Trang chủTin hotỨng dụng AI trong nhận dạng tín hiệu sóng não

Ứng dụng AI trong nhận dạng tín hiệu sóng não

Đặt vấn đề

Tiếp tục của loạt bài về AI và ứng dụng trong hệ thống điều khiển, trong bài này chúng tôi xin giới thiệu về nghiên cứu về EEG và ứng dụng phần mềm ANNHUB trong việc triển khai hệ thống giao diện não máy rất thời sự hiện nay.

Điện tâm đồ – Electroencephalogram (EEG) đã được sử dụng rộng rãi trong các lĩnh vực y khoa, khoa học nhận thức (cognitive science) và giao diện máy tính với tín hiệu sóng não – brain-computer interface (BCI). Mục tiêu của BCI là cho phép người dùng có thể tương tác với máy tính chỉ bằng ý nghĩ (think). Tín hiệu sóng não thực chất là một tín hiệu điện sinh học được đo bởi các điện cực tiếp xúc với da đầu. Những tín hiệu sinh học này sẽ được khuếch đại lên hàng chục nghìn lần và được mô tả dưới dạng tín hiệu điện tâm đồ (EEG).

Đối với ứng dụng BCI, tín hiệu điện tâm đồ của một người sẽ có những đặc trưng khác nhau khi người đó ở những trạng thái khác nhau. Ví dụ, ở trạng thái nghỉ ngơi (relax state), tín hiệu sóng não sẽ có dải tần từ 8-15Hz, còn được gọi là sóng alpha. Tương tự, khi người đó thực hiện những hoạt động suy nghĩ tích cực, lo lắng thì dải tần của sóng não thường là từ 16-31 Hz (sóng beta). Sóng gama từ 32Hz trở lên thường xuất hiện khi người đó sử dụng đồng thời các giác quan như thính giác và thị giác trong quá trình suy nghĩ. Các trạng thái khác nhau của sóng não được phân loại thành những nhiệm vụ tinh thần (mental tasks).

Để đo được những tín hiệu sóng não ở các trạng thái khác nhau, các điện cực phải được đặt theo hệ thống phân bổ như hình 1. Hệ thống “international 10-20” phân chia vị trí các điện cực sao cho khoảng cách của chúng là từ 10-20% tổng độ dài từ trước đến sau hoặc từ phải qua trái của sọ người (skull). Mỗi điện cực được gọi là một kênh (channel).

alt

Hình 1: Hệ thống international 10-20

Việc phân loại và nhận dạng được các trạng thái của sóng não trong ứng dụng BCI là vô cùng quan trọng. Nó sẽ giúp cho máy tính có thể nhận lệnh từ những người tàn tật, đã mất khả năng giao tiếp. Đã có rất nhiều phương pháp phân loại và nhận dạng sóng não cho mental tasks được đề xuất như Linear Discriminant Analysis (LDA), Support Vector Machine (SVM), Artificial Neural Network (ANN), Fuzzy Inference System (FIS), và Bayesian Graphical Network (BGN). Tuy nhiên, do tín hiệu sóng não thường phức tạp, đa chiều và không cố định (high dimentionality and nonstationary) nên vấn đề nhận dạng các tín hiệu sóng não đó vẫn còn là thách thức lớn trong lĩnh vực BCI.

Bài báo này đề xuất một phương pháp mới cho việc nhận dạng vào phân loại tín hiệu sóng não cho ứng dụng BCI cho người tàn tật. Bằng cách kết hợp phương pháp mô hình autogression trên miền thời gian và phương pháp phân tích thành phần độc lập (Independent Component Analysis) nhằm tách các kênh tín hiệu sóng não thành các kênh độc lập, những đặc trưng (features) của tín hiệu sóng não được hé lộ. Những đặc trưng này sẽ được sử dụng như tập dữ liệu đầu vào dùng để huấn luyện mạng trí tuệ nhân tạo (Bayesian Neural Network) bằng phần mềm ANNHUB để phân loại các tín hiệu mental tasks.

Bài báo này sử dụng bộ dữ liệu sóng não EEG được Zak Keirn ghi lại trong công trình nghiên cứu về luận án thạc sĩ khoa học tại trường đại học Purdue University. Bộ dữ liệu được viết dưới định dạng nhị phân của phần mềm Matlab (binary format). Tín hiệu EEG được ghi lại từ 7 đối tượng, với 7 điện cực được gắn ở 7 kênh khác nhau theo hệ thống 10-20: đó là C3,C4,P4,P4,O1,O2 và EOG (tín hiệu di chuyển mắt).

