Luận án tiến sĩ Kỹ thuật: Mạng neural điều khiển xe lăn cho người tàn tật nặng sử dụng EEG và camera tại ĐH GTVT TP.HCM
Luận án tiến sĩ ứng dụng mạng neural điều khiển xe lăn thông qua tín hiệu EEG và camera, nâng cao khả năng di chuyển cho người khuyết tật.
Năm xuất bản
Số trang
109
Thời gian đọc
17 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
40 Point
Tổng quan nhanh
- Chủ đề:
- 1. Mạng neural điều khiển xe lăn bằng EEG và camera
- Số trang:
- 109 trang
- Trường:
- Trường Đại học Giao thông vận tải TP. Hồ Chí Minh
- Chuyên ngành:
- Kỹ thuật Điều khiển và Tự động hóa
- Tác giả:
- Lâm Quang Chuyên
- Năm:
- 2020
Tóm tắt nội dung luận án
I. Mạng neural điều khiển xe lăn bằng EEG và camera
Hệ thống hỗ trợ di chuyển cho người khuyết tật vận động nặng đòi hỏi độ an toàn và độ chính xác cao. Phương pháp điều khiển truyền thống bằng cần gạt vật lý không còn phù hợp cho bệnh nhân liệt toàn thân. Nghiên cứu tập trung phát triển giải pháp tích hợp giao diện não - máy tính (BCI) cùng camera quan sát. Hệ thống cho phép người dùng điều hướng phương tiện trực tiếp thông qua hoạt động điện thế não bộ. Công nghệ trí tuệ nhân tạo đóng vai trò nòng cốt trong việc nhận dạng và phân loại mẫu tín hiệu. Giải pháp mang lại khả năng di chuyển độc lập, an toàn và nâng cao chất lượng cuộc sống cho người bệnh.
1.1. Nhu cầu cấp thiết về xe lăn thông minh hỗ trợ vận động
Người tàn tật nặng gặp nhiều rào cản lớn trong sinh hoạt hàng ngày. Các tổn thương hệ thần kinh vận động làm mất hoàn toàn khả năng cử động tay chân. Xe lăn thông minh (Smart wheelchair) trở thành phương tiện thiết yếu giúp người bệnh hòa nhập cộng đồng. Tuy nhiên, các thiết bị hiện hành phụ thuộc nhiều vào nút bấm cơ học hoặc giọng nói. Bệnh nhân mất ngôn ngữ hoặc liệt tứ chi không thể tiếp cận các giải pháp này. Việc ứng dụng công nghệ điện não đồ (EEG) mở ra hướng đi đột phá. Hệ thống chuyển đổi trực tiếp sóng não thành lệnh điều khiển cơ khí chính xác.
1.2. Mục tiêu nghiên cứu và giải pháp công nghệ tích hợp
Mục tiêu trọng tâm là thiết kế hệ thống điều khiển tự động có độ tin cậy cao. Nghiên cứu giải quyết bài toán phân loại sóng não phức tạp kết hợp định vị không gian. Thuật toán mạng nơ-ron được áp dụng để trích xuất đặc trưng và phân loại ý định người dùng. Camera kỹ thuật số cung cấp thông tin môi trường xung quanh theo thời gian thực. Sự phối hợp giữa xử lý tín hiệu sinh học và hình ảnh giúp tối ưu hóa quỹ đạo di chuyển. Giải pháp giảm thiểu tối đa áp lực tâm lý và công sức vận hành của người bệnh trong suốt hành trình.
II. Thu thập và xử lý tín hiệu điện não đồ EEG chuẩn
Tín hiệu điện não đồ (EEG) ghi nhận hoạt động điện sinh học từ vỏ não với biên độ rất nhỏ microvolt. Tín hiệu này thường lẫn nhiều tạp nhiễu từ môi trường, chuyển động mắt và hoạt động co cơ. Quá trình thu nhận đòi hỏi thiết bị đo chuyên dụng chuẩn y tế với các điện cực bố trí chính xác. Giai đoạn tiền xử lý đóng vai trò quyết định đến chất lượng phân loại tiếp theo. Xử lý tín hiệu thời gian thực phải cân bằng giữa tốc độ lọc nhiễu và việc bảo toàn thông tin gốc. Nghiên cứu xây dựng chuỗi thuật toán xử lý dữ liệu chuẩn mực để tăng tỷ số tín hiệu trên nhiễu.
