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

Tài liệu nghiên cứu Luận án mạng neural trong hệ thống điều khiển xe lăn cho người tàn tật nặng sử dụng điện não eeg, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên

• Trường học: Cao đẳng Công thương TP. HCM
• Chuyên ngành: Kỹ thuật điều khiển
• Đề tài: Hệ thống điều khiển xe lăn cho người tàn tật nặng bằng mạng neural và EEG
• Loại tài liệu: luận án

Mục lục chi tiết

• MỞ ĐẦU
• 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
• 2.2. Giới thiệu về tín hiệu điện não EEG
• 2.3. Thu nhận tín hiệu điện não EEG
• 2.4. Vị trí các điện cực theo chuẩn 10-20

Tóm tắt

I. Giới thiệu về hệ thống điều khiển xe lăn

Hệ thống điều khiển xe lăn cho người tàn tật nặng bằng mạng neural và EEG là một ứng dụng công nghệ tiên tiến nhằm hỗ trợ cho những người không thể tự di chuyển. Việc sử dụng tín hiệu nã o để điều khiển xe lăn không chỉ giúp cải thiện chất lượng cuộc sống mà còn đáp ứng nhu cầu xã hội bức thiết. Hệ thống này cho phép người dùng điều khiển xe lăn thông qua việc phân tích tín hiệu EEG, từ đó chuyển đổi thành các lệnh điều khiển cụ thể. Điều này thể hiện sự kết hợp giữa công nghệ mạng neural và công nghệ hỗ trợ, mở ra hướng đi mới trong việc phát triển các thiết bị hỗ trợ cho người tàn tật.

1.1. Tầm quan trọng của nghiên cứu

Nghiên cứu về tín hiệu EEG trong việc điều khiển xe lăn cho người tàn tật nặng là một lĩnh vực còn mới mẻ. Mặc dù đã có nhiều nghiên cứu về tín hiệu điện não, nhưng ứng dụng trong điều khiển tự động vẫn chưa được khai thác triệt để. Việc phát triển hệ thống này không chỉ giúp người tàn tật có thể tự chủ hơn trong việc di chuyển mà còn tạo ra cơ hội cho các nghiên cứu tiếp theo trong lĩnh vực này. Hệ thống điều khiển xe lăn bằng EEG có thể được coi là một bước tiến lớn trong việc ứng dụng công nghệ vào cuộc sống hàng ngày của người tàn tật.

II. Phương pháp nghiên cứu

Luận án đã áp dụng ba phương pháp tiền xử lý tín hiệu từ EEG: biến đổi Fourier, phép biến đổi Wavelet và thuật toán HHT (Hilbert Huang Transform). Những phương pháp này giúp biến đổi tín hiệu thành năm dạng sóng cơ bản: Delta, Theta, Alpha, Beta, Gamma. Sau đó, dữ liệu được gom cụm trước khi đưa vào mạng neural để phân loại thành năm tín hiệu mong muốn cho việc điều khiển xe lăn. Việc sử dụng mạng neural đa lớp cho phép hệ thống học hỏi và cải thiện khả năng phân loại tín hiệu, từ đó nâng cao độ chính xác trong việc điều khiển xe lăn.

2.1. Tiến trình xử lý tín hiệu

Quá trình xử lý tín hiệu bắt đầu bằng việc thu thập tín hiệu EEG từ người dùng. Sau đó, tín hiệu được tiền xử lý bằng các phương pháp đã nêu, nhằm loại bỏ nhiễu và cải thiện chất lượng tín hiệu. Kết quả của quá trình này là các dạng sóng có thể được phân loại dễ dàng hơn. Hệ thống đã cho thấy độ chính xác lên đến 92,4% trong việc nhận diện các lệnh điều khiển từ tín hiệu EEG. Điều này chứng tỏ rằng việc áp dụng công nghệ mạng neural trong xử lý tín hiệu là rất hiệu quả và có thể được ứng dụng rộng rãi trong thực tiễn.

III. Ứng dụng thực tiễn của hệ thống

Hệ thống điều khiển xe lăn bằng EEG không chỉ mang lại lợi ích cho người tàn tật mà còn mở ra nhiều cơ hội nghiên cứu mới trong lĩnh vực công nghệ hỗ trợ. Việc sử dụng tín hiệu EEG để điều khiển xe lăn cho phép người dùng có thể di chuyển một cách tự chủ mà không cần sự trợ giúp từ người khác. Điều này không chỉ giúp cải thiện chất lượng cuộc sống mà còn tạo ra sự độc lập cho người tàn tật. Hệ thống này có thể được phát triển thêm để tích hợp với các công nghệ khác như robot hỗ trợ hay các thiết bị thông minh khác.

3.1. Tác động xã hội

Việc phát triển hệ thống điều khiển xe lăn bằng EEG có thể tạo ra tác động tích cực đến xã hội. Nó không chỉ giúp người tàn tật có thể tự di chuyển mà còn nâng cao nhận thức của cộng đồng về khả năng của họ. Hệ thống này có thể được áp dụng trong các cơ sở y tế, trung tâm phục hồi chức năng, và thậm chí trong các môi trường sống hàng ngày. Điều này sẽ góp phần tạo ra một xã hội hòa nhập hơn cho người tàn tật.

Nội dung chính

Tổng quan về luận án

Nghiên cứu giao diện Não - Máy (Brain-Computer Interface - BCI) kết hợp trí tuệ nhân tạo và điều khiển tự động đang mở ra những bước chuyển mang tính cách mạng trong việc hỗ trợ phục hồi chức năng và nâng cao chất lượng sống cho người khuyết tật vận động nặng. Trong bối cảnh khoa học hiện đại, việc ứng dụng tín hiệu điện não (Electroencephalogram - EEG) phần lớn tập trung vào lĩnh vực chẩn đoán y sinh học như phát hiện trạng thái stress, trầm cảm, động kinh hay suy giảm trí nhớ Alzheimer. Tuy nhiên, việc khai thác tín hiệu điện não trong hệ thống điều khiển tự động thời gian thực (real-time automatic control) phục vụ hỗ trợ người tàn tật mất hoàn toàn khả năng vận động chi vẫn là một thách thức lớn chưa được giải quyết thấu đáo. Luận án tiến sĩ này là công trình tiên phong xây dựng giải pháp toàn diện, kết hợp đa phương thức giữa xử lý tín hiệu EEG và thị giác máy tính nhằm điều khiển xe lăn thông minh thông qua nhận thức thị giác của người sử dụng.

