ĐẠI HỌC ĐÀ NẴNG

TRƯỜNG ĐẠI HỌC BÁCH KHOA

HOÀNG THỊ MINH HUYỀN

PHÂN TÍCH DÁNG ĐI CHỐNG ĐAU

SỬ DỤNG MÁY VÉC TƠ HỖ TRỢ

Chuyên ngành : Khoa học máy tính

Mã số : 8480101

LUẬN VĂN THẠC SĨ KỸ THUẬT

Người hướng dẫn khoa học: TS. HUỲNH HỮU HƯNG

Đà Nẵng - Năm 2018

 LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi dưới sự hướng
dẫn trực tiếp của TS. Huỳnh Hữu Hưng.

Mọi tham khảo dùng trong luận văn đều được trích dẫn rõ ràng tên tác giả,
tên công trình, thời gian, địa điểm công bố.

Mọi sao chép không hợp lệ, vi phạm quy chế đào tạo, hay gian trá, tôi xin
chịu hoàn toàn trách nhiệm.

Tác giả

Hoàng Thị Minh Huyền

 MỤC LỤC
TRANG BÌA
LỜI CAM ĐOAN
MỤC LỤC
TRANG TÓM TẮT LUẬN VĂN
DANH MỤC CÁC TỪ VIẾT TẮT
DANH MỤC CÁC BẢNG
DANH MỤC CÁC HÌNH
MỞ ĐẦU .......................................................................................................................1
1. Lý do chọn đề tài .................................................................................................1
2. Mục tiêu nghiên cứu ............................................................................................2
3. Đối tượng và phạm vi nghiên cứu .......................................................................2
4. Phương pháp nghiên cứu .....................................................................................2
5. Ý nghĩa khoa học và thực tiễn của đề tài .............................................................3
6. Cấu trúc luận văn.................................................................................................3
CHƯƠNG 1. DÁNG ĐI CHỐNG ĐAU ........................................................................4
1.1. CÁC GIAI ĐOẠN TRONG DÁNG ĐI Ở NGƯỜI ..........................................4
1.1.1. Giai đoạn tựa (chống) ...........................................................................4
1.1.2. Giai đoạn đu đưa ...................................................................................5
1.2. CÁC THAY ĐỔI DÁNG ĐI TRÊN LÂM SÀNG ...........................................6
1.3. DÁNG ĐI CHỐNG ĐAU ................................................................................7
1.3.1. Định nghĩa dáng đi chống đau ..............................................................7
1.3.2. Nguyên nhân .........................................................................................8
1.3.3. Các triệu chứng của dáng đi chống đau ................................................9
1.3.4. Cách chẩn đoán bệnh ..........................................................................10
1.4. TỔNG KẾT CHƯƠNG 1 ...............................................................................12
CHƯƠNG 2. TỔNG QUAN VỀ PHÂN TÍCH DÁNG ĐI ..........................................13
2.1. PHÂN TÍCH DÁNG ĐI .................................................................................13
2.1.1. Sử dụng cảm biến ...............................................................................13
2.1.2. Sử dụng dữ liệu thu được từ camera ...................................................14
2.2. TRÍCH ĐẶC TRƯNG ...................................................................................17
2.2.1. Thuộc tính số ......................................................................................18
2.2.2. Thuộc tính nhị phân ............................................................................20
2.3. CÁC PHƯƠNG PHÁP PHÂN TÍCH DÁNG ĐI ..........................................21
 2.3.1. Phương pháp dựa vào đặc trưng..........................................................21
2.3.2. Phương pháp dựa vào mô hình ...........................................................22
2.4. TỔNG KẾT CHƯƠNG 2 ...............................................................................29
CHƯƠNG 3. PHÂN TÍCH DÁNG ĐI CHỐNG ĐAU SỬ DỤNG MÁY VÉC TƠ
HỖ TRỢ ......................................................................................................................30
3.1. TỔNG QUAN VỀ HỆ THỐNG .....................................................................30
3.2. XÂY DỰNG DỮ LIỆU .................................................................................31
3.2.1. Phần mềm thiết kế 3D MakeHuman ...................................................31
3.2.2. Phần mềm Blender ..............................................................................32
3.3. TRÍCH ĐẶC TRƯNG HOG .........................................................................34
3.4. HUẤN LUYỆN..............................................................................................38
3.4.1. Bài toán phân lớp ................................................................................38
3.4.2. Xây dựng mô hình phân lớp sử dụng SVM để nhận dạng dáng đi ......39
3.4.3. Phát hiện dáng đi chống đau ...............................................................39
3.5. KẾT QUẢ THỰC NGHIỆM .........................................................................39
3.5.1. Dữ liệu thử nghiệm .............................................................................39
3.5.2. Quá trình thực nghiệm ........................................................................41
3.5.3. Kết quả thử nghiệm.............................................................................44
3.6. TỔNG KẾT CHƯƠNG 3 ...............................................................................44
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ...................................................................45
TÀI LIỆU THAM KHẢO ...........................................................................................46
QUYẾT Đ NH GIAO ĐỀ TÀI LUẬN VĂN THẠC SĨ (BẢN SAO)
BẢN SAO KẾT LUẬN CỦA HỘI ĐỒNG, BẢN SAO NHẬN XÉT CỦA CÁC
PHẢN BIỆN
 TRANG TÓM TẮT LUẬN VĂN

PHÂN TÍCH DÁNG ĐI CHỐNG ĐAU SỬ DỤNG MÁY VÉC TƠ HỖ TRỢ

Học viên: Hoàng Thị Minh Huyền Chuyên ngành: Khoa học máy tính
Mã số: 84800101 Khóa: K34.KMT.QB Trường Đại học Bách khoa - ĐH Đà Nẵng

Tóm tắt: Ngày nay, các nghiên cứu trong lĩnh vực thị giác máy tính hỗ trợ rất nhiều
cho công tác y tế, đặc biệt là ứng dụng phân tích dáng đi để chẩn đoán và phát hiện các
bệnh tiềm ẩn liên quan đến khung xương. Trong luận văn này đề xuất giải pháp phân
tích dáng đi chống đau của bệnh nhân bị bệnh xương khớp sử dụng máy véc tơ hỗ trợ.
Quá trình xử lý bao gồm các bước: (1) xây dựng dữ liệu; (2) trích đặc trưng HoG; (3)
huấn luyện dữ liệu đặc trưng và thu được mô hình dữ liệu đã phân lớp; (4) tiến hành
nhận dạng để đưa ra kết luận.
Từ khóa –Thị giác máy tính, phân tích dáng đi, dáng đi chống đau, đặc trưng HOG,
học máy vectơ hỗ trợ.

GAIT ANTI PAIN ANALYSIS USE SUPPORT VECTOR MACHINE

Abstract: Nowaday, researchs in computer vison a lot of support for medical work,
especially the gait analysis application to diagnose and detect underlying diseases
associated with the skeleton. In this essay proposed solutions gait anti pain analysis of
osteoarthritis patients use support vecto machine. The process consists of steps: (1)
building data; (2) selective features HoG; (3) Characteristic data training and obtained
stratified data model; (4) Conduct the identification to make conclusions.
Keywords– Computer vision, gait analysis, antalgic gait, HOG features, support
vector machine (SVM).
 DANH MỤC CÁC TỪ VIẾT TẮT

2D Two Dimension
3D Three Dimension
AMI Accumulated Motion Image
HOG Histogram of Oriented Gradients
LDA Linear Discriminant Analysis
MLP Multilinear Principal Components
MMH Maximum Marginal Hyperland
MII Motion Intensity Image
NB Naïve Bayes
SVM Support Vector Machine
 DANH MỤC CÁC BẢNG

Bảng 2.1. Tổng hợp các đặc trưng dáng đi trong nghiên cứu[43]. ...............................21
Bảng 2.2. Tỷ lệ phân loại sử dụng dữ liệu từ tính năng chụp không đánh dấu .............23
Bảng 3.1. Số khung hình lấy từ mỗi nhân vật. .............................................................40
Bảng 3.2. Kết quả nhận dạng dáng đi. .........................................................................44
 DANH MỤC CÁC HÌNH
Hình 1.1. Chu kỳ dáng đi gồm 8 giai đoạn. ...................................................................4
Hình 1.2. Mô tả khung xương chân cho giai đoạn chống. ..............................................4
Hình 1.3. Mô tả khung xương chân cho giai đoạn đu đưa..............................................5
Hình 1.4. Chuỗi hình minh họa dáng đi chống đau. .......................................................8
Hình 1.5. Khớp bình thường và viêm xương khớp. .....................................................11
Hình 2.1. Hình ảnh thảm cảm biến trên sàn nhà. .........................................................13
Hình 2.2. Hình chiếu và các đặc trưng sử dụng trong nghiên cứu................................14
Hình 2.3. Hệ thống giám sát hành vi té ngã. ................................................................15
Hình 2.4. Camera Kinect và hệ thống máy tính thử nghiệm. .......................................15
Hình 2.5. Định vị không đánh dấu (markerless) ở nhiều góc quay khác nhau. ............16
Hình 2.6. Hình ảnh thu được trong nghiên cứu. ...........................................................17
Hình 2.7. Một ví dụ về MII, với các dòng lần lượt là chuỗi ảnh đầu vào, chuỗi hình
chiếu đối tượng trước và sau khi canh giữa, cuối cùng là MII. .................18
Hình 2.8. Ví dụ về ảnh chuyển động tích lũy. ..............................................................19
Hình 2.9. Ví dụ về hai đối tượng thực hiện cùng hành động với vẻ bên ngoài khác
nhau nhưng có thuộc tính đồng nhất. ........................................................19
Hình 2.10. Các vectơ chỉ hướng tương ứng với luồng quang học. ...............................20
Hình 2.11. Một số đặc trưng quan hệ hình học. ...........................................................20
Hình 2.12. Đường nét liền trên hình là đường phân chia tập dữ liệu gồm hai thuộc tính.24
Hình 2.13. Một bộ dữ liệu hai chiều được phân chia tuyến tính. Có vô hạn đường
thẳng phân chia tuyến tính có thể. .............................................................25
Hình 2.14. Hai siêu phẳng phân chia tuyến tính cùng với biên độ của nó. Cái có biên
độ lớn hơn sẽ phân loại chính xác hơn. .....................................................26
Hình 2.15. Minh họa đường biểu diễn H1, H2 và support vectors. ..............................27
Hình 2.16. Minh họa chức năng của kernel SVM. .......................................................29
Hình 3.1. Giải pháp đề xuất. .......................................................................................31
Hình 3.2. Giao diện công cụ MakeHuman. ..................................................................32
Hình 3.3. Giao diện phần mềm Blender. ......................................................................33
Hình 3.4. Dữ liệu dáng đi chống đau. ..........................................................................33
Hình 3.5. Ảnh đầu vào và HoG. ...................................................................................35
Hình 3.6. Chia khối trích đặc trưng HOG. ...................................................................36
Hình 3.7. Các bước rút trích đặc trưng HOG. ..............................................................37
Hình 3.8. Chuỗi ảnh thể hiện dáng đi bình thường và chống đau. ...............................40
Hình 3.9. Giao diện làm việc và nhân vật mặc định.....................................................41
Hình 3.10. Nhân vật sau khi chỉnh sửa. .......................................................................41
Hình 3.11. Thêm khung xương cho nhân vật. ..............................................................42
Hình 3.12. Giao diện ban đầu của Blender. .................................................................42
Hình 3.13. Nhân vật được import vào Blender. ...........................................................43
Hình 3.14. Minh họa kết quả nhận dạng. .....................................................................43
 1

