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

TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT

Đà Nẵng - Năm 2018


Công trình được hoàn thành tại
TRƯỜNG ĐẠI HỌC BÁCH KHOA

Người hướng dẫn khoa học: TS. HUỲNH HỮU HƯNG

Phản biện 1: TS. NINH KHÁNH DUY

Phản biện 2: TS. TRẦN VĂN CƯỜNG

Luận văn được bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp
thạc sĩ chuyên ngành Khoa học máy tính tại Trường Đại học
Bách khoa Đà Nẵng vào ngày 05 tháng 01 năm 2019.

Có thể tìm hiểu luận văn tại:
- Trung tâm Học liệu và Truyền thông Trường Đại học Bách khoa

Đại học Đà Nẵng tại
- Thư viện Khoa Công nghệ thông tin, Trường Đại học Bách khoa
Đại học Đà Nẵng.


1

MỞ ĐẦU

1. Lý do chọn đề tài
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. Đấy đều là dáng đi bình thường. Khi mắc một số
bệnh nào đó có thể làm cho dáng đi thay đổi rất lớn và có tính đặc
trưng nhất định.
Bệnh l c

ư ng khớp là vấn đề sức khỏe đang được th giới

rất uan tâm, vì uy mô lớn và hệ uả nghiêm trọng của bệnh trong
cộng đồng. Bệnh ít khi dẫn đ n t 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 t , đặc biệt là các nghiên cứu phân tích
dáng đi giúp uan sát bệnh nhân và có thể phát hiện sớm một số bệnh
tật. Ứng dụng phân tích dáng đi trong lĩnh vực y t đã được triển khai

từ rất sớm để chẩn đoán và phát hiện các bệnh tiềm ẩn liên uan đ n
khung ư ng.
Trong các phư ng pháp học máy, SVM là một phư ng pháp
hiệu uả cho bài toán phân lớp dữ liệu. Nó là một công cụ đắc lực
cho các bài toán về

l ảnh, phân loại văn bản, phân tích uan


2
điểm. SVM thể hiện được nhiều ưu điểm, như: tính toán hiệu uả
trên các tập dữ liệu lớn, ti t kiệm được bộ nhớ. Một y u tố làm nên
hiệu uả của SVM đó là việc s dụng Kernel function khi n cho các
phư ng pháp chuyển không gian trở nên linh hoạt h n [19].
Tổng hợp những lí do trên, tôi đề uất chọn đề tài luận văn cao
học: “Phân tích dáng đi chống đau sử dụng máy véc tơ hỗ trợ”.
2. Mục tiêu và nhiệm vụ nghiên cứu

2.1 Mục tiêu nghiên cứu
Mục tiêu của đề tài là ây dựng giải pháp s dụng máy véc t
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 nghiên cứu
- Tìm hiểu một số triệu chứng lâm sàng về bệnh ư ng khớp
là nguyên nhân tạo ra dáng đi chống đau ở người;
- Tìm hiểu phư ng pháp học máy: máy véc t hỗ trợ;
- Nghiên cứu giải pháp phân tích dáng đi của người có dáng đi
chống đau bằng máy véc t hỗ trợ;

- Xây dựng chư ng trình demo để kiểm tra k t uả.
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 ư ng chậu;
- Phư ng pháp huấn luyện học máy: máy véc t hỗ trợ (SVM);

3.2 Phạm vi nghiên cứu
- Nghiên cứu phân tích dáng đi chống đau với dữ liệu từ
camera hoặc dữ liệu có sẵn.


3
4. Phương pháp nghiên cứu

4.1 Phương pháp nghiên cứu lý thuyết
- Tìm hiểu các tài liệu về bệnh ư ng khớp ở chân: bàn
chân, mắt cá chân, đầu gối, hông hoặc ư ng chậu;
- Tìm hiểu các tài liệu về

l ảnh;

- Tìm hiểu về bài toán phân tích dáng đi;
- Tìm hiểu phư ng pháp phân lớp s dụng máy véc t hỗ trợ;
- Nghiên cứu các bài báo liên uan

4.2 Phương pháp nghiên cứu thực nghiệm
- Xây dựng dữ liệu;
- Xây dựng mô hình;

- Đánh giá k t uả
5. Ý nghĩa khoa học và thực tiễn của luận văn

5.1 Ý nghĩa khoa học
Cung cấp về mặt l thuy t và phư ng pháp phân tích dáng đi,
được áp dụng trong các hướng nghiên cứu sâu h n, cụ thể h n.

