Dưới đây là kế hoạch hoàn chỉnh phiên bản mạnh hơn cho paper phát hiện té ngã, có dataset link, mô tả dataset, method lấy từ các paper khác, proposed method, thí nghiệm, bảng kết quả và lộ trình chạy.
1. Hướng paper chốt
Tên paper đề xuất
DynaFall: Robust Skeleton-Based Fall Detection via Keypoint Dynamics and Graph-Based Benchmarking
Tên này tốt hơn tên cũ vì nó thể hiện 2 điểm:
- Có model riêng: DynaFall.
- Có benchmark với các method mạnh từ paper khác: ST-GCN, 2s-AGCN, CTR-GCN, PoseC3D, TCNTE-style.
Ý tưởng chính:
RGB Video
→ YOLO Pose
→ 17-keypoint skeleton sequence
→ Joint / Bone / Dynamics features
→ Compare with strong skeleton methods
→ Proposed DynaFall-GCN
→ Fall / Non-fall
Paper sẽ không còn đơn giản là “dùng CNN/LSTM/Transformer để phân loại té ngã”, mà thành:
Một framework phát hiện té ngã dựa trên skeleton, chạy lại các method skeleton action recognition mạnh trên cùng dataset, sau đó đề xuất model chuyên biệt cho fall detection bằng keypoint dynamics và confidence-aware dropout.
2. Dataset dùng trong paper
Tôi khuyên dùng 2 dataset chính + 1 dataset backup/extension.
Dataset chính 1: UR Fall Detection Dataset — URFD
Link dataset: UR Fall Detection Dataset. (Fenix)
Mô tả: URFD gồm 70 sequences, trong đó có 30 fall sequences và 40 activities of daily living — ADL sequences. Fall events được ghi bằng 2 Microsoft Kinect cameras kèm dữ liệu accelerometer; ADL events được ghi bằng camera 0 và accelerometer. (Fenix)
Vì sao nên dùng:
- Nhỏ, dễ chạy nhanh.
- Rất phổ biến trong fall detection.
- Phù hợp để debug pipeline trước.
- Có RGB video để trích xuất YOLO pose.
Vai trò trong paper:
Dataset kiểm tra nhanh + benchmark chính.
Dataset chính 2: Multiple Cameras Fall Dataset — MCFD
Link dataset: Multiple Cameras Fall Dataset. (Iro Montéal)
Mô tả: MCFD có 24 scenarios được ghi bằng 8 IP video cameras. 22 scenarios đầu chứa fall và các sự kiện gây nhầm lẫn; 2 scenarios cuối chỉ chứa các sự kiện gây nhầm lẫn. (Iro Montéal)
Vì sao nên dùng:
- Có nhiều góc camera.
- Phù hợp để kiểm tra robustness.
- Paper nhìn mạnh hơn URFD-only.
- Có các tình huống dễ gây nhầm: ngồi, cúi, nằm, chuyển động gần giống fall.
Vai trò trong paper:
Dataset kiểm tra multi-view + robustness.
Dataset backup/extension: UP-Fall Detection Dataset
Link dataset: UP-Fall / Challenge UP data page. (Google Sites)
Mô tả: Trang Challenge UP mô tả UP-Fall là dataset lớn cho fall detection, gồm 11 activities, 3 trials per activity, thực hiện bởi 12 subjects, bao gồm 6 hoạt động hằng ngày và 5 kiểu té ngã, thu bằng wearable sensors, ambient sensors và vision devices. (Google Sites) Paper gốc về UP-Fall cũng nhấn mạnh đây là dataset multimodal cho fall detection và human activity recognition. (MDPI)
Khi nào dùng:
- Nếu MCFD tải khó hoặc xử lý annotation khó.
- Nếu muốn paper mạnh hơn và có thêm dataset thứ 3.
- Nếu muốn hướng “multimodal dataset nhưng chỉ dùng RGB-derived pose”.
Khuyến nghị thực tế: Paper 8 trang cho hội nghị Q4 thì dùng URFD + MCFD là đủ. UP-Fall để backup.
