PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP CỦA TÍN HIỆU ĐIỆN NÃO ĐỒ NHẰM GIẢI MÃ Ý MUỐN TƯƠNG TÁC VỚI THIẾT BỊ DI ĐỘNG

Đề tài
PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP CỦA TÍN HIỆU ĐIỆN NÃO ĐỒ NHẰM GIẢI MÃ Ý MUỐN TƯƠNG TÁC VỚI THIẾT BỊ DI
ĐỘNG
ĐẠI HỌC BÁCH KHOA HÀ NỘI
TRUNG TÂM ĐÀO TẠO TÀI NĂNG VÀ CHẤT LƯỢNG CAO
Sinh viên thực hiện: Trần Ngọc Tân
Lớp: KSTN- DTVT-K54
Giảng viên hướng dẫn: TS. Hàn Huy Dũng
Hà Nội, 06/2014
NỘI DUNG
1. GIỚI THIỆU
2. CƠ SỞ LÝ THUYẾT
3. THỰC HIỆN
4. THỬ NGHIỆM VÀ KẾT QUẢ
5. KẾT LUẬN
1. GIỚI THIỆU
“TOWARD MANIPULATING MOBILE DEVICES BY THOUGHTS”
– Lab Embedded Networking, Dr. Tien Pham Van
GIỚI THIỆU> Dự án “TOWARD MANIPULATING MOBILE DEVICES BY THOUGHTS”
GIỚI THIỆU>Đồ án:
“Phân tích thành phần độc lập của tín hiệu điện não đồ nhằm giải mã ý muốn tương tác với thiết bị di động"
2. CƠ SỞ LÝ THUYẾT
CƠ SỞ LÝ THUYẾT>Electroencephalography - EEG

EEG là gì?
Là tín hiệu điện phát sinh từ bộ não

Cách thu thập tín hiệu EEG?
Sử dụng đầu đọc có các điện cực tiếp xúc với da đầu
CƠ SỞ LÝ THUYẾT>Nhiễu


Các loại nhiễu ảnh hưởng:
Sử dụng các điện cực gắn trên da đầu, ngoài tín hiệu điện EEG ta còn thu được các tín hiệu nhiễu khác, như nhiễu
do nháy mắt, nhiễu do hoạt động của cơ tay, cơ chân, …

Nhiễu nháy mắt – eyeblink:
Nằm trong khoảng tần số từ 0.12 đến 4Hz, có dạng
một gai nhọn, với biên độ chênh lệch vào khoảng
100 đến 150uV
CƠ SỞ LÝ THUYẾT>ICA>Bài toán Cocktail Party
Independent
Component Analysis -
ICA
Tín hiệu nguồn
1
Tín hiệu nguồn
2
Tín hiệu
trộn 1
Tín hiệu
trộn 2
Thành phần độc
lập
Thành phần độc
lập
Mixed
ICA
CƠ SỞ LÝ THUYẾT>ICA>FastICA
3. THỰC HIỆN
Detect
Eyeblink

Remove
Eyeblink
EEG signal from headset
EEG +
Eyeblink
EEG signal
THỰC HIỆN>Thuật toán tổng quan
Thông số Giá trị
Number of Channels 14
Channel names
AF3, AF4, F3, F4, F7 F8, FC5, FC6, P7,
P8, T7, T8, O1, O2
Samplingrate 128 Hz
Bandwidth 0.2-45 Hz
AF3, AF4, F7, F8 là các kênh chịu ảnh hưởng mạnh nhất của
eyblink
THỰC HIỆN
Tính trung bình
của 30 sample
mean >
threshold
Thuật toán loại bỏ
eyeblink
TRUE
FALSE
Đọc 30 sample
tiếp theo
3
0

s
a
m
p
l
e

c
ủ
a

k
ê
n
h

A
F
3
Bắt
đầu
THỰC HIỆN>Thuật toán phát hiện eyeblink
Thực hiện ICA với
dữ liệu 14 kênh
Biến đổi Wavelet với
14 IC và kênh AF3
Thực hiện 3 Level
Wavelet ngược
Tính giá trị tương
quan của

Recontruction của
mỗi IC và kênh AF3
Giá trị tương quan
lớn nhất sẽ xác định
được là thành phần
eyeblink
THỰC HIỆN>Thuật toán loại bỏ nhiễu mắt
Xóa bỏ 30 sample
của thành phần
eyeblink
14 IC: 13 thành phần +
1 thành phần eyeblink
Thực hiện ICA
ngược với 14 thành
phần
Dữ liệu EEG sạch
THỰC HIỆN>Thuật toán tái cấu trúc dữ liệu
4. THỬ NGHIỆM VÀ KẾT QUẢ
THỰC HIỆN>Thuật toán loại bỏ nhiễu mắt
1024 mẫu dữ liệu thu được từ đầu đọc Headset
THỰC HIỆN>Thuật toán loại bỏ nhiễu mắt
Các thành phần độc lập thu được sau khi chạy ICA
THỰC HIỆN>Thuật toán loại bỏ nhiễu mắt
Chạy Wavelet Transform Inverse Level 3 với từng thành phần
THỰC HIỆN>Thuật toán loại bỏ nhiễu mắt
Chạy Wavelet Transform Inverse Level 3 kênh AF3
THỰC HIỆN>Thuật toán loại bỏ nhiễu mắt
Dữ liệu tái cấu trúc sau khi đã loại bỏ nhiễu – Kênh Fp2
THỬ NGHIỆM VÀ KẾT QUẢ>Thử nghiệm tách nhiễu eyeblink trên Smartphone
5. KẾT LUẬN

KẾT LUẬN>Kết quả đạt được

Tính tự động hóa:
Phát triển được một thuật toán có thể phát hiện và loại bỏ tự động thành phần nhiễu eyeblink

Tính đa nền tảng:
Thuật toán được viết C/C++ và có thể biên dịch trên nhiều nền tảng, cụ thể trong đề tài này là hệ điều hành Android

Chất lượng tín hiệu:
Chất lượng tín hiệu sau khi loại bỏ tốt hơn các phương pháp loại bỏ thủ công truyền thống