Chương 1.1 Lý Do Chọn Dé Tài Thống kê của Ủy ban Quốc gia về người khuyết tật Việt Nam, cả nước có khoảng 6,2 triệu người khuyết tật (NKT), chiếm 7,06% dân số từ 2 tuổi trở lên, trong đó có 58% là nữ, 28,3% là trẻ em, gần 29% là NKT nặng và đặc biệt nặng. Trong đó có nhiều NKT vận động có thể tự chăm sóc bản thân nếu được hỗ trợ hoặc trang bị những công cụ cần thiết cho họ như xe lăn, chi giả. Qua nghiên cứu này tôi hy vọng rằng xây dung được mô hình dé tạo tiền đề để phát triển những công cụ hỗ trợ người khuyết tat vận động có thé điều khiển những công cụ hỗ trợ của mình thông qua điều khiển bằng sóng não. Thông qua đó cải thiện hiểu quả của các thiết bị hỗ trợ NKT theo hướng tiện dụng hơn, thân thiện hơn cho người dùng nó và cải thiện chất lượng người khuyết tật vận động giúp họ dễ đàng hoà nhập cuộc sống có chất lượng cuộc sống tốt hơn.
Ngoài ra chủ đề nghiên cứu này còn có thể ứng dụng ở nhiều lĩnh vực khác như y khoa giúp chân đoán các bệnh liên quan đến não bộ và thần kinh, ứng dụng vào việc dự đoán trạng thái của con người thông qua trạng thái thần kinh,.2 Mục Tiêu Tổng Quát Giao diện não máy tính (BCI: Brain Computer Interface) là một lĩnh vực nghiên cứu sự tương tác giữa não người với máy tính. Một hệ thống BCI thông thường sẽ dựa vào các tín hiệu mang tính chất điện được thu thập từ não thông qua hệ thống các điện cực, máy tính được lập trình sẽ phân tích, xử lý dữ liệu thu thập được và đưa ra những phản ứng đáp lại các suy nghĩ, tưởng tượng, cũng như các hoạt động thần kinh của con người. Một hệ thống BCI sẽ giúp con người có thé sử dụng những hoạt động của não để tương tác, điều khiển các thiết bị ngoại vi. Trong nội dung luận văn này, tác giả sẽ thiết kế một mô hình thuật toán cho hệ thống BCI dé tạo tiền đề để xây dựng một hệ thống BCI có thé ứng dụng thực tế.
Cụ thé sẽ xây dựng một mô hình phân loại các loại tín hiện điện não đồ EEG vận động từ tín hiệu điện não đầu vào. Ngoài ra các 1 nghiên cứu về điện não đồ còn có thể được nghiên cứu sâu hơn và ứng dụng cho nhiều lĩnh vực khác nhau như: y khoa, rô-bốt, điều khiển từ xa,. 1⁄3 Mục Tiêu Nghiên Cứu Cụ Thể Mục đích nghiên cứu của đề tài là xây dựng một mô hình có khả năng nhận biết các tín hiệu điều khiển vận động ở tay trái, tay phải, chân và lưỡi của con người và từ đó đưa ra những sử lý tiếp theo hop lý tuỳ thuộc vào các ứng dụng thự tế khi áp dụng mô hình thuật toán này. Trong phạm vi đề tài, tôi sẽ tiến hành nghiên cứu trên các dạng sóng não của con người khi điều khiển vận động chỉ và lưỡi, qua đó trích lọc các đặc trưng của các dang sóng trên.
Từ đó, sẽ tiến hành xây dựng một thuật toán có khả năng nhận dang các dạng sóng não của các hoạt động trên tín hiệu điện não đầu vào với độ chính xác của mô hình nhận dạng sóng não được cải thiện hơn so với các nghiên cứu mà tác giả lựa chọn tham khảo và đối chiếu số liệu trên cùng một bộ dữ liệu đầu vào.4 Đối Tượng Phạm Vi Nguyên Cứu Đối tượng nghiên cứu: dữ liệu được sử dụng trong nghiên cứu nảy là bộ dư liệu BCI competition IV 2a. Tập dữ liệu này bao. gồm dữ liệu điện não đồ từ 9 đối tượng. Mô hình BCI dựa trên gợi ý bao gồm bốn nhiệm vụ hình ảnh vận động khác nhau, đó là tín hiệu điện não về các chuyển động của tay trái (lớp 1), tay phải (lớp 2), cả hai chân (lớp 3) và lưỡi (lớp 4).
