Luận văn Thuật toán tìm ngưỡng xác định các hoạt động của mắt dựa vào tín hiệu EEG (Phần 1)

Nội dung text: Luận văn Thuật toán tìm ngưỡng xác định các hoạt động của mắt dựa vào tín hiệu EEG (Phần 1)

1. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN VĂN TRUNG THUẬT TOÁN TÌM NGƯỠNG XÁC ĐỊNH CÁC HOẠT ĐỘNG CỦA MẮT DỰA VÀO TÍN HIỆU EEG S K C 0 0 3 96 51 93 NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 S KC 0 0 3 7 4 5 Tp. Hồ Chí Minh, 2012
2. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN VĂN TRUNG THUẬT TOÁN TÌM NGƢỠNG XÁC ĐỊNH CÁC HOẠT ĐỘNG CỦA MẮT DỰA VÀO TÍN HIỆU EEG NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Hướng dẫn khoa học: TS. NGUYỄN THANH HẢI Tp. Hồ Chí Minh, tháng 10/2012
3. LÝ LỊCH KHOA HỌC I. LÝ LỊCH SƠ LƢỢC Họ & tên: Nguyễn Văn Trung Giới tính: Nam Ngày, tháng, năm sinh: 20/10/1987 Nơi sinh: Bà Rịa – Vũng Tàu Quê quán: Quảng Trị Dân Tộc: kinh Chỗ ở riêng hoặc địa chỉ liên lạc: Tổ 15, thôn Sông Cầu, xã Nghĩa Thành, huyện Châu Đức, tỉnh Bà Rịa – Vũng Tàu. Điện thoại cơ quan: Điện thoại nhà riêng: 0934.924.981 Fax: E-mail: nguyenvantrung201087@yahoo.com II. QUÁ TRÌNH ĐÀO TẠO 1. Đại học: Hệ đào tạo: chính quy Thời gian đào tạo từ 10/2005 đến 2/2010 Nơi học (trường, thành phố): Đại Học Sư phạm Kỹ Thuật TP.HCM, TPHCM Ngành học: Kỹ Thuật Điện – Điện Tử Tên đồ án, luận án hoặc môn thi tốt nghiệp: Máy Khoan Mạch In Tự Động Người hướng dẫn: Nguyễn Đình Phú, Đại Học Sư Phạm Kỹ Thuật TP.HCM 2. Cao học Hệ đào tạo: chính quy Thời gian đào tạo: từ 8/20010 đến 8/2012 Nơi học (trường, thành phố): Đại Học Sư phạm Kỹ Thuật TP.HCM, TPHCM Ngành học: Kỹ Thuật Điện Tử Tên luận án: Thuật toán tìm ngƣỡng xác định các hoạt động của mắt dựa vào tín hiệu EEG. i
4. Ngày và nơi bảo vệ: tháng 10/2012 tại trường Đại Học Sư phạm Kỹ Thuật TP.HCM, TPHCM. Người hướng dẫn: TS. Nguyễn Thanh Hải, Đại Học Quốc Tế, Đại Học Quốc Gia TP.HCM. III. QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi công tác Công việc đảm nhiệm 8/2010 – 3/2012 Trường CĐ Kỹ Thuật Cao Thắng Giảng Viên 4/2012 - nay Công ty cáp Taihan Sacom Kỹ sư quản lý chất lượng IV. CÁC BÀI BÁO ĐÃ CÔNG BỐ TT Thời gian Tên bài báo Nơi công bố A Mean Threshold Algorithm For Đại Học Quốc Tế, 1 3/2012 Human Eye Blinking Detection Using Đại Học Quốc Gia EEG TP.HCM A Mean Threshold Algorithm For Trường ĐH Sư Phạm 2 9/2012 Detection Of Human Eye Activities Kỹ Thuật TP.HCM Using EEG Technique Tp. Hồ Chí Minh, ngày 10 tháng 10 năm 2012 Người khai ký tên Nguyễn Văn Trung ii
5. LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của tôi với sự hướng dẫn của TS. Nguyễn Thanh Hải. Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Tp. Hồ Chí Minh, ngày 10 tháng 10 năm 2012 (Ký và ghi rõ họ tên) Nguyễn Văn Trung iii
