Tổng quan luận án
Tính cấp thiết và khoảng trống nghiên cứu
Nghiên cứu xử lý tín hiệu điện não (Electroencephalogram - EEG) là lĩnh vực nhận được sự quan tâm của nhiều nhà khoa học với mục tiêu phát triển các ứng dụng chẩn đoán, phát hiện bệnh lý như căng thẳng (stress), trầm cảm, động kinh, Alzheimer (hội chứng suy giảm trí nhớ) và chấn thương não. Trước đây, việc phân tích tín hiệu điện não đồ (EEG) hay điện tim đồ (ECG) chủ yếu thuộc phạm vi chuyên môn của các bác sĩ thần kinh và tim mạch. Với sự phát triển của các công cụ xử lý tín hiệu và trí tuệ nhân tạo như mạng neural, tín hiệu điện não có thể được khai thác nhằm phục vụ nhu cầu điều khiển tự động hỗ trợ hoạt động của con người.
Tuy nhiên, trong lĩnh vực điều khiển tự động phục vụ con người, đặc biệt là người khuyết tật, hướng nghiên cứu này chưa được triển khai nhiều. Tại Việt Nam, các đề tài về tín hiệu điện não ứng dụng trong điều khiển tự động còn thiếu vắng; các nghiên cứu đã công bố chủ yếu dừng lại ở mức cơ bản như khảo sát ảnh hưởng của hoạt động chớp mắt hoặc lọc nhiễu dựa trên phương pháp ngưỡng biên độ của hoạt động cơ. Trên thế giới, các công trình chủ yếu tập trung vào việc trích xuất đặc trưng tín hiệu điện não ngoại tuyến (offline) đối với các trạng thái xuất hiện kéo dài (như stress, trầm cảm, động kinh), chưa chú trọng đến việc trích xuất đặc trưng trực tuyến (online) theo thời gian thực đối với các kích thích thị giác diễn ra trong thời gian ngắn. Luận án giải quyết khoảng trống này bằng cách xây dựng hệ thống điều khiển chuyển động của xe lăn mô hình dành cho người khuyết tật mất khả năng vận động tay chân thông qua tín hiệu điện não và thị giác.
Mục tiêu nghiên cứu
Mục tiêu tổng quát của luận án là xây dựng hệ thống hỗ trợ điều khiển một số hoạt động cơ bản của con người thông qua tín hiệu điện não, cụ thể là điều khiển chuyển động của mô hình xe lăn. Các mục tiêu cụ thể được xác định gồm:
- 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.
Đối tượng và phạm vi nghiên cứu
- Đối tượng nghiên cứu: Mạng neural nhân tạo dùng để phân loại 5 mẫu tín hiệu điện não EEG thành các lệnh điều khiển tương ứng (chạy tới, chạy lui, quay phải, quay trái, dừng lại); kỹ thuật xử lý ảnh xác định hướng mắt từ camera nhằm hỗ trợ quá trình điều khiển.
- Phạm vi kỹ thuật và học thuật: Tập trung vào ý tưởng, cơ sở lý thuyết và phương pháp phân loại mẫu tín hiệu điện não EEG; xây dựng phần mềm ứng dụng điều khiển xe lăn mô hình thực hiện 5 trạng thái chuyển động (chạy tới, chạy lui, quay trái $90^\circ$, quay phải $90^\circ$, dừng lại). Luận án không tập trung vào quy trình kiểm thử phần mềm công nghiệp; không đi sâu vào việc tối ưu hóa thời gian xử lý phát hiện câu lệnh, tốc độ di chuyển, gia tốc và góc quay chi tiết của xe; phần xử lý ảnh chỉ đóng vai trò hỗ trợ phụ trợ.
- Phạm vi thực nghiệm: Do hạn chế về kinh phí và thời gian thực hiện trên người khuyết tật thực tế, thực nghiệm thu nhận tín hiệu EEG trực tuyến được tiến hành trên nhóm 20 sinh viên thuộc Trường Cao đẳng Công thương Thành phố Hồ Chí Minh (các đối tượng thực nghiệm chỉ sử dụng mắt và suy nghĩ để tạo tín hiệu).
Tổng quan tài liệu và vị trí của luận án
Lịch sử phát triển và các hướng nghiên cứu trước
Quá trình nghiên cứu và ứng dụng tín hiệu điện não được tác giả tổng hợp qua các mốc lịch sử và công trình khoa học tiêu biểu:
- Năm 1875: Richard Caton phát hiện hoạt động điện trường trong não thỏ và khỉ.
