MỞ ĐẦU Nghiên cứu tín hiệu điện não lĩnh vực quan tâm nhiều nhà khoa học nay, với mục đính phát triển ứng dụng hỗ trợ, phát bệnh lý người stress, trầm cảm [1][2][3]…, chuẩn đoán bệnh (động kinh, alzheimer – hội chứng suy giảm trí nhớ, chấn thương não), nhiên lĩnh vực điều khiển tự động phục vụ cho người, đặc biệt người khuyết tật chưa nghiên cứu nhiều Trước đây, việc đọc tín hiệu điện não đồ hay điện tim đồ công việc bác sĩ chuyên khoa thần kinh hay tim mạch, ngày với phát triển cơng cụ phân tích xử lý tín hiệu đại mạng neural hay hệ thống AI loại tín hiệu xử lý để đưa thông tin phục vụ cho yêu cầu khác, để điều khiển hỗ trợ hoạt động người Vì mục tiêu luận án xây dựng hệ thống hỗ trợ điều khiển số hoạt động người thơng qua tín hiệu điện não, ví dụ điều khiển chuyển động xe lăn cho người tàn tật khả hoạt động tay chân, đáp ứng nhu cầu xã hội thiết Nghiên cứu 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 dạng sóng Delta, Theta, Alpha, Beta, Gamma, sau sử dụng kỹ thuật gom cụm liệu trước đưa vào mạng neuron để phân loại thành tín hiệu mong muốn chuyển động Các mạng reuron thử nghiệm từ mạng đơn lớp đến mạng đa lớp cụ thể luận án lớp Hệ thống xử lý tín hiệu EEG tiền xử lý HHT dùng mạng neural với camera thử nghiệm mơ hình thực tế điều khiển xe lăn cho kết xác tốt đến 92,4% nhóm 20 người chọn cho thực nghiệm Điều thể thành công ý nghĩa thực tiễn 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 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 TỔNG QUAN VỀ TÍN HIỆU ĐIỆN NÃO Tóm tắt chương Trong chương tác giả trình bày khái qt tình hình nghiên cứu tín hiệu điện não EEG nước, ứng dụng đạt nay, phân tích vấn đề chưa giải quyết, hạn chế, mà luận án cần giải quyết, tác giả trình bày mục đích phạm vi nghiên cứu, đóng góp luận án thực tiễn 1.1 Tình hình nghiên cứu nước Cho đến thời điểm nay, cơng trình nghiên cứu lĩnh vực điện não ứng dụng kỹ thuật điều khiển nước ta không nhiều dừng lại mức độ nghiên cứu nghiên cứu hoạt động chớp mắt ảnh hưởng tín hiệu điện não [4], lọc nhiễu tín hiệu điện não EEG [5] ứng dụng nhận diện trạng thái điện não, cơng trình nghiên cứu này, đối tượng thu nhận tín hiệu điện não dạng hoạt động nên việc phát phân loại thực phương pháp ngưỡng biên độ Một nghiên cứu khác lý thuyết tín hiệu điện não liên quan đến vận động chi [6], nghiên cứu thực lý thuyết kết nghiên cứu có mối liên hệ việc vận động tưởng tượng vận động liên quan đến hoạt động thần kinh, cơng trình nghiên cứu lọc nhiễu tín hiệu điện não EEG… qua cho thấy việc nghiên cứu tín hiệu điện não ứng dụng điều khiển tự động nước ta chưa có, qua tìm hiểu số cơng trình cơng bố trang web trường đại học danh tiếng nước khơng có đề tài liên quan đến tín hiệu điện não điều khiển gần cơng bố 1.2 Tình hình nghiên cứu ngồi nước Hiện cơng trình nghiên cứu công bố báo tạp chí nước ngồi tập trung nghiên cứu chủ yếu vào phương pháp trích đặc điểm tín hiệu điện não offline, trạng thái tín hiệu điện não hữu thường xuyên stress, trầm cảm, động kinh [2][3]…, mà chưa quan tâm nhiều đến trích đặc điểm online, thời điểm xuất tín hiệu thời gian tồn tín hiệu Trang Theo [7][8] hoạt động não vấn đề có đặc điểm riêng biệt phản ánh thơng qua mẫu tín hiệu điện não mà ta thu nhận được, nhiên việc trích đặc điểm điều không dễ dàng, thời gian gần để nhận dạng đặc điểm mẫu tín hiệu điện não, số công việc thực phổ biến để trích xuất phát thời điểm thực như: chuyển động đầu, cổ, chớp mắt…[11][12][13][14] hoạt động dễ dàng phát thông qua biên độ ngưỡng tác động Các hoạt động khác tập trung, ý, tư duy, tưởng tượng [15][16][17]…, tượng trầm cảm, bệnh lý động kinh, đột quỵ… việc địi hỏi việc trích đặc điểm để nhận biết kiện tương đối khó so với vận động biên độ khơng tăng đột biến [7][18], việc trích đặc điểm địi hỏi phải sử dụng giải thuật để tìm đặc điểm như: phương pháp STFT, Wavelet Transform [19][20][21][22], hoạt động có thời gian thực kéo dài nên việc trích đặc điểm tương đối thuận lợi [23][24][15][16] Một cơng việc có thời gian hoạt động ngắn quan sát cảm nhận đối tượng bên ngồi, cơng việc địi hỏi thời gian ngắn phải trích đặc điểm mấu chốt giải luận văn, công bố tương tự việc nhận dạng thường trạng thái offline [17] để phân tích nhận dạng mẫu tín hiệu 1.3 Nội dung thực đề tài Trong trình thực luận án mình, để đánh giá phương pháp nghiên cứu mình, tác giả dựa vào sở liệu tín hiệu điện não EEG có sẵn cung cấp trường Đại học San Diego (UCSD) có uy tín Mỹ, xếp hạng thứ 38 giới năm 2018 [26][27], để xây dựng giải thuật xử lý nhận dạng mẫu tín hiệu điện não, sở liệu chứa tín hiệu điện não EEG thu nhận người nhìn vào loại hình ảnh khác có đặc trưng tín hiệu điện não khác Sau đánh giá tính khả thi của việc nhận dạng mẫu tín hiệu thơng qua mạng neural, tác giả tiến hành thu nhận mẫu tín hiệu điện não thơng qua việc quan sát loại hình khác bảng quan sát (con người, thành phố, phong cảnh, hoa vật), sau sử dụng cơng cụ tốn học để nâng cao độ xác q trình xử lý nhận dạng mẫu tín Trang hiệu EEG phương pháp