Luận văn Thạc sĩ: Nhận dạng cảm xúc từ EEG bằng Mạng Nơ-ron - Ngô Quốc Trung
Luận văn thạc sĩ kỹ thuật phân tích ứng dụng mạng nơ ron trong hệ thống nhận dạng cảm xúc dựa trên tín hiệu điện não, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả
Trường đại học
Đại học Thái Nguyên - Trường Đại học Kỹ thuật Công nghiệpChuyên ngành
Kỹ thuật điều khiển và tự động hóaNgười đăng
Ẩn danhThể loại
Luận văn thạc sĩ kỹ thuậtPhí lưu trữ
30 PointMục lục chi tiết
Tóm tắt
I. Tổng Quan Mạng Nơ ron Nhận Dạng Cảm Xúc Qua Điện Não Đồ
Việc hiểu và diễn giải cảm xúc con người là một trong những mục tiêu quan trọng của trí tuệ nhân tạo. Trong những năm gần đây, hướng tiếp cận sử dụng mạng nơ-ron nhận dạng cảm xúc qua tín hiệu điện não (EEG) đã mở ra một kỷ nguyên mới. Khác với các phương pháp truyền thống như phân tích biểu cảm khuôn mặt hay giọng nói, phân tích sóng não cung cấp một cửa sổ trực tiếp vào các trạng thái nhận thức và tình cảm, không bị ảnh hưởng bởi các yếu tố che giấu chủ quan. Tín hiệu điện não đồ (EEG) ghi lại hoạt động điện của hàng tỷ nơ-ron trong não, tạo ra một nguồn dữ liệu phong phú nhưng phức tạp. Các hệ thống Học máy phân tích cảm xúc hiện đại, đặc biệt là các mô hình Học sâu nhận dạng cảm xúc, có khả năng học các mẫu phi tuyến ẩn trong dữ liệu EEG. Điều này cho phép chúng liên kết các dạng sóng não cụ thể với các trạng thái cảm xúc như vui, buồn, tức giận, hay thư giãn. Công nghệ này không chỉ là một bước tiến trong lĩnh vực giao diện não-máy tính (BCI) mà còn hứa hẹn nhiều ứng dụng đột phá trong y tế, marketing, và giải trí.
1.1. Khái niệm cơ bản về tín hiệu điện não đồ EEG và cảm xúc
Tín hiệu điện não đồ (Electroencephalogram - EEG) là bản ghi hoạt động điện của não bộ, thu thập qua các điện cực đặt trên da đầu. Các hoạt động này biểu hiện dưới dạng các sóng với tần số và biên độ khác nhau, bao gồm các dải tần chính như Delta, Theta, Alpha, Beta và Gamma. Mỗi dải tần này được liên kết với các trạng thái ý thức và nhận thức khác nhau. Cảm xúc, về bản chất, là các phản ứng tâm sinh lý phức tạp, gây ra những thay đổi rõ rệt trong hoạt động của não. Ví dụ, sóng Alpha (8-13 Hz) thường xuất hiện khi cơ thể ở trạng thái thư giãn, trong khi sóng Beta (13-35 Hz) lại chiếm ưu thế khi tập trung cao độ hoặc lo lắng. Việc liên kết các mẫu phân tích sóng não (alpha, beta, gamma) với các trạng thái cảm xúc cụ thể là nền tảng cho các thuật toán nhận dạng cảm xúc.
1.2. Vai trò của học máy và học sâu trong phân tích cảm xúc
Các phương pháp học máy phân tích cảm xúc truyền thống như Support Vector Machine (SVM) hay Linear Discriminant Analysis (LDA) đã được áp dụng để phân loại tín hiệu EEG. Tuy nhiên, các mô hình này gặp hạn chế khi xử lý tính chất phi tuyến và đa chiều của dữ liệu não bộ. Sự ra đời của Deep Learning for emotion recognition đã tạo ra một cuộc cách mạng. Các kiến trúc như Mạng nơ-ron tích chập (CNN) cho EEG và Mạng nơ-ron hồi quy (RNN) cho EEG có khả năng tự động trích xuất đặc trưng tín hiệu EEG mà không cần sự can thiệp thủ công. Chúng có thể học các mối tương quan phức tạp cả về không gian (giữa các điện cực) và thời gian (sự thay đổi của tín hiệu), mang lại độ chính xác cao hơn đáng kể trong việc phân loại cảm xúc EEG.
