Thesis Mindwheel PDF

ĐẠI HỌC QUỐC GIA TP.
HCM CỘNG HÕA XÃ HỘI CHỦ NGHĨA VIỆT NAM

TRƢỜNG ĐẠI HỌC BÁCH KHOA Độc lập – Tự do – Hạnh phúc
KHOA KHOA HỌC ỨNG DỤNG
BỘ MÔN VẬT LÝ KỸ THUẬT Y SINH
TP.Hồ Chí Minh, ngày 15 tháng 08 năm 2016
NHIỆM VỤ LUẬN VĂN TỐT NGHIỆP
HỌ VÀ TÊN: LÊ THỊ CẨM VÂN MSSV: K1204472

LÊ THÀNH NHÂN K1202515
NGÀNH : Vật lý kỹ thuật y sinh LỚP: KU12VLY
1. Đầu đề luận văn:

ĐIỀU KHIỂN MÔ HÌNH XE LĂN BẰNG CHUYỂN ĐỘNG MẮT
2. Nhiệm vụ :
 Tìm hiểu tổng quan về tín hiệu điện não EEG và ảnh hƣởng của tín hiệu điện mắt EOG,
điện cơ EMG lên tín hiệu điện não.
 Tìm hiểu thiết bị EPOC Emotiv.
 Xây dựng thuật toán nhận dạng các chuyển động mắt thông qua tín hiệu điện não thu
đƣợc từ thiết bị EPOC.
 Thiết lập thuật toán điều khiển mô hình xe lăn bằng LabVIEW.
 Thiết kế mô hình xe lăn và các mạch điện hỗ trợ điều khiển.
3. Ngày giao nhiệm vụ luận văn: 15/08/2016

4. Ngày hoàn thành nhiệm vụ: 15/12/1016
4. Họ và tên ngƣời hƣớng dẫn: ThS Lê Cao Đăng
Tên đề tài và nội dung LVTN đã đƣợc thông qua Bộ môn.
NGƢỜI HƢỚNG DẪN CHỦ NHIỆM BỘ MÔN

(Ký và ghi rõ họ tên) (Ký và ghi rõ họ tên)
LUẬN VĂN TỐT NGHIỆP GVHD: ThS. Lê Cao Đăng
LỜI CẢM ƠN
Từ lúc lần đầu tiên bƣớc chân vào giảng đƣờng đại học tính đến nay, chúng tôi đã trải qua gần
5 năm học tập, nghiên cứu tại trƣờng Đại học Bách Khoa TP.HCM. Trong suốt quãng thời gian
đó, chúng tôi đã nhận đƣợc rất nhiều sự giúp đỡ của các thầy cô, bạn bè trong và ngoài khoa
Khoa học Ứng dụng. Trong đó, chúng tôi đặc biệt gửi lời cám ơn đến
1. Thạc sĩ Lê Cao Đăng – PTN Vật lý Kỹ thuật Y sinh
2. Thạc sĩ Ngô Bá Trí – PTN Innovation Lab - Canada
3. Thạc sĩ Mai Hữu Xuân – PTN Công nghệ LASER
4. Kỹ sƣ Phạm Quốc Hƣng – Bộ môn Cơ Kỹ Thuật
5. Kỹ sƣ Ngô Hữu Tú – PTN Vật lý Kỹ thuật Y sinh
6. Cử nhân Trần Trung Tín – PTN Vật lý Kỹ thuật Y sinh
đã tận tâm chỉ dạy cho chúng tôi những kiến thức chuyên ngành hữu ích; nhiệt tình giải đáp
những thắc mắc mà chúng tôi gặp phải trong suốt quá trình làm Luận văn. Xin chân thành cảm ơn
ThS. Nguyễn Ngọc Hải một ngƣời anh, một ngƣời thầy – đã luôn song hành, hỗ trợ chúng tôi hết
mình trong mảng xử lý số liệu và tạo điều kiện tốt nhất để chúng tôi có thể hoàn thành đề tài này
một cách hoàn thiện nhất. Bên cạnh đó, cảm ơn gia đình đã luôn là nguồn động viên tinh thần to
lớn cho chúng tôi trong suốt quãng thời gian trên giảng đƣờng Đại học.
Một lần nữa,chúng tôi xin chân thành cảm ơn!
Nhóm sinh viên

Lê Thị Cẩm Vân – Lê Thành Nhân
SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân i