trích đặc điểm Wavelet Transform, HHT [28][29][30] cơng thức tính tốn tỉ lệ tròng đen mắt, chân mày cách hợp lý để có kết xác thơng qua xử lý hình ảnh, tính luận án so với cơng trình trước tác giả mạnh dạn sử dụng nhận dạng mẫu tín hiệu EEG trực tuyến người dùng nhìn vào loại hình ảnh khác kết hợp camera để tăng độ xác giải thuật, khâu tiền xử lý tác giả kết hợp trích đặc điểm HHT với giải thuật gom cụm liệu giúp cho việc nhận dạng thông qua mạng neural nhanh sử dụng phương pháp khác Wavelet Transform giúp cho mạng Neural dễ hội tụ, tránh bị “overfitting”, làm việc hiệu xác Việc thiết kế phần mềm thu thập tín hiệu điện não EEG kỹ thuật xử lý ảnh cho hoạt động quan sát chuyển động mắt thể tính khả thi luận án áp dụng vào thực triển, số luận án trước liên quan đến việc hỗ trợ người khuyết tật điều khiển giọng nói, gậy thơng minh cho người mù, thiết bị cảm biến khác chưa có cơng trình nước ngồi nước thực đầy đủ nội dung 1.4 Mục đích nghiên cứu Tìm phương thức thu nhận mẫu tín hiệu điện não EEG cách dễ dàng hiệu Phân loại tín hiệu điện não EEG thu nhận người nhìn vào loại hình ảnh khác Nhận dạng thời điểm xuất mẫu tín hiệu điện não nhanh xác phục vụ cho việc phân loại mẫu tín hiệu để điều khiển xe lăn mơ hình Thiết kế thiết bị điều khiển xe lăn mơ hình phục vụ cho người khuyết tật nặng sử dụng công nghệ điện não EEG camera, kết luận án cho thấy người khuyết tật nặng, khơng thể tự di chuyển (nhưng minh mẫn mắt hoạt động tốt) điều khiển xe lăn theo ý muốn phạm vi việc sử dụng cảm nhận mắt thơng qua tín hiệu điện não EEG, ngồi sản phẩm đề tài có yếu tố dễ sử dụng có hỗ trợ camera (được gắn trực tiếp bảng quan sát) giúp cho người chưa tham gia điều khiển xe lăn tín hiệu điện não điều khiển thời gian ngắn dễ thực Trang hiện, xem tiền đề giúp cho cơng trình nghiên cứu sau kế thừa phát huy để tạo cơng trình nghiên cứu thật có ích sống 1.5 Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu luận án sử dụng mạng neural để phân loại mẫu tín hiệu điện não EEG thu nhận thành dạng lệnh điều khiển tương ứng với lệnh điều khiển xe lăn chạy tới, chạy lui, quay phải, quay trái, dừng lại, luận án đề cập đến trình xử lý ảnh để phát hướng mắt hổ trợ cho việc điều khiển xe xác hiệu hơn, nhiên phần xử lý ảnh tác giả không tập trung nhiều mà chủ yếu phần tín hiệu điện não EEG Trong phạm vi đề tài tác giả tập trung ý tưởng, học thuật phương pháp phân loại mẫu tín hiệu điện não EEG, xây dựng phần mềm ứng dụng để khiển xe lăn thực chạy tới, chạy lui, quay trái, quay phải dừng lại (xe xoay góc 90o) Do việc viết phần mềm điều khiển hệ thống mang tính chất minh họa, với yêu cầu đạt số trọng điểm nên luận án bỏ qua quy trình kiểm thử phần mềm Luận án khơng tập trung vào thời gian xử lý tín hiệu để phát câu lệnh, tốc độ di chuyển, gia tốc, góc quay xe, luận án không tập trung nhiều vào phần xử lý ảnh để tìm vị trí hướng mắt đề tài thực nhiều [31][32][33][34] đạt kết khả quan Do vấn đề thiết kế xe lăn cho người tàn tật nặng thực tế khó khăn kinh phí, thời gian thực hiện, mặt khác vấn đề nghiên cứu luận án phần lớn tập trung vào xử lý phần loại mẫu tín hiệu EEG online để điều khiều khiển xe lăn, luận án sử dụng đối sinh viên trường Cao đẳng Công thương TP HCM thực hiện, trình thực nghiệm thu nhận tín hiệu điện não em sinh viên sử dụng mắt suy nghĩ mình, chất luận án đảm bảo tính khoa học 1.6 Những đóng góp luận án 1.6.1 Đóng góp mặt lý thuyết Xây dựng mơ hình mạng Neural phân loại dạng mẫu tín hiệu điện não EEG người nhìn vào loại hình ảnh khác Tìm bảng Trang quan sát phù hợp đơn giản để thu thập liệu, kết hợp cách khoa học giải thuật trích đặc điểm gom cụm liệu trước đưa vào mạng neural để phân loại mẫu liệu, chứng minh việc áp dụng kỹ thuật cơng nghệ tín hiệu điện não EEG có nhiều ứng dụng hữu ích sống, khơng ứng dụng y sinh mà lĩnh vực điều khiển tự động, lĩnh vực nghiên cứu giúp cho bạn sinh viên Đại học Sau đại học nghiên cứu cho luận văn tốt nghiệp 1.6.2 Đóng góp mặt thực tiễn Luận án cho thấy kết nghiên cứu hồn tồn áp dụng cho người tàn tật nặng khơng thể tự di chuyển, điều khiển xe lăn theo ý muốn (người tàn tật nặng người tự di chuyển chân tay mình, đầu óc cịn minh mẫn mắt hoạt động người bình thường), bước giúp cho cơng trình sau kế thừa phát huy để tạo công trình nghiên cứu hữu ích sống dựa vào cơng nghệ tín hiệu điện não EEG 1.7 Cấu trúc nội dung luận án Cấu trúc luận án bao gồm phần: Tổng quan (chương 1, 2), nội dung nghiên cứu (chương 3, 4, 5), kết luận kiến nghị (chương 6) Các chương luận án tóm tắt sau: Chương 1: Tổng quan – Trình bày khái qt tình hình nghiên cứu tín hiệu điện não EEG nước, ứng dụng đạt nay, phân tích vấn đề chưa giải quyết, hạn chế, mà luận án cần giải quyết, ngồi tác giả trình bày mục đích phạm vi nghiên cứu, đóng góp luận án thực tiễn Chương 2: Cơ sở lý thuyết – Trình bày kiến thức liên quan đến luận án từ việc giới thiệu sơ kiến thức tín hiệu điện não EEG, phương pháp, kỹ thuật trích đặc điểm tín hiệu : Fourier, Wavelet Transform, HHT…, gom cụm liệu, đến