữ liệu, biến đổi để có tập dữ liệu đặc trưng dựa trên tập thuộc tính được đề xuất. HAR bao gồm các hành vi bất thường dựa trên dữ liệu cảm biến gia tốc của điện thoại thông minh được xây dựng và biểu diễn như Hình 1: Hình 1. Hệ thống nhận dạng các hoạt động hàng ngày Hệ thống nhận dạng bao gồm 2 pha: Pha thứ nhất, sử dụng dữ liệu gia tốc đã được gán nhãn các loại hành động được thu thập và xác định trước từ các tình nguyện viên. Các kỹ thuật tiền xử lý dữ liệu được sử dụng kết hợp với tập thuộc tính đặc trưng được đề xuất để xây dựng tập dữ liệu đặc trưng. Qua đó xây dựng mô hình phát hiện bằng phương pháp nhận dạng. Pha thứ hai, nhận dạng các hoạt động hàng ngày dựa trên dữ liệu cảm biến thu được từ điện thoại. Các kỹ thuật biến đổi dữ liệu, trích xuất đặc trưng được áp dụng để tạo mẫu dữ liệu phát hiện, phát hiện nhãn của mẫu dữ liệu này bằng bộ phân lớp tối ưu. Trong bài báo này, nhóm tác giả dừng lại ở pha thứ nhất. Sau khi hoàn thành pha thứ nhất, nhóm tác giả sẽ tiến hành nghiên cứu hệ thống cho pha thứ hai.
596 NÂNG CAO TÍNH ỔN ĐỊNH CHO MÔ HÌNH PHÁT HIỆN NGÃ CỦA NGƯỜI ĐI BỘ BẰNG THUẬT TOÁN… Mỗi loại hành động, hành vi có tính chất, đặc trưng khác nhau nên kích thước cửa sổ dữ liệu tương ứng cũng khác nhau. Việc tìm một cửa sổ có kích thước phù hợp chứa đủ các thông tin của tất cả các đối tượng cần phân loại, nhận dạng sẽ gặp nhiều khó khăn. Việc thực nghiệm trên nhiều kích thước cửa số để tìm ra kích thước cửa sổ phù hợp nhất là hết sức cần thiết. B. Xây dựng tập thuộc tính đặc trưng Tập thuộc tính (T): bao gồm các thuộc tính trên miền thời gian, đó là: giá trị trung bình, thuộc tính phương sai, thuộc tính hiệp phương sai, thuộc tính độ lệch chuẩn, thuộc tính độ tương quan, giá trị điểm cắt không, thuộc tính độ đo hiệu dụng trên từng cửa sổ dữ liệu. Cùng với các thuộc tính tỉ lệ đỉnh trung bình trên các trục X, Y, Z của cảm biến gia tốc nhằm tăng thêm hiệu quả nhận dạng các hành động. Kết hợp với 4 thuộc tính diện tích độ lớn tín hiệu (SMA) [16], độ lớn véctơ tín hiệu vi sai DSVM [16] và các giá trị trung bình trong thống kê. Tổng số thuộc tính trong miền thời gian ở tập T là 34. Tập thuộc tính (F): bao gồm các thuộc tính trên miền tần số của tín hiệu cảm biến gia tốc thu được trong các hoạt động. Sự thay đổi về tín hiệu đẫn đến thay đổi về giá trị năng lượng, nên các đại lượng liên quan đến năng lượng tín hiệu cũng như độ đo Entropy được lựa chọn nhằm trợ giúp nhận dạng các hành động, hành vi khác nhau. Số lượng các thuộc tính trong tập F này là 7. Tham số Hjorth (H): Sử dụng chủ yếu trong lĩnh vực phân tích tín hiệu tin sinh học [17], [18]. Đặc trưng của tham số này có tính chất thống kê của tín hiệu trong miền thời gian gồm tính hoạt động, tính di động và tính phức hợp của tín hiệu. Để nhận dạng hành động và hành vi, chúng tôi đề xuất sử dụng các tham số này đối với các đại lượng góc xoay cũng như đại lượng trên các trục khác nhau của dữ liệu gia tốc kế. Tham số Hjorth có 3 thuộc tính được sử dụng. Bảng 2. Các tính được sử dụng để xây dựng tập thuộc tính trong đề xuất của chúng tôi Kiểu Tên đặc trưng Định nghĩ Thuộc tính Thống kê µ Giá trị trung bình