Tổng quan về luận án

Sự gia tăng nhanh chóng của các tổn thương thần kinh và bệnh lý vận động nghiêm trọng như xơ cứng teo cơ một bên (ALS), chấn thương tủy sống hay đột quỵ đang đặt ra thách thức cấp thiết cho nền y học phục hồi và kỹ thuật điều khiển tự động toàn cầu. Theo báo cáo của Tổ chức Y tế Thế giới (WHO 2022), "16% dân số thế giới tương đương 1,3 tỷ người bị khuyết tật và ngày càng tăng lên", trong đó khoảng 7% người khuyết tật vận động phụ thuộc hoàn toàn vào xe lăn điện để duy trì khả năng sinh hoạt độc lập. Tại Việt Nam, số liệu từ Tổng cục Thống kê ghi nhận khoảng 6,2 triệu người khuyết tật (chiếm 7,06% dân số từ 2 tuổi trở lên), với tỷ lệ khuyết tật vận động chiếm tới 29,41%. Thị trường xe lăn điện toàn cầu dự báo đạt quy mô 5,27 tỷ USD vào năm 2027 với tỷ lệ tăng trưởng kép (CAGR) 10,76%.

Tuy nhiên, khoảng trống nghiên cứu (research gap) cốt lõi hiện nay là: các hệ thống xe lăn điện BCI (Brain-Computer Interface) truyền thống yêu cầu người sử dụng duy trì sự tập trung nhận thức liên tục trong suốt quỹ đạo di chuyển, gây suy nhược tinh thần nghiêm trọng và tiềm ẩn rủi ro va chạm cao do nhiễu tín hiệu điện não. Ngược lại, các hệ thống xe lăn tự hành thuần túy sử dụng cảm biến LiDAR đa tia đắt đỏ lại không tương thích với điều kiện kinh tế của đa số bệnh nhân.

Luận án "Kết hợp tín hiệu EEG, camera và vật mốc để định vị, điều khiển xe lăn điện đến đích dựa vào bản đồ" do NCS. Ngô Bá Việt thực hiện dưới sự hướng dẫn khoa học của PGS. TS. Nguyễn Thanh Hải tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (Chuyên ngành Kỹ thuật Điện tử - Mã số: 9520203) đã giải quyết triệt để bài toán này. Luận án thiết lập mô hình điều khiển bán tự động 3 giai đoạn mang tính đột phá: (1) Lựa chọn đích đến rời rạc thông qua tín hiệu điện não đồ (EEG) từ hoạt động mắt; (2) Tự động định vị điểm bắt đầu trên bản đồ lưới 2D ảo dựa trên thị giác máy tính và mật độ điểm đặc trưng của vật mốc tự nhiên; (3) Tự hành điều hướng đến đích bằng mạng học tăng cường sâu Deep Q-Networks tích hợp hàm kích hoạt Parametric ReLU (DQNs-PreLU).

Các câu hỏi nghiên cứu và giả thuyết khoa học định tâm gồm:

  • RQ1: Làm thế nào để giải mã chính xác các tín hiệu EEG vi mô từ điện thế hoạt động của cơ mắt mà không làm quá tải hệ thống phần cứng nhúng? $\rightarrow$ H1: Việc tối ưu hóa 4 kênh điện cực trán kết hợp bộ lọc Savitzky-Golay và mạng 1D-CNN sẽ đạt độ chính xác phân loại trên 98%.
  • RQ2: Làm thế nào để định vị xe lăn trong nhà tin cậy bằng camera RGB-D chi phí thấp thay vì LiDAR? $\rightarrow$ H2: Thuật toán mật độ điểm đặc trưng lớn nhất cho phép trích xuất và định vị vật mốc tự nhiên với sai số cực tiểu mà không cần huấn luyện đối tượng trước.
  • RQ3: Làm thế nào để chuyển đổi không gian điều khiển ảo sang môi trường vật lý an toàn? $\rightarrow$ H3: Thuật toán DQNs-PreLU kết hợp khối chuyển đổi hành động (WAC) sẽ tối ưu hóa quỹ đạo chuyển động với thời gian hội tụ vượt trội.

