Thuật toán tìm ngưỡng xác định các hoạt động của mắt dựa vào tín hiệu EEG

v


TịMăTT

Nưo ngời đóng vai trò quan trọng trong hot đng ca con ngời. Dựa trên tín hiệu
điện nưo ta có ngời ta có th xác định những thay đổi trong hot đng ca nưo b
phc v cho việc chuẩn đoán bệnh tật cũng nh khôi phc li kh năng vận đng
ca con ngời. Trong đề tài này, thuật toán ngỡng và mng nơron truyền thẳng
nhiều lớp đc sử dng đ xác định các hot đng ca mắt dựa trên tín hiệu EEG.
Trớc khi phân tích tín hiệu EEG, tín hiệu gốc đc loi bỏ nhiu và lọc lấy tín hiệu
delta bằng b lọc thông di. Đặc tính ca tín hiệu EEG đc trích xuất bởi các hệ số
ca mô hình AR. Các hệ số này là ngõ vào ca mng nơron truyền thẳng nhiều lớp
đ phận loi các hot đng ca mắt. Bên cnh đó thuật toán ngỡng cũng đc áp
dng đ xác định các hot đng ca mắt. Nghiên cu này hữu ích cho việc chuẩn
đoán các bệnh về mắt nh khô mắt và to ra mt hệ thống BCI đ điều khin xe lăn
điện hoặc kim soát đèn trong nhà.

vi


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.

vii

MCăLC

LụăLCHăKHOAăHC i
LIăCAMăĐOAN iii
LIăCMăT iv
TịMăTT v
ABSTRACT vi
MCăLC vii
DANHăSỄCHăCỄCăCHăVITăTT x
DANH SÁCH CÁC HÌNH xi
DANHăSỄCHăCỄCăBNG xiv
Chngă1
TNGăQUAN 1
1.1ăTngăQuan 1
1.2ăMcăĐíchăCaăĐăTƠi 2
1.3ăPhmăViăCaăĐăTƠi 2
1.4ăPhngăPhápăNghiênăCu 2
1.5ăNiăDungăCaăLunăVĕn 3
Chngă2
CăSăLụăTHUYT 5
2.1ăngăDngăHăThngăBCIăĐiuăKhinăThităB 5
2.2ăngăDngăThutăToánăNgngăĐăNhnăDng 5

viii

2.3ăTríchăĐcăTínhăEEGăSăDngăHăSăMôăHìnhăARăVƠăNhnăDngăBằngă
MngăNron 6
2.4ăLcăNhiuăTínăHiuăEEG 6
Chngă3
HăTHNGăGIAOăTIPăMỄYăTệNHăNÃOăVÀăTHUăTHPăDăLIUăEEG
7
3.1ăHăThngăGiaoăTipăMáyăTínhăNƣo 7
3.1.1ăKháiănim 7
3.1.2ăăHăThngăBCIăCaăĐăTƠi 8
3.2ăThuăThpăTínăHiuăĐinăNƣoăBằngăCôngăNghăEEG 10
3.2.1ăCácăPhngăPhápăThuăTínăHiuăĐinăNƣo 10
3.2.1.1ăĐoăTínăHiuăDùngăPhngăPhápăĐinăNƣoăĐ 10
3.2.1.2ăĐoăTínăHiuăĐinăNƣoăDùngăPhngăPhápăHngăNgoiăGần 13
3.2.1.3ăĐoăTínăHiuăNƣoăDùngăPhngăPhápăCngăHngăT 14
3.2.1.4ăĐoăTínăHiuăNƣoăSăDngăPhngăPhápăTăNƣo 15
3.2.2ăThuăThpăDăLiuăDùngăMáyăActiveăTwo 16
3.2.2.1ăăGiiăThiuăMáyăActiveăTwo 16
3.2.2.2ăCácăBcăThuăTínăHiuăBằngăMáyăActiveăTwo 17
3.2.2.3ăăThuăThpăDăLiuăThíăNghimăBằngăMáyăActiveăTwo 18
Chngă4
TINăXăLụăTệNăHIUăEEGăDỐNGăBăLCăTHỌNGăDIăHAMMING 23
4.1ăLỦăThuytăVăBăLcăS 23
4.2ăLcăNhiuăTínăHiuăEEGăBằngăBăLcăHamming 27

