BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN VĂN TRUNG THUẬT TOÁN TÌM NGƯỠNG XÁC ĐỊNH CÁC HOẠT ĐỘNG CỦA MẮT DỰA VÀO TÍN HIỆU EEG S K C 0 9 NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 S KC 0 Tp Hồ Chí Minh, 2012 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN VĂN TRUNG THUẬT TOÁN TÌM NGƢỠNG XÁC ĐỊNH CÁC HOẠT ĐỘNG CỦA MẮT DỰA VÀO TÍN HIỆU EEG NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Hướng dẫn khoa học: TS NGUYỄN THANH HẢI Tp Hồ Chí Minh, tháng 10/2012 LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƢỢC Họ & tên: Nguyễn Văn Trung Giới tính: Nam Ngày, tháng, năm sinh: 20/10/1987 Nơi sinh: Bà Rịa – Vũng Tàu Quê quán: Quảng Trị Dân Tộc: kinh Chỗ riêng địa liên lạc: Tổ 15, thôn Sông Cầu, xã Nghĩa Thành, huyện Châu Đức, tỉnh Bà Rịa – Vũng Tàu Điện thoại quan: Điện thoại nhà riêng: 0934.924.981 Fax: E-mail: nguyenvantrung201087@yahoo.com II QUÁ TRÌNH ĐÀO TẠO Đại học: Hệ đào tạo: quy Thời gian đào tạo từ 10/2005 đến 2/2010 Nơi học (trường, thành phố): Đại Học Sư phạm Kỹ Thuật TP.HCM, TPHCM Ngành học: Kỹ Thuật Điện – Điện Tử Tên đồ án, luận án môn thi tốt nghiệp: Máy Khoan Mạch In Tự Động Người hướng dẫn: Nguyễn Đình Phú, Đại Học Sư Phạm Kỹ Thuật TP.HCM Cao học Hệ đào tạo: quy Thời gian đào tạo: từ 8/20010 đến 8/2012 Nơi học (trường, thành phố): Đại Học Sư phạm Kỹ Thuật TP.HCM, TPHCM Ngành học: Kỹ Thuật Điện Tử Tên luận án: Thuật toán tìm ngƣỡng xác định hoạt động mắt dựa vào tín hiệu EEG i Ngày nơi bảo vệ: tháng 10/2012 trường Đại Học Sư phạm Kỹ Thuật TP.HCM, TPHCM Người hướng dẫn: TS Nguyễn Thanh Hải, Đại Học Quốc Tế, Đại Học Quốc Gia TP.HCM III QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi công tác Công việc đảm nhiệm 8/2010 – 3/2012 Trường CĐ Kỹ Thuật Cao Thắng Giảng Viên 4/2012 - Công ty cáp Taihan Sacom Kỹ sư quản lý chất lượng IV CÁC BÀI BÁO ĐÃ CÔNG BỐ TT Thời gian Tên báo Nơi công bố A Mean Threshold Algorithm For Đại Học Quốc Tế, 3/2012 Human Eye Blinking Detection Using Đại Học Quốc Gia EEG TP.HCM A Mean Threshold Algorithm For 9/2012 Detection Of Human Eye Activities Using EEG Technique Trường ĐH Sư Phạm Kỹ Thuật TP.HCM Tp Hồ Chí Minh, ngày 10 tháng 10 năm 2012 Người khai ký tên Nguyễn Văn Trung ii LỜI CAM ĐOAN Tôi cam đoan công trình nghiên cứu với hướng dẫn TS Nguyễn Thanh Hải Các số liệu, kết nêu luận văn trung thực chưa công bố công trình khác Tp Hồ Chí Minh, ngày 10 tháng 10 năm 2012 (Ký ghi rõ họ tên) Nguyễn Văn Trung iii LỜI CẢM TẠ Đầu tiên, xin gởi lời cám ơn sâu sắc đến TS Nguyễn Thanh Hải – người trực tiếp hướng dẫn cách tận tình chu đáo từ lúc nhận đề cương lúc hoàn thành đề tài Trong trình làm đề tài, Thầy Nguyễn Thanh Hải theo sát tiến trình thực đề tài, có gợi ý dẫn khoa học giúp giải khó khăn trình làm đề tài Tôi xin cảm ơn quý Thầy Cô tham gia giảng dạy lớp cao học khóa 2010 – 2012, người mang đến cho kiến thức quý