về cấu trúc sinh học, một số bệnh liên quan có thể xuất hiện như suy giảm trí nhớ, tự kỷ/trầm cảm, Parkinson, đột qụy… Tín hiệu điện não là một cách tiếp cận phù hợp để có thể đánh giá t
Tính cấp thiết
Não bộ là một trong những cơ quan quan trọng nhất, về cơ bản chịu trách nhiệm điều phối toàn bộ các cơ quan khác trong cơ thể con người Cơ chế hoạt động của não bộ là một vấn đề rất phức tạp, đến nay khoa học chưa có lời giải rõ ràng Nếu não bộ hoạt động không bình thường có thể do các vấn đề tâm lý hay xáo trộn về cấu trúc sinh học, một số bệnh liên quan có thể xuất hiện như suy giảm trí nhớ, tự kỷ/trầm cảm, Parkinson, đột qụy… Tín hiệu điện não là một cách tiếp cận phù hợp để có thể đánh giá tình trạng của não bộ trong các trường hợp kể trên do chất lượng tín hiệu tốt, độ phân giải cao, tính linh động của thiết bị, an toàn và giá thành hợp lý trong điều kiện Việt Nam nếu so sánh với các phương pháp thu tín hiệu từ não bộ khác như chụp cộng hưởng từ, chụp cắt lớp, điện não đồ xâm lấn…
Tín hiệu điện não hay sóng điện não (Electroencephalogram – EEG) là các giá trị điện thế có giá trị rất nhỏ, tạo ra bởi quá trình tương tác với nhau của các tế bào thần kinh trong nóo Tớn hiệu EEG thường cú biờn độ trong khoảng từ 10 àV đến 100 àV và tần số trong dải từ 1 Hz đến 100 Hz Tớn hiệu EEG khụng tuõn theo phân bố Gauss thông thường và cũng không tĩnh (nonstationary) Thông thường, tín hiệu EEG cho biết thông tin về các hoạt động theo nhịp (rhythmic activities) trên các dải tần số khác nhau như dải tần Delta (0.5–4 Hz), Theta (4-8 Hz), Alpha (8-13 Hz), Beta (13-30 Hz) và Gamma (30-50 Hz) Phân tích tín hiệu EEG có thể dẫn đến một số phát hiện như: nhịp Delta thường được thu được ở các trẻ nhỏ dưới 1 tuổi và trong trạng thái ngủ sâu của người lớn; nhịp Theta tồn tại ở trẻ em nhỏ dưới 7 tuổi hoặc trẻ em bình thường hoặc ở người lớn trong trạng thái buồn ngủ hoặc đang ngủ; một lượng lớn tín hiệu nhịp Theta thu được ở người lớn trong trạng thái tỉnh táo là dấu hiệu cảnh báo tình trạng bất thường hoặc dấu hiệu bị bệnh
Tín hiệu điện não thường xuyên được sử dụng để phát triển các hệ giao diện não-máy tính (Brain Computer Interface - BCI), phương thức truyền thông cho phép kết nối máy tính để xử lý và hiểu được tín hiệu sinh ra từ bộ não một cách hiệu quả
BCI là một giải pháp hữu ích cho người bị các bệnh như xơ cứng teo cơ một bên (ALS) hay bệnh nhân trong tình trạng nghiêm trọng không cử động và điều khiển được các bộ phận của cơ thể Giao điện não máy tính cho phép chuyển tải thông điệp người sử dụng muốn chỉ thông qua tín hiệu đã được phân tích, xử lý và “dịch” bởi hệ thống mà không cần bất kỳ can thiệp nào khác Một số ứng dụng của hệ BCI có thể kể đến trong việc hỗ trợ phục hồi chức năng của người bị liệt nửa người do chấn thương tủy sống [1], cho phép người sử dụng điều khiển các nhân vật hoạt họa di chuyển trong một trò chơi điện tử dựa trên Xung phản ứng kích thích thị giác trạng thái ổn định [2], điều khiển con chuột máy tính [3] Để thực hiện việc phân tích thông tin và triển khai các ứng dụng dựa trên tín hiệu EEG kể trên, một số vấn đề còn tồn tại, chưa được giải quyết bởi các nghiên cứu trước đây có thể được kể đến:
- Tín hiệu điện não sau khi được biến đổi sang miền thời gian – tần số sẽ chứa các thông tin đặc trưng được khu trú trên từng dải tần cụ thể và theo từng khung thời gian nhất định Các phương pháp trước đây, ví dụ sử dụng mạng nơ-ron nhân tạo, thường phải trải qua bước huấn luyện off-line, do đó không tự động hóa được quy trình khử nhiễu
- Các thiết kế thí nghiệm của các nghiên cứu khác tập trung vào việc tạo ra các đặc trưng như P300, xung kích thích thị giác trạng thái ổn định SSVEP, nhịp Mu và Beta… thường yêu cầu thiết bị phụ trợ như màn hình máy tính hiển thị các hình ảnh, ký tự được nháy sáng
- Các phương pháp phân loại tín hiệu điện não trước đây thường được phát triển cho các thí nghiệm như hình dung ảnh vận động, nhịp vận động cảm giác hay xung kích thích thị giác trạng thái ổn định không phù hợp cho việc phân loại tín hiệu điện não sinh ra trong tác vụ tập trung suy nghĩ vốn không đòi hỏi thiết kế thí nghiệm phải có thiết bị hỗ trợ
Học máy là các phương pháp tính toán thông minh cho phép máy tính tạo ra các mô hình toán học có tham số hình thành bởi quá trình khai phá, huấn luyện với dữ liệu gán nhãn (học có giám sát) hoặc không cần gán nhãn (học không giám sát)
Học sâu hay mạng nơ-ron nhân tạo sâu (deep neural network) với các cấu trúc khác nhau như mạng niềm tin (deep belief net), máy tự mã hóa thưa (autoencoder), mạng tích chập (convolutional neural network), mạng sinh đối nghịch (generative adversarial networks) là các thuật toán học máy được ứng dụng rất thành công trong nhiều lĩnh vực Các thuật toán học sâu khi có nhiều dữ liệu để huấn luyện sẽ càng trở nên hiệu quả trong việc thực hiện chức năng được “dạy” Kết quả thực nghiệm trong luận án này mới chỉ tiến hành trên một tập dữ liệu quy mô nhỏ, tuy nhiên việc sử dụng các phương pháp học sâu là bước chuẩn bị sẵn sàng để triển khai công nghệ đề xuất cho các bài toán thực tế, khi có lượng lớn dữ liệu Dựa trên những phân tích ở trên, việc nghiên cứu và phát triển các phương pháp xử lý và phân loại tín hiệu điện não, hướng đến áp dụng các phương pháp này trong một hoặc một số ứng dụng cụ thể là một vấn đề nghiên cứu có ý nghĩa khoa học và thực tiễn cao, rất cần thiết được tập trung nghiên cứu một cách kỹ lưỡng.