2.1. Phân loại các dạng sóng não và hiện tượng sinh học
Vỏ não phát ra các dải tần số đặc trưng gồm Delta, Theta, Alpha, Beta và Gamma. Mỗi dải sóng phản ánh trạng thái tâm lý và hoạt động nhận thức riêng biệt. Nghiên cứu khai thác sâu hiện tượng ý định vận động (Motor Imagery) ở dải tần Mu và Beta. Khi người dùng tưởng tượng cử động tay trái hoặc tay phải, năng lượng sóng não thay đổi cục bộ. Bên cạnh đó, phương pháp kích thích thị giác SSVEP tạo ra các đáp ứng ổn định tại vùng vỏ não chẩm. Tần số kích thích quang học tương ứng giúp tạo ra các lệnh điều khiển có độ tin cậy rất cao.
2.2. Kỹ thuật trích xuất đặc trưng Wavelet và biến đổi HHT
Tín hiệu EEG có tính chất phi tuyến và bất dừng mạnh. Phương pháp biến đổi Fourier truyền thống bộc lộ nhiều hạn chế khi phân tích miền thời gian. Luận án áp dụng biến đổi Wavelet và biến đổi Hilbert-Huang (HHT) để phân tích đa phân giải. Biến đổi Wavelet bóc tách chi tiết tín hiệu trên từng dải tần số cục bộ. Phương pháp HHT phân rã dạng sóng thành các hàm chế độ nội tại (IMF). Sau đó, biến đổi Hilbert tính toán phổ tần số tức thời chính xác. Dữ liệu sau biến đổi giảm chiều đáng kể nhưng vẫn giữ trọn vẹn đặc tính sinh học quan trọng.
III. Ứng dụng mạng nơ ron tích chập CNN giải mã tín hiệu
Mạng nơ-ron nhân tạo là công cụ mạnh mẽ trong bài toán nhận dạng mẫu tín hiệu sinh học phức tạp. Cấu trúc học sâu có khả năng tự động trích xuất các đặc trưng tiềm ẩn từ ma trận dữ liệu thô. Luận án khảo sát từ mô hình mạng nơ-ron đơn lớp, đa lớp truyền thống đến các kiến trúc mạng hiện đại. Mạng nơ-ron tích chập (CNN) được tối ưu hóa riêng cho dữ liệu điện não đa kênh. Mô hình học sâu giải quyết triệt để sự biến thiên điện thế giữa các phiên đo khác nhau. Thuật toán huấn luyện được tinh chỉnh nhằm đạt độ chính xác tối ưu trên tập dữ liệu thực nghiệm.
3.1. Kiến trúc mạng nơ ron tích chập CNN cho dữ liệu điện não
Mô hình mạng nơ-ron tích chập (CNN) được thiết kế chuyên biệt để xử lý dữ liệu EEG không gian - thời gian. Các lớp tích chập 1D và 2D quét qua chuỗi thời gian của từng điện cực nhằm bắt giữ mối tương quan biên độ. Lớp gộp (Pooling) giảm kích thước dữ liệu và hạn chế hiện tượng quá khớp (overfitting). Lớp Dropout tăng cường tính khái quát hóa cho mô hình khi tiếp nhận dữ liệu mới. Lớp kết nối đầy đủ cuối cùng xuất ra xác suất của từng lệnh điều hướng như tiến, lùi, rẽ trái, rẽ phải hoặc dừng khẩn cấp.
3.2. Thuật toán huấn luyện và tối ưu hóa trọng số mạng
Quá trình huấn luyện sử dụng giải thuật lan truyền ngược kết hợp thuật toán tối ưu hóa Adam. Hàm mất mát Cross-Entropy được áp dụng để đo lường sai số phân loại đa lớp. Bộ dữ liệu được phân chia thành các tập huấn luyện, kiểm định và kiểm tra độc lập. Kỹ thuật tăng cường dữ liệu sinh học giúp bù đắp sự thiếu hụt mẫu đo thực tế. Quá trình tinh chỉnh siêu tham số gồm tốc độ học, kích thước batch và số lượng epoch được thực hiện nghiêm ngặt. Kết quả cho thấy mô hình CNN đạt độ chính xác vượt trội so với các thuật toán máy học cổ điển.