ix

Chngă5

TRệCHă ĐCă TệNHă CAă TệNă HIUă EEGă DAă TRểNă CỄCă Hă S MÔ
HÌNH AR 34
5.1ăTríchăCácăĐcăTínhăCaăTínăHiuăDaăTrênăCácăHăS Mô Hình AR 34
5.2ăTríchăCácăĐcăTínhăCaăTínăHiuăEEGăDaăTrênăCácăHăSăMôăHìnhăAR
35
Chngă6
THUTăTOỄNăNGNGăXỄCăĐNHăCỄCăHOTăĐNGăCAăMT 40
6.1ăThutăToánăNgng 40
6.2ăThutăToánăNgngăXácăĐnhăCácăHotăĐngăCaăMt 41
6.3ăDùngăThutăToánăNgngăXácăĐnhăCácăHotăĐngăCaăMtăOnline 47
Chngă7
NHNăDNGăCỄCăHOTăĐNGăCAăMTăDỐNGăMNGăLANăTRUYNă
NGC 50
7.1ăMngăLanăTruynăNgc 50
7.2ăNhnăDngăCácăHotăĐngăCaăMtăDùngăMngăLanăTruynăNgc 53
Chngă8
KTăLUNăVÀăHNGăPHỄTăTRINăCAăĐăTÀI 58
8.1ăKtăLun 58
8.2ăHngăPhátăTrinăCaăĐăTƠi 58
TÀIăLIUăTHAMăKHO 59

x

ANHăSỄCHăCỄCăCHăVITăTT

AR – Autoregresion
EEG – Electroencephalogram
BCI – Brain Computer Interface
fNIRS – function Near - Infrared Spectroscopy
fMRI – function Magnetic Resonance Imaging

MEG – Magnetoencephalography
MLP – Multi - Layer Perceptron


xi

DANH SÁCH CÁC HÌNH

Hình 3.1: Hệ thống giao tiếp máy tính nưo 8
Hình 3.2: Sơ đồ khối xác định các hot đng ca mắt sử dng thuật toán ngỡng 9
Hình 3.3: Sơ đồ khối xác định các hot đng ca mắt sử dng mng nơron 10
Hình 3.4: Đo tín hiệu điện nưo dùng phơng pháp EEG 11
Hình 3.5: Đo tín hiệu điện nưo dùng fNIRS 13
Hình 3.6: Đo tín hiệu điện nưo bằng phơng pháp fMRI 15
Hình 3.7: Đo tín hiệu sử dng phơng pháp MEG 16
Hình 3.8: Máy Active Two đặt ti phòng A104 16
Hình 3.9: Sơ đồ khối ca máy Active Two 17
Hình 3.10: Gắn nón vào ngời làm thí nghiệm 18
Hình 3.11: Cho gel vào l giữ điện cực 18
Hình 3.12: Gắn các điện cực vào l cha 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 đc gắn trên đối tng 19
Hình 3.15: Protocol cho đối tng thực hiện mở và chớp mắt 19
Hình 3.16: Tín hiệu EEG thu đc ti Fp1, F7, F8 khi thí nghiệm mở mắt 20
Hình 3.17: Tín hiệu EEG thu đc ti Fp1, F7, F8 khi thí nghiệm chớp mắt 21
Hình 3.18: Tín hiệu EEG thu đc ti Fp1, F7, F8 khi thí nghiệm liếc trái 21
Hình 3.19: Tín hiệu EEG thu đc ti Fp1, F7, F8 khi thí nghiệm liếc phi 22
Hình 4.1: Đáp ng tần số ca b lọc lý tởng 24

xii

Hình 4.2: Cửa sổ Hamming với L=71 26
Hình 4.3: Đáp ng biên đ và pha ca b lọc Hamming 27
Hình 4.4: Sơ đồ khối ca hệ thống lọc nhiu 27
Hình 4.5: Đáp ng biên đ và pha ca b lọc Hamming có L=11 28
Hình 4.6: Tín hiệu gốc (F8) và tín hiệu đc lọc nhiu với L=11 28
Hình 4.7: Tín hiệu gốc (F8) và tín hiệu đc lọc nhiu với L=3 29
Hình 4.8: Tín hiệu gốc (F8) và tín hiệu đc lọc nhiu với L=17 29
Hình 4.9: Tín hiệu gốc (F8) và tín hiệu đc lọc nhiu với L=23 30
Hình 4.10: Tín hiệu gốc (F8) và tín hiệu đc lọc nhiu với L=27, N=26 30
Hình 4.11: Tín hiệu mở mắt ti Fp1, F7, F8 sau khi đc lọc nhiu 31
Hình 4.12: Tín hiệu chớp mắt ti Fp1, F7, F8 sau khi đc lọc nhiu 31
Hình 4.13: Tín hiệu liếc mắt trái ti Fp1, F7, F8 sau khi đc lọc nhiu 32
Hình 4.14: Tín hiệu liếc mắt phi ti Fp1, F7, F8 sau khi đc lọc nhiu 32
Hình 5.1: Sơ đồ trích các đặc tính ca 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 phi 38
Hình 5.9: Các hệ số AR 38
Hình 5.10: Bốn vectơ hệ số ca thì nghiệm chớp mắt, mở mắt, liếc trái và liếc phi .