3. Dataset protocol chốt
Trong paper ghi rõ:
Although some datasets provide depth, accelerometer, or multimodal signals, this study only uses RGB videos to extract human skeleton keypoints. This ensures a consistent vision-based evaluation protocol across all datasets.
Tức là:
| Dataset | Dữ liệu gốc có gì | Mình dùng gì |
|---|---|---|
| URFD | RGB, depth, accelerometer | Chỉ RGB → YOLO Pose |
| MCFD | Multi-camera RGB video | RGB → YOLO Pose |
| UP-Fall nếu dùng | wearable, ambient, vision | Chỉ RGB/vision → YOLO Pose |
Điểm này rất quan trọng để reviewer thấy so sánh công bằng.
4. Proposed method
Tên model
DynaFall-GCN
Ý tưởng
Model của mình không chỉ dùng skeleton thô, mà có 3 stream:
Stream 1: Joint stream
- x, y, confidence của 17 keypoints
Stream 2: Bone stream
- vector xương giữa các keypoints
Stream 3: Dynamics stream
- velocity
- acceleration
- torso angle
- hip drop
- body aspect ratio
- center-of-body motion
Sau đó dùng:
Graph-temporal encoder
+ confidence-aware keypoint dropout
+ classification head
5. Pipeline tổng thể
Input RGB Video
↓
Frame Sampling
T = 32 frames
↓
YOLOv8/YOLO11 Pose Extraction
17 COCO keypoints per frame
↓
Pose Normalization
bbox-centered normalization
↓
Feature Construction
joint + bone + dynamics
↓
Comparative Methods
ST-GCN / 2s-AGCN / CTR-GCN / PoseC3D / TCNTE-style
↓
Proposed DynaFall-GCN
joint stream + bone stream + dynamics stream
↓
Robustness Evaluation
missing keypoints / lower-body occlusion / low-confidence mask
↓
Fall / Non-fall Prediction
6. Các method từ paper khác để chạy lại
Đây là phần giúp paper “hay hơn” và không bị đơn giản.
6.1 LSTM baseline
Dùng để kiểm tra sequence baseline.
Input:
32 frames × 17 keypoints × 3
→ flatten
→ 32 × 51
Vai trò:
Basic temporal baseline.
6.2 ST-GCN
Paper: Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition, AAAI 2018.
ST-GCN mô hình hóa skeleton như một graph không-thời gian, trong đó keypoints là nodes, bones là edges, và mô hình học cả quan hệ không gian giữa khớp và quan hệ thời gian giữa frames. (AAAI Publications)
Áp dụng vào paper:
Input: N × C × T × V × M
C = 3
T = 32
V = 17
M = 1
Output = Fall / Non-fall
Vai trò:
Classic graph-based skeleton baseline.
6.3 2s-AGCN
Paper: Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition, CVPR 2019.
2s-AGCN mạnh hơn ST-GCN vì graph topology có thể được học thích nghi, không cố định hoàn toàn. Method này cũng dùng hai stream: joint stream và bone stream, trong đó bone stream chứa thông tin độ dài và hướng xương. (arXiv)
Áp dụng:
Joint stream: keypoint coordinates
Bone stream: bone vectors
Final prediction: score fusion
Vai trò:
Adaptive graph + bone information baseline.
6.4 CTR-GCN
Paper: Channel-wise Topology Refinement Graph Convolution for Skeleton-Based Action Recognition, ICCV 2021.
CTR-GCN học graph topology theo từng channel, giúp mô hình học các quan hệ khớp khác nhau cho từng loại feature. Đây là một baseline GCN mạnh cho skeleton action recognition. (arXiv)
Áp dụng:
Input: joint + bone skeleton sequence
Graph: COCO 17-keypoint topology
Output: Fall / Non-fall
Vai trò:
Strong graph-based baseline.
6.5 PoseC3D / PoseConv3D
Paper: Revisiting Skeleton-based Action Recognition, CVPR 2022.
PoseC3D/PoseConv3D không dùng graph sequence trực tiếp, mà chuyển pose thành 3D heatmap volume. Paper gốc cho rằng cách này hiệu quả hơn trong học spatiotemporal features, robust hơn với pose estimation noise và generalize tốt hơn trong cross-dataset settings. (CVF Open Access)
Áp dụng:
YOLO keypoints
→ 3D pose heatmap volume
→ 3D CNN
→ Fall / Non-fall
Vai trò:
Heatmap-based skeleton baseline.
