Phân tích vận động cánh tay bằng neural network

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CƠNG TRÌNH NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN PHÂN TÍCH VẬN ĐỘNG CÁNH TAY BẰNG NEURAL NETWORK S K C 0 9 MÃ SỐ: SV2022-301 CHỦ NHIỆM ĐỀ TÀI: LẠI MINH LÝ SKC008116 Tp Hồ Chí Minh, tháng 11/2022 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 - BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN NGÀNH KỸ THUẬT Y SINH ĐỀ TÀI: PHÂN TÍCH VẬN ĐỘNG CÁNH TAY BẰNG NEURAL NETWORK GVHD: ThS Trần Đăng Khoa HỌ VÀ TÊN SV: MSSV: Lại Minh Lý (Chủ nhiệm đề tài) 20129061 Ông Thị Mỹ Kiều 18129027 Nguyễn Văn Minh 18129033 Tp Hồ Chí Minh - 11/2022 ii TRƯỜNG ĐH SPKT TP HỒ CHÍ MINH CỘNG HÒA 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 10 tháng 10 năm 2022 NHIỆM VỤ ĐỀ TÀI NGHIÊN CỨU KHOA HỌC Họ tên sinh viên: Lại Minh Lý MSSV: 20129061 Ông Thị Mỹ Kiều MSSV: 18129027 Nguyễn Văn Minh MSSV: 18129033 Chuyên ngành: Kỹ thuật Y Sinh Mã ngành: 01 Hệ đào tạo: Đại học quy Mã hệ: I TÊN ĐỀ TÀI: PHÂN TÍCH VẬN ĐỘNG CÁNH TAY BẰNG NEURAL NETWORK II NHIỆM VỤ Các số liệu ban đầu: - Ngơn 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 III NGÀY GIAO NHIỆM VỤ: 15/02/2022 iii IV NGÀY HOÀN THÀNH NHIỆM VỤ: 10/09/2022 V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: ThS Trần Đăng Khoa CHỦ NHIỆM ĐỀ TÀI CÁN BỘ HƯỚNG DẪN Lại Minh Lý ThS Trần Đăng Khoa iv LỜI CAM ĐOAN Đề tài nhóm tự thực dựa vào tài liệu trước khơng chép đề tài có trước CHỦ NHIỆM ĐỀ TÀI Lại Minh Lý v LỜI CẢM ƠN Nhóm thực xin gửi lời cảm ơn đến Thầy Trần Đăng Khoa - Giảng viên hướng dẫn khóa luận tốt nghiệp trực tiếp hướng dẫn tạo điều kiện tốt để giúp chúng em hồn thành tốt đề tài Nhóm chúng em xin chân thành cảm ơn đến thầy cô Khoa Điện Điện Tử giúp đỡ tạo điều kiện tốt để chúng em hoàn thành đề tài Nhóm thực xin cảm ơn đến tình nguyện viên ln sẵn sàng giúp đỡ, hỗ trợ suốt q trình thực thí nghiệm thu thập liệu Chúng em muốn gửi lời cảm ơn sâu sắc đến cha mẹ ln đồng hành ủng hộ trình học tập phát triển Xin chân thành cảm ơn! CHỦ NHIỆM ĐỀ TÀI Lại Minh Lý vi MỤC LỤC LỜI CAM ĐOAN v LỜI CẢM ƠN vi MỤC LỤC vii MỤC LỤC HÌNH ẢNH ix DANH MỤC BẢNG VÀ KÝ TỰ VIẾT TẮT Chương 1: TỔNG QUAN 1.1 Tính cấp thiết đề tài 1.2 Tổng quan 1.3 Mục tiêu đề tài 1.4 Đối tượng nghiên cứu 1.5 Phạm vi nghiên cứu 1.6 Đóng góp đề tài 1.7 Phương pháp luận 1.8 Nội dung nghiên cứu 1.9 Bố cục Chương 2: CƠ SỞ LÝ THUYẾT 23 2.1 Tổng quan não 23 2.1.1 Cấu tạo não 23 2.1.2 Tín hiệu điện não 24 2.1.3 Nguồn gốc tín hiệu điện não 25 2.2 Đo đạc thu nhận tín hiệu điện não 27 2.2.1 Phương pháp thu tín hiệu điện não 27 2.2.2 Chuẩn điện cực 10-20 27 2.2.3 Thiết bị đo điện não Emotiv Flex 28 2.3 Tín hiệu chớp mắt EEG 31 2.3.1 Tín hiệu chớp mắt 32 2.3.3 Thuật toán lọc EOG phương pháp RLS: 33 2.4 Một số phương pháp tiền xử lý tín hiệu 34 2.4.1 Loại bỏ xu hướng tín hiệu 34 2.4.2 Bộ lọc chắn dải (Band Stop) 35 2.4.3 Khử nhiễu tín hiệu dựa phương pháp Wavelet 35 2.4.5 Chuẩn hóa liệu sử dụng Z-Score 36 2.5 Phân tích wavelet coherence 36 2.5.1 Phân tích Wavelet Coherence 36 vii 2.5.2 Các kênh sử dụng phân tích Wavelet Coherence 37 2.6 Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) 37 Chương 3: THIẾT KẾ GIAO THỨC 41 3.1 Giới thiệu 41 3.2 Tiền q trình thí nghiệm thu liệu 41 3.2.1 Tạo danh sách đăng ký 41 3.2.2 Sàng lọc đối tượng thí nghiệm 42 3.2.3 Huấn