Thiết kế hệ thống giám sát sự té ngã của người lớn tuổi

Nội dung text: Thiết kế hệ thống giám sát sự té ngã của người lớn tuổi

1. THIẾT KẾ HỆ THỐNG GIÁM SÁT SỰ TÉ NGÃ CỦA NGƯỜI LỚN TUỔI Phạm Tỷ Phúa, Nguyễn Thanh Hảib Khoa Điện – Điện Tử, Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh aphupt@hcmute.edu.vn; b haint@hcmute.edu.vn; TÓM TẮT Té ngã là một trong những nguyên nhân chính gây những chấn thương nghiêm trọng cho người già như gãy xương hay chấn thương sọ não, tăng nguy cơ tử vong. Thêm vào đó, nó còn gây ra vấn đề tâm lý do việc sợ ngã.Tuy nhiên, những hậu quả nguy hiểm có thể thuyên giảm nếu phát hiện việc té ngã một cách kịp thời.Trong nhưng năm gần đây, các nhà nghiên cứu đã phát triển nhiều phương pháp phát hiện và nhận dạng té ngã có độ chính xác cao, phục vụ cho việc chăm sóc sức khỏe cho người già được tốt hơn.Trong đề tài này, người thực hiện thiết kế một hệ thống nhận biết té ngã và cảnh báo. Dữ liệu thu thập từ cảm biến gia tốc đeo trên người sử dụng sẽ qua bộ lọc trung bình để tín hiệu phẳng hơn. Đặc tính của tín hiệu được trích xuất bằng phương pháp phân tích thành phần chính Principal component analysis (PCA).Để nhận dạng, công cụ vector hỗ trợ Support Vector Machines (SVM) được áp dụng để huấn luyện và nhận dạng té ngã hay không.Các kết quả thí nghiệm trên 1 người với các trường hợp vận động cho thấy độ tin cậy của hệ thống. Từ khóa: phát hiện té ngã, người lớn tuổi, thuật toán SVM 1. TỔNG QUAN Hệ thống phát hiện té ngã được chia làm ba Té ngã là một trong những nguyên nhân phương pháp chính: dùng cảm biến môi trường chính gây chấn thương nghiêm trọng ở [2], xử lý ảnh [3, 4], và sử dụng cảm biến đeo người lớn tuổi. Theo báo cáo của trung tâm trên người [5, 6]. Đối với trường hợp sử dụng phòng chống và kiểm soát y tế của Hoa Kỳ cảm biến hình ảnh, hệ thống camera được thiết (CDC), việc té ngã không cố ý thường xảy lập trong môi trường dò tìm và sử dụng ra ở 30 % người già trên 65 tuổi mỗi năm. phương pháp xử lý ảnh để nhận biết trạng thái Những thương tích liên quan đến việc té của đối tượng trong ảnh. Phương pháp này ngã là nguyên nhân gây tử vong ở người không cần người sử dụng đeo bất kỳ thiết bị trên 65 tuổi, khoảng 41 trường hợp tử vong nào, nhưng ảnh có thể khó xử lý chính xác do do té ngã trong 100,000 người mỗi năm độ sáng cao hoặc do nhiễu.Đối với trường hợp [1]. Người già sẽ khi đã té một lần sẽ có sử dụng cảm biến môi trường như là cảm biến tâm lý sợ té, sợ di chuyển, từ đó rơi vào hồng ngoại hay cảm biến âm thanh, hệ thống trường hợp thụ động, cách ly với xã hội. phải được thiết lập ở môi trường để đo việc té Thêm vào đó, chi phí để giải quyết hậu quả ngã. Ưu điểm của phương pháp này là chi phí do té ngã gây ra cũng rất là cao, từ việc thấp và thuận tiện cho người dùng vì không phải mang thêm thiết bị. Tuy nhiên, hệ thống thêm người chăm sóc cho người già đến việc điều trị, bảo hiểm y tế. Những hậu quả này chỉ dò tìm trong môi trường đã thiết lập. nghiêm trọng của té ngã có thể tránh được Trong những năm gần đây, sự phát triển của nếu nạn nhân được phát hiện và cấp cứu kịp công nghệ chế tạo cảm biến vi cơ điện tử, vi thời, do đó, hệ thống phát hiện té ngã tự xử lý và giao tiếp không dây đã tạo điều kiện động có độ chính xác cao có thể là một giải cho những nghiên cứu liên quan đến hoạt đông pháp cải thiện cuộc sống của người già. vật lý của con người. Một trong những ứng dụng là hệ thống phát hiện té ngã sử dụng cảm
