điều khiển xe lăn điện thông minh qua sóng não

BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH PHẠM VĂN HỮU THIỆN ĐIỀU KHIỂN XE LĂN ĐIỆN THÔNG MINH QUA SÓNG NÃO Chuyên ngành: KỸ THUẬT ĐIỆN TỬ Mã chuyên ngành: 8520203

Trang 1

BỘ CÔNG THƯƠNG

TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH

PHẠM VĂN HỮU THIỆN

ĐIỀU KHIỂN XE LĂN ĐIỆN THÔNG MINH QUA SÓNG NÃO

Chuyên ngành: KỸ THUẬT ĐIỆN TỬ Mã chuyên ngành: 8520203

LUẬN VĂN THẠC SĨ

THÀNH PHỐ HỒ CHÍ MINH, NĂM 2021

luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop

luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop

luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop

Trang 2

Công trình được hoàn thành tại Trường Đại học Công nghiệp TP Hồ Chí Minh Người hướng dẫn khoa học: TS Nguyễn Ngọc Sơn

Luận văn thạc sĩ được bảo vệ tại Hội đồng chấm bảo vệ Luận văn thạc sĩ Trường Đại học Công nghiệp thành phố Hồ Chí Minh ngày tháng năm 2021

Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:

1 - Chủ tịch Hội đồng 2 - Phản biện 1

3 - Phản biện 2 4 - Ủy viên 5 - Thư ký

(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ)

CHỦ TỊCH HỘI ĐỒNG KHOA CÔNG NGHỆ ĐIỆN TỬ TRƯỞNG KHOA

Trang 3

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: PHẠM VĂN HỮU THIỆN MSHV: 18104691 Ngày, tháng, năm sinh: 08/10/1980 Nơi sinh: Vĩnh Long

Chuyên ngành: Kỹ Thuật Điện Tử Mã chuyên ngành:8520203

I TÊN ĐỀ TÀI:

ĐIỀU KHIỂN XE LĂN ĐIỆN THÔNG MINH QUA SÓNG NÃO

NHIỆM VỤ VÀ NỘI DUNG:

Thu thập và trích xuất các đặc trưng của tín hiệu sóng não EEG từ cảm biến Mind Wave Mobile 2 trong miền thời gian và miền tần số

Phân loại 5 tín hiệu EEG để điều khiển xe lăn điện di chuyển “Tới, Lùi, Trái, Phải, Dừng” dùng mạng nơ rôn nhân tạo

Thực nghiệm kiểm chứng điều khiển xe lăn điện qua tín hiệu sóng não EEG

II NGÀY GIAO NHIỆM VỤ: Thực hiện quyết số 841/QĐ-ĐHCN ngày

10/07/2020 của Trường Đại Học Công Nghiệp Thành Phố Hồ Chí Minh về việc giao đề tài và cử người hướng dẫn luận văn thạc sĩ

III NGÀY HOÀN THÀNH NHIỆM VỤ: 20/01/2021

IV NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Nguyễn Ngọc Sơn

Tp Hồ Chí Minh, ngày … tháng 01 năm 2021

KHOA CÔNG NGHỆ ĐIỆN TỬ TRƯỞNG KHOA

THÀNH PHỐ HỒ CHÍ MINH

Trang 4

i

LỜI CẢM ƠN

Trước tiên, tôi xin gửi lời cảm ơn chân thành đến thầy TS Nguyễn Ngọc Sơn –

Phó trưởng khoa Công nghệ Điện tử Trường Đại học Công Nghiệp Thành phố Hồ Chí Minh đã hướng dẫn, định hướng tôi nghiên cứu trong suốt thời gian thực hiện luận văn Những hướng dẫn tận tình, tác phong làm việc nghiêm túc và những trao đổi sâu sắc về những vấn đề trong luận văn của thầy đã giúp tôi nhiều trong nghiên cứu và định hướng nghiên cứu Những điều học được từ thầy là cơ sở quan trọng trong bước đường học tập, làm việc của tôi tiếp theo

Xin cảm ơn Ban Giám hiệu, các thầy cô khoa Công Nghệ Điện Tử Trường Đại Học Công Nghiệp Thành phố Hồ Chí Minh đã tạo mọi điều kiện thuận lợi cho tôi trong quá trình học tập

Xin chân thành cảm ơn ông bà, cha mẹ đã luôn động viên ủng hộ vật chất lẫn tinh thần trong suốt thời gian qua Xin cảm ơn sự quan tâm giúp đỡ và ủng hộ của các anh chị, bạn bè, đồng nghiệp trong quá trình thực hiện luận văn

Trang 5

ii

TÓM TẮT LUẬN VĂN THẠC SĨ

Hiện nay, người cao tuổi, người khuyết tật và bệnh nhân đột quỵ trong cộng đồng chiếm tỉ lệ cao Để giúp họ cải thiện được chất lượng trong cuộc sống, thì không thể thiếu một xe lăn điện thông minh điều khiển qua sóng não Trong đề tài này, trước tiên, tác giả trình bày cách ghi và xử lý tín hiệu sóng não EEG thô từ cảm biến điện não đồ MindWave Mobile2 Sau đó, thực hiện phân tích trích xuất các đặc trưng của 5 tín hiệu EEG mô tả các trạng thái (tới, lùi, rẽ trái, rẽ phải, dừng) trong miền thời gian dựa vào các mẫu tín hiệu EEG ghi được và phân tích phổ tín hiệu là biến đổi Fourier nhanh FFT (Fast Fourier Transform) và biến đổi Fourier nhanh ngược IFFT (Inverse Fast Furier Transform) Các tín hiệu đặc trưng này được đưa vào mạng thần kinh nhân tạo để học và phân loại thành 5 tín hiêu điều khiển xe lăn chuyển động (tới, lùi, rẽ trái, rẽ phải, dừng) Cuối cùng, mô hình thực nghiệm xe lăn điện được thiết kế để kiểm chứng việc điều khiển xe lăn qua sóng não Kết quả kiểm chứng cho thấy, tỉ lệ điều khiển xe lăn qua sóng não di chuyển trung bình đạt trên 80% Trong tương lai, xe lăn điện sẽ tiếp tục khả năng điều khiển chính xác qua sóng não và cũng sẽ thiết kế bổ sung thêm các tính năng khác như tránh vật cản, định vị, đo các thông số sức khỏe,… để xe lăn ngày càng thông minh và thân thiện hơn với người sử dụng

