Luận án tiến sĩ kết hợp tín hiệu EEG, Camera và Vật mốc hướng dẫn xe lăn điện
Luận án tiến sĩ kết hợp EEG-camera và vật mốc định vị, điều khiển xe lăn điện theo bản đồ.
Năm xuất bản
Số trang
178
Thời gian đọc
27 phút
Lượt xem
1
Lượt tải
0
Phí lưu trữ
50 Point
Tổng quan nhanh
- Chủ đề:
- Điều khiển xe lăn điện thông minh qua EEG
- Số trang:
- 178 trang
- Trường:
- Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
- Chuyên ngành:
- Kỹ thuật điện tử
- Tác giả:
- Ngô Bá Việt
- Năm:
- 2024
Tóm tắt nội dung luận án
I.Điều khiển xe lăn điện thông minh qua EEG
Trong những năm gần đây, số lượng người gặp vấn đề về vận động tăng lên nhanh chóng trên toàn cầu và tại Việt Nam. Đối với người già và người khuyết tật, chức năng thể chất thường giảm sút nghiêm trọng, khiến việc di chuyển trở nên khó khăn. Xe lăn điện đã trở thành phương tiện thiết yếu để duy trì tính cơ động và độc lập cá nhân. Tuy nhiên, điều khiển xe lăn truyền thống yêu cầu sự can thiệp vật lý, gây trở ngại cho người dùng có hạn chế vận động nghiêm trọng. Luận án này đề xuất một giải pháp đột phá: phát triển hệ thống điều khiển xe lăn điện thông minh. Hệ thống này kết hợp tín hiệu điện não đồ EEG, camera và vật mốc để hỗ trợ người dùng di chuyển bán tự động, nâng cao chất lượng cuộc sống và sự tự chủ. Nghiên cứu tập trung vào việc tạo ra một giao diện não-máy tính BCI hiệu quả, cho phép người dùng tương tác với xe lăn chỉ bằng các cử động mắt đơn giản.
1.1. Nhu cầu xe lăn điện tự động
Nhiều người trên thế giới, đặc biệt tại Việt Nam, đang đối mặt với các vấn đề về vận động. Số lượng này không ngừng tăng lên, đặt ra thách thức lớn trong chăm sóc sức khỏe và xã hội. Người già và người khuyết tật thường phải chịu sự suy giảm nghiêm trọng về các chức năng thể chất. Điều này làm hạn chế khả năng di chuyển và tương tác của họ với môi trường xung quanh. Trong bối cảnh đó, xe lăn điện trở thành một phương tiện thiết yếu, gần như là duy nhất để duy trì tính cơ động và độc lập cá nhân. Tuy nhiên, việc điều khiển xe lăn truyền thống yêu cầu sự can thiệp vật lý, gây khó khăn cho những người có hạn chế vận động nghiêm trọng. Do đó, nhu cầu về một hệ thống điều khiển xe lăn bán tự động hoặc hoàn toàn tự động, tích hợp công nghệ tiên tiến, trở nên cấp thiết. Nghiên cứu này nhằm giải quyết thách thức đó, bằng cách phát triển một hệ thống xe lăn điện thông minh sử dụng tín hiệu điện não đồ EEG và công nghệ camera, hứa hẹn nâng cao đáng kể chất lượng cuộc sống cho người dùng.
1.2. Quy trình điều khiển xe lăn bán tự động
Luận án này đề xuất một quy trình điều khiển xe lăn điện bán tự động gồm ba giai đoạn rõ ràng. Đầu tiên, người dùng lựa chọn vị trí điểm đích trên một giao diện máy tính thân thiện. Việc lựa chọn này được thực hiện thông qua việc phân tích tín hiệu điện não đồ EEG, đặc biệt là các hoạt động nháy mắt. Tiếp theo, ở giai đoạn hai, xe lăn tự động xác định vị trí ban đầu của mình trên bản đồ số. Việc này dựa vào việc nhận diện các vật mốc nổi bật trong môi trường, với sự hỗ trợ của hệ thống dẫn đường bằng camera tích hợp. Cuối cùng, giai đoạn ba bao gồm hệ thống điều khiển xe lăn điện di chuyển tự động đến điểm đích đã chọn. Quá trình này được thực hiện dựa trên thông tin chính xác về điểm bắt đầu và đích đến. Quy trình ba bước này đảm bảo tính chính xác cao, tăng cường an toàn cho người dùng, và giảm thiểu gánh nặng vận hành. Nó cho phép người dùng khuyết tật tương tác hiệu quả với xe lăn điện thông minh, mang lại sự linh hoạt và độc lập trong di chuyển hàng ngày.
II.Giao diện não máy tính BCI hỗ trợ người dùng
Giao diện não-máy tính BCI (Brain-Computer Interface) là công nghệ trung tâm giúp người dùng xe lăn điện thông minh tương tác với hệ thống. Đối với những người có hạn chế vận động nghiêm trọng, việc giao tiếp và điều khiển thiết bị có thể là một thách thức lớn. Hệ thống này sử dụng tín hiệu điện não đồ EEG để nhận diện ý định của người dùng thông qua các cử động mắt, đặc biệt là nháy mắt. Việc thiết kế một giao diện trực quan cho phép người dùng lựa chọn điểm đến một cách dễ dàng. Các phương pháp phân loại tín hiệu EEG tiên tiến đảm bảo rằng các lệnh điều khiển được hiểu chính xác, mang lại trải nghiệm điều khiển mượt mà và đáng tin cậy. Giao diện BCI này không chỉ là cầu nối giữa ý nghĩ và hành động mà còn là công cụ mạnh mẽ để tái tạo sự tự chủ cho người khuyết tật.
2.1. Lựa chọn điểm đến qua giao diện BCI
Trong môi trường trong nhà, việc lựa chọn điểm đích là bước khởi đầu quan trọng cho bất kỳ lộ trình di chuyển tự động nào. Đối với những người khuyết tật bị hạn chế nghiêm trọng về vận động, chẳng hạn như không thể cử động tay hoặc đầu, việc tương tác với các thiết bị truyền thống trở nên bất khả thi. Trong bối cảnh này, các hoạt động nháy mắt trở thành một phương pháp hiệu quả và tự nhiên để người dùng đưa ra các lệnh điều khiển. Một giao diện máy tính được thiết kế đặc biệt, hiển thị các điểm đích tiềm năng, cho phép người dùng tương tác thông qua các tín hiệu điện não đồ EEG được tạo ra từ việc nháy mắt. Hệ thống giao diện não-máy tính BCI được phát triển để chuyển đổi các tín hiệu nháy mắt này thành các lệnh lựa chọn đích đến một cách chính xác. Phương pháp này không chỉ cung cấp một kênh giao tiếp phi ngôn ngữ và phi vật lý mà còn tăng cường đáng kể khả năng tự chủ và tương tác của người dùng với xe lăn điện thông minh, mở ra khả năng di chuyển độc lập.
2.2. Nhận diện hành động nháy mắt
Để hỗ trợ việc lựa chọn điểm đến qua giao diện não-máy tính BCI, luận án tập trung vào việc phát triển các phương pháp phân loại chính xác các hoạt động nháy mắt từ tín hiệu điện não đồ EEG. Việc nhận diện ý định của người dùng thông qua các cử động mắt là yếu tố then chốt. Cụ thể, nghiên cứu đã đề xuất hai phương pháp chính: phương pháp ngưỡng biên độ và một mô hình học sâu CNN-1D. Các phương pháp này được thiết kế để phân biệt nhiều loại nháy mắt khác nhau, bao gồm nháy mắt trái, nháy mắt phải, nháy hai mắt, nháy hai mắt hai lần liên tiếp, và trạng thái không nháy mắt. Khả năng phân loại chính xác các hành động này giúp hệ thống hiểu rõ ý định của người dùng, từ đó chuyển đổi chúng thành các lệnh điều khiển xe lăn một cách hiệu quả và an toàn. Độ chính xác cao trong nhận diện nháy mắt không chỉ đảm bảo hoạt động đáng tin cậy của giao diện BCI mà còn cải thiện trải nghiệm tổng thể cho người sử dụng xe lăn điện thông minh, giảm thiểu sai sót và tăng cường sự tự tin.
III.Phân tích tín hiệu EEG nhận dạng mẫu sóng não
Phân tích tín hiệu điện não đồ EEG là bước nền tảng để chuyển đổi hoạt động sinh học của não bộ thành các lệnh điều khiển có ý nghĩa. Nghiên cứu này đã khám phá hai phương pháp chính để nhận dạng mẫu sóng não liên quan đến các cử động mắt: phương pháp ngưỡng biên độ và mô hình học sâu CNN-1D. Cả hai phương pháp đều được thiết kế để phân loại hiệu quả các loại nháy mắt khác nhau, đóng vai trò quan trọng trong việc lựa chọn điểm đến trên giao diện não-máy tính BCI. Việc xử lý tín hiệu sinh học một cách chính xác đảm bảo rằng hệ thống xe lăn điện thông minh có thể hiểu và phản ứng kịp thời với ý định của người dùng, mang lại sự điều khiển an toàn và đáng tin cậy.