xiii

39
Hình 6.1: Sơ đồ xác định giá trị ngỡng 41

Hình 6.2: Kết qu phân loi 45
Hình 6.3: Kết qu xác định hot đng chớp mắt ti Fp1 46
Hình 6.4: Kết qu xác định hot đng liếc phi ti F7 46
Hình 6.5: Kết qu xác định hot đng liếc trái ti F8 47
Hình 6.6: Đối tng đang tiến hành mô phỏng online 47
Hình 6.7: Các hớng di chuyn và góc quay ca đối tng 49
Hình 6.8: Đối tng điều khin xe lăn điện 49
Hình 7.1: Cấu trúc ca mng truyền thẳng nhiều lớp 51
Hình 7.2: Hình dng ca hàm sigmoid 51
Hình 7.3: Cấu trúc mng nơron nhiều lớp có 1 lớp ẩn 53
Hình 7.4: Cấu trúc ca mng nơron nhiều lớp có 2 lớp ẩn 54

xiv

DANHăSỄCHăCỄCăBNG

Bngă3.1: Thông tin ca đối tng làm thí nghiệm 20
Bngă5.1: Vectơ hệ số AR cho 4 thí nghiệm 36
Bngă5.2: Các hệ số AR cho 4 thí nghiệm 38
Bngă6.1: Kết qu thí nghiệm trên đối tng 1 ti Fp1 43
Bngă6.2: Kết qu thí nghiệm trên đối tng 1 ti F7 43
Bngă6.3: Kết qu thí nghiệm trên đối tng 1 ti F8 44
Bngă6.4: Kết qu tính toán ngỡng các đối tng còn li 44
Bngă6.5: Bng kim tra kết qu phân loi 45
Bngă6.6: Mô t trng thái ca đèn 48
Bngă6.7: Các lệnh điều khin 48
Bngă7.1: Mô t việc phân loi tín hiệu EEG và ngõ ra mong muốn 54
Bngă7.2: Vectơ hệ số AR cho 4 thí nghiệm 55
Bngă7.3: Kết qu huấn luyện mng khi có 1 lớp ẩn 56
Bngă7.4: Kết qu huấn luyện mng khi có 2 lớp ẩn 56

1. Tổng Quan

1

Chngă1
TNGăQUAN

1.1 TngăQuan
Nưo ngời đóng vai trò quan trọng trong các hot đng ca con ngời [1]. Nó có
cấu trúc phc tp gồm khong 100 tỉ tế bào thần kinh liên kết với nhau. Các tế bào
này thu thập và truyền ti các tín hiệu điện với nhau cho dù có hay không có các
kích thích bên ngoài. Dựa trên các tín hiệu điện nưo ngời ta xác định đc những
thay đổi trong hot đng ca nưo b phc v cho việc phát hiện, chuẩn đoán các
chng rối lon nưo, rối lon giấc ng, chấn thơng đầu, viêm nưo, đt quỵ…
Mt ng dng quan trọng khác đó là dựa trên tín hiệu EEG đ khôi phc li các
chc năng ca con ngời. Do bệnh tật hoặc do tai nn gây ra, mt số ngời không
có kh năng đi li, cử đng…,những ngời này mất đi kh năng tơng tác với thế
giới bên ngoài. Hệ thống giao tiếp máy tính nưo (BCI) đóng vai trò quan trọng
nhằm h tr và thay thế con ngời tơng tác với thế giới bên ngoài. Hệ thống này
chuyn các tín hiệu điện nưo thành các tín hiệu điều khin mong muốn nh điều
khin xe lăn điện, điều khin thiết bị (tivi, máy lnh, đèn…), điều khin cử đng
(cánh tay gi trên ngời bênh nhân)
Hiện nay có nhiều phơng pháp thu tín hiệu điện nưo đc sử dng cho việc chuẩn
đoán và xây dựng hệ thống BCI. Phơng pháp điện nưo đồ (EEG) và từ nưo sử dng
các điện cực gắn trực tiếp trên da đầu. Còn phơng pháp cng hởng từ (fMRI),
hồng ngoi gần (fNIR) đo nồng đ oxy trong máu ở trên nưo ngời.
Với sự phát trin ca khoa học kỹ thuật, các nghiên cu gần đây tập trung vào nâng
cao đ chính xác và tốc đ ca hệ thống bằng việc nghiên cu các đặc tính hot
đng ca nưo, ci tiến thiết bị thu thập dữ liệu và tối u hóa các kỹ thuật xử lý tín
hiệu trong hệ thống.