2. biến gia tốc, con quay hồi chuyển Những biến và hệ thống phát hiện té ngã được miêu tả cảm biến này độ chính xác cao, nhỏ gọn, có như trong hình 4. thể đeo ở nhiều vị trí trên cơ thể. Phương pháp này gồm ba vấn đề. Giai đoạn một là dữ liệu thu được là một tín hiệu theo thời gian. Vấn đè thứ hai là cần những đặc trưng Data Acquisition nào của tín hiệu. Nhiều loại đặc trưng của tín hiệu đã được áp dụng như giá trị gia tốc của ba trục X, Y, Z, góc nghiêng, Vấn đề cuối cần thảo luận chính là làm cách nào xác định được đối tượng đeo cảm biến đã ngã. Có hai phương pháp phổ biến dùng để Pre – processing signal nhận dạng té ngã là phương pháp phân tích Average Filter with number of ngưỡng và phương pháp phân loại. point M = 5 Vì vậy, trong bài báo này, một cảm biến gia tốc được sử dụng để thu thập dữ liệu gia tốc từ đối tượng đeo cảm biến. Phương pháp vector hỗ trợ (SVM) được áp dụng để Feature extraction nhận dạng ngã. Đầu tiên, tín hiệu thu thập Principal Component Analysis từ cảm biến gia tốc ba trục của người đeo (PCA) method thiết bị ở bên hông trong các trường hợp té ngã và các hoạt động hằng ngày như đi, đứng, ngồi. Bước thứ hai, những đặc trưng cơ bản của chuyển động trong khoảng khoảng thời gian lấy mẫu sẽ được trích xuất Support Vector Machine bằng phương pháp trích xuất thành phần (SVM) chính (PCA). Cuối cùng, các thành phần đặc trưng được dùng để xây dựng tập mẫu và huân luyện theo phương pháp SVM để phân biệt trạng thái té ngã và hoạt động bình thường. Bài báo được chia làm ba phần như sau: Recognition phần 2 giới thiệu về quá trình thu dữ liệu và Fall vs Daily Activity hệ thống phát hiện té ngã. Phần 3 trình bày về kết quả các thí nghiệm.Cuối cùng, kết luận được trình bày trong phần 4.Quá trình xử lý của hệ thống được mô tả trong hình 1. Hình 1.Sơ đồ khối của quá trình nhận dạng té ngã 2. THIẾT KẾ HỆ THỐNG Hệ thống phát hiện té ngã gồm hai thiết bị: thiết bị cảm biến đeo trên người, thiết bị thu dữ liệu kết nối với máy tính. Thiết bị cảm biến tích hợp cảm biến gia tốc ba trục ADX345 của Analog Device, tầm đo ± 3 g, ± 16 g, cùng với mạch xử lý Arduino Pro Mini và module giao tiếp RF240L như trong hình 2 a. Thiết bị thu dữ liệu gồm mạch xử lý Arduino Pro Mini và module giao tiếp RF240L, truyền dữ liệu lên máy tính qua chuẩn RS232, minh họa trong hình a) b) 2 b. Hình 2.Hệ thống phát hiện té ngã Thiết bị cảm biến được cho vào trong vỏ a) Thiết bị cảm biến ADX345 đeo trên cơ thể và đeo bên hông như hình 3.Vị trí đeo cảm b) Thiết bị thu tín hiệu và giao tiếp máy tính
