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

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 TH

Trang 1

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

Trang 2

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

Trang 3

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

Trang 4

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

Trang 5

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

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 VÀ HƯỚNG PHÁT TRIỂN 53

TÀI LIỆU THAM KHẢO 55

Trang 6

DANH MỤC CÁC TỪ VIẾT TẮT

Từ hoặc

AR Autoregressive Modeling Mô hình tự hồi quy

BCI Brain-Computer Interface Giao tiếp máy - điện não

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

LDA Linear Discriminant Analysis Phương pháp phân tích sự khác biệt

tuyến tính

MLP MultiLayer Perceptron Mạng nơron Perceptron đa lớp

PCA Principal Component Analysis Phương pháp phân tích thành phần

chính

SVM Support Vector Machine Học máy vectơ hỗ trợ

Trang 7

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

Trang 8

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

Trang 9

DANH MỤC BẢNG BIỂU

Bảng 3.1 Một số kết quả thử nghiệm điều khiển thiết bị 52

Trang 10

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

Trang 11

- 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

Trang 12

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

Trang 13

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,

Trang 14

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

Trang 15

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

Trang 16

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

Trang 17

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,

Trang 18

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

Trang 19

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

Trang 20

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

Trang 21

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)

Trang 22

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

Trang 23

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

Trang 24

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

Trang 25

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

Trang 26

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

Trang 27

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

Trang 28

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

Trang 29

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

Trang 30

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

Trang 31

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

Trang 32

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,

Định dạng
Số trang	65
Dung lượng	2,22 MB