Nghiên Cứu Mô Hình Nhận Biết Cảm Xúc và Tính Cách Dựa Trên Tín Hiệu Điện Não

• Tác giả: Hà Việt Anh
• Người hướng dẫn: TS. Phạm Phúc Ngọc
• Trường học: Đại học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật Y sinh
• Đề tài: Nghiên Cứu Mô Hình Nhận Biết Cảm Xúc, Tính Cách Dựa Trên Tín Hiệu Điện Não
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

• LỜI CẢM ƠN
• TÓM TẮT NỘI DUNG LUẬN VĂN
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VỀ ĐIỆN NÃO ĐỒ VÀ CẢM XÚC
• 1.1. Cơ sở lý thuyết về điện não đồ
• 1.1.1. Cơ sở sinh lý thần kinh của điện não
• 1.1.2. Hoạt động thần kinh
• 1.1.3. Điện thế màng tế bào
• 1.1.4. Điện thế nghỉ
• 1.1.5. Điện thế hoạt động
• 1.1.6. Ví dụ về điện thế hoạt động
• 1.1.7. Cơ chế hình thành điện thế hoạt động
• 1.1.8. Sự lan truyền điện thế hoạt động
• 1.2. Sự hình thành tín hiệu điện não
• 1.3. Cấu trúc của một tế bào thần kinh
• 1.4. Các thành phần chính của bộ não
• 1.5. Cảm xúc và mối liên hệ với điện não đồ
• 1.5.1. Tổng quan 6 lý thuyết chính về cảm xúc
• 1.5.2. Phân loại các trạng thái cảm xúc
• 1.5.3. Các phương pháp đánh giá cảm xúc
• 1.5.4. Mối liên hệ giữa cảm xúc và điện não đồ
• 1.5.5. Các nghiên cứu về ứng dụng tín hiệu điện não trong phân loại cảm xúc
• 2. CHƯƠNG 2: PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Dữ liệu EEG
• 2.1.1. Bộ dữ liệu SEED
• 2.1.2. Bộ dữ liệu DEAP
• 2.1.3. So sánh lựa chọn bộ dữ liệu
• 2.2. Biến đổi Wavelet
• 2.3. Support Vector Machine SVM
• 2.3.1. Phân loại nhị phân (binary classification)
• 2.3.2. Phân loại đa lớp (multiclass classification)
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH
• 3.1. Tiền xử lý dữ liệu
• 3.1.1. Lựa chọn kênh
• 3.1.2. Lựa chọn băng tần
• 3.1.3. Sử dụng wavelet tách băng tần
• 3.2. Trích chọn đặc trưng
• 3.2.1. Các đặc trưng thường được sử dụng trong phân loại cảm xúc
• 3.2.2. Đặc trưng Entropy shannon
• 3.2.3. Power Spectral Density – PSD
• 3.2.4. Đặc trưng Hjorth mobility và Hjorth complexity
• 3.2.5. ASM, DASM, RASM
• 3.2.6. Hệ số tương quan
• 3.3. Mã hoá dữ liệu áp dụng thuật toán Support vector machine
• 4. CHƯƠNG 4: KẾT QUẢ PHÂN LOẠI CẢM XÚC SỬ DỤNG SUPPORT VECTOR MACHINE
• 4.1. Kết quả phân loại cảm xúc sử dụng SVM
• 4.1.1. Đánh giá độ chính xác mô hình trên từng cặp điện cực
• 4.1.2. Đánh giá độ chính xác mô hình trên từng vecto đặc trưng
• 4.1.3. Đánh giá độ chính xác mô hình trên tổ hợp các vecto đặc trưng
• 4.1.4. So sánh với một số kết quả nghiên cứu trước đây
• 4.2. Giao diện mô hình nhận biết phân loại cảm xúc sử dụng SVM
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Về Mô Hình Nhận Diện Cảm Xúc Từ EEG

