Luận Văn Thạc Sĩ: Phân Tích Vận Động Cánh Tay Sử Dụng Neural Network

Luận văn thạc sĩ phân tích vận động cánh tay bằng neural network, ứng dụng công nghệ AI để nghiên cứu chuyển động cơ thể chính xác và hiệu quả.

• Tác giả: Lại Minh Lý
• 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: Phân tích vận động cánh tay bằng Neural Network
• Loại tài liệu: báo cáo tổng kết đề tài nghiên cứu khoa học của sinh viên
• Năm xuất bản: 2022
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tính cấp thiết của đề tài
• 1.2. Mục tiêu đề tài
• 1.3. Đối tượng nghiên cứu
• 1.4. Phạm vi nghiên cứu
• 1.5. Đóng góp đề tài
• 1.6. Phương pháp luận
• 1.7. Nội dung nghiên cứu
• 1.8. Bố cục
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về não bộ
• 2.2. Cấu tạo não bộ
• 2.3. Nguồn gốc tín hiệu điện não
• 2.4. Đo đạc và thu nhận tín hiệu điện não
• 2.5. Phương pháp thu tín hiệu điện não
• 2.6. Chuẩn điện cực 10-20. Thiết bị đo điện não Emotiv Flex
• 2.7. Tín hiệu chớp mắt trong EEG
• 2.8. Tín hiệu chớp mắt
• 2.9. Thuật toán lọc EOG bằng phương pháp RLS
• 2.10. Một số phương pháp tiền xử lý tín hiệu
• 2.11. Loại bỏ xu hướng của tín hiệu
• 2.12. Bộ lọc chắn dải (Band Stop)
• 2.13. Khử nhiễu tín hiệu dựa trên phương pháp Wavelet
• 2.14. Chuẩn hóa dữ liệu sử dụng Z-Score
• 2.15. Phân tích wavelet coherence
• 2.16. Phân tích Wavelet Coherence
• 2.17. Các kênh được sử dụng trong phân tích Wavelet Coherence
• 2.18. Mạng nơ-ron tích chập (Convolutional Neural Network - CNN)
• 3. CHƯƠNG 3: THIẾT KẾ GIAO THỨC
• 3.1. Tiền quá trình thí nghiệm thu dữ liệu
• 3.2. Tạo danh sách đăng ký
• 3.3. Sàng lọc đối tượng thí nghiệm
• 3.4. Huấn luyện đối tượng thí nghiệm
• 3.5. Chuẩn bị và cài đặt thiết bị đo EEG
• 3.6. Thiết kế giao thức
• 4. CHƯƠNG 4: PHƯƠNG PHÁP XỬ LÝ TÍN HIỆU
• 4.1. Loại bỏ EOG và phân chia vùng
• 4.2. Trích đặc trưng
• 5. CHƯƠNG 5: KẾT QUẢ – NHẬN XÉT – ĐÁNH GIÁ
• 5.1. Trích đặc trưng
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Phân tích cánh tay và vận động cánh tay

Nghiên cứu tập trung vào phân tích cánh tay và vận động cánh tay thông qua tín hiệu điện não (EEG). Mục tiêu chính là giải mã mối liên hệ giữa hoạt động não bộ và chuyển động cánh tay, đặc biệt trong bối cảnh phục hồi chức năng cho bệnh nhân đột quỵ hoặc chấn thương. Neural network được sử dụng để phân loại các chuyển động tay trái và phải, với độ chính xác cao. Phương pháp này có tiềm năng ứng dụng trong hệ thống điều khiển và phục hồi chức năng.

1.1. Mô hình hóa và phân tích dữ liệu

Quá trình mô hình hóa dựa trên dữ liệu EEG thu thập từ các tình nguyện viên. Dữ liệu được tiền xử lý để loại bỏ nhiễu, sau đó trích đặc trưng bằng phương pháp Wavelet Coherence. Phân tích dữ liệu tập trung vào việc xác định các mẫu tín hiệu liên quan đến chuyển động cánh tay. Kết quả cho thấy sự tương quan rõ ràng giữa tín hiệu não và vận động cánh tay, hỗ trợ cho việc phân loại chính xác.

1.2. Ứng dụng neural network

Neural network được áp dụng để phân loại chuyển động cánh tay. Mô hình CNN (Convolutional Neural Network) được huấn luyện trên dữ liệu EEG thô, đạt độ chính xác cao trong việc nhận diện chuyển động tay trái và phải. Ứng dụng neural network trong nghiên cứu này không chỉ cải thiện độ chính xác mà còn mở ra hướng phát triển mới trong lĩnh vực công nghệ AI và phục hồi chức năng.