- Năm 1890: Adolf Beck công bố thí nghiệm về sự dao động tín hiệu điện trong não chó và thỏ khi có thay đổi ánh sáng.
- Năm 1912 (trong văn bản ghi 1812): Vladimir Pravdich-Neminsky ghi nhận điện não đồ đầu tiên và xung điện neuron ở não chó.
- Năm 1914: Cybulsky và Jelenska-Macieszyna ghi lại hình ảnh điện não đồ của cơn động kinh trong phòng thí nghiệm.
- Năm 1920: Hans Berger lần đầu tiên công bố bản ghi sóng Alpha và Beta ở não người, đặt ra thuật ngữ EEG (Electroencephalogram). Sau đó, Edgar Douglas Adrian tiếp tục mở rộng các nghiên cứu sinh lý não.
- Năm 1934: Fisher và Lowenback ghi nhận các sóng bất thường trên điện não đồ của bệnh nhân động kinh.
- Năm 1935: Gibbs, Davis và Lennox phát hiện sóng bất thường ở bệnh nhân động kinh ngay cả khi chưa lên cơn; Franklin Offner thiết kế máy ghi điện não mực trên giấy cuộn.
- Năm 1947: Hội Nghiên cứu điện não đồ Hoa Kỳ được thành lập.
- Năm 1957: Aserinsky và Kleitman công bố các dạng sóng điện não trong giấc ngủ mắt chuyển động nhanh (REM).
- Năm 1946: Denis Gabor đề xuất phép biến đổi Fourier cửa sổ (STFT) nhằm phân tích tín hiệu trên từng phân đoạn nhỏ thời gian.
Về tình hình nghiên cứu trong nước: Các công trình của các tác giả trong nước [4], [5] tập trung vào việc nhận diện trạng thái điện não dựa trên hoạt động cơ (như chớp mắt) bằng phương pháp so sánh ngưỡng biên độ; nghiên cứu [6] phân tích lý thuyết mối liên hệ giữa vận động và tưởng tượng vận động chi trên đối với hoạt động thần kinh. Chưa có công trình trong nước nào công bố về việc ứng dụng EEG vào hệ thống điều khiển tự động.
Về tình hình nghiên cứu quốc tế: Các nghiên cứu phân tích tín hiệu theo ngưỡng biên độ cơ học (chuyển động đầu, cổ, chớp mắt) [11], [12], [13], [14] có biên độ lớn nên dễ phát hiện. Các trạng thái tư duy, tập trung, tưởng tượng [15], [16], [17] hoặc bệnh lý kéo dài [2], [3], [7], [18] được phân tích thông qua biến đổi Wavelet và STFT [19], [20], [21], [22], [23], [24]. Một số nghiên cứu trước đây về nhận dạng tín hiệu điều khiển đạt kết quả: nghiên cứu [82] nhận dạng tín hiệu EEG dựa vào nháy mắt với 15.360 mẫu đạt độ chính xác 90,85%; nghiên cứu [53] dựa vào chuyển động mắt với 3.320 mẫu đạt tỷ lệ 85,00%.
Khoảng trống luận án giải quyết
Phần lớn các nghiên cứu trước đây phân tích tín hiệu ở trạng thái ngoại tuyến (offline) hoặc dựa trên các kích thích có biên độ lớn từ cơ. Luận án lựa chọn giải quyết bài toán nhận dạng trực tuyến (online) mẫu tín hiệu EEG thu nhận khi con người quan sát các loại hình ảnh khác nhau trong thời gian ngắn (200ms), kết hợp phép biến đổi Hilbert-Huang (HHT), giải thuật gom cụm K-Means và mạng neural nhân tạo đa lớp, đồng thời tích hợp camera theo dõi chuyển động mắt để điều khiển xe lăn mô hình.