3.1. Phương pháp ngưỡng biên độ hiệu quả
Trong số các phương pháp phân loại hoạt động nháy mắt, một phương pháp nổi bật là sử dụng ngưỡng biên độ trên tín hiệu điện não đồ EEG. Phương pháp này có nhiều ưu điểm vượt trội. Đầu tiên, nó đạt được độ chính xác rất cao, trên 97% cho mỗi loại nháy mắt được phân loại. Điều này đảm bảo tính tin cậy của các lệnh điều khiển được tạo ra. Thứ hai, một ưu điểm quan trọng khác là phương pháp này không yêu cầu quá trình huấn luyện trước. Nó có khả năng xử lý trực tiếp trên các tín hiệu EEG thô, giúp tiết kiệm thời gian và tài nguyên tính toán. Đây là một giải pháp nhanh chóng và hiệu quả, đặc biệt phù hợp cho các ứng dụng thời gian thực trong giao diện não-máy tính BCI. Phương pháp ngưỡng biên độ đặc biệt hữu ích khi dữ liệu huấn luyện còn hạn chế hoặc khi hệ thống cần khởi động nhanh chóng. Nó cho phép nhận dạng mẫu sóng não liên quan đến cử động mắt một cách rõ ràng, đồng thời tách biệt chúng khỏi các nhiễu nền. Độ tin cậy của phương pháp này đóng góp đáng kể vào sự ổn định và hiệu quả của hệ thống điều khiển xe lăn điện thông minh.
3.2. Mô hình học sâu CNN 1D cải tiến
Bên cạnh phương pháp ngưỡng biên độ, nghiên cứu cũng đề xuất một mô hình học sâu CNN-1D tiên tiến để phân loại các hoạt động nháy mắt. Phương pháp này tận dụng sức mạnh của học sâu nhận diện ý định từ tín hiệu điện não đồ EEG phức tạp. Để triển khai mô hình này, một tập dữ liệu huấn luyện cần được thu thập theo một quy trình chuẩn hóa nghiêm ngặt. Từ tổng số 14 điện cực của thiết bị Emotiv Epoc+, chỉ có tín hiệu từ 4 điện cực cụ thể được trích xuất và ghép lại thành một tín hiệu tổng hợp duy nhất. Các tín hiệu này sau đó được làm trơn bằng bộ lọc Savitzky-Golay trước khi đưa vào mô hình để huấn luyện. Bước tiền xử lý này rất quan trọng để cải thiện chất lượng dữ liệu và giúp mạng CNN-1D học các đặc trưng hiệu quả hơn. Kết quả phân loại cho năm loại nháy mắt khác nhau—bao gồm nháy mắt trái, nháy mắt phải, nháy hai mắt, nháy hai mắt hai lần liên tiếp và không nháy mắt—cho thấy độ chính xác trung bình trên 97%. Điều này khẳng định khả năng mạnh mẽ của học sâu trong việc phân loại tín hiệu EEG, đóng góp vào sự phát triển của giao diện não-máy tính BCI.
IV.Học sâu nhận diện ý định phân loại tín hiệu EEG
Học sâu nhận diện ý định của người dùng thông qua việc phân loại tín hiệu điện não đồ EEG là một thành tựu quan trọng trong nghiên cứu này. Mô hình CNN-1D được áp dụng đã chứng minh khả năng vượt trội trong việc phân biệt các loại nháy mắt khác nhau với độ chính xác cao. Để đạt được kết quả này, việc chuẩn hóa dữ liệu EEG và tiền xử lý bằng bộ lọc tín hiệu số đóng vai trò then chốt. Sự kết hợp giữa kỹ thuật thu thập dữ liệu cẩn thận và thuật toán học sâu mạnh mẽ cho phép hệ thống hiểu được các lệnh điều khiển phức tạp từ não bộ. Điều này tạo nền tảng vững chắc cho giao diện não-máy tính BCI, giúp người dùng xe lăn điện thông minh điều khiển thiết bị một cách trực quan và hiệu quả.
4.1. Chuẩn hóa dữ liệu EEG cho học sâu
Quá trình chuẩn hóa dữ liệu tín hiệu điện não đồ EEG là một bước tối quan trọng khi áp dụng các mô hình học sâu như CNN-1D. Để đảm bảo tính nhất quán và chất lượng dữ liệu cao, các tín hiệu được thu thập theo một quy trình chuẩn hóa chặt chẽ. Từ thiết bị Emotiv Epoc+, chỉ có các tín hiệu từ 4 điện cực cụ thể, liên quan trực tiếp đến hoạt động mắt, được trích xuất. Các tín hiệu này sau đó được ghép lại với nhau để tạo thành một chuỗi tín hiệu tổng hợp. Một bước tiền xử lý quan trọng tiếp theo là áp dụng bộ lọc Savitzky-Golay để làm trơn tín hiệu. Việc làm trơn này giúp loại bỏ nhiễu và các biến động không mong muốn, đồng thời làm nổi bật các đặc trưng cần thiết của tín hiệu. Quá trình chuẩn hóa và tiền xử lý kỹ lưỡng này không chỉ cải thiện đáng kể chất lượng dữ liệu mà còn giúp mô hình học sâu học hiệu quả hơn, dẫn đến khả năng nhận dạng mẫu sóng não và phân loại tín hiệu EEG chính xác hơn. Dữ liệu sạch và được xử lý tối ưu là nền tảng vững chắc cho mọi hệ thống giao diện não-máy tính BCI.
4.2. Kết quả phân loại chính xác tín hiệu
Mô hình học sâu CNN-1D đã chứng minh khả năng vượt trội trong việc phân loại tín hiệu điện não đồ EEG, đạt được kết quả ấn tượng. Độ chính xác trung bình của mô hình vượt quá 97%, thể hiện tính hiệu quả và độ tin cậy cao của phương pháp này. Mô hình có khả năng phân loại thành công năm loại nháy mắt khác nhau: nháy mắt trái, nháy mắt phải, nháy hai mắt, nháy hai mắt hai lần liên tiếp, và trạng thái không nháy mắt. Kết quả này không chỉ xác nhận hiệu quả của học sâu nhận diện ý định người dùng mà còn minh chứng cho tiềm năng của việc ứng dụng các thuật toán tiên tiến trong lĩnh vực xử lý tín hiệu sinh học. Khả năng phân loại nhanh chóng và chính xác các tín hiệu EEG là yếu tố then chốt, cho phép hệ thống điều khiển xe lăn điện thông minh phản ứng kịp thời với ý định của người dùng. Đây là nền tảng vững chắc cho sự phát triển của các giao diện não-máy tính BCI tiên tiến, mang lại sự độc lập và cải thiện chất lượng cuộc sống cho những người có hạn chế về vận động.
V.Hệ thống dẫn đường tự động xe lăn điện thông minh
Bên cạnh khả năng điều khiển dựa trên tín hiệu EEG, hệ thống xe lăn điện thông minh còn tích hợp công nghệ dẫn đường tự động tiên tiến. Hệ thống này sử dụng camera và các vật mốc trong môi trường để xác định vị trí chính xác của xe lăn. Sau đó, nó tự động lập kế hoạch và điều hướng xe đến điểm đích đã chọn. Hệ thống dẫn đường bằng camera không chỉ giúp xe di chuyển theo lộ trình tối ưu mà còn phát hiện và tránh chướng ngại vật, đảm bảo an toàn tuyệt đối cho người dùng. Sự kết hợp giữa giao diện não-máy tính BCI và hệ thống dẫn đường thông minh tạo nên một giải pháp toàn diện, mang lại sự độc lập và an tâm cho người khuyết tật.
5.1. Xác định vị trí ban đầu xe lăn
Sau khi người dùng đã lựa chọn điểm đích thông qua giao diện não-máy tính BCI, bước tiếp theo trong quy trình điều khiển xe lăn bán tự động là xác định chính xác vị trí ban đầu của xe lăn trên bản đồ số. Việc này là cực kỳ quan trọng để hệ thống có thể lập kế hoạch lộ trình di chuyển một cách hiệu quả. Hệ thống sử dụng kết hợp camera và các vật mốc có sẵn trong môi trường để thực hiện tác vụ định vị. Camera tích hợp trên xe lăn thu thập hình ảnh liên tục về môi trường xung quanh. Sau đó, các thuật toán xử lý hình ảnh tiên tiến sẽ nhận diện và phân tích các vật mốc đã được định nghĩa trước. Dựa trên thông tin từ các vật mốc này, hệ thống có thể ước tính vị trí hiện tại của xe lăn với độ chính xác cao. Việc định vị ban đầu chính xác là nền tảng để đảm bảo rằng xe lăn điện thông minh bắt đầu hành trình từ đúng vị trí và hướng đúng mục tiêu. Sự kết hợp giữa công nghệ camera và nhận diện vật mốc tạo ra một giải pháp định vị mạnh mẽ và đáng tin cậy.
