ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

71 7 0
ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CƠNG TRÌNH NCKH CẤP TRƯỜNG DÀNH CHO GIẢNG VIÊN TRẺ PHÂN TÍCH MỐI QUAN HỆ GIỮA VẬN ĐỘNG VÀ NÃO NGƯỜI DÙNG ĐIỆN NÃO MÃ SỐ: T2020-06GVT SKC007321 Tp Hồ Chí Minh, tháng 4/2021 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG DÀNH CHO GIẢNG VIÊN TRẺ PHÂN TÍCH MỐI QUAN HỆ GIỮA VẬN ĐỘNG VÀ NÃO NGƯỜI DÙNG ĐIỆN NÃO Mã số: T2020-06GVT Chủ nhiệm đề tài: ThS Trần Đăng Khoa TP HCM, 04/2021 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA ĐIỆN – ĐIỆN TỬ BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG DÀNH CHO GIẢNG VIÊN TRẺ PHÂN TÍCH MỐI QUAN HỆ GIỮA VẬN ĐỘNG VÀ NÃO NGƯỜI DÙNG ĐIỆN NÃO Mã số: T2020-06GVT Chủ nhiệm đề tài: ThS Trần Đăng Khoa Thành viên đề tài: PGS TS Nguyễn Thanh Hải TP HCM, 04/2021 DANH SÁCH CÁN BỘ THAM GIA THỰC HIỆN ĐỀ TÀI STT MSCB 9860 4721 i MỤC LỤC DANH SÁCH HÌNH Error! Bookmark not defined DANH SÁCH BẢNG Error! Bookmark not defined DANH SÁCH TỪ VIẾT TẮT Error! Bookmark not defined THÔNG TIN KẾT QUẢ NGHIÊN CỨU iv Chương TỔNG QUAN 1.1 Tổng quan lĩnh vực nghiên cứu, kết nghiên cứu ngồi nước cơng bố 1.1.1 Ngoài nước (phân tích, đánh giá tình hình nghiên cứu thuộc lĩnh vực đề tài giới, liệt kê danh mục cơng trình nghiên cứu, tài liệu có liên quan đến đề tài trích dẫn đánh giá tổng quan) 1.1.2 Trong nước (phân tích, đánh giá tình hình nghiên cứu thuộc lĩnh vực đề tài Việt Nam, liệt kê danh mục cơng trình nghiên cứu, tài liệu có liên quan đến đề tài trích dẫn đánh giá tổng quan) - 1.2 Tính cấp thiết 1.3 Mục tiêu đề tài 1.4 Cách tiếp cận, phương pháp nghiên cứu, phạm vi nghiên cứu .4 Chương 2: CƠ SỞ LÝ THUYẾT 2.1 Thống kê nghiên cứu chớp, chuyển động mắt 2.2 Thống kê nghiên cứu vận động người 2.3 Phương pháp nhận dạng tín hiệu chớp mắt Chương .10 PHƯƠNG PHÁP PHÂN LOẠI VẬN ĐỘNG QUA EEG 10 3.1 Thiết kế quy trình thí nghiệm thu nhận liệu 10 3.1.1 Dữ liệu tín hiệu chớp mắt 10 3.2 Phương pháp tiền xử lý tín hiệu điện não 12 3.2.3 Làm mượt tín hiệu 12 3.3 Phương pháp thống kê liệu điện não 13 3.3.1 Tính tốn giá trị trung bình - 13 3.3.2 Tính tốn độ lệch chuẩn - 13 3.3.3 Tính tốn entropy thơng tin - 14 3.4 Phương pháp nhận dạng, phân loại vận động chớp mắt .14 Chương .18 KẾT QUẢ NHẬN DẠNG, PHÂN LOẠI TÍN HIỆU 18 4.1 Phân tích kết nhận dạng, phân loại tín hiệu chớp mắt 18 4.1.1 Tín hiệu điện não chưa qua tiền xử lý 18 4.1.2 Tín hiệu điện não sau áp dụng phương pháp loại bỏ xu hướng 19 4.1.3 Tín hiệu điện não sau lọc nhiễu tần số 50/60Hz 19 4.1.4 Tín hiệu điện não sau lọc mịn với thuật toán Gaussian 20 4.1.5 Tìm tín hiệu chớp mắt sử dụng phương pháp dị đỉnh 21 ii 4.1.5 Phân tích entropy đối tượng thí nghiệm - 25 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 30 5.1 Kết luận .30 5.2 Hướng phát triển 30 TÀI LIỆU THAM KHẢO 31 PHỤ LỤC 