Cơ sở lý thuyết và phương pháp nghiên cứu
Cơ sở lý thuyết và các khái niệm sinh lý thần kinh
Tín hiệu điện não đồ (EEG) là phép đo lường sự chênh lệch điện trường giữa hai vị trí khác nhau trên vỏ não, phát sinh từ hoạt động đồng bộ của hàng tỉ tế bào thần kinh truyền xung điện từ xuyên qua mô sọ và da đầu. Các điện cực thu nhận tín hiệu được định vị theo hệ thống tiêu chuẩn quốc tế 10-20.
| STT |
Tên thùy não |
Nhiệm vụ chính |
Thể hiện hoạt động |
| 1 |
Thùy trán trước |
Thực thi, nhận thức |
Tập trung, hành vi, cá tính riêng tư |
| 2 |
Thùy trán |
Suy nghĩ, lập luận |
Tư duy logic, tưởng tượng, vận động |
| 3 |
Thùy đỉnh |
Điều khiển |
Vận động chi (tay, chân), xử lý cảm giác |
| 4 |
Thùy thái dương |
Nghe, ngôn ngữ |
Thính giác, nói, trí nhớ thị giác/ngôn ngữ |
| 5 |
Thùy chẩm |
Nhìn |
Xử lý thị giác (mắt), cảm thụ màu sắc, hình dạng |
Năm dạng sóng cơ bản của tín hiệu điện não được phân chia theo dải tần số:
- Sóng Delta (0 - 3 Hz): Tần số thấp nhất, biên độ lớn nhất, xuất hiện chủ yếu ở trẻ dưới 1 tuổi và người lớn trong giấc ngủ sâu; xuất hiện phân tán khắp da đầu.
- Sóng Theta (3 - 7 Hz): Thường xuất hiện khi nhắm mắt ở trạng thái thư giãn, ghi nhận rõ ở vùng thái dương của người trẻ hoặc lúc tỉnh thức ở người lớn tuổi.
- Sóng Alpha (7 - 13 Hz): Xuất hiện đối xứng hai bên bán cầu não khi nhắm mắt thư giãn và biến mất khi mở mắt hoặc gặp stress.
- Sóng Beta (13 - 30 Hz): Biên độ nhỏ ($<30,\mu\text{V}$), xuất hiện rõ ở vùng vỏ não phía trước và đỉnh đầu khi đối tượng tỉnh táo, tập trung, lo lắng hoặc mở mắt.
- Sóng Gamma (30 - 45 Hz): Sóng nhanh, biên độ thấp, xuất hiện ở trung tâm vỏ não, liên quan đến sự đồng bộ hóa các quá trình xử lý nhận thức cấp cao.
| STT |
Tên điện cực |
Ý nghĩa chức năng |
Hiện tượng thể hiện |
| 1 |
Fz |
Phối hợp vận động chi dưới |
Chạy, đi bộ, đá |
| 2 |
Cz |
Giác quan vận động hai chi dưới |
Đi bộ, đi dạo |
| 3 |
T3 |
Lưu trữ và xử lý bộ nhớ |
Xử lý phát âm, nghe lọc tiếng ù |
| 4 |
T4 |
Lưu trữ thông tin thính giác |
Nghe song phương có lọc nhiễu |
| 5 |
F3 |
Vận động cơ bên tay phải |
Phối hợp vận động tinh tế (liên quan EOG, EMG) |
| 6 |
F4 |
Vận động cơ bên tay trái |
Phối hợp vận động tinh tế (liên quan EOG, EMG) |
| 7 |
O1 |
Xử lý thị giác nửa không gian phải |
Nhận biết khuôn mẫu, nhận thức màu sắc, đường biên |
| 8 |
O2 |
Xử lý thị giác nửa không gian trái |
Nhận biết khuôn mẫu, nhận thức trắng đen, đường biên |
| 9 |
C3 |
Cảm giác vận động chi phải |
Đáp ứng viết tay nhanh nhẹn bên tay phải |
| 10 |
C4 |
Cảm giác vận động chi trái |
Viết tay êm đềm bên tay trái |
| 11 |
F7 |
Diễn tả bằng lời nói |
Diễn giải thành thạo, lưu loát |
| 12 |
F8 |
Biểu hiện cảm xúc |
Vẽ tay phải thành thạo (nội sinh) |
| 13 |
P3 |
Nhận thức nửa không gian phải |
Cảm giác không gian, tính toán |
| 14 |
P4 |
Nhận thức nửa không gian trái |
Thói quen không gian |
| 15 |
T5 |
Xử lý thính giác logic |
Nhận dạng từ ngữ luận lý |
| 16 |
T6 |
Xử lý thính giác cảm xúc |
Nhận dạng khuôn mặt, ký hiệu |
| 17 |
FP1 |
Chú ý về mặt logic, luận lý |
Tranh luận, xét xử, phán đoán |
| 18 |
FP2 |
Chú ý về mặt cảm xúc |
Tự cảm nhận, tự chủ, kiềm chế xung động |
Phương pháp xử lý tín hiệu
- Biến đổi Fourier rời rạc (DFT) và biến đổi Fourier cửa sổ ngắn (STFT): STFT chia tín hiệu thành các cửa sổ trượt nhỏ để phân tích miền tần số theo thời gian, tuy nhiên bị hạn chế bởi nguyên lý bất định Heisenberg (độ rộng cửa sổ cố định dẫn đến sự đánh đổi giữa độ phân giải thời gian và tần số).
