Luận án Tiến sĩ Một số phương pháp xử lý và phân loại tín hiệu điện não cho các ứng dụng giao diện não – máy tính

Tính c ấ p thi ế t

Não bộ là cơ quan quan trọng nhất, chịu trách nhiệm điều phối các cơ quan khác trong cơ thể Cơ chế hoạt động của não bộ rất phức tạp và chưa được khoa học giải thích hoàn toàn Khi não bộ hoạt động không bình thường, có thể do vấn đề tâm lý hoặc rối loạn cấu trúc sinh học, dẫn đến các bệnh như suy giảm trí nhớ, tự kỷ, trầm cảm, Parkinson, hay đột quỵ Tín hiệu điện não là phương pháp hiệu quả để đánh giá tình trạng não bộ, nhờ vào chất lượng tín hiệu tốt, độ phân giải cao, tính linh động, an toàn và chi phí hợp lý tại Việt Nam, so với các phương pháp khác như chụp cộng hưởng từ hay điện não đồ xâm lấn.

Tín hiệu điện não (EEG) là các giá trị điện thế nhỏ được tạo ra từ sự tương tác của các tế bào thần kinh trong não, với biên độ từ 10 àV đến 100 àV và tần số từ 1 Hz đến 100 Hz Tín hiệu này không tuân theo phân bố Gauss thông thường và có tính không tĩnh EEG cung cấp thông tin về các hoạt động nhịp (rhythmic activities) trên các dải tần số như 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 chỉ ra rằng nhịp Delta thường thấy ở trẻ nhỏ dưới 1 tuổi và trong giấc ngủ sâu của người lớn, trong khi nhịp Theta xuất hiện ở trẻ em dưới 7 tuổi hoặc người lớn trong trạng thái buồn ngủ Sự xuất hiện lớn của nhịp Theta ở người lớn tỉnh táo có thể là dấu hiệu cảnh báo tình trạng bất thường hoặc bệnh lý.

Tín hiệu điện não là cơ sở quan trọng trong việc phát triển các hệ thống giao diện não-máy tính (BCI), cho phép kết nối máy tính với não bộ để xử lý và hiểu các tín hiệu sinh ra từ não một cách hiệu quả.

BCI (Giao điện não máy tính) là một giải pháp quan trọng cho những người mắc bệnh xơ cứng teo cơ một bên (ALS) hoặc những bệnh nhân không thể cử động Công nghệ này cho phép truyền đạt thông điệp của người dùng thông qua tín hiệu đã được phân tích và xử lý, mà không cần can thiệp vật lý Một số ứng dụng của BCI bao gồm hỗ trợ phục hồi chức năng cho người bị liệt nửa người do chấn thương tủy sống, điều khiển nhân vật trong trò chơi điện tử dựa trên phản ứng thị giác, và điều khiển chuột máy tính Tuy nhiên, vẫn còn nhiều vấn đề chưa được giải quyết trong việc phân tích thông tin và triển khai ứng dụng dựa trên tín hiệu EEG.

Tín hiệu điện não, sau khi được chuyển đổi sang miền thời gian – tần số, chứa thông tin đặc trưng trên từng dải tần và theo khung thời gian cụ thể Các phương pháp trước đây, như mạng nơ-ron nhân tạo, thường yêu cầu huấn luyện off-line, dẫn đến quy trình khử nhiễu không được tự động hóa.

Các thiết kế thí nghiệm trong nghiên cứu thường nhằm tạo ra các đặc trưng như P300, xung kích thị giác trạng thái ổn định SSVEP, nhịp Mu và Beta Những nghiên cứu này thường yêu cầu sử dụng thiết bị phụ trợ như màn hình máy tính để hiển thị hình ảnh và ký tự nháy sáng.

Các phương pháp phân loại tín hiệu điện não trước đây được phát triển chủ yếu cho các thí nghiệm như hình dung ảnh vận động và nhịp vận động cảm giác Tuy nhiên, những phương pháp này không phù hợp để phân loại tín hiệu điện não trong các tác vụ tập trung suy nghĩ, nơi không yêu cầu thiết kế thí nghiệm với thiết bị hỗ trợ.

Học máy là những phương pháp tính toán thông minh, giúp máy tính xây dựng các mô hình toán học thông qua việc khai thác và huấn luyện với dữ liệu, có thể là dữ liệu gán nhãn (học có giám sát) hoặc không gán nhãn (học không giám sát).

Học sâu, hay mạng nơ-ron nhân tạo sâu, bao gồm các cấu trúc như mạng niềm tin, máy tự mã hóa thưa, mạng tích chập và mạng sinh đối nghịch, đã chứng minh hiệu quả trong nhiều lĩnh vực Khi có nhiều dữ liệu để huấn luyện, các thuật toán học sâu sẽ hoạt động tốt hơn trong việc thực hiện chức năng đã được "dạy" Dù kết quả thực nghiệm trong luận án này chỉ dựa trên một tập dữ liệu nhỏ, việc áp dụng các phương pháp học sâu là bước chuẩn bị quan trọng cho việc triển khai công nghệ trong các bài toán thực tế với dữ liệu lớn Nghiên cứu và phát triển các phương pháp xử lý và phân loại tín hiệu điện não có ý nghĩa khoa học và thực tiễn cao, cần được tập trung nghiên cứu một cách kỹ lưỡng.

