Điều khiển thiết bị trong nhà thông minh qua sóng điện não.pdf

Số hóa bởi Trung tâm Học liệu và Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn
ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP
LƯU VĂN TOÀN
ĐIỀU KHIỂN THIẾT BỊ TRONG NHÀ THÔNG MINH
THÔNG QUA SÓNG ĐIỆN NÃO
Chuyên ngành: Kỹ thuật Điện tử
Mã số: 8.52.02.03
LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỆN TỬ
HỌC VIÊN
Lưu Văn Toàn
NGƯỜI HƯỚNG DẪN KHOA HỌC
Ts. Nguyễn Phương Huy
KHOA CHUYÊN MÔN
TRƯỞNG KHOA
THÁI NGUYÊN - 2020

LỜI CAM ĐOAN
Tên tôi là: Lưu Văn Toàn
Sinh ngày: 28/12/1986
Học viên lớp cao học CHK20KTĐT - Trường Đại học Kỹ thuật Công nghiệp
- Đại học Thái Nguyên.
Hiện đang công tác tại: Trường Cao Đẳng Công nghệ và Nông lâm Đông Bắc
Xin cam đoan: Đề tài “Điều khiển thiết bị trong nhà thông minh thông
qua sóng điện não” do Thầy giáo TS. Nguyễn Phương Huy hướng dẫn là công
trình nghiên cứu của riêng tôi. Tất cả tài liệu tham khảo đều có nguồn gốc, xuất
xứ rõ ràng.
Tác giả xin cam đoan tất cả những nội dung trong luận văn đúng như nội dung
trong đề cương và yêu cầu của thầy giáo hướng dẫn. Nếu sai tôi hoàn toàn chịu trách
nhiệm trước hội đồng khoa học và trước pháp luật.
Thái Nguyên, ngày 26 tháng 6 năm 2020
Tác giả luận văn
Lưu Văn Toàn

LỜI CẢM ƠN
Sau một thời gian nghiên cứu và làm việc nghiêm túc, được sự động viên,
giúp đỡ và hướng dẫn tận tình của Thầy giáo hướng dẫn TS. Nguyễn Phương Huy, luận
văn với đề tài “Điều khiển thiết bị trong nhà thông minh thông qua sóng điện não”
đã hoàn thành.
Tôi xin bày tỏ lòng biết ơn sâu sắc đến:
Thầy giáo hướng dẫn TS. Nguyễn Phương Huy đã tận tình chỉ dẫn, giúp đỡ
tôi hoàn thành luận văn này.
Trường Đại học Kỹ thuật công nghiệp và đặc biệt là các Thầy, cô trong Khoa
Điện tử đã giúp đỡ tôi trong quá trình học tập cũng như thực hiện luận văn.
Tôi xin chân thành cảm ơn bạn bè, đồng nghiệp và gia đình đã động viên,
khích lệ, tạo điều kiện giúp đỡ tôi trong suốt quá trình học tập, thực hiện và hoàn
thành luận văn này./.
Thái Nguyên, ngày 26 tháng 6 năm 2020
Tác giả luận văn
Lưu Văn Toàn

MỤC LỤC
LỜI CAM ĐOAN ........................................................................................................ i
LỜI CẢM ƠN .............................................................................................................ii
DANH MỤC CÁC TỪ VIẾT TẮT ............................................................................ v
DANH MỤC CÁC HÌNH ẢNH ................................................................................ vi
DANH MỤC BẢNG BIỂU .....................................................................................viii
MỞ ĐẦU..................................................................................................................... 1
1. Tính khoa học và cấp thiết của đề tài ..................................................................... 1
2. Đối tượng và phạm vi nghiên cứu của đề tài.......................................................... 1
3. Phương pháp luận nghiên cứu ................................................................................ 2
4. Nội dung và bố cục của luận văn............................................................................ 2
CHƯƠNG 1 TỔNG QUAN VỀ NHẬN DẠNG TÍN HIỆU ĐIỆN NÃO ............. 3
Tổng quan về tín hiệu điện não........................................................................ 3
1.1.1 EEG là gì .......................................................................................................... 3
1.1.2 Tại sao phải thu nhận tín hiệu EEG ................................................................. 3
1.1.3 Nguồn gốc của tín hiệu EEG............................................................................ 5
1.1.4 Các dạng sóng EEG cơ bản.............................................................................. 7
Hệ thống tương tác máy não .......................................................................... 10
1.2.1 Kiến trúc cơ bản của hệ thống BCI................................................................ 10
1.2.2 Một số kỹ thuật cơ bản trong triển khai hệ thống BCI................................... 12
1.2.3 Cập nhật một số kết quả nghên cứu trong và ngoài nước .............................. 18
Một số ứng dụng của hệ thống nhận dạng tín hiệu điện não.......................... 19
Kết luận chương ............................................................................................. 20
CHƯƠNG 2 ĐIỀU KHIỂN THIẾT BỊ NHÀ THÔNG MINH THÔNG QUA TÍN
HIỆU EEG ......................................................................................................... 21
Tổng quan về nhà thông minh........................................................................ 21
2.1.1 Định nghĩa nhà thông minh............................................................................ 21
2.1.2 Các thành phần cơ bản hệ thống nhà thông minh .......................................... 22
2.1.3 Một số giải pháp điều khiển nhà thông minh................................................. 25
Xây dựng hệ thống điều khiển thiết bị cho nhà thông minh bằng EEG ........ 26

Trích xuất đặc trưng tín hiệu EEG sử dụng DWT ......................................... 27
2.3.1 Các khái niệm cơ bản ..................................................................................... 27
2.3.2 Biến đổi wavelet liên tục................................................................................ 29
2.3.3 Biến đổi wavelet rời rạc ................................................................................. 31
2.3.4 Giới thiệu một số họ Wavelet ........................................................................ 32
2.3.5 Biến đổi DWT và phân tích đa phân giải tín hiệu EEG................................. 32
Chọn lọc đặc trưng EEG sử dụng phương pháp phân tích thành phần chính 34
2.4.1 Nguyên lý chung ............................................................................................ 34
2.4.2 Nội dung thuật toán PCA ............................................................................... 35
2.4.3 Áp dụng PCA vào trích chọn vector đặc tính cho bài toán nhận dạng tín hiệu
EEG ........................................................................................................................ 36
2.4.4 Đánh giá thuật toán ........................................................................................ 37
Mạng nơ ron MLP và ứng dụng trong nhận dạng tín hiệu EEG.................... 37
2.5.1 Kiến trúc mạng............................................................................................... 37
2.5.2 Huấn luyện mạng ........................................................................................... 38
2.5.3 Các yếu tố ảnh hưởng đến hoạt động của mạng MLP ................................... 41
2.5.4 Ưu nhược điểm và một số vấn đề của mạng nơron nhiều lớp ....................... 43
Kết luận chương ............................................................................................. 43
CHƯƠNG 3 XÂY DỰNG MÔ HÌNH MÔ PHỎNG........................................... 45
Phát biểu bài toán ........................................................................................... 45
Xây dựng hệ thống ......................................................................................... 45
3.2.1 Mũ thu thập và tiền xử lý tín hiệu điện não ................................................... 45
3.2.2 Bộ điều khiển tương tác bằng sóng điện não ................................................. 46
3.2.3 Các modul giao tiếp........................................................................................ 49
Kết quả và thảo luận....................................................................................... 50
Kết luận chương ............................................................................................. 52
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ................................................................ 53
TÀI LIỆU THAM KHẢO......................................................................................... 55

DANH MỤC CÁC TỪ VIẾT TẮT
Từ hoặc
cụm từ
Từ tiếng Anh Từ tiếng Việt
AR Autoregressive Modeling Mô hình tự hồi quy
BCI Brain-Computer Interface Giao tiếp máy - điện não
CSDL Data base Cơ sở dữ liệu
CWT Continuous Wavelet Transform Biến đối Wavelet liên tục
DWT Discrete Wavelet Transform Biến đối Wavelet rời rạc
EEG Electroencephalogram Điện não đồ
ER Emotion Recognition Nhận dạng cảm xúc
ERS Emotion Recognition System Hệ thống nhận dạng cảm xúc
ICA
Independent Component
Analysis
Phân tích thành phần độc lập
LDA Linear Discriminant Analysis
Phương pháp phân tích sự khác biệt
tuyến tính
MLP MultiLayer Perceptron Mạng nơron Perceptron đa lớp
NN Neural Network Mạng Nơron
PCA Principal Component Analysis
Phương pháp phân tích thành phần
chính
SVM Support Vector Machine Học máy vectơ hỗ trợ

DANH MỤC CÁC HÌNH ẢNH
Hình 1.1. Thiết lập ghi tín hiệu EEG .........................................................................3
Hình 1.2. Một số phương pháp thu thập thông tin của não........................................4
Hình 1.3. Quá trình hình thành tín hiệu EEG từ nơ ron hình chóp............................7
Hình 1.4. Nhận dạng các dạng sóng theo tần số .........................................................7
Hình 1.5. Sóng Alpha.................................................................................................8
Hình 1.6. Sóng Beta. ..................................................................................................9
Hình 1.7. Sóng Theta ..................................................................................................9
Hình 1.8. Sóng Delta.................................................................................................10
Hình 1.9. Kiến trúc cơ bản của một hệ thống BCI....................................................10
Hình 1.10. Ví dụ minh họa quá trình xử lý tín hiệu trong hệ thống BCI..................11
Hình 1.11. Thu thập tín hiệu EEG............................................................................12
Hình 1.12. Vị trí đặt điện cực EEG của hệ thống 10-20..........................................14
Hình 1.13. Một số cách sắp xếp vị trí điện cực EEG 16,32,64 kênh .......................14
Hình 1.14. Một kênh sau khi được xử lí loại bỏ artifact..........................................15
Hình 1.15. Một số phương pháp phân lớp trong nhận dạng tín hiệu EEG [14].......17
Hình 2.1. Mô hình nhà thông minh..........................................................................21
Hình 2.2. Các thành phần cơ bản của hệ thống nhà thông minh .............................23
Hình 2.3. Sơ đồ khối hệ thống điều khiển thiết bị thông qua sóng điện não...........26
Hình 2.4. Lược đồ xây dựng các chức năng trong phần mềm điều khiển ...............27
Hình 2.5. Wavelet và không wavelet ......................................................................28
Hình 2.6. Sơ đồ phân tích wavelet ...........................................................................28
Hình 2.7. Các phương pháp hiển thị tín hiệu khác nhau..........................................29
Hình 2.8. Sơ đồ thay đổi hệ số Scaling a. .................................................................30
Hình 2.9. Các họ Wavelet (a) Haar (b) Daubechies4 (c) Coiflet1 (d) Symlet2 (e)
Meyer (f) Morlet (g) Mexican Hat............................................................................32
Hình 2.10. Sơ đồ biểu diễn biến đổi wavelet để phân tích đa phân giải...................32
Hình 2.11. Phân tích đa phân giải tín hiệu EEG .......................................................33

Hình 2.12. Không gian mới (p1,p2) theo hướng phân bố mạnh nhất của các vector
trong không gian (x1,x2) tìm theo PCA .....................................................................34
Hình 2.13. Mạng Perceptron đa lớp (MLP) ..............................................................38
Hình 2.14. Cực trị địa phương và toàn cục ...............................................................42
Hình 3.1. Sơ đồ khối hệ thống điều khiển thiết bị thông qua sóng điện não...........45
Hình 3.2. Mũ Emotiv Epoc+ và vị trí 16 điện cực....................................................46
Hình 3.3. Thu nhận tín hiệu EEG bằng Emotiv SDK software ................................46
Hình 3.4. Trích chọn đặc trưng dùng DWT..............................................................47
Hình 3.5. Giảm số chiều vecto đặc trưng dùng PCA................................................47
Hình 3.6. Kiến trúc mạng nơ ron MLP cho luyện các lệnh ......................................48
Hình 3.7. Module Bluetooth (HC-05) + Hồng ngoại (IR-T940) ..............................49
Hình 3.8. Module Relay dùng cho điều khiển bật tắt bóng đèn................................49
Hình 3.9. Chương trình chạy bật đèn........................................................................50
Hình 3.10. Chương trình chạy tắt đèn.......................................................................51
Hình 3.11. Chương trình chạy bật Ti Vi ..................................................................51
Hình 3.12. Chương trình chạy tắt Ti Vi ...................................................................52