báu khoa học kỹ thuật Tôi xin chân thành cảm ơn lãnh đạo Trường Cao Đẳng Cao Thắng, nơi công tác tạo điều kiện thuận lợi cho hoàn thành đề tài Tôi gửi lời biết ơn sâu sắc đến gia đình, người ủng hộ động viên để yên tâm học tập nghiên cứu Cuối cùng, xin gởi lời cám ơn đến quý Thầy Cô môn Điện Tử Y Sinh, trường Đại Học Quốc Tế TP.HCM sinh viên trường hỗ trợ trình thu thập liệu Xin chân thành cảm ơn! Tp Hồ Chí Minh, ngày 10 tháng 10 năm 2012 Học viên Nguyễn Văn Trung iv TÓM TẮT Não người đóng vai trò quan trọng hoạt động người Dựa tín hiệu điện não ta có người ta xác định thay đổi hoạt động não phục vụ cho việc chuẩn đoán bệnh tật khôi phục lại khả vận động người Trong đề tài này, thuật toán ngưỡng mạng nơron truyền thẳng nhiều lớp sử dụng để xác định hoạt động mắt dựa tín hiệu EEG Trước phân tích tín hiệu EEG, tín hiệu gốc loại bỏ nhiễu lọc lấy tín hiệu delta lọc thông dải Đặc tính tín hiệu EEG trích xuất hệ số mô hình AR Các hệ số ngõ vào mạng nơron truyền thẳng nhiều lớp để phận loại hoạt động mắt Bên cạnh thuật toán ngưỡng áp dụng để xác định hoạt động mắt Nghiên cứu hữu ích cho việc chuẩn đoán bệnh mắt khô mắt tạo hệ thống BCI để điều khiển xe lăn điện kiểm soát đèn nhà v ABSTRACT The human brain plays an important role in human activities Based on electrical brain signals, one can identify changes in brain activity for the diagnosis of disease as well as rehabilitate human functions In this thesis, the threshold algorithm and multi-layer neural networks were proposed to detect eye activities using the ElectroEncephaloGraphy (EEG) technique Before analyzing the EEG signal, the original signals were filtered to remove noise and then extracted the delta signal with a band-pass filter Characteristics of the EEG signals were extracted by the coefficients of the AR model The coefficients are the input layer of the neural networks to classify the activities of the eye In addition, the threshold algorithm was also applied to determine the activities of the eye This study can be useful for diagnosing eye diseases such as dry eye and creating a Brain-Computer Interface (BCI) system such as the electrical wheelchair control or the home lamp control vi MỤC LỤC LÝ LỊCH KHOA HỌC i LỜI CAM ĐOAN iii LỜI CẢM TẠ iv TÓM TẮT v ABSTRACT vi MỤC LỤC vii DANH SÁCH CÁC CHỮ VIẾT TẮT x DANH SÁCH CÁC HÌNH xi DANH SÁCH CÁC BẢNG xiv Chƣơng TỔNG QUAN 1.1 Tổng Quan 1.2 Mục Đích Của Đề Tài 1.3 Phạm Vi Của Đề Tài 1.4 Phƣơng Pháp Nghiên Cứu 1.5 Nội Dung Của Luận Văn Chƣơng CỞ SỞ LÝ THUYẾT 2.1 Ứng Dụng Hệ Thống BCI Điều Khiển Thiết Bị 2.2 Ứng Dụng Thuật Toán Ngƣỡng Để Nhận Dạng vii 2.3 Trích Đặc Tính EEG Sử Dụng Hệ Số Mô Hình AR Và Nhận Dạng Bằng Mạng Nơron 2.4 Lọc Nhiễu Tín Hiệu EEG Chƣơng HỆ THỐNG GIAO TIẾP MÁY TÍNH NÃO VÀ THU THẬP DỮ LIỆU EEG 3.1 Hệ Thống Giao Tiếp Máy Tính Não 3.1.1 Khái niệm 3.1.2 Hệ Thống BCI Của Đề