ĐIỀU KHIỂN THIẾT bị BẰNG tín HIỆU SÓNG não

Báo cáo toàn văn Kỷ yếu hội nghị khoa học lần IX Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM

II-O-1.18
ĐIỀU KHIỂN THIẾT BỊ BẰNG TÍN HIỆU SÓNG NÃO
Đặng Toàn Khoa, Huỳnh Văn Tuấn
Khoa Vật lý - Vật lý Kỹ thuật, Trường ĐH KHTN, ĐHQG-HCM
Email:
TÓM TẮT
Điện não đồ (Electroencephalography - EEG) đã được các nhà khoa học nghiên cứu 80 năm
trước đây, lĩnh vực ứng dụng điện não đồ thường nằm trong phạm vi y học. Ngày nay, công nghệ giao
tiếp não người - máy tính (Brain Computer Interface - BCI) ngày càng phát triển rộng rãi hơn và được
quan tâm nhiều hơn. Trong bài báo này, chúng tôi nghiên cứu việc ứng dụng thiết bị thu thập sóng
não để nhận dạng được đặc trưng của tín hiệu chớp mắt bằng phương pháp nhận dạng tĩnh bằng
mạng nơ-ron nhân tạo, và phương pháp nhận dạng động bằng ngưỡng tín hiệu. Sau khi nhận dạng tín
hiệu chớp mắt, chúng tôi xây dựng hệ thống điều khiển thiết bị thông qua tín hiệu chớp mắt. Kết quả
bài báo mở ra thêm nhiều hướng nghiên cứu về tín hiệu sóng não.
Từ khóa: EEG, BCI, mạng nơ ron nhân tạo, giao tiếp não – máy
GIỚI THIỆU
Giao tiếp não người và máy tính (BCI) là một hướng nghiên cứu thách thức và quan trọng trong lĩnh vực
nghiên cứu tự động hóa giao tiếp người – máy (Human Computer Interface - HCI), phương pháp tìm hiểu về ý
nghĩ và hành động.
Mục đích của BCI cung cấp phương pháp cho phép con người giao tiếp với thế giới bên ngoài mà không
cần bất cứ tương tác vật lý nào (chạm, cầm, nắm, di chuyển,…). Trong hệ thống BCI, người sử dụng ra lệnh điều
khiển không thông qua những những tín hiệu của não bộ. Vì vậy, hệ thống BCI sử dụng những tín hiệu điện não
từ các tế bào nơ-ron, và những tín hiệu này được chuyển thành những tín hiệu điều khiển thiết bị ngoại vi mà
chúng ta mong muốn. Các lĩnh vực chính của hệ thống BCI thường được chia ra thành 4 loại [10]:
- Ứng dụng kỹ thuật sinh học: những thiết bị điều khiển hoạt động của con người, đem lại niềm hi vọng
cho những bệnh nhân bại liệt.
- Quan sát hành vi vô thức con người: lĩnh vực này chủ yếu nghiên cứu những hoạt động sâu của não,
thường nghiên cứu khi người đã ngủ sâu, để tìm ra được những hoạt động vốn có của não chi phối cơ
thể, hoặc nghiên cứu về những trạng thái tâm thần học.

- Ứng dụng thần kinh học: sử dụng phương pháp thời gian thực cho phép quan sát tín hiệu thần kinh được
ghi lại với hành động tương ứng.
- Ứng dụng tương tác giữa người và máy: cung cấp phương thức tương tác giữa người và máy hoặc máy
tính.
Tín hiệu
đầu vào

