Luận văn thạc sĩ: Thuật toán tìm ngưỡng xác định hoạt động của mắt dựa vào tín hiệu EEG

Khám phá luận văn thạc sĩ HCMUTE về thuật toán tìm ngưỡng xác định hoạt động của mắt dựa vào tín hiệu EEG, ứng dụng trong nghiên cứu thần kinh.

• Tác giả: Nguyễn Văn Trung
• 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 Tìm Ngưỡng Xác Định Các Hoạt Động Của Mắt Dựa Vào Tín Hiệu EEG
• Loại tài liệu: luận văn
• Năm xuất bản: 2012
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LÝ LỊCH KHOA HỌC
• LỜI CAM ĐOAN
• LỜI CẢM TẠ
• TÓM TẮT
• ABSTRACT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Mục Đích Của Đề Tài
• 1.2. Phạm Vi Của Đề Tài
• 1.3. Phương Pháp Nghiên Cứu
• 1.4. Nội Dung Của Luận Văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Ứng Dụng Hệ Thống BCI Điều Khiển Thiết Bị
• 2.2. Ứng Dụng Thuật Toán Ngưỡng Để Nhận Dạng
• 2.3. Trích Đặc Tính EEG Sử Dụng Hệ Số Mô Hình AR Và Nhận Dạng Bằng Mạng Nơron
• 2.4. Lọc Nhiễu Tín Hiệu EEG
• 3. CHƯƠNG 3: HỆ THỐNG GIAO TIẾP MÁY TÍNH NÃO VÀ THU THẬP DỮ LIỆU EEG
• 3.1. Hệ Thống Giao Tiếp Máy Tính Não
• 3.2. Hệ Thống BCI Của Đề Tài
• 3.3. Thu Thập Tín Hiệu Điện Não Bằng Công Nghệ EEG
• 3.3.1. Các Phương Pháp Thu Tín Hiệu Điện Não
• 3.3.2. Thu Thập Dữ Liệu Dùng Máy Active Two
• 3.3.2.1. Giới Thiệu Máy Active Two
• 3.3.2.2. Các Bước Thu Tín Hiệu Bằng Máy Active Two
• 3.3.2.3. Thu Thập Dữ Liệu Thí Nghiệm Bằng Máy Active Two
• 4. CHƯƠNG 4: TIỀN XỬ LÝ TÍN HIỆU EEG DÙNG BỘ LỌC THÔNG DẢI HAMMING
• 4.1. Lý Thuyết Về Bộ Lọc Số
• 4.2. Lọc Nhiễu Tín Hiệu EEG Bằng Bộ Lọc Hamming
• 5. CHƯƠNG 5: TRÍCH ĐẶC TÍNH CỦA TÍN HIỆU EEG DỰA TRÊN CÁC HỆ SỐ MÔ HÌNH AR
• 5.1. Trích Các Đặc Tính Của Tín Hiệu Dựa Trên Các Hệ Số Mô Hình AR
• 5.2. Trích Các Đặc Tính Của Tín Hiệu EEG Dựa Trên Các Hệ Số Mô Hình AR
• 6. CHƯƠNG 6: THUẬT TOÁN NGƯỠNG XÁC ĐỊNH CÁC HOẠT ĐỘNG CỦA MẮT
• 6.1. Thuật Toán Ngưỡng
• 6.2. Thuật Toán Ngưỡng Xác Định Các Hoạt Động Của Mắt
• 6.3. Dùng Thuật Toán Ngưỡng Xác Định Các Hoạt Động Của Mắt Online
• 7. CHƯƠNG 7: NHẬN DẠNG CÁC HOẠT ĐỘNG CỦA MẮT DÙNG MẠNG LAN TRUYỀN NGƯỢC
• 7.1. Mạng Lan Truyền Ngược
• 7.2. Nhận Dạng Các Hoạt Động Của Mắt Dùng Mạng Lan Truyền Ngược
• 8. CHƯƠNG 8: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI
• 8.1. Kết Luận
• 8.2. Hướng Phát Triển Của Đề Tài
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan

Não người đóng vai trò quan trọng trong các hoạt động của con người. Các tín hiệu điện não (EEG) cho phép xác định những thay đổi trong hoạt động não bộ, phục vụ cho việc phát hiện và chuẩn đoán các chứng rối loạn. Hệ thống giao tiếp máy tính não (BCI) giúp người dùng tương tác với thế giới bên ngoài thông qua các tín hiệu điện não. Nghiên cứu này tập trung vào việc phát triển thuật toán và mạng nơron để xác định hoạt động mắt từ tín hiệu EEG. Mục tiêu là xây dựng một hệ thống BCI có thể điều khiển thiết bị như xe lăn điện hoặc đèn trong nhà.

1.1 Mục Đích Của Đề Tài

Mục đích chính của nghiên cứu là phát triển thuật toán ngưỡng và mạng nơron truyền thẳng nhiều lớp để xác định các hoạt động mắt. Nghiên cứu sẽ so sánh hiệu quả của hai phương pháp này và kiểm chứng kết quả qua các ứng dụng thực tế. Việc phát triển hệ thống BCI sẽ giúp cải thiện khả năng tương tác của người dùng với môi trường xung quanh, đặc biệt là những người có hạn chế về vận động.

1.2 Phạm Vi Của Đề Tài

Phạm vi nghiên cứu bao gồm việc tìm hiểu về tín hiệu EEG và các ứng dụng của nó. Nghiên cứu sẽ xây dựng thuật toán ngưỡng và huấn luyện mạng nơron để xác định các hoạt động mắt. Kết quả sẽ được kiểm chứng qua các mô phỏng và ứng dụng thực tế như điều khiển xe lăn điện. Điều này không chỉ có giá trị trong nghiên cứu mà còn có ứng dụng thực tiễn trong y tế và công nghệ.

II. Cở Sở Lý Thuyết

Nghiên cứu về tín hiệu EEG đã mở ra nhiều ứng dụng trong lĩnh vực y tế và công nghệ. Hệ thống BCI sử dụng các tín hiệu này để điều khiển thiết bị, giúp người dùng tương tác với môi trường. Các nghiên cứu gần đây đã chỉ ra rằng việc sử dụng thuật toán ngưỡng có thể cải thiện độ chính xác trong việc nhận diện hoạt động mắt. Việc trích xuất đặc tính từ tín hiệu EEG thông qua các hệ số mô hình AR là một bước quan trọng trong quá trình nhận diện.

2.1 Ứng Dụng Hệ Thống BCI

Hệ thống BCI cho phép người dùng điều khiển thiết bị bằng cách sử dụng tín hiệu EEG. Các nghiên cứu đã chỉ ra rằng việc sử dụng biên độ sóng mu và beta có thể giúp điều khiển con trỏ máy tính. Độ chính xác của việc điều khiển này có thể đạt tới 90%. Hệ thống này đặc biệt hữu ích cho những người bị mất khả năng vận động, giúp họ giao tiếp và tương tác với thế giới bên ngoài.

2.2 Trích Đặc Tính EEG

Việc trích xuất đặc tính từ tín hiệu EEG thông qua mô hình AR là một phương pháp hiệu quả để nhận diện các hoạt động của mắt. Các hệ số của mô hình AR được sử dụng làm đầu vào cho mạng nơron. Kết quả phân loại có thể đạt độ chính xác từ 80% đến 100%. Điều này cho thấy tiềm năng lớn của việc áp dụng các phương pháp này trong nghiên cứu và ứng dụng thực tiễn.

