I. Toàn cảnh luận án mạng neural điều khiển xe lăn EEG camera
Luận án tiến sĩ của tác giả Lâm Quang Chuyên trình bày một hướng đi đột phá trong lĩnh vực công nghệ hỗ trợ người khuyết tật. Công trình tập trung vào việc xây dựng một hệ thống điều khiển thông minh cho xe lăn, đặc biệt dành cho người liệt tứ chi hoặc tàn tật nặng. Điểm cốt lõi của hệ thống là khả năng phiên dịch ý định di chuyển của người dùng thành mệnh lệnh điều khiển cụ thể. Để làm được điều này, luận án khai thác hai nguồn dữ liệu chính: tín hiệu điện não đồ (EEG) và hình ảnh từ camera. Sự kết hợp này tạo ra một giao diện não-máy tính (Brain-Computer Interface - BCI) mạnh mẽ và có độ chính xác cao. Mục tiêu nghiên cứu không chỉ dừng lại ở việc tạo ra một phương tiện di chuyển, mà còn hướng đến việc trả lại sự tự chủ và cải thiện chất lượng cuộc sống cho những người mất khả năng vận động. Nghiên cứu đã đi sâu vào việc phân tích các phương pháp xử lý tín hiệu EEG phức tạp, từ các kỹ thuật truyền thống như biến đổi Wavelet đến các phương pháp tiên tiến như Biến đổi Hilbert-Huang (HHT). Sau đó, dữ liệu đã được tinh lọc sẽ được đưa vào một mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) đa lớp để phân loại và nhận dạng ý định chuyển động. Luận án không chỉ đóng góp về mặt lý thuyết qua việc xây dựng các mô hình và thuật toán học máy hiệu quả, mà còn có giá trị thực tiễn to lớn. Hệ thống đã được kiểm chứng trên mô hình xe lăn tự hành, cho thấy kết quả đầy hứa hẹn với độ chính xác cao, mở ra một tương lai mới cho các thiết bị hỗ trợ cá nhân.
1.1. Giao diện não máy tính BCI Nền tảng công nghệ cốt lõi
Trọng tâm của luận án là phát triển một giao diện não-máy tính tiên tiến. BCI là một hệ thống cho phép giao tiếp trực tiếp giữa não bộ và một thiết bị bên ngoài, trong trường hợp này là xe lăn. Thay vì sử dụng các phương thức điều khiển truyền thống như cần gạt hay nút bấm, hệ thống này diễn giải trực tiếp hoạt động điện của não. Tác giả đã sử dụng thiết bị Emotiv EPOC+ để thu thập tín hiệu EEG không xâm lấn từ các điện cực đặt trên da đầu. Các tín hiệu này, vốn rất nhỏ và nhiễu, phản ánh các trạng thái suy nghĩ khác nhau của người dùng, ví dụ như khi họ tập trung vào một hình ảnh tương ứng với lệnh 'tiến', 'lùi', 'trái', 'phải' hoặc 'dừng'. Việc biến những suy nghĩ này thành lệnh điều khiển máy móc chính là bản chất của công nghệ BCI, tạo ra một kênh giao tiếp hoàn toàn mới cho những người không thể sử dụng cơ bắp của mình.
1.2. Mục tiêu và đóng góp thực tiễn cho người khuyết tật nặng
Mục đích nghiên cứu chính là thiết kế một hệ thống điều khiển xe lăn tự hành hiệu quả và dễ sử dụng cho người tàn tật nặng, đặc biệt là các bệnh nhân bị liệt tứ chi. Đóng góp của luận án thể hiện ở hai khía cạnh. Về mặt lý thuyết, công trình đã xây dựng và so sánh hiệu quả của các mô hình mạng neural khác nhau, đồng thời đề xuất một phương pháp tiền xử lý tín hiệu kết hợp giữa trích đặc điểm HHT và gom cụm dữ liệu. Cách tiếp cận này giúp mạng neural hội tụ nhanh hơn và tăng độ chính xác. Về mặt thực tiễn, luận án đã chế tạo thành công một mô hình xe lăn điều khiển được và một bộ phần mềm hoàn chỉnh. Kết quả này chứng minh tính khả thi của việc áp dụng học sâu cho robot hỗ trợ, mở ra tiềm năng sản xuất các thiết bị hỗ trợ thương mại, giúp người khuyết tật tái hòa nhập cộng đồng và tự chủ hơn trong cuộc sống hàng ngày.