việc phân loại đặc tính mẫu tín hiệu mạng neural đa lớp, kỹ thuật xử lý ảnh để trích đặc điểm hướng mắt, kiến thức cần có để nghiên cứu phát triển thuật toán xử lý thực nội dung luận án Trang Chương 3: Xây dựng mô hình – Trình bày trình xây dựng mạng neural đa lớp, tiến hành bước từ việc phân loại mẫu tín hiệu đến phân loại mẫu tín hiệu Trong chương trình bày kỹ thuật xử lý tín hiệu điện não kết hợp với xử lý ảnh thông qua camera Mỗi kết nghiên cứu có cơng trình nghiên cứu đăng báo, tạp chí quốc tế Chương 4: Xây dựng phần mềm phần cứng điều khiển xe lăn – Trong chương trình bày trình thiết kế phần mềm, chức phần mềm thiết kế, hướng dẫn cho người sử dụng chưa điều khiển xe lăn làm quen với việc điều khiển trình điều khiển xe lăn Các công việc mà phần mềm đảm nhận như: kết nối server, q trình thu nhận tín hiệu, trích đặc điểm, gom cụm mạng neural đa lớp phân loại mẫu tín hiệu Ngồi phần mềm cịn đảm nhận việc xử lý ảnh từ camera để phát di chuyển hướng mắt kết hợp với việc xử lý tín hiệu điện não EEG để đưa kết cuối Trình bày bước thực nghiệm để đánh giá kết trình thực luận án, so sánh kết thực phương pháp riêng biệt tín hiệu điện não xử lý ảnh cuối kết hợp phương pháp kết sau Mục đích lần thực nghiệm đánh giá lại toàn hoạt động hệ thống phần mềm Chương 5: Kết luận kiến nghị – Chương đánh giá kết đạt so với yêu cầu luận án đề xuất hướng phát triển đề tài đề ngày hoàn thiện 1.8 Kết luận chương Trong chương tác giả trình bày tổng quan tín hiệu điện não EEG, mục đích nghiên cứu, đóng góp luận án mặt lý thuyết thực tiễn Trong chương tác giả trình bày phương pháp trích đặc điểm tín hiệu lý thuyết mạng neural đa lớp kiến thức khác liên quan đến luận án Trang CHƯƠNG CƠ SỞ LÝ THUYẾT Tóm tắt chương Trong chương trình bày kiến thức liên quan đến luận án từ việc giới thiệu sơ kiến thức tín hiệu điện não EEG, phương pháp trích đặc điểm tín hiệu như: Fourier, Wavelet Transform, HHT…, gom cụm liệu, đến việc phân loại đặc tính mẫu tín hiệu mạng neural network đa lớp, kiến thức cần có để thực luận án 2.1 Tín hiệu điện não EEG 2.1.1 Giới thiệu tín hiệu điện não EEG Điện não đồ (EEG - Electroencephalogram) đo lường khác biệt điện trường vị trí khác vỏ não, việc đo lường biến đổi điện trường ta thu nhận tín hiệu điện não phản ánh hoạt động não [7][8][35] Hình Thu nhận tín hiệu điện não EEG Từ việc so sánh dạng sóng thu với dạng sóng tiêu chuẩn (delta, theta, alpha, beta gamma), bác sỹ đưa chẩn đốn tình trạng bệnh lý bệnh nhân (stress/ trầm cảm) xác Từ đời nay, với phát triển hồn thiện khơng ngừng việc nghiên cứu hoạt động đặc trưng tín hiệu điện não, điện não đồ đóng góp vai trị đáng kể chẩn đốn, điều trị tiên lượng bệnh hệ thần kinh trung ương[36][37] Trang Tín hiệu điện não EEG thu nhận từ trình hoạt động điện trường hàng tỉ tế bào thần kinh, tế bào liên lạc với thơng qua xung điện từ [7][38], hoạt động phát trường điện từ đủ lớn để xuyên qua mô, xương sọ vỏ não cuối ta đo lường da đầu mình, tín hiệu chứa lượng thơng tin vơ phong phú có ích cho người nên ghi lại xử lý tín hiệu có ý nghĩa vơ quan trọng [7][39] Hãy tưởng tượng giống động đất, xung đơn lẻ phát thể không tạo ý lớn hay chí khơng thể nhận biết được, nhiều xung phát thời điểm, vị trí tần số nhận biết chí cách xa hàng trăm số, hoạt động tín hiệu y sinh tương tư Các điện cực gắn vị trí da đầu hình 2.2 theo chuẩn 1020 quốc tế [40], giúp thu nhận tín hiệu y sinh (điện não) mà phản ánh đầy đủ cường độ hoạt động dây thần kinh thời điểm thu nhận tín hiệu Hình 2 Vị trí điện cực theo chuẩn 10-20 Có loại điện cực sử dụng để thu nhận tín hiệu điện não: can thiệp, bán can thiệp không can thiệp [22][41][42][43] Can thiệp bán can thiệp đòi hỏi đặt điện cực bên lớp da đầu người [44] điều giúp cho việc thu nhận tín hiệu tốt hơn, trung thực nhiên tiềm ẩn nhiều rủi ro nên đa phần nhà khoa học sử dụng phương pháp khơng can thiệp để thu nhận tín Trang CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ Tóm tắt chương Chương đánh giá kết đạt so với yêu cầu luận án đề xuất hướng phát triển đề tài để ngày hoàn thiện 5.1 Kết luận Qua trình nghiên cứu lý thuyết, xây dựng thuật tốn, xây dựng mơ hình tiến hành thực nghiệm trình bày luận án này, tác giả nhận thấy toán sử dụng tín hiệu điện não EEG camera hỗ trợ cho người khuyết tật nặng để điều khiển xe lăn giải đạt mục tiêu đặt Luận án trình bày đầy đủ bước từ việc xây dựng bảng quan sát (thu nhận liệu từ việc quan sát hình ảnh người, phong cảnh, thành phố,…), q trình ứng dụng cơng cụ toán học để thu nhận, xử lý, phân loại, nhận dạng tín hiệu điện não EEG để thu nhận kết cuối đưa vào điều khiển trình tự bước phải thực xây dựng thuật tốn, phân tích sở tốn học để giảm thiểu số kênh tín hiệu điện não nhằm giảm thời gian xử lý tối thiểu hóa độ lớn sở liệu Trong luận án sử dụng phương pháp trích đặc điểm tín hiệu theo phương pháp HHT có cải tiến cho phù hợp với đề tài, phân cụm liệu giúp cho mạng neural huấn luyện mạng nhanh hội tụ, tránh bị “overfitting” nhận diện câu lệnh đầy đủ, xác