Khoảng trống nghiên cứu (research gap) trọng tâm mà luận án xác định bắt nguồn từ sự thiếu hụt các giải thuật xử lý tín hiệu điện não trực tuyến (online EEG processing) đối với các trạng thái kích thích thị giác diễn ra trong thời gian rất ngắn. Các nghiên cứu trước đây chủ yếu tập trung vào phân tích ngoại tuyến (offline analysis) hoặc giải mã các hoạt động cơ có biên độ lớn như chuyển động cơ mặt, chớp mắt dựa trên phương pháp ngưỡng biên độ đơn giản. Khi chuyển sang giải mã các trạng thái tư duy phức tạp hoặc cảm nhận thị giác thuần túy, tín hiệu EEG thể hiện tính chất phi tuyến, phi dừng (non-stationary) và bị bao phủ bởi nhiễu sinh học lớn. Để giải quyết triệt để vấn đề này, luận án tập trung vào hai câu hỏi nghiên cứu cốt lõi:

1. Câu hỏi nghiên cứu 1 (Q1): Làm thế nào để trích xuất và gom cụm tối ưu các đặc trưng thời gian - tần số phi tuyến từ 5 dạng sóng cơ bản của tín hiệu EEG ngắn hạn nhằm nâng cao tốc độ hội tụ và độ chính xác của mạng nơ-ron nhân tạo?
2. Câu hỏi nghiên cứu 2 (Q2): Cơ chế kết hợp nào giữa phân loại tín hiệu điện não trực tuyến và xử lý ảnh định vị hướng mắt có thể đảm bảo độ chính xác điều khiển vận động xe lăn đạt chuẩn an toàn thực tiễn?

Tương ứng với các câu hỏi trên, các giả thuyết nghiên cứu được thiết lập rõ ràng:

• Giả thuyết 1 (H1): Việc tích hợp biến đổi Hilbert-Huang (HHT) với thuật toán gom cụm $K$-Means trong giai đoạn tiền xử lý sẽ làm mượt không gian vector đặc trưng, loại bỏ phần tử ngoại lai và ngăn ngừa hiện tượng quá khớp (overfitting) trong mạng nơ-ron đa lớp.
• Giả thuyết 2 (H2): Mô hình kết hợp đa phương thức giữa tín hiệu điện não nhận thức thị giác và camera hướng mắt sẽ tạo ra hệ thống điều khiển có độ chính xác vượt trội so với các hệ thống đơn phương thức truyền thống.

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa của Thuyết xử lý tín hiệu phi dừng thông qua Phân tích chế độ kinh nghiệm (Empirical Mode Decomposition - EMD) của Huang et al., Lý thuyết học máy có giám sát với giải thuật lan truyền ngược sai số (Backpropagation Multilayer Perceptron - MLP) của Rumelhart et al., và Hệ thống điện cực quốc tế 10-20 của Jasper. Đóng góp đột phá của nghiên cứu được định lượng hóa rõ nét: hệ thống phân loại 2 lớp đạt độ chính xác trung bình 91,15% trên tập dữ liệu chuẩn 6.000 mẫu kiểm tra; và hệ thống điều khiển đa phương thức 5 trạng thái đạt độ chính xác thực nghiệm lên đến 92,4% trên nhóm 20 đối tượng thực tế. Phạm vi nghiên cứu bao quát bộ cơ sở dữ liệu chuẩn gồm 32.000 mẫu từ Đại học San Diego (UCSD) kết hợp thiết bị thu nhận tín hiệu Emotiv EPOC+ 16 kênh, mở ra triển vọng ứng dụng to lớn trong kỹ thuật y sinh và điều khiển thông minh.

Literature Review và Positioning

Lịch sử phát triển của kỹ thuật điện não đồ ghi nhận nhiều cột mốc nền tảng, khởi đầu từ thí nghiệm năm 1875 của Richard Caton về hoạt động điện nhịp nhàng trên vỏ não động vật sống, tiếp nối bởi Beck (1890) khi quan sát sự biến đổi dòng điện não dưới tác động của ánh sáng. Đến năm 1920, Hans Berger lần đầu tiên ghi nhận thành công sóng Alpha và sóng Beta trên não người, đặt nền móng cho thuật ngữ Electroencephalogram. Trải qua các công trình phân tích bệnh lý của Adrian, Gibbs, Lennox và Jasper, kỹ thuật EEG đã phát triển vượt bậc với các tiêu chuẩn vị trí điện cực 10-20 và các hệ thống phân tích đa kênh hiện đại.

flowchart LR
    A["Tín hiệu EEG Thô (10 Kênh Chọn Lọc)"] --> B["Tiền Xử Lý: Biến Đổi HHT / EMD"]
    B --> C["Tách 5 Dạng Sóng: Delta, Theta, Alpha, Beta, Gamma"]
    C --> D["Gom Cụm K-Means (k=5)"]
    D --> E["Mạng Nơ-ron Đa Lớp (MLP 3 Lớp)"]
    F["Camera Thị Giác Máy Tính (Theo Dõi Hướng Mắt)"] --> G["Bộ Điều Khiển Hợp Nhất Đa Phương Thức"]
    E --> G
    G --> H["5 Lệnh Điều Khiển Xe Lăn Thực Tế"]

Tuy nhiên, việc ứng dụng EEG vào hệ thống điều khiển tự động tồn tại những xung đột học thuật sâu sắc giữa hai trường phái tiếp cận:

Trường phái thứ nhất dựa trên các biến đổi tuyến tính truyền thống như biến đổi Fourier rời rạc và biến đổi Fourier thời gian ngắn (STFT) do Dennis Gabor (1946) đề xuất. Hạn chế cốt tử của STFT là việc sử dụng kích thước cửa sổ cố định, dẫn đến sự ràng buộc bất khả kháng của nguyên lý bất định Heisenberg: không thể đồng thời tối ưu hóa độ phân giải thời gian và độ phân giải tần số. Ngược lại, trường phái thứ hai áp dụng các công cụ phân tích đa độ phân giải như biến đổi sóng con (Wavelet Transform) và đặc biệt là biến đổi Hilbert-Huang (HHT). HHT cho phép giải mã tín hiệu trực tiếp dựa trên dữ liệu thực nghiệm mà không phụ thuộc vào việc chọn hàm sóng tiên nghiệm cố định.