Các đối tượng được yêu cầu thực hiện 5 nhiệm vụ (5 mental tasks): a baseline (trạng thái nghỉ ngơi), mental multiplication (trạng thái suy nghĩ thực hiện các phép toán tính nhẩm), mental figure rotation (trạng thái suy nghĩ tưởng tượng một vật thể 3 chiều quay quanh một trục tọa độ), mental letter composing (trạng thái suy nghĩ khi tưởng tượng việc cầm bút viết một bức thư trên giấy), và visual counting (trạng thái suy nghĩ khi tưởng tượng ra hình ảnh các con số khi đếm nhẩm trong đầu). Các nhiêm vụ (mental tasks) được thực hiện trong 10 lần. Ở mỗi lần thử nghiệm, tín hiệu EEG được thu lại bằng một thiết bị với tần số lấy mẫu là 250Hz trong 10 giây (tất cả là 2500 samples (mẫu)).

Hình 2 mô tả tín hiệu sóng não EEG trong 1 lần thử nghiệm (10s), tương đương với 2500 mẫu tín hiệu.

alt

Hình 2: Các tín hiệu sóng não mô tả các trạng thái mental tasks trong 10s.

Để thiết kế hệ thống nhận dạng các trạng thái mental tasks của tín hiệu sóng não, tác giả đề xuất cấu trúc của hệ thống như trên hình 3. Để thực hiện nhiệm vụ phân loại sóng não, đầu tiên tín hiệu sóng não được đi qua khối Feature Extraction. Mục đích của khối này là lọc nhiễu tín hiệu đồng thời tìm ra những đặc trưng (features) mô tả các trạng thái của tín hiệu sóng não khi thực hiện các mental tasks. Tiếp sau đó, các đặc trưng này được dùng như là các tín hiệu đầu vào cho mạng neural network dùng để nhận dạng và phân loại đúng tín hiệu mental task.

alt

Hình 3: Cấu trúc hệ thống nhận dạng trạng thái suy nghĩ dựa trên tín hiệu sóng não

Thiết kế khối Feature Extraction

alt

Hình 4: Sơ đồ nguyên lý của khối Feature Extraction.

Khối Feature Extraction Hình 4 mô tả sơ đồ nguyên lý của khối Feature Extraction. Đầu tiên, tín hiệu sóng não (EEG) ở miền thời gian với độ dài là 100s (100 giây) được đi qua khối Segmentation (0.5s). Kết quả là một tín hiệu sóng não (100s) sẽ bị cắt nhỏ ra thành 200 tín hiệu sóng não có độ dài là 0.5s. Các tín hiệu sóng não này sẽ được đi qua khối Autoregression Model (bậc 6). Mục đích của khối này là thông qua phương pháp mô hình autoregression sử dụng phương pháp Burg để mô hình hóa các tín hiệu sóng não có độ dài 0.5s thành những hàm đa thứ bậc 6.

Như vậy mỗi tín hiệu sóng não (0.5s) sẽ được mô tả bởi một hàm đa thức bậc 6 với một bộ hệ số (coefficients) tương ứng. Do sử dụng 6 kênh tín hiệu sóng não, các kênh này sẽ được tích hợp lại thành 1 bộ dữ liệu chứa 36 tham số tương ứng với 36 hệ số của hàm đa thức mô tả tín hiệu sóng não từ kênh 1 (vị trí điện cực C3) đến kênh 6 (vị trí điện cực O2). Quá trình này được thực hiện nhờ khối Combine AR coefficients. Cuối cùng, do tín hiệu sóng não được đo từ các điện cực ở các vị trí khác nhau cùng một lúc nên các tín hiệu thu được sẽ chứa thông tin đan xen giữa các kênh khác nhau (mixed signals).

