Ứng dụng biến đổi Wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc (Luận văn thạc sĩ)

Ứng dụng biến đổi Wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc (Luận văn thạc sĩ)Ứng dụng biến đổi Wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc (Luận văn thạc sĩ)Ứng dụng biến đổi Wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc (Luận văn thạc sĩ)Ứng dụng biến đổi Wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc (Luận văn thạc sĩ)Ứng dụng biến đổi Wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc (Luận văn thạc sĩ)Ứng dụng biến đổi Wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc (Luận văn thạc sĩ)Ứng dụng biến đổi Wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc (Luận văn thạc sĩ)Ứng dụng biến đổi Wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc (Luận văn thạc sĩ)Ứng dụng biến đổi Wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc (Luận văn thạc sĩ)

ĐẠI HỌC THÁI NGUYÊN

TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

HOÀNG TIẾN THÊM

ỨNG DỤNG BIẾN ĐỔI WAVELET CHO TRÍCH CHỌN ĐẶC TRƯNG TÍN HIỆU ĐIỆN NÃO

TRONG HỆ THỐNG NHẬN DẠNG CẢM XÚC

LUẬN VĂN THẠC SĨ KỸ THUẬT

Chuyên ngành: Kỹ thuật điện tử

THÁI NGUYÊN 2018

LỜI CAM ĐOAN

Tên tôi là: Hoàng Tiến Thêm

Sinh ngày: 06/07/1991

Học viên lớp cao học CK18_KTĐT - Trường Đại học kỹ thuật công nghiệp –

Đại học Thái Nguyên

Hiện đang công tác tại: Trường Cao đẳng Nghề số 1 – Bộ Quốc Phòng

Xin cam đoan: Đề tài “Ứng dụng biến đổi wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc” do Thầy giáo TS Nguyễn Phương Huy hướng dẫn là công trình nghiên cứu của riêng tôi Tất cả tài liệu tham

khảo đều có nguồn gốc, xuất xứ rõ ràng

Tác giả xin cam đoan tất cả những nội dung trong luận văn đúng như nội dung trong đề cương và yêu cầu của thầy giáo hướng dẫn Nếu sai tôi hoàn toàn chịu trách nhiệm trước hội đồng khoa học và trước pháp luật

Thái Nguyên, ngày 26 tháng 03 năm 2018

TÁC GIẢ LUẬN VĂN

Hoàng Tiến Thêm

LỜI CẢM ƠN

Sau một thời gian nghiên cứu và làm việc nghiêm túc, được sự động viên, giúp

đỡ và hướng dẫn tận tình của Thầy giáo hướng dẫn TS Nguyễn Phương Huy, luận văn với đề tài “Ứng dụng biến đổi wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc” đã hoàn thành

Tôi xin bày tỏ lòng biết ơn sâu sắc đến:

Thầy giáo hướng dẫn TS Nguyễn Phương Huy đã tận tình chỉ dẫn, giúp đỡ

tôi hoàn thành luận văn này

Khoa sau đại học, các thầy, cô giáo trong Khoa Điện tử – Trường Đại học kỹ thuật công nghiệp – Đại học Thái Nguyên đã giúp đỡ tôi trong quá trình học tập cũng như thực hiện luận văn

Tôi xin chân thành cảm ơn bạn bè, đồng nghiệp và gia đình đã động viên, khích lệ, tạo điều kiện giúp đỡ tôi trong quá trình học tập, thực hiện và hoàn thành luận văn này

TÁC GIẢ LUẬN VĂN

HOÀNG TIẾN THÊM

MỤC LỤC

Lời cam đoan i

Lời cảm ơn iii

Mục lục iv

Danh mục từ viết tắt vi

Danh mục bảng biểu vii

Danh mục hình ảnh viii

LỜI MỞ ĐẦU 1

CHƯƠNG 1: TỔNG QUAN VỀ ĐIỆN NÃO ĐỒ VÀ CÁC PHƯƠNG PHÁP XỬ LÝ TÍN HIỆU SÓNG ĐIỆN NÃO 4

1.1 Tổng quan về tín hiệu điện não 4

1.1.1 Khái quát chung về EEG 5

1.1.2 Thu nhận và đo đạc tín hiệu điện não EEG 7

1.2 Các dạng sóng điện não cơ bản 10

1.2.1 Nguyên tắc phân tích sóng điện não 10

1.2.2 Phân biệt sóng điện não dựa vào tần số 11

1.3 Hệ thống nhận dạng cảm xúc dựa trên tín hiệu điện não 15

1.3.1 Nhận dạng cảm xúc dựa trên tín hiệu điện não 17

1.3.2 Các hướng tiếp cận trong nhận dạng cảm xúc dựa trên tín hiệu điện não 19

1.3.3 Một số phương pháp tiêu biểu trong trích chọn đặc trưng tín hiệu điện não 22

1.4 Giải pháp đề xuất trong nhận dạng cảm xúc 24

1.5 Kết luận 25

CHƯƠNG 2: TRÍCH CHỌN ĐẶC TRƯNG SÓNG ĐIỆN NÃO SỬ DỤNG BIẾN ĐỔI WAVELET 26

2.1 Tổng quan về biến đổi wavelet 26

2.1.1 Biến đổi wavelet liên tục 27

2.1.2 Biến đổi wavelet rời rạc 30

2.2.3 Trích chọn đặc trưng áp dụng biến đổi wavelet rời rạc 33

2.2.4 Các họ Wavelet 44

2.2 Biến đổi wavelet rời rạc trong hệ thống nhận dạng cảm xúc 46

2.2.1 Vai trò của DWT trong quá trình nhận dạng cảm xúc 46

2.2.2 Các tham số đặc trưng của DWT trong việc nhận dạng cảm xúc 47

2.3 Kết luận 48

CHƯƠNG 3: MÔ PHỎNG HỆ THỐNG 49

3.1 Xây dựng thuật toán trích chọn đặc trưng DWT trong xử lý tín hiệu sóng não 49

3.1.1 Tiền xử lý dữ liệu 50

3.1.2 Xử lý tín hiệu điện não thành các dạng sóng đặc trưng 55

3.1.3 Tính toán các tham số đặc trưng ảnh hưởng tới việc nhận dạng cảm xúc 57

3.2 Thiết kế giao diện matlab guide 59

3.2.1 Matlab GUI 59

3.2.2 Thiết kế giao diện GUI cho việc xử lý tín hiệu EEG 60

3.2.3 Các bước thực hiện quá trình phân tích DWT sử dụng giao diện thiết kế trên GUI 63

3.3 Kết luận 67

KẾT LUẬN VÀ ĐỀ NGHỊ 68

TÀI LIỆU THAM KHẢO 69

DANH MỤC TỪ VIẾT TẮT

Từ hoặc

EEG Electroencephalogram Điện não đồ

EBGM Elastic Bunch Graph Matching Phương pháp đồ thị đàn hồi

ER Emotion Recognition Nhận dạng cảm xúc

ERS Emotion Recognition System Hệ thống nhận dạng cảm xúc

LDA Linear Discriminant Analysis Phương pháp phân tích sự khác biệt

tuyến tính

PCA Principal Component Analysis Phương pháp phân tích thành phần

chính

SVM Support Vector Machine Học máy vectơ hỗ trợ

DANH MỤC BẢNG BIỂU

Bảng 3 1 Định nghĩa các sóng EEG theo tần số 55

DANH MỤC HÌNH ẢNH

Hình 1 1 Cấu tạo bộ não con người 4

Hình 1 2 Cấu trúc vỏ não 5

Hình 1 3 Dòng điện bên trong tế bào pyramidal lớn 6

Hình 1 4 Sóng Alpha[4] 12

Hình 1 5 Sóng Beta 12

Hình 1 6 Sóng Theta 13

Hình 1 7 Sóng Delta 14

Hình 1 8 Nhận dạng các dạng sóng theo tần số 14

Hình 1 9 Ứng dụng giao tiếp với máy tính 16

Hình 1 10 Ứng dụng tín hiệu điện não trong quân đội 17

Hình 1 11 Ứng dụng tín hiệu điện não trong nhận diện cảm xúc 18

Hình 1 12 Hệ thống nhận dạng cảm xúc 18

Hình 1 13 Thiết bị phần cưng Emotiv 19

Hình 1 14 Mô hình cảm xúc Russuell 21

Hình 1 15 Thuật toán Higuchi Fractal Dimension 22

Hình 1 16 Một cô gái đang thử trải nghiệm sản phẩm đuôi mèo Shippo tại Hội chợ Trò chơi Tokyo 2012 24

