Luận văn tốt nghiệp: Phân loại trạng thái cảm xúc căng thẳng và thư giãn dựa trên tín hiệu điện não và biến thiên nhịp tim

Trong bối cảnh cuộc sống hiện đại với áp lực ngày càng gia tăng, việc nhận diện và quản lý các trạng thái cảm xúc như căng thẳng đã trở thành một thách thức y tế và xã hội đáng kể. Căng thẳng không chỉ ảnh hưởng tiêu cực đến sức khỏe thể chất và tinh thần mà còn có thể dẫn đến các rối loạn lo âu và trầm cảm. Ngược lại, khả năng đạt được trạng thái thư giãn là yếu tố then chốt để cân bằng và phục hồi. Nghiên cứu này tập trung vào việc phát triển một hệ thống phân loại hiệu quả hai trạng thái cảm xúc đối lập này. Mục tiêu chính là khám phá tiềm năng của việc kết hợp các tín hiệu sinh học đa phương thức, cụ thể là tín hiệu điện não (EEG) và biến thiên nhịp tim (HRV), nhằm nâng cao độ chính xác trong việc nhận diện trạng thái cảm xúc của con người, từ đó mở ra hướng ứng dụng trong các giải pháp theo dõi sức khỏe và hỗ trợ tinh thần.

Các nhà nghiên cứu, kỹ sư và chuyên gia trong lĩnh vực kỹ thuật y sinh, xử lý tín hiệu sinh học, khoa học thần kinh, trí tuệ nhân tạo và các ứng dụng liên quan đến theo dõi, quản lý cảm xúc con người.

Nghiên cứu này trình bày một phương pháp toàn diện để phân loại hiệu quả các trạng thái cảm xúc căng thẳng và thư giãn, dựa trên phân tích đồng thời tín hiệu điện não (EEG) và biến thiên nhịp tim (HRV). Phương pháp được kiểm chứng trên 17 tình nguyện viên khỏe mạnh, trong đó trạng thái căng thẳng được kích thích bằng hình ảnh NAPS và bài toán tính nhẩm (MAT), trong khi trạng thái thư giãn được tạo ra qua kỹ thuật hít thở sâu chậm (DSB). Dữ liệu thu thập được trải qua quy trình xử lý bao gồm tiền xử lý, trích xuất 35 đặc trưng liên quan đến cảm xúc, lựa chọn đặc trưng bằng hệ số Kendall’s Tau và giảm chiều dữ liệu bằng nlPCA trước khi đưa vào mô hình phân loại. Mô hình mạng nơ-ron chuyển tiếp tầng (CFNN) được sử dụng để phân loại các trạng thái này. Kết quả cho thấy các đặc trưng như sóng Alpha của EEG, tốc độ chớp mắt và Entropy của HRV có sự thay đổi rõ rệt giữa hai trạng thái. Đáng chú ý, việc kết hợp cả tín hiệu EEG và HRV đã mang lại độ chính xác phân loại ấn tượng lên tới 95,96%, cao hơn đáng kể so với việc sử dụng riêng lẻ từng loại tín hiệu (EEG đạt 83,33%, HRV đạt 69,70%). So sánh với các mô hình phân loại khác như Naïve Bayes, K-Nearest Neighbor và Support Vector Machine, mô hình CFNN chứng tỏ hiệu quả xác thực vượt trội. Nghiên cứu này không chỉ khẳng định giá trị của việc tích hợp tín hiệu sinh học đa phương thức mà còn cung cấp một nền tảng vững chắc cho các ứng dụng theo dõi và hỗ trợ quản lý cảm xúc trong thực tiễn.