Tài 3.2 Thu Thập Tín Hiệu Điện Não Bằng Công Nghệ EEG 10 3.2.1 Các Phƣơng Pháp Thu Tín Hiệu Điện Não 10 3.2.1.1 Đo Tín Hiệu Dùng Phƣơng Pháp Điện Não Đồ 10 3.2.1.2 Đo Tín Hiệu Điện Não Dùng Phƣơng Pháp Hồng Ngoại Gần 13 3.2.1.3 Đo Tín Hiệu Não Dùng Phƣơng Pháp Cộng Hƣởng Từ 14 3.2.1.4 Đo Tín Hiệu Não Sử Dụng Phƣơng Pháp Từ Não 15 3.2.2 Thu Thập Dữ Liệu Dùng Máy Active Two 16 3.2.2.1 Giới Thiệu Máy Active Two 16 3.2.2.2 Các Bƣớc Thu Tín Hiệu Bằng Máy Active Two 17 3.2.2.3 Thu Thập Dữ Liệu Thí Nghiệm Bằng Máy Active Two 18 Chƣơng TIỀN XỬ LÝ TÍN HIỆU EEG DÙNG BỘ LỌC THÔNG DẢI HAMMING 23 4.1 Lý Thuyết Về Bộ Lọc Số 23 4.2 Lọc Nhiễu Tín Hiệu EEG Bằng Bộ Lọc Hamming 27 viii Chƣơng TRÍCH ĐẶC TÍNH CỦA TÍN HIỆU EEG DỰA TRÊN CÁC HỆ SỐ MÔ HÌNH AR 34 5.1 Trích Các Đặc Tính Của Tín Hiệu Dựa Trên Các Hệ Số Mô Hình AR 34 5.2 Trích Các Đặc Tính Của Tín Hiệu EEG Dựa Trên Các Hệ Số Mô Hình AR 35 Chƣơng THUẬT TOÁN NGƢỠNG XÁC ĐỊNH CÁC HOẠT ĐỘNG CỦA MẮT 40 6.1 Thuật Toán Ngƣỡng 40 6.2 Thuật Toán Ngƣỡng Xác Định Các Hoạt Động Của Mắt 41 6.3 Dùng Thuật Toán Ngƣỡng Xác Định Các Hoạt Động Của Mắt Online 47 Chƣơng NHẬN DẠNG CÁC HOẠT ĐỘNG CỦA MẮT DÙNG MẠNG LAN TRUYỀN NGƢỢC 50 7.1 Mạng Lan Truyền Ngƣợc 50 7.2 Nhận Dạng Các Hoạt Động Của Mắt Dùng Mạng Lan Truyền Ngƣợc 53 Chƣơng KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN CỦA ĐỀ TÀI 58 8.1 Kết Luận 58 8.2 Hƣớng Phát Triển Của Đề Tài 58 TÀI LIỆU THAM KHẢO 59 ix ANH SÁCH CÁC CHỮ VIẾT TẮT AR – Autoregresion EEG – Electroencephalogram BCI – Brain Computer Interface fNIRS – function Near - Infrared Spectroscopy fMRI – function Magnetic Resonance Imaging MEG – Magnetoencephalography MLP – Multi - Layer Perceptron x DANH SÁCH CÁC HÌNH Hình 3.1: Hệ thống giao tiếp máy tính não Hình 3.2: Sơ đồ khối xác định hoạt động mắt sử dụng thuật toán ngưỡng Hình 3.3: Sơ đồ khối xác định hoạt động mắt sử dụng mạng nơron 10 Hình 3.4: Đo tín hiệu điện não dùng phương pháp EEG 11 Hình 3.5: Đo tín hiệu điện não dùng fNIRS 13 Hình 3.6: Đo tín hiệu điện não phương pháp fMRI 15 Hình 3.7: Đo tín hiệu sử dụng phương pháp MEG 16 Hình 3.8: Máy Active Two đặt phòng A104 16 Hình 3.9: Sơ đồ khối máy Active Two 17 Hình 3.10: Gắn nón vào người làm thí nghiệm 18 Hình 3.11: Cho gel vào lỗ giữ điện cực 18 Hình 3.12: Gắn điện cực vào lỗ chứa điện cực 18 Hình 3.13: Giao diện phần mềm Actiview 18 Hình 3.14: Vị trí điện cực 19 Hình 3.14: Điện cực gắn đối tượng 19 Hình 3.15: Protocol cho đối tượng thực mở chớp mắt 19 Hình 3.16: Tín hiệu EEG thu Fp1, F7, F8 thí nghiệm mở mắt 20 Hình 3.17: Tín hiệu EEG thu Fp1, F7, F8 thí nghiệm chớp mắt 21 Hình 3.18: Tín hiệu EEG thu Fp1, F7, F8 thí nghiệm liếc trái 21 Hình 3.19: Tín hiệu EEG thu Fp1, F7, F8 thí nghiệm liếc phải 22 Hình 4.1: Đáp ứng tần số lọc lý tưởng 24 xi Hình 4.2: Cửa sổ Hamming với L=71 26 Hình 4.3: Đáp ứng biên độ pha lọc Hamming 27 Hình 4.4: Sơ đồ khối hệ thống lọc nhiễu 27 Hình 4.5: Đáp ứng biên độ pha lọc Hamming có L=11 28 Hình 4.6: Tín hiệu gốc (F8) tín hiệu lọc nhiễu với L=11 28 Hình 4.7: Tín hiệu gốc (F8) tín hiệu lọc nhiễu với L=3 29 Hình 4.8: Tín hiệu gốc (F8) tín hiệu lọc nhiễu với L=17 29 Hình 4.9: Tín hiệu gốc (F8) tín hiệu lọc nhiễu với L=23 30 Hình 4.10: Tín hiệu gốc (F8) tín hiệu lọc nhiễu với L=27, N=26 30 Hình 4.11: Tín hiệu mở mắt Fp1, F7, F8 sau lọc nhiễu 31 Hình 4.12: Tín hiệu chớp mắt Fp1, F7, F8 sau lọc nhiễu 31 Hình 4.13: Tín hiệu liếc mắt trái Fp1, F7, F8 sau lọc nhiễu 32 Hình 4.14: Tín hiệu liếc mắt phải Fp1, F7, F8 sau lọc nhiễu 32 Hình 5.1: Sơ đồ trích đặc tính tín hiệu EEG 35 Hình 5.2 : Tín hiệu mở mắt 36 Hình 5.3: Các hệ số AR 36 Hình 5.4: Tín hiệu chớp mắt 37 Hình 5.5: Các hệ số AR 37 Hình 5.6: Tín hiệu liếc trái 37 Hình 5.7: Các hệ số AR 37 Hình 5.8: Tín hiệu liếc phải 38 Hình 5.9: Các hệ số AR 38 Hình 5.10: Bốn vectơ hệ số nghiệm chớp mắt, mở mắt, liếc trái liếc phải xii 39 Hình 6.1: Sơ đồ xác định giá trị ngưỡng 41 Hình 6.2: Kết phân loại 45 Hình 6.3: Kết xác định hoạt động chớp mắt Fp1 46 Hình 6.4: Kết xác định hoạt động liếc phải F7 46 Hình 6.5: Kết xác định hoạt động liếc trái F8 47 Hình 6.6: Đối tượng tiến hành mô online 47 Hình 6.7: Các hướng di chuyển góc quay đối tượng 49 Hình 6.8: Đối tượng điều khiển xe lăn điện 49 Hình 7.1: Cấu trúc mạng truyền thẳng nhiều lớp 51 Hình 7.2: Hình dạng hàm sigmoid 51 Hình 7.3: Cấu trúc mạng nơron nhiều lớp có lớp ẩn 53 Hình 7.4: Cấu trúc mạng nơron nhiều lớp có lớp ẩn 54 xiii DANH SÁCH CÁC BẢNG Bảng 3.1: Thông tin đối tượng làm thí nghiệm 20 Bảng 5.1: Vectơ hệ số AR cho thí nghiệm 36 Bảng 5.2: Các hệ số AR cho thí nghiệm 38 Bảng 6.1: Kết thí nghiệm đối tượng Fp1 43 Bảng 6.2: Kết thí nghiệm đối tượng F7 43 Bảng 6.3: Kết thí nghiệm đối tượng F8 44 Bảng 6.4: Kết tính toán ngưỡng đối tượng lại 44 Bảng 6.5: Bảng kiểm tra kết phân loại 45 Bảng 6.6: Mô tả trạng thái đèn 48 Bảng 6.7: Các lệnh điều khiển 48 Bảng 7.1: Mô tả việc phân loại tín hiệu EEG ngõ mong muốn 54 Bảng 7.2: Vectơ hệ số AR cho thí nghiệm 55 Bảng 7.3: Kết huấn luyện mạng có lớp ẩn 56 Bảng 7.4: Kết huấn luyện mạng có lớp ẩn 56 xiv Tổng Quan Chƣơng TỔNG QUAN 1.1 Tổng Quan Não người đóng vai trò quan trọng hoạt động người [1] Nó có cấu trúc phức tạp gồm khoảng 100 tỉ tế bào thần kinh liên kết với Các tế bào thu thập truyền tải tín hiệu điện với cho dù có hay kích thích bên Dựa tín hiệu điện não người ta xác định thay đổi hoạt động não phục vụ cho việc phát hiện, chuẩn đoán chứng rối loạn não, rối loạn giấc ngủ, chấn thương đầu, viêm não, đột quỵ… Một ứng dụng quan trọng khác dựa tín hiệu EEG để khôi phục lại chức người Do bệnh tật tai nạn gây ra, số người khả lại, cử động…,những người khả tương tác với giới bên Hệ thống giao tiếp máy tính não (BCI) đóng vai trò quan trọng nhằm hỗ trợ thay người tương tác