Bối cảnh và vấn đề nghiên cứu

Đột quỵ là một hội chứng đặc trưng bởi sự khởi phát cấp tính của các triệu chứng thần kinh trung ương do rối loạn lưu lượng máu não. Trên phạm vi toàn cầu, đột quỵ là nguyên nhân gây tàn tật đứng hàng thứ ba và là nguyên nhân gây tử vong đứng hàng thứ hai. 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; trong đó tỷ lệ tử vong tại khu vực Châu Á cao hơn so với các nước phương Tây. Tỷ lệ mắc bệnh đột quỵ ở các nước phát triển là 5/1.000 người, trong khi tại các nước đang phát triển con số này dao động từ 5 đến 10/1.000 người.

Sau cơn đột quỵ, việc thực hiện các bài tập vật lý trị liệu là yêu cầu bắt buộc để phục hồi chức năng vận động cho bệnh nhân. Mọi hoạt động hay suy nghĩ của con người đều phát sinh và truyền tín hiệu lên não bộ. Do đó, việc giải mã và phân tích tín hiệu điện não đồ (Electroencephalogram - EEG) đóng vai trò then chốt trong chẩn đoán y học và công nghệ Giao diện Não - Máy tính (Brain - Computer Interface - BCI). Kỹ thuật BCI không xâm lấn dựa trên EEG được ưu tiên ứng dụng rộng rãi nhờ tính di động, chi phí thấp, dễ thiết lập, tỷ số tín hiệu trên nhiễu (SNR) hợp lý và độ phân giải thời gian cao.

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" được thực hiện nhằm nghiên cứu mối quan hệ giữa hoạt động vận động của tay với vỏ não, tập trung vào việc phân biệt tín hiệu gập duỗi khuỷu tay trái và tay phải, đồng thời xây dựng một phần mềm hoàn chỉnh trên nền tảng MATLAB phục vụ việc đọc dữ liệu, tiền xử lý và phân loại tự động.

Nhiệm vụ nghiên cứu của đề tài được phân định thành 8 nội dung cụ thể:

  1. Thực hành tiền xử lý tín hiệu điện não sử dụng các bộ lọc trên phần mềm.
  2. Tìm hiểu và thực nghiệm phần mềm phân tích tín hiệu điện não và các thuật toán liên quan.
  3. Sắp xếp, phân tích cấu trúc và dữ liệu điện não về vận động tay.
  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.
  5. Tiến hành lấy và lưu trữ kết quả tiền xử lý tín hiệu điện não kèm theo chú thích, mô tả và phân tích.
  6. Tiến hành trích đặc trưng và phân loại dữ liệu điện não về vận động tay, kèm theo chú thích, mô tả, phân tích và đánh giá kết quả.
  7. Tìm hiểu và vận dụng các phần mềm phân tích, thống kê dữ liệu trong khoa học.
  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 là tín hiệu điện não thu nhận từ các tình nguyện viên là sinh viên Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh trong độ tuổi từ 20 đến 23 tuổi. Quy trình sàng lọc đối tượng loại trừ các trường hợp mắc bệnh nghiêm trọng về mắt (đục thủy tinh thể, tăng nhãn áp, tật khúc xạ...), bệnh về cơ (biến dạng ngón tay, hội chứng ống cổ tay, co cứng Dupuytren...), bệnh lý thần kinh (Parkinson, động kinh, u não, trầm cảm, rối loạn giấc ngủ...), và bệnh lý da đầu (nấm, vảy nến, gàu hoặc dị ứng với gel dẫn truyền tín hiệu). Phạm vi nghiên cứu giới hạn ở động tác gập và duỗi khuỷu tay trái và phải với cẳng tay nằm ngửa.

Cơ sở lý thuyết và phương pháp

Cơ sở giải phẫu và sinh lý thần kinh

Tín hiệu điện não bắt nguồn chủ yếu từ vỏ não (chất xám), phát sinh từ sự dịch chuyển của các ion dương ($Na^+$, $K^+$, $Ca^{2+}$) và ion âm ($Cl^-$) qua màng tế bào thần kinh (neuron) tại các khớp nối synapse. Vận động của cơ thể được điều phối chủ yếu bởi thùy trán của đại não và tiểu não. Cơ chế bắt chéo bán cầu não quy định: bán cầu não trái điều khiển vận động của nửa thân bên phải (đặc biệt là tay phải) và bán cầu não phải điều khiển vận động của nửa thân bên trái (tay trái).

