Điều khiển thiết bị trong nhà thông minh qua sóng điện não

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP LƯU VĂN TOÀN ĐIỀU KHIỂN THIẾT BỊ TRONG NHÀ THƠNG MINH THƠNG QUA SĨNG ĐIỆN NÃO Chun ngành: Kỹ thuật Điện tử Mã số: 8.52.02.03 LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỆN TỬ HỌC VIÊN NGƯỜI HƯỚNG DẪN KHOA HỌC Lưu Văn Toàn Ts Nguyễn Phương Huy KHOA CHUYÊN MƠN TRƯỞNG KHOA THÁI NGUN - 2020 Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn LỜI CAM ĐOAN Tên là: Lưu Văn Toàn Sinh ngày: 28/12/1986 Học viên lớp cao học CHK20KTĐT - Trường Đại học Kỹ thuật Công nghiệp - Đại học Thái Nguyên Hiện công tác tại: Trường Cao Đẳng Công nghệ Nông lâm Đông Bắc Xin cam đoan: Đề tài “Điều khiển thiết bị nhà thông minh thơng qua sóng điện não” Thầy giáo TS Nguyễn Phương Huy hướng dẫn cơng trình nghiên cứu riêng Tất tài liệu tham khảo có nguồn gốc, xuất xứ rõ ràng Tác giả xin cam đoan tất nội dung luận văn nội dung đề cương yêu cầu thầy giáo hướng dẫn Nếu sai tơi hồn tồn chịu trách nhiệm trước hội đồng khoa học trước pháp luật Thái Nguyên, ngày 26 tháng năm 2020 Tác giả luận văn Lưu Văn Tồn Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn LỜI CẢM ƠN Sau thời gian nghiên cứu làm việc nghiêm túc, động viên, giúp đỡ hướng dẫn tận tình Thầy giáo hướng dẫn TS Nguyễn Phương Huy, luận văn với đề tài “Điều khiển thiết bị nhà thông minh thông qua sóng điện não” hồn thành Tơi xin bày tỏ lòng biết ơn sâu sắc đến: Thầy giáo hướng dẫn TS Nguyễn Phương Huy tận tình dẫn, giúp đỡ tơi hồn thành luận văn Trường Đại học Kỹ thuật công nghiệp đặc biệt Thầy, cô Khoa Điện tử giúp đỡ trình học tập thực luận văn Tôi xin chân thành cảm ơn bạn bè, đồng nghiệp gia đình động viên, khích lệ, tạo điều kiện giúp đỡ tơi suốt q trình học tập, thực hoàn thành luận văn này./ Thái Nguyên, ngày 26 tháng năm 2020 Tác giả luận văn Lưu Văn Tồn Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii DANH MỤC CÁC TỪ VIẾT TẮT v DANH MỤC CÁC HÌNH ẢNH vi DANH MỤC BẢNG BIỂU viii MỞ ĐẦU 1 Tính khoa học cấp thiết đề tài Đối tượng phạm vi nghiên cứu đề tài Phương pháp luận nghiên cứu Nội dung bố cục luận văn CHƯƠNG TỔNG QUAN VỀ NHẬN DẠNG TÍN HIỆU ĐIỆN NÃO Tởng quan tín hiệu điện não 1.1.1 EEG 1.1.2 Tại phải thu nhận tín hiệu EEG 1.1.3 Nguồn gốc tín hiệu EEG 1.1.4 Các dạng sóng EEG Hệ thống tương tác máy não 10 1.2.1 Kiến trúc hệ thống BCI 10 1.2.2 Một số kỹ thuật triển khai hệ thống BCI 12 1.2.3 Cập nhật số kết nghên cứu nước 18 Một số ứng dụng hệ thống nhận dạng tín hiệu điện não 19 Kết luận chương 20 CHƯƠNG ĐIỀU KHIỂN THIẾT BỊ NHÀ THÔNG MINH THÔNG QUA TÍN HIỆU EEG 21 Tổng quan nhà thông minh 21 2.1.1 Định nghĩa nhà thông minh 21 2.1.2 Các thành phần hệ thống nhà thông minh 22 2.1.3 Một số giải pháp điều khiển nhà thông minh 25 Xây dựng hệ thống điều khiển thiết bị cho nhà thơng minh EEG 26 Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn Trích xuất đặc trưng tín hiệu EEG sử dụng DWT 27 2.3.1 Các khái niệm 27 2.3.2 Biến đổi wavelet liên tục 29 2.3.3 Biến đổi wavelet rời rạc 31 2.3.4 