MỞ ĐẦU

1. Lý do chọn đề tài
Các phương pháp sinh trắc học để nhận diện con người dựa trên đặc điểm sinh
lý/hành vi của đối tượng như nhận dạng khuôn mặt, giọng nói, mống mắt, vân tay,
hình dạng tay và dáng đi, đã và đang đóng vai trò ngày càng quan trọng trong việc
nhận dạng con người dựa trên tính phổ biến và độc đáo của chúng.
Y học hiện đại cho rằng: dáng đi của người khỏe mạnh cũng có những biểu hiện
khác nhau tùy theo tuổi tác, tình trạng sức khỏe. Ví dụ về tuổi tác, trẻ em thích đi gấp
hoặc chạy chầm chậm, thanh niên khỏe mạnh đi nhanh mạnh mẽ, người già thì thường
đi chậm với những bước nhỏ. Tuy nhiên, khi con người mắc một số bệnh nào đó có thể
làm cho dáng đi thay đổi rất lớn và có tính đặc trưng nhất định.
Theo các chuyên gia y tế, bệnh xương khớp chiếm tới ⅓ dân số thế giới. Tỉ lệ
người trên 55 tuổi bị bệnh đã lên tới 80%. Tại Việt Nam, có khoảng 7% dân số đang
gặp phải các vấn đề về xương khớp, tương đương với khoảng hơn 6 triệu người. Nếu
cứ diễn biến theo tình hình hiện tại thì đến năm 2020, con số này sẽ là 10 triệu người.
Tại các bệnh viện lớn, mỗi ngày có hàng trăm bệnh nhân tới khám và tái khám bệnh
xương khớp, trong đó có tới phân nửa phải nhập viện và điều trị.Trước đây, xương
khớp chủ yếu gặp ở người cao tuổi, tuy nhiên hiện nay, có tới 30% người trên 35 tuổi
bị bệnh, và tỉ lệ này vẫn đang có dấu hiệu gia tăng [18].
Bệnh lý cơ xương khớp là vấn đề sức khỏe đang được thế giới rất quan tâm, vì
quy mô lớn và hệ quả nghiêm trọng của bệnh trong cộng đồng. Bệnh ít khi dẫn đến tử
vong và không biểu hiện nguy kịch như bệnh tim mạch, hô hấp, ung thư… nhưng tần
suất của bệnh cao nhất, đồng thời là nguyên nhân chính gây đau, mất chức năng vận
động và giảm chất lượng cuộc sống.
Ngày nay, các nghiên cứu trong lĩnh vực thị giác máy tính hỗ trợ rất nhiều cho
công tác y tế, đặc biệt là các nghiên cứu phân tích dáng đi giúp quan sát bệnh nhân và
có thể phát hiện sớm một số bệnh tật. Ứng dụng phân tích dáng đi trong lĩnh vực y tế
đã được triển khai từ rất sớm để chẩn đoán và phát hiện các bệnh tiềm ẩn liên quan đến
khung xương [16].
Trong các phương pháp học máy, SVM là một phương pháp hiệu quả cho bài
toán phân lớp dữ liệu. Nó là một công cụ đắc lực cho các bài toán về xử lý ảnh, phân
loại văn bản, phân tích quan điểm. SVM thể hiện được nhiều ưu điểm, như: tính toán
hiệu quả trên các tập dữ liệu lớn, tiết kiệm được bộ nhớ. Một yếu tố làm nên hiệu quả
 2

của SVM đó là việc sử dụng Kernel function khiến cho các phương pháp chuyển
không gian trở nên linh hoạt hơn [19].
Tổng hợp những lí do trên, tôi đề xuất chọn đề tài luận văn cao học: “Phân tích
dáng đi chống đau sử dụng máy véc tơ hỗ trợ”.
2. Mục tiêu nghiên cứu
2.1. Mục tiêu
Mục tiêu của đề tài là xây dựng giải pháp sử dụng máy véc tơ hỗ trợ (SVM) để
phân tích dáng đi chống đau, từ đó nhận dạng dáng đi của người thu được từ camera
thuộc dáng đi chống đau hay không?
2.2. Nhiệm vụ
Với mục tiêu như trên, đề tài thực hiện những nhiệm vụ sau:
- Tìm hiểu một số triệu chứng lâm sàng về bệnh xương khớp là nguyên nhân
tạo ra dáng đi chống đau ở người;
- Tìm hiểu phương pháp học máy: máy véc tơ hỗ trợ;
- Nghiên cứu giải pháp phân tích dáng đi của người có dáng đi chống đau bằng
máy véc tơ hỗ trợ;
- Xây dựng chương trình demo để kiểm tra kết quả.
3. Đối tượng và phạm vi nghiên cứu
3.1. Đối tượng nghiên cứu
- Dáng đi chống đau của những người bị bệnh đau ở bàn chân, mắt cá chân, đầu
gối, hông hoặc xương chậu;
- Phương pháp huấn luyện học máy: máy véc tơ hỗ trợ (SVM);
- Các phương pháp nhận dạng dựa trên dáng đi.
3.2. Phạm vi nghiên cứu
Nghiên cứu phân tích dáng đi chống đau với dữ liệu từ camera hoặc dữ liệu có
sẵn.
4. Phương pháp nghiên cứu
4.1. Nghiên cứu lý thuyết
- Tìm hiểu các tài liệu về bệnh xương khớp ở chân: bàn chân, mắt cá chân, đầu
gối, hông hoặc xương chậu;
- Tìm hiểu các tài liệu về xử lý ảnh;
 3

- Tìm hiểu về bài toán phân tích dáng đi;

- Tìm hiểu phương pháp phân lớp sử dụng máy véc tơ hỗ trợ;
- Nghiên cứu các bài báo liên quan.
4.2. Nghiên cứu thực nghiệm
- Xây dựng dữ liệu;
- Xây dựng mô hình;
- Đánh giá kết quả.
5. Ý nghĩa khoa học và thực tiễn của đề tài
5.2. Ý nghĩa khoa học của đề tài
Cung cấp về mặt lý thuyết và phương pháp phân tích dáng đi, được áp dụng trong
các hướng nghiên cứu sâu hơn, cụ thể hơn.
5.3. Ý nghĩa thực tiễn của đề tài
Có thể hoàn chỉnh và phát triển để ứng dụng trong lĩnh vực y tế nhằm hỗ trợ trong
việc chẩn đoán các bệnh liên quan đến khung xương là nguyên nhân gây ra dáng đi
chống đau.
6. Cấu trúc luận văn

Nội dung của luận văn được trình bày bao gồm các phần chính như sau:
Chương 1. Dáng đi chống đau
Chương này trình bày tổng quan các giai đoạn của một dáng đi bình thường, các
thay đổi dáng đi trên lâm sàng. Ngoài ra còn trình bày một số vấn đề của dáng đi
chống đau như: định nghĩa dáng đi chống đau, nguyên nhân gây nên dáng đi chống
đau, các triệu chứng và cách chẩn đoán bệnh cho bệnh nhân có dáng đi chống đau.
Chương 2. Tổng quan về phân tích dáng đi
Chương này giới thiệu các hướng tiếp cận bài toán phân tích dáng đi, các
phương pháp phân tích dáng đi, đồng thời giới thiệu các cách biểu diễn đặc trưng
được sử dụng trong phân tích dáng đi.
Chương 3. Phân tích dáng đi chống đau sử dụng máy véc tơ hỗ trợ
Chương này mô tả giải pháp đề xuất của phương pháp phân tích dáng đi sử dụng
máy véc tơ hỗ trợ gồm trích xuất đặc trưng HOG, xây dựng mô hình dựa trên mô hình
máy véc tơ hỗ trợ SVM, tính ngưỡng xác xuất để nhận biết dáng đi chống đau của
người bị bệnh xương khớp, trình bày kết quả thực nghiệm của giải pháp đề xuất.
Kết luận và hướng phát triển
 4

CHƯƠNG 1. DÁNG ĐI CHỐNG ĐAU

1.1. CÁC GIAI ĐOẠN TRONG DÁNG ĐI Ở NGƯỜI

Dáng đi được định nghĩa là chuỗi liên tục thành nhịp các giai đoạn đu đưa
(swing) và tựa (support) của hai chân khi bàn chân hoặc ở trong không (đu đưa) hoặc
tiếp xúc với đất (tựa).Dáng đi được đặc trưng bởi có một giai đoạn tựa kép trong đó cả
hai chân tiếp xúc với đất, xen kẽ với các giai đoạn tựa đơn khi chân kia đưa tới trước
để bước tiếp. Trong khi đi không có giai đoạn hai chân đều hở đất (nghĩa là giai đoạn
bay).