6. LỜI CẢM TẠ Đầu tiên, tôi xin gởi lời cám ơn sâu sắc đến TS. Nguyễn Thanh Hải – người đã trực tiếp hướng dẫn tôi một cách tận tình và chu đáo từ lúc nhận đề cương cho tới lúc hoàn thành đề tài. Trong quá trình làm đề tài, Thầy Nguyễn Thanh Hải đã luôn theo sát tiến trình thực hiện đề tài, có những gợi ý và chỉ dẫn khoa học giúp tôi giải quyết những khó khăn trong quá trình làm đề tài. Tôi xin cảm ơn quý Thầy Cô đã tham gia giảng dạy lớp cao học khóa 2010 – 2012, người đã mang đến cho tôi những kiến thức quý báu trong khoa học kỹ thuật. Tôi xin chân thành cảm ơn lãnh đạo Trường Cao Đẳng Cao Thắng, nơi tôi công tác đã tạo mọi điều kiện thuận lợi cho tôi hoàn thành đề tài. Tôi gửi lời biết ơn sâu sắc đến gia đình, những người đã ủng hộ và động viên để tôi yên tâm học tập và nghiên cứu. Cuối cùng, tôi xin gởi lời cám ơn đến quý Thầy Cô bộ môn Điện Tử Y Sinh, trường Đại Học Quốc Tế TP.HCM và các sinh viên của trường đã hỗ trợ tôi trong quá trình thu thập dữ liệu tại đây. Xin chân thành cảm ơn! Tp. Hồ Chí Minh, ngày 10 tháng 10 năm 2012 Học viên Nguyễn Văn Trung iv
7. TÓM TẮT Não người đóng vai trò quan trọng trong hoạt động của con người. Dựa trên tín hiệu điện não ta có người ta có thể xác định những thay đổi trong hoạt động của não bộ phục vụ cho việc chuẩn đoán bệnh tật cũng như khôi phục lại khả năng vận động của con người. Trong đề tài này, thuật toán ngưỡng và mạng nơron truyền thẳng nhiều lớp được sử dụng để xác định các hoạt động của mắt dựa trên tín hiệu EEG. Trước khi phân tích tín hiệu EEG, tín hiệu gốc được loại bỏ nhiễu và lọc lấy tín hiệu delta bằng bộ lọc thông dải. Đặc tính của tín hiệu EEG được trích xuất bởi các hệ số của mô hình AR. Các hệ số này là ngõ vào của mạng nơron truyền thẳng nhiều lớp để phận loại các hoạt động của mắt. Bên cạnh đó thuật toán ngưỡng cũng được áp dụng để xác định các hoạt động của mắt. Nghiên cứu này hữu ích cho việc chuẩn đoán các bệnh về mắt như khô mắt và tạo ra một hệ thống BCI để điều khiển xe lăn điện hoặc kiểm soát đèn trong nhà. v
8. ABSTRACT The human brain plays an important role in human activities. Based on electrical brain signals, one can identify changes in brain activity for the diagnosis of disease as well as rehabilitate human functions. In this thesis, the threshold algorithm and multi-layer neural networks were proposed to detect eye activities using the ElectroEncephaloGraphy (EEG) technique. Before analyzing the EEG signal, the original signals were filtered to remove noise and then