luyện đối tượng thí nghiệm 42 3.2.4 Chuẩn bị cài đặt thiết bị đo EEG 44 3.3 Thiết kế giao thức 48 Chương 4: PHƯƠNG PHÁP XỬ LÝ TÍN HIỆU 54 4.1 Tiền xử lý 54 4.1.1 Tìm đỉnh EOG 54 4.1.2 Loại bỏ EOG phân chia vùng 57 4.2 Trích đặc trưng 58 4.3 Phân loại 60 Chương 5: KẾT QUẢ – NHẬN XÉT – ĐÁNH GIÁ 79 5.1 Tiền xử lý 79 5.2 Trích đặc trưng 80 5.2.1 Kênh C3 (Right) FC5 (Right) 80 5.2.2 Kênh C4 (Left) FC6 (Left) 81 5.3 Phân loại 82 Chương 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 87 6.1 Kết luận 87 6.2 Hướng phát triển 87 TÀI LIỆU THAM KHẢO 92 viii MỤC LỤC HÌNH ẢNH Hình 2.1 Cấu tạo não 23 Hình 2.2 Các thùy não chức thùy não 24 Hình 2.3 Tín hiệu điện não đồ ghi lại 25 Hình 2.4 Cấu tạo tế bào thần kinh 26 Hình 2.5 Sơ lược cách ghi điện não đồ 27 Hình 2.6 Hệ thống quốc tế 10 – 20 nhìn từ bên trái (A) đỉnh đầu (B) 28 Hình 2.7 Mũ điện não thiết bị Emotiv Epoc Flex 28 Hình 2.8 Bản đồ vị trí điện cực 28 Hình 2.9 32 điện cực não điện cực tham chiếu Emotiv Epoc Flex 30 Hình 2.10 Bộ cảm biến Epoc Flex 30 Hình 2.11 Các dạng tín hiệu nhiễu EEG 32 Hình 2.12 Điện áp mắt 32 Hình 2.13 Tín hiệu thu chớp mắt 33 Hình 2.14 Vị trí điện cực thu tín hiệu mắt 33 Hình 2.15 Mơ tả tín hiệu trước sau thực Detrend 35 Hình 2.16 Bộ lọc Band Stop 35 Hình 2.17 Khử nhiễu tín hiệu dựa phương pháp Wavelet 36 Hình 2.18 Mơ hình mẫu CNN với lớp chập lớp kết nối đầy đủ 38 Hình 3.1 Sơ đồ khái quát trình thiết kế quy trình thu liệu EEG 41 Hình 3.2 Tư ngồi tham gia thí nghiệm 43 Hình 3.3: Quá trình chuẩn bị thu liệu EEG 44 Hình 3.4 Thành phần thiết bị Emotiv 45 Hình 3.5 Thao tác mắc điện cực 45 Hình 3.6 Vị trí sơ đồ mắc 32 điện cực 46 Hình 3.8 Thao tác gắn điều khiển truyền tín hiệu 47 Hình 3.9 Thao tác kết nối thu USB với máy tính 47 Hình 3.10 Trang bị mũ điện não lên đối tượng thí nghiệm 47 Hình 3.11 Thao tác bơi gel dẫn lên điện cực 48 Hình 3.12 Giao thức thí nghiệm 48 Hình 3.13 Màn hình hiển thị dấu hiệu 10s đầu nghỉ ngơi không chớp mắt 50 ix Hình 3.14 Màn hình hiển thị dấu hiệu chớp mắt vòng 3s 51 Hình 3.15 Màn hình hiển thị dấu hiệu gập tay trái 2.5s 51 Hình 3.16 Màn hình hiển thị dấu hiệu duỗi tay 2.5s 52 Hình 3.17 Màn hình hiển thị dấu hiệu gập tay phải 2.5s 52 Hình 4.1 Hình ảnh khái quát chi tiết trình tiền xử lý 54 Hình 4.2 Các trường hợp đỉnh EOG bị lỗi 56 Hình 4.3 Hình ảnh tín hiệu trước sau lọc kênh C3 58 Hình 4.4 Hình ảnh liệu sau biến đổi Wavelet Coherence 59 Hình 4.5 Mơ hình phân loại CNN 60 Hình 5.1 Đồ thị biểu diễn đỉnh EOG phát kênh Fp1, F3, F4, Fp2 79 Hình 5.2 Tín hiệu điện não trước sau tiền xử lý 80 Hình 5.3 Một số hình ảnh thể Wavelet Coherence liệu gập tay phải lọc EOG 81 Hình 5.4 Một số hình ảnh thể Wavelet Coherence liệu gập tay trái lọc EOG 82 Hình 5.5 Kết trình học mạng CNN 83 Hình 5.6 Kết mơ hình phân loại 83 x CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN PHỤ LỤC Bài báo GTSD 2022 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 88 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 89 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 90 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 91 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 92 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 93 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 94 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 95 PHỤ LỤC TÀI LIỆU THAM KHẢO [1] 