Luận án tiến sĩ: Trích rút đặc trưng và tối ưu Random Forest phát hiện ngã
Luận án tiến sĩ phát triển kỹ thuật trích rút đặc trưng và tối ưu mô hình Random Forest để phát hiện sự kiện ngã con người thông qua điện thoại thông minh, góp phần nâng cao an toàn sức khỏe.
Đại học Quốc gia Hà Nội
Quản lý hệ thống thông tin
Luan An
Luận án tiến sĩ
Năm xuất bản
Số trang
160
Thời gian đọc
24 phút
Lượt xem
4
Lượt tải
0
Phí lưu trữ
50 Point
Mục lục chi tiết
Tóm tắt nội dung
I. Phát Hiện Sự Kiện Ngã Bằng Random Forest
Phát hiện ngã con người đang trở thành vấn đề cấp thiết trong chăm sóc sức khỏe. Công nghệ machine learning mang đến giải pháp hiệu quả. Random Forest classifier nổi bật với khả năng xử lý dữ liệu phức tạp từ cảm biến.
Điện thoại thông minh tích hợp nhiều cảm biến IMU. Accelerometer và gyroscope thu thập dữ liệu chuyển động liên tục. Thuật toán random forest phân tích các tín hiệu này. Hệ thống nhận diện sự kiện ngã với độ chính xác cao.
Nghiên cứu tập trung vào tối ưu mô hình fall detection. Kỹ thuật trích rút đặc trưng đóng vai trò then chốt. Các đặc trưng từ cảm biến gia tốc được xử lý kỹ lưỡng. Quá trình học máy diễn ra tự động và hiệu quả.
Ứng dụng thực tế rất đa dạng. Người cao tuổi được bảo vệ tốt hơn. Hệ thống cảnh báo kịp thời khi phát hiện ngã. Chi phí triển khai thấp nhờ sử dụng smartphone.
1.1. Tầm Quan Trọng Của Fall Detection
Tai nạn ngã gây hậu quả nghiêm trọng cho sức khỏe. Người cao tuổi đối mặt nguy cơ cao nhất. Thống kê cho thấy 30% người trên 65 tuổi bị ngã mỗi năm. Phát hiện sớm giúp giảm thiểu tổn thương.
Hệ thống phát hiện ngã tự động mang lại nhiều lợi ích. Thời gian phản ứng được rút ngắn đáng kể. Cứu hộ đến nhanh hơn khi có cảnh báo. Tỷ lệ sống sót tăng lên rõ rệt.
1.2. Vai Trò Của Điện Thoại Thông Minh
Smartphone là thiết bị lý tưởng cho fall detection. Tích hợp sẵn nhiều loại cảm biến chuyên dụng. Cảm biến IMU hoạt động 24/7 không gián đoạn. Dữ liệu được thu thập liên tục và chính xác.
Khả năng kết nối mạng hỗ trợ cảnh báo tức thì. Ứng dụng gửi thông báo đến người thân. Chi phí triển khai thấp hơn thiết bị chuyên dụng. Người dùng không cần mang thêm phụ kiện.
1.3. Ưu Điểm Của Random Forest Classifier
Random forest vượt trội trong phân loại phức tạp. Thuật toán xử lý nhiều đặc trưng đồng thời. Khả năng chống overfitting rất tốt. Độ chính xác cao với dữ liệu không cân bằng.
Mô hình học máy này dễ tối ưu hóa. Tham số điều chỉnh linh hoạt theo nhu cầu. Thời gian huấn luyện hợp lý với dataset lớn. Kết quả ổn định qua nhiều lần thử nghiệm.
II. Cảm Biến IMU Trong Phát Hiện Ngã Con Người
Cảm biến IMU là trái tim của hệ thống fall detection. Accelerometer đo gia tốc theo ba trục không gian. Gyroscope ghi nhận vận tốc góc khi cơ thể xoay. Hai loại cảm biến này bổ sung cho nhau hoàn hảo.
Dữ liệu từ cảm biến gia tốc phản ánh chuyển động. Khi ngã, gia tốc thay đổi đột ngột. Gyroscope phát hiện sự mất thăng bằng. Tín hiệu kết hợp tạo bức tranh toàn diện.
