M ỤC LỤC Nghiên Cứu Và Xây Dựng Phần Mềm Xác Định Trạng Thái Đi Xe Máy Sử Dụng Thuật Toán Học Máy Véc-Tơ Và Cảm Biến Tích HợpTrên Điện Thoại ---1 Các ứng dụng tiềm năng của 5G: Quan điể
Trang 3LỜI NÓI ĐẦU
“Hội nghị Quốc gia về Điện tử, Truyền thông và Công nghệ Thông tin”
(The National Conference on Electronics, Communications and Information Technology, viết tắt là REV-ECIT) là Hội nghị khoa học của Hội Vô tuyến - Điện tử
Việt Nam (REV) được tổ chức hàng năm Từ năm 1990 đến nay, Hội nghị REV-ECIT
đã trở thành diễn đàn lớn để công bố và trình bày các báo cáo khoa học của giới khoa học ngành Điện tử - Viễn thông cả nước
Hội nghị REV-ECIT 2019 được tổ chức với chủ đề “Phát triển công nghệ thông tin
di động 5G và ứng dụng” đã nhận được 66 báo cáo khoa học từ các Viện, Trường và
các Tổ chức nghiên cứu khoa học 54 báo cáo đã được chấp nhận, trong đó 22 báo cáo được trình bày trong 4 tiểu ban là: tiểu ban Truyền thông và Vô tuyến; tiểu ban Kỹ thuật điện tử; tiểu ban Công nghệ thông tin và mạng; tiểu ban xử lý tiến hiệu; 32 báo cáo được trình bày bằng poster
Cùng với các Tiểu ban báo cáo khoa học, Hội Vô tuyến - Điện tử Việt Nam đã phối hợp với Cục tần số Vô tuyến điện, Bộ Thông tin và Truyền thông tổ chức thêm phiên diễn đàn cấp cao về phát triển thông tin di động 5G và ứng dụng: Tương lai của 5G;
Sự sẵn sàng về thương mại của thiết bị 5G; Phát triển các ứng dụng trên nền tảng di động băng rộng 5G; Sự sẵn sàng của VNPT để triển khai 5G tại Việt Nam; Thực tế bước đầu triển khai 5G tại Việt Nam; Việc chuẩn bị tần số cho 5G tại Việt Nam… do lãnh đạo Cục Tần số vô tuyến điện, đại diện các tập đoàn, các công ty công nghệ lớn ở Việt Nam và thế giới trình bày
Bên lề Hội nghị REV-ECIT 2019 Ban tổ chức đã phối hợp với các doanh nghiệp tổ chức triển lãm và trưng bày một số sản phẩm tiểu biểu trong các lĩnh vực có liên quan
do các doanh nghiệp trong nước nghiên cứu và phát triển
Ban Tổ chức trân trọng giới thiệu “Kỷ yếu của Hội nghi Quốc gia lần thứ XXII về
Điện tử, Truyền thông và Công nghệ thông tin REV-ECIT 2019”
BAN TỔ CHỨC REV-ECIT 2019
Trang 4M ỤC LỤC
Nghiên Cứu Và Xây Dựng Phần Mềm Xác Định Trạng Thái Đi Xe Máy Sử Dụng Thuật Toán Học
Máy Véc-Tơ Và Cảm Biến Tích HợpTrên Điện Thoại -1
Các ứng dụng tiềm năng của 5G: Quan điểm và nhận thức của các bên liên quan tại Việt Nam -6
UIT-ODSMS: Hệ thống quản lý hỗ trợ hiến và nhận mô tạng sử dụng công nghệ Blockchain -13
Nghiên cứu, xây dựng phần mềm nâng cao độ chính xác trong đo kiểm đánh giá KPI mạng vô
tuyến -19
Phát Hiện Trong Mạng Radar Nhiều Vị Trí Xử Lý Phân Tán Khi Quyết Định Từ Các Đài Thành Phần Tương Quan -24
Phát hiện Trojan phần cứng sử dụng kỹ thuật phân tích đặc tính độ trễ đường truyền tín hiệu -29
Thiết kế chế tạo cân cân bằng ứng dụng trong sản xuất chế phẩm máu ứng dụng tại Viện huyết học và truyền máu trung ương -34
