Luận văn: Nghiên cứu sóng điện não EEG và ứng dụng nhận diện cảm xúc con người

Luận văn nghiên cứu sóng điện não EEG: Phân tích và ứng dụng trong nhận diện cảm xúc người. Tìm hiểu công nghệ tiên tiến này ngay!

• Tác giả: Ngô Văn Manh
• Người hướng dẫn: PGS.TS. Nguyễn Đức Thuận
• Trường học: Đại học Bách Khoa Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên cứu sóng điện não EEG và ứng dụng nhận diện cảm xúc con người
• Loại tài liệu: Luận văn tốt nghiệp
• Năm xuất bản: 2012
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC THUẬT NGỮ
• DANH MỤC HÌNH
• 1. CHƯƠNG 1: GIỚI THIẾU BÀI TOÁN
• 1.1. Khải niệm nhận dạng cảm xúc
• 1.2. Các sản phẩm có liên quan
• 1.3. Một số nghiên cứu liên quan
• 1.4. Mục tiêu của luận văn
• 1.5. KẾT CHƯƠNG
• 2. CHƯƠNG 2: CÁC CƠ SỞ KHOA HỌC
• 2.1. Cơ sở lý thuyết sóng điện não
• 2.2. Cơ sở sinh lý thần kinh của sóng điện não
• 2.3. Số hóa tín hiệu sóng điện não
• 2.4. Mô hình cảm xúc Russell
• 2.4.1. Giới thiệu về mô hình Russell
• 2.4.2. Bộ tương quan
• 2.4.3. Những thí nghiệm của Russell
• 2.4.4. Bộ dữ liệu IAPS
• 2.5. Phương pháp đề xuất ảnh xạ giữa mô hình Russell và SAM
• 2.6. Thuật toán Hignchi Fractal Dimension
• 2.7. Các điện cực liên quan đến nhận dạng cảm xúc
• 2.8. Phân loại và nhận dạng bằng máy Vector hỗ trợ
• 2.8.1. Các khái niệm trong phương pháp SVM
• 2.8.2. Áp dụng trong bài toán nhận dạng cảm xúc
• 2.9. KẾT CHƯƠNG
• 3. CHƯƠNG 3: MÔ HÌNH ĐỀ XUẤT
• 3.1. Pha thu thập và huấn luyện dữ liệu
• 3.2. Thu thập dữ liệu - Data Acquisition
• 3.3. Loại bỏ - Elimination
• 3.4. Lọc băng tần - Band-pass Filter
• 3.5. Gán nhãn cảm xúc - Emo mapping
• 3.6. Học máy - Machine Learning
• 3.7. Pha nhận dạng
• 3.8. Thiết bị phần cứng Emotiv
• 3.9. KẾT CHƯƠNG
• 4. CHƯƠNG 4: XÂY DỰNG CHƯƠNG TRÌNH VÀ THỰC NGHIỆM
• 4.1. Mô hình các use case
• 4.2. Đặc tả các use case
• 4.2.1. Use case Converting
• 4.2.2. Use case Eliminating
• 4.2.3. Use cage FÍeT
• 4.2.4. Use case HFD calculating
• 4.2.5. Use case Emo Mapping
• 4.2.6. Use case Training
• 4.2.7. Use case Testing
• 4.3. Thiết kế cơ sở dữ liệu
• 4.4. Mục đích của thực nghiệm
• 4.5. Thực nghiệm 2 (học máy cho từng TNV)
• 4.6. KẾT CHƯƠNG
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 1. Các nhiệm vụ đã hoàn thành
• 2. Hướng phát triển cho đề tài
• 3. Kết luận
• PHỤ LỤC
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Sóng Điện Não EEG và Cảm Xúc Người

Nghiên cứu về sóng điện não (EEG) và ứng dụng trong nhận diện cảm xúc con người đang thu hút sự quan tâm lớn từ cộng đồng khoa học và công nghệ. Sóng điện não (EEG) là một phương pháp ghi lại hoạt động điện của não bộ thông qua các điện cực đặt trên da đầu. Các tín hiệu EEG phản ánh hoạt động của các neuron trong não, và có thể cung cấp thông tin về trạng thái tâm lý, nhận thức, và cảm xúc của một người. Việc giải mã thông tin từ sóng điện não để nhận diện cảm xúc mở ra nhiều ứng dụng tiềm năng trong các lĩnh vực như y học, giáo dục, giải trí, và giao diện người-máy. Tuy nhiên, quá trình này đối mặt với nhiều thách thức do tính phức tạp và biến đổi của tín hiệu EEG, cũng như sự khác biệt về sinh lý và tâm lý giữa các cá nhân. Các nghiên cứu hiện tại tập trung vào việc phát triển các thuật toán và mô hình máy học tiên tiến để xử lý và phân tích sóng điện não một cách hiệu quả, từ đó nâng cao độ chính xác và độ tin cậy của việc nhận diện cảm xúc. Theo tài liệu gốc, tác giả Ngô Văn Manh đã nghiên cứu về sóng điện não EEG và ứng dụng nhận diện cảm xúc con người trong luận văn tốt nghiệp của mình tại Đại học Bách Khoa Hà Nội năm 2012. Nghiên cứu này đã đóng góp vào việc khám phá các phương pháp và kỹ thuật để giải mã thông tin từ EEG và liên kết nó với các trạng thái cảm xúc khác nhau. Ứng dụng của việc nhận diện cảm xúc thông qua EEG hứa hẹn mang lại nhiều lợi ích cho xã hội, từ việc hỗ trợ điều trị các bệnh tâm lý đến việc tạo ra các trải nghiệm tương tác người-máy tự nhiên và trực quan hơn.

