2.1.Kết quả thực nghiệm nhận dạng thể hiện đôi mắt
Hình 5-1. Minh họa quá trình học và nhận dạng trạng thái của đôi mắt
Kết quả thực nghiệm khi cho người dùng nháy mắt 10 lần trong vòng 1 phút. Kết quả cho tính chính xác đến 97%
Người dùng Xác định mắt trong trạng thái
nhắm
Mắt trở lại trạng thái mở sau khi nhắm 1 10 10 2 9 9 3 10 10 4 10 10 5 10 10 6 10 10 ... ... ... 100 9 9
Bảng 5-1. Kết quả thử nghiệm với cử động nháy của đôi mắt
2.2.Kết quả thực nghiệm xác định trạng thái con người
Kết quả thử nghiệm mạng noron lan truyền ngược khi huấn luyện mẫu với dữ liệu training trạng thái buồn ngủ. Dữ liệu đầu vào của mạng là dữ liệu EEG của
người dùng lấy trong 3s và đầu ra là ma trận trọng số dùng cho việc xác định
Threshold.
Mô tả mạng:
Mạng được thiết kế với 4 đầu vào (tương ứng 4 kênh O1, O2 , P7 và P8) va 1 đầu ra (0: thức, 1: ngủ) sử dụng phương pháp học lan truyền ngược với một số thông số như sau
Kết quả huấn luyện:
TRAINGDX, Epoch 0/10000, SSE 83.0824/0.001, Gradient 15.295/1e-006 TRAINGDX, Epoch 20/10000, SSE 34.3363/0.001, Gradient 19.8336/1e-006 TRAINGDX, Epoch 40/10000, SSE 10.7669/0.001, Gradient 3.81973/1e-006 TRAINGDX, Epoch 60/10000, SSE 8.04428/0.001, Gradient 3.92076/1e-006 TRAINGDX, Epoch 80/10000, SSE 1.66478/0.001, Gradient 2.07954/1e-006 TRAINGDX, Epoch 100/10000, SSE 0.279958/0.001, Gradient 0.359105/1e-006 TRAINGDX, Epoch 120/10000, SSE 0.0795897/0.001, Gradient 0.0635086/1e-006 TRAINGDX, Epoch 140/10000, SSE 0.0268326/0.001, Gradient 0.0214441/1e-006 TRAINGDX, Epoch 160/10000, SSE 0.0105146/0.001, Gradient 0.00744106/1e- 006
TRAINGDX, Epoch 180/10000, SSE 0.004436/0.001, Gradient 0.00310013/1e-006 TRAINGDX, Epoch 200/10000, SSE 0.00174792/0.001, Gradient 0.00118607/1e- 006
TRAINGDX, Epoch 212/10000, SSE 0.000973588/0.001, Gradient 0.000659166/1e-006
TRAINGDX, Performance goal met.
Hình 5-2. Sự hội tụ của mạng noron trong quá trình training
Kết quả thực nghiệm khi hệ thống xác định trạng thái buồn ngủ của người dùng khi sử dụng phương pháp mạng noron và phương pháp thống kê. Cứ 3 giây hệ
thống lại kiểm tra một lần xem người dùng rơi vào trạng thái buồn ngủ hay không, thời gian kiểm tra là 1 phút.
Hệ thống phát hiện trạng thái buồn ngủ Người dùng
Sử dụng phương pháp thống kê Sử dụng mạng noron
1 18 18 3 16 18 4 15 19 5 17 19 6 16 19 ... .. ... 99 14 18 100 17 17
Bảng 5-2. Kết quả hệ thống xác định trạng thái buồn ngủ của người dùng trong 1 phút
Hệ thống đạt tính chính xác 84% khi sử dụng phương pháp thống kê và đạt 92% khi sử dụng phương pháp học mạng noron lan truyền ngược. Sự chênh lệch kết quả như vậy là do phương pháp thống kê khi tổng hợp dữ liệu Threshold của 100 người để tìm ra kết quả Threshold cuối cùng bằng các trọng số khác nhau. Các trọng số này được NVLV đề xuất và chỉnh sửa trong quá trình thực nghiệm.
2.3.Kết quả thực nghiệm nhận dạng suy nghĩ
Bảng dưới đây là kết quả thực nghiệm khi hệ thống xác định suy nghĩ bật đèn của người dùng. Hệ thống cứ 0.25 giây xác định xem suy nghĩ của người dùng có phải là bật đèn hay không.