Mục tiêu của luận án
Luận án đặt ra một số mục tiêu như sau:
- Phát triển phương pháp để tăng cường chất lượng điện não dựa trên học máy: Với vai trò là thông tin đầu vào, chất lượng của bản ghi tín hiệu điện não rất quan trọng, ảnh hưởng đến chất lượng xử lý và phân loại tín hiệu của hệ xử lý, phân tích tín hiệu điện não Do đó, việc tăng cường chất lượng điện não, cụ thể là loại bỏ thành phần tín hiệu điện não không mong muốn trong đó tín hiệu điện não bất thường sinh ra do nháy mắt (Electrooculography – EOG), là một cách tiếp cận phù hợp để tăng hiệu quả hoạt động của hệ BCI cũng như các hệ thống phân tích tính hiệu điện não khác
- Phát triển các phương pháp trong phân tích, xử lý tín hiệu điện não dựa trên các phương pháp học máy trong đó bao gồm việc kiểm thử các phương pháp học có giám sát và không giám sát dựa trên SVM, ANN, DNN, Học cộng đồng: Đối với các phương pháp phân tích tín hiệu điện não dựa trên học có giám sát, kết quả phân loại tín hiệu sẽ cho thấy mô hình đã được huấn luyện có thể học và làm tốt đến đâu với
14 dữ liệu tín hiệu điện não đầu vào đã được gán nhãn Trong trường hợp xử lý tín hiệu điện não với phương pháp học không giám sát, luận án sẽ kiểm chứng việc một thuật toán học máy trong trường hợp cụ thể có thể làm tốt đến đâu khi đã biết nhiệm vụ nhưng chưa thực sự thực hiện nhiệm vụ này bao giờ Suy rộng ra là mục tiêu chứng tỏ các hệ thống trí tuệ nhân tạo có khả năng tự học và suy diễn để thực hiện các nhiệm vụ được đặt ra như khả năng suy luận của con người mà không cần phải cho huấn luyện trước (trong chừng mực nào đó) trên một nhiệm vụ như vậy
- Phát triển một qui trình thu nhận dữ liệu với thiết kế thí nghiệm riêng để đảm bảo phù hợp với hệ thống BCI có khả năng điều khiển các thiết bị điện tử gia dụng thông minh: Hiện nay, rất nhiều nghiên cứu về xử lý, phân tích tín hiệu điện não trên thế giới sử dụng tập dữ liệu có sẵn được công bố miễn phí và rộng rãi Tuy nhiên cách tiếp cận này có một nhược điểm là dữ liệu thu trước không phải lúc nào cũng phù hợp với nội dung của nghiên cứu Một số nghiên cứu khác chủ động tiến hành thu nhận và sử dụng dữ liệu thu được Những nghiên cứu này sử dụng các qui trình thu nhận dữ liệu khác nhau, tuy nhiên phần lớn trong số đó đều khá phức tạp Mục tiêu ban đầu của luận án này là phát triển một hệ BCI trong điều khiển các thiết bị điện tử thông minh, có thể hỗ trợ những nhóm người bị tổn thương chức vận động (đột quỵ, xơ cứng teo cơ một bên - ALS, đa xơ cứng, chấn thương tủy sống, loạn dưỡng cơ, …) không có khả năng cử động tương tác được với các thiết bị điện tử Để thực hiện hệ BCI như vậy, nghiên cứu trong khuôn khổ luận án này đã phát triển một qui trình thu nhận dữ liệu với thiết kế thí nghiệm riêng để đảm bảo phù hợp với hệ thống BCI có khả năng điều khiển các thiết bị điện tử gia dụng thông minh.
Đóng góp của luận án
Luận án có những đóng góp khoa học tập trung vào ba nhóm vấn đề (1) xử lý, tăng cường chất lượng tín hiệu điện não, (2) phân tích, phân loại tín hiệu điện não và (3) một hệ thống giao diện não máy tính hoàn chỉnh trong ứng dụng điều khiển thiết bị điện tử gia dụng Cụ thể các đóng góp như sau:
(1) Đề xuất các phương pháp xử lý, tăng cường chất lượng tín hiệu điện não:
Thứ nhất, khử tín hiệu điện não bất thường sinh ra do nháy mắt tự động với mạng học sâu tự mã hóa thưa wavelet (DWSAE) Đây là một phương pháp mới, trong đó thuật toán DWSAE được huấn luyện không giám sát và khử nhiễu một cách tự động Cách tiếp cận này chứng tỏ các thuật toán trí tuệ nhân tạo nếu được triển khai theo một quy trình phù hợp, có khả năng tự tìm cách thực hiện các nhiệm vụ cụ thể mà không cần được biết trước nhiệm vụ đó
Thứ hai, nhận diện, dò đếm giả tượng mắt EOG dựa trên biến đổi wavelet với hàm cơ sở wavelet Haar Phương pháp này được phát triển với mục đích thu thập các đoạn tín hiệu điện não sạch phục vụ huấn luyện không giám sát mô hình DWSAE
(2) Đề xuất các phương pháp phân tích, phân loại tín hiệu điện não:
Thứ ba, phân loại tín hiệu điện não trong các tác vụ suy nghĩ dựa trên bộ phân lớp SVM với đặc trưng năng lượng wavelet tương đối Việc triển khai phương pháp này cho thấy, đặc trưng (Relative wavelet energy – RWE) rất phù hợp để làm đầu vào cho các mô hình phân lớp học máy dựa trên việc tạo ra các siêu phẳng, nhất là trong bài toán phân loại tín hiệu điện não
Thứ tư, phân loại tín hiệu điện não sử dụng mạng nơ-ron phân tích thành phần chính trong lựa chọn đặc trưng Trong cách tiếp cận này, mạng nơ-ron được huấn luyện với phương pháp lan truyền ngược tối ưu trọng số lớp đầu ra (OWO-BP) sử dụng đặc trưng trích xuất bởi phương pháp phân tích thành phần chính
Thứ năm, phân loại tín hiệu điện não sử dụng mạng học sâu với đặc trưng lựa chọn bởi phân ngưỡng SURE Trong phương pháp này, mạng học sâu được huấn luyện với đầu vào là các đặc trưng trên miền tần số được trích chọn và giảm số chiều thông tin sau phân tích thành phần chính PCA Một phương pháp phân ngưỡng SURE [4] được đề xuất để giảm số chiều các thành phần chính nhằm giảm độ phức tạp tính toán và thời gian xử lý, đồng thời tăng chất lượng của bộ phân lớp sử dụng mạng học sâu
(3) Đề xuất một hệ thống giao diện não máy tính hoàn chỉnh ứng dụng trong điều khiển thiết bị điện tử gia dụng:
Thứ sáu, đề xuất mô hình và thực hiện hệ giao diện não máy tính trong điều khiển thiết bị điện tử gia dụng Hệ giao diện não máy tính này gồm bốn phần chính là khối thu tín hiệu (cùng với thiết kế thí nghiệm, sử dụng phù hợp), khối xử lý tín hiệu số, khối kết nối và điều khiển thiết bị không dây và khối các thiết bị thông minh Các khối thành phần của hệ thống được kết nối hữu tuyến hoặc vô tuyến (wi-fi, blue tooth) với nhau
Thứ bảy, phân loại tín hiệu điện não sử dụng mô hình dựa trên máy học cộng đồng là một cách tiếp cận phù hợp để phát triển hệ BCI trong điều khiển thiết bị điện tử gia dụng thông minh Mô hình máy học cộng đồng sử dụng tín hiệu đầu vào đã được khử tín hiệu điện não bất thường sinh ra do nháy mắt với phương pháp DWSAE Các máy học thành phần được sử dụng là máy học dựa trên học sâu, mạng nơ-ron nhân tạo và máy vec-tơ hỗ trợ được đề xuất trong Chương 3 của luận án
