Điều khiển xe lăn điện thông minh qua sóng não p3

49 CHƯƠNG 3 PHÂN LOẠI TÍN HIỆU SÓNG NÃO EEG DÙNG MẠNG NƠ RÔN MLP 3 1 Xác định tín hiệu điều khiển xe lăn điện Trong đề tài, tác giả đặt mục tiêu phân tích và tìm được 5 tín hiệu để điều khiển xe lăn điện di chuyển Tới, lùi, trái, phải và dừng; dựa vào 5 cử chỉ hành động mở mắt, nhắm mắt, chớp mắt 1 lầngiây, chớp mắt >1 lầngiây, nhìn lên Hình 3 1 Sơ đồ khối quá trình xác định tín hiệu 3 1 1 Thu thập dữ liệu Sử dụng cảm biến EEG Neurosky Mindwave mobile 2, trên mũ đo đặt sẵn các điện cực sắp xế.

CHƯƠNG PHÂN LOẠI TÍN HIỆU SĨNG NÃO EEG DÙNG MẠNG NƠ RƠN MLP 3.1 Xác định tín hiệu điều khiển xe lăn điện Trong đề tài, tác giả đặt mục tiêu phân tích tìm tín hiệu để điều khiển xe lăn điện di chuyển: Tới, lùi, trái, phải dừng; dựa vào cử hành động: mở mắt, nhắm mắt, chớp mắt lần/giây, chớp mắt >1 lần/giây, nhìn lên Tín hiệu EEG Tiền xử lý Trích xuất đặc trưng miền thời gian miền tần số Phân loại tín hiệu EEG Tập liệu mẫu huấn luyện tín hiệu Điều khiển Hình 3.1 Sơ đồ khối q trình xác định tín hiệu 3.1.1 Thu thập liệu Sử dụng cảm biến EEG Neurosky Mindwave mobile 2, mũ đo đặt sẵn điện cực xếp theo tiêu chuẩn 10-20; hệ thống đo kênh liệu điểm Fp1 (trán trái trước) so với điện cực tham chiếu A1 (dái tai trái); cảm biến lấy mẫu tần số 512Hz/giây 49 Chọn người tham gia thu thập liệu độ tuổi từ 29-57 tuổi Thời gian đo thu thập liệu cho người 60 giây, tương ứng với cử hành động sau: - Mở mắt liên tục: 12 giây - Nhắm mắt liên tục: 12 giây - Chớp mắt lần/giây: 12 giây - Chớp mắt >1 lần/giây: 12 giây - Nhìn lên liên tục: 12 giây Tổng liệu thu thập là: người x 60 giây = 300 giây, tương ứng với 300 mẫu liệu Tập liệu mẫu chia thành loại: - Dữ liệu huấn luyện hệ thống: 250 mẫu - Dữ liệu kiểm tra, đánh giá: 50 mẫu 3.1.2 Xử lý liệu 3.1.2.1 Tiền xử lý Loại bỏ nhiễu 50hz từ điện lưới Loại bỏ nhiễu mắt, nhiễu tim, nhiễu nhiễu thở 3.1.2.2 Xử lý tín hiệu Dữ liệu Raw EEG thu thập từ cảm biến EEG liệu thô dạng điện áp, lấy mẫu tần số 512Hz (512 điểm điện áp/ giây); bao gồm thành phần tần số như: Delta: 1-3hz; Theta: 4-7hz; Alpha: 8-12hz; beta: 13-30hz; Gamma: >30hz Dữ liệu Raw EEG tổng hộp tần số Delta, Theta, Alpha, Beta, Gamma miền thời gian Trong miền thời gian ta khơng thể phân tích đặc trưng được, 50 cần phải chuyển Raw EEG sang miền tần số để quan sát phổ tín hiệu; từ trích xuất đặc trưng tần số tương ứng với cử hành đợng 3.1.3 Trích xuất đặc trưng Đặc trưng cử hành động phải xác định rõ ràng, mạng nơ rơn phân loại xác Ở ta có cử hành động cần xác định đặc trưng, đặc trưng cử hành động phải khác miền thời gian miền tần số Sử dụng cử hành động “mở mắt” làm trạng thái (bình thường), so sánh đặc trưng cử hành đợng cịn lại với trạng thái (bình thường) Cử hành đợng “nhắm mắt”: có đặc trưng rõ nét tần số Alpha (8-13hz), cụ thể tần số (9-11hz) có biên đợ lớn trạng thái nhiều Vậy đặc trưng cho cử hành động “nhắm mắt” ta xác định biên đợ max alpha biên đợ trung bình alpha dãy tần số (9-11hz) Cử hành động “chớp mắt lần/giây”: có đặc trưng rõ nét tần số (2-7hz), cụ thể tần số (2-4hz) có biên đợ lớn trạng thái nhiều Vậy đặc trưng cho cử hành động “chớp mắt lần/giây” ta xác định biên đợ max biên đợ trung bình tần số (2-4hz) Cử hành động “chớp mắt >1 lần/giây”: có đặc trưng rõ nét tần số (27hz), cụ thể tần số (5-7hz) có biên đợ lớn trạng thái nhiều Vậy đặc trưng cho cử hành động “chớp mắt >1 lần/giây” ta xác định biên đợ max biên đợ trung bình tần số (5-7hz) Cử hành đợng “chớp mắt”: phân tích miền thời gian để đặc trưng thêm phong phú, đặc trưng cho cử hành động “chớp mắt” ta xác định biên độ max, trung bình tín hiệu Cử hành đợng “nhìn lên”: phân tích miền thời gian, ta tính tổng biên đợ trung bình bình phương (RMS) tín hiệu >30hz 51 3.1.4 Kết thực nghiệm 3.1.4.1 Tạo tập liệu mẫu  Thiết bị đo người tham gia thu thập liệu Sử dụng cảm biến đo EEG Mindwave mobile2 hãng Neurosky để thu liệu EEG người tham gia thu thập liệu Cơng việc thực phịng thí nghiệm trường trung cấp nghề Quang Trung Sơ đồ đặt điện cực theo tiêu chuẩn quốc tế 10-20 Bản ghi gồm kênh liệu, với tần số lấy mẫu 512Hz Tổng thời gian đo 300 giây (60 giây/người) Trong có nam nữa, đợ tuổi từ 29 đến 57 tuổi Số lượng mẫu liệu thu thập 300 mẫu, số liệu này, tác giả phân chia thành loại, 250 mẫu phục vụ mục đích h́n luyện, 50 mẫu cịn lại phục vụ kiểm tra hoạt động hệ thống Bảng 3.1 Danh sách người tham gia lấy mẫu STT Họ tên Nguyễn Hồi sa Tơn Huỳnh Quy Phạm Văn Hữu Thiện Nguyễn Văn Lng Nguyễn Quang Trung Giới tính Nam Nữ Nam Nam Nam Tuổi 29 36 41 45 57 Chuyên môn Kỹ sư Cơng nghệ thơng tin Thạc sỹ Kế tốn-Kiểm toán Kỹ sư Kỹ thuật điện tử Kỹ sư Điện cơng nghiệp Phó phịng hành QT  Tiến hành đo Mỗi người tham gia thu thập liệu đo lần, lần đo 10 giây - Lần 1: đo cử hành động “mở mắt” - Lần 2: đo cử hành động “nhắm mắt” - Lần 3: đo cử hành động “chớp mắt lần/giây” - Lần 4: đo cử hành động “chớp mắt >1 lần/giây” - Lần 5: đo cử hành đợng “nhìn lên” - Lần 6: đo cử hành động: mở mắt: giây; nhắm mắt: giây; chớp mắt lần/giây: giây; chớp mắt >1 lần/giây: giây; nhìn lên: giây 52 Trong suốt q trình đo, có kỹ thuật viên theo dõi để hỗ trợ người tham gia thu thập liệu hồn thành cơng việc thu thập tốt nhất Khi kỹ thuật nhận thấy lần đo mà người tham gia thực chưa cử hành đợng u cầu người tham gia gia thực đo lại cử hành đợng Ví dụ: lần đo cử hành động “mở mắt” 10 giây, người tham gia lấy mẫu lại chớp mắt mợt vài giây lần đo bị loại, phải thực đo lại Lần đo đến lần đo làm liệu để huấn luyện, lần đo để kiểm tra đánh giá hệ thống  Phân tích lưu liệu Tín hiệu EEG thu thập từ cảm biến biến lưu vào phần mềm Matlab với đuôi mat Từ file mat này, ta cho hiển thị lên Figure Matlab miền thời gian để phân tích Ở bước này, ta phân tích mẫu bị lỗi để loại bỏ tiến hành đo lấy mẫu lại Ví dụ: cử chớp mắt lần/giây thường hay bị lỗi, người tham gia thu thập chưa thực chớp mắt lần/giây; có giây khơng chớp mắt nhầm lẫn sang cử mở mắt; có giây chớp mắt lần nhầm sang cử chớp mắt >1 lần/giây cử mở mắt, mắt bị rung nhầm lẫn sang cử nhìn lên; trường hợp sai nhìn thấy rất rõ miền thời gian 3.1.4.2 Xử lý liệu Dữ liệu EEG thu từ cảm biến một giây với tần số lấy mẫu 512hz bao gồm tín hiệu: - Raw wave (sóng thơ) - Các dãy tần số tín hiệu: Delta, Theta, Alpha, Beta, Gamma, Attention, Meditation, Asic Eeg