Luận văn Thạc sĩ Kỹ thuật: Ứng dụng mạng nơ-ron trong hệ thống nhận dạng cảm xúc dựa trên tín hiệu điện não

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KÝ THUẬT CÔNG NGHIỆP

NGÔ QUỐC TRUNG ỨNG DỤNG MẠNG NƠ RON TRONG HỆ THỐNG NHẬN DẠNG CẢM XÚC DỰA TRÊN TÍN HIỆU ĐIỆN NÃO Chuyên ngành: Kỹ thuật điều khiển và tự động hóa Mã số: LUẬN VĂN THẠC SĨ KỸ THUẬT

KHOA CHUYÊN MÔN NGƯỜI HƯỚNG DẪN KHOA HỌC

TRƯỞNG KHOA

TS. NGUYỄN PHƯƠNG HUY

PHÒNG ĐÀO TẠO THÁI NGUYÊN 2018

LỜI CAM ĐOAN

T t i : Ng Qu c Tru g

Sinh ngày:

Học vi ớp cao học CK17_KTĐT - Tr g i học thuật c g ghi p

– i học Thái Nguy .

Hi đa g c g tác t i:

Xi cam đoa : ề t i “Ứng dụng mạng nơ-ron trong hệ thống nhận dạng

cảm xúc dựa trên tín hiệu điện não” do Thầy giáo TS Nguyễn Ph ng Huy

h ớ g dẫ c g trì h ghi cứu của ri g t i. Tất cả t i i u tham hảo đều có

guồ g c, xuất xứ rõ r g.

Tác giả xi cam đoa tất cả hữ g ội du g tro g uậ vă đú g h ội

du g tro g đề c ơ g v y u cầu của thầy giáo h ớ g dẫ . Nếu sai t i ho to

chịu trách hi m tr ớc hội đồ g hoa học v tr ớc pháp uật.

Thái Nguyên, ngày 26 tháng 03 năm 2018

TÁC GIẢ LUẬN VĂN

NG QUỐC TRUNG

iii

LỜI CẢM ƠN

Sau một th i gia ghi cứu v m vi c ghi m túc, đ ợc sự độ g vi ,

giúp đỡ v h ớ g dẫ tậ tì h của Thầy giáo h ớ g dẫ TS. Nguyễn Ph ng Huy,

uậ vă với đề t i “Ứng dụng mạng nơ-ron trong hệ thống nhận dạng cảm xúc

dựa trên tín hiệu điện não” đã ho th h.

T i xi b y tỏ ò g biết ơ sâu sắc đế :

Thầy giáo h ớ g dẫ TS. Nguyễn Ph ng Huy đã tậ tì h chỉ dẫ , giúp đỡ

t i ho th h uậ vă y.

Khoa i t – Tr g i học thuật c g ghi p – i học Thái

Nguyên đã giúp đỡ t i tro g quá trì h học tập cũ g h thực hi uậ vă .

T i xi châ th h cảm ơ b bè, đồ g ghi p v gia đì h đã độ g vi ,

hích , t o điều i giúp đỡ t i tro g su t quá trì h học tập, thực hi n và hoàn

th h uậ vă y.

TÁC GIẢ LUẬN VĂN

NG QUỐC TRUNG

MỤC LỤC

LỜI CAM ĐOAN ...................................................................................................... ii

LỜI CẢM ƠN .......................................................................................................... iii

MỤC LỤC ................................................................................................................ iv

DANH MỤC HÌNH .................................................................................................. vi

DANH MỤC BẢNG BIỂU .................................................................................. viii

danh mục từ viết tắt ................................................................................................ ix

LỜI MỞ Đ U ............................................................................................................ 1

CHƯƠNG 1 TỔNG QUAN V ĐIỆN N O ĐỒ VÀ CÁC PHƯƠNG PHÁP

XỬ L T N HIỆU S NG ĐIỆN N O ................................................................... 4

1.1 T g qua về tí hi u đi ão .......................................................................... 4

1.1.1 Khái quát chu g về G ............................................................................. 5

1.1.2 Thu nhậ v đo đ c tiến hi u đi n não eeg ................................................. 7

1.2 Các d g só g đi ão cơ bả ....................................................................... 10

1.2.1 Nguyên tắc phâ tích só g đi n não .......................................................... 10

1.2.2 Phân bi t só g đi n não dựa vào tần s ..................................................... 11

1.3 H th g hậ d g cảm xúc dựa tr tí hi u só g đi ão. ....................... 14

1.3.1 Nguy hận d ng cảm xúc dựa trên tín hi u đi n não. ....................... 16

1.3.2 Các h ớng tiếp cận trong nhận d ng cảm xúc dựa trên tín hi u đi n não. 19

1.3.3 Một s ph ơ g pháp ti u biểu trong trích chọ đặc tr g tí hi u đi n

não. ..................................................................................................................... 22

1.4 Giải pháp phâ ớp s d g m g eura tro g hậ d g cảm xúc .............. 24

1.5 Kết uậ ............................................................................................................ 25

CHƯƠNG 2 NHẬN DẠNG CẢM XÚC DỰA TRÊN S NG ĐIỆN N O SỬ

DỤNG MẠNG NƠ RON ........................................................................................ 26

2.1 iế đ i wave et r i r c tro g h th g hậ d g cảm xúc .......................... 26

2.1.1 Vai trò của WT tro g quá trì h hậ d g cảm xúc .............................. 26

2.1.2 Các tham s đặc tr g của WT tro g vi c hậ d g cảm xúc ............. 27

2.2 Phâ ớp s d g m g Nơ-ron ....................................................................... 28

2.2.1 T g qua về m g Neura ....................................................................... 28

2.2.2 ặc tr g của m ng neural ....................................................................... 32

2.2.3 Phân lo i m ng neural nhân t o. ............................................................... 35

2.2.4 Xây dựng m ng neural. ............................................................................. 38

2.2.5. Huấn luy n m ng neural........................................................................... 39

2.2.6. Thu thập dữ li u cho m ng neural. ........................................................... 45

2.2.7 Biểu diễn chi thức cho m ng neural .......................................................... 47

2.2.8 Một s vấ đề của m ng neural ................................................................. 49

2.2.9 Ứng d ng của m ng neural ....................................................................... 50

CHƯƠNG 3 THI T K HỆ THỐNG M PHỎNG ......................................... 52

3.1 Chu bị dữ i u mẫu ....................................................................................... 52

3.2 Phâ ớp tr g thái cảm xúc s d g m g Nơ-ron ........................................ 53

3.2.1 Xây dự g m g Nơ-ron ............................................................................. 53

3.2.2 Huấ uy m g ơ-ron ........................................................................... 55

3.2.3 Ch ơ g trì h uy m g Nơ-ron trên Matlab/toolbox ............................ 56

3.3 THI T K GI O I N M TL GUI .................................................. 58

3.3.1 Matlab GUI ................................................................................................ 58

3.3.2 Thiết ế giao di GUI cho phâ ớp tr g thái cảm xúc ......................... 59

3.3.3 Các b ớc thực hi quá trì h phâ tích WT s d g giao di thiết ế

trên GUI .............................................................................................................. 61

3.4 K T LUẬN...................................................................................................... 66

DANH MỤC HÌNH ẢNH

Hì h 1. 1 Cấu t o bộ ão co g i. .......................................................................... 4

Hì h 1. 2 Cấu trúc vỏ não ........................................................................................... 5

Hì h 1. 3 ò g đi n bên trong tế bào pyramidal lớn.................................................. 6

Hì h 1. 4 Só g pha 4 ........................................................................................... 12

Hì h 1. 5 Só g eta. ................................................................................................. 12

Hì h 1. 6 Só g Theta ................................................................................................ 13

Hì h 1. 7 Só g e ta. ................................................................................................ 13

Hì h 1. 8 Nhận d ng các d ng sóng theo tần s ....................................................... 14

Hì h 1. 9 Ứ g d g giao tiếp với máy tí h. ............................................................. 15

Hì h 1. 10 Ứng d ng tín hi u đi ão tro g quâ đội. ........................................... 16

Hì h 1. 11 Ứng d ng tín hi u đi ão tro g hậ di cảm xúc ............................ 17

Hì h 1. 12 H th ng nhận d ng cảm xúc .................................................................. 18

Hì h 1. 13 Thiết bị phầ c g motiv ...................................................................... 19

Hì h 1. 14 M hì h cảm xúc Russuell ...................................................................... 21

Hì h 1. 15 Thuật toán Higuchi Fractal Dimension ................................................... 22

Hì h 1. 16 Một c gái đa g th trải nghi m sản ph m đu i mèo Shippo t i Hội chợ

Trò chơi To yo 2012 ................................................................................................. 23

Hì h 2. 1 H th g hậ d g cảm xúc s d g G ............................................. 26

Hì h 2. 2 Mô hình neural sinh học ............................................................................ 28

Hì h 2. 3 Mô hình một neural nhân t o .................................................................... 30

Hì h 2. 4 Sơ đồ đơ giản về một m ng neural nhân t o ........................................... 32

Hì h 2. 5 M ng tiến với một mức neural .................................................................. 35

Hì h 2. 6 M ng tiến kết n i đầy đủ với một mức n và một mức đầu ra ................. 37

Hì h 2. 7 M ng hồi quy không có neural n và không có vòng lặp tự phản hồi ...... 37

Hì h 2. 8 M ng hồi quy có các neural n ................................................................. 37

Hì h 2. 9 Sơ đồ đồ thị có h ớ g đơ giản ................................................................ 38

Hì h 2. 10 Cấu hì h m g ơ-ro v các h m v o ra............................................... 43

Hì h 3. 1 motive poc Headset .............................................................................. 52

Hì h 3. 2 Sơ đồ cấu trúc phâ o i cảm xúc s d g m g Nơ-ron ......................... 53

vii

Hì h 3. 3 L u đồ thuật toá huấ uy m g ơ-ron .............................................. 55

Hì h 3. 4 Cấu trúc m g ơ-ron ............................................................................... 56

Hì h 3. 5 Cấu trúc của m g ơ-ron nhiều lớp: 5 ớp , 3 mẫu dữ i u đầu v o .... 56

Hì h 3. 6 Chất ợ g của quá trì h uy m g Nơ-ron .......................................... 57

Hì h 3. 7 Các giá trị gradie t, mu v va fai của quá trì h uy m g .................. 57

Hì h 3. 8 Giao di GUI cho vi c phâ ớp các tr g thái cảm xúc ........................ 59

Hì h 3. 9 Giao di phầ c i đặt ............................................................................... 60

Hì h 3. 10 Giao di hiể thị đồ họa ISPL Y .................................................... 60

Hì h 3. 11 Giao di hiể thị các tham s eature xtraction Parameters .............. 61

Hì h 3.12 Load cơ s dữ i u .................................................................................... 62

Hì h 3.13 Luy m g Nơ-ron ................................................................................. 62

Hì h 3. 14 Quá trì h uy m g ơ-ron .................................................................. 63

Hì h 3. 15 Lựa chọ mẫu cầ hậ d g.................................................................. 64

Hì h 3. 16 Kết quả hậ d g cảm xúc vui .............................................................. 64

Hì h 3. 17 Kết quả hậ d g cảm xúc bì h th g ................................................ 65

Hì h 3. 18 Kết quả hậ d g cảm xúc buồ ........................................................... 65

viii

DANH MỤC BẢNG BIỂU

ả g 2. 1 Một s hàm kích ho t cơ bản trong m ng neural ..................................... 31

DANH MỤC TỪ VI T TẮT

Từ hoặc Từ tiếng Anh Từ tiếng Việt cụm từ

Cơ s dữ li u CSDL

Electroencephalogram i ão đồ EEG

EBGM Elastic Bunch Graph Matching Ph ơ g pháp đồ thị đ hồi

Emotion Recognition Nhận d g cảm xúc ER

Emotion Recognition System H th ng nhận d g cảm xúc ERS

Ph ơ g pháp phâ tích sự khác bi t Linear Discriminant Analysis LDA tuyến tính

M g ơro Perceptro đa ớp MLP MultiLayer Perceptron

Neural Network M g Nơro NN

Ph ơ g pháp phâ tích thành phần Principal Component Analysis PCA chính

Support Vector Machine Học máy vectơ hỗ trợ SVM

LỜI MỞ Đ U

Cảm xúc đi cù g với mỗi g i tro g cuộc s g h g g y v đó g một vai

trò qua trọ g tro g giao tiếp phi g gữ của co g i. ó một tro g hữ g

điều i qua trọ g để hiểu đ ợc các h h vi ứ g x của co g i. Chí h vì thế

m b i toá hậ d g cảm xúc của co g i tuy một b i toá hó h g đ ợc

rất hiều các h hoa học qua tâm ghi cứu.

Tr ớc đây, vi c hậ d g cảm xúc có thể đ ợc thực hi th g qua vă bả ,

hội tho i, c chỉ cơ thể v biểu hi hu mặt. Tuy hi , tro g xu h ớ g phát

triể của co g i, các h th g hậ d g cảm xúc th g qua hữ g tí hi u “b

tro g” h só g đi ão Electro EncephaloGraphy - G sẽ tr cầ thiết,

quan trọ g v t o ra sự phát triể m h mẽ h g gừ g của các ứ g d g t ơ g

tác Não - Máy (Brain Computer Interface - CI , đặt co g i v o vị trí tru g tâm

của m i t ơ g tác s tro g ỷ guy hi đ i Error! Reference source not

found., Error! Reference source not found., Error! Reference source not

found..

Tro g hữ g ăm gầ đây, đã có rất hiều c g trì h c g b , đ a ra các

h ớ g tiếp cậ hác hau cho vi c giải quyết b i toá hậ d g cảm xúc co

g i th g qua só g đi ão. Mọi ỗ ực đều tập tru g v o hi m v xây dự g

một h th g CI tác độ g ha h v có độ chí h xác cao Error! Reference

source not found..

Có thể thấy rằ g hai hâu qua trọ g hất tro g h th g CI trích chọn

đặc trưng và phân lớp ra quyết đị h . Cũ g chí h vì thế, qua hảo sát các công

trì h ghi cứu đã c g b i qua đế CI v G đều chủ yếu tập tru g v o

cải tiế hai b ớc chí h y Error! Reference source not found., Error!

Reference source not found..

ể h th g hậ d g cảm xúc ho t độ g hi u quả, go i vi c xác đị h

ph ơ g pháp phù hợp để trích chọ đặc tr g của tí hi u G cò phải ựa chọ

một thuật phâ ớp phù hợp. Tr thực tế, có một s ph ơ g pháp cơ bả th g

đ ợc dù g đó : phâ ớp dựa tr hoả g cách uc ides, phâ ớp dựa tr

thuật học máy vecto hỗ trợ Support Vecto Machi e - SVM , phâ ớp dựa tr

m g ơ ro hâ t o Error! Reference source not found., Error! Reference

source not found., Error! Reference source not found..

Ph ơ g pháp đơ giả h g cũ g ém chí h xác hất phâ ớp theo

hoả g cách uc ides. Ph ơ g pháp s d g SVM cho ết quả t t hơ h g t c

độ phâ ớp chậm, đòi hỏi bộ hớ ớ giai đo huấ uy . Ph ơ g pháp s d g

m g ơ ro cho t c độ x ha h, dễ c i đặt, i h ho t v dễ bảo trì.

i với vi c giải b i toá hậ d g cảm xúc dựa tr tí hi u đi ão s

d g m g ơ-ro , tùy từ g y u cầu c thể của b i toá thực tế m g i thiết ế

phải trả i rất hiều câu hỏi h Error! Reference source not found., Error!

Reference source not found., Error! Reference source not found.: Lựa chọ cấu

trúc m g ơro o? S ợ g các ớp cũ g h các ơro tro g mỗi ớp? S d g

thuật toá học o để điều chỉ h các trọ g s của m g? Chí h vì vậy, đây vẫ cò

một h ớ g m đòi hỏi các h hoa học qua tâm phải đầu t ghi cứu m rõ.

