Nghiên Cứu Hệ Thống Phân Loại Các Trạng Thái Cảm Xúc Dựa Trên Tín Hiệu Não

• Tác giả: Đỗ Văn Quân
• Người hướng dẫn: TS. Nguyễn Nam Phong
• Trường học: Đại học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật y sinh
• Đề tài: Nghiên Cứu Hệ Thống Phân Loại Các Trạng Thái Cảm Xúc Dựa Trên Tín Hiệu Não Ở Người
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Cảm xúc ở người
• 1.1.1. Tổng quan cảm xúc
• 1.1.2. Một số trạng thái cảm xúc cơ bản
• 1.2. Phân loại cảm xúc
• 1.3. Các phương pháp đánh giá cảm xúc
• 1.4. Cơ sở lý thuyết về điện não đồ (EEG)
• 1.4.1. Sự hình thành tín hiệu điện não
• 1.4.2. Một số dạng sóng EEG cơ bản
• 1.5. Mối liên hệ giữa tín hiệu điện não và cảm xúc
• 1.6. Một số nghiên cứu về cảm xúc bằng tín hiệu EEG
• 1.7. Biến đổi Wavelet
• 1.8. Convolutional Neural Network
• 2. CHƯƠNG 2: PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Data EEG về cảm xúc
• 2.2. Tiền xử lý dữ liệu
• 2.3. Trích xuất đặc trưng và áp dụng deep learning
• 2.3.1. Đặc trưng
• 2.3.2. Sử dụng deep learning – thuật toán convolution neural network (CNN)
• 3. CHƯƠNG 3: PHÂN BIỆT CÁC TRẠNG THÁI CẢM XÚC BẰNG BỘ DỮ LIỆU DEAP
• 3.1. Bộ dữ liệu điện não về cảm xúc DEAP
• 3.1.1. Tổng quan về bộ dữ liệu
• 3.1.2. Bộ dữ liệu
• 3.2. Tiền xử lý dữ liệu DEAP
• 3.2.1. Loại bỏ những tín hiệu không có ích
• 3.2.2. Tách băng tần mong muốn
• 3.2.2.1. Phân đoạn tín hiệu
• 3.3. Trích chọn đặc trưng
• 4. CHƯƠNG 4: XÂY DỰNG HỆ THỐNG CONVOLUTIONAL NEURAL NETWORK PHÂN LOẠI CẢM XÚC
• 4.1. Xây dựng công cụ cho người sử dụng
• 4.2. Kết quả thực nghiệm
• TÀI LIỆU THAM KHẢO

I. Nghiên Cứu Phân Loại Cảm Xúc Tổng Quan và Tầm Quan Trọng

Cảm xúc đóng vai trò then chốt trong cuộc sống, ảnh hưởng đến tương tác xã hội, ra quyết định và nhận thức thế giới. Việc nghiên cứu phân loại cảm xúc ngày càng trở nên quan trọng, đặc biệt trong bối cảnh phát triển giao diện người-máy tính (HCI). Nhận diện cảm xúc có thể thực hiện qua tự đánh giá, đo lường tự động hoặc dựa vào sinh lý thần kinh. Điện não đồ (EEG) nổi lên như một phương pháp tiềm năng, cung cấp giải pháp đơn giản, chi phí thấp và khách quan. Tuy nhiên, các nghiên cứu hiện tại gặp thách thức về dữ liệu, độ chính xác và độ phức tạp của mô hình. Luận văn này tập trung vào việc phát triển hệ thống phát hiện cảm xúc dựa trên tín hiệu não sử dụng mạng nơ-ron tích chập (CNN), nhằm cải thiện độ chính xác với ít đặc trưng phân loại hơn. Mục tiêu là khai thác tiềm năng của EEG như một công cụ hỗ trợ đắc lực trong nghiên cứu cảm xúc.

