Luận văn thạc sĩ vật lý kỹ thuật đánh giá khả năng phân loại của giao diện não máy tính sử dụng linear discriminat analysis và mạng neuron tính chập với các bộ lọc không gian

Luận văn về giao diện não máy tính: Đánh giá khả năng phân loại sử dụng Linear Discriminant Analysis & mạng neuron tích chập với bộ lọc không gian.

• Tác giả: Nguyễn Trần Đức Minh
• Người hướng dẫn: TS. Nguyễn Trung Hậu
• Trường học: Trường Đại Học Bách Khoa - ĐHQG TP.HCM
• Chuyên ngành: Vật Lý Kỹ Thuật
• Đề tài: Phân Loại Tín Hiệu Não Sử Dụng Linear Discriminant Analysis và Mạng Neuron Tích Chập Với Các Bộ Lọc Không Gian: Ứng Dụng Trong Giao Diện Não-Máy Tính
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Mục tiêu chính của phục hồi chức năng
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC PHƯƠNG PHÁP
• 2.1. Giao diện não-máy tính
• 2.2. Giải thích liên não
• 2.3. Hệ thống điện cực 10-20
• 2.4. Các ứng dụng của BCI dựa trên các tín hiệu liên não phổ biến
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Mô hình thí nghiệm và quy trình thu dữ liệu
• 3.2. Bộ dữ liệu BCI Competition IV dataset 2a
• 3.3. Trích xuất đặc trưng
• 3.3.1. Sự cần thiết của bộ lọc không gian (spatial pattern) trong phân tích MI
• 3.3.2. Giải thích ma trận không gian
• 3.3.3. Nguyên lý thuật toán CSP
• 3.3.4. Các biến thể CSP
• 3.3.4.1. Filter-Bank Common Spatial Pattern (FBCSP)
• 3.3.4.2. Discriminative Filter-Bank Common Spatial Pattern (DFBCSP)
• 3.3.5. Lựa chọn đặc trưng
• 3.3.5.1. Thuật toán minimum-redundancy-maximum-relevance (mRmR)
• 3.3.5.2. Kết hợp hàm số Fisher với thuật toán mRmR
• 3.4. Phân loại dữ liệu
• 3.4.1. Thuật toán LDA trong bài toán phân loại
• 3.4.1.1. Phân loại 2 lớp tuyến tính
• 3.4.1.2. Phân loại 3 lớp bằng phương pháp OVO và OVA
• 3.4.2. Mạng neuron tích chập (CNN) trong bài toán phân loại
• 3.4.2.1. Mô tả khái niệm trong mạng CNN
• 3.4.2.1.1. Lớp tích chập – Convolutional layer
• 3.4.2.1.2. Lớp pooling (lớp gộp ảnh) – Pooling layer
• 3.4.2.1.3. Chiều dài bước – Stride length
• 3.4.2.2. Hiện tượng overfitting và underfitting
• 3.4.2.3. Hàm kích hoạt – Activation function
• 3.4.2.3.1. Lớp ReLu – Rectified Linear Units
• 3.4.2.4. Lớp kết nối đầy đủ – Fully connected layer
• 3.5. Đánh giá và phân tích kết quả
• 3.5.1. Lý thuyết xác thực chéo
• 3.5.2. Các mô hình và thông số đánh giá
• 3.6. Ngôn ngữ lập trình
• 4. CHƯƠNG 4: KẾT QUẢ VÀ BÀN LUẬN
• 4.1. Nhận xét kết quả các nghiên cứu
• 4.2. Thực hiện kết quả thu được và sau khi lựa chọn đặc trưng
• 4.3. Kết quả phân loại 2 lớp của LDA (CSP vs.4)
• 4.4. Kết quả phân loại 3 lớp
• 4.4.1. Khả năng của LDA
• 4.4.2. Khả năng của CNN
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Giao Diện Não Máy Tính BCI Khái Niệm