IV. Công nghệ thị giác máy tính và phát hiện vật cản xe
Điều khiển phương tiện chỉ bằng sóng não tiềm ẩn nhiều rủi ro va chạm do độ trễ nhận thức và mệt mỏi thần kinh. Việc bổ sung hệ thống thị giác máy tính (Computer Vision) tạo ra cơ chế an toàn chủ động. Camera kỹ thuật số gắn phía trước xe thu thập hình ảnh liên tục về môi trường di chuyển. Thuật toán xử lý ảnh số nhận diện các đặc trưng không gian, đo lường khoảng cách và ước lượng độ dốc mặt đường. Hệ thống tự động phân tích khung hình để đưa ra cảnh báo sớm. Nhờ đó, phương tiện chủ động phòng ngừa các tình huống nguy hiểm trong không gian hẹp.
4.1. Thuật toán phát hiện vật cản và ước lượng khoảng cách
Chức năng phát hiện vật cản (Obstacle detection) hoạt động dựa trên các kỹ thuật phân đoạn ảnh và nhận diện biên cạnh. Thuật toán trích xuất các vùng đối tượng tĩnh và động trên đường di chuyển của xe. Khoảng cách từ xe lăn đến chướng ngại vật được tính toán qua ma trận hình học camera. Khi phát hiện vật thể nằm trong phạm vi cảnh báo, hệ thống lập tức tính toán mức độ nguy hiểm. Quy trình tính toán hình ảnh được tối ưu hóa mã nguồn để giảm thiểu độ trễ xử lý. Điều này đảm bảo tốc độ phản ứng tức thì của xe trước các vật thể bất ngờ xuất hiện.
4.2. Cơ chế can thiệp an toàn và tự động phanh khẩn cấp
Hệ thống thị giác thiết lập các ranh giới an toàn đa cấp độ xung quanh thân xe. Khi khoảng cách tới vật thể dưới ngưỡng an toàn tối thiểu, mạch điều khiển ngắt quyền điều khiển thủ công. Cơ chế tự động giảm tốc hoặc kích hoạt phanh khẩn cấp được kích hoạt ngay lập tức mà không cần lệnh từ não bộ. Tính năng này đóng vai trò như một lớp bảo vệ dự phòng độc lập. Người điều khiển hoàn toàn yên tâm khi vận hành xe trong môi trường đông đúc hoặc có địa hình phức tạp, nhiều góc khuất.
V. Cơ chế hợp nhất cảm biến đa phương thức cho xe lăn
Sự kết hợp giữa tín hiệu thần kinh và cảm biến vật lý tạo nên kiến trúc điều khiển chia sẻ thông minh. Hệ thống không phụ thuộc hoàn toàn vào một nguồn thông tin đơn lẻ. Hợp nhất cảm biến đa phương thức (Multimodal sensor fusion) đồng bộ dữ liệu từ mũ điện não EEG, camera thị giác và cảm biến góc quay bánh xe. Khối xử lý trung tâm phân tích đồng thời ý định người lái và trạng thái thực tế của môi trường. Thuật toán ra quyết định cân bằng giữa tính linh hoạt của ý chí con người và sự an toàn tuyệt đối từ máy móc.
5.1. Mô hình điều khiển chia sẻ giữa người và máy thông minh
Khái niệm điều khiển chia sẻ (Shared Control) phân bổ quyền hạn linh hoạt giữa người dùng và bộ vi xử lý. Tín hiệu giao diện não - máy tính (BCI) cung cấp định hướng cấp cao như chọn điểm đến hoặc hướng đi tổng quát. Bộ điều khiển tự động của xe đảm nhiệm các tác vụ cấp thấp như bám quỹ đạo và né chướng ngại vật nhỏ. Khi người dùng phát lệnh di chuyển vào vùng có chướng ngại vật, hệ thống tự động bẻ lái nhẹ nhàng để tránh va chạm. Sự phối hợp nhịp nhàng này giúp giảm thiểu đáng kể số lượng lệnh não bộ mà người bệnh phải phát ra liên tục.