với giới bên Hệ thống chuyển tín hiệu điện não thành tín hiệu điều khiển mong muốn điều khiển xe lăn điện, điều khiển thiết bị (tivi, máy lạnh, đèn…), điều khiển cử động (cánh tay giả người bênh nhân) Hiện có nhiều phương pháp thu tín hiệu điện não sử dụng cho việc chuẩn đoán xây dựng hệ thống BCI Phương pháp điện não đồ (EEG) từ não sử dụng điện cực gắn trực tiếp da đầu Còn phương pháp cộng hưởng từ (fMRI), hồng ngoại gần (fNIR) đo nồng độ oxy máu não người Với phát triển khoa học kỹ thuật, nghiên cứu gần tập trung vào nâng cao độ xác tốc độ hệ thống việc nghiên cứu đặc tính hoạt động não, cải tiến thiết bị thu thập liệu tối ưu hóa kỹ thuật xử lý tín hiệu hệ thống 1 Tổng Quan Tại Việt Nam, việc xây dựng thuật toán xử lý tín hiệu điện não xây dựng hệ thống BCI ứng dụng hướng nghiên cứu nhiều người quan tâm Để xây dựng hệ thống BCI, đòi phải sử dụng thuật toán lọc nhiễu, nhận dạng mô hình, huấn luyện…để tìm đặc tính tín hiệu điện não Từ ứng dụng tín hiệu điện não, thiết bị có gợi ý TS Nguyễn Thanh Hải Vì tên đề tài chọn là: “Thuật toán tìm ngƣỡng xác định hoạt động mắt dựa vào tín hiệu EEG” 1.2 Mục Đích Của Đề Tài Mục đích nghiên cứu đề tài xây dựng thuật toán ngưỡng mạng nơron truyền thẳng nhiều lớp để xác định hoạt động mắt So sánh kết hai thuật toán Đồng thời xây dựng hệ thống BCI để điều khiển thiết bị (đèn xe lăn) 1.3 Phạm Vi Của Đề Tài Phạm vi đề tài tìm hiểu tín hiệu EEG ứng dụng dựa tín hiệu EEG Xây dựng thuật toán ngưỡng huấn luyện mạng nơron để xác định hoạt động mắt Kiểm chứng kết qua ứng dụng mô điều khiển xe lăn điện 1.4 Phƣơng Pháp Nghiên Cứu Các phương pháp nghiên cứu sử dụng đề tài: - Phương pháp nghiên cứu tài liệu: thu thập tài liệu, báo khoa học liên quan đến lĩnh vực nghiên cứu Nghiên cứu lý thuyết để xây dựng thuật toán cho đề tài - Phương pháp thực nghiệm: tiến hành đo tín hiệu não từ máy Active Two Áp dụng thuật toán để xử lý tín hiệu đo - So sánh: so sánh kết đạt phương pháp Tổng Quan 1.5 Nội Dung Của Luận Văn Nội dung luận văn bao gồm chương: Chƣơng 1: Tổng quan Chương trình bày tổng quan lĩnh vực nghiên cứu Các nhiệm vụ, phạm vi phương pháp nghiên cứu đề tài Chƣơng 2: Cơ sở lý thuyết Chương trình bày sở lý thuyết cần thiết phục vụ cho nghiên cứu đề tài Chƣơng 3: Hệ hệ thống giao tiếp máy tính não thu thập liệu EEG Chương trình bày hệ thống giao tiếp máy tính não Các phương pháp thu thập tín hiệu điện não tiến hành thu liệu thí nghiệm tiến hành đề tài máy Active Two Chƣơng 4: Tiền xử lý tín hiệu EEG dùng lọc Hamming Chương trình bày ứng dụng lọc Hamming để loại bỏ thành phần nhiễu tín hiệu không mong muốn Chƣơng 5: Trích đặc tính tín hiệu EEG dựa hệ số mô hình AR Tín hiệu sau loại bỏ nhiễu đưa qua mô hình AR (Autoregresion) để tìm hệ số mô hình AR, hệ số đưa vào mạng nơron truyền thẳng nhiều lớp nhận dạng hoạt động mắt Chƣơng 6: Thuật toán ngưỡng để phân biệt hoạt