Mục tiêu chính của phục hồi chức năng là giúp cải thiện sức khỏe và phục hồi lại các chức năng như ban đầu. Từ đó giúp cho bệnh nhân trở nên tự lập (các hoạt động hằng ngày) và tự chủ (các hoạt động lao động). Ở các nước phát triển, ngành phục hồi chức năng đã phát triển lâu đời, có vai trò cực kỳ quan trọng và là một lĩnh vực lớn mà được chú trọng đầu tư công nghệ. Trong khi đó, phục hồi chức năng ở Việt Nam còn khá mới và chưa có các công nghệ hiện đại để hỗ trợ bệnh nhân. Tính đến năm 2018, Việt Nam có trên 7 triệu người khuyết tật (chiếm 7,8% dân số). Các dạng khuyết tật có tỷ lệ cao nhất liên quan đến vận động (27%), thị giác (15%), nghe và nói (15%), tâm thần và trí tuệ (31%) [1]. Trong đó thành phần bệnh nhân có nhu cầu phục hồi chức năng thần kinh chiếm hơn 16%. Phục hồi chức năng thần kinh là phương pháp điều trị liên ngành các tổn thương của thần kinh. Trong phương pháp hiện đại nhất là sử dụng robot hỗ trợ trong phục hồi chức năng thần kinh, một công nghệ đã và đang được phát triển trong vài thập kỷ gần đây và được cho là có tiềm năng lớn trong lĩnh vực phục hồi chức năng thần kinh.

1.1. Ứng dụng BCI trong Hỗ Trợ Bệnh Nhân Liệt Vận Động

Để giúp các bệnh nhân bị liệt chức năng vận động và liệt chi, như bị xơ cứng teo cơ một bên (ALS) hay tổn thương cột sống (SCI), giao diện não-máy tính (BCI) đã được nghiên cứu hơn ba thập kỷ. BCI là một hệ thống thiết lập đường liên lạc giao tiếp nhân tạo giữa hệ thần kinh trung ương (CNS) và thiết bị ngoại vi, như là một cơ vận động ngoại biên, khi đường dẫn truyền thần kinh sinh học bị suy yếu hoặc không còn hoạt động [3]. Trong một nghiên cứu đột phá năm 2021, một nhóm nghiên cứu từ Đại học Brown (Brown University, US) đã thành công cấy ghép thiết bị BrainGates 96-pin vào vỏ não vận động của 2 bệnh nhân liệt tứ chi, cho phép họ điều khiển cánh tay robot để nâng và uống tách cà phê không cần hỗ trợ sau 15 năm bị liệt [4].

1.2. Tiềm Năng Phát Triển BCI trong Tương Lai

Vào tháng 4/2021, công ty Neuralink của Elon Musk đã công bố đoạn phim ngắn trên kênh Youtube quan sát chú khỉ Pager được cấy các điện cực vào não và chỉ sử dụng ý nghĩ để chơi trò chơi Ping Pong. Từ đó theo bài blog của công ty [5], công ty hứa hẹn sẽ sử dụng công nghệ BCI để giúp cải thiện cuộc sống của những người với chứng rối loạn thần kinh và tàn tật [5]. Tháng 5/2021, một nhóm nghiên cứu phát triển hệ BCI cấy trong não mà giải mã được những ý định chuyển động viết tay từ vỏ não vận động và chuyển chúng thành tin nhắn theo thời gian thực. Với hệ thống này, bệnh nhân tham gia nghiên cứu bị liệt từ chấn thương tủy sống có thể định vận được với tốc độ 90 ký tự mỗi phút với độ chính xác 94%.

II. Thách Thức và Giải Pháp Phân Loại Tín Hiệu Não Hiệu Quả

Ở trên thế giới đang có những cuộc đua tích cực trong phát triển hệ thống BCI, và ở Việt Nam cũng đã có những nhóm tiên phong dẫn đầu công cuộc này. Điển hình là nhóm nghiên cứu “Hệ giao diện não-Pi tính” đang nghiên cứu giao diện điều khiển chuột máy tính bằng tưởng tượng vận động. S Hà Thị Thanh Hương, trưởng phòng thí nghiệm “Brain Health Lab”, thuộc Khoa Kỹ thuật Y Sinh, Đại học Quốc tế - Đại học Quốc gia TP. Ý nghĩa của luận văn: Từ nhận định về tình hình trên thế giới và ở Việt Nam, đề tài này được hoạch định theo hướng BCI với kỳ vọng là công nghệ tiềm năng trong việc hỗ trợ bệnh nhân phục hồi chức năng. Về khía cạnh khoa học, những đề tài trong phạm vi khoa cũng như các nghiên cứu trong các trường Đại học ở Việt Nam còn ít và chưa được phát triển nhiều. Do vậy, nghiên cứu hy vọng sẽ đóng góp vào lĩnh vực nghiên cứu điện não trong khoa, cũng như tiếp cận được những kiến thức và công nghệ của thế giới trong lĩnh vực khoa học thần kinh và phục hồi chức năng.

