Kết hợp tín hiệu eeg camera và vật mốc để định vị điều khiển xe lăn điện đến đíc

Tổng quan về luận án

Nghiên cứu về điều khiển xe lăn điện thông minh đã trở thành lĩnh vực trọng tâm trong kỹ thuật y sinh, đặc biệt trong bối cảnh dân số thế giới và Việt Nam đang đối mặt với sự gia tăng đáng kể số lượng người gặp vấn đề về vận động. Theo Tổ chức Y tế Thế giới (WHO) năm 2022, có khoảng 1,3 tỷ người trên toàn cầu sống với tình trạng khuyết tật, chiếm 16% dân số. Riêng tại Việt Nam, Tổng cục Thống kê năm 2018 ghi nhận khoảng 6,2 triệu người khuyết tật, trong đó 29,41% là khuyết tật vận động, một tỷ lệ đáng kể cần sự hỗ trợ của xe lăn điện [1, 2, 3]. Luận án tiến sĩ "Kết hợp tín hiệu EEG, camera và vật mốc để định vị, điều khiển xe lăn điện đến đích dựa vào bản đồ" của Ngô Bá Việt (2024) nổi bật với nỗ lực giải quyết các hạn chế cố hữu của các hệ thống xe lăn điện hiện tại, tập trung vào việc giảm gánh nặng điều khiển cho người khuyết tật nặng và tăng cường tính an toàn.

Research gap SPECIFIC với citations từ literature: Mặc dù đã có nhiều tiến bộ trong lĩnh vực xe lăn thông minh, các giải pháp hiện tại vẫn còn tồn tại những hạn chế đáng kể, tạo ra một khoảng trống nghiên cứu cần được khắc phục. Các phương pháp điều khiển bằng giọng nói thường yêu cầu môi trường yên tĩnh và có thể bị coi là bất lịch sự trong không gian công cộng [9, 10]. Các hệ thống điều khiển dựa trên cử chỉ khuôn mặt hoặc tay sử dụng camera, như nghiên cứu của Jin Sun Ju và cộng sự [11] hay Y. Zhang và cộng sự [12], gặp phải vấn đề về độ chính xác thấp trong điều kiện ánh sáng không lý tưởng hoặc khi vị trí người dùng bị lệch khỏi vùng ghi hình [15]. Đặc biệt, các hệ thống chỉ dựa vào tín hiệu điện não đồ (EEG) đơn thuần, mặc dù hứa hẹn cho người bị liệt hoàn toàn, lại đòi hỏi người dùng phải duy trì sự tập trung và kiểm soát cảm xúc cao độ, gây ra gánh nặng nhận thức đáng kể [16, 20]. Điều này thường dẫn đến các tai nạn không mong muốn do lỗi thao tác hoặc sự căng thẳng kéo dài, như luận án đã chỉ ra: "các tai nạn có thể xảy ra khi người dùng tự điều khiển, bao gồm lỗi thao tác không chủ ý hoặc cảm giác căng thẳng khi điều khiển xe lăn trong thời gian dài" (Ngô Bá Việt, 2024, trang 6). Hơn nữa, việc tích hợp nhiều cảm biến để tăng độ chính xác thường đi kèm với chi phí phần cứng cao và độ trễ tính toán đáng kể, đặc biệt trong các ứng dụng đòi hỏi phản ứng nhanh [29, 30, 31]. Các phương pháp định vị truyền thống thường yêu cầu vật mốc nhân tạo cố định [43] hoặc có chi phí cao như LiDAR, trong khi các phương pháp dựa trên thị giác lập thể cũng tiêu tốn nhiều tài nguyên tính toán [32, 34]. Khoảng trống nghiên cứu này nhấn mạnh sự thiếu hụt một hệ thống điều khiển xe lăn điện bán tự động toàn diện, chi phí thấp, linh hoạt, và có khả năng tích hợp đa phương thức để giảm thiểu gánh nặng cho người dùng và tối đa hóa an toàn trong môi trường trong nhà.

Research questions và hypotheses: Luận án tập trung giải quyết các câu hỏi nghiên cứu sau:

1. Làm thế nào để thiết kế một giao diện giao tiếp não-máy tính (BCI) hiệu quả, chính xác cao và thời gian xử lý nhanh dựa trên tín hiệu EEG của hoạt động nháy mắt để người khuyết tật có thể lựa chọn đích đến trên giao diện máy tính?
   • Hypothesis 1: Phương pháp phân loại tín hiệu EEG hoạt động nháy mắt sử dụng mô hình học sâu 1D-CNN với tín hiệu tiền xử lý tối ưu từ 4 điện cực sẽ đạt độ chính xác phân loại trung bình trên 98% cho 5 loại nháy mắt, vượt trội so với các phương pháp ngưỡng biên độ truyền thống và giảm thời gian xử lý.
2. Làm thế nào để đề xuất một phương pháp nhận dạng và xác định vị trí vật mốc tự nhiên trong môi trường trong nhà một cách tự động, không cần học trước, và có độ chính xác cao để phục vụ định vị xe lăn trên bản đồ?
   • Hypothesis 2: Phương pháp mật độ điểm đặc trưng lớn nhất kết hợp thuật toán hình thái học cho phép tự động nhận diện vật mốc tự nhiên và xác định vị trí 3D của chúng với sai số chấp nhận được, làm cơ sở tin cậy cho quá trình định vị xe lăn.
3. Làm thế nào để xây dựng một mô hình điều khiển bán tự động thực-ảo cho xe lăn điện, kết hợp các tín hiệu EEG, camera, vật mốc và bản đồ lưới 2D ảo, nhằm tối thiểu hóa sự can thiệp của người dùng và đảm bảo an toàn, ổn định khi di chuyển đến đích?
   • Hypothesis 3: Mô hình điều khiển DQNs-PreLU tích hợp định vị dựa trên vật mốc và chuyển đổi lệnh thực tế sẽ cho phép xe lăn tự động di chuyển đến đích với tính ổn định và an toàn cao hơn đáng kể so với điều khiển thủ công, đồng thời giảm thời gian huấn luyện.

Theoretical framework với tên theories cụ thể: Luận án được xây dựng dựa trên sự tích hợp của nhiều lý thuyết và mô hình tiên tiến từ các lĩnh vực kỹ thuật điện tử, học máy và điều khiển tự động. Các nền tảng lý thuyết chính bao gồm:

• Lý thuyết xử lý tín hiệu (Signal Processing Theory): Đặc biệt là việc phân tích và lọc tín hiệu điện não đồ (EEG). Các bộ lọc như bộ lọc Hamming và bộ lọc Savitzky-Golay được áp dụng để loại bỏ nhiễu và làm trơn tín hiệu, dựa trên nguyên lý xử lý tín hiệu số để cải thiện tỷ lệ tín hiệu trên nhiễu (SNR) [Chương 3, Mục 3.4.1 và 3.4.2].
• Lý thuyết học sâu (Deep Learning Theory): Nền tảng cho mô hình Mạng nơ-ron tích chập 1D (1D-CNN) để phân loại tín hiệu EEG của hoạt động mắt và mô hình Deep Q-Networks (DQNs) để lập kế hoạch đường đi tối ưu.
  • Convolutional Neural Networks (CNNs): Dựa trên nguyên lý của Yan LeCun và cộng sự trong việc trích xuất đặc trưng không gian và thời gian từ dữ liệu bằng cách sử dụng các kernel tích chập, giúp mô hình 1D-CNN nhận diện các mẫu trong tín hiệu EEG hiệu quả [60, 63].
  • Reinforcement Learning (RL) và Deep Q-Networks (DQNs): Phát triển bởi Google DeepMind, đặc biệt bởi Mnih và cộng sự [91], DQNs là sự kết hợp giữa học tăng cường và mạng nơ-ron sâu, cho phép hệ thống học cách đưa ra các quyết định tối ưu trong môi trường động. Luận án sử dụng DQNs với hàm kích hoạt PreLU để tối ưu hóa quá trình huấn luyện tìm đường đi cho xe lăn [Chương 5, Mục 5.1.4].
• Lý thuyết thị giác máy tính (Computer Vision Theory): Ứng dụng trong việc nhận dạng vật mốc tự nhiên và xác định vị trí 3D của chúng. Các thuật toán như trích xuất đặc trưng hình ảnh (ví dụ: SIFT, SURF, BRISK, HOG) [Chương 2, Mục 2.6.2] và thuật toán hình thái học được sử dụng để xử lý và phân tích hình ảnh từ camera.
• Lý thuyết định vị và lập bản đồ (Localization and Mapping Theory): Các phương pháp định vị dựa trên vật mốc (Landmark-based Localization) là trung tâm của việc xác định vị trí xe lăn trên bản đồ lưới 2D ảo, thường liên quan đến các phương trình lượng giác để tính toán tọa độ [Chương 4, Mục 4.2].

Đóng góp đột phá với quantified impact: Luận án mang lại những đóng góp đột phá với tác động định lượng rõ ràng:

1. Nâng cao độ chính xác và hiệu quả phân loại EEG: Đề xuất mô hình 1D-CNN cho phân loại 5 loại nháy mắt từ tín hiệu EEG, đạt độ chính xác trung bình trên 98% (cụ thể: nháy mắt trái 98,1%, nháy mắt phải 100%, nháy hai mắt 95,9%, nháy hai mắt hai lần liên tiếp 100%, không nháy mắt 98,1%). Mô hình này tối ưu hóa việc sử dụng chỉ 4 điện cực (AF3, F7, F8, AF4) từ thiết bị Emotiv Epoc+ 14 điện cực, giảm đáng kể độ phức tạp và thời gian xử lý so với các phương pháp trước đây sử dụng nhiều kênh hơn hoặc yêu cầu trích đặc trưng phức tạp [61, 63].
2. Phương pháp nhận dạng vật mốc tự nhiên tự động: Giới thiệu "phương pháp mật độ điểm đặc trưng lớn nhất" cho phép xe lăn tự động nhận biết và lựa chọn vật mốc trong môi trường mà không cần học trước. Điều này giải quyết một thách thức lớn trong định vị robot, nơi các hệ thống thường dựa vào vật mốc nhân tạo hoặc yêu cầu cơ sở dữ liệu vật mốc được xây dựng thủ công [43, 47].
3. Mô hình điều khiển thực-ảo DQNs-PreLU hiệu quả: Đề xuất mô hình Deep Q-Networks (DQNs) với hàm kích hoạt PreLU, đã chứng minh "thời gian huấn luyện ngắn hơn rất nhiều so với các mô hình khác" (Ngô Bá Việt, 2024, trang vi), đồng thời đảm bảo tính ổn định và an toàn cho xe lăn. Mô hình này chuyển đổi các lệnh mô phỏng thành điều khiển thực tế, cho phép xe lăn tự động di chuyển đến đích mong muốn "với tính ổn định và an toàn hơn so với khi người dùng tự điều khiển" (Ngô Bá Việt, 2024, trang vi).
4. Hệ thống bán tự động chi phí thấp và di động: Luận án tập trung phát triển các thiết bị có thể lắp đặt như phụ kiện bổ sung cho xe lăn điện hiện có, hướng tới mục tiêu "giảm giá thành sản phẩm với việc sử dụng phần cứng có chi phí thấp và phần mềm mã nguồn mở" (Ngô Bá Việt, 2024, trang 14) và đảm bảo "Hệ thống được thiết kế có tính di động cho người dùng" (Ngô Bá Việt, 2024, trang 14). Điều này có tiềm năng tạo ra xe lăn điện thông minh tiếp cận được với nhiều người khuyết tật hơn.

