BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC SINH VIÊN Nghiên cứu phát triển thuật toán đếm số bước người dùng dựa cảm biến điện thoại thông minh

Đặt vấn đề Định vị người di chuyển / đi bộ trong môi trường kín indoors là một trong các xu hướng công nghệ thu hút được nhiều sự chú ý bởi các ứng dụng thực tế của nó trong đời sốn

GIỚI THIỆU TỔNG QUAN VỀ MỤC ĐÍCH NGHIÊN CỨU VÀ HƯỚNG PHÁT TRIỂN

Đặt vấn đề

Định vị người di chuyển hoặc đi bộ trong môi trường kín (indoors) là một xu hướng công nghệ được nhiều người quan tâm nhờ những ứng dụng thực tế trong đời sống, đặc biệt là khả năng xác định vị trí người để thuận tiện cho việc giám sát và hướng dẫn chỉ đường khi họ di chuyển trong các tòa nhà hoặc trung tâm thương mại Các hệ thống định vị trong nhà kết hợp cảm biến và công nghệ học máy để xác định chính xác quỹ đạo di chuyển và vị trí người dùng, từ đó cải thiện an toàn, tối ưu hóa quản lý không gian và mang lại trải nghiệm thuận tiện cho người dùng khi tham quan, làm việc hoặc mua sắm trong các khu phức hợp đô thị.

Trong môi trường ngoài trời, GPS (Global Positioning System) hoạt động tốt và được sử dụng rộng rãi để xác định vị trí Tuy nhiên, ở môi trường kín, GPS không thể cung cấp thông tin vị trí một cách chính xác do tín hiệu nhận bị suy yếu Nghiên cứu cho thấy tại các thành phố lớn, một người thường dành đến 90% thời gian trong ngày để sống và làm việc trong môi trường kín Do đó, hệ thống định vị người dùng trong môi trường kín cần được xây dựng và phát triển để đảm bảo xác định vị trí hiệu quả bên trong các tòa nhà và khu vực đô thị.

Hiện nay, điện thoại thông minh và máy tính bảng ngày càng phổ biến, khiến hầu như mọi người đều sở hữu một thiết bị di động và coi nó như một người bạn đồng hành không thể thiếu Các thiết bị này được trang bị nhiều cảm biến khác nhau, gồm cảm biến gia tốc (accelerometer), cảm biến con quay hồi chuyển (gyroscope) và cảm biến từ trường (magnetometer), giúp hỗ trợ các dịch vụ nhận biết ngữ cảnh (context-aware services) như xác định vị trí người dùng Nhờ đó, việc phát triển các ứng dụng định vị dựa trên điện thoại trở nên hợp lý và có tiềm năng lớn, biến điện thoại thành nền tảng thuận lợi để xác định vị trí và phục vụ các nhu cầu vị trí của người dùng.

Pedestrian Dead Reckoning (PDR) là một kỹ thuật định vị phổ biến trong môi trường kín, dựa trên việc xác định số bước đi, độ dài mỗi bước và hướng di chuyển của người đi bộ Ba thành phần cốt lõi của PDR là xác định số bước đi, đo độ dài bước đi và ước lượng hướng di chuyển, và mọi sai lệch dù nhỏ ở từng thành phần đều có tác động tích lũy khiến sai số định vị ngày càng lớn cho hệ thống Do đó, việc giảm thiểu sai lệch trong tính toán của mỗi thành phần đóng vai trò then chốt để duy trì và nâng cao hiệu năng định vị của PDR trong các ứng dụng đòi hỏi định vị trong nhà Các nghiên cứu và ứng dụng PDR tập trung tối ưu hóa thuật toán đếm bước, mô hình đo bước và ổn định hướng di chuyển nhằm giảm drift và nâng cao độ chính xác của hệ thống định vị dựa trên bước đi.

Tính cấp thiết của đề tài

Pedestrian Dead Reckoning (PDR) là một kỹ thuật định vị phổ biến được áp dụng để xác định và theo dõi vị trí người dùng trong các môi trường kín như bệnh viện (vị trí bệnh nhân) và các trung tâm thương mại (vị trí khách hàng), thậm chí trong các tình huống khẩn cấp như cứu hỏa Bởi PDR còn bao gồm nhận dạng các chuyển động bước đi, dữ liệu từ quá trình này có thể hỗ trợ các ứng dụng quản lý sức khỏe người dùng và theo dõi hoạt động thể chất Trong suốt hai thập kỷ qua, đã có nhiều hệ thống dựa trên PDR được nghiên cứu và triển khai, mỗi hệ thống đều có điểm mạnh và yếu riêng Tuy nhiên, chưa có hệ thống nào được thương mại hóa với tác động lớn trong môi trường kín như GPS ở ngoài trời Chính vì vậy, nghiên cứu về việc sử dụng PDR cho định vị trong tòa nhà vẫn được quan tâm và phát triển, nhằm cải thiện độ chính xác và mở rộng ứng dụng trong y tế, an ninh công cộng và quản lý tài sản trong các cơ sở.

Hạn chế chính của định vị dựa trên kỹ thuật PDR là kết quả định vị bị lệch dần theo thời gian thực thi do xác định số bước đi của người di chuyển không chính xác Trong suốt quá trình bước đi, người đi bộ có thể bước ở các tốc độ khác nhau, từ nhanh đến chậm, khiến việc đếm bước trở nên không ổn định Việc nhận diện và phân biệt các tốc độ bước đi là yếu tố then chốt để nâng cao độ chính xác của quá trình xác định số bước đi và cải thiện hiệu quả định vị bằng PDR Vì vậy, nhóm nghiên cứu đã chọn đề tài “Nghiên cứu và phát triển thuật toán đếm số bước đi của người dùng dựa trên các cảm biến của điện thoại thông minh” nhằm khai thác cảm biến trên điện thoại để xác định nhịp bước và tốc độ di chuyển, từ đó tối ưu hóa độ chính xác của số bước và vị trí.

Mục đích nghiên cứu

Nghiên cứu này nhằm cải thiện hiệu năng của kỹ thuật PDR bằng cách xây dựng và phát triển một thuật toán mới, nhằm nâng cao độ chính xác trong việc xác định số bước đi—một thành phần quan trọng của kỹ thuật PDR.

Trong khuôn khổ nghiên cứu và phát triển thuật toán học máy, mục tiêu chính là phân biệt ba tốc độ bước đi khác nhau của người đi bộ, gồm bước đi nhanh, bước đi bình thường/vừa và bước đi chậm Bằng cách khai thác đặc trưng từ dữ liệu cảm biến và tín hiệu chuyển động, hệ thống sẽ nhận diện và phân loại chính xác tốc độ đi bộ, từ đó hỗ trợ các ứng dụng thiết thực như giám sát sức khỏe, an toàn người dùng và tối ưu hóa trải nghiệm di chuyển Nghiên cứu cũng tập trung nâng cao độ chính xác và độ tin cậy của thuật toán trên nhiều điều kiện môi trường và nền tảng cảm biến khác nhau, đảm bảo triển khai ứng dụng thực tế hiệu quả và bền vững.