DANH MỤC BẢNG BIỂU
Bảng 3.1. Một số kết quả thử nghiệm điều khiển thiết bị.........................................52

MỞ ĐẦU
1. Tính khoa học và cấp thiết của đề tài
Hiện tại, với sự phát triển bùng nổ của các công nghệ, nhà thông minh đã trở
thành một giải pháp quen thuộc hỗ trợ nâng cao chất lượng cuộc sống của con người.
Điểm mấu chốt trong nhà thông minh là hiểu được “ý tưởng” của người sử dụng để
từ đó điều khiển các thiết bị trong nhà một cách hợp lý. Ý tưởng này có thể được thể
hiện thông qua một chiếc điều khiển từ xa (điều khiển bằng Bluetooth hoặc RF), một
chiếc smart phone (điều khiển qua môi trường di động hoặc mạng Internet), thông
qua cử chỉ (hệ thống nhận dạng cử chỉ) hoặc giọng nói (hệ thống nhận dạng bằng
giọng nói).
Tuy nhiên, đối với những người sử dụng mất khả năng vẫn động toàn thân
(không đi lại và nói chuyện được) việc hiểu được “ý tưởng” này thông qua những tín
hiệu “bên trong” như sóng điện não (Electro EncephaloGraphy - EEG) trở nên cần
thiết, quan trọng. Nhu cầu này đã tạo ra sự phát triển mạnh mẽ không ngừng của các
ứng dụng tương tác Não - Máy (Brain Computer Interface - BCI) [7] , [12] .
Trong những năm gần đây, đã có rất nhiều công trình công bố, đưa ra các hướng
tiếp cận khác nhau cho việc giải quyết bài toán nhận dạng sóng điện não. Mọi nỗ lực
đều tập trung vào nhiệm vụ xây dựng nên một hệ thống BCI tác động nhanh và có độ
chính xác cao [12] . Tuy nhiên, các kết quả đạt được còn hạn chế, hầu hết các ứng
dụng phục vụ cuộc sống mới chỉ nằm trong phòng thí nghiệm và cũng chỉ được ứng
dụng cho ngành công nghiệp giải trí. Việc áp dụng hệ thống BCI cho bài toán nhà
thông minh trong thực tế vẫn còn là một thách thức.
Vì những lý do trên, được sự gợi hướng của Thầy giáo, TS. Nguyễn Phương
Huy, học viên lựa chọn đề tài “Điều khiển thiết bị trong nhà thông minh thông qua
sóng điện não” làm đề tài nghiên cứu luận văn tốt nghiệp thạc sĩ chuyên ngành Kỹ
thuật điện tử.
2. Đối tượng và phạm vi nghiên cứu của đề tài
- Đối tượng của luận văn là: Phương pháp điều khiển thiết bị trong nhà thông
minh thông qua sóng điện não

- Về phạm vi nghiên cứu: Dựa trên thiết bị thu nhận EEG có sẵn (mũ Emotiv
Epoch+), dựa trên kết quả thu được của các phương pháp trích chọn và nhận dạng tín
hiệu EEG trong [6] ,[4] để triển khai thử nghiệm mô hình hệ thống điều khiển đóng
mở một số thiết bị trong nhà thông minh.
3. Phương pháp luận nghiên cứu
- Phương pháp nghiên cứu lý thuyết: Tổng hợp, nghiên cứu các tài liệu về
nhà thông minh, sóng điện não; Nghiên cứu các phương pháp, thuật toán nhận dạng
tín hiệu điện não; Tìm hiểu các kiến thức liên quan như xử lý tín hiệu số, lý thuyết
nhận dạng, lập trình nhúng.
- Phương pháp nghiên cứu thực nghiệm: Sau khi nghiên cứu lý thuyết, phát
biểu bài toán, đưa ra giải pháp xử lý; Thiết kế và xây dựng phần cứng; cài đặt phần
mềm.
- Phương pháp trao đổi khoa học: Thảo luận, xemina, lấy ý kiến chuyên gia,
công bố các kết quả nghiên cứu trên tạp chí khoa học.
4. Nội dung và bố cục của luận văn
Ngoài phần mở đầu, kết luận và hướng phát triển, luận văn được bố cục thành
ba chương chính như sau:
- Chương 1 Tổng quan về nhận dạng tín hiệu điện não: Trình bày các kiến
thức cơ bản về sóng điện não, kiến trúc một hệ thống BCI , giới thiệu một số kỹ thuật
quan trọng cần triển khai khi xây dựng hệ thống BCI, các ứng dụng của hệ thống BCI
trong thực tế.
- Chương 2 Ứng dụng sóng điện não trong bài toán nhà thông minh:
Chương này giới thiệu chung về nhà thông minh; Đề xuất phương án xây dựng hệ
thống điều khiển thiết bị trong nhà thông minh dựa trên tín hiệu điện não; Phân tích
và làm rõ các cơ sở lý thuyết cần thiết cho đề xuất này.
- Chương 3 Xây dựng mô hình thử nghiệm: Nội dung chương sẽ mô tả các
bước triển khai cụ thể nhằm xây dựng phần cứng cũng như phần mềm cho mô hình
minh họa điều khiển thiết bị trong nhà thông minh thông qua sóng não.

CHƯƠNG 1
TỔNG QUAN VỀ NHẬN DẠNG TÍN HIỆU ĐIỆN NÃO
Tổng quan về tín hiệu điện não
1.1.1 EEG là gì
EEG là phương pháp ghi lại hoạt động điện của não. Thông thường đây là
phương pháp không xâm lấn (không gây ảnh hưởng đến đối tượng). Trong phương
pháp này, một số điện cực được đặt dọc theo da đầu, đo dao động điện áp ở các vị trí
khác nhau (Hình 1.1). EEG được phát hiện bởi Berger năm 1924 bằng 1 dụng cụ đo
dòng điện với 1 điện cực bề mặt trên đầu con trai ông và ghi lại được 1 mẫu nhịp
nhàng những dao động điện.
Hình 1.1. Thiết lập ghi tín hiệu EEG
1.1.2 Tại sao phải thu nhận tín hiệu EEG
Não bộ của con người là một tổ chức phức tạp, tinh vi nhất của hệ thần kinh.
Thông qua các giác quan như mắt, tai, da, bộ não tiếp thu các thông tin về thị giác,
thính giác, xúc giác... để từ đó nhận thức ra đối tượng, xử lý và giải đáp thông tin qua
các hình thức vận động. Do vậy bộ não giữ vai trò quan trọng trong hoạt động toàn
diện, đa dạng của con người, giúp con người thích ứng với các hoàn cảnh xã hội.
Ngày nay, khi thế giới ngày càng phát triển thì các bệnh về não cũng ngày càng phát
triển như: các bệnh về động kinh, viêm não, u não ….. Do vậy, tìm hiều vể cấu trúc
của não bộ cũng như cách thức não bộ truyền nhận thông tin là một lĩnh vực chứa
nhiều tiềm năng đem tới những phát kiến khoa học lớn. Để thực hiện được việc đó,
một trong những việc đầu tiên và quan trọng nhất là phải thu nhận được những tín

hiệu/thông tin do não bộ sản sinh. Một số phương pháp khác nhau ghi lại hoạt động
của não (Hình 1.2), đó là [1] :
Hình 1.2. Một số phương pháp thu thập thông tin của não
- Điện não đồ (Electroencephalography - EEG),
- Chụp quang phổ cận hồng ngoại chức năng (Functional Near-Infrared
Spectroscopy - fNIRS),
- Điện não xâm lấn (Electro-corticography - ECoG),
- Chụp cắt lớp (Computed Topography - CT)
- Từ não đồ (Magnetoencephalography - MEG),
- Chụp cắt lớp phát xạ positron (Positron emission tomography - PET)
- Chụp cộng hưởng từ chức năng (functional magnetic resonance imaging -
fMRI).
Các phương pháp thu tín hiệu hình ảnh từ não như CT, PET, MRI thường có
thiết kế cồng kềnh, giá thành rất cao. Phương pháp điện não xâm lấn ECoG cho tín
hiệu có độ tin cậy cao, chất lượng và độ phân giải tốt tuy nhiên lại là phương pháp
xâm lấn, không dễ thực hiện và đòi hỏi phải có can thiệp y khoa để mở hộp sọ đặt
điện cực thu tín hiệu. So với các phương pháp này, điện não đồ EEG cho kết quả là
tín hiệu điện não có độ phân giải và chất lượng tốt. Thiết bị thu EEG thường nhỏ gọn,

có thể di chuyển linh hoạt và giá thành thấp. Tín hiệu điện não EEG là một phương
thức phương thức được sử dụng phổ biến nhất thu nhận tín hiệu đầu vào cho các ứng
dụng giao diện não - máy tính, phù hợp với điều kiện kinh tế - xã hội nếu được triển
khai áp dụng tại Việt Nam.
1.1.3 Nguồn gốc của tín hiệu EEG
Vỏ não là nguồn gốc của các hoạt động điện của não thu được từ bề mặt của
da đầu, các dạng khác nhau của hoạt động điện và dẫn tới trường điện thế được tạo
ra bởi các tế bào thần kinh vỏ não.
Sự sắp xếp của các tế bào ở các khu vực khác nhau trên vỏ não là khác nhau,
mỗi vùng có kiểu hình thái khác nhau. Hầu hết các tế bào vỏ não được sắp xếp thành
các cột, trong các cột này các neuron được phân bố dọc theo trục chính của các cây
dạng nhánh, song song với mỗi cây khác và trực giao với bề mặt vỏ não.
Vỏ não gồm các lớp khác nhau, các lớp này là không gian của cấu trúc các tế
bào thần kinh đặc biệt, với các trạng thái và chức năng khác nhau trong đáp ứng xung
điện. Tế bào thần kinh pyramidal là thành phần cấu tạo chủ yếu của vỏ não. Điện thế
EEG ghi được từ các điện cực được đặt tiếp xúc với lớp da đầu là sự tổng hợp các
thay đổi về điện thế ngoài của tế bào pyramidal. Màng tế bào pyramidal không bao
giờ trong trạng thái nghỉ bởi vì nó bị tác động liên tiếp bởi hoạt động sinh ra do các
neuron khác có các liên kết synaptic (mối nối giữa một axon và tế bào kế tiếp mà
chúng trao đổi thông tin được gọi là synapse). Các liên kết synaptic có thể là kích
thích hoặc ức chế sự thay đổi tương ứng tính thẩm thấu của màng tế bào đối với ion
K và ion Cl làm phát sinh dòng điện.
Điện thế postsynaptic (phần synapse cạnh tế bào kế tiếp) kích thích là tổng
hợp của dòng đi vào trong màng tế bào gây ra bởi các ion dương và dòng đi ra ngoài
màng tế bào tạo dọc theo phần mở rộng của tế bào extra-synaptic. Điện trường bên
ngoài tế bào là hàm của điện thế xuyên màng.
Mặc dù các điện thế bên ngoài tế bào riêng rẽ là nhỏ nhưng tổng điện thế của
chúng cũng đáng kể đối với nhiều tế bào. Điều này là do các neuron pyramidal được
kích hoạt tức thời lớn hơn hoặc nhỏ hơn cách mà liên kết synaptic và các thành phần

dọc trục của dòng bên ngoài màng được thêm vào, trong khi đó các thành phần nằm
ngang lại có xu hướng làm giảm điện thế này. Ngoài ra các nguồn khác cũng góp
phần tạo ra tín hiệu EEG. Sự giảm điện thế màng tế bào tới mức giới hạn xấp xỉ 10
mV nhỏ hơn điện thế tái khử cực tại trạng thái nghỉ của màng tế bào. Điện thế hoạt
động của các neuron não là nguồn gốc của EEG, chúng góp phần nhỏ trong việc tạo
ra tín hiệu EEG ghi được tại bề mặt của não. Do chúng thường hoạt động không đồng
bộ trong cùng một thời gian đối với một số lượng lớn các sợi trục, các sợi trục này di
chuyển theo nhiều hướng tương đối với bề mặt vỏ não. Nguyên nhân khác là phần
của màng tế bảo bị khử cực bởi điện thế hoạt động tại các thời điểm cố định nhỏ hơn
so với thành phần của màng tế bào được kích thích bởi một EPSP và điện thế hoạt
động tồn tại trong thời gian ngắn hơn( cỡ 1 - 2ms) so với của EPSPs hoặc IPSPs là
10 - 250ms.
Qua các điểm trình bày ở trên thì EEG thu được tại bề mặt da đầu có thể coi
là kết quả của nhiều thành phần tích cực, trong đó điện thế của postsynaptic từ tế bào
pyramidal là thành phần chính tạo ra tín hiệu điện não.
Hình 1.3 mô tả các dao động điện áp gây ra bởi các tế bào thần kinh pyramidal.
Trên cùng bên trái là kết quả của điện não đồ, dạng sóng ở giữa cho thấy những thay
đổi trong trường điện thế trường bên trong, phía dưới bên trái hiển thị dao động của
một nơron pyramidal.