TÓM TẮT
Đối với những bệnh nhân bị bại liệt hoặc mất khả năng vận động thì việc có thể tự chủ đƣợc
sự di chuyển của bản thân mang ý nghĩa rất quan trọng. Điều này không chỉ giảm bớt gánh nặng
cho gia đình mà còn mang lại cho họ sự tự tin, phấn khởi trong cuộc sống. Bên cạnh đó, công
nghệ điều khiển thông minh trên Thế Giới đã có những bƣớc phát triển vƣợt bậc, mang lại cho
con ngƣời cuộc sống tiện lợi và thoải mái hơn. Đứng trƣớc nhu cầu bức thiết đó, nhóm sinh viên
chúng tôi đề xuất một thuật toán điều khiển thông minh cho xe lăn bằng cách nhận dạng các loại
chuyển động của mắt thông qua việc thu sóng điện não và phân tích tín hiệu theo thời gian thực.
Luận Văn này sẽ giải quyết ba vấn đề chính của bài toán điều khiển: Một là phân tích tín hiệu
điện não EEG để tìm ra các giá trị ngƣỡng biên độ cho các hành vi chuyển động của mắt bằng
MatLab; Hai là lập trình nhận dạng, điều khiển mô hình xe lăn theo thời gian thực bằng ngôn ngữ
lập trình đồ họa LabVIEW; Ba là thiết kế mô hình xe lăn và các mạch điện hỗ trợ điều khiển.
Cuối cùng, thuật toán mang lại hiệu quả điều khiển khá cao tuy nhiên sản phẩm vẫn còn một số
hạn chế về mặt cơ khí, tín hiệu điều khiển rẽ trái, rẽ phải còn bị lẫn lộn. Ngoài việc ứng dụng
trong điều khiển xe lăn, thuật toán này còn có thể áp dụng cho việc điều khiển các thiết bị khác
trên nhiều lĩnh vực.
ABSTRACT
It's very important for disabled people to control their movement by themselves. This not only
reduce burden for their family but also bring to them more self-confidence and more happiness in
their life. Beside that, intelligent control technology has made great development in the world. It
gives us a more comfortable and more convenient life. Facing with urgent needs, we propose an
intelligent control algorithm for wheelchair by identifying the type of eye's movement through
collecting and analysing brain's wave signal in real time. This thesis will solve three key issues of
controlled problems: First, we analyze the EEG signals to find out the amplitude threshold value
for the eye's movement behavior by MatLab; Second, the identification and control program will
be built in real-time by graphical programming language - LabVIEW; Finally, we design
wheelchair model and driver circuit. As a result, the algorithm provides a product with high-
efficiency control but there are still some limitations limitations in mechanical design. Right turn
signal and left turn signal still get confused. In addition, this algorithm can be applied for other
devices in many fields.
SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân ii

MỤC LỤC
LỜI CẢM ƠN................................................................................................................................... i

TÓM TẮT ....................................................................................................................................... ii
MỤC LỤC ...................................................................................................................................... iii
DANH SÁCH HÌNH ẢNH ............................................................................................................. v
DANH SÁCH BẢNG BIỂU ........................................................................................................ viii
DANH SÁCH CÁC THUẬT NGỮ VIẾT TẮT ............................................................................ ix
CHƢƠNG 1. GIỚI THIỆU ............................................................................................................. 1
CHƢƠNG 2. CƠ SỞ LÝ THUYẾT ................................................................................................ 3
2.1 MỐI LIÊN HỆ GIỮA TÍN HIỆU EEG, EOG VÀ EMG ...................................................... 3
2.1.1 Tìm hiểu về tín hiệu điện não EEG ................................................................................ 3
2.1.2 Ảnh hƣởng của tín hiệu điện mắt, tín hiệu điện cơ lên tín hiệu điện não ....................... 4
2.2 TỔNG QUAN VỀ THIẾT BỊ EPOC EMOTIV .................................................................... 5
2.3 MÔI TRƢỜNG LẬP TRÌNH, ĐIỀU KHIỂN ....................................................................... 6
2.3.1 Giới thiệu về LabVIEW ................................................................................................. 6
2.3.2 Môi trƣờng lập trình MatLab .......................................................................................... 7
2.4 Phép phân tích Fourier và phép biến đổi Wavelet ................................................................. 9
2.4.1 Phép phân tích Fourier .................................................................................................... 9
2.4.2 Phép biến đổi Wavelet .................................................................................................. 10
2.5 Hệ số tƣơng quan mẫu (Coefficient Correlation) ................................................................ 13
CHƢƠNG 3. PHƢƠNG PHÁP NGHIÊN CỨU ........................................................................... 15
3.1 THU THẬP VÀ XỬ LÝ DỮ LIỆU ĐIỆN NÃO ................................................................ 15
3.1.1 Phƣơng pháp thu thập dữ liệu ....................................................................................... 15
3.1.2 Xử lý tín hiệu ................................................................................................................ 17
3.2 NHẬN DẠNG CHUYỂN ĐỘNG MẮT THEO ĐẶC ĐIỂM CỦA TÍN HIỆU EEG ........ 27
3.2.1 Đặc điểm phổ công suất tín hiệu EEG ứng với từng loại hành vi ................................ 27
3.2.2 Hệ số tƣơng quan giữa các cặp kênh tín hiệu ............................................................... 34
3.3 PHƢƠNG PHÁP THỐNG KÊ VÀ PHÂN TÍCH SỐ LIỆU............................................... 38
3.3.1 Thống kê cục bộ ........................................................................................................... 38
SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân iii