Ứng Dụng Của Học Máy Trong Lĩnh Vực Dự Báo: So Sánh Hiệu Quả Của Mô Hình Dự Báo Truyền Thống ARIMA Và Mô Hình Dự Báo Sử Dụng Mạng Nơ Ron NNAR -38
Thiết Kế Hệ Thống Nhận Diện Cử Chỉ Tay Trên Ảnh Nhiệt Sử Dụng Mô Hình VGG16 và SVM -43
Cải thiện độ chính xác của hệ thống định vị trong nhà PDR sử dụng mã QR -48
Định vị robot dùng bản đồ tín hiệu WiFi -53
Nghiên cứu xây dựng hệ thống kiểm tra mạng ổn định trở kháng đường dây nguồn sử dụng trong các phép thử nghiệm tương thích điện từ trường thuộc tiêu chuẩn quân sự MIL-STD 461 -58
Nghiên cứu, thiết kế, chế tạo thiết bị thử nghiệm kín nước dụng cho nhóm trang thiết bị đi kèm người nhái -68
Giám Sát Định Vị, Bản Đồ Hóa Và Điều Hướng Cho Robot Tự Hành Đa Hướng Sủ Dụng Hệ Điều Hành Lập Trình ROS -74
Copulas Gauss cho Bài Toán Xác Định Độ Tương Quan và Ứng Dụng Đối Sánh Vector Đặc
Trưng -79
Thiết Kế Mạng Tiếp Điện Song Hành Cho Mảng Anten Tuyến Tính Có Yêu Cầu Đặt Dải Rộng Các Điểm Không Trên Giản Đồ Bức Xạ -85
Đề xuất giải pháp chống tấn công blackhole xem xét cân bằng năng lượng cho mạng WSNs -90
Thiết Kế Hệ Thống Điều Khiển Trong Nhà Máy Giấy Sử Dụng Mạng Truyền Thông CC-link -85
Ăng-ten mảng khe phân cực tròn sử dụng cấu trúc tiếp điện bằng hốc cộng hưởng SIW hoạt động ở băng tần 28 GHz cho các ứng dụng 5G -100
Phân Tích Hiệu Năng Mạng Chuyển Tiếp Đa Chặng Sử Dụng NOMA Dưới Sự Ảnh Hưởng Của Giao thoa Đồng Kênh Và Khiếm Khuyết Phần Cứng -106
Concept Ăng ten cho hệ thống vô tuyến khả tri sử dụng tụ điện biến dung dựa trên lớp điện môi mỏng BST -112
Trang 5Đề xuất giao thức mã hóa giả xác suất có thể chối từ sử dụng mã hóa Vernam kết hợp thuật toán
ElGamal -122
Thu thập Chỉ Số Nước Tiêu Thụ Tự động Ứng Dụng Công Nghệ Bluetooth Beacon -127
Anten đa băng tái cấu hình theo tần số cho các ứng dụng WSN/Wi-Fi/WIMAX/LTE/5G trong các thiết bị đầu cuối IoT -132
Hệ Thống Phát Hiện Và Nhận Diện Mặt Người Sử Dụng Mô Hình SQUEEZENET Và SSD -138
Điều khiển ổn định robot di động đa hướng -144
Nghiên Cứu Các Phương Thức Xử Lý Tín Hiệu Trong Hệ Thống Giám Sát MLAT -150
Đánh Giá Hiệu Năng Xác Suất Dừng Mạng Thông Tin Vệ Tinh Chuyển Tiếp Hai Chiều Sử Dụng M Fountain -152
Phân tích dữ liệu số chiều lớn bằng một số phương pháp học máy -157
Giải pháp nâng cao hiệu năng hệ thống mã hóa, giải mã tiếng nói dựa trên tính chất thưa của dữ liệu tiếng nói trong miền thời gian -163
Giải Pháp Nguồn Năng Lượng Mặt Trời Cho Hệ Thống Aquaponics Trên Nền Tảng Đám Mây -167
Thiết Kế Nút Di Động Không Dây Đa Giao Tiếp Vô Tuyến Trong Mô Phỏng Mạng Ad hoc -172
Thuật Toán Song Song Khai Thác Tập Sinh Tối Thiểu của Tập Phổ Biến Đóng -176
Xây dựng hệ thống phân loại sản phẩm sử dụng robot cộng TÁC YUMI -182
Đề xuất thuật toán nhận dạng chữ số viết tay sử dụng mạng CNN -188
Khai thác dữ liệu nhằm phát hiện vết nứt đường ống nhà máy điện nguyên tử -194
Thiết Kế Bộ Lựa Chọn Dải Tần Số Cho VCO Dải Rộng -199
