Vui lòng dùng định danh này để trích dẫn hoặc liên kết đến tài liệu này: https://dspace.ctu.edu.vn/jspui/handle/123456789/88278
Nhan đề: PHÁT HIỆN TÉ NGÃ DỰA TRÊN HÌNH ẢNH BẰNG HỌC SÂU
Nhan đề khác: VISION-BASED FALL DETECTION USING DEEP LEARNING
Tác giả: Phạm, Nguyên Khang
Nguyễn, Thị Kim Thoa
Từ khoá: KHOA HỌC MÁY TÍNH
Năm xuất bản: 2023
Nhà xuất bản: Trường Đại Học Cần Thơ
Tóm tắt: Phát hiện té ngã là một bài toán quan trọng trong việc giúp đỡ và chăm sóc người cao tuổi, người bị bệnh thần kinh hoặc tim mạch, hoặc người có nguy cơ té ngã. Phát hiện té ngã dựa trên hình ảnh là một phương pháp sử dụng camera để theo dõi và phân tích hành động của con người, nhận biết các trường hợp té ngã và cảnh báo kịp thời. Phương pháp này có ưu điểm là không cần đeo thiết bị, không gây khó chịu cho người dùng, và có thể áp dụng cho nhiều môi trường khác nhau. Tuy nhiên, phát hiện té ngã dựa trên hình ảnh cũng gặp nhiều thách thức, như sự che khuất, biến đổi ánh sáng, đa dạng tư thế và loại té ngã. Để giải quyết những thách thức này, nhiều nghiên cứu đã áp dụng học sâu để xây dựng các mô hình phát hiện té ngã hiệu quả và chính xác. Học sâu là một lĩnh vực của học máy, sử dụng các mạng nơ-ron nhân tạo có nhiều lớp để học được các đặc trưng phức tạp từ dữ liệu. Bằng cách sử dụng Detectron2 để trích đặc trưng 17 điểm của cơ thể người và dùng dữ liệu 17 điểm đó để huấn luyện mô hình bằng mạng LSTM dùng cho việc dự đoán, phát hiện té ngã. Detectron2 là một công cụ phát triển mã nguồn mở có thể nhận diện được các điểm quan trọng của cơ thể người, như đầu, vai, khuỷu tay, cổ tay, háng, đầu gối và mắt cá chân. Bằng cách sử dụng Detectron2, ta có thể biến một bức ảnh thành một vector 17 điểm, mỗi điểm có tọa độ x, y. Mạng LSTM là một loại mạng nơ-ron hồi quy, có khả năng xử lý các chuỗi dữ liệu có độ dài biến thiên. Mạng LSTM có thể học được các mối quan hệ giữa các phần tử trong chuỗi và ghi nhớ được các thông tin quan trọng trong quá khứ. Bằng cách sử dụng mạng LSTM, ta có thể huấn luyện một mô hình phân loại các chuỗi 17 điểm thành 5 lớp: đứng, nằm, ngồi, cúi, bò. Và trường hợp không thể phân lớp được thì sẽ đưa vào dự đoán té ngã hoặc không có người. Kết quả cho thấy mô hình phát hiện té ngã dựa trên hình ảnh bằng học sâu, sử dụng Detectron2 để trích đặc trưng 17 điểm của cơ thể người và dùng dữ liệu 17 điểm đó để huấn luyện mô hình bằng mạng LSTM, có độ chính xác trên tập kiểm tra là 85,61%. Đây là một kết quả khả quan và có ý nghĩa thực tiễn trong việc phát triển các hệ thống phát hiện té ngã thông minh và hiệu quả.
Mô tả: 51 Tr
Định danh: https://dspace.ctu.edu.vn/jspui/handle/123456789/88278
Bộ sưu tập: Trường Công nghệ Thông tin & Truyền thông

Các tập tin trong tài liệu này:
Tập tin Mô tả Kích thước Định dạng  
_file_
  Giới hạn truy cập
3.01 MBAdobe PDF
Your IP: 13.59.67.189


Khi sử dụng các tài liệu trong Thư viện số phải tuân thủ Luật bản quyền.