Ứng dụng thuật toán mạng bộ nhớ dài ngắn hạn trong phân loại tín hiệu sóng não

Tạp chí Phát triển Khoa học và Công nghệ – Khoa học Tự nhiên, 5(2):1167-1178
 Open Access Full Text Article Bài nghiên cứu
Ứng dụng thuật toán mạng bộ nhớ dài ngắn hạn trong phân loại
tín hiệu sóng não
Huỳnh Quốc Việt1,2, Nguyễn Thị Như Quỳnh1,2, Trần Đức Minh1,2, Lê Ngọc Ánh1,2, Nguyễn Thanh Phước1,2,
Huỳnh Văn Tuấn1,2,*
 TÓM TẮT
 Cảm xúc con người đóng vai trò quan trọng trong việc giao tiếp khi không sử dụng ngôn ngữ, và
 cảm xúc cũng hỗ trợ cho các nghiên cứu về hành vi của con người. Ngoài ra, tín hiệu điện não đã
 Use your smartphone to scan this được các nhà nghiên cứu đánh giá cao về độ tin cậy cũng như dễ dàng lưu trữ và ghi nhận. Do đó
QR code and download this article phương pháp sử dụng điện não đồ để nhận dạng cảm xúc của con người hiện đang là một lĩnh
 vực tương đối mới. Các ý tưởng chính như tiền xử lý tín hiệu, trích xuất tính năng và tối ưu hóa
 thuật toán là những phương pháp đang được nhiều nhà nghiên cứu nhắm tới trong lĩnh vực này.
 Trong bài nghiên cứu này, chúng tôi hướng đến nhận diện các trạng thái cảm xúc thông qua tín
 hiệu điện não bằng cách sử dụng các thuật toán bộ nhớ dài ngắn hạn. Tập dữ liệu tín hiệu cảm xúc
 được lấy từ cơ sở dữ liệu DEAP của tác giả Koelstra và các cộng sự để phục vụ cho quá trình nghiên
 cứu. Việc nghiên cứu sẽ tập trung vào độ chính xác phân loại và thời gian huấn luyện, đồng thời
 kiểm tra các dạng kiến trúc khác nhau cũng như các thông số khởi tạo của mạng bộ nhớ dài ngắn
 hạn (LSTM). Các kết quả đạt được chỉ ra rằng cấu trúc bộ dữ liệu 3 chiều có hiệu suất tốt hơn so
 với cấu trúc bộ dữ liệu 2 chiều và mạng bộ nhớ dài ngắn hạn là phù hợp cho nhiệm vụ này. Ngoài
 ra, nghiên cứu của chúng tôi cũng được đối sánh với các nghiên cứu của các tác giả khác nhằm
 chứng minh sự hiệu quả của thuật toán phân loại.
 Từ khoá: dữ liệu hai chiều, dữ liệu ba chiều, điện não đồ, cảm xúc, mạng bộ nhớ dài ngắn hạn
 GIỚI THIỆU nhận dạng cảm xúc thông qua tín hiệu EEG và các
1Khoa Vật lý - Vật lý Kỹ thuật, Trường tác giả đã đưa ra kết luận rằng dải beta và gamma
 Trong những năm gần đây, đã có rất nhiều các phương
Đại học Khoa học Tự Nhiên, Việt Nam phù hợp nhất 13. Tác giả Lakshmi và các cộng sự
 pháp được sử dụng để trích xuất đặc trưng của tín
2Đại học Quốc gia TP. HCM, Việt Nam đã khảo sát các phương pháp xử lý và trích xuất tín
 hiệu cảm xúc con người như là biểu hiện khuôn mặt 1,
 hiệu EEG, bao gồm phương pháp phân tích thành
Liên hệ giọng nói 2,3, nháy mắt 4, hoặc sử dụng các tín hiệu
 phần độc lập (ICA), phương pháp phân tích thành
Huỳnh Văn Tuấn, Khoa Vật lý - Vật lý Kỹ sinh lý. Khi so sánh các biểu hiện đã đề cập, chỉ có
 phần cơ bản (PCA), phương pháp biến đổi Wavelet, và
thuật, Trường Đại học Khoa học Tự Nhiên, biểu hiện sử dụng các tín hiệu sinh lý từ con người
Việt Nam phương pháp biến đổi Fourier 14. Tác giả Hatamikia
 là được các nhà nghiên cứu đánh giá cao về độ tin
Đại học Quốc gia TP. HCM, Việt Nam và Nasrabadi đã đề xuất sử dụng bốn phương pháp
 cậy 5, do việc sử dụng tín hiệu sinh lý đã được các nhà