1.1. Vì Sao Phân Loại Cảm Xúc Quan Trọng

1.2. Các Phương Pháp Nhận Diện Cảm Xúc Phổ Biến

Hiện nay, có nhiều phương pháp được sử dụng để ghi nhận cảm xúc bao gồm tự báo cáo, phản ứng giật mình, phản ứng hành vi, đo lường tự chủ và đo lường sinh lý thần kinh. Mỗi phương pháp có ưu và nhược điểm riêng. Tự báo cáo, tuy đơn giản, lại chủ quan và khó theo dõi biến động cảm xúc nhanh. Phản ứng giật mình chỉ đánh giá một phần khía cạnh của cảm xúc. Đo lường sinh lý thần kinh, như EEG, cung cấp phương tiện trực tiếp và toàn diện nhất để nhận diện cảm xúc bằng cách tiếp cận cấu trúc cơ bản trong não. Điện não đồ (EEG) đang trở thành một hướng nghiên cứu tiềm năng. Nghiên cứu từ năm 2013 đến 2021 cho thấy sự gia tăng đáng kể về ứng dụng điện não trong nhận diện cảm xúc, khẳng định tiềm năng phát triển của nó.

II. Thách Thức Nghiên Cứu Phân Loại Cảm Xúc Bằng EEG

Mặc dù EEG hứa hẹn nhiều tiềm năng, việc phân loại cảm xúc dựa trên tín hiệu não vẫn đối mặt với nhiều thách thức. Dữ liệu EEG thường nhiễu và biến đổi lớn giữa các cá nhân. Các mô hình hiện tại chưa đạt độ chính xác cao hoặc quá phức tạp, đòi hỏi nhiều đặc trưng phân loại. Việc lựa chọn và trích xuất các đặc trưng phù hợp từ tín hiệu não là một bài toán khó. Hơn nữa, thiếu các bộ dữ liệu EEG lớn và đa dạng gây khó khăn cho việc huấn luyện và đánh giá các mô hình học sâu. Luận văn này tập trung giải quyết những thách thức này bằng cách đề xuất một hệ thống sử dụng mạng nơ-ron tích chập (CNN) và ít đặc trưng phân loại hơn, nhằm cải thiện hiệu suất và tính khả thi của việc phân loại cảm xúc dựa trên EEG.

2.1. Khó Khăn Về Dữ Liệu EEG Nhiễu và Biến Động

2.2. Giới Hạn Về Độ Chính Xác Của Mô Hình Phân Loại

Các mô hình phân loại cảm xúc hiện tại thường chưa đạt độ chính xác đủ cao để ứng dụng trong thực tế. Một số mô hình phức tạp và đòi hỏi nhiều đặc trưng phân loại, gây khó khăn cho việc triển khai trên các thiết bị di động hoặc trong thời gian thực. Việc lựa chọn các đặc trưng phù hợp từ tín hiệu não là một bài toán quan trọng. Các đặc trưng thường được sử dụng bao gồm đặc trưng miền thời gian, miền tần số và miền không gian. Tuy nhiên, không phải tất cả các đặc trưng đều hữu ích cho việc phân loại cảm xúc. Cần các phương pháp lựa chọn đặc trưng hiệu quả để giảm độ phức tạp của mô hình và cải thiện độ chính xác.

III. Mạng Nơ ron Tích Chập CNN Giải Pháp Phân Loại Cảm Xúc

Luận văn này đề xuất sử dụng mạng nơ-ron tích chập (CNN) để phân loại cảm xúc dựa trên tín hiệu não. CNN là một loại mô hình học sâu đặc biệt hiệu quả trong việc xử lý dữ liệu có cấu trúc không gian, như ảnh và chuỗi thời gian. CNN có khả năng tự động học các đặc trưng quan trọng từ dữ liệu, giảm thiểu sự can thiệp thủ công. Trong bối cảnh phân loại cảm xúc dựa trên EEG, CNN có thể được sử dụng để học các mẫu đặc trưng trong tín hiệu não tương ứng với các trạng thái cảm xúc khác nhau. Việc sử dụng CNN kết hợp với các kỹ thuật tiền xử lý dữ liệu và lựa chọn đặc trưng phù hợp hứa hẹn cải thiện đáng kể độ chính xác và tính khả thi của hệ thống.