Trong khuôn khổ nghiên cứu này, chúng tôi tiến hành nghiên cứu và phát triển một thuật toán nhằm xác định số bước đi của người đi bộ khi di chuyển ở các tốc độ khác nhau dựa trên dữ liệu từ các cảm biến trên điện thoại thông minh Thuật toán kết hợp hệ thống cảm biến gia tốc và cảm biến quay để nhận diện nhịp bước và ước tính tổng số bước một cách chính xác, bất kể tốc độ đi hoặc điều kiện người dùng Kết quả cho thấy độ chính xác cao và khả năng bền vững trong các tình huống thực tế, mở rộng ứng dụng trong theo dõi sức khỏe, đo lộ trình vận động và tối ưu hóa trải nghiệm người dùng trên thiết bị di động.

Sinh viên được hệ thống hóa toàn bộ kiến thức đã học tại Đại học Đà Lạt, đặc biệt từ bộ môn Điện Tử - Viễn Thông thuộc khoa Vật Lý – Kỹ Thuật Hạt Nhân Nhờ quá trình tổng hợp này, sinh viên có thể áp dụng thực tế các kiến thức đã được trang bị và nâng cao trình độ chuyên môn cho bản thân.

Cách tiếp cận, phương pháp nghiên cứu, phạm vi nghiên cứu

- Tìm hiểu kiến thức cơ bản thông qua sách báo, mạng Internet

- Đề xuất thuật toán học máy để phân biệt ba tốc độ bước đi khác nhau của người đi bộ (sử dụng phần mềm Pycharm, ngôn ngữ Python)

- Đề xuất thuật toán xác định số bước đi của người đi bộ khi bước đi ở các tốc độ khác nhau (sử dụng phần mềm Pycharm, ngôn ngữ Python)

Dữ liệu thực nghiệm từ các cảm biến trên thiết bị di động trong quá trình bước đi của người đi bộ ở các tốc độ khác nhau được thu thập và phân tích nhằm chứng minh hiệu năng của thuật toán Quá trình thu thập và phân tích dữ liệu tập trung vào việc nhận diện các mẫu vận động, đánh giá độ chính xác và độ tin cậy của thuật toán trên từng mức tốc độ Kết quả cho thấy mối liên hệ giữa nhịp bước, gia tốc và quãng đường di chuyển, từ đó xác nhận tính khả dụng của thuật toán trong các ứng dụng theo dõi chuyển động và nhận diện bước đi trên thiết bị di động.

HỆ THỐNG ĐỊNH VỊ PDR VÀ CÁC NGHIÊN CỨU LIÊN

Một số hệ thống định vị hiện nay

Có 2 hệ thống định vị chủ yếu hiện nay:

- Trong môi trường mở (outdoors): hệ thống định vị toàn cầu GPS (Global Positioning System)

+ GPS hay còn gọi là hệ thống định vị toàn cầu, hệ thống này được phát triển và vận hành bởi Mỹ

+ GPS là một hệ thống gồm rất nhiều vệ tinh bay trên quỹ đạo trái đất ở độ cao 20,200 km

+ GPS có thể hoạt động tốt trong mọi điều kiện thời tiết cũng như bất kể nơi đâu trên Trái Đất

Ứng dụng định vị GPS này có thể hoạt động liên tục 24 giờ mỗi ngày và miễn phí cho một số dịch vụ, đồng thời là hệ thống định vị chính được áp dụng trên các thiết bị di động phổ biến như điện thoại thông minh, laptop và tablet.

- Trong môi trường kín (indoors): hệ thống định vị trong nhà IPS (Indoor Positioning System)

Hệ thống định vị trong nhà (IPS) không dựa vào vệ tinh như GPS mà dựa trên nhiều công nghệ khác nhau IPS có thể được xây dựng bằng cách tận dụng nhiều điểm phát Wi‑Fi trong một tòa nhà và tính toán vị trí của người dùng dựa trên tín hiệu Wi‑Fi; ngoài ra, nó còn có thể sử dụng Bluetooth hoặc các cảm biến tích hợp trên các thiết bị thông minh để xác định vị trí một cách chính xác hơn.

+ Các ứng dụng thực tế của IPS là:

Tìm địa điểm trong các tòa nhà văn phòng lớn, các tòa nhà trường đại học, khu trung tâm, viện bảo tàng, bệnh viện

Tình huống khẩn cấp: điều hướng cứu hộ và khoanh vùng tình huống khẩn cấp

Việc theo dõi người và tài sản là yếu tố then chốt để tăng cường an toàn và hiệu quả vận hành, đặc biệt với các nhóm như bệnh nhân, trẻ em, khách tham quan và du khách Các ứng dụng điển hình bao gồm theo dõi hành lý tại sân bay; quản lý giao nhận, vận chuyển hàng hóa và theo dõi container trong kho, bến cảng và sân bay; và xác định vị trí thiết bị trong nhà máy, văn phòng và bệnh viện.

+ Ứng dụng xã hội: Tìm người hay tìm chỗ mua sắm, hỗ trợ đỗ xe trong nhà Ứng dụng trong lĩnh vực quảng cáo…

Giới thiệu về hệ thống định vị PDR

Hình 1 Tổng quan sơ đồ các hệ thống PDR

Hình 1 mô tả hai hệ thống định vị tích hợp trên điện thoại thông minh: INS (Inertial Navigation Systems) và SHS (Step-and-Heading Systems) Hệ thống INS xác định vị trí trong không gian ba chiều bằng cách tích hợp dữ liệu từ các cảm biến tại từng thời điểm xác định Ngược lại, hệ thống SHS xác định vị trí của người đang di chuyển dựa trên ba thành phần: số bước đi, độ dài bước và hướng di chuyển Nghiên cứu này tập trung vào hệ thống SHS nhằm nâng cao độ chính xác trong việc đếm bước và xác định hướng di chuyển, từ đó cải thiện độ chính xác của định vị dựa trên bước chân.

Hệ thống SHSs xác định vị trí mới dựa trên một cặp thông tin gồm độ dài bước và hướng di chuyển, hoặc độ dài bước và sự thay đổi hướng di chuyển Từ các cặp thông tin này, hệ thống tính toán và đưa ra vị trí mới trong không gian hai chiều.

Phát hiện bước (Step detection)

Nhiệm vụ đầu tiên của SHS là xác định các bước di chuyển hoặc bước tiến dựa trên dữ liệu thu được từ các cảm biến Thực tế, nguyên lý này đã được áp dụng rộng rãi trong nhiều hệ thống INS để cải thiện độ chính xác định vị và điều hướng Có hai loại thuật toán chính được sử dụng trong quá trình này: một loại dựa trên mô hình và giả định vật lý của hệ thống, giúp ước lượng trạng thái dựa trên động học và các tham số đã biết; và một loại dựa trên dữ liệu cảm biến thực tế, kết hợp thông tin từ nhiều nguồn để tối ưu hóa quá trình cảm biến fusion và suy diễn trạng thái Cả hai loại thuật toán này đều nhằm tích hợp tín hiệu từ cảm biến thành thông tin định vị và hướng đi đáng tin cậy, từ đó nâng cao hiệu suất của hệ thống INS.

