Luận văn Thạc sĩ Kỹ thuật: thuật toán mạng nơ ron cho đánh giá hoạt động

Luận văn thạc sĩ thuật toán mạng nơ ron cho đánh giá hoạt động suy nghĩ dùng kỹ thuật điện não phục vụ nghiên cứu học thuật hiệu quả

• Tác giả: Trương Ngọc Hà
• Người hướng dẫn: TS. Nguyễn Thanh Hải
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Thuật Toán Mạng Nơron Cho Đánh Giá Hoạt Động Suy Nghĩ Dùng Kỹ Thuật Điện Não
• Loại tài liệu: Luận văn Thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: Thành Phố Hồ Chí Minh

Tóm tắt

I. Giới thiệu về Thuật toán Mạng Nơron cho Đánh giá Hoạt động Suy nghĩ

Thuật toán mạng nơron là một công nghệ tiên tiến trong lĩnh vực xử lý tín hiệu não và đánh giá hoạt động suy nghĩ. Luận văn ThS này tập trung vào việc ứng dụng mạng nơron nhân tạo để phân tích và đánh giá các hoạt động tư duy của con người thông qua kỹ thuật điện não đồ (EEG). Nghiên cứu này có ý nghĩa quan trọng trong việc hỗ trợ những người bị liệt hoặc các rối loạn về vận động thần kinh. Bằng cách sử dụng các phương pháp trích đặc trưng và phân loại dữ liệu, ta có thể hiểu rõ hơn về các quy trình tư duy của con người và phát triển các ứng dụng công nghệ hỗ trợ sức khỏe.

1.1. Định nghĩa và Tầm quan trọng của Đánh giá Hoạt động Suy nghĩ

Đánh giá hoạt động suy nghĩ là quá trình phân tích các tín hiệu điện từ não bộ để xác định các trạng thái tư duy khác nhau. Tầm quan trọng của nó nằm ở khả năng ứng dụng trong y tế, đặc biệt là trong phục hồi chức năng cho bệnh nhân bị tổn thương thần kinh. Thông qua mạng nơron nhân tạo, chúng ta có thể xây dựng các hệ thống tương tác não-máy tính (BCI) giúp cải thiện chất lượng sống của bệnh nhân.

1.2. Ứng dụng của Mạng Nơron trong Phân tích Tín hiệu EEG

Mạng nơron được sử dụng để phân loại và xử lý tín hiệu EEG một cách hiệu quả. Các phương pháp trích đặc trưng như CSP, PSD, và PCA kết hợp với mạng lan truyền ngược tạo nên một hệ thống mạnh mẽ trong đánh giá hoạt động tư duy. Điều này cho phép các nhà nghiên cứu phát hiện và phân tích các mô hình tư duy phức tạp từ dữ liệu não bộ.

II. Cơ sở Lý thuyết về Não Bộ và Kỹ thuật Điện Não Đồ EEG

Não bộ người là một hệ thống phức tạp với nhiều vùng chức năng khác nhau, mỗi vùng chịu trách nhiệm cho các hoạt động cụ thể. Kỹ thuật điện não đồ (EEG) là phương pháp đo lường các hoạt động điện của não bộ qua các điện cực đặt trên da đầu. Phương pháp này không xâm lấn, an toàn và có độ phân giải thời gian cao, làm nó trở thành công cụ lý tưởng cho công nghệ giao tiếp não-máy tính. Tín hiệu EEG chứa thông tin phong phú về các trạng thái tư duy, cảm xúc và hoạt động thần kinh của con người.

2.1. Các Vùng Chức năng của Não và Hoạt động Điện

Não bộ được chia thành nhiều vùng có chức năng khác nhau: vùng trán liên quan đến quyết định và điều khiển vận động, vùng chẩu xử lý thông tin cảm giác, vùng thùy liên quan đến thị giác, và vùng thái dương xử lý âm thanh. Các hoạt động tư duy khác nhau tạo ra các mô hình hoạt động điện riêng biệt có thể phát hiện được thông qua EEG.

2.2. Nguyên tắc Hoạt động của Điện Não Đồ EEG

EEG hoạt động dựa trên nguyên tắc đo lường điện thế được tạo ra bởi hoạt động của các nơron não. Khi các nơron hoạt động, chúng tạo ra dòng điện nhỏ có thể được phát hiện bởi các điện cực. Các tín hiệu EEG được ghi lại thường có biên độ từ 10-100 microvolts và tần số từ 0.5-100 Hz, cung cấp thông tin quý báu về trạng thái não bộ.

III. Phương pháp Xử lý Tín hiệu và Trích Đặc trưng

Xử lý tín hiệu EEG là bước quan trọng để chuẩn bị dữ liệu cho các thuật toán mạng nơron. Quá trình này bao gồm tiền xử lý để loại bỏ nhiễu và trích đặc trưng để tìm ra những đặc điểm quan trọng nhất. Các phương pháp tiền xử lý như lọc tần số và lọc không gian giúp cải thiện chất lượng tín hiệu EEG. Sau đó, các kỹ thuật trích đặc trưng như CSP (Common Spatial Pattern), PSD (Power Spectral Density), và PCA (Principal Component Analysis) được áp dụng để rút trích những thông tin quan trọng nhất từ tín hiệu não. Những đặc trưng này được cấp đầu vào cho mạng nơron để huấn luyện và phân loại.