III. Hệ Thống Giao Tiếp Máy Tính Não

Hệ thống giao tiếp máy tính não (BCI) là một công nghệ tiên tiến giúp chuyển đổi tín hiệu EEG thành các tín hiệu điều khiển. Hệ thống này có thể hỗ trợ những người bị mất khả năng vận động, giúp họ tương tác với môi trường xung quanh. Việc thu thập dữ liệu từ tín hiệu EEG là bước đầu tiên trong quá trình phát triển hệ thống BCI. Các thiết bị như Active Two được sử dụng để thu thập dữ liệu chính xác và hiệu quả.

3.1 Khái Niệm Hệ Thống BCI

Hệ thống BCI cho phép người dùng điều khiển thiết bị bằng cách sử dụng tín hiệu EEG. Hệ thống này rất hữu ích cho những bệnh nhân không thể vận động, giúp họ giao tiếp và tương tác với thế giới bên ngoài. Các nghiên cứu đã chỉ ra rằng việc sử dụng tín hiệu EEG có thể cải thiện khả năng điều khiển thiết bị, từ đó nâng cao chất lượng cuộc sống cho người dùng.

3.2 Phương Pháp Thu Tín Hiệu EEG

Có nhiều phương pháp để thu thập tín hiệu EEG, bao gồm việc sử dụng các điện cực gắn trên da đầu. Các thiết bị như Active Two cho phép thu thập dữ liệu chính xác và hiệu quả. Việc thu thập dữ liệu là bước quan trọng để phát triển các thuật toán nhận diện hoạt động mắt. Các nghiên cứu đã chỉ ra rằng việc sử dụng các phương pháp thu thập hiện đại có thể cải thiện độ chính xác và tốc độ của hệ thống BCI.

Nội dung chính

Tổng quan nghiên cứu

Não người là trung tâm điều khiển các hoạt động sống và nhận thức, với khoảng 100 tỷ tế bào thần kinh liên kết phức tạp. Tín hiệu điện não (EEG) phản ánh hoạt động điện của não bộ, được ứng dụng rộng rãi trong chuẩn đoán các bệnh lý thần kinh như động kinh, rối loạn giấc ngủ, chấn thương đầu, đột quỵ, cũng như trong các hệ thống giao tiếp máy tính não (BCI) nhằm hỗ trợ người khuyết tật. Nghiên cứu này tập trung phát triển thuật toán tìm ngưỡng và mạng nơron truyền thẳng nhiều lớp để xác định các hoạt động của mắt dựa trên tín hiệu EEG, nhằm phục vụ cho việc điều khiển thiết bị như xe lăn điện hoặc đèn trong nhà.

Mục tiêu chính của đề tài là xây dựng và so sánh hiệu quả của hai phương pháp nhận dạng hoạt động mắt: thuật toán ngưỡng và mạng nơron đa lớp, trên dữ liệu EEG thu thập tại các vị trí Fp1, F7, F8 của 9 đối tượng trong khoảng thời gian thực nghiệm cụ thể. Phạm vi nghiên cứu bao gồm xử lý tín hiệu EEG, trích đặc tính bằng mô hình AR, áp dụng thuật toán ngưỡng và mạng nơron để phân loại các trạng thái mở mắt, chớp mắt, liếc trái và liếc phải.

Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao độ chính xác và tốc độ nhận dạng hoạt động mắt, góp phần phát triển hệ thống BCI ứng dụng trong y học phục hồi chức năng và hỗ trợ người khuyết tật. Kết quả nghiên cứu có thể được đo lường qua các chỉ số như độ chính xác phân loại, tốc độ xử lý tín hiệu và khả năng ứng dụng thực tế trong điều khiển thiết bị.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

• Mô hình AR (Autoregression): Mô hình AR bậc 2 được sử dụng để trích xuất các hệ số đặc trưng từ tín hiệu EEG đã được lọc nhiễu. Các hệ số này phản ánh đặc tính tần số và thời gian của tín hiệu, làm đầu vào cho mạng nơron nhận dạng.

