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.