ax, ay, az, arms, φ, θ s2 Phương sai ax, ay, az, φ, θ s Độ lệch chuẩn ax, ay, az Diff = max(x) − min(x) Độ lệch mẫu ax, ay, az R Độ tương quan (ax, ay), (ax, az), (az, ay) ZC Điểm cắt không ax, ay, az Miền thời gian PAR Tỉ lệ đỉnh trên trung bình ax, ay, az SMA Diện tích độ lớn tín hiệu ax, ay, az, arms SVM Độ lớn vectơ tín hiệu arms DSVM Độ lớn vectơ tín hiệu vi sai arms I Tích lũy φ, θ Miền EFFT Năng lượng ax, ay, az, arms tần số En Entropy ax, ay, az A Hành động ax, ay, az, arms, φ, θ Tham số Hjorth M Di động ax, ay, az, arms, φ, θ C Phức tạp ax, ay, az, arms, φ, θ C. Xây dựng tập thuộc tính đặc trưng Như đã thảo luận, bài báo này đề xuất sử dụng PSO để tìm ra bộ tham số tối ưu nhằm tăng hiệu quả phân loại của RF. Để làm được điều này, cần phải biến đổi tập hợp các tham số và kết quả của RF thành các biến trong hàm mục tiêu (F-Measure) của thuật toán PSO (Hình 2). Hình 2. Mô hình kết hợp bộ phân lớp RF với thuật toán PSO
Lê Hồng Lam, Nguyễn Đức Nhân, Trịnh Anh Tuấn, Nguyễn Hà Nam 597 Khi kết hợp bộ phân lớp RF với thuật toán PSO, cần xác định được các đại lượng đầu vào và đầu ra của thuật toán PSO. Đại lượng đầu vào là những tham số chính của bộ phân lớp RF cần tối ưu và giá trị đầu ra của thuật toán PSO là các tham số đã được tối ưu cho bộ phân lớp RF. Mục tiêu của PSO nhằm tự động tìm các tham số của mô hình phân lớp RF nhằm tối ưu việc phân loại các hành động đã thu thập được. Các tham số đầu vào của thuật toán: Bộ phân lớp RF có nhiều tham số, vì vậy cần phải chọn lọc những tham số ảnh hưởng đến kết quả cần tối ưu, tránh lãng phí tài nguyên cũng như thời gian chạy thuật toán. Các tham số cần tối ưu là những tham số quan trọng, khi thay đổi các tham số này hiệu suất của mô hình thay đổi rõ rệt. Chúng tôi nghiên cứu và đề xuất những tham số sẽ tối ưu trong mô hình nhận dạng sử dụng bộ phân lớp RF như sau: • P (Bag size percent): Kích thước của mỗi túi, theo tỷ lệ % của kích thước tập huấn luyện. • I (numIterations): Số lượng cây trong rừng. • Num-slot (numExecutionSlots): Số lượng luồng được sử dụng để xây dựng nhóm. • K (numFeatures): Số lượng thuộc tính được chọn ngẫu nhiên. Hàm đánh giá hiệu quả mô hình (Hàm F): FBSC + FFKL + FFOL + FSDL F= (3) 4 trong đó: − F: Giá trị trung bình F-Measure của các hành động ngã. − FFKL : Giá trị F-measure phân lớp cho hành động ngã gập đầu gối. − FFOL : Giá trị F-measure phân lớp cho hành động ngã về phía trước. − FFKL : Giá trị F-measure phân lớp cho hành động ngã từ ghế. − FFKL : Giá trị F-measure phân lớp cho hành động ngã nghiêng. IV. THỬ NGHIỆM VÀ ĐÁNH GIÁ A. Tổng quan về bộ dữ liệu thử nghiệm Trong nghiên cứu này, chúng tôi sử dụng bộ dữ liệu MobiAct 2.0 thu từ cảm biến gia tốc kế của điện thoại thông minh để tiến hành xây dựng hệ thống nhận dạng. MobiAct 2.0 là một bộ dữ liệu gồm 4 loại ngã (Falls) khác nhau và 12 trạng thái hoạt động hàng ngày (ADLs) khác nhau được 66 tình nguyện viên thực hiện với hơn 9879 thử nghiệm được thu thập từ 3 loại cảm biến bao gồm gia tốc kế (acc - accelerometer), con quay hồi chuyển (gyro - gyroscope) và cảm biến định hướng (ori - orientation) của điện thoại thông minh Samsung