II. Luận văn thạc sĩ và hệ thống điều khiển

Nghiên cứu này là một phần của luận văn thạc sĩ, tập trung vào việc phát triển hệ thống điều khiển dựa trên tín hiệu EEG. Mục tiêu là tạo ra một hệ thống có thể chuyển đổi tín hiệu não thành lệnh điều khiển, hỗ trợ bệnh nhân khuyết tật vận động. Học máy và tính toán đóng vai trò trung tâm trong việc xử lý và phân tích dữ liệu, đảm bảo độ chính xác và hiệu quả của hệ thống.

2.1. Thiết kế giao thức thí nghiệm

Giao thức thí nghiệm được thiết kế để thu thập dữ liệu EEG từ các tình nguyện viên. Quy trình bao gồm các bước: chuẩn bị thiết bị, thu thập dữ liệu, và tiền xử lý tín hiệu. Thiết kế giao thức đảm bảo dữ liệu thu được có chất lượng cao, phục vụ cho việc phân tích và huấn luyện mô hình.

2.2. Phân tích chuyển động và tối ưu hóa

Phân tích chuyển động tập trung vào việc xác định các đặc trưng tín hiệu liên quan đến chuyển động cánh tay. Quá trình tối ưu hóa nội dung được thực hiện để cải thiện độ chính xác của mô hình. Kết quả cho thấy sự cải thiện đáng kể trong việc phân loại chuyển động, mở ra tiềm năng ứng dụng trong thực tế.

III. Ứng dụng thực tiễn và hướng phát triển

Nghiên cứu này có giá trị thực tiễn cao, đặc biệt trong lĩnh vực y tế và phục hồi chức năng. Ứng dụng neural network trong phân tích tín hiệu EEG giúp cải thiện khả năng điều khiển các thiết bị hỗ trợ cho bệnh nhân khuyết tật. Công nghệ AI và học máy tiếp tục là trọng tâm trong các nghiên cứu tương lai, nhằm nâng cao hiệu quả và độ chính xác của hệ thống.

3.1. Giá trị thực tiễn

Nghiên cứu mang lại giá trị thực tiễn trong việc hỗ trợ bệnh nhân khuyết tật vận động. Hệ thống điều khiển dựa trên tín hiệu EEG có thể được ứng dụng trong các thiết bị phục hồi chức năng, giúp bệnh nhân thực hiện các hoạt động cơ bản. Phân tích chuyển động và tối ưu hóa nội dung đóng vai trò quan trọng trong việc nâng cao hiệu quả của hệ thống.

3.2. Hướng phát triển

Hướng phát triển tương lai tập trung vào việc cải thiện độ chính xác và tốc độ xử lý của hệ thống. Công nghệ AI và học máy sẽ tiếp tục được nghiên cứu để tối ưu hóa quy trình phân tích và điều khiển. Ngoài ra, việc mở rộng ứng dụng sang các lĩnh vực khác như điều khiển nhà thông minh cũng là một hướng đi tiềm năng.

Nội dung chính

Tổng quan nghiên cứu

Hàng năm, hơn một triệu người trên thế giới bị tàn tật do các hậu quả của đột quỵ, chấn thương sọ não hoặc tổn thương tủy sống, trong đó phần lớn gặp khó khăn về vận động cánh tay hoặc bàn tay. Việc theo dõi và đánh giá khả năng hồi phục vận động của bệnh nhân sau đột quỵ trở nên cấp thiết nhằm nâng cao chất lượng cuộc sống và giảm gánh nặng xã hội. Tín hiệu điện não đồ (EEG) là phương tiện không xâm lấn hiệu quả để ghi nhận hoạt động điện của não bộ, từ đó giải mã mối liên hệ giữa não và hệ vận động. Nghiên cứu này tập trung phân tích vận động cánh tay thông qua tín hiệu EEG sử dụng mạng nơ-ron tích chập (CNN), nhằm phát triển các phương pháp phân loại chính xác các cử động gập, duỗi tay trái và phải.