Xử lý tín
hiệu

Tìm đặc
trưng tín
hiệu

Tương tác
máy

Hình 1. Quá trình giao tiếp não - máy.
Việc kết hợp EEG và BCI đã đem lại những ứng dụng phục vụ tốt hơn cho cuộc sống con người. Công
nghệ BCI và các thiết bị thu thập sóng não ngày càng phát triển, đặc biệt là các hệ thống thu thập sóng não di
động xuất hiện ngày càng phổ biến trên thị trường tiêu dùng. Trong bài báo này, chúng tôi nghiên cứu về tín hiệu
sóng não, cụ thể là nhận dạng các đặc trưng của tín hiệu chớp mắt sử dụng các thuật toán tĩnh và động, để từ đó
ứng dụng vào điều khiển thiết bị. Sơ đồ quá trình tương tác giữa người và máy như ở hình 1.
MÔ HÌNH HỆ THỐNG
Mô hình tổng quan
Trong bài này, chúng tôi đưa ra mô hình tổng quan gồm 4 bước để giải quyết bài toán. Mô hình tổng quan
tương tác giữa người và máy như hình 2.
a) Tín hiệu đầu vào: bao gồm thiết bị thu thập tín hiệu sóng não kết nối với máy tính, tín hiệu sóng não
được thu thập theo chu kỳ.
b) Xử lý tín hiệu: sau khi thu thập sóng não, tín hiệu được đưa vào các thuật toán xử lý tín hiệu, từ đây

chúng tôi xử lý ra những tín hiệu đặc trưng và lưu vào hệ cơ sở dữ liệu.
ISBN: 978-604-82-1375-6

76


Báo cáo toàn văn Kỷ yếu hội nghị khoa học lần IX Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM
Tìm đặc trưng tín hiệu: tín hiệu sau khi được rút trích đặc trưng và tổng hợp được từ nhiều nguồn,
chúng tôi sẽ tiến hành quá trình nhận dạng tín hiệu, ở bài báo này là tín hiệu chớp mắt.
d) Tương tác máy: thông qua tín hiệu đã nhận dạng được, chúng tôi ứng dụng vào việc điều khiển thiết bị
thông qua một server UDP và bo mạch Arduino.
c)

Thu thập sóng não
(DAQ)

Phân tích EEG

Nhận diện đặc trưng tín hiệu

Hiển thị kết quả
&
Điều khiển thiết bị

Hình 2. Mô hình tổng quan.
Mô hình nhận dạng đặc trưng tín hiệu
Thuật toán phân tích miền tần số
Một trong những cách chuyển tín hiệu từ miền thời gian sang miền tần số là sử dụng phép biến đổi Fourier
trong đó phổ biến nhất là phép biến đổi Fourier rời rạc với phương trình như sau [6]:
𝑁−1

𝑛

𝐹𝑘 = ∑ 𝑓𝑛 𝑒 −𝑖2𝑘𝜋𝑁 (𝑘 = 0, 1, … , 𝑁 − 1)

(1)

𝑛=0

Với bộ kết quả F là một bộ các số phức, tương đương giá trị của các tần số trong khoảng 0 đến ½ tần số lấy
mẫu fs (tần số Nyquist). Từ đây, năng lượng của tần số được tính theo:

𝑃𝐹𝑘 =

𝐹𝑘 ∗ 𝐹′𝑘
𝑁

(2)

Từ năng lượng tần số này, chúng tôi có thể tính tiếp được giá trịnh năng lượng trung bình của các khoảng
băng tần đặc trưng sóng não Đen – ta , Tê – ta,…,Ga – ma.
Lọc đỉnh và đáy sóng
Một trong những đặc trưng của tín hiệu chớp mắt là đỉnh và đáy của quá trình sinh ra điện thế sự kiện, tạo
ra đỉnh cao và đáy thấp bất thường. Sử dụng tính chất này, chúng tôi lọc ra đỉnh cao nhất và đáy thấp nhất của bộ
mẫu.

Bộ mẫu

Lọc đỉnh
nhiễu

Tìm và
trả ra
đỉnh, đáy

Hình 3. Sơ đồ tiền xử lý trước khi tìm đỉnh và đáy sóng.
Tuy nhiên, việc cử động cơ thể có thể gây ra các đỉnh nhiễu có giá trị cao hơn nhiều so với tín hiệu thật. Vì
vậy, nếu chỉ sử dụng thuật toán tìm đỉnh và đáy thông thường sẽ dễ bị sai bởi những đỉnh nhiễu này. Vì thế,
trước tiên chúng tôi tìm ra những ngưỡng giá trị đỉnh phù hợp của tín hiệu chớp mắt, nếu giá trị biên độ vượt qua
ngưỡng này thì đây là tín hiệu nhiễu và chúng tôi lọc bỏ tín hiệu nhiễu này.