extracted the delta signal with a band-pass filter. Characteristics of the EEG signals were extracted by the coefficients of the AR model. The coefficients are the input layer of the neural networks to classify the activities of the eye. In addition, the threshold algorithm was also applied to determine the activities of the eye. This study can be useful for diagnosing eye diseases such as dry eye and creating a Brain-Computer Interface (BCI) system such as the electrical wheelchair control or the home lamp control. vi
9. MỤC LỤC LÝ LỊCH KHOA HỌC i LỜI CAM ĐOAN iii LỜI CẢM TẠ iv TÓM TẮT v ABSTRACT vi MỤC LỤC vii DANH SÁCH CÁC CHỮ VIẾT TẮT x DANH SÁCH CÁC HÌNH xi DANH SÁCH CÁC BẢNG xiv Chƣơng 1 TỔNG QUAN 1 1.1 Tổng Quan 1 1.2 Mục Đích Của Đề Tài 2 1.3 Phạm Vi Của Đề Tài 2 1.4 Phƣơng Pháp Nghiên Cứu 2 1.5 Nội Dung Của Luận Văn 3 Chƣơng 2 CỞ SỞ LÝ THUYẾT 5 2.1 Ứng Dụng Hệ Thống BCI Điều Khiển Thiết Bị 5 2.2 Ứng Dụng Thuật Toán Ngƣỡng Để Nhận Dạng 5 vii
10. 2.3 Trích Đặc Tính EEG Sử Dụng Hệ Số Mô Hình AR Và Nhận Dạng Bằng Mạng Nơron 6 2.4 Lọc Nhiễu Tín Hiệu EEG 6 Chƣơng 3 HỆ THỐNG GIAO TIẾP MÁY TÍNH NÃO VÀ THU THẬP DỮ LIỆU EEG 7 3.1 Hệ Thống Giao Tiếp Máy Tính Não 7 3.1.1 Khái niệm 7 3.1.2 Hệ Thống BCI Của Đề Tài 8 3.2 Thu Thập Tín Hiệu Điện Não Bằng Công Nghệ EEG 10 3.2.1 Các Phƣơng Pháp Thu Tín Hiệu Điện Não 10 3.2.1.1 Đo Tín Hiệu Dùng Phƣơng Pháp Điện Não Đồ 10 3.2.1.2 Đo Tín Hiệu Điện Não Dùng Phƣơng Pháp Hồng Ngoại Gần 13 3.2.1.3 Đo Tín Hiệu Não Dùng Phƣơng Pháp Cộng Hƣởng Từ 14 3.2.1.4 Đo Tín Hiệu Não Sử Dụng Phƣơng Pháp Từ Não 15 3.2.2 Thu Thập Dữ Liệu Dùng Máy Active Two 16 3.2.2.1 Giới Thiệu Máy Active Two 16 16 3.2.2.2 Các Bƣớc Thu Tín Hiệu Bằng Máy Active Two 17 3.2.2.3 Thu Thập Dữ Liệu Thí Nghiệm Bằng Máy Active Two 18 Chƣơng 4 TIỀN XỬ LÝ TÍN HIỆU EEG DÙNG BỘ LỌC THÔNG DẢI HAMMING 23 4.1 Lý Thuyết Về Bộ Lọc Số 23 4.2 Lọc Nhiễu Tín Hiệu EEG Bằng Bộ Lọc Hamming 27 viii
11. Chƣơng 5 TRÍCH ĐẶC TÍNH CỦA TÍN HIỆU EEG DỰA TRÊN CÁC HỆ SỐ MÔ HÌNH AR 34 5.1 Trích Các Đặc Tính Của Tín Hiệu Dựa Trên Các Hệ Số Mô Hình AR 34 5.2 Trích Các Đặc Tính Của Tín Hiệu EEG Dựa Trên Các Hệ Số Mô Hình AR 35 Chƣơng 6 THUẬT TOÁN NGƢỠNG XÁC ĐỊNH CÁC HOẠT ĐỘNG CỦA MẮT 40 6.1 Thuật Toán Ngƣỡng 40 6.2 Thuật Toán Ngƣỡng Xác Định Các Hoạt Động Của Mắt 41 6.3 Dùng Thuật Toán Ngƣỡng Xác Định Các Hoạt Động Của Mắt Online 47 Chƣơng 7 NHẬN DẠNG CÁC HOẠT ĐỘNG CỦA MẮT DÙNG MẠNG LAN TRUYỀN NGƢỢC 50 7.1 Mạng Lan Truyền Ngƣợc 50 7.2 Nhận Dạng Các Hoạt Động Của Mắt Dùng Mạng Lan Truyền Ngƣợc 53 Chƣơng 8 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN CỦA ĐỀ TÀI 58 8.1 Kết Luận 58 8.2 Hƣớng Phát Triển Của Đề Tài 58 TÀI LIỆU THAM KHẢO 59 ix
