Tổng quan nghiên cứu

Giao tiếp giữa máy tính và não người (Brain Computer Interface - BCI) là lĩnh vực nghiên cứu đang phát triển mạnh mẽ trong những năm gần đây, đặc biệt trong việc hỗ trợ phục hồi chức năng và chẩn đoán y học. Theo ước tính, tín hiệu điện não (Electroencephalogram - EEG) là một trong những kỹ thuật không xâm lấn phổ biến nhất được sử dụng trong BCI nhờ ưu điểm chi phí thấp, thiết bị nhỏ gọn và khả năng đo trong điều kiện đối tượng di chuyển. Tuy nhiên, tín hiệu EEG thường chứa nhiều nhiễu và có tỷ số tín hiệu trên nhiễu thấp, gây khó khăn trong việc phân tích và nhận dạng các hoạt động suy nghĩ.

Luận văn thạc sĩ này tập trung nghiên cứu phát triển thuật toán mạng nơron nhân tạo để đánh giá hoạt động suy nghĩ dựa trên tín hiệu EEG, nhằm phân biệt các vận động tưởng tượng (motor imagery) của não bộ. Mục tiêu cụ thể gồm: (1) thu thập và xử lý tín hiệu EEG từ thiết bị Biosemi Active Two; (2) trích xuất đặc trưng từ tín hiệu EEG bằng các phương pháp CSP, PSD và PCA; (3) phân loại các trạng thái suy nghĩ sử dụng mạng nơron nhân tạo với thuật toán lan truyền ngược. Nghiên cứu được thực hiện trên 3 đối tượng với 200 lần chạy mỗi người, thu thập dữ liệu tại phòng thí nghiệm của Trường Đại học Quốc tế, Đại học Quốc gia TP. Hồ Chí Minh trong khoảng thời gian từ 2011 đến 2013.

Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao độ chính xác nhận dạng hoạt động suy nghĩ, góp phần phát triển các ứng dụng BCI trong phục hồi chức năng và điều khiển thiết bị hỗ trợ người khuyết tật. Việc áp dụng các kỹ thuật tiền xử lý và trích đặc trưng hiệu quả giúp cải thiện tỷ lệ phân loại, đồng thời mở ra hướng nghiên cứu mới cho lĩnh vực kỹ thuật điện tử và y sinh tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Cấu trúc và chức năng não người: Não gồm hai bán cầu trái và phải, mỗi bán cầu chia thành bốn thùy (trán, đỉnh, thái dương, chẩm) với các chức năng khác nhau. Vùng tiền vận động và vận động nằm trong thùy đỉnh chịu trách nhiệm điều khiển các hoạt động vận động của cơ thể.

  • Phương pháp thu thập tín hiệu EEG: EEG đo điện áp thay đổi do hoạt động ion trong tế bào thần kinh, sử dụng các điện cực gắn trên da đầu. Tín hiệu EEG được phân loại theo tần số thành các loại sóng Delta, Theta, Alpha, Mu, Beta và Gamma, trong đó sóng Mu (8-13 Hz) và Beta (13-30 Hz) liên quan trực tiếp đến hoạt động vận động và tưởng tượng vận động.

  • Phương pháp tiền xử lý tín hiệu: Sử dụng bộ lọc thông dải Butterworth bậc 4 (8-30 Hz) để loại bỏ nhiễu ngoài băng tần, bộ lọc không gian CAR (Common Average Reference) và SL (Small Laplacian) để tăng tỷ số tín hiệu trên nhiễu bằng cách loại bỏ các thành phần nhiễu đồng thời trên các kênh.

  • Phương pháp trích đặc trưng:

    • Common Spatial Pattern (CSP): Thiết kế bộ lọc không gian tối ưu để phân biệt sự khác biệt phương sai giữa hai nhóm tín hiệu.
    • Power Spectral Density (PSD): Phân tích phổ công suất tín hiệu trong miền tần số bằng biến đổi FFT và phương pháp phân đoạn Welch.
    • Principal Component Analysis (PCA): Giảm chiều dữ liệu đặc trưng PSD để tăng tốc độ xử lý và giảm nhiễu.

  • Mạng nơron nhân tạo (ANN): Mạng truyền thẳng nhiều lớp với thuật toán học lan truyền ngược (backpropagation) được sử dụng để phân loại các trạng thái suy nghĩ. Mạng sử dụng hàm kích hoạt sigmoid và điều chỉnh trọng số dựa trên gradient hàm sai số để tối ưu hóa kết quả phân loại.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Tín hiệu EEG được thu thập từ 3 đối tượng tình nguyện, mỗi người thực hiện 200 lần chạy thí nghiệm tưởng tượng di chuyển tay trái và tay phải. Dữ liệu được thu bằng máy Active Two của Biosemi với 10 kênh điện cực đặt tại vùng tiền vận động và vận động (vị trí FC3, FC4, C1, C2, C3, C4, C5, C6, CP3, CP4). Tốc độ lấy mẫu là 512 Hz.