Giới thiệu số họ Wavelet 32 2.3.5 Biến đởi DWT phân tích đa phân giải tín hiệu EEG 32 Chọn lọc đặc trưng EEG sử dụng phương pháp phân tích thành phần 34 2.4.1 Nguyên lý chung 34 2.4.2 Nội dung thuật toán PCA 35 2.4.3 Áp dụng PCA vào trích chọn vector đặc tính cho tốn nhận dạng tín hiệu EEG 36 2.4.4 Đánh giá thuật toán 37 Mạng nơ ron MLP ứng dụng nhận dạng tín hiệu EEG 37 2.5.1 Kiến trúc mạng 37 2.5.2 Huấn luyện mạng 38 2.5.3 Các yếu tố ảnh hưởng đến hoạt động mạng MLP 41 2.5.4 Ưu nhược điểm số vấn đề mạng nơron nhiều lớp 43 Kết luận chương 43 CHƯƠNG XÂY DỰNG MƠ HÌNH MƠ PHỎNG 45 Phát biểu toán 45 Xây dựng hệ thống 45 3.2.1 Mũ thu thập tiền xử lý tín hiệu điện não 45 3.2.2 Bộ điều khiển tương tác sóng điện não 46 3.2.3 Các modul giao tiếp 49 Kết thảo luận 50 Kết luận chương 52 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 53 TÀI LIỆU THAM KHẢO 55 Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn DANH MỤC CÁC TỪ VIẾT TẮT Từ cụm từ Từ tiếng Anh Từ tiếng Việt AR Autoregressive Modeling Mơ hình tự hồi quy BCI Brain-Computer Interface Giao tiếp máy - điện não CSDL Data base Cơ sở liệu CWT Continuous Wavelet Transform Biến đối Wavelet liên tục DWT Discrete Wavelet Transform Biến đối Wavelet rời rạc EEG Electroencephalogram Điện não đồ ER Emotion Recognition Nhận dạng cảm xúc ERS Emotion Recognition System Hệ thống nhận dạng cảm xúc ICA Independent Component Analysis Phân tích thành phần độc lập LDA Linear Discriminant Analysis Phương pháp phân tích khác biệt tuyến tính MLP MultiLayer Perceptron Mạng nơron Perceptron đa lớp NN Neural Network Mạng Nơron PCA Principal Component Analysis SVM Support Vector Machine Phương pháp phân tích thành phần Học máy vectơ hỗ trợ Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn DANH MỤC CÁC HÌNH ẢNH Hình 1.1 Thiết lập ghi tín hiệu EEG Hình 1.2 Một số phương pháp thu thập thông tin não Hình 1.3 Quá trình hình thành tín hiệu EEG từ nơ ron hình chóp Hình 1.4 Nhận dạng dạng sóng theo tần số Hình 1.5 Sóng Alpha Hình 1.6 Sóng Beta Hình 1.7 Sóng Theta Hình 1.8 Sóng Delta 10 Hình 1.9 Kiến trúc hệ thống BCI 10 Hình 1.10 Ví dụ minh họa q trình xử lý tín hiệu hệ thống BCI 11 Hình 1.11 Thu thập tín hiệu EEG 12 Hình 1.12 Vị trí đặt điện cực EEG hệ thống 10-20 14 Hình 1.13 Một số cách xếp vị trí điện cực EEG 16,32,64 kênh .14 Hình 1.14 Một kênh sau xử lí loại bỏ artifact 15 Hình 1.15 Một số phương pháp phân lớp nhận dạng tín hiệu EEG [14] .17 Hình 2.1 Mơ hình nhà thơng minh 21 Hình 2.2 Các thành phần hệ thống nhà thông minh .23 Hình 2.3 Sơ đồ khối hệ thống điều khiển thiết bị thơng qua sóng điện não 26 Hình 2.4 Lược đồ xây dựng chức phần mềm điều khiển .27 Hình 2.5 Wavelet không wavelet 28 Hình 2.6 Sơ đồ phân tích wavelet 28 Hình 2.7 Các phương pháp hiển thị tín hiệu khác 29 Hình 2.8 Sơ đồ thay đổi hệ số Scaling a .30 Hình 2.9 Các họ Wavelet (a) Haar (b) Daubechies4 (c) Coiflet1 (d) Symlet2 (e) Meyer (f) Morlet (g) Mexican Hat 32 Hình 2.10 Sơ đồ biểu diễn biến đởi wavelet để phân tích đa phân giải 32 Hình 2.11 Phân tích đa