ISBN: 978-604-82-1375-6

77


Báo cáo toàn văn Kỷ yếu hội nghị khoa học lần IX Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM
Thu thập và xử lý số liệu
Để trả ra được bộ các dải tần số theo dạng mẫu sóng não, chúng tôi chọn tần số lấy mẫu fs = 100Hz (tương
ứng 10ms). Với tần số này, vùng tần số có thể trả ra giá trị theo thuật toán biến đổi Fourier nhanh nằm trong
khoảng 0 – 50 Hz (ứng với tần số cận trên của khoảng Nyquist). Chúng tôi cài đặt thông số bộ định thời TDAQ có
chu kỳ lấy mẫu 10 ms, và tạo cờ ngắt khi số lượng mẫu trong danh sách tràn qua 128 mẫu. Lưu đồ thuật toán xử
lý EEG như hình 4.
Cài đặt thông
số bộ định
thời TDAQ

Cài đặt số
lượng mẫu

Quá trình
kết thúc

Phân tích FFT

Đúng

Tính ra 5
khoảng băng
tần

Bộ mẫu

Lưu kết quả

Sai

Lọc bỏ đỉnh,
đáy nhiễu

Lấy mẫu

Lấy đỉnh, đáy
thật

Hình 4. Lưu đồ thuật toán xử lý EEG.
Huấn luyện nhận dạng đặc trưng tín hiệu chớp mắt – Hệ thống tĩnh
Với hệ thống tĩnh, để nhận dạng đặc trưng tín hiệu chớp mắt chúng tôi lựa chọn phương pháp huấn luyện
mạng nơ-ron nhân tạo đa lớp. Một trong những dạng mạng nơ-ron đa lớp phổ biến là mạng nơ-ron truyền thẳng.
Trong mạng nơ-ron truyền thẳng, ngoài lớp giá trị đầu vào X (Input) và lớp giá trị đầu ra Y cuối cùng (Output),

chúng ta còn có những lớp Yi giữa bao gồm các nơ-ron nhân tạo được nối với nhau và chuyển giá trị qua những
hàm truyền, kết quả của lớp Yi chính là giá trị đầu vào của lớp Yi+1, giữa mỗi lớp có những bộ trọng số Wi được
khởi tạo ngẫu nhiên đi kèm. Lưu đồ mô tả quá trình huấn luyện mạng nơ-ron nhân tạo như hình 5.

Bộ giá trị đầu ra Y
mong muốn

Bộ giá trị đầu
vào

Mạng nơ ron
nhân tạo

Bộ giá trị đầu
ra của mạng
nơ ron

Hiệu chỉnh trọng
số thông qua sai
số

Sai

-

Giá trị chênh lệch cho
phép

Đúng

Kết thúc quá trình

Hình 5. Lưu đồ mô tả quá trình huấn luyện mạng nơ-ron nhân tạo.

ISBN: 978-604-82-1375-6

78


Báo cáo toàn văn Kỷ yếu hội nghị khoa học lần IX Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM

Hình 6. Đồ thị biểu diễn sai số MSE phụ thuộc số lượng lớp ẩn.
Khảo sát và lựa chọn các thông số huấn luyện mạng nơ-ron nhân tạo
Chúng tôi lần lượt khảo sát các thông số ảnh hưởng tới việc huấn luyện mạng nơ-ron bao gồm số lượng lớp
ẩn, số lượng nơ-ron của lớp ẩn và tốc độ học η.
*Khảo sát số lượng lớp ẩn:
Hình 6 biểu diễn sai số bình phương trung bình MSE (Mean Square Error) phụ thuộc số lượng lớp ẩnQuan
sát hình 6, đường đồ thị từ màu xanh đến màu tím lần lượt là đồ thị của mạng nơ-ron nhân tạo có 1 lớp ẩn đến 5
lớp ẩn, chúng tôi nhận thấy đồ thị sai số MSE hội tụ về 0 nhanh nhất ở mạng nơ-ron có 1 lớp ẩn.
*Khảo sát số lượng nơ-ron của lớp ẩn:
Chúng tôi tiến hành khảo sát sự phụ thuộc của sai số MSE vào số lượng nơ-ron của lớp ẩn (số lớp ẩn là 1).
Dựa vào đồ thị sai số MSE hội tụ ở hình 7a, chúng tôi nhận thấy sai số MSE đạt hội tụ trong khoảng 100 mẫu
đầu tiên. Đây là dạng đồ thị lý tưởng để huấn luyện mạng nơ-ron, dạng đồ thị này xuất hiện ở bộ mẫu khảo sát từ
1 đến 500 nơ-ron.