Các đóng góp khoa học cũng như kết quả thực nghiệm của luận án cho thấy sử dụng học máy là phương pháp tiếp cận phù hợp để giải quyết các bài toán liên quan đến xử lý, phân loại tín hiệu điện não và hệ giao diện não máy tính trong điều kiện tín hiệu điện não có tính chất không tĩnh (non-stationary), thay đổi từ người này sang người khác và từ phiên thu tín hiệu này sang phiên thu tín hiệu khác Ngoài ra, việc thực hiện thành công phương pháp DWSAE cho thấy máy học không giám sát có thể là một cách tiếp cận mới trong xử lý phân tích tín hiệu điện não một cách tự động Khái quát hóa lên, các công cụ trí tuệ nhân tạo có khả năng học tự động với dữ liệu được gán nhãn để giải quyết nhiệm vụ chưa có kinh nghiệm Đây là cách giải quyết vấn đề rất gần với tư duy của con người.
Phạm vi của luận án
Luận án này tập trung giải quyết các vấn đề liên quan đến phân tích, xử lý tín hiệu điện não, phát triển và thực hiện hệ giao diện não máy tính nói chung và ứng dụng cụ thể cho hệ BCI có khả năng điều khiển các thiết bị điện tử gia dụng thông minh dựa trên tín hiệu điện não Để thực hiện được mục tiêu này, luận án tập trung phát triển một số phương pháp xử lý, phân tích tín hiệu điện não để tăng cường chất lượng tín hiệu điện não Các phương pháp này có thể được áp dụng cho hệ BCI điều
17 khiển thiết bị điện tử được mô tả trong luận án này cũng như các hệ xử lý tín hiệu điện não khác Bên cạnh đó, luận án trình bày một số nghiên cứu, đề xuất về các mô hình phân loại tính hiệu điện não hoàn chỉnh gồm tiền xử lý tín hiệu sóng điện não, trích chọn các đặc trưng phù hợp và huấn luyện, sử dụng mô hình phân lớp dựa trên học máy trong phân loại tín hiệu điện não thành các tác vụ suy nghĩ tương ứng Mô hình hệ giao diện não máy tính trong điều khiển các thiết bị điện tử thông minh được đề xuất trong nghiên cứu của luận án sử dụng thiết bị thu tín hiệu điện não có chất lượng tín hiệu tương đối tốt, thiết kế nhỏ gọn, linh động nhưng có giá thành hợp lý, phù hợp với điều kiện kinh tế -xã hội của Việt Nam Chương 4 của luận án đề xuất cách tiếp cận sử dụng mô hình học cộng đồng cho khối xử lý tín hiệu trong hệ BCI này.
Phương pháp luận
Luận án giải quyết các vấn đề nghiên cứu đặt ra theo cách tiếp cận sau:
- Sử dụng phương pháp nghiên cứu lý thuyết, xây dựng và kiểm thử các mô hình đề xuất trên dữ liệu đã được công bố và dữ liệu tự thu thập
- Các phương pháp được đề xuất được so sánh với các phương pháp đã có khác để đánh giá sự hiệu quả
- Kết quả được báo cáo dưới dạng số liệu hoặc trực quan hóa để thuận tiện cho việc đánh giá, kiểm chứng.
Cấu trúc luận án
Luận án này gồm 06 phần trong đó có Phần mở đầu, 04 chương nội dung và Phần kết luận Phần mở đầu nêu lên tính cấp thiết của vấn đề nghiên cứu, mục tiêu, đóng góp khoa học và phạm vi của luận án Chương 1 nêu tổng quan các vấn đề liên quan đến tín hiệu điện não, cơ chế sinh ra tín hiệu điện não và một số phương pháp xử lý, phân tích tín hiệu điện não Chương 2 trình bày đề xuất phương pháp xử lý, tăng cường chất lượng tín hiệu điện não đầu vào của hệ giao diện não máy tính bằng cách khử tín hiệu điện não bất thường sinh ra do nháy mắt Phương pháp được đề xuất kết hợp mạng học sâu tự mã hóa thưa và biến đổi wavelet để khử tín hiệu điện
18 não bất thường sinh ra do nháy mắt một cách tự động và theo thời gian thực Chương
3 trình bày một số cách tiếp cận và đề xuất các mô hình phân loại dựa trên học máy như máy vec-tơ hỗ trợ, mạng nơ-ron nhân tạo, mạng học sâu Chương 4 trình bày cách tiếp cận sử dụng học cộng đồng xếp ngăn để tăng cường khả năng phân loại của các phương án dựa trên học máy đã được đề xuất trong ứng dụng BCI phục vụ điều khiển thiết bị điện tử gia dụng thông minh Phần kết luận đưa ra đánh giá tổng quát về các kết quả nghiên cứu trình bày trong luận án, các đóng góp chính của luận án và gợi ý một số hướng nghiên cứu để phát triển các nội dung đã được thảo luận trong luận án
TỔNG QUAN VỀ TÍN HIỆU ĐIỆN NÃO VÀ XỬ LÝ, PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO
Giới thiệu
Bộ não, trung tâm điều khiển của hệ thần kinh trung ương, đóng vai trò rất quan trọng trong việc điều phối các hoạt động của các cơ quan khác và sản sinh ra ý thức [5] Não bộ (Hình 1) có khoảng 100 tỉ tế bào thần kinh và là một trong những bộ phận sinh học phức tạp nhất trong trong cơ thể con người [6] Tìm hiểu về 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 2), đó là:
- 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)
Hình 1 Cấu trúc não bộ [64]
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 [7] Tín hiệu điện não EEG là một phương thức được sử dụng phổ biến nhất thu nhận tín hiệu đầu vào cho các ứng dụng giao diện não – máy tính [3; 7-13], phù hợp với điều kiện kinh tế - xã hội nếu được triển khai áp dụng tại Việt Nam a b c d e f
Hình 2 Các phương thức thu tín hiệu từ não bộ (a) fNIRS, (b) fMRI, (c) PET, (d)
(Nguồn: https://www.udel.edu/udaily/2016/july/fnirs-brain-imaging (truy cập lần cuối 09/07/2020) và kết quả nghiên cứu của luận án)
Chương 1 sẽ trình bày về các phương pháp đo tín hiệu từ não bộ, cơ sở khoa học để làm rõ lý do và ưu điểm, hạn chế của tín hiệu điện não so với các phương pháp khác Qua các phân tích, đánh giá và cơ sở khoa học được trình bày sẽ cho thấy
21 một tiềm năng to lớn trong việc nghiên cứu tín hiệu điện não, phát triển hệ BCI, hứa hẹn sẽ đem đến những phát kiến khoa học có giá trị theo hướng nghiên cứu này trong các lĩnh vực y tế, điều khiển, trị liệu….Một số phương pháp phân tích, xử lý tín hiệu trong đó có các phương pháp nền tảng như biến đổi wavelet, phân tích thành phần độc lập, mạng nơ-ron wavelet, phương pháp hiển thị hình ảnh LORETA… sẽ được trình bày để làm cơ sở cho các phương pháp được đề xuất, phát triển ở các chương tiếp theo của luận án.
