Thiết kế và xây dựng phần mềm để phân tích và phân loại vận động tay trái phải của con người qua tín hiệu điện não đồ và ứng dụng mạng nơ ron tích chập

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH KỸ THUẬT Y SINH THIẾT KẾ VÀ XÂY DỰNG PHẦN MỀM ĐỂ PHÂN TÍCH VÀ PHÂN LOẠI VẬN ĐỘNG TAY TRÁI/PHẢI CỦA CON NGƯỜI QUA TÍN HIỆU ĐIỆN NÃO ĐỒ VÀ ỨNG DỤNG MẠNG NƠ-RON TÍCH CHẬP GVHD: THS TRẦN ĐĂNG KHOA SVTH: TRẦN THỊ HẬU VŨ THỊ MINH SKL008898 Tp.Hồ Chí Minh, tháng 6/2022 BỘ GIÁO DỤC & ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA ĐIỆN – ĐIỆN TỬ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH - KHÓA LUẬN TỐT NGHIỆP NGÀNH KỸ THUẬT Y SINH ĐỀ TÀI: THIẾT KẾ VÀ XÂY DỰNG PHẦN MỀM ĐỂ PHÂN TÍCH VÀ PHÂN LOẠI VẬN ĐỘNG TAY TRÁI/PHẢI CỦA CON NGƯỜI QUA TÍN HIỆU ĐIỆN NÃO ĐỒ VÀ ỨNG DỤNG MẠNG NƠ-RON TÍCH CHẬP GVHD: ThS Trần Đăng Khoa SVTH 1: Trần Thị Hậu MSSV: 18129018 SVTH 2: Vũ Thị Minh MSSV: 18129034 Tp Hồ Chí Minh - 06/2022 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA ĐIỆN – ĐIỆN TỬ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH - KHÓA LUẬN TỐT NGHIỆP NGÀNH KỸ THUẬT Y SINH ĐỀ TÀI: THIẾT KẾ VÀ XÂY DỰNG PHẦN MỀM ĐỂ PHÂN TÍCH VÀ PHÂN LOẠI VẬN ĐỘNG TAY TRÁI/PHẢI CỦA CON NGƯỜI QUA TÍN HIỆU ĐIỆN NÃO ĐỒ VÀ ỨNG DỤNG MẠNG NƠ-RON TÍCH CHẬP GVHD: ThS Trần Đăng Khoa SVTH 1: Trần Thị Hậu MSSV: 18129018 SVTH 2: Vũ Thị Minh MSSV: 18129034 Tp Hồ Chí Minh - 06/2022 BỘ MƠN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH iii TRƯỜNG ĐH SPKT TP HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA ĐIỆN-ĐIỆN TỬ Độc lập - Tự - Hạnh phúc BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH Tp HCM, ngày 21 tháng năm 2022 NHIỆM VỤ KHÓA LUẬN TỐT NGHIỆP Họ tên sinh viên: Trần Thị Hậu MSSV: 18129018 Vũ Thị Minh MSSV: 18129034 Chuyên ngành: Kỹ thuật Y Sinh Mã ngành: 01 Hệ đào tạo: Đại học quy Mã hệ: Khóa: 2018 Lớp: 181290B I TÊN ĐỀ TÀI: THIẾT KẾ VÀ XÂY DỰNG PHẦN MỀM ĐỂ PHÂN TÍCH VÀ PHÂN LOẠI VẬN ĐỘNG TAY TRÁI/PHẢI CỦA CON NGƯỜI QUA TÍN HIỆU ĐIỆN NÃO ĐỒ VÀ ỨNG DỤNG MẠNG NƠ-RON TÍCH CHẬP II NHIỆM VỤ Các số liệu ban đầu: - Ngôn ngữ lập trình sử dụng: Matlab - Phần mềm huấn luyện: Matlab 2019 - Tập liệu: Dữ liệu EEG dạng gập duỗi khuỷu tay trái/phải thu từ tình nguyện viên thuộc Đại học Sư Phạm Kỹ Thuật thành phố Hồ Chí Minh độ tuổi từ 20-22 - Thiết bị thu liệu: Emotiv Flex 32 kênh - Phần mềm thu liệu: EmotivPRO NỘI DUNG thực hiện: - Đọc tìm hiểu tài liệu liên quan đến đề tài - Xây dựng giao thức thí nghiệm - Tiến hành thu liệu - Đánh giá chất lượng tín hiệu thơ - Tiền xử lý tín hiệu - Trích đặc trưng liệu - Phân loại tín hiệu vận động tay trái/phải - Xây dựng phần mềm nhận diện vận động tay trái/phải BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH iv III NGÀY GIAO NHIỆM VỤ: 25/02/2022 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 15/06/2022 V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: CÁN BỘ HƯỚNG DẪN ThS Trần Đăng Khoa BM ĐIỆN TỬ CÔNG NGHIỆP – Y SINH BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH v TRƯỜNG ĐH SPKT TP HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA ĐIỆN-ĐIỆN TỬ Độc lập - Tự - Hạnh phúc BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH Tp Hồ Chí Minh, ngày 12 tháng năm 2022 LỊCH TRÌNH THỰC HIỆN KHĨA LUẬN TỐT NGHIỆP (Bản lịch trình đóng vào đồ án) Họ tên sinh viên: Trần Thị Hậu MSSV: 18129018 Họ tên sinh viên: Vũ Thị Minh MSSV: 18129034 Lớp: 181290B Tên đề tài: Thiết kế xây dựng phần mềm để phân tích phân loại vận động tay trái/phải người qua tín hiệu điện não đồ ứng dụng mạng nơ-ron tích chập Tuần/ngày Tuần 27 (25/2 - 27/2) NỘI DUNG Xác nhận GVHD - Gặp GVHD để nghe phổ biến yêu cầu làm đề tài, tiến hành chọn đề tài - GVHD tiến hành xét duyệt đề tài - Đọc hiểu tài liệu điện não phương pháp Tuần 28 (28/2 - 6/3) xử lý tín hiệu liên quan tới vận động tay - Viết đề cương KLTN nộp cho GVHD xét duyệt - Thu thập, phân loại tổng hợp báo Tuần 29 (7/3- 13/3) tài liệu nghiên cứu - Nộp đề cương KLTN cho BM - Lên lịch trình thực KLTN nộp cho GVHD Tuần 30 (14/3- 20/3) - Thu thập liệu tín hiệu tay - Cắt xếp liệu phù hợp với mạng CNN BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH vi - Áp dụng mạng CNN phân tích liệu cắt Tuần 31 (21/3 - 27/3) xếp - Đánh giá khả phân tích liệu mạng CNN xử lý tín hiệu thơ - Thực hành tiền xử lý tín hiệu điện não sử Tuần 32 (28/3- 3/4) dụng lọc phần mềm - Tìm hiểu thực nghiệm phần mềm phân tích tín hiệu điện não thuật tốn liên quan - Sắp xếp, phân tích cấu trúc liệu điện Tuần 33 (4/4- 10/4) não vận động tay trái/phải - Lập trình/ứng dụng phần mềm vào việc thu nhận, tiền xử lý, trích đặc trưng phân loại tín hiệu điện não Tuần 34 (11/4-17/4) - Tiến hành lấy lưu trữ kết tiền xử lý tín hiệu điện não kèm theo thích, mơ tả phân tích - Tiến hành trích đặc trưng phân loại Tuần 35 (18/4-24/4) liệu điện não vận động tay trái/phải, kèm theo thích, mơ tả, phân tích đánh giá kết - Viết báo cáo tiến độ cho BM - Tiếp tục trích đặc trưng phân loại liệu điện não vận động tay trái/phải, kèm theo Tuần 36 (25/4-1/5) thích, mơ tả, phân tích đánh giá kết - Tìm hiểu vận dụng phần mềm phân tích, thống kê liệu khoa học BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH vii - Nộp báo cáo tiến độ cho BM - Tiếp tục trích đặc trưng phân loại liệu điện não vận động tay trái/phải, kèm theo Tuần 37 thích, mơ tả, phân tích đánh giá kết (2/5-8/5) - Tìm hiểu vận dụng phần mềm phân tích, thống kê liệu khoa học - Tiếp tục trích đặc trưng phân loại liệu Tuần 38 (9/5-15/5) điện não vận động tay trái/phải, kèm theo thích, mơ tả, phân tích đánh giá kết - Tìm hiểu vận dụng phần mềm phân tích, thống kê liệu khoa học Tuần 39 (16/5-22/5) Tuần 40 (23/5 - 29/5) Tuần 41 (30/5 - 5/6) Tuần 42 (6/6- 12/6) Tuần 43 - Ứng dụng phần mềm cho việc tổng hợp thống kê