II. Giải pháp cho thách thức xử lý tín hiệu EEG điều khiển xe lăn
Việc sử dụng tín hiệu điện não (EEG) để điều khiển thiết bị đặt ra nhiều thách thức kỹ thuật to lớn. Tín hiệu EEG có bản chất phi tuyến, không ổn định và biên độ rất nhỏ (chỉ vài microvolt). Hơn nữa, chúng cực kỳ nhạy cảm với nhiễu từ các hoạt động cơ bắp (như chớp mắt, cử động hàm) và nhiễu từ môi trường điện từ bên ngoài. Để xây dựng một hệ thống điều khiển thông minh đáng tin cậy, việc lọc nhiễu và trích xuất đặc trưng hữu ích từ tín hiệu thô là bước tối quan trọng. Luận án đã giải quyết vấn đề này bằng cách áp dụng các phương pháp EEG signal processing tiên tiến. Một trong những khó khăn lớn nhất là nhận dạng ý định chuyển động trong thời gian thực. Ý định của người dùng chỉ tồn tại trong một khoảnh khắc ngắn, đòi hỏi hệ thống phải có khả năng phân tích và ra quyết định cực nhanh. Hơn nữa, tín hiệu EEG của mỗi người là khác nhau và có thể thay đổi theo thời gian, trạng thái tâm lý. Điều này yêu cầu hệ thống phải có khả năng học và thích ứng với từng cá nhân. Luận án đã đề xuất sử dụng mạng nơ-ron nhân tạo có khả năng học các mẫu tín hiệu phức tạp, kết hợp với các thuật toán tiền xử lý mạnh mẽ để vượt qua những rào cản này, hướng tới một hệ thống điều khiển chính xác và phản ứng nhanh nhạy.
2.1. Phân tích đặc tính phi tuyến và nhiễu của tín hiệu điện não
Tín hiệu điện não là một trong những tín hiệu sinh học phức tạp nhất. Nó là tổng hợp hoạt động điện của hàng tỷ tế bào thần kinh. Do đó, tín hiệu thu được không tuân theo các quy luật tuyến tính đơn giản. Theo luận án, các phương pháp phân tích truyền thống như Biến đổi Fourier (FFT) tỏ ra hạn chế vì chỉ cung cấp thông tin về tần số mà không cho biết thời điểm xuất hiện. Để khắc phục, luận án đã khảo sát Biến đổi Wavelet và đặc biệt là Biến đổi Hilbert-Huang (HHT). HHT, với cốt lõi là giải thuật Phân tích theo kinh nghiệm (EMD), có khả năng phân rã tín hiệu phi tuyến thành các thành phần đơn giản hơn gọi là Hàm bản chất (IMF). Cách tiếp cận này giúp bóc tách các đặc trưng ẩn, làm tiền đề cho việc phân loại chính xác hơn.
2.2. Yêu cầu về tốc độ và độ chính xác khi nhận dạng ý định
Trong một ứng dụng điều khiển xe lăn, tốc độ và độ chính xác là hai yếu tố sống còn. Một quyết định sai lầm hoặc chậm trễ có thể gây nguy hiểm cho người sử dụng. Hệ thống phải có khả năng phân biệt rõ ràng giữa 5 lệnh điều khiển (tới, lùi, trái, phải, dừng) chỉ dựa trên tín hiệu não. Luận án nhấn mạnh rằng việc nhận dạng ý định chuyển động đòi hỏi một thuật toán học máy đủ mạnh để xử lý dữ liệu đa kênh (16 kênh từ thiết bị Emotiv) trong thời gian thực. Sai số trong phân loại phải được giảm đến mức tối thiểu. Đây là lý do tác giả đã lựa chọn và tối ưu hóa mô hình mạng neural đa lớp, một công cụ đã được chứng minh là rất hiệu quả trong các bài toán nhận dạng mẫu phức tạp, đặc biệt là trong lĩnh vực học sâu cho robot.