II. Thách Thức Trong Xử Lý Tín Hiệu Điện Não Nhận Dạng Cảm Xúc
Mặc dù có tiềm năng to lớn, việc xây dựng một hệ thống mạng nơ-ron nhận dạng cảm xúc qua tín hiệu điện não hiệu quả phải đối mặt với nhiều thách thức đáng kể. Vấn đề cốt lõi nằm ở bản chất của chính tín hiệu EEG. Đây là loại tín hiệu có biên độ rất nhỏ, phi ổn định (non-stationary) và cực kỳ nhạy cảm với nhiễu. Các loại nhiễu này có thể đến từ hoạt động của cơ (như chớp mắt, nhai), nhiễu từ môi trường điện từ, hoặc sự dịch chuyển của điện cực. Quá trình xử lý tín hiệu điện não đòi hỏi các kỹ thuật lọc và tiền xử lý phức tạp để loại bỏ những yếu tố gây sai lệch này. Bên cạnh đó, sự khác biệt sinh lý giữa các cá nhân cũng là một rào cản lớn. Một mẫu sóng não biểu thị cảm xúc "vui" ở người này có thể khác biệt đáng kể so với người khác. Điều này yêu cầu các mô hình phải có khả năng khái quát hóa tốt hoặc phải được hiệu chỉnh riêng cho từng người dùng, làm tăng độ phức tạp trong việc triển khai thực tế.
2.1. Bản chất phi tuyến và nhiễu của tín hiệu EEG
Tín hiệu EEG vốn có tính phi tuyến và thay đổi liên tục theo thời gian. Các phương pháp phân tích tuyến tính truyền thống thường không đủ khả năng để nắm bắt toàn bộ thông tin chứa trong tín hiệu. Nhiễu (artifacts) là một trong những trở ngại lớn nhất. Nhiễu do chuyển động mắt (EOG), hoạt động cơ mặt (EMG), hoặc thậm chí là hoạt động của tim (ECG) có thể có biên độ lớn hơn nhiều lần so với tín hiệu EEG thực tế, che lấp các thông tin quan trọng về cảm xúc. Do đó, giai đoạn tiền xử lý tín hiệu điện não để loại bỏ nhiễu là một bước bắt buộc và tối quan trọng, quyết định đến hiệu suất của toàn bộ hệ thống nhận dạng.
2.2. Khó khăn khi thu thập bộ dữ liệu EEG về cảm xúc chuẩn hóa
Để huấn luyện các mô hình học sâu, cần có một lượng lớn dữ liệu được gán nhãn. Tuy nhiên, việc tạo ra một bộ dữ liệu EEG về cảm xúc chất lượng cao là một công việc tốn kém và phức tạp. Các nhà nghiên cứu phải thiết kế các thí nghiệm để gợi lên những cảm xúc chân thực ở người tham gia (ví dụ: cho xem phim, nghe nhạc) và ghi lại tín hiệu EEG tương ứng. Các bộ dữ liệu công khai nổi tiếng như DEAP (Database for Emotion Analysis using Physiological Signals) hay SEED (SJTU Emotion EEG Dataset) đã đóng góp rất lớn cho cộng đồng, nhưng số lượng mẫu vẫn còn hạn chế. Việc đảm bảo tính nhất quán và độ tin cậy của các nhãn cảm xúc (thường dựa trên tự báo cáo của người tham gia) cũng là một thách thức không nhỏ.
III. Phương Pháp Trích Xuất Đặc Trưng Tín Hiệu EEG Hiệu Quả
Trước khi đưa vào mạng nơ-ron để phân loại cảm xúc, tín hiệu EEG thô cần được biến đổi thành một tập hợp các đặc trưng có ý nghĩa. Giai đoạn trích xuất đặc trưng tín hiệu EEG này có vai trò quyết định đến độ chính xác của mô hình. Các phương pháp truyền thống thường tập trung vào các đặc trưng trong miền tần số, chẳng hạn như mật độ phổ công suất (Power Spectral Density - PSD) của các dải sóng não. Tuy nhiên, những phương pháp này bỏ qua thông tin quan trọng trong miền thời gian. Luận văn của Ngô Quốc Trung nhấn mạnh việc áp dụng phép biến đổi Wavelet, một công cụ mạnh mẽ cho phép phân tích tín hiệu trên cả hai miền thời gian và tần số. Kỹ thuật này đặc biệt phù hợp với tín hiệu phi ổn định như EEG, giúp nắm bắt được những thay đổi cảm xúc thoáng qua. Các đặc trưng được trích xuất từ phân tích Wavelet, chẳng hạn như năng lượng, entropy, hoặc độ lệch chuẩn của các hệ số Wavelet, cung cấp một biểu diễn thông tin phong phú và hiệu quả hơn cho quá trình phân loại sau đó.
