LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của tôi với sự hướng dẫn của TS. Nguyễn Thanh Hải. Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Hồ Chí Minh, ngày 10 tháng 10 năm 2012 (Ký và ghi rõ họ tên) Nguyễn Văn Trung iii LỜI CẢM TẠ Đầu tiên, tôi xin gởi lời cám ơn sâu sắc đến TS.
Nguyễn Thanh Hải – người đã trực tiếp hướng dẫn tôi một cách tận tình và chu đáo từ lúc nhận đề cương cho tới lúc hoàn thành đề tài. Trong quá trình làm đề tài, Thầy Nguyễn Thanh Hải đã luôn theo sát tiến trình thực hiện đề tài, có những gợi ý và chỉ dẫn khoa học giúp tôi giải quyết những khó khăn trong quá trình làm đề tài. Tôi xin cảm ơn quý Thầy Cô đã tham gia giảng dạy lớp cao học khóa 2010 – 2012, người đã mang đến cho tôi những kiến thức quý báu trong khoa học kỹ thuật. Tôi xin chân thành cảm ơn lãnh đạo Trường Cao Đẳng Cao Thắng, nơi tôi công tác đã tạo mọi điều kiện thuận lợi cho tôi hoàn thành đề tài.
Tôi gửi lời biết ơn sâu sắc đến gia đình, những người đã ủng hộ và động viên để tôi yên tâm học tập và nghiên cứu. Cuối cùng, tôi xin gởi lời cám ơn đến quý Thầy Cô bộ môn Điện Tử Y Sinh, trường Đại Học Quốc Tế TP.HCM và các sinh viên của trường đã hỗ trợ tôi trong quá trình thu thập dữ liệu tại đây. Xin chân thành cảm ơn! Tp. Hồ Chí Minh, ngày 10 tháng 10 năm 2012 Học viên Nguyễn Văn Trung iv TÓM TẮT Não người đóng vai trò quan trọng trong hoạt động của con người.
Dựa trên tín hiệu điện não ta có người ta có thể xác định những thay đổi trong hoạt động của não bộ phục vụ cho việc chuẩn đoán bệnh tật cũng như khôi phục lại khả năng vận động của con người. Trong đề tài này, thuật toán ngưỡng và mạng nơron truyền thẳng nhiều lớp được sử dụng để xác định các hoạt động của mắt dựa trên tín hiệu EEG. Trước khi phân tích tín hiệu EEG, tín hiệu gốc được loại bỏ nhiễu và lọc lấy tín hiệu delta bằng bộ lọc thông dải. Đặc tính của tín hiệu EEG được trích xuất bởi các hệ số của mô hình AR.
Các hệ số này là ngõ vào của mạng nơron truyền thẳng nhiều lớp để phận loại các hoạt động của mắt. Bên cạnh đó thuật toán ngưỡng cũng được áp dụng để xác định các hoạt động của mắt. Nghiên cứu này hữu ích cho việc chuẩn đoán các bệnh về mắt như khô mắt và tạo ra một hệ thống BCI để điều khiển xe lăn điện hoặc kiểm soát đèn trong nhà. v ABSTRACT The human brain plays an important role in human activities.
Based on electrical brain signals, one can identify changes in brain activity for the diagnosis of disease as well as rehabilitate human functions. In this thesis, the threshold algorithm and multi-layer neural networks were proposed to detect eye activities using the ElectroEncephaloGraphy (EEG) technique. Before analyzing the EEG signal, the original signals were filtered to remove noise and then extracted the delta signal with a band-pass filter. Characteristics of the EEG signals were extracted by the coefficients of the AR model.
The coefficients are the input layer of the neural networks to classify the activities of the eye. In addition, the threshold algorithm was also applied to determine the activities of the eye. This study can be useful for diagnosing eye diseases such as dry eye and creating a Brain-Computer Interface (BCI) system such as the electrical wheelchair control or the home lamp control. vi MỤC LỤC LÝ LỊCH KHOA HỌC.
i LỜI CAM ĐOAN. iii LỜI CẢM TẠ. vi MỤC LỤC. vii DANH SÁCH CÁC CHỮ VIẾT TẮT.
x DANH SÁCH CÁC HÌNH. xi DANH SÁCH CÁC BẢNG. xiv Chƣơng 1 TỔNG QUAN .2 Mục Đích Của Đề Tài .3 Phạm Vi Của Đề Tài .4 Phƣơng Pháp Nghiên Cứu .5 Nội Dung Của Luận Văn. 3 Chƣơng 2 CỞ SỞ LÝ THUYẾT .1 Ứng Dụng Hệ Thống BCI Điều Khiển Thiết Bị.2 Ứng Dụng Thuật Toán Ngƣỡng Để Nhận Dạng .3 Trích Đặc Tính EEG Sử Dụng Hệ Số Mô Hình AR Và Nhận Dạng Bằng Mạng Nơron.4 Lọc Nhiễu Tín Hiệu EEG.
