Công nghệ phát hiện té ngã hoạt động như thế nào?

Về logic, quá trình có thể hình dung theo chuỗi:

Chuyển động cơ thể → dữ liệu cảm biến → tiền xử lý → trích xuất đặc trưng → phát hiện mẫu bất thường → xác nhận cú ngã → cảnh báo

Điểm quan trọng là hệ thống không chỉ tìm một giá trị gia tốc “lớn”. Một cú ngã thường được đánh giá dựa trên diễn biến của chuyển động theo thời gian, sự thay đổi tư thế và trạng thái sau sự kiện. Đây cũng là lý do các phương pháp phát hiện hiện đại có thể kết hợp ngưỡng tín hiệu với học máy hoặc học sâu thay vì chỉ dựa vào một quy tắc đơn lẻ.

Thiết bị đeo thu dữ liệu gì khi một người bị ngã?

Gia tốc kế ghi nhận thay đổi chuyển động

Gia tốc kế đo gia tốc theo các trục không gian. Khi cơ thể thay đổi chuyển động nhanh, tín hiệu gia tốc cũng thay đổi theo. Một hệ thống có thể theo dõi cách các thành phần gia tốc trên các trục biến đổi trước, trong và sau một sự kiện nghi ngờ là té ngã.

Con quay hồi chuyển bổ sung thông tin về xoay và tư thế

Con quay hồi chuyển đo vận tốc góc, qua đó giúp nhận biết các chuyển động xoay hoặc thay đổi định hướng của cơ thể. Khi kết hợp với gia tốc kế, thiết bị có thêm thông tin về cả chuyển động tuyến tính lẫn chuyển động quay.

IMU giúp kết hợp nhiều tín hiệu chuyển động

Trong nhiều hệ thống, gia tốc kế và con quay hồi chuyển được tích hợp thành một cụm cảm biến quán tính, thường gọi là IMU. Dữ liệu từ IMU có thể được phân tích để nhận biết các đặc trưng như gia tốc, vận tốc góc, chuyển đổi tư thế và đặc điểm chuyển động.

Ngoài cảm biến quán tính, nghiên cứu về thiết bị đeo còn sử dụng cảm biến áp lực ở đế giày, cùng một số tín hiệu khác để bổ sung thông tin về dáng đi và trạng thái cơ thể.

Thuật toán nhận biết một cú ngã từ dữ liệu cảm biến ra sao?

Một tín hiệu riêng lẻ hiếm khi đủ để kết luận rằng người dùng đã bị ngã. Hệ thống thường xem dữ liệu trong một khoảng thời gian ngắn và tìm mẫu chuyển động.

Bước 1: Tiền xử lý tín hiệu

Dữ liệu cảm biến có thể chứa nhiễu hoặc dao động không liên quan đến sự cố. Vì vậy, hệ thống có thể thực hiện các bước như lọc nhiễu, chuẩn hóa dữ liệu và chuẩn bị tín hiệu trước khi đưa vào thuật toán nhận diện. Các nghiên cứu về hệ thống phát hiện té ngã hiện đại mô tả rõ vai trò của pipeline tiền xử lý này.

Bước 2: Trích xuất đặc trưng chuyển động

Từ tín hiệu thô, hệ thống có thể tạo ra các đặc trưng phản ánh cường độ và dạng chuyển động, chẳng hạn mức thay đổi gia tốc, vận tốc góc hoặc đặc điểm thay đổi tư thế.

Một phương pháp truyền thống có thể dùng ngưỡng: nếu tín hiệu vượt một mức nhất định và tiếp sau đó xuất hiện một trạng thái chuyển động phù hợp, sự kiện được đánh dấu là đáng nghi. Các nghiên cứu tổng quan đã ghi nhận những hệ thống dựa trên ngưỡng sử dụng đồng thời gia tốc kế và con quay hồi chuyển, kết hợp phân tích cường độ hoạt động, tư thế và quá trình chuyển đổi.

Bước 3: Phân loại mẫu chuyển động

Các hệ thống phức tạp hơn có thể dùng học máy như SVM, Random Forest hoặc các mạng nơ-ron để phân biệt mẫu “ngã” với mẫu “không ngã”. Các mô hình học sâu như CNN, LSTM và những kiến trúc mới hơn cũng đang được nghiên cứu cho bài toán này.

Điểm khác biệt là thuật toán không chỉ hỏi “gia tốc có lớn không?” mà cố gắng trả lời “toàn bộ chuỗi chuyển động này giống một cú ngã đến mức nào?”

Vì sao thiết bị phải phân biệt cú ngã với hoạt động bình thường?

Đây là một trong những phần khó nhất của công nghệ phát hiện té ngã. Cơ thể có thể tạo ra các tín hiệu mạnh trong nhiều tình huống không phải té ngã, chẳng hạn ngồi xuống nhanh, nhảy, chạy, va chạm hoặc thực hiện một động tác mạnh.

Nếu chỉ đặt một ngưỡng gia tốc, hệ thống có thể phát hiện được một số cú ngã nhưng đồng thời tạo ra nhiều cảnh báo giả. Tổng quan nghiên cứu cho thấy các phương pháp chỉ dựa trên thống kê hoặc ngưỡng truyền thống có thể gặp vấn đề về false alarm, trong khi các phương pháp học máy cố gắng khai thác nhiều đặc trưng hơn để cải thiện khả năng phân loại.

