Nghiên cứu sóng điện não eeg và ứng dụng nhận diện cảm xúc con người

Bộ Giáo dục đào tạo Trường đại học Bách khoa Hà Nội - Ngơ Văn Mạnh NGHIÊN CỨU SĨNG ĐIỆN NÃO EEG VÀ ỨNG DỤNG NHẬN DIỆN CẢM XÚC CON NGƯỜI Chuyên ngành: Công nghệ thông tin Người hướng dẫn khoa học: Nguyễn Đức Thuận Hà Nội 2012 LỜI CẢM ƠN Trước hết, tác giả xin chân thành gửi lời cảm ơn tới thầy cô giáo trường Đại học Bách Khoa Hà Nội nói chung thầy cô Viện Công nghệ thông tin Truyền thơng nói riêng tận tình giảng dạy, truyền đạt cho NVLV kiến thức kinh nghiệm quý báu suốt năm học tập rèn luyện trtường Đại học Bách Khoa Hà Nội Tác giả xin gửi lời cảm ơn sâu sắc đến thầy PGS.TS Nguyễn Đức Thuận hết lòng giúp đỡ, hướng dẫn dạy tận tình trình tác giả viết luận văn tốt nghiệp Cuối cùng, tác giả xin gửi lời cảm ơn chân thành tới gia đình, bạn bè quan tâm, động viên, đóng góp ý kiến giúp đỡ trình học tập, nghiên cứu hoàn thành luận văn tốt nghiệp Hà Nội, ngày 01 tháng 08 năm 2012 Học viên thực Ngô Văn Mạnh -1- LỜI CAM ĐOAN Tác giả xin cam đoan luận văn cao học kết nghiên cứu tác giả suốt năm qua, không chép nguyên si từ công trình nghiên cứu Những kiến thức tham khảo để hồn thành luận văn, tác giả thích cẩn thận mục tài liệu tham khảo -2- DANH MỤC THUẬT NGỮ Số thứ tự Từ viết tắt Ý nghĩa NVLV TNV EEG IAPS FD Fractal Dimension HFD Higuchi Fractal Dimension SVM Người viết luận văn TNV Tham gia trình thu thập tín hiệu điện não Electroencephalography Tín hiệu sóng điện não International Affective Picture System Bộ liệu ảnh cảm xúc Support Vector Machine Máy vector hỗ trợ -3- DANH MỤC HÌNH Hình 2-1 Tế bào thần kinh .19  Hình 2-2 Hệ thống đặt điện cực 10-20 theo chuẩn đạo trình quốc tế 23  Hình 2-3 The circumplex model – Russell 26  Hình 2-4 Một số hình ảnh IAPS thơng số tương ứng .30  Hình 2-5 Self-Assessment Manikin 30  Hình 2-6 SAM với mức độ 31  Hình 2-7 Mơ hình ánh xạ SAM Russell 32  Hình 2-8 Thực nghiệm tính tốn Kmax 33  Hình 2-9 Hai nhóm liệu xanh, đỏ biểu diễn mặt phẳng hai chiều .34  Hình 2-10 Biểu diễn vector liệu mặt phẳng chiều 35  Hình 2-11 Minh họa siêu phẳng không gian chiều 36  Hình 2-12 Minh họa siêu phẳng khơng gian chiều 36  Hình 2-13 Nhiều siêu mặt đáp ứng nhiệm vụ phân tách 37  Hình 2-14 Siêu mặt với lề cực đại 37  Hình 2-15 Tình phải sử dụng lề mềm 38  Hình 2-16 Tình phải sử dụng hàm nhân .39  Hình 2-17 Tăng số chiều hàm nhân tìm siêu mặt 39  Hình 3-1 Mơ hình hệ thống nhận dạng cảm xúc 42  Hình 3-2 Vị trí điện cực đầu Các điện cực khoanh đỏ điện cực sử dụng để nhận dạng cảm xúc nghiên cứu 45  Hình 3-3 Vị trí miền cảm xúc nhận dạng mơ hình 46  Hình 3-4 Minh họa tệp liệu đầu vào cho trình huấn luyện 47  Hình 3-5 Minh họa kết tính tốn tham số C g 47  Hình 3-6 Minh họa tệp lưu thơng tin mẫu liệu dùng cho pha nhận dạng 