 trích xuất đặc trưng bao gồm entropy gần đúng, en-
Email: hvtuan@hcmus.edu.vn 6
 nghiên cứu khẳng định rằng là khó có thể làm giả . tropy phổ, phân cụm khoảng cách của Katz và phân
Lịch sử Ngoài ra, đây là dạng tín hiệu cực kì đa dạng như tín
• 30-12-2020 cụm khoảng cách của Petrosian, từ đó kết hợp các
 Ngày nhận: hiệu điện não đồ (EEG) 7,8, điện cơ (EMG) 9, huyết áp
• 25-3-2021 phương pháp với nhau, sau đó họ sử dụng chỉ số Dunn
 Ngày chấp nhận: 10 11,12
• Ngày đăng: 30-4-2021 (BVP) , điện tim (ECG)  Các tín hiệu này có nhằm chọn những tính năng nhiều thông tin nhất và
 thể dễ dàng ghi nhận và lưu trữ. Trong bài báo này,
DOI : 10.32508/stdjns.v5i2.1006 phân loại cảm xúc bằng cách sử dụng bản đồ tự tổ
 chúng tôi sử dụng tín hiệu EEG nhằm phục vụ quá chức (SOM) 15.
 trình phân loại cảm xúc của con người. Trong tất cả các nghiên cứu được đề cập trước đó, các
 Để phân loại các trạng thái cảm xúc thông qua tín tác giả đã sử dụng rất nhiều phương pháp để trích xuất
 hiệu EEG, thì quá trình phân loại cần phải khắc phục các tính năng đặc trưng của tín hiệu EEG, cũng như
Bản quyền
 các hạn chế ở các bước như tiền xử lý, trích xuất sử dụng nhiều các thuật toán phân loại khác nhau.
© ĐHQG Tp.HCM. Đây là bài báo công bố
 các đặc trưng của tín hiệu, và tối ưu hóa mô hình
mở được phát hành theo các điều khoản của Chúng tôi nhận thấy việc trích xuất tính năng của các
the Creative Commons Attribution 4.0 phân loại. Nhiều nhà nghiên cứu đã đề xuất các tác giả chỉ tập trung vào các chiều không gian từ một
International license. phương pháp để giải quyết những hạn chế kể trên. chiều (1D) đến hai chiều (2D) của tín hiệu. Tuy nhiên,
 Nhà nghiên cứu Zheng và Lu đã sử dụng mạng nơron nếu nghiên cứu thêm tín hiệu ba chiều (3D) thì chúng
 học sâu nhằm kiểm tra các dải tần số quan trọng để ta có thể mô tả tổng quát hơn về độ sâu của dữ liệu.
 Trích dẫn bài báo này: Việt H Q, Quỳnh N T N, Minh T D, Ánh L N, Phước N T ...  số khi được ghép với chúng tôi (dữ liệu huấn luyện nhỏ hơn nhưng dữ liệu
 nhau. Trong quá trình huấn luyện, mạng LSTM sẽ xử kiểm tra lại lớn hơn) điều này làm quá trình phân loại
 lý dữ liệu đồng loạt cho 4 dải tần số mà không cần phải sẽ không hiệu quả do không đủ dữ liệu cho quá trình
 chia thành lát cắt nhỏ hơn để xử lý từng thành phần. huấn luyện mô hình. Ngoài ra việc trích xuất tính
 Chúng tôi kết luận rằng, việc sử dụng tín hiệu dạng 3D năng chỉ có 12 giá trị cho mỗi kênh khi so với số tính
 năng của chúng tôi là thấp hơn, 32 tính năng cho mỗi
 sẽ giúp mô tả được chi tiết từng thành phần kết hợp
 kênh, do đó việc huấn luyện sẽ có ít các thông tin hơn
 trong tín hiệu, từ đó có thể mô tả chi tiết hơn về các
 để học. Tác giả Katarzyna Mrozik đã sử dụng dữ liệu
 dải tần số hoạt động và các mối quan hệ giữa chúng,
 có độ dài mười giây, độ dài lớn hơn rất nhiều so với
 đây là điều mà tín hiệu 2D khó có thể làm được (do
 dữ liệu của chúng tôi (0.5 giây), việc sử dụng dữ liệu
 các thành phần trong tín hiệu khi kết hợp chỉ được
 có độ dài lớn khi trích xuất tính năng sẽ không thể
 tính toán để cho ra một giá trị duy nhất).
