Tổng quan nghiên cứu

Tai biến mạch máu não, chấn thương tủy sống và các hội chứng tổn thương thần kinh vận động khiến hàng triệu người trên thế giới mất đi khả năng vận động và giao tiếp tự chủ. Theo ước tính từ các tổ chức y tế, khoảng 15% đến 20% bệnh nhân sau tai biến rơi vào tình trạng liệt toàn thân, phụ thuộc hoàn toàn vào sự chăm sóc của người thân. Trong bối cảnh công nghệ nhà thông minh (Smart Home) phát triển mạnh mẽ, các phương thức điều khiển truyền thống bằng nút bấm, cử chỉ, giọng nói hay ứng dụng di động đều không thể phục vụ nhóm đối tượng này. Do đó, việc nghiên cứu các giải pháp tương tác dựa trên tín hiệu sinh học nội tại trở thành một đòi hỏi cấp thiết.

Luận văn thạc sĩ chuyên ngành Kỹ thuật Điện tử của tác giả Lưu Văn Toàn, dưới sự hướng dẫn khoa học của Tiến sĩ Nguyễn Phương Huy tại Trường Đại học Kỹ thuật Công nghiệp – Đại học Thái Nguyên (hoàn thành vào tháng 6 năm 2020), đã tập trung giải quyết bài toán: Điều khiển thiết bị trong nhà thông minh thông qua sóng điện não (Electroencephalography - EEG). Nghiên cứu hướng đến việc thu thập, xử lý và phân loại tín hiệu điện não trong dải tần số từ 0,5 Hz đến 70 Hz bằng thiết bị đo không xâm lấn Emotiv Epoc+ gồm 14 kênh cảm biến.

Mục tiêu trọng tâm của đề tài là xây dựng hệ thống Giao diện Não - Máy (Brain-Computer Interface - BCI) hoàn chỉnh, có khả năng giải mã chính xác ý nghĩ của người dùng để thực thi các lệnh điều khiển thiết bị thiết yếu như bật/tắt đèn chiếu sáng và tivi. Kết quả thử nghiệm cho thấy hệ thống đạt độ chính xác trung bình trên 88% với thời gian đáp ứng dưới 1,8 giây. Công trình không chỉ mang ý nghĩa khoa học trong xử lý tín hiệu y sinh mà còn đem lại giá trị nhân văn sâu sắc, mở ra cơ hội nâng cao chất lượng cuộc sống cho người khuyết tật.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết Giao tiếp Não - Máy (BCI) và cơ chế điện sinh lý học của vỏ não. Tín hiệu EEG ghi nhận điện thế biến thiên liên tục từ 10 đến 100 microvolt (µV), phát sinh chủ yếu từ tổng điện thế sau synap (postsynaptic potentials) của các nơ-ron hình tháp (pyramidal neurons). Hệ thống tập trung phân tích 4 dạng sóng điện não đặc trưng sinh lý theo các dải tần số chuẩn:

  • Sóng Delta (0,5 - 4 Hz): Biên độ cao nhất, thường xuất hiện ở giai đoạn ngủ sâu hoặc biểu hiện các tổn thương vỏ não cục bộ.
  • Sóng Theta (4 - 8 Hz): Xuất hiện ở vùng trán và thái dương khi cơ thể trong trạng thái ngủ nông, thư giãn sâu hoặc giảm hoạt động vỏ não.
  • Sóng Alpha (8 - 13 Hz): Nhịp sóng trội ở vùng chẩm phía sau đầu, xuất hiện rõ nhất khi người dùng nhắm mắt nghỉ ngơi và suy giảm khi mở mắt tiếp nhận kích thích thị giác.
  • Sóng Beta (13 - 35 Hz): Dạng sóng nhanh phân bố ở vùng trán, liên quan trực tiếp đến trạng thái tập trung tư duy, căng thẳng hoặc thực hiện các mệnh lệnh vận động.

Để xử lý đặc trưng tín hiệu, mô hình ứng dụng lý thuyết Biến đổi Wavelet rời rạc (DWT) với họ Wavelet Daubechies (Db4) để phân tích đa phân giải (MRA), tách tín hiệu phi tuyến thành các thành phần chi tiết và xấp xỉ. Phương pháp Phân tích thành phần chính (PCA) được áp dụng để tìm không gian biến thiên cực đại, rút gọn số chiều của vector đặc tính. Cuối cùng, mô hình mạng nơ-ron Perceptron đa lớp (MLP) sử dụng giải thuật học lan truyền ngược sai số (Backpropagation) được triển khai để phân lớp và ra quyết định điều khiển.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được thu thập trực tiếp thông qua thiết bị mũ điện não Emotiv Epoc+ với cấu hình 14 điện cực đo và 2 điện cực tham chiếu (A1, A2) bố trí theo chuẩn quốc tế 10-20. Tần số lấy mẫu đạt 128 Hz trên dải tần hoạt động từ 0,5 Hz đến 70 Hz. Điện trở tiếp xúc giữa điện cực và da đầu được kiểm soát nghiêm ngặt ở mức dưới 5 kΩ bằng dung dịch muối dẫn điện chuyên dụng.

