Mạng neural trong hệ thống điều khiển xe lăn cho người tàn tật nặng sử dụng điện não (eeg) và camer

BỘ GIÁO DỤC VÀ ĐÀO TẠO

BỘ GIAO THÔNG VẬN TẢI

TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI
TP. HỒ CHÍ MINH

LÂM QUANG CHUYÊN

MẠNG NEURAL TRONG HỆ THỐNG ĐIỀU
KHIỂN XE LĂN CHO NGƯỜI TÀN TẬT NẶNG SỬ
DỤNG ĐIỆN NÃO (EEG) VÀ CAMERA

LUẬN ÁN TIẾN SĨ KỸ THUẬT

TP. HỒ CHÍ MINH – 3/2020


BỘ GIÁO DỤC VÀ ĐÀO TẠO

BỘ GIAO THÔNG VẬN TẢI

TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI
TP. HỒ CHÍ MINH
LÂM QUANG CHUYÊN

MẠNG NEURAL TRONG HỆ THỐNG ĐIỀU KHIỂN XE
LĂN CHO NGƯỜI TÀN TẬT NẶNG SỬ DỤNG ĐIỆN
NÃO (EEG) VÀ CAMERA

CHUYÊN NGÀNH

KỸ THUÂT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA
MÃ SỐ: 9520216

NGƯỜI HƯỚNG DẪN KHOA HỌC
PGS. TS. NGUYỄN HỮU KHƯƠNG

PGS. TS. VÕ CÔNG PHƯƠNG

TP. HỒ CHÍ MINH – 3/2020


LỜI CAM ĐOAN
Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi, các kết quả nghiên
cứu được trình bày trong luận án là trung thực, khách quan và chưa từng để bảo vệ
ở bất kỳ học vị nào.
Tôi xin cam đoan rằng mọi sự giúp đỡ cho việc thực hiện luận án đã được cám
ơn, các thông tin trích dẫn trong luận án này đều được chỉ rõ nguồn gốc.

Tp. Hồ Chí Minh, ngày 30 tháng 03 năm 2020
Tác giả luận án

Lâm Quang Chuyên

Trang i


LỜI CẢM ƠN
Để hoàn thành được luận án Tiến sĩ này tôi xin chân thành cảm ơn đến với
Thầy hướng dẫn PGS. TS Nguyễn Hữu Khương đã tận tình hướng dẫn, giúp đỡ và
động viên tôi trong suốt quá trình thực hiện luận án.

Tôi xin chân thành cảm ơn Thầy PGS. TS Võ Công Phương đã động viên,
giúp đỡ tôi trong trong quá trình thực hiện luận án.
Tôi xin chân thành cảm ơn Thầy TS. Nguyễn Lương Anh Tuấn đã giúp đỡ
trong vấn đề học thuật và góp ý một số vấn đề liên quan đến luận án.
Tôi xin chân thành cảm ơn Thầy PGS. TS Đặng Xuân Kiên đã tạo điều kiện
thuận lợi trong quá trình thực hiện luận án.
Ngoài ra tôi cũng chân thành cảm ơn đến quý Thầy/Cô trong khoa Điện và
Viện sau đại học Trường Đại học Giao thông Vận tải TP. HCM, đồng nghiệp
Trường Cao đẳng Công thương TP. HCM đã tạo điều kiện hết sức thuận lợi trong
quá trình nghiên cứu, bổ sung hoàn thành các thủ tục trong quá trình nghiên cứu,
tôi xin chân thành cảm ơn các em sinh viên Trường Cao đẳng Công thương TP.
Hồ Chí Minh đã nhiệt tình tham gia trong quá trình thu thập dữ liệu, thực nghiệm
điều khiển xe mô hình, tôi cũng xin chân thành cảm ơn đến với tất cả các bạn cùng
là nghiên cứu sinh như tôi.

Tp. Hồ Chí Minh, ngày 30 tháng 03 năm 2020
Tác giả luận án

Lâm Quang Chuyên

Trang ii


MỤC LỤC
LỜI CAM ĐOAN .................................................................................................. 1
LỜI CẢM ƠN ........................................................................................................ ii
MỤC LỤC ............................................................................................................. iii
DANH MỤC VÀ CHỮ VIẾT TẮT ...................................................................... vi
DANH MỤC HÌNH ............................................................................................. vii
DANH MỤC BẢNG .............................................................................................. x

MỞ ĐẦU ............................................................................................................... xi
CHƯƠNG 1 TỔNG QUAN VỀ TÍN HIỆU ĐIỆN NÃO ...................................... 1
1.1 Tình hình nghiên cứu trong nước ---------------------------------------------- 1
1.2 Tình hình nghiên cứu ngoài nước --------------------------------------------- 1
1.3 Nội dung thực hiện đề tài ------------------------------------------------------- 2
1.4 Mục đích nghiên cứu ------------------------------------------------------------ 3
1.5 Đối tượng và phạm vi nghiên cứu --------------------------------------------- 4
1.6 Những đóng góp của luận án --------------------------------------------------- 4
1.6.1 Đóng góp về mặt lý thuyết --------------------------------------------- 4
1.6.2 Đóng góp về mặt thực tiễn --------------------------------------------- 5
1.7 Cấu trúc nội dung của luận án-------------------------------------------------- 5
1.8 Kết luận chương 1 --------------------------------------------------------------- 6
CHƯƠNG 2 CƠ SỞ LÝ THUYẾT ....................................................................... 7
2.1 Tín hiệu điện não EEG ---------------------------------------------------------- 7
2.1.1 Giới thiệu về tín hiệu điện não EEG ------------------------------------ 7
2.2.2 Các loại thiết bị thu nhận tín hiệu điện não EEG -------------------- 10
2.2.3 Các dạng sóng cơ bản của tín hiệu điện não EEG ------------------- 13
2.2 Ý nghĩa vị trí các điện cực trên thiết bị EEG-------------------------------- 16
2.3 Các phương pháp trích đặc điểm tín hiệu------------------------------------ 19
2.3.1 Biến đổi Fourier --------------------------------------------------------- 20
Trang iii


2.3.2 Biến đổi Wavelet ------------------------------------------------------- 20
2.3.3 Biến đổi HHT (Hilbert Huang Transform) -------------------------- 23
2.4 Gom cụm dữ liệu ---------------------------------------------------------------- 29
2.5 Mô hình mạng Neural ---------------------------------------------------------- 31
2.5.1 Cấu trúc mạng Neural -------------------------------------------------- 31
2.5.2 Thuật toán huấn luyện mạng ------------------------------------------ 33
2.6 Kết luận chương 2 -------------------------------------------------------------- 34