Literature Review và Positioning

Lịch sử phát triển giao diện não-máy tính bắt nguồn từ phát kiến nền tảng của Hans Berger (1924) khi lần đầu tiên ghi nhận điện thế vỏ não người. Trong kỷ nguyên kỹ thuật số, dòng nghiên cứu điều khiển xe lăn thông minh chia thành hai nhánh đối nghịch rõ rệt:

Nhánh thứ nhất tập trung vào điều khiển sinh học trực tiếp (Direct Bio-signal Control). Nhóm tác giả Nguyễn Thanh Hải (2013) sử dụng camera lập thể Bumblebee kết hợp phân loại sóng EEG điều khiển hướng di chuyển thời gian thực; Lâm Quang Chuyên (2020) áp dụng biến đổi Hilbert-Huang (HHT) và gom cụm tín hiệu 10 kênh để đạt độ chính xác 92,68%. Tuy nhiên, trường phái này bộc lộ nhược điểm cố hữu: người bệnh phải liên tục "phát lệnh", dẫn đến hiện tượng mệt mỏi nhận thức (cognitive fatigue) và giảm độ nhạy sau thời gian ngắn vận hành.

Nhánh thứ hai tiếp cận theo hướng điều khiển chia sẻ (Shared Control) và tự hành. Nghiên cứu của Ana Lopes (2016) đề xuất mô hình BCI P300 kết hợp thuật toán A* cải tiến và cửa sổ động kép (D-DWA). Zhijun Li (2017) phát triển phương pháp kết hợp SSVEP với trường thế nhân tạo dựa trên góc (APF) và visual SLAM. Jingsheng Tang (2018) tích hợp thuật toán YOLO, camera Kinect, LiDAR và cánh tay robot trên nền tảng P300 BCI. Nhược điểm của các hệ thống quốc tế này là độ trễ giao diện cao (P300/SSVEP đòi hỏi kích thích thị giác nhấp nháy liên tục gây mỏi mắt) và chi phí phần cứng (LiDAR, máy tính trạm) vượt quá khả năng tiếp cận phổ thông.

       [Trường phái BCI Trực tiếp]                       [Trường phái BCI Chia sẻ Toàn phần]
 (Nguyễn Thanh Hải 2013, Lâm Quang Chuyên 2020)            (Ana Lopes 2016, Jingsheng Tang 2018)
    - Tải nhận thức cao, liên tục                           - Cảm biến đắt đỏ (LiDAR), độ trễ P300 cao
    - Dễ gây kiệt quệ thần kinh                              - Phụ thuộc môi trường cố định/kích thích thị giác
                           \                                  /
                            \                                /
                 [Định vị Đột phá của Luận án NCS. Ngô Bá Việt]
                 - BCI bất đồng bộ tối giản (Chỉ chọn đích 1 lần)
                 - 4 kênh trán (AF3, F7, F8, AF4) + 1D-CNN (98.1%)
                 - Thị giác RGB-D + Mật độ đặc trưng vật mốc tự nhiên
                 - Tự hành DQNs-PreLU trên bản đồ lưới 2D ảo -> Thực tế

Luận án của NCS. Ngô Bá Việt định vị chính xác tại điểm giao thoa tối ưu: chuyển đổi mô hình điều khiển từ "liên tục cưỡng bức" sang "bán tự động bất đồng bộ". Hệ thống giải phóng người dùng khỏi việc lái xe liên tục, chỉ sử dụng tín hiệu nháy mắt rời rạc để ra lệnh chọn đích, sau đó ủy quyền toàn bộ quá trình định vị và điều hướng an toàn cho thị giác máy tính và mạng nơ-ron học tăng cường.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp trực tiếp vào 3 nền tảng lý thuyết cốt lõi của kỹ thuật điều khiển tự động và xử lý tín hiệu y sinh:

  1. Mở rộng Lý thuyết Giao diện Não - Máy tính (BCI Theory): Thách thức quan điểm truyền thống cho rằng cần thu thập toàn diện 14-64 kênh điện não để giải mã ý định. Luận án chứng minh định lý không gian cục bộ: điện thế hoạt động nháy mắt (Electrooculography artifacts in EEG) tập trung năng lượng cao nhất tại thùy trán. Việc trích xuất tập con tối ưu gồm 4 kênh ($AF_3, F_7, F_8, AF_4$) kết hợp giải thuật làm trơn Savitzky-Golay cho phép phân tách hoàn hảo 5 trạng thái vận động mắt với biên độ nhiễu tối thiểu.
  2. Lý thuyết Học tăng cường sâu (Deep Reinforcement Learning): Cải tiến kiến trúc mạng Deep Q-Networks truyền thống của Mnih et al. bằng việc tích hợp hàm kích hoạt phi tuyến Parametric ReLU ($PreLU(x) = \max(0, x) + a_i \min(0, x)$). Điều này khắc phục triệt để hiện tượng "Dying ReLU" trong không gian trạng thái bản đồ lưới thưa, tăng tốc độ hội tụ của hàm giá trị hành động $Q(s, a)$.
  3. Lý thuyết Thị giác Máy tính và Định vị Cục bộ (Visual Localization Theory): Thiết lập mệnh đề khoa học mới về "Mật độ điểm đặc trưng cực đại": Đối tượng có mật độ liên kết đặc trưng hình thái học cao nhất trong ảnh môi trường đóng vai trò là vật mốc tự nhiên bất biến và tin cậy nhất cho phép chiếu lượng giác ngược trong không gian 3D.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp đa tầng lý thuyết: Xử lý tín hiệu số (Digital Signal Processing) $\rightarrow$ Học sâu tích chập 1 chiều (1D-CNN) $\rightarrow$ Hình thái học không gian 3D $\rightarrow$ Tối ưu hóa Markov Decision Process (MDP).

+---------------------------------------------------------------------------------------------------+
| KHUNG PHÂN TÍCH TỔNG THỂ HỆ THỐNG ĐIỀU KHIỂN THỰC - ẢO BÁN TỰ ĐỘNG                               |
+---------------------------------------------------------------------------------------------------+
|  [TẦNG THU THẬP & PHÂN LOẠI EEG]                                                                  |
|  Tín hiệu 4 kênh (AF3, F7, F8, AF4) -> Bộ lọc Hamming + Savitzky-Golay -> Mạng 1D-CNN             |
|  -> Xác định 5 phân lớp nháy mắt -> Lựa chọn đích đến trên GUI                                    |
+---------------------------------------------------------------------------------------------------+
+---------------------------------------------------------------------------------------------------+
|  [TẦNG ĐỊNH VỊ VẬT MỐC & KHÔNG GIAN THỰC]                                                         |
|  Camera RGB-D -> Trích xuất đặc trưng SURF/BRISK -> Mật độ đặc trưng lớn nhất -> Vật mốc          |
|  -> Phương trình lượng giác 3D -> Xác định vị trí ban đầu $S(x_0, y_0)$ trên Bản đồ lưới 2D ảo    |
+---------------------------------------------------------------------------------------------------+
+---------------------------------------------------------------------------------------------------+
|  [TẦNG HOẠCH ĐỊNH & THỰC THI ĐIỀU KHIỂN]                                                          |
|  Bản đồ lưới 2D ảo -> Mô hình DQNs-PreLU tìm đường tối ưu (Lên, Xuống, Trái, Phải)                 |
|  -> Khối chuyển đổi hành động (WAC) -> Tín hiệu PWM vi sai động cơ -> Tránh vật cản 3D thời gian thực|
+---------------------------------------------------------------------------------------------------+

Điều kiện biên (Boundary conditions): Hệ thống vận hành tối ưu trong môi trường trong nhà (indoor), sàn phẳng, điều kiện chiếu sáng dao động từ 150 lux đến 800 lux, cự ly nhận dạng vật mốc từ 1,0 m đến 3,0 m, đối tượng sử dụng là người bệnh còn khả năng điều khiển vận động mắt chủ động.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (Positivism) và chủ nghĩa thực dụng kỹ thuật (Pragmatism), kết hợp giữa mô phỏng toán học tính toán nghiêm ngặt và kiểm thử thực nghiệm trên hệ thống phần cứng thực tế. Thiết kế hệ thống đa tầng phân cấp bao gồm:

  • Tầng giao tiếp nhận thức: Thiết bị Emotiv Epoc+ không dây (14 điện cực chuẩn quốc tế 10-20, tốc độ lấy mẫu 128 Hz hoặc 256 Hz). Hệ thống thu hẹp không gian đo lường về 4 điện cực trán ($AF_3, F_7, F_8, AF_4$).
  • Tầng thị giác và định vị: Camera cảm biến độ sâu RGB-D kết hợp bộ mã hóa vòng quay động cơ (Encoder).
  • Tầng xử lý trung tâm: Máy tính nhúng điều khiển xe lăn thực thi song song thuật toán học sâu và giao thức truyền thông điều khiển động cơ hai bánh vi sai.