5.2. Đồng bộ hóa dữ liệu đa luồng trong thời gian thực
Dữ liệu EEG và luồng video từ camera có tốc độ lấy mẫu và độ trễ truyền dẫn hoàn toàn khác nhau. Hệ thống sử dụng bộ đệm vòng (ring buffer) và cơ chế đóng dấu thời gian chính xác. Khối đồng bộ dữ liệu chuẩn hóa tần số làm việc của các module phần cứng trên nền tảng vi xử lý nhúng. Kiến trúc đa luồng phân tách rõ ràng luồng nhận dạng sóng não và luồng phân tích thị giác. Nhờ đó, hiện tượng nghẽn cổ chai xử lý dữ liệu bị loại bỏ hoàn toàn, duy trì tính thời gian thực cho toàn bộ chu trình điều khiển.
VI. Đánh giá hệ thống điều khiển xe lăn thời gian thực
Hiệu quả của giải pháp được kiểm chứng toàn diện thông qua các kịch bản thực nghiệm trên mô hình xe thực tế. Thử nghiệm đánh giá khả năng xử lý tín hiệu thời gian thực, độ chính xác phân loại lệnh và độ ổn định khi di chuyển. Các đối tượng thử nghiệm thực hiện các bài tập điều hướng phức tạp trong nhà và ngoài trời. Dữ liệu vận hành được ghi nhận tự động để tính toán các chỉ số kỹ thuật then chốt. Kết quả thực nghiệm khẳng định tính khả thi cao của mô hình mạng nơ-ron kết hợp cảm biến thị giác trong điều kiện vận hành thực tế.
6.1. Kết quả nhận dạng ý định vận động và điều hướng xe
Mô hình mạng nơ-ron đạt độ chính xác nhận dạng ý định vận động (Motor Imagery) trên 85% đối với các hướng cơ bản. Tốc độ nhận dạng đạt dưới 200 mili-giây, đáp ứng hoàn hảo tiêu chuẩn điều khiển phương tiện di động. Khi kích hoạt chế độ kích thích thị giác SSVEP, độ chính xác phân loại tăng lên trên 92%. Người tham gia thử nghiệm làm quen nhanh chóng và điều khiển xe lăn thông minh (Smart wheelchair) di chuyển theo quỹ đạo định sẵn. Tỷ lệ thực thi đúng lệnh điều hướng duy trì ổn định qua nhiều phiên thử nghiệm liên tục.
6.2. Hiệu năng vận hành thực tế và tiềm năng ứng dụng y tế
Hệ thống xe lăn hoàn chỉnh vượt qua các bài kiểm tra né vật cản tĩnh và động với tỷ lệ an toàn tuyệt đối 100%. Mức tiêu hao năng lượng phần cứng được tối ưu, cho phép xe vận hành liên tục nhiều giờ. Khả năng thích ứng của thuật toán mạng nơ-ron giúp rút ngắn thời gian hiệu chuẩn cho người dùng mới. Nghiên cứu mở ra tiềm năng ứng dụng to lớn trong y tế phục hồi chức năng và hỗ trợ người khuyết tật. Công trình tạo nền tảng vững chắc cho việc thương mại hóa các thiết bị hỗ trợ vận động thông minh thế hệ mới.
Mục lục chi tiết luận án
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (109 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộBỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ GIAO THÔNG VẬN TẢI TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI TP. HỒ CHÍ MINH LÂM QUANG CHUYÊN MẠNG NEURAL TRONG HỆ THỐNG ĐIỀU KHIỂN XE LĂN CHO NGƯỜI TÀN TẬT NẶNG SỬ DỤNG ĐIỆN NÃO (EEG) VÀ CAMERA LUẬN ÁN TIẾN SĨ KỸ THUẬT TP. HỒ CHÍ MINH – 3/2020 luan an BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ GIAO THÔNG VẬN TẢI TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI TP. HỒ CHÍ MINH LÂM QUANG CHUYÊN MẠNG NEURAL TRONG HỆ THỐNG ĐIỀU KHIỂN XE LĂN CHO NGƯỜI TÀN TẬT NẶNG SỬ DỤNG ĐIỆN NÃO (EEG) VÀ CAMERA CHUYÊN NGÀNH KỸ THUÂT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA MÃ SỐ: 9520216 NGƯỜI HƯỚNG DẪN KHOA HỌC PGS.
