thuật toán tìm ngƣỡng xác định các hoạt động của mắt dựa vào tín hiệu eeg
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (3.93 MB, 78 trang )
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
9
6
5
1
9
3
NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270
S KC 0 0 3 7 4 5
Tp. Hồ Chí Minh, 2012
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
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:
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
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
2
9/2012
Detection Of Human Eye Activities
Using EEG Technique
Trường ĐH Sư Phạm
Kỹ Thuật TP.HCM
Tp. Hồ Chí Minh, ngày 10 tháng 10 năm 2012
Người khai ký tên
Nguyễn Văn Trung
ii
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
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
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
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
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
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
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
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
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
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
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
.............................................................................................................................. 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
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
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
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
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
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
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
2. Cơ Sở Lý Thuyết
sử dụng để để kiểm soát hướng tiến, lùi, ngừng. Bằng cách sử dụng 2 kênh tín hiệu,
độ chính xác phân loại đạt 95%.
Để phân biệt các hoạt động của tay trái và tay phải [14], tác giả sử dụng thuật toán
tìm ngưỡng dựa vào độ lệch chuẩn. Giá trị ngưỡng được sử dụng bằng giá trị trung
bình cộng với 2 lần độ lệch chuẩn. Kết quả phân loại chính xác đạt 87%.
2.3 Trích Đặc Tính EEG Sử Dụng Hệ Số Mô Hình AR Và Nhận Dạng Bằng
Mạng Nơron
Mạng nơron nhiều lớp được sử dụng để nhận dạng người. Trong bài nghiên cứu
này, tác giả sử dụng mô hình AR để ước lượng tín hiệu EEG. Các hệ số của mô
hình được xem như đặc tính của tín hiệu EEG. Các hệ số này sẽ được đưa vào mạng
nơron để nhận dạng. Kết quả phân loại chính xác đạt 80% đến 100%.
Mạng nơron được sử dụng để phân biệt bệnh nhân thành 2 nhóm: bị động kinh và
không bị động kinh. Tín hiệu EEG thu được sẽ được trích đặc tính bởi các hệ số mô
hình AR. Các hệ số này là ngõ vào mạng nơron để nhận dạng. Và kết quả phân loại
chính xác đạt 91% [11].
2.4 Lọc Nhiễu Tín Hiệu EEG
Tín hiệu EEG thu được chứa rất nhiều nhiễu, do đó lọc nhiễu là bước quan trọng
trước khi phân tích tín hiệu. Một bộ lọc thông dải 0.5 – 30 Hz sử dụng kỹ thuật dịch
chuyển trung bình [23] được sử dụng để loại bỏ để loại bỏ các thành phần nhiễu.
[24] sử dụng các bộ lộc thông dải Chebyshev 2 để chia tín hiệu điện não thành 9 dải
tần số khác nhau [4-8Hz, 9 -12Hz…] để từ đó tìm ra các đặc tính riêng của các dải
tần này.
Bộ lọc thông dải Butterworth bậc 4 được sử dụng [21] để tách tín hiệu alpha (8 25Hz) từ tín hiệu EEG thu được. [13] sử dụng bộ lọc thông dải Hamming để chia
tín hiệu EEG thành các dải tần khác nhau.
6
3. Hệ Thống Giao Tiếp Máy Tính Não Và Thu Thập Dữ Liệu EEG
Chƣơng 3
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 tín
hiệu điện não và phần cuối trình bày về máy Active Two, thiết bị sử dụng để thu dữ
liệu não theo công nghệ EEG và tiến hành thu thập dữ liệu các thí nghiệm thực hiện
trong đề tài.
3.1 Hệ Thống Giao Tiếp Máy Tính Não
3.1.1 Khái niệm
Hệ thống giao tiếp máy tính não BCI (Brain Computer Interface) [20] là hệ thống
chuyển các tín hiệu điện não thành các tín hiệu điều khiển để giúp con người giao
tiếp với thế giới bên ngoài. Hệ thống BCI được nghiên cứu cho các đối tượng sau:
-
Những bệnh nhân mất khả năng vận động do mất tay hoặc chân.
-
Những bệnh nhân đột quỵ não, chỉ có khả năng kiểm soát hoạt động của mắt.
-
Trẻ em và người lớn bị bại não, không có khả năng điều khiển cơ…
Hình 3.1 trình bày các phần tử và hoạt động của một hệ thống giao tiếp máy tính
não, các thông tin về hoạt động não 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 dụng kỹ thuật thu EEG, fNIR… để thu các tín hiệu điện não. Các tín hiệu này
được số hóa và chuyển tới khâu xử lý tín hiệu. Khâu này sẽ chuyển đổi các tín hiệu
điện não thành lệnh điều khiển để điều khiển các thiết bị: xe lăn, đèn, máy lạnh…
7
3. Hệ Thống Giao Tiếp Máy Tính Não Và Thu Thập Dữ Liệu EEG
Hình 3.1: Hệ thống giao tiếp máy tính não [20]
3.1.2 Hệ Thống BCI Của Đề Tài
Để xây dựng một hệ thống BCI sử dụng tín hiệu EEG, trong luận văn này sử dụng
thuật toán ngưỡng và huấn luyện mạng để xác định các hoạt động của mắt. Sau đó
dùng các hoạt động này để điều khiển các thiết bị trong nhà hoặc xe lăn điện
-
Thuật toán ngưỡng: tín hiệu EEG thu thập sẽ được loại bỏ nhiễu bằng bộ lọc
Hamming. Thuật toán ngưỡng sẽ được áp dụng để phân loại các hoạt động
của mắt (hình 3.2).
8
3. Hệ Thống Giao Tiếp Máy Tính Não Và Thu Thập Dữ Liệu EEG
-
Dùng mạng nơron: bộ lọc Hamming sẽ được sử dụng để lọc nhiễu. Tín hiệu
sau khi được lọc nhiễu sẽ được đưa qua mô hình AR bậc 2. Các hệ số của mô
hình AR chính là đặc tính của tín hiệu EEG. Mạng nơron với ngõ vào là các
hệ số của mô hình AR sẽ xác định các hoạt động của mắt (hình 3.3).
Hình 3.2: Sơ đồ khối xác định các hoạt động của mắt sử dụng thuật toán ngưỡng
9