Do đó, các kênh điện cực chính được lựa chọn để phân tích vận động tay trên mũ 32 kênh gồm:

  • Vận động tay phải: Kênh C3 và FC5 (bán cầu não trái).
  • Vận động tay trái: Kênh C4 và FC6 (bán cầu não phải).

Cơ chế nhiễu điện mắt và thuật toán lọc RLS

Tín hiệu nháy mắt (Electrooculography - EOG) tạo ra điện thế giác mạc - võng mạc có biên độ lớn từ 0,4 đến 1 mV và kéo dài khoảng 100 ms, gây suy giảm chất lượng tín hiệu EEG ghi nhận tại vỏ não. Để thu nhận và nhận dạng tín hiệu EOG, các điện cực $Fp1, Fp2, F3, F4$ được sử dụng.

Tín hiệu điện não thô bị nhiễm nhiễu mắt được biểu diễn theo mô hình: $$\text{Contaminated_EEG}{i,j} = \text{Pure_EEG}{i,j} + a_j \text{VEOG} + b_j \text{HEOG}$$

Trong đó, $\text{VEOG}$ và $\text{HEOG}$ lần lượt là tín hiệu điện mắt theo chiều dọc và chiều ngang. Đề tài ứng dụng thuật toán bình phương cực tiểu quy nạp (Recursive Least Squares - RLS) kết hợp thuật toán tìm ngưỡng đỉnh EOG để ước lượng và khử thành phần nhiễu mắt mà vẫn bảo toàn dạng sóng EEG của hoạt động vận động.

Phương pháp trích xuất đặc trưng Wavelet Coherence

Thay vì sử dụng biến đổi Fourier vốn bị hạn chế về độ phân giải thời gian đối với các tín hiệu không dừng, nghiên cứu sử dụng phân tích tương quan sóng nhỏ (Wavelet Coherence). Phương pháp này tính toán độ tương quan trong miền thời gian - tần số giữa các cặp tín hiệu điện cực ($C3 - FC5$ và $C4 - FC6$). Dữ liệu sóng 2D sau phân tích Wavelet Coherence được chuyển đổi thành biểu đồ phổ dạng ảnh màu 3D (định dạng PNG), sau đó chuyển đổi thành ảnh xám 2D và chuẩn hóa về kích thước $100 \times 100$ pixel để làm đầu vào cho bộ phân loại.

Mô hình mạng nơ-ron tích chập (CNN)

Mạng nơ-ron tích chập 2D (2D CNN) được xây dựng để phân loại ảnh phổ xám đặc trưng. Kiến trúc mô hình bao gồm:

  • Lớp đầu vào (Input Layer): Tiếp nhận ảnh xám kích thước $100 \times 100$.
  • Lớp tích chập (Convolutional Layer): Trích xuất các bản đồ đặc trưng không gian (feature maps) thông qua phép tích chập giữa tín hiệu đầu vào và các bộ lọc (kernels).
  • Lớp kích hoạt ReLU: Hàm kích hoạt phi tuyến $f(x) = \max(x, 0)$ loại bỏ các giá trị âm.
  • Lớp gộp cực đại (Max-pooling Layer): Giảm chiều dữ liệu và trích xuất đặc trưng nổi bật nhất của từng vùng ảnh.
  • Lớp kết nối đầy đủ (Fully-connected Layer): Tổng hợp các đặc trưng cục bộ thành đặc trưng toàn cục.
  • Lớp Softmax và Lớp đầu ra (Output Layer): Tính toán phân phối xác suất và xuất nhãn phân loại gồm 2 lớp: Vận động tay trái hoặc Vận động tay phải.

Nguồn dữ liệu và thiết bị thu thập

  • Thiết bị đo: Hệ thống Emotiv EPOC Flex gồm 32 kênh điện cực chất liệu $\text{Ag/AgCl}$ nung kết (mẫu EPOC Flex Gel).
  • Phần mềm thu dữ liệu: EmotivPRO.
  • Môi trường huấn luyện và phát triển phần mềm: MATLAB phiên bản 2019.