3.1. Tại Sao Chọn CNN Cho Phân Loại Tín Hiệu Não

3.2. Biến Đổi Wavelet và CNN Kết Hợp Tối Ưu

Luận văn này sử dụng biến đổi wavelet để tách dải tần của tín hiệu EEG trước khi đưa vào CNN. Biến đổi wavelet là một kỹ thuật mạnh mẽ để phân tích tín hiệu không dừng như EEG. Bằng cách tách tín hiệu thành các dải tần khác nhau (ví dụ, alpha, beta, gamma), biến đổi wavelet giúp làm nổi bật các đặc trưng liên quan đến cảm xúc trong từng dải tần. Việc kết hợp biến đổi wavelet và CNN cho phép mô hình tập trung vào các đặc trưng tần số quan trọng và cải thiện khả năng phân loại cảm xúc. Như Đỗ Văn Quân đã thực hiện, kết quả cho thấy hệ thống phân loại đạt độ chính xác tương đối khả quan (82% Arousal và 81% Valence).

IV. Ứng Dụng Thực Tế và Kết Quả Nghiên Cứu Phân Loại Cảm Xúc

Nghiên cứu này xây dựng một hệ thống phân loại cảm xúc và thử nghiệm trên bộ dữ liệu DEAP. Kết quả cho thấy hệ thống đạt độ chính xác tương đối khả quan (82% Arousal và 81% Valence). Điều này chứng minh tiềm năng của EEG và CNN trong việc nhận diện cảm xúc. Hệ thống có thể được ứng dụng trong nhiều lĩnh vực, bao gồm phát triển giao diện người-máy tính (HCI), hỗ trợ chẩn đoán và điều trị các rối loạn tâm lý, và cải thiện trải nghiệm người dùng trong trò chơi điện tử và các ứng dụng giải trí.

4.1. Xây Dựng Hệ Thống và Thử Nghiệm trên Bộ Dữ Liệu DEAP

4.2. Độ Chính Xác và Tiềm Năng Ứng Dụng của Hệ Thống

Kết quả nghiên cứu cho thấy hệ thống phân loại cảm xúc đạt độ chính xác 82% cho Arousal và 81% cho Valence trên bộ dữ liệu DEAP. Điều này cho thấy hệ thống có khả năng nhận diện khá tốt hai chiều cảm xúc quan trọng. Hệ thống có thể được ứng dụng trong nhiều lĩnh vực, ví dụ: cải thiện trải nghiệm người dùng trong trò chơi điện tử bằng cách điều chỉnh độ khó hoặc nội dung dựa trên trạng thái cảm xúc của người chơi; hỗ trợ người khuyết tật giao tiếp bằng cách nhận diện cảm xúc của họ; và giúp các bác sĩ chẩn đoán và điều trị các rối loạn tâm lý. Cần có thêm nghiên cứu để cải thiện độ chính xác và tính ổn định của hệ thống, cũng như để khám phá các ứng dụng tiềm năng khác.

V. Kết Luận và Hướng Phát Triển Nghiên Cứu Phân Loại Cảm Xúc

Luận văn đã trình bày một nghiên cứu về hệ thống phân loại cảm xúc dựa trên tín hiệu não sử dụng mạng nơ-ron tích chập (CNN). Nghiên cứu đã chứng minh tiềm năng của EEG và CNN trong việc nhận diện cảm xúc. Tuy nhiên, vẫn còn nhiều thách thức và cơ hội để cải thiện. Các hướng phát triển tiềm năng bao gồm sử dụng các kiến trúc CNN tiên tiến hơn, kết hợp với các kỹ thuật học sâu khác, và thu thập các bộ dữ liệu EEG lớn hơn và đa dạng hơn. Nghiên cứu sâu hơn về các cơ chế thần kinh đằng sau cảm xúc cũng sẽ giúp cải thiện các mô hình phân loại.