tất kết phân loại liệu điện não - Viết báo cáo KLTN - Thiết kế thuyết trình Powerpoint - Chỉnh sửa báo cáo KLTN - Chỉnh sửa Powerpoint thuyết trình - Tập dợt thuyết trình để bảo vệ - Chỉnh sửa báo cáo KLTN - Nộp KLTN cho BM (13/6- 19/6) Tuần 44 - Bảo vệ KLTN (20/6- 25/6) BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH viii GV HƯỚNG DẪN (Ký ghi rõ họ tên) BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH ix LỜI CAM ĐOAN Đề tài nhóm chúng tơi tự thực dựa vào tài liệu trước khơng chép đề tài có trước Người thực đề tài Trần Thị Hậu BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH Vũ Thị Minh x CHƯƠNG KẾT QUẢ - NHẬN XÉT – ĐÁNH GIÁ a) Tín hiệu điện não thơ b) Tín hiệu điện não sau tiền xử lý Hình 5.2: Tín hiệu điện não trước sau tiền xử lý Như đề cập mục 2.3.1, thuật toán lọc RLS hiệu so với thuật tốn lọc tín hiệu chớp mắt khác, gây ảnh hưởng tới chất lượng tín hiệu điện não Có thể kết luận phương pháp lọc EOG thuật toán RLS hiệu quả, giúp loại bỏ tín hiệu nhiễu từ giúp ta thu tín hiệu điện não mang lại kết phân loại vận động cao nhờ việc tránh tác nhân gây nhiễu 5.3 WAVELET COHERENCE Ở hình biểu diễn kết biến đổi Wavelet Coherence, tín hiệu nằm khoảng tần số lớn 16 Hz thường biểu diễn mối tương quan tín hiệu điện tim Tín hiệu nằm khoảng tần số nhỏ Hz thường biểu diễn tương quan tín hiệu điện mắt Tín hiệu nằm khoảng từ Hz đến 16 Hz biểu diễn mối tương quan tín hiệu điện não kênh mà ta chọn Mức độ tương quan tín hiệu điện não hai kênh C4 FC6 C3 FC5 thể hình mà ta lưu lại từ biến đổi Wavelet Coherence Mức độ tương quan thể rõ thang đo mức độ màu sắc Thang đo màu thể biến đổi từ màu xanh sang màu vàng, tương ứng với mức độ tương quan từ đến Trong đó, mức thể khơng tương đồng hai tín hiệu mức thể tương đồng tuyệt đối hai tín hiệu 5.3.1 Kênh C3 (Right) FC5 (Right) Một số ảnh thể mức độ tương quan tín hiệu hai kênh C3 FC5 gập tay phải: BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 75 CHƯƠNG KẾT QUẢ - NHẬN XÉT – ĐÁNH GIÁ Hình 5.3: Một số hình ảnh thể Wavelet Coherence liệu gập tay phải lọc EOG ➢ Nhận xét: Các vùng biểu thị mức độ tương quan cao thường tập trung phía bên phải hình, phạm vi từ 1,5 Hz đến Hz Các khoảng thời gian vùng vàng tập trung cao 18,6s đến 19,6s; 27,7s đến 28,5s; 54,6s đến 55,7s; 37s đến 37,8s Bốn khoảng thời gian rơi vào lúc đối tượng thí nghiệm gập tay phải Từ cho thấy có liên hệ chặt chẽ tương quan tín hiệu cử động tay phải Độ tương quan tín hiệu cao dễ nhận thấy 5.1.2 Kênh C4 (Left) FC6 (Left) Một số ảnh thể mức độ tương quan tín hiệu hai kênh C4 FC6 gập tay trái: BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 76 CHƯƠNG KẾT QUẢ - NHẬN XÉT – ĐÁNH GIÁ Hình 5.4: Một số hình ảnh thể Wavelet Coherence liệu gập tay trái lọc EOG ➢ Nhận xét: Các vùng biểu thị mức độ tương quan cao thường tập trung khu vực trung tâm hình, phạm vi từ Hz đến Hz Các khoảng thời