Luận văn ThS Hanh Ngoc Dang: Phân loại hoạt động thể chất dùng gia tốc kế 3 trục

Hệ thống phân loại hoạt động thể chất mới đã được phát triển. Mục tiêu chính là theo dõi các cấp độ hoạt động của một người. Hệ thống sử dụng gia tốc kế 3 trục thu nhỏ. Nghiên cứu này tập trung vào việc xây dựng một thuật toán phân loại dựa trên k-means. Thuật toán này có khả năng diễn giải tín hiệu từ gia tốc kế silicon 3 trục tiêu chuẩn. Sau đó, nó dịch các tín hiệu này thành một cụm các hoạt động được xác định trước. Hệ thống này tập trung vào việc xác định ba lớp hoạt động cơ bản: nghỉ ngơi, đi bộ và chạy. Các lớp này được mở rộng thành các phân lớp cấp thấp hơn. Các phân lớp bao gồm các tư thế nghỉ ngơi khác nhau (nằm, ngồi và đứng), các tốc độ đi bộ khác nhau (chậm, vừa phải, nhanh, lên và xuống cầu thang) và chạy (chạy bộ, chậm, vừa phải và tốc độ tối đa). Hệ thống cung cấp khả năng giám sát hoạt động chi tiết.

Dự án này là một nghiên cứu đa ngành. Nó liên quan đến công nghệ vi hệ thống, hệ thống y tế từ xa, xử lý tín hiệu số và khai thác dữ liệu. Gia tốc kế 3 trục CMA 3000-D01 đã được sử dụng làm cảm biến chính. Bộ vi điều khiển CC430F6137IRGC xử lý dữ liệu. Giao tiếp không dây CC1101 sub-1-GHz đảm bảo truyền dữ liệu hiệu quả. Các phương pháp đã dùng bao gồm giảm nhiễu tín hiệu và trích xuất các đặc trưng quan trọng từ dữ liệu gia tốc. Điều này giúp tăng cường độ chính xác của phân loại chuyển động. Các thuật toán học máy được áp dụng để tạo ra một hệ thống phân loại mạnh mẽ và chính xác.

Hệ thống giám sát hoạt động được thiết kế với cấu trúc phần cứng tối ưu. Một gia tốc kế 3 trục thu nhỏ là thành phần cốt lõi. Cụ thể là cảm biến CMA 3000-D01. Cảm biến này đo lường sự thay đổi vận tốc và hướng trong ba chiều. Bộ vi điều khiển CC430F6137IRGC tích hợp xử lý tín hiệu. Nó cũng bao gồm các chức năng cần thiết cho giao tiếp. Điều này giúp hệ thống hoạt động hiệu quả. Kích thước nhỏ gọn của thiết bị cho phép đeo thoải mái. Thiết bị có thể được gắn trên cơ thể. Điều này rất cần thiết cho việc thu thập dữ liệu hoạt động trong thời gian dài. Hệ thống được xây dựng để bền vững và đáng tin cậy.

Hệ thống sử dụng công nghệ truyền thông không dây để giao tiếp. Mô-đun CC1101 sub-1-GHz cho phép truyền dữ liệu đáng tin cậy. Dữ liệu gia tốc được gửi từ thiết bị đeo đến máy tính. Điều này hỗ trợ phân tích dữ liệu theo thời gian thực hoặc ngoại tuyến. Giao tiếp không dây giúp người dùng tự do di chuyển. Hệ thống tránh các hạn chế của dây cáp. Điều này quan trọng cho các ứng dụng theo dõi hoạt động thể chất trong môi trường thực. Tốc độ truyền và độ tin cậy được tối ưu hóa. Điều này đảm bảo dữ liệu đầy đủ và chính xác cho quá trình phân tích và phân loại hoạt động.

Một thuật toán phân loại dựa trên k-means mới đã được phát triển. Thuật toán này được thiết kế để diễn giải các tín hiệu từ gia tốc kế 3 trục. Mục tiêu là chuyển đổi các tín hiệu này thành các cụm hoạt động được định nghĩa trước. K-means là một phương pháp học không giám sát. Nó tự động nhóm các điểm dữ liệu tương tự lại với nhau. Trong bối cảnh này, các cụm đại diện cho các loại hoạt động thể chất khác nhau. Thuật toán lặp lại để tối ưu hóa việc phân chia dữ liệu. Nó tìm ra các trung tâm cụm tối ưu. Kết quả là một hệ thống có khả năng phân loại hoạt động hiệu quả và chính xác. Đây là một đóng góp quan trọng cho lĩnh vực giám sát hoạt động.

Trước khi áp dụng thuật toán phân loại, dữ liệu gia tốc phải trải qua quá trình tiền xử lý. Giảm nhiễu là một bước quan trọng. Nó giúp loại bỏ các tín hiệu không mong muốn và nhiễu. Sau đó, các đặc trưng quan trọng được trích xuất từ dữ liệu đã được làm sạch. Các đặc trưng này có thể bao gồm độ lớn tín hiệu, phương sai, tần số hoặc phổ năng lượng. Việc trích xuất đặc trưng giúp giảm chiều dữ liệu. Nó cũng làm nổi bật các yếu tố quan trọng của chuyển động. Các đặc trưng được sử dụng làm đầu vào cho thuật toán k-means. Quá trình này đảm bảo thuật toán hoạt động hiệu quả. Nó cũng cải thiện độ chính xác tổng thể của phân loại hoạt động.