Vì hữ g do tr , đ ợc sự gợi h ớ g của Thầy giáo, TS. Nguyễ Ph ơ g

Huy, học vi ựa chọ đề t i “Ứng dụng mạng nơ ron trong hệ thống nhận dạng

cảm xúc dựa trên tín hiệu điện não” m đề t i ghi cứu uậ vă t t ghi p th c

sĩ chuy g h K thuật đi t .

i t ợ g của uậ vă : Các phương pháp nhận dạng cảm xúc dựa trên

tín hiệu điện não sử dụng mạng nơron

Về ph m vi ghi cứu: ựa tr các bộ cơ s dữ i u có sẵ về các tí hi u

G đ ợc cộ g đồ g hoa học qu c tế c g hậ cơ s dữ i u chu để đ i

sá h các ph ơ g pháp , uậ vă sẽ hảo sát v đá h giá một s ph ơ g pháp

th g dù g tro g hậ d g cảm xúc dựa tr tí hi u đi ão s d g m g

ơro h m g Perceptro , m g MLP, m g SOM, M g R ; Lựa chọ b i

toá , đề xuất thuật toá s d g m g ơ ro phù hợp hất đ i với cơ s dữ i u

mẫu G đã chọ ; Tập tru g sâu v o c i đặt phầ mềm m phỏ g hằm chứ g

mi h tí h đú g đắ v hả ă g ứ g d g tro g thực tế của ph ơ g pháp đề xuất.

CHƯƠNG 1 TỔNG QUAN V ĐIỆN N O ĐỒ VÀ CÁC PHƯƠNG

PHÁP XỬ L T N HIỆU S NG ĐIỆN N O

1.1 Tổng quan về t n hiệu điện n o

H nh 1 1 Cấu tạo bộ n o con ng ời.

Não g i [1], [2], [3] là phầ tr v tr ớc nhất của h thầ i h tru g ơ g

v cơ qua chủ yếu tro g điều hành h thần kinh ngo i vi. Não g i nặng

khoảng 1500g (Williams và Warwick, 1989). Di n tích bề mặt của não khoảng 1600

cm², và dày khoảng 3 mm. Não gồm có: thân não, tiểu ão, ão tru g gia v đ i

não.

Não bộ của co g i là một t chức phức t p, tinh vi nhất của h thần kinh.

Thông qua các giác qua h mắt, tai, da, bộ não tiếp thu các thông tin về thị giác,

thí h giác, xúc giác... để từ đó hận thức ra đ i t ợng, x v giai đáp th g ti

qua các hình thức vậ động. Do vậy bộ não giữ vai trò quan trọng trong ho t động

toàn di , đa d ng của co g i, giúp co g i thích ứng với các hoàn cảnh xã

hội. Ngày nay, khi thế giới ngày càng phát triển thì các bênh về ão cũ g g y c g

phát triể h : các b nh về độ g i h, vi m ão,u ão ….. o vậy, vi c thu nhận và

x lí tín hi u đi n não sẽ giúp chúng ta ch đoá chí h xác đ ợc các b nh về não.

Vì thế, các b nh nhân não sẽ có cơ hội đ ợc cứu chữa nhiều hơ .

1.1.1 Kh i qu t chung về EEG

ectroe cepha ogram ão đồ G đi n thế ho t động của vỏ não phát ra.

G đ ợc phát hi n b i Berger ăm 1924 bằng 1 d ng c đo dò g đi n với 1 đi n

cực bề mặt tr đầu con trai ông và ghi l i đ ợc 1 mẫu nhịp nhàng nhữ g dao động

đi n. Tín hi u này là phản hồi đi n sinh học ngay tức khắc của tế bào não. Ngày

ay, g i ta cho rằng tín hi u EEG gi ng h h tí hi u EEG lấy từ ỡng cực

trong lớp tế bào hình chóp. Rất nhiều tế bào hình chóp và sợi thần kinh của ó đ ợc

sắp xếp thẳ g đứng. Sự sắp xếp y đ ợc đ a ra 1 de dro-somatic ỡng cực hoặc

đi n thế cái dao động do tác nhân kích thích gây ra.

Vỏ não là nguồn g c của các ho t độ g đi n của ão thu đ ợc từ bề mặt của

da đầu, các d ng khác nhau của ho t độ g đi n và dấn tới tr g đi n thế đ ợc t o

ra b i các tế bào thần kinh vỏ não.

H nh 1 2 Cấu trúc vỏ não

Sự sắp xếp của các tế bào 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 ão đ ợc sắp xếp

thành các cột, trong các cột y các euro đ ợc phân b dọc theo tr c chính của

các cây d ng nhánh, song song với mỗi cây khác và trực giao với bề mặt vỏ não.

Vỏ não gồm các lớp khác nhau, các lớp này là không gian của cấu trúc các tế

bào thầ i h đặc bi t, với các tr ng thái và chức ă g hác hau tro g đáp ứng

xu g đi n. Neuron pyramidal là thành phần cấu t o chủ yếu của vỏ ão. i n thế

EEG [1], [2] ghi đ ợc từ các đi n cực đ ợc đặt tiếp xúc với lớp da đầu là sự t ng

hợp các thay đ i về đi n thế ngoài của tế bào Pyramidal. Màng tế bào pyramidal

không bao gi trong tr ng thái nghỉ b i vì nó bị tác động liên tiếp b i ho t 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 đ i t ơ g ứng tính th m thấu của màng tế b o đ i

với io K v io C m phát si h dò g đi n.

H nh 1 3 Dòng điện bên trong tế bào pyramidal lớn.

ò g io đ ợc thiết lập cho phép cân bằ g đi n tích giữa bên trong và bên

ngoài màng tế b o. ò g đi si h ra do đi n thế của postsynaptic kích thích

PSP đ ợc thể hi n hì h 3. i n thế postsynaptic kích thích là t ng hợp của

dò g đi v o tro g m g tế bào gây ra b i các io d ơ g v dò g đi ra go i m g

tế bào t o dọc theo phần m rộng của tế bào extra- sy aptic. i tr ng bên ngoài

tế bảo là hàm của đi n thế xuyên màng.

Tro g đó đi n thế bên ngoài màng, là bán kính của sợi tr c hoặc tua gai, là

đi n thế xuyên màng, độ dẫ m i tr ng bên trong tế b o, độ dẫn của môi

tr ng bên ngoài tế bào. Mặc dù các đi n thế bên ngoài tế bào riêng rẽ là nhỏ h g

t g đi n thế của chú g cũ g đá g ể đ i với nhiều tế b o. iều này là do các

euro pyramida đ ợc kích ho t tức th i lớ hơ hoặc nhỏ hơ cách m i ết

synaptic và các thành phần dọc tr c của dò g b go i m g đ ợc thêm vào, trong

hi đó các th h phần nằm ngang l i có xu h ớng làm giảm đi n thế này. Ngoài ra

các nguồ hác cũ g góp phần t o ra tín hi u EEG. Sự giảm đi n thế màng tế bào

tới mức giới h n xấp xỉ 10 mV nhỏ hơ đi n thế tái kh cực t i tr ng thái nghỉ của

màng tế b o. i n thế ho t động của các neuron não là nguồn g c của E G. Nh g

chúng góp phần nhỏ trong vi c t o ra tín hi u G ghi đ ợc t i bề mặt của não. Do

chú g th ng ho t độ g h g đồng bộ trong cùng một th i gia đ i với một s

ợng lớn các sợi tr c, các sợi tr c này di chuyển theo nhiều h ớ g t ơ g đ i với

bề mặt vỏ não. Nguyên nhân khác là phần của màng tế bảo bị kh cực b i đi n thế

ho t động t i các th i điểm c định nhỏ hơ so với thành phần của màng tế bào

đ ợc kích thích b i một PSP v đi n thể ho t động tồn t i trong th i gian ngắn

hơ cỡ 1 - 2ms) so với của EPSPs hoặc IPSPs là 10 – 250ms. Qua các qua điểm

trình bày tr thì G thu đ ợc t i bề mặt da đầu có thể coi là kết quả của nhiều

thành phần tích cực, tro g đó đi n thế của postsynaptic từ tế bào pyramidal là thành

phần chính t o ra tín hi u đi n não.

1.1.2 Thu nhận và đo đạc tiến hiệu điện não EEG

a) Vị trí đặt đi n cực chu n [9], [10].

Hi p hội qu c tế về sinh lí thầ i h âm s g v đi ão đề đ a ra chu đặt

đi n cực cho 21 đi n cực (gồm cả đi n cực t i dái tai . Các đi n cực đặt t i dái tai

đ ợc gọi 1, 2 đ ợc n i t ơ g ứng với tai trái và tai phải đ ợc s d ng làm

đi n cực tham chiếu. H th ng 10-20 trá h đặt đi n cực t i vị trí nhãn cầu, và cân

nhắc một vài khoả g cách h g đ i b i s d ng các m c giải phẫu c thể. Các

đi n cực lẻ đ ợc đặt b trái v các đi n cực lẻ đ ợc đặt bên phải. ể thiết lập s

ợ g các đi n cực nhiều hơ m vẫ tuâ theo qui ớc tr , các đi n cực còn l i

go i 21 đi n cực chu đ ợc đặt giữa các đi n cực tr v cách đều nhau giữa

chúng. Ví d C1 đ ợc đặt giữa C3 và Cz. Hai d g hác hau dù g để ghi tín hi u

đi n não là d ng vi sai và d ng tham chiếu. i với d g vi sai hai đầu vào của mỗi

bộ khuếch đ i vi sai là hai cực, còn kiểu tham chiếu thì chỉ một tro g hai đi n cực

tham chiếu đ ợc dùng. Một kiểu b trí đi n cực t ơ g tự khác là h th ng vị trí đi n

cực Maudsley, h th ng 10 – 20 đ ợc thay đ i để ch p ghi đ ợc tín hi u từ tiêu

điểm động kinh trong vi c thu tín hi u động kinh. Chỉ có một sự khác nhau giữa hai

h th g y các đi n cực b go i đ ợc làm nhẹ hơ một chút cho phép ghi tín

hi u độ g i h đ ợc t t hơ . Ưu điểm của h th ng này là di tích đ ợc trùm b i

mũ đi n cực đ ợc m rộ g, do đó m tă g độ nh y khi ghi l i tín hi u đi n não.

b Ph ơ g pháp thu tí hi u đi n não.

Vi c thu nhận các tín hi u và hình ảnh từ các bộ phận của cơ thể g i tr

thành cần thiết cho vi c ch đoá sớm các lo i b nh tật. Dữ li u thu đ ợc có thể

d ới d g đi n sinh học h tí hi u đi n tim, tín hi u đi cơ đồ EMG hay tín hi u

đi n não EEG, từ ão đồ M G …Các ph ơ g pháp đo đ c đ ợc dùng có thể là siêu

âm, ch p CT, hay ảnh cộ g h ng từ MRI hoặc cộ g h ng từ chức ă g fMRI,

ch p positron cắt lớp PET. Các ho t động thầ i h đi đầu ti đ ợc ghi l i bằng

máy đi n kế đơ giả . ể khuếch đ i sự thay đ i của các điểm một tấm g ơ g đ ợc

s d g để phản x á h sá g đ ợc chiếu ra từ đi n kế lên bức t g. Sau đó, đi n

kế rso va đ ợc gắn vào một cuộndây có thể di chuyể đ ợc, do đó á h sá g tập

tru g tr g ơ g sẽ bị phản x hi cho dò g đi n ch y qua cuộn dây này.

i n kế mao dẫ đ ợc t o ra b i Lippma v Marey. i n kế dây rất nh y và

đo chí h xác hơ đ ợc Einthoven giới thi u v o ăm 1903. i n kế này tr thành

d ng c đo chu n trong vài thập kỉ v đ ợc cho phép s d ng ghi l i hình ảnh. Các

h th g đo tí hi u EEG gồm s ợng lớ các đi n cực tinh vi, các m ch khuếch

đ i vi sai (cho mỗi kênh), bộ lọc v đồng hồ ghi có mũi im chỉ.

Tín hi u G đa h đ ợc ghi l i lên tấm giấy nhẵn hoặc giấy có ới.

Ngay sau đó, h th g đo tí hi u G y đ ợc tung ra thị tr ng, các nhà nghiên

cứu bắt đầu tìm kiếm h th g đ ợc máy tính hóa, h th ng này s hóa v u trữ

tín hi u.

Do vậy để phân tích tín hi u G, ba đầu phải hiểu rằng tín hi u đ ợc

chuyển sang d ng s . S hóa tín hi u bao gồm các b ớc: lấy mẫu, ợng t hóa, và

mã hóa tín hi u. Khi s cực đ ợc s d g c g tă g thì s ợng dữ li u càng lớn,

tức s bít để mã hóa tín hi u cũ g hiều hơ . H th g đ ợc máy tính hóa cho phép

thiết lập các kiểu khác nhau, mô phỏng và lấy mẫu tần s và trong một s tr ng

hợp tích hợp cả các công c x lí tín hi u đơ giản hoặc hi đ i giúp nâng cao hi u

quả quá trình x lí tín hi u.Quá trình biế đ i từ tín hi u G t ơ g tự sang d ng

s đ ợc thực hi n b i bộ chuyể đ i s t ơ g tự đa h. ải tần hi u quả cho tín

hi u EEG xấp xỉ 100Hz. o đó tần s lấy mẫu nhỏ nhất là 200 mẫu/s thỏa mãn qui

tắc Nyquist đủ để lấy mẫu tín hi u EEG. Trong một s ứng d ng các ho t động

của ão đ ợc qua sát đòi hỏi độ phân giải cao hơ tần s lấy mẫu có thể lên tới

2000 mẫu/ s. ể duy trì thông tin ch đoá thì quá trì h ợng t hóa tín hi u

th g th ng phải rất t t.

Các h th ng ghi tín hi u EEG ph biến s d ng các mẫu tín hi u d ới d ng

16bits. Các đi n cực ghi đi tim có độ chính xác cao chủ yếu đ ợc s d g để thu

thập dữ li u chất ợng cao.

Các lo i đi n cực đ ợc s d ng trong h th ng ghi tín hi u đi ão h : i n

cực dùng một lần (d g ge i n cực có thể s d ng nhiều lần (vàng, b c, thép

hoặc ti i n cực kẹp và ch p đầu i n cực đ ợc nhúng mặ i n cực d ng kim

khi ghi đa ênh với s ợng lớn của các đi n cực, thì đi n cực d g mũ ch p

th g đ ợc dù g. Th g th g đi n cực d g mũ ch p gồm đĩa g – AgCl có

đ ng kính nhỏ hơ 3 mm, với các cực linh ho t có thể gắn vào bộ khuếch đ i.

i n cực kim phải đ ợc cắm d ới vỏ não với độ sâu nhỏ nhất có thể. Tr

kháng cao giữa đi n cực v da đầu cũ g h các đi n cực có tr há g cao cũ g có

thể dẫn tới méo d ng tín hi u.Do vậy các máy ghi đi ão th ơ g m i thông

th g đ ợc trang bị bộ phận theo dõi tr há g. ể đảm bảo vi c ghi tín hi u đi n

não chính xác, tr kháng của đi n cực phải nhỏ hơ 5kΩ , t t nhất là 1kΩ Cân bằng

với các đi n cực hác tro g mũ. T ơ g ứng với từng cấu trúc lớp và xoắn của não

sự phân b các đi n cực lên da phù hợp.

1.2 C c dạng s ng điện n o c ản

1.2.1 Nguyên tắc phân tích s ng điện não

Hình ả h đi n não là nhữ g đặc tr g biểu hi n lâm sàng thần kinh tâm thần

và các b h hác. o đó cần phải phân tích và mô tả chi tiết, đồng th i t ng hợp và

khái quảt để b sung cho lâm sàng và những thông tin ch a có âm s g hoặc các

tri u chứng khó phân bi t. Khi phầ tích đi n não cần tuân theo một s nguyên tắc:

Tr c tu g bi độ của sóng. Tr c hoành là tần s sóng.

