Tổng quan
Với sự phát triển của khoa học công nghệ hiện nay trên thế giới, nhu cầu tìm kiếm sự thuận tiện trong cuộc sống đang không ngừng tăng lên. Các giải pháp về IoT, trí tuệ nhân tạo – Artificial Intelligence (AI) đã trở thành một phần không thể thiếu trong cuộc sống hiện nay, qua đó ngày càng nhiều các giải pháp giúp đỡ con người trong nhiều khía cạnh, chẳng hạn như nhận diện khuôn mặt, vân tay để mở khóa điện thoại, hay có thể ra lệnh bằng lời nói để điều khiển các thiết bị điện tử trong nhà. Không chỉ dừng lại ở việc làm cho mọi thử trở nên thông minh hơn, giảm thời gian cho con người hơn mà còn có thể hỗ trợ con người trong y tế hay còn gọi là eHealthcare. Đã có khá nhiều sản phẩm, công trình nghiên cứu đã giúp cho nền y học trở nên phát triển một cách vượt bậc nhờ sự kết hợp giữa y học truyền thống và Internet kết nối vạn vật Internet of Things (IoT), AI,… Với mục tiêu có thể hỗ trợ con người trong việc di chuyển, đặc biệt là những người bị khuyết tật hay bị chấn thương ở tay di chuyển, chúng tôi đề xuất ra một giải pháp sử dụng thiết bị Giao diện não – máy tính, hay Brain – Computer Interface (BCI) để thu thập dữ liệu sóng não để phân tích và truyền tín hiệu vào Robot. Nhóm hướng đến việc sử dụng một thiết bị thu thập điện não đồ Electroencephalogram (EEG) giá rẻ là Neurosky Mindwave Mobile 2 để thu thập dữ liệu sóng não thô, sau đó xử lý, phân tích, sau đó đưa qua mô hình máy học cụ thể là Random Forest để cho ra độ chính xác giữa dữ liệu đầu vào và các nhãn, sau đó đưa ra hành động chính xác dựa trên suy nghĩ của người dùng.
Mục tiêu và phạm vi nghiên cứu
Bao gồm bốn mục tiêu chính sau đây:
- Tìm hiểu thiết bị EEG Neurosky Mindwave Mobile 2, cách sử dụng và viết chương trình thu thập dữ liệu.
- Tìm hiểu các loại nhiễu gây ra trên thiết bị, từ đó tìm hiểu các phương pháp khử nhiễu, tái tạo tín hiệu EEG gốc.
- Xây dựng mô hình xử lý dữ liệu phù hợp với bài toán phân loại Motor Imagery.
- Thiết kế xe Robot để nhận lệnh sau khi xử lý dữ liệu.
Phạm vi nghiên cứu: Hệ thống điều khiển Robot sử dụng thiết bị BCI giá rẻ với một kênh tín hiệu sau đó khử nhiễu, tái tạo tín hiệu EEG, qua đó phân loại Motor Imagery, điều hướng xe Robot di chuyển.
Nội dung đề tài
Khóa luận này hướng đến đề xuất xây dựng hệ thống điều khiển xe Robot bằng cách phân loại Motor Imagery từ thiết bị EEG giá rẻ với các thành phần theo mô hình tổng quan được mô tả ở hình 3.1.
- Signal Acquisition: Thu thập dữ liệu thô từ thiết bị EEG
- Signal Processing:
- Signal Preprocessing: Dữ liệu thu thập từ thiết bị sẽ được chuẩn hóa từ dạng thô sang dạng tín hiệu EEG mang đơn vị µV. Sau đó, tín hiệu EEG này sẽ được đưa qua thuật toán ATAR để tiến hành khử nhiễu.
- Feature Extraction: Dữ liệu sau khi chuẩn hóa sẽ được đưa vào hàm tính toán PSD cho ra công suất ở mỗi miền tần số. Từ đó đưa vào mô hình máy học để tiến hành huấn luyện mô hình
- Model Preparation: Dữ liệu đầu vào sẽ được chia theo tỉ lệ 80% cho việc train và 20% cho việc test. Sau khi huấn luyện xong mô hình sẽ được lưu xuống cho quá trình sau.
- Classification: Sử dụng mô hình máy học với đầu vào là dữ liệu từ tiến trình Feature Extraction và mô hình tiền huấn luyện ở trên và đầu ra là kết quả dự đoán.
- Robot: Nhận kết quả dự đoán và tiến hành thực thi hành động, trả feedback về
cho người dùng.
Thiết lập tình huống di chuyển: Khi xe Robot cần chuyển hướng, chúng tôi sử dụng tín hiệu nháy mắt để chuyển sang chế độ rẽ. Nháy mắt thông thường có 2 loại là nháy mắt vô thức và nháy mắt chủ động. Nháy mắt được xem là nhiễu trong tín hiệu EEG. Tuy vậy, dựa vào hình 4.5, các điểm dao động được khoanh tròn màu đỏ chính là các điểm nhiễu do nháy mắt vô thức gây ra và các dao động khoanh tròn màu xanh chính là các điểm nhiễu do nháy mắt chủ động gây ra. Do sự khác biệt rõ ràng nên chúng ta dễ dàng xác định các tín hiệu nháy mắt chủ động và lấy đó làm tín hiệu để chuyển trạng thái xe sang chế độ rẽ.
Khi bắt đầu, xe sẽ di chuyển thẳng, đến thời điểm muốn chuyển hướng, người dùng sẽ nháy mắt chủ động 1 lần. Để dừng hẳn, người dùng sẽ cần nháy mắt chủ động 2 lần liên tục.
Kết luận
Neurosky Mindwave Mobile 2 với tiếp diểm đặt tại Fp1, là một vị trí mà chúng tôi đã đề cập là không phù hợp để phân loại Motor Imagery. Tuy nhiên, với các kết quả đã đạt được sau khi thực nghiệm, có thể thấy chúng tôi đã thành công trong việc thực hiện phân tích dự đoán hướng đi và điều khiển xe Robot bằng sóng não cũng như đưa ra mô hình xử lý phù hợp với dữ liệu thu thập được từ thiết bị giá rẻ này.
Tuy vậy, thông qua thực nghiệm, chúng ta cũng có thể thấy, trong điều kiện có con người và tiếng nói xung quanh thì độ chính xác không quá cao chính là do các tác động từ môi trường bên ngoài cũng như bên trong chính những người thu thập dữ liệu. Mặt khác, các kết quả cũng chỉ ra được rằng với giới tính khác nhau, độ tập trung là khác nhau, các chỉ số đo đạc ở nữ tương đồng hơn ít bị dao động hơn so với nam giới. Do đó, sẽ cần có thêm nhiều sự cải tiến mô hình cũng như cần thu thập thêm dữ liệu ở nhiều người hơn ở nhiều độ tuổi hơn để có thể tăng độ chính xác phân loại Motor Imagery sử dụng thiết bị này.
