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

Phân loại trạng thái biểu cảm cười và nâng chân mày từ tín hiệu điện não là một… 102 trang · Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh · 2022.

• Tác giả: Nguyễn Văn Minh
• Người hướng dẫn: ThS. Trần Đăng Khoa
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Y Sinh
• 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
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2022
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: NỘI DUNG NGHIÊN CỨU. TỔNG QUAN VỀ NÃO BỘ
• 1.1. Cấu tạo não bộ
• 1.2. ĐO ĐẠC VÀ THU NHẬN TÍN HIỆU ĐIỆN NÃO
• 1.2.1. Phương pháp thu tín hiệu điện não
• 1.2.2. Chuẩn điện cực 10-20
• 1.2.3. Thiết bị đo điện não Emotiv Flex
• 1.3. MỘT SỐ PHƯƠNG PHÁP TIỀN XỬ LÝ TÍN HIỆU
• 1.3.1. Loại bỏ xu hướng của tín hiệu
• 1.3.2. Bộ lọc chắn dải (Band Stop)
• 1.3.3. Khử nhiễu tín hiệu dựa trên phương pháp Wavelet
• 1.3.4. Chuẩn hóa dữ liệu sử dụng Z-Score
• 1.4. CÔNG THỨC THAM SỐ ĐẶC TRƯNG CHO TÍN HIỆU
• 1.5. CÁC NGUỒN GÂY NHIỄU TÍN HIỆU ĐIỆN NÃO
• 1.6. PHƯƠNG PHÁP BIẾN ĐỔI WAVELET RỜI RẠC
• 1.7. PHƯƠNG PHÁP PHÂN TÍCH TƯƠNG QUAN
• 1.8. MÁY VECTOR HỖ TRỢ
• 1.9. TÍNH TOÁN VÀ THIẾT KẾ
• 1.10. THIẾT KẾ QUY TRÌNH THÍ NGHIỆM
• 1.10.1. Quy trình chọn đối tượng thí nghiệm
• 1.10.2. Thiết kế giao thức thí nghiệm
• 1.10.3. Thu thập dữ liệu
• 1.10.4. Lọc tín hiệu chớp mắt (EOG) và tín hiệu điện não ở trạng thái thư giãn
• 1.10.5. Cơ sở dữ liệu
• 1.11. THIẾT KẾ HỆ THỐNG PHẦN MỀM PHÂN LOẠI TRẠNG THÁI BIỂU CẢM CƯỜI VÀ NÂNG CHÂN MÀY TRONG TÍN HIỆU ĐIỆN NÃO SỬ DỤNG SVM
• 1.11.1. Xây dựng các thuật toán
• 1.11.2. Cấu trúc phần mềm
• 1.11.3. Giao diện phần mềm
• 1.12. THI CÔNG HỆ THỐNG
• 1.12.1. QUÁ TRÌNH THU DỮ LIỆU
• 1.12.1.1. Thực hiện giao thức thí nghiệm
• 1.12.1.2. Thực hiện thu dữ liệu
• 1.12.2. THI CÔNG PHẦN MỀM
• 1.12.2.1. Khối tiền xử lý
• 1.12.2.2. Khối trích đặc trưng
• 1.12.2.3. Khối thực hiện phân loại trạng thái biểu cảm
• 1.13. THỬ NGHIỆM PHẦN MỀM
• 1.13.1. Khối tiền xử lý
• 1.13.2. Khối trích đặc trưng
• 1.13.3. Khối thực hiện phân loại trạng thái biểu cảm
• 1.14. KẾT QUẢ, NHẬN XÉT ĐÁNH GIÁ
• 1.15. THU THẬP DỮ LIỆU
• 1.16. DỮ LIỆU LOẠI BỎ TÍN HIỆU CHỚP MẮT VÀ TÍN HIỆU ĐIỆN NÃO TRONG TRẠNG THÁI THƯ GIÃN
• 1.17. PHÂN TÁCH TÍN HIỆU ĐIỆN NÃO THÀNH CÁC DẠNG SÓNG CƠ BẢN: GAMMA, BETA, ALPHA, THETA, DELTA
• 1.18. THỐNG KÊ KẾT QUẢ CÁC THAM SỐ
• 1.19. PHÂN LOẠI TRẠNG THÁI BIỂU CẢM CƯỜI VÀ NÂNG CHÂN MÀY SỬ DỤNG MÁY VECTOR HỖ TRỢ (SVM)
• 1.20. KẾT LUẬN- HƯỚNG PHÁT TRIỂN
• 1.21. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phân loại trạng thái biểu cảm cười và nâng chân mày

Phân loại trạng thái biểu cảm cười và nâng chân mày từ tín hiệu điện não là một lĩnh vực nghiên cứu đang thu hút sự chú ý lớn trong cộng đồng khoa học. Việc hiểu rõ về cách mà não bộ phản ứng với các biểu cảm này không chỉ giúp cải thiện công nghệ giao diện não-máy mà còn có thể ứng dụng trong y tế, đặc biệt là trong việc chẩn đoán và điều trị các rối loạn tâm lý. Nghiên cứu này sử dụng máy học SVM để phân tích tín hiệu điện não, từ đó phân loại các trạng thái cảm xúc một cách chính xác.

1.1. Khái niệm về tín hiệu điện não và cảm xúc

Tín hiệu điện não (EEG) là một phương pháp ghi lại hoạt động điện của não bộ. Các nghiên cứu đã chỉ ra rằng các trạng thái cảm xúc như cười và nâng chân mày có thể được nhận diện thông qua các mẫu tín hiệu điện não khác nhau. Việc phân tích các tín hiệu này giúp hiểu rõ hơn về mối liên hệ giữa cảm xúc và hoạt động não.

1.2. Tầm quan trọng của nghiên cứu trong y sinh

Nghiên cứu về phân loại trạng thái biểu cảm có thể mang lại nhiều lợi ích trong lĩnh vực y sinh. Đặc biệt, nó có thể hỗ trợ trong việc phát hiện sớm các rối loạn tâm lý và cải thiện chất lượng cuộc sống cho những người mắc bệnh lý thần kinh. Việc áp dụng công nghệ này trong thực tiễn có thể mở ra nhiều cơ hội mới cho y học.

