CNN so sánh hình 違nh theo t瑛ng m違nh. Các m違pj"o "p„"v·o"8逢嬰c g丑i là các 8員e"vt逢pi"*feature). B茨ng cách tìm 荏 m泳c thơ các 8員e"vt逢pi"kh噂p nhau 荏 cùng v鵜 trí
trong hai hình 違nh, CNN nhìn ra s詠v逢挨pi"8欝ng t嘘v"j挨p"pjk隠u so v噂i vi羽c kh噂p tồn b瓜 b泳c 違nh. M厩i 8員e"vt逢pi"gi嘘pi"pj逢"o瓜t hình 違nh mini - m瓜t m違ng hai chi隠u nh臼. Các 8員e"vt逢pi"kh噂p v噂i các khía c衣nh chung c栄a các b泳c 違nh.
Khi nh壱p m瓜t hình 違nh m噂i, CNN khơng bi院v"ej pj"zƒe"p挨k"eƒe"8員e"vt逢pi"này s胤 kh噂p nên nĩ s胤 th穎 chúng kh逸p m丑k"p挨k."荏 m丑i v鵜 trí cĩ th吋. Khi tính tốn s詠 kh噂p c栄a m瓜t 8員e"vt逢pi"trên tồn b瓜違nh, chúng làm thành m瓜t b瓜 l丑c (filter/ kernel). Ph亥n tốn s穎 d映pi"8吋n o"8k隠w"p {"8逢嬰c g丑i là tích ch壱p, thu壱t tốn này là ngu欝n g嘘c c栄a v‒p"ÐM衣ng n挨-ron tích ch壱rĐ0 B瓜 l丑c di chuy吋n sang ph違i v噂i 8瓜 dài d違k"vt逢嬰t c嘘8鵜nh ejq"8院n khi hồn thành vi羽c quét theo chi隠u r瓜ng. Ti院p t映c, b瓜 l丑c tr荏 l衣i 8亥u bên trái c栄a hình 違nh v噂i cùng 8瓜 dài d違k"vt逢嬰t và l員p l衣k"swƒ"vt·pj"ejq"8院n khi tồn b瓜 hình 違pj"8逢嬰c duy羽t quạ Vtqpi"vt逢運ng h嬰p hình 違nh cĩ nhi隠u kênh (ví d映: RGB), b瓜 l丑c e„"épi"8瓜 sâu v噂i hình 違pj"8亥u vàọ Phép nhân ma tr壱p"8逢嬰c th詠c hi羽n gi英a b瓜 l丑c và 違pj"8亥u vào và t医t c違 các k院t qu違8逢嬰c c瓜ng v噂k"8瓜 l羽ej"8吋 cho ra m瓜t kênh m瓜t chi隠ụ
Hình 3.14 Okpj"jがc"eƒej"jqＴv"8じpi"vjwｆv"vqƒp"v ej"ejｆr"xずk"dじ"nがe"5z5 [93] .
3.6.3.2 L噂p pooling (l噂p g瓜p 違nh) Ỵ Pooling layer
Theo sau m瓜t l噂r"Eqpxqnwvkqpcn"nc{gt"vj»pi"vj逢運ng là m瓜t l噂p Pooling layer f́pi"8吋 gi違o"m ej"vj逢噂c d英 li羽u trong tính tốn, hu医n luy羽n. Pooling là m瓜t cách l医y nh英ng hình 違nh l噂n và làm co chúng l衣i trong khi v磯n gi英 8逢嬰c các thơng tin quan tr丑ng nh医v"vtqpi"8„0 L噂p Pooling ik¿r"v<pi"v pj"d医t bi院n khơng gian vt逢噂c các phép
zqc{"x "rjfir"vt逢嬰v."fq"8„"n o"ejq"swƒ"vt·pj"jw医n luy羽n mơ hình hi羽u qu違j挨p. Pooling bao g欝m vi羽c duy羽v"d逢噂c m瓜t ơ vuơng c穎a s鰻 nh臼 d丑c trên m瓜t hình 違nh và l医y giá tr鵜 l噂n nh医t t瑛 c穎a s鰻 荏 m厩i d逢噂c. Trong th詠c t院, m瓜t s嘘 cĩ 2 ho員e"5"8k吋m 違nh và duy羽v"d逢噂c m厩k"4"8k吋m 違pj"8逢嬰c s穎 d映ng ph鰻 bi院n.