Người dùng Số lần training trạng thái tự nhiên Số lần training suy nghĩ bật sáng đèn
Số lần yêu cầu người dùng nghĩ tới trạng
thái bật sáng đèn trong 5 phút
Tổng số lần hệ thống phát hiện được suy nghĩ
của người dùng là bật sáng đèn 1 1 2 10 7 2 2 3 10 8 3 2 4 10 8 4 4 5 10 9 5 5 4 10 9 6 5 5 10 10 ... .. .. .. ... 100 4 3 10 9
Bảng 5-3. Kết quả thử nghiệm sử dụng score training của riêng từng người để xác định trạng thái bật sáng đèn xảy ra
Từ kết quả thử nghiệm ta thấy rằng số lần training cũng ảnh hưởng đến độ chính xác của hệ thống:
Số lần training nhiều thì khả năng suy nghĩ của con người đến trạng thái bật đèn sáng càng chính xác
Score của lần training cuối cùng sẽ được hệ thống lưu lại dùng cho giai đoạn xác định suy nghĩ bật sáng đèn xảy ra.
Bảng dưới là kết quả thực nghiệm khi lấy giá trị Score training trung bình của 100 người để nhận dạng suy nghĩ bật sáng đèn của người dùng.
Người dùng Số lần yêu cầu người dùng nghĩ tới trạng thái bật sáng đèn trong 5
phút
Tổng số lần hệ thống phát hiện được suy nghĩ của người dùng là
bật sáng đèn 1 10 5 2 10 5 3 10 4 4 10 6 5 10 6 6 10 6 ... ... ... 100 10 7
Bảng 5-4. Kết quả thử nghiệm sử dụng score training trung bình của 50 người để xác định suy nghĩ bật sáng đèn xảy ra
Bảng 2 là kết quả thử nghiệm lấy giá trị trung bình training Natural (3 lần), training Action (3 lần) của 100 người dùng cho việc xác định Action xảy ra. Tính chính xác của hệ thống là 60%. Từ kết quả đó ta thấy rằng việc nghĩ đến cùng suy nghĩ bật sáng đèn của mỗi người là khác nhau, độ chính xác của hệ thống bị chi phối gần như hoàn toàn vào trạng thái tư duy, suy nghĩ, hình dung của mỗi người. Chính vì vậy mà khi sử dụng hệ thống người dùng cần được training trước để đảm bảo tính chính xác của hệ thống.
Số lượng đặc tính (features) được trích rút sẽ ảnh hưởng đến tính chính xác và tốc độ xử lý của hệ thống. Số lượng features nhiều cần nhiều tài nguyên và thời gian xử lý gây ra mức độ chậm (delay) nhất định, song tính chính xác sẽ cao hơn. Bằng thực nghiệm cho thấy rằng không phải tất cả 53 features quyết định tính chính xác mà trong số đó có 30→32 thuộc tính chiếm tới 90% tính chính xác của hệ thống.
Thuật toán ICA được dùng để xử lý các vector đặc tính đã được trích rút từ dữ liệu mẫu EEG. Sử dụng 2 phương thức cài đặt ICA là InfoMax và FastICA ,
FastICA được đề cập đến trong tài liệu này. ICA có một hạn chế là các thành phần độc lập phải có tính phi Gauss (non-gaussianity), tức là không có phân bố (hàm mật độ xác suất) là Gauss. Nguyên nhân là do các biến ngẫu nhiên Gauss được xác định hoàn toàn bởi thống kê bậc 1 (trị trung bình) và bậc 2 (phương sai), các thống kê bậc cao hơn bằng không. Trong khi đó mô hình ICA cần các thống kê bậc cao hơn của các thành phần độc lập để thực hiện sự phân ly (ước lượng các thành phần độc lập). Như vậy tính phi tuyến, phi Gauss dẫn đến sự độc lập thống kê. Cực đại hóa tính phi Gauss (non-gaussianity) đã được xây dựng bởi giải thuật tính toán nhanh và hiệu quả FastICA.
Trong thuật toán GMM, việc sử dụng ma trận hiệp phương sai chéo (diagonal covariance) hay ma trận hiệp phương sai đầy đủ (full covariance) và số lượng thành phần trộn cho mỗi GMM (mixtures per GMM – có thể là 2,4,8,16,32 gaussian) ảnh hưởng đến hiệu năng (performance) của hệ thống.
Processing Number of features Number of
Gaussian Matrix covariance ∑ = diagonal Matrix covariance ∑ = full ica, gmm 53 8 85.6 % 85.7 % ica, gmm 53 16 85.5 % 84.3 % ica, gmm 32 8 85.7 % 85.5 % ica, gmm 32 16 87 % 84.5 % ica, gmm 30 8 85.6 % 84.5 % ica, gmm 30 16 87 % 85.6 %
Bảng 5-5: Kết quả tính toán thực nghiệm xác định suy nghĩ bật sáng đèn xảy ra sử dụng 8,16 gaussian, ma trận hiệp phương sai (chéo, đầy đủ).
KẾT CHƯƠNG
Như vậy qua chương này đã đưa ra hình ảnh giao diện sử dụng hệ thống, đưa ra các kết quả đánh giá bẳng thực nghiệm và các nhân tố ảnh hưởng đến hệ thống. Cuối cùng là những ưu điểm và hạn chế của hệ thống để có những bước phát triển tiếp theo trong tương lai.
KẾT LUẬN