48  Hình 3-7 Tín hiệu sóng điện não theo thời gian, ảnh chụp hình chương trình Test Bench 50  Hình 3-8 Minh họa thơng tin lưu tệp tin csv 50  -4- Hình 4-1 Mơ hình usecase chương trình 52  Hình 4-2 Các bảng sở liệu 60  Hình 4-3 Bảng Volunteer 60  Hình 4-4 Bảng Picture 61  Hình 4-5 Bảng Sample .61  Hình 4-6 Thể mẫu hệ trục tọa độ FD 64  Hình 5-1 Mơ hình phát triển sản phẩm nhận dạng cảm xúc người dựa sóng điện não .70  Hình 5-2 Mơ hình triển khai sản phẩm 71  -5- DANH MỤC BẢNG Bảng 3-1 Minh họa giá trị phải tính tốn thực bước loại bỏ .43  Bảng 3-2 Khoảng giá trị Arousal, Valence cho miền cảm xúc 46  Bảng 3-3 Minh họa kết thực nghiệm nhận dạng lựa chọn kích thước đệm 49  Bảng 4-1 Đặc tả usecase Converting .53  Bảng 4-2 Đặc tả usecase Eliminating 54  Bảng 4-3 Đặc tả usecase case Filter 55  Bảng 4-4 Đặc tả usecase HFD Calculating 56  Bảng 4-5 Đặc tả usecase Emo Mapping 57  Bảng 4-6 Đặc tả usecase Training 58  Bảng 4-7 Đặc tả usecase Testing .59  Bảng 4-8 Kết mơ hình áp dụng thực nghiệm 63  Bảng 4-9 Kết nhận dạng thực nghiệm .65  Bảng 4-10 Thời gian thực nhận dạng thực nghiệm (đơn vị theo giây)66  -6- MỤC LỤC LỜI CẢM ƠN .1  LỜI CAM ĐOAN .2  DANH MỤC THUẬT NGỮ .3  DANH MỤC HÌNH 4  DANH MỤC BẢNG 6  MỤC LỤC 7  MỞ ĐẦU 10  CHƯƠNG GIỚI THIỆU BÀI TOÁN 12  1.1 Khái niệm nhận dạng cảm xúc .12  1.2 Các sản phẩm có liên quan .13  1.3 Một số nghiên cứu liên quan 15  1.4 Mục tiêu luận văn 16  KẾT CHƯƠNG .17  CHƯƠNG CÁC CƠ SỞ KHOA HỌC 18  2.1 Cơ sở lý thuyết sóng điện não 18  2.1.1 Cơ sở sinh lý thần kinh sóng điện não 18  2.1.2 Số hóa tín hiệu sóng điện não 21  2.2 Mơ hình cảm xúc Russell .26  2.2.1 Giới thiệu mô hình Russell 26  2.2.2 Độ tương quan 27  2.2.3 Những thí nghiệm Russell 27  2.3 Bộ liệu IAPS .29  2.4 Phương pháp đề xuất ánh xạ mơ hình Russell SAM 31  2.5 Thuật toán Higuchi Fractal Dimension 32  -7- 2.5.1 Tổng quan 32  2.5.2 Thuật toán 32  2.5.3 Các điện cực liên quan đến nhận dạng cảm xúc .34  2.6 Phân loại nhận dạng máy Vector hỗ trợ 34  2.6.1 Tổng quan 34  2.6.2 Các khái niệm phương pháp SVM 35  2.6.3 Thuật toán 39  2.6.4 Áp dụng toán nhận dạng cảm xúc 40  KẾT CHƯƠNG .41  CHƯƠNG MƠ HÌNH ĐỀ XUẤT 42  3.1 Pha thu thập huấn luyện liệu 42  3.1.1 Thu thập liệu – Data Acquisition .42  3.1.2 Loại bỏ - Elimination 43  3.1.3 Lọc băng tần – Band-pass Filter .44  3.1.4 HFD 44  3.1.5 Gán nhãn cảm xúc – Emo mapping 45  3.1.6 Học máy – Machine Learning 46  3.2 Pha nhận dạng 48  3.3 Thiết bị phần cứng Emotiv .49  KẾT CHƯƠNG .51  CHƯƠNG XÂY DỰNG CHƯƠNG TRÌNH VÀ THỰC NGHIỆM 52  4.1 Mơ hình use case 52  4.2 Đặc tả use case 53  4.2.1 Use case Converting .53  4.2.2 Use case Eliminating .54  4.2.3 Use case Filter 55  4.2.4 Use case HFD calculating .56  4.2.5 Use case Emo Mapping 57  -8- 4.2.6 Use case Training 58  