Phân tích dáng đi chống đau sử dụng máy véc tơ hỗ trợ

Mục tiêu và nhiệm vụ nghiên cứu 2.1 Mục tiêu nghiên cứu Mục tiêu của đề tài là ây dựng giải pháp s dụng máy véc t hỗ trợ SVM để phân tích dáng đi chống đau, từ đó nhận dạng dáng đi của

ĐẠI HỌC ĐÀ NẴNG

TRƯỜNG ĐẠI HỌC BÁCH KHOA

HOÀNG THỊ MINH HUYỀN

PHÂN TÍCH DÁNG ĐI CHỐNG ĐAU SỬ DỤNG

Công trình được hoàn thành tại TRƯỜNG ĐẠI HỌC BÁCH KHOA

Người hướng dẫn khoa học: TS HUỲNH HỮU HƯNG

Phản biện 1: TS NINH KHÁNH DUY

Phản biện 2: TS TRẦN VĂN CƯỜNG

Luận văn được bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ chuyên ngành Khoa học máy tính tại Trường Đại học Bách khoa Đà Nẵng vào ngày 05 tháng 01 năm 2019

Có thể tìm hiểu luận văn tại:

- Trung tâm Học liệu và Truyền thông Trường Đại học Bách khoa

Đại học Đà Nẵng tại

- Thư viện Khoa Công nghệ thông tin, Trường Đại học Bách khoa

Đại học Đà Nẵng.

MỞ ĐẦU

1 Lý do chọn đề tài

Y học hiện đại cho rằng: dáng đi của người khỏe mạnh cũng

có những biểu hiện khác nhau tùy theo tuổi tác, tình trạng sức khỏe

Ví dụ về tuổi tác, trẻ em thích đi gấp hoặc chạy chầm chậm, thanh niên khỏe mạnh đi nhanh mạnh mẽ, người già thì thường đi chậm với những bước nhỏ Đấy đều là dáng đi bình thường Khi mắc một số bệnh nào đó có thể làm cho dáng đi thay đổi rất lớn và có tính đặc trưng nhất định

Bệnh l c ư ng khớp là vấn đề sức khỏe đang được th giới rất uan tâm, vì uy mô lớn và hệ uả nghiêm trọng của bệnh trong cộng đồng Bệnh ít khi dẫn đ n t vong và không biểu hiện nguy kịch như bệnh tim mạch, hô hấp, ung thư… nhưng tần suất của bệnh cao nhất, đồng thời là nguyên nhân chính gây đau, mất chức năng vận động và giảm chất lượng cuộc sống

Ngày nay, các nghiên cứu trong lĩnh vực thị giác máy tính hỗ trợ rất nhiều cho công tác y t , đặc biệt là các nghiên cứu phân tích dáng đi giúp uan sát bệnh nhân và có thể phát hiện sớm một số bệnh tật Ứng dụng phân tích dáng đi trong lĩnh vực y t đã được triển khai

từ rất sớm để chẩn đoán và phát hiện các bệnh tiềm ẩn liên uan đ n khung ư ng

Trong các phư ng pháp học máy, SVM là một phư ng pháp hiệu uả cho bài toán phân lớp dữ liệu Nó là một công cụ đắc lực cho các bài toán về l ảnh, phân loại văn bản, phân tích uan

điểm SVM thể hiện được nhiều ưu điểm, như: tính toán hiệu uả trên các tập dữ liệu lớn, ti t kiệm được bộ nhớ Một y u tố làm nên hiệu uả của SVM đó là việc s dụng Kernel function khi n cho các phư ng pháp chuyển không gian trở nên linh hoạt h n [19]

Tổng hợp những lí do trên, tôi đề uất chọn đề tài luận văn cao

học: “Phân tích dáng đi chống đau sử dụng máy véc tơ hỗ trợ”

2 Mục tiêu và nhiệm vụ nghiên cứu

2.1 Mục tiêu nghiên cứu

Mục tiêu của đề tài là ây dựng giải pháp s dụng máy véc t

hỗ trợ (SVM) để phân tích dáng đi chống đau, từ đó nhận dạng dáng

đi của người thu được từ camera thuộc dáng đi chống đau hay không?

