4. Nội dung và bố cục của luận văn
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 của module điều khiển bật tắt bóng đèn được mô tả trong Hình 3.39. Arduino MEGA 2560 sẽ giúp chúng ta phần điều khiển còn Relay sẽ đảm đương phần động lực. Module Relay này gồm có 8 Relay nhỏ dành cho mục đích dự phòng.
Kết quả và thảo luận
Chúng tôi đã tiến hành xây dựng phần cứng và phần mềm cho hệ thống điều khiển bằng thiết bị sóng não.
Hình 3.10. Chương trình chạy tắt đèn
Hình 3.9 minh họa trường hợp chương trình thục hiện lệnh bật đèn. Trong quá trình luyện mạng, người dùng sẽ được yêu cầu tập trung vào ảnh bóng đèn sáng để hệ thống ghi nhận đặc trưng của suy nghĩ. Trong quá trình kiểm tra. Khi người dùng nghĩ tới hình ảnh bật đèn, các phần mềm trên máy tính sẽ thu thập được đặc trưng và gửi lênh về vi điều khiển Adruno đóng rơ le làm cho đèn sáng.
Hình 3.12. Chương trình chạy tắt Ti Vi
Các hình vẽ tiếp theo lần lượt minh họa các trường hợp tắt đèn, bật tivi, tắt ti vi. Với việc kiểm tra qua 50 mẫu, luận văn thu được kết qủa trong Bảng 3.1 như sau:
Bảng 3.1. Một số kết quả thử nghiệm điều khiển thiết bị Lệnh Số mẫu kiểm tra Số mẫu chính 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 3 tập trung vào việc xây dựng mô hình mô phỏng hệ thống nhận dạng suy nghĩ qua sóng điện não một cách chi tiết (cả phần cứng lẫn phần mềm). Nhìn chúng, hệ thống nhận dạng có độ chính xác khá cao (trên 82%). Tuy nhiên, đây mới chỉ là kết quả nhận dạng cho 4 lệnh. Khi số lệnh điều khiển lớn lên, khả năng nhận dạng nhầm lẫn giữa các lệnh cũng sẽ tăng lên, làm cho chất lượng nhận dạng giảm đi. Mặt khác, đây mới chỉ là kết quả luyện trên một người. Do đó, chưa thể kết luận được độ chính xác khi sử dụng cho nhiều người khác nhau. Đây cũng là hạn chế và là hướng phát triển của luận văn.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Nhận dạng tín hiệu EEG là một lĩnh vực nghiên cứu hấp dẫn vì có thể áp dụng trong rất nhiều bài toán thực tế. Đây cũng là một bài toán phức tạp nhưng sẽ được giải quyết nếu ta biết ứng dụng các thành tựu nghiên cứu trong các lĩnh vực như xử lý tín hiệu số số, trí tuệ nhân tạo…Trong đó, việc ứng dụng thành quả của biến đổi wavelet, mạng nơ ron, phân tích PCA cho ta các kết quả thực sự ấn tượng trong việc xây dựng ứng dụng điều khiển thiết bị cho nhà thông minh thông qua sóng não.
Sau một thời gian tìm hiểu nghiên cứu, luận văn đã trình bày được các vấn đề sau:
- Nghiên cứu lý thuyết chung về tín hiệu EEG, tập trung phân tích bài toán nhận dạng tín hiệu EEG, làm rõ các bước trong nhận dạng.
- Nghiên cứu lý thuyết về nhà thông minh, biến đổi DWT, phương pháp PCA để điều khiển thiết bị cho bài toán nhà thông minh.
- Xây dựng mô hình minh họa (phần cứng và phần mềm) điều khiển thiết bị cho bài toán nhà thông minh thông qua tín hiệu điện não.
Trong quá trình thử nghiệm mô hình mô phỏng, các kết quả nhận dạng lệnh điều khiển là tương đối tốt. Tuy nhiên, bài toán nhận dạng vẫn chỉ dừng lại trong phạm vi nghiên cứu của luận văn với số lệnh ít, chỉ áp dụng trên một người. Vì vậy, theo quan điểm của học viên, đề tài còn có một số hướng phát triển sau:
- Nghiên cứu các phương pháp dò tìm thông số tốt nhất cho quá trình luyện mạng MLP
- Nghiên cứu các kiến trúc mạng DeepLearning hiệu quả hơn cho bài toán trích chọn đặc trưng và phân lớp tín hiệu EEG
- Triển khai thử nghiệm cho một số bài toán tương tự như điều khiển xe lăn điện, xây dựng hệ thống hỗ trợ bệnh nhân qua sóng điện não.
Do giới hạn về thời gian nghiên cứu và kiến thức của bản thân, luận văn khó có thể tránh khỏi một số sai sót nhất định. Học viên rất mong nhận được sự đóng góp ý kiến của các thầy cô, các bạn đọc quan tâm để luận văn được hoàn thiện hơn.
Một lần nữa học viên xin được cảm ơn Thầy giáo TS. Nguyễn Phương Huy
đã tận tình giúp đỡ, hướng dẫn trong thời gian thực hiện đề tài, cảm ơn sự giúp đỡ của gia đình, bạn bè và các đồng nghiệp trong thời gian qua.
Thái Nguyên ngày 26 tháng 6 năm 2020
Người thực hiện
TÀI LIỆU THAM KHẢO
I. Tài liệu tiếng Việt
[1] Nguyễn Thế Hoàng Anh (2019), Nghiên cứu phát triển một số phương pháp dựa trên học máy phục vụ phân tích và 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 vẫn đề về 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 Phòng, 2017
[4] Hoàng Tiến Thêm (2018), Ứng dụng biến đổi wavelet cho trích chọn đặc trưng tín hiệu điện não trong 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 và chuẩn đoán 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 trong hệ thống nhận dạng cảm xúc dựa trên 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
[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. 6 (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-va- kiem-soat-giac-ngu-cua-con-nguoi-1VgZvXOr5Aw