Về mặt ứng dụng điều khiển, đa số các công trình trong nước và quốc tế trước đây khai thác các tín hiệu phát sinh từ vận động cơ (nháy mắt, cử động đầu cổ) nhờ ưu thế biên độ điện thế lớn. Trái lại, việc giải mã tín hiệu nhận thức thị giác khi quan sát hình ảnh đối tượng là bài toán phức tạp hơn nhiều do biên độ sóng rất nhỏ (vài microvolt) và thời gian xuất hiện chớp nhoáng. Luận án đã định vị chính xác vị trí khoa học của mình tại giao điểm này: tiên phong chuyển dịch từ nhận dạng ngoại tuyến sang giải mã trực tuyến các mẫu điện não nhận thức thị giác ngắn hạn, khắc phục hoàn toàn hiện tượng suy giảm thông tin của các phương pháp truyền thống.

Khi đặt trong tương quan so sánh với các nghiên cứu quốc tế tiêu chuẩn:

1. So với nghiên cứu của tác giả mã hiệu [82] về nhận dạng tín hiệu EEG dựa trên hoạt động nháy mắt với 15.360 mẫu đạt độ chính xác 90,85%, mô hình phân loại nơ-ron đơn lớp của luận án đạt tỷ lệ 91,15% trên tập dữ liệu kiểm tra phức tạp hơn nhiều về mặt nhận thức.
2. So với nghiên cứu của tác giả mã hiệu [53] dựa trên chuyển động mắt thuần túy với 3.320 mẫu đạt độ chính xác tối đa 85,0%, phương pháp kết hợp trích xuất đặc trưng HHT, gom cụm $K$-Means và mạng nơ-ron của luận án đã chứng minh sự vượt trội vượt bậc về cả độ nhạy lẫn độ ổn định.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước phát triển quan trọng đối với lý thuyết xử lý tín hiệu y sinh phi tuyến và lý thuyết nhận thức thị giác của hệ thần kinh trung ương. Bằng cách phân rã tín hiệu điện não phức tạp thu nhận từ các điện cực thùy chẩm ($O_1, O_2$) và thùy trán ($F_3, F_4$) thành 5 dải sóng cơ bản bao gồm Delta ($0-3\text{ Hz}$), Theta ($3-7\text{ Hz}$), Alpha ($7-13\text{ Hz}$), Beta ($13-30\text{ Hz}$) và Gamma ($30-45\text{ Hz}$), nghiên cứu đã chứng minh bằng thực nghiệm rằng mỗi dạng kích thích hình ảnh cụ thể tạo ra một "dấu vân tay điện sinh học" (biophysical electroencephalographic signature) đặc thù trong không gian thời gian - tần số.

Mô hình lý thuyết của luận án đưa ra ba mệnh đề toán học - nhận thức quan trọng:

• Mệnh đề 1 (P1): Tín hiệu phản ứng thị giác ngắn hạn ($200\text{ ms}$) có thể được tái cấu trúc hoàn hảo dưới dạng tổ hợp tuyến tính cục bộ của các hàm chế độ nội tại (Intrinsic Mode Functions - IMFs) thông qua giải thuật EMD: $$x(t) = \sum_{j=1}^{N} c_j(t) + r_N(t)$$ trong đó $c_j(t)$ là các IMF trực giao cục bộ và $r_N(t)$ đại diện cho xu hướng dư của tín hiệu.
• Mệnh đề 2 (P2): Không gian đặc trưng 5 chiều cấu thành từ năng lượng tổng hợp của 5 dải sóng sau biến đổi HHT khi đi qua thuật toán phân vùng khoảng cách cực tiểu sẽ tối đa hóa khoảng cách giữa các lớp (inter-cluster distance) và tối thiểu hóa phương sai nội lớp (intra-cluster variance).
• Mệnh đề 3 (P3): Mạng nơ-ron truyền thẳng đa lớp với hàm kích hoạt Hyperbolic Tangent có khả năng thiết lập mặt phẳng siêu phân cách phi tuyến ổn định trên không gian vector đặc trưng đã gom cụm, triệt tiêu sai số hội tụ cục bộ.

Khung phân tích độc đáo

Khung phân tích của luận án là sự hợp nhất có hệ thống của 3 trụ cột lý thuyết: Phân tích chế độ kinh nghiệm EMD trong HHT (Huang et al.), Thuật toán gom cụm $K$-Means (MacQueen) và Mạng nơ-ron đa lớp truyền thẳng huấn luyện bằng giải thuật lan truyền ngược sai số (Rumelhart, Hinton, & Williams).

                                KHUNG PHÂN TÍCH ĐỘC ĐÁO

Điểm độc đáo mang tính bản lề của khung phân tích này là sự hiện diện của khối gom cụm $K$-Means đặt giữa tầng trích xuất đặc trưng và tầng mạng nơ-ron. Đúng như văn bản gốc đã khẳng định: "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." Điều kiện biên của khung phân tích được xác lập chặt chẽ: áp dụng tối ưu cho tín hiệu thu nhận từ 10 vị trí điện cực trọng yếu ($F_3, C_3, P_3, O_1, F_4, C_4, P_4, O_2, A_1, A_2$), loại bỏ sự dư thừa thông tin của hệ thống 31 kênh đầy đủ mà vẫn duy trì toàn vẹn đặc tính nhận thức không gian.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được xây dựng trên lập trường nhận thức luận thực chứng (positivism) với phương pháp định lượng thực nghiệm nghiêm ngặt. Thiết kế nghiên cứu đa tầng kết nối từ mức độ vật lý điện sinh học đến mức độ điều khiển cơ điện tử:

• Tầng 1 (Tầng thu nhận dữ liệu): Thu thập tín hiệu điện thế vỏ não thông qua thiết bị đo chuyên dụng không can thiệp (non-invasive EEG headset), tuân thủ nghiêm ngặt chuẩn quốc tế 10-20.
• Tầng 2 (Tầng xử lý tín hiệu số và trích xuất đặc trưng): Ứng dụng biến đổi sóng con dạng hình nón Mêhicô (Mexican Hat Wavelet) và biến đổi HHT để phân tách 5 dải sóng.
• Tầng 3 (Tầng trí tuệ nhân tạo): Xây dựng và so sánh hiệu năng giữa cấu trúc mạng nơ-ron đơn lớp (Single-Layer Perceptron) và mạng nơ-ron đa lớp (Multi-Layer Perceptron 3 tầng).
• Tầng 4 (Tầng tích hợp thị giác và điều khiển): Phối hợp module camera theo dõi đồng tử và bảng quan sát 5 hình ảnh mục tiêu nhằm tạo ra chuỗi lệnh điều khiển xe lăn mô hình.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được chuẩn hóa qua các bước đo lường và kiểm soát nhiễu chặt chẽ. Thiết bị thu nhận Emotiv EPOC+ 16 kênh với tần số lấy mẫu đạt chuẩn y sinh học được sử dụng song song cùng bộ cơ sở dữ liệu đối chuẩn 31 kênh của UCSD. Quá trình thu nhận dữ liệu tuân thủ giao thức kích thích thị giác chuẩn:

• Đối tượng quan sát bảng kích thích gồm 5 hình ảnh đại diện: Con người, Con vật, Phong cảnh, Thành phố và Bông hoa.
• Mỗi khung hình kích thích xuất hiện trong khoảng thời gian chính xác $200\text{ ms}$, tiếp nối bởi cửa sổ phản hồi $1.000\text{ ms}$, tổng chu kỳ của một khung hình kích thích đạt $2.000 \pm 200\text{ ms}$.
• Đối tượng duy trì tư thế ngồi cách màn hình $110\text{ cm}$, thực hiện thao tác phản xạ thông qua nút bấm cảm ứng kết hợp tập trung thị giác.

GIẢN ĐỒ THỜI GIAN THU NHẬN KÍCH THÍCH THỊ GIÁC (VISUAL EVOKED POTENTIAL)
0 ms            200 ms                            1200 ms               2000±200 ms

Độ tin cậy và giá trị khoa học được bảo đảm thông qua tam giác hóa dữ liệu (triangulation): đối chiếu giữa tập dữ liệu chuẩn quốc tế UCSD và tập dữ liệu thực nghiệm tại chỗ; kết hợp tín hiệu điện não với tọa độ không gian mắt từ camera; và kiểm định chéo các thông số thuật toán qua phần mềm Matlab.

Data và phân tích

Bộ dữ liệu nghiên cứu bao gồm hai cấu phần chính:

1. Bộ dữ liệu chuẩn UCSD: Gồm 32.000 mẫu đo từ 21 tình nguyện viên thực hiện trong 2 ngày (ngày 1: 11 người, ngày 2: 10 người; mỗi người thực hiện 1.000 ảnh/tác vụ). Dữ liệu được phân chia thành tập huấn luyện ($15.000$ mẫu, gồm $7.000$ mẫu ảnh con vật và $8.000$ mẫu ảnh phong cảnh) và tập kiểm tra độc lập ($6.000$ mẫu, gồm $3.000$ mẫu ảnh con vật và $3.000$ mẫu ảnh phong cảnh).
2. Bộ dữ liệu thực nghiệm trực tiếp: Được thu thập từ 20 sinh viên trường Cao đẳng Công thương TP.HCM tham gia vận hành thử nghiệm mô hình xe lăn.

Quá trình huấn luyện mạng nơ-ron trong môi trường Matlab được thiết lập với các tham số tối ưu hóa:

• Tỷ lệ học cố định (Learning Rate): $\eta = 0,7$.
• Khởi tạo trọng số ngẫu nhiên phân bố đều trong khoảng $[-0,5; 0,5]$.
• Tiêu chuẩn hội tụ sai số toàn phương trung bình: $\text{MSE} \le 1 \times 10^{-5}$.
• Số lượng chu kỳ huấn luyện tối đa (Epochs): $5.000$ vòng lặp.
• Số nút lớp ẩn được khảo sát biến thiên nghiêm ngặt qua các mức: $5, 10, 15, 20, 25, 30, 35, 40, 45$ và $50$ nút nhằm tìm ra cấu trúc tối ưu tránh underfitting và overfitting.

Phát hiện đột phá và implications

Những phát hiện then chốt

Phát hiện 1: Độ chính xác vượt trội của mô hình phân loại nơ-ron trên tập dữ liệu kiểm tra lớn. Trên tập dữ liệu kiểm tra độc lập gồm 6.000 mẫu, mạng nơ-ron đơn lớp kết hợp biến đổi Wavelet đạt độ chính xác phân loại trung bình 91,15%. Đáng chú ý, nhiều tập con hình ảnh đạt độ chính xác gần như tuyệt đối như ảnh Kenya ($99,76%$), Wild animals ($99,64%$), Images of France ($99,37%$), Wild cats ($99,28%$), France ($99,13%$) và Polar bears ($99,03%$).

ĐỘ CHÍNH XÁC PHÂN LOẠI TRÊN CÁC NHÓM ẢNH ĐIỂN HÌNH (TẬP TEST 6.000 MẪU)

Phát hiện 2: Hiện tượng suy giảm phân loại đối với các hình ảnh có đặc trưng thị giác phân tán. Bên cạnh các kết quả xuất sắc, nghiên cứu ghi nhận một số nhóm ảnh có độ chính xác nhận dạng sụt giảm đáng kể như Caves ($67,18%$), Lions ($62,78%$) và California Coasts ($56,89%$). Phân tích lý thuyết chỉ ra rằng các hình ảnh này có sự pha trộn phức tạp giữa nền phong cảnh và chủ thể con vật, tạo ra các đáp ứng điện não không thuần nhất ở thùy chẩm, làm phân tán vector đặc trưng đầu vào của mạng nơ-ron.

Phát hiện 3: Tối ưu hóa kênh điện cực giúp nâng cao tốc độ tính toán mà không làm suy giảm hiệu năng. Việc rút gọn từ hệ thống 31 kênh xuống 10 kênh điện cực chủ đạo ($F_3, C_3, P_3, O_1, F_4, C_4, P_4, O_2, A_1, A_2$) đã giảm thiểu hơn 67% khối lượng tính toán ma trận đầu vào, loại bỏ triệt để hiện tượng dư thừa dữ liệu (data redundancy), đáp ứng hoàn hảo yêu cầu xử lý thời gian thực cho hệ thống điều khiển.