• Thuật toán ngưỡng: Dựa trên việc xác định giá trị ngưỡng từ các đặc tính biên độ tín hiệu EEG tại các kênh Fp1, F7, F8 để phân biệt các hoạt động mắt như mở mắt, chớp mắt, liếc trái và liếc phải.

• Mạng nơron truyền thẳng nhiều lớp (MLP): Mạng nơron với một hoặc hai lớp ẩn được huấn luyện trên các hệ số AR để phân loại chính xác các trạng thái hoạt động của mắt. Hàm kích hoạt sigmoid được sử dụng để tăng khả năng phân biệt phi tuyến.

• Bộ lọc thông dải Hamming: Được áp dụng để loại bỏ nhiễu và lọc lấy dải tần delta (0.5 – 2 Hz) từ tín hiệu EEG, giúp tăng chất lượng dữ liệu đầu vào cho các thuật toán nhận dạng.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Tín hiệu EEG được thu thập từ 9 đối tượng tình nguyện, tại các vị trí điện cực Fp1, F7, F8 bằng máy Active Two với tốc độ lấy mẫu 128 Hz. Mỗi đối tượng thực hiện các hoạt động mở mắt, chớp mắt, liếc trái và liếc phải theo protocol chuẩn, với số lần thực nghiệm từ 3 đến 12 lần.

• Tiền xử lý: Tín hiệu EEG gốc chứa nhiều nhiễu được lọc bằng bộ lọc thông dải Hamming với chiều dài cửa sổ L=23, tập trung vào dải tần delta để loại bỏ các thành phần không mong muốn.

• Trích đặc tính: Sử dụng mô hình AR bậc 2 để trích xuất các hệ số đặc trưng từ tín hiệu đã lọc, giảm số chiều dữ liệu và làm đầu vào cho mạng nơron.

• Phân tích và nhận dạng: Thuật toán ngưỡng được áp dụng trực tiếp trên biên độ tín hiệu tại các kênh EEG để phân loại hoạt động mắt. Đồng thời, mạng nơron truyền thẳng nhiều lớp được huấn luyện và kiểm thử với các hệ số AR để nhận dạng các trạng thái mắt.

• Timeline nghiên cứu: Thu thập dữ liệu và tiền xử lý trong 3 tháng đầu, phát triển thuật toán và huấn luyện mạng nơron trong 4 tháng tiếp theo, đánh giá và so sánh kết quả trong 2 tháng cuối cùng của năm nghiên cứu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả lọc nhiễu bằng bộ lọc Hamming: Bộ lọc thông dải Hamming với chiều dài cửa sổ L=23 đã loại bỏ hiệu quả các thành phần nhiễu trong tín hiệu EEG, giữ lại dải tần delta cần thiết. So với các giá trị L nhỏ hơn như 3, 11, 17, tín hiệu sau lọc với L=23 có dạng sóng ổn định hơn, giảm nhiễu rõ rệt.

2. Phân biệt các hoạt động mắt qua biên độ tín hiệu EEG: Tín hiệu mở mắt có biên độ ổn định tại các kênh Fp1, F7, F8, được xem như đường cơ sở. Hoạt động chớp mắt làm tăng biên độ tại kênh Fp1 lên khoảng 20-30% so với mở mắt. Liếc mắt trái làm tăng biên độ kênh F7 khoảng 25%, giảm biên độ kênh F8 khoảng 15%. Ngược lại, liếc mắt phải làm tăng biên độ kênh F8 khoảng 30%, giảm biên độ kênh F7 khoảng 20%.

3. Độ chính xác phân loại bằng thuật toán ngưỡng: Thuật toán ngưỡng dựa trên biên độ tín hiệu EEG đạt độ chính xác phân loại các hoạt động mắt khoảng 85-90% trên tập dữ liệu thử nghiệm, với khả năng nhận dạng nhanh và đơn giản.