Tần số lấy mẫu ảnh hưởng đến độ chính xác. Tốc độ 50-100 Hz đủ cho phát hiện ngã. Dữ liệu thô cần được lọc nhiễu cẩn thận. Các kỹ thuật tiền xử lý nâng cao chất lượng tín hiệu.
Việc trích rút đặc trưng từ cảm biến rất quan trọng. Các đặc trưng thống kê được tính toán. Biên độ, tần số và năng lượng tín hiệu được phân tích. Machine learning sử dụng các đặc trưng này để phân loại.
2.1. Nguyên Lý Hoạt Động Accelerometer
Accelerometer đo gia tốc tuyến tính theo ba trục. Trục X, Y, Z tương ứng với ba chiều không gian. Cảm biến phát hiện cả trọng lực và chuyển động. Độ nhạy cao giúp bắt được biến đổi nhỏ.
Khi cơ thể di chuyển bình thường, gia tốc ổn định. Sự kiện ngã tạo ra đỉnh gia tốc đột biến. Giá trị có thể vượt 2-3g trong tích tắc. Đây là dấu hiệu đặc trưng để nhận diện.
2.2. Chức Năng Của Gyroscope
Gyroscope đo vận tốc góc khi xoay. Cảm biến này phát hiện sự mất thăng bằng. Khi ngã, cơ thể xoay nhanh không kiểm soát. Gyroscope ghi nhận tốc độ xoay cao bất thường.
Kết hợp với accelerometer tăng độ tin cậy. Hai loại dữ liệu bổ sung thông tin cho nhau. Hệ thống phân biệt ngã thật và hoạt động thường. Tỷ lệ cảnh báo nhầm giảm đáng kể.
2.3. Kỹ Thuật Tiền Xử Lý Tín Hiệu
Dữ liệu thô từ cảm biến chứa nhiễu. Bộ lọc thông thấp loại bỏ nhiễu tần số cao. Bộ lọc thông cao loại trừ drift dài hạn. Tín hiệu sạch hơn giúp trích rút đặc trưng chính xác.
Chuẩn hóa dữ liệu cũng rất quan trọng. Các giá trị được đưa về cùng thang đo. Quá trình này giúp thuật toán học tốt hơn. Mô hình random forest hoạt động hiệu quả hơn.
III. Thuật Toán Random Forest Trong Fall Detection
Random Forest là ensemble learning method mạnh mẽ. Thuật toán kết hợp nhiều decision tree độc lập. Mỗi cây học từ tập dữ liệu con khác nhau. Kết quả cuối cùng được bầu chọn từ các cây.
Quá trình huấn luyện diễn ra song song. Mỗi cây quyết định xây dựng từ bootstrap sample. Random feature selection tăng tính đa dạng. Overfitting được kiểm soát hiệu quả.
Phân loại sự kiện ngã dựa trên voting. Đa số cây đồng ý cho kết quả cuối cùng. Độ tin cậy được đo bằng tỷ lệ đồng thuận. Ngưỡng quyết định có thể điều chỉnh linh hoạt.
Tối ưu hóa mô hình cải thiện hiệu suất. Số lượng cây ảnh hưởng đến độ chính xác. Độ sâu tối đa của cây cần cân nhắc. Grid search tìm tham số tối ưu tự động.
3.1. Cấu Trúc Mô Hình Random Forest
Mô hình bao gồm nhiều decision tree. Mỗi cây được huấn luyện độc lập. Bootstrap aggregating tạo tính đa dạng. Random subset của features được chọn mỗi node.
Số lượng cây thường từ 100 đến 500. Nhiều cây hơn tăng độ ổn định. Nhưng cũng tăng thời gian tính toán. Cần cân bằng giữa accuracy và speed.
3.2. Quá Trình Huấn Luyện Mô Hình
Dữ liệu được chia thành training và testing. Tập huấn luyện chứa ví dụ có nhãn. Các đặc trưng từ cảm biến làm input. Nhãn fall/non-fall là output cần dự đoán.
Cross-validation đảm bảo tính tổng quát. K-fold thường dùng với k=5 hoặc 10. Mô hình được đánh giá trên nhiều subset. Kết quả trung bình phản ánh hiệu suất thực.
