Điều khiển xe lăn điện thông minh qua sóng não p2

9 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2 1 Điện não đồ EEG EEG (Electroencephalogram) biểu diễn sự chênh lệch của hiệu điện thế theo thời gian giữa các điện cực đặt ở các vị trí khác nhau trên da đầu theo vùng của vỏ não EEG cung cấp thông tin về các hoạt động điện não thông qua biên độ, tần số, phân bố không gian, hình thái dựa vào phân cực của hiệu điện thế Trên cơ sở nghiên cứu các đặc trưng của EEG cho phép các nhà khoa học phát hiện được các biểu hiện khác nhau của não bộ; từ các đặc trưng này, các.

CHƯƠNG 2.1 CƠ SỞ LÝ THUYẾT Điện não đồ EEG EEG (Electroencephalogram) biểu diễn chênh lệch hiệu điện theo thời gian điện cực đặt vị trí khác da đầu theo vùng vỏ não EEG cung cấp thông tin hoạt động điện não thông qua biên độ, tần số, phân bố khơng gian, hình thái dựa vào phân cực hiệu điện Trên sở nghiên cứu đặc trưng EEG cho phép nhà khoa học phát biểu khác não bộ; từ đặc trưng này, nhà khoa học tìm cử hành đợng thơng qua sóng não Sự biểu EEG rất đa dạng đối tượng khác phụ thuộc vào nhiều yếu tố như: đợ tuổi, tình trạng tâm lý, tình trạng thức hay ngủ, mức đợ tập trung, đối tượng đo 2.1.1 Cơ chế điện sinh lý điện não đồ EEG Vỏ não lớp ngồi não bợ có đợ dày khoảng 2mm đến 3mm, bề mặt vỏ não quấn lại lằn gợn khe với nhiều kích thước khác làm tăng diện tích hệ thần kinh Diện tích lớn 2,5m2, gồm 10 tỷ nơ rôn thần kinh Vỏ bộ não gồm hai bán cầu đối xứng (bán cầu trái bán cầu phải), bán cầu chia thành bốn thùy, là: thùy trán, thùy thái dương, thùy đỉnh thùy chẩm Chức vùng thùy: - Vùng sơ cấp chiếm diện tích nhỏ, tế bào thần kinh vùng như: vùng chuyên vận động thùy trán, vùng cảm giác âm thùy thái dương - Vùng thứ cấp tế bào thần kinh làm nhiệm vụ phân tích, hỗ trợ cho vùng sơ cấp chứa thông tin tham chiếu để so sánh thông tin với thơng tin tích lũy trước Hình 2.1 Các thùy vỏ não [32] Điện sinh lý kết hoạt đợng điện hóa mợt nhóm tế bào bị kích thích 2.1.2 Hoạt động điện màng tế bào thần kinh Tế bào thần kinh bao bọc màng huyết tương [18-19], màng cấu tạo gồm lớp lipid dẫn điện Do tính chất thẩm thấu, màng cho qua mợt số chất kênh khác ngăn cản với chất lại Các chất lưu bên ngồi tế bào thần kinh gồm: nước (trung hịa điện) mợt số ion, có tính dẫn điện Trong tế bào thần kinh, ion bao gồm: Na +, K+ Cl-, ion khác như: Ca+ tồn tại, khơng đóng vai trị quan trọng Ở trạng thái bình thường (nghỉ), bên tế bào tích điện âm so với bên ngồi, khác ion âm tập trung bên nhiều bên tế bào thần kinh Ngược lại phía bên ngồi, ion dương tập trung nhiều hơn, khác biệt nguyên nhân từ độ thẩm thấu màng tế bào ion khác khác 10 Hình 2.2 Các giai đoạn đáp ứng kích thích tế bào thần kinh [33] Khi màng tế bào thần kinh mở kênh cho ion khuếch tán, ion K+ bên tế bào khuếch tán tạo điện dương bên ngược lại tạo điện âm màng tế bào Điện tạo thành lực điện ngăn cản khuếch tán Hiệu điện đo -70μV hiệu điện nghỉ, tế bào thần kinh trạng thái cực hóa Khi có mợt yếu tố kích thích làm giảm điện màng tế bào tới một ngưỡng nhất định xảy kích thích Đây khơng phải q trình tuyến tính, điện kích thích tạo qua giai đoạn Khử cực xảy điện màng tế bào thần kinh trở cho phía tế bào âm cuối đảo ngược lại dương hơn; sau