Tổng quan nghiên cứu

Giao diện não-máy tính (Brain-Computer Interface - BCI) là công nghệ tiên tiến giúp kết nối trực tiếp giữa não bộ và thiết bị ngoại vi, hỗ trợ người khuyết tật vận động, đặc biệt là các bệnh nhân liệt do tổn thương thần kinh trung ương. Tại Việt Nam, với tỷ lệ khuyết tật chiếm khoảng 7,8% dân số, nhu cầu phát triển các hệ thống BCI nhằm cải thiện chất lượng cuộc sống và khả năng phục hồi chức năng là rất cấp thiết. Nghiên cứu này tập trung vào việc phân loại các tác vụ tưởng tượng vận động (Motor Imagery - MI) dựa trên tín hiệu điện não đồ (EEG) bằng cách ứng dụng hai phương pháp phân loại chính: Linear Discriminant Analysis (LDA) và Mạng neuron tích chập (Convolutional Neural Network - CNN) kết hợp với các bộ lọc không gian đa dạng.

Mục tiêu nghiên cứu là đánh giá hiệu quả của CNN khi kết hợp với các bộ lọc không gian khác nhau trong phân biệt các tác vụ MI, đồng thời so sánh với phương pháp LDA truyền thống trên cả bộ dữ liệu tự thu thập và bộ dữ liệu chuẩn BCI Competition IV 2a. Thời gian thu thập dữ liệu kéo dài từ tháng 10/2019 đến tháng 3/2021 tại phòng thí nghiệm Kỹ thuật Y sinh, Trường Đại học Bách Khoa TP. Hồ Chí Minh. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao độ chính xác phân loại tín hiệu EEG, góp phần phát triển các hệ thống BCI hiệu quả hơn, hỗ trợ phục hồi chức năng cho người khuyết tật vận động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết và mô hình chính:

  1. Common Spatial Pattern (CSP): Là thuật toán trích xuất đặc trưng không gian hiệu quả trong phân loại tín hiệu EEG MI. CSP tối ưu hóa sự khác biệt về phương sai giữa hai lớp tín hiệu, giúp tăng khả năng phân biệt các trạng thái tưởng tượng vận động khác nhau. Các biến thể như Filter-Bank CSP (FBCSP) và Discriminative Filter-Bank CSP (DFBCSP) được sử dụng để khai thác đặc trưng đa băng tần và tăng cường hiệu quả trích xuất.

  2. Phân loại tín hiệu EEG bằng LDA và CNN: LDA là phương pháp phân tích phân biệt tuyến tính truyền thống, đơn giản và hiệu quả trong nhiều trường hợp. CNN là mô hình học sâu có khả năng tự động học đặc trưng từ dữ liệu hình ảnh, được áp dụng cho dữ liệu EEG được chuyển đổi thành ảnh đặc trưng không gian. CNN gồm các lớp tích chập, pooling, và fully connected, giúp mô hình hóa các đặc trưng phức tạp và không tuyến tính trong tín hiệu EEG.

Các khái niệm chính bao gồm: tín hiệu EEG, sóng não (alpha, beta), ERD/ERS (Event-related desynchronization/synchronization), bộ lọc không gian, trích xuất đặc trưng, phân loại đa lớp (One-versus-One, One-versus-All).

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Dữ liệu EEG được thu thập từ 16 sinh viên khỏe mạnh (10 nam, 6 nữ), tuổi trung bình 21 ± 0.89, với 6 kênh điện cực đặt theo chuẩn 10-20 (C3, Cz, C4, P3, Pz, P4). Mỗi người thực hiện 4-5 phiên thí nghiệm, mỗi phiên gồm khoảng 250 trial, mỗi trial kéo dài 6 giây, bao gồm các tác vụ tưởng tượng vận động tay trái, tay phải và chân. Ngoài ra, bộ dữ liệu chuẩn BCI Competition IV 2a với 9 người tham gia cũng được sử dụng để so sánh.

  • Phương pháp phân tích: Tín hiệu EEG được tiền xử lý bằng các bộ lọc băng tần (8-14 Hz), loại bỏ nhiễu và trích xuất đặc trưng không gian bằng CSP và các biến thể. Đặc trưng sau đó được đưa vào phân loại bằng LDA và CNN. CNN được thiết kế với 3 lớp tích chập, kết hợp với các bộ lọc không gian đa dạng để tăng cường khả năng phân biệt. Phân loại được thực hiện theo mô hình đa lớp (3 lớp) với các chiến lược One-versus-One và One-versus-All.