a)

b)

c)

d)

Hình 7. a) Đồ thị sai số MSE hội tụ; b) Đồ thị sai số MSE phụ thuộc số lượng nơ-ron lớp ẩn; c) Đồ thị
số lần lặp tối thiểu phụ thuộc số lượng nơ-ron lớp ẩn; d) Đồ thị tổng thời gian huấn luyện phụ thuộc số
lượng nơ-ron lớp ẩn.
ISBN: 978-604-82-1375-6

79


Báo cáo toàn văn Kỷ yếu hội nghị khoa học lần IX Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM
Sau khi khảo sát, chúng tôi được các bộ kết quả phụ thuộc vào số lượng nơ ron của lớp ẩn như như hình
7b, hình 7c và hình 7d. Hình 7b thể hiện sai số MSE phụ thuộc vào số lượng nơ-ron của lớp ẩn, đồ thị là một
đường cung lõm, chúng tôi thấy sai số đạt giá trị nhỏ nhất khi số lượng nơ-ron nằm trong khoảng 225 đến 325.
Hình 7c thể hiện số lần lặp tối thiểu theo số lượng nơ-ron của lớp ẩn, chúng tôi nhận thấy số lần lặp đạt tối thiểu
ứng với số lượng nơ-ron của lớp ẩn nằm trong khoảng 200 đến 225 nơ-ron. Hình 7d thể hiện tổng thời gian huấn
luyện mạng nơ-ron với 5000 lần lặp (phụ thuộc vào số lượng nơ-ron của lớp ẩn), chúng tôi nhận thấy giá trị thời
gian tăng tuyến tính theo số lượng nơ-ron, và đạt tới mức tối đa 12000 mili giây (khảo sát với CPU core 2 dual).
Kết luận: với mức độ sai số MSE, số lần lặp tối thiểu cũng như tổng thời gian huấn luyện, chúng tôi quyết
định chọn số lượng nơ-ron của lớp ẩn là 225 nơ-ron.
*Khảo sát tốc độ học η:
Tốc độ học η là một phần của mạng nơ-ron lan truyền ngược, tốc độ học có ảnh hưởng đến giá trị đầu ra
cũng như thời gian hội tụ của mạng. Với hai bộ thông số vừa tìm được ở trên, chúng tôi tiếp tục xác định thông
số tốc độ học η. Tiếp tục khảo sát lại mạng nơ-ron với 2000 vòng lặp, 1 lớp ẩn và 225 nơ-ron.
Hình 8 thể hiện sai số MSE của mạng nơ-ron theo các tốc độ học khác nhau (0.25; 0.1; 0.01), chúng tôi
nhận thấy với tốc độ học 0.1 thì sai số MSE hội tụ nhanh và đạt ổn định.

Hình 8. Sai số MSE phụ thuộc tốc độ học.
Huấn luyện nhận dạng đặc trưng tín hiệu chớp mắt – Hệ thống thời gian thực

Qua nhiều lần thử nghiệm, chúng tôi nhận thấy rằng việc phát sinh tín hiệu chớp mắt đều có quy luật chung
dựa vào ngưỡng giá trị của biên độ tín hiệu. Chúng tôi xây dựng một hệ thống nhận dạng tín hiệu chớp mắt dựa
vào ngưỡng giá trị của tín hiệu. Để biết được ngưỡng giá trị của tín hiệu, chúng tôi cần thu thập được số lượng
lớn mẫu tín hiệu để nắm bắt được quy luật của tín hiệu sóng não được đo từ thiết bị MindWave. Giá trị tín hiệu
thường diễn ra ở phạm vi ± 2000 đơn vị, nếu tín hiệu vượt phạm vi trên là do nhiễu hoặc việc thu nhận tín hiệu
bị sai. Chính vì thế, chúng tôi hiệu chuẩn lại giá trị tín hiệu bằng việc chia tỉ lệ cho 2000, sau đó tính phần trăm.
Từ đó chúng tôi quan sát được ngưỡng giá trị trung bình của tín hiệu, chúng tôi biết được ở trạng thái bình
thường giá trị này đạt được bao nhiêu phần trăm biên độ tiêu chuẩn.

