Tổng quan nghiên cứu

Trong bối cảnh công nghệ phát triển mạnh mẽ, hệ thống nhà thông minh đã trở thành giải pháp nâng cao tiện nghi đời sống. Tuy nhiên, các phương thức tương tác phổ biến như giọng nói, ứng dụng di động hay cử chỉ hoàn toàn không khả dụng đối với những người bị liệt tứ chi, tổn thương tủy sống hoặc mất khả năng vận động toàn thân sau tai biến. Thống kê y tế cho thấy trên toàn cầu có hàng triệu người suy giảm nghiêm trọng chức năng vận động và giao tiếp, khiến nhu cầu ứng dụng giao tiếp Não - Máy trở nên vô cùng cấp thiết. Nghiên cứu của học viên Lưu Văn Toàn dưới sự hướng dẫn của Tiến sĩ Nguyễn Phương Huy tại Trường Đại học Kỹ thuật Công nghiệp - Đại học Thái Nguyên vào năm 2020 đã giải quyết trực tiếp thách thức này thông qua đề tài điều khiển thiết bị trong nhà thông minh bằng sóng điện não.

Mục tiêu trọng tâm của luận văn là xây dựng mô hình thu nhận, xử lý và giải mã tín hiệu điện não không xâm lấn trong dải tần số sinh lý từ 0,5 Hz đến 70 Hz để chuyển hóa thành các lệnh điều khiển thiết bị thực tế. Sử dụng thiết bị thu nhận tín hiệu chuyên dụng với 14 điện cực đo, nghiên cứu tập trung nhận dạng các dạng sóng đặc trưng sinh lý có thời gian phát xung từ 10 ms đến 250 ms. Ý nghĩa khoa học và thực tiễn của công trình thể hiện ở việc thiết lập quy trình nhận dạng hoàn chỉnh với độ chính xác đạt trên 88%, giảm thiểu tối đa độ trễ thực thi chỉ còn dưới 2 giây. Đây là tiền đề kỹ thuật vững chắc để hiện thực hóa các giải pháp nhà thông minh hỗ trợ người khuyết tật tái hòa nhập và tự chủ sinh hoạt thường nhật.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng nền tảng lý thuyết điện sinh lý não bộ, xác định hoạt động điện từ các tế bào thần kinh vỏ não thông qua 4 dạng sóng cơ bản: sóng Alpha (tần số 8-13 Hz, biên độ khoảng 30-50 microvolt), sóng Beta (tần số 13-35 Hz, biên độ dưới 30 microvolt), sóng Theta (tần số 4-8 Hz) và sóng Delta (tần số 0,5-4 Hz). Về mặt xử lý tín hiệu, khung lý thuyết phân tích đa phân giải dựa trên biến đổi Wavelet rời rạc họ Daubechies được triển khai để phân tách các dải tần số từ 0 Hz đến 64 Hz thành các thành phần chi tiết và xấp xỉ, khắc phục triệt để hạn chế của biến đổi Fourier truyền thống trên tín hiệu phi dừng.

Bên cạnh đó, lý thuyết phân tích thành phần chính được áp dụng để giảm số chiều không gian đặc trưng từ ma trận hiệp phương sai ban đầu về các vector riêng tương ứng với các giá trị riêng lớn nhất. Mô hình phân lớp sử dụng mạng nơ-ron Perceptron đa lớp truyền thẳng với giải thuật huấn luyện lan truyền ngược sai số. Cấu trúc mạng được tối ưu hóa nhằm cực tiểu hóa hàm sai số trung bình bình phương, cho phép thiết lập ranh giới phân lớp phi tuyến chính xác giữa các trạng thái suy nghĩ khác nhau của người dùng.

Phương pháp nghiên cứu

Nghiên cứu kết hợp chặt chẽ giữa phương pháp mô hình hóa lý thuyết và thực nghiệm hệ thống. Dữ liệu sóng điện não được thu thập trực tiếp bằng thiết bị Emotiv Epoc+ trang bị 14 kênh đo và 2 kênh tham chiếu được định vị chuẩn xác theo hệ thống quốc tế 10-20. Trở kháng tiếp xúc giữa da đầu và điện cực luôn được kiểm soát nghiêm ngặt ở mức dưới 5 kOhm với tần số lấy mẫu tín hiệu đạt 128 Hz. Mẫu thực nghiệm được thực hiện trên 5 đối tượng tình nguyện viên trong độ tuổi từ 22 đến 35 tuổi với hơn 200 lượt ghi nhận tín hiệu độc lập cho từng kịch bản điều khiển.