gian vùng vàng tập trung cao hình 49,7s đến 50,6s; 40,7s đến 41,5s; 23s đến 23,7s Ba khoảng thời gian rơi vào lúc đối tượng thí nghiệm gập tay trái Vị trí tập trung mức độ tương quan cao tay trái tay phải có khác biệt (tay phải tập trung vùng bên phải tay trái tập trung vùng giữa), đồng thời khoảng thời gian xuất tương quan khớp với thời gian gập tay tương ứng Như nhìn vào biểu đồ Wavelet Coherence ta dự đốn đối tượng thí nghiệm gập tay trái hay gập tay phải 5.4 PHÂN LOẠI Bộ phân loại mạng nơ-ron tích chập hoạt động ổn định Độ xác phân loại lên đến 94,5% Tổng liệu đầu vào mơ hình CNN 8666 ảnh xám BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 77 CHƯƠNG KẾT QUẢ - NHẬN XÉT – ĐÁNH GIÁ Cấu trúc phân loại mơ hình CNN thể bảng 5.2 ❖ Bảng 5.2: Cấu trúc phân loại Tên lớp Lớp Số lượng neuron Input Conv ReLu Kernel size for each output feature map - Stride Input image 100x100x1 Convolutional 20 Rectified Linear Activation Unit Pool Max-pooling 2 Fc Fully-connected Softmax Softmax Classification Classification Nhóm định chọn 70% tổng liệu đầu vào tập huấn luyện (training), 30% tập thử nghiệm (testing) Thơng số learning rate có giá trị 1e-4, MaxEpochs 30 Quá trình học mạng CNN thể qua hình 5.5 Bảng 5.2 liệt kê kết nhận diện mơ hình phân loại biểu diễn hình 5.6 ❖ Bảng 5.3: Phân chia liệu huấn luyện thử nghiệm cho mơ hình CNN Huấn luyện (70%) Thử nghiệm (30%) Dữ liệu gập tay trái (Left) 3012 1291 Dữ liệu gập tay phải (Right) 3054 1309 Hình 5.5: Kết trình học mạng CNN BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 78 CHƯƠNG KẾT QUẢ - NHẬN XÉT – ĐÁNH GIÁ Hình 5.6: Kết mơ hình phân loại ❖ Bảng 5.2: Kết mơ hình phân loại CNN Loại liệu Số lượng Dữ liệu tay trái nhận dạng sai 141 Dữ liệu tay phải nhận dạng sai Dữ liệu tay trái nhận dạng 1150 Dữ liệu tay phải nhận dạng 1289 Độ xác phân loại 94,5% Nhóm thực thử nghiệm phân loại vận động cách sử dụng 1032 liệu hình ảnh đối tượng thí nghiệm thứ 13, với tổng số lượng liệu đầu vào để phân loại 500 ảnh xám cho trường hợp gập tay trái 532 ảnh xám cho trường hợp gập tay phải Theo bảng thống kê 4.1 kết hình 5.5, phân loại nhận diện vận động tay phải gần tuyệt đối Tuy nhiên, độ xác phân loại nhận diện tay trái thấp tay phải (89,1% < 99,8%) Do đó, nhóm định sử dụng liệu kênh C4 FC6 để tiến hành bước tiền xử lý, trích đặc trưng phân loại vận động gập duỗi khuỷu tay trái/phải người BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 79 CHƯƠNG KẾT QUẢ - NHẬN XÉT – ĐÁNH GIÁ Overfitting tượng xảy mơ hình q khớp với tập liệu huấn luyện, thêm liệu khác vào kết lại thấp Lý độ phức tạp mơ hình q cao phân tích tập huấn luyện Ngược lại underfitting xuất mơ hình cịn đơn giản, chưa đủ phức tạp để phân tích hết liệu Kết mơ hình phân loại mà ta thu cao, không xảy trường hợp underfitting overfitting, cho thấy mơ hình lựa chọn phù hợp vừa khớp với tập huấn luyện 5.5 GIAO DIỆN