1. Tổng Quan

2

Ti Việt Nam, việc xây dựng các thuật toán xử lý tín hiệu điện nưo và xây dựng hệ
thống BCI ng dng là hớng nghiên cu mới đc nhiều ngời quan tâm. Đ xây
dựng đc hệ thống BCI, đòi chúng ta phi sử dng các thuật toán nh lọc nhiu,
nhận dng mô hình, huấn luyện…đ tìm ra những đặc tính ca tín hiệu điện nưo.
Từ các ng dng ca tín hiệu điện nưo, thiết bị đang có và sự gi ý ca TS. Nguyn
Thanh Hi. Vì vậy tên đề tài đc chọn là: “Thutătoánătìmăngngăxácăđnh các
hotăđngăca mtădaăvƠoătínăhiuăEEG” .
1.2 McăĐíchăCaăĐăTƠi
Mc đích nghiên cu ca đề tài là xây dựng đc thuật toán ngỡng và mng nơron
truyền thẳng nhiều lớp đ xác định các hot đng ca mắt. So sánh kết qu ca hai
thuật toán. Đồng thời xây dựng hệ thống BCI đ điều khin thiết bị (đèn hoặc xe
lăn).
1.3 PhmăViăCaăĐăTƠi
Phm vi ca đề tài là tìm hiu tín hiệu EEG và các ng dng dựa trên tín hiệu EEG.
Xây dựng thuật toán ngỡng và huấn luyện mng nơron đ xác định các hot đng
ca mắt. Kim chng kết qu qua các ng dng mô phỏng hoặc điều khin xe lăn
điện.
1.4 PhngăPhápăNghiênăCu
Các phơng pháp nghiên cu đc sử dng trong đề tài:
- Phơng pháp nghiên cu tài liệu: thu thập các tài liệu, bài báo khoa học liên
quan đến lĩnh vực nghiên cu. Nghiên cu lý thuyết đ xây dựng thuật toán
cho đề tài.
- Phơng pháp thực nghiệm: tiến hành đo tín hiệu nưo từ máy Active Two. Ễp
dng các thuật toán đ xử lý tín hiệu đo đc
- So sánh: so sánh kết ca đt đc giữa các phơng pháp.

1. Tổng Quan

3

1.5 NiăDungăCaăLunăVĕn
Ni dung ca luận văn bao gồm 8 chơng:
Chngă1:ăTổng quan
Chơng này trình bày tổng quan về lĩnh vực nghiên cu. Các nhiệm v, phm vi và
phơng pháp nghiên cu đề tài.
Chngă2: Cơ sở lý thuyết
Chơng này trình bày về các cơ sở lý thuyết cần thiết phc v cho nghiên cu trong
đề tài.
Chngă3: Hệ hệ thống giao tiếp máy tính nưo và thu thập dữ liệu EEG
Chơng này trình bày về hệ thống giao tiếp máy tính nưo. Các phơng pháp thu
thập tín hiệu điện nưo và tiến hành thu dữ liệu các thí nghiệm tiến hành trong đề tài
bằng máy Active Two.
Chngă4: Tiền xử lý tín hiệu EEG dùng b lọc Hamming
Chơng này trình bày ng dng ca b lọc Hamming đ loi bỏ các thành phần
nhiu và tín hiệu không mong muốn.
Chngă5:ăTrích đặc tính tín hiệu EEG dựa trên hệ số mô hình AR
Tín hiệu sau khi đc loi bỏ nhiu sẽ đc đa qua mô hình AR (Autoregresion)
đ tìm các hệ số ca mô hình AR, các hệ số này sẽ đc đa vào mng nơron truyền
thẳng nhiều lớp nhận dng các hot đng ca mắt.
Chngă6: Thuật toán ngỡng đ phân biệt các hot đng ca mắt
Chơng này trình bày thuật toán ngỡng đ phân biệt các hot đng ca mắt.
Chngă7: Nhận dng các hot đng ca mắt dùng mng nơron
Mng nơron truyền thẳng nhiều lớp đc sử dng đ nhận dng các hot đng ca
mặt dựa trên các hệ số ca mô hình AR.

1. Tổng Quan

4

Chngă8: Kết luận và hớng phát trin ca đề tài
Chơng này sẽ tóm tắt các kết qu đt đc trong luận văn và hớng phát trin ca
đề tài.
2. Cơ Sở Lý Thuyết

