Tiêu đề

NGHIÊN CỨU PHƯƠNG PHÁP HỌC MÁY CHO NHẬN DẠNG HOẠT ĐỘNG SỬ DỤNG CẢM BIẾN MANG TRÊN NGƯỜI

Tác giả

Nguyễn  Ngọc Điệp

Chuyên ngành

Hệ thống thông tin

Nguồn phát hành

Học viện Công nghệ Bưu chính Viễn thông

Sơ lược

TRANG THÔNG TIN LUẬN ÁN TIẾN SĨ

Tên đề tài luận án tiến sĩ: Nghiên cứu phương pháp học máy cho nhận dạng hoạt động sử dụng cảm biến mang trên người

Chuyên ngành: Hệ thống thông tin

Mã số: 62.48.01.04

Họ và tên NCS: Nguyễn Ngọc Điệp

Người hướng dẫn khoa học:

1. PGS.TS. Từ Minh Phương

2. TS. Phạm Văn Cường

Cơ sở đào tạo: Học viện Công nghệ Bưu chính Viễn thông

NHỮNG KẾT QUẢ MỚI CỦA LUẬN ÁN:

1. Đề xuất một phương pháp trích xuất đặc trưng mới HALF có tốc độ nhanh cho các ứng dụng cần nhận dạng một số hoạt động riêng lẻ, sử dụng cảm biến mang theo người với yêu cầu xử lý thời gian thực. Phương pháp này có thể giúp phân biệt tốt các hoạt động có đặc tính dữ liệu tương tự nhau, thích hợp cho các hệ thống di động thông minh, nhỏ gọn với năng lực tính toán thấp, đặc biệt là các hệ thống đòi hỏi thời gian thực.

2. Đề xuất một phương pháp trích xuất đặc trưng tự động dựa trên học đặc trưng. Các đặc trưng đề xuất là các đặc trưng đa mức MPF có khả năng cải thiện về độ chính xác trong nhận dạng hoạt động người so với các đặc trưng đa mức kiểu cũ, đồng thời khắc phục được các hạn chế về mặt tốc độ khi xử lý.

3. Xây dựng hai ứng dụng nhận dạng hoạt động người được xây dựng dựa trên các phương pháp đề xuất, bao gồm: ứng dụng phát hiện ngã trong thời gian thực và ứng dụng xác thực người dùng sử dụng chữ ký 3D. Cả hai ứng dụng này đều có hiệu năng tốt khi thử nghiệm với tập dữ liệu của người dùng và có tính khả thi cao.

CÁC ỨNG DỤNG, KHẢ NĂNG ỨNG DỤNG TRONG THỰC TIỄN HOẶC NHỮNG VẤN ĐỀ CÒN BỎ NGỎ CẦN TIẾP TỤC NGHIÊN CỨU:

1. Phương pháp phát hiện ngã dựa trên đặc trưng HALF đã đề xuất có độ chính xác cao và tốc độ tính toán nhanh, phù hợp với các thiết bị trợ giúp cá nhân thông minh mang theo người. Dựa vào phương pháp này, có thể xây dựng ứng dụng phát hiện ngã chạy trên các thiết bị cá nhân hay sử dụng trong thực tế như điện thoại di động hoặc đồng hồ thông
minh.

2. Phương pháp nhận dạng hoạt động dựa trên đặc trưng MPF đã đề xuất có độ chính xác cao kể cả khi nhận dạng cho nhiều hoạt động người. Phương pháp này có thể giúp xây dựng các ứng dụng trên điện thoại thông minh thiết thực hơn trong thực tế như ghi nhật ký hoạt động của người dùng hay đo mức tiêu thụ năng lượng của con người dựa trên các hoạt động trong ngày. Có thể nghiên cứu việc kết hợp cảm biến gia tốc với các cảm biến khác có sẵn trên điện thoại di động như GPS hay cảm biến âm thanh để có được các ứng dụng tốt hơn.

3. Mặc dù học đặc trưng dựa trên học sâu đã mang lại được những kết quả rất đáng kể về cải thiện hiệu năng nhận dạng hoạt động người, việc đưa học sâu vào các ứng dụng nhận dạng hoạt động thực tế trên các thiết bị di động thông minh để trợ giúp người dùng vẫn rất khó khăn do hạn chế về năng lực xử lý của các thiết bị này. Việc nghiên cứu về các phương pháp trích xuất đặc trưng mới dựa trên kỹ thuật học sâu để tăng sự chính xác nhận dạng trong khi vẫn đảm bảo tốc độ tính toán trên các thiết bị cá nhân thông minh là một hướng nghiên cứu cần được tiếp tục thực hiện.

Xác nhận của người hướng dẫn khoa học :

PGS.TS. Từ Minh Phương

TS. Phạm Văn Cường

Nghiên cứu sinh:

Nguyễn Ngọc Điệp

INFORMATION ON DOCTORAL DISSERTATION

Title of dissertation: Machine learning methods for human activity recognition using wearable sensors

Speciality: Information system

Code of speciality: 62.48.01.04

Ph.D. candidate: Nguyễn Ngọc Điệp

Supervisor:

1. Assoc. Prof. Dr. Từ Minh Phương

2. Dr. Phạm Văn Cường

Academic Institution: Posts and Telecommunications Institute of Technology

THE SCIENTIFIC CONTRIBUTIONS:

1. Proposed HALF – a new fast feature extraction method. This is suitable for applications which are used for recognition of some specific human activity using wearable sensors in real-time. HALF is able to distinguish activities in which sensor stream data have similar characteristics. HALF could be used for small mobile systems with limited computational speed, especially those require real-time processing.

2. Proposed an automatic feature extraction method using feature learning. The extracted features called MPF which are multi-level features. MPF can help to improve human activity recognition accuracy compared to previous proposed multi-level features while overcome limitation in computational speed.

3. Implemented two applications of human activity recognition using the proposed methods. One is real-time fall detection and the other is 3D signature for user authentication. Both achieve high performance when evaluated with user dataset and have high feasibility.

ON PRACTICAL APPLICABILITY AND FURTHER STUDIES:

1. Fall detection method based on the proposed feature extraction method HALF has high accuracy and high computation speed as well. It is suitable for smart wearable devices used to assist users. Therefore, using this fall detection method can build real-time fall detection applications which is able to run on popular real world personal devices such as smart mobile phone or smart watch.

2. Activity recognition method based on the proposed feature extraction method MPF has high accuracy even when using to recognize multiple activities. This can be used to create more realistic activity recognition applications such as user activity logging or user energy expenditure based on daily activities using smart phones. A combination of accelerometers and other sensors like GPS or audio sensor should be considered to make the applications better.

3. Even though deep learning based feature learning achieves remarkable results in improvement of activity recognition performance, it is still difficult in bringing deep learning to real world activity recognition applications and make it running on smart mobile devices for user assistance. The reason is the limitation in computational power of these devices. It is needed to study deep learning techniques to propose more effective activity recognition methods which have higher accuracy but still achieve targeted computational speed.

Representer of advisors:

Assoc. Prof. Dr. Từ Minh Phương

Dr. Phạm Văn Cường

Ph.D. candidate:

Nguyễn Ngọc Điệp

Tài liệu tham khảo