1.1. Giới thiệu khái niệm nhận dạng cảm xúc từ tín hiệu EEG

Nhận dạng cảm xúc từ tín hiệu EEG là quá trình sử dụng các thuật toán và mô hình máy học để phân tích sóng điện não và xác định trạng thái cảm xúc tương ứng của một người. Quá trình này bao gồm nhiều bước, từ thu thập tín hiệu EEG, xử lý tín hiệu để loại bỏ nhiễu và trích xuất đặc trưng, đến xây dựng mô hình máy học để phân loại các trạng thái cảm xúc khác nhau. Các đặc trưng thường được sử dụng trong nhận dạng cảm xúc từ EEG bao gồm các tham số thống kê (ví dụ: trung bình, độ lệch chuẩn), các đặc trưng tần số (ví dụ: công suất phổ, băng tần), và các đặc trưng phức tạp hơn như entropy và Fractal Dimension (FD). Mô hình máy học được sử dụng phổ biến bao gồm Support Vector Machine (SVM), Neural Networks, và Hidden Markov Models. Độ chính xác của việc nhận dạng cảm xúc từ EEG phụ thuộc vào nhiều yếu tố, bao gồm chất lượng tín hiệu EEG, phương pháp xử lý tín hiệu, lựa chọn đặc trưng, và hiệu quả của mô hình máy học.

1.2. Lịch sử phát triển và các nghiên cứu liên quan EEG Cảm xúc

Nghiên cứu về mối liên hệ giữa sóng điện não và cảm xúc đã có lịch sử phát triển lâu dài, bắt đầu từ những năm 1920 khi EEG được phát hiện lần đầu tiên. Các nghiên cứu ban đầu tập trung vào việc quan sát các thay đổi trong sóng điện não khi một người trải qua các trạng thái cảm xúc khác nhau. Trong những thập kỷ gần đây, với sự phát triển của công nghệ máy tính và máy học, các nhà nghiên cứu đã bắt đầu sử dụng các thuật toán phức tạp để phân tích sóng điện não và xây dựng các mô hình nhận dạng cảm xúc tự động. Nhiều nghiên cứu đã chỉ ra rằng có sự khác biệt đáng kể trong sóng điện não giữa các trạng thái cảm xúc khác nhau, và các đặc trưng EEG có thể được sử dụng để phân loại các cảm xúc như vui, buồn, giận, sợ hãi, và ngạc nhiên. Một số nghiên cứu cũng đã tập trung vào việc xác định các vùng não cụ thể liên quan đến việc xử lý cảm xúc, và cách hoạt động điện của các vùng này thay đổi khi một người trải qua các trạng thái cảm xúc khác nhau.

II. Giải Mã Cơ Sở Khoa Học về Sóng Điện Não EEG và Cảm Xúc

Để hiểu rõ về ứng dụng của sóng điện não trong nhận diện cảm xúc, cần nắm vững cơ sở khoa học về sóng điện não và mối liên hệ giữa chúng và cảm xúc. Sóng điện não là kết quả của hoạt động điện của các neuron trong não bộ. Các neuron giao tiếp với nhau thông qua các tín hiệu điện hóa, tạo ra các dòng điện nhỏ có thể được ghi lại bằng các điện cực đặt trên da đầu. Tần số và biên độ của sóng điện não thay đổi tùy thuộc vào trạng thái hoạt động của não, và có thể phản ánh các quá trình nhận thức, cảm xúc, và hành vi. Có nhiều loại sóng điện não khác nhau, bao gồm sóng alpha, beta, theta, và delta, mỗi loại liên quan đến một trạng thái hoạt động não cụ thể. Ví dụ, sóng alpha thường xuất hiện khi một người đang thư giãn và nhắm mắt, trong khi sóng beta thường xuất hiện khi một người đang tỉnh táo và tập trung. Mối liên hệ giữa sóng điện não và cảm xúc là một lĩnh vực nghiên cứu phức tạp, nhưng các nghiên cứu đã chỉ ra rằng có sự tương quan giữa các loại sóng điện não khác nhau và các trạng thái cảm xúc khác nhau. Ví dụ, một số nghiên cứu đã tìm thấy rằng sóng alpha có liên quan đến cảm giác thư giãn và bình yên, trong khi sóng beta có liên quan đến cảm giác lo lắng và căng thẳng. Nghiên cứu từ tài liệu gốc đề cập đến cơ sở lý thuyết của sóng điện não, cơ sở sinh lý thần kinh của sóng điện não, số hóa tín hiệu sóng điện não, và mô hình cảm xúc Russell, thể hiện sự quan trọng của việc hiểu rõ cơ sở khoa học để phát triển các ứng dụng nhận diện cảm xúc hiệu quả.