Thiết kế và triển khai

Quy trình thu thập dữ liệu và giao thức thí nghiệm

Quy trình thu thập dữ liệu gồm 5 giai đoạn: Tạo biểu mẫu khảo sát $\rightarrow$ Sàng lọc đối tượng $\rightarrow$ Phổ biến quy định chuẩn bị $\rightarrow$ Thiết lập giao thức thí nghiệm $\rightarrow$ Thu thập dữ liệu thực tế.

Đối tượng được yêu cầu ngủ đủ giấc, không sử dụng chất kích thích (rượu, bia, cà phê, thuốc lá) ít nhất 3 ngày trước khi đo, gội đầu sạch và giữ tâm lý thư giãn. Không gian phòng đo bảo đảm yên tĩnh tuyệt đối, tránh ánh sáng mạnh trực tiếp và nhiệt độ ổn định.

Mốc thời gian Hoạt động của đối tượng thí nghiệm
0 – 10s Thư giãn, thả lỏng cơ thể, không nháy mắt, không cử động
10 – 13s Đối tượng thực hiện nháy mắt lần đầu tiên để đánh dấu mốc thời gian
13 – 15,5s Màn hình hiển thị chấm xanh: Gập khuỷu tay trái (cẳng tay ngửa), hạ tay khi chấm xanh tắt
15,5 – 17,5s Thư giãn 2 giây và chờ tín hiệu tiếp theo
17,5 – 20s Màn hình hiển thị chấm đỏ: Gập khuỷu tay phải (cẳng tay ngửa), hạ tay khi chấm đỏ tắt
20 – 22s Thư giãn 2 giây
22 – 56s Lặp lại luân phiên cử động tay trái (chấm xanh) và tay phải (chấm đỏ) thêm 4 chu kỳ
Tổng thời gian 58 giây cho một lượt đo hoàn chỉnh (gồm 5 lần gập tay trái và 5 lần gập tay phải)

Thiết lập thiết bị phần cứng

Quy trình chuẩn bị hệ thống đo EPOC Flex gồm 7 bước:

  1. Sạc pin bộ điều khiển (pin LiPo 595 mAh, thời gian hoạt động 6–9 giờ).
  2. Kiểm tra kết nối mạng Internet.
  3. Chèn 32 cảm biến điện cực vào mũ đo theo đúng sơ đồ vị trí.
  4. Cố định bộ điều khiển trên mũ.
  5. Thu gọn hệ thống dây dẫn cảm biến.
  6. Kết nối cáp cảm biến vào bộ điều khiển.
  7. Kết nối bộ điều khiển không dây (băng tần 2.4 GHz/BLE) với máy tính qua phần mềm EmotivPRO.
Thông số kỹ thuật Giá trị cấu hình của thiết bị EPOC Flex
Số kênh đo 32 kênh
Tốc độ lấy mẫu 128 SPS (1024 Hz nội bộ)
Độ phân giải EEG 14-bit, 1 LSB = 0.51 $\mu\text{V}$ (16-bit ADC, lọc 2-bit nhiễu thiết bị)
Băng thông 0,2 – 45 Hz (suy giảm cao tại tần số lưới 50 Hz và 60 Hz)
Bộ lọc tích hợp Bộ lọc Sinc bậc 5 kỹ thuật số
Dải động $\pm 4,12\text{ mV}$
Vật liệu cảm biến $\text{Ag/AgCl}$ nung kết (sử dụng cùng gel dẫn điện)

Thiết kế và đóng gói phần mềm

Phần mềm phân tích và phân loại được xây dựng bằng công cụ App Designer trên nền tảng MATLAB và đóng gói thành tệp cài đặt độc lập thông qua Application Compiler (yêu cầu MATLAB Runtime đi kèm).

Kiến trúc phần mềm phân chia thành 3 giao diện chức năng:

  1. Giao diện Giới thiệu: Hiển thị thông tin đề tài và nhóm nghiên cứu.
  2. Giao diện Tiền xử lý: Đọc dữ liệu đầu vào định dạng CSV, tiếp nhận cấu hình kênh, gán nhãn mốc thời gian theo giao thức, xác định đỉnh EOG qua thuật toán tìm ngưỡng và thực hiện lọc nhiễu mắt bằng thuật toán RLS.
  3. Giao diện Phân loại: Thực hiện biến đổi Wavelet Coherence, tạo ảnh phổ, chuyển đổi sang ảnh xám chuẩn hóa $100 \times 100$ pixel, nạp vào mô hình CNN và xuất kết quả nhận dạng vận động tay trái hoặc tay phải.

