3. CÁC MÔ HÌNH NHậN DạNG CủA MDK
3.1. Mô hình nhận dạng trạng thái sóng não
Hình 4-6. Mô hình nhận dạng trạng thái sóng não a. Mô tả
Mô hình này được mô tả qua các bước như sau:
- Dữ liệu EEG được đưa ra bộ lọc thông cao và thông thấp để loại bỏ các tín hiệu nhiễu môi trường.
- Sau đó, dữ liệu được đưa qua thuật toán ICAs để phân tách thành các tín hiệu độc lập.
- Dữ liệu đo được epoch được đưa vào biến đổi FFT để thu được phổ cho từng tín hiệu spectra.
- Tính toán NL trên đoạn tần số 7-13 Hz, tương ứng với sóng Alpha. Tổng hợp giá trị NL thu được của 4 kênh, với các trọng số wi
- So sánh giá trị thu được với ngưỡng Threshold , từ đó đưa ra quyết định.
- Nếu trong quá trình training: so sánh với kết quả kỳ vọng, từ đó cập nhật
Threshold và các trọng số wi
- Trái lại: thực hiện Post-process để loại bỏ các trường hợp không mong muốn có thể xảy ra (VD: khi nghiêng, lắc đầu có thể sinh các tín hiệu quá độ tạm thỏa mãn các điều kiện nhận dạng cơ bản)
b. Quá trình học
Để xác định các trọng số cho 4 kênh, cũng như lựa chọn Threshold phù hợp cho mỗi người, ta cần thực hiện quá trình Training. Quá trình học máy dựa trên mô hình mạng nơron lan truyền ngược.
Ở đây đơn giản chỉ cần sử dụng 1 nơron:
- Đầu vào là giá trị của các kênh tín hiệu (sử dụng trọng số tương ứng). Để kết hợp được với Threshold, ta thêm 1 đầu vào có giá trị hằng số -1, trọng số w0 =Threshold:
- Chọn hàm ngưỡng làm hàm hoạt động f:
- Công thức học của mạng :
với
trong đó
t(n): trạng thái training lần n (1:active, 0:natural)
y(n): chuẩn đoán của nơron trong lần training n
:tốc độ học của mạng