Tín hiệu điện não và phương pháp đo tín hiệu từ não bộ
2.1 Các phương pháp đo tín hiệu từ não bộ
2.1.1 Chụp quang phổ cận hồng ngoại chức năng
Phương pháp chụp quang phổ cận hồng ngoại chức năng (Functional Near- Infrared Spectroscopy - fNIRS) cho phép đo dữ liệu về oxi trên vỏ não và lưu lượng máu trên các vùng của não mà không cần can thiệp xâm lấn [14] fNIRS được thực hiện dựa trên nguyên lí tia sáng ở phổ cận hồng ngoại với bước sóng từ 700-900 nm bị hấp thụ mạnh bởi hemoglobin (Hb) và deoxygenated-hemoglobin (deoxy-Hb) vốn có trong máu nhưng có thể dễ dàng đi xuyên qua da, xương và các mô tế bào fNIRS cho phép theo dõi và phát hiện những sự thay đổi mang tính tương đối trong lưu thông máu não dựa trên sự khác biệt về mức độ bị hấp thụ các tia sáng ở phổ cận hồng ngoại này Tại bước song 810 nm, hệ số hấp thụ của deoxy-Hb and oxy-Hb là giống nhau do đó phương pháp đo tín hiệu não fNIRS thường sử dụng ít nhất hai bước sóng Trong đó, có một bước sóng cao hơn 810 nm và bước sóng còn lại sẽ thấp hơn 810 nm
Chứng tỏ được nhiều ưu điểm về độ chính xác và chất lượng của tín hiệu thu được, fNIRS thu hút sự quan tâm của nhiều nhóm nghiên cứu trên thế giới nhưng ở Việt Nam phương pháp này vẫn còn khá mới mẻ Cản trở lớn nhất của việc nghiên cứu phổ biến fNIRS là ở chi phí sử dụng cao, việc thiết lập hệ thống vẫn còn phức tạp Ngoài ra fNIRS có một nhược điểm rất lớn là không thể sử dụng để thăm dò
22 hoạt động não ở khu vực sâu hơn 4 cm do những hạn chế trong khả năng phát xạ các tia cận hồng ngoại và giới hạn về độ phân giải trong không gian [14]
2.1.2 Chụp Cộng hưởng từ chức năng
Chụp cộng hưởng từ chức năng hay fMRI (Functional magnetic resonance imaging) là một kỹ thuật chẩn đoán hình ảnh y khoa không xâm lấn dựa trên hiện tượng cộng hưởng từ cho phép theo dõi sự thay đổi lượng oxy trong máu của não bộ, từ đó có thể phân tích được tình trạng hay hoạt động của hệ thần kinh [15] Chụp cộng hưởng từ là một kỹ thuật nhanh, gọn, không sử dụng tia X, an toàn cho bệnh nhân và không gây ảnh hưởng phụ
Về cơ bản, fMRI là một phương pháp thu hình ảnh của các cơ quan trong cơ thể sống và quan sát lượng nước bên trong các cấu trúc của các cơ quan Ảnh cộng hưởng từ hạt nhân dựa trên một hiện tượng vật lý là hiện tượng cộng hưởng từ hạt nhân Phương pháp fMRI gồm 4 giai đoạn là sắp hàng hạt nhân, kích thích hạt nhân, ghi nhân tín hiệu và tạo hình ảnh Dạng phổ biến nhất của fMRI là BOLD-fMRI (Blood oxygen level dependent fMRI) cho phép xác định dòng máu chứa Oxy tại những vùng khác nhau [16] Thiết bị đo tín hiệu hình ảnh fMRI thường có kích thướng lớn, cồng kềnh, không di chuyển được và yêu cầu bất động cơ thể người thu tín hiệu
2.1.3 Chụp cắt lớp phát xạ positron
Chụp cắt lớp phát xạ positron (Positron Emission Tomography - PET) là kỹ thuật ghi hình y học hạt nhân có thể đánh giá được mức độ chuyển hóa, hoạt động chức năng của các tế bào trong một cơ quan PET được sử dụng như phương pháp ghi hình chức năng, ghi hình chuyển hóa hay ghi hình ở mức độ phân tử [17]
Phương pháp PET ghi lại hình ảnh định tính và định lượng trong quá trình sinh - bệnh lý và chuyển hóa của các bệnh lý sử dụng dược chất phóng xạ được đánh dấu Trong khi đó các phương pháp chẩn đoán hình ảnh cấu trúc, giải phẫu như chụp cắt lớp vi tính (Computed Tomography – CT) hay cộng hưởng từ (fMRI) không thể
23 phát hiện các tế bào ung thư hoặc các tổn thương ở các cơ quan ở giai đoạn sớm (giai đoạn chuyển hóa mức phân tử, tế bào )
Chụp Positron cắt lớp cho phép phát hiện nguồn năng lượng được phóng thích bởi các hạt positron vốn là những hạt nhỏ được hình thành khi mà chất đánh dấu phóng xạ bị phá vỡ trong cơ thể Tia gamma được sinh ra khi các hạt positron bị phá vỡ và sẽ được phát hiện bởi máy quét tạo nên hình ảnh không gian 3 chiều Hình ảnh thu được cho thấy các cơ quan trong cơ thể hoạt động bình thường hay bất thường
Cũng giống như fMRI, thiết bị chụp PET thường có kích thướng lớn, cồng kềnh, không di chuyển được và yêu cầu bất động cơ thể người thu tín hiệu Ngoài ra việc đưa chất đánh dấu trong phức hợp đánh dấu phóng xạ vào cơ thể người cũng có thể gây ra các tác dụng phụ không mong muốn
Từ trường có thể được phát hiện ở bất cứ nơi nào có sự biến thiên của điện trường Từ não đồ MEG là một kỹ thuật thần kinh chức năng cho phép lập bản đồ hoạt động của não bằng cách ghi nhận từ trường sinh ra bởi dòng điện sinh học, có giá trị rất nhỏ, gây ra do hoạt động của các tế bào thần kinh
MEG là một phương pháp không xâm lấn cho phép đo sự thay đổi của trường điện từ dựa trên hoạt động của tế bào thần kinh với độ phân giải cao trong dải giá trị từ femto tesla (10 -15 T) tới pico tesla (10 -12 T) Từ trường của trái đất ở cỡ 10 -4 đến 10 -