M ụ c tiêu c ủ a lu ậ n án

Luận án đặt ra một số mục tiêu như sau:

Phát triển phương pháp tăng cường chất lượng điện não thông qua học máy là rất quan trọng, vì chất lượng bản ghi tín hiệu điện não ảnh hưởng trực tiếp đến khả năng xử lý và phân loại tín hiệu Việc loại bỏ các thành phần không mong muốn, như tín hiệu điện não bất thường do nháy mắt (Electrooculography – EOG), sẽ nâng cao hiệu quả hoạt động của hệ thống giao diện não-máy tính (BCI) cũng như các hệ thống phân tích tín hiệu điện não khác.

Phát triển các phương pháp phân tích và xử lý tín hiệu điện não dựa trên học máy, bao gồm cả kiểm thử các phương pháp học có giám sát và không giám sát như SVM, ANN, và DNN, là rất quan trọng Các phương pháp phân tích tín hiệu điện não có giám sát cho phép đánh giá hiệu quả của mô hình đã được huấn luyện, từ đó xác định khả năng học hỏi và độ chính xác trong việc phân loại tín hiệu.

Trong nghiên cứu này, 14 dữ liệu tín hiệu điện não đã được gán nhãn để kiểm tra khả năng của thuật toán học máy trong việc xử lý tín hiệu điện não bằng phương pháp học không giám sát Mục tiêu là đánh giá hiệu suất của hệ thống trí tuệ nhân tạo trong việc tự học và suy diễn, tương tự như khả năng suy luận của con người, mà không cần huấn luyện trước cho các nhiệm vụ cụ thể.

Luận án này tập trung vào việc phát triển một quy trình thu nhận dữ liệu với thiết kế thí nghiệm riêng, nhằm đảm bảo tính tương thích với hệ thống giao diện não - máy tính (BCI) có khả năng điều khiển các thiết bị điện tử gia dụng thông minh Trong bối cảnh nhiều nghiên cứu hiện tại sử dụng tập dữ liệu có sẵn nhưng thường không phù hợp với nội dung nghiên cứu, một số nghiên cứu đã tiến hành thu thập dữ liệu một cách chủ động Mục tiêu chính là tạo ra một hệ BCI hỗ trợ những người bị tổn thương chức vận động, như bệnh nhân đột quỵ hay xơ cứng teo cơ một bên (ALS), giúp họ tương tác với các thiết bị điện tử một cách hiệu quả.

Đóng góp củ a lu ậ n án

Luận án đóng góp vào ba lĩnh vực chính: (1) cải thiện chất lượng tín hiệu điện não, (2) phân tích và phân loại tín hiệu điện não, và (3) phát triển hệ thống giao diện não-máy tính hoàn chỉnh để điều khiển thiết bị điện tử gia dụng Các đóng góp này không chỉ nâng cao hiệu quả xử lý tín hiệu mà còn mở ra hướng đi mới trong ứng dụng công nghệ não máy tính.

(1)Đề xuất các phương pháp xửlý, tăng cường chất lượng tín hiệu điện não:

Phương pháp khử tín hiệu điện não bất thường do nháy mắt tự động sử dụng mạng học sâu tự mã hóa thưa wavelet (DWSAE) đã chứng tỏ hiệu quả Thuật toán DWSAE được huấn luyện không giám sát, cho phép khử nhiễu một cách tự động Cách tiếp cận này minh chứng rằng các thuật toán trí tuệ nhân tạo có khả năng tự động thực hiện các nhiệm vụ cụ thể mà không cần được chỉ định trước, nếu được triển khai theo quy trình phù hợp.

Phương pháp nhận diện và dò đếm giả tượng mắt EOG dựa trên biến đổi wavelet với hàm cơ sở wavelet Haar được phát triển nhằm thu thập các đoạn tín hiệu điện não sạch, phục vụ cho việc huấn luyện không giám sát mô hình DWSAE.

(2)Đề xuất các phương pháp phân tích, phân loại tín hiệu điện não:

Phân loại tín hiệu điện não trong các tác vụ suy nghĩ sử dụng bộ phân lớp SVM với đặc trưng năng lượng wavelet tương đối (RWE) cho thấy hiệu quả cao Phương pháp này chứng minh rằng RWE là đầu vào lý tưởng cho các mô hình phân lớp học máy, đặc biệt trong việc tạo ra các siêu phẳng để phân loại tín hiệu điện não.

Phân loại tín hiệu điện não được thực hiện thông qua mạng nơ-ron sử dụng phương pháp phân tích thành phần chính để lựa chọn đặc trưng Trong phương pháp này, mạng nơ-ron được huấn luyện bằng kỹ thuật lan truyền ngược tối ưu trọng số lớp đầu ra (OWO-BP), kết hợp với các đặc trưng được trích xuất từ phân tích thành phần chính.

Vào thứ năm, nghiên cứu đã trình bày một phương pháp phân loại tín hiệu điện não sử dụng mạng học sâu, trong đó các đặc trưng được lựa chọn thông qua phân ngưỡng SURE Phương pháp này huấn luyện mạng học sâu với đầu vào là các đặc trưng trên miền tần số đã được trích xuất, đồng thời giảm số chiều thông tin thông qua phân tích thành phần chính (PCA).

SURE [4] được đề xuất nhằm giảm số chiều của các thành phần chính, giúp giảm độ phức tạp tính toán và thời gian xử lý Đồng thời, phương pháp này cũng nâng cao chất lượng của bộ phân lớp sử dụng mạng học sâu.

