Giảm chi phí tính toán cho thiết bị phát hiện ngã sử dụng bộ lọc tiền xử lý Mahalanobis
DOI:
https://doi.org/10.54939/1859-1043.j.mst.114.2026.47-54Từ khóa:
Phát hiện ngã; Khoảng cách Mahalanobis; TinyML; Tính toán tại biên; Thiết bị đeo; Tính toán hiệu quả.Tóm tắt
Nghiên cứu này trình bày một khung hai giai đoạn cho việc phát hiện ngã trên các thiết bị nhúng đeo được. Phương pháp đề xuất sử dụng khoảng cách Mahalanobis làm bộ tiền lọc nhẹ để xác định các cửa sổ gia tốc rủi ro thấp trước khi kích hoạt bộ phân loại CNN. Bằng cách kết hợp 9 đặc trưng thống kê thành một giá trị khoảng cách có tính đến hiệp phương sai, giai đoạn đầu cung cấp một cơ chế sàng lọc đơn giản và có thể tùy chỉnh để triển khai trên MCU. Đánh giá trên bộ dữ liệu KFall cho thấy bộ tiền lọc vừa duy trì độ nhạy ngã cao, vừa giảm đáng kể số lần thực thi CNN. Các phép đo phần cứng trên ESP32-S3 xác nhận giai đoạn Mahalanobis chỉ tốn một lượng chi phí thời gian chạy rất nhỏ so với suy luận CNN, giúp hệ thống giảm khoảng 60% tính toán trung bình so với phương án chỉ dùng CNN. Kết quả này chỉ ra rằng tiền lọc thống kê có thể nâng cao hiệu suất phát hiện ngã của TinyML mà vẫn giữ lại phân loại nơ-ron cho các chuyển động mơ hồ. Nghiên cứu tương lai sẽ tập trung thử nghiệm trên người cao tuổi, đánh giá trong đời sống hàng ngày, đo lường năng lượng dài hạn và hiệu chuẩn ngưỡng thích ứng cho từng người dùng.
Tài liệu tham khảo
[1]. Z. Jiang et al., “Fall Detection Systems for Internet of Medical Things Based on Wearable Sensors: A Review”, IEEE Internet Things J., vol. 11, no. 21, pp. 34797–34810, (2024). DOI: 10.1109/JIOT.2024.3421336.
[2]. A. Ramachandran and A. Karuppiah, “A Survey on Recent Advances in Wearable Fall Detection Systems”, BioMed Research International, vol. 2020, no. 1, p. 2167160, (2020). DOI: 10.1155/2020/2167160.
[3]. J. Liu et al., “A review of wearable sensors based fall-related recognition systems”, Engineering Applications of Artificial Intelligence, vol. 121, p. 105993, (2023). DOI: 10.1016/j.engappai.2023.105993.
[4]. C. V. F. Pereira, E. M. De Oliveira, and A. D. De Souza, “Machine Learning Applied to Edge Computing and Wearable Devices for Healthcare: Systematic Mapping of the Literature”, Sensors, vol. 24, no. 19, p. 6322, (2024). DOI: 10.3390/s24196322.
[5]. H. Haresamudram, C. I. Tang, S. Suh, P. Lukowicz, and T. Plötz, “Past, Present, and Future of Sensor-based Human Activity Recognition Using Wearables: A Surveying Tutorial on a Still Challenging Task”, Proc. ACM Interact. Mob. Wearable Ubiquitous Technol., vol. 9, no. 2, pp. 1–44, (2025). DOI: 10.1145/3729467.
[6]. O. Aziz, M. Musngi, E. J. Park, G. Mori, and S. N. Robinovitch, “A comparison of accuracy of fall detection algorithms (threshold-based vs. machine learning) using waist-mounted tri-axial accelerometer signals from a comprehensive set of falls and non-fall trials”, Med Biol Eng Comput, vol. 55, no. 1, pp. 45–55, (2017). DOI: 10.1007/s11517-016-1504-y.
[7]. J. He, Z. Zhang, X. Wang, and S. Yang, “A Low Power Fall Sensing Technology Based on FD-CNN”, IEEE Sensors J., vol. 19, no. 13, pp. 5110–5118, (2019). DOI: 10.1109/JSEN.2019.2903482.
[8]. X. Yu et al., “A practical wearable fall detection system based on tiny convolutional neural networks”, Biomedical Signal Processing and Control, vol. 86, p. 105325, (2023). DOI: 10.1016/j.bspc.2023.105325.
[9]. J. Peng, X. Zhang, and H. Li, “A LSTM-Based Fall Prediction Method Using IMU”, Advances in Asian Mechanism and Machine Science, N. V. Khang, N. Q. Hoang, and M. Ceccarelli, Eds., Mechanisms and Machine Science, vol. 113, Cham: Springer International Publishing, pp. 680–690, (2022). DOI: 10.1007/978-3-030-91892-7_65.
[10]. X. Hu, S. Yu, J. Zheng, Z. Fang, Z. Zhao, and X. Qu, “A hybrid CNN-LSTM model for involuntary fall detection using wrist-worn sensors”, Advanced Engineering Informatics, vol. 65, p. 103178, (2025). DOI: 10.1016/j.aei.2025.103178.
[11]. T.-H. Nguyen et al., “A frame-level video annotation tool for dynamic gestures and apply in Vietnamese sign language”, J. Mil. Sci. Technol., vol. 112, pp. 167–175, (2026). DOI: 10.54939/1859-1043.j.mst.112.2026.167-175.
[12]. Y. Li et al., “A Decade of Progress in Wearable Sensors for Fall Detection (2015–2024): A Network-Based Visualization Review”, Sensors, vol. 25, no. 7, p. 2205, (2025). DOI: 10.3390/s25072205.
[13]. S. R. Shakya, E. Ceh-Varela, J. Martinez, M. Fisher, and H. Allamezadeh, “Optimized CNN-Based Fall Detection for Elderly Using Wearable Devices on Resource-Constrained Devices”, 2025 IEEE 18th Dallas Circuits and Systems Conference (DCAS), Arlington, TX, USA: IEEE, pp. 1–6, (2025). DOI: 10.1109/DCAS65331.2025.11045488.
[14]. V. Divya and R. L. Sri, “Docker-Based Intelligent Fall Detection Using Edge-Fog Cloud Infrastructure”, IEEE Internet Things J., vol. 8, no. 10, pp. 8133–8144, (2021). DOI: 10.1109/JIOT.2020.3042502.
[15]. T. Sözer, “A cost-effective embeddable algorithm for accelerometer-based fall detector”, Engineering Science and Technology, an International Journal, (2025). DOI: 10.1016/j.jestch.2025.102185.
[16]. N. B. Nguyen, Assoc. Prof. D. N. Pham Minh, A. Phan Huy, and Pham Hoang Hung, “Enhance micro-Doppler signatures-based human activity classification accuracy of FMCW radar using the threshold method”, J. Mil. Sci. Technol., vol. 95, pp. 20–28, (2024). DOI: 10.54939/1859-1043.j.mst.95.2024.20-28.
[17]. G. J. McLachlan, “Mahalanobis distance”, Reson, vol. 4, no. 6, pp. 20–26, (1999). DOI: 10.1007/BF02834632.
[18]. X. Yu, J. Jang, and S. Xiong, “A Large-Scale Open Motion Dataset (KFall) and Benchmark Algorithms for Detecting Pre-impact Fall of the Elderly Using Wearable Inertial Sensors”, Front. Aging Neurosci., vol. 13, p. 692865, (2021). DOI: 10.3389/fnagi.2021.692865.
