LRC Digital repo
DSpace preserves and enables easy and open access to all types of digital content including text, images, moving images, mpegs and data sets
Please use this identifier to cite or link to this item:
https://dspace.ctu.edu.vn/jspui/handle/123456789/86790Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | Trương, Quốc Bảo | - |
| dc.contributor.author | Thạch, Linh | - |
| dc.contributor.author | Danh, Ngọc Thật | - |
| dc.date.accessioned | 2023-04-27T03:59:23Z | - |
| dc.date.available | 2023-04-27T03:59:23Z | - |
| dc.date.issued | 2021 | - |
| dc.identifier.uri | https://dspace.ctu.edu.vn/jspui/handle/123456789/86790 | - |
| dc.description.abstract | Bài luận này chúng tôi sử dụng phương pháp học sâu và phương pháp học máy để đo nhịp tim không tiếp xúc qua thông qua việc sử dụng video khuôn mặt. Từ đó, chúng tôi đưa ra kết quả và so sánh tín hiệu quả của 2 phương pháp. Với 2 phương pháp này ta có thể tự quay một video ngắn khoảng 30s ở một trạng thái tĩnh hoặc có thể có những chuyển động nhẹ như quay đầu sang phải hay sang trái. Sau đó, các video được đưa vào chương trình nhận diện khuôn mặt để lấy vùng quan tâm (ROI). Tiếp theo, các vùng ROI được tách thành các kênh màu RGB để thuận tiện cho việc trích xuất tín hiệu nguồn. Chúng tôi sử dụng phương pháp phân tích thành phần độc lập (ICA) và phân tích thành phần chính (PCA) để trích xuất tín hiệu nguồn. Tín hiệu xung được chọn là thành phần có phổ công suất chứa đỉnh cao nhất trong phổ công suất của tất cả các tín hiệu nguồn sau khi đã được biến đổi qua miền tần số bằng phép biến đổi Fourier nhanh (FFT). Cuối cùng nhịp tim sẽ là tần số có đỉnh cao nhất. Để xác nhận độ chính xác của 2 phương pháp trên chúng tôi đã sử dụng ứng dụng đo nhịp tim có trên ứng dụng của điện thoại được nhiều người dùng đánh giá 5 sao để làm tham chiếu cho các kết quả, và thu được với sai số tương đối trung bình ước tính là 0.6%. | vi_VN |
| dc.description.tableofcontents | LỜI CẢM ƠN i LỜI CAM ĐOAN ii TÓM TẮT iii ABSTRACT iv DANH MỤC HÌNH ẢNH v DANH MỤC BẢNG vii DANH MỤC TỪ VIẾT TẮT viii CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI 1 1.1. Tổng quan về đo nhịp tim 1 1.1.1. Tìm hiểu tim và nhịp tim 1 1.2. Các phương pháp đo nhịp tim 2 1.2.1. Đo nhịp tim bằng phương pháp tiếp xúc 2 1.2.2. Đo nhịp tim bằng phương pháp không tiếp xúc 5 1.3. Mục tiêu của đề tài 12 1.4. Phương pháp nghiên cứu 12 1.5. Nội dung nghiên cứu 12 1.6. Bố cục luận văn 13 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 14 2.1. Phát hiện gương mặt (Face detection) 14 2.1.1. Giới thiệu về phát hiện gương mặt 14 2.1.2. Các ứng dụng của phát hiện gương mặt 14 2.1.3. Một số hướng tiếp cận trong bài toán phát hiện gương mặt 14 2.2. Lọc nhiễu ảnh (Image noise filters) 15 2.2.1. Nguyên nhân gây ra nhiễu ảnh 16 2.2.2. Một số phương pháp lọc nhiễu phổ biến 16 2.3. Không gian màu (Color spaces) 18 2.3.1. Không gian màu RGB 18 2.3.2. Không gian màu HSV 18 2.3.3. Không gian màu CIE LUV 20 2.4. Phân tích PCA (PCA - Principal Component Analysis) 21 2.5. Phân tích ICA (ICA – Independent Components Analysis) 22 2.5.1. Mô hình ICA cơ bản 22 2.5.2. Các điểm không xác định trong ICA 23 2.6. Biến đổi Fourrier và biến đổi Fourrier nhanh 23 2.7. Giới thiệu công cụ OpenCV 24 2.7.1. OpenCV là gì? 24 2.7.2. Cấu trúc tổng quan 25 CHƯƠNG 3: MẠNG NƠRON TÍCH CHẬP 26 3.1. Trí tuệ nhân tạo và kỹ thuật học sâu 26 3.1.1. Trí tuệ nhân tạo 26 3.1.2. Học máy 26 3.1.3. Học sâu 26 3.2. Mạng nơ – ron và mạng noron tích chập 27 3.2.1. Mạng nơ – ron nhân tạo (Artificial Neural Networks – ANN) 27 3.2.2. Một số kiểu mạng nơ – ron 28 3.3. Mạng neural tích chập (Convolutional Neural Networks – CNN) 30 3.3.1. Khái niệm 30 3.3.2. Một số mạng tích chập nổi tiếng 30 3.4. Kết luận 32 CHƯƠNG 4: THIẾT KẾ ỨNG DỤNG ĐO NHỊP TIM 33 4.1. Phát biểu bài toán 33 4.2. Thu nhận video gương mặt 33 4.3. Phát hiện gương mặt 34 4.3.1. Phương pháp phát hiện gương mặt bằng OpenCV 34 4.3.2. Phương pháp phát hiện gương mặt bằng CNN 35 4.4. Trích vùng ROI 37 4.4.1. Phương pháp Machine Learning (Haar Cascade) 37 4.4.2. Phương pháp sử dụng Mạng Neural Tích Chập (CNN) 39 4.5. Trích thông tin các kênh màu 41 4.5.1. Trích tín hiệu RGB 41 4.5.2. Chuẩn hóa giá trị màu 42 4.6. Phân tích phần tử chính bằng phương pháp PCA 43 4.7. Phân tích phần tử độc lập bằng phương pháp ICA 43 4.8. Biến đổi Fourrier nhanh và trích đỉnh tín hiệu 44 CHƯƠNG 5: THỰC NGHIỆM HỆ THỐNG 46 5.1. Môi trường thực nghiệm 46 5.2. Dữ liệu huấn luyện và kiểm tra. 46 5.3. Kết quả kiểm thử 46 5.3.1. Phương pháp sử dụng Machine Learning (Haar Cascade) 46 5.3.2. Phương pháp sử dụng mạng tích chập (CNN) 47 5.4. Ứng dụng chọn trên mạng 48 5.5. Kết luận 48 5.6. Kiến nghị 48 TÀI LIỆU THAM KHẢO 50 | vi_VN |
| dc.language.iso | vi | vi_VN |
| dc.subject | Kỹ thuật cơ điện tử | vi_VN |
| dc.title | ỨNG DỤNG KỸ THUẬT HỌC SÂU ĐỂ ĐO NHỊP TIM QUA KHUÔN MẶT | vi_VN |
| dc.type | Thesis | vi_VN |
| Appears in Collections: | Trường Bách khoa | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| _file_ Restricted Access | 1.77 MB | Adobe PDF | ||
| Your IP: 18.118.32.6 |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.