Nghiên cứu hệ thống điều khiển xe lăn cho người tàn tật nặng sử dụng mạng neural và điện não EEG

Luận án tiến sĩ nghiên cứu ứng dụng mạng neural trong điều khiển xe lăn cho người tàn tật nặng qua tín hiệu điện não EEG và camera.

• Tác giả: Lâm Quang Chuyên
• Người hướng dẫn: PGS. Nguyễn Hữu Khương
• Trường học: Trường Đại Học Giao Thông Vận Tải
• Chuyên ngành: Kỹ Thuật Điều Khiển Và Tự Động Hóa
• Đề tài: Hệ Thống Điều Khiển Xe Lăn Cho Người Tàn Tật Nặng Bằng Mạng Neural Và EEG
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2020
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ TÍN HIỆU ĐIỆN NÃO
• 1.1. Tình hình nghiên cứu trong nước
• 1.2. Tình hình nghiên cứu ngoài nước
• 1.3. Nội dung thực hiện đề tài
• 1.4. Mục đích nghiên cứu
• 1.5. Đối tượng và phạm vi nghiên cứu
• 1.6. Những đóng góp của luận án
• 1.6.1. Đóng góp về mặt lý thuyết
• 1.6.2. Đóng góp về mặt thực tiễn
• 1.7. Cấu trúc nội dung của luận án
• 1.8. Kết luận chương 1
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tín hiệu điện não EEG
• 2.1.1. Giới thiệu về tín hiệu điện não EEG
• 2.1.2. Các loại thiết bị thu nhận tín hiệu điện não EEG
• 2.1.3. Các dạng sóng cơ bản của tín hiệu điện não EEG
• 2.1.4. Ý nghĩa vị trí các điện cực trên thiết bị EEG
• 2.1.5. Các phương pháp trích đặc điểm tín hiệu
• 2.1.5.1. Biến đổi Fourier
• 2.1.5.2. Biến đổi Wavelet
• 2.1.5.3. Biến đổi HHT (Hilbert Huang Transform)
• 2.1.6. Gom cụm dữ liệu
• 2.1.7. Mô hình mạng Neural
• 2.1.7.1. Cấu trúc mạng Neural
• 2.1.7.2. Thuật toán huấn luyện mạng
• 2.6. Kết luận chương 2
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH HỆ THỐNG ĐIỀU KHIỂN
• 3.1. Mô hình mạng Neural đơn lớp
• 3.1.1. Quá trình tiền xử lý
• 3.1.2. Mạng Neural đơn lớp
• 3.1.3. Kết quả thực nghiệm với mô hình mạng Neural đơn lớp
• 3.2. Mô hình mạng Neural đa lớp
• 3.2.1. Quá trình tiền xử lý
• 3.2.2. Mô hình mạng Neural đa lớp
• 3.2.3. Kết quả thực nghiệm với mô hình mạng Neural đa lớp
• 3.3. Thiết kế mô hình tổng hợp xử lý tín hiệu
• 3.3.1. Khối nhận dạng tín hiệu EEG
• 3.3.2. Khối nhận dạng tín hiệu hướng mắt
• 3.3.3. Mô hình mạng Neural đa lớp lan truyền ngược
• 3.3.4. Kết quả thực nghiệm với mô hình tổng hợp đã thiết kế
• 3.3.5. Dữ liệu thực nghiệm với mô hình điều khiển xe lăn đã xây dựng
• 3.3.6. Chọn tập dữ liệu và kết quả thực nghiệm
• 3.4. Kết luận chương 3
• 4. CHƯƠNG 4: XÂY DỰNG PHẦN MỀM VÀ PHẦN CỨNG CHO HỆ THỐNG ĐIỀU KHIỂN XE LĂN MÔ HÌNH
• 4.1. Chức năng phần mềm điều khiển xe lăn
• 4.1.1. Đăng nhập hệ thống
• 4.1.2. Huấn luyện điều khiển xe lăn
• 4.1.3. Điều khiển xe lăn
• 4.1.4. Xem đồ thị dữ liệu
• 4.1.5. Các công việc phần mềm đảm nhận
• 4.1.5.1. Thu nhận dữ liệu
• 4.1.5.2. Trích đặc điểm dữ liệu
• 4.1.5.3. Gom cụm dữ liệu
• 4.1.5.4. Mạng neural đa lớp lan truyền ngược
• 4.1.5.5. Xử lý ảnh thông qua Camera
• 4.2. Hệ thống phần cứng
• 4.2.1. Xe lăn mô hình
• 4.2.2. Thiết bị Emotiv
• 4.2.3. Các bước tiến hành thực nghiệm
• 4.2.3.1. Quá trình huấn luyện người tham gia điều khiển
• 4.2.3.2. Điều khiển xe lăn
• 4.2.3.3. Lựa chọn nhóm tham gia quá trình đánh giá hệ thống
• 4.2.3.4. Kết quả thực nghiệm cho 2 phương án sử dụng EEG và Camera
• 4.3. Kết luận chương 4
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ
• 5.1. Kết luận
• 5.2. Kiến nghị
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Hệ thống điều khiển xe lăn bằng não Tổng quan và mục tiêu nghiên cứu

Luận án tập trung vào hệ thống điều khiển xe lăn cho người tàn tật nặng bằng mạng neural và EEG. Công nghệ điều khiển xe lăn cho người tàn tật đang là một lĩnh vực nghiên cứu trọng điểm. Luận án này hướng đến việc xây dựng một hệ thống hỗ trợ người khuyết tật vận động. Ứng dụng EEG trong điều khiển xe lăn là một hướng tiếp cận mới mẻ, hứa hẹn mở ra nhiều khả năng hỗ trợ người khuyết tật. Mục tiêu chính là thiết kế và phát triển một hệ thống điều khiển xe lăn thông minh sử dụng tín hiệu EEG và mạng neural, nhằm nâng cao chất lượng cuộc sống cho người tàn tật nặng. Đây là một giải pháp công nghệ hỗ trợ người khuyết tật nặng, có ý nghĩa xã hội sâu sắc. An toàn và hiệu quả của hệ thống điều khiển xe lăn được đặt lên hàng đầu trong quá trình nghiên cứu và phát triển. Cải tiến công nghệ hỗ trợ người khuyết tật là mục tiêu quan trọng của luận án. Thiết kế hệ thống điều khiển xe lăn tiên tiến đòi hỏi sự kết hợp hài hòa giữa phần cứng và phần mềm. Xe lăn thông minh cho người tàn tật nặng là sản phẩm hướng tới của luận án.

1.1 Phân tích tình hình nghiên cứu trong và ngoài nước

Luận án đánh giá tình hình nghiên cứu trong nước về công nghệ điều khiển xe lăn cho người tàn tật. Nghiên cứu chỉ ra rằng, ứng dụng EEG trong điều khiển xe lăn còn hạn chế. Công nghệ hỗ trợ người khuyết tật vận động ở Việt Nam đang được phát triển nhưng vẫn còn nhiều thách thức. So sánh các phương pháp điều khiển xe lăn cho thấy, phương pháp sử dụng EEG và mạng neural có tiềm năng vượt trội. Tình hình nghiên cứu ngoài nước cho thấy sự phát triển mạnh mẽ của BCI (Brain Computer Interfaces), đặc biệt là trong lĩnh vực điều khiển thiết bị bằng suy nghĩ. Mạng neural nhân tạo trong điều khiển xe lăn được ứng dụng rộng rãi, cho thấy hiệu quả đáng kể. Tuy nhiên, việc ứng dụng rộng rãi vẫn gặp nhiều khó khăn, đặc biệt là về chi phí và khả năng tiếp cận. EEG và mạng neural trong y sinh đang là lĩnh vực nghiên cứu sôi động, mở ra nhiều ứng dụng tiềm năng. Ứng dụng mạng neural trong thiết bị y tế cũng đang được nghiên cứu và phát triển mạnh mẽ.