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 [2] “What are Brainwaves? - Improve Brain Health with Neurofeedback,” Sinha Clinic https://www.sinhaclinic.com/what-are-brainwaves/ (accessed Sep 12, 2022) [3] C Yang, Y Ye, X Li, and R Wang, “Development of a neuro-feedback game based on motor imagery EEG,” Multimed Tools Appl., vol 77, no 12, pp 15929–15949, Jun 2018, doi: 10.1007/s11042-017-5168-x [4] A Finke, A Lenhardt, and H Ritter, “The MindGame: A P300-based brain– computer interface game,” Neural Netw., vol 22, no 9, pp 1329–1333, Nov 2009, doi: 10.1016/j.neunet.2009.07.003 [5] T Ebrahimi, J.-M Vesin, and G Garcia, “Brain-computer interface in multimedia communication,” IEEE Signal Process Mag., vol 20, no 1, pp 14–24, Jan 2003, doi: 10.1109/MSP.2003.1166626 [6] O Bazgir, Z Mohammadi, and S A H Habibi, “Emotion Recognition with Machine Learning Using EEG Signals,” in 2018 25th National and 3rd International Iranian Conference on Biomedical Engineering (ICBME), Qom, Iran, Nov 2018, pp 1–5 doi: 10.1109/ICBME.2018.8703559 [7] J S Kumar and P Bhuvaneswari, “Analysis of Electroencephalography (EEG) Signals and Its Categorization–A Study,” Procedia Eng., vol 38, pp 2525–2536, 2012, doi: 10.1016/j.proeng.2012.06.298 [8] “Xử lý tín hiệu điện não tưởng tượng vận động chi - Tài liệu text.” https://text.123docz.net/document/3573004-xu-ly-tin-hieu-dien-nao-trongtuong- tuong-van-dong-chi-tren.htm (accessed Sep 12, 2022) [9] F Wang, K Kim, S Wen, Y Zhang, and C Wu, “EEG based automatic left-right hand movement classification,” in 2012 24th Chinese Control and Decision Conference (CCDC), May 2012, pp 1469–1472 doi: 10.1109/CCDC.2012.6244236 [10] K K Virdi and S Pawar, “Hand and Leg Movement Prediction using EEG Signal by Stacked Deep Auto Encoder,” SMART MOVES J IJOSCIENCE, vol 5, no 10, pp 36–48, Oct 2019, doi: 10.24113/ijoscience.v5i10.230 [11] P Boonme, P Thongserm, P Arunsuriyasak, and P Phasukkit, “Hand Movement Classification Base on EEG Signals using Deep Learning and Dimensional Reduction Technique,” in 2019 12th Biomedical Engineering BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 92 PHỤ LỤC International Conference (BMEiCON), Ubon Ratchathani, Thailand, Nov 2019, pp 1–4 doi: 10.1109/BMEiCON47515.2019.8990192 [12] R Xiao and L Ding, “Evaluation of EEG Features in Decoding Individual Finger Movements from One Hand,” Comput Math Methods Med., vol 2013, pp 1–10, 2013, doi: 10.1155/2013/243257 [13] O Bai, Z Mari, S Vorbach, and M Hallett, “Asymmetric spatiotemporal patterns of event-related desynchronization preceding voluntary sequential finger movements: a high-resolution EEG study,” Clin Neurophysiol., vol 116, no 5, pp 1213–1221, May 2005, doi: 10.1016/j.clinph.2005.01.006 [14] T Chouhan, N Robinson, A P Vinod, and K K Ang, “Binary classification of hand movement directions from EEG using wavelet phase-locking,” in 2017 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Banff, AB, Oct 2017, pp 264–269 doi: 10.1109/SMC.2017.8122613 [15] P A Abhang, B W Gawali, and S C Mehrotra, “Introduction to Emotion, Electroencephalography, and Speech Processing,” in Introduction to EEG- and Speech-Based Emotion Recognition, Elsevier, 2016, pp 1–17 Accessed: Jun 03, 2022 [Online] Available:https://linkinghub.elsevier.com/retrieve/pii/B97801280449020000 14 [16] “Anatomy