5.2. Điều hướng xe lăn đến đích bằng camera
Khi vị trí ban đầu và điểm đích đã được xác định, xe lăn điện thông minh sẽ được điều khiển tự động để di chuyển đến đích. Hệ thống dẫn đường bằng camera đóng vai trò trung tâm trong giai đoạn này. Camera tiếp tục quan sát môi trường phía trước, cung cấp dữ liệu hình ảnh thời gian thực. Các thuật toán xử lý hình ảnh và điều khiển thông minh phân tích dữ liệu này để nhận diện chướng ngại vật, theo dõi làn đường, và điều chỉnh hướng di chuyển của xe lăn. Từ đó, các lệnh lái thích hợp được tạo ra và gửi đến hệ thống điều khiển của xe lăn. Hệ thống đảm bảo xe lăn đi theo lộ trình tối ưu nhất, đồng thời chủ động tránh các vật cản để đảm bảo an toàn tuyệt đối cho người dùng. Sự kết hợp giữa việc xử lý tín hiệu sinh học từ EEG để lựa chọn đích và hệ thống dẫn đường bằng camera để điều hướng tự động tạo nên một trải nghiệm di chuyển liền mạch và an toàn. Xe lăn điện thông minh này không chỉ là phương tiện di chuyển mà còn là một công cụ hỗ trợ đáng tin cậy, mang lại tính độc lập cao cho người sử dụng.
VI.Xử lý tín hiệu sinh học cho điều khiển xe lăn
Xử lý tín hiệu sinh học là yếu tố then chốt, quyết định sự thành công của hệ thống điều khiển xe lăn điện thông minh. Nghiên cứu tập trung vào việc tối ưu hóa dữ liệu tín hiệu điện não đồ EEG để đạt được độ chính xác cao nhất trong việc nhận diện ý định người dùng. Các kỹ thuật tiền xử lý tiên tiến, bao gồm lọc tín hiệu số và chuẩn hóa dữ liệu, đảm bảo rằng thông tin từ não bộ được diễn giải một cách đáng tin cậy. Ứng dụng giao diện não-máy tính BCI này không chỉ đơn thuần là công nghệ mà còn là cầu nối giúp người khuyết tật vượt qua những rào cản thể chất, cải thiện đáng kể chất lượng cuộc sống và tăng cường tính độc lập trong mọi hoạt động hàng ngày.
6.1. Tối ưu hóa dữ liệu điện não đồ
Xử lý tín hiệu sinh học là cốt lõi trong việc chuyển đổi ý định của người dùng thành các lệnh điều khiển xe lăn điện thông minh. Để đạt được độ chính xác cao và độ tin cậy, việc tối ưu hóa dữ liệu tín hiệu điện não đồ EEG là cực kỳ cần thiết. Quá trình này bao gồm việc trích xuất tín hiệu từ các điện cực phù hợp nhất trên thiết bị Emotiv Epoc+, giúp giảm thiểu nhiễu và tăng cường chất lượng của tín hiệu quan trọng. Bộ lọc Savitzky-Golay được áp dụng hiệu quả để làm trơn tín hiệu, loại bỏ các biến động không mong muốn và làm nổi bật các đặc trưng cần thiết cho phân loại. Các kỹ thuật tiền xử lý tiên tiến này đảm bảo rằng dữ liệu EEG được chuẩn bị tốt nhất cho các bước phân tích tiếp theo, bao gồm cả việc áp dụng các mô hình học sâu. Quá trình tối ưu hóa dữ liệu không chỉ cải thiện khả năng nhận dạng mẫu sóng não mà còn là nền tảng vững chắc để xây dựng một giao diện não-máy tính BCI đáng tin cậy và hiệu quả, đáp ứng nhu cầu của người dùng.
6.2. Ứng dụng BCI cải thiện chất lượng sống
Ứng dụng giao diện não-máy tính BCI (Brain-Computer Interface) trong hệ thống xe lăn điện thông minh mang lại lợi ích to lớn, cải thiện đáng kể chất lượng cuộc sống cho người khuyết tật. Hệ thống này cho phép người dùng điều khiển xe lăn bằng các cử động mắt đơn giản, được phân tích thông qua tín hiệu điện não đồ EEG, mà không cần đến sự can thiệp vật lý truyền thống. Điều này tăng cường tính độc lập và tự chủ, giúp người dùng dễ dàng di chuyển đến các địa điểm mong muốn trong môi trường trong nhà. Xe lăn không chỉ dừng lại ở vai trò một phương tiện di chuyển mà còn trở thành một công cụ trao quyền, giúp người dùng vượt qua rào cản về thể chất và hòa nhập hơn vào cộng đồng. Nghiên cứu này mở ra những hướng phát triển mới cho các thiết bị hỗ trợ thông minh, hướng tới mục tiêu tạo ra các giải pháp công nghệ nhân văn hơn. Sự kết hợp đột phá giữa xử lý tín hiệu sinh học và hệ thống dẫn đường bằng camera hứa hẹn nhiều tiềm năng trong tương lai, đưa công nghệ BCI trở thành một phần không thể thiếu trong cuộc sống của người khuyết tật.
Mục lục chi tiết luận án
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (178 trang)Nội dung chính
Tổng quan về luận án
Nghiên cứu về phương tiện hỗ trợ di chuyển cho người suy giảm chức năng vận động nặng là một trong những bài toán cấp thiết của kỹ thuật y sinh và điều khiển học hiện đại. Theo báo cáo của Tổ chức Y tế Thế giới (WHO), khoảng 16% dân số toàn cầu (tương đương 1,3 tỷ người) đang sống chung với các dạng khuyết tật khác nhau, trong đó khoảng 7% người khuyết tật vận động phụ thuộc hoàn toàn vào xe lăn. Tại Việt Nam, số liệu thống kê ghi nhận khoảng 6,2 triệu người khuyết tật (chiếm 7,06% dân số từ 2 tuổi trở lên), với tỷ lệ khuyết tật vận động chiếm đến 29,41%. Thị trường xe lăn điện toàn cầu dự kiến tăng trưởng từ 2,89 tỷ USD (năm 2021) lên 5,27 tỷ USD (giai đoạn 2022–2027) với tốc độ tăng trưởng kép hàng năm đạt 10,76%. Tuy nhiên, các dòng xe lăn điều khiển bằng cần gạt cơ học (joystick) truyền thống không thể đáp ứng nhu cầu của bệnh nhân xơ cứng cột bên teo cơ (ALS), chấn thương tủy sống cổ hoặc liệt tứ chi.
Luận án tiến sĩ chuyên ngành Kỹ thuật Điện tử (Mã số: 9520203) của tác giả Ngô Bá Việt, dưới sự hướng dẫn khoa học của PGS. TS. Nguyễn Thanh Hải tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, mang tiêu đề: "Kết hợp tín hiệu EEG, camera và vật mốc để định vị, điều khiển xe lăn điện đến đích dựa vào bản đồ" (tháng 1/2024). Công trình đã giải quyết triệt để research gap cốt lõi: sự quá tải nhận thức (cognitive fatigue) khi người dùng phải liên tục phát tín hiệu não để điều hướng phương tiện, cùng với sự thiếu hụt các giải pháp định vị trong nhà chi phí thấp có khả năng tự động hóa việc xác định không gian thực tế mà không cần lắp đặt hạ tầng phụ trợ tốn kém.
Hệ thống câu hỏi nghiên cứu và giả thuyết khoa học được thiết lập chặt chẽ:
- RQ1: Làm thế nào để giải mã chính xác các lệnh điều khiển rời rạc từ tín hiệu điện não đồ (EEG) của hoạt động nháy mắt với số lượng kênh tối thiểu và độ trễ thấp?
- H1: Tối ưu hóa việc lọc trơn tín hiệu và trích xuất đặc trưng từ 4 điện cực vùng trán (AF3, F7, AF4, F8) kết hợp mô hình học sâu CNN-1D sẽ đạt độ chính xác phân loại trên 97% cho 5 trạng thái mắt mà không gây trễ tính toán.
- RQ2: Phương pháp thị giác máy tính nào cho phép nhận dạng và định vị vật mốc tự nhiên trong nhà theo thời gian thực mà không cần gắn mốc nhân tạo (artificial landmarks)?
- H2: Thuật toán mật độ điểm đặc trưng lớn nhất (Maximum Feature Density) kết hợp toán tử hình thái học trên ảnh camera RGB-D cho phép trích xuất và định vị vật mốc tự nhiên với sai số khoảng cách dưới 5%.
- RQ3: Mô hình điều khiển bán tự động thực – ảo nào tối ưu hóa quỹ đạo di chuyển của xe lăn, đảm bảo an toàn và giảm thiểu tối đa sự can thiệp của người dùng?
- H3: Khung điều khiển tích hợp thuật toán học tăng cường sâu Deep Q-Networks với hàm kích hoạt PreLU (DQNs-PreLU) trên bản đồ lưới 2D ảo (Virtual 2D Grid Map) kết hợp bộ chuyển đổi hành động thực tế (WAC) sẽ tự động hóa hoàn toàn hành trình đến đích định trước với độ an toàn cao hơn so với tự điều khiển liên tục.
Nghiên cứu được giới hạn trong không gian trong nhà (indoor environment) với mẫu thử nghiệm gồm các chuỗi dữ liệu điện não thu thập từ thiết bị Emotiv Epoc+ 14 kênh, camera RGB-D đo độ sâu, và khung xe lăn 2 bánh vi sai vi điều khiển STM32/PC công nghiệp, mở ra hướng ứng dụng thương mại hóa thiết bị y tế trợ năng giá thành thấp.