1.2 Phương pháp nghiên cứu

Luận án sử dụng phương pháp nghiên cứu định lượng và định tính. Thuật toán điều khiển xe lăn bằng EEG được xây dựng dựa trên việc xử lý tín hiệu EEG bằng các kỹ thuật như biến đổi Fourier, biến đổi Wavelet, và Hilbert Huang Transform (HHT). Xử lý tín hiệu EEG trong điều khiển xe lăn là một phần quan trọng của luận án. Phân tích tín hiệu EEG nhằm trích xuất các đặc trưng cần thiết để điều khiển xe lăn. Mạng neural nhân tạo, cụ thể là mạng neural đa lớp, được sử dụng để phân loại các tín hiệu EEG. Học máy có giám sát được áp dụng trong quá trình huấn luyện mạng neural. Thí nghiệm lâm sàng hệ thống điều khiển xe lăn được thực hiện để đánh giá hiệu quả của hệ thống. Phát hiện tín hiệu EEG cho điều khiển xe lăn là một thách thức lớn. Xử lý tín hiệu EEG đóng vai trò then chốt trong việc đảm bảo tính chính xác của hệ thống. Hệ thống điều khiển xe lăn được mô phỏng và thử nghiệm trên mô hình thực tế.

II. Kết quả nghiên cứu và phân tích

Luận án trình bày kết quả nghiên cứu về phát hiện tín hiệu EEG cho điều khiển xe lăn. Thu thập dữ liệu EEG được thực hiện trên nhiều đối tượng. Xử lý dữ liệu EEG bao gồm các bước tiền xử lý, trích xuất đặc trưng, và phân loại. Mô hình mạng neural đa lớp đạt hiệu quả cao nhất trong việc phân loại tín hiệu EEG. Kết quả thực nghiệm cho thấy hệ thống đạt độ chính xác cao, trên 90%. Chi phí và khả năng tiếp cận hệ thống điều khiển xe lăn được đánh giá. An toàn của hệ thống điều khiển xe lăn được đảm bảo thông qua các biện pháp kỹ thuật. Hệ thống điều khiển xe lăn được tích hợp với camera để tăng cường độ chính xác. Mô hình mạng neural đơn lớp cũng được nghiên cứu và so sánh. So sánh các phương pháp điều khiển xe lăn cho thấy sự ưu việt của phương pháp sử dụng EEG và mạng neural đa lớp.

2.1 Phân tích hiệu quả của các thuật toán xử lý tín hiệu

Luận án so sánh hiệu quả của ba thuật toán xử lý tín hiệu EEG: biến đổi Fourier, biến đổi Wavelet, và HHT. Biến đổi Wavelet cho thấy hiệu quả tốt hơn trong việc trích xuất đặc trưng tín hiệu EEG. Thuật toán HHT có thể xử lý tín hiệu không ổn định tốt hơn. Phân tích mật độ phổ công suất (PSD) được sử dụng để đánh giá hiệu quả của các thuật toán. Tỉ lệ nhiễu tín hiệu (SNR) được cải thiện sau khi xử lý tín hiệu. Gom cụm dữ liệu giúp tăng hiệu quả của quá trình phân loại. Các phương pháp trích đặc điểm tín hiệu đóng vai trò quan trọng trong việc cải thiện hiệu quả của hệ thống. Kết quả thực nghiệm cho thấy biến đổi Wavelet kết hợp với HHT cho kết quả tốt nhất trong việc trích xuất các đặc trưng của tín hiệu EEG. Các dạng sóng cơ bản của tín hiệu điện não EEG (Delta, Theta, Alpha, Beta, Gamma) được sử dụng để phân loại các lệnh điều khiển.

2.2 Đánh giá hiệu quả của mô hình mạng neural

Luận án đánh giá hiệu quả của mô hình mạng neural đơn lớp và mô hình mạng neural đa lớp. Mạng neural đa lớp cho kết quả chính xác hơn so với mạng neural đơn lớp. Thuật toán huấn luyện mạng neural được lựa chọn phù hợp để tối ưu hóa hiệu quả của hệ thống. Cấu trúc mạng neural được thiết kế sao cho phù hợp với đặc điểm của tín hiệu EEG. Kết quả thực nghiệm cho thấy mạng neural đa lớp đạt độ chính xác cao trong việc phân loại tín hiệu. Ma trận nhầm lẫn được sử dụng để đánh giá độ chính xác của hệ thống. Tối ưu hóa cấu trúc mạng neural là một phần quan trọng trong việc nâng cao hiệu quả của hệ thống. Hệ thống điều khiển xe lăn sử dụng mạng neural đa lớp lan truyền ngược để đảm bảo hiệu quả phân loại tín hiệu.

III. Ứng dụng thực tiễn và hướng phát triển

Luận án đề xuất ứng dụng thực tiễn của hệ thống điều khiển xe lăn cho người tàn tật nặng. Hệ thống phần cứng và phần mềm được thiết kế và xây dựng. Xe lăn mô hình được sử dụng để thử nghiệm hệ thống. Thiết bị Emotiv EPOC+ được sử dụng để thu nhận tín hiệu EEG. Quá trình huấn luyện người tham gia điều khiển được mô tả chi tiết. Kết quả thực nghiệm cho thấy hệ thống có độ tin cậy cao và khả năng áp dụng thực tiễn tốt. Tương lai của công nghệ điều khiển xe lăn sẽ tiếp tục được phát triển. Công nghệ hỗ trợ người khuyết tật vận động trên thế giới đang phát triển mạnh mẽ, công nghệ hỗ trợ người khuyết tật vận động ở Việt Nam cần được đầu tư và phát triển hơn nữa.

3.1 Thực nghiệm và đánh giá hệ thống

Luận án trình bày chi tiết quá trình thực nghiệm và đánh giá hệ thống điều khiển xe lăn. Dữ liệu thực nghiệm được thu thập từ nhiều đối tượng. Kết quả thực nghiệm được phân tích và đánh giá. Độ chính xác của hệ thống được đo lường và so sánh. Các chỉ số đánh giá hiệu quả của hệ thống được trình bày rõ ràng. Thời gian tiến hành thực nghiệm được ghi nhận. Lựa chọn nhóm tham gia quá trình đánh giá hệ thống được thực hiện một cách khách quan. Kết quả thực nghiệm cho 2 phương án sử dụng EEG và Camera được so sánh và đánh giá. Hệ thống điều khiển xe lăn chứng minh khả năng ứng dụng thực tiễn cao, mang lại sự tiện lợi và độc lập cho người khuyết tật.

3.2 Hướng phát triển và kiến nghị

Luận án đề xuất các hướng phát triển cho hệ thống điều khiển xe lăn trong tương lai. Việc tích hợp thêm các cảm biến sẽ giúp hệ thống hoạt động chính xác hơn. Cải thiện thuật toán xử lý tín hiệu sẽ nâng cao hiệu quả của hệ thống. Phát triển giao diện người dùng thân thiện sẽ làm tăng tính tiện dụng của hệ thống. Giảm chi phí sản xuất sẽ giúp hệ thống tiếp cận được nhiều người dùng hơn. Luận án cũng đưa ra một số kiến nghị nhằm thúc đẩy phát triển công nghệ hỗ trợ người khuyết tật vận động ở Việt Nam. Việc đầu tư nghiên cứu và phát triển công nghệ hỗ trợ người khuyết tật là cần thiết. Chính sách hỗ trợ cho người khuyết tật cần được quan tâm và hoàn thiện. Hợp tác quốc tế trong lĩnh vực này cũng rất quan trọng.