4. Hiệu quả nhận dạng bằng mạng nơron: Mạng nơron truyền thẳng nhiều lớp với đầu vào là các hệ số AR đạt độ chính xác phân loại từ 90% đến 95%, vượt trội hơn so với thuật toán ngưỡng. Mạng nơron có 2 lớp ẩn cho kết quả tốt hơn so với 1 lớp ẩn, thể hiện qua độ chính xác và khả năng tổng quát hóa.

Thảo luận kết quả

Kết quả cho thấy việc sử dụng bộ lọc Hamming với chiều dài cửa sổ phù hợp là bước tiền xử lý quan trọng để nâng cao chất lượng tín hiệu EEG, giảm nhiễu và giữ lại đặc tính cần thiết cho nhận dạng. Sự khác biệt biên độ tại các kênh EEG phản ánh rõ ràng các trạng thái hoạt động mắt, phù hợp với các nghiên cứu trước đây về đặc tính sóng delta trong EEG.

Thuật toán ngưỡng tuy đơn giản và nhanh nhưng có giới hạn về độ chính xác do phụ thuộc vào ngưỡng cố định, dễ bị ảnh hưởng bởi nhiễu và biến đổi cá nhân. Trong khi đó, mạng nơron truyền thẳng nhiều lớp với khả năng học phi tuyến và trích đặc tính từ hệ số AR cho phép phân loại chính xác hơn, phù hợp với các ứng dụng BCI đòi hỏi độ tin cậy cao.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác phân loại giữa hai phương pháp, cũng như bảng thống kê biên độ tín hiệu EEG tại các kênh trong từng trạng thái mắt, giúp minh họa rõ ràng sự khác biệt và hiệu quả của từng phương pháp.

Đề xuất và khuyến nghị

1. Tối ưu hóa bộ lọc tín hiệu: Nâng cao hiệu quả lọc nhiễu bằng cách thử nghiệm các loại bộ lọc số khác như Butterworth hoặc Chebyshev kết hợp với bộ lọc Hamming để cải thiện chất lượng tín hiệu đầu vào, nhằm tăng độ chính xác nhận dạng.

2. Phát triển mạng nơron sâu hơn: Áp dụng các kiến trúc mạng nơron sâu (Deep Learning) như mạng CNN hoặc LSTM để khai thác đặc tính phức tạp hơn của tín hiệu EEG, hướng tới cải thiện độ chính xác và khả năng nhận dạng trong môi trường thực tế.

3. Mở rộng tập dữ liệu và đối tượng nghiên cứu: Thu thập dữ liệu từ nhiều đối tượng đa dạng hơn về độ tuổi, giới tính và tình trạng sức khỏe để tăng tính tổng quát và khả năng áp dụng rộng rãi của hệ thống.

4. Ứng dụng trong hệ thống BCI thực tế: Triển khai hệ thống điều khiển xe lăn điện hoặc thiết bị gia đình dựa trên thuật toán đã phát triển, đánh giá hiệu quả và trải nghiệm người dùng trong môi trường thực tế, đồng thời cải tiến giao diện và độ ổn định hệ thống.

Các giải pháp trên nên được thực hiện trong vòng 1-2 năm tiếp theo, với sự phối hợp giữa các nhà nghiên cứu, kỹ sư phát triển và các trung tâm y tế để đảm bảo tính khả thi và ứng dụng thực tiễn.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, y sinh: Luận văn cung cấp kiến thức chuyên sâu về xử lý tín hiệu EEG, mô hình AR, mạng nơron và ứng dụng BCI, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

2. Chuyên gia phát triển hệ thống BCI và thiết bị hỗ trợ người khuyết tật: Tham khảo các thuật toán nhận dạng hoạt động mắt và phương pháp tiền xử lý tín hiệu để cải tiến sản phẩm, nâng cao hiệu quả điều khiển thiết bị.