6.6 TCNTE-style
Paper: Real-time skeleton-based fall detection algorithm based on Temporal Convolutional Networks and Transformer Encoder, 2025.
TCNTE kết hợp Temporal Convolutional Network với Transformer Encoder cho fall detection thời gian thực, dùng YOLOv8 pose extraction, BoT-SORT tracking, và weighted focal loss để xử lý mất cân bằng lớp. (ScienceDirect)
Áp dụng:
TCN + Transformer Encoder
Input: skeleton sequence
Loss: weighted focal loss
Output: Fall / Non-fall
Vai trò:
Recent fall-specific temporal baseline.
7. Bảng method chính trong paper
Nên đưa bảng này vào phần Experimental Setup.
| Method | Loại | Nguồn gốc | Input | Vai trò |
|---|---|---|---|---|
| LSTM | Sequence model | baseline phổ biến | joint sequence | baseline cơ bản |
| ST-GCN | Graph-based | AAAI 2018 | joint graph | skeleton baseline kinh điển |
| 2s-AGCN | Adaptive GCN | CVPR 2019 | joint + bone | baseline mạnh hơn ST-GCN |
| CTR-GCN | Refined GCN | ICCV 2021 | joint + bone | strong GCN baseline |
| PoseC3D | Heatmap 3D CNN | CVPR 2022 | pose heatmap | khác hướng GCN |
| TCNTE-style | TCN + Transformer | fall detection 2025 | skeleton sequence | fall-specific baseline |
| DynaFall-GCN | Proposed | ours | joint + bone + dynamics | model chính |
8. Điểm mới của DynaFall-GCN so với các method kia
| Thành phần | ST-GCN | 2s-AGCN | CTR-GCN | PoseC3D | TCNTE | DynaFall-GCN |
|---|---|---|---|---|---|---|
| Joint stream | Có | Có | Có | Heatmap | Có | Có |
| Bone stream | Không | Có | Có | Không trực tiếp | Không rõ | Có |
| Velocity/Acceleration | Không | Không | Không | Không trực tiếp | Có thể có motion temporal | Có rõ |
| Torso angle | Không | Không | Không | Không | Không | Có |
| Hip drop | Không | Không | Không | Không | Không | Có |
| Body aspect ratio | Không | Không | Không | Không | Không | Có |
| Confidence-aware dropout | Không | Không | Không | Không | Không rõ | Có |
| Robustness test missing keypoints | Không bắt buộc | Không bắt buộc | Không bắt buộc | Có thể robust | Không bắt buộc | Có |
Thông điệp chính:
Các method skeleton action recognition mạnh học action nói chung, còn DynaFall-GCN đưa thêm fall-specific dynamics và robustness training để phù hợp hơn với bài toán té ngã.
9. Chi tiết xử lý dữ liệu
Step 1: Download dataset
Tải:
- URFD từ trang chính thức. (Fenix)
- MCFD từ trang dataset của Université de Montréal. (Iro Montéal)
- UP-Fall chỉ dùng nếu cần backup hoặc mở rộng. (Google Sites)
Step 2: Chuẩn hóa thư mục
fall_project/
├── data/
│ ├── raw/
│ │ ├── URFD/
│ │ ├── MCFD/
│ │ └── UPFall_optional/
│ ├── poses/
│ ├── clips/
│ └── splits/
├── src/
├── configs/
├── results/
└── paper/
Step 3: Trích xuất pose
Dùng:
YOLOv8n-pose hoặc YOLO11n-pose
Output mỗi frame:
17 keypoints × 3
x, y, confidence
Nếu có nhiều người trong frame:
Chọn người có bbox lớn nhất.
Lý do:
Fall datasets thường chỉ có một subject chính.