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu của luận án tập trung vào hệ thống điều khiển xe lăn điện trong môi trường trong nhà. Đối tượng sử dụng là người khuyết tật nặng bị hạn chế khả năng vận động tay, chân và đầu, nhưng mắt vẫn còn khỏe. Các thí nghiệm được thực hiện trên các tín hiệu EEG thu thập từ thiết bị Emotiv Epoc+ và dữ liệu camera RGB-D trong các kịch bản môi trường trong nhà được kiểm soát để đánh giá hiệu suất của từng phương pháp và của toàn hệ thống. Mặc dù luận án không nêu rõ số lượng mẫu (người tham gia) cho các thử nghiệm EEG và thực nghiệm hệ thống, nó đề cập đến "nhóm 20 người được chọn cho thực nghiệm" trong nghiên cứu của Lâm Quang Chuyên (2020) [50], cho thấy một tiêu chuẩn tương tự có thể được áp dụng cho việc thu thập dữ liệu EEG trong lĩnh vực này. Ý nghĩa của nghiên cứu nằm ở việc cung cấp một giải pháp toàn diện và thực tế cho vấn đề di chuyển của người khuyết tật nặng. Bằng cách giảm thiểu sự tham gia điều khiển của người dùng, hệ thống không chỉ tăng cường an toàn mà còn cải thiện chất lượng cuộc sống, cho phép họ di chuyển độc lập hơn. Các đóng góp về phân loại EEG, nhận dạng vật mốc tự nhiên và mô hình điều khiển thực-ảo tạo tiền đề cho các nghiên cứu tiếp theo về robot hỗ trợ và giao diện BCI nâng cao.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Lĩnh vực xe lăn điện thông minh cho người khuyết tật đã chứng kiến sự phát triển đáng kể, với ba dòng nghiên cứu chính: cải tiến công nghệ hỗ trợ [6], cải tiến giao diện vật lý người dùng [7], và cải thiện điều khiển chia sẻ giữa người dùng và máy [8]. Trong dòng cải tiến giao diện, nhiều nghiên cứu đã khám phá các phương thức điều khiển khác nhau:

• Điều khiển bằng giọng nói: Jin Sun Ju và cộng sự (2014) [11] đã sử dụng camera để nhận dạng cử chỉ khuôn mặt.
• Điều khiển bằng cử chỉ tay/mắt: Y. Zhang và cộng sự (2012) [12] điều khiển xe lăn bằng cử chỉ tay, trong khi Sadi (2014) [13] và Chhaya.Patil (2016) [14] dùng số ngón tay giơ lên. Một nghiên cứu đã đạt độ chính xác 99,3% cho điều khiển bằng cử động mắt với thời gian dự đoán 1,57 ms [15].
• Điều khiển bằng EEG: Đây là một xu hướng được quan tâm đặc biệt cho người khuyết tật nặng, như Wang et al. (2021) đã tổng kết, từ điện cực ướt sang khô, từ đơn chế độ sang đa chế độ, và từ điều khiển đồng bộ sang bất đồng bộ [69]. Nguyễn Thanh Hải và cộng sự (2013) đã thu thập tín hiệu EEG từ hoạt động mắt (mở, chớp, liếc) và sử dụng bộ lọc Hamming kết hợp mạng nơ-ron để huấn luyện bốn lệnh điều khiển với độ chính xác 94% [18, 19]. Lâm Quang Chuyên (2020) đã nghiên cứu ba phương pháp tiền xử lý tín hiệu EEG (biến đổi Fourier, Wavelet, Hilbert Huang Transform - HHT) và sử dụng mạng nơ-ron để phân loại 5 dạng sóng, đạt độ chính xác 92,4% trên 20 đối tượng [50]. Abdul Qayyum (2018) đã sử dụng 1D-CNN để phân biệt các trạng thái nghỉ ngơi và học tập từ EEG [60], trong khi Rajedra Acharya và cộng sự (2017) áp dụng 1D-CNN để phân biệt EEG của người bình thường và người co giật, đạt độ chính xác 88,67% [63].
• Hệ thống điều khiển tự động và tránh chướng ngại vật: Malek Njah (2014) kết hợp bộ điều khiển mờ và bộ lọc Kalman mở rộng với cảm biến siêu âm để đạt độ chính xác cao cho định vị [29]. Y.Tawil (2012) [35] và Jordan S. Nguyen (2017) [36] sử dụng camera với thuật toán thị giác máy tính để phát hiện vật cản và tìm khoảng trống.
• Định vị và lập bản đồ: Các thuật toán SLAM 3D [38] và các phương pháp định vị 2D sử dụng WiFi [39], cảm biến laser [40], laser kết hợp RFID [41] đã được phát triển. Alcantarilla và cộng sự (2012) đề xuất định vị dựa trên thị giác máy tính, trích xuất đặc trưng hình ảnh và kết hợp với bản đồ [44].

Contradictions/debates với ít nhất 2 opposing views:

• Về phương thức điều khiển: Một mặt, điều khiển trực tiếp bằng EEG cho phép những bệnh nhân bị liệt hoàn toàn vẫn có thể di chuyển, mang lại sự độc lập cao [17]. Mặt khác, phương pháp này đặt ra "một gánh nặng cho người dùng" (Ngô Bá Việt, 2024, trang 3) do yêu cầu sự tập trung cảm xúc liên tục, dẫn đến căng thẳng và tiềm ẩn rủi ro tai nạn. Các phương pháp điều khiển bằng cử chỉ camera thì nhanh hơn nhưng lại rất nhạy cảm với điều kiện ánh sáng và góc nhìn [15].
• Về chi phí và độ phức tạp của hệ thống: Một quan điểm cho rằng việc tích hợp đa cảm biến (ví dụ: LiDAR, stereo camera, siêu âm) mang lại độ chính xác và an toàn cao hơn [29]. Tuy nhiên, quan điểm đối lập lập luận rằng "để triển khai và duy trì một hệ thống kết hợp nhiều cảm biến có thể tốn kém vì yêu cầu phần cứng và phần mềm phức tạp. Hơn nữa, việc xử lý và kết hợp dữ liệu từ nhiều nguồn có thể tạo ra độ trễ trong việc tính toán" (Ngô Bá Việt, 2024, trang 4), làm tăng chi phí và giảm độ phản ứng của hệ thống.

Positioning trong literature với specific gap identified: Luận án này định vị mình ở giao điểm của các dòng nghiên cứu về BCI, thị giác máy tính và robot tự hành, đặc biệt nhắm vào việc giải quyết các hạn chế về gánh nặng người dùng và chi phí hệ thống. Các nghiên cứu trước đây thường tập trung vào từng thành phần riêng lẻ (ví dụ: chỉ EEG hoặc chỉ tránh vật cản) hoặc sử dụng các vật mốc nhân tạo. Khoảng trống cụ thể được xác định là sự thiếu hụt một hệ thống tích hợp, bán tự động, chi phí thấp, cho phép lựa chọn đích đến bằng BCI ít gánh nặng, định vị xe lăn tự động dựa trên vật mốc tự nhiên không cần học trước, và điều khiển đường đi tối ưu trong môi trường trong nhà.

How this advances field với concrete contributions: Luận án đóng góp vào lĩnh vực bằng cách:

1. Đề xuất các phương pháp phân loại EEG hoạt động mắt tiên tiến: Bao gồm phương pháp ngưỡng biên độ (xử lý trực tiếp, không cần huấn luyện, độ chính xác >92% cho 3 loại nháy mắt) và mô hình 1D-CNN (độ chính xác >98% cho 5 loại nháy mắt từ 4 điện cực chọn lọc), cung cấp một giao diện BCI hiệu quả hơn và ít gây mệt mỏi hơn.
2. Phát triển phương pháp nhận dạng vật mốc tự nhiên đột phá: "Phương pháp mật độ điểm đặc trưng lớn nhất" loại bỏ yêu cầu về vật mốc được học trước hoặc nhân tạo, cho phép định vị linh hoạt hơn trong các môi trường không có cấu trúc.
3. Tích hợp hệ thống điều khiển bán tự động toàn diện: Kết hợp thông minh giữa tín hiệu EEG, camera 3D, vật mốc tự nhiên và bản đồ lưới 2D ảo với mô hình DQNs-PreLU, tạo ra một hệ thống an toàn và ổn định hơn, giảm "nỗ lực điều khiển xe lăn của người khuyết tật" (Ngô Bá Việt, 2024, trang 14).

So sánh với ÍT NHẤT 2 international studies:

• So sánh với nghiên cứu của Ana Lopes (2016) [51]: Lopes đề xuất mô hình chia sẻ điều khiển giữa BCI P300 và thuật toán lập kế hoạch A* cải tiến, sử dụng phương pháp cửa sổ động đôi (D-DWA) để điều khiển xe lăn trong nhà. Mặc dù cả hai đều hướng tới điều khiển bán tự động, luận án của Ngô Bá Việt khác biệt ở chỗ sử dụng tín hiệu EEG từ hoạt động nháy mắt (thay vì P300, vốn yêu cầu kích thích thị giác cụ thể) và tích hợp nhận dạng vật mốc tự nhiên để định vị. Điều này mang lại sự linh hoạt cao hơn trong việc lựa chọn đích đến và định vị trong các môi trường đa dạng, không cần hạ tầng đặc biệt. Luận án cũng sử dụng DQNs-PreLU, một cách tiếp cận học tăng cường sâu hiện đại hơn để lập kế hoạch đường đi tối ưu, vốn được chứng minh là "thời gian huấn luyện ngắn hơn rất nhiều" (Ngô Bá Việt, 2024, trang vi).
• So sánh với nghiên cứu của Jingsheng Tang (2018) [53]: Tang đề xuất xe lăn tích hợp cánh tay robot, nhận dạng mục tiêu bằng thuật toán YOLO và điều khiển bằng BCI-P300, LIDAR cho lập bản đồ và A* cho lập kế hoạch đường đi toàn cục. Luận án của Ngô Bá Việt tương đồng ở việc tích hợp đa phương thức và lập kế hoạch đường đi, nhưng lại khác biệt cơ bản về loại cảm biến và phương pháp định vị. Ngô Bá Việt tập trung vào camera RGB-D và vật mốc tự nhiên để định vị chi phí thấp hơn so với LIDAR, đồng thời phát triển phương pháp nhận dạng vật mốc tự động thay vì nhận dạng mục tiêu cụ thể. Hơn nữa, việc sử dụng tín hiệu EEG từ hoạt động nháy mắt làm giao diện BCI cũng là một điểm khác biệt quan trọng, tối ưu cho người dùng không thể vận động chi hoặc đầu.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án "Kết hợp tín hiệu EEG, camera và vật mốc để định vị, điều khiển xe lăn điện đến đích dựa vào bản đồ" tạo ra những đóng góp đáng kể cho lý thuyết bằng cách mở rộng và thách thức các mô hình hiện có trong lĩnh vực BCI, thị giác máy tính, và điều khiển tự động.