II. Thách thức trong việc phân loại trạng thái biểu cảm từ tín hiệu điện não

Mặc dù có nhiều tiến bộ trong việc phân loại trạng thái biểu cảm từ tín hiệu điện não, nhưng vẫn còn nhiều thách thức cần phải vượt qua. Các yếu tố như nhiễu tín hiệu, độ chính xác của thiết bị thu thập và sự biến đổi trong phản ứng của từng cá nhân đều có thể ảnh hưởng đến kết quả phân loại. Những thách thức này cần được giải quyết để nâng cao độ tin cậy của các hệ thống phân loại.

2.1. Nhiễu tín hiệu và ảnh hưởng đến kết quả

Nhiễu tín hiệu là một trong những vấn đề lớn nhất trong việc phân tích tín hiệu điện não. Các yếu tố như chuyển động cơ thể, tiếng ồn môi trường và thậm chí là tín hiệu chớp mắt có thể làm giảm độ chính xác của việc phân loại. Việc phát triển các phương pháp lọc nhiễu hiệu quả là rất cần thiết.

2.2. Độ chính xác của thiết bị thu thập tín hiệu

Độ chính xác của thiết bị thu thập tín hiệu điện não cũng đóng vai trò quan trọng trong việc phân loại trạng thái biểu cảm. Các thiết bị như Emotiv Epoc Flex cần được kiểm tra và hiệu chuẩn thường xuyên để đảm bảo rằng dữ liệu thu thập được là chính xác và đáng tin cậy.

III. Phương pháp sử dụng SVM trong phân loại trạng thái biểu cảm

Máy học SVM (Support Vector Machine) là một trong những phương pháp hiệu quả nhất trong việc phân loại tín hiệu điện não. SVM hoạt động bằng cách tìm kiếm một siêu phẳng tối ưu để phân tách các lớp dữ liệu khác nhau. Phương pháp này đã được chứng minh là có khả năng phân loại chính xác các trạng thái biểu cảm cười và nâng chân mày từ tín hiệu điện não.

3.1. Nguyên lý hoạt động của SVM

SVM hoạt động dựa trên nguyên lý tìm kiếm siêu phẳng tối ưu để phân tách các lớp dữ liệu. Bằng cách tối ưu hóa khoảng cách giữa các điểm dữ liệu và siêu phẳng, SVM có thể đạt được độ chính xác cao trong việc phân loại các trạng thái cảm xúc.

3.2. Quy trình phân loại tín hiệu điện não

Quy trình phân loại tín hiệu điện não bằng SVM bao gồm các bước như thu thập dữ liệu, tiền xử lý, trích xuất đặc trưng và cuối cùng là phân loại. Mỗi bước đều cần được thực hiện cẩn thận để đảm bảo rằng kết quả cuối cùng là chính xác và đáng tin cậy.

IV. Ứng dụng thực tiễn của phân loại trạng thái biểu cảm

Phân loại trạng thái biểu cảm từ tín hiệu điện não có nhiều ứng dụng thực tiễn trong các lĩnh vực khác nhau. Từ y tế đến công nghệ giải trí, việc hiểu rõ về cảm xúc con người có thể giúp cải thiện trải nghiệm người dùng và hỗ trợ trong việc phát triển các sản phẩm công nghệ mới.

4.1. Ứng dụng trong y tế

Trong y tế, việc phân loại trạng thái biểu cảm có thể hỗ trợ trong việc chẩn đoán và điều trị các rối loạn tâm lý. Các bác sĩ có thể sử dụng thông tin này để đưa ra các quyết định điều trị chính xác hơn cho bệnh nhân.

4.2. Ứng dụng trong công nghệ giải trí

Trong lĩnh vực công nghệ giải trí, việc nhận diện cảm xúc có thể cải thiện trải nghiệm người dùng trong các trò chơi điện tử và ứng dụng thực tế ảo. Các nhà phát triển có thể tạo ra các sản phẩm tương tác hơn, giúp người dùng cảm thấy gắn kết hơn với nội dung.

V. Kết luận và hướng phát triển trong tương lai

Nghiên cứu về phân loại trạng thái biểu cảm cười và nâng chân mày từ tín hiệu điện não sử dụng SVM đã mở ra nhiều cơ hội mới trong lĩnh vực khoa học và công nghệ. Tuy nhiên, vẫn còn nhiều thách thức cần phải vượt qua để nâng cao độ chính xác và khả năng ứng dụng của các hệ thống này. Hướng phát triển trong tương lai có thể bao gồm việc cải thiện công nghệ thu thập tín hiệu và phát triển các thuật toán máy học mới.

5.1. Cải thiện công nghệ thu thập tín hiệu

Cải thiện công nghệ thu thập tín hiệu điện não sẽ giúp nâng cao độ chính xác của các hệ thống phân loại. Việc phát triển các thiết bị mới với khả năng thu thập dữ liệu tốt hơn là rất cần thiết.

5.2. Phát triển thuật toán máy học mới

Phát triển các thuật toán máy học mới có thể giúp cải thiện khả năng phân loại và nhận diện cảm xúc. Các nghiên cứu trong lĩnh vực này cần được tiếp tục để tìm ra các phương pháp hiệu quả hơn.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Giao diện não - máy tính (Brain-Computer Interface - BCI) là một hướng nghiên cứu trọng tâm trong lĩnh vực phục hồi chức năng sinh học, cho phép giải mã các tín hiệu sinh lý thần kinh từ não bộ người và chuyển đổi thành tín hiệu điều khiển thiết bị ngoại vi như xe lăn điện hoặc chương trình máy tính. Công nghệ này hỗ trợ cải thiện khả năng tự chăm sóc của người khuyết tật, đồng thời mở ra tiềm năng nhận dạng cảm xúc nhằm phục vụ theo dõi y tế cho những bệnh nhân bị suy giảm nhận thức do tổn thương thần kinh như Alzheimer hay Parkinson.

Trong các phương thức đo lường hoạt động não bộ không xâm lấn, điện não đồ (Electroencephalogram - EEG) được sử dụng phổ biến nhờ chi phí hợp lý, tính linh hoạt và độ phân giải thời gian cao. Bước nền tảng trong bài toán nhận diện cảm xúc là phân loại chính xác các trạng thái biểu cảm trên khuôn mặt thông qua tín hiệu EEG. 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" tập trung giải quyết bài toán phân biệt hai trạng thái biểu cảm vận động cơ mặt điển hình thông qua chuỗi xử lý tín hiệu số và học máy.