III. Phương pháp mạng neural và xử lý tín hiệu EEG điều khiển xe
Để giải quyết bài toán phân loại tín hiệu EEG, luận án đã xây dựng một quy trình xử lý hoàn chỉnh, bắt đầu từ dữ liệu thô và kết thúc bằng lệnh điều khiển. Trái tim của hệ thống là mô hình mạng nơ-ron nhân tạo (ANN) đa lớp. Tuy nhiên, hiệu suất của mạng phụ thuộc rất lớn vào chất lượng dữ liệu đầu vào. Do đó, giai đoạn tiền xử lý tín hiệu EEG được tác giả đặc biệt chú trọng. Luận án đã thực hiện so sánh ba phương pháp trích xuất đặc trưng chính: Biến đổi Fourier nhanh (FFT), Biến đổi Wavelet (WT), và Biến đổi Hilbert-Huang (HHT). Kết quả cho thấy HHT mang lại hiệu quả vượt trội trong việc phân tích các tín hiệu không ổn định như EEG. Sau khi sử dụng HHT để phân tích tín hiệu thành các Hàm bản chất (IMF), các đặc trưng này không được đưa trực tiếp vào mạng. Thay vào đó, tác giả đề xuất một bước trung gian sáng tạo: sử dụng thuật toán gom cụm dữ liệu (clustering). Kỹ thuật này giúp nhóm các đặc trưng tương tự lại với nhau, làm giảm độ phức tạp của dữ liệu và giúp mạng neural học nhanh hơn, hiệu quả hơn. Cuối cùng, dữ liệu đã được gom cụm được đưa vào một mạng neural đa lớp lan truyền ngược để huấn luyện và phân loại thành 5 lệnh điều khiển. Phương pháp này thể hiện sự kết hợp thông minh giữa các kỹ thuật xử lý tín hiệu cổ điển và học sâu cho robot.
3.1. Kỹ thuật tiền xử lý tín hiệu EEG bằng HHT và Wavelet
Luận án đã đi sâu phân tích hai kỹ thuật tiền xử lý tín hiệu hiện đại. Biến đổi Wavelet (WT) cho phép phân tích tín hiệu trong cả miền thời gian và tần số, khắc phục nhược điểm của FFT. Nó đặc biệt hữu ích trong việc phát hiện các sự kiện tức thời trong tín hiệu. Tuy nhiên, phương pháp HHT được chứng minh là phù hợp hơn cho tín hiệu EEG. HHT là một phương pháp dựa trên kinh nghiệm, không yêu cầu các hàm cơ sở định trước. Nó phân rã tín hiệu một cách tự nhiên thành các thành phần dao động nội tại (IMF). Theo bảng so sánh trong luận án (Bảng 2.3), HHT vượt trội hơn WT và FFT ở khả năng xử lý tín hiệu phi tuyến và tính đơn giản trong giải thuật, giúp trích xuất các đặc trưng vật lý có ý nghĩa hơn từ hoạt động của não bộ.
3.2. Cấu trúc và thuật toán huấn luyện mạng neural nhân tạo ANN
Mô hình cốt lõi để phân loại là một mạng neural nhân tạo truyền thẳng đa lớp. Cấu trúc này bao gồm một lớp đầu vào, một hoặc nhiều lớp ẩn, và một lớp đầu ra. Luận án đã thử nghiệm từ mạng đơn lớp đến mạng đa lớp (3 lớp) để tìm ra cấu trúc tối ưu. Quá trình huấn luyện sử dụng thuật toán lan truyền ngược sai số (backpropagation). Thuật toán này điều chỉnh trọng số của các kết nối giữa các nơ-ron để giảm thiểu sự khác biệt giữa đầu ra thực tế của mạng và đầu ra mong muốn (lệnh điều khiển chính xác). Quá trình này được lặp lại nhiều lần với một bộ dữ liệu huấn luyện lớn cho đến khi mạng đạt được độ chính xác phân loại cao trên cả dữ liệu đã thấy và dữ liệu mới.
IV. Bí quyết kết hợp EEG và thị giác máy tính điều khiển xe lăn
Một trong những đóng góp độc đáo và quan trọng nhất của luận án là việc kết hợp tín hiệu EEG với thị giác máy tính (computer vision). Mặc dù giao diện não-máy tính dựa trên EEG rất tiềm năng, nó vẫn có thể gặp sai sót do sự mất tập trung của người dùng hoặc do nhiễu. Để tăng cường độ tin cậy và chính xác cho toàn bộ hệ thống điều khiển thông minh, tác giả đã tích hợp thêm một camera để theo dõi hướng nhìn của người dùng. Ý tưởng cơ bản là ý định di chuyển thường đi kèm với việc người dùng sẽ nhìn về hướng đó. Camera được gắn trên xe lăn sẽ ghi lại hình ảnh khuôn mặt, sau đó một thuật toán học máy sẽ xử lý ảnh để xác định vị trí của mắt và hướng nhìn. Thông tin này hoạt động như một kênh xác nhận phụ. Ví dụ, nếu mạng neural phân loại tín hiệu EEG là 'quay trái' và cùng lúc đó hệ thống thị giác máy tính phát hiện người dùng đang nhìn sang trái, lệnh sẽ được xác nhận với độ tin cậy cao. Ngược lại, nếu hai nguồn thông tin mâu thuẫn, hệ thống có thể yêu cầu xác nhận lại hoặc giữ nguyên trạng thái 'dừng'. Sự kết hợp đa phương thức này giúp giảm thiểu đáng kể các lệnh điều khiển sai, tạo ra một chiếc xe lăn tự hành an toàn và thông minh hơn.
