Luận văn giới thiệu chuyên ngành vật lý tin học Đại học khoa học tự nhiên- Đại học Quốc gia tp.hcm

Báo cáo lĩnh vực liên quan đến mô phỏng, tính toán các hiệu ứng, hiện tượng vật lý, về các hệ thống điều khiển, mạng máy tính và các ứng dụng kỹ thuật của máy tính, ghép nối các thiết bị đo với máy tính …

ĐẠI HỌC QUỐC GIA TP.HỒ CHÍ MINHTRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

GIỚI THIỆU CHUYÊN NGÀNH VẬT LÝ TIN HỌCĐỒ ÁN PHÂN LOẠI TÍN HIỆU ĐIỆN NÃO ĐỒ BẰNG CÁC

Nhóm thực hiện: Nhóm 06 – Yêu Lý Mến TinLớp: 23CVD1

GV hướng dẫn: Cô Nguyễn Thị Như Quỳnh

-ĐẠI HỌC QUỐC GIA TP.HỒ CHÍ MINHTRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

GIỚI THIỆU CHUYÊN NGÀNH VẬT LÝ TIN HỌCĐỒ ÁN PHÂN LOẠI TÍN HIỆU ĐIỆN NÃO ĐỒ BẰNG CÁC

Nhóm thực hiện: Nhóm 06 – Yêu Lý Mến TinLớp: 23CVD1

GVHD: Cô Nguyễn Thị Như Quỳnh

-Lời Cảm Ơn

Nhóm 6 xin gửi lời cảm ơn chân thành đến Thầy\Cô và các bạn đã quan tâm và theo dõi bài báo cáo môn học tìm hiểu về đo điện não _ EEG.

Trong quá trình thực hiện bài báo cáo, nhóm 6 đã được học hỏi rất nhiều kiến thức về đo điện não, từ nguyên lý hoạt động, các loại điện cực, các loại máy đo điện não, cho đến các ứng dụng của đo điện não trong y học Thành viên trong nhóm cũng đã có cơ hội được thực hành đo điện não trên máy đo điện não Emotiv Epoc + 14 kênh.

Nhóm 6 hy vọng bài báo cáo sẽ giúp các bạn sinh viên có thêm thông tin kiến thức về đo điện não, một phương pháp chẩn đoán và nghiên cứu thần kinh quan trọng.

Xin chân thành cảm ơn Cô Nguyễn Thị Như Quỳnh đã giảng dạy tận tình, cung cấp cho nhóm 6 những kiến thức và kỹ năng cần thiết để thực hiện bài báo cáo này

Chương 1 GIỚI THIỆU VỀ CHUYÊN NGÀNH VẬT LÝ TIN HỌC 2

1.1 Giới thiệu về Bộ môn Vật lý tin học 2

1.2 Giới thiệu về nhân sự Bộ môn Vật lý tin học 3

1.3 Giới thiệu về Chương trình đào tạo giai đoạn chuyên ngành 6

1.3.1 Các hướng nghiên cứu (làm khóa luận tốt nghiệp) 6

1.4 Cơ hội việc làm 10

Chương 2 NỘI DUNG NGHIÊN CỨU 11

2.1 Giới thiệu về nội dung nghiên cứu 11

2.1.1 Điện não đồ 11

2.2.2 Biến đổi Wavelet rời rạc 12

Mô tả quá trình DWT vào quá trình phân tích tín hiệu trong EEG 14

Ứng dụng thực tiễn của DWT 14

2.2.3 Bộ dữ liệu Data 16

2.2.4 Giới thiệu thiết bị đo tín hiệu điện não đồ NHÓM 6 sử dụng trong thực nghiệm đồ án 18

2.2.3 Classification Learner App 19

2.2.4 Các thuật toán phân loại 23

2.2.5 Train - Test – Validation 30

2.3 Thực nghiệm/Các bước nghiên cứu 32

2.4 Thảo luận, phân tích và đánh giá kết quả 33

KẾT LUẬN 38

Kết quả đạt được 38

Đề xuất hướng phát triển 38

Phụ lục 43

Bảng các từ viết tắt

Acoustic Echo Cancellation Loại bỏ tiếng vọng AEC

-Artificial Intelligence Trí tuệ nhân tạo AI

-Bilayered Neural Network Mạng nơ-ron có hai lớp ẩn

-Bootstrap Aggregation Tổng hợp Bootstrap -Computed Tomography Chụp quét cắt lớp điện toán CT Continuous Fourier

-Discrete Fourier Transform Biến đổi Fourier rời rạc DFT Discrete Wavelet Transform Biến đổi Wavelet rời rạc DWT