2.2 Nhiệm vụ nghiên cứu

- Tìm hiểu một số triệu chứng lâm sàng về bệnh ư ng khớp

là nguyên nhân tạo ra dáng đi chống đau ở người;

- Tìm hiểu phư ng pháp học máy: máy véc t hỗ trợ;

- Nghiên cứu giải pháp phân tích dáng đi của người có dáng đi chống đau bằng máy véc t hỗ trợ;

- Xây dựng chư ng trình demo để kiểm tra k t uả

3 Đối tượng và phạm vi nghiên cứu

3.1 Đối tượng nghiên cứu

- Dáng đi chống đau của những người bị bệnh đau ở bàn chân, mắt cá chân, đầu gối, hông hoặc ư ng chậu;

- Phư ng pháp huấn luyện học máy: máy véc t hỗ trợ (SVM);

3.2 Phạm vi nghiên cứu

- Nghiên cứu phân tích dáng đi chống đau với dữ liệu từ camera hoặc dữ liệu có sẵn

4 Phương pháp nghiên cứu

4.1 Phương pháp nghiên cứu lý thuyết

- Tìm hiểu các tài liệu về bệnh ư ng khớp ở chân: bàn chân, mắt cá chân, đầu gối, hông hoặc ư ng chậu;

- Tìm hiểu các tài liệu về l ảnh;

- Tìm hiểu về bài toán phân tích dáng đi;

- Tìm hiểu phư ng pháp phân lớp s dụng máy véc t hỗ trợ;

- Nghiên cứu các bài báo liên uan

4.2 Phương pháp nghiên cứu thực nghiệm

Có thể hoàn chỉnh và phát triển để ứng dụng trong lĩnh vực y

t nhằm hỗ trợ trong việc chẩn đoán các bệnh liên uan đ n khung

ư ng là nguyên nhân gây ra dáng đi chống đau

6 Cấu trúc luận văn

Nội dung của luận văn được trình bày bao gồm các phần chính

như sau:

Chương 1 Dáng đi chống đau

Chương 2 Tổng quan về phân tích dáng đi

Chương 3 Phân tích dáng đi chống đau sử dụng máy véc tơ

hỗ trợ

Kết luận và hướng phát triển

CHƯƠNG 1 - DÁNG ĐI CHỐNG ĐAU

1.1 Các giai đoạn dáng đi ở người

Dáng đi được định nghĩa là chuỗi liên tục thành nhịp các giai đoạn đu đưa (swing) và tựa (support) của hai chân khi bàn chân hoặc

ở trong không (đu đưa) hoặc ti p úc với đất (tựa).Dáng đi được đặc trưng bởi có một giai đoạn tựa kép trong đó cả hai chân ti p úc với đất, en kẽ với các giai đoạn tựa đ n khi chân kia đưa tới trước để bước ti p Trong khi đi không có giai đoạn hai chân đều hở đất (nghĩa là giai đoạn bay)

Hình 1.1 Chu kỳ dáng đi gồm 8 giai đoạn

1.1.1 Giai đoạn tựa (chống)

- Thì tiếp đất (chạm đất)

- Thì chuyển trọng lượng

- Giữa thì tựa

1.2 Các thay đổi trên dáng đi lâm sàng

Có thể nhìn dáng đi để đoán bi t sức khỏe - đó là nhận định từ các chuyên gia sau một uá trình nghiên cứu về vấn đề này Tư th đi

có liên uan đ n mức độ đồng bộ của nhiều bộ phận khác nhau trên

c thể bao gồm: tay, lưng, ư ng chậu, hông, đầu gối, bắp chân, các

c gân kheo (c kéo) và bàn chân nhằm giữ thăng bằng khi bạn bước

về phía trước Nhiều bệnh l ảnh hưởng đ n dáng đi và chức năng đi lại của bệnh nhân Sau đây là một số dáng đi bệnh l thường gặp:

Dáng đi chống đau; Dáng đi cứng khớp háng; Dáng đi khớp háng không vững; Dáng đi chân ngắn; Dáng đi bước cao; Dáng đi cây kéo; Dáng đi bệnh nhân Parkinson; Dáng đi liệt nửa người; Dáng đi thất điều; Dáng đi lật bật; Dáng đi chân ngựa; Dáng đi co cứng