Lý do lựa chọn chuỗi phương pháp xử lý tín hiệu kết hợp phân tích thành phần chính và mạng nơ-ron bắt nguồn từ đặc tính tín hiệu điện não có tỷ số tín hiệu trên nhiễu thấp và số lượng mẫu lớn. Khi một chu kỳ lấy mẫu 30 giây với 32 kênh có thể tạo ra tới 96.000 mẫu dữ liệu, việc trích xuất đặc trưng đa phân giải và rút gọn chiều dữ liệu là bắt buộc để đảm bảo tốc độ suy luận của mạng nơ-ron đạt mức thời gian thực. Toàn bộ quá trình nghiên cứu, xây dựng thuật toán, thiết kế mạch phần cứng ghép nối và đánh giá thực nghiệm được triển khai đồng bộ trong giai đoạn 2019-2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã mang lại 4 kết quả kỹ thuật nổi bật:

Thứ nhất, thuật toán biến đổi Wavelet rời rạc với họ Wavelet Daubechies bậc 4 đã phân tách thành công tín hiệu điện não thô thành các dải tần số chức năng rõ rệt, triệt tiêu hiệu quả các xung nhiễu cơ học và nhiễu lưới điện 50 Hz, giúp nâng tỷ số tín hiệu trên nhiễu lên thêm 35% so với tín hiệu ban đầu.

Thứ hai, phương pháp phân tích thành phần chính đã rút gọn thành công kích thước vector đặc trưng từ hơn 120 chiều xuống còn 12 thành phần chính tiêu biểu. Việc giảm hơn 85% số chiều dữ liệu nhưng vẫn giữ lại trên 92% thông tin phương sai tổng thể đã giúp tốc độ tính toán của hệ thống tăng gấp 4 lần và giảm 70% thời gian huấn luyện mạng nơ-ron.

Thứ ba, mô hình mạng Perceptron đa lớp sau khi huấn luyện qua 500 epoch với hệ số học 0,05 đã đạt độ chính xác phân loại trung bình 89,25% cho 4 lệnh điều khiển độc lập gồm: Bật đèn (đạt 91,5%), Tắt đèn (đạt 89,2%), Bật Tivi (đạt 87,8%) và Tắt Tivi (đạt 88,5%).

Thứ tư, thời gian đáp ứng toàn trình của hệ thống từ khi người dùng hình thành suy nghĩ đến khi thiết bị chấp hành thực hiện lệnh chỉ mất từ 1,2 đến 1,8 giây, đảm bảo khả năng phản hồi tức thời trong môi trường nhà ở thông minh.

Thảo luận kết quả

Hiệu năng vượt trội của hệ thống xuất phát từ sự tương thích hoàn hảo giữa kỹ thuật trích xuất đặc trưng thời gian - tần số và mô hình phân loại nơ-ron. So với các nghiên cứu quốc tế trước đây sử dụng thuật toán phân lớp theo khoảng cách Euclides hoặc Support Vector Machine vốn đòi hỏi tài nguyên bộ nhớ lớn và tốc độ phân lớp chậm hơn 2,5 giây, cấu trúc mạng nơ-ron Perceptron đa lớp trong luận văn này cho thấy sự tối ưu hóa rõ rệt về tài nguyên tính toán và tính linh hoạt trong triển khai nhúng.

Dữ liệu phân loại thực nghiệm có thể được biểu diễn trực quan qua ma trận nhầm lẫn 4x4, thể hiện rõ tỷ lệ nhận diện đúng vượt trội và mức độ giao thoa rất thấp giữa các trạng thái điều khiển. Bên cạnh đó, đồ thị hàm sai số trung bình bình phương theo số vòng lặp huấn luyện minh chứng cho tốc độ hội tụ nhanh của thuật toán lan truyền ngược, không xuất hiện hiện tượng quá khớp nhờ việc lựa chọn số lượng nơ-ron lớp ẩn hợp lý từ 10 đến 15 nơ-ron. Kết quả này khẳng định tính khả thi của việc thương mại hóa giải pháp điều khiển thiết bị không dây qua sóng não trong thực tế.

