Tổng quan nghiên cứu

Theo báo cáo của ngành giao thông năm 2020, khoảng 20% các vụ tai nạn giao thông xảy ra do tình trạng buồn ngủ và mất tập trung khi lái xe. Buồn ngủ ban ngày là một hiện tượng phổ biến gây suy giảm hiệu suất làm việc và có thể là dấu hiệu đầu tiên của nhiều bệnh lý như tim mạch, tiểu đường. Đặc biệt, với những công việc đòi hỏi sự tập trung cao như lái xe, xây dựng, buồn ngủ trở thành nguy cơ tiềm ẩn gây ra tai nạn nghiêm trọng. Nghiên cứu này tập trung phân tích trạng thái buồn ngủ của sinh viên thông qua tín hiệu điện não đơn kênh (EEG single-channel) nhằm phát hiện kịp thời trạng thái buồn ngủ, từ đó góp phần giảm thiểu tai nạn giao thông do nguyên nhân này.

Mục tiêu cụ thể của luận văn là lựa chọn kênh tín hiệu EEG đơn kênh phù hợp để phát hiện trạng thái buồn ngủ chính xác, đồng thời xây dựng quy trình thực nghiệm và xử lý tín hiệu hiệu quả. Phạm vi nghiên cứu tập trung trên nhóm sinh viên tình nguyện trong độ tuổi từ 20 đến 30 tại phòng thí nghiệm Vật lý Kỹ thuật, Trường Đại học Bách Khoa TP. Hồ Chí Minh, với 6 đối tượng tham gia và 14 bộ dữ liệu thu thập được. Ý nghĩa của nghiên cứu được thể hiện qua việc cung cấp cơ sở khoa học cho các thiết bị cảnh báo buồn ngủ kịp thời, góp phần nâng cao an toàn giao thông và sức khỏe cộng đồng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình nghiên cứu về giấc ngủ và tín hiệu điện não (EEG). Tiêu chuẩn phân loại giấc ngủ theo AASM 2007 được áp dụng để phân biệt các trạng thái thức (W), ngủ nhẹ (N1), ngủ sâu (NREM2, NREM3) và ngủ REM. Các khái niệm chính bao gồm:

  • Tín hiệu EEG: Là tín hiệu điện sinh học phát sinh từ hoạt động của các neuron thần kinh trong não, được ghi nhận qua các điện cực đặt trên da đầu. Tín hiệu EEG được phân tích theo các dải sóng chính: Alpha (8-12 Hz), Beta (13-35 Hz), Theta (4-7 Hz), Delta (0.5-4 Hz).
  • Trạng thái buồn ngủ (N1): Đặc trưng bởi sự giảm sóng Alpha và tăng sóng Theta, kèm theo các chuyển động mắt chậm (SEM).
  • Phân tích tín hiệu EEG: Sử dụng các phương pháp phân tích phổ như Phép biến đổi Fourier (FFT) và Phép biến đổi Wavelet để tách và phân tích các thành phần sóng trong tín hiệu EEG.
  • Kênh tín hiệu EEG đơn kênh: Nghiên cứu tập trung vào các kênh Fp1-A2 và O1-Ref, được xác định có độ tương đồng trên 80% so với tín hiệu đa kênh trong việc phát hiện trạng thái buồn ngủ.

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập từ 6 sinh viên tình nguyện, trong độ tuổi 20-30, không có tiền sử bệnh thần kinh hay rối loạn giấc ngủ, thực hiện thí nghiệm mô phỏng lái xe trong phòng thí nghiệm Vật lý Kỹ thuật, Trường Đại học Bách Khoa TP. Hồ Chí Minh. Tổng cộng 14 bộ dữ liệu EEG đơn kênh được ghi nhận qua thiết bị Nicolet One V32, với 11 kênh tín hiệu EEG và 6 kênh tín hiệu EMG.

Phương pháp chọn mẫu là chọn ngẫu nhiên các sinh viên tình nguyện phù hợp tiêu chuẩn sức khỏe và không sử dụng chất kích thích. Quá trình thí nghiệm diễn ra sau khi người tham gia nghỉ ngơi 15 phút, mô phỏng lái xe trên màn hình máy tính bảng hoặc laptop với camera giám sát chuyển động mắt.

Phân tích dữ liệu sử dụng phần mềm Matlab với các bước xử lý gồm: lọc nhiễu (lọc notch loại bỏ tần số 50Hz), phân tích biến đổi Wavelet để tách sóng Alpha, Theta, Beta, Delta, và phân tích phổ Fourier để xác định thành phần tần số. Thống kê ANOVA được sử dụng để đánh giá sự khác biệt giữa các kênh tín hiệu và các trạng thái giấc ngủ.