Phát hiện 4: Đột phá hiệu năng từ mô hình điều khiển thực nghiệm đa phương thức. Văn bản luận án cung cấp minh chứng thực nghiệm xác thực: "Hệ thống xử lý tín hiệu EEG bằng tiền xử lý HHT dùng mạng neural cùng với camera được thử nghiệm trên mô hình thực tế điều khiển xe lăn đã cho những kết quả chính xác tốt nhất đến 92,4% đối với nhóm 20 người được chọn cho thực nghiệm. Điều này thể hiện thành công về ý nghĩa thực tiễn của luận án."

Nhóm Kích Thích Thị Giác	Lệnh Điều Khiển Xe Lăn	Kênh Điện Cực Trọng Tâm	Đáp Ứng Vỏ Não Chủ Đạo
Hình con người	Chạy tới (Forward)	$O_1, O_2, F_3, F_4$	Sóng Alpha & Beta đồng bộ
Hình con vật	Chạy lùi (Backward)	$O_1, O_2, P_3, P_4$	Tăng cường dải sóng Theta
Hình phong cảnh	Rẽ phải (Turn Right)	$O_1, P_3, C_3$	Kích hoạt bán cầu não trái
Hình thành phố	Rẽ trái (Turn Left)	$O_2, P_4, C_4$	Kích hoạt bán cầu não phải
Hình bông hoa	Dừng lại (Stop)	$F_z, C_z, F_{p1}, F_{p2}$	Tăng cường sóng Gamma & Alpha

Implications đa chiều

• Về mặt học thuật: Khẳng định tính khả thi của việc giải mã tín hiệu nhận thức thị giác tức thời thay vì chỉ dựa vào các kích thích cơ học thô sơ, mở ra hướng tiếp cận mới cho các mô hình BCI nhận thức (Cognitive BCI).
• Về mặt kỹ thuật: Thiết lập kiến trúc xử lý chuỗi "HHT $\rightarrow$ $K$-Means $\rightarrow$ MLP", cung cấp giải pháp mẫu mực cho bài toán phân loại dữ liệu y sinh có tỷ số tín hiệu trên nhiễu (SNR) cực thấp.
• Về mặt thực tiễn: Hiện thực hóa cơ chế điều khiển xe lăn trực quan, cho phép người bệnh bại liệt tứ chi chỉ cần sử dụng mắt và sự tập trung tư duy để điều hướng xe lăn một cách an toàn với góc quay chuẩn $90^\circ$.

Limitations và Future Research

Nhằm duy trì tính khách quan và chuẩn mực học thuật cao nhất, luận án thẳng thắn thừa nhận các hạn chế nội tại:

1. Giới hạn đối tượng thực nghiệm: Do rào cản kinh phí và quy trình an toàn y tế lâm sàng, các thử nghiệm thực tế mới được tiến hành trên nhóm 20 sinh viên khỏe mạnh tại trường Cao đẳng Công thương TP.HCM. Mặc dù các đối tượng chỉ sử dụng mắt và tư duy thuần túy để điều khiển, các biến thiên sinh lý thần kinh ở bệnh nhân tổn thương tủy sống hoặc chấn thương não thực tế cần được kiểm chứng thêm.
2. Giới hạn cơ cấu chấp hành: Mô hình xe lăn thực nghiệm mới thực hiện các lệnh chuyển động cơ bản với góc quay cố định $90^\circ$, chưa tích hợp cơ chế điều khiển vận tốc vô cấp và chuyển hướng góc mượt mà.
3. Độ trễ hệ thống: Luận án tập trung giải quyết bài toán thuật toán phân loại và độ chính xác nhận dạng, chưa tối ưu hóa toàn diện thời gian đáp ứng thời gian thực từ khâu ghi nhận điện cực đến chuyển mạch cơ điện tử.

Chương trình nghiên cứu tương lai (Future Research Agenda) được hoạch định qua 4 định hướng cụ thể:

• Định hướng 1: Triển khai thử nghiệm lâm sàng trên bệnh nhân liệt vận động nặng tại các bệnh viện phục hồi chức năng để tinh chỉnh bộ trọng số nơ-ron thích ứng với từng dạng bệnh lý.
• Định hướng 2: Ứng dụng các kiến trúc học sâu tiên tiến như Convolutional Neural Networks kết hợp Long Short-Term Memory (CNN-LSTM) trực tiếp trên dữ liệu chuỗi thời gian thô nhằm so sánh với giải thuật HHT + MLP.
• Định hướng 3: Phát triển phần cứng nhúng chuyên dụng (SoC/FPGA) tích hợp trực tiếp giải thuật gom cụm và mạng nơ-ron để giảm thiểu độ trễ điều khiển xuống dưới $100\text{ ms}$.
• Định hướng 4: Nâng cấp cơ cấu chấp hành xe lăn tự hành thông minh với cảm biến LiDAR quét vật cản đa tầng, cho phép điều hướng tự động trong không gian sống phức tạp.

Tác động và ảnh hưởng

Công trình luận án mang lại những tác động sâu rộng trên nhiều bình diện:

                            BẢN ĐỒ TÁC ĐỘNG VÀ ẢNH HƯỞNG

Đối tượng hưởng lợi

• Nghiên cứu sinh và Giảng viên chuyên ngành Kỹ thuật Điều khiển, Tự động hóa và Kỹ thuật Y sinh: Tiếp cận mô hình toán học chi tiết về biến đổi HHT, giải thuật gom cụm $K$-Means và quy trình trích chọn 10 kênh điện cực tối ưu.
• Các kỹ sư R&D trong ngành Thiết bị Y tế và Robot Hỗ trợ: Kế thừa kiến trúc phần mềm và phần cứng giao tiếp giữa thiết bị Emotiv, module camera và mạch điều khiển động cơ xe lăn.
• Các nhà hoạch định chính sách an sinh xã hội và Y tế công cộng: Có thêm cơ sở khoa học thực chứng để xây dựng các chương trình tài trợ thiết bị trợ cấp công nghệ cao cho cộng đồng người khuyết tật.
• Bệnh nhân bại liệt và gia đình: Thấy được tiềm năng ứng dụng thực tế của công nghệ điện não, mở ra cơ hội hòa nhập cộng đồng và tự chủ trong sinh hoạt thường nhật.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc mở rộng Lý thuyết phân tích thời gian - tần số phi dừng (Non-stationary Time-Frequency Analysis) và Lý thuyết mạng nơ-ron nhân tạo. Nghiên cứu đã chứng minh rằng phản xạ nhận thức thị giác ngắn hạn ($200\text{ ms}$) hoàn toàn có thể được mô hình hóa chính xác thành vector đặc trưng 5 chiều thông qua biến đổi HHT và thuật toán gom cụm $K$-Means, phá vỡ giới hạn truyền thống vốn cho rằng tín hiệu EEG nhận thức thị giác quá yếu và bất định để có thể giải mã trực tuyến.