Nhóm xây dựng giao diện phần mềm phân loại vận động tay trái/phải, bao gồm mục thực đầy đủ chức cần thiết để xử lý tín hiệu thực phân loại Phần mềm gồm giao diện trình bày hình 5.7, hình 5.8 hình 5.9 Hình 5.7 biểu diễn giao diện phần mềm Giao diện có chức giới thiệu thông tin liên quan đến đề tài nhóm thực hiện: tên đề tài; tên Trường, Khoa, Ngành, giảng viên hướng dẫn, mã số sinh viên tên sinh viên thực đề tài Hình 5.7: Giao diện giới thiệu phần mềm Hình 5.8 biểu diễn giao diện thứ hai phần mềm Giao diện có chức đọc liệu đầu vào thực bước tiền xử lý Quá trình tiền xử lý bao gồm tìm đỉnh chớp mắt đối tượng thí nghiệm, lọc tín hiệu EOG phương pháp RLS loại nhiễu khác (nhiễu dòng điện thiết bị điện tử sử dụng) BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 80 CHƯƠNG KẾT QUẢ - NHẬN XÉT – ĐÁNH GIÁ Hình 5.8: Giao diện nhập liệu đầu vào tiền xử lý Hình 5.9 biểu diễn giao diện thứ ba phần mềm Giao diện có chức trích đặc trưng thơng qua biến đổi Wavelet Coherence chuẩn hóa liệu đầu vào thành ảnh xám có kích thước 100x100 Hơn nữa, giao diện cịn có chức phân loại liệu ảnh xám chuẩn hóa xuất kết tương ứng với kết mà phân loại nhận diện Hình 5.9: Giao diện liệu đầu vào phân loại ảnh xám kết phân loại BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 81 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 KẾT LUẬN Mơ hình phân loại tín hiệu gập khuỷu tay trái/phải có độ xác cao (94,5%) Nhận diện vận động tay trái (89,1%) có sai số nhiều tay phải (99,8%) Điều xảy tất đối tượng thí nghiệm thuận tay phải Phần mềm phân loại vận động tay trái phải hoạt động ổn định, đảm bảo mục tiêu mà nhóm đặt từ ban đầu 6.2 HƯỚNG PHÁT TRIỂN Phần mềm nhóm thiết kế phân loại vận động gập duỗi khuỷu tay kết trái hay phải Do đó, ta phát triển đề tài cách tăng thêm số loại vận động để phần mềm nên phong phú đa Ngồi ra, ta sử dụng thuật tốn lọc nhiễu khác có khả loại nhiễu tốt tốc độ xử lý tín hiệu nhanh mà khơng ảnh hưởng đến tín hiệu EEG Từ đó, q trình xử lý tín hiệu phần mềm phân loại vận động tay trái/phải hiệu tốc độ xử lý cải thiện nhiều BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 82 TÀI LIỆU THAM KHẢO TÀI LIỆU THAM KHẢO Vakilian A, Kamiab Z, Afzal S, Moghadam-Ahmadi A, Jalali N Investigating the in-hospital mortality rate of stroke and its related factors at Ali-Ibn-Abi Talib Hospital of Rafsanjan Gulhane Med J 2021 Jun 1;63(2):110–6 Wang F, Kim K, Wen S, Zhang Y, Wu C EEG based automatic left-right hand movement classification In: 2012 24th Chinese Control and Decision Conference (CCDC) 2012 p 1469–72 Xiao R, Ding L Evaluation of EEG Features in Decoding Individual Finger Movements from One Hand Comput Math Methods Med 2013 Apr 24;2013:e243257 Dyson, M., c.s “Approximate Entropy for EEG-Based Movement Detection” Undefined, 2008 