3.1. Tiền Xử lý Tín hiệu EEG

Tiền xử lý bao gồm loại bỏ nhiễu điện từ, nhiễu điện lưỡng cực từ cơ, và các tạo tác khác. Bộ lọc tần số loại bỏ các thành phần không liên quan để tập trung vào dải tần số mục tiêu. Bộ lọc không gian như Laplacian giúp cải thiện định vị được hoạt động não bằng cách giảm sự lan tỏa tín hiệu.

3.2. Các Phương pháp Trích Đặc trưng Chính

CSP là phương pháp tối ưu hóa để tìm ra các mẫu không gian phân biệt giữa các trạng thái tư duy. PSD tính toán phổ công suất của tín hiệu EEG trong các dải tần số khác nhau. PCA giảm chiều dữ liệu bằng cách giữ lại các thành phần phương sai cao nhất, giúp mạng nơron học tập hiệu quả hơn.

IV. Ứng dụng Mạng Nơron Nhân tạo trong Phân loại Dữ liệu Não

Mạng nơron nhân tạo, đặc biệt là mạng lan truyền ngược (Backpropagation), được sử dụng rộng rãi để phân loại dữ liệu tín hiệu não. Kiến trúc mạng được thiết kế với các lớp đầu vào, lớp ẩn, và lớp đầu ra để phân loại các trạng thái tư duy khác nhau. Huấn luyện mạng nơron bằng cách điều chỉnh trọng số để giảm thiểu lỗi phân loại. Kết quả từ luận văn này cho thấy mạng nơron có thể đạt độ chính xác cao trong việc phân loại các hoạt động tư duy như tưởng tượng chuyển động tay trái, tay phải, chân, hoặc lưỡi. Ứng dụng này mở ra những khả năng to lớn cho công nghệ BCI giúp con người giao tiếp với máy tính thông qua ý nghĩ.

4.1. Kiến trúc Mạng Lan truyền Ngược

Mạng lan truyền ngược bao gồm lớp đầu vào nhận các đặc trưng từ tín hiệu EEG, lớp ẩn với các nơron xử lý thông tin, và lớp đầu ra phân loại các trạng thái tư duy. Hàm kích hoạt như sigmoid hoặc ReLU được sử dụng để giới thiệu phi tuyến tính. Thuật toán huấn luyện như gradient descent giúp tối ưu hóa trọng số mạng.

4.2. Kết quả và Hiệu suất Phân loại

Mạng nơron huấn luyện trên dữ liệu EEG từ các tình nguyện viên cho thấy độ chính xác phân loại từ 70-95% tùy theo phương pháp trích đặc trưng được sử dụng. Kết hợp CSP với mạng nơron thường cho kết quả tốt nhất. Những kết quả này chứng minh khả năng ứng dụng thực tế của mạng nơron trong đánh giá hoạt động suy nghĩ cho các hệ thống BCI tiên tiến.

Nội dung chính

Tổng quan nghiên cứu

Bộ não con người sở hữu cấu trúc tinh vi với khoảng 100 tỷ tế bào thần kinh liên kết thành mạng lưới phức tạp để điều khiển toàn bộ hành vi vận động và nhận thức. Tuy nhiên, theo ước tính y tế, hàng triệu người trên thế giới và tại Việt Nam đang phải đối mặt với các tổn thương vận động nghiêm trọng do tai biến, chấn thương tủy sống hoặc bại não, khiến họ mất hoàn toàn khả năng cử động cơ thể. Nhằm mở ra cánh cửa giao tiếp mới cho những đối tượng này, hướng nghiên cứu giao diện não - máy tính thông qua kỹ thuật điện não đồ không xâm nhập đã trở thành tâm điểm của kỹ thuật y sinh hiện đại.

Vấn đề cốt lõi mà đề tài tập trung giải quyết là xây dựng chuỗi thuật toán xử lý và phân loại tín hiệu điện não từ hoạt động tưởng tượng vận động của con người, vốn có biên độ cực nhỏ chỉ từ 5 đến 50 microvolt và tỷ số tín hiệu trên nhiễu rất thấp. Mục tiêu cụ thể của luận văn bao gồm: thu thập dữ liệu điện não chuẩn xác từ hệ thống đo chuyên dụng 24-bit, thiết lập các bộ lọc không gian và tần số tối ưu, trích xuất các vector đặc trưng phân biệt và ứng dụng mạng nơ-ron nhân tạo với giải thuật lan truyền ngược để nhận dạng chính xác 3 trạng thái: tưởng tượng cử động tay trái, tưởng tượng cử động tay phải và trạng thái nghỉ ngơi.

Nghiên cứu được triển khai thực nghiệm trên 3 đối tượng tại phòng thí nghiệm Kỹ thuật Y sinh thuộc Đại học Quốc Tế - Đại học Quốc gia Thành phố Hồ Chí Minh trong giai đoạn 24 tháng. Dữ liệu thu thập đồng thời trên 10 kênh đo tại vùng vỏ não vận động và tiền vận động với tần số lấy mẫu 512 Hz. Kết quả của luận văn mang ý nghĩa khoa học và thực tiễn sâu sắc khi cung cấp một giải pháp xử lý tín hiệu toàn diện, cho phép rút giảm hơn 80% kích thước dữ liệu đặc trưng mà vẫn đảm bảo độ tin cậy phân loại, tạo nền tảng thuật toán vững chắc cho các hệ thống điều khiển xe lăn thông minh và cánh tay robot trợ lực trong tương lai.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa của 3 nền tảng lý thuyết chuyên sâu: sinh lý học thần kinh não bộ, lý thuyết xử lý tín hiệu số và lý thuyết mạng thần kinh nhân tạo.