phân giải tín hiệu EEG .33 Số hóa Trung tâm Học liệu Cơng nghệ thơng tin – ĐHTN http://lrc.tnu.edu.vn Hình 2.12 Khơng gian (p1,p2) theo hướng phân bố mạnh vector khơng gian (x1,x2) tìm theo PCA .34 Hình 2.13 Mạng Perceptron đa lớp (MLP) 38 Hình 2.14 Cực trị địa phương toàn cục .42 Hình 3.1 Sơ đồ khối hệ thống điều khiển thiết bị thơng qua sóng điện não 45 Hình 3.2 Mũ Emotiv Epoc+ vị trí 16 điện cực 46 Hình 3.3 Thu nhận tín hiệu EEG Emotiv SDK software 46 Hình 3.4 Trích chọn đặc trưng dùng DWT 47 Hình 3.5 Giảm số chiều vecto đặc trưng dùng PCA 47 Hình 3.6 Kiến trúc mạng nơ ron MLP cho luyện lệnh 48 Hình 3.7 Module Bluetooth (HC-05) + Hồng ngoại (IR-T940) 49 Hình 3.8 Module Relay dùng cho điều khiển bật tắt bóng đèn 49 Hình 3.9 Chương trình chạy bật đèn 50 Hình 3.10 Chương trình chạy tắt đèn .51 Hình 3.11 Chương trình chạy bật Ti Vi 51 Hình 3.12 Chương trình chạy tắt Ti Vi 52 Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn DANH MỤC BẢNG BIỂU Bảng 3.1 Một số kết thử nghiệm điều khiển thiết bị 52 Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn MỞ ĐẦU Tính khoa học cấp thiết đề tài Hiện tại, với phát triển bùng nổ công nghệ, nhà thông minh trở thành giải pháp quen thuộc hỗ trợ nâng cao chất lượng sống người Điểm mấu chốt nhà thông minh hiểu “ý tưởng” người sử dụng để từ điều khiển thiết bị nhà cách hợp lý Ý tưởng thể thông qua điều khiển từ xa (điều khiển Bluetooth RF), smart phone (điều khiển qua môi trường di động mạng Internet), thông qua cử (hệ thống nhận dạng cử chỉ) giọng nói (hệ thống nhận dạng giọng nói) Tuy nhiên, người sử dụng khả động tồn thân (khơng lại nói chuyện được) việc hiểu “ý tưởng” thơng qua tín hiệu “bên trong” sóng điện não (Electro EncephaloGraphy - EEG) trở nên cần thiết, quan trọng Nhu cầu tạo phát triển mạnh mẽ không ngừng ứng dụng tương tác Não - Máy (Brain Computer Interface - BCI) [7] , [12] Trong năm gần đây, có nhiều cơng trình cơng bố, đưa hướng tiếp cận khác cho việc giải toán nhận dạng sóng điện não Mọi nỗ lực tập trung vào nhiệm vụ xây dựng nên hệ thống BCI tác động nhanh có độ xác cao [12] Tuy nhiên, kết đạt hạn chế, hầu hết ứng dụng phục vụ sống nằm phịng thí nghiệm ứng dụng cho ngành cơng nghiệp giải trí Việc áp dụng hệ thống BCI cho tốn nhà thơng minh thực tế thách thức Vì lý trên, gợi hướng Thầy giáo, TS Nguyễn Phương Huy, học viên lựa chọn đề tài “Điều khiển thiết bị nhà thông minh thơng qua sóng điện não” làm đề tài nghiên cứu luận văn tốt nghiệp thạc sĩ chuyên ngành Kỹ thuật điện tử Đối tượng phạm vi nghiên cứu đề tài - Đối tượng luận văn là: Phương pháp điều khiển thiết bị nhà thông minh thơng qua sóng điện não Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn dẫn đến tình trạng thừa ăn khớp (Overfitting) Tức mạng có q nhiều thơng tin, lượng thông tin tập liệu mẫu (Training Set) không đủ liệu đặc trưng để huấn luyện mạng Số lượng đơn vị lớp ẩn phụ thuộc vào nhiều yếu tố số đầu vào, đầu mạng, số trường hợp tập mẫu, độ nhiễu liệu đích, độ phức tạp hàm lỗi, kiến trúc mạng thuật toán huấn luyện mạng