of the Brain | Simply Psychology.” https://www.simplypsychology.org/Anatomy-of-the-Brain.html (accessed Sep 10, 2022) [17] “Lobes of the brain,” Dec 02, 2016 https://qbi.uq.edu.au/brain/brainanatomy/lobes-brain (accessed Jun 03, 2022) [18] Cohen Richard Caton (1842–1926) Pioneer Electrophysiologist Proc R Soc Med 1959 Aug;52(8):645–51 [19] 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 [20] Nunez PL, Srinivasan R “Electroencephalogram,” in Scholarpedia 2007 Feb 4;2(2):1348 [21] 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 [22] Casson, Alexander J., c.s “Electroencephalogram” Seamless Healthcare Monitoring: Advancements in Wearable, Attachable, and Invisible Devices, BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 93 PHỤ LỤC biên tập Toshiyo Tamura Wenxi Chen, Springer International Publishing, 2018, tr 45–81 Springer Link, https://doi.org/10.1007/978-3-31969362-0_2 [23] Nayak, Chetan S., Arayamparambil C Anilkumar “EEG Normal Waveforms” StatPearls, StatPearls Publishing, 2022 PubMed, http://www.ncbi.nlm.nih.gov/books/NBK539805/ [24] P L Nunez and R Srinivasan, “Electroencephalogram,” Scholarpedia, vol 2, no 2, p 1348, Feb 2007, doi: 10.4249/scholarpedia.1348 [25] S Nagel, “Towards a home-use BCI: fast asynchronous control and robust non-control state detection,” Dissertation, Universität Tübingen, 2019 Accessed: Jun 03, 2022 [Online] Available: https://publikationen.unituebingen.de/xmlui/handle/10900/96356 [26] “10–20 system (EEG),” Wikipedia Mar 13, 2022 Accessed: Jun 04, 2022 [Online] Available: https://en.wikipedia.org/w/index.php?title=10%E2%80%9320_system_(EEG )&oldid=1076814653 [27] J Malmivuo and R Plonsey, BioelectromagnetismPrinciples and Applications of Bioelectric and Biomagnetic Fields Oxford University Press, 1995 Accessed: Aug 24, 2022 [Online] Available: http://www.oxfordscholarship.com/view/10.1093/acprof:oso/9780195058239 001.0001/acprof-9780195058239 [28] “Bioelectromagnetism.” https://www.bem.fi/book/ (accessed Jun 03, 2022) [29] “Technical Specifications.” https://emotiv.gitbook.io/epoc-flex-usermanual/epoc-flex/technical-spec (accessed Jun 09, 2022) [30] “EPOC Flex Cap.” https://emotiv.gitbook.io/epoc-flex-user-manual/cap/epocflex-cap (accessed Jun 04, 2022) [31] “Example Sensor Placement (Montage).” https://emotiv.gitbook.io/epoc-flexuser-manual/electrodes/example-electrode-placement (accessed Jun 03, 2022) [32] “Gel Sensors.” https://emotiv.gitbook.io/epoc-flex-usermanual/electrodes/electrode-assembly (accessed Jun 03, 2022) [33] P Tallgren, S Vanhatalo, K Kaila, and J Voipio, “Evaluation of commercially available electrodes and gels for recording of slow EEG potentials,” Clinical Neurophysiology, vol 116, no 4, pp 799–806, Apr 2005, doi: 10.1016/j.clinph.2004.10.001 [34] “Package Contents.” https://emotiv.gitbook.io/epoc-flex-user-manual/epocflex/package-contents (accessed Jun 03, 2022) BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 94 PHỤ LỤC [35] S M Nacy, S N Kbah, H A Jafer, and I Al-Shaalan, “Controlling a Servo Motor Using EEG Signals from the Primary Motor Cortex,” American Journal of Biomedical Engineering, vol 6, no 5, pp 139–146, 2016 [36] “Artifacts Contaminating Your EEG Recordings,” Neuroelectrics Blog Latest news about EEG & Brain Stimulation, Dec 18, 2014 