Nội dung chính

Tổng quan về luận án

Nghiên cứu giao diện não – máy tính (Brain-Computer Interface - BCI) kết hợp thị giác máy tính đại diện cho bước tiến tiên phong trong lĩnh vực Kỹ thuật Điều khiển và Tự động hóa, đặc biệt hướng tới mục tiêu phục hồi chức năng vận động cho người tàn tật nặng. Luận án tiến sĩ kỹ thuật "Mạng Neural trong hệ thống điều khiển xe lăn cho người tàn tật nặng sử dụng điện não (EEG) và camera" (Mã số chuyên ngành: 9520216) do nghiên cứu sinh Lâm Quang Chuyên thực hiện dưới sự hướng dẫn khoa học của PGS. TS. Nguyễn Hữu Khương và PGS. TS. Võ Công Phương tại Trường Đại học Giao thông Vận tải TP. Hồ Chí Minh đã giải quyết một bài toán cấp thiết: chuyển đổi trực tiếp tín hiệu sinh thể phi tuyến thành các lệnh điều khiển chấp hành theo thời gian thực mà không phụ thuộc vào cử động cơ học của tay chân.

Trong bối cảnh y sinh học và kỹ thuật điều khiển hiện đại, khoảng trống nghiên cứu (research gap) lớn nhất nằm ở việc phần lớn các công trình BCI trước đây chỉ dừng lại ở phân tích ngoại tuyến (offline analysis), tập trung nhận diện các bệnh lý tĩnh (động kinh, trầm cảm, stress) hoặc dựa vào các ngưỡng biên độ cơ học như chớp mắt, lắc đầu (EOG, EMG artifacts). Các nghiên cứu trực tuyến (online BCI) hiện có thường gặp trở ngại nghiêm trọng về độ trễ xử lý, hiện tượng quá khớp (overfitting) của mạng nơ-ron khi dữ liệu EEG có tỷ số tín hiệu trên nhiễu (SNR) thấp, và sự suy giảm độ chính xác khi đối tượng chỉ thực hiện các tác vụ kích thích thị giác ngắn hạn. Để giải quyết triệt để vấn đề này, luận án xác lập các câu hỏi nghiên cứu và giả thuyết cốt lõi:

• Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để giải mã và phân tách tối ưu các đặc tính phi tuyến, bất định của tín hiệu EEG thời gian thực tương ứng với các kích thích thị giác khác nhau?
• Câu hỏi nghiên cứu 2 (RQ2): Cấu trúc mạng nơ-ron nhân tạo kết hợp kỹ thuật tiền xử lý nào có khả năng hội tụ nhanh, triệt tiêu overfitting và phân loại chính xác các trạng thái não bộ?
• Câu hỏi nghiên cứu 3 (RQ3): Mô hình tích hợp đa phương thức giữa điện não đồ (EEG) và thị giác máy tính (Camera) có thể nâng cao độ tin cậy của hệ thống điều khiển xe lăn thực nghiệm lên mức độ nào?
• Giả thuyết nghiên cứu 1 (H1): Việc kết hợp phép biến đổi Hilbert-Huang (HHT) với thuật toán gom cụm K-Means sẽ làm tăng đáng kể độ phân giải không gian - thời gian - tần số và tối ưu hóa véc-tơ đầu vào cho mạng nơ-ron so với các phương pháp Wavelet hoặc Fourier truyền thống.
• Giả thuyết nghiên cứu 2 (H2): Mô hình dung hợp cảm biến (sensor fusion) giữa phân loại sóng não 5 dải tần và theo dõi chuyển động đồng tử mắt sẽ giảm thiểu sai số nhận dạng xuống dưới 10%, tạo ra hệ thống điều khiển thời gian thực an toàn và ổn định.

Khung lý thuyết của luận án được xây dựng dựa trên nền tảng lý thuyết phân tích tín hiệu phi tuyến và bất định (Non-linear and Non-stationary Signal Analysis), lý thuyết kết nối thần kinh (Connectionist Learning Theory), và thị giác máy tính hình học. Nghiên cứu sử dụng tập dữ liệu chuẩn quốc tế từ Đại học California San Diego (UCSD) kết hợp với tập dữ liệu thực nghiệm thu nhận trực tiếp từ 20 tình nguyện viên thông qua thiết bị 16 kênh Emotiv EPOC+ theo chuẩn quốc tế 10-20. Kết quả đạt được độ chính xác phân loại tổng hợp lên tới 92,4%, minh chứng cho tính khả thi và đột phá của giải pháp điều khiển xe lăn 5 trạng thái chuyển động (chạy tới, chạy lùi, quay trái, quay phải, dừng lại) phục vụ người khuyết tật mất hoàn toàn khả năng vận động chi.

Literature Review và Positioning

Tổng quan y văn quốc tế và trong nước phản ánh sự tiến hóa mạnh mẽ của các phương pháp xử lý tín hiệu điện sinh học kể từ khi Hans Berger (1920) lần đầu tiên phát hiện và ghi nhận các dao động điện thế sóng Alpha và Beta trên vỏ não người. Phân tích tín hiệu điện não đồ (EEG) truyền thống chủ yếu dựa trên phép biến đổi Fourier nhanh (Fast Fourier Transform - FFT) và mật độ phổ công suất (Power Spectral Density - PSD) do Cooley và Tukey phát triển. Tuy nhiên, như Gabor (1946) đã chỉ ra, FFT chỉ cung cấp thông tin tần số thuần túy có tính toàn cục và hoàn toàn bất lực trong việc định vị thời điểm xuất hiện của các tần số đột biến trong tín hiệu phi tuyến. Phép biến đổi Fourier ngắn hạn (STFT) ra đời nhằm khắc phục nhược điểm này bằng cách sử dụng cửa sổ thời gian cố định, song lại vấp phải giới hạn bất định Heisenberg-Gabor: không thể đồng thời tối ưu hóa độ phân giải thời gian và độ phân giải tần số.

Để vượt qua hạn chế của STFT, các trường phái xử lý tín hiệu hiện đại đã chuyển dịch sang phép biến đổi Wavelet (Wavelet Transform - WT) với khả năng co giãn cửa sổ phân tích đa độ phân giải (Mallat, 1989; Daubechies, 1992). Dù vậy, Wavelet vẫn là phương pháp tiếp cận tiên nghiệm (a priori), phụ thuộc chặt chẽ vào việc lựa chọn hàm sóng mẹ (mother wavelet) như Daubechies, Morlet hay Mexican Hat Wavelet. Bước nhảy vọt về phương pháp luận chỉ thực sự xuất hiện khi Norden E. Huang và các cộng sự (1998) đề xuất phép biến đổi Hilbert-Huang (HHT) dựa trên thuật toán phân tích theo kinh nghiệm (Empirical Mode Decomposition - EMD), cho phép phân rã dữ liệu thích nghi hoàn toàn từ bản thân tín hiệu thành các hàm bản chất (Intrinsic Mode Functions - IMF) mà không cần bất kỳ giả định toán học định trước nào.