Mục tiêu chính của đề tài là ứng dụng thiết bị Emotiv Epoc Flex để thu nhận tín hiệu EEG, kết hợp thuật toán máy vector hỗ trợ (Support Vector Machine - SVM) nhằm phân loại hai trạng thái biểu cảm cười và nâng chân mày, từ đó xây dựng một giao diện phần mềm hoàn chỉnh phục vụ quá trình xử lý và nhận dạng.

Nhiệm vụ nghiên cứu được xác định qua 9 nội dung:

1. Tổng hợp các công trình nghiên cứu liên quan về giao thức thí nghiệm và các phương pháp xử lý tín hiệu điện não bao gồm tiền xử lý, trích xuất đặc trưng và phân loại.
2. Tìm hiểu phần mềm thu nhận tín hiệu điện não, xây dựng giao thức thí nghiệm (quy trình chọn đối tượng, các bước ghi tín hiệu và bảo quản dụng cụ).
3. Tiến hành đo đạc, thu thập và lưu trữ dữ liệu tín hiệu điện não.
4. Sắp xếp, phân tích cấu trúc dữ liệu điện não để hình thành bộ cơ sở dữ liệu phục vụ xử lý.
5. Tiến hành tiền xử lý tín hiệu điện não kèm theo chú thích, mô tả và phân tích.
6. Trích xuất đặc trưng và phân loại dữ liệu điện não tương ứng với từng trạng thái biểu cảm, kèm theo phân tích và đánh giá kết quả.
7. Vận dụng các phần mềm phân tích và thống kê dữ liệu khoa học.
8. Đánh giá kết quả phân tích dữ liệu và hoàn thiện báo cáo tổng hợp.
9. Báo cáo, trình bày kết quả nghiên cứu với giảng viên hướng dẫn.

Đối tượng nghiên cứu là tín hiệu điện não đồ (EEG) của con người tương ứng với hai trạng thái biểu cảm: cười và nâng chân mày.

Phạm vi nghiên cứu:

• Không gian: Phòng thí nghiệm Bộ môn Điện tử Công nghiệp – Y sinh, Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh.
• Thời gian thực hiện: Từ ngày 24/02/2022 đến ngày 21/06/2022.
• Đối tượng thử nghiệm: Các tình nguyện viên công tác và học tập tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh trong độ tuổi từ 18 đến 23, có thị lực bình thường, không mắc bệnh lý thần kinh, rối loạn cảm xúc, liệt cơ mặt và không mắc các bệnh truyền nhiễm về da đầu.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của đề tài dựa trên cấu trúc giải phẫu hệ thần kinh trung ương và các nguyên lý điện sinh lý học. Vỏ não người gồm 4 thùy chính: thùy trán (chiếm hơn 42% đại não, quản lý chức năng vận động, suy nghĩ và nhân cách), thùy thái dương (chiếm 22,63%, xử lý thính giác, ngôn ngữ và cảm xúc), thùy đỉnh (chiếm hơn 17%, quản lý cảm giác và xúc giác) và thùy chẩm (chiếm hơn 18%, phụ trách thị giác). Các hoạt động điện sinh học từ tế bào thần kinh tạo nên 5 dải sóng não cơ bản:

• Sóng Delta (0,1 – 4 Hz): Biên độ lớn nhất, xuất hiện khi ngủ sâu hoặc thiền định sâu.
• Sóng Theta (4 – 8 Hz): Xuất hiện trong trạng thái thư giãn sâu hoặc giấc ngủ nông.
• Sóng Alpha (8 – 13 Hz): Xuất hiện khi nghỉ ngơi, thư giãn với đôi mắt nhắm hoặc suy nghĩ thầm lặng.
• Sóng Beta (13 – 30 Hz): Xuất hiện khi tỉnh táo, tập trung tư duy, tính toán và giải quyết vấn đề.
• Sóng Gamma (từ 30 Hz trở lên): Thể hiện mức độ tập trung cao độ và trạng thái gia tăng cảm xúc.

Tín hiệu điện não được thu nhận theo chuẩn định vị điện cực quốc tế 10-20. Để tối ưu hóa quá trình tính toán và tập trung vào vùng liên quan đến vận động biểu cảm, nhóm nghiên cứu lựa chọn 6 kênh phân bố tại thùy trán và thùy thái dương gồm: F7, F8, F3, F4, T7 và T8.

Nguồn dữ liệu thực nghiệm được đo bằng mũ đo Emotiv Epoc Flex gồm 32 kênh điện cực và 2 cực tham chiếu, dây dẫn mạ vàng JST, sử dụng gel dẫn điện Ten20 (Ag-Cl). Tốc độ lấy mẫu đạt 128 mẫu/giây (SPS) với tần số nội tại 1024 Hz, băng thông 0,2 – 45 Hz, dải động ±4, truyền thông không dây 2,4 GHz về máy tính thông qua phần mềm Emotiv Pro.

Phương pháp xử lý tín hiệu và máy học bao gồm các kỹ thuật cụ thể:

• Loại bỏ tín hiệu chớp mắt (Electrooculography - EOG) và trạng thái thư giãn: Thay vì dùng các phép biến đổi phức tạp dễ làm suy hao biên độ như phân tích thành phần độc lập (ICA) hay phân tích thành phần chính (PCA), nghiên cứu cắt bỏ dữ liệu dựa trên mốc thời gian đã ấn định trong giao thức thực nghiệm.
• Tiền xử lý tín hiệu số: Sử dụng hàm detrend để loại bỏ xu hướng trôi dạt đường nền, hàm bandstop để triệt tiêu nhiễu tần số lưới điện 50 Hz, hàm wdenoise dựa trên Wavelet để khử nhiễu ngẫu nhiên, và hàm normalize để chuẩn hóa Z-score đưa dữ liệu về giá trị trung bình bằng 0 và độ lệch chuẩn bằng 1.
• Biến đổi Wavelet rời rạc (Discrete Wavelet Transform - DWT): Sử dụng cấu trúc lọc gương cầu phương (Quadrature mirror filter) với các hệ số xấp xỉ (Approximation - A) và chi tiết (Detail - D) để phân rã tín hiệu thành 5 dải sóng Gamma, Beta, Alpha, Theta, Delta.
• Trích xuất đặc trưng: Khảo sát 7 tham số thống kê gồm Năng lượng (Energy), Giá trị trung bình (Mean), Độ lệch chuẩn (Standard Deviation), Phương sai (Variance), Giá trị hiệu dụng (Root Mean Square), Độ nhọn (Kurtosis) và Độ lệch (Skewness). Phương pháp phân tích tương quan (Correlation Analysis) được dùng để đánh giá mối liên hệ tuyến tính giữa các biến.
• Phân loại học máy: Sử dụng mô hình máy vector hỗ trợ (SVM) thông qua hàm fitcsvm trên môi trường MATLAB nhằm thiết lập siêu phẳng phân cách tối đa hóa khoảng cách biên (Margin) giữa hai lớp dữ liệu biểu cảm.