Về mặt điện sinh lý học thần kinh, vỏ não người được chia thành các thùy chức năng riêng biệt, trong đó thùy đỉnh và vùng tiền vận động đóng vai trò chỉ huy các hoạt động thể chất. Khi con người thực hiện hoặc tưởng tượng một hành vi vận động, hoạt động trao đổi ion giữa hàng triệu tế bào thần kinh sẽ dẫn đến sự biến đổi điện thế bề mặt da đầu, đặc biệt thể hiện rõ ở 2 dải tần số đặc trưng: nhịp Mu (dao động từ 8 đến 13 Hz) và nhịp Beta (dao động từ 13 đến 30 Hz). Hiện tượng giảm công suất sóng não (giải đồng bộ hóa theo sự kiện) hoặc tăng công suất sóng não (đồng bộ hóa theo sự kiện) tại vùng vỏ não vận động đối bên chính là chìa khóa lý thuyết để phân biệt ý định cử động tay trái hay tay phải.

Về mặt xử lý tín hiệu và học máy, luận văn vận dụng lý thuyết lọc không gian chung (Common Spatial Pattern), lý thuyết phân tích mật độ phổ công suất (Power Spectral Density) thông qua biến đổi Fourier nhanh và phương pháp phân tích thành phần chính (Principal Component Analysis). Hệ thống phân loại sử dụng mô hình mạng nơ-ron truyền thẳng nhiều lớp với thuật toán lan truyền ngược (Backpropagation) dựa trên phương pháp suy giảm gradient và hàm kích hoạt Sigmoid, kết hợp cơ chế điều chỉnh tốc độ học thích nghi để tối ưu hóa hàm sai số năng lượng.

Các khái niệm chính yếu xuyên suốt bao gồm:

• Điện não đồ không xâm nhập: Kỹ thuật ghi nhận biến thiên hiệu điện thế từ da đầu thông qua các điện cực kim loại.
• Vận động tưởng tượng: Quá trình kích hoạt vỏ não vận động bằng suy nghĩ tập trung mà không phát sinh co cơ thực tế.
• Bộ lọc không gian: Phép biến đổi tuyến tính kết hợp tín hiệu từ nhiều điện cực nhằm triệt tiêu nhiễu môi trường và nâng cao độ tương phản không gian.
• Vector đặc trưng: Tập hợp các giá trị số học đại diện duy nhất cho từng trạng thái nhận thức của não bộ.

Phương pháp nghiên cứu

Nghiên cứu áp dụng quy trình thực nghiệm nghiêm ngặt kết hợp mô phỏng số học với các thông số cụ thể:

• Cỡ mẫu và đối tượng: Nghiên cứu tiến hành thu thập dữ liệu trên 3 đối tượng khỏe mạnh trong độ tuổi thanh niên. Mỗi đối tượng tham gia thực hiện 200 lượt đo phân bổ trong nhiều ngày thí nghiệm, tạo nên bộ dữ liệu thực nghiệm gồm 600 mẫu tín hiệu đa kênh hoàn chỉnh.
• Phương pháp chọn mẫu: Áp dụng phương pháp chọn mẫu có chủ đích kết hợp quy trình giao thức chuẩn hóa. Đối tượng được yêu cầu ngồi cố định trong không gian yên tĩnh, đặt 2 tay trên bàn thí nghiệm, thực hiện chu kỳ gồm 4 giây thả lỏng nghỉ ngơi và 4 giây tập trung cao độ để tưởng tượng nâng toàn bộ cánh tay trái hoặc tay phải lên cao.
• Nguồn dữ liệu và thiết bị đo: Tín hiệu được thu thập trực tiếp từ hệ thống máy đo ActiveTwo của hãng Biosemi (Hà Lan) với bộ chuyển đổi tương tự - số độ phân giải 24-bit. Mạng lưới 10 điện cực được định vị chính xác tại các vị trí FC3, FC4, C1, C2, C3, C4, C5, C6, CP3, CP4 theo hệ thống tiêu chuẩn quốc tế, ghi nhận tín hiệu đồng thời ở tốc độ 512 mẫu trên giây.
• Lý do lựa chọn phương pháp phân tích: Tín hiệu sóng não thô chứa nhiều tạp âm sinh học và nhiễu lưới điện 50 Hz. Do đó, việc lựa chọn bộ lọc thông dải Butterworth bậc 4 trong khoảng 8 đến 30 Hz kết hợp với bộ lọc không gian trung bình chung (CAR) hoặc Small Laplacian (SL) là phương án tối ưu để cô lập dải tần nhịp Mu và Beta. Sự kết hợp giữa CSP, PSD và PCA giúp trích lọc triệt để các đặc tính phương sai không gian và năng lượng phổ trước khi đưa vào mạng nơ-ron nhiều lớp, giúp giải quyết triệt để bài toán phân loại phi tuyến phức tạp.
• Khung thời gian thực hiện: Toàn bộ quá trình từ tổng quan tài liệu, thiết kế giao thức đo, thu thập mẫu thực tế, lập trình thuật toán trên nền tảng Matlab đến đánh giá hiệu năng được hoàn thành trong vòng 24 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm và kiểm thử mô hình đã mang lại 3 phát hiện cốt lõi:

Thứ nhất, bộ lọc không gian trung bình chung (CAR) kết hợp với bộ lọc thông dải Butterworth bậc 4 (8 đến 30 Hz) chứng minh khả năng triệt tiêu nhiễu đồng pha vượt trội. Trên 10 kênh đo, bộ lọc CAR đã loại bỏ hầu hết các dao động nhiễu nền tác động đồng thời lên da đầu, làm nổi bật sự khác biệt về biên độ sóng não tại các điện cực trung tâm C3 và C4 giữa hai trạng thái tưởng tượng cử động tay trái và tay phải, vốn gần như không thể phân biệt bằng mắt thường trên đồ thị tín hiệu thô.

Thứ hai, phương pháp lọc không gian chung (CSP) trên 10 kênh đo đã trích xuất thành công 30 vector đặc trưng mang giá trị phương sai phân tách rõ rệt giữa 3 cặp trạng thái suy nghĩ. Khi thử nghiệm phương pháp CSP kết hợp bộ lọc Small Laplacian (SL) chỉ tập trung vào 2 kênh trung tâm C3 và C4, số lượng vector đặc trưng được tinh gọn mạnh mẽ từ 30 xuống chỉ còn 6 đặc trưng (giảm 80% kích thước dữ liệu đầu vào). Sự suy giảm số chiều này mang lại lợi thế lớn về tốc độ huấn luyện mô hình, dù một số giá trị đặc trưng của phương pháp SL có mức độ trùng lắp phương sai cao hơn so với CAR.

Thứ ba, phương pháp trích xuất mật độ phổ công suất (PSD) chia nhỏ dải tần 8 đến 30 Hz thành 11 băng thông con (mỗi băng rộng 2 Hz) trên 10 kênh đo đã tạo ra 110 vector đặc trưng phổ. Khi tích hợp thuật toán phân tích thành phần chính (PCA) để nén dữ liệu từ không gian 110 chiều xuống các thành phần trực giao cốt lõi, mô hình vẫn lưu giữ được hơn 85% tổng phương sai dữ liệu gốc, giúp mạng nơ-ron hội tụ nhanh hơn khoảng 3 đến 4 lần so với việc sử dụng toàn bộ 110 đặc trưng thô.

Thảo luận kết quả

Các kết quả thực nghiệm có thể được hệ thống hóa và trực quan hóa sinh động thông qua các dạng bảng biểu và đồ thị kỹ thuật:

• Biểu đồ đáp ứng tần số biên độ của bộ lọc thông dải Butterworth bậc 4 thể hiện độ dốc cắt sắc nét ngoài dải 8 đến 30 Hz, chứng minh khả năng triệt tiêu hoàn toàn nhiễu tần số thấp dưới 8 Hz và nhiễu cơ học trên 30 Hz.
• Đồ thị dạng sóng thời gian của điện cực C3 trước và sau khi qua ma trận ánh xạ CSP thể hiện rõ sự phân tách biên độ điện áp lên tới trên 200 microvolt giữa hai trạng thái suy nghĩ vận động trái và phải.
• Bảng ma trận đặc trưng thống kê ghi nhận chi tiết giá trị trung bình và độ lệch phương sai của các vector đặc trưng từ F1 đến F30, cung cấp bằng chứng định lượng rõ ràng về khoảng cách phân lớp dữ liệu.

Nguyên nhân dẫn đến sự khác biệt về hiệu quả giữa các phương pháp bắt nguồn từ đặc tính phân bố không gian của tín hiệu điện não. Bộ lọc CAR tận dụng toàn bộ thông tin từ 10 kênh trên diện rộng của vùng vỏ não vận động nên bảo toàn được sự tương phản tổng thể, trong khi bộ lọc SL chỉ xét 4 điểm đo lân cận cách nhau khoảng 3 cm nên nhạy cảm hơn với vị trí đặt điện cực cục bộ.

So sánh với các nghiên cứu BCI quốc tế sử dụng hệ thống đo đắt tiền, phương pháp tiếp cận trong luận văn này đã chứng minh rằng việc kết hợp khéo léo giữa tiền xử lý không gian và mạng nơ-ron lan truyền ngược có thể đạt được hiệu quả nhận dạng đáng tin cậy trên dữ liệu thực tế tại Việt Nam. Điều này khẳng định tiềm năng ứng dụng thực tiễn to lớn của các thuật toán trong việc đơn giản hóa phần cứng thu nhận sóng não.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đưa ra 4 khuyến nghị then chốt nhằm thúc đẩy tính ứng dụng của công nghệ giao diện não - máy tính:

1. Chuyển đổi và tối ưu hóa giải thuật từ xử lý ngoại tuyến (offline) sang xử lý trực tuyến thời gian thực (real-time). Mục tiêu là đạt thời gian trễ phản hồi dưới 100 mili-giây từ khi người dùng phát sinh ý nghĩ đến khi hệ thống đưa ra quyết định điều khiển, do các nhóm nghiên cứu kỹ thuật y sinh và hệ thống nhúng phối hợp thực hiện trong lộ trình 12 tháng.
2. Mở rộng quy mô cơ sở dữ liệu thử nghiệm từ 3 đối tượng lên tối thiểu 30 đến 50 tình nguyện viên thuộc nhiều nhóm tuổi và giới tính khác nhau. Việc này nhằm gia tăng tính tổng quát hóa cho trọng số mạng nơ-ron, hướng tới mục tiêu giảm tỷ lệ phân loại sai xuống dưới 5%, triển khai trong thời gian 6 tháng tại các phòng thí nghiệm đại học.
3. Ứng dụng các kiến trúc mạng học sâu hiện đại như mạng nơ-ron tích chập (CNN) kết hợp mạng hồi quy (LSTM) để tự động hóa hoàn toàn khâu rút trích đặc trưng không - thời gian. Giải pháp này giúp loại bỏ bước chọn lọc thủ công các dải băng thông 2 Hz, rút ngắn thời gian huấn luyện mô hình từ 20 phút xuống dưới 2 phút, do các kỹ sư trí tuệ nhân tạo đảm nhiệm trong 9 tháng.
4. Tích hợp phần mềm nhận dạng sóng não vào bộ vi điều khiển phần cứng của các thiết bị y tế thực tế, cụ thể là xe lăn điện tự hành và cánh tay giả robot. Đạt độ chính xác vận hành an toàn trên 95% trong môi trường sinh hoạt thực tế, thông qua dự án hợp tác thương mại hóa kéo dài 18 tháng giữa các doanh nghiệp sản xuất thiết bị y tế và các trung tâm phục hồi chức năng.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng chuyên môn:

1. Học viên cao học, nghiên cứu sinh và giảng viên chuyên ngành Kỹ thuật Điện tử, Xử lý tín hiệu và Kỹ thuật Y sinh: Khai thác toàn bộ cơ sở toán học của bộ lọc CAR, Small Laplacian, giải thuật CSP và phương pháp trích xuất mật độ phổ công suất PSD để làm tài liệu giảng dạy hoặc phát triển các đề tài nghiên cứu chuyên sâu về tín hiệu sinh thái học.
2. Kỹ sư nghiên cứu và phát triển (R&D) trong lĩnh vực Trí tuệ nhân tạo và Giao diện Người - Máy: Sử dụng mô hình mạng nơ-ron truyền thẳng với cơ chế học thích nghi làm khung tham chiếu để thiết kế các hệ thống nhận dạng mẫu phi tuyến tính từ chuỗi dữ liệu thời gian thực.
3. Bác sĩ chuyên khoa thần kinh và chuyên gia phục hồi chức năng: Tìm hiểu cơ chế phản ứng của nhịp sóng não Mu và Beta trong quá trình vận động tưởng tượng, từ đó xây dựng các phác đồ trị liệu kích thích thần kinh não bộ hiệu quả cho bệnh nhân sau đột quỵ hoặc chấn thương cột sống.
4. Doanh nghiệp khởi nghiệp và kỹ sư chế tạo thiết bị trợ năng: Tiếp cận quy trình kết nối phần cứng từ máy đo điện não đến máy tính xử lý trung tâm, làm nền tảng kỹ thuật để phát triển các sản phẩm công nghệ hỗ trợ người khuyết tật vận động điều khiển thiết bị gia dụng và phương tiện di chuyển.

Câu hỏi thường gặp

1. Kỹ thuật điện não đồ EEG có ưu điểm gì nổi bật so với các phương pháp chẩn đoán hình ảnh chức năng não bộ khác như fMRI hay NIRS?
   Phương pháp EEG sở hữu ưu thế vượt trội về độ phân giải thời gian cực nhanh với đáp ứng dưới 0,1 giây, cho phép ghi nhận tức thời các biến đổi điện thế não bộ. Bên cạnh đó, thiết bị EEG có chi phí đầu tư thấp hơn nhiều lần, thiết kế nhỏ gọn, không tạo môi trường từ trường cao nguy hiểm và cho phép người dùng cử động linh hoạt trong quá trình đo đạc.

2. Tại sao nghiên cứu lại tập trung phân tích dải tần số từ 8 đến 30 Hz trên vùng vỏ não vận động?
   Dải tần 8 đến 30 Hz chứa đựng 2 nhịp sóng quan trọng nhất gắn liền với chức năng vận động là nhịp Mu (8 đến 13 Hz) và nhịp Beta (13 đến 30 Hz). Khi phát sinh hoạt động tưởng tượng di chuyển tay, mật độ năng lượng tại 2 dải tần này trên vùng tiền vận động sẽ thay đổi rõ rệt do hiện tượng đồng bộ hoặc giải đồng bộ tế bào thần kinh, tạo nên tín hiệu đặc trưng tin cậy.

3. Sự khác biệt căn bản giữa bộ lọc không gian CAR và bộ lọc Small Laplacian là gì?
   Bộ lọc CAR thực hiện trừ điện áp của từng kênh cho giá trị trung bình cộng của toàn bộ 10 kênh đo, giúp loại bỏ triệt để nhiễu tác động đồng thời trên diện rộng. Ngược lại, bộ lọc Small Laplacian chỉ trừ điện áp của kênh trung tâm cho trung bình 4 kênh lân cận cách nhau khoảng 3 cm, giúp giảm 80% kích thước dữ liệu nhưng làm mất đi tương quan không gian toàn cục.