3.3.2 Thống kê toàn cục......................................................................................................... 44

3.3.3 Kiểm tra và cải thiện thuật toán phân tích số liệu ........................................................ 59
3.4 THIẾT KẾ MÔ HÌNH XE LĂN VÀ CÁC MẠCH ĐIỆN HỖ TRỢ .................................. 63
3.4.1 Thiết kế và chế tạo mô hình xe lăn ............................................................................... 63
3.4.2 Thiết kế hệ thống mạch điện cho mô hình ................................................................... 66
CHƢƠNG 4. KẾT QUẢ VÀ ĐÁNH GIÁ .................................................................................... 77
CHƢƠNG 5. KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN .............................................................. 80
TÀI LIỆU THAM KHẢO ............................................................................................................. 81
PHỤ LỤC 1 ................................................................................................................................... 82
PHỤ LỤC 2 ................................................................................................................................... 88
PHỤ LỤC 3 ................................................................................................................................... 97
SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân iv

DANH SÁCH HÌNH ẢNH

Hình 2.1 Cấu tạo vỏ não .................................................................................................................. 3
Hình 2.2 Phân loại sóng điện não .................................................................................................... 4
Hình 2.3 Sơ đồ điện cực của EPOC ................................................................................................ 6
Hình 2.4 Giao diện làm việc của LabVIEW .................................................................................... 6
Hình 2.5 NI MyRIO 1900 ............................................................................................................... 7
Hình 2.6 MatLab và các ứng dụng .................................................................................................. 7
Hình 2.7 Phép biến đổi Fourier ....................................................................................................... 9
Hình 2.8 Phép biến đổi Wavelet .................................................................................................... 10
Hình 2.9 Sóng Sin và sóng Wavelet .............................................................................................. 10
Hình 2.10 Phân tích tín hiệu bằng phép biến đổi Fourier .............................................................. 11
Hình 2.11 Phân tích tín hiệu bằng phép biến đổi Wavelet ............................................................ 11
Hình 2.12 Đặc tính tỷ lệ của sóng Sin ........................................................................................... 12
Hình 2.13 Đặc tính tỷ lệ của sóng Wavelet ................................................................................... 12
Hình 2.14 Sự dịch tín hiệu Wavelet .............................................................................................. 12
Hình 2.15 Cây phân tách Wavelet ................................................................................................. 13
Hình 2.16 Đồ thị thể hiện độ mạnh và hƣớng tƣơng quan của 2 biến ........................................... 14
Hình 3.1 Giao diện thu tín hiệu trên LabVIEW ............................................................................ 15
Hình 3.2 Tín hiệu đƣợc truy xuất từ 4 kênh AF3, F7, F8 và AF4 ................................................ 16
Hình 3.3 Quy trình xử lí dữ liệu EEG tổng quát ........................................................................... 18
Hình 3.4 Tín hiệu D không đạt chất lƣợng .................................................................................... 19
Hình 3.5 Tín hiệu D đạt chất lƣợng ............................................................................................... 19
Hình 3.6 Tín hiệu EEG đã qua lọc nhiễu ....................................................................................... 19
Hình 3.7 Giao diện thu nhận tín hiệu EEG của EPOC .................................................................. 20
Hình 3.8 Phổ công suất của tín hiệu điện não EEG ....................................................................... 21
Hình 3.9 Đồ thị thể hiện sự phân bố và độ sai lệch của 5 mẫu cùng hành vi B theo giá trị tổng
công suất P (a) và tỷ lệ công suất R (b) ......................................................................................... 26
Hình 3.10 Đồ thị thể hiện sự phân bố và độ sai lệch của 5 mẫu khác hành vi theo giá trị tổng công
suất P (a) và tỷ lệ công suất R (b) .................................................................................................. 26
Hình 3.11 Phổ công suất tín hiệu EEG của hành vi X (thƣ giãn) .................................................. 28
Hình 3.12 Dạng phổ công suất tín hiệu của 4 loại hành vi B, D, L, R .......................................... 29
Hình 3.13 Phổ công suất của tín hiệu nhóm B và tín hiệu nhóm D .............................................. 30
Hình 3.14 Dạng tam giác thể hiện dạng phổ công suất của tín hiệu nhóm B và D ....................... 30
Hình 3.15 Minh họa giá trị ρ của tín hiệu thuộc hành vi B(a) và D(b) ......................................... 33
Hình 3.16 Dạng tín hiệu của hành vi B ......................................................................................... 34
Hình 3.17 Dạng tín hiệu của hành vi D ......................................................................................... 34
Hình 3.18 Dạng tín hiệu của hành vi L.......................................................................................... 35
Hình 3.19 Dạng tín hiệu của hành vi R ......................................................................................... 35
SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân v

