Giới thiệu dự án

Đột quỵ (tai biến mạch máu não) hiện là nguyên nhân gây tàn tật đứng thứ ba và là nguyên nhân gây tử vong đứng thứ hai trên toàn cầu theo các báo cáo dịch tễ học thần kinh. Ước tính có khoảng 87% ca tử vong và tàn tật do đột quỵ xảy ra tại các quốc gia có thu nhập thấp và trung bình; tỷ lệ mắc bệnh tại các nước đang phát triển dao động từ 5–10/1000 người, cao gấp đôi so với các quốc gia phát triển. Sau cơn đột quỵ, bệnh nhân thường phải đối mặt với các di chứng liệt nửa người hoặc mất kiểm soát vận động chi trên, đòi hỏi các liệu trình vật lý trị liệu và phục hồi chức năng nghiêm ngặt. Việc theo dõi và giải mã tín hiệu điều khiển vận động từ vỏ não đóng vai trò sống còn trong việc đánh giá mức độ hồi phục cũng như xây dựng các hệ thống hỗ trợ vận động chủ động.

Trong bối cảnh đó, Giao diện Não - Máy tính (Brain-Computer Interface – BCI) không xâm lấn dựa trên tín hiệu điện não đồ (Electroencephalogram – EEG) trở thành công cụ đắc lực. Tuy nhiên, rào cản kỹ thuật lớn nhất nằm ở việc tín hiệu EEG có biên độ rất nhỏ ($10\text{--}100,\mu\text{V}$), tỷ lệ tín hiệu trên nhiễu (SNR) thấp và thường xuyên bị biến dạng bởi các xung nhiễu điện mắt (Electrooculography – EOG) từ hoạt động chớp mắt với biên độ lớn ($0.4\text{--}1,\text{mV}$). Hơn nữa, việc trích xuất đặc trưng vận động tay từ chuỗi thời gian phi dừng (non-stationary) đòi hỏi các phương pháp phân tích thời gian - tần số - không gian có độ phân giải cao thay vì chỉ dựa vào phân tích phổ Fourier truyền thống.

Đồ án tốt nghiệp ngành Kỹ thuật Y sinh với đề tài "Thiết kế và xây dựng phần mềm để phân tích và phân loại vận động tay trái/phải của con người qua tín hiệu điện não đồ và ứng dụng mạng nơ-ron tích chập" (thực hiện bởi Trần Thị Hậu, Vũ Thị Minh; GVHD: ThS. Trần Đăng Khoa, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh) được xây dựng nhằm giải quyết toàn diện bài toán trên.

Mục tiêu cụ thể của dự án:

  1. Thiết kế giao thức đo và thu thập dữ liệu điện não 32 kênh phục vụ tác vụ gập/duỗi khuỷu tay trái và phải trên các đối tượng tình nguyện viên chuẩn hóa.
  2. Xây dựng giải thuật tiền xử lý thích nghi kết hợp định vị ngưỡng tự động và bộ lọc bình phương cực tiểu đệ quy (Recursive Least Squares – RLS) để triệt tiêu nhiễu EOG mà không làm méo tín hiệu EEG gốc.
  3. Ứng dụng kỹ thuật phân tích tương quan sóng con (Wavelet Coherence – WTC) trên các cặp điện cực vỏ não vận động ($C3\text{--}FC5$ và $C4\text{--}FC6$) để chuyển đổi đặc trưng liên kết pha thành ma trận ảnh phổ 2D.
  4. Huấn luyện và tối ưu hóa mô hình Mạng Nơ-ron Tích chập (Convolutional Neural Network – CNN) 2D nhằm phân loại chính xác ý định vận động gập/duỗi tay trái và tay phải.
  5. Thiết kế và đóng gói phần mềm giao diện đồ họa (GUI) độc lập trên nền tảng MATLAB App Designer, hỗ trợ các nhà nghiên cứu và kỹ sư y sinh phân tích dữ liệu trực quan từ file thô đến kết quả phân loại.