12. ANH SÁCH CÁC CHỮ VIẾT TẮT AR – Autoregresion EEG – Electroencephalogram BCI – Brain Computer Interface fNIRS – function Near - Infrared Spectroscopy fMRI – function Magnetic Resonance Imaging MEG – Magnetoencephalography MLP – Multi - Layer Perceptron x
13. DANH SÁCH CÁC HÌNH Hình 3.1: Hệ thống giao tiếp máy tính não 8 Hình 3.2: Sơ đồ khối xác định các hoạt động của mắt sử dụng thuật toán ngưỡng 9 Hình 3.3: Sơ đồ khối xác định các hoạt động của mắt sử dụng mạng nơron 10 Hình 3.4: Đo tín hiệu điện não dùng phương pháp EEG 11 Hình 3.5: Đo tín hiệu điện não dùng fNIRS 13 Hình 3.6: Đo tín hiệu điện não bằng phương pháp fMRI 15 Hình 3.7: Đo tín hiệu sử dụng phương pháp MEG 16 Hình 3.8: Máy Active Two đặt tại phòng A104 16 Hình 3.9: Sơ đồ khối của máy Active Two 17 Hình 3.10: Gắn nón vào người làm thí nghiệm 18 Hình 3.11: Cho gel vào lỗ giữ điện cực 18 Hình 3.12: Gắn các điện cực vào lỗ chứa điện cực 18 Hình 3.13: Giao diện phần mềm Actiview 18 Hình 3.14: Vị trí các điện cực 19 Hình 3.14: Điện cực được gắn trên đối tượng 19 Hình 3.15: Protocol cho đối tượng thực hiện mở và chớp mắt 19 Hình 3.16: Tín hiệu EEG thu được tại Fp1, F7, F8 khi thí nghiệm mở mắt 20 Hình 3.17: Tín hiệu EEG thu được tại Fp1, F7, F8 khi thí nghiệm chớp mắt 21 Hình 3.18: Tín hiệu EEG thu được tại Fp1, F7, F8 khi thí nghiệm liếc trái 21 Hình 3.19: Tín hiệu EEG thu được tại Fp1, F7, F8 khi thí nghiệm liếc phải 22 Hình 4.1: Đáp ứng tần số của bộ lọc lý tưởng 24 xi
14. Hình 4.2: Cửa sổ Hamming với L=71 26 Hình 4.3: Đáp ứng biên độ và pha của bộ lọc Hamming 27 Hình 4.4: Sơ đồ khối của hệ thống lọc nhiễu 27 Hình 4.5: Đáp ứng biên độ và pha của bộ lọc Hamming có L=11 28 Hình 4.6: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=11 28 Hình 4.7: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=3 29 Hình 4.8: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=17 29 Hình 4.9: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=23 30 Hình 4.10: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=27, N=26 30 Hình 4.11: Tín hiệu mở mắt tại Fp1, F7, F8 sau khi được lọc nhiễu 31 Hình 4.12: Tín hiệu chớp mắt tại Fp1, F7, F8 sau khi được lọc nhiễu 31 Hình 4.13: Tín hiệu liếc mắt trái tại Fp1, F7, F8 sau khi được lọc nhiễu 32 Hình 4.14: Tín hiệu liếc mắt phải tại Fp1, F7, F8 sau khi được lọc nhiễu 32 Hình 5.1: Sơ đồ trích các đặc tính của tín hiệu EEG 35 Hình 5.2 : Tín hiệu mở mắt 36 Hình 5.3: Các hệ số AR 36 Hình 5.4: Tín hiệu chớp mắt 37 Hình 5.5: Các hệ số AR 37 Hình 5.6: Tín hiệu liếc trái 37 Hình 5.7: Các hệ số AR 37 Hình 5.8: Tín hiệu liếc phải 38 Hình 5.9: Các hệ số AR 38 Hình 5.10: Bốn vectơ hệ số của thì nghiệm chớp mắt, mở mắt, liếc trái và liếc phải . xii
