Tổng quan nghiên cứu

Tại Việt Nam, các báo cáo y tế và xã hội ghi nhận có khoảng 6,4 triệu người khuyết tật, trong đó hơn 1,2 triệu người bị suy giảm hoặc mất hoàn toàn khả năng vận động chi. Đối với nhóm đối tượng này, việc tự điều khiển các phương tiện hỗ trợ di chuyển truyền thống bằng cần gạt cơ học là một rào cản vô cùng lớn. Trước thực trạng đó, đề tài nghiên cứu về nhận dạng tiếng nói ứng dụng vào điều khiển xe lăn do tác giả Hà Thị Thu Giang thực hiện dưới sự hướng dẫn khoa học của Tiến sĩ Vũ Việt Vũ tại Trường Đại học Công nghệ Thông tin và Truyền thông thuộc Đại học Thái Nguyên vào năm 2017 đã giải quyết trực tiếp bài toán giao tiếp người - máy không tiếp xúc.

Mục tiêu trọng tâm của luận văn là nghiên cứu chuyên sâu các thuật toán học máy giám sát trong nhận dạng tiếng nói tiếng Việt và xây dựng hoàn chỉnh mô hình xe lăn điện tử điều khiển bằng khẩu lệnh thời gian thực thông qua kết nối không dây Bluetooth với tốc độ truyền chuẩn 9600 bps. Nghiên cứu tập trung giải quyết bài toán phân loại mẫu âm thanh, trích xuất đặc trưng âm học và xử lý tín hiệu điều khiển trên vi điều khiển nhúng. Kết quả của công trình không chỉ mang giá trị học thuật trong lĩnh vực khoa học máy tính mà còn có ý nghĩa nhân văn sâu sắc, giúp tăng mức độ độc lập của người khuyết tật lên tới hơn 85%, đồng thời mở ra giải pháp công nghệ trợ giúp với chi phí sản xuất thấp hơn khoảng 60% so với các dòng xe lăn thông minh nhập khẩu từ các nước phát triển.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng trên nền tảng lý thuyết xác suất thống kê và các mô hình học có giám sát tiên tiến trong trí tuệ nhân tạo. Trọng tâm lý thuyết bao gồm mô hình Markov ẩn và mô hình mạng nơ-ron nhân tạo đa lớp kết hợp giải thuật lan truyền ngược. Hệ thống nhận dạng âm thanh được xây dựng dựa trên nguyên lý xác suất Bayes nhằm tìm kiếm chuỗi từ ngữ nghĩa có xác suất hậu nghiệm cực đại từ chuỗi vector đặc trưng âm học đầu vào.

Về mặt xử lý tín hiệu số, phương pháp trích chọn đặc trưng đường bao phổ dựa trên thang đo tần số Mel được áp dụng triệt để. Tín hiệu tiếng nói được phân đoạn thành các khung thời gian có độ dài từ 5 đến 15 ms, kết hợp giải thuật biến đổi Fourier nhanh và biến đổi Cosin rời rạc để trích xuất các hệ số đặc trưng âm học. Nghiên cứu khai thác sâu cấu trúc ngữ âm đặc thù của tiếng Việt với kho từ vựng tự nhiên khoảng 6000 đến 8000 tiếng. Nhằm tối ưu hóa không gian tính toán, mô hình âm học được chuẩn hóa theo đơn vị huấn luyện gồm 22 phụ âm đầu, 1 âm đệm, 16 nguyên âm (gồm 13 âm đơn và 3 nguyên âm đôi), 8 âm cuối cùng 6 thanh điệu đặc trưng. Mô hình ngôn ngữ N-gram được tích hợp để chuẩn hóa ngữ pháp và nâng cao độ chính xác giải mã.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm kết hợp mô phỏng hệ thống với nguồn dữ liệu âm thanh tiếng Việt được thu âm trực tiếp qua microphone của điện thoại thông minh ở định dạng sóng âm thanh chuẩn 16-bit và tần số lấy mẫu 16 kHz. Bộ dữ liệu huấn luyện và kiểm thử bao gồm 500 mẫu âm thanh lệnh điều khiển cơ bản như tiến, lùi, trái, phải, dừng. Cỡ mẫu này được thu thập từ 10 đối tượng thử nghiệm với phương pháp chọn mẫu phân tầng theo giới tính và ngữ điệu vùng miền nhằm kiểm tra tính bất biến của thuật toán.

Lý do lựa chọn mô hình Markov ẩn kết hợp mô hình hỗn hợp Gaussian và giải thuật giải mã quy hoạch động Viterbi là nhờ khả năng xử lý vượt trội các chuỗi dữ liệu biến thiên liên tục theo thời gian của tín hiệu tiếng nói. Quy trình tiền xử lý áp dụng kỹ thuật lọc tăng cường tần số cao với hệ số bù 20 dB/decade để khắc phục sự suy giảm năng lượng tự nhiên của bộ máy phát âm con người, kết hợp thuật toán tính năng lượng ngắn hạn và ngưỡng cắt qua điểm không để loại bỏ các đoạn khoảng lặng. Toàn bộ quá trình nghiên cứu, xây dựng thuật toán và thử nghiệm phần cứng diễn ra trong khung thời gian 12 tháng tại phòng thí nghiệm chuyên ngành.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm và kiểm thử hệ thống đã ghi nhận các kết quả định lượng cụ thể:

Thứ nhất, đối với tập từ vựng hữu hạn phục vụ điều khiển xe lăn (gồm 5 lệnh vận hành cơ bản), tỷ lệ nhận dạng chính xác trung bình trong môi trường phòng thí nghiệm đạt mức 96,5%, tiệm cận với độ chính xác 99,5% của các hệ thống nhận dạng tập số chuẩn 11 từ vựng quốc tế.

Thứ hai, việc chuyển đổi đơn vị huấn luyện âm học từ cấp độ toàn từ sang cấp độ âm vị tiếng Việt (22 phụ âm và 16 nguyên âm kết hợp 6 thanh điệu) đã giúp giảm dung lượng bộ nhớ lưu trữ mô hình tới 70%, đồng thời rút ngắn thời gian xử lý của bộ giải mã Viterbi xuống dưới 200 ms trên mỗi lệnh phát ra.

Thứ ba, hiệu năng kết nối và điều khiển phần cứng qua module Bluetooth ở tốc độ 9600 bps đạt độ ổn định truyền nhận 100% trong cự ly kiểm thử dưới 10 mét, với thời gian trễ từ khi phát lệnh bằng giọng nói đến khi động cơ điện một chiều phản hồi trung bình chỉ khoảng 150 ms.

Thứ tư, khi đưa hệ thống ra thử nghiệm trong môi trường thực tế có tiếng ồn giao thông khoảng 65 đến 75 dB, tỷ lệ nhận dạng chính xác giảm từ 96,5% xuống còn khoảng 82,5%, cho thấy mức độ suy giảm hiệu năng khoảng 14% do ảnh hưởng của nhiễu âm học ngoại cảnh.

Thảo luận kết quả

Kết quả nhận dạng từ đơn phục vụ điều khiển xe lăn đạt 96,5% vượt trội hơn đáng kể khi so sánh với các hệ thống nhận dạng đàm thoại tự do vốn chỉ đạt tỷ lệ chính xác khoảng 64,2% hoặc hệ thống nhận dạng bản tin truyền hình đạt 90%. Nguyên nhân chính là do không gian tìm kiếm của mô hình ngôn ngữ đã được giới hạn tối đa, giúp thuật toán Viterbi dễ dàng tìm ra đường đi trạng thái tối ưu mà không bị phân tán bởi các từ đồng âm.