Cảm xúc đóng vai trò quan trọng trong giao tiếp phi ngôn ngữ và làm phong phú cuộc sống. Nghiên cứu nhận diện cảm xúc đang thu hút sự quan tâm lớn, đặc biệt trong bối cảnh phát triển các dịch vụ điện tử theo dõi sức khỏe tâm thần. Áp lực công việc, tổn thương não và nhiều yếu tố khác dẫn đến các vấn đề tâm lý, rối loạn cảm xúc. Việc nghiên cứu các khía cạnh cảm xúc hàng ngày ảnh hưởng đến sự quyết định các hành vi để thể hiện tính cách của con người. Các kỹ thuật nhận diện cảm xúc có tiềm năng lớn trong nhiều lĩnh vực, từ tương tác người-máy đến tiếp thị và giáo dục. Ví dụ, việc nắm bắt cảm xúc của khách hàng làm tăng doanh thu bán hàng, trong giáo dục giúp cải thiện quá trình học tập. Việc giải mã cảm xúc thông qua tín hiệu điện não đồ (EEG) mở ra hướng tiếp cận trực tiếp và khách quan, khắc phục hạn chế của các phương pháp đánh giá chủ quan. Luận văn này tập trung vào việc tối ưu hóa mô hình nhận diện cảm xúc từ EEG, hướng đến độ chính xác cao và giảm độ phức tạp.

1.1. Tầm Quan Trọng của Nhận Diện Cảm Xúc trong Xã Hội

Cảm xúc là yếu tố then chốt trong tương tác xã hội, thể hiện qua giao tiếp phi ngôn ngữ. Rối loạn cảm xúc ảnh hưởng tiêu cực đến sức khỏe thể chất và tinh thần, gây ra các vấn đề như căng thẳng, trầm cảm và suy giảm hiệu suất làm việc. Vì vậy, hiểu và giải mã cảm xúc là vấn đề cấp thiết. Nhận diện cảm xúc ứng dụng trong các lĩnh vực như: Tương tác Người-Máy (HCI), Tiếp thị, Giáo dục, Giải trí và Chăm sóc sức khỏe tinh thần. Các nhà tâm lý học đã xác minh vai trò quan trọng của cảm xúc đối với sức khỏe con người. Nghiên cứu trong tiếp thị cho thấy, việc nắm bắt và đánh giá được cảm xúc của khách hàng làm tăng doanh thu bán hàng.

1.2. Ưu Điểm của EEG so với Các Phương Pháp Đánh Giá Cảm Xúc Khác

Các phương pháp đánh giá cảm xúc truyền thống dựa trên phản ánh có ý thức, dễ bị ảnh hưởng bởi yếu tố chủ quan và định kiến xã hội. EEG ghi lại hoạt động điện của não bộ một cách trực tiếp và khách quan, ít bị chi phối bởi nhận thức chủ quan. Phương pháp này có thể phát hiện sự thay đổi cảm xúc thông qua cách truy cập trực tiếp vào các tín hiệu điện trong não bộ. Các tín hiệu sinh lý khác như điện tim ECG, điện trở da GRS cũng được sử dụng, nhưng EEG cung cấp thông tin phong phú hơn về cơ chế thần kinh liên quan đến cảm xúc. Nghiên cứu về cảm xúc thông qua tín hiệu điện não được nhiều nhà nghiên cứu hướng đến.

II. Thách Thức Trong Xây Dựng Mô Hình Phân Loại Cảm Xúc EEG

Xây dựng mô hình phân loại cảm xúc từ EEG đối mặt với nhiều thách thức. Tín hiệu điện não rất phức tạp, chịu ảnh hưởng bởi nhiều yếu tố như nhiễu điện, hoạt động cơ bắp, và sự khác biệt sinh lý giữa các cá nhân. Việc trích xuất các đặc trưng EEG có liên quan đến cảm xúc đòi hỏi kiến thức chuyên sâu về xử lý tín hiệu và Neuroscience. Các thuật toán Machine Learning cần được tối ưu hóa để xử lý dữ liệu EEG có tính biến động cao. Độ chính xác và độ tin cậy của mô hình cần được đánh giá kỹ lưỡng để đảm bảo tính ứng dụng thực tiễn. Luận văn cần giải quyết các thách thức này để xây dựng một mô hình nhận diện cảm xúc hiệu quả và tin cậy.