M瓜t l噂p pooling ho衣v"8瓜ng th詠c hi羽n pooling trên m瓜t hình 違nh ho員c m瓜t t壱p các hình 違pj0"A亥u ra s胤 cĩ cùng s嘘n逢嬰ng hình 違pj."pj逢pi"o厩i 違nh s胤 cĩ s嘘8k吋m 違nh v"j挨p0"Ak隠w"p {"e pi"t医t h英u ích trong vi羽c qu違n lý t違i tr丑ng tính tốn. Cĩ hai lo衣i phép g瓜p: G瓜p c詠e"8衣i (Max Pooling) và G瓜p trung bình (Average Pooling). Phép g瓜p c詠e"8衣i tr違 v隠 giá tr鵜 l噂n nh医t t瑛 ph亥n hình 違pj"8逢嬰c bao ph栄 b荏i b瓜 l丑c và ho衣t 8瓜ni"pj逢"o瓜t cơng c映 kh穎 nhi宇ụ Nĩ lo衣i b臼 các ngu欝n nhi宇u và th詠c hi羽n kh穎 nhi宇u song song v噂i gi違o"m ej"vj逢噂c. Vtqpi"mjk"8„."rjfir"i瓜p trung bình tr違 v隠 giá tr鵜 trung bình c栄a t医t c違 các giá tr鵜 t瑛 ph亥n hình 違pj"8逢嬰c bao ph栄 b荏i b瓜 l丑c. Phép g瓜p trung bình ch雨8挨p"ik違n th詠c hi羽n gi違o"m ej"vj逢噂e"pj逢"o瓜v"e挨"ej院 kh穎 nhi宇w0"Fq"8„."ej¿pi" ta cĩ th吋 nĩi r茨ng phép g瓜p c詠e"8衣i ho衣v"8瓜ng t嘘v"j挨p"t医t nhi隠u so v噂i phép g瓜p trung bình.
Hình 3.15 Eƒej"vjとe"jqＴv"8じpi"j o"ocz-pooling [93] . 3.6.3.3 A瓜 dài d違k"vt逢嬰t Ỵ Stride length
Stride là kho違ng cách gi英a 2 b瓜 l丑c khi quét. A嘘i v噂i phép tích ch壱p ho員c phép rqqnkpị"8瓜vt逢嬰t là s嘘 pixel mà c穎a s鰻 s胤 di chuy吋n sau m厩i l亥n th詠c hi羽n phép tính. V噂i stride = 1 (hình 3.16), các c穎a s鰻 quét s胤 cách nhau 1 pixel. V噂i stride = 2 (hình 3.17) các c穎a s鰻 quét liên ti院p s胤 cách nhau 2 pixel.
Hình 3.16 Dじ"nがe"xずk"8じ"f k"fＶk"vt⇔ぢv"? 1.
Hình 3.17 Dじ"nがe"xずk"8じ"f k"fＶk"vt⇔ぢv = 2.
3.6.3.4 B瓜8羽m Ỵ Pađing
Cĩ hai lo衣i k院t qu違 cho phép tích ch壱p - m瓜t lo衣k"vtqpi"8„"m院t qu違 tích ch壱p b鵜 gi違m chi隠u so v噂k"8亥u vào và lo衣k"mjƒe"vtqpi"8„"ejk隠u c栄a k院t qu違 tích ch壱r"8逢嬰c v<pi"jq員c gi英piw{‒p0"Ak隠w"p {"8逢嬰c th詠c hi羽n b茨ng cách áp d映pi"rjfir"8羽m h嬰p l羽 *Xcnkf"Rcffkpi+"vtqpi"vt逢運ng h嬰r"vt逢噂c, ho員e"rjfir"8羽o"v逢挨pi"v詠 (Same Pađing) vtqpi"vt逢運ng h嬰p saụ
Mjk"ej¿pi"vc"v<pi"*8羽m) hình 違pj"e„"m ej"vj逢噂c 5x5x1 thành hình 違nh 6x6x1và ucw"8„"ƒr"f映ng b瓜 l丑c 3x3x1 lên nĩ, chúng ta th医y r茨ng ma tr壱n tích ch壱r"8亥u ra cĩ m ej"vj逢噂e"7z7z30"A„"n "rjfir"8羽o"v逢挨pi"v詠 (hình 3.18). M員t khác, n院u chúng ta th詠c hi羽n cùng m瓜t thao tác mà khơng c亥p"8羽m, chúng ta s胤 cĩ m瓜t ma tr壱n tích ch壱r"8亥u tc"e„"m ej"vj逢噂c 3x3x1 b茨ng chính b瓜 l丑c. A„"n "8羽m h嬰p l羽 (valid pađing) (hình 3.19).
Hình 3.19 Aうo"jぢr"nう"*xcnkf"rcffkpi) [93] .