Đề xuất và khuyến nghị

Nhằm nâng cao hiệu quả và khả năng ứng dụng thực tế của hệ thống điều khiển nhà thông minh bằng sóng điện não, 4 khuyến nghị then chốt được đề xuất:

  1. Triển khai tích hợp thuật toán phân tích thành phần độc lập kết hợp bộ lọc thích nghi để loại bỏ 98% nhiễu chớp mắt và nhiễu cử động cơ mặt. Giải pháp này cần được các nhóm nghiên cứu kỹ thuật y sinh thực hiện trong khung thời gian từ 6 đến 12 tháng nhằm nâng cao độ chính xác khi người dùng cử động tự nhiên.

  2. Mở rộng tập lệnh nhận dạng từ 4 lệnh cơ bản lên 10-12 lệnh chức năng chuyên sâu, bao gồm điều chỉnh nhiệt độ điều hòa không khí, đóng mở rèm cửa tự động và kích hoạt hệ thống báo động khẩn cấp. Mục tiêu đặt ra là duy trì tỷ lệ nhận dạng chính xác trên 90% cho toàn bộ tập lệnh, do các kỹ sư phần mềm hệ thống thực hiện trong vòng 1 năm.

  3. Thiết kế bo mạch vi xử lý nhúng chuyên dụng ứng dụng vi điều khiển kiến trúc ARM hoặc chip xử lý tín hiệu số DSP tích hợp mô hình trí tuệ nhân tạo biên. Giải pháp này giúp cắt giảm độ trễ phản hồi xuống dưới 0,5 giây, giảm giá thành thiết bị phần cứng xuống dưới 10 triệu đồng, do các doanh nghiệp công nghệ phần cứng phối hợp triển khai trong 18 tháng.

  4. Xây dựng quy trình cân chỉnh tự động cá nhân hóa người dùng qua phần mềm định cấu hình thông minh, rút ngắn thời gian chuẩn độ điện cực và huấn luyện thích nghi xuống dưới 5 phút trước mỗi phiên sử dụng.

Đối tượng nên tham khảo luận văn

Tài liệu luận văn là nguồn tài liệu học thuật và ứng dụng giá trị cho 4 nhóm đối tượng chính:

  • Học viên cao học và nghiên cứu sinh ngành Kỹ thuật Điện tử, Tự động hóa và Kỹ thuật Y sinh: Cung cấp tài liệu tham khảo chuyên sâu về quy trình xử lý tín hiệu điện sinh lý, thuật toán biến đổi Wavelet rời rạc, kỹ thuật giảm chiều dữ liệu và mô hình mạng nơ-ron nhân tạo ứng dụng trong nhận dạng mẫu.

  • Kỹ sư phát triển hệ thống Nhà thông minh và Thiết bị IoT: Nắm bắt kiến trúc kết nối phần cứng từ bộ thu nhận tín hiệu trung tâm đến các module chấp hành như mạch đóng ngắt rơ-le và mạch phát hồng ngoại điều khiển thiết bị gia dụng.

  • Bác sĩ chuyên khoa phục hồi chức năng và chuyên gia công nghệ trợ cấp: Tìm kiếm các giải pháp công nghệ hỗ trợ bệnh nhân tai biến mạch máu não, chấn thương tủy sống hoặc thoái hóa thần kinh cơ phục hồi khả năng tương tác với môi trường xung quanh.

  • Doanh nghiệp công nghệ phát triển thiết bị y tế và giao diện người - máy: Tham khảo cơ sở thực nghiệm để thiết kế, tối ưu hóa chi phí sản xuất và thương mại hóa các dòng sản phẩm mũ đọc sóng não phục vụ đời sống.

Câu hỏi thường gặp

Hệ thống thu nhận sóng điện não từ người dùng thông qua cơ chế nào?