hơn; mạng neural sau phân loại câu lệnh, hệ thống xuất tín hiệu điều khiển để điều khiển xe lăn thông qua kết nối không dây với bluetooth, giúp cho hệ thống hoạt động gọn gàng đơn giản hơn, cấu chấp hành xe lập trình để nhận lệnh từ máy tính thực thi theo câu lệnh Trong luận án, tác giả tập trung nghiên cứu tìm phương thức thu nhận mẫu tín hiệu điện não dễ thực hiện, giảm thời gian, tránh sai sót việc xây dựng bảng quan sát với kích thước phù hợp tương ứng với đối tượng hình ảnh khác Phương pháp trích đặc điểm tín hiệu điện não EEG việc tổng hợp tổng tín hiệu trước đưa vào mạng neural đề xuất Trang 81 luận án giúp cho việc phân loại mẫu tín hiệu nhanh xác 92,4% Giảm bớt số kênh phân tích tín hiệu giúp giảm thời gian xử lý, việc giảm số kênh tín hiệu dựa vào đặc điểm vị trí điện cực vỏ não qua trình thực nghiệm Việc kết hợp gắn camera để quan sát hướng mắt giúp cho hệ thống chạy ổn định giúp cho người tham gia huấn luyện nhanh chóng thành thạo với việc điều khiển xe lăn Sử dụng tín hiệu điện não EEG lĩnh vực điều khiển đề xuất luận án số cơng trình nghiên cứu nước tìm hiểu tín hiệu điện não, lọc nhiễu tín hiệu, sử dụng chớp mắt việc nhận dạng phát tượng chớp mắt Xây dựng hệ thống phần mềm thu nhận tín hiệu EEG thử nghiệm điều khiển xe lăn mơ hình Tác giả xây dựng hệ thống điều khiển thơng qua xử lý tín hiệu điện não EEG điều khiển mơ hình vật lý xe lăn hình 5.1, kết hợp với trình động học xe xử lý lệnh điều khiển liên tục… giúp mơ hình tiếp tục phát triển ứng dụng thực tế Sau thời gian tìm hiểu, nghiên cứu vấn đề liên quan đến tín hiệu điện não EEG, chuẩn bị tiến hành thực nghiệm đối tượng sinh viên để tìm tập liệu mẫu đáng tin cậy phục vụ cho việc huấn luyện mạng neural, tác giả nghiên cứu cách cẩn thận khoa học từ giới thiệu mục đích thực nghiệm, tâm lý người thực nghiệm (tránh lo ngại, không tự tin, tập trung tham gia thực nghiệm), quy trình tiến hành thực nghiệm hợp lý, dễ thực hiện, lựa chọn thời gian thực nghiệm cho phù hợp với sinh viên, cuối việc sàng lọc liệu để có tập liệu đáng tin cậy, sau có mẫu liệu đáng tin cậy này, tiến hành thực nghiệm cho số sinh viên (chưa tham gia huấn luyện) số sinh viên tham gia huấn luyện để có kết luận xác khoa học độ tin cậy hệ thống Ngoài ra, việc kết hợp xử lý, phân loại tín hiệu EEG kết hợp với camera giúp cho hệ thống hoạt động hiệu an toàn hơn, người tham gia thực nghiệm Trang 82 dễ dàng điều chỉnh suy nghĩ tập trung q trình học lệnh có phản hồi kịp thời âm (kết từ việc xử lý ảnh xử lý tín hiệu) Trong trình nghiên cứu, tác giả tham gia báo cáo kết nghiên cứu hội nghị khoa học quốc gia quốc tế, công bố báo khoa học quốc tế, báo hội nghị nước đề nghiên cứu khoa học cấp trường nghiệm thu, có trich dẫn Scopus, 01 trích dẫn ISI (chuẩn ESCI) 5.2 Kiến nghị Qua trình nghiên cứu, tác giả mong nhận quan tâm bạn bè, đồng nghiệp, nhà nghiên cứu khoa học, nhà hoạt động xã hội quan tâm ủng hộ mặt tinh thần chia sẻ kiến thức liên quan để xây dựng cơng trình hồn thiện có ích cho xã hội nói chung người khuyết tật nói riêng Hình Mơ hình tổng hợp đề tài Việc thu nhận, xử lý nhận dạng tín hiệu điện não EEG tiếp tục nghiên cứu giới, nhằm giải nhiều vấn đề khác y học nhiều lĩnh vực khác sản xuất, đời sống kinh tế, xã hội, ví dụ điều khiển xe hình 5.2, sản xuất, lĩnh vực kinh doanh, giải trí… thiết nghĩ Việt Nam nói chung trường Đại Học Giao thơng Vận tải Tp Hồ Chí Minh Trang 83 nói riêng nên tiếp tục nghiên cứu để tạo sản phẩm, thật có ích cho xã hội Hình Xe lăn điều khiển tín hiệu EEG Ngồi việc nghiên cứu tín hiệu điện não EEG hỗ trợ cho người khuyết tật, việc phân tích xử lý tín hiệu điện não EEG vận dụng để áp dụng lĩnh vực khác tâm lý y sinh nhằm phát trường hợp bị trầm cảm, stress đưa đề xuất phù hợp cho người; lĩnh vực kinh doanh marketing khảo sát tâm lý khách hàng, ví dụ khu vực trưng bày sản phẩm, khách hàng quan tâm nhiều đến sản phẩm tín hiệu não EEG ghi nhận lại hình 5.3, từ nhà hoạch định kinh doanh đưa chiến lược kinh doanh phù hợp hiệu Hình Khảo sát khách hàng tín hiệu EEG Cuối để ứng dụng lĩnh vực điều khiển tự động tín hiệu điện não EEG ngày phát triển giúp nghiên cứu sinh có đam mê lĩnh vực này, tác giả mạnh dạn đề nghị Khoa Điện, Điện Tử - Viễn Thông, Viện Đào tạo sau đại học Nhà trường trang bị phòng nghiên cứu lĩnh vực để nghiên cứu sinh dễ dàng trao đổi vào học tập lẫn Trang 84 CÁC CƠNG TRÌNH NGHIÊN CỨU ĐÃ CƠNG BỐ [1] Quang Chuyen Lam, Luong Anh Tuan Nguyen, Huu Khuong Nguyen A Novel Approach for Classifying EEG Signal with Multi-Layer Neural Network ICRAI 2017 Proceedings of the 2017 International Conference on Robotics and Artificial Intelligence (ISBN:978-1-4503- 5358-8 ), (ACM Digital Library), Pages 79-83, December, 2017 (Scopus) [2] Lâm Quang Chuyên, Nguyễn Hữu Khương, Nhận dạng tín hiệu EEG với thiết bị Emotiv thông qua mạng nơron đa lớp Kỷ yếu Hội Nghị Khoa Học Công Nghệ Giao Thông Vận Tải lần IV (ISBN: 978-604-76-1578-0), Trang 150-156 Tháng 05 Năm 2018 [3] Quang Chuyen Lam, Luong Anh Tuan Nguyen, Huu