3.6.3.5 Hi羽p"v逢嬰ng overfitting Ỵ underfitting
Overfitting là hi羽p"v逢嬰ng khi mơ hình xây d詠pi"Ðhkv"swƒ"o泳eĐ"x q"d瓜 d英 li羽u hu医n luy羽n (train) nên m医t tính t鰻ng quát hĩa d磯p"8院n hi羽u qu違 kém trên t壱p d英 li羽u test m員e"f́"ejq"8瓜 chính xác cao trên t壱p train0"Ak隠w"p {"e„"pij c"n c違 d英 li羽u nhi宇u, ho員c d英 li羽u b医v"vj逢運ng trong t壱p hu医n luy羽p"8隠w"8逢嬰c ch丑n và h丑e"8吋 8逢c"tc"sw{" lu壱t mơ hình. Nh英ng quy lu壱t này s胤mj»pi"e„"#"pij c"pjk隠u khi áp d映ng v噂i b瓜 d英 li羽u m噂i, d英 li羽u mà cĩ th吋 cĩ d衣ng d英 li羽u nhi宇w"mjƒe0"Mjk"8„."p„"違pj"j逢荏ng tiêu c詠c t噂k"8瓜 chính xác c栄a mơ hình nĩi chung. Hi羽p"v逢嬰ng overfitting (hình 3.20 ph違i) vj逢運ng x違y ra trong các mơ hình phi tham s嘘 ho員c phi tuy院n, nh英ng mơ hình cĩ s詠 linh ho衣t cao trong xây d詠ng hàm m映c tiêu [92, 93].
Wpfgthkvvkpi"*ej逢c"mj噂p) (hình 3.20 trái) là hi羽p"v逢嬰ng khi mơ hình xây d詠ng ej逢c"e„"8瓜 chính xác cao trong t壱p d英 li羽u hu医n luy羽p"e pi"pj逢"v鰻ng quát hĩa v噂i t鰻ng th吋 d英 li羽ụ Khi hi羽p"v逢嬰ng underfitting x違{"tc."o»"j·pj"8„"u胤 khơng ph違i là t嘘t v噂i b医t kì b瓜 d英 li羽u nào trong v医p"8隠8cpi"pj逸c t噂ị Hi羽p"v逢嬰pi"wpfgthkvvkpi"vj逢運ng ít x違{"tc"vtqpi"d k"vqƒp"j挨p0"Mjk"wpfgthkvvkpi"z違y ra, ta cĩ th吋 kh逸c ph映c b茨ng cách vjc{"8鰻i thu壱t tốn ho員c là b鰻 sung thêm d英 li羽w"8亥u vào [92].
Hình 3.20 Aげ"vjお"j o"nquu"vt‒p"vｆr"vguv"x "xcnkfcvkqp"vjあ"jkうp"oqfgn"dお"wpfgthkvvkpi" *vtƒk+"x "qxgthkvvkpi"*rjＶk) [93] .
3.6.3.6 Hàm kích ho衣t Ỵ Activation function
Hàm kích ho衣t (activation function) là nh英ng j o"8逢嬰c áp d映pi"x q"8亥u ra c栄a eƒe"p挨-ron c栄a m瓜t mơ hình m衣ng, và d英 li羽w"8亥u ra c栄c"p„"8逢嬰c s穎 d映ng làm d英 li羽u 8亥u vào cho t亥ng ti院p theọ Hi吋u m瓜t cách ng逸n g丑n, hàm kích ho衣v"n "ÐvtcpuhqtogtĐ" o "eƒe"p挨tqp"vtqpi"o衣ng th詠c hi羽n lên các t鰻ng cĩ tr丑ng s嘘 c栄a các d英 li羽u ngõ vào p挨-ron 8吋 8逢c"tc"ikƒ"vt鵜 s穎 d映ng ti院r"ejq"p挨tqp"荏 các l噂p saụ
3.6.3.7 L噂p ReLu Ỵ Rectified Linear Units
A„pi"xck"vt”"pj臼pj逢pi"swcp"vt丑ng trong quá trình này là Rectified Linear Unit ho員c ReLỤ M映e"8 ej"e栄c"p„"n "v<pi"v pj"rjk"vw{院n tính cho m衣ng. Thu壱t tốn này cĩ th吋 hi吋w"8挨p"ik違n là: b医t c泳p挨k"p q"e„"u嘘¤ọ"jqƒp"8鰻i nĩ v噂k"20"Ak隠u này giúp CNN gi英 v英ng m泳e"8瓜 tin c壱y v隠 m員t tốn h丑c b茨ng cách gi英 các giá tr鵜8«"8逢嬰c h丑c kh臼i b鵜 m逸c k姻t g亥n 0 ho員c ti院n v隠x»"épi0"J o"TgNw"vj逢運pi"8逢嬰c s穎 d映ng 荏 l噂p tích ch壱p và l噂p fully connected (ngo衣i tr瑛 l噂p fully connected cu嘘i cùng).