 lấy các giá trị chi tiết để có thể phân loại các trạng thái
 cảm xúc. Ngoài ra trong nghiên cứu của tác giả chỉ tập
 So sánh phương pháp đề xuất với các
 trung vào khảo sát việc trích xuất dữ liệu bằng phương
 nghiên cứu trước
 pháp Wavelet và đưa và các thuật toán phân loại khác
 Trong mục này, chúng tôi so sánh phương pháp đề nhau để kiểm tra, do đó, các tác giả không chú trọng
 xuất với các nghiên cứu có sử dụng bộ dữ liệu DEAP vào việc thiết kế chi tiết các mô hình phân loại mà chỉ
 như nghiên cứu của Evi Septiana Pane và các cộng dùng các thông số mặc định. Ngoài ra, việc chia bộ
 sự sử dụng phương pháp vec-tơ học máy (SVM) để dữ liệu thành 60% cho quá trình huấn luyện và 40%
 phân loại trích xuất các tính năng đặc trưng 24. Tác giả cho quá trình kiểm tra cũng sẽ gặp sự khó khăn như
 Katarzyna Mrozik, và Bożena Kostek sử dụng phép tác giả Xiang Li. Những đặc điểm đó đã dẫn đến việc
 biến đổi wavelet và phân loại theo phương pháp k- phân loại sẽ không được tối ưu nhất.
 nearest neighbors và mạng nơ ron nhân tạo (ANN) 25.
 KẾT LUẬN
 Nhà nghiên cứu Xiang Li đã sử dụng chín đặc trưng
 tuyến tính và ba đặc trưng phi tuyến được trích xuất Nghiên cứu này đã khẳng định được mạng LSTM có
 từ các tín hiệu và dùng phương pháp Random Forest thể được sử dụng cho việc phân loại các trạng thái cảm
 (RF) để phân loại trạng thái cảm xúc 26. Các kết quả xúc của con người. Trong bài nghiên cứu này, chúng
 được mô tả như Bảng 6. tôi đã khảo sát được sự ảnh hưởng của các thông số có
 Dựa vào Bảng 6, các kết quả cho thấy phương pháp đề trong mạng bao gồm số epoch, tốc độ học cũng như số
 xuất sử dụng tín hiệu ở dạng 3D và xử lý các tín hiệu lớp, các thông số này có sự ảnh hưởng đáng kể đến quá
 trình phân loại của mô hình. Chúng tôi kết luận rằng
 trong chiều thời gian đã góp phần làm tăng hiệu quả −
 với epoch bằng 10, tốc độ học bằng 10 4 và số lớp
 của quá trình phân loại. Cụ thể hơn, phương pháp
 bằng hai là các thông số phù hợp cho mạng LSTM để
 của chúng tôi thu được kết quả cao hơn phương pháp
 phân loại được tín hiệu trong phương pháp của chúng
 ANN khoảng 0,7%, kết quả này không thể xem là vượt
 tôi. Thêm vào đó, các kết quả nghiên cứu cũng chỉ
 trội, do cả hai phương pháp đều có cùng đặc tính huấn
 ra rằng các đặc điểm dữ liệu khác nhau như độ dài
 luyện giống nhau. Tuy nhiên, với thuật toán SVM thì
 phân đoạn cũng có ảnh hưởng lớn đến quá trình huấn
 phương pháp của chúng tôi cho ra hiệu quả cao hơn là
 luyện. Kết quả của tập dữ liệu với độ dài phân đoạn là
 3,9%, và khi so với phương pháp k-nearest neighbors 0,5 giây (“input_1”) cho ra kết quả tốt nhất khi so sánh
 là 6,0%, tiếp đó là hiệu quả hơn 3,9% đối với phương các tập dữ liệu với độ dài phân đoạn lớn hơn. Ngoài
 pháp SVM, cuối cùng là cao hơn 3,8% so với phương ra, mạng LSTM sử dụng dữ liệu ở dạng 3D cho ra kết
 pháp Random Forest. quả tốt hơn so với dữ liệu ở dạng 1D và 2D. Các kết
 Các kết quả so sánh thu được có thể được chứng minh quả nghiên cứu còn được so sánh với các nghiên cứu
 thông qua các phương pháp xử lý trích xuất tín hiệu khác, phương pháp đề xuất của chúng tôi cho thấy sự
 của các phương pháp, tác giả Evi Septiana Pane sử hiệu quả cao trong quá trình tín hiệu cảm xúc, đồng
 dụng 11 tính năng trong chiều thời gian để làm tính thời khẳng định việc sử dụng mối liên hệ giữa các tín
 năng cho thuật toán SVM 24 và chỉ sử dụng một dải hiệu EEG trong chiều thời gian sẽ cải thiện được quá
 tần số duy nhất như đầu vào của thuật toán phân loại, trình phân loại.