Dữ liệu EEG được thu thập từ các tình nguyện viên trong độ tuổi 20-22 tại Đại học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh, sử dụng thiết bị Emotiv Flex 32 kênh với phần mềm EmotivPRO. Giao thức thí nghiệm được thiết kế chi tiết với các giai đoạn thư giãn, chớp mắt và thực hiện vận động tay luân phiên, tổng thời gian mỗi phiên là 58 giây. Mục tiêu nghiên cứu nhằm xây dựng quy trình thu thập, xử lý tín hiệu và phát triển mô hình CNN phân loại vận động cánh tay dựa trên tín hiệu EEG, góp phần ứng dụng trong phục hồi chức năng và giao diện não-máy tính (BCI).

Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao độ chính xác của các hệ thống BCI, hỗ trợ phục hồi chức năng vận động cho người khuyết tật, đồng thời mở rộng ứng dụng trong y sinh và kỹ thuật y sinh hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

• Cấu tạo và chức năng não bộ: Não bộ gồm đại não, thân não và tiểu não, trong đó vỏ não vận động (thùy trán) chịu trách nhiệm điều khiển các vận động tự nguyện, đặc biệt là vận động chi trên. Tín hiệu điện não phát sinh từ hoạt động synapse của tế bào thần kinh, được ghi nhận qua EEG.

• Tín hiệu điện não đồ (EEG): EEG ghi lại các xung điện yếu phát sinh từ vỏ não, có tần số từ 0.2 đến 45 Hz, dễ bị nhiễu bởi các tín hiệu sinh học khác như điện nhãn cầu (EOG), điện cơ (EMG). Việc xử lý và loại bỏ nhiễu là bước quan trọng để đảm bảo chất lượng tín hiệu.

• Phân tích Wavelet Coherence: Phương pháp phân tích tín hiệu trong miền thời gian-tần số, đo lường mối tương quan giữa các kênh EEG, giúp trích xuất đặc trưng liên quan đến vận động tay trái và phải tại các kênh C3, C4, FC5, FC6.

• Mạng nơ-ron tích chập (CNN): Mạng học sâu có khả năng tự động trích xuất đặc trưng từ dữ liệu thô, gồm các lớp tích chập, ReLU, gộp max-pooling, kết nối đầy đủ và lớp softmax phân loại. CNN được sử dụng để phân loại chính xác các cử động tay dựa trên ảnh đặc trưng Wavelet Coherence.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Dữ liệu EEG được thu thập từ 15 tình nguyện viên khỏe mạnh, độ tuổi 20-22, tại Đại học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh. Mỗi đối tượng thực hiện 25 phiên thí nghiệm, mỗi phiên kéo dài khoảng 58 giây, tổng thời gian thu thập dữ liệu khoảng 1.5 đến 2 giờ.

• Thiết bị và phần mềm: Sử dụng mũ điện não Emotiv Flex 32 kênh với gel dẫn điện Ag/AgCl, phần mềm thu thập EmotivPRO 2 và Matlab 2019 để xử lý và phân tích dữ liệu.

• Phương pháp phân tích: Tín hiệu EEG được tiền xử lý qua các bước: loại bỏ xu hướng (detrend), lọc nhiễu tần số 50/60 Hz (bandstop), khử nhiễu bằng biến đổi Wavelet (wdenoise), chuẩn hóa dữ liệu (normalize) và làm mịn (smoothdata). Tín hiệu EOG được phát hiện và loại bỏ bằng thuật toán Recursive Least Square (RLS).

• Trích đặc trưng: Sử dụng phân tích Wavelet Coherence để trích xuất đặc trưng mối tương quan giữa các kênh vận động (C3, C4, FC5, FC6) trong miền thời gian-tần số.

• Phân loại: Mô hình CNN được xây dựng với 5 lớp cơ bản, đầu vào là ảnh xám đặc trưng Wavelet Coherence, huấn luyện và kiểm thử trên tập dữ liệu đã xử lý. Phương pháp chọn mẫu là ngẫu nhiên có kiểm soát, cỡ mẫu đủ lớn để đảm bảo độ tin cậy.

• Timeline nghiên cứu: Thu thập dữ liệu từ tháng 2 đến tháng 9 năm 2022, xử lý và phân tích dữ liệu trong các tháng tiếp theo, hoàn thiện báo cáo và đề xuất ứng dụng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Chất lượng tín hiệu EEG sau tiền xử lý: Qua các bước lọc và loại bỏ nhiễu, tín hiệu EEG đạt độ ổn định cao với biên độ nhiễu giảm khoảng 70%, đặc biệt tín hiệu EOG được phát hiện chính xác trong khoảng thời gian 10-13 giây theo giao thức thí nghiệm.