3.6.3.8 Hàm softmax
Chúng ta c亥n m瓜t mơ hình xác su医t sao cho v噂i m厩i 8亥u vào x, ai th吋 hi羽n xác su医v"8吋8亥u vào 8„"t挨k"x q"l噂p ị V壱{"8k隠u ki羽n c亥n là các ai ph違k"f逢挨pi"x t鰻ng c栄a chúng b茨pi"30"A吋 cĩ th吋 th臼c"o«p"8k隠u ki羽n này, chúng ta c亥n nhìn vào m丑i giá
tr鵜 z1 và d詠a trên quan h羽 gi英a các z1p {"8吋 tính tốn giá tr鵜 c栄a ai0"Piq k"eƒe"8k隠u ki羽n ai l噂p"j挨p"2"x "e„"v鰻ng b茨ng 1.
Chú ý r茨ng z1 cĩ th吋 nh壱n giá tr鵜 c違 âm và d逢挨pi0"O瓜t hàm s嘘o逢嬰v"8挨p"ik違n cĩ th吋 ch逸c ch逸n z1 thành m瓜t giá tr鵜f逢挨pị"x "j挨p"p英c."8欝ng bi院n, là hàm exp(zi)=
i
z
e 0"Ak隠u ki羽n o逢嬰t 8吋 thu壱n l嬰k"j挨p"vtqpi"xk羽e"v pj"8衣q"j o"ucw"p {0"Ak隠u ki羽n cu嘘i cùng, t鰻ng các ai b茨ng 1 cĩ th吋8逢嬰e"8違m b違o n院u ta tính b茨ng cơng th泳c 荏 hình 3.21. A嘘i v噂i m瓜t m衣ng tích ch壱r."j o"uqhvocz"vj逢運pi"8逢嬰c s穎 d映ng 荏 l噂p fully connected cu嘘i cùng nh茨m t衣o b瓜 xác su医v"8吋 phân lo衣i các v壱t th吋."8嘘k"v逢嬰ng mong mu嘘n t瑛 k院t qu違 c栄a l噂r"p挨tqp"ew嘘i cùng.
Hình 3.21 Eƒej"jqＴv"8じpi"j o"Uqhvocz"vtqpi"oＴpi"p￢tqp"v ej"ejｆr [93] .
3.6.3.9 L噂p k院t n嘘k"8亥{"8栄 - Fully connected layer
L噂p k院t n嘘k"8亥{"8栄 (FC) nh壱p"8亥u vào là các d英 li羽w"8«"8逢嬰c làm ph鰯ng, mà m厩k"8亥w"x q"8„"8逢嬰c k院t n嘘k"8院n t医t c違 neuron. Trong mơ hình m衣ng CNN, các l噂p k院t n嘘k"8亥{"8栄 vj逢運pi"8逢嬰c tìm th医y 荏 cu嘘i m衣pi"x "8逢嬰e"f́pi"8吋 t嘘k"逢w"j„c"o映c tiêu c栄a m衣ng ví d映 pj逢"8瓜 chính xác c栄a l噂r0"A亥u ra l噂p FC b茨ng v噂i s嘘 neuron trong l噂p. Vi羽c l詠a ch丑n s嘘 neuron trong l噂r"HE"n "fq"pi逢運i dùng t詠 ch丑n, ngo衣i tr瑛 l噂p FC cu嘘i cùng cĩ s嘘 neuron b茨ng s嘘 l噂p c栄a d英 li羽u (s嘘 nhãn dán y). L噂p này s胤 s穎 d映ng hàm kích ho衣t Softmax.