động mắt Chương trình bày thuật toán ngưỡng để phân biệt hoạt động mắt Chƣơng 7: Nhận dạng hoạt động mắt dùng mạng nơron Mạng nơron truyền thẳng nhiều lớp sử dụng để nhận dạng hoạt động mặt dựa hệ số mô hình AR Tổng Quan Chƣơng 8: Kết luận hướng phát triển đề tài Chương tóm tắt kết đạt luận văn hướng phát triển đề tài Cơ Sở Lý Thuyết Chƣơng CỞ SỞ LÝ THUYẾT Với phát triển vượt bậc công nghệ thu tín hiệu điện não điện não đồ EEG, cộng hưởng từ (fMRI), hồng ngoại gần fNIR…các nghiên cứu ứng dụng tín hiệu điện não ngày đa dạng quan tâm 2.1 Ứng Dụng Hệ Thống BCI Điều Khiển Thiết Bị Hệ thống BCI sử dụng biên độ sóng mu (8 - 12Hz) beta (18 - 25Hz) để điều khiển trỏ máy tính di chuyển miền hình máy tính [3] Sự di chuyển trỏ chuột miền xác định 10 lần/s dựa đặc tính tín hiệu EEG Dữ liệu thu thập offline sử dụng ba phương pháp khác để tăng độ xác việc di chuyển trỏ chuột Bằng cách chọn lựa đặc tính tín hiệu EEG chuyển đổi chúng thành lệnh điều khiển, tác giả cải tiến tốc độ độ xác việc di chuyển trỏ chuột [15 - 17] Bệnh nhân điều khiển cánh tay giả để giao tiếp với môi trường bên bằng cách tưởng tượng [4] Tác giả phân tích thời gian thực thành phần tín hiệu EEG suốt trình tưởng tượng Một phân loại tuyến tính sử dụng để phân biệt trường hợp tưởng tượng cánh tay di chuyển trái phải Độ xác việc điều khiển đạt 82,5% đến 90% Kết phân loại sử dụng để điều khiển cánh tay giả di chuyển 2.2 Ứng Dụng Thuật Toán Ngƣỡng Để Nhận Dạng Một hệ thống BCI lai sử dụng để điều khiển xe lăn dựa tín hiệu EEG EOG [17] Trong báo này, tác giả sử dụng thuật toán ngưỡng để xác định hoạt động mắt để xác định hướng di chuyển xe lăn điện Tín hiệu EOG sử dụng để điều khiển hướng bên trái bên phải Và tín hiệu EEG [...]... TÍNH CỦA TÍN HIỆU EEG DỰA TRÊN CÁC HỆ SỐ MÔ HÌNH AR 34 5.1 Trích Các Đặc Tính Của Tín Hiệu Dựa Trên Các Hệ Số Mô Hình AR 34 5.2 Trích Các Đặc Tính Của Tín Hiệu EEG Dựa Trên Các Hệ Số Mô Hình AR 35 Chƣơng 6 THUẬT TOÁN NGƢỠNG XÁC ĐỊNH CÁC HOẠT ĐỘNG CỦA MẮT 40 6.1 Thuật Toán Ngƣỡng 40 6.2 Thuật Toán Ngƣỡng Xác Định Các Hoạt Động Của Mắt 41 6.3 Dùng Thuật Toán. .. để tìm các hệ số của mô hình AR, các hệ số này sẽ được đưa vào mạng nơron truyền thẳng nhiều lớp nhận dạng các hoạt động của mắt Chƣơng 6: Thuật toán ngưỡng để phân biệt các hoạt động của mắt Chương này trình bày thuật toán ngưỡng để phân biệt các hoạt động của mắt Chƣơng 7: Nhận dạng các hoạt động của mắt dùng mạng nơron Mạng nơron truyền thẳng nhiều lớp được sử dụng để nhận dạng các hoạt động của. .. dụng các thuật toán như lọc nhiễu, nhận dạng mô hình, huấn luyện…để tìm ra những đặc tính của tín hiệu điện não Từ các ứng dụng của tín hiệu điện não, thiết bị đang có và sự gợi ý của TS Nguyễn Thanh Hải Vì vậy tên đề tài được chọn là: Thuật toán tìm ngƣỡng xác định các hoạt động của mắt dựa vào tín hiệu EEG 1.2 Mục Đích Của Đề Tài Mục đích nghiên cứu của đề