123docz.net - File bi loi xin lienhe: lethikim34079@hotmail.com

Trang 6

iii

ABSTRACT

Currently, the elderly, people with disabilities and stroke patients in the community account for a high proportion To help them improve their quality of life, it is indispensable to have an intelligent electric wheelchair controlled through brain waves In this paper, we first present how to record and process raw EEG signals from the MindWave Mobile2 EEG sensor Then, perform analysis to extract 5 characteristic signals describing states (forward, backward, left turn, right turn, stop) in time domain based on recorded EEG signal samples and analysis of signal spectrum The difference is the Fast Fourier FFT (Fast Fourier Transform) and the Inverse Fast Furier Transform (IFFT) These characteristic signals are fed into the artificial neural network for learning and classified into 5 signals that control the wheelchair movement (forward, reverse, left turn, right turn, stop) Finally, the electric wheelchair experimental model is designed to test wheelchair control over brain waves The test results show that the average rate of controlling the wheelchair through the moving brain waves is over 80% In the future, electric wheelchairs will continue to have precise control over brain waves, and will also design to add other features such as obstacle avoidance, positioning, measuring health parameters for wheelchairs more and more intelligent and user friendly

123docz.net - File bi loi xin lienhe: lethikim34079@hotmail.com

Trang 7

iv

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của bản thân tôi Các kết quả nghiên cứu và các kết luận trong luận văn là trung thực, không sao chép từ bất kỳ một nguồn nào và dưới bất kỳ hình thức nào Việc tham khảo các nguồn tài liệu đã được thực hiện trích dẫn và ghi nguồn tài liệu tham khảo đúng quy định