5

Chngă2
CăSăLụ THUYT

Với sự phát trin vt bậc ca công nghệ thu tín hiệu điện nưo nh điện nưo đồ
EEG, cng hởng từ (fMRI), hồng ngoi gần fNIR…các nghiên cu về ng dng
tín hiệu điện nưo ngày càng đa dng và đc quan tâm.
2.1 ngăDngăHăThngăBCIăĐiuăKhinăThităB
Hệ thống BCI sử dng biên đ sóng mu (8 - 12Hz) hoặc beta (18 - 25Hz) đ điều
khin con trỏ máy tính di chuyn trong 2 miền trên màn hình máy tính [3]. Sự di
chuyn ca trỏ chut trong mi miền đc xác định 10 lần/s dựa trên các đặc tính
ca tín hiệu EEG. Dữ liệu đc thu thập offline và sử dng ba phơng pháp khác
nhau đ tăng đ chính xác ca việc di chuyn con trỏ chut. Bằng cách chọn lựa các
đặc tính ca tín hiệu EEG và chuyn đổi chúng thành các lệnh điều khin, tác gi đư
ci tiến đc tốc đ và đ chính xác ca việc di chuyn trỏ chut [15 - 17].
Bệnh nhân có th điều khin cánh tay gi đ giao tiếp với môi trờng bên ngoài
bằng bằng cách tởng tng [4]. Tác gi đư phân tích thời gian thực các thành phần
tín hiệu EEG trong suốt quá trình tởng tng. Mt b phân loi tuyến tính đc sử
dng đ phân biệt trờng hp tởng tng cánh tay di chuyn trái hoặc phi. Đ
chính xác ca việc điều khin này đt 82,5% đến 90%. Kết qu phân loi đc sử
dng đ điều khin cánh tay gi di chuyn.

2.2ăngăDngăThutăToánăNgngăĐăNhnăDngă
Mt hệ thống BCI lai đc sử dng đ điều khin xe lăn dựa trên tín hiệu EEG và
EOG [17]. Trong bài báo này, tác gi đư sử dng thuật toán ngỡng đ xác định các
hot đng ca mắt đ xác định hớng di chuyn ca xe lăn điện. Tín hiệu EOG
đc sử dng đ điều khin các hớng bên trái và bên phi. Và tín hiệu EEG đc
2. Cơ Sở Lý Thuyết

6

sử dng đ đ kim soát hớng tiến, lùi, ngừng. Bằng cách sử dng 2 kênh tín hiệu,
đ chính xác phân loi đt 95%.
Đ phân biệt các hot đng ca tay trái và tay phi [14], tác gi sử dng thuật toán
tìm ngỡng dựa vào đ lệch chuẩn. Giá trị ngỡng đc sử dng bằng giá trị trung
bình cng với 2 lần đ lệch chuẩn. Kết qu phân loi chính xác đt 87%.
2.3ăTríchăĐcăTínhăEEG SăDngăHăSăMô Hình AR VƠăNhnăDngăBằngă
MngăNron
Mng nơron nhiều lớp đc sử dng đ nhận dng ngời. Trong bài nghiên cu
này, tác gi sử dng mô hình AR đ ớc lng tín hiệu EEG. Các hệ số ca mô
hình đc xem nh đặc tính ca tín hiệu EEG. Các hệ số này sẽ đc đa vào mng
nơron đ nhận dng. Kết qu phân loi chính xác đt 80% đến 100%.
Mng nơron đc sử dng đ phân biệt bệnh nhân thành 2 nhóm: bị đng kinh và
không bị đng kinh. Tín hiệu EEG thu đc sẽ đc trích đặc tính bởi các hệ số mô
hình AR. Các hệ số này là ngõ vào mng nơron đ nhận dng. Và kết qu phân loi
chính xác đt 91% [11].
2.4ăLcăNhiuăTínăHiuăEEG
Tín hiệu EEG thu đc cha rất nhiều nhiu, do đó lọc nhiu là bớc quan trọng
trớc khi phân tích tín hiệu. Mt b lọc thông di 0.5 – 30 Hz sử dng kỹ thuật dịch
chuyn trung bình [23] đc sử dng đ loi bỏ đ loi bỏ các thành phần nhiu.
[24] sử dng các b lc thông di Chebyshev 2 đ chia tín hiệu điện nưo thành 9 di
tần số khác nhau [4-8Hz, 9 -12Hz…] đ từ đó tìm ra các đặc tính riêng ca các di

tần này.
B lọc thông di Butterworth bậc 4 đc sử dng [21] đ tách tín hiệu alpha (8 -
25Hz) từ tín hiệu EEG thu đc. [13] sử dng b lọc thông di Hamming đ chia
tín hiệu EEG thành các di tần khác nhau.
3. Hệ Thống Giao Tiếp Máy Tính Nưo Và Thu Thập Dữ Liệu EEG