Tiêu chí so sánh	Biến đổi Fourier (FFT/STFT)	Biến đổi Wavelet (WT)	Biến đổi Hilbert-Huang (HHT)
Cơ sở biến đổi	Tiên nghiệm (Hàm lượng giác)	Tiên nghiệm (Họ hàm Wavelet)	Thực nghiệm thích nghi (Dữ liệu gốc)
Bản chất tần số	Toàn cục / Cửa sổ cố định	Cục bộ theo tỷ lệ co giãn	Tần số tức thời cục bộ chính xác
Tín hiệu phi tuyến & bất định	Không phù hợp	Phù hợp có giới hạn	Hoàn toàn phù hợp
Độ phức tạp tính toán	Thấp ($O(N \log N)$)	Trung bình ($O(N)$)	Thích nghi cao, tối ưu thực nghiệm
Ý nghĩa vật lý	Phổ năng lượng tĩnh	Tương quan hàm mẹ	Diễn giải trực tiếp quá trình động sinh học

Tranh luận học thuật trong lĩnh vực BCI quốc tế hiện nay chia thành hai luồng quan điểm đối lập:

1. Trường phái tiếp cận đơn phương thức (Unimodal BCI): Các nghiên cứu tiêu biểu như Wolpaw et al. (2002) hay Pfurtscheller et al. (2006) tập trung tối đa vào việc khai thác sâu tiềm năng điện thế gợi ý thị giác (SSVEP) hoặc tưởng tượng vận động (Motor Imagery) thuần túy. Nhược điểm chí tử của hướng đi này là hiện tượng "BCI Illiteracy" (khoảng 15-20% người dùng không thể tạo ra tín hiệu não đủ rõ nét) và độ chính xác suy giảm nghiêm trọng khi xuất hiện nhiễu môi trường.
2. Trường phái tiếp cận đa phương thức lai (Hybrid BCI): Điển hình là các công trình của Allison et al. (2012) và Choi et al. (2017), chủ trương kết hợp EEG với tín hiệu sinh học phụ trợ. Tuy nhiên, phần lớn các hệ thống này kết hợp tín hiệu cơ học (chớp mắt, cơ mặt) vốn không thể áp dụng cho bệnh nhân liệt hoàn toàn cơ vận động.

Luận án của tác giả Lâm Quang Chuyên định vị chính xác vào giao điểm tiên tiến nhất: xây dựng hệ thống BCI lai kết hợp giữa nhận thức thị giác thụ động qua EEG (Passive/Cognitive Visual-Evoked EEG) và xử lý hình ảnh hướng mắt không xâm lấn qua Camera. So sánh với công trình của Millán et al. (2010) tại Thụy Sĩ về điều khiển xe lăn bằng BCI thuần túy và nghiên cứu của Leeb et al. (2013) tại Đức, luận án tạo ra bước đột phá khi giải quyết bài toán phân loại trực tuyến 5 dải sóng não thông qua chuỗi xử lý liên hoàn HHT - Gom cụm K-Means - Mạng Nơ-ron lan truyền ngược đa lớp, đạt hiệu suất vượt trội trong môi trường thực nghiệm với chi phí phần cứng tối ưu.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng đáng kể lý thuyết xử lý tín hiệu thích nghi phi tuyến và lý thuyết mạng thần kinh nhân tạo trong miền điều khiển học sinh học:

• Mở rộng lý thuyết biến đổi Hilbert-Huang (HHT) của Huang et al. (1998) trong việc trích xuất tần số tức thời từ các mẫu tín hiệu não bộ có biên độ cực nhỏ (vài microvolt - $\mu\text{V}$), khẳng định tính ưu việt của việc phân rã EMD thành 12 hàm bản chất IMF để tái cấu trúc chính xác 5 dải sóng sinh lý học cốt lõi: Delta ($0 - 3\text{ Hz}$), Theta ($3 - 7\text{ Hz}$), Alpha ($7 - 13\text{ Hz}$), Beta ($13 - 30\text{ Hz}$), và Gamma ($30 - 45\text{ Hz}$).
• Phát triển mô hình kết nối nơ-ron đa tầng tích hợp cơ chế học có giám sát lan truyền ngược sai số (Backpropagation), chứng minh bằng thực nghiệm rằng cấu trúc 3 lớp ẩn với hàm kích hoạt Hyperbolic Tangent tối ưu hóa được bề mặt lỗi phi tuyến khi tiếp nhận véc-tơ đặc trưng đã qua tiền xử lý gom cụm.
• Xác lập khung lý thuyết dung hợp thông tin đa cảm biến (Multimodal Sensor Fusion Theory) ở cấp độ đặc trưng (Feature-level Fusion), kết hợp ma trận năng lượng sóng não với véc-tơ tỷ lệ hình học chuyển động mắt (tâm đồng tử, chiều dài mắt, khoảng cách lông mày), tạo nên một hệ quy chiếu nhận dạng hành vi có độ tin cậy toán học vững chắc.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên hoàn ba trụ cột phương pháp luận:

1. Tầng phân giải tín hiệu thích nghi: Sử dụng giải thuật EMD để sàng lọc dữ liệu liên tục: $$x(t) = \sum_{i=1}^{N} c_i(t) + r_N(t)$$ Trong đó $c_i(t)$ là các hàm thành phần IMF trực giao và $r_N(t)$ là phần dư xu hướng tín hiệu. Phép biến đổi Hilbert sau đó được áp dụng trên từng IMF để tính toán phổ biên độ Hilbert-Huang 3 chiều (Thời gian - Tần số - Biên độ).
2. Tầng khử nhiễu và nén không gian đặc trưng bằng K-Means: Áp dụng mô hình gom cụm tâm điểm (Centroid Model) phân vùng không gian dữ liệu đa chiều thành các cụm đồng nhất, triệt tiêu các phần tử biên ngoại lai (outliers), giảm kích thước véc-tơ đầu vào trước khi truyền vào mạng nơ-ron.
3. Tầng phân loại và ra quyết định chấp hành (MLP 3 lớp): Mạng nơ-ron tiếp nhận dữ liệu đã làm sạch, tính toán tổng trọng số và truyền qua hàm tác động: $$I_j = \sum_{i=1}^{n} w_{ij} x_i; \quad O_j = \frac{1 - e^{-I_j}}{1 + e^{-I_j}}$$ Điều kiện biên (boundary conditions) được xác định rõ: người sử dụng duy trì trạng thái nhận thức tỉnh táo, thị lực hoạt động bình thường, và góc quay chấp hành của xe lăn mô hình được chuẩn hóa ở các bước rẽ $90^\circ$ nhằm đảm bảo an toàn cơ học tuyệt đối.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ thế giới quan thực chứng (Positivism Paradigm) với phương pháp tiếp cận định lượng thực nghiệm kỹ thuật đa tầng (Multi-level Experimental Design). Hệ thống nghiên cứu được phân tách thành 3 tầng cấu trúc:

• Tầng vật lý thu nhận (Physical Acquisition Layer): Thiết bị Emotiv EPOC+ gồm 16 điện cực không can thiệp (Non-invasive electrodes) bố trí theo chuẩn quốc tế 10-20 (tập trung vào các kênh trọng yếu $O1, O2, F3, F4, F7, F8, T5, T6, FP1, FP2$), truyền dữ liệu không dây qua Bluetooth ở tốc độ lấy mẫu chuẩn hóa; kết hợp Camera độ phân giải cao Logitech C615 gắn trực tiếp trên bảng quan sát.
• Tầng tiền xử lý và giải mã trung gian (Middleware Processing Layer): Máy tính trung tâm chạy phần mềm chuyên dụng xử lý thuật toán HHT, trích xuất đặc trưng hình ảnh đồng tử, gom cụm K-Means và mạng nơ-ron huấn luyện.
• Tầng chấp hành cơ điện tử (Actuator Execution Layer): Mô hình xe lăn điện tích hợp vi điều khiển, mạch điều khiển động cơ DC và module truyền nhận tín hiệu điều khiển theo thời gian thực.