trình khử cực trình tái phân cực cho tế bào thần kinh trở trạng thái nghỉ với điện bên âm bên 2.1.3 Tế bào thần kinh lan truyền kích thích Mợt tế bào thần kinh bao gồm: thân, đuôi gai, sợi trục [18,20] Mỗi gai bao gồm hàng nghìn nhánh làm nhiệm vụ nhận tín hiệu từ tế bào thần kinh khác, độ dài đuôi gai thường 30Hz) Hình 2.5 Các sóng EEG [36] 2.1.5.1 Sóng delta Tần số từ 0.5Hz đến 4Hz xuất giấc ngủ sâu, xuất giai đoạn thức giấc, biên đợ lớn khoảng 100μV; sóng delta x́t bình thường trẻ nhỏ, sóng delta xuất người lớn thức dấu hiệu tổn thương não 14 2.1.5.2 Sóng theta Tần số từ 4Hz đến 7.5Hz xuất vùng trán tới vùng trung tâm, biên độ nhỏ khoảng 15μV, quan sát dễ dàng có hoạt động cảm xúc, tập trung hoạt đợng trí óc Thường sóng theta tăng cường hoạt đợng đối tượng trạng thái buồn ngủ ngủ Sóng theta đóng vai trị quan trọng trẻ nhỏ, x́t sóng theta khơng liên tục người lớn thức dấu hiệu bất thường từ nhiều bệnh lý khác 2.1.5.3 Sóng alpha Tần số từ 8Hz đến 13,5Hz biên đợ khoảng 50μV, bình thường bắt đầu xuất trẻ tuổi với tần số 8Hz; Sóng alpha xuất người lớn thức thư giãn, mắt nhắm Alpha giảm mất mở mắt, nghe một âm lạ, lo lắng, hoạt đợng trí óc, nhắm mắt sóng alpha lại x́t Sóng alpha thường có dạng hình sine trịn; mợt số trường hợp alpha có dạng sóng nhọn, trường hợp này, phần âm có dạng nhọn, phần dương có dạng trịn Alpha sóng trợi nhất loại sóng quan sát hoạt đợng điện não đồ; sóng alpha x́t tất thùy phía sau đầu, biên đợ lớn nhất vùng chẩm Thường khoảng ¼ số người lớn rất khó quan sát sóng alpha, alpha bất đối xứng lớn 50% hai bán cầu bất thường, đặc biệt biên độ bên trái lớn biên độ bên phải 2.1.5.4 Sóng beta Tần số từ 14Hz đến 30Hz biên đợ 25μV bất thường [19], nhịp không quan sát lúc buồn ngủ, ngủ nhẹ hoạt đợng trí óc, xuất giai đoạn giấc ngủ REM giai đoạn 3; có hoảng loạn, sóng beta tăng Sóng beta quan sát thấy chủ yếu vùng trán vùng trung tâm, beta vùng trung tâm bị mất có hoạt đợng vận đợng kích thích xúc giác 15 tăng lên quanh vùng có khối u hay khuyết tật xương; beta nhịp bình thường người lớn 2.1.5.5 Sóng gamma Tần số >30Hz biên đợ nhỏ, tần śt xuất thấp; sóng gamma liên quan trạng thái hoạt đợng xử lý thơng tin vỏ não; gamma quan sát vùng vận động di chuyển ngón tay 2.1.5.6 Sóng mu mu Hình 2.6 Sóng mu [37] Tần số khoảng 8-10Hz có hình dạng rào chắn, đỉnh nhọn, đế trịn; Pha đảo ngược hai kênh, sóng mu biểu trạng thái nghỉ vùng vỏ não vận đợng cảm giác Sóng mu không bị mất mở mắt nhịp alpha bị mất vận đợng, sóng mu liên quan chặt chẽ với vùng vận động vỏ não 2.2 Các vị trí điện cực Hệ thống quốc tế 10-20 chuẩn hóa vị trí tên gọi cho điện cực da đầu đo điện não đồ, số 10-20 khoảng cách điện cực theo tỉ lệ phần trăm độ dài điểm chọn làm mốc sọ Hệ thống phát triển đảm bảo tạo sở liệu thống nhất để so sánh hoạt động điện não người đo thời điểm khác nhau, người khác trao đổi phịng thí nghiệm 16 Hình 2.7 Các vị trí điện cực theo tiêu chuẩn 10-20 [38] Theo sơ đồ điện cực hình 2.7, có 19 vị trí đặt điện cực để ghi điện não đồ; với cách nối điện cực khác nhau, ta có nhiều kênh ghi; Máy đo điện não đồ cần có tối thiểu 24 kênh, người ta cịn chia tách vùng vỏ não nhỏ để đặt nhiều điện cực cho phép xác định xác vùng tổn thương não phát tín