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:

1. Có **model riêng**: DynaFall.
2. Có **benchmark với các method mạnh từ paper khác**: ST-GCN, 2s-AGCN, CTR-GCN, PoseC3D, TCNTE-style.

Ý tưởng chính:

```text
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][1])

**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][1])

**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:**

```text
Dataset kiểm tra nhanh + benchmark chính.
```

---

## Dataset chính 2: Multiple Cameras Fall Dataset — MCFD

**Link dataset:** Multiple Cameras Fall Dataset. ([Iro Montéal][2])

**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][2])

**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:**

```text
Dataset kiểm tra multi-view + robustness.
```

---

## Dataset backup/extension: UP-Fall Detection Dataset

**Link dataset:** UP-Fall / Challenge UP data page. ([Google Sites][3])

**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][3]) Paper gốc về UP-Fall cũng nhấn mạnh đây là dataset multimodal cho fall detection và human activity recognition. ([MDPI][4])

**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:

```text
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:

```text
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:

```text
Graph-temporal encoder
+ confidence-aware keypoint dropout
+ classification head
```

---

# 5. Pipeline tổng thể

```text
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:

```text
32 frames × 17 keypoints × 3
→ flatten
→ 32 × 51
```

Vai trò:

```text
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][5])

Áp dụng vào paper:

```text
Input: N × C × T × V × M
C = 3
T = 32
V = 17
M = 1
Output = Fall / Non-fall
```

Vai trò:

```text
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][6])

Áp dụng:

```text
Joint stream: keypoint coordinates
Bone stream: bone vectors
Final prediction: score fusion
```

Vai trò:

```text
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][7])

Áp dụng:

```text
Input: joint + bone skeleton sequence
Graph: COCO 17-keypoint topology
Output: Fall / Non-fall
```

Vai trò:

```text
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][8])

Áp dụng:

```text
YOLO keypoints
→ 3D pose heatmap volume
→ 3D CNN
→ Fall / Non-fall
```

Vai trò:

```text
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][9])

Áp dụng:

```text
TCN + Transformer Encoder
Input: skeleton sequence
Loss: weighted focal loss
Output: Fall / Non-fall
```

Vai trò:

```text
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:

1. **URFD** từ trang chính thức. ([Fenix][1])
2. **MCFD** từ trang dataset của Université de Montréal. ([Iro Montéal][2])
3. **UP-Fall** chỉ dùng nếu cần backup hoặc mở rộng. ([Google Sites][3])

---

## Step 2: Chuẩn hóa thư mục

```text
fall_project/
├── data/
│   ├── raw/
│   │   ├── URFD/
│   │   ├── MCFD/
│   │   └── UPFall_optional/
│   ├── poses/
│   ├── clips/
│   └── splits/
├── src/
├── configs/
├── results/
└── paper/
```

---

## Step 3: Trích xuất pose

Dùng:

```text
YOLOv8n-pose hoặc YOLO11n-pose
```

Output mỗi frame:

```text
17 keypoints × 3
x, y, confidence
```

Nếu có nhiều người trong frame:

```text
Chọn người có bbox lớn nhất.
```

Lý do:

```text
Fall datasets thường chỉ có một subject chính.
```

---

## Step 4: Normalize keypoints

Với mỗi frame:

```text
x_norm = (x - bbox_center_x) / bbox_width
y_norm = (y - bbox_center_y) / bbox_height
confidence giữ nguyên
```

Output:

```text
T × 17 × 3
```

Trong đó:

```text
T = 32 frames
```

---

## Step 5: Tạo clip

Dùng:

```text
clip length = 32 frames
stride = 16
```

Nếu video ngắn:

```text
uniform sampling hoặc padding frame cuối
```

Quan trọng:

```text
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

```text
x, y, confidence
```

Shape:

```text
32 × 17 × 3
```

---

## 10.2 Bone features

Dựa trên COCO skeleton edges:

```text
bone_vector = child_joint - parent_joint
```

Các cạnh chính:

```text
nose-eye-ear
shoulder-elbow-wrist
shoulder-hip
hip-knee-ankle
left-right shoulder
left-right hip
```

Shape:

```text
32 × 17 × 3
```

---

## 10.3 Dynamics features

Tạo thêm:

```text
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:

```text
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

```text
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.

```text
Input: normalized joint coordinates
Encoder: lightweight ST-GCN / graph-temporal block
```

### Branch 2: Bone GCN

Học hướng và độ thay đổi của xương.

```text
Input: bone vectors
Encoder: graph-temporal block
```

### Branch 3: Dynamics branch

Học các đặc trưng rơi.

```text
Input: velocity, acceleration, torso angle, hip drop, aspect ratio
Encoder: TCN + attention pooling
```

### Fusion

```text
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:

```text
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:

```text
conf < 0.3
```

thì xác suất bị mask cao hơn.