2.1. Tìm hiểu cơ sở lý thuyết của sóng điện não EEG chi tiết

Cơ sở lý thuyết của sóng điện não dựa trên hoạt động điện của các neuron trong não bộ. Các neuron tạo ra các điện thế màng thông qua sự di chuyển của các ion qua màng tế bào. Khi một neuron bị kích thích, điện thế màng thay đổi, tạo ra một dòng điện. Dòng điện này lan truyền qua các mô não, tạo ra một trường điện từ có thể được ghi lại bằng các điện cực EEG. Tín hiệu EEG là tổng hợp của hoạt động điện của hàng triệu neuron trong một vùng não cụ thể. Tần số và biên độ của tín hiệu EEG phụ thuộc vào nhiều yếu tố, bao gồm số lượng neuron hoạt động, mức độ đồng bộ của hoạt động neuron, và tính chất của các mô não. Các loại sóng điện não khác nhau được phân loại dựa trên tần số của chúng. Sóng delta có tần số thấp nhất (0.5-4 Hz) và thường xuất hiện trong giấc ngủ sâu. Sóng theta có tần số 4-8 Hz và thường xuất hiện trong trạng thái mơ màng hoặc thiền định. Sóng alpha có tần số 8-12 Hz và thường xuất hiện trong trạng thái thư giãn và nhắm mắt. Sóng beta có tần số 12-30 Hz và thường xuất hiện trong trạng thái tỉnh táo và tập trung. Sóng gamma có tần số trên 30 Hz và thường liên quan đến các quá trình nhận thức phức tạp.

2.2. Các mô hình cảm xúc Russell và bộ dữ liệu IAPS quan trọng

Mô hình cảm xúc Russell, còn được gọi là mô hình Circumplex, là một mô hình hai chiều biểu diễn các trạng thái cảm xúc trên một vòng tròn. Hai chiều chính của mô hình là valence (tính hóa trị) và arousal (mức độ kích thích). Valence thể hiện mức độ dễ chịu hoặc khó chịu của một cảm xúc, từ tiêu cực đến tích cực. Arousal thể hiện mức độ kích thích hoặc hoạt động của một cảm xúc, từ thấp đến cao. Trên mô hình Russell, các cảm xúc như vui vẻ, hạnh phúc, và yêu thương có valence tích cực và arousal cao, trong khi các cảm xúc như buồn bã, thất vọng, và tức giận có valence tiêu cực và arousal khác nhau. Bộ dữ liệu IAPS (International Affective Picture System) là một bộ sưu tập lớn các hình ảnh được thiết kế để gợi lên các trạng thái cảm xúc khác nhau. Mỗi hình ảnh trong IAPS được đánh giá về valence và arousal bởi một nhóm lớn người tham gia. IAPS thường được sử dụng trong các nghiên cứu về cảm xúc và nhận thức cảm xúc, bao gồm cả các nghiên cứu sử dụng sóng điện não EEG để nhận diện cảm xúc.

III. Phương Pháp Phân Tích Sóng Điện Não EEG Nhận Diện Cảm Xúc

Có nhiều phương pháp khác nhau để phân tích sóng điện não và nhận diện cảm xúc. Các phương pháp này có thể được chia thành hai loại chính: phương pháp dựa trên đặc trưng và phương pháp dựa trên mô hình. Phương pháp dựa trên đặc trưng tập trung vào việc trích xuất các đặc trưng từ sóng điện não có liên quan đến các trạng thái cảm xúc khác nhau. Các đặc trưng này có thể bao gồm các tham số thống kê (ví dụ: trung bình, độ lệch chuẩn), các đặc trưng tần số (ví dụ: công suất phổ, băng tần), và các đặc trưng phức tạp hơn như entropy và Fractal Dimension. Phương pháp dựa trên mô hình sử dụng các mô hình máy học để phân loại các trạng thái cảm xúc dựa trên sóng điện não. Các mô hình máy học được sử dụng phổ biến bao gồm Support Vector Machine (SVM), Neural Networks, và Hidden Markov Models. Việc lựa chọn phương pháp phân tích và mô hình máy học phù hợp phụ thuộc vào nhiều yếu tố, bao gồm chất lượng tín hiệu EEG, số lượng dữ liệu có sẵn, và độ phức tạp của bài toán. Các nghiên cứu gần đây đã tập trung vào việc phát triển các phương pháp phân tích và mô hình máy học tiên tiến để nâng cao độ chính xác và độ tin cậy của việc nhận diện cảm xúc từ sóng điện não.

3.1. Khám phá thuật toán Higuchi Fractal Dimension HFD trong EEG

Thuật toán Higuchi Fractal Dimension (HFD) là một phương pháp để đo độ phức tạp của một tín hiệu. Fractal Dimension là một số đo cho biết mức độ một hình dạng lấp đầy không gian mà nó nằm trong đó. Các hình dạng phức tạp có Fractal Dimension cao hơn các hình dạng đơn giản. Trong bối cảnh sóng điện não EEG, HFD có thể được sử dụng để đo độ phức tạp của tín hiệu EEG. Các tín hiệu EEG phức tạp hơn có thể phản ánh các trạng thái hoạt động não phức tạp hơn, chẳng hạn như các trạng thái cảm xúc mạnh mẽ. Thuật toán HFD hoạt động bằng cách chia tín hiệu thành các đoạn nhỏ và tính toán độ dài của mỗi đoạn. Sau đó, nó tính toán trung bình độ dài của các đoạn nhỏ cho các kích thước đoạn khác nhau. HFD là độ dốc của đường hồi quy tuyến tính của logarit của độ dài trung bình so với logarit của kích thước đoạn. HFD đã được sử dụng trong nhiều nghiên cứu về sóng điện não EEG để nhận diện cảm xúc. Các nghiên cứu này đã chỉ ra rằng HFD có thể được sử dụng để phân biệt giữa các trạng thái cảm xúc khác nhau.