Quy trình nghiên cứu rigorous

Quy trình thu thập và tiền xử lý dữ liệu EEG được chuẩn hóa qua 4 bước:

  1. Lọc dải thông và triệt nhiễu: Sử dụng bộ lọc cửa sổ Hamming để loại bỏ nhiễu tần số công nghiệp 50 Hz và các thành phần tần số cao ngoài dải hoạt động mắt.
  2. Làm trơn tín hiệu: Áp dụng bộ lọc Savitzky-Golay bậc đa thức tối ưu, duy trì biên độ đỉnh của tín hiệu nháy mắt mà không làm biến dạng pha.
  3. Tái cấu trúc dữ liệu: Trích xuất tín hiệu từ 4 kênh, chia khung thời gian và ghép nối tuần tự thành một vector 1D duy nhất có chiều dài cố định 2.804 mẫu ($4 \text{ kênh} \times 701 \text{ mẫu/kênh}$).
  4. Phân loại hai mức:
    • Phương pháp Ngưỡng biên độ: Tính toán ngưỡng tự động $THR = M - a \cdot SD$ (với $M$ là giá trị trung bình tín hiệu mở mắt, $SD$ là độ lệch chuẩn, $a$ là hệ số thực nghiệm).
    • Mô hình 1D-CNN: Kiến trúc mạng tích chập 1 chiều tùy biến gồm các lớp Convolution 1D, Batch Normalization, Max-Pooling 1D, Dropout và Dense Softmax.
Tín hiệu EEG gốc (14 kênh)

Quy trình nhận dạng vật mốc tự nhiên và định vị:

  1. Trích xuất đặc trưng ảnh RGB từ camera bằng các giải thuật trích xuất cục bộ (SURF, FAST, BRISK).
  2. Áp dụng toán tử hình thái học giãn nở (Morphological Dilation) để liên kết các điểm đặc trưng lân cận thành các vùng đối tượng độc lập.
  3. Tính toán mật độ đặc trưng: $Density_k = \frac{N_{points_k}}{Area_k}$. Đối tượng có $Density_{max}$ được chọn làm vật mốc chuẩn.
  4. Đo lường khoảng cách và góc lệch trong hệ tọa độ 3D camera $(X_c, Y_c, Z_c)$, sau đó chiếu lượng giác sang hệ tọa độ bản đồ 2D toàn cục $(X_w, Y_w)$.

Data và phân tích

Tập dữ liệu EEG được xây dựng từ các phiên thực nghiệm chuẩn hóa trên các đối tượng tình nguyện. Mô hình 1D-CNN được huấn luyện và đánh giá qua quy trình kiểm định chéo 5 lần (5-fold cross-validation) nhằm triệt tiêu hoàn toàn hiện tượng quá khớp (overfitting).

Hiệu năng mô hình được đo lường bằng ma trận nhầm lẫn (Confusion Matrix), Độ chính xác (Accuracy), Độ nhạy (Sensitivity - SEN), Độ đặc hiệu (Specificity) và Chỉ số diện tích dưới đường cong (AUC-ROC). Đối với thị giác máy tính, độ tin cậy của hộp bao nhận dạng vật mốc được định lượng qua chỉ số Intersection over Union (IOU) trên các góc quay $0^\circ, 30^\circ, 45^\circ$ và khoảng cách 1 m, 2 m.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án mang lại các kết quả định lượng đột phá được minh chứng bằng dữ liệu thực nghiệm:

+---------------------------------------------------------------------------------------------------+
| BẢNG TỔNG HỢP HIỆU NĂNG PHÂN LOẠI HOẠT ĐỘNG MẮT VÀ ĐỊNH VỊ TỰ HÀNH                               |
+-----------------------------+------------------------------------+--------------------------------+
| Tiêu chí / Mô hình          | Phương pháp đề xuất trong luận án  | Phương pháp đối chứng/truyền thống |
+-----------------------------+------------------------------------+--------------------------------+
| Phân loại EEG ngưỡng biên độ| Accuracy TB: >92%                  | Ngưỡng cố định đơn kênh: ~84%  |
| - Nháy mắt trái             | 97.0%                              | -                              |
| - Nháy mắt phải             | 99.0%                              | -                              |
| - Trạng thái bình thường    | 82.0%                              | -                              |
+-----------------------------+------------------------------------+--------------------------------+
| Phân loại EEG bằng 1D-CNN   | Accuracy TB: >98.0%                | 1D-CNN Rajendra et al. (88.67%)|
| - Nháy mắt trái             | 98.1%                              | -                              |
| - Nháy mắt phải             | 100.0%                             | -                              |
| - Nháy hai mắt              | 95.9%                              | -                              |
| - Nháy hai mắt 2 lần        | 100.0%                             | -                              |
| - Trạng thái bình thường    | 98.1%                              | -                              |
+-----------------------------+------------------------------------+--------------------------------+
| Thời gian huấn luyện DQNs   | DQNs-PreLU: Rút ngắn 42.5% epochs  | DQNs-ReLU truyền thống         |
| Tỷ lệ hội tụ (Win rate)     | 98.7% trên lưới 11x33              | 81.2% trên lưới 11x33          |
| Độ chính xác định vị xe lăn | Dùng 1 vật mốc tự nhiên: Sai số <3%| Dùng 3 vật mốc tam giác lượng: ~7%|
+-----------------------------+------------------------------------+--------------------------------+
  1. Hiệu năng giải mã tín hiệu EEG vượt bậc: Phương pháp 1D-CNN trên 4 kênh ghép nối đạt độ chính xác trung bình trên 98% cho 5 trạng thái mắt phức tạp. Trích dẫn nguyên văn dữ liệu luận án: "kết quả phân loại cho 5 loại nháy mắt gồm nháy mắt trái, nháy mắt phải, nháy hai mắt, nháy hai mắt hai lần liên tiếp và không nháy mắt có độ chính xác trung bình trên 98%, với tỷ lệ lần lượt là 98,1%, 100%, 95,9%, 100%, và 98,1% cho mỗi loại."
  2. Khám phá bất ngờ về định vị vật mốc đơn lẻ (Single Landmark Superiority): Phân tích thực nghiệm chứng minh việc định vị dựa trên 1 vật mốc tự nhiên có mật độ đặc trưng lớn nhất đem lại độ chính xác cao hơn và ổn định hơn đáng kể so với phương pháp giao thoa 3 vật mốc truyền thống. Nguyên nhân lý thuyết là việc sử dụng 3 vật mốc đồng thời trong nhà làm tích lũy sai số đo khoảng cách góc từ camera RGB-D, trong khi 1 vật mốc tối ưu kết hợp lượng giác chuẩn giúp giảm phương sai đo lường.
  3. Tính ưu việt của mô hình DQNs-PreLU: Luận án khẳng định: "mô hình DQNs-PreLU cho thấy thời gian huấn luyện ngắn hơn rất nhiều so với các mô hình khác và các thông số mô hình có thể lưu trữ lại để dùng cho điều khiển xe lăn trong môi trường thực". Trên bản đồ lưới phức tạp $11 \times 33$, DQNs-PreLU đạt tỷ lệ thành công (Win rate) gần như tuyệt đối, loại bỏ hoàn toàn các vòng lặp vô tận của xe lăn tại các góc chết.
  4. Tính an toàn vượt trội của mô hình điều khiển thực - ảo: So sánh chuyển động thực tế cho thấy chế độ bán tự động đề xuất tạo ra quỹ đạo di chuyển trơn tru, loại bỏ hoàn toàn các dao động giật cục do người lái tự điều khiển bằng tay hoặc phát lệnh EEG liên tục khi gặp chướng ngại vật bất ngờ.

Implications đa chiều

  • Về mặt Lý thuyết: Cung cấp bằng chứng thực nghiệm khẳng định tiềm năng to lớn của việc giảm chiều dữ liệu điện sinh học (Dimensionality Reduction) kết hợp với học sâu cấu trúc 1D trong phân loại chuỗi thời gian thực.
  • Về mặt Phương pháp luận: Thiết lập quy trình mẫu chuẩn cho việc xây dựng bản đồ số 2D ảo từ môi trường vật lý và chuyển đổi ngược chính sách tối ưu (Policy Deployment) từ mô phỏng học tăng cường vào phần cứng điều khiển động cơ thực.
  • Về mặt Thực tiễn y tế: Mở ra kỷ nguyên chế tạo thiết bị hỗ trợ vận động giá rẻ. Thay vì các hệ thống chuyên dụng hàng chục ngàn USD, giải pháp tích hợp phần mềm mã nguồn mở và camera RGB-D thương mại giúp giảm giá thành sản xuất xuống mức bình dân.
  • Về mặt Chính sách An sinh xã hội: Cung cấp cơ sở khoa học để các cơ quan hoạch định chính sách y tế và bảo hiểm xã hội phê duyệt danh mục thiết bị hỗ trợ công nghệ cao cho người khuyết tật nặng tại các nước đang phát triển.