Phạm vi và giới hạn:

  • Thiết bị phần cứng: Hệ thống EEG 32 kênh Emotiv EPOC Flex (điện cực gel Ag/AgCl nung kết).
  • Tác vụ vận động: Gập/duỗi khuỷu tay trái và tay phải có kiểm soát.
  • Định dạng dữ liệu: Tập tin dữ liệu dạng .csv và hình ảnh phổ .png.
  • Đối tượng thử nghiệm: Nhóm người trẻ tuổi khỏe mạnh từ 20–23 tuổi.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp truyền thống trong phân loại tín hiệu EEG vận động thường kết hợp bộ lọc không gian chung (Common Spatial Pattern – CSP) với các bộ phân loại tuyến tính như Support Vector Machine (SVM) hoặc K-Nearest Neighbors (kNN). Tuy nhiên, các phương pháp này bộc lộ nhiều điểm hạn chế khi xử lý các tương quan phi tuyến tính phức tạp giữa các vùng bán cầu não.

Tiêu chí so sánh Phương pháp CSP + SVM Bộ tự mã hóa sâu (Pawar et al.) Giải pháp đề xuất (RLS + WTC + CNN)
Xử lý nhiễu EOG Lọc dải thông thường (dễ mất thành phần tần số thấp) Phụ thuộc vào trích xuất ẩn Khử nhiễu thích nghi bằng giải thuật RLS thời gian thực
Đặc trưng không gian - thời gian Chỉ trích xuất phương sai không gian Học đặc trưng 1D phẳng Biến đổi Wavelet Coherence liên kết pha đa kênh
Biểu diễn dữ liệu Vector đặc trưng số học Vector nén đa tầng Ma trận ảnh phổ 2D xám ($100 \times 100$)
Độ chính xác nhận diện $82.0%\text{--}88.5%$ $\approx 91.0%$ $94.5%$ tổng thể ($99.8%$ tay phải)
Khả năng tự động hóa Cần can thiệp chọn đặc trưng thủ công Tự động nhưng khó trực quan Tự động hóa từ tiền xử lý đến phân loại qua GUI

Yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have (Bắt buộc): Module nhập dữ liệu thô (.csv), module lọc thích nghi RLS loại bỏ EOG, module biến đổi Wavelet Coherence, module phân loại CNN 2D, hiển thị nhãn dự đoán (Tay trái / Tay phải).
  • Should have (Nên có): Trực quan hóa sóng não trước/sau lọc, đồ thị tương quan phổ Wavelet màu và ảnh xám chuẩn hóa $100 \times 100$.
  • Could have (Có thể có): Chức năng phân tích trực tiếp từ file ảnh Wavelet Coherence có sẵn dạng .png.
  • Won't have (Chưa hỗ trợ): Giao tiếp streaming thời gian thực với phần cứng nhúng qua cổng BLE trực tiếp không qua EmotivPRO.

Thiết kế hệ thống

Kiến trúc hệ thống được thiết kế theo dạng đường ống xử lý dữ liệu khép kín (End-to-End Pipeline) chia làm 4 khối chức năng chính:

graph TD
    A["Dữ liệu EEG thô 32 kênh (.CSV)"] --> B["Khối tiền xử lý (Preprocessing)"]
    B --> B1["Xác định khoảng chớp mắt & Tìm ngưỡng"]
    B1 --> B2["Lọc thích nghi RLS loại bỏ EOG"]
    B2 --> C["Khối trích xuất đặc trưng (Feature Extraction)"]
    C --> C1["Wavelet Coherence: C3-FC5 & C4-FC6"]
    C1 --> C2["Tạo ảnh phổ 3D màu (Time-Frequency Map)"]
    C2 --> C3["Chuyển đổi sang ảnh xám 2D & Chuẩn hóa 100x100"]
    C3 --> D["Khối phân loại CNN 2D"]
    D --> D1["Lớp tích chập & Max-Pooling"]
    D1 --> D2["Fully Connected & Softmax Layer"]
    D2 --> E["Kết quả phân loại: Vận động Tay Trái / Tay Phải"]