Nội dung chính theo từng chương

Chương 1: Tổng quan (Đặt vấn đề)

Trình bày tính cấp thiết của nghiên cứu phục hồi chức năng sau đột quỵ, cơ sở phát triển của công nghệ Giao diện Não - Máy tính (BCI), tổng quan các công trình nghiên cứu tiền nhiệm trong và ngoài nước về phân loại cử động tay bằng tín hiệu EEG (như các phương pháp Stacked Deepautoencoder của Pawar, học sâu của Boonme, lọc mẫu không gian chung CSP của Wang, SVM, kNN). Xác định mục tiêu, 8 nội dung nhiệm vụ cụ thể, giới hạn nghiên cứu và bố cục của khóa luận.

Chương 2: Cơ sở lý thuyết

Hệ thống hóa kiến thức sinh lý học thần kinh não bộ, nguồn gốc phát sinh dòng điện não và chức năng điều hòa vận động của các thùy não. Phân tích bản chất điện học của tín hiệu nhiễu mắt (EOG) và nguyên lý khử nhiễu của thuật toán RLS. Trình bày toán học về biến đổi Wavelet, hàm mẹ Wavelet, tiêu chuẩn chấp nhận, phương pháp Wavelet Coherence trên các kênh $C3, C4, FC5, FC6$. Giới thiệu lý thuyết mạng nơ-ron tích chập 2D (CNN) và bảng thông số kỹ thuật chi tiết của thiết bị đo Emotiv EPOC Flex 32 kênh.

Chương 3: Tính toán và thiết kế

Mô tả chi tiết 5 giai đoạn thiết kế quy trình thu nhận dữ liệu EEG, tiêu chuẩn sàng lọc và nội quy dành cho tình nguyện viên. Xây dựng giao thức thí nghiệm 58 giây với các mốc thời gian hiển thị tín hiệu kích thích thị giác. Trình bày sơ đồ khối kiến trúc phần mềm, thuật toán tìm ngưỡng phát hiện đỉnh EOG dựa trên giá trị tuyệt đối và độ lệch chuẩn của biên độ tín hiệu, cùng sơ đồ mô phỏng thuật toán thích nghi RLS để tách thành phần nhiễu mắt.

Chương 4: Thi công hệ thống

Chi tiết hóa 7 bước chuẩn bị phần cứng và các công đoạn bôi gel, định vị mũ đo lên da đầu đối tượng. Thiết lập quy trình tiền xử lý dữ liệu thô, thực nghiệm biến đổi Wavelet Coherence trên tín hiệu sau lọc EOG của các kênh vận động, chuyển đổi định dạng ảnh từ màu sang xám. Hướng dẫn quy trình lập trình giao diện trên MATLAB App Designer, xuất bản tệp cài đặt thông qua Application Compiler và các bước thao tác vận hành phần mềm trên máy tính.

Chương 5: Kết quả - Nhận xét - Đánh giá

Trình bày kết quả nhận dạng đỉnh EOG, so sánh tín hiệu kênh C3 trước và sau khi lọc nhiễu RLS, biểu đồ phổ Wavelet Coherence của cử động gập tay trái/phải. Công bố chi tiết quy mô tập dữ liệu huấn luyện và kiểm thử mô hình CNN. Đánh giá độ chính xác phân loại tổng thể và độ chính xác phân loại riêng biệt cho từng tay, kèm các hình ảnh giao diện phần mềm trong quá trình thực thi.

Chương 6: Kết luận và hướng phát triển

Đánh giá mức độ hoàn thành so với mục tiêu đề ra, tổng kết các kết quả đạt được về mặt giải thuật và phần mềm, chỉ ra các mặt hạn chế còn tồn tại và đề xuất các định hướng mở rộng hệ thống trong tương lai.