Hình 2 1 Không gian và các không gian con trong đa phân giải Không gian L2 biểu diễn toàn bộ không gian Vj biểu diễn một không gian con, Wj biểu diễn chi tiết 34

Hình 2 2 Thuật toán hình chóp hay thuật toán mã hoá băng con: (a) Quá trình phân tích (b) Quá trình tổng hợp 37

Hình 2 3 Phân tích wavelet sử dụng ký hiệu toán tử 39

Hình 2 4 Băng lọc hai kênh 40

Hình 2 5 Các họ Wavelet (a) Haar (b) Daubechies4 (c) Coiflet1 (d) Symlet2 (e) Meyer (f) Morlet (g) Mexican Hat 45

Hình 2 6 Hệ thống nhận dạng cảm xúc sử dụng EEG 46

Hình 3 1 Sơ đồ quá trình trích chọn đặc trưng sử dụng phép biến đổi DWT rời rạc 49

Hình 3 2 Chuẩn độ: đỉnh nhọn chứng tỏ máy đủ độ nhạy để có khả năng ghi được những sóng có tần số cao và biên độ nhỏ, đoạn dốc xuống phải bằng 2/3 tổng chiều

cao.[4] 51

Hình 3 3 Các vị trí đặt điện cực ghi điện não 52

Hình 3 4 Emotive Epoc Headset 54

Hình 3 5 Mức phân tích tín hiệu EEG 55

Hình 3 6 Giao diện GUI cho việc xử lý tín hiệu EEG 61

Hình 3 7 Giao diện phần cài đặt 62

Hình 3 8 Giao diện hiển thị đồ họa (Graph views) 62

Hình 3 9 Giao diện hiển thị các tham số Feature Extraction Parameters 63

Hình 3 10 Load cơ sở dữ liệu 64

Hình 3 11 Lựa chọn số mẫu 65

Hình 3 12 Lựa chọn mức phân tích DWT (level) 65

Hình 3 13 Lựa chọn họ Wavelet 66

Hình 3 14 Kết quả sau khi thực hiện quá trình phân tích DWT 67

LỜI MỞ ĐẦU

Nghiên cứu não bộ con người và đặc biệt liên quan đến ý nghĩ của con người

là một vấn đề rất khó đã được các nhà khoa học trên thế giới nghiên cứu từ rất lâu và

đã đạt được những thành tựu rất khả quan Kết hợp với ngành khoa học máy tính, thì ngành khoa học Não-Máy được biết đến với tên gọi Brain-Computer Interfaces (BCI) cũng đã bước đầu có được các kết quả ấn tượng và hiệu quả

Trên thế giới, hiện tại các nhóm nghiên cứu về ngành BCI cũng bắt đầu phát triển về số lượng Trong đó nổi bật nhất là công ty Emotiv, công ty nghiên cứu chuyên sâu về não bộ con người đã có sản phẩm thực tế trên thị trường với mũ Epoc thu nhận tín hiệu điện não và Emotiv SDK dùng để xử lý tín hiệu điện não Sản phẩm của công

ty được ứng dụng trên rất nhiều lĩnh vực như y tế, giải trí, an ninh quốc phòng,… và trên nhiều quốc gia như Mỹ, Úc, Nhật Bản, Hàn Quốc…

Trong Cộng đồng mã nguồn mở thì EEGLab cung cấp các bản thiết kế về phần cứng và các SDK dùng cho việc xử lý tín hiệu điện não đã được ứng dụng rộng rãi trong nghiên cứu, ứng dụng vào thực tế.Tại Việt Nam có không nhiều công trình nghiên cứu về não bộ con người, một số ít nổi bật như đề tài cấp bộ “Điện Não Đồ”

do thầy Lê Tấn Hùng bộ môn công nghệ phần mềm thuộc Viện CNTT&TT ĐH Bách Khoa Hà Nội đề xuất đã có những kết quả nghiên cứu khả quan Tiếp đó, nhóm sinh viên MiMaS trường ĐH Bách Khoa đã tiếp tục phát triển thành sản phẩm thực tế Sản phẩm của nhóm là “hệ thống chăm sóc hỗ trợ trẻ em bị khuyết tật” bao gồm cả phần cứng, phần mềm thu nhận xử lý tin hiệu điện não đã được Hội tin học Việt Nam và công ty Microsoft Việt Nam đáng giá cao sản phẩm khả năng ứng dụng vào thực tế ở Việt Nam trong cuộc thi ImagineCup 2009 Thực tế tại Việt Nam hầu như không

có sản phẩm liên quan đến tín hiệu điện não ứng dụng ngoài máy điện não đồ được nhập khẩu với giá rất cao từ vài trăm triệu đến hàng tỉ đồng từ nước ngoài trong các bệnh viện Các nghiên cứu về ngành BCI tại Việt Nam cũng đều rất hạn chế và chưa

có nhiều kết quả tốt

Trên cơ sở đó, với mong muốn tiếp cận nghiên cứu và xây dựng những sản phẩm có giá trị hữu ích phục vụ cho cuộc sống trong ngành khoa học BCI mới mẻ này NVLV đã tập trung nghiên cứu các cơ sở khoa học cơ bản về não cùng với các công nghệ trên thế giới, từ đó đề xuất ra một mô hình giải pháp tổng thể cho việc thu nhận và xử lý tín hiệu điện não, nhằm tạo ra một nền tảng tốt cho việc nghiên cứu và phát triển các ứng dụng công nghệ cao về sau này

Trong những năm gần đây, đã có rất nhiều công trình công bố, đưa ra các hướng tiếp cận khác nhau cho việc giải quyết bài toán nhận dạng cảm xúc con người thông qua sóng điện não Pha quan trọng đầu tiên của nhận diện cảm xúc thông qua tín hiệu EEG chính là trích chọn đặc trưng Trong hướng tiếp cận truyền thống dựa trên kỹ thuật trích chọn đặc trưng, có một số phương pháp tiêu biểu phải kể đến là Phương pháp phân tích thành phần chính (Principal Component Analysis – PCA), Phương pháp phân tích thành phần độc lập (Independent Component Analysis – ICA), Mô hình tự hồi quy (Autoregressive Modeling - AR) Các phương pháp trên chủ yếu dựa vào việc phân tích tín hiệu trên không gian tuyến tính, vì vậy không khai thác hết được bản chất phi tuyến của tín hiệu EEG Gần đây, dựa trên các ưu điểm biểu diễn tín hiệu phi tuyến trên cả hai miền tần số và thời gian của phép biến đổi Wavelet, một số công trình công bố trên thế giới đã tập trung vào áp dụng kỹ thuật này cho phân tích đặc trưng của tín hiệu EEG và thu được hiệu quả cao hơn so với các phương pháp truyền thống Ở Việt Nam, các nghiên cứu về EEG và BCI vẫn còn hạn chế, chủ yếu là phân tích tín hiệu EEG dưới dạng “thô” Việc áp dụng biến đổi Wavelet mới chỉ dùng cho việc lọc nhiễu tín hiệu EEG hoặc xử lý tín hiệu điện tim ECG

Vì những lý do trên, được sự gợi hướng của Thầy giáo, TS Nguyễn Phương Huy, tôi KS Hoàng Tiến Thêm lựa chọn đề tài “Ứng dụng biến đổi wavelet cho trích chọn đặc trưng tín hiệu điện não trong hệ thống nhận dạng cảm xúc” làm

đề tài nghiên cứu luận văn tốt nghiệp thạc sĩ chuyên ngành Kỹ thuật điện tử

Đối tượng của luận văn là: Phương pháp trích chọn đặc trưng sóng điện não sử dụng biến đổi wavelet rời rạc