(3) Đề xuất một hệ thống giao diện não máy tính hoàn chỉnhứng dụng trong điều khiển thiết bị điện tử gia dụng:

Vào thứ Sáu, chúng tôi đã đề xuất một mô hình và triển khai hệ giao diện não máy tính để điều khiển thiết bị điện tử gia dụng Hệ thống này bao gồm bốn phần chính: khối thu tín hiệu với thiết kế thí nghiệm phù hợp, khối xử lý tín hiệu số, khối kết nối và điều khiển thiết bị không dây, cùng với khối các thiết bị thông minh Các thành phần của hệ thống được kết nối thông qua các phương thức hữu tuyến hoặc vô tuyến như Wi-Fi và Bluetooth.

Phân loại tín hiệu điện não bằng mô hình máy học cộng đồng là phương pháp hiệu quả để phát triển hệ thống BCI cho việc điều khiển thiết bị điện tử gia dụng thông minh Mô hình này sử dụng tín hiệu đầu vào đã được loại bỏ các tín hiệu bất thường do nháy mắt thông qua phương pháp DWSAE Các thành phần máy học được áp dụng bao gồm học sâu, mạng nơ-ron nhân tạo và máy vec-tơ hỗ trợ, như đã đề xuất trong Chương 3 của luận án.

Luận án đã chỉ ra rằng việc sử dụng học máy là phương pháp hiệu quả để xử lý và phân loại tín hiệu điện não trong điều kiện không tĩnh và biến đổi giữa các cá nhân cũng như các phiên thu tín hiệu Thành công của phương pháp DWSAE chứng minh rằng máy học không giám sát có thể tự động phân tích tín hiệu điện não Hơn nữa, các công cụ trí tuệ nhân tạo có khả năng học từ dữ liệu gán nhãn, giúp giải quyết các nhiệm vụ mới mẻ, tương tự như cách con người tư duy.

Ph ạ m vi c ủ a lu ậ n án

Luận án này tập trung vào phân tích và xử lý tín hiệu điện não, nhằm phát triển hệ giao diện não máy tính (BCI) có khả năng điều khiển thiết bị điện tử gia dụng thông minh Để đạt được mục tiêu này, nghiên cứu phát triển các phương pháp xử lý và phân tích tín hiệu điện não nhằm nâng cao chất lượng tín hiệu Các phương pháp này được áp dụng cho hệ BCI, giúp cải thiện hiệu suất trong việc điều khiển thiết bị.

Luận án này trình bày 17 thiết bị điện tử và các hệ xử lý tín hiệu điện não, cùng với các nghiên cứu về mô hình phân loại tín hiệu điện não Nó bao gồm tiền xử lý sóng điện não, trích chọn đặc trưng và huấn luyện mô hình phân lớp dựa trên học máy để phân loại tín hiệu thành các tác vụ suy nghĩ Hệ giao diện não máy tính được đề xuất sử dụng thiết bị thu tín hiệu điện não chất lượng tốt, thiết kế nhỏ gọn và giá thành hợp lý, phù hợp với điều kiện kinh tế - xã hội của Việt Nam Chương 4 giới thiệu cách tiếp cận mô hình học cộng đồng cho khối xử lý tín hiệu trong hệ BCI.

Phương pháp lu ậ n

Luận án giải quyết các vấn đề nghiên cứu đặt ra theo cách tiếp cận sau:

Sử dụng phương pháp nghiên cứu lý thuyết, chúng tôi tiến hành xây dựng và kiểm thử các mô hình đề xuất dựa trên dữ liệu đã được công bố cùng với 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 việcđánh giá, kiểm chứng.

C ấ u trúc lu ậ n án

Luận án này bao gồm 06 phần, gồm Phần mở đầu, 04 chương nội dung và Phần kết luận Phần mở đầu trình bày tính cấp thiết của nghiên cứu, mục tiêu, đóng góp khoa học và phạm vi của luận án Chương 1 tổng quan các vấn đề liên quan đến tín hiệu điện não, cơ chế sinh ra và phương pháp xử lý, phân tích tín hiệu điện não Chương 2 đề xuất phương pháp xử lý nhằm nâng cao chất lượng tín hiệu điện não đầu vào cho hệ giao diện não-máy tính, thông qua việc khử tín hiệu điện não bất thường do nháy mắt, kết hợp mạng học sâu tự mã hóa thưa và biến đổi wavelet.

18 não bất thường sinh ra do nháy mắt một cách tự động và theo thời gian thực Chương

Bài viết trình bày các phương pháp và mô hình phân loại dựa trên học máy như máy vec-tơ hỗ trợ, mạng nơ-ron nhân tạo và mạng học sâu Đồng thời, nó cũng đề xuất cách tiếp cận sử dụng học cộng đồng xếp ngăn để nâng cao khả năng phân loại cho các ứng dụng BCI trong việc điều khiển thiết bị điện tử gia dụng thông minh Cuối cùng, phần kết luận đánh giá tổng quát về kết quả nghiên cứu, nêu rõ các đóng góp chính của luận án và đưa ra một số hướng nghiên cứu tiềm năng để phát triển các nội dung đã thảo luận.