Hình 1.3. Quá trình hình thành tín hiệu EEG từ nơ ron hình chóp
1.1.4 Các dạng sóng EEG cơ bản
Năm 1924, nhà tâm thần học người Áo tên là Hans Berger là người đầu tiên ghi
được EEG. Ông nhận thấy trên bản ghi EEG bình thường, nhịp của các sóng điện não
gồm có vài loại sóng có thể phân biệt theo tần số. Đây còn gọi là các dạng sóng đặc
trưng sinh lý.
Hình 1.4. Nhận dạng các dạng sóng theo tần số
1.1.4.1 Sóng Alpha (α)
Dạng sóng hình sin là chủ yếu, có tần số từ 8 -13 chu kỳ/giây
Alpha nhanh: 11-13 chu kỳ/giây
Alpha trung bình: 10 chu kỳ/giây
Alpha chậm: 8-9 chu kỳ/giây
Sóng thường có biên độ khoảng 50µV (mặc dù cũng có thể giao động từ 5 tới
100 µV). Sóng này thấy rõ nhất ở phần phía sau của não người, vốn là nơi xử lý các
tín hiệu thị giác, tức là vùng chẩm (occipital region) ở cả 2 bên, ít ở vùng đỉnh và

giảm dần về phía thái dương Vì vậy, đôi khi người ta còn gọi nhịp alpha là nhịp trội
ở phía sau (the posterior-dominant rhythm).
Có nhiều giả thuyết giải thích cơ chế này. Theo P.V simonov (1956) cho rằng
alpha có vai trò lớn trong cơ chế điều chỉnh giữa nội môi và ngoại môi của chức năng
ngăn cản các tín hiệu đi vào não. Theo Bunch alpha có vai trò điều chỉnh đồng bộ của
các tín hiệu vào và ra khỏi não; D.G. Shmelkin (1955) thấy alpha luôn đi cùng với
trạng thái cân bằng liên quan đền hưng phấn và ức chế. Sóng alpha trở nên rõ nhất
khi nhắm mắt lại, bị triệt tiêu khi mở mắt. Như vậy sóng alpha là dấu hiệu cho biết
não đang ở tình trạng không chú ý (inattentive brain), và đang chờ để được kích thích.
Thực tế là có một vài tác giả đã gọi nó là “nhịp chờ đợi” ("waiting rhythm"). Đây là
nhịp sóng chủ yếu thấy được trên người lớn bình thường và thư giãn – sóng hiện diện
trong hầu hết các thời kỳ của cuộc đời, nhất là khi trên 30 tuổi, khi ấy sóng này chiếm
ưu thế trên đường ghi EEG lúc nghỉ ngơi.
Alpha 10 Hz, biên độ thấp.
Alpha 10Hz, biên độ cao.
Alpha 10Hz, xuất hiện từng chùm.
Hình 1.5. Sóng Alpha
1.1.4.2 Sóng Beta (β)
Dạng sóng không ổn định, có tần số từ 13-35 Hz, có biên độ dưới 30µV. Sóng
Beta là sóng nhanh ở phía trước, phân bố điển hình ở vùng trán và giảm dần ở thái
dương và đỉnh chẩm. Sóng Beta liên quan đến trạng thái hưng phấn của thẩn kinh.
Sóng Beta sẽ nổi bật lên khi dung thuốc an thần gây ngủ. Sóng có thể mất hoặc suy
giảm ở vùng có tổn thương vỏ não. Nhịp beta thường được coi là nhịp bình thường,

nó là nhịp chiếm ưu thế ở những bệnh nhân đang thức tỉnh cảnh giác hoặc lo sợ, hoặc
khi mở mắt.
Hình 1.6. Sóng Beta.
1.1.4.3 Sóng Theta (θ)
Dạng sóng hình cung hay hình thang, tần số từ 4-8Hz. Theta nhanh từ 6-8Hz,
Theta bình thường từ 5-6Hz, Theta chậm từ 4-5Hz. Sóng Theta xuất hiện ở thái
dương, hay vùng trán thái dương và thái dương trước trung tâm. Sóng Theta là loại
sóng chậm, thường thấy khi bệnh nhân trong tình trạng buồn ngủ hoặc ngủ nông (light
stages of sleep). Sóng Theta được coi là bất bình thường nếu thấy ở người lớn đang
tỉnh táo, nhưng lại là bình thường ở trẻ em dưới 10 tuổi. Sau 10 tuổi, sóng theta nhanh
và chuyển dần sang alpha. Cũng có thể thấy theta tạo thành 1 vùng bất thường trên
những nơi có tổn thương dưới vỏ cục bộ. Sóng theta biểu hiện cho giảm hoạt động
của vỏ não, nên ngoài lứa tuổi nhỏ, còn thấy xuất hiện ở lứa tuổi cao. Sóng theta xuất
hiện ở người lớn nhiều hay ít, lan tỏa hay khu trú đều liên quan đến rối loạn chức
năng của não, đặc biệt ở cấu trúc dưới vỏ.
Hình 1.7. Sóng Theta
1.1.4.4 Sóng Delta (δ)
Dạng sóng hình chuông, tần số từ 0,5-4 Hz, biên độ sóng trung bình tương
đương điện thế alpha, cũng có khi cao gấp 2 đến 3 lần biên độ alpha, đây là loại sóng
chậm nhất và có biên độ cao nhất. Sóng Delta xuất hiện ở trẻ em dưới 7 tuổi, giảm
dần theo lứa tuổi, xuất hiện ở người lớn trong giấc ngủ sâu (ở giai đoạn 3 hoặc 4 của
giấc ngủ). Nói chung, nếu sóng Delta xuất hiện trên một người lớn (trừ khi đang ngủ)
thì chứng tỏ não có vấn đề nào đó: ví dụ u não, động kinh, tăng áp lực hộp sọ, khiếm
khuyết về trí tuệ, hay hôn mê. Khi đã xuất hiện, thì nhịp Delta có khuynh hướng thay

thế cho nhịp alpha. Cả sóng beta lẫn sóng delta đều không bị ảnh hưởng bởi mở mắt
hay nhắm mắt. Nó có thể xuất hiện cục bộ khi có tổn thương dưới vỏ và phân bố rộng
khắp khi có tổn thương lan tràn, trong bệnh não do chuyển hóa (metabolic
encephalopathy), bệnh não nước (hydrocephalus) hay tổn thương đường giữa trong
sâu (deep midline lesions). Nó thường trội nhất ở vùng trán ở người lớn (ví dụ FIRDA
- Frontal Intermittent Rhythmic Delta - sóng delta có nhịp cách hồi ở vùng trán) và
phân bố trội ở các vùng phía sau trên trẻ em (ví dụ OIRDA - Occipital Intermittent
Rhythmic Delta - sóng delta có nhịp cách hồi ở vùng chẩm).
Hình 1.8. Sóng Delta.
Hệ thống tương tác máy não
1.2.1 Kiến trúc cơ bản của hệ thống BCI
Hình 1.9. Kiến trúc cơ bản của một hệ thống BCI
Trong xu hướng phát triển của con người, các hệ thống nhận dạng cảm xúc
thông qua những tín hiệu “bên trong” như EEG trở nên cần thiết, quan trọng và tạo
ra sự phát triển mạnh mẽ không ngừng của các ứng dụng tương tác Não - Máy (Brain

Computer Interface - BCI), đặt con người vào vị trí trung tâm của mối tương tác số
trong kỷ nguyên hiện đại.
BCI là một hệ thống cố gắng thiết lập giao tiếp giữa não người và hệ thống
máy tính để đạt được sự tương tác giữa một cá nhân với môi trường mà không cần sử
dụng “đầu ra của não” (dây thần kinh và cơ bắp). Ở giai đoạn đầu phát triển BCI, các
hệ thống được thiết kế cho những người bị thiếu hụt thần kinh cơ nghiêm trọng, bị
kích thích bởi các rối loạn như đa xơ cứng hoặc chấn thương tủy sống. Gần đây, sự
quan tâm trong nghiên cứu BCI đã tăng lên theo cấp số nhân và các ứng dụng hiện
tại bao gồm giải trí, phục hồi chức năng, chẩn đoán, điều trị và hệ thống nhà ở thông
minh.
Một hệ thống BCI (được minh họa trong Hình 1.9) về cơ bản hoạt động như
sau. Đầu tiên, các tín hiệu não được cảm nhận, khuếch đại và xử lý. Các tín hiệu như
vậy thường được ghi lại bằng EEG, một phương pháp không xâm lấn để đo hoạt động
điện của vỏ não. Thứ hai, hệ thống tìm kiếm và trích xuất các tính năng điện sinh lý
hữu ích của tín hiệu EEG, phản ánh mong muốn của người dùng trong việc kiểm soát
hệ thống. Cuối cùng, hệ thống liên kết các tính năng EEG có ý nghĩa với các lệnh
điều khiển cụ thể của thiết bị đích. Hình 1.10 đưa ra một ví dụ minh họa trong trường
hợp xây dựng một hệ thống BCI giúp nhận dạng chuyển động của bàn tay người
thoogn qua sóng não.
Hình 1.10. Ví dụ minh họa quá trình xử lý tín hiệu trong hệ thống BCI

Trong những năm gần đây, đã có rất nhiều công trình công bố, đưa ra các
hướng tiếp cận khác nhau cho việc giải quyết bài toán nhận dạng cảm xúc con người
thông qua sóng điện não. Mọi nỗ lực đều tập trung vào nhiệm vụ xây dựng nên một
hệ thống BCI tác động nhanh và có độ chính xác cao.
1.2.2 Một số kỹ thuật cơ bản trong triển khai hệ thống BCI
Từ sơ đồ khối Hình 1.9, ta có thể thấy rằng ba khâu quan trọng nhất trong hệ
thống BCI là: Xử lý số tín hiệu EEG, trích chọn đặc trưng, phân lớp (ra quyết định).
Cũng chính vì thế, qua khảo sát các công trình nghiên cứu đã công bố liên quan đến
BCI và EEG đều chủ yếu tập trung vào cải tiến các bước chính này.
1.2.2.1 Thu nhận và xử lý số tín hiệu EEG
Việc tiến hành đo đạc EEG thường được thực hiện bằng cách gắn nhiều điện
cực rải ráp xung quanh đầu, mỗi điện cực sẽ thu nhận được các xung điện tại từng
khu vực riêng biệt, mỗi điện cực được coi như là 1 kênh (channel).
Hình 1.11. Thu thập tín hiệu EEG
Các điện cực dùng trong điện não đồ thường là những đĩa kim loại. Có 2 loại
điện cực là điện cực châm và điện cực dán.
Chỗ đặt điện cực trên da đầu được bôi kem dẫn điện, trước đó cần tẩy da đầu
bằng chất tẩy chuyên dụng, hoặc dùng cồn để tẩy sạch chất mỡ nhờn trên da đầu, sao
cho điện trở giữa điện cực và da đầu không vượt quá một mức ngưỡng nào đó (thường
là không quá 5 kΩ).