https://www.neuroelectrics.com/blog/2014/12/18/artifacts-contaminatingyour-eeg-recordings/ (accessed Aug 24, 2022) [37] N Bajaj, “Wavelets for EEG Analysis,” in Wavelet Theory, S Mohammady, Ed IntechOpen, 2021 Accessed: Aug 24, 2022 [Online] Available: https://www.intechopen.com/books/wavelet-theory/wavelets-for-eeg-analysis [38] J Malmivuo and R Plonsey, “Bioelectromagnetism 28 The Electric Signals Originating in the Eye,” 1995, pp 437–447 [39] C Belkhiria and V Peysakhovich, “Electro-Encephalography and ElectroOculography in Aeronautics: A Review Over the Last Decade (2010–2020),” Front Neuroergonomics, vol 1, p 606719, Dec 2020, doi: 10.3389/fnrgo.2020.606719 [40] “Basics of Electrooculography,” ElectroPhys, Dec https://electrophys.wordpress.com/home/electrooculography2/electrooculography/ (accessed Aug 24, 2022) [41] H Liang et al., “Feature Extraction of Shoulder Joint’s Voluntary FlexionExtension Movement Based on Electroencephalography Signals for Power Assistance,” Bioengineering, vol 6, no 1, p 2, Dec 2018, doi: 10.3390/bioengineering6010002 [42] A Bhandari, V Khare, J Santhosh, and S Anand, “Wavelet based compression technique of Electro-oculogram signals,” in 3rd Kuala Lumpur International Conference on Biomedical Engineering 2006, Berlin, Heidelberg, 2007, pp 440–443 doi: 10.1007/978-3-540-68017-8_111 [43] G Ai, N Sato, B Singh, and H Wagatsuma, “Direction and viewing areasensitive influence of EOG artifacts revealed in the EEG topographic pattern analysis,” Cogn Neurodyn, vol 10, no 4, pp 301–314, Aug 2016, doi: 10.1007/s11571-016-9382-4 [44] M M N Mannan, M A Kamran, S Kang, and M Y Jeong, “Effect of EOG Signal Filtering on the Removal of Ocular Artifacts and EEG-Based BrainComputer Interface: A Comprehensive Study,” Complexity, vol 2018, pp 1– 18, Jul 2018, doi: 10.1155/2018/4853741 [45] M A Klados and P D Bamidis, “A semi-simulated EEG/EOG dataset for the comparison of EOG artifact rejection techniques,” Data in Brief, vol 8, pp 1004–1006, Sep 2016, doi: 10.1016/j.dib.2016.06.032 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 01, 2017 95 PHỤ LỤC [46] A C Mugdha, F S Rawnaque, and M U Ahmed, “A study of recursive least squares (RLS) adaptive filter algorithm in noise removal from ECG signals,” in 2015 International Conference on Informatics, Electronics & Vision (ICIEV), Fukuoka, Japan, Jun 2015, pp 1–6 doi: 10.1109/ICIEV.2015.7333998 [47] “Detrending Data MATLAB & Simulink.” https://www.mathworks.com/help/matlab/data_analysis/detrending-data.html (accessed Jun 17, 2022) [48] C P Dautov and M S Ozerdem, “Wavelet transform and signal denoising using Wavelet method,” in 2018 26th Signal Processing and Communications Applications Conference (SIU), Izmir, Turkey, May 2018, pp 1–4 doi: 10.1109/SIU.2018.8404418 [49] Isaac Hernandez-Fajardo, Georgios Evangelatos, Ioannis Kougioumtzoglou, and Xin Ming, Signal Denoising using Wavelet-based Methods George R Brown School of Engineering, Rice University Houston, TX - USA [Online] Available: https://cnx.org/contents/ahcuwm3R@1.1:-yxzQLO-@2/SignalDenoising-using-Wavelet-based-Methods [50] “Normalize data MATLAB normalize.” https://www.mathworks.com/help/matlab/ref/double.normalize.html (accessed Jun 18, 2022) [51] H Shahabi, S Moghimi, and H Zamiri-Jafarian, “EEG eye blink artifact removal by EOG modeling and Kalman filter,” in 2012 5th International