D ng sóng: hình sin, có nhịp hay không có nhịp, đơ d g hay đa d g, đều

hay h g đều, sóng một pha hay nhiều pha. Các sóng tr đ g đẳ g đi n là

sóng âm (-), d ới só g d ơ g + .

Tần s : là s sóng có trong một giây kí hi u là chu kỳ giây (ck/gy) hoặc (Hz)

i độ: là chiều cao của sóng tính bằng µV.

Vi trí: só g đi n não biểu hi n các vị trí hác đi n cực khác nhau, và khác

nhau theo vùng.

Chỉ s : s sóng xuất hi n trong một th i gian nhất đị h xác đi h bản ghi

đ ợc tính theo tỷ l %. Thông s y th g dù g để đá h giá âm s g.

Tính chất xuất hi : các só g đi n não xấy hi n khác nhau không chỉ về d ng

sóng mà còn cả tính chất.

Kịch phát: một sóng, một nhóm sóng xuất hi n và kết thúc đột ngột. Có thể

kịch phát toàn thể hay khu trú, kéo dài 1-2/10 giây đến nhiều giây.

ồng thì: cùng một th i điểm đồng bộ hai bán cầu cân xứng, hay một bán

cầu. Kho g đồng thì: không cùng một lúc xuất hi n, mất cân xứng một bán cầu về

tấn s , bi độ hoặc cả 2.

Liên t c: các sóng b nh lý có những khoả g giá đo n, không gi ng nhau.

Từng nhóm: các sóng xuất hi n từng nhóm với s sòng và d g t ơ g tự nhau. [4]

1.2.2 Phân biệt s ng điện não dựa vào tần số

Năm 1924, h tâm thần học g i Áo t Ha s erger g i đầu tiên

ghi đ ợc EEG. Ông nhận thấy trên bả ghi G bì h th ng, nhịp của các sóng

đi n não gồm có vài lo i sóng có thể phân bi t theo tần s . ây cò gọi là các d ng

só g đặc tr g si h .

a) S ng Alpha (α)

D ng sóng hình sin là chủ yếu, có tần s từ 8 -13 ck/gy

Alpha nhanh: 11-13 ck/gy

Alpha trung bình: 10 ck/gy

Alpha chậm: 8-9 ck/gy

Só g th g có bi độ khoảng 50µV (mặc dù cũ g có thể giao động từ 5 tới

100 µV).

Sóng này thấy rõ nhất phần phía sau của ão g i, v ơi x l‎ý các tín

hi u thị giác, tức là vùng ch m (occipital region) cả 2 bên, ít vù g đỉnh và giảm

dần về phía thái d ơ g Vì vậy, đ i hi g i ta còn gọi nhịp alpha là nhịp trội

phía sau (the posterior-dominant rhythm).

Có nhiều giả thuyết giải thích cơ chế này. Theo P.V simonov (1956) cho rằng

alpha có vai trò lớ tro g cơ chế điều chỉnh giữa nội môi và ngo i môi của chức

ă g gă cản các tín hi u đi v o ão. Theo u ch a pha có vai trò điều chỉ h đồng

bộ của các tín hi u vào và ra khỏi não; D.G. Shmelkin (1955) thấy a pha u đi

cùng với tr ng thái cân bằ g i qua đề h g phấn và ức chế. Sóng alpha tr nên

rõ nhất khi nhắm mắt l i, bị tri t tiêu khi m mắt. Nh vậy sóng alpha là dấu hi u

cho biết ão đa g tình tr ng không chú ‎‎ i atte tive brai , v đa g ch để đ ợc

kích thích. Thực tế là có một vài tác giả đã gọi ó “ hịp ch đợi” "waiti g

rhythm" . ây hịp sóng chủ yếu thấy đ ợc tr g i lớ bì h th g v th

giãn – sóng hi n di n trong hầu hết các th i kỳ của cuộc đ i, nhất là khi trên 30

tu i, khi ấy sóng này chiếm u thế tr đ ng ghi EEG lúc nghỉ gơi.

pha 10 Hz, bi độ thấp.

pha 10Hz, bi độ cao.

Alpha 10Hz, xuất hi n từng chùm.

H nh 1 4 Sóng Alpha[4]

b) S ng Beta (β)

D ng sóng không định, có tần s từ 13-35 Hz, có bi độ d ới 30µV. Sóng

Beta là sóng nhanh phía tr ớc, phân b điển hình vùng trán và giảm dần thái

d ơ g v đỉnh ch m. Só g eta i qua đến tr g thái h g phấn của th n kinh.

Sóng Beta sẽ n i bật lên khi dung thu c an thần gây ngủ. Sóng có thể mất hoặc suy

giảm vùng có t th ơ g vỏ não. Nhịp beta th g đ ợc coi là nhịp bì h th ng,

nó là nhịp chiếm u thế những b h hâ đa g thức tỉnh cảnh giác hoặc lo sợ,

hoặc khi m mắt.

H nh 1 5 Sóng Beta.

c) S ng Theta (θ)

D ng sóng hình cung hay hình thang, tần s từ 4-8Hz. Theta nhanh từ 6-8Hz,

Theta bì h th ng từ 5-6Hz, Theta chậm từ 4-5Hz. Só g Theta xuất hi n thái

d ơ g, hay vù g trá thái d ơ g v thái d ơ g tr ớc trung tâm. Sóng Theta là lo i

sòng chậm, th ng thấy khi b nh nhân trong tình tr ng buồn ngủ hoặc ngủ nông

ight stages of s eep . Sò g Theta đ ợc coi là bất bì h th ng nếu thấy g i lớn

đa g tỉ h táo, h g i bì h th ng trẻ em d ới 10 tu i. Sau 10 tu i, sóng

theta nhanh và chuyển dầ sa g a pha. Cũ g có thể thấy theta t o thành 1 vùng bất

th ng trên nhữ g ơi có t th ơ g d ới vỏ c c bộ. Sóng theta biểu hi n cho giảm

ho t động của v não, nên ngoài lứa tu i nhỏ, còn thấy xuất hi n lứa tu i cao.

Sóng theta xuất hi n g i lớn nhiều hay ít, lan tỏa hay hu trú đều i qua đến

r i loan chức ă g của ão, đặc bi t cấu trúc d ới vỏ.

H nh 1 6 S ng Theta

d) S ng Delta (δ)

D ng sóng hình chuông, tần s từ 0,5-4 Hz, bi độ só g tru g bì h t ơ g

đ ơ g đi n thế a pha, cũ g có hi cao gấp 2 đến 3 lầ bi độ a pha, đây o i

sóng chậm nhất v có bi độ cao nhất. Sóng Delta xuất hi n trẻ em d ới 7 tu i,

giảm dần theo lứa tu i, xuất hi n g i lớn trong giấc ngủ sâu ( giai đo n 3 hoặc

4 của giấc ngủ). Nói chung, nếu sóng Delta xuất hi n trên một g i lớn (trừ khi

đa g gủ) thì chứng tỏ não có vấ đề o đó: ví d u ão, động ki h, tă g áp ực nột

sọ, khiếm khuyết về trí tu , hay h m . Khi đã xuất hi n, thì nhịp Delta có khuynh

h ớng thay thế cho nhịp alpha. Cả sóng beta lẫ só g de ta đều không bị ả h h ng

b i m mắt hay nhắm mắt. ). Nó có thể xuất hi n c c bộ khi có t th ơ g d ới vỏ

và phân b rộng khắp khi có t th ơ g a tr , tro g b nh não do chuyển hóa

(metabolic encephalopathy), b h ão ớc (hydrocephalus) hay t th ơ g đ ng

giữa tro g sâu deep mid i e esio s . Nó th ng trội nhất vùng trán g i lớn

(ví d FIRDA - Frontal Intermittent Rhythmic Delta – sóng delta có nhịp cách hồi

vùng trán) và phân b trội các vùng phía sau trên trẻ em (ví d OIRDA - Occipital

Intermittent Rhythmic Delta - sóng delta có nhịp cách hồi vùng ch m).

H nh 1 7 Sóng Delta.

H nh 1 8 Nhận dạng các dạng sóng theo tần số

1 3 Hệ thống nhận dạng cảm xúc dựa trên t n hiệu s ng điện n o

Cảm xúc đi cù g với mỗi g i tro g cuộc s g h g g y v đó g một vai

trò qua trọ g tro g giao tiếp phi g gữ của co g i. ó một tro g hữ g

điều i qua trọ g để hiểu đ ợc các h h vi ứ g x của co g i. Nhậ di

cảm xúc có thể đ ợc thực hi th g qua vă bả , hội tho i, c chỉ cơ thể v biểu

hi hu mặt. V tro g xu h ớ g phát triể của co g i tro g đầu hữ g thập

ỷ y, sự cầ thiết v qua trọ g của các h th g hậ di cảm xúc co g i

th g qua hữ g tí hi u “b tro g” từ só g đi ão G đã phát triể m h

mẽ cù g với vai trò h g gừ g tă g của các ứ g d g t ơ g tác Não Máy CI

i terfaces tro g vi c đặt co g i v o vị trí tru g tâm của m i t ơ g tác s tro g

ỷ guy hi đ i.

H g ăm các đ o diễ cho ra đ i h g ghì bộ phim tr to thế giới.

Tro g đó tập tru g phầ ớ M . ây một thị tr g tiềm ă g đ i với các

thiết bị đo hậ cảm xúc/ tr g thái của g i xem đ i với các bộ phim tr ớc hi

tu g ra thị tr g. Tr thực tế, đ o diễ i tiế g James Camero cũ g đã s d g

thiết bị thu hậ só g đi ão G để iểm tra hi u quả tâm của g i xem

tr ớc hi tu g si u ph m đi ả h vatar ra thị tr g. Tr đây hai tro g s rất

hiều hữ g ứ g d g tiềm ă g của vi c hai thác só g đi ão G của co

g i. Tr thực tế, các h ghi cứu v các doa h ghi p ớc go i đã sớm

hì hậ ra t ơ g ai phát triể của t ơ g tác s . Tro g đó, cách thức m co

g i giao tiếp với máy tí h th g qua ghĩ só g đi ão một tro g hữ g

qua tâm h g đầu.

H nh 1 9 Ứng dụng giao tiếp với m y t nh

Cho đến ngày nay thế giới đã có hữ g b ớc tiến dài trong vi c nghiên cứu

sóng EEG, rất nhiều sản ph m máy đi n não, kèm theo cả phần mềm trị giá tới tri u

đ a M đa g đ ợc triển khai trong các b nh vi n ph c v chu đoá , chữa trị

b h động kinh. Ngoài ra rất nhiều tập đo ớ cũ g đa g đầu t h g tri u đ a

M cho vi c nghiên cứu G h vi c giao tiếp, xác định cảm xúc co g i. Năm

2009 công ty Toyota công b đã th h c g tro g vi c nghiên cứu xe ă đ ợc điều

khiển bằng sóng não mà không cần dùng cơ bắp hay giọ g ói. Xe ă rẽ trái, rẽ

phải, tiến và dừng l i đ ợc thực hi th g qua suy ghĩ của co g i. Công ty

Emotiv Limited là một trong những công ty của M thành công trong vi c nghiên

cứu chuyên sâu về só g đi ão v đã có sản ph m bán ra thị tr ng. Sản ph m

của công ty là một mũ poc có chức ă g thu hậ só g đi n não, kết hợp với Epoc

là bộ th vi n EDK (Emotiv development kit), bộ th vi n này có khả ă g thu

nhận và x lý rất t t tín hi u sóng não của co g i và có khả ă g ứng d ng rất

nhiều tro g các ĩ h vực giáo d c, y tế, an ninh qu c phòng.

H nh 1 10 Ứng dụng tín hiệu điện n o trong quân đội.

1.3.1 Nguyên l nhận dạng cảm xúc dựa trên tín hiệu điện não.

Có nhiều nghiên cứu tr ớc đây về vi c nhận d ng cảm xúc dựa trên tín hi u

só g đi n não và có một s công trình nghiên cứu liên quan về b i toá đã đ ợc

công b . K. Ishi o et a đề xuất h th ng nhận d ng cảm xúc với độ chính xác

54.4% cho cảm xúc vui, 67.7% cho tức giận, 59% cho buồn và 62.9% cho th giã .

Berkman et al s d ng m g ơ-tro để dự đoá cảm xúc tích cực và tiêu cực với

độ chí h xác 43%. Li et a đã phát triể ph ơ g pháp phâ o i đa ớp SVM

(multi-class support vector machine) cho bài toán nhận d ng cảm xúc. Kết quả thu

đ ợc với độ chính xác trung bình 82.37% cho các cảm xúc vui, buồn, tức giận và

thoải mái. Chanel et al s d g ph ơ g pháp phâ o i Naïve ayes v đ a ra độ

chính xác lớn t t nhất khoảng 58% cho ba lo i cảm xúc th giã , h nh phúc, bình

th g . Ph ơ g pháp phâ lo i SVM cũ g đ ợc s d ng cho vi c phân lo i cảm

xúc với độ chí h xác 32% cho Va e ce v 37% cho rousa . Tro g đó, Va e ce thể

hi n sự biến thiên của cảm xúc từ tiêu cực đến tích cực và Arousal thể hi n sự biến

thiên từ bì h tĩ h đến kích thích. Gầ đây, Y. Liu et a đ a ra m hì h hận d ng

dựa trên lý thuyết về phân d ng (FD-fractal dimension). Họ cũ g chỉ ra rằng mô

hình phân d g cho độ chí h xác cao hơ tro g hâ d ng cảm xúc dựa trên EEG.

Mô hình họ đề xuất có thể nhận d g đ ợc sáu cảm xúc cơ bản h buồn, vui, lo sợ,

Hì h 1. 11 Ứng d ng tín hi u đi ão tro g hậ di cảm xúc

thoải mái, h nh phúc, và thất vọng.

Hi n có nhữ g h ớng tiếp cận khác nhau cho bài toán nhận d ng cảm xúc. Do

vậy tồn t i nhiều mô hình nhận d ng cảm xúc khác nhau. Nhóm phát triển mô hình

dựa trên mô hình cảm xúc Russell, thuật toá H v ph ơ g pháp phâ o i SVM.

Kết quả thực nghi m chỉ ra rằng mô hình có thể nhận d g đ ợc sáu nhãn cảm xúc

cơ bản (vui, tức giận, buồ , th giã , bì h th ng và buồn ngủ) với độ chính xác

tru g bì h 81%. Th m v o đó, m hì h có thể m rộng áp d ng cho một lớp đ i

t ợng thay vì cho từng cá nhân riêng bi t.

H nh 1 12 Hệ thống nhận dạng cảm xúc

Trong báo cáo nay thiết bị thu nhận tín hi u đi n não là thiết bị phần cứng

Emotiv, các ho t độ g i qua đến vi c thu thập tín hi u só g đi n não từ đầu

TNV đều s d ng thiết bị Epoc của công ty Emotiv. Thiết bị này gồm hai thành

phần, một thành phần có d g h một chiếc mũ để đặt l đầu g i dùng (hình

d ới), một thành phần gắn với c ng USB của máy tí h để đảm nhận vi c truyền tín

hi u từ chiếc mũ đế máy tí h th g qua só g Wifi. Mũ poc bao gồm 14 đi n cực

t ơ g ứng với 14 vị trí để thu thập tín hi u só g đi ão tr đầu g i dùng. Khi

s d g, để nhậ đ ợc tín hi u só g đi n phát ra từ ão g i, các đi n cực này

phải đ ợc làm m bằng dung dịch đi èm với thiết bị.

1 3 2 C c h ớng tiếp cận trong nhận dạng cảm xúc dựa trên tín hiệu điện não.

H nh 1 13 Thiết bị phần c ng Emotiv

Tín hi u thu đ ợc từ mũ trả ra d ới d ng t p tin .edf, có thể s d g ch ơ g

trì h Test e ch đi èm gói thiết bị để xem trực tiếp hay xem l i chuỗi tín hi u

só g đi n não biế đ i theo th i gia . ể ti n cho vi c tính toán và s lý tín hi u,

gói thiết bị có sẵ ch ơ g trì h để chuyển t p .edf sang t p .csv.