5.2 Ý nghĩa thực tiễn
Có thể hoàn chỉnh và phát triển để ứng dụng trong lĩnh vực y
t nhằm hỗ trợ trong việc chẩn đoán các bệnh liên uan đ n khung
ư ng 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


4
Chương 2. Tổng quan về phân tích dáng đi
Chương 3. Phân tích dáng đi chống đau sử dụng máy véc tơ
hỗ trợ
Kết luận và hướng phát triển


5
CHƯƠNG 1 - DÁNG ĐI CHỐNG ĐAU
1.1. Các giai đoạn 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 ti p úc với đất (tựa).Dáng đi được đặc

trưng bởi có một giai đoạn tựa kép trong đó cả hai chân ti p úc với
đất, en kẽ với các giai đoạn tựa đ n khi chân kia đưa tới trước để
bước ti p. 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)
- Thì tiếp đất (chạm đất)
- Thì chuyển trọng lượng
- Giữa thì tựa


6
- Cuối thì tựa
- Tiền thì đu
1.1.2. Giai đoạn đu đưa
- Đầu thì đu
- Giữa thì đu
- Cuối thì đu
1.2. Các thay đổi trên dáng đi lâm sàng
Có thể nhìn dáng đi để đoán bi t sức khỏe - đó là nhận định từ
các chuyên gia sau một uá trình nghiên cứu về vấn đề này. Tư th đi
có liên uan đ n mức độ đồng bộ của nhiều bộ phận khác nhau trên
c thể bao gồm: tay, lưng, ư ng chậu, hông, đầu gối, bắp chân, các
c gân kheo (c kéo) và bàn chân nhằm giữ thăng bằng khi bạn bước
về phía trước. Nhiều bệnh l ảnh hưởng đ n dáng đi và chức năng đi
lại của bệnh nhân. Sau đây là một số dáng đi bệnh l thường gặp:
Dáng đi chống đau; Dáng đi cứng khớp háng; Dáng đi khớp háng
không vững; Dáng đi chân ngắn; Dáng đi bước cao; Dáng đi cây
kéo; Dáng đi bệnh nhân Parkinson; Dáng đi liệt nửa người; Dáng đi

thất điều; Dáng đi lật bật; Dáng đi chân ngựa; Dáng đi co cứng.
1.3. Dáng đi chống đau
1.3.1. Định nghĩa dáng đi chống đau
Dáng đi chống đau là khi bệnh nhân cố gắng tránh đặt trọng
lượng c thể lên chân bị đau trong khi đi bộ.


7

Hình 1.2. Chuỗi hình minh họa dáng đi chống đau.
1.3.2. Nguyên nhân
1.3.3. Các triệu chứng của dáng đi chống đau
1.3.4. Cách chẩn đoán bệnh
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 ác định dựa vào c động di chuyển
của cùng một chân. Nhiều bệnh l sẽ ảnh hưởng đ n dáng đi và chức
năng đi lại của con người. Cụ thể trong trường hợp bệnh nhân bị đau
ư ng khớp, thì người bệnh sẽ có dáng đi chống đau. Trong chư ng
1, luận văn đã trình bày định nghĩa dáng đi chống đau, nguyên nhân,
triệu chứng và cách chẩn đoán bệnh.
Trong nội dung chư ng 2 ti p theo, luận văn sẽ trình bày
những ki n thức tổng uan về phân tích dáng đi.


8
CHƯƠNG 2 – TỔNG QUAN VỀ PHÂN TÍCH DÁNG ĐI
2.1. Phân tích dáng đi
. 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 y u giữa các hướng trên
là thi t bị hỗ trợ được s dụng trong uá trình nghiên cứu, được trình
bày cụ thể dưới đây.
2.1.1. Sử dụng cảm biến
2.1.2. Sử dụng dữ liệu thu được từ camera
2.2. Trích đặc trưng
Có rất nhiều bộ mô tả thuộc tính khác nhau, có thể phân loại
thuộc tính theo nhiều cách khác nhau, dựa theo các tiêu chí khác
nhau như: thuộc tính 2D; thuộc tính 3D; thuộc tính không gian;
thuộc tính thời gian;… Những thuộc tính đó được chia thành 02
nhóm chính là thuộc tính số và thuộc tính nhị phân.
2.2.1. Thuộc tính số
2.2.2. Thuộc tính nhị phân
2.3. Các phương pháp phân tích dáng đi
Về c bản, có hai phư ng pháp phân tích dáng đi: dựa vào đặc
trưng và dựa vào mô hình.
2.3.1. Phương pháp dựa vào đặc trưng
Trong phư ng pháp phân tích dựa vào đặc trưng, các đặc
trưng trích uất được s dụng để biểu diễn cho dáng đi.