33 iii TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM THÔNG TIN KẾT QUẢ NGHIÊN CỨU Thông tin chung: Tên đề tài: PHÂN TÍCH MỐI QUAN HỆ GIỮAVẬN ĐỘNG VÀ NÃO NGƯỜI DÙNG ĐIỆN NÃO Mã số: T2020-06GVT Chủ nhiệm: ThS Trần Đăng Khoa Cơ quan chủ trì: Đại Học Sư Phạm Kỹ Thuật TP HCM Thời gian thực hiện: 12 tháng Mục tiêu: Xây dựng giao thức quy trình xử lý tín hiệu để phân tích mối quan hệ vận động người với tín hiệu điện não Tính sáng tạo: Đề tài trình bày phương pháp giúp cải thiên chất lượng khả phát vận động chớp mắt phương pháp, thuật tốn ngưỡng, khơng cần đến mạng học sâu hay thơng qua q trình huấn luyện Kết nghiên cứu: Dang-Khoa Tran, Thanh-Hai Nguyen, Thanh-Nghia Nguyen, “Detection of EEG-Based Eye-Blinks Using A Thresholding Algorithm”, European Journal of Engineering and Technology Research, ACCEPTED, 2021 Sản phẩm: Bài báo, báo cáo Hiệu quả, phương thức chuyển giao kết nghiên cứu khả áp dụng: Chuyển giao cho phịng thí nghiệm y sinh hình ảnh; Tài liệu tham khảo đào tạo đại học cao học Trưởng Đơn vị (ký, họ tên) Chủ nhiệm đề tài (ký, họ tên) INFORMATION ON RESEARCH RESULTS iv General information: Project title: CORRELATIONAL ANALYSIS BETWEEN OCCULAR MOVEMENT AND BRAIN USING EEG Code number: T2020 – 06GVT Coordinator: MEng Dang-Khoa Tran Implementing institution: HCMC University of Technology and Education Duration: 12 months Objective(s): Building signal processing protocols and processes to analyze the human motor relationship with electrical brain signals Creativeness and innovativeness: The topic presented a method to improve the quality and the ability to detect blink movements by method, algorithm threshold, no need for deep learning network or through a training process Research results: Dang-Khoa Tran, Thanh-Hai Nguyen, Thanh-Nghia Nguyen, “Detection of EEG-Based Eye-Blinks Using A Thresholding Algorithm”, European Journal of Engineering and Technology Research, ACCEPTED, 2021 Products: Articles, report books Effects, transfer alternatives of research results, and applicability: Transferred to biomedical and imaging laboratories; References in university and graduate training v Phụ Lục Phụ Lục Phụ Lục P2 Hợp đồng Phụ Lục Phụ Lục Phụ Lục P3 Bài báo Phụ Lục Phụ Lục Phụ Lục Phụ Lục Phụ Lục Phụ Lục Phụ Lục Phụ Lục ... DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG DÀNH CHO GIẢNG VIÊN TRẺ PHÂN TÍCH MỐI QUAN HỆ GIỮA VẬN ĐỘNG VÀ NÃO NGƯỜI DÙNG ĐIỆN NÃO... QUẢ NGHIÊN CỨU Thơng tin chung: Tên đề tài: PHÂN TÍCH MỐI QUAN HỆ GIỮAVẬN ĐỘNG VÀ NÃO NGƯỜI DÙNG ĐIỆN NÃO Mã số: T2020-06GVT Chủ nhiệm: ThS Trần Đăng Khoa Cơ quan chủ trì: Đại Học Sư Phạm Kỹ Thuật... DÀNH CHO GIẢNG VIÊN TRẺ PHÂN TÍCH MỐI QUAN HỆ GIỮA VẬN ĐỘNG VÀ NÃO NGƯỜI DÙNG ĐIỆN NÃO Mã số: T2020-06GVT Chủ nhiệm đề tài: ThS Trần Đăng Khoa Thành viên đề tài: PGS TS Nguyễn Thanh Hải TP HCM,