Về phạm vi nghiên cứu: Dựa trên các bộ cơ sở dữ liệu có sẵn về các tín hiệu EEG (được cộng đồng khoa học quốc tế công nhận là cơ sở dữ liệu chuẩn để đối sánh các phương pháp), luận văn sẽ khảo sát và chứng minh tính hiệu quả hơn của phương pháp trích chọn đặc trưng sóng điện não sử dụng biến đổi wavelet rời rạc so với một

số phương pháp thường dùng như PCA, ICA, AR; Đề xuất thuật toán phù hợp nhất đối với bài toán trích chọn đặc trưng tín hiệu EEG; Cài đặt phần mềm mô phỏng nhằm chứng minh tính đúng đắn và khả năng ứng dụng trong thực tế của thuật toán đề xuất

Đề tài có ý nghĩa nhằm nghiên cứu việc áp dụng kỹ thuật biến đổi wavelet cho việc trích chọn các đặc trưng quan trọng của tín hiệu sóng điện não Từ đó làm cơ sở khoa học cho việc xây dựng các hệ thống nhận dạng cảm xúc trong thực tế

Nội dung của luận văn gồm có các chương như sau:

Chương 1: Bài toán nhận dạng cảm xúc dựa trên tín hiệu điện não Trong chương chủ yếu trình bày tổng quan về tín hiệu điện não, hệ thống nhận dạng cảm xúc được xây dựng dựa trên tín hiệu điện não Đồng thời trong chương còn đề cập đến một số hướng và phương pháp tiêu biểu trong trích chọn đặc trưng

Chương 2: Trích trọn đặc trưng sóng điện não sử dụng biến đổi wavelet Chương đề cập đến tổng quan về wavelet và trích chọn đặc trưng dùng để biến đổi wavelet, đồng thời cũng đề cập đến một số hướng nghiên cứu ứng dụng biến đổi wavelet trong trích chọn đặc trưng EEG Đề xuất phương pháp kết hợp biến đổi wavelet và mạng nôron MPL trong giải quyết bài toán nhận dạng cảm xúc

Chương 3: Xây dựng phần mềm mô phỏng Chủ yếu tiến hành xây dựng trên phần mềm Matlab, từ kết quả thu được có thể kết luận cơ sở thực tiễn của đề tài

CHƯƠNG 1: TỔNG QUAN VỀ ĐIỆN NÃO ĐỒ VÀ CÁC PHƯƠNG

PHÁP XỬ LÝ TÍN HIỆU SÓNG ĐIỆN NÃO

1.1 Tổng quan về tín hiệu điện não

Hình 1 1 Cấu tạo bộ não con người

Não người [1], [2], [3] là phần trên và trước nhất của hệ thần kinh trung ương và là cơ quan chủ yếu trong điều hành hệ thần kinh ngoại vi Não người nặng khoảng 1500g (Williams và Warwick, 1989) Diện tích bề mặt của não khoảng 1600 cm², và dày khoảng 3 mm Não gồm có: thân não, tiểu não, não trung gian và đại não

Não bộ của con người là một tổ chức phức tạp, tinh vi nhất của hệ thần kinh Thông qua các giác quan như mắt, tai, da, bộ não tiếp thu các thông tin về thị giác, thính giác, xúc giác để từ đó nhận thức ra đối tượng, xử lý và giai đáp thông tin qua các hình thức vận động Do vậy bộ não giữ vai trò quan trọng trong hoạt động toàn diện, đa dạng của con người, giúp con người thích ứng với các hoàn cảnh xã hội Ngày nay, khi thế giới ngày càng phát triển thì các bệnh về não cũng ngày càng phát

triển như: các bệnh về động kinh, viêm não, u não … Do vậy, việc thu nhận và xử

lí tín hiệu điện não sẽ giúp chúng ta chẩn đoán chính xác được các bệnh về não Vì thế, các bệnh nhân não sẽ có cơ hội được cứu chữa nhiều hơn

1.1.1 Khái quát chung về EEG

Electroencephalogram não đồ (EEG) là điện thế hoạt động của vỏ não phát ra EEG được phát hiện bởi Berger năm 1924 bằng 1 dụng cụ đo dòng điện với 1 điện cực bề mặt trên đầu con trai ông và ghi lại được 1 mẫu nhịp nhàng những dao động điện Tín hiệu này là phản hồi điện sinh học ngay tức khắc của tế bào não Ngày nay, người ta cho rằng tín hiệu EEG giống như như tín hiệu EEG lấy từ lưỡng cực trong lớp tế bào hình chóp Rất nhiều tế bào hình chóp và sợi thần kinh của nó được sắp xếp thẳng đứng Sự sắp xếp này được đưa ra 1 dendro-somatic lưỡng cực hoặc điện thế là cái dao động do tác nhân kích thích gây ra

Vỏ não là nguồn gốc của các hoạt động điện của não thu được từ bề mặt của

da đầu, các dạng khác nhau của hoạt động điện và dẫn tới trường điện thế được tạo

ra bởi các tế bào thần kinh vỏ não

Hình 1 2 Cấu trúc vỏ não

Sự sắp xếp của các tế bào ở các khu vực khác nhau trên vỏ não là khác nhau, mỗi vùng có kiểu hình thái khác nhau Hầu hết các tế bào vỏ não được sắp xếp thành các cột, trong các cột này các neuron được phân bố dọc theo trục chính của các cây dạng nhánh, song song với mỗi cây khác và trực giao với bề mặt vỏ não

Vỏ não gồm các lớp khác nhau, các lớp này là không gian của cấu trúc các tế bào thần kinh đặc biệt, với các trạng thái và chức năng khác nhau trong đáp ứng xung điện Neuron pyramidal là thành phần cấu tạo chủ yếu của vỏ não Điện thế EEG [1], [2] ghi được từ các điện cực được đặt tiếp xúc với lớp da đầu là sự tổng hợp các thay đổi về điện thế ngoài của tế bào Pyramidal Màng tế bào pyramidal không bao giờ trong trạng thái nghỉ bởi vì nó bị tác động liên tiếp bởi hoạt động sinh ra do các neuron khác có các liên kết synaptic Các liên kết synaptic có thể là kích thích hoặc ức chế

sự thay đổi tương ứng tính thẩm thấu của màng tế bào đối với ion K và ion Cl làm phát sinh dòng điện

Hình 1 3 Dòng điện bên trong tế bào pyramidal lớn

Dòng ion được thiết lập cho phép cân bằng điện tích giữa bên trong và bên ngoài màng tế bào Dòng điện sinh ra do điện thế của postsynaptic kích thích (EPSP) được thể hiện ở hình 3 Điện thế postsynaptic kích thích là tổng hợp của dòng đi vào trong màng tế bào gây ra bởi các ion dương và dòng đi ra ngoài màng tế bào tạo dọc theo phần mở rộng của tế bào extra- synaptic Điện trường bên ngoài tế bảo là hàm của điện thế xuyên màng

Trong đó là điện thế bên ngoài màng, là bán kính của sợi trục hoặc tua gai, là điện thế xuyên màng, là độ dẫn môi trường bên trong tế bào, là độ dẫn của môi trường

bên ngoài tế bào Mặc dù các điện thế bên ngoài tế bào riêng rẽ là nhỏ nhưng tổng điện thế của chúng cũng đáng kể đối với nhiều tế bào Điều này là do các neuron pyramidal được kích hoạt tức thời lớn hơn hoặc nhỏ hơn cách mà liên kết synaptic và các thành phần dọc trục của dòng bên ngoài màng được thêm vào, trong khi đó các thành phần nằm ngang lại có xu hướng làm giảm điện thế này Ngoài ra các nguồn khác cũng góp phần tạo ra tín hiệu EEG Sự giảm điện thế màng tế bào tới mức giới hạn xấp xỉ 10 mV nhỏ hơn điện thế tái khử cực tại trạng thái nghỉ của màng tế bào Điện thế hoạt động của các neuron não là nguồn gốc của EEG Nhưng chúng góp phần nhỏ trong việc tạo ra tín hiệu EEG ghi được tại bề mặt của não Do chúng thường hoạt động không đồng bộ trong cùng một thời gian đối với một số lượng lớn các sợi trục, các sợi trục này di chuyển theo nhiều hướng tương đối với bề mặt vỏ não Nguyên nhân khác là phần của màng tế bảo bị khử cực bởi điện thế hoạt động tại các thời điểm cố định nhỏ hơn so với thành phần của màng tế bào được kích thích bởi một EPSP và điện thể hoạt động tồn tại trong thời gian ngắn hơn( cỡ 1 - 2ms) so với của EPSPs hoặc IPSPs là 10 – 250ms Qua các quan điểm trình bày ở trên thì EEG thu được tại bề mặt da đầu có thể coi là kết quả của nhiều thành phần tích cực, trong

