Nghiên cứu mô hình giao tiếp máy não và ứng dụng

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - HOÀNG ANH VIỆT NGHIÊN CỨU MÔ HÌNH GIAO TIẾP MÁY-NÃO VÀ ỨNG DỤNG Chuyên ngành : CÔNG NGHỆ THÔNG TIN LUẬN VĂN THẠC SĨ KHOA HỌC Công Nghệ Thông Tin NGƯỜI HƯỚNG DẪN KHOA HỌC : PGS.TS Nguyễn Đức Thuận Hà Nội 04– Năm 2011 Học viên:Hoàng Anh Việt, lớp cao học CNTT 2009 -i - LỜI CẢM ƠN Hoàn thành luận văn Thạc sỹ này, nỗ lực cá nhân, nhận giúp đỡ nhiều thầy cô, gia đình, bạn bè Để bày tỏ lòng biết ơn mình, xin gửi lời cảm ơn sâu sắc tới Ban lãnh đạo Bộ môn Công nghệ phần mềm, Ban lãnh đạo Viện Công nghệ Thông tin Truyền Thông, Viện Đào tạo sau Đại học, Trường Đại học BKHN, tạo điều kiện cho theo học bảo vệ tốt nghiệp khóa học Thạc sỹ CNTT 2009 Tôi xin gửi lời cảm ơn chân thành sâu sắc tới thầy hướng dẫn PGS.TS.Nguyễn Đức Thuận, Giám đốc dự án Giáo Dục Đại Học (http://hep.edu.vn) Thầy đưa định hướng chuyên môn, tạo điều kiện thuận lợi suốt thời gian làm luận văn Sự tin tưởng, khích lệ thầy nguồn động viên to lớn giúp vượt qua khó khăn Tôi xin chân thành cảm ơn thầy, cô Viện Công nghệ Thông tin Truyền Thông, Đại học BKHN Các thầy, cô giảng dạy, cung cấp nguồn kiến thức tổng hợp để vững tiếp tục nghiệp Hà Nội, ngày 02 tháng 04 năm 2011 Hoàng Anh Việt Học viên:Hoàng Anh Việt, lớp cao học CNTT 2009 - ii - DANH MỤC THUẬT NGỮ Số thứ tự Từ viết tắt ICA GMM EM BIM CAML EEG CNTT CSDL 10 DBMS 11 HĐH 12 IR 13 NLP 14 NVLV 15 PM 16 RF 17 SQL 18 SVM 20 XML 21 AMPLITUDE 22 FREQUENCY Ý nghĩa Independent Component Analysis Phân tích thành phần độc lập Gaussian mixture model classifer Mô hình hỗn hợp Gaussian Expectation - Maximization Ước lượng cực đại hóa Binary Independence Model Mô hình nhị phân độc lập Collaborative Asscociate Markup Language Ngôn ngữ đánh dấu liên kết cộng tác Electroencephalography Tín hiệu sóng điện não Công nghệ thông tin Cơ Sở Dữ liệu Database Management System Hệ quản trị sở liệu Hệ Điều Hành Information Retrieval Truy hồi thông tin Nature Language Processing Xử lý ngôn ngữ tự nhiên Người viết luận văn Probabilistic Model Mô hình xác suất Relevance Feedback Hồi tiếp độ liên quan Structure Query Language Ngôn ngữ truy vấn cấu trúc Space Vector Model Mô hình không gian véc tơ Extensible Markup Language Ngôn ngữ đánh dấu mở rộng Biên độ Khoảng cách theo chiều thẳng đứng đỉnh đối chiếu qua đường đẳng điện Tần số Số lượng sóng lặp lặp lại hoàn chỉnh đơn vị thời gian Học viên:Hoàng Anh Việt, lớp cao học CNTT 2009 - iii - DANH MỤC HÌNH HÌNH 1-1: MÁY ĐIệN NÃO Đồ 17 HÌNH 1-2: THIếT Bị GIảI MÃ Ý NGHĨ( MŨ ĐọC Ý NGHĨ, MÁY TÍNH Xử LÝ ) 17 HÌNH 2-1: Tế BÀO THầN KINH 20 HÌNH 2-2: Hệ THốNG ĐặT ĐIệN CựC 10-20 THEO CHUẩN ĐạO TRÌNH QUốC Tế 24 HÌNH 2-3: DạNG SÓNG ALPHA HÌNH 2-4: DạNG SÓNG BETA HÌNH 2-5: DạNG SÓNG THETA .1 HÌNH 2-6: DạNG SÓNG DELTA .1 HÌNH 2-7: HÍNH ảNH SÓNG ĐIệN NÃO GIấC NGủ 32 HÌNH 2-8:ĐIệN NÃO MắC THEO ĐạO TRÌNH 10-20 33 HÌNH 2-9: SÓNG ALPHA .33 HÌNH 2-10: SÓNG BETA 34 HÌNH 2-11: SÓNG DELTA 34 HÌNH 2-12: BÙNG PHÁT VÀ ứC CHế .35 HÌNH 2-13:HOạT ĐộNG DELTA NHịP NHÀNG 36 HÌNH 2-14: DạNG SÓNG BấT THƯờNG 36 HÌNH 3-1 THIếT Bị EPOC HEADSET 40 HÌNH 3-2 HộP ĐựNG ĐIệN CựC .40 HÌNH 3-3 STATUS PANEL 41 HÌNH 3-4 HEADSET SETUP 42 HÌNH 3.5 SƠ Đồ MắC ĐIệN CựC CủA EPOC .43 HÌNH 3-6 EMO EXPRESSIV 43 HÌNH 3-7 EMO AFFECTIV .45 HÌNH 3-8 EMO COGNITIV .46 HÌNH 3-9 EMOENGINE VớI TƯƠNG TÁC TRONG GAME 48 HÌNH 3-10 EMOENGINE EVENT 51 HÌNH 3-11 ỨNG DụNG COGNITIV VÀO XÁC THựC 55 HÌNH 3.12 Hệ THốNG XÁC THựC Sử DụNG TÍN HIệU ĐIệN NÃO 56 HÌNH 4-1 VÍ Dụ Về BÀI TOÁN PHÂN LOạI KHÔNG KIểM SOÁT 63 HÌNH 4-2 CấU TRÚC MộT NƠRON (NEURAL) 69 HÌNH 4-3 MạNG TIếP DẫN MộT LớP 70 HÌNH 4-4 TIếN TRÌNH HọC 70 HÌNH 4-5 CấU TRÚC MộT NƠRON (NEURAL) 71 HÌNH 4-6 MÔ HÌNH NHậN DạNG TRạNG THÁI SÓNG NÃO 72 HÌNH 4-7 MÔ HÌNH NHậN DạNG BIểU HIệN ĐÔI MắT 73 HÌNH 4-8 MÔ HÌNH NHậN DạNG SUY NGHĨ 76 HÌNH 4-9 GIảI THUậT TÍNH SCORE CủA MỗI EPOCH (2 ≤ N ≤10) 77 HÌNH 4-10 Sự KHớP Vị TRÍ GIữA VÒNG TRÒN MÀU Đỏ VớI CÁC VÒNG TRÒN KHÁC Sẽ XÁC ĐịNH PHầN TRĂM KHả NĂNG ACTION XảY RA 77 HÌNH 4-11 Đồ THị CÂN BằNG PHÁT HIệN LỗI 78 HÌNH 5-1 MINH HọA QUÁ TRÌNH HọC VÀ NHậN DạNG TRạNG THÁI CủA ĐÔI MắT 83 HÌNH 5-1 Sự HộI Tụ CủA MạNG NORON TRONG QUÁ TRÌNH TRAINING .84 Học viên:Hoàng Anh Việt, lớp cao học CNTT 2009 - iv - DANH MỤC BẢNG BảNG 4-1: Dữ LIệU MẫU EEG ( 16Х128 ) ERROR! BOOKMARK NOT DEFINED BảNG 6-1: KếT QUả THử NGHIệM Sử DụNG SCORE TRAINING CủA RIÊNG TừNG NGƯờI Để XÁC ĐịNH