Hình 3.20 Đồ thị phân bố các giá trị hệ số tƣơng quan giữa các cặp kênh theo các hành vi B, D,
L, R ................................................................................................................................................ 38
Hình 3.21 Sai lệch giữa các giá trị Rδ (a) và Rα (b) của các kênh tín hiệu thuộc nhóm hành vi B 39
Hình 3.22 Phổ công suất của các kênh tín hiệu thuộc nhóm hành vi B ........................................ 39
Hình 3.23 Sai lệch giữa các giá trị Rδ (a) và Rα (b) của các kênh tín hiệu thuộc nhóm hành vi D 40
Hình 3.24 Sai lệch giữa các giá trị Rδ (a) và Rα (b) của các kênh tín hiệu thuộc nhóm hành vi L 40
Hình 3.25 Sai lệch giữa các giá trị Rδ (a) và Rα (b) của các kênh tín hiệu thuộc nhóm hành vi R 40
Hình 3.26 Sai lệch giữa các giá trị Rδ (a) và Rα (b) của các kênh tín hiệu thuộc nhóm hành vi X 41
Hình 3.27 Quy trình thống kê cục bộ các giá trị Rk của các kênh trong từng mẫu tín hiệu .......... 42
Hình 3.28 Thành phần phần trăm của tỉ số công suất R thể hiện bằng biểu đồ hình cột .............. 43
Hình 3.29 Phân bố của các tập mẫu Rαk thuộc các hành vi ........................................................... 44
Hình 3.30 Minh họa chi tiết của miền giao thoa (chƣa qua thống kê) .......................................... 46
Hình 3.31 Sai số thống kê của mỗi tập mẫu Rαk (k = B, D, L, R, X) ............................................ 48
Hình 3.32 Quy trình thống kê toàn cục ......................................................................................... 49
Hình 3.33 Kết quả thống kê toàn cục của tập mẫu Rα của các hành vi B, L, R, D, X sau 1 vòng
lặp .................................................................................................................................................. 50
Hình 3.34 Kết quả thống kê toàn cục của tập mẫu Rα của các hành vi B, L, R, D, X sau 28 vòng
lặp (kết thúc) .................................................................................................................................. 51
Hình 3.35 Kết quả thống kê toàn cục của tập mẫu Rδ của các hành vi B, L, R, D, X sau 20 vòng
lặp .................................................................................................................................................. 52
Hình 3.36 Kết quả thống kê toàn cục của cr(F7, AF4) .................................................................. 54
Hình 3.37 Kết quả thống kê toàn cục của cr(F7, F8)..................................................................... 54
Hình 3.38 Kết quả thống kê toàn cục của cr(AF3, AF4) ............................................................... 55
Hình 3.39 Kết quả thống kê toàn cục của cr(AF3, F8) .................................................................. 56
Hình 3.40 Kết quả thống kê toàn cục của cr(AF3, F7) .................................................................. 56
Hình 3.41 Kết quả thống kê toàn cục của tập mẫu ρB và ρD ......................................................... 57
Hình 3.42 Quy trình nhận dạng hành vi qua phân tích tín hiệu EEG ............................................ 58
Hình 3.43 Sơ đồ quy trình nhận dạng hành vi thay thế cho sơ đồ hình 3.42................................. 60
Hình 3.44 Trƣờng hợp False của hình 3.43 ................................................................................... 61
Hình 3.45 Trƣờng hợp True của hình 3.43 .................................................................................... 62
Hình 3.46 Tiêu chuẩn 22 TCN 302 – 06 về kích thƣớc xe lăn chuẩn ........................................... 64
Hình 3.47 Sự phân bố các lực khi xe lăn chuyển động lên dốc ..................................................... 65
Hình 3.48 Bản vẽ thiết kế mô hình xe lăn ..................................................................................... 66
Hình 3.49 Sơ đồ khối hệ thống ...................................................................................................... 67
Hình 3.50 Mô hình mạch nguồn Step down .................................................................................. 69
Hình 3.51 Mạch hạ áp ở trạng thái kín .......................................................................................... 69
Hình 3.52 Mạch hạ áp ở trạng thái hở ........................................................................................... 69
Hình 3.53 Sơ đồ nguyên lý mạch tăng áp ...................................................................................... 70
Hình 3.54 Mạch tăng áp ở trạng thái hở ........................................................................................ 70
SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân vi