Electroencephalogram Kỹ thuật đo điện não đồ EEG

Ensemble Kỹ thuật kết hợp nhiều mô hình dự đoán -Fast Fourier Transform Biến đổi Fourier nhanh FFT

-Information Technology Công nghệ thông tin IT

-Magnetic Resonance Imaging Chụp cộng hưởng từ MRI

-Tomography Ảnh chụp cắt lớp -Trilayered Neural Network Mạng nơ-ron có ba lớp ẩn -Variable importance Tầm quan trọng của biến

-Danh sách các hìn

Hình 1.1 Minh Hoạ Bộ môn Vật lý Tin học 2

Hình 1.2 Minh hoạ xử lý ảnh y khoa 6

Hình 1.3 Minh hoạ phân loại và nhận diện các tín hiệu điện 7

Hình 1.4 Minh hoạ (ANC), (AEC), nhiễu âm 7

Hình 1.5 Minh hoạ Thu thập dữ liệu, cảm biến 8

Hình 1.6 Minh hoạ Thiết kế vi mạch 8

Hình 1.7 Minh hoạ xây dựng thông minh, internet kết nối vạn vật (IoT) 8

Hình 1.8 Minh hoạ mô phỏng và mô hình 8

Hình 1.9 Minh hoạ thuật toán học sâu, học máy 9

Hình 1.10 Minh hoạ phân tích dữ liệu và ảo hóa dữ liệu 9

Hình 1.11 Minh hoạ Internet cáp quang tốc độ cao 9

Hình 1.12 Minh hoạ lập trình trên điện thoại di động 9

Danh sách các bảng

Bảng 1.1 Danh sách cán bộ của Bộ môn Vật lý tin học 3 Bảng 2.2 Các kết quả nghiên cứu thực nghiệm trên EMOIV EPOC + 14 KÊNH 33

Lời mở đầu

Đo Điện Não là phương pháp khám phá hoạt động não bộ thông qua việc ghi lại, phân tích các xung điện từ não người Nhóm 6 chọn đề tài này vì Đo Điện Não là công nghệ hiện đại, ứng dụng rộng rãi trong chẩn đoán các rối loạn thần kinh, tâm thần Việc tìm hiểu công nghệ này góp phần nâng cao hiểu biết về hoạt động não người.

Qua đề tài, nhóm 6 đã nghiên cứu cơ sở lý thuyết Đo Điện Não, thiết kế hệ thống thu thập và phân tích sóng não Các kết quả thí nghiệm cho thấy hệ thống hoạt động ổn định, lấy được các chỉ số sóng não chính xác.

Ứng dụng của công nghệ này là rất rộng rãi, từ chẩn đoán bệnh, nghiên cứu giấc ngủ đến phát triển các thiết bị điều khiển bằng sóng não

Nội dung đồ án được chia thành các phần như sau:

Chương 1: Giới thiệu về chuyên ngành Vật lý tin học Chương 2: Nội dung nghiên cứu

Qua quá trình nghiên cứu, nhóm 6 đã cơ bản về nguyên lý hoạt động của não bộ, cơ chế sinh ra các sóng điện và ý nghĩa của chúng

Kết quả là đã có một mô hình thử nghiệm ban đầu, cho phép ghi nhận và phân tích các sóng não alpha, beta, delta Mặc dù còn hạn chế về độ chính xác và số lượng sóng có thể phân biệt, nhưng đây có thể coi là bước đầu tiên của một hệ thống đo lường và giải mã hoạt động trên não người.

Chương 1 GIỚI THIỆU VỀ CHUYÊN NGÀNH VẬT LÝ TIN HỌC1.1 Giới thiệu về Bộ môn Vật lý Tin học

Bộ môn Vật lý Tin học thuộc Khoa Vật lý - Vật lý Kỹ thuật, Trường Đại học Khoa học

Tự nhiên, Đại học Quốc gia TPHCM được thành lập vào năm 1998.

Vật lý Tin học là ngành khoa học liên ngành kết hợp giữa Vật lý, điện tử và khoa học máy

tính Người học được đào tạo các kiến thức về khoa học cơ bản, Vật lý, điện tử, các phần mềm, các thuật toán máy tính, … để ứng dụng vào việc thiết kế hệ thống điện tử ứng dụng, phát triển các phần mềm ứng dụng và khoa học tính toán trên máy tính thông qua các cơ chế kết nối, vận hành và truyền thông dữ liệu.

