STT Họ và tên Tuổi Trình độ Sức khỏe
1 Phan Trung Nguyên 21 9/12 Thiểu năng
2 Lê Trần Phúc 18 10/12 Bình thường
3 Nguyễn Văn minh 27 12/12 Bình thường
4 Vũ Xuân Đạo 48 Đại học Bình thường
93
4.4.3.1 Người điều khiển xe lăn điện thứ 1
Hình 4.13 Người điều khiển xe lăn điện thứ 1 Bảng 4.3 Kết quả điều khiển Bảng 4.3 Kết quả điều khiển
STT Tín hiệu điều khiển Số lần đạt Tỉ lệ đạt
1 Di chuyển Tới 6/10 60%
2 Di chuyển Lùi 4/10 40%
3 Rẽ Trái 3/10 30%
4 Rẽ Phải 2/10 20%
94
4.4.3.2 Người điều khiển xe lăn điện thứ 2
Hình 4.14 Người điều khiển xe lăn điện thứ 2 Bảng 4.4 Kết quả điều khiển Bảng 4.4 Kết quả điều khiển
STT Tín hiệu điều khiển Số lần đạt Tỉ lệ đạt
1 Di chuyển Tới 7/10 70%
2 Di chuyển Lùi 5/10 50%
3 Rẽ Trái 6/10 60%
4 Rẽ Phải 4/10 40%
95
4.4.3.3 Người điều khiển xe lăn điện thứ 3
Hình 4.15 Người điều khiển xe lăn điện thứ 3 Bảng 4.5 Kết quả điều khiển Bảng 4.5 Kết quả điều khiển
STT Tín hiệu điều khiển Số lần đạt Tỉ lệ đạt
1 Di chuyển Tới 8/10 80%
2 Di chuyển Lùi 5/10 50%
3 Rẽ Trái 5/10 50%
4 Rẽ Phải 6/10 60%
96
4.4.3.4 Người điều khiển xe lăn điện thứ 4
Hình 4.16 Người điều khiển xe lăn điện thứ 4 Bảng 4.6 Kết quả điều khiển Bảng 4.6 Kết quả điều khiển
STT Tín hiệu điều khiển Số lần đạt Tỉ lệ đạt
1 Di chuyển Tới 7/10 70%
2 Di chuyển Lùi 5/10 50%
3 Rẽ Trái 6/10 60%
4 Rẽ Phải 5/10 50%
97
4.4.3.5 Người điều khiển xe lăn điện thứ 5
Hình 4.17 Người điều khiển xe lăn điện thứ 5 Bảng 4.7 Kết quả điều khiển Bảng 4.7 Kết quả điều khiển
STT Tín hiệu điều khiển Số lần đạt Tỉ lệ đạt
1 Di chuyển Tới 9/10 90%
2 Di chuyển Lùi 8/10 80%
3 Rẽ Trái 6/10 60%
4 Rẽ Phải 7/10 70%
5 Dừng 8/10 80%
Bảng 4.8 Dữ liệu kết quả từ 5 người tham gia
Tín hiệu Người 1 Người 2 Người 3 Người 4 Người 5 Toàn bộ
Tới 6/10 7/10 8/10 7/10 9/10 74% Lùi 4/10 5/10 5/10 5/10 8/10 54% Trái 3/10 6/10 5/10 6/10 6/10 52% Phải 2/10 4/10 6/10 5/10 7/10 48% Dừng 3/10 6/10 5/10 6/10 8/10 56% Tồn bợ 36% 56% 58% 58% 76%
98 Nhận xét:
- Người điều khiển thứ 1: do bị thiểu năng, nên dùng sóng não để điều khiển cử chỉ của mắt bị hạn chế, kết quả đạt 36%.
- Người điều khiển thứ 2 đến thứ 4: chưa quen việc dùng sóng não để điều khiển cử chỉ của mắt và chưa có tập dữ liệu mẫu để huấn luyện mạng nơ rôn, nên kết quả đạt 56% - 58%.
- Người điều khiển thứ 5: có tập dữ liệu mẫu để huấn luyện mạng nơ rôn, nên kết quả đạt khả quan hơn 76%.