5 T MEG thường được kết hợp với phương pháp đo tín hiệu hình ảnh cộng hưởng từ MRI, được gọi là phương pháp chẩn đoán hình ảnh dựa trên nguồn từ trường (Magnetic source imaging - MSI) để có được thông tin về cấu trúc não bộ tốt hơn Khả năng xuyên thấu của từ trường đối với các tế bào sinh học cũng giống hệt như khi xuyên qua các vùng không gian rỗng và từ trường không bị thất thoát và ảnh hưởng khi xuyên qua da đầu hoặc hộp sọ Để thu được tín hiệu từ não đồ, cần phải giải quyết được hai vấn đề đó là việc ghi nhận giá trị từ trường rất nhỏ phát ra từ não bộ và giảm thiểu ảnh hưởng của từ trường trái đất vốn có giá trị lớn hơn nhiều so với từ não bộ Kỹ thuật được sử dụng
24 để thu tín hiệu từ não đồ là thiết bị giao thoa kế lượng tử siêu dẫn (super-conducting quantum interference detector) Để duy trì được chất siêu dẫn, môi trường được giữ ổn định ở nhiệt độ rất thât, khoảng 3 o C sử dụng dung dịch helium
Như vậy, từ não đồ là phương pháp đo tin hiệu não bộ chứa nhiều thông tin, có độ phân giải và chất lượng tốt nhưng sử dụng thiết bị khá cồng kềnh, công nghệ phức tạp, không di chuyển được và giá thành đắt
2.1.5 Điện não đồ xâm lấn
Phương pháp electro-corticography (ECoG) là một phương pháp xâm lấn, dùng phẫu thuật mở hộp sọ để đặt các điện cực trực tiếp lên bề mặt não bộ nhằm ghi lại các hoạt động điện của não [10] Trong kĩ thuật ECoG, thường dùng các bộ điện cực vô trùng được chế tạo từ thép không gỉ, bạch kim hoặc hợp kim của vàng Các điện cực thường có đường kính 5 mm được đặt trên lưới điện cực trong suốt với khoảng cách tiêu chuẩn giữ hai điện cực là 1 cm và được đánh số thứ tự Các điện cực được thiết kế một cách linh hoạt để không gây tổn thương não trong những chuyển động nhỏ và được đặt để tiếp xúc trực tiếp trên bề mặt não nhưng không làm tổn thương các tế bào thần kinh
Một số phương pháp xử lý, phân tích tín hiệu điện não
Biến đổi wavelet [21] là phương pháp xử lý tín hiệu sử dụng một tập hợp các hàm cơ sở, được gọi là các sóng nhỏ wavelet vốn khi được sử dụng để phân tích tín hiệu sẽ thể hiện thông tin đầu ra khu trú rất rõ trên cả miền thời gian và tần số So với phép biến đổi Fourier (sử dụng duy nhất hàm mũ), phép biến đổi wavelet có tính linh động cao vì có thể lựa chọn các hàm wavelet khác nhau trong họ hàm wavelet sao cho thích hợp với bài toán (hình dạng của hàm wavelet phù hợp với tín hiệu cần phân tích) để kết quả phân tích là tốt nhất Các hàm cơ sở wavelet có thể được xây dựng từ một hàm wavelet mẹ duy nhất 𝜓(𝑡) được định nghĩa như sau:
Trong đó a là tỉ lệ (nghịch đảo của tần số) và 𝜏 là dịch chuyển đặc trưng vị trí Biến đổi wavelet liên tục (Continuous wavelet transform - CWT) của một tín hiệu 𝑥(𝑡) được định nghĩa là hệ số tương quan (correlation) giữa hàm cơ sở wavelet và chính tín hiệu đó CWT của 𝑥(𝑡) được định nghĩa bởi công thức sau:
√𝑎∫ −∞ ∞ 𝑥(𝑡)𝜓 𝑎,𝜏 ∗ (𝑡)𝑑𝑡 (2) Trong đó 𝜓 ∗ (𝑡) là biến đổi phức liên hợp của 𝜓(𝑡) Phương trình (2) ở trên cho thấy trong phép biến đổi CWT, một sóng nhỏ wavelet được cho đi qua tín hiệu cần phân tích Kết quả thu được là một tập các hệ số wavelet đại diện cho hình ảnh trên các bậc hay dải tần khác nhau trên miền thời gian và tần số của tín hiệu phân tích Tham số tỉ lệ a đóng vai trò quan trọng trong phép biến đổi wavelet Khi giá trị của a thay đổi từ lớn xuống bé, hàm cơ sở wavelet trở nên
“giãn” ra và trơn hơn tương ứng với tần số thấp hơn Theo đó, các thành phần tín
31 hiệu chứa tần số thấp có thể được phân tích với các sóng wavelet trơn như vậy có thể đem lại thông tin phân tích hết sức hữu ích Đặc biệt trong điều kiện tín hiệu điện não thường bị ảnh hưởng bới các loại nhiễu trong đó có tín hiệu bất thường do nháy mắt EOG vốn thường xuất hiện ở giải tần thấp
Biến đổi wavelet thường trả về kết quả là các hệ số mang đặc trưng trên cả miền thời gian và tỉ lệ (scale), trong đó tỉ lệ ở đây một cách cơ bản là chỉ về mặt tần số [22] Tỉ lệ cao nhất tương ứng với thành phần tần số cao nhất hiện diện trong tín hiệu được phân tích (thường là bé hơn hoặc bằng một nửa tần số lấy mẫu) và giải tần của tỉ lệ này thường trong khoảng từ một nửa tới một phần tư tần số lấy mẫu Khi giải tần giảm một nửa, số lượng hệ số thuộc về các thành phần có độ phân giải thấp hơn giảm xuống khoảng gần một nửa so với giải tần cao hơn ngay kề trên Sự lựa chọn một cách hợp lý các hệ số ở các giải tần khác nhau có thể được dùng để nén hoặc tái cấu trúc lại tín hiệu ban đầu hoặc tín hiệu được thay đổi, trong trường hợp nâng cao chất lượng, loại bỏ thành phần không mong muốn hay khử nhiễu tín hiệu
Hình 6 (a) Biến đổi wavelet thuận và (b) Biến đổi wavelet ngược
Do tín hiệu xử lý trên máy tính là tín hiệu số hóa, biến đổi wavelet liên tục CWT không áp dụng được Thay vào đó, biến đổi wavelet rời rạc (Discrete wavelet transform - DWT) được dùng để thu được các tập hệ số wavelet là các bản thể rời rạc của chuỗi tín hiệu thời gian rời rạc Trong phép biến đổi DWT, các tham số a và