Lu壱p"x<p"z¤{"f詠pi"o»"j·pj"EPP"8吋 phân lo衣i 3 l噂p d英 li羽u c栄a 3 tác v映 tay trái, tay ph違k"x "ej¤p"pj逢"hình 3.22 Ucw"mjk"8員e"vt逢pi"8逢嬰c hình thành 荏 d逢噂c trích xu医t và l詠a ch丑p"8員e"vt逢pi"*o映e"506"x "507+."eƒe"8員e"vt逢pi"8逢嬰c chuy吋n thành hình
違nh theo thang xám (grayscale) v噂k"m ej"vj逢噂c 違nh là 28 x 28 pixel cho trùng v噂i l噂p 8亥u vào c栄a m衣ng. T壱p d英 li羽u 違pj"e pi"8逢嬰c chia thành t壱p d英 li羽u hu医n luy羽n và ki吋o"vtc"vjgq"rj逢挨pi"vj泳c xác th詠c chéo 10 vịng l員p. Hình 違pj"8亥w"x q"e„"m ej"vj逢噂c 28 x 28 x 1 (v噂i 1 là 3"m‒pj"o w."8員e"vt逢pi"ejq"vjcpi"zƒơ"8亥u tiên s胤 vào l噂p tích ch壱p cĩ 20 b瓜 l丑c v噂k"m ej"vj逢噂e"n "7"z"7"z"30"Ucw"8„"v瑛 hình 違pj"dcp"8亥w"vc"tc"8逢嬰c b瓜8員e"vt逢pi"*hgcvwtg"ocr+"e栄a hình 違pj"dcp"8亥u v噂k"m ej"vj逢噂e"8逢嬰c gi違m cịn 24 x 24 x 20 (v噂k"42"v逢挨pi"泳ng v噂i s嘘 b瓜 l丑c).
Ucw"8„"d瓜 8員e"vt逢pi"p {"swc"n噂r"TgNw"x "8院n l噂p Max Pooling v噂k"m ej"vj逢噂c là 2 x 2 v噂k"8瓜 dài d違k"vt逢嬰t là 2. 雲8¤{"j·pj"違pj"8逢嬰c gi違o"m ej"vj逢噂e"8吋 làm nh姻8瓜 ph泳c t衣p tính tốn, v噂i b瓜8員e"vt逢pi"8亥w"tc"e„"m ej"vj逢噂c m噂i là 12 x 12 x 20. Ti院p theo b瓜8員e"vt逢pi"p {"8逢嬰c làm ph鰯ng tr荏 thành ma tr壱n 1 c瓜t cĩ 2880 giá tr鵜x "8逢嬰c 8逢c"x q"eƒe"p¿v"vtqpi"n噂r"HE0"D逢噂c softmax cĩ th吋8逢嬰c coi là m瓜t hàm logistic t鰻ng quát và cho ra là m瓜t vector g欝m các xác su医t (荏 8¤{"u胤 cĩ 3 xác su医v"v逢挨pi"泳ng v噂i 3 l噂p). Và cu嘘i cùng d英 li羽w"8逢嬰c phân lo衣k0"V逢挨pi"v詠 mơ hình LDA, sau 10 vịng l員p, bi吋u di宇p"8瓜 chính xác sau cùng b茨ng cách tính g瓜p các confusion matrix sau m厩i vịng l員p.
Hình 3.22 EＸw"vt¿e"o»"j·pj"EPP"8ｚ"zwＸv"eてc"nwｆp"x<n 3.7 Rj逢挨pi"rjƒr"8ƒpj"ikƒ
3.7.1 Lý thuy院t xác th詠c chéo
Xác th詠c chéo (cross validation) là k悦 thu壱v"8ƒpj"ikƒ"eƒe"o»"j·pj"vtqpi"j丑c máy b茨ng cách hu医n luy羽n nhi隠u mơ hình c栄a t壱p h嬰p con c栄a d英 li羽w"8亥w"x q"x "8ƒpj"ikƒ" chúng trên m瓜t t壱p h嬰p con khác. Xác th詠c chéo K-fold, d英 li羽w"8亥w"x q"8逢嬰c chia ra thành k t壱p h嬰p con, k悦 thu壱t s胤 s穎 d映ng (k-1) t壱r"eqp"8吋 ti院n hành hu医n luy羽n
(training) và 1 t壱p con cịn l衣k"8吋8ƒpj"ikƒ"o»"j·pj"*vguvkpi+0"Swƒ"vt·pj"p {"8逢嬰c l員p k l亥n v噂i các t壱p h嬰r"eqp"8逢嬰c thay phiên nhaụ
Hình 3.23 Sw{"vt·pj"eてc"zƒe"vjばe"ejfiq"M-fold.
Hình 3.23 là m瓜t ví d映 c栄a xác th詠c chéo k-fold (k = 4). Trong lu壱p"x<p."zƒe" th詠c chéo k-hqnf"*m"?"32+"8逢嬰c s穎 d映pi"8吋8ƒpj"ikƒ"m院t qu違 phân lo衣i c栄a thu壱t tốn trên 3 lo衣k"j pj"8瓜ni0"V逢挨pi"v詠 quy t逸c trên, d英 li羽w"8亥u vào s胤 chia ra làm 10-fold b茨pi"pjcw"*v逢挨pi"泳ng 10 t壱p h嬰r"eqp+"x "32'"8亥u tiên s胤 là t壱r"8ƒpj"ikƒ"x ";2'"e”p" l衣i là t壱p hu医n luy羽n l亥p"n逢嬰v"ejq"8院n h院t 10 mơ hình.