TRạNG THÁI ĐIềU KHIểN ĐÈN( ACTION ) XảY RAERROR! BOOKMARK NOT DEFINED BảNG 6-2: KếT QUả THử NGHIệM Sử DụNG SCORE TRAINING TRUNG BÌNH CủA 50 NGƯờI Để XÁC ĐịNH ACTION XảY RA ERROR! BOOKMARK NOT DEFINED BảNG 6-3: KếT QUả TÍNH TOÁN THựC NGHIệM XÁC ĐịNH ACTION XảY RA Sử DụNG 8,16 GAUSSIAN, MA TRậN HIệP PHƯƠNG SAI (CHÉO, ĐầY Đủ) ERROR! BOOKMARK NOT DEFINED Học viên:Hoàng Anh Việt, lớp cao học CNTT 2009 -v- MỤC LỤC LỜI CẢM ƠN II DANH MỤC THUẬT NGỮ III DANH MỤC HÌNH IV DANH MỤC BẢNG V MỤC LỤC VI MỞ ĐẦU VIII CHƯƠNG THỰC TRẠNG VỀ NGHIÊN CỨU VÀ XỬ LÝ TÍN HIỆU ĐIỆN NÃO EEG 11 THỰC TRẠNG VỀ NGHIÊN CỨU VÀ XỬ LÝ TÍN HIỆU ĐIỆN NÃO TRÊN THẾ GIỚI VÀ VIỆT NAM 11 TẦM QUAN TRỌNG CỦA XÂY DỰNG NHỮNG ỨNG DỤNG XỬ LÝ TÍN HIỆU ĐIỆN NÃO TẠI VIỆT NAM 12 2.1 Thực trạng bệnh nhân liên quan đến não bộ, bệnh nhân động kinh bệnh nhân liệt 12 2.2 Tầm quan trọng xây dựng ứng dụng xử lý tín hiệu điện não Việt Nam 16 MỘT SỐ GIẢI PHÁP XÂY DỰNG ỨNG DỤNG DỰA TRÊN XỬ LÝ TÍN HIỆU ĐIỆN NÃO EEG 16 KẾT CHƯƠNG 19 CHƯƠNG TÌM HIỂU LÝ THUYẾT SÓNG ĐIỆN NÃO 20 LÝ THUYẾT SÓNG ĐIỆN NÃO Y SINH 20 1.1 Cơ sở sinh lý thần kinh sóng điện não 20 Số HÓA TÍN HIệU ĐIệN NÃO 22 2.1 Vị trí đặt điện cực đầu 23 2.2 Xác định số sóng dựa vào tần số .25 2.3 Xác định sóng dựa vào hình dạng 26 2.4 Nhiễu( ARTIFACTS ) 29 2.5 Các biến thể bình thường 30 2.6 Một số dạng ghi tín hiệu điện não 32 KHÁC BIệT THEO VÙNG TRÊN BảN GHI ĐIệN NÃO 37 3.1 Khác biệt theo vùng: 37 3.2 So sánh bán cầu: 37 KẾT CHƯƠNG 38 CHƯƠNG HỆ THỐNG EMOTIV SYSTEMS 39 TỔNG QUAN VỀ HỆ THỐNG EMOTIV SYSTEMS 39 1.1 Epoc Headset 40 1.2 Epoc Hydrator Pack 40 EMOTIV CONTROL PANEL 40 2.1 EmoEngine Status Panel 41 2.2 Headset Setup 42 2.3 Expressiv™ Suite 43 2.4 Affectiv™ Suite 45 2.5 Cognitiv™ Suite 46 EMOTIV SOFTWARE DEVELOPMENT KIT API .47 3.1 EmoState 48 3.2 EmoEngine Event .51 3.3 Demo sử dụng EDK API 52 ỨNG DỤNG COGNITIV TRONG BẢO MẬT VÀ NHẬN DẠNG SINH TRẮC HỌC 55 ĐÁNH GIÁ VỀ HỆ THỐNG EMOTIV SYSTEMS 57 KẾT CHƯƠNG 57 CHƯƠNG MÔ HÌNH GIAO TIẾP MÁY-NÃO ĐỀ XUẤT 58 KIếN TRÚC Đề XUấT 58 1.1 Mô tả 59 1.2 Các thành phần hệ thống MDK 59 THUậT TOÁN VÀ Kỹ THUậT Xử LÝ CƠ BảN .65 Học viên:Hoàng Anh Việt, lớp cao học CNTT 2009 - vi - 2.1 Biến đổi Fourier .65 2.2 Phân phối chuẩn nhiều chiều (mvnpdf) 67 2.3 Ước lượng Likelihood 67 2.4 Thuật toán Expectation Maximisation (EM) [6] 68 2.5 Học máy với mạng neural 69 CÁC MÔ HÌNH NHậN DạNG CủA MDK 72 3.1 Mô hình nhận dạng trạng thái sóng não 72 3.2 Mô hình nhận dạng biểu đôi mắt .73 3.3 Mô hình nhận suy nghĩ 76 KẾT CHƯƠNG 79 CHƯƠNG XÂY DỰNG CHƯƠNG TRÌNH VÀ ĐÁNH GIÁ THỬ NGHIỆM 80 Hệ THốNG THử NGHIệM 80 1.1 Mô tả hệ thống Demo .80 1.2 Các trường hợp thử nghiệm 81 KếT QUả THựC NGHIệM 83 2.1 Kết thực nghiệm nhận dạng thể đôi mắt 83 2.2 Kết thực nghiệm xác định trạng thái người 83 2.3 Kết thực nghiệm nhận dạng suy nghĩ 85 KẾT CHƯƠNG 87 KẾT LUẬN 88 CÁC NHIỆM VỤ ĐÃ HOÀN THÀNH 88 CÁC KẾT QUẢ ĐÃ ĐẠT ĐƯỢC 88 HƯỚNG PHÁT TRIỂN CHO ĐỀ TÀI .89 TÀI LIỆU THAM KHẢO 90 Học viên:Hoàng Anh Việt, lớp cao học CNTT 2009 - vii - MỞ ĐẦU Nghiên cứu não người đặc biệt liên quan đến ý nghĩ người vấn đề khó nhà khoa học giới nghiên cứu từ lâu đạt thành tựu khả quan Kết hợp với ngành khoa học máy tính, ngành khoa học Não-Máy biết đến với tên gọi Brain-Computer Interfaces (BCI) bước đầu có kết ấn tượng hiệu Trên giới, nhóm nghiên cứu ngành BCI bắt đầu phát triển số lượng Trong bật công ty Emotiv, công ty nghiên cứu chuyên sâu não người có sản phẩm thực tế thị trường với mũ Epoc thu nhận tín hiệu điện não Emotiv SDK dùng để xử lý tín hiệu điện não Sản phẩm công ty ứng dụng nhiều lĩnh vực y tế, giải trí, an ninh quốc phòng,… nhiều quốc gia Mỹ, Úc, Nhật Bản, Hàn Quốc… Trong Cộng đồng mã nguồn mở EEGLab cung cấp thiết kế phần cứng SDK dùng cho việc xử lý tín hiệu điện não ứng dụng rộng rãi nghiên cứu, ứng dụng vào thực tế Tại Việt Nam có không nhiều công trình nghiên cứu não người, số bật đề tài cấp “Điện Não Đồ” thầy Lê Tấn Hùng môn công nghệ phần mềm thuộc Viện CNTT&TT ĐH Bách Khoa Hà Nội đề xuất có kết nghiên cứu khả quan Tiếp đó, nhóm sinh viên MiMaS trường ĐH Bách Khoa tiếp tục phát triển thành sản phẩm thực tế Sản phẩm nhóm “hệ thống chăm sóc hỗ trợ trẻ em bị khuyết tật” bao gồm phần cứng, phần mềm thu nhận xử lý tin hiệu điện não Hội tin học Việt Nam công ty Microsoft Việt Nam đáng giá cao sản phẩm khả ứng dụng vào thực tế Việt Nam thi ImagineCup 2009 Thực tế Việt Nam sản phẩm liên quan đến tín hiệu điện não