3.2. Ứng dụng máy học Machine Learning SVM nhận diện cảm xúc từ EEG

Máy học, đặc biệt là Support Vector Machine (SVM), đã chứng minh tính hiệu quả trong việc nhận diện cảm xúc từ sóng điện não EEG. SVM là một thuật toán phân loại mạnh mẽ có thể tìm ra một siêu phẳng tối ưu để phân tách các lớp dữ liệu khác nhau. Trong bài toán nhận diện cảm xúc, các lớp dữ liệu là các trạng thái cảm xúc khác nhau, và các đặc trưng của sóng điện não EEG được sử dụng để huấn luyện SVM. Quá trình huấn luyện SVM bao gồm việc tìm kiếm một siêu phẳng sao cho khoảng cách từ siêu phẳng đến các điểm dữ liệu gần nhất của mỗi lớp là lớn nhất. Siêu phẳng này được gọi là siêu phẳng tối ưu, và nó có thể được sử dụng để phân loại các điểm dữ liệu mới. SVM có nhiều ưu điểm so với các thuật toán phân loại khác. Đầu tiên, SVM có thể xử lý dữ liệu có chiều cao. Thứ hai, SVM có thể tìm ra một siêu phẳng tối ưu, ngay cả khi dữ liệu không thể phân tách tuyến tính. Thứ ba, SVM có thể được sử dụng với nhiều loại hạt nhân khác nhau, cho phép nó xử lý các loại dữ liệu khác nhau.

IV. Ứng Dụng Thực Tiễn và Kết Quả Nghiên Cứu Sóng Điện Não EEG

Nghiên cứu về sóng điện não EEG và nhận diện cảm xúc đã mở ra nhiều ứng dụng thực tiễn tiềm năng. Trong lĩnh vực y học, công nghệ này có thể được sử dụng để hỗ trợ chẩn đoán và điều trị các bệnh tâm lý như trầm cảm, lo âu, và rối loạn căng thẳng sau sang chấn. Bằng cách phân tích sóng điện não của bệnh nhân, các bác sĩ có thể đánh giá trạng thái cảm xúc của họ và đưa ra các phương pháp điều trị phù hợp. Trong lĩnh vực giáo dục, công nghệ này có thể được sử dụng để tạo ra các môi trường học tập cá nhân hóa hơn. Bằng cách theo dõi cảm xúc của học sinh trong quá trình học tập, giáo viên có thể điều chỉnh phương pháp giảng dạy và nội dung học tập để phù hợp với nhu cầu của từng học sinh. Trong lĩnh vực giải trí, công nghệ này có thể được sử dụng để tạo ra các trò chơi và ứng dụng tương tác hơn. Bằng cách nhận diện cảm xúc của người chơi, trò chơi có thể điều chỉnh độ khó và nội dung để mang lại trải nghiệm thú vị và hấp dẫn hơn. Các kết quả nghiên cứu đã cho thấy rằng việc nhận diện cảm xúc từ sóng điện não EEG có thể đạt được độ chính xác cao, đặc biệt khi sử dụng các thuật toán và mô hình máy học tiên tiến. Tuy nhiên, vẫn còn nhiều thách thức cần vượt qua để đưa công nghệ này vào ứng dụng thực tế, bao gồm việc cải thiện độ tin cậy của tín hiệu EEG, giảm thiểu sự ảnh hưởng của nhiễu, và phát triển các phương pháp phân tích và mô hình hóa hiệu quả hơn.

4.1. Ứng dụng nhận diện cảm xúc EEG trong lĩnh vực y học hiện đại

Trong lĩnh vực y học, việc ứng dụng nhận diện cảm xúc từ sóng điện não EEG mang lại nhiều tiềm năng. Nó có thể hỗ trợ trong việc chẩn đoán sớm các rối loạn tâm thần như trầm cảm, lo âu, và rối loạn lưỡng cực. Bằng cách phân tích sóng điện não của bệnh nhân, các chuyên gia có thể phát hiện ra những dấu hiệu bất thường trong hoạt động não bộ liên quan đến cảm xúc. Điều này có thể giúp đưa ra các biện pháp can thiệp kịp thời và hiệu quả hơn. Ngoài ra, công nghệ này cũng có thể được sử dụng để theo dõi hiệu quả điều trị của các phương pháp khác nhau, chẳng hạn như thuốc men hoặc liệu pháp tâm lý. Bằng cách quan sát sự thay đổi trong sóng điện não của bệnh nhân theo thời gian, các bác sĩ có thể đánh giá xem liệu phương pháp điều trị có mang lại kết quả tích cực hay không.

4.2. Giao diện người máy HCI và tương tác cảm xúc thông minh EEG

Giao diện người máy (HCI) là một lĩnh vực nghiên cứu tập trung vào việc thiết kế và phát triển các hệ thống cho phép con người tương tác với máy tính một cách tự nhiên và hiệu quả. Trong những năm gần đây, đã có sự quan tâm lớn đến việc tích hợp khả năng nhận diện cảm xúc vào các hệ thống HCI, tạo ra các giao diện cảm xúc thông minh. Bằng cách sử dụng sóng điện não EEG để nhận diện cảm xúc của người dùng, các hệ thống HCI có thể điều chỉnh hành vi của chúng để phù hợp với trạng thái cảm xúc của người dùng. Ví dụ, một hệ thống HCI có thể tự động điều chỉnh độ sáng màn hình, âm lượng, hoặc thậm chí nội dung hiển thị để giúp người dùng cảm thấy thoải mái và dễ chịu hơn. Các ứng dụng tiềm năng của giao diện cảm xúc thông minh bao gồm điều khiển thiết bị bằng suy nghĩ, hỗ trợ người khuyết tật, và tạo ra các trải nghiệm tương tác ảo chân thực hơn.