2.1. Tại Sao Cần Phân Loại Tín Hiệu Não Chính Xác trong BCI

Về mặt kỹ thuật, các hệ thống BCI đã phần còn thực hiện trong phòng thí nghiệm, chưa ra ứng dụng thị trường nhiều. Vì chưa có độ tin cậy cao, và chưa giải quyết được vấn đề “thiếu hụt trong BCI” (BCI illiteracy), là hiện tượng mà chỉ một số người mới để sinh ra hoạt động não bộ để sử dụng, số khác thì không. Vì những lý do nêu trên, các thuật toán dần được phát triển và deep learning dần được đưa vào để khắc phục độ tin cậy thấp của hệ thống, và cá nhân Kh để có thể phù hợp với mọi người. Bên cạnh đó, các nghiên cứu còn đưa ra các cách tiếp cận để rút ngắn thời gian huấn luyện của hệ thống [8].

2.2. Bộ Lọc Không Gian Spatial Filtering Giải Pháp Tối Ưu Hóa Tín Hiệu

Các nghiên cứu về BCI rất chú trọng việc phát triển các bộ phân tích để có thể tối ưu Kh được độ phân loại. Trong đó, thuật toán Common Spatial Pattern (CSP) là một trong những bộ lọc hiệu quả nhất trong việc tối ưu thông tin không gian trong bài toán phân biệt tưởng tượng mà không được nghiên cứu đầy đủ. Có những thuật toán được phát triển từ CSP được đề xuất trong nghiên cứu [9] có thể đi cùng với Mạng nơ-ron tích chập (CNN) để tìm ra mô hình phù hợp nhất cho từng đối tượng.

III. Phương Pháp CNN và LDA Phân Loại Tín Hiệu Não Ưu Việt

Cuối cùng, các nghiên cứu trước đã phần thực hiện trên dữ liệu của cuộc thi “BCI Competition” mà không có sự so sánh với chính dữ liệu của họ. Như vậy, nghiên cứu này sẽ áp dụng các mô hình kết hợp giữa các loại CSP và CNN để đánh giá mô hình nào tốt nhất hoặc phù hợp nhất cho các đối tượng. Từ đó sẽ so sánh giữa phương pháp cổ điển (LDA) và hiện đại (CNN) trên dữ liệu của chính nghiên cứu và dữ liệu từ cuộc thi “BCI Competition”.

3.1. Mạng Nơ ron Tích Chập CNN Ưu Điểm và Ứng Dụng

Những kết quả có được trong luận văn là do bản thân học viên thực hiện. Ngoài phần tài liệu tham khảo được liệt kê, các số liệu và kết quả thực nghiệm là trung thực và một phần kết quả được công bố trong một số công trình khoa học. Trong đó, các bộ lọc theo miền không gian khác nhau trong phân biệt các tác vụ tưởng tượng chuyển động chi. Dữ liệu điện não của đối tượng sẽ được thu và các đặc trưng ở miền không gian sẽ được trích xuất dưới dạng hình ảnh và đưa vào mạng CNN để phân loại 3 lớp.

3.2. Phân Tích Phân Biệt Tuyến Tính LDA Nền Tảng và So Sánh với CNN

Mô hình CNN được so sánh với mô hình Linear Discriminant Analysis (LDA) của nghiên cứu trước. Hơn nữa, các mô hình sẽ được so sánh với nhau trên dữ liệu tự thu và dữ liệu của “BCI Competition”. Kết quả luận văn cho thấy rằng việc cải tiến các bộ lọc theo miền không gian cải thiện được khả năng phân loại của mô hình LDA và CNN từ 10 - 30%. Hơn nữa, kết quả của mô hình CNN chưa vượt trội hơn mô hình LDA ở hầu hết các trường hợp. Cuối cùng là mô hình CNN và LDA phù hợp nhất với một bộ trích xuất riêng.