Conference on BioMedical Engineering and Informatics, Oct 2012, pp 496– 500 doi: 10.1109/BMEI.2012.6513162 [52] “Fourier vs Wavelet Transformations | Built In.” https://builtin.com/datascience/wavelet-transform (accessed Aug 24, 2022) [53] D A Donald, Y Everingham, L w Mckinna, and D Coomans, “Feature Selection in The Wavelet Domain: Adaptive wavelets,” in Comprehensive Chemometrics : Chemical and Biochemical Data Analysis, vol 4, S d Brown, R Tauler, and B Walczak, Eds Elsevier, 2010, pp 647–679 [54] T Rich and B Gillick, “Electrode Placement in Transcranial Direct Current Stimulation—How Reliable Is the Determination of C3/C4?,” Brain Sciences, vol 9, no 3, p 69, Mar 2019, doi: 10.3390/brainsci9030069 [55] S Albawi, T A Mohammed, and S Al-Zawi, “Understanding of a convolutional neural network,” in 2017 International Conference on Engineering and Technology (ICET), Antalya, Aug 2017, pp 1–6 doi: 10.1109/ICEngTechnol.2017.8308186 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 96 PHỤ LỤC [56] J Gu et al., “Recent advances in convolutional neural networks,” Pattern Recognition, vol 77, pp 354–377, May 2018, doi: 10.1016/j.patcog.2017.10.013 [57] S Kiranyaz, O Avci, O Abdeljaber, T Ince, M Gabbouj, and D J Inman, “1D convolutional neural networks and applications: A survey,” Mechanical Systems and Signal Processing, vol 151, p 107398, Apr 2021, doi: 10.1016/j.ymssp.2020.107398 [58] J S Barrera, A Echavarría, C Madrigal, and J Herrera-Ramirez, “Classification of hyperspectral images of the interior of fruits and vegetables using a 2D convolutional neuronal network,” J Phys.: Conf Ser., vol 1547, no 1, p 012014, May 2020, doi: 10.1088/1742-6596/1547/1/012014 [59] U R Acharya, S L Oh, Y Hagiwara, J H Tan, and H Adeli, “Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals,” Computers in Biology and Medicine, vol 100, Sep 2017, doi: 10.1016/j.compbiomed.2017.09.017 [60] Y Yu, K Adu, N Tashi, P Anokye, X Wang, and M A Ayidzoe, “RMAF: Relu-Memristor-Like Activation Function for Deep Learning,” IEEE Access, vol 8, pp 72727–72741, 2020, doi: 10.1109/ACCESS.2020.2987829 [61] S K R Chirasani and S Manikandan, “A deep neural network for the classification of epileptic seizures using hierarchical attention mechanism,” Soft Comput, vol 26, no 11, pp 5389–5397, Jun 2022, doi: 10.1007/s00500022-07122-8 [62] X Lun, Z Yu, T Chen, F Wang, and Y Hou, “A Simplified CNN Classification Method for MI-EEG via the Electrode Pairs Signals,” Front Hum Neurosci., vol 14, p 338, Sep 2020, doi: 10.3389/fnhum.2020.00338 [63] N Robinson, K P Thomas, A P Vinod, and S Sundaram, “Classification of unilateral motor tasks using spectral features of EEG,” in 2018 IEEE Symposium Series on Computational Intelligence (SSCI), Bangalore, India, Nov 2018, pp 505–509 doi: 10.1109/SSCI.2018.8628735 [64] E Pitsik, “Time-frequency and recurrence quantification analysis detect limb movement execution from EEG data,” in 2019 3rd School on Dynamics of Complex Networks and their Application in Intellectual Robotics (DCNAIR), Innopolis, Russia, Sep 2019, pp 142–144 doi: 10.1109/DCNAIR.2019.8875596 [65] X Wang, F Gobbo, and M Lane, “Turning Time From Enemy into an Ally using the Pomodoro Technique,” 2010, pp 149–166 doi: 10.1007/978-3-64212442-6_10 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 97 S K L 0