Hình 3.55 Mạch tăng áp ở trạng thái kín ....................................................................................... 71

Hình 3.56 Các trạng thái làm việc của mạch cầu H ...................................................................... 71
Hình 3.57: Cầu H dùng BJT ghép tầng ......................................................................................... 72
Hình 3.58: Cầu H dùng MOSFET ................................................................................................. 72
Hình 3.59: Phân loại MOSFET ..................................................................................................... 73
Hình 3.60: Mạch phân cực cho MOSFET ..................................................................................... 73
Hình 3.61 Cảm biến siêu âm US-015 ............................................................................................ 74
Hình 3.62 Cảm biến gia tốc tích hợp trong vi xử lí ....................................................................... 75
Hình 3.63 Chƣơng trình tính toán nhiệt độ.................................................................................... 76
Hình 4.1 Giao diện nhận dạng tín hiệu và điều khiển ................................................................... 77
Hình 4.2 Biểu đồ thể hiện xác suất nhận dạng các hành vi qua các lần khảo sát nghiệm thu ....... 78
SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân vii

DANH SÁCH BẢNG BIỂU
Bảng 3.1 Số lƣợng các mẫu đã thu thập đƣợc ............................................................................... 17

Bảng 3.2 Kết quả giá trị tổng mật độ phổ công suất (P) của 5 mẫu thuộc hành vi B ................... 22
Bảng 3.3 Kết quả giá trị tỷ lệ tổng mật độ phổ công suất (R) của 5 mẫu thuộc hành vi B ........... 24
Bảng 3.4 Kết quả giá trị công suất phổ P và tỷ lệ công suất R của tín hiệu thuộc các hành vi khác
nhau ............................................................................................................................................... 25
Bảng 3.5 So sánh đặc điểm giữa giá trị công suất P và tỷ lệ công suất R ..................................... 26
Bảng 3.6 Các loại tín hiệu điện não cần thu thập .......................................................................... 27
Bảng 3.7 Cách tính các diện tích hình học của hình 3.14.............................................................. 31
Bảng 3.8 Giá trị thông số ρ của tín hiệu thuộc hành vi B và D ..................................................... 33
Bảng 3.9 Bảng qui định dạng tín hiệu của 4 hành vi B, D, L, R ................................................... 36
Bảng 3.10 Khoảng phân bố giá trị của hệ số tƣơng quan giữa kênh i và kênh j dự đoán theo lý
thuyết ............................................................................................................................................. 36
Bảng 3.11 Giá trị hệ số tƣơng quan của các cặp kênh tín hiệu thuộc hành vi B, D, L, R ............. 37
Bảng 3.12 Bảng thống kê xác suất loại bỏ kênh ............................................................................ 43
Bảng 3.13 Khảo sát thị trƣờng xe lăn ở TPHCM .......................................................................... 63
Bảng 3.14 Yêu cầu về thông số xe lăn .......................................................................................... 64
Bảng 4.1 Kết quả cải thiện các giá trị ngƣỡng μ ........................................................................... 77
Bảng 4.2 Kết quả nghiệm thu qua những lần cải thiện các giá trị ngƣỡng μ ................................ 78
SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân viii

DANH SÁCH CÁC THUẬT NGỮ VIẾT TẮT
EEG Electroencephalography
EOG Electrooculography
EMG Electromyography
EPOC Environment Policy Committee
LabVIEW Laboratory Virtual Instrumentation Engineering Workbench
MatLab Matrix Laboratory
DC Direct Current
PWM Pulse