CHƯƠNG 3 XÂY DỰNG MÔ HÌNH HỆ THỐNG ĐIỀU KHIỂN ................... 35
3.1 Mô hình mạng Neural đơn lớp ------------------------------------------------ 35
3.1.1 Quá trình tiền xử lý ----------------------------------------------------- 36
3.1.2 Mạng Neural đơn lớp -------------------------------------------------- 39
3.1.3 Kết quả thực nghiệm với mô hình mạng Neural đơn lớp --------- 40
3.2 Mô hình mạng Neural đa lớp -------------------------------------------------- 42
3.2.1 Quá trình tiền xử lý ----------------------------------------------------- 45
3.2.2 Mô hình mạng Neural đa lớp------------------------------------------ 46
3.2.3 Kết quả thực nghiệm với mô hình mạng Neural đa lớp ----------- 49
3.3 Thiết kế mô hình tổng hợp xử lý tín hiệu ------------------------------------ 52
3.3.1 Khối nhận dạng tín hiệu EEG ----------------------------------------- 53
3.3.2 Khối nhận dạng tín hiệu hướng mắt ---------------------------------- 54
3.3.3 Mô hình mạng Neural đa lớp lan truyền ngược -------------------- 55
3.3.4 Kết quả thực nghiệm với mô hình tổng hợp đã thiết kế ----------- 56
3.3.5 Dữ liệu thực nghiệm với mô hình điều khiển xe lăn đã xây dựng 59
3.3.6 Chọn tập dữ liệu và kết quả thực nghiệm --------------------------- 59
3.4 Kết luận chương 3 -------------------------------------------------------------- 62
CHƯƠNG 4 XÂY DỰNG PHẦN MỀM VÀ PHẦN CỨNG CHO HỆ THỐNG
ĐIỀU KHIỂN XE LĂN MÔ HÌNH ..................................................................... 63
4.1 Chức năng phần mềm điều khiển xe lăn ------------------------------------- 63
4.1.1 Đăng nhập hệ thống ---------------------------------------------------- 63
4.1.2 Huấn luyện điều khiển xe lăn ----------------------------------------- 64
4.1.3 Điều khiển xe lăn ------------------------------------------------------- 66
4.1.4 Xem đồ thị dữ liệu ------------------------------------------------------ 69
Trang iv


4.2 Các công việc phần mềm đảm nhận ------------------------------------------ 69
4.2.1 Thu nhận dữ liệu -------------------------------------------------------- 70
4.2.2 Trích đặc điểm dữ liệu ------------------------------------------------- 71

4.2.3 Gom cụm dữ liệu ------------------------------------------------------- 71
4.2.4 Mạng neural đa lớp lan truyền ngược -------------------------------- 71
4.2.5 Xử lý ảnh thông qua Camera ------------------------------------------ 71
4.3 Hệ thống phần cứng ------------------------------------------------------------ 72
4.3.1 Bảng quan sát ----------------------------------------------------------- 72
4.3.2 Xe lăn mô hình ---------------------------------------------------------- 73
4.3.3 Thiết bị Emotiv --------------------------------------------------------- 76
4.4 Các bước tiến hành thực nghiệm --------------------------------------------- 78
4.4.1 Quá trình huấn luyện người tham gia điều khiển------------------- 78
4.4.2 Điều khiển xe lăn ------------------------------------------------------- 79
4.5 Lựa chọn nhóm tham gia quá trình đánh giá hệ thống --------------------- 79
4.6 Kết quả thực nghiệm cho 2 phương án sử dụng EEG và Camera -------- 79
4.7 Kết luận chương 4 -------------------------------------------------------------- 80
CHƯƠNG 5 KẾT LUẬN VÀ KIẾN NGHỊ ........................................................ 81
5.1 Kết luận -------------------------------------------------------------------------- 81
5.2 Kiến nghị ------------------------------------------------------------------------- 83
TÀI LIỆU THAM KHẢO ................................................................................. 86

Trang v


DANH MỤC VÀ CHỮ VIẾT TẮT

Stt

Viết
tắt

Tiếng Việt

Tiếng Anh

1

ANN

Mạng neural nhân tạo

Artificial neural network

2

BCI

Điều khiển thiết bị
bằng suy nghĩ.

Brain Computer Interfaces

3

CSDL

Cơ sở dữ liệu

Database

4

EEG

Tín hiệu điện não

Electroencephalographic

5

EMD

Phân tích theo kinh
nghiệm

Empirical Mode Decomposition

6

FFT

Biến đổi Fourier nhanh

Fast Fourier Transform

7

HHT

Biến đổi Hilbert –
Huang

Hilbert Huang Transform

8

HT

Biến đổi Hilbert

Hilbert Transform

9

IMF

Hàm bản chất

Intrinsic Mode Function

10 LDA

Phân tích di biệt tuyến
tính

Linear Discriminant Analysis

11 PSD

Mật độ phổ công suất

Power Spectral Density

12 RMS

Giá trị hiệu dụng

Root Mean Square

13 SNR

Tỉ lệ nhiễu tín hiệu

Signal to Noise Ratio

14 SQL

Ngôn ngữ truy vấn

Structured Query Language

15 SV

Sinh viên

Student

16 SVM

Thuật toán học máy có
giám sát

Support Vector Machines

17 TNV

Tình nguyện viên

Volunteer

18 WT

Biến đổi Wavelet

Wavelet Transform

Trang vi


DANH MỤC HÌNH
Hình 2. 1 Thu nhận tín hiệu điện não EEG -------------------------------------------- 7
Hình 2. 2 Vị trí các điện cực theo chuẩn 10-20 --------------------------------------- 8
Hình 2. 3 Nhà tâm thần học Hans Berger --------------------------------------------- 10
Hình 2. 4 Sản phẩm của NeuroScan --------------------------------------------------- 11
Hình 2. 5 Sản phẩm của Brain Products ---------------------------------------------- 11
Hình 2. 6 Sản phẩm của BioSemi ------------------------------------------------------ 12
Hình 2. 7 Sản phẩm của EGI ----------------------------------------------------------- 12
Hình 2. 8 Sản phẩm của Emotiv-------------------------------------------------------- 13
Hình 2. 9 Dạng sóng Delta -------------------------------------------------------------- 14
Hình 2. 10 Dạng sóng Theta ------------------------------------------------------------ 14
Hình 2. 11 Dạng sóng Alpha ----------------------------------------------------------- 15
Hình 2. 12 Dạng sóng Beta ------------------------------------------------------------- 15
Hình 2. 13 Dạng sóng Gamma --------------------------------------------------------- 16

