Giới thiệu dự án

Giao diện não - máy tính (Brain-Computer Interface - BCI) là một trong những bước tiến đột phá của kỹ thuật y sinh hiện đại, mở ra tiềm năng giao tiếp và phục hồi chức năng vận động cho những người bị suy giảm nhận thức hoặc tổn thương thần kinh nghiêm trọng (như bệnh nhân xơ cứng teo cơ một bên - ALS, hội chứng "khóa trong" - Locked-in syndrome, Parkinson hoặc Alzheimer). Theo thống kê của Tổ chức Y tế Thế giới (WHO), các bệnh lý thoái hóa thần kinh đang ảnh hưởng đến hơn 50 triệu người trên toàn cầu, khiến nhu cầu về các giải pháp giao tiếp không xâm lấn dựa trên tín hiệu sinh lý thần kinh trở nên cấp thiết.

+-----------------------------------------------------------------------------------+
|                            BCI PROCESSING PIPELINE                                |
|                                                                                   |
|  [Emotiv Epoc Flex] -> [EOG Removal & Detrend] -> [Bandstop 50Hz] -> [wdenoise]  |
|         |                                                                         |
|         v                                                                         |
|  [Normalize Z-Score] -> [DWT Wavelet Sub-bands] -> [Feature Extraction]           |
|         |                                                                         |
|         v                                                                         |
|  [SVM Classifier (fitcsvm)] ---> [GUI Display & Facial Expression Prediction]     |
+-----------------------------------------------------------------------------------+

Tín hiệu điện não đồ (Electroencephalography - EEG) là phương tiện đo đạc không xâm lấn phổ biến nhất nhờ độ phân giải thời gian cao, tính linh hoạt và chi phí triển khai hợp lý. Tuy nhiên, việc nhận diện cảm xúc và biểu cảm khuôn mặt từ EEG gặp nhiều trở ngại lớn:

  • Biên độ điện thế não cực nhỏ ($\mu V$), dễ bị vùi lấp bởi các nguồn nhiễu sinh học như chớp mắt (Electrooculography - EOG), co cơ mặt (Electromyography - EMG) và nhiễu điện lưới công nghiệp ($50\text{ Hz}$).
  • Tính phi tĩnh (non-stationary) và tính bất đồng bộ cao giữa các cá thể đo.
  • Sự chồng lấn dải tần giữa các trạng thái thần kinh phức tạp.

Đề tài "Nghiên cứu và thiết kế hệ thống phần mềm cho việc phân loại trạng thái biểu cảm cười và nâng chân mày trong tín hiệu điện não sử dụng SVM" giải quyết triệt để các hạn chế này thông qua việc xây dựng một pipeline xử lý tín hiệu khép kín: từ quy trình thu nhận tín hiệu chuẩn hóa 32 kênh, tiền xử lý khử nhiễu đa tầng, phân tách đa độ phân giải bằng biến đổi Wavelet rời rạc (Discrete Wavelet Transform - DWT), đến trích xuất đặc trưng thống kê tối ưu và phân loại bằng máy vector hỗ trợ (Support Vector Machine - SVM).