2.1. Vấn Đề Nhiễu Trong Tín Hiệu Điện Não Đồ EEG

Tín hiệu EEG rất nhạy cảm với nhiễu, bao gồm nhiễu điện từ từ môi trường, nhiễu từ hoạt động cơ bắp (EMG), và nhiễu từ chuyển động mắt (EOG). Các loại nhiễu này có thể làm sai lệch tín hiệu não thực tế và ảnh hưởng đến hiệu suất của mô hình phân loại. Cần áp dụng các kỹ thuật tiền xử lý dữ liệu như lọc nhiễu, loại bỏ thành phần độc lập (ICA) để giảm thiểu tác động của nhiễu. Các EEG cơ bản trong hoạt động nền của não bao gồm: Sóng Alpha, Beta, Theta và Delta. Điện thế liên quan đến sự kiện (ERP) là các thay đổi điện não do một sự kiện cụ thể kích thích.

2.2. Sự Khác Biệt Sinh Lý Cá Nhân Ảnh Hưởng Nhận Diện Cảm Xúc

Hoạt động não bộ và biểu hiện cảm xúc có sự khác biệt đáng kể giữa các cá nhân. Các yếu tố như tuổi tác, giới tính, trạng thái sức khỏe và tính cách có thể ảnh hưởng đến tín hiệu EEG liên quan đến cảm xúc. Do đó, mô hình nhận diện cảm xúc cần được điều chỉnh hoặc huấn luyện riêng cho từng cá nhân để đạt được độ chính xác cao. Nghiên cứu đã chỉ ra rằng sự khác biệt của tín hiệu điện não lấy từ bộ dữ liệu DEAP trong miền tần số: trạng thái tích cực (valence) và trạng thái tiêu cực (not valence).

III. Phương Pháp Trích Xuất Đặc Trưng EEG Tối Ưu Cho AI

Việc lựa chọn và trích xuất đặc trưng phù hợp từ tín hiệu EEG là yếu tố then chốt để xây dựng mô hình nhận diện cảm xúc hiệu quả. Các đặc trưng EEG phổ biến bao gồm: biên độ và tần số của các dải sóng (Alpha, Beta, Theta, Delta), Differential Entropy (DE), hệ số tương quan, và các đặc trưng bất đối xứng (ASM, DASM, RASM). Các phương pháp xử lý tín hiệu như biến đổi Wavelet và Power Spectral Density (PSD) được sử dụng để phân tích tín hiệu EEG trong miền thời gian và tần số. Các đặc trưng này sau đó được đưa vào các thuật toán Machine Learning để phân loại cảm xúc.

3.1. Ứng Dụng Biến Đổi Wavelet trong Phân Tích Tín Hiệu Điện Não

Biến đổi Wavelet là một công cụ mạnh mẽ để phân tích tín hiệu EEG không dừng trong miền thời gian và tần số. Nó cho phép phân tách tín hiệu thành các thành phần tần số khác nhau và xác định các thay đổi về tần số theo thời gian. Biến đổi Wavelet có thể được sử dụng để loại bỏ nhiễu và trích xuất các đặc trưng EEG liên quan đến cảm xúc. Biến đổi Wavelet bao gồm: Biến đổi wavelet liên tục (CWT) và Biến đổi wavelet rời rạc (DWT).