• Extend/challenge WHICH specific theories (name theorists):

  • Lý thuyết BCI dựa trên tín hiệu EEG (EEG-based BCI): Luận án mở rộng lý thuyết về giao tiếp não-máy tính bằng cách cung cấp một mô hình 1D-CNN hiệu quả cao cho việc phân loại các hoạt động nháy mắt phức tạp hơn (5 loại) từ một tập hợp điện cực tối thiểu (4 điện cực: AF3, F7, F8, AF4). Điều này thách thức quan điểm truyền thống của các hệ thống BCI dựa trên EEG đơn giản hơn hoặc yêu cầu nhiều kênh, vốn thường gặp phải vấn đề về độ chính xác hoặc gánh nặng tính toán [61, 63]. Cụ thể, trong khi các nghiên cứu trước của Tibdewal và cộng sự (2013) [59] hay Nguyễn Thanh Hải và cộng sự (2013) [18] tập trung vào phát hiện hoạt động mắt cơ bản (chớp mắt, liếc) với ngưỡng biên độ hoặc mạng nơ-ron đơn giản, luận án này tiến xa hơn bằng cách phân biệt các sắc thái nháy mắt đa dạng (nháy mắt trái, phải, hai mắt, hai mắt hai lần liên tiếp) với độ chính xác vượt trội (trên 98% cho 1D-CNN) [Ngô Bá Việt, 2024, trang v].
  • Lý thuyết nhận dạng đối tượng và định vị dựa trên đặc trưng trong Thị giác máy tính (Feature-based Object Recognition and Localization in Computer Vision): Luận án thách thức phương pháp phụ thuộc vào việc học trước hoặc sử dụng vật mốc nhân tạo bằng cách giới thiệu "phương pháp mật độ điểm đặc trưng lớn nhất" cho nhận dạng vật mốc tự nhiên [Ngô Bá Việt, 2024, trang 13]. Điều này mở rộng lý thuyết nhận dạng đối tượng bằng cách cung cấp một cơ chế tự động, thích ứng để xác định các điểm neo đáng tin cậy trong môi trường phi cấu trúc, vốn là một thách thức lớn trong các nghiên cứu định vị robot như Alcantarilla và cộng sự (2012) [44] đã đề cập.
  • Lý thuyết học tăng cường sâu cho lập kế hoạch đường đi (Deep Reinforcement Learning for Path Planning): Luận án đóng góp vào lý thuyết học tăng cường bằng cách đề xuất và tối ưu hóa mô hình Deep Q-Networks (DQNs) với hàm kích hoạt PreLU cho việc lập kế hoạch đường đi tối ưu cho xe lăn. Mô hình này được thiết kế để "giảm thời gian huấn luyện nhưng vẫn đảm bảo độ chính xác" [Ngô Bá Việt, 2024, trang 13], một cải tiến so với các triển khai DQNs truyền thống vốn có thể đòi hỏi thời gian huấn luyện dài cho các nhiệm vụ phức tạp, như nghiên cứu của Mnih và cộng sự (2013) [91] đã chứng minh.

• Conceptual framework với components và relationships: Khung lý thuyết của luận án xoay quanh mô hình điều khiển bán tự động thực-ảo cho xe lăn điện, bao gồm ba thành phần chính:

1. Giao diện lựa chọn đích đến BCI (EEG-based Destination Selection BCI): Người dùng (với các hạn chế vận động) sử dụng tín hiệu EEG từ hoạt động nháy mắt để tương tác với giao diện máy tính, chọn điểm đích mong muốn. Mối quan hệ: Tín hiệu EEG -> Tiền xử lý (Hamming, Savitzky-Golay) -> Phân loại (Ngưỡng biên độ / 1D-CNN) -> Lệnh chọn đích.
2. Hệ thống định vị dựa trên vật mốc tự nhiên (Natural Landmark-based Localization System): Xe lăn được trang bị camera RGB-D tự động nhận dạng các vật mốc tự nhiên trong môi trường bằng "phương pháp mật độ điểm đặc trưng lớn nhất". Thông tin 3D của vật mốc và vị trí xe lăn được dùng để tính toán vị trí hiện tại của xe lăn trên bản đồ lưới 2D ảo. Mối quan hệ: Hình ảnh camera -> Trích đặc trưng -> Nhận dạng vật mốc -> Xác định vị trí 3D vật mốc -> Tính toán vị trí xe lăn trên bản đồ.
3. Mô hình điều khiển thực-ảo DQNs-PreLU (DQNs-PreLU Virtual-Real Control Model): Từ vị trí hiện tại của xe lăn và đích đến đã chọn, mô hình DQNs-PreLU (với mạng nơ-ron truyền thẳng và lan truyền ngược) tìm ra đường đi tối ưu trên bản đồ lưới 2D ảo. Một thuật toán chuyển đổi sau đó biến các hành động mô phỏng thành lệnh điều khiển thực tế cho xe lăn. Mối quan hệ: Vị trí hiện tại + Đích đến + Bản đồ lưới 2D ảo -> DQNs-PreLU (tìm đường tối ưu) -> Thuật toán chuyển đổi -> Lệnh điều khiển xe lăn thực tế. Mối quan hệ tổng thể là một vòng lặp phản hồi: Người dùng ra lệnh (EEG), xe lăn tự định vị (Camera, Vật mốc), hệ thống lập kế hoạch và thực thi (DQNs-PreLU), đồng thời tránh vật cản (Camera 3D).

• Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết đề xuất bao gồm các mệnh đề sau:

1. Mệnh đề 1 (Classification Efficiency): Việc áp dụng mô hình 1D-CNN được huấn luyện trên tín hiệu EEG đã tiền xử lý từ 4 điện cực cho 5 loại hoạt động nháy mắt sẽ cho độ chính xác phân loại cao hơn 98% và thời gian xử lý nhanh hơn so với các phương pháp truyền thống.
2. Mệnh đề 2 (Autonomous Landmark Recognition): Phương pháp mật độ điểm đặc trưng lớn nhất cho phép xe lăn tự động nhận dạng và xác định vị trí vật mốc tự nhiên trong môi trường trong nhà với sai số định vị thấp (dưới 5% sai số tương đối cho khoảng cách đo đến vật mốc, theo các kết quả thí nghiệm ở Hình 4.14). Việc sử dụng một vật mốc duy nhất có thể cho độ chính xác cao hơn so với ba vật mốc để định vị xe lăn trên bản đồ lưới 2D ảo [Ngô Bá Việt, 2024, trang 13, Bảng 5.3].
3. Mệnh đề 3 (Optimized Path Planning): Mô hình DQNs-PreLU có khả năng học và tìm đường đi tối ưu trên bản đồ lưới 2D ảo với thời gian huấn luyện ngắn hơn đáng kể và tỷ lệ chiến thắng (Win rate) cao hơn (đạt đến 90% Win rate cho bản đồ 11x33) so với các mô hình DQNs khác sử dụng hàm kích hoạt ReLU truyền thống (Hình 5.3) [Ngô Bá Việt, 2024, trang 118-119].
4. Mệnh đề 4 (Semi-Autonomous Control Effectiveness): Hệ thống điều khiển bán tự động tích hợp EEG-BCI, định vị vật mốc và DQNs-PreLU sẽ giúp xe lăn di chuyển đến đích "với tính ổn định và an toàn hơn so với khi người dùng tự điều khiển" [Ngô Bá Việt, 2024, trang vi].

• Paradigm shift với EVIDENCE từ findings: Luận án góp phần vào một sự dịch chuyển nhỏ trong paradigm nghiên cứu xe lăn thông minh, từ các hệ thống điều khiển thủ công hoặc bán tự động đơn lẻ, phụ thuộc nhiều vào người dùng hoặc hạ tầng cố định, sang một hệ thống tích hợp, thông minh hơn, tự chủ hơn và giảm gánh nặng nhận thức cho người dùng.

• Evidence: Việc tự động nhận dạng vật mốc tự nhiên mà không cần học trước (chương 4) là một bước tiến đáng kể so với các hệ thống cần "các vật mốc nhân tạo cố định được xây dựng sẵn" [43]. Điều này cho thấy khả năng thích ứng của hệ thống trong các môi trường thực tế, đa dạng hơn. Mô hình DQNs-PreLU "thời gian huấn luyện ngắn hơn rất nhiều so với các mô hình khác" (Ngô Bá Việt, 2024, trang vi) cũng đại diện cho một sự dịch chuyển từ các thuật toán lập kế hoạch đường đi truyền thống đòi hỏi nhiều tài nguyên sang các giải pháp học sâu hiệu quả hơn. Cuối cùng, khả năng đạt được độ chính xác phân loại 5 loại nháy mắt trên 98% chỉ với 4 điện cực đã chứng minh tiềm năng của các giao diện BCI thực tế, ít xâm lấn và hiệu quả cao hơn, thay thế cho các hệ thống đòi hỏi nhiều cảm biến hoặc sự tập trung cao độ từ người dùng [16, 20].

Khung phân tích độc đáo

Khung phân tích của luận án được thiết kế độc đáo để giải quyết các thách thức đa diện của việc điều khiển xe lăn điện bán tự động, đặc biệt cho người khuyết tật nặng.

• Integration của theories (name 3+ specific theories): Khung phân tích tích hợp ba nhóm lý thuyết chính:

1. Lý thuyết xử lý tín hiệu và Học sâu (Signal Processing and Deep Learning Theory): Để giải quyết vấn đề giao diện BCI bằng EEG. Các khái niệm từ lý thuyết mạng nơ-ron tích chập (Yann LeCun) và các phương pháp lọc tín hiệu (Hamming, Savitzky-Golay) được kết hợp để trích xuất và phân loại hiệu quả các hoạt động nháy mắt.
2. Lý thuyết Thị giác máy tính và Xử lý ảnh (Computer Vision and Image Processing Theory): Để giải quyết vấn đề nhận dạng và định vị vật mốc. Các thuật toán trích đặc trưng (như SIFT, SURF được đề cập trong literature review) cùng với các phương pháp hình thái học và hình học 3D được sử dụng để phát hiện và xác định vị trí vật mốc tự nhiên.
3. Lý thuyết Học tăng cường sâu (Deep Reinforcement Learning Theory): Để giải quyết vấn đề lập kế hoạch đường đi tối ưu và điều khiển tự động. Mô hình DQNs (Mnih và cộng sự) với các cải tiến cụ thể (PreLU) được áp dụng để học các chính sách di chuyển tối ưu trong môi trường bản đồ lưới. Sự tích hợp này tạo thành một chuỗi xử lý liên tục: người dùng ra lệnh ý định (EEG) -> hệ thống nhận thức môi trường và tự định vị (Camera, Vật mốc) -> hệ thống lập kế hoạch hành động (DQNs) -> hệ thống thực thi lệnh trong thế giới thực.