Nếu làm sạch da đầu tốt, cũng có thể không dùng kem dẫn điện trên điện cực
ghi, mà dùng miếng xốp tẩm dung dịch muối. Người ta cũng hay dùng loại mũ cao
su có gắn sẵn điện cực, và đặt trùm lên đầu người bệnh.
Vì các điện cực được đặt rải ráp xung quanh đầu nên để cụ thể, mỗi channel
đo tại 1 vùng riêng biệt sẽ có 1 quy ước đặt tên riêng. Ngoài ra, mỗi điện cực đo xung
điện đều dựa trên sự chênh lệch điện thế với 1 điểm gọi là reference. Việc chọn điểm
reference tại đâu trên đầu (2 dái tai, 2 xương chũm, đỉnh đầu) cũng đều gây ảnh hưởng
tới kết quả thu được của tín hiệu.
Trong thực tế, số lượng điện cực gán trên vỏ mũ không cố định, thông thường
sẽ là 14, 32 hoặc 64 channel, mỗi bản thiết kế điện cực sẽ có 1 tên riêng quy chuẩn
và số lượng channel cũng khác nhau [15] .
Hiệp hội quốc tế về sinh lí thần kinh lâm sàng và điện não đã đưa ra chuẩn đặt
điện cực cho 21 điện cực (gồm cả điện cực tại dái tai) gọi là hệ thống 10-20. Các điện
cực đặt tại dái tai được gọi là A1, A2 được nối tương ứng với tai trái và tai phải được
sử dụng làm điện cực tham chiếu. Hệ thống 10-20 tránh đặt điện cực tại vị trí nhãn
cầu, và cân nhắc một vài khoảng cách không đổi bởi sử dụng các mốc giải phẫu cụ
thể. Các điện cực lẻ được đặt bên trái và các điện cực chẵn được đặt bên phải. Để
thiết lập số lượng các điện cực nhiều hơn mà vẫn tuân theo qui ước trên, các điện cực
còn lại ngoài 21 điện cực chuẩn được đặt giữa các điện cực trên và cách đều nhau
giữa chúng. Ví dụ C1 được đặt giữa C3 và Cz. Hai dạng khác nhau dùng để ghi tín
hiệu điện não là dạng vi sai và dạng tham chiếu. Đối với dạng vi sai hai đầu vào của
mỗi bộ khuếch đại vi sai là hai cực, còn kiểu tham chiếu thì chỉ một trong hai điện
cực tham chiếu được dùng.

Hình 1.12. Vị trí đặt điện cực EEG của hệ thống 10-20
Hình 1.13. Một số cách sắp xếp vị trí điện cực EEG 16,32,64 kênh
Trước khi ghi điện não đồ, cần thực hiện việc đo chuẩn độ (calibration) để đảm
bảo là máy sẽ cho đường ghi chính xác. Sóng ghi chuẩn độ cung cấp cho ta giá trị so
sánh biên độ các sóng điện não. Người ta dùng một xung điện hình chữ nhật, hình
tam giác, hay hình sin, có biên độ biết trước, đưa vào đầu vào của bộ khuếch đại của
máy ghi điện não đồ. Như vậy tín hiệu chuẩn độ sẽ đi vào tất cả các đường ghi EEG,
tạo ra một sóng chuẩn độ trên bản ghi. Căn cứ vào sóng chuẩn độ này, người ta đánh
giá các sóng điện não về mặt biên độ.
Bên cạnh đó cần có một bộ lọc (EEG filter) để lọc bỏ các dao động điện xuất
phát từ tim, cơ và từ môi trường bên ngoài. Bộ lọc chỉ cho phép những hoạt động
điện có tần số trong một giới hạn nhất định (frequency range) đã được định sẵn được
ghi vào máy điện não, những dao động có tần số cao hơn hoặc thấp hơn khoảng giới
hạn đó sẽ bị lọc bỏ. Giới hạn của tần số điện não đồ là từ 0,5Hz đến 70Hz (có một số

tài liệu cho rằng từ 0,16Hz hoặc thấp hơn nữa đến 70Hz). Như vậy những dao động
có tần số cao hơn 70 Hz sẽ được ghi thành đường thẳng.
Ngoài lọc tín hiệu, trong xử lý tín hiệu EEG còn phải kể đến một số các
phương pháp xử lí khác như: triệt nhiễu noise, loại bỏ actifact. Một vài phương pháp
có thể kể đến như: ICA (Independent Component Analysis), SSP (Signal Subspace
Projectors), Wavelet Denoising.
Hình 1.14. Một kênh sau khi được xử lí loại bỏ artifact
1.2.2.2 Trích chọn đặc trưng tín hiệu EEG
Pha quan trọng thứ hai của nhận dạng suy nghĩ thông qua tín hiệu EEG chính
là trích chọn đặc trưng. Trong hướng tiếp cận truyền thống, có một số kỹ thuật trích
chọn đặc trưng tiêu biểu phải kể đến là:
- Trích chọn tín hiệu trên miền thời gian
- Trích chọn tín hiệu trên miền tần số
- Trích chọn tín hiệu trên miền thời gian-tần số
- Phương pháp mô hình mẫu chung (Common Spatial Pattern - CSP)
Trong các phương pháp trích chọn đặc trưng miền thời gian, người ta quan tâm
đến một số các đặc trưng như giá trị trung bình, kỳ vọng, phương sai, công suất, tương
quan…Với phương pháp trích chọn đặc trưng trên miền tần số, người ta quan tâm
đến một số tham số của biến đổi FFT. Trên miền thời gian tần số là biến đổi Fourier
thời gian ngắn SFFT.

Gần đây, dựa trên các ưu điểm biểu diễn tín hiệu phi tuyến, một số công trình
công bố trên thế giới đã tập trung vào áp dụng kỹ thuật biến đổi Wavelet, hoặc sử
dụng mạng nơ ron cho phân tích đặc trưng của tín hiệu EEG và thu được hiệu quả
cao hơn so với các phương pháp truyền thống.
Vì dữ liệu dạng liên tục, để xử lí thông thường ta sẽ chuyển từ digital signal
sang analog signal (continoue signal --> discrete signal) để làm việc dễ dàng hơn.
Tuy nhiên, số lượng mẫu thu được trong một chu kỳ lấy mẫu vẫn khá lớn. Lấy ví dụ,
tín hiệu EEG với 32 channels, sampling rate = 100, tiến hành xử lí 1 với 1 epoch =
30s thì số lượng samples cần xử lí = 100 * 30 * 32 = 96000 samples, 1 con số khá lớn
chỉ với 1 epoch! Sau khi áp dụng các phương pháp tríc chọn đặc trưng bên trên, ta có
thể sử dụng thêm một số phương pháp lựa chọn đặc trưng để giảm thiểu số lượng đặc
trưng, giảm chi phí tính toán và chọn lọc ra các tham số đặc trưng nhất. Một vài
phương pháp chú ý trong EEG như:
- Phương pháp phân tích thành phần chính (Principal Component Analysis -
PCA) và phân tích thành phần độc lập (Independent Component Analysis -
ICA): PCA là 1 trong các giải thuật về giảm bậc tuyến tính và lựa chọn đặc
trưng được sử dụng phổ biến nhất. Còn ICA là giải thuật giảm bậc phí tuyến
và thường được kết hợp với biến đổi wavelet để trích rút các đặc trưng khoogn
gian và đặc trưng thời gian-tần số
- Filter Bank Selection: được sử dụng kèm các giải thuật về CSP bên trên.
- Các thuật toán tiến hóa

1.2.2.3 Phân lớp tín hiệu EEG
Hình 1.15. Một số phương pháp phân lớp trong nhận dạng tín hiệu EEG [14]
Để hệ thống nhận dạng suy nghĩ hoạt động hiệu quả, ngoài việc xác định
phương pháp phù hợp để trích chọn đặc trưng của tín hiệu EEG còn phải lựa chọn
một kỹ thuật phân lớp phù hợp. Trên thực tế, có một số phương pháp cơ bản thường
được dùng đó là: phân lớp dựa trên khoảng cách (Euclides, KNN), phân lớp dựa trên
cây quyết định, phân lớp dự trên phân cụm, phân lớp dựa trên kỹ thuật học máy vector
hỗ trợ (Support Vecto Machine - SVM), phân lớp dựa trên mạng nơ ron nhân tạo.
Một số kết quả được thống kế trong Hình 1.15.
Phương pháp đơn giản nhưng cũng kém chính xác nhất là phân lớp theo
khoảng cách Euclides. Phương pháp sử dụng SVM cho kết quả tốt hơn nhưng tốc độ
phân lớp chậm, đòi hỏi bộ nhớ lớn ở giai đoạn huấn luyện. Phương pháp sử dụng
mạng nơ ron cho tốc độ xử lý nhanh, dễ cài đặt, linh hoạt và dễ bảo trì. Tuy nhiên,
với việc giải bài toán nhận dạng suy nghĩ dựa trên tín hiệu điện não sử dụng mạng
nơron, tùy từng yêu cầu cụ thể của bài toán thực tế mà người thiết kế phải trả lời rất
nhiều câu hỏi như: Lựa chọn cấu trúc mạng nơron nào? Số lượng các lớp cũng như
các nơron trong mỗi lớp? Sử dụng thuật toán học nào để điều chỉnh các trọng số của
mạng? Chính vì vậy, đây vẫn còn là một hướng mở đòi hỏi các nhà khoa học quan
tâm phải đầu tư nghiên cứu làm rõ.

1.2.3 Cập nhật một số kết quả nghiên cứu trong và ngoài nước
1.2.3.1 Nghiên cứu trên thế giới
Trong những năm gần đây, đã có rất nhiều công trình công bố, đưa ra các
hướng tiếp cận khác nhau cho việc giải quyết bài toán nhận dạng suy nghĩ con người
thông qua sóng điện não.
Năm 2004 Schalk và các cộng sự đã đề xuất Hệ BCI2000 có khả năng di
chuyển con chuột máy tính đến bất kỳ vị trí nào trên màn hình sử dụng đặc trưng nhịp
cảm giác vận động (Sensorimotor rhythm).
Năm 2008, Citi và cộng sự cũng đề xuất một hệ BCI với khả năng điều khiển
con chuột máy tính, một màn hình máy tính có 4 hình vuông tại 4 vị trí tương ứng
việc di chuyển con trỏ theo 4 hướng được hiển thị. Cũng trong năm này, Muller và
các cộng sự phát triển thành hệ Berlin BCI dựa trên việc tưởng tượng giác quan vận
động được
Năm 2017, Saeedi và cộng sự đề xuất hệ BCI dựa trên SSVEP cho phép người
sử dụng điều khiển các nhân vật hoạt họa di chuyển trong một trò chơi điện tử.
Năm 2018, một đề cử giải BCI Award giành cho hệ BCI của tác giả Lupu và
cộng sự dùng trong việc hỗ trợ phục hồi chức năng của người bị liệt nửa người do
chấn thương tủy sống.
Hệ BCI cũng thường được nghiên cứu, phát triển để giải quyết bài toán hỗ trợ
đánh vần cho những người bị liệt tứ chi. Nhìn chung có thể tiếp cận giải quyết bài
toán này theo hai hướng: sử dụng đặc trưng P300 trong các hệ P300 speller (có màn
hình hiển thị các character) và thu tín hiệu khi đối tượng thực hiện việc tưởng tượng
vận động (tưởng tượng thực hiện các hành động và chuyển đổi thành action để chọn
chữ cái thích hợp) có thể dùng để đánh vần 26 chữ cái tiếng Anh.
1.2.3.2 Nghiên cứu trong nước
Trong lĩnh vực nghiên cứu về tín hiệu điện não ở trong nước, có thể kể đến
một số nghiên cứu ứng dụng bước đầu của nhóm nghiên cứu tại Đại học Công nghệ
ứng dụng EEG cho dự đoán bệnh động kinh. Dựa vào tín hiệu EEG và đặc trưng của
gai động kinh (spike, sharp wave), quá trình phát hiện gai tự động được chia thành