ứng dụng máy điện não đồ nhập với giá cao từ vài trăm triệu đến hàng tỉ đồng từ nước bệnh viện Các nghiên cứu ngành BCI Việt Nam hạn chế chưa có nhiều kết tốt Trên sở đó, với mong muốn tiếp cận nghiên cứu xây dựng sản phẩm có giá trị hữu ích phục vụ cho sống ngành khoa học BCI mẻ NVLV tập trung nghiên cứu sở khoa học não với công nghệ giới, từ đề xuất mô hình giải pháp tổng thể cho việc Học viên:Hoàng Anh Việt, lớp cao học CNTT 2009 - viii - thu nhận xử lý tín hiệu điện não, nhằm tạo tảng tốt cho việc nghiên cứu phát triển ứng dụng công nghệ cao sau Các mục tiêu mà luận văn hướng tới bao gồm:  Nghiên cứu sở lý thuyết, đặc trưng sóng điện não EEG  Nghiên cứu mô hình, sản phẩm giới liên quan đến xử lý tín hiệu EEG Đặc biệt sản phẩm công ty Emotiv Systems  Nghiên cứu đề xuất mô hình thuật toán xử lý sóng điện não nhằm thu nhận xử lý thông tin nằm sóng điện não người  Xây dựng thử nghiệm đánh giá kết mô hình đề xuất Các mục tiêu thể thông qua chương luận văn: Chương 1: Trình bầy nghiên cứu thực trạng nghiên cứu ngành BCI Việt Nam Chương chủ yếu nêu cần thiết việc nghiên cứu xây dựng ứng dụng lĩnh vực tiềm Và mục đích đề tài luận văn Chương 2: Trình bầy sở khoa học lý thuyết sóng điện não EEG Chương cung cấp kiến thức y sinh não việc số hóa tín hiệu máy tính Các đặc điểm nhận dạng sóng điện não nêu chương sở để máy tính xử lý Chương 3: Trình bầy sản phẩm công ty Emotiv Systems Đây mục tiêu NVLV sản phẩm Epoc bật giới, đặc biệt tảng phần cứng Hướng phát triển đề tài kết hợp sử dụng tảng phần cứng để phát triển hệ thống, điều làm nâng cao hiệu sản phẩm Chương 4: Trình bầy mô hình đề xuất NVLV Đây kết trình nghiên cứu phát triển lâu dài nhóm, NVLV làm trưởng nhóm đề tài Mô hình bao gồm nhiều thành phần từ phần cứng thuật toán phần mềm Việc trình bầy toàn thiết kế chi tiết kỹ thuật khó khuôn khổ nội dung luận văn, NVLV trình bầy điểm bật mô hình đề xuất Học viên:Hoàng Anh Việt, lớp cao học CNTT 2009 - ix - Chương 5: Trình bầy sơ lược sản phẩm demo tập trung mô tả kết thử nghiệm mô hình đề xuất Các kết chưa thật khách quan phần chứng tỏ mục tiêu ban đầu đưa đạt Phần Kết luận trình bầy kết luận định hướng phát triển đề tài Học viên:Hoàng Anh Việt, lớp cao học CNTT 2009 -x- Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng c Phương pháp chọn ngưỡng Bước cuối trình nhận dạng tín hiệu so sánh Score với ngưỡng Ngưỡng có vai trò quan trọng tính xác hệ thống Ta cần có phương pháp hiệu để xác định ngưỡng trình training - Để đánh giá tính hiệu ngưỡng, ta sử dụng thông số:  FMR (False Match Rate) : Tỉ lệ chấp nhận sai  FNMR (False Non-Match Rate) : Tỉ lệ bác bỏ sai Hình 4-11 Đồ thị cân phát lỗi - Khi thay đổi giá trị ngưỡng, thông số thay đổi theo Mỗi cặp giá trị FMR FNMR tạo thành điểm đồ thị cân phát lỗi (DET) - Điểm cân lỗi (EER): Là điểm đồ thị DET thỏa mãn: FMR = FNMR Đây giao điểm đường phân giác góc phần tư thứ I đường cong DET Ta lựa chọn ngưỡng tương ứng với điểm EER, với lý do:  Dễ tìm: điểm có dấu hiệu nhận biết đơn giản  EER ước lượng tốt tỉ lệ sai FMR + FNMR nhỏ  EER đảm bảo FMR FNMR vừa phải, giá trị lớn  Tại điểm EER, tỉ lệ chấp nhận/bác bỏ hệ thống xấp xỉ với tỉ lệ Action/Natural người sử dụng Dựa tập liệu mẫu, ta nhanh chóng tìm giá trị ngưỡng tương ứng với điểm EER Đây giá trị ngưỡng tốt để sử dụng trình nhận dạng tín hiệu sau Hoàng Anh Việt, lớp cao học CNTT 2009 - 78 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng KẾT CHƯƠNG Như qua chương 4, tác giả đưa mô hình đề xuất tổng thể việc xử lý, nhận dạng trạng thái suy nghĩ, trạng thái biểu khuôn mặt người thông qua kết hợp mô hình thuật toán để xử lý tín hiệu điên não EEG Đây tảng (Framework) dùng chung cho việc thiết kế ứng dụng công nghệ cao dựa tảng khoa học Máy não- BCI Về bản, tảng nhiều điểm khiếm khuyết xây dựng trình nâng cấp từ phần mềm xử lý lẫn phần cứng Tuy nhiên, so với sản phẩm thương mại (như trình bầy chương 3) tảng đề xuất luận văn bước đầu thu kết khả quan có nhiều tiềm để phát triển Để đưa mô hình đề xuất trên, tác giả tiến hành thử nghiệm phương pháp, thuật toán xử lý liệu mà giới đưa để xử lý liệu phức tạp có tín hiệu điện não Trên sở so sánh tính xác, hiệu phương pháp Kết phép so sánh cho NVLV lựa trọn phương pháp thích hợp áp dụng cho toán đặt Trong chương tiếp theo, NVLV giới thiệu chung kết thử nghiệm cho sản phẩm tảng (bộ công cụ MDK) đề xuất đáng giá cho kết Hoàng Anh Việt, lớp cao học CNTT 2009 - 79 