Thông thường để xác định số đơn vị tối ưu lớp ẩn cần phải thông qua huấn luyện mạng với số đơn vị lớp ẩn dự báo lỗi tởng qt hóa lựa chọn Cách tốt để tìm số đơn vị tối ưu sử dụng phương pháp thử sai (Trial – and – Error)  Các trọng số khởi tạo ban đầu Hình 2.14 Cực trị địa phương tồn cục Các trọng số khởi tạo ban đầu làm cho trình cập nhật trọng số rơi vào vùng cự trị địa phương thay cực trị tồn cục Như mơ tả Hình 2.14, trọng số khởi tạo bên trái, trình luyện mạng hội tụ điểm W1 mà Wg Điểm W1 gọi điểm tối thiểu cục (Local Minimum) Điểm Wg gọi điểm tối thiểu tồn cục Mơ hình đạt đến điểm tối thiểu toàn cục điểm Wg mơ hình khỏi điểm W1 Giải thuật BP có nhược điểm lớn mơ hình mạng rơi vào điểm tối thiểu cục mà khơng phải tối thiểu tồn cục Để khắc phục nhược điểm này, người ta đưa thêm vào khái niệm Momentum Momentum hệ số góp phần giúp cho q trình chỉnh sửa Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn trọng số giảm khả rơi vào điểm tối thiểu cục bộ, đồng thời làm giảm thời gian huấn luyện  Hằng số học  Hằng số học có mối quan hệ mật thiết với độ xác tốc độ học mạng MLP Với số học lớn tốc độ học nhanh độ xác lại thấp Ngược lại số học nhỏ tốc độ học lâu độ xác cao 2.5.4 Ưu nhược điểm số vấn đề của mạng nơron nhiều lớp Ưu điểm: - Hỗ trợ tính tốn song song mức cao - Có khả chịu nhiều lỗi, nhờ tính tốn song song - Có thể thiết kế để tự thích nghi (Các trọng số, cấu trúc mạng) Nhược điểm: - Khơng có quy tắc tởng qt để xác định cấu trúc mạng tham số học tối ưu cho lớp, toán xác định - Khơng có phương pháp tởng qt để đánh giá hoạt động bên ANN (vì hệ thống ANN xem “hộp đen”) Mạng nơron nhiều lớp có số vấn đề cần quan tâm sau: - Thời gian huấn luyện lâu hội tụ - Không biết trước ràng buộc lỗi huấn luyện cấu trúc mạng - Không biết trước hiệu suất huấn luyện (thời gian huấn luyện, độ lỗi) - Khó xác định độ lỗi mạng từ tập huấn luyện - Khó xác định độ lớn tập huấn luyện Kết luận chương Nhu cầu sống với tiến khoa học làm cho tốn nhà thơng minh trở thành chủ đề hấp dẫn Trong đó, điều khiển thiết bị quan trọng Để triển khai việc điều khiển thiết bị nhà thông minh có nhiều phương án Từ việc dùng bàn phím điều khiển trực tiếp dùng điều khiển từ xa Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn hồng ngoại hay sóng RF, điều khiển qua mạng, qua thiết bị di động Tuy nhiên, triển khai việc điều khiển thơng qua tín hiệu EEG hỗ trợ nhiều cho bệnh nhân khả vận động tồn thân để tái hịa nhập sống với cộng đồng Đặc biệt, việc điều khiển thiết bị nâng cao vể số lượng chất lượng tạo tiền đề đưa phương pháp phổ thông điều khiển nhà thơng minh Trên sở đó, luận văn đề xuất xây dựng hệ thống điều khiển thiết bị thơng qua sóng não với việc trích chọn vecto đặc trưng DWT, giảm số chiều dùng PCA phân lớp sử dụng mạng MLP Qua phân tích lý thuyết hồn tồn có sở để khẳng định tính thi hệ thống Điều sec chứng minh nội dung chương Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn CHƯƠNG XÂY DỰNG MƠ HÌNH MƠ PHỎNG Phát biểu tốn Như trình bày chương 2, nhà thơng minh tở hợp nhiều