4.2.7 Use case Testing 59  4.3 Thiết kế sở liệu .60  4.4 Mục đích thực nghiệm .62  4.5 Thực nghiệm (học máy cho tất TNV) 62  4.6 Thực nghiệm (học máy cho TNV) 64  KẾT CHƯƠNG .68  KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 69  Các nhiệm vụ hoàn thành .69  Hướng phát triển cho đề tài .69  Kết luận .71  PHỤ LỤC 73  TÀI LIỆU THAM KHẢO 74  -9- Phone – số điện thoại liên lạc TNV Study - tình trạng học vấn TNV JobTitle – Nghề nghiệp TNV 2.Bảng Picture Hình 4-4 Bảng Picture 3.Bảng Sample Hình 4-5 Bảng Sample - 61 - 4.4 Mục đích thực nghiệm Với mơ hình xây dựng cần qua thực nghiệm để chứng minh tính đắn phạm vi áp dụng Mơ hình xây dựng dựa mơ hình cảm xúc Russell thuật tốn tìm đặc trưng để nhận dạng Có số vấn đề đặt với mơ hình là:  Có thể áp dụng mơ hình để tìm đặc trưng nhận dạng TNV hay tìm đặc trưng chung cho số đơng người nhận dạng dựa đặc trưng chưng  Độ xác việc nhận dạng trường hợp áp dụng có chấp nhận hay khơng Để giải hai vấn đề tác giả thực hai thực nghiệm Thực nghiệm thực bước học máy cho tất TNV Thực nghiệm thực bước học máy cho TNV 4.5 Thực nghiệm (học máy cho tất TNV) Trong phần này, tác giả trình bày chi tiết qui trình thu liệu Tác giả tiến hành thu liệu vòng hai tuần với số lượng 85 TNV Các TNV độ tuổi 18-25 khơng có tiền sử bệnh thần kinh Mỗi phiên đo liệu thực với hai TNV phòng cách biệt để đảm bảo tín hiệu thu khơng bị nhiễu không bị ảnh hưởng ngoại cảnh trình thu liệu Mỗi phiên đo liệu tiến hành vòng 45 phút gồm 15 phút giới thiệu cho TNV tổng quan thí nghiệm, cách đánh bảng SAM, phút cho kĩ thuật viên chuẩn bị dụng cụ, chương trình thu mẫu đội mũ cho TNV, thời gian lại để TNV xem ảnh đánh giá cảm xúc Mỗi ảnh biểu diễn vịng giây trước đưa bảng SAM cho TNV đánh giá cảm xúc Mỗi ảnh kích thích sinh chuỗi tín hiệu EEG từ TNV Tín hiệu EEG thu giây loại bỏ giây đầu giây cuối Một vài TNV khơng hồn thành phiên thu liệu họ vấn đề sức khỏe Bởi vậy, tác giả thu 4658 mẫu, có 976 mẫu bị lỗi TNV không đánh dấu vào bảng SAM Tác giả - 62 - đưa mẫu hợp lệ qua bước Elimination nhận 1341 mẫu Sau đó, mẫu đưa vào mơ hình đề xuất trích rút đặc trưng bao gồm: giá trị FD, nhãn cảm xúc đưa vào học máy với SVM để tìm siêu phẳng tối ưu Trong bước nhận dạng, 100 TNV tham gia vào thực nghiệm Các TNV đưa vào mơ hình đề xuất để trích chọn đặc trưng nhận dạng SVM Kết thực nghiệm mô tả Bảng 4-8 Hình 4-6 Trong bảng 4-8, giá trị dịng độ xác trung bình nhận dạng cảm xúc 100 TNV Trong Hình 4-6, điểm tương ứng với nhãn cảm xúc Bảng 4-8 Kết mơ hình áp dụng thực nghiệm Cảm xúc Vui Tức giận Buồn Thoải mái Bình thường Trung bình 5% 7% 8% 5% 9% Kết thực nghiệm cho kết tồi với độ xác trung bình lớn 9% Nếu biểu diễn mẫu liệu (ứng với điểm) thu từ TNV mặt phẳng FD, điểm trải dài mặt phẳng thay phân vào nhóm