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng CHƯƠNG XÂY DỰNG CHƯƠNG TRÌNH VÀ ĐÁNH GIÁ THỬ NGHIỆM Nội dung chương:  Giới thiệu chương trình demo  Đánh giá chương trình kết thử nghiệm hệ thống Hệ thống thử nghiệm 1.1 Mô tả hệ thống Demo Sau thiết kế, xây dựng thư viện MDK hệ thống thiết bị phần cứng Hệ thống thử nghiệm bao gồm: 1.1.1 Thiết bị phần cứng - Mũ thu tín điện não với điện cực dây dẫn tín hiệu - Thiết bị phần cứng xử lý tín hiệu EEG truyền thông truyền liệu lên máy tính, thiết bị điều khiển thiết bị phần cứng khác - Đèn điện cảnh báo còi điện phát âm 1.1.2 Xây dựng phần mềm Phần mềm xây dựng dựa API cung cấp thư viện MDK, thư viện cung cấp chức chính: - Cho phép phần mềm khác lấy liệu EEG từ thiết bị phần cứng thông qua MDK Hoàng Anh Việt, lớp cao học CNTT 2009 - 80 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng - MDK cung cấp chức xác định trạng thái người dựa vào việc phân tích sóng não bao gồm: Trạng thái người xúc động, buồn ngủ, thư giãn …, trạng thái khuôn mặt cử động đôi mắt, miệng… nhận dạng suy nghĩ người 1.2 Các trường hợp thử nghiệm Sau xây dựng xong hệ thống thư viện MDK, hệ thống phần cứng phần mềm ứng dụng Quá trình thử nghiệm tiến hành với 100 người với chức hệ thống sau: 1.2.1 Thử nghiệm với chức xác định trạng thái người Để xác định Threshold phục vụ việc xác định xem trạng thái người có phải trạng thái buồn ngủ hay không, hệ thống sử dụng phương pháp phương pháp thống kê phương pháp học mẫu mạng noron lan truyền ngược - Phương pháp thống kê: hệ thống thu thập liệu EEG người trạng thái buồn ngủ ngủ sâu sau tiến hành xác định Threshold trạng thái ngủ người Cuối giá trị Threshold tính tổng hợp 100 người với tập trọng số khác - Phương pháp học mẫu mạng noron lan truyền ngược: o Dữ liệu trạng thái ngủ đơn lẻ số người đầu vào mạng noron o Toàn liệu 100 người liệu đầu vào mạng Khi trình học mẫu hội tụ thu ma trận trọng số phục vụ xác định Threshold 1.2.2 Thử nghiệm với chức nhận dạng đôi mắt Để xác định tập liệu training( tập ma trận trọng số WMV(weights, mean, covariances) ) dùng cho việc xác định xem liệu EEG người sử dụng hệ thống có tương ứng với trạng thái đôi mắt không Hệ thống tiến hành training sau: - Hệ thống thu thập liệu cử động đôi mắt nhắm, mở, nháy trái, nháy phải người Hoàng Anh Việt, lớp cao học CNTT 2009 - 81 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng - Dữ liệu tổng hợp 100 người sau thu thập đầu vào thuật toán EM liệu đầu ta thu tập ma trận trọng số WMV, tập liệu đầu vào thuật toán GMM xác định cử động mắt 1.2.3 Thử nghiệm với chức nhận dạng suy nghĩ hệ thống Quá trình thử nghiệm tiến hành sau: - Bước training: Cho người sử dụng hệ thống training trạng thái suy nghĩ Trạng thái tự nhiên, thư giãn thoải mái nhất( neutral ) trạng thái suy nghĩ tới hành động bật sáng đèn điện Tập liệu sau training lưu trữ hệ thống Quá trình training cho trạng thái người giây - Bước kiểm tra: Cho người sử dụng hệ thống suy nghĩ lại tới hành động bật đèn điện sáng giống trình training sử dụng liệu training trước sau: o Dữ liệu training người o Dữ liệu training tổng hợp liệu training 100 người Hoàng Anh Việt, lớp cao học CNTT 2009 - 82 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng Kết thực nghiệm 2.1 Kết thực nghiệm nhận dạng thể đôi mắt Hình 5-1 Minh họa trình học nhận dạng trạng thái đôi mắt Kết thực nghiệm cho người dùng nháy mắt 10 lần vòng phút Kết cho tính xác đến 97% Người dùng Xác định mắt trạng thái nhắm Mắt trở lại trạng thái mở sau nhắm 100 10 10 10 10 10 10 10 10 10 10 Bảng 5-1 Kết thử nghiệm với cử động nháy đôi mắt 2.2 Kết thực nghiệm xác định trạng thái người Kết thử nghiệm mạng noron lan truyền ngược huấn luyện mẫu với liệu training trạng thái buồn ngủ Dữ liệu đầu vào mạng liệu EEG Hoàng Anh Việt, lớp cao học CNTT 2009 - 83 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng người dùng lấy 3s đầu ma trận trọng số dùng cho việc xác định Threshold Mô tả mạng: Mạng thiết kế với đầu vào (tương ứng kênh O1, O2 , P7 P8) va đầu (0: thức, 1: ngủ) sử dụng phương pháp học lan truyền ngược với số thông số sau Kết huấn luyện: TRAINGDX, Epoch 0/10000, SSE 83.0824/0.001, Gradient 15.295/1e-006 TRAINGDX, Epoch 20/10000, SSE 34.3363/0.001, Gradient 19.8336/1e-006 TRAINGDX, Epoch 40/10000, SSE 10.7669/0.001, Gradient 3.81973/1e-006 TRAINGDX, Epoch 60/10000, SSE 8.04428/0.001, Gradient 3.92076/1e-006 TRAINGDX, Epoch 80/10000, SSE 1.66478/0.001, Gradient 