𝜏 trong các phương trình (1) và (2) ở trên có thể được biểu diễn như sau 𝑎 𝑖 = 2 −𝑖 và
𝜏 𝑖 = 2 −𝑖 𝑗 trong đó i và j là các số nguyên dương Việc lựa chọn giá trị của i và j xác định đặc trưng hàm wavelet mẹ 𝜓(𝑡) = 2 −𝑖 𝜓(2 −𝑖 − 𝑗), vốn trực giao trong không gian Hilbert [23] DWT có thể được triển khai một cách giản đơn chỉ với phép lọc đệ quy cho phép tái thể hiện các phiên bản trên miền wavelet của tín hiệu được phân tích ở các giải tần khác nhau Tại mỗi giải tần thuộc quá trình lọc tín hiệu này, tín hiệu lần lượt được cho chạy qua và nhân chập với hai bộ lọc thông cao và thấp, là g và h Tái xây dựng tín hiệu có thể thực hiện với phép lọc nghịch đảo như sau:
𝑦 ℎ𝑖𝑔ℎ (𝑛) = ∑ ∞ 𝑘= −∞ 𝑥[𝑘]ℎ[2𝑛 − 𝑘] (3b) Biến đổi wavelet và tái cấu trúc wavelet được minh họa trên Hình 6 Biến đổi wavelet (theo chiều thuận) chính là quá trình tín hiệu ban đầu được phân tích bởi một bộ lọc thông cao (𝐻 0 ) và một bộ lọc thông thấp (𝐺 0 ) Hai bộ lọc này được thiết kế dựa trên đặc tính của hàm wavelet cơ sở Kết quả là các hệ số wavelet sau đó được giảm mẫu (downsample) xuống một nửa Sau khi giảm mẫu, kết quả của phép biến đổi DWT là một chuỗi hệ số trên giải tần cao và một chuỗi hệ số ở giải tần thấp, được gọi là chi tiết (detail) và xấp xỉ (approximation) Thành phần xấp xỉ sau đó lại tiếp tục được sử dụng làm đầu vào của phép biến đổi wavelet DWT ở bậc tiếp theo Kết quả khi kết thúc quá trình phân tích DWT là một chuỗi xấp xỉ (𝑎 𝑖 ) và nhiều chuỗi chi tiết (𝑑 𝑘 , 𝑘 = 1, … , 𝑖) đem đến hiển thị thông tin về tín hiệu phân tích ở các giải tần số khác nhau
Tái cấu trúc tín hiệu trên miền wavelet (quá trình wavelet ngược hay wavelet tổng hợp) chính là quá trình nghịch đảo của biến đổi DWT trong đó chuỗi xấp xỉ và chi tiết tại mỗi bậc được tăng mẫu (upsample) bậc hai và sau đó được cho chạy qua một bộ lọc thông thấp tổng hợp (𝐺 1 ) và bộ lọc thông cao tổng hợp (𝐻 1 ) Sau đó kết
33 quả này được tổng hợp lại và quá trình tiếp tục được thực hiện i lần tiếp theo Số lần i chính bằng số bậc biến đổi wavelet thuận Các bộ lọc được sử dụng trong quá trình phân tích và tổng hợp cần phải thỏa mã điều kiện về tái cấu trúc hoàn hảo (perfect reconstruction) hay thỏa mãn phương trình:
Trong đó 𝐺 𝑝 (𝑧) và 𝐻 𝑝 (𝑧) chính là các ma trận trong dải ma trận tổng hợp và phân tích
3.2 Phân tích thành phần độc lập trong khử nhiễu tín hiệu điện não
Phương pháp phân tích thành phần độc lập (Independent component analysis - ICA) là một kĩ thuật tách nguồn mù thường được sử dụng trong khử nhiễu tín hiệu điện não [20] Các kĩ thuật tách nguồn mù thường được sử dụng phổ biến với mục đích đánh giá các nguồn tín hiệu ban đầu từ tập hợp các tín hiệu trộn của chúng dù không có hoặc có rất ít thông tin về quá trình trộn cũng như tín hiệu gốc ban đầu Ý tưởng của phương pháp ICA dựa trên việc coi mỗi kênh tín hiệu thu được là kết quả của việc trộn nhiều nguồn tín hiệu gốc Trong trường hợp tín hiệu điện não EEG, các tín hiệu thu được ở mỗi điểm đặt điện cực trên vỏ da đầu (kí hiệu là x) được coi là tín hiệu trộn của nhiều nguồn tín hiệu gốc nằm bên trong bộ não (kí hiệu là s)
Quá trình trộn sử dụng một ma trận trộn (kí hiệu là W -1 ) được mô tả bằng công thức x= W -1 *s
Mô hình ICA cơ bản yêu cầu các giả thiết sau phải được thỏa mãn:
- Các nguồn tín hiệu ban đầu phải độc lập thống kê với nhau
- Không có nguồn nào có phân bố Gauss, hoặc tối đa chỉ có 1 nguồn có phân bố Gauss
- Ma trận trộn W -1 là ma trận vuông (số tín hiệu nguồn bằng số tín hiệu trộn) Ở đây, khái niệm độc lập thống kê được định nghĩa theo hàm mật độ xác suất (Probality Density Function - PDF) Những biến ngẫu nhiên 𝑠 1 , 𝑠 2 , … , 𝑠 𝑛 là độc lập nếu hàm phân bố xác suất có thể tìm được thừa số là:
Với 𝑝(𝑠 1 , 𝑠 2 , … , 𝑠 𝑛 ) biểu diễn hàm phân bố xác suất của 𝑠 1 , 𝑠 2 , … , 𝑠 𝑛 và 𝑝 𝑖 (𝑠 𝑖 ) biểu diễn hàm phân bố xác suất của 𝑠 𝑖
Có nhiều thuật toán để thực hiện phương pháp ICA như infomax, FastICA, JADE… [24] Về mặt toán học, các giả thiết ban đầu của mô hình ICA tuyến tính có thể đặt vào trường hợp của tín hiệu EEG mà không làm thay đổi bản chất của tín hiệu Trong phân tích tín hiệu điện não EEG, phương pháp ICA được sử dụng nhiều nhất trong xử lí nhiễu, đặc biệt là tín hiệu bất thường do nháy mắt EOG và nhiễu cơ EMG Ý tưởng cơ bản là sau khi thực hiện phương pháp ICA với dữ liệu điện não thì sẽ thu được ma trận trộn W -1 và các thành phần độc lập (hay các nguồn tín hiệu gốc) Các thành phần độc lập sẽ được kiểm tra và thay thế các thành phần độc lập có tính chất giống nhiễu, trước khi trộn lại bằng ma trận W -1 để thu được tín hiệu sạch Quy trình khử nhiễu này được thể hiện tại Hình 7
Hình 7 Quy trình phương pháp ICA dùng trong khử nhiễu tín hiệu EEG
Tín hiệu điện não là loại tín hiệu dễ bị ảnh hưởng bởi nhiễu Có một số loại nhiễu cơ bản như nhiễu tim, tín hiệu bất thường do nháy mắt và nhiễu cơ Các loại nhiễu này khi xuất hiện sẽ làm giảm hiệu quả của hệ BCI Mạng nơron kết hợp wavelet - Wavelet neural network [25], được phát triển để khử tín hiệu bất thường do nháy mắt , gồm có ba phần chính (Hình 8): phân tích wavelet (wavelet decomposition), mạng Nơ-ron nhân tạo và tổng hợp wavelet (wavelet reconstruction) Đầu vào của
WNN là tín hiệu có tín hiệu bất thường do nháy mắt và đầu ra là tín hiệu đã được khử nhiễu
Hình 8 Cấu trúc của mạng Wavelet Neural Network [8]
Phần tiếp theo sẽ trình bày cách huấn luyện và khử nhiễu tín hiệu điện não bằng mạng Nơ-ron nhân tạo kết hợp wavelet WNN
3.3.1 Huấn luyện Để huấn luyện được mạng Nơ-ron nhân tạo, trước hết phải tạo ra tín hiệu điện não sạch Sau đó, tín hiệu sạch này được thêm tín hiệu bất thường do nháy mắt , là nhiễu được lọc tách trực tiếp từ tín hiệu điện não có nhiễu Việc huấn luyện mạng Nơ-ron nhân tạo được xem như tương đương với việc “dạy” cho mạng Nơ-ron khôi phục lại tín hiệu sạch EEG (true) (t) từ tín hiệu có nhiễu EEG (rec) (t) Cả EEG (true) (t) và EEG (rec) (t) được phân tích wavelet Sau đó, các hệ số ở một số dải tần thấp được nội suy để có cùng chiều dài Các chuỗi hệ số được nội suy sau đó được sử dụng để huấn luyện mạng Nơ-ron Các bước huấn luyện có thể xem tại Hình 9
Hình 9 Huấn luyện mạng Nơ-ron
Một số ứng dụng hệ giao diện não máy tính
Giao diện não-máy tính (Brain computer interface – BCI) [7, 11] là một cách thức truyền thông giữa não và các thiết bị bên ngoài (external devices) thông qua một hệ thống thu nhận và xử lý tín hiệu từ não bộ Nghiên cứu về BCI bắt đầu từ những năm 1970 tại trường Đại học California Los Angeles (UCLA) [12, 28] LA Farwell, 1988 [12] phát triển một hệ thống giao diện não-máy tính dựa trên EEG Đến gần đây, các ứng dụng của hệ BCI khá đa dạng từ việc điều khiển xe lăn, đánh vần ký tự, chơi các trò chơi bằng trí não, tích hợp trong các hệ thống phục hồi chức năng… Trong phần dưới đây, luận án sẽ mô tả về một số hệ BCI như vậy
Hình 12 Thiết kế hệ BCI2000 [17]
Năm 2000, một nghiên cứu của Jessica Bayliss tại Đại học Rochester cho thấy rằng các tình nguyện viên đội mũ bảo hiểm thực tế ảo có thể kiểm soát các thành phần (elements) trong một thế giới ảo bằng cách sử dụng các bài đọc P300 EEG của họ, bao gồm cả bật/tắt đèn và làm một chiếc xe mô hình dừng lại Ngoài ra, hệ BCI
2000 còn có cho phép điều khiển con chuột máy tính bằng tín hiệu điện 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) [13] Hệ BCI có thể thực hiện được dựa trên việc tìm và phân loại thay đổi của các nhịp tín hiệu điện não khi đối tượng thực hiện các tác vụ tưởng tượng vận động như tưởng tượng di chuyển
41 tay trái/phải Nhịp alpha thu được trong vùng não phụ trách giác quan vận động được gọi là nhịp Mu Dải tần số của tín hiệu điện não trong trường hợp này là nhịp Mu hoặc beta Việc tưởng tượng vận động hoặc thực sự cử động gây ra thay đổi nhịp giác quan vận động và tập trung ở dải tần nhịp Mu và beta
4.2 Hệ VR-BCI trong phục hồi chức năng
Hình 13 Hệ BCI ứng dụng thực tại ảo trong phục hồi bệnh nhân đột quỵ [1]
Từ năm 2009 tới nay, đã có 8 giải thưởng BCI-Research Award hàng năm trao cho những nhóm nghiên cứu có kết quả nghiên cứu nổi bật về hệ BCI trên toàn thế giới được đánh giá bởi ban giám khảo, bao gồm những chuyên gia hàng đầu trên thế giới về BCI Năm 2018, một đề cử giải BCI Award giành cho hệ BCI dùng trong việc hỗ trợ phục hồi chức năng của người bị liệt nửa người do chấn thương tủy sống
[1] Trong đó, người bệnh đột quỵ trong quá trình phục hồi chức năng được đo và phân tích tín hiệu điện não khi thực hiện tác vụ tưởng tượng vận động Motor Imagery Trong thí nghiệm, người bệnh được đồng thời đeo kính thực tại ảo và màn hình máy tính sẽ hiển thị ý định của người bệnh (ví dụ nếu người bệnh muốn nâng tay trái hay tay phải thì nhân vật hoạt họa cũng nâng tay trái hay tay phải dựa trên phân tích điện não ý định của người bệnh) Bác sỹ có thể quan sát và so sánh giữa hành động thực sự người bệnh có thể thực hiện được với ý định thể hiện qua nhân
42 vật hoạt họa trên màn hình máy tính để biết được hiệu quả và tình trạng của bệnh nhân
4.3 Một số hệ BCI trong đánh vần ký tự