Hình 1.1 Minh Hoạ Bộ môn Vật lý Tin học

1.2 Giới thiệu về nhân sự Bộ môn Vật lý tin học

Bộ môn Vật lý Tin học có 15 cán bộ bao gồm: 1 PGS, 5 TS, 6 NCS, 3 ThS.

Bảng 1.1 Danh sách cán bộ của Bộ môn Vật lý tin học

Phân loại tín hiệu điện não đồ (EEG); Nghiên cứu tín hiệu điện cơ (EMG);

Kiểm soát tiếng ồn (ANC); tiếng vọng âm thanh (AEC);

Thuật toán học máy, học sâu Pin năng lượng mặt trời.

Cường Giảng Viên

Từ học: Nghiên cứu lý thuyết hiệu ứng Spin Hall Nhiệt điện : Nghiên cứu tính chất nhiệt điện của

vật liệu bán dẫn

Quang học : Tính toán hệ số điện môi, exciton trong vật liệu 2 chiều.

Bán dẫn : Nghiên cứu các hệ defects trong vật

Từ học: Nghiên cứu lý thuyết hiệu ứng Spin Hall Nhiệt điện: Nghiên cứu tính chất nhiệt điện của

vật liệu bán dẫn.

Bán dẫn: Nghiên cứu các hệ defects trong vật liệu

Quốc Việt Giảng Viên

Phân loại tín hiệu điện não đồ (EEG);

Phân loại tín hiệu điện não đồ (EEG); Nghiên cứu tín hiệu điện cơ (EMG);

Kiểm soát tiếng ồn (ANC); tiếng vọng âm thanh (AEC);

Hình tượng hóa dữ liệu và phân tích dữ liệu lớn (Visualization and big data analysis)

LED chiếu sáng (LED lighting)

Tính chất quang vật liệu ZnO, TiO2,…ứng dụng

Thiết kế phổ phát quang bằng mô phỏng và thực nghiệm.

Công nghệ chống rò rỉ ánh sáng xanh cho LED ( anti-blue light leakage).

Công nghệ chống chói cho chiếu sáng Hiệu suất lượng tử của vật liệu phát quang

(YAG:Ce; doped -YAGG phosphor)

LED cực tím, LED phát bức xạ khả kiến, LED

Thuật toán máy học Thuật toán phân loại

Xử lý tín hiệu y - tin sinh học

Kỹ thuật đa truy cập phi trực giao (NOMA) Kỹ thuật phần tử phản xạ thông minh (IRS) Truyền song công (FD)

1.3 Giới thiệu về Chương trình đào tạo giai đoạn chuyên ngành

1.3.1 Các hướng nghiên cứu (làm khóa luận tốt nghiệp)Các hướng nghiên cứu Bộ môn Vật lý Tin học:

Xử lý ảnh y khoa

 Phân tích hình ảnh y khoa để trích xuất thông tin hữu ích như phát hiện bệnh, đo kích thước, phân tích cấu trúc nội tạng

 Máy học trong xử lý ảnh y khoa: sử dụng các thuật toán học sâu để hỗ trợ các nhiệm vụ xử lý và phân tích ảnh y khoa.

 Xây dựng mô hình 3D cơ quan nội tạng dựa trên hình ảnh y khoa 3D để hiểu rõ hơn về tình trạng bệnh lý.

 Tái tạo và kết xuất 3D: xây dựng lại mô hình 3D của cấu trúc giải phẫu từ hình ảnh y khoa để mô phỏng và hỗ trợ can thiệp.

 Ảnh chụp cắt lớp (Tomography): sử dụng kỹ thuật tomography như CT (Computed Tomography) hoặc MRI (Magnetic Resonance Imaging) để tạo ra hình ảnh 3D của cơ thể, giúp chẩn đoán và theo dõi các bệnh lý.

 Phát triển công cụ y tế dựa trên ảnh: xây dựng các ứng dụng và công cụ dựa trên hình ảnh y khoa, như phần mềm hỗ trợ quyết định lâm sàng, ứng dụng di động cho bác sĩ, hoặc hệ thống quản lý hình ảnh y khoa.

Phân loại, nhận diện các tín hiệu điện não (EEG), điện cơ (EMG), điện tim(ECG)

Phát triển các thuật toán máy học cho phân loại tín hiệu y khoa: nghiên cứu về việc sử dụng học máy và trí tuệ nhân tạo để xây dựng các thuật toán và mô hình máy tính để phân loại các tín hiệu EEG, EMG và ECG

Kết hợp nhiều loại tín hiệu y khoa: nghiên cứu về cách kết hợp thông tin từ nhiều loại tín hiệu y khoa khác nhau để cải thiện độ chính xác trong phân loại và nhận diện.