9
Tùy thuộc vào mục đích phân tích dáng đi mà các đặc trưng
khác nhau của dáng đi được s dụng.
2.3.2. Phương pháp dựa vào mô hình
Các phư ng pháp phân tích dáng đi dựa trên mô hình s dụng
các mô hình toán học để biểu diễn và phân tích dáng đi như máy
vector hỗ trợ, mô hình Markov ẩn, mạng n ron…
Máy vector hỗ trợ là một thuật toán học máy nổi ti ng được s
dụng để giải uy t bài toán phân lớp. SVM ban đầu được thi t k

cho việc phân loại nhị phân (hai lớp), nhưng sau đó được mở rộng để
thực hiện việc phân loại đa lớp.
Phần ti p theo, luận văn sẽ trình bày về mô hình phân tích
dáng đi SVM, đó là mô hình luận văn s dụng trong uá trình huấn
luyện và nhận dạng. Trước tiên luận văn sẽ giới thiệu các khái niệm
c bản: siêu phẳng phân chia tuy n tính, support vectors,…
a) Các khái niệm cơ bản
b) Phân lớp dữ liệu.
- Trường hợp dữ liệu có thể phân chia tuyến tính được
- Trường hợp dữ liệu không phân biệt tuyến tính được
2.4. Tổng kết chương 2
Trong chư ng 2 này luận văn đã giới thiệu các hướng ti p cận
của bài toán phân tích dáng đi. Đồng thời luận văn đã giới thiệu các
phư ng pháp phân tích dáng đi, giới thiệu về thuật toán SVM là một
trong những thuật toán thuộc phư ng pháp phân tích dáng đi dựa vào
mô hình. Đó là mô hình luận văn sẽ s dụng để huấn luyện và nhận
dạng trong uá trình giải uy t bài toán đưa ra.


10
Nội dung trong chư ng 3 ti p theo, luận văn sẽ trình bày hệ
thống phân tích dáng đi chống đau s dụng máy véc t hỗ trợ cũng
như k t uả thực nghiệm trên hệ thống đó.


11
CHƯƠNG 3– PHÂN TÍCH DÁNG ĐI CHỐNG ĐAU SỬ DỤNG
MÁY VÉC TƠ HỖ TRỢ
Nội dung của chư ng này là ti n hành kiểm chứng mô hình đề
ra theo các bước: đưa ra cái nhìn tổng uan về hệ thống, ây dựng dữ

liệu, trích chọn đặc trưng, huấn luyện và nhận dạng để kiểm chứng
k t uả.
3.1. Tổng quan hệ thống
Quá trình

l được nghiên cứu s 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 ây dựng
từ các công cụ mô phỏng 3D.
- Tiền xử lý: Từ dữ liệu vào ta thực hiện các bước

l ảnh c

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 k t hợp với phư ng 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
t đặc trưng cho c a sổ).
- Huấn luyện: Dựa vào các thông số thu được từ trích chọn
đặc trưng để ác định một véc t đặc trưng, s dụng các mô hình đã
có như mạng n -ron nhân tạo, mô hình Markov ẩn, máy véc t hỗ
trợ… ây dựng một mô hình phù hợp để huấn luyện dữ liệu. Ở đây
luận văn s dụng máy véc t hỗ trợ để ây dựng mô hình dáng đi.


12
- Kết luận:S dụng mô hình được ây 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
t đặc trưng được trích chọn, sau đó đưa ra k t luận người đó có
dáng đi chống đau hay không.

Hình 3.1. Giải pháp đề xuất.
3.2. Xây dựng dữ liệu
Dữ liệu huấn luyện và dữ liệu kiểm th được lấy từ mô hình
3D mô phỏng con người với dáng đi được thi t lập sẵn. Mô hình này
được ây dựng nhờ công cụ MakeHuman k t hợp với Blender.
3.2.1. Phần mềm thiết kế 3D MakeHuman


13

Hình 3.2. Giao diện công cụ MakeHuman.
3.2.2. Phần mềm Blender

Hình 3.3. Giao diện phần mềm Blender.