3.2. Lựa Chọn Các Đặc Trưng EEG Phổ Biến Entropy Tương Quan và Bất Đối Xứng

Entropy đo lường mức độ hỗn loạn của tín hiệu, và có thể phản ánh sự thay đổi trong hoạt động não bộ liên quan đến cảm xúc. Hệ số tương quan đo lường mức độ liên quan giữa tín hiệu EEG từ các điện cực khác nhau, và có thể cung cấp thông tin về sự kết nối chức năng của não bộ. Các đặc trưng bất đối xứng (ASM, DASM, RASM) đo lường sự khác biệt trong hoạt động điện của não bộ giữa hai bán cầu, và có thể phản ánh sự chi phối của não bộ đối với các cảm xúc khác nhau. Các đặc trưng khác thường được sử dụng trong phân loại cảm xúc bao gồm: Entropy shannon, Power Spectral Density (PSD), Đặc trưng Hjorth mobility và Hjorth complexity

IV. Sử Dụng Machine Learning Cho Nhận Diện Cảm Xúc Từ EEG

Các thuật toán Machine Learning đóng vai trò quan trọng trong việc phân loại cảm xúc từ đặc trưng EEG. Các thuật toán phổ biến bao gồm: Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Convolutional Neural Network (CNN), và Recurrent Neural Network (RNN). SVM là một thuật toán phân loại hiệu quả, phù hợp với dữ liệu EEG có kích thước nhỏ. CNN và RNN là các mạng nơ-ron sâu, có khả năng học các đặc trưng phức tạp từ dữ liệu EEG thô. Việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu của nghiên cứu.

4.1. Thuật Toán Support Vector Machine SVM Trong Phân Loại EEG

SVM là một thuật toán học có giám sát, được sử dụng rộng rãi trong phân loại EEG. SVM tìm kiếm một siêu phẳng tối ưu để phân tách các lớp dữ liệu, tối đa hóa khoảng cách giữa các lớp. SVM có khả năng xử lý dữ liệu có kích thước nhỏ và có thể đạt được độ chính xác cao. Minh họa lề trong thuật toán SVM và minh họa 2 thuật toán con của SVM.

4.2. Tiềm Năng Của Mạng Nơ Ron Sâu CNN RNN Trong Xử Lý Điện Não Đồ

CNN và RNN là các mạng nơ-ron sâu có khả năng học các đặc trưng phức tạp từ dữ liệu EEG thô, mà không cần trích xuất đặc trưng thủ công. CNN được sử dụng để học các mẫu không gian trong tín hiệu EEG, trong khi RNN được sử dụng để học các mẫu thời gian. CNN có thể khai thác các đặc điểm không gian và thời gian, trở thành lựa chọn phù hợp cho phân loại cảm xúc. Tuy nhiên, đào tạo CNN và RNN đòi hỏi lượng dữ liệu lớn và tài nguyên tính toán đáng kể.

V. Ứng Dụng Thực Tế Của Mô Hình Nhận Diện Cảm Xúc Từ EEG

Mô hình nhận diện cảm xúc từ EEG có nhiều ứng dụng thực tế tiềm năng. Trong lĩnh vực giao diện não-máy tính (Brain-Computer Interface - BCI), mô hình có thể được sử dụng để điều khiển thiết bị hoặc giao tiếp với người khác bằng suy nghĩ. Trong lĩnh vực chăm sóc sức khỏe, mô hình có thể được sử dụng để theo dõi sức khỏe tâm thần của bệnh nhân và phát hiện sớm các rối loạn cảm xúc. Trong lĩnh vực giải trí, mô hình có thể được sử dụng để tạo ra trải nghiệm tương tác cá nhân hóa.

5.1. Ứng Dụng Trong Giao Diện Não Máy Tính Brain Computer Interface

Giao diện não-máy tính (BCI) cho phép con người điều khiển thiết bị hoặc giao tiếp với thế giới bên ngoài bằng suy nghĩ, thông qua việc giải mã hoạt động não bộ. Mô hình nhận diện cảm xúc từ EEG có thể được sử dụng để xây dựng các hệ thống BCI dựa trên cảm xúc, cho phép người dùng điều khiển thiết bị bằng cách thể hiện cảm xúc. Ví dụ, người dùng có thể điều khiển xe lăn bằng cách thể hiện cảm xúc vui, buồn, tức giận.