Để có thể tách bạch các thông tin chủ đạo của 6 kênh, phương pháp phân tích thành phần độc lập (Independent Component Analysis) bậc 6 được áp dụng ở khối ICA. Kết quả là từ một tín hiệu sóng não có độ dài 100s, thông qua khâu Feature Extraction, được biến đổi thành 200 mẫu dữ liệu (data sample). Mỗi mẫu dữ liệu chứa 6 phần tử tương ứng với 6 đặc trưng (feature) nổi bật của 6 kênh tín hiệu sóng não. Những đặc trưng này sẽ được sử dụng như là đầu vào của mạng neuron có chức năng nhận dạng và phân loại (Neural Network Classifier). Vì cần nhận dạng 5 trạng thái mental task, nên Neural Network Classifier (NNC) có 5 đầu ra tương ứng. Để phân biệt được các đầu ra này, bộ nhị phân 5 bit được sử dụng. Bộ số (1,0,0,0,0) sẽ tương ứng với trạng thái 1 (baseline), bộ số (0,1,0,0,0) sẽ tương ứng với trạng thái 2 (mental multiplication),.., và cuối cùng bộ số (0,0,0,0,1) tương ứng với trạng thái 5 (visual counting).

Trong bài báo này, tín hiệu sóng não 0.5s cho 1 trạng thái tương ứng với 6 đầu vào là 6 đặc trưng nổi bật của 6 kênh và 5 đầu ra được mã hóa bởi bộ nhị phân 5 bit cho trạng thái đó. Kết quả là 1 tín hiệu sóng não trong 100s mô tả 1 trạng thái mental task sẽ tạo ra 200 mẫu dữ liệu có 11 phần tử, trong đó 6 phần tử đầu là đầu vào và 5 phần tử tiếp theo là đầu ra. Với một tín hiệu sóng não cho một trạng thái cụ thể, do ta đã biết trạng thái của tín hiệu đầu ra nhị phân mô tả tín hiệu đó được gọi là đầu ra mục tiêu (target).

Như vậy, với một tín hiệu sóng não mô tả một trạng thái bất kì (ví dụ trạng thái 1) hình thành một mẫu dữ liệu huấn luyện mạng trí tuệ nhân tạo với định dạng cặp vector (đầu vào, đầu ra mục tiêu). Với nhiều tín hiệu sóng não, các vector với 11 phần tử mô tả cặp đầu vào và đầu ra mục tiêu sẽ hình thành bộ dữ liệu chuẩn dùng cho việc huấn luyện mạng trí tuệ nhân tạo để nó có thể nhân dạng và phân loại chính xác các tín hiệu sóng não mô tả một trạng thái mental task bất kỳ. Bộ dự liệu đó được gọi là training dataset.

Thiết kế Neural Network Classifier

Thông qua khối Feature Extraction, bộ dữ liệu sóng não được chia làm 2 tập dữ liệu riêng biệt: tập dữ liệu huấn luyện (training dataset) và tập dữ liệu kiểm tra (test dataset). Về mặt định dạng thì 2 tập dữ liệu giống nhau, tuy nhiên tập training dataset dùng trong quá trình huấn luyện mạng trí tuệ nhân tạo Neural Network Classifier (NNC). Bộ dữ liệu test dataset dùng để kiểm chứng độ ổn định và độ chính xác của NNC trên bộ dữ liệu hoàn toàn mới. Đối với bộ dữ liệu của Zak Keirn, bộ dữ liệu training (MentalTaskTrainingICAAR.csv) có 700 samples chiếm 70% và bộ dữ liệu test (MentalTaskTestICAAR.csv) cố 300 samples chiếm 30%.

Do dữ liệu training dataset cho quá trìn huấn luyện không nhiều (chỉ có 700 samples), tác giả đề xuất dùng Bayesian Neural Network cho việc nhận dạng và phân loại tín hiệu sóng não, là một cấu trúc mạng neural network sử dụng lý thuyết xác xuất thống kế (Bayes theorem) trong quá trình huấn luyện để đảm bảo tính tổng quát hóa (generalisation) và tránh hiện tượng học quá mức (overfitting). Hiện tượng overfitting xảy ra khi mạng neural network học tốt bộ dữ liệu huấn luyện, nhưng lại đưa ra chuẩn đoán sai với những dữ liệu thực tế.