Vì vậy, một hệ thống có thể xem xét đồng thời:

·         Mức thay đổi chuyển động

·         Hướng và tốc độ xoay

·         Chuỗi chuyển động trước sự kiện

·         Sự thay đổi tư thế sau sự kiện

·         Khoảng thời gian người dùng duy trì trạng thái bất thường

Chính mối quan hệ giữa các tín hiệu theo thời gian giúp phân biệt một sự kiện thực sự đáng nghi với một động tác mạnh trong sinh hoạt thường ngày.

Sau khi phát hiện nghi ngờ té ngã, thiết bị làm gì?

Phát hiện một mẫu bất thường chưa đồng nghĩa với việc ngay lập tức gọi trợ giúp. Ở các hệ thống thực tế, bước quan trọng tiếp theo là xác nhận sự kiện.

Ví dụ, Apple Watch cho biết khi phát hiện một cú ngã mạnh, đồng hồ sẽ rung, phát âm báo và hiển thị cảnh báo để người dùng phản hồi. Apple cũng nêu rõ rằng thiết bị không thể phát hiện tất cả các cú ngã.

Cách tiếp cận này giải quyết hai vấn đề cùng lúc: giảm nguy cơ gửi cảnh báo khẩn cấp do nhận diện nhầm và vẫn tạo cơ hội để hệ thống hỗ trợ người dùng khi họ không thể tự phản hồi.

Ở cấp độ hệ thống, sau bước xác nhận, thiết bị có thể chuyển sang chuỗi hành động tiếp theo như gửi thông báo hoặc liên hệ khẩn cấp tùy thiết kế sản phẩm và cấu hình của người dùng.

Công nghệ phát hiện té ngã có giới hạn gì?

Không có thuật toán nào bảo đảm nhận diện chính xác mọi tình huống. Độ chính xác thực tế còn phụ thuộc vào vị trí đeo thiết bị, loại cảm biến, dữ liệu huấn luyện, kiểu chuyển động của người dùng và điều kiện hoạt động.

Vị trí đặt cảm biến cũng ảnh hưởng đến dữ liệu thu được. Các nghiên cứu sử dụng cảm biến tại vùng eo, hông, chân, cổ tay hoặc những vị trí khác và cho thấy mỗi vị trí tạo ra đặc điểm tín hiệu khác nhau.

Một hạn chế khác là dữ liệu nghiên cứu thường được thu trong những điều kiện có kiểm soát. Các tổng quan gần đây chỉ ra rằng khi đưa hệ thống vào đời thực, những vấn đề như khác biệt giữa người dùng, cảnh báo giả, mức tiêu thụ năng lượng, độ trễ và dữ liệu mất cân bằng có thể trở thành thách thức đáng kể.

Vì thế, chỉ nhìn vào một con số như “độ chính xác” của mô hình chưa đủ để đánh giá một sản phẩm. Với hệ thống cảnh báo an toàn, các chỉ số như sensitivity, specificity, false alarm rate, thời gian phản hồi và khả năng hoạt động thực tế cũng có ý nghĩa quan trọng.

Điều gì quyết định một hệ thống phát hiện té ngã đáng tin cậy?

Một hệ thống tốt không chỉ cần cảm biến nhạy mà phải cân bằng cả độ chính xác, tốc độ xử lý, mức tiêu thụ năng lượng và khả năng hoạt động ổn định trong đời thực.

Có thể hình dung chất lượng của hệ thống qua bốn lớp:

1.    Cảm biến: Thu được tín hiệu chuyển động đủ rõ

2.    Xử lý tín hiệu: Giảm nhiễu và biến dữ liệu thô thành đặc trưng hữu ích

3.    Thuật toán: Phân biệt mẫu té ngã với hoạt động bình thường

4.    Cơ chế xác nhận và cảnh báo: Hạn chế báo động giả nhưng vẫn phản ứng nhanh khi có sự cố

Các nghiên cứu hiện nay đang hướng tới những mô hình có khả năng chạy thời gian thực trên phần cứng hạn chế tài nguyên, đồng thời giảm năng lượng tiêu thụ và cải thiện khả năng thích nghi với sự khác biệt giữa người dùng.

Đây cũng là lý do phát hiện té ngã và dự đoán nguy cơ té ngã cần được phân biệt. Phát hiện té ngã tập trung nhận biết sự kiện đã xảy ra, còn đánh giá nguy cơ hướng tới việc nhận biết những dấu hiệu cho thấy một người có thể dễ bị ngã trong tương lai.

Thiết bị đeo phát hiện té ngã bằng cách biến chuyển động cơ thể thành dữ liệu, sau đó phân tích mức thay đổi chuyển động, hướng xoay, tư thế và diễn biến theo thời gian để nhận diện một mẫu phù hợp với sự cố. Các hệ thống đơn giản có thể dựa trên ngưỡng tín hiệu, còn hệ thống nâng cao sử dụng học máy hoặc học sâu để phân loại mẫu phức tạp hơn. Sau khi phát hiện, thiết bị thường cần thêm bước xác nhận trước khi phát cảnh báo.

Điểm cốt lõi cần nhớ là một chiếc đồng hồ hay thiết bị đeo không “biết” người dùng bị ngã chỉ từ một cú gia tốc mạnh. Giá trị của công nghệ nằm ở khả năng kết hợp nhiều tín hiệu và đọc chúng như một chuỗi chuyển động có ngữ cảnh, đồng thời xử lý giới hạn về cảnh báo giả, năng lượng và khác biệt giữa từng người dùng.