1. Trang Chủ
  2. Kĩ thuật Viễn thông
  3. Xây dựng mạng giám sát hành vi người trong tòa nhà sử dụng công nghệ WIFI

Xây dựng mạng giám sát hành vi người trong tòa nhà sử dụng công nghệ WIFI

Hệ thống giám sát hành vi người qua wifi/internet được triển khai để dự đoán năm hành động cơ bản bao gồm: Ngồi, nằm, đứng, đi bộ và chạy bộ. Bài viết này trình bày giải pháp phân loại hành động dựa trên các ngưỡng đặc trưng gia tốc điển hình theo thời gian thực. Để phát hiện các ngưỡng đặc trưng tín hiệu, nhóm nghiên cứu xây dựng mô hình phân loại hành động ứng dụng thuật toán học máy cây quyết định (DT) với đầu vào là các đặc trưng dữ liệu gia tốc ba trục. Hội nghị Quốc gia lần thứ 24 về Điện

Thể loại Tài liệu miễn phí Kĩ thuật Viễn thông

Số trang 6

Ngày tạo 4/8/2023 5:00:21 AM +00:00

Loại tệp PDF

Kích thước 1.29 M

Tên tệp

Tải Xây dựng mạng giám sát hành vi người trong tòa nhà... (.pdf)

Xem mẫu

  1. Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) Xây dựng mạng giám sát hành vi người trong tòa nhà sử dụng công nghệ WIFI ĐÀO TÔ HIỆU1,2 LÊ MINH HÒA 1 Trường Đại học Công nghệ Thông tin và Truyền thông Khoa Điện-Điện tử 2 Học viện Khoa học và Công nghệ-VAST Trường Đại học Giao thông Vận tải Email: dthieu@ictu.edu.vn Email: hoaleminh1989@gmail.com TRẦN ĐỨC NGHĨA TRẦN ĐỨC TÂN* Viện Công nghệ Thông tin IOIT-VAST Khoa Điện – Điện tử Viện Hàn Lâm KH&CN Việt Nam Trường Đại học Phenikaa Email: nghiatd@ioit.ac.vn Email: tan.tranduc@phenikaa-uni.edu.vn Tóm tắt – Hệ thống giám sát hành vi người qua đặc trưng này được trích xuất trên từng phân đoạn wifi/internet được triển khai để dự đoán năm hành dữ liệu theo thời gian với kích thước cố định n- động cơ bản bao gồm: ngồi, nằm, đứng, đi bộ và giây và được huấn luyện với thuật toán học máy chạy bộ. Bài viết này trình bày giải pháp phân loại cây quyết định để tìm ra các ngưỡng đặc trưng hành động dựa trên các ngưỡng đặc trưng gia tốc điển hình theo thời gian thực. Để phát hiện các quan trọng. ngưỡng đặc trưng tín hiệu, nhóm nghiên cứu xây II. TỔNG QUAN dựng mô hình phân loại hành động ứng dụng thuật toán học máy cây quyết định (DT) với đầu vào là A. Mô hình phân loại hành động các đặc trưng dữ liệu gia tốc ba trục. Từ đó, các Mô hình phân loại hành động (Hình 1) gồm 3 hoạt động thường ngày của con người được theo giai đoạn chính: i> Thu thập dữ liệu; ii> Chọn lọc dõi, quan sát từ xa trên điện thoại thông minh và đặc trưng; iii> Phân loại hành động. máy chủ dữ liệu qua mạng wifi/internet. Nghiên cứu Phân đoạn này hướng đến xây dựng hệ thống giám sát hành vi Dữ liệu thô Tiền xử lý theo thời gian Thu thập dữ liệu người trong tòa nhà có hiệu suất cao, giá thành rẻ và hoạt động theo thời gian thực. Kết quả thực Huấn luyện, Trích chọn nghiệm đạt được độ chính xác hơn 90% là tốt khi Hành vi phân loại đặc trưng gắn cố định thiết bị phân loại trên eo người các tình Phân loại hành động Chọn lọc đặc trưng nguyện viên tham gia thử nghiệm. Hình 1: Mô