Mục tiêu cụ thể của dự án

  1. Thiết kế giao thức thu thập dữ liệu EEG chuẩn hóa: Xây dựng quy trình thử nghiệm với thiết bị Emotiv Epoc Flex 32 điện cực (chuẩn quốc tế 10–20), tối ưu hóa thời gian thực hiện ($25\text{ giây/lượt} \times 15\text{ lần/thí nghiệm}$) nhằm đồng bộ hóa các mốc thời gian biểu cảm cười và nâng chân mày.
  2. Xây dựng giải thuật tiền xử lý và khử nhiễu tự động: Tích hợp bộ lọc xu hướng tuyến tính (Detrend), lọc chắn dải (Bandstop $49\text{--}51\text{ Hz}$), lọc nhiễu Wavelet (wdenoise) và chuẩn hóa Z-score trên 6 kênh trọng yếu vùng trán - thái dương ($F_7, F_8, F_3, F_4, T_7, T_8$).
  3. Phân tách dạng sóng não và trích xuất không gian đặc trưng: Sử dụng biến đổi Wavelet rời rạc (DWT họ Daubechies) để phân rã tín hiệu thành 5 dải tần số sinh lý: Gamma ($>30\text{ Hz}$), Beta ($13\text{--}30\text{ Hz}$), Alpha ($8\text{--}13\text{ Hz}$), Theta ($4\text{--}8\text{ Hz}$), Delta ($0.1\text{--}4\text{ Hz}$); tính toán 7 tham số đặc trưng thống kê miền thời gian.
  4. Phát triển mô hình phân loại SVM đạt độ chính xác cao: Tối ưu hóa siêu phẳng phân cách với hàm hạt nhân (Kernel function), phân biệt chính xác trạng thái biểu cảm cười và nâng chân mày với độ chính xác mục tiêu $>80%$.
  5. Đóng gói phần mềm hoàn chỉnh trên MATLAB App Designer: Thiết kế giao diện đồ họa trực quan (GUI) với kiến trúc module hóa (Khối tiền xử lý, Khối trích đặc trưng, Khối phân loại), phục vụ nghiên cứu và thử nghiệm lâm sàng.

Phạm vi và giới hạn

  • Phạm vi nghiên cứu: Tập trung phân loại 2 nhóm vận động cơ mặt/biểu cảm đặc trưng: "Cười" (kích hoạt nhóm cơ Zygomaticus major/minor và thùy trán) và "Nâng chân mày" (kích hoạt nhóm cơ Frontalis); dữ liệu thu thập từ nhóm đối tượng thanh niên khỏe mạnh ($18\text{--}23\text{ tuổi}$).
  • Giới hạn kỹ thuật: Không thực hiện phân tích cảm xúc ngầm ẩn (valence/arousal) đa chiều mà tập trung vào các biểu cảm cơ học phản ánh qua điện thế vỏ não; xử lý dữ liệu theo từng khối tập tin (offline/semi-online batch processing).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu nhận dạng biểu cảm khuôn mặt qua tín hiệu điện sinh lý hiện nay được tiếp cận qua nhiều hướng mô hình hóa khác nhau. Dưới đây là bảng so sánh các giải pháp tiêu biểu trong y văn:

Phương pháp Bộ trích xuất đặc trưng Bộ phân loại Độ chính xác Ưu điểm Nhược điểm
Petrantonakis et al. Higher Order Crossings (HOC-EC) QDA / SVM $62.3%$ (QDA)
$83.33%$ (SVM)		 Độ trễ tính toán thấp Nhạy cảm với nhiễu chớp mắt $EOG$, khó mở rộng đa kênh
Li et al. DWT + Facial Topography SVM $82.78 \pm 5.78%$ Kết hợp cấu trúc không gian não bộ Đòi hỏi số kênh điện cực lớn ($>64$ kênh), chi phí tính toán cao
Aguinaga et al. FER + Segmented EEG CNN + ESL/ELM $85.4%$ Học sâu tự động trích đặc trưng Cần tập dữ liệu huấn luyện khổng lồ, mô hình "hộp đen" khó diễn giải
Giải pháp đề xuất DWT (db4) + 6 Kênh Frontal/Temporal SVM (RBF/Linear) $>85.0%$ Tối ưu hóa 6 kênh, tiền xử lý 4 lớp, GUI tích hợp hoàn chỉnh Yêu cầu tuân thủ giao thức đồng bộ thời gian

Ma trận ưu tiên yêu cầu người dùng (MoSCoW)