hiệu yếu; số vị trí đặt điện cực ghi da đầu lên đến 32, 64 256 vị trí Kết nối điện cực điện não đồ với một điện cực tham chiếu chung, gọi ghi đơn cực; dùng hai điện cực đưa tới hai lối vào bộ khuếch một kênh gọi lưỡng cực; cách ghi khơng có điện cực tham chiếu chung cho tất kênh Cách đặt cho vị trí điện cực da đầu: Fp: trước trán, F: vùng trán, O: vùng chẩm, P: vùng đỉnh, T: vùng thái dương, C: trung tâm, A: auricular Để thu chênh lệch hiệu điện điện cực tham chiếu cách trừ giống xuất điện cực này, điện cực đất thường đặt vị trí Fpz tai [21] 2.3 Trích xuất đặc trưng Trích x́t đặc trưng mợt bước quan trọng tín hiệu điện não đồ EEG, trích xuất đặc trưng làm giảm tài nguyên cần thiết để mơ tả xác mợt tập hợp 17 liệu khổng lồ, giảm thiểu chi phí xử lý thơng tin, giảm độ phức tạp việc triển khai liệu Việc trích x́t đặc trưng thơng tin từ tín hiệu EEG cần thiết để thực phân loại cử hành đợng mợt cách hiệu Nói chung, tín hiệu EEG rất phức tạp phi tuyến tính, tốt sử dụng mơ hình phi tuyến tính Trong đề tài này, phép biến đổi Fourier nhanh (FFT) sử dụng để trích xuất đặc trưng tín hiệu EEG để phân loại cử hành đợng Tín hiệu miền thời gian phân tích tần số phép biến đổi FFT Trích x́t đặc trưng mợt cách hiệu để nhận biết hiển thị liệu quan trọng Quá trình rút ngắn thời gian đào tạo ứng dụng, giảm nhu cầu tính tốn liệu lưu trữ Một số nhà nghiên cứu kết hợp mợt số kỹ thuật trích x́t đặc trưng để đạt phân tích liệu Do đó, việc áp dụng nhiều quy trình thường ảnh hưởng đến đặc trưng dư thừa mở rợng kích thước đặc trưng 2.3.1 Các phương pháp trích xuất đặc trưng Có hai cách biến đổi tín hiệu từ miền thời gian sang miền tần số sử dụng phổ biến là: biến đổi Wavelet biến đổi Fourier Biến đổi Wavelet cơng cụ phân tích đa phân giải thể đặc trưng tín hiệu miền thời gian-tần số Phép biến đổi Wavelet mợt tín hiệu phép chiếu tín hiệu lên tín hiệu hàm wavelet mẹ dịch chuyển thời gian tần số Scale biểu thị thành phần tần số, scale cao nhất tương ứng với thành phần tần số cao nhất tín hiệu Các hàm wavelet mẹ khác không một khoảng thời gian nhất định, khoảng chúng không Biến đổi wavelet phù hợp cho việc xử lý tín hiệu khơng dừng Trong phạm vi đề tài sử dụng biến đổi Fourier 18 Trong mạng nhiều lớp, lớp có mợt ma trận trọng số W, vectơ bias b, vectơ lối vào n vectơ lối a Mạng nhiều lớp có lớp vào, lớp ẩn Ký hiệu rút gọn: Hình 2.14 Mạng ANN lớp dạng rút gọn [40] Đối với mạng một lớp hai lớp ta xác định số nơ rôn lớp u cầu tốn có biến đầu vào đầu Phụ thuộc vào yêu cầu toán mà ta xác định hàm kích thích Trong trường hợp mạng có nhiều lớp, lớp ẩn có số nơ rơn dự đốn nhờ mợt số yếu tố, lĩnh vực nghiên cứu nhằm tối ưu hoạt động mạng Đối với phần lớn toán, số lớp thường dừng lại hai ba lớp Mạng từ bốn lớp trở lên sử dụng Mạng nhiều lớp mạnh mẽ nhiều so với mạng mợt lớp, chúng xấp xỉ phần lớn hàm tốn học mà mạng mợt lớp khơng làm 34 2.4.3.2 Cấu hình mạng  Feed-forward Là mạng mà đầu lớp thứ nhất đầu vào lớp Khơng có phản hồi từ đầu lớp sau đến đầu vào lớp trước  Feedback (recurrent network) Là mạng có phản hồi, một số đầu mạng kết nối với đầu vào Hình 2.15 Mơ hình mạng có phản hồi [40] 2.4.4 Huấn luyện mạng nơ rôn Huấn luyện trình làm thay đổi trọng số liên kết