3.7.2 Các mơ hình và thơng s嘘8ƒpj"ikƒ
Hình 3.24 U￢"8げ"sw{"vt·pj"rj¤p"v ej"x "8ƒpj"ikƒ"mｘv"swＶ0
Lu壱p"x<p"u胤 8ƒpj"ikƒ"m院t qu違 theo hình 3.24. Các khung ch英 nh壱v"8泳t nét là ph亥n k院t qu違荏 nghiên c泳w"vt逢噂c và khung ch英 nh壱t li隠n nét là các k院t qu違 m噂i trong lu壱p"x<p"nàỵ D英 li羽w"8亥u vào (1) s胤 là 2 t壱p d英 li羽w"8逢嬰c mơ t違荏 ph亥p"vt逢噂c và s胤 qua kh嘘i ti隠n x穎 lý (2) gi嘘ng nhaụ 雲 kh嘘i trích xu医v"8員e"vt逢pi"*5+."5"vjw壱v"vqƒp"8逢嬰c s穎 d映ng là CSP, FBCSP và DFBCSP. CSP và FBCSP khơng cĩ s穎 d映pi"d逢噂c l詠a ch丑p"8員e"vt逢pi"*6+"vtqpi"mjk"FHDCSP s胤 s穎 d映ng 3 lo衣i l詠a ch丑p"8員e"vt逢pi"8«"8逢嬰c
mơ t違荏 ph亥p"vt逢噂e0"Pj逢"x壱y s胤 cĩ 5 b瓜 trích xu医t khác nhau và các thơng s嘘 chi ti院t 8逢嬰c mơ t違荏 b違ng 3.6. 雲d逢噂c phân lo衣i (5) s胤ejkc"tc"4"vt逢運ng h嬰p là phân lo衣i 2 l噂p và phân lo衣i 3 l噂p. LDA s胤 tham gia phân lo衣i 2 l噂p và 3 l噂p (s穎 d映pi"rj逢挨pi" pháp b亥u ch丑n OVO). CNN s胤 ch雨 tham gia phân lo衣i 3 l噂r"x·"8„"n "o映c tiêu mơ hình BCI th詠c t院j逢噂ng t噂ị Thơng s嘘 các l噂p c栄a m衣pi"EPP"8逢嬰c mơ t違荏 b違ng 3.7. Các k院t qu違8隠w"8逢嬰e"8ƒpj"giá b茨pi"rj逢挨pi"rjƒr"zƒe"vj詠c chéo 10 vịng l員p và qua các thơng s嘘<"8瓜 chính xác, ROC và AUC. C映 th吋 các k院t qu違 s胤8逢嬰e"8ƒpj"ikƒ"pj逢"ucw<
‚ So sánh phân lo衣i 2 l噂p gi英a CSP vs. các bi院n th吋 v噂i mơ hình LDA ‚ So sánh phân lo衣i 3 l噂p gi英a CSP vs. các bi院n th吋 v噂i mơ hình LDA ‚ So sánh phân lo衣i 3 l噂p gi英a CSP vs. các bi院n th吋 v噂i mơ hình CNN ‚ So sánh phân lo衣i 3 l噂p gi英a LDA và CNN
D違pi"3.6 D違pi"e医w"j·pj"x "vj»pi"u嘘"eƒe"o»"j·pj"EUR."HDEUR"x "FHDEUR.
Mơ hình Rj逢挨pi"rjƒr"n詠a ch丑n Vùng t亥n s嘘 S嘘 vùng t亥n s嘘 Các h羽 s嘘 1. CSP - 8 Ỵ 14 Hz 1 m = 3 2. FBCSP - 4 Ỵ 40 Hz 17 m = 3
3. DFBCSP-Fisher H羽 s嘘 Fisher 4 Ỵ 40 Hz Tùy, 6 Ỵ 17 m = 3 4. DFBCSP-mRmR Thu壱t tốn mRmR 4 Ỵ 40 Hz Tùy, t嘘k"8c"8 m = 3 5. DFBCSP-FmRmR K院t h嬰p Fisher và mRmR 4 Ỵ 40 Hz Tùy, t嘘k"8c"8 m = 3
D違pi"3.7 Cƒe"n噂r"x "vj»pi"u嘘"e栄c"o衣pi"EPP"8逢嬰e"8隠"zw医v.