Power,… Trong phạm vi đề tài, xử lý Raw wave (sóng thơ), từ Raw wave trích xuất đặc trưng phân loại thành tín hiệu để điều khiển xe lăn điện Vậy ta cần giữ lại Raw wave để xử lý, cịn tín hiệu khác ta loại bỏ 53 Xử lý liệu sóng thơ thực phần mềm Matlab 3.1.4.3 Trích xuất đặc trưng Tín hiệu sóng thơ EEG “cử hành đợng mở mắt” thu mợt giây, tần số lấy mẫu 512hz hình 3.2a Sau lọc tín hiệu EEG sử dụng phương pháp FFT, kết thu lượng phổ phân bố theo tần số hình 3.2b Như vậy, ta tập trung vào phân tích trích xuất đặc trưng miền thời gian miền tần số Việc phân tích lực chọn đặc trưng thích hợp để huấn luyện mạng ANN giảm đáng kể số lượng đầu vào mạng ANN, đồng thời không làm giảm nhiều lượng thông tin chứa liệu  Đặc trưng cử hành động “mở mắt”: Cử hành động “mở mắt” trạng thái bình thường (hoạt đợng nền) nên khơng có đặc trưng trợi Ta dùng đặc trưng hoạt động để so với đặc trưng cử hành đợng khác Hình 3.2 thể tín hiệu sóng thơ miền thời gian miền tần số tín hiệu cử hành đợng “mở mắt” (a) (b) Hình 3.2 Tín hiệu cử hành động “mở mắt” (a) Miền thời gian, (b) Miền tần số 54  Đặc trưng cử hành động “nhắm mắt”: Sau phân tích nhiều mẫu tín hiệu, nhận thấy đặc trưng “nhắm mắt” khác biệt so với đặc trưng “mở mắt” thể dãy tần số Alpha (8-13hz), cụ thể khác nhiều tần số 9-11hz hình 3.3 (a) (b) Hình 3.3 Tín hiệu “mở mắt” “nhắm mắt” miền tần số 9-11hz (a) “mở mắt”, (b) “nhắm mắt” Tại tần số 9-11hz, ta trích xuất đặc trưng cho tín hiệu cử “nhắm mắt” là: biên đợ max biên đợ trung bình dãy tần số 9-11hz Bảng 3.2 So sánh đặc trưng tín hiệu “mở mắt” “nhắm mắt” Cử hành động Mở mắt Mở mắt Max f(9-11hz) 2,70 14,09 Trung bình f(9-11hz) 2,17 9,80 Nhận xét: Ở cử hành đợng “nhắm mắt”, ta phân tích đặc trưng là: Max f(9-11hz) trung bình f(9-11hz)  Đặc trưng cử hành động “chớp mắt lần/giây”: Tín hiệu “chớp mắt lần/giây” thể rất rõ tần số thấp từ 1-7hz miền tần số thể rất rõ miền thời gian 55 Trong miền tần số 1-7hz hình 3.4 (a) (b) Hình 3.4 Tín hiệu “mở mắt” “chớp mắt lần/giây” miền tần số 1-7hz (a) “mở mắt”, (b) “chớp mắt lần/giây” Khi phân tích cử hành động “chớp mắt lần/giây” dãy tần số 1-7hz, nhận thấy biên đợ Max f(1-7hz) trung bình f(1-7hz) lớn nhiều so với tín hiệu “mở mắt”, tần số fmax thường khoảng 2-4hz Tín hiệu “chớp mắt lần/giây” nhìn thấy rất rõ miền thời gian hình 3.5 (a) (b) Hình 3.5 Tín hiệu “mở mắt” “chớp mắt lần/giây” miền thời gian (a) “mở mắt”, (b) “chớp mắt lần/giây” 56 Bảng 3.3 So sánh đặc trưng tín hiệu “mở mắt” “chớp mắt lần/giây” Cử hành động Mở mắt Chớp mắt lần/giây Max f(1-7hz) 42,65 72,54 Trung bình f(1-7hz) 10,27 44,23 fmax 1hz 3hz Nhận xét: Ở cử hành động “chớp mắt lần/giây”, ta phân tích đặc trưng là: Max f(1-7hz), trung bình f(1-7hz) fmax  Đặc trưng cử hành động “chớp mắt >1 lần/giây”: Tín hiệu “chớp mắt >1 lần/giây” thể rất rõ tần số thấp từ 1-7hz miền tần số thể rất rõ miền thời gian Trong miền tần số 1-7hz hình 3.6 (a) (b) Hình 3.6 Tín hiệu “mở mắt” “chớp mắt >1 lần/giây” miền tần số 1-7hz (a) “mở mắt”, (b) “chớp mắt >1 lần/giây” Khi phân tích cử hành đợng “chớp mắt >1 lần/giây” dãy tần số 1-7hz, nhận thấy biên độ Max f(1-7hz) trung bình f(1-7hz) lớn nhiều so