bias mạng để mạng thực một nhiệm vụ cụ thể ANN huấn luyện theo kiểu huấn luyện có giám sát [29], huấn luyện khơng giám sát [30-31] Trong tốn phân loại nhận dạng, huấn luyện có giám sát sử dụng phổ biến Huấn luyện có giám sát: Mạng huấn luyện nhờ cặp liệu vào mong muốn Các trọng số liên kết mạng thay đổi cho sai khác liệu 35 mạng liệu mong muốn nhỏ nhất Luật huấn luyện sử dụng kết so sánh để điều chỉnh trọng số liên kết bias mạng Giai đoạn huấn luyện: liệu đưa tới ngõ vào mạng Sai khác ngõ đáp ứng hệ thống đáp ứng mong muốn tính toán Sai khác phản hồi lại cho hệ thống điều chỉnh tham số hệ thống theo mợt thuật tốn Q trình lặp lặp lại chất lượng hệ thống đạt đến một ngưỡng cho trước Như vậy, chất lượng hệ thống phụ tḥc hồn tồn vào liệu h́n luyện Nếu mợt tốn có rất liệu liệu không phủ hết điều kiện khác giải pháp mạng nơ rơn khơng hợp lý Trong trường hợp lượng liệu phong phú nhiên hiểu biết chưa đầy đủ để xây dựng mợt mơ hình xác giải pháp mạng nơ rôn phù hợp 2.4.5 Luật học mạng nơ rơn Trong q trình học, trọng số liên kết bias mạng thay đổi cho phù hợp với mẫu huấn luyện Tuy nhiên, có nhiều tiêu chí để thay đổi trọng số Tiêu chí để trọng số thay đổi chất lượng Các luật làm thay đổi trọng số liên kết bias gọi luật học mạng 2.4.5.1 Luật học dựa chất lượng Luật học dựa chất lượng một lớp luật học quan trọng, tham số mạng điều chỉnh để tối ưu chất lượng mạng Chỉ số chất lượng số đo định lượng chất lượng Chỉ số chất lượng chọn cho giá trị số chất lượng nhỏ mạng thực tốt lớn mạng thực Quá trình tối ưu chất lượng trình tìm tham số để giảm giá trị số (hay làm tăng chất lượng mạng) Chỉ số chất lượng một hàm số trọng số liên kết Nhiệm vụ tốn tối ưu tìm điểm cực tiểu hướng để hàm đạt cực tiểu nhanh nhất Tìm điểm tối ưu trọng số liên kết, nghĩa tìm điểm cực tiểu tồn cục hàm số 36 Sai số bình phương trung bình: mạng huấn luyện phương pháp có giám sát với tập hợp mẫu để học:  p1 , t1  ,  p , t  ,,  pQ , t Q  (2.36) Trong pq vector lối vào mạng tq lối tương ứng mong muốn Lối mạng là: a  wT p  b Với wT vector trọng số liên kết mạng ANN Đặt (2.37) , phương trình (2.37) viết lại thành: a  xT z (2.38) Sai số bình phương trung bình mạng tính trung bình bình phương sai số lối mong muốn lối thực tế mạng: 2 F  x   E e   E  t  a    E  t  xT z       (2.39) F  x   E t  2txT z  xT zz T x   E t   2xT E tz   xT E  zz T  x (2.40) Khai triển: Đặt Biểu thức (2.40) viết lại thành: F  x   c  2xT h  xT Rx (2.41) Hàm số (2.41) hàm số chất lượng, x vector trọng số liên kết bias Ta biết rằng, một hàm số khai triển thành chuỗi theo cơng thức Taylor 37 F  x   F  x*   F  x  T x  x   xx * * (2.42) T   x  x*   F  x  x  x*   * xx Trong gradient định nghĩa theo công thức:   F  x    F x  x1  F x  x2   F  x  xn  T (2.43) Hessian, định nghĩa sau: (2.44) Điều kiện cần để một điểm cực tiểu toàn cục gradient điểm phải Điều kiện đủ Ma trận Hessian xác định dương Việc tìm điểm tối ưu tìm điểm theo hướng gradient (đạo hàm bậc nhất) giảm nhanh nhất (độ dốc nhất) Độ dốc lớn nhất xảy theo hướng tích vơ hướng gradient vectơ theo hướng có giá trị lớn nhất Nghĩa hướng vectơ trùng với hướng gradient 38 2.4.6 Mạng Perceptron nhiều lớp Mạng perceptron có giới hạn khơng biểu diễn nhiều hàm, ví