3. CÁC MÔ HÌNH NHậN DạNG CủA MDK
3.3. Mô hình nhận suy nghĩ
Hình 4-8. Mô hình nhận dạng suy nghĩ a. Mô tả
Hình trên biễu diễn mô hình nhận dạng suy nghĩ được đề xuất. Đầu tiên, dữ liệu EEG sẽ được thu nhận bởi một thiết bị phần cứng. Dữ liệu sau đó được xử lý bởi bước Preprocessing, tại bước này dữ liệu EEG sẽ được chia nhỏ thành các khối (gọi là epoch – gồm 16 cột tương ứng với mỗi điện cực hay kênh, số lượng hàng tùy thuộc vào tần số chia có thể là 16, 32). Sau đó trên mỗi kênh của epoch các đặc tính được trích rút và đưa vào phép biến đổi Independent component analysis (ICA). Kết quả sau phép biến đổi ICA được phân loại bởi GMM classifier, đầu ra là tập hợp các giá trị xác suất trên mỗi kênh. Tập các giá trị này được lọc bởi một bọ lọc trung tâm. Cuối cùng là bước tính toán xác định Score, Threshold và quyết định “hành động” trong suy nghĩ cần thực hiện.
b. Giải thuật tính Score
Moving average sử dụng bộ lọc thông thấp để làm mịn, trơn dữ liệu, loại bỏ các thành phần nhiễu ảnh hưởng nhỏ đến giá trị của Score. Tính toán Score chỉ được thực hiện khi số class (1) sau xử lý của mỗi epoch tối thiểu là 2.
Hình 4-9. Giải thuật tính Score của mỗi epoch (2 ≤ n ≤10)
Mỗi class chứa thông tin WMV (trong đó W là ma trận trọng số - weight, V là ma trận hiệp phương sai - variances, M là ma trận trung bình - mean) của GMM đối với class đó. WMV của mỗi class kết hợp với features của epoch để tính xác suất tích lũy phân phối chuẩn nhiều chiều mvnpdf (Multivariate normal cumulative distribution function) (chi tiết mục 1.3.2). Tổng các xác suất mvnpdf (matrix ProbsKart) sẽ được dùng cho bước tính toán hậu nghiệm (posterior).
Score = DivAggregate (ProbsKart) * MeanAggregate (ProbsKart) - weight
với weight là trọng số liên quan đến số class của epoch.
Khi ở trạng thái Natural, sau quá trình training sẽ tính score, score được lưu trong database phục vụ xác định lại threadhold (trong tài liệu này là một giá trị định nghĩa ngưỡng cho phép Action. Action xảy ra khi giá trị max của Score lớn hơn giá trị threadhold) và tính score của trạng thái Action. Decision action xử lý tiếp score để xác định Action xảy ra.
Hình 4-10. Sự khớp vị trí giữa vòng tròn màu đỏ với các vòng tròn khác sẽ xác định phần trăm khả năng action xảy ra
Score đối với trạng thái mỗi người là khác nhau phụ thuộc vào đặc tính cơ thể từng người, phụ thuộc vào cách tư duy nghĩ đến trạng thái, bị ảnh hưởng bởi môi trường. Kết quả thống kê tính trung bình khi training với 50 người tại cùng một môi trường cho kết quả chính xác đến 60% (bảng 2) khi cùng sử dụng score để xác định Action.
c. Phương pháp chọn ngưỡng
Bước cuối cùng của quá trình nhận dạng tín hiệu là so sánh Score với ngưỡng. Ngưỡng có vai trò rất quan trọng trong tính chính xác của hệ thống. Ta cần có 1 phương pháp hiệu quả để xác định ngưỡng trong quá trình training.
- Để đánh giá tính hiệu quả của ngưỡng, ta sử dụng 2 thông số:
FMR (False Match Rate) : Tỉ lệ chấp nhận sai.
FNMR (False Non-Match Rate) : Tỉ lệ bác bỏ sai.
Hình 4-11. Đồ thị cân bằng phát hiện lỗi
- Khi thay đổi giá trị ngưỡng, các thông số này cũng thay đổi theo. Mỗi cặp giá trị FMR và FNMR tạo thành 1 điểm trên đồ thị cân bằng phát hiện lỗi (DET) - Điểm cân bằng lỗi (EER): Là điểm trên đồ thị DET thỏa mãn:
FMR = FNMR
Đây là giao điểm của đường phân giác góc phần tư thứ I và đường cong DET. Ta có thể lựa chọn ngưỡng tương ứng với điểm EER, với các lý do:
Dễ tìm: điểm này có dấu hiệu nhận biết khá đơn giản.
EER ước lượng khá tốt tỉ lệ sai FMR + FNMR nhỏ nhất.
EER đảm bảo FMR và FNMR vừa phải, không có giá trị nào quá lớn.
Tại điểm EER, tỉ lệ chấp nhận/bác bỏ của hệ thống xấp xỉ với tỉ lệ Action/Natural của người sử dụng.
Dựa trên tập dữ liệu mẫu, ta có thể nhanh chóng tìm ra giá trị ngưỡng tương ứng với điểm EER. Đây là giá trị ngưỡng khá tốt để sử dụng trong quá trình nhận dạng tín hiệu sau này.
KẾT CHƯƠNG
Như vậy qua chương 4, tác giả đưa ra mô hình đề xuất tổng thể trong việc xử lý, nhận dạng trạng thái suy nghĩ, trạng thái và biểu hiện khuôn mặt của con người thông qua kết hợp các mô hình thuật toán để xử lý tín hiệu điên não EEG. Đây là một nền tảng (Framework) dùng chung cho việc thiết kế các ứng dụng công nghệ cao dựa trên nền tảng khoa học Máy não- BCI. Về cơ bản, nền tảng này còn nhiều điểm khiếm khuyết do mới được xây dựng và trong quá trình nâng cấp từ cả phần mềm xử lý lẫn phần cứng. Tuy nhiên, so với các sản phẩm thương mại (như đã trình bầy ở chương 3) thì nền tảng được đề xuất trong luận văn cũng bước đầu thu được các kết quả khả quan và có nhiều tiềm năng để phát triển.
Để đưa ra được mô hình đề xuất như trên, tác giả đã tiến hành thử nghiệm các phương pháp, thuật toán xử lý dữ liệu mà trên thế giới đã đưa ra để xử lý những dữ liệu phức tạp trong đó có tín hiệu điện não. Trên cơ sở những so sánh về tính chính xác, hiệu năng của các phương pháp. Kết quả của các phép so sánh đó cho NVLV những lựa trọn những phương pháp thích hợp áp dụng cho bài toán đặt ra.
Trong chương tiếp theo, NVLV sẽ giới thiệu chung về các kết quả thử nghiệm cho sản phẩm nền tảng (bộ công cụ MDK) đã được đề xuất và những đáng giá cho những kết quả này.
CHƯƠNG 5. XÂY DỰNG CHƯƠNG TRÌNH VÀ ĐÁNH GIÁ
THỬ NGHIỆM
Nội dung chính của chương:
Giới thiệu chương trình demo
Đánh giá chương trình và các kết quả thử nghiệm hệ thống