Cảm xúc đi cù g với mỗi g i trong cuộc s g h g g y v đó g một vai

trò quan trọng trong giao tiếp phi ngôn ngữ của co g i. ó một trong những

điều ki n quan trọ g để hiểu đ ợc các hành vi ứng x của co g i. Chính vì thế

mà bài toán nhận d ng cảm xúc của co g i tuy là một b i toá hó h g đ ợc

rất nhiều các nhà khoa học quan tâm nghiên cứu.

Tr ớc đây, vi c nhận d ng cảm xúc có thể đ ợc thực hi n thông qua vă bản,

hội tho i, c chỉ cơ thể và biểu hi n khuôn mặt. Tuy hi , tro g xu h ớng phát

triển của co g i, các h th ng nhận d ng cảm xúc thông qua những tín hi u “b

tro g” h só g đi n não (Electro EncephaloGraphy - EEG) sẽ tr nên cần thiết,

quan trọng và t o ra sự phát triển m nh mẽ không ngừng của các ứng d g t ơ g

tác Não - Máy (Brain Computer Interface - CI , đặt co g i vào vị trí trung tâm

của m i t ơ g tác s trong kỷ nguyên hi đ i.

Hi n nay có nhiều h ớng nhận d ng cảm xúc khác nhau, chủ yếu là sự tồn t i của

nhiều mô hình cảm xúc hác hau. Các m hì h t ợ g tr g cho mỗi phát hi đặc

điểm nhận d ng cảm xúc khác nhau. Tiêu biểu hơ cả là nhóm nhận d ng cảm xúc dựa

trên mô hình cảm xúc Russell, thuật toá H v ph ơ g pháp phâ o i SVM.

a) Mô hình cảm xúc Russell.

Hi n nay, có nhiều mô hình cảm xúc đ ợc đ a ra dựa trên các nghiên cứu về

thần kinh học. Nhìn chung, những mô hình này có thể chia thành hai nhóm chính.

Nhóm thứ nhất là các mô hình cảm xúc r i r c. Những mô hình này có một vài

cảm xúc chí h h tức giận, sợ hãi, buồn, ghê sợ, ng c nhiên, háo hức, chấp nhận,

và yêu thích. Các cảm xúc khác là sự t hợp của các cảm xúc chính này. Nhóm thứ

hai là các mô hình cảm xúc liên t c.

Mô hình Russell là một mô hình cảm xúc liên t c. Trong các mô hình cảm xúc

liên t c, các cảm xúc đ ợc phân b trong một không gian hai chiều với hai tr c cơ

bả va e ce v arousa h hì h 1. Tr c valence bắt đầu từ tiêu cực đến tích cực

và tr c arousal bắt đầu từ bì h tĩ h đến kích thích. Mỗi tr c có 9 tha g đo từ 1 đến

9. Trong nghiên cứu của mình, nhóm s d ng mô hình Russell b i từ mô hình này

chúng ta có thể xác đị h đ ợc các cảm xúc h tro g m hì h r i r c bằng cách

định vị các vị trí trong không gian 2 chiều valence, arousal.

H nh 1 14 Mô hình cảm xúc Russuell

b) Thuật toán Higuchi Fractal Dimension.

Phân tích hình học fracta đ ợc áp d ng t t cho các h th ng phi tuyến và cho

dãy tín hi u trong th i gian thực. Ph ơ g pháp y đ ợc áp d ng trong nhiều

nghiên cứu về x lí tín hi u, đặc bi t só g đi n não EEG. Trong nghiên cứu của

mì h, Higuchi để đề xuất một thuật toá để phân tích chiều hình học fractal của dãy

các tín hi u theo th i gia đó H . H cu g cấp một ph ơ g thức hi u quả để

xác đị h đặc tính của dãy các tín hi u tuần tự. Dãy tín hi u y có đặc tính là mỗi

một thành phần của dãy có thể đ ợc coi là hình ảnh thu nhỏ của cả dãy. Có thể s

d ng tính chất y để tí h toá đặc tr g của dãy tín hi u theo th i gian thực. Mỗi

một dãy con tín hi u mới nhận đ ợc từ nguồn có thể m đầu vào cho thuật toán

HFD. Nh vậy, vi c tính toán ra giá trị đặc tr g fracta có thể thực hi n liên t c

theo th i gian thực.

H nh 1 15 Thuật toán Higuchi Fractal Dimension

1.3.3 Một số ph ng ph p tiêu biểu trong trích chọn đặc tr ng t n hiệu điện não.

Ph ơ g pháp tro g trích trọ đặc tr g của tín hi u đi n não rất đa d ng và

pho g phú h PC , IC , R, m g ơ ro ... Mỗi một ph ơ g pháp có hữ g u

điểm riêng, từ đó đề xuất thuật toán phù hợp nhất đ i với bài toán trích chọ đặc

tr g tí hi u EEG. Với luậ vă y tập tru g sâu v o m rõ cơ s lý thuyết cũ g

h các ứng d ng của ph ơ g pháp trích chọ đặc tr g só g đi n não s d ng

biế đ i wavelet.

Nếu một g i liên kết với một cái máy có chức ă g thu hận tín hi u não bộ

v g i khác l i liên kết với một cái máy khác có chức ă g ích thích một phần

não bộ, thì g i thứ nhất có thể kiểm soát h h động của g i thứ hai.

Các nhà nghiên cứu từ tr g i học Washington do Rajesh P. N. Rao đứng

đầu, đã xuất bản một nghiên cứu vào tháng 11/2014 trên t p chí PLOS One, cho

thấy một cách thực nghi m tính khả thi của lo i hình kiểm soát tâm trí này. Một ý

định mu n di chuyển tay phải của g i A sẽ đ ợc thu nhận b i chiếc mũ đi n não

G. Ý định này sẽ đ ợc g i đến một chiếc máy tính có chức ă g truyền tải nó

d ới d g các xu g đi n tới một cuộn dây di tro g ph ơ g pháp ích thích từ

xuyên sọ tr đỉ h đầu g i B, trang Live Science diễn giải. Tay phải của g i B

sẽ co l i. Tuy rằng nó không đ t đ ợc đế trì h độ kiểm soát tâm trí h tro g các

bộ phim khoa học viễ t g, h g đây chí h một kh i điểm.

Bộ headset EEG hi đã cho phép g i dù g t ơ g tác với trang ph c đa g

mặc, bằng cách kích ho t sự thay đ i trên trang ph c dựa theo cảm xúc của họ. Bộ

headset y cũ g cho phép g i dù g chơi game từ xa.

Bên c h đó cũ g có một thiết bị th i tra g đọc đ ợc cảm xúc. T p chí

Smithso ia đã đ a ti về hai lo i thiết bị th i trang lấy cảm hứng từ khoa học viễn

t g đu i Shippo v tai mèo Necomimi. Cũ g gi g h vi c một chú chó sẽ

vẫy, hay g c đu i xu ng hoặc vểnh tai lên tùy thuộc vào tr ng thái cảm xúc của nó,

những lo i thiết bị th i trang này (nhìn bên ngoài chỉ đơ giả đu i v tai giả của

động vật) sẽ phản ứng với tr ng thái cảm xúc của g i đeo. Thiết bị th i trang này

sẽ đọc cảm xúc của g i đeo dựa vào các tín hi u não.

H nh 1 16 Một cô g i đang thử trải nghiệm sản phẩm đuôi mèo Shippo tại Hội chợ

Trò ch i Tokyo 2012

Nhận d ng khuôn mặt là một trong nhữ g ĩ h vực mới của x lý ảnh. Và

ngày nay nhận d g đ ợc ứng d ng rộng rãi trong nhiều ĩ h vực của đ i s g h

nhận d g tro g ĩ h vực th ơ g m i, hay phát hi n tội ph m tro g ĩ h vực an

i h, hay tro g ĩ h vực x lý video, hình ảnh.

1.4 Giải ph p phân lớp sử dụng mạng neural trong nhận dạng cảm xúc

Trong nhữ g ăm gầ đây, đã có rất nhiều công trình công b , đ a ra các

h ớng tiếp cận khác nhau cho vi c giải quyết bài toán nhận d ng cảm xúc con

g i th g qua só g đi ão. Phầ quan trọ g đầu tiên của nhận di n cảm xúc

thông qua tín hi u EEG chính là trích chọ đặc tr g. Tro g h ớng tiếp cận truyền

th ng dựa trên k thuật trích chọ đặc tr g, có một s ph ơ g pháp ti u biểu phải

kể đế Ph ơ g pháp phâ tích th h phần chính (Principal Component Analysis

– PC , Ph ơ g pháp phâ tích th h phầ độc lập (Independent Component

Analysis – ICA), Mô hình tự hồi quy (Autoregressive Modeling - R . Các ph ơ g

pháp trên chủ yếu dựa vào vi c phân tích tín hi u trên không gian tuyến tính, vì vậy

không khai thác hết đ ợc bản chất phi tuyến của tín hi u EEG. Gầ đây, dựa trên

các u điểm biểu diễn tín hi u phi tuyến trên cả hai miền tần s và th i gian của

phép biế đ i Wavelet, một s công trình công b trên thế giới đã tập trung vào áp

d ng k thuật y cho phâ tích đặc tr g của tín hi u G v thu đ ợc hi u quả

cao hơ so với các ph ơ g pháp truyền th ng. Ở Vi t Nam, các nghiên cứu về EEG

và BCI vẫn còn h n chế, chủ yếu là phân tích tín hi u G d ới d g “th ”. Vi c

áp d ng biế đ i Wavelet mới chỉ dùng cho vi c lọc nhiễu tín hi u EEG hoặc x lý

tín hi u đi n tim ECG.

Dựa trên các bộ cơ s dữ li u có sẵn về các tín hi u G đ ợc cộ g đồng

khoa học qu c tế công nhậ cơ s dữ li u chu để đ i sá h các ph ơ g pháp ,

luậ vă sẽ khảo sát và chứng minh tính hi u quả hơ của ph ơ g pháp trích chọn

đặc tr g só g đi n não s d ng biế đ i wavelet r i r c so với một s ph ơ g

pháp th ng dùng. Sau đó tiế đế s d g m g ơ-ro để phâ bi t các tr g thái

cảm xúc: Vui, buồ , tức giậ , …

1.5 Kết luận

Ch ơ g 1 trì h b y về tí hi u đi ão: cách đo đ c v thu hậ tí hi u, các

d g só g đi ão cơ bả guy tắc phâ tích đi ão đồ, phâ bi t các d g

só g de ta, beta, theta, a pha, gramma . c h đó Ch ơ g 1 cũ g trì h b y về

m i i h giữa tí hi u só g ão v cảm xúc, một s h ớ g tiếp cậ tro g hậ

d g cảm xúc áp d g tí hi u só g ão. Từ đó đ a ra ph ơ g pháp đề xuất s d g

ph ơ g pháp biế đ i wave et r i r c để phâ tích só g đi ão hằm thu đ ợc các

tham s qua trọ g tro g vi c hậ d g cảm xúc. Các tham s y sẽ đ ợc s d g

tro g phầ hậ d g cảm xúc tr cơ s phâ ớp s d g m g ơ-ron.

CHƯƠNG 2 NHẬN DẠNG CẢM XÚC DỰA TRÊN S NG ĐIỆN NÃO

SỬ DỤNG MẠNG NƠ RON

2.1 Biến đổi wavelet rời rạc trong hệ thống nhận dạng cảm xúc

2.1.1 Vai trò c a DWT trong qu tr nh nhận dạng cảm xúc

H nh 2 1 Hệ thống nhận dạng cảm xúc sử dụng EEG

Tro g h th g hậ d g cảm xúc s d g G gồm 3 phâ đo chí h: thu

thập dữ i u th th g qua thiết bị đi ão đồ tiề x , trích chọ đặc tr g,

phâ o i.

Phâ đo trích chọ đặc tr g có rất hiều ph ơ g pháp hác hau, có thể ể

đế PC , IC , R, m g ơ ro ... Mỗi một ph ơ g pháp có hữ g u điểm riêng,

từ đó đề xuất thuật toán phù hợp nhất đ i với bài toán trích chọ đặc tr g tí hi u

G. Tuy hi ph ơng pháp trích chọ đặc tr g só g đi n não s d ng biế đ i

wave et r i r c có u điểm v ợt trội hơ so với các ph ơ g pháp hác: cấu trúc đơ

giả , độ chí h xác cao, v đặc tí h đ ợc mi u tả tr cả miề th i gia v tầ s .

2.1 2 C c tham số đặc tr ng c a DWT trong việc nhận dạng cảm xúc

ể thực hi phâ đo trích chọ đặc tr g tro g h th g hậ d g cảm

xúc, uậ vă trì h b y ph ơ g pháp s d g biế đ i wave et r i r c. Cơ s dữ i u

thu đ ợc sẽ đ ợc phâ tách th h 5 th h phầ só g cơ bả : e ta, Theta, pha,

eta v Gamma. Từ các th h phầ só g cơ bả y các tham s đặc tr g ph c v

cho phâ đo phâ o i cảm xúc đ ợc tí h toá : mea , sta dard deviation,

variance, arousal, dominance, skewness, entropy, power, RMS values

a) Gi trị trung nh (Mean)

Giá trị tru g bì h một đ i ợ g điể hì h của một tập dữ i u, ó đ ợc tí h

bằ g t g tất cả các giá trị tro g tập dữ i u đó chia cho s phầ t của tập dữ i u.

Giả s chú g ta có tí hi u đ ợc m tả b i X={x1, x2, x3…x thì giá trị tru g

bì h đ ợc xác đị h b i c g thức sau:

(2.60)

b) Độ lệch chuẩn (Standard deviation)

ộ l ch chu , hay độ l ch tiêu chu n (Standard Deviation) là một đ i ợng

th ng kê mô tả dù g để đo mức độ phân tán của một tập dữ li u đã đ ợc lập thành

bảng tần s . ộ ch chu thấp đồ g ghĩa với điểm dữ i u gầ với giá trị tru g

bì h v g ợc i, ếu giá trị độ ch chu ớ thì điểm dữ i u đó cách xa giá trị

tru g bì h 14].

Giả s X một biế gẫu hi với giá trị tru g bì h , thì độ ch chu

của X đ ợc tí h b i c g thức sau:

(2.61)

c) Entropy

tropy đ ợc tí h b i c g thức:

(2.62)

d) Power

Power phép đo bi độ của tí hi u G v đ ợc tí h b i c g thức:

(2.63)

Tro g đó X tập các giá trị của tí hi u v L x độ d i của tí hi u

e) RMS value

Xét 1 tập các giá trị X1, X2, X3, … X thì giá trị RMS đ ợc tí h b i c g thức:

(2.64)

2.2 Phân lớp sử dụng mạng N -ron

2.2 1 Tổng quan về mạng Neural

2.2.1.1 Neural sinh học

Một eura đ ợc cấu gồm những thành phần chính sau: Dendrite, Soma, Synapse,

xo h Hình 2.7.

H nh 2 2 Mô hình neural sinh học

Soma là thân của neural.

Các dendrites là các dây mảnh, dài, gắn liền với soma, chúng truyền dữ li u

d ới d g xu g đi n thế đến cho soma x lý. Bên trong soma các dữ li u đó đ ợc

t ng hợp l i, có thể xem gầ đú g sự t ng hợp ấy h một phép lấy t ng tất cả

các dữ li u mà neural nhậ đ ợc.

Một lo i dây dẫn tín hi u hác cũ g gắn với soma là các axon. Khác với

dendrites, axons có khả ă g phát các xu g đi n thế, chúng là các dây dẫn tín hi u

từ eura đi các ơi hác. Chỉ hi o đi n thế tro g soma v ợt quá một giá trị

g ỡng nào đó thì axo mới phát một xu g đi n thế, còn nếu không thì nó tr ng

thái nghỉ.