Thiết kế và triển khai hệ thống phần mềm

Hệ thống phần mềm được thiết kế và xây dựng hoàn chỉnh trên công cụ App Designer của phần mềm MATLAB phiên bản 2019a. Kiến trúc phần mềm phân tách thành 3 khối chức năng liên hoàn:

Khối chức năng	Đầu vào	Công cụ / Hàm xử lý	Đầu ra
Khối tiền xử lý (Preprocessing Module)	Tệp dữ liệu CSV đã loại bỏ thời gian EOG và thư giãn	detrend(), bandstop(), wdenoise(), normalize()	Bảng số liệu chuẩn hóa và đồ thị tín hiệu 6 kênh trước/sau lọc
Khối trích đặc trưng (Feature Extraction Module)	Dữ liệu 6 kênh đã làm sạch	Biến đổi DWT, công thức tính 7 tham số thống kê	Dữ liệu 5 dải sóng não (Gamma, Beta, Alpha, Theta, Delta) và các véc-tơ đặc trưng
Khối phân loại (Classification Module)	Các cặp đặc trưng (Mean - STD, Mean - Skewness)	Hàm học máy fitcsvm của mô hình SVM	Nhãn phân loại (Cười / Nâng chân mày), số mẫu đúng/sai, tỷ lệ chính xác (%)

Chi tiết triển khai kỹ thuật tại từng khối:

• Khối tiền xử lý: Cho phép người dùng nhấn nút "Upload" để nạp tệp dữ liệu đã chọn lọc kênh. Giao diện cung cấp hai phương thức hiển thị: xử lý tự động đồng thời cả 6 kênh (F7, F8, F3, F4, T7, T8) theo chuỗi tuần tự detrend -> bandstop -> wdenoise -> normalize thông qua nút "Preprocessing", hoặc cho phép kiểm tra từng kênh đơn lẻ qua nút "Perform" với từng chức năng lọc riêng biệt để đánh giá trực quan dạng sóng trên biểu đồ.
• Khối trích đặc trưng: Dữ liệu tiền xử lý được tải lên qua nút "IMPORT DATA". Nút "ANALYSIS DWT" kích hoạt thuật toán phân rã Wavelet rời rạc thành 5 dải tần số. Người dùng có thể chọn hiển thị dữ liệu thành phần dạng số liệu qua nút "TABLE" hoặc dạng đồ thị qua nút "GRAPH". Nút "Features" tự động tính toán 7 tham số thống kê tại kênh được chỉ định.
• Khối phân loại trạng thái biểu cảm: Tích hợp thuật toán SVM nhị phân. Giao diện cho phép cấu hình dữ liệu huấn luyện, lựa chọn tập đặc trưng đầu vào, hiển thị trực quan các điểm dữ liệu phân tách qua ranh giới siêu phẳng và xuất kết quả phân loại kiểm thử dưới dạng bảng thống kê số mẫu nhận dạng chính xác.

Nội dung chính theo từng chương

Chương 1. Đặt vấn đề, mục tiêu và nội dung nghiên cứu

Chương 1 trình bày tổng quan về vai trò của công nghệ giao diện não - máy tính (BCI) không xâm lấn trong hỗ trợ y tế và phục hồi chức năng. Tác giả khảo sát các công trình tiền nhiệm về phân loại biểu cảm và cảm xúc qua EEG, bao gồm nghiên cứu của Petrantonakis và Hadjileontiadis (2010) sử dụng HOC-EC kết hợp SVM đạt 83,33%, nghiên cứu của Li và cộng sự ứng dụng DWT và SVM đạt 82,78%, nghiên cứu của J. Arvaneh phân loại 6 nét mặt qua SVM, LDA, NB, và mô hình mạng nơ-ron tích chập (CNN) của Aguinaga. Trên cơ sở đó, chương xác định mục tiêu, 9 nội dung nghiên cứu cụ thể, giới hạn phạm vi đề tài vào 2 trạng thái biểu cảm và bố cục 6 chương của khóa luận.

Chương 2. Cơ sở lý thuyết

Chương 2 hệ thống hóa cấu tạo giải phẫu não bộ (tiểu não, thân não, 4 thùy đại não) và các dải sóng não từ Delta đến Gamma. Nội dung mô tả kỹ thuật ghi điện não theo chuẩn quốc tế 10-20, cấu trúc mũ đo Emotiv Epoc Flex 34 điện cực (32 cực đo, 2 cực tham chiếu) với thông số lấy mẫu 128 SPS. Tiếp theo, chương trình bày toán học của các giải pháp tiền xử lý tín hiệu: khử xu hướng Detrend, bộ lọc chắn dải Band Stop, khử nhiễu ngẫu nhiên bằng Wavelet theo mô hình $y_i = g(t_i) + \sigma \varepsilon_i$, và chuẩn hóa Z-Score. Chương cung cấp công thức toán học tính 7 tham số đặc trưng: Energy, Mean, STD, Variance, RMS, Kurtosis, Skewness; phân tích các nguồn nhiễu sinh học (EOG, ECG, EMG) cùng nhiễu kỹ thuật; nguyên lý biến đổi Wavelet rời rạc (DWT) sử dụng bộ lọc gương cầu phương; phương pháp phân tích tương quan và lý thuyết phân loại của máy vector hỗ trợ (SVM) cùng hàm Kernel.