V. Hướng Phát Triển Tương Lai Nghiên Cứu EEG Nhận Diện Cảm Xúc

Nghiên cứu về sóng điện não EEG và nhận diện cảm xúc đang tiếp tục phát triển mạnh mẽ. Trong tương lai, chúng ta có thể mong đợi thấy những tiến bộ đáng kể trong các lĩnh vực như cải thiện độ chính xác và độ tin cậy của việc nhận diện cảm xúc, phát triển các phương pháp phân tích và mô hình hóa tiên tiến hơn, và mở rộng phạm vi ứng dụng của công nghệ này. Một trong những hướng phát triển quan trọng là việc kết hợp sóng điện não EEG với các phương pháp đo lường sinh lý khác, chẳng hạn như đo điện tim (ECG), đo hoạt động điện da (GSR), và theo dõi chuyển động mắt. Bằng cách kết hợp thông tin từ nhiều nguồn khác nhau, chúng ta có thể có được một bức tranh toàn diện hơn về trạng thái cảm xúc của một người. Một hướng phát triển khác là việc phát triển các thiết bị EEG di động và không xâm lấn hơn. Các thiết bị này sẽ cho phép thu thập dữ liệu EEG trong môi trường thực tế, thay vì chỉ trong phòng thí nghiệm. Điều này sẽ mở ra nhiều cơ hội mới để nghiên cứu và ứng dụng công nghệ này trong các lĩnh vực như y học, giáo dục, và giải trí.

5.1. Tích hợp các phương pháp đo lường sinh lý khác tăng độ chính xác

Việc tích hợp sóng điện não EEG với các phương pháp đo lường sinh lý khác, như đo điện tim (ECG), đo hoạt động điện da (GSR), và theo dõi chuyển động mắt, có thể cải thiện đáng kể độ chính xác của việc nhận diện cảm xúc. Mỗi phương pháp đo lường sinh lý cung cấp thông tin về một khía cạnh khác nhau của phản ứng cảm xúc của cơ thể. EEG cung cấp thông tin về hoạt động điện của não bộ, ECG cung cấp thông tin về hoạt động của tim, GSR cung cấp thông tin về hoạt động của hệ thần kinh giao cảm, và theo dõi chuyển động mắt cung cấp thông tin về sự chú ý và tập trung. Bằng cách kết hợp thông tin từ tất cả các nguồn này, chúng ta có thể có được một bức tranh toàn diện hơn về trạng thái cảm xúc của một người và giảm thiểu sự ảnh hưởng của nhiễu.

5.2. Phát triển thiết bị EEG di động và không xâm lấn tiện dụng hơn

Sự phát triển của các thiết bị EEG di động và không xâm lấn là một xu hướng quan trọng trong lĩnh vực nghiên cứu về sóng điện não EEG. Các thiết bị này cho phép thu thập dữ liệu EEG trong môi trường thực tế, thay vì chỉ trong phòng thí nghiệm. Điều này mở ra nhiều cơ hội mới để nghiên cứu và ứng dụng công nghệ này trong các lĩnh vực như y học, giáo dục, và giải trí. Các thiết bị EEG di động thường có kích thước nhỏ gọn, nhẹ, và dễ sử dụng. Chúng có thể được gắn trên đầu hoặc trên tai của người dùng, và chúng có thể truyền dữ liệu không dây đến một máy tính hoặc điện thoại thông minh. Các thiết bị EEG không xâm lấn sử dụng các điện cực khô, không cần gel điện cực, giúp cho việc thu thập dữ liệu trở nên dễ dàng và thoải mái hơn.

VI. Kết Luận và Đánh Giá Tiềm Năng Ứng Dụng EEG Cảm Xúc

Nghiên cứu về sóng điện não EEG và ứng dụng trong nhận diện cảm xúc con người là một lĩnh vực đầy hứa hẹn. Các kết quả nghiên cứu đã chứng minh rằng có thể sử dụng sóng điện não để nhận diện cảm xúc với độ chính xác cao, và công nghệ này có nhiều ứng dụng tiềm năng trong các lĩnh vực khác nhau. Tuy nhiên, vẫn còn nhiều thách thức cần vượt qua để đưa công nghệ này vào ứng dụng thực tế, bao gồm việc cải thiện độ tin cậy của tín hiệu EEG, giảm thiểu sự ảnh hưởng của nhiễu, và phát triển các phương pháp phân tích và mô hình hóa hiệu quả hơn. Trong tương lai, chúng ta có thể mong đợi thấy những tiến bộ đáng kể trong lĩnh vực này, và công nghệ nhận diện cảm xúc từ sóng điện não EEG sẽ trở nên phổ biến hơn trong cuộc sống hàng ngày của chúng ta.

6.1. Tổng kết những thành tựu và hạn chế trong nhận diện cảm xúc EEG

Các thành tựu trong việc nhận diện cảm xúc từ sóng điện não EEG bao gồm việc phát triển các thuật toán và mô hình máy học tiên tiến có thể đạt được độ chính xác cao trong việc phân loại các trạng thái cảm xúc khác nhau. Các nghiên cứu cũng đã xác định được các đặc trưng EEG quan trọng liên quan đến cảm xúc, và đã khám phá ra các ứng dụng tiềm năng của công nghệ này trong nhiều lĩnh vực khác nhau. Tuy nhiên, vẫn còn một số hạn chế cần giải quyết. Độ tin cậy của tín hiệu EEG có thể bị ảnh hưởng bởi nhiều yếu tố, chẳng hạn như nhiễu điện từ, chuyển động cơ, và sự khác biệt về sinh lý giữa các cá nhân. Các phương pháp phân tích và mô hình hóa hiện tại vẫn còn phức tạp và đòi hỏi kiến thức chuyên môn cao. Cuối cùng, vẫn còn một khoảng cách giữa các kết quả nghiên cứu và việc ứng dụng công nghệ này vào thực tế.