tốn Trong đó, điều khiển thiết bị toán nhỏ quan trọng Chương luận văn tập trung vào trình bày chi tiết cách thức xây dựng mơ hình mơ điều khiển thiết bị cho nhà thông minh thông qua sóng não Mơ hình cho phép người bệnh điều khiển lệnh bật đèn, tắt đèn, bật ti vi, tắt vivi Bộ điều khiển sóng não (Máy tính) Nhận dạng “Bật/tắt đèn” “Bật/tắt TV” Phân tích tởng hợp lệnh điều khiển Lệnh điều khiển đèn Arduino MEGA 2560 Lệnh điều khiển TV (Hông ngoại) Đèn Tivi Hình 3.1 Sơ đồ khối hệ thống điều khiển thiết bị thơng qua sóng điện não Xây dựng hệ thống 3.2.1 Mũ thu thập tiền xử lý tín hiệu điện não Học viên sử dụng mũ khơng dây Emotiv EPOC+ để thu nhận tín hiệu EEG người khuyết tật Mũ có 16 điện cực định vị dựa chuẩn quốc tế cho hệ thống 10-20 điện cực Hình mơ tả mũ emotiv epoc+ vị trí 16 điện cực Trong có 14 điện cực định vị AF3, F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8, AF4 điện cực tham chiếu Mũ EPOC+ làm ẩm để cải thiện khả dẫn Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn Hình 3.2 Mũ Emotiv Epoc+ vị trí 16 điện cực 3.2.2 Bộ điều khiển tương tác sóng điện não Học viên sử dụng PC thực nhiệm vụ PC tích hợp số phần mềm làm nhiệm vụ nhận tín hiệu EEG thu từ mũ Emotiv Epoc+, trích chọn đặc trưng theo Wavelet, giảm thiểu số chiều vecto đặc trưng thuật toán PCA, phân lớp dùng mạng nơ ron MLP, mã hóa thành mã lệnh chuyển tới vi điều khiển Arduino MEGA 2560 a Thu nhận tín hiệu EEG Luận văn sử dụng công cụ Emotiv SDK software để lấy liệu EEG thô từ mũ Emotiv Epoc+ Phần mềm hãng Emotiv cung cấp hữu ích cho việc thiết kế thí nghiệm, chuẩn bị định cấu hình đa phương tiện Phần mềm giúp thu thập liệu EEG theo cách có cấu trúc có hệ thống Hình 3.3 Thu nhận tín hiệu EEG Emotiv SDK software b Trích trọn đặc trưng tín hiệu EEG Số hóa Trung tâm Học liệu Cơng nghệ thơng tin – ĐHTN http://lrc.tnu.edu.vn Hình 3.4 Trích chọn đặc trưng dùng DWT Hình 3.4 mơ tả việc sử dụng wavelet Debuchies4 (db4) để trích chọn đặc trưng tín hiệu EEG Theo phương pháp này, tín hiệu thu từ điện cực phân tách thành thành phần sóng bản: Delta, Theta, Alpha, Beta Gamma Với thành phần wavelet bản, ta tính tốn ba tham số đặc trưng như: Cơng suất (power) tín hiệu, giá trị trung bình (mean), độ lệch chuẩn (Standard deviation) Với tởng cộng 14 điện cực ta thu vec tơ đặc trưng gồm 210 tham số c Giảm số chiều véc tơ đặc trưng theo phương pháp phân tích thành phần PCA Hình 3.5 Giảm số chiều vecto đặc trưng dùng PCA Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn Số chiều vecto đặc trưng thu sau biến đổi Wavelet tín hiệu EEG 210 Nếu đưa trực tiếp vec tơ vào mạng MLP, thời gian luyện mạng lớn Bên cạnh đó, 210 tham số có tham số mà độ ảnh hưởng nhỏ so với tham số khác Vì vậy, để giảm số chiều vec tơ đặc trưng xuống 70, học viên sử dụng phương pháp phân tích thành phần với bước thực mô tả Hình 3.5 d Nhận dạng tín hiệu EEG sử dụng mạng nơ ron MLP Hệ thống dự kiến cho phép người dùng sử dụng lệnh điều khiển thông qua sóng não Do đó, để phân loại bốn lệnh điều khiển, luận văn sử dụng mạng