4.5 Kết luận
Từ tín hiệu EEG thơ có thể phân tích được những đặc trưng trong miền tần số (FFT) và trong miền thời gian (IFFT), từ các đặc trưng này được đưa vào bộ phân loại sử dụng mơ hình mạng nơ rơn network, sử dụng mạng truyền thẳng MLP bước đầu thực hiện được mục tiêu phân loại dữ liệu EEG cho 5 cử chỉ hành động: “mở mắt, nhắm mắt, chớp mắt 1 lần/giây, chớp mắt >1 lần/giây, nhìn lên” để đưa ra các lệnh điều khiển cho xe lăn điện (tới, rẽ trái, rẽ phải, dừng). Tuy nhiên đề tài cũng còn nhiều hạn chế cần được khắc phục trong các nghiên cứu tương lai như: tín hiệu phân loại được cịn ít và chủ yếu nhờ vào các kích thích từ mắt, do thiết bị chỉ có 1 cặp cảm biến và vị trí của cảm biến là cố định nên khơng thể thu được tín hiệu từ các vùng não khác. Từ đó hạn chế khả năng phân loại, trong các nghiên cứu kế tiếp sẽ tập trung hơn vào vùng não sau (vùng não liên quan trực tiếp đến các tín hiệu thị giác) và sóng Mu liên quan trực tiếp đến các điều khiển hệ vận động.
99
KẾT LUẬN VÀ KIẾN NGHỊ
1. Kết quả đạt được
Trích xuất được 9 đặc trưng của 5 cử chỉ hành động: “mở mắt, nhắm mắt, chớp mắt 1 lần/giây, chớp mắt >1 lần/giây, nhìn lên” dựa trên biến đổi Fourier (FFT, IFFT).
Sử dụng mạng nơ rơn truyền thẳng MLP phân loại được 5 tín hiệu điều khiển cho 5 cử chỉ hành động: “mở mắt, nhắm mắt, chớp mắt 1 lần/giây, chớp mắt >1 lần/giây, nhìn lên”.
Điều khiển xe lăn điện di chuyển (tới, lùi, trái, phải, dừng) dựa vào 3 tín hiệu điều khiển của 3 cử chỉ hành động: “nhắm mắt, chớp mắt >1 lần/giây, nhìn lên”.
Sử dụng cảm biến siêu trước và sau xe lăn điện để phát hiện và tránh vật cản khoảng cách 2 mét.
Điều khiển được tăng tốc độ và giảm tốc độ của xe lăn điện bằng phương pháp PWM.
Lắp ráp được xe lăn điện từ xe lăn thường. Hạn chế:
Mặc dù phân loại được dữ liệu EEG cho 5 cử chỉ hành động: “mở mắt, nhắm mắt, chớp mắt 1 lần/giây, chớp mắt >1 lần/giây, nhìn lên”; nhưng chỉ sử dụng được 3 cử chỉ hành động: “nhắm mắt, chớp mắt >1 lần/giây, nhìn lên” để điều khiển xe lăn điện di chuyển (tới, lùi, trái, phải, dừng); cử chỉ hành động: “nhắm mắt” điều khiển cho xe lăn dừng, cịn 2 cử chỉ hành đợng: “chớp mắt >1 lần/giây, nhìn lên” phải tổ hợp thành 4 tín hiệu điều khiển xe lăn điện di chuyển (tới, lùi, trái, phải). Như vậy, muốn điều khiển cho xe lăn di chuyển phải tập trung vào 2 cử chỉ hành động làm mất thời gian ít nhất 4 giây gây mức đợ khó cho người điều khiển, do thiết bị chỉ có 1 cặp cảm biến và vị trí của cảm biến là cố định chỉ thu được sóng não của tập trung
100
và thiền nên khơng thể thu được tín hiệu từ các vùng não khác, chủ yếu nhờ vào các kích thích từ mắt gây ra mõi mắt cho người điều khiển.
Xe lăn điện chỉ lắp 1 cảm biến trước và 1 cảm biến sau, nên xe di chuyển tới hoặc lùi thì phát hiện vật cản dễ dàng; còn xe rẽ trái hoặc rẽ phải, nếu có vật cản bên hơng xe thì khơng phát hiện được.
Sử dụng xe lăn thường có bán sẳn ngồi thị trường, khung xe được làm từ chất liệu nhôm nên không thể hàn thêm khung sắt vào được mà phải gắn các thiết bị như: motor, bình accquy, bánh xích lên xe lăn bằng ốc vít nên chỉ điều khiển cho xe lăn điện chạy không tải (không ngồi trên xe lăn).