Những phát hiện này có thể được biểu diễn rõ ràng qua biểu đồ cột so sánh tỷ lệ nhận dạng giữa các môi trường âm học khác nhau và bảng ma trận nhầm lẫn giữa các lệnh điều khiển. Biểu đồ sẽ chỉ ra rằng các khẩu lệnh có nguyên âm dài và phụ âm bật hơi rõ ràng như "tiến" và "lùi" đạt độ chính xác trên 98%, trong khi các lệnh có cấu trúc âm thanh ngắn hơn dễ bị nhầm lẫn trong môi trường ồn. Điều này chứng minh rằng việc áp dụng bộ lọc bù tần số 20 dB/decade và kỹ thuật phân đoạn khung 5-15 ms của trích chọn đặc trưng Mel là hoàn toàn phù hợp cho các hệ thống nhúng điều khiển thời gian thực.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nâng cao tính ứng dụng thực tiễn của hệ thống xe lăn điều khiển bằng giọng nói, luận văn đưa ra 4 nhóm giải pháp chiến lược:

Tích hợp thuật toán lọc nhiễu thích nghi: Nhóm kỹ sư phần mềm cần nghiên cứu bổ sung mô-đun khử ồn chủ động trên tín hiệu đầu vào, đặt mục tiêu nâng tỷ lệ nhận dạng chính xác trong môi trường công cộng từ 82,5% lên trên 92% trong lộ trình 6 tháng.

Mở rộng cơ sở dữ liệu mẫu huấn luyện đa vùng miền: Bộ phận phát triển dữ liệu âm học cần thu thập thêm 2000 mẫu giọng nói từ các vùng miền Bắc, Trung, Nam với đa dạng lứa tuổi, nhằm kéo giảm tỷ lệ lỗi nhận dạng do phương ngữ xuống dưới mức 5% trong vòng 9 tháng.

Nâng cấp hệ thống an toàn phần cứng: Đội ngũ kỹ thuật cơ điện tử cần lắp đặt bổ sung hệ thống cảm biến siêu âm và cảm biến va chạm xung quanh thân xe, thiết lập cơ chế tự động ngắt động cơ trong bán kính 0,5 mét với thời gian phản hồi khẩn cấp dưới 50 ms trong vòng 3 tháng tới.

Tối ưu hóa mô hình nhúng và mạng nơ-ron sâu: Nhóm nghiên cứu trí tuệ nhân tạo cần tiến hành thử nghiệm các kiến trúc mạng nơ-ron tích chập nén nhẹ để nhúng trực tiếp thuật toán nhận dạng lên vi xử lý trên xe mà không cần phụ thuộc vào điện thoại di động, hướng tới dung lượng bộ nhớ RAM tiêu thụ dưới 256 MB trong 12 tháng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng:

Sinh viên và học viên cao học ngành Khoa học Máy tính và Kỹ thuật Điều khiển: Nắm vững phương pháp trích chọn đặc trưng âm thanh, cài đặt thuật toán quy hoạch động Viterbi và xây dựng mô hình Markov ẩn cho ngôn ngữ tiếng Việt.

Kỹ sư phát triển hệ thống nhúng và Thiết bị Y tế: Tham khảo thiết kế hoàn chỉnh về sơ đồ kết nối giữa module Bluetooth 9600 bps, vi điều khiển Arduino và mạch cầu điều khiển công suất động cơ điện một chiều.

Các tổ chức y tế, trung tâm phục hồi chức năng và doanh nghiệp sản xuất thiết bị trợ cấp: Ứng dụng mô hình thiết kế xe lăn thông minh chi phí thấp để sản xuất thực tế phục vụ cộng đồng người khuyết tật vận động.

Các nhà nghiên cứu xử lý ngôn ngữ tự nhiên và âm học tiếng Việt: Khai thác phương pháp phân rã cấu trúc ngữ âm gồm 22 phụ âm đầu và 16 nguyên âm để tối ưu hóa bài toán nhận dạng giọng nói trên tập từ vựng chuyên dụng.