nơ ron MLP với kiến trúc Hình 3.6 Hình 3.6 Kiến trúc mạng nơ ron MLP cho luyện lệnh Trong giai đoạn luyện mạng, liệu EEG gắn nhãn, tức liệu từ yêu cầu người điều khiển biết, ghi lại gửi đến mạng nơ ron MLP để huấn luyện mơ hình nhận dạng suy nghĩ Trong giai đoạn nhận dạng, liệu EEG không xác định đưa vào mạng MPL luyện để đưa định lệnh phù hợp Số lượng nơ ron lớp đầu vào độ dài vectơ đặc trưng đầu vào Chúng tiến hành thử nghiệm để xác định cấu hình tốt cho mạng nơ ron về: số lượng nơ ron lớp ẩn lần lặp tối (epochs) sau: Số lượng nơ ron lớp ẩn = 100 Số lần lặp tối đa (epoch) trình học tập = 1000 Hàm kích hoạt sử dụng hàm sigmoid, tỷ lệ học 0,1 Việc luyện mạng dừng lại số epoch tối đa đạt tới 1000 sai số bình phương trung bình đạt đến giá trị nhỏ 0,001 Để chuẩn bị mẫu luyện mạng đánh giá kết nhận dạng mạng MLP, người dùng yêu cầu nhìn vào hình ảnh giao diện, tập trung suy nghĩ 10s để phần mềm thu thập vecto đặc trưng Các mẫu sau tính tốn Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn tương quan so với mẫu trước, đưa khuyến nghị cho người dùng để định việc lựa chọn làm mẫu chuẩn cho nhận dạng Mỗi lệnh suy nghĩ (bật ti vi, tắt tivi, bật đèn, tắt đèn) luyện 250 lần người Các liệu ghi lại chia thành tập gồm 80% cho luyện mạng 20% cho kiểm thử Như vậy, ứng với lệnh có 200 mẫu cho luyện mạng 50 mẫu dùng để kiểm tra độ xác việc nhận dạng 3.2.3 Các modul giao tiếp a Module giao tiếp Bluetooth + hồng ngoại: Module Bluetooth (HC-05) cho phép nhận mã lệnh từ PC Module Hồng ngoại (IR-T940) dùng cho điều khiển bật tắt TV Hình 3.7 Module Bluetooth (HC-05) + Hồng ngoại (IR-T940) b Module điều khiển bật tắt bóng đèn Nguyên tắc hoạt động module điều khiển bật tắt bóng đèn mơ tả Hình 3.39 Arduino MEGA 2560 giúp phần điều khiển Relay đảm đương phần động lực Module Relay gồm có Relay nhỏ dành cho mục đích dự phịng Hình 3.8 Module Relay dùng cho điều khiển bật tắt bóng đèn Số hóa Trung tâm Học liệu Cơng nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn Kết thảo luận Chúng tiến hành xây dựng phần cứng phần mềm cho hệ thống điều khiển thiết bị sóng não Hình 3.9 Chương trình chạy bật đèn Số hóa Trung tâm Học liệu Cơng nghệ thơng tin – ĐHTN http://lrc.tnu.edu.vn Hình 3.10 Chương trình chạy tắt đèn Hình 3.9 minh họa trường hợp chương trình thục lệnh bật đèn Trong trình luyện mạng, người dùng yêu cầu tập trung vào ảnh bóng đèn sáng để hệ thống ghi nhận đặc trưng suy nghĩ Trong trình kiểm tra Khi người dùng nghĩ tới hình ảnh bật đèn, phần mềm máy tính thu thập đặc trưng gửi lênh vi điều khiển Adruno đóng rơ le làm cho đèn sáng Hình 3.11 Chương trình chạy bật Ti Vi Số hóa Trung tâm Học liệu Cơng nghệ thơng tin – ĐHTN http://lrc.tnu.edu.vn Hình 3.12 Chương trình chạy tắt Ti Vi Các hình vẽ minh họa trường hợp tắt đèn, bật tivi, tắt ti vi Với việc kiểm tra qua 50 mẫu, luận văn thu kết qủa Bảng 3.1 sau: Bảng 3.1 Một số kết thử nghiệm điều khiển thiết bị Lệnh Số mẫu kiểm tra Số mẫu xác Tỷ lệ (%) Bật đèn 50 43 86 Tắt đèn 50 42 84 Bật TV 50 41 82 Tắt TV 50 43 86 Kết luận chương