hình phân loại hành động Từ khóa: machine learning, decision tree, wifi, phân loại, hành động, đặc trưng, gia tốc. Thu thập dữ liệu: Các hành vi người được thu thập nhờ thiết bị giám sát mang trên người và I. GIỚI THIỆU được chuyển thành các tín hiệu điện tương ứng. Dữ liệu cần được tiền xử lý giảm nhiễu và loại bỏ Trong những năm gần đây, nhiều công trình dữ liệu lỗi xảy ra trong quá trình lấy mẫu dữ liệu khoa học đã được công bố dựa trên phân loại Chọn lọc đặc trưng: Dữ liệu sau khi tiền xử hành động người trong y tế như theo dõi sức khỏe lý được chia thành các phân đoạn theo thời gian. [1], [2], cảnh báo người già bị ngã [3], [4]; an Lựa chọn độ dài của cửa sổ thời gian hợp lý giúp ninh [5]; thể thao, nghệ thuật, giải trí [6]–[8]; cho hiệu quả phân loại tốt. Bên cạnh đó, chọn lọc công nghiệp [9]. Điển hình trong y tế là các giải đặc tính nổi bật của dữ liệu để tăng hiệu quả phân pháp điều trị, theo dõi bệnh nhân từ xa giúp tiết loại và giảm kích thước dữ liệu đầu vào. kiệm được rất nhiều thời gian, kinh phí cho bệnh Phân loại hành động: Các đặc trưng chọn lọc nhân nhờ ứng dụng khoa học kỹ thuật. Hơn thế được gán nhãn tương ứng với hoạt động và chia nữa, bệnh nhân sau phẫu thuật khi không phải ở thành tập dữ liệu đào tạo, tập dữ liệu kiểm tra. Dữ lại viện lâu ngày mà có thể được y bác sĩ giám sát liệu đặc trưng được huấn luyện với các thuật toán hành vi từ xa để dự đoán thể trạng phục hồi. Do học máy để nâng cao độ chính xác. đó, nghiên cứu này hướng đến xây dựng hệ thống B. Thuật toán học máy giám sát hành vi người dựa trên một thiết bị nhỏ được gắn cố định trên eo của mỗi người và có khả Hai phương pháp phổ biến áp dụng cho bài năng kết nối máy chủ dữ liệu qua hạ tầng mạng toán nhận dạng hành động bao gồm: 1> học có wifi/internet. Nhóm nghiên cứu đề xuất sử dụng giám sát; 2> Học không giám sát. Phương pháp năm loại đặc trưng dữ liệu bao gồm trung bình, nhận dạng hoạt động người dựa trên thị giác bình phương trung bình, phạm vi liên phần tư, độ máy sử dụng đầu vào là camera, video… để quan lệch chuẩn và phạm vi trên cả 3 trục X, Y, Z. Các sát hành động người [10], [11]. Phương pháp này ISBN 978-604-80-5958-3 48
  2. Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) giới hạn trong một không gian nhất định do các khắc phục sự chênh lệch giữa điện áp chịu đựng thiết bị được lắp đặt cố định, không có tính di và điện áp pin do điện áp nguồn pin thông thường động, chi phí triển triển khai và bảo trì lớn. Vì từ 3.7V - 4.2V, tín hiệu điện áp pin được đi qua vậy, việc giám sát hoạt động có thể bị gián đoạn, mạch phân áp. Tiếp theo, phương pháp đo pin không liên tục và khó khăn khi triển khai rộng rãi. được minh họa theo công thức (2) sẽ giúp tính Với hướng tiếp cận thứ 2, dựa trên dữ liệu hành vi toán dung lượng pin theo tỷ lệ %. được thu thập, các thuật toán học máy đã được   adc * Vref  100% R4 + R5  triển khai trong một số hệ thống nhận dạng hành Perpin =   re   − 3.7   (2) động như cây quyết định (DT) [12], cây quyết  2 −1 R5   0.5 định tăng cường (GBDT) [13]. Nghiên cứu của Trong đó, adc là giá trị chuyển đổi tại chân Tian [14] đề xuất phương pháp đặc tính bộ lọc đọc tín hiệu điện áp pin; re là độ phân giải của bộ chung dựa trên các đặc trưng phổ năng lượng chuyển đổi tương tự - số; R4 và R5 là hai điện trở sóng để phát hiện hành vi người. Nghiên cứu này phân áp mắc nối tiếp. đã sử dụng hai thuật toán học máy gồm K láng Khi các thiết bị giám sát hành vi gửi dữ liệu giềng gần (KNN) và vector máy hỗ trợ (SVM) để về máy chủ, dữ liệu có thể truy xuất trực tiếp cải thiện độ chính xác của hệ thống. Hussain và thông qua địa chỉ trên web hoặc ứng dụng trên cộng sự [15] đạt được độ chính xác 99.80% khi điện thoại thông minh (Hình 3). sử dụng KNN và 96.82% với rừng ngẫu nhiên (RF). Balli và cộng sự [16] đã nghiên cứu phương pháp phát hiện chuyển động người bằng cách sử dụng đồng hồ thông minh đếm bước, góc quay, gia tốc kế và cảm biến nhịp tim. Các đặc trưng được trích xuất bởi phương pháp phân tích thành phần chính (PCA) và RF để phân loại. C. Mạng giám sát hành vi Mạng giám sát hành vi thiết bị thu thập và Hình 3: Ứng dụng phân loại hành động và máy chủ dữ liệu phân loại được kết nối đến máy chủ dữ liệu thông Sau khi thiết lập xong, mỗi thiết bị thu thập, qua công nghệ wifi. Bộ xử lý trung tâm giám sát là một node với mã địa chỉ riêng và giao (ESP8266) được tích hợp công nghệ wifi tiêu thụ tiếp với máy chủ dữ liệu theo giao thức năng lượng thấp hỗ trợ giao tiếp vào/ra ở mức HTTP/GET. Dữ liệu hành động và kết quả phân logic tối đa 3.3V và nguồn pin lipo 3.7V- loại được lưu trên cơ sở dữ liệu MySQL. 850maH. III. PHƯƠNG PHÁP NGHIÊN CỨU Nguồn nuôi A. Lấy mẫu và tiền xử lý Cảm biến Cảm biển gia tốc BỘ XỬ LÝ WIFI/ WIFI/ ESP8266 gia tốc TRUNG TÂM INTERNET/LAN INTERNET Tình nguyện viên BỘ NHỚ LƯU TRỮ Nhóm nghiên cứu đã tiến hành ghi dữ liệu thử nghiệm với một nhóm gồm 15 tình nguyện viên Hình 2: Sơ đồ khối thiết bị (tám nam và bảy nữ, tuổi: 18-32, chiều cao: 1.56- Để thu thập dữ liệu hành động, bộ xử lý trung 1.75m, cân nặng: 43-62 kg, được chọn từ trường tâm ESP8266 kết nối cảm biến gia tốc ADXL345 Đại học CNTT). Mỗi tình nguyện viên mang thiết theo giao thức I2C tới xung đồng bộ 100KHz. Giá bị được đề xuất trên eo (Hình 4) sao cho trục Ax trị gia tốc được thu thập trên cả ba trục Ax, Ay, song song với véc tơ trọng lực và thực hiện các Az với tần số lấy mẫu 1Hz và đơn vị gia tốc g. hành vi: ngồi, nằm, đứng, đi bộ và chạy bộ. Giá trị gia tốc được tính theo công thức (1).  Sami  Ai =   R - Oi  / Si (1)  1024  Với Ai là Giá trị gia tốc theo hướng i; 𝑆𝑎𝑚𝑖 là giá trị sau khi lấy mẫu trục i; R là điện trở treo tham chiếu điện áp; 𝑂𝑖 là phần bù và 𝑆𝑖 là độ nhạy của gia tốc trên trục i. Bên cạnh đó, thiết bị có thông tin cảnh báo đến người giám sát khi năng lượng sụt xuống qua ứng dụng điện thoại hoặc đèn báo trên thiết bị. Để Hình 4: Hướng thiết bị thu thập ISBN 978-604-80-5958-3 49