Chương 3. Tính toán và thiết kế

Chương 3 thiết lập quy trình thực nghiệm gồm 4 bước sàng lọc đối tượng (khảo sát sức khỏe loại trừ bệnh lý thần kinh, mắt, da đầu; kiểm tra tiêu chí; cung cấp thông tin; ký cam kết). Giao thức đo được thiết kế có tổng thời gian 25 giây cho mỗi lần thử (trial), thực hiện 15 lần lặp:

• Thư giãn lần 1: Giây thứ 1 đến giây thứ 4 (4 giây).
• Chớp mắt lần 1: Giây thứ 4 đến giây thứ 6 (2 giây).
• Thực hiện biểu cảm lần 1: Giây thứ 6 đến giây thứ 8 (2 giây).
• Thư giãn lần 2: Giây thứ 8 đến giây thứ 11 (3 giây).
• Thực hiện biểu cảm lần 2: Giây thứ 11 đến giây thứ 13 (2 giây).
• Chớp mắt lần 2: Giây thứ 13 đến giây thứ 15 (2 giây).
• Thư giãn lần 3: Giây thứ 15 đến giây thứ 18 (3 giây).
• Thực hiện biểu cảm lần 3: Giây thứ 18 đến giây thứ 20 (2 giây).
• Thư giãn lần 4: Giây thứ 20 đến giây thứ 23 (3 giây).
• Kết thúc: Giây thứ 23 đến giây thứ 25 (2 giây).

Dữ liệu chớp mắt (giây 4-6, 13-15) và thư giãn (giây 1-4, 8-11, 15-18, 20-23) được cắt bỏ hoàn toàn. Dữ liệu trích xuất từ 6 kênh F7, F8, F3, F4, T7, T8 được chuyển đổi từ tệp CSV sang định dạng ma trận. Phần thứ hai của chương trình bày sơ đồ thiết kế 3 khối thuật toán của phần mềm trên MATLAB.

Chương 4. Thi công hệ thống

Chương 4 phản ánh quá trình triển khai thực tế. Công tác thu thập dữ liệu gồm kiểm tra điện cực mạ vàng, bôi gel Ten20 tạo tiếp xúc với da đầu, kết nối đầu thu phát Emotiv Flex không dây 2,4 GHz với phần mềm Emotiv Pro trên máy tính. Đối tượng đo được hướng dẫn ngồi thả lỏng trên ghế, quan sát màn hình điều hướng giao thức. Quá trình đo luôn bố trí một người trực tiếp điều khiển và một người giám sát. Dữ liệu ghi nhận được lưu theo cấu trúc chuẩn: DATN_tên đối tượng_tuổi_giới tính_loại thí nghiệm_lần thí nghiệm dưới định dạng CSV và EDF. Sau đó, chương mô tả chi tiết quá trình lập trình giao diện đồ họa bằng App Designer, gán hàm cho từng nút điều khiển và thử nghiệm thành công toàn bộ chức năng từ nạp tệp, tiền xử lý, phân rã DWT đến huấn luyện mô hình SVM.

Chương 5. Kết quả, nhận xét đánh giá

Chương 5 công bố kết quả xử lý dữ liệu thực nghiệm trên 6 kênh tín hiệu trước và sau khi làm sạch. Tín hiệu sau tiền xử lý loại bỏ hoàn toàn các đỉnh nhiễu cơ học và trôi dạt đường nền. Thuật toán DWT tách thành công 5 dạng sóng não riêng biệt ở từng trạng thái biểu cảm. Chương trình bày các bảng thống kê chi tiết 7 tham số đặc trưng cho các dải sóng tại từng kênh. Kết quả kiểm thử phân loại của mô hình SVM cho thấy các tập đặc trưng mang lại độ chính xác khả quan, trong đó hai cặp tham số Mean - STD và Mean - Skewness đều đạt độ chính xác trên 80% khi phân biệt biểu cảm cười và nâng chân mày.

Chương 6. Kết luận - Hướng phát triển

Chương 6 tóm tắt toàn bộ khối lượng công việc đã hoàn thành so với mục tiêu ban đầu, khẳng định khả năng hoạt động ổn định của phần mềm giao diện trên MATLAB và đề xuất các định hướng nghiên cứu tiếp theo để hoàn thiện hệ thống.

Kết quả và đóng góp

Nghiên cứu đã thu thập và xử lý bộ cơ sở dữ liệu tín hiệu điện não thực nghiệm từ các đối tượng trong độ tuổi 18 – 23 khi thực hiện hai biểu cảm cười và nâng chân mày. Kết quả kiểm thử bộ phân loại máy vector hỗ trợ (SVM) trên các dải sóng não đã phân tách bằng Wavelet rời rạc được tổng hợp trong bảng sau:

Dải sóng thành phần	Đặc trưng trích xuất	Thuật toán phân loại	Độ chính xác nhận dạng
Gamma, Beta, Alpha, Theta, Delta	Giá trị trung bình và Độ lệch chuẩn (Mean - STD)	Máy vector hỗ trợ (SVM)	Trên 80%
Gamma, Beta, Alpha, Theta, Delta	Giá trị trung bình và Độ lệch (Mean - Skewness)	Máy vector hỗ trợ (SVM)	Trên 80%

Các giải pháp và đóng góp kỹ thuật do nhóm tác giả thực hiện:

• Xây dựng một giao thức thực nghiệm đo EEG chu kỳ 25 giây có tính lặp lại cao, kết hợp phương pháp làm sạch nhiễu EOG và trạng thái thư giãn bằng việc loại bỏ các khoảng thời gian cố định, giúp đơn giản hóa khối tính toán tiền xử lý mà vẫn bảo toàn nguyên vẹn cấu trúc thông tin của các đoạn biểu cảm thực sự.
• Tinh giản không gian dữ liệu bằng cách chọn lọc 6 kênh điện cực trọng điểm (F7, F8, F3, F4, T7, T8) thuộc thùy trán và thùy thái dương, giảm thiểu dung lượng lưu trữ và thời gian huấn luyện mô hình học máy.
• Phát triển thành công phần mềm giao diện đồ họa người dùng (GUI) hoàn chỉnh trên nền tảng MATLAB App Designer, tích hợp đồng bộ từ bước đọc dữ liệu thô, tiền xử lý lọc nhiễu, phân tách nhịp não Wavelet, trích xuất tham số đặc trưng đến phân loại nhận dạng biểu cảm.
• Khẳng định tính hiệu quả của mô hình SVM đối với các bộ dữ liệu sinh học quy mô vừa và nhỏ, đạt độ chính xác trên 80% khi kết hợp với hai cặp tham số thống kê đơn giản (Mean - STD và Mean - Skewness).