Technology Stack:

  • Môi trường phát triển: MATLAB R2019b (App Designer, Signal Processing Toolbox, Wavelet Toolbox, Deep Learning Toolbox, MATLAB Compiler).
  • Phần mềm thu nhận dữ liệu: EmotivPRO v2.0.
  • Phần cứng thu nhận: Emotiv EPOC Flex 32 kênh, độ phân giải ADC 14-bit (1 LSB = $0.51,\mu\text{V}$), tần số lấy mẫu 128 SPS (nội suy từ 1024 Hz), băng thông $0.2\text{--}45,\text{Hz}$, truyền thông không dây 2.4 GHz BLE.

Phương pháp luận (Methodology)

Quy trình phát triển dự án tuân theo mô hình lặp từng giai đoạn kết hợp thẩm định thực nghiệm nghiêm ngặt trong 18 tuần:

[Khởi tạo & Thu tài liệu] ➔ [Thiết kế giao thức & Thu dữ liệu] ➔ [Phát triển thuật toán RLS & WTC] ➔ [Xây dựng & Huấn luyện CNN] ➔ [Đóng gói App Designer] ➔ [Nghiệm thu & Đánh giá]
Tuần thực hiện Nội dung và Deliverables
Tuần 27 – 29 Khảo sát tổng quan, lập đề cương, thiết kế giao thức thí nghiệm 58 giây.
Tuần 30 – 32 Thu thập dữ liệu trên các tình nguyện viên; tiền xử lý và thử nghiệm bộ lọc tín hiệu thô.
Tuần 33 – 36 Xây dựng thuật toán định vị ngưỡng, lọc thích nghi RLS, tính toán Wavelet Coherence.
Tuần 37 – 39 Tối ưu hóa siêu tham số mô hình CNN 2D; chuẩn hóa 8,666 ảnh dữ liệu; đánh giá độ chính xác.
Tuần 40 – 44 Lập trình giao diện App Designer, biên dịch MATLAB Standalone Runtime, viết báo cáo tổng kết.

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

1. Giao thức thí nghiệm chuẩn hóa

Mỗi phiên đo kéo dài 58 giây gồm:

  • 0 – 10s: Thư giãn tĩnh, không chớp mắt, ổn định tín hiệu nền.
  • 10 – 13s: Chớp mắt có chủ đích (tạo tín hiệu EOG mốc đồng bộ hóa thời gian).
  • 13 – 56s: Thực hiện 5 chu kỳ gập/duỗi khuỷu tay luân phiên (Tay trái: chấm xanh $2.5,\text{s}$ $\rightarrow$ Nghỉ $2.0,\text{s}$ $\rightarrow$ Tay phải: chấm đỏ $2.5,\text{s}$ $\rightarrow$ Nghỉ $2.0,\text{s}$).

2. Thuật toán tìm ngưỡng EOG thích nghi

Để định vị chính xác thời điểm xuất hiện tín hiệu chớp mắt đầu tiên làm mốc cắt dữ liệu:

$$\text{Threshold} = \max\left(\sqrt{|\text{Amplitude_signal}|}\right) - \sigma$$

Trong đó $\text{Amplitude_signal}$ là chuỗi biên độ tín hiệu thu được tại các kênh trán ($Fp1, Fp2$), và $\sigma$ là độ lệch chuẩn biên độ trong cửa sổ quan sát.

3. Thuật toán lọc thích nghi RLS (Recursive Least Squares)

Tín hiệu điện não bị nhiễm nhiễu được mô hình hóa:

$$\text{Contaminated_EEG}{i,j} = \text{Pure_EEG}{i,j} + a_j \text{VEOG} + b_j \text{HEOG}$$

Thuật toán RLS cập nhật vector trọng số $w(n)$ theo từng bước mẫu nhằm cực tiểu hóa hàm tổn thất bình phương phần dư:

$$\xi(n) = d(n) - w^T(n-1)x(n)$$

$$k(n) = \frac{\lambda^{-1} P(n-1)x(n)}{1 + \lambda^{-1} x^T(n) P(n-1) x(n)}$$

$$w(n) = w(n-1) + k(n)\xi(n)$$

$$P(n) = \lambda^{-1} P(n-1) - \lambda^{-1} k(n) x^T(n) P(n-1)$$

Với $\lambda$ là hệ số quên ($0 < \lambda \le 1$), $x(n)$ là vector tín hiệu EOG tham chiếu từ các kênh trán, $d(n)$ là tín hiệu điện não tại các kênh vận động.