5.1. Tóm Tắt Những Đóng Góp Chính Của Luận Văn

5.2. Hướng Nghiên Cứu Tương Lai Trong Lĩnh Vực Này

Trong tương lai, có nhiều hướng nghiên cứu tiềm năng trong lĩnh vực phân loại cảm xúc dựa trên EEG. Một hướng là khám phá các kiến trúc CNN tiên tiến hơn, chẳng hạn như CNN 3D hoặc mạng đối nghịch sinh (GAN). Một hướng khác là kết hợp CNN với các kỹ thuật học sâu khác, chẳng hạn như mạng LSTM (Long Short-Term Memory) để xử lý chuỗi thời gian EEG. Việc thu thập các bộ dữ liệu EEG lớn hơn và đa dạng hơn cũng là rất quan trọng để huấn luyện và đánh giá các mô hình học sâu. Cuối cùng, nghiên cứu sâu hơn về các cơ chế thần kinh đằng sau cảm xúc sẽ giúp cải thiện các mô hình phân loại và hiểu rõ hơn về mối liên hệ giữa tín hiệu não và cảm xúc.

Tổng quan nghiên cứu

Cảm xúc đóng vai trò thiết yếu trong cuộc sống con người, ảnh hưởng đến hành vi, quyết định và nhận thức. Theo Tổ chức Y tế Thế giới, trầm cảm – một trong những rối loạn cảm xúc phổ biến – đang ảnh hưởng đến khoảng 264 triệu người trên toàn cầu. Việc nhận biết và phân loại trạng thái cảm xúc không chỉ có ý nghĩa trong y học mà còn ứng dụng rộng rãi trong tương tác người-máy, cải thiện dịch vụ khách hàng và tối ưu hóa quảng cáo. Trong bối cảnh đó, điện não đồ (EEG) được xem là phương pháp đo lường cảm xúc khách quan, chi phí thấp và có tính di động cao.

Luận văn tập trung nghiên cứu hệ thống phân loại các trạng thái cảm xúc dựa trên tín hiệu EEG, nhằm cải thiện độ chính xác phân loại so với các nghiên cứu trước đây. Mục tiêu cụ thể là xây dựng mô hình học sâu Convolutional Neural Network (CNN) sử dụng đặc trưng hệ số tương quan từ tín hiệu EEG đã được xử lý bằng biến đổi wavelet. Nghiên cứu áp dụng trên bộ dữ liệu DEAP, thu thập từ 32 người tham gia với 40 video kích thích cảm xúc, nhằm phân biệt bốn trạng thái cảm xúc dựa trên hai chỉ số Valence và Arousal. Kết quả đạt được độ chính xác lần lượt 82% cho Arousal và 81% cho Valence, cho thấy tiềm năng ứng dụng EEG trong nhận diện cảm xúc.

Phạm vi nghiên cứu tập trung vào dữ liệu EEG thu thập trong môi trường phòng thí nghiệm, sử dụng bộ dữ liệu DEAP với tần số lấy mẫu 128 Hz và 32 kênh điện cực. Ý nghĩa nghiên cứu góp phần phát triển các công cụ hỗ trợ chẩn đoán rối loạn cảm xúc, ứng dụng trong y sinh và tương tác người-máy, đồng thời mở rộng hiểu biết về mối liên hệ giữa hoạt động não bộ và trạng thái cảm xúc.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết cảm xúc cơ bản và mô hình phân loại cảm xúc hai chiều Valence-Arousal của Russell. Valence biểu thị mức độ dễ chịu hoặc khó chịu, trong khi Arousal thể hiện mức độ kích thích hoặc yên tĩnh của cảm xúc. Bốn trạng thái cảm xúc được phân biệt dựa trên sự kết hợp của hai chỉ số này: Valence-Arousal, Valence-Not Arousal, Not Valence-Arousal và Not Valence-Not Arousal.