nhiều giai đoạn, kết hợp các phương pháp xử lý tín hiệu và học máy, sử dụng tổng
hợp các thông tin về hình dạng, thời gian, tần số và không gian giúp hệ thống dự đoán
đưa ra các quyết định đáng tin cậy.
Trong một nghiên cứu khác, còn có nhóm nghiên cứu tại Đại học Bách khoa
ứng dụng phân tích tín hiệu EEG để nhận diện cảm xúc, sử dụng tín hiệu sóng điện
não EEG cho mục đích xác thực người dùng và nhóm sinh viên của Đại học FPT sử
dụng tín hiệu EEG cho mục đích điều khiển Robot.
Một số ứng dụng của hệ thống nhận dạng tín hiệu điện não
Nhận dạng tín hiệu điện não là một lĩnh vực mới mẻ đang thu hút nhiều nghiên
cứu và ứng dụng vào nhiều lĩnh vực sau đây:
Epileptic detection: Dựa trên dữ liệu sóng não để chẩn đoán bệnh động kinh.
Đây là 1 bài toán khá hay và thực tế, đang được đầu tư để nghiên cứu và phát triển
thêm.
EEG2Speech: Hay chuyển đổi từ sóng não thành dữ liệu tiếng nói (hoặc text).
Gần đây, 1 nhóm phát triển tại Nature đã phát triển 1 công nghệ có khả năng chuyển
đổi từ brainwave sang dữ liệu tiếng nói, tuy rằng kết quả hiện tại chưa thực sự tốt
nhưng đây cũng là 1 hướng phát triển "hẹp" trong tương lai, đặc biệt đối với các bệnh
nhân mắc hội chứng về ngôn ngữ hoặc bị liệt, ..
Emotion classification: Dựa vào dữ liệu sóng để nhận biết các trạng thái vui
vẻ, tập trung, căng thẳng, ... của con người.
Sleep-state classification: Dựa trên dữ liệu sóng não thu được, từ đó nhận biết
trạng thái ngủ của từng người để có biện pháp điều chỉnh cho phù hợp.
Robotic: tương tự như cách mà nhà vật lí học Steven Hawking dùng các cơ gò
má của mình để điều khiển con trỏ chuột, thao tác chọn các chữ cái trên màn hình, từ
đó có thể giao tiếp với mọi người; chúng ta cũng hoàn toàn có thể sử dụng sóng não
với cơ chế tương tự để giúp người bệnh trao đổi với thế giới bên ngoài, thậm chí thao
tác nhờ một dụng cụ hỗ trợ! Nghe có vẻ bất khả thi và chỉ có trong các bộ phim viễn
tưởng nhưng chắc chắn 5, 10 năm sau thì lại hoàn toàn có thể trở thành hiện thực,
nhất là trong thời đại công nghệ số như hiện nay.

Kết luận chương
Qua nội dung chương 1, có thể thấy rằng việc thu thập thông tin của não bộ có
ý nghĩa rất to lớn. Hiện tại có rất nhiều cách thức như chụp cộng hưởng từ, chụp
quang phổ cận hồng ngoại, chụp cắt lớp chức năng…Trong đó, thu thập thông tin
thông qua tín hiệu EEG là một phương pháp có nhiều ưu điểm (không xâm lấn, giá
thành rẻ). Tuy nhiên, để thực hiện tốt việc nhận dạng tín hiệu EEG cần áp dụng rất
nhiều kỹ thuật tiên tiến trong ba khâu (xử lý tín hiệu, trích chọn đặc trưng, nhận dạng).
Tất nhiên, các khó khăn này không những cản trở mà còn là thách thứ cho các nhà
nghiên cứu để tìm hiểu và nhận dạng tín hiệu EEG. Từ những năm 2004 và đặc biệt
trong những năm gần đây, ngày càng nhiều các công trình nghiên cứu về việc xây
dụng các hệ thống BCI phục vụ cho rất nhiều ứng dụng khác nhau của cuộc sống.
Điều khiển thiết bị trong hệ thống nhà thông minh cũng là một ứng dụng quan trong
của nhận dạng tín hiệu EEG. Đối với ứng dụng này, việc lựa chọn phương pháp nào
để trích chọn đặc trưng và nhận dạng tốt được suy nghĩ của người điều khiển sẽ được
trình bày cụ thể trong chương 2 của luận văn.

CHƯƠNG 2
ĐIỀU KHIỂN THIẾT BỊ NHÀ THÔNG MINH THÔNG QUA
TÍN HIỆU EEG
Tổng quan về nhà thông minh
2.1.1 Định nghĩa nhà thông minh
Nhà thông minh (tiếng anh là "Smart Home") hoặc hệ thống nhà thông minh
là một ngôi nhà/ căn hộ được trang bị các hệ thống tự động thông minh cùng với các
bố trí hợp lý, các hệ thống này có khả năng tự điều phối các hoạt động trong ngôi nhà
theo thói quen sinh hoạt và nhu cầu cá nhân của gia chủ. Chúng ta cũng có thể hiểu
ngôi nhà thông minh là một hệ thống chỉnh thể mà trong đó, tất cả các thiết bị điện tử
gia dụng đều được liên kết với thiết bị điều khiển trung tâm và có thể phối hợp với
nhau để cùng thực hiện một chức năng. Các thiết bị này có thể đưa ra cách xử lý tình
huống được lập trình trước, hoặc là được điều khiển và giám sát từ xa nhằm mục đính
là cho cuộc sống ngày càng tiện nghi, an toàn và góp phần sử dụng hợp lý các nguồn
tài nguyên.
Hình 2.1. Mô hình nhà thông minh
Các thành phần của hệ thống nhà thông minh bao gồm các cảm biến (như cảm
biến nhiệt độ, cảm biến ánh sáng hoặc do cử chỉ), các bộ điều khiển hoặc máy chủ và
các thiết bị chấp hành khác. Nhờ hệ thống cảm biến, các bộ điều khiển và máy chủ

có thể theo dõi các trạng thái bên trong ngồi nhà để đưa ra các quyết định điều khiển
các thiết bị chấp hành một cách phù hợp nhằm đảm bảo môi trường sống tốt nhất cho
con người.
Ngoài ra, cùng với sự phát triển của các thiết bị điện tử cá nhân như máy tính
bảng và điện thoại thông minh cùng hạ tầng thông tin ngày càng tiên tiến như internet
hoặc các mạng thông tin di động wifi, 3G, 4G, ngày nay các hệ thống nhà thông minh
còn cung cấp khả năng tương tác với người sử dụng thông qua các giao diện cảm ứng
trên smart phone cho phép con người có thể giám sát và điều khiển ngôi nhà từ bất
cứ đâu.
Tùy theo theo nhu cầu, người sử dụng có thể cấu hình hệ thống theo kịch bản
bất kì như lập trình hẹn giờ tắt đèn khi ngủ, hoặc quên tắt tivi, kéo rèm cửa sổ,… khi
tới nơi làm việc, họ có điều khiển qua điện thoại smartphone để điều khiển từ xa. Tùy
theo mức độ sử dụng mà mức giá của Nhà thông minh sẽ dao động từ vài triệu đến
vài trăm triệu đồng cho một ngôi nhà.
2.1.2 Các thành phần cơ bản hệ thống nhà thông minh
Các thành phần cơ bản của hệ thống nhà thông minh bao gồm hệ thống cảm
biến như cảm biến nhiệt độ, cảm biến ánh sáng hoặc do cử chỉ, các bộ điều khiển hoặc
máy chủ và các thiết bị chấp hành khác. Nhờ hệ thống cảm biến, các bộ điều khiển
và máy chủ có thể theo dõi các trạng thái bên trong ngôi nhà để dưa ra các quyết định
điều khiển các thiết bị chấp hành một cách phù hợp nhằm đảm bảo môi trười sống tốt
nhất cho con người

Hình 2.2. Các thành phần cơ bản của hệ thống nhà thông minh
2.1.2.1 Hệ thống chiếu sáng thông minh
Các thiết bị chiếu sáng như: bóng đèn sợi đốt, đèn neon, đèn led, đèn ngủ, đèn
trang trí… được sử dụng rất nhiều. Vì vậy nếu phối hợp chiếu sáng không hợp lý sẽ dẫn
tới bị "ô nhiễm" ánh sáng. Ngoài ra, việc chiếu sáng như vậy còn gây lãng phí điện, giảm
tuổi thọ thiết bị. Bên cạch đó số lượng đèn dùng để chiếu sáng là khá lớn, gia chủ sẽ gặp
những bất tiện nhỏ trong việc bật tắt, điều chỉnh độ sáng cho phù hợp.
Hệ thống chiếu sáng sẽ được tích hợp chung với các hệ thống khác hoặc sẽ
được tách riêng ra để điều khiển độc lập. Các giải pháp đều nhằm tối ưu hóa hệ thống
và giúp người dùng điều khiển dễ dàng hơn. Các giải pháp kết hợp sẽ được tính đến
tự động hóa tới mức tối đa.
Các đèn trong phòng được thiết kế với nhau và nối các thiết bị khác trong phòng
như quạt thông gió… ánh sáng được thiết kế và điều khiển theo tình trạng chủ nhà,
theo mùa, kết hợp với âm nhạc, tiểu cảnh, thác nước trong phòng (nếu có). Toàn bộ
hệ thống này được tự động điều khiển về trạng thái tối ưu cho từng hòa cảnh sử dụng
cụ thể.
Ví dụ: Chỉ cần ấn một phím, tương ứng với chế độ định trước, các đèn chiếu
sáng sẽ bật 100%, các đèn trang trí sẽ bật với 75% công suất, màn che cửa sổ sẽ khép
lại… (các thông sô này đều dễ dàng thay đổi theo thực tế yêu cầu cụ thể của chủ nhà).
Công dụng trên cho phép kiến trúc sư có thể tạo ra các kịch bản ảnh sáng khi thiết
kế nội thất cho những hoạt động khác nhau phu thuộc chủ nhà ( ví dụ như: dạ hội,
tiệc, xem phim,…).
2.1.2.2 Hệ thống kiểm soát ra vào
Khi gia chủ vắng nhà, việc kiểm soát các hệ thống vào ra trong ngôi nhà là rất
quan trọng, giúp đề phòng trộm, tiết kiệm năng lượng…. Ngôi nhà thông minh cung
cấp hệ tống kiểm soát vào ra cho phép chủ nhà quản lý và cấp quyền "đăng nhập" cho
các thành viên trong gia đình vào người thân.
Hệ thống ra vào ở các phòng sẽ được lắp đặt các khóa vân tay hoặc khóa phím…
nhằm nhận dạng người trong nhà hoặc khách để cấp quyền "đăng nhập" Ngoài ra,

còn có thể dùng hệ thống nhận diện khuân mặt hay giọng nói tùy vào phòng riêng của
mỗi người.
2.1.2.3 Hệ thống quan sát
Hệ thống quan sát sẽ giúp việc kiểm soát an ninh, người vào/ra ngôi nhà… giúp
cho gia chủ nhận diện khách nhanh chóng thông qua hệ thống camera. Với hệ thống
camera, mọi ngóc ngách trong nhà sẽ luôn được giám sát 24/7. Chủ nhà có thể giám
sát ngôi nhà của mình, hay có thể xem con mình đang làm gì khi mình không có nhà
bằng Smartphone, máy tính bảng từ xa thống qua wifi, 3G, 4G.
Hệ thống chuông hình trong nhà thông minh bao gồm 1 đầu nhận và 1 màn
hình được đặt tại phòng khác và phòng ngủ chính cho phép người dùng có thể nói
chuyện, nhìn được hình ảnh của người khách đến nhà.
2.1.2.4 Hệ thống giải trí đa phương tiện
Ngôi nhà là nơi sinh hoạt của một gia đình có thể gồm nhiều thế hệ và mỗi thể
hệ lại có nhu cầu giải trí khác nhau. Do đó, một hệ thống giải trí đa phương tiện sẽ
cung cấp cho các thành viên những hoạt động giải trí phù hợp.
Giải pháp âm thanh có thể tiết kiệm rất nhiều thời gian giải trí, quản lý và bảo
trì hệ thống âm thanh, cùng với nguồn nhạc ta có thể thưởng thức âm nhạc độc lập tại
nhiều khu riêng biệt. Tất cả nhưng việc phải làm chỉ lựa chọn nguồn nhạc như album,
ca sĩ, ca khúc… mà bạn yêu thích tư bảng điều khiểm âm thanh gắn tường, điều khiển
tư xa hoặc trực tiếp từ smartphone. Với thiết kế linh hoạt gọn nhẹ, hệ thống cho phép
người dùng thưởng thức ca khúc yêu thích từ mọi vị trí trong nhà.
2.1.2.5 Hệ thống cảm biến, an ninh
Hệ thống cảm biến là thành phần quan trọng trong bất kì hệ thống nào của ngôi
nhà, các cảm biến có nhiệm vụ gửi các thống số đo được về bộ xử lý trung tâm để có
giải pháp phù hợp với từng gói dữ liệu và xủ lý từng tình huống tương ứng. Các cảm
biến cơ bản như cảm biến nhiệt độ, độ ẩm, cảm biến gas, cmar biếp áp suất, cảm biến
hồng ngoại, cảm biến chuyển động…