với tín hiệu “mở mắt”, tần số fmax thường khoảng 5-7hz Để phân tích đặc trưng tín hiệu “chớp mắt” phong phú hơn, ta phân tích thêm đặc trưng tín hiệu “chớp mắt” miền thời gian 57 Tín hiệu “chớp mắt >1 lần/giây” miền thời gian hình 3.7 (a) (b) Hình 3.7 Tín hiệu “mở mắt” “chớp mắt >1 lần/giây” miền thời gian (a) “mở mắt”, (b) “chớp mắt >1 lần/giây” Phân tích hình 3.7, nhận thấy: phân tích thêm đặc trưng cho tín hiệu “chớp mắt” miền thời gian như: biên độ Max, Min Average; để đặc trưng thêm phong phú, dễ nhận dạng Bảng 3.4 So sánh đặc trưng tín hiệu “mở mắt”, “chớp mắt lần/giây” “chớp mắt >1 lần/giây” Cử hành động Mở mắt Chớp mắt lần/giây Chớp mắt >1 lần/giây Miền tần số f(1-7hz) Miền thời gian (biên độ) Max 42,65 72,54 Average 10,27 44,23 fmax 1hz 3hz Max 106,00 440,00 Min -13,00 -280,00 Average 42,65 44,39 264,98 64,62 6hz 551,00 -297,00 47,51 Nhận xét: Ở cử hành động “chớp mắt >1 lần/giây”, ta phân tích thêm đặc trưng miền thời gian là: biên độ Max, biên độ Min, biên đợ trung bình 58 3.2.1.1 Sơ đồ cấu trúc mạng nơ rôn đề xuất Input Layer Hidden Layer output Layer x1 x2 x3 y1 x4 y2 x5 y3 x6 y4 x7 y5 x8 x9 Hình 3.9 Sơ đồ cấu trúc mạng nơ rơn đề x́t 3.2.1.2 Phân tích sơ đồ cấu trúc mạng nơ rôn đề xuất  Lớp input (x1 đến x9) đặc trưng ngõ vào cho mạng nơ rôn gồm: - x1: Max alpha: f(9-11hz) - x2: Trung bình alpha: f(9-11hz) - x3: Max: f(2-7hz) - x4: Trung bình: f(2-7hz) - x5: Max(hz): f(2-7hz) - x6: Max EEG: (miền thời gian) - x7: Min EEG: (miền thời gian) - x8: Trung bình EEG: (miền thời gian) 62 - x9: Trung bình bình phương EEG >30hz: (miền thời gian)  Lớp ẩn: chọn nơ rôn  Lớp output (y1 đến y5) tín hiệu ngõ mạng nơ rôn phân loại gồm: - y1: tín hiệu cử hành đợng mở mắt - y2: tín hiệu cử hành đợng nhắm mắt - y3: tín hiệu cử hành đợng chớp mắt lần/giây - y4: tín hiệu cử hành đợng chớp mắt >1 lần/giây - y5: tín hiệu cử hành đợng nhìn lên 3.2.2 Tập liệu huấn luyện Tập liệu 250 mẫu thu thập từ người tham gia, trích xuất đặc trưng từ phép biến đổi FFT IFFT sau:  Input gồm đặc trưng tín hiệu EEG - f1: Max dãy alpha tần số từ 9-11Hz - f2: Trung bình dãy alpha tần số từ 9-11Hz - f3: Max dãy tần số từ 2-7Hz - f4: Trung bình dãy tần số từ 2-7Hz - f5: Biên độ tần số Max từ 2-7Hz - t6: Max EEG miền thời gian - t7: Min EEG miền thời gian - t8: Trung bình EEG miền thời gian - t9: Trung bình bình phương EEG miền thời gian  Output gồm data từ ngõ mạng nơ rôn sau: - 1: Cử hành động “mở mắt” 63 - 2: Cử hành động “nhắm mắt” - 3: Cử hành động “chớp mắt lần/giây” - 4: Cử hành động “chớp mắt >1 lần/giây” - 5: Cử hành đợng “nhìn lên” Bảng 3.7 Tập liệu 50 mẫu “mở mắt” thu thập từ người tham gia STT … 46 47 48 49 50 f1 f2 8 … 10 6 5 … 6 f3 48 46 51 48 48 … 51 44 52 49 46 f4 12 12 14 14 15 … 10 11 15 14 14 Input f5 1 1 … 1 1 t6 121 129 134 118 107 … 129 120 134 128 141 t7 -23 -23 -21 -20 -17 … -12 -12 -39 -8 -14 t8 48 46 51 48 48 … 51 44 52 49 46 t9 187 209 200 206 186 … 147 195 170 146 213 1 1 1 1 1 Output 0 0 0 0 0 0 0 - - 0 0 0 0 0 0 0 0 0 0 0 0 Bảng 3.8 Tập liệu 50 mẫu “nhắm mắt” thu thập từ người tham gia STT 51 52 53 54 55 … 96 97 98 99 100 f1 f2 10 … 13 7 … 7 f3 47 51 50 46 47 … 50 