14

Hình 3.4. Dữ liệu dáng đi chống đau.
3.3. Trích đặc trưng HoG
Bài toán tính toán HOG thường gồm 5 bước:
Bước 1. Chuẩn hóa hình ảnh trước khi xử lý
Bước 2. Tính gradient

Hình 3.5. Ảnh đầu vào và HoG.

Bước 3. Tính véc tơ đặc trưng cho từng ô


15
Bước 3. Tính véc tơ đặc trưng cho từng ô

Hình 3.6. Chia khối trích đặc trưng HoG.
Bước 4. Tính và chuẩn hóa véc tơ cho các khối
Bước 5. Tính véc tơ cho ảnh

Hình 3.7. Các bước rút trích đặc trưng HoG.


16
3.4. Huấn luyện
3.4.1. Bài toán phân lớp
Kỹ thuật phân lớp dữ liệu được ti n hành bao gồm 2 bước:
Bước 1: Xây dựng mô hình
- Mỗi bộ/mẫu dữ liệu được phân vào một lớp được ác định
trước;
- Lớp của một bộ/mẫu dữ liệu được ác định bởi thuộc tính
gán nhãn lớp;
- Tập các bộ/mẫu dữ liệu huấn luyện - tập huấn luyện - được
dùng để ây dựng mô hình;
- Mô hình được biểu diễn bởi các luật phân lớp,các cây uy t
định hoặc các công thức toán học;
Bước 2: Sử dụng mô hình
- Phân lớp cho những đối tượng mới hoặc chưa được phân
lớp;
- Đánh giá độ chính ác của mô hình:

Lớp bi t trước của một bộ/mẫu dữ liệu đem kiểm tra
được so sánh với k t uả thu được từ mô hình;
Tỉ lệ chính ác bằng phần trăm các bộ/mẫu dữ liệu được
phân lớp đúng bởi mô hình trong số các lần kiểm tra.
3.4.2. Xây dựng mô hình phân lớp sử dụng SVM để nhận dạng
dáng đi
Phư ng pháp SVM yêu cầu dữ liệu được diễn tả như các
vector của các số thực. Như vậy n u đầu vào chưa phải là số thì ta
cần phải tìm cách chuyển chúng về dạng số của SVM.


17
• Tiền

l dữ liệu: Thực hiện bi n đổi dữ liệu phù hợp cho uá

trình tính toán, tránh các số uá lớn mô tả các thuộc tính.
Thường nên co giãn(scaling) dữ liệu chuyển về đoạn [-1,1]
hoặc [0,1].
• Chọn hàm hạt nhân: Lựa chọn hàm hạt nhân phù hợp tư ng
ứng cho từng bài toán cụ thể để đạt độ chính ác cao trong uá
trình phân lớp.
• Thực hiện việc kiểm tra chéo để ác định các tham số cho ứng
dụng: Điều này cũng uy t định đ n tính chính ác của uá
trình phân lớp.
• S dụng các tham số cho việc huấn luyện với tập mẫu: Trong
quá trình huấn luyện sẽ s dụng thuật toán tối ưu hóa khoảng
cách giữa các siêu phẳng trong uá trình phân lớp, ác định
hàm phân lớp trong không gian đặc trưng nhờ việc ánh ạ dữ
liệu vào không gian đặc trưng bằng cách mô tả hạt nhân và

cuối cùng là kiểm th tập dữ liệu.
3.4.3. Phát hiện dáng đi chống đau
Các video dùng để huấn luyện sẽ được cắt thành nhiều khung
hình. Sau đó các khung này được đưa về dạng ảnh ám, cắt sao cho
ảnh bao sát c thể người và đưa về kích thước 100*100p . Sau khi
tiền

l , ti n hành lấy đặc trưng HoG của các khung ảnh này. Các

véc t đặc trưng thu được sẽ được đưa vào mô hình SVM để huấn
luyện. Dữ liệu được phân thành 2 lớp với các nhãn là: Bình thường
và Dáng đi chống đau.
Sau khi đã huấn luyện, uy định các ngưỡng để ti n hành nhận dạng
phát hiện dáng đi chống đau. Đối với khung ảnh lấy từ video đầu
vào, tỉ lệ phù hợp của khung ảnh đó thuộc lớp nào cao h n thì k t