4. Phân tích tương quan Wavelet Coherence (WTC)

Độ tương quan giữa hai kênh tín hiệu $X(t)$ và $Y(t)$ được tính trong miền thời gian - tần số:

$$R_n^2(s) = \frac{\left| S\left( s^{-1} W_n^{XY}(s) \right) \right|^2}{S\left( s^{-1} |W_n^X(s)|^2 \right) \cdot S\left( s^{-1} |W_n^Y(s)|^2 \right)}$$

Trong đó $W_n^X(s)$ và $W_n^Y(s)$ là biến đổi Wavelet liên tục (CWT), $W_n^{XY}(s)$ là mật độ phổ chéo, $S$ là toán tử làm mịn không gian - thời gian. Phân tích được thực hiện trên 2 cặp kênh trọng yếu:

  • Cặp $C3\text{--}FC5$: Đặc trưng vận động bán cầu não trái (điều khiển tay phải).
  • Cặp $C4\text{--}FC6$: Đặc trưng vận động bán cầu não phải (điều khiển tay trái).

5. Cấu trúc mạng CNN 2D trong MATLAB

Đồ thị phổ tương quan màu được chuyển đổi thành ảnh xám và thu nhỏ về kích thước chuẩn $100 \times 100 \times 1$ pixel trước khi đưa vào mạng tích chập:

% Định nghĩa kiến trúc mạng CNN 2D trong MATLAB 2019b
layers = [
    imageInputLayer([100 100 1], 'Name', 'input')
    
    convolution2dLayer(3, 16, 'Padding', 'same', 'Name', 'conv_1')
    batchNormalizationLayer('Name', 'bn_1')
    reluLayer('Name', 'relu_1')
    maxPooling2dLayer(2, 'Stride', 2, 'Name', 'maxpool_1')
    
    convolution2dLayer(3, 32, 'Padding', 'same', 'Name', 'conv_2')
    batchNormalizationLayer('Name', 'bn_2')
    reluLayer('Name', 'relu_2')
    maxPooling2dLayer(2, 'Stride', 2, 'Name', 'maxpool_2')
    
    fullyConnectedLayer(2, 'Name', 'fc')
    softmaxLayer('Name', 'softmax')
    classificationLayer('Name', 'output')
];

options = trainingOptions('adam', ...
    'MaxEpochs', 30, ...
    'MiniBatchSize', 64, ...
    'InitialLearnRate', 1e-3, ...
    'Shuffle', 'every-epoch', ...
    'ValidationFrequency', 30, ...
    'Plots', 'training-progress', ...
    'Verbose', false);

Thử nghiệm và Đánh giá hiệu năng

Dữ liệu huấn luyện gồm tổng cộng 8,666 ảnh phổ Wavelet Coherence được trích xuất từ các đối tượng thực nghiệm:

  • Ảnh vận động tay trái: 4,303 mẫu
  • Ảnh vận động tay phải: 4,363 mẫu
  • Tỷ lệ phân chia: 70% Training set (6,066 ảnh) và 30% Testing set (2,600 ảnh).
+-------------------------------------------------------------------------+
|                  MA TRẬN NHẦM LẪN (CONFUSION MATRIX)                     |
+--------------------------+----------------------------------------------+
|                          |             DỰ ĐOÁN (PREDICTED)              |
| NHÃN THỰC TẾ (ACTUAL)    |-----------------------+----------------------+
|                          |       Tay Phải        |       Tay Trái       |
+--------------------------+-----------------------+----------------------+
| Tay Phải (1,309 mẫu)     |   1,306 (99.8%)       |       3 (0.2%)       |
+--------------------------+-----------------------+----------------------+
| Tay Trái (1,291 mẫu)     |     141 (10.9%)       |   1,150 (89.1%)      |
+--------------------------+-----------------------+----------------------+
| ĐỘ CHÍNH XÁC TỔNG THỂ    |                 94.5%                        |
+--------------------------+----------------------------------------------+