15. 39 Hình 6.1: Sơ đồ xác định giá trị ngưỡng 41 Hình 6.2: Kết quả phân loại 45 Hình 6.3: Kết quả xác định hoạt động chớp mắt tại Fp1 46 Hình 6.4: Kết quả xác định hoạt động liếc phải tại F7 46 Hình 6.5: Kết quả xác định hoạt động liếc trái tại F8 47 Hình 6.6: Đối tượng đang tiến hành mô phỏng online 47 Hình 6.7: Các hướng di chuyển và góc quay của đối tượng 49 Hình 6.8: Đối tượng điều khiển xe lăn điện 49 Hình 7.1: Cấu trúc của mạng truyền thẳng nhiều lớp 51 Hình 7.2: Hình dạng của hàm sigmoid 51 Hình 7.3: Cấu trúc mạng nơron nhiều lớp có 1 lớp ẩn 53 Hình 7.4: Cấu trúc của mạng nơron nhiều lớp có 2 lớp ẩn 54 xiii
16. DANH SÁCH CÁC BẢNG Bảng 3.1: Thông tin của đối tượng làm thí nghiệm 20 Bảng 5.1: Vectơ hệ số AR cho 4 thí nghiệm 36 Bảng 5.2: Các hệ số AR cho 4 thí nghiệm 38 Bảng 6.1: Kết quả thí nghiệm trên đối tượng 1 tại Fp1 43 Bảng 6.2: Kết quả thí nghiệm trên đối tượng 1 tại F7 43 Bảng 6.3: Kết quả thí nghiệm trên đối tượng 1 tại F8 44 Bảng 6.4: Kết quả tính toán ngưỡng các đối tượng còn lại 44 Bảng 6.5: Bảng kiểm tra kết quả phân loại 45 Bảng 6.6: Mô tả trạng thái của đèn 48 Bảng 6.7: Các lệnh điều khiển 48 Bảng 7.1: Mô tả việc phân loại tín hiệu EEG và ngõ ra mong muốn 54 Bảng 7.2: Vectơ hệ số AR cho 4 thí nghiệm 55 Bảng 7.3: Kết quả huấn luyện mạng khi có 1 lớp ẩn 56 Bảng 7.4: Kết quả huấn luyện mạng khi có 2 lớp ẩn 56 xiv
17. 1. Tổng Quan Chƣơng 1 TỔNG QUAN 1.1 Tổng Quan Não người đóng vai trò quan trọng trong các hoạt động của con người [1]. Nó có cấu trúc phức tạp gồm khoảng 100 tỉ tế bào thần kinh liên kết với nhau. Các tế bào này thu thập và truyền tải các tín hiệu điện với nhau cho dù có hay không có các kích thích bên ngoài. Dựa trên các tín hiệu điện não người ta xác định được những thay đổi trong hoạt động của não bộ phục vụ cho việc phát hiện, chuẩn đoán các chứng rối loạn não, rối loạn giấc ngủ, chấn thương đầu, viêm não, đột quỵ Một ứng dụng quan trọng khác đó là dựa trên tín hiệu EEG để khôi phục lại các chức năng của con người. Do bệnh tật hoặc do tai nạn gây ra, một số người không có khả năng đi lại, cử động ,những người này mất đi khả năng tương tác với thế giới bên ngoài. Hệ thống giao tiếp máy tính não (BCI) đóng vai trò quan trọng nhằm hỗ trợ và thay thế con người tương tác với thế giới bên ngoài. Hệ thống này chuyển các tín hiệu điện não thành các tín hiệu điều khiển mong muốn như điều khiển xe lăn điện, điều khiển thiết bị (tivi, máy lạnh, đèn ), điều khiển cử động (cánh tay giả trên người bênh nhân) Hiện nay có nhiều phương