Hình 2. 14 Vị trí 5 thùy vỏ não --------------------------------------------------------- 16
Hình 2. 15 Tên và vị trí các điện cực theo chuẩn quốc tế 10/20 ------------------- 18
Hình 2. 16 Các dạng hàm Wavelet----------------------------------------------------- 21
Hình 2. 17 Tín hiệu EEG được phân tích thành 3 thành phần --------------------- 22
Hình 2. 18 Tín hiệu được biến đổi Wavelet dạng ảnh------------------------------- 22
Hình 2. 19 Tín hiệu được biến đổi Wavelet dạng ảnh------------------------------- 23
Hình 2. 20 Lưu đồ giải thuật EMD ---------------------------------------------------- 25
Hình 2. 21 Tín hiệu EEG cần phân tích ----------------------------------------------- 26
Hình 2. 22 Tín hiệu được phân tích thành IMF1 ------------------------------------- 26
Hình 2. 23 Tín hiệu được phân tích thành IMF2 ------------------------------------- 27
Hình 2. 24 Tín hiệu được phân tích thành IMF3 ------------------------------------- 27
Hình 2. 25 Tín hiệu được phân tích thành IMF4 ------------------------------------- 27
Hình 2. 26 Tín hiệu được phân tích thành IMF5 ------------------------------------- 27
Hình 2. 27 Tín hiệu được phân tích thành IMF6 ------------------------------------- 27
Hình 2. 28 Tín hiệu được phân tích thành IMF7 ------------------------------------- 28
Hình 2. 29 Tín hiệu được phân tích thành IMF8 ------------------------------------- 28
Trang vii


Hình 2. 30 Tín hiệu được phân tích thành IMF9 ------------------------------------- 28
Hình 2. 31 Tín hiệu được phân tích thành IMF10 ----------------------------------- 28
Hình 2. 32 Tín hiệu được phân tích thành IMF11 ----------------------------------- 28
Hình 2. 33 Tín hiệu được phân tích thành IMF12 ----------------------------------- 28
Hình 2. 34 Một kênh tín hiệu EEG được biến đổi thành các dạng sóng cơ bản - 29
Hình 2. 35 Mô tả gom cụm dữ liệu ---------------------------------------------------- 29
Hình 2. 36 Mô hình mạng Neural đơn lớp có 2 nút nhập --------------------------- 32
Hình 2. 37 Mô hình mạng Neural đa lớp. --------------------------------------------- 33

Hình 3. 1 Mô hình hệ thống------------------------------------------------------------- 36
Hình 3. 2 Quá trình tiền xử lý ---------------------------------------------------------- 36

Hình 3. 3 Sóng con dạng hình nón Mêhicô ------------------------------------------- 37
Hình 3. 4 Tín hiệu EEG ghi nhận được ----------------------------------------------- 38
Hình 3. 5 Một kênh tín hiệu được xử lý bằng biến đổi sóng con ------------------ 38
Hình 3. 6 Mô hình mạng Neural ------------------------------------------------------- 39
Hình 3. 7 Phân lớp kết quả nhận dạng ------------------------------------------------ 40
Hình 3. 8 Giản đồ thời gian thu nhận cho một khung hình ------------------------- 41
Hình 3. 9 Phân loại hình ảnh thành 05 lớp -------------------------------------------- 43
Hình 3. 10 Lệnh điều khiển tương ứng ------------------------------------------------ 44
Hình 3. 11 Mô hình hệ thống ----------------------------------------------------------- 44
Hình 3. 12 Thuật toán K-Means -------------------------------------------------------- 46
Hình 3. 13 Mô hình mạng Neural đa lớp---------------------------------------------- 46
Hình 3. 14 Thuật toán huấn luyện mạng Neural ------------------------------------- 47
Hình 3. 15 Kiến trúc hệ thống ---------------------------------------------------------- 53
Hình 3. 16 Phát hiện mắt và lông mày ------------------------------------------------ 54
Hình 3. 17 Tâm đồng tử, phân đoạn ảnh mắt và lông mày ------------------------- 54
Hình 3. 18 Tỷ lệ mắt trái và lông mày trái -------------------------------------------- 54
Hình 3. 19 Tỷ lệ mắt phải và lông mày phải ----------------------------------------- 55
Hình 3. 20 Tỷ lệ tâm đồng tử và chiều dài mắt -------------------------------------- 55
Hình 3. 21 Mô hình mạng Neural ------------------------------------------------------ 56
Hình 3. 22 Hệ thống phần cứng và phần mềm --------------------------------------- 57
Trang viii


Hình 3. 23 Xe lăn mô hình -------------------------------------------------------------- 57
Hình 3. 24 Bảng quan sát --------------------------------------------------------------- 58
Hình 3. 25 Thiết bị Emotiv EPOC+ --------------------------------------------------- 58
Hình 3. 26 So sánh kết quả thực nghiệm trên 2 tín hiệu riêng biệt ---------------- 62

Hình 4. 1 Giao diện đăng nhập hệ thống ---------------------------------------------- 64
Hình 4. 2 Sinh viên tham gia điều khiển xe ------------------------------------------ 64

Hình 4. 3 Bảng quan sát ----------------------------------------------------------------- 66
Hình 4. 4 Giao diện huấn luyện -------------------------------------------------------- 66
Hình 4. 5 Giao diện điều khiển --------------------------------------------------------- 67
Hình 4. 6 Tín hiệu điều kiển “Chạy tới” ---------------------------------------------- 67
Hình 4. 7 Tín hiệu điều khiển “Chạy lùi” --------------------------------------------- 68
Hình 4. 8 Tín hiệu điều khiển “Dừng” ------------------------------------------------ 68
Hình 4. 9 Tín hiệu điều khiển “Quay trái” -------------------------------------------- 68
Hình 4. 10 Tín hiệu điều khiển “Quay phải” ----------------------------------------- 69
Hình 4. 11 Giao diện xem từng kênh tín hiệu điện não EEG ---------------------- 69
Hình 4. 12 Mô hình hệ thống lưu trữ dữ liệu trên Websever ----------------------- 70
Hình 4. 13 Một kênh tín hiệu EEG được biến đổi thành các dạng sóng cơ bản - 71
Hình 4. 14 Mô hình mạng neural đa lớp ---------------------------------------------- 71
Hình 4. 15 Các thiết bị phần cứng ----------------------------------------------------- 72
Hình 4. 16 Bảng quan sát --------------------------------------------------------------- 73
Hình 4. 17 Camera Logitech C615 ---------------------------------------------------- 73
Hình 4. 18 Xe lăn mô hình -------------------------------------------------------------- 74
Hình 4. 19 Sơ đồ nguyên lý mạch điện------------------------------------------------ 75
Hình 4. 20 Lưu đồ giải thuật điều khiển xe ------------------------------------------- 76
Hình 4. 21 Nón EPOC+ ----------------------------------------------------------------- 77
Hình 4. 22 Máy tính giao tiếp với 2 thiết bị thông qua bluetooth ----------------- 77