Step 4: Normalize keypoints
Với mỗi frame:
x_norm = (x - bbox_center_x) / bbox_width
y_norm = (y - bbox_center_y) / bbox_height
confidence giữ nguyên
Output:
T × 17 × 3
Trong đó:
T = 32 frames
Step 5: Tạo clip
Dùng:
clip length = 32 frames
stride = 16
Nếu video ngắn:
uniform sampling hoặc padding frame cuối
Quan trọng:
Chia train/val/test theo video trước, rồi mới tạo clip.
Không random clip trực tiếp vì sẽ leak dữ liệu.
10. Feature engineering cho proposed model
10.1 Joint features
x, y, confidence
Shape:
32 × 17 × 3
10.2 Bone features
Dựa trên COCO skeleton edges:
bone_vector = child_joint - parent_joint
Các cạnh chính:
nose-eye-ear
shoulder-elbow-wrist
shoulder-hip
hip-knee-ankle
left-right shoulder
left-right hip
Shape:
32 × 17 × 3
10.3 Dynamics features
Tạo thêm:
velocity = p_t - p_{t-1}
acceleration = v_t - v_{t-1}
torso angle
hip drop
body aspect ratio
center-of-body velocity
Fall thường có:
torso angle thay đổi nhanh
hip y-coordinate tụt nhanh
bbox height/width thay đổi
center-of-body velocity lớn
Đây là điểm giúp model chuyên biệt cho fall detection.
11. Mô hình DynaFall-GCN
Kiến trúc đề xuất
Input skeleton sequence
↓
Confidence-aware keypoint dropout
↓
Joint GCN branch
↓
Bone GCN branch
↓
Dynamics temporal branch
↓
Feature fusion
↓
MLP classifier
↓
Fall / Non-fall
Chi tiết 3 branch
Branch 1: Joint GCN
Học quan hệ giữa các khớp.
Input: normalized joint coordinates
Encoder: lightweight ST-GCN / graph-temporal block
Branch 2: Bone GCN
Học hướng và độ thay đổi của xương.
Input: bone vectors
Encoder: graph-temporal block
Branch 3: Dynamics branch
Học các đặc trưng rơi.
Input: velocity, acceleration, torso angle, hip drop, aspect ratio
Encoder: TCN + attention pooling
Fusion
f = concat(f_joint, f_bone, f_dyn)
logits = MLP(f)
12. Confidence-aware keypoint dropout
Đây là điểm mới dễ viết.
Ý tưởng
Trong thực tế, pose estimator có thể mất keypoint do:
che khuất
camera góc xấu
người nằm sát sàn
motion blur
Do đó, khi train, mình chủ động mask keypoints.
Cách làm
Nếu confidence thấp:
conf < 0.3
thì xác suất bị mask cao hơn.
Ví dụ:
high-confidence keypoint: mask probability = 0.1
low-confidence keypoint: mask probability = 0.5
Khi mask:
x = 0
y = 0
confidence = 0
velocity = 0
acceleration = 0
13. Thí nghiệm cần chạy
Experiment 1: Main comparison
Chạy tất cả method trên từng dataset.
URFD train/test
MCFD train/test
Bảng:
| Method | URFD Acc | URFD Recall | URFD F1 | MCFD Acc | MCFD Recall | MCFD F1 |
|---|---|---|---|---|---|---|
| LSTM | ||||||
| ST-GCN | ||||||
| 2s-AGCN | ||||||
| CTR-GCN | ||||||
| PoseC3D | ||||||
| TCNTE-style | ||||||
| DynaFall-GCN |
Experiment 2: Ablation study
Chỉ chạy trên model của mình.
| Variant | Joint | Bone | Dynamics | Dropout | F1 | Recall |
|---|---|---|---|---|---|---|
| A1 | ✓ | |||||
| A2 | ✓ | ✓ | ||||
| A3 | ✓ | ✓ | ✓ | |||
| A4 | ✓ | ✓ | ✓ | Random dropout | ||
| A5 | ✓ | ✓ | ✓ | Confidence-aware dropout |
Mục tiêu:
Bone giúp tăng F1.
Dynamics giúp tăng Recall.
Confidence-aware dropout giúp robustness tốt hơn.