 1175
Tạp chí Phát triển Khoa học và Công nghệ – Khoa học Tự nhiên, 5(2):1167-1178
 Bảng 6: Bảng so sánh giữa phương pháp đề xuất với các nghiên cứu khác
 Tác giả Phương pháp Độ chính xác (%)
 Xiang Li Random Forest 61,8
 Evi Septiana Pane SVM 61,6
 Katarzyna Mrozik k-nearest neighbors 59,4
 Katarzyna Mrozik ANN 64,7
 Phương pháp đề xuất LSTM 65,6
 DANH MỤC CÁC TỪ VIẾT TẮT TÀI LIỆU THAM KHẢO
 1D: 1-dimension (1 chiều) 1. Andersonno KMP. A real-time automated system for the
 recognition of human facial expressions. IEEE Trans Syst Man
 2D: 2-dimensions (2 chiều) Cybern Part B Cybern;36(1):96–105. PMID: 16468569. Avail-
 3D: 3-dimensions (3 chiều) able from: https://doi.org/10.1109/TSMCB.2005.854502.
 ANN: Artificial Neural Network (Mạng nơ-ron nhân 2. El Ayadi M, Mohamed S. Kamel, and Fakhri Karray. Sur-
 vey on speech emotion recognition: Features, classification
 tạo) schemes, and databases. Pattern Recognition. 2017;4(3):575-
 BVP: Blood Volume Pulse (Huyết áp) 587;Available from: https://doi.org/10.1016/j.patcog.2010.09.
 020.
 DE: Differential entropy (Entropy vi sai) 3. Petrushin V. Emotion in speech: recognition and application
 EEG: Electroencephalogram (Điện não đồ) to call centers. Proceedings of Artificial Neural Networks in En-
 EMG: Electromyography (Điện cơ) gineering. 1999;710;Available from: https://doi.org/10.1007/
 978-3-319-68600-4_25.
 EOG: ElectroOculogram (Điện cơ mắt) 4. Soleymani MPMPT. Multimodal emotion recognition in re-
 ICA: Independent component analysis (Phân tích các sponse to videos IEEE Trans Affect Comput. 2012;3(2):211-
 thành phần độc lập) 223;Available from: https://doi.org/10.1109/T-AFFC.2011.37.
 5. Sahayadhas KSMMRPA. Physiological signal based detection
 LSTM: Long short term memory (Mạng bộ nhớ dài of driver hypovigilance using higher order spectra. Expert
 ngắn hạn) Systems with Applications. 2015;42(22):8669-8677;Available
 RF: Random Forest (Rừng quyết định ngẫu nhiên) from: https://doi.org/10.1016/j.eswa.2015.07.021.
 6. Alex M, et al. Discrimination of Genuine and Acted Emo-
 RNN: Recurrent neural network (Mạng hồi quy) tional Expressions Using EEG Signal and Machine Learning.
 SOM: Self-organizing map (Mạng tự tổ chức) IEEE Access. 2020;8:191080-191089;Available from: 10.1109/
 ACCESS.2020.3032380.
 SVM: Support vector machine (Vec-tơ hỗ trợ học 7. MA SUA, et al. Deep Learning for EEG motor imagery classifi-
 máy) cation based on multi-layer CNNs feature fusion. Future Gen-
 PCA: Principal component analysis (Phân tích các eration Computer Systems. 2019;101:542-554;Available from:
 https://doi.org/10.1016/j.future.2019.06.027.
 thành phần chính) 8. Bhatti MH, et al. Soft Computing-Based EEG Classifica-
 tion by Optimal Feature Selection and Neural Networks.