Câu hỏi thường gặp

Phương pháp trích chọn đặc trưng Mel đóng vai trò gì trong hệ thống? Phương pháp này chia tín hiệu âm thanh thành các khung 5 đến 15 ms, áp dụng biến đổi Fourier nhanh và biến đổi Cosin rời rạc để tạo ra các vector đặc trưng phổ. Thuật toán giúp mô phỏng chính xác cơ chế cảm thụ âm thanh của tai người và tăng độ chính xác phân loại lên trên 95%.

Mô hình Markov ẩn giải quyết bài toán nhận dạng tiếng nói như thế nào? Mô hình Markov ẩn ánh xạ các vector âm học quan sát được thành các chuỗi trạng thái ngữ âm ẩn. Thuật toán giải mã Viterbi sẽ tìm ra chuỗi từ ngữ có xác suất xuất hiện cao nhất dựa trên ma trận chuyển đổi trạng thái và xác suất phát xạ của mô hình âm học.

Hệ thống truyền tín hiệu từ điện thoại sang xe lăn qua phương thức nào? Sau khi phần mềm trên điện thoại Android nhận dạng thành công khẩu lệnh, chuỗi ký tự điều khiển sẽ được truyền không dây qua giao tiếp Bluetooth với tốc độ truyền 9600 bps đến vi điều khiển Arduino để kích hoạt động cơ với độ trễ dưới 150 ms.

Tại sao tác giả lại chọn huấn luyện theo âm vị thay vì toàn bộ từ tiếng Việt? Tiếng Việt có từ 6000 đến 8000 âm tiết nhưng chỉ cấu thành từ 22 phụ âm đầu và 16 nguyên âm. Huấn luyện theo âm vị giúp giảm hơn 70% kích thước dữ liệu mô hình, tiết kiệm bộ nhớ tính toán và giúp hệ thống nhận dạng nhanh hơn trên thiết bị di động.

Độ chính xác của xe lăn bị ảnh hưởng như thế nào khi hoạt động ngoài đường phố? Trong điều kiện phòng thí nghiệm yên tĩnh, hệ thống đạt độ chính xác 96,5%, nhưng khi ra môi trường có tiếng ồn giao thông từ 65 đến 75 dB, độ chính xác giảm xuống khoảng 82,5%. Điều này đòi hỏi cần bổ sung thêm các bộ lọc nhiễu thích nghi trong tương lai.

Kết luận

  • Hệ thống hóa toàn diện cơ sở lý thuyết xử lý tín hiệu âm thanh và quy trình trích chọn đặc trưng Mel trên các khung thời gian 5 đến 15 ms.
  • Ứng dụng thành công mô hình Markov ẩn và giải thuật Viterbi để nhận dạng chính xác các khẩu lệnh tiếng Việt điều khiển xe lăn với tỷ lệ đạt 96,5%.
  • Hiện thực hóa mô hình phần cứng kết nối không dây Bluetooth tốc độ 9600 bps giữa điện thoại Android và vi điều khiển Arduino điều khiển động cơ DC với độ trễ thấp 150 ms.
  • Tối ưu hóa mô hình âm học tiếng Việt dựa trên 22 phụ âm và 16 nguyên âm, tiết kiệm 70% bộ nhớ lưu trữ mô hình tính toán.
  • Thiết lập lộ trình 12 tháng nâng cấp thuật toán khử nhiễu và tích hợp cảm biến khoảng cách an toàn dưới 0,5 mét cho phương tiện.

Luận văn đã đóng góp một giải pháp công nghệ hoàn chỉnh, kết hợp hài hòa giữa lý thuyết học máy chuyên sâu và kỹ thuật nhúng thực tiễn. Hãy tiếp tục khai thác, kế thừa và mở rộng nghiên cứu này nhằm phát triển các dòng thiết bị trợ giúp thông minh, nâng cao chất lượng cuộc sống cho cộng đồng người khuyết tật tại Việt Nam.