Ngày đăng: 07/01/2022, 15:47

Hình ảnh liên quan

Hình 3.1. Một minh họa đơn giản về tín hiệu EOG được tạo ra bởi chuyển động thẳng đứng của mắt trong nháy mắt - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

Hình 3.1..

Một minh họa đơn giản về tín hiệu EOG được tạo ra bởi chuyển động thẳng đứng của mắt trong nháy mắt Xem tại trang 19 của tài liệu.
Hình 3.2. Hệ thống được đề xuất để phát hiện chớp mắt. - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

Hình 3.2..

Hệ thống được đề xuất để phát hiện chớp mắt Xem tại trang 20 của tài liệu.
Hình 3.3. Sơ đồ khối giao thức thu thập dữ liệu cho tín hiệu EEG. - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

Hình 3.3..

Sơ đồ khối giao thức thu thập dữ liệu cho tín hiệu EEG Xem tại trang 21 của tài liệu.
Hình 3.4. Lưu đồ của chương trình con ngưỡng được sử dụng trong phân tích phát hiện đỉnh. - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

Hình 3.4..

Lưu đồ của chương trình con ngưỡng được sử dụng trong phân tích phát hiện đỉnh Xem tại trang 28 của tài liệu.
Hình 5 cho thấy một ví dụ về sự khác biệt giữa các tín hiệu EEG thu được từ các giao thức thử nghiệm được đề cập, như được thấy trong hình, từ một đối tượng. - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

Hình 5.

cho thấy một ví dụ về sự khác biệt giữa các tín hiệu EEG thu được từ các giao thức thử nghiệm được đề cập, như được thấy trong hình, từ một đối tượng Xem tại trang 30 của tài liệu.
Hình 4.2 bên dưới cho thấy ví dụ một tập tín hiệu điện não trước và sau khi áp dụng   phương   pháp   loại   bỏ   các   tác   động   của   xu   hướng   tích   lũy   (tiếng   Anh: "detrending"). - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

Hình 4.2.

bên dưới cho thấy ví dụ một tập tín hiệu điện não trước và sau khi áp dụng phương pháp loại bỏ các tác động của xu hướng tích lũy (tiếng Anh: "detrending") Xem tại trang 31 của tài liệu.
Hình 4.3. Kết quả lọc nhiễu của tập dữ liệu điện não ở kênh AF3 và AF4 khi nháy cả hai mắt sau khi áp dụng bộ lọc mịn Gaussian. - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

Hình 4.3..

Kết quả lọc nhiễu của tập dữ liệu điện não ở kênh AF3 và AF4 khi nháy cả hai mắt sau khi áp dụng bộ lọc mịn Gaussian Xem tại trang 32 của tài liệu.
Hình 4.2. Phổ tần số ở kênh AF3 và AF4 của tập dữ liệu điện não khi nháy cả hai mắt trước và sau khi áp dụng bộ lọc thông chặn ở tần số 50/60Hz. - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

Hình 4.2..

Phổ tần số ở kênh AF3 và AF4 của tập dữ liệu điện não khi nháy cả hai mắt trước và sau khi áp dụng bộ lọc thông chặn ở tần số 50/60Hz Xem tại trang 32 của tài liệu.
Hình 4.4. Đỉnh tín hiệu chớp mắt ở kênh AF3 và AF4 trong tập dữ liệu điện não. - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

Hình 4.4..

Đỉnh tín hiệu chớp mắt ở kênh AF3 và AF4 trong tập dữ liệu điện não Xem tại trang 33 của tài liệu.
tổng số lần nháy mắt nhất định. Hình 4.5 cho thấy số lần nhấp nháy mắt được phát hiện cho tất cả mười đối tượng trong mỗi thí nghiệm. - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

t.

ổng số lần nháy mắt nhất định. Hình 4.5 cho thấy số lần nhấp nháy mắt được phát hiện cho tất cả mười đối tượng trong mỗi thí nghiệm Xem tại trang 34 của tài liệu.
đường dây điện. Các bộ lọc Wiener và Savitzky – Golay có chiều rộng khung hình là 15 và bậc đa thức thứ 9 cũng được áp dụng [15]  - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

ng.

dây điện. Các bộ lọc Wiener và Savitzky – Golay có chiều rộng khung hình là 15 và bậc đa thức thứ 9 cũng được áp dụng [15] Xem tại trang 36 của tài liệu.
Hình 4.5. Đồ thị hệ số r tối ưu cho giá trị m, chủ thể chiếm ưu thế là AF3/AF4 - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

Hình 4.5..

Đồ thị hệ số r tối ưu cho giá trị m, chủ thể chiếm ưu thế là AF3/AF4 Xem tại trang 38 của tài liệu.
Bảng I. phân loại k-means: tối đa cho mỗi đối tượng - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

ng.

I. phân loại k-means: tối đa cho mỗi đối tượng Xem tại trang 39 của tài liệu.
Bảng II. Phân loại LDA: độ chính xác sử dụng sáu tính năng được lựa chọn bởi SFFS. - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

ng.

II. Phân loại LDA: độ chính xác sử dụng sáu tính năng được lựa chọn bởi SFFS Xem tại trang 39 của tài liệu.
Hình 4.5. Topograph cho thấy mẫu kết quả phân loại chớp và chuyển động mắt sử dụng EEGLAB - ĐỀ tài NCKH phân tích mối quan hệ giữa vận động và não người dùng điện não

Hình 4.5..

Topograph cho thấy mẫu kết quả phân loại chớp và chuyển động mắt sử dụng EEGLAB Xem tại trang 41 của tài liệu.

Tài liệu cùng người dùng

Tài liệu liên quan