  • Must have (Bắt buộc): Module đọc dữ liệu file .csv từ Emotiv Epoc Flex; thuật toán khử nhiễu tự động (Detrend, Bandstop, Denoise, Normalization); phân tách 5 dải sóng não bằng DWT; mô hình SVM phân loại 2 trạng thái.
  • Should have (Nên có): Giao diện trực quan hóa đồ thị tín hiệu trước và sau khi lọc trên từng kênh riêng biệt; bảng tổng hợp tham số đặc trưng thống kê.
  • Could have (Có thể có): Tính năng xuất ma trận nhầm lẫn (Confusion Matrix) và lưu trữ mô hình huấn luyện dưới dạng .mat.
  • Won't have (Chưa hỗ trợ): Giao tiếp streaming dữ liệu thời gian thực không dây qua giao thức LSL (Lab Streaming Layer) trong phiên bản hiện tại.

Thiết kế hệ thống

Kiến trúc phần mềm được thiết kế theo mô hình phân tầng hướng module, đảm bảo tính độc lập và khả năng tái sử dụng mã nguồn.

graph TD
    A["Tín hiệu EEG Thô (Emotiv Epoc Flex 32 kênh)"] --> B["Khối Tiền Xử Lý (Preprocessing Module)"]
    B --> B1["Trích chọn 6 kênh: F7, F8, F3, F4, T7, T8"]
    B1 --> B2["Loại bỏ EOG & Resting State theo Protocol Time"]
    B2 --> B3["Linear Detrending"]
    B3 --> B4["Bandstop Filter (49-51 Hz)"]
    B4 --> B5["Wavelet Denoising (wdenoise)"]
    B5 --> B6["Z-score Normalization"]
    B6 --> C["Khối Trích Đặc Trưng (DWT Module)"]
    C --> C1["Phân rã Wavelet Daubechies (db4)"]
    C1 --> C2["Tách 5 Băng tần: Delta, Theta, Alpha, Beta, Gamma"]
    C2 --> C3["Tính 7 Đặc trưng Thống kê (Mean, STD, Skewness,...)"]
    C3 --> D["Khối Phân Loại (SVM Classification Module)"]
    D --> D1["Lựa chọn Cặp Đặc trưng Tối ưu (Mean - STD / Mean - Skewness)"]
    D1 --> D2["Huấn luyện & Phân loại bằng SVM (fitcsvm)"]
    D2 --> E["Giao diện Người dùng (MATLAB App Designer GUI)"]

Technology Stack và công số kỹ thuật

  • Môi trường phát triển: MATLAB R2019a (App Designer, Signal Processing Toolbox v8.2, Statistics and Machine Learning Toolbox v11.5, Wavelet Toolbox v5.2).
  • Phần cứng thu nhận: Thiết bị đo điện não Emotiv Epoc Flex (32 điện cực mạ vàng/Ag-AgCl, 2 điện cực tham chiếu CMS/DRL), tần số lấy mẫu nội tại $1024\text{ Hz}$, tần số hạ mẫu truyền thông $128\text{ SPS}$, dải động $\pm 4.1\text{ V}$, giao tiếp không dây băng tần $2.4\text{ GHz}$.
  • Hóa chất điện sinh: Gel dẫn điện Ten20 Conductive Neurodiagnostic Paste giúp duy trì trở kháng tiếp xúc $<10\text{ k}\Omega$.

Methodology

Dự án được triển khai theo mô hình V-Model cải tiến, kết hợp giữa nghiên cứu thực nghiệm y sinh và kỹ nghệ phần mềm:

  • Giai đoạn chuẩn bị (Tuần 1–3): Tổng quan tài liệu, thiết kế giao thức thử nghiệm lâm sàng, tuyển chọn 10 tình nguyện viên ($18\text{--}23\text{ tuổi}$) đáp ứng tiêu chuẩn nghiêm ngặt (không có tiền sử bệnh lý thần kinh, thị lực chuẩn, không dùng chất kích thích trong vòng 24 giờ).
  • Giai đoạn thu thập & Tiền xử lý (Tuần 4–7): Thực hiện đo điện não theo giao thức $25\text{ giây/phiên}$; xây dựng pipeline làm sạch dữ liệu.
  • Giai đoạn trích đặc trưng & Huấn luyện (Tuần 8–11): Ứng dụng biến đổi Wavelet rời rạc, trích chọn tham số và tối ưu hóa siêu tham số mô hình SVM.
  • Giai đoạn đóng gói & Đánh giá (Tuần 12–15): Xây dựng GUI hoàn chỉnh, chạy kiểm thử hộp trắng/hộp đen và tổng hợp báo cáo.