  • Phương pháp phân tích:

    • Tiền xử lý tín hiệu bằng bộ lọc thông dải Butterworth (8-30 Hz), bộ lọc CAR và SL để loại bỏ nhiễu.
    • Trích đặc trưng tín hiệu EEG bằng ba phương pháp CSP, PSD và PCA.
    • Huấn luyện và phân loại dữ liệu bằng mạng nơron nhân tạo với thuật toán lan truyền ngược, điều chỉnh số lượng lớp ẩn và đơn vị ẩn dựa trên phương pháp thử-sai để đạt hiệu quả tối ưu.

  • Timeline nghiên cứu: Thu thập dữ liệu và xử lý trong giai đoạn 2011-2013, phân tích và đánh giá kết quả thực nghiệm tại phòng thí nghiệm Trường Đại học Quốc tế, TP. Hồ Chí Minh.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả của các bộ lọc tiền xử lý: Bộ lọc thông dải Butterworth loại bỏ hiệu quả các nhiễu ngoài băng tần 8-30 Hz, giúp tăng tỷ số tín hiệu trên nhiễu. Bộ lọc CAR giảm nhiễu đồng thời trên tất cả các kênh, trong khi bộ lọc SL giảm kích thước dữ liệu đến 80% bằng cách chỉ giữ lại 2 kênh trung tâm (C3, C4) và loại bỏ nhiễu từ 4 kênh lân cận. So sánh trực quan cho thấy tín hiệu sau bộ lọc CAR và SL có sự khác biệt rõ ràng hơn giữa trạng thái tưởng tượng di chuyển tay trái và tay phải.

  2. Đặc trưng trích từ tín hiệu EEG: Phương pháp CSP cho giá trị đặc trưng có sự phân biệt rõ ràng giữa các trạng thái suy nghĩ, với các giá trị phương sai trung bình khác biệt đáng kể. PSD cung cấp phổ công suất chi tiết trong miền tần số, trong khi PCA giúp giảm chiều dữ liệu PSD từ d-chiều xuống còn k-chiều, làm giảm thời gian xử lý mà vẫn giữ được đặc trưng quan trọng.

  3. Kết quả phân loại bằng mạng nơron nhân tạo: Mạng ANN với một lớp ẩn được huấn luyện trên dữ liệu trích đặc trưng từ CSP, PSD và PCA đạt độ chính xác phân loại trung bình trên 85% cho 3 đối tượng. Trong đó, phương pháp CSP kết hợp bộ lọc thông dải cho kết quả phân loại tốt nhất, với độ chính xác khoảng 90%. Mạng lan truyền ngược với tốc độ học thích nghi giúp tăng tốc độ hội tụ và giảm sai số huấn luyện.

  4. So sánh hiệu quả các phương pháp: CSP vượt trội hơn PSD và PCA về khả năng phân biệt các trạng thái suy nghĩ, tuy nhiên PCA giúp giảm đáng kể kích thước dữ liệu và thời gian huấn luyện. Bộ lọc SL tuy giảm kích thước dữ liệu nhiều nhưng có thể làm giảm hiệu quả phân loại so với bộ lọc CAR.

Thảo luận kết quả

Nguyên nhân chính của sự khác biệt hiệu quả giữa các phương pháp là do CSP tập trung tối đa hóa sự khác biệt phương sai giữa hai nhóm tín hiệu, phù hợp với đặc tính biến đổi của sóng EEG trong vận động tưởng tượng. PSD và PCA cung cấp thông tin bổ sung về miền tần số và giảm chiều dữ liệu, hỗ trợ mạng nơron trong việc học và phân loại.

So với các nghiên cứu quốc tế, kết quả đạt được tương đương hoặc cao hơn trong điều kiện thí nghiệm không trực tuyến và số lượng đối tượng hạn chế. Việc sử dụng bộ lọc CAR và SL giúp giảm nhiễu hiệu quả, tuy nhiên cần cân nhắc giữa giảm kích thước dữ liệu và giữ lại thông tin đặc trưng.

Dữ liệu có thể được trình bày qua biểu đồ dạng sóng EEG trước và sau các bộ lọc, bảng so sánh độ chính xác phân loại giữa các phương pháp trích đặc trưng và bộ lọc, cũng như biểu đồ hội tụ sai số của mạng nơron theo số vòng lặp huấn luyện.

Đề xuất và khuyến nghị

  1. Mở rộng số lượng đối tượng nghiên cứu: Tăng cỡ mẫu lên khoảng 10-20 người để nâng cao tính đại diện và độ tin cậy của kết quả, đồng thời kiểm tra tính ổn định của thuật toán trên đa dạng cá thể.

  2. Phát triển hệ thống xử lý tín hiệu trực tuyến: Áp dụng các thuật toán tiền xử lý và phân loại trong thời gian thực để phục vụ các ứng dụng BCI điều khiển thiết bị hỗ trợ người khuyết tật, với mục tiêu giảm độ trễ dưới 100 ms.

  3. Tối ưu kiến trúc mạng nơron: Thử nghiệm các mô hình mạng sâu hơn hoặc mạng tích chập (CNN) để cải thiện độ chính xác phân loại, đồng thời áp dụng kỹ thuật điều chỉnh siêu tham số tự động nhằm tăng hiệu quả huấn luyện.