Timeline nghiên cứu kéo dài trong khoảng thời gian thực nghiệm và xử lý dữ liệu từ tháng 3 đến tháng 8 năm 2021.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác phát hiện trạng thái buồn ngủ qua kênh EEG đơn kênh: Kênh Fp1-A2 và O1-Ref cho kết quả tương đồng với tín hiệu đa kênh trên 80%, cho thấy khả năng phát hiện trạng thái buồn ngủ chính xác và kịp thời.
  2. Sự biến đổi sóng Alpha và Theta trong trạng thái buồn ngủ: Sóng Alpha giảm khoảng 50% trong khi sóng Theta tăng lên đáng kể trong trạng thái N1 so với trạng thái thức, phù hợp với các nghiên cứu quốc tế.
  3. Hiệu quả của phương pháp phân tích Wavelet: Phép biến đổi Wavelet giúp tách rõ ràng các thành phần sóng EEG, đặc biệt là sóng Alpha và Theta, hỗ trợ phân biệt trạng thái thức và buồn ngủ với độ chính xác trên 82%.
  4. Ảnh hưởng của nhiễu tín hiệu và biện pháp xử lý: Lọc nhiễu notch loại bỏ hiệu quả tạp âm 50Hz, giảm nhiễu kỹ thuật và sinh lý, giúp tín hiệu EEG thu được rõ nét hơn, tăng độ tin cậy của kết quả phân tích.

Thảo luận kết quả

Nguyên nhân chính của các phát hiện trên là do tín hiệu EEG đơn kênh, đặc biệt là kênh Fp1-A2 và O1-Ref, phản ánh tốt hoạt động điện não liên quan đến trạng thái buồn ngủ. Kết quả phù hợp với các nghiên cứu trước đây về phân tích sóng Alpha và Theta trong giấc ngủ nhẹ. Việc sử dụng phân tích Wavelet cho phép xử lý tín hiệu trong miền thời gian-tần số, giúp phát hiện các biến đổi nhỏ trong tín hiệu EEG mà phương pháp Fourier truyền thống khó nhận biết.

So sánh với các nghiên cứu sử dụng đa kênh EEG hoặc camera giám sát, phương pháp đơn kênh EEG có ưu điểm tiết kiệm chi phí, dễ triển khai và ít xâm lấn, phù hợp cho ứng dụng cảnh báo buồn ngủ trong thực tế. Kết quả cũng cho thấy khả năng ứng dụng trong các thiết bị cảnh báo lái xe, góp phần giảm thiểu tai nạn giao thông do buồn ngủ.

Dữ liệu có thể được trình bày qua biểu đồ so sánh tỷ lệ sóng Alpha và Theta giữa các trạng thái thức và buồn ngủ, bảng thống kê độ chính xác phát hiện của từng kênh EEG, và biểu đồ phổ tần số EEG phân tích bằng Wavelet.

Đề xuất và khuyến nghị

  1. Phát triển thiết bị cảnh báo buồn ngủ dựa trên kênh EEG đơn kênh Fp1-A2 và O1-Ref: Tập trung thiết kế thiết bị nhỏ gọn, chi phí thấp, tích hợp thuật toán phân tích Wavelet để phát hiện kịp thời trạng thái buồn ngủ, giảm thiểu tai nạn giao thông. Thời gian triển khai dự kiến 12-18 tháng, chủ thể thực hiện là các công ty công nghệ y sinh và giao thông.
  2. Tăng cường đào tạo và nâng cao nhận thức về tác hại của buồn ngủ khi lái xe: Áp dụng kết quả nghiên cứu để xây dựng các chương trình đào tạo cho sinh viên và tài xế, nâng cao ý thức phòng tránh buồn ngủ. Thời gian thực hiện trong 6 tháng, chủ thể là các trường đại học và cơ quan quản lý giao thông.
  3. Mở rộng nghiên cứu ứng dụng tín hiệu EEG đơn kênh trong các lĩnh vực khác: Ví dụ như giám sát sức khỏe lao động, cảnh báo mệt mỏi trong các ngành công nghiệp nặng, xây dựng hệ thống giám sát y tế từ xa. Chủ thể thực hiện là các viện nghiên cứu và doanh nghiệp công nghệ.
  4. Xây dựng cơ sở dữ liệu tín hiệu EEG đa dạng hơn: Thu thập dữ liệu từ nhiều nhóm đối tượng khác nhau để nâng cao độ chính xác và khả năng ứng dụng rộng rãi của thuật toán phát hiện buồn ngủ. Thời gian thực hiện 1-2 năm, chủ thể là các tổ chức nghiên cứu khoa học.