Xử lý tín hiệu thời gian thực: xử lý và phân loại tín hiệu y tế trong thời gian thực, có thể được áp dụng trong các ứng dụng theo dõi bệnh nhân trong thời gian thực hoặc trong phẫu thuật.

Bảo mật và quản lý dữ liệu y tế: đảm bảo tính bảo mật và quyền riêng tư của dữ liệu y tế là một khía cạnh quan trọng trong nghiên cứu này, đặc biệt khi xử lý dữ liệu cá nhân của bệnh nhân.

Hình 1.2 Minh hoạ xử lý ảnh y khoa

Kiểm soát tiếng ồn (ANC), tiếng vọng (AEC), nhiễu âm thanh

 Phát triển công nghệ ANC (Active Noise Control): cải tiến các hệ thống ANC, sử dụng cảm biến và thuật toán để giảm tiếng ồn xung quanh môi trường

 AEC (Acoustic Echo Cancellation): nghiên cứu về cách loại bỏ tiếng vọng (echo) trong các hệ thống truyền tải âm thanh hoặc video gặp phải trong các cuộc gọi điện thoại, họp trực tuyến, hoặc videoconference.

 Hệ thống phát hiện và phân loại các loại tiếng ồn và nhiễu âm thanh không mong muốn, và sau đó áp dụng các biện pháp xử lý hoặc kiểm soát để loại bỏ chúng

 Quản lý nhiễu âm thanh trong xử lý tín hiệu: loại bỏ nhiễu âm thanh trong tín hiệu âm thanh, đặc biệt trong các ứng dụng như xử lý giọng nói, nhận dạng giọng nói, hoặc xử lý tín hiệu âm nhạc.

 Nghiên cứu phát triển các thiết bị và công nghệ ANC/AEC: mới để kiểm soát tiếng ồn, tiếng vọng, và nhiễu âm thanh.

Nhóm Điện Tử, Vi Mạch Và Hệ Thống Nhúng Iot

 Thu thập dữ liệu, cảm biến, đo lường và điều khiển, hiển thị: cảm biến y tế và sức khỏe, cảm biến trong ngành nông nghiệp, hiển thị dữ liệu và tương tác người-máy,…

Hình 1.3 Minh hoạ phân loại và nhận diện các tín hiệu điện

Hình 1.4 Minh hoạ (ANC), (AEC), nhiễu âm

 Thiết kế vi mạch số và hệ thống nhúng: thiết kế vi mạch số chất lượng cao, mạng nơ-ron nhúng (Embedded Neural Networks), hệ thống xử lý tín hiệu số,…

 Các giải pháp xây dựng hệ thống thông minh, internet kết nối vạn vật (IOT): bảo mật iot, ứng dụng trong quản lý năng lượng và môi trường, mạng IOT,…

Nhóm Các Mô Hình, Dữ Liệu Và Trí Tuệ Nhân Tạo (AI)

 Mô phỏng và mô hình hóa: mô hình hóa dự đoán thời tiết, mô phỏng và mô hình hóa trong ngành công nghiệp, mô hình hóa trong y tế và dược phẩm,…

 Trí tuệ nhân tạo (AI), mạng nơ-ron, thuật toán học sâu, học máy.

Hình 1.5 Minh hoạ Thu thập dữ liệu, cảm biến

Hình 1.6 Minh hoạ Thiết kế vi mạch

Hình 1.7 Minh hoạ xây dựng thông minh,internet kết nối vạn vật (IoT)

Hình 1.8 Minh hoạ mô phỏng và mô hình

 Các mô hình ảo hóa, Big Data, Data Science, …

Nhóm Information Technology

 Mạng máy tính: Mạng không dây và di động, mạng máy tính vùng rộng (WAN) và mạng máy tính cục bộ (LAN), mạng máy tính vận tải, bảo mật mạng,

 Lập trình trên điện thoại di động: phát triển ứng dụng di động đa nền tảng, xây dựng ứng dụng di động cho thị trường doanh nghiệp, ứng dụng di động cho giáo dục,…

 Phát triển ứng dụng Web: phát triển các ứng dụng web trong lĩnh vực vật lý và điện tử, các ứng dụng phát triển phần mềm, các ứng dụng học máy,

1.4 Cơ hội việc làm

Cử nhân Công nghệ vật lý điện tử và tin học có thể công tác ở những lĩnh vực sau:

 Làm việc tại các công ty nước ngoài liên quan đến lĩnh vực công nghệ chế tạo bán dẫn, vi mạch điện tử, các công ty phần mềm như Intel, Robert Bosch, Samsung,

Hình 1.9 Minh hoạ thuật toán học sâu, học máy

Hình 1.10 Minh hoạ phân tích dữ liệu và ảo hóa dữ liệu

Hình 1.11 Minh hoạ Internet cáp quang tốc độ cao

Hình 1.12 Minh hoạ lập trình trên điện thoại di động

Hình 1.13 Minh hoạ phát triển ứng dụng Web

FPT, Viettel, VNPT, Mitsuba, Ryomo, Renesas, Sony, Olympus, Arrive Technologies, On Semiconductors, Ascenx Technologies, Bureau Veritas,…

 Giảng dạy và nghiên cứu tại các trường đại học trong nước và quốc tế.