Phát hiện Trojan phần cứng bằng phương pháp phân tích kênh bên sử dụng kỹ thuật học máy -203
Phân tích, Đánh giá Hiệu năng Mã hóa Video với Chuẩn H.265/HEVC -208
Một Phương Pháp Giải Bài Toán Chia Sẻ Bí Mật -213
Thiết kế anten mảng pha hoạt động tại băng tần X cho ứng dụng kiểm định chất lượng hệ thống Radar -217
Nâng Cao Chất Lượng Hệ Thống Truyền Dẫn Quang Sử Dụng Bộ Liên Hợp Pha Quang OPC Cho Tín Hiệu DP-QPSK Và DP-16QAM -222
Đề xuất anten nhỏ sử dụng chấn tử đơn cực và xoắn cầu cho hệ thống nội soi bằng viên nang không dây -228
Một giải pháp phối hợp trở kháng cho anten xoắn kích thước nhỏ -232
Nghiên cứu tính tương quan không gian cho mô hình kênh MIMO cỡ rất lớn -236
Mô hình hóa và phân tích hiệu năng cho các mạng cảm biến không dây hoạt động dựa trên năng lượng thu thập -241
Phân Tích Hiệu Năng Mạng Khuếch Đại Chuyển Tiếp Đa Chặng Dưới Sự Ảnh Hưởng Chung Của Nhiễu Đồng Kênh Và Nhiễu Phần Cứng -247 Mạng Nơron tích chập Resnet50: Ứng dụng nhận dạng khuôn mặt người hiệu quả trong các điều kiện
Trang 6môi trường phức tạp -253 Ứng dụng Mạng Nơron chập phân tầng nhiều lớp và mô hình Facenet trong phát hiện và nhận dạng khuôn mặt người -259 Nghiên cứu phương pháp giấu tin trong âm thanh sử dụng mặt lạ tần số trong biến đổi Fouties rời rạc
và phương pháp tối ưu hóa bày đàn PSO -265 Xây dựng hệ thống giám sát thiết bị điện ứng dụng truyền thông Zigbee và mô hình điện toán sương mù -271 Thiết bị datalogger thu thập, điều khiển và truyền dữ liệu tự động -277 Xác suất dừng hệ thống FD-NOMA với nút chuyển tiếp sử dụng công nghệ thu thập năng lượng 283 Phân biệt nguyên âm dài và ngắn của tiếng Việt sử dụng tham số “giả tần số formant” SSCF -289
Trang 7Nghiên Cứu Và Xây Dựng Phần Mềm Xác Định Trạng Thái Đi Xe Máy Sử Dụng Thuật Toán Học Máy Véc-Tơ Và Cảm Biến Tích HợpTrên Điện Thoại
Nguyễn Thị Thu 1 ,Trần Đức Tân2
Tóm tắt — Ở Việt Nam, việc cấm sử dụng điện thoại trong khi lái
xe đã có hiệu lực từ lâu Tuy nhiên, tình trạng sử dụng điện thoại
trong lúc lái xe đang trở nên phổ biến và gây ra nhiều nguy hiểm
cho người tham gia giao thông Cùng với việc gia tăng không
ngừng của điện thoại thông minh, sử dụng điện thoại trong lúc lái
xe đang là một thói quen xấu và là một trong những nguyên nhân
chính dẫn đến va chạm và tai nạn giao thông ở Việt Nam
MotorSafe, phần mềm điện thoại đã được triển khai thực tế sẽ là
một trong những giải pháp cho vấn đề trên Từ dữ liệu gia tốc
thu được thông qua cảm biến tích hợp sẵn trên điện thoại, chúng
tôi đề xuất thuật toán cho phép thiết bị nhận dạng được hành vi
“đang trên xe” của người tham gia giao thông Các tác vụ cần
thiết được cung cấp sẽ giúp người đi xe máy tập trung vào việc lái
xe thay vì những hành vi không cần thiết Chất lượng của thuật
toán được đánh giá thông qua độ chính xác trung bình đạt tới
92%
Từ khóa- xe máy; học máy; gia tốc
