Hoàng Tiến Thêm: Ứng dụng Wavelet trích chọn đặc trưng EEG nhận dạng cảm xúc (ĐH Thái Nguyên)

Luận văn thạc sĩ nghiên cứu ứng dụng biến đổi wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện

• Tác giả: Hoàng Tiến Thêm
• Người hướng dẫn: TS. Nguyễn Phương Huy
• Trường học: Trường Đại học Kỹ thuật Công nghiệp, Đại học Thái Nguyên
• Chuyên ngành: Kỹ thuật điện tử
• Đề tài: Ứng dụng biến đổi wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc
• Loại tài liệu: Luận văn Thạc sĩ Kỹ thuật
• Năm xuất bản: 2018
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• Lời cam đoan
• Lời cảm ơn
• Mục lục
• Danh mục từ viết tắt
• Danh mục bảng biểu
• Danh mục hình ảnh
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐIỆN NÃO ĐỒ VÀ CÁC PHƯƠNG PHÁP XỬ LÝ TÍN HIỆU SÓNG ĐIỆN NÃO
• 1.1. Tổng quan về tín hiệu điện não
• 1.2. Khái quát chung về EEG
• 1.3. Thu nhận và đo đạc tín hiệu điện não EEG
• 1.4. Các dạng sóng điện não cơ bản
• 1.5. Nguyên tắc phân tích sóng điện não
• 1.6. Phân biệt sóng điện não dựa vào tần số
• 1.7. Hệ thống nhận dạng cảm xúc dựa trên tín hiệu điện não
• 1.8. Nhận dạng cảm xúc dựa trên tín hiệu điện não
• 1.9. Các hướng tiếp cận trong nhận dạng cảm xúc dựa trên tín hiệu điện não
• 1.10. Một số phương pháp tiêu biểu trong trích chọn đặc trưng tín hiệu điện não
• 1.11. Giải pháp đề xuất trong nhận dạng cảm xúc
• 2. CHƯƠNG 2: TRÍCH CHỌN ĐẶC TRƯNG SÓNG ĐIỆN NÃO SỬ DỤNG BIẾN ĐỔI WAVELET
• 2.1. Tổng quan về biến đổi wavelet
• 2.2. Biến đổi wavelet liên tục
• 2.3. Biến đổi wavelet rời rạc
• 2.4. Trích chọn đặc trưng áp dụng biến đổi wavelet rời rạc
• 2.5. Biến đổi wavelet rời rạc trong hệ thống nhận dạng cảm xúc
• 2.6. Vai trò của DWT trong quá trình nhận dạng cảm xúc
• 2.7. Các tham số đặc trưng của DWT trong việc nhận dạng cảm xúc
• 3. CHƯƠNG 3: MÔ PHỎNG HỆ THỐNG
• 3.1. Xây dựng thuật toán trích chọn đặc trưng DWT trong xử lý tín hiệu sóng não
• 3.2. Tiền xử lý dữ liệu
• 3.3. Xử lý tín hiệu điện não thành các dạng sóng đặc trưng
• 3.4. Tính toán các tham số đặc trưng ảnh hưởng tới việc nhận dạng cảm xúc
• 3.5. Thiết kế giao diện matlab guide
• 3.6. Thiết kế giao diện GUI cho việc xử lý tín hiệu EEG
• 3.7. Các bước thực hiện quá trình phân tích DWT sử dụng giao diện thiết kế trên GUI
• KẾT LUẬN VÀ ĐỀ NGHỊ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Khám phá Wavelet EEG Chìa khóa nhận dạng cảm xúc mới

Giao diện Não-Máy (Brain-Computer Interfaces - BCI) đang mở ra những tiềm năng đột phá trong tương tác người-máy. Một trong những ứng dụng hấp dẫn nhất là khả năng nhận dạng cảm xúc con người trực tiếp từ tín hiệu điện não (EEG). Việc giải mã các trạng thái cảm xúc như vui, buồn, tức giận hay thư giãn không chỉ phục vụ các lĩnh vực y tế, tâm lý học mà còn có ý nghĩa to lớn trong giải trí, an ninh và marketing. Tuy nhiên, tín hiệu EEG mang bản chất phi tuyến và phức tạp, đòi hỏi các công cụ phân tích mạnh mẽ. Biến đổi Wavelet nổi lên như một giải pháp ưu việt, cho phép phân tích tín hiệu đồng thời trên cả hai miền thời gian và tần số. Kỹ thuật này cung cấp một cái nhìn đa chiều về hoạt động của não bộ, giúp trích chọn các đặc trưng tinh vi liên quan đến cảm xúc mà các phương pháp truyền thống thường bỏ lỡ. Bài viết này sẽ đi sâu vào phương pháp sử dụng Wavelet để tối ưu hóa quá trình trích chọn đặc trưng từ tín hiệu EEG, đặt nền tảng cho các hệ thống nhận dạng cảm xúc chính xác và hiệu quả hơn.