Hạn chế và hướng nghiên cứu tiếp

Khóa luận tự xác định các hạn chế kỹ thuật trong nội dung văn bản:

• Phạm vi nhận dạng chỉ giới hạn ở 2 trạng thái biểu cảm là cười và nâng chân mày, chưa mở rộng sang các biểu cảm khuôn mặt và trạng thái cảm xúc phức tạp khác.
• Quá trình tiền xử lý chưa tiến hành thử nghiệm, đối sánh hiệu năng giữa nhiều cấu hình và loại bộ lọc số khác nhau.
• Phương pháp loại bỏ tín hiệu chớp mắt dựa trên căn cứ mốc thời gian cố định của giao thức thí nghiệm, chưa phải là giải pháp lọc thích nghi tự động cho các cử động mắt ngẫu nhiên ngoài thực tế.
• Bộ cơ sở dữ liệu có quy mô còn nhỏ, tập trung trong nhóm tuổi hẹp (18 – 23 tuổi) tại một cơ sở đào tạo.
• Thuật toán SVM có hạn chế về yêu cầu bộ nhớ mở rộng và thời gian huấn luyện tăng nhanh khi kích thước tập dữ liệu gia tăng.

Các hướng mở rộng nghiên cứu được đề xuất:

• Mở rộng số lượng trạng thái biểu cảm khuôn mặt và nghiên cứu phân loại các trạng thái cảm xúc đa dạng của con người.
• Nghiên cứu ứng dụng các mô hình học sâu (Deep Learning), đặc biệt là mạng nơ-ron tích chập (CNN) kết hợp các thuật toán tối ưu hóa như Extreme Learning Machine (ELM) hoặc Extreme Sparse Learning (ESL) trên tập dữ liệu quy mô lớn hơn.
• Cải tiến thuật toán tiền xử lý theo hướng khử nhiễu tự động thời gian thực bằng cách kết hợp phân tích thành phần độc lập (ICA) với biến đổi Wavelet.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo chuyên môn cho sinh viên, học viên cao học và cán bộ nghiên cứu thuộc các chuyên ngành Kỹ thuật Y sinh, Điện tử Y sinh, Kỹ thuật Điều khiển - Tự động hóa, Xử lý tín hiệu số và Khoa học Dữ liệu y tế.

Các nội dung có giá trị tham khảo ứng dụng thực tế bao gồm:

• Quy trình thiết kế giao thức thí nghiệm đo điện não đồ chuẩn mực, các bước chuẩn bị phòng thu, kỹ thuật gắn điện cực 10-20 và xử lý tiếp xúc bằng gel dẫn điện Ten20 với thiết bị Emotiv Epoc Flex.
• Trình tự thiết lập chuỗi thuật toán xử lý tín hiệu số y sinh trên MATLAB thông qua 4 hàm: detrend, bandstop, wdenoise và normalize.
• Phương pháp phân tách 5 dải sóng não (Gamma, Beta, Alpha, Theta, Delta) bằng biến đổi Wavelet rời rạc (DWT) và bộ công thức trích xuất 7 tham số đặc trưng miền thời gian - tần số.
• Cấu trúc lập trình giao diện người dùng và liên kết dữ liệu giữa các khối thuật toán trên MATLAB App Designer.

Câu hỏi thường gặp

1. Thiết bị nào được sử dụng để thu nhận tín hiệu điện não và cấu hình điện cực ra sao?

Nghiên cứu sử dụng thiết bị đo điện não Emotiv Epoc Flex cấu hình theo chuẩn quốc tế 10-20 gồm 34 điện cực (32 điện cực đo phân bố trên da đầu và 2 điện cực tham chiếu). Thiết bị lấy mẫu với tốc độ 128 SPS (tần số nội 1024 Hz), băng thông 0,2 – 45 Hz, dải động ±4, truyền dữ liệu không dây ở tần số 2,4 GHz về máy tính qua bộ phát USB và phần mềm Emotiv Pro.

2. Vì sao nhóm tác giả chỉ chọn 6 kênh F7, F8, F3, F4, T7 và T8 để xử lý?

Sáu kênh điện cực này phân bố tập trung tại thùy trán và thùy thái dương của vỏ não, là hai vùng trực tiếp điều phối chức năng vận động biểu cảm cơ mặt và xử lý cảm xúc. Việc chọn 6 kênh giúp thu nhỏ kích thước ma trận dữ liệu, giảm thiểu độ phức tạp tính toán và tối ưu hóa thời gian xử lý của mô hình học máy.

3. Phương pháp loại bỏ nhiễu chớp mắt (EOG) và trạng thái thư giãn được thực hiện như thế nào?

Nhóm nghiên cứu không sử dụng các giải pháp lọc phân tách nguồn mù như ICA hay PCA mà thực hiện cắt bỏ trực tiếp dữ liệu theo các khoảng thời gian đã quy định sẵn trong giao thức 25 giây. Cụ thể, các đoạn dữ liệu tại giây 4-6 và 13-15 (chớp mắt) cùng các đoạn tại giây 1-4, 8-11, 15-18 và 20-23 (thư giãn) được loại bỏ khỏi tệp dữ liệu trước khi bước vào giai đoạn tiền xử lý số.

4. Phần mềm xây dựng gồm những khối chức năng nào trên nền tảng nào?

Phần mềm được lập trình bằng công cụ App Designer trên nền tảng MATLAB 2019a, gồm 3 khối chức năng liên hoàn: Khối tiền xử lý (nạp dữ liệu, lọc trôi dạt, lọc nhiễu 50 Hz, làm mượt Wavelet, chuẩn hóa Z-score); Khối trích đặc trưng (phân tách 5 dải nhịp não bằng DWT, tính toán 7 tham số thống kê); và Khối thực hiện phân loại trạng thái biểu cảm (cấu hình hàm fitcsvm, huấn luyện và hiển thị kết quả nhận dạng).

5. Độ chính xác phân loại của mô hình SVM đạt được là bao nhiêu và dựa trên những đặc trưng nào?

Mô hình SVM đạt độ chính xác phân loại trên 80% khi sử dụng dữ liệu từ 5 dải sóng não cơ bản kết hợp với hai cặp tham số đặc trưng: cặp Giá trị trung bình - Độ lệch chuẩn (Mean - STD) và cặp Giá trị trung bình - Độ lệch (Mean - Skewness).