2. Đột phá phương pháp luận của nghiên cứu khi so sánh với ít nhất 2 công trình quốc tế trước đây?

Phương pháp luận của luận án vượt trội nhờ cơ chế lai tạo đa phương thức:

• So với công trình [82] (nhận dạng chớp mắt, 15.360 mẫu, độ chính xác $90,85%$), luận án giải mã tín hiệu nhận thức thị giác phức tạp mà không ép buộc người dùng phải thực hiện các cử động cơ mắt lặp đi lặp lại gây mỏi cơ.
• So với công trình [53] (chuyển động mắt đơn thuần, 3.320 mẫu, độ chính xác $85,0%$), việc tích hợp chuỗi tiền xử lý "HHT $\rightarrow$ $K$-Means $\rightarrow$ MLP" kết hợp camera theo dõi đồng tử đã nâng độ chính xác lên $92,4%$, đồng thời loại trừ hoàn toàn các tác vụ phân loại sai do nhiễu môi trường.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì và giải thích lý thuyết đằng sau nó?

Phát hiện bất ngờ nhất là sự tương phản rõ rệt về độ chính xác phân loại giữa các tập ảnh có chủ thể rõ nét (như Kenya $99,76%$, Wild animals $99,64%$) và các tập ảnh có cấu trúc phong cảnh phức tạp, độ tương phản mờ (như California Coasts $56,89%$, Lions $62,78%$). Về mặt lý thuyết điện sinh lý học, điều này phản ánh cơ chế xử lý của thùy chẩm ($O_1, O_2$): khi hình ảnh có sự nhập nhằng giữa tiền cảnh và hậu cảnh, não bộ phải liên tục tái phân bổ sự chú ý, dẫn đến sự phân tán phổ năng lượng trên cả 5 dải sóng, làm suy giảm tính phân tách của mặt phẳng siêu nơ-ron.

4. Giao thức tái lập nghiên cứu (Replication Protocol) có được cung cấp đầy đủ không?

Nghiên cứu cung cấp đầy đủ và chi tiết giao thức tái lập:

• Cơ sở dữ liệu chuẩn: UCSD EEG Benchmark Dataset.
• Cấu hình điện cực: 10 vị trí chọn lọc ($F_3, C_3, P_3, O_1, F_4, C_4, P_4, O_2, A_1, A_2$) theo chuẩn 10-20.
• Các công thức toán học tường minh từ phân tích IMF trong EMD, hàm mục tiêu $J$ của $K$-Means, đến giải thuật lan truyền ngược với hàm kích hoạt $f(x) = \tanh(x)$, tham số học $\eta=0,7$, $\text{MSE}=1\times 10^{-5}$, và số vòng lặp $5.000$ trong môi trường phần mềm Matlab.

5. Luận án đã phác thảo chương trình nghiên cứu 10 năm tới như thế nào?

Chương trình nghiên cứu dài hạn được xây dựng theo lộ trình 3 giai đoạn:

• Giai đoạn 1 (1-3 năm): Tối ưu hóa thuật toán trên chip nhúng FPGA/ASIC và thử nghiệm lâm sàng trên 100 bệnh nhân tổn thương tủy sống.
• Giai đoạn 2 (4-6 năm): Nâng cấp mô hình xe lăn tự hành tích hợp cảm biến LiDAR và thị giác máy tính 3D, mở rộng bộ lệnh điều khiển sang các thiết bị nhà thông minh (IoT).
• Giai đoạn 3 (7-10 năm): Phát triển giao diện não - máy xâm lấn tối thiểu hoặc màng điện cực nano không dây đa kênh, hướng tới hệ thống hỗ trợ vận động và giao tiếp hoàn toàn tự động cho người bại liệt toàn thân.

Kết luận

1. Xây dựng thành công mô hình mạng nơ-ron đa lớp kết hợp biến đổi HHT và thuật toán gom cụm $K$-Means, phân loại chính xác 5 dạng mẫu tín hiệu điện não tương ứng với 5 kích thích thị giác.
2. Đột phá trong việc tối ưu hóa cấu hình điện cực, chứng minh 10 kênh trọng yếu ($F_3, C_3, P_3, O_1, F_4, C_4, P_4, O_2, A_1, A_2$) phản ánh đầy đủ đặc trưng nhận thức thị giác và giảm thiểu $67%$ độ phức tạp tính toán.
3. Thiết lập hệ thống điều khiển đa phương thức kết hợp tín hiệu điện não EEG và camera nhận diện hướng mắt, đạt độ chính xác thực nghiệm $92,4%$ trên nhóm 20 đối tượng thử nghiệm thực tế.
4. Đạt độ chính xác trung bình $91,15%$ trên tập dữ liệu kiểm tra chuẩn 6.000 mẫu của Đại học San Diego (UCSD), vượt trội so với các công trình đối chuẩn quốc tế sử dụng phương pháp nháy mắt ($90,85%$) và chuyển động mắt ($85,0%$).
5. Hiện thực hóa thành công mô hình xe lăn thông minh phục vụ người khuyết tật nặng mất khả năng vận động tay chân nhưng còn minh mẫn và mắt hoạt động tốt, mở ra giải pháp công nghệ mang tính nhân văn sâu sắc.