đó điện thế của postsynaptic từ tế bào pyramidal là thành phần chính tạo ra tín hiệu điện não

1.1.2 Thu nhận và đo đạc tín hiệu điện não EEG

a) Vị trí đặt điện cực chuẩn [9], [10]

Hiệp hội quốc tế về sinh lí thần kinh lâm sàng và điện não đề đưa ra chuẩn đặt điện cực cho 21 điện cực (gồm cả điện cực tại dái tai) Các điện cực đặt tại dái tai được gọi là A1, A2 được nối tương ứng với tai trái và tai phải được sử dụng làm điện cực tham chiếu Hệ thống 10-20 tránh đặt điện cực tại vị trí nhãn cầu, và cân nhắc một vài khoảng cách không đổi bởi sử dụng các mốc giải phẫu cụ thể Các điện cực

lẻ được đặt bên trái và các điện cực lẻ được đặt bên phải Để thiết lập số lượng các điện cực nhiều hơn mà vẫn tuân theo qui ước trên, các điện cực còn lại ngoài 21 điện cực chuẩn được đặt giữa các điện cực trên và cách đều nhau giữa chúng Ví dụ C1

được đặt giữa C3 và Cz Hai dạng khác nhau dùng để ghi tín hiệu điện não là dạng vi sai và dạng tham chiếu Đối với dạng vi sai hai đầu vào của mỗi bộ khuếch đại vi sai

là hai cực, còn kiểu tham chiếu thì chỉ một trong hai điện cực tham chiếu được dùng Một kiểu bố trí điện cực tương tự khác là hệ thống vị trí điện cực Maudsley, hệ thống

10 – 20 được thay đổi để chụp ghi được tín hiệu từ tiêu điểm động kinh trong việc thu tín hiệu động kinh Chỉ có một sự khác nhau giữa hai hệ thống này là các điện cực bên ngoài được làm nhẹ hơn một chút cho phép ghi tín hiệu động kinh được tốt hơn Ưu điểm của hệ thống này là diện tích được trùm bởi mũ điện cực được mở rộng,

do đó làm tăng độ nhạy khi ghi lại tín hiệu điện não

b) Phương pháp thu tín hiệu điện não

Việc thu nhận các tín hiệu và hình ảnh từ các bộ phận của cơ thể người trở thành cần thiết cho việc chẩn đoán sớm các loại bệnh tật Dữ liệu thu được có thể dưới dạng điện sinh học như tín hiệu điện tim, tín hiệu điện cơ đồ EMG hay tín hiệu điện não EEG, từ não đồ MEG…Các phương pháp đo đạc được dùng có thể là siêu

âm, chụp CT, hay ảnh cộng hưởng từ MRI hoặc cộng hưởng từ chức năng fMRI, chụp positron cắt lớp PET Các hoạt động thần kinh điện đầu tiên được ghi lại bằng máy điện kế đơn giản Để khuếch đại sự thay đổi của các điểm một tấm gương được sử dụng để phản xạ ánh sáng được chiếu ra từ điện kế lên bức tường Sau đó, điện kế Arsonval được gắn vào một cuộn dây có thể di chuyển được, do đó ánh sáng tập trung trên gương sẽ bị phản xạ khi cho dòng điện chạy qua cuộn dây này

Điện kế mao dẫn được tạo ra bởi Lippmann và Marey Điện kế dây rất nhạy và đo chính xác hơn được Einthoven giới thiệu vào năm 1903 Điện kế này trở thành dụng cụ đo chuẩn trong vài thập kỉ và được cho phép sử dụng ghi lại hình ảnh Các hệ thống đo tín hiệu EEG gồm số lượng lớn các điện cực tinh vi, các mạch khuếch đại vi sai (cho mỗi kênh), bộ lọc và đồng hồ ghi có mũi kim chỉ

Tín hiệu EEG đa kênh được ghi lại lên tấm giấy nhẵn hoặc giấy có ô lưới Ngay sau đó, hệ thống đo tín hiệu EEG này được tung ra thị trường, các nhà nghiên

cứu bắt đầu tìm kiếm hệ thống được máy tính hóa, hệ thống này số hóa và lưu trữ tín hiệu

Do vậy để phân tích tín hiệu EEG, ban đầu phải hiểu rằng tín hiệu được chuyển sang dạng số Số hóa tín hiệu bao gồm các bước: lấy mẫu, lượng tử hóa và mã hóa tín hiệu Khi số cực được sử dụng càng tăng thì số lượng dữ liệu càng lớn, tức số bít để mã hóa tín hiệu cũng nhiều hơn Hệ thống được máy tính hóa cho phép thiết lập các kiểu khác nhau, mô phỏng và lấy mẫu tần số và trong một số trường hợp tích hợp

cả các công cụ xử lí tín hiệu đơn giản hoặc hiện đại giúp nâng cao hiệu quả quá trình xử lí tín hiệu Quá trình biến đổi từ tín hiệu EEG tương tự sang dạng số được thực hiện bởi bộ chuyển đổi số tương tự đa kênh Dải tần hiệu quả cho tín hiệu EEG xấp

xỉ 100Hz Do đó tần số lấy mẫu nhỏ nhất là 200 mẫu/s thỏa mãn qui tắc Nyquist là

đủ để lấy mẫu tín hiệu EEG Trong một số ứng dụng các hoạt động của não được quan sát đòi hỏi độ phân giải cao hơn tần số lấy mẫu có thể lên tới 2000 mẫu/s Để duy trì thông tin chẩn đoán thì quá trình lượng tử hóa tín hiệu thông thường phải rất tốt

Các hệ thống ghi tín hiệu EEG phổ biến sử dụng các mẫu tín hiệu dưới dạng 16bits Các điện cực ghi điện tim có độ chính xác cao chủ yếu được sử dụng để thu thập dữ liệu chất lượng cao

Các loại điện cực được sử dụng trong hệ thống ghi tín hiệu điện não như: Điện cực dùng một lần (dạng gel), Điện cực có thể sử dụng nhiều lần (vàng, bạc, thép hoặc tin), Điện cực kẹp và chụp đầu, Điện cực được nhúng mặn, Điện cực dạng kim, khi ghi đa kênh với số lượng lớn của các điện cực thì điện cực dạng mũ chụp thường được dùng Thông thường điện cực dạng mũ chụp gồm đĩa Ag – AgCl có đường kính nhỏ hơn 3 mm, với các cực linh hoạt có thể gắn vào bộ khuếch đại

Điện cực kim phải được cắm dưới vỏ não với độ sâu nhỏ nhất có thể Trở kháng cao giữa điện cực và da đầu cũng như các điện cực có trở kháng cao cũng có thể dẫn tới méo dạng tín hiệu Do vậy các máy ghi điện não thương mại thông thường được trang bị bộ phận theo dõi trở kháng Để đảm bảo việc ghi tín hiệu điện não chính

xác, trở kháng của điện cực phải nhỏ hơn 5kΩ, tốt nhất là 1kΩ Cân bằng với các điện cực khác trong mũ Tương ứng với từng cấu trúc lớp và xoắn của não sự phân bố các điện cực lên da phù hợp

1.2 Các dạng sóng điện não cơ bản

1.2.1 Nguyên tắc phân tích sóng điện não

Hình ảnh điện não là những đặc trưng biểu hiện lâm sàng thần kinh tâm thần

và các bệnh khác Do đó cần phải phân tích và mô tả chi tiết, đồng thời tổng hợp và khái quát để bổ sung cho lâm sàng và những thông tin chưa có lâm sàng hoặc các triệu chứng khó phân biệt Khi phân tích điện não cần tuân theo một số nguyên tắc:

Trục tung là biên độ của sóng Trục hoành là tần số sóng

Dạng sóng: hình sin, có nhịp hay không có nhịp, đơn dạng hay đa dạng, đều hay không đều, sóng một pha hay nhiều pha Các sóng ở trên đường đẳng điện là sóng

âm (-), ở dưới là sóng dương (+)

Tần số: là số sóng có trong một giây kí hiệu là chu kỳ giây (ck/gy) hoặc (Hz)

Biên độ: là chiều cao của sóng tính bằng µV

Vi trí: sóng điện não biểu hiện ở các vị trí khác điện cực khác nhau và khác nhau theo vùng

Chỉ số: số sóng xuất hiện trong một thời gian nhất định xác đinh ở bản ghi được tính theo tỷ lệ % Thông số này thường dùng để đánh giá lâm sàng

Tính chất xuất hiện: các sóng điện não xấy hiện khác nhau không chỉ về dạng sóng mà còn cả tính chất

Kịch phát: một sóng, một nhóm sóng xuất hiện và kết thúc đột ngột Có thể kịch phát toàn thể hay khu trú, kéo dài 1-2/10 giây đến nhiều giây

Đồng thì: cùng một thời điểm đồng bộ ở hai bán cầu cân xứng, hay một bán cầu Không đồng thì: không cùng một lúc xuất hiện, mất cân xứng một bán cầu về tấn số, biên độ hoặc cả 2

Liên tục: các sóng bệnh lý có những khoảng gián đoạn, không giống nhau

Từng nhóm: các sóng xuất hiện từng nhóm với số sòng và dạng tương tự nhau [4]

1.2.2 Phân biệt sóng điện não dựa vào tần số

Năm 1924, nhà tâm thần học người Áo tên là Hans Berger là người đầu tiên ghi được EEG Ông nhận thấy trên bản ghi EEG bình thường, nhịp của các sóng điện não gồm có vài loại sóng có thể phân biệt theo tần số Đây còn gọi là các dạng sóng đặc trưng sinh lý

a) Sóng Alpha (α)

Dạng sóng hình sin là chủ yếu, có tần số từ 8 -13 ck/gy

Alpha nhanh: 11-13 ck/gy

Alpha trung bình: 10 ck/gy

Alpha chậm: 8-9 ck/gy

Sóng thường có biên độ khoảng 50µV (mặc dù cũng có thể giao động từ 5 tới 100 µV)

Sóng này thấy rõ nhất ở phần phía sau của não người, vốn là nơi xử lý các tín hiệu thị giác, tức là vùng chẩm (occipital region) ở cả 2 bên, ít ở vùng đỉnh và giảm dần về phía thái dương Vì vậy, đôi khi người ta còn gọi nhịp alpha là nhịp trội ở 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 lớn trong cơ chế điều chỉnh giữa nội môi và ngoại môi của chức năng ngăn cản các tín hiệu đi vào não Theo Bunch alpha có vai trò điều chỉnh đồng bộ của các tín hiệu vào và ra khỏi não; D.G Shmelkin (1955) thấy alpha luôn đi cùng với trạng thái cân bằng liên quan đến hưng phấn và ức chế Sóng alpha trở nên rõ nhất khi nhắm mắt lại, bị triệt tiêu khi mở mắt Như vậy sóng alpha là dấu hiệu cho biết não đang ở tình trạng không chú ý (inattentive brain), và đang chờ để được kích thích Thực tế là có một vài tác giả đã gọi nó là “nhịp chờ đợi” ("waiting rhythm") Đây là

nhịp sóng chủ yếu thấy được trên người lớn bình thường và thư giãn – sóng hiện diện trong hầu hết các thời kỳ của cuộc đời, nhất là khi trên 30 tuổi, khi ấy sóng này chiếm

ưu thế trên đường ghi EEG lúc nghỉ ngơi

Alpha 10 Hz, biên độ thấp

Alpha 10Hz, biên độ cao

Alpha 10Hz, xuất hiện từng chùm

Hình 1 4 Sóng Alpha[4]

b) Sóng Beta (β)

Dạng sóng không ổn định, có tần số từ 13-35 Hz, có biên độ dưới 30µV Sóng Beta là sóng nhanh ở phía trước, phân bố điển hình ở vùng trán và giảm dần ở thái dương và đỉnh chẩm Sóng Beta liên quan đến trạng thái hưng phấn của thẩn kinh Sóng Beta sẽ nổi bật lên khi dung thuốc an thần gây ngủ Sóng có thể mất hoặc suy giảm ở vùng có tổn thương vỏ não Nhịp beta thường được coi là nhịp bình thường,

nó là nhịp chiếm ưu thế ở những bệnh nhân đang thức tỉnh cảnh giác hoặc lo sợ, hoặc khi mở mắt

Hình 1 5 Sóng Beta

c) Sóng Theta (θ)

Dạng sóng hình cung hay hình thang, tần số từ 4-8Hz Theta nhanh từ 6-8Hz, Theta bình thường từ 5-6Hz, Theta chậm từ 4-5Hz Sóng Theta xuất hiện ở thái dương, hay vùng trán thái dương và thái dương trước trung tâm Sóng Theta là loại sóng chậm, thường thấy khi bệnh nhân trong tình trạng buồn ngủ hoặc ngủ nông (light stages of sleep) Sóng Theta được coi là bất bình thường nếu thấy ở người lớn đang tỉnh táo, nhưng lại là bình thường ở trẻ em dưới 10 tuổi Sau 10 tuổi, sóng theta nhanh

và chuyển dần sang alpha Cũng có thể thấy theta tạo thành 1 vùng bất thường trên những nơi có tổn thương dưới vỏ cục bộ Sóng theta biểu hiện cho giảm hoạt động của vở não, nên ngoài lứa tuổi nhỏ, còn thấy xuất hiện ở lứa tuổi cao Sóng theta xuất hiện ở người lớn nhiều hay ít, lan tỏa hay khu trú đều liên quan đến rối loạn chức năng của não, đặc biệt ở cấu trúc dưới vỏ

Hình 1 6 Sóng Theta

d) Sóng Delta (δ)

Dạng sóng hình chuông, tần số từ 0,5-4 Hz, biên độ sóng trung bình tương đương điện thế alpha, cũng có khi cao gấp 2 đến 3 lần biên độ alpha, đây là loại sóng chậm nhất và có biên độ cao nhất Sóng Delta xuất hiện ở trẻ em dưới 7 tuổi, giảm dần theo lứa tuổi, xuất hiện ở người lớn trong giấc ngủ sâu (ở giai đoạn 3 hoặc 4 của giấc ngủ) Nói chung, nếu sóng Delta xuất hiện trên một người lớn (trừ khi đang ngủ) thì chứng tỏ não có vấn đề nào đó: ví dụ u não, động kinh, tăng áp lực nột sọ, khiếm khuyết về trí tuệ, hay hôn mê Khi đã xuất hiện, thì nhịp Delta có khuynh hướng thay thế cho nhịp alpha Cả sóng beta lẫn sóng delta đều không bị ảnh hưởng bởi mở mắt hay nhắm mắt ) Nó có thể xuất hiện cục bộ khi có tổn thương dưới vỏ và phân bố rộng khắp khi có tổn thương lan tràn, trong bệnh não do chuyển hóa (metabolic encephalopathy), bệnh não nước (hydrocephalus) hay tổn thương đường giữa trong

sâu (deep midline lesions) Nó thường trội nhất ở vùng trán ở người lớn (ví dụ FIRDA

- Frontal Intermittent Rhythmic Delta – sóng delta có nhịp cách hồi ở vùng trán) và phân bố trội ở các vùng phía sau trên trẻ em (ví dụ OIRDA - Occipital Intermittent Rhythmic Delta - sóng delta có nhịp cách hồi ở vùng chẩm)