5.2. Ứng Dụng Trong Chăm Sóc Sức Khỏe Tinh Thần Cá Nhân Hóa

Mô hình nhận diện cảm xúc từ EEG có thể được sử dụng để theo dõi sức khỏe tâm thần của bệnh nhân và phát hiện sớm các rối loạn cảm xúc như trầm cảm, lo âu. Mô hình có thể cung cấp thông tin khách quan về trạng thái cảm xúc của bệnh nhân, giúp các bác sĩ đưa ra chẩn đoán và điều trị kịp thời. Hơn nữa, mô hình có thể được sử dụng để cá nhân hóa liệu pháp điều trị tâm lý, bằng cách điều chỉnh liệu pháp dựa trên trạng thái cảm xúc của bệnh nhân.

VI. Kết Luận Hướng Phát Triển Mô Hình Nhận Diện Cảm Xúc EEG

Nghiên cứu mô hình nhận diện cảm xúc từ EEG có tiềm năng lớn để cải thiện cuộc sống của con người. Tuy nhiên, vẫn còn nhiều thách thức cần được giải quyết để nâng cao độ chính xác và độ tin cậy của mô hình. Hướng nghiên cứu trong tương lai tập trung vào việc phát triển các thuật toán Machine Learning mạnh mẽ hơn, sử dụng các đặc trưng EEG phức tạp hơn, và thu thập dữ liệu EEG lớn hơn và đa dạng hơn.

6.1. Những Hạn Chế Hiện Tại Và Hướng Nghiên Cứu Để Cải Thiện

Các hạn chế của mô hình nhận diện cảm xúc từ EEG bao gồm: độ chính xác chưa cao, sự phụ thuộc vào đặc điểm sinh lý cá nhân, và sự phức tạp của việc thu thập và xử lý dữ liệu EEG. Hướng nghiên cứu trong tương lai bao gồm: phát triển các thuật toán Machine Learning thích nghi với sự khác biệt cá nhân, sử dụng các kỹ thuật trích xuất đặc trưng tiên tiến hơn, và thu thập dữ liệu EEG trong môi trường tự nhiên hơn.

6.2. Tiềm Năng Phát Triển Của Công Nghệ Nhận Diện Cảm Xúc Trong Tương Lai

Công nghệ nhận diện cảm xúc có tiềm năng phát triển mạnh mẽ trong tương lai, với các ứng dụng trong nhiều lĩnh vực. Với sự phát triển của AI và Machine Learning, mô hình nhận diện cảm xúc sẽ ngày càng chính xác và tin cậy hơn. Công nghệ này có thể góp phần tạo ra một xã hội thông minh và nhân văn hơn, nơi con người có thể giao tiếp và tương tác với nhau một cách hiệu quả hơn.

Tổng quan nghiên cứu

Cảm xúc đóng vai trò thiết yếu trong các hoạt động xã hội và giao tiếp phi ngôn ngữ của con người, góp phần làm phong phú cuộc sống hàng ngày. Theo ước tính, rối loạn tâm lý và cảm xúc đứng thứ hai về độ phổ biến trên thế giới, chỉ sau chứng đau đầu. Việc nhận biết và phân loại cảm xúc không chỉ giúp hiểu rõ hơn về hành vi con người mà còn có tiềm năng ứng dụng rộng rãi trong các lĩnh vực như tương tác người-máy, tiếp thị, giáo dục và chăm sóc sức khỏe tâm thần. Trong bối cảnh đó, tín hiệu điện não đồ (EEG) được xem là công cụ tiềm năng để phát hiện cảm xúc do khả năng ghi nhận trực tiếp các hoạt động điện trong não bộ.

Mục tiêu của luận văn là nghiên cứu và đề xuất một mô hình nhận biết, phân loại cảm xúc và tính cách dựa trên tín hiệu EEG, tập trung vào hai trạng thái cảm xúc chính: tích cực (valence) và tiêu cực (not valence). Mô hình hướng tới tối ưu hóa, giảm độ phức tạp và nâng cao độ chính xác so với các nghiên cứu trước đây. Nghiên cứu sử dụng bộ dữ liệu EEG DEAP với 32 đối tượng tham gia, thu thập tín hiệu từ 32 điện cực trong quá trình xem các video kích thích cảm xúc. Kết quả mô hình đạt độ chính xác phân loại lên tới 72%, cho thấy tiềm năng ứng dụng của EEG trong nhận biết cảm xúc.