Experiment 3: Robustness under missing keypoints
Tạo test set bị mất keypoint:
Clean
Missing-10
Missing-20
Missing-30
Upper-body missing
Lower-body missing
Low-confidence masking
Bảng:
| Method | Clean F1 | Missing-10 | Missing-20 | Missing-30 | Lower-body missing |
|---|---|---|---|---|---|
| ST-GCN | |||||
| 2s-AGCN | |||||
| CTR-GCN | |||||
| PoseC3D | |||||
| TCNTE-style | |||||
| DynaFall-GCN |
Đây là bảng nên nhấn mạnh trong paper.
Experiment 4: Cross-dataset generalization
Train URFD → Test MCFD
Train MCFD → Test URFD
Bảng:
| Train | Test | ST-GCN | 2s-AGCN | CTR-GCN | PoseC3D | TCNTE-style | Ours |
|---|---|---|---|---|---|---|---|
| URFD | MCFD | ||||||
| MCFD | URFD |
Nếu kết quả thấp cũng không sao. Cross-dataset thường khó. Chỉ cần proposed giảm ít hơn baseline.
Experiment 5: Runtime / Efficiency
Báo cáo:
Parameters
FLOPs nếu tính được
Inference time per clip
FPS
Bảng:
| Method | Params | FPS | F1 |
|---|---|---|---|
| ST-GCN | |||
| CTR-GCN | |||
| PoseC3D | |||
| TCNTE-style | |||
| DynaFall-GCN |
14. Metrics bắt buộc
Dùng:
Accuracy
Precision
Recall / Sensitivity
Specificity
F1-score
Macro-F1
FPS
Trong fall detection, cần nhấn mạnh:
Recall quan trọng hơn Accuracy vì bỏ sót fall nguy hiểm hơn báo nhầm.
15. Training setup
Split
Nếu dataset nhỏ:
5-fold cross-validation
Nếu muốn nhanh:
70% train
15% validation
15% test
Nhưng phải là:
video-level split
không phải frame-level split.
Seeds
Tối thiểu:
7, 13, 21
Tốt hơn:
7, 13, 21, 42, 100
Hyperparameters gợi ý
| Setting | Value |
|---|---|
| Clip length | 32 |
| Stride | 16 |
| Batch size | 16 hoặc 32 |
| Epochs | 80–100 |
| Optimizer | AdamW |
| Learning rate | 1e-3 hoặc 5e-4 |
| Weight decay | 1e-4 |
| Early stopping | patience 10 |
| Loss | CrossEntropy / Weighted Focal Loss |
16. Cấu trúc paper 8 trang
Title
DynaFall: Robust Skeleton-Based Fall Detection via Keypoint Dynamics and Graph-Based Benchmarking
Abstract
Nêu 5 ý:
fall detection quan trọng
RGB-based methods có privacy/computation issue
skeleton-based methods nhẹ hơn nhưng dễ bị pose noise
paper benchmark các skeleton methods mạnh
đề xuất DynaFall-GCN với dynamics + confidence-aware dropout
1. Introduction
Flow:
Fall detection quan trọng cho elderly care
Wearable sensors bất tiện, RGB video có privacy concern
Skeleton/keypoints là hướng nhẹ và privacy-preserving
Gap: nhiều bài chỉ so baseline đơn giản, ít benchmark method GCN/PoseC3D mạnh trên fall datasets
Gap: ít kiểm thử robustness khi mất keypoint
Contribution
2. Related Work
Chia 4 phần:
2.1 Vision-based fall detection
2.2 Skeleton-based action recognition
2.3 Graph-based skeleton models
2.4 Robust fall detection under occlusion
3. Proposed Method
3.1 Overview
3.2 Pose extraction
3.3 Skeleton normalization
3.4 Joint, bone, and dynamics representation
3.5 Confidence-aware keypoint dropout
3.6 DynaFall-GCN architecture
4. Experiments
4.1 Datasets
4.2 Comparative methods
4.3 Evaluation protocol
4.4 Implementation details
4.5 Metrics
5. Results and Discussion
5.1 Main comparison
5.2 Ablation study
5.3 Robustness analysis
5.4 Cross-dataset generalization
5.5 Runtime analysis
5.6 Error analysis
6. Conclusion
Nêu:
DynaFall-GCN hiệu quả và robust
skeleton giúp privacy-preserving
hạn chế: dataset vẫn là simulated falls
future work: real-world elderly care, edge deployment, multimodal fusion
17. Figures nên có
Figure 1: Overall framework
RGB Video
→ Pose Extraction
→ Skeleton Normalization
→ Joint/Bone/Dynamics Features
→ Comparative Skeleton Methods
→ DynaFall-GCN
→ Fall / Non-fall
Figure 2: DynaFall-GCN architecture
Joint Stream
Bone Stream
Dynamics Stream
→ Fusion
→ Classifier
Figure 3: Robustness scenarios
Clean skeleton
Missing-10
Missing-20
Missing-30
Lower-body occlusion
18. Bảng cần có trong paper
Tối thiểu nên có 5 bảng:
Table 1. Dataset statistics
Table 2. Main comparison with related methods
Table 3. Ablation study
Table 4. Robustness under missing keypoints
Table 5. Cross-dataset generalization
Nếu thiếu trang thì bỏ Table 5 hoặc đưa vào phụ lục, nhưng không nên bỏ Table 3 và Table 4.