Hệ thống không chỉ phân loại các hoạt động cơ bản. Nó còn đi sâu vào các phân lớp chi tiết hơn. Các tư thế nghỉ ngơi được phân biệt rõ ràng: nằm, ngồi và đứng. Đi bộ được chia thành các tốc độ: chậm, vừa phải và nhanh. Hệ thống cũng có thể nhận diện việc đi lên hoặc xuống cầu thang. Đối với hoạt động chạy, nó phân biệt giữa chạy bộ, chạy chậm, chạy vừa phải và chạy tốc độ tối đa. Việc phân loại chi tiết này cung cấp thông tin phong phú hơn về hành vi của người dùng. Nó giúp hiểu rõ hơn về mức độ và loại hoạt động. Điều này tăng cường giá trị và ứng dụng của hệ thống giám sát hoạt động.

Hệ thống đã đạt được những kết quả rất khả quan trong việc phân loại hoạt động. Tỷ lệ thành công là 100% đối với ba lớp hoạt động cơ bản. Các lớp này bao gồm nghỉ ngơi, đi bộ và chạy. Điều này chứng tỏ sự mạnh mẽ của thuật toán phân loại dựa trên k-means. Nó cũng cho thấy hiệu quả của quá trình trích xuất đặc trưng. Độ chính xác tuyệt đối này cung cấp một nền tảng vững chắc. Nó khẳng định khả năng hoạt động đáng tin cậy của hệ thống. Điều này giúp xây dựng niềm tin vào công nghệ giám sát hoạt động thể chất.

Ngoài các hoạt động cơ bản, hệ thống cũng thể hiện hiệu quả cao trong việc nhận diện các phân lớp hoạt động chi tiết hơn. Tỷ lệ thành công là 84% cho việc phân loại các tốc độ đi bộ và chạy khác nhau. Hệ thống cũng có khả năng phân biệt các tư thế nghỉ ngơi khác nhau. Điều này bao gồm nằm, ngồi và đứng, với độ chính xác lên đến 90%. Khả năng phân biệt giữa đi bộ thẳng và đi lên/xuống cầu thang cũng đạt độ chính xác 90%. Những kết quả này cho thấy hệ thống có thể cung cấp thông tin chi tiết và chính xác về các hành vi thể chất.

Hệ thống có tiềm năng lớn cho các ứng dụng theo dõi sức khỏe. Các hoạt động được chuyển đổi thành chỉ số MET (Metabolic Equivalent of a Task). Chỉ số MET giúp ước tính chi phí năng lượng liên quan đến hoạt động. Bằng cách tính toán mức tiêu thụ năng lượng theo thời gian. Hệ thống có thể dự đoán mức đường huyết. Điều này dựa trên lượng calo nạp vào và calo tiêu hao. Đây là một công cụ bổ sung hữu ích. Nó hỗ trợ quản lý bệnh tiểu đường hiệu quả hơn. Hệ thống cung cấp thông tin định lượng về hoạt động thể chất.

Hệ thống này có tiềm năng lớn trong việc hỗ trợ bệnh nhân tiểu đường mellitus. Nó cho phép tự giám sát hoạt động thể chất. Các hoạt động được chuyển đổi thành chỉ số MET. Chỉ số MET giúp ước tính chi phí năng lượng. Bằng cách tính toán lượng năng lượng tiêu thụ trong một khoảng thời gian. Hệ thống có thể hỗ trợ dự đoán mức đường huyết. Điều này dựa trên mối quan hệ giữa lượng calo nạp vào và năng lượng tiêu hao. Đây là một công cụ bổ sung có giá trị. Nó giúp người bệnh quản lý tình trạng sức khỏe của mình. Hệ thống thúc đẩy việc duy trì một lối sống năng động và lành mạnh.

Hệ thống phát hiện chuyển động này vượt xa một thiết bị đếm bước đơn thuần. Nó hoạt động như một công cụ bổ sung mạnh mẽ. Nó giúp dự đoán mức đường huyết. Điều này dựa trên việc phân tích mối tương quan giữa năng lượng nạp vào và năng lượng tiêu hao. Bằng cách cung cấp dữ liệu khách quan và chi tiết về các hoạt động thể chất. Hệ thống giúp cá nhân hóa các kế hoạch chăm sóc sức khỏe. Nó có thể hỗ trợ các chuyên gia y tế trong việc điều chỉnh phác đồ điều trị. Điều này hỗ trợ quá trình ra quyết định lâm sàng. Mục tiêu cuối cùng là cải thiện kết quả sức khỏe lâu dài cho người dùng.

Hệ thống này có tiềm năng mở rộng đáng kể trong tương lai. Các nghiên cứu tiếp theo có thể tập trung vào việc tăng phạm vi hoạt động được nhận diện. Điều này bao gồm các hoạt động phức tạp hơn như leo núi, đạp xe hoặc các bài tập thể dục cụ thể. Cần tiến hành các thử nghiệm hiệu suất trong môi trường đời sống thực. Điều này sẽ đánh giá độ tin cậy và hiệu quả của hệ thống trong điều kiện tự nhiên. Việc cải thiện thuật toán liên tục là cần thiết. Điều này nhằm tối ưu hóa hiệu suất và độ chính xác của hệ thống. Mục tiêu là cung cấp một giải pháp giám sát hoạt động toàn diện hơn.