4.1. Vai trò của thị giác máy tính trong việc nhận dạng hướng mắt
Hệ thống thị giác máy tính được xây dựng để thực hiện hai nhiệm vụ chính: phát hiện khuôn mặt và sau đó là xác định vị trí mắt và lông mày. Luận án sử dụng các thuật toán xử lý ảnh để phân đoạn vùng mắt, tính toán vị trí tâm đồng tử so với khóe mắt. Bằng cách phân tích tỉ lệ giữa các đặc điểm này (ví dụ: tỉ lệ giữa tâm đồng tử và chiều dài mắt), hệ thống có thể suy ra hướng nhìn của người dùng: nhìn thẳng, nhìn sang trái, hoặc nhìn sang phải. Dữ liệu từ hướng mắt sau đó được mã hóa và trở thành một đầu vào bổ sung cho mô hình phân loại cuối cùng, song song với dữ liệu từ EEG.
4.2. Mô hình tổng hợp tín hiệu EEG và camera tăng độ chính xác
Luận án đề xuất một mô hình tổng hợp, trong đó kết quả phân loại từ tín hiệu EEG và kết quả nhận dạng từ camera được đưa vào một bộ quyết định cuối cùng. Mô hình này không chỉ đơn giản là cộng gộp kết quả. Thay vào đó, nó sử dụng một mạng neural khác hoặc một logic mờ để kết hợp hai nguồn thông tin một cách thông minh. Bằng chứng thực nghiệm trong luận án (Bảng 3.12) cho thấy rõ ràng: phương pháp kết hợp luôn cho độ chính xác cao hơn đáng kể so với việc chỉ sử dụng EEG hoặc chỉ sử dụng camera. Cụ thể, trong khi chỉ dùng EEG đạt độ chính xác khoảng 88.6%, và chỉ dùng hướng mắt đạt 84.8%, thì mô hình tổng hợp đã đẩy độ chính xác lên tới 92.4%. Điều này khẳng định sức mạnh của việc tích hợp đa cảm biến trong công nghệ hỗ trợ người khuyết tật.
V. Kết quả thực nghiệm hệ thống điều khiển xe lăn tự hành
Để chứng minh tính hiệu quả của phương pháp đề xuất, luận án đã tiến hành xây dựng và thử nghiệm một hệ thống hoàn chỉnh bao gồm cả phần cứng và phần mềm. Phần cứng cốt lõi là một mô hình xe lăn tự hành thu nhỏ, được trang bị động cơ, mạch điều khiển, và giao tiếp không dây với máy tính. Thiết bị thu nhận tín hiệu EEG là Emotiv EPOC+, và một camera Logitech được sử dụng cho phần thị giác máy tính. Quá trình thực nghiệm được tiến hành với một nhóm 20 tình nguyện viên là sinh viên. Mỗi người tham gia đều được huấn luyện để làm quen với hệ thống, tập trung suy nghĩ vào các hình ảnh trên một bảng quan sát để tạo ra 5 lệnh điều khiển cơ bản. Kết quả thực nghiệm rất ấn tượng. Hệ thống tổng hợp sử dụng cả EEG và camera đã đạt được độ chính xác trung bình lên tới 92,4%. Con số này vượt trội so với các phương pháp chỉ sử dụng một nguồn tín hiệu duy nhất. Ma trận nhầm lẫn (confusion matrix) được phân tích chi tiết, cho thấy hệ thống có khả năng phân biệt tốt giữa các lệnh, đặc biệt là các lệnh quan trọng như 'Dừng' và 'Chạy tới'. Thành công này không chỉ xác nhận giá trị khoa học của các thuật toán học máy được áp dụng mà còn cho thấy tiềm năng ứng dụng thực tế to lớn của hệ thống nhúng và IoT trong việc tạo ra các thiết bị hỗ trợ y tế thông minh.
5.1. Xây dựng phần cứng xe lăn mô hình và hệ thống nhúng
Mô hình xe lăn được thiết kế để mô phỏng hoạt động của một chiếc xe lăn thực tế. Nó bao gồm một khung gầm, hai động cơ DC cho bánh sau, và các bánh xe tự do phía trước. Trái tim của hệ thống là một vi điều khiển nhận lệnh từ máy tính thông qua Bluetooth. Toàn bộ hệ thống phần cứng được thiết kế nhỏ gọn, tích hợp trong một hệ thống nhúng hiệu quả, có khả năng phản hồi lệnh điều khiển một cách nhanh chóng. Việc xây dựng mô hình vật lý này là một bước quan trọng để kiểm chứng các thuật toán trong một môi trường gần với thực tế, thay vì chỉ mô phỏng trên máy tính.