tương ứng với nhãn cảm xúc Một vài trường hợp bán cầu não phải (tương ứng với F4) tích cực (tương ứng giá trị FDV dương) TNV có cảm xúc tiêu cực Tuy nhiên, số trường hợp khác xảy điều ngược lại Như vậy, tín hiệu EEG cá nhân có đặc tính riêng biệt Điều cho thấy, cách tiếp cận thứ không phù hợp - 63 - Hình 4-6 Thể mẫu hệ trục tọa độ FD 4.6 Thực nghiệm (học máy cho TNV) Thực nghiệm tiến hành học máy tập liệu thu cá nhân nhận dạng cảm xúc TNV Tác giả tiến hành thực nghiệm với 20 TNV Mỗi TNV trải qua phiên thu mẫu tương tự thực nghiệm Tuy nhiên, có vài thay đổi sau: Các ảnh chọn lọc từ IAPS theo thông số Valence Arousal cho cặp giá trị thể cảm xúc mà ảnh muốn kích thích Ví dụ: ảnh muốn gợi cảm xúc vui phải có giá trị Valence Arousal cao mức 7-9 hay cảm xúc buồn phải có hai giá trị thấp mức 1-3 Khoảng 30 ảnh chọn cho nhãn cảm xúc để kích thích TNV - 64 - Thời gian kích thích ảnh 12s, bỏ 1s đầu 1s cuối Tín hiệu thu 10s dùng để tính giá trị FD Sử dụng kỹ thuật cửa sổ trượt với kích thước cửa sổ 640 tín hiệu, dịch chuyển 16 tín hiệu tính FD lần, thu 41 giá trị FD cho mẫu tín hiệu Mỗi TNV có 1230 mẫu đưa vào học máy Khâu kiểm tra độ xác mơ hình thực sau: Mỗi nhãn cảm xúc chọn ảnh, cho TNV xem ảnh lần để xác định xem trạng thái cảm xúc người dùng lúc có tương ứng với nhãn cảm xúc ảnh không Bảng 4-9 Kết nhận dạng thực nghiệm TNV Vui TNV TNV TNV TNV TNV TNV TNV TNV TNV TNV 10 TNV 11 TNV 12 TNV 13 TNV 14 TNV 15 TNV 16 TNV 17 TNV 18 TNV 19 TNV 20 Trung bình 60% 70% 80% 70% 70% 60% 70% 80% 80% 70% 60% 70% 80% 70% 70% 70% 70% 80% 80% 70% - Tức giận 80% 80% 70% 80% 80% 70% 80% 80% 70% 70% 80% 80% 70% 80% 80% 70% 80% 80% 70% 70% - Buồn 60% 60% 70% 60% 70% 60% 70% 70% 70% 70% 60% 60% 70% 70% 80% 60% 70% 70% 70% 70% - Thoải mái 70% 70% 70% 70% 80% 70% 70% 60% 80% 60% 70% 70% 70% 70% 60% 70% 70% 80% 60% 80% - - 65 - Bình thường 60% 60% 70% 70% 80% 80% 80% 70% 70% 70% 60% 60% 60% 70% 80% 60% 60% 70% 70% 60% - Trung bình độ xác 66% 68% 72% 70% 76% 68% 74% 72% 74% 68% 66% 68% 70% 72% 74% 66% 70% 76% 70% 70% 70.5% Bảng 4-10 Thời gian thực nhận dạng thực nghiệm (đơn vị theo giây) TNV Vui TNV TNV TNV TNV TNV TNV TNV TNV TNV TNV 10 TNV 11 TNV 12 TNV 13 TNV 14 TNV 15 TNV 16 TNV 17 TNV 18 TNV 19 TNV 20 Trung bình 2.1 2.3 2.5 2.4 2.3 2.2 2.4 2.3 2.1 2.1 2.1 2.3 2.5 2.4 2.3 2.2 2.4 2.3 2.1 2.1 - Tức giận 2.1 2.2 2.0 2.0 2.1 1.9 2.0 2.1 2.2 2.3 2.2 2.1 2.0 2.1 1.9 2.4 2.0 2.1 2.2 2.0 - Buồn 2.4 2.3 2.1 2.2 2.0 2.0 2.2 1.9 2.1 2.0 1.9 1.8 1.9 2.0 2.1 2.2 1.9 1.8 2.1 2.3 - Thoải mái 2.5 2.2 2.6 2.4 2.6 2.5 2.5 2.1 2.5 2.2 2.5 2.2 1.7 2.4 1.8 2.4 1.8 2.3 2.3 2.1 - Bình thường 2.4 2.5 2.6 2.2 2.6 2.7 2.5 2.2 2.7 2.1 2.5 2.5 2.7 2.4 2.8 2.3 2.4 2.3 1.7 1.8 - Trung bình thời gian 2.5 2.3 2.36 2.24 2.32 2.22 2.23 2.12 2.2 2.14 2.24 