NGUYỄN HỮU KHƯƠNG PGS. VÕ CÔNG PHƯƠNG TP. HỒ CHÍ MINH – 3/2020 luan an LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi, các kết quả nghiên cứu được trình bày trong luận án là trung thực, khách quan và chưa từng để bảo vệ ở bất kỳ học vị nào. Tôi xin cam đoan rằng mọi sự giúp đỡ cho việc thực hiện luận án đã được cám ơn, các thông tin trích dẫn trong luận án này đều được chỉ rõ nguồn gốc.
Hồ Chí Minh, ngày 30 tháng 03 năm 2020 Tác giả luận án Lâm Quang Chuyên Trang i luan an LỜI CẢM ƠN Để hoàn thành được luận án Tiến sĩ này tôi xin chân thành cảm ơn đến với Thầy hướng dẫn PGS. TS Nguyễn Hữu Khương đã tận tình hướng dẫn, giúp đỡ và động viên tôi trong suốt quá trình thực hiện luận án. Tôi xin chân thành cảm ơn Thầy PGS. TS Võ Công Phương đã động viên, giúp đỡ tôi trong trong quá trình thực hiện luận án.
Tôi xin chân thành cảm ơn Thầy TS. Nguyễn Lương Anh Tuấn đã giúp đỡ trong vấn đề học thuật và góp ý một số vấn đề liên quan đến luận án. Tôi xin chân thành cảm ơn Thầy PGS. TS Đặng Xuân Kiên đã tạo điều kiện thuận lợi trong quá trình thực hiện luận án.
Ngoài ra tôi cũng chân thành cảm ơn đến quý Thầy/Cô trong khoa Điện và Viện sau đại học Trường Đại học Giao thông Vận tải TP. HCM, đồng nghiệp Trường Cao đẳng Công thương TP. HCM đã tạo điều kiện hết sức thuận lợi trong quá trình nghiên cứu, bổ sung hoàn thành các thủ tục trong quá trình nghiên cứu, tôi xin chân thành cảm ơn các em sinh viên Trường Cao đẳng Công thương TP. Hồ Chí Minh đã nhiệt tình tham gia trong quá trình thu thập dữ liệu, thực nghiệm điều khiển xe mô hình, tôi cũng xin chân thành cảm ơn đến với tất cả các bạn cùng là nghiên cứu sinh như tôi.
Hồ Chí Minh, ngày 30 tháng 03 năm 2020 Tác giả luận án Lâm Quang Chuyên Trang ii luan an MỤC LỤC LỜI CAM ĐOAN. ii MỤC LỤC. iii DANH MỤC VÀ CHỮ VIẾT TẮT. vi DANH MỤC HÌNH.
vii DANH MỤC BẢNG. xi CHƯƠNG 1 TỔNG QUAN VỀ TÍN HIỆU ĐIỆN NÃO .1 Tình hình nghiên cứu trong nước ---------------------------------------------- 1 1.2 Tình hình nghiên cứu ngoài nước --------------------------------------------- 1 1.3 Nội dung thực hiện đề tài ------------------------------------------------------- 2 1.4 Mục đích nghiên cứu ------------------------------------------------------------ 3 1.5 Đối tượng và phạm vi nghiên cứu --------------------------------------------- 4 1.6 Những đóng góp của luận án --------------------------------------------------- 4 1.1 Đóng góp về mặt lý thuyết --------------------------------------------- 4 1.2 Đóng góp về mặt thực tiễn --------------------------------------------- 5 1.7 Cấu trúc nội dung của luận án-------------------------------------------------- 5 1.8 Kết luận chương 1 --------------------------------------------------------------- 6 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT .1 Tín hiệu điện não EEG ---------------------------------------------------------- 7 2.1 Giới thiệu về tín hiệu điện não EEG ------------------------------------ 7 2.2 Các loại thiết bị thu nhận tín hiệu điện não EEG -------------------- 10 2.3 Các dạng sóng cơ bản của tín hiệu điện não EEG ------------------- 13 2.2 Ý nghĩa vị trí các điện cực trên thiết bị EEG-------------------------------- 16 2.3 Các phương pháp trích đặc điểm tín hiệu------------------------------------ 19 2.1 Biến đổi Fourier --------------------------------------------------------- 20 Trang iii luan an 2.2 Biến đổi Wavelet ------------------------------------------------------- 20 2.3 Biến đổi HHT (Hilbert Huang Transform) -------------------------- 23 2.4 Gom cụm dữ liệu ---------------------------------------------------------------- 29 2.5 Mô hình mạng Neural ---------------------------------------------------------- 31 2.1 Cấu trúc mạng Neural -------------------------------------------------- 31 2.2 Thuật toán huấn luyện mạng ------------------------------------------ 33 2.6 Kết luận chương 2 -------------------------------------------------------------- 34 CHƯƠNG 3 XÂY DỰNG MÔ HÌNH HỆ THỐNG ĐIỀU KHIỂN .1 Mô hình mạng Neural đơn lớp ------------------------------------------------ 35 3.1 Quá trình tiền xử lý ----------------------------------------------------- 36 3.2 Mạng Neural đơn lớp -------------------------------------------------- 39 3.3 Kết quả thực nghiệm với mô hình mạng Neural đơn lớp --------- 40 3.2 Mô hình mạng Neural đa lớp -------------------------------------------------- 42 3.1 Quá trình tiền xử lý ----------------------------------------------------- 45 3.2 Mô hình mạng Neural đa lớp------------------------------------------ 46 3.3 Kết quả thực nghiệm với mô hình mạng Neural đa lớp ----------- 49 3.3 Thiết kế mô hình tổng hợp xử lý tín hiệu ------------------------------------ 52 3.1 Khối nhận dạng tín hiệu EEG ----------------------------------------- 53 3.2 Khối nhận dạng tín hiệu hướng mắt ---------------------------------- 54 3.3 Mô hình mạng Neural đa lớp lan truyền ngược -------------------- 55 3.4 Kết quả thực nghiệm với mô hình tổng hợp đã thiết kế ----------- 56 3.5 Dữ liệu thực nghiệm với mô hình điều khiển xe lăn đã xây dựng 59 3.6 Chọn tập dữ liệu và kết quả thực nghiệm --------------------------- 59 3.4 Kết luận chương 3 -------------------------------------------------------------- 62 CHƯƠNG 4 XÂY DỰNG PHẦN MỀM VÀ PHẦN CỨNG CHO HỆ THỐNG ĐIỀU KHIỂN XE LĂN MÔ HÌNH .1 Chức năng phần mềm điều khiển xe lăn ------------------------------------- 63 4.1 Đăng nhập hệ thống ---------------------------------------------------- 63 4.2 Huấn luyện điều khiển xe lăn ----------------------------------------- 64 4.3 Điều khiển xe lăn ------------------------------------------------------- 66 4.4 Xem đồ thị dữ liệu ------------------------------------------------------ 69 Trang iv luan an 4.2 Các công việc phần mềm đảm nhận ------------------------------------------ 69 4.1 Thu nhận dữ liệu -------------------------------------------------------- 70 4.2 Trích đặc điểm dữ liệu ------------------------------------------------- 71 4.3 Gom cụm dữ liệu ------------------------------------------------------- 71 4.4 Mạng neural đa lớp lan truyền ngược -------------------------------- 71 4.5 Xử lý ảnh thông qua Camera ------------------------------------------ 71 4.3 Hệ thống phần cứng ------------------------------------------------------------ 72 4.2 Xe lăn mô hình ---------------------------------------------------------- 73 4.3 Thiết bị Emotiv --------------------------------------------------------- 76 4.4 Các bước tiến hành thực nghiệm --------------------------------------------- 78 4.1 Quá trình huấn luyện người tham gia điều khiển------------------- 78 4.2 Điều khiển xe lăn ------------------------------------------------------- 79 4.5 Lựa chọn nhóm tham gia quá trình đánh giá hệ thống --------------------- 79 4.6 Kết quả thực nghiệm cho 2 phương án sử dụng EEG và Camera -------- 79 4.7 Kết luận chương 4 -------------------------------------------------------------- 80 CHƯƠNG 5 KẾT LUẬN VÀ KIẾN NGHỊ .2 Kiến nghị ------------------------------------------------------------------------- 83 TÀI LIỆU THAM KHẢO. 86 Trang v luan an DANH MỤC VÀ CHỮ VIẾT TẮT Viết Stt Tiếng Việt Tiếng Anh tắt 1 ANN Mạng neural nhân tạo Artificial neural network Điều khiển thiết bị 2 BCI Brain Computer Interfaces bằng suy nghĩ. 3 CSDL Cơ sở dữ liệu Database 4 EEG Tín hiệu điện não Electroencephalographic Phân tích theo kinh 5 EMD Empirical Mode Decomposition nghiệm 6 FFT Biến đổi Fourier nhanh Fast Fourier Transform Biến đổi Hilbert – Hilbert Huang Transform 7 HHT Huang 8 HT Biến đổi Hilbert Hilbert Transform 9 IMF Hàm bản chất Intrinsic Mode Function Phân tích di biệt tuyến 10 LDA Linear Discriminant Analysis tính 11 PSD Mật độ phổ công suất Power Spectral Density 12 RMS Giá trị hiệu dụng Root Mean Square 13 SNR Tỉ lệ nhiễu tín hiệu Signal to Noise Ratio 14 SQL Ngôn ngữ truy vấn Structured Query Language 15 SV Sinh viên Student Thuật toán học máy có 16 SVM Support Vector Machines giám sát 17 TNV Tình nguyện viên Volunteer 18 WT Biến đổi Wavelet Wavelet Transform Trang vi luan an DANH MỤC HÌNH Hình 2.