Ví dụ:

```text
high-confidence keypoint: mask probability = 0.1
low-confidence keypoint: mask probability = 0.5
```

Khi mask:

```text
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.

```text
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:

```text
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:

```text
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

```text
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:

```text
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:

```text
Accuracy
Precision
Recall / Sensitivity
Specificity
F1-score
Macro-F1
FPS
```

Trong fall detection, cần nhấn mạnh:

```text
Recall quan trọng hơn Accuracy vì bỏ sót fall nguy hiểm hơn báo nhầm.
```

---

# 15. Training setup

## Split

Nếu dataset nhỏ:

```text
5-fold cross-validation
```

Nếu muốn nhanh:

```text
70% train
15% validation
15% test
```

Nhưng phải là:

```text
video-level split
```

không phải frame-level split.

## Seeds

Tối thiểu:

```text
7, 13, 21
```

Tốt hơn:

```text
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:

```text
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:

```text
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:

```text
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

```text
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

```text
4.1 Datasets
4.2 Comparative methods
4.3 Evaluation protocol
4.4 Implementation details
4.5 Metrics
```

## 5. Results and Discussion

```text
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:

```text
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

```text
RGB Video
→ Pose Extraction
→ Skeleton Normalization
→ Joint/Bone/Dynamics Features
→ Comparative Skeleton Methods
→ DynaFall-GCN
→ Fall / Non-fall
```

## Figure 2: DynaFall-GCN architecture

```text
Joint Stream
Bone Stream
Dynamics Stream
→ Fusion
→ Classifier
```

## Figure 3: Robustness scenarios

```text
Clean skeleton
Missing-10
Missing-20
Missing-30
Lower-body occlusion
```

---

# 18. Bảng cần có trong paper

Tối thiểu nên có 5 bảng:

```text
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:

```text
Download URFD + MCFD
Extract frames
Run YOLO pose
Save keypoints
Visual check skeleton
```

Output:

```text
URFD_keypoints.pkl
MCFD_keypoints.pkl
```

---

## Phase 2: Build clips

Làm:

```text
video-level split
32-frame clips
stride 16
normalize skeleton
generate joint/bone/dynamics features
```

Output:

```text
URFD_train.pkl / val.pkl / test.pkl
MCFD_train.pkl / val.pkl / test.pkl
```

---

## Phase 3: Chạy baseline dễ trước

Chạy:

```text
LSTM
ST-GCN
```

Mục tiêu:

```text
kiểm tra data pipeline đúng chưa
```

---

## Phase 4: Chạy method từ paper khác

Chạy:

```text
2s-AGCN
CTR-GCN
PoseC3D
TCNTE-style
```

---

## Phase 5: Chạy proposed

Chạy:

```text
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:

```text
Clean
Missing-10
Missing-20
Missing-30
Lower-body missing
Low-confidence masking
```

---

## Phase 7: Viết paper

Thứ tự viết nên là:

```text
Method
Experiments
Results
Introduction
Related Work
Abstract
Conclusion
```

---

# 20. Bản tối giản nếu thiếu thời gian

Nếu deadline gấp, chỉ làm:

```text
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:

```text
Main comparison
Ablation
Robustness missing keypoints
```

---

# 21. Kế hoạch cuối cùng nên theo

Chốt hướng như sau:

```text
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**.

[1]: https://fenix.ur.edu.pl/~mkepski/ds/uf.html?utm_source=chatgpt.com "UR Fall Detection Dataset"
[2]: https://www.iro.umontreal.ca/~labimage/Dataset/?utm_source=chatgpt.com "Multiple cameras fall dataset"
[3]: https://sites.google.com/up.edu.mx/challenge-up-2019/data?utm_source=chatgpt.com "Challenge UP - Data"
[4]: https://www.mdpi.com/1424-8220/19/9/1988?utm_source=chatgpt.com "UP-Fall Detection Dataset: A Multimodal Approach"
[5]: https://ojs.aaai.org/index.php/aaai/article/view/12328?utm_source=chatgpt.com "Spatial Temporal Graph Convolutional Networks ..."
[6]: https://arxiv.org/abs/1805.07694?utm_source=chatgpt.com "Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition"
[7]: https://arxiv.org/abs/2107.12213?utm_source=chatgpt.com "Channel-wise Topology Refinement Graph Convolution for Skeleton-Based Action Recognition"
[8]: https://openaccess.thecvf.com/content/CVPR2022/html/Duan_Revisiting_Skeleton-Based_Action_Recognition_CVPR_2022_paper.html?utm_source=chatgpt.com "Related Material - CVPR 2022 Open Access Repository"
[9]: https://www.sciencedirect.com/science/article/abs/pii/S1574119225000057?utm_source=chatgpt.com "A Real-time skeleton-based fall detection algorithm ..."