 Làm việc và nghiên cứu trong các phòng thí nghiệm của các trường Đại học, các viện nghiên cứu trên toàn quốc.

 Làm trong các công ty thuộc các lĩnh vực công nghệ nano, màng mỏng, quang – quang phổ, trung tâm khoa học vật liệu, các trung tâm phân tích, Phòng Thí Nghiệm Công Nghệ Nano ĐHQG TP.HCM, Khu Công nghệ cao TP HCM,…

 Làm việc ở Sở khoa học & Công nghệ, bệnh viện và các cơ sở y khoa, công ty, khu chế xuất,…

 Tiếp tục học sau đại học tại các nước phát triển cũng như trong nước theo chương trình học bổng của Đại Học Quốc Gia và các chương trình học bổng quốc tế.

 Tự lập các dự án khởi nghiệp về lĩnh vực công nghệ kỹ thuật.

Hình 2.1 Minh hoạ đo điện não EEG

Chương 2 NỘI DUNG NGHIÊN CỨU 2.1 Giới thiệu về nội dung nghiên cứu

2.1.1 Điện não đồ

Điện não đồ có tên tiếng Anh là Electroencephalogram (viết tắt EEG) , đây là một kỹ thuật không xâm lấn cho phép đo hoạt động điện của não bộ Nó dựa trên nguyên lý ghi lại các xung điện sinh ra từ hoạt động của các tế bào thần kinh (neuron) trong não.

Trong nghiên cứu EEG, các điện cực (electrodes) được đặt trên da đầu để ghi lại tín hiệu điện từ vỏ não Những tín hiệu này sau đó được khuếch đại và hiển thị dưới dạng sóng não trên màn hình máy tính.

Phân loại sóng EEG

EEG được chia thành 5 loại sóng cơ bản, mỗi loại có tần số và biên độ đặc trưng: Sóng Delta (0.5-3 Hz): sóng chậm, liên quan đến giấc ngủ sâu.

Sóng Theta (4-7 Hz): sóng chậm, liên quan đến trạng thái thư giãn, mơ màng.

Sóng Alpha (8-13 Hz): sóng trung bình, liên quan đến trạng thái thức tỉnh, tập trung Sóng Beta (14-30 Hz): sóng nhanh, liên quan đến trạng thái thức tỉnh, tập trung cao độ Sóng Gamma (30-100 Hz): sóng rất nhanh, liên quan đến xử lý thông tin, nhận thức.

Phân tích sóng não EEG cho phép nghiên cứu về:

Hoạt động của não trong các trạng thái khác nhau: tỉnh, ngủ, thiền, Các rối loạn về thần kinh/tâm thần: động kinh, mất ngủ, tự kỷ,

Đáp ứng của não với các kích thích bên ngoài: âm thanh, hình ảnh, đau, Nghiên cứu về nhận thức: chú ý, ghi nhớ, ra quyết định,

2.2.2 Biến đổi Wavelet rời rạc

Biến đổi Wavelet rời rạc có tên tiếng Anh Discrete Wavelet Transform (viết tắt DWT) là một công cụ toán học dùng để xử lý tín hiệu, nén dữ liệu và phân tích ảnh, biến đổi một tín hiệu thành một tập hợp các hệ số sóng con, đặc trưng của mỗi tín hiệu được biểu diễn ở các tỷ lệ khác nhau.

DWT có nhiều dạng khác nhau, tùy vào việc lựa chọn các hàm cơ sở Các hàm cơ sở thường bao gồm hai loại: hàm tỷ lệ (scaling function) và hàm sóng con (wavelet function) Hàm tỷ lệ giúp xấp xỉ tín hiệu ở các tỷ lệ thô, còn hàm sóng con giúp phát hiện các chi tiết ở các tỷ lệ Các hàm cơ sở này phải thỏa mãn một số tính chất, như trực giao (orthogonal) hoặc song trực giao (biorthogonal).