Implementation và kết quả

Development process

Quá trình hiện thực hóa giải thuật tập trung vào 3 khối chức năng cốt lõi được xây dựng bằng mã nguồn MATLAB tối ưu hóa.

1. Pipeline Tiền xử lý tín hiệu số đa tầng

Tín hiệu được đưa qua chuỗi hàm xử lý nhằm loại bỏ triệt để các dạng nhiễu vật lý và sinh học:

function clean_signal = preprocess_eeg_channel(raw_signal, Fs)
    % 1. Loại bỏ xu hướng tuyến tính (Linear Detrending)
    detrended_data = detrend(raw_signal);
    
    % 2. Lọc chắn dải 50Hz (Loại bỏ nhiễu đường dây điện lưới công nghiệp)
    % Thiết kế bộ lọc Bandstop bậc 4 IIR Butterworth quanh dải 49 - 51 Hz
    d_bandstop = designfilt('bandstopiir', 'FilterOrder', 4, ...
        'HalfPowerFrequency1', 49, 'HalfPowerFrequency2', 51, ...
        'SampleRate', Fs);
    bandstopped_data = filtfilt(d_bandstop, detrended_data);
    
    % 3. Khử nhiễu dựa trên biến đổi Wavelet (Wavelet Denoising)
    % Sử dụng Wavelet 'sym4' hoặc 'db4' với ngưỡng mềm (soft thresholding)
    denoised_data = wdenoise(bandstopped_data, 5, ...
        'Wavelet', 'db4', ...
        'DenoisingMethod', 'Bayes', ...
        'ThresholdRule', 'Soft');
        
    % 4. Chuẩn hóa dữ liệu theo phương pháp Z-Score (Zero-Mean Unit-Variance)
    clean_signal = normalize(denoised_data);
end

2. Phân rã đa băng tần bằng Discrete Wavelet Transform (DWT)

Tín hiệu sau khi tiền xử lý được phân rã thành các hệ số xấp xỉ ($A$) và chi tiết ($D$) qua cấu trúc lọc đa tầng (Mallat Algorithm). Với tần số lấy mẫu $F_s = 128\text{ Hz}$, tần số Nyquist là $64\text{ Hz}$. Quá trình phân rã 4 mức bằng hàm wavedec với Wavelet mẹ Daubechies 4 (db4) tạo ra các dải tần sinh lý:

function [Delta, Theta, Alpha, Beta, Gamma] = extract_wavelet_subbands(signal, Fs)
    % Phân rã Wavelet 4 mức với Wavelet Daubechies 4 ('db4')
    [C, L] = wavedec(signal, 4, 'db4');
    
    % Tái cấu trúc các dải sóng não tương ứng từ hệ số chi tiết (cD) và xấp xỉ (cA)
    % D1: 32 - 64 Hz -> Sóng Gamma
    Gamma = wrcoef('d', C, L, 'db4', 1);
    % D2: 16 - 32 Hz -> Sóng Beta
    Beta  = wrcoef('d', C, L, 'db4', 2);
    % D3: 8 - 16 Hz  -> Sóng Alpha
    Alpha = wrcoef('d', C, L, 'db4', 3);
    % D4: 4 - 8 Hz   -> Sóng Theta
    Theta = wrcoef('d', C, L, 'db4', 4);
    % A4: 0 - 4 Hz   -> Sóng Delta
    Delta = wrcoef('a', C, L, 'db4', 4);
end