Phát hiện trạng thái là quá trình các thuật toán xác định các khoảng thời gian dữ liệu mà một chân cụ thể được đặt trên sàn, dựa trên dữ liệu từ cảm biến gắn trên chân Cảm biến này cho phép nhận diện thời điểm chân tiếp xúc với mặt sàn và trạng thái chuyển động của nó Thông thường, hệ thống như vậy phù hợp để đếm bước chân, nhưng đầu ra phân đoạn từ quá trình nhận diện trạng thái lại kém.

- Phát hiện chu kỳ bước: thuật toán phát hiện các chu kỳ trong dữ liệu cảm biến do chuyển động đi bộ là lặp đi lặp lại Điều này có thể liên quan đến việc tìm kiếm các mẫu dữ liệu lặp lại hoặc các sự kiện lặp lại Chúng rất phù hợp với phân đoạn theo bước

Các thuật toán phát hiện bước đi điển hình là dựa trên ngưỡng Nguyên tắc là cảm biến sẽ ổn định trong giai đoạn đứng (stance) và cảm biến gia tốc sẽ báo cáo sự thiếu hoạt động tương ứng mà ngưỡng có thể dễ dàng xác định Hầu hết các thuật toán ngưỡng dựa trên cường độ của cảm biến gia tốc [1], [2], [3], ngưỡng dựa trên cảm biến vận tốc góc cũng được sử dụng [4], [5], [6], và ngưỡng kết hợp của cả hai loại cảm biến [7] Ngay cả việc xác định ngưỡng từ cảm biến từ trường cũng có thể sử dụng được trong một số trường hợp [8]

Nhiều kỹ thuật đã được phát triển để nhận diện và xác định chính xác các sự kiện trong quá trình bước đi của người đi bộ, phục vụ cho việc phân đoạn dữ liệu, đồng thời cho phép các cảm biến gắn lên các bộ phận khác nhau trên cơ thể thu thập dữ liệu một cách liên tục và đáng tin cậy.

Phát hiện đỉnh (peak detection) liên quan đến nhận diện các đỉnh trong tín hiệu gia tốc Khi người đi bộ bước đi, tại thời điểm gót chân chạm mặt đất sẽ tạo ra những biến đổi mạnh đối với gia tốc theo phương thẳng đứng Các thuật toán phát hiện đỉnh tiêu chuẩn có thể được sử dụng để xác định các bước đi dựa trên những đỉnh này Lưu ý rằng mỗi tác động của chân có thể tạo ra nhiều đỉnh cục bộ trong tín hiệu.

[10] Điều này có thể làm tăng đáng kể độ phức tạp của thuật toán

Zero crossing là một phương pháp dễ dàng để khai thác tính tuần hoàn trong quá trình di chuyển (bước đi) bằng cách theo dõi giá trị gia tốc tại các điểm giao cắt nơi giá trị cảm biến bằng không Phương pháp này cho phép xác định chu kỳ vận động một cách nhanh chóng và chính xác, từ đó cải thiện phân tích và điều khiển hệ thống Khi theo dõi các điểm zero-crossing theo giá trị gia tốc, ta có thể xác định thời điểm giữa các chu kỳ, tối ưu hóa hiệu suất và giảm nhiễu dữ liệu cảm biến [11].

Các kỹ thuật này thường được áp dụng cho tín hiệu từ cảm biến gia tốc, thường sau khi áp dụng bộ lọc thông thấp để loại bỏ nhiễu Với tần số cắt của bộ lọc ở khoảng 20 Hz, các chu kỳ bước của tín hiệu vẫn được giữ nguyên, ngay cả khi quá trình lọc có thể làm giảm hoặc làm mờ các thành phần tần số cao.

3 Hz cũng được sử dụng trong các nghiên cứu [12] Cần lưu ý rằng hầu hết các thử nghiệm chỉ dựa vào gia tốc theo phương thẳng đứng và không tính đến những thay đổi về trạng thái của cảm biến trong một bước đi; thay vào đó, các hệ thống giả định rằng một trục của cảm biến vẫn giữ nguyên phương thẳng đứng suốt quá trình bước đi Giả thiết này phù hợp nhất khi cảm biến gia tốc được gắn vào thân người [13], [14], mặc dù đã được chứng minh có thể áp dụng cho cảm biến gắn trên bàn chân [15].

Ước tính độ dài bước (Step Length Estimation)

Trong thực tế, cách tiếp cận đơn giản nhất để ước tính độ dài bước là giả định nó là một giá trị hằng số Nhiều nghiên cứu cho thấy người đi bộ có tốc độ đi bộ tự nhiên với độ dài bước không đổi một cách đáng ngạc nhiên, tuy nhiên độ dài bước này được điều chỉnh khi bước nhanh, chạy nhanh hoặc đi bộ với người khác Weinberg báo cáo rằng độ dài bước có thể thay đổi tới 40% giữa những người đi bộ ở cùng một tốc độ và lên đến 50% trên phạm vi tốc độ đi bộ của một cá nhân Lưu ý rằng trong các bài kiểm tra ngắn, những người tham gia được yêu cầu đi bộ liên tục dọc theo một quãng đường ngắn.

Trong phân tích 12 tuyến đường cụ thể, người tham gia có thể áp dụng tốc độ đi bộ tự nhiên của mình, và điều này có thể nâng cao độ chính xác khi xác định độ dài bước đi, từ đó cải thiện chất lượng dữ liệu đo lường.

Trong công trình của Weinberg, một quy trình ước tính độ dài bước động dựa trên chuyển động thẳng đứng tối đa của hông, hay còn gọi là độ nảy, được mô tả chi tiết Chiều dài sải bước khi đi được cho là một hàm của độ nảy và của góc thẳng đứng giữa điểm cao nhất và thấp nhất của hông trong một sải chân duy nhất Góc này được xem là không đổi mặc dù thực tế nó liên quan đến chiều dài chân của người dùng Phương pháp này đạt độ chính xác lên tới 92% trong việc xác định độ dài bước đi và được áp dụng rộng rãi trong nhiều hệ thống định vị PDR.

Một giải pháp thay thế là ước lượng độ dài bước cơ sở dựa trên tần số bước quan sát, có thể được thực hiện bằng cách sử dụng các kỹ thuật phát hiện bước khác nhau Nghiên cứu cho thấy sự kết hợp chặt chẽ giữa tần số bước và tốc độ đi bộ, cho phép ước lượng chính xác hơn Phương pháp này có thể đạt được sai số RMSE (Root Mean Square Error) là 5,6% [17].