2. Hướng phát triển đề tài
Sử dụng cảm biến EEG đo được nhiều điểm, cụ thể ở các vùng não sau để thu được sóng Mu liên quan trực tiếp đến các điều khiển hệ vận đợng.
Nghiên cứu thêm các phương pháp trích xuất đặc trưng và phương pháp phân loại khác để thêm được nhiều đặc trưng mới và phân loại chính xác hơn.
Chế tạo hồn chỉnh xe lăn điện, chứ khơng lắp ghép từ xe lăn thường.
Sử dụng thêm các cảm biến bên hơng xe lăn với góc quét rộng để tránh được tất cả các vật cản. Kết hợp thêm camera nhận dạng mắt để tránh trường hợp nhiễu do cử động mắt gây ra.
Định vị được xe lăn và cảnh báo dung lượng bình accquy để di chuyển xe lăn đến vị trí sạc tự đợng.
101
DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA HỌC VIÊN
[1]. Phạm Văn Hữu Thiện, Nguyễn Ngọc Sơn. “Điều khiển xe lăn điện thơng minh qua sóng não,” trình bày tại Hội nghị khoa học trẻ lần thứ 2, Trường Đại học Công
102
TÀI LIỆU THAM KHẢO
[1]. Erik Andreas Larsen. “Classification of EEG Signals in a Brain Computer Interface System,” NTNU.
[2]. C. Mandel et al. “Navigating aSmart Wheelchair with a Brain-Computer
Interface Interpreting SteadyState Visual Evoked Potentials,” IEEE/RSJ International Conference on Intelligent Robots and Systems. Pp. 1118–1125,
2009.
[3]. K. Ullah et al. “Low-Cost Single-Channel EEG Based Communication System
for People with Lock-in Syndrome,” 2011.
[4]. M.H. Jali et al. “Comparative Study of EMG based Joint Torque Estimation
ANN Models for Arm Rehabilitation Device,” International Journal of Applied Engineering Research. Vol. 9 (10), pp. 1289 - 1301, 2014.
[5]. Lindsay M. Oberman et al. “The human mirror neuron system: A link between action observation and social skills,” SCAN. Vol. 2, pp. 62-66, Apr.2007.
[6]. B. Shin et al. “Non-invasive brain signal interface for a wheelchair navigation,”
International Conference on Control, Automation and Systems 2010. Pp.
2257–2260, 2010.
[7]. K. K. Ang et al. “A clinical evaluation on the spatial patterns of non-invasive
motor imagery-based brain-computer interface in stroke,” in 30th Annual International IEEE EMBS Conference. Pp. 4174–4177, Jan. 2008.
[8]. Rușanu, O. et al. “LabVIEW and Android BCI Chat App Controlled By
Voluntary Eye-Blinks Using NeuroSky Mindwave Mobile EEG Headset,”
in 2020 International Conference on e-Health and Bioengineering (EHB), pp.
103
[9]. Schalk, G. et al. “BCI2000: a general-purpose brain-computer interface (BCI)
system,” IEEE Transactions on biomedical engineering. Vol. 51, no. 6, pp. 1034-1043, 2004.
[10]. Allison et al. “Brain–computer interface systems: progress and
prospects,” Expert review of medical devices. Vol. 4, no. 4, pp. 463-474, 2007.
[11]. Schalk, G. “BCI2000: a general-purpose brain-computer interface (BCI) system,” IEEE Transactions on biomedical engineering. Vol. 51, no. 6, pp. 1034-1043,2004.
[12]. Wadekar, R. S. et al. “Development of LabVIEW platform for EEG signal
analysis, ” in 2017 International Conference on Intelligent Computing and
Control (I2C2), pp. 1-5, 06/2017.
[13]. Zhi-Hao, W. et al. “Controlling DC motor using eye blink signals based on
LabVIEW,” in 2017 5th International Conference on Electrical, Electronics
and Information Engineering (ICEEIE), pp. 61-65, 2017.
[14]. Krusienski, D. J. “A comparison of classification techniques for the P300 Speller,” Journal of neural engineering. Vol. 3, no. 4, p. 299, 2006.
[15]. Sellers, E. W. and Donchin, E. “A P300-based brain–computer interface: initial tests by ALS patients,” Clinical neurophysiology. Vol. 117, no. 3, pp. 538-548, 2006.