2. Đặc trưng Wavelet Coherence phân biệt vận động tay trái và phải: Mối tương quan giữa các kênh C3 và FC5 (điều khiển tay phải) và C4, FC6 (điều khiển tay trái) có sự khác biệt rõ rệt với giá trị coherence trung bình đạt 0.85 cho vận động tay phải và 0.82 cho tay trái, cho thấy đặc trưng này phù hợp để phân loại.

3. Hiệu suất mô hình CNN: Mô hình CNN đạt độ chính xác phân loại vận động tay trái và phải trung bình 92%, vượt trội so với các phương pháp truyền thống như SVM (87%) và CSP (89%). Độ chính xác này được hỗ trợ bởi số liệu thống kê trên 375 tệp dữ liệu thử nghiệm.

4. Thời gian huấn luyện và dự đoán: Mô hình CNN mất khoảng 3 giờ để huấn luyện trên toàn bộ tập dữ liệu, thời gian dự đoán cho mỗi mẫu chỉ khoảng 0.05 giây, phù hợp cho ứng dụng thời gian thực.

Thảo luận kết quả

Kết quả cho thấy việc sử dụng phương pháp Wavelet Coherence kết hợp với mạng nơ-ron tích chập CNN là hiệu quả trong việc phân loại các cử động vận động tay dựa trên tín hiệu EEG. Việc loại bỏ nhiễu EOG bằng thuật toán RLS giúp nâng cao chất lượng tín hiệu, giảm sai số trong phân loại. So với các nghiên cứu trước đây, độ chính xác 92% của mô hình CNN trong nghiên cứu này tương đương hoặc cao hơn, minh chứng cho tính khả thi của phương pháp.

Biểu đồ so sánh độ chính xác phân loại giữa các phương pháp (CNN, SVM, CSP) có thể được trình bày để minh họa sự vượt trội của CNN. Bảng thống kê chi tiết kết quả phân loại từng đối tượng cũng cho thấy sự ổn định của mô hình.

Nguyên nhân thành công đến từ việc thiết kế giao thức thí nghiệm chặt chẽ, đảm bảo dữ liệu thu thập có chất lượng cao, cùng với quy trình tiền xử lý và trích đặc trưng phù hợp. Tuy nhiên, mô hình CNN yêu cầu lượng dữ liệu lớn và thời gian huấn luyện đáng kể, điều này cần được cân nhắc khi triển khai thực tế.

Đề xuất và khuyến nghị

1. Triển khai hệ thống BCI hỗ trợ phục hồi chức năng vận động: Áp dụng mô hình CNN phân loại vận động tay trong các trung tâm phục hồi chức năng để hỗ trợ bệnh nhân đột quỵ, giúp theo dõi và điều chỉnh quá trình tập luyện. Thời gian triển khai dự kiến 12 tháng, do các đơn vị y tế thực hiện.

2. Phát triển phần mềm nhận diện vận động tay thời gian thực: Tích hợp mô hình CNN vào phần mềm điều khiển thiết bị hỗ trợ vận động hoặc robot trợ giúp, nhằm nâng cao khả năng tương tác và tự chủ cho người khuyết tật. Thời gian phát triển 6-9 tháng, do nhóm kỹ thuật y sinh đảm nhiệm.

3. Mở rộng nghiên cứu với đa dạng đối tượng và cử động: Thu thập dữ liệu từ các nhóm tuổi và bệnh lý khác nhau, đồng thời mở rộng phân loại các cử động phức tạp hơn như ngón tay, cổ tay để nâng cao ứng dụng. Thời gian nghiên cứu tiếp theo 18 tháng, do các viện nghiên cứu phối hợp thực hiện.

4. Tối ưu hóa mô hình CNN và quy trình tiền xử lý: Nghiên cứu các kiến trúc mạng sâu hơn, kết hợp các kỹ thuật học tăng cường và giảm thiểu dữ liệu để giảm thời gian huấn luyện và tăng độ chính xác. Thời gian thực hiện 12 tháng, do nhóm nghiên cứu công nghệ thông tin và y sinh phối hợp.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật y sinh: Nghiên cứu cung cấp kiến thức chuyên sâu về xử lý tín hiệu EEG và ứng dụng mạng nơ-ron tích chập trong phân loại vận động, hỗ trợ phát triển các đề tài liên quan.