Axon n i với các dendrites của các neural khác thông qua những m i n i đặc

bi t gọi sy apse. Khi đi n thế của sy apse tă g do các xu g phát ra từ axon

thì synapse sẽ nhả ra một s chất hoá học (neurotransmitters); các chất này m

"c a" tr de drites để cho các ions truyề qua. Chí h dò g io s y m thay đ i

đi n thế trên dendrites, t o ra các xung dữ li u lan truyền tới các neural khác.

Có thể tóm tắt ho t động của một eura h sau: eura ấy t ng tất cả các

đi n thế vào mà nó nhậ đ ợc, và phát ra một xu g đi n thế nếu t ng ấy lớ hơ

một g ỡ g o đó. Các eura i với nhau các sy apses. Sy apse đ ợc gọi là

m ch khi nó cho phép truyền dẫn dễ dàng tín hi u qua các eura hác. Ng ợc l i,

một synapse yếu sẽ truyền dẫn tín hi u rất hó hă .

Các sy apses đó g vai trò rất quan trọng trong sự học tập. Khi chúng ta học

tập thì ho t động của các sy apses đ ợc tă g c ng, t o nên nhiều liên kết m nh

giữa các neural. Có thể nói rằ g g i nào học càng giỏi thì càng có nhiều synapses

và các synapses ấy càng m nh mẽ, hay nói cách khác, thì liên kết giữa các neural

càng nhiều, càng nh y bén.

2.2.1.2 Neural nhân tạo

Neural nhân t o là một đơ vị tính toán có nhiều đầu vào và một đầu ra, mỗi

đầu v o đến từ một liên kết. ặc tr g của neural là một hàm kích ho t phi tuyến

chuyể đ i t hợp tuyến tính của tất cả các tín hi u đầu vào thành tín hi u đầu ra.

Hàm kích ho t y đảm bảo tính chất phi tuyến cho tính toán của m ng neural.

H nh 2 3 Mô hình một neural nhân tạo

Một eura đ ợc cầu t o gồm các thành phần chính: liên kết neural, bộ cộng,

hàm kích ho t.Liên kết neural là một thành phần của m ng neural nhận t o để liên

kết giữa các neural, nó n i đầu ra của neural lớp này với đầu vào của một neural

trong lớp hác. ặc tr g của thành phần liên kết là một trọng s mà mỗi tín hi u đi

qua đều đ ợc nhân với trọng s này. Các trọng s liên kết chính là các tham s tự

do cơ bản của m ng neuron, có thể thay đ i đ ợc nhằm thích nghi với m i tr ng

xung quanh.Bộ cộ g dù g để tính t ng các tín hi u đầu vào của eura , đã đ ợc

nhân với các trọng s liên kết t ơ g ứng. Phép toá đ ợc mô tả đây t o nên một

bộ hợp tuyến tính. Hàm kích ho t hay còn gọi hàm kích ho t phi tuyến, chuyể đ i

một t hợp tuyến tính của tất cả các tín hi u đầu vào thành tín hi u đầu ra. Hàm kích

ho t y đảm bảo tính chất phi tuyến cho tính toán m g eura . Nó đ ợc xem h

là một hàm giới h n, nó giới h n ph m vi bi độ cho phép của tín hi u đầu ra trong

một khoảng giá trị hữu h n. Mô hình neural trong Hình 2.8 còn bao gồm một h s

điều chỉ h b tác động từ bên ngoài. H s điều chỉnh b có tác d g tă g hoặc

giảm đi đầu vào thực của hàm kích ho t, tùy theo ó d ơ g hay âm.

Bảng 2 1 Một số hàm kích hoạt c ản trong mạng neural

Tên hàm Công thức

hardlim a = 0 với n < 0

a = 1 với

hardlims a = -1 với n < 0

a = 1 với

purelin a = n

Satlin a = 0 với n < 0

a = n với

a = 1 với n > 1

satlins a = -1 với n < 0

a = n với

a = 1 với n > 1

tansig

poslin a = 0 với n < 0

a = n với

compet a = 1 với neural có n lớn nhất

a = 0 với các neural còn l i

logsig

2.2.1.3 Mô hình mạng neural nhân tạo

H nh 2 4 S đồ đ n giản về một mạng neural nhân tạo

Mô hình m ng neural trên gồm 3 lớp: lớp nhập (input), lớp n(hidden) và

lớp xuất (output). Mỗi nút trong lớp nhập nhận giá trị của một biế độc lập và

chuyển vào m ng.

Dữ li u từ tất cả các nút trong lớp nhập đ ợc tích hợp – ta gọi là t ng trọng s

– và chuyển kết quả cho các nút trong lớp n. Gọi “ ” vì các út tro g ớp này

chỉ liên l c với các nút trong lớp nhập và lớp xuất, và chỉ có g i thiết kế m ng

mới biết lớp y g i s d ng không biết lớp này).

Các nút trong lớp xuất nhận các tín hi u t ng trọng hóa từ các nút trong lớp

n. Mỗi nút trong lớp xuất t ơ g ứng với một biến ph thuộc.

2.2.2 Đặc tr ng c a mạng neural

2.2.2.1 Tính phi tuyến.

Một neural có thể tính toán một cách tuyến tính hay phi tuyến. Một m ng

neural, cấu thành b i sự kết n i các neural phi tuyến thì tự nó sẽ có tính phi tuyến.

Hơ ữa, điều đặc bi t là tính phi tuyế y đ ợc phân tán trên toàn m ng. Tính phi

tuyến là một thuộc tính rất quan trọng, nhất hi các cơ chế vật lý sinh ra các tín

hi u đầu vào (ví d tín hi u tiếng nói) v n là phi tuyến.

2.2.2.2 Tính chất tương ướng đầu vào đầu ra.

Mặc dù khái ni m “học” hay “huấn luy ” ch a đ ợc bà đế h g để hiểu

đ ợc m i quan h đầu vào-đầu ra của m ng neural, chúng ta sẽ đề cập sơ qua về

khái ni m này. Một mô hình học ph biế đ ợc gọi là học với một g i d y hay

học có giám sát i qua đến vi c thay đ i các trọng s liên kết của m ng neural

bằng vi c áp d ng một tập hợp các mẫu tích lu hay các ví d tích lu . Mỗi một ví

d bao gồm một tín hi u đầu vào và một đầu ra mong mu t ơ g ứng. M ng

neural nhận một ví d lấy một cách ngẫu nhiên từ tập hợp nói trên t i đầu vào của

nó, và các trọng s liên kết của m g đ ợc biế đ i sao cho có thể cực tiểu hoá sự

sai khác giữa đầu ra mong mu v đầu ra thực sự của m ng theo một tiêu chu n

th ng kê thích hợp. Sự tích lu của m g đ ợc lặp l i với nhiều ví d trong tập hợp

cho tới khi m g đ t tới một tr ng thái định mà đó h g có một sự thay đ i

đá g ể nào của các trọng s liên kết. Các ví d tích lu đ ợc áp d g tr ớc có thể

đ ợc áp d ng l i trong th i gian của phiên tích lu h g theo một thứ tự khác.

Nh vậy m ng neural học từ các ví d bằng cách xây dựng nên một t ơ g ứ g đầu

vào-đầu ra cho vấ đề cần giải quyết.

2.2.2.3 Tính chất thích nghi.

Các m ng neural có một khả ă g mặc định là biế đ i các trọng s liên kết

tuỳ theo sự thay đ i của m i tr g xu g qua h. ặc bi t, một m g eura đã

đ ợc tích lu để ho t động trong một m i tr g xác định có thể đ ợc tích lu

l i một cách dễ dàng khi có nhữ g thay đ i nhỏ của các điều ki m i tr ng

ho t động.

2.2.2.4 Tính chất đưa ra lời giải có bằng chứng.

Trong ngữ cảnh phân lo i mẫu, một m ng neural có thể đ ợc thiết kế để đ a

ra thông tin không chỉ về mẫu đ ợc phân lo i, mà còn về sự tin cậy của quyết định

đã đ ợc thực hi n. Thông tin này có thể đ ợc s d g để lo i bỏ các mẫu mơ hồ

hay nhập nhằng.

2.2.2.5 Tính chất chấp nhận sai xót.

Một m ng eura , đ ợc c i đặt d ới d ng phần cứng, v n có khả ă g chấp

nhận lỗi, hay khả ă g tí h toá th , với ghĩa tí h ă g của nó chỉ thoái

hoá khi có những điều ki n ho t động bất lợi. Ví d , nếu một neural hay các liên

kết kết n i của nó bị hỏng, vi c nhận d ng l i một mẫu đ ợc u trữ sẽ suy giảm về

chất ợng.

2.2.2.6. Khả năng cài đặt VLSI (Very-large-scale-intergrated).

Bản chất so g so g đồ sộ của một m ng neural làm cho nó rất nhanh trong

tí h toá đ i với một s công vi c. ặc tí h y cũ g t o ra cho một m ng neural

khả ă g phù hợp cho vi c c i đặt s d ng k thuật Very-large-scale-intergrated

(VLSI). K thuật này cho phép xây dựng những m ch cứng tính toán song song quy

mô lớn. Chính vì vậy m u điểm n i bật của VLSI là mang l i nhữ g ph ơ g ti n

hữu hi u để có thể x đ ợc nhữ g h h vi có độ phức t p cao.

2.2.2.7 Tính chất đồng dạng trong phân tích và thiết kế.

Về cơ bản, các m ng neural có tính chất chu g h các bộ x lý thông tin.

Chú g ta u ra điều này với cù g ghĩa cho tất cả các ĩ h vực có liên quan tới

vi c ứng d ng m g eura . ặc tính này thể hi n một s điểm h sau:

 Các eura , d ới d ng này hoặc d ng khác, biểu diễn một thành phần chung

cho tất cả các m ng neural.

 Tính th ng nhất y đem i khả ă g chia sẻ các lý thuyết và các thuật toán

học trong nhiều ứng d ng khác nhau của m ng neural.

 Các m ng t hợp (modular) có thể đ ợc xây dựng thông qua một sự tích hợp

các mô hình khác nhau.

2.2.3 Phân loại mạng neural nhân tạo.

2.2.3.1. Phân loại theo kiểu liên kết neural.

Ta có m ng neural truyền thẳng và neural m ng qui hồi. Trong m ng truyền

thẳ g các eura đi theo một h ớng nhất định t o th h đồ thị không có chu trình,

các đỉnh là các neural còn các c nh là các liên kết giữa chúng. Các m ng qui hồi

cho phép các liên kết neural t o thành chu trình, các thông tin ra của các neural

đ ợc truyền l i cho các eura đã góp phần kích ho t chúng, nên m ng qui hồi còn

có khả ă g u giữ tr ng thái trong của ó d ới d g các g ỡng kích ho t ngoài

các trọng s liên kết neural.

2.2.3.2 Một số loại mạng neural.

a) Mạng dẫn tiến

Có thể nói m ng neural dẫn tiến là một kiểu m g đơ giản trong vi c sắp đặt

m ng. Trong m ng này thông tin chỉ truyền trên một h ớng duy nhất từ lớp đầu vào

xuyên qua lớp n (nếu có) và kết thúc t i lớp đầu ra. Không có chu trình hoặc vòng

trong m ng.

Các mạng dẫn tiến đơn mức

Trong một m ng neural phân mức, các eura đ ợc t chức d ới d ng các

mức. Với d g đơ giản nhất của m ng phân mức, chúng ta có một mức đầu vào

gồm các nút nguồn chiếu trực tiếp tới mức đầu ra gồm các neural.

Mức đầu vào Mức đầu ra

H nh 2 1 Mạng tiến với một mức neural

Nh vậy, m ng thực sự h g có chu trì h. Nó đ ợc minh ho trong Hình

2.10 cho tr ng hợp ba út đ i với cả mức đầu ra v đầu vào. Một m g h vậy

đ ợc gọi là một m g đơ mức. “ ơ mức” tức là chỉ có một mức, chính là mức

đầu ra gồm các nút tính toán (các neural). Chúng ta không tính mức đầu vào của các

nút nguồ vì h g có tí h toá o đ ợc thực hi n đây.

Các mạng dẫn tiến đa mức

Lớp thứ hai của một m ng neural dẫn tiế đ ợc phân bi t b i sự có mặt của

một hay nhiều mức n, mà các nút tính toán của chú g đ ợc gọi là các neural n

hay các đơ vị n (thuật ngữ “ ” đây ma g ghĩa h g tiếp xúc với môi

tr ng). Chức ă g của các neural n là can thi p vào giữa đầu v o v đầu ra của

m ng một cách hữu hi u. Bằng vi c thêm một vài mức n, m ng có khả ă g rút ra

đ ợc các th ng kê bậc cao của tín hi u đầu vào. Khả ă g các eura rút ra đ ợc

các th ng kê bậc cao đặc bi t có giá trị khi mức đầu v o có ích th ớc lớn.

M ng neural trong Hình 2.11 đ ợc gọi là kết n i đầy đủ với ghĩa tất cả

các nút trong mỗi mức của m g đ ợc n i với tất cả các nút trong mức tiếp sau.

Nếu một s kết n i không tồn t i trong m ng, chúng ta nói rằng m ng là kết n i

h g đầy đủ.

Mức đầu vào Mức n Mức đầu ra

gồm các nút gồm các gồm các

nguồn neural eura đầu ra

H nh 2 6 Mạng tiến kết nối đầy đ với một mức ẩn và một mức đầu ra

b) Mạng quy hồi

Trái với m ng neural dẫn tiến, m ng neural quy hồi là những mô hình với hai

luồng dữ li u có h ớng. Trong khi m ng dẫn tiến truyền dữ li u theo một đ ng

thẳng thì những m ng neural quy hồi có ít nhất một phản hồi từ những neural x lý

sau quay tr l i các neural x tr ớc đó.

H nh 2 7 Mạng hồi quy không có neural ẩn và không có vòng lặp tự phản hồi

H nh 2 8 Mạng hồi quy có các neural ẩn

2.2.4 Xây dựng mạng neural.

Về cơ bản ta có thể hiểu m ng neural là một đồ thị có h ớ g h Hình 2.14.

Tro g đó các đỉnh của đồ thị là các neural và các c nh của đồ thị là các liên kết giữa

các neural.

H nh 2 9 S đồ đồ thị c h ớng đ n giản

Vì vậy để xây dựng một m ng neural ta xây dựng một đồ thị có h ớng: s

đỉnh của đồ thị bằng s neural trong m ng, giá trị của các c nh chính là trọng s liên

kết neural.

Ví dụ xây dựng một mạng neural đơn giản:

ầu vào: Cho M ng neural có sô lớp (với sô lớp>1). Mỗi lớp có s neural

trong một lớp (s neural>=1).

Trọng s w liên kiết neural ngẫu nhiên trong khoảng (-a, a).

ầu ra: M ng neural nhân t o.

Kiểu dữ li u: chọ u dữ kiểu mảng

int s lớp;

int s neural[s lớp];

float w[i][j][k]; với 2<=i<=s lớp, 1<=j,k<=s neural[] ,

Thuật toán:

ớc 1: Chọn lớp i=2 là lớp bắt đầu

ớc 2: Chọn lớp i là lớp hi n th i.

ớc 3: T i lớp đa g xét i, xét eura thứ j.

ớc 4: Thực hi n kh i t o ngẫu nhiên trọng s kết n i với neural k của lớp

i-1 trong khoảng (-a,a).

w(i,j,k)=random(-a,a)

ớc 5: Nếu k <= s neural[i-1] quay l i “ ớc 4”, g ợc l i thực hi n

“ ớc 6”.

ớc 6: Nếu j<= s neural[i] quay l i “ ớc 3”, g ợc l i thực hi “ ớc

7”.

ớc 7: Nếu i<=s lớp quay l i “ ớc 3”. Ng ợc l i kết thúc.