TỔ NG QUAN V Ề TÍN HI ỆU ĐIỆ N NÃO VÀ X Ử LÝ, PHÂN TÍCH TÍN HI ỆU ĐIỆ N NÃO

Gi ớ i thi ệ u

Bộ não, trung tâm điều khiển của hệ thần kinh trung ương, rất quan trọng trong việc điều phối hoạt động của các cơ quan và sản sinh ý thức Não bộ chứa khoảng 100 tỉ tế bào thần kinh, là một trong những bộ phận sinh học phức tạp nhất trong cơ thể con người Nghiên cứu cấu trúc và cách thức truyền nhận thông tin của não bộ mở ra nhiều tiềm năng cho các phát kiến khoa học Để đạt được điều này, việc thu nhận tín hiệu và thông tin do não bộ sản sinh là rất cần thiết Có nhiều phương pháp khác nhau để ghi lại hoạt động 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)

Hình 1 Cấu trúc não bộ [64]

Các phương pháp thu tín hiệu hình ảnh từ não như CT, PET, MRI có thiết kế cồng kềnh và chi phí cao Trong khi đó, phương pháp điện não xâm lấn EcoG cung cấp tín hiệu đáng tin cậy với chất lượng và độ phân giải tốt, nhưng lại yêu cầu can thiệp y khoa để đặt điện cực So với các phương pháp này, điện não đồ EEG mang lại tín hiệu điện não với độ phân giải và chất lượng tốt, đồng thời thiết bị thu EEG nhỏ gọn, linh hoạt và có chi phí thấp Tín hiệu điện não EEG là phương thức phổ biến nhất để thu nhận tín hiệu cho các ứng dụng giao diện não – máy tính, phù hợp với điều kiện kinh tế - xã hội tại Việt Nam.

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 cơsở khoa học được trình bày sẽ cho thấy

Nghiên cứu tín hiệu điện não và phát triển hệ thống giao diện não-máy tính (BCI) đang mở ra tiềm năng lớn cho những phát kiến khoa học trong các lĩnh vực như y tế, điều khiển và trị liệu Bài viết sẽ trình bày một số phương pháp phân tích và xử lý tín hiệu, bao gồm biến đổi wavelet, phân tích thành phần độc lập, mạng nơ-ron wavelet, và phương pháp hiển thị hình ảnh LORETA, làm cơ sở cho các phương pháp mới được đề xuất và phát triển trong các chương tiếp theo của luận án.

Tín hi ệu điện não và phương pháp đo tín hiệ u t ừ não b ộ

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-

Phương pháp quang phổ hồng ngoại gần (fNIRS) cho phép đo lường nồng độ oxy và lưu lượng máu trong não mà không cần can thiệp xâm lấn fNIRS hoạt động dựa trên nguyên lý hấp thụ ánh sáng ở phổ cận hồng ngoại từ 700-900 nm, nơi hemoglobin (Hb) và deoxygenated-hemoglobin (deoxy-Hb) hấp thụ mạnh, nhưng ánh sáng có thể xuyên qua da và các mô khác Phương pháp này giúp theo dõi và phát hiện những thay đổi trong lưu thông máu não thông qua sự khác biệt về mức độ hấp thụ ánh sáng Tại bước sóng 810 nm, hệ số hấp thụ của deoxy-Hb và oxy-Hb là tương đương, vì vậy fNIRS thường sử dụng ít nhất hai bước sóng, với một bước sóng cao hơn và một bước sóng thấp hơn 810 nm.

fNIRS, với độ chính xác và chất lượng tín hiệu thu cao, đã thu hút sự chú ý của nhiều nhóm nghiên cứu toàn cầu, nhưng vẫn còn mới mẻ tại Việt Nam Một trong những thách thức lớn nhất đối với việc phổ biến fNIRS là chi phí sử dụng cao và sự phức tạp trong việc thiết lập hệ thống Hơn nữa, fNIRS còn gặp phải nhược điểm lớn là không thể được sử dụng để thăm dò.

Hoạt động não ở khu vực sâu hơn 4 cm bị hạn chế do khả năng phát xạ tia cận hồng ngoại và độ phân giải không gian.

2.1.2 Chụp Cộng hưởng từ chức năng

Chụp cộng hưởng từ chức năng (fMRI) là một phương pháp chẩn đoán hình ảnh y khoa không xâm lấn, sử dụng hiện tượng cộng hưởng từ để theo dõi sự thay đổi lượng oxy trong máu của não bộ Kỹ thuật này cho phép phân tích tình trạng và hoạt động của hệ thần kinh fMRI nhanh chóng, an toàn cho bệnh nhân và không sử dụng tia X, do đó không gây ảnh hưởng phụ.

fMRI, hay chụp cộng hưởng từ chức năng, là một phương pháp hình ảnh y học cho phép quan sát hoạt động của các cơ quan trong cơ thể sống thông qua việc đo lường lượng nước trong các cấu trúc của chúng Phương pháp này dựa trên hiện tượng cộng hưởng từ hạt nhân và được thực hiện qua bốn giai đoạn: sắp hàng hạt nhân, kích thích hạt nhân, ghi nhận tín hiệu và tạo hình ảnh Một trong những dạng phổ biến nhất của fMRI là BOLD-fMRI, được sử dụng rộng rãi trong nghiên cứu và chẩn đoán.

fMRI phụ thuộc vào mức độ oxy trong máu cho phép xác định lưu lượng máu oxy tại các khu vực khác nhau Tuy nhiên, thiết bị fMRI thường lớn, cồng kềnh và không di động, yêu cầu người dùng phải giữ yên trong quá trình thu tín hiệu.