       KẾT QUẢ ĐỘ CHÍNH XÁC PHÂN LOẠI
       +------------------------------------------------------+
       | Tay Phải (Right Hand):  [████████████████████] 99.8% |
       | Tay Trái (Left Hand):   [█████████████████░░░] 89.1% |
       | Tổng thể (Overall):     [███████████████████░] 94.5% |
       +------------------------------------------------------+

Phân tích kết quả:

  1. Mô hình đạt độ chính xác ấn tượng trên phân loại tay phải ($99.8%$), cho thấy đặc trưng đồng bộ pha giữa vùng $C3$ và $FC5$ xuất hiện rất nhất quán và rõ nét.
  2. Tác vụ tay trái đạt độ chính xác $89.1%$. Sự chênh lệch này được giải thích bởi đa số đối tượng tham gia thí nghiệm có thói quen thuận tay phải, dẫn đến mức độ kích hoạt tín hiệu bán cầu não phải (phụ trách tay trái) có biên độ và tính đồng bộ thấp hơn.
  3. Độ chính xác trung bình toàn hệ thống đạt $94.5%$, đáp ứng hoàn toàn yêu cầu ứng dụng trong chẩn đoán và điều khiển thiết bị trợ vận động.

Đổi mới và đóng góp

  1. Chuyển dịch không gian bài toán từ 1D sang 2D: Thay vì trích xuất đặc trưng chuỗi thời gian 1D dễ mất thông tin pha, đồ án đã chuyển đổi tín hiệu sang không gian ảnh phổ 2D thông qua phép phân tích tương quan Wavelet Coherence giữa các kênh vận động đối xứng ($C3\text{--}FC5$ và $C4\text{--}FC6$), giúp mô hình CNN 2D khai thác triệt để các cấu trúc liên kết không gian - thời gian.
  2. Khử nhiễu thích nghi bảo toàn pha tín hiệu: Sự kết hợp giữa thuật toán tìm ngưỡng căn bậc hai và bộ lọc RLS giúp khử sạch xung nhiễu EOG có biên độ lớn gấp hàng chục lần tín hiệu EEG mà không gây méo tín hiệu điện não tại các dải tần số $\mu$ ($8\text{--}12,\text{Hz}$) và $\beta$ ($13\text{--}30,\text{Hz}$).
  3. Đóng gói phần mềm hoàn chỉnh (Standalone Executable): Phát triển bộ công cụ hoàn chỉnh trên MATLAB App Designer cho phép người dùng cuối thao tác toàn diện qua 3 bước (Nhập liệu $\rightarrow$ Tiền xử lý $\rightarrow$ Phân loại tự động) mà không cần cài đặt môi trường lập trình phức tạp.
SO SÁNH ĐỘ CHÍNH XÁC VỚI CÁC CÔNG TRÌNH CÙNG LĨNH VỰC
+------------------------------------+----------------+
| Pawar et al. (Stacked Autoencoder) | [█████████░] 91.0% |
| Boonme et al. (Deep Learning 1D)   | [█████████▎] 92.8% |
| Đồ án đề xuất (WTC + CNN 2D)       | [█████████▌] 94.5% |
+------------------------------------+----------------+

