Luận án tiến sĩ kết hợp tín hiệu EEG, Camera và Vật mốc hướng dẫn xe lăn điện

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.