2.1.3 Chụp cắt lớp phát xạ positron

Chụp cắt lớp phát xạ positron (PET) là một kỹ thuật ghi hình y học hạt nhân, cho phép đánh giá mức độ chuyển hóa và hoạt động chức năng của tế bào trong cơ quan PET được ứng dụng như một phương pháp ghi hình chức năng, ghi hình chuyển hóa, và ghi hình ở mức độ phân tử.

Phương pháp PET (Positron Emission Tomography) cho phép ghi lại hình ảnh định tính và định lượng về quá trình sinh - bệnh lý và chuyển hóa của các bệnh lý thông qua việc sử dụng dược chất phóng xạ đánh dấu Trong khi đó, các phương pháp chẩn đoán hình ảnh cấu trúc như chụp cắt lớp vi tính (CT) và cộng hưởng từ (fMRI) không thể cung cấp thông tin chi tiết về chức năng sinh lý của các mô và cơ quan.

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 (PET) là một phương pháp giúp phát hiện năng lượng từ các hạt positron, được hình thành khi chất đánh dấu phóng xạ trong cơ thể bị phân hủy Quá trình này tạo ra tia gamma, được máy quét ghi nhận và tạo ra hình ảnh 3 chiều Hình ảnh thu được cho phép đánh giá chức năng hoạt động của các cơ quan trong cơ thể, từ đó xác định tình trạng bình thường hoặc bất thường.

Giống như fMRI, thiết bị chụp PET có kích thước lớn và cồng kềnh, không thể di chuyển và yêu cầu bệnh nhân phải giữ nguyên tư thế trong suốt quá trình thu tín hiệu Thêm vào đó, việc đưa chất đánh dấu phóng xạ vào cơ thể có thể gây ra các tác dụng phụ không mong muốn.

Từ trường có mặt ở mọi nơi có sự biến đổi của điện trường Kỹ thuật não đồ MEG là một phương pháp thần kinh chức năng giúp lập bản đồ hoạt động não bằng cách ghi nhận từ trường do dòng điện sinh học tạo ra, với giá trị rất nhỏ, liên quan đến hoạt động của các tế bào thần kinh.

MEG (Magnetoencephalography) là phương pháp không xâm lấn, cho phép đo sự thay đổi của trường điện từ từ hoạt động của tế bào thần kinh với độ phân giải cao, trong khoảng từ femto tesla (10^-15 T) đến pico tesla (10^-12 T) Trường điện từ tự nhiên của trái đất có cường độ khoảng 10^-4 T đến 10^-5 T.

Phương pháp chẩn đoán hình ảnh dựa trên nguồn từ trường (Magnetic source imaging - MSI) kết hợp với 5 T MEG giúp cải thiện việc thu thập thông tin về cấu trúc não bộ Từ trường có khả năng xuyên thấu qua các tế bào sinh học mà không bị ảnh hưởng khi đi qua da đầu hoặc hộp sọ Để ghi nhận tín hiệu từ não đồ, cần giải quyết hai thách thức chính: ghi nhận giá trị từ trường rất nhỏ phát ra từ não bộ và giảm thiểu ảnh hưởng của từ trường trái đất, vốn lớn hơn nhiều so với từ não bộ.

Thiết bị thu tín hiệu từ não đồ là giao thoa kế lượng tử siêu dẫn (super-conducting quantum interference detector), hoạt động hiệu quả khi được duy trì ở nhiệt độ cực thấp khoảng 3 độ C nhờ dung dịch helium.

Não đồ là một phương pháp đo tín hiệu não bộ với độ phân giải và chất lượng cao, nhưng thiết bị sử dụng khá cồng kềnh, công nghệ phức tạp, không di động và có giá thành đắt đỏ.

2.1.5 Điện não đồ xâm lấn

M ộ t s ố phương pháp xử lý, phân tích tín hi ệu điệ n não

Biến đổi wavelet là một phương pháp xử lý tín hiệu hiệu quả, sử dụng các hàm cơ sở gọi là sóng nhỏ wavelet, cho phép phân tích tín hiệu với thông tin rõ ràng trên cả miền thời gian và tần số So với biến đổi Fourier, biến đổi wavelet mang lại tính linh động cao hơn nhờ khả năng lựa chọn các hàm wavelet phù hợp với từng bài toán cụ thể Các hàm cơ sở wavelet có thể được xây dựng từ một hàm wavelet mẹ duy nhất 𝜓(𝑡), giúp tối ưu hóa kết quả phân tích tín hiệu.

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 (CWT) của tín hiệu 𝑥(𝑡) được xác định thông qua hệ số tương quan giữa hàm cơ sở wavelet và tín hiệu đó CWT của 𝑥(𝑡) được định nghĩa theo công thức cụ thể.

Phương trình 𝑊(𝑎, 𝜏) = √𝑎 1 ∫ 𝑥(𝑡)𝜓 −∞ ∞ 𝑎,𝜏 ∗ (𝑡)𝑑𝑡 thể hiện rằng trong phép biến đổi CWT, sóng nhỏ wavelet được áp dụng lên tín hiệu cần phân tích Kết quả là một tập hợp các hệ số wavelet, đại diện cho hình ảnh ở các bậc và dải tần khác nhau trong miền thời gian và tần số của tín hiệu Tham số tỉ lệ a có vai trò quan trọng, khi giá trị của a thay đổi từ lớn xuống bé, hàm cơ sở wavelet sẽ biến đổi tương ứng.