1.3 Dáng đi chống đau

1.3.1 Định nghĩa dáng đi chống đau

Dáng đi chống đau là khi bệnh nhân cố gắng tránh đặt trọng lượng c thể lên chân bị đau trong khi đi bộ

Hình 1.2 Chuỗi hình minh họa dáng đi chống đau

ư ng khớp, thì người bệnh sẽ có dáng đi chống đau Trong chư ng

1, luận văn đã trình bày định nghĩa dáng đi chống đau, nguyên nhân, triệu chứng và cách chẩn đoán bệnh

Trong nội dung chư ng 2 ti p theo, luận văn sẽ trình bày những ki n thức tổng uan về phân tích dáng đi

CHƯƠNG 2 – TỔNG QUAN VỀ PHÂN TÍCH DÁNG ĐI 2.1 Phân tích dáng đi

Có hai hướng nghiên cứu chính thường được áp dụng cho bài

toán phân tích dáng đi: xử lý dữ liệu từ cảm biến, và sử dụng hệ thống thị giác máy tính Điểm khác biệt chủ y u giữa các hướng trên

là thi t bị hỗ trợ được s dụng trong uá trình nghiên cứu, được trình bày cụ thể dưới đây

2.3 Các phương pháp phân tích dáng đi

Về c bản, có hai phư ng pháp phân tích dáng đi: dựa vào đặc trưng và dựa vào mô hình

2.3.1 Phương pháp dựa vào đặc trưng

Trong phư ng pháp phân tích dựa vào đặc trưng, các đặc trưng trích uất được s dụng để biểu diễn cho dáng đi

Tùy thuộc vào mục đích phân tích dáng đi mà các đặc trưng khác nhau của dáng đi được s dụng

2.3.2 Phương pháp dựa vào mô hình

Các phư ng pháp phân tích dáng đi dựa trên mô hình s dụng các mô hình toán học để biểu diễn và phân tích dáng đi như máy vector hỗ trợ, mô hình Markov ẩn, mạng n ron…

Máy vector hỗ trợ là một thuật toán học máy nổi ti ng được s dụng để giải uy t bài toán phân lớp SVM ban đầu được thi t k cho việc phân loại nhị phân (hai lớp), nhưng sau đó được mở rộng để thực hiện việc phân loại đa lớp

Phần ti p theo, luận văn sẽ trình bày về mô hình phân tích dáng đi SVM, đó là mô hình luận văn s dụng trong uá trình huấn luyện và nhận dạng Trước tiên luận văn sẽ giới thiệu các khái niệm

c bản: siêu phẳng phân chia tuy n tính, support vectors,…

a) Các khái niệm cơ bản

b) Phân lớp dữ liệu

- Trường hợp dữ liệu có thể phân chia tuyến tính được

- Trường hợp dữ liệu không phân biệt tuyến tính được

2.4 Tổng kết chương 2

Trong chư ng 2 này luận văn đã giới thiệu các hướng ti p cận của bài toán phân tích dáng đi Đồng thời luận văn đã giới thiệu các phư ng pháp phân tích dáng đi, giới thiệu về thuật toán SVM là một trong những thuật toán thuộc phư ng pháp phân tích dáng đi dựa vào

mô hình Đó là mô hình luận văn sẽ s dụng để huấn luyện và nhận dạng trong uá trình giải uy t bài toán đưa ra

Nội dung trong chư ng 3 ti p theo, luận văn sẽ trình bày hệ thống phân tích dáng đi chống đau s dụng máy véc t hỗ trợ cũng như k t uả thực nghiệm trên hệ thống đó

CHƯƠNG 3– PHÂN TÍCH DÁNG ĐI CHỐNG ĐAU SỬ DỤNG

MÁY VÉC TƠ HỖ TRỢ

Nội dung của chư ng này là ti n hành kiểm chứng mô hình đề

ra theo các bước: đưa ra cái nhìn tổng uan về hệ thống, ây dựng dữ liệu, trích chọn đặc trưng, huấn luyện và nhận dạng để kiểm chứng

k t uả

3.1 Tổng quan hệ thống

Quá trình l được nghiên cứu s dụng như sau:

- Dữ liệu vào:Tập dữ liệu dáng đi của người bị bệnh khớp có

dáng đi chống đau và dáng đi của người bình thường được ây dựng

từ các công cụ mô phỏng 3D

- Tiền xử lý: Từ dữ liệu vào ta thực hiện các bước l ảnh c

bản để làm rõ hình ảnh như: căn chỉnh ảnh, chuẩn hóa ánh sáng, lọc nhiễu, phân chia ảnh…

- Trích chọn đặc trưng: Dựa vào các đặc điểm nhận dạng

người có dáng đi chống đau k t hợp với phư ng pháp rút trích đặc trưng Hog (tính gradient, chia hướng và gom nhóm đặc trưng tại mỗi

ô (cell), tính đặc trưng cho từng khối (block) và chuẩn hóa, tính véc

t đặc trưng cho c a sổ)

- Huấn luyện: Dựa vào các thông số thu được từ trích chọn

đặc trưng để ác định một véc t đặc trưng, s dụng các mô hình đã

có như mạng n -ron nhân tạo, mô hình Markov ẩn, máy véc t hỗ trợ… ây dựng một mô hình phù hợp để huấn luyện dữ liệu Ở đây luận văn s dụng máy véc t hỗ trợ để ây dựng mô hình dáng đi

- Kết luận:S dụng mô hình được ây dựng ở bước huấn luyện

để phân lớp cho các đối tượng mới ở dữ liệu người dùng Dữ liệu người dùng khi đưa vào mô hình đã được đưa về dưới dạng các véc

t đặc trưng được trích chọn, sau đó đưa ra k t luận người đó có dáng đi chống đau hay không

Hình 3.1 Giải pháp đề xuất

3.2 Xây dựng dữ liệu

Dữ liệu huấn luyện và dữ liệu kiểm th được lấy từ mô hình

3D mô phỏng con người với dáng đi được thi t lập sẵn Mô hình này được ây dựng nhờ công cụ MakeHuman k t hợp với Blender

3.2.1 Phần mềm thiết kế 3D MakeHuman

Hình 3.2 Giao diện công cụ MakeHuman

3.2.2 Phần mềm Blender

Hình 3.3 Giao diện phần mềm Blender

Hình 3.4 Dữ liệu dáng đi chống đau

3.3 Trích đặc trưng HoG

Bài toán tính toán HOG thường gồm 5 bước:

Bước 1 Chuẩn hóa hình ảnh trước khi xử lý

Bước 2 Tính gradient

Hình 3.5 Ảnh đầu vào và HoG

Bước 3 Tính véc tơ đặc trưng cho từng ô

Bước 3 Tính véc tơ đặc trưng cho từng ô

Hình 3.6 Chia khối trích đặc trưng HoG

Bước 4 Tính và chuẩn hóa véc tơ cho các khối Bước 5 Tính véc tơ cho ảnh

Hình 3.7 Các bước rút trích đặc trưng HoG

3.4 Huấn luyện

3.4.1 Bài toán phân lớp

Kỹ thuật phân lớp dữ liệu được ti n hành bao gồm 2 bước:

Bước 1: Xây dựng mô hình

- Mỗi bộ/mẫu dữ liệu được phân vào một lớp được ác định trước;

- Lớp của một bộ/mẫu dữ liệu được ác định bởi thuộc tính gán nhãn lớp;

- Tập các bộ/mẫu dữ liệu huấn luyện - tập huấn luyện - được dùng để ây dựng mô hình;

- Mô hình được biểu diễn bởi các luật phân lớp,các cây uy t định hoặc các công thức toán học;

Bước 2: Sử dụng mô hình

- Phân lớp cho những đối tượng mới hoặc chưa được phân lớp;

- Đánh giá độ chính ác của mô hình:

Lớp bi t trước của một bộ/mẫu dữ liệu đem kiểm tra được so sánh với k t uả thu được từ mô hình;

Tỉ lệ chính ác bằng phần trăm các bộ/mẫu dữ liệu được phân lớp đúng bởi mô hình trong số các lần kiểm tra

3.4.2 Xây dựng mô hình phân lớp sử dụng SVM để nhận dạng dáng đi

Phư ng pháp SVM yêu cầu dữ liệu được diễn tả như các vector của các số thực Như vậy n u đầu vào chưa phải là số thì ta cần phải tìm cách chuyển chúng về dạng số của SVM