1.1. Tín hiệu điện não EEG và vai trò trong giải mã cảm xúc

Tín hiệu điện não, hay Electroencephalogram (EEG), là bản ghi hoạt động điện của vỏ não, được phát hiện lần đầu bởi Hans Berger vào năm 1924. Tín hiệu này là tổng hợp của các thay đổi điện thế ngoại bào từ hàng triệu tế bào thần kinh, đặc biệt là các tế bào pyramidal. Các hoạt động này phản ánh trạng thái nhận thức và cảm xúc của con người. Sóng não được phân loại thành các dải tần số cơ bản, mỗi loại liên quan đến một trạng thái tinh thần khác nhau. Sóng Delta (0.5-4 Hz) xuất hiện trong giấc ngủ sâu. Sóng Theta (4-8 Hz) liên quan đến trạng thái buồn ngủ hoặc thiền định. Sóng Alpha (8-13 Hz) đặc trưng cho trạng thái thư giãn, nhắm mắt. Sóng Beta (13-35 Hz) xuất hiện khi tỉnh táo, tập trung hoặc lo lắng. Bằng cách phân tích sự thay đổi về biên độ và tần số của các sóng này trên các vùng não khác nhau, các nhà nghiên cứu có thể tìm ra những dấu hiệu đặc trưng cho từng loại cảm xúc. Ví dụ, sự gia tăng hoạt động của sóng Alpha ở thùy trán phải có thể liên quan đến cảm xúc tiêu cực. Do đó, EEG trở thành một công cụ phi xâm lấn đầy tiềm năng để xây dựng các hệ thống nhận dạng cảm xúc khách quan.

1.2. Biến đổi Wavelet Công cụ phân tích tín hiệu phi tuyến ưu việt

Biến đổi Wavelet là một công cụ toán học mạnh mẽ để phân tích các tín hiệu không ổn định và phi tuyến tính như EEG. Khác với biến đổi Fourier truyền thống chỉ cung cấp thông tin về tần số, Wavelet cho phép phân tích tín hiệu ở các độ phân giải khác nhau, định vị chính xác các sự kiện tức thời trong cả miền thời gian và tần số. Ý tưởng cốt lõi là sử dụng một hàm sóng mẹ (mother wavelet) co giãn và dịch chuyển để đối sánh với tín hiệu gốc. Khi hàm sóng mẹ được co lại, nó có thể phát hiện các thành phần tần số cao, tương ứng với các chi tiết nhỏ, đột ngột của tín hiệu. Khi được giãn ra, nó phát hiện các thành phần tần số thấp, tương ứng với các đặc điểm tổng quan, thô của tín hiệu. Khả năng "phóng to" vào các chi tiết cụ thể tại bất kỳ thời điểm nào làm cho Wavelet trở thành công cụ lý tưởng để phân tích tín hiệu điện não, vốn chứa đựng nhiều sự kiện thoáng qua và các nhịp điệu phức tạp liên quan trực tiếp đến sự thay đổi cảm xúc. Chính vì vậy, việc áp dụng Wavelet trong trích chọn đặc trưng EEG được kỳ vọng sẽ mang lại hiệu quả vượt trội.

II. Vượt qua thách thức trích chọn đặc trưng EEG phi tuyến

Quá trình trích chọn đặc trưng là giai đoạn then chốt quyết định độ chính xác của bất kỳ hệ thống nhận dạng cảm xúc nào. Mục tiêu là chuyển đổi dữ liệu EEG thô, vốn rất nhiễu và có chiều dữ liệu lớn, thành một tập hợp các đặc trưng cô đọng nhưng giàu thông tin. Tuy nhiên, đây là một bài toán đầy thách thức. Các phương pháp truyền thống như Phân tích thành phần chính (PCA) hay Phân tích thành phần độc lập (ICA) đã được áp dụng nhưng gặp nhiều hạn chế. Những phương pháp này chủ yếu hoạt động hiệu quả trên các tín hiệu tuyến tính và ổn định. Trong khi đó, tín hiệu điện não lại mang bản chất phi tuyến, phi ổn định và thay đổi nhanh chóng theo trạng thái tâm lý. Việc áp dụng các mô hình tuyến tính lên dữ liệu phi tuyến sẽ không thể nắm bắt hết được sự phức tạp và các mối tương quan động trong hoạt động não bộ, dẫn đến việc mất mát thông tin quan trọng và làm giảm hiệu suất nhận dạng. Do đó, nhu cầu về một phương pháp phân tích mạnh mẽ hơn, có khả năng xử lý hiệu quả bản chất phi tuyến của EEG là vô cùng cấp thiết.

2.1. Hạn chế của các phương pháp tuyến tính như PCA và ICA

Các phương pháp truyền thống trong trích chọn đặc trưng EEG, chẳng hạn như Phân tích thành phần chính (Principal Component Analysis – PCA), Phân tích thành phần độc lập (Independent Component Analysis – ICA), và Mô hình tự hồi quy (Autoregressive Modeling - AR), đều dựa trên giả định về tính tuyến tính của tín hiệu. PCA tìm cách giảm chiều dữ liệu bằng cách xác định các thành phần trực giao có phương sai lớn nhất, trong khi ICA cố gắng tách tín hiệu nguồn thành các thành phần độc lập về mặt thống kê. Mặc dù hữu ích trong một số trường hợp, các kỹ thuật này không được thiết kế để khai thác các cấu trúc phức tạp, phi tuyến ẩn sau tín hiệu EEG. Theo nghiên cứu của Hoàng Tiến Thêm (2018), "Các phương pháp trên chủ yếu dựa vào việc phân tích tín hiệu trên không gian tuyến tính, vì vậy không khai thác hết được bản chất phi tuyến của tín hiệu EEG". Điều này có nghĩa là chúng có thể bỏ qua các tương tác tinh vi giữa các vùng não hoặc các thay đổi tần số động, vốn là những yếu tố cốt lõi để phân biệt các trạng thái cảm xúc khác nhau. Kết quả là các đặc trưng được trích chọn có thể không đủ mạnh để xây dựng một bộ phân loại chính xác.