7

Chngă3

HăTHNGăGIAOăTIPăMỄYăTệNHăNÃOăVÀăTHU
THPăD LIUăEEG

Chơng này trình bày về hệ thống giao tiếp máy tính nưo, các phơng pháp thu tín
hiệu điện nưo và phần cuối trình bày về máy Active Two, thiết bị sử dng đ thu dữ
liệu nưo theo công nghệ EEG và tiến hành thu thập dữ liệu các thí nghiệm thực hiện
trong đề tài.
3.1ăHăThngăGiaoăTipăMáyăTínhăNƣoă
3.1.1ăKháiănim
Hệ thống giao tiếp máy tính nưo BCI (Brain Computer Interface) [20] là hệ thống
chuyn các tín hiệu điện nưo thành các tín hiệu điều khin đ giúp con ngời giao
tiếp với thế giới bên ngoài. Hệ thống BCI đc nghiên cu cho các đối tng sau:
- Những bệnh nhân mất kh năng vận đng do mất tay hoặc chân.
- Những bệnh nhân đt quỵ nưo, chỉ có kh năng kim soát hot đng ca mắt.
- Trẻ em và ngời lớn bị bi nưo, không có kh năng điều khin cơ…
Hình 3.1 trình bày các phần tử và hot đng ca mt hệ thống giao tiếp máy tính
não, các thông tin về hot đng nưo đóng vai trò quan trọng trong hệ thống BCI. Hệ
thống BCI gồm 2 khối quan trọng: thu thập dữ liệu và xử lý dữ liệu. Khâu thu thập
sử dng kỹ thuật thu EEG, fNIR… đ thu các tín hiệu điện nưo. Các tín hiệu này
đc số hóa và chuyn tới khâu xử lý tín hiệu. Khâu này sẽ chuyn đổi các tín hiệu

điện nưo thành lệnh điều khin đ điều khin các thiết bị: xe lăn, đèn, máy lnh…

3. Hệ Thống Giao Tiếp Máy Tính Nưo Và Thu Thập Dữ Liệu EEG

8


Hình 3.1: Hệ thống giao tiếp máy tính nưo [20]
3.1.2 HăThngăBCIăCaăĐăTƠi
Đ xây dựng mt hệ thống BCI sử dng tín hiệu EEG, trong luận văn này sử dng
thuật toán ngỡng và huấn luyện mng đ xác định các hot đng ca mắt. Sau đó
dùng các hot đng này đ điều khin các thiết bị trong nhà hoặc xe lăn điện
- Thuật toán ngỡng: tín hiệu EEG thu thập sẽ đc loi bỏ nhiu bằng b lọc
Hamming. Thuật toán ngỡng sẽ đc áp dng đ phân loi các hot đng
ca mắt (hình 3.2).
3. Hệ Thống Giao Tiếp Máy Tính Nưo Và Thu Thập Dữ Liệu EEG

9

- Dùng mng nơron: b lọc Hamming sẽ đc sử dng đ lọc nhiu. Tín hiệu
sau khi đc lọc nhiu sẽ đc đa qua mô hình AR bậc 2. Các hệ số ca mô
hình AR chính là đặc tính ca tín hiệu EEG. Mng nơron với ngõ vào là các
hệ số ca mô hình AR sẽ xác định các hot đng ca mắt (hình 3.3).

Hình 3.2: Sơ đồ khối xác định các hot đng ca mắt sử dng thuật toán ngỡng
3. Hệ Thống Giao Tiếp Máy Tính Nưo Và Thu Thập Dữ Liệu EEG

10

Hình 3.3: Sơ đồ khối xác định các hot đng ca mắt sử dng mng nơron
3.2 ThuăThpăTínăHiuăĐinăNƣo BằngăCôngăNghăEEG
3.2.1ăCácăPhngăPhápăThu TínăHiuăĐinăNƣo
Hiện nay có nhiều kỹ thuật thu tín hiệu điện nưo. Phần này trình bày 4 kỹ thuật thu
phổ biến: điện nưo đồ (EEG), hồng ngoi gần (fNIRS), cng hởng từ (fMRI) và từ
nưo (MEG). Phơng pháp thu EEG sẽ đc sử dng trong đề tài.
3.2.1.1 ĐoăTínăHiuăDùngăPhngăPhápăĐinăNƣoăĐ
Điện nưo đồ (Electroencephalogram: EEG) [2] là phơng pháp đo sự thay đổi điện
áp từ dòng chy ca các ion trong tế bào nưo ca con ngời. EEG ghi li điện áp tự
sinh ra trong tế bào nưo ca con ngời trong mt khong thời gian ngắn, thờng là
3. Hệ Thống Giao Tiếp Máy Tính Nưo Và Thu Thập Dữ Liệu EEG

11

20 phút đến 40 phút bằng cách đặt các điện cực sát với da đầu ca ngời cần đo.
Hình 3.4 sử dng nón có gắn các điện cực đ thu tín hiệu điện nưo theo phơng
pháp EEG.