Học viên

Phạm Văn Hữu Thiện

Trang 8

2 Mục tiêu nghiên cứu 1

3 Đối tượng và phạm vi nghiên cứu 2

4 Cách tiếp cận và phương pháp nghiên cứu 2

5 Ý nghĩa thực tiễn của đề tài 3

CHƯƠNG 1 TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU 4

1.1 Giới thiệu 4

1.2 Các nghiên cứu trong và ngoài nước 5

1.2.1Khái niệm về Brain Computer Interface (BCI) 6

1.2.2Các hệ thống BCI đã và đang được phát triển và triển vọng 6

1.3 Nội dung nghiên cứu 8

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 9

2.1 Điện não đồ EEG 9

2.1.1 Cơ chế điện sinh lý của điện não đồ EEG 9

2.1.2 Hoạt động điện ở màng tế bào thần kinh 10

2.1.3 Tế bào thần kinh và lan truyền kích thích 11

2.1.4 Hoạt động điện trên da đầu 13

2.1.5 Các đặc trưng và dạng sóng cơ bản của EEG 14

2.2 Các vị trí điện cực 16luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop

Trang 9

vi

2.3 Trích xuất đặc trưng 17

2.3.1 Các phương pháp trích xuất đặc trưng 18

2.3.2 Biến đổi Fast Fourier Transform (FFT) và Inverse Fast Fourier Transform (IFFT) [23] 21

2.3.3 Đặc trưng EEG trong miền thời gian và miền tần số 28

2.4 Mạng thần kinh nhân tạo 29

2.4.1 Mạng thần kinh nhân tạo ANN (Artificial Neural Network) 29

2.4.2 Mô hình nơ rôn 29

2.4.3 Kiến trúc mạng 31

2.4.4 Huấn luyện mạng nơ rôn 35

2.4.5 Luật học mạng nơ rôn 36

2.4.6 Mạng Perceptron nhiều lớp 39

2.5 Cảm biến đo tín hiệu EEG 44

2.5.1 Các giá trị dữ liệu 45

2.5.2 Cấu trúc gói dữ liệu 45

2.5.3 Phân tích gói dữ liệu 47

2.5.4 Phân tích data row 48

CHƯƠNG 3 PHÂN LOẠI TÍN HIỆU SÓNG NÃO EEG DÙNG MẠNG NƠ RÔN MLP 49

3.1 Xác định tín hiệu điều khiển xe lăn điện 49

3.1.1 Thu thập dữ liệu 49

3.1.2 Xử lý dữ liệu 50

3.1.3 Trích xuất đặc trưng 51

3.1.4 Kết quả thực nghiệm 52

3.2 Phân loại tín hiệu EEG dùng mạng nơ rôn 60

3.2.1 Cấu trúc mạng nơ rôn 61

3.2.2 Tập dữ liệu huấn luyện 63

3.2.3 Thuật toán huấn luyện mạng 68

3.2.4 Kết quả phân loại EEG 69

Trang 10

vii

4.1 Lắp ráp xe lăn điện 77

4.1.1 Board điều khiển Arduino nano (H4_hình 4.1) 78

4.1.2 Mô đun thu phát RF Zigbee UART CC2530 (H8_hình 4.1) 79

4.1.3 Motor DC và Board điều khiển cầu H Mosfet 80

4.1.4 Cảm biến siêu âm HC-SR04 82

4.3 Lưu đồ giải thuật điều khiển xe lăn điện 86

4.3.1 Lưu đồ giải thuật đọc tín hiệu EEG từ cảm biến 86

4.3.2 Lưu đồ giải thuật xử lý đặc trưng 87

4.3.3 Lưu đồ giải thuật Arduino Nano điều khiển xe lăn điện 88

4.4 Kết quả điều khiển xe lăn điện thực tế 90

4.4.1 Xử lý tín hiệu EEG 90

4.4.2 Điều khiển xe lăn điện 91

4.4.3 Kết quả điều khiển xe lăn điện 92

4.5 Kết luận 98

KẾT LUẬN VÀ KIẾN NGHỊ 99

1 Kết quả đạt được 99

2 Hướng phát triển đề tài 100

DANH MỤC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA HỌC VIÊN 101

TÀI LIỆU THAM KHẢO 102luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop

Trang 11

viii

PHỤ LỤC 107

1 Chi tiết đặc tính kỹ thuật các thiết bị 107

1.1 Bo điều khiển Arduino nano 107

1.2 Module thu phát RF Zigbee UART CC2530 114

1.3 Motor DC và Board điều khiển cầu H Mosfet 117

1.4 Cảm biến siêu âm HC-SR04 122

1.5 Board nguồn giảm áp LM2596 123

2 Chương trình Matlab thu thập tín hiệu EEG, trích xuất đặc trưng và phân loại tín hiệu điều khiển 124

3 Chương trình vi điều khiển Arduino nano điều khiển xe lăn điện 128

4 Đặc trưng tín hiệu EEG 136

4.1 Bảng 250 mẫu huấn luyện nơ rôn 136

4.2 Bảng 50 mẫu test nơ rôn 143

LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN 145

Trang 12

ix

DANH MỤC HÌNH ẢNH

Hình 1.1 Nguyên lý P300 [14] 7

Hình 1.2 Mind cursor [17] 8

Hình 2.1 Các thùy trên vỏ não [32] 10

Hình 2.2 Các giai đoạn đáp ứng kích thích của tế bào thần kinh [33] 11

Hình 2.3 Cấu trúc của một tế bào thần kinh [34] 12

Hình 2.4 Kết nối giữa các tế bào thần kinh [35] 13

Hình 2.5 Các sóng cơ bản của EEG [36] 14

Hình 2.6 Sóng mu [37] 16

Hình 2.7 Các vị trí điện cực theo tiêu chuẩn 10-20 [38] 17

Hình 2.8 Biến đổi Fourier hai dãy 24

Hình 2.9 Sơ đồ phân chia thời gian của tín hiệu 25

Hình 2.10 Mô hình nơ rôn nhân tạo 30

Hình 2.11 Mạng nơ rôn một lớp với S nơ rôn 32

Hình 2.12 Mô hình mạng ANN một lớp gồm S nơ rôn 33

Hình 2.13 Mô hình mạng ANN gồm 3 lớp 33

Hình 2.14 Mạng ANN 3 lớp dạng rút gọn 34

Hình 2.15 Mô hình mạng có phản hồi 35

Hình 2.16 Mạng Multi Layer Perceptron 3 lớp 40

Hình 2.17 Cảm biến MindWave Mobile 2 [39] 44

Hình 3.1 Sơ đồ khối quá trình xác định tín hiệu 49

Hình 3.2 Tín hiệu cử chỉ hành động “mở mắt”, 54

Hình 3.3 Tín hiệu “mở mắt” và “nhắm mắt” miền tần số 9-11hz 55

Hình 3.4 Tín hiệu “mở mắt” và “chớp mắt 1 lần/giây” miền tần số 1-7hz 56

Hình 3.5 Tín hiệu “mở mắt” và “chớp mắt 1 lần/giây” miền thời gian 56

Hình 3.6 Tín hiệu “mở mắt” và “chớp mắt >1 lần/giây” miền tần số 1-7hz 57

Hình 3.7 Tín hiệu “mở mắt” và “chớp mắt >1 lần/giây” miền thời gian 58

Hình 3.8 Tín hiệu “mở mắt” và “nhìn lên” miền thời gian 59

Hình 3.9 Sơ đồ cấu trúc mạng nơ rôn đề xuất 62

Hình 3.10 Lưu đồ thuật toán huấn luyện mạng 68

Hình 3.11 Mô hình mạng MLP sử dụng trong hệ thống 69

Hình 3.12 Mô hình phân loại 4 nơ rôn trong lớp ẩn 70

Hình 3.13 Kết quả phân loại 4 nơ rôn trong lớp ẩn 70

Hình 3.14 Mô hình phân loại 6 nơ rôn trong lớp ẩn 72

Hình 3.15 Kết quả phân loại 6 nơ rôn trong lớp ẩn 72

Hình 3.16 Kết quả phân loại 6 nơ rôn trong lớp ẩn lần 2 74luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop

Trang 13

x

Hình 4.1 Xe lăn điện tái sử dụng từ xe lăn thường 77

Hình 4.2 board điều khiển Arduino Nano 78

Hình 4.3 Module thu phát RF Zigbee UART CC2530 79

Hình 4.4 Motor xe lăn điện 80

Hình 4.5 Mạch điều khiển kép hai cầu H Mosfet 81

Hình 4.6 Cảm biến siêu âm HC-SR04 82

Hình 4.7 Board giảm áp DC LM2596 82

Hình 4.8 Board chuyển đổi USB-TTL 83

Hình 4.9 Kiến trúc điều khiển hệ thống 84

Hình 4.10 Lưu đồ giải thuật đọc tín hiệu EEG từ cảm biến 86

Hình 4.11 Lưu đồ giải thuật xử lý đặc trưng 87

Hình 4.12 Lưu đồ giải thuật Arduino điều khiển xe lăn điện 88

Hình 4.13 Người điều khiển xe lăn điện thứ 1 93

Trang 14

xi

DANH MỤC BẢNG BIỂU

Bảng 1.1 Kết quả phân tích dữ liệu từ tín hiệu EEG 5

Bảng 1.2 Dữ liệu kết quả từ 5 người tham gia 6

Bảng 2.1 Bảng định nghĩa Single Byte code 47

Bảng 2.2 Multi Byte Code 47

Bảng 3.1 Danh sách 5 người tham gia lấy mẫu 52

Bảng 3.2 So sánh đặc trưng của tín hiệu “mở mắt” và “nhắm mắt” 55

Bảng 3.3 So sánh đặc trưng của tín hiệu “mở mắt” và “chớp mắt 1 lần/giây” 57

Bảng 3.4 So sánh đặc trưng của tín hiệu “mở mắt”, 58

Bảng 3.5 So sánh đặc trưng của tín hiệu “mở mắt” và “nhìn lên” 59

Bảng 3.6 So sánh 9 đặc trưng của 5 tín hiệu cử chỉ hành động “mở mắt”, “nhắm mắt”, “chớp mắt 1 lần/giây”, “chớp mắt >1 lần/giây” và “nhìn lên” 60