Các l噂p Các thơng s嘘
L噂r"8亥u vào 28 x 28, thang xám Solver sgdm L噂p tích ch壱p 2D, 5 x 5, 20 b瓜 l丑c Max epochs 20
ReLu - Initial learning rate 0.0001
L噂p g瓜p 違nh 4"z"4."8瓜f k"vt逢嬰t 2 Train/Validation 0.8/0.2 L噂p FC 3 l噂p, hàm softmax
3.8Ngơn ng英 l壱p trình
Lu壱p"x<p"u穎 d映ng MATLAB phiên b違n R2021b cho m丑i quá trình thu và x穎 lý tín hi羽ụ MATLAB là ngơn ng英 l壱r"vt·pj"ecq"ejq"v pj"vqƒp"m "vjw壱v0"Ej逢挨pi"trình tích h嬰r"o»k"vt逢運ng tính tốn, mơ ph臼ng và l壱r"vt·pj0"J挨p"p英a, MATLAB là m瓜t mơi vt逢運ng ngơn ng英 l壱p trình hi羽p"8衣i: nĩ cĩ nh英ng c医u trúc d英 li羽u ph泳c t衣p ch泳a, ch泳a các cơng c映8逢嬰c d詠ng s印n và phát hi羽n l厩i, và h鰻 tr嬰 l壱r"vt·pj"vjgq"8鵜pj"j逢噂ng c栄a 8嘘k"v逢嬰pi0"Eƒe"m "u逢"x "pj "mjqc"j丑c s穎 d映pi"OCVNCD"8吋 t鰻 ch泳c, làm s衣ch và phân tích các b瓜 d英 li羽u ph泳c t衣p t瑛8c"f衣pi"eƒe"n pj"x詠e"pj逢"mj "v逢嬰ng h丑c, b違o trì d詠8qƒp."pijk‒p"e泳u y h丑c và tài chính. Nh英ng y院u t嘘 này giúp MATLAB tr荏 thành 1 cơng c映 tuy羽t v運i cho h丑c t壱p và nghiên c泳u [94].
EJ姶愛PI"60"M蔭T QU謂 VÀ BÀN LU一N
K院t qu違 lu壱p"x<p"u胤8逢嬰e"vt·pj"d {"pj逢"ucw<
‚ M映c 4.1: nh逸c l衣i các k院t qu違荏 nghiên c泳w"vt逢噂c
‚ M映c 4.2: tr詠c quan hĩa s詠 c亥n thi院t c栄a vi羽c l詠a ch丑p"8員e"vt逢pi
‚ M映c 4.3: so sánh phân lo衣i 2 l噂p gi英a CSP và các bi院n th吋 v噂i mơ hình LDA ‚ M映c 4.4: so sánh phân lo衣i 3 l噂p gi英a CSP vs. các bi院n th吋 v噂i mơ hình LDA,
v噂k"o»"j·pj"EPP"x "8逢c"tc"pj壱p"8鵜nh mơ hình t嘘k"逢w"pj医t.
4.1 Nh逸c l衣i k院t qu違荏 các nghiên c泳w"vt逢噂c
Hình 4.1 Cƒej"vjとe"vt ej"zwＸv"vtkcn"fばc"vt‒p"fの"nkうw"8げpi"dじ0"Eƒe"vtkcn"34u"8⇔ぢe" ikずk"jＴp"dぞk"eƒe"8⇔ぜpi"nkｚp"pfiv0"Vjぜk"ikcp"dｈv"8Ｚw"vjばe"jkうp"v⇔ぞpi"v⇔ぢpi"8⇔ぢe" 8ƒpj"fＸw"dぞk"eじv"D"x "8⇔ぜpi"8とv"pfiv"o w"v o0"Vjぜk"ikcp"mｘv"vjとe"vjばe"jkうp"v⇔ぞpi" v⇔ぢpi"8⇔ぢe"8ƒpj"fＸw"dぞk"eじv"E0"Eƒe"pj«p"8⇔ぢe"8ƒpj"fＸw"3."4"x "5"v⇔￢pi"とpi"ejq"
nずr"fの"nkうw"Ðvc{"vtƒkĐ."Ðvc{"rjＶkĐ"x "Ðej¤p0