Hình 1 7 Sóng Delta

Hình 1 8 Nhận dạng các dạng sóng theo tần số

1.3 Hệ thống nhận dạng cảm xúc dựa trên tín hiệu điện não

Cảm xúc đi cùng với mỗi người trong cuộc sống hàng ngày và đóng một vai trò quan trọng trong giao tiếp phi ngôn ngữ của con người Đó là một trong những điều kiện quan trọng để hiểu được các hành vi ứng xử của con người Nhận diện cảm xúc có thể được thực hiện thông qua văn bản, hội thoại, cử chỉ cơ thể và biểu hiện khuôn mặt Và trong xu hướng phát triển của con người trong đầu những thập kỷ này,

sự cần thiết và quan trọng của các hệ thống nhận diện cảm xúc con người thông qua những tín hiệu “bên trong” từ sóng điện não (EEG) đã phát triển mạnh mẽ cùng với vai trò không ngừng tăng của các ứng dụng tương tác Não Máy (BCI interfaces) trong việc đặt con người vào vị trí trung tâm của mối tương tác số trong kỷ nguyên hiện đại

Hàng năm các đạo diễn cho ra đời hàng nghìn bộ phim trên toàn thế giới Trong đó tập trung phần lớn ở Mỹ Đây là một thị trường tiềm năng đối với các thiết

bị đo nhận cảm xúc/ trạng thái của người xem đối với các bộ phim trước khi tung ra thị trường Trên thực tế, đạo diễn nổi tiếng James Cameron cũng đã sử dụng thiết bị thu nhận sóng điện não EEG để kiểm tra hiệu quả tâm lý của người xem trước khi tung siêu phẩm điện ảnh Avatar ra thị trường Trên đây là hai trong số rất nhiều những ứng dụng tiềm năng của việc khai thác sóng điện não EEG của con người Trên thực tế, các nhà nghiên cứu và các doanh nghiệp nước ngoài đã sớm nhìn nhận ra tương lai phát triển của tương tác số Trong đó, cách thức mà con người giao tiếp với máy tính thông qua ý nghĩ (sóng điện não) là một trong những quan tâm hàng đầu

Hình 1 9 Ứng dụng giao tiếp với máy tính

Cho đến ngày nay thế giới đã có những bước tiến dài trong việc nghiên cứu sóng EEG, rất nhiều sản phẩm máy điện não, kèm theo cả phần mềm trị giá tới triệu

đô la Mỹ đang được triển khai trong các bệnh viện phục vụ chuẩn đoán, chữa trị bệnh động kinh Ngoài ra rất nhiều tập đoàn lớn cũng đang đầu tư hàng triệu đô la Mỹ cho việc nghiên cứu EEG như việc giao tiếp, xác định cảm xúc con người Năm 2009 công ty Toyota công bố đã thành công trong việc nghiên cứu xe lăn được điều khiển bằng sóng não mà không cần dùng cơ bắp hay giọng nói Xe lăn rẽ trái, rẽ phải, tiến và dừng lại được thực hiện thông qua suy nghĩ của con người Công ty Emotiv Limited là một trong những công ty của Mỹ thành công trong việc nghiên cứu chuyên sâu về sóng điện não và đã có sản phẩm bán ra thị trường Sản phẩm của công ty là một mũ Epoc có chức năng thu nhận sóng điện não, kết hợp với Epoc là bộ thư viện EDK (Emotiv development kit), bộ thư viện này có khả năng thu nhận và xử lý rất tốt tín hiệu sóng não của con người và có khả năng ứng dụng rất nhiều trong các lĩnh vực giáo dục, y tế, an ninh quốc phòng

Hình 1 10 Ứng dụng tín hiệu điện não trong quân đội

1.3.1 Nhận dạng cảm xúc dựa trên tín hiệu điện não

Cĩ nhiều nghiên cứu trước đây về việc nhận dạng cảm xúc dựa trên tín hiệu sĩng điện não và cĩ một số cơng trình nghiên cứu liên quan về bài tốn đã được cơng

bố K Ishino et al đề xuất hệ thống nhận dạng cảm xúc với độ chính xác 54.4% cho cảm xúc vui, 67.7% cho tức giận, 59% cho buồn và 62.9% cho thư giãn Berkman et

al sử dụng mạng nơ-tron để dự đốn cảm xúc tích cực và tiêu cực với độ chính xác 43% Lin et al đã phát triển phương pháp phân loại đa lớp SVM (multi-class support vector machine) cho bài tốn nhận dạng cảm xúc Kết quả thu được với độ chính xác trung bình 82.37% cho các cảm xúc vui, buồn, tức giận và thoải mái Chanel et al sử dụng phương pháp phân loại Nạve Bayes và đưa ra độ chính xác lớn tốt nhất khoảng 58% cho ba loại cảm xúc (thư giãn, hạnh phúc, bình thường) Phương pháp phân loại SVM cũng được sử dụng cho việc phân loại cảm xúc với độ chính xác 32% cho Valence và 37% cho Arousal Trong đĩ, Valence thể hiện sự biến thiên của cảm xúc từ tiêu cực đến tích cực và Arousal thể hiện sự biến thiên từ bình tĩnh đến kích thích Gần đây, Y Liu et al đưa ra mơ hình nhận dạng dựa trên lý thuyết về phân dạng (FD-fractal dimension) Họ cũng chỉ ra rằng mơ hình phân dạng cho độ chính xác cao hơn trong nhân dạng cảm xúc dựa trên EEG Mơ hình họ đề xuất cĩ thể nhận dạng được sáu cảm xúc cơ bản như buồn, vui, lo sợ, thoải mái, hạnh phúc, và thất vọng

Hình 1 11 Ứng dụng tín hiệu điện não trong nhận diện cảm xúc

Hiện có những hướng tiếp cận khác nhau cho bài toán nhận dạng cảm xúc Do vậy tồn tại nhiều mô hình nhận dạng cảm xúc khác nhau Nhóm phát triển mô hình dựa trên mô hình cảm xúc Russell, thuật toán HFD và phương pháp phân loại SVM Kết quả thực nghiệm chỉ ra rằng mô hình có thể nhận dạng được sáu nhãn cảm xúc

cơ bản (vui, tức giận, buồn, thư giãn, bình thường và buồn ngủ) với độ chính xác trung bình là 81% Thêm vào đó, mô hình có thể mở rộng áp dụng cho một lớp đối tượng thay vì cho từng cá nhân riêng biệt

Hình 1 12 Hệ thống nhận dạng cảm xúc

Trong báo cáo này thiết bị thu nhận tín hiệu điện não là thiết bị phần cứng Emotiv, các hoạt động liên quan đến việc thu thập tín hiệu sóng điện não từ đầu TNV

đều sử dụng thiết bị Epoc của công ty Emotiv Thiết bị này gồm hai thành phần, một thành phần có dạng như một chiếc mũ để đặt lên đầu người dùng (hình dưới), một thành phần gắn với cổng USB của máy tính để đảm nhận việc truyền tín hiệu từ chiếc

mũ đến máy tính thông qua sóng Wifi Mũ Epoc bao gồm 14 điện cực tương ứng với

14 vị trí để thu thập tín hiệu sóng điện não trên đầu người dùng Khi sử dụng, để nhận được tín hiệu sóng điện phát ra từ não người, các điện cực này phải được làm ẩm bằng dung dịch đi kèm với thiết bị

1.3.2 Các hướng tiếp cận trong nhận dạng cảm xúc dựa trên tín hiệu điện não.

Hình 1 13 Thiết bị phần cứng Emotiv

Tín hiệu thu được từ mũ trả ra dưới dạng tệp tin edf, có thể sử dụng chương trình Test Bench đi kèm gói thiết bị để xem trực tiếp hay xem lại chuỗi tín hiệu sóng điện não biến đổi theo thời gian Để tiện cho việc tính toán và sử lý tín hiệu, gói thiết

bị có sẵn chương trình để chuyển tệp edf sang tệp csv

Cảm xúc đi cùng với mỗi người trong cuộc sống hàng ngày và đóng một vai trò quan trọng trong giao tiếp phi ngôn ngữ của con người Đó là một trong những điều kiện quan trọng để hiểu được các hành vi ứng xử của con người Chính vì thế mà bài toán nhận dạng cảm xúc của con người tuy là một bài toán khó nhưng được rất nhiều các nhà khoa học quan tâm nghiên cứu

