(Luận văn thạc sĩ hcmute) nhận dạng hoạt động gõ tay thông qua phân tích tín hiệu quang phổ cận hồng ngoại (nirs) dùng giải thuật hồi quy

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGÔ QUỐC CƯỜNG NHẬN DẠNG HOẠT ĐỘNG GÕ TAY THƠNG QUA PHÂN TÍCH TÍN HIỆU QUANG PHỔ CẬN HỒNG NGOẠI (NIRS) DÙNG GIẢI THUẬT HỒI QUY S K C 0 9 NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 S KC 0 Tp Hồ Chí Minh, 2012 Luan van lâm BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGÔ QUỐC CƢỜNG NHẬN DẠNG HOẠT ĐỘNG GÕ TAY THƠNG QUA PHÂN TÍCH TÍN HIỆU QUANG PHỔ CẬN HỒNG NGOẠI (NIRS) DÙNG GIẢI THUẬT HỒI QUY NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Tp Hồ Chí Minh, tháng 10/2012 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGƠ QUỐC CƢỜNG NHẬN DẠNG HOẠT ĐỘNG GÕ TAY THÔNG QUA PHÂN TÍCH TÍN HIỆU QUANG PHỔ CẬN HỒNG NGOẠI (NIRS) DÙNG GIẢI THUẬT HỒI QUY NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Hƣớng dẫn khoa học: TS NGUYỄN THANH HẢI Tp Hồ Chí Minh, tháng 10/2012 Luan van Quyết định giao đề tài [chèn vào định có đóng mộc] i Luan van LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƢỢC: Họ & tên: Ngơ Quốc Cƣờng Giới tính: Nam Ngày, tháng, năm sinh: 17/05/1987 Nơi sinh: TP Hồ Chí Minh Quê quán: Tây Ninh Dân tộc: Kinh Chỗ riêng địa liên lạc: 28B, đƣờng 494, khu phố 4, phƣờng Tăng Nhơn Phú A, Quận 9, TP Hồ Chí Minh Điện thoại quan: Điện thoại nhà riêng: Fax: E-mail: ngoquoccuong175@gmail.com II QUÁ TRÌNH ĐÀO TẠO: Trung học chuyên nghiệp: không Hệ đào tạo: …… Nơi học (trƣờng, thành phố): Ngành học: Thời gian đào tạo từ ……/…… đến ……/ Đại học: Hệ đào tạo: Chính quy Thời gian đào tạo từ 10/2005 đến 01/ 2010 Nơi học (trƣờng, thành phố): Đại Học Sƣ Phạm Kỹ Thuật TP HCM Ngành học: Công nghệ điện tử - viễn thông Tên đồ án, luận án môn thi tốt nghiệp: Thiết kế thi công hệ thống DSCDMA Ngày & nơi bảo vệ đồ án, luận án thi tốt nghiệp: 01/2010, Bộ môn Điện Tử Viễn Thông, Khoa Điện- Điện Tử, Đại Học Sƣ Phạm Kỹ Thuật TP HCM Ngƣời hƣớng dẫn: Th.S Nguyễn Ngô Lâm III Q TRÌNH CƠNG TÁC CHUN MƠN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian 02/2010-8/2010 10/2010- Nơi công tác Đại Học Sƣ Phạm Kỹ Thuật TP HCM Đại Học Sƣ Phạm Kỹ Thuật TP HCM ii Luan van Công việc đảm nhiệm Giảng viên thỉnh giảng Giảng viên hữu LỜI CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu tơi Các số liệu, kết nêu luận văn trung thực chƣa đƣợc công bố công trình khác Tp Hồ Chí Minh, ngày … tháng … năm 2012 (Ký tên ghi rõ họ tên) iii Luan van LỜI CẢM ƠN Em xin chân thành cảm ơn quý Thầy Cô Khoa Điện Điện tử trang bị cho em kiến thức giúp đỡ em giải khó khăn q trình làm luận văn Bên cạnh em xin cảm ơn anh chị học viên đóng góp ý kiến cho để đề tài đạt hiệu Đặc biệt, em xin chân thành cảm ơn Thầy hƣớng dẫn, T.S Nguyễn Thanh Hải tận tình giúp đỡ trình lựa chọn đề tài hỗ trợ em q trình thực Và khơng qn