3.1. Kỹ thuật tiền xử lý và lọc nhiễu tín hiệu điện não
Giai đoạn tiền xử lý tín hiệu điện não là bước đầu tiên và cơ bản. Mục tiêu là loại bỏ nhiễu và chuẩn bị dữ liệu cho việc trích xuất đặc trưng. Các kỹ thuật phổ biến bao gồm: lọc thông dải (band-pass filtering) để giữ lại các dải tần quan tâm (thường từ 0.5-45 Hz), lọc thông thấp (low-pass filtering) để loại bỏ nhiễu tần số cao, và lọc chắn dải (notch filtering) để loại bỏ nhiễu từ đường dây điện (50/60 Hz). Ngoài ra, các phương pháp tiên tiến hơn như Phân tích thành phần độc lập (Independent Component Analysis - ICA) thường được sử dụng để tách và loại bỏ các thành phần nhiễu sinh học như chớp mắt hay hoạt động của cơ.
3.2. Biến đổi Wavelet Rời rạc DWT trong phân tích sóng não
Biến đổi Wavelet Rời rạc (Discrete Wavelet Transform - DWT) là một kỹ thuật hiệu quả để phân rã tín hiệu EEG thành các thành phần tần số khác nhau mà vẫn giữ được thông tin về thời gian. DWT phân tách tín hiệu thành các hệ số xấp xỉ (Approximation) và chi tiết (Detail) ở nhiều cấp độ phân giải khác nhau. Các hệ số này tương ứng trực tiếp với năng lượng của các dải sóng não kinh điển. Ví dụ, sau vài cấp phân rã, các hệ số có thể đại diện cho hoạt động của sóng Alpha, Beta, Theta, và Delta. Ưu điểm của DWT so với biến đổi Fourier truyền thống là khả năng định vị các sự kiện ngắn hạn trong tín hiệu, điều rất quan trọng để phát hiện những thay đổi cảm xúc nhanh chóng.
IV. Cách Xây Dựng Mạng Nơ ron Để Phân Loại Cảm Xúc Từ EEG
Sau khi có được các đặc trưng, bước tiếp theo là xây dựng và huấn luyện một mạng nơ-ron (Neural Network - NN) để thực hiện nhiệm vụ phân loại cảm xúc EEG. Việc lựa chọn kiến trúc mạng phù hợp là yếu tố then chốt. Luận văn "Ứng dụng mạng nơ-ron trong hệ thống nhận dạng cảm xúc dựa trên tín hiệu điện não" đã khảo sát nhiều kiến trúc, từ mạng Perceptron đa lớp (MLP) đơn giản đến các mô hình học sâu phức tạp hơn. Các mô hình Deep Learning for emotion recognition như Mạng nơ-ron tích chập (CNN) và Mạng nơ-ron hồi quy (RNN) đang cho thấy hiệu quả vượt trội. CNN có khả năng học các đặc trưng không gian từ sự sắp xếp của các điện cực trên da đầu, trong khi RNN lại xuất sắc trong việc nắm bắt các phụ thuộc theo thời gian trong chuỗi tín hiệu EEG. Quá trình huấn luyện bao gồm việc cung cấp cho mạng một lượng lớn dữ liệu EEG đã gán nhãn cảm xúc, sau đó sử dụng thuật toán lan truyền ngược (backpropagation) để điều chỉnh trọng số của mạng, nhằm giảm thiểu sự khác biệt giữa dự đoán của mô hình và nhãn thực tế.
4.1. Kiến trúc Mạng Nơ ron Tích chập CNN và Hồi quy RNN
Kiến trúc Mạng nơ-ron tích chập (CNN) cho EEG thường được thiết kế để xử lý dữ liệu EEG được biểu diễn dưới dạng hình ảnh 2D hoặc 3D, trong đó các chiều thể hiện thời gian, kênh điện cực và đặc trưng tần số. Các lớp tích chập có thể tự động học các bộ lọc để phát hiện các mẫu không gian-thời gian-tần số liên quan đến cảm xúc. Trong khi đó, Mạng nơ-ron hồi quy (RNN) cho EEG, đặc biệt là các biến thể như LSTM (Long Short-Term Memory), được thiết kế để xử lý dữ liệu tuần tự. Chúng có khả năng "ghi nhớ" thông tin từ các bước thời gian trước đó, rất phù hợp để phân tích sự phát triển của trạng thái cảm xúc theo thời gian.