Hình 1.1.Chu kỳ dáng đi gồm 8 giai đoạn.

1.1.1. Giai đoạn tựa (chống)

Giai đoạn tựa là khi bàn chân tiếp xúc với đất, tính từ thời điểm bàn chân chạm
đất đến khi bàn chân rời khỏi đất. Giai đoạn này thường được chia thành các thì: thì
tiếp đất (hay chạm đất) , thì chuyển trọng lượng, giữa thì tựa, cuối thì tựa (nhấc gót),
và tiền thì đu (nhấc ngón chân).

Hình 1.2.Mô tả khung xương chân cho giai đoạn chống.

 5

- Thì tiếp đất (chạm đất): Giai đoạn này bao gồm thời điểm khi gót chân 1 chạm
sàn.
- Thì chuyển trọng lượng: Giai đoạn này bắt đầu khi chân 1 bắt đầu tiếp xúc với
mặt sàn và tiếp tục cho đến khi gót chân 2 được nâng lên. Ở cuối giai đoạn chuyển
trọng lượng, bàn chân 1 tiếp xúc hoàn toàn với mặt sàn.
- Giữa thì chống: Trong suốt giữa thì chống, chân 1 chống đỡ toàn bộ trọng
lượng cơ thể trong khi chân 2 đu ra trước. Giữa thì chống bắt đầu khi chân 2 được
nâng lên và tiếp tục cho đến khi trọng lượng cơ thể đặt hết lên bàn chân 1.
- Cuối thì chống: Giai đoạn này hoàn thành giai đoạn chống đơn. Tư thế này bắt
đầu khi gót chân 1 nâng lên và tiếp tục cho đến khi chân 2 chạm mặt đất. Trong suốt
giai đoạn này, trọng lượng cơ thể di chuyển về phía trước của bàn chân 2. Ở cuối giai
đoạn chống, khối cơ thể tiếp tục tiến ra trước trên chân 2 trong khi thân đổ ra trước.
- Tiền thì đu: Giai đoạn này xảy ra khi chân 2 tiến từ giai đoạn gót chạm đất đến
giai đoạn chuyển trọng lượng [20].
1.1.2. Giai đoạn đu đưa
Giai đoạn đu đưa xảy ra từ lúc bàn chân rời đất đến khi bàn chân đó chạm đất lại.
Giai đoạn này thường được chia thành đầu thì đu, giữa thì đu và cuối thì đu.
Tỷ lệ thời gian tương ứng sử dụng trong hai giai đoạn đu đưa và tựa thay đổi
đáng kể khi đi và chạy. Khi đi bình thường thì tựa chiếm 60%, giai đoạn đu đưa chiếm
40%. Khi đi nhanh và chạy, thời gian giai đoạn tựa giảm đi đồng thời thời gian giai
đoạn đu đưa sẽ tăng lên. Ví dụ như: chạy vừa có thời gian tựa là 55%,thời gian đua
đưa là 45% và chạy nhanh có thời gian tựa là 50%, thời gian đu đưa là 50% [17].

Hình 1.3. Mô tả khung xương chân cho giai đoạn đu đưa.

- Đầu thì đu: Trong suốt đầu thì đu, chân 1 bị đẩy ra trước. Giai đoạn này chiếm
khoảng một phần ba của thời kỳ đu, bắt đầu bằng việc nâng bàn chân từ mặt sàn lên và
kết thúc khi đầu bàn chân 1 đối diện với chân 2. Trong giai đoạn này, bàn chân 1 được
nâng lên, hông và đầu gối chân 1 gập để đưa các chi lên.
 6

- Giữa thì đu: Giai đoạn này bắt đầu khi chân 1 đối diện với chân 2 và kết thúc
khi chân 1 tiến tới trước. Lúc này, xương ống chân 1 thẳng đứng, đầu gối kéo dài phản
ứng với trọng lực, trong khi mắt cá chân tiếp tục gập mu bàn chân.
- Cuối thì đu: Giai đoạn này bắt đầu khi xương ống chân 1 thẳng đứng và kết
thúc khi bàn chân 1 chạm sàn và hướng về phía trước. Trong giai đoạn này, đầu gối
mở rộng, khớp gối duỗi, khớp cổ chân ở vị trí trung gian.
1.2. CÁC THAY ĐỔI DÁNG ĐI TRÊN LÂM SÀNG
Có thể nhìn dáng đi để đoán biết sức khỏe - đó là nhận định từ các chuyên gia
sau một quá trình nghiên cứu về vấn đề này. Tư thế đi có liên quan đến mức độ đồng
bộ của nhiều bộ phận khác nhau trên cơ thể bao gồm: tay, lưng, xương chậu, hông, đầu
gối, bắp chân, các cơ gân kheo (cơ kéo) và bàn chân nhằm giữ thăng bằng khi bạn
bước về phía trước. Nhiều bệnh lý ảnh hưởng đến dáng đi và chức năng đi lại của bệnh
nhân. Sau đây là một số dáng đi bệnh lý thường gặp:
- Dáng đi chống đau: Đây là dáng đi của người bị đau khớp. Để giảm đau bệnh
nhân rút ngắn thời gian tựa ở bên đau và nhanh chóng chuyển trọng lượng sang chân
không bị đau.
- Dáng đi cứng khớp háng: Khi khớp háng bị cứng, bệnh nhân không thể gấp
khớp háng khi đi để nhấc chân lên hở đất trong thì đu đưa.
- Dáng đi khớp háng không vững: Sự vững của khớp háng khi đi là nhờ các đầu
xương của khớp được giữ trong vị trí vững bởi các cơ và dây chằng quanh khớp.
Trong trường hợp này, bệnh nhân có thể có một trong hai dáng đi sau bởi phụ thuộc
các yếu tố kèm theo.
+ Dáng đi Trendelenberg: Như trường hợp phá vỡ giải phẫu bên phải
trong gãy cổ xương đùi chưa liền. Hoạt động của cơ mông nhỡ kéo xương chậu
xuống dưới trong thì tựa không hiệu quả hoặc yếu do mất một điểm tựa vững.
Xương chậu hạ xuống ở phía bên kia (tức là bên trái) gây nên mất thăng bằng.
+ Dáng đi cơ mông nhỡ: Khi cơ mông nhỡ phải bị liệt, nó không thể kéo
xương chậu phải xuống do giảm chức năng cơ dạng ở trong thì tựa.
- Dáng đi chân ngắn: Chân ngắn chân dài trở nên rõ khi một chân ngắn hơn chân
kia 1 inch (2,5 cm). Dáng đi nghiêng chậu xuống dưới rõ và biến dạng bàn chân ngựa.
- Dáng đi bước cao: Khi bàn chân rũ (yếu cơ gập mu chân), bàn chân vỗ lên đất
khi đánh gót và sau đó rũ xuống trong thì đu đưa. Để đưa bàn chân hở đất, khớp háng
gấp nhiều hơn tạo nên dáng đi bước cao.
- Dáng đi cây kéo: Đây là dáng đi đặc trưng của một trẻ bại não, co cứng rõ rệt
hai háng và cổ chân gập lòng.
 7

- Dáng đi bệnh nhân Parkinson: Thân người gập về phía trước, đi bước nhỏ,
nhanh, chân đi với tầm vận động nhỏ hơn…
- Dáng đi liệt nửa người:Quét vòng (dạng chân) để hở chân liệt trong thì đu đưa.
- Dáng đi thất điều: Đi lảo đảo, mất thăng bằng như người say rượu
- Dáng đi lật bật:Bệnh nhân đi lên các ngón chân như bị đẩy, bắt đầu đi chậm
sau nhanh dần cho đến khi bệnh nhân vịn để ngừng lại
- Dáng đi chân ngựa: Đi gập cổ chân do hoạt động quá mức cơ gấp lòng bàn
chân.
- Dáng đi co cứng: Thấy trong liệt cứng hai chân, vận động cứng, hai chân sát
nhau, háng và gối gấp nhẹ, co rút bàn chân[17].
1.3. DÁNG ĐI CHỐNG ĐAU
Bệnh nhân bị đau chân sẽ ảnh hưởng đáng kể đến khả năng đi bộ. Một bệnh nhân
được cho là có dáng đi chống đau khi bệnh nhân tránh gây áp lực lên chân bị đau khi
đi bộ. Có thể có nhiều nguyên nhân dẫn đến dáng đi chống đau như:bị bệnh về xương
khớp ở chân, bị chấn thương, bị biến dạng khớp,…Những khó khăn trong quá trình đi
bộ dẫn đến những hạn chế nhất định trong một số hoạt động.
1.3.1. Định nghĩa dáng đi chống đau
Dáng đi chống đau là khi bệnh nhân cố gắng tránh đặt trọng lượng cơ thể lên
chân bị đau trong khi đi bộ. Khi đi bộ, trọng lượng cơ thể sẽ được truyền qua chân
xuống đất. Vì vậy, với những bệnh nhân bị đau chân để giảm đau khi đi bộ, người
bệnh cố gắng đặt trọng lượng cơ thể lên chân bị đau càng nhỏ càng tốt trong thời gian
ngắn nhất có thể trong giai đoạn tựa của chu kỳ dáng đi và thường chuyển trọng lượng
đột ngột sang chân không bị đau. Sải chân được rút ngắn ở phía bên chân bị đau, ảnh
hưởng đến nhịp điệu của chu kỳ dáng đi bình thường của bệnh nhân. Những bệnh nhân
đau ở khớp chân, đầu gối hoặc khớp hông thường sẽ có dáng đi chống đau. Dáng đi
chống đau có thể là dáng đi của bất cứ ai ở mọi lứa tuổi, những người cao tuổi hay trẻ
nhỏ; những vận động viên dường như bị nó thường xuyên hơn và dáng đi chống đau
được nhìn thấy ở nam giới nhiều hơn phụ nữ [22].
 8

Hình 1.4.Chuỗi hình minh họa dáng đi chống đau.