Về mặt kỹ thuật, tín hiệu EEG được phân tích dựa trên các dải tần số chính gồm delta (0.5-4 Hz), theta (4-8 Hz), alpha (8-13 Hz), beta (14-30 Hz) và gamma (>30 Hz). Các dải tần alpha, beta và gamma được chứng minh có liên quan mật thiết đến các trạng thái cảm xúc khác nhau. Đặc biệt, sự bất đối xứng hoạt động điện não ở vùng trán và thái dương phản ánh các giá trị Valence và Arousal.

Phương pháp biến đổi wavelet rời rạc (DWT) được sử dụng để tách tín hiệu EEG thành các dải tần con, giúp trích xuất đặc trưng trên cả miền thời gian và tần số. Hệ số tương quan Pearson giữa các kênh EEG được chọn làm đặc trưng đầu vào cho mô hình CNN, nhằm khai thác mối quan hệ đồng bộ giữa các vùng não trong quá trình cảm xúc.

Mạng neural tích chập (CNN) được áp dụng để phân loại trạng thái cảm xúc dựa trên ma trận tương quan EEG được biểu diễn như hình ảnh. CNN gồm các lớp convolution, ReLU, pooling và fully connected, giúp tự động trích xuất đặc trưng và phân loại hiệu quả. Mô hình CNN được thiết kế với kích thước filter 3x3, pooling 2x2 và số lớp convolution từ 3 đến 4, tối ưu hóa qua quá trình train-test.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu DEAP, gồm tín hiệu EEG và các tín hiệu sinh lý ngoại vi của 32 người tham gia khi xem 40 video âm nhạc kích thích cảm xúc, mỗi video dài 1 phút. Dữ liệu EEG được thu thập với 32 kênh điện cực, tần số lấy mẫu 128 Hz, lưu trữ dưới dạng số hóa.

Quy trình nghiên cứu gồm các bước: tiền xử lý dữ liệu (lọc nhiễu, loại bỏ tín hiệu không cần thiết, tách băng tần alpha, beta, gamma), phân đoạn tín hiệu thành các đoạn nhỏ để bắt chính xác vùng chứa cảm xúc, trích xuất đặc trưng hệ số tương quan Pearson giữa các kênh EEG trên từng dải tần.

Mô hình CNN được huấn luyện trên tập dữ liệu đã gán nhãn theo bốn trạng thái cảm xúc dựa trên Valence và Arousal. Cỡ mẫu huấn luyện và kiểm thử được chia theo tỷ lệ 80-20, sử dụng phương pháp chọn mẫu ngẫu nhiên. Quá trình huấn luyện thực hiện nhiều epoch để tối ưu tham số, đánh giá bằng các chỉ số độ chính xác và đường cong mất mát (loss curve).

Thời gian nghiên cứu kéo dài trong năm 2023, với các giai đoạn thu thập dữ liệu, xử lý, xây dựng mô hình và thử nghiệm thực nghiệm trên bộ dữ liệu DEAP.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác phân loại cảm xúc: Mô hình CNN đạt độ chính xác 82% cho nhãn Arousal và 81% cho nhãn Valence trên bộ dữ liệu DEAP, vượt trội hơn so với nhiều nghiên cứu trước đó có độ chính xác trung bình khoảng 75-78%. Kết quả này cho thấy hiệu quả của việc sử dụng đặc trưng hệ số tương quan và biến đổi wavelet trong phân loại cảm xúc.

2. Hiệu quả trích xuất đặc trưng: Hệ số tương quan Pearson giữa các kênh EEG trên các dải tần alpha, beta và gamma cung cấp đặc trưng phân biệt rõ ràng giữa các trạng thái cảm xúc. Ví dụ, ma trận tương quan ở trạng thái Arousal cao có giá trị tương quan trung bình cao hơn 15% so với trạng thái Arousal thấp.

3. Ảnh hưởng của dải tần EEG: Dải tần beta và gamma đóng vai trò quan trọng trong việc nhận diện Valence, trong khi dải alpha có ảnh hưởng lớn đến phân loại Arousal. Sự bất đối xứng hoạt động điện não ở vùng trán và thái dương được thể hiện rõ qua các hệ số tương quan, hỗ trợ phân biệt các trạng thái cảm xúc.