P300 là một đặc trưng tín hiệu sóng điện não sinh ra khoảng 300ms sau khi xuất hiện kích thích Hệ BCI dựa trên P300 cũng thường được nghiên cứu, phát triển để giải quyết bài toán hỗ trợ đánh vần cho những người bị liệt tứ chi Thiết kế thí nghiệm của một hệ BCI P300 này như sau: ma trận 6x5 hiển thị trên màn hình máy tính phục vụ đánh vần trong đó cột và hàng được nháy sáng (flash) theo trật tự ngẫu nhiên (Hình 14) Khoảng cách giữa 2 lần nháy là 175 ms, khoảng thời gian một cột hay hàng được nháy sáng là 100 ms Một vòng nháy được hoàn thành khi tất cả các cột và hàng đã được nháy 1 lần tương ứng 1, 925 5 vòng nháy là 1 phiên để xác định 1 chữ cái cần đánh vần (target letter) tương đương khoảng 10 giây Cứ sau mỗi phiên thì nghỉ 6 giây để bắt đầu phiên tiếp theo
Hình 14 Thiết kế ma trận hiển thị cho 26 ký tự tiếng Anh [8]
Một cách tiếp cận khác dựa trên việc tưởng tượng giác quan vận động được
[68] phát triển thành hệ Berlin BCI Trong Hình 15, sáu hình lục giác được đặt xung quanh 1 hình tròn Mỗi hình lục giác chứa 5 ký tự hoặc chức năng cách dòng hoặc xóa Mũi tên ở trung tâm của vòng tròn cho phép lựa chọn hình lục giác chứa ký tự cần tìm (bước 1) hoặc chính xác ký tự đó (bước 2) Mũi tên sẽ quay theo chiều kim đồng hồ khi tưởng tượng cử động tay phải và dừng lại khi tưởng tượng cử động tay trái Nếu tiếp tục tưởng tượng cử động tay trái, hình lục giác nơi mũi tên được chọn sẽ dừng lại và các ký tự trong hình lục giác đó sẽ mở rộng lên, các hình lục giác khác sẽ biến mất Cách làm tương tự để chọn ký tự mong muốn Nếu chọn ký tự trắng
43 trong hình lục giác tương đương với việc trở lại set up thí nghiệm đầu tiên với tất cả các hình lục giác chứa tập hợp ký tự Tốc độ di chuyển mũi tên và dừng mũi tên được tùy chỉnh theo người sử dụng Để tăng hiệu quả của hệ BCI đánh vần, có thể tích hợp thêm một mô hình ngôn ngữ cho phép dự đoán được ký tự sẽ được nhắm tới tiếp theo
Hình 15 Giao diện thí nghiệm Berlin BCI [68]
4.4 Một số nghiên cứu BCI và tín hiệu điện não khác Ở Việt nam, nghiên cứu và ứng dụng tín hiệu điện não để phát triển giao diện não – máy tính là một lĩnh vực còn mới mẻ Trong lĩnh vực nghiên cứu về tín hiệu điện não, 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
Hệ thống phát hiện gai động kinh được nhóm nghiên cứu của Đại học Công nghệ phát triển từ năm 2010 trong khuôn khổ Đề tài QG-10.40 “Nghiên cứu xử lý
44 tín hiệu điện não phục vụ phân tích và chẩn đoán bệnh động kinh” Hệ thống gồm 4 khối chính: tiền xử lý, trích chọn đặc trưng, phân lớp và hệ chuyên gia Hệ thống sử dụng một số phương pháp xử lý tín hiệu số và học máy như biến đổi Wavelet, Mạng Nơ-ron nhân tạo,… So với các hệ thống phát hiện gai động kinh khác trên thế giới, hiệu quả của hệ thống này còn chưa tốt bằng Nguyên nhân có thể do điều kiện ghi tín hiệu tại Việt Nam còn chưa đạt chuẩn (thời gian ghi tín hiệu chỉ trong khoảng 10 phút so với hơn 20 phút của thế giới) và hệ thống này còn chưa áp dụng các phương pháp khử nhiễu
Nghiên cứu của Đại học Bách khoa về tín hiệu điện não được bắt đầu từ những năm 2008 Nghiên cứu này đã đạt được một số giải thưởng như giải nhất cuộc thi ImagineCup do Microsoft tổ chức, giải nhất Nhân tài đất Việt 2010 Ngoài ra nhóm nghiên cứu này còn chủ trì đề tài nghiên cứu cấp nhà nước KC.01.TN13/11-15
“Nghiên cứu giải mã thông tin trong sóng điện não, ứng dụng xây dựng Hệ thống nhận diện cảm xúc con người” Một số sản phẩm đạt được như Bộ công cụ MDK (Mimas Development Kit) làm nền tảng cho việc thu nhận và xử lý tín hiệu điện não và phần mềm thu nhận và nhận dạng cảm xúc người sử dụng Nghiên cứu này sử dụng thiết bị đo EPOC do Emotiv sản xuất
Bài toán sử dụng tín hiệu điện não áp dụng điều khiển Robot được nhóm sinh viên tại Đại học FPT nghiên cứu và phát triển Tín hiệu điện não được dùng để phân tích bốn loại tín hiệu điều khiển của não bộ: trên, dưới, trái, phải Thí nghiệm chia làm 2 loại: phân loại 2 loại tín hiệu điều khiển trên và dưới (độ chính xác 66-96%) và phân loại cả 4 loại tín hiệu điều khiển (độ chính xác 28-73%) Thiết bị đo mà nhóm này sử dụng là EEG-SMT gồm 4 đầu đo Như vậy, nghiên cứu của nhóm này mới chỉ ở mức bắt đầu và để tiến tới mục tiêu điều khiển robot được còn cần đầu tư thêm nhiều thời gian
Kết luận Chương 1
Có nhiều cách tiếp cận để thực hiện hệ BCI trong đó sử dụng tín hiệu điện não EEG một trong những phương thức phổ biến nhất Các ưu điểm của tín hiệu điện não EEG so với các phương thức thu tín hiệu từ não bộ khác đã được tóm tắt và chỉ rõ trong nội dung Chương này Nguồn gốc, cơ chế sinh học và cách thức thu tín hiệu cũng đã được trình bày trong Chương này Đấy chính là cơ sở đề xuất sử dụng tín hiệu điện não trong chủ đề nghiên cứu của luận án này Một số phương pháp xử lý, phân tích tín hiệu điện não được trình bày ở trong Chương 1 là các phương pháp cơ sở để phát triển các phương pháp đề xuất ở các chương tiếp theo, hỗ trợ đánh giá kết quả thí nghiệm Các chương nội dung chính của luận án 2, 3, 4 sẽ mô tả chi tiết các phương pháp đề xuất trong xử lý, phân loại tín hiệu điện não và một ứng dụng hệ BCI trong điều khiển các thiết bị điện tử thông minh