Quy trình nghiên cứu thực nghiệm

Quy trình thực nghiệm được chuẩn hóa nghiêm ngặt qua các giai đoạn độc lập:

1. Thu thập dữ liệu chuẩn và thẩm định mô hình toán: Sử dụng cơ sở dữ liệu điện não đồ quốc tế của Đại học California San Diego (UCSD) - tổ chức học thuật xếp hạng 38 thế giới năm 2018 - chứa các mẫu EEG thu nhận khi con người quan sát các loại hình ảnh khác nhau, làm thước đo chuẩn hóa để kiểm chứng giải thuật mạng nơ-ron đơn lớp và đa lớp.
2. Thiết kế bảng quan sát 5 kích thích thị giác: Bảng quan sát trực quan gồm 5 hình ảnh đặc thù tương ứng với 5 trạng thái tâm lý và hướng điều khiển:
   • Hình ảnh Con người: Kích hoạt lệnh Chạy tới (Forward).
   • Hình ảnh Thành phố: Kích hoạt lệnh Chạy lùi (Backward).
   • Hình ảnh Phong cảnh: Kích hoạt lệnh Dừng lại (Stop).
   • Hình ảnh Bông hoa: Kích hoạt lệnh Quay trái (Turn Left).
   • Hình ảnh Con vật: Kích hoạt lệnh Quay phải (Turn Right).
3. Thực nghiệm trên nhóm đối tượng: Lựa chọn 20 sinh viên và tình nguyện viên tại Trường Cao đẳng Công thương TP. Hồ Chí Minh tham gia quá trình thu nhận dữ liệu và điều khiển thực tế. Các đối tượng được huấn luyện làm quen với giao diện phần mềm, thực hiện các chu kỳ quan sát lặp lại để ghi nhận dữ liệu huấn luyện (Training Set) và dữ liệu kiểm thử (Testing Set).
4. Khử nhiễu và bảo đảm độ tin cậy: Loại bỏ can nhiễu từ tín hiệu điện tim (ECG), điện cơ (EMG) do co thắt cơ hàm hoặc chớp mắt thông qua kỹ thuật lọc dải thông và phân rã IMF thích nghi; độ tin cậy của thuật toán phân lớp được kiểm chứng qua ma trận nhầm lẫn (Confusion Matrix) chi tiết.

Phát hiện đột phá và implications

Những phát hiện then chốt

Nghiên cứu mang lại 4 phát hiện thực nghiệm mang tính đột phá với bằng chứng định lượng rõ ràng:

1. Tính ưu việt tuyệt đối của HHT trong xử lý tín hiệu EEG trực tuyến: So sánh thực nghiệm giữa ba phương pháp tiền xử lý trên cùng một tập dữ liệu khẳng định HHT cho khả năng phân rã tín hiệu bất định vượt trội hơn Wavelet hình nón Mexico và Fourier. Đúng như luận án đã trích dẫn: "Phương pháp HHT không những cung cấp cho chúng ta thông tin về các sự kiện theo thời gian và tần số tốt hơn phân tích Wavelet mà còn có ý nghĩa vật lý trong việc diễn giải quá trình động."
2. Hiệu ứng cộng hưởng của K-Means trong việc triệt tiêu Overfitting: Khi đưa trực tiếp 5 dải sóng thô vào mạng nơ-ron, mạng rất dễ rơi vào cực tiểu địa phương hoặc quá khớp do mật độ nhiễu cao. Việc bổ sung bước gom cụm K-Means đóng vai trò như một bộ lọc không gian, giúp mạng nơ-ron 3 lớp lan truyền ngược tăng tốc độ hội tụ gấp 3 lần và nâng cao độ chính xác phân loại lên mức ổn định.
3. Đột phá về độ chính xác khi dung hợp đa phương thức: Kết quả thực nghiệm đối chứng trên 20 tình nguyện viên chỉ ra sự khác biệt rõ rệt giữa các phương án điều khiển:
   • Phương pháp nhận dạng thuần túy bằng tín hiệu điện não EEG: Độ chính xác đạt $81,2% - 84,6%$.
   • Phương pháp nhận dạng thuần túy bằng hướng mắt qua Camera: Độ chính xác đạt $83,5% - 86,1%$.
   • Mô hình tổng hợp HHT + K-Means + Mạng Nơ-ron đa lớp kết hợp Camera: Độ chính xác đạt đỉnh $92,4%$, minh chứng cho sự vượt trội của giải pháp lai.
4. Khả năng giải mã tín hiệu nhận thức thị giác thời gian thực: Luận án chứng minh rằng não bộ con người khi quan sát các bức tranh mang ngữ cảnh khác nhau (con người, thành phố, thiên nhiên) sẽ phát sinh các dao động điện thế đặc trưng tại các vùng thùy chẩm ($O1, O2$) và thùy trán ($F3, F4, FP1, FP2$) có thể phân tách được trong các khung thời gian ngắn, mở ra hướng điều khiển BCI nhận thức thay vì chỉ dựa vào kích thích nhấp nháy tần số cao gây mỏi mắt (như SSVEP).

Phương pháp nhận dạng	Độ chính xác trung bình (%)	Thời gian đáp ứng lệnh (s)	Mức độ mỏi mắt / Căng thẳng
EEG đơn thuần (Wavelet + MLP)	78,5%	1,8 - 2,2	Trung bình
EEG đơn thuần (HHT + K-Means + MLP)	84,6%	1,2 - 1,5	Thấp
Camera theo dõi mắt đơn thuần	85,3%	0,8 - 1,1	Rất thấp
Mô hình tổng hợp (EEG HHT + Camera + MLP 3 lớp)	92,4%	0,9 - 1,2	Rất thấp (Tối ưu)

Implications đa chiều

• Về mặt lý thuyết điều khiển tự động: Công trình cung cấp một kiến trúc chuẩn mực cho việc tích hợp các tín hiệu phi tuyến sinh học vào vòng điều khiển kín (Closed-loop Bio-control Systems), chứng minh khả năng ứng dụng của mạng nơ-ron nhân tạo như một bộ giải mã thích nghi cao cấp trong điều khiển học.
• Về mặt phương pháp luận: Thiết lập quy trình xử lý tín hiệu hoàn chỉnh từ khâu thu thập 16 kênh không xâm lấn, phân rã EMD-HHT, gom cụm dữ liệu nén chiều, đến phân loại đa lớp nơ-ron, có thể tái sử dụng trực tiếp cho các nghiên cứu xử lý tín hiệu y sinh khác (như điện tim ECG, điện cơ EMG).
• Về mặt thực tiễn xã hội và y tế: Giải pháp mở ra cơ hội tái hòa nhập cộng đồng vô cùng lớn cho những bệnh nhân bị chấn thương tủy sống cổ nặng, bại liệt toàn thân, hoặc mắc hội chứng xơ cứng teo cơ một bên (ALS) - những người hoàn toàn mất khả năng vận động cơ nhưng trí tuệ và thị giác vẫn hoạt động bình thường. Đúng như tác giả khẳng định: "Kết quả luận án cho thấy rằng một người khuyết tật nặng, không thể tự mình di chuyển (nhưng còn minh mẫn và mắt hoạt động tốt) có thể điều khiển xe lăn theo ý muốn trong một phạm vi nào đó bằng việc sử dụng cảm nhận mắt của mình thông qua tín hiệu điện não EEG."