Khuong Nguyen Build Control Command Set Based on EEG Signals via Clustering Algorithm and Multi-Layer Neural Network Journal of Communications (ISSN: 1796-2021), pages 406-413, Vol 13, No 7, July, 2018 (Scopus) [4] Luong Anh Tuan Nguyen, Quang Chuyen Lam and Huu Khuong Nguyen Developing a Wheelchair System Controlled Based on EEG Signal and Eye-Direction International Journal of Computer Science and Network Security (ISSN: 1738-7906), Pages 115-122, VOL.19 No.3, March 2019 (ISI – ESCI) [5] Nguyễn Hữu Khương, Lâm Quang Chuyên, Phạm Thúy Ngọc đề tài nghiên cứu khoa học cấp trường “Xây dựng hệ thống điều khiển xe lăn dựa vào tín hiệu điện não với hỗ trợ Camera”, Mã số: KH1818, nghiệm thu tháng 8/2019 Trang 85 TÀI LIỆU THAM KHẢO [1] P J Werbos (1974), Beyond regression: new tools for prediction and analysis in the behavior sciences PhD Thesis, Harvard University, Committee on Applied Mathematics, 1974 [2] A Temko, G Boylan, W Marnane, and G Lightbody “Robust neonatal EEG seizure detection through adaptive background modeling,” Int J Neural Syst., vol 23, no 4,pp 1350018, 2013 [3] Temko A, Boylan G, Marnane W, Lightbody G Robust neonatal EEG seizure detection through adaptive background modeling Int J Neural Syst 2013;23(4): 1350018 [4] Nguyễn Thanh Hải, Nguyễn Văn Trung (Trường ĐH Sư phạm Kỹ thuật), Võ Văn Tới (Trường Đại học Quốc tế, ĐHQG-HCM) “Điều khiển xe lăn điện hoạt động mắt dựa tín hiệu điện não” Trường ĐH Sư phạm Kỹ thuật Tp HCM, 09/2013 – Science & Technology Development, Vol 16, No K3 – 2003 [5] Huỳnh Văn Tuấn, Huỳnh Quang Vũ “Nghiên cứu phương pháp lọc nhiễu tín hiệu điện não ứng dụng nhận diện số trạng thái tín hiệu điện não”, Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM, tạp chí phát triển KH&CN, tập 20, số T4-2017 [6] Duc-Nghi Tran1, Duc-Tan Tran2 “Nghiên cứu phát triển phần mềm loại nhiễu phục vụ chuẩn đoán điện não đồ” 1Vietnam Acdemy of Science and Technology, Phenikaa University, Hội thảo quốc gia 2014 điện tử, Truyền thông Công nghệ thông tin (ECIT2014), Conference Paper: January 2014 [7] Secid Sanei and J A Chambers – “EEG Signal Processing” – Centre of Digital Signal Processing – Cardiff University, UK, John Wiley & Sons, Ltd – 2007 [8] Naisan Yazdani, Fatemah Khazab, Sean Fitzgibbon, Martin Luerssen “Towards a brain-controlled Wheelchair Prototype” © 2010 [9] https://www.asianscientist.com/2015/11/in-the-lab/high-speed-spelling- brain-waves/ Trang 86 [10] Brijil Chambayil, Rajesh Singla, R Jha, “EEG Eye Blink Classification Using Neural Network”, pp 603-608, vol 1, Springer-Verlag Berlin Heidelberg, July 2, 2010 [11] Attaullah Sahito,M Abdul Rahman, Jamil Ahmed - Department of Computer Science - Sukkur Institute of Business Administration - Airport road Sukkur, Pakistan “Adaptive Error Detection method for P300-Based Spelling using Riemannian Geometry” (IJACSA) International Journal of Advanced Computer Science and Applications, Vol 7, No 11, 2016 [12] Mohammed Azher Therib, mohammedtherib@gmail.com “Smart blinding stick with holes, obstacles and ponds detector based on microcontroller” Al-Furat Al-Awsat Technical University/ Engineering Technical College of Al-Najaf Journal of Babylon University/Engineering Sciences/ No.(5)/ Vol.(25): 2017 [13] D.Sathya, M.J.Ahanaa - 1, 2, S.Nithyaroopa, P.Betty, G.Santhoshni, S.Sabharinath, Assistant Professor, Department of Computer Science and Engineering, Kumaraguru College of Technology Coimbatore 2, 3, UG Final Year, Computer Science and Engineering, Kumaraguru College of Technology, Coimbatore “SMART WALKING STICK FOR BLIND PERSON” International Journal of Pure and Applied Mathematics - Volume 118 No 20 2018, 4531-4536 - ISSN: 1314-3395 (on-line version) url: http://www.ijpam.eu Special Issue [14] Dada Emmanuel Gbenga #1, Arhyel Ibrahim Shani #2, Adebimpe Lateef Adekunle *3 # Department of Computer Engineering, *Department of Computer Science, 1,2 University of Maiduguri, Maiduguri, Borno State, Nigeria Emmanuel Alayande College of Education, Oyo, Oyo State, Nigeria “Smart Walking Stick for Visually Impaired People Using Ultrasonic Sensors and Arduino” Dada Emmanuel Gbenga et al / International Journal of Engineering and Technology (IJET) ISSN (Print) : 2319-8613 ISSN (Online) : 0975-4024 [15] Abdel Ilah N Alshbatat, Peter J Vial, Prashan Premaratne, Le C Tran, “EEG-based Brain-computer Interface for Automating Home Appliances”, JOURNAL OF COMPUTERS, VOL 9, NO 9, SEPTEMBER 2014 [16] Vilic, A.; Kjaer, T.W.; Thomsen, C.E.; Puthusserypady, S.; Sorensen, H.B.D DTU BCI speller: An SSVEP-based spelling system with dictionary Trang 87 support In Proceedings of the 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Osaka, Japan, 3–7 July 2013; pp 2212–2215 [17] Fatma Ben Taher, Nader Ben Amor, Mohamed Jallouli “A multimodal wheelchair control system based on EEG signals and Eye tracking fusion” Ecole Nationale d’Ingnieurs de Sfax Univrsit de Sfax 978-1-4673-7751-5/15/$31.00 ©2015 IEEE [18] Amin, H U., Malik, A S., Ahmad, R F., Badruddin, N., Kamel, N., & Hussain, M., et al (2015) Feature extraction and classification for eeg signals using Wavelet Transform and machine learning techniques Australasian Physical & Engineering Sciences in Medicine, 38(1), 1-11 [19] Maziar A Sharbafi, Caro Lucas, and Roozbeh Daneshvar Motion Control of Omni-Directional ThreeWheel Robots by Brain-Emotional-Learning-Based Intelligent Controller IEEE Trans on Systems, Man, and Cybernetics—Part C: Applications and Reviews, Vol 40, No 6, 2010 [20] Vito Puliafito, Silvano Vergura, Mario Carpentieri, “Fourier, Wavelet, and Hilbert-Huang Transforms for Studying Electrical Users in the Time and Frequency Domain” This paper is an extended version of paper published in the International Conference: EEEIC 2016, Florence, Italy, 7–10 June 2016 [21] Alexander J Casson, David C Yates, Shyam Patel and Esther Rodriguez- Villegas, An analogue bandpass filter realisation of the Continuous Wavelet Transform, Proceedings of the 29th Annual International Conference of the IEEE EMBS, pp 1850-1854Lyon, France August 23-26, 2007 [22] Smith S J M EEG in the diagnosis, classification, and management of patients with epilepsy Journal of Neurol Neurosurg and Psychiatry 2005;76:ii2ii7 [23] Kijewski-Correa, T., and A Kareem (2006) Efficacy of Hilbert and Wavelet Transforms for time-frequency analysis, J Eng Mech 132, no 10, 1037– 1049 Trang 88 [24] D Cvetkovic, E D Ubeyli, and I Cosic, “Wavelet Transform feature extraction from human PPG, ECG, and EEG signal responses to ELF PEMF exposures: a pilot study,” Digital Signal Processing, vol 18, no 5, pp 861–874, 2008 [25] Lukas Maly, Ludek Zalud, “CONTROL OF THE ELECTRIC WHEELCHAIR USING EEG CLASSIFICATION” [26] EEG Data, URL: http://sccn.ucsd.edu/~arno/fam2data/publicly_available_EEG_data.html [27] https://www.topuniversities.com/node/2243/ranking-details/world- university-rankings [28] Liu, Z & Ying, Q & Luo, Z & Fan, Y (2016) Analysis and research on EEG signals based on HHT algorithm 423-426 10.1201/9781315265278-95 [29] Mwasiagi, J I., Wang, X H., & Huang, X B (2009) The use of K-means and artificial neural network to classify cotton lint Fiber and Polymers, 10, 379– 383 [30] J I Mwasiagi, X H Wang, and X B Huang, “The use of K-means and artificial neural network to classify cotton lint,” Fiber and Polymers, no 10, pp 379–383, 2009 [31] ChaitrashreeV1, Vivechana M S2, Anindita Das3, Shewtha N.S4, Shilpashree P S.5 “WIRELESS GESTURE CONTROLLED WHEEL CHAIR USING IMAGE PROCESSING” Department of Electronics and Communication, Siddaganga Institute of Technology Tumakuru, Karnataka, ISSN, (PRINT): 2393-8374, (ONLINE): 2394-0697, Volume-4, Issue-7, 2017 [32] Srimathi P, Kanthini B1, Kaushik Kumar Sen2, “Wheelchair Control Using An Eye Tracking System For Assisted Mobility”, Electronics and Communication Engineering, SRM University, Vadapalani, International Journal for Research in Applied Science & Engineering Technology (IJRASET), www.ijraset.com, IC Value: 13.98, Volume 3, Special Issue-1, May 2015, ISSN: 2321-9653 [33] Devansh Mittal, S Rajalakshmi and T Shankar “Demonstration of automatic wheelchair control by tracking eye movement and using IR sensors”, Trang 89 Eepartment of Electronics and Communication Engineering, SENSE VIT University, Vellore, Tamil Nadu, India, Email: srajalakshmi@vit.ac.in, www.arpnjournals.com, ARPN Journal of Engineering and Applied Sciences – 2006-2018 Asian Research Publishing Network (ARPN) All rights reserved, Vol 13, No 11, June 2018, ISSN 1819-6608 [34] C C Lo, T Y I Chien, Y C Chen, S H Tsai, W C Fang, and B S Lin, “A wearable channel selection-based brain-computer interface for motor imagery detection,” Sensors, vol 16, no 2, 2016 [35] Camilo J Cela Conde, Gisele Marty “Mind Architecture and Brain Architecture” Biology and Philosophy 12: 327–340, 1997 c 1997 Kluwer Academic Publishers Printed in the Netherlands [36] Jiawei Zhang - jiawei@ifmlab.org - Founder and Director – “Secrets of the Brain: An Introduction to the Brain Anatomical Structure and Biological Function” Information Fusion and Mining Laboratory, (First Version: April 2019; Revision: April 2019.) [37] https://asa.scitation.org/doi/abs/10.1121/1.406528 [38] Abdelkader Nasreddine Belkacem, Hideaki Hirose, Natsue Yoshimura, Duk Shin,Yasuharu Koike, Classification of Four Eye Directions from EEG Signals for Eye-Movement-Based Communication Systems, Journal of Medical and Biological Engineering, 34(6): 581-58, December 2014 [39] David Steyrl, Reinmar J Kobler, Gernot R Müller-Putz “On Similarities and Differences of Invasive and Non-Invasive Electrical Brain Signals in BrainComputer Interfacing” Received 12 May 2016; accepted 26 June 2016; published 30 June 2016, J Biomedical Science and Engineering, 2016, 9, 393-398 [40] Valer Jurcak, Daisuke Tsuzuki, Ippeita Dan “10/20, 10/10, and 10/5 systems revisited: Their validity as relative head-surface-based