Phạm vi nghiên cứu tập trung vào phân tích tín hiệu EEG thu thập trong môi trường phòng thí nghiệm tại Việt Nam trong năm 2023, sử dụng các kỹ thuật xử lý tín hiệu hiện đại như biến đổi wavelet và thuật toán học máy Support Vector Machine (SVM). Nghiên cứu có ý nghĩa quan trọng trong việc phát triển các hệ thống hỗ trợ theo dõi sức khỏe tâm thần, cải thiện tương tác người-máy và ứng dụng trong giáo dục, giải trí.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính:

1. Lý thuyết cảm xúc đa chiều (Circumplex Model of Affect): Mô hình này phân loại cảm xúc theo hai chiều chính là giá trị (valence) và kích thích (arousal). Valence biểu thị mức độ tích cực hoặc tiêu cực của cảm xúc, trong khi arousal thể hiện mức độ kích thích hoặc bình tĩnh. Mô hình giúp đơn giản hóa việc phân loại cảm xúc thành các trạng thái dễ nhận biết.

2. Lý thuyết sinh lý thần kinh về tín hiệu EEG: EEG ghi lại các hoạt động điện của não bộ thông qua các điện cực đặt trên da đầu. Các sóng não chính gồm delta, theta, alpha, beta và gamma có liên quan mật thiết đến các trạng thái cảm xúc khác nhau. Đặc biệt, sự bất đối xứng năng lượng sóng alpha và beta ở vùng vỏ não trước trán được xem là chỉ số quan trọng để phân biệt cảm xúc tích cực và tiêu cực.

Các khái niệm chuyên ngành quan trọng bao gồm: Differential Entropy (DE), Asymmetry feature (ASM), hệ số tương quan, biến đổi wavelet rời rạc (DWT), và thuật toán Support Vector Machine (SVM) với kernel Gaussian.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu EEG DEAP, thu thập từ 32 đối tượng (17 nam, 15 nữ) trong độ tuổi 19-33, sử dụng 40 video kích thích cảm xúc với thời gian xem mỗi video là 63 giây (bao gồm 3 giây baseline). Tín hiệu EEG được ghi lại từ 32 điện cực, đã qua xử lý lọc thông dải 4-45 Hz và lấy mẫu xuống 128 Hz.

Phương pháp phân tích gồm các bước:

• Tiền xử lý dữ liệu: Loại bỏ nhiễu sinh lý và phi sinh lý, chuẩn hóa tín hiệu.
• Tách băng tần bằng biến đổi wavelet rời rạc (DWT): Phân tích tín hiệu EEG thành các dải tần alpha, beta, gamma để trích xuất đặc trưng cảm xúc.
• Trích chọn đặc trưng: Sử dụng các đặc trưng entropy vi phân (DE), hệ số tương quan và đặc trưng bất đối xứng (ASM) tại các vị trí điện cực Fp1, Fp2, F3, F4.
• Phân loại cảm xúc: Áp dụng thuật toán Support Vector Machine (SVM) với kernel Gaussian, sử dụng kỹ thuật xác thực chéo k-fold (k=5) để đánh giá mô hình.

Thời gian nghiên cứu kéo dài trong năm 2023, với các giai đoạn thu thập dữ liệu, xử lý, xây dựng mô hình và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác phân loại cảm xúc đạt 72% khi sử dụng tổ hợp các đặc trưng DE, ASM và hệ số tương quan tại các điện cực vùng trán (Fp1, Fp2, F3, F4). So với các nghiên cứu trước đây, kết quả này cải thiện khoảng 5-10% độ chính xác trong phân loại nhị phân valence và not valence.