Dáng đi chống đau có thể xuất hiện đột ngột hoặc dần dần do bệnh hoặc tổn
thương dây thần kinh hoặc hệ thống cơ xương. Nó có thể nhẹ, trung bình hoặc nặng,
tạm thời hoặc vĩnh viễn.
Một ví dụ về dáng đi chống đau xuất hiện đột ngột là khi bạn ngồi trên bàn chân
hoặc chân của bạn để ở một vị trí khó xử trong một thời gian. Khi bạn đứng dậy, bàn
chân hoặc chân của bạn cảm thấy như nó đang bị tấn công bởi vô số cái kim. Những
lúc như vậy, bạn sẽ đi bộ với dáng đi chống đau cho đến khi cảm giác bình thường trở
lại. Một ví dụ khác về dáng đi chống đau đến dần dần là dáng đi của một người đang
bị bệnh gút. Bệnh gút là một dạng viêm khớp ảnh hưởng đến các khớp, chủ yếu là
khớp ở chân ngón cái, nơi tinh thể axít uric có thể tích lũy. Nó rất phổ biến và rất đau
đớn. Nhiều bệnh nhân mô tả bệnh gút là cảm giác như ngón chân của họ đang bốc
cháy, và trong thời gian bùng phát, họ buộc phải đi bộ với dáng đi chống đau[22].
1.3.2. Nguyên nhân
Có nhiều yếu tố có thể gây ra dáng đi chống đau. Tùy vào độ tuổi để có những
nguyên nhân thường gặp, chẳng hạn đối với trẻ em, nguyên nhân phổ biến nhất gây ra
dang đi chống đau là chấn thương, tiếp theo là do nhiễm trùng và viêm:
- Chấn thương: Đây thường là chấn thương nhẹ và sẽ tự lành. Tuy nhiên trong
trường hợp trẻ đi với dáng đi chống đau kéo dài thì có thể trẻ đã bị gãy xương ở chân.
- Nhiễm trùng: Nhiễm vi rút hoặc vi khuẩn trong xương và khớp đang phát triển
có thể gây đau và gây nên dáng đi chống đau ở trẻ nhỏ.
- Viêm khớp: Viêm khớp phổ biến ở người lớn từ 65 tuổi trở lên, tuy nhiên ở trẻ
em một số cũng mắc phải bệnh này. Nó ảnh hưởng đến các khớp xương và gây đau,
sưng.
 9

Đối với những người lớn tuổi, có 2 loại viêm khớp có thể gây đau và gây ra dáng
đi chống đau như sau:
- Viêm xương khớp (bệnh khớp thoái hóa) là bệnh mà các khớp trở nên đau và
cứng. Bệnh viêm xương khớpthường gặp ở đầu gối, háng và xương sống. Đôi khi,
những khớp khác như khớp ở bàn tay vẫn có thể xuất hiện triệu chứng như trên. Trong
các khớp xương này có một bộ phận gọi là sụn, sụn có chức năng đệm khi hai đầu
xương ở các khớp này chạm vào nhau. Khi bị viêm khớp, sụn bị hủy hoại và mất khả
năng đệm cho xương do đó sẽ không còn hàng rào bảo vệ giữa hai đầu xương nữa. Các
xương sẽ cọ xát vào nhau khi bệnh nhân cử động dẫn đến các khớp trở nên sưng và
đau đớn.
- Bệnh viêm khớp dạng thấp hay còn gọi là bệnh viêm đa khớp dạng thấp. Bệnh
gây viêm (đỏ, sưng) dẫn đến đau, xơ cứng và sưng khớp, phần lớn là khớp tay, khớp
lưng, khớp bàn chân và khớp gối. Viêm khớp mắt cá, khớp gối hoặc khớp bàn chân có
thể gây khó khăn cho bệnh nhân khi đi đứng và cúi người.
Những bệnh như: bệnh gút, bệnh viêm khớp vảy nến cũng là những dạng của
bệnh viêm khớp. Vì vậyđó cũng là một trong những nguyên nhân gây ra dáng đi chống
đau cho những bệnh nhân mắc những bệnh này. Ngoài ra dáng đi chống đau còn có thể
bị gây ra bởi nhiều nguyên nhân khác như: sự biến dạng của khớp và chân; bị chấn
thương do tai nạn (tai nạn lao động, tai nạn giao thông, tai nạn khi chơi thể thao); đau
thần kinh tọa;các khối u ở bàn chân, chân hoặc hông; tổn thương cơ hoặc gân; …[21].
1.3.3. Các triệu chứng của dáng đi chống đau
Có những triệu chứng và dấu hiệu cụ thể của dáng đi chống đau mà bác sĩ tìm
kiếm khi chẩn đoán. Sau đây là một số các triệu chứng đặc trưng cho dáng đi chống
đau:
- Phong cách đi bộ không bình thường: thay đổi dáng đi để giảm đau bởi nếu đi
bộ bình thường thì sẽ làm tăng cảm giác đau cho người bệnh;
- Độ dài của bước chân ngắn hơn độ dài bước chân của dáng đi bình thường;
- Độ dài của bước đi không giống nhau, cụ thể là chân bị đau sẽ có bước đi ngắn
hơn chân không bị đau;
- Tốc độ bước đi giảm;
- Thời gian ở giai đoạn đu đưa của chân đau sẽ tăng và ở chân không đau sẽ
giảm;
- Thời gian ở giai đoạn tựa của chân đau sẽ giảm và ở chân không đau sẽ
tăng[21].
 10

1.3.4. Cách chẩn đoán bệnh

Dáng đi chống đau là một dáng đi không bình thường, rất dễ nhìn thấy và được
bác sĩ điều trị phát hiện bằng mắt thường. Tuy nhiên như trên đã trình bày, có thể có
rất nhiều nguyên gây ra dáng đi chống đau và cũng tùy vào lứa tuổi để có một số
nguyên nhân cụ thể thườnggặp. Đây là lý do quan trọng tại sao bác sĩ phải tìm thấy
nguyên nhân khi bệnh nhân có dáng đi chống đau, hoặc nếu bệnh nhân đang thay đổi
cách họ đi bộ để giảm đau ở: chân, mắt cá chân hoặc bàn chân. Mục tiêu của bác sĩ
điều trị là xác định nguyên nhân gây ra dáng đi chống đau. Bởi nếu không được điều
trị đúng, nó có thể dẫn đến các vấn đề nghiêm trọng hơn cho người bệnh.
Sau đây là các cách thường được sử dụng để chẩn đoán nguyên nhân gây ra dáng
đi chống đau[7]:
a) Khám lâm sàng
Bệnh nhân có dáng đi chống đau khi khám lâm sàng sẽ có những dấu hiệu triệu
chứng cụ thể như sau:
- Người bệnh có cảm giác đau: Đó là triệu chứng chủ yếu khiến bệnh nhân đi
khám bệnh. Bệnh nhân có triệu chứng đau ở chân và cảm giác đau tăng khi đi bộ, đứng
và chạy bộ. Ngoài ra cơ thể bệnh nhân mệt mỏi: bệnh nhân có thể bị suy nhược; vận
động khó khăn;
- Dáng đi bộ của bệnh nhân có những thay đổi: Dáng đi bất thường có liên quan
đến khả năng sử dụng chân bị đau. Dáng đi bộ thay đổi trong suốt cả ngày, đau nặng
vào buổi sáng và do đó sự thay đổi dáng đi biểu hiện rõ nét hơn vào buổi sáng. Dáng
đi của bệnh nhân có bước đi ngắn hơn bình thường và rút ngắn thời gian giai đoạn tựa
ở chân bị đau. Đặc biệt bệnh nhân sẽ bị đau nhiều hơn khi cố gắng đi bộ bình thường.
Ngoài những triệu chứng trên, trong nhiều trường hợp, bệnh nhân có dấu hiệu
khớp bị sưng và cứng.
b) Xét nghiệm máu
Khi xét nghiệm máu, các chỉ số sau thường sử dụng là yếu tố thấp RF
(Rheumatoid factor), Anti-CCP(Anti-cyclic citrullined peptide), tốc độ lắng máu VSS
(Erythrocyte sedimentation rate), CRP (C-reactive protein), Anti-DNA và Uric Acid.

- Yếu tố thấp khớp (Rheumatoid Factors - RF):Xét nghiệm có kết quả dương tính
ở những bệnh nhân bị viêm khớp dạng thấp;
- Anti-CCP (Anti-cyclic citrullinated): Anti-CCP là một xét nghiệm rất hữu ích,
được sử dụng để chẩn đoán viêm khớp dạng thấp ở giai đoạn sớm. Ngoài ra nồng độ
của Anti-CCP cao hay thấp cũng tiên lượng được mức độ tổn thương của khớp.
 11

- Tốc độ máu lắng:Đây là xét nghiệm để chẩn đoán bệnh nhân có bị viêm khớp
hay không? Xét nghiệm này đo thời gian tế bào hồng cầu rơi xuống đáy ống nghiệm.
Tỷ lệ lắng đọng tăng phản ánh một tình trạng viêm không đặc hiệu trong cơ thể.
- CRP (C reactive protein): Đây là protein sản xuất tại gan và được sản xuất
trong trường hợp viêm cấp hoặc nhiễm trùng. CRP dương tính ở những bệnh nhân mắc
các bệnh như: viêm khớp dạng thấp, bệnh thấp khớp, ung thư, lao, viêm phổi, nhồi
máu cơ tim, Lupus.
- Anti DNA và anti-SM: Bệnh nhân Lupus có kháng thể với chất liệu di truyền
DNA. Nó là một công cụ chẩn đoán hữu ích ở những bệnh nhân không có bệnh Lupus.
- Acid Uric: Là sản phẩm phân hủy của purines trong trong chu trình chuyển hóa
acid uric. Quá nhiều axit uric có thể ra tinh thể hình thành ở các khớp và gây ra bệnh
gút. Ngoài ra, phân tích dịch khớp có thể cung cấp cho bác sĩ với nhiều chi tiết quan
trong trong quá trình điều trị và theo dõi bệnh.
Xét nghiệm máu có thể giúp chẩn đoán viêm khớp, theo dõi điều trị và theo dõi
diễn biến của bệnh.Các xét nghiệm máu là những công cụ chẩn đoán rất có giá trị. Tuy
nhiên không chỉ dựa vào các xét nghiệm máu mà còn phải kết hợp với kết quả của
chẩn đoán hình ảnh, tiền sử và lâm sàng của bệnh nhân để có một chẩn đoán chính
xác.
c) Nghiên cứu hình ảnh hoặc phóng xạ
- Chụp X-quang: Được sử dụng trong hầu hết các xét nghiệm có liên quan đến
chấn thương và đau nhức xương khớp.Hình ảnh chụp x-quang cho thấy rõ cấu trúc
xương, mật độ xương, các tổ chức xung quanh xương khớp, tổn thương xương
khớp,…từ đó nhận định được nguyên nhân gây ra dáng đi chống đau.
- Chụp cộng hưởng từ MRI và chụp cắt lớp vi tính CT: Đó là những kỹ thuật
tiên tiến góp phần phát hiện nhiều những thương tổn trong khớp và tổ chức xung
quanh khớp.