Hình 5. 1 Mô hình tổng hợp đề tài ----------------------------------------------------- 83
Hình 5. 2 Xe lăn điều khiển bằng tín hiệu EEG -------------------------------------- 84
Hình 5. 3 Khảo sát khách hàng bằng tín hiệu EEG ---------------------------------- 84
Trang ix


DANH MỤC BẢNG
Bảng 2. 1 Chức năng của thùy vỏ não – [52]

16

Bảng 2. 2 Ý nghĩa vị trí các điện cực [53]

18

Bảng 2. 3 Bảng so sánh giữa biến đổi Fourier, Wavelet và HHT [58][70][71] 26

Bảng 3. 1 Kết quả thực nghiệm trên dữ liệu kiểm tra

41

Bảng 3. 2 Mô tả các lệnh điều khiển

43

Bảng 3. 3 Kết quả thực nghiệm

50

Bảng 3. 4 Ma trận nhầm lẫn của kết quả phân loại

50

Bảng 3. 5 Kết quả thực nghiệm

51

Bảng 3. 6 Ma trận nhầm lẫn của kết quả phân loại tập dữ liệu kiểm tra thứ nhất59
Bảng 3. 7 Kết quả thực nghiệm trên tập dữ liệu kiểm tra thứ nhất

60

Bảng 3. 8 Ma trận nhầm lẫn của kết quả phân loại tập dữ liệu kiểm tra thứ hai 60
Bảng 3. 9 Kết quả thực nghiệm trên tập dữ liệu kiểm tra thứ hai

60

Bảng 3. 10 Kết quả thực nghiệm trên tín hiệu hướng mắt

61

Bảng 3. 11 Kết quả thực nghiệm trên tín hiệu EEG

61

Bảng 3. 12 Kết quả thực nghiệm của 3 phương pháp nhận dạng

61

Bảng 4. 1 Thông số kỹ thuật của xe lăn mô hình

74

Bảng 4. 2 Câu lệnh điều khiển xe

78

Bảng 4. 3 Thời gian tiến hành thực nghiệm đánh giá hệ thống

79

Bảng 4. 4 Tổng hợp kết quả nhận dạng của 3 nhóm

80

Trang x


MỞ ĐẦU
Nghiên cứu tín hiệu điện não là một trong những lĩnh vực được quan tâm của
nhiều nhà khoa học hiện nay, với mục đính là phát triển ứng dụng hỗ trợ, phát hiện
bệnh lý con người như stress, trầm cảm [1][2][3]…, chuẩn đoán bệnh (động kinh,
alzheimer – hội chứng suy giảm trí nhớ, chấn thương não), tuy nhiên trong lĩnh
vực điều khiển tự động phục vụ cho con người, đặc biệt là người khuyết tật chưa
được nghiên cứu nhiều.
Trước đây, việc đọc tín hiệu điện não đồ hay điện tim đồ là công việc của các
bác sĩ chuyên khoa thần kinh hay tim mạch, thì ngày nay với sự phát triển của các
công cụ phân tích và xử lý tín hiệu hiện đại như mạng neural hay hệ thống AI các
loại tín hiệu như thế có thể được xử lý để đưa ra những thông tin phục vụ cho các
yêu cầu khác, như để điều khiển hỗ trợ hoạt động của con người. Vì vậy mục tiêu
của luận án là xây dựng được hệ thống hỗ trợ điều khiển một số hoạt động cơ bản
của con người thông qua tín hiệu điện não, ví dụ như điều khiển chuyển động của
xe lăn cho người tàn tật mất khả năng hoạt động tay chân, có thể đáp ứng nhu cầu
xã hội bức thiết hiện nay..
Nghiên cứu đã phân tích ba phương pháp tiền xử lý tín hiệu từ EEG, dùng biến
đổi Fourier, phép biến đổi Wavelet, thuật toán HHT (Hilbert Huang Transform),
để biến đối thành 5 dạng sóng cơ bản Delta, Theta, Alpha, Beta, Gamma, sau đó
sử dụng kỹ thuật gom cụm dữ liệu trước khi đưa vào mạng neuron để phân loại
thành 5 tín hiệu mong muốn chuyển động. Các mạng reuron được thử nghiệm từ

mạng đơn lớp đến mạng đa lớp cụ thể trong luận án này là 3 lớp.
Hệ thống xử lý tín hiệu EEG bằng tiền xử lý HHT dùng mạng neural cùng với
camera được thử nghiệm trên mô hình thực tế điều khiển xe lăn đã cho những kết
quả chính xác tốt nhất đến 92,4% đối với nhóm 20 người được chọn cho thực
nghiệm. Điều này thể hiện thành công về ý nghĩa thực tiễn của luận án.

Trang xi


ABSTRACT
Nowadays, EEG signal, one of the most important field was interested by
science researchers, the main purpose research is support applications devlepment,
diagnose and find out pathological of human as stress, depression, epileptic,
alzheimer, brain trauma…, however, in the field of automatic control serving for
human, especially for disabilities people, has not been studied so much.
For long time ago, recording and processing the EEGs or ECGs signal was the
work of neurologists or cardiologists. Nowadays, with the development of modern
signal processing and analysis tools such as neural networks and AI systems, such
signals can be processed to meet the other needs, such as the control system support
human acitivites.The goal of this thesis is to build a control system, which support
some basic human activities through EEG signal. For example, wheelchair
equipement control for disabled people, meet today’s pressing social needs.
The author researched and analyzed three EEG signal pre-processing methods
as using Fourier transform, Wavelet transform and HHT transform, converting
EEG signal to 5 basic waves (Delta, Theta, Alpha, Beta, Gamma), and then using
data clustering technical before put them into input layer of multi neural network.
The neural network was test from single to multi layer (3 layer).
The EEG signal processing system with HHT pre-processing and image
processing using multi neural network to control the wheelchair model with
accuracy rate 92.4% for group 20 students, this shows the successful in the

practical of the thesis.