- Biến đổi Wavelet (Wavelet Transform - WT): Sử dụng các hàm sóng con có độ dài và biên độ co giãn linh hoạt. Biến đổi Wavelet liên tục sử dụng hàm sóng con dạng hình nón Mêhicô (Mexican Hat):
$$\psi(t) = \frac{2}{\sqrt{3}}\pi^{-1/4}(1-t^2)e^{-t^2/2}$$
- Biến đổi Hilbert-Huang (HHT): Phương pháp dựa trên thuật toán Phân tích theo kinh nghiệm (Empirical Mode Decomposition - EMD) để tách tín hiệu $x(t)$ thành các hàm Mode nội tại (Intrinsic Mode Functions - IMF) $c_i(t)$ và phần dư $r_N(t)$:
$$x(t) = \sum_{i=1}^N c_i(t) + r_N(t)$$
Mỗi IMF phải thỏa mãn hai điều kiện: số điểm cực trị và số lần qua điểm 0 bằng nhau hoặc lệch nhau tối đa 1; giá trị trung bình của đường bao trên và đường bao dưới tại mọi điểm bằng 0.
| Tiêu chí so sánh |
Biến đổi Fourier |
Biến đổi Wavelet |
Biến đổi HHT |
| Cơ sở hàm biến đổi |
Tiên nghiệm |
Tiên nghiệm |
Thực nghiệm (dựa trên dữ liệu) |
| Đặc tính tần số |
Tính toàn cục |
Tính cục bộ |
Tính cục bộ trên từng vùng, chính xác |
| Thời gian biến đổi |
Nhanh |
Chậm |
Nhanh |
| Xử lý tín hiệu phi tuyến |
Không phù hợp |
Phù hợp |
Phù hợp |
| Khả năng trích đặc điểm |
Không phù hợp |
Phù hợp |
Phù hợp |
| Cơ sở giải thuật |
Cơ sở lý thuyết |
Cơ sở toán học |
Cơ sở thực nghiệm |
| Độ phức tạp giải thuật |
Phức tạp |
Phức tạp |
Đơn giản |
Thuật toán gom cụm dữ liệu K-Means
Dữ liệu đặc trưng sau khi trích xuất được đưa vào thuật toán gom cụm K-Means ($k=5$) tương ứng với 5 dải sóng (Delta, Theta, Alpha, Beta, Gamma) nhằm giảm thiểu nhiễu và loại bỏ các điểm ngoại lai (outliers). Hàm mục tiêu tối thiểu hóa tổng bình phương khoảng cách:
$$J = \sum_{i=1}^K \sum_{k=1}^N u_{ik} |x_k - c_i|^2$$
Trong đó $c_i$ là tâm cụm thứ $i$, $x_k$ là điểm dữ liệu thứ $k$, và $u_{ik} \in {0, 1}$ là phần tử ma trận thành viên xác định điểm dữ liệu có thuộc cụm hay không.
Mạng Neural nhân tạo và thuật toán huấn luyện
Luận án sử dụng mạng neural truyền thẳng (Feedforward Neural Network) với thuật toán huấn luyện lan truyền ngược sai số (Backpropagation):
- Hàm kích hoạt tại các nút ẩn và nút xuất là hàm Hyperbolic Tangent:
$$f(I) = \frac{e^I - e^{-I}}{e^I + e^{-I}}$$
- Quá trình lan truyền tiến: Tính tổng trọng số ngõ vào $I_j = \sum w_{ij} x_i$ và tính giá trị ngõ ra $O_j = f(I_j)$.
- Quá trình lan truyền ngược: Xác định sai số ngõ ra $E = T - O$ (với $T$ là giá trị mục tiêu) và sai số lớp ẩn, sau đó cập nhật trọng số liên kết để tối thiểu hóa sai số toàn phương trung bình (MSE).
Nguồn tư liệu và dữ liệu nghiên cứu
- Dữ liệu chuẩn quốc tế: Bộ cơ sở dữ liệu tín hiệu điện não 31 kênh của Đại học California San Diego (UCSD), Hoa Kỳ (gồm 20 bộ dữ liệu với 21.000 mẫu khi quan sát hình con vật và 11.000 mẫu khi quan sát hình phong cảnh).