雲 nghiên c泳w"vt逢噂c, h丑c viên 8«"vj pj"e»pi"vtqpi"xk羽e"vƒej"eƒe"8q衣n d英 li羽u theo t羽r"8ƒpj"f医u nhãn và m嘘c th運k"ikcp"8欝ng b瓜 (hình 603+0"Eƒe"vtkcn"34u"8逢嬰c trích tc"8吋 th詠c hi羽p"8ƒpj"ikƒ"GTF1GTU"x "vtkcn"8u"*mjq違ng th運k"ikcp"v逢荏pi"v逢嬰pi+"8吋8逢c"
vào kh嘘i x穎 lý và phân lo衣k0"Ucw"8„"eƒe"vtkcn"8逢嬰e"8逢c"swc"mj嘘i ti隠n x穎 lý, trích xu医t 8員e"vt逢pi"x "rj¤p"nq衣k"8«"p‒w"荏 ph亥p"vt逢噂c. B違ng 4.1 t鰻ng h嬰p k院t qu違8瓜 chính xác (trung bình ± 8瓜 l羽ch chu育n) phân lo衣i 2 l噂p (c員p 1, c員p 2 và c員p 3) và phân lo衣i 3 l噂p (theo hình th泳c OVO và OVA) c栄c"35"8嘘k"v逢嬰ng. Nh逸c l衣i, LVTN 8衣i h丑c ch雨 thu 8逢嬰c d英 li羽u c栄c"35"8嘘k"v逢嬰ng trong khi lu壱p"x<p"p {"vjw"vj‒o"8逢嬰e"5"8嘘k"v逢嬰ng m噂ị A嘘i v噂i phân lo衣i 2 l噂p, k院t qu違 cho th医{"e„"5135"8嘘k"v逢嬰ng cĩ kh違 p<pi"rj¤p" lo衣i t嘘t v噂k"8瓜 chính xác trung bình c栄a c違 ba c員p so sánh là trên 80% (B違ng 4.1). Vtqpi"mjk"8嘘k"v逢嬰pi"Ð23Đ"x "Ð33Đ"e„"8瓜ej pj"zƒe"ecq"8嘘i v噂i c員r"3."8嘘k"v逢嬰pi"Ð35Đ" e„"8瓜 ej pj"zƒe"ecq"8嘘i v噂i c員p so sánh 2 và 30"Ak隠u này cho th医y r茨ng kh違 p<pi" v逢荏pi"v逢嬰ng c違m giác các chi c栄c"eƒe"8嘘k"v逢嬰ng là khác nhau, ví d映8嘘i v噂k"8嘘k"v逢嬰ng Ð23Đ"vj·"mj違p<pi"rj¤p"dk羽t gi英a tay trái và tay ph違i là t嘘t j挨p phân bi羽t gi英a tay và ej¤p."e”p"8嘘i v噂k"8嘘k"v逢嬰pi"Ð35Đ"vj·"pi逢嬰c l衣k0"J挨p"p英c"eƒe"8嘘k"v逢嬰ng cĩ kh違p<pi" phân lo衣k"v逢荏pi"v逢嬰ng t嘘v"e”p"e„"8瓜 l羽ch chu育n th医p cho th医y d英 li羽u cĩ tính h瓜i t映 j挨p"x "8ƒpi"vkp"e壱{"j挨p0"Piq k"tc."e„"6135"8嘘k"v逢嬰pi"e„"8ƒr"泳ng khá v噂k"8瓜 chính xác trung bình 荏 pi逢叡ng 70% (B違pi"603+0"Eƒe"8嘘k"v逢嬰pi"Ð27Đ."Ð32Đ"x "Ð34Đ"e„"u詠 chênh l羽ch gi英a các c員p so sánh là r医t ít, cho th医y kh違p<pi"rj¤p"dk羽t các lo衣k"v逢荏ng v逢嬰ng là ngang b茨pi"pjcw."pj逢pi"8瓜 chính xác trung bình v磯n 荏 m泳e"v逢挨pi"8嘘i th医p. A嘘i v噂i k院t qu違 phân lo衣i 3 l噂p, vì là t鰻ng hịa c栄a c違 ba k院t qu違 phân lo衣k"8»k" m瓜t nên k院t qu違 chung này s胤 th医r"j挨p"pjk隠u so v噂i các k院t qu違 phân lo衣i t瑛pi"8»k" m瓜t (gi違m 5 Ỵ 15%). C映 th吋, 9135"8嘘k"v逢嬰pi"e„"8瓜 chính xác trung bình c叡 50%, 3/13 8嘘k"v逢嬰ng ti羽m c壱n 60%, x "5135"8嘘k"v逢嬰pi"vt‒p"92'."vtqpi"8„"8嘘k"v逢嬰pi"Ð35Đ"8瓜