4. Phương pháp lọc không gian chung CSP hoạt động như thế nào trong phân loại sóng não?
   Thuật toán CSP thiết kế ma trận ánh xạ không gian tối ưu nhằm tối đa hóa tỷ số phương sai tín hiệu giữa hai trạng thái suy nghĩ khác nhau, đồng thời cực tiểu hóa phương sai của trạng thái đối lập. Dữ liệu sau khi chiếu qua ma trận ánh xạ sẽ tạo ra các vector đặc trưng có sự phân tách rõ rệt về mặt năng lượng, giúp bộ phân loại nơ-ron dễ dàng nhận diện chính xác.

5. Làm cách nào để khắc phục hiện tượng quá khớp (overfitting) khi huấn luyện mạng nơ-ron với dữ liệu điện não?
   Hiện tượng quá khớp được kiểm soát hiệu quả bằng cách áp dụng thuật toán phân tích thành phần chính PCA để giảm số chiều vector đặc trưng từ 110 chiều xuống các trục thông tin chủ đạo. Đồng thời, việc lựa chọn cấu trúc mạng chỉ gồm 1 lớp ẩn với số nơ-ron tối ưu theo phương pháp thử - sai và sử dụng hệ số học thích nghi giúp mạng duy trì khả năng tổng quát hóa cao trên tập dữ liệu kiểm thử.

Kết luận

• Luận văn đã xây dựng thành công quy trình thu thập và chuẩn hóa tín hiệu điện não 10 kênh chuyên dụng tại vùng vỏ não vận động bằng hệ thống ActiveTwo 24-bit với tốc độ lấy mẫu 512 Hz.
• Thiết lập và kiểm chứng hiệu quả các giải pháp tiền xử lý kết hợp giữa bộ lọc thông dãi Butterworth bậc 4 (8 đến 30 Hz) cùng các bộ lọc không gian CAR và Small Laplacian giúp triệt tiêu nhiễu môi trường và làm nổi bật tín hiệu vận động tưởng tượng.
• Triển khai so sánh toàn diện 3 phương pháp trích xuất đặc trưng gồm CSP trong miền thời gian, PSD chia 11 dải băng thông 2 Hz trong miền tần số và kỹ thuật giảm chiều dữ liệu trực giao PCA.
• Huấn luyện thành công mô hình mạng nơ-ron truyền thẳng lan truyền ngược nhiều lớp tích hợp hệ số học thích nghi, phân loại hiệu quả 3 trạng thái suy nghĩ của con người.
• Đóng góp một khung phương pháp luận hoàn chỉnh và khả thi cho sự phát triển của lĩnh vực giao diện não - máy tính (BCI) tại Việt Nam.

Đóng góp lớn nhất của công trình là chứng minh tính khả thi của việc giải mã suy nghĩ vận động giả định với tài nguyên tính toán tối ưu, mở đường cho việc ứng dụng công nghệ sóng não vào đời sống y tế. Trong lộ trình 12 đến 24 tháng tới, các bước phát triển tiếp theo cần tập trung chuyển đổi thuật toán sang xử lý trực tuyến thời gian thực và tích hợp trên vi xử lý nhúng điều khiển xe lăn thông minh. Các nhà nghiên cứu và kỹ sư quan tâm được khuyến khích tiếp tục khai thác các mô hình thuật toán trong công trình này để mở rộng các giải pháp công nghệ trợ năng phục vụ cộng đồng.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan: Chương này trình bày tổng quan về lĩnh vực nghiên cứu. Các nhiệm vụ, phạm vi và phương pháp nghiên cứu của đề tài. Chương 2: Cơ sở lý thuyết: Chương này sẽ trình bày các lý thuyết cần thiết phục vụ cho đề tài. Chương 3: Xử lý và phân loại tín hiệu não ngƣời dùng kỹ thuật EEG: Chương này trình bày các bước thu thập dữ liệu bằng máy Active Two và tiến hành thu dữ liệu các thí nghiệm tiến hành trong đề tài.Trong chương này cũng đưa ra các phương pháp cụ thể để tăng cường tín hiệu và rút trích ra các đặc trưng và phân loại suy nghĩ và sau cùng là sẽ tiến hành nhận dạng tín hiệu sóng não và đánh giá các kết quả đạt được.

Tổng Quan Chương 4: Kết luận và hƣớng phát triển của đề tài: Tóm tắt các kết quả nghiên cứu, những hạn chế của nghiên cứu để định hướng cho những nghiên cứu tiếp theo. Cơ Sở Lý Thuyết CHƢƠNG 2: CƠ SỞ LÝ THUYẾT Trong chương này sẽ trình bày toàn bộ cơ sở lý thuyết được sử dụng trong luận văn.1 TỔNG QUAN VỀ NÃO NGƢỜI VÀ CÁC VÙNG CHỨC NĂNG CỦA NÃO NGƢỜI Não người là một bộ phận quan trọng bậc nhất của cơ thể, là cơ quan trung ương của hệ thần kinh điều khiển mọi hoạt động của các cơ quan khác trong cơ thể. Theo [9], bộ não người gồm khoảng 1011 tế bào thần kinh, những tế bào thần kinh này kết nối với hàng ngàn tế bào thần kinh khác tạo thành một mạng lưới thần kinh. Thông qua các kết nối này mà các tế bào có thể giao tiếp với nhau và thông qua mạng thần kinh này mà con người có kiểm soát được các bộ phận của cơ thể.