Bảng 3.7 Tập dữ liệu 50 mẫu “mở mắt” được thu thập từ 5 người tham gia 64

Bảng 3.8 Tập dữ liệu 50 mẫu “nhắm mắt” được thu thập từ 5 người tham gia 64

Bảng 3.9 Tập dữ liệu 50 mẫu “chớp mắt 1 lần/giây” 65

Bảng 3.10 Tập dữ liệu 50 mẫu “chớp mắt >1 lần/giây” 65

Bảng 3.11 Tập dữ liệu 50 mẫu “nhìn lên” được thu thập từ 5 người tham gia 66

Bảng 3.12 Tập dữ liệu 50 mẫu “test” được thu thập từ 5 người tham gia 67

Bảng 3.13 Kết quả phân loại 4 nơ rôn trong lớp ẩn 70

Bảng 3.14 Kết quả phân loại 6 nơ rôn trong lớp ẩn 73

Bảng 3.15 Kết quả phân loại 6 nơ rôn trong lớp ẩn lần 2 75

Bảng 4.1 Tín hiệu điều khiển xe lăn điện 89

Bảng 4.2 Thông tin 5 người tham gia điều khiển xe lăn điện 92

Bảng 4.3 Kết quả điều khiển 93

Bảng 4.8 Dữ liệu kết quả từ 5 người tham gia 97

Trang 15

xii

DANH MỤC TỪ VIẾT TẮT

STT Từ viết tắt Thuật ngữ Ý nghĩa tiếng Việt

1 ANN Artificial Neural Network Mạng thần kinh nhân tạo 2 AI Artificial Intelligence Trí tuệ nhân tạo

3 BCI Brain Computer Interface Giao diện não máy tính

5 CFT Continuously Fourier Transform

Biến đổi Fourier liên tục 6 DFT Discrete Fourier Transform Biến đổi Fourier rời rạc

8 FFT Fast Fourier Transform Biến đổi Fourier nhanh 9 IDFT Fast Continuous Fourier

11 MLP Multi Layer Perceptron Perceptron nhiều lớp

Trang 16

Có nhiều phương pháp khác nhau có thể giúp cho người khuyết tật, bệnh nhân sau đột quỵ; điện não đồ là phương pháp ghi lại hoạt động điện trong não thông qua da đầu Phương pháp này đã được sử dụng rộng rãi như một công cụ trong điều trị y tế Phương pháp sử dụng điện não đồ giúp người khuyết tật, bệnh nhân sau đột quỵ sử dụng xe lăn mà họ có thể điều khiển di chuyển được bằng cử chỉ hoặc não bộ

BCI (Brain Computer Interface) là một hệ thống giúp con người giao tiếp, kiểm soát, điều khiển các thiết bị xung quanh bằng tín hiệu sóng não, vì vậy bằng cách sử dụng BCI và thiết bị đọc sóng não EEG kết hợp với xe lăn điện có thể giúp những người khuyết tật, bệnh nhân sau đột quỵ di chuyển theo suy nghĩ để giúp họ cải thiện được chất lượng trong cuộc sống

Như vậy cần thiết để làm xe lăn điện thông minh có thể được sử dụng bởi nhiều người từ các bệnh nhân khác nhau Một trong những hệ thống vẫn đang được nghiên cứu và được phát triển là việc sử dụng các tín hiệu xử lý điện não đồ (EEG) của Brain Computer Interface (BCI) để điều khiển các thiết bị như: xe tự động, cánh tay Robot, xe lăn điện,…

2 Mục tiêu nghiên cứu

Thu thập và trích xuất các đặc trưng của tín hiệu sóng não EEG từ cảm biến Mind Wave Mobile 2 trong miền thời gian và miền tần số

Trang 17

2

Phân loại 5 tín hiệu EEG để điều khiển xe lăn điện di chuyển “Tới, Lùi, Trái, Phải, Dừng” dùng mạng nơ rôn nhân tạo

Thực nghiệm kiểm chứng điều khiển xe lăn điện qua tín hiệu sóng não EEG

3 Đối tượng và phạm vi nghiên cứu

 Đối tượng nghiên cứu:

Xe lăn điện được điều khiển bằng sóng nãoEEG  Phạm vi nghiên cứu:

Điện não đồ và các loại sóng não Cảm biến đọc sóng não EEG Biến đổi Fourier (FFT, IFFT) Mạng thần kinh nhân tạo ANN Vi điều khiển

Các phương pháp điều khiển xe lăn điện

4 Cách tiếp cận và phương pháp nghiên cứu

 Cách tiếp cận:

Sử dụng thiết bị Neurosky mindwave mobile 2 để thu thập 5 tín hiệu đặc trưng của sóng não (Tới, lùi, trái, phải, dừng), dựa vào 5 cử chỉ hành động: (mở mắt, nhắm mắt, chớp mắt 1 lần/giây, chớp mắt >1 lần/giây, nhìn lên)

Dùng phép biến đổi Fourier nhanh Fast Fourier Transform (FFT) và biến đổi ngược IFFT trích xuất các đặc trưng của 5 cử chỉ hành động: (mở mắt, nhắm mắt, chớp mắt 1 lần/giây, chớp mắt >1 lần/giây, nhìn lên)

Dùng mạng nơ rôn nhân tạo để huấn luyện, nhận dạng và phân loại 5 cử chỉ hành động: (mở mắt, nhắm mắt, chớp mắt 1 lần/giây, chớp mắt >1 lần/giây, nhìn lên) luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop

Trang 18

3

Lập trình vi điều khiển nhận tín hiệu từ laptop gửi đến qua RF Zigbee để điều khiển xe lăn điện di chuyển (Tới, lùi, trái, phải, dừng)

 Phương pháp nghiên cứu:

Tra cứu các nghiên cứu liên quan về EEG Nghiên cứu lý thuyết

Phân loại tín hiệu sóng não sử dụng mạng thần kinh nhân tạo ANN (mạng truyền thẳng MLP) để giải quyết các bài toán liên quan đến tín hiệu điện não và hệ giao diện não máy tính

Phân tích, trích xuất đặc trưng và phân loại tín hiệu điện não là bước đầu nghiên cứu tiếp cận với trí tuệ nhân tạo (AI)

Trang 19

Trang 20

5

1.2 Các nghiên cứu trong và ngoài nước

Các tác giả trong bài báo [8] đã đề cập nghiên cứu “Xe lăn điều khiển dựa trên não giao diện máy tính sử dụng cảm biến Neurosky Mindwave Mobile 2” Nội dung trong nghiên cứu này tác giả sử dụng thiết bị Neurosky Mindwave Mobile 2 để đọc tín hiệu sóng não EEG, tín hiệu EEG thu được từ cảm biến được gửi đến máy tính cá nhân (Laptop) qua bluetooth, máy tính đưa tín hiệu nhận được vào phần mềm Matlab để xử lý và phân loại thành 5 loại dữ liệu điều khiển (tới, lùi, phải, trái, mặc định); sau đó máy tính gửi 5 loại dữ liệu điều khiển này đến vi điều khiển (Arduino) bằng module Bluetooth; vi điều khiển nhận được 5 dữ liệu này và sẽ điều khiển cần điều khiển trên xe lăn điện di chuyển Trong nghiên cứu này, tác giả chủ yếu xử lý tín hiệu Alpha cao (tập trung chú ý hoặc thiền định) Tín hiệu Alpha cao này đạt 40-60% ở điều kiện bình thường và có thể đạt 100% bằng cách tập trung sự chú ý và thiền định Kết quả nghiên cứu trên như sau:

Bảng 1.1 Kết quả phân tích dữ liệu từ tín hiệu EEG

Phân loại tín hiệu Chú ý Thiền Alpha cao

Trang 21

6

Bảng 1.2 Dữ liệu kết quả từ 5 người tham gia

Tín hiệu Người 1 Người 2 Người 3 Người 4 Người 5 Toàn bộ

1.2.1 Khái niệm về Brain Computer Interface (BCI)

BCI cho phép người dùng điều khiển thiết bị mà không cần phải sử dụng những phương pháp bình thường thông qua ngoại vi (chuột, bàn phím, micro,…), thay vào đó bằng cách sử dụng các tín hiệu từ não bộ [9] Hiện tại hầu hết các hệ thống BCI đang được phát triển chủ yếu tập trung vào lĩnh vực y học, bởi vì tiềm năng của chúng trong việc cải thiện chất lượng cuộc sống của những người bị khuyết tật khả năng vận động, sự phức tạp của các hệ thống BCI trước đây làm cho chúng chỉ phù hợp với các nghiên cứu trong phòng thí nghiệm Tuy nhiên với các tiến bộ về khoa học kỹ thuật, trong thời gian gần đây dẫn đến sự ra đời của các thiết bị ghi nhận tín hiệu EEG giá rẻ, gọn nhẹ và hướng đến người dùng đã đưa các ứng dụng BCI gần hơn với cuộc sống

1.2.2 Các hệ thống BCI đã và đang được phát triển và triển vọng

Trong vài năm trở lại đây, các hệ thống BCI đã có những bước tiến triển đáng kể, kích thước nhỏ gọn, dễ dàng lắp đặt và sử dụng [10], giá cả phù hợp với người dùng là những yếu tố quan trọng để đưa những nghiên cứu trong phòng thí nghiệm được ứng dụng vào cuộc sống hiện nay Một số công ty như: neurosky, emotiv,… đã phát triển các thiết bị và ứng dụng phục vụ cho cả yêu cầu giải trí và nghiên cứu Các công ty này cung cấp các thiết bị phần cứng để ghi nhận tín hiệu EEG trong điều kiện bình thường ngoài phòng thí nghiệm với ưu điểm là giá thành phù hợp

Sự phát triển của các phần mềm mã nguồn mở xử lý tín hiệu dùng cho các hệ thống BCI được tích hợp với Matlab có thể kể đến như: BCI 2000 [11], Open Vibe, EEG luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop

Trang 22

Hình 1.1 Nguyên lý P300 [14]

Mind cursor là một nghiên cứu cải tiến bởi wolpaw và Macfarland, sử dụng những nguyên lý cơ bản của sóng Mu [17], độ lớn biên độ để điều khiển con trỏ di chuyển lên xuống theo phương thẳng đứng và độ sai khác biên độ của giữa các thành phần phổ năng lượng để điều khiển con trỏ chuột di chuyển theo phương ngang Bằng phương pháp này, hệ thống cho phép người dùng điều khiển con trỏ đến 4 góc của màn hình Phương pháp sử dụng sóng Mu được sử dụng rộng rãi trong các nghiên cứu điều khiển bằng sóng não, vì nó có liên kết rất chặt chẽ đến các suy nghĩ điều khiển vận động

Trang 23

8

Hình 1.2 Mind cursor [17]

Trong các phương pháp ghi nhận sóng não, EEG được xem xét là phù hợp nhất với mục đích và quy mô của đề tài, vì những ưu điểm như: cảm biến EEG có giá thành phù hợp và có thể dễ dàng tìm thấy trên thị trường, kích thước nhỏ gọn, dễ dàng mang đeo, không tốn nhiều thời gian để lắp đặt nên có thể sử dụng dễ dàng

1.3 Nội dung nghiên cứu

Nghiên cứu tổng quan về tín hiệu sóng não EEG và cách thu thập sóng não EEG trong thực tế

Phân tích, trích xuất các đặc trưng của tín hiệu sóng não EEG được thu thập từ thiết bị Neurosky mindwave mobile 2

Sử dụng mạng thần kinh nhân tạo ANN để nhận dạng và phân loại 05 tín hiệu sóng não EEG trên

Lập trình nhúng điều khiển xe lăn điện hoạt động đi Tới, đi Lùi, rẽ Phải, rẽ Trái và dừng bằng sóng não EEG

Phân tích, đánh giá các kết quả kiểm chứng thực nghiệm để từ đó tổng kết được các kết quả đạt được, hạn chế và hướng phát triển

Trang 24

9

2.1 Điện não đồ EEG

EEG (Electroencephalogram) biểu diễn sự chênh lệch của hiệu điện thế theo thời gian giữa các điện cực đặt ở các vị trí khác nhau trên da đầu theo vùng của vỏ não EEG cung cấp thông tin về các hoạt động điện não thông qua biên độ, tần số, phân bố không gian, hình thái dựa vào phân cực của hiệu điện thế Trên cơ sở nghiên cứu các đặc trưng của EEG cho phép các nhà khoa học phát hiện được các biểu hiện khác nhau của não bộ; từ các đặc trưng này, các nhà khoa học tìm ra được các cử chỉ hành động thông qua sóng não

Sự biểu hiện của EEG rất đa dạng ở các đối tượng khác nhau và phụ thuộc vào nhiều yếu tố như: độ tuổi, tình trạng tâm lý, tình trạng thức hay ngủ, mức độ tập trung, của đối tượng đo

2.1.1 Cơ chế điện sinh lý của điện não đồ EEG

Vỏ não là lớp ngoài cùng của não bộ và có độ dày khoảng 2mm đến 3mm, bề mặt vỏ não được quấn lại bởi các lằn gợn và các khe với nhiều kích thước khác nhau làm tăng diện tích hệ thần kinh Diện tích lớn hơn 2,5m2, gồm hơn 10 tỷ nơ rôn thần kinh

Vỏ của bộ não gồm hai bán cầu đối xứng (bán cầu trái và bán cầu phải), mỗi bán cầu được chia thành bốn thùy, đó là: thùy trán, thùy thái dương, thùy đỉnh và thùy chẩm

Chức năng mỗi vùng trên các thùy:

- Vùng sơ cấp chiếm diện tích nhỏ, các tế bào thần kinh trong vùng này như: vùng chuyên vận động ở thùy trán, vùng cảm giác âm thanh ở trên của thùy thái dương

Trang 25

10

- Vùng thứ cấp các tế bào thần kinh làm nhiệm vụ phân tích, hỗ trợ cho vùng sơ cấp và chứa các thông tin tham chiếu để so sánh giữa các thông tin hiện tại với các thông tin được tích lũy trước đó

Hình 2.1 Các thùy trên vỏ não [32]

Điện sinh lý là kết quả các hoạt động điện hóa của một nhóm các tế bào bị kích thích

2.1.2 Hoạt động điện ở màng tế bào thần kinh

Tế bào thần kinh được bao bọc bởi màng huyết tương [18-19], màng này được cấu tạo gồm các lớp lipid dẫn điện kém Do tính chất thẩm thấu, màng này cho qua một số chất các kênh khác nhau và ngăn cản với các chất còn lại

Các chất lưu bên trong và ngoài tế bào thần kinh gồm: nước (trung hòa điện) và một số ion, do đó có tính dẫn điện Trong tế bào thần kinh, các ion chính bao gồm: Na+, K+ và Cl-, các ion khác như: Ca+ cũng tồn tại, nhưng không đóng vai trò quan trọng Ở trạng thái bình thường (nghỉ), bên trong tế bào tích điện âm hơn so với bên ngoài, sự khác nhau này do các ion âm tập trung bên trong nhiều hơn bên ngoài tế bào thần kinh Ngược lại phía bên ngoài, các ion dương tập trung nhiều hơn, sự khác biệt này do nguyên nhân từ độ thẩm thấu của màng tế bào đối với các ion khác nhau là khác nhau

Trang 26

11

Hình 2.2 Các giai đoạn đáp ứng kích thích của tế bào thần kinh [33]

Khi màng tế bào thần kinh mở các kênh cho các ion khuếch tán, các ion K+ bên trong tế bào khuếch tán đi ra tạo điện thế dương bên ngoài và ngược lại tạo điện thế âm trong màng tế bào Điện thế này tạo thành lực điện ngăn cản sự khuếch tán tiếp theo

Hiệu điện thế đo được là -70μV là hiệu điện thế nghỉ, tế bào thần kinh ở trạng thái cực hóa Khi có một yếu tố nào đó kích thích làm giảm điện thế màng tế bào tới một ngưỡng nhất định sẽ xảy ra kích thích Đây không phải là quá trình tuyến tính, điện thế kích thích được tạo ra qua các giai đoạn Khử cực xảy ra khi điện thế màng tế bào thần kinh trở về 0 sao cho phía trong tế bào ít âm hơn và cuối cùng đảo ngược lại dương hơn; sau quá trình khử cực là quá trình tái phân cực sao cho tế bào thần kinh trở về trạng thái nghỉ với điện thế bên trong âm hơn bên ngoài

2.1.3 Tế bào thần kinh và lan truyền kích thích

Một tế bào thần kinh bao gồm: thân, các đuôi gai, sợi trục [18,20] Mỗi đuôi gai có thể bao gồm hàng nghìn nhánh làm nhiệm vụ nhận tín hiệu từ tế bào thần kinh khác, độ dài đuôi gai thường <2mm Sợi trục thường là một nhánh đơn, làm nhiệm vụ truyền tín hiệu từ tế bào thần kinh đến các nơi khác của hệ thần kinh, độ dài của sợi trục có thể <1mm nhưng cũng có thể >1m

Trang 27

12

Hình 2.3 Cấu trúc của một tế bào thần kinh [34]

Thông tin truyền giữa các tế bào thần kinh xảy ra tại các khớp, khớp là vị trí kết nối giữa đầu cuối sợi trục của tế bào thần kinh này với tế bào thần kinh khác Tín hiệu khởi nguồn từ thân tế bào thần kinh truyền qua sợi trục dưới dạng một xung ngắn, khi đến màng trước khớp, tín hiệu điện này chuyển thành dạng tín hiệu hóa học, khuếch tán qua khe khớp, sau đó khôi phục lại thành tín hiệu điện ở màng sau khớp của tế bào thần kinh nhận

Ở sau khớp là tổng cộng các tín hiệu nhận được đến khớp, biên độ của tín hiệu này phụ thuộc các tín hiệu vào và sự trùng hợp thời gian giữa chúng, biên độ giảm nếu các tín hiệu đến màng trước khớp phân tán về thời gian Để tạo ra một điện thế kích thích trong tế bào thần kinh nhận, tín hiệu này phải lớn hơn ngưỡng nhất định Tín hiệu đến tế bào thần kinh có thể là tín hiệu kiềm chế, phụ thuộc vào cấu trúc hóa học cụ thể của tế bào thần kinh, do đó tế bào thần kinh nhận được cả tín hiệu kích thích và kiềm chế Tín hiệu ra của tế bào thần kinh là tổng của các tín hiệu nhận được

Hoạt động điện truyền dọc theo sợi trục thể hiện dưới dạng chuỗi các điện thế kích thích có biên độ sóng xác định Tế bào thần kinh hoạt động theo cơ chế bật tắt, nghĩa là tế bào thần kinh hoặc tạo ra một điện thế kích thích với biên độ xác định hoặc không tạo ra Như vậy, cường độ tín hiệu được mã hóa dưới dạng tốc độ của điện thế kích thích Ví dụ, nhịp nhanh ở tế bào thần kinh cảm giác thể hiện sự đau đớn, còn ở tế bào thần kinh vận động thể hiện sự co thắt mạnh của cơ Nhịp lớn nhất luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hopluan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop luan van tot nghiep, luan van thac si, luan van cao hoc, luan van tong hop

Trang 28

2.1.4 Hoạt động điện trên da đầu

Hình 2.4 Kết nối giữa các tế bào thần kinh [35]

EEG ghi hoạt động điện trên da đầu không phải là hoạt động riêng lẻ của từng tế bào thần kinh mà là tổng hợp hoạt động điện của hàng triệu tế bào thần kinh, dòng điện đo được có nguồn gốc tại khớp trong quá trình kích thích