gởi lời cảm ơn đến quý Thầy Cô, bạn sinh viên Bộ Môn Kỹ Thuật Y Sinh, Đại Học Quốc Tế, Đại Học Quốc Gia TP Hồ Chí Minh, ngƣời xung phong tham gia hỗ trợ thu thập liệu Học viên Ngô Quốc Cƣờng iv Luan van TÓM TẮT Trong thập kỷ gần đây, nghiên cứu việc não giao tiếp máy tính phục vụ cho mục đích chẩn đốn phục hồi chức không ngừng phát triển Oxy vỏ não lƣu lƣợng máu vùng não ngƣời đo phƣơng pháp không xâm nhập – quang phổ cận hồng ngoại fNIRS (functional Near InfraRed Spectroscopy) Trong đề tài này, ngƣời thực xây dựng giải thuật để nhận dạng ngƣời gõ tay trái hay tai phải dựa tín hiệu não đo đƣợc Dữ liệu nhiễu thu thập từ nhiều kênh qua tiền xử lý dùng lọc SavitzkyGolay để có đƣợc tín hiệu phẳng Đặc tính tín hiệu sau lọc trình gõ tay trái phải đƣợc trích thơng qua hồi quy đa thức Hệ số hồi quy tƣơng ứng với lƣợng tập trung oxy- hemoglobin đƣợc dùng cho việc nhận dạng Sau cùng, công cụ vector hỗ trợ - SVM đƣợc áp dụng để huấn luyện nhận dạng tay trái hay tay phải đƣợc gõ Song song đó, mạng nơ-ron nhân tạo đƣợc sử dụng để huấn luyện nhận dạng, cho thấy tín hiệu đặc trƣng có Các kết thí nghiệm ngƣời với nhiều lần gõ tay cho thấy độ tin cậy giải thuật đề xuất v Luan van ABSTRACT Researches of human Brain Computer Interface (BCI) for the objective of diagnosis and rehabilitation have been recently increased Cerebral oxygenation and blood flow on particular regions of human brain can be measured using a non-invasive technique – fNIRS (functional Near Infrared Spectroscopy) In this thesis, a study of recognition algorithm will be described for recognition whether one taps his/her left hand or right hand Data with noises and artifacts collected from a multi-channel system will be pre-processed using a Savitzky- Golay filter for getting more smoothly data Characteristics of the filtered signals during left and right hand tapping process will be extracted using a polynomial regression algorithm Coefficients of the polynomial, which correspond to OxygenHemoglobin (Oxy- Hb) concentration, will be applied for the recognition of hand tapping Then Support Vector Machines (SVM) will be employed to validate the obtained coefficient data for hand tapping recognition In addition, for the objective of comparison, Artificial Neural Networks (ANN) was also applied to recognize hand tapping side with the same topology Experimental results have been done many trials on subjects to illustrate the effectiveness of the proposed method vi Luan van MỤC LỤC Trang Quyết định giao đề tài i Lý lịch khoa học ii Lời cam đoan iii Lời cảm ơn iv Tóm tắt v Abstract vi Mục lục vii Danh sách bảng ix Danh sách hình x Chƣơng TỔNG QUAN 1.1 Tổng Quan Về Lĩnh Vực Nghiên Cứu 1.2 Mục Đích Của Đề Tài 1.3 Nhiệm Vụ Và Giới Hạn Của Đề Tài 1.3.1 Nhiệm Vụ 1.3.2 Giới Hạn 1.4 Phƣơng Pháp Nghiên Cứu 1.5 Tóm Tắt Đề Tài Chƣơng CƠ SỞ LÝ THUYẾT 