Theo [10] não bộ gồm hai bán cầu trái và phải, là vùng rộng nhất có thể phân tích dữ liệu giác quan, thực hiện chức năng ghi nhớ, tìm hiểu thông tin, suy nghĩ và ra quyết định. Bán cầu não phải điều khiển nửa phần trái của cơ thể và bán cầu não trái phụ trách phần phải của cơ thể với các chức năng tương tự. Mỗi bán cầu não được chia ra thành bốn phần được gọi là thùy bao gồm thùy trán (frontal lobe), thùy đỉnh (parietal lobe), thùy thái dương (temporal lobe), thùy chẩm (occipital). Như trong hình 3.

Cơ Sở Lý Thuyết Hình 2. Các thùy của não (Nguồn: [11]) Mỗi thùy đóng một vai trò khác nhau. Thùy trán tương ứng với các chức năng như lập kế hoạch, giọng nói, di chuyển, cảm xúc và giải quyết vấn đề. Thùy đỉnh liên quan đến các chức năng: di chuyển, định hướng, nhận biết, phát hiện kích thích.

Thùy chẩm liên quan đến chức năng nhìn. Thùy thái dương liên quan đến tri giác và nhận biết âm thanh, trí nhớ và tiếng nói. Trong vùng thùy đỉnh có một phần rất đáng quan tâm đó là phần tiền điều khiển chuyển động như thể hiện trong hình 2.2 và rỏ hơn ở hình 2. Cơ Sở Lý Thuyết Hình 2.

Các chức năng trong vùng thùy đỉnh (Nguồn: [12]) Hình 2. Vị trí các chức năng trong vùng tiền vận động (Nguồn: [12]) Vùng này liên quan đến chức năng của nhiều bộ phận như: tay, chân, mặt,… như trong hình 2. Trong đề tài này, vùng điều khiển chuyển động này sẽ được tín hành thu dữ liệu dữ liệu.2 PHƢƠNG PHÁP THU THẬP TÍN HIỆU NÃO EEG 2.1 Tổng quan về các phƣơng pháp thu thập tín hiệu não Hiện tại, theo [2] có hai cách thu tín hiệu từ não là không thâm nhập (non- invasive) và thâm nhập (invasive) được sử dụng trong các nghiên cứu về BCI. Trong các phương pháp không xâm nhập (non-invasve) thì có MEG (Magnetoencephalopgraphy: phương pháp đo từ trường từ các hoạt động của não bằng một thiết bị đặt xung quanh đầu người), EEG (Electroencephalography: sử dụng các điện cực đặt tiếp xúc với da đầu để đo tín hiệu từ não), phương pháp fMRI (functional Magneti Resonance Imaging) và NIRS (Near Infrared Spectroscopy: đo sự thay đổi của nồng độ oxy trong máu của vỏ não).

Với phương pháp thâm nhập (invasive) thì có phương pháp ECoG (electrocorticography), phương pháp ME (Mocro-Electrode), phương pháp MEA (Micro-Electrode Array) và LFPs (Local Field Potentials) với các phương pháp này các điện cực đươc đặt ở bên trong (ở dưới lớp da đầu và tùy vào phương pháp mà độ thâm nhập nông sâu khác nhau).4 ở dưới đây một phần nào giải thích được một cách sơ lược của các phương pháp vừa nêu. Cơ Sở Lý Thuyết Hình 2. Độ chính xác về không gian và thời gian với các phƣơng pháp khác nhau trong các nghiên cứu về BCI (Nguồn: Gerven và cộng sự dẫn theo: [2]) Với hình 2.4 trên ta có thể thấy 4 phương pháp thâm nhập có thời gian xử lý (đáp ứng) khá nhanh (dưới 0.01 giây) và có 4 phương pháp không thâm nhập có thời gian đáp ứng chập hơn: EEG và MEG có thời gian đáp ứng dưới 0.1 giây còn NIRS và fMRI có thời gian đáp ứng trên 1 giây.2 Đo Tín Hiệu Dùng Phƣơng Pháp Điện Não Đồ EEG Điện não đồ (Electroencephalogram: EEG) là phương pháp đo sự thay đổi điện áp từ dòng chảy của các ion trong tế bào não của con người.5 sử dụng nón có gắn các điện cực để thu tín hiệu điện não theo phương pháp EEG. Đo tín hiệu điện não dùng phƣơng pháp EEG Điện áp trên não thay đổi được duy trì là nhờ hàng tỉ nơron trong não.

Nơron luôn trao đổi ion với môi trường ngoại bào. Quá trình trao đổi như vậy sẽ tạo ra điện áp. Khi dạng sóng của các ion đi đến các điện cực được gắn ở trên đầu thì nó sẽ đẩy hoặc hút các ion trên kim loại ở các đầu điện cực đó. Khi các ion trên điện cực bị hút hoặc đẩy thì sẽ tạo ra sự chênh lệch về điện áp.

Quá trình đo sự thay đổi điện áp đó theo thời gian là EEG. Phương pháp EEG cho phép chúng ta xác định được đặc tính tần số tín hiệu điện não. Theo [3], tín hiệu EEG được chia làm 5 loại: 9 2. Cơ Sở Lý Thuyết  Tần số Delta(δ): đây là tần số thấp nhất, nằm trong khoãng từ 1-4 Hz, nó có biên độ tương đối lớn và chỉ đo được khi các thanh thiếu niên chìm vào giấc ngủ sâu.