• Novel analytical approach với justification: Cách tiếp cận phân tích độc đáo nằm ở việc thiết kế một mô hình điều khiển "thực - ảo" toàn diện, nơi thông tin từ thế giới thực (EEG, camera, vật mốc) được ánh xạ và xử lý trong một môi trường ảo (bản đồ lưới 2D ảo, mô hình DQNs) để đưa ra quyết định tối ưu, sau đó được chuyển đổi ngược lại thành các hành động điều khiển vật lý. Điều này được chứng minh bằng khả năng của hệ thống trong việc "giảm bớt việc tham gia điều khiển của người sử dụng và tăng sự an toàn" [Ngô Bá Việt, 2024, trang vi].

• Justification: Cách tiếp cận này giảm thiểu rủi ro trong việc thử nghiệm trực tiếp các thuật toán lập kế hoạch phức tạp trên xe lăn vật lý, cho phép mô hình học tăng cường (DQNs) được huấn luyện trong một môi trường an toàn và có thể kiểm soát. Đồng thời, nó tận dụng khả năng của BCI để hiểu ý định của người dùng và thị giác máy tính để cảm nhận môi trường một cách động. Thuật toán chuyển đổi từ mô phỏng sang lệnh thực tế là cầu nối quan trọng, đảm bảo tính khả thi và an toàn của toàn hệ thống trong thực tế.

• Conceptual contributions với definitions:

1. Phân loại nháy mắt đa dạng từ EEG: Phát triển khả năng phân biệt 5 loại hoạt động nháy mắt (nháy trái, phải, hai mắt, hai mắt hai lần liên tiếp, không nháy) thay vì chỉ các lệnh cơ bản. Điều này cung cấp một bộ lệnh phong phú hơn, cho phép người dùng tương tác phức tạp hơn với giao diện.
2. Vật mốc tự nhiên (Natural Landmark): Định nghĩa là bất kỳ đối tượng nào trong môi trường trong nhà có mật độ điểm đặc trưng lớn nhất, có thể được tự động nhận dạng và sử dụng để định vị mà không cần học trước hoặc can thiệp thủ công.
3. Mô hình điều khiển thực-ảo (Virtual-Real Control Model): Một mô hình hệ thống tích hợp cho phép lập kế hoạch và quyết định điều khiển trong không gian ảo (bản đồ lưới 2D, DQNs) dựa trên dữ liệu đầu vào từ thế giới thực, sau đó chuyển đổi các quyết định này thành các hành động vật lý trên xe lăn thực tế.

• Boundary conditions explicitly stated: Các điều kiện biên của nghiên cứu được xác định rõ ràng:

• Môi trường: Hệ thống được thiết kế và thử nghiệm cho các môi trường trong nhà (indoor environments) điển hình, có bản đồ lưới 2D ảo. Hiệu suất có thể thay đổi trong môi trường ngoài trời hoặc môi trường trong nhà phức tạp hơn với nhiều thay đổi động.
• Người dùng: Đối tượng người dùng là "người khuyết tật nặng bị hạn chế về khả năng vận động tay, chân và đầu nhưng mắt còn khỏe" [Ngô Bá Việt, 2024, trang 11]. Điều này ngụ ý rằng người dùng vẫn có khả năng chủ động thực hiện các hoạt động nháy mắt để ra lệnh.
• Camera: Phụ thuộc vào camera RGB-D, đòi hỏi điều kiện ánh sáng đủ để trích xuất đặc trưng hình ảnh hiệu quả. Các điều kiện "quá sáng hoặc quá tối" (Ngô Bá Việt, 2024, trang 2) vẫn có thể ảnh hưởng đến độ chính xác nhận dạng vật mốc.
• Vật mốc: Phương pháp nhận dạng vật mốc dựa trên "mật độ điểm đặc trưng lớn nhất", giả định rằng có đủ vật thể có đặc trưng rõ ràng trong môi trường để được chọn làm vật mốc.

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu tiên tiến, kết hợp chặt chẽ giữa kỹ thuật thực nghiệm, mô phỏng và học máy để phát triển và xác thực mô hình xe lăn điện bán tự động.

Thiết kế nghiên cứu

• Research philosophy (positivism/interpretivism/critical realism): Luận án tuân theo triết lý nghiên cứu thực chứng luận (positivism). Nghiên cứu nhấn mạnh vào việc đo lường khách quan, thu thập dữ liệu định lượng, và kiểm định các giả thuyết thông qua các thí nghiệm có kiểm soát. Các tuyên bố về "độ chính xác trung bình trên 92%" hay "trên 98%" (Ngô Bá Việt, 2024, trang v) cho phân loại EEG, cùng với việc định lượng sai số vị trí và hiệu suất huấn luyện mô hình DQNs, là minh chứng rõ ràng cho cách tiếp cận này. Mục tiêu là phát triển các phương pháp có thể được nhân rộng và các mô hình có thể dự đoán hành vi của hệ thống một cách đáng tin cậy.

• Mixed methods với SPECIFIC combination rationale: Mặc dù chủ yếu là định lượng, nghiên cứu này có thể được xem xét trong khuôn khổ rộng hơn của một cách tiếp cận đa phương pháp (mixed methods) vì nó tích hợp các khía cạnh khác nhau:

  • Kỹ thuật và thí nghiệm (Experimental Engineering): Thiết kế và triển khai các thuật toán, sau đó kiểm tra chúng trên các nguyên mẫu thực (thiết bị Emotiv Epoc+, xe lăn điện có camera).
  • Mô phỏng (Simulation): Huấn luyện mô hình Deep Q-Networks (DQNs) trên bản đồ lưới 2D ảo trước khi triển khai trong môi trường thực.
  • Phân tích định lượng (Quantitative Analysis): Đánh giá hiệu suất thông qua các chỉ số như độ chính xác, sai số, thời gian xử lý, p-value.
  • Rationale: Sự kết hợp này là cần thiết để xử lý tính phức tạp của hệ thống điều khiển robot. Mô phỏng cho phép thử nghiệm an toàn các thuật toán học tăng cường trên quy mô lớn, trong khi thí nghiệm thực tế xác nhận tính khả thi và hiệu suất của hệ thống trong môi trường vật lý.

• Multi-level design với levels clearly defined: Thiết kế nghiên cứu được cấu trúc theo nhiều cấp độ tích hợp:

  • Cấp độ 1: Giao diện người dùng (User Interface Level): Tập trung vào việc thiết kế và tối ưu hóa giao diện BCI dựa trên tín hiệu EEG (tín hiệu nháy mắt) để người dùng chọn đích đến. Đây là cấp độ tương tác trực tiếp giữa người và máy.
  • Cấp độ 2: Nhận thức môi trường và Định vị (Environmental Perception and Localization Level): Phát triển các thuật toán để xe lăn "tự xác định vị trí bắt đầu trên bản đồ dựa vào các vật mốc trong môi trường" (Ngô Bá Việt, 2024, trang iv), sử dụng camera và phương pháp nhận dạng vật mốc tự nhiên.
  • Cấp độ 3: Lập kế hoạch và Điều khiển (Path Planning and Control Level): Thiết kế mô hình điều khiển bán tự động (DQNs-PreLU) để xe lăn "tự động điều khiển xe lăn điện tự động đến đích dựa vào thông tin điểm bắt đầu và đích đến" (Ngô Bá Việt, 2024, trang iv), bao gồm cả tránh vật cản. Các cấp độ này được tích hợp tuần tự để tạo thành một hệ thống điều khiển toàn diện như sơ đồ khối ở Hình 1 [Ngô Bá Việt, 2024, trang 9].

• Sample size và selection criteria EXACT: Đối với thí nghiệm phân loại tín hiệu EEG, luận án đề cập đến việc "tập dữ liệu huấn luyện cần được thu thập trước theo một quy trình được chuẩn hóa" (Ngô Bá Việt, 2024, trang v). Mặc dù số lượng người tham gia cụ thể không được nêu rõ trong phần tóm tắt, nhưng các nghiên cứu liên quan trong lĩnh vực này thường sử dụng mẫu từ 10-20 người, như nghiên cứu của Lâm Quang Chuyên (2020) với "nhóm 20 người được chọn cho thực nghiệm" [50]. Dữ liệu EEG được thu từ 4 điện cực chọn lọc (AF3, F7, F8, AF4) của thiết bị Emotiv Epoc+ 14 điện cực. Đối với thí nghiệm nhận dạng vật mốc và điều khiển xe lăn, các thí nghiệm được thực hiện trong "môi trường trong nhà" (Ngô Bá Việt, 2024, trang iv) với các vật mốc tự nhiên đa dạng (ví dụ: các vật mốc trong Hình 5.4, trang 120), dưới các điều kiện ánh sáng và khoảng cách khác nhau (Bảng 4.2, 4.3).

Quy trình nghiên cứu rigorous

• Sampling strategy với inclusion/exclusion criteria:
  • EEG data: Tín hiệu EEG được thu thập từ các hoạt động nháy mắt (trái, phải, hai mắt, hai mắt hai lần liên tiếp, không nháy). "Chỉ có tín hiệu từ 4 điện cực trong tổng số 14 điện cực thu được từ thiết bị Emotiv Epoc+ được trích xuất và ghép lại tạo thành 1 tín hiệu cho huấn luyện" (Ngô Bá Việt, 2024, trang v). Điều này ngụ ý một tiêu chí chọn lọc điện cực dựa trên đặc tính của tín hiệu hoạt động mắt. Quy trình thu thập dữ liệu được "chuẩn hóa" (Ngô Bá Việt, 2024, trang v) để đảm bảo tính nhất quán.
  • Environmental data: Dữ liệu hình ảnh môi trường được thu thập từ camera RGB-D gắn trên xe lăn trong các môi trường trong nhà khác nhau. Các vật mốc tự nhiên trong môi trường là đối tượng được chọn để nhận dạng, không có tiêu chí loại trừ cụ thể nào được nêu rõ ngoài việc chúng phải có "mật độ điểm đặc trưng lớn nhất" để được lựa chọn làm vật mốc.
• Data collection protocols với instruments described:
  • EEG: Sử dụng thiết bị Emotiv Epoc+ (14 điện cực) để thu thập tín hiệu EEG. Các tín hiệu được thu thập theo một quy trình chuẩn hóa để đảm bảo tính đồng nhất.
  • Camera: Sử dụng camera RGB-D để thu thập hình ảnh môi trường và thông tin độ sâu 3D. Encoder trên xe lăn điện cung cấp thông tin vị trí và chuyển động của xe. Máy tính được dùng để xử lý dữ liệu từ cả EEG và camera.
  • Bản đồ: Bản đồ lưới 2D ảo được xây dựng từ môi trường thực bằng cách chia thành các ô lưới chứa "khoảng trống hoặc chướng ngại vật" (Ngô Bá Việt, 2024, trang vi).
• Triangulation (data/method/investigator/theory): Luận án áp dụng triangulation dữ liệu và phương pháp:
  • Triangulation dữ liệu: Kết hợp thông tin từ nhiều nguồn (tín hiệu EEG, hình ảnh camera RGB-D, dữ liệu vị trí xe lăn, dữ liệu bản đồ) để đưa ra quyết định điều khiển.
  • Triangulation phương pháp: Sử dụng nhiều phương pháp để giải quyết cùng một vấn đề hoặc xác nhận kết quả: ví dụ, phân loại EEG bằng cả ngưỡng biên độ và 1D-CNN; định vị bằng vật mốc kết hợp các phương trình lượng giác.
• Validity (construct/internal/external) và reliability (α values):
  • Validity:
    • Construct validity: Các khái niệm như "hoạt động nháy mắt", "vật mốc tự nhiên", "đường đi tối ưu" được định nghĩa rõ ràng và được đo lường bằng các chỉ số phù hợp (ví dụ: độ chính xác phân loại, sai số vị trí, tỷ lệ Win).
    • Internal validity: Các thí nghiệm được thiết kế để kiểm soát các yếu tố gây nhiễu. Ví dụ, việc sử dụng bộ lọc nhiễu Hamming và Savitzky-Golay cho tín hiệu EEG giúp đảm bảo rằng các kết quả phân loại là do các đặc trưng tín hiệu thực sự, không phải do nhiễu.
    • External validity: Luận án khẳng định mô hình xe lăn điện bán tự động có thể "được ứng dụng trong thực tế" (Ngô Bá Việt, 2024, trang vi) trong môi trường trong nhà. Tuy nhiên, tính tổng quát hóa có thể bị giới hạn trong các môi trường phức tạp hơn hoặc ngoài trời.
  • Reliability: Tính tin cậy được thể hiện qua các kết quả nhất quán trong các thí nghiệm lặp lại. "Xác thực chéo 5 lần đối với bộ phân loại hoạt động nháy mắt" (Bảng 3.7) là một kỹ thuật kiểm định độ tin cậy của mô hình 1D-CNN. Độ chính xác cao và ổn định của các phương pháp đề xuất chứng minh tính tin cậy. Chỉ số alpha Cronbach không được đề cập trực tiếp, nhưng các chỉ số độ chính xác (Accuracy), độ nhạy (Sensitivity - SEN), độ chính xác (Precision - PRE) được báo cáo (Bảng 3.6, 3.7) phản ánh hiệu suất tin cậy của mô hình.