2.18 2.16 2.26 2.18 2.3 2.1 2.16 2.08 2.06 2.2 Bảng 4-11 Độ xác mơ hình đề xuất với cơng trình liên quan Loại cảm xúc Tích cực Tiêu cực TB Hạnh phúc Thoải mái Tức giận Buồn K Ishino Berkman et Lin et al al al et Chanel et Mơ hình đề al xuất 54.4% 54% 72% 55% 70% NULL NULL 54.5% 76% 67% 68% 43% 62.9% 67.7% 59% 60.9% 43% 43% 92.57% Kết thực nghiệm thể bảng 4-9 bảng 4-10 Trong bảng 49, cột thông tin TNV thông tin từ cột đến cột độ xác trung - 66 - bình (là số lần nhận dạng chia cho tổng số lần nhận dạng) nhận dạng nhãn cảm xúc TNV Thông tin cột độ xác trung bình nhận dạng năm cảm xúc cho TNV Giá trị trung bình trung bình cộng giá trị từ cột đến cột Trong bảng 4-10, cột thông tin TNV, cột đến thời gian trung bình nhận dạng nhãn cảm xúc cột thời gian nhận dạng trung bình cho tất nhãn cảm xúc Thời gian tính theo đợn vị giây Bảng 4-9 cho thấy mơ hình đề xuất cho kết thực nghiệm với độ xác tồi tốt nhận dạng cảm xúc 66% 76% độ xác trung bình mơ hình việc nhận dạng cảm xúc 70.5% Trong bảng 4-10, thời gian chạy trung bình mơ hình việc nhận dạng cảm xúc 2.2 giây Giá trị cho thấy mơ hình phù hợp cho việc ứng dụng nhận dạng thời gian thực Từ hai thực nghiệm cho thấy rằng, sóng điện não đối tượng khác mang đặc tính riêng biệt Bởi vậy, mơ hình đề xuất phù hợp cho việc áp dụng đối tượng riêng biệt Bảng 4-11 đưa kết so sánh mơ hình đề xuất với kết công bố Các giá trị dịng Bảng độ xác nhận dạng cảm Dịng cuối độ xác trung bình nhận dạng cảm xúc Giá trị Null ứng với cảm xúc chưa nhận dạng Bảng 4-11 cho thấy mơ hình đề xuất đưa độ xác nhận dạng trung bình cho bốn cảm xúc 70.5% tốt so với độ xác nhận dạng trung bình Chanel et al 54.5%, Berkman et al 43% K Ishino et al 60.9% Tuy độ xác trung bình thấp so với Lin et al nhiều mơ hình Lin et al lại không đáp ứng ứng dụng thời gian thực - 67 - KẾT CHƯƠNG Như qua chương này, tác giả đưa thiết kế đặc tả usecase cho phần mềm hệ thống Cơ sở liệu lưu trữ sóng điện não TNV lưu trữ theo ảnh mà TNV đánh giấu q trình lấy mẫu Tác giả đưa hai cách tiến hành thực nghiệm việc xác định cảm xúc người dùng mơ hình đề xuất Kết thực nghiệm cho thấy việc áp dụng mơ hình học mẫu với liệu cảm xúc cho nhiều người đưa kết xác khơng cao Khi áp dụng học mẫu cho TNV kết đạt độ xác trung bình 70.5% cho nhận dạng năm trạng thái cảm xúc người - 68 - KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Các nhiệm vụ hồn thành  Trình bày tổng quan nhận dạng cảm xúc, hướng sản phẩm liên quan đến cảm xúc hướng nghiên cứu khoa học cảm xúc  Nghiên cứu đặc tính sóng điện não sở sinh học, tin học  Nghiên cứu sở khoa học mơ hình cảm xúc Russell, thuật tốn HFD, mơ hình học máy SVM  Đề xuất mơ hình nhận dạng cảm xúc dựa sở khoa học nghiên cứu  Xây dựng chương trình phần mềm thu nhận tín hiệu điện não, nhận