• Tiền l dữ liệu: Thực hiện bi n đổi dữ liệu phù hợp cho uá trình tính toán, tránh các số uá lớn mô tả các thuộc tính Thường nên co giãn(scaling) dữ liệu chuyển về đoạn [-1,1] hoặc [0,1]

• Chọn hàm hạt nhân: Lựa chọn hàm hạt nhân phù hợp tư ng ứng cho từng bài toán cụ thể để đạt độ chính ác cao trong uá trình phân lớp

• Thực hiện việc kiểm tra chéo để ác định các tham số cho ứng dụng: Điều này cũng uy t định đ n tính chính ác của uá trình phân lớp

• S dụng các tham số cho việc huấn luyện với tập mẫu: Trong quá trình huấn luyện sẽ s dụng thuật toán tối ưu hóa khoảng cách giữa các siêu phẳng trong uá trình phân lớp, ác định hàm phân lớp trong không gian đặc trưng nhờ việc ánh ạ dữ liệu vào không gian đặc trưng bằng cách mô tả hạt nhân và cuối cùng là kiểm th tập dữ liệu

3.4.3 Phát hiện dáng đi chống đau

Các video dùng để huấn luyện sẽ được cắt thành nhiều khung hình Sau đó các khung này được đưa về dạng ảnh ám, cắt sao cho ảnh bao sát c thể người và đưa về kích thước 100*100p Sau khi tiền l , ti n hành lấy đặc trưng HoG của các khung ảnh này Các véc t đặc trưng thu được sẽ được đưa vào mô hình SVM để huấn

luyện Dữ liệu được phân thành 2 lớp với các nhãn là: Bình thường

và Dáng đi chống đau

Sau khi đã huấn luyện, uy định các ngưỡng để ti n hành nhận dạng phát hiện dáng đi chống đau Đối với khung ảnh lấy từ video đầu vào, tỉ lệ phù hợp của khung ảnh đó thuộc lớp nào cao h n thì k t

luận thuộc lớp đó Đối với video đầu vào, tỉ lệ khung ảnh thuộc lớp dáng đi chống đau trên 60% thì k t luận người này có dáng đi chống đau

Bước 3: Trích uất đặc trưng HoG

Bước 4: Đưa dữ liệu huấn luyện vào mô hình SVM

dữ liệu cũng như trong lĩnh vực nhận dạng

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

Thị giác máy tính là một lĩnh vực đã và đang phát triển mạnh

mẽ trên th giới nói chung và Việt Nam nói riêng Khái niệm về thị giác máy tính có liên uan đ n nhiều ngành học và có nhiều hướng nghiên cứu khác nhau Đặc biệt, với nhu cầu ngày càng tăng của các

hệ thống giám sát trực uan, nhận dạng các đối tượng người ở một khoảng cách nhất định được uan tâm nhiều h n trong thời gian gần đây Sự phát triển của các kỹ thuật thị giác máy tính cũng ảnh hưởng lớn theo chiều hướng tích cực tới khả năng nâng cao độ chính ác của các phư ng pháp phân tích dáng đi

Luận văn này đã trình bày tổng uan về dáng đi chống đau, các công cụ, các cách biểu diễn đặc trưng được s dụng trong phân tích dáng đi, các phư ng pháp phân tích dáng đi hiện có, từ đó đề uất phư ng pháp phân tích dáng đi chống đau của người bị bệnh

ư ng khớp dựa vào đặc trưng HoG và phư ng pháp học máy SVM Trong phạm vi của luận văn, mô hình đề uất là dữ liệu 3D thu từ một camera sẽ được chuyển sang dữ liệu 2D để l Và để triển khai bài toán trên một môi trường rộng h n, tác giả cần phải

l trên dữ liệu thực thu được từ camera Đồng thời tác giả cần lựa chọn những đặc trưng k t hợp phù hợp để thực hiện l được trên

dữ liệu 3D.Vì vậy, việc nghiên cứu trên nền tảng l dữ liệu 3D thu được từ camera là một hướng phát triển tiềm năng cần được lưu của đề tài