2.1 Phƣơng Pháp Tái Hiện Hình Ảnh Và Tín Hiệu Não Ngƣời 2.1.1 Phƣơng pháp EEG 2.1.2 Phƣơng Pháp MRI 2.1.3 Phƣơng Pháp Quang Phổ Cận Hồng Ngoại fNIRS 2.2 Cơ Sở Lý Thuyết 10 Chƣơng THU THẬP DỮ LIỆU NÃO NGƢỜI SỬ DỤNG KỸ THUẬT QUANG PHỔ CẬN HỒNG NGOẠI - fNIRS 15 3.1 Các Vùng Chức Năng Não Ngƣời 15 3.2 Thiết Bị Và Tín Hiệu fNIRS 17 3.2.1 Thiết Bị 17 3.2.2 Tín Hiệu fNIRS 19 3.3 Thiết Lập Thí Nghiệm Thu Dữ Liệu Cho Hoạt Động Gõ Tay 21 Chƣơng TIỀN XỬ LÝ DỮ LIỆU 25 4.1 Bộ Lọc Savitzky – Golay 25 4.2 Áp Dụng Bộ Lọc Trên Tín Hiệu NIRS 31 Chƣơng TRÍCH ĐẶC TRƢNG DÙNG HỒI QUY ĐA THỨC 36 5.1 Mơ Hình Hồi Quy Tuyến Tính Nhiều Biến 36 5.2 Mơ Hình Hồi Quy Đa Thức 38 vii Luan van Chƣơng Thuật Toán Nhận Dạng PR-ANN Bảng Giải thuật cập nhật trọng số cho mạng lan truyền ngƣợc lớp Chọn ngẫu nhiên giá trị trọng số Trong điều kiện MSE thỏa mãn chƣa vƣợt số vòng lặp đặt trƣớc, Với ngõ vào xp, 1≤ p ≤ P, (*) Tính ngõ vào nút lớp ẩn net (p1,)j ; Tính ngõ nút lớp ẩn x (p1,)j ; Tính ngõ vào nút lớp ngõ net (p2,k) ; Tính ngõ mạng op,k; Điều chỉnh trọng số lớp ngõ wk( 2, ,j1)   (d p, k  o p, k )S (net (p2, k) ) x(p1,)j Điều chỉnh trọng số nút ẩn nút ngõ vào K   w(j1,,i0)    (d p , k  o p , k ) S (net (p2, k) )wk( 2, ,j1) S (net (p1,)j ) x p ,i k 1 Kết thúc (*) Kết thúc Trong : S() hàm hoạt hóa,  hệ số học hay tốc độ học 7.2 Thuật Toán Nhận Dạng PR-ANN Các đặc trƣng trích đƣợc lần gõ tay từ giải thuật hồi quy đa thức cho thấy mức độ tập trung oxy-Hb khác Các hệ số lần đƣợc đƣa vào mạng nơ-ron để huấn luyện kiểm tra Thuật toán nhận dạng PR-ANN đƣợc đề xuất nhƣ hình 7.8 61 Luan van Chƣơng Thuật Tốn Nhận Dạng PR-ANN Hình Sơ đồ thuật tốn nhận dạng PR-ANN Trong đó, mạng nơ-ron đƣợc xây dựng nhƣ hình 7.9 Hình Cấu trúc mạng nơ ron thuật toán nhận dạng PR-ANN: 48 nút lớp ngõ vào, 100 nút lớp ẩn nút ngõ Mạng nơ-ron hình 7.9 có lớp: lớp ngõ vào, lớp ẩn lớp ngõ Trong đó, hàm hoạt hóa lớp ẩn hàm double sigmoid, hàm sigmoid đƣợc sử dụng cho lớp ngõ Giải thuật lan truyền ngƣợc với hệ số học thay đổi thích nghi đƣợc 62 Luan van Chƣơng Thuật Toán Nhận Dạng PR-ANN sử dụng huấn luyện mạng nơ-ron Với gõ tay trái, ngõ mong muốn [1; 0] [0; 1] giá trị ngõ mong muốn gõ tay phải Nhƣ vậy, ngõ vào mạng có 48 phần tử, với lớp ẩn có 100 nút Mạng nơron đƣợc đem làm hệ huấn luyện nhận dạng thay cho hệ SVM nói Dùng giải thuật kiểm tra chéo cho thí nghiệm, ta có kết chủ thể đƣợc trình bày bảng 7.2, 7.3, 7.4 Bảng Kết chủ thể với thuật tốn PR- ANN Thí nghiệm Trung bình Tay gõ Độ xác (%) Phải Trái Phải Trái Phải Trái Phải Trái Phải Trái 80 70 90 80 90 70 80 70 85 72.5 Bảng Kết chủ thể với thuật tốn PR- ANN Thí nghiệm Trung bình Tay gõ Độ xác (%) Phải Trái Phải Trái Phải Trái Phải Trái Phải Trái 80 80 90 70 70 70 90 80 82.5 75 Bảng Kết chủ thể với thuật tốn PR- ANN Thí nghiệm Trung bình Tay gõ Độ xác (%) Phải Trái Phải Trái Phải Trái Phải Trái