Professional Documents
Culture Documents
Task 1 16 10 - 30 10
Task 1 16 10 - 30 10
⇒ Chi phí thấp, không can thiệp đến hoạt động của máy tính.
⇒ Xảy ra hiện tượng nhiễu. Để khắc phục cần sử dụng những tính năng lọc âm thanh.
Dữ liệu thu được từ việc thu thập thông tin còn dựa trên môi trường, loại văn bản được gõ
ụ
Keycode (mã phím): ví d A → 65
ờ ể
Time stamp: Th i đi m mà người dùng thực hiện hành động
Sự kiện: nhấn phím (press) , nhả phím (release)
Nếu người dùng nhấn phím A vào thời điểm 1000ms, thì dữ liệu ghi âm thanh thô sẽ có thông tin như
sau:
Keycode: 65
ự ệ
S ki n: Press
Keycode: 65
ự ệS ki n: Release
ặ ư
Đ c tr ng c p cao:ấ
ố ộ
1. T c đ gõ (Typing Speed):
Số lần một phím được nhấn trong một khoảng thời gian.
https://colab.research.google.com/drive/11-U-BQW8FlNtB8vXxjG2j9qwSpYqCwcx#scrollTo=h_G9l07a1RXe
ầ
Ph n 2: Các mô hình h c sâu x lý âm thanh ọ ử
ổ ề
T ng quan v mô hình Neural network
Trong mô hình này sử dụng vector X. Tại thời điểm thứ t vecto tương ứng là xt.
Output: Vector Y. Tại thời điểm thứ t vecto tương ứng là yt.
ế
1.2. Ki n trúc mô hình:
ử ụ ạ
S d ng hàm kích ho t: tanh và softmax
function
1.4. Backpropagation Through Time (Lan truy n ng ề ược theo thời gian)
ế
2.2. Ki n trúc mô hình:
LSTM = Long term memory + short term memory (RNN)
ồ ơ ị ỏ ọ ỗ ả ư ữ ậ ậ ỗ
LSTM bao g m các đ n v nh g i là "cell". M i cell có kh năng l u tr , xóa và c p nh t thông tin. M i cell
được điều khiển bởi ba cổng: cổng quên (forget gate), cổng đầu vào (input gate), và cổng đầu ra (output
gate).
⇒ Kiểm soát thông tin thông tin được truyền qua và thông tin bị loại bỏ.
Input gate: quyết định nếu thông tin mới nên được thêm vào cell.
Output gate: quyết định nếu thông tin trong cell nên được đưa ra ngoài.
ạ ộ ủ
2.3. Ho t đ ng c a mô hình LSTM:
ầ ế ợ ớ ạ ẩ ướ
Đ u vào (Xt) k t h p v i tr ng thái n tr c đó là H(t-1) đ ược xử lý bởi 1 tầng kết nối đầy đủ và sử dụng
ạ ể ịạ ổ
hàm kích ho t sigmoid đ tính toán các giá tr t i 3 c ng.
Ô nhớ tiềm năng được tính bằng cách sử dụng hàm kích hoạt tanh() dựa trên đầu vào X_t và trạng thái
ẩn H_(t-1)
Forget gate quyết định xem cần lấy bao nhiêu từ cell state trước và Input gate sẽ quyết định lấy bao
nhiêu từ input của state và hidden layer của layer trước ⇒ tạo 1 luồng (c) ⇒ có thể mang thông tin đi xa
⇒ long term memory.
ầ ự ử
Ph n 3: Xây d ng th nghi m mô hình trên các ệ
framework Pytorch
LSTM
https://colab.research.google.com/drive/1f1vCMtHToLoAkNkgirNSnq8USW1pS2Ce#scrollTo=oZ0K7MAYRIge
ệ
Tài li u tham kh o: ả
ầ
Ph n 1:
https://www.researchgate.net/publication/221912833_Keystroke_Dynamics_Overview
https://viblo.asia/p/xu-ly-du-lieu-am-thanh-Qpmlezg95rd
https://www.kaggle.com/code/arjunayyangar/assignment2-part1-analysis/input?
fbclid=IwAR1cUDOrlg6SwLn5a1scGq2jCULzJ-rh0FfvvIQYwe12wPw_kAxLiNFJbq8
ầ
Ph n 2:
https://www.geeksforgeeks.org/recurrent-neural-networks-explanation/
https://nttuan8.com/bai-13-recurrent-neural-network/#Du_lieu_dang_sequence
https://vinodsblog.com/2019/01/07/deep-learning-introduction-to-recurrent-neural-networks/
https://d2l.ai/chapter_recurrent-neural-networks/bptt.html