www.semanticscholar.org, https://www.semanticscholar.org/paper/Approximate-entropy-for-EEG-basedmovement-Dyson-Balli/341b6882c2441943e08ab9d72df944dab9b8f9dd Virdi KK, Pawar S Hand and Leg Movement Prediction using EEG Signal by Stacked Deep Auto Encoder SMART MOVES J IJOSCIENCE 2019 Oct 10;5(10):36–48 Boonme, Phattraporn, c.s “Hand Movement Classification Base on EEG Signals using Deep Learning and Dimensional Reduction Technique” 2019 12th Biomedical Engineering International Conference (BMEiCON), 2019, tr 1–4 IEEE Xplore, https://doi.org/10.1109/BMEiCON47515.2019.8990192 Cohen Richard Caton (1842–1926) Pioneer Electrophysiologist Proc R Soc Med 1959 Aug;52(8):645–51 İnce R, Adanır SS, Sevmez F The inventor of electroencephalography (EEG): Hans Berger (1873–1941) Childs Nerv Syst 2021 Sep 1;37(9):2723–4 Nunez PL, Srinivasan R Electroencephalogram Scholarpedia 2007 Feb 4;2(2):1348 10 Torse D, Maggavi R, Pujari S Nonlinear Blind Source Separation for EEG Signal Pre-processing in Brain-Computer Interface System for Epilepsy Int J Comput Appl 2012 Jul 1;50:12–9 11 Erkens I, Garcia-Molina G, Philips K, V E Artifact detection and correction in Neurofeedback and BCI applications 2022 May 28; 12 Casson, Alexander J., c.s “Electroencephalogram” Seamless Healthcare Monitoring: Advancements in Wearable, Attachable, and Invisible Devices, biên tập Toshiyo Tamura Wenxi Chen, Springer International Publishing, 2018, tr 45–81 Springer Link, https://doi.org/10.1007/978-3-319-69362-0_2 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 82 TÀI LIỆU THAM KHẢO 13 Nayak, Chetan S., Arayamparambil C Anilkumar “EEG Normal Waveforms” StatPearls, StatPearls Publishing, 2022 PubMed, http://www.ncbi.nlm.nih.gov/books/NBK539805/ 14 Dhollander T Accounting for Complex Structure in Diffusion Weighted Imaging Data using Volume Fraction Representations 2014 15 “Brain Structure And Function | Brain Injury | British Columbia” Northern Brain Injury Association | British Columbia, https://www.nbia.ca/brain-structurefunction/ Truy cập 14 Tháng Sáu 2022 16 Brain Anatomy and How the Brain Works https://www.hopkinsmedicine.org/health/conditions-and-diseases/anatomy-ofthe-brain 17 “Premium Vector | Sections of Human Brain Anatomy Side View of Organ” Freepik, https://www.freepik.com/premium-vector/sections-human-brainanatomy-side-view-organ_16576627.htm 18 Singh R Cerebellum: Its Anatomy, Functions and Diseases In 2020 19 Bajaj N Wavelets for EEG Analysis In 2020 20 Malmivuo J, Plonsey R Bioelectromagnetism 28 The Electric Signals Originating in the Eye In 1995 p 437–47 21 Belkhiria, Chama, Vsevolod Peysakhovich “Electro-Encephalography and Electro-Oculography in Aeronautics: A Review Over the Last Decade (2010– 2020)” Frontiers in Neuroergonomics, vol 1, 2020 Frontiers, https://www.frontiersin.org/article/10.3389/fnrgo.2020.606719 22 “Basics of Electrooculography” ElectroPhys, Tháng Chạp 