[16]. Krusienski, D. J. and Shih, J. J. “Control of a visual keyboard using an electrocorticographic brain–computer interface,” Neurorehabilitation and
neural repair. Vol. 25, no. 4, pp. 323-331, 2011.
[17]. Vasavi, K. P. et al. “A Mind Operated Computer Mouse Using Discrete
Wavelet Transforms for Elderly People with Multiple Disabilities,” Procedia
104
[18]. Rainer Spehlmann and Bruce J. Fisch. Fisch and Spehlmann's EEG primer.:
Elsevier, 1999.
[19]. William O.T. et al. Handbook of EEG interpretation. Demos, 2008.
[20]. Saeid Sanei J.A. EEG Signal Processing. John Wiley&Son, 2007.
[21]. M. Teplan. "Fundamentals of EEG measurement," Measurement Science. Vol. 2, Section 2, 2002.
[22]. Sałabun, W. “ Processing and spectral analysis of the raw EEG signal from the MindWave,” Przeglad Elektrotechniczny. Vol. 90, no. 2, pp. 169-174, 2014.
[23]. Cooley, J. W. et al. “The fast fourier transform and its applications,” IEEE Transactions on Education. Vol. 12, no. 1, pp. 27-34, 1969.
[24]. Rahul, Y. and Sharma, R. K. “ EEG signal-based movement control for mobile robots,” Current science. Vol. 116, no. 12, 1993.
[25]. A. T. Tzallas et al. “Automatic seizure detection based on time-frequency
analysis and artificial neural networks,” Computational Intelligence and Neuroscience. Vol. 2007, 2007.
[26]. Hamid R Mohseni et al. “Automatc Detection of Epileptic Seizure using
TimeFrequency Distributions,” in Advances in Medical, Signal and Information Processing, 2006. MEDSIP 2006. IET 3rd International Conference On, Glasgow, 2007.
[27]. Wang, S. C. “ Artificial neural network,” in Interdisciplinary computing in
java programming. Springer, Boston, MA, pp. 81-100, 2003.
[28]. Nurettin Acir et al. “Automatic Detection of Epileptiform Events in EEG by a Three-Stage Procedure Based on Artificial Neural Networks,” IEEE Transactions on Biomedical Engineering. Vol. 52, pp. 30-40, 2005.
105
[29]. W.R.S. Webber et al. “An approach to seizure detection using an artificial
neural network (ANN),” Electroencephalography and Clinical Neurophysiology. Vol. 98, pp. 250-272, 1996.
[30]. A. J. Gabor et al. “Automated seizure detection using a self-organizing neural network,” Electroencephalography and Clinical Neurophysiology. Vol. 99,
pp. 257-266, 1996.
[31]. Christopher J.James et al. “Detection of epileptiform discharges in the EEG by a hybrid system comprising mimetic, self-organized artificial neural network, and fuzzy logic stages,” Clinical Neurophysiology. Vol. 110, pp. 2049-2063,
1999.
[32]. Youmed. “Các thùy trên vỏ não.” Internet: https://youmed.vn/tin-tuc/thuy- tran-cau-truc-giai-phau-va-chuc-nang/, 15/11/2020.
[33]. Suretest. “Các giai đoạn đáp ứng kích thích của tế bào thần kinh.” Internet: https://suretest.vn/cung-co/bai-29-dien-the-hoat-dong-va-su-lan-truyen-xung- than-kinh-7587.html, 16/11/2020.
[34]. Vi.Wikipedia. “Cấu trúc của một tế bào thần kinh.” Internet: https://vi.wikipedia.org/wiki/N%C6%A1ron, 17/11/2020.
[35]. Hiv.thuathienhue. “Kết nối giữa các tế bào thần kinh.” Internet: https://hiv.thuathienhue.gov.vn/DichVu/ThongTin/CapNhat/prints.aspx?tini=1 261, 18/11/2020.
[36]. Viblo.asia. “Các sóng cơ bản của EEG.” Internet: https://viblo.asia/p/machine- learning-su-dung-song-nao-eeg-de-nhan-biet-va-kiem-soat-giac-ngu-cua-con- nguoi-1VgZvXOr5Aw, 19/11/2020.