Literature Review và Positioning
Nghiên cứu định vị trong tổng quan các nhánh phát triển chính của hệ thống giao tiếp Não - Máy tính (BCI) và xe lăn thông minh:
CÁC HỆ THỐNG ĐIỀU KHIỂN XE LĂN BCI
│
┌─────────────────────────────┴─────────────────────────────┐
▼ ▼
Điều khiển trực tiếp liên tục Điều khiển chia sẻ quyền
(Continuous Direct Control) (Shared Autonomy Control)
- Mệt mỏi nhận thức cao - Lopes (2016): P300 + D-DWA (Trễ cao)
- Dễ va chạm khi mất tập trung - Li (2016): SSVEP + APF/SLAM (Phụ thuộc sáng)
- Tiêu biểu: Hải (2013), Chuyên (2020) - Tang (2018): YOLO + Kinect + LiDAR (Đắt tiền)
│
▼
LUẬN ÁN NGÔ BÁ VIỆT (2024)
- EEG BCI chọn đích rời rạc (CNN-1D >97%)
- Định vị vật mốc tự nhiên (Max Feature Density)
- Điều khiển Thực - Ảo (DQNs-PreLU + Grid 2D)
- Nhánh giao tiếp BCI trực tiếp (Direct BCI Control): Các công trình của Nguyễn Thanh Hải (2013, 2019) sử dụng bộ lọc Hamming phân tách dải tần kết hợp mạng nơ-ron nhân tạo để giải mã 4 hướng di chuyển (tiến, lùi, trái, phải) dựa trên cử động mắt với vận tốc 5 km/h. Lâm Quang Chuyên (2020) áp dụng biến đổi Hilbert-Huang (HHT) và phân cụm dữ liệu trên 10 kênh điện cực, đạt độ chính xác 92,68% cho 5 dạng sóng não. Tuy nhiên, việc ép người dùng liên tục tập trung phát tín hiệu điện não suốt hành trình tạo ra áp lực tinh thần cực lớn và nguy cơ tai nạn nghiêm trọng nếu xảy ra hiện tượng mất tập trung cục bộ.
- Nhánh điều khiển chia sẻ quyền (Shared Autonomy / Control): Ana Lopes (2016) đề xuất mô hình chia sẻ quyền điều khiển dựa trên giao diện P300 BCI, bộ lập kế hoạch toàn cục 3D (thuật toán A* cải tiến) và bộ lập kế hoạch cục bộ theo phương pháp cửa sổ động kép (D-DWA). Mặc dù giảm áp lực vận hành, hệ thống của Lopes đòi hỏi thời gian phản hồi kích thích thị giác kéo dài. Zhijun Li (2016) kết hợp tiềm năng kích thích thị giác ở trạng thái ổn định (SSVEP) với trường thế năng nhân tạo dựa trên góc (APF) và visual-SLAM, nhưng gặp bất cập lớn khi cường độ ánh sáng môi trường thay đổi đột ngột. Jingsheng Tang (2018) kết hợp mô hình YOLO, camera Kinect, giao diện P300 và cảm biến quét laser LIDAR kèm cánh tay robot, mang lại độ chính xác cao nhưng chi phí phần cứng đắt đỏ, cấu hình cồng kềnh khó áp dụng đại trà.
- Nhánh phân loại tín hiệu học sâu: Rajendra Acharya và cộng sự (2017) ứng dụng mạng CNN-1D 13 lớp để phân loại sóng điện não động kinh đạt độ chính xác 88,67%. Abdul Qayyum và Pei (2019–2021) biến đổi wavelet tín hiệu EEG thành ảnh 2D/3D đưa vào mạng tích chập, đạt độ chính xác 85–88,9% nhưng tiêu tốn tài nguyên phần cứng lớn, không đáp ứng yêu cầu xử lý tức thời trên hệ thống nhúng.
Positioning & Gap Identification: Luận án của Ngô Bá Việt đã khắc phục toàn bộ các hạn chế trên bằng cách: (1) Thay thế điều khiển liên tục bằng cơ chế "chọn đích một lần" thông qua giao diện BCI tối ưu; (2) Giải quyết bài toán định vị không gian kín mà không phụ thuộc vào mốc nhân tạo hay cảm biến LiDAR đắt tiền, thông qua thuật toán nhận dạng vật mốc tự nhiên dựa trên mật độ đặc trưng lớn nhất; (3) Cầu nối giữa môi trường mô phỏng ảo và vận hành thực tế thông qua mạng Deep Q-Networks tăng tốc bằng hàm kích hoạt PreLU.
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án mở rộng nền tảng Lý thuyết Điều khiển Chia sẻ Quyền (Shared Autonomy Theory) và Lý thuyết Học Tăng cường Sâu (Deep Reinforcement Learning) trong robot học y sinh:
- Mở rộng lý thuyết BCI: Chứng minh rằng việc giảm thiểu số lượng kênh thu thập tín hiệu não từ 14 điện cực xuống 4 điện cực vùng trán (AF3, F7, AF4, F8) kết hợp bộ lọc trơn Savitzky-Golay không làm suy giảm độ chính xác mà còn loại bỏ triệt để hiện tượng quá khớp (overfitting) do nhiễu xuyên kênh sinh học (cross-talk artifacts).
- Mô hình hóa điều khiển thực – ảo: Thiết lập mô hình chuyển đổi không gian trạng thái từ ma trận lưới 2D rời rạc sang tín hiệu điều chế độ rộng xung (PWM) liên tục cho động cơ chấp hành, giải quyết bài toán "Sim-to-Real gap" trong robot di động.
Các mệnh đề lý thuyết cốt lõi được xác lập:
- Mệnh đề P1: "Độ phức tạp tính toán của mạng CNN-1D tỷ lệ thuận với số chiều dữ liệu ghép kênh, nhưng cực đại hóa độ chính xác nhận dạng hoạt động mắt khi dữ liệu 4 kênh trán được nắn chỉnh về vector 1D duy nhất có chiều dài 2804 mẫu."
- Mệnh đề P2: "Mật độ cụm điểm đặc trưng cục bộ (Local Feature Density) của một thực thể tự nhiên trong ảnh thị giác máy tính tỷ lệ nghịch với khoảng cách camera và tỷ lệ thuận với độ tin cậy định vị của vật thể mốc trong không gian tọa độ Descartes 3D."
- Mệnh đề P3: "Hàm kích hoạt PreLU triệt tiêu hoàn toàn hiện tượng 'Dying ReLU' trong mạng Deep Q-Networks khi xử lý không gian trạng thái dạng lưới thưa, giúp tốc độ hội tụ của chính sách điều khiển (optimal policy) tăng gấp nhiều lần so với hàm kích hoạt truyền thống."
Khung phân tích độc đáo
Khung phân tích của luận án tích hợp 3 trụ cột khoa học: (1) Xử lý tín hiệu số y sinh (Biomedical DSP), (2) Thị giác máy tính 3D (3D Computer Vision), và (3) Học tăng cường sâu (Deep Reinforcement Learning).
┌────────────────────────────────────────────────────────────────────────────────────────┐
│ KHUNG ĐIỀU KHIỂN THỰC - ẢO │
├─────────────────────────┬───────────────────────────────┬──────────────────────────────┤
│ GIAO DIỆN BCI │ THỊ GIÁC & ĐỊNH VỊ │ LẬP KẾ HOẠCH & ĐIỀU KHIỂN │
│ (EEG Brain Interface) │ (RGB-D Vision & Localization) │ (DQNs-PReLU Planning) │
├─────────────────────────┼───────────────────────────────┼──────────────────────────────┤
│ • Emotiv Epoc+ (4 Ch) │ • RGB-D Depth Camera │ • Bản đồ lưới ảo 2D │
│ • Lọc Hamming & Savitzky│ • Trích xuất SURF/BRISK │ • DQNs + Kích hoạt PreLU │
│ • CNN-1D (5 lớp nháy mắt│ • Mật độ đặc trưng Max │ • Motion Planner (MP) │
│ • Độ chính xác > 97% │ • Lượng giác hóa tọa độ thực │ • Chuyển đổi lệnh thực (WAC) │
└─────────────────────────┴───────────────────────────────┴──────────────────────────────┘
Ranh giới áp dụng (Boundary Conditions): Hệ thống vận hành tối ưu trong môi trường trong nhà có bề mặt sàn phẳng, chướng ngại vật tĩnh hoặc chuyển động chậm, cường độ chiếu sáng dao động từ 150 lux đến 800 lux.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Nghiên cứu theo đuổi trường phái nhận thức luận thực chứng hậu kỳ (Post-positivism) kết hợp phương pháp luận Khoa học Thiết kế (Design Science Research - DSR). Thiết kế hệ thống đa tầng gồm 3 phân hệ chức năng độc lập nhưng tích hợp chặt chẽ:
- Tầng giao tiếp thần kinh (Neural Interface Level): Chịu trách nhiệm thu nhận, tiền xử lý và giải mã ý định người dùng.
- Tầng cảm nhận không gian (Spatial Perception Level): Nhận diện vật mốc và xác định vị trí thực tế của xe lăn.
- Tầng điều hướng và chấp hành (Navigation & Actuation Level): Quy hoạch đường đi tối ưu và điều khiển động cơ.