3. Dữ liệu thu được từ đối tượng vẫn còn nhiễu. Do đó, bộ lọc trung bình dịch chuyển được dùng để làm tín hiệu phẳng hơn.Bộc lọc trung bình dịch chuyển là bộ lọc thông dụng trung xử lý tín hiệu số, do dễ hiểu và dễ sử dụng. Để trích xuất thành phần đặc trung của tín hiệu gia tốc, thuật toán phân tích thành phần chính được áp dụng. Dữ liệu được sắp xếp thành một ma trận X m x n, với n là số lần thí Hình 3. Thiết bị cảm biến được bỏ vào vỏ nghiệm, m là số mẫu trong một thí nghiệm [7]. nhựa đeo bên hông Bước đầu tiên của PCA là chuẩn hóa dữ liệu.Điều này có nghĩa là trừ giá trị trung bình 3. THU THẬP DỮ LIỆU của tập mẫu với từng giá trị của tập, sau đó Để lấy mẫu tín hiệu, thiết bị cảm biến chia cho tổng số mẫu. Công thức 2 mô tả quá thu dữ liệu trong các trường hợp té ngã và trình này: hoạt động bình thường với tần số lấy mẫu f 푛 ( − ) =30 Hz. Đối tượng thí nghiệm là một người 푠 = 푖=1 푖 (2) nam (25 tuổi, nặng 75 kg) thực hiện mô (푛−1) phỏng các trường hợp đi, đứng, ngồi, té Bước hai, tính ma trận hiệp phương sai từ dữ ghế.Mỗi trường hợp thực hiện 20 lần. liệu đã được chuẩn hóa theo: ×푛 = , = 표푣( 푖 , 푖 ) (3) Receiver Unit 푖,푗 푖,푗 푖 푖 Sensor Board (USB Stick) Trong đó ×푛 là ma trận với m hàng và n cột, 푖 푖 là chiều thứ i. Wireless Wireless Tiếp theo, vector riêng và giá trị riêng của ma Transceiver Transceiver trận hiệp phương sai được tính. Ta được đa thức đặc trưng: det − 휆 = 0 4) Microcontroller Microcontroller Với mỗi vector riêng, ta có: (C − λI)x = 0 (5) x y z Với là vector riêng của giá trị riêng λ. Trial Axis RS232 Sau đó các vector riêng được sắp xếp lại Accelerometer Transceiver theo thứ tự độ lớn của giá trị riêng tương ứng, xếp từ cao đến thấp. Trong đó vector riêng nào có giá trị riêng lớn nhất là thành phần chính của tập dữ liệu.Ma trận gồm vector riêng đã sắp thứ tự chính là một hệ quy chiếu mới. Bước cuối là chiếu tập mẫu ban đầu vào trong hệ quy chiếu mới theo công thức: 푌 = 푗 ∗ (6) Trong đó là ma trận dữ liệu đã chuẩn 푗 hóa, là ma trận vector riêng đã được sắp xếp theo thứ tự cao đến thấp của giá trị riêng Alarm tương ứng. 푌là ma trận dữ liệu đã được chiếu vào hệ quy chiếu mới. Hình 4.Sơ đồ khối hệ thống phát hiện té ngã 5. THUẬT TOÁN VECTOR HÕ TRỢ (SVM) 4. TIỀN XỬ LÝ Sau khi trích đặc trưng bằng phương pháp
4. PCA, các đặc tính của trạng thái té ngã và 푖 · 푤 + ≤ −1, 표 푖 = −1 (8) trạng thái hoạt động hằng ngày có các điểm khác nhau. Với các nghiên cứu trước đây Kết hợp (8) và (9) đã thực hiện với nhiều phương pháp nhận dạng té ngã, phương pháp nhận dạng sử yi(xi · w + b ) − 1 (9) dụng thuật toán SVM đã đạt tỉ lệ nhận dạng Các mẫu dữ liệu thỏa (7) nằm trên siêu thành công cao (95,5 % khi đeo cảm biến ở phẳng H1: xi · w + b = 1 có pháp tuyến hông). Do đó trong nghiên cứu này, phương vector là w, khoảng cách đến gốc tọa độ là pháp nhận dạng dựa vào thuật toán SVM đã 1 − b / w . Tương tự, các mẫu dữ liệu thỏa được áp dụng[8]. Ta xem các hệ số có được (7) nằm trên siêu phẳng H1: x · w + b = 1 sau khi trích đặc tính bằng PCA khi hoạt i có pháp tuyến vector là w, khoảng cách đến động hằng ngày là một tập dữ liệu và khi té gốc tọa độ là 1 − b / w . Các mẫu dữ liệu ngã là một tập dữ liệu khác. Thuật toán thỏa (8) nàm trên siêu phẳng H2: x · w + b = SVM tuyến tính [32] được áp dụng để chia i − 1 có pháp tuyến vector là w, khoảng cách hai tập thành hai miền với các biên và đến gốc tọa độ là −1 − b / w . Do đó, vector hỗ trợ. d+ = d− = 1/ w và độ lớn lề là 