Trang xii


CHƯƠNG 1
TỔNG QUAN VỀ TÍN HIỆU ĐIỆN NÃO
Tóm tắt chương 1
Trong chương này tác giả trình bày khái quát tình hình nghiên cứu tín hiệu
điện não EEG trong và ngoài nước, những ứng dụng đã đạt được hiện nay, phân
tích những vấn đề chưa được giải quyết, còn hạn chế, mà trong luận án cần giải
quyết, ngoài ra tác giả cũng trình bày mục đích và phạm vi nghiên cứu, những
đóng góp của luận án trong thực tiễn.
1.1 Tình hình nghiên cứu trong nước
Cho đến thời điểm hiện nay, các công trình nghiên cứu về lĩnh vực điện não
ứng dụng trong kỹ thuật điều khiển ở nước ta không nhiều và chỉ dừng lại ở mức
độ nghiên cứu cơ bản như nghiên cứu hoạt động chớp mắt ảnh hưởng như thế nào
đối với tín hiệu điện não [4], lọc nhiễu tín hiệu điện não EEG [5] trong ứng dụng
nhận diện trạng thái điện não, trong các công trình nghiên cứu này, đối tượng thu
nhận tín hiệu điện não là dạng hoạt động cơ nên việc phát hiện và phân loại được
thực hiện bằng phương pháp ngưỡng biên độ. Một nghiên cứu khác đó là lý thuyết
về tín hiệu điện não liên quan đến vận động chi trên [6], những nghiên cứu này
được thực hiện trên lý thuyết và kết quả nghiên cứu chỉ ra có mối liên hệ giữa việc
vận động và tưởng tượng vận động liên quan đến các hoạt động của thần kinh, một
công trình nghiên cứu về lọc nhiễu tín hiệu điện não EEG… qua đây cho thấy việc
nghiên cứu về tín hiệu điện não ứng dụng trong điều khiển tự động ở nước ta là
chưa có, qua tìm hiểu một số công trình đã công bố và trang web ở các trường đại
học danh tiếng trong nước cũng không có đề tài nào liên quan đến tín hiệu điện
não trong điều khiển gần đây được công bố.
1.2 Tình hình nghiên cứu ngoài nước

Hiện nay các công trình nghiên cứu được công bố trên các bài báo và tạp chí
nước ngoài tập trung nghiên cứu chủ yếu vào phương pháp trích đặc điểm tín hiệu
điện não offline, trạng thái tín hiệu điện não được hiện hữu thường xuyên như
stress, trầm cảm, động kinh [2][3]…, mà chưa quan tâm nhiều đến trích đặc điểm
online, thời điểm xuất hiện tín hiệu và thời gian tồn tại của tín hiệu.

Trang 1


Theo [7][8] trong bất kỳ hoạt động nào của não bộ về một vấn đề nào đó nó
đều có một đặc điểm riêng biệt được phản ánh thông qua các mẫu tín hiệu điện não
mà ta thu nhận được, tuy nhiên việc trích được những đặc điểm này là điều không
hề dễ dàng, chính vì thế trong thời gian gần đây để nhận dạng được đặc điểm của
từng mẫu tín hiệu điện não, một số công việc được thực hiện phổ biến để trích xuất
và phát hiện thời điểm thực hiện như: chuyển động đầu, cổ, chớp
mắt…[11][12][13][14] những hoạt động này dễ dàng được phát hiện thông qua
biên độ ngưỡng do tác động cơ. Các hoạt động khác như tập trung, sự chú ý, tư
duy, tưởng tượng [15][16][17]…, hiện tượng trầm cảm, các bệnh lý như động kinh,
đột quỵ… việc này đòi hỏi việc trích đặc điểm để nhận biết được sự kiện tương
đối khó hơn so với vận động cơ do biên độ của nó không tăng đột biến [7][18],
việc trích đặc điểm này đòi hỏi phải sử dụng các giải thuật để tìm được các đặc
điểm như: phương pháp STFT, Wavelet Transform [19][20][21][22], nhưng do các
hoạt động này có thời gian thực hiện kéo dài nên việc trích đặc điểm cũng tương
đối thuận lợi [23][24][15][16]. Một công việc có thời gian hoạt động ngắn đó là
quan sát và cảm nhận các đối tượng bên ngoài, công việc này đòi hỏi trong thời
gian ngắn phải trích được đặc điểm của nó và đây chính là mấu chốt giải quyết của
luận văn, trong các công bố tương tự việc nhận dạng thường ở trạng thái offline
[17] để phân tích và nhận dạng mẫu tín hiệu.
1.3 Nội dung thực hiện đề tài
Trong quá trình thực hiện luận án của mình, để đánh giá phương pháp nghiên

cứu của mình, tác giả dựa vào cơ sở dữ liệu về tín hiệu điện não EEG có sẵn được
cung cấp bởi trường Đại học San Diego (UCSD) có uy tín của Mỹ, xếp hạng thứ
38 trên thế giới năm 2018 [26][27], để xây dựng các giải thuật xử lý và nhận dạng
các mẫu tín hiệu điện não, cơ sở dữ liệu này chứa tín hiệu điện não EEG thu nhận
được khi con người nhìn vào các loại hình ảnh khác nhau sẽ có những đặc trưng
tín hiệu điện não khác nhau. Sau khi đã đánh giá được tính khả thi của của việc
nhận dạng mẫu tín hiệu thông qua mạng neural, tác giả tiến hành thu nhận 5 mẫu
tín hiệu điện não thông qua việc quan sát 5 loại hình khác nhau trên bảng quan sát
(con người, thành phố, phong cảnh, bông hoa và con vật), sau đó sử dụng những
công cụ toán học để nâng cao độ chính xác quá trình xử lý và nhận dạng mẫu tín
Trang 2