Phải Trái 70 60 80 80 100 80 80 70 82.5 72.5 63 Luan van Chƣơng Thuật Toán Nhận Dạng PR-ANN Khi sử dụng mạng nơ-ron làm hệ nhận dạng ta có kết tƣơng đối nhƣ trƣờng hợp hệ SVM Kết trung bình ngƣời thứ lần gõ tay phải 85% tay trái 72.5% Độ xác trung bình nhận dạng gõ tay phải cao so với giải thuật PR-SVM, nhƣng độ xác nhận dạng gõ tay trái lại thấp Với ngƣời thứ 2, trung bình độ xác nhận dạng gõ tay trái 75%, tay phải 82.5% Hay ngƣời thứ độ xác trung bình gõ tay trái giảm từ 82.5% (hệ SVM) thành 72.5% trƣờng hợp Nhƣ vậy, hệ số có đƣợc từ hồi quy kênh miêu tả đƣợc đặc điểm huyết động thay đổi tƣơng ứng gõ tay Và độ xác thu đƣợc hai hệ nhận dạng (PR-SVM PR-ANN) cho thấy hệ số hoàn tồn dùng làm đặc trƣng để nhận dạng gõ tay trái hay tay phải trƣờng hợp độ xác trung bình khác Độ xác thu đƣợc ngƣời khác đề tài này, kết nhận đƣợc tƣơng đối so với kết công bố [13, 14, 24] Với công đoạn thu liệu, lấy đặc trƣng đem nhận dạng cho ta nhiều nhận định hoạt động não Điều giúp nhà chun mơn việc chẩn đoán mức tập trung, lƣợng oxy não, lƣu lƣợng máu, chức vận động 64 Luan van Chƣơng Kết Luận Chƣơng KẾT LUẬN 8.1 Kết Luận Trong đề tài này, tín hiệu não gốc thu đƣợc lần gõ tay đƣợc lọc lọc hay nói cách khác làm phẳng Savitzky-Golay tín hiệu “phẳng” Hơn nữa, tín hiệu sau lọc đƣợc phân tích sử dụng thuật toán hồi quy theo đa thức kênh tƣơng ứng Việc làm cho ta đặc trƣng khác gõ tay phải gõ tay trái Với hình ảnh phân tích kênh sau hồi quy ta nhận thấy khác Tuy nhiên, công việc nhận dạng cần đƣợc thực thông qua thuật tốn PR- SVM, PR- ANN Kết thí nghiệm ngƣời cho thấy ta phân biệt đƣợc chủ thể tham gia thí nghiệm gõ tay trái hay tay phải Kết độ xác trung bình với thuật tốn PR-SVM đƣợc tóm tắt lại bảng 8.1 với độ lệch chuẩn kèm Bảng Độ xác trung bình chủ thể với thuật toán PR-SVM Chủ thể Độ xác trung bình , độ lệch chuẩn  (%) Gõ tay phải Gõ tay trái Chủ thể 80,   11.55 82.5,  =12.58 Chủ thể 75,   10 72.5,   Chủ thể 82.5,  = 82.5,  = 15 Kết tổng hợp có tính thêm độ lệch chuẩn thấy sai lệch so với độ xác trung bình qua bốn thí nghiệm chủ thể Trong đó, với giải thuật PR-ANN, độ xác trung bình chủ thể đƣợc tóm tắt bảng 8.2 nhƣ sau: Bảng Độ xác trung bình chủ thể với thuật toán PR-ANN Chủ thể Chủ thể Độ xác trung bình , độ lệch chuẩn  (%) Gõ tay phải Gõ tay trái 80,   5.77 82.5,  =5 65 Luan van Chƣơng Kết Luận Chủ thể 82.5,   9.57 75,  =5.77 Chủ thể 82.5,   12.58 72.5,  =9.57 Thơng qua phân tích hồi quy để lấy đặc trƣng lần gõ tay Việc gõ tay trái tay phải đƣợc nhận dạng với độ xác thể độ tin cậy Đồng thời, với nhận định trình lọc, đặc điểm kênh sau hồi quy thơng tin có giá trị góp phần chẩn đoán 8.2 Hƣớng Phát Triển Đề Tài Giải thuật nhận dạng mà đề tài xây dựng chƣa mang tính gần nhƣ tuyệt đối hƣớng phát triển đề tài tăng độ xác hệ nhận dạng xây dựng Điều thực cơng việc: - Giảm nhiễu: bố trí đầu đo, nghiên cứu