3.3. Đánh Giá Hiệu Suất Classifier
Accuracy đo tỷ lệ dự đoán đúng tổng thể. Precision quan trọng với fall detection. Recall đảm bảo không bỏ sót sự kiện ngã. F1-score cân bằng precision và recall.
Confusion matrix hiển thị chi tiết kết quả. True positive là ngã được phát hiện đúng. False negative nguy hiểm nhất - bỏ sót ngã. ROC curve và AUC đánh giá toàn diện.
IV. Kỹ Thuật Trích Rút Đặc Trưng Từ Cảm Biến
Trích rút đặc trưng là bước quan trọng nhất. Đặc trưng tốt quyết định hiệu suất mô hình. Từ dữ liệu thô cần tạo ra features có ý nghĩa. Machine learning dựa vào features này để học.
Đặc trưng miền thời gian phổ biến nhất. Mean, variance, standard deviation được tính. Min, max, range phản ánh biên độ tín hiệu. Skewness và kurtosis mô tả phân phối.
Đặc trưng miền tần số cung cấp góc nhìn khác. FFT chuyển đổi tín hiệu sang miền tần số. Dominant frequency và spectral energy quan trọng. Power spectral density phân tích năng lượng.
Đặc trưng kết hợp tăng khả năng phân biệt. Signal magnitude area tổng hợp ba trục. Correlation giữa các trục cũng hữu ích. Feature engineering sáng tạo tạo lợi thế lớn.
4.1. Đặc Trưng Miền Thời Gian
Mean value phản ánh xu hướng trung tâm. Variance đo mức độ biến động tín hiệu. Standard deviation dễ hiểu hơn variance. Root mean square tổng hợp năng lượng.
Peak value là giá trị cực đại tín hiệu. Khi ngã, peak rất cao và đột ngột. Zero crossing rate đếm số lần đổi dấu. Các đặc trưng này đơn giản nhưng hiệu quả.
4.2. Đặc Trưng Miền Tần Số
Fast Fourier Transform chuyển đổi tín hiệu. Phổ tần số cho thấy thành phần dao động. Dominant frequency là tần số mạnh nhất. Spectral centroid là trung tâm khối phổ.
Spectral entropy đo độ phức tạp tín hiệu. Ngã có pattern tần số đặc trưng. Energy trong các băng tần khác nhau. Wavelet transform phân tích đa độ phân giải.
4.3. Feature Selection Và Optimization
Không phải feature nào cũng hữu ích. Nhiều features gây curse of dimensionality. Feature selection loại bỏ features dư thừa. Correlation analysis tìm features tương quan cao.
Principal Component Analysis giảm chiều dữ liệu. Recursive feature elimination chọn tập tối ưu. Random forest cung cấp feature importance. Top features được giữ lại cho mô hình.
V. Tối Ưu Mô Hình Random Forest Cho Phát Hiện Ngã
Tối ưu hóa nâng cao hiệu suất fall detection. Hyperparameter tuning là bước không thể bỏ qua. Số lượng cây, độ sâu, min samples cần điều chỉnh. Grid search thử tất cả kết hợp tham số.
Class imbalance là thách thức lớn. Sự kiện ngã ít hơn nhiều hoạt động thường. SMOTE tạo synthetic samples cho class thiểu số. Class weight điều chỉnh tầm quan trọng.
Ensemble methods kết hợp nhiều mô hình. Stacking và boosting cải thiện accuracy. Voting classifier tổng hợp dự đoán. Diversity trong ensemble tăng robustness.
Real-time performance rất quan trọng. Mô hình cần dự đoán nhanh trên smartphone. Model compression giảm kích thước. Quantization tăng tốc inference.
5.1. Hyperparameter Tuning Strategies
N_estimators là số lượng cây trong forest. Giá trị từ 100-500 thường cho kết quả tốt. Max_depth giới hạn độ sâu mỗi cây. Quá sâu dẫn đến overfitting.
Min_samples_split quyết định khi nào chia node. Min_samples_leaf kiểm soát lá cây. Max_features giới hạn features mỗi split. Random search nhanh hơn grid search.
5.2. Xử Lý Dữ Liệu Không Cân Bằng
Fall events chiếm tỷ lệ nhỏ trong dataset. Mô hình có xu hướng bias về class đa số. SMOTE tạo samples tổng hợp cho falls. Random undersampling giảm non-fall samples.