Cỡ mẫu nghiên cứu gồm 10 tình nguyện viên trưởng thành khỏe mạnh, thực hiện thu thập dữ liệu qua phương pháp chọn mẫu có chủ đích kết hợp kiểm soát điều kiện phòng thí nghiệm nhằm loại trừ tối đa nhiễu sinh học do chớp mắt và co cơ (artifacts). Mỗi đối tượng thực hiện 50 lượt phát tín hiệu ý nghĩ cho 4 trạng thái điều khiển cụ thể: Bật đèn, Tắt đèn, Bật TV và Tắt TV, tạo thành tập dữ liệu chuẩn gồm 500 mẫu tín hiệu độc lập.

Lý do lựa chọn giải thuật DWT kết hợp PCA và mạng nơ-ron MLP xuất phát từ tính chất phức tạp, phi tuyến và không dừng của tín hiệu não bộ. Biến đổi DWT khắc phục nhược điểm mất thông tin thời gian của biến đổi Fourier (FFT), cho phép trích xuất đặc trưng thời gian - tần số chính xác. Phương pháp PCA giúp cô đọng 96.000 điểm mẫu trong mỗi khung thời gian 30 giây thành vector đặc trưng nhỏ gọn, giảm hơn 70% chi phí tính toán mà vẫn bảo toàn các thành phần thông tin cốt lõi. Toàn bộ quy trình nghiên cứu lý thuyết, thu thập dữ liệu và lập trình mô phỏng được thực hiện xuyên suốt từ tháng 9 năm 2019 đến tháng 6 năm 2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm mô hình điều khiển thiết bị thực tế thông qua sóng điện não đã ghi nhận những phát hiện nổi bật sau:

Thứ nhất, hệ thống đạt độ chính xác phân loại tổng thể bình quân là 88,5% trên toàn bộ 500 mẫu kiểm thử. Cụ thể, lệnh "Bật đèn" đạt tỷ lệ nhận dạng chính xác cao nhất với 91,2%, lệnh "Tắt đèn" đạt 89,4%, lệnh "Bật TV" đạt 87,0% và lệnh "Tắt TV" đạt 86,4%.

Thứ hai, thuật toán giảm chiều PCA chứng minh hiệu quả vượt trội khi nén vector đặc trưng từ 64 chiều xuống còn 12 thành phần chính tiêu biểu. Việc tinh gọn dữ liệu này giúp bảo toàn trên 85% lượng phương sai gốc của tín hiệu, đồng thời rút ngắn 62,5% thời gian huấn luyện mạng MLP so với khi sử dụng vector thô ban đầu.

Thứ ba, tốc độ đáp ứng của hệ thống đạt mức thời gian thực. Độ trễ trung bình từ thời điểm người sử dụng phát ý nghĩ tập trung đến khi khối chấp hành (Relay đóng ngắt điện 220V hoặc mạch phát mã hồng ngoại 38 kHz) thực thi thành công chỉ dao động trong khoảng 1,2 đến 1,8 giây.

Thứ tư, khâu tiền xử lý lọc dải thông 0,5 - 70 Hz kết hợp thuật toán loại bỏ artifact đã triệt tiêu hiệu quả hơn 80% nhiễu điện cơ (EMG) từ cử động mắt và cơ mặt, đảm bảo tín hiệu đầu vào cho khối trích xuất đặc trưng đạt độ tin cậy cao.

Thảo luận kết quả

Tỷ lệ nhận dạng của nhóm lệnh chiếu sáng (đạt trung bình 90,3%) cao hơn nhóm lệnh điều khiển tivi (đạt trung bình 86,7%). Nguyên nhân là do trạng thái suy nghĩ kích hoạt lệnh chiếu sáng tạo ra sự biến thiên biên độ sóng Beta ở vùng vỏ não trán rõ rệt và tập trung hơn, trong khi lệnh điều khiển thiết bị giải trí dễ bị ảnh hưởng bởi sự phân tán chú ý của người thực hiện.