 XUNG ĐỘT LỢI ÍCH IEEE Transactions on Industrial Informatics. 2019;15(10):5747-
 5754;Available from: 10.1109/TII.2019.2925624.
 Các tác giả đồng ý không có bất kì xung đột lợi ích 9. Rahman MM, et al. Sleep stage classification us-
 nào liên quan đến các kết quả công bố. ing single-channel EOG. Computers in Biology and
 Medicine. 2018;102;Available from: https://doi.org/10.
 ĐÓNG GÓP CỦA CÁC TÁC GIẢ 1016/j.compbiomed.2018.08.022.
 10. Nakisa B, et al. Automatic Emotion Recognition Using Tem-
 Tác giả Huỳnh Quốc Việt viết chương trình, tổng hợp poral Multimodal Deep Learning. IEEE Access. 2020;Available
 from: 10.1109/ACCESS.2020.3027026.
 bản thảo. 11. Wagner JK, Jonghwa; ANDRÉ, Elisabeth. From physiological
 Các tác giả Nguyễn Thị Như Quỳnh, Trần Đức Minh, signals to emotions: Implementing and comparing selected
 Lê Ngọc Ánh, Nguyễn Thanh Phước tham gia đo đạc methods for feature extraction and classification. 2005 IEEE in-
 ternational conference on multimedia and expo IEEE2005;p.
 và xử lý dữ liệu. 940–943. Available from: 10.1109/ICME.2005.1521579.
 Tác giả Huỳnh Văn Tuấn tham gia viết và chỉnh sửa 12. Gouizi K. Negative emotion detection using EMG signal. In-
 bản thảo. ternational Conference on Control, Decision and Information
 Technologies (CoDIT); Metz. 2014;p. 690–695. Available from:
 https://doi.org/10.1109/CoDIT.2014.6996980.
 LỜI CẢM ƠN 13. Zheng WLB. Investigating critical frequency bands and
 Nghiên cứu này được tài trợ bởi Trường Đại học Khoa channels for EEG-based emotion recognition with deep
 neural networks. IEEE Trans Auton Mental Dev. 2015;7(3):162-
 học Tự nhiên, Đại học Quốc gia TP. Hồ Chí Minh 175;Available from: https://doi.org/10.1109/TAMD.2015.
 thông qua đề tài mã số T2020-03. 2431497.
 14. Lakshmi MR, et al. Survey on EEG Signal. International Journal
 of Advanced Research. 2014;4(1):84-91;.
 1176
Tạp chí Phát triển Khoa học và Công nghệ – Khoa học Tự nhiên, 5(2):1167-1178
 15. Hatamikia S, and Ali MN. Recognition of emotional states in- putation. 2019;31(7):1235-1270;Available from: https:
 duced by music videos based on nonlinear feature extrac- //doi.org/10.1162/neco_a_01199.
 tion and some classification 2014 21th Iranian Conference on 22. Zhu LMaXX. A Recurrent Convolutional Neural Network
 Biomedical Engineering (ICBME). 2014;p. 333–337. Available for Land Cover Change Detection in Multispectral Images.
 from: https://doi.org/10.1109/ICBME.2014.7043946. IGARSS 2018 - 2018 IEEE International Geoscience and Re-
 16. Kannathal N, et al. Characterization of EEG-a comparative mote Sensing Symposium; Valencia. 2018;p. 4363–4366.
 study. Computer methods and Programs in Biomedicine. Available from: 10.1109/IGARSS.2018.8517375.
 2005;80(1):17-23;PMID: 16099533. Available from: https://doi. 23. LI GS, et al. On comparing three artificial neural networks
 org/10.1016/j.cmpb.2005.06.005. for wind speed forecasting. Applied Energy. 2010;87(7):2313-
 17. Koelstra S, et al. Deap: A database for emotion analysis; using 2320;Available from: https://doi.org/10.1016/j.apenergy.2009.
 physiological signals. IEEE transactions on affective comput- 12.013.
 ing. 2011;3(1):18-31;Available from: https://doi.org/10.1109/ 24. Evi S. Identifying rules for electroencephalograph (EEG) emo-
 T-AFFC.2011.15. tion recognition and classification. 2017 5th International
 18. Yang Y, et al. Continuous Convolutional Neural Network with Conference on Instrumentation, Communications, Informa-
 3D Input for EEG-Based Emotion Recognition. The 25th Inter- tion Technology, and Biomedical Engineering (ICICI-BME);
 national Conference on Neural Information Processing; Cam- Bandung. 2017;p. 167–172. Available from: 10.1109/ICICI-
 bodia. 2018;p. 433–443. Available from: https://doi.org/10. BME.2017.8537731.