Nội dung chương tập trung vào việc xây dựng mô hình mơ hệ thống nhận dạng suy nghĩ qua sóng điện não cách chi tiết (cả phần cứng lẫn phần mềm) Nhìn chúng, hệ thống nhận dạng có độ xác cao (trên 82%) Tuy nhiên, kết nhận dạng cho lệnh Khi số lệnh điều khiển lớn lên, khả nhận dạng nhầm lẫn lệnh tăng lên, làm cho chất lượng nhận dạng giảm Mặt khác, kết luyện người Do đó, chưa thể kết luận độ xác sử dụng cho nhiều người khác Đây hạn chế hướng phát triển luận văn Số hóa Trung tâm Học liệu Cơng nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Nhận dạng tín hiệu EEG lĩnh vực nghiên cứu hấp dẫn áp dụng nhiều toán thực tế Đây toán phức tạp giải ta biết ứng dụng thành tựu nghiên cứu lĩnh vực xử lý tín hiệu số số, trí tuệ nhân tạo…Trong đó, việc ứng dụng thành biến đởi wavelet, mạng nơ ron, phân tích PCA cho ta kết thực ấn tượng việc xây dựng ứng dụng điều khiển thiết bị cho nhà thơng minh thơng qua sóng não Sau thời gian tìm hiểu nghiên cứu, luận văn trình bày vấn đề sau: - Nghiên cứu lý thuyết chung tín hiệu EEG, tập trung phân tích tốn nhận dạng tín hiệu EEG, làm rõ bước nhận dạng - Nghiên cứu lý thuyết nhà thông minh, biến đổi DWT, phương pháp PCA để điều khiển thiết bị cho tốn nhà thơng minh - Xây dựng mơ hình minh họa (phần cứng phần mềm) điều khiển thiết bị cho toán nhà thơng minh thơng qua tín hiệu điện não Trong q trình thử nghiệm mơ hình mơ phỏng, kết nhận dạng lệnh điều khiển tương đối tốt Tuy nhiên, toán nhận dạng dừng lại phạm vi nghiên cứu luận văn với số lệnh ít, áp dụng người Vì vậy, theo quan điểm học viên, đề tài cịn có số hướng phát triển sau: - Nghiên cứu phương pháp dị tìm thơng số tốt cho q trình luyện mạng MLP - Nghiên cứu kiến trúc mạng DeepLearning hiệu cho tốn trích chọn đặc trưng phân lớp tín hiệu EEG - Triển khai thử nghiệm cho số toán tương tự điều khiển xe lăn điện, xây dựng hệ thống hỗ trợ bệnh nhân qua sóng điện não Do giới hạn thời gian nghiên cứu kiến thức thân, luận văn khó tránh khỏi số sai sót định Học viên mong nhận đóng góp ý kiến thầy cơ, bạn đọc quan tâm để luận văn hoàn thiện Số hóa Trung tâm Học liệu Cơng nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn Một lần học viên xin cảm ơn Thầy giáo TS Nguyễn Phương Huy tận tình giúp đỡ, hướng dẫn thời gian thực đề tài, cảm ơn giúp đỡ gia đình, bạn bè đồng nghiệp thời gian qua Thái Nguyên ngày 26 tháng năm 2020 Người thực Lưu Văn Tồn Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn TÀI LIỆU THAM KHẢO I Tài liệu tiếng Việt [1] Nguyễn Thế Hoàng Anh (2019), Nghiên cứu phát triển số phương pháp dựa học máy phục vụ phân tích xử lý tín hiệu điện não hướng tới xây dựng hệ giáo diện não -máy tính , Luận án tiến sĩ khoa học máy tính, Trường ĐH công nghệ, ĐH Quốc gia Hà nội [2] Nguyễn Văn Chiến (2011), Một số đề xử lý thực tế cho tín hiệu EEG, Luận văn thạc sỹ, Trường ĐH công nghệ, ĐH Quốc gia Hà nội [3] Nguyễn Quang Đạo, Nghiên cứu tích hợp hệ thống điều khiển nhà thông minh, Đồ án tốt nghiệp, Trường Đại học dân lập Hải Phịng, 2017 [4] Hồng Tiến Thêm (2018), Ứng dụng