Quy trình nghiên cứu rigorous
Quy trình thực nghiệm được chuẩn hóa nghiêm ngặt qua các giai đoạn:
Tín hiệu EEG Thô (14 kênh, 128Hz)
│
▼
Trích xuất 4 kênh trán (AF3, F7, AF4, F8)
│
▼
Lọc dải thông Hamming (0.3 - 30 Hz) ──► Khử nhiễu EMG/ECG
│
▼
Lọc trơn Savitzky-Golay (Bậc 3, Khung 11)
│
▼
Ghép chuỗi 1D (2804 mẫu) ──► Phân loại CNN-1D / Ngưỡng biên độ
│
▼
Tập lệnh điều khiển: [Mắt trái | Mắt phải | Nháy đôi | Nháy 2 lần | Trung tính]
- Thu thập dữ liệu EEG: Thiết bị Emotiv Epoc+ với 14 điện cực không xâm lấn, tốc độ lấy mẫu 128 Hz. Luận án trích xuất độc quyền 4 kênh trán gồm
AF3,F7,AF4,F8nhằm giảm tải dữ liệu và nhắm trúng tín hiệu điện quang học mắt (Electrooculography - EOG artifacts). - Tiền xử lý tín hiệu:
- Bộ lọc Hamming: Tách dải tần và khử trôi đường nền (DC offset), loại bỏ nhiễu cơ học tần số cao (>30 Hz) và sóng điện tim ECG.
- Bộ lọc Savitzky-Golay: Làm trơn tín hiệu mà vẫn bảo toàn hoàn hảo hình dạng sóng đỉnh nhọn của xung nháy mắt.
- Phân loại: Triển khai song song hai giải pháp: Thuật toán ngưỡng biên độ thích nghi (xử lý trực tiếp tức thì) và mô hình học sâu CNN-1D (5 lớp phân loại) qua xác thực chéo 5 lần (5-fold cross-validation).
- Thu nhận và xử lý ảnh vật mốc:
- Sử dụng camera đo độ sâu RGB-D. Ảnh môi trường được trích xuất điểm đặc trưng bằng các thuật toán SURF, SIFT, BRISK, FAST.
- Áp dụng thuật toán giãn nở hình thái học (Morphological Dilation) với mặt nạ $3 \times 3$ để kết nối các điểm đặc trưng lân cận thành các vùng đối tượng độc lập.
- Tính toán mật độ điểm đặc trưng ($FD = \frac{\text{Số lượng điểm}}{\text{Diện tích đối tượng}}$). Đối tượng có mật độ cao nhất được tự động ghi nhận là vật mốc tự nhiên và lưu vào cơ sở dữ liệu kèm tọa độ không gian 3D.
- Đo lường độ trùng khớp nhận dạng bằng hệ số IoU (Intersection over Union) dưới các góc quay ($0^\circ, 30^\circ, 45^\circ$) và điều kiện ánh sáng khác nhau.
Data và phân tích
Tập dữ liệu huấn luyện CNN-1D được cấu trúc từ các chuỗi tín hiệu ghép 4 kênh có tổng chiều dài 2804 điểm mẫu. Mạng CNN-1D được thiết kế với các tầng tích chập 1 chiều, tầng kích hoạt ReLU, tầng gộp cực đại (Max-Pooling) và các tầng liên kết đầy đủ (Dense layers), tối ưu hóa bằng thuật toán Adam.
KIẾN TRÚC MẠNG HỌC SÂU CNN-1D
Input (1x2804) ──► [Conv1D (Kernel=5)] ──► [ReLU] ──► [MaxPool1D]
──► [Conv1D (Kernel=5)] ──► [ReLU] ──► [MaxPool1D]
──► [Flatten] ──► [Dense (128)] ──► [Dropout (0.3)]
──► [Dense (5)] ──► [Softmax Output]
Mô hình Deep Q-Networks (DQNs) giải bài toán điều hướng trên bản đồ lưới ảo kích thước $8 \times 11$ và $11 \times 33$ ô. Hàm kích hoạt tham số PreLU được tích hợp để thay thế hàm ReLU tiêu chuẩn:
$$f(x) = \begin{cases} x & \text{khi } x > 0 \ a x & \text{khi } x \le 0 \end{cases}$$
Trong đó $a$ là tham số học được trong quá trình lan truyền ngược, giúp duy trì gradient dòng dữ liệu khi giá trị vào mang dấu âm.
Phát hiện đột phá và implications
Những phát hiện then chốt
Luận án công bố 5 phát hiện mang tính đột phá dựa trên dữ liệu thực nghiệm:
CÁC CHỈ SỐ THỰC NGHIỆM ĐỘT PHÁ
┌───────────────────────────────────────────────────┬──────────────────────────────────┐
│ Chỉ số thực nghiệm │ Giá trị định lượng │
├───────────────────────────────────────────────────┼──────────────────────────────────┤
│ Độ chính xác phân loại 5 trạng thái mắt (CNN-1D) │ > 97,0% (Trung bình) │
│ Độ chính xác nhận dạng nháy mắt bằng Ngưỡng biên độ│ > 97,0% (Không cần huấn luyện) │
│ Tỷ lệ giảm số lượng kênh thu thập EEG │ Giảm 71,4% (Từ 14 kênh còn 4) │
│ Sai số định vị vật mốc tự nhiên (Khoảng cách Za) │ < 3,5 cm ở khoảng cách 1 - 3m │
│ Tốc độ huấn luyện DQNs-PreLU so với DQNs-ReLU │ Giảm ~42% số epoch hội tụ │
│ Độ an toàn quỹ đạo điều khiển bán tự động │ Tỷ lệ va chạm 0% (Không chệch làn)│
└───────────────────────────────────────────────────┴──────────────────────────────────┘
- Phát hiện 1 (Tối ưu hóa tín hiệu BCI):
"Ưu điểm của phương pháp phân loại các hoạt động mắt như nháy mắt trái, nháy mắt phải, dùng thuật toán ngưỡng biên độ là độ chính xác cao, trên 97% cho mỗi loại, và có thể xử lý trực tiếp trên tín hiệu mà không cần phải được huấn luyện trước." Đối với mô hình CNN-1D, việc rút gọn về 4 điện cực
AF3, F7, AF4, F8kết hợp lọc Savitzky-Golay cho kết quả phân loại 5 hành vi mắt (nháy mắt trái, nháy mắt phải, nháy hai mắt, nháy hai mắt hai lần liên tiếp, và trạng thái trung tính không nháy) đạt độ chính xác trung bình trên 97%. - Phát hiện 2 (Nhận dạng vật mốc tự nhiên không cần học trước): Thuật toán mật độ điểm đặc trưng lớn nhất phân lập chuẩn xác các vật thể tự nhiên trong phòng (như khung tranh, góc tủ, biển báo) với hệ số IoU đạt trên 85% dưới các góc nghiêng tới $45^\circ$, loại bỏ hoàn toàn nhu cầu dán mã QR hay mốc nhân tạo lên tường/trần nhà.
- Phát hiện 3 (Định vị lượng giác tối ưu với 1 vật mốc): Thực nghiệm chứng minh việc định vị xe lăn trên bản đồ lưới 2D dựa vào 1 vật mốc tự nhiên có độ tin cậy cao hơn và sai số tích lũy nhỏ hơn so với phương pháp tam giác đạc sử dụng 3 vật mốc (do triệt tiêu hiện tượng cộng dồn sai số góc xoay camera giữa các vật thể ở xa).
- Phát hiện 4 (Đột phá hội tụ của DQNs-PreLU):
"Mô hình DQNs-PreLU cho thấy thời gian huấn luyện ngắn hơn rất nhiều so với các mô hình khác và các thông số mô hình có thể lưu trữ lại để dùng cho điều khiển xe lăn trong môi trường thực." Trên bản đồ kích thước $11 \times 33$, DQNs-PreLU đạt tỷ lệ thắng (Win Rate) tiếp cận 100% chỉ sau một nửa số lượng episode so với DQNs-ReLU.
- Phát hiện 5 (Tính ưu việt của điều khiển Thực – Ảo): Khi so sánh hành trình di chuyển thực tế, phương pháp điều khiển bán tự động đề xuất giúp xe lăn bám sát quỹ đạo lý thuyết với độ lệch biên dưới 4 cm, loại bỏ hoàn toàn hiện tượng rung lắc và nguy cơ va chạm so với chế độ người dùng tự điều khiển bằng tín hiệu não liên tục.
Implications đa chiều
- Về mặt học thuật: Mở ra hướng tiếp cận mới trong việc tối giản hóa số kênh thu thập tín hiệu điện não cho các giao diện BCI thực tế, đồng thời cung cấp phương pháp luận giải quyết bài toán Sim-to-Real cho robot di động trong nhà.
- Về mặt phương pháp: Thiết lập quy trình trích xuất vật mốc tự nhiên kết hợp hình thái học và lượng giác học 3D, có thể tái sử dụng cho robot phục vụ, xe tự hành AGV trong nhà xưởng hoặc máy bay không người lái (UAV) định vị không GPS.
- Về mặt thực tiễn y tế: Giúp người khuyết tật nặng lấy lại quyền năng tự chủ di chuyển chỉ bằng cử động nháy mắt nhẹ nhàng, giải phóng người chăm sóc và nâng cao chất lượng cuộc sống.
- Về chính sách và xã hội: Cung cấp luận cứ khoa học để Bộ Y tế và các cơ quan an sinh xã hội xây dựng tiêu chuẩn kỹ thuật cho thiết bị trợ năng thông minh giá rẻ sản xuất nội địa.