6.2. Đề xuất hướng nghiên cứu và phát triển trong tương lai EEG Cảm Xúc

Các hướng nghiên cứu và phát triển trong tương lai về sóng điện não EEG và nhận diện cảm xúc có thể tập trung vào việc cải thiện độ tin cậy của tín hiệu EEG, chẳng hạn như bằng cách sử dụng các kỹ thuật lọc nhiễu tiên tiến hơn và phát triển các thiết bị EEG không xâm lấn hơn. Nghiên cứu cũng nên tập trung vào việc phát triển các phương pháp phân tích và mô hình hóa hiệu quả hơn, chẳng hạn như bằng cách sử dụng các thuật toán học sâu và các mô hình học chuyển giao. Cuối cùng, cần có sự hợp tác chặt chẽ hơn giữa các nhà nghiên cứu, kỹ sư, và người dùng cuối để đảm bảo rằng công nghệ này được phát triển và ứng dụng một cách có trách nhiệm và hiệu quả.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. GIỚI THIẾU BÀI TOÁN. Khải niệm nhận dạng cảm xúc. Các sản phẩm oó liên guan,.

Một số nghiên cửu liễn quan. Mục tiêu của luận vẫn. uc th nhưng nh ng Hư KÉT CHƯƠNG. CÁC CƠ SỞ KIIOA HỌC 2.

Cơ sở lý thuyết sóng điện não. Cơ sở sinh lỷ thân kinh của sóng điện não. Số hóa tin hiện sóng điện não 2. Mô hình cảm xtic Russell 3.

Giới thiệu vẻ mỏ hình Russell 2.2, BO tuong quan. Những thi nghiệm của Russell. Bộ đữ liệu LAPS - 2.4 Phương pháp đẻ xuất ảnh xạ giữa mô hình Russell và SAM. Thuật toán Hignchi Fractal Dimension.

Minh họa các giá tị phái tính tán khi thục hiện bước loại bỏ 4 Tang 3-2. Khoảng giả trị Arousal, Valznoe cho các rniễn cảm xúc 46 Bang 3-3. Minh hoa két qua thực nghiệm nhận đang lựa chọn kích Ihước bộ đệm. uscease Converting 53 Bảng 4-2.

Đặc tâ usecasc Eliminating. Đặc tả usecase case FÚHtE. Đặc tã usecase HFD Calculating. Dặc tả usecase Emo Mappig,.

Dac ta usecase Training. Dac ta usecase Testing. Kết quả của mô hinh Ehi ap đụng thực nghiệmI 63 Bang 4-9. Kết quả nhận đạng của thực nghiệm 2 65 Bảng 4-10.

Thời gian thực hiện nhận dạng trong thuc nghiệm 2 (đơn vị theo giây)66 1.6, Use case Training 4. Use case Testing 5D 4. Thiết ke cờ sở dữ liện.4, Mục đích của thực nghiệm. Thực nghiệm 2 (học máy cho từng TNV) 6A KẾT CHƯƠNG.

68 KÉT LUẬN VÀ HUONG PHAT TRIEN 69 1, Các nhiệm vụ đã hoản thảnh. Hướng phát triển cho để tài. Kết luận PIU LUC. ‘TAI LIEU THAM KHẢO DANH MỤC THUẬT NGỮ Sẽ thứ tự Từ viết tắt.

Ý nghĩa 1 NVLV Ngnời viết luận văn INV 2 TRV. Tham gia qua trình thu thập tín hiệu điện não Electroencephalography 3 EEG pis oerapey Tin hiện sỏng điện não International Affective Picture System 4 IAPS Bộ dữ liệu ảnh cảm xúc. i FD Fractal Dimension 6 HED Higuchi Fraetal Dimension Suppart Vector Machine 7 SVM Máy vector hỗ trợ 3. Các điện cục liên quan đến nhận dạng cảm xúc.

Phân loại và nhận dạng bằng máy Vector B8 tro esses nates 2. Các khái niệm trong phương pháp SVM 2. Áp đụng trong bài toán nhận đạng cảm xúc. KẾT CHƯƠNG CHƯƠNG 3.

MÔ HỈNH ĐỀ XUẤT. Pha thu thập và huẫn luyện dữ liệu 3. Thu thập đữ liệu — Data Acquisition 3. Loại bô - iminalion 3.

Lọc băng tân — Band-pass Filter 3. Gán nhẫncảm xúc _ Emo mapping. Học may— Machine Learning, 3. Pha nhận dạng 3.

Thiết bị phân cứng Emotiv KT CHƯƠNG CHƯƠNG 4. XÂY DỰNG CHƯƠNG TRÌNH VÀ THỰC NGIIIỆM 4. Mé hinh cdc use case. Đặc tả cdc use case 4.

Use case Converting 4.2, Use case Elimiiating,.3, Use cage FÍeT,. ,nHnH HH Hong ng ri 4. Use case HD calctllating. Usẽ case Emo Mapping.

nhung na ru MUC LUC LỜI CẢM ƠN LOLCAM DOAN iy DANII MUC THUAT NGỮ DANH MUC HINH bà) 000000 CA. nh HH HH ghe CHƯƠNG 1. GIỚI THIẾU BÀI TOÁN. Khải niệm nhận dạng cảm xúc.