Class_weight='balanced' tự động điều chỉnh. Penalty cao hơn cho misclassification của falls. Cost-sensitive learning tối ưu cho recall. Threshold moving điều chỉnh ngưỡng quyết định.
5.3. Triển Khai Trên Thiết Bị Di Động
Smartphone có tài nguyên hạn chế. Mô hình cần nhỏ gọn và nhanh. Pruning loại bỏ cây không quan trọng. Feature selection giảm số đặc trưng.
Model quantization chuyển float sang int. Inference time giảm đáng kể. TensorFlow Lite hỗ trợ deployment mobile. Battery consumption cần được tối ưu.
VI. Ứng Dụng Thực Tế Và Triển Vọng Phát Triển
Hệ thống fall detection có nhiều ứng dụng thực tế. Chăm sóc người cao tuổi là lĩnh vực chính. Bệnh viện và viện dưỡng lão hưởng lợi lớn. Giám sát từ xa giúp gia đình yên tâm.
Ứng dụng smartphone dễ triển khai. Người dùng chỉ cần cài đặt app. Không cần thiết bị phụ trợ đắt tiền. Chi phí thấp mở rộng khả năng tiếp cận.
Tích hợp với smart home tăng giá trị. Cảnh báo tự động gửi đến người thân. Gọi cấp cứu khi phát hiện ngã nghiêm trọng. IoT devices phối hợp xử lý tình huống.
Triển vọng phát triển rất tích cực. Deep learning hứa hẹn độ chính xác cao hơn. Edge computing xử lý ngay trên thiết bị. Privacy được bảo vệ tốt hơn.
6.1. Chăm Sóc Sức Khỏe Người Cao Tuổi
Dân số già hóa tạo nhu cầu lớn. Người cao tuổi sống độc lập cần giám sát. Fall detection app cung cấp an toàn 24/7. Phản ứng nhanh giảm hậu quả nghiêm trọng.
Gia đình theo dõi qua dashboard online. Lịch sử sự kiện được lưu trữ. Báo cáo định kỳ gửi cho bác sĩ. Chất lượng cuộc sống được cải thiện.
6.2. Tích Hợp Hệ Sinh Thái IoT
Smart home devices kết nối với app. Camera tự động bật khi phát hiện ngã. Đèn sáng giúp cứu hộ dễ dàng. Cửa tự mở cho nhân viên y tế.
Wearable devices bổ sung dữ liệu. Smartwatch đo nhịp tim và SpO2. Dữ liệu kết hợp tăng độ chính xác. Hệ thống toàn diện bảo vệ tốt hơn.
6.3. Hướng Phát Triển Công Nghệ Mới
Deep learning models như CNN, LSTM triển vọng. Học trực tiếp từ raw sensor data. Không cần feature engineering thủ công. Accuracy có thể đạt trên 98%.
Federated learning bảo vệ privacy. Mô hình học từ nhiều thiết bị. Dữ liệu cá nhân không rời khỏi smartphone. Transfer learning giảm nhu cầu data. Edge AI xử lý real-time không cần cloud.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (160 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộLE HONG LAM NGHIEN CUU PHAT TRIEN MOT SO KY THUAT TRÍCH RUT DAC TRƯNG VA TOI UU MÔ HÌNH RANDOM FOREST TRONG PHAT HIEN SU KIEN NGA CUA CON NGUOI BANG DIEN THOAI THONG MINH LUẬN AN TIEN SĨ CHUYEN NGANH QUAN LY HE THONG THONG TIN Hà Nội - 2024 LÊ HÒNG LAM NGHIÊN CỨU PHÁT TRIEN MOT SO KỸ THUẬT TRÍCH RÚT ĐẶC TRƯNG VÀ TÓI ƯU MÔ HÌNH RANDOM FOREST TRONG PHÁT HIỆN SỰ KIỆN NGÃ CUA CON NGƯỜI BẰNG ĐIỆN THOẠI THONG MINH Chuyên ngành: Quản lý hệ thống thông tin Mã số: 9480205.01QTD LUẬN ÁN TIỀN SĨ CHUYEN NGÀNH QUAN LÝ HE THONG THONG TIN NGUOI HUONG DAN KHOA HOC: PGS. TS NGUYEN HA NAM Hà Nội - 2024 LỜI CAM ĐOAN Tôi xin cam đoan Luận án Tiến sĩ, với tiêu đề “Wghiên cứu phát triển một số kỹ thuật trích rút đặc trưng và toi wu mô hình Random Forest trong phát hiện sự kiện ngã của con người bằng điện thoại thông minh” là công trình nghiên cứu khoa học của tôi, được thực hiện dưới sự hướng dẫn của PGS. Nguyễn Hà Nam. Nội dung của luận án không có sự sao chép và không được sử dụng để bảo vệ cho bất kỳ học vị nào khác.
