4. Nội dung và bố cục của luận văn
2.1.5 Ứng dụng CNN trong nhận dạng tín hiệu
Các bước để thực hiện nhận dạng tín hiệu:
- Đưa tín hiệu cần nhận dạng vào trong lớp tích chập
- Chọn các tham số, áp các bộ lọc với stride, padding nếu cần thiết. Thực hiện
tích chập trên tín hiệu và thực hiện hàm ReLU.
- Thực hiện pooling để giảm kích cỡ vec tơ đặc trưng
- Thêm các lớp tích chập nữa cho đến khi đạt được kết quả phù hợp
- Dàn phẳng kết quả và đưa vào lớp kết nối đầy đủ
- Thực hiện các activation function và phân loại tín hiệu.
Xây dựng mạng CNN cho phân loại tín hiệu điện não
Ban đầu, mạng CNN được dùng cho nhận dạng hình ảnh. Trước tiên, đối với mỗi điểm ảnh trong ảnh đầu vào, ta mã hóa cường độ của điểm ảnh là giá trị của nơron tương ứng trong tầng đầu vào.
29
Ví dụ đối với bài toán nhận dạng chữ viết tay từ tập dữ liệu MNIST, mỗi bức ảnh kích thước 28x28 điểm ảnh. Do vậy, mạng có 784 (28x28) nơron đầu vào (Hình 2.8). Sau đó ta huấn luyện trọng số (weight) và độ lệch (bias) để đầu ra của mạng như ta mong đợi là xác định chính xác ảnh các chữ số 0, 1, 2..8, 9.
Với tín hiệu EEG, để thu nhận được suy nghĩ của con người, thiết bị thu thập sẽ tiến hành đo tại một số điện cực. Sau đó, tín hiệu này sẽ được rời rạc hóa theo thời gian bằng một tàn số lấy mẫu nhất định. Giá trị cường độ tín hiệu điện não của một điện cực tại một thời điểm cũng tương tự như cường độ của một điểm ảnh theo chiều dọc và chiều ngang. Như vậy, Hình 2.8 tương đương với việc mô tả cường độ của 28 điện cực (theo chiều ngang) được rời rạc hóa thành 28 điểm theo thời gian (theo chiều dọc).
Mạng tích chập sử dụng 3 ý tưởng cơ bản: các trường tiếp nhận cục bộ (local receptive field), trọng số chia sẻ (shared weights) và tổng hợp (pooling). Chúng ta hãy xem xét lần lượt từng ý tưởng.