ISBN: 978-604-82-1375-6

80


Báo cáo toàn văn Kỷ yếu hội nghị khoa học lần IX Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM
Quan sát hình 9, chúng tôi thấy được trạng thái biên độ phổ biến nằm trong khoảng 5% đến 15% cho tín
hiệu dương, và 5% - 6% cho tín hiệu âm, nếu vượt ra khỏi ngưỡng này, dạng tín hiệu sẽ được xem là tín hiệu
chớp mắt.

Hình 9. Tín hiệu sóng não sau khi được hiệu chuẩn tỉ lệ.
Kết luận: chúng tôi sử dụng ngưỡng 15% cho mức biên độ dương và 6% cho mức biên độ âm làm ngưỡng
tiêu chuẩn để nhận dạng tín hiệu chớp mắt.
Mô hình điều khiển thiết bị
Để thực hiện xây dựng hệ thống điều khiển BCI, chúng tôi cần hệ thống nhỏ gọn và tương thích. Việc giao
tiếp thiết bị điều khiển với máy tính bằng cổng COM ngày nay vẫn phổ biến, nhưng có một điểm bất tiện là phải
cắm thiết bị điều khiển trực tiếp với máy tính và phải thông qua một sợi cáp.
Với độ nhỏ gọn và tính mở rộng cao như Arduino, chúng tôi có thể dễ dàng tích hợp mở rộng một thiết bị
giao tiếp Ethernet ngay trên bo mạch điều khiển này. Điều này giúp chúng tôi dễ dàng giao tiếp ra lệnh cho thiết
bị thông qua hệ thống mạng (có dây hoặc không dây) hiện rất phổ biến và thuận tiện cho việc phát triển hệ
thống.

Tín hiệu
được nhận
diện

Máy tính
gửi lệnh

Lắng nghe dữ liệu tới
Máy chủ
UDP

Arduino

Giải Frame
lệnh gửi

Kích hoạt các khối
đóng - ngắt

Hình 10. Mô hình điều khiển thiết bị bằng tín hiệu đã nhận dạng thông qua máy chủ UDP.
Khi tín hiệu chớp mắt được nhận dạng, thông tin này sẽ được máy tính cập nhật và gửi đi một gói tin điều
khiển đến Arduino. Để làm được điều này, chúng tôi cần hệ thống máy chủ lắng nghe thông qua các giao thức
mạng. Hiện có hai giao thức phổ biến nhất là UDP và TCP. UDP và TCP đều lắng nghe gói tin dữ liệu được gửi
tới. Điều khác biệt có thể thấy TCP còn lắng nghe thêm yêu cầu kết nối tới, khi kết nối thành công mới bắt đầu
lắng nghe dữ liệu được gửi tới.
Arduino là một hệ thống vi điều khiển nhỏ, nên hạn chế tối đa các công đoạn chờ đợi thông tin. Thế
nên, chúng tôi quyết định xây dựng một hệ thống máy chủ theo giao thức UDP, chỉ cần lắng nghe dữ liệu tới, các
máy tính cần chắc chắn địa chỉ của máy chủ cần gửi tới.
Máy chủ UDP ở đây chính là bo mạch Shield Ethernet, luôn lắng nghe gói tin Frame được gửi từ máy
tính. Gói tin Frame thực chất là một mảng các byte được gửi đi. Ở đây, chúng tôi tạo ra một mảng gói tin 2 byte

có cấu trúc như sau:

ISBN: 978-604-82-1375-6

81


Báo cáo toàn văn Kỷ yếu hội nghị khoa học lần IX Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM
[Địa chỉ thiết bị cần điều khiển] [Trạng thái]
Byte đầu tiên của gói tin là địa chỉ thiết bị chúng tôi muốn kích hoạt thông qua khối đóng ngắt. Byte tiếp
theo là trạng thái kích hoạt. Trạng thái kích hoạt có 1 trong 2 giá trí 1 (ON), 0 (OFF). Với mô hình này, sau khối
đóng ngắt chúng tôi có thể mở rộng ra với các khối điều khiển và các khối thiết bị khác, tùy theo nhu cầu điều
khiển.
Ngoài ra, với mô hình này chúng tôi có thể kết nối tới các thiết bị mà không cần hệ thống dây phức tạp, vì
hiện nay công nghệ mạng không dây đã phát triển mạnh và dần thay thế các hệ thống có dây khác.
KẾT QUẢ
Bảng 1. Bộ kết quả trạng thái chớp mắt
Biên độ
đỉnh
0.58
1.00
0.68
0.47
0.85
0.82
0.51
0.73
0.61
0.80

Biên độ
đáy
0.60
0.86
1.00
0.92
0.91
0.65
0.68
0.69
0.74
0.83

Kết quả
mong muốn
1
1
1
1
1
1
1
1
1
1

Kết quả
thực
0.9857
0.9979

0.9970
0.9898
0.9974
0.9909
0.9611
0.9889
0.9900
0.9960

Bảng 2. Bộ kết quả trạng thái bình thường
Biên độ
đỉnh
0.24
0.22
0.27
0.26
0.25
0.24
0.19
0.24
0.26
0.22

Biên độ
đáy
0.17
0.21
0.25
0.29
0.19

0.15
0.18
0.31
0.21
0.18

Kết quả
mong muốn
0
0
0
0
0
0
0
0
0
0

Kết quả
thực
0.0048
0.0068
0.0201
0.0289
0.0069
0.0039
0.0037
0.0345
0.0105

0.0050

Kết quả huấn luyện mạng nơ-ron nhân tạo
Sau khi xác định được mô hình, thuật toán, cấu trúc cũng như các thông số của mạng nơ-ron, chúng tôi bắt
đầu huấn luyện mạng nơ-ron với các thông số đầy đủ như sau:
- Cấu trúc: 1 lớp vào, 1 lớp ẩn, 1 lớp ra.
- Số lượng nơ-ron lớp ẩn: 225 nơ-ron.
- Hàm truyền giữa các lớp: hàm sigmoid.
- Tốc độ học η: 0.1
- Số lần học tối đa: 2000 lần
Sau quá trình huấn luyện, các kết quả được trình bày trong bảng 1 và bảng 2, giá trị sai số MSE đạt 2x10-4.
Kết luận: với các bảng kết quả trên, chúng tôi thấy mạng nơ-ron đã được huấn luyện và đã hoạt động, trả
ra những giá trị mong muốn với dự kiến ban đầu.
Kết quả nhận dạng tín hiệu thời gian thực

Tín hiệu gốc

Ô trạng thái

Tín hiệu hiệu chuẩn

Hình 11. Đồ thị nhận dạng chớp mắt thời gian thực
Mô hình nhận dạng tín hiệu sử dụng ngưỡng đem lại hiệu quả trong hệ thống thời gian thực. Hầu hết các
trạng thái chớp mắt trong thời gian thực đều được nhận dạng. Tuy nhiên, còn một số trường hợp tín hiệu chớp
mắt có xuất hiện nhưng có biên độ quá yếu nên bị lọc đi mất. Thế nhưng những trạng thái như thế hầu như rất ít,
và tỉ lệ kết quả nhận dạng của hệ thống thời gian thực có thể chấp nhận được.