tài là xây dựng được thuật toán ngưỡng. .. truyền thẳng nhiều lớp để xác định các hoạt động của mắt So sánh kết quả của hai thuật toán Đồng thời xây dựng hệ thống BCI để điều khiển thiết bị (đèn hoặc xe lăn) 1.3 Phạm Vi Của Đề Tài Phạm vi của đề tài là tìm hiểu tín hiệu EEG và các ứng dụng dựa trên tín hiệu EEG Xây dựng thuật toán ngưỡng và huấn luyện mạng nơron để xác định các hoạt động của mắt Kiểm chứng kết quả qua các ứng dụng mô phỏng hoặc... cánh tay giả di chuyển 2.2 Ứng Dụng Thuật Toán Ngƣỡng Để Nhận Dạng Một hệ thống BCI lai được sử dụng để điều khiển xe lăn dựa trên tín hiệu EEG và EOG [17] Trong bài báo này, tác giả đã sử dụng thuật toán ngưỡng để xác định các hoạt động của mắt để xác định hướng di chuyển của xe lăn điện Tín hiệu EOG được sử dụng để điều khiển các hướng bên trái và bên phải Và tín hiệu EEG được 5 ... điều khiển con trỏ máy tính di chuyển trong 2 miền trên màn hình máy tính [3] Sự di chuyển của trỏ chuột trong mỗi miền được xác định 10 lần/s dựa trên các đặc tính của tín hiệu EEG Dữ liệu được thu thập offline và sử dụng ba phương pháp khác nhau để tăng độ chính xác của việc di chuyển con trỏ chuột Bằng cách chọn lựa các đặc tính của tín hiệu EEG và chuyển đổi chúng thành các lệnh điều khiển, tác... trong máu ở trên não người Với sự phát triển của khoa học kỹ thuật, các nghiên cứu gần đây tập trung vào nâng cao độ chính xác và tốc độ của hệ thống bằng việc nghiên cứu các đặc tính hoạt động của não, cải tiến thiết bị thu thập dữ liệu và tối ưu hóa các kỹ thuật xử lý tín hiệu trong hệ thống 1 1 Tổng Quan Tại Việt Nam, việc xây dựng các thuật toán xử lý tín hiệu điện não và xây dựng hệ thống BCI ứng... khối của hệ thống lọc nhiễu 27 Hình 4.5: Đáp ứng biên độ và pha của bộ lọc Hamming có L=11 28 Hình 4.6: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=11 28 Hình 4.7: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=3 29 Hình 4.8: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=17 29 Hình 4.9: Tín hiệu gốc (F8) và tín hiệu được lọc nhiễu với L=23 30 Hình 4.10: Tín hiệu. .. và tín hiệu được lọc nhiễu với L=27, N=26 30 Hình 4.11: Tín hiệu mở mắt tại Fp1, F7, F8 sau khi được lọc nhiễu 31 Hình 4.12: Tín hiệu chớp mắt tại Fp1, F7, F8 sau khi được lọc nhiễu 31 Hình 4.13: Tín hiệu liếc mắt trái tại Fp1, F7, F8 sau khi được lọc nhiễu 32 Hình 4.14: Tín hiệu liếc mắt phải tại Fp1, F7, F8 sau khi được lọc nhiễu 32 Hình 5.1: Sơ đồ trích các đặc tính của tín hiệu EEG. .. vai trò quan trọng trong các hoạt động của con người [1] Nó có cấu trúc phức tạp gồm khoảng 100 tỉ tế bào thần kinh liên kết với nhau Các tế bào này thu thập và truyền tải các tín hiệu điện với nhau cho dù có hay không có các kích thích bên ngoài Dựa trên các tín hiệu điện não người ta xác định được những thay đổi trong hoạt động của não bộ phục vụ cho việc phát hiện, chuẩn đoán các chứng rối loạn não,