2.2. Bản chất phi tuyến và phức tạp của tín hiệu sóng não

Tín hiệu điện não là kết quả của các quá trình điện hóa cực kỳ phức tạp diễn ra trong não bộ. Hoạt động của hàng tỷ nơ-ron thần kinh được điều phối thông qua các mạng lưới kết nối động, tạo ra các mẫu tín hiệu không ổn định và phi tuyến tính. Cảm xúc không phải là một trạng thái tĩnh, mà là một quá trình động, liên quan đến sự tương tác phức tạp giữa nhiều vùng não khác nhau như hạch hạnh nhân, vỏ não trước trán và hồi hải mã. Sự tương tác này biểu hiện qua các tín hiệu EEG với các đặc điểm thay đổi liên tục theo thời gian. Ví dụ, một sự kiện cảm xúc đột ngột có thể gây ra một sự bùng nổ hoạt động ở dải tần gamma trong một khoảng thời gian rất ngắn. Các phương pháp phân tích chỉ tập trung vào phổ tần số trung bình sẽ không thể phát hiện được những sự kiện thoáng qua này. Do đó, một phương pháp trích chọn đặc trưng hiệu quả phải có khả năng nắm bắt cả thông tin tần số và sự biến đổi của nó theo thời gian, điều mà biến đổi Wavelet có thể thực hiện một cách xuất sắc.

III. Phương pháp DWT tối ưu trích chọn đặc trưng tín hiệu EEG

Để giải quyết những hạn chế của phương pháp tuyến tính, Biến đổi Wavelet Rời rạc (Discrete Wavelet Transform - DWT) được đề xuất như một giải pháp tối ưu cho bài toán trích chọn đặc trưng từ tín hiệu điện não. DWT là một phiên bản hiệu quả về mặt tính toán của biến đổi Wavelet, được xây dựng dựa trên cơ sở mã hóa băng con và phân tích đa phân giải. Thay vì phân tích tín hiệu một cách liên tục, DWT phân rã tín hiệu thành các thành phần ở các mức phân giải khác nhau thông qua một chuỗi các bộ lọc số. Quá trình này không chỉ giúp giảm thiểu sự dư thừa thông tin mà còn giữ lại được những đặc tính quan trọng của tín hiệu ở từng dải tần số cụ thể. Đối với tín hiệu EEG, DWT cho phép tách tín hiệu gốc thành các băng tần tương ứng với các sóng não cơ bản (Delta, Theta, Alpha, Beta). Từ các thành phần này, có thể tính toán các tham số đặc trưng như năng lượng, entropy, hoặc các đại lượng thống kê khác để tạo thành một vector đặc trưng mạnh mẽ cho việc phân loại cảm xúc.

3.1. Giới thiệu Biến đổi Wavelet Rời rạc DWT trong xử lý EEG

Biến đổi Wavelet Rời rạc (DWT) hoạt động bằng cách cho tín hiệu đi qua một cặp bộ lọc: một bộ lọc thông thấp (H) và một bộ lọc thông cao (G). Bộ lọc thông thấp tạo ra một phiên bản xấp xỉ, "làm mịn" của tín hiệu (coefficients xấp xỉ), trong khi bộ lọc thông cao trích xuất các thông tin chi tiết, tần số cao (coefficients chi tiết). Sau khi lọc, tín hiệu được lấy mẫu con (downsampling) với hệ số 2, làm giảm một nửa số lượng điểm dữ liệu mà không mất thông tin quan trọng theo định lý Nyquist. Quá trình này được lặp lại trên các coefficients xấp xỉ từ bước trước, tạo thành một cấu trúc phân tích dạng cây gọi là thuật toán Mallat. Mỗi cấp độ phân rã tương ứng với một dải tần số cụ thể của tín hiệu EEG. Ví dụ, ở một tần số lấy mẫu nhất định, mức phân rã đầu tiên có thể tách ra các chi tiết tần số cao, trong khi các mức phân rã sâu hơn sẽ cô lập các dải tần tương ứng với sóng Beta, Alpha, Theta và Delta. Quy trình này cung cấp một biểu diễn đa phân giải hiệu quả của tín hiệu điện não.