2. Đặc trưng Differential Entropy (DE) đóng vai trò quan trọng nhất, riêng đặc trưng này đạt độ chính xác khoảng 68%, trong khi kết hợp với ASM và hệ số tương quan nâng cao hiệu quả phân loại lên đáng kể.

3. Vùng điện cực trước trán (Fp1, Fp2) và trán giữa (F3, F4) cung cấp thông tin cảm xúc rõ rệt hơn so với các vùng khác, với sự khác biệt năng lượng sóng alpha và beta giữa trạng thái tích cực và tiêu cực đạt trên 15%.

4. Mô hình SVM với kernel Gaussian và k-fold = 5 cho kết quả ổn định, sai số tổng quát hóa thấp hơn so với các thuật toán khác như Naïve Bayes hay K-Nearest Neighbors (KNN) trong cùng điều kiện thử nghiệm.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện độ chính xác là do việc lựa chọn đặc trưng phù hợp và tập trung vào các vùng não liên quan mật thiết đến cảm xúc, đồng thời sử dụng biến đổi wavelet để tách băng tần giúp giảm nhiễu và tăng cường tín hiệu đặc trưng. Kết quả phù hợp với các nghiên cứu trước đây cho thấy sóng alpha và beta ở vùng trán có liên quan mật thiết đến trạng thái cảm xúc.

So sánh với các nghiên cứu sử dụng bộ dữ liệu DEAP, mô hình này có độ chính xác cao hơn khoảng 5-10%, đồng thời giảm bớt độ phức tạp khi chỉ sử dụng một số đặc trưng chính thay vì nhiều đặc trưng phức tạp. Điều này giúp mô hình dễ dàng triển khai trong các ứng dụng thực tế.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác giữa các đặc trưng và các vùng điện cực, cũng như bảng tổng hợp kết quả phân loại của các thuật toán khác nhau. Ngoài ra, bản đồ nhiệt năng lượng sóng alpha và beta tại các vùng trán minh họa sự khác biệt rõ rệt giữa cảm xúc tích cực và tiêu cực.

Đề xuất và khuyến nghị

1. Phát triển hệ thống nhận biết cảm xúc dựa trên EEG cho ứng dụng chăm sóc sức khỏe tâm thần: Triển khai mô hình trong các thiết bị đeo không dây để theo dõi trạng thái cảm xúc người dùng, giúp phát hiện sớm các rối loạn tâm lý. Thời gian thực hiện trong 1-2 năm, chủ thể là các trung tâm y tế và công ty công nghệ y sinh.

2. Tích hợp mô hình vào các hệ thống tương tác người-máy: Sử dụng nhận biết cảm xúc để cải thiện trải nghiệm người dùng trong giáo dục, giải trí và tiếp thị. Mục tiêu nâng cao chỉ số hài lòng người dùng (user satisfaction) trên 80% trong vòng 12 tháng.

3. Mở rộng nghiên cứu với đa dạng đối tượng và môi trường thực tế: Thu thập dữ liệu EEG từ nhiều nhóm tuổi, giới tính và điều kiện môi trường khác nhau để tăng tính tổng quát của mô hình. Thời gian nghiên cứu 2-3 năm, phối hợp với các viện nghiên cứu và trường đại học.

4. Nâng cao độ chính xác mô hình bằng cách kết hợp các phương pháp học sâu (deep learning): Áp dụng mạng nơ-ron tích chập (CNN) hoặc mạng nơ-ron hồi tiếp (RNN) để khai thác sâu hơn các đặc trưng tín hiệu EEG. Mục tiêu đạt độ chính xác trên 80% trong vòng 2 năm.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật y sinh: Tài liệu cung cấp kiến thức nền tảng về xử lý tín hiệu EEG và ứng dụng trong nhận biết cảm xúc, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

2. Chuyên gia phát triển công nghệ chăm sóc sức khỏe tâm thần: Tham khảo mô hình và phương pháp để xây dựng các thiết bị theo dõi cảm xúc, hỗ trợ chẩn đoán và điều trị các rối loạn tâm lý.

