Tổng quan nghiên cứu

Áp lực từ môi trường làm việc hiện đại, nhịp sống đô thị và sự phụ thuộc vào mạng xã hội đang làm gia tăng nhanh chóng các chứng rối loạn lo âu và trầm cảm. Theo thống kê từ Tổ chức Y tế Thế giới (WHO), có hơn 300 triệu người, tương đương khoảng 4,4% dân số toàn cầu, đang phải đối mặt với các vấn đề sức khỏe tâm thần, trong đó trầm cảm là nguyên nhân hàng đầu dẫn đến hơn 800.000 ca tự tử mỗi năm. Tại Việt Nam, ước tính có hơn 3,5 triệu người mắc các rối loạn tâm thần và rối loạn lưỡng cực, với khoảng 40.000 người tự tử mỗi năm. Trước thực trạng các giải pháp can thiệp tâm lý truyền thống còn gặp nhiều rào cản về chi phí và tính tiếp cận liên tục, luận văn thạc sĩ chuyên ngành Kỹ thuật Máy tính tại Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM đã tiến hành đề tài nghiên cứu hệ thống hỗ trợ điều tiết cảm xúc bằng ánh sáng.

Mục tiêu cốt lõi của nghiên cứu là xây dựng một kiến trúc hệ thống nhúng thông minh 3 tầng có khả năng tự động nhận diện 7 trạng thái cảm xúc của con người qua biểu cảm khuôn mặt trong thời gian thực, từ đó chủ động kích hoạt các kịch bản ánh sáng LED và âm thanh trị liệu tương ứng. Nghiên cứu được triển khai thực nghiệm hoàn chỉnh trên nền tảng phần cứng nhúng Raspberry Pi 4 trong không gian phòng thử nghiệm tiêu chuẩn 25 mét vuông. Ý nghĩa thực tiễn của công trình thể hiện qua việc tạo ra một giải pháp chăm sóc sức khỏe tâm thần không xâm lấn, giúp rút ngắn thời gian tái cân bằng trạng thái tâm lý từ tiêu cực sang tích cực, mở ra hướng ứng dụng đầy tiềm năng cho mô hình nhà thông minh (Smart Home) và các cơ sở y tế điều trị tâm lý chuyên sâu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa liên ngành giữa tâm lý học hành vi, sinh học thần kinh thị giác và thị giác máy tính. Khung lý thuyết trọng tâm bao gồm:

Mô hình cảm xúc đa chiều Circumplex của James Russell: Mô hình này phân loại toàn bộ phổ cảm xúc con người vào một không gian hai chiều gồm mức độ kích hoạt (Activation/Arousal) và mức độ dễ chịu (Valence/Pleasantness). Toàn bộ 6 cảm xúc cơ bản gồm hạnh phúc, buồn bã, ghê tởm, sợ hãi, tức giận, ngạc nhiên cùng trạng thái trung tính được phân bổ vào 4 nhóm trạng thái: Kích hoạt khó chịu, Không kích hoạt khó chịu, Kích hoạt dễ chịu và Không kích hoạt dễ chịu. Trong đó, trạng thái Không kích hoạt dễ chịu được xác định là trạng thái cảm xúc cân bằng và khỏe mạnh nhất cần hướng tới.

Cơ chế sinh học thần kinh của ánh sáng: Nghiên cứu ứng dụng cơ chế tác động của ánh sáng phi thị giác thông qua các tế bào hạch võng mạc cảm thụ ánh sáng nội tại (ipRGCs). Các tế bào này truyền tín hiệu trực tiếp đến nhân trên chéo (SCN) - trung tâm điều hòa nhịp sinh học 24 giờ của não bộ - và trục hạ đồi - tuyến yên - thượng thận (HPA). Nghiên cứu chỉ ra rằng màu sắc ánh sáng tác động trực tiếp đến hệ thần kinh: ánh sáng đỏ kích thích tiết adrenaline và tăng tuần hoàn máu; ánh sáng xanh lam làm giảm nhịp tim và ổn định áp lực mạch; ánh sáng xanh lục mang lại hiệu ứng an thần và cân bằng cơ thể.