Tất cả các số liệu, kết quả và tài liệu tham khảo trong luận án đều có nguồn gốc rõ ràng và đã được trích dẫn đầy đủ theo quy định. Các kêt quả nghiên cứu của tôi việt chung với các tác gia khác đã được sự nhat trí của đông tác giả trước khi đưa vào luận án. Tôi chịu trách nhiệm hoàn toàn về sự trung thực và tính chính xác của những nội dung được trình bày trong luận án. Luận án này được hoàn thành trong thời gian tôi làm Nghiên cứu sinh tại Viện Công nghệ thông tin, Đại học Quốc gia Hà Nội.
NGƯỜI CAM ĐOAN Nghiên cứu sinh Lê Hồng Lam LOI CAM ON Trong hành trình hoc tập va nghiên cứu tai Viện công nghệ thông tin, Dai hoc Quốc gia Hà Nội, tôi đã có nhiều trải nghiệm quý báu và đối mặt với không ít thách thức. Có được thành quả hôm nay là nhờ sự giúp đỡ, động viên của nhiều tập thể và cá nhân mà tôi vô cùng trân trọng. Trước hết, tôi xin gửi lời biết ơn sâu sắc đến thầy giáo - PGS. Nguyễn Hà Nam, người đã tận tâm hướng dẫn, tận tình chỉ bảo và định hướng cho tôi trong suốt quá trình nghiên cứu.
Thầy đã truyền cho tôi niềm đam mê, sự nghiêm túc, chính xác và sáng tạo trong khoa học. Sự khuyến khích và hỗ trợ cả về vật chất lẫn tinh thần từ thầy đã giúp tôi vượt qua khó khăn trong những ngày đầu của hành trình nghiên cứu. Tôi cũng xin gửi lời cảm ơn chân thành đến thầy giáo - TS. Nguyễn Đức Nhân cùng các thầy cô, anh chị em tiến sĩ, nghiên cứu sinh và học viên cao học trong nhóm nghiên cứu của thầy Nguyễn Hà Nam.
Sự chia sẻ nhiệt tình về kiến thức và kinh nghiệm từ mọi người đã giúp tôi hoàn thiện bản thân và tiến bộ không ngừng. Không thể không nhắc đến sự tận tâm của các thầy cô và cán bộ của Viện Công nghệ thông tin. Tôi xin bày tỏ lòng biết ơn đến các thầy cô đã giảng dạy và hướng dẫn trong chương trình tiến sĩ, giúp tôi có nền tảng kiến thức vững chắc. Đồng thời, lời cảm ơn chân thành xin được gửi đến Ban lãnh đạo Viện, Phòng Khoa học Công nghệ và Đào tạo; Lab AI 4.0 của thầy giáo - PGS.
Lê Hoàng Sơn và các phòng ban chức năng của Viện. Sự hỗ trợ và tạo điều kiện thuận lợi từ quý thầy cô đã giúp tôi tập trung học tập và hoan thành luận án. Tôi cũng không thé quên gửi lời cảm ơn chân thành đến thay cô trong hội đồng đánh giá luận án các cấp và các thầy cô tham gia phản biện độc lập. Những nhận xét và góp ý quý báu từ quý thầy cô đã giúp tôi nâng cao chất lượng nghiên cứu và hoàn thiện công trình của mình.
ii Sự hỗ trợ từ các cơ quan, tô chức và cá nhân đã cung cấp dữ liệu, thông tin và thiết bị cần thiết cho nghiên cứu cũng là một phần không thể thiếu trong thành công của luận án này. Sự giúp đỡ từ các nhà khoa học và tác giả của những công trình mà tôi tham khảo đã có nhiều đóng góp vào quá trình nghiên cứu. Tôi sẽ không thê hoàn thành luận án này nếu không nhận được sự giúp đỡ của cơ quan chủ quản. Xin gửi lời cảm ơn chân thành đến tập thé lãnh đạo Trường Dai học Sư phạm Kỹ thuật Vinh, lãnh đạo và đồng nghiệp tại Khoa Điện - Điện tử đã tạo điều kiện thuận lợi dé tôi yên tâm học tập và nghiên cứu.