  4. Kết hợp đa phương thức tín hiệu: Nghiên cứu tích hợp thêm các tín hiệu sinh học khác như EMG, ECG hoặc sử dụng các kỹ thuật thu thập tín hiệu thâm nhập để nâng cao độ chính xác và khả năng ứng dụng trong thực tế.

  5. Phát triển phần mềm hỗ trợ phân tích và trực quan hóa: Xây dựng giao diện người dùng thân thiện cho phép các nhà nghiên cứu và kỹ thuật viên dễ dàng thao tác, phân tích và đánh giá tín hiệu EEG cũng như kết quả phân loại.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, y sinh: Có thể áp dụng các phương pháp xử lý tín hiệu EEG và mạng nơron nhân tạo trong các đề tài nghiên cứu về BCI, phục hồi chức năng và chẩn đoán y học.

  2. Chuyên gia phát triển công nghệ hỗ trợ người khuyết tật: Sử dụng kết quả nghiên cứu để thiết kế các thiết bị điều khiển bằng sóng não, như xe lăn điện tử hoặc các thiết bị trợ giúp vận động.

  3. Bác sĩ và nhà khoa học thần kinh: Tham khảo các kỹ thuật phân tích tín hiệu EEG để hỗ trợ chẩn đoán và theo dõi các bệnh lý liên quan đến hoạt động não bộ, đặc biệt trong lĩnh vực phục hồi chức năng thần kinh.

  4. Nhà phát triển phần mềm và kỹ sư AI: Áp dụng mô hình mạng nơron và thuật toán học máy trong việc xây dựng các hệ thống nhận dạng mẫu, phân loại tín hiệu sinh học và phát triển các ứng dụng trí tuệ nhân tạo trong y tế.

Câu hỏi thường gặp

  1. Tại sao chọn tín hiệu EEG để nghiên cứu hoạt động suy nghĩ?
    EEG là phương pháp không xâm lấn, chi phí thấp và có khả năng đo tín hiệu điện não trong thời gian thực, phù hợp để phân tích các hoạt động vận động tưởng tượng mà không gây khó chịu cho đối tượng.

  2. Các bộ lọc CAR và SL khác nhau như thế nào trong xử lý tín hiệu?
    Bộ lọc CAR loại bỏ nhiễu đồng thời trên tất cả các kênh bằng cách trừ trung bình tín hiệu, trong khi bộ lọc SL chỉ loại bỏ nhiễu từ các kênh lân cận, giúp giảm kích thước dữ liệu nhưng có thể làm giảm hiệu quả phân loại.

  3. Phương pháp CSP có ưu điểm gì so với PSD và PCA?
    CSP tối ưu hóa sự khác biệt phương sai giữa hai nhóm tín hiệu, giúp trích đặc trưng hiệu quả cho phân loại các trạng thái suy nghĩ, trong khi PSD và PCA tập trung vào miền tần số và giảm chiều dữ liệu.

  4. Mạng nơron nhân tạo được huấn luyện như thế nào trong nghiên cứu này?
    Mạng sử dụng thuật toán lan truyền ngược với hàm kích hoạt sigmoid, điều chỉnh trọng số dựa trên gradient hàm sai số và tốc độ học thích nghi để tối ưu hóa độ chính xác phân loại.

  5. Nghiên cứu có thể ứng dụng thực tế như thế nào?
    Kết quả có thể được ứng dụng trong phát triển các thiết bị BCI điều khiển bằng sóng não, hỗ trợ người khuyết tật vận động, cũng như trong các hệ thống chẩn đoán và phục hồi chức năng thần kinh.

Kết luận

  • Thuật toán mạng nơron nhân tạo kết hợp các phương pháp tiền xử lý và trích đặc trưng CSP, PSD, PCA cho kết quả phân loại hoạt động suy nghĩ với độ chính xác trên 85%.
  • Bộ lọc thông dải Butterworth, CAR và SL hiệu quả trong việc loại bỏ nhiễu và tăng tỷ số tín hiệu trên nhiễu của tín hiệu EEG.
  • Mạng lan truyền ngược với tốc độ học thích nghi giúp tăng tốc độ hội tụ và giảm sai số huấn luyện.
  • Nghiên cứu mở ra hướng phát triển các ứng dụng BCI không xâm lấn tại Việt Nam, góp phần nâng cao chất lượng phục hồi chức năng và hỗ trợ người khuyết tật.
  • Các bước tiếp theo bao gồm mở rộng cỡ mẫu, phát triển hệ thống xử lý trực tuyến và tối ưu kiến trúc mạng nơron để nâng cao hiệu quả ứng dụng thực tế.

Để tiếp tục phát triển lĩnh vực này, các nhà nghiên cứu và kỹ sư được khuyến khích áp dụng và mở rộng các phương pháp trong luận văn, đồng thời hợp tác đa ngành để tạo ra các giải pháp BCI hiệu quả và thiết thực hơn.