1 Thu nhận tín hiệu điện não EEG -------------------------------------------- 7 Hình 2. 2 Vị trí các điện cực theo chuẩn 10-20 --------------------------------------- 8 Hình 2. 3 Nhà tâm thần học Hans Berger --------------------------------------------- 10 Hình 2. 4 Sản phẩm của NeuroScan --------------------------------------------------- 11 Hình 2.
5 Sản phẩm của Brain Products ---------------------------------------------- 11 Hình 2. 6 Sản phẩm của BioSemi ------------------------------------------------------ 12 Hình 2. 7 Sản phẩm của EGI ----------------------------------------------------------- 12 Hình 2. 8 Sản phẩm của Emotiv-------------------------------------------------------- 13 Hình 2.
9 Dạng sóng Delta -------------------------------------------------------------- 14 Hình 2. 10 Dạng sóng Theta ------------------------------------------------------------ 14 Hình 2. 11 Dạng sóng Alpha ----------------------------------------------------------- 15 Hình 2. 12 Dạng sóng Beta ------------------------------------------------------------- 15 Hình 2.
13 Dạng sóng Gamma --------------------------------------------------------- 16 Hình 2. 14 Vị trí 5 thùy vỏ não --------------------------------------------------------- 16 Hình 2. 15 Tên và vị trí các điện cực theo chuẩn quốc tế 10/20 ------------------- 18 Hình 2. 16 Các dạng hàm Wavelet----------------------------------------------------- 21 Hình 2.
17 Tín hiệu EEG được phân tích thành 3 thành phần --------------------- 22 Hình 2. 18 Tín hiệu được biến đổi Wavelet dạng ảnh------------------------------- 22 Hình 2. 19 Tín hiệu được biến đổi Wavelet dạng ảnh------------------------------- 23 Hình 2. 20 Lưu đồ giải thuật EMD ---------------------------------------------------- 25 Hình 2.
21 Tín hiệu EEG cần phân tích ----------------------------------------------- 26 Hình 2. 22 Tín hiệu được phân tích thành IMF1 ------------------------------------- 26 Hình 2. 23 Tín hiệu được phân tích thành IMF2 ------------------------------------- 27 Hình 2. 24 Tín hiệu được phân tích thành IMF3 ------------------------------------- 27 Hình 2.
25 Tín hiệu được phân tích thành IMF4 ------------------------------------- 27 Hình 2. 26 Tín hiệu được phân tích thành IMF5 ------------------------------------- 27 Hình 2. 27 Tín hiệu được phân tích thành IMF6 ------------------------------------- 27 Hình 2. 28 Tín hiệu được phân tích thành IMF7 ------------------------------------- 28 Hình 2.
29 Tín hiệu được phân tích thành IMF8 ------------------------------------- 28 Trang vii luan an Hình 2. 30 Tín hiệu được phân tích thành IMF9 ------------------------------------- 28 Hình 2. 31 Tín hiệu được phân tích thành IMF10 ----------------------------------- 28 Hình 2. 32 Tín hiệu được phân tích thành IMF11 ----------------------------------- 28 Hình 2.