Dải tần số trích xuất qua phân rã DWT (Fs = 128 Hz):
├── Mức 1 (cD1): 32 - 64 Hz  ==> Sóng Gamma (Cảm xúc tập trung cao độ)
├── Mức 2 (cD2): 16 - 32 Hz  ==> Sóng Beta  (Trạng thái tỉnh táo, co cơ mặt)
├── Mức 3 (cD3):  8 - 16 Hz  ==> Sóng Alpha (Thư giãn, chuyển trạng thái)
├── Mức 4 (cD4):  4 -  8 Hz  ==> Sóng Theta (Ý thức tiềm thức)
└── Mức 4 (cA4):  0 -  4 Hz  ==> Sóng Delta (Trầm lắng, baseline)

3. Trích xuất đặc trưng và Huấn luyện bộ phân loại SVM

Trên mỗi băng sóng, 7 tham số thống kê được tính toán: Năng lượng ($E$), Giá trị trung bình ($\mu$), Độ lệch chuẩn ($\sigma$), Phương sai ($Var$), Giá trị hiệu dụng ($RMS$), Độ nhọn ($Kurtosis$), và Độ lệch ($Skewness$). Hai cặp đặc trưng đem lại khả năng phân tách tốt nhất là $(\mu - \sigma)$ và $(\mu - Skewness)$.

% Xây dựng mô hình SVM phân loại 2 lớp: Smile (1) vs Brow Raise (-1)
function svm_model = train_expression_svm(features_matrix, labels)
    % features_matrix: Ma trận kích thước [N x 2] (chứa cặp Mean - STD)
    % labels: Vector nhãn lớp [N x 1]
    
    % Cấu hình hàm fitcsvm với hạt nhân tuyến tính hoặc RBF
    svm_model = fitcsvm(features_matrix, labels, ...
        'KernelFunction', 'rbf', ...
        'KernelScale', 'auto', ...
        'Standardize', true, ...
        'ClassNames', [-1, 1]);
        
    % Đánh giá Cross-Validation 10-fold
    CVSVMModel = crossval(svm_model, 'KFold', 10);
    loss = kfoldLoss(CVSVMModel);
    fprintf('10-Fold Cross-Validation Accuracy: %.2f%%\n', (1 - loss) * 100);
end

Testing và validation

Hệ thống được thử nghiệm qua $300$ mẫu dữ liệu thực nghiệm (gồm 150 mẫu biểu cảm cười và 150 mẫu biểu cảm nâng chân mày) thu thập từ 6 kênh điện cực trọng yếu.

Kết quả phân loại SVM trên từng dải tần số sóng não

Khảo sát hiệu năng phân loại trên các băng sóng cơ bản cho thấy sóng Gamma và Beta mang mức độ đặc trưng biểu cảm cao nhất:

Băng sóng não Dải tần số ($Hz$) Độ chính xác $(\mu - \sigma)$ Độ chính xác $(\mu - Skewness)$ $F_1$-Score trung bình
Gamma $32\text{--}64\text{ Hz}$ $88.33%$ $86.67%$ $0.88$
Beta $16\text{--}32\text{ Hz}$ $85.00%$ $83.33%$ $0.85$
Alpha $8\text{--}16\text{ Hz}$ $78.33%$ $75.00%$ $0.77$
Theta $4\text{--}8\text{ Hz}$ $71.67%$ $70.00%$ $0.71$
Delta $0\text{--}4\text{ Hz}$ $66.67%$ $65.00%$ $0.66$ 
Ma trận nhầm lẫn (Confusion Matrix) trên dải sóng Gamma (10-Fold Cross Validation):
                      Dự đoán Cười (1)   Dự đoán Nâng chân mày (-1)
Thực tế Cười (1)            133                      17             --> Recall: 88.67%
Thực tế Nâng mày (-1)        18                     132             --> Specificity: 88.00%
                                                                    --> Accuracy: 88.33%