[37]. Slideserve. “Sóng mu.” Internet: https://www.slideserve.com/brooke/eeg, 20/11/2020.
106
[38]. Hahoangkiem. “Các vị trí điện cực theo tiêu chuẩn 10-20.” Internet: http://hahoangkiem.com/can-lam-sang/dien-nao-do-co-ban-1474.html,
20/11/2020.
[39]. Neurosky. “Cảm biến MindWave Mobile 2.” Internet: http://neurosky.com/2018/06/mindwave-mobile-2-available-now-improved- comfort/, 21/11/2020.
[40]. Giản Quốc Anh (2010). “Co giật động kinh và nhận biết co giật động kinh điện não”, Trường Đại học Công Nghệ, Đại học Quốc Gia Hà Nội.
107
PHỤ LỤC
1. Chi tiết đặc tính kỹ thuật các thiết bị 1.1 Bo điều khiển Arduino nano 1.1 Bo điều khiển Arduino nano
Arduino Nano là một bảng vi điều khiển thân thiện, nhỏ gọn, đầy đủ. Arduino Nano nặng khoảng 7g với kích thước từ 1,8cm - 4,5cm. Arduino Nano được tích hợp vi điều khiển ATmega328P, giống như Arduino Uno. Sự khác biệt chính giữa chúng là bảng Uno có dạng PDIP (Plastic Dual-In-line Package) với 30 chân cịn Nano có sẵn trong TQFP (plastic quad flat pack) với 32 chân. Trong khi Uno có 6 cổng ADC thì Nano có 8 cổng ADC. Bảng Nano khơng có giắc nguồn DC như các bo mạch Arduino khác, mà thay vào đó có cổng mini-USB. Cổng này được sử dụng cho cả việc lập trình và bợ giám sát nối tiếp. Tính năng hấp dẫn của Arduino Nano là nó sẽ chọn cơng x́t lớn nhất với hiệu điện thế của nó.
108 Đặc điểm kỹ thuật Arduino Nano:
Arduino Nano Thông số kỹ thuật
Số chân analog I/O 8
Cấu trúc AVR
Tốc đợ xung 16 MHz
Dịng tiêu thụ I/O 40mA
Số chân Digital I/O 22
Bộ nhớ EEPROM 1 KB
Bộ nhớ Flash 32 KB of which 2 KB used by Bootloader Điện áp ngõ vào (7-12) Volts
Vi điều khiển ATmega328P
Điện áp hoạt đợng 5V
Kích thước bo mạch 18 x 45 mm
Nguồn tiêu thụ 19mA
Ngõ ra PWM 6
SRAM 2KB
109 Sơ đồ chân
110 Chức năng của các chân Arduino Nano
Thứ tự chân Tên Pin Kiểu Chức năng
1 D1 / TX I / O Ngõ vào/ra số, chân TX: truyền dữ liệu 2 D0 / RX I / O Ngõ vào/ra số, chân Rx: nhận dữ liệu 3 RESET Đầu vào Chân reset, hoạt động ở mức thấp
4 GND Nguồn Chân nối mass
5 D2 I / O Ngõ vào/ra digital 6 D3 I / O Ngõ vào/ra digital 7 D4 I / O Ngõ vào/ra digital 8 D5 I / O Ngõ vào/ra digital 9 D6 I / O Ngõ vào/ra digital 10 D7 I / O Ngõ vào/ra digital 11 D8 I / O Ngõ vào/ra digital 12 D9 I / O Ngõ vào/ra digital 13 D10 I / O Ngõ vào/ra digital 14 D11 I / O Ngõ vào/ra digital 15 D12 I / O Ngõ vào/ra digital 16 D13 I / O Ngõ vào/ra digital 17 3V3 Đầu ra Đầu ra 3.3V (từ FTDI) 18 AREF Đầu vào Tham chiếu ADC
19 A0 Đầu vào Kênh đầu vào tương tự kênh 0 20 A1 Đầu vào Kênh đầu vào tương tự kênh 1 21 A2 Đầu vào Kênh đầu vào tương tự kênh 2 22 A3 Đầu vào Kênh đầu vào tương tự kênh 3 23 A4 Đầu vào Kênh đầu vào tương tự kênh 4 24 A5 Đầu vào Kênh đầu vào tương tự kênh 5 25 A6 Đầu vào Kênh đầu vào tương tự kênh 6