Luận án Tiến sĩ: Nghiên cứu và phát triển mô hình học sâu cho nhận dạng cảm xúc từ tín hiệu điện não trong điều kiện tài nguyên hạn chế

Trong kỷ nguyên công nghệ tiên tiến, Tương tác Người - Máy (HCI) đóng vai trò then chốt trong việc nâng cao chất lượng cuộc sống con người. Tuy nhiên, các hệ thống HCI hiện tại thường thiếu trí tuệ cảm xúc, gặp khó khăn trong việc diễn giải chính xác cảm xúc của con người. Các phương pháp nhận dạng cảm xúc (ER) truyền thống, dựa trên nét mặt hoặc giọng nói, dễ bị ảnh hưởng bởi các yếu tố chủ quan. Tín hiệu điện não (EEG) cung cấp một thước đo sinh lý trực tiếp và khách quan về hoạt động não bộ, biến Nhận dạng cảm xúc dựa trên tín hiệu điện não (EEG-ER) thành một lĩnh vực đầy hứa hẹn. Tuy nhiên, việc triển khai các hệ thống EEG-ER hiệu quả trong môi trường thực tế, đặc biệt trên các thiết bị biên có tài nguyên hạn chế trong khuôn khổ Trí tuệ nhân tạo vạn vật (AIoT), đặt ra những thách thức đáng kể. Nghiên cứu này giải quyết nhu cầu cấp thiết đó bằng cách phát triển các mô hình học sâu nhẹ nhưng vẫn đạt độ chính xác cao cho EEG-ER trong điều kiện tài nguyên hạn chế.

Các nhà nghiên cứu và kỹ sư trong lĩnh vực trí tuệ nhân tạo, học sâu, xử lý tín hiệu, tương tác người-máy và kỹ thuật y sinh. Sinh viên tiến sĩ chuyên ngành khoa học máy tính hoặc các lĩnh vực liên quan tập trung vào giao diện não-máy tính và phân tích tín hiệu sinh lý, cũng như các nhà phát triển giải pháp biên cho AIoT và thiết bị thông minh.

Luận án này tập trung vào nghiên cứu và phát triển các mô hình học sâu để nhận dạng cảm xúc từ tín hiệu điện não (EEG), đặc biệt được tối ưu hóa cho các thiết bị biên có tài nguyên hạn chế trong khuôn khổ Trí tuệ nhân tạo vạn vật (AIoT). Nghiên cứu tổng quan về các kỹ thuật EEG-ER hiện có, các phương pháp trích xuất đặc trưng như biến đổi Fourier nhanh (FFT), và các kiến trúc học sâu nền tảng như 1D-CNN. Đóng góp chính là việc đề xuất một mô hình học sâu nhẹ, tối ưu hóa kiến trúc 1D-CNN bằng cách tích hợp các module Inception và Squeeze and Excitation để đạt được thiết kế nhỏ gọn (khoảng 40.14MB) nhưng vẫn duy trì hiệu suất nhận dạng cao. Hơn nữa, luận án giới thiệu EEG-SKDNet, một mô hình tiên tiến sử dụng kỹ thuật Tự chắt lọc tri thức (SKD) kết hợp với tăng cường dữ liệu và cơ chế trọng số điều chỉnh trong hàm mất mát. Phương pháp này giúp mô hình hội tụ nhanh hơn, cải thiện khả năng khái quát hóa và giảm số lượng phép toán dấu phẩy động (FLOPs) mà không làm tăng kích thước mô hình. Hiệu quả của các giải pháp đề xuất được đánh giá trên các bộ dữ liệu EEG chuẩn. Kết quả nghiên cứu có ý nghĩa thực tiễn quan trọng, mở đường cho việc triển khai các hệ thống thông minh cảm xúc trong nhiều ứng dụng như đánh giá hiệu quả quảng cáo, phân tích hành vi người lái xe, hỗ trợ người khuyết tật thông qua giao diện não-máy tính, và điều khiển nhà thông minh.