Với tình cảm sâu nặng, tôi xin dành những lời cảm ơn thiêng liêng nhất đến gia đình thân yêu - cha mẹ đẻ, mẹ vợ, hai con nhỏ và đặc biệt người vợ yêu quý Nguyễn Thị Anh Quỳnh — người đã luôn bên cạnh, chia sẻ và hy sinh vì tôi. Tình yêu thương và sự giúp đỡ của gia đình là nguồn động lực vô giá giúp tôi vượt qua mọi thử thách trong suốt hành trình này. Cuối cùng, xin gửi lời tri ân chân thành đến đại gia đình, anh chị em nội ngoại và bạn bè. Sự ủng hộ và động viên của mọi người đã góp phần to lớn vào thành công của tôi ngày hôm nay.
Thành tựu này không chỉ là của riêng tôi mà còn là kết tinh của tình cảm, sự giúp đỡ và đông hành từ tât cả mọi người. Hà Nội, ngày. năm 2024 NGHIÊN CỨU SINH Lê Hồng Lam 11 MỤC LỤC LOI CAM DOAN -------------~~~~~~~~================mrzz~===eeeeemmmrmmrr==eeeemreeeemmme I LỜI CẢM ƠN Seen II MỤC 0) Ul CREE ne oo IV DANH MỤC KY HIỆU VA CHU VIET TAT ----------------~~¬~~-=-============== VII DANH MỤC BANG BIEU -------------~---~===~~~==============r==z====ermmmz=eeermmmme IX DANH MỤC HÌNH VE, DO THI --------------~~----~=~~~~=================z=====rmmmme XI MỞ ĐẦU. --------------------~--=-----~-=====~~=======>>====rmmrr==eermmrr=eeermmre=emee 1 Ly do chon đề tài --------------~~~--======~==============r==zz====rmmrz==mermmmx=eerrmmexe 1 Mục tiêu của đề tài------------------==-~-~~=============rrmzz==eerrmxxemermmmxeerrrrmexe 3 Đối tượng và phạm vi nghiên cứu -------------===================================m==me 3 Y nghĩa khoa hoc và thực tiễn của để tài ----~~~~----~~-~~~=======>z====em=zz==e=emmmr 3 Dong góp của luận án ----------------=====================r==rem==r=mrrme=mm=me=m==me 4 Phương pháp tiếp cận -----------~-~------=======================rr==mmmmm=====eeeemmmmmme 5 Phương pháp nghiên cứu -------------========================e=r=ss=mrrme=mmemee=me=m 5 Bồ cục của luận án -----------------======~~=======z=====rmmzz==eerrmmxxemermmmx=eerrrmexe 6 CHƯƠNG 1.
TONG QUAN -------------------~~~--============r=mz=====rmmz===eermmmme 8 1. Một số khái niệm cơ ban ------------------=====~~===============m=z====mmmmm====em § 1. Cấu trúc chung của hệ thống nhận dạng hoạt d6ng------------------------- 9 1. Thu đữ thập liệu cho HAR ---------------------------------------------- 10 1.
Một số mô hình phân loại thông dụng trong HAR ------------------ 13 1. Cac phương pháp đánh giá hiệu năng của mô hình ----------------- 17 1. Tình hình nghiên cứu trong và ngoài nước về phát hiện ngã ----------- 22 1. Một số nghiên cứu trên thé giới ---------------------------------------- 22 1.
Một số nghiên cứu ở Việt Nam ---------------------------------------- 23 1. Khoảng trống nghiên cứu và đề xuất giải pháp ---------------------------- 25 1V 1. Dinh hướng nghiên cứu ------------------------------------------------- 25 1. Kihoang trong nghiện 0ÚU- nên 26 1.