Tính chất trực giao (orthogonal) hoặc song trực giao (biorthogonal) của các hàm cơ sở là rất quan trọng để đảm bảo khả năng tái tạo tín hiệu một cách chính xác từ các hệ số DWT Nếu hệ cơ sở là trực giao, nó có nghĩa là các hàm tỷ lệ và sóng con là trực giao với nhau, điều này giúp đảm bảo rằng không có thông tin nào bị mất trong quá trình biến đổi, làm cho việc lặp lại các bước của biến đổi DWT trở nên dễ dàng và có thể đảm bảo tính chất của một hệ cơ sở ortonormal, giúp tái tạo tín hiệu một cách chính xác và hiệu quả Tính chất này là quan trọng trong các ứng dụng như nén dữ liệu và phục hồi tín hiệu.

Hình 2.2 Minh họa cho tín hiệu 1 chiều

Một số dạng DWT phổ biến là:

DWT của Daubechies: là một tập hợp các DWT được đề xuất bởi nhà toán học Bỉ Ingrid Daubechies vào năm 1988 DWT này dựa trên việc sử dụng các phương trình đệ quy để tạo ra các mẫu rời rạc ngày càng chính xác của một hàm sóng con, mỗi tỷ lệ có độ phân giải gấp đôi tỷ lệ trước đó Trong bài báo cáo khoa học ông Daubechies đã suy ra một tập hợp các hàm sóng con, trong đó hàm sóng con đầu tiên là hàm sóng con của Haar Kể từ thời điểm đó lĩnh vực này đã phát triển nhanh chóng và nhiều biến thể của các hàm sóng con gốc của Daubechies đã được phát triển.

Hàm cơ sở Symlet (Symmetric orthogonal wavelet) được giới thiệu bởi Donoho và Johnstone vào năm 1995, là một loại hàm sóng con được sử dụng trong biến đổi Wavelet rời rạc (DWT) Hàm cơ sở Symlet được thiết kế để cân bằng giữa tính chất trực giao và tính chất trực giác (symmetry) Mục tiêu của Symlet là giảm độ lệch (skewness) của hàm sóng con.

Để làm rõ những ưu điểm biến đổi Wavelet rời rạc cần phải so sánh với biến đổiFourier

Trong phân tích Fourier, Biến đổi Fourier rời rạc (DFT) phân tách tín hiệu thành các hàm cơ sở hình sin có tần số khác nhau Không có thông tin nào bị mất trong quá trình chuyển đổi này; nói cách khác, chúng ta có thể khôi phục hoàn toàn tín hiệu gốc từ biểu diễn DFT (FFT) của nó.

Trong phân tích sóng con, biến đổi sóng con rời rạc (DWT) phân tách tín hiệu thành một tập hợp các hàm cơ sở sóng con trực giao lẫn nhau Những hàm này khác với các hàm cơ sở hình sin ở chỗ chúng được định dạng theo không gian, có nghĩa là khác không trên một phần của tổng độ dài tín hiệu Hơn nữa, các hàm sóng con là các phiên bản mở rộng, dịch chuyển và thu phóng của một hàm chung φ, được gọi là sóng mẹ Giống như trong phân tích Fourier, DWT là khả nghịch, vì vậy có thể phục hồi hoàn toàn tín hiệu ban đầu từ biểu diễn DWT của nó.

Không giống như DFT, DWT thực tế đề cập không chỉ đến một biến đổi đơn lẻ, mà thay vào đó là một tập hợp các biến đổi, mỗi biến đổi có một tập hợp các hàm cơ sở sóng con

khác nhau, trong đó có tập sóng con của Daubechies, Symlet đóng góp vào việc phân tách xử lý tín hiệu điện não đồ – EEG.

Mô tả quá trình DWT vào quá trình phân tích tín hiệu trong EEG.Phương pháp xử lý tín hiệu EEG

1 Tiền xử lý tín hiệu EEG: Loại bỏ nhiễu, lọc tín hiệu, chuẩn hóa, để chuẩn bị dữ liệu EEG sạch sẽ cho quá trình phân tích.

2 Chọn sóng mẹ phù hợp: Các lựa chọn phổ biến là sóng mẹ Daubechies, Coiflet, Symlet, tùy thuộc vào mục đích phân tích.

3 Phân tích đa tần số bằng DWT: Áp dụng thuật toán DWT để phân rã tín hiệu EEG thành các thành phần tần số khác nhau Các thành phần này tương ứng với các hoạt động não khác nhau.

4 Xử lý và phân tích các hệ số sóng con: Trích xuất các đặc trưng, tính toán năng lượng, biên độ, từ các hệ số sóng con để phân tích hoạt động não liên quan đến tín hiệu EEG.