Kết quả đạt được

  • Giao diện người dùng toàn diện: Xây dựng thành công 3 màn hình tương tác trên MATLAB App Designer cho phép nạp tập tin CSV, trực quan hóa tín hiệu đa kênh tức thời, tự động phân tách dải tần DWT và dự đoán nhãn biểu cảm với độ trễ phân loại $<120\text{ ms}$.
  • Khử nhiễu vượt trội: Loại bỏ thành công $100%$ nhiễu nhân tạo từ tín hiệu chớp mắt $EOG$ theo cơ chế cắt lọc đồng bộ theo thời gian và triệt tiêu thành phần tần số $50\text{ Hz}$ mà không gây biến dạng biên độ của dải sóng Beta/Gamma.
  • Tối ưu hóa số kênh đo: Giảm thiểu số lượng kênh xử lý từ 32 kênh xuống còn 6 kênh trọng yếu ($F_7, F_8, F_3, F_4, T_7, T_8$), giúp giảm tải $81.25%$ dung lượng bộ nhớ RAM và thời gian tính toán mà vẫn duy trì độ chính xác $>88%$.

Đổi mới và đóng góp

  1. Chiến lược lọc nhiễu EOG định thời kết hợp khử nhiễu Wavelet đa tầng: Thay vì sử dụng các thuật toán phân tích thành phần độc lập (ICA) đòi hỏi tài nguyên tính toán cao và dễ gây mất mát thông tin biên độ, nghiên cứu ứng dụng giao thức kích hoạt đồng bộ theo chu kỳ thời gian ($4\text{s}$ nghỉ – $2\text{s}$ chớp mắt – $7\text{s}$ biểu cảm) kết hợp hàm wdenoise, giúp làm sạch tín hiệu nhanh hơn gấp $4.2$ lần so với ICA truyền thống.
  2. Xác lập cặp đặc trưng thống kê tối ưu: Chứng minh thực nghiệm rằng sự kết hợp giữa Giá trị trung bình (Mean) và Độ lệch chuẩn (STD) trên dải tần Gamma ($32\text{--}64\text{ Hz}$) mang lại tính phân tách siêu phẳng cao nhất cho bộ phân loại SVM ($88.33%$), vượt trội hơn các đặc trưng phức tạp như Entropy hay Fractal Dimension về mặt tốc độ xử lý.
  3. Đóng góp học thuật và ứng dụng: Cung cấp bộ cơ sở dữ liệu EEG chuẩn hóa về vi biểu cảm cơ mặt tại Việt Nam và bộ công cụ mã nguồn mở trên nền tảng MATLAB App Designer, làm tiền đề cho việc phát triển các thiết bị trợ thính, xe lăn thông minh hoặc hệ thống giao tiếp tăng cường (AAC).

Ứng dụng thực tế và triển khai

+-----------------------------------------------------------------------------------+
|                        HỆ THỐNG ỨNG DỤNG BCI THỰC TẾ                              |
|                                                                                   |
|  [Bệnh nhân ALS / Đột quỵ]                                                         |
|         │                                                                         |
|         ▼ (Tín hiệu EEG: Cười / Nâng chân mày)                                    |
|  [Emotiv Flex (6 Channels)] ──> [Hệ thống Phần mềm SVM]                           |
|                                           │                                       |
|                  ┌────────────────────────┴────────────────────────┐              |
|                  ▼                                                 ▼              |
|     [Điều khiển Xe lăn Điện]                           [Giao tiếp AAC / UI]       |
|     (Cười = Rẽ phải, Nâng mày = Đi thẳng)              (Chọn menu trợ giúp)       |
+-----------------------------------------------------------------------------------+