dụ hàm XOR Do đó, để giải tốn sử dụng mạng Perceptron nhiều lớp ta biết hàm XOR phân tích thành hàm AND, OR NOT Mạng Perceptron nhiều lớp (hàm kích thích khơng tuyến tính) biểu diễn hầu hết hàm, giải nhiều tốn mà đầu vào khơng phân chia tuyến tính Multi Layer Perceptron (MLP) mơ hình mạng nơ rơn có cấu trúc khơng có kết nối phản hồi (feed-forward) MLP, mợt biến thể mạng nơ rơn tuyến tính chuẩn, gồm nhiều lớp hàm truyền khơng tuyến tính, có khả phân loại mẫu khơng tuyến tính, nói cách khác biểu diễn hầu hết hàm Mợt số ưu điểm MLP xấp xỉ gần tất hàm phi tuyến, tổng quát hóa liệu chưa huấn luyện Khi làm việc với MLP ta cần quan tâm đến việc sử dụng lớp ẩn (một lớp đủ theo định lý Kolmogorov, lớp luôn đủ) Cần nơ rôn lớp ẩn tốn tối ưu Thơng thường, số kết nối phải nhỏ số mẫu huấn luyện Khi số kết nối tiến gần đến số mẫu huấn luyện, khả tổng quát hóa mạng giảm 2.4.6.1 Kiến trúc MLP bao gồm một lớp vào, một lớp một nhiều lớp ẩn Mỗi nơ rôn liên kết với tất nơ rôn lớp trọng số liên kết wij Các nơ rôn một lớp không liên kết trực tiếp với Khơng có liên kết trực tiếp lớp lớp vào Số nơ rôn lớp ẩn nhiều so với số nơ rôn lớp vào Đầu vào, đầu dạng tín hiệu liên tục Nếu hàm kích thích nơ rơn tuyến tính chứng minh một mạng với số lớp bất kỳ đưa dạng mợt mạng hai lớp Như vậy, khác 39 biệt mạng MLP so với mạng perceptron chuẩn hàm kích thích nơ rơn mạng MLP khơng tuyến tính Hàm kích thích mơ hình hóa khác ln phải chuẩn hóa (nomalizable) phân biệt (defferentiable) Hàm kích thích mạng MLP thường dùng hàm sigmoids: Đối với mạng MLP, lớp ẩn thường dùng hàm sigmoids, lớp thường dùng hàm tuyến tính Hình 2.16 Mạng Multi Layer Perceptron lớp [40] 2.4.6.2 Học với thuật toán Back Propagation (BP) Back Propagation mợt thuật tốn phổ biến sử dụng để học mạng MLP Quá trình học điều chỉnh trọng số liên kết đưa vào mẫu, điều chỉnh phụ thuộc vào khác biệt giá trị mong muốn giá trị thực tế hệ thống tương ứng với mẫu ngõ vào Đây q trình học có giám sát thuật tốn back Propagation (thuật tốn tổng qt hóa thuật tốn bình phương trung bình tối thiểu Least Mean Square (LMS) trường hợp hàm kích thích tuyến tính) 40 Trong mạng perceptron nhiều lớp, vấn đề trọng số liên kết thay đổi, thay đổi nơ rôn bao nhiêu, theo hướng nào, đóng góp nơ rơn để tạo thành đáp ứng chung hệ thống? Tương tự đóng góp lớp vào sai số hệ thống BP kết hợp phương pháp gradient descent mạng Perceptron nhiều lớp Trong gradient descent sử dụng để tính trọng số liên kết hiệu chỉnh nói chung, BP sử dụng để tính đóng góp lớp mạng vào hiệu chỉnh BP huấn luyện cách truyền ngược sai số lối kết thực tế so với ngõ mong muốn, sai số truyền ngược trở lại lớp mạng để điều chỉnh trọng số liên kết lớp Sai số đầu hệ thống tính, sau dùng phương pháp gradient descent để tính trọng số liên kết hiệu chỉnh Dựa kết này, tính ngược lại sai số đóng góp lớp, từ lớp lớp ẩn theo thứ tự ngược (do gọi Back Propagation) Thuật toán backpropagation gồm giai đoạn forward backward: Forward pass: bước này, nơ rôn lớp ẩn nối với tất nơ rôn lớp vào tính tốn cách nhân giá trị đầu vào với trọng số tương ứng lấy tổng Giá trị đầu nơ rôn thuộc lớp khơng tuyến tính (do hàm kích thích khơng tuyến tính) Các giá trị lại đưa tới ngõ vào lớp Với a m 