18
luận thuộc lớp đó. Đối với video đầu vào, tỉ lệ khung ảnh thuộc lớp
dáng đi chống đau trên 60% thì k t luận người này có dáng đi chống
đau.
3.5. Kết quả thực nghiệm
3.5.1. Dữ liệu thử nghiệm
Bảng 3.1. Số khung hình lấy từ mỗi nhân vật.
Dáng đi
Nhân vật

Đi bình thường

Đi chống đau


Nhân vật 1

200

150

Nhân vật 2

170

200

Nhân vật 3

150

200

Nhân vật 4

150

150

Nhân vật 5

200

180


Nhân vật 6

180

170

Các khung hình thu được từ các nhân vật 1, 2, 3, 4 được đưa vào
huấn luyện. Dữ liệu thu được từ các nhân vật 4, 5, 6 được dùng cho
th nghiệm.
3.5.2. Quá trình thực nghiệm
Bước 1: Xây dựng c sở dữ liệu từ công cụ MakeHuman và
Blender
Bước 2: X l dữ liệu huấn luyện: Detect đối tượng trong
khung hình, scale về kích thước 100*100p , chuyển ảnh thành ảnh
màu grayscale.
Bước 3: Trích uất đặc trưng HoG.


19
Bước 4: Đưa dữ liệu huấn luyện vào mô hình SVM.
Bước 5: Nhận dạng.
3.5.3. Kết quả thử nghiệm
K t uả nhận dạng được thể hiện ở bảng sau:
Bảng 2.2. Kết quả nhận dạng dáng đi.
Khung hình
Nhân vật

Dáng đi


nhận dạng
đúng

4
5
6

Kết luận dáng
đi đúng

Bình thường

98%

100%

Chống đau

65%

100%

Bình thường

94%

100%

Chống đau


62%

100%

Bình thường

95%

100%

Chống đau

64%

100%

3.6. Tổng kết chương 3
SVM được đánh giá là một hướng ti p cận phân lớp đạt độ
chính ác cao. Hạn ch lớn nhất của SVM là tốc độ phân lớp rất
chậm, Tuy nhiên, SVM vẫn được đánh giá là phư ng pháp học máy
tiên ti n đã đóng góp nhiều thành công trong các lĩnh vực khai phá
dữ liệu cũng như trong lĩnh vực nhận dạng.


20
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Thị giác máy tính là một lĩnh vực đã và đang phát triển mạnh
mẽ trên th giới nói chung và Việt Nam nói riêng. Khái niệm về thị
giác máy tính có liên uan đ n nhiều ngành học và có nhiều hướng
nghiên cứu khác nhau. Đặc biệt, với nhu cầu ngày càng tăng của các

hệ thống giám sát trực uan, nhận dạng các đối tượng người ở một
khoảng cách nhất định được uan tâm nhiều h n trong thời gian gần
đây. Sự phát triển của các kỹ thuật thị giác máy tính cũng ảnh hưởng
lớn theo chiều hướng tích cực tới khả năng nâng cao độ chính ác
của các phư ng pháp phân tích dáng đi.
Luận văn này đã trình bày tổng uan về dáng đi chống đau,
các công cụ, các cách biểu diễn đặc trưng được s dụng trong phân
tích dáng đi, các phư ng pháp phân tích dáng đi hiện có, từ đó đề
uất phư ng pháp phân tích dáng đi chống đau của người bị bệnh
ư ng khớp dựa vào đặc trưng HoG và phư ng pháp học máy SVM.
Trong phạm vi của luận văn, mô hình đề uất là dữ liệu 3D
thu từ một camera sẽ được chuyển sang dữ liệu 2D để

l . Và để

triển khai bài toán trên một môi trường rộng h n, tác giả cần phải
l trên dữ liệu thực thu được từ camera. Đồng thời tác giả cần lựa
chọn những đặc trưng k t hợp phù hợp để thực hiện
dữ liệu 3D.Vì vậy, việc nghiên cứu trên nền tảng

l được trên
l dữ liệu 3D

thu được từ camera là một hướng phát triển tiềm năng cần được lưu
của đề tài.