- Dữ liệu thực nghiệm cục bộ: Thu nhận từ thiết bị Emotiv EPOC+ (16 kênh, truyền không dây) trên 20 sinh viên tình nguyện tại Trường Cao đẳng Công thương TP.HCM.
- Kênh điện cực trích chọn: Rút gọn từ 31 kênh xuống 10 kênh điện cực tiêu chuẩn (F3, C3, P3, O1, F4, C4, P4, O2, A1, A2) để giảm tải tính toán.
Nội dung chính theo từng chương
Chương 1: Tổng quan về tín hiệu điện não
Chương 1 trình bày tổng quan về nguồn gốc, bản chất vật lý và sinh lý học của tín hiệu điện não EEG; khảo cứu các thiết bị thu nhận tín hiệu phổ biến trên thế giới (NeuroScan, Brain Products, BioSemi, EGI, Emotiv, Neurosky). Tác giả phân tích các công trình nghiên cứu EEG trong nước và quốc tế, chỉ ra khoảng trống về ứng dụng EEG trong điều khiển tự động tại Việt Nam. Đồng thời, chương này xác định rõ 4 mục tiêu nghiên cứu, đối tượng, phạm vi giới hạn của đề tài, các đóng góp khoa học về mặt lý thuyết và thực tiễn, cùng bố cục tổng thể của luận án.
Chương 2: Cơ sở lý thuyết
Chương 2 hệ thống hóa cơ sở toán học và kỹ thuật xử lý tín hiệu y sinh:
- Phân tích chi tiết 5 thùy não và chức năng điều khiển hành vi, nhận thức, thị giác.
- Định nghĩa 5 dạng sóng cơ bản (Delta, Theta, Alpha, Beta, Gamma) và lập bảng tra cứu ý nghĩa chức năng của 18 vị trí điện cực theo hệ thống 10-20 quốc tế.
- Trình bày công thức và cơ chế phân tích tín hiệu của phép biến đổi Fourier (FT, STFT), biến đổi Wavelet (Mexican Hat Wavelet) và phép biến đổi Hilbert-Huang (HHT) dựa trên giải thuật phân tích EMD tạo ra 12 hàm Mode nội tại (IMF1 đến IMF12).
- Trình bày nguyên lý thuật toán phân cụm dữ liệu K-Means, các mô hình kết nối, mô hình centroid, mô hình phân phối và mật độ (DBSCAN, OPTICS).
- Thiết lập cấu trúc mạng neural truyền thẳng đơn lớp, đa lớp và các bước toán học của thuật toán huấn luyện lan truyền ngược sai số.
Chương 3: Xây dựng mô hình hệ thống điều khiển
Chương 3 tập trung xây dựng và đánh giá các mô hình phân loại tín hiệu EEG qua hai giai đoạn:
1. Mô hình mạng Neural đơn lớp (Phân loại 2 lớp)
Mô hình nhận dạng 2 loại kích thích thị giác: hình ảnh con vật (ngõ ra $[-1, 0]$) và hình ảnh phong cảnh (ngõ ra $[0, 1]$). Tín hiệu EEG thô được tiền xử lý bằng biến đổi Wavelet Mexican Hat, tổng hợp 10 kênh thành 5 ngõ vào (Delta, Theta, Alpha, Beta, Gamma) đưa vào mạng neural đơn lớp huấn luyện bằng Matlab (tỷ lệ học: 0,7; trọng số khởi tạo: $[-0,5; 0,5]$; ngưỡng sai số MSE: $1 \times 10^{-5}$; số vòng lặp tối đa: 5.000). Tập dữ liệu UCSD gồm 15.000 mẫu huấn luyện (7.000 con vật, 8.000 phong cảnh) và 6.000 mẫu kiểm tra (3.000 con vật, 3.000 phong cảnh).