2017, https://electrophys.wordpress.com/home/electrooculography2/electrooculography/ 23 Liang H, Zhu C, Iwata Y, Maedono S, Mochita M, Liu C, et al Feature Extraction of Shoulder Joint’s Voluntary Flexion-Extension Movement Based on Electroencephalography Signals for Power Assistance Bioengineering 2019 Mar;6(1):2 24 Bhandari A, Khare V, Santhosh J, Anand S Wavelet based compression technique of Electro-oculogram signals In: IFMBE Proceedings 2007 p 440–3 25 Ai G, Sato N, Singh B, Wagatsuma H Direction and viewing area-sensitive influence of EOG artifacts revealed in the EEG topographic pattern analysis Cogn Neurodyn 2016 Aug 1;10 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 83 TÀI LIỆU THAM KHẢO 26 Mannan MMN, Kamran M, Kang S, Jeong M Effect of EOG Signal Filtering on the Removal of Ocular Artifacts and EEG-Based Brain-Computer Interface: A Comprehensive Study Complexity 2018 Jul 4;2018:1–18 27 Klados MA, Bamidis PD A semi-simulated EEG/EOG dataset for the comparison of EOG artifact rejection techniques Data Brief 2016 Jun 29;8:1004– 28 A DrNR Performance Evaluation of Adaptive Filter Algorithms for EOG Signal Processing In 2011 29 Shahabi, Hossein, c.s “EEG eye blink artifact removal by EOG modeling and Kalman filter” 2012 5th International Conference on BioMedical Engineering and Informatics, 2012, tr 496–500 IEEE Xplore, https://doi.org/10.1109/BMEI.2012.6513162 30 Donald, D A., c.s “3.23 - Feature Selection in the Wavelet Domain: Adaptive Wavelets” Comprehensive Chemometrics, biên tập Steven D Brown c.s., Elsevier, 2009, tr 647–79 ScienceDirect, https://doi.org/10.1016/B978-044452701-1.00033-8 31 Nikita KS NIKOLAOS N TSIAPARAS Comput Eng :102 32 Sun, Lisha, c.s “Analysis of time-varying synchronization of multi-channel EEG signals using wavelet coherence” International Conference on Neural Networks and Signal Processing, 2003 Proceedings of the 2003, vol 1, 2003, tr 216-219 Vol.1 IEEE Xplore, https://doi.org/10.1109/ICNNSP.2003.1279250 33 Wirsing K Time Frequency Analysis of Wavelet and Fourier Transform In 2020 34 Müller M The Fourier Transform in a Nutshell In 2015 p 39–57 35 Fourier vs Wavelet Transformations | Built In https://builtin.com/datascience/wavelet-transform 36 Rich TL, Gillick BT Electrode Placement in Transcranial Direct Current Stimulation—How Reliable Is the Determination of C3/C4? Brain Sci 2019 Mar 22;9(3):69 37 Kiranyaz S, Avci O, Abdeljaber O, Ince T, Gabbouj M, Inman DJ 1D convolutional neural networks and applications: A survey Mech Syst Signal Process 2021 Apr;151:107398 38 Barrera J, Echavarría A, Madrigal C, Herrera-Ramirez J Classification of hyperspectral images of the interior of fruits and vegetables using a 2D convolutional neuronal network J Phys Conf Ser 2020 May 1;1547:012014 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 84 TÀI LIỆU THAM KHẢO 39 Acharya UR, Oh