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Hệ thống phục hồi chức năng sau đột quỵ (Neurorehabilitation): Kết nối phần mềm với các thiết bị cánh tay robot (Exoskeleton). Khi bệnh nhân có ý định gập/duỗi tay, phần mềm nhận diện tín hiệu từ vỏ não và kích hoạt động cơ hỗ trợ gập/duỗi cơ học, kích thích quá trình tái cấu trúc thần kinh (Neuroplasticity).
  • Thiết bị giao tiếp hỗ trợ người liệt toàn thân: Giúp bệnh nhân mất khả năng vận động gửi tín hiệu lựa chọn đơn giản (Trái/Phải tương ứng với Đồng ý/Từ chối).
   +-----------------------------------------------------------------+
   |              MÔ HÌNH HỆ THỐNG PHỤC HỒI CHỨC NĂNG BCI             |
   +-----------------------------------------------------------------+
   |                                                                 |
   |   [ Bệnh nhân ] ---> [ Mũ EPOC Flex ] ---> [ Phần mềm MATLAB ]  |
   |                                                    |            |
   |                                                    v            |
   |   [ Cánh tay Robot ] <--- [ Bộ điều khiển ] <--- [ CNN Output ] |
   |                                                                 |
   +-----------------------------------------------------------------+

Yêu cầu triển khai và khả năng mở rộng

  • Cấu hình phần cứng: CPU Intel Core i5/i7 thế hệ 8 trở lên, 8GB RAM, hỗ trợ cổng USB 2.0/3.0 cho bộ thu không dây Emotiv.
  • Yêu cầu phần mềm: Windows 10/11 64-bit, MATLAB Runtime R2019b (miễn phí kèm bộ cài).
  • Lộ trình nâng cấp: Tích hợp giao thức truyền phát dữ liệu thời gian thực Lab Streaming Layer (LSL) để chuyển đổi từ chế độ xử lý ngoại tuyến (offline) sang trực tuyến (online real-time); mở rộng phân loại các vận động chi tiết như xòe/nắm bàn tay hoặc cử động ngón tay đơn lẻ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Nhiễu điện cơ (EMG): Khi đối tượng gập tay với lực quá mạnh, xung điện cơ từ cổ và vai có thể lan truyền đến các điện cực vùng chẩm và đỉnh.
  • Mất cân bằng độ chính xác theo bán cầu não: Hiệu suất nhận diện tay trái ($89.1%$) thấp hơn rõ rệt so với tay phải ($99.8%$) do chưa có cơ chế bù trừ thích nghi theo đối tượng thuận tay.
  • Định dạng dữ liệu: Hiện tại hệ thống chỉ nhận đầu vào là file định dạng .csv hoặc ảnh .png xuất từ Wavelet Coherence.

Hướng phát triển

  1. Ứng dụng các thuật toán học sâu hiện đại như Vision Transformer (ViT) hoặc mạng tích chập kết hợp bộ nhớ ngắn hạn (CNN-LSTM) để học trực tiếp chuỗi tương quan thời gian thực.
  2. Tích hợp giải thuật phân tích thành phần độc lập mở rộng (Extended ICA) song song với RLS để lọc đồng thời cả nhiễu tim (ECG) và nhiễu cơ (EMG).
  3. Triển khai mô hình trên các board nhúng chuyên dụng (NVIDIA Jetson Nano, Raspberry Pi 4) nhằm tối ưu hóa chi phí cho các thiết bị phục hồi chức năng di động.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Kỹ thuật Y sinh / Khoa học Máy tính: Cung cấp tài liệu tham khảo thực nghiệm chuẩn xác về quy trình thu thập dữ liệu điện não 32 kênh và đường ống tiền xử lý tín hiệu số nâng cao.
  • Kỹ sư và Lập trình viên BCI: Cung cấp mã nguồn tham khảo về kiến trúc CNN 2D trên ma trận phổ Wavelet và phương pháp đóng gói ứng dụng bằng MATLAB App Designer.
  • Doanh nghiệp MedTech & Bệnh viện phục hồi chức năng: Nắm bắt mô hình giải thuật chi phí thấp, độ chính xác cao ($94.5%$) làm tiền đề thương mại hóa các thiết bị robot trợ vận động chi trên.
  • Nhà nghiên cứu Thần kinh học: Cung cấp bằng chứng thực nghiệm về tính đồng bộ pha của các cặp kênh vỏ não vận động ($C3\text{--}FC5$ và $C4\text{--}FC6$) trong các tác vụ chi phối chi trên.