Hình 1.5. Khớp bình thường và viêm xương khớp.

 12

d) Nội soi khớp

Phương pháp này được thực hiện thông qua ống nội soi quang học, những tổn
thương khớp lớn như khớp gối được phát hiện tốt. Nội soi khớp góp phần phát hiện
các tổn thương sụn khớp, dây chằng, bao hoạt dịch, gân cơ,… và hỗ trợ lấy mẫu trong
quá trình sinh thiết hay can thiệp phẫu thuật ngoại khoa.
e) Xét nghiệm dịch khớp
Chọc hút dịch khớp và xét nghiệm dịch khớp là biện pháp có giá trị để chẩn đoán
bệnh khớp và theo dõi kết quả điều trị. Bình thường dịch khớp trong suốt, có ít tế bào,
quánh và số lượng dịch ít. Sự thay đổi về màu sắc, thể tích và thành phần tế bào dịch
khớp có giá trị trong chẩn đoán bệnh khớp.
1.4. TỔNG KẾT CHƯƠNG 1
Một dáng đi bình thường gồm hai giai đoạn chính: giai đoạn chống và giai đoạn
đu đưa, được xác định dựa vào cử động di chuyển của cùng một chân. Nhiều bệnh lý
sẽ ảnh hưởng đến dáng đi và chức năng đi lại của con người. Cụ thể trong trường hợp
bệnh nhân bị đau xương khớp, thì người bệnh sẽ có dáng đi chống đau. Trong chương
1, luận văn đã trình bày định nghĩa dáng đi chống đau, nguyên nhân, triệu chứng và
cách chẩn đoán bệnh.
Trong nội dung chương 2 tiếp theo, luận văn sẽ trình bày những kiến thức tổng
quan về phân tích dáng đi.
 13

CHƯƠNG 2. TỔNG QUAN VỀ PHÂN TÍCH DÁNG ĐI

2.1. PHÂN TÍCH DÁNG ĐI

Phân tích dáng đi là một trong những bài toán chính của các hệ thống tự động có
chức năng giám sát và chăm sóc y tế tại nhà cũng như hệ thống hỗ trợ việc khám bệnh
của các trung tâm y tế. Nhiều hướng tiếp cận để giải quyết vấn đề này đã được đề xuất,
dựa trên các nền tảng phần cứng và giải pháp xử lý khác nhau. Có hai hướng nghiên
cứu chính thường được áp dụng cho bài toán phân tích dáng đi: xử lý dữ liệu từ cảm
biến, và sử dụng hệ thống thị giác máy tính. Điểm khác biệt chủ yếu giữa các hướng
trên là thiết bị hỗ trợ được sử dụng trong quá trình nghiên cứu, được trình bày cụ thể
dưới đây.
2.1.1. Sử dụng cảm biến
Hiện tại, có nhiều nghiên cứu về sử dụng cảm biến trong việc phân tích dáng đi.
Các bộ cảm biến được sử dụng trên một số bộ phận của cơ thể, chẳng hạn như bàn
chân, đầu gối, đùi hay eo.
Trong nghiên cứu[30], các tác giả đã thí nghiệm với 1536 bộ cảm biến riêng lẻ
sắp xếp trên một mặt sàn hình chữ nhật kích thước 3x0.5m được thực hiện trên 15
người. Mỗi người bước qua tấm thảm 12 lần, hoàn thành hai chu kỳ dáng đi bằng chân
không, hệ thống sẽ đo chiều dài sải chân, nhịp sải chân, và thời gian trên ngón chân và
gót chân với tỷ lệ thành công là 80%.

Hình 2.1.Hình ảnh thảm cảm biến trên sàn nhà.

Mặc dù có nhiều nghiên cứu về việc sử dụng cảm biến trong phân tích, nhận
dạng dáng đi nhưng việc sử dụng cảm biến cũng có nhiều nhược điểm như cảm biến
phải được đặt chính xác và an toàn, phải tính toán sai lệch trọng lực, tiếng ồn, tín hiệu.
Hơn nữa, mỗi cảm biến thường giới hạn sử dụng để đo ít đặc trưng dáng đi... Ngoài ra,
 14

với cảm biến mặc trên người, phải gắn hoặc mang trên người, gây bất tiện cho người
sử dụng, mỗi người phải được trang bị một bộ cảm biến riêng, đòi hỏi chi phí cao để
sử dụng.
Vì các hạn chế nêu trên, gần đây, các nhà nghiên cứu thường chuyển sang sử
dụng kỹ thuật phân tích dáng đi bằng các thiết bị thu nhận ảnh như camera, camera có
cảm biến.
2.1.2. Sử dụng dữ liệu thu được từ camera
Ngoài sử dụng cảm biến, các nhà nghiên cứu thường sử dụng những dữ liệu thu
được từ một hoặc nhiều camera, hoặc camera cảm biến để phân tích dáng đi.
Khi nghiên cứu phát hiện té ngã ở người cao tuổi, các hệ thống thường sử dụng
một camera đơn để giám sát. Các nhà nghiên cứu ở [38]sử dụng một camera để phát
hiện sự mất cân bằng và khuynh hướng té ngã của người già dựa vào hình chiếu đối
tượng chuyển động.
Nghiên cứu [31]nhận dạng con người dựa trên các đặc trưng dáng đi được trích
xuất tự động từ dữ liệu camera. Từ hình chiếu của đối tượng, các đặc trưng chiều cao,
chiều rộng, chiều cao đáy quần, khoảng cách bước chân, quỹ đạo chung được trích
xuất, làm mịn và sử dụng ba kỹ thuật k láng giềng gần nhất mờ, LDA và SVM để phân
lớp. Khi thử nghiệm trên 11 người với 13 tham số khác nhau về quần áo, các loại giày,
mang đồ vật và tốc độ đi bộ khác nhau, hệ thống đạt kết quả nhận dạng là 81.3%,
83.2% và 84.0% tương ứng với ba mô hình phân lớp kể trên.

Hình 2.2.Hình chiếu và các đặc trưng sử dụng trong nghiên cứu.

Ở[10],các tác giả sử dụng một camera đơn để tiến hành quan sát nhận biết các
dấu hiệu có nguy cơ té ngã của bệnh nhân, sau đó sử dụng mô hình SVM để phân loại
đối tượng thành nhóm bình thường và nhóm bị té ngã. Dấu hiệu có nguy cơ té ngã dựa
 15

vào các đặc điểm: tỷ lệ cạnh (rộng/cao) của khung bao đối tượng, góc nghiêng, trọng
lực trung tâm và vận tốc đầu của đối tượng. Khi thử nghiệm trên 4 người lớn tuổi trong
vòng sáu tháng với 14.000 giờ quay video, hệ thống đã xác định được 24 trường hợp
ngã để cảnh báo.

Hình 2.3. Hệ thống giám sát hành vi té ngã.

Trong một nghiên cứu ở[40], các tác giả sử dụng một camera Kinect cùng với hệ
thống máy tính để đo các thông số dáng đi như: vận tốc trung bình, thời gian một bước
dài, chiều dài sải chân, chiều cao người của 7 người lớn tuổi từ 75-95 sống trong năm
căn hộ khác nhau.

Hình 2.4. Camera Kinect và hệ thống máy tính thử nghiệm.

Nghiên cứu [14]phân tích dáng đi để nhận dạng đối tượng được giám sát bằng
nhiều camera. Thí nghiệm được thực hiện trên 300 chuỗi video tổng hợp từ 12 người
khỏe mạnh từ nguồn dữ liệu CASIA-B với các đối tượng đi tự do theo 6 hướng đi khác
 16

nhau (36O; 54O; 72O; 90O; 108O; 126O). Hiệu suất của phương pháp đề xuất được đo
đối với các thuộc tính video khác nhau như: độ phân giải ảnh, tỷ lệ khung hình, nén dữ
liệu và chất lượng hình ảnh. Các kết quả thu được cho thấy phân tích dáng đi bằng việc
định vị markerless có thể đạt được hiệu quả cao mà không cần quan tâm về vị trí của
máy ảnh và tư thế của đối tượng. Các thông số dáng đi được trích xuất cho phép nhận
dạng người đi bộ từ những đặc điểm khác nhau với một tỷ lệ nhận dạng trung bình
92.2% với các chuỗi ảnh được thu với tốc độ 25 khung hình/giây và 81% với chuỗi
ảnh thu 15 khung hình/giây. Nghiên cứu này xác nhận rằng dáng đi có thể được sử
dụng một cách hiệu quả để xác định đối tượng dựa trên hệ thống nhiều camera
giám sát.