  • Timeline nghiên cứu: Thu thập dữ liệu từ tháng 10/2019 đến tháng 3/2021, tiền xử lý và trích xuất đặc trưng trong giai đoạn tiếp theo, huấn luyện và đánh giá mô hình trong khoảng thời gian cuối năm 2021 đến đầu 2022.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Tăng hiệu suất phân loại nhờ bộ lọc không gian đa dạng: Việc áp dụng các bộ lọc không gian nâng cao như DFBCSP đã cải thiện hiệu suất phân loại của cả LDA và CNN từ 10% đến 30% so với sử dụng CSP truyền thống. Ví dụ, trên bộ dữ liệu tự thu thập, độ chính xác phân loại tăng từ khoảng 65% lên đến 85% khi sử dụng bộ lọc nâng cao.

  2. So sánh hiệu quả giữa CNN và LDA: Mặc dù CNN có khả năng học đặc trưng phức tạp, kết quả cho thấy CNN không vượt trội hơn LDA về độ ổn định và độ chính xác trên hầu hết các trường hợp. Độ chính xác trung bình của CNN dao động trong khoảng 75-85%, trong khi LDA đạt hiệu suất tương đương hoặc cao hơn trong nhiều thử nghiệm.

  3. Mô hình kết hợp tối ưu: Cả CNN và LDA đều đạt hiệu suất tốt nhất khi kết hợp với bộ lọc không gian phù hợp, đặc biệt là DFBCSP. Mô hình CNN với bộ lọc này đạt độ chính xác trung bình khoảng 83%, trong khi LDA đạt khoảng 85%, cho thấy sự phù hợp của từng mô hình với đặc trưng trích xuất.

  4. Phân loại đa lớp hiệu quả: Chiến lược phân loại đa lớp (One-versus-One và One-versus-All) được áp dụng thành công, với độ chính xác phân loại 3 lớp (tay trái, tay phải, chân) đạt trên 80% trên cả hai bộ dữ liệu.

Thảo luận kết quả

Nguyên nhân chính của việc CNN không vượt trội hơn LDA có thể do kích thước mẫu dữ liệu còn hạn chế, dẫn đến hiện tượng overfitting trong mô hình CNN. Ngoài ra, tính chất tín hiệu EEG có nhiều nhiễu và biến đổi cá nhân cao cũng ảnh hưởng đến khả năng tổng quát hóa của CNN. Kết quả này phù hợp với một số nghiên cứu gần đây cho thấy LDA vẫn là phương pháp phân loại hiệu quả và ổn định trong các ứng dụng BCI với dữ liệu hạn chế.

Việc cải tiến bộ lọc không gian đóng vai trò quan trọng trong việc nâng cao hiệu suất phân loại, giúp tăng cường tín hiệu đặc trưng và giảm nhiễu. Các bộ lọc như DFBCSP tận dụng được thông tin đa băng tần và không gian, phù hợp với đặc tính phức tạp của tín hiệu EEG.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh độ chính xác phân loại giữa các mô hình và bộ lọc, cũng như bảng confusion matrix thể hiện khả năng phân biệt các lớp MI. Biểu đồ ROC và giá trị AUC cũng minh họa hiệu quả phân loại của từng mô hình.

Đề xuất và khuyến nghị

  1. Mở rộng bộ dữ liệu thu thập: Tăng số lượng người tham gia và số lượng trial để cải thiện khả năng huấn luyện và tổng quát hóa của mô hình CNN, giảm thiểu hiện tượng overfitting. Thời gian thực hiện: 6-12 tháng, chủ thể: nhóm nghiên cứu và phòng thí nghiệm.

  2. Phát triển bộ lọc không gian đa băng tần nâng cao: Nghiên cứu và áp dụng các bộ lọc không gian mới kết hợp với kỹ thuật học sâu để khai thác tối đa đặc trưng tín hiệu EEG. Thời gian: 6 tháng, chủ thể: nhóm nghiên cứu.

  3. Tối ưu kiến trúc mạng CNN: Thiết kế các kiến trúc CNN phù hợp hơn với đặc tính dữ liệu EEG, bao gồm các lớp dropout, batch normalization để giảm overfitting và tăng độ ổn định. Thời gian: 3-6 tháng, chủ thể: nhóm phát triển phần mềm.

