4. Nội dung và bố cục của luận văn
3.2.2 Bộ điều khiển tương tác bằng sóng điện não
Học viên sử dụng một PC thực hiện nhiệm vụ này. PC này tích hợp một số phần mềm làm nhiệm vụ nhận tín hiệu EEG thu được từ mũ Emotiv Epoc+, trích chọn đặc trưng theo Wavelet, giảm thiểu số chiều vecto đặc trưng bằng thuật toán PCA, phân lớp dùng mạng nơ ron MLP, mã hóa thành mã lệnh và chuyển tới vi điều khiển Arduino MEGA 2560.
a. Thu nhận tín hiệu EEG
Luận văn đã sử dụng công cụ Emotiv SDK software để lấy dữ liệu EEG thô từ mũ Emotiv Epoc+. Phần mềm này được hãng Emotiv cung cấp và rất hữu ích cho việc thiết kế thí nghiệm, chuẩn bị và định cấu hình đa phương tiện. Phần mềm cũng giúp thu thập dữ liệu EEG theo cách có cấu trúc và có hệ thống.
Hình 3.3. Thu nhận tín hiệu EEG bằng Emotiv SDK software
Hình 3.4. Trích chọn đặc trưng dùng DWT
Hình 3.4 mô tả việc sử dụng wavelet Debuchies4 (db4) để trích chọn đặc trưng của tín hiệu EEG. Theo phương pháp này, mỗi tín hiệu thu được từ một điện cực sẽ được phân tách thành 5 thành phần sóng cơ bản: Delta, Theta, Alpha, Beta và Gamma. Với mỗi thành phần wavelet cơ bản, ta tính toán được ba tham số đặc trưng như: Công suất (power) của tín hiệu, giá trị trung bình (mean), độ lệch chuẩn (Standard deviation). Với tổng cộng 14 điện cực ta thu được vec tơ đặc trưng gồm 210 tham số.
c. Giảm số chiều véc tơ đặc trưng theo phương pháp phân tích thành phần chính
PCA
Số chiều của vecto đặc trưng thu được sau khi biến đổi Wavelet tín hiệu EEG là 210. Nếu đưa trực tiếp vec tơ này vào mạng MLP, thời gian luyện mạng sẽ rất lớn. Bên cạnh đó, trong 210 tham số có những tham số mà độ ảnh hưởng là rất nhỏ so với các tham số khác. Vì vậy, để giảm số chiều vec tơ đặc trưng xuống còn 70, học viên sử dụng phương pháp phân tích thành phần chính với các bước thực hiện được mô tả như trong Hình 3.5.
d. Nhận dạng tín hiệu EEG sử dụng mạng nơ ron MLP
Hệ thống dự kiến sẽ cho phép người dùng sử dụng 4 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 như trong Hình 3.6.
Hình 3.6. Kiến trúc mạng nơ ron MLP cho luyện các lệnh
Trong giai đoạn luyện mạng, dữ liệu EEG được gắn nhãn, tức là dữ liệu từ một yêu cầu của người điều khiển đã biết, được ghi lại và gửi đến mạng nơ ron MLP để huấn luyện mô hình nhận dạng suy nghĩ.
Trong giai đoạn nhận dạng, dữ liệu EEG không xác định sẽ được đưa vào mạng MPL đã luyện để đưa ra quyết định về lệnh phù hợp nhất. Số lượng nơ ron trong lớp đầu vào bằng độ dài của các vectơ đặc trưng đầu vào. Chúng tôi đã tiến hành thử nghiệm để xác định cấu hình tốt nhất cho mạng nơ ron về: số lượng nơ ron trong lớp ẩn và lần lặp tối (epochs) như sau:
- Số lượng nơ ron trong lớp ẩn = 100.
- Số lần lặp tối đa (epoch) trong quá trình học tập = 1000. - Hàm kích hoạt được sử dụng là hàm sigmoid, tỷ lệ học là 0,1
Việc luyện mạng dừng lại khi số epoch tối đa đạt tới 1000 hoặc sai số bình phương trung bình đạt đến một giá trị nhỏ như 0,001.
Để chuẩn bị mẫu luyện mạng và đánh giá kết quả nhận dạng của mạng MLP, người dùng được yêu cầu nhìn vào các hình ảnh trên giao diện, tập trung suy nghĩ trong 10s để phần mềm thu thập các vecto đặc trưng. Các mẫu sau được tính toán
tương quan so với các mẫu trước, đưa ra khuyến nghị cho người dùng để quyết định việc lựa chọn làm mẫu chuẩn cho nhận dạng.
Mỗi lệnh suy nghĩ (bật ti vi, tắt tivi, bật đèn, tắt đèn) được luyện 250 lần trên cùng một người. Các dữ liệu được ghi lại được chia thành các tập gồm 80% cho luyện mạng và 20% cho kiểm thử. Như vậy, ứng với mỗi một lệnh sẽ có 200 mẫu cho luyện mạng và 50 mẫu dùng để kiểm tra độ chính xác của việc nhận dạng.