dạng cảm xúc tiến hành thực nghiệm mơ hình đề xuất với TNV Hướng phát triển cho đề tài Trong chiến lược phát triển lâu dài, tác giả dự định xây dựng hệ thống sản phẩm dịch vụ dựa tảng mơ hình nhận dạng cảm xúc người Hướng tác tập trung vào dịch vụ NeuroMarketing lĩnh vực giải trí Như giới thiệu phần đầu, NeuroMarketing có thị trường rộng lớn đầy tiềm lĩnh vực giải trí hứa hẹn mang lại giá trị vô lớn phổ biến thiết bị giải trí di động thơng minh đời Mơ hình phát triển ứng dụng thể hình 5-1 - 69 - Hình 5-1 Mơ hình phát triển sản phẩm nhận dạng cảm xúc người dựa sóng điện não Kiến trúc hệ thống phát triển sản phẩm gồm ba tầng: mơ hình nhận dạng cảm xúc, thư viện lập trình, ứng dụng Tầng thấp hệ thống phần mơ hình nhận dạng cảm xúc Tầng trình bày phần trước định nghĩa tập bước xử lý thuật tốn viết ngơn ngữ C++ Matlab Từ phần mơ hình, thư viện lập trình cung cấp hàm, thuật toán xử lý chuyển đổi tảng khác Net, PHP, iOS Tác giả dự kiến xây dựng tập sản phẩm tầng hệ thống dịch vụ NeuroMarketing, website đánh giá hát cảm xúc, số trò chơi tương tác dựa cảm xúc người chơi - 70 - Hình 5-2 Mơ hình triển khai sản phẩm Dịch vụ NeuroMarketing tác giả xây dựng Khi đưa vào sử dụng, coi phần quan trọng chiến dịch Marketing công ty Khi nhận yêu cầu cung cấp dịch vụ NeuroMarketing từ cơng ty, phía nhà cung cấp dịch vụ cần chuẩn bị đội ngũ kỹ thuật viên có khả phụ trách vấn đề kỹ thuật, thiết bị máy móc phần cứng cần thiết Phía cơng ty sử dụng dịch vụ phụ trách vấn đề tuyển TNV, chuẩn bị không gian vấn đề hậu cần Trong thời gian TNV sử dụng sản phẩm, họ đội thiết bị Epoc để ghi lại tín hiệu điện não Tùy vào tính chất loại sản phẩm mà số lượng TNV nhiều hay ít, thuộc vào lứa tuổi khác Sau khoảng thời gian nửa ngày, kết thống kê cho số cuối dựa tổng số TNV tham gia Với giá thành thiết bị phần cứng Epoc số chi phí khác, giá dịch vụ NeuroMarketing mà tác giả cung cấp vào khoảng 15000 US$ /30 người Chi phí so với chi phí mà số cơng ty nước ngồi cung cấp 50000 US$ /30 người hồn tồn có khả cạnh tranh Kết luận Trong cơng trình mình, tác giả xây dựng mơ hình cảm xúc sóng điện não Mơ hình xây dựng có khả thực theo thời gian thực với độ xác lên đến 70,5% Tác giả kiểm chứng khả áp dụng - 71 - mơ hình hai thực nghiệm đến việc sử dụng đặc trưng riêng TNV phù hợp Với kết thời điểm bây giờ, tương lai, mơ hình cần phải có thêm nhiều cải tiến Thứ cần phải nâng cao độ xác việc nhận dạng Thứ hai thực thực nghiệm thứ với số lượng TNV nhiều Song song với việc cải tiến mơ hình, tác xây dựng sản phẩm nhận dạng cảm tảng desktop, di động, web Việc xây dựng nhằm mục tiêu hướng tới tiềm lĩnh vực NeuroMarketing Số lượng công ty cung cấp dịch vụ NeuroMarketing khơng đủ đáp ứng nhu cầu cho công ty lớn chiến dịch marketing Bởi sản phẩm đời