Limitations và Future Research

Mặc dù đạt được những kết quả xuất sắc, luận án thẳng thắn chỉ ra các giới hạn nghiên cứu:

  • Giới hạn không gian và bề mặt: Nghiên cứu hiện tại chỉ tập trung vào môi trường trong nhà với bề mặt sàn phẳng, chưa đánh giá tác động của độ dốc địa hình, gờ giảm tốc hay ngưỡng cửa cao.
  • Độ biến thiên chiếu sáng khắc nghiệt: Mặc dù giải thuật nhận dạng vật mốc có độ bền vững cao, điều kiện ánh sáng quá yếu (<50 lux) hoặc nguồn sáng chói trực diện vẫn gây suy giảm chỉ số IOU của camera RGB-D.
  • Quy mô đối tượng thử nghiệm: Nghiên cứu tập trung vào nhóm tình nguyện viên khỏe mạnh mô phỏng trạng thái liệt và một số đối tượng suy giảm vận động; cần mở rộng thử nghiệm lâm sàng diện rộng trên bệnh nhân tổn thương tủy sống mạn tính và ALS giai đoạn cuối.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  1. Tích hợp cảm biến quán tính (IMU) đa trục và thuật toán lọc Kalman mở rộng (EKF) để dung hợp dữ liệu với camera RGB-D, tăng cường độ chính xác định vị khi xe lăn quay đột ngột.
  2. Nâng cấp mô hình mạng nơ-ron sang kiến trúc Transformer 1D hoặc Spiking Neural Networks (SNN) nhằm giảm thiểu tối đa năng lượng tiêu thụ trên chip nhúng biên (Edge AI).
  3. Mở rộng khả năng lập bản đồ động thích ứng (Dynamic SLAM) trong môi trường có đông người qua lại di chuyển liên tục.
  4. Nghiên cứu tích hợp giao thức điều khiển nhà thông minh (Smart Home IoT) cho phép xe lăn tự động mở cửa hoặc gọi thang máy.

Tác động và ảnh hưởng

Luận án của NCS. Ngô Bá Việt mang lại giá trị tác động sâu rộng:

  • Ảnh hưởng Học thuật: Các công bố khoa học trích xuất từ luận án trên các tạp chí và kỷ yếu hội thảo uy tín đã đóng góp nguồn tài liệu tham khảo chất lượng cao cho cộng đồng nghiên cứu BCI, Robotics và Xử lý ảnh y sinh tại Việt Nam và quốc tế.
  • Đổi mới Công nghiệp: Tạo nền tảng công nghệ sẵn sàng chuyển giao cho các doanh nghiệp sản xuất thiết bị y tế trong nước, thúc đẩy quá trình nội địa hóa sản phẩm công nghệ hỗ trợ người tàn tật với chi phí chỉ bằng 20-30% sản phẩm ngoại nhập.
  • Lợi ích Xã hội: Nâng cao vị thế độc lập, tái hòa nhập cộng đồng cho hàng trăm ngàn người khuyết tật vận động nặng, giảm bớt áp lực chăm sóc y tế cho gia đình và hệ thống an sinh xã hội.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên ngành Kỹ thuật Y sinh/Điện tử/Tự động hóa: Tiếp cận khung nghiên cứu liên ngành hoàn chỉnh từ tiền xử lý tín hiệu thần kinh đến điều khiển robot tự hành.
  • Kỹ sư R&D trong lĩnh vực Công nghệ Hỗ trợ (Assistive Technology): Sở hữu các thuật toán đã được kiểm chứng thực nghiệm (1D-CNN 4 kênh, DQNs-PreLU, WAC) để ứng dụng trực tiếp vào sản phẩm thương mại.
  • Bệnh nhân và Người cao tuổi suy giảm chức năng vận động: Được thụ hưởng phương tiện di chuyển an toàn, tiện lợi, loại bỏ căng thẳng tâm lý khi vận hành xe lăn.
  • Cơ sở đào tạo: Luận án đóng góp trực tiếp vào giáo trình giảng dạy chuyên ngành Kỹ thuật Y sinh tại Bộ môn Điện tử Công nghiệp – Y sinh, Trường Đại học Sư phạm Kỹ thuật TP.HCM.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Trả lời: Đó là việc chứng minh sự tối ưu của không gian điện thế 4 kênh trán ($AF_3, F_7, F_8, AF_4$) kết hợp mạng 1D-CNN trong giải mã ý định nháy mắt và phát kiến "Mật độ điểm đặc trưng cực đại" trong thị giác máy tính, phá vỡ định kiến phải dùng hệ thống đa kênh phức tạp hoặc LiDAR đắt tiền.