hiệu EEG như phương pháp trích đặc điểm Wavelet Transform, HHT [28][29][30]
và các công thức tính toán tỉ lệ giữa tròng đen mắt, chân mày một cách hợp lý để
có được kết quả chính xác thông qua xử lý hình ảnh, tính mới của luận án so với
các công trình trước là tác giả mạnh dạn sử dụng nhận dạng mẫu tín hiệu EEG trực
tuyến khi người dùng nhìn vào 5 loại hình ảnh khác nhau và kết hợp camera để
tăng độ chính xác của giải thuật, ngoài ra trong khâu tiền xử lý tác giả kết hợp giữa
trích đặc điểm HHT với giải thuật gom cụm dữ liệu giúp cho việc nhận dạng thông
qua mạng neural được nhanh hơn sử dụng phương pháp khác như Wavelet
Transform và giúp cho mạng Neural dễ hội tụ, tránh bị “overfitting”, làm việc hiệu
quả và chính xác hơn.
Việc thiết kế phần mềm thu thập tín hiệu điện não EEG và kỹ thuật xử lý ảnh
cho hoạt động quan sát chuyển động mắt đã thể hiện tính khả thi của luận án khi
áp dụng vào thực triển, một số các luận án trước đây liên quan đến việc hỗ trợ
người khuyết tật như điều khiển bằng giọng nói, gậy thông minh cho người mù,
các thiết bị cảm biến khác nhưng chưa có công trình nào trong nước cũng như
ngoài nước thực hiện đầy đủ các nội dung trên.
1.4 Mục đích nghiên cứu

Tìm ra phương thức thu nhận 5 mẫu tín hiệu điện não EEG một cách dễ dàng
và hiệu quả.
Phân loại tín hiệu điện não EEG thu nhận được khi con người nhìn vào các
loại hình ảnh khác nhau.
Nhận dạng được thời điểm xuất hiện mẫu tín hiệu điện não nhanh và chính xác
phục vụ cho việc phân loại các mẫu tín hiệu để điều khiển xe lăn mô hình.
Thiết kế thiết bị điều khiển xe lăn mô hình phục vụ cho người khuyết tật nặng
sử dụng công nghệ điện não EEG và camera, kết quả luận án cho thấy rằng một
người khuyết tật nặng, không thể tự mình di chuyển (nhưng còn minh mẫn và mắt
hoạt động tốt) có thể điều khiển xe lăn theo ý muốn trong một phạm vi nào đó bằng
việc sử dụng cảm nhận mắt của mình thông qua tín hiệu điện não EEG, ngoài ra
sản phẩm của đề tài có yếu tố dễ sử dụng do có sự hỗ trợ của camera (được gắn
trực tiếp trên bảng quan sát) giúp cho người chưa từng tham gia điều khiển xe lăn
bằng tín hiệu điện não cũng có thể điều khiển được trong thời gian ngắn và dễ thực
Trang 3


hiện, đây được xem là tiền đề giúp cho các công trình nghiên cứu sau kế thừa phát
huy để tạo ra được các công trình nghiên cứu thật sự có ích trong cuộc sống.
1.5 Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu chính trong luận án này là sử dụng mạng neural để phân
loại 5 mẫu tín hiệu điện não EEG thu nhận được thành các dạng lệnh điều khiển
tương ứng với 5 lệnh điều khiển xe lăn chạy tới, chạy lui, quay phải, quay trái,
dừng lại, trong luận án còn đề cập đến quá trình xử lý ảnh để phát hiện hướng mắt
hổ trợ cho việc điều khiển xe được chính xác và hiệu quả hơn, tuy nhiên trong phần
xử lý ảnh tác giả không tập trung nhiều mà chủ yếu phần tín hiệu điện não EEG.
Trong phạm vi đề tài này tác giả chỉ tập trung về ý tưởng, học thuật và phương
pháp phân loại các mẫu tín hiệu điện não EEG, xây dựng phần mềm ứng dụng để
khiển xe lăn thực hiện như chạy tới, chạy lui, quay trái, quay phải và dừng lại (xe
chỉ có thể xoay 1 góc 90o).

Do việc viết phần mềm điều khiển hệ thống chỉ mang tính chất minh họa, với
yêu cầu đạt được một số trọng điểm chính nên luận án bỏ qua quy trình kiểm thử
phần mềm.
Luận án không tập trung vào thời gian xử lý tín hiệu để phát hiện câu lệnh, tốc
độ di chuyển, gia tốc, góc quay của xe, luận án cũng không tập trung nhiều vào
phần xử lý ảnh để tìm ra vị trí hướng mắt vì đây là đề tài đã được thực hiện khá
nhiều [31][32][33][34] và đạt được kết quả khả quan.
Do vấn đề thiết kế xe lăn cho người tàn tật nặng thực tế khó khăn về kinh phí,
thời gian thực hiện, mặt khác vấn đề nghiên cứu của luận án phần lớn tập trung
vào xử lý và phần loại mẫu tín hiệu EEG online để điều khiều khiển xe lăn, do đó
luận án sử dụng các đối là sinh viên trường Cao đẳng Công thương TP. HCM thực
hiện, trong quá trình thực nghiệm thu nhận tín hiệu điện não các em sinh viên chỉ
sử dụng mắt và suy nghĩ của mình, do đó về bản chất luận án vẫn đảm bảo tính
khoa học.
1.6 Những đóng góp của luận án
1.6.1 Đóng góp về mặt lý thuyết
Xây dựng được mô hình mạng Neural phân loại được 5 dạng mẫu tín hiệu điện
não EEG khi con người nhìn vào 5 loại hình ảnh khác nhau. Tìm ra được bảng
Trang 4


quan sát phù hợp và đơn giản để thu thập dữ liệu, kết hợp một cách khoa học giữa
giải thuật trích đặc điểm và gom cụm dữ liệu trước khi đưa vào mạng neural để
phân loại từng mẫu dữ liệu, chứng minh được rằng việc áp dụng kỹ thuật công
nghệ về tín hiệu điện não EEG có rất nhiều ứng dụng hữu ích trong cuộc sống,
không chỉ ứng dụng trong y sinh mà còn trong lĩnh vực điều khiển tự động, và đây
là lĩnh vực nghiên cứu mới giúp cho các bạn sinh viên Đại học và Sau đại học có
thể nghiên cứu cho luận văn tốt nghiệp của mình.
1.6.2 Đóng góp về mặt thực tiễn
Luận án cho thấy kết quả nghiên cứu này hoàn toàn có thể áp dụng cho người