Dữ liệu điện não đồ của mỗi đói tượng tham gia khảo sát được nghỉ lại ở 2 phiên khác nhau. Mỗi phiên bao gồm 6 lần chạy cách nhau bằng các ngắt ngắn. Một lần chạy bao gồm 48 lần thử nghiệm (12 lần cho mỗi lớp trong số bốn lớp có thé), mang lai tổng cộng 288 lần thử nghiệm mỗi phiên. Phạm vi nghiên cứu: Trong giới hạn của luận văn thạc sĩ này, tôi tập trung nghiên cứu xây dựng hệ mô hình thuật toán máy học tiên tiến trên bộ dữ liệu chuân từ một cuộc thi quốc tế có uy tín với mong muốn cải tién mô hình nhận dang và phân loại tín hiệu điện não đồ vận động.5 Tình Hình Nghiên Cứu Của Các Tác Giả Trong Nước Đã có nhiều nghiên cứu liên quan lĩnh vực nhận diện và phân loại tín hiệu điện não đồ cho nhiều mục đích ứng dụng khác nhau như nhận diện các loại bệnh liên quan đến thần kinh học, não bộ, điều khiển vận động.
Nhưng với phân loại điện não đồ vận động như đề tài mà tôi đang nghiên cứu thì tại TP Hồ Chí Minh chưa tìm ra các nghiên cứu nào cùng chủ đề nghiên cứu với chủ đề này.6 Tinh Hình Nghiên Cứu Của Các Tác Giả Nước Ngoài 1.1 Phan ứng tong hợp Multi-CNN của Syed Umar Amin “Multi-CNN Feature Fusion for Efficient EEG Classification”[1] là một nghiên cứu của Syed Umar Amin và các cộng sự tại Trung tâm nghiên cứu người máy thông minh CCIS Đại học King Saud, Riyadh, Ả Rập Xê Út. Nghiên cứu này đã xử lý tín hiệu hình ảnh động cơ (MI) đã được sử dụng trong hệ thống BCI dành cho. người khuyết tật, điều khiển rô bốt, xe lăn hoặc thậm chí lái xe ô tô. Do đó, các nhà nghiên cứu đang sử dụng kỹ thuật học máy và học sâu đề giải mã tín hiệu MI với độ chính xác là 74.
Các đặc tính của tín hiệu EEG như tỷ lệ tín hiệu trên nhiễu thấp và bản chất động của nó khiến nó trở nên phức tạp hơn và khó giải mã hơn. Nghiên cứu đã chỉ ra rằng EEG có cả đặc điềm không gian và thời gian có thé được khai thác bởi các mô hình học sâu như mạng nơ-ron tích chập (CNN). Bài báo này chỉ ra rằng mô hình CNN da cấp có thé trích xuất các mi tương quan động từ dữ liệu EEG MI. Các mô hình CNN đa cấp được hợp nhất bằng cách sử dụng tự động mã hóa để trích xuất các tính năng tốt nhất cho dữ liệu EEG giúp cải thiện độ chính xác của giải mã MI.
Các phương pháp tổng hợp được đề xuất mang lại hiệu suất tốt cho việc giải mã điện não đồ khi được thử nghiệm cho các thử nghiệm trong đối tượng cũng như các thử nghiệm chéo. Kết quả được so sánh với kỹ thuật hiện đại trên bộ dữ liệu EEG “BCI Competition IV 2a”.2 Nghiên cứu về hợp nhất các mô hình CNN của Syed Umar Amin và các cộng sự “Multilevel Weighted Feature Fusion Using Convolutional Neural Networks for EEG Motor Imagery Classification”[2] là một nghiên cứu khác của Syed Umar Amin và các cộng sự tại Trung tâm nghiên cứu người máy thông minh CCIS Đại học King Saud, Riyadh, A Rap Xê Út. Với quan điểm rằng các phương pháp học sâu, chẳng hạn như mạng nơ-ron tích chập (CNN), đã đạt được thành công đáng kể trong các nhiệm vụ thị giác máy tính. Do đó, xu hướng việc sử dụng học sâu để phân tích điện não dé (EEG) ngày càng tăng.