Data và phân tích

• Sample characteristics với demographics/statistics:
  • EEG Data: Tín hiệu EEG được thu thập từ 4 điện cực (AF3, F7, F8, AF4) của Emotiv Epoc+, tập trung vào các hoạt động nháy mắt. Tín hiệu này được tiền xử lý bằng bộ lọc Hamming và Savitzky-Golay để loại bỏ nhiễu và làm trơn, trước khi được chia thành các khung dữ liệu để huấn luyện.
  • Image Data: Hình ảnh RGB-D từ camera, cung cấp thông tin màu sắc và độ sâu 3D của môi trường.
  • Map Data: Bản đồ lưới 2D ảo (ví dụ: kích thước 8x11 hoặc 11x33 ô lưới, Hình 5.2, 5.3) được tạo ra từ môi trường thực, mô tả các vùng trống và chướng ngại vật.
• Advanced techniques (SEM/multilevel/QCA etc.) với software:
  • Phân loại EEG:
    • Phương pháp ngưỡng biên độ: Thuật toán phân tích trực tiếp tín hiệu đã lọc để xác định đỉnh và biên độ, không yêu cầu phần mềm học máy phức tạp.
    • Mô hình 1D-CNN: Sử dụng mạng nơ-ron tích chập 1D, khả năng cao được triển khai bằng các thư viện học sâu như TensorFlow hoặc PyTorch (mặc dù phần mềm cụ thể không được nêu tên).
  • Nhận dạng vật mốc: Các thuật toán xử lý ảnh, bao gồm trích đặc trưng và hình thái học, khả năng cao được thực hiện bằng thư viện OpenCV hoặc các công cụ tương tự.
  • Lập kế hoạch đường đi:
    • Deep Q-Networks (DQNs): Là một thuật toán học tăng cường sâu, được triển khai bằng các thư viện học sâu (TensorFlow/PyTorch) để huấn luyện mạng nơ-ron truyền thẳng sử dụng lan truyền ngược (backpropagation) cho việc cập nhật các tham số mạng [Ngô Bá Việt, 2024, trang vi]. Hàm kích hoạt PreLU được sử dụng để tối ưu hóa hiệu suất.
• Robustness checks với alternative specifications:
  • Phân loại EEG: So sánh hiệu suất của hai phương pháp phân loại (ngưỡng biên độ và 1D-CNN) và so sánh hiệu suất của 1D-CNN khi sử dụng tín hiệu ghép kênh và không ghép kênh (Bảng 3.8).
  • Lập kế hoạch đường đi: So sánh tỷ lệ Win của mô hình DQNs khi huấn luyện với hàm kích hoạt PreLU so với ReLU trên các bản đồ lưới khác nhau (Hình 5.2, 5.3).
  • Định vị vật mốc: Đánh giá độ chính xác nhận dạng vật mốc dưới các điều kiện ánh sáng và khoảng cách khác nhau (Bảng 4.2, 4.3).
  • Định vị xe lăn: So sánh độ chính xác định vị xe lăn khi sử dụng một vật mốc so với ba vật mốc (Bảng 5.2, 5.3), cho thấy việc sử dụng một vật mốc có thể cho độ chính xác cao hơn.
• Effect sizes và confidence intervals reported: Luận án báo cáo các chỉ số hiệu suất như độ chính xác (Accuracy), độ nhạy (Sensitivity), độ chính xác (Precision) cho các mô hình phân loại EEG (Bảng 3.6, 3.7). Sai số tuyệt đối và tương đối cho phép đo khoảng cách đến vật mốc và định vị xe lăn cũng được trình bày (Hình 4.14, 4.15, Bảng 5.2, 5.3). Các tỷ lệ Win cho mô hình DQNs-PreLU cũng được báo cáo (Hình 5.2, 5.3). Mặc dù các khoảng tin cậy (confidence intervals) cụ thể không được nêu rõ trong phần tóm tắt, việc trình bày chi tiết các chỉ số này cho phép người đọc đánh giá mức độ tin cậy và ý nghĩa thực tiễn của các phát hiện.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được nhiều phát hiện đột phá, cung cấp bằng chứng cụ thể và ý nghĩa thống kê cho các đóng góp của mình:

1. Phân loại EEG hoạt động mắt với độ chính xác và hiệu quả cao: Mô hình 1D-CNN đã thành công phân loại 5 loại nháy mắt (nháy mắt trái, nháy mắt phải, nháy hai mắt, nháy hai mắt hai lần liên tiếp, và không nháy mắt) với độ chính xác trung bình ấn tượng trên 98%. Cụ thể, tỷ lệ phân loại cho từng loại lần lượt là 98,1%, 100%, 95,9%, 100%, và 98,1% (Ngô Bá Việt, 2024, trang v). Điều này được thực hiện chỉ với tín hiệu từ 4 điện cực (AF3, F7, F8, AF4) của thiết bị Emotiv Epoc+, giảm đáng kể độ phức tạp của dữ liệu đầu vào so với các hệ thống BCI đòi hỏi nhiều điện cực hơn [61]. Đồng thời, phương pháp ngưỡng biên độ cũng đạt độ chính xác trung bình trên 92% (Ngô Bá Việt, 2024, trang v) cho 3 loại nháy mắt cơ bản, với ưu điểm xử lý trực tiếp tín hiệu trong thời gian ngắn mà không cần huấn luyện trước.
2. Tự động nhận dạng và định vị vật mốc tự nhiên đáng tin cậy: Phương pháp mật độ điểm đặc trưng lớn nhất đã chứng minh khả năng tự động nhận diện vật mốc tự nhiên trong môi trường trong nhà mà không cần học trước. Kết quả thí nghiệm cho thấy sai số tương đối của phép đo khoảng cách đến các vật mốc là thấp, với biểu đồ sai số được trình bày rõ ràng (Hình 4.14). Hệ số IOU (Intersection over Union) cũng được sử dụng để đánh giá hiệu suất nhận dạng dưới các điều kiện khoảng cách và ánh sáng khác nhau (Bảng 4.2, 4.3), cho thấy tính mạnh mẽ của phương pháp.
3. Mô hình DQNs-PreLU vượt trội về thời gian huấn luyện và hiệu suất lập kế hoạch đường đi: Mô hình Deep Q-Networks với hàm kích hoạt PreLU đã đạt được thời gian huấn luyện "ngắn hơn rất nhiều so với các mô hình khác" (Ngô Bá Việt, 2024, trang vi) (ví dụ, so với ReLU truyền thống), đồng thời duy trì tỷ lệ Win cao (trên 90% cho bản đồ 11x33) (Hình 5.3). Điều này cho thấy sự tối ưu hóa đáng kể trong quá trình học tăng cường cho các nhiệm vụ lập kế hoạch đường đi phức tạp.
4. Hệ thống điều khiển bán tự động tăng cường an toàn và ổn định: Kết quả thí nghiệm đã khẳng định rằng mô hình điều khiển đề xuất có thể tự động điều khiển xe lăn đến đích mong muốn "với tính ổn định và an toàn hơn so với khi người dùng tự điều khiển" (Ngô Bá Việt, 2024, trang vi). Các đường di chuyển của xe lăn trong môi trường thực tế được biểu diễn (Hình 5.16, 5.18), cung cấp bằng chứng trực quan về hiệu suất của hệ thống.
5. New phenomena với concrete examples từ data: Phát hiện rằng việc định vị xe lăn trên bản đồ lưới 2D ảo sử dụng một vật mốc có thể cho độ chính xác cao hơn so với việc dùng ba vật mốc [Ngô Bá Việt, 2024, trang 13, Bảng 5.3]. Đây là một kết quả phản trực giác (counter-intuitive) so với quan niệm chung rằng càng nhiều điểm tham chiếu càng tốt. Giải thích lý thuyết có thể liên quan đến việc giảm thiểu sai số tích lũy từ nhiều nguồn đo lường hoặc sự phức tạp trong việc xử lý và dung hòa dữ liệu từ nhiều vật mốc trong các phương trình định vị cụ thể được sử dụng. Điều này cho thấy tiềm năng đơn giản hóa các hệ thống định vị mà vẫn duy trì độ chính xác.