I GIỚI THIỆU
Theo thống kê của cục Cảnh sát giao thông đường bộ tháng
10 năm 2017, Việt Nam có khoảng 60 triệu xe máy đang lưu
hành, chiếm 93% phương tiện giao thông đường bộ các loại, số
lượng tai nạn giao thông liên quan đến xe máy chiếm 70.18%
số lượng tai nạn giao thông đường bộ, hằng năm, số lượng
người chết vì tai nạn giao thông xe máy lên đến hàng nghìn
người và đang là vấn đề nhức nhối của giao thông Việt Nam
[1], [2] Những nguyên nhân cơ bản dẫn đến hậu quả trên là do
nhận thức, ý thức tham gia giao thông của người dân, vấn đề sử
dụng rượu bia khi tham gia giao thông, và đặc biệt, có đến
6%-8% nạn nhân của các vụ tai nạn giao thông thừa nhận rằng
nguyên nhân dẫn đến những vụ tai nạn của họ là sử dụng điện
thoại khi tham gia giao thông
Việc sử dụng điện thoại khi điều khiển xe máy đang trở
thành một trong những nguyên nhân chính dẫn đến va chạm và
tai nạn giao thông ở Việt Nam [3] Nó khiến người điều khiển
xe máy bị mất tập trung, hạn chế khả năng quan sát và điều
khiển tốc độ và tai nạn có thể xảy ra bất cứ lúc nào Trong
những năm gần đây, để giảm số lượng các vụ tai nạn giao
thông liên quan đến sử dụng điện thoại khi đi xe máy, rất nhiều
giải pháp đã được đề xuất Gần đây nhất, Samsung đã ra mắt
phần mềm S-bike trên dòng điện thoại Galaxy J nhằm hỗ trợ và
tăng cường an toàn cho người đi xe máy Tuy nhiên, hiệu quả
của phần mềm chưa cao do phần mềm có nhiều hạn chế có thể
kể đến như không thể tự động chuyển trạng thái giữa bình
thường với im lặng một cách tự động mà phải điều chỉnh bằng tay, điều này không thực sự thuận tiện với người dùng và trong trường hợp khi họ đã dừng xe, điện thoại vẫn đang trong trạng thái im lặng và họ có thể bỏ lỡ các cuộc gọi quan trọng Ngoài
ra, S-bike hiện đang thiếu một số tính năng quan trọng, các tính năng hữu ích và phù hợp với điều kiện giao thông Việt Nam như cảnh báo khi vượt tốc độ đặt trước hay dịch vụ liên lạc cứu
hộ khẩn cấp khi xảy ra tai nạn Hơn nữa S-bike hiện mới chỉ có mặt trên mất số dòng điện thoại cao cấp của SamSung, những điện thoại chạy hệ điều hành Android của nhà sản xuất khác không thể cài đặt và sử dụng sản phẩm
Dựa trên các hạn chế đó trong bài báo này hướng nghiên cứu mới được chúng tôi đề xuất xây dựng phần mềm có thể được cài đặt trên tất cả các điện thoại thông minh chạy hệ điều hành Android để cải thiện sự an toàn cho người đi xe máy, phần mềm có tên là Motorsafe Phần mềm sẽ tự động nhận dạng được trạng thái “đang trên xe” của người đi xe máy, tự động chuyển đổi trạng thái sang im lặng và trở lại trạng thái bình thường nếu nhận dạng người dùng không còn đi xe Ngoài
ra phần mềm sẽ bổ sung một số tính năng mà các sản phẩm tương tự hiện hành trên thị trường không có như linh hoạt trong nhận cuộc gọi, cảnh báo vượt quá tốc độ đặt trước hay dịch vụ liên lạc khẩn cấp khi xảy ra tai nạn