IV. Kết Quả Nghiên Cứu Đánh Giá Hiệu Quả Phân Loại Tín Hiệu Não

Các nghiên cứu về giao diện não-máy tính gần đây tập trung phát triển các mô hình phân loại và các thuật toán học sâu cũng thể hiện được vai trò quan trọng của mình. Vì thế luận văn này muốn kiểm chứng khả năng phân loại của mạng neuron tích chập (Convolutional Neural Network – CNN) với các bộ lọc theo miền không gian khác nhau trong phân biệt các tác vụ tưởng tượng chuyển động chi. Dữ liệu điện não của đối tượng sẽ được thu và các đặc trưng ở miền không gian sẽ được trích xuất dưới dạng hình ảnh và đưa vào mạng CNN để phân loại 3 lớp.

4.1. Cải Tiến Bộ Lọc Không Gian Tăng Độ Chính Xác Phân Loại

Mô hình CNN được so sánh với mô hình Linear Discriminant Analysis (LDA) của nghiên cứu trước. Hơn nữa, các mô hình sẽ được so sánh với nhau trên dữ liệu tự thu và dữ liệu của “BCI Competition”. Kết quả luận văn cho thấy rằng việc cải tiến các bộ lọc theo miền không gian cải thiện được khả năng phân loại của mô hình LDA và CNN từ 10 - 30%.

4.2. So Sánh CNN và LDA Mô Hình Nào Hiệu Quả Hơn Trong BCI

Hơn nữa, kết quả của mô hình CNN chưa vượt trội hơn mô hình LDA ở hầu hết các trường hợp. Cuối cùng là mô hình CNN và LDA phù hợp nhất với một bộ trích xuất riêng.Nghiên cứu aims to evaluate the Convolutional Neural Network (CNN) performance by combining it with a wide range of spatial filters to discriminate motor imagery tasks. Electroencephalogram (EEG) of healthy college-aged students were measured and spatial information of their EEG was extracted as image and input into CNN to differentiate the three tasks.

4.3. Áp dụng Deep Learning vào Phục Hồi Chức Năng và BCI

Các thuật toán deep learning được áp dụng để cải tiến độ tin cậy của hệ thống BCI. Deep learning có thể phù hợp với nhiều người và rút ngắn thời gian huấn luyện hệ thống. Các bộ phân tích, như thuật toán common Spatial Pattern, được dùng để tối ưu thông tin không gian trong bài toán phân biệt tưởng tượng.

Nội dung chính

Tổng quan nghiên cứu

Giao diện não-máy tính (Brain-Computer Interface - BCI) là công nghệ tiên tiến giúp kết nối trực tiếp giữa não bộ và thiết bị ngoại vi, hỗ trợ người khuyết tật vận động, đặc biệt là bệnh nhân liệt do các bệnh thần kinh như ALS hay tổn thương tủy sống. Theo ước tính, Việt Nam có trên 7 triệu người khuyết tật, trong đó tỷ lệ cao nhất là khuyết tật vận động chiếm khoảng 27%. Nghiên cứu này tập trung vào việc cải thiện hiệu suất phân loại các tác vụ tưởng tượng vận động (Motor Imagery - MI) trong hệ thống BCI bằng cách ứng dụng các thuật toán phân loại Linear Discriminant Analysis (LDA) và mạng neuron tích chập (Convolutional Neural Network - CNN) kết hợp với các bộ lọc không gian đa dạng.

Mục tiêu chính của luận văn là khảo sát và đánh giá hiệu quả của các bộ lọc không gian trong việc nâng cao độ chính xác phân loại các tác vụ MI, đồng thời so sánh hiệu suất giữa mô hình LDA truyền thống và mô hình CNN hiện đại trên cả dữ liệu tự thu thập và dữ liệu chuẩn BCI Competition IV 2a. Phạm vi nghiên cứu bao gồm dữ liệu EEG thu thập từ 16 sinh viên khỏe mạnh, với tổng số khoảng 4000 trial, cùng với dữ liệu chuẩn từ BCI Competition IV 2a gồm 9 người tham gia. Thời gian thu thập dữ liệu kéo dài từ tháng 10/2019 đến tháng 3/2021 tại phòng thí nghiệm Kỹ thuật Y sinh, Trường Đại học Bách Khoa TP. Hồ Chí Minh.