Hình 3.4: Đo tín hiệu điện nưo dùng phơng pháp EEG
Tín hiệu EEG lần đầu tiên đc phát hiện bới nhà tâm lý học Hans Berger 1929. K
từ đó thì EEG đc ng dng rng rưi cho ngành y học đ phc v cho việc phát
hiện bệnh đng kinh và nghiên cu về giấc ng…Trong những năm gần đây, kỹ
thuật EEG phát trin là cơ sở đ các nhà khoa học xây dựng hệ thống BCI. Nó làm
cho cuc sống ca ngời ngời tàn tật trở nên d dàng hơn.
Điện áp trên nưo thay đổi đc duy trì là nhờ hàng tỉ nơron trong nưo. Nơron luôn
trao đổi ion với môi trờng ngoi bào. Quá trình trao đổi nh vậy sẽ to ra điện áp.
Khi dng sóng ca các ion đi đến các điện cực đc gắn ở trên đầu thì nó sẽ đẩy
hoặc hút các ion trên kim loi ở các đầu điện cực đó. Khi các ion trên điện cực bị
hút hoặc đẩy thì sẽ to ra sự chênh lệch về điện áp. Quá trình đo sự thay đổi điện áp
đó theo thời gian là EEG.

Phơng pháp EEG cho phép chúng ta xác định đc đặc tính tần số tín hiệu điện
nưo. Tín hiệu EEG đc chia làm 5 loi:
- Delta: có dưi tần số nằm trong khong 0.5 đến 4Hz với biên đ thay đổi bất
định. Dng sóng delta ch yếu xuất hiện trong giấc ng sâu và trong trng
thái thc giấc. Sóng delta xuất hiện ch yếu ti Fp1 và Fp2.
3. Hệ Thống Giao Tiếp Máy Tính Nưo Và Thu Thập Dữ Liệu EEG

12

- Theta: có dưi tần số nằm trong khong 4 đến 7Hz với biên đ cao hơn 20uV.
Sóng theta thờng xuất hiện khi ngời bị căng thẳng, đặc biệt là lúc thất bi
hoặc chán nưn. Sóng theta xuất hiện nhiều ti C
3
, C
4
.
- Alpha: có dưi tần số nằm trong khong 8 đến 13 Hz với biên đ từ 30 đến
50uV. Sóng alpha đc to ra ở trong hai trờng hp là khi ta th giưn hoặc
khi ta hành đng vô thc. Sóng alpha tập trung nhiều ti O
1
và O
2
.
- Beta: có dưi tần số nằm trong khong 13 đến 30Hz với biên đ 5 đến 30uV.
Sóng beta là dng sóng ca tín hiệu điện nưo và thờng liên quan đến các
hot đng suy nghĩ, hot đng gây chú ý. Sóng beta xuất hiện nhiều ở vùng
đỉnh và thùy trán.
- Gamma: sóng gamma có tần số 30Hz trở lên và biên đ điện áp cũng biến
đổi không cố định.
u đim ca phơng pháp EEG:

- Thiết bị nhỏ gọn, vì vậy có th đo đc nhiều nơi khác nhau. Trong khi các
phơng pháp khác nh cng hởng từ, hồng ngoi gần có thiết bị rất to, cồng
kềnh.
- EEG có th đo đc những đối tng đang di chuyn (cng hởng từ bắt
buc đối tng phi cố định cho tới khi đo xong).
- EEG không to ra môi trờng từ trờng cao nên ngời đo cũng nh đối
tng đc đo không làm việc trong môi trờng từ trờng cao (máy fMRI
hot đng với môi trờng từ trờng cao nên có th gây nh hởng đến sc
khỏe con ngời)




3. Hệ Thống Giao Tiếp Máy Tính Nưo Và Thu Thập Dữ Liệu EEG

13

Nhc đim ca phơng pháp EEG:
- Các điện cực gắn trực tiếp lên da đầu đ thu tín hiệu EEG. Bởi vì sự di
chuyn ca da đầu, chất sừng gây ngăn cách giữa điện cực và tín hiệu điện
thực tế, do đó tín hiệu thu đc sẽ cha nhiu.
3.2.1.2 ĐoăTínăHiuăĐinăNƣoăDùngăPhngăPhápăHngăNgoiăGần
Nguyên lý ca phơng pháp đo tín hiệu nưo dùng phơng pháp hồng ngoi gần
(function Near – Infrared Spectroscopy: fNIRS) [2] là đo nồng đ oxy trong máu ở
trên nưo b. Bớc sóng ca sóng hồng ngoi gần (Near – IR) nằm trong khong
780nm – 25000nm.
Việc đo tín hiệu điện nưo đc thực hiện bằng cách đo sự hấp th ca ánh sáng
hồng ngoi gần với bớc sóng nằm trong khong 650 nm đến 950 nm. Do quang
phổ hấp th ca oxy – hemoglobin và deoxy – hemoglobin là khác nhau nên ngời
ta có th đo nồng đ oxy – hemoglobin và deoxy – hemoglobin thông qua việc đo