Galaxy S3 [19]. Trong đó, dữ liệu gia tốc kế được thu ở tần số 85Hz. Cách thức thu thập dữ liệu của MobiAct 2.0 được mô tả chi tiết ở [19]. Bảng 3 tóm tắt tất cả các hoạt động hàng ngày và hành động ngã được ghi lại, số lượng, thời gian thử nghiệm và mô tả tóm tắt về các hoạt động. Bảng 3. Các hoạt động hàng ngày (ADL) Loại hoạt động Nhãn Thời gian (s) Mô tả FOL 10 giây Ngã về phía trước khi đang đứng, sử dụng tay để chống. FKL 10 giây Ngã về phía trước khi đang đứng, đầu gối tiếp xúc đầu tiên. Té ngã BSC 10 giây Ngã ngửa trong khi đang ngồi trên ghế. SDL 10 giây Ngã sang một bên khi đang đứng, gập chân. STD 5 phút Đứng với với cử động nhẹ nhàng. WAL 5 phút Đi bộ bình thường. JOG 30 giây Chạy bộ. JUM 30 giây Nhảy liên tục. STU 10 giây Đi lên cầu thang (10 bậc). Hoạt động hàng STN 10 giây Đi xuống cầu thang (10 bậc). ngày SCH 6 giây Chuyển tiếp từ đứng sang ngồi (ngồi trên ghế). SIT 1 phút Ngồi trên ghế với những cử động nhẹ nhàng. CHU 6 giây Chuyển tiếp từ ngồi sang đứng (đứng lên từ ghế). CSI 6 giây Bước vào trong xe. CSO 6 giây Bước ra khỏi xe hơi. LYI 10 giây Hoạt động được thực hiện ở khoảng thời gian nằm sau ngã.
598 NÂNG CAO TÍNH ỔN ĐỊNH CHO MÔ HÌNH PHÁT HIỆN NGÃ CỦA NGƯỜI ĐI BỘ BẰNG THUẬT TOÁN… B. Kết quả và thảo luận 1. Tối ưu mô hình Random Forest và thuật toán PSO Như đã trình bày ở trên, thí nghiệm này chúng tôi tập trung vào trọng số F-measure của các hành động té ngã (BSC, FKL, FOL, và SDL) để xây dựng thuật toán tối ưu tham số cho mô hình phân lớp RF. Kết quả đạt được trình bày ở Hình 3. Hình 3. Kết quả phân lớp của mô hình PSO + RF so với mô hình RF ở từng loại hành động Nhìn vào các biểu đồ ở Hình 3 có thể thấy hiệu suất của mô hình RF trước và sau khi kết hợp với PSO được cải thiện rõ rệt. Tính ổn định khi nhận dạng các hành động cũng cao hơn so với mô hình RF đơn lẻ. Độ đo F-measure ở tất cả các hành động, đặc biệt là các hành vi té ngã đều tốt hơn mô hình RF gốc ban đầu. Xét về tổng thể chung của cả mô hình, F-measure tăng từ 96,9% lên 98,5%. 2. So sánh hiệu suất với các nghiên cứu khác Với tập thuộc tính và mô hình kết hợp bộ phân lớp RF với thuật toán PSO như đã đề xuất, kết quả thực nghiệm cho thấy trung bình trọng số của 16 hành động ở độ đo F-measure của chúng tôi (98,5%) tốt hơn so với [13] (96,8%) được trình bày ở Hình 4.(a). Đặc biệt, ở các hành động té ngã, hiệu suất của mô hình chúng tôi xây dựng tốt hơn khá nhiều so với mô hình của Chatzaki và cộng sự [13], như thể hiện ở Hình 4.(b). a) b) Hình 4. (a) Kết quả nhận dạng các hành động ở độ đo F-measure, (b) kết quả nhận dạng các hành động té ngã ở độ đo F-measure trong nghiên cứu [13] và của chúng tôi. V. KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO Trong bài báo này, chúng tôi đề xuất tập thuộc tính đặc trưng và phương pháp tối ưu bộ phân lớp RF sử dụng thuật toán tối ưu tham số PSO. Đầu tiên, chúng tôi nghiên cứu tính chất dữ liệu cảm biến gia tốc kế của điện thoại thông minh để xây dựng tập thuộc tính đặc trưng. Sau đó, chúng tôi nghiên cứu khảo sát một số bộ phân lớp thông dụng để tìm ra mô hình phù hợp với bộ dữ liệu va tập thuộc tính đã xây dựng. Cuối cùng, thuật toán