Đề xuất giải phap--------------------------------------------------------- 27 1. Kết luận chương --------------~---======~==============r==z====rrmmr==eeermmmm=eem 28 CHUONG 2. TRÍCH RUT ĐẶC TRUNG ------------------------================== 29 2. Tổng quan về trích rút đặc trưng --------------------------------------------- 29 2.
Vai trò của trích rút đặc trưng ------------------------------------------ 29 2. Một số nghiên cứu liên quan đến trích rút đặc trưng ---------------- 30 2. Thách thức trong trích rút đặc trung ----------------------------------- 33 2. Hướng tiếp cận giải quyết thách thức --------------------------------- 33 2.
Phương pháp trích rút đặc trưng từ dữ liệu cảm biến gia tốc ---------- 34 2. Nguồn dit liệu gia tốc --------------------~-~~~================z=====rm=mm==e=emm 36 2. Bộ dữ liệu MobiAct v2. Bộ dit liệu UP-Fall ------------------------------------------------------- 39 2.
Tiền xử ly dữ liệu -----------------~~---======================r=mm=====mmmm====mmmm 40 2. Kỹ thuật lọc nhiéu-------------------------------------------------------- 40 2. Phân đoạn dữ liệu -------------------------------------------------------- 41 2. Trích rút đặc trưng ----------------==--===================r=rrmr=mrrmrrmmrmm=mmer 44 2.
Miền thời gian ------------------------------------------------------------ 45 2. Tham số định hướng ----------------------------------------------------- 49 2354. Lựa chọn đặc trưng -------------------------------------------------- 202 2-022022- 33 2. Thực nghiệm và đánh giá kết quả--------------~---~-=======¬===============r= 54 2.
Thiết kế thực nghiệm ---------------------------------------------------- 54 27. Kệtqu va ban luận — 57 2. So sánh kết quả với các nghiên cứu liên quan ----------------------- 69 2. Kết luận chương ---------------=---==-===================e=r=rer=eemreerrerrrrree 75 CHUONG 3.
XÂY DỰNG MÔ HÌNH PHÁT HIEN SỰ KIỆN NGÃ--------- 76 3. Giới thiệu bài toán-------------------=~-============================z===m=z~m==e 76 3. Thách thức trong phát hiện ngã ---------------------------------------- 76 3. Hướng tiếp cận giải quyết thách thức --------------------------------- 77 3.
Một số nghiên cứu liên quan ------------------------------------------- 78 3. Tối ưu mô hình mô hình RE-----------------~---==~============================ 80 3.4, Giải thuat di trryen =--—--——-——-----------_____-__________________________ 80 3. Đề xuất thuật toán GA4RE --------------------------------------------- 82 3. Thực nghiệm và đánh giá kết qua-------------------------------------- 93 3.
Xây dựng mô hình phát hiện sự kiện ngã ---------------------------------- 107 3. Thách thức trong phat triển mô hình phát hiện sự kiện ngã ------- 107 3. Ảnh hưởng của kích thước cửa số dit liệu --------------------------- 107 3. Phương pháp thiết kế FEDM ------------------------------------------ 109 3.
Thực nghiệm và đánh giá kết qua------------------------------------- 115 3.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Phát hiện sự kiện ngã con người bằng Random Forest" nghiên cứu về vấn đề gì?
Luận án tiến sĩ phát triển kỹ thuật trích rút đặc trưng và tối ưu mô hình Random Forest để phát hiện sự kiện ngã con người thông qua điện thoại thông minh, góp phần nâng cao an toàn sức khỏe.
Luận án "Phát hiện sự kiện ngã con người bằng Random Forest" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Đại học Quốc gia Hà Nội. Năm bảo vệ: 2024.
Luận án "Phát hiện sự kiện ngã con người bằng Random Forest" thuộc chuyên ngành gì?
Luận án "Phát hiện sự kiện ngã con người bằng Random Forest" thuộc chuyên ngành Quản lý hệ thống thông tin. Danh mục: Hệ Thống Thông Tin.
Luận án "Phát hiện sự kiện ngã con người bằng Random Forest" có bao nhiêu trang?
Luận án "Phát hiện sự kiện ngã con người bằng Random Forest" có 160 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Phát hiện sự kiện ngã con người bằng Random Forest" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.