Biên độ của tín hiệu EEG liên quan tới mức độ đồng bộ của các tế bào thần kinh khi chúng tương tác, sự kích thích đồng thời của một nhóm các tế bào thần kinh sẽ tạo ra tín hiệu có biên độ lớn trên bề mặt da, bởi vì các tín hiệu có nguồn gốc từ các tế bào thần kinh độc lập được cộng lại Ngược lại, các tế bào thần kinh kích thích không đồng bộ sẽ tạo ra EEG có biên độ thấp, biên độ phụ thuộc vào chủ thể đo như: tình trạng tâm lý, lứa tuổi và phụ thuộc vào kỹ thuật đo như loại điện cực, khoảng cách từ điện cực đến nguồn điện thế, khi tăng trở kháng, biên độ EEG giảm

Trang 29

14

2.1.5 Các đặc trưng và dạng sóng cơ bản của EEG

Các đặc trưng của EEG được thể hiện bởi: biên độ, tần số, hình thái, phân cực, phân bố và điều kiện làm thay đổi của hiệu điện thế

Tín hiệu ghi trên da đầu có biên độ từ vài μV đến khoảng 100μV và tần số trong khoảng từ 0.5Hz đến 40Hz

Nếu trạng thái của người đo ổn định thì các sóng EEG này có dạng tuần hoàn Các sóng cơ bản của EEG được chia thành 5 dải: Delta (0.5 - 4Hz), Theta (4-7,5Hz), Alpha (8-13,5Hz), Beta (14-30Hz), Gamma (>30Hz)

Hình 2.5 Các sóng cơ bản của EEG [36]

2.1.5.1 Sóng delta

Tần số từ 0.5Hz đến 4Hz xuất hiện trong giấc ngủ sâu, cũng có thể xuất hiện trong giai đoạn thức giấc, biên độ lớn khoảng 100μV; sóng delta xuất hiện bình thường ở trẻ nhỏ, nếu sóng delta xuất hiện ở người lớn khi thức là dấu hiệu tổn thương não

Trang 30

15

2.1.5.2 Sóng theta

Tần số từ 4Hz đến 7.5Hz xuất hiện ở vùng trán tới vùng trung tâm, biên độ nhỏ khoảng 15μV, được quan sát dễ dàng khi có các hoạt động cảm xúc, tập trung hoặc các hoạt động trí óc Thường sóng theta tăng cường hoạt động khi đối tượng ở trạng thái buồn ngủ hoặc ngủ Sóng theta đóng vai trò quan trọng ở trẻ nhỏ, sự xuất hiện sóng theta không liên tục ở người lớn khi thức là dấu hiệu bất thường từ nhiều bệnh lý khác nhau

2.1.5.3 Sóng alpha

Tần số từ 8Hz đến 13,5Hz biên độ khoảng 50μV, bình thường bắt đầu xuất hiện ở trẻ 3 tuổi với tần số 8Hz; Sóng alpha xuất hiện ở người lớn khi thức và thư giãn, mắt nhắm Alpha giảm hoặc mất đi khi mở mắt, hoặc nghe một âm thanh lạ, lo lắng, hoạt động trí óc, khi nhắm mắt sóng alpha lại xuất hiện

Sóng alpha thường có dạng hình sine hoặc tròn; trong một số ít trường hợp alpha có dạng sóng nhọn, trường hợp này, phần âm có dạng nhọn, phần dương có dạng tròn Alpha là sóng nổi trội nhất trong các loại sóng quan sát được trong hoạt động điện não đồ; sóng alpha xuất hiện trên tất cả các thùy phía sau đầu, biên độ lớn nhất ở vùng chẩm

Thường khoảng ¼ số người lớn rất khó quan sát sóng alpha, alpha bất đối xứng lớn hơn 50% giữa hai bán cầu là bất thường, đặc biệt biên độ bên trái lớn hơn biên độ bên phải

2.1.5.4 Sóng beta

Tần số từ 14Hz đến 30Hz biên độ <20μV, nếu beta có biên độ > 25μV là bất thường [19], nhịp không đều quan sát trong lúc buồn ngủ, ngủ nhẹ hoặc hoạt động trí óc, cũng xuất hiện ở giai đoạn giấc ngủ REM ở giai đoạn 3; khi có sự hoảng loạn, sóng beta tăng Sóng beta quan sát thấy chủ yếu ở vùng trán và vùng trung tâm, beta ở vùng trung tâm bị mất khi có các hoạt động vận động hoặc kích thích xúc giác và

Trang 31

2.1.5.6 Sóng mu

Hình 2.6 Sóng mu [37]

Tần số khoảng 8-10Hz có hình dạng rào chắn, đỉnh nhọn, đế tròn; Pha có thể đảo ngược giữa hai kênh, sóng mu biểu hiện trạng thái nghỉ của vùng vỏ não vận động cảm giác Sóng mu không bị mất khi mở mắt như nhịp alpha nhưng bị mất khi vận động, sóng mu liên quan chặt chẽ với vùng vận động của vỏ não

2.2 Các vị trí điện cực

Hệ thống quốc tế 10-20 chuẩn hóa vị trí và tên gọi cho các điện cực trên da đầu khi đo điện não đồ, số 10-20 là khoảng cách giữa các điện cực theo tỉ lệ phần trăm độ dài giữa các điểm được chọn làm mốc trên sọ

Hệ thống được phát triển đảm bảo tạo ra cơ sở dữ liệu thống nhất để so sánh hoạt động điện não của người đo tại các thời điểm khác nhau, giữa những người khác nhau cũng như trao đổi giữa các phòng thí nghiệm

mu

Trang 32

17

Hình 2.7 Các vị trí điện cực theo tiêu chuẩn 10-20 [38]

Theo sơ đồ điện cực như hình 2.7, có 19 vị trí đặt điện cực để ghi điện não đồ; với những cách nối điện cực khác nhau, ta sẽ có nhiều kênh ghi; Máy đo điện não đồ cần có tối thiểu 24 kênh, người ta còn chia tách các vùng trên vỏ não nhỏ hơn để đặt được nhiều điện cực hơn cho phép xác định chính xác các vùng tổn thương trên não cũng như phát hiện các tín hiệu yếu; số vị trí đặt điện cực ghi trên da đầu có thể lên đến 32, 64 hoặc 256 vị trí

Kết nối các điện cực trên điện não đồ với một điện cực tham chiếu chung, gọi là ghi đơn cực; dùng hai điện cực đưa tới hai lối vào bộ khuếch đại để được một kênh ra gọi là lưỡng cực; cách ghi này không có điện cực tham chiếu chung cho tất cả các kênh