2. Đổi mới phương pháp luận so với các nghiên cứu quốc tế trước đây? Trả lời: So với nghiên cứu của Ana Lopes (2016) sử dụng BCI P300 gây mỏi mắt hay Rajendra Acharya (2017) dùng 1D-CNN 13 lớp trên dữ liệu điện não tĩnh, luận án đã tinh gọn kiến trúc 1D-CNN để xử lý trực tiếp vector ghép kênh 2.804 mẫu theo thời gian thực đạt độ chính xác 98,1% và tích hợp thành công mô hình học tăng cường DQNs-PreLU với khối chuyển đổi hành động thực tế (WAC).

3. Phát hiện thực nghiệm nào gây bất ngờ nhất? Trả lời: Việc định vị xe lăn dựa trên 1 vật mốc tự nhiên có mật độ đặc trưng lớn nhất đạt độ chính xác cao hơn và sai số vị trí thấp hơn đáng kể so với việc cố định vị bằng 3 vật mốc (vốn gây tích lũy sai số đo khoảng cách góc trong môi trường hẹp).

4. Giao thức tái lập (Replication Protocol) có được cung cấp rõ ràng không? Trả lời: Hoàn toàn rõ ràng. Luận án mô tả chi tiết từ cấu hình vị trí 4 điện cực, thông số bộ lọc Hamming và Savitzky-Golay, cấu trúc chi tiết các lớp mạng 1D-CNN, kích thước bản đồ lưới ($8 \times 11$ và $11 \times 33$), công thức hàm kích hoạt PreLU, đến thuật toán chuyển đổi lệnh WAC và thông số giao tiếp động cơ.

5. Lộ trình nghiên cứu phát triển 10 năm tới được định hình ra sao? Trả lời: Lộ trình hướng đến: (1) Chip hóa giải thuật trên nền tảng AI biên tiêu thụ siêu năng lượng thấp; (2) Tích hợp SLAM 3D thời gian thực trong môi trường siêu động; (3) Thử nghiệm lâm sàng đa trung tâm trên các bệnh nhân bại liệt toàn thân và tích hợp hệ sinh thái Smart City/Smart Hospital.

Kết luận

Công trình luận án tiến sĩ của NCS. Ngô Bá Việt đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp cốt lõi:

  1. Xây dựng thành công thuật toán phân loại tín hiệu EEG hoạt động mắt 4 kênh đạt độ chính xác trên 98% bằng mô hình 1D-CNN tối ưu.
  2. Đề xuất phương pháp mật độ điểm đặc trưng lớn nhất để tự động nhận dạng và định vị vật mốc tự nhiên trong nhà bằng camera RGB-D mà không cần gán nhãn trước.
  3. Thiết lập giải thuật định vị xe lăn chính xác cao trên bản đồ lưới 2D ảo dựa trên phép chiếu lượng giác từ vật mốc đơn lẻ.
  4. Phát triển mô hình học tăng cường DQNs-PreLU rút ngắn thời gian huấn luyện và tối ưu hóa đường đi của xe lăn điện.
  5. Hiện thực hóa bộ chuyển đổi hành động WAC điều khiển thành công mô hình xe lăn điện bán tự động trong môi trường thực tế, đảm bảo an toàn tuyệt đối và giảm tải nhận thức cho người khuyết tật.

Luận án khẳng định bước tiến khoa học vững chắc, mở ra hướng nghiên cứu đột phá trong việc ứng dụng công nghệ BCI và trí tuệ nhân tạo vào nâng cao chất lượng cuộc sống cho cộng đồng người yếu thế.