5.2. Đánh giá độ chính xác lên tới 92 4 với người dùng thực tế
Quá trình đánh giá được thực hiện một cách khoa học với 3 nhóm tình nguyện viên. Kết quả tổng hợp từ Bảng 4.4 của luận án cho thấy độ chính xác nhận dạng trung bình của hệ thống kết hợp là 92,4%. Đáng chú ý, ngay cả với những người chưa từng sử dụng giao diện não-máy tính, họ cũng có thể nhanh chóng học cách điều khiển xe lăn sau một thời gian huấn luyện ngắn. Kết quả này là minh chứng mạnh mẽ cho tính khả thi của dự án, chứng tỏ rằng công nghệ điều khiển xe lăn bằng suy nghĩ kết hợp theo dõi ánh mắt hoàn toàn có thể trở thành một giải pháp thực tiễn để hỗ trợ bệnh nhân liệt tứ chi trong tương lai không xa.
VI. Tương lai của mạng neural trong công nghệ hỗ trợ người khuyết tật
Luận án "Mạng neural trong hệ thống điều khiển xe lăn cho người tàn tật nặng sử dụng điện não (EEG) và camera" không chỉ là một công trình nghiên cứu học thuật sâu sắc mà còn mở ra một chương mới cho lĩnh vực công nghệ hỗ trợ người khuyết tật. Những đóng góp của luận án đã đặt một nền móng vững chắc cho việc phát triển các thế hệ xe lăn tự hành thông minh hơn, an toàn hơn và dễ tiếp cận hơn. Việc chứng minh thành công mô hình kết hợp EEG và thị giác máy tính cho thấy tiềm năng to lớn của phương pháp tích hợp đa cảm biến. Trong tương lai, các thuật toán học máy và mạng neural sẽ tiếp tục được cải tiến. Các mô hình học sâu cho robot phức tạp hơn, như mạng nơ-ron tích chập (CNN) hay mạng nơ-ron hồi quy (RNN), có thể được áp dụng để phân tích tín hiệu EEG và hình ảnh một cách tinh vi hơn, giúp nhận dạng nhiều loại ý định phức tạp hơn là chỉ 5 lệnh cơ bản. Hướng phát triển không chỉ dừng lại ở xe lăn. Nền tảng giao diện não-máy tính này có thể được mở rộng để điều khiển các thiết bị khác trong nhà thông minh, cánh tay robot hỗ trợ, hoặc thậm chí là các hệ thống giao tiếp cho người mất khả năng nói. Tương lai của lĩnh vực này hứa hẹn sẽ mang lại những giải pháp đột phá, phá vỡ các rào cản và trả lại sự độc lập cho hàng triệu người trên khắp thế giới.
6.1. Tổng kết những đóng góp đột phá và giá trị khoa học của luận án
Công trình nghiên cứu này đã có những đóng góp quan trọng. Thứ nhất, nó đã xây dựng thành công một mô hình hoàn chỉnh để điều khiển xe lăn bằng giao diện não-máy tính. Thứ hai, luận án đã đề xuất một phương pháp tiền xử lý tín hiệu hiệu quả bằng cách kết hợp HHT và gom cụm dữ liệu, nâng cao hiệu suất của mạng neural. Thứ ba, và cũng là điểm đột phá nhất, là việc tích hợp thành công thị giác máy tính để tăng cường độ chính xác và an toàn cho hệ thống. Những kết quả này không chỉ có giá trị về mặt khoa học mà còn là tiền đề vững chắc cho các nghiên cứu ứng dụng tiếp theo.
6.2. Hướng phát triển cho xe lăn thông minh và các ứng dụng BCI khác
Hướng phát triển trong tương lai là rất rộng mở. Đối với xe lăn, có thể tích hợp thêm các cảm biến môi trường (như Lidar, sonar) để xe có khả năng tự động tránh vật cản, kết hợp với lệnh từ BCI để tạo ra một chiếc xe lăn tự hành bán tự động. Ngoài ra, hệ thống nhúng và IoT có thể được ứng dụng để kết nối xe lăn với các thiết bị thông minh khác. Vượt ra ngoài phạm vi xe lăn, công nghệ BCI này có thể được áp dụng trong y sinh để chẩn đoán sớm các bệnh lý thần kinh, trong giáo dục để theo dõi sự tập trung của học viên, hoặc trong lĩnh vực giải trí để tạo ra các trò chơi điều khiển bằng ý nghĩ.