“giãn” ra và trơn hơn tương ứng với tần số thấp hơn Theo đó, các thành phần tín

Việc phân tích 31 hiệu chứa tần số thấp bằng các sóng wavelet trơn có thể cung cấp thông tin phân tích quý giá Điều này đặc biệt hữu ích trong bối cảnh tín hiệu điện não thường bị ảnh hưởng bởi nhiễu, trong đó có tín hiệu bất thường do nháy mắt EOG, thường xuất hiện ở các tần số thấp.

Biến đổi wavelet cung cấp các hệ số đặc trưng trên cả miền thời gian và tỉ lệ, trong đó tỉ lệ phản ánh tần số Tỉ lệ cao nhất tương ứng với thành phần tần số cao nhất trong tín hiệu phân tích, thường nhỏ hơn hoặc bằng một nửa tần số lấy mẫu, với giải tần dao động từ một nửa đến một phần tư tần số lấy mẫu Khi giải tần giảm một nửa, số lượng hệ số cho các thành phần có độ phân giải thấp hơn cũng giảm gần một nửa so với giải tần cao hơn ngay kề bên Việc lựa chọn hợp lý các hệ số ở các giải tần khác nhau có thể được sử dụng để nén hoặc tái cấu trúc tín hiệu gốc, nâng cao chất lượng, loại bỏ thành phần không mong muốn hoặc khử nhiễu tín hiệu.

Hình 6 (a) Biến đổi wavelet thuận và (b) Biến đổi wavelet ngược

Tín hiệu xử lý trên máy tính thường là tín hiệu số hóa, do đó không thể áp dụng biến đổi wavelet liên tục (CWT) Thay vào đó, biến đổi wavelet rời rạc (DWT) được sử dụng để thu được các 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 b đóng vai trò quan trọng trong việc phân tích tín hiệu.

𝜏 trong các phương trình (1) và (2) ở trên có thể được biểu diễn như sau 𝑎 𝑖 = 2 −𝑖 và

Trong bài viết này, chúng ta xem xét hàm wavelet mẹ 𝜓(𝑡) = 2 −𝑖 𝜓(2 −𝑖 − 𝑗), trong đó i và j là các số nguyên dương, xác định đặc trưng của hàm này trong không gian Hilbert Phép biến đổi wavelet rời rạc (DWT) cho phép tái thể hiện tín hiệu phân tích trên miền wavelet ở các giải tần khác nhau thông qua phép lọc đệ quy Trong quá trình này, tín hiệu được xử lý bằng cách chạy qua và nhân chập với hai bộ lọc thông cao và thấp, lần lượt là g và h Để tái xây dựng tín hiệu, chúng ta có thể sử dụng phép lọc nghịch đảo.

Biến đổi wavelet và tái cấu trúc wavelet được thực hiện thông qua quá trình phân tích tín hiệu ban đầu bằng bộ lọc thông cao (𝐻 0) và bộ lọc thông thấp (𝐺 0), thiết kế dựa trên hàm wavelet cơ sở Kết quả là các hệ số wavelet được giảm mẫu xuống một nửa, tạo ra chuỗi hệ số ở giải tần cao (chi tiết) và giải tần thấp (xấp xỉ) Thành phần xấp xỉ tiếp tục được sử dụng làm đầu vào cho phép biến đổi wavelet DWT ở bậc tiếp theo Cuối cùng, quá trình phân tích DWT cho ra chuỗi xấp xỉ (𝑎 𝑖) và nhiều chuỗi chi tiết (𝑑 𝑘, 𝑘 = 1, … , 𝑖), cung cấp thông tin về tín hiệu ở các giải tần số khác nhau.

Tái cấu trúc tín hiệu trên miền wavelet, hay còn gọi là quá trình wavelet ngược, là quá trình nghịch đảo của biến đổi DWT Trong quá trình này, chuỗi xấp xỉ và chi tiết tại mỗi bậc được tăng mẫu bậc hai và sau đó được xử lý qua bộ lọc thông thấp tổng hợp (𝐺 1) và bộ lọc thông cao tổng hợp (𝐻 1) Kết quả cuối cùng là tín hiệu được phục hồi từ các thành phần wavelet.

Bài viết này tổng hợp 33 quả, với quá trình tiếp tục thực hiện theo số lần i, tương ứng với số bậc biến đổi wavelet thuận Các bộ lọc sử dụng trong phân tích và tổng hợp cần đảm bảo điều kiện tái cấu trúc hoàn hảo (perfect reconstruction) và thỏa mãn phương trình liên quan.

[𝐺 𝑝 (𝑧)] 𝑇 𝐻 𝑝 (𝑧) = 𝑧 −𝑙 𝐼 (4) 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 (ICA) là kỹ thuật tách nguồn mù hiệu quả, thường được áp dụng trong việc khử nhiễu tín hiệu điện não ICA cho phép đánh giá các nguồn tín hiệu ban đầu từ tập hợp các tín hiệu trộn mà không cần nhiều thông tin về quá trình trộn hay tín hiệu gốc Ý tưởng chính của ICA là xem mỗi kênh tín hiệu thu được như là kết quả của việc trộn nhiều nguồn tín hiệu gốc Đối với tín hiệu điện não EEG, các tín hiệu ghi nhận từ các điện cực trên da đầu được coi là tín hiệu trộn từ nhiều nguồn bên trong não.