tàn tật nặng không thể tự mình di chuyển, có thể điều khiển xe lăn theo ý muốn
(người tàn tật nặng ở đây là người không thể tự di chuyển bằng chân tay của mình,
nhưng đầu óc còn minh mẫn và mắt hoạt động như người bình thường), đây là
bước đầu tiên giúp cho các công trình sau kế thừa phát huy để tạo ra được các công
trình nghiên cứu hữu ích trong cuộc sống dựa vào công nghệ tín hiệu điện não
EEG.
1.7 Cấu trúc nội dung của luận án
Cấu trúc của luận án bao gồm 3 phần: Tổng quan (chương 1, 2), nội dung
nghiên cứu (chương 3, 4, 5), kết luận và kiến nghị (chương 6). Các chương trong
luận án được tóm tắt như sau:
Chương 1: Tổng quan – Trình bày khái quát tình hình nghiên cứu tín hiệu điện
não EEG trong và ngoài nước, những ứng dụng đã đạt được hiện nay, phân tích
những vấn đề chưa được giải quyết, còn hạn chế, mà trong luận án cần giải quyết,
ngoài ra tác giả cũng trình bày mục đích và phạm vi nghiên cứu, những đóng góp
của luận án trong thực tiễn.
Chương 2: Cơ sở lý thuyết – Trình bày những kiến thức cơ bản liên quan đến
luận án từ việc giới thiệu sơ bộ về kiến thức tín hiệu điện não EEG, các phương
pháp, kỹ thuật trích đặc điểm tín hiệu như : Fourier, Wavelet Transform, HHT…,
gom cụm dữ liệu, đến việc phân loại các đặc tính từng mẫu tín hiệu bằng mạng
neural đa lớp, kỹ thuật xử lý ảnh để trích đặc điểm hướng mắt, đây là những kiến
thức cơ bản cần có để nghiên cứu phát triển các thuật toán xử lý và thực hiện nội
dung của luận án.
Trang 5


Chương 3: Xây dựng mô hình – Trình bày quá trình xây dựng mạng neural đa
lớp, được tiến hành từng bước từ việc phân loại 2 mẫu tín hiệu đến phân loại 5 mẫu
tín hiệu. Trong chương này cũng trình bày về kỹ thuật xử lý tín hiệu điện não kết
hợp với xử lý ảnh thông qua camera. Mỗi kết quả nghiên cứu đều có các công trình
nghiên cứu được đăng trên các bài báo, tạp chí quốc tế.

Chương 4: Xây dựng phần mềm và phần cứng điều khiển xe lăn – Trong
chương này trình bày quá trình thiết kế phần mềm, các chức năng của phần mềm
được thiết kế, những hướng dẫn cho người sử dụng đã hoặc chưa từng điều khiển
xe lăn làm quen với việc điều khiển và quá trình điều khiển xe lăn. Các công việc
mà phần mềm đảm nhận như: kết nối server, quá trình thu nhận tín hiệu, trích đặc
điểm, gom cụm và mạng neural đa lớp phân loại các mẫu tín hiệu. Ngoài ra phần
mềm còn đảm nhận việc xử lý ảnh từ camera để phát hiện sự di chuyển của hướng
mắt kết hợp với việc xử lý tín hiệu điện não EEG để đưa ra kết quả cuối cùng.
Trình bày các bước thực nghiệm để đánh giá kết quả quá trình thực hiện luận
án, so sánh kết quả thực hiện giữa 2 phương pháp riêng biệt đó là tín hiệu điện não
và xử lý ảnh và cuối cùng là sự kết hợp giữa 2 phương pháp trên để cho kết quả
sau cùng. Mục đích trong lần thực nghiệm này là đánh giá lại toàn bộ hoạt động
của hệ thống phần mềm.
Chương 5: Kết luận và kiến nghị – Chương này đánh giá kết quả đạt được so
với yêu cầu của luận án và đề xuất hướng phát triển của đề tài đề ngày càng hoàn
thiện hơn.
1.8 Kết luận chương 1
Trong chương này tác giả trình bày tổng quan về tín hiệu điện não EEG, mục
đích nghiên cứu, những đóng góp của luận án về mặt lý thuyết cũng như thực tiễn.
Trong chương 2 tác giả sẽ trình bày về các phương pháp trích đặc điểm tín hiệu
cũng như lý thuyết về mạng neural đa lớp và các kiến thức khác liên quan đến luận
án.

Trang 6


CHƯƠNG 2
CƠ SỞ LÝ THUYẾT
Tóm tắt chương 2
Trong chương này đã trình bày các kiến thức cơ bản liên quan đến luận án từ

việc giới thiệu sơ bộ về kiến thức tín hiệu điện não EEG, các phương pháp trích
đặc điểm tín hiệu như: Fourier, Wavelet Transform, HHT…, gom cụm dữ liệu, đến
việc phân loại các đặc tính từng mẫu tín hiệu bằng mạng neural network đa lớp,
đây là kiến thức cần có để thực hiện luận án này.
2.1 Tín hiệu điện não EEG
2.1.1 Giới thiệu về tín hiệu điện não EEG
Điện não đồ (EEG - Electroencephalogram) là đo lường sự khác biệt về điện
trường giữa 2 vị trí khác nhau trên vỏ não, việc đo lường sự biến đổi về điện trường
ta thu nhận được tín hiệu điện não phản ánh sự hoạt động của não bộ [7][8][35].

Hình 2. 1 Thu nhận tín hiệu điện não EEG
Từ việc so sánh các dạng sóng thu được với các dạng sóng tiêu chuẩn (delta,
theta, alpha, beta và gamma), các bác sỹ có thể đưa ra được các chẩn đoán về tình
trạng bệnh lý của bệnh nhân (stress/ trầm cảm) được chính xác hơn. Từ khi ra đời
cho đến nay, với sự phát triển và hoàn thiện không ngừng về việc nghiên cứu hoạt
động cũng như đặc trưng của tín hiệu điện não, điện não đồ đóng góp vai trò đáng
kể trong chẩn đoán, điều trị và tiên lượng bệnh của hệ thần kinh trung
ương[36][37].
Trang 7


Tín hiệu điện não EEG được thu nhận từ quá trình hoạt động về điện trường
của hàng tỉ tế bào thần kinh, các tế bào này liên lạc với nhau thông qua các xung
điện từ [7][38], khi nó hoạt động nó sẽ phát ra một trường điện từ đủ lớn để xuyên
qua các mô, xương sọ và vỏ não và cuối cùng ta có thể đo lường được trên da đầu
của mình, tín hiệu này chứa lượng thông tin vô cùng phong phú rất có ích cho con
người nên ghi lại và xử lý các tín hiệu này có ý nghĩa vô cùng quan trọng [7][39].
Hãy tưởng tượng giống như động đất, mỗi xung đơn lẻ phát ra thể không tạo
ra được sự chú ý lớn hay thậm chí chúng ta cũng không thể nhận biết được, nhưng
khi nhiều xung phát ra tại cùng một thời điểm, cùng một vị trí và cùng một tần số

thì chúng ta có thể nhận biết được thậm chí ở cách xa hàng trăm cây số, hoạt động
của tín hiệu y sinh cũng tương tư như thế.
Các điện cực được gắn trên các vị trí trên da đầu như hình 2.2 theo chuẩn 1020 của quốc tế [40], sẽ giúp chúng ta thu nhận được tín hiệu y sinh (điện não) mà
nó phản ánh đầy đủ cường độ hoạt động của các dây thần kinh tại thời điểm thu
nhận tín hiệu.