2/ w . Vậy, ta có thể tìm được cặp siêu phẳng có lề cực đại bằng việc cực tiểu w với công thức (10). Công việc tối ưu này được thực hiện với hàm Lagrange vì công thức (4.13) sẽ được thay thế bằng hệ số nhan Lagrange và dữ liệu huấn luyện chỉ xuất hiện dưới dạng phép nhân vô hướng giữa các vector. Lp w, b, α = 1 2 l l w − i=1 αiyi xi . w + b + i=1 αi (10) 2 Hình 5 Các siêu phẳng H1 và H2 phân chia các mẫu tích cực va thụ động thành hai lớp Lấy đạo hàm Lptheo với w và b, vadf cho khác nhau kết quả bằng 0, ta có các điều kiện ∂L w,b,α SVM tuyến thực hiện chia hai tập dữ liệu p = w − l y α x = 0 (11) (4.15) ∂w i=1 i i i theo siêu phẳng tuyến tính. Giả sử ta có tập ∂L w,b,α p = l y α = 0 (12) huấn luyện là xi, yi , 푖 = 1, , 푙 với ∂b i=1 i i d 푖 ∈ −1,1 ,xi ∈ R . Ta muốn phân chia Kết quả cuối cùng ta có: l các mẫu tích cực ra khỏi các mẫu thụ động w = i=1 yiαixi (13) như trong hình 5. Các mẫu tích cực có y = 1 l hay H1 và các mẫu thụ động năm trong 0 = i=1 yiαi (14) vùng có y = -1 hay vùng H2. Các điểm 푖 6. KẾT QUẢ VÀ THẢO LUẬN nằm trên siêu phẳng thỏa w. x + b = 0, trong đó b / w là khoảng cách từ các Tám thí nghiệm đã được thực hiện để phân siêu phẳng đến gốc tọa độ và 푤 là độ tích trạng thái bình thường và trạng thái té ngã. lớn của 푤. Đặt d+ d− là khoảng cách Hình 6 biểu diễn tín hiệu gia tốc của ba trục ngắn nhất từ siêu mặt phân cách trong trường hợp đi (a) và trong trường hợp té đến mẫu mẫu tích cực(thụ động) gần (b).Trước khi được đưa vào huấn luyện, tín nhất. Định nghĩa “lề” (margin) của siêu mặt hiệu từ cảm biến được trích đặc trưng bằng phương pháp PCA. Với 8 trường hợp thí phân cách là d+ + d− .Với trường hợp tập mẫu có thể phân loại tuyến nghiệm gồm 5 trạng thái bình thường và 3 tính, thuật toán SVM sử dung để tìm siêu trạng thái té, dữ liệu được sắp xếp theothứ tự mặt có khoảng cách lề là cực đại. Giả và tạo thành ma trận 150 x 160. Sau khi qua sử các điểm huấn luyện thỏa điều kiện: trích đặc tính, ma trận vector đặc tính 150 x 160 được hình thành. Ma trận đặc tính được 푖 · 푤 + ≥ +1, 표 푖 = +1 (7)
5. đưa vào ngõ vào của bộ tạo mẫu.Thuật toán 100 %.Trong trường hợp té ghế chỉ có 7 lần SVM tạo ra siêu phẳng phân tách ma trận nhận dạng té, 3 lần nhận dạng là bình đặc tính thành hai tập con: bình thường và thường.Nguyên nhân có thể xuất phát từ tư thế té ngã. lúc té khi tham gia thí nghiệm chưa đúng.Những điều này xuất phát lớn từ yếu tố Mỗi mẫu dữ liệu được thu trực tiếp từ chủ quan của đối tượng khi thí nghiệm gây ra. đối tượng đeo sẽ được trích xuất và đem Bảng 1.Kết quả nhận dạng té ngã với hoạt động vào nhận dạng với tập mẫu, từ đó đưa ra kết bình thường luận là đối tượng có ngã hay không. Kết Độ quả thu được với các trường hợp ngẫu Nhận dạng Mẫu Số chính nhiên được trình bày trong bảng 1. TT thử lần Bình xác Té thường (%) 1 Đi 10 0 10 100 2 Đứng 10 0 10 100 Ngồi 3 10 0 10 100 nhanh 4 Té ghế 10 7 3 70 Trong [9], tác giả đã phân tích nhiều hoạt động để xác định ngưỡng giá trị cho té ngã, nhưng nhiều trường hợp lại nhận dạng không đúng như đứng ngồi nhanh. Phương pháp được (a) đề xuất trong đề tài có khả năng thích ứng với nhiều trường hợp.Quá trình xử lý