Đối tượng nên tham khảo luận văn

  1. Các nhà nghiên cứu và sinh viên ngành y sinh, kỹ thuật y tế: Nghiên cứu cung cấp cơ sở lý thuyết và phương pháp phân tích tín hiệu EEG đơn kênh, hỗ trợ phát triển các công trình liên quan đến giấc ngủ và cảnh báo buồn ngủ.
  2. Các công ty phát triển thiết bị y tế và an toàn giao thông: Tham khảo để thiết kế và cải tiến các thiết bị cảnh báo buồn ngủ, ứng dụng công nghệ EEG đơn kênh và thuật toán phân tích tín hiệu hiện đại.
  3. Cơ quan quản lý giao thông và an toàn lao động: Sử dụng kết quả nghiên cứu để xây dựng chính sách, chương trình đào tạo và các biện pháp phòng ngừa tai nạn do buồn ngủ.
  4. Người lái xe và sinh viên lái xe: Nâng cao nhận thức về tác hại của buồn ngủ khi lái xe, áp dụng các thiết bị cảnh báo để bảo vệ an toàn cá nhân và cộng đồng.

Câu hỏi thường gặp

  1. Tại sao chọn tín hiệu EEG đơn kênh thay vì đa kênh?
    Tín hiệu EEG đơn kênh giúp giảm chi phí, đơn giản hóa thiết bị và dễ dàng triển khai trong thực tế mà vẫn đảm bảo độ chính xác phát hiện trạng thái buồn ngủ trên 80%, phù hợp với ứng dụng cảnh báo kịp thời.

  2. Phân tích Wavelet có ưu điểm gì so với Fourier?
    Phân tích Wavelet cho phép xử lý tín hiệu trong miền thời gian-tần số, giúp phát hiện các biến đổi nhỏ và tạm thời trong tín hiệu EEG mà Fourier không thể nhận biết rõ, từ đó nâng cao độ chính xác phân tích.

  3. Kênh EEG nào được khuyến nghị sử dụng để phát hiện buồn ngủ?
    Kênh Fp1-A2 và O1-Ref được xác định có độ tương đồng cao với tín hiệu đa kênh và khả năng phát hiện trạng thái buồn ngủ chính xác, nên được ưu tiên sử dụng trong các thiết bị cảnh báo.

  4. Nhiễu tín hiệu EEG được xử lý như thế nào?
    Nhiễu tần số 50Hz được loại bỏ bằng bộ lọc notch, đồng thời sử dụng các kỹ thuật lọc và phân tích tín hiệu như Wavelet để giảm nhiễu sinh lý và kỹ thuật, đảm bảo tín hiệu EEG thu được rõ nét và tin cậy.

  5. Ứng dụng thực tiễn của nghiên cứu này là gì?
    Nghiên cứu hỗ trợ phát triển các thiết bị cảnh báo buồn ngủ cho lái xe, góp phần giảm thiểu tai nạn giao thông, đồng thời mở rộng ứng dụng trong giám sát sức khỏe lao động và y tế từ xa.

Kết luận

  • Nghiên cứu đã xác định được kênh EEG đơn kênh Fp1-A2 và O1-Ref phù hợp để phát hiện trạng thái buồn ngủ với độ chính xác trên 80%.
  • Phương pháp phân tích Wavelet được áp dụng hiệu quả trong xử lý tín hiệu EEG, giúp phân biệt rõ ràng các trạng thái thức và buồn ngủ.
  • Kết quả nghiên cứu góp phần xây dựng cơ sở khoa học cho các thiết bị cảnh báo buồn ngủ kịp thời, giảm thiểu tai nạn giao thông do nguyên nhân buồn ngủ khi lái xe.
  • Đề xuất mở rộng nghiên cứu và ứng dụng trong các lĩnh vực y tế, an toàn lao động và giao thông.
  • Khuyến khích các tổ chức, doanh nghiệp và cá nhân quan tâm áp dụng kết quả nghiên cứu để nâng cao an toàn và sức khỏe cộng đồng.

Hành động tiếp theo: Đẩy mạnh phát triển thiết bị cảnh báo buồn ngủ dựa trên tín hiệu EEG đơn kênh, đồng thời mở rộng thu thập dữ liệu và hoàn thiện thuật toán phân tích để nâng cao độ chính xác và khả năng ứng dụng thực tiễn.