Các biện pháp đo trực tiếp độ dài bước đã được triển khai, ví dụ Saarinen gắn cảm biến siêu âm ở mặt trước và mặt sau của mỗi chiếc giày [18] và áp dụng các kỹ thuật ước tính độ dài bước phổ biến nhằm tạo ước lượng dịch chuyển có chất lượng cao hơn Tuy nhiên, mức tăng độ chính xác thường không đáng kể do độ lệch hướng di chuyển lớn Một số hệ thống ước tính độ dài bước bằng cách đánh giá các đường đi được tạo ra từ các độ dài khác nhau và sử dụng bản đồ xây dựng để chọn độ dài tối ưu.

Ước tính hướng di chuyển (Heading Estimation)

Trong hệ thống SHS, việc ước tính hướng di chuyển tương tự INS do số cảm biến đầu vào còn rất hạn chế Lấy tích phân một lần của tín hiệu từ cảm biến quán tính—con quay hồi chuyển có thể xác định hướng di chuyển của người đi bộ SHS có thể tránh dùng tích phân để tính độ dài bước đi, nên sự lệch vị trí tăng theo tuyến tính Một số hệ thống chỉ dùng một con quay hồi chuyển gắn song song với thân, với giả định rằng thiết bị vẫn ở trạng thái gần như thẳng đứng khi người đi bộ di chuyển Cảm biến từ trường có thể được sử dụng trực tiếp hoặc kết hợp với đầu ra của con quay hồi chuyển để ước tính sự thay đổi hướng di chuyển.

2.3 Nhận dạng hoạt động của con người

Trong lĩnh vực nhận dạng hoạt động của con người (Human Activity Recognition - HAR), có hai nhánh chính là dựa trên camera (vision-based HAR) và dựa trên cảm biến (sensor-based HAR) Công việc này chủ yếu tập trung vào việc tận dụng các loại cảm biến tích hợp trên điện thoại thông minh để phát hiện và phân loại các hoạt động của người dùng, như đi bộ, đi lên lầu, đi xuống cầu thang và các hoạt động hàng ngày khác Phương pháp dựa trên vision khai thác dữ liệu hình ảnh hoặc video từ camera để nhận diện chuyển động, trong khi phương pháp dựa trên cảm biến tận dụng thông tin từ gia tốc kế, con quay hồi chuyển và các cảm biến khác có trong thiết bị di động để nhận diện hoạt động một cách liên tục và ở mọi hoàn cảnh.

Trong nghiên cứu [20], Yin và các cộng sự đã kết hợp hai cảm biến phần cứng là cảm biến gia tốc và con quay hồi chuyển với hai cảm biến phần mềm trên hệ điều hành Android là cảm biến gia tốc tuyến tính và cảm biến định hướng để phân loại năm hoạt động: đi bộ, chạy, ngồi, đi lên lầu và đi xuống cầu thang Các đặc trưng thời gian được trích xuất, gồm giá trị lớn nhất, giá trị nhỏ nhất, giá trị trung bình và độ lệch chuẩn, nhằm mô tả đặc điểm động học của từng hoạt động và cải thiện hiệu suất nhận diện hoạt động.

Trong lĩnh vực nhận diện hoạt động người dùng từ cảm biến trên điện thoại thông minh, các thuật toán học máy như Decision Tree, Support Vector Machine và Multilayer Perceptron được dùng để phân loại các hoạt động, với hai trường hợp kiểm tra cho kết quả phân loại và độ chính xác có thể lên tới 99%, trong đó Decision Tree thể hiện hiệu suất tốt nhất Tuy nhiên, hạn chế của nhiều nghiên cứu là sử dụng số lượng đặc trưng lớn để phân loại ba hoạt động khi điện thoại được cho vào túi Các công trình của Hung và Suarez ghép nối các đặc trưng từ cảm biến gia tốc và cảm biến con quay hồi chuyển để nhận diện sáu loại hoạt động khi điện thoại gắn ở eo, với 45 và 48 đặc trưng từ miền thời gian và miền tần số cho ba bộ phân loại ML; từ đó, thuật toán hồi quy tuyến tính đạt 96% và hơn 97% với Decision Tree Vị trí cố định của điện thoại là một hạn chế khác Để khắc phục, Klein và cộng sự đề xuất một phương pháp không chỉ phát hiện chuyển động (đi bộ bình thường và đi bộ nhanh) mà còn nhận diện cách giữ điện thoại (đang gọi/nghe, đong đưa, nhắn tin và bỏ túi), sử dụng nhiều thuật toán ML để phân loại các chuyển động và cách giữ với 111 đặc trưng bao gồm các tính năng thống kê, tính năng thời gian và cảm biến chéo; Gradient Boosting cho độ chính xác 95%, là kết quả tốt nhất so với các thuật toán khác, nhưng việc sử dụng 111 đặc trưng là nhược điểm đối với hệ thống thời gian thực, nên các tác giả tìm cách giảm bớt số lượng đặc trưng mà vẫn duy trì độ phân loại hợp lý.

2.4 Một số kỹ thuật học máy ML

Hình 2 Ví dụ về KNN

Thuật toán KNN (k-Nearest Neighbors) gán một điểm dữ liệu cho nhãn của lớp dựa trên sự tương đồng với các điểm lân cận K là số điểm gần nhất được xem xét để quyết định nhãn của điểm đó Để xác định vùng lân cận cho mỗi điểm dữ liệu, khoảng cách Euclid được dùng để đo độ gần gũi giữa các điểm Hình 2 minh hoạ một ví dụ về KNN: khi K = 6, các ngôi sao đỏ có số điểm lớn nhất, X được dự đoán là một ngôi sao đỏ; khi K tăng lên 13, vòng tròn màu xanh lam có số điểm lớn nhất, X được dự đoán là một vòng tròn màu xanh lam.

Cấu trúc của cây quyết định (DT) gồm các nút nội bộ, nút lá và nhánh Mỗi nút nội bộ biểu thị một thuộc tính và được liên kết với một bài kiểm tra liên quan đến phân loại dữ liệu, trong khi các nút lá cũng tham gia phân loại Các nhánh đại diện cho các kết quả có thể của bài kiểm tra được áp dụng trên tập dữ liệu Ví dụ về DT được thể hiện trong Hình 3, cho thấy rõ các thành phần chính của cây quyết định và vai trò của từng thành phần trong quá trình phân tích và dự báo dữ liệu.

RF được đề xuất bởi Breiman [15], là một thuật toán phân loại hoạt động bằng cách kết hợp nhiều cây quyết định (Decision Trees) Mỗi cây trong rừng học các quy tắc đơn giản từ dữ liệu và độ phức tạp tăng lên khi cây sâu hơn Thay vì dựa vào một cây quyết định duy nhất, RF ghép nhiều cây lại thành một bộ rừng quyết định, sử dụng kỹ thuật bagging và ngẫu nhiên chọn đặc trưng để giảm hiện tượng quá khớp và cải thiện hiệu suất phân loại.