2.2.5. Huấn luyện mạng neural.

2.2.5.1 Phương pháp học.

M ng neural nhân t o phỏng theo vi c x lý thông tin của bộ ão g i, do

vậy đặc tr g cơ bản của m ng là có khả ă g học, khả ă g tái t o các hình ảnh và

dữ li u hi đã học. Trong tr ng thái học th g ti đ ợc lan truyền theo hai chiều

nhiều lầ để học các trọng s . Có 3 kiểu học chính, mỗi kiểu học t ơ g ứng với một

nhi m v học trừu t ợ g. ó học có giám sát (có mẫu), học không giám sát và

học tă g c g. Th g th ng lo i kiến trúc m g o cũ g có thể dù g đ ợc cho

các nhi m v .

a) Học có giám sát.

Một thành phần không thể thiếu của ph ơ g pháp y sự có mặt của một

g i thầy ( bên ngoài h th g . Ng i thầy này có kiến thức về m i tr ng thể

hi n qua một tập hợp các cặp đầu vào - đầu ra đã đ ợc biết tr ớc. H th ng học (

đây m ng neural) sẽ phải tìm cách thay đ i các tham s bên trong của mình (các

trọng s v các g ỡ g để t o nên một ánh x có khả ă g á h x các đầu vào

th h các đầu ra mong mu n. Sự thay đ i y đ ợc tiến hành nh vi c so sánh giữa

đầu ra thực sự v đầu ra mong mu n.

b) Học không giám sát.

Trong học h g có giám sát, ta đ ợc cho tr ớc một s dữ li u x và hàm chi

phí cầ đ ợc cực tiểu hóa có thể là một hàm bất kỳ của dữ li u x v đầu ra của

m ng, f – h m chi phí đ ợc quyết định b i phát biểu của bài toán. Phần lớn các ứng

d ng nằm trong vùng của các b i toá ớc ợ g h m hì h hóa th ng kê, nén,

lọc, phân c m.

c) Học tăng cường.

Dữ li u x th g h g đ ợc t o tr ớc m đ ợc t o ra trong quá trình một

age t t ơ g tác với m i tr ng. T i mỗi th i điểm t, agent thực hi h h động yt

và môi tr ng t o một quan sát xt với một chi phí tức th i Ct, theo một quy trình

độ g o đó th g h g đ ợc biết). M c tiêu là một sách ợc lựa chọn hành

độ g để cực tiểu hóa một chi phí dài h o đó, ghĩa chi phí tích ũy mo g đợi.

Quy trình ho t động của m i tr ng và chi phí dài h n cho mỗi sách ợc th ng

h g đ ợc biết, h g có thể ớc ợng đ ợc. M ng neural nhân t o th g đ ợc

dùng trong học tă g c g h một phần của thuật toán toàn c c. Các bài toán

th g đ ợc giải quyết bằng học tă g c g các b i toá điều khiể , trò chơi v

các nhi m v quyết định tuần tự (sequential decision making) khác.

2.2.5.2. Thuật toán học.

a) Thuật toán học của mạng neural một lớp.

Xét tr ng hợp perceptron s d ng hàm kích ho t g ỡng:

(2.65)

Nếu ta cho w0=-t và v0=1, ta có thể viết l i

(2.66)

Thuật toán:

Thuật toán học của perceptron hay m ng neural một lớp gồm 3 b ớc chính:

ớc 1: Kh i t o:

Kh i t o trọng s w (0 hoặc ngẫu nhiên).

Chọn t c độ học µ.

ớc 2: Học

Với mỗi mẫu (x,t) trong tập học.

Tính y=f(x, w).

Nếu y!=t thay đ i vectơ trọng s w với:

w(mới cũ + µ t-y)x;

ớc 3: lặp l i b ớc 2 cho tất cả các mẫu.

Nhận xét:

- Ph ơ g trì h w.v=0 chí h si u phẳng trong không gian d-chiều, suy

ra perceptron có khả ă g phâ ớp tuyến tính, có khả ă g giải bài toán quy hồi

tuyến tính.

- H n chế: Không thể phân lớp phi tuyến.

- Giải pháp: s d ng m ng neural nhiều tầng MLP

b) Thuật toán học của mạng neural nhiều lớp.

Huấn luy n m ng neural nhiều lớp s d ng thuật toán Lan truyề g ợc gồm hai

quá trình: Quá trình truyền tuyến tính và quá trình truyề g ợc:

Quá trình truyền tuyến tính: Dữ li u từ lớp nhập qua lớp v đến lớp xuất để:

 Thay đ i giá trị của trọng s liên kết W của các neural trong

m ng biểu diễ đ ợc dữ li u học.

 Tìm ra sự khác nhau giữa giá trị thật hàm mẫu mà m ng tính

đ ợc và kết quả dự đoá của m ng gọi là lỗi (học có giám sát).

Quá trình truyề g ợc: Giá trị lỗi sẽ đ ợc truyề g ợc l i sao cho quá trình

huyến luy n (học) sẽ tìm ra trọng s Wi để lỗi nhỏ nhất.

Thuật toán:

Xét m ng neural 3 lớp: input, hiden và output.

Hàm kích ho t các neural: logistic (sigmoid).

(2.67)

ớc 1: Kh i t o trọng s w ngẫu nhiên nhỏ.

ớc 2: Chọn lớp đầu v o x v đí h ó vào lớp đầu vào

ớc 3: Truyền sự kích ho t qua trọng s đến khi kich ho t các eura đầu ra.

ớc 4: Tí h đ o h m ri g “δ ” theo trọng s cho lớp xuất. S d ng

GRADIENT của hàm lỗi.

ớc 5: Tí h đ o h m ri g “δ ” theo trọng s cho lớp n. S d ng

GRADIENT của hàm lỗi.

ớc 6: Cập nhật tất cả trọng s theo Wi=W(i-1)-µ δ / δ Wi)

ớc 7: quay ai “ ớc 2” cho đế “ ớc 6” cho tất cả các mẫu.

Tro g đó: GR I NT h m ỗi:

i với các neural lớp đầu ra:

Hì h 2. 10 Cấu hì h m g ơ-ro v các h m v o ra

Hàm lỗi:

(2.68)

(t là giá trị thật của mẫu huấn luy n)

o hàm riêng của hàm lỗi theo trọng s b:

(2.69)

Ta có:

ặt:

Ta đ ợc:

(2.70)

i với các neural lớp n:

o hàm riêng của hàm lỗi theo trọng s :

(2.71)

Ta có:

;

ặt:

Ta đ ợc:

Sau hi tí h đ ợc đ o hàm riêng của hàm lỗi theo từng trọng s , trọng s sẽ đ ợc

điều chỉnh bằng cách trừ bớt đi 1 ợng bằng tích của đ o hàm riêng và t c độ học:

(2.72)

Những hạn chế c a ph ng ph p lan truyền ng ợc:

Ngoài những thành công của giải thuật học lan truyề g ợc, vẫn còn có một

s khía c nh làm cho giải thuật tr ch a đ ợc bảo đảm là mọi úc đều t t. Khó

hă chủ yếu là quá trình huấn luy n lâu. Có thể do nhịp độ học v động lực

không t i u. Sự sai sót trong vi c huấn luy n nói chung xuất hi n từ hai nguồn:

m ng li t và những cực tiểu địa ph ơ g.

M ng li t: xảy ra khi những trọng s đ ợc điều chỉnh tới những giá trị rất lớn.

T g đầu vào của một đơ vị n hoặc đơ vị đầu ra có thể b i vậy m đ t giá trị rất

cao (hoặc d ơ g hoặc âm), và qua hàm kích ho t sigmoid, đơ vị sẽ có một giá trị

kích ho t rất gần 0 hoặc rất gần 1. Giá trị hi u chỉnh trọng s gần 0, và quá trình

huấn luy n có thể đi đến một tr ng thái dừng ảo.

Cực tiểu địa ph ơ g: bề mặt sai s của m ng rất phức t p đầy những ngọ đồi

và nhữ g thu g ũ g. i vì sự h độ d c, m ng có thể bị mắc bẫy t i một cực tiểu

địa ph ơ g hi có hiều cực tiểu thấp hơ gần bên c nh. Nhữ g ph ơ g pháp th ng

kê có thể giúp để tránh cái bẫy y, h g chú g m chậm. Một ph ơ g á hác

tă g th m s ợ g đơ vị . Nh vậy sẽ làm vi c trong không gian sai s nhiều

chiều, cơ hội gặp bẫy nhỏ hơ . Tuy hi vi c tă g cũ g có giới h n trên, khi

v ợt qua giới h y, cơ hội mắc bẫy l i tă g .

2.2.6. Thu thập dữ liệu cho mạng neural.

Một khi ta quyết định giải quyết một vấ đề s d ng những m ng neural ta

cần phải thu thập dữ li u cho m c tiêu huấn luy n. Tập hợp dữ li u huấn luy n bao

gồm một s tr ng hợp, mỗi tr ng hợp chứa những giá trị của đầu vào vả đầu ra

khác nhau. Những vi c đầu tiên cần làm là: những biế o đ ợc s d ng, bao

nhiêu tr ng hợp cần thu thập.

Sự lựa chọn do trực giác quyết định. Công vi c chuyên môn của ta tro g ĩ h

vực cần giải quyết sẽ cho ta nhữ g t ng về các biế đầu vào phù hợp. Trong

những m ng neural ta có thể chọn và lo i bỏ nhiều biến và m g eura cũ g có thể

xác định bằng quá trình thực nghi m. Trong một b ớc ta tí h đến bất kỳ biến

o m ta ghĩ có ả h h g đến quá trình thiết kế.

Những m ng neural x lý dữ li u s trong một tầm giới h rõ r g. iều này

đ a ra một vấ đề, nếu dữ li u nằm trọng một vù g đặc bi t h dữ li u ch a biết

hay không phải dữ li u s . Thì phải có nhữ g ph ơ g pháp x lý thích hợp, chẳng

h n. Dữ li u s đ ợc chia nhỏ thành những khoảng thích hợp cho m ng và những

giá trị thiếu có thể thay thế bằng giá trị trung bình hay giá trị th ng kê của biế đó

thông qua những biế hác đã đ ợc huấn luy n.

X lý dữ li u không phải s thì hó hơ . Lo i dữ li u không phải là s thông

th ng nhất là những biến có giá trị đị h da h h giới tính(nam, nữ). Biế định

danh có thể biểu diễn bằng s học và m ng neural có chức ă g hỗi trợ điều này.

Tuy nhiên, m ng neural làm vi c t t với nhữ g tr ng hợp biế định danh là một

tập nhiều giá trị.

S tr ng hợp mẫu dù g để huấn luy n m ng rất hó xác đị h. ã có một vài

h ớng dẫn về m i liên h giữa s tr ng hợp mẫu với ích th ớc m g cách đơ

giản nhất là s tr ng hợp mẫu gấp 10 lần s kết n i trong m ng). Thực ra s

tr ng hợp mẫu cũ g có i qua đế độ phức t p của hàm mà m ng phải học. Khi

s biế tă g , s tr ng hợp mẫu cần huấn luy n cũ g tă g phi tuyến, vì thế với

s các biến nhỏ(50 hoặc nhỏ hơ thì i cần một s lớ các tr ng hợp mẫu.

Trong hầu hết các vấ đề trong thực tế, s tr ng hợp mẫu là khoảng hàng

trăm hay h g ghì mẫu. i với những vấ đề rất phức t p thì cần nhiều hơ ,

h g tr ng hợp này rất ít. Nếu dữ li u huấn luy ít hơ , rõ r g h g đủ thông

ti để huấn luy n m ng, và cách t t nhất là dùng m ng tuyến tính. Nhiều vấ đề

trong thực tế có dữ li u h g đá g ti cậy, một vài dữ li u bị phá hỏng do li u do

nhiễu, hoặc các giá trị không ph i hợp đựợc với nhau. M ng neural có khả ă g

đặc bi t x lý dữ li u bị mất(s d ng giá trị trung bình hay các những giá trị th ng

kê khác). M g eura cũ g chịu đ ợc nhiễu, h g cũ g phải có giới h n. Nếu

thỉnh thoảng có giá trị nằm xa ra khỏi vùng giá trị bì h th ng thì m ng huấn luy n

phải có g ỡng. Cách t t nhất đ i với tr ng hợp này là nhận ra và lo i bỏ những

giá trị nằm xa đó có thể hủy tr ng hợp này hoặc xem giá trị nằm xa này là giá trị

bị mất ). Nếu giá trị này khó nhận ra, m ng neural có chức ă g huấn luy n chịu

đ ợc giá trị nằm khỏi vù g y h g huấn luy y th ng kém hi u quả hơ

huấn luy n chu n.

Tóm l i cách thu thập dữ li u có thể nói gọn l i h sau:

1. Chọn những giá trị huấn luy n có tác d ng.

2. Dữ li u s và biến có giá trị định danh có thể x lý trực tiếp bằng m ng

neural. Chuyển những lo i biến khác sang một trong các d ng này.

3. Cầ h g trăm hoặc h g g tr ng hợp mẫu huấn luy n; càng nhiều

biến thì càng nhiều mẫu huấn luy n. M ng neural có khả ă g nhận ra

những biến hữu d g để huấn luy n.

2.2.7 Biểu diễn chi thức cho mạng neural

Chúng ta có thể đ a ra đị h ghĩa về tri thức h sau:

Tri thức chí h th g ti đ ợc u trữ hay các m hì h đ ợc co g i và

máy móc s d g để biểu diễn thế giới thực, phá đoá về thế giới và có nhữ g đáp

ứng phù hợp với thế giới bên ngoài.

Các đặc tí h cơ bản của diễn tri thức là:

 Thông tin gì thực sự đ ợc biểu diễn.

 Làm thế o th g ti đ ợc mã hóa một cách vật lý cho vi c s d ng

sau này. Trong các ứng d ng thực tế của các máy tính thông minh, có

thể nói rằng một giải pháp t t ph thuộc vào một biến tri thức t t. iều

đó cũ g đú g với các m ng neural, một lớp đặc bi t của các máy thông

minh. Tuy nhiên, các d ng biểu diễn có thể từ các đầu vào thành các

tham s bên trong của m ng là rất đa d g, v có huy h h ớng là cho

vi c tìm ra một giải pháp thích hợp nhằm biểu diễn tri thức bằng

ph ơ g ti n m ng neural tr nên một sự thách thức về thiết kế.

Ở đây cần nhấn m nh rằng m g eura u trữ thông tin về thế giới thực bằng

chính bản thân cấu trúc của nó kể cả về mặt hình d g cũ g h giá trị tham s bên

trong(có thể thay đ i đ ợc để nắm bắt môi ). Một nhi m v chính của m ng neural

là học một mô hình của thế giới thực để đ t đ ợc một s m c đích xác định cần

quan tâm. Tri thức của thế giới bao gồm hai lo i thông tin sau:

 Tr ng thái thế giới đã biết, đ ợc biểu diễn b i các sự ki n về những cái

đã biết; d ng tri thức y đ ợc xem h các th g ti ba đầu.

 Các qua sát đo đ c) về thế giới, thu nhập đ ợc thông qua các bộ cảm

biế đ ợc thiết kế để thăm dò m i tr g m tro g đó m ng ho t động.

Nói chung, các quan sát này luôn bị nhiễu và sai l ch do nhiều nguyên

nhân khác nhau. Các quan sát thu nhậ đ ợc h vậy cung cấp một qu

thông tin, mà từ đó ấy ra các ví d đ ợc dù g để huấn luy n m ng

neural.

Do cấu trúc một m g eura v cù g đa d g, để có thể biểu diễn tri

thức một cách có hi u quả, g i ta đ a ra b n quy tắc chung sau:

Quy tắc 1: Các đầu v o t ơ g tự từ các lớp t ơ g tự cần phải luôn t o ra

những biểu diễ t ơ g tự trong m g, v h vậy đ ợc phân lớp thuộc về cùng

một lo i. Trong tiêu chu y, g i ta th ng s d ng một s th ớc đo để xác

đị h độ “t ơ g tự” giữa các đầu vào (ví d khoảng cách euclide).

Quy tắc 2: Các phần t mà có thể phân ra thành các lớp riêng bi t thì nên có

những biểu diễ hác hau đá g ể trong m ng.