Một số mô hình CNN sử dụng các tính năng phức hợp từ các lớp CNN khác nhau với hiệu quả tốt. Tuy nhiên, việc trích xuất và hợp nhất các đặc điểm có tính chất đa chiều thì vẫn chưa được khám phá cho các ứng dụng trên EEG. Hơn nữa, điện toán thông minh và trí tuệ nhân tạo đang được ứng dụng ngày càng tăng trong mọi lĩnh vực. Quá trình huấn luyện nhận thức cho máy tính dựa trên sự hiểu biết về não bộ con người thông qua các tín hiệu sóng não, chẳng hạn như điện não đồ.
Do đó, học sâu có thể hỗ trợ phát triển hệ thống nhận thức và các ứng dụng liên quan bằng cách cải thiện hiệu quả và độ chính xác của việc giải mã điện não đồ. Việc phân loại và nhận dạng điện não đồ luôn gặp nhiều thách thức do đặc điểm của dữ liệu chuỗi theo thời gian và tỷ lệ tin hiệu trên nhiễu thấp. Tuy nhiên, thông tin ẩn trong các lớp tích chập khác nhau có thé giúp cải thiện khả năng phân biệt đối tượng. Trong bài báo này, tác sử dụng dữ liệu hình ảnh vận động của điện não đồ EEG dé khám phá những lợi ích của việc trích xuất và kết hợp các tính năng tích tụ đa cấp từ các lớp CNN khác nhau.
Mô hình CNN được đề xuất của tác giả này có thé tìm hiểu các đặc điểm quang phổ và thời gian mạnh mẽ từ dữ liệu EEG thô. Và Tác giả cùng các cộng sự đã chứng minh rằng sự kết hợp tinh năng đa cấp như vậy tốt hơn các mô hình chỉ sử dụng các tính năng từ lớp cuối cùng.3 Sự kết hợp giữa CNN và FBCSP của tác giả Siavash Sakhavi. “Learning Temporal Information for Brain-Computer Interface Using Convolutional Neural Networks”[3] là một nghiên cứu của tac giả Siavash Sakhavi 4 và các cộng sự tại khoa Kỹ thuật Điện và Máy tính, Đại học Quốc gia Singapore (NUS), Singapore. Tác giả và các cộng sự đã chỉ ra rằng các phương pháp và kiến trúc học sâu (DL) đã trở thành các thuật toán phân loại tiên tiến nhất cho các vấn đề về thị giác máy tính và xử lý ngôn ngữ tự nhiên.
Tuy nhiên, việc áp dụng thành công các phương pháp này trong giao diện máy tính - não hình ảnh vận động (MI) (BCT), nhằm tăng cường hiệu suất phân loại, vẫn còn hạn chế. Trong bài báo này, Vì thế cho nên tác giả đề xuất một khung phân loại cho dữ liệu MI bằng cách giới thiệu một cách biểu diễn theo thời gian mới của dữ liệu và cũng sử dụng kiến trúc mạng nơ-ron tích hợp (CNN) dé phân loại. iêu diễn mới được tạo ra từ việc sửa đổi phương pháp mẫu không gian chung của ngân hàng bộ lọc và CNN được thiết kế và tối ưu hóa phù hợp hơn. Khung của chỉ đề nghiên cứu này vượt trội hơn so với phương pháp phân loại tốt nhất trong tài liệu về cuộc thi BCI IV - 2a tập dữ liệu MI 4 lớp, tăng 7% về độ chính xác trung bình của đối tượng.
Hơn nữa, bằng cách nghiên cứu trọng số tích tụ của các mạng được đào tạo, Nhóm tác giã đã có được cái nhìn sâu sắc về các đặc điểm thời gian của điện não đồ.