Thiết Kế Phần Mềm Phân Tích Vận Động Tay Trái/Phải Qua Tín Hiệu Điện Não Đồ

Phần mềm phân tích vận động tay qua tín hiệu EEG đang trở thành một công cụ quan… 109 trang · Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh · 2022.

• Tác giả: Trần Thị Hậu
• 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: 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
• Loại tài liệu: Khóa Luận 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: TỔNG QUAN
• 1.1. ĐẶT VẤN ĐỀ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phần Mềm Phân Tích Vận Động Tay Qua Tín Hiệu EEG

Phần mềm phân tích vận động tay qua tín hiệu EEG đang trở thành một công cụ quan trọng trong lĩnh vực y tế và nghiên cứu thần kinh. Công nghệ này cho phép theo dõi và phân tích các hoạt động của tay thông qua các tín hiệu điện não đồ. Việc hiểu rõ về cách thức hoạt động của phần mềm này sẽ giúp nâng cao hiệu quả trong việc phục hồi chức năng cho bệnh nhân.

1.1. Tín Hiệu EEG Là Gì Và Tại Sao Quan Trọng

Tín hiệu EEG (điện não đồ) là một phương pháp không xâm lấn để ghi lại hoạt động điện của não. Nó cung cấp thông tin quý giá về trạng thái tâm lý và chức năng não bộ, đặc biệt trong việc phân tích các cử động tay.

1.2. Lịch Sử Phát Triển Phần Mềm Phân Tích EEG

Phần mềm phân tích EEG đã trải qua nhiều giai đoạn phát triển, từ những công cụ đơn giản đến các hệ thống phức tạp sử dụng trí tuệ nhân tạo. Sự tiến bộ này đã mở ra nhiều cơ hội mới trong nghiên cứu và ứng dụng y tế.

II. Thách Thức Trong Phân Tích Tín Hiệu EEG Để Nhận Diện Vận Động Tay

Mặc dù công nghệ phân tích tín hiệu EEG đã phát triển, nhưng vẫn còn nhiều thách thức trong việc nhận diện chính xác các vận động tay. Các yếu tố như nhiễu tín hiệu, độ chính xác của thiết bị thu thập và phương pháp phân tích đều ảnh hưởng đến kết quả.

2.1. Nhiễu Tín Hiệu Và Ảnh Hưởng Đến Kết Quả

Nhiễu tín hiệu từ các nguồn bên ngoài như chuyển động cơ thể hoặc tín hiệu điện từ thiết bị khác có thể làm giảm độ chính xác của phân tích. Việc áp dụng các thuật toán lọc là cần thiết để cải thiện chất lượng tín hiệu.

2.2. Độ Chính Xác Của Thiết Bị Thu Thập Tín Hiệu

Thiết bị thu thập tín hiệu EEG như Emotiv Flex có vai trò quan trọng trong việc đảm bảo độ chính xác của dữ liệu. Việc lựa chọn thiết bị phù hợp và hiệu chỉnh đúng cách là yếu tố quyết định cho kết quả phân tích.

III. Phương Pháp Phân Tích Tín Hiệu EEG Để Nhận Diện Vận Động Tay

Để phân tích tín hiệu EEG và nhận diện vận động tay, nhiều phương pháp đã được áp dụng. Các phương pháp này bao gồm tiền xử lý tín hiệu, trích xuất đặc trưng và sử dụng mạng nơ-ron tích chập (CNN) để phân loại.

3.1. Tiền Xử Lý Tín Hiệu EEG

Tiền xử lý tín hiệu là bước quan trọng để loại bỏ nhiễu và cải thiện chất lượng dữ liệu. Các kỹ thuật như lọc thông thấp và lọc thông cao thường được sử dụng để làm sạch tín hiệu trước khi phân tích.

3.2. Trích Xuất Đặc Trưng Từ Tín Hiệu EEG

Trích xuất đặc trưng giúp chuyển đổi tín hiệu EEG thành các thông số có thể sử dụng cho phân loại. Phương pháp Wavelet Coherence là một trong những kỹ thuật hiệu quả để thực hiện điều này.

3.3. Ứng Dụng Mạng Nơ Ron Tích Chập CNN

Mạng nơ-ron tích chập (CNN) đã chứng minh hiệu quả cao trong việc phân loại tín hiệu EEG. Với khả năng học từ dữ liệu lớn, CNN có thể nhận diện chính xác các vận động tay trái và phải.

IV. Ứng Dụng Thực Tiễn Của Phần Mềm Phân Tích Vận Động Tay

Phần mềm phân tích vận động tay qua tín hiệu EEG có nhiều ứng dụng thực tiễn trong y tế, đặc biệt trong việc phục hồi chức năng cho bệnh nhân sau đột quỵ. Nó giúp theo dõi tiến trình hồi phục và cải thiện chất lượng cuộc sống.

4.1. Theo Dõi Tiến Trình Hồi Phục Sau Đột Quỵ

Phần mềm cho phép bác sĩ theo dõi và đánh giá khả năng hồi phục của bệnh nhân thông qua các chỉ số từ tín hiệu EEG. Điều này giúp điều chỉnh phương pháp điều trị kịp thời.

4.2. Cải Thiện Chất Lượng Cuộc Sống Cho Người Khuyết Tật

Bằng cách cung cấp thông tin về khả năng vận động, phần mềm giúp người khuyết tật có thể giao tiếp và tương tác tốt hơn với môi trường xung quanh.

V. Kết Luận Và Tương Lai Của Phần Mềm Phân Tích Vận Động Tay

Phần mềm phân tích vận động tay qua tín hiệu EEG đang mở ra nhiều cơ hội mới trong nghiên cứu và ứng dụng y tế. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cải tiến và ứng dụng phong phú hơn.

5.1. Tiềm Năng Phát Triển Công Nghệ

Với sự phát triển của công nghệ trí tuệ nhân tạo, phần mềm phân tích EEG có thể được cải tiến để đạt được độ chính xác cao hơn và khả năng phân tích đa dạng hơn.