2. Chuyên gia phục hồi chức năng và y tế: Tham khảo phương pháp thu thập và phân tích tín hiệu vận động, ứng dụng trong theo dõi và đánh giá hiệu quả phục hồi chức năng cho bệnh nhân đột quỵ hoặc tổn thương thần kinh.

3. Kỹ sư phát triển hệ thống giao diện não-máy tính (BCI): Tài liệu cung cấp quy trình thiết kế giao thức thí nghiệm, xử lý tín hiệu và xây dựng mô hình phân loại, hỗ trợ phát triển các sản phẩm BCI chính xác và hiệu quả.

4. Nhà phát triển phần mềm và thiết bị y tế thông minh: Tham khảo kiến thức về tích hợp mô hình học sâu với dữ liệu sinh học, phát triển phần mềm nhận diện vận động tay phục vụ người khuyết tật hoặc ứng dụng trong robot hỗ trợ.

Câu hỏi thường gặp

1. Tại sao chọn EEG để phân tích vận động cánh tay?
   EEG là phương pháp không xâm lấn, dễ sử dụng và có khả năng ghi nhận hoạt động điện não liên quan đến vận động. Ví dụ, EEG giúp phát hiện tín hiệu event-related desynchronization (ERD) liên quan đến chuyển động tay, hỗ trợ phân loại chính xác.

2. Làm thế nào để loại bỏ nhiễu tín hiệu EOG trong EEG?
   Thuật toán Recursive Least Square (RLS) được sử dụng để phát hiện và loại bỏ tín hiệu chớp mắt (EOG) trong EEG, giúp nâng cao chất lượng tín hiệu và độ chính xác phân loại vận động.

3. Mạng nơ-ron tích chập (CNN) có ưu điểm gì trong phân loại tín hiệu EEG?
   CNN tự động trích xuất đặc trưng từ dữ liệu thô, giảm thiểu sự phụ thuộc vào đặc trưng thủ công, đồng thời có khả năng xử lý dữ liệu lớn và phức tạp, đạt độ chính xác cao trong phân loại vận động tay.

4. Phạm vi áp dụng của mô hình phân loại vận động tay này là gì?
   Mô hình có thể ứng dụng trong phục hồi chức năng cho bệnh nhân đột quỵ, phát triển giao diện não-máy tính, điều khiển thiết bị hỗ trợ vận động và nghiên cứu khoa học về mối liên hệ não bộ - vận động.

5. Thời gian huấn luyện và dự đoán của mô hình CNN như thế nào?
   Thời gian huấn luyện khoảng 3 giờ trên tập dữ liệu lớn, trong khi thời gian dự đoán cho mỗi mẫu chỉ khoảng 0.05 giây, phù hợp cho các ứng dụng thời gian thực.

Kết luận

• Đề tài đã xây dựng thành công giao thức thu thập dữ liệu EEG vận động tay với thiết bị Emotiv Flex 32 kênh, đảm bảo chất lượng tín hiệu cao.
• Phương pháp tiền xử lý tín hiệu bao gồm loại bỏ nhiễu EOG bằng thuật toán RLS và trích đặc trưng Wavelet Coherence giúp nâng cao độ chính xác phân loại.
• Mô hình mạng nơ-ron tích chập CNN đạt độ chính xác phân loại vận động tay trái/phải lên đến 92%, vượt trội so với các phương pháp truyền thống.
• Nghiên cứu góp phần phát triển các ứng dụng BCI trong phục hồi chức năng và giao diện não-máy tính, hỗ trợ người khuyết tật vận động.
• Các bước tiếp theo bao gồm mở rộng dữ liệu, tối ưu mô hình và phát triển phần mềm ứng dụng thực tế, kêu gọi hợp tác nghiên cứu và đầu tư phát triển công nghệ.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN  Chương 5: Kết quả - Nhận xét - Đánh giá  Chương 6: Kết luận và hướng phát triển 7 CHƯƠNG 3. TÍNH TOÁN VÀ THIẾT KẾ Chương 2: CƠ SỞ LÝ THUYẾT 2. Tổng quan về não bộ 2.

Cấu tạo não bộ Não bộ 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 và gửi đến các bộ phận của cơ thể [15]. Cấu tạo chính của não [16] Bộ não được chia thành ba phần chính gồm đại não, thân não và tiểu não:  Tiểu não: với chức năng phối hợp các chuyển động của cơ bắp  Thân não: kết nối đại não và tiểu não với tủy sống. Thực hiện chức năng: thở, chu kỳ thức và ngủ, tiêu hóa, hắt hơi, nuốt thức ăn.