pháp thu tín hiệu điện não được sử dụng cho việc chuẩn đoán và xây dựng hệ thống BCI. Phương pháp điện não đồ (EEG) và từ não sử dụng các điện cực gắn trực tiếp trên da đầu. Còn phương pháp cộng hưởng từ (fMRI), hồng ngoại gần (fNIR) đo nồng độ oxy trong máu ở trên não người. Với sự phát triển của khoa học kỹ thuật, các nghiên cứu gần đây tập trung vào nâng cao độ chính xác và tốc độ của hệ thống bằng việc nghiên cứu các đặc tính hoạt động của não, cải tiến thiết bị thu thập dữ liệu và tối ưu hóa các kỹ thuật xử lý tín hiệu trong hệ thống. 1
18. 1. Tổng Quan Tại Việt Nam, việc xây dựng các thuật toán xử lý tín hiệu điện não và xây dựng hệ thống BCI ứng dụng là hướng nghiên cứu mới được nhiều người quan tâm. Để xây dựng được hệ thống BCI, đòi chúng ta phải sử dụng các thuật toán như lọc nhiễu, nhận dạng mô hình, huấn luyện để tìm ra những đặc tính của tín hiệu điện não. Từ các ứng dụng của tín hiệu điện não, thiết bị đang có và sự gợi ý của TS. Nguyễn Thanh Hải. Vì vậy tên đề tài được chọn là: “Thuật toán tìm ngƣỡng xác định các hoạt động của mắt dựa vào tín hiệu EEG” . 1.2 Mục Đích Của Đề Tài Mục đích nghiên cứu của đề tài là xây dựng được thuật toán ngưỡng và mạng nơron truyền thẳng nhiều lớp để xác định các hoạt động của mắt. So sánh kết quả của hai thuật toán. Đồng thời xây dựng hệ thống BCI để điều khiển thiết bị (đèn hoặc xe lăn). 1.3 Phạm Vi Của Đề Tài Phạm vi của đề tài là tìm hiểu tín hiệu EEG và các ứng dụng dựa trên tín hiệu EEG. Xây dựng thuật toán ngưỡng và huấn luyện mạng nơron để xác định các hoạt động của mắt. Kiểm chứng kết quả qua các ứng dụng mô phỏng hoặc điều khiển xe lăn điện. 1.4 Phƣơng Pháp Nghiên Cứu Các phương pháp nghiên cứu được sử dụng trong đề tài: - Phương pháp nghiên cứu tài liệu: thu thập các tài liệu, bài báo khoa học liên quan đến lĩnh vực nghiên cứu. Nghiên cứu lý thuyết để xây dựng thuật toán cho đề tài. - Phương pháp thực nghiệm: tiến hành đo tín hiệu não từ máy Active Two. Áp dụng các thuật toán để xử lý tín hiệu đo được - So sánh: so sánh kết của đạt được giữa các phương pháp. 2
19. 1. Tổng Quan 1.5 Nội Dung Của Luận Văn Nội dung của luận văn bao gồm 8 chương: Chƣơng 1: Tổng quan Chương này trình bày tổng quan về lĩnh vực nghiên cứu. Các nhiệm vụ, phạm vi và phương pháp nghiên cứu đề tài. Chƣơng 2: Cơ sở lý thuyết Chương này trình bày về các cơ sở lý thuyết cần thiết phục vụ cho nghiên cứu trong đề tài. Chƣơng 3: Hệ hệ thống giao tiếp máy tính não và thu thập dữ liệu EEG Chương này trình bày về hệ thống giao tiếp máy tính não. Các phương pháp thu thập tín hiệu điện não và tiến hành thu dữ liệu các thí nghiệm tiến hành trong