50 46 47 49 f4 13 13 12 10 11 … 12 12 12 11 11 Input f5 1 1 … 1 1 t6 135 176 153 130 208 … 134 129 130 123 136 64 t7 -73 -57 -54 -49 -75 … -50 -51 -35 -26 -40 t8 47 51 50 46 47 … 50 50 46 47 49 t9 865 891 682 634 764 … 562 462 511 341 429 0 0 0 0 0 Output 0 0 0 0 0 - - 0 0 0 0 0 0 0 0 0 0 Bảng 3.9 Tập liệu 50 mẫu “chớp mắt lần/giây” thu thập từ người tham gia STT 101 102 103 104 105 … 146 147 148 149 150 f1 39 47 30 43 44 … 40 36 46 59 40 f2 35 39 29 35 33 … 33 30 36 57 27 f3 81 91 73 81 72 … 111 107 94 120 107 f4 59 64 55 62 55 … 79 74 74 75 70 Input f5 4 … 4 t6 583 612 492 595 540 … 716 660 668 694 629 t7 -280 -290 -259 -273 -246 … -359 -364 -366 -358 -312 t8 40 52 48 47 49 … 52 53 49 65 21 t9 245 190 204 205 252 … 254 386 287 319 288 0 0 0 0 0 Output 0 0 0 0 - - 0 0 0 0 0 0 0 0 0 Output 0 0 0 0 0 - - 0 0 0 0 0 0 0 0 0 0 Bảng 3.10 Tập liệu 50 mẫu “chớp mắt >1 lần/giây” thu thập từ người tham gia STT 151 152 153 154 155 … 196 197 198 199 200 f1 67 122 116 128 114 … 59 76 127 88 104 f2 63 81 60 64 80 … 41 60 83 64 62 f3 280 350 314 339 325 … 198 222 157 237 247 f4 103 101 111 92 95 … 103 90 94 89 88 Input f5 5 5 … 5 t6 793 812 729 795 784 … 754 626 695 644 649 65 t7 -370 -339 -404 -337 -334 … -326 -283 -283 -298 -299 t8 47 40 52 52 43 … 43 30 49 44 47 t9 300 420 327 308 363 … 400 393 409 385 415 0 0 0 0 0 Bảng 3.11 Tập liệu 50 mẫu “nhìn lên” thu thập từ người tham gia STT 201 202 203 204 205 … 246 247 248 249 250 f1 11 11 … 10 14 11 10 f2 8 … 6 f3 50 47 50 47 46 … 40 61 48 44 49 f4 16 11 11 12 12 … 16 16 18 11 12 Input f5 1 1 … 1 1 t6 182 204 204 195 230 … 198 224 212 193 208 t7 -162 -186 -204 -118 -114 … -135 -100 -164 -113 -119 t8 50 47 50 47 46 … 40 61 48 44 49 t9 1818 2336 2236 1865 1782 … 1540 1761 1979 1739 1931 0 0 0 0 0 Output 0 0 0 0 0 0 0 - - 0 0 0 0 0 0 0 1 1 1 1 1 Để kiểm chứng việc h́n luyện mạng nơ rơn có đạt kết tốt nhất hay không, việc chọn số lượng nơ rơn lớp ẩn có đạt không, ta thu thập thêm 50 mẫu test từ người tham gia lấy mẫu bảng 3.12 66 Bảng 3.12 Tập liệu 50 mẫu “test” thu thập từ người tham gia STT … … 34 … 75 75 … 63 … f3 44 … 40 40 … 54 98 … 93 187 … 248 35 … f4 12 … 13 10 … 12 71 … 52 103 … 90 15 … Test f5 … 1 … … … … 53 12 f1 f2 41 … … 10 … 46 … 87 94 … 91 11 … 50 11 … 10 11 … 20 21 … 30 31 … 40 t6 120 … 106 115 … 167 664 … 691 614 … 677 182 … t7 -40 … -65 -40 … -28 -350 … -291 -305 … -289 -110 … t8 44 … 40 40 … 54 44 … 49 55 … 56 35 … 214 -156 53 t9 216 … 194 455 … 454 293 … 268 358 … 323 1563 … 1 0 0 0 Output 0 - - 0 0 - - 0 - - 0 - - 0 0 - - - 0 0 0 0 - - 1944 0 0 Tập liệu 250 mẫu huấn luyện ta lưu vào matlab với file mat sau: - File input.mat gồm 250 mẫu, mẫu có đặc trưng - File target.mat gồm 250 mẫu, mẫu có liệu ngõ mong muốn Tập liệu 50 mẫu test ta lưu vào matlab với file mat sau: - File test.mat gồm 50 mẫu, mẫu có đặc trưng Khi huấn luyện mạng nơ rôn, mạng yêu cầu chọn ngõ vào ta chọn file input.mat, mạng yêu cầu chọn ngõ ta chọn file target.mat, mạng yêu cầu chọn lớp ẩn ta chọn lớp ẩn gồm nơ rơn 67 3.2.3 Thuật tốn huấn luyện mạng Bắt đầu Khởi tạo mạng Đáp ứng với tốc độ học zero Tính bước học theo TrainLM Lan truyền tiến để