Vấn đề quan trọng nhất trong việc dựng phần mềm này là làm sao để nhận dạng chính xác trạng thái “đang trên xe” của người dùng Để tăng tính chính xác trong việc nhận dạng, từ dữ liệu của cảm biến gia tốc được trang bị sẵn trên các điện thoại thông minh hiện nay, sau khi tiền xử lý, thuật toán học máy vector (SVM: Support Vector Machine) sẽ được sử dụng để phân loại, chia lớp dữ liệu thành hai trạng thái “đang trên xe”
và “không trên xe”, qua đó là cơ sở để phát triển các tính năng khác của phần mềm
Đề xuất của chúng tôi góp phần mở ra một hướng nghiên cứu thực tế giải quyết bài toán nâng cao độ chính xác trong việc nhận dạng hành vi trên xe, giải quyết được nhược điểm các phần mềm sử dụng hiện nay Những đóng góp mới của chúng tôi trong bài báo này có thể được tóm tắt như sau:
Đề xuất phần mềm xác định trạng thái đi xe máy sử dụng thuật toán học máy véc-tơ và cảm biến tích hợp sẵn trên điện thoại giải quyết vấn đề động nhận dạng được trạng thái “đang trên xe” của người đi xe máy
1
Trang 8Phần mềm cho phép bổ sung một số tính năng mà các
sản phẩm tương tự hiện hành trên thị trường không có
như linh hoạt trong nhận cuộc gọi, cảnh báo vượt quá
tốc độ đặt trước hay dịch vụ liên lạc khẩn cấp khi xảy
ra tai nạn
Bài báo có cấu trúc gồm 4 phần Sau phần mở đầu, chúng
tôi sẽ trình bày mô hình thiết kế thực thi hệ thống ở mục II Các
kết quả và đánh giá hiệu quả của phần mềm đề xuất được phân
tích ở mục III Cuối cùng là các kết luận và đề xuất hướng
nghiên cứu tiếp theo được rút ra ở mục IV
II THIẾT KẾ, THỰC THI HỆ THỐNG
Chúng tôi xét hệ thống phần mềm xác định trạng thái đi xe
máy sử dụng thuật toán học máy véc-tơ và cảm biến tích hợp
sẵn trên điện thoại có sơ đồ nguyên lý hoạt động như Hình 1
Sơ đồ được chia thành hai nhánh song song tương ứng với hai
tác vụ chính của hệ thống là nhận dạng trạng thái “đang trên
xe” và dự đoán tai nạn Trên nhánh thứ nhất, trong trường hợp
trạng thái “đang trên xe” được phát hiện, điện thoại sẽ chuyển
tự động từ trạng thái bình thường sang im lặng và chỉ rung và
đổ chuông với những cuộc gọi từ danh sách quan trọng (VIP)
hoặc số cuộc gọi từ số điện thoại nào đó lớn hơn 3 lần trong
vòng 5 phút Trong những trường hợp khác, các cuộc gọi đến
sẽ bị từ chối và điện thoại người dùng sẽ gửi lại người gọi mẫu
tin nhắn như “tôi đang đi trên xe” Trong nhánh thứ hai, trong
trường hợp người dùng được dự đoán gặp tai nạn, hệ thống sẽ
xác nhận rồi sau đó gửi tin nhắn cảnh báo kèm theo tọa độ
người dùng trong thời gian thực đến người thân hoặc trung
tâm cứu hộ kịp thời Phần mềm hoạt động qua các giai đoạn
như sau:
1 Tiền xử lý dữ liệu
Trong bài toán xử lý tín hiệu, tiền xử lý dữ liệu đóng vai trò
rất quan trọng và quyết định đến sự hiệu quả của thuật toán xử
lý tín hiệu áp dụng Trong hệ thống được đề xuất, dữ liệu gia
tốc sẽ được cảm biến lấy mẫu với tần số 50Hz Trên thực tế,