3. Bác sĩ chuyên khoa thần kinh và phục hồi chức năng: Hiểu rõ hơn về công nghệ EEG và ứng dụng trong chuẩn đoán, hỗ trợ điều trị các bệnh về mắt và vận động, từ đó phối hợp với kỹ thuật viên trong việc áp dụng công nghệ mới.

4. Các công ty công nghệ y tế và thiết bị điện tử: Tận dụng kết quả nghiên cứu để phát triển các sản phẩm BCI thương mại, như xe lăn điện thông minh, hệ thống điều khiển thiết bị gia đình bằng tín hiệu não, mở rộng thị trường và nâng cao giá trị sản phẩm.

Câu hỏi thường gặp

1. Tại sao chọn tín hiệu EEG để nhận dạng hoạt động mắt?
   EEG là phương pháp thu tín hiệu điện não không xâm lấn, có độ phân giải thời gian cao, thiết bị nhỏ gọn và phù hợp để phát hiện các thay đổi điện sinh học liên quan đến hoạt động mắt như chớp và liếc mắt.

2. Thuật toán ngưỡng có ưu điểm gì so với mạng nơron?
   Thuật toán ngưỡng đơn giản, dễ triển khai, tốc độ xử lý nhanh, phù hợp cho các ứng dụng yêu cầu phản hồi tức thì. Tuy nhiên, nó kém chính xác hơn và dễ bị ảnh hưởng bởi nhiễu so với mạng nơron.

3. Mô hình AR giúp gì trong việc nhận dạng tín hiệu EEG?
   Mô hình AR trích xuất các hệ số đặc trưng phản ánh cấu trúc tần số và thời gian của tín hiệu EEG, giúp giảm chiều dữ liệu và cung cấp thông tin quan trọng cho mạng nơron trong việc phân loại các trạng thái hoạt động mắt.

4. Bộ lọc Hamming được sử dụng như thế nào trong nghiên cứu?
   Bộ lọc Hamming thông dải với dải tần 0.5 – 2 Hz được dùng để loại bỏ nhiễu và giữ lại sóng delta trong tín hiệu EEG, giúp tăng chất lượng dữ liệu đầu vào cho các thuật toán nhận dạng.

5. Hệ thống BCI ứng dụng kết quả nghiên cứu có thể điều khiển những thiết bị nào?
   Hệ thống có thể điều khiển xe lăn điện, đèn chiếu sáng trong nhà, máy lạnh hoặc các thiết bị điện tử khác, giúp người khuyết tật tương tác và kiểm soát môi trường xung quanh bằng hoạt động mắt.

Kết luận

• Đã xây dựng thành công thuật toán ngưỡng và mạng nơron truyền thẳng nhiều lớp để nhận dạng các hoạt động mắt dựa trên tín hiệu EEG với độ chính xác lần lượt khoảng 85-90% và 90-95%.
• Bộ lọc thông dải Hamming với chiều dài cửa sổ L=23 hiệu quả trong việc loại bỏ nhiễu và giữ lại dải tần delta cần thiết cho phân tích.
• Mô hình AR bậc 2 là công cụ trích đặc tính hiệu quả, giúp giảm chiều dữ liệu và nâng cao hiệu quả nhận dạng bằng mạng nơron.
• Kết quả nghiên cứu có tiềm năng ứng dụng trong hệ thống BCI điều khiển xe lăn điện và thiết bị gia đình, hỗ trợ người khuyết tật.
• Hướng phát triển tiếp theo bao gồm tối ưu bộ lọc, áp dụng mạng nơron sâu, mở rộng dữ liệu và triển khai ứng dụng thực tế trong vòng 1-2 năm tới.