Hình 2. 2 Vị trí các điện cực theo chuẩn 10-20
Có 3 loại điện cực được sử dụng để thu nhận tín hiệu điện não: can thiệp, bán
can thiệp và không can thiệp [22][41][42][43]. Can thiệp và bán can thiệp đòi hỏi
đặt các điện cực bên trong lớp da đầu của con người [44] điều này giúp cho việc
thu nhận tín hiệu được tốt hơn, trung thực hơn tuy nhiên tiềm ẩn nhiều rủi ro nên
đa phần các nhà khoa học sử dụng phương pháp không can thiệp để thu nhận tín

Trang 8


hiệu điện não [45][46]. Có thể tóm tắt lịch sử phát triển của tín hiệu điện não EEG
như sau [7]:


Năm 1875: nhà phẫu thuật người Anh Richard Caton, một bác sĩ vùng

Liverpool, có một công trình nghiên cứu được công bố trong báo y học Anh về
phát hiện điện trường trong não của thỏ và khỉ, đây là lần đầu tiên quan sát được
hoạt động điện có nhịp ở não động vật sống, khi con vật chết hoạt động này cũng
mất. Sau đó nhiều nhà khoa học trên thế giới đi sâu tìm hiểu về dòng điện hoạt
động của não cá, ếch, thỏ, chó.


Năm 1890: Beck công bố thí nghiệm cho thấy có tín hiệu điện trong não

của chó và thỏ dao động khi có thay đổi ánh sáng.


Năm 1812: Vladimir Pravdich-Neminsky, bác sĩ Nga, đã trình bày điện

não đồ đâu tiên và ghi được xung điện neuron của não chó.


Năm 1914: Cybulsky và Jelenska-Macieszyna chụp ảnh được điện não đồ

của cơn động kinh trong phòng thí nghiệm.


Năm 1920: Hans Berger, bác sĩ, nhà tâm thần học người Đức lần đầu tiên

công bố ghi được sóng alpha và sóng beta ở não người. Từ EEG
(Electroencephalogram) do ông đặt ra. Edgar Douglas Adrian sau đó tiếp nối công
trình của ông và bắt đầu từ đây mở ra một hướng nghiên cứu mới về sinh lý và
bệnh lý của não.


Năm 1934: Bác sĩ Fisher và Lowenback ghi được sóng bất thường

trên điện não đồ của bệnh nhân bị động kinh.


Năm 1935: Các chuyên khoa Gibbs, Davis và Lennox nhận ra được các

loạt sóng bất thường của bệnh nhân bị động kinh - ngay cả lúc chưa lên cơn. Đây

là bước ngoặc lớn trong khoa nghiên cứu dùng điện não đồ để chẩn đoán bệnh
động kinh. Cùng năm, một bệnh viện lớn tại Massachusetts bắt đầu sử dụng điện
não đồ. Franklin Offner, giáo sư lý sinh đại học Northwestern thiết kế điện não đồ
với khả năng ghi nét mực của sóng trên giấy cuộn.

Trang 9


Hình 2. 3 Nhà tâm thần học Hans Berger


Năm 1947: Hội Nghiên cứu điện não đồ Hoa Kỳ thành lập và mở hội nghị

quốc tế về điện não đồ.


Năm 1957: Aserinsky và Kleitmean trình bày sóng điện não đồ của não

người đang mơ ngủ (cấp độ ngủ với mắt di chuyển nhanh)
Kể từ năm 1957 đến nay, có rất nhiều nhà khoa học trên thế giới đã tập trung
nghiên cứu, phát minh cải tiến kỹ thuật và hoàn thiện dần phương pháp thu thập
điện não đồ (H. Berger, Grey, Wather, Gibbs, Jasper, Gastaut, Lennox, EA.
ZhirmunsKaja. G. Durup, F. Bremer, N. Harvey, G. D. Hobart, E. Niedermeyer,
F. L. Silva...), đến nay đã có nhiều kỹ thuật mới, hiện đại như ghi điện não đồ có
phân tích tự động, điện não đồ ghi qua băng cassete, qua vô tuyến, điện não đồ bản
đồ, điện não đồ video... điện não đồ đã trở thành chuyên ngành thăm dò chức năng
điện sinh lý thần kinh, cùng với các phương tiện xét nghiệm bổ trợ khác, điện não
đồ phát huy vai trò trong công tác chẩn đoán, điều trị bệnh và trong các công trình
nghiên cứu của ngành y sinh học.
2.2.2 Các loại thiết bị thu nhận tín hiệu điện não EEG

Hiện nay, có rất nhiều công ty sản xuất thiết bị thu nhận tín hiệu điện não, điều
này chứng minh rằng lĩnh vực điện não ngày càng phát triển và sẽ cho ra những
công trình nghiên cứu có tính ứng dụng cao trong cuộc sống, một số thiết bị tín
hiệu điện não nổi tiếng như:

Trang 10




NeuroScan là một trong những công ty lâu đời nhất thuộc lĩnh vực EEG,

NeuroScan được thành lập vào năm 1985 và trở thành công ty hàng đầu thế giới
cung cấp thiết bị điện não EEG như hình 2.4, công ty cung cấp rất nhiều loại bao
gồm công nghệ, phần mềm, thiết bị sử dụng 1 lần... phục vụ cho nghiên cứu EEG
và lâm sàng.

Hình 2. 4 Sản phẩm của NeuroScan


Brain Products Đây là công ty của Đức với hơn 160 kênh nhận tín hiệu

EEG như hình 2. 5, ban đầu được thành lập vào năm 1997 và đã trở thành một
trong những công ty hàng đầu trong lĩnh vực phân tích tín hiệu EEG cả phần cứng
lẫn phần mềm, với chiến lược tập trung chủ yếu vào phần cứng, họ sản xuất ra các
dụng cụ phụ vụ trong lĩnh vực fMRI, NIRS...

Hình 2. 5 Sản phẩm của Brain Products

Trang 11