Lý thuyết giao tiếp phi ngôn ngữ của Albert Mehrabian: Nghiên cứu khẳng định biểu cảm khuôn mặt đóng góp tới 55% hiệu quả truyền tải thông điệp cảm xúc. Với 43 bó cơ mặt có thể tạo ra hơn 10.000 biến thể biểu cảm vi mô, việc phân tích hình ảnh khuôn mặt là kênh thông tin chính xác nhất để trích xuất trạng thái tâm lý.

Phương pháp nghiên cứu

Phương pháp nghiên cứu kết hợp giữa kỹ thuật học sâu (Deep Learning) và thiết kế hệ thống nhúng khép kín:

Nguồn dữ liệu và chọn mẫu: Nghiên cứu sử dụng tập dữ liệu chuẩn quốc tế FER-2013 gồm 35.887 ảnh khuôn mặt xám kích thước 48x48 pixel, được phân chia thành 28.709 ảnh huấn luyện và 3.859 ảnh kiểm thử. Để khắc phục hiện tượng sai lệch nhân khẩu học khi áp dụng cho người Việt Nam, nhóm nghiên cứu đã thu thập và xây dựng tập dữ liệu đặc thù gồm 5.359 ảnh khuôn mặt người Việt được trích xuất từ hơn 50 video chất lượng cao trên các nền tảng truyền thông với bước nhảy 5 khung hình/lần nhằm triệt tiêu trùng lặp, sau đó được gán nhãn thủ công độc lập bởi 2 chuyên viên. Bên cạnh đó, mô hình cơ sở được tiền huấn luyện trên tập VGGFace2 quy mô 3.067.564 ảnh thuộc 9.131 đối tượng.

Quy trình phân tích và kiến trúc mô hình: Quy trình xử lý ảnh đầu vào sử dụng framework MediaPipe để định vị và cắt vùng khuôn mặt từ khung hình camera độ phân giải 640x480 pixel thu nhận sau mỗi chu kỳ 30 giây. Phân loại cảm xúc sử dụng mạng nơ-ron tích chập nhẹ (Lightweight CNN) với các kiến trúc MobileNet-v1, EfficientNet-B0 và RexNet-150. Nhóm tác giả áp dụng kỹ thuật tối ưu hóa Sharpness-Aware Minimization (SAM) kết hợp thuật toán Adam với hàm mất mát Categorical Cross-Entropy để tăng cường khả năng tổng quát hóa của mạng nơ-ron trên thiết bị nhúng.

Tầng điều khiển và thực thi phần cứng: Bộ điều khiển trung tâm là bo mạch Raspberry Pi 4 Model B trang bị vi xử lý Broadcom BCM2711 4 nhân Cortex-A72 xung nhịp 1.5GHz và bộ nhớ RAM 8GB LPDDR4. Thuật toán chuyển đổi tín hiệu cảm xúc sang kịch bản ánh sáng hoạt động trong không gian màu HSV trước khi xuất giá trị RGB ra dải đèn LED NeoPixel WS2812, kết hợp luồng xử lý đa tiến trình để đồng bộ âm nhạc MP3 theo nhịp độ từ 90 đến 150 nhịp/phút (bpm).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình huấn luyện và thử nghiệm thực nghiệm đã đem lại nhiều phát hiện kỹ thuật và dữ liệu giá trị:

Hiệu năng mô hình học sâu nhẹ trên thiết bị biên: Mô hình trích xuất đặc trưng khuôn mặt tiền huấn luyện trên tập VGGFace2 đạt độ chính xác kiểm chuẩn lên tới 92,7% trên các cấu trúc mạng MobileNet-v1 và RexNet-150. Khi tinh chỉnh (fine-tuning) cho bài toán nhận diện 7 lớp cảm xúc, mô hình tối ưu hóa bằng SAM duy trì sự ổn định vượt trội, giảm thiểu hiện tượng quá khớp (overfitting) thường gặp trên các tập dữ liệu biểu cảm khuôn mặt có độ nhiễu cao.