RF (Random Forest) là một phương pháp phân loại dựa trên tập hợp nhiều cây quyết định, còn được gọi là tập hợp phân loại học tập, hoạt động theo ý tưởng đóng bao (bagging) để giảm phương sai mà không làm tăng thiên vị Cấu trúc của RF được thể hiện trong hình 4, và quy trình bỏ phiếu sau mỗi cây quyết định được thực hiện với hai loại biểu quyết: biểu quyết cứng (hình 5) và biểu quyết mềm (hình 6).

15 Hình 3 Ví dụ về DT

16 Hình 5 Mô tả ví dụ về phương pháp biểu quyết cứng

Hình 6 Mô tả ví dụ về phương pháp biểu quyết mềm

Bảng 1 So sánh ET và RF

- Chọn một tách ngẫu nhiên để chia nút mẹ thành hai nút con ngẫu nhiên

- Các quan sát được rút ra mà không cần thay thế → không cần lặp lại các quan sát

- Chọn phân tách tốt nhất để chuyển đổi mẹ thành hai nút con đồng nhất nhất

- Các quan sát được rút ra với sự thay thế → lặp lại các quan sát được áp dụng

ET là một thuật toán phân loại về cơ bản sử dụng ý tưởng tương tự như RF [7]

Cả hai đều dựa vào việc sử dụng nhiều cây quyết định (Decision Trees) để dự đoán kết quả cuối cùng Bằng cách dùng một tập con ngẫu nhiên của các tính năng, hai thuật toán ET và RF cho thấy sự cải thiện về hiệu suất so với cây DT đơn lẻ ET sử dụng toàn bộ dữ liệu huấn luyện (không phải chỉ một bản sao bootstrap) để xây dựng mỗi cây, và nó chọn phần tách—cả thuộc tính và ngưỡng cắt—hoàn toàn ngẫu nhiên hoặc theo một phần ngẫu nhiên; do đó ET có variance thấp Bảng 1 so sánh ET và RF Trong bảng này, sự phân chia là quá trình chuyển đổi một nút mẹ không đồng nhất thành 2 nút con đồng nhất.

2.4.5 So sánh các bộ phân loại

Bảng 2 trình bày sự so sánh giữa DT, RF và ET, cho thấy sự khác biệt rõ rệt giữa ba phương pháp Đồng thời, bảng chỉ ra sự đơn giản của DT so với RF và ET, vì DT có cấu trúc cây quyết định dễ hiểu và ít tham số hơn Điểm khác biệt chính giữa RF và ET nằm ở cơ chế bootstrapping và cách tách tại mỗi nút quyết định: RF sử dụng bootstrap sampling để tạo nhiều cây con và chọn tập đặc trưng ngẫu nhiên cho mỗi lần chia, còn ET tăng độ ngẫu nhiên bằng cách chọn ngẫu nhiên các ngưỡng phân tách và thường không dựa trên bootstrap, dẫn đến các cây con có sự phân tán và đa dạng hơn.

Bảng 2 So sánh DT, RF và ET

Số lượng cây Một Nhiều Nhiều

Các tính năng được xem xét để phân chia tại mỗi nút quyết định

Tất cả các tính năng Tập hợp ngẫu nhiên của các tính năng

Tập hợp ngẫu nhiên của các tính năng

Tách Chia tách tốt nhất Chia tách tốt nhất Chia tách ngẫu nhiên

Bảng 3 So sánh bộ các phân loại

Thực hiện dễ dàng Có Có Không Không

Trí nhớ Lớn Nhỏ Lớn Lớn

Phân biệt Có Có Có Có

Tăng hiệu suất với các tính năng tăng lên Có Có Có Có

Bootstrapping Không Không Có Không

Ở Bảng 3, các thuật toán được so sánh với nhau dựa trên một số tiêu chí quan trọng như độ dễ triển khai, chi phí tính toán và khả năng phân biệt của từng phân loại Hiệu suất tổng thể của các phân loại tăng từ trái sang phải, và theo xu hướng này, độ phức tạp của chúng cũng tăng lên; đồng thời mức độ dễ thực hiện giảm đi Đối với các trường hợp DT, các tiêu chí trên được cân nhắc nhằm lựa chọn phương án tối ưu giữa hiệu quả và chi phí.

RF và ET, chỉ có bootstrapping và phương sai giữa dữ liệu thực và thử nghiệm được xem xét

PHƯƠNG PHÁP XÁC ĐỊNH SỐ BƯỚC ĐI

Sơ đồ khối

Hình 7 trình bày sơ đồ khối của phương pháp xác định bước đi, nhấn mạnh hai thành phần chính là xác định tốc độ bước đi và đếm số bước dựa trên các tốc độ này Phương pháp này gồm các bước từ đo và ước lượng tốc độ bước đi ở các thời điểm khác nhau, xử lý và diễn giải dữ liệu đo được để xác định các giá trị tốc độ, cho đến áp dụng cơ chế đếm bước dựa trên các ngưỡng hoặc thuật toán với tốc độ đã ước lượng nhằm cho ra tổng số bước Sơ đồ khối cho thấy cách các tín hiệu được xử lý và tích hợp để theo dõi nhịp di chuyển, từ đó cải thiện độ chính xác và hiệu quả của hệ thống xác định bước đi.

Để thu thập dữ liệu từ cảm biến gia tốc, ta lấy thông tin từ ba trục ax_m, ay_m và az_m như trong Hình 8 Tần số lấy mẫu được thiết lập là 50 Hz Dữ liệu được thu từ ứng dụng SensorCollection trên nền tảng Android và được lưu lại dưới dạng file CSV (Comma Separated Values) để xử lý.

Hình 8 Dữ liệu thu được từ ba trục của cảm biến gia tốc

2 Xác định tốc độ bước đi

Chúng tôi dự đoán tốc độ bước đi dựa trên các kỹ thuật học máy như SVM, KNN, DT, RF và ET Bằng cách sử dụng 50 đặc trưng, hệ thống phân loại ba tốc độ bước đi: nhanh, vừa và chậm Bảng 4 mô tả các đặc trưng được chọn cho quá trình phân loại này Khi phân loại xong, tốc độ có tỉ lệ xuất hiện cao hơn sẽ được xác định và bộ tham số tương ứng của tốc độ đó sẽ được áp dụng để xác định số bước đi.