Kết quả và đóng góp

Kết quả định lượng của mô hình phân loại

Tổng số lượng mẫu dữ liệu ảnh đặc trưng thu nhận và đưa vào huấn luyện - thử nghiệm là 8.666 ảnh, trong đó dữ liệu vận động tay trái gồm 4.303 ảnh và dữ liệu vận động tay phải gồm 4.363 ảnh. Dữ liệu được phân chia theo tỷ lệ 70% cho tập huấn luyện (Train) và 30% cho tập kiểm thử (Test).

Chỉ số dữ liệu và phân loại Giá trị định lượng
Tổng số lượng dữ liệu ảnh 8.666 ảnh
- Số lượng ảnh vận động tay trái 4.303 ảnh
- Số lượng ảnh vận động tay phải 4.363 ảnh
Tỷ lệ phân chia tập dữ liệu 70% Train (huấn luyện) / 30% Test (kiểm thử)
Độ chính xác phân loại tổng thể của mô hình CNN 94,5%
- Độ chính xác nhận diện vận động tay phải 99,8%
- Độ chính xác nhận diện vận động tay trái 89,1%

Đóng góp và giải pháp kỹ thuật của đề tài

  • Xây dựng thành công giao thức thí nghiệm thu nhận tín hiệu EEG 32 kênh chuẩn hóa, kết hợp động tác chớp mắt làm mốc đồng bộ thời gian thực thi cử động.
  • Ứng dụng hiệu quả thuật toán lọc thích nghi RLS kết hợp phương pháp xác định ngưỡng để loại bỏ thành phần nhiễu điện mắt EOG mà không làm biến dạng tín hiệu điện não vận động.
  • Đề xuất chuỗi xử lý trích xuất đặc trưng liên kênh ($C3-FC5$ và $C4-FC6$) bằng phân tích tương quan Wavelet Coherence, chuyển đổi tín hiệu sóng 1D thành ảnh phổ xám 2D kích thước $100 \times 100$ pixel tương thích với mạng học sâu CNN.
  • Đóng gói thành công một ứng dụng phần mềm độc lập trên môi trường MATLAB, tích hợp đầy đủ các giai đoạn từ nhập tệp CSV, tiền xử lý, trích đặc trưng đến nhận diện và hiển thị kết quả phân loại.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận trong văn bản

  • Tín hiệu điện não thu nhận trong môi trường thực tế vẫn còn tồn tại các thành phần nhiễu ngoài ý muốn.
  • Kết quả phân tích dữ liệu vẫn còn xuất hiện sai số phân loại giữa các trạng thái vận động (đặc biệt độ chính xác nhận diện tay trái đạt 89,1%, thấp hơn so với tay phải đạt 99,8%).
  • Phần mềm chỉ hỗ trợ đọc dữ liệu đầu vào định dạng CSV và dữ liệu hình ảnh định dạng PNG (với điều kiện tệp PNG phải là ảnh kết quả xuất ra từ phép biến đổi Wavelet Coherence).

Hướng nghiên cứu tiếp

  • Nghiên cứu cải tiến các thuật toán lọc để triệt tiêu sâu hơn các dạng nhiễu sinh học và nhiễu môi trường còn tồn đọng.
  • Mở rộng chức năng và giao diện của phần mềm, nâng cao khả năng tương thích với nhiều định dạng dữ liệu EEG khác nhau.
  • Tối ưu hóa cấu trúc mạng học sâu để nâng cao độ chính xác phân loại đồng đều giữa hai tay, tạo tiền đề ứng dụng trong các hệ thống hỗ trợ chẩn đoán và phục hồi chức năng cho bệnh nhân đột quỵ.

Giá trị tham khảo

Tài liệu khóa luận cung cấp nguồn tham khảo hữu ích cho sinh viên, học viên cao học và các nhóm nghiên cứu thuộc các chuyên ngành:

  • Kỹ thuật Y sinh (Biomedical Engineering): Tham khảo quy trình thiết lập mũ đo điện cực 32 kênh Emotiv EPOC Flex, kỹ thuật xử lý gel dẫn truyền và phương pháp thiết kế giao thức đo tín hiệu sinh học thần kinh trên người tình nguyện.
  • Xử lý tín hiệu và Khoa học máy tính: Tham khảo thuật toán lọc thích nghi RLS loại bỏ nhiễu EOG, phương pháp tính toán tương quan thời gian - tần số bằng Wavelet Coherence và kỹ thuật chuyển đổi chuỗi thời gian sang dữ liệu hình ảnh cho mô hình học sâu.
  • Phát triển ứng dụng y tế: Tham khảo cấu trúc thiết kế giao diện đồ họa (GUI) trên MATLAB App Designer và quy trình đóng gói phần mềm bằng Application Compiler kết hợp MATLAB Runtime phục vụ việc triển khai ứng dụng độc lập.