 Đại não: quản lý các hoạt động như thính giác, thị giác, biểu đạt cảm xúc cũng, lời nói, lý luận, học tập và kiểm soát tốt các chuyển động. TÍNH TOÁN VÀ THIẾT KẾ Hình 2. Các thùy não và chức năng của các thùy não Theo Hình 2.2, các rãnh lớn trên vỏ não chia não thành 4 thùy: gồm thùy trán, thùy thái dương, thùy đỉnh, thùy chẩm [17]:  Thùy đỉnh: nhiệm vụ chính là quản lý xúc giác, điều khiển nhận thức của con người đối với môi trường xung quanh  Thùy chẩm: chức năng chính chủ yếu về thị giác, cảm nhận màu sắc, hình dạng của thế giới xung quanh.  Thùy thái dương: chức năng chính nhận biết ngôn ngữ và quản lý bộ nhớ của con người  Thùy trán: bao gồm vỏ não cảm xúc và vỏ não vận động.

Vỏ não cảm xúc thực hiện chức năng suy nghĩ, cảm xúc, tính cách. Vỏ não vận động quản lý các chuyển động tự nguyện của cơ thể. 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 24 CHƯƠNG 3.

TÍNH TOÁN VÀ THIẾT KẾ 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 [18]. 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 [19]. Tín hiệu điện não đồ đầu tiên được ghi lại [19] 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.

Tế bào thần kinh được tạo nên từ thân tế bào, đuôi gai và sợi trục, như có thể thấy trong hình bên dưới: 25 CHƯƠNG 3. TÍNH TOÁN VÀ THIẾT KẾ Hình 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 [21]. 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 [21].

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 [22]. 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 phân loại các dạng sóng EEG là theo tần số [23]. TÍNH TOÁN VÀ THIẾT KẾ 2.

Đo đạc và thu nhận tín hiệu điện não 2.Phương pháp thu tín hiệu điện não Hoạt động tiếp hợp của vỏ não tạo ra các tín hiệu điện thay đổi trong phạm vi 10 đến 100 mili giây. Nhờ vào tính nhỏ gọn, dễ di chuyển và tiết kiệm chi phí, EEG có thể được xem là phương pháp được sử dụng rộng rãi nhất để ghi lại hoạt động của não trong các hệ thống BCI. Điện não đồ là một phương pháp đo hoạt động của não không xâm lấn bằng cách sử dụng các điện cực đặt tại các vị trí khác nhau trên da đầu ở các vùng khác nhau của não để phát hiện và ghi lại hoạt động của não [25]. Sơ lược về cách ghi điện não đồ [25] Thiết bị gồm các điện cực, khối khuếch đại - xử lý tín hiệu, khối hiển thị - đầu ra.

Chuẩn điện cực 10-20 Hệ thống 10-20 được tiêu chuẩn hóa quốc tế thường được sử dụng để thu nhận tín hiệu điện não đồ. Trong hệ thống này, 21 điện cực (bao gồm cả điện cực dái tai) được gắn vào bề mặt da đầu. Các vị trí được xác định như sau: Các điểm tham chiếu là gốc mũi (nasion) ngang tầm mắt và điểm chẩm (inion), đoạn xương ở đáy hộp sọ trên đường giữa phía sau đầu. Từ những điểm này, chu vi của hộp sọ được đo trong mặt phẳng ngang và mặt phẳng trung tuyến.

Vị trí điện cực được xác định bằng cách chia chu vi hộp sọ thành các khoảng 10% và 20% [26,27]. TÍNH TOÁN VÀ THIẾT KẾ Hình 2. Hệ thống quốc tế 10 – 20 được nhìn từ bên trái (A) và đỉnh đầu (B) [28] Theo hình 2.6 các kí hiệu được mô tả là: Trán – F(frontal); Điểm chẩm – I(inion); Trung tâm – C(central); Đỉnh – P(parietal), các kí hiệu được đánh số lẻ nếu ở bên trái, đánh số chẵn nếu ở bên phải [28]. Thiết bị đo điện não Emotiv Flex Mũ điện não Emotiv Epoc Flex với 34 kênh điện cực, được cấu hình theo tiêu chuẩn điện cực 10 – 20 (72 kênh) như hình 2.