Các bộ cảm biến chuyển động của hệ thống chiếu sáng khi được kích hoạt sẽ
tự động trở thành hệ thống chống trộm. Khi có nguy cơ bị đột nhập, các thiết bị này
sẽ lập tức cảnh báo tại chỗ bằng chuông báo động hoặc thống báo về smartphone.
Tất cả các cửa sổ đều được trang bị cảm biến từ để thống báo tình trạng đóng
mở cửa. Khi hệ thống an ninh được kích hoạt, nếu một trong số các cửa sổ mở ra thì
hệ thống sẽ lập tức cảnh báo tại chỗ bằng còi hú hoặc thống báo về smartphone.
2.1.3 Một số giải pháp điều khiển nhà thông minh
 Điều khiển bằng bàn phím
Là cách đơn giản nhất để kiểm soát thiết bị nhà bạn, vẫn như công tắt thông
thường nhưng việc điều khiển trở nên đơn giản và thích thú hơn nhiều. Ví dụ: Bạn
cần ra khỏi nhà, thay vì phải tắt hết tất cả các đèn trong phòng, bạn chỉ cần ấn nút
"tạm biệt" trên bàn phím điều khiển, tất cả các thiết bị sẽ tự động được tắt đi.
 Điều khiển qua smartphone, ipad
Người dùng có thể sử dụng hệ điều hành android, ios để bật hoặc tắt, các thiết
bị từ xa trong ngôi nhà. Họ cũng có thể sử dụng lệnh để hỏi xem trạng thái của các
thiêt bị, từ đó sẽ có những lệnh điều khiển phù hợp với nhu cầu cá nhân.
 Điều khiển bằng giọng nói
Nhà thông minh bây giờ không chỉ có khả năng điều khiển thông qua điện thoại,
máy tính bảng mà còn phải điểu khiển được bằng giọng nói. Trợ lý ảo điều khiển
bằng giọng nói chính là công nghệ của tương lai, hiện đang được sử dụng rất phổ biến
ở các nước phát triển như Mỹ và Châu Âu.
Alexa và Google Assistant là 2 trợ lý ảo được sử dụng phổ biến nhất trên thế
giới hiện nay, được phát triển bởi 2 ông trùm Internet là Amazon và Google. Trợ lý
ảo chính là cầu nối giữa người điều khiển và các thiết bị điện khác, để điều khiển các
thiết bị.
 Điều khiển thông qua sóng điện não
Trong cuộc sống, có rất nhiều người sau khi gặp tai biến bị mất hoàn toàn khả
năng vận động chân tay và khả năng giao tiếp. Mọi sinh hoạt kể cả việc vệ sinh hoạt
cá nhân hoàn toàn phụ thuộc vào sự chăm sóc của người thân hoặc bác sĩ.

Như vậy, cần nghiên cứu xây dựng một cách thức hỗ trợ người mất hoàn toàn
khả năng vận động chân tay và khả năng giao tiếp sử dụng một số nhu cầu tối thiểu
trong nhà thông minh. Hệ thống phải dễ sử dụng và điều khiển mà không cần sự trợ
giúp của người thứ hai. Để làm được điều này, trước tiên, phải giải mã một số yêu
cầu thiết yếu trong giao tiếp và sinh hoạt của người bệnh thông qua sóng điện não, từ
đó xây dựng hệ thống hỗ trợ thực thi yêu cầu. Trước mắt, các bệnh nhân sau tai biến,
không thể vận động toàn thân và mất khả năng giao tiếp có thể dùng ý nghĩ để đưa ra
một số yêu cầu như bật tắt đèn, bật tắt tivi. Khi nâng cao chất lượng và số lượng lệnh
nhận dạng, ta hoàn toàn có thể cho phép người bệnh đưa ra các yêu cầu cho nhà thông
minh thông qua sóng não.
Xây dựng hệ thống điều khiển thiết bị cho nhà thông minh bằng EEG
Hình 2.3. Sơ đồ khối hệ thống điều khiển thiết bị thông qua sóng điện não.
Hình 2.3 mô tả quy trình làm việc của hệ thống gồm các bước như sau:
- Bước 1: Người điều khiển phát lệnh thông qua suy nghĩ
- Bước 2: Sóng điện não được mũ Emotiv Epoc+ thu thập, lọc nhiễu đưa đến
module nhận dạng của bộ điều khiển trung tâm.
- Bước 3: Bộ điều khiển trung tâm nhận dạng các lệnh điều khiển thiết bị. Nếu
nội dung của lệnh hợp lệ (đủ chính xác) thì chuyển đến Bước 4, trái lại quay
về Bước 1.
“Bật/tắt
đèn”
“Bật/tắt
TV”
Nhận dạng
Phân tích và
tổng hợp tín
hiệu điều
khiển
Lệnh điều
khiển đèn Lệnh điều
khiển TV
(Hồng ngoại)
Bộ điều khiển tập trung
Đèn TV
Bộ điều
khiển địa
phương

- Bước 4: Bộ điều khiển trung tâm tổng hợp gói tin điều khiển tương ứng và gửi
qua modul giao tiếp đến bộ điều khiển địa phương.
- Bước 5: Các bộ điều khiển địa phương tùy theo thiết bị sẽ đưa ra cơ chế ddieuf
khiển phù hợp (đóng cắt rơ le hay mạch hồng ngoại)
Cách thức cụ thể để xây dựng phần giao tiếp và nhận dạng sóng não của luận
văn được mô tả trong Hình 2.4. Ở đây, việc trích xuất đặc trưng sử dụng biến đổi
DWT, các đặc trưng sẽ được chọn lọc thông qua phương pháp PCA. Cuối cùng mạng
nơ ron MLP được sử dụng để nhận dạng lệnh điều khiển. Các phần tiếp sau của
chương sẽ trình bày cơ sở lý thuyết cho các phương pháp này.
Hình 2.4. Lược đồ xây dựng các chức năng trong phần mềm điều khiển
Trích xuất đặc trưng tín hiệu EEG sử dụng DWT
2.3.1 Các khái niệm cơ bản
2.3.1.1 Biến đổi wavelet là gì?
Định nghĩa: Wavelet là một dạng sóng hiệu quả trong một khoảng thời gian so
với giá trị bình quân lệch không.
Ta có thể so sánh giữa wavelet và không wavelet trên sơ đồ sau:

Hình 2.5. Wavelet và không wavelet
Có nhiều kiểu biến đổi wavelet như Daubechies, Meyer, Gaussian, Mexican
Hat , Morlet và nhiều hơn. Trong phần này ta sẽ tập trung vào sử dụng wavelet
Daubechies vì wavelet này sẽ được sử dụng trongg phần cài đặt mô phỏng.
2.3.1.2 Sơ đồ biến đổi wavelet
Hình 2.6. Sơ đồ phân tích wavelet
Phân tích wavelet là một phiên bản của kỹ thuật cửa sổ, nhưng với một kích
thước cửa sổ khác nhau. Nó cho phép cho sự sử dụng cửa sổ dài hơn khi có thông
tin tần số thấp và những cửa sổ ngắn hơn với những thông tin tần số cao. Biến đổi
wavelet trong phân tích wavelet tương tự với biến đổi Fourier trong phân tích
Fourier.
Khi xem lại ta thấy phân tích Fourier bao gồm việc phân chia tín hiệu gốc ra
thành các thành phần dạng sóng có tần số khác nhau. Tương tự, phân tích wavelet là
sự tách tín hiệu ra thành các mức. Biến đổi Wavelet so sánh tín hiệu với Wavelet mẹ,
Since Wave
Wavelet (dB 10)
- Không có khoảng thời gian giới hạn
- Tính trơn
- Có thể đoán trước
- Khoảng thời gian giới hạn
- Tính bất qui tắc
- Không cân đối
Wavelet
Transform
Thời gian
Thời gian
Biên độ Scale
Phân tích Wavelet

và đưa ra một tập hợp những hệ số đo sự giống nhau giữa chúng. Thay vào việc
biến đổi một tín hiệu từ miền thời gian vào miền tần số, Biến đổi wavelet biến đổi
một tín hiệu từ miền thời gian và đưa ra các mức của tín hiệu theo thời gian (scale
-time). Trên hình 3.6 đưa ra các phương pháp hiển thị tín hiệu để chúng ta cùng so
sánh.
Hình 2.7. Các phương pháp hiển thị tín hiệu khác nhau
2.3.2 Biến đổi wavelet liên tục
Biến đổi wavelet liên tục CWT (Continuous Wavelet Transform) được đưa ra
để giải quyết các nhược điểm của STFT. Phân tích wavelet được thực hiện tương tự
với phân tích STFT. Tín hiệu được nhân với một hàm, tương tự như hàm cửa sổ trong
STFT, Và sự biến đổi đợc tính toán riêng rẽ cho mỗi đoạn khác nhau của tín hiệu theo
thời gian. Tuy nhiên, có hai sự khác nhau giữa STFT Và CWT:
- Biến đổi Fourier không có hàm cửa sổ, do vậy những đỉnh đơn sẽ được xem
như các tín hiệu hình sin.
- Chiều rộng của cửa sổ được thay đổi với từng biến đổi được tính toán cho mỗi
thành phần phổ đơn, đây có lẽ là đặc trng quan trọng nhất của biến đổi wavelet.
CWT được định nghĩa như sau :
Time Domain
Wavelet Analysis
STFT
Frequency Domain
Time
Time
Time
Amplitude
Frequency
Frequency
Amplitude
Scale

1
( , ) ( ). ( ).
t
CWT s x t dt
x s
s R

  