sự tán x ánh sáng. Phơng pháp fNIRS có nhiều li thế hơn so với những phơng
pháp đo khác nh fMRI và MEG. Mt trong số các li thế đó là có th đo trực tiếp
mt lot các thông số khác nhau nh oxy – hemoglobin, deoxy – hemoglobin và
Hemoglobin tổng hp với đ phân gii về thời gian rất cao. Điều này cho phép
ngời ta nghiên cu các hành vi theo thời gian ca đáp ng huyết đng từ hot ca
neural thần kinh. Tuy nhiên phơng pháp fNIRS có đ phân gii không gian kém,
phơng pháp fNIRS không th đo sâu vào bên trong. Nguyên nhân là ánh sáng bị
tán x mnh khi đi sâu vào các khu vực sâu bên trong nưo.
Phơng pháp fNIRS đc xem là phơng pháp đo tín hiệu nưo không xâm lấn vì
các que đo chỉ gắn ở ngoài da đầu mà không tác đng gì đến nưo b.
3. Hệ Thống Giao Tiếp Máy Tính Nưo Và Thu Thập Dữ Liệu EEG

14


Hình 3.5:ăĐoătínăhiuăđinănƣoădùngăfNIRS
(nguồn:
u đim ca phơng pháp:
- Không phá hy, đo không xâm lấn.
- Gần nh đo lờng đc các giá trị tc thời.
- Có th thu thập đc những dữ liệu liên tc theo thời gian.
- Có th xâm nhập sâu vào mẫu cần đo…
Ngoài ra, phơng pháp fNIR có mt số khuyết đim sau:
- Máy móc thiết bị sử dng cho phơng phấp hồng ngoi gần thì đắt tiền.
- Đ chính xác ca thiết bị gim khi đo các mẫu ẩm ớt.
- Không đc phép đo những mẫu vt ra ngoài tầm kích thớc quy định.
3.2.1.3ăĐoăTínăHiuăNƣoăDùngăPhngăPhápăCngăHngăT
Phơng pháp cng hởng từ (function Magnetic Resonance Imaging: fMRI) [2]
đc dùng đ tìm ra sự thay đổi sự trao đổi chất ở trong nưo hoặc trong lu lng
máu, th tích hoặc oxygen trong đáp ng khi thực hiện mt nhiệm v. Kỹ thuật phổ

biến nhất đc sử dng là tơng phn nồng đ oxygen trong máu, đó là dựa trên cơ
sở đặc tính từ trờng khác nhau ca oxygen (nghịch từ) và deoxygen (thuận từ)
trong máu.
3. Hệ Thống Giao Tiếp Máy Tính Nưo Và Thu Thập Dữ Liệu EEG

15


Hình 3.6: Đo tín hiệu điện nưo bằng phơng pháp fMRI
(nguồn:
Kỹ thuật fMRI sử dng mt nguồn năng lng từ trờng rất lớn, mt chui xung
với tần số sóng radio và mt máy tính đ chp li nh chi tiết các cơ quan trên cơ
th ngời, trong đó có tín hiệu nưo ngời. Trên cơ sở ng dng mối quan hệ giữa
nồng đ oxy và bn đồ hot đng ca nưo mà fMRI đư đc chọn đ làm công c
phân tích hot đng ca neural trong nưo ngời. fMRI đư đc ng dng rất nhiều
cho việc nghiên cu những chc năng ca nưo bao gồm có việc nhìn, hot đng,
ngôn ngữ và nhận thc.
3.2.1.4ăĐoăTínăHiuăNƣoăSăDngăPhngăPhápăTăNƣo
Từ nưo (Magnetoencephalography: MEG) [2] là mt kỹ thuật lập bn đồ hot đng
ca nưo bằng cách ghi li từ trờng bên ngoài nưo to bởi dòng điện xy ra tự nhiên
trong nưo. Đây là dòng điện do các ion chy trong các tế bào thần kinh khi nưo hot
đng gây ra. Do dòng điện này nhỏ, nên từ trờng sinh ra cũng nhỏ. Do đó phi sử
dng các màng ca thiết bị giao thoa lng tử siêu dẫn.
Đây là phơng pháp đo trực tiếp những tín hiệu ở nưo hot đng phát ra và hoàn
toàn không làm tổn hi đến nưo. Phơng pháp MEG rất hữu hiệu đ nghiên cu các
bệnh đng kinh, phát hiện vùng ung th trên nưo, vùng nưo không hot đng.