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Văn Minh và Ông Thị Mỹ Kiều đã hoàn thành mục tiêu nghiên cứu và xây dựng phần mềm phân loại hai trạng thái biểu cảm cười và nâng chân mày từ tín hiệu điện não đồ thu nhận bằng thiết bị Emotiv Epoc Flex 32 cực. Hệ thống áp dụng hiệu quả quy trình làm sạch tín hiệu dựa trên giao thức thực nghiệm thời gian, phân tách 5 dải sóng não bằng biến đổi Wavelet rời rạc (DWT) trên 6 kênh điện cực vùng trán - thái dương, và phân loại thành công qua máy vector hỗ trợ (SVM) với độ chính xác đạt trên 80%. Toàn bộ quy trình từ xử lý tín hiệu đến nhận dạng biểu cảm đã được đóng gói hoàn chỉnh thành một phần mềm giao diện trực quan trên nền tảng MATLAB App Designer, mang lại tài liệu tham khảo có giá trị kỹ thuật cho các nghiên cứu phát triển giao diện não - máy tính (BCI) trong lĩnh vực Kỹ thuật Y sinh.

Trích đoạn nội dung tài liệu

Chương 1. TỔNG QUAN và yêu cầu các đối tượng thí nghiệm thể hiện lại cảm xúc giống bức ảnh hoặc giống như họ đã thực sự trải qua cảm xúc đó [5]. Higher order crossings - Emotion classifier (HOC- EC) đã được tác giả sử dụng cho việc trích xuất đặc trưng và phân loại để đạt được hiệu quả nhận dạng cảm xúc tốt nhất. So với các phương pháp trích xuất đặc trưng khác, HOC-EC đạt được độ chính xác phân loại 62,3% khi sử dụng phân tích phân biệt bậc 2 (Quadratic Discriminant Analysis – QDA) và 83,33% khi sử dụng máy vector hỗ trợ (SVM) cho các trường hợp kênh đơn và kênh kết hợp.

Li và các cộng cũng có nghiên cứu “Nhận dạng nét mặt dựa trên điện não đồ và bản đồ thể hiện các vị trí trên khuôn mặt”. trong nghiên cứu này, tín hiệu điện não được xử lý bằng phương pháp DWT và phương pháp SVM [4]. Kết quả từ nghiên cứu của ông cho thấy rằng độ chính xác của nhận dạng nét mặt đã tăng 4,16% so với nhận dạng nét mặt chỉ dựa trên EEG (82,78±5,78%). Các phương pháp sử dụng trong việc xử lý, phân tích, phân loại cũng rất đa dạng.

Ví dụ như tác giả J. Arvaneh đã phân loại sáu biểu cảm khuôn mặt khác nhau của con người bằng việc phân loại dữ liệu trên miền tần số và thời gian của tín hiệu điện não đồ bằng ba phương pháp như: SVM, Phân tích phân biệt tuyến tính (Linear Discriminant Analysis – LDA) và Naive Bayesian (NB) [6]. Aguinaga và các cộng sự đã nghiên cứu một mô hình học sâu để nhận ra các trạng thái cảm xúc bằng cách tương quan với các biểu hiện trên khuôn mặt và tín hiệu điện não [3]. Công việc này sử dụng kỹ thuật nhận dạng cảm xúc trên khuôn mặt (Facial Emotion Recognition – FER) để tạo ra các mã nhận dạng mỗi khi phản ứng cảm xúc được phát hiện và sử dụng chúng để trích xuất các phân đoạn của bản ghi điện não đồ.

Tác giả đã sử dụng bộ phân loại mạng nơ ron tích chập (CNN) được tối ưu hóa bằng thuật toán học cực thưa (Extreme Sparse Learning – ESL) và máy học cực trị (Extreme Learning Machine – ELM). Từ những khảo sát trên, cùng với các kiến thức đã được trang bị và bộ cơ sở dữ liệu nhỏ, phù hợp với mô hình phân loại SVM, nê nhóm chúng em quyết định thực hiện 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”. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 2 Chương 1. MỤC TIÊU Sử dụng thiết bị đo điện não Emotiv Epoc Flex để thực hiện thu tín hiệu điện não kết hợp với bộ phân loại SVM để nghiên cứu, phân loại các trạng thái biểu cảm gồm có cười và nâng chân mày, từ đó thiết kế giao diện phần mềm nhận phân loại trạng thái biểu cảm cười và nâng chân mày.

NỘI DUNG NGHIÊN CỨU Trong quá trình thực hiện khóa luận tốt nghiệp về nghiên cứu mối quan hệ giữa hoạt động điện não với trạng thái biểu cảm của con người qua tín hiệu điện não, nhóm chúng em tập trung hoàn thành những nội dung sau: Nội dung 1: Tổng hợp các công trình nghiên cứu liên quan về các giao thức thí nghiệm, các phương pháp xử lý tín hiệu điện não: tiền xử lý, trích đặc trưng, phân loại dữ liệu điện não Nội dung 2: Tìm hiểu phần mềm thu tín hiệu điện não, xây dựng giao thức thí nghiệm (Lựa chọn đối tượng, các bước ghi tín hiệu, các bước bảo quản dụng cụ thí nghiệm, .) Nội dung 3: Tiến hành đo lấy và lưu trữ dữ liệu tín hiệu điện não Nội dung 4: Tiến hành sắp xếp, phân tích cấu trúc dữ liệu điện não nhằm có một bộ dữ liệu phù hợp cho các hoạt động xử lý sau này Nội dung 5: Tiến hành tiền xử lý tín hiệu điện não kèm theo chú thích, mô tả và phân tích. Nội dung 6: Tiến hành trích đặc trưng và phân loại dữ liệu điện não tương ứng với mỗi cảm xúc của con người, kèm theo chú thích, mô tả, phân tích và đánh giá kết quả. Nội dung 7: Tìm hiểu và vận dụng các phần mềm phân tích, thống kê dữ liệu trong khoa học. Nội dung 8: Đánh giá kết quả phân tích dữ liệu.

Làm báo cáo tổng hợp. Nội dung 9: Báo cáo trình bày kết luận với GV hướng dẫn. GIỚI HẠN - Chỉ có 2 trạng thái biểu cảm Cười và Nâng chân mày được sử dụng để nghiên cứu phân loại thông qua tín hiệu điện não. - Không thử nhiều bộ lọc khác nhau trong việc tiền xử lý tín hiệu.