tính đầu mạng Tính sai lệch E đầu mạng đích mong muốn E1 lần/giây” “nhìn lên” 3.2.4 Kết phân loại EEG Sau huấn luyện mạng nơ rôn gồm 250 mẫu input (mỗi mẫu đặc trưng) 250 mẫu output (mỗi mẫu data), ta tiến hành test kiểm chứng 50 mẫu test sau: Chọn input file test.mat, có 50 mẫu test input (mỗi mẫu đặc trưng): - Mẫu 1-10: cử hành động “mở mắt” - Mẫu 11-20: cử hành động “nhắm mắt” - Mẫu 21-30: cử hành động “chớp mắt lần/giây” - Mẫu 31-40: cử hành động “chớp mắt >1 lần/giây” 69 - Mẫu 41-50: cử hành đợng “nhìn lên”  Kết kiểm chứng lần 1: Chọn Input nơ rôn, lớp ẩn nơ rơn, Output nơ rơn hình 3.12 Hình 3.12 Mơ hình phân loại nơ rơn lớp ẩn Kết phân loại: Hình 3.13 Kết phân loại nơ rôn lớp ẩn Bảng 3.13 Kết phân loại nơ rôn lớp ẩn STT 0.73442 0.99726 0.9707 0.87407 0.30026 0.0016942 0.018709 0.13542 0.00025096 0,10 0,05 0.00014639 70 0,08 0.00010203 0,35 0,13 0.0046592 0.0025032 0.0032276 0.0037059 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 0.96337 0.87511 0.92499 0.98669 0.24866 0.61321 0.058311 0.0091631 0.064804 0.068489 0.015127 0.073782 0.02107 0.043275 0.050029 0.034046 0,00 4.49e-08 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0.013614 0.013673 0.014886 0.015508 0.016837 0.010578 0.018418 0.011961 0.015539 0.01465 0,10 0.019844 0.1401 0.077955 0.0060314 0.61586 0.29126 0.96347 0.99299 0.96475 0.95456 0.98933 0.95195 0.97068 0.95972 0.95654 0.97322 0.00017856 0.00013436 0.00012435 0.00018252 0.00015299 0.00031143 0.00025128 0.00033631 0.0004311 0.00042844 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0.031208 0,73 0.00013931 0,08 0,30 0.0010724 0.00036329 0.0022186 0.0073363 0.0021917 0.0022947 0.0054786 0.00225 0.0042533 0.0034186 0.0024952 0.0043424 0.9908 0.99096 0.99231 0.98891 0.99078 0.98784 0.991 0.98956 0.98763 0.98893 0.014593 0.01518 0.013427 0.015489 0.013616 0.017235 0.01305 0.016115 0.014221 0.014095 0.023469 71 0,34 0,12 0,02 0,62 0,05 0,09 0,01 0,01 0,01 0,01 0,01 0,01 0,01 0,01 0,01 0,01 0.014499 0.017385 0.019541 0.013454 0.016841 0.0091864 0.011826 0.009257 0.0072306 0.0076445 0.9918 0.99182 0.99114 0.98635 0.98964 0.98999 0.98876 0.99081 0.98946 0.99091 0.00042452 0.002351 0.0039731 0.0045871 0.0028526 0.0060397 0.0051161 0.013189 0.018917 0.011781 0.01031 0.016528 0.0096225 0.017193 0.0098214 0.013551 0.0090658 0.025789 0.027782 0.034229 0.0225 0.036316 0.017101 0.024736 0.01932 0.012544 0.015796 0.015762 0.0161 0.015049 0.012218 0.013423 0.015678 0.012252 0.015546 0.013452 0.01465 0.95302 42 43 44 45 46 47 48 49 50 0,07 0,12 0,11 0,07 0,06 0,03 0,00 0,03 0,03 0.018555 0.041167 0.037874 0.016375 0.01281 0.0061092 0.0084625 0.0040845 0.0043008 0.027816 0.022672 0.023087 0.018489 0.025519 0.032543 0.023938 0.02232 0.026695 0.00063408 0.00034729 0.00036942 0.00070508 0.00083546 0.001444 0.0011546 0.0019734 0.0018954 0.96264 0.94511 0.94734 0.97944 0.97465 0.981 0.9835 0.9914 0.98888 Tỉ lệ 80% là: 47/50 mẫu test ; đạt: 94%  Thử nghiệm lại lần 1: Chọn Input nơ rôn, lớp ẩn nơ rôn, Output nơ rôn hình 3.14 Hình 3.14 Mơ hình phân loại nơ rơn lớp ẩn Kết phân loại: Hình 3.15 Kết phân loại nơ rôn lớp ẩn 72 Bảng 3.14 Kết phân loại