Ảnh hưởng của việc bổ sung dữ liệu bản địa hóa: Kết quả đánh giá cho thấy tập dữ liệu FER-2013 tồn tại sự mất cân bằng nghiêm trọng giữa các phân lớp, với 7.215 mẫu cảm xúc Vui vẻ trong khi cảm xúc Ghê tởm chỉ có 436 mẫu, chênh lệch hơn 16 lần. Việc tích hợp bổ sung 5.359 mẫu ảnh người Việt Nam đã giúp cải thiện rõ rệt độ chính xác nhận diện đối với các biểu cảm phức tạp như Buồn bã, Giận dữ và Trung tính ở người Á Đông, giảm tỷ lệ phân loại nhầm giữa trạng thái Buồn bã và Trung tính xuống khoảng 12%.

Tương quan giữa trạng thái cảm xúc và biến thiên sinh lý: Khảo sát thực nghiệm trên mẫu 50 đối tượng độ tuổi từ 22 đến 26 tuổi đã chứng minh sự biến thiên rõ rệt của nhịp tim theo từng cảm xúc. Cảm xúc Tức giận kích thích nhịp tim tăng cao nhất, dao động từ 95 đến 105 nhịp/phút; cảm xúc Sợ hãi đạt 90 đến 100 nhịp/phút; cảm xúc Hạnh phúc đạt 88 đến 98 nhịp/phút. Ngược lại, trạng thái Buồn bã và Trung tính ghi nhận nhịp tim thấp nhất, duy trì ổn định ở mức 70 đến 80 nhịp/phút.

Thảo luận kết quả

Dữ liệu đánh giá mô hình được thể hiện trực quan thông qua ma trận nhầm lẫn (Confusion Matrix) và biểu đồ phân bổ độ chính xác. Ma trận nhầm lẫn chỉ ra rằng các cảm xúc có mức độ kích hoạt cao và đặc trưng khuôn mặt rõ nét như Hạnh phúc (khóe miệng mở rộng, nếp nhăn đuôi mắt) và Ngạc nhiên (mắt mở to, chân mày nâng cao) đạt tỷ lệ phân loại chính xác trên 85%. Tuy nhiên, các lớp cảm xúc như Sợ hãi và Ghê tởm có độ chính xác thấp hơn do tỷ lệ mẫu huấn luyện hạn chế và sự tương đồng về cơ mặt với cảm xúc Bất ngờ.

So sánh với các nghiên cứu nhận diện cảm xúc video truyền thống vốn yêu cầu tài nguyên tính toán máy chủ lớn, giải pháp kiến trúc 3 tầng trong luận văn này thể hiện ưu thế vượt trội khi vận hành trơn tru trên bo mạch nhúng công suất thấp chỉ 15W. Cơ chế phản hồi vòng kín (Closed-loop Regulation) chứng minh tính hiệu quả sinh học rõ rệt: khi người dùng rơi vào trạng thái Kích hoạt khó chịu (Giận dữ, Sợ hãi), hệ thống tự động kích hoạt ánh sáng xanh lam hoặc tím kết hợp âm nhạc nhịp chậm 90 bpm, sau đó chuyển dần sang dải màu xanh lục và vàng ấm. Quy trình chuyển đổi màu sắc theo không gian HSV giúp mắt người thích nghi mềm mại, làm dịu nhịp thở và đưa nhịp tim từ mức trên 100 nhịp/phút trở về dải an toàn 70 đến 80 nhịp/phút chỉ sau khoảng 10 đến 15 phút trị liệu.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đưa ra 4 nhóm giải pháp và lộ trình kỹ thuật cụ thể:

Tối ưu hóa thuật toán nhận diện và rút ngắn chu kỳ trích xuất: Cần nâng cấp kiến trúc mạng nơ-ron sang các định dạng lượng tử hóa INT8 thông qua TensorRT hoặc TFLite nhằm giảm chu kỳ lấy mẫu từ 30 giây xuống dưới 10 giây/lần mà vẫn đảm bảo tải CPU của Raspberry Pi dưới 60%. Giải pháp này do nhóm kỹ sư phần mềm hệ thống nhúng đảm nhận thực hiện trong vòng 3 đến 6 tháng.