Bảng 4 Các đặc trưng được chọn

STT Mô tả Ký hiệu

Phạm vi liên phần của trục y của cảm biến gia tốc

Giá trị trung bình của trục x của cảm biến gia tốc 𝑥_𝑚𝑒𝑎𝑛

Phạm vi liên phần của trục z của cảm biến gia tốc

Giá trị trung bình của trục y của cảm biến gia tốc 𝑦_𝑚𝑒𝑎𝑛

(m/s 2 ) 28 Đếm giá trị âm của trục x của cảm biến gia tốc x_neg_count (m/s 2 )

Giá trị trung bình của trục y của cảm biến gia tốc 𝑧_𝑚𝑒𝑎𝑛

(m/s 2 ) 29 Đếm giá trị âm của trục y của cảm biến gia tốc y_neg_count (m/s 2 )

4 Độ lệch chuẩn của trục x của cảm biến gia tốc

𝑥_𝑠𝑡𝑑 𝑎𝑥 (m/s 2 ) 30 Đếm giá trị âm của trục z của cảm biến gia tốc z_neg_count (m/s 2 )

5 Độ lệch chuẩn của trục y của cảm biến gia tốc 𝑦_𝑠𝑡𝑑 (m/s 2 ) 31 Đếm giá trị dương của trục x của cảm biến gia tốc x_pos_count (m/s 2 )

6 Độ lệch chuẩn của trục z của cảm biến gia tốc 𝑧_𝑠𝑡𝑑 (m/s 2 ) 32 Đếm giá trị dương của trục y của cảm biến gia tốc y_pos_count (m/s 2 )

7 Độ lệch tuyệt đối trung bình của trục x của cảm biến gia tốc

𝑥_𝑎𝑎𝑑 33 Đếm giá trị dương của trục z của cảm biến gia tốc z_pos_count (m/s 2 )

8 Độ lệch tuyệt đối trung bình của trục y của cảm biến gia tốc

Số giá trị trên trung bình của trục x của cảm biến gia tốc x_above_mean (m/s 2 )

9 Độ lệch tuyệt đối trung bình của trục z của cảm biến gia tốc

Số giá trị trên trung bình của trục y của cảm biến gia tốc y_above_mean (m/s 2 )

Giá trị nhỏ nhất của trục x của cảm biến gia tốc

Số giá trị trên trung bình của trục z của cảm biến gia tốc z_above_mean (m/s 2 )

Giá trị nhỏ nhất của trục y của cảm biến gia tốc 𝑦_𝑚𝑖𝑛 (m/s 2 ) 37

Số đỉnh của trục x của cảm biến gia tốc x_peak_count

Giá trị nhỏ nhất của trục z của cảm biến gia tốc 𝑧_𝑚𝑖𝑛 (m/s 2 ) 38

Số đỉnh của trục y của cảm biến gia tốc y_peak_count

Giá trị lớn nhất của trục x của cảm biến gia tốc

Số đỉnh của trục z của cảm biến gia tốc z_peak_count

Giá trị lớn nhất của trục y của cảm biến gia tốc

𝑦_𝑚𝑎𝑥 (m/s 2 ) 40 Độ lệch của trục x của cảm biến gia tốc x_skewness

Giá trị lớn nhất của trục z của cảm biến gia tốc

𝑧_𝑚𝑎𝑥 (m/s 2 ) 41 Độ lệch của trục y của cảm biến gia tốc y_skewness

Sự khác biệt giữa giá trị lớn nhất và nhỏ nhất của trục x của cảm biến gia tốc

𝑥 𝑚𝑎𝑥𝑚𝑖𝑛 𝑑𝑖𝑓𝑓 (m/s 2 ) 42 Độ lệch của trục z của cảm biến gia tốc z_skewness

Sự khác biệt giữa giá trị lớn nhất và nhỏ nhất của trục y của cảm biến gia tốc

Kurtosis của trục x của cảm biến gia tốc x_kurtosis

Sự khác biệt giữa giá trị lớn nhất và nhỏ nhất của trục z của cảm biến gia tốc

Kurtosis của trục y của cảm biến gia tốc y_kurtosis

Trung vị của trục x của cảm biến gia tốc

Kurtosis của trục z của cảm biến gia tốc z_kurtosis

Trung vị của trục y của cảm biến gia tốc

Năng lượng của trục x của cảm biến gia tốc x_energy

Trung vị của trục z của cảm biến gia tốc

Năng lượng của trục y của cảm biến gia tốc y_energy

22 Độ lệch tuyệt đối trung vị của trục x của cảm biến gia tốc

Năng lượng của trục z của cảm biến gia tốc z_energy

23 Độ lệch tuyệt đối trung vị của trục y của cảm biến gia tốc

Kết qủa trung bình của cảm biến gia tốc avg_result_accl

24 Độ lệch tuyệt đối trung vị của trục z của cảm biến gia tốc

𝑧 𝑚𝑎𝑑 (m/s 2 ) 50 Độ lớn tín hiệu khu vực của cảm biến gia tốc sma

Phạm vi liên phần của trục x của cảm biến gia tốc

3 Lọc các giá trị nhiễu

Dữ liệu từ ba trục của cảm biến gia tốc chứa nhiễu, khiến việc xác định số bước đi gặp khó khăn do các đỉnh bị méo và vị trí hình dạng không rõ Vì vậy, cần sử dụng bộ lọc thấp qua để làm sạch tín hiệu và cải thiện nhận diện bước đi Trong đề tài này, bộ lọc Butterworth được áp dụng với tần số cắt 2 Hz và bậc lọc là 7 Hình 9 trình bày giá trị cảm biến gia tốc ở trục z trước và sau khi áp dụng bộ lọc.

Hình 9 Giá trị của cảm biến gia tốc (trục z) trước và sau khi áp dụng bộ lọc

4 Tính giá trị độ lớn ‖𝐴⃗‖

Giá trị độ lớn từ ba trục của cảm biến gia tốc được tính theo công thức sau đây:

5 Xác định giá trị đỉnh và đáy của ‖𝐴⃗‖

Dựa trên giá trị độ lớn ‖𝐴⃗‖, các giá trị đỉnh lớn nhất (max) và nhỏ nhất (min) trong từng khung thời gian (window), độ trùng lắp 50%, được xác định

6 Loại bỏ các giá trị đỉnh gần nhau

Các giá trị đỉnh cao nhất và đỉnh thấp nhất không thể xuất hiện liên tục trong một khoảng thời gian quá ngắn do giới hạn vận động cơ thể Ví dụ, với tốc độ bước đi bình thường, một người chỉ có thể thực hiện tối đa hai bước mỗi giây, tức khoảng cách thời gian giữa hai đỉnh là khoảng 0,5 giây Vì vậy, các đỉnh trong chu kỳ dao động hoặc trong dữ liệu đo lường sẽ tuân theo ngưỡng thời gian tối thiểu giữa các đỉnh, và sự xuất hiện liên tiếp của các đỉnh với khoảng cách nhỏ hơn 0,5 giây sẽ là không thể.

Trong quá trình làm sạch dữ liệu, 24 trường hợp có khoảng cách thời gian giữa hai đỉnh nhỏ hơn 0,5 giây được loại bỏ để đảm bảo tính nhất quán và độ tin cậy của dữ liệu Hình 10 mô tả kết quả sau khi loại bỏ các đỉnh bị xác định sai, cho thấy sự cải thiện rõ rệt về chất lượng dữ liệu và độ chính xác của hệ thống nhận diện đỉnh.