  3. Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) Thu thập dữ liệu đến -0.9g. Do đó, có thể dùng những đặc trưng Các hành động được giám sát bao gồm: nằm, như giá trị trung bình, giá trị phạm vi liên phần tư ngồi, đứng, đi bộ và chạy bộ được định nghĩa để phân biệt 3 hành động nằm, ngồi và đứng. trong Bảng 1. Bảng 1: Các hành động cơ bản HÀNH ĐỊNH NGHĨA ĐỘNG Toàn thân người trên mặt phẳng trong tư thế Nằm nghỉ Đầu và lưng không chạm nền trong tư thế Ngồi nghỉ Đứng Người thẳng, đôi chân không di chuyển Hình 8: Biểu đồ hành động đứng với một phần dữ liệu Ax Đi bộ Người thẳng và di chuyển chậm đến vị trí Bên cạnh đó, các hành động ở trạng thái di khác nhau, có ít nhất 1 chân chạm đất chuyển (đi bộ và chạy bộ) có phạm vi giá trị lớn Trạng thái chuyển nhanh đến vị trí khác nhau, Chạy bộ 2 chân không chạm đất vào một thời điểm. hơn so với hành động ở trạng thái ít di chuyển (nằm, ngồi và đứng). Ví dụ: Hành động đi bộ Sau khi loại bỏ lỗi tín hiệu, tập dữ liệu thu (Hình 9) có phạm vi trong khoảng (-1.8g, -0.6g); được gồm: 4200 mẫu nằm, 3432 mẫu ngồi, 3240 hành động chạy bộ (Hình 10) có phạm vi trong mẫu đứng, 4368 mẫu đi bộ và 3030 mẫu chạy bộ khoảng (-2.0g, 0g). Bởi vậy, đặc trưng phạm vi có (Hình 5). thể phân biệt các hành động ở trạng thái tĩnh, ít di chuyển với các hành động ở trạng thái động. Hình 5: Tập dữ liệu thu thập Lựa chọn đặc trưng hành vi điển hình sẽ giúp Hình 9: Biểu đồ hành động đi bộ với một phần dữ liệu Ax nâng cao hiệu suất phân loại. Do đó, nghiên cứu đã phân tích một phần dữ liệu với 200 mẫu dữ liệu đầu tiên thu được từ cảm biến theo hướng Ax như Hình 1. Với hành vi nằm (trạng thái nghỉ), các giá trị cảm biến trên trục Ax có xu hướng dao động quanh giá trị -0.025g (Hình 6). Hình 10: Biểu đồ hành động chạy bộ với phần dữ liệu Ax Hơn thế nữa, sự phân bố các giá trị giữa các hành động có sự khác nhau rõ rệt. Hành vi chạy bộ có sự phân bố khá đồng đều trong khi các hành vi còn lại có sự thưa thớt ở hai bên. Do đó, độ lệch chuẩn giữa các giá trị với giá trị trung bình Hình 6: Biểu đồ hành động nằm với một phần dữ liệu Ax được dùng để phân biệt sự khác nhau giữa khác Phạm vi giá trị của hành động nằm tương đối hành vi. Ngoài ra, các hành động có giá trị có độ rộng, trong khoảng từ -0.1g đến 0.1g. Khác với lớn khác nhau trên trục Ax. Ví dụ: Hành động hành động nằm, hành động ngồi (Hình 7) và hành nằm có độ lớn các giá trị xấp xỉ 0g; hai hành động động đứng (Hình 8) có miền giá trị tương đối hẹp ngồi và đứng có các độ lớn tiệm cận 1g; hai hành và lệch âm trên trục Ax. động đi bộ và chạy bộ có các giá trị với độ lớn hơn 1g. Bởi vậy, đặc trưng bình phương trung bình có thể sử dụng để phân biệt giữa các hành vi với nhau. B. Phân đoạn dữ liệu Kích thước cửa sổ có ảnh hưởng quan trọng Hình 7: Biểu đồ hành động ngồi với một phần dữ liệu Ax đến kết quả phân loại [17]. Trong nghiên cứu này, tập dữ liệu thu thập được phân đoạn thành các cửa Hành động ngồi có miền giá trị từ -0.94g đến - sổ thời gian với kích thước 10 giây và tỷ lệ chồng 0.7g; hành động ngồi có phạm vi giá trị từ -0.97g ISBN 978-604-80-5958-3 50