Mở rộng tập dữ liệu đa dạng hóa nhân khẩu học: Tiến hành thu thập, chuẩn hóa và gán nhãn thêm ít nhất 20.000 mẫu ảnh khuôn mặt người Việt với phân bổ cân bằng giữa 7 lớp cảm xúc, bao gồm cả các điều kiện ánh sáng yếu và góc chụp nghiêng 45 độ. Lộ trình thực hiện dự kiến kéo dài 12 tháng do các nhóm nghiên cứu học máy tại các trường đại học chủ trì.

Tích hợp cảm biến sinh học đa phương thức: Bổ sung mô-đun cảm biến quang học đo nồng độ oxy trong máu và biến thiên nhịp tim (PPG) không tiếp xúc vào hệ thống để kiểm chứng chéo với kết quả thị giác máy tính, nâng cao độ tin cậy của thuật toán ra quyết định lên trên 95% trước quý 4 năm tới.

Thử nghiệm lâm sàng và thương mại hóa sản phẩm: Đơn vị phát triển cần phối hợp với các bệnh viện tâm thần và trung tâm trị liệu tâm lý để triển khai thử nghiệm thực địa trên quy mô 100 bệnh nhân trong thời gian 6 tháng, từ đó hoàn thiện giao diện ứng dụng di động cho hệ sinh thái nhà thông minh.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng đa ngành, đặc biệt hữu ích cho 4 nhóm đối tượng sau:

Kỹ sư phát triển AI và Hệ thống nhúng: Cung cấp tài liệu thiết kế chi tiết về việc tối ưu hóa các mô hình thị giác máy tính phức tạp để triển khai mượt mà trên phần cứng giới hạn tài nguyên như Raspberry Pi 4 hoặc Jetson Nano.

Chuyên gia tâm lý học và Bác sĩ trị liệu tâm thần: Tham khảo cơ sở thực nghiệm khoa học về liệu pháp ánh sáng đa sắc và âm nhạc điều hòa nhịp tim, ứng dụng hỗ trợ điều trị trầm cảm, rối loạn lo âu và căng thẳng mãn tính tại phòng khám.

Nhà phát triển giải pháp IoT và Nhà thông minh (Smart Home): Khai thác kiến trúc 3 tầng để tích hợp các tính năng chiếu sáng thích ứng sinh học (Human-Centric Lighting), nâng cao chất lượng sống và trải nghiệm chăm sóc sức khỏe tự động cho người dùng.

Học viên cao học và Nghiên cứu sinh ngành Khoa học Máy tính: Nắm bắt phương pháp luận xây dựng tập dữ liệu thị giác bản địa hóa, kỹ thuật huấn luyện mạng nơ-ron sâu với SAM và quy trình tích hợp hệ thống phần cứng - phần mềm khép kín.

Câu hỏi thường gặp

Hệ thống có khả năng nhận diện cảm xúc chính xác trong điều kiện ánh sáng phòng thay đổi liên tục hay không?
Hệ thống sử dụng camera góc rộng độ phân giải 640x480 pixel kết hợp thuật toán tiền xử lý cân bằng trắng và chuẩn hóa histogram không gian màu. Trong các thử nghiệm thực tế tại phòng 25 mét vuông, mô hình duy trì độ ổn định nhận diện trên 80% ngay cả khi cường độ sáng môi trường dao động từ 150 lux đến 500 lux.