5.2. Hướng Nghiên Cứu Tương Lai

Nghiên cứu trong lĩnh vực này sẽ tiếp tục tập trung vào việc cải thiện các thuật toán phân tích và mở rộng ứng dụng của phần mềm trong các lĩnh vực khác nhau như giáo dục và giải trí.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Đột quỵ là một hội chứng đặc trưng bởi sự khởi phát cấp tính của các rối loạn chức năng thần kinh trung ương do gián đoạn lưu lượng máu cung cấp cho não. Trên phạm vi toàn cầu, đột quỵ là nguyên nhân gây tàn tật đứng thứ ba và là nguyên nhân gây tử vong đứng thứ hai. Thống kê dịch tễ học được tác giả trích dẫn cho thấy khoảng 87% các trường hợp tử vong và tàn tật do đột quỵ tập trung tại các quốc gia có thu nhập thấp và trung bình, với tỷ lệ tử vong ở khu vực Châu Á cao hơn so với các nước phương Tây. Tỷ lệ mắc bệnh ở các nước phát triển dao động ở mức 5/1000 người, trong khi con số này tại các quốc gia đang phát triển lên tới 5–10/1000 người.

Sau đột quỵ, bệnh nhân bắt buộc phải trải qua các bài tập vật lý trị liệu để phục hồi chức năng vận động. Việc theo dõi tiến trình hồi phục và các cử động chi của người bệnh đóng vai trò then chốt trong điều trị y học. Đối với các bệnh nhân sống sót sau đột quỵ hoặc rơi vào trạng thái hôn mê sâu, tế bào não vẫn duy trì hoạt động điện sinh lý. Do mọi hoạt động và ý định vận động của con người đều phát tín hiệu lên vỏ não, việc phân tích tín hiệu điện não đồ (Electroencephalogram - EEG) mở ra giải pháp chẩn đoán và theo dõi tình trạng bệnh nhân. Hệ thống Giao diện Máy tính - Não bộ (Brain - Computer Interface - BCI) không xâm lấn thông qua đo điện não EEG được lựa chọn nhờ tính di động, chi phí hợp lý, độ phân giải thời gian cao và mức tỷ số tín hiệu trên nhiễu (SNR) phù hợp.

Mục tiêu và các nhiệm vụ nghiên cứu được văn bản xác định cụ thể như sau:

1. Mục tiêu nghiên cứu: Nghiên cứu mối quan hệ giữa vận động tay với hoạt động của não bộ; cụ thể là phân biệt tín hiệu gập duỗi khuỷu tay trái và gập duỗi khuỷu tay phải từ tín hiệu điện não đồ bằng mạng nơ-ron tích chập (Convolutional Neural Network - CNN), đồng thời thiết kế và xây dựng phần mềm trên nền tảng MATLAB có khả năng đọc dữ liệu, tiền xử lý và phân loại tín hiệu tự động.
2. Nội dung và nhiệm vụ nghiên cứu:
   • Nội dung 1: Thực hành tiền xử lý tín hiệu điện não sử dụng các bộ lọc trên phần mềm.
   • Nội dung 2: Tìm hiểu và thực nghiệm phần mềm phân tích tín hiệu điện não và các thuật toán liên quan.
   • Nội dung 3: Sắp xếp, phân tích cấu trúc và dữ liệu điện não về vận động tay.
   • Nội dung 4: Lập trình và ứng dụng phần mềm vào việc thu nhận, tiền xử lý, trích đặc trưng và phân loại tín hiệu điện não.
   • Nội dung 5: Tiến hành thu nhận và lưu trữ kết quả tiền xử lý tín hiệu điện não kèm chú thích, mô tả và phân tích.
   • Nội dung 6: Tiến hành trích đặc trưng và phân loại dữ liệu điện não về vận động tay, kèm 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: Ứng dụng phần mềm cho việc tổng hợp và thống kê tất cả kết quả phân loại dữ liệu điện não.

Đối tượng nghiên cứu của đề tài là tín hiệu điện não đồ xuất hiện khi con người thực hiện thao tác gập duỗi khuỷu tay trái và khuỷu tay phải. Đối tượng tham gia thử nghiệm thực tế là các sinh viên trong độ tuổi từ 20 đến 23 thuộc Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, đáp ứng tiêu chuẩn sức khỏe không mắc các bệnh lý về mắt, cơ bắp, thần kinh và da đầu. Phạm vi không gian thực hiện việc thu thập dữ liệu và thử nghiệm là phòng đo yên tĩnh tại trường; phạm vi thời gian nghiên cứu và hoàn thành khóa luận kéo dài từ ngày 25 tháng 02 năm 2022 đến ngày 15 tháng 06 năm 2022.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng hệ thống phân tích dựa trên sự kết hợp giữa các cơ sở sinh lý thần kinh học và các kỹ thuật xử lý tín hiệu số:

• Nguồn gốc điện não và giải phẫu thần kinh vận động: Tín hiệu EEG hình thành từ hoạt động điện thế qua màng tế bào thần kinh (neuron) tại lớp ngoài của vỏ đại não, được điều phối bởi dòng chuyển dịch của các ion Na+, K+, Ca2+ và Cl-. Hoạt động điều khiển vận động tay chéo cánh được xác định dựa trên cấu trúc sinh lý: bán cầu não trái chịu trách nhiệm điều khiển vận động nửa thân phải (tương ứng với các vị trí điện cực C3, FC5), và bán cầu não phải điều khiển vận động nửa thân trái (tương ứng với các điện cực C4, FC6).
• Mô hình nhiễu điện mắt (EOG): Nhãn cầu hoạt động như một lưỡng cực điện với giác mạc tích điện dương và võng mạc tích điện âm, tạo ra điện thế giác mạc trong khoảng 0,4–1 mV. Cử động chớp mắt gây ra nhiễu EOG có biên độ lớn trên các kênh vùng trán (Fp1, Fp2, F3, F4) làm méo tín hiệu EEG vận động vốn có biên độ nhỏ.
• Phương pháp lọc thích ứng bình phương cực tiểu đệ quy (Recursive Least Square - RLS): Sử dụng thuật toán RLS để ước lượng các tham số nhiễu điện mắt theo phương thẳng đứng (VEOG) và phương ngang (HEOG), sau đó tái tạo tín hiệu điện não sạch bằng cách trừ trực tiếp thành phần nhiễu ước lượng ra khỏi tín hiệu điện não thô.
• Phân tích Wavelet Coherence: Khắc phục hạn chế phân giải toàn cục của biến đổi Fourier đối với tín hiệu không dừng, phép biến đổi Wavelet sử dụng hàm mẹ tích chập với tín hiệu trong miền hữu hạn. Độ tương quan Wavelet (Wavelet Coherence) dựa trên hệ số tương quan Pearson trong miền thời gian - tần số được sử dụng để phân tích mức độ đồng bộ giữa các cặp kênh vận động liên đới (C3–FC5 và C4–FC6), chuyển tín hiệu sóng dao động 2 chiều sang biểu đồ mật độ phổ chéo dưới dạng ảnh màu 3 chiều.
• Mô hình mạng nơ-ron tích chập (CNN 2D): Sử dụng kiến trúc học sâu bao gồm lớp đầu vào (Input Layer), các lớp tích chập (Convolutional Layer) với các bộ lọc (Kernels) trượt trên ma trận dữ liệu, hàm kích hoạt tuyến tính chỉnh lưu (ReLU), lớp gộp cực đại (Max-pooling), lớp kết nối đầy đủ (Fully-connected Layer) và lớp đầu ra sử dụng hàm Softmax để tính toán xác suất phân loại 2 lớp vận động.
• Thiết bị và nguồn dữ liệu: Dữ liệu được thu thập trực tiếp bằng hệ thống đo điện não EPOC Flex 32 kênh kết nối không dây băng tần 2,4 GHz / BLE, sử dụng cảm biến Ag/AgCl mẫu gel dẫn truyền (EPOC Flex Gel). Tín hiệu được quản lý thông qua phần mềm EmotivPRO với các thông số kỹ thuật được tổng hợp trong bảng dưới đây:

Thông số kỹ thuật	Giá trị cấu hình trên thiết bị EPOC Flex
Số lượng kênh đo	32 kênh điện cực
Phương pháp và tốc độ lấy mẫu	Lấy mẫu tuần tự; tốc độ 128 SPS (xử lý nội bộ 1024 Hz)
Độ phân giải tín hiệu EEG	14-bit, 1 LSB = 0.51 µV (ADC 16-bit loại bỏ 2-bit nhiễu đáy)
Băng thông tần số	0,2 – 45 Hz (độ suy giảm cao tại tần số lưới điện 50 Hz và 60 Hz)
Bộ lọc tích hợp phần cứng	Bộ lọc số Sinc bậc 5
Dải động đầu vào	± 4,12 mV
Nguồn cấp và thời lượng pin	Pin LiPo 595 mAh, thời gian vận hành từ 6 đến 9 giờ

Thiết kế và triển khai

Hệ thống được tổ chức thành hai khối cấu thành: giao thức thu thập dữ liệu thực nghiệm trên đối tượng con người và khối xử lý phần mềm chuyên dụng được lập trình trên nền tảng MATLAB.

1. Giao thức thu thập tín hiệu thực nghiệm

Quy trình thu thập gồm 5 giai đoạn: tạo form khảo sát, sàng lọc tình nguyện viên, phổ biến quy định, thiết lập giao thức và tiến hành đo đạc. Tình nguyện viên phải kiêng các chất kích thích (bia rượu, cà phê, nước tăng lực, thuốc) ít nhất 3 ngày trước đo, ngủ đủ giấc và gội sạch đầu. Không gian đo được kiểm soát cách âm, ánh sáng nhẹ, ghế ngồi công thái học nhằm hạn chế rung giật cơ.

Một chu kỳ đo hoàn chỉnh kéo dài 58 giây, bao gồm các mốc thời gian tuần tự:

• 0–10 giây: Đối tượng ngồi thả lỏng, giữ yên cơ thể, không chớp mắt, không cử động để ghi nhận tín hiệu nền.
• 10–13 giây: Đối tượng chớp mắt lần đầu tiên nhằm tạo xung đỉnh EOG biên độ lớn làm mốc đồng bộ hóa thời gian.
• 13–56 giây: Đối tượng thực hiện chuỗi 5 lần gập duỗi khuỷu tay luân phiên theo tín hiệu thị giác xuất hiện trên màn hình máy tính:
  • Khi màn hình xuất hiện chấm màu xanh: đối tượng thực hiện gập duỗi khuỷu tay trái (cẳng tay ngửa) trong thời gian 2,5 giây; chấm xanh biến mất thì hạ tay.
  • Nghỉ thư giãn trong 2 giây.
  • Khi màn hình xuất hiện chấm màu đỏ: đối tượng thực hiện gập duỗi khuỷu tay phải (cẳng tay ngửa) trong 2,5 giây; chấm đỏ biến mất thì hạ tay.
  • Nghỉ thư giãn trong 2 giây trước khi lặp lại lượt tiếp theo.

2. Kiến trúc và thuật toán xử lý của phần mềm

Phần mềm phân tích được xây dựng bằng công cụ App Designer trong MATLAB 2019 và biên dịch sang ứng dụng chạy độc lập bằng Application Compiler (yêu cầu MATLAB Runtime). Cấu trúc xử lý dữ liệu trải qua 4 bước:

1. Nhập dữ liệu đầu vào: Phần mềm tiếp nhận tệp dữ liệu đo định dạng CSV trích xuất từ EmotivPRO, cho phép người dùng cấu hình số lượng kênh đo, số điểm dữ liệu và gắn nhãn giao thức thực nghiệm để khoanh vùng các đoạn dữ liệu vận động.
2. Tiền xử lý và lọc nhiễu:
   • Thuật toán tìm ngưỡng: Thiết lập khoảng thời gian chứa cú chớp mắt đầu tiên; áp dụng giá trị tuyệt đối lên biên độ tín hiệu và khai căn bậc hai nhằm nén dải động; ngưỡng phát hiện đỉnh EOG được tính toán bằng giá trị cực đại trừ đi độ lệch chuẩn của chuỗi dữ liệu.
   • Thuật toán RLS: Sử dụng tín hiệu kênh trán ghi nhận đỉnh EOG làm tín hiệu chuẩn để lọc thích ứng, loại bỏ toàn bộ thành phần nhiễu chớp mắt trên các kênh vận động C3, C4, FC5, FC6 mà không làm suy hao tín hiệu EEG gốc.
3. Trích xuất đặc trưng: Các đoạn tín hiệu sau lọc được đưa vào phân tích Wavelet Coherence giữa hai cặp kênh C3–FC5 và C4–FC6. Kết quả tính toán tương quan phổ thời gian - tần số được xuất thành hình ảnh biểu đồ màu định dạng PNG, sau đó chuyển đổi sang ảnh mức xám (grayscale) 2 chiều và chuẩn hóa độ phân giải cố định về kích thước 100×100 pixel.
4. Phân loại tín hiệu: Ma trận ảnh xám 100×100 được đưa vào mô hình học sâu CNN để dự đoán nhãn vận động (tay trái hoặc tay phải). Giao diện người dùng được phân tách thành 3 màn hình thao tác: Giao diện giới thiệu thông tin đề tài, Giao diện tiền xử lý dữ liệu và Giao diện trích xuất đặc trưng - phân loại.

Nội dung chính theo từng chương

Chương 1. Đặt vấn đề

Chương 1 thiết lập tính cấp thiết của đề tài xuất phát từ hậu quả tàn tật của bệnh nhân đột quỵ và sự cần thiết của các thiết bị theo dõi phục hồi chức năng vận động. Tác giả tổng hợp các công trình nghiên cứu BCI tiêu biểu trên thế giới: nghiên cứu của K. Pawar ứng dụng bộ tự mã hóa sâu dạng xếp chồng (Stacked Deepauto encoder) đạt độ chính xác xấp xỉ 91%; nghiên cứu của Boonme và cộng sự dùng học sâu phân loại chuyển động hai cánh tay đạt độ chính xác từ 90,86% đến 94,71%; nghiên cứu của Wang và cộng sự sử dụng thuật toán lọc mẫu không gian chung (CSP) phân tích hiện tượng đồng bộ/giảm đồng bộ liên quan đến sự kiện (ERD) trên dải sóng μ và β; cùng các phát hiện của Ding về đặc trưng giải mã chuyển động ngón tay. Chương này xác định rõ mục tiêu chế tạo công cụ phần mềm tích hợp và 8 nội dung công việc cụ thể, chỉ rõ giới hạn kỹ thuật của đề tài về sai số và định dạng tệp hỗ trợ (chỉ xử lý CSV và PNG).

Chương 2. Cơ sở lý thuyết

Nội dung chương 2 tập trung trình bày các nền tảng khoa học:

• Khái quát lịch sử đo điện não từ các quan sát ban đầu của Richard Caton năm 1875 trên động vật đến bản ghi EEG đầu tiên trên người của Hans Berger năm 1924; phân tích cơ chế dẫn truyền khớp thần kinh (synapse) và sự phát sinh dòng ion qua màng tế bào.
• Trình bày giải phẫu đại não (các thùy trán, đỉnh, thái dương, chẩm), thân não (não giữa, cầu não, hành não) và tiểu não, làm rõ vai trò phối hợp điều hòa vận động chủ động để xác định các kênh điện cực tương ứng trên bản đồ 32 kênh.
• Phân tích hiện tượng phân cực nhãn cầu, đặc tính xung nhiễu EOG (thời gian kéo dài khoảng 100 ms) và phương trình toán học của bộ lọc thích ứng RLS dùng để tách nhiễu mắt ra khỏi tín hiệu điện não.
• Trình bày toán học về phân tích Wavelet: hàm mẹ $\psi(t)$ thỏa mãn điều kiện năng lượng hữu hạn và điều kiện chấp nhận tích phân triệt tiêu; so sánh ưu thế bảo toàn đặc trưng cục bộ thời gian - tần số của Wavelet so với biến đổi Fourier; công thức xác định hệ số tương quan Wavelet Coherence giữa hai kênh tín hiệu.
• Cấu trúc mạng CNN: chi tiết hóa các phép toán tích chập 2D qua ma trận nhân chập Kernel, hàm kích hoạt phi tuyến ReLU, cơ chế rút gọn chiều dữ liệu của Max-pooling, lớp kết nối đầy đủ và hàm xác suất Softmax. Giới thiệu kiến trúc phần cứng thiết bị đo Emotiv EPOC Flex và các đặc tính kỹ thuật liên quan.

Chương 3. Tính toán và thiết kế

Chương 3 trình bày chi tiết bản vẽ thiết kế quy trình và kiến trúc logic của toàn bộ hệ thống:

• Thiết lập quy trình 5 bước thu thập tín hiệu: thiết kế biểu mẫu khảo sát, xác lập các tiêu chí tuyển chọn và loại trừ bệnh lý đối với tình nguyện viên, văn bản hóa quy định sinh hoạt trước ngày đo và sơ đồ thiết kế giao thức vận động 58 giây.
• Thiết kế quy trình chuẩn bị thiết bị đo qua 7 bước: sạc pin bộ điều khiển (thời gian sạc tối đa 4 giờ, lưu trữ pin 24 giờ nếu để lâu), kiểm tra kết nối mạng Internet, chèn 32 điện cực vào mũ vải theo chuẩn vị trí, cố định bộ điều khiển, thu gọn dây cáp cảm biến, cắm đầu kết nối cảm biến và liên kết không dây với máy tính.
• Xây dựng sơ đồ khối cấu trúc phần mềm 4 khối chức năng (nhập liệu, tiền xử lý, trích xuất đặc trưng, phân loại). Thiết lập cấu trúc luân chuyển giữa 3 giao diện người dùng.
• Toán học hóa thuật toán xác định ngưỡng tìm đỉnh chớp mắt bằng phép biến đổi căn bậc hai biên độ kết hợp độ lệch chuẩn, cùng thuật toán lọc bù trừ RLS cho các kênh vận động C3, C4, FC5, FC6.

Chương 4. Thi công hệ thống

Chương 4 mô tả toàn bộ quá trình triển khai thực tế theo thiết kế:

• Thực hiện công tác gắn mũ điện cực, bôi gel dẫn truyền tín hiệu tiếp xúc trực tiếp da đầu tình nguyện viên, hướng dẫn đối tượng làm quen với các tín hiệu thị giác (chấm xanh gập tay trái, chấm đỏ gập tay phải) hiển thị trên màn hình.
• Tiến hành ghi dữ liệu thô qua EmotivPRO; thực thi các bước giải thuật trên MATLAB: phát hiện mốc EOG đầu tiên, phân đoạn tín hiệu theo cửa sổ vận động 2,5 giây, áp dụng lọc RLS loại bỏ xung nhiễu chớp mắt trên kênh C3 và C4.
• Biến đổi Wavelet Coherence trên các cặp tín hiệu C3–FC5 và C4–FC6 đã làm sạch; chuyển đổi ma trận phổ thành tệp ảnh màu PNG; thực hiện xử lý ảnh chuyển sang ảnh mức xám và định cỡ lại về kích thước ma trận 100×100 pixel.
• Lập trình giao diện người dùng bằng App Designer, thiết lập các nút bấm điều khiển, khung nhập tham số, biểu đồ hiển thị dạng sóng trước và sau lọc; đóng gói chương trình thành tệp cài đặt thực thi thông qua Application Compiler kèm kiểm tra tính tương thích của MATLAB Runtime.

Chương 5. Kết quả – Nhận xét – Đánh giá

Chương 5 công bố các kết quả thực nghiệm đạt được:

• Trưng bày các dạng sóng thực tế minh chứng hiệu quả của thuật toán tìm ngưỡng: nhận diện chính xác đỉnh EOG đầu tiên trong khoảng thời gian quy định của giao thức mà không bị nhầm lẫn với các đỉnh dao động sinh lý thông thường.
• Đánh giá khả năng khử nhiễu của thuật toán RLS: làm phẳng hoàn toàn các đột biến biên độ do chớp mắt trên kênh C3, giữ nguyên các dải tần số đặc trưng cho vận động gập duỗi tay.
• Tổng hợp tập dữ liệu ảnh phổ Wavelet Coherence mức xám thu được; công bố kết quả huấn luyện mô hình học sâu CNN trên tập dữ liệu tổng cộng 8666 ảnh; phân tích ma trận kết quả phân loại chi tiết cho từng lớp vận động tay trái và tay phải; đánh giá tính ổn định trong vận hành giao diện đồ họa của phần mềm độc lập.

Chương 6. Kết luận và hướng phát triển

Chương cuối tóm tắt toàn bộ khối lượng công việc đã hoàn thành: thiết lập thành công quy trình chuẩn thu nhận tín hiệu EEG vận động; loại bỏ hiệu quả nhiễu EOG bằng RLS; trích xuất đặc trưng tương quan kênh bằng Wavelet Coherence; xây dựng bộ phân loại CNN đạt độ chính xác cao và tích hợp trọn vẹn vào một phần mềm ứng dụng hoàn chỉnh có giao diện trực quan. Đồng thời, chương này chỉ ra các hạn chế kỹ thuật còn tồn tại và đề xuất định hướng mở rộng nghiên cứu trong tương lai.

Kết quả và đóng góp

Nghiên cứu đã thu thập và xử lý một tập dữ liệu thực nghiệm lớn, sau đó chuyển đổi thành công thành các mẫu ảnh phổ Wavelet Coherence phục vụ huấn luyện mô hình học sâu. Tổng số lượng dữ liệu ảnh đầu vào được đưa vào mô hình là 8666 ảnh, trong đó số lượng mẫu vận động tay trái là 4303 ảnh và vận động tay phải là 4363 ảnh. Tập dữ liệu được phân chia theo tỷ lệ 70% dành cho huấn luyện (tập train) và 30% dành cho kiểm tra (tập test).

Kết quả phân loại vận động của mô hình mạng nơ-ron tích chập (CNN) được tổng hợp cụ thể trong bảng sau:

Đối tượng phân loại	Tổng số lượng mẫu ảnh	Tỷ lệ dữ liệu (Train / Test)	Độ chính xác phân loại (%)
Vận động tay phải	4363	70% / 30%	99,8%
Vận động tay trái	4303	70% / 30%	89,1%
Tổng thể mô hình	8666	70% / 30%	94,5%

Các đóng góp chính được nhóm tác giả tự xác định bao gồm:

1. Thiết lập giao thức thực nghiệm hoàn chỉnh: Xây dựng thành công quy trình thu thập tín hiệu điện não vận động gập duỗi tay có tích hợp điểm mốc chớp mắt định vị thời gian, giúp tự động hóa việc khoanh vùng dữ liệu phân tích.
2. Quy trình tiền xử lý và trích xuất đặc trưng hiệu quả: Chứng minh tính khả thi của việc kết hợp thuật toán RLS để loại bỏ nhiễu EOG mà không làm suy giảm chất lượng tín hiệu EEG, kết hợp biến đổi Wavelet Coherence trên các cặp kênh vận động liên đới (C3–FC5, C4–FC6) để chuyển đổi tín hiệu sóng sang dạng ảnh đặc trưng.
3. Xây dựng ứng dụng phần mềm độc lập: Lập trình hoàn thiện phần mềm trên MATLAB với 3 phân hệ giao diện trực quan, có khả năng đọc dữ liệu, tiền xử lý, trích xuất đặc trưng và đưa ra kết quả phân loại vận động với độ chính xác cao (94,5%), tạo tiền đề cho các ứng dụng theo dõi chức năng vận động trong y học phục hồi.

Hạn chế và hướng nghiên cứu tiếp

Văn bản khóa luận chỉ rõ các hạn chế kỹ thuật trong quá trình thực nghiệm:

• Chất lượng tín hiệu: Dữ liệu điện não thu thập được vẫn còn tồn tại các thành phần nhiễu sinh lý và nhiễu môi trường chưa thể triệt tiêu hoàn toàn.
• Sai số phân loại giữa hai tay: Kết quả phân tích vẫn còn sai số; độ chính xác nhận diện vận động tay trái (89,1%) thấp hơn đáng kể so với tay phải (99,8%).
• Giới hạn định dạng tệp đầu vào: Phần mềm hiện chỉ chấp nhận hai định dạng tệp là CSV (chứa dữ liệu số thô từ EmotivPRO) và PNG (tệp ảnh kết quả của phép biến đổi Wavelet Coherence).
• Ràng buộc của thuật toán RLS: Kênh tín hiệu nhiễu EOG dùng làm tín hiệu tham chiếu bắt buộc phải nằm gần kênh tín hiệu cần lọc nhiễu thì giải thuật mới đạt độ hội tụ tối ưu.

Hướng phát triển tiếp theo được tác giả đề xuất là tiếp tục nghiên cứu, tối ưu hóa các giải thuật để giảm thiểu sai số, đồng thời nâng cấp và mở rộng hệ thống phần mềm với nhiều chức năng phong phú hơn nhằm ứng dụng hiệu quả vào công tác chẩn đoán, theo dõi và phục vụ sức khỏe bệnh nhân đột quỵ.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho sinh viên và học viên chuyên ngành Kỹ thuật Y Sinh, Kỹ thuật Điện tử, Tự động hóa và Khoa học Dữ liệu định hướng xử lý tín hiệu y sinh hoặc giao diện não - máy tính (BCI). Cụ thể, các nội dung có giá trị tham khảo cao bao gồm:

• Phương pháp thu nhận tín hiệu: Giao thức thiết kế thực nghiệm 58 giây kết hợp kích thích thị giác và mốc chớp mắt định vị là tài liệu thực hành hữu ích cho các đề tài cần xây dựng tập dữ liệu EEG vận động tự đo.
• Giải thuật lọc nhiễu thích ứng: Cách thức ứng dụng thuật toán tìm ngưỡng biên độ và thuật toán RLS để khử nhiễu EOG trên dữ liệu thực tế từ thiết bị 32 kênh.
• Kỹ thuật trích xuất đặc trưng Wavelet Coherence: Quy trình tính toán tương quan thời gian - tần số giữa các kênh vận động và phương pháp chuyển đổi tín hiệu điện áp sang ảnh xám 100×100 để làm đầu vào cho mạng học sâu CNN.
• Mã nguồn và đóng gói giao diện MATLAB: Toàn bộ quy trình thiết kế giao diện đa cửa sổ bằng App Designer và xuất phần mềm độc lập bằng Application Compiler.

Câu hỏi thường gặp

1. Khóa luận sử dụng thiết bị và cảm biến nào để thu tín hiệu điện não, cấu hình phần cứng ra sao?
Nghiên cứu sử dụng hệ thống EPOC Flex gồm 32 kênh điện cực của hãng Emotiv, dùng cảm biến mẫu gel Ag/AgCl nung kết. Tín hiệu được lấy mẫu tuần tự với tốc độ 128 SPS (tần số xử lý nội bộ 1024 Hz), độ phân giải 14-bit, băng thông tần số 0,2–45 Hz tích hợp bộ lọc số Sinc bậc 5, dải động ±4,12 mV và truyền dữ liệu không dây qua băng tần 2,4 GHz / BLE.

2. Giao thức thu dữ liệu gập duỗi tay được thiết kế chi tiết như thế nào trong một chu kỳ đo?
Tổng thời gian một lần đo là 58 giây. Trong đó, 10 giây đầu đối tượng nghỉ ngơi thả lỏng và không chớp mắt; từ giây 10–13 đối tượng thực hiện cú chớp mắt đầu tiên để tạo mốc thời gian. Tiếp theo là chuỗi 5 lần gập duỗi luân phiên: xuất hiện chấm xanh thì gập duỗi khuỷu tay trái trong 2,5 giây rồi nghỉ 2 giây; xuất hiện chấm đỏ thì gập duỗi khuỷu tay phải trong 2,5 giây rồi nghỉ 2 giây.

3. Tác giả chọn những kênh điện cực nào để phân tích tương quan vận động và lọc nhiễu EOG?
Các kênh được chọn để phân tích Wavelet Coherence là C3, FC5 (phụ trách điều khiển vận động tay phải ở bán cầu não trái) và C4, FC6 (phụ trách điều khiển vận động tay trái ở bán cầu não phải). Để phục vụ thuật toán lọc RLS, các kênh Fp1, Fp2, F3, F4 đặt gần mắt được sử dụng để thu nhận tín hiệu chớp mắt EOG tham chiếu.

4. Dữ liệu huấn luyện mô hình CNN gồm bao nhiêu mẫu và độ chính xác phân loại đạt được là bao nhiêu?
Tập dữ liệu đầu vào bao gồm tổng cộng 8666 ảnh phổ tương quan mức xám kích thước 100×100 pixel (4303 ảnh vận động tay trái và 4363 ảnh vận động tay phải), chia theo tỷ lệ 70% huấn luyện và 30% thử nghiệm. Độ chính xác phân loại tổng thể đạt 94,5%; trong đó nhận diện vận động tay phải đạt 99,8% và nhận diện vận động tay trái đạt 89,1%.

5. Phần mềm được xây dựng bằng công cụ nào và có hạn chế gì về định dạng tệp?
Phần mềm được lập trình bằng App Designer trong MATLAB 2019 và đóng gói cài đặt qua Application Compiler cùng bộ thư viện MATLAB Runtime. Phần mềm bị giới hạn chỉ hỗ trợ đọc hai định dạng tệp đầu vào: tệp dữ liệu thô dạng bảng CSV và tệp hình ảnh biểu đồ đặc trưng Wavelet Coherence dạng PNG.

Kết luận

Khóa luận tốt nghiệp của tác giả Trần Thị Hậu và Vũ Thị Minh đã thiết kế và triển khai thành công một giải pháp tích hợp từ khâu xây dựng giao thức thu thập tín hiệu điện não 32 kênh đến xử lý dữ liệu và nhận diện vận động gập duỗi khuỷu tay trái/phải. Bằng việc kết hợp thuật toán lọc thích ứng RLS để khử nhiễu điện mắt, biến đổi Wavelet Coherence để trích xuất đặc trưng liên kênh và mô hình học sâu CNN 2D, hệ thống đã đạt độ chính xác phân loại tổng thể 94,5% trên tập dữ liệu 8666 ảnh. Ứng dụng phần mềm hoàn thiện trên môi trường MATLAB với giao diện trực quan đã đóng gói trọn vẹn toàn bộ chu trình tính toán, mang lại giá trị thực tiễn cao cho việc nghiên cứu giao diện máy tính - não bộ và hỗ trợ theo dõi phục hồi chức năng vận động cho bệnh nhân đột quỵ.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan • Chương 2: Cơ sở lý thuyết • Chương 3: Tính toán và thiết kế • Chương 4: Thi công hệ thống • Chương 5: Kết quả - Nhận xét - Đánh giá • 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. Tín hiệu điện não Richard Caton đã thực hiện những bản ghi sinh lý thần kinh đầu tiên trên bộ não của mèo và thỏ. Các kết quả được trình bày vào năm 1875 cho thấy “các dòng điện yếu theo các hướng khác nhau sẽ truyền qua hệ số nhân khi các điện cực được đặt ở hai điểm của bề mặt bên ngoài, hoặc một điện cực trên chất xám và một trên bề mặt hộp sọ”.

Phát hiện này được coi là một khám phá về hoạt động điện não, đặt nền móng cho những bước tiến về phép đo điện não sau này (7). Hans Berger, một bác sĩ tâm thần người Đức, đã đi tiên phong trong việc tạo điện não đồ ở người. Ông đã ghi lại sóng não bằng cách tiêm Novocain vào da đầu và đặt điện cực vào màng xương. Ông ghi lại điện não đồ đầu tiên vào ngày 6 tháng 7 năm 1924, trên một cậu bé 17 tuổi (8).1: Tín hiệu điện não đồ đầu tiên được ghi lại (8) 2.

Nguồn gốc tín hiệu điện não Hầu hết các tín hiệu điện não đồ bắt nguồn từ lớp ngoài của não (vỏ não), được cho là chịu trách nhiệm chính về suy nghĩ, cảm xúc và hành vi của cá nhân chúng ta. Hoạt động tiếp hợp của vỏ não tạo ra các tín hiệu điện thay đổi trong phạm vi 10 đến 100 mili giây. Phép đo EEG (Electroencephalogram - điện não) và MEG (Magnetoencephalography - từ tính não) là những công nghệ duy nhất có sẵn với độ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 5 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT phân giải theo thời gian đủ để theo dõi những thay đổi nhanh chóng này (9).

Tế bào thần kinh được tạo nên từ thân tế bào, đuôi gai và sợi trục, như có thể thấy trong hình bên dưới: Hình 2.2: Cấu tạo tế bào thần kinh (10) Thân tế bào (còn được gọi là soma) chứa tất cả các bào quan cần thiết cho chức năng tế bào, sợi trục là kênh liên lạc mà thông tin được truyền đến một tế bào thần kinh khác, trong khi đuôi gai nhận các kết nối từ các tế bào thần kinh khác truyền tới. Khi mà hai tế bào thần kinh truyền thông tin thì tại đó gọi là khớp nối giữa các tế bào, hay cũng chính là synapse. Synapse giúp cho thông tin từ tế bào thần kinh này truyền đến tế bào thần kinh khác (10,11). Dòng điện trong não được tạo ra chủ yếu bằng cách bơm các ion dương là Na+, K+, Ca2+ và ion âm là Cl– qua màng tế bào thần kinh.

Đầu cuối của synapse có một khoảng trống giữa hai nơi mà các chất dẫn truyền thần kinh được trao đổi trong quá trình tiếp hợp. Những chất dẫn truyền thần kinh này dẫn đến sự thay đổi tính thấm của màng với các ion, từ đó dẫn đến nồng độ ion khác nhau và kết quả là có sự khác biệt về điện thế của nó, lúc này dòng điện trong não xuất hiện (10,11). Các điện cực gắn vào đầu làm cho sự khác biệt về điện thế có thể được khuếch đại và lưu trữ để tạo ra các biểu diễn đặc trưng của hoạt động não (12). Các dạng sóng EEG có thể được phân loại đặc trưng dựa trên vị trí, biên độ, tần số, hình thái, tính liên tục (nhịp nhàng, ngắt quãng hoặc liên tục), đồng bộ, đối xứng và sự phản ứng của chúng.

Tuy nhiên, phương pháp thường được sử dụng nhất để BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 6 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT phân loại các dạng sóng EEG là theo tần số. Các sóng EEG được đặt tên dựa trên dải tần của chúng bằng cách sử dụng các chữ cái Hy Lạp (13). CẤU TRÚC CỦA NÃO BỘ Ở cấp độ cao, não có thể được chia thành đại não, thân não và tiểu não: - Đại não: Hình 2.3: Cấu trúc của đại não (14) Bao gồm chất xám (nằm ở vỏ não) và chất trắng ở trung tâm.

Đây là phần lớn nhất của não người và điều phối suy nghĩ, hành động của chúng ta. Đại não chia làm hai bán cầu: bán cầu não phải và bán cầu não trái. Trong đó mỗi bán cầu gồm có bốn phần: thùy trán, thùy đỉnh, thùy chẩm và thùy thái dương (15,16). + Thùy đỉnh (Parietal Lobe): Nằm ở phía sau và bên trên của não và kiểm soát các hành vi phức tạp của chúng ta, bao gồm các giác quan như thị giác, xúc giác, nhận thức cơ thể.

Thùy đỉnh giúp não hiểu ngôn ngữ nói, chịu trách nhiệm về khả năng định vị và chuyển động của cơ thể (15,16). BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 7 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT + Thùy thái dương (Temporal Lobe): nằm ngang vị trí hai bên tai ở mỗi bên của não, thùy thái dương có liên quan đến trí nhớ ngắn hạn, giúp não hiểu lời nói, nhịp điệu âm nhạc và nhận biết mùi ở một mức độ nào đó (15).4: Vị trí các thùy trong não bộ (17) - Thân não: Thân não đảm nhận các chức năng quan trọng trong chuyển động cơ, đặc biệt là chuyển động của mắt, thính giác và thị giác. Thân não gồm ba phần: não giữa, cầu não và hành não (15).

+ Não giữa: Chịu trách nhiệm cho các phản ứng thị giác, thính giác, xúc giác (16). + Cầu não: Nằm phía trên tủy, bên dưới não giữa và ngay trước tiểu não. Chứa các dây thần kinh chịu trách nhiệm về cảm giác ở mặt, điều khiển các cơ chịu trách nhiệm cắn, nhai và nuốt, đồng thời có chức năng cho phép nhìn từ bên này sang bên kia và dây thần kinh tiền đình cho phép nghe (15). + Hành não: Ở dưới cùng của thân não và là nơi giao với tủy sống, giúp điều chỉnh nhiều hoạt động của cơ thể, bao gồm nhịp tim, nhịp thở, lưu lượng máu, nồng độ O2 và CO2.

- Tiểu não: Duy trì trạng thái, tư thế cân bằng, trương lực cơ, tư thế và điều phối các chuyển động mang tính chủ động của cơ bằng cách điều chỉnh mức độ căng cơ giữa cơ chủ vận và cơ đối kháng (18). Từ các thông tin trên, ta thấy rằng vùng thùy trán của đại não và tiểu não hỗ trợ nhau để điều hòa các vận động của cơ thể. Đây là một trong những cơ sở để nhóm xác định kênh phù hợp với vận động tay của cơ thể trên mũ điện cực 32 kênh. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 8 CHƯƠNG 2.

TÍN HIỆU CHỚP MẮT TRONG EEG Có một số loại tín hiệu nhiễu thường gặp trong tín hiệu EEG có thể được kể đến như tín hiệu nhiễu do chuyển động, tín hiệu điện cơ, tín hiệu điện tim, tín hiệu điện mắt, và các loại nhiễu khác xuất hiện do sự chuyển động và tác nhân bên ngoài gây ra.5: Các dạng tín hiệu nhiễu trong EEG (19) 2. Tín hiệu chớp mắt Phương pháp đo tín hiệu điện mắt (tiếng Anh: Electrooculograghy - EOG) giúp nhận ra sự khác nhau trong thay đổi điện thế do chuyển động của mắt gây ra giữa hai điện cực được đặt theo chiều ngang nếu đang xét hoạt động nhắm mở mắt, hoặc chiều dọc nếu đang xét hoạt động liếc sang trái, phải. Các nghiên cứu ban đầu về chuyển động mắt cho thấy mắt người là một lưỡng cực điện, trong đó giác mạc tích điện dương và võng mạc tích điện âm (20,21). BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 9 CHƯƠNG 2.

CƠ SỞ LÝ THUYẾT Hình 2.6: Điện áp của mắt (22) Khi nhãn cầu di chuyển, điện thế tăng hoặc giảm tùy vào hướng chuyển động của mắt, nguyên nhân là vì sự thay đổi hướng mắt làm cho vị trí của giác mạc và võng mạc thay đổi so với phần còn lại của đầu. Sự thay đổi điện áp này được gọi là điện thế giác mạc và thay đổi trong khoảng 0,4 đến 1 mV (21). Hình dưới thể hiện sự thay đổi điện thế của mắt khi nhãn cầu chuyển động, cụ thể là thực hiện hành động nhắm mắt và mở mắt.7: Tín hiệu chớp mắt (23) Độ dài nháy mắt thường kéo dài khoảng 100 ms (11). Điện áp của nháy mắt có chủ ý lớn hơn so với nháy mắt không chủ ý (24).

Trong bài báo cáo này, nhóm tập trung vào hoạt động nháy mắt để loại bỏ các tín hiệu nhiễu này, bằng cách quan sát và phân tích tín hiệu ở các kênh Fp1, Fp2, F3, F4. Đây cũng là các điện cực được đặt ở gần mắt nên chúng sẽ thu được tín hiệu chớp mắt một cách rõ ràng nhất. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 10 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Hình 2.8: Vị trí điện cực thu tín hiệu mắt (25) 2.

Thuật toán lọc EOG bằng phương pháp RLS Trong tín hiệu EEG, các tín hiệu chớp mắt được xem là nhiễu mà ta cần phải loại bỏ, vì các tín hiệu nhiễu này sẽ làm ảnh hưởng chất lượng tín hiệu EEG mà ta thu được, từ đó làm giảm độ chính xác kết quả phân loại vận động tay. Trong nghiên cứu này, nhóm sử dụng thuật toán bình phương cực tiểu đệ quy (tiếng Anh: Recursive Least Square - RLS) để lọc tín hiệu EOG. Phương pháp RLS được áp dụng như sau (26): • Ước lượng bình phương cực tiểu đệ quy được sử dụng để ước tính các tham số của tín hiệu EOG. • Điện não đồ không có nhiễu được tái tạo bằng cách lấy điện não đồ bị nhiễu trừ đi VEOG (tín hiệu điện mắt theo chiều dọc) và HEOG (tín hiệu điện mắt theo chiều ngang) đã tính được (26): Contaminated _ EEGi , j = Pure _ EEGi , j + a jVEOG + b j HEOG (2.1) So với các phương pháp lọc tín hiệu EOG khác trong tín hiệu EEG, phương pháp RLS được đánh giá là hoạt động tốt hơn và ít xảy ra lỗi hơn (27).

Đồng thời, thuật toán RLS giúp lọc EOG nhưng ít gây ảnh hưởng đến chất lượng tín hiệu EEG (28). Điều này là cực kỳ quan trọng, bởi vì tín hiệu điện não cần được đảm bảo chính xác sau khi lọc tín hiệu chớp mắt, để có thể mang lại kết quả phân loại vận động tốt nhất. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 11 CHƯƠNG 2. PHÂN TÍCH WAVELET COHERENCE 2.

Khái niệm Wavelet Wavelet là một dao động như dạng sóng được khoanh vùng và xác định theo thời gian, trong một miền hữu hạn. Wavelet có hai giá trị thuộc tính cơ bản, đó là phạm vi và vị trí (29).