2.07954/1e-006 TRAINGDX, Epoch 100/10000, SSE 0.279958/0.001, Gradient 0.359105/1e-006 TRAINGDX, Epoch 120/10000, SSE 0.0795897/0.001, Gradient 0.0635086/1e-006 TRAINGDX, Epoch 140/10000, SSE 0.0268326/0.001, Gradient 0.0214441/1e-006 TRAINGDX, Epoch 160/10000, SSE 0.0105146/0.001, Gradient 0.00744106/1e006 TRAINGDX, Epoch 180/10000, SSE 0.004436/0.001, Gradient 0.00310013/1e-006 TRAINGDX, Epoch 200/10000, SSE 0.00174792/0.001, Gradient 0.00118607/1e006 TRAINGDX, Epoch 212/10000, SSE 0.000973588/0.001, Gradient 0.000659166/1e-006 TRAINGDX, Performance goal met Hình 5-2 Sự hội tụ mạng noron trình training Kết thực nghiệm hệ thống xác định trạng thái buồn ngủ người dùng sử dụng phương pháp mạng noron phương pháp thống kê Cứ giây hệ Hoàng Anh Việt, lớp cao học CNTT 2009 - 84 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng thống lại kiểm tra lần xem người dùng rơi vào trạng thái buồn ngủ hay không, thời gian kiểm tra phút Người dùng Hệ thống phát trạng thái buồn ngủ Sử dụng phương pháp thống kê Sử dụng mạng noron 18 16 15 17 16 14 17 18 18 19 19 19 18 17 99 100 Bảng 5-2 Kết hệ thống xác định trạng thái buồn ngủ người dùng phút Hệ thống đạt tính xác 84% sử dụng phương pháp thống kê đạt 92% sử dụng phương pháp học mạng noron lan truyền ngược Sự chênh lệch kết phương pháp thống kê tổng hợp liệu Threshold 100 người để tìm kết Threshold cuối trọng số khác Các trọng số NVLV đề xuất chỉnh sửa trình thực nghiệm 2.3 Kết thực nghiệm nhận dạng suy nghĩ Bảng kết thực nghiệm hệ thống xác định suy nghĩ bật đèn người dùng Hệ thống 0.25 giây xác định xem suy nghĩ người dùng có phải bật đèn hay không Người dùng Số lần training trạng thái tự nhiên Số lần training suy nghĩ bật sáng đèn Số lần yêu cầu người dùng nghĩ tới trạng thái bật sáng đèn phút Tổng số lần hệ thống phát suy nghĩ người dùng bật sáng đèn 100 2 5 4 5 10 10 10 10 10 10 10 8 9 10 Bảng 5-3 Kết thử nghiệm sử dụng score training riêng người để xác định trạng thái bật sáng đèn xảy Hoàng Anh Việt, lớp cao học CNTT 2009 - 85 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng Từ kết thử nghiệm ta thấy số lần training ảnh hưởng đến độ xác hệ thống:  Số lần training nhiều khả suy nghĩ người đến trạng thái bật đèn sáng xác  Score lần training cuối hệ thống lưu lại dùng cho giai đoạn xác định suy nghĩ bật sáng đèn xảy Bảng kết thực nghiệm lấy giá trị Score training trung bình 100 người để nhận dạng suy nghĩ bật sáng đèn người dùng Người dùng Số lần yêu cầu người dùng nghĩ tới trạng thái bật sáng đèn phút Tổng số lần hệ thống phát suy nghĩ người dùng bật sáng đèn 100 10 10 10 10 10 10 10 5 6 Bảng 5-4 Kết thử nghiệm sử dụng score training trung bình 50 người để xác định suy nghĩ bật sáng đèn xảy Bảng kết thử nghiệm lấy giá trị trung bình training Natural (3 lần), training Action (3 lần) 100 người dùng cho việc xác định Action xảy Tính xác hệ thống 60% Từ kết ta thấy việc nghĩ đến suy nghĩ bật sáng đèn người khác nhau, độ xác hệ thống bị chi phối gần hoàn toàn vào trạng thái tư duy, suy nghĩ, hình dung người Chính mà sử dụng hệ thống người dùng cần training trước để đảm bảo tính xác hệ thống Số lượng đặc tính (features) trích rút ảnh hưởng đến tính xác tốc độ xử lý hệ thống Số lượng features nhiều cần nhiều tài nguyên thời gian xử lý gây mức độ chậm (delay) định, song tính xác cao Bằng thực nghiệm cho thấy tất 53 features định tính xác mà số có 30→32 thuộc tính chiếm tới 90% tính xác hệ thống Thuật toán ICA dùng để xử lý vector đặc tính trích rút từ liệu mẫu EEG Sử dụng phương thức cài đặt ICA InfoMax FastICA , Hoàng Anh Việt, lớp cao học CNTT 2009 - 86 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng FastICA đề cập đến tài liệu ICA có hạn chế thành phần độc lập phải có tính phi Gauss (non-gaussianity), tức phân bố (hàm mật độ xác suất) Gauss Nguyên nhân biến ngẫu nhiên Gauss xác định hoàn toàn thống kê bậc (trị trung bình) bậc (phương sai), thống kê bậc cao không Trong mô hình ICA cần thống kê bậc cao thành phần độc lập để thực phân ly (ước lượng thành phần độc lập) Như tính phi tuyến, phi Gauss dẫn đến độc lập thống kê Cực đại hóa tính phi Gauss (non-gaussianity) xây dựng giải thuật tính toán nhanh hiệu FastICA Trong thuật toán GMM, việc sử dụng ma trận hiệp phương sai chéo (diagonal covariance) hay ma trận hiệp phương sai đầy đủ (full covariance) số lượng thành phần trộn cho GMM (mixtures per GMM – 2,4,8,16,32 gaussian) ảnh hưởng đến hiệu (performance) hệ thống Processing Number of features Number of Gaussian Matrix covariance ∑ = diagonal Matrix covariance ∑ = full ica, gmm 53 85.6 % 85.7 % ica, gmm 53 16 85.5 % 84.3 % ica, gmm 32 85.7 % 85.5 % ica, gmm 32 16 87 % 84.5 % ica, gmm 30 85.6 % 84.5 % ica, gmm 30 16 87 % 85.6 % Bảng 5-5: Kết tính toán thực nghiệm xác định suy nghĩ bật sáng đèn xảy sử dụng 8,16 gaussian, ma trận hiệp phương sai (chéo, đầy đủ) KẾT CHƯƠNG Như qua chương đưa hình ảnh giao diện sử dụng hệ thống, đưa kết đánh giá bẳng thực nghiệm nhân tố ảnh hưởng đến hệ thống Cuối ưu điểm hạn chế hệ thống để có bước phát triển tương lai Hoàng Anh Việt, lớp cao học CNTT 2009 - 87 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng KẾT LUẬN CÁC NHIỆM VỤ ĐÃ HOÀN THÀNH  Phân tích đặc tính sóng điện não sở sinh học, lý học, tin học  Nghiên cứu hệ thống sản phẩm công ty Emotiv Systems phục vụ cho việc tiếp cận kết hợp với công nghệ phần cứng công ty  Phân tích mô hình thuật toán mà giới đưa dùng việc nghiên cứu xử lý tín hiệu điện não Đưa so sánh đánh giá ưu nhược điểm thuật toán phân tích liệu EEG  Đề xuất mô hình phân loại, kết hợp thuật toán thành mô hình phân tích xử lý tín hiệu điện não riêng Mô hình có số cải tiến để nâng cao tính xác nâng cao hiệu thực thi hệ thống  Xây dựng thử nghiệm đánh giá kết đạt CÁC KẾT QUẢ ĐÃ ĐẠT ĐƯỢC  Về mặt lý thuyết:  Phân tích đặc điểm sóng điện não sở sinh học, lý học tin học  Phân tích thuật toán xử lý tín hiệu điện não, đề xuất mô hình kết hợp bao gồm kết hợp nhiều thuật toán xử lý tín hiệu điện não EEG Mô hình làm tảng cho việc thu nhận xử lý sóng điện não EEG  Về mặt thực nghiệm: Xây dựng đánh giá thử nghiệm cho mô hình đề xuất  Hệ thống nhận dạng trạng thái suy nghĩ điều khiển ánh sáng đèn xác tới 87%  Hệ thống nhận dạng trạng thái sóng não (buồn ngủ) xác tới 84%  Hệ thống nhận dạng trạng thái biểu nhắm mở mắt xác tới 97% Hoàng Anh Việt, lớp cao học CNTT 2009 - 88 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng  Đánh giá chung: Do thời gian có hạn mô hình thuật toán phân tích tín hiệu EEG đòi hỏi kiến thức chuyên sâu mặt thuật toán kiến thức mặt lập trình mà hệ thống không tránh khỏi có sai sót không đáng có số tính chưa hoàn thiện Mặc dù sai sót tồn với nhiệm vụ luận văn đề tác giả hoàn thành theo yêu cầu HƯỚNG PHÁT TRIỂN CHO ĐỀ TÀI Trong khuôn khổ luận văn này, tác giả xây dựng thử nghiệm hệ thống nhận dạng trạng thái suy nghĩ người thông qua tín hiệu điện não EEG, kết thể dùng suy nghĩ để điều khiển ánh sáng đèn Hệ thống cho kết xác tới 87% kết khác Qua thử nghiệm tác giả xây dựng tập hợp mẫu features nhỏ đảm bảo tính xác hệ thống từ giảm tài nguyên yêu cầu để xử lý, giảm tính trễ, nâng cao hiệu hệ thống Số lượng Gaussion epoch dùng cho Training tối thiểu hóa nhằm cải thiện tốc độ mô hình Ngoài hệ thống lưu trữ liệu mẫu EEG, Score người dùng thử nghiệm phục vụ cho nghiên cứu trạng thái suy nghĩ Hiện hệ thống xây dựng thử nghiệm với Action suy nghĩ điều khiển ánh sáng đèn Trong tương lai tác giả nghiên cứu mở rộng khả nhận dạng nhiều Action khác thời điểm hệ thống, đồng thời cải thiện tốc độ, tính xác hệ thống Ngoài ra, hướng phát triển đề tài kết hợp với công nghệ phần cứng công ty Emotiv Systems Việc giúp tăng hiệu sản phẩm giúp tập trung cho việc nghiên cứu xử lý nhận dạng thông tin sóng não EEG Hoàng Anh Việt, lớp cao học CNTT 2009 - 89 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng TÀI LIỆU THAM KHẢO [1] Điện não đồ Lâm sàng, GS Pierre Jallon GS.TS Lê Quang Cường, Nxb Y học [2] Quách Tuấn Ngọc, “Xử lý tín hiệu số” Nhà xuất giáo dục ,1997 [3] Hà Quốc Trung, "Xử lý tín hiệu lọc số" Tập 1,2 Nhà xuất khoa học kỹ thuật, 1999 & 2001 [4] Eoin M Thomas, Andriy Temko, Gordon Lightbody, William P Marnane and Geraldine B Boyla “A Gaussian mixture model based statistical classification system for neonatal seizure detection” [5] A.Hyvarinen and E.Oja, Independen Component Analysis: Algorithms and Application, Neural Networks, 13(4-5): 411-430, 2000 [6] Laboratory of computer and information science adaptive informatics research center, “FastICA version 2.5, published on 19.10.2005” [7] Geoffrey J McLachlan, Thriyambakam Krishnan “The EM Algorithm and Extensions” Publish Date: 1997-01-31 [8] S Richardson, P.J Green, On Bayesian Analysis of Mixtures with an Unknown Number of Components, Journal of the Royal Statistical Society, 59(4): 731-792,1997 [9] Mô hình Automatic Speaker