Hình 2.5.Định vị không đánh dấu (markerless) ở nhiều góc quay khác nhau.

Nghiên cứu [12]sử dụng camera có cảm biến Microsoft Kinect để theo dõi
chuyển động của con người, đã phát triển một hệ thống trích xuất được ba thông số
dáng đi bao gồm độ dài, thời gian của các bước và tốc độ của dáng đi. Có 11 đối tượng
đã tham gia vào các thí nghiệm, trong đó gồm bốn nữ và bảy nam ở độ tuổi từ 22 đến
53. Để kiểm tra tính hiệu quả của hệ thống cũng như tính chính xác của các thông số
dáng đi thu được từ camera, hệ thống có sử dụng thêm một tấm thảm cảm biến dài 5m.
Các đối tượng đi vuông góc với hướng nhìn cameraở khoảng cách 3m, mỗi đối tượng
phải đi bộ ba lần cho bốn tình huống: đi thẳng bình thường, đi bước nhỏ, mặc váy dài,
đi phía trước máy quay. Kết quả là thuật toán cho kết quả đúng 96.3% khi đi bình
 17

thường, đi bước nhỏ vàđúng 95.6%khi mặc váy dài. Với trường hợp đi phía trước máy
quay, kết quả chỉ đạt 93.4%.

Hình 2.6.Hình ảnh thu được trong nghiên cứu.

So với việc sử dụng cảm biến, việc sử dụng dữ liệu thu được từ camera có ưu
điểm là không vướng thiết bị,độ phân giải camera ngày càng cao nên chất lượng hình
ảnh tốt hơn, thông thường camera không cần điều kiện đặc biệt về các cảnh chiếu
sáng, giá thành camera không cao, có thể lắp cố định tại một địa điểm để quan sát
nhiều người, có khả năng tích hợp vào hệ thống camera giám sát đã có.
Ở[32]đưa ra hướng tiếp cận mới là: thực hiện việc phân tích dáng đi trên tập dữ
liệu ảnh được thu bởi một camera duy nhất. Ý tưởng chính được đưa ra là mô hình hóa
dáng đi và phân tích dựa trên từng chu kỳ bước chân.Các bước của hướng tiếp cận mới
sẽ được trình bày trong những phần tiếp theo.
2.2. TRÍCH ĐẶC TRƯNG
Có rất nhiều bộ mô tả thuộc tính khác nhau đã được đề xuất, có thể phân loại
thuộc tính theo nhiều cách khác nhau, dựa theo các tiêu chí khác nhau như:
- Thuộc tính 2D trích từ ảnh 2D;
- Thuộc tính 3D là thuộc tính 2D có thêm thông tin về độ sâu cảnh quay;
- Thuộc tính không gian là thuộc tính chỉ quan tâm đến đối tượng trong từng
khung hình;
- Thuộc tính thời gian là thuộc tính có quan tâm đến cả sự chuyển động của đối
tượng từ khung hình này đến các khung hình tiếp theo;
- Thuộc tính địa phương là thuộc tính chỉ xét đến một số vùng (patch) đặc biệt
nào đó trong khung hình;
- Thuộc tính toàn cục xem xét toàn bộ khung hình;
 18

Những thuộc tính trên được chia thành 02 nhóm chính là thuộc tính số và thuộc
tính nhị phân.

2.2.1. Thuộc tính số

Các đặc trưng này được biểu diễn dưới dạng các giá trị liên tục, trong đó phần
lớn được trích xuất dựa trên thông tin hai chiều trong chuỗi ảnh. Có hai nhóm phương
pháp mô tả đặc trưng số: dựa trên hình dạng và dựa trên vectơ chỉ hướng chuyển
động.
Các giải pháp ở nhóm đầu tiên trích xuất hình chiếu của đối tượng chuyển động
và nhận dạng hành vi dựa trên việc phân tích dữ liệu thu được [11] [25]. Nghiên cứu
biểu diễn hành động trong một ảnh đơn được gọi là ảnh cường độ chuyển động (MII).
Ảnh này được tạo ra bằng cách canh giữa các hình chiếu đối tượng trong mỗi ảnh nhị
phân (kết quả phép trừ nền) theo một điểm tham chiếu cố định, từ đó chuyển động
được thu hẹp vào một khu vực có giới hạn. Ưu điểm của MII là sự đơn giản, độ hiệu
quả và mạnh mẽ khi thực hiện trên ảnh chứa nhiễu.

Hình 2.7. Một ví dụ về MII, với các dòng lần lượt là chuỗi ảnh đầu vào, chuỗi hình
chiếu đối tượng trước và sau khi canh giữa, cuối cùng là MII.

Ở [25], các nhà nghiên cứu sử dụng ảnh chuyển động tích lũy (AMI) để biểu diễn
chuyển động trong một chuỗi ảnh, được tính bằng trung bình độ sai lệch từng cặp ảnh
liên tiếp trong chuỗi. Để đảm bảo tính mạnh mẽ của đặc trưng, ảnh AMI được biến đổi
kích thước thành một ảnh con kích thước N x N và một ma trận xếp hạng được tạo ra
dựa trên thứ hạng các giá trị trong ảnh đó. Một ví dụ minh họa hai ảnh con khác nhau
nhưng có cùng giá trị ma trận xếp hạng được trình bày trong hình 2.9.
 19

Hình 2.8. Ví dụ về ảnh chuyển động tích lũy.

Hình 2.9.Ví dụ về hai đối tượng thực hiện cùng hành động với vẻ bên ngoài
khác nhau nhưng có thuộc tính đồng nhất.

Các giải pháp sử dụng vectơ chỉ hướng thường ước lượng hướng biến đổi
cường độ của các điểm ảnh trong hai khung hình liên tiếp (thường gọi là luồng quang
học), và sử dụng các thông tin về hướng cho việc nhận dạng hành động [1] [9][13]
[41]. Nghiên cứu tiên phong của hướng tiếp cận này được đề xuất ở [13] với tập dữ
liệu ảnh được thu từ một khoảng cách xác định. Trong [9], các tác giả cũng trình bày
 20

một thuật toán nhận dạng hành động dựa trên luồng quang học và thông tin các phần
của cơ thể.

Hình 2.10.Các vectơ chỉ hướng tương ứng với luồng quang học.

2.2.2. Thuộc tính nhị phân

Các đặc trưng này sử dụng các giá trị 0 và 1 để thể hiện mối quan hệ hình học
giữa các điểm nhất định của tư thế người. Nghiên cứu [29]giới thiệu một tập các quan
hệ dùng để kiểm tra một điểm cụ thể thuộc đối tượng nằm ở trước hay sau, bên trái hay
phải một mặt phẳng xác định, tư thế cong hay thẳng của một phần cơ thể, và liên kết
giữa hai điểm trên đối tượng có tồn tại hay không. Một số quan hệ được minh họa
trong hình 2.11, ví dụ góc giữa đùi và cẳng chân được sử dụng để xác định chân đang
co hay duỗi, giá trị đặc trưng tương ứng là 1 (co) nếu góc nêu trên nhỏ hơn 120°, và
bằng 0 (duỗi) nếu góc có giá trị từ 120° trở lên[36]. Một bộ các đặc trưng như vậy có
thể mô tả hiệu quả thông tin về tư thế và chuyển động của đối tượng.

Hình 2.11.Một số đặc trưng quan hệ hình học.

 21

2.3. CÁC PHƯƠNG PHÁP PHÂN TÍCH DÁNG ĐI

Về cơ bản, có hai phương pháp phân tích dáng đi: dựa vào đặc trưng và dựa vào
mô hình.
2.3.1. Phương pháp dựa vào đặc trưng
Trong phương pháp phân tích dựa vào đặc trưng, các đặc trưng trích xuất được
sử dụng để biểu diễn cho dáng đi.
Tùy thuộc vào mục đích phân tích dáng đi mà các đặc trưng khác nhau của dáng
đi được sử dụng. Nghiên cứu [43]đã tổng hợp các đặc trưng dáng đi thường dùng trong
các lĩnh vực y tế, thể thao và nhận dạng trong bảng sau:
Bảng 2.1. Tổng hợp các đặc trưng dáng đi trong nghiên cứu[43].

Đặc trưng Y học Thể thao Nhận dạng

Vận tốc sải chân   

Chiều dài bước chân   

Chiều dài sải chân   

Chiều rộng bước chân   

Góc bước   

Nhịp bước   

Thời gian bước  

Thời gian dừng lại  

Góc khớp  

Tư thế cơ thể (độ nghiêng, đối xứng)   