biến đởi wavelet cho trích chọn đặc trưng tín hiệu điện não hệ thống nhận dạng cảm xúc, Luận văn thạc sỹ, Trường ĐH Kỹ thuật Công nghiệp, ĐH Thái Nguyên [5] Nguyễn Linh Trung (2014), Nghiên cứu xử lý tín hiệu điện não phục vụ phân tích chuẩn đốn bệnh động kinh, Báo cáo đề tài cấp đại học , Đại học Quốc gia Hà nội [6] Ngô Quốc Trung (2018), Ứng dụng mạng nơ-ron hệ thống nhận dạng cảm xúc dựa tín hiệu điện não, Luận văn thạc sỹ, Trường ĐH Kỹ thuật Công nghiệp, ĐH Thái Nguyên II Tài liệu tiếng Anh [7] Abdulhamit Subasi, Ergun Ercelebi, Classification of EEG signals using neural network and logistic regression, Computer Methods and Programs in Biomedicine (2005)78, pp 87 – 99 [8] E.Forney, Electroencephalogram classification by forecasting with recurrent neural networks, Master’s thesis, Department of Computer Science, Colorado State University, Fort Collins, CO, 2011 [9] Gabriele Lobaccaro, Salvatore Carlucci, Erica Löfström, A Review of Systems and Technologies for Smart Homes and Smart Grids, MDPI journals, 2016 Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn [10] R.Padmavathi, V.Ranganathan, A Review on EEG Based Brain Computer Interface Systems, International Journal of Emerging Technology and Advanced Engineering, Volume 4, Issue 4, April 2014, pp 683-696 [11] Shilpa Bharti, Sukhman Preet Singh, An Enhanced Feature Extraction Method and Classification Method of EEG Signals using Artificial Intelligence, International Journal of Computer Applications (0975 – 8887), Volume 126 – No.10, September 2015 [12] Vaishali Kadam, R R Deshmukh, Challenges in Design and development of EEG based BCI: A Review, (IJCSIT) International Journal of Computer Science and Information Technologies, Vol (3) , 2015, pp 2794-2796 [13] Alonso-Valerdi, Luz (2016) Python Executable Script for Estimating Two Effective Parameters to Individualize Brain-Computer Interfaces: Individual Alpha Frequency and Neurophysiological Predictor Frontiers in Neuroinformatics 10 10.3389/fninf.2016.00022 [14] Aboalayon, Khald & Faezipour, Miad & Almuhammadi, Wafaa & Moslehpour, Saeid (2016) Sleep Stage Classification Using EEG Signal Analysis: A Comprehensive Survey and New Investigation Entropy 18 10.3390/e18090272 Các trang Web [15] https://viblo.asia/p/machine-learning-su-dung-song-nao-eeg-de-nhan-biet-vakiem-soat-giac-ngu-cua-con-nguoi-1VgZvXOr5Aw Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn ... Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn CHƯƠNG ĐIỀU KHIỂN THIẾT BỊ NHÀ THÔNG MINH THƠNG QUA TÍN HIỆU EEG Tởng quan nhà thơng minh 2.1.1 Định nghĩa nhà thông minh Nhà thông minh (tiếng... Google Trợ lý ảo cầu nối người điều khiển thiết bị điện khác, để điều khiển thiết bị  Điều khiển thơng qua sóng điện não Trong sống, có nhiều người sau gặp tai biến bị hoàn toàn khả vận động chân... dụng để từ điều khiển thiết bị nhà cách hợp lý Ý tưởng thể thông qua điều khiển từ xa (điều khiển Bluetooth RF), smart phone (điều khiển qua môi trường di động mạng Internet), thông qua cử (hệ