Với phần mềm ANNHUB, việc thiết kế một Bayesian Neural Net là một quá trình đơn giản theo chu trình 5 bước như sau:

Bước 1: Tải dữ liệu training set vào ANNHUB. Tại bước này, dữ liệu training dataset dưới định dạng file csv (MentalTaskTrainingICAAR.csv) được tải vào phần mềm ANNHUB một cách dễ dàng thông qua giao diện đồ họa thân thiện (như hình 5). Ở bước này, một phần thông tin của dữ liệu được hiện thị để đảm bảo dữ liệu được tải vào là hợp lệ. Quan trọng hơn, dựa vào cấu trúc dữ liệu mà ANNHUB sẽ gợi ý cấu trúc mạng neural network ở bước tiếp theo.

alt

Bước 1: Tải dữ hiệu huấn luyện vào ANNHUB

Bước 2: Thiết kế Bayesian Neural Network Classifer trong ANNHUB. Sau khi dữ liệu training dataset được tải vào ANNHUB, dựa vào cấu trúc của dữ liệu ANNHUB sẽ gợi ý cấu trúc tối ưu, bao gồm thuật toán huấn luyện, cấu trúc mạng lớp ẩn (hidden layer), cấu trúc mạng lớp ra (output layer), phương pháp xử lý dữ liệu đầu vào (preprocessing), phương pháp xử lý dữ liệu đầu ra (postprocessing), và hàm tối ưu hóa (cost/lost function). Việc thiết lập mạng neural network là Bayesian Neural Network là hết sức đơn giản. Chỉ thông qua việc lựa chọn thuật toán huấn luyện là Bayesian Regularization thì ANNHUB sẽ tự động điều chỉnh mạng neural network là Bayesian Neural Network (theo hình 6).

alt

Hình 6: Thiết kế cấu trúc Bayesian Neural Network Classifier trong ANNHUB

Thông thường khi thiết kế một cấu trúc mạng neural network, số lượng các nút ẩn (hidden nodes) thường được chọn một cách ngẫu nhiên theo phương pháp trial and error. Nhược điểm của phương pháp này là không chứng minh được tính tối ưu của cấu trúc mạng. Với cấu trúc Bayesian Neural Network, bằng cách sử dụng evidence framework, số nút ẩn tối ưu có thể được xác định như hình 6 với 17 nút ẩn theo hình 7.

alt

Hình 7: Ứng dụng phương pháp Evidence Framework để tìm cấu trúc tối ưu của mạng trí tuệ nhân tạo Bayesian Neural Network

Bước 3: Huấn luyện mạng Bayesian Neural Network. Thông thường, phương pháp dừng sớm (early stopping) trong quá trình huấn luyện sẽ được sử dụng để ngăn chặn quá hiện tượng overfitting. Để thực hiện phương pháp early stopping này, tập training dataset được chia ra làm 3 tập con: training set, validation set và test set. Tập training set dùng để huấn luyện mạng neural network thông qua quá trình tối ưu hóa, còn tập validation set sẽ có nhiệm vụ giám sát và xác định điểm dừng khi quá trình huấn luyện có xu hướng overfitting. Tuy nhiên, do sử dụng thuật toán Bayesian Regularization, thì hiện tượng overfitting được tránh và vì vậy bộ dữ liệu validation set là không cần thiết. ANNHUB sẽ gợi ý các tham số huấn luyện. Kết quả quá trình huấn luyện được thể hiện ở hình 8 với điểm tối ưu đạt được sau 50 chu kỳ (epoch).

alt

Hình 8: Huấn luyện mạng Bayesian Neural Network trong ANNHUB

Bước 4: Đánh giá mô hình Baysian Neural Network sau quá trình huấn luyện. Để đảm bảo mô hình mạng trí tuệ nhân tạo Bayesian Neural Network có khả năng nhận dạng và phân loại các tín hiệu sóng não của một người bất kỳ, các phương pháp đánh giá như ROC, Confusion matrix được sử dụng đối với cả hai tập dữ liệu training set và test set. ANNHUB hỗ trợ cả hai phương pháp này. Theo hình 9 và 10, độ chính xác của mô hình đối với cả 2 tập dữ liệu đều đạt trên 90%. Nói cách khác, mạng Bayesian Neural Network thông qua huấn luyện có khả năng nhận dạng và phân loại tín hiệu sóng não cho một trạng thái bất kỳ với độ chính xác trên 90%.

alt

Hình 9: Ứng dụng phương pháp Confusion Matrix để đánh giá độ ổn định của mô hình Bayesian Neural Network đã qua huấn luyện.

alt

Hình 10: Ứng dụng phương pháp ROC để đánh giá độ ổn định của mô hình Bayesian Neural Network đã qua huấn luyện.