positioning systems” Sensory and Cognitive Food Science Laboratory, National Food Research Institute, 2-1-12 Kannondai, Tsukuba 305-8642, Japan, Received 29 September 2005; revised 30 August 2006; accepted 20 September 2006 Available online January 2007 Trang 90 [41] M Teplan “Fundamentals of EEG measurement” Institute of Measurement Science, Slovak Academy of Sciences, Dúbravská cesta 9, 841 04 Bratislava, Slovakia, MEASUREMENT SCIENCE REVIEW, Volume 2, Section 2, 2002 [42] William O Tatum, Aatif M Husain, Selim R Benbahis, Peter W Kaplan “Handbook of EEG Interpretation” ISBN-13: 978-1-933864-11-2 (pbk: alk paper) ISBN-10: 1-933864-11-7 (pbk.: alk paper) [43] Suzana Herculano-Houzel, Laboratório de Neuroanatomia Comparada, Instituto de Ciências Biomédicas, Universidade Federal Rio de Janeiro, Rua Carlos Chagas Filho 373, 21950-902 Rio de Janeiro, Rio de Janeiro, Brazil email: moc.liamg@hhanazus – “The Human Brain in Numbers: A Linearly Scaledup Primate Brain” Published online 2009 Nov Prepublished online 2009 Aug PMCID: PMC2776484 PMID: 19915731 [44] Y M Chi, T.-P Jung, and G Cauwenberghs, "Dry-contact and Noncontact Biopotential Electrodes: Methodological Review," IEEE Reviews in Biomedical Engineering, vol Vol 3, pp pp 106-119, 2010 [45] Emilia Mikolajewska, Dariusz Mikolajewski “Non – invasive EEG based brain computer interfaces in patients with disorders of consciousness” , Mikołajewska and Mikołajewski Military Medical Research 2014 [46] L Mayaud, M Congedo, A van Laghenhove et al., “A comparison of recording modalities of P300 Event Related Potentials (ERP) for Brain-Computer Interface (BCI) paradigm,” Clinical Neurophysiology, vol 43, no 4, pp 217–227, 2013 [47] Heaton, Jeffrey (2008) Introduction to Neural Networks for Java [48] Prof Brad Osgood “The Fourier Transform and its Applications” Electrical Engineering Department Stanford University [49] Hornero et al., 2009 Nonlinear analysis of electroencephalogram and magnetoencephalogram recordings in patients with Alzheimer’s disease Phil Trans R Soc A 367:317–336 [50] E Niedermeyer and F H L da Silva, Electroencephalography: Basic Principles, Clinical Applications, and Related Fields: Lippincott Williams & Wilkins, 2005 Trang 91 [51] T Heinonen, P.J Lahti “Heisenberg’s Uncertainty Principle” Department of Physics, University of Turku, Turku, Finland, 12/ 2006 [52] Signal quality of simultaneously recorded invasive and non-invasive EEG, volume 46, Issue 3, 01-July-2009, pages 708-716 [53] D Brunet, G Young et al 2000 Electroencephalography, Guidelines for Clinical Practice and Facility Standards, College of Physicians and Surgeons of Ontario, Canada [54] Jiawei Zhang - jiawei@ifmlab.org - Founder and Director – “Secrets of the Brain: An Introduction to the Brain Anatomical Structure and Biological Function” Information Fusion and Mining Laboratory, (First Version: April 2019; Revision: April 2019.) [55] Amjed S Al-Fahoum1 and Ausilah A Al-Fraihat “Review Article Methods of EEG Signal Features Extraction Using Analysis in Frequency and Time-Frequency Domains” Hindawi Linear Publishing Corporation ISRN Neuroscience Volume 2014, Article ID 730218, pages [56] Wang, T.; Zhang, M.; Yu, Q.; Zhang, H Comparing the applications of EMD and EEMD on time-frequency analysis of seismic signal J Appl Geophys 2012, 83, 29–34 [57] D J McFarland, C W Anderson, K R Muller, A Schlogl, and D J Krusienski, "BCI meeting 2005-workshop on BCI signal processing: feature extraction and translation," IEEE Transaction on Neural Systems and Rehabilitation Engineering, vol 14, pp 135-138, 2006 [58] P Goupillaud, A Grossmann, and J Morlet, “Cycleoctave and related Transforms in seismic signal analysis,” Geoexploration, vol 23, no 1, pp 85–102, 1984 [59] Maria Sandsten “Time-Frequency Analysis of Time-Varying Signals and Non-Stationary Processes” LUND UNIVERSITY, CENTRUM SCIENTIARUM MATHEMATICARUM, Centre for Mathematical Sciences, 2018 [60] Chadwick, N.A.; McMeekin, D.A.; Tan, T., Classifying eye and head movement artifacts in EEG signals, Proceedings of the 5th IEEE International Conference on Digital Ecosystems and Technologies Conference (DEST), pp 285 – 291, 2011 Trang 92 [61] Joel Feldman “The Fourier Transform” 2007 All rights reserved March 1, 2007 [62] Yerin Yoo “Tutorial on Fourier Theory” March 2001 [63] Mazdak Fatahi “An introduction to Wavelet Transform” Razi university 12/ 2003 [64] Chun Lin, Liu “A totorial of the Wavelet Transform” 02/ 2010 [65] Daniel T.L Lee, Akio Yamamoto “Wavelet Analysis Theory and Application” December 1994, Hewlett – Packard Journal [66] Y Meyer, Wavelets and Applications, Paris: Masson; 1992 [67] Köse, Ayşe & Sarabaty, H (2017) EEG Signals Analysis using Hilbert- Huang Transform [68] Chi-Chun Lo, Tsung-Yi Chien, Yu-Chun Chen, Shang-Ho Tsai, Wai-Chi Fang, and Bor-Shyh Lin, “A Wearable Channel Selection-Based Brain-Computer Interface for Motor Imagery Detection,” Sensors, vol 16, no 