  4. Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) lấp 50%. Số lượng cửa sổ sau khi phân đoạn được  Phạm vi:   thống kê trong Bảng 3. N N Bảng 3: Cửa sổ thời gian các hành động Range ( X ) = max  x − min  x (7) j i i Hành động Đào tạo Kiểm tra Cửa sổ i =1 i =1 Nằm 588 251 839 Năm đặc trưng đã nêu được trích xuất trên Ngồi 480 205 685 từng cửa sổ dữ liệu (Hình 11) cho thấy các hành Đứng 453 194 647 vi được tách biệt tốt. Tuy nhiên còn một chút Đi bộ 611 261 872 Chạy bộ 424 181 605 nhầm lẫn giữa hành động đi bộ và chạy bộ. Tổng 2556 1092 3648 D. Phân loại hành động Hình 11 biểu diễn dữ liệu đã được phân đoạn Sau khi trích chọn đặc trưng trên tập dữ liệu trước và sau khi áp dụng các đặc trưng. Hành đào tạo và kiểm tra, các đặc trưng này được huấn động nằm và ngồi được tách biệt trong khi ba luyện với thuật toán DT (Hình 12). hành động đứng, đi bộ và chạy bộ thì có sự trùng lặp khá lớn. Tuy nhiên hai hành động đứng và đi bộ có mật độ tập trung cao còn hành động chạy bộ có sự phân tán. Hình 12: Đặc trưng quan trọng Do đó, các ngưỡng đặc trưng quan trọng được sử dụng bao gồm: mean_x, rms_x, std_x, Irq_x, range_x (những đặc trưng theo hướng Ax) và std_y (độ lệch chuẩn theo hướng y). Hình 11: Biểu diễn dữ liệu với cửa sổ kích thước 10s Dữ liệu gia tốc Cửa sổ 10s, chồng lấp 50% Trích chọn đặc trưng Do đó, các cửa sổ đặc trưng với kích thước đề Nằm S mean_x
  5. Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) IV. KẾT QUẢ VÀ ĐÁNH GIÁ các hành động khác. Hành động ngồi và đứng có số hành động nhầm lẫn cao nhất với 10/226 hành Mô hình phân loại được nhóm nghiên cứu đề động ngồi bị phân loại thành hành động đứng và xuất cho kết quả trên tập dữ liệu kiểm tra thể hiện 9/236 hành động đứng bị phân loại thành hành qua ma trận nhầm lẫn (Bảng 3) có 1089/1092 động ngồi. Điều này xảy ra do 2 hành động này hành vi được phân loại đúng. có sự tương đồng về tư thế trong trạng thái nghỉ. Bảng 3: Kết quả phân loại trên dữ liệu thu thập Bên cạnh đó, một tỷ lệ nhỏ các hành động nằm, HÀNH DỰ ĐOÁN ngồi, đứng có xu hướng bị phân loại hành động đi ĐỘNG Nằm Ngồi Đứng Đi bộ Chạy bộ bộ hoặc chạy bộ. Ví dụ: Số hành động nằm bị Nằm 251 0 0 0 0 phân loại thành đi bộ là 5/219 và chạy bộ là Ngồi 0 205 0 0 0 4/2019. Nguyên nhân khi chuyển trạng thái tĩnh Đứng 0 0 194 0 0 với nhau (đứng, ngồi, nằm) và từ trạng thái tĩnh sang trạng thái di chuyển (đi bộ, chạy bộ) thì có Đi bộ 0 0 0 260 1 sự tương đồng nhất định. Dù có sự giảm nhẹ so Chạy bộ 0 0 0 2 179 với kết quả phân loại trên tập dữ liệu kiểm tra Tổng 251 205 194 262 180 nhưng các chỉ số đánh giá đạt được khi thực Hiệu suất mô hình khi sử dụng thuật toán DT nghiệm đạt được tổng thể trên 94% là rất tốt. Độ được đánh giá qua các chỉ số được thống kê tại chính xác phân loại với từng hành vi trên 