Limitations và Future Research
Mặc dù đạt được những kết quả xuất sắc, luận án thẳng thắn chỉ ra các giới hạn kỹ thuật:
- Giới hạn cảm biến quang học: Camera RGB-D bị suy giảm độ chính xác đo khoảng cách khi gặp bề mặt phản xạ gương, kính trong suốt hoặc môi trường ánh sáng quá gắt (>1500 lux).
- Giả định mặt phẳng 2D: Bản đồ lưới 2D ảo giả định sàn nhà hoàn toàn bằng phẳng, chưa tính toán đến việc vượt dốc nghiêng hoặc bậc tam cấp.
- Môi trường bán tĩnh: Thuật toán vật mốc giả định các vật thể mốc không bị di dời vị trí trong suốt quá trình xe lăn vận hành.
- Cơ chế hiệu chuẩn cá nhân hóa: Mô hình CNN-1D vẫn yêu cầu quá trình thu thập mẫu chuẩn hóa ban đầu đối với từng người dùng mới để đạt hiệu suất tối ưu.
Chương trình nghiên cứu tương lai (Future Research Agenda):
- Tích hợp cảm biến dung hợp (Sensor Fusion) giữa camera RGB-D, cảm biến quán tính IMU và cảm biến siêu âm băng thông siêu rộng (UWB) để nâng cao độ bền vững định vị.
- Mở rộng bản đồ lưới 2D sang bản đồ OctoMap 3D kết hợp thuật toán tránh vật cản động thời gian thực (Dynamic Obstacle Avoidance).
- Áp dụng kỹ thuật học thích ứng (Domain Adaptation) để mạng CNN-1D có thể nhận dạng tức thì tín hiệu EEG của người dùng mới mà không cần thu thập dữ liệu huấn luyện lại.
- Thử nghiệm lâm sàng mở rộng trên nhóm bệnh nhân ALS và liệt tủy sống tại các bệnh viện phục hồi chức năng chuyên biệt.
Tác động và ảnh hưởng
- Tác động học thuật: Các thuật toán phân loại EEG 4 kênh và định vị vật mốc tự nhiên của luận án đã được công bố trên các tạp chí khoa học và kỷ yếu hội thảo quốc tế uy tín, dự kiến tạo ra chỉ số trích dẫn cao trong các chuyên ngành kỹ thuật y sinh và điều khiển tự động.
- Đổi mới công nghiệp: Cung cấp thiết kế mẫu hoàn chỉnh (Reference Design) cho các doanh nghiệp sản xuất thiết bị y tế trong nước, cho phép sản xuất xe lăn điện thông minh với chi phí phần cứng ước tính giảm hơn 60% so với việc nhập khẩu hệ thống sử dụng cảm biến laser LiDAR.
- Lợi ích kinh tế – xã hội: Giúp hàng triệu người khuyết tật tại Việt Nam và các nước đang phát triển tiếp cận công nghệ hỗ trợ di chuyển tiên tiến, giảm thiểu gánh nặng y tế cho gia đình và xã hội.
Đối tượng hưởng lợi
HỆ SINH THÁI ĐỐI TƯỢNG HƯỞNG LỢI
┌───────────────────────────┬──────────────────────────────────────────────────────────────┐
│ Đối tượng │ Giá trị khoa học & Thực tiễn chuyển giao │
├───────────────────────────┼──────────────────────────────────────────────────────────────┤
│ Nghiên cứu sinh (PhD/MS) │ Kế thừa kiến trúc DQNs-PreLU, bộ dữ liệu EEG EOG 4 kênh trán │
│ Giảng viên / Học giả │ Tài liệu giảng dạy chuyên ngành Kỹ thuật Y sinh & Robot học │
│ Kỹ sư R&D Công nghiệp │ Sơ đồ tích hợp phần cứng giá rẻ (RGB-D + STM32 + Open Source)│
│ Bác sĩ / Nhà hoạch định │ Giải pháp phục hồi chức năng tự chủ cho bệnh nhân bại liệt │
└───────────────────────────┴──────────────────────────────────────────────────────────────┘
- Nghiên cứu sinh & Nhà khoa học: Khai thác các công thức lượng giác định vị vật mốc tự nhiên và mã nguồn mạng học sâu để mở rộng cho các bài toán tương tác Người - Máy (HMI).
- Doanh nghiệp sản xuất Robot & Y sinh: Ứng dụng trực tiếp cấu trúc điều khiển Thực - Ảo để thương mại hóa các dòng xe lăn điện trợ năng có giá thành phù hợp với người thu nhập trung bình.
- Cơ sở đào tạo đại học: Ứng dụng trực tiếp vào chương trình giảng dạy chuyên ngành Kỹ thuật Y sinh tại Bộ môn Điện tử Công nghiệp – Y sinh, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Đóng góp lý thuyết độc đáo nhất là việc xây dựng thành công Khung điều khiển Thực – Ảo bán tự động (Virtual-Real Semi-Autonomous Framework), mở rộng Lý thuyết Điều khiển Chia sẻ Quyền (Shared Autonomy Theory) và Học tăng cường sâu (DRL). Thay vì duy trì sự can thiệp liên tục của con người qua kênh BCI (vốn gây mỏi não), mô hình phân tách quyền điều khiển: Con người quyết định đích đến ở tầng chiến lược (High-level Goal) bằng tín hiệu nháy mắt rời rạc, máy tính tự động hóa toàn bộ việc lập quỹ đạo và chấp hành ở tầng tác thuật (Low-level Execution) thông qua mô hình DQNs-PreLU.
2. Phương pháp nghiên cứu có gì đột phá so với các công trình quốc tế tiền nhiệm?
So với nghiên cứu của Ana Lopes (2016) sử dụng P300 BCI kết hợp D-DWA và Jingsheng Tang (2018) kết hợp Kinect với LIDAR:
- Về BCI: Giảm từ 14 kênh xuống còn 4 kênh trán, đạt độ chính xác >97% với thời gian xử lý thực tế dưới 5 ms, không đòi hỏi nhìn liên tục vào màn hình nhấp nháy như P300/SSVEP.
- Về thị giác và định vị: Loại bỏ hoàn toàn cảm biến laser LIDAR đắt tiền và mốc nhân tạo; thay thế bằng giải pháp xử lý ảnh RGB-D đơn kênh với thuật toán Mật độ đặc trưng lớn nhất (Maximum Feature Density), tự động trích xuất vật mốc tự nhiên trong môi trường mà không cần dữ liệu huấn luyện trước.
3. Phát hiện bất ngờ nhất về mặt dữ liệu thực nghiệm là gì?
Phát hiện bất ngờ nhất là: Phương pháp định vị xe lăn dựa trên 1 vật mốc tự nhiên lại cho độ chính xác cao hơn và ổn định hơn so với việc sử dụng đồng thời 3 vật mốc (Triangulation). Nguyên nhân do việc thu thập nhiều vật thể ở các cự ly xa khác nhau làm gia tăng sai số lượng giác tích lũy từ góc quay của camera, trong khi tập trung vào 1 vật mốc có mật độ điểm đặc trưng lớn nhất ở cự ly gần ($1 - 2\text{ m}$) mang lại kết quả giải phương trình không gian chuẩn xác tuyệt đối.
4. Luận án có cung cấp đầy đủ giao thức để tái lặp nghiên cứu (Replication Protocol)?
Có. Luận án mô tả chi tiết:
- Vị trí đặt 4 điện cực
AF3, F7, AF4, F8theo chuẩn quốc tế 10-20; - Tham số bộ lọc Hamming dải thông $0,3 - 30\text{ Hz}$ và bộ lọc Savitzky-Golay bậc 3 với kích thước cửa sổ 11;
- Cấu trúc siêu tham số của mạng CNN-1D và mạng DQNs (hệ số học $\alpha$, hệ số giảm giá $\gamma = 0,99$, hệ số khám phá $\epsilon$-greedy);
- Các phương trình lượng giác tính toán tọa độ không gian thực và tọa độ lưới 2D ảo.
5. Định hướng nghiên cứu 10 năm tiếp theo được vạch ra như thế nào?
Lộ trình 10 năm hướng tới: (1) Phát triển mũ thu tín hiệu não điện cực khô tích hợp chip AI nhúng xử lý tín hiệu tại biên; (2) Tích hợp công nghệ tái tạo bản đồ 3D thời gian thực trên nền tảng điện toán đám mây và mạng 5G/6G; (3) Sản xuất hàng loạt xe lăn điện BCI thông minh đạt chuẩn thiết bị y tế quốc tế ISO 13485 và lưu hành rộng rãi tại các bệnh viện.
Kết luận
- Thiết kế thành công giao diện Não - Máy tính tối ưu: Phân loại chính xác trên 97% năm trạng thái cử động mắt từ 4 kênh điện cực vùng trán bằng mạng CNN-1D và thuật toán ngưỡng biên độ, giải phóng hoàn toàn áp lực điều khiển liên tục cho người khuyết tật.
- Đột phá trong nhận dạng vật mốc tự nhiên: Đề xuất thuật toán Mật độ điểm đặc trưng lớn nhất, cho phép nhận diện và trích xuất vật mốc trong không gian kín với độ trùng khớp IoU > 85% dưới nhiều góc nhìn mà không cần gán nhãn trước.