Limitations và Future Research

Nhằm đảm bảo tính trung thực và chuẩn mực học thuật cao nhất, luận án đã thẳng thắn chỉ ra các giới hạn hiện tại:

1. Quy mô và đặc tính mẫu thực nghiệm: Thực nghiệm được tiến hành trên 20 sinh viên và tình nguyện viên khỏe mạnh tại Trường Cao đẳng Công thương TP.HCM. Mặc dù các đối tượng chỉ dùng mắt và suy nghĩ để giả lập hoàn toàn hành vi của người khuyết tật, cấu trúc điện não đồ của người bệnh tổn thương thần kinh thực tế có thể xuất hiện thêm các biến dị bệnh lý chưa được khảo sát toàn diện.
2. Đặc tính cơ học của mô hình xe lăn: Hệ thống phần cứng mới dừng lại ở mô hình thực nghiệm với các câu lệnh điều khiển cơ bản (tiến, lùi, quay góc cố định $90^\circ$, dừng). Luận án chưa đi sâu vào việc điều khiển biến thiên liên tục về vận tốc, gia tốc mượt mà và chưa tích hợp thuật toán tránh vật cản tự động (Obstacle Avoidance) trong môi trường không gian phức tạp.
3. Độ ổn định của điện cực không can thiệp: Thiết bị Emotiv EPOC+ sử dụng điện cực nước muối/điện cực khô thương mại có ưu điểm giá thành rẻ và dễ tiếp cận, song điện trở tiếp xúc có xu hướng suy giảm sau thời gian sử dụng kéo dài, đòi hỏi phải hiệu chuẩn định kỳ.

Các hướng nghiên cứu phát triển tiếp theo bao gồm:

• Mở rộng thử nghiệm lâm sàng trực tiếp trên các bệnh nhân liệt chi tại các bệnh viện phục hồi chức năng để tinh chỉnh bộ trọng số mạng nơ-ron thích ứng với từng dạng bệnh lý thần kinh.
• Tích hợp các thuật toán học sâu hiện đại (Deep Learning) như mạng tích chập nơ-ron không thời gian (Spatial-Temporal CNN) kết hợp LSTM để tự động trích xuất đặc trưng trực tiếp từ tín hiệu thô mà không cần qua các bước tiền xử lý rời rạc.
• Phát triển hệ thống điều khiển mờ lai (Fuzzy Logic Control) cho cơ cấu chấp hành xe lăn thực tế, cho phép điều chỉnh tốc độ vô cấp và góc lái linh hoạt theo ý muốn người dùng.
• Bổ sung cảm biến khoảng cách LiDAR và radar siêu âm xung quanh thân xe để xây dựng hệ thống tự hành an toàn tuyệt đối (Semi-autonomous Wheelchair System).

Tác động và ảnh hưởng

Công trình nghiên cứu của tác giả Lâm Quang Chuyên đã tạo ra những ảnh hưởng học thuật và thực tiễn rõ nét:

• Tác động học thuật quốc tế: Các kết quả nghiên cứu cốt lõi của luận án đã được bình duyệt và công bố tại các diễn đàn khoa học uy tín, bao gồm Kỷ yếu Hội nghị Quốc tế về Robot và Trí tuệ Nhân tạo (ICRAI 2017 Proceedings, ISBN: 978-1-4503-5358-8) với bài báo "A Novel Approach for Classifying EEG Signal with Multi-Layer Neural Network", và Tạp chí Truyền thông Quốc tế (Journal of Communications, ISSN: 1796-2021) với công trình "Build Control Command Set Based on EEG Signals via Clustering Algorithm and Multi-Layer Neural Network".
• Thúc đẩy nghiên cứu BCI trong nước: Luận án là một trong những công trình tiên phong tại Việt Nam chuyển dịch nghiên cứu EEG từ phân tích bệnh lý y khoa thuần túy sang ứng dụng kỹ thuật điều khiển tự động hóa thời gian thực.
• Giá trị kinh tế - xã hội nhân văn: Bằng việc chứng minh khả năng hiện thực hóa hệ thống điều khiển xe lăn thông minh với các thiết bị phần cứng chi phí thấp (Emotiv, Camera Logitech, vi điều khiển chuẩn), nghiên cứu mở ra triển vọng nội địa hóa và sản xuất hàng loạt các thiết bị trợ cấp y tế công nghệ cao tại Việt Nam, mang lại cơ hội tự chủ vận động cho hàng trăm nghìn người tàn tật nặng với mức chi phí hợp lý.

Đối tượng hưởng lợi

• Nghiên cứu sinh và Giảng viên ngành Điều khiển - Tự động hóa, Kỹ thuật Y sinh (BME): Kế thừa khung phương pháp luận HHT - K-Means - Mạng Nơ-ron đa lớp và bộ dữ liệu thực nghiệm chuẩn hóa để mở rộng các đề tài nghiên cứu chuyên sâu về xử lý tín hiệu y sinh phi tuyến.
• Các doanh nghiệp R&D thiết bị y tế và phục hồi chức năng: Tiếp cận kiến trúc hệ thống phần cứng và phần mềm điều khiển xe lăn chi phí thấp, làm cơ sở chuyển giao công nghệ và thương mại hóa sản phẩm xe lăn thông minh.
• Các bác sĩ và chuyên gia trị liệu thần kinh: Có thêm công cụ định lượng hỗ trợ đánh giá khả năng nhận thức và mức độ đáp ứng thị giác của bệnh nhân tổn thương vận động nặng.
• Người tàn tật nặng và gia đình: Hưởng lợi trực tiếp từ công nghệ trợ giúp di chuyển tự chủ, giảm thiểu sự phụ thuộc hoàn toàn vào người chăm sóc, nâng cao chất lượng cuộc sống và khả năng tái hòa nhập xã hội.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào? Đóng góp lý thuyết độc đáo nhất là việc thiết lập thành công mô hình tích hợp chuỗi giữa phân tích thời gian - tần số thích nghi Hilbert-Huang Transform (HHT) và thuật toán gom cụm K-Means để chuẩn hóa véc-tơ đầu vào cho mạng nơ-ron đa lớp. Công trình đã mở rộng lý thuyết phân rã tín hiệu phi tuyến của Huang et al. (1998) vào miền điện thế gợi ý thị giác nhận thức (Cognitive Visual EEG), chứng minh rằng việc kết hợp HHT và nén dữ liệu qua cụm tâm điểm triệt tiêu được hiện tượng bão hòa trọng số và overfitting trong mạng MLP truyền thống.

2. Đột phá về phương pháp luận của luận án khi so sánh với các nghiên cứu trước đây? So với các nghiên cứu BCI truyền thống dựa trên phân tích ngưỡng biên độ sóng cơ học (EOG/EMG) của các tác giả trong nước hoặc các nghiên cứu dùng biến đổi Fourier/Wavelet ngoại tuyến quốc tế, luận án đã tạo bước đột phá khi xây dựng hệ thống nhận dạng trực tuyến đa phương thức (Multimodal Online Recognition). Sự kết hợp giữa giải mã 5 dải sóng não tức thời và thị giác máy tính hình học giúp loại bỏ hoàn toàn sự phụ thuộc vào cử động cơ thể, nâng độ chính xác lên 92,4% – vượt trội so với mức trung bình 75-85% của các hệ thống đơn phương thức cùng phân khúc.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và có số liệu chứng minh? Phát hiện bất ngờ nhất là việc quan sát các bức tranh tĩnh có nội dung ngữ nghĩa khác nhau (con người, thành phố, phong cảnh, bông hoa, con vật) có thể tạo ra các biến đổi sóng não đặc trưng và ổn định ở các dải tần Theta, Alpha, Beta đủ để phân tách thành 5 lệnh điều khiển riêng biệt mà không cần sử dụng các kích thích nhấp nháy liên tục gây mỏi mắt (như công nghệ SSVEP truyền thống). Độ chính xác phân loại của mô hình tổng hợp đạt $92,4%$ trên nhóm 20 người tham gia thực nghiệm.