97%. Bảng 4. Các chỉ số đều đạt kết quả tốt trên 99%. Bên cạnh đó, độ nhạy thấp nhất khi phân loại Độ chính xác thấp nhất khi phân loại hành vi đi hành động đứng, tiếp theo đó là ngồi, nằm. Tuy bộ và chạy bộ (99.7%). Nhìn chung, sự chênh nhiên, chỉ số PPV đạt 100% với hành động nằm lệch giữa các chỉ số đánh giá là không đáng kể. trong khi khác hành động khác đạt xấp xỉ 95%. Bảng 4: Hiệu năng thuật toán DT với từng hành vi Tương tự PPV, chỉ số NPV của các hành động đạt trên 98%. Đi Chỉ số Nằm Ngồi Đứng Chạy bộ Bảng 7: Hiệu suất phân loại khi thực nghiệm bộ Acc (%) 100.0 100.0 100.0 99.7 99.7 Chạy Chỉ số Nằm Ngồi Đứng Đi bộ bộ Sen (%) 100.0 100.0 100.0 99.6 98.9 Acc (%) 99.2 97.9 97.7 98.5 98.9 PPV (%) 100.0 100.0 100.0 99.2 99.4 Sen (%) 95.9 93.8 93.2 98.3 100.0 NPV (%) 100.0 100.0 100.0 99.9 99.8 Hiệu năng của mô hình đề xuất được kiểm PPV (%) 100.0 95.9 95.7 95.0 94.7 chứng qua quá trình thực nghiệm phân loại hành NPV (%) 99.0 98.4 98.2 99.5 100.0 động theo thời gian thực. Để nhận biết sự thay đổi giữa khác hành vi xảy ra nhanh, tần số lấy mẫu V. THẢO LUẬN được tăng lên 10Hz. Các hành động được luân Trong cuộc sống hiện đại ngày nay, nhu cầu phiên thay đổi với tốc độ vừa phải và diễn ra với chăm sóc sức khỏe ngày càng được chú trọng, đặc thời gian khảo sát liên tục giữa các hành động, biệt là người bệnh và người già. Các ứng dụng mỗi hành động có thời gian khảo sát từ 3 phút đến nhận dạng hoạt động nâng cao được tích hợp để 4 phút. Từ đó, nhóm nghiên cứu thu được ma trận hỗ trợ các hoạt động của con người. Đã có nhiều nhầm lẫn thực nghiệm như Bảng 6. nghiên cứu lựa chọn khá nhiều đặc điểm để nâng Bảng 6: Kết quả phân loại khi thực nghiệm cao tỷ lệ nhận diện hoạt động. Ví dụ: Các nghiên HÀNH DỰ ĐOÁN cứu [17], [18], [19] sử dụng 43 đặc trưng; nghiên ĐỘNG Nằm Ngồi Đứng Đi bộ Chạy bộ cứu [20] sử dụng 64 đặc trưng. Nghiên cứu hiện Nằm 210 0 0 5 4 tại của chúng tôi chỉ sử dụng 5 đặc trưng trên các phân đoạn dữ liệu 10 giây và kết hợp thuật toán Ngồi 0 212 10 3 1 DT nhưng hiệu quả đạt được trên 99% với dữ liệu Đứng 0 9 220 4 3 thu thập và trên 97% với dữ liệu thực nghiệm theo Đi bộ 0 0 0 230 4 thời gian thực. Không những vậy, Để so sánh hiệu năng mô hình đề xuất, các Chạy bộ 0 0 0 0 215 thuật toán học máy phổ thông như SVM, RF, Tổng 210 221 230 242 227 KNN, GBDT được áp dụng trên bộ dữ liệu thu thập đều có độ chính xác 99.9%. Bên cạnh đó, các Kết quả thực nghiệm cho thấy hành động chạy thuật toán SVM, RF, KNN có NPV đạt 100% bộ được phân loại hoàn toàn trong khi các hành trong khi thuật toán DT và GBDT thấp hơn một động nằm, ngồi, đứng, đi bộ có sự nhầm lẫn với chút với 99.9%. ISBN 978-604-80-5958-3 52