3.2. Quy trình trích chọn tham số cảm xúc bằng thuật toán DWT

Quy trình trích chọn đặc trưng EEG sử dụng DWT bao gồm các bước chính. Đầu tiên, tín hiệu EEG thô từ mỗi kênh được tiền xử lý để loại bỏ nhiễu và các yếu tố giả. Tiếp theo, áp dụng DWT lên đoạn tín hiệu đã xử lý để phân rã nó thành các thành phần xấp xỉ và chi tiết ở nhiều cấp độ. Số cấp độ phân rã được lựa chọn cẩn thận để các băng tần thu được tương ứng chặt chẽ với các sóng não sinh lý (Alpha, Beta, v.v.). Sau khi có được các hệ số Wavelet ở mỗi băng tần, bước tiếp theo là tính toán các đại lượng thống kê từ các hệ số này. Các đặc trưng phổ biến bao gồm: năng lượng trung bình, công suất, phương sai, độ lệch chuẩn, và entropy. Mỗi đặc trưng này phản ánh một khía cạnh khác nhau của hoạt động não bộ trong băng tần tương ứng. Cuối cùng, tất cả các đặc trưng tính toán được từ các kênh và các băng tần khác nhau được kết hợp lại để tạo thành một vector đặc trưng duy nhất. Vector này sau đó sẽ được sử dụng làm đầu vào cho các mô hình học máy như Máy Vector Hỗ trợ (SVM) hoặc Mạng Nơ-ron (NN) để thực hiện nhiệm vụ nhận dạng cảm xúc.

IV. Hướng dẫn phân tích đa phân giải MRA tín hiệu điện não

Phân tích đa phân giải (Multiresolution Analysis - MRA) là nền tảng lý thuyết vững chắc đằng sau biến đổi Wavelet. Khái niệm này, được phát triển bởi Mallat và Meyer, cho phép xem xét một tín hiệu ở các "mức độ chi tiết" khác nhau. Hãy tưởng tượng việc nhìn một bức tranh: từ xa, chỉ thấy được các đường nét tổng thể (độ phân giải thấp); khi tiến lại gần hơn, các chi tiết nhỏ dần hiện ra (độ phân giải cao). MRA áp dụng nguyên tắc tương tự cho tín hiệu. Nó biểu diễn tín hiệu như một chuỗi các xấp xỉ ngày càng thô hơn, cùng với các thông tin "chi tiết" bị mất đi ở mỗi bước. Trong xử lý tín hiệu điện não, MRA cho phép chúng ta "zoom" vào các dải tần số cụ thể. Chẳng hạn, chúng ta có thể tập trung phân tích dải tần Alpha (8-13Hz) để đánh giá trạng thái thư giãn, đồng thời vẫn có cái nhìn tổng quan về các hoạt động ở tần số thấp hơn như Theta. Cách tiếp cận này đặc biệt hữu ích vì các trạng thái cảm xúc khác nhau thường được đặc trưng bởi sự thay đổi hoạt động ở các dải tần khác nhau.

4.1. Nguyên lý phân tích tín hiệu ở nhiều mức phân giải khác nhau

Về mặt toán học, Phân tích đa phân giải (MRA) định nghĩa một chuỗi các không gian con lồng vào nhau (Vj ⊂ Vj+1). Mỗi không gian con Vj biểu diễn tín hiệu ở một độ phân giải nhất định. Thông tin chi tiết bị thiếu để chuyển từ không gian Vj (độ phân giải thấp) lên Vj+1 (độ phân giải cao hơn) nằm trong một không gian bù trực giao Wj. Nền tảng của MRA là hai hàm cơ bản: hàm tỷ lệ (scaling function) φ(t) và hàm Wavelet (wavelet function) ψ(t). Hàm tỷ lệ tạo ra cơ sở cho các không gian xấp xỉ Vj, trong khi hàm Wavelet tạo ra cơ sở cho các không gian chi tiết Wj. Khi áp dụng vào tín hiệu điện não, hàm tỷ lệ giúp nắm bắt các thành phần tần số thấp, ổn định của tín hiệu. Ngược lại, hàm Wavelet giúp nắm bắt các thành phần tần số cao, các biến đổi đột ngột. Bằng cách chiếu tín hiệu EEG lên các cơ sở này, DWT có thể phân tách hiệu quả tín hiệu thành các thành phần xấp xỉ và chi tiết ở từng cấp độ, cung cấp một bộ đặc trưng toàn diện cho nhận dạng cảm xúc.

4.2. Ứng dụng bộ lọc gương vuông góc trong thuật toán Mallat

Việc triển khai thực tế của Phân tích đa phân giải được thực hiện thông qua thuật toán Mallat, hay còn gọi là sơ đồ băng lọc. Thuật toán này sử dụng một cặp bộ lọc gương vuông góc (Quadrature Mirror Filters - QMF). Cặp bộ lọc này bao gồm một bộ lọc thông thấp h(k) và một bộ lọc thông cao g(k), có mối liên hệ đặc biệt với nhau (g(k) = (-1)^k * h(1-k)). Bộ lọc thông thấp h(k) tương ứng với hàm tỷ lệ, có nhiệm vụ tính toán các hệ số xấp xỉ. Bộ lọc thông cao g(k) tương ứng với hàm Wavelet, dùng để tính toán các hệ số chi tiết. Trong mỗi bước của thuật toán, tín hiệu được đồng thời lọc qua cả hai bộ lọc này. Đầu ra của mỗi bộ lọc sau đó được lấy mẫu con với hệ số 2. Quá trình này được lặp lại trên đầu ra của bộ lọc thông thấp, tạo ra một cấu trúc phân rã theo cấp độ. Hiệu quả của thuật toán Mallat đã biến DWT thành một công cụ cực kỳ nhanh chóng và hiệu quả, phù hợp cho các ứng dụng thời gian thực trong Giao diện Não-Máy (BCI) và hệ thống nhận dạng cảm xúc.