Lực cơ  

Đà  

Phản lực  

Chiều cao tích lũy   

Giai đoạn dáng đi   

 22

Hiện nay, trong lĩnh vực phân tích dáng đi phục vụ việc nhận dạng, phân tích
hành vi té ngã hoặc phân loại, có nhiều đặc trưng khác nhau được các nhà nghiên cứu
sử dụng.
Trong các nghiên cứu dựa vào dữ liệu từ video, hình chiếu đối tượng là đặc điểm
chính thường sử dụng. Ở [4] hình chiếu nhị phân của đối tượng được phủ bởi hình chữ
nhật để nhận dạng người. Trong [39]một phần hình chiếu của người được sử dụng để
nhận dạng dáng đi.
Khi nghiên cứu phát hiện hành vi té ngã, các tác giả ở [10]dựa vào đặc trưng thay
đổi góc nghiêng của người. Một người đang đứng có góc giữa trục dài elip khung bao
và sàn nhà là gần 900. Do đó, trong khoảng thời gian ngắn cố định, việc góc nghiêng
thay đổi gần 900 so với cơ thể ban đầu là dấu hiệu của hành vi té ngã. Cũng trong
nghiên cứu này, tỷ lệ cạnh của chiều rộng so với chiều cao của khung bao cũng được
xét đến. Tỷ lệ cạnh thấp thể hiện người đang ở tư thế đứng, nhưng nếu tỷ lệ cạnh thay
đổi thành cao thì thể hiện hành vi ngã.
Dựa trên dữ liệu chuyển động, nhiều tính năng trên cơ thể được lựa chọn
hơn.Trong nghiên cứu của [15]các tác giả sử dụng các đặc trưng về chiều dài thân,
chiều dài cánh tay, chiều dài đùi, chiều dài bắp chân, và chiều dài chân để nhận dạng
dáng đi. Chiều cao cơ thể, chiều dài chân, nhịp bước, chiều rộng xương chậu, vận tốc,
chiều rộng bước, chiều dài sải chân, khớp hông và khớp gối đã được các nhà nghiên
cứu khoa học dùng để phân loại giới tính ở Hàn Quốc[8]. Khung xương cũng được sử
dụng rộng rãi trong nghiên cứu của nhiều đề tài.
2.3.2. Phương pháp dựa vào mô hình
Các phương pháp phân tích dáng đi dựa trên mô hình sử dụng các mô hình toán
học để biểu diễn và phân tích dáng đi như máy vector hỗ trợ, mô hình Markov ẩn,
mạng nơron…
Máy vector hỗ trợ là một thuật toán học máy nổi tiếng được sử dụng để giải
quyết bài toán phân lớp. Thuật toán SVM ban đầu được tìm ra bởi Vladimir N. Vapnik
và dạng chuẩn hiện nay sử dụng lề mềm được tìm ra bởi Vapnik và Corinna Cortes
năm 1995, phương pháp phân loại của nó dựa trên lý thuyết học thống kê và hàm hạt
nhân[44]. SVM đã được áp dụng rất thành công trong việc giải quyết các vấn đề của
thế giới thực như nhận dạng văn bản, hình ảnh, chữ viết tay…
SVM ban đầu được thiết kế cho việc phân loại nhị phân (hai lớp), nhưng sau đó
được mở rộng để thực hiện việc phân loại đa lớp. SVM hai lớp được ứng dụng nhiệu
trong việc nhận dạng đối tượng, trong bức ảnh nó được chia thành hai lớp, một lớp
chứa đối tượng và một lớp không phải là đối tượng.
Nhiều thử nghiệm các ứng dụng khác nhau cho thấy SVM là một trong những
phương pháp phân loại có độ chính xác cao và tương đối tổng quát cho bài toán nhận
dạng. Đó là lí do luận văn lựa chọn phương pháp SVM để huấn luyện và nhận dạng dữ
 23

liệu. Sau đây luận văn xin đưa ra một số con số thông kê để minh họa cho điều khẳng
định trên về phương pháp SVM.
Trong nghiên cứu về nhận dạng dáng đi 3D [6], các tác giả đã trình bày một thuật
toán độc lập để nhận dạng dáng đi của người trong không gian 3 chiều – 3D. Bằng
cách sử dụng các dữ liệu chuyển động thu được bằng thuật toán theo dõi chuyển động
3D không dấu để xác định dáng đi của một người. Nhóm tác giả theo dõi lại độ chính
xác của mình bằng dữ liệu thu được từ hệ thống chụp chuyển động dựa trên điểm đánh
dấu. Bộ phân lớp SVM được sử dụng để phân loại mô tả chuyển động trong không
gian. Thí nghiệm được thực hiện trên 22 người bằng cách thực hiện 230 chu kỳ bước.
Bảng 2.2 sau đây đánh giá hiệu suất của thuật toán được đề xuất trong nhận dạng dáng
đi bao gồm Naïve Bayes (NB), bộ cảm ứng đa lớp (MLP_ Multilinear Principal
Components) và SVM. Tỷ lệ phân loại chính xác đạt được bằng SVM là 93,5% lần thứ
nhất và 99,6% ở lần thứ 3.
Bảng 2.2. Tỷ lệ phân loại sử dụng dữ liệu từ tính năng chụp không đánh dấu
[42].

Các tác giả ở [5] sử dụng SVM với mục đích nhận dạng tự động loại dáng đi của
hai nhóm người: trẻ tuổi và lớn tuổi từ mô hình dáng đi tương ứng. Nghiên cứu này sử
dụng hệ thống phân tích chuyển động PEAK-2D để phân tích dữ liệu về khoảng cách
tối thiểu bàn chân. Khi 30 người trẻ tuổi và 28 người lớn tuổi tiến hành thử nghiệm đi
bộ liên tục với tốc độ tự chọn trong 20 phút trên máy chạy bộ, các mẫu dáng đi được
trích xuất về khoảng cách tối thiểu bàn chân được sử dụng để huấn luyện SVM. Kết
quả kiểm tra cho biết hiệu suất tổng quát để nhận dạng dáng đi người trẻ và người già
của phương pháp SVM trung bình là 83.3% ( so với kết quả chính xác 75.0%
( khi dùng phương pháp mạng nơron để nhận dạng trên tập dữ liệu này.
Phần tiếp theo, luận văn sẽ trình bày về mô hình phân tích dáng đi SVM, đó là
mô hình luận văn sử dụng trong quá trình huấn luyện và nhận dạng. Trước tiên luận
 24

văn sẽ giới thiệu các khái niệm cơ bản: siêu phẳng phân chia tuyến tính, support
vectors,…
a) Các khái niệm cơ bản
- Siêu phẳng phân cách
Cho trước tập dữ liệu D gồm ( ( ( | | | | .
Trong đó là một tập các bộ huấn luyện tương ứng với nhãn lớp . Mỗi sẽ nhận
một trong hai giá trị hoặc là +1 hoặc là -1 ( { } Phương pháp phân lớp
SVM sẽ tìm ra đường phân lớp “tốt nhất” để phân chia tập dữ liệu này thành từng lớp
tách biệt ra với nhau. Theo [35], phương trình tổng quát của một đường phân chia như
vậy được biểu diễn dưới dạng sau:
W. X + b = 0 (2.1)
Trong đó:
+ W: Véc tơ trọng số, { };
+ N: Số thuộc tính (hay còn gọi là số chiều của dữ liệu);
+ b: Một đại lượng vô hướng, thường được xem như là một độ nghiêng
(bias).
Đối với trường hợp dữ liệu hai chiều (hai thuộc tính) thì phương trình trên biểu
diễn của đường thẳng phân chia. Nếu dữ liệu là ba chiều thì đường phân chia giữa hai
tập sẽ là một mặt phẳng phân cách. Tổng quát cho dữ liệu n chiều thì sẽ được phân
cách bởi một siêu phẳng. Chúng ta sẽ sử dụng thuật ngữ “siêu phẳng” (hyperplane) để
chỉ đến ranh giới quyết định mà chúng ta muốn tìm kiếm bất chấp số lượng thuộc tính.

Hình 2.12. Đường nét liền trên hình là đường phân chia tập dữ liệu gồm hai thuộc
tính.
 25

Tuy nhiên trong thực tế ta có thể tìm được vô số những siêu phẳng phân chia trên
cùng một tập dữ liệu. Và chúng ta muốn tìm được một siêu phẳng phân chia sao cho
tốt nhất, có nghĩa là có sai sót phân loại bé nhất trên bộ dữ liệu.

Hình 2.13.Một bộ dữ liệu hai chiều được phân chia tuyến tính. Có vô hạn đường
thẳng phân chia tuyến tính có thể.

Do đó mục tiêu của phương pháp phân loại SVM là tìm một siêu phẳng phân
cách giữa hai lớp sao cho khoảng cách lề (margin) giữa hai lớp đạt cực đại.
Siêu phẳng có biên độ lớn nhất (maximum marginal hyperland) sẽ được chọn như là
siêu phẳng phân chia dữ liệu một cách tốt nhất. Trong hình bên dưới, ta thấy có hai
siêu phẳng có thể phân chia được và những biên độ của nó. Trước khi định nghĩa biên
độ (margin), hãy nhìn vào nhìn dưới một cách trực quan. Cả hai siêu phẳng đều phân
tách tất cả những bộ dữ liệu cho trước. Một cách trực quan, siêu phẳng với biên độ lớn
hơn sẽ chính xác hơn trong việc phân loại các bộ dữ liệu trong tương lai so với siêu
phẳng có biên độ nhỏ hơn. Điều này lý giải vì sao trong suốt giai đoạn học hay huấn
luyện, SVM tìm những siêu phẳng có biên độ lớn nhất, gọi là MMH (Maximum
Marginal Hyperland).
Siêu phẳng có biên độ lớn nhất là siêu phẳng có khoảng cách từ nó tới hai mặt
bên của nó là bằng nhau (mặt bên song song với siêu phẳng). Khoảng cách đó thật ra
là khoảng cách ngắn nhất từ MMH tới bộ dữ liệu huấn luyện gàn nhất của mỗi lớp.
Siêu phẳng có biên độ lớn nhất này cho chúng ta một sự phân loại tốt nhất giữa các
lớp.
 26

Hình 2.14.Hai siêu phẳng phân chia tuyến tính cùng với biên độ của nó. Cái có biên
độ lớn hơn sẽ phân loại chính xác hơn.