Bước 5: Kiểm tra Bayesian Neural Network trên bộ dữ liệu test dataset. Mặc dù mô hình Bayesian Neural Network (đã qua huấn luyện) được kiểm tra và đánh giá ở bước 4. Tuy nhiên, việc đánh giá này chỉ được thực hiện trên bộ dữ liệu training dataset chiếm 70% toàn bộ dữ liệu của Zak Keirn. Thực chất, bộ dữ liệu training dataset này được tách thành 2 tập dữ liệu nhỏ hơn: training set chiếm 75% của tập training dataset, được thiết lập bởi tham số Training data ratio (%) ở hình 5, và test set chiếm 25% của tập training dataset. Để đảm bảo tính tổng quát hóa của mô hình (generalisation), ANNHUB cho phép việc kiểm tra và đánh giá lại mô hình Bayesian Neural Network trên tập dữ liệu test dataset chiếm 30% toàn bộ dữ liệu EEG của Zak Keirn. Bộ dữ liệu test dataset này hoàn toàn không được sử dụng trong quá trình huấn luyện nên nó đảm bảo được tiêu chí đánh giá độ ổn định của mô hình. Cả hai phương pháp ROC và Confusion Matrix đều được sử dụng trong quá trình kiểm tra này nhằm đưa ra các chỉ số đánh giá tin cậy nhất.

Theo hình 11, mô hình Bayesian Neural Network được đánh giá trên bộ dữ liệu test dataset đạt được độ chính xác khoảng 85%. Kết quả này là kết quả được kỳ vọng vì nó chỉ có sai số nhỏ (5%) so với kết quả đạt được đối với bộ dữ liệu dùng để huấn luyện. Nói cách khác, mô hình Bayesian Neural Network có tính tổng quát cao và có khả năng nhận dạng và phân loại tín hiệu sóng não của một người bất kỳ với độ chính xác lên tới 85%.

alt

Hình 11: Đánh giá độ ổn định của mô hình Bayesian Neural Network trên tập dữ liệu test dataset.

Kết luận

Bài báo này đã trình bày một phương pháp mới nhằm nhận dạng và phân loại các trạng thái mental task của sóng não. Bằng cách kết hợp phương pháp autoregression và Independence Component Analysis, những đặc trưng nổi bật của tín hiệu sóng não đối với bất kỳ trạng thái suy nghĩ nào được hé lộ. Những điểm đặc trưng này (features) được sử dụng như đầu vào cho kiến trúc mạng Bayesian Neural Network với thuật toán huấn luyện Bayesian Regularization. Nhờ có sự kết hợp của lý thuyết xác xuất trong quá trình huấn luyện, tính tổng quá hóa (generalisation) của mô hình được đảm bảo, đồng thời tránh được hiện tượng overfitting. Hơn thế nữa, với Bayesian Neural Network còn hỗ trợ Evidence Framework cho phép người dùng tìm được cấu trúc tối ưu của mạng trí tuệ nhân tạo theo phương pháp khoa học. So với các phương pháp thông thường, phương pháp mới được đề xuất này đạt được độ chính xác ổn định khoảng 85% trên bộ dữ liệu test dataset cho việc nhận dạng 5 trạng thái khác nhau của sóng não. Kết quả này là một kết quả đầy hứa hẹn. Ứng dụng của phương pháp này cho lĩnh vực giao diện não máy (Brain-Computer Interface) mở ra cơ hội cho những người tàn tật có cơ hội tiếp xúc và tương tác với môi trường xung quanh thông qua trạng thái suy nghĩ (mental task) của mình. Ứng dụng cho việc dùng ý nghĩ để điều khiển xe lăn là một ví dụ điển hình. Toàn bộ mã nguồn cho khối Feature Extraction dưới dạng đoạn mã Matlab và ví dụ ứng dụng cho điều khiển xe lăn có thể tìm thấy ở blog của ANSCENTER. https://www.anscenter.com/Blogs/Blog/BlogPost/mental-task-thought-control-system

Tác giả:TS. Nguyễn Tuấn Nghĩa – CEO ANSCENTER; PGS. Nguyễn Hồng Quang – ĐH Bách khoa Hà Nội

TĐHNN số tháng 10/2019

Theo dõi fanpage chúng tôi

BÌNH LUẬN

Vui lòng nhập bình luận của bạn
Vui lòng nhập tên của bạn ở đây

Bài viết cùng chủ đề

VAA tham gia Triển lãm Khuôn mẫu và công cụ Đông Quản – Trung Quốc

Đoàn doanh nghiệp Việt Nam thuộc các lĩnh vực cơ khí, điện tử, hàn, tự động hóa gồm 21 thành viên đến từ các Hội, Hiêp hội như: Hội Tự động hóa Việt Nam, Doanh nghiệp cơ khí Việt Nam (VAMI), Hội Khoa học kỹ thuật Hàn Việt Nam đã tham gia “Lễ hội mua sắm” máy công cụ, các trang thiết bị, linh kiện tại khu vực Greater Bay của triển lãm.