4. Mô hình CNN tối ưu: Số lượng lớp convolution từ 3 đến 4, kích thước filter 3x3 và pooling 2x2 được xác định là cấu hình tối ưu, giúp cân bằng giữa độ phức tạp mô hình và hiệu quả phân loại. Đường cong mất mát cho thấy mô hình hội tụ ổn định sau khoảng 50 epoch.

Thảo luận kết quả

Kết quả nghiên cứu khẳng định tính khả thi của việc sử dụng tín hiệu EEG kết hợp biến đổi wavelet và hệ số tương quan làm đặc trưng cho phân loại cảm xúc. So với các nghiên cứu trước đây chủ yếu sử dụng đặc trưng phổ hoặc thời gian riêng lẻ, việc khai thác mối quan hệ tương quan giữa các kênh EEG giúp mô hình học sâu CNN nhận diện trạng thái cảm xúc chính xác hơn.

Sự phân bố đặc trưng trên các dải tần alpha, beta và gamma phù hợp với các nghiên cứu thần kinh học về vai trò của các sóng EEG trong cảm xúc. Ví dụ, sóng beta liên quan đến sự chú ý và cảm xúc tích cực, trong khi sóng alpha phản ánh trạng thái thư giãn và kích thích.

Việc áp dụng CNN cho phép tự động trích xuất đặc trưng phức tạp từ ma trận tương quan, giảm thiểu sự phụ thuộc vào kỹ thuật trích xuất thủ công và tăng khả năng tổng quát hóa của mô hình. Kết quả đạt được độ chính xác trên 80% cho cả hai nhãn Valence và Arousal là bước tiến đáng kể so với các mô hình truyền thống.

Dữ liệu có thể được trình bày qua biểu đồ đường cong độ chính xác và mất mát theo epoch, cũng như bảng so sánh kết quả với các nghiên cứu trước đó để minh họa sự cải thiện về hiệu suất. Biểu đồ nhiệt ma trận tương quan EEG cũng giúp trực quan hóa sự khác biệt giữa các trạng thái cảm xúc.

Đề xuất và khuyến nghị

1. Phát triển hệ thống nhận diện cảm xúc thời gian thực: Áp dụng mô hình CNN đã xây dựng vào các thiết bị EEG không dây để phát hiện trạng thái cảm xúc trong thời gian thực, hướng tới ứng dụng trong y tế và tương tác người-máy. Thời gian triển khai dự kiến trong 1-2 năm, do các nhóm nghiên cứu và doanh nghiệp công nghệ thực hiện.

2. Mở rộng bộ dữ liệu và đa dạng hóa đối tượng: Thu thập thêm dữ liệu EEG từ các nhóm đối tượng đa dạng về độ tuổi, giới tính và văn hóa để nâng cao khả năng tổng quát hóa của mô hình. Khuyến nghị thực hiện trong vòng 3 năm với sự phối hợp của các trung tâm nghiên cứu y sinh.

3. Tích hợp đa phương thức cảm xúc: Kết hợp tín hiệu EEG với các dữ liệu sinh lý khác như ECG, EMG, GSR để xây dựng hệ thống nhận diện cảm xúc đa kênh, tăng độ chính xác và độ tin cậy. Thời gian nghiên cứu và phát triển khoảng 2-3 năm, do các nhóm chuyên gia đa ngành thực hiện.

4. Ứng dụng trong hỗ trợ điều trị rối loạn cảm xúc: Phát triển công cụ hỗ trợ chẩn đoán và theo dõi điều trị các bệnh lý liên quan đến cảm xúc như trầm cảm, rối loạn lo âu dựa trên phân tích EEG. Khuyến nghị phối hợp với các bệnh viện và trung tâm tâm lý trong 2 năm tới.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật y sinh: Nghiên cứu về xử lý tín hiệu sinh học, học máy và ứng dụng trong nhận diện cảm xúc có thể áp dụng phương pháp và kết quả luận văn để phát triển các đề tài mới.