| STT |
Tên tập ảnh thực nghiệm |
Loại ảnh |
Tỷ lệ nhận dạng chính xác |
| 1 |
France |
Phong cảnh |
99,13% |
| 2 |
Wild sheep |
Con vật |
98,67% |
| 3 |
Wild cats |
Con vật |
99,28% |
| 4 |
Bali, Indonesia |
Phong cảnh |
62,44% |
| 5 |
Wild animals |
Con vật |
99,64% |
| 6 |
California Coasts |
Phong cảnh |
56,89% |
| 7 |
Wolves |
Con vật |
98,64% |
| 8 |
Mushrooms |
Phong cảnh |
95,16% |
| 9 |
Kenya |
Con vật |
99,76% |
| 10 |
The big Apple |
Phong cảnh |
98,79% |
| 11 |
Snakes, lizards |
Con vật |
98,32% |
| 12 |
Caves |
Con vật |
67,18% |
| 13 |
Polar bears |
Con vật |
99,03% |
| 14 |
Exotic Hong Kong |
Phong cảnh |
98,72% |
| 15 |
Images of France |
Phong cảnh |
99,37% |
| 16 |
Fabulous fruit |
Phong cảnh |
98,25% |
| 17 |
Wild animals 2 |
Con vật |
93,97% |
| 18 |
Sand & solitude |
Con vật |
98,42% |
| 19 |
Lions |
Con vật |
62,78% |
| 20 |
Great Silk Road |
Phong cảnh |
98,47% |
Độ chính xác nhận dạng trung bình trên toàn bộ tập kiểm tra đạt 91,15%, vượt qua kết quả của phương pháp nhận dạng qua nháy mắt (90,85%) [82] và chuyển động mắt (85,00%) [53].
2. Mô hình mạng Neural đa lớp (Phân loại 5 lớp)
Mô hình mở rộng nhận dạng 5 mẫu kích thích thị giác trên bảng quan sát để tạo thành 5 lệnh điều khiển xe lăn:
| STT |
Loại hình ảnh quan sát |
Lệnh điều khiển tương ứng |
| 1 |
Hình con người |
Chạy tới |
| 2 |
Hình con vật |
Chạy lùi |
| 3 |
Hình phong cảnh |
Rẽ phải |
| 4 |
Hình thành phố |
Rẽ trái |
| 5 |
Hình bông hoa |
Dừng lại |
Cấu trúc mạng neural 3 lớp gồm: lớp vào (5 nút: Delta, Theta, Alpha, Beta, Gamma), lớp ẩn (thử nghiệm với các mức 5, 10, 15, 20, 25, 30, 35, 40, 45, 50 nút ẩn), và lớp xuất (1 nút phân lớp trong dải $[-1, 1]$). Kết quả nghiên cứu trong chương này được công bố tại kỷ yếu hội nghị quốc tế ICRAI 2017 (ISBN: 978-1-4503-5358-8) và tạp chí quốc tế Journal of Communications (ISSN: 1796-2021).
Chương 4: Xây dựng phần mềm và phần cứng điều khiển xe lăn
Chương 4 trình bày thiết kế hệ thống hoàn chỉnh:
- Phần mềm hệ thống: Thực hiện các chức năng kết nối server truyền nhận dữ liệu, thu thập tín hiệu EEG thời gian thực, trích xuất đặc trưng bằng biến đổi HHT/Wavelet, gom cụm K-Means, và phân loại lệnh bằng mạng neural đa lớp.
- Xử lý ảnh thị giác: Tích hợp camera gắn trên bảng quan sát để phát hiện hướng di chuyển của mắt dựa trên tỷ lệ vị trí giữa tròng đen và chân mày, kết hợp với kết quả nhận dạng EEG để nâng cao độ chính xác.
- Thực nghiệm hệ thống: Tiến hành thử nghiệm trên mô hình xe lăn thực tế với 20 sinh viên tham gia. Đánh giá và so sánh 3 phương thức: điều khiển thuần túy bằng tín hiệu điện não EEG, điều khiển thuần túy bằng xử lý ảnh camera, và phương thức kết hợp cả EEG và xử lý ảnh. Kết quả thực nghiệm hệ thống kết hợp HHT - Mạng neural - Camera đạt độ chính xác cao nhất là 92,4%.
Chương 5: Kết luận và kiến nghị
Chương 5 đánh giá toàn diện các kết quả thu được so với mục tiêu ban đầu của luận án, khẳng định tính khả thi của hệ thống điều khiển xe lăn bằng tín hiệu điện não kết hợp camera, đồng thời đề xuất các hướng hoàn thiện phần cứng và giải thuật trong tương lai.
Kết quả và những đóng góp mới
Đóng góp về mặt lý thuyết
- Xây dựng mô hình mạng neural nhân tạo phân loại thành công 5 dạng mẫu tín hiệu điện não EEG tương ứng khi con người quan sát 5 loại hình ảnh khác nhau.