Verification System (ASV) dựa công cụ Alize Avignon university of France [10] L Meng, M Frei, I Osorio, G Strang, and T Nguyen, “Gaussian mixture models of ecog signal features for improved detection of epileptic seizures.” Med Eng Phys., vol 26, no 5, pp 379–93, 2004 [11] X Zhu, J Wu, Y Cheng, and Y Wang, “GMM-based classification method for continuous prediction in brain-computer interface,” ICPR ’06: Proceedings of the 18th International Conference on Pattern Recognition, pp 1171–1174, 2006 [12] Kenji Fujimoto, Toshiharu Sugie Department of Systems Science, Graduate School of Informatics, Kyoto University, Uji, Kyoto 611-0011, Japan “Canonical transformation and stabilization of generalized Hamiltonian systems” [13] W Deburchgraeve, P Cherian, M D Vos, R Swarte, J Blok, G Visser, P Govaert, and S V Huffel, “Automated neonatal seizure detection mimicking a human observer reading EEG,” Clinical Neurophysiology, vol 119, no 11, pp 2447–54, 2008 [14] Aarabi, F Wallois, and R Grebe, “Automated neonatal seizure detection, a multistage classification system through feature selection based on relevance and redundancy analysis,” Clin Neurophysiol.,vol 117 (2), pp 328–40, 2006 [15] Aarabi, R Grebe, and F Wallois, “A multistage knowledge-based system for EEG seizure detection in newborn infants,” Clin Neurophys- iol, vol 118, pp 2781–97, 2007 [16] “A Gaussian mixture model based statistical classification system for neonatal seizure detection”, Eoin M Thomas, Andriy Temko, Gordon Lightbody, William P Marnane and Geraldine B Boyla [17] “The EM Algorithm and Extensions” Geoffrey J McLachlan, Thriyambakam Krishnan Publish Date: 1997-01-31 [18] L Meng, M Frei, I Osorio, G Strang, and T Nguyen, “Gaussian mixture models of ecog signal features for improved detection of epileptic seizures.” Med Eng Phys., vol 26, no 5, pp 379–93, 2004 [19] W Deburchgraeve, P Cherian, M D Vos, R Swarte, J Blok, G Visser, P Govaert, and S V Huffel, “Automated neonatal seizure detection mimicking a human observer reading EEG,” Clinical Neurophysiology, vol 119, no 11, pp 2447–54, 2008 [20] A Aarabi, R Grebe, and F Wallois, “A multistage knowledge-based system for Hoàng Anh Việt, lớp cao học CNTT 2009 - 90 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng EEG seizure detection in newborn infants”, Clin Neurophys- iol, vol 118, pp 2781– 97, 2007 [21] “Automatic artifact rejection for EEG data using high-order statistics and independent component analysis”, A Delorme, S Makeig, T Sejnowski [22] “Removing Electroencephalographic Artifacts : Comparison between ICA and PCA” Tzyy-Ping Jung, Colin Humphries, Te-Won Lee, Scott Makeig, Martin J McKeown, Vicente Iragui, Terrence J Sejnowskil - Computational Neurobiology Lab The Salk Institute, San Diego, CA [23] A Hyvarinen, J Karhunen, and E Oja, Independent Component Analysis New York: Wiley, 2001 [24] A J Bell and T J Sejnowski, “An information-maximization approach to blind separation and blind deconvolution,” Neural Comput., vol 7, pp 1129–1159, 1995 [25] T W Lee and T J Sejnowski, “Independent component analysis for sub-Gaussian and super-Gaussian mixtures,” in Proc 4th Joint Symp Neural Computation, vol La Jol la, CA: Univ of California, San Diego, 1997, pp 132–139 [26] A Delorme and S Makeig, “EEGLAB: An open source toolbox for analysis of single trial EEG dynamics including independent component analysis,” J Neurosci Methods, vol.134, pp 9–21, 2004 [27] C Jutten and J Herault, “Blind separation of sources I An adaptive algorithm based on neuromimetic architecture,” Signal Process., vol 24, pp 1–10, 1991 [28] P Comon, “Independent component analysis—A new concept?” Signal Process., vol.36, pp 287–314, 1994 [29] M Girolami, “An alternative perspective on adaptive independent component analysis,” Neural Comput., vol 10, pp 2103–2114, 1998 [30] T W Lee, M Girolami, and T J Sejnowski, “Independent component analysis using an extended infomax algorithm for mixed sub- and super-Gaussian sources,” Neural Comput., vol 11, pp 606–633, 1999 [31] T P Jung, C Humphries, T W Lee, S Makeig, M J McKeown, V Iragui, and T J Sejnowski, “Extended ICA removes artifacts from electroencephalographic recordings,” Adv Neural Inform Process Syst., vol 10, pp 894–900, 1998 [32] T P Jung, S Makeig, W Westerf ield, J Townsend, E Courchesne, and T J Sejnowski, “Analysis and visualization of single-trial event-related