V. Bí quyết xây dựng hệ thống nhận dạng cảm xúc EEG hiệu quả

Việc xây dựng một hệ thống nhận dạng cảm xúc dựa trên EEG hiệu quả không chỉ dừng lại ở việc lựa chọn phương pháp trích chọn đặc trưng. Nó đòi hỏi một quy trình tổng thể, từ thu nhận dữ liệu, tiền xử lý, trích chọn đặc trưng, cho đến lựa chọn và huấn luyện mô hình phân loại. Sử dụng thiết bị thu nhận tín hiệu chất lượng cao như Emotiv EPOC là bước khởi đầu quan trọng để đảm bảo dữ liệu đầu vào có độ tin cậy. Sau đó, giai đoạn tiền xử lý tín hiệu để loại bỏ nhiễu từ môi trường và các tín hiệu giả sinh học (như chớp mắt, chuyển động cơ) là cực kỳ cần thiết. Trọng tâm của hệ thống chính là việc áp dụng Biến đổi Wavelet Rời rạc (DWT) để phân rã tín hiệu thành các băng tần sinh lý và tính toán các vector đặc trưng. Cuối cùng, các mô hình học máy mạnh mẽ như Máy Vector Hỗ trợ (SVM) hoặc Mạng Nơ-ron được sử dụng để học mối quan hệ giữa các đặc trưng EEG và các nhãn cảm xúc tương ứng (ví dụ, theo mô hình cảm xúc Russell), từ đó đưa ra dự đoán về trạng thái cảm xúc của người dùng.

5.1. Mô hình hệ thống từ thu nhận tín hiệu đến phân loại cảm xúc

Một hệ thống nhận dạng cảm xúc EEG điển hình bao gồm các khối chức năng sau. Khối thu nhận tín hiệu: Sử dụng mũ điện não (ví dụ: Emotiv EPOC với 14 điện cực) để ghi lại tín hiệu điện não từ người dùng khi họ trải nghiệm các kích thích cảm xúc (xem phim, nghe nhạc). Khối tiền xử lý: Dữ liệu thô được lọc để loại bỏ nhiễu điện lưới (50/60 Hz) và các tín hiệu giả. Các đoạn tín hiệu bị nhiễu nặng sẽ được loại bỏ. Khối trích chọn đặc trưng: Áp dụng DWT lên các cửa sổ tín hiệu ngắn (vài giây) để phân rã thành các hệ số Wavelet ở các băng tần Delta, Theta, Alpha, Beta. Từ các hệ số này, tính toán các đặc trưng thống kê (năng lượng, entropy,...) để hình thành vector đặc trưng. Khối phân loại: Vector đặc trưng được đưa vào một bộ phân loại đã được huấn luyện trước (ví dụ SVM). Bộ phân loại này sẽ đưa ra quyết định về trạng thái cảm xúc của người dùng, ví dụ như phân loại thành các nhãn: vui, buồn, tức giận, thư giãn. Kết quả phân loại có thể được hiển thị hoặc sử dụng để điều khiển các ứng dụng khác.

5.2. So sánh hiệu quả Wavelet vượt trội so với PCA ICA và AR

Nhiều công trình nghiên cứu đã chứng minh tính hiệu quả vượt trội của phương pháp trích chọn đặc trưng sử dụng biến đổi Wavelet so với các phương pháp truyền thống. Luận văn của Hoàng Tiến Thêm (2018) đã đề xuất mục tiêu "khảo sát và chứng minh tính hiệu quả hơn của phương pháp trích chọn đặc trưng sóng điện não sử dụng biến đổi wavelet rời rạc so với một số phương pháp thường dùng như PCA, ICA, AR". Các phương pháp truyền thống, do dựa trên nền tảng tuyến tính, thường không thể nắm bắt được các đặc tính động và phi tuyến của EEG, dẫn đến độ chính xác nhận dạng thấp hơn. Ngược lại, Wavelet với khả năng phân tích đa phân giải trên cả miền thời gian và tần số đã trích xuất được những đặc trưng tinh vi hơn, phản ánh chính xác hơn các quá trình thần kinh liên quan đến cảm xúc. Các nghiên cứu thực nghiệm trên các cơ sở dữ liệu EEG chuẩn quốc tế đã chỉ ra rằng các hệ thống sử dụng đặc trưng Wavelet thường đạt được độ chính xác phân loại cao hơn đáng kể, khẳng định vai trò không thể thiếu của kỹ thuật này trong việc xây dựng các hệ thống nhận dạng cảm xúc thế hệ mới.