Nghiên cứu có ý nghĩa quan trọng trong việc phát triển các hệ thống BCI chính xác và ổn định hơn, góp phần nâng cao chất lượng cuộc sống cho người khuyết tật vận động, đồng thời mở rộng ứng dụng công nghệ AI và học sâu trong lĩnh vực y sinh và phục hồi chức năng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình nghiên cứu chính:

1. Common Spatial Pattern (CSP): Là thuật toán trích xuất đặc trưng không gian hiệu quả nhất trong phân loại tín hiệu EEG MI. CSP tối ưu hóa sự khác biệt về phương sai giữa hai lớp tín hiệu, giúp tăng khả năng phân biệt các trạng thái tưởng tượng vận động. Các biến thể như Filter-Bank CSP (FBCSP) và Discriminative Filter-Bank CSP (DFBCSP) được sử dụng để khai thác đa băng tần và tăng cường hiệu quả trích xuất.

2. Mạng neuron tích chập (CNN): Thuật toán học sâu mạnh mẽ trong việc xử lý dữ liệu dạng ảnh và tín hiệu đa chiều. CNN được áp dụng để phân loại các ảnh đặc trưng không gian trích xuất từ tín hiệu EEG, với các lớp tích chập, pooling và fully connected nhằm tự động học các đặc trưng phân biệt giữa các tác vụ MI.

Các khái niệm chính bao gồm:

• Motor Imagery (MI): Tưởng tượng vận động, kích hoạt các vùng não tương ứng mà không thực hiện vận động thực tế.
• Event-Related Desynchronization/Synchronization (ERD/ERS): Biến đổi công suất sóng não alpha và beta liên quan đến hoạt động vận động.
• Linear Discriminant Analysis (LDA): Phương pháp phân tích phân biệt tuyến tính, đơn giản và hiệu quả trong phân loại tín hiệu EEG.
• Spatial Filters: Bộ lọc không gian giúp tăng cường tín hiệu liên quan đến tác vụ MI và giảm nhiễu.

Phương pháp nghiên cứu

Nguồn dữ liệu gồm:

• Dữ liệu tự thu thập từ 16 sinh viên khỏe mạnh, thu thập tại phòng thí nghiệm Kỹ thuật Y sinh, Trường Đại học Bách Khoa TP. Hồ Chí Minh, với 250 trial mỗi loại tác vụ (tay trái, tay phải, chân), tổng khoảng 4000 trial.
• Dữ liệu chuẩn BCI Competition IV 2a gồm 9 người tham gia, mỗi người có khoảng 288 trial.

Phương pháp phân tích:

• Tiền xử lý tín hiệu EEG bao gồm lọc băng tần 8-14 Hz, loại bỏ nhiễu và artifact.
• Trích xuất đặc trưng không gian bằng các bộ lọc CSP, FBCSP, DFBCSP kết hợp với các thuật toán lựa chọn đặc trưng như minimum-redundancy-maximum-relevance (mRmR).
• Phân loại sử dụng mô hình LDA với các chiến lược phân loại hai lớp và ba lớp (One-versus-One, One-versus-All) và mô hình CNN với kiến trúc ba lớp tích chập.
• So sánh hiệu suất phân loại giữa LDA và CNN trên cả hai bộ dữ liệu.
• Thời gian nghiên cứu kéo dài từ tháng 10/2019 đến tháng 3/2021, bao gồm thu thập dữ liệu, tiền xử lý, huấn luyện và đánh giá mô hình.

Cỡ mẫu và phương pháp chọn mẫu đảm bảo tính đại diện và độ tin cậy cao, với số lượng trial lớn và đa dạng người tham gia. Phương pháp phân tích được lựa chọn nhằm khai thác tối đa đặc trưng không gian và thời gian của tín hiệu EEG, đồng thời tận dụng sức mạnh của học sâu trong việc tự động hóa trích xuất đặc trưng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Tăng hiệu suất phân loại nhờ bộ lọc không gian đa dạng: Việc áp dụng các bộ lọc không gian nâng cao như DFBCSP đã cải thiện hiệu suất phân loại từ 10% đến 30% so với CSP truyền thống trên cả mô hình LDA và CNN. Cụ thể, trên dữ liệu tự thu thập, độ chính xác phân loại ba lớp đạt trung bình 75% với DFBCSP, cao hơn khoảng 15% so với CSP.