4. Nghiên cứu có cung cấp giao thức tái lập (Replication Protocol) hoàn chỉnh không? Có. Luận án cung cấp đầy đủ sơ đồ nguyên lý mạch điện phần cứng, cấu trúc kết nối máy tính - server qua Bluetooth, lưu đồ giải thuật phân tích EMD/HHT, cấu trúc mạng nơ-ron 3 lớp với các công thức lan truyền tiến/ngược cụ thể, và giao diện phần mềm điều khiển thu thập dữ liệu, cho phép các phòng thí nghiệm hoàn toàn có thể tái lập và mở rộng nghiên cứu.

5. Chương trình nghiên cứu 10 năm (10-year research agenda) được định hình như thế nào? Chương trình nghiên cứu dài hạn tập trung vào 4 giai đoạn: (1) Tích hợp chip xử lý biên AI (Edge AI) trực tiếp trên xe lăn để chạy các mô hình Deep Learning thời gian thực; (2) Phát triển giao diện BCI hai chiều (Bidirectional BCI) kết hợp phản hồi xúc giác; (3) Thử nghiệm lâm sàng diện rộng trên các nhóm bệnh nhân bại não, ALS, tổn thương tủy sống; (4) Tích hợp công nghệ xe tự hành cấp độ 4 (Level 4 Autonomous Wheelchair) kết hợp bản đồ số SLAM và điều khiển nhận thức não bộ.

Kết luận

Luận án tiến sĩ của tác giả Lâm Quang Chuyên là một công trình khoa học công phu, nghiêm túc và mang tính thời sự cao, thể hiện qua 5 đóng góp cốt lõi:

1. Hệ thống hóa và làm sáng tỏ cơ sở lý thuyết: Xác lập mối liên hệ định lượng giữa các trạng thái nhận thức thị giác và sự biến đổi điện thế của 5 dải sóng cơ bản (Delta, Theta, Alpha, Beta, Gamma) trên 16 kênh vỏ não theo chuẩn 10-20.
2. Đột phá về giải thuật tiền xử lý: Chứng minh tính ưu việt của phép biến đổi Hilbert-Huang (HHT) kết hợp thuật toán gom cụm dữ liệu K-Means trong việc khử nhiễu, chống quá khớp và trích xuất đặc trưng tín hiệu EEG phi tuyến thời gian thực.
3. Phát triển thành công mô hình mạng Nơ-ron đa lớp: Thiết kế cấu trúc mạng MLP 3 lớp tối ưu hóa bằng thuật toán lan truyền ngược sai số, phân loại chuẩn xác 5 trạng thái lệnh điều khiển chấp hành.
4. Kiến tạo hệ thống lai đa phương thức tiên phong: Dung hợp thành công dữ liệu điện não đồ và thị giác máy tính theo dõi đồng tử mắt từ Camera, nâng độ chính xác toàn hệ thống lên mức vượt trội $92,4%$ trên 20 đối tượng thực nghiệm.
5. Chế tạo hoàn chỉnh mô hình xe lăn thực nghiệm: Hiện thực hóa toàn bộ thuật toán từ lý thuyết toán học lên hệ thống phần cứng và phần mềm điều khiển xe lăn mô hình hoạt động ổn định qua kết nối không dây.

Công trình không chỉ mở ra hướng nghiên cứu mới đầy tiềm năng cho cộng đồng khoa học trong lĩnh vực điều khiển sinh học và trí tuệ nhân tạo, mà còn mang giá trị nhân văn sâu sắc, đặt nền móng vững chắc cho sự phát triển của các thiết bị hỗ trợ y tế thông minh phục vụ người khuyết tật tại Việt Nam và trên thế giới.

Trích đoạn nội dung tài liệu

chương 1 Trong chương này tác giả trình bày khái quát tình hình nghiên cứu tín hiệu điện não EEG trong và ngoài nước, những ứng dụng đã đạt được hiện nay, phân tích những vấn đề chưa được giải quyết, còn hạn chế, mà trong luận án cần giải quyết, ngoài ra tác giả cũng trình bày mục đích và phạm vi nghiên cứu, những đóng góp của luận án trong thực tiễn.1 Tình hình nghiên cứu trong nước Cho đến thời điểm hiện nay, các công trình nghiên cứu về lĩnh vực điện não ứng dụng trong kỹ thuật điều khiển ở nước ta không nhiều và chỉ dừng lại ở mức độ nghiên cứu cơ bản như nghiên cứu hoạt động chớp mắt ảnh hưởng như thế nào đối với tín hiệu điện não [4], lọc nhiễu tín hiệu điện não EEG [5] trong ứng dụng nhận diện trạng thái điện não, trong các công trình nghiên cứu này, đối tượng thu nhận tín hiệu điện não là dạng hoạt động cơ nên việc phát hiện và phân loại được thực hiện bằng phương pháp ngưỡng biên độ. Một nghiên cứu khác đó là lý thuyết về tín hiệu điện não liên quan đến vận động chi trên [6], những nghiên cứu này được thực hiện trên lý thuyết và kết quả nghiên cứu chỉ ra có mối liên hệ giữa việc vận động và tưởng tượng vận động liên quan đến các hoạt động của thần kinh, một công trình nghiên cứu về lọc nhiễu tín hiệu điện não EEG… qua đây cho thấy việc nghiên cứu về tín hiệu điện não ứng dụng trong điều khiển tự động ở nước ta là chưa có, qua tìm hiểu một số công trình đã công bố và trang web ở các trường đại học danh tiếng trong nước cũng không có đề tài nào liên quan đến tín hiệu điện não trong điều khiển gần đây được công bố.2 Tình hình nghiên cứu ngoài nước Hiện nay các công trình nghiên cứu được công bố trên các bài báo và tạp chí nước ngoài tập trung nghiên cứu chủ yếu vào phương pháp trích đặc điểm tín hiệu điện não offline, trạng thái tín hiệu điện não được hiện hữu thường xuyên như stress, trầm cảm, động kinh [2][3]…, mà chưa quan tâm nhiều đến trích đặc điểm online, thời điểm xuất hiện tín hiệu và thời gian tồn tại của tín hiệu. Trang 1 luan an Theo [7][8] trong bất kỳ hoạt động nào của não bộ về một vấn đề nào đó nó đều có một đặc điểm riêng biệt được phản ánh thông qua các mẫu tín hiệu điện não mà ta thu nhận được, tuy nhiên việc trích được những đặc điểm này là điều không hề dễ dàng, chính vì thế trong thời gian gần đây để nhận dạng được đặc điểm của từng mẫu tín hiệu điện não, một số công việc được thực hiện phổ biến để trích xuất và phát hiện thời điểm thực hiện như: chuyển động đầu, cổ, chớp mắt…[11][12][13][14] những hoạt động này dễ dàng được phát hiện thông qua biên độ ngưỡng do tác động cơ. Các hoạt động khác như tập trung, sự chú ý, tư duy, tưởng tượng [15][16][17]…, hiện tượng trầm cảm, các bệnh lý như động kinh, đột quỵ… việc này đòi hỏi việc trích đặc điểm để nhận biết được sự kiện tương đối khó hơn so với vận động cơ do biên độ của nó không tăng đột biến [7][18], việc trích đặc điểm này đòi hỏi phải sử dụng các giải thuật để tìm được các đặc điểm như: phương pháp STFT, Wavelet Transform [19][20][21][22], nhưng do các hoạt động này có thời gian thực hiện kéo dài nên việc trích đặc điểm cũng tương đối thuận lợi [23][24][15][16].