ISBN: 978-604-82-1375-6

82

Báo cáo toàn văn Kỷ yếu hội nghị khoa học lần IX Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM
Hình 11 là ảnh chụp từ hệ thống nhận dạng tín hiệu chớp mắt thời gian thực, đồ thị phía trên (đồ thị màu
xanh) biểu diễn tín hiệu sóng não gốc, đồ thị bên dưới (màu đỏ) biểu diễn tín hiệu đã được hiệu chuẩn lại, những
giá trị nào dưới ngưỡng sẽ xem như là 0. Khi xuất hiện tín hiệu chớp mắt, ô trạng thái sẽ được cập nhật thông
báo “Đã chớp mắt”.
KẾT LUẬN
Hệ thống BCI và công nghệ điện não đồ ngày trở nên phổ biến. Chúng tôi đã đưa ra các phương pháp nhận
dạng tín hiệu sóng não, cụ thể là tín hiệu chớp mắt. Bằng phương pháp mạng nơ ron nhân tạo và phương pháp
ngưỡng giá trị, kết quả nhận dạng tín hiệu chớp mắt được thu thập từ sóng não hoàn toàn có thể áp dụng trong
việc nhận dạng đặc trưng của tín hiệu và ứng dụng trong điều khiển thiết bị. Hệ thống nhận nhiện có thể mở rộng
thêm nhiều khả năng nhận dạng các hành vi khác của con người như cử động vùng đầu, cử động các chi cơ
thể,… Cùng với sự phát triển của hệ thống đo đạc sóng não di động ngày càng tinh gọn hơn, việc nhận dạng các
hoạt động của con người qua tín hiệu sóng não để áp dụng trong điều khiển có thể phát triển dễ dàng hơn, đem
lại nhiều lợi ích cho người dùng, nhất là những người dùng bị khiếm khuyết chức năng như bệnh nhân bại liệt.

USING BRAINWAVE IN CONTROLLING DEVICES
ABSTRACT
Electroencephalography (EEG) have researched for more than 80 years, but it is just researched
in a narrow field of medicine. Nowadays, Brain Computer Interface (BCI) technology is more available
and more concerned by many scientists. With BCI and EEG, we have many applications serving for
human life easier. On another side, BCI and EEG equipment is cheaper and lighter, especially this is
the mobile EEG equipment. So that, brainwave researching and BCI system developing is more
popular and have many researched fields. We researched and applied how to use mobile EEG
equipment for recognizing classification of eyes blink, after that, developed a hardware system for
controlling devices.
TÀI LIỆU THAM KHẢO
[1] Nguyễn Hữu Công, “Các Điện Thế Gợi (Evoked Potentials - Ep) Và Ý Nghĩa Lâm Sàng”, Tham Khảo
Thần Kinh Học, Đại học Y Dược, Tp.HCM

[2] Nguyễn Đình Thúc (2001), “Trí Tuệ Nhân Tạo Mạng Nơron”, NXB Giáo Dục.
[3] Nguyễn Thanh Thủy (2007), “Trí Tuệ Nhân Tạo – Các Phương Pháp Giải Quyết Vấn Đề Và Kỹ Thuật Xử
Lý Tri Thức”, NXB Khoa học và Kỹ Thuật.
[4] Bùi Xuân Toại, Trương Gia Việt (2000), “Trí Tuệ Nhân Tạo – Các Cấu Trúc & Chiến Lược Giải Quyết
Vấn Đề”, NXB Thống Kê.
[5] Nguyễn Hữu Phương (2003), “Xử lý tín hiệu số”, NXB Thống Kê.
[6] Đặng Văn Liệt (2006), “Vật Lý Tính Toán”, NXB Đại học quốc gia Tp. HCM.
[7] Ngô Trọng Nhân (2010), “Xây Dựng Hệ Thống Nhận Dạng Tiếng Nói Bằng Mạng Nơ – Ron Nhân Tạo”,
Bộ Môn Vật Lý Tin Học, Đại Học Khoa Học Tự Nhiên Tp.HCM.
[8] Vũ Thị Loan, Huỳnh Văn Tuấn (2013), “Khử Tiếng Vọng Âm Học Sử Dụng Mạng Nơron”, Bộ Môn Vật Lý
Tin Học, Đại Học Khoa Học Tự Nhiên Tp.HCM.
[9] Saeid Sanei and J.A. Chambers (2007), EEG Signal Processing, John Wiley & Son, Inc, New York, USA.
[10] Erik Andreas Larsen (2011), Classification of EEG Signals in a Brain Computer Interface System,
Department of Computer and Information Science, Norwegian University of Science and Technology.
[11] Stuart J. Johnstone (2012), EEG From A Single-Channel Dry-Sensor Recording Device, University of
Wollongong.
[12] Mark Zhou (2011) , The Asynchronous Programming Models, USA, MSDN.

ISBN: 978-604-82-1375-6

83