Quy tắc 3: Nếu một đặc tr g o đó đặc bi t quan trọng thì nên có một s

ợng lớ eura i qua đến vi c biểu diễ đặc tr g y tro g m ng. S ợng

lớn các neural bảo đảm mức độ chính xác cao trong vi c thực hi n các quyết định

và nâng cao khả ă g chịu đựng các neuron hỏng.

Quy tắc 4: Th g ti ba đầu và các tính chất bất biế đ ợc đ a v o tro g

thiết kế ba đầu của một m g eura , v h vậy sẽ giảm bớt gánh nặng cho quá

trình học. Quy tắc 4 đặc bi t quan trọng vì nếu chúng ta áp d ng nó một cách thích

hợp sẽ dẫ đến khả ă g t o ra các m ng neural với một kiến trúc chuyên bi t. iều

này thực sự đ ợc quan tâm do một s nguyên nhân sau:

 Các m ng neural thị giác và thính giác sinh học đ ợc biết là rất chuyên bi t.

 Một m ng neural với cấu trúc chuyên bi t th ng có một s ợng nhỏ các

tham s tự do phù hợp cho vi c chỉ h hơ một m ng kết n i đầy đủ.

Nh vậy m ng neural chuyên bi t cần một tập hợp dữ li u nhỏ hơ cho vi c

tích lu ; nó học sẽ ha h hơ , v th ng có khả ă g t ng quát hoá t t hơ .

 T c độ chuyển thông tin qua một m ng chuyên bi t ha h hơ .

 Giá của vi c xây dựng một m ng chuyên bi t sẽ nhỏ hơ do ích th ớc nhỏ

của nó so với m ng kết n i đầy đủ.

2.2.8 Một số vấn đề c a mạng neural

Khi xây dựng một ứng d ng m ng neural chúng ta cần quan tâm một s vấn

đề sau:

Vấ đề về kiến trúc m ng neural: neural nào n i với eura o? ây chí h

sự lựa chọn mô hình của m ng neural. Nó sẽ ph thuộc vào sự trình bày dữ li u và

ứng d ng. Những mô hình phức t p quá dẫ đến những vấ đề lựa chọn quá trình

huấn luy n hay là vi c lựa chọn giải thuật học.

Lựa chọn giải thuật học: đây có hiều sự cân bằng giữa các giải thuật học.

Gầ h bất kỳ giải thuật nào sẽ làm t t với độ chính xác của các siêu tham s cho

vi c huấn luy n trên tập dữ li u c định cho trứớc. Tuy nhiên sự lựa chọ v điều

h ớng của giải thuật cho vi c huấn luy n trên các tập dữ li u này cần thực hi n

nhiều thí nghi m, đó điều rất quan trọng. Trên một mô hình nếu lựa chọn giải

thuật v h m đá h giá phù hợp thì m ng neural có thể cho kết quả rất t t.

Trọng s của các cung n i v g ỡ g thay đ i th g xuy . ã có hiều

nghiên cứu về vấ đề y v cũ g đã có một s kết quả :

Nếu m ng gây ra lỗi, thì có thể xác định neural nào gây ra lỗi => điều chỉnh

eura đó.

Với cách tiếp cận này, m ng phải biết rằng nó gây ra lỗi.

Trong thực tế, lỗi chỉ đ ợc biết sau một th i gian dài.

Chức ă g của nột eura h g quá đơ giả h m hì h. i vì m ng

neural ho t độ g h một hộp đe .

Một số h ớng dẫn khi sử dụng mạng neural.

Xây dựng m ng kh i t o(dùng một lớp n có s neural= ½ t ng s neural của

lớp nhập và lớp xuất).

Huấn luy n m ng dùng các giải thuật huấn luy n. Nên thực hi n trên nhiều

m ng khác hau để trá h tr ng hợp cực tiểu c c bộ.

Nếu máy “Kh g thuộc b i” => th m một vài neural cho tầng n.

Ng ợc l i nếu máy “Học vẹt”=> bớt một vài neural ra khỏi tầng n.

Khi đã tìm đ ợc một kiến trúc m g t ơ g đ i t t lấy mẫu l i tập dữ li u và

huấn luy n l i để tìm các m ng mới.

2.2.9 Ứng dụng c a mạng neural

M ng neural trong một v i ăm tr l i đây đã đ ợc nhiều g i quan tâm và

đã áp d ng thành công trong nhiều ĩ h vực hác hau, h t i chí h, y tế, địa chất

và vật lý. Thật vậy, bất cứ đâu có vấ đề về dự báo, phân lo i v điều khiển, m ng

eura đều có thể ứng d g đ ợc. Ví d h hả ă g hận d ng mặt g i trong

các h th ng quả th g ti i qua đế co g i (quản lý nhân sự các công

s , doanh nghi p; quản lý học sinh, sinh viên tro g các tr ng trung học, đ i học và

cao đẳ g;… ; các g h hoa học hình sự, tội ph m; khoa học t ớng s , t vi,…

Kết hợp chặt chẽ với logic m , m ng neural nhân t o đã t o nên cuộc cách

m ng thực sự trong vi c thông minh hóa và v ă g hóa các bộ điều khiển k thuật

cao cho cả hi ay v tro g t ơ g ai. Ví d h ứng d ng tự độ g điều khiển h

th ng lái tàu, h th ng dự báo sự c ,…

M ng neural dựa trên vi c mô phỏng cấp thấp h th ng neural sinh học. Trong

t ơ g ai với sự phát triển mô phỏng neural sinh học, chúng ta có thể có lo i máy

tính thông minh thật sự.

2.3 Kết luận

Ch ơ g 2 trì h b y về cơ s thuyết của ph ơ g pháp biế đ i wave et, cách

tí h toá ra các tham s cầ thiết cho quá trì h phâ o i các tr g thái cảm xúc,

b c h đó trọ g tâm v o thuyết về m g ơ-ro , cách xây dự g một m g ơ-

ro , cách huấ uy m g, cách ựa chọ s ớp , hay ph ơ g thức học cũ g h

thuật toá học.

CHƯƠNG 3 THI T K HỆ THỐNG M PHỎNG

3.1 Chuẩn ị dữ liệu mẫu

Tro g uậ vă y dữ i u đ ợc thu thập bằ g vi c s d g motiv poc

headset gồm 14 đi cực 3, 7, 3, C5, T7, P7, O1, O2, P8, T8, C6, 4, 8

v 4 v 2 đi cực tham chiếu Hì h 3.1 . Các đi cực y đ ợc gắ theo h

10-20%. ữ i u chu gồm 3 tr g thái: ì h th g, vui, buồ . Mỗi tr g thái

đ ợc ấy mẫu 500 ầ v đ ợc u trữ d ới d g fi e.mat.

H nh 3 1 Emotive Epoc Headset

Tí hi u G đ ợc phâ tách th h các só g cơ bả s d g biế đ i wave et

r i r c: de ta, a pha, theta, beta, gamma.

Từ cơ s dữ i u y ta tiế h h vi c phâ tích v tìm ra các th g s đặc

tr g: mea , power, sta dard deivatio , entropy, RMS va ues s d g c g c đã

đ ợc thiết ế chuy đề “ứng d ng biế đ i wavelet cho trích chọ đặc tr g tí

hi u đi n não trong h th ng nhận d ng cảm xúc”.

3.2 Phân lớp trạng th i cảm xúc sử dụng mạng N -ron

Tro g các tham s thu đ ợc sau quá trì h trích chọ đặc tr g thì 3 tham s

rousa , Va a ce, omi a ce đ ợc s d g cho quá trì h phâ ớp các tr g thái

cảm xúc s d g m g Nơ-ro Hì h 3.2 .

H nh 3 2 S đồ cấu trúc phân loại cảm xúc sử dụng mạng N -ron

3 2 1 Xây dựng mạng N -ron

3.2.1.1 liệu đầu vào

ữ i u gồm tr g thái cảm xúc, mỗi tr g thái đ ợc ấy mẫu ầ , v 3 tham

s arousal (a), valance (v), dominance (d) đ ợc s d g để hậ d g cảm xúc, do

đó ma trậ đầu v o gồm 3 h g v cột.

ữ i u mẫu gồm 3 tr g thái cảm xúc ), mỗi tr g thái đ ợc ấy mẫu 500 ầ

( ), do đó ma trậ đầu v o đ ợc xác đị h h sau:

Tro g đó: thì chỉ s m s ợ g tr g thái cảm xúc mo g mu đ t đ ợc,

s ầ ấy mẫu của mỗi tr g thái cảm xúc

3.2.1.2 liệu đầu ra

Giả s b i toá đặt ra phâ bi t m tr g thái cảm xúc, do đó ma trậ đầu ra ma

trậ đơ vị m h g v m cột.

ể iểm chứ g thuật toá , uậ vă đặt ra phâ o i 3 tr g thái cảm xúc: vui, buồ ,

bì h th g, do đó ma trậ đầu ra ma trậ đơ vị 3 h g v 3 cột.

3.2.1.3 hiết lập các th ng số cho mạng ơ-ron

a) Số lớp ẩn

Th g qua thực ghi m thì s ớp đ ợc ựa chọ 5.

) Ph ng ph p học

Phần lớn các ứng d ng nằm trong vùng của các b i toá ớc ợ g h m

hình hóa th ng kê, nén, lọc, phân c m, ph ơ g pháp học đ ợc ựa chọ học

h g có giám sát. Nghĩa cho tr ớc một s dữ li u x và hàm chi phí cầ đ ợc cực

tiểu hóa có thể là một hàm bất kỳ của dữ li u x v đầu ra của m ng, f – hàm chi phí

đ ợc quyết định b i phát biểu của bài toán.

c) Thuật to n học

ể huấn luy n m ng neural nhiều lớp s d ng thuật toán Lan truyề g ợc gồm hai

quá trình: Quá trình truyền tuyến tính và quá trình truyề g ợc.

Quá trình truyề g ợc: Giá trị lỗi sẽ đ ợc truyề g ợc l i sao cho quá trình huyến

luy n (học) sẽ tìm ra trọng s Wi để lỗi nhỏ nhất.

d) Hàm k ch hoạt

H m ích ho t đ ợc ựa chọ h m ogistic sigmoid có ph ơ g trì h toá học

h sau:

g(x)= (1.3)

3.2.2 Huấn luyện mạng n -ron

Thuật toá cho m ng nơ-ron 3 lớp: đầu v o, ớp và đầu ra.

Hàm kích ho t các neural: logistic (sigmoid).

g(x)=

H nh 3 3 L u đồ thuật to n huấn luyện mạng n -ron

H nh 3 4 Cấu trúc mạng n -ron

3 2 3 Ch ng tr nh luyện mạng N -ron trên Matlab/toolbox

% T o n -ron

net = network();

% l n l p n

net.layers{1}.size = 5;

% hà tru n c a l p n

net.layers{1}.transferFcn = 'logsig';

% xe c u tr c c a n n -ron

net = configure(net,inputs,outputs);

view(net);

H nh 3 5 Cấu trúc c a mạng n -ron nhiều lớp 5 lớp ẩn 3 mẫu dữ liệu đầu vào

Hì h 3. 6 Chất ợ g của quá trì h uy m g Nơ-ron

H nh 3 7 C c gi trị gradient mu và val fail c a qu tr nh luyện mạng

3.3 THI T K GIAO DIỆN MATLAB GUIDE

3.3.1 Matlab GUI

GUI-là giao di n bằng hình ảnh của ch ơ g trì h

GUI bao gồm các nút nhấn, hộp li t , tha h tr ợt, me u… chú g cu g cấp cho

g i dùng s d ng một m i tr ng làm vi c thân thi để họ tập trung vào các ứng

d ng của ch ơ g trì h hơ đi tìm hiểu cách thức làm vi c của ch ơ g trì h đó.

3.3.1.1 h i tạo

ể m công c t o GUI:

File>>New>>GUI

hoặc tr c a s h của mat ab: comma d wi dows  guide

Khi u giao di n vừa t o, Matlab sẽ t o ra hai fi e có cù g t h g hác phần m

rộng:

- File có phần m rộng .fig chứa nội dung của giao di n

- File có phần m rộng .m chứa nhữ g đo mã i qua đến giao di n

Khi thiết kế bất cứ thành phần nào của Gui ta cần thiết lập thuộc tính cho thành

phầ đó.

ể thiết lập các thuộc tính ta có thể chọn m c “Property I spector” tr tha h c g

c hoặc right-c ic v o đ i t ợng và chọn m c “I spector Properties”.

Hai thuộc tính quan trọng mà ta cần xác lập “Stri g Property” v “Tag Property”.

- String property: dòng ký tự xuất hi tr đ i t ợng.

- Tag property: tên của đ i t ợng.

Khi click chuột v o 1 đ i t ợng, Matlab sẽ gọi h m t ơ g ứng với đ i t ợ g đó.

Tên của hàm chính là tên của đ i t ợng cộng với “_Ca bac ”

3.3.1.2 Các hàm thường d ng trong lập tr nh

Set : Thay đ i giá trị của các thuộc tính của một đ i t ợng giao di n

set(handles.TextBox,‟ String‟ ,str) Get : Truy xuất giá trị của thuộc tính của một

đ i t ợng giao di n get(handles.EditBox,‟ String‟ )

Ngo i ra cò có các h m h axes, guide, um2str , str2 um …

3.3 2 Thiết kế giao diện GUI cho phân lớp trạng th i cảm xúc

Giao di t g quát của ch ơ g trì h bao gồm: phầ c i đặt setti g , hiể thị tí

cảm xúc (DISPLAY , v hiể thị tham s Sample Test Index). Giao di t g quát

Hì h 3. 8 Giao di GUI cho vi c phâ ớp các tr g thái cảm xúc

của ch ơ g trì h đ ợc thể hi tro g Hì h 3.8.

3.3.2.1 iao diện phần cài đặt etting

ao gồm các phầ t Hì h 3.9):

- Load .database: Cho phép g i dù g có thể oad 1 cơ s dữ i u G bất ỳ

để ph c v cho vi c phâ tích tí hi u sau y.

- Train NeuronNetwork: Cho phép g i dù g uy m g ơ-ron

- Load TestSample.mat: Cho phép g i dù g oad 1 mẫu dữ i u bất ỳ để

hậ d g cảm xúc.

Hì h 3. 9 Giao di phầ c i đặt

Hì h 3. 10 Giao di hiể thị đồ họa ISPL Y

3.3.2.2 iao diện hiển th dạng đồ th DISPLAY)

Giao di hi thị d g cảm xúc Hì h 3.10 bao gồm:

 Chec emotio : cho phép g i dù g tiế h h phâ tích mẫu dữ i u để

hậ d g cảm xúc

 isp ay motio : hiể thị ết quả hì h ả h t ơ g ứ g với tr g thái cảm xúc

của mẫu dữ i u cầ iểm tra.

3.3.2.3 iao diện hiển th các tham số (Sample Test Index)

Giao di hiể thị các tham s Hì h 3.11 bao gồm 3 tham s OutI dex1,

Hì h 3. 11 Giao di hiể thị các tham s eature xtractio Parameters

OutIndex2, OutIndex3:

OutI dex1, OutI dex2, OutI dex3 các giá trị đầu ra phâ ớp của mẫu dữ

i u cầ iểm tra. Giá trị ớ hất sẽ đ ợc quy đ i sa g mức ogic 1, v cò i đ ợc

quy đ i sa g mức ogic 0. ựa v o giá trị y thì ta có ết quả hậ d g cảm xúc

t ơ g ứ g.

3.3.3 C c ớc thực hiện qu tr nh phân t ch DWT sử dụng giao diện thiết kế

trên GUI

B ớc 1 Load cơ s dữ i u

Tr giao di Mat ab GUI/S TTING thực hi c ic v o biểu t ợ g Load

.database

Tr m hì h sẽ xuất hi đ g dẫ tới th m c u trữ cơ s dữ i u. Lựa

chọ fi e có t trainningNNdata, h vậy ta đã ho th h quá trì h oad cơ s dữ

i u cho vi c phâ uy m g ơ-ro về sau Hì h 3.12).

i e dữ i u trainningNNdata dữ i u mẫu gồm 3 th g s rousa , Va a ce,

omi a ce của dữ i u g c gồm 3 tr g thái cảm xúc , mỗi tr g thái đ ợc

ấy mẫu 500 ầ đ ợc x với ph ơ g pháp trích chọ đặc tr g với

Hì h 3.12 Load cơ s dữ i u

phép biế đ i wave et r i r c.