2. So sánh hiệu suất giữa LDA và CNN: Mặc dù CNN có khả năng học đặc trưng phức tạp, kết quả cho thấy CNN không vượt trội hơn LDA về độ ổn định và độ chính xác trên hầu hết các trường hợp. Trên dữ liệu BCI Competition IV 2a, LDA đạt độ chính xác trung bình 78%, trong khi CNN đạt khoảng 74%. Sự khác biệt này có thể do CNN dễ bị overfitting khi dữ liệu không đủ lớn hoặc đặc trưng không được trích xuất phù hợp.

3. Mô hình phân loại ba lớp hiệu quả hơn hai lớp: Chiến lược phân loại ba lớp (One-versus-One) cho kết quả tốt hơn phân loại hai lớp, với độ chính xác tăng trung bình 5%. Điều này cho thấy khả năng phân biệt các tác vụ MI phức tạp được cải thiện khi sử dụng chiến lược phân loại phù hợp.

4. Ảnh hưởng của đặc trưng trích xuất riêng biệt: Kết quả cho thấy việc lựa chọn bộ lọc không gian phù hợp với từng mô hình (LDA hoặc CNN) là yếu tố quyết định để đạt hiệu suất tối ưu. Mô hình CNN và LDA đều đạt hiệu quả cao nhất khi kết hợp với bộ lọc không gian riêng biệt được tối ưu hóa cho từng mô hình.

Thảo luận kết quả

Nguyên nhân cải thiện hiệu suất nhờ bộ lọc không gian đa dạng là do các bộ lọc này giúp tăng cường tín hiệu liên quan đến MI và giảm thiểu ảnh hưởng của nhiễu và tín hiệu không liên quan. So với các nghiên cứu trước đây, kết quả tương đồng với báo cáo của ngành khi sử dụng DFBCSP và CNN trong phân loại MI, tuy nhiên sự vượt trội của CNN không rõ rệt do hạn chế về kích thước dữ liệu và tính đa dạng của mẫu.

Việc LDA thể hiện độ ổn định cao hơn CNN phù hợp với đặc điểm dữ liệu EEG có nhiều biến động và nhiễu, trong khi CNN cần lượng dữ liệu lớn hơn để tránh overfitting. Kết quả này nhấn mạnh tầm quan trọng của việc lựa chọn mô hình phù hợp với đặc điểm dữ liệu và mục tiêu ứng dụng.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác phân loại giữa các bộ lọc không gian và mô hình, cũng như bảng thống kê chi tiết độ chính xác từng lớp tác vụ MI, giúp minh họa rõ ràng sự khác biệt và hiệu quả của từng phương pháp.

Đề xuất và khuyến nghị

1. Áp dụng bộ lọc không gian đa dạng trong hệ thống BCI: Khuyến nghị sử dụng các bộ lọc như DFBCSP để tăng cường đặc trưng không gian, nhằm nâng cao độ chính xác phân loại các tác vụ MI. Chủ thể thực hiện: các nhà phát triển hệ thống BCI; Thời gian: triển khai trong 6 tháng tới.

2. Kết hợp mô hình LDA và CNN tùy theo đặc điểm dữ liệu: Đề xuất xây dựng hệ thống phân loại lai, tận dụng ưu điểm của LDA về độ ổn định và CNN về khả năng học đặc trưng phức tạp, nhằm tối ưu hiệu suất trên các bộ dữ liệu khác nhau. Chủ thể: nhóm nghiên cứu AI và y sinh; Thời gian: 12 tháng.

3. Tăng cường thu thập dữ liệu đa dạng và số lượng lớn: Để phát huy tối đa sức mạnh của CNN, cần mở rộng quy mô thu thập dữ liệu EEG với đa dạng người tham gia và điều kiện thử nghiệm, giúp giảm overfitting và nâng cao khả năng tổng quát hóa. Chủ thể: phòng thí nghiệm nghiên cứu; Thời gian: liên tục.

4. Phát triển giao diện người dùng thân thiện và hỗ trợ huấn luyện: Thiết kế giao diện BCI dễ sử dụng, tích hợp hướng dẫn và phản hồi trực quan giúp người dùng nhanh chóng làm quen và nâng cao hiệu quả tập luyện MI. Chủ thể: nhà phát triển phần mềm; Thời gian: 6-9 tháng.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và phát triển công nghệ BCI: Luận văn cung cấp cơ sở lý thuyết và thực nghiệm về các thuật toán phân loại MI, giúp cải tiến và phát triển các hệ thống BCI chính xác hơn.