2. Chuyên gia tâm lý học và y học thần kinh: Hiểu rõ hơn về mối liên hệ giữa hoạt động não bộ và cảm xúc, hỗ trợ trong chẩn đoán và điều trị các rối loạn cảm xúc dựa trên dữ liệu EEG.

3. Phát triển công nghệ tương tác người-máy: Các kỹ sư và nhà phát triển phần mềm có thể ứng dụng mô hình phân loại cảm xúc để cải thiện trải nghiệm người dùng trong các thiết bị thông minh, trò chơi điện tử và hệ thống hỗ trợ khách hàng.

4. Doanh nghiệp công nghệ y tế và thiết bị đo sinh lý: Tham khảo để phát triển các sản phẩm EEG di động, hệ thống phân tích cảm xúc tự động, góp phần nâng cao giá trị sản phẩm và mở rộng thị trường.

Câu hỏi thường gặp

1. Tại sao chọn EEG làm phương pháp đo cảm xúc?
   EEG cung cấp tín hiệu điện não trực tiếp, khách quan, có độ phân giải thời gian cao và chi phí thấp so với các phương pháp khác như fMRI. EEG cũng dễ dàng thu thập trong môi trường thực tế và ít bị ảnh hưởng bởi các yếu tố ngoại cảnh.

2. Mô hình CNN có ưu điểm gì trong phân loại cảm xúc?
   CNN tự động trích xuất đặc trưng phức tạp từ dữ liệu dạng ảnh (ở đây là ma trận tương quan EEG), giảm thiểu sự phụ thuộc vào kỹ thuật trích xuất thủ công, đồng thời có khả năng học các mẫu phi tuyến tính, giúp tăng độ chính xác phân loại.

3. Đặc trưng hệ số tương quan Pearson có ý nghĩa thế nào?
   Hệ số tương quan đo lường mức độ liên kết tuyến tính giữa các kênh EEG, phản ánh sự đồng bộ hoạt động của các vùng não liên quan đến cảm xúc. Đặc trưng này giúp phân biệt các trạng thái cảm xúc dựa trên sự khác biệt trong mối quan hệ giữa các vùng não.

4. Bộ dữ liệu DEAP có đặc điểm gì nổi bật?
   DEAP là bộ dữ liệu đa phương thức, thu thập EEG và các tín hiệu sinh lý ngoại vi từ 32 người tham gia khi xem 40 video âm nhạc kích thích cảm xúc. Dữ liệu được gán nhãn theo thang điểm Valence, Arousal và Dominance, phù hợp cho nghiên cứu nhận diện cảm xúc.

5. Ứng dụng thực tiễn của nghiên cứu này là gì?
   Nghiên cứu có thể ứng dụng trong phát triển thiết bị theo dõi cảm xúc thời gian thực, hỗ trợ chẩn đoán rối loạn cảm xúc, cải thiện tương tác người-máy, và tối ưu hóa trải nghiệm người dùng trong các lĩnh vực y tế, giáo dục và giải trí.

Kết luận

• Nghiên cứu đã xây dựng thành công hệ thống phân loại bốn trạng thái cảm xúc dựa trên tín hiệu EEG sử dụng mô hình CNN và đặc trưng hệ số tương quan, đạt độ chính xác trên 80%.
• Việc áp dụng biến đổi wavelet giúp tách các dải tần EEG liên quan mật thiết đến cảm xúc, nâng cao hiệu quả trích xuất đặc trưng.
• Kết quả khẳng định tiềm năng của EEG như một công cụ an toàn, chi phí thấp và khách quan trong nhận diện cảm xúc.
• Nghiên cứu mở ra hướng phát triển các ứng dụng thực tiễn trong y sinh, tương tác người-máy và hỗ trợ điều trị rối loạn cảm xúc.
• Các bước tiếp theo bao gồm mở rộng bộ dữ liệu, tích hợp đa phương thức và phát triển hệ thống nhận diện cảm xúc thời gian thực, kêu gọi sự hợp tác từ các nhà nghiên cứu và doanh nghiệp công nghệ.