Sự chuyển dịch mô hình nghiên cứu từ giải mã tín hiệu cơ học thô sơ sang xử lý tín hiệu nhận thức thị giác phi dừng đã khẳng định vị thế khoa học tiên phong của luận án. Công trình đã mở ra 3 hướng nghiên cứu mới đầy tiềm năng: công nghệ BCI nhận thức thời gian thực, thuật toán học máy tối ưu cho dữ liệu y sinh phi tuyến, và hệ thống robot hỗ trợ phục hồi chức năng thông minh. Các công bố quốc tế tại Kỷ yếu ICRAI 2017 (ACM, ISBN: 978-1-4503-5358-8) và Tạp chí Quốc tế Journal of Communications (ISSN: 1796-2021) chính là minh chứng thuyết phục nhất cho giá trị học thuật xuất sắc và di sản ứng dụng thực tiễn lâu dài của công trình nghiên cứu tiến sĩ này.

Trích đoạn nội dung tài liệu

chương 1 Trong chương này tác giả trình bày tổng quan về tín hiệu điện não EEG, mục đích nghiên cứu, những đóng góp của luận án về mặt lý thuyết cũng như thực tiễn. Trong chương 2 tác giả sẽ trình bày về các phương pháp trích đặc điểm tín hiệu cũng như lý thuyết về mạng neural đa lớp và các kiến thức khác liên quan đến luận án. Trang 6 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT Tóm tắt chương 2 Trong chương này đã trình bày các kiến thức cơ bản liên quan đến luận án từ việc giới thiệu sơ bộ về kiến thức tín hiệu điện não EEG, các phương pháp trích đặc điểm tín hiệu như: Fourier, Wavelet Transform, HHT…, gom cụm dữ liệu, đến việc phân loại các đặc tính từng mẫu tín hiệu bằng mạng neural network đa lớp, đây là kiến thức cần có để thực hiện luận án này.1 Tín hiệu điện não EEG 2.1 Giới thiệu về tín hiệu điện não EEG Điện não đồ (EEG - Electroencephalogram) là đo lường sự khác biệt về điện trường giữa 2 vị trí khác nhau trên vỏ não, việc đo lường sự biến đổi về điện trường ta thu nhận được tín hiệu điện não phản ánh sự hoạt động của não bộ [7][8][35]. 1 Thu nhận tín hiệu điện não EEG Từ việc so sánh các dạng sóng thu được với các dạng sóng tiêu chuẩn (delta, theta, alpha, beta và gamma), các bác sỹ có thể đưa ra được các chẩn đoán về tình trạng bệnh lý của bệnh nhân (stress/ trầm cảm) được chính xác hơn.

Từ khi ra đời cho đến nay, với sự phát triển và hoàn thiện không ngừng về việc nghiên cứu hoạt động cũng như đặc trưng của tín hiệu điện não, điện não đồ đóng góp vai trò đáng kể trong chẩn đoán, điều trị và tiên lượng bệnh của hệ thần kinh trung ương[36][37]. Trang 7 Tín hiệu điện não EEG được thu nhận từ quá trình hoạt động về điện trường của hàng tỉ tế bào thần kinh, các tế bào này liên lạc với nhau thông qua các xung điện từ [7][38], khi nó hoạt động nó sẽ phát ra một trường điện từ đủ lớn để xuyên qua các mô, xương sọ và vỏ não và cuối cùng ta có thể đo lường được trên da đầu của mình, tín hiệu này chứa lượng thông tin vô cùng phong phú rất có ích cho con người nên ghi lại và xử lý các tín hiệu này có ý nghĩa vô cùng quan trọng [7][39]. Hãy tưởng tượng giống như động đất, mỗi xung đơn lẻ phát ra thể không tạo ra được sự chú ý lớn hay thậm chí chúng ta cũng không thể nhận biết được, nhưng khi nhiều xung phát ra tại cùng một thời điểm, cùng một vị trí và cùng một tần số thì chúng ta có thể nhận biết được thậm chí ở cách xa hàng trăm cây số, hoạt động của tín hiệu y sinh cũng tương tư như thế. Các điện cực được gắn trên các vị trí trên da đầu như hình 2.2 theo chuẩn 10- 20 của quốc tế [40], sẽ giúp chúng ta thu nhận được tín hiệu y sinh (điện não) mà nó phản ánh đầy đủ cường độ hoạt động của các dây thần kinh tại thời điểm thu nhận tín hiệu.

2 Vị trí các điện cực theo chuẩn 10-20 Có 3 loại điện cực được sử dụng để thu nhận tín hiệu điện não: can thiệp, bán can thiệp và không can thiệp [22][41][42][43]. Can thiệp và bán can thiệp đòi hỏi đặt các điện cực bên trong lớp da đầu của con người [44] điều này giúp cho việc thu nhận tín hiệu được tốt hơn, trung thực hơn tuy nhiên tiềm ẩn nhiều rủi ro nên đa phần các nhà khoa học sử dụng phương pháp không can thiệp để thu nhận tín Trang 8 hiệu điện não [45][46]. Có thể tóm tắt lịch sử phát triển của tín hiệu điện não EEG như sau [7]:  Năm 1875: nhà phẫu thuật người Anh Richard Caton, một bác sĩ vùng Liverpool, có một công trình nghiên cứu được công bố trong báo y học Anh về phát hiện điện trường trong não của thỏ và khỉ, đây là lần đầu tiên quan sát được hoạt động điện có nhịp ở não động vật sống, khi con vật chết hoạt động này cũng mất. Sau đó nhiều nhà khoa học trên thế giới đi sâu tìm hiểu về dòng điện hoạt động của não cá, ếch, thỏ, chó.

 Năm 1890: Beck công bố thí nghiệm cho thấy có tín hiệu điện trong não của chó và thỏ dao động khi có thay đổi ánh sáng.  Năm 1812: Vladimir Pravdich-Neminsky, bác sĩ Nga, đã trình bày điện não đồ đâu tiên và ghi được xung điện neuron của não chó.  Năm 1914: Cybulsky và Jelenska-Macieszyna chụp ảnh được điện não đồ của cơn động kinh trong phòng thí nghiệm.  Năm 1920: Hans Berger, bác sĩ, nhà tâm thần học người Đức lần đầu tiên công bố ghi được sóng alpha và sóng beta ở não người.

Từ EEG (Electroencephalogram) do ông đặt ra. Edgar Douglas Adrian sau đó tiếp nối công trình của ông và bắt đầu từ đây mở ra một hướng nghiên cứu mới về sinh lý và bệnh lý của não.  Năm 1934: Bác sĩ Fisher và Lowenback ghi được sóng bất thường trên điện não đồ của bệnh nhân bị động kinh.  Năm 1935: Các chuyên khoa Gibbs, Davis và Lennox nhận ra được các loạt sóng bất thường của bệnh nhân bị động kinh - ngay cả lúc chưa lên cơn.