- Xác định bảng quan sát hình ảnh đơn giản, phù hợp để kích thích và thu thập dữ liệu điện não thị giác.
- Thiết lập quy trình kết hợp giải thuật trích xuất đặc trưng (Wavelet/HHT) với thuật toán gom cụm K-Means trước khi đưa vào mạng neural, giúp tăng tốc độ hội tụ của mạng, hạn chế hiện tượng quá khớp (overfitting) và nâng cao độ chính xác phân loại.
- Chứng minh khả năng ứng dụng của tín hiệu điện não EEG trong lĩnh vực kỹ thuật điều khiển tự động thay vì chỉ giới hạn trong y sinh học.
Đóng góp về mặt thực tiễn
- Xây dựng hệ thống điều khiển xe lăn mô hình kết hợp công nghệ điện não EEG và camera xử lý ảnh hướng mắt, mở ra giải pháp hỗ trợ di chuyển cho người khuyết tật nặng (người bị liệt tay chân nhưng chức năng thị giác và nhận thức còn nguyên vẹn).
- Tích hợp camera gắn trực tiếp trên bảng quan sát giúp người sử dụng dễ dàng làm quen và điều khiển xe lăn trong thời gian ngắn mà không đòi hỏi huấn luyện phức tạp.
- Tạo ra nền tảng kỹ thuật và dữ liệu thực nghiệm giúp các nghiên cứu tiếp theo kế thừa và phát triển các thiết bị trợ giúp người khuyết tật.
Hạn chế và hướng nghiên cứu tiếp
Hạn chế của nghiên cứu
- Kiểm thử phần mềm: Phần mềm điều khiển được xây dựng nhằm mục đích minh họa và thử nghiệm giải thuật học thuật, chưa trải qua quy trình kiểm thử phần mềm công nghiệp đầy đủ.
- Tham số động học: Luận án chưa đi sâu tối ưu hóa thời gian trễ xử lý phát hiện câu lệnh, tốc độ di chuyển, gia tốc và các góc quay linh hoạt của xe lăn (xe mô hình hiện tại chỉ thực hiện quay các góc cố định $90^\circ$).
- Xử lý ảnh: Kỹ thuật xử lý ảnh hướng mắt chỉ dừng lại ở mức độ hỗ trợ, chưa tối ưu cho các điều kiện ánh sáng và góc nhìn phức tạp.
- Đối tượng thực nghiệm: Do hạn chế về kinh phí và điều kiện y tế, các thực nghiệm chưa được tiến hành trực tiếp trên bệnh nhân khuyết tật thực tế mà thực hiện trên nhóm sinh viên khỏe mạnh mô phỏng.
Hướng nghiên cứu tiếp
- Tối ưu hóa thuật toán nhằm rút ngắn thời gian đáp ứng thời gian thực của hệ thống phân loại câu lệnh.
- Thiết kế cơ cấu điều khiển phần cứng cho phép xe lăn quay linh hoạt theo các góc độ khác nhau và điều chỉnh tốc độ mượt mà.
- Nâng cấp thuật toán xử lý ảnh nhận diện mắt để tăng độ tin cậy trong các môi trường ánh sáng thay đổi.
- Mở rộng thử nghiệm lâm sàng trên các đối tượng người khuyết tật vận động thực tế.
Giá trị tham khảo
Đối tượng thụ hưởng và tham khảo
- Nghiên cứu sinh và học viên cao học: Chuyên ngành Kỹ thuật Điều khiển và Tự động hóa, Kỹ thuật Y sinh, Khoa học Máy tính và Xử lý Tín hiệu.
- Giảng viên và nhà nghiên cứu: Các nhóm nghiên cứu về giao diện não - máy tính (Brain-Computer Interface - BCI), trí tuệ nhân tạo và hệ thống nhúng trợ giúp y tế.
- Kỹ sư phát triển thiết bị: Các kỹ sư thiết kế thiết bị hỗ trợ người khuyết tật, xe lăn thông minh và hệ thống điều khiển đa phương thức.
Các phần nội dung đáng tham khảo
- Quy trình tiền xử lý kết hợp biến đổi HHT/EMD và thuật toán gom cụm K-Means để trích xuất đặc trưng sóng não (Delta, Theta, Alpha, Beta, Gamma) từ các kênh điện cực chọn lọc.
- Thiết kế mạng neural đa lớp và phương pháp gắn nhãn kích thích thị giác (5 loại hình ảnh) để tạo tập lệnh điều khiển.