hoàn toàn có khả thương mại hóa Trong tương lai xa hơn, sản phẩm áp dụng cho nhiều lĩnh vực khác giải trí, y tế, quốc phịng Nghiên cứu tác kết hợp với bệnh viện để giúp bệnh nhân khuyết tật thể cảm xúc mà khơng cần thơng qua lời nói, giúp ích việc chữa trị cho bệnh nhân trầm cảm, tự kỉ…Ngồi cịn ứng dụng điều khiển thiết bị điện tử thông qua suy nghĩ Với hướng phát triển đầy tiềm vậy, tương lai giới mà người tương tác giao tiếp với máy móc hồn tồn suy nghĩ cảm xúc hồn tồn khả thi đầy hứa hẹn - 72 - PHỤ LỤC Kết nghiên cứu tác giả hội nghị quốc tế Intermational Conference on Control, Automation And Information Sciences (ICCAIS) chấp nhận đăng Hội nghị tổ chức vào tháng 11 năm 2012 thành phố Hồ Chí Minh Dưới thông tin tác giả nhận phản hồi từ hội nghị: Congratulations - your paper #1569639525 ('A Real-Time Model Based Support Vector Machine for Emotion Recognition Through EEG') for ICCAIS 2012 has been accepted with major revision as Regular papers for oral presentation at 2012 International Conference on Control, Automation and Information Sciencesto be held 26-29 Nov 2012, Ho Chi Minh City, Vietnam Since your paper is marginally accepted, authors are requested to well address the reviewers' comments in their final version Further reviews will be carried out to justify these revision if necessary Please have your paper proof-read by a native English speaker The reviews are below or can be found at https://edas.info/showPaper.php?m=1569639525 Please revise your paper to address these reviews, and have your final camera-ready paper submitted before 15 August 2012 Please note that: In order to submit the final version of your manuscript and abstract, at least one of the authors of the paper must register for the conference at the full member/non-member/local participants rate to upload the final manuscript Acceptance of your paper is made with the understanding that at least one author will attend the conference to present the paper Please note that all regular papers are limited to six (6) pages, Excess page charges are paid at US $150.00 per page with regular papers not to exceed a total of eight (8) pages Again, on behalf of the ICCAIS 2012 Program and Organizing Committees, I thank you for your contribution and look forward to seeing you in Ho Chi Minh City during ICCAIS 2012 - 73 - TÀI LIỆU THAM KHẢO [1] E Berkman, D K Wong, M P Guimaraes, E T Uy, J J Gross, and P Suppes, “Brain Wave Recognition of Emotions in EEG”, BCATS, 2003 [2] T Canli, J E Desmond, Z Zhao, G Glover, and J D E Gabrieli, “Hemispheric asymmetry for emotional stimuli detected with fMRI”, NeuroReport, vol 9, pp 3233-3239, 1998 [3] C C Chang, C J Lin, “LIBSVM: A Library for Support Vector Machines”, http://www.csie.ntu.edu.tw/ cjlin/libsvm [4] G Chanel, J Kronegg, D Grandjean, and T Pun, “Emotion Assess-ment: Arousal Evaluation Using EEG’s and Peripheral Physiological Signals”, Proc MRCS, vol 4105, pp 530-537, 2006 [5] T Higuchi, “Approach to an irregular time series on the basis of the fractal theory”, J Physica D, vol 31, pp 277-283 [6] R Horlings, “Emotion recognition using brain activity”, Proc Comp- SysTech, pp.6, 2008 [7] K Ishino and M Hagiwara, “A Feeling Estimation System Using a Simple Electroencephalograph”, Proc ICSMC, vol.5, pp 4204-4209, 2003 [8] N A Jones and N A Fox, “Electroencephalogram asymmetry during emotionally evocative films and its relation to positive and negative affectivity”, J Brain Cogn, vol 20, pp 280-299, 1992 [9] P J Lang, M M Bradley and B N Cuthbert, “International Affective Picture System (IAPS): Technical Manual and Affective Ratings”, The Center for Research in Psychophysiology, University of Florida, Gainesville, FL, USA, 2005 [10] Y P Lin, C H Wang, T L Wu, S K Jeng, and J H Chen, “EEG-based emotion recognition in music listening: A comparison of schemes for multiclass support vector machine”, Proc ICASSP, pp 489-492, 2009 [11] Y Liu, O Sourina, M K Nguyen, “Real-Time EEG-Based Human Emotion Recognition and Visualization”, Proc CW, pp 262-269, 2010 - 74 - [12] N Pradhan and D N Dutt, “Use of running fractal dimension for the analysis of changing patterns in electroencephalograms”, Compt Biol Med, 23, pp.381-388, 1993 [13] J A Russell, “A circumplex model of affect”, J PSP, vol 39, no 6, pp.1161-1178, 1980 [14] K Schaaff, “EEG-based emotion recognition”, Diplomarbeit am In-stitut fur Algorithmen und Kognitive Systeme, Universitat Karlsruhe, 2008 [15] O Sourina, A Sourin, and V Kulish, “EEG data driven animation and its application”, Proc Mirage, LNCS, pp 380-388, 2009 [16] C E van Beijsterveldt, P C Molenaar, E J de Geus, and DI Boomsma, “Heritability of Human Brain Functioning as Assessed by Electroencephalography”, Am J Hum Genet, vol 58, no 3, pp.562 -573, 1996 [17] V Vapnik, C Cortes, “Support-Vector Network Machine Learning”, 20, 273-297, 1995 [18] http://www.emotiv.com/apps/epoc/29 - 75 - ... quan Hiện nhận dạng cảm xúc sóng điện não nhận quan tâm lớn từ nhà khoa học Đã có sản phẩm ứng dụng đời từ kết cơng trình nghiên cứu nhận dạng cảm xúc sóng điện não Một lĩnh vực sử dụng hiệu... tiếp cận để nhận dạng cảm xúc người dựa vào sóng điện não Các nghiên cứu thần kinh học cho thấy não người hoạt động phát sóng điện Mỗi vùng não phát sóng mang đặc trưng cho chức vùng não đó, có... tiêu:  Đề xuất mơ hình nhận dạng cảm xúc người dựa vào sóng điện não với khả nhận dạng năm nhãn cảm xúc  Xây dựng chương trình thu mẫu, xử lý liệu sóng điện não nhận dạng cảm xúc theo thời gian