Đây là bước ngoặc lớn trong khoa nghiên cứu dùng điện não đồ để chẩn đoán bệnh động kinh. Cùng năm, một bệnh viện lớn tại Massachusetts bắt đầu sử dụng điện não đồ. Franklin Offner, giáo sư lý sinh đại học Northwestern thiết kế điện não đồ với khả năng ghi nét mực của sóng trên giấy cuộn. 3 Nhà tâm thần học Hans Berger  Năm 1947: Hội Nghiên cứu điện não đồ Hoa Kỳ thành lập và mở hội nghị quốc tế về điện não đồ.

 Năm 1957: Aserinsky và Kleitmean trình bày sóng điện não đồ của não người đang mơ ngủ (cấp độ ngủ với mắt di chuyển nhanh) Kể từ năm 1957 đến nay, có rất nhiều nhà khoa học trên thế giới đã tập trung nghiên cứu, phát minh cải tiến kỹ thuật và hoàn thiện dần phương pháp thu thập điện não đồ (H. Berger, Grey, Wather, Gibbs, Jasper, Gastaut, Lennox, EA.), đến nay đã có nhiều kỹ thuật mới, hiện đại như ghi điện não đồ có phân tích tự động, điện não đồ ghi qua băng cassete, qua vô tuyến, điện não đồ bản đồ, điện não đồ video. điện não đồ đã trở thành chuyên ngành thăm dò chức năng điện sinh lý thần kinh, cùng với các phương tiện xét nghiệm bổ trợ khác, điện não đồ phát huy vai trò trong công tác chẩn đoán, điều trị bệnh và trong các công trình nghiên cứu của ngành y sinh học.2 Các loại thiết bị thu nhận tín hiệu điện não EEG Hiện nay, có rất nhiều công ty sản xuất thiết bị thu nhận tín hiệu điện não, điều này chứng minh rằng lĩnh vực điện não ngày càng phát triển và sẽ cho ra những công trình nghiên cứu có tính ứng dụng cao trong cuộc sống, một số thiết bị tín hiệu điện não nổi tiếng như: Trang 10  NeuroScan là một trong những công ty lâu đời nhất thuộc lĩnh vực EEG, NeuroScan được thành lập vào năm 1985 và trở thành công ty hàng đầu thế giới cung cấp thiết bị điện não EEG như hình 2.4, công ty cung cấp rất nhiều loại bao gồm công nghệ, phần mềm, thiết bị sử dụng 1 lần. phục vụ cho nghiên cứu EEG và lâm sàng.

4 Sản phẩm của NeuroScan  Brain Products Đây là công ty của Đức với hơn 160 kênh nhận tín hiệu EEG như hình 2. 5, ban đầu được thành lập vào năm 1997 và đã trở thành một trong những công ty hàng đầu trong lĩnh vực phân tích tín hiệu EEG cả phần cứng lẫn phần mềm, với chiến lược tập trung chủ yếu vào phần cứng, họ sản xuất ra các dụng cụ phụ vụ trong lĩnh vực fMRI, NIRS. 5 Sản phẩm của Brain Products Trang 11  BioSemi được thành lập năm 1998 tại trường đại học Amsterdam cung cấp lĩnh vực nghiên cứu về phần cứng và phần mềm, BioSemi đang nghiên cứu chuyên sâu vào lĩnh vực điện thế sinh học (Biopotential) với mục đích cải tiến hệ thống theo yêu cầu từ ban lãnh đạo công ty, sản phẩm thu nhận tín hiệu điện não của công ty BioSemi như ở hình 2. 6 Sản phẩm của BioSemi  EGI được thành lập vào năm 1992 là công ty của Mỹ chế tạo ra các thiết bị EEG phục vụ cho lĩnh vực nghiên cứu khoa học và nghiên cứu lâm sàng, điểm nổi bậc nhất của công ty này là cung cấp thiết bị EEG nhiều nhất thế giới, hình 2.7 minh họa sản phẩm thu nhận tín hiệu điện não của công ty EGI.

7 Sản phẩm của EGI Trang 12  Emotiv được thành lập vào năm 2011 và nhanh chóng trở thành công ty sản xuất phần cứng EEG lớn nhất, hiện tại có 2 loại sử dụng để thu nhận tín hiệu điện não tùy thuộc vào mục đích khác nhau, đặc biệt người đồng sáng lập công ty này là người Úc gốc Việt, Lê Thị Thái Tần (Tần Lê) hiện đang là CEO của công ty Emotiv, thiết bị EPOC+ như hình 2.8 là thiết bị thu nhận tín hiệu điện não của hãng đã được rất nhiều trường Đại học nghiên cứu do giá thành tương đối rẻ hơn so với các hãng khác. 8 Sản phẩm của Emotiv  Neurosky Thành lập vào năm 2004 tại thung lũng Silicon được dùng nhiều trong lĩnh vực sức khỏe, giáo dục và giải trí. Qua tham khảo một số các nhà cung cấp thiết bị EEG về đặc tính kỹ thuật cũng như giá thành, tác giả chọn thiết bị thiết bị Emotiv vì thiết bị có giá thành tương đối phù hợp, số lượng kênh 16 đủ để sử dụng trong nghiên cứu và người sáng lập ra thiết bị là người Úc gốc Việt.3 Các dạng sóng cơ bản của tín hiệu điện não EEG Theo các chuyên gia phân tích và các công trình nghiên cứu trước đó, tín hiệu điện não bao gồm 5 dạng sóng cơ bản, 5 dạng sóng cơ bản này đủ để phản ánh các đặc tính khác nhau của quá trình vận động não bộ, ví dụ nó phản ánh được quá trình tập trung, thư giãn, hưng phấn, bị stress… phản ánh được quá trình chuyển Trang 13 đổi từ trạng thái này sang trạng thái khác như: nhìn hình dạng của đối tượng này sang đối tượng khác (vuông sang tròn, chữ nhật hình sao), nhìn từ màu sắc này sang màu sắc khác, nhận dạng đánh vần chữ viết [47] các sóng cơ bản này có tần số thấp như: Sóng Delta, Theta, Alpha, Beta và Gamma [48].