lọc khác chẳng hạn nhƣ Kalman - Trích đặc trƣng : sử dụng giải thuật phân tích thành phần độc lập ICA Các tín hiệu, phân tích tín hiệu đạt đƣợc dùng việc nhận dạng, đề tài phát triển thêm cách dựa điều đƣợc kết hợp với chẩn đoán lâm sàng y khoa 66 Luan van Tài Liệu Tham Khảo TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] W O Tatum, Husain, A M., Benbadis, S R, Handbook of EEG Interpretation Demos Medical Publishing, 2008 W U i S Louis EEG/MEG research J A C Saeid Sanei, in EEG Signal Processing, ed: John Wiley and Sons, 2007, pp 10-13 H S J Neutze, in Radiology Fundamentals : Introduction to Imaging & Technology ed: Springer Science + Business Media, 2012, pp 29-30 J Bronzino, in Biomedical Engineering Handbook, ed: CRC Press, 2002, pp 63.1 – 63.8 F E W Schmidt, "Development of a Time-Resolved Optical Tomography System for Neonatal Brain Imaging," University College London, 1999 G Strangman, D Boas and J Sutton, "Non-invasive Neuroimaging using Near-Infrared Light," Society of Biological Psychiatry, vol 17, pp 679-693, 2002 M I Toshimasa Sato, Tomohiro Suto, Masaki Kameyama, Masashi Suda, Yutaka Yamagishi, Akihiko Ohshima, Toru Uehara, Masato Fukuda, Masahiko Mikuni, "Time courses of brain activation and their implications for function : A multichannel near-infrared spectroscopy study during finger tapping," Neuroscinece research, pp 297-304, 2007 K S T SHIMOKAWA, T MISAWA, K MIYAGAWA, "Predictability of investment behavior from brain information measured by functional nearinfrared spectroscopy: a bayesian neural network model," Neuroscinece research, pp 347-358, 2009 C H Rodolphe J Gentili, Hasan Ayaz, Patricia A Shewokis and José L Contreras-Vidal, "Hemodynamic Correlates of Visuomotor Motor Adaptation by Functional Near Infrared Spectroscopy," presented at the 32nd Annual International Conference of the IEEE EMBS, 2010 M N Truong Quang Dang Khoa, "Functional Near Infrared Spectroscope for Cognition Brain Tasks by Wavelets Analysis and Neural Networks," International journal of Biological and Life science, pp 28-33, 2008 M O Hiroshi Tamura, Masami Choui, "NIRS Trajectories in Oxy-Deoxy Hb Plane and the Trajectory Map to Understand Brain Activities Related to Human Interface," presented at the Human Interface, 2007 Cuong Q Ngo, T H N, T V Vo, "Linear Regression Algorithm for Hand Tapping Recognition Using Functional Near Infrared Spectroscopy," presented at the Fourth International Conference on the Development of Biomedical Engineering, VietNam, 2012, pp 421-426 H Z Ranganatha Sitaram, Cuntai Guan,Manoj Thulasidas,Yoko Hoshi,Akihiro Ishikawa,Koji Shimizu,Niels Birbaumer,, "Temporal classification of multichannel near-infrared spectroscopy signals of motor 67 Luan van Tài Liệu Tham Khảo imagery for developing a brain–computer interface," NeuroImage 34, pp 1416-1427, 2007 [15] M I Hasan Ayaz, Patricia A Shewokis, and Banu Onaral, Fellow, "Slidingwindow Motion Artifact Rejection for Functional Near-Infrared Spectroscopy," presented at the 32nd Annual International Conference of the IEEE EMBS, 2010 [16] S M Behnam Molavi, Guy A Dumont, Fellow, "Wavelet Based Motion Artifact Removal for Functional Near Infrared Spectroscopy," presented at the 32nd Annual International Conference of the IEEE EMBS, 2010 [17] M D Kapil Gupta, in Human brain colour workbook: An interactive approach to learning, ed: Princeton review publishing, 1997, pp 26-27 [18] Shimadzu, Introduction to FOIRE-3000, 2010 [19] S J Orfanidis, "Signal Processing Applications," in Introduction to signal processing, ed: Pearson Education Inc, 2010, pp 427- 453 [20] G C R Douglas C Montgomery, "Applied Statistics and Probability for Engineers " in Applied Statistics and Probability for Engineers, ed: John Wiley @ Sons Inc, 2003, pp 411-418 [21] N C a J Shawe-Taylor, "Support Vector Machines," in An Introduction to Support Vector Machines and Other Kernel-based Learning Methods, ed: Cambridge University Press, 2000, pp 93-112 [22] N C a J Shawe-Taylor, "Implementation Techniques," in An Introduction to Support Vector Machines and Other Kernelbased Learning Methods, ed: Cambridge University Press, 2000, pp 138-142 [23] J C Platt, "Sequential Minimal Optimization:A Fast Algorithm for Training Support Vector Machines," Microsoft Research, vol Technical Report MSRTR-98-14, 1998 [24] Cuong Q Ngo, T H N, Toi Van Vo, "RECOGNITION ALGORITHM FOR DEVELOPING A BRAIN- COMPUTER INTERFACE USING FUNCTIONAL NEAR INFRARED SPECTROSCOPY," in International Conference on Green Technology & Sustainable Development 2012, Vietnam, 2012,pp 577-582 [25] D Graupe, "The Perceptron, Back propagation," in PRINCIPLES OF ARTIFICIAL NEURAL NETWORKS, ed, 2007, pp 17-59 68 Luan van Phụ Lục PHỤ LỤC Phần phụ lục trình bày giao diện chƣơng trình phục vụ cho q trình tính tốn cách nhanh chóng Giao diện chƣơng trình Giao diện tƣơng ứng với bƣớc sơ đồ nhận dạng giới thiệu Trong đó, phần với lựa chọn đƣợc trình bày nhƣ sau Lựa chọn Chức File File/ Open Mở file liệu thu thập File/ Exit Thốt khỏi chƣơng trình About Thơng tin ngƣời thực đề tài WINDOW SIZE Kích thƣớc cửa sổ lọc Savitzky-Golay SMOOTHING ORDER Bậc đa thức làm phẳng lọc POLYNOMIAL ORDER Bậc đa thức dùng hồi quy kênh tín hiệu HAND Lựa chọn tay trái hay tay phải Ex No Lựa chọn số thứ tự thí nghiệm Times Lựa chọn số thứ tự lần gõ tay FILTER PLOT Vẽ tín hiệu gốc tín hiệu sau lọc kênh (2, 5, 6, 9, 12, 15, 16, 19) 69 Luan van Phụ Lục PR PLOT Vẽ tín hiệu hồi quy kênh tƣơng ứng RECOGNITION Nút nhấn gọi chƣơng trình nhận dạng SUBMIT Xác nhận thông số nhập EXIT Thốt khỏi chƣơng trình Giao diện chƣơng trình nhận dạng đƣợc gọi từ chƣơng trình Các chức lựa chọn giao diện đƣợc trình bày