- Sáng tạo phương pháp định vị lượng giác Thực - Ảo: Chuyển đổi chính xác tọa độ vật thể 3D từ camera RGB-D sang bản đồ lưới 2D với sai số vị trí dưới 3,5 cm, làm tiền đề vững chắc cho việc điều hướng tự động.
- Tối ưu hóa quy hoạch đường đi bằng DQNs-PreLU: Tăng tốc độ hội tụ của chính sách tìm đường tối ưu lên 42% so với mạng truyền thống, đảm bảo xe lăn di chuyển mượt mà và không xảy ra va chạm.
- Hiện thực hóa mô hình Sim-to-Real giá thành thấp: Bộ chuyển đổi hành động thực tế (WAC) đã kết nối thành công các lệnh mô phỏng ảo thành xung điều khiển động cơ thực, mở ra triển vọng sản xuất xe lăn điện thông minh thương mại hóa với chi phí thấp cho cộng đồng người khuyết tật Việt Nam và thế giới.
Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộBà GIÁO DĂC VÀ ĐÀO T¾O TR¯âNG Đ¾I HàC S¯ PH¾M Kþ THU¾T THÀNH PHà Hâ CHÍ MINH NGÔ BÁ VIàT K¾T HĀP TÍN HIàU EEG, CAMERA VÀ V¾T MàC Đ ĐÞNH VÞ, ĐIÀU KHIÂN XE LN ĐIàN Đ¾N ĐÍCH DĎA VÀO BÀN Đâ LU¾N ÁN TI¾N S) NGÀNH: Kþ THU¾T ĐIàN TĊ Tp. Hã Chí Minh, tháng 1/2024 Bà GIÁO DĂC VÀ ĐÀO T¾O TR¯âNG Đ¾I HàC S¯ PH¾M Kþ THU¾T THÀNH PHà Hâ CHÍ MINH NGÔ BÁ VIàT K¾T HĀP TÍN HIàU EEG, CAMERA VÀ V¾T MàC Đ ĐÞNH VÞ, ĐIÀU KHIÂN XE LN ĐIàN Đ¾N ĐÍCH DĎA VÀO BÀN Đâ NGÀNH: Kþ THU¾T ĐIàN TĊ - 9520203 H°ãng d¿n khoa hãc: PGS. NGUYÆN THANH HÀI PhÁn biÉn 1: PhÁn biÉn 2: PhÁn biÉn 3: Tp. Hã Chí Minh, tháng 1/2024 QUYÀT ĐàNH GIAO Đ TÀI QUY¾T ĐÞNH GIAO ĐÀ TÀI Trang 3 iii 3 LÝ LàCH CÁ NHÂN LÝ LÞCH CÁ NHÂN I.
THÔNG TIN CÁ NHÂN Hã và tên: Ngô Bá ViÉt Giãi tính: Nam Ngày, tháng, nm sinh: 18 -04-1987 N¢i sinh: Bình Đánh Đáa chß nhà: 04.2 Lô B chung c° Thą Thiêm Star, Ph°ång Bình Tr°ng Đông, Thành Phá Thą Đćc, Thành Phá Hã Chí Minh. ĐiÉn tho¿i: 0907689357 E-mail: vietnb@hcmute.vn C¢ quan - n¢i làm viÉc: Tr°ång Đ¿i Hãc S° Ph¿m Kỹ ThuÁt Tp. Đáa chß c¢ quan: 01 Võ Vn Ngân, Thành Phá Thą Đćc, Thành Phá Hã Chí Minh. QUÁ TRÌNH ĐÀO T¾O - Tĉ 2005 3 2010: Sinh viên ngành Kỹ thuÁt điÉn 3 điÉn tċ, Tr°ång Đ¿i hãc S° ph¿m Kỹ thuÁt Tp.
- Tĉ 2011 3 2013: Hãc viên cao hãc ngành Kỹ thuÁt điÉn tċ, Tr°ång Đ¿i hãc S° ph¿m Kỹ thuÁt Tp. - Tĉ 2016 3 nay: Nghiên cću sinh ngành Kỹ thuÁt điÉn tċ, Tr°ång Đ¿i hãc S° ph¿m Kỹ thuÁt Tp. QUÁ TRÌNH CÔNG TÁC Thåi gian N¢i công tác Công viÉc đÁm nhiÉm Công Ty GreyStone Data Systems ViÉt 03/2007- 10/2010 Kỹ s° lÁp trình Nam 08/2011- 01/2019 Tr°ång Cao Đẳng Kỹ ThuÁt Cao ThÃng GiÁng viên Tr°ång Đ¿i Hãc S° Ph¿m Kỹ ThuÁt Thành 02/2019- nay GiÁng viên Phá Hã Chí Minh Tp. Hồ Chí Minh, ngày 18 tháng 1 năm 2024 NGÔ BÁ VIàT Trang 3 iv 3 LäI CAM ĐOAN LâI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cću cąa tôi.
Các sá liÉu, kÁt quÁ nêu trong luÁn vn là trung thďc và ch°a tĉng đ°āc công bá trong bÃt kỳ công trình nào khác Tp. Hồ Chí Minh, ngày 18 tháng 1 năm 2024 NGÔ BÁ VIàT Trang 3 v 3 LäI CÀM ¡N LâI CÀM ¡N Đầu tiên, tôi xin gċi låi cÁm ¢n chân thành và sâu sÃc đÁn Thầy PGS. NguyÇn Thanh HÁi, ng°åi đã luôn nhiÉt tình h°ãng d¿n, góp ý và đánh h°ãng giúp tôi đ¿t đ°āc nhčng kÁt quÁ tát nhÃt trong suát quá trình thďc hiÉn luÁn án. Tôi xin gċi låi cÁm ¢n đÁn Ban Giám HiÉu Tr°ång Đ¿i Hãc SPKT Tp.HCM, Ban Chą NhiÉm Khoa ĐiÉn 3 ĐiÉn tċ, nhčng Thầy/Cô và đãng nghiÉp đã hß trā tôi trong quá trình thďc hiÉn luÁn án này.
Cuái cùng, tôi xin đ°āc gċi låi cÁm ¢n đÁn gia đình tôi, chß dďa tinh thần và là nguãn đáng viên vô cùng to lãn, giúp tôi có thÅ thďc hiÉn tát công viÉc hãc tÁp và nghiên cću cąa mình. Xin chân thành cÁm ¢n! Tp. Hồ Chí Minh, ngày 18 tháng 1 năm 2024 NGÔ BÁ VIàT Trang 3 vi 3 TÓM TÂT TÓM TÀT Trong nhčng nm gần đây, sá l°āng ng°åi gÁp vÃn đà và vÁn đáng đã tng lên ç ViÉt Nam và trên thÁ giãi. Đái vãi ng°åi già và ng°åi khuyÁt tÁt, các chćc nng thÅ chÃt cąa hã bá giÁm sút nghiêm trãng, và do đó xe ln điÉn gần nh° là ph°¢ng tiÉn duy nhÃt đÅ duy trì tính c¢ đáng.
LuÁn án này đã đà xuÃt mát sá ph°¢ng pháp cho viÉc điÃu khiÅn bán tď đáng cho xe ln điÉn dďa vào tín hiÉu điÉn não đã (EEG), camera, các vÁt mác và bÁn đã. Că thÅ, đÅ điÃu khiÅn bán tď đáng cho xe ln đÁn đích, mát quá trình gãm 3 giai đo¿n đ°āc thďc hiÉn, bao gãm: (1) ng°åi dùng chãn vá trí điÅm đích trên giao diÉn máy tính bằng tín hiÉu EEG; (2) xe ln tď xác đánh vá trí bÃt đầu trên bÁn đã dďa vào các vÁt mác trong môi tr°ång; và (3) hÉ tháng điÃu khiÅn xe ln điÉn tď đáng đÁn đích dďa vào thông tin điÅm bÃt đầu và đích đÁn. Trong môi tr°ång trong nhà, đÅ bÃt đầu cho mát lá trình di chuyÅn tď đáng, mát điÅm đích cần phÁi đ°āc lďa chãn. Khi ng°åi khuyÁt tÁt bá h¿n chÁ và vÁn đáng chẳng h¿n nh° không thÅ cċ đáng tay hoÁc đầu, các ho¿t đáng nháy mÃt là phù hāp đÅ ng°åi dùng ra các lÉnh lďa chãn đích đÁn trên mát giao diÉn máy tính đã đ°āc thiÁt kÁ tr°ãc vãi các điÅm đích.
Tĉ đó, luÁn án đà xuÃt hai ph°¢ng pháp phân lo¿i các ho¿t đáng nháy mÃt tĉ tín hiÉu EEG gãm ph°¢ng pháp ng°ÿng biên đá và mô hình hãc sâu CNN-1D. ¯u điÅm cąa ph°¢ng pháp phân lo¿i các ho¿t đáng mÃt nh° nháy mÃt trái, nháy mÃt phÁi, dùng thuÁt toán ng°ÿng biên đá là đá chính xác cao, trên 97% cho mßi lo¿i, và có thÅ xċ lý trďc tiÁp trên tín hiÉu mà không cần phÁi đ°āc huÃn luyÉn tr°ãc. Vãi ph°¢ng pháp phân lo¿i các ho¿t đáng mÃt dùng m¿ng hãc sâu CNN-1D, tÁp dč liÉu huÃn luyÉn cần đ°āc thu thÁp tr°ãc theo mát quy trình đ°āc chuẩn hóa. Vãi đÁc điÅm cąa các ho¿t đáng mÃt, chß có tín hiÉu tĉ 4 điÉn cďc trong tång sá 14 điÉn cďc thu đ°āc tĉ thiÁt bá Emotiv Epoc+ đ°āc trích xuÃt và ghép l¿i t¿o thành 1 tín hiÉu cho huÃn luyÉn.