Câu hỏi thường gặp

1. Yêu cầu phần cứng và môi trường để cài đặt phần mềm này là gì?

Phần mềm đã được đóng gói thành file cài đặt độc lập (.exe) thông qua Application Compiler của MATLAB. Người dùng chỉ cần máy tính chạy hệ điều hành Windows 10/11 (64-bit), tối thiểu 8GB RAM và cài đặt gói thư viện miễn phí MATLAB Runtime R2019b (được tích hợp sẵn trong trình cài đặt) mà không cần mua bản quyền phần mềm MATLAB.

2. Tại sao độ chính xác phân loại tay phải (99.8%) lại vượt trội hơn tay trái (89.1%)?

Đặc tính sinh lý thần kinh của đại đa số người tham gia thử nghiệm là thuận tay phải. Khi thực hiện vận động tay thuận, vùng vỏ não vận động bán cầu trái ($C3, FC5$) được kích hoạt mạnh mẽ với mức độ đồng bộ tín hiệu và mật độ năng lượng phổ vượt trội, giúp mô hình CNN trích xuất các đặc trưng phân tách rõ nét hơn so với tay không thuận.

3. Ưu điểm nổi bật của bộ lọc thích nghi RLS so với ICA trong nghiên cứu này là gì?

Thuật toán phân tích thành phần độc lập (ICA) đòi hỏi khối lượng tính toán lớn và cần toàn bộ dữ liệu của phiên đo để phân tách nguồn nhiễu. Trong khi đó, thuật toán lọc thích nghi RLS cập nhật vector trọng số theo từng điểm mẫu đệ quy với tốc độ hội tụ rất nhanh, triệt tiêu tín hiệu EOG cục bộ hiệu quả mà không làm suy giảm biên độ các sóng điện não đặc trưng tại vùng vận động.

4. Phần mềm có khả năng giao tiếp thời gian thực với cánh tay robot phục hồi chức năng không?

Trong phiên bản hiện tại, phần mềm vận hành theo cơ chế phân tích dữ liệu ngoại tuyến từ file .csv hoặc ảnh .png. Tuy nhiên, cấu trúc module của phần mềm cho phép tích hợp thêm module giao tiếp mạng qua Socket TCP/IP hoặc giao thức Lab Streaming Layer (LSL) để truyền tín hiệu điều khiển trực tiếp đến vi điều khiển cánh tay robot trong tương lai.

5. Dự toán chi phí triển khai hệ thống phần cứng BCI này trong thực tế?

Hệ thống sử dụng mũ đo EPOC Flex 32 kênh có giá thành thương mại thấp hơn đáng kể so với các hệ thống EEG y tế chuyên dụng (thường có giá hàng chục nghìn USD), trong khi vẫn đảm bảo độ phân giải 14-bit và băng thông đạt chuẩn. Mô hình phần mềm không phát sinh phí bản quyền định kỳ, mang lại khả năng tối ưu hóa chi phí đầu tư cho các trung tâm phục hồi chức năng.

Kết luận

Đề tài tốt nghiệp "Thiết kế và xây dựng phần mềm để phân tích và phân loại vận động tay trái/phải của con người qua tín hiệu điện não đồ và ứng dụng mạng nơ-ron tích chập" đã chứng minh tính khả thi và hiệu quả vượt trội của việc kết hợp xử lý tín hiệu y sinh thích nghi (RLS, Wavelet Coherence) với thị giác máy tính học sâu (2D CNN). Với độ chính xác tổng thể đạt $94.5%$ (nhận diện tay phải đạt $99.8%$ trên tập dữ liệu 8,666 mẫu ảnh), dự án không chỉ giải quyết thành công bài toán học thuật về phân loại tín hiệu EEG vận động mà còn tạo ra một sản phẩm phần mềm hoàn chỉnh, mở ra tiềm năng ứng dụng to lớn trong việc chế tạo các thiết bị y tế phục hồi chức năng và giao diện não - máy tính cho người khuyết tật.