VI. Tương lai của Wavelet EEG và ngành Giao diện não máy BCI

Sự kết hợp giữa biến đổi Wavelet và phân tích tín hiệu điện não (EEG) không chỉ nâng cao hiệu quả của nhận dạng cảm xúc mà còn mở ra một tương lai đầy hứa hẹn cho toàn bộ lĩnh vực Giao diện Não-Máy (BCI). Khả năng phân tích tín hiệu não một cách chính xác và nhanh chóng là chìa khóa để phát triển các ứng dụng BCI phức tạp hơn, từ việc điều khiển các thiết bị ngoại vi bằng suy nghĩ, hỗ trợ bệnh nhân khuyết tật, cho đến việc tạo ra các trải nghiệm giải trí tương tác sâu sắc. Wavelet cung cấp một nền tảng vững chắc để giải mã "ngôn ngữ" của não bộ. Trong tương lai, các thuật toán Wavelet có thể được tích hợp vào các chip xử lý chuyên dụng, cho phép xây dựng các thiết bị BCI nhỏ gọn, di động và hoạt động trong thời gian thực. Hơn nữa, việc kết hợp các đặc trưng Wavelet với các kỹ thuật học sâu (deep learning) tiên tiến hứa hẹn sẽ tạo ra những đột phá mới, giúp các hệ thống BCI hiểu và dự đoán ý định của con người với độ chính xác chưa từng có.

6.1. Tổng kết ưu điểm vượt trội của phương pháp biến đổi Wavelet

Phương pháp trích chọn đặc trưng EEG sử dụng biến đổi Wavelet mang lại nhiều ưu điểm vượt trội. Thứ nhất, nó cung cấp khả năng phân tích đa phân giải, cho phép xem xét tín hiệu ở nhiều quy mô thời gian và tần số khác nhau, phù hợp với bản chất đa thành phần của sóng não. Thứ hai, Wavelet có khả năng định vị tốt trong miền thời gian, giúp phát hiện chính xác các sự kiện thần kinh thoáng qua, đột ngột liên quan đến cảm xúc. Thứ ba, nó xử lý hiệu quả các tín hiệu phi ổn định và phi tuyến, vốn là đặc tính cố hữu của EEG. Thứ tư, các thuật toán như DWT và thuật toán Mallat rất hiệu quả về mặt tính toán, tạo điều kiện cho việc triển khai các ứng dụng thời gian thực. Những ưu điểm này làm cho Wavelet trở thành một công cụ không thể thiếu, là "tiêu chuẩn vàng" trong việc phân tích tín hiệu EEG cho các bài toán phức tạp như nhận dạng cảm xúc và điều khiển BCI.

6.2. Hướng phát triển và tiềm năng ứng dụng BCI trong tương lai

Trong tương lai, các nghiên cứu sẽ tập trung vào việc phát triển các họ Wavelet mới, được tối ưu hóa riêng cho việc phân tích tín hiệu điện não. Đồng thời, việc kết hợp các đặc trưng Wavelet với các kiến trúc mạng nơ-ron phức tạp như Mạng Nơ-ron Tích chập (CNN) và Mạng Nơ-ron Hồi quy (RNN) sẽ giúp hệ thống tự động học các đặc trưng cấp cao, nâng cao hơn nữa độ chính xác. Tiềm năng ứng dụng của BCI dựa trên Wavelet-EEG là vô cùng rộng lớn. Trong y tế, nó có thể giúp chẩn đoán sớm các rối loạn tâm thần như trầm cảm, lo âu, hoặc theo dõi quá trình phục hồi chức năng sau đột quỵ. Trong lĩnh vực giải trí, game thủ có thể tương tác với trò chơi dựa trên trạng thái cảm xúc của mình. Trong marketing, các nhà quảng cáo có thể đo lường phản ứng cảm xúc của khách hàng đối với sản phẩm một cách khách quan. Với sự phát triển không ngừng của công nghệ, Giao diện Não-Máy sẽ ngày càng trở nên phổ biến, thay đổi sâu sắc cách con người tương tác với thế giới kỹ thuật số.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ ĐIỆN NÃO ĐỒ VÀ CÁC PHƯƠNG PHÁP XỬ LÝ TÍN HIỆU SÓNG ĐIỆN NÃO 1.1 Tổng quan về tín hiệu điện não Hình 1. 1 Cấu tạo bộ não con người. Não người [1], [2], [3] là phần trên và trước nhất của hệ thần kinh trung ương và là cơ quan chủ yếu trong điều hành hệ thần kinh ngoại vi. Não người nặng khoảng 1500g (Williams và Warwick, 1989).

Diện tích bề mặt của não khoảng 1600 cm², và dày khoảng 3 mm. Não gồm có: thân não, tiểu não, não trung gian và đại não. Não bộ của con người là một tổ chức phức tạp, tinh vi nhất của hệ thần kinh. Thông qua các giác quan như mắt, tai, da, bộ não tiếp thu các thông tin về thị giác, thính giác, xúc giác.

để từ đó nhận thức ra đối tượng, xử lý và giai đáp thông tin qua các hình thức vận động. Do vậy bộ não giữ vai trò quan trọng trong hoạt động toàn diện, đa dạng của con người, giúp con người thích ứng với các hoàn cảnh xã hội. Ngày nay, khi thế giới ngày càng phát triển thì các bệnh về não cũng ngày càng phát download by : [e-mail] 5 triển như: các bệnh về động kinh, viêm não, u não …. Do vậy, việc thu nhận và xử lí tín hiệu điện não sẽ giúp chúng ta chẩn đoán chính xác được các bệnh về não.