So với các công trình kinh điển trên thế giới như hệ thống BCI2000 của Schalk (2004) hay mô hình điều khiển con trỏ của Citi (2008) vốn đạt độ chính xác từ 80% đến 85%, giải pháp kết hợp DWT và mạng MLP trong luận văn này cho kết quả nhận dạng vượt trội hơn khoảng 3% đến 8%. Đồng thời, mô hình mạng MLP cũng khắc phục triệt để nhược điểm xử lý chậm và tốn bộ nhớ của phương pháp máy học vector hỗ trợ (SVM).

Về mặt biểu diễn dữ liệu khoa học, kết quả nghiên cứu được minh họa trực quan thông qua ma trận nhầm lẫn (Confusion Matrix) kích thước 4x4, thể hiện rõ mức độ phân loại chính xác tuyệt đối ở các phần tử đường chéo chính và tỷ lệ chồng lấn tín hiệu rất thấp giữa các cặp lệnh đối lập. Biểu đồ suy giảm sai số bình phương trung bình (MSE) theo 100 epoch huấn luyện cho thấy tốc độ hội tụ dốc đứng của mạng nơ-ron ngay từ epoch thứ 35 với hệ số học 0,05. Bảng đo đạc thời gian trễ thực tế khẳng định phần cứng giao tiếp địa phương chỉ chiếm 0,15 giây trong toàn bộ chu trình xử lý, chứng minh tính khả thi cao khi ứng dụng vào môi trường sống thực tế.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nâng cao khả năng thương mại hóa hệ thống điều khiển nhà thông minh bằng sóng điện não, luận văn đề xuất 4 nhóm giải pháp cụ thể:

Thứ nhất, nâng cấp thuật toán phân lớp nơ-ron từ mô hình MLP truyền thống sang các kiến trúc mạng học sâu (Deep Learning) như CNN kết hợp LSTM. Mục tiêu là nâng độ chính xác nhận dạng tổng thể lên trên 95% và tự động hóa khâu trích xuất đặc trưng, dự kiến thực hiện trong vòng 12 tháng do nhóm nghiên cứu xử lý tín hiệu chủ trì.

Thứ hai, mở rộng quy mô tập lệnh điều khiển từ 4 lệnh cơ bản hiện tại lên 12 đến 16 lệnh kịch bản phức tạp (bao gồm điều khiển điều hòa nhiệt độ, đóng mở rèm cửa tự động và kích hoạt chuông báo y tế khẩn cấp), duy trì độ trễ dưới 1,5 giây cho mỗi tác vụ, do kỹ sư hệ thống nhúng triển khai trong thời gian 6 tháng.

Thứ ba, tích hợp chuẩn truyền thông không dây công suất thấp như Zigbee hoặc giao thức MQTT để kết nối bộ điều khiển trung tâm với hơn 20 thiết bị gia dụng phân tán trong nhà, giảm độ trễ truyền gói tin xuống dưới 50 mili-giây, do chuyên viên phát triển IoT thực hiện trong lộ trình 9 tháng.

Thứ tư, hợp tác với các đơn vị công nghệ y sinh để cải tiến thiết bị thu nhận tín hiệu sang dạng điện cực khô không dùng gel dẫn điện. Giải pháp này giúp cắt giảm thời gian chuẩn bị và đeo mũ từ 15 phút xuống dưới 2 phút, nâng cao sự thoải mái và tiện dụng cho bệnh nhân trong vòng 18 tháng tới.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại nguồn tài liệu tham khảo giá trị cho 4 nhóm đối tượng chính:

Nhóm học viên cao học, nghiên cứu sinh và giảng viên ngành Kỹ thuật Điện tử, Viễn thông, Tự động hóa: Luận văn cung cấp toàn diện cơ sở toán học về biến đổi Wavelet DWT, thuật toán PCA, cấu trúc mạng nơ-ron MLP và quy trình xử lý tín hiệu y sinh phi tuyến phục vụ công tác giảng dạy và nghiên cứu chuyên sâu.

Nhóm kỹ sư phát triển giải pháp Nhà thông minh (Smart Home) và IoT: Cung cấp kiến trúc mẫu về việc kết hợp giữa bộ xử lý trung tâm và các module điều khiển địa phương qua rơ-le và hồng ngoại, giúp phát triển các giao diện điều khiển mới lạ và đột phá.

Nhóm bác sĩ, chuyên gia phục hồi chức năng và nhân viên y tế: Tài liệu hỗ trợ hiểu rõ cơ chế tương tác sóng não để ứng dụng vào việc xây dựng các công cụ trợ năng, nâng cao khả năng giao tiếp và tự phục vụ cho bệnh nhân tai biến hoặc chấn thương cột sống.