- Phương án tích hợp đa cảm biến (EEG và Camera) nhằm bù trừ sai số và nâng cao độ chính xác nhận dạng lệnh điều khiển trong thực tế.
Câu hỏi thường gặp
1. Hệ thống điều khiển trong luận án phân loại bao nhiêu lệnh và tương ứng với những hình ảnh thị giác nào?
Hệ thống phân loại 5 lệnh điều khiển xe lăn mô hình dựa trên 5 loại hình ảnh hiển thị trên bảng quan sát:
- Hình con người $\rightarrow$ Lệnh chạy tới
- Hình con vật $\rightarrow$ Lệnh chạy lùi
- Hình phong cảnh $\rightarrow$ Lệnh rẽ phải
- Hình thành phố $\rightarrow$ Lệnh rẽ trái
- Hình bông hoa $\rightarrow$ Lệnh dừng lại
2. Độ chính xác nhận dạng cao nhất của hệ thống đạt được là bao nhiêu và trên nhóm đối tượng nào?
Độ chính xác nhận dạng cao nhất đạt 92,4% khi áp dụng phương pháp kết hợp tiền xử lý HHT, mạng neural đa lớp và camera xử lý ảnh hướng mắt, được thử nghiệm thực tế trên mô hình xe lăn với nhóm 20 sinh viên Trường Cao đẳng Công thương TP.HCM.
3. Tại sao tác giả kết hợp biến đổi HHT và thuật toán K-Means trong khâu tiền xử lý tín hiệu EEG?
Biến đổi HHT (với thuật toán EMD) có khả năng phân tích tín hiệu phi tuyến và biến đổi liên tục theo thời gian tốt hơn Fourier và Wavelet, giúp trích xuất các hàm Mode nội tại (IMF) phản ánh chính xác các dải sóng. Thuật toán K-Means ($k=5$) tiếp tục gom các đặc trưng thành 5 cụm sóng cơ bản, giúp loại bỏ nhiễu và phần tử biên (outliers), từ đó giúp mạng neural dễ hội tụ, tránh hiện tượng quá khớp (overfitting) và xử lý nhanh hơn.
4. Cấu trúc mạng neural đa lớp và hàm kích hoạt được sử dụng trong luận án có thông số như thế nào?
Mô hình mạng neural đa lớp gồm 3 lớp:
- Lớp đầu vào: 5 nút (tương ứng 5 dải sóng Delta, Theta, Alpha, Beta, Gamma).
- Lớp ẩn: Thử nghiệm với các số lượng nút ẩn lần lượt là 5, 10, 15, 20, 25, 30, 35, 40, 45 và 50 nút.
- Lớp đầu ra: 1 nút với giá trị trong khoảng $[-1, 1]$ dùng để phân lớp tín hiệu.
- Hàm kích hoạt được sử dụng là hàm Hyperbolic Tangent.
5. Những giới hạn kỹ thuật nào được tác giả xác định trong phạm vi nghiên cứu?
Tác giả giới hạn nghiên cứu ở mức độ mô hình học thuật và minh họa nguyên lý: bỏ qua quy trình kiểm thử phần mềm công nghiệp; không tối ưu hóa gia tốc, tốc độ hay góc quay chi tiết (xe chỉ quay góc cố định $90^\circ$); phần xử lý ảnh chỉ đóng vai trò hỗ trợ phụ trợ; và thực nghiệm được tiến hành trên sinh viên mô phỏng thay vì bệnh nhân khuyết tật thực tế do hạn chế về kinh phí.
Kết luận
Luận án đã nghiên cứu và xây dựng hệ thống điều khiển xe lăn mô hình hỗ trợ người khuyết tật nặng thông qua việc phân loại 5 dạng tín hiệu điện não EEG kết hợp xử lý ảnh hướng mắt từ camera. Bằng việc tích hợp các kỹ thuật trích xuất đặc trưng Wavelet, HHT, gom cụm K-Means và mạng neural truyền thẳng đa lớp, hệ thống đạt độ chính xác nhận dạng trung bình 91,15% trên tập dữ liệu chuẩn UCSD và 92,4% trên mô hình thực nghiệm thực tế với 20 người tham gia. Kết quả nghiên cứu khẳng định tính khả thi của việc ứng dụng công nghệ điện não trong kỹ thuật điều khiển tự động và cung cấp cơ sở khoa học cho việc phát triển các thiết bị trợ giúp phục hồi chức năng trong thực tiễn.
