I. Tổng quan về tín hiệu điện não và xử lý phân tích tín hiệu điện não
Tín hiệu điện não (EEG) là một phương pháp quan trọng để đánh giá hoạt động của não bộ. Các phương pháp đo tín hiệu từ não bộ bao gồm chụp quang phổ cận hồng ngoại chức năng (fNIRS), chụp cộng hưởng từ chức năng (fMRI), chụp cắt lớp phát xạ positron (PET), và điện não đồ xâm lấn (EcoG). Phân tích tín hiệu điện não giúp xác định các vấn đề liên quan đến não bộ như suy giảm trí nhớ, Parkinson, và đột quỵ. Các phương pháp xử lý tín hiệu điện não bao gồm biến đổi wavelet, phân tích thành phần độc lập (ICA), và mạng nơ-ron wavelet. Giao diện não máy tính (BCI) là ứng dụng quan trọng của tín hiệu điện não, giúp kết nối não bộ với máy tính để điều khiển các thiết bị.
1.1. Cơ chế phát sinh tín hiệu điện não
Tín hiệu điện não được tạo ra từ sự tương tác giữa các tế bào thần kinh. Các tín hiệu này có biên độ nhỏ, từ 10 µV đến 100 µV, và tần số từ 1 Hz đến 100 Hz. Phân tích tín hiệu điện não giúp xác định các nhịp hoạt động của não như Delta, Theta, Alpha, Beta, và Gamma. Nhịp Delta thường xuất hiện ở trẻ nhỏ và người lớn trong trạng thái ngủ sâu, trong khi nhịp Theta liên quan đến trạng thái buồn ngủ hoặc bệnh lý.
1.2. Phương pháp xử lý tín hiệu điện não
Các phương pháp xử lý tín hiệu điện não bao gồm biến đổi wavelet, phân tích thành phần độc lập (ICA), và mạng nơ-ron wavelet. Biến đổi wavelet giúp phân tích tín hiệu trong miền thời gian-tần số, trong khi ICA được sử dụng để khử nhiễu. Mạng nơ-ron wavelet kết hợp wavelet và mạng nơ-ron để cải thiện hiệu quả xử lý tín hiệu.
II. Phương pháp học sâu tự mã hóa thưa wavelet trong khử tín hiệu điện não bất thường
Phương pháp học sâu tự mã hóa thưa wavelet (DWSAE) được đề xuất để khử tín hiệu điện não bất thường do nháy mắt (EOG). Phương pháp này sử dụng biến đổi wavelet Haar để dò tìm EOG và mạng học sâu tự mã hóa thưa để khử nhiễu. Ứng dụng tín hiệu điện não trong BCI đòi hỏi tín hiệu sạch và chính xác, do đó DWSAE là một giải pháp hiệu quả.
2.1. Biến đổi wavelet Haar
Biến đổi wavelet Haar được sử dụng để dò tìm tín hiệu EOG. Wavelet Haar có khả năng phân tích tín hiệu ở các mức độ khác nhau, giúp xác định các thành phần nhiễu trong tín hiệu điện não. Phương pháp này đơn giản nhưng hiệu quả trong việc nhận diện EOG.
2.2. Mạng học sâu tự mã hóa thưa
Mạng học sâu tự mã hóa thưa (DWSAE) được huấn luyện không giám sát để khử nhiễu EOG. Mạng này có khả năng tự động sửa lỗi tín hiệu và cải thiện chất lượng tín hiệu điện não. Kết quả thí nghiệm cho thấy DWSAE vượt trội so với các phương pháp truyền thống như SOBI, Infomax, và JADE.
III. Phương pháp phân loại tín hiệu điện não dựa trên học máy
Các phương pháp phân loại tín hiệu điện não dựa trên học máy bao gồm máy vec-tơ hỗ trợ (SVM), mạng nơ-ron nhân tạo (ANN), và mạng học sâu (DNN). Các phương pháp này được sử dụng để phân loại trạng thái suy nghĩ và tác vụ từ tín hiệu điện não. Giao diện não máy tính (BCI) ứng dụng các phương pháp này để điều khiển thiết bị điện tử thông minh.
3.1. Máy vec tơ hỗ trợ SVM
Máy vec-tơ hỗ trợ (SVM) được sử dụng để phân loại tín hiệu điện não dựa trên đặc trưng năng lượng wavelet tương đối. SVM tạo ra siêu phẳng phân cách giữa các lớp tín hiệu, giúp phân loại chính xác các trạng thái suy nghĩ.
3.2. Mạng nơ ron nhân tạo ANN
Mạng nơ-ron nhân tạo (ANN) kết hợp với phân tích thành phần chính (PCA) được sử dụng để giảm số chiều của tín hiệu điện não. ANN được huấn luyện bằng thuật toán OWO-BP để cải thiện hiệu quả phân loại.
IV. Hệ giao diện não máy tính trong điều khiển thiết bị điện tử thông minh
Hệ giao diện não máy tính (BCI) được đề xuất để điều khiển các thiết bị điện tử gia dụng thông minh. Hệ thống sử dụng thiết bị Emotiv Epoc+ để thu tín hiệu điện não và mô hình học cộng đồng để phân loại tín hiệu. Công nghệ giao diện não máy tính này hỗ trợ người bị tổn thương chức vận động tương tác với thiết bị điện tử.
4.1. Thiết bị Emotiv Epoc
Thiết bị Emotiv Epoc+ được sử dụng để thu tín hiệu điện não. Thiết bị này có độ chính xác cao và dễ sử dụng, phù hợp cho các ứng dụng BCI trong điều khiển thiết bị điện tử thông minh.
4.2. Mô hình học cộng đồng
Mô hình học cộng đồng được đề xuất để phân loại tín hiệu điện não. Mô hình này kết hợp các phương pháp học máy khác nhau để cải thiện độ chính xác phân loại, giúp hệ BCI hoạt động hiệu quả hơn.