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 một ma trận vuông, trong đó số lượng tín hiệu nguồn tương đương với số lượng tín hiệu được trộn Khái niệm độc lập thống kê trong bối cảnh này được xác định thông qua 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

Phương pháp phân tách thành phần độc lập (ICA) sử dụng nhiều thuật toán như infomax, FastICA và JADE để xử lý tín hiệu EEG mà không làm thay đổi bản chất của tín hiệu Trong phân tích tín hiệu điện não, ICA chủ yếu được áp dụng để xử lý nhiễu, đặc biệt là từ nháy mắt EOG và nhiễu cơ EMG Sau khi thực hiện ICA, ma trận trộn W -1 và các thành phần độc lập sẽ được thu nhận Các thành phần này sẽ được kiểm tra và thay thế nếu có tính chất giống nhiễu, sau đó được trộn lại bằng ma trận W -1 để thu được tín hiệu sạch Quy trình khử nhiễu này được minh họa trong Hình 7.

Hình 7 Quy trình phương pháp ICA dùng trong khử nhiễu tín hiệu EEG

Tín hiệu điện não rất nhạy cảm với nhiễu, bao gồm nhiễu tim, tín hiệu bất thường do nháy mắt và nhiễu cơ, làm giảm hiệu quả của hệ thống giao diện não máy tính (BCI) Để khắc phục tín hiệu bất thường do nháy mắt, mạng nơron kết hợp wavelet đã được phát triển, bao gồm ba phần chính: phân tích wavelet, mạng nơron nhân tạo và tổng hợp wavelet.

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

M ộ t s ố ứ ng d ụ ng h ệ giao di ệ n não máy tính

Giao diện não-máy tính (BCI) là công nghệ cho phép giao tiếp giữa não bộ và các thiết bị bên ngoài thông qua hệ thống thu nhận và xử lý tín hiệu não Nghiên cứu về BCI bắt đầu từ những năm 1970 tại Đại học California Los Angeles (UCLA).

Farwell (1988) đã phát triển một hệ thống giao diện não-máy tính (BCI) dựa trên EEG Gần đây, ứng dụng của BCI đã trở nên đa dạng, bao gồm điều khiển xe lăn, đánh vần ký tự, chơi trò chơi bằng trí não và tích hợp trong các hệ thống phục hồi chức năng Bài viết dưới đây sẽ mô tả một số hệ BCI tiêu biểu.

Hình 12 Thiết kế hệ BCI2000 [17]

Năm 2000, nghiên cứu của Jessica Bayliss tại Đại học Rochester cho thấy tình nguyện viên sử dụng mũ bảo hiểm thực tế ảo có khả năng điều khiển các thành phần trong thế giới ảo thông qua các tín hiệu P300 EEG, như bật/tắt đèn và dừng một chiếc xe mô hình Hệ thống giao diện não-máy tính (BCI) đã chứng minh tiềm năng trong việc tương tác với môi trường ảo.

Hệ BCI2000 cho phép điều khiển chuột máy tính bằng tín hiệu điện, sử dụng nhịp cảm giác vận động để di chuyển chuột đến bất kỳ vị trí nào trên màn hình Hệ thống này hoạt động dựa vào việc phát hiện và phân loại các thay đổi trong tín hiệu điện não khi người dùng thực hiện các tác vụ tưởng tượng vận động, như tưởng tượng di chuyển.

Nhịp alpha trong vùng não phụ trách giác quan vận động được gọi là nhịp Mu, với dải tần số tín hiệu điện não thuộc nhịp Mu hoặc beta Khi tưởng tượng hoặc thực hiện cử động, nhịp giác quan vận động sẽ thay đổi, tập trung chủ yếu 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, giải thưởng BCI-Research Award hàng năm đã được trao cho các nhóm nghiên cứu xuất sắc về hệ BCI trên toàn thế giới, được đánh giá bởi những chuyên gia hàng đầu trong lĩnh vực này Năm 2018, một đề cử giải BCI Award đã được trao cho hệ BCI hỗ trợ phục hồi chức năng cho người bị liệt nửa người do chấn thương tủy sống.

Trong quá trình phục hồi chức năng cho bệnh nhân đột quỵ, việc đo và phân tích tín hiệu điện não khi thực hiện tác vụ tưởng tượng vận động (Motor Imagery) là rất quan trọng Thí nghiệm sử dụng kính thực tại ảo kết hợp với màn hình máy tính để hiển thị ý định của bệnh nhân, chẳng hạn như nâng tay trái hoặc tay phải Nhân vật hoạt hình sẽ phản ánh chính xác ý định này dựa trên phân tích điện não, giúp bác sĩ quan sát và so sánh giữa hành động thực tế của bệnh nhân và ý định mà họ thể hiện.