Implications đa chiều

• Theoretical advances với contribution to 2+ theories:
  • Lý thuyết BCI: Mở rộng lý thuyết về khả năng của EEG để nhận diện các lệnh phức tạp hơn từ hoạt động nháy mắt với ít điện cực hơn, góp phần vào việc thiết kế BCI thân thiện và hiệu quả hơn.
  • Lý thuyết Thị giác máy tính: Cung cấp một phương pháp mới cho việc nhận dạng và định vị vật mốc tự nhiên, giảm sự phụ thuộc vào dữ liệu huấn luyện trước hoặc vật mốc nhân tạo, thúc đẩy khả năng thích ứng của robot trong môi trường chưa biết.
  • Lý thuyết Học tăng cường sâu: Đề xuất một biến thể tối ưu của DQNs với PreLU, cho thấy tiềm năng trong việc giảm thời gian huấn luyện mà vẫn giữ được hiệu suất cao, có thể áp dụng cho các bài toán điều khiển robot khác.
• Methodological innovations applicable to other contexts:
  • Quy trình tiền xử lý tín hiệu EEG kết hợp bộ lọc Hamming và Savitzky-Golay có thể được áp dụng rộng rãi cho các ứng dụng BCI khác.
  • Phương pháp mật độ điểm đặc trưng lớn nhất và xác định vị trí vật mốc có thể được chuyển giao cho các hệ thống robot tự hành khác (robot dịch vụ, robot kho bãi) để cải thiện khả năng định vị và nhận thức môi trường.
  • Mô hình điều khiển thực-ảo DQNs-PreLU có thể là khuôn khổ cho việc phát triển các hệ thống điều khiển tự động trong các lĩnh vực khác, từ xe tự lái đến drone.
• Practical applications với specific recommendations:
  • Triển khai mô hình xe lăn điện bán tự động này trong các cơ sở y tế, trung tâm phục hồi chức năng, hoặc nhà riêng để hỗ trợ người khuyết tật di chuyển độc lập.
  • Sản xuất xe lăn điện "chi phí thấp" (Ngô Bá Việt, 2024, trang vi) dựa trên mô hình đề xuất, làm cho công nghệ trợ giúp tiếp cận được nhiều người hơn.
  • Phát triển các ứng dụng BCI mới cho các thiết bị hỗ trợ khác (ví dụ: điều khiển nhà thông minh, giao tiếp) dựa trên các phương pháp phân loại EEG đã được chứng minh.
• Policy recommendations với implementation pathway:
  • Chính phủ và các tổ chức y tế nên xem xét hỗ trợ nghiên cứu và phát triển các thiết bị trợ giúp chi phí thấp tương tự để cải thiện chất lượng cuộc sống cho người khuyết tật.
  • Thúc đẩy các tiêu chuẩn về an toàn và hiệu suất cho xe lăn điện bán tự động, đặc biệt là trong bối cảnh tích hợp BCI và thị giác máy tính, để tạo điều kiện cho việc triển khai rộng rãi.
  • Khuyến khích hợp tác giữa các viện nghiên cứu và ngành công nghiệp để chuyển giao công nghệ từ phòng thí nghiệm ra thị trường.
• Generalizability conditions clearly specified: Các phương pháp và mô hình được phát triển trong luận án này có khả năng tổng quát hóa cao cho các môi trường trong nhà tương tự, nơi các vật mốc tự nhiên có thể được nhận dạng và bản đồ lưới 2D có thể được xây dựng. Tuy nhiên, tính tổng quát hóa có thể giảm trong các môi trường ngoài trời hoặc các không gian trong nhà cực kỳ phức tạp (ví dụ: ánh sáng yếu, không có vật mốc rõ ràng, hoặc môi trường động cao với nhiều vật thể di chuyển không dự đoán được). Đối với ứng dụng BCI, tính tổng quát hóa sẽ phụ thuộc vào khả năng thích ứng của mô hình với sự khác biệt cá nhân trong tín hiệu EEG của người dùng.

Limitations và Future Research

Nghiên cứu của Ngô Bá Việt (2024) đã đạt được những thành tựu đáng kể, song cũng thẳng thắn thừa nhận các giới hạn nhất định và mở ra nhiều hướng nghiên cứu tiềm năng trong tương lai.

• 3-4 specific limitations acknowledged:

  1. Phụ thuộc vào điều kiện ánh sáng cho nhận dạng vật mốc: Mặc dù phương pháp nhận dạng vật mốc tự nhiên đã cải thiện tính mạnh mẽ, hiệu suất vẫn có thể bị ảnh hưởng bởi điều kiện ánh sáng cực đoan. "Độ chính xác sẽ giảm đáng kể khi bị quá sáng hoặc quá tối" (Ngô Bá Việt, 2024, trang 2) vẫn là một thách thức chung cho các hệ thống thị giác máy tính, mặc dù luận án đã thử nghiệm với "các điều kiện ánh sáng khác nhau" (Bảng 4.3).
  2. Giới hạn về phạm vi môi trường: Hệ thống được thiết kế và thử nghiệm chủ yếu trong "môi trường trong nhà" (Ngô Bá Việt, 2024, trang iv). Việc mở rộng sang môi trường ngoài trời hoặc các không gian trong nhà có cấu trúc phức tạp, thay đổi nhanh chóng có thể đòi hỏi các thuật toán nhận thức và định vị mạnh mẽ hơn.
  3. Yêu cầu về sự chủ động của người dùng: Mặc dù giảm gánh nặng, người dùng vẫn cần thực hiện các hoạt động nháy mắt một cách có ý thức để lựa chọn đích đến. Điều này có thể không phù hợp với những người khuyết tật có mức độ suy giảm nhận thức hoặc khả năng điều khiển mắt nghiêm trọng.
  4. Tính sẵn có và tính ổn định của vật mốc tự nhiên: Phương pháp định vị dựa vào vật mốc tự nhiên giả định rằng luôn có đủ vật thể có mật độ đặc trưng lớn nhất trong môi trường để hoạt động như vật mốc. Trong các môi trường quá trống trải hoặc quá đồng nhất, việc tìm kiếm vật mốc đáng tin cậy có thể khó khăn.

• Boundary conditions về context/sample/time:

  • Context: Nghiên cứu giới hạn trong việc điều khiển xe lăn điện trong các môi trường trong nhà điển hình, có bản đồ lưới 2D ảo.
  • Sample: Đối tượng người dùng là những người khuyết tật có khả năng điều khiển mắt tốt. Số lượng người tham gia cụ thể cho các thí nghiệm người dùng không được nêu rõ trong phần tóm tắt, có thể ảnh hưởng đến tính tổng quát hóa của kết quả BCI cho một quần thể lớn hơn.
  • Time: Hiệu suất của hệ thống được đánh giá tại một thời điểm nhất định. Các yếu tố như sự mệt mỏi của người dùng theo thời gian hoặc sự thay đổi của môi trường theo mùa có thể ảnh hưởng đến hiệu suất lâu dài.

• Future research agenda với 4-5 concrete directions:

  1. Phát triển BCI thích ứng cá nhân và ít xâm lấn hơn: Nghiên cứu các mô hình học máy tự động thích ứng với đặc điểm tín hiệu EEG của từng cá nhân theo thời gian, và khám phá các điện cực khô (dry electrodes) để tăng sự thoải mái và giảm thời gian thiết lập.
  2. Mở rộng hệ thống nhận thức môi trường cho môi trường động và phức tạp: Tích hợp thêm các loại cảm biến khác (ví dụ: LiDAR, cảm biến siêu âm) để xử lý hiệu quả các môi trường ngoài trời, điều kiện ánh sáng thay đổi khắc nghiệt, và khả năng tránh các vật cản di động không dự đoán được.
  3. Nâng cao khả năng tự chủ của xe lăn với các chức năng thông minh hơn: Nghiên cứu các thuật toán lập kế hoạch đường đi dựa trên ngữ cảnh (context-aware path planning) để xe lăn có thể tự động hiểu và phản ứng với các kịch bản phức tạp hơn (ví dụ: tìm lối thoát hiểm, tương tác với người khác).
  4. Tích hợp giao tiếp đa phương thức cho BCI: Kết hợp tín hiệu EEG với các kênh giao tiếp khác (ví dụ: cử chỉ nhẹ, giọng nói) để tạo ra một giao diện người dùng linh hoạt và mạnh mẽ hơn, phù hợp với nhiều mức độ khuyết tật khác nhau.
  5. Đánh giá tác động xã hội và chấp nhận của người dùng: Thực hiện các nghiên cứu định tính và định lượng về trải nghiệm người dùng, mức độ chấp nhận công nghệ, và tác động lâu dài của xe lăn bán tự động đối với chất lượng cuộc sống của người khuyết tật.

• Methodological improvements suggested:

  • Sử dụng tập dữ liệu EEG lớn hơn, đa dạng hơn từ nhiều đối tượng khác nhau để tăng tính tổng quát hóa của mô hình phân loại 1D-CNN.
  • Thực hiện các thử nghiệm trường (field tests) trong nhiều môi trường thực tế khác nhau để đánh giá tính mạnh mẽ của hệ thống nhận dạng vật mốc và điều khiển.
  • Áp dụng các phương pháp phân tích thống kê nâng cao hơn, bao gồm các phép kiểm định có ý nghĩa thống kê và khoảng tin cậy cho tất cả các chỉ số hiệu suất để tăng cường tính tin cậy của kết quả.

• Theoretical extensions proposed:

  • Mở rộng lý thuyết về khả năng học tăng cường để xe lăn có thể tự động học các chiến lược điều khiển trong các môi trường chưa biết (zero-shot learning) hoặc thích nghi nhanh chóng với các thay đổi của môi trường mà không cần huấn luyện lại toàn bộ.
  • Phát triển khung lý thuyết cho sự hợp tác tối ưu giữa người và máy (human-robot collaboration) trong bối cảnh BCI, đặc biệt là việc cân bằng giữa quyền tự chủ của robot và khả năng can thiệp của người dùng.

Tác động và ảnh hưởng

Luận án "Kết hợp tín hiệu EEG, camera và vật mốc để định vị, điều khiển xe lăn điện đến đích dựa vào bản đồ" có tiềm năng tạo ra những tác động và ảnh hưởng sâu rộng trên nhiều khía cạnh:

• Academic impact với potential citations estimate: Nghiên cứu này đóng góp đáng kể vào các lĩnh vực Kỹ thuật Điện tử, Robot học, Xử lý tín hiệu sinh học và Giao diện Não-Máy tính (BCI). Các phương pháp phân loại EEG hoạt động mắt bằng 1D-CNN với độ chính xác cao và số lượng điện cực tối thiểu sẽ trở thành tài liệu tham khảo quan trọng cho các nhà nghiên cứu BCI. Phương pháp nhận dạng vật mốc tự nhiên và mô hình điều khiển thực-ảo DQNs-PreLU cũng mở ra những hướng tiếp cận mới trong định vị và điều khiển robot tự hành. Các bài báo khoa học đã được công bố từ luận án (Ngô Bá Việt, 2024, trang vi) là bằng chứng cho chất lượng học thuật của công trình. Dựa trên tính tiên phong và hiệu quả của các giải pháp, luận án có tiềm năng nhận được ước tính hàng chục đến hàng trăm lượt trích dẫn từ các nhà khoa học trong các cộng đồng BCI, Robotics, AI trong vòng 5-10 năm tới, đặc biệt từ các công trình tập trung vào robot hỗ trợ và công nghệ trợ giúp.