  6. Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) Bảng 8: So sánh hiệu năng các thuật toán học máy Eng., vol. 44, no. 4, pp. 3329–3342, 2019. [5] A. Jain and V. Kanhangad, “Exploring orientation and Tiêu chí DT GBDT SVM RF KNN accelerometer sensor data for personal authentication in Acc (%) 99.9 99.9 99.9 99.9 99.9 smartphones using touchscreen gestures,” Pattern Recognit. Lett., vol. 68, pp. 351–360, 2015. Sen (%) 99.7 99.7 99.8 99.8 99.8 [6] C. Ladha, N. Y. Hammerla, P. Olivier, and T. Plötz, PPV (%) 99.7 99.7 99.8 99.8 99.8 “ClimbAX: Skill assessment for climbing enthusiasts,” NPV (%) 99.9 99.9% 100.0 100.0 100.0 UbiComp 2013 - Proc. 2013 ACM Int. Jt. Conf. Pervasive Ubiquitous Comput., pp. 235–244, 2013. TR (s) 0.01 4.25 0.621 0.012 0.005 [7] D. Minnen, T. Starner, M. Essa, and C. Isbell, TT (s) 0.005 0.03 0.123 0.016 0.071 “Discovering characteristic actions from on-body Nhìn chung các thuật toán có các chỉ số tương sensor data,” Proc. - Int. Symp. Wearable Comput. đương. Thuật toán DT có thời gian phân loại trên ISWC, pp. 11–20, 2006. [8] K. Kunze, M. Barry, E. A. Heinz, P. Lukowicz, D. tập dữ liệu kiểm tra tốt nhất với 0.005 giây, theo Majoe, and J. Gutknecht, “Towards recognizing Tai Chi sau đó là RF, GBDT, KNN với 0.016, 0.03, 0.071 - an initial experiment using wearable sensors,” IFAWC 2006 - 3rd Int. Forum Appl. Wearable Comput. 2006, giây tương ứng và cuối cùng là SVM với 0.123 Proc., pp. 183–188, 2006. giây. Thuật toán có thời gian đào tạo lâu nhất là [9] T. Stiefmeier, D. Roggen, G. Ogris, P. Lukowicz, and GBDT với 4.25 giây và thấp nhất là KNN với G. Tröster, “Wearable activity tracking in car manufacturing,” IEEE Pervasive Comput., vol. 7, no. 2, 0.05 giây. Do đó, thuật toán DT có ưu thế khi tốc pp. 42–50, 2008. độ phân loại nhanh hơn 14 lần so với KNN và các [10] P. Washington et al., “Activity Recognition with thuật toán còn lại. Bên cạnh đó, nghiên cứu Moving Cameras and Few Training Examples: Applications for Detection of Autism-Related hướng đến xây dựng thuật toán nhúng trên thiết bị Headbanging,” Conf. Hum. Factors Comput. Syst. - giá thành rẻ, tốc độ xử lý nhanh và bộ nhớ lưu trữ Proc., 2021. [11] J. Lee and B. Ahn, “Real-time human action thấp, do đó thuật toán DT có tính khả dụng cao. recognition with a low-cost RGB camera and mobile VI. KẾT LUẬN robot platform,” Sensors (Switzerland), vol. 20, p. 2886, 2020. Bài báo này đã trình bày mô hình phân loại sử [12] V. G. Sánchez and N.-O. Skeie, “Decision Trees for Human Activity Recognition in Smart House dụng năm đặc trưng cơ bản và thuật toán phân Environments,” Proc. 59th Conf. imulation Model. loại cây quyết định giúp dự đoán tốt năm hành vi (SIMS 59), 26-28 Sept. 2018, Oslo Metrop. Univ. người cơ bản theo thời gian thực. Nghiên cứu Norw., vol. 153, no. September, pp. 222–229, 2018. [13] N. T. Priyadarshini RK, Banu AB, “Gradient Boosted hướng đến xây dựng mạng giám sát hành vi người Decision Tree based Classification for Recognizing với độ chính xác cao, thời gian trễ thấp và giá Human Behavior,” IEEE Int. Conf. Adv. Comput. Commun. Eng., pp. 1–4, 2019. thành rẻ. Kết quả thực nghiệm với cửa sổ thời [14] Y. Tian, J. Zhang, J. Wang, Y. Geng, and X. Wang, gian 10 giây và độ chồng lấp 50% có kết quả tốt, “Robust human activity recognition using single sự chênh lệch với kết quả khảo sát trên tập dữ liệu accelerometer via wavelet energy spectrum features and ensemble feature selection,” Syst. Sci. Control Eng., kiểm tra là nhỏ. Trong nghiên cứu sâu hơn, chúng vol. 8, no. 1, pp. 83–96, 2020, doi: tôi sẽ mở rộng theo hướng phát hiện trạng thái 10.1080/21642583.2020.1723142. ngã, bất tỉnh và một số hành vi di chuyển khác [15] F. Hussain, F. Hussain, M. Ehatisham-Ul-Haq, and M. A. Azam, “Activity-Aware Fall Detection and như bò, trườn, lên xuống cầu thang… Recognition Based on Wearable Sensors,” IEEE Sens. J., vol. 19, no. 12, pp. 4528–4536, 2019. LỜI CẢM ƠN [16] S. Balli, E. A. Sağbaş, and M. Peker, “Human activity recognition from smart watch sensor data using a Nghiên cứu của chúng tôi được hỗ trợ bởi hybrid of principal component analysis and random Viện Hàn lâm Khoa học và Công nghệ Việt Nam forest algorithm,” Meas. Control (United Kingdom), vol. 52, no. 1–2, pp. 37–45, 2019. (VAST), mã đề tài ĐLTE00.02/20-21. [17] J. R. Kwapisz, G. M. Weiss, and S. A. Moore, “Activity recognition using cell phone accelerometers,” ACM TÀI LIỆU THAM KHẢO SIGKDD Explor. Newsl., vol. 12, no. 2, pp. 74–82, 2011. [1] K. K. B. Peetoom, M. A. S. Lexis, M. Joore, C. D. [18] Y. Min, Y. Yin, and K. Khin, “Comparing the Dirksen, and L. P. De Witte, “Literature review on Performance of Machine Learning Algorithms for monitoring technologies and their outcomes in Human Activities Recognition using WISDM Dataset,” independently living elderly people,” Disabil. Rehabil. Int. J. Comput., vol. 38, pp. 61–72, 2020. Assist. Technol., vol. 10, no. 4, pp. 271–294, 2015. [19] C. Catal, S. Tufekci, E. Pirmit, and G. Kocabag, “On [2] M. Pham, Y. Mengistu, H. M. Do, and W. Sheng, the use of ensemble of classifiers for accelerometer- “Cloud-Based Smart Home Environment (CoSHE) for based activity recognition,” Appl. Soft Comput. J., vol. home healthcare,” IEEE Int. Conf. Autom. Sci. Eng., 37, pp. 1018–1022, 2015. vol. 2016-Novem, pp. 483–488, 2016. [20] G. Vavoulas, C. Chatzaki, T. Malliotakis, M. Pediaditis, [3] T. D. Tan and N. Van Tinh, “Reliable fall detection and M. Tsiknakis, “The MobiAct dataset: Recognition system using an 3-DOF accelerometer and cascade of activities of daily living using smartphones,” in posture recognitions,” 2014 Asia-Pacific Signal Inf. ICT4AWE 2016 - 2nd International Conference on Process. Assoc. Annu. Summit Conf. APSIPA 2014, Information and Communication Technologies for 2014. Ageing Well and e-Health, Proceedings, 2016, pp. 143– [4] P. Van Thanh et al., “Development of a Real-Time, 151. Simple and High-Accuracy Fall Detection System for Elderly Using 3-DOF Accelerometers,” Arab. J. Sci. ISBN 978-604-80-5958-3 53
nguon tai.lieu . vn
Kiến trúc - Xây dựng Tự động hoá Điện - Điện tử Kĩ thuật Viễn thông Cơ khí - Chế tạo máy Năng lượng Hoá dầu Hoá học Sinh học