Siêu phẳng phân cách có vai trò quan trọng trong việc phân lớp, nó quyết định
xem một bộ dữ liệu sẽ thuộc về lớp nào. Để thực hiện phân lớp, SVM chỉ cần xác định
xem một bộ dữ liệu nằm về phía nào của siêu phẳng phân cách.
( ( (2.2)
+ D(x) < 0: bộ dữ liệu nằm phía dưới siêu phẳng phân cách;
+ D(x) = 0: Bộ dữ liệu nằm trên siêu phẳng phân cách;
+ D(x) > 0: Bộ dữ liệu nằm phía trên siêu phẳng phân cách.
- Support vectors
Với bộ dữ liệu huấn luyện có hai thuộc tính A1 và A2 : X={x1, x2}, với x1, x2 là
giá trị của thuộc tính A1, A2. W={w1, w2}. Phương trình siêu phẳng W. X + b = 0 có
thể viết lại :
w0 +w1 x1 +w2 x2 = 0 (2.3)
Trong đó:w0 tương đương với hằng số b trong phương trình tổng quát của siêu phẳng.
Vì vậy mỗi điểm nằm trên siêu phẳng phân cách thỏa mãn:
w0 +w1 x1 +w2 x2> 0 (2.4)
Tương tự, những điểm nằm dưới siêu phẳng phân cách phải thỏa mãn:
w0 +w1 x1 +w2 x2< 0 (2.5)
Bằng cách điều chỉnh trọng số w0 ta có:
H1: w0 +w1 x1 +w2 x2>= 1 với yi = +1 (2.6)
H2: w0 +w1 x1 +w2 x2<= -1 với yi = -1 (2.7)
 27

Điều này có nghĩa là nếu bất kỳ bộ nào nằm tại hoặc trên H1 đều thuộc về lớp +1,
và bất kỳ bộ nào nằm tại hoặc dưới H2 đều thuộc về lớp -1. Kết hợp hai bất đẳng thức
(2.6), (2.7) ta có:
yi (w0 +w1 x1 +w2 x2) 1, (2.8)
Mỗi bộ huấn luyện nằm tại các mặt biên H1 hay H2 thỏa mãn phương trình trên
được gọi là support vector. Support vectors là những bộ gần với siêu phẳng phân chia
tuyến tính (MMH) nhất.
Trong hình bên dưới, support vectors là những hình tô đậm. Ta thấy rằng các
support vectors là những bộ khó phân lớp nhất và cung cấp nhiều thông tin nhất cho
việc phân lớp.

Hình 2.15.Minh họa đường biểu diễn H1, H2 và support vectors.

- Biên độ (Margin)
Từ các điều trên chúng ta có thể đưa ra một công thức cho việc tính toán biên độ
lớn nhất. Khoảng cách từ siêu phẳng phân cách đến mội điểm tại H1 là .
‖ ‖
Trong đó: ‖ ‖ là khoảng cách Euclidean chuẩn của W là √ với
{ } √ √ [ ]
Theo định nghĩa khoảng cách từ siêu phẳng H1 bằng với khoảng cách từ mọi
điểm tại H2 đến siêu phẳng. Vì vậy, kích thước của biên độ cực đại là .
‖ ‖
 28

b) Phân lớp dữ liệu.

- Trường hợp dữ liệu có thể phân chia tuyến tính được
Việc huấn luyện SVM với mục đích là để tìm ra các support vectors và MMH.
MMH là ranh giới phân cha tuyến tính giữa các lớp và vì thế SVM tương ứng có thể
được sử dụng để phân lớp dữ liệu mà dữ liệu đó có thể phân chia tuyến tính. Chúng ta
xem SVM được huấn luyện là SVM tuyến tính. Sau khi huấn luyện chúng ta sẽ phân
loại các bộ mới. Dựa trên công thức Lagrangian ta có [35]:
( ∑ (2.9)
Trong đó:
là nhãn lớp của support vector Xi;
là một bộ test;
(nhân tử Lagrangian);
b0 là biến số được xác định bởi sự tối ưu hóa hay các thuật toán
SVM;
là số lượng các support vectors.
MMH có thể được xem như “ranh giới quyết định” trong việc quyết định xem
một bộ test bất kỳ sẽ thuộc lớp nào. Cho một bộ test XT, chúng ta gắn nó vào phương
trình trên, và sau đó kiểm tra dấu của kết quả. Từ đó ta sẽ biết được bộ test sẽ rơi vào
mặt nào của siêu phẳng. Nếu dấu là dương, thì XT rơi vào phía trên của MMH,và SVM
cho rằng XT thuộc về lớp +1. Nếu dấu là âm, thì XT nằm tại hoặc dưới MMH và nhãn
được đưa ra là -1.
- Trường hợp dữ liệu không phân biệt tuyến tính được
Trong phần trên chúng ta đề cập đến trường hợp SVM phân lớp những dữ liệu
có thể phân biệt tuyến tính, nhưng nếu dữ liệu không thể phân chia tuyến tính thì sao?
Trong trường hợp này thì ta sẽ sử dụng Kernel SVM.
Ý tưởng cơ bản của Kernel SVM và các phương pháp kernel nói chung là tìm
một phép biến đổi sao cho dữ liệu ban đầu là không phân biệt tuyến tính được biến
sang không gian mới. Ở không gian mới này, dữ liệu trở nên phân biệt tuyến tính.
Xét ví dụ dưới đây với việc biến dữ liệu không phân biệt tuyến tính trong không
gian hai chiều thành phân biệt tuyến tính trong không gian ba chiều bằng cách giới
thiệu thêm một chiều mới:
 29

Hình 2.16.Minh họa chức năng của kernel SVM.

Siêu phẳng được tìm thấy trong không gian mới tương ứng với siêu bề mặt phân chia
không tuyến tính trong không gian ban đầu. Chi tiết về vấn đề này được đề cập ở [34].
2.4. TỔNG KẾT CHƯƠNG 2 Tải bản FULL (68 trang): bit.ly/2Ywib4t
Dự phòng: fb.com/KhoTaiLieuAZ
Như vậy trong chương 2 này luận văn đã giới thiệu các hướng tiếp cận của bài
toán phân tích dáng đi. Đồng thời luận văn đã giới thiệu các phương pháp phân tích
dáng đi, giới thiệu về thuật toán SVM là một trong những thuật toán thuộc phương
pháp phân tích dáng đi dựa vào mô hình. Đó là mô hình luận văn sẽ sử dụng để huấn
luyện và nhận dạng trong quá trình giải quyết bài toán đưa ra.
Nội dung trong chương 3 tiếp theo, luận văn sẽ trình bày hệ thống phân tích
dáng đi chống đau sử dụng máy véc tơ hỗ trợ cũng như kết quả thực nghiệm trên hệ
thống đó.
 30

CHƯƠNG 3. PHÂN TÍCH DÁNG ĐI CHỐNG ĐAU SỬ

DỤNG MÁY VÉC TƠ HỖ TRỢ

Nội dung của chương này là tiến hành kiểm chứng mô hình đề ra theo các bước:
đưa ra cái nhìn tổng quan về hệ thống, xây dựng dữ liệu, trích chọn đặc trưng, huấn
luyện và nhận dạng để kiểm chứng kết quả.
Tải bản FULL (68 trang): bit.ly/2Ywib4t
3.1. TỔNG QUAN VỀ HỆ THỐNG
Dự phòng: fb.com/KhoTaiLieuAZ
Đối với bài toán phân tích dáng đi chống đau sử dụng máy véc tơ hỗ trợ, ý tưởng
được đưa ra để giải quyết vấn đề là sử dụng máy véc tơ hỗ trợ để mô hình hóa dáng đi
chống đau dựa trên các chu kỳ bước đi của tập dữ liệu huấn luyện, sau đó xác định một
ngưỡng xác suất và sử dụng ngưỡng này cùng mô hình để quyết định dáng đi chưa biết
là bình thường hay là dáng đi chống đau.
Quá trình xử lý được nghiên cứu sử dụng như sau:
- Dữ liệu vào:Tập dữ liệu dáng đi của người bị bệnh khớp có dáng đi chống đau
và dáng đi của người bình thường được xây dựng từ các công cụ mô phỏng 3D.
- Tiền xử lý: Từ dữ liệu vào ta thực hiện các bước xử lý ảnh cơ bản để làm rõ
hình ảnh như: căn chỉnh ảnh, chuẩn hóa ánh sáng, lọc nhiễu, phân chia ảnh…
- Trích chọn đặc trưng: Dựa vào các đặc điểm nhận dạng người có dáng đi chống
đau kết hợp với phương pháp rút trích đặc trưng Hog (tính gradient, chia hướng và
gom nhóm đặc trưng tại mỗi ô (cell), tính đặc trưng cho từng khối (block) và chuẩn
hóa, tính véc tơ đặc trưng cho cửa sổ).
- Huấn luyện: Dựa vào các thông số thu được từ trích chọn đặc trưng để xác định
một véc tơ đặc trưng, sử dụng các mô hình đã có như mạng nơ-ron nhân tạo, mô hình
Markov ẩn, máy véc tơ hỗ trợ… xây dựng một mô hình phù hợp để huấn luyện dữ
liệu. Ở đây luận văn sử dụng máy véc tơ hỗ trợ để xây dựng mô hình dáng đi.
- Kết luận:Sử dụng mô hình được xây dựng ở bước huấn luyện để phân lớp cho
các đối tượng mới ở dữ liệu người dùng. Dữ liệu người dùng khi đưa vào mô hình đã
được đưa về dưới dạng các véc tơ đặc trưng được trích chọn, sau đó đưa ra kết luận
người đó có dáng đi chống đau hay không.
 31

Hình 3.1. Giải pháp đề xuất.

3.2. XÂY DỰNG DỮ LIỆU

Dữ liệu huấn luyện và dữ liệu kiểm thử được lấy từ mô hình 3D mô phỏng con
người với dáng đi được thiết lập sẵn. Mô hình này được xây dựng nhờ công cụ
MakeHuman kết hợp với Blender.
3.2.1. Phần mềm thiết kế 3D MakeHuman
MakeHuman là công cụ tạo nhân vật miễn phí duy nhất mà tác giả biết. Nó bắt
đầu như là một công cụ bổ sung cho Blender và từ đó đã trở thành một ứng dụng độc
lập. Với phần mềm thiết kế 3D MakeHuman nó thực sự là trò chơi của trẻ để tạo các
tệp 3D của con người. Vì phần mềm mô hình 3D này cho phép bạn thao tác những gì
được gọi là “lưới cơ sở” – một tệp 3D dạng 3D vô tri vô tính. Bạn nhanh chóng đưa ra
một tính cách đặc biệt và thuyết phục bằng cách trượt các thanh được tổ chức cẩn thận
(giới tính, khuôn mặt, thân xác, cánh tay và chân). Các tùy chỉnh thực sự là toàn diện,
bạn có thể vận dụng nhân vật của mình theo nghĩa đen đến các đầu tóc.

b1be2dab