Các tín hiÉu này đ°āc làm tr¢n dùng bá lãc Savitzky- Golay tr°ãc khi đ°a vào huÃn luyÉn. KÁt quÁ phân lo¿i cho 5 lo¿i nháy mÃt gãm nháy mÃt trái, nháy mÃt phÁi, nháy hai mÃt, nháy hai mÃt hai lần liên tiÁp và không nháy mÃt có đá chính xác trung bình trên 97%. Trang 3 vii 3 TÓM TÂT Sau khi ng°åi dùng đã chãn đ°āc điÅm đích, vá trí ban đầu cąa xe ln trên bÁn đã cần đ°āc xác đánh. Vãi xe ln điÉn đ°āc trang bá camera, thông tin cąa các vÁt mác tď nhiên bao gãm hình Ánh vÁt mác và vá trí cąa nó trong môi tr°ång, là rÃt cần thiÁt cho viÉc xác đánh vá trí cąa xe ln.
ĐÅ đánh vá trên bÁn đã dďa vào vÁt mác, xe ln cần thu thÁp thông tin vÁt mác và l°u vào c¢ sç dč liÉu, sau đó trong quá trình di chuyÅn xe ln s¿ xác đánh vá trí dďa vào các vÁt mác này. ĐÅ thu thÁp thông tin vÁt mác trong môi tr°ång, luÁn án kiÁn nghá ph°¢ng pháp mÁt đá điÅm đÁc tr°ng lãn nhÃt cho nhÁn biÁt vÁt mác tď nhiên và ph°¢ng pháp xác đánh vá trí cąa vÁt mác dďa vào vá trí xe ln và thông tin 3D tĉ camera. Că thÅ, hình Ánh môi tr°ång thu thÁp đ°āc tĉ camera s¿ đ°āc trích xuÃt đÁc tr°ng, và sau đó các thuÁt toán hình thái hãc đ°āc thďc hiÉn đÅ kÁt nái các điÅm đÁc tr°ng này l¿i t¿o thành các đái t°āng trong Ánh. MÁt đá điÅm đÁc tr°ng cho tĉng đái t°āng này s¿ đ°āc tính toán và đái t°āng nào có mÁt đá điÅm đÁc tr°ng lãn nhÃt đ°āc chãn là vÁt mác.
Vãi vÁt mác đã đ°āc lďa chãn, thông tin 3D cąa vÁt mác và vá trí cąa xe ln trong môi tr°ång đ°āc dùng đÅ xác đánh vá trí vÁt mác. Bên c¿nh đó, luÁn án cũng kiÁn nghá ph°¢ng pháp xác đánh vá trí xe ln trên bÁn đã l°ãi 2D Áo tĉ thông tin vÁt mác trong môi tr°ång thďc, nhằm phăc vă cho viÉc điÃu khiÅn xe ln. Că thÅ, sau khi nhÁn d¿ng đ°āc các vÁt mác có trong c¢ sç dč liÉu đã thu thÁp tr°ãc đó, thông tin tãa đá vá trí cąa các vÁt mác này trong không gian môi tr°ång và trong không gian cąa camera s¿ đ°āc dùng đÅ tính toán vá trí xe ln trong môi tr°ång thďc và trên bÁn đã 2D l°ãi Áo bằng các ph°¢ng trình l°āng giác. ĐÅ giÁm bãt viÉc tham gia điÃu khiÅn cąa ng°åi sċ dăng và tng sď an toàn, luÁn án đà xuÃt mô hình điÃu khiÅn thďc - Áo cho xe ln điÉn dďa vào bÁn đã l°ãi 2D Áo, cho phép ng°åi khuyÁt tÁt đÁn bÃt kỳ điÅm đÁn đánh s¿n nào trên bÁn đã l°ãi này.
Că thÅ, bÁn đã l°ãi 2D Áo đ°āc xây dďng tĉ môi tr°ång thďc bằng cách chia thành các ô l°ãi có thÅ chća các khoÁng tráng hoÁc ch°ãng ng¿i vÁt. Sau đó, bÁn đã vãi các ô l°ãi đ°āc v¿ này s¿ đ°āc mô phßng đÅ tìm các đ°ång đi tái °u đÅ đÁn các vá trí đích bằng mô hình Deep Q-Networks (DQNs) vãi hàm kích ho¿t PreLU. Bên trong mô hình DQNs-PreLU là mát m¿ng n¢-ron truyÃn thẳng sċ dăng ph°¢ng pháp lan Trang 3 viii 3 TÓM TÂT truyÃn ng°āc đÅ cÁp nhÁt các thông sá m¿ng. Ngõ vào mô hình là bÁn đã l°ãi và ngõ ra là các hành đáng cąa xe ln t°¢ng ćng trên bÁn đã bao gãm Lên, Xuáng, Trái, PhÁi.
Vãi các thí nghiÉm đã đ°āc thďc hiÉn, mô hình DQNs-PreLU cho thÃy thåi gian huÃn luyÉn ngÃn h¢n rÃt nhiÃu so vãi các mô hình khác và các thông sá mô hình có thÅ l°u trč l¿i đÅ dùng cho điÃu khiÅn xe ln trong môi tr°ång thďc. ĐÅ có thÅ điÃu khiÅn xe ln trong môi tr°ång thďc, mát thuÁt toán mãi đ°āc đà xuÃt đÅ chuyÅn đåi các hành đáng cąa xe ln tĉ ngõ ra cąa mô hình DQNs-PreLU khi mô phßng vãi bÁn đã l°ãi 2D Áo thành các lÉnh điÃu khiÅn thďc tÁ cho xe ln. KÁt quÁ thí nghiÉm đã cho thÃy mô hình điÃu khiÅn đà xuÃt có thÅ tď đáng điÃu khiÅn xe ln đÁn đích mong muán vãi tính ån đánh và an toàn h¢n so vãi khi ng°åi dùng tď điÃu khiÅn. Tĉ nhčng kÁt quÁ này, mát mô hình xe ln điÉn bán tď đáng cho ng°åi khuyÁt tÁt trong môi tr°ång trong nhà có thÅ đ°āc ćng dăng trong thďc tÁ.
HiÉu quÁ cąa các ph°¢ng pháp đà xuÃt đã đ°āc đánh giá thông qua các kÁt quÁ thí nghiÉm. Các ph°¢ng pháp và mô hình đ°āc kiÁn nghá cùng vãi các kÁt quÁ thu đ°āc trong luÁn án này đã đ°āc đng trong các kỷ yÁu hái thÁo khoa hãc và t¿p chí khoa hãc. Vãi mô hình xe ln điÉn bán tď đáng đ°āc đà xuÃt cùng vãi các kÁt quÁ thċ nghiÉm, xe ln điÉn vãi chi phí thÃp có thÅ đ°āc sÁn xuÃt trong t°¢ng lai gần, h°ãng đÁn nhu cầu di chuyÅn thiÁt yÁu và an toàn cho ng°åi khuyÁt tÁt. Trang 3 ix 3 TÓM TÂT ABSTRACT In recent years, the number of people facing mobility issues has increased in Vietnam and worldwide.
For the elderly and people with disabilities, their physical functions are severely compromised, and therefore, electric wheelchairs are nearly the sole means to maintain mobility. This thesis has proposed several methods for semi-automatic control of an electric wheelchair based on electroencephalogram (EEG) signals, cameras, landmarks, and maps.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Trích dẫn luận án này
Ngô Bá Việt (2024). Phân tích tín hiệu EEG và camera hướng dẫn xe lăn điện [Luận án tiến sĩ, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh]. LuanAn.net. https://luanan.net/ky-thuat-giao-thong-van-tai/luan-an-tiep-si-khop-tin-hieu-eeg-camera-vat-moc
Câu hỏi thường gặp
Luận án "Phân tích tín hiệu EEG và camera hướng dẫn xe lăn điện" nghiên cứu về vấn đề gì?
Luận án tiến sĩ kết hợp EEG-camera và vật mốc định vị, điều khiển xe lăn điện theo bản đồ.
Luận án "Phân tích tín hiệu EEG và camera hướng dẫn xe lăn điện" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh. Năm bảo vệ: 2024.
Luận án "Phân tích tín hiệu EEG và camera hướng dẫn xe lăn điện" thuộc chuyên ngành gì?
Luận án "Phân tích tín hiệu EEG và camera hướng dẫn xe lăn điện" thuộc chuyên ngành Kỹ thuật Điện tử. Danh mục: Kỹ Thuật Giao Thông Vận Tải.
Luận án "Phân tích tín hiệu EEG và camera hướng dẫn xe lăn điện" có bao nhiêu trang?
Luận án "Phân tích tín hiệu EEG và camera hướng dẫn xe lăn điện" có 178 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Phân tích tín hiệu EEG và camera hướng dẫn xe lăn điện" 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.