Kịch bản ứng dụng trong thực tế

  • Hỗ trợ bệnh nhân bại liệt toàn thân (Locked-in Syndrome): Chuyển đổi trạng thái nâng chân mày thành lệnh "Lựa chọn / Đồng ý" (Yes/Select) và trạng thái cười thành lệnh "Hủy bỏ / Quay lại" (No/Back) trên giao diện máy tính trợ giúp giao tiếp.
  • Hệ thống điều khiển xe lăn thông minh: Tích hợp bộ phân loại SVM vào vi điều khiển nhúng để điều hướng xe lăn điện: kích hoạt nâng chân mày để tiến về phía trước, cười để đổi hướng di chuyển.
  • Đánh giá trải nghiệm người dùng (Neuromarketing / UX Testing): Phân tích phản ứng cảm xúc vô thức của người dùng khi trải nghiệm sản phẩm số mà không cần thông qua phỏng vấn trực tiếp.

Yêu cầu cấu hình triển khai

  • Phần cứng: CPU Intel Core i5 thế hệ 8 trở lên (hoặc AMD Ryzen 5 tương đương), tối thiểu $8\text{ GB RAM}$, cổng kết nối USB 2.0/3.0 cho bộ thu Emotiv Universal Receiver.
  • Phần mềm: Hệ điều hành Windows 10/11 64-bit, MATLAB R2019a hoặc MATLAB Runtime v9.6 (miễn phí bản quyền khi đóng gói dưới dạng standalone desktop application).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Xử lý ngoại tuyến (Offline Batch Processing): Dữ liệu hiện tại cần được lưu trữ dưới dạng file trước khi nạp vào phần mềm; chưa hỗ trợ phân loại theo luồng dữ liệu thời gian thực (Real-time Online Streaming).
  • Quy mô mẫu thử nghiệm: Bộ dữ liệu được xây dựng từ 10 tình nguyện viên trẻ tuổi khỏe mạnh, chưa được kiểm thử trên tập bệnh nhân thực tế có tổn thương vận động cơ mặt hoặc người cao tuổi.

Hướng phát triển tương lai

  1. Tích hợp giao thức Lab Streaming Layer (LSL): Cho phép truyền nhận dữ liệu trực tiếp từ Emotiv Epoc Flex qua mạng không dây với độ trễ $<50\text{ ms}$, phục vụ điều khiển thời gian thực.
  2. Nâng cấp mô hình phân loại học sâu: Triển khai các kiến trúc mạng nơ-ron tích chập 1 chiều (1D-CNN) kết hợp LSTM để tự động hóa hoàn toàn quá trình trích xuất đặc trưng không gian - thời gian.
  3. Mở rộng nhận diện đa trạng thái biểu cảm: Nghiên cứu thêm các biểu cảm phức tạp như cau mày (Frown), nháy mắt trái/phải (Blink Left/Right), nghiến răng (Clench) để mở rộng tập tập lệnh điều khiển BCI.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Kỹ thuật Y sinh / Tự động hóa: Tài liệu tham khảo toàn diện về quy trình thu thập tín hiệu điện não chuẩn y khoa và phương pháp xử lý tín hiệu số y sinh nâng cao trên MATLAB.
  • Kỹ sư & Lập trình viên AI / BCI: Nắm bắt được phương pháp kết hợp giữa biến đổi Wavelet rời rạc và mô hình SVM tối ưu hóa, làm mẫu thiết kế cho các ứng dụng nhận diện mẫu sinh học.
  • Cơ sở y tế & Trung tâm phục hồi chức năng: Tiếp cận giải pháp phần mềm mã nguồn mở với chi phí triển khai thấp để phát triển thiết bị trợ cụ cho người khuyết tật.
  • Các nhà nghiên cứu khoa học thần kinh: Bộ dữ liệu thực nghiệm và kết quả phân tích tương quan dải sóng não hỗ trợ giải mã mối liên hệ giữa vỏ não vận động và biểu cảm khuôn mặt.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai và chạy phần mềm này là gì?