phức tạp đặc biệt là tiền xử lý. Vì vậy trong tương lai , người thực hiện đề tài sẽ cải tiếncác thuật toán và phát triển phương pháp dự đoán té ngã. Việc dự đoán và phát hiện té ngã rất quan trọng để bảo vệ người cao tuổi, vì nguy cơ cao nghĩa là người lớn tuổi sẽ không phù hợp với cuộc sống một mình và phát hiện sẽ cấp cứu người già kịp thời khi té ngã. (b) 7. KẾ T LUẬN Trong đề tài này, một hệ thống phát hiện té Hình 6.Dữ liệu gia tốc trong các trường hợp ngã sử dụng cảm biến gia tốc dành cho người thí nghiệm già đã được đề xuất. Một đối tượng đã thực (a) Trường hợp đi. hiện 160 thí nghiệm để thu thập dữ liệu cảm biến đeo vào bên hông. Kết quả đạt được cho (b) Trường hợp té ghế. thấy hiệu quả của hệ thống đã được đề xuất. Với 80 lần thí nghiệm, kết quả các trường hợp hoạt động bình thường đều đạt TÀI LIỆU THAM KHẢO [1] Yi He YL, Chuan Yin. Falling-Incident Detection and Alarm by Smartphone with Multimedia Messaging Service. E-Health Telecommunication Systems and Networks. 2012; pages 1- 5. [2] Litvak D, Zigel Y, Gannot I. Fall detection of elderly through floor vibrations and sound. Engineering in Medicine and Biology Society, 2008 EMBS 2008 30th Annual International Conference of the IEEE. 2008; pages 4632-5. [3] Xiaoxiao D, Meng W, Davidson B, Mahoor M, Jun Z. Image-Based Fall Detection with Human Posture Sequence Modeling. Healthcare Informatics (ICHI), 2013 IEEE International Conference. 2013; pages 376-81.
6. [4] Mirmahboub B, Samavi S, Karimi N, Shirani S. Automatic monocular system for human fall detection based on variations in silhouette area. Biomedical Engineering, IEEE Transactions. 2013; pages 427-36. [5] Wen-Chang C, Ding-Mao J. Triaxial Accelerometer-Based Fall Detection Method Using a Self-Constructing Cascade-AdaBoost-SVM Classifier. Biomedical and Health Informatics, IEEE Journal. 2013; pages 411-9. [6] Tong L, Song Q, Ge Y, Liu M. HMM-based human fall detection and prediction method using tri-axial accelerometer. Sensors Journal, IEEE. 2013; pages 1849-56. [7] Ada R. Feature Extraction and Principal Component Analysis for Lung Cancer Detection in CT scan Images. International Journal of Advanced Research in Computer Science and Software Engineering. 2013;3; pages 187-90. [8] Hai NT, Cuong NQ, Khoa TQD, Toi VV. Temporal Hemodynamic Classification of Two Hands Tapping Using Functional Near – Infrared Spectroscopy. Frontiers in Human Neuroscience. 2013; pages 516-27. [9] Phu PT, Hai NT, Tam NT. A Threshold Algorithm in a Fall Alert System for Elderly People. Proceedings of the 5th International Conference on the Development of Biomedical Engineering in Vietnam. 2014; pages 413 - 6.
7. BÀI BÁO KHOA HỌC THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ Bài báo khoa học của học viên có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn Bản tiếng Việt ©, TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH và TÁC GIẢ Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam. Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN! Thực hiện theo MTCL & KHTHMTCL Năm học 2016-2017 của Thư viện Trường Đại học Sư phạm Kỹ thuật Tp. Hồ Chí Minh.