Cách đặt cho mỗi vị trí của điện cực trên da đầu: Fp: trước trán, F: vùng trán, O: vùng chẩm, P: vùng đỉnh, T: vùng thái dương, C: trung tâm, A: auricular

Để thu sự chênh lệch hiệu điện thế trên điện cực và tham chiếu bằng cách trừ đi thế giống nhau xuất hiện trên các điện cực này, điện cực đất thường được đặt ở các vị trí như Fpz hoặc tai [21]

2.3 Trích xuất đặc trưng

Trích xuất đặc trưng là một bước quan trọng trong tín hiệu điện não đồ EEG, trích xuất đặc trưng làm giảm các tài nguyên cần thiết để mô tả chính xác một tập hợp dữ

Trang 33

Trích xuất đặc trưng là một cách hiệu quả để nhận biết và hiển thị dữ liệu quan trọng Quá trình này rút ngắn thời gian đào tạo và ứng dụng, cũng như giảm nhu cầu tính toán dữ liệu và lưu trữ Một số nhà nghiên cứu kết hợp một số kỹ thuật trích xuất đặc trưng để đạt được phân tích dữ liệu Do đó, việc áp dụng nhiều quy trình thường có thể ảnh hưởng đến đặc trưng dư thừa và mở rộng kích thước đặc trưng

2.3.1 Các phương pháp trích xuất đặc trưng

Có hai cách biến đổi tín hiệu từ miền thời gian sang miền tần số được sử dụng phổ biến là: biến đổi Wavelet và biến đổi Fourier

Biến đổi Wavelet là công cụ phân tích đa phân giải thể hiện các đặc trưng của tín hiệu trong miền thời gian-tần số Phép biến đổi Wavelet của một tín hiệu là phép chiếu tín hiệu đó lên tín hiệu hàm wavelet mẹ được dịch chuyển về thời gian và tần số Scale biểu thị thành phần tần số, scale cao nhất tương ứng với thành phần tần số cao nhất của tín hiệu Các hàm wavelet mẹ chỉ khác không trong một khoảng thời gian nhất định, ngoài khoảng này chúng bằng không Biến đổi wavelet phù hợp cho việc xử lý các tín hiệu không dừng

Trong phạm vi đề tài sử dụng biến đổi Fourier

Trang 34

19  Giới thiệu biến đổi Fourier [22]:

Chuỗi Fourier phân tách tín hiệu tuần hoàn x(t) trong điều kiện tổng của Sin và Cos (hoặc phức cấp số nhân) Công thức toán học của Fourier được trình bày theo công thức (2.1):

sin , 1, 2, 3,,

Trang 35

20 Khi hệ số cn thu được là (2.7):

Tổng quát của chuỗi Fourier cho các miền vô hạn là biến đổi Fourier liên tục (CFT) CFT được sử dụng để biến đổi tín hiệu giữa miền thời gian và miền tần số Công thức CFT được trình bày (2.8):

 

Trang 36

21

Mỗi Xk phần tử mã hóa biên độ và pha của một thành phần hình sin của hàm xn Chuyển đổi ngược thành DFT, là DFT nghịch đảo (IDFT) Các biến đổi IDFT dữ liệu từ miền tần số sang miền thời gian, theo công thức IDFT (2.11):

Trong đề tài này, Fast Fourier Transform (FFT) được sử dụng làm thuật toán hiệu quả để tính DFT và nghịch đảo của nó (IFFT để tính IDFT) Độ phức tập tính toán

là O(N2) cho DFT tiêu chuẩn và N(log N) cho FFT Thuật toán FFT dựa trên thuật

toán chia Nó chia biến đổi kích thước N để biến đổi kích thước1N và 2N Trong đề tài, thuật toán FFT được sử dụng về kích thước của mẫu, theo công thức (2.12):

Phần này ta xét một số thuật toán để tính nhanh các giá trị của DFT được gọi là thuật toán biến đổi Fourier nhanh (FFT) Thuật toán FFT phải tính tất cả N giá trị của DFT sao cho có hiệu quả cao nhất

Tiếp theo ta xét tính nhanh các số F(n) được xác định bởi công thức:

Trang 37

22 Ta có:

2.3.2.1 Biến đổi Fourier nhanh rút gọn theo thời gian với N = 2k

 Mô tả thuật toán FFT:

Thuật giải FFT chỉ áp dụng cho trường hợp N = 2s, s ∈ N Vì N chẵn, nên tổng (2.13) có thể phân tích thành hai tổng:

Trang 38

23

Có nghĩa là mỗi một Fe(k) và Fo(k) được phân tích thành tổng của hai phép biến đổi Fourier rời rạc của N/2 điểm Tiếp tục quá trình trên cho đến khi ta được biến đổi Fourier rời rạc của 2 điểm Ngoài ra, do tính tuần hoàn chu kỳ N/2 nên chỉ cần tính Fe(k) và Fo(k) với N/2 ≤ k ≤ N − 1 hoặc với 0 ≤ k ≤ N/2 − 1

Lặp lại việc tách tổng như trên đối với Fe(k), Fo(k), ta có:

  

Trang 39

24

Dưới đây ta chứng minh rằng, nếu N = 2s và f(n) ∈ CN, thì để tính F(m) = FN [f](m) bằng thuật toán FFT cần N/2log2N phép nhân phức thay cho (N−1)2 phép nhân phức và N log2 N phép cộng phức thay vì N(N−1) Xét ví dụ sau đây để thấy số phép toán giảm đi đáng kể Với N = 26 = 64, thì:

2 192, 1 63 39692

Trang 40

25  Sơ đồ thuật toán FFT theo thời gian với N=23

Hình 2.9 Sơ đồ phân chia thời gian của tín hiệu DFT N điểm thành hai DFT (N/2) điểm với N=8 [23]

2.3.2.2 Biến đổi Fourier nhanh rút gọn theo tần số

Thuật toán biến đổi FFT phân tích theo thời gian dựa trên phân tích dãy tín hiệu ngõ vào x(n) thành các dãy con đều nhau, có chiều dài nhỏ hơn và tính DFT trên các dãy con đó Nếu ta phân tích tín hiệu ngõ ra X(k) thành các dãy con nhỏ hơn và cũng cùng cách làm thì sẽ được thuật toán gọi là thuật toán FFT rút gọn theo tần số Để thiết lập thuật toán này ta giả thiết N = 2s và phân tích dãy

NXrx n Wr

DFT N/2 Điểm