nơ rôn lớp ẩn STT 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 0.9991 0.99992 0.99706 0.99999 0.99982 0.99968 0.99973 0.99958 0.99993 8,65E-03 1,42E-03 8,16E-03 8,40E-03 1,86E-03 4,35E-01 1,21E-03 3,54E-02 1,01E-02 1,02E-02 1,83E-01 1,72E-01 1,72E-02 1,84E-01 1,73E-01 2.04e-05 1,89E-01 1,99E-01 2,09E-01 1,86E-01 9,03E-03 0.017731 3,25E-02 0.0018333 2,18E-02 0.00045762 7,67E-02 4,86E-02 0.0021478 1,78E-02 0.00027913 0.00025636 0.0003459 5,83E-01 1,35E-01 0.99999 0.99999 0.99999 0.99999 0.99999 0.99979 0.99999 0.99986 0.99999 0.99998 2,35E-07 2,43E-07 2,43E-06 2,34E-06 2,04E-06 2,49E-06 2,22E-06 2,39E-06 2,96E-06 2,41E-06 4,02E-03 0.00046099 9,06E-03 8,86E-01 7,30E-03 1,70E-01 2,92E-01 2,47E-01 1,22E-01 5,28E-01 1,61E-01 1,74E-01 1,58E-01 3,15E-02 3,80E-01 6,88E-03 8,80E-03 6,12E-04 7,29E-03 8,47E-03 1,05E-02 8,89E-03 1,39E-02 6,62E-03 8,75E-03 0.99996 0.99995 0.99995 0.99996 0.99997 0.99996 0.99997 0.99996 0.99995 0.99995 5,19E-01 4,27E-02 2,83E-01 7,14E-02 3,70E-02 73 6,93E-02 1,10E-01 7,65E-02 7,27E-02 6,69E-02 8,99E-02 7,67E-03 8,61E-02 5,70E-02 6,06E-02 3,25E-02 2,31E-02 3,41E-02 3,16E-03 2,41E-02 4,17E-03 2,26E-02 2,72E-02 3,40E-03 3,00E-02 2,53E-01 2,96E-01 3,04E-01 2,53E-01 2,07E-01 2,55E-01 2,19E-01 2,44E-01 3,71E-01 2,95E-01 0.99997 0.99998 0.99998 8,20E-05 1,63E-05 4,43E-05 1,03E-04 3,07E-05 4,66E-06 5,93E-05 5,34E-05 8,55E-05 5,53E-05 1,77E-02 4,00E-02 1,73E-02 1,88E-03 3,60E-02 5,70E-03 4,34E-02 1,61E-02 1,65E-02 1,94E-02 2,23E-04 2,29E-03 2,32E-03 2,24E-03 2,33E-03 2,13E-03 2,22E-03 2,17E-03 2,16E-03 2,35E-04 1,09E-02 8,03E-05 4,72E-03 2,44E-04 6,59E-03 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 0.00024139 7,16E-01 3,00E-02 1,39E-02 3,08E-02 1,97E-04 2,22E-04 2,55E-04 2,57E-04 2,56E-04 2,21E-04 1,94E-04 2,23E-04 1,96E-04 2,00E-04 2,03E-01 8,83E-03 9,85E-03 5,28E-03 9,39E-03 3.74e-05 1,82E-01 2,43E-01 2,91E-01 1,59E-01 1,60E-01 1,38E-01 1,42E-01 1,23E-01 1,30E-01 9,64E-02 1,60E-01 4,58E-01 4,88E-01 3,31E-01 3,67E-01 3,92E-01 3,57E-01 3,49E-01 3,75E-01 4,06E-01 4,38E-01 3,99E-01 4,20E-01 4,26E-01 1 0.99998 0.99997 0.99998 1,79E-06 1,33E-06 1,50E-06 1,62E-06 1,25E-06 1,26E-06 1,19E-06 1,19E-06 1,11E-06 1,14E-06 5,86E-04 1,22E-03 6,78E-03 8,77E-03 5,52E-03 0.99996 0.99998 0.99998 0.99997 0.99998 0.99998 0.99999 0.99999 0.99999 0.99999 Tỉ lệ 99,99% là: 50/50 mẫu test ; đạt: 100%  Thử nghiệm lần 2: Chọn Input nơ rôn, lớp ẩn nơ rôn, Output nơ rơn, kết phân loại hình 3.16 Hình 3.16 Kết phân loại nơ rôn lớp ẩn lần 74 Bảng 3.15 Kết phân loại nơ rôn lớp ẩn lần STT 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 0.90744 0.99339 0.95078 0.81623 0.98079 0.96767 0.95269 0.85969 0.92364 0.97664 0.01021 0.006856 0.0086503 0.0090872 0.0066337 0.037488 0.0056277 0.016119 0.010395 0.010689 0.00052598 0.00054659 0.00055037 0.00048822 0.0005514 0.00054502 0.00047708 0.00050441 0.00051661 0.00054003 7,21E-01 0.00072732 7,93E-02 0.00062889 0.00010025 0.072951 0.0053045 0.039141 0.15279 0.0149 0.025143 0.037236 0.11477 0.050559 0.016484 0.98668 0.98942 0.98884 0.98821 0.99048 0.95043 0.99126 0.97789 0.98533 0.98521 4,92E-04 5,36E-04 5,89E-04 4,79E-04 