bảng sau Lựa chọn Chức File File/ Exit Thoát khỏi chƣơng trình About Thơng tin ngƣời thực đề tài PR-SVM Chọn lựa hệ nhận dạng PR-SVM PR-ANN Chọn lựa hệ nhận dạng PR-ANN LEFT COEF Mở file chứa hệ số đặc trƣng gõ tay trái RIGHT COEF Mở file chứa hệ số đặc trƣng gõ tay phải RECOGNITION Thực thi nhận dạng RIGHT TAPPING Lựa chọn trƣờng hợp gõ tay muốn nhận dạng: tay phải LEFT TAPPING Lựa chọn trƣờng hợp gõ tay muốn nhận dạng : tay trái EXIT Thốt khỏi chƣơng trình 70 Luan van Phụ Lục Để thực phân tích liệu thu thập về, ta lựa chọn từ giao diện Lựa chọn thơng số nhấn SUBMIT Quan sát tín hiệu gốc tín hiệu sau lọc cách nhấn vào FILTER PLOT, ta có kết đƣợc trả Figure 0.1 Channel - Smoothed Channel Channel Smoothed Channel Amplitude 0.05 Channel - Smoothed Channel 0.06 Channel 0.04 Smoothed Channel 0.02 -0.05 -0.1 Channel - Smoothed Channel 0.04 Channel 0.02 Smoothed Channel -0.02 -0.04 -0.02 Time 8 Channel - Smoothed Channel 0.06 Channel 0.04 Smoothed Channel 0.02 -0.02 -0.06 -0.04 71 Luan van Amplitude Phụ Lục Channel 15 - Smoothed Channel 15 0.03 Channel 15 0.02 Smoothed Channel 15 Channel 12 - Smoothed Channel 12 0.1 Channel 12 0.05 Smoothed Channel 12 0.01 -0.05 -0.1 -0.01 Channel 16 - Smoothed Channel 16 0.08 Channel 16 0.06 Smoothed Channel 16 0.04 Channel 19 - Smoothed Channel 19 0.04 Channel 19 Smoothed Channel 19 0.02 0.02 0 -0.02 Time -0.02 Nhấn vào PR PLOT để xem kết hồi quy kênh bán cầu não Channel - Channel 12 0.01 Channel Channel 12 Amplitude Channel - Channel 15 0.03 Channel Channel 15 0.02 -0.01 -0.02 0.01 -0.03 -0.04 Channel - Channel 16 0.06 Channel Channel 19 0.01 0.02 Channel - Channel 19 0.02 Channel Channel 16 0.04 -0.02 -0.04 Time -0.01 Sau tính tốn đƣợc tất hệ số lần gõ tay thí nghiệm ta tiến hành nhận dạng Bằng cách nhấn nút RECOGNITION, chƣơng trình nhận dạng đƣợc gọi Các thơng số thiết lập để thực tìm kết trình nhận dạng đƣợc thiết lập nhƣ sau 72 Luan van Phụ Lục Nhấn RECOGNITION, với chọn lựa nhận dạng với thuật tốn PR-SVM, kiểm tra độ xác gõ tay phải, ta có kết Nhận dạng gõ tay trái Tƣơng tự, ta kiểm tra với thuật toán PR-ANN 73 Luan van Phụ Lục Với giao diện xây dựng, ta dễ dàng phân tích, kiểm tra liệu thu thập đƣợc lần thí nghiệm khác nhau, chủ thể khác 74 Luan van Luan van ... PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGÔ QUỐC CƢỜNG NHẬN DẠNG HOẠT ĐỘNG GÕ TAY THƠNG QUA PHÂN TÍCH TÍN HIỆU QUANG PHỔ CẬN HỒNG NGOẠI (NIRS) DÙNG GIẢI THUẬT HỒI QUY NGÀNH: KỸ THUẬT... PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGƠ QUỐC CƢỜNG NHẬN DẠNG HOẠT ĐỘNG GÕ TAY THƠNG QUA PHÂN TÍCH TÍN HIỆU QUANG PHỔ CẬN HỒNG NGOẠI (NIRS) DÙNG GIẢI THUẬT HỒI QUY NGÀNH: KỸ THUẬT... ứng gõ tay Trƣớc làm rõ nhƣ hồi quy đa thức, ta nói qua hồi quy tuyến tính nhiều biến Đây sở cho hồi quy đa thức 5.1 Mơ Hình Hồi Quy Tuyến Tính Nhiều Biến Mơ hình hồi quy có từ hai biến hồi quy