5 Phân loại và giải thích kết quả: Sử dụng các thuật toán học máy phân loại trạng thái não khác nhau dựa trên các đặc trưng sóng con DWT đã trích xuất Giải thích các kết quả.

Ứng dụng thực tiễn của DWT

 Phân tích tần số đa cấp:

DWT cho phép phân tách tín hiệu EEG thành các thành phần tần số ở các mức biến đổi khác nhau Điều này giúp xác định sự biến đổi tần số của hoạt động não ở cả các tần số cao và thấp.

Hình 2.3 Quá trình chuyển đổi tín hiệu EEG thô thành hình ảnhtần số thời gian bằng DWT

 Trích xuất đặc trưng:

DWT được sử dụng để trích xuất đặc trưng quan trọng từ tín hiệu EEG Các hệ số chi tiết và xấp xỉ ở các mức biến đổi có thể mang thông tin về biến đổi tần số và đặc trưng của hoạt động não.

 Nén dữ liệu:

DWT có thể được sử dụng để nén dữ liệu EEG bằng cách giữ lại các thành phần tần số quan trọng và loại bỏ các thành phần không quan trọng Điều này giúp giảm kích thước của dữ liệu mà vẫn giữ được thông tin quan trọng.

 Phân loại trạng thái não:

DWT cung cấp thông tin về đặc trưng tần số và biến đổi của tín hiệu EEG, giúp trong quá trình phân loại các trạng thái não như giấc ngủ sâu, giấc ngủ nhẹ, và thức dậy  Phát hiện sự kiện và bất thường:

DWT có thể được sử dụng để phát hiện sự kiện đặc biệt trong tín hiệu EEG, chẳng hạn như cơn động kinh, bệnh Parkinson, bệnh tâm thần phân liệt các tình trạng như trầm cảm hay các biến đổi tần số không bình thường.

 Nghiên cứu lâm sàng và điều trị:

Trong nghiên cứu lâm sàng, DWT có thể giúp xác định và theo dõi các biến đổi tần số đặc trưng trong các tình trạng bệnh như rối loạn giấc ngủ, động kinh, và các bệnh lý khác liên quan đến hoạt động não.

 Phục hồi tín hiệu:

DWT có thể được sử dụng để phục hồi tín hiệu EEG sau quá trình nén dữ liệu hoặc truyền tải tín hiệu qua mạng, đảm bảo tính chính xác của thông tin tín hiệu.

 Hiểu biết về hoạt động não:

Bằng cách phân tách tín hiệu thành các thành phần tần số, DWT giúp cung cấp thông tin chi tiết về hoạt động não ở các mức biến đổi khác nhau, từ đó hỗ trợ trong việc hiểu rõ hơn về cơ chế hoạt động não.

2.2.3 Bộ dữ liệu Data

BD1: Cơ Sở Dữ Liệu Tham Khảo

- Nguồn: Phát triển bởi Coretto và đồng nghiệp.

- Thí nghiệm: 15 sinh viên Đại học Argentina nói tiếng Tây Ban Nha (7 nữ, 8 nam) trong

độ tuổi từ 24 đến 28.

- Nhiệm vụ: Các nhiệm vụ nghĩ tưởng về nói với năm nguyên âm (/a/, /e/, /i/, /o/, /u/) Giao thức Thử nghiệm:

- Người tham gia ngồi cách màn hình LCD một mét.

- Quy trình nhiệm vụ: Thông báo cảnh báo trong 2 giây, hiển thị nguyên âm trong 2 giây, liên tục tưởng tượng nguyên âm trong 4 giây và thông báo nghỉ trong 4 giây Lặp lại 40 lần cho mỗi nguyên âm.

Ghi âm EEG:

- Thiết bị Grass với 18 điện cực - Tần số lấy mẫu: 1024 Hz.

- Vị trí điện cực: F3, F4, C3, C5, P3 và P4.

BD2: Cơ Sở Dữ Liệu Mới

- Nguồn: Tạo ra đặc biệt cho nghiên cứu hiện tại.

- Thí nghiệm:50 sinh viên Đại học (20 nữ, 30 nam) nói tiếng Tây Ban Nha (tuổi trung bình: 24.76, độ lệch chuẩn: 7.66).

- Nhiệm vụ: Các nhiệm vụ nghĩ tưởng với cùng năm nguyên âm (/a/, /e/, /i/, /o/, /u/) - Đạo đức: Được phê duyệt bởi Ủy ban Đạo đức của Trường Y tại Đại học Quốc gia

Colombia Người tham gia đã đưa ra sự đồng ý bằng văn bản - Thiết lập Thử nghiệm:

- Thực hiện trong môi trường phòng thí nghiệm kiểm soát với ánh sáng cụ thể và tiếng ồn tối thiểu.