6 Chƣơng 3 HỆ THỐNG GIAO TIẾP MÁY TÍNH NÃO VÀ THU THẬP DỮ LIỆU EEG .1 Hệ Thống Giao Tiếp Máy Tính Não .2 Hệ Thống BCI Của Đề Tài .2 Thu Thập Tín Hiệu Điện Não Bằng Công Nghệ EEG .1 Các Phƣơng Pháp Thu Tín Hiệu Điện Não .1 Đo Tín Hiệu Dùng Phƣơng Pháp Điện Não Đồ .2 Đo Tín Hiệu Điện Não Dùng Phƣơng Pháp Hồng Ngoại Gần .3 Đo Tín Hiệu Não Dùng Phƣơng Pháp Cộng Hƣởng Từ.4 Đo Tín Hiệu Não Sử Dụng Phƣơng Pháp Từ Não .2 Thu Thập Dữ Liệu Dùng Máy Active Two .1 Giới Thiệu Máy Active Two .2 Các Bƣớc Thu Tín Hiệu Bằng Máy Active Two .3 Thu Thập Dữ Liệu Thí Nghiệm Bằng Máy Active Two. 18 Chƣơng 4 TIỀN XỬ LÝ TÍN HIỆU EEG DÙNG BỘ LỌC THÔNG DẢI HAMMING .1 Lý Thuyết Về Bộ Lọc Số .2 Lọc Nhiễu Tín Hiệu EEG Bằng Bộ Lọc Hamming. 27 viii Chƣơng 5 TRÍCH ĐẶC TÍNH CỦA TÍN HIỆU EEG DỰA TRÊN CÁC HỆ SỐ MÔ HÌNH AR .1 Trích Các Đặc Tính Của Tín Hiệu Dựa Trên Các Hệ Số Mô Hình AR .2 Trích Các Đặc Tính Của Tín Hiệu EEG Dựa Trên Các Hệ Số Mô Hình AR. 35 Chƣơng 6 THUẬT TOÁN NGƢỠNG XÁC ĐỊNH CÁC HOẠT ĐỘNG CỦA MẮT .1 Thuật Toán Ngƣỡng .2 Thuật Toán Ngƣỡng Xác Định Các Hoạt Động Của Mắt .3 Dùng Thuật Toán Ngƣỡng Xác Định Các Hoạt Động Của Mắt Online.
47 Chƣơng 7 NHẬN DẠNG CÁC HOẠT ĐỘNG CỦA MẮT DÙNG MẠNG LAN TRUYỀN NGƢỢC .1 Mạng Lan Truyền Ngƣợc .2 Nhận Dạng Các Hoạt Động Của Mắt Dùng Mạng Lan Truyền Ngƣợc. 53 Chƣơng 8 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN CỦA ĐỀ TÀI .2 Hƣớng Phát Triển Của Đề Tài. 58 TÀI LIỆU THAM KHẢO. 59 ix ANH SÁCH CÁC CHỮ VIẾT TẮT AR – Autoregresion EEG – Electroencephalogram BCI – Brain Computer Interface fNIRS – function Near - Infrared Spectroscopy fMRI – function Magnetic Resonance Imaging MEG – Magnetoencephalography MLP – Multi - Layer Perceptron x DANH SÁCH CÁC HÌNH Hình 3.1: Hệ thống giao tiếp máy tính não .2: Sơ đồ khối xác định các hoạt động của mắt sử dụng thuật toán ngưỡng .3: Sơ đồ khối xác định các hoạt động của mắt sử dụng mạng nơron .4: Đo tín hiệu điện não dùng phương pháp EEG .5: Đo tín hiệu điện não dùng fNIRS .6: Đo tín hiệu điện não bằng phương pháp fMRI.7: Đo tín hiệu sử dụng phương pháp MEG .8: Máy Active Two đặt tại phòng A104 .9: Sơ đồ khối của máy Active Two .10: Gắn nón vào người làm thí nghiệm .11: Cho gel vào lỗ giữ điện cực .12: Gắn các điện cực vào lỗ chứa điện cực .13: Giao diện phần mềm Actiview .14: Vị trí các điện cực .14: Điện cực được gắn trên đối tượng .15: Protocol cho đối tượng thực hiện mở và chớp mắt.16: Tín hiệu EEG thu được tại Fp1, F7, F8 khi thí nghiệm mở mắt .17: Tín hiệu EEG thu được tại Fp1, F7, F8 khi thí nghiệm chớp mắt .18: Tín hiệu EEG thu được tại Fp1, F7, F8 khi thí nghiệm liếc trái .19: Tín hiệu EEG thu được tại Fp1, F7, F8 khi thí nghiệm liếc phải .1: Đáp ứng tần số của bộ lọc lý tưởng .2: Cửa sổ Hamming với L=71 .3: Đáp ứng biên độ và pha của bộ lọc Hamming .4: Sơ đồ khối của hệ thống lọc nhiễu .5: Đáp ứng biên độ và pha của bộ lọc Hamming có L=11 .6: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=11 .7: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=3.8: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=17 .9: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=23 .10: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=27, N=26 .11: Tín hiệu mở mắt tại Fp1, F7, F8 sau khi được lọc nhiễu .12: Tín hiệu chớp mắt tại Fp1, F7, F8 sau khi được lọc nhiễu .13: Tín hiệu liếc mắt trái tại Fp1, F7, F8 sau khi được lọc nhiễu .14: Tín hiệu liếc mắt phải tại Fp1, F7, F8 sau khi được lọc nhiễu .1: Sơ đồ trích các đặc tính của tín hiệu EEG.2 : Tín hiệu mở mắt .3: Các hệ số AR .4: Tín hiệu chớp mắt .5: Các hệ số AR .6: Tín hiệu liếc trái .7: Các hệ số AR .8: Tín hiệu liếc phải .9: Các hệ số AR .10: Bốn vectơ hệ số của thì nghiệm chớp mắt, mở mắt, liếc trái và liếc phải .1: Sơ đồ xác định giá trị ngưỡng .2: Kết quả phân loại .3: Kết quả xác định hoạt động chớp mắt tại Fp1 .4: Kết quả xác định hoạt động liếc phải tại F7 .5: Kết quả xác định hoạt động liếc trái tại F8 .6: Đối tượng đang tiến hành mô phỏng online .7: Các hướng di chuyển và góc quay của đối tượng .8: Đối tượng điều khiển xe lăn điện.1: Cấu trúc của mạng truyền thẳng nhiều lớp .2: Hình dạng của hàm sigmoid .3: Cấu trúc mạng nơron nhiều lớp có 1 lớp ẩn .4: Cấu trúc của mạng nơron nhiều lớp có 2 lớp ẩn.
54 xiii DANH SÁCH CÁC BẢNG Bảng 3.1: Thông tin của đối tượng làm thí nghiệm .1: Vectơ hệ số AR cho 4 thí nghiệm .2: Các hệ số AR cho 4 thí nghiệm .1: Kết quả thí nghiệm trên đối tượng 1 tại Fp1 .2: Kết quả thí nghiệm trên đối tượng 1 tại F7 .3: Kết quả thí nghiệm trên đối tượng 1 tại F8 .4: Kết quả tính toán ngưỡng các đối tượng còn lại .5: Bảng kiểm tra kết quả phân loại .6: Mô tả trạng thái của đèn .7: Các lệnh điều khiển .1: Mô tả việc phân loại tín hiệu EEG và ngõ ra mong muốn .2: Vectơ hệ số AR cho 4 thí nghiệm .3: Kết quả huấn luyện mạng khi có 1 lớp ẩn .4: Kết quả huấn luyện mạng khi có 2 lớp ẩn. Tổng Quan Chƣơng 1 TỔNG QUAN 1.1 Tổng Quan Não người đóng vai trò quan trọng trong các hoạt động của con người [1]. Nó có cấu trúc phức tạp gồm khoảng 100 tỉ tế bào thần kinh liên kết với nhau. Các tế bào này thu thập và truyền tải các tín hiệu điện với nhau cho dù có hay không có các kích thích bên ngoài.
Dựa trên các tín hiệu điện não người ta xác định được những thay đổi trong hoạt động của não bộ phục vụ cho việc phát hiện, chuẩn đoán các chứng rối loạn não, rối loạn giấc ngủ, chấn thương đầu, viêm não, đột quỵ… Một ứng dụng quan trọng khác đó là dựa trên tín hiệu EEG để khôi phục lại các chức năng của con người.