  (2.1)
Tín hiệu sau khi được biến đổi là một hàm của hai biến  và s (sự dịch chuyển
và tỉ lệ là hai tham số riêng biệt). (t) là hàm truyền đạt và nó được gọi là wavelet
mother. Thuật ngữ wavelet mẹ được định tên riêng vì hai thuộc tính quan trọng của
phân tích wavelet. Thuật ngữ “wavelet” có nghĩa một sóng nhỏ. Nó là điều kiện cho
sự lựa chọn hàm cửa sổ. Thuật ngữ “mother” ngụ ý rằng những hàm với vùng khác
nhau được đưa ra trong quá trình biến đổi được lấy từ một hàm chính, hoặc wavelet
mẹ. Có thể nói cách khác, wavelet mẹ là một nguyên mẫu để phát sinh những hàm
cửa sổ khác.
Hình 2.8. Sơ đồ thay đổi hệ số Scaling a.
Thuật ngữ “Translation” được sử dụng với cùng ý nghĩa khi nó được sử dụng
trong STFT; nó có liên quan tới việc định vị cửa sổ, trong khi cửa sổ được dịch chuyển
xuyên qua tín hiệu. Nhưng chúng ta không có tham số về tần số như đã có đối với
STFT. Thay vào đó, chúng ta có tham số scale, nó được định nghĩa như là sự ngược
lại của tần số.
Tham số scale tương ứng với việc giãn hoặc nén tín hiệu. Scale lớn tương ứng
với việc giãn tín hiệu và scale nhỏ tương ứng với việc nén tín hiệu. Dưới dạng những
hàm toán học, nếu f(t) là hàm đã cho, khi đó f(st) được nén tới một phiên bản nén của
tín hiệu f(t). Nếu s>1 thì đó là sự mở rộng của f(t), nếu s<1 thì đó là một sự co lại của
f(t).
Tuy nhiên, trong định nghĩa biến đổi wavelet, tham số scale được sử dụng ở
mẫu số và do vậy đối ngược với sự phát biểu ở trên nếu s> 1 là giãn tín hiệu, nếu s<1
là nén tín hiệu.
0 0
Wavelet function (t) Shifted Wavelet function (t-k)

2.3.3 Biến đổi wavelet rời rạc
Việc tính toán các hệ số Wavelet tại tất cả các tỉ lệ là một công việc hết sức phức
tạp. Nếu tính toán như vậy sẽ tạo ra một lượng dữ liệu khổng lồ. Để giảm thiểu công
việc tính toán người ta chỉ chọn ra một tập nhỏ các giá trị tỉ lệ và các vị trí để tiến
hành tính toán. Hơn nữa nếu việc tính toán được tiến hành tại các tỷ lệ và các vị trí
trên cơ sở luỹ thừa cơ số 2 thì kết quả thu được sẽ hiệu quả và chính xác hơn rất nhiều.
Quá trình chọn các tỷ lệ và các vị trí để tính toán như trên tạo thành lưới nhị tố
(dyadic). Một phân tích như trên hoàn toàn có thể thực hiện được nhờ biến đổi
Wavelet rời rạc (DWT). Do đó, việc tính toán biến đổi DWT thực chất là sự rời rạc
hoá biến đổi Wavelet liên tục (CWT); việc rời rạc hoá được thực hiện với sự lựa chọn
các hệ số a và b như sau:
0 0 0
, .
m m
a a b nb a
  (2.2)
Trong đó a0 và b0 lớn hơn 0 và là những thông số cố định, m,n là các số tự nhiên.
Khi đó ta có:
/2 /2
0 0
, 0 0 0 0
0
( ) ( )
m
m m m
m n m
t nb a
t a a a t nb
a
  
  
 

  
 
 
(2.3)
Việc tính toán hệ số của biến đổi Wavelet có thể dễ dàng thực hiện bằng các
băng lọc số nhiều nhịp đa kênh, một lý thuyết rất quen thuộc trong xử lý tín hiệu.

2.3.4 Giới thiệu một số họ Wavelet
Hình 2.9. Các họ Wavelet (a) Haar (b) Daubechies4 (c) Coiflet1 (d) Symlet2 (e)
Meyer (f) Morlet (g) Mexican Hat
Hình 2.9 mô tả một số hàm Wavelet được sử dụng phổ biến. Wavelet Haar là
một trong những Wavelet đầu tiên và đơn giản nhất. Wavelet Daubechies là Wavelet
phổ biến nhất, Wavelet Haar là cơ sở cho xử lý tín hiệu Wavelet và được sử dụng
trong nhiều ứng dụng. Các Wavelet Haar, Daubechies, Symlets và Coiflets là những
Wavelet trực giao. Những Wavelet theo dạng Wavelet Meyer có khả năng khôi phục
hoàn hảo. Các Wavelet Meyer, Morlet và Mexican Hat có dạng đối xứng.
2.3.5 Biến đổi DWT và phân tích đa phân giải tín hiệu EEG
Hình 2.10. Sơ đồ biểu diễn biến đổi wavelet để phân tích đa phân giải

Hình 2.11. Phân tích đa phân giải tín hiệu EEG
Phân tích đa phân giải (Multi Resolution Analysis – MRA) phân tích tín hiệu ra
các dải tần số khác nhau thông qua các bộ lọc thông thấp và bộ lọc thông cao liên
tiếp. MRA có khả năng như hai bộ lọc để tạo ra hai thành phần chi tiết và xấp xỉ.
Thành phần chi tiết có hệ số tỷ lệ thấp tương ứng với thành phần thành phần tần số
cao được thực hiện thông qua bộ lọc thông cao, thành phần xấp xỉ có hệ số tỷ lệ cao
tương ứng với thành phần tần số thấp được thực hiện thông qua bộ lọc thông thấp.
Biến đổi wavelet cung cấp một phép phân tích đa phân giải của một hàm. Bản ảnh
dịch và tỉ lệ của hàm cơ sở cho phép sự định vị tần số, thời gian của số liệu được phân
tích. DWT tạo ra sự phân giải tần số tốt hơn cho các tần số cao và phân giải thời gian
tốt hơn cho các tần số thấp. Phương pháp này rất phù hợp để phân tích tín hiệu EEG
và lấy được các đặc trưng của năm dạng sóng như đã trình bày trong mục 1.1.4 (Xem
Hình 2.11)

Chọn lọc đặc trưng EEG sử dụng phương pháp phân tích thành phần
chính
2.4.1 Nguyên lý chung
0.00
10.00
20.00
30.00
40.00
50.00
60.00
70.00
0.00 50.00 100.00 150.00 200.00 250.00
x1
x2
0.00
10.00
20.00
30.00
40.00
50.00
60.00
70.00
0.00 50.00 100.00 150.00 200.00 250.00
x1
x2
p1
p2
Hình 2.12. Không gian mới (p1,p2) theo hướng phân bố mạnh nhất của các vector
trong không gian (x1,x2) tìm theo PCA
PCA là một thuật toán để được sử dụng để tạo ra một vecto đặc trưng mới từ
vecto đặc trưng ban đầu. Vecto mới này có kích thước nhỏ hơn rất nhiều so với vecto
đầu vào và vẫn mang những đặc trưng cơ bản nhất của vecto cần nhận dạng. PCA
không cần quan tâm đến việc tìm ra các đặc điểm cụ thể của thực thể cần nhận dạng
và mối quan hệ giữa các đặc điểm đó. Tất cả các chi tiết đó đều được thể hiện ở vecto
mới được tạo ra từ PCA.
Về bản chất, PCA tìm ra một không gian mới theo hướng biến thiên mạnh nhất
của một tập hợp các vector trong không gian cho trước. Trong không gian mới, người
ta hy vọng rằng việc phân loại sẽ mang lại kết quả tốt hơn so với không gian ban đầu.

2.4.2 Nội dung thuật toán PCA
Không gian mới được tạo bởi PCA được cấu thành từ K vector đơn vị có chiều
là N. Mỗi vector được gọi là một Eigenface.
Phép biến đổi:
1 1
2 2
. .
. .
. .
N K
a w
a w
A W
a w
   
   
   
   
  
   
   
   
   
 
   
 
với K<<N
Theo công thức:
.
W T A
 (2.4)
Với T là ma trận chuyển đổi, T có kích thước KxN
Gọi M là số ảnh đầu vào, mỗi ảnh được chuyển thành vector N chiều. Ta có
tập hợp đầu vào X={x1,x2,…,xM} (xi Є RN
)
Trung bình của các vector đầu vào:



M
i
i
x
M
x
1
1
(2.5)
Sai lệch so với tâm:
x
xi
i 

 (2.6)
Gọi A=[Ф1,Ф2,…,ФM] ta có ma trận tương quan của A là:






M
i
T
T
i
i A
A
M
C
1
.
1
(2.7)
Gọi các giá trị riêng của C là λ1, λ2,…, λN sắp xếp theo thứ tự giảm dần, tương
ứng với N vector riêng u1, u2,…, uN. Các vector riêng này trực giao từng đôi một. Mỗi
vector riêng ui được gọi là một eigenface. Tập hợp các vector ban đầu được biểu diễn
trong không gian tạo bởi N eigenface theo mô tả:








N
i
i
i
N
N u
w
u
w
u
w
u
w
x
x
1
2
2
1
1 ... (2.8)
Chọn lấy K vector riêng u tương ứng với K giá trị riêng λ lớn nhất, ta có:









K
i
i
i
K
K u
w
u
w
u
w
u
w
x
x
1
2
2
1
1 ... với K<<N
Vector các hệ số khai triển [w1, w2, …, wK] chính là biểu diễn mới được tạo ra
trong không gian PCA. Vector x̂ vẫn giữ được các đặc điểm chính của đầu vào.
Vector [w1, w2, …, wK] được tính theo công thức:
  )
.(
.
.
.
.
.
.
2
1
2
1
x
x
U
x
x
u
u
u
w
w
w
T
T
K
T
T
K












































(2.9)
Vấn đề cần giải quyết ở đây là ma trận tương quan C=A.AT
có kích thước N2
,
khối lượng tính toán sẽ rất lớn. Do đó để tính được các eigenface mà không cần tính
cả ma trận C, người ta đưa ra phương pháp tính nhanh dựa vào vector riêng và giá trị
riêng của ma trận L=AT
.A có kích thước MxM với M là số ảnh đầu vào. Ta có thể
chứng minh như sau: gọi vi, µi lần lượt là vector riêng và giá trị riêng của ma trận L:
AT
.A.vi=µi.vi (2.10)
Nhân cả 2 vế với A ta có:
A.AT
.A.vi=µi.A.vi (2.11)
Ta thấy A.vi chính là vector riêng của C=A.AT
ứng với giá trị riêng µi
2.4.3 Áp dụng PCA vào trích chọn vector đặc tính cho bài toán nhận dạng tín
hiệu EEG
Tín hiệu EEG sau khi qua biến đổi DWT sẽ tạo ra một vector đặc trưng. Các
bước trích chọn vector đặc tính mang những đặc tính riêng rút gọn như sau:
(1). Tính vector kỳ vọng của toàn bộ dữ liệu:



M
i
i
x
M
x
1
1
(2.12)
(2). Trừ mỗi điểm dữ liệu đi vector kỳ vọng của toàn bộ dữ liệu:
x
xi
i 

 (2.13)
(3). Tính ma trận hiệp phương sai:

1 ˆ ˆ T
S XX
N
 (2.14)
(4). Tính các trị riêng và vector riêng có norm bằng 1 của ma trận này, sắp xếp
chúng theo thứ tự giảm dần của trị riêng.
(5). Chọn K vector riêng ứng với K trị riêng lớn nhất để xây dựng ma trận UK
có các cột tạo thành một hệ trực giao. K vectors này, còn được gọi là các
thành phần chính, tạo thành một không gian con gần với phân bố của dữ liệu
ban đầu đã chuẩn hoá.
(6). Chiếu dữ liệu ban đầu đã chuẩn hoá X̂ xuống không gian con tìm được.
(7). Dữ liệu mới chính là toạ độ của các điểm dữ liệu trên không gian mới.
2.4.4 Đánh giá thuật toán
 Ưu điểm của phương pháp PCA
- Tìm được các đặc tính tiêu biểu của đối tượng cần nhận dạng mà không cần
phải xác định các thành phần và mối quan hệ giữa các thành phần đó.
- Thuật toán có thể thức hiện tốt với các vecto có số chiều lướn, do PCA sẽ thu
gọn ảnh thành một vectocó kích thước nhỏ hơn.
- PCA có thể kết hợp với các phương pháp khác như mạng Noron, Support
Vector Machine … để mang lại hiệu quả nhận dạng cao hơn.
 Nhược điểm của PCA
- PCA phân loại theo chiều phân bố lớn nhất của tập vector. Tuy nhiên, chiều
phân bố lớn nhất không phải lúc nào cũng mang lại hiệu quả tốt nhất cho bài
toán nhận dạng. Đây là nhược điểm cơ bản của PCA.
- PCA rất nhạy với nhiễu.
Mạng nơ ron MLP và ứng dụng trong nhận dạng tín hiệu EEG
2.5.1 Kiến trúc mạng
Một mạng truyền thẳng nhiều lớp bao gồm một lớp vào (Input Layer), một lớp
ra (Output Layer) và một hoặc nhiều lớp ẩn (Hidden Layers) nằm giữa lớp vào và lớp
ra. Kiến trúc này được minh họa trong Hình 2.13.