Nhóm doanh nghiệp công nghệ thiết bị trợ giúp và y tế thông minh: Đóng vai trò là tài liệu tiền khả thi giúp doanh nghiệp đánh giá chi phí phần cứng, giải pháp kỹ thuật và tiềm năng thương mại hóa các dòng sản phẩm hỗ trợ người khuyết tật với giá thành hợp lý.

Câu hỏi thường gặp

Hệ thống BCI điều khiển nhà thông minh qua sóng não vận hành theo nguyên lý nào? Hệ thống thu nhận các dao động điện áp từ 10 đến 100 µV do nơ-ron vỏ não tạo ra qua 14 điện cực đặt ngoài da đầu. Tín hiệu được lọc dải thông 0,5 - 70 Hz, phân tích đa phân giải bằng DWT, giảm số chiều qua PCA và đưa vào mạng nơ-ron MLP để phân loại thành các lệnh bật/tắt thiết bị cụ thể.

Mũ thu nhận sóng điện não Emotiv Epoc+ có an toàn và gây đau đớn cho người dùng không? Thiết bị Emotiv Epoc+ hoàn toàn không xâm lấn và an toàn tuyệt đối 100% cho sức khỏe. Các điện cực tiếp xúc ngoài da đầu qua miếng đệm tẩm dung dịch muối với điện trở dưới 5 kΩ, không gây đau đớn hay tổn thương da đầu trong suốt quá trình sử dụng liên tục nhiều giờ.

Tại sao biến đổi Wavelet rời rạc (DWT) lại phù hợp với tín hiệu EEG hơn biến đổi Fourier? Tín hiệu sóng não có tính chất phi tuyến và thay đổi liên tục theo thời gian. Trong khi biến đổi Fourier làm mất hoàn toàn mốc thời gian xuất hiện tần số, DWT phân tích đa phân giải đồng thời trên cả miền thời gian và tần số, giúp bóc tách chính xác các dải sóng Delta, Theta, Alpha, Beta từ 96.000 mẫu dữ liệu thô.

Thời gian phản hồi từ lúc người dùng phát ý nghĩ đến khi thiết bị thực thi là bao lâu? Tổng thời gian đáp ứng trung bình của toàn hệ thống chỉ mất từ 1,2 đến 1,8 giây. Trong đó, khâu tiền xử lý và nhận dạng nơ-ron mất khoảng 0,8 giây, thời gian truyền gói tin và kích hoạt rơ-le hoặc phát mã hồng ngoại mất khoảng 0,15 đến 0,2 giây, đảm bảo khả năng tương tác gần như tức thì.

Người sử dụng có cần trải qua quá trình huấn luyện trước khi vận hành hệ thống không? Có, người dùng cần trải qua giai đoạn huấn luyện ban đầu kéo dài khoảng 15 đến 30 phút. Quá trình này bao gồm việc thực hiện khoảng 50 lượt suy nghĩ tập trung cho mỗi lệnh để mạng nơ-ron MLP học và hiệu chỉnh trọng số thích ứng với đặc trưng sinh lý riêng biệt của từng cá nhân, giúp độ chính xác đạt trên 88%.

Kết luận

Công trình nghiên cứu của tác giả Lưu Văn Toàn đã mang lại những đóng góp khoa học và ứng dụng thực tiễn quan trọng:

  • Xây dựng thành công hệ thống Giao diện Não - Máy (BCI) không xâm lấn 14 kênh điều khiển thiết bị nhà thông minh bằng sóng điện não.
  • Ứng dụng xuất sắc chuỗi thuật toán kết hợp DWT Daubechies, PCA giảm hơn 70% số chiều và mạng nơ-ron MLP đạt độ chính xác nhận dạng bình quân 88,5%.
  • Hiện thực hóa mô hình điều khiển đóng ngắt đèn và tivi thời gian thực với độ trễ thấp dưới 1,8 giây.
  • Mở ra giải pháp hỗ trợ nhân văn, nâng cao khả năng hòa nhập và tự chủ cuộc sống cho hơn 20% bệnh nhân tai biến mất khả năng vận động.
  • Định hình lộ trình phát triển rõ ràng trong 12 đến 24 tháng tới về việc ứng dụng Deep Learning và tích hợp chuẩn truyền thông không dây đa thiết bị.

Quý độc giả, nhà nghiên cứu và kỹ sư quan tâm có thể tải và tham khảo toàn văn luận văn thạc sĩ để tiếp cận trọn bộ sơ đồ thuật toán, thiết kế phần cứng và chương trình điều khiển chi tiết của công trình này.