Một công việc có thời gian hoạt động ngắn đó là quan sát và cảm nhận các đối tượng bên ngoài, công việc này đòi hỏi trong thời gian ngắn phải trích được đặc điểm của nó và đây chính là mấu chốt giải quyết của luận văn, trong các công bố tương tự việc nhận dạng thường ở trạng thái offline [17] để phân tích và nhận dạng mẫu tín hiệu.3 Nội dung thực hiện đề tài Trong quá trình thực hiện luận án của mình, để đánh giá phương pháp nghiên cứu của mình, tác giả dựa vào cơ sở dữ liệu về tín hiệu điện não EEG có sẵn được cung cấp bởi trường Đại học San Diego (UCSD) có uy tín của Mỹ, xếp hạng thứ 38 trên thế giới năm 2018 [26][27], để xây dựng các giải thuật xử lý và nhận dạng các mẫu tín hiệu điện não, cơ sở dữ liệu này chứa tín hiệu điện não EEG thu nhận được khi con người nhìn vào các loại hình ảnh khác nhau sẽ có những đặc trưng tín hiệu điện não khác nhau. Sau khi đã đánh giá được tính khả thi của của việc nhận dạng mẫu tín hiệu thông qua mạng neural, tác giả tiến hành thu nhận 5 mẫu tín hiệu điện não thông qua việc quan sát 5 loại hình khác nhau trên bảng quan sát (con người, thành phố, phong cảnh, bông hoa và con vật), sau đó sử dụng những công cụ toán học để nâng cao độ chính xác quá trình xử lý và nhận dạng mẫu tín Trang 2 luan an hiệu EEG như phương pháp trích đặc điểm Wavelet Transform, HHT [28][29][30] và các công thức tính toán tỉ lệ giữa tròng đen mắt, chân mày một cách hợp lý để có được kết quả chính xác thông qua xử lý hình ảnh, tính mới của luận án so với các công trình trước là tác giả mạnh dạn sử dụng nhận dạng mẫu tín hiệu EEG trực tuyến khi người dùng nhìn vào 5 loại hình ảnh khác nhau và kết hợp camera để tăng độ chính xác của giải thuật, ngoài ra trong khâu tiền xử lý tác giả kết hợp giữa trích đặc điểm HHT với giải thuật gom cụm dữ liệu giúp cho việc nhận dạng thông qua mạng neural được nhanh hơn sử dụng phương pháp khác như Wavelet Transform và giúp cho mạng Neural dễ hội tụ, tránh bị “overfitting”, làm việc hiệu quả và chính xác hơn. Việc thiết kế phần mềm thu thập tín hiệu điện não EEG và kỹ thuật xử lý ảnh cho hoạt động quan sát chuyển động mắt đã thể hiện tính khả thi của luận án khi áp dụng vào thực triển, một số các luận án trước đây liên quan đến việc hỗ trợ người khuyết tật như điều khiển bằng giọng nói, gậy thông minh cho người mù, các thiết bị cảm biến khác nhưng chưa có công trình nào trong nước cũng như ngoài nước thực hiện đầy đủ các nội dung trên.4 Mục đích nghiên cứu Tìm ra phương thức thu nhận 5 mẫu tín hiệu điện não EEG một cách dễ dàng và hiệu quả. Phân loại tín hiệu điện não EEG thu nhận được khi con người nhìn vào các loại hình ảnh khác nhau.

Nhận dạng được thời điểm xuất hiện mẫu tín hiệu điện não nhanh và chính xác phục vụ cho việc phân loại các mẫu tín hiệu để điều khiển xe lăn mô hình. Thiết kế thiết bị điều khiển xe lăn mô hình phục vụ cho người khuyết tật nặng sử dụng công nghệ điện não EEG và camera, kết quả luận án cho thấy rằng một người khuyết tật nặng, không thể tự mình di chuyển (nhưng còn minh mẫn và mắt hoạt động tốt) có thể điều khiển xe lăn theo ý muốn trong một phạm vi nào đó bằng việc sử dụng cảm nhận mắt của mình thông qua tín hiệu điện não EEG, ngoài ra sản phẩm của đề tài có yếu tố dễ sử dụng do có sự hỗ trợ của camera (được gắn trực tiếp trên bảng quan sát) giúp cho người chưa từng tham gia điều khiển xe lăn bằng tín hiệu điện não cũng có thể điều khiển được trong thời gian ngắn và dễ thực Trang 3 luan an hiện, đây được xem là tiền đề giúp cho các công trình nghiên cứu sau kế thừa phát huy để tạo ra được các công trình nghiên cứu thật sự có ích trong cuộc sống.5 Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu chính trong luận án này là sử dụng mạng neural để phân loại 5 mẫu tín hiệu điện não EEG thu nhận được thành các dạng lệnh điều khiển tương ứng với 5 lệnh điều khiển xe lăn chạy tới, chạy lui, quay phải, quay trái, dừng lại, trong luận án còn đề cập đến quá trình xử lý ảnh để phát hiện hướng mắt hổ trợ cho việc điều khiển xe được chính xác và hiệu quả hơn, tuy nhiên trong phần xử lý ảnh tác giả không tập trung nhiều mà chủ yếu phần tín hiệu điện não EEG. Trong phạm vi đề tài này tác giả chỉ tập trung về ý tưởng, học thuật và phương pháp phân loại các mẫu tín hiệu điện não EEG, xây dựng phần mềm ứng dụng để khiển xe lăn thực hiện như chạy tới, chạy lui, quay trái, quay phải và dừng lại (xe chỉ có thể xoay 1 góc 90o). Do việc viết phần mềm điều khiển hệ thống chỉ mang tính chất minh họa, với yêu cầu đạt được một số trọng điểm chính nên luận án bỏ qua quy trình kiểm thử phần mềm.

Luận án không tập trung vào thời gian xử lý tín hiệu để phát hiện câu lệnh, tốc độ di chuyển, gia tốc, góc quay của xe, luận án cũng không tập trung nhiều vào phần xử lý ảnh để tìm ra vị trí hướng mắt vì đây là đề tài đã được thực hiện khá nhiều [31][32][33][34] và đạt được kết quả khả quan. Do vấn đề thiết kế xe lăn cho người tàn tật nặng thực tế khó khăn về kinh phí, thời gian thực hiện, mặt khác vấn đề nghiên cứu của luận án phần lớn tập trung vào xử lý và phần loại mẫu tín hiệu EEG online để điều khiều khiển xe lăn, do đó luận án sử dụng các đối là sinh viên trường Cao đẳng Công thương TP. HCM thực hiện, trong quá trình thực nghiệm thu nhận tín hiệu điện não các em sinh viên chỉ sử dụng mắt và suy nghĩ của mình, do đó về bản chất luận án vẫn đảm bảo tính khoa học.6 Những đóng góp của luận án 1.1 Đóng góp về mặt lý thuyết Xây dựng được mô hình mạng Neural phân loại được 5 dạng mẫu tín hiệu điện não EEG khi con người nhìn vào 5 loại hình ảnh khác nhau. Tìm ra được bảng Trang 4 luan an quan sát phù hợp và đơn giản để thu thập dữ liệu, kết hợp một cách khoa học giữa giải thuật trích đặc điểm và gom cụm dữ liệu trước khi đưa vào mạng neural để phân loại từng mẫu dữ liệu, chứng minh được rằng việc áp dụng kỹ thuật công nghệ về tín hiệu điện não EEG có rất nhiều ứng dụng hữu ích trong cuộc sống, không chỉ ứng dụng trong y sinh mà còn trong lĩnh vực điều khiển tự động, và đây là lĩnh vực nghiên cứu mới giúp cho các bạn sinh viên Đại học và Sau đại học có thể nghiên cứu cho luận văn tốt nghiệp của mình.