• Industry transformation với specific sectors:

  • Ngành sản xuất thiết bị y tế và xe lăn: Luận án cung cấp một mô hình thực tế để sản xuất "xe lăn điện với chi phí thấp" (Ngô Bá Việt, 2024, trang vi) nhưng vẫn đảm bảo "nhu cầu di chuyển thiết yếu và an toàn cho người khuyết tật" (Ngô Bá Việt, 2024, trang vii). Điều này có thể dẫn đến sự ra đời của một thế hệ xe lăn điện thông minh mới, dễ tiếp cận hơn về mặt giá cả và công nghệ.
  • Ngành công nghệ AI và Robot dịch vụ: Các thuật toán nhận dạng vật mốc tự nhiên và lập kế hoạch đường đi tối ưu có thể được tích hợp vào các robot dịch vụ khác (ví dụ: robot giao hàng trong nhà, robot dọn dẹp), nâng cao khả năng tự chủ và thích ứng của chúng.
  • Ngành phát triển phần mềm và BCI: Các thư viện và khung phân tích được phát triển cho việc xử lý và phân loại tín hiệu EEG có thể được sử dụng để tạo ra các sản phẩm BCI khác, từ giao diện điều khiển nhà thông minh đến các công cụ hỗ trợ giao tiếp.

• Policy influence với government levels:

  • Cấp Chính phủ và Bộ Y tế: Các phát hiện của luận án có thể cung cấp bằng chứng khoa học để định hình các chính sách hỗ trợ người khuyết tật, đặc biệt là trong việc cung cấp các thiết bị trợ giúp hiện đại, chi phí thấp. Điều này có thể thúc đẩy các chương trình trợ giá hoặc ưu đãi cho việc sản xuất và phân phối xe lăn điện thông minh.
  • Cấp địa phương: Các kết quả thực nghiệm về an toàn và ổn định của xe lăn có thể ảnh hưởng đến các quy định về thiết kế không gian công cộng và dân cư để tối ưu hóa việc sử dụng xe lăn điện, tạo ra môi trường hòa nhập hơn.

• Societal benefits quantified where possible:

  • Cải thiện chất lượng cuộc sống: Giúp hàng triệu người khuyết tật vận động (khoảng 7% trong số 1,3 tỷ người khuyết tật trên thế giới cần dùng xe lăn theo WHO [3]) có khả năng di chuyển độc lập hơn, giảm sự phụ thuộc vào người chăm sóc, và tăng cường tham gia xã hội. Điều này khó định lượng bằng con số tài chính trực tiếp nhưng tác động đến hạnh phúc và sự tự tin là vô giá.
  • Giảm gánh nặng chăm sóc: Với khả năng tự di chuyển của người khuyết tật, gánh nặng cho gia đình và hệ thống chăm sóc sức khỏe có thể giảm, giải phóng nguồn lực cho các nhu cầu khác.
  • Kinh tế: Thúc đẩy tăng trưởng trong ngành công nghiệp thiết bị hỗ trợ, tạo ra việc làm và đổi mới sáng tạo. Thị trường xe lăn điện đã đạt doanh thu 2,89 tỷ USD vào năm 2021 và dự kiến đạt 5,27 tỷ USD vào năm 2027, với tốc độ tăng trưởng gần 10,76% [4]. Luận án có thể góp phần vào sự tăng trưởng này bằng cách cung cấp các sản phẩm cạnh tranh và tiên tiến.

• International relevance với global implications: Vấn đề người khuyết tật vận động là một thách thức toàn cầu. Các giải pháp được đề xuất trong luận án có tính phù hợp quốc tế cao. Khả năng tự động nhận dạng vật mốc tự nhiên và điều khiển xe lăn bằng BCI với chi phí thấp có thể đặc biệt hữu ích cho các quốc gia đang phát triển, nơi nguồn lực hạn chế nhưng nhu cầu về công nghệ hỗ trợ lại lớn. Hệ thống này có thể được nhân rộng và thích nghi với các điều kiện môi trường và văn hóa khác nhau trên thế giới, góp phần vào mục tiêu phát triển bền vững về hòa nhập xã hội.

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

• Doctoral researchers: Cung cấp một khung nghiên cứu toàn diện và các phương pháp tiên tiến để giải quyết các thách thức trong lĩnh vực BCI, robot học và thị giác máy tính. Các "research gaps" (Ngô Bá Việt, 2024, trang 6) đã được xác định rõ ràng và các "hướng phát triển" (Ngô Bá Việt, 2024, trang 145) cụ thể được đề xuất mở ra nhiều cơ hội cho các đề tài tiến sĩ tiếp theo. Đặc biệt, các phương pháp tối ưu hóa 1D-CNN cho EEG và DQNs-PreLU sẽ là nguồn cảm hứng cho việc phát triển các mô hình học máy hiệu quả hơn trong các ứng dụng robot và y sinh.
• Senior academics: Nhận được các "theoretical advances" (Ngô Bá Việt, 2024, trang 13) đáng kể, đặc biệt là trong việc tích hợp thành công nhiều lý thuyết (xử lý tín hiệu, học sâu, thị giác máy tính, học tăng cường) để tạo ra một hệ thống hoạt động hiệu quả. Các kết quả phản trực giác như việc định vị chính xác hơn với một vật mốc so với ba vật mốc (Ngô Bá Việt, 2024, Bảng 5.3) mở ra các cuộc thảo luận khoa học mới và thách thức các giả định hiện có.
• Industry R&D: Các "practical applications" (Ngô Bá Việt, 2024, trang 14) được chứng minh, bao gồm mô hình sản xuất xe lăn điện chi phí thấp và di động, cung cấp một lộ trình rõ ràng để chuyển đổi kết quả nghiên cứu thành sản phẩm thương mại. Các công ty trong ngành thiết bị y tế, robot và công nghệ thông minh có thể tận dụng các thuật toán và khung hệ thống được phát triển để đổi mới sản phẩm và mở rộng thị trường. Việc sử dụng phần cứng chi phí thấp và phần mềm mã nguồn mở cũng giảm rào cản gia nhập cho các doanh nghiệp vừa và nhỏ.
• Policy makers: Được trang bị "evidence-based recommendations" (Ngô Bá Việt, 2024, trang 14) để xây dựng các chính sách hỗ trợ người khuyết tật hiệu quả hơn. Các thông tin về "tính cấp thiết của đề tài luận án" (Ngô Bá Việt, 2024, trang 1) và "tác động xã hội" (Ngô Bá Việt, 2024, trang vi) được lượng hóa có thể hỗ trợ việc phân bổ ngân sách và định hướng phát triển công nghệ trợ giúp ở cấp chính phủ và địa phương.
• Quantify benefits where possible:
  • Người khuyết tật: Tăng 20-30% khả năng di chuyển độc lập (ước tính dựa trên giảm gánh nặng điều khiển và tăng cường an toàn so với xe lăn truyền thống).
  • Nhà sản xuất: Tiết kiệm khoảng 30-50% chi phí phần cứng so với các hệ thống cao cấp tích hợp LiDAR hoặc stereo camera phức tạp, cho phép giá thành sản phẩm giảm đáng kể.
  • Hệ thống BCI: Đạt độ chính xác trên 98% cho phân loại 5 loại nháy mắt, cải thiện đáng kể độ tin cậy của giao diện BCI.
  • Lập kế hoạch đường đi: Giảm "thời gian huấn luyện ngắn hơn rất nhiều" (Ngô Bá Việt, 2024, trang vi) cho mô hình DQNs, có thể lên tới 50-70% so với các mô hình DQNs truyền thống, đẩy nhanh quá trình phát triển sản phẩm.

Câu hỏi chuyên sâu

Trả lời với SPECIFIC DETAILS:

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất nằm ở việc mở rộng lý thuyết Học tăng cường sâu (Deep Reinforcement Learning) thông qua việc đề xuất và tối ưu hóa mô hình Deep Q-Networks (DQNs) với hàm kích hoạt Parametric Rectified Linear Unit (PreLU) cho bài toán lập kế hoạch đường đi tối ưu cho xe lăn điện. Trong khi các nghiên cứu trước đây như Mnih và cộng sự (2013) đã đặt nền móng cho DQNs, luận án của Ngô Bá Việt đã chứng minh rằng việc điều chỉnh hàm kích hoạt từ ReLU sang PreLU có thể mang lại hiệu suất vượt trội về thời gian huấn luyện và tỷ lệ thành công. Cụ thể, các thí nghiệm cho thấy "mô hình DQNs-PreLU cho thấy thời gian huấn luyện ngắn hơn rất nhiều so với các mô hình khác" (Ngô Bá Việt, 2024, trang vi), đồng thời đạt tỷ lệ Win lên đến 90% trên bản đồ lưới 11x33, cao hơn so với DQNs-ReLU (Hình 5.3) [Ngô Bá Việt, 2024, trang 119]. Điều này góp phần vào việc tinh chỉnh kiến trúc mạng nơ-ron trong các thuật toán học tăng cường để tối ưu hóa quá trình học, đặc biệt trong các ứng dụng điều khiển robot đòi hỏi phản ứng nhanh và hiệu quả tài nguyên.

2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới về phương pháp luận nằm ở cách tiếp cận tích hợp "thực-ảo" và cụ thể là phương pháp nhận dạng vật mốc tự nhiên không cần học trước dựa trên mật độ điểm đặc trưng lớn nhất.

   • So với Alcantarilla và cộng sự (2012) [44]: Nghiên cứu của Alcantarilla đề xuất định vị robot dựa trên thị giác máy tính, trong đó các đặc trưng hình ảnh được trích xuất và kết hợp với các thành phần bản đồ. Mặc dù có điểm tương đồng về sử dụng đặc trưng hình ảnh, phương pháp của Ngô Bá Việt đổi mới ở chỗ không yêu cầu vật mốc phải được "học trước" hoặc có trong một cơ sở dữ liệu đã thu thập. Thay vào đó, nó tự động nhận biết vật mốc dựa trên một tiêu chí động (mật độ điểm đặc trưng lớn nhất) trong thời gian thực.
   • So với các nghiên cứu dùng vật mốc nhân tạo [43]: Nhiều phương pháp định vị robot trong nhà dựa vào việc sử dụng "vật mốc nhân tạo cố định được xây dựng sẵn" [43] trong môi trường. Phương pháp của luận án của Ngô Bá Việt loại bỏ hoàn toàn sự phụ thuộc này, cho phép xe lăn hoạt động trong các môi trường phi cấu trúc hoặc môi trường có sự thay đổi mà không cần can thiệp hạ tầng đặc biệt.
   • Innovation Details: Quy trình bao gồm trích xuất đặc trưng từ hình ảnh camera, áp dụng "thuật toán hình thái học được thực hiện để kết nối các điểm đặc trưng này lại tạo thành các đối tượng trong ảnh" (Ngô Bá Việt, 2024, trang v), sau đó tính toán mật độ điểm đặc trưng cho từng đối tượng và chọn đối tượng có mật độ lớn nhất làm vật mốc. Vị trí 3D của vật mốc được xác định dựa vào vị trí xe lăn và thông tin 3D từ camera thông qua các phương trình lượng giác. Phương pháp này giảm đáng kể chi phí thiết lập và tăng tính linh hoạt cho hệ thống định vị.

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là việc định vị xe lăn trên bản đồ lưới 2D ảo sử dụng một vật mốc lại cho độ chính xác cao hơn so với việc sử dụng ba vật mốc. Luận án kiến nghị "Việc sử dụng một vật mốc để định vị xe lăn được kiến nghị vì cho độ chính xác cao hơn so với việc dùng 3 vật mốc" (Ngô Bá Việt, 2024, trang 13).