Sóng delta xuất hiện chủ yếu tại Fp1 và Fp2  Tần số Theta(θ): Nó nằm trong khoãng 4-7 Hz, được quan sát trong tình trạng người ngũ không sâu (hoặc buồn ngủ) ở những người trẻ tuổi. Sóng theta xuất hiện nhiều tại C3, C4.  Tần số Alpha(α): Nó nằm trong khoãng 8-12 Hz, ở vùng sau của đầu và khi người thí nghiệm trong tình trang nhắm mắt hoặc đang trong trạng thái thư giản. Sóng alpha tập trung nhiều tại O1 và O2.

 Tần số Mu(μ): Đó là các dao động nằm trong khoãng 8-13 Hz với biên độ từ 30 đến 50uV, đo được trong vùng vận động và cảm giác vận động của não. Biên độ của nó sẽ thay đổi khi thực hiện các cữ động.  Tần số Beta(β): Đây là tần số sóng não nằm trong khoãng 13-30 Hz với biên độ 5 đến 30uV. Nó xuất hiện trong trạng thái tỉnh táo, nó chỉ bị thay đổi khi có hoạt động di chuyển.

Sóng beta xuất hiện nhiều ở vùng đỉnh và thùy trán.  Tần số Gamma(γ): Đó là các tần số trên 30 Hz, đôi khi nó còn xuất hiện ở tần số lên đến 80 Hz hoặc100 Hz. Nó liên quan để các hoạt động nhận thức và các chức năng di chuyển. Tần số μ và β là các phần chính được phát ra từ vùng cảm giác vận động của vỏ não.

Nếu đối tượng thí nghiệm di chuyển thật sự thì cùng lúc đó (nhưng sau một thời gian ngắn) thì công suất của băng tần này sẽ tăng. Tương tự như vậy với vậy việc tưởng tưởng vận động thì công suất của tín hiệu vỏ nào ở vùng băng tần này cũng tăng tương tự. Ưu điểm của phương pháp EEG:  Giá thành thấp hơn các phương pháp khác 10 2. Cơ Sở Lý Thuyết  Thiết bị nhỏ gọn, vì vậy có thể đo được nhiều nơi khác nhau.

Trong khi các phương pháp khác như cộng hưởng từ, hồng ngoại gần có thiết bị rất to, cồng kềnh.  EEG có thể đo được những đối tượng đang di chuyển (cộng hưởng từ bắt buộc đối tượng phải cố định cho tới khi đo xong).  EEG không tạo ra môi trường từ trường cao nên người đo cũng như đối tượng được đo không làm việc trong môi trường từ trường cao (máy fMRI hoạt động với môi trường từ trường cao nên có thể gây ảnh hưởng đến sức khỏe con người) Nhược điểm của phương pháp EEG:  Các điện cực gắn trực tiếp lên da đầu để thu tín hiệu EEG. Bởi vì sự di chuyển của da đầu, chất sừng gây ngăn cách giữa điện cực và tín hiệu điện thực tế, do đó tín hiệu thu được sẽ chứa nhiễu.3 CÁC PHƢƠNG PHÁP XỬ LÝ TÍN HIỆU SÓNG NÃO EEG Các tín hiệu EEG thu được sẽ được xử lý một cách tuần tự từ tiền xử lý đến trích đặc trưng và sau cùng là phân loại dữ liệu và được phân tích chi tiết ở các phần dưới đây.1 Các phƣơng pháp tiền xử lý Các tín hiệu sóng não thường có tỷ số tín hiệu trên nhiễu rất nhỏ.

Do đó để có thể trích đặc trưng và phân loại được tốt, người ta thường sử dụng một vài biện pháp để tăng cường tỷ số tín hiệu trên nhiễu này. Các biện pháp đó hầu hết là sử dụng các bộ lọc tần số, bộ lọc không gian, ICA… sẽ được đề cập dưới đây.1 Bộ lọc tần số Các bộ lọc thông thấp, bộ lọc thông cao, bộ lọc thông dãi. Các loại bộ lọc này có thể loại bỏ hầu hết các tín hiễu không mong muốn ảnh hướng đến tín hiệu EEG (ví dụ như ảnh hưởng của đầu điện cực hoặc nhiễu của tần số nguồn điện xoay 11 2. Cơ Sở Lý Thuyết chiều (50Hz)).

Ta có thể dùng các bộ lọc bằng cách dùng các phép biến đổi DFT hay sử dụng các bộ lọc đáp ứng FIR, IIR.2 Bộ lọc không gian Trong các bộ lọc không gian thường dùng các kênh tham chiếu để nâng cao tỷ lệ tín hiệu trên nhiễu của tín hiệu EEG. Với bộ lọc không gian có hai dạng được dùng là bộ lọc CAR (common average reference) và bộ lọc SL (Small Laplacian). Trong bộ lọc CAR từng kênh sẽ được trừ cho giá trị trung bình trung của tất cả các kênh, theo [13] ta có công thức: Ne ~ V j 0 j (2.1) V i  Vi  Ne Với Vi là điện áp của điện cực thứ i và Ne là tổng số điện cực gắn trên đối tượng thí nghiệm.