Trước đây, việc nhận dạng cảm xúc có thể được thực hiện thông qua văn bản, hội thoại, cử chỉ cơ thể và biểu hiện khuôn mặt Tuy nhiên, trong xu hướng phát triển của con người, các hệ thống nhận dạng cảm xúc thông qua những tín hiệu “bên trong” như sóng điện não (Electro EncephaloGraphy - EEG) sẽ trở nên cần thiết, quan trọng và tạo ra sự phát triển mạnh mẽ không ngừng của các ứng dụng tương tác Não - Máy (Brain Computer Interface - BCI), đặt con người vào vị trí trung tâm của mối tương tác số trong kỷ nguyên hiện đại

Hiện nay có nhiều hướng nhận dạng cảm xúc khác nhau, chủ yếu là sự tồn tại của nhiều mô hình cảm xúc khác nhau Các mô hình tượng trưng cho mỗi phát hiện đặc điểm nhận dạng cảm xúc khác nhau Tiêu biểu hơn cả là nhóm nhận dạng cảm xúc dựa trên mô hình cảm xúc Russell, thuật toán HFD và phương pháp phân loại SVM

Mô hình Russell là một mô hình cảm xúc liên tục Trong các mô hình cảm xúc liên tục, các cảm xúc được phân bố trong một không gian hai chiều với hai trục cơ bản là valence và arousal như hình 1 Trục valence bắt đầu từ tiêu cực đến tích cực và trục arousal bắt đầu từ bình tĩnh đến kích thích Mỗi trục có 9 thang đo từ 1 đến 9 Trong nghiên cứu của mình, nhóm sử dụng mô hình Russell bởi từ mô hình này chúng

ta có thể xác định được các cảm xúc như trong mô hình rời rạc bằng cách định vị các

vị trí trong không gian 2 chiều valence, arousal

Hình 1 14 Mô hình cảm xúc Russuell

b) Thuật toán Higuchi Fractal Dimension

Phân tích hình học fractal được áp dụng tốt cho các hệ thống phi tuyến và cho dãy tín hiệu trong thời gian thực Phương pháp này được áp dụng trong nhiều nghiên cứu về xử lí tín hiệu, đặc biệt là sóng điện não EEG Trong nghiên cứu của mình, Higuchi để đề xuất một thuật toán để phân tích chiều hình học fractal của dãy các tín hiệu theo thời gian đó là HFD HFD cung cấp một phương thức hiệu quả để xác định đặc tính của dãy các tín hiệu tuần tự Dãy tín hiệu này có đặc tính là mỗi một thành phần của dãy có thể được coi là hình ảnh thu nhỏ của cả dãy Có thể sử dụng tính chất này để tính toán đặc trưng của dãy tín hiệu theo thời gian thực Mỗi một dãy con

tín hiệu mới nhận được từ nguồn có thể làm đầu vào cho thuật toán HFD Nhờ vậy, việc tính toán ra giá trị đặc trưng fractal có thể thực hiện liên tục theo thời gian thực

Hình 1 15 Thuật toán Higuchi Fractal Dimension

1.3.3 Một số phương pháp tiêu biểu trong trích chọn đặc trưng tín hiệu điện não

Phương pháp trong trích trọn đặc trưng của tín hiệu điện não rất đa dạng và phong phú như PCA, ICA, AR, mạng nơ ron Mỗi một phương pháp có những ưu điểm riêng, từ đó đề xuất thuật toán phù hợp nhất đối với bài toán trích chọn đặc trưng tín hiệu EEG Với luận văn này tập trung sâu vào làm rõ cơ sở lý thuyết cũng như các ứng dụng của phương pháp trích chọn đặc trưng sóng điện não sử dụng biến đổi wavelet

Nếu một người liên kết với một cái máy có chức năng thu nhận tín hiệu não

bộ và người khác lại liên kết với một cái máy khác có chức năng kích thích một phần não bộ, thì người thứ nhất có thể kiểm soát hành động của người thứ hai

Các nhà nghiên cứu từ trường Đại học Washington do Rajesh P N Rao đứng đầu, đã xuất bản một nghiên cứu vào tháng 11/2014 trên tạp chí PLOS One, cho thấy một cách thực nghiệm tính khả thi của loại hình kiểm soát tâm trí này Một ý định

muốn di chuyển tay phải của người A sẽ được thu nhận bởi chiếc mũ điện não EEG

Ý định này sẽ được gửi đến một chiếc máy tính có chức năng truyền tải nó dưới dạng các xung điện tới một cuộn dây diện trong phương pháp kích thích từ xuyên sọ trên đỉnh đầu người B, trang Live Science diễn giải Tay phải của người B sẽ co lại Tuy rằng nó không đạt được đến trình độ kiểm soát tâm trí như trong các bộ phim khoa học viễn tưởng, nhưng đây chính là một khởi điểm

Bộ headset EEG hiện đã cho phép người dùng tương tác với trang phục đang mặc, bằng cách kích hoạt sự thay đổi trên trang phục dựa theo cảm xúc của họ Bộ headset này cũng cho phép người dùng chơi game từ xa

Bên cạnh đó cũng có một thiết bị thời trang đọc được cảm xúc Tạp chí Smithsonian đã đưa tin về hai loại thiết bị thời trang lấy cảm hứng từ khoa học viễn tưởng là đuôi Shippo và tai mèo Necomimi Cũng giống như việc một chú chó sẽ vẫy, hay gục đuôi xuống hoặc vểnh tai lên tùy thuộc vào trạng thái cảm xúc của nó, những loại thiết bị thời trang này (nhìn bên ngoài chỉ đơn giản là đuôi và tai giả của động vật) sẽ phản ứng với trạng thái cảm xúc của người đeo Thiết bị thời trang này

sẽ đọc cảm xúc của người đeo dựa vào các tín hiệu não

Hình 1 16 Một cô gái đang thử trải nghiệm sản phẩm đuôi mèo Shippo tại Hội chợ Trò

chơi Tokyo 2012 Nhận dạng khuôn mặt là một trong những lĩnh vực mới của xử lý ảnh Và ngày nay nhận dạng được ứng dụng rộng rãi trong nhiều lĩnh vực của đời sống như nhận dạng trong lĩnh vực thương mại, hay phát hiện tội phạm trong lĩnh vực an ninh, hay trong lĩnh vực xử lý video, hình ảnh

1.4 Giải pháp đề xuất trong nhận dạng cảm xúc

Trong những năm gần đây, đã có rất nhiều công trình công bố, đưa ra các hướng tiếp cận khác nhau cho việc giải quyết bài toán nhận dạng cảm xúc con người thông qua sóng điện não Phần quan trọng đầu tiên của nhận diện cảm xúc thông qua tín hiệu EEG chính là trích chọn đặc trưng Trong hướng tiếp cận truyền thống dựa trên kỹ thuật trích chọn đặc trưng, có một số phương pháp tiêu biểu phải kể đến là Phương pháp phân tích thành phần chính (Principal Component Analysis – PCA), Phương pháp phân tích thành phần độc lập (Independent Component Analysis – ICA), Mô hình tự hồi quy (Autoregressive Modeling - AR) Các phương pháp trên chủ yếu dựa vào việc phân tích tín hiệu trên không gian tuyến tính, vì vậy không khai

thác hết được bản chất phi tuyến của tín hiệu EEG Gần đây, dựa trên các ưu điểm biểu diễn tín hiệu phi tuyến trên cả hai miền tần số và thời gian của phép biến đổi Wavelet, một số công trình công bố trên thế giới đã tập trung vào áp dụng kỹ thuật này cho phân tích đặc trưng của tín hiệu EEG và thu được hiệu quả cao hơn so với các phương pháp truyền thống Ở Việt Nam, các nghiên cứu về EEG và BCI vẫn còn hạn chế, chủ yếu là phân tích tín hiệu EEG dưới dạng “thô” Việc áp dụng biến đổi Wavelet mới chỉ dùng cho việc lọc nhiễu tín hiệu EEG hoặc xử lý tín hiệu điện tim ECG

