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.