đề tài bằng máy Active Two. Chƣơng 4: Tiền xử lý tín hiệu EEG dùng bộ lọc Hamming Chương này trình bày ứng dụng của bộ lọc Hamming để loại bỏ các thành phần nhiễu và tín hiệu không mong muốn. Chƣơng 5: Trích đặc tính tín hiệu EEG dựa trên hệ số mô hình AR Tín hiệu sau khi được loại bỏ nhiễu sẽ được đưa qua mô hình AR (Autoregresion) để tìm các hệ số của mô hình AR, các hệ số này sẽ được đưa vào mạng nơron truyền thẳng nhiều lớp nhận dạng các hoạt động của mắt. Chƣơng 6: Thuật toán ngưỡng để phân biệt các hoạt động của mắt Chương này trình bày thuật toán ngưỡng để phân biệt các hoạt động của mắt. Chƣơng 7: Nhận dạng các hoạt động của mắt dùng mạng nơron Mạng nơron truyền thẳng nhiều lớp được sử dụng để nhận dạng các hoạt động của mặt dựa trên các hệ số của mô hình AR. 3
20. 1. Tổng Quan Chƣơng 8: Kết luận và hướng phát triển của đề tài Chương này sẽ tóm tắt các kết quả đạt được trong luận văn và hướng phát triển của đề tài. 4
21. 2. Cơ Sở Lý Thuyết Chƣơng 2 CỞ SỞ LÝ THUYẾT Với sự phát triển vượt bậc của công nghệ thu tín hiệu điện não như điện não đồ EEG, cộng hưởng từ (fMRI), hồng ngoại gần fNIR các nghiên cứu về ứng dụng tín hiệu điện não ngày càng đa dạng và được quan tâm. 2.1 Ứng Dụng Hệ Thống BCI Điều Khiển Thiết Bị Hệ thống BCI sử dụng biên độ sóng mu (8 - 12Hz) hoặc beta (18 - 25Hz) để điều khiển con trỏ máy tính di chuyển trong 2 miền trên màn hình máy tính [3]. Sự di chuyển của trỏ chuột trong mỗi miền được xác định 10 lần/s dựa trên các đặc tính của tín hiệu EEG. Dữ liệu được thu thập offline và sử dụng ba phương pháp khác nhau để tăng độ chính xác của việc di chuyển con trỏ chuột. Bằng cách chọn lựa các đặc tính của tín hiệu EEG và chuyển đổi chúng thành các lệnh điều khiển, tác giả đã cải tiến được tốc độ và độ chính xác của việc di chuyển trỏ chuột [15 - 17]. Bệnh nhân có thể điều khiển cánh tay giả để giao tiếp với môi trường bên ngoài bằng bằng cách tưởng tượng [4]. Tác giả đã phân tích thời gian thực các thành phần tín hiệu EEG trong suốt quá trình tưởng tượng. Một bộ phân loại tuyến tính được sử dụng để phân biệt trường hợp tưởng tượng cánh tay di chuyển trái hoặc phải. Độ chính xác của việc điều khiển này đạt 82,5% đến 90%. Kết quả phân loại được sử dụng để điều khiển cánh tay giả di chuyển. 2.2 Ứng Dụng Thuật Toán Ngƣỡng Để Nhận Dạng Một hệ thống BCI lai được sử dụng để điều khiển xe lăn dựa trên tín hiệu EEG và EOG [17]. Trong bài báo này, tác giả đã sử dụng thuật toán ngưỡng để xác định các hoạt động của mắt để xác định hướng di chuyển của xe lăn điện. Tín hiệu EOG được sử dụng để điều khiển các hướng bên trái và bên phải. Và tín hiệu EEG được 5