Tại sao nghiên cứu lại lựa chọn không gian màu HSV thay vì RGB truyền thống để điều khiển dải đèn LED?
Không gian màu HSV phân tách rõ ràng giữa sắc độ màu (Hue), độ bão hòa (Saturation) và giá trị độ sáng (Value). Cách tiếp cận này cho phép hệ thống tính toán chuyển đổi màu sắc mượt mà theo các đường cong biến thiên tâm lý học mà không làm sai lệch tông màu gốc khi điều chỉnh tăng giảm độ sáng đèn LED WS2812.

Cơ chế điều tiết ánh sáng hoạt động như thế nào khi phát hiện người dùng đang tức giận?
Khi phát hiện cảm xúc Tức giận (nhóm Kích hoạt khó chịu với nhịp tim từ 95 đến 105 nhịp/phút), bộ điều khiển sẽ phát kịch bản chuyển màu dải LED sang xanh dương hoặc tím nhạt, đồng thời phát bản nhạc 90 bpm để hạ nhịp tim. Sau đó, hệ thống chuyển tiếp sang màu xanh lục hoặc vàng để tái lập trạng thái bình ổn.

Tập dữ liệu FER-2013 gặp phải hạn chế gì và nhóm nghiên cứu đã xử lý như thế nào?
Tập FER-2013 bị mất cân bằng dữ liệu nặng nề khi cảm xúc Vui vẻ chiếm 7.215 ảnh trong khi cảm xúc Ghê tởm chỉ có 436 ảnh. Nhóm nghiên cứu đã khắc phục bằng cách thu thập bổ sung 5.359 ảnh khuôn mặt người Việt Nam từ 50 video thực tế để cân bằng lại phân phối và tăng cường độ chính xác nhận diện cục bộ.

Hệ thống có đảm bảo tính riêng tư về dữ liệu hình ảnh khuôn mặt của người dùng không?
Hệ thống xử lý toàn bộ luồng video cục bộ ngay trên bộ nhớ RAM 8GB của vi xử lý Raspberry Pi 4 theo chu kỳ 30 giây/lần. Khung hình sau khi trích xuất biểu cảm sẽ bị xóa ngay lập tức khỏi bộ nhớ đệm, hoàn toàn không lưu trữ hình ảnh hay truyền tải dữ liệu khuôn mặt lên máy chủ đám mây.

Kết luận

  • Luận văn đã thiết kế và chế tạo thành công hệ thống nhúng hỗ trợ điều tiết cảm xúc bằng ánh sáng và âm nhạc với kiến trúc 3 tầng khép kín vận hành ổn định trên bo mạch Raspberry Pi 4.
  • Ứng dụng xuất sắc mô hình cảm xúc Circumplex và cơ chế sinh học thần kinh ipRGCs - SCN để chuyển đổi trạng thái tâm lý người dùng từ tiêu cực sang trạng thái cân bằng an toàn.
  • Xây dựng thành công tập dữ liệu 5.359 ảnh biểu cảm khuôn mặt người Việt Nam, nâng cao độ chính xác nhận diện thực tế và bù đắp thiếu hụt của tập dữ liệu quốc tế FER-2013.
  • Kiểm chứng thực nghiệm thành công mối tương quan giữa 7 trạng thái cảm xúc với biến thiên nhịp tim sinh lý trên mẫu 50 đối tượng thử nghiệm.
  • Lộ trình phát triển tiếp theo tập trung vào việc lượng tử hóa mô hình AI, tích hợp cảm biến đo nhịp tim quang học và triển khai thử nghiệm diện rộng tại các căn hộ thông minh trong vòng 6 đến 12 tháng tới.

Hệ thống là minh chứng rõ nét cho tiềm năng ứng dụng trí tuệ nhân tạo biên vào y tế dự phòng và chăm sóc sức khỏe tinh thần. Độc giả, kỹ sư và các đơn vị công nghệ quan tâm có thể tiếp tục khai thác khung kiến trúc này để phát triển các giải pháp chiếu sáng thích ứng sinh học hoàn chỉnh cho cộng đồng.