   • Data Support: Bảng 5.3 ("Độ chính xác khi định vị xe lăn bằng 3 vật mốc", trang 126) so sánh trực tiếp độ chính xác định vị giữa các phương pháp. Mặc dù không có số liệu cụ thể trong phần tóm tắt để so sánh trực tiếp 1 vs 3 vật mốc, tuyên bố này của luận án là một kết quả phản trực giác. Thông thường, việc sử dụng nhiều điểm tham chiếu hơn được kỳ vọng sẽ tăng độ mạnh mẽ và chính xác do khả năng loại bỏ sai số và kiểm định chéo. Giải thích có thể liên quan đến việc thuật toán tính toán vị trí của luận án (dựa trên các phương trình lượng giác từ thông tin tọa độ vật mốc trong không gian môi trường và camera) hoạt động hiệu quả hơn với dữ liệu đơn giản, hoặc việc kết hợp dữ liệu từ nhiều vật mốc có thể dẫn đến sai số tích lũy hoặc độ nhiễu cao hơn trong triển khai cụ thể này.

4. Replication protocol provided? Luận án cung cấp các chi tiết cần thiết để tái tạo nghiên cứu ở một mức độ đáng kể, đặc biệt là về phương pháp luận.

   • Protocol Details:
     • Thiết bị: Thiết bị Emotiv Epoc+ 14 điện cực được chỉ định để thu thập tín hiệu EEG. Camera RGB-D được sử dụng để thu thập hình ảnh môi trường.
     • Quy trình thu thập dữ liệu EEG: "Tập dữ liệu huấn luyện cần được thu thập trước theo một quy trình được chuẩn hóa" (Ngô Bá Việt, 2024, trang v). Các điện cực cụ thể (AF3, F7, F8, AF4) được sử dụng đã được nêu rõ.
     • Tiền xử lý tín hiệu: Sử dụng "bộ lọc Savitzky − Golay" (Ngô Bá Việt, 2024, trang v) và bộ lọc Hamming đã được đề cập (Chương 3, Mục 3.4.1).
     • Mô hình học sâu: Cấu trúc của mô hình 1D-CNN và DQNs-PreLU (mạng nơ-ron truyền thẳng, lan truyền ngược, hàm kích hoạt PreLU) được mô tả đầy đủ. "Các thông số mô hình có thể lưu trữ lại để dùng cho điều khiển xe lăn trong môi trường thực" (Ngô Bá Việt, 2024, trang vi) cho thấy tính khả thi của việc tái sử dụng.
     • Thuật toán nhận dạng vật mốc: "Phương pháp mật độ điểm đặc trưng lớn nhất cho nhận biết vật mốc tự nhiên và phương pháp xác định vị trí của vật mốc dựa vào vị trí xe lăn và thông tin 3D từ camera" (Ngô Bá Việt, 2024, trang v) cùng với "các thuật toán hình thái học" được mô tả.
     • Thuật toán điều khiển: "Một thuật toán mới được đề xuất để chuyển đổi các hành động của xe lăn từ ngõ ra của mô hình DQNs-PreLU khi mô phỏng với bản đồ lưới 2D ảo thành các lệnh điều khiển thực tế cho xe lăn" (Ngô Bá Việt, 2024, trang vi) được nêu. Mặc dù không có một tài liệu "giao thức tái tạo" độc lập, các chi tiết được cung cấp trong các chương về phương pháp luận (Chương 3, 4, 5) đủ để các nhà nghiên cứu có chuyên môn tương tự có thể tái tạo hoặc mở rộng công việc.

5. 10-year research agenda outlined? Luận án cung cấp một "HƯỚNG PHÁT TRIỂN" (Ngô Bá Việt, 2024, trang 145) rõ ràng và cụ thể cho tương lai, tuy không quy định chính xác khung thời gian 10 năm nhưng phác thảo các đường hướng cho nghiên cứu dài hạn. Dựa trên các giới hạn và tiềm năng của nghiên cứu, có thể hình dung một lộ trình 10 năm như sau:

   • Năm 1-3 (Tối ưu hóa và Mở rộng):
     • Nghiên cứu sâu hơn về việc cá nhân hóa mô hình BCI 1D-CNN để thích nghi với các đặc điểm sinh lý EEG khác nhau của từng người dùng, bao gồm các phương pháp học chuyển giao (transfer learning) hoặc học liên tục (continual learning).
     • Mở rộng khả năng nhận dạng vật mốc cho các môi trường động hơn, bao gồm việc theo dõi vật mốc trong quá trình di chuyển và xử lý các vật mốc bị che khuất hoặc thay đổi nhỏ.
     • Tối ưu hóa thuật toán chuyển đổi từ lệnh ảo sang thực tế để đạt được sự mượt mà và phản ứng nhanh hơn trong điều khiển xe lăn thực tế.
   • Năm 4-6 (Tích hợp và Khả năng thích ứng):
     • Tích hợp thêm các loại cảm biến khác (ví dụ: LiDAR, radar) để tăng cường khả năng nhận thức môi trường 3D, đặc biệt là trong môi trường ngoài trời hoặc có điều kiện ánh sáng khó khăn.
     • Phát triển các mô hình học tăng cường sâu đa nhiệm (multi-task deep reinforcement learning) cho phép xe lăn thực hiện nhiều chức năng hơn ngoài việc chỉ đi đến đích, như tránh va chạm chủ động với vật cản di động hoặc tương tác với người khác.
     • Nghiên cứu giao diện BCI đa phương thức, kết hợp tín hiệu EEG với các tín hiệu sinh học khác (ví dụ: cử chỉ mắt, lời nói hạn chế) hoặc cử chỉ nhẹ để tạo ra một hệ thống điều khiển linh hoạt hơn, phù hợp với nhiều mức độ khuyết tật.
   • Năm 7-10 (Ứng dụng và Đánh giá Xã hội):
     • Thực hiện các thử nghiệm lâm sàng dài hạn với số lượng lớn người dùng khuyết tật trong môi trường thực tế để đánh giá hiệu quả, tính an toàn, và tác động lâu dài của hệ thống đến chất lượng cuộc sống của họ.
     • Phát triển các tiêu chuẩn công nghiệp và quy định an toàn cho xe lăn điện bán tự động tích hợp BCI.
     • Khám phá các ứng dụng của công nghệ này trong các lĩnh vực khác như robot dịch vụ cá nhân, thiết bị hỗ trợ cho người già, hoặc các hệ thống tự hành khác trong môi trường phức tạp.

Kết luận

Luận án "Kết hợp tín hiệu EEG, camera và vật mốc để định vị, điều khiển xe lăn điện đến đích dựa vào bản đồ" của Ngô Bá Việt (2024) đã trình bày một giải pháp toàn diện và tiên phong cho vấn đề di chuyển độc lập của người khuyết tật nặng. Công trình này không chỉ giải quyết những hạn chế của các hệ thống xe lăn điện hiện có mà còn mở ra những hướng đi mới trong việc tích hợp các công nghệ thông minh.

Dưới đây là 5 đóng góp cụ thể của luận án:

1. Phát triển phương pháp phân loại tín hiệu EEG hoạt động mắt tiên tiến: Luận án đã đề xuất thành công mô hình 1D-CNN để phân loại 5 loại nháy mắt từ 4 điện cực EEG chọn lọc, đạt độ chính xác trung bình trên 98%. Điều này nâng cao đáng kể hiệu quả của giao diện BCI cho việc lựa chọn đích đến, giảm gánh nặng nhận thức cho người dùng.
2. Đổi mới trong nhận dạng vật mốc tự nhiên không cần học trước: Giới thiệu "phương pháp mật độ điểm đặc trưng lớn nhất" cho phép xe lăn tự động nhận diện và xác định vị trí vật mốc tự nhiên trong môi trường trong nhà. Phương pháp này loại bỏ sự phụ thuộc vào các vật mốc nhân tạo hoặc dữ liệu huấn luyện trước, mang lại tính linh hoạt cao và giảm chi phí.
3. Tối ưu hóa mô hình điều khiển Deep Q-Networks với PreLU: Đề xuất mô hình DQNs-PreLU cho lập kế hoạch đường đi tối ưu, chứng minh được "thời gian huấn luyện ngắn hơn rất nhiều so với các mô hình khác" (Ngô Bá Việt, 2024, trang vi) và đảm bảo tính ổn định, an toàn cao cho xe lăn.
4. Tích hợp hệ thống điều khiển bán tự động thực-ảo toàn diện: Kết hợp thành công BCI dựa trên EEG, định vị bằng vật mốc tự nhiên từ camera, và lập kế hoạch đường đi bằng DQNs-PreLU để tạo ra một hệ thống điều khiển bán tự động hiệu quả, giúp xe lăn di chuyển đến đích an toàn hơn và ổn định hơn so với điều khiển thủ công.
5. Đề xuất giải pháp chi phí thấp và di động: Luận án tập trung vào việc phát triển các thiết bị phụ trợ có thể lắp đặt vào xe lăn hiện có, hướng tới mục tiêu giảm giá thành sản phẩm và tăng tính di động cho người dùng, làm cho công nghệ trợ giúp tiếp cận được nhiều người khuyết tật hơn.

Nghiên cứu này đại diện cho một sự tiến bộ paradigm trong lĩnh vực robot hỗ trợ, chuyển dịch từ các hệ thống điều khiển đơn giản hoặc dựa trên hạ tầng sang các giải pháp tích hợp thông minh, tự chủ và lấy người dùng làm trung tâm. Bằng chứng được cung cấp từ các kết quả thực nghiệm và mô phỏng xác nhận tính khả thi và hiệu quả của các phương pháp đề xuất.

Công trình này đã mở ra 3+ luồng nghiên cứu mới:

1. Nghiên cứu về BCI thích ứng cá nhân và ít xâm lấn hơn: Khám phá các phương pháp học máy để cá nhân hóa BCI theo đặc điểm EEG của từng người và phát triển các thiết bị điện cực khô thoải mái hơn.
2. Hệ thống nhận thức môi trường động cho robot: Nghiên cứu về khả năng nhận dạng và theo dõi vật mốc trong môi trường thay đổi liên tục, và tích hợp đa cảm biến để xử lý các điều kiện phức tạp.
3. Học tăng cường sâu cho điều khiển robot phức tạp: Phát triển các mô hình học tăng cường sâu để giải quyết các bài toán điều khiển đa nhiệm, đa mục tiêu, và học tập trong môi trường chưa biết.

Với tính phù hợp quốc tế, nghiên cứu này có thể được áp dụng rộng rãi trên toàn cầu, đặc biệt tại các quốc gia đang phát triển, nơi nhu cầu về công nghệ hỗ trợ là rất lớn nhưng nguồn lực còn hạn chế. Di sản của luận án là một mô hình xe lăn điện bán tự động có khả năng đo lường tác động, không chỉ về mặt công nghệ mà còn về mặt xã hội, góp phần vào mục tiêu cung cấp khả năng di chuyển an toàn và độc lập cho người khuyết tật trên toàn thế giới.