Hình 10 Kết quả các đỉnh lớn nhất / nhỏ nhất sau khi loại bỏ các đỉnh bị xác định sai

7 Chọn lại giá trị đỉnh dựa trên sự khác biệt về độ lớn và thời gian

Các đỉnh lớn nhất/ nhỏ nhất được chọn lọc lại một lần nữa dựa trên hai tiêu chí:

Đo lường sự khác biệt về độ lớn giữa đỉnh lớn nhất và đỉnh nhỏ nhất gần nhau (ΔA) và sự khác biệt về thời gian giữa hai đỉnh (ΔT) là hai chỉ tiêu chính để phân tích tín hiệu Hai ngưỡng ΔA và ΔT sẽ biến đổi tùy thuộc vào tốc độ bước đi được xác định tại bước 2 Bảng tham số theo từng tốc độ được mô tả như sau.

Bảng 5 Bảng giá trị ngưỡng ∆A và ∆T theo từng tốc độ bước đi

Tốc độ Chậm Vừa Nhanh

Số bước đi được xác định sau khi đã chọn lọc lại các đỉnh lớn nhất thỏa các điều kiện tại bước 6 và bước 7.

Áp dụng trên phần mềm PyCharm

PyCharm is a Python IDE developed by JetBrains that is widely used for building Python applications, with major platforms like Twitter, Facebook, Amazon, and Pinterest among its users who rely on PyCharm as their preferred Python IDE.

3.2.1 CÁC TÍNH NĂNG CỦA PYCHARM

PyCharm có thể chạy trên Windows, Linux và macOS, đồng thời tích hợp các mô-đun và gói hỗ trợ giúp lập trình viên phát triển phần mềm bằng Python với hiệu quả và ít công sức hơn Ứng dụng cũng cho phép tùy chỉnh theo yêu cầu của nhà phát triển, giúp tối ưu quy trình làm việc và tăng tốc quá trình viết mã.

Khi sử dụng Pycharm, các lập trình viên có thể sử dụng một số tính năng sau:

* Trình chỉnh sửa mã thông minh:

- Giúp các lập trình viên viết mã chất lượng cao

- Bao gồm các lược đồ màu cho các từ khóa, lớp và hàm Điều này giúp tăng khả năng đọc và hiểu mã

- Xác định lỗi một cách dễ dàng

- Cung cấp tính năng tự động hoàn thiện và hướng dẫn hoàn thiện mã

- Giúp các nhà phát triển trong việc chỉnh sửa và nâng cao mã với ít nỗ lực và thời gian hơn

- Với việc điều hướng mã, nhà phát triển có thể dễ dàng điều hướng một lớp, hàm hoặc tệp

- LTV có thể xác định vị trí của một phần tử, một ký hiệu hoặc một biến trong mã nguồn trong thời gian ngắn khi sử dụng Pycharm

- Bằng việc sử dụng chế độ thấu kính, nhà phát triển có thể kiểm tra và gỡ lỗi toàn bộ mã nguồn

- Sử dụng Pycharm có lợi thế là thực hiện các thay đổi hiệu quả và nhanh chóng đối với cả biến cục bộ và biến toàn cục

- Tái cấu trúc trong Pycharm cho phép các nhà phát triển cải thiện cấu trúc bên trong mà không thay đổi hiệu suất bên ngoài của mã

- Nó cũng cho phép phân chia các lớp với các chức năng mở rộng hơn

3.2.2 Giới thiệu ngôn ngữ python

Python là ngôn ngữ lập trình bậc cao do Guido van Rossum sáng lập và ra mắt lần đầu vào năm 1991, được thiết kế cho mục đích lập trình đa năng Với ưu điểm dễ đọc, dễ học và dễ nhớ, Python có cú pháp sáng sủa cùng cấu trúc rõ ràng, thuận tiện cho người mới bắt đầu và giúp viết mã nhanh chóng hơn Ngôn ngữ này được sử dụng rộng rãi trong phát triển trí tuệ nhân tạo và các ứng dụng dữ liệu lớn nhờ tính linh hoạt và cộng đồng hỗ trợ mạnh mẽ Cấu trúc của Python cho phép viết mã với tối thiểu số lần gõ phím, tăng hiệu suất và hiệu quả của quá trình phát triển phần mềm.

Python là một ngôn ngữ lập trình có kiểu động hoàn toàn và sử dụng cơ chế quản lý bộ nhớ tự động, do đó nó tương tự với Perl, Ruby, Scheme, Smalltalk và Tcl Dự án phát triển Python là một dự án nguồn mở được quản lý bởi tổ chức phi lợi nhuận Python Software Foundation.

Ban đầu, Python được phát triển để chạy trên nền Unix Theo thời gian, ngôn ngữ này dần mở rộng và tương thích với nhiều hệ điều hành khác nhau, từ MS-DOS đến macOS, giúp người dùng trên các nền tảng khác nhau tận dụng sức mạnh của Python.

Các hệ điều hành như OS, OS/2, Windows, Linux và các hệ điều hành khác thuộc họ Unix đóng vai trò nền tảng cho quá trình phát triển Python Dù Python nhận được đóng góp từ rất nhiều cá nhân, Guido van Rossum hiện nay vẫn là tác giả chính và nắm vai trò quyết định hướng phát triển của ngôn ngữ này.

Python luôn được xếp hạng vào những ngôn ngữ lập trình phổ biến nhất

Hình 12 Ảnh ngôn ngữ Python Các đặc điểm của Python:

Ngữ pháp đơn giản, dễ đọc

- Vừa hướng thủ tục (procedural-oriented), vừa hướng đối tượng (object- oriented)

- Hỗ trợ module và hỗ trợ gói (package)

- Xử lý lỗi bằng ngoại lệ (Exception)

- Kiểu dữ liệu động ở mức cao

- Có các bộ thư viện chuẩn và các module ngoài, đáp ứng tất cả các nhu cầu lập trình

- Có khả năng tương tác với các module khác viết trên C /C++ (Hoặc Java cho Jython, hoặc Net cho IronPython)

- Có thể nhúng vào ứng dụng như một giao tiếp kịch bản (scripting interface) Python dễ dàng kết nối với các thành phần khác:

Python can connect with COM objects, NET (IronPython, Python for NET), CORBA, and Java, enabling seamless interoperability across platforms; it is also supported by the Internet Communications Engine (ICE) and many other connectivity technologies.

- Có thể viết các thư viện trên C/C++ để nhúng vào Python và ngược lại

- Python là ngôn ngữ có khả năng chạy trên nhiều nền tảng

Python là ngôn ngữ lập trình đa nền tảng, có thể chạy trên Windows, Linux/Unix, OS/2, macOS, Amiga và nhiều hệ điều hành khác Nó còn có các phiên bản chạy trên NET, máy ảo Java và cả điện thoại di động như Nokia Series 60 Với cùng một mã nguồn, chương trình Python có thể chạy giống nhau trên mọi nền tảng, mang lại tính di động cao và tối ưu hóa quy trình phát triển.