potentials,” Hum Brain Mapp., vol 14, no 3, pp 166–185, 2001 [33] M Naganawa, Y Kimura, K Ishii, K Oda, K Ishiwata, and A Matani, “Extraction of a plasma time-activity curve from dynamic brain pet images based on independent component analysis,” IEEE Trans Biomed Eng., vol 52, pp 201–210, Feb 2005 [34] R Liao, J L Krolik, and M J McKeown, “An information-theoretic criterion for intrasubject alignment of FMRI time series: Motion corrected independent component analysis,” IEEE Trans Med Imag., vol 24, pp 29–44, Jan 2005 [35] W Wierville, J G Casali, and B S Repa, “Driver steering reaction time to abrupt onset crosswind, as measured in a moving-base driving simulator,” Hum Factors, vol 25, no 1, pp 103–116, 1983 [36] G Reymond, A Kemeny, J Droulez, and A Berthoz, “Role of lateral acceleration in curve driving: Driver model and experiments on a real vehicle and a driving simulator,” Hum Factors, vol 43, pp 483–495, 2001 [37] E L Groen, I P Howard, and B S Cheung, “Influence of body roll on visually Hoàng Anh Việt, lớp cao học CNTT 2009 - 91 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng induced sensation of self-tilt and rotation,” Perception, vol 28, pp 287–297, 1999 [38] C T Lin, I F Chung, L W Ko, Y C Chen, S F Liang, and J R Duann, “EEGbased assessment of driver cognitive responses in a dynamic virtual-reality driving environment,” IEEE Trans Biomed Eng., vol 54, no 7, pp 1349–1352, 2007 [39] C T Lin, L W Ko, J C Chiou, J R Duann, R S Huang, T W Chiu, S F Liang, and T P Jung, “Noninvasive neural prostheses using mobile and wireless EEG,” Proc IEEE, vol 96, no 7, pp 1167–1183, 2008 [40] C T Lin, R C Wu, T P Jung, S F Liang, and T Y Huang, “Estimating alertness level based on EEG spectrum analysis,” EURASIP J Appl Signal Process., vol 2005, no.19, pp 3165–3174, Mar 2005 [41] C T Lin, T T Chiu, T Y Huang, C F Chao, W C Liang, S H Hsu, and L W Ko, “Assessing effectiveness of various auditory warning signals in maintaining drivers’ attention in virtual reality-based driving environments,” Percept Motor Skills, vol 108, pp 825–835, June 2009 [42] S Makeig, A J Bell, T P Jung, and T J Sejnowski, “Independent component analysis of electroencephalographic data,” Adv Neural Inform Process Syst., pp 145–151, 1996 [43] T P Jung, C Humphr ies, T.-W Lee, S Makeig, M J McKeown, V Iragui , and T J Sejnowski, “Extended ICA removes artifacts from electroencephalographic recordings,” Adv Neural Inform Process Syst., pp 894–900, 1998 [44] P LeVan, E Urrestarazu, and J Gotman, “A system for automatic artifact removal in ictal scalp EEG based on independent component analysis and Bayesian classif ication,” Clin Neurophysiol., vol 117, pp 912–927, 2006 [45] C A Joyce, I F Gorodnitsky, and M Kutas, “Automatic removal of eye movement and blink artifacts from EEG data using blind component separation,” Psychophysiology, vol 41, pp 313–325, 2004 [46] Manh Ngo Van, Viet Hoang Anh, Thang Huynh Quyet and Vinh Pham Quoc “A General Model For Digitalizing Human Being's Thought – MiMaS”, Symposium on Information and Communication Technology, Hanoi, Vietnam, August 27-28, 2010 Website tham khảo: [47] “Lý thuyết điện não đồ”: http://www.thankinhhoc.com [48] http://www.baomoi.com/Dieu-khien-robot-bang-te-bao-nao-nguoi/53/3200716.epi [49] http://tusach.thuvienkhoahoc.com/wiki/Sách:Điện_tử_sinh_học/Điện_não_đồ [50] http://tailieu.vn/xem-tai-lieu/bai-giang-dien-nao-tam-do-eeg-phan-1.224147.html [51] http://yhocquany.com/forum/showthread.php?t=2531 [52] Lý thuyết “Điện não đồ” http://www.thankinhhoc.com [53] BCI2000 (http://www.bci2000.org/BCI2000/Home.html) [54] OpenEEG project (http://openeeg.sourceforge.net) [55] http://vietbao.vn/Suc-khoe/Moi-nam-3.000-tre-em-bi-viem-nao/40199950/248/ Hoàng Anh Việt, lớp cao học CNTT 2009 - 92 - ... cao học CNTT 2009 -x- Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng CHƯƠNG THỰC TRẠNG VỀ NGHIÊN CỨU VÀ XỬ LÝ TÍN HIỆU ĐIỆN NÃO EEG Nội dung chương:  Thực trạng nghiên cứu, xử lý tín hiệu điện... kì cho việc nghiên cứu, xử lý bệnh thần kinh Hoàng Anh Việt, lớp cao học CNTT 2009 - 11 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng Cho đến giới có bước tiến dài việc nghiên cứu sóng EEG,... truyền sợi trục (axon ) Hình 2-1: Tế bào thần kinh Hoàng Anh Việt, lớp cao học CNTT 2009 - 20 - Nghiên cứu mô hình giao tiếp Máy – Não ứng dụng Những nghiên cứu gần chứng minh đầy đủ tính chất