33 Tín hiệu được phân tích thành IMF12 ----------------------------------- 28 Hình 2. 34 Một kênh tín hiệu EEG được biến đổi thành các dạng sóng cơ bản - 29 Hình 2. 35 Mô tả gom cụm dữ liệu ---------------------------------------------------- 29 Hình 2. 36 Mô hình mạng Neural đơn lớp có 2 nút nhập --------------------------- 32 Hình 2.
37 Mô hình mạng Neural đa lớp. 1 Mô hình hệ thống------------------------------------------------------------- 36 Hình 3. 2 Quá trình tiền xử lý ---------------------------------------------------------- 36 Hình 3. 3 Sóng con dạng hình nón Mêhicô ------------------------------------------- 37 Hình 3.
4 Tín hiệu EEG ghi nhận được ----------------------------------------------- 38 Hình 3. 5 Một kênh tín hiệu được xử lý bằng biến đổi sóng con ------------------ 38 Hình 3. 6 Mô hình mạng Neural ------------------------------------------------------- 39 Hình 3. 7 Phân lớp kết quả nhận dạng ------------------------------------------------ 40 Hình 3.
8 Giản đồ thời gian thu nhận cho một khung hình ------------------------- 41 Hình 3. 9 Phân loại hình ảnh thành 05 lớp -------------------------------------------- 43 Hình 3. 10 Lệnh điều khiển tương ứng ------------------------------------------------ 44 Hình 3. 11 Mô hình hệ thống ----------------------------------------------------------- 44 Hình 3.
12 Thuật toán K-Means -------------------------------------------------------- 46 Hình 3. 13 Mô hình mạng Neural đa lớp---------------------------------------------- 46 Hình 3. 14 Thuật toán huấn luyện mạng Neural ------------------------------------- 47 Hình 3. 15 Kiến trúc hệ thống ---------------------------------------------------------- 53 Hình 3.
16 Phát hiện mắt và lông mày ------------------------------------------------ 54 Hình 3. 17 Tâm đồng tử, phân đoạn ảnh mắt và lông mày ------------------------- 54 Hình 3. 18 Tỷ lệ mắt trái và lông mày trái -------------------------------------------- 54 Hình 3. 19 Tỷ lệ mắt phải và lông mày phải ----------------------------------------- 55 Hình 3.
20 Tỷ lệ tâm đồng tử và chiều dài mắt -------------------------------------- 55 Hình 3.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Trích dẫn luận án này
Lâm Quang Chuyên (2020). Luận án tiến sĩ: Mạng neural điều khiển xe lăn bằng EEG và camera [Luận án tiến sĩ, Trường Đại học Giao thông Vận tải TP. Hồ Chí Minh]. LuanAn.net. https://luanan.net/cong-nghe-thong-tin/tri-tue-nhan-tao/luan-an-tien-si-mang-neural-dieu-khien-xe-lan-nguoi-tan-tat-nang-eeg-camera
Câu hỏi thường gặp
Luận án "Luận án tiến sĩ: Mạng neural điều khiển xe lăn bằng EEG và camera" nghiên cứu về vấn đề gì?
Luận án tiến sĩ ứng dụng mạng neural điều khiển xe lăn thông qua tín hiệu EEG và camera, nâng cao khả năng di chuyển cho người khuyết tật.
Luận án "Luận án tiến sĩ: Mạng neural điều khiển xe lăn bằng EEG và camera" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Trường Đại học Giao thông Vận tải TP. Hồ Chí Minh. Năm bảo vệ: 2020.
Luận án "Luận án tiến sĩ: Mạng neural điều khiển xe lăn bằng EEG và camera" thuộc chuyên ngành gì?
Luận án "Luận án tiến sĩ: Mạng neural điều khiển xe lăn bằng EEG và camera" thuộc chuyên ngành Kỹ thuật Điều khiển và Tự động hóa. Danh mục: Trí Tuệ Nhân Tạo.
Luận án "Luận án tiến sĩ: Mạng neural điều khiển xe lăn bằng EEG và camera" có bao nhiêu trang?
Luận án "Luận án tiến sĩ: Mạng neural điều khiển xe lăn bằng EEG và camera" có 109 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Luận án tiến sĩ: Mạng neural điều khiển xe lăn bằng EEG và camera" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.