42 vật hoạt họa trên màn hình máy tính để biết được hiệu quả và tình trạng của bệnh nhân

4.3 Một số hệBCI trong đánh vần ký tự

P300 là một tín hiệu sóng điện não xuất hiện khoảng 300ms sau khi có kích thích, thường được nghiên cứu trong hệ thống giao diện não-máy tính (BCI) để hỗ trợ đánh vần cho người bị liệt tứ chi Hệ thống BCI P300 sử dụng ma trận 6x5 trên màn hình máy tính, trong đó các cột và hàng được nháy sáng theo trật tự ngẫu nhiên với khoảng cách 175 ms giữa hai lần nháy và thời gian nháy mỗi cột hoặc hàng là 100 ms Một vòng nháy hoàn thành khi tất cả cột và hàng đã được nháy một lần, và 5 vòng nháy tương đương với một phiên đánh vần một chữ cái (target letter), mất khoảng 10 giây Giữa các phiên, có khoảng nghỉ 6 giây trước khi 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

Hệ Berlin BCI được phát triển với cấu trúc gồm sáu hình lục giác xung quanh một hình tròn, mỗi hình lục giác chứa năm ký tự hoặc chức năng như cách dòng và xóa Người dùng có thể chọn hình lục giác chứa ký tự cần tìm bằng cách sử dụng mũi tên ở trung tâm hình tròn, quay theo chiều kim đồng hồ khi tưởng tượng cử động tay phải và dừng lại khi tưởng tượng cử động tay trái Khi tiếp tục tưởng tượng cử động tay trái, hình lục giác được chọn sẽ dừng lại, mở rộng các ký tự bên trong, trong khi các hình lục giác khác sẽ biến mất, cho phép người dùng dễ dàng chọn ký tự mong muốn.

Việc sử dụng 43 hình lục giác trong thí nghiệm đầu tiên cho phép người dùng tương tác với một tập hợp ký tự Tốc độ di chuyển và dừng mũi tên có thể được điều chỉnh theo nhu cầu của người sử dụng Để nâng cao hiệu quả của hệ thống BCI trong việc đánh vần, có thể tích hợp một mô hình ngôn ngữ giúp dự đoán ký tự tiếp theo mà người dùng muốn chọn.

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 đã được nhóm nghiên cứu của Đại học Công nghệ phát triển từ năm 2010, trong khuôn khổ Đề tài QG-10.40 về nghiên cứu xử lý.

Hệ thống phân tích và chẩn đoán bệnh động kinh dựa trên 44 tín hiệu điện não bao gồm 4 khối chính: tiền xử lý, trích chọn đặc trưng, phân lớp và hệ chuyên gia Hệ thống áp dụng các phương pháp xử lý tín hiệu số và học máy như biến đổi Wavelet và Mạng Nơ-ron nhân tạo Tuy nhiên, hiệu quả của hệ thống này vẫn chưa đạt yêu cầu so với các hệ thống phát hiện động kinh khác trên thế giới, nguyên nhân chủ yếu là do điều kiện ghi tín hiệu tại Việt Nam chưa đạt chuẩn, với thời gian ghi chỉ khoảng 10 phút, thấp hơn nhiều so với 20 phút của các nước khác, cùng với việc chưa áp dụng các phương pháp khử nhiễu.

Nghiên cứu tín hiệu điện não tại Đại học Bách khoa bắt đầu từ năm 2008 và đã giành được nhiều giải thưởng danh giá, bao gồm giải nhất cuộc thi ImagineCup do Microsoft tổ chức và giải nhất Nhân tài đất Việt 2010 Nhóm nghiên cứu cũng chủ trì đề tài nghiên cứu cấp nhà nước KC.01.TN13/11-15.

Nghiên cứu về việc giải mã thông tin trong sóng điện não nhằm xây dựng hệ thống nhận diện cảm xúc con người đã đạt được nhiều thành tựu đáng kể Một trong những sản phẩm nổi bật là Bộ công cụ MDK (Mimas Development Kit), cung cấp nền tảng cho việc thu nhận và xử lý tín hiệu điện não Đồng thời, phần mềm này cũng hỗ trợ trong việc thu nhận và nhận dạng cảm xúc của người sử dụng Nghiên cứu sử dụng thiết bị đo EPOC do Emotiv sản xuất, góp phần nâng cao độ chính xác và hiệu quả trong việc phân tích cảm xúc.

K ế t lu ận Chương 1

Hệ thống giao diện não-máy tính (BCI) có nhiều phương pháp tiếp cận, trong đó tín hiệu điện não (EEG) là một trong những phương thức phổ biến nhất Chương này tóm tắt các ưu điểm của tín hiệu EEG so với các phương pháp thu tín hiệu não khác, đồng thời trình bày nguồn gốc, cơ chế sinh học và cách thu thập tín hiệu Đây là nền tảng cho việc sử dụng tín hiệu EEG trong nghiên cứu của luận án Các phương pháp xử lý và phân tích tín hiệu EEG được đề cập trong Chương 1 sẽ là cơ sở để phát triển các phương pháp trong các chương tiếp theo, hỗ trợ đánh giá kết quả thí nghiệm Các chương 2, 3, và 4 sẽ mô tả chi tiết các phương pháp đề xuất trong xử lý, phân loại tín hiệu EEG và ứng dụng của hệ BCI trong việc điều khiển thiết bị điện tử thông minh.

PHƯƠNG PHÁP HỌ C SÂU T Ự MÃ HÓA THƯA WAVELET TRONG KHỬ TÍN

ĐỀ XU Ấ T M Ộ T S Ố PHƯƠNG PHÁP PHÂN LOẠ I TÍN HI ỆU ĐIỆ N NÃO D Ự A TRÊN H Ọ C MÁY

ĐỀ XU Ấ T H Ệ GIAO DI ỆN NÃO MÁY TÍNH TRONG ĐIỀ U KHI Ể N CÁC THI Ế T