1  f m 1  W m 1a m  b m 1  , m  0, 2,, M  (2.45) a0  p , a  a M (2.46) Trong am+ , fm+ 1, Wm+ 1, bm+ tương ứng lối ra, hàm kích thích, vector trọng số liên kết vector bias lớp thứ m+1 mạng p vector lối vào mạng Giá trị mạng so sánh với giá trị mong muốn để tính tốn sai số: e  t a 41 (2.47) Backward pass: Giá trị sai khác tính bước dùng để tính ngược trở lại cho lớp ẩn Sai số coi đóng góp tất lớp, sai số gây các lớp tính ngược từ lớp đến lớp vào s M  2F M  n M   t  a  (2.48) sm  F m  nm  Wm1  sm1 , m  M  1,, 2, (2.49) T Trong đó, sm sai số đóng góp lớp thứ m (2.50) f m n   m j f m  n mj  (2.51) n mj Sai số tính tốn dùng để cập nhật trọng số liên kết bias lớp theo luật xấp xỉ steepest descent Sau tính tốn trọng số liên kết điều chỉnh lớp này, tính tiếp sai số lớp trước gây Các trọng số liên kết lớp điều chỉnh mẫu thứ k+1 theo công thức: W m  k  1  W  k    s m  a m1  (2.52) b  k  1  bm  k    s m (2.53) T Có thể cập nhật trọng số MLP theo cặp mẫu hay theo nhóm Mỗi phương pháp có mợt ưu nhược điểm riêng Mợt nhược điểm phương pháp thời gian huấn luyện lớn Khi huấn luyện phương pháp BP cần quan tâm đến việc lựa chọn số nơ rôn lớp ẩn, 42 trọng số liên kết bias ban đầu, lựa chọn tốc độ học, số lượng mẫu dùng để huấn luyện Dữ liệu ngõ vào cho hệ thống phát cử hành động dựa ANN một hai dạng: liệu thô [28] một số đặc trưng EEG [25] Ở dạng thứ nhất, liệu thô lấy mẫu giây đưa tới đầu vào ANN Ưu điểm phương pháp không cần xác định rõ đặc trưng cử hành động Tuy nhiên, số lượng mẫu hẹp làm mất thông tin hoạt động nền, việc mở rộng mẫu, nghĩa làm tăng số đầu vào ANN, làm tăng thời gian tính tốn Mợt giải pháp đề x́t để tăng kích thước mẫu mà khơng làm tăng số lượng ngõ vào ANN dùng biến đổi Fourier để phân tích liệu EEG thành tần số khác nhau, sau lấy mợt số tần số đặc trưng cho cử hành động để đưa tới ngõ vào Một nhược điểm khác phương pháp thứ nhất biến thiên hình dạng hoạt động ghi người điều khiển cử hành đợng khác địi hỏi mợt số lượng mẫu lớn để huấn luyện Kết luận: phát cử hành động sử dụng liệu thô làm ngõ vào ANN không khả thi với công nghệ Ở dạng thứ hai, liệu huấn luyện kiểm tra đưa tới đầu vào ANN đặc trưng (trong miền thời gian), tần số v.v tách từ EEG Ưu điểm phương pháp giảm số lượng đầu vào mạng ANN Nếu lựa chọn đặc trưng phù hợp làm giảm đợ phức tạp tính tốn hệ thống mà giữ hiệu suất hoạt động cao Nhược điểm phương pháp hiệu suất hệ thống phụ thuộc vào việc lựa chọn đặc trưng phù hợp 43 2.5 Cảm biến đo tín hiệu EEG Hình 2.17 Cảm biến MindWave Mobile [39] Là thiết bị đọc tín hiệu EEG hãng Neurosky, có cấu tạo headphone nên dễ dàng mang đeo, có cực cảm biến khô đặt bên trái trán ví trí fp1 hệ thống 10-20 điểm tham chiếu kẹp vào vành tai trái để tính chênh lệch áp cực, thiết bị sử dụng một mạch tích hợp với vi xử lý trung tâm thực lấy mẫu tín hiệu 512 lần/giây Tiền xử lý khuếch đại tín hiệu lọc nhiễu, thiết bị sử dụng bluetooth interface, tốc độ baud 57600 để truyền liệu; liệu nhận dễ dàng cách thực ghép nối với cổng bluetooth laptop Dữ liệu thiết bị gồm thông tin sau: Raw data (tín hiệu EEG thơ, lấy mẫu với tần số 512Hz); Quantity of signal (chất lượng tín hiệu, tín hiệu tốt, 200 trạng thái tiếp xúc điện cực với da); EEG Power (delta, theta, alpha, beta, gamma); giá trị Meditation Attention từ esence meter (từ 0-200); blink strength (0-255) thể cường độ blink, giá trị không trực tiếp có mà phải thơng qua phần mềm ứng dụng nhà sản xuất Thiết bị sử dụng 01 pin AAA alkaline (bắt ḅc) để trì điện áp ổn định suốt q trình hoạt đợng, nhằm mục đích đảm bảo xác cho bước thực lấy mẫu khuếch đại tín hiệu, xảy cố sụt áp q trình hoạt đợng dẫn đến tình trạng mất kết nối, giải pháp xử lý lỗi thay pin 44 2.5.1 Các giá trị liệu Raw data (16 bit): gồm byte, một số nguyên 16 bit khoảng từ -32768 đến 32767; byte byte trọng số cao, byte thứ hai byte có trọng số thấp Để thu giá trị đầy đủ raw data này, thực dịch byte thứ nhất sang trái bit cộng với byte thứ hai sau: raw = value(0)*256 + value(1); If (raw >=32768) raw = raw – 65536; Trong value[0] byte có trọng số cao, value[1] byte có trọng số thấp Mặc định raw data trả 512 lần giây (xấp xỉ 2ms mẫu) Asic_eeg_power: Giá trị liệu thể biên độ thời phổ tần tín hiệu EEG (delta, theta, alpha, beta, gamma), ngõ có định dạng mợt chuỗi giá trị số nguyên 24 bit (3 byte) không dấu Những giá trị khơng có đơn vị có ý nghĩa cho việc sánh với để xét tương quan thành phần tần số đặc trưng, mặc định, Asic_eeg_power data gửi giây một lần Trong đề tài này, tác giả tập trung sử dụng giá trị raw data để phân tích tìm đặc trưng cử hành đợng (mở mắt, nhắm mắt, chớp mắt lần/giây, chớp mắt >1 lần/giây, nhìn lên) để phân loại tín hiệu điều khiển xe lăn điện di chuyển (tới, lùi, trái, phải, dừng) 2.5.2 Cấu trúc gói liệu Gói liệu bao gồm: packet header (sync+sync+plength) data payload kết thúc khung checksum byte, gói liệu có đợ dài tối thiểu bytes tối đa 173 bytes Packet header: gồm bytes, byte đồng bộ (syncronization) (0xAA, 0xAA) theo sau byte thị đợ dài gói PLENGTH byte đồng bợ (SYNC) có giá trị 0xAA (170) dùng để thông báo bắt đầu trình truyền gói liệu 45 mới, Sử dụng byte đồng bộ (0xAA) liên tiếp để giảm khả byte 0xAA khác xuất vùng payload bị hiểu nhầm khởi đầu gói liệu mới, cịn có khả byte liên tiếp xuất vùng data payload (điều dẫn đến sai sót khơng thể tránh khỏi) tổ hợp bytes SYNC + byte PLENGTH đảm bảo nhầm lẫn không xảy trình truy xuất lấy liệu từ gói Giá trị PLENGTH byte chiều dài data payload nằm tầm từ đến 169 giá trị PLENGTH nằm tầm hiểu lỗi; Lưu ý giá trị Plength độ dài data load, đợ dài tồn gói, đợ dài tồn gói liệu Plength + Data Payload: một chuỗi bytes, số lượng byte data payload giá rị PLENGTH byte vùng header Muốn trích x́t thơng tin hữu ích thiết bị (raw data, attention, meditation, power band,…) từ gói liệu cần phải nắm rõ cấu trúc data payload, chi tiết cấu trúc data pay load trình bày mục sau Payload checksum: sử dụng để xác định kết thúc gói liệu thời giá trị checksum byte xác định sau: Cợng tất byte có data payload, lấy bit có trọng số nhỏ nhất tổng, thực đảo bit chuỗi bit có trọng số nhỏ nhất Khi phía thu nhận gói liệu phải thực bước để xác định check sum byte cho data payload vừa nhận so sánh kết có với checksum byte gói checksum byte có từ tính tốn khác với checksum byte gói tồn bợ liệu gói phải bị loại bỏ khơng hợp lệ Trong trường hợp gói liệu hợp lệ phía thu tiếp túc thực trích xuất liệu theo bước trình bày phần cấu trúc