Hệ thống sử dụng mũ thu nhận tín hiệu Emotiv Epoc+ với 14 điện cực bố trí theo tiêu chuẩn quốc tế 10-20 đặt tiếp xúc trên bề mặt da đầu. Các điện cực này ghi nhận sự biến thiên điện thế rất nhỏ của các tế bào thần kinh vỏ não trong dải tần 0,5-70 Hz, sau đó truyền tín hiệu về bộ tiền xử lý qua kết nối không dây.

Biến đổi Wavelet rời rạc có ưu điểm gì so với biến đổi Fourier trong xử lý sóng điện não?

Biến đổi Fourier chỉ cung cấp thông tin trên miền tần số mà mất đi yếu tố thời gian, không thích hợp cho tín hiệu phi dừng như sóng điện não. Biến đổi Wavelet rời rạc cho phép phân tích đa phân giải đồng thời trên cả miền thời gian và tần số, giúp trích xuất chính xác 5 dải sóng não cơ bản mà không làm mất thông tin tức thời.

Thuật toán phân tích thành phần chính đóng vai trò gì trong mô hình nhận dạng?

Tín hiệu điện não đa kênh tạo ra lượng dữ liệu rất lớn với hàng trăm điểm đặc trưng. Thuật toán này tìm ra các trục phương sai biến thiên lớn nhất để cô đọng vector đặc trưng về khoảng 10-15 chiều, giúp loại bỏ các thông tin dư thừa, giảm 70% thời gian huấn luyện và nâng cao tốc độ suy luận của mạng nơ-ron.

Mũ thu sóng não Emotiv Epoc+ có gây ảnh hưởng tiêu cực đến sức khỏe người sử dụng không?

Thiết bị hoạt động theo nguyên lý đo điện thế thụ động hoàn toàn không xâm lấn, không phát ra bất kỳ tia bức xạ hay xung điện nào vào cơ thể người. Trở kháng tiếp xúc được duy trì an toàn dưới 5 kOhm bằng dung dịch muối sinh lý chuyên dụng, đảm bảo an toàn tuyệt đối cho người dùng trong suốt quá trình vận hành liên tục.

Hệ thống có khả năng mở rộng để điều khiển các thiết bị khác ngoài đèn và tivi không?

Kiến trúc phần mềm và phần cứng được thiết kế theo dạng module hóa mở. Sau khi nhận dạng chính xác lệnh suy nghĩ, bộ điều khiển trung tâm có thể gửi tín hiệu điều khiển tới bất kỳ thiết bị chấp hành nào trong gia đình như quạt thông gió, máy điều hòa, rèm cửa hoặc xe lăn điện thông qua giao thức truyền thông không dây.

Kết luận

  • Luận văn đã thiết kế và thử nghiệm thành công hệ thống điều khiển thiết bị nhà thông minh bằng sóng điện não thông qua giao diện Não - Máy không xâm lấn.
  • Xây dựng hoàn chỉnh chuỗi xử lý tín hiệu kết hợp biến đổi Wavelet rời rạc Daubechies, phân tích thành phần chính và mạng nơ-ron Perceptron đa lớp với thuật toán lan truyền ngược.
  • Đạt tỷ lệ nhận dạng lệnh suy nghĩ chính xác trung bình 89,25% với thời gian trễ thực thi nhanh dưới 1,8 giây trên các thiết bị thực tế gồm đèn chiếu sáng và tivi.
  • Đóng góp giải pháp công nghệ nhân văn, mở ra tiềm năng nâng cao chất lượng cuộc sống và khả năng tự chủ sinh hoạt cho người khuyết tật vận động toàn thân.
  • Định hướng nâng cấp phần cứng chuyên dụng độc lập và mở rộng tập lệnh đa chức năng trong lộ trình nghiên cứu tiếp theo từ 12 đến 24 tháng tới.

Hãy liên hệ ngay với tác giả hoặc Trung tâm Học liệu và Công nghệ thông tin - Đại học Thái Nguyên để tiếp cận toàn văn công trình nghiên cứu và trao đổi các cơ hội hợp tác phát triển công nghệ giao diện Não - Máy.