Page 279 - SDMD CNKT va CNTT trong tien trinh CNH_HDH DBSCL

Việc dạy và học các môn giáo dục thể chất ở các trường đại học, cao
đẳng trong bối cảnh dịch bệnh cũng là một vấn đề rất được quan tâm. Thể
thao không chỉ là môn học mà còn giúp sinh viên duy trì và nâng cao sức khỏe
và chống lại bệnh tật, tạo sự dẻo dai để vượt qua đại dịch an toàn. Chính vì
vậy, các hệ thống hướng dẫn sinh viên để luyện tập đúng tư thế đã được đề
xuất. Một nhóm nghiên cứu tại Trường Đại học Cần Thơ đã đề xuất một hệ
thống phân loại tư thế cho bài võ Taekwondo 1 (Taegeuk Il Jiang) sử dụng
kỹ thuật Nhóm chuyên gia hình ảnh chuyển động nhanh (Fast Forward
Moving Picture Experts Group - FFMPEG) để trích xuất hình ảnh từ video
Taekwondo và tạo dữ liệu khung từ các khung được trích xuất bằng MoveNet
(Hoang et al., 2022). Sau đó, các tác giả thực hiện các nhiệm vụ phân loại tư
thế cho bài Taekwondo 1 với các kiến trúc học sâu như mạng thần kinh tích
chập nông, mạng VGGNet, Inception và mạng Bộ nhớ ngắn hạn dài. Hình
13.5 là luồng xử lý tổng quát của hệ thống.

Hình 13.5. Đề xuất hệ thống phát hiện tư thế Taekwondo
(Nguồn: Hoang et al., 2022)

Theo kết quả thực nghiệm, Inception đạt được hiệu suất tốt nhất trong
khi VGG (Visual Geometry Group) thể hiện ở mức thấp nhất. Ngoài ra, các
tác giả cũng nhận thấy LSTM (Long Short Term Memory) cho kết quả kém
hơn so với kiến trúc nông. Nghiên cứu này được kỳ vọng sẽ nâng cao chất
lượng học tập của sinh viên và đánh giá của giáo viên trong các bài học
Taekwondo. Ngoài ra, hệ thống hỗ trợ sinh viên tự học và đánh giá tại nhà
một cách dễ dàng. Nó cũng góp phần ứng dụng trí tuệ nhân tạo (artificial
intelligence - AI) trong giáo dục trong bối cảnh của cuộc cách mạng công
nghiệp lần thứ tư.
Gần đây, các mô hình gợi ý sử dụng kỹ thuật học sâu (deep learning)
hoặc kết hợp giữa kỹ thuật lọc cộng tác với kỹ thuật học sâu được quan tâm
nhiều hơn. Fu et al. (2019) đề xuất kết hợp mô hình lọc cộng tác với học sâu.

265