SL, Hagiwara Y, Tan JH, Adeli H Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals Comput Biol Med 2017 Sep 23;100 40 Yu Y, Adu K, Tashi N, Anokye P, Wang X, Ayidzoe M RMAF: ReluMemristor-Like Activation Function for Deep Learning IEEE Access 2020 Apr 14;PP:1–1 41 Chirasani SKR, Manikandan S A deep neural network for the classification of epileptic seizures using hierarchical attention mechanism Soft Comput 2022 Jun 1;26(11):5389–97 42 Lun X, Yu Z, Chen T, Wang F, Hou Y A Simplified CNN Classification Method for MI-EEG via the Electrode Pairs Signals Front Hum Neurosci 2020 Sep 15;14:338 43 Introduction https://emotiv.gitbook.io/epoc-flex-user-manual/epoc flex/readme 44 Technical Specifications https://emotiv.gitbook.io/epoc-flex-usermanual/epoc-flex/technical-spec BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 85 PHỤ LỤC PHỤ LỤC Sản phẩm nhóm phần mềm phân tích phân loại vận động tay trái/phải, nên code phần mềm bao gồm code lập trình giao diện code xử lý tín hiệu Do đó, khối lượng code phần mềm lớn Vì vậy, nhóm lưu trữ code lên link “Google Drive” Đây link chứa code sản phẩm cuối nhóm: https://drive.google.com/drive/folders/1oHs9Oj5KLl8sTZEhyLw5FpNpOBBFRHD ?usp=sharing ❖ Chương trình phân loại tín hiệu dùng CNN 2D Matlab clc; clear all; close all; %% waitfor(msgbox('Seclect a folder to train')); PtMIF = uigetdir('D:\'); imds= imageDatastore(PtMIF,'IncludeSubfolders',true,'LabelSource','foldernames'); S = dir(fullfile(PtMIF,'*')); NoSF = setdiff({S([S.isdir]).name},{'.',' '}); % list of subfolders of D %% inputSize=[100 100 1]; [imdsTrainx,imdsTestx] = splitEachLabel(imds,0.7,'randomize'); imdsTrain=augmentedImageDatastore(inputSize, imdsTrainx,'ColorPreprocessing','rgb2gray'); imdsTest=augmentedImageDatastore(inputSize, imdsTestx,'ColorPreprocessing','rgb2gray'); %% CNN layers layers = [ imageInputLayer([100 100 1]) convolution2dLayer(5,20) reluLayer BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 86 PHỤ LỤC maxPooling2dLayer(2,'Stride',2) fullyConnectedLayer(numel(NoSF)) softmaxLayer classificationLayer]; %% options = trainingOptions('sgdm', 'MaxEpochs',30, 'InitialLearnRate',1e-4, 'Verbose',false, 'Plots','training-progress'); %% Train net = trainNetwork(imdsTrain,layers,options); %% Accuracy %compare the test image against neural network results [YPred,scores] = classify(net,imdsTestx); YTest = imdsTestx.Labels; %read the label of the testx image YPred = string(YPred); %convert 'YPred' categorial value to string value YTest = string(YTest); %convert 'YTest' categorial value to string value YTest=categorical(YTest) YPred=categorical(YPred) scores = max(double(scores*100)); %calculate accuracy of previous classification based on differences accuracy = sum(YPred == YTest)/numel(YTest); %% plotconfusion(YTest,YPred); BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 87 S K L 0