3,04E-04 4,14E-04 4,77E-05 4,43E-05 4,42E-04 3,91E-04 2,35E-01 6,44E-02 2,45E-01 5,39E-01 2,57E-01 0.00063901 0.00055021 0.00061509 0.00066052 0.0005928 0.00059419 0.00061697 0.00063973 0.00061936 0.00060142 0.0008838 0.00087956 0.00088255 0.00088223 0.00088859 0.00082559 0.00086003 0.00087477 0.00085661 0.00086155 0.99899 0.99901 0.99889 0.99909 0.99913 0.99909 0.99915 0.99912 0.99903 0.99789 0.0010823 0.00013556 0.0013557 0.0001714 0.00079203 75 6,74E-02 1,18E-01 7,73E-02 5,66E-02 9,52E-02 8,49E-02 7,82E-02 6,05E-02 7,30E-02 9,33E-02 1,60E-02 1,52E-02 1,54E-02 1,56E-02 1,49E-02 2,13E-02 1,46E-02 1,79E-02 1,63E-02 1,64E-02 0.00095998 0.0010773 0.0015322 0.00075642 0.0010035 0.00071072 0.00073991 0.00068348 0.00072027 0.0013418 0.99929 0.99896 0.99918 0.99879 0.99921 0.00021016 0.00012935 0.00018514 0.0002365 0.00015563 0.00017736 0.00018387 0.00023011 0.00023915 0.00017311 0.00072258 0.00091009 0.00074527 0.00073995 0.00085398 0.00058236 0.00099549 0.00067717 0.00079881 0.00077364 9,01E-01 8,88E-01 0.00012545 8,31E-01 0.0002139 8,04E-01 9,39E-01 8,28E-01 7,46E-01 0.00011676 3,18E-01 3,02E-01 3,42E-01 2,95E-01 3,06E-01 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 0.00015746 0.00033408 7,42E-01 7,71E-01 8,87E-01 0.0020757 0.0022512 0.0026066 0.0024293 0.0026763 0.0015766 0.00091902 0.0026585 0.0017594 0.0013545 3,29E-02 4,45E-01 2,27E-02 2,12E-02 2,52E-01 0.0017723 0.00059115 0.0011245 0.00089531 0.00046787 0.00038952 0.00022799 0.00036905 0.00026095 0.00023352 0.00052788 0.00025558 0.00099164 0.0012332 0.0008593 3,62E-01 2,38E-01 2,46E-01 2,45E-01 1,85E-01 2,92E-01 4,45E-01 1,85E-01 2,69E-01 3,26E-01 0.99918 0.99907 0.99924 0.99908 0.99924 1,11E-01 1,35E-01 1,18E-01 1,24E-01 1,38E-01 1,50E-01 1,76E-01 1,46E-02 1,63E-01 1,70E-01 3,08E-01 2,96E-01 3,01E-01 3,10E-01 3,07E-01 0.9989 0.99972 0.99943 0.99955 0.9998 0.9998 0.99986 0.99985 0.99988 0.99988 Tỉ lệ 99% là: 33/50 mẫu test ; đạt: 66% Tỉ lệ 80% là: 50/50 mẫu test ; đạt: 100% Kết luận: Thử nghiệm lần kết không khả quan thử nghiệm lần 1, thử nghiệm lần 2, từ mẫu đến mẫu 17 đạt kết 81-98% Ở thử nghiệm lần cho kết 99% đạt 100% Như vậy, việc huấn luyện nơ rôn phải thực nghiệm nhiều lần lần thử nghiệm cho kết tốt nhất ta chọn kết lưu lại để mạng nơ rôn phân loại đặc trưng EEG đạt kết tốt nhất 3.3 Kết luận Chương trích xuất 09 đặc trưng khác tín hiệu sóng não EEG từ người trưởng thành để tạo tập liệu mẫu Sau đó, mạng nơ rôn nhân tạo sử dụng phân loại thành cơng tín hiệu sóng não EEG khác tín hiệu EEG mã hóa thành tín hiệu Tới, Lùi, rẻ Phải, rẻ Trái Dừng điều khiển xe lăn điện chương 76 ... tín hiệu để điều khiển xe lăn điện Vậy ta cần giữ lại Raw wave để xử lý, cịn tín hiệu khác ta loại bỏ 53 Xử lý liệu sóng thơ thực phần mềm Matlab 3.1.4.3 Trích xuất đặc trưng Tín hiệu sóng thô EEG... lần/giây” “nhìn lên” đặc trưng đưa đến ngõ vào mạng nơ rôn ANN để phân loại thành tín hiệu điều khiển cho xe lăn điện Bảng 3.6 So sánh đặc trưng tín hiệu cử hành đợng “mở mắt”, “nhắm mắt”, “chớp mắt... hiệu sóng não EEG khác tín hiệu EEG mã hóa thành tín hiệu Tới, Lùi, rẻ Phải, rẻ Trái Dừng điều khiển xe lăn điện chương 76