4.2. Huấn luyện mô hình và sử dụng mô hình Valence Arousal
Quá trình huấn luyện mô hình học sâu nhận dạng cảm xúc yêu cầu lựa chọn hàm mất mát (loss function) và thuật toán tối ưu hóa (optimizer) phù hợp. Đối với bài toán phân loại, Cross-Entropy thường được sử dụng. Thay vì phân loại thành các nhãn rời rạc (vui, buồn), nhiều nghiên cứu hiện đại sử dụng Mô hình Valence-Arousal. Mô hình này biểu diễn cảm xúc trên một không gian 2 chiều: Valence (từ tiêu cực đến tích cực) và Arousal (từ bình tĩnh đến kích thích). Cách tiếp cận này cho phép mô tả các trạng thái cảm xúc một cách chi tiết và liên tục hơn, biến bài toán thành một bài toán hồi quy.
4.3. Công cụ phổ biến TensorFlow và PyTorch phân loại EEG
Việc triển khai các mô hình phức tạp này trở nên dễ dàng hơn nhờ các thư viện học sâu mã nguồn mở. TensorFlow nhận dạng cảm xúc và PyTorch phân loại EEG là hai framework phổ biến nhất. Chúng cung cấp các API cấp cao để xây dựng, huấn luyện và triển khai các mạng nơ-ron, cùng với cộng đồng hỗ trợ lớn và nhiều mô hình được huấn luyện sẵn. Các công cụ này giúp các nhà nghiên cứu tăng tốc quá trình thử nghiệm và phát triển các thuật toán nhận dạng cảm xúc mới.
V. Ứng Dụng Giao Diện Não Máy Tính BCI Nhận Dạng Cảm Xúc
Công nghệ mạng nơ-ron nhận dạng cảm xúc qua tín hiệu điện não là một thành phần cốt lõi của các hệ thống Giao diện não-máy tính (Brain-Computer Interface - BCI) hiện đại. Những ứng dụng của Brain-Computer Interface for emotion không còn giới hạn trong phòng thí nghiệm mà đang dần đi vào cuộc sống thực tiễn. Trong lĩnh vực y tế, các hệ thống này có thể giúp theo dõi trạng thái tinh thần của bệnh nhân trầm cảm, lo âu, hoặc các rối loạn tâm lý khác, cung cấp cho bác sĩ những dữ liệu khách quan để điều chỉnh phác đồ điều trị. Trong marketing và nghiên cứu người dùng, BCI có thể đo lường phản ứng cảm xúc tức thời của khách hàng đối với một sản phẩm, quảng cáo, hoặc giao diện website, mang lại những hiểu biết sâu sắc mà các phương pháp khảo sát truyền thống không thể có được. Ngoài ra, các ứng dụng trong lĩnh vực giải trí như game tương tác theo cảm xúc, hay hệ thống đề xuất âm nhạc/phim ảnh thông minh cũng đang được phát triển mạnh mẽ.
5.1. Cải thiện chăm sóc sức khỏe tâm thần và giáo dục
Trong y tế, hệ thống phân loại cảm xúc EEG có thể trở thành công cụ hỗ trợ chẩn đoán sớm các bệnh về sức khỏe tâm thần. Bằng cách theo dõi các mẫu sóng não bất thường liên quan đến trầm cảm hoặc căng thẳng kéo dài, bác sĩ có thể can thiệp kịp thời. Trong giáo dục, công nghệ này có thể được sử dụng để đánh giá mức độ hứng thú và tập trung của học sinh trong giờ học, từ đó giáo viên có thể điều chỉnh phương pháp giảng dạy để tăng cường hiệu quả tiếp thu kiến thức cho từng cá nhân.
5.2. Đánh giá độ chính xác của các thuật toán nhận dạng cảm xúc
Hiệu suất của một hệ thống nhận dạng cảm xúc được đánh giá dựa trên độ chính xác phân loại. Các nghiên cứu gần đây sử dụng học sâu đã đạt được những kết quả rất khả quan. Ví dụ, trong báo cáo của Liu et al., mô hình đề xuất có thể nhận dạng sáu cảm xúc cơ bản với độ chính xác trung bình lên tới 81%. Tuy nhiên, độ chính xác này có thể thay đổi tùy thuộc vào bộ dữ liệu EEG về cảm xúc được sử dụng, số lượng lớp cảm xúc cần phân loại, và kiến trúc mô hình. Việc chuẩn hóa các phương pháp đánh giá và xây dựng các bộ dữ liệu benchmark lớn hơn vẫn là một hướng đi cần thiết để thúc đẩy sự phát triển của lĩnh vực này.
01/10/2025