dữ liệu lấy mẫu này bao gồm hai thành phần là gia tốc động và
gia tốc tĩnh Thành phần gia tốc tĩnh được tạo bởi trọng lực
trái đất và là thành phần gia tốc ít thay đổi trong khi thành
phần gia tốc động phụ thuộc vào chuyển động của cảm biến và
là sự thể hiện sự chuyển động với năng lượng cao hay thấp
của điện thoại Trong nghiên cứu này, bộ lọc thông thấp sẽ
được sử dụng để phân biệt hai thành phần gia tốc trên một
cách tương đối Hệ điều hành Android cho phép nhà phát triển
dễ dàng thực thi bộ lọc thông thấp thông qua thư viện Fsensor
[6] Cụ thể ở đây, hệ thống sẽ thực thi bộ lọc thông thấp IIR
với mối quan hệ giữa đầu vào và đầu ra được biểu diễn theo
Lấy dữ liệu
Ax, Ay, Az
Nhận dạng hành vi bằng vector hỗ trợ
Dự đoán tai nạn xảy ra
Xác nhận tai nạn từ người dùng Đang đi xe
Chuyển sang trạng thái im lặng
Chuyển sang trạng thái thông thường
Lấy tọa độ GPS
Rung và đổ chuông
Số đếm +=1
Số đếm >3 Trong 5 phút
Đúng Sai
Thuộc danh sách Vip ?
Từ chối bằng tin nhắn
Gửi tin nhắn thông báo tai nạn kèm theo tọa độ GPS tới bệnh
Có cuộc gọi đến
Đúng Sai
Đúng Sai
Đúng
Đúng
Sai
Sai
Hình 1 Sơ đồ khối nguyên lý hoạt động của hệ thống phần mềm
trong đó:
: dược định nghĩa theo công thức:
/
dt timeconstant dt Timeconstant : độ dài khung tín hiệu mà bộ lọc xử lý
dt : chu kỳ lấy mẫu
Trong nghiên cứu này, chúng tôi sẽ sử dụng bộ lọc thông thấp
với hệ số alpha là 0.1, Timeconstant là 0.18 Sau khi cho tín
hiệu gốc đi qua bộ lọc thông thấp, thành phần gia tốc động sẽ
bị trích bỏ và hệ thống sẽ thu được thành phần gia tốc tĩnh như Hình 2
Hình 2 Tín hiệu trước (a) và sau khi lọc (b)
Từ đó thành phần gia tốc động sẽ được tính toán thông qua sự chênh lệch giữa tín hiệu gốc và tín hiệu qua bộ lọc:
it it
với
, ,
i X Y Z :
2
Trang 9A : Thành phần gia tốc động theo trục i;
y i : Gia tốc tĩnh theo trục i thu được qua bộ lọc;
Tiếp đến, giá trị véc-tơ gia tốc động được tính toán thông qua
gia tốc động:
SCAY A (4) Y
2 Phân lớp dữ liệu với thuật toán véc-tơ hỗ trợ
Trong bài toán học máy nói chung và thuật toán học máy
véc-tơ hỗ trợ nói riêng, quá trình đào tạo, huấn luyện dữ liệu là
bước rất quan trọng, nó quyết định tới độ chính xác của việc
phân lớp dữ liệu hay nói cách khác, một mô hình được huấn
luyện đúng quy trình với tập dữ liệu điển hình sẽ mang lại độ
chính xác cao cũng như “sự thông minh” cần thiết cho các tính
năng của hệ thống
Như đã đề cập, thông qua cảm biến gia tốc, dữ liệu thô bao
gồm gia tốc ba trục X , Y , Z được lấy mẫu với tần số 50Hz
Sau khi tiền xử lý tương tự đề cập trên, dữ liệu thu được bao
gồm thông tin về giá trị VeDBA , SCAY Tuy nhiên, việc
huấn luyện, tính toán hay phân biệt trạng thái đối tượng tương
ứng với từng cặp giá trị VeDBA , SCAY với 50 lần trong 1
giây là không thực sự cần thiết, vì thế hệ thống được đề xuất
VeDBA tương ứng trong một phút (tức 50 điểm VeDBA ),
tương tự là giá trị SCAY qua đó thiết lập các điểm (node) dữ s