Để tiếp tục phát triển, các nhà nghiên cứu và kỹ sư được khuyến khích áp dụng các giải pháp đề xuất, đồng thời phối hợp với các đơn vị y tế và công nghệ để đưa hệ thống BCI vào sử dụng rộng rãi, nâng cao chất lượng cuộc sống cho người khuyết tật.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN VĂN TRUNG THUẬT TOÁN TÌM NGƯỠNG XÁC ĐỊNH CÁC HOẠT ĐỘNG CỦA MẮT DỰA VÀO TÍN HIỆU EEG S K C 0 0 3 9 6 5 1 9 3 NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 S KC 0 0 3 7 4 5 Tp. Hồ Chí Minh, 2012 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN VĂN TRUNG THUẬT TOÁN TÌM NGƢỠNG XÁC ĐỊNH CÁC HOẠT ĐỘNG CỦA MẮT DỰA VÀO TÍN HIỆU EEG NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Hướng dẫn khoa học: TS. NGUYỄN THANH HẢI Tp. Hồ Chí Minh, tháng 10/2012 Luan van LÝ LỊCH KHOA HỌC I.

LÝ LỊCH SƠ LƢỢC Họ & tên: Nguyễn Văn Trung Giới tính: Nam Ngày, tháng, năm sinh: 20/10/1987 Nơi sinh: Bà Rịa – Vũng Tàu Quê quán: Quảng Trị Dân Tộc: kinh Chỗ ở riêng hoặc địa chỉ liên lạc: Tổ 15, thôn Sông Cầu, xã Nghĩa Thành, huyện Châu Đức, tỉnh Bà Rịa – Vũng Tàu. Điện thoại cơ quan: Điện thoại nhà riêng: 0934.981 Fax: E-mail: nguyenvantrung201087@yahoo. QUÁ TRÌNH ĐÀO TẠO 1. Đại học: Hệ đào tạo: chính quy Thời gian đào tạo từ 10/2005 đến 2/2010 Nơi học (trường, thành phố): Đại Học Sư phạm Kỹ Thuật TP.HCM, TPHCM Ngành học: Kỹ Thuật Điện – Điện Tử Tên đồ án, luận án hoặc môn thi tốt nghiệp: Máy Khoan Mạch In Tự Động Người hướng dẫn: Nguyễn Đình Phú, Đại Học Sư Phạm Kỹ Thuật TP.

Cao học Hệ đào tạo: chính quy Thời gian đào tạo: từ 8/20010 đến 8/2012 Nơi học (trường, thành phố): Đại Học Sư phạm Kỹ Thuật TP.HCM, TPHCM Ngành học: Kỹ Thuật Điện Tử Tên luận án: Thuật toán tìm ngƣỡng xác định các hoạt động của mắt dựa vào tín hiệu EEG. i Luan van Ngày và nơi bảo vệ: tháng 10/2012 tại trường Đại Học Sư phạm Kỹ Thuật TP. Người hướng dẫn: TS. Nguyễn Thanh Hải, Đại Học Quốc Tế, Đại Học Quốc Gia TP.

QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi công tác Công việc đảm nhiệm 8/2010 – 3/2012 Trường CĐ Kỹ Thuật Cao Thắng Giảng Viên 4/2012 - nay Công ty cáp Taihan Sacom Kỹ sư quản lý chất lượng IV. CÁC BÀI BÁO ĐÃ CÔNG BỐ TT Thời gian Tên bài báo Nơi công bố A Mean Threshold Algorithm For Đại Học Quốc Tế, 1 3/2012 Human Eye Blinking Detection Using Đại Học Quốc Gia EEG TP.HCM A Mean Threshold Algorithm For Trường ĐH Sư Phạm 2 9/2012 Detection Of Human Eye Activities Kỹ Thuật TP.HCM Using EEG Technique Tp. Hồ Chí Minh, ngày 10 tháng 10 năm 2012 Người khai ký tên Nguyễn Văn Trung ii Luan van 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 Luan van 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 Luan van 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 Luan van 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 Luan van 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. 5 vii Luan van 2.3 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 Luan van 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 Luan van 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 Luan van 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. 24 xi Luan van Hình 4.2: 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 .