Hình 2.13. Mạng Perceptron đa lớp (MLP)
Các lớp đầu vào nhận tín hiệu vào và tái phân phối cho các nơron trong lớp ẩn.
Các nơron đầu vào không thực hiện bất kỳ một tính toán nào. Các nơron lớp ẩn sẽ
phát hiện các tính năng và trọng của các nơron đại diện cho các tính năng ẩn của lớp
đầu vào. Những tính năng này sẽ được sử dụng bởi các lớp ra để xác định mô hình
đầu ra. Luồng thông tin trong mạng nơron truyền thẳng sẽ đi từ trái qua phải, các giá
trị đầu vào x được truyền tới các nơron lớp ẩn thông qua trọng số kết nối sau đó đưa
tới lớp ra. Trọng số kết nối từ phần tử vào thứ i tới nơron ẩn thứ j được ký hiệu là wij,
trọng số kết nối từ nơron ẩn thứ j tới các nơron ra thứ k được ký hiệu là vjk.
2.5.2 Huấn luyện mạng
Khi mạng MLP mới được đề xuất, Rosenblatt đã không giải quyết được vấn đề
hiệu chỉnh ma trận trọng số của các lớp ẩn trong mạng Perceptron đa lớp MLP. Cho
đến năm 1986, một thuật toán khá hiệu quả để huấn luyện cho mạng MLP mới được
đưa ra bởi Rumehart và McCelland. Đó chính là luật học lan truyền ngược dùng cho
mạng MLP.
Nguyên lý của luật học này là việc lan truyền ngược sai số (còn gọi là lan truyền
ngược độ nhạy-Backpropagating the sensitivitives) từ lớp ra trở lại các lớp ẩn và đến
đầu vào mạng và từ đó tìm ra cách hiệu chỉnh ma trận trọng số và các hệ số bias để
tối thiểu hoá sai số trung bình bình phương. Để tính toán cho việc lan truyền ngược

sai số ở đây phải sử dụng đạo hàm hàm hoạt hoá, và việc tính toán phải thực hiện lần
lượt qua từng lớp từ đầu ra trở lại đầu vào. Trước hết ta có các khái niệm .
 Sai số trung bình bình phương (mean squared error)
Cho tập mẫu vào huấn luyện mạng { (PK,TK)} gồm có các mẫu pi đã được xác
định trước tín hiệu ra yêu cầu ti .Khi mẫu ti được lan truyền qua mạng và cho tín hiệu
đầu ra là ai ta có thể định nghĩa sai số trung bình bình phương là như sau:







S
i
i
i
i
i a
t
a
t
E
e
E
x
F
1
2
2
2
)
(
2
1
]
)
[(
]
[[
)
( (2.15)
Trong đó x là vectơ trọng số và hệ số bias của mạng được viết như sau:











b
W
X
i
(2.16)
Mục tiêu của huấn luyện mạng là nhằm điều chỉnh Wi và b sao cho F(x) đạt giá
trị nhỏ nhất. Đây chính là nguyên tắc huấn luyện mạng MLP. Nguyên tắc này được
thực hiện bằng cách lấy đạo hàm riêng của F(x) theo các trọng số w và hệ số bias và
hiệu chỉnh trọng số và hệ số bias tại bước lặp thứ k+1 theo công thức sau:
m
j
i
m
j
i
m
j
i
w
F
k
w
k
w
,
,
, )
(
)
1
(



  (2.17)
m
i
m
i
m
i
b
F
k
b
k
b



 
)
(
)
1
( (2.18)
Với m là chỉ số lớp của mạng, còn  là hệ số học (learning rate). Đây cũng
chính là nguyên tắc hiệu chỉnh trọng số gần giống luật delta, tức là trị số hiệu chỉnh
tỷ lệ thuận với vi phân từng phần của hàm sai số trung bình bình phương theo các
trọng số để tối thiểu hoá hàm này.
 Luật dây chuyền :
Vấn đề chính trong công thức trên là tính đạo hàm riêng của hàm F như thế nào.
Trong các lớp ẩn, F không phải là một hàm hiện mà là hàm gián tiếp của các trọng
số, chính vì vậy mà ta phải sử dụng đến luật dây chuyền để tính các đạo hàm riêng.

Với luật dây chuyền, ta giả thiết hàm F là hàm hiện duy nhất của một biến n, khi đó
có thể tính đạo hàm của hàm F theo một biến thứ 3 là w như sau:
dw
w
dn
dn
n
df
dw
w
n
df )
(
)
(
))
(
(

 (2.19)
Sử dụng công thức 2.15 ta có thể tính đạo hàm riêng của F trong các công thức
2.13 và 2.14 Ta có tín hiệu nnet của nơron thứ i của lớp m được tính như sau:
m
i
S
j
m
j
m
j
i
m
i b
a
w
n
m

 



1
1
1
, (2.20)
Đây là một hàm hiện của các trọng số và hệ số bias. Theo đó ta có:
1
,



 m
j
m
j
i
m
i
a
w
n
và 1



m
i
m
i
b
n
(2.21)
Sử dụng luật dây chuyền 2.15 ta có:
1
,
,











 m
j
m
i
m
j
i
m
i
m
i
m
j
i
a
n
F
w
n
n
F
w
F
m
i
m
i
m
i
m
i
m
i n
F
b
n
n
F
b
F











(2.22)
 Luật học lan truyền ngược (Back-propagation)
Thuật học lan truyền ngược với mạng MLP được mô tả như sau:
- Bước 1: Cung cấp tập mẫu huấn luyện gồm K cặp mẫu vào và kết quả ra đích
- Bước 2: Khởi tạo giá trị ban đầu cho các trọng số và thiết lập các tham số của
mạng
- Bước 3: Lần lượt cho K mẫu lan truyền qua mạng từ lớp vào tới lớp ra. Ta có
thể diễn tả việc tính toán tín hiệu ra ở từng lớp như sau:
a0=PK (mẫu vào)
am+1
=fm+1
(Wm+1
am
+bm+1
) với chỉ số lớp m=0,1,2…M-1
a=aM
(a-tín hiệu ra của mạng)
- Bước 4: Tính sai số trung bình bình phương và lan truyền ngược sai số này về
các lớp trước.
- Bước 5: Cập nhật các trọng số liên kết theo hướng giảm dốc nhất Gradient.
Quá trình lặp lại từ bước 3 cho đến khi giá trị sai số trung bình bình phương là
nhỏ ở mức chấp nhận được.

 Sự hội tụ:
Thuật toán lan truyền ngược hội tụ đến một giải pháp mà nó tối thiểu hoá được
sai số trung bình bình phương vì cách thức hiệu chỉnh trọng số và hệ số bias của thuật
toán là ngược hướng với vectơ Gradient của hàm sai số trung bình bình phương đối
với trọng số. Tuy nhiên, đối với mạng MLP thì hàm sai số trung bình bình phương
thường phức tạp và có nhiều cực trị cục bộ, vì thế các phép lặp huấn luyện mạng có
thể chỉ đạt được đến cực trị cục bộ của hàm sai số trung bình bình phương mà không
đạt đến được cực trị tổng thể.
Vấn đề quá trình huấn luyện sẽ hội tụ như thế nào sẽ phụ thuộc vào các điều
kiện ban đầu của quá trình huấn luyện. Đặc biệt là việc chọn hệ số học  như thế nào
để tăng khả năng hội tụ của mạng. Với mỗi bài toán ta lại có phương án chọn hệ số
học khác nhau.
Như vậy khi một quá trình huấn luyện theo thuật toán lan truyền ngược hội tụ,
ta chưa thể khẳng định được nó đã hội tụ đến phương án tối ưu. Ta cần phải thử với
một số điều kiện ban đầu để đảm bảo thu được phương án tối ưu.
2.5.3 Các yếu tố ảnh hưởng đến hoạt động của mạng MLP
 Số lớp ẩn
Với mạng có một lớp ẩn có thể biểu diễn cho bất kỳ một tín hiệu đầu vào nào
đó của lớp vào. Với mạng có hai lớp ẩn có thể thể hiện các hàm với các dáng điệu bất
kỳ.[17]
Phần lớn các thuật toán huấn luyện mạng cho các nơron truyền thẳng đều dựa
trên phương pháp Gradient. Các lớp thêm vào sẽ tăng thêm việc lan truyền các lỗi
làm cho vector Gradient không ổn định.
Với thuật toán tối ưu dựa trên Gradient chỉ có thể tìm ra tối thiểu cục bộ và rất
khó để tìm ra tối thiểu toàn cục vì xác suất bị tắc tại tối thiểu cục bộ là khá lớn.
 Số nơ ron trong mỗi lớp ẩn
Nếu số nơron trong lớp ẩn quá ít có thể dẫn đến việc không thể nhận dạng
được đầy đủ các tín hiệu trong một tập dữ liệu phức tạp, hay thiếu ăn khớp
(Underfitting). Nhưng nếu có quá nhiều lại làm tăng thời gian huấn luyện mạng và

có thể dẫn đến tình trạng thừa ăn khớp (Overfitting). Tức là mạng có quá nhiều thông
tin, hoặc lượng thông tin trong tập dữ liệu mẫu (Training Set) không đủ các dữ liệu
đặc trưng để huấn luyện mạng. Số lượng các đơn vị trong lớp ẩn phụ thuộc vào rất
nhiều yếu tố như số đầu vào, đầu ra của mạng, số trường hợp trong tập mẫu, độ nhiễu
của dữ liệu đích, độ phức tạp của hàm lỗi, kiến trúc mạng và thuật toán huấn luyện
mạng.
Thông thường để xác định được số đơn vị tối ưu trong lớp ẩn cần phải thông
qua huấn luyện mạng với một bộ số các đơn vị trong lớp ẩn và dự báo lỗi tổng quát
hóa của từng lựa chọn. Cách tốt nhất để tìm ra số đơn vị tối ưu là sử dụng phương
pháp thử sai (Trial – and – Error).
 Các trọng số khởi tạo ban đầu
Hình 2.14. Cực trị địa phương và toàn cục
Các trọng số khởi tạo ban đầu có thể làm cho quá trình cập nhật trọng số rơi
vào vùng cự trị địa phương thay vì cực trị toàn cục. Như mô tả trong Hình 2.14, nếu
trọng số được khởi tạo bắt đầu từ bên trái, quá trình luyện mạng sẽ hội tụ tại điểm W1
mà không phải là Wg. Điểm W1 được gọi là điểm tối thiểu cục bộ (Local Minimum).
Điểm Wg được gọi là điểm tối thiểu toàn cục. Mô hình chỉ có thể đạt đến điểm tối
thiểu toàn cục là điểm Wg khi và chỉ khi mô hình thoát khỏi điểm W1. Giải thuật BP
có nhược điểm lớn là mô hình mạng có thể rơi vào điểm tối thiểu cục bộ mà không
phải là tối thiểu toàn cục. Để khắc phục nhược điểm này, người ta đưa thêm vào một
khái niệm là Momentum. Momentum là hệ số góp phần giúp cho quá trình chỉnh sửa

Điều khiển thiết bị trong nhà thông minh qua sóng điện não.pdf

Điều khiển thiết bị trong nhà thông minh qua sóng điện não.pdf

Recommended

Recommended

More Related Content

Similar to Điều khiển thiết bị trong nhà thông minh qua sóng điện não.pdf

Similar to Điều khiển thiết bị trong nhà thông minh qua sóng điện não.pdf (20)

More from Man_Ebook

More from Man_Ebook (20)

Recently uploaded

Recently uploaded (20)

Điều khiển thiết bị trong nhà thông minh qua sóng điện não.pdf