- Python rất đơn giản và dễ học

- Python có cộng đồng lập trình rất lớn, hệ thống thư viện chuẩn, và cả các thư viện mã nguồn mở được chia sẻ trên mạng

- Python là ngôn ngữ mã nguồn mở

Python được phát hành dưới giấy phép nguồn mở do Python Software Foundation quản lý, cho phép sử dụng, chỉnh sửa và phân phối Python tự do, kể cả trong các dự án thương mại Giấy phép này mang lại sự linh hoạt cho cộng đồng phát triển và cho các doanh nghiệp khi tích hợp Python vào sản phẩm, vì không bắt buộc phải công khai mã nguồn của các phần mềm dựa trên Python.

THU THẬP DỮ LIỆU NGƯỜI ĐI BỘ

Các thiết bị lấy mẫu dữ liệu

- Các thiết bị lấy dữ liệu gồm: Nexus 5, Galaxy S8+, Note 3, Galaxy A7 Các thiết bị đều sử dụng hệ điều hành Android

- Số người tham gia lấy dữ liệu: 4 (người 1, người 2, người 3, người 4) cùng lấy dữ liệu ở cùng một thời điểm địa điểm giống nhau

- Cài đặt app đo số liệu: Tốc độ lấy mẫu là 50 Hz

- Tên app: SensorCollection, được viết trên nền tảng Android

Hình 13 Ảnh nền app SensorCollection

+ Mở app SensorCollection, được giao diện như hình 14

Hình 14 Giao diện của app SensorCollection

+ Nhấn “Start” để bắt đầu lấy dữ liệu

Nhấn Save + Stop để dừng và lưu dữ liệu thành tệp CSV (Hình 15) Các tệp CSV này được lưu vào thư mục Download trên điện thoại Nội dung bên trong từng tệp được mô tả như trong Hình 16.

Cột A: Time (ms) (thời gian)

Trong bảng dữ liệu, Cột B ghi ax_m (m/s^2), giá trị gia tốc theo trục x của cảm biến gia tốc; Cột C ghi ay_m (m/s^2), giá trị gia tốc theo trục y; và Cột D ghi az_m (m/s^2), giá trị gia tốc theo trục z Các giá trị ax_m, ay_m và az_m được đo bằng đơn vị m/s^2, cho phép phân tích chuyển động và hướng của thiết bị dựa trên cảm biến gia tốc.

Hình 15 File CSV sau khi lấy dữ liệu

Hình 16 Nội dung bên trong file CSV.

Thu thập dữ liệu

Hình 13 Quá trình thu thập dữ liệu người đi bộ

Dựa trên tìm hiểu về các kiểu cầm điện thoại nhóm thống nhất lấy mẫu dữ liệu với những điều kiện sau:

- Người lấy mẫu cầm điện thoại trên tay và để trước ngực và bước đi theo ba trường hợp

Đi Chậm: 30 lần, 1 lần 100 bước

Đi Vừa: 30 lần, 1 lần 100 bước

Đi Nhanh: 30 lần, 1 lần 100 bước

- Tất cả các trường hợp đều bước đi trên cùng một địa điểm, đi trên một đường thẳng

- Ba tốc độ bước đi chậm, vừa, nhanh được ước tính như trong [22] và thể hiện trong bảng sau:

Kiểu di chuyển Tốc độ ước tính (km/h)

- Các bước lấy dữ liệu:

Chạy ứng dụng đã cài đặt, chờ 5s để cho ứng dụng khởi động, gọi các giá trị cảm biến

Đầu tiên, thực hiện bước đi theo phương song song với mặt đất và hướng tiến về phía trước cho đến khi bạn đạt vị trí là bước thứ 100 Sau đó tiếp tục chờ thêm 5 giây để đảm bảo dữ liệu được ghi nhận chính xác, rồi nhấn dừng ứng dụng để lưu kết quả vào điện thoại.

KẾT QUẢ

Như đã trình bày ở trên, mỗi người đi bộ thu thập 30 file CSV cho từng tốc độ Để áp dụng dữ liệu này vào các mô hình học máy, 24 file của mỗi người cho mỗi tốc độ được dùng cho huấn luyện và 6 file còn lại được dùng cho kiểm tra Từ các file kiểm tra, tốc độ xuất hiện nhiều nhất sẽ được dùng để lựa chọn bộ tham số phục vụ cho việc xác định số bước đi Kết quả xác định tốc độ bước đi của bốn người dựa trên năm kỹ thuật học máy được thể hiện trong các bảng từ Bảng 6 tới Bảng 17 Từ kết quả này cho thấy ET cho kết quả tốt nhất cho cả ba tốc độ Tốc độ bước đi vừa/bình thường có sai số lớn nhất, do trong quá trình đi với tốc độ này có lúc nhanh hơn hoặc chậm hơn bình thường Kết quả trung bình của việc xác định ba tốc độ bước đi dựa trên năm kỹ thuật học máy được biểu diễn từ Hình 14 tới Hình 16.

Bảng 6 Kết quả xác định tốc độ bước đi của người 1 (tốc độ chậm) accuracy (%) f1-score

Bảng 7 Kết quả xác định tốc độ bước đi của người 1 (tốc độ vừa) accuracy (%) f1-score

Bảng 8 Kết quả xác định tốc độ bước đi của người 1 (tốc độ nhanh) accuracy (%) f1-score

34 Hình 17 Kết quả trung bình về độ chính xác trong việc xác định tốc độ bước đi chậm

Hình 18 Kết quả trung bình về độ chính xác trong việc xác định tốc độ bước đi vừa

Hình 19 Kết quả trung bình về độ chính xác trong việc xác định tốc độ bước đi nhanh

Kết quả xác định số bước di chuyển của bốn người đi bộ với ba tốc độ bước đi khác nhau được trình bày từ bảng 18 đến bảng 21 Kết quả trung bình của việc đếm số bước di chuyển của bốn người được thể hiện từ bảng 22 đến bảng 25 Kết quả cho thấy phương pháp xác định số bước di chuyển cho kết quả tốt với độ lệch trung bình dưới 3% Hình 17 cho thấy sai số trung bình cho từng tốc độ bước đi của mỗi người đi bộ.

Bảng 18 Kết quả đếm số bước đi của người 1

Lần 1 Lần 2 Lần 3 Lần 4 Lần 5 Lần 6

Bảng 22 Kết quả trung bình đếm số bước đi của người 1

Tốc độ Phát hiện bước Số bước sai lệch Tỷ lệ sai lệch (%)

Hình 20 Kết quả trung bình về độ chính xác đếm số bước đi ở ba tốc độ di chuyển

Biểu đồ tỷ lệ sai lệch (%)

Tiêu đề	Nghiên cứu phát triển thuật toán đếm số bước người dùng dựa cảm biến điện thoại thông minh
Tác giả	Nguyễn Quốc Thịnh
Người hướng dẫn	TS. Nguyễn Hữu Khánh
Trường học	Trường Đại Học Đà Lạt
Chuyên ngành	Kỹ thuật Điện tử - Viễn thông
Thể loại	Báo cáo tổng kết đề tài nghiên cứu khoa học sinh viên
Năm xuất bản	2022
Thành phố	Lâm Đồng

Định dạng
Số trang	42
Dung lượng	1,58 MB