Vì thế, các bệnh nhân não sẽ có cơ hội được cứu chữa nhiều hơn.1 Khái quát chung về EEG Electroencephalogram não đồ (EEG) là điện thế hoạt động của vỏ não phát ra. EEG được phát hiện bởi Berger năm 1924 bằng 1 dụng cụ đo dòng điện với 1 điện cực bề mặt trên đầu con trai ông và ghi lại được 1 mẫu nhịp nhàng những dao động điện. Tín hiệu này là phản hồi điện sinh học ngay tức khắc của tế bào não. Ngày nay, người ta cho rằng tín hiệu EEG giống như như tín hiệu EEG lấy từ lưỡng cực trong lớp tế bào hình chóp.

Rất nhiều tế bào hình chóp và sợi thần kinh của nó được sắp xếp thẳng đứng. Sự sắp xếp này được đưa ra 1 dendro-somatic lưỡng cực hoặc điện thế là cái dao động do tác nhân kích thích gây ra. Vỏ não là nguồn gốc của các hoạt động điện của não thu được từ bề mặt của da đầu, các dạng khác nhau của hoạt động điện và dẫn tới trường điện thế được tạo ra bởi các tế bào thần kinh vỏ não. 2 Cấu trúc vỏ não Sự sắp xếp của các tế bào ở các khu vực khác nhau trên vỏ não là khác nhau, mỗi vùng có kiểu hình thái khác nhau.

Hầu hết các tế bào vỏ não được sắp xếp thành các cột, trong các cột này các neuron được phân bố dọc theo trục chính của các cây dạng nhánh, song song với mỗi cây khác và trực giao với bề mặt vỏ não. download by : [e-mail] 6 Vỏ não gồm các lớp khác nhau, các lớp này là không gian của cấu trúc các tế bào thần kinh đặc biệt, với các trạng thái và chức năng khác nhau trong đáp ứng xung điện. Neuron pyramidal là thành phần cấu tạo chủ yếu của vỏ não. Điện thế EEG [1], [2] ghi được từ các điện cực được đặt tiếp xúc với lớp da đầu là sự tổng hợp các thay đổi về điện thế ngoài của tế bào Pyramidal.

Màng tế bào pyramidal không bao giờ trong trạng thái nghỉ bởi vì nó bị tác động liên tiếp bởi hoạt động sinh ra do các neuron khác có các liên kết synaptic. Các liên kết synaptic có thể là kích thích hoặc ức chế sự thay đổi tương ứng tính thẩm thấu của màng tế bào đối với ion K và ion Cl làm phát sinh dòng điện. 3 Dòng điện bên trong tế bào pyramidal lớn. Dòng ion được thiết lập cho phép cân bằng điện tích giữa bên trong và bên ngoài màng tế bào.

Dòng điện sinh ra do điện thế của postsynaptic kích thích (EPSP) được thể hiện ở hình 3. Điện thế postsynaptic kích thích là tổng hợp của dòng đi vào trong màng tế bào gây ra bởi các ion dương và dòng đi ra ngoài màng tế bào tạo dọc theo phần mở rộng của tế bào extra- synaptic. Điện trường bên ngoài tế bảo là hàm của điện thế xuyên màng. Trong đó là điện thế bên ngoài màng, là bán kính của sợi trục hoặc tua gai, là điện thế xuyên màng, là độ dẫn môi trường bên trong tế bào, là độ dẫn của môi trường download by : [e-mail] 7 bên ngoài tế bào.

Mặc dù các điện thế bên ngoài tế bào riêng rẽ là nhỏ nhưng tổng điện thế của chúng cũng đáng kể đối với nhiều tế bào. Điều này là do các neuron pyramidal được kích hoạt tức thời lớn hơn hoặc nhỏ hơn cách mà liên kết synaptic và các thành phần dọc trục của dòng bên ngoài màng được thêm vào, trong khi đó các thành phần nằm ngang lại có xu hướng làm giảm điện thế này. Ngoài ra các nguồn khác cũng góp phần tạo ra tín hiệu EEG. Sự giảm điện thế màng tế bào tới mức giới hạn xấp xỉ 10 mV nhỏ hơn điện thế tái khử cực tại trạng thái nghỉ của màng tế bào.

Điện thế hoạt động của các neuron não là nguồn gốc của EEG. Nhưng chúng góp phần nhỏ trong việc tạo ra tín hiệu EEG ghi được tại bề mặt của não. Do chúng thường hoạt động không đồng bộ trong cùng một thời gian đối với một số lượng lớn các sợi trục, các sợi trục này di chuyển theo nhiều hướng tương đối với bề mặt vỏ não. Nguyên nhân khác là phần của màng tế bảo bị khử cực bởi điện thế hoạt động tại các thời điểm cố định nhỏ hơn so với thành phần của màng tế bào được kích thích bởi một EPSP và điện thể hoạt động tồn tại trong thời gian ngắn hơn( cỡ 1 - 2ms) so với của EPSPs hoặc IPSPs là 10 – 250ms.