Thủ tướng Phạm Minh Chính: Thanh niên cần thực hiện 5 xung kích, 6 khát vọng trong chuyển đổi số

Thủ tướng cũng chỉ rõ, thanh niên phải là lực lượng xung kích, giương cao ngọn cờ tiên phong, tình nguyện đi đầu, làm chủ công cuộc chuyển đổi số và phát triển Việt Nam sớm trở thành Quốc gia số, Thủ tướng Phạm Minh Chính yêu cầu Đoàn Thanh niên cùng toàn thể thanh niên Việt Nam phát huy tinh thần "5 xung kích" trong thực hiện nhiệm vụ chuyển đổi số Quốc gia.

Liên Hiệp Quốc thông qua nghị quyết về AI để bảo vệ nhân quyền

Ngày 21/3, Đại Hội đồng Liên Hiệp Quốc đã thông qua Nghị quyết về bảo vệ nhân quyền, bảo vệ dữ liệu cá nhân và giám sát các rủi ro do trí tuệ nhân tạo (AI) gây ra.

Các trường ngoài công lập ở Hà Nội được yêu cầu không thu phí giữ chỗ

Thông báo của Sở Giáo dục và Đào tạo Hà Nội ngày 22/3 yêu cầu các cơ sở giáo dục ngoài công lập không thu tiền giữ chỗ. Sở sẽ phối hợp với các đơn vị có liên quan, tăng cường thanh tra, kiểm tra, xử lý nghiêm nếu phát hiện vi phạm.

Động lực cho sự phát triển của TP. Hồ Chí Minh là tháo gỡ khó khăn, vướng mắc cho doanh nghiệp

Được sự hỗ trợ của Trung ương, và sự nỗ lực của cả hệ thống chính trị, trong năm 2023, Thành phố đã bình tĩnh đối phó với các cơn gió ngược, tìm ra các điểm nghẽn, đề ra các giải pháp phù hợp, tập trung giải quyết các công tác liên quan đến giải ngân vốn đầu tư công, hỗ trợ doanh nghiệp và thu hút đầu tư nước ngoài để phát triển kinh tế, xã hội của Thành phố.

Bài viết nổi bật

VAA tham gia Triển lãm Khuôn mẫu và công cụ Đông Quản – Trung Quốc

Đoàn doanh nghiệp Việt Nam thuộc các lĩnh vực cơ khí, điện tử, hàn, tự động hóa gồm 21 thành viên đến từ các Hội, Hiêp hội như: Hội Tự động hóa Việt Nam, Doanh nghiệp cơ khí Việt Nam (VAMI), Hội Khoa học kỹ thuật Hàn Việt Nam đã tham gia “Lễ hội mua sắm” máy công cụ, các trang thiết bị, linh kiện tại khu vực Greater Bay của triển lãm.

Circuit Design: từ thiết kế bảng mạch đến nhà cung cấp công nghệ không dây hàng đầu Nhật Bản

Circuit Design một thương hiệu công nghệ không dây hàng đầu của Nhật Bản phục vụ cho nhiều ngành công nghiệp và dân dụng khác nhau. Với 50 năm xây dựng, hiện sản phẩm của họ đã có mặt ở hơn 30 quốc gia trên thế giới. Đằng sau thành công đó là câu chuyện khởi nghiệp đầy cảm hứng.

Thủ tướng Phạm Minh Chính: Thanh niên cần thực hiện 5 xung kích, 6 khát vọng trong chuyển đổi số

Thủ tướng cũng chỉ rõ, thanh niên phải là lực lượng xung kích, giương cao ngọn cờ tiên phong, tình nguyện đi đầu, làm chủ công cuộc chuyển đổi số và phát triển Việt Nam sớm trở thành Quốc gia số, Thủ tướng Phạm Minh Chính yêu cầu Đoàn Thanh niên cùng toàn thể thanh niên Việt Nam phát huy tinh thần "5 xung kích" trong thực hiện nhiệm vụ chuyển đổi số Quốc gia.