19. Lộ trình chạy thực nghiệm
Phase 1: Dataset + pose extraction
Làm:
Download URFD + MCFD
Extract frames
Run YOLO pose
Save keypoints
Visual check skeleton
Output:
URFD_keypoints.pkl
MCFD_keypoints.pkl
Phase 2: Build clips
Làm:
video-level split
32-frame clips
stride 16
normalize skeleton
generate joint/bone/dynamics features
Output:
URFD_train.pkl / val.pkl / test.pkl
MCFD_train.pkl / val.pkl / test.pkl
Phase 3: Chạy baseline dễ trước
Chạy:
LSTM
ST-GCN
Mục tiêu:
kiểm tra data pipeline đúng chưa
Phase 4: Chạy method từ paper khác
Chạy:
2s-AGCN
CTR-GCN
PoseC3D
TCNTE-style
Phase 5: Chạy proposed
Chạy:
DynaFall-GCN joint only
DynaFall-GCN joint + bone
DynaFall-GCN joint + bone + dynamics
DynaFall-GCN full + confidence-aware dropout
Phase 6: Robustness test
Test tất cả model chính trên:
Clean
Missing-10
Missing-20
Missing-30
Lower-body missing
Low-confidence masking
Phase 7: Viết paper
Thứ tự viết nên là:
Method
Experiments
Results
Introduction
Related Work
Abstract
Conclusion
20. Bản tối giản nếu thiếu thời gian
Nếu deadline gấp, chỉ làm:
Datasets:
URFD + MCFD
Methods:
LSTM
ST-GCN
2s-AGCN
CTR-GCN
TCNTE-style
DynaFall-GCN
Bỏ nếu không kịp:
PoseC3D
Cross-dataset
5 seeds
Nhưng giữ bắt buộc:
Main comparison
Ablation
Robustness missing keypoints
21. Kế hoạch cuối cùng nên theo
Chốt hướng như sau:
Paper title:
DynaFall: Robust Skeleton-Based Fall Detection via Keypoint Dynamics and Graph-Based Benchmarking
Datasets:
URFD + MCFD
UP-Fall optional
Pose extractor:
YOLOv8n-pose hoặc YOLO11n-pose
Compared methods:
LSTM
ST-GCN
2s-AGCN
CTR-GCN
PoseC3D nếu kịp
TCNTE-style
Proposed:
DynaFall-GCN
= joint stream
+ bone stream
+ fall-specific dynamics stream
+ confidence-aware keypoint dropout
Experiments:
Main results
Ablation
Robustness
Cross-dataset nếu kịp
Runtime/FPS
Main claim:
DynaFall-GCN is a lightweight and privacy-preserving skeleton-based fall detection model that achieves competitive performance and better robustness under missing or unreliable keypoints.
Đây là kế hoạch hợp lý nhất cho hội nghị Q4: đủ mới, đủ method từ paper khác, đủ thí nghiệm, nhưng vẫn chạy được trong thời gian ngắn.