 1007/978-3-030-04239-4_39. 25. Mrozik K, et al. Comparison of selected electroencephalo-
 19. Elisabeth EA. Reasons, years and frequency of yoga practice: graphic signal classification methods. 2017 Signal Process-
 Effect on emotion response reactivity. Frontiers in human ing: Algorithms, Architectures, Arrangements, and Applica-
 neuroscience. 2018;12(264);PMID: 30022932. Available from: tions (SPA); Poznan. 2017;p. 36–41. Available from: https:
 https://doi.org/10.3389/fnhum.2018.00264. //doi.org/10.23919/SPA.2017.8166834.
 20. Shi L-CJ, et al. Differential entropy feature for EEG-based vig- 26. Li X, et al. Emotion recognition from multi-channel EEG data
 ilance estimation. 2013 35th Annual International Confer- through Convolutional Recurrent Neural Network. 2016 IEEE
 ence of the IEEE Engineering in Medicine and Biology Society International Conference on Bioinformatics and Biomedicine
 (EMBC); Osaka. 2013;p. 6627–6630. Available from: 10.1109/ (BIBM); Shenzhen. 2016;p. 352–359. Available from: 10.1109/
 EMBC.2013.6611075. BIBM.2016.7822545.
 21. Yong EA. A review of recurrent neural networks:
 LSTM cells and network architectures. Neural com-
 1177
Science & Technology Development Journal – Natural Sciences, 5(2):1167-1178
 Open Access Full Text Article Research Article
Application of long short term memory algorithm in classification
electroencephalogram
Viet Quoc Huynh1,2, Quynh Nguyen-Thi-Nhu1,2, Minh Duc Tran1,2, Anh Ngoc Le1,2, Phuoc Thanh Nguyen1,2,
Tuan Van Huynh1,2,*
 ABSTRACT
 Human emotion plays an important role in communication without language, and it also supports
 research on human behavior. In addition, electroencephalogram signals have been highly con-
 Use your smartphone to scan this firmed by researchers for reliability as well as ease of storage and recognition. So, the use ofelec-
 QR code and download this article troencephalogram to identify emotion signals are currently a relatively new field. Many researchers
 are targeting the key ideas in this research field such as signal preprocessing, feature extraction
 and algorithm optimization. In this paper, we aim to recognize emotion signals using Long Short
 Term Memory (LSTM) algorithms. Emotional signals dataset was taken from DEAP database of koel-
 stra authors and associates to serve this research. The research will focus on accuracy and training
 time, and it will test different architectural types as well as the initials of LSTM. The obtained results
 show the 3-dimensional cubes's structure has better performance than the 2-dimensional cubes's
 structure. In addition, our research is also compared with other authors' studies to prove the effec-
 tiveness of the classification algorithm.
 Key words: electroencephalogram, emotion, LSTM, 2D data, 3D data
 1Faculty of Physics and Engineering
 Physics, University of Science,
 VNU-HCM, Vietnam
 2Viet Nam National University Ho Chi
 Minh city, Vietnam
 Correspondence
 Tuan Van Huynh, Faculty of Physics and
 Engineering Physics, University of
 Science, VNU-HCM, Vietnam
 Viet Nam National University Ho Chi
 Minh city, Vietnam
 Email: hvtuan@hcmus.edu.vn
 History
 • Received: 30-12-2020 
 • Accepted: 25-3-2021 
 • Published: 30-4-2021
 DOI : 10.32508/stdjns.v5i2.1006 
 Copyright
 © VNU-HCM Press. This is an open-
 access article distributed under the
 terms of the Creative Commons
 Attribution 4.0 International license.
 Cite this article : Huynh V Q, Nguyen-Thi-Nhu Q, Tran M D, Le A N, Nguyen P T, Huynh T V. Application 
 of long short term memory algorithm in classification electroencephalogram. Sci. Tech. Dev. J. - Nat. 
 Sci.; 5(2):1167-1178.
 1178