2. Chuyên gia y sinh và phục hồi chức năng: Tham khảo để ứng dụng công nghệ BCI trong hỗ trợ phục hồi vận động cho bệnh nhân liệt, tăng hiệu quả điều trị và cải thiện chất lượng cuộc sống.

3. Nhà phát triển phần mềm AI và học sâu: Cung cấp ví dụ thực tiễn về ứng dụng CNN và LDA trong xử lý tín hiệu sinh học, từ đó phát triển các mô hình học máy phù hợp với dữ liệu y sinh.

4. Sinh viên và học viên ngành kỹ thuật y sinh, trí tuệ nhân tạo: Tài liệu tham khảo quý giá cho việc học tập, nghiên cứu và thực hành các kỹ thuật trích xuất đặc trưng và phân loại tín hiệu EEG.

Câu hỏi thường gặp

1. Tại sao cần sử dụng bộ lọc không gian trong phân loại tín hiệu EEG?
   Bộ lọc không gian giúp tăng cường tín hiệu liên quan đến tác vụ MI và giảm nhiễu, từ đó nâng cao độ chính xác phân loại. Ví dụ, DFBCSP cải thiện hiệu suất phân loại lên đến 30% so với CSP truyền thống.

2. Ưu điểm của LDA so với CNN trong phân loại tín hiệu EEG là gì?
   LDA đơn giản, ổn định và ít bị overfitting khi dữ liệu hạn chế, trong khi CNN cần nhiều dữ liệu hơn để phát huy hiệu quả. Nghiên cứu cho thấy LDA có độ chính xác cao hơn CNN trên dữ liệu thực nghiệm.

3. CNN có thể thay thế hoàn toàn LDA trong BCI không?
   Không hoàn toàn, CNN mạnh trong học đặc trưng phức tạp nhưng dễ bị overfitting với dữ liệu nhỏ. Kết hợp cả hai mô hình có thể tận dụng ưu điểm của từng phương pháp.

4. Dữ liệu EEG thu thập như thế nào trong nghiên cứu này?
   Dữ liệu được thu thập từ 16 sinh viên khỏe mạnh, sử dụng thiết bị NicoletOne với 6 kênh EEG theo chuẩn 10-20, thu thập khoảng 250 trial mỗi loại tác vụ MI.

5. Làm thế nào để cải thiện hiệu suất phân loại trong BCI?
   Ngoài việc sử dụng bộ lọc không gian đa dạng và mô hình phân loại phù hợp, cần tăng cường thu thập dữ liệu đa dạng, cải thiện tiền xử lý và thiết kế giao diện người dùng thân thiện để hỗ trợ tập luyện.

Kết luận

• Nghiên cứu đã chứng minh việc áp dụng các bộ lọc không gian đa dạng như DFBCSP giúp cải thiện hiệu suất phân loại tác vụ MI trong BCI từ 10% đến 30%.
• Mô hình LDA thể hiện độ ổn định và hiệu quả cao hơn CNN trên dữ liệu thực nghiệm, đặc biệt khi dữ liệu hạn chế.
• Chiến lược phân loại ba lớp (One-versus-One) cho kết quả tốt hơn phân loại hai lớp, phù hợp với bài toán phân biệt nhiều tác vụ MI.
• Việc lựa chọn bộ lọc không gian phù hợp với từng mô hình phân loại là yếu tố then chốt để đạt hiệu suất tối ưu.
• Đề xuất phát triển hệ thống BCI lai kết hợp LDA và CNN, mở rộng thu thập dữ liệu và cải tiến giao diện người dùng nhằm nâng cao ứng dụng thực tiễn.

Next steps: Triển khai các giải pháp đề xuất trong vòng 6-12 tháng, mở rộng quy mô dữ liệu và thử nghiệm trên nhóm người dùng đa dạng hơn.

Call-to-action: Các nhà nghiên cứu và phát triển BCI được khuyến khích áp dụng các phương pháp và mô hình trong luận văn để nâng cao hiệu quả hệ thống, đồng thời hợp tác mở rộng nghiên cứu ứng dụng trong phục hồi chức năng và y sinh.