  4. Ứng dụng mô hình trong hệ thống BCI thực tế: Triển khai mô hình phân loại vào các thiết bị hỗ trợ phục hồi chức năng, robot hỗ trợ vận động, với mục tiêu cải thiện độ chính xác phân loại trên 85% trong môi trường thực tế. Thời gian: 12 tháng, chủ thể: các đơn vị y tế và công nghệ.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành kỹ thuật y sinh, trí tuệ nhân tạo: Nắm bắt kiến thức về trích xuất đặc trưng và phân loại tín hiệu EEG, áp dụng trong các đề tài nghiên cứu BCI và học sâu.

  2. Chuyên gia phát triển hệ thống BCI và phục hồi chức năng: Áp dụng các phương pháp phân loại và bộ lọc không gian nâng cao để thiết kế các thiết bị hỗ trợ người khuyết tật vận động.

  3. Bác sĩ và nhà vật lý trị liệu: Hiểu rõ về công nghệ BCI và các thuật toán phân loại tín hiệu não, hỗ trợ trong việc lựa chọn và đánh giá các thiết bị phục hồi chức năng hiện đại.

  4. Nhà phát triển phần mềm và kỹ sư AI: Tham khảo kiến thức về ứng dụng CNN và LDA trong xử lý tín hiệu sinh học, phát triển các giải pháp AI cho y tế và chăm sóc sức khỏe.

Câu hỏi thường gặp

  1. Tại sao cần kết hợp bộ lọc không gian với CNN trong phân loại EEG?
    Bộ lọc không gian giúp trích xuất các đặc trưng quan trọng từ tín hiệu EEG, giảm nhiễu và tăng khả năng phân biệt các trạng thái não khác nhau. Khi kết hợp với CNN, các đặc trưng này được học sâu hơn, giúp cải thiện hiệu suất phân loại.

  2. LDA có ưu điểm gì so với CNN trong bài toán phân loại tín hiệu EEG?
    LDA đơn giản, dễ huấn luyện và có độ ổn định cao với dữ liệu nhỏ hoặc trung bình. CNN cần nhiều dữ liệu hơn để tránh overfitting và có thể phức tạp trong thiết kế, do đó LDA vẫn là lựa chọn hiệu quả trong nhiều trường hợp.

  3. Bộ dữ liệu BCI Competition IV 2a có đặc điểm gì nổi bật?
    Bộ dữ liệu gồm 9 người tham gia, mỗi người thực hiện 4 tác vụ tưởng tượng vận động (tay trái, tay phải, chân trái, chân phải) với tổng cộng 288 trial mỗi phiên, được chuẩn hóa và sử dụng rộng rãi để đánh giá các thuật toán phân loại EEG.

  4. Hiện tượng ERD/ERS là gì và vai trò trong BCI?
    ERD (Event-related desynchronization) và ERS (Event-related synchronization) là sự giảm hoặc tăng công suất sóng não trong các băng tần alpha và beta liên quan đến hoạt động vận động hoặc tưởng tượng vận động. Đây là đặc trưng quan trọng để phân biệt các trạng thái não trong BCI.

  5. Làm thế nào để giảm hiện tượng overfitting khi sử dụng CNN với dữ liệu EEG?
    Có thể áp dụng các kỹ thuật như tăng cường dữ liệu, dropout, batch normalization, điều chỉnh kiến trúc mạng phù hợp, và thu thập thêm dữ liệu để cải thiện khả năng tổng quát hóa của mô hình.

Kết luận

  • Nghiên cứu đã đánh giá hiệu quả của CNN kết hợp bộ lọc không gian đa dạng trong phân loại tín hiệu EEG MI, so sánh với phương pháp LDA truyền thống.
  • Kết quả cho thấy bộ lọc không gian nâng cao giúp cải thiện hiệu suất phân loại từ 10% đến 30%.
  • CNN không vượt trội hơn LDA về độ ổn định và chính xác trên dữ liệu hiện có, nhưng vẫn là phương pháp tiềm năng khi có đủ dữ liệu.
  • Mô hình kết hợp phù hợp giữa bộ lọc không gian và thuật toán phân loại là chìa khóa để đạt hiệu quả cao trong BCI.
  • Các bước tiếp theo bao gồm mở rộng dữ liệu, tối ưu mô hình CNN và ứng dụng thực tế trong hệ thống phục hồi chức năng.

Khuyến khích các nhà nghiên cứu và phát triển công nghệ BCI áp dụng các kết quả này để nâng cao hiệu quả hệ thống, đồng thời tiếp tục nghiên cứu mở rộng và cải tiến thuật toán.

Luận văn này cung cấp nền tảng vững chắc cho các nghiên cứu tiếp theo trong lĩnh vực giao diện não-máy tính, góp phần thúc đẩy ứng dụng công nghệ AI và học sâu trong y sinh và phục hồi chức năng.