Qua các quan điểm trình bày ở trên thì EEG thu được tại bề mặt da đầu có thể coi là kết quả của nhiều thành phần tích cực, trong đó điện thế của postsynaptic từ tế bào pyramidal là thành phần chính tạo ra tín hiệu điện não.2 Thu nhận và đo đạc tín hiệu điện não EEG a) Vị trí đặt điện cực chuẩn [9], [10]. Hiệp hội quốc tế về sinh lí thần kinh lâm sàng và điện não đề đưa ra chuẩn đặt điện cực cho 21 điện cực (gồm cả điện cực tại dái tai). Các điện cực đặt tại dái tai được gọi là A1, A2 được nối tương ứng với tai trái và tai phải được sử dụng làm điện cực tham chiếu. Hệ thống 10-20 tránh đặt điện cực tại vị trí nhãn cầu, và cân nhắc một vài khoảng cách không đổi bởi sử dụng các mốc giải phẫu cụ thể.

Các điện cực lẻ được đặt bên trái và các điện cực lẻ được đặt bên phải. Để thiết lập số lượng các điện cực nhiều hơn mà vẫn tuân theo qui ước trên, các điện cực còn lại ngoài 21 điện cực chuẩn được đặt giữa các điện cực trên và cách đều nhau giữa chúng. Ví dụ C1 download by : [e-mail] 8 được đặt giữa C3 và Cz. Hai dạng khác nhau dùng để ghi tín hiệu điện não là dạng vi sai và dạng tham chiếu.

Đối với dạng vi sai hai đầu vào của mỗi bộ khuếch đại vi sai là hai cực, còn kiểu tham chiếu thì chỉ một trong hai điện cực tham chiếu được dùng. Một kiểu bố trí điện cực tương tự khác là hệ thống vị trí điện cực Maudsley, hệ thống 10 – 20 được thay đổi để chụp ghi được tín hiệu từ tiêu điểm động kinh trong việc thu tín hiệu động kinh. Chỉ có một sự khác nhau giữa hai hệ thống này là các điện cực bên ngoài được làm nhẹ hơn một chút cho phép ghi tín hiệu động kinh được tốt hơn. Ưu điểm của hệ thống này là diện tích được trùm bởi mũ điện cực được mở rộng, do đó làm tăng độ nhạy khi ghi lại tín hiệu điện não.

b) Phương pháp thu tín hiệu điện não. Việc thu nhận các tín hiệu và hình ảnh từ các bộ phận của cơ thể người trở thành cần thiết cho việc chẩn đoán sớm các loại bệnh tật. Dữ liệu thu được có thể dưới dạng điện sinh học như tín hiệu điện tim, tín hiệu điện cơ đồ EMG hay tín hiệu điện não EEG, từ não đồ MEG…Các phương pháp đo đạc được dùng có thể là siêu âm, chụp CT, hay ảnh cộng hưởng từ MRI hoặc cộng hưởng từ chức năng fMRI, chụp positron cắt lớp PET. Các hoạt động thần kinh điện đầu tiên được ghi lại bằng máy điện kế đơn giản.

Để khuếch đại sự thay đổi của các điểm một tấm gương được sử dụng để phản xạ ánh sáng được chiếu ra từ điện kế lên bức tường. Sau đó, điện kế Arsonval được gắn vào một cuộn dây có thể di chuyển được, do đó ánh sáng tập trung trên gương sẽ bị phản xạ khi cho dòng điện chạy qua cuộn dây này. Điện kế mao dẫn được tạo ra bởi Lippmann và Marey. Điện kế dây rất nhạy và đo chính xác hơn được Einthoven giới thiệu vào năm 1903.

Điện kế này trở thành dụng cụ đo chuẩn trong vài thập kỉ và được cho phép sử dụng ghi lại hình ảnh. Các hệ thống đo tín hiệu EEG gồm số lượng lớn các điện cực tinh vi, các mạch khuếch đại vi sai (cho mỗi kênh), bộ lọc và đồng hồ ghi có mũi kim chỉ. Tín hiệu EEG đa kênh được ghi lại lên tấm giấy nhẵn hoặc giấy có ô lưới. Ngay sau đó, hệ thống đo tín hiệu EEG này được tung ra thị trường, các nhà nghiên download by : [e-mail] 9 cứu bắt đầu tìm kiếm hệ thống được máy tính hóa, hệ thống này số hóa và lưu trữ tín hiệu.

Do vậy để phân tích tín hiệu EEG, ban đầu phải hiểu rằng tín hiệu được chuyển sang dạng số. Số hóa tín hiệu bao gồm các bước: lấy mẫu, lượng tử hóa và mã hóa tín hiệu. Khi số cực được sử dụng càng tăng thì số lượng dữ liệu càng lớn, tức số bít để mã hóa tín hiệu cũng nhiều hơn. Hệ thống được máy tính hóa cho phép thiết lập các kiểu khác nhau, mô phỏng và lấy mẫu tần số và trong một số trường hợp tích hợp cả các công cụ xử lí tín hiệu đơn giản hoặc hiện đại giúp nâng cao hiệu quả quá trình xử lí tín hiệu.

Quá trình biến đổi từ tín hiệu EEG tương tự sang dạng số được thực hiện bởi bộ chuyển đổi số tương tự đa kênh. Dải tần hiệu quả cho tín hiệu EEG xấp xỉ 100Hz. Do đó tần số lấy mẫu nhỏ nhất là 200 mẫu/s thỏa mãn qui tắc Nyquist là đủ để lấy mẫu tín hiệu EEG.