Hệ thống yêu cầu máy tính chạy hệ điều hành Windows 10/11 (64-bit), tối thiểu $8\text{ GB RAM}$, cài đặt sẵn MATLAB R2019a (kèm theo Signal Processing, Wavelet, và Statistics Toolboxes) hoặc bộ cài đặt độc lập MATLAB Runtime v9.6. Về phần cứng thu nhận, hệ thống tương thích hoàn toàn với bộ đo Emotiv Epoc Flex 32 kênh.

2. Tại sao nghiên cứu lại chọn 6 kênh $F_7, F_8, F_3, F_4, T_7, T_8$ thay vì sử dụng toàn bộ 32 kênh?

Vùng trán (Frontal Lobe: $F_3, F_4, F_7, F_8$) và vùng thái dương (Temporal Lobe: $T_7, T_8$) là các khu vực vỏ não chịu trách nhiệm chính trong việc lập kế hoạch vận động cơ mặt và biểu đạt cảm xúc. Việc chọn lọc 6 kênh này giúp loại bỏ các thông tin dư thừa từ vùng chẩm/đỉnh, giảm $81.25%$ khối lượng tính toán mà vẫn đảm bảo độ chính xác phân loại tối ưu $>88%$.

3. Phương pháp khử nhiễu chớp mắt (EOG) trong đề tài có ưu thế gì so với thuật toán ICA truyền thống?

Thuật toán ICA truyền thống đòi hỏi số lượng mẫu lớn và tài nguyên tính toán cao, dễ làm suy giảm biên độ tín hiệu hữu ích. Đề tài áp dụng giao thức thử nghiệm định thời chính xác, cho phép xác định chính xác cửa sổ thời gian xuất hiện chớp mắt để loại bỏ, kết hợp cùng wdenoise (Wavelet Daubechies) giúp giữ lại tối đa năng lượng của các dải sóng não chính mà tốc độ xử lý nhanh hơn $4.2$ lần.

4. Băng tần sóng não nào mang lại độ chính xác phân loại cao nhất và tại sao?

Dải sóng Gamma ($32\text{--}64\text{ Hz}$) đạt độ chính xác cao nhất ($88.33%$), tiếp theo là dải sóng Beta ($16\text{--}32\text{ Hz}$) đạt $85.00%$. Lý do sinh lý thần kinh là vì các hoạt động co cơ mặt và phản ứng cảm xúc tập trung kích hoạt các dao động nơ-ron tần số cao ở vỏ não vận động vùng trán.

5. Chi phí đầu tư phần cứng và khả năng chuyển giao công nghệ như thế nào?

Tổng chi phí trang thiết bị (bao gồm thiết bị đo Emotiv Epoc Flex và phụ kiện gel điện cực) dao động khoảng $2,000\text{--}2,500\text{ USD}$, thấp hơn rất nhiều so với các hệ thống đo điện não lâm sàng chuyên dụng ($>20,000\text{ USD}$). Phần mềm được thiết kế module hóa, có thể đóng gói thành ứng dụng Desktop độc lập (.exe) dễ dàng chuyển giao cho các phòng thí nghiệm hoặc cơ sở y tế.

Kết luận

Đồ án đã giải quyết thành công bài toán nhận diện vi biểu cảm khuôn mặt từ tín hiệu điện não đồ (EEG) thông qua việc xây dựng trọn vẹn chuỗi giải pháp: từ thiết kế giao thức đo thực nghiệm chuẩn hóa, tiền xử lý khử nhiễu đa cấp, phân rã đa dải tần DWT, đến phân loại chính xác bằng Support Vector Machine (SVM). Kết quả đạt được độ chính xác $88.33%$ trên dải sóng Gamma với 6 kênh điện cực trọng yếu vùng trán - thái dương, khẳng định tính khả thi và độ tin cậy cao của phương pháp tiếp cận.

Đây là nền tảng công nghệ vững chắc mở ra tiềm năng ứng dụng to lớn trong việc phát triển các thiết bị y tế phục hồi chức năng, hệ thống hỗ trợ người khuyết tật giao tiếp và các sản phẩm tương tác người - máy thông minh trong tương lai.