Câu hỏi thường gặp

1. Kích thước tập dữ liệu và tỷ lệ phân chia huấn luyện - kiểm thử của mô hình CNN trong đề tài là bao nhiêu?

Tổng tập dữ liệu gồm 8.666 ảnh đặc trưng (4.303 ảnh cử động tay trái và 4.363 ảnh cử động tay phải). Dữ liệu được chia theo tỷ lệ 70% cho tập huấn luyện (Train) và 30% cho tập thử nghiệm (Test).

2. Độ chính xác phân loại vận động tay trái và tay phải đạt được là bao nhiêu?

Mô hình CNN đạt độ chính xác phân loại trung bình toàn hệ thống là 94,5%. Trong đó, độ chính xác nhận diện vận động tay phải đạt 99,8% và độ chính xác nhận diện vận động tay trái đạt 89,1%.

3. Đề tài sử dụng thiết bị đo EEG nào và có thông số kỹ thuật ra sao?

Nghiên cứu sử dụng thiết bị Emotiv EPOC Flex gồm 32 kênh điện cực $\text{Ag/AgCl}$ nung kết, tốc độ lấy mẫu 128 SPS (tốc độ lấy mẫu nội bộ 1024 Hz), độ phân giải EEG 14-bit (1 LSB = 0.51 $\mu\text{V}$), băng thông 0,2 – 45 Hz với bộ lọc Sinc bậc 5 kỹ thuật số, dải động $\pm 4,12\text{ mV}$, sử dụng pin LiPo 595 mAh và truyền dữ liệu không dây qua băng tần 2.4 GHz/BLE.

4. Các kênh điện cực nào được lựa chọn để phân tích cử động tay và lọc nhiễu mắt?

  • Phân tích vận động tay phải: Kênh C3 và FC5 (thuộc bán cầu não trái).
  • Phân tích vận động tay trái: Kênh C4 và FC6 (thuộc bán cầu não phải).
  • Thu nhận và phân tích nhiễu chớp mắt (EOG): Các kênh Fp1, Fp2, F3, F4 nằm ở vùng trán gần mắt.

5. Chuỗi xử lý trích xuất đặc trưng từ tín hiệu thô đến đầu vào mô hình CNN được thực hiện như thế nào?

Tín hiệu EEG thô được tiền xử lý lọc nhiễu mắt bằng thuật toán tìm ngưỡng và thuật toán RLS. Tiếp theo, tín hiệu các cặp kênh ($C3-FC5$ và $C4-FC6$) được phân tích tương quan thời gian - tần số bằng phép biến đổi Wavelet Coherence để tạo ảnh màu 3D (PNG). Cuối cùng, ảnh màu được chuyển đổi thành ảnh xám 2D và chuẩn hóa kích thước về $100 \times 100$ pixel trước khi nạp vào mô hình 2D CNN.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành việc thiết kế và xây dựng quy trình thu thập, xử lý và phân loại tín hiệu điện não đồ (EEG) cho cử động gập duỗi khuỷu tay trái/phải dựa trên thiết bị 32 kênh Emotiv EPOC Flex. Nghiên cứu đã kết hợp thành công thuật toán lọc thích nghi RLS khử nhiễu EOG, phương pháp trích xuất đặc trưng Wavelet Coherence và mô hình mạng nơ-ron tích chập 2D (CNN), đạt độ chính xác phân loại tổng thể 94,5% trên tập dữ liệu 8.666 mẫu ảnh. Toàn bộ giải thuật được đóng gói thành một phần mềm giao diện hoàn chỉnh trên nền tảng MATLAB App Designer, tạo cơ sở kỹ thuật thực nghiệm cho các ứng dụng giao diện não - máy tính (BCI) trong lĩnh vực y học phục hồi chức năng.