- EEG neuroheadset với 14 điện cực ở bán cầu trái, bao phủ khu vực ngôn ngữ, và hai điện cực tham chiếu trên trán.

- Vị trí điện cực dựa trên mô hình thần kinh của Hickok và Poeppel.

Quy trình nhiệm vụ: Tưởng tượng nguyên âm khi có nguồn sáng và nghỉ ngơi khi nó tắt Sáng trong 4 giây, tắt trong 3 giây Lặp lại 25 lần cho mỗi nguyên âm, với thời gian nghỉ 5 phút giữa các nguyên âm.

Ghi âm EEG:

 Bộ khuếch đại EMOTIV EPOC+ với 14 kênh  Tần số lấy mẫu: 128 Hz.

 Vị trí điện cực: AF3, F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8, AF4 Xử lý Dữ liệu:

 Dữ liệu được xuất ra Simulink của Matlab bằng phần mềm EpocSimulinkImporter  Tiền xử lý và xử lý tín hiệu bằng Matlab R2020a, Jupyter Notebook với Python 3.0

(TensorFlow và Keras cho một số mô hình) Phân tích Dữ liệu:

Phân tích thống kê được thực hiện bằng phần mềm Statistical Package for the Social Sciences (SPSS) phiên bản 25 (Armonk, NY, USA).

Thông tin này cung cấp một cái nhìn tổng quan chi tiết về cài đặt thí nghiệm, thu thập dữ liệu và phương pháp phân tích được sử dụng trong nghiên cứu.

2.2.4 Giới thiệu thiết bị đo tín hiệu điện não đồ NHÓM 6 sử dụng trong thựcnghiệm đồ án.

Thông tin EMOIV EPOC + 14 KÊNH

Giá bán niêm yết sản phẩm tại Web

Tai nghe được trang bị 14 kênh (AF3, F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8, AF4) EEG chất lượng cao, cung cấp khả năng theo dõi chính xác, chi tiết về hoạt động não.

2. Thiết kế linh hoạt:

Thiết kế nhẹ và thoải mái giúp người sử dụng dễ dàng sử dụng trong nhiều ứng dụng khác nhau, từ nghiên cứu khoa học đến giáo dục và giải trí.

3. Kết nối thuận tiện:

Hỗ trợ kết nối đa dạng với các thiết bị thông dụng qua cổng USB, Bluetooth năng lượng thấp, hoặc các giao thức khác, tạo ra sự linh hoạt trong quá trình sử dụng.

Chất liệu cảm biến: Miếng nỉ ngâm nước muối.

Cảm biến chuyển động đa hướng, tích hợp nhiều trục xoay giúp theo dõi chuyển động một cách chi tiết và đa chiều, cung cấp thông tin quan trọng về hoạt động não trong các tình

Độ phân giải: LSB = 0,51µV (chế độ 14 bit), 0,1275µV (chế độ 16 bit) Băng thông: 0,16 – 43Hz, bộ lọc notch kỹ thuật số ở 50Hz và 60Hz Lọc: Tích hợp bộ lọc Sinc bậc 5 kỹ thuật số

Mô tả

Độ Nhạy Cao: Cảm biến nhạy cảm giúp đo lường chuyển động một cách chính xác, từ những biểu hiện nhỏ đến những chuyển động lớn, tạo ra một hình ảnh đầy đủ về phản ứng não.

Tốc Độ Lấy Mẫu Cao: Với tốc độ lấy mẫu nhanh, tai nghe EEG không chỉ theo dõi sự thay đổi trong thời gian thực mà còn giúp đánh giá động lực não học và tâm lý một cách tức thì.

2.2.3 Classification Learner App

Classification Learner App là một ứng dụng trong MATLAB, một phần mềm tính toán số và lập trình phổ biến được sử dụng trong nhiều lĩnh vực, bao gồm xử lý tín hiệu, thị giác máy tính, khoa học dữ liệu và học máy

Một số điểm chính cần biết về Classification Learner App bao gồm:

- Cho phép xây dựng mô hình phân loại nhanh chóng và dễ dàng mà không cần code Người dùng chỉ cần nhập dữ liệu đào tạo và thực hiện các thao tác trên giao diện đồ họa.

- Hỗ trợ nhiều thuật toán phân loại phổ biến như SVM, logistic regression, decision tree, kNN, ensemble models, có thể lựa chọn tùy vào bài toán.