tối ưu PSO được sử dụng để tìm bộ tham số tối ưu cho mô hình RF nhằm nâng cao hiệu suất nhận dạng của mô hình. Kết quả thực nghiệm cho thấy, hệ thống mà chúng tôi xây dựng đã cải thiện hiệu suất phát hiện tăng từ 96,9% lên 98,5% ở độ đo F-measure. Ngoài ra, hiệu suất phát hiện ở các hành động ngã cao hơn từ 17% đến 26,7% ở độ đo F-Measure so với nhóm tác giả Charikleia Chatzaki và cộng sự [13]. Từ kết quả đạt được cho thấy, phương pháp tiếp cận của chúng tôi phù hợp với việc nhận dạng các hành động té ngã của người đi bộ. Vì vậy, trong tương lai, chúng tôi sẽ mở rộng nghiên cứu theo hướng tập trung vào việc xây dựng tập thuộc tính đặc trưng từ nhiều cảm biến để cải thiện và nâng cao độ ổn định của hệ thống phát hiện té ngã. TÀI LIỆU THAM KHẢO [1] K. G. Montero Quispe, W. Sousa Lima, D. Macêdo Batista, and E. Souto, “MBOSS: A symbolic representation of human activity recognition using mobile sensors”, Sensors, vol. 18, No. 12, p. 4354, 2018. [2] W. Z. Khan, Y. Xiang, M. Y. Aalsalem, and Q. Arshad, “Mobile Phone Sensing Systems: A Survey”, IEEE Commun. Surv. Tutor., vol. 15, No. 1, pp. 402-427, 2013, doi: 10.1109/SURV.2012.031412.00077. [3] M. Khan, S. I. Ahamed, M. Rahman, and R. O. Smith, “A Feature Extraction Method for Realtime Human Activity Recognition on Cell Phones”, p. 6.
Lê Hồng Lam, Nguyễn Đức Nhân, Trịnh Anh Tuấn, Nguyễn Hà Nam 599 [4] A. Nadeem, A. Mehmood, and K. Rizwan, “A dataset build using wearable inertial measurement and ECG sensors for activity recognition, fall detection and basic heart anomaly detection system”, Data Brief, vol. 27, p. 104717, 2019. [5] Y. Wang, S. Cang, and H. Yu, “A survey on wearable sensor modality centred human activity recognition in health care”, Expert Syst. Appl., vol. 137, pp. 167-190, 2019. [6] H. F. Nweke, Y. W. Teh, M. A. Al-Garadi, and U. R. Alo, “Deep learning algorithms for human activity recognition using mobile and wearable sensor networks: State of the art and research challenges”, Expert Syst. Appl., vol. 105, pp. 233-261, 2018. [7] N. G. Chigateri, N. Kerse, L. Wheeler, B. MacDonald, and J. Klenk, “Validation of an accelerometer for measurement of activity in frail older people”, Gait Posture, vol. 66, pp. 114-117, 2018. [8] E. Stack et al., “Identifying balance impairments in people with Parkinson’s disease using video and wearable sensors”, Gait Posture, vol. 62, pp. 321-326, 2018. [9] C. A. Ronao and S. B. Cho, “Recognizing human activities from smartphone sensors using hierarchical continuous hidden Markov models”, Int. J. Distrib. Sens. Netw., vol. 13, No. 1, p. 1550147716683687, 2017. [10] J. Xu, Z. He, and Y. Zhang, “CNN-LSTM combined network for IoT enabled fall detection applications”, Journal of Physics: Conference Series, vol. 1267, No. 1, p. 012044, 2019. [11] M. Panhwar, S. M. S. Shah, S. M. Z. S. Shah, S. M. Shah, and B. S. Chowdhry, “Smart phone based fall detection using auto regression modeling in a non-restrictive setting”, Indian J. Sci. Technol., vol. 10, No. 5, pp. e111274-e111274, 2017. [12] Z. Zheng, J. Du, L. Sun, M. Huo, and Y. Chen, “TASG: An Augmented Classification Method