Ứng dụng học sâu trong phát hiện té ngã dựa trên dữ liệu khung xương

Trong bối cảnh dân số già hóa ngày càng tăng, vấn đề té ngã ở người cao tuổi và bệnh nhân có khả năng vận động hạn chế trở thành một mối lo ngại nghiêm trọng trong chăm sóc sức khỏe. Té ngã đột ngột có thể dẫn đến những chấn thương nặng hoặc thậm chí tử vong nếu không được phát hiện kịp thời. Công nghệ phát hiện té ngã truyền thống thường gặp hạn chế về thiết bị đeo hoặc độ nhạy cảm với môi trường. Do đó, nghiên cứu này đề xuất một giải pháp tiên tiến sử dụng học sâu và thị giác máy tính để phát triển một hệ thống phát hiện té ngã tự động, nhằm nâng cao an toàn và giảm gánh nặng cho hệ thống y tế.

Nghiên cứu sinh, giảng viên, và chuyên gia trong lĩnh vực thị giác máy tính, học sâu, trí tuệ nhân tạo, đặc biệt là những người quan tâm đến ứng dụng công nghệ trong chăm sóc sức khỏe, hỗ trợ người cao tuổi và phát triển hệ thống phát hiện té ngã.

Nghiên cứu này trình bày một hệ thống phát hiện té ngã tự động dựa trên dữ liệu khung xương, một giải pháp quan trọng nhằm nâng cao sự an toàn cho người cao tuổi và những người có khả năng vận động hạn chế. Phương pháp tiếp cận đề xuất sử dụng thư viện MediaPipe Pose để trích xuất 33 điểm mốc quan trọng trên cơ thể người từ chuỗi video liên tục, tạo ra các tập đặc trưng không gian để đưa vào các mô hình học sâu. Hệ thống đã được xây dựng và đánh giá trên bốn kiến trúc mạng nơ-ron hồi quy tiên tiến: RNN, LSTM, GRU và BiLSTM. Dữ liệu huấn luyện được chuẩn hóa bằng cách lấy 50 khung hình liên tiếp từ các video té ngã và không té ngã, được thu thập từ bộ dữ liệu Le2i và Multiple Cameras Fall Dataset, nhằm đảm bảo tính tổng quát và đa dạng. Các đặc trưng khung xương từ MediaPipe Pose, bao gồm tọa độ không gian (x, y, z) và độ hiển thị, tạo thành ma trận đầu vào kích thước 50 × 132 cho các mô hình. Quá trình huấn luyện kéo dài 50 epoch với kích thước lô là 64, sử dụng hàm kích hoạt Sigmoid và thuật toán tối ưu Adam để giải quyết bài toán phân loại nhị phân. Kết quả thực nghiệm cho thấy mô hình BiLSTM vượt trội với độ chính xác cao nhất đạt 97.32%, thể hiện khả năng nhận diện té ngã hiệu quả và ổn định. Các mô hình GRU và LSTM cũng cho kết quả tốt, trong khi RNN có hiệu suất thấp hơn và kém ổn định. Hệ thống không yêu cầu thiết bị đeo, mang lại sự tiện lợi và khả năng triển khai linh hoạt trong nhiều môi trường thực tế như nhà riêng, bệnh viện hoặc trung tâm phục hồi chức năng, từ đó góp phần đáng kể vào việc cải thiện hiệu quả và an toàn trong chăm sóc.