liệu hai đặc tính Việc sử dụng thêm các đặc tính đầu vào sẽ
giúp cải thiện độ chính xác trong việc phân hoạch của hệ
thống, tuy nhiên điều đó cũng sẽ khiến hệ thống tính toán
chậm hơn, ảnh hưởng tốc độ làm việc của phần mềm Bước
tiếp theo, các điểm dữ liệu có sẵn kèm theo nhãn phân lớp sẽ
được chia thành hai phần tương đương là dữ liệu huấn luyện
và dữ liệu kiểm tra
Hình 3 Dữ liệu huấn luyện
Trên thực tế, dữ liệu từ cảm biến gia tốc sẽ không tách biệt
tuyến tính hay gần tách biệt tuyến tính như trên Hình 3, vì vậy
việc sử dụng các thuật toán véc-tơ hỗ trợ với phân lề cứng hay
phân lề mềm không mang lại nhiều hiệu quả cho việc phân lớp
hành vi trong bài toán này Vì vậy, thuật toán véc-tơ hỗ trợ sử
dụng hàm nhân cụ thể là hàm Gaussian sẽ được sử dụng cho
việc phân lớp trạng thái người dùng [4,5] Mô hình thực hiện như trong Hình 4
Hình 4 Quá trình xử lí dữ liệu huấn luyện
Quá trình huấn luyện dữ liệu sử dụng véc-tơ hỗ trợ hàm nhân Gaussian được mô tả trên Hình 5 Trong huấn luyện mô hình phân lớp tối ưu, cụ thể trong việc sử dụng hàm nhân cho thuật toán học máy véc-tơ hỗ trợ, việc đánh giá độ chính xác của bộ phân lớp rất quan trọng, bởi vì nó cho phép dự đoán được độ chính xác của các kết quả phân lớp những dữ liệu tương lai cũng như tìm ra cặp giá trị C, tối ưu cho hệ thống Trong nhánh thứ nhất của sơ đồ, dữ liệu đào tạo sẽ được đánh giá độ chính xác bằng cách tiến hành kiểm chứng chéo [7] (CV: Cross-Validation) như Hình 5, k-fold, kiểm chứng chéo k-fold được sử dụng để đo lỗi thành phần cũng như lỗi tổng quát của các phân loại cho một số lượng hạn chế các dữ liệu thu thập được Cụ thể hơn, trong kiểm chứng chéo k-fold, dữ liệu đầu vào sẽ được chia thành k tập dữ liệu con không giao nhau và có kích thước xấp xỉ nhau Mỗi lần (trong
số k lần) lặp, một tập con được dùng để làm tập kiểm thử trong khi k-1 tập con còn lại được dùng làm tập huấn luyện Sau đó, k giá trị lỗi sẽ được thu thập để tính giá trị lỗi trung bình cũng như tỉ lệ chính xác tổng thể cao nhất với cặp giá trị ,
Trong bài toán này, vai trò chính của kiểm chứng chéo là
luyện và kiểm thử trong dãi giá trị C và ξ cho trước Giá trị C
và ξ tối ưu nhất tương ứng với giá trị làm cho lỗi trung bình nhỏ nhất hay độ chính xác tổng thể cao nhất sẽ được tìm ra Trong ứng dụng này, giá trị k-fold được lấy là 3 Giá trị độ chính xác tổng thể lớn nhất được xác định là 96%, khi đó cặp
3
Trang 10giá trị tốt nhất của C, tương ứng là (0.125, 4.8828 x e-4)
như Hình 6 Thông qua quá trình kiểm chứng chéo, bài toán đã
xác định được hai thông số là và C Các giá trị nói trên
được nạp vào mô hình huấn luyện với dữ liệu huấn luyện gốc
để xác định các thông số còn lại của mô hình huấn luyện hệ
thống
Hình 5 Kiểm chứng chéo
Quá trình huấn luyện thông qua hàm SVMtrain trên Matlab
được tiến hành với đầu vào là toàn bộ tập dữ liệu huấn luyện