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 3 Chương 1. BỐ CỤC - Chương 1: Tổng quan trình bày đặt vấn đề đưa ra lý do chọn đề tài, mục tiêu, giới hạn của đề tài và nội dung nghiên cứu - Chương 2: Cơ sở lý thuyết trình bày tổng quan về não bộ, đo đạc và thu nhận tín hiệu điện não, một số phương pháp tiền xử lý tín hiệu, công thức xác định tham số đặc trưng cho tín hiệu, phương pháp biến đổi Wavelet rời rạc và bộ phân loại SVM - Chương 3: Tính toán và thiết kế đề cập đến 2 nội dung thiết kế quy trình thí nghiệm và thiết kế hệ thống phần mềm phân loại trạng thái biểu cảm cười và nâng chân mày sử dụng tín hiệu điện não - Chương 4: Thi công hệ thống trình bày quá trình thu dữ liệu; thi công và thử nghiệm phần mềm. - Chương 5: Kết quả, nhận xét, đánh giá trình bày các kết quả thực hiện trong đề tài - Chương 6: Kết luận và hướng phát triển BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 4 Chương 2. CƠ SỞ LÝ THUYẾT Chương 2.

TỔNG QUAN VỀ NÃO BỘ 2. Cấu tạo não bộ Não bộ của con người là cơ quan quyền lực nhất cũng là bộ phận phức tạp nhất của cơ thể. Với vai trò vô cùng quan trọng, bộ não quản lý, kiểm soát hầu hết các hoạt động của cơ thể, xử lý, tích hợp và điều phối thông tin nó nhận được từ các cơ quan giác quan và đưa ra quyết định về các chỉ dẫn được gửi đến phần còn lại của cơ thể [7]. Bộ não được chia thành ba phần chính gồm đại não, thân não và tiểu não: - Tiểu não: nằm dưới đại não.

Chức năng của nó là phối hợp các chuyển động của cơ bắp, duy trì tư thế và thăng bằng - Thân não: hoạt động như một trung tâm chuyển tiếp kết nối đại não và tiểu não với tủy sống. Nó thực hiện nhiều chức năng tự động như thở, nhịp tim, nhiệt độ cơ thể, chu kỳ thức và ngủ, tiêu hóa, hắt hơi, ho, nôn mửa và nuốt. - Đại não: là phần lớn nhất của não, được chia thành bán cầu não phải và bán cầu não trái, chúng được ngăn cách bởi khe não dọc. Lớp bề mặt ngoài của não gọi là vỏ não.

Vỏ não có màu nâu xám gọi là “chất xám”. Đại não thực hiện các chức năng như các hoạt động thính giác, thị giác, biểu đạt cảm xúc cũng như lời nói, lý luận, học tập và kiểm soát tốt các chuyển động.1, các rãnh lớn trên vỏ não chia não thành 4 thùy: gồm thùy trán, thùy thái dương, thùy đỉnh, thùy chẩm [8]: - Thùy đỉnh chiếm hơn 17% đại não, nhiệm vụ chính là quản lý xúc giác, điều khiển nhận thức, cảm nhận của con người đối với môi trường xung quanh, - Thùy chẩm cũng chỉ chiếm hơn 18% đại não, nằm ở khu vực phía sau não. Với chức năng chính chủ yếu về thị giác, thùy chẩm chịu trách nhiệm cho các quá trình cảm nhận màu sắc, hình dạng của con người đối với thế giới xung quanh. - Thùy thái dương chiếm 22.63% đại não, chức năng chính của thùy thái dương là thính giác: khả năng xử lý, nhận biết ngôn ngữ, Phân tích các tín hiệu âm thanh, xúc cảm.

Tham gia vào bộ nhớ thị giác, giúp nhận biết sự vật, khuôn mặt, là vùng não quan trọng đố với trí nhớ và học tập BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 5 Chương 2. CƠ SỞ LÝ THUYẾT - Thùy trán là thùy lớn nhất trong bốn thùy não, chiếm hơn 42% đại não. Đảm nhận chức năng điều phối chức năng vận động của cơ thể, thùy trán còn quản lý các chức năng về suy nghĩ, tư duy sáng tạo và nhân cách của mỗi người. Các thùy não và đặc điểm của thùy não[7] 2.

Các dạng sóng não Được cấu tạo từ hàng tỷ neuron thần kinh và liên kết với nhau bằng điện từ, vì vậy nên khi các liên kết này gửi tín hiệu đi đồng thời sẽ tạo nên dao động thần kinh hay còn được gọi là sóng não [9]. Sóng não cũng có cao có thấp, có nhiều tần số khác nhau được ước lượng bằng Hertz (chu kỳ trên giây). Tùy theo các hoạt động, trạng thái của con người mà tần số của các sóng não được chia thành các loại sau đây [10], [11], [12]: - Sóng não Delta (0.1 – 4 Hertz): Sóng Delta là sóng não chậm, có biên độ sóng lớn nhất, tần số thấp nhất, dao động từ 0. Sóng Delta thường được phát ra trong khi con người thiền định sâu nhất hoặc ngủ một giấc ngủ không mộng mị.

Khi con người đang trong trạng thái ngủ sâu, não sẽ tiết các hormone giúp cân bằng hoạt động sinh học của cơ thể, như điều hòa nhịp tim, tiêu hóa, hơi thở và các hoạt động khác. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 6 Chương 2. CƠ SỞ LÝ THUYẾT - Sóng não Thelta (4 – 8 Hertz): Sóng Thelta thường có tần số nhanh hơn dao động từ 4 đến 8 Hertz. Sóng não Thelta thường xuyên xuất hiện trong trạng thái thư giãn sâu hay trong giấc ngủ hằng ngày của con người.

Sóng não Thelta giúp con người gạt bỏ những nhiễu loạn từ các giác quan, giải phóng nỗi sợ, cân bằng cảm xúc. - Sóng não Alpha (8 – 13 Hertz): Sóng Alpha có tần số cao hơn sóng Thelta, dao động từ 8 đến 13 Hertz. Sóng Alpha xuất hiện khi con người đang xuất hiện những suy nghĩ thầm lặng hoặc trong trạng thái thiền định, nghỉ ngơi thư giãn thoải mái. - Sóng não Beta (13 – 30 Hertz): Dao động trong khoảng 13 đến 30 Hertz, sóng Beta xuất hiện trong trạng thái tỉnh táo, tham gia giải quyết các vấn đề, đưa ra phán đoán, quyết định hay các hoạt động tập trung trí não.

- Sóng não Gammar (8 – 13 Hertz): Sóng não Gammar là sóng có tần số cao nhất từ 30 Hertz trở lên.