data payload Cấu trúc data payload: checksum byte gói xác nhận hợp lệ, tiến hành thực phân tích byte data payload Data payload chuỗi liên tục Data value (raw data, power band,…) nhóm byte mang thơng tin loại data value riêng biệt (mã phân loại, độ dài byte giá trị data value) 46 gọi data row Muốn thực phân tích liệu từ data payload trước hết phải phân tích tồn bợ data row Định dạng data row sau: (EXCODE) (CODE) (LENGTH) (VALUE) Mỗi data row thường khởi đầu nhiều excode byte (0x55) (extended code) số lượng excode byte thể extended code level, extended code level với code byte sử dụng để xác định loại data value Nếu code byte nằm tầm từ 0x00 đến 0x7F data value hiểu mặc định có dài byte (single byte); trường hợp data row khơng cần có vlength byte, mà theo sau code byte data value Tuy nhiên code byte lớn 0x7F theo sau code byte vlength byte giá trị vlength byte số lượng byte data value Bảng 2.1 Bảng định nghĩa Single Byte code Extened code level code Length (single byte) Loại data value 0x02 - POOR_SIGNAL 0x04 - Attention 0x05 - Meditation Bảng 2.2 Multi Byte Code Extened code level code Length Loại data value 0x80 Raw wave 0x83 24 Power band - 0x55 - EXCODE - 0xAA - SYNC Sau nắm rõ cấu trúc khung, gói, data value ta tiến hành phân tích liệu 2.5.3 Phân tích gói liệu Bước 1: Đọc liên tục byte đến gặp byte đồng bộ (SYNC) 47 Bước 2: Đọc byte tiếp theo, kiểm tra xem có phải byte đồng bợ khơng; khơng phải byte đồng bộ, quay trở lại bước 1; tiếp tục thực bước Bước 3: Plength byte byte chuỗi, Plength byte có giá trị 170 thực lại bước 3; Plength byte có giá trị lớn 170 trở bước (loại bỏ tồn bợ gói khơng hợp lệ); Các trường hợp cịn lại tiếp tục thực bước Bước 4: Đọc [plength] byte pay load lưu vào vùng nhớ, tính tổng tích lũy tất byte vừa nhận Bước 5: Lấy bit có trọng số thấp nhất tổng tích lũy thực đảo bit Bước 6: Kiểm tra checksum byte gói có trùng nhất với checksum byte tính tốn hay khơng; khơng trùng nhất, gói bị xem khơng hợp lệ bị hủy tồn bợ trở bước 1; ngược lại gói xem hợp lệ tiến hành phân tích data value 2.5.4 Phân tích data row Bước 1: Tại khởi đầu data row thực đếm số excode byte (0x55) Bước 2: Byte code byte Bước 3: Nếu giá trị code byte >= 0x80 byte vlength byte có giá trị số lượng byte data value Bước 4: Thực phân tích data value Bước 5: Trở lại bước để tiếp tục phân tích data row Sau hồn thành bước phân tích gói data data row lý ta thu đầy đủ loại data trả vể từ thiết bị (raw data, powerband, attention, meditaion ,…) Trong phạm vi đề tài quan tâm sử dụng raw data cho bước xử lý tính tốn nên có data raw tách từ gói liệu loại liệu khác bị loại bỏ 48 ... chứa thông tin tham chiếu để so sánh thông tin với thông tin tích lũy trước Hình 2.1 Các thùy vỏ não [32] Điện sinh lý kết hoạt đợng điện hóa mợt nhóm tế bào bị kích thích 2.1.2 Hoạt động điện. .. số trường hợp alpha có dạng sóng nhọn, trường hợp này, phần âm có dạng nhọn, phần dương có dạng trịn Alpha sóng trợi nhất loại sóng quan sát hoạt đợng điện não đồ; sóng alpha xuất tất thùy... điện cực để ghi điện não đồ; với cách nối điện cực khác nhau, ta có nhiều kênh ghi; Máy đo điện não đồ cần có tối thiểu 24 kênh, người ta chia tách vùng vỏ não nhỏ để đặt nhiều điện cực cho phép