for Impersonal HAR”, Mob. Inf. Syst., vol. 2018, 2018. [13] C. Chatzaki, M. Pediaditis, G. Vavoulas, and M. Tsiknakis, “Human daily activity and fall recognition using a smartphone’s acceleration sensor”, International Conference on Information and Communication Technologies for Ageing Well and e- Health, pp. 100-118, 2016. [14] J. Kennedy and R. Eberhart, “Particle swarm optimization”, Proceedings of ICNN’95-international conference on neural networks, vol. 4, pp. 1942-1948, 1995. [15] Y. Shi and R. C. Eberhart, “Empirical study of particle swarm optimization”, Proceedings of the 1999 congress on evolutionary computation-CEC99 (Cat. No. 99TH8406), vol. 3, pp. 1945-1950, 1999. [16] D. N. Lu, D. N. Nguyen, T. H. Nguyen, and H. N. Nguyen, “Vehicle mode and driving activity detection based on analyzing sensor data of smartphones”, Sensors, vol. 18, No. 4, p. 1036, 2018. [17] B. Hjorth, “EEG analysis based on time domain properties”, Electroencephalogr. Clin. Neurophysiol., vol. 29, No. 3, pp. 306- 310, 1970. [18] S. H. Oh, Y. R. Lee, and H. N. Kim, “A novel EEG feature extraction method using Hjorth parameter”, Int. J. Electron. Electr. Eng., vol. 2, No. 2, pp. 106-110, 2014. [19] G. Vavoulas, C. Chatzaki, T. Malliotakis, M. Pediaditis, and M. Tsiknakis, “The mobiact dataset: Recognition of activities of daily living using smartphones”, International Conference on Information and Communication Technologies for Ageing Well and e-Health, 2016, vol. 2, pp. 143-151. IMPROVE STABILITY FOR PEDESTRIAN FALL DETECTION MODEL BY SWARM OPTIMIZATION ALGORITHM COMBINED WITH RANDOM FOREST CLASSIFIER Hong Lam Le, Duc Nhan Nguyen, Trinh Anh Tuan, Ha Nam Nguyen ABSTRACT: Fall detection for pedestrians has been attracting a lot of researches due to its importance in building a prevention system to avoid the negative consequences. There are many techniques for detecting falls such as using different devices such as cameras and wearable sensors. However, the popularity of smartphones with many embedded sensors has motivated to study on detecting the abnormal activity such as falling based on accelerometer data. A high accuracy of fall detection in daily life activities is alaways a practical challenge. This paper proposes a model of fall detection with an improved detection performance based on different sets of features including time domain sets, frequency domain sets and Hjorth parameters. Various combinations of different domains have been investigated to show the efficiency of the proposed model. Furthermore, this study also employs Particle Swarm Optimization (PSO) to optimize the parameters of the Random Forest algorithm which aims to improve the accuracy of fall detection system. Experimental results on the MobiAct and MobiFall datasets have shown that the proposed system has improved the detection performance from 5% to 9% higher than the original model. In addition, the proposed model also gave better results from 11.5% to 24.7% at Precision measurement and from 11.2% to 20.2% at F-Measure measurement compared to the methods proposed by the authors Charikleia Chatzaki et al.