B ớc 2 Luy m g ơ-ron

Tr giao di Mat ab GUI/S TTING thực hi c ic v o biểu t ợ g Train

Hì h 3.13 Luy m g Nơ-ron

NeuronNetwork Hì h 3.13).

Khi đó tr m hì h sẽ hiể thị giao di của quá trì h uy m g Nơ-ro

h Hì h 3.14

Hì h 3. 14 Quá trì h uy m g ơ-ron

C ic v o “Performa ce” để xem chất ợ g của quá trì h uy m g, hoặc

“Trai i g State” để xem các giá trị “gradient”, “mu”, “val fail”.

B ớc 3 Lựa chọ mẫu cầ phâ tích

Giả s ta cầ phâ tích 1 mẫu đã biết tr ớc d g cảm xúc vui, buồ , bì h

th g , ta thực hi c ic v o Load TestSamp e.mat Hì h 3.15 . g dẫ đế

th m c chứa các fi e dữ i u mẫu đó sẽ xuất hi .

Hì h 3. 15 Lựa chọ mẫu cầ hậ d g

Trong th m c y ta có thể ựa chọ 1 mẫu tí hi u dữ i u th bất ỳ để

hậ d g cảm xúc.

B ớc 4 Nhậ d g cảm xúc

Ví d ếu ta chọ mẫu dữ i u smi e vui b ớc 3 để tiếp t c quá trì h

hậ d g.

Hì h 3. 16 Kết quả hậ d g cảm xúc vui

Tro g m c DISPLAY ta c ic v o Chec motio xem Hì h 3.16).

Ví d ếu ta chọ mẫu dữ i u orma bì h th g b ớc 3 để tiếp t c quá

trì h hậ d g.

Hì h 3. 17 Kết quả hậ d g cảm xúc bì h th g

Tro g m c ISPL Y ta c ic v o Chec motio xem Hì h 3.17).

Ví d ếu ta chọ mẫu dữ i u cry buồ b ớc 3 để tiếp t c quá trì h hậ

d g.

Hì h 3. 18 Kết quả hậ d g cảm xúc buồ

Tro g m c ISPL Y ta c ic v o Chec motio xem Hì h 3.18).

3.4 K T LUẬN

Nh vậy Ch ơ g 3, giao di phâ o i cảm xúc của tí hi u đi ão EEG

bất ỳ s d g M TL /GUI đ ợc trì h b y: Cách thức thiết ế giao di giao

di c i đặt, giao di hiể thị đồ thị, giao di hiể thị các tham s . Kết quả của

quá trì h phâ o i cảm xúc đ ợc iểm ghi m th với các mẫu dữ i u th thu

đ ợc hi đo th g qua mũ đi ão đồ motiv poc 14 cha e . Các mẫu dữ i u

dù g đề iểm chứ g vui, buồ , bì h th g coi h đ ợc xác đị h tr ớc. Kết quả

cho thấy thuật toá đ a ra hậ d g cảm xúc chí h xác tới 93% hi th ghi m

hậ d g với 200 mẫu.

K T LUẬN VÀ Đ NGHỊ

1. Kết luận

- T g qua về đi ão đồ

- Cơ s thuyết của WT

- Cơ s thuyết của m g Nơ-ron

- Nhậ d g cảm xúc dựa tr phâ ớp s d g m g ơ-ron

- Xây dự g ch ơ g trì h tr mat ab/guide

2. Đề nghị/ ph ng h ớng

- Th ghi m với các thuật toá hác

- Th ghi m tr h th g thực

Qua đó đá h giá ết quả v thực hi triể hai tr h th g thực

ghi m

TÀI LIỆU THAM KHẢO

Tài liệu tiếng Việt

1 i ão đồ Lâm sàng, GS. Pierre Ja o . GS.TS. L Qua g C ng, Nxb Y học

[2] Quách Tuấn Ngọc, “X lý tín hi u s ”. Nh xuất bản giáo d c, 1997

[3] Hà Qu c Trung, "X lý tín hi u và lọc s ". Tập 1,2. Nhà xuất bản khoa

học k thuật, 1999 & 2001

Tài liệu tiếng Anh

[4] H. Zhang, S. Zheng, and J. Yuan, "A personalized TV guide system

compliant with MHP," IEEE Trans. Consumer Electronics, vol. 51, no.2, May 2005,

pp. 731-737.

[5] A. Pentland and T. Choudhury, "Face recognition for smart environments,"

IEEE Computer, vol. 33, no. 2, Feb 2000, pp. 50-55.

[6] K. Ho An and M. Jin Chung,"Cognitive Face Analysis System for Future

Interactive TV," IEEE Transactions on Consumer Electronics, Vol. 55, No. 4,

November 2009, pp. 2271-2279.

[7] J. Wolpaw, N. Birbaumer, D. McFarland, G. Pfurtscheller, and T.

Vaughan. Brain-computer interfaces for communication and control. Clinical

Neurophysiology, 113:767-791, 2002.

[8] http://www.handimobility.orglblogl?p=4953

[9] K. Crowley, A. Sliney, I. Pitt and D. Murphy, "Evaluating a Brain-

Computer Interface to Categorise Human Emotional Response", Advanced

Learning Technologies (ICALT), 2010 IEEE lOth International Conference on 5-7

July 20lO Sousse, on pp. 276 - 278.

[10] E. Haapalainen, S. Kim, J. F. Forlizzi and A. K. Dey,

"PsychoPhysiological Measures for Assessing Cognitive Load", Proceedings of the

12th ACM international conference on Ubiquitous computing ACM New York,

USA 20lO, pp. 30l-3lO.

[11] C. Gani, N. Birbaumer, and U. Strehl. "Long term effects after feedback

of slow coritcal potentials and of theta beta-amplitudes in children with attention-

deficit/hyperactivity disorder". International Journal of Bioelectromagnetism,

lO(4):209-232, 2008.

[12] P. Ekman. Are there basic emotions? Psychological Review, 99 (3).550-553.

[l3] M. B. Arnold. Emotion and personality, volume 1, pages lIB. New York:

Columbia University Press, 1960.

[14] P. Ekman. Emotion in the human face, pages 39-55. New York: Cambridge

University Press, 1983 [12] J. A. Russell. A circumplex model of affect. In Journal of

Personality and Social Psychology, volume 39, pages 1161 1178, 1980.

[15] T. C. Schneirla. An evolutionary and developmental theory of biphasic

processes underlying approach and withdrawal. In M. R. Jones, editor, Nebraska

symposium on motivation, pages 1-42. Lincoln, NE: University of Nebraska Press, 1959.

[16] R. Westermann, K. Spies, G.Stahl, and FW. Hesse. Relative effectiveness

of mood induction procedures: A meta analysis. European Journal of Social

Psychology, vol. 26, 1996, p. 557- 580.

[17] R. W. Picard, J. Healey, E. V yzas. Toward Machine Emotional

Intelligence Analysis of Affective Physiological State. IEEE Transactions on

Pattern Analysis and Machine Intelligence, Vol. 23 (2001) 1175-1191.

[18] F Nasoz, c.L. Lisetti, K. Avarez, N. Finkelstein. Emotion Recognition

from Physiological Signals for User Modeling of Affect. In Proceedings of the 3rd

Workshop on Affective and Attitude User Modeling, USA, June 2003.

[19] J.J. Gross, R.W. Levenson. Emotion elicitation using films. Cognition

and Emotion, Vol. 9, (1995), 87-lO8.

[20] C.A. Estrada, A.M. Isen, M. J. Young. Positive affect influences creative

problem solving and reported source of practice satisfaction in physicians.

Motivation and Emotion, Vol. 18, (1994), 285-299.

Các trang Web

[21] http://www.mindbigdata.com/opendb/

[22] http://bnci-horizon-2020.eu/database/data-sets

[23] https://sccn.ucsd.edu/eeglab/index.php

Luận văn Thạc sĩ Kỹ thuật: Ứng dụng mạng nơ-ron trong hệ thống nhận dạng cảm xúc dựa trên tín hiệu điện não

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KÝ THUẬT CÔNG NGHIỆP

NGÔ QUỐC TRUNG ỨNG DỤNG MẠNG NƠ RON TRONG HỆ THỐNG NHẬN DẠNG CẢM XÚC DỰA TRÊN TÍN HIỆU ĐIỆN NÃO Chuyên ngành: Kỹ thuật điều khiển và tự động hóa Mã số: LUẬN VĂN THẠC SĨ KỸ THUẬT

PHÒNG ĐÀO TẠO THÁI NGUYÊN 2018

LỜI CAM ĐOAN

LỜI CẢM ƠN

MỤC LỤC

DANH MỤC TỪ VI T TẮT

LỜI MỞ Đ U

CHƯƠNG 1 TỔNG QUAN V ĐIỆN N O ĐỒ VÀ CÁC PHƯƠNG

PHÁP XỬ L T N HIỆU S NG ĐIỆN N O

H nh 1 1 Cấu tạo bộ n o con ng ời.

H nh 1 2 Cấu trúc vỏ não

H nh 1 3 Dòng điện bên trong tế bào pyramidal lớn.

H nh 1 4 Sóng Alpha[4]

H nh 1 5 Sóng Beta.

H nh 1 6 S ng Theta

H nh 1 7 Sóng Delta.

H nh 1 8 Nhận dạng các dạng sóng theo tần số

H nh 1 9 Ứng dụng giao tiếp với m y t nh

H nh 1 10 Ứng dụng tín hiệu điện n o trong quân đội.

H nh 1 12 Hệ thống nhận dạng cảm xúc

H nh 1 13 Thiết bị phần c ng Emotiv

H nh 1 14 Mô hình cảm xúc Russuell

H nh 1 15 Thuật toán Higuchi Fractal Dimension

H nh 1 16 Một cô g i đang thử trải nghiệm sản phẩm đuôi mèo Shippo tại Hội chợ

Trò ch i Tokyo 2012

CHƯƠNG 2 NHẬN DẠNG CẢM XÚC DỰA TRÊN S NG ĐIỆN NÃO

SỬ DỤNG MẠNG NƠ RON

H nh 2 1 Hệ thống nhận dạng cảm xúc sử dụng EEG

H nh 2 2 Mô hình neural sinh học

H nh 2 3 Mô hình một neural nhân tạo

Bảng 2 1 Một số hàm kích hoạt c ản trong mạng neural

H nh 2 4 S đồ đ n giản về một mạng neural nhân tạo

H nh 2 1 Mạng tiến với một mức neural

H nh 2 6 Mạng tiến kết nối đầy đ với một mức ẩn và một mức đầu ra

H nh 2 7 Mạng hồi quy không có neural ẩn và không có vòng lặp tự phản hồi

H nh 2 8 Mạng hồi quy có các neural ẩn

H nh 2 9 S đồ đồ thị c h ớng đ n giản

CHƯƠNG 3 THI T K HỆ THỐNG M PHỎNG

H nh 3 1 Emotive Epoc Headset

H nh 3 2 S đồ cấu trúc phân loại cảm xúc sử dụng mạng N -ron

H nh 3 3 L u đồ thuật to n huấn luyện mạng n -ron

H nh 3 4 Cấu trúc mạng n -ron

H nh 3 5 Cấu trúc c a mạng n -ron nhiều lớp 5 lớp ẩn 3 mẫu dữ liệu đầu vào

H nh 3 7 C c gi trị gradient mu và val fail c a qu tr nh luyện mạng

K T LUẬN VÀ Đ NGHỊ

1. Kết luận

- T g qua về đi ão đồ

- Cơ s thuyết của WT

- Cơ s thuyết của m g Nơ-ron

- Nhậ d g cảm xúc dựa tr phâ ớp s d g m g ơ-ron

- Xây dự g ch ơ g trì h tr mat ab/guide

2. Đề nghị/ ph ng h ớng

- Th ghi m với các thuật toá hác

- Th ghi m tr h th g thực

Qua đó đá h giá ết quả v thực hi triể hai tr h th g thực

ghi m

TÀI LIỆU THAM KHẢO

Có thể bạn quan tâm

Bài giảng Xử lý tín hiệu y sinh

Luận văn Thạc sĩ Kỹ thuật: Nghiên cứu bo mạch arduino và ứng dụng cho hệ thống chiếu sáng

Luận văn Thạc sĩ Kỹ thuật: Nghiên cứu bộ biến đổi xoay chiều – một chiều bốn góc phần tư

Luận văn Thạc sĩ Kỹ thuật: Thiết kế bộ điều chỉnh PID để điều khiển và ổn định mức nước trong hệ thống mức nước bao hơi, đề xuất cải thiện chất lượng bằng bộ điều khiển mờ lai

Luận văn Thạc sĩ Kỹ thuật: Đánh giá mạng thông tin di động 3G tại Chi nhánh Viettel Thái Nguyên

Luận văn Thạc sĩ Kỹ thuật: Nghiên cứu ảnh hưởng của các thông số công nghệ tới độ chính xác gia công, khi gia công cắt dây các vật liệu khó gia công

Luận văn Thạc sĩ Kỹ thuật: Tự động hoá quá trình đo và đánh giá sai số chế tạo các thông số ăn khớp của bánh răng trụ trên máy đo toạ độ 3 chiều CMM 544 Mitutoyo

Luận văn Thạc sĩ Kỹ thuật: Nghiên cứu chất lượng bề mặt gia công khi mài thép SUJ2 bằng đá mài CBN trên máy mài phẳng

Luận văn Thạc sĩ Kỹ thuật: Thiết kế, chế tạo bộ điều khiển thích nghi theo mô hình mẫu (MRAS) sử dụng khuếch đại thuật toán

Luận văn Thạc sĩ Kỹ thuật: Thiết kế, chế tạo bộ điều khiển thích nghi theo mô hình mẫu (MRAS) áp dụng cho bài toán phân chia công suất hai động cơ một chiều nối cứng trục, chung tải

Luận văn Thạc sĩ Kỹ thuật: Thiết kế điều khiển hệ quá trình đa biến và nâng cao chất lượng bằng bộ điều khiển mờ lai

Luận văn Thạc sĩ Kỹ thuật: Nghiên cứu bo mạch Arduino và ứng dụng cho hệ thống chiếu sáng

Luận văn Thạc sĩ Kỹ thuật: Thiết kế hệ thống nối lưới nguồn năng lượng mặt trời sử dụng cho căn hộ

Luận văn Thạc sĩ Kỹ thuật: Nghiên cứu điều khiển lưu lượng bằng bộ biến đổi tần số cho hệ thống điều khiển quá trình

Luận văn Thạc sĩ Kỹ thuật: Nâng cao chất lượng hệ điều khiển truyền động xe hàn của máy hàn tự động

Luận văn Thạc sĩ Kỹ thuật: Nghiên cứu ảnh hưởng của một số kết cấu và điều khiển đến tải trọng động tác dụng lên hệ thống truyền lực thủy cơ ô tô

Luận văn Thạc sĩ Kỹ thuật: Nâng cao chất lượng điều khiển lò hơi nhà máy nhiệt điện đốt than bằng bộ điều khiển mờ chỉnh định tham số PID

Luận văn Thạc sĩ Kỹ thuật Điện tử: Nghiên cứu, thiết kế, chế tạo thiết bị bù cos phi kết hợp lọc sóng hài

Luận văn Thạc sĩ Kỹ thuật: Xây dựng hệ thống điều khiển nhiệt độ ứng dụng cho quá trình ủ vật liệu từ

Luận văn Thạc sĩ Kỹ thuật: Nghiên cứu ảnh hưởng của chế độ khuấy đến chất lượng mạ composite Chrome