Các sản phẩm oó liên guan,. Một số nghiên cửu liễn quan. Mục tiêu của luận vẫn. uc th nhưng nh ng Hư KÉT CHƯƠNG.

CÁC CƠ SỞ KIIOA HỌC 2. Cơ sở lý thuyết sóng điện não. Cơ sở sinh lỷ thân kinh của sóng điện não. Số hóa tin hiện sóng điện não 2.

Mô hình cảm xtic Russell 3. Giới thiệu vẻ mỏ hình Russell 2.2, BO tuong quan. Những thi nghiệm của Russell. Bộ đữ liệu LAPS - 2.4 Phương pháp đẻ xuất ảnh xạ giữa mô hình Russell và SAM.

Thuật toán Hignchi Fractal Dimension.6, Use case Training 4. Use case Testing 5D 4. Thiết ke cờ sở dữ liện.4, Mục đích của thực nghiệm. Thực nghiệm 2 (học máy cho từng TNV) 6A KẾT CHƯƠNG.

68 KÉT LUẬN VÀ HUONG PHAT TRIEN 69 1, Các nhiệm vụ đã hoản thảnh. Hướng phát triển cho để tài. Kết luận PIU LUC. ‘TAI LIEU THAM KHẢO MUC LUC LỜI CẢM ƠN LOLCAM DOAN iy DANII MUC THUAT NGỮ DANH MUC HINH bà) 000000 CA.

nh HH HH ghe CHƯƠNG 1. GIỚI THIẾU BÀI TOÁN. Khải niệm nhận dạng cảm xúc. Các sản phẩm oó liên guan,.

Một số nghiên cửu liễn quan. Mục tiêu của luận vẫn. uc th nhưng nh ng Hư KÉT CHƯƠNG. CÁC CƠ SỞ KIIOA HỌC 2.

Cơ sở lý thuyết sóng điện não. Cơ sở sinh lỷ thân kinh của sóng điện não. Số hóa tin hiện sóng điện não 2. Mô hình cảm xtic Russell 3.

Giới thiệu vẻ mỏ hình Russell 2.2, BO tuong quan. Những thi nghiệm của Russell. Bộ đữ liệu LAPS - 2.4 Phương pháp đẻ xuất ảnh xạ giữa mô hình Russell và SAM. Thuật toán Hignchi Fractal Dimension.

DANH MỤC HÌNH Hình 2-1. Tế bảo thân kinh. Hệ thẳng đặt điện cục 10-20 theo chuẩn đạo trình qu Hinh 2-3. The circumplex model — Russell Ilinh 2-4.

Mét sé hinh anh trong bé IAPS va cac thang 36 trong ting, Ilinh 2-5. Self-Assessment Manikin Tĩình 2-6. SAM với 9 múc độ Hình 2-7. Mô hình ảnh xạ giữa SAM va Russell Hình 2-8.

Thực nghiệm tính (oan Kees. Hai nhóm dữ liệu xanh, đỏ biểu diễn trên mặt gánh hai chiển Hình 2-10. Biểu điển vector đữ liệu trên mặt phẳng 2 chiều Hình 2-11. Minh họa siêu phẳng trong không gian 1 chiễu.

Minh họa siêu phẳng trong không gian 3 chiều. Nhiễn siên mặt có thể đáp ứng được nhiệm vụ phân tách. Siêu mặt với lễ cực đại Hình 2-15. Tỉnh huồng phải sử dụng lễ mềm.

àooSct2nt site Hinh 2-16. Tình huông phải sử dụng hàm nhân. Tăng số chiển bằng hảm nhản vả tim được siêu mặt. Mô hình hệ thống nhận đạng cảm xúc.

Vị trí điện cực trên đâu. Cáo điện cực khoanh đỏ lả điện cực được sử dụng để nhận dạng cảm xúc trong nghiên cứu nãy Linh 3-3. Vị trí các miễn cám xúc được nhận đạng trong mỏ hình Tình 3-4. Minh họa tệp dữ liệu đầu vào cha quá trình huân luyện Hình 3-5.

Minh hoa kết quả tính toán ra tham số C va g Hình 3-6. Minh họa tệp lưu thông tin mẫu dữ liệu dừng cha pha nhận dạng 48 Hình 3-7. Tín hiệu sóng điện não thơo thời gian, ảnh chụp mản hình chương trình `. Minh họa thông tin lưu trong tệp tin ,65V.

oi mene 50 Ilinh 4-1. Mé hinh usecase ctia chương trình. Cac bang 00 86 di LGU. csetesineenetetsinne semaines OO Hình 4-3.

„01 Hình 4-6 Thể hiện các mẫu trên hệ trục lọa độ FD. Mé hinh phát triển sản phẩm nhận dàng cảm xúc con người dụa trên sóng điện não. Mê hình triển khai sản phẩm. - 7] DANH MỤC THUẬT NGỮ Sẽ thứ tự Từ viết tắt.

Ý nghĩa 1 NVLV Ngnời viết luận văn INV 2 TRV. Tham gia qua trình thu thập tín hiệu điện não Electroencephalography 3 EEG pis oerapey Tin hiện sỏng điện não International Affective Picture System 4 IAPS Bộ dữ liệu ảnh cảm xúc. i FD Fractal Dimension 6 HED Higuchi Fraetal Dimension Suppart Vector Machine 7 SVM Máy vector hỗ trợ MUC LUC LỜI CẢM ƠN LOLCAM DOAN iy DANII MUC THUAT NGỮ DANH MUC HINH bà) 000000 CA. nh HH HH ghe CHƯƠNG 1.