2, 2016 [69] Deniel C Browman, Jonathan M Lees “The Hilbert–Huang Transform: A High Resolution Spectral Method for Nonlinear and Nonstationary Time Series” [70] Yumlembam Rahul, Mr.Rupam Kumar Sharma, Ms.Nissi Paul “A REVIEW ON EEG CONTROL SMART WHEEL CHAIR” ISSN No 0976-5697 , Volume 8, No 9, November-December 2017 [71] Norden E Huang, Zhaohua Wu “A review on Hilbert Huang Transform Method and its applications to geophysical studies” N E Huang, Research Center for Adaptive Data Analysis, National Central University, 300 Jhongda Road, Chungli, 32001 Taiwan (norden@ncu.edu.tw) Z Wu, Center for Ocean-LandAtmosphere Studies, Calverton, MD 20705, USA, published June 2008 [72] B Jenita Amali Rani, A Umamakeswari “Electroencephalogram-based Brain Controlled Robotic Wheelchair” ISSN (Print) : 0974-6846, ISSN (Online) : 0974-5645, Indian Journal of Science and Technology, Vol 8(S9), 188–197, May 2015 [73] D E Rumelhart, G E Hinton, and R J Williams (1986), Learning representations by back-propagating errors Nature, 323:533–536, 1986 Trang 93 [74] C Willmott and K Matsuura, “Advantages of the Mean Absolute Error (MAE) over the Root Mean Square Error (RMSE) in assessing average model performance,” Clim Res., no 30, pp 79–82, 2005 [75] Jiawei Han, Micheline Kamber, Data Mining: Concepts and Techniques, Second Edition, Elsevier Inc All rights reserved, 2006 [76] Hengqing Ge, Guibin Chen, Haichun Yu, Huabao Chen and Fengping An “Theoretical Analysis of Empirical Mode Decomposition” School of Physics and Electronic Electrical Engineering, Huaiyin Normal University, Huaian 223001, China; ghq@hytc.edu.cn (H.G.); gbchen@hytc.edu.cn (G.C.); yhc@hytc.edu.cn (H.Y.); chbchb@hytc.edu.cn (H.C.) * Correspondence: anfengping@bit.edu.cn; Tel.: +86-517-8418-0686, Published: 10 November 2018 [77] S Haykin (1999), Neural networks: A comprehensive foundation, in The Knowlegde Engineering Review Vol 13, 1999, pp 409–412 [78] S H Liao and C H Wen (2005), Artificial neural networks classification and clustering of methodologies and applications - literature analysis from 1995 to 2005, in Expert Systems with Applications, vol 32, 2007, pp 1–11 [79] Youguo Li, Haiyan Wu, Department of Computer Science, Xinyang Agriculture College, Xingyang, Henan 464000, China “A Clustering Method Based on K-Means Algorithm”, 2012 International Conference on Solid State Devices and Materials Science, Physics Procedia 25 (2012) 1104-1109, SciVerse ScienceDirect, Elsevier, www.sciencedirect.com [80] R Kohavi and F Provost, Glossary of Terms, Editorial for the Special Issue on Applications of Machine Learning and the Knowledge Discovery Process, 1998 [81] G P Zhang (2000), Neural networks for classification: a survey, in Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, Vol 30, 2000, pp 451–462 [82] Vijay Khare, Jayashree Santhosh, Sneh Anand, Manvir Bhatia “Brain Computer Interface Based Real Time Control of Wheelchair Using Electroencephalogram” International Journal of Soft Computing and Engineering (IJSCE) SSN: 2231-2307, Volume-1, Issue-5, Nov 2011 Trang 94 [83] Vijay Khare, Jayashree Santhosh, Sneh Anand, Manvir Bhatia, “Control WheelChair Using Electroencephalogram” (IJCSIS) International Journal of Computer Science and Information Security, Vol 8, No.2, 2010 [84] Rahib H Abiyev, Nurullah Akkaya, Ersin Aytac, Irfan Gunsel, Ahmet Cagman, “BRAIN BASED CONTROL OF WHEELCHAIR” Applied Artificial Intelligence Research Centre, Near East University, Lefkosa, Mersin-10, North Cyprus, Turkey [85] Anas Fattouh, Odile Horn, Guy Bourhis Emotional BCI Control of a Smart Wheelchair IJCSI International Journal of Computer Science Issues, Vol 10, Issue 3, No 1, May 2013 [86] Daniel C Brown, Jonathan M Lees “The Hilbert–Huang Transform: A High Resolution Spectral Method for Nonlinear and Nonstationary Time Series”, Seismological Research Letters Volume 84, Number November/December 2013 [87] Nikhil R Folane, R M Autee “EEG Based Brain Controlled Wheelchair for Physically Challenged People” International Journal of Innovative Research in Computer and Communication Engineering, vol 4, Issue 1, January 2016, ISSN (Online): 2320-9801; ISSN (Print): 2320-9798 [88] T W Ridler and S Calvard, “Picture thresholding using an iterative selection method,” IEEE Transactions on Systems, Man and Cybernetics, SMC-8, pp.630-632, 1978 Trang 95 ... lăn mơ hình Thiết kế thiết bị điều khiển xe lăn mơ hình phục vụ cho người khuyết tật nặng sử dụng công nghệ điện não EEG camera, kết luận án cho thấy người khuyết tật nặng, khơng thể tự di chuyển... cứng điều khiển xe lăn – Trong chương trình bày trình thiết kế phần mềm, chức phần mềm thiết kế, hướng dẫn cho người sử dụng chưa điều khiển xe lăn làm quen với việc điều khiển trình điều khiển xe. .. nghiên cứu Đối tượng nghiên cứu luận án sử dụng mạng neural để phân loại mẫu tín hiệu điện não EEG thu nhận thành dạng lệnh điều khiển tương ứng với lệnh điều khiển xe lăn chạy tới, chạy lui, quay