Dựa trên các bộ cơ sở dữ liệu có sẵn về các tín hiệu EEG (được cộng đồng khoa học quốc tế công nhận là cơ sở dữ liệu chuẩn để đối sánh các phương pháp), luận văn sẽ khảo sát và chứng minh tính hiệu quả hơn của phương pháp trích chọn đặc trưng sóng điện não sử dụng biến đổi wavelet rời rạc so với một số phương pháp thường dùng như PCA, ICA, AR

1.5 Kết luận

Chương 1 trình bày về tín hiệu điện não: cách đo đạc và thu nhận tín hiệu, các dạng sóng điện não cơ bản (nguyên tắc phân tích điện não đồ, phân biệt các dạng sóng delta, beta, theta, alpha, gramma) Bên cạnh đó Chương 1 cũng trình bày về mối liên hệ giữa tín hiệu sóng não và cảm xúc, một số hướng tiếp cận trong nhận dạng cảm xúc áp dụng tín hiệu sóng não Từ đó đưa ra phương pháp đề xuất là sử dụng phương pháp biến đổi wavelet rời rạc để phân tích sóng điện não nhằm thu được các tham số quan trọng trong việc nhận dạng cảm xúc Các tham số này sẽ được sử dụng trong phần nhận dạng cảm xúc ở chuyên đề sau

CHƯƠNG 2: TRÍCH CHỌN ĐẶC TRƯNG SÓNG ĐIỆN NÃO SỬ

DỤNG BIẾN ĐỔI WAVELET

2.1 Tổng quan về biến đổi wavelet

Ý tưởng cơ bản của Wavelet là phân tích theo tỷ lệ Các hàm Wavelet thoả mãn các yêu cầu về mặt toán học được sử dụng để biểu diễn dữ liệu hay các hàm khác.Ý tưởng về phép xấp xỉ sử dụng các hàm xếp chồng đã tồn tại từ đầu thế kỉ 18 khi Joseph Fourier phát hiện ra có thể xếp chồng các hàm sin và cosin với nhau để biểu diễn một hàm khác Tuy nhiên, trong phân tích Wavelet, tỷ lệ được sử dụng để phân tích dữ liệu theo một cách đặc biệt Các thuật toán Wavelet xử lý dữ liệu theo các tỷ lệ khác nhau hoặc các độ phân giải khác nhau Khi quan sát tín hiệu với một cửa sổ lớn, chúng ta sẽ nhận được các đặc điểm chung Tương tự, nếu chúng ta quan sát dữ liệu với một cửa sổ nhỏ hơn, chúng ta sẽ nhận ra những đặc điểm chi tiết hơn Quy trình phân tích wavelet là chọn một hàm Wavelet nguyên mẫu, được gọi là Wavelet phân tích (analyzing wavelet) hay Wavelet mẹ (mother wavelet) Phân tích thời gian được thực hiện với dạng (version) co lại, tần số cao của Wavelet mẹ, trong khi phân tích tần số được thực hiện với dạng giãn ra, tần số thấp của cùng Wavelet

mẹ Vì tín hiệu nguyên bản hay hàm có thể được biểu diễn dưới dạng một khai triển Wavelet (sử dụng các hệ số trong tổ hợp tuyến tính của các hàm Wavelet), các tính toán dữ liệu có thể được thực hiện sử dụng các hệ số Wavelet tương ứng Và nếu như chọn được Wavelet phù hợp với dữ liệu, hay bỏ bớt các hệ số dưới một ngưỡng nào

đó, chúng ta thu được dữ liệu được biểu diễn rời rạc Mã hoá rời rạc (sparse coding) làm cho Wavelet trở thành một công cụ tuyệt vời trong lĩnh vực nén dữ liệu Các lĩnh vực ứng dụng khác sử dụng Wavelet bao gồm thiên văn học, âm học, kỹ thuật hạt nhân, mã hoá băng con, xử lý tín hiệu và xử lý ảnh, bệnh học thần kinh, âm nhạc, ảnh cộng hưởng từ (magnetic resonance imaging), quang học, fractals, turbulence, dự báo động đất, radar, và các ứng dụng thuần tuý toán học như giải phương trình vi phân từng phần (partial differential equation)

2.1.1 Biến đổi wavelet liên tục

a) Khái niệm

Biến đổi Wavelet liên tục (CWT) được định nghĩa [4]:

* , ( , ) ( ) a b( )

  12 ,

a b

t b t

Để chắc chắn rằng các hàm Wavelet phân rã nhanh chóng tới không và do vậy chúng được khu biệt rõ ràng trong miền thời gian, hàm Wavelet cần thoả mãn điều kiện:

là 2f, với f là tần số lớn nhất của tín hiệu Do vậy, khi tỷ lệ cao lên (tần số thấp đi) tốc

độ lấy mẫu có thể giảm như vậy số lượng phép tính giảm

b) Đặc điểm của CWT

Các đặc điểm quan trọng nhất của Wavelet là các điều kiện thừa nhận (admisibility condition) và các điều kiện điều chỉnh (regularity condition) và các đặc điểm này dẫn đến tên gọi Wavelet (sóng nhỏ) Người ta chứng minh rằng tích phân bình phương các hàm ( )t thoả mãn điều kiện admissibility [7][8][14]:

2 ( )

2 0

Người ta sử dụng các điều kiện thêm (additional condition) của các hàm Wavelet để làm cho biến đổi Wavelet giảm nhanh chóng cùng với sự giảm tỷ lệ a Đó là điều kiện điều chỉnh (regularity condition) và điều kiện này yêu cầu hàm Wavelet phải trơn và tập trung trong cả miền thời thời gian và tần số Regularity là một khái niệm phức tạp và chúng ta sẽ giải thích điều kiện này sử dụng khái niệm momen triệt tiêu (vanishing moment)

Nếu khai triển biến đổi Wavelet thành chuỗi Taylor ở t = 0 cho tới bậc n (dễ dàng rút b = 0), ta có:

( ) 0

Từ điều kiện admissibility có momen M0 = 0 do vậy số hạng đầu tiên bên vế phải là bằng 0 Nếu chúng ta tìm được cách làm cho các momen khác và momen Mn cũng bằng 0, thì các hệ số biến đổi Wavelet W(a,b) sẽ phân rã nhanh như an + 2 cho tín hiệu trơn ƒ(t) Đó là lý thuyết về momen triệt tiêu hay bậc xấp xỉ Nếu Wavelet có momen triệt tiêu N, thì bậc xấp xỉ cho biến đổi Wavelet cũng là N Trên thực tế, nghiên cứu thực nghiệm đưa ra nhận định rằng số momen yêu cầu phụ thuộc lớn vào ứng dụng

Tính tuyến tính:

Tính chất tuyến tính của biến đổi Wavelet có tính chất tuyến tính của tích vô hướng

W ( f g a)( , b) (W f)( , b)a (Wg a b)( , ) (2.13)

Tính dịch (translation):

W D f u ( , )a b  W f ( ,a b u ) (2.14) Như vậy việc dịch tín hiệu ban đầu trong miền thời gian sẽ tương ứng với dịch trong biến đổi Wavelet liên tục

Tính tỷ lệ (scaling)

Wf v a b,  Wf (v a vb f t , ), v( ) v f vt( ) (2.15) Tính chất tỷ lệ làm cho biến đổi wavelet thực sự phù hợp để phân tích các cấu trúc dạng bậc Nó như là một kính hiển vi toán học với các đặc tính không phụ thuộc vào sự phóng đại

Tính bảo toàn năng lượng

Biến đổi wavelet liên tục cũng có tính chất bảo toàn năng lượng giống như công thức Parseval của biến đổi Fourier

Định lý: Nếu hàm f (t) ∈ L2 (R) và có biến đổi Wavelet liên tục là Wf(a,b) thì:

2 2

2.1.2 Biến đổi wavelet rời rạc

Vì những hàm Wavelet a b, ( )t được định nghĩa đối với mọi điểm trong không

gian (a, b) nên rõ ràng việc áp dụng những cơ sở Wavelet a b, ( )t

rất dư thừa Do vậy,