GIỚI THIẾU BÀI TOÁN. Khải niệm nhận dạng cảm xúc. Các sản phẩm oó liên guan,. Một số nghiên cửu liễn quan.

Mục tiêu của luận vẫn. uc th nhưng nh ng Hư KÉT CHƯƠNG. CÁC CƠ SỞ KIIOA HỌC 2. Cơ sở lý thuyết sóng điện não.

Cơ sở sinh lỷ thân kinh của sóng điện não. Số hóa tin hiện sóng điện não 2. Mô hình cảm xtic Russell 3. Giới thiệu vẻ mỏ hình Russell 2.2, BO tuong quan.

Những thi nghiệm của Russell. Bộ đữ liệu LAPS - 2.4 Phương pháp đẻ xuất ảnh xạ giữa mô hình Russell và SAM. Thuật toán Hignchi Fractal Dimension. Minh họa các giá tị phái tính tán khi thục hiện bước loại bỏ 4 Tang 3-2.

Khoảng giả trị Arousal, Valznoe cho các rniễn cảm xúc 46 Bang 3-3. Minh hoa két qua thực nghiệm nhận đang lựa chọn kích Ihước bộ đệm. uscease Converting 53 Bảng 4-2. Đặc tâ usecasc Eliminating.

Đặc tả usecase case FÚHtE. Đặc tã usecase HFD Calculating. Dặc tả usecase Emo Mappig,. Dac ta usecase Training.

Dac ta usecase Testing. Kết quả của mô hinh Ehi ap đụng thực nghiệmI 63 Bang 4-9. Kết quả nhận đạng của thực nghiệm 2 65 Bảng 4-10. Thời gian thực hiện nhận dạng trong thuc nghiệm 2 (đơn vị theo giây)66 DANII MUC B.

Minh họa các giá tị phái tính tán khi thục hiện bước loại bỏ 4 Tang 3-2. Khoảng giả trị Arousal, Valznoe cho các rniễn cảm xúc 46 Bang 3-3. Minh hoa két qua thực nghiệm nhận đang lựa chọn kích Ihước bộ đệm. uscease Converting 53 Bảng 4-2.

Đặc tâ usecasc Eliminating. Đặc tả usecase case FÚHtE. Đặc tã usecase HFD Calculating. Dặc tả usecase Emo Mappig,.

Dac ta usecase Training. Dac ta usecase Testing. Kết quả của mô hinh Ehi ap đụng thực nghiệmI 63 Bang 4-9. Kết quả nhận đạng của thực nghiệm 2 65 Bảng 4-10.

Thời gian thực hiện nhận dạng trong thuc nghiệm 2 (đơn vị theo giây)66 Ilinh 4-1. Mé hinh usecase ctia chương trình. Cac bang 00 86 di LGU. csetesineenetetsinne semaines OO Hình 4-3.

„01 Hình 4-6 Thể hiện các mẫu trên hệ trục lọa độ FD. Mé hinh phát triển sản phẩm nhận dàng cảm xúc con người dụa trên sóng điện não. Mê hình triển khai sản phẩm. - 7] DANH MỤC THUẬT NGỮ Sẽ thứ tự Từ viết tắt.

Ý nghĩa 1 NVLV Ngnời viết luận văn INV 2 TRV. Tham gia qua trình thu thập tín hiệu điện não Electroencephalography 3 EEG pis oerapey Tin hiện sỏng điện não International Affective Picture System 4 IAPS Bộ dữ liệu ảnh cảm xúc. i FD Fractal Dimension 6 HED Higuchi Fraetal Dimension Suppart Vector Machine 7 SVM Máy vector hỗ trợ Ilinh 4-1. Mé hinh usecase ctia chương trình.

Cac bang 00 86 di LGU. csetesineenetetsinne semaines OO Hình 4-3. „01 Hình 4-6 Thể hiện các mẫu trên hệ trục lọa độ FD. Mé hinh phát triển sản phẩm nhận dàng cảm xúc con người dụa trên sóng điện não.

Mê hình triển khai sản phẩm. Các điện cục liên quan đến nhận dạng cảm xúc. Phân loại và nhận dạng bằng máy Vector B8 tro esses nates 2. Các khái niệm trong phương pháp SVM 2.

Áp đụng trong bài toán nhận đạng cảm xúc. KẾT CHƯƠNG CHƯƠNG 3. MÔ HỈNH ĐỀ XUẤT. Pha thu thập và huẫn luyện dữ liệu 3.

Thu thập đữ liệu — Data Acquisition 3. Loại bô - iminalion 3. Lọc băng tân — Band-pass Filter 3. Gán nhẫncảm xúc _ Emo mapping.

Học may— Machine Learning, 3. Pha nhận dạng 3. Thiết bị phân cứng Emotiv KT CHƯƠNG CHƯƠNG 4. XÂY DỰNG CHƯƠNG TRÌNH VÀ THỰC NGIIIỆM 4.

Mé hinh cdc use case. Đặc tả cdc use case 4. Use case Converting 4.2, Use case Elimiiating,.3, Use cage FÍeT,. ,nHnH HH Hong ng ri 4.

Use case HD calctllating. Usẽ case Emo Mapping. nhung na ru MUC LUC LỜI CẢM ƠN LOLCAM DOAN iy DANII MUC THUAT NGỮ DANH MUC HINH bà) 000000 CA. nh HH HH ghe CHƯƠNG 1.

GIỚI THIẾU BÀI TOÁN. Khải niệm nhận dạng cảm xúc. Các sản phẩm oó liên guan,. Một số nghiên cửu liễn quan.