3. Nhà phát triển phần mềm tương tác người-máy và giáo dục: Áp dụng mô hình nhận biết cảm xúc để cải thiện trải nghiệm người dùng, cá nhân hóa nội dung và nâng cao hiệu quả học tập.

4. Chuyên gia tiếp thị và phân tích hành vi khách hàng: Sử dụng kết quả nghiên cứu để đánh giá phản ứng cảm xúc của khách hàng, từ đó tối ưu hóa chiến lược tiếp thị và nâng cao doanh thu.

Câu hỏi thường gặp

1. Tại sao chọn tín hiệu EEG để nhận biết cảm xúc thay vì các tín hiệu sinh lý khác?
   EEG ghi nhận trực tiếp hoạt động điện của não bộ, cung cấp thông tin chính xác về trạng thái cảm xúc. So với ECG hay EMG, EEG ít bị ảnh hưởng bởi các yếu tố ngoại cảnh và có khả năng phân biệt các trạng thái cảm xúc tinh vi hơn.

2. Mô hình SVM có ưu điểm gì trong phân loại cảm xúc?
   SVM có khả năng phân loại nhị phân hiệu quả, tối ưu khoảng cách lề giữa các lớp dữ liệu, giúp giảm sai số tổng quát hóa. Kernel Gaussian cho phép xử lý dữ liệu phi tuyến, phù hợp với tín hiệu EEG phức tạp.

3. Biến đổi wavelet giúp gì trong xử lý tín hiệu EEG?
   Biến đổi wavelet cho phép phân tích tín hiệu trên cả miền thời gian và tần số, giúp tách các băng tần đặc trưng cảm xúc như alpha, beta một cách chính xác, đồng thời giảm nhiễu và giữ nguyên đặc trưng quan trọng.

4. Độ chính xác 72% có ý nghĩa như thế nào trong ứng dụng thực tế?
   Độ chính xác này cho thấy mô hình có khả năng phân biệt cảm xúc tích cực và tiêu cực với hiệu quả tốt, đủ để ứng dụng trong các hệ thống hỗ trợ theo dõi sức khỏe tâm thần hoặc tương tác người-máy, tuy nhiên vẫn cần cải tiến để đạt mức độ tin cậy cao hơn.

5. Có thể mở rộng mô hình để nhận biết nhiều trạng thái cảm xúc hơn không?
   Có thể, bằng cách sử dụng phân loại đa lớp và kết hợp thêm các đặc trưng khác hoặc áp dụng các thuật toán học sâu. Tuy nhiên, việc này đòi hỏi dữ liệu lớn hơn và phức tạp hơn trong xử lý.

Kết luận

• Luận văn đã đề xuất thành công mô hình nhận biết cảm xúc tích cực và tiêu cực dựa trên tín hiệu EEG với độ chính xác đạt 72%, cải thiện so với các nghiên cứu trước.
• Sử dụng các đặc trưng Differential Entropy, Asymmetry feature và hệ số tương quan tại vùng điện cực trước trán giúp tăng hiệu quả phân loại.
• Phương pháp biến đổi wavelet rời rạc kết hợp với thuật toán Support Vector Machine (kernel Gaussian) là lựa chọn phù hợp cho bài toán nhận biết cảm xúc.
• Kết quả nghiên cứu mở ra hướng phát triển các ứng dụng trong chăm sóc sức khỏe tâm thần, tương tác người-máy và giáo dục.
• Các bước tiếp theo bao gồm mở rộng dữ liệu, áp dụng học sâu và triển khai thử nghiệm thực tế để nâng cao độ chính xác và tính ứng dụng của mô hình.

Hành động tiếp theo: Các nhà nghiên cứu và chuyên gia công nghệ nên phối hợp triển khai thử nghiệm mô hình trong môi trường thực tế, đồng thời phát triển các giải pháp tích hợp để ứng dụng rộng rãi trong các lĩnh vực liên quan.