luyện, mô hình thu được chứa các thông tin số lớp phân hoạch,
hàm quyết định Thông qua quá trình huấn luyện trên, các
thông số trong mô hình thu được sẽ được sử dụng để xây dựng
hàm quyết định trạng thái
Hình 6 Độ chính xác qua kiểm chứng chéo
Bước cuối cùng của huấn luyện là đánh giá độ chính xác bằng
dữ liệu có sẵn, dựa vào mô hình từ quá trình huấn luyện, mô
hình sẽ được đánh giá bằng tập dữ liệu kiểm tra và tập nhãn có
sẵn bởi hàm SVMpredict trong thư viện SVMlib, quá trình
kiểm tra sẽ xác định độ chính xác của việc huấn luyện Độ
chính xác kiểm chứng bằng tập dữ liệu kiểm tra được định
nghĩa là (số kết quả dự đoán đúng với nhãn thực tế)/(số kết
quả dự đoán) Trong ứng dụng này, độ chính xác xác định
được là 93.18% Có thể thấy, quá trình huấn luyện trên sẽ cho
kết quả của việc xác định trong từng khoảng thời gian một
giây Vì vậy, để tăng tính chính xác hơn của việc nhận dạng,
phần mềm sẽ đưa ra kết quả nhận dạng trên từng khoảng thời
gian là 5 giây Hoạt động của việc nhận dạng được mô tả như trong Hình 7
Trong khoảng thời gian 5 giây liên tiếp, trạng thái chiếm đa số
sẽ được chọn là trạng thái quyết định, điều này giúp hệ thống giải quyết triệt để một số thành phần nhiễu không mong muốn, tăng tính chính xác và ổn định cho phần mềm Vì vậy, cứ sau
5 giây, phần mềm sẽ cập nhật trạng thái một lần Với tính năng dự đoán tai nạn thì thực tế cho thấy, tính năng nhận dạng tai nạn từ thông tin cảm biến gia tốc đã được áp dụng phổ biến, đặc biệt là trên ô tô Khi có tai nạn hoặc va chạm mạnh xảy ra, gia tốc giảm đột ngột, trong ứng dụng này, phầm mềm
sẽ dự đoán một tình huống là tai nạn thông qua gia tốc
(G=9.8 m/s2) [8] Để tăng tính chính xác của việc dự đoán,
lúc ấy người dùng có đang đi xe hay không, việc này nhằm tránh nhầm lẫn với các tình huống gây gia tốc giảm khác như rơi điện thoại, va đập …
Hình 7 Quyết định trạng thái
Như vậy, chúng tôi đã phân tích các bước thực hiện thuật toán
đề xuất, với tính ưu việt của thuật toán có thể mở ra hướng ứng dụng tốt cho việc triển khai các giải pháp an toàn cho người đi xe máy và các phương tiện khác
III KẾT QUẢ VÀ THẢO LUẬN
Để làm rõ hiệu quả của giải pháp đề xuất phần mềm xác định trạng thái đi xe máy sử dụng thuật toán học máy véc-tơ
và cảm biến tích hợp sẵn trên điện thoại thông qua dữ liệu thô
từ cảm biến gia tốc trên điện thoại, chúng tôi đã đề xuất phần mềm cũng như từng bước xây dựng tính năng dựa trên thuật toán học máy véc-tơ hỗ trợ dựa trên các đặc trưng VeDBA, SCAY như Hình 5 Mô hình huấn luyện thu được bao gồm số lớp cần phân hoạch là 2, tổng số vector hỗ trợ là 87 với 58 cho lớp dữ liệu không đi xe và 29 cho lớp dữ liệu đi xe, cặp giá trị ,
khi vận hành một ứng dụng là hiệu năng hoạt động cũng như
sự tiện ích và tài nguyên tiêu tốn của hệ thống, các thông số này được đánh giá thông qua:
1 Độ nhạy và độ chính xác
4