Mũ đo điện não được dùng để cố định các điện cực với gel dẫn điện theo bản đồ vị trí điện cực như hình 2. Mũ điện não của thiết bị Hình 2. Bản đồ vị trí điện cực [30] Emotiv Epoc Flex [29] 28 CHƯƠNG 3. TÍNH TOÁN VÀ THIẾT KẾ Thông số kỹ thuật của EPOC Flex  Bảng 1 Thông số kỹ thuật của EPOC Flex [31] Thiết bị EPOC Flex Số kênh 32 Phương pháp lấy mẫu Lấy mẫu tuần tự Tốc độ lấy mẫu 128 SPS (1024 Hz nội bộ) Độ phân giải EEG 14-bit 1 LSB = 0.51 µV (16-bit ADC, loại bỏ tầng nhiễu thiết bị 2-bit) Tốc độ quay tối đa 32,64 µV/mẫu (cần nén để truyền dữ liệu BLE) Băng thông 0,2 – 45 Hz, độ suy giảm cao ở 50 Hz và 60Hz Lọc Tích hợp bộ lọc Sinc bậc 5 kỹ thuật số Dải động +/- 4,12 mV Chế độ khớp nối Được kết hợp AC Kết nối Độc quyền 2,4 GHz không dây, BLE Dung lượng pin Pin LiPo 595 mAh Thời gian sử dụng pin 6 – 9 giờ Lấy mẫu chuyển động 16 Hz Độ phân giải chuyển động Đầu ra 8-bit Vật liệu cảm biến - Ag/AgCl được nung kết (mẫu EPOC Flex Gel) có thể được sử dụng với bất kỳ loại gel nào.

- Ag/AgCl được mạ điện (kiểu EPOC Flex Saline) với miếng nỉ Polyester có thể được khử trùng và tái sử dụng. Thông số kỹ thuật của EPOC Flex 29 CHƯƠNG 3. TÍNH TOÁN VÀ THIẾT KẾ Các điện cực thường được làm bằng từ Ag/AgCl nung kết để giảm thiểu trở kháng điện cực và hoàn toàn tương thích với các chất điện ở dạng gel [32]. Các điện cực đĩa được đặt cố định trên da đầu bằng một lượng nhỏ gel dẫn điện (Ag-CI) được bôi trong các vòng trong nhỏ của mỗi điện [33].

32 điện cực não và 2 điện cực tham chiếu của Emotiv Epoc Flex [34] Dây điện cực của thiết bị được mã hóa bằng màu sắc, màu xanh lam cho bên trái, màu đỏ cho bên phải và màu đen là điện cực tham chiếu. Dây được uốn bằng một lớp mạ vàng JST để cải thiện chất lượng tín hiệu. Bộ cảm biến Epoc Flex Hình 2.10 thể hiện bộ cảm biến Epoch Flex với phương pháp lấy mẫu tuần tự với tỷ lệ lấy mẫu 128 (Samples per second – SPS) (1024 Hz), băng thông khoảng 0.2 – 45 Hz, kết nối không dây 2.4GHz và dải động (Dynamic range) ± 4. TÍNH TOÁN VÀ THIẾT KẾ 2.

Tín hiệu chớp mắt trong EEG Tín hiệu EEG được coi là tín hiệu yếu nhất trong số các tín hiệu sinh học của con người, dễ bị ảnh hưởng bới các tín hiệu sinh học khác hoặc tín hiệu bên ngoài, đặc biệt là những tín hiệu có cùng phạm vi tần số [35]. Phân loại các nguồn như sau [36]:  Bảng 2. Các nguồn gây nhiễu tín hiệu điện não Tín hiệu sinh học Tín hiệu bên ngoài Tín hiệu chớp mắt EOG: chớp mắt là điều Tín hiệu bên ngoài môi trường: Vì tín hiệu không thể tránh trong quá trình thu tín EEG là một tín hiệu điện từ, vì vậy mà bất hiệu điện não và nó có thể ảnh hưởng rất kỳ loại tín hiệu nào cũng có sẵn ở môi nhiều đến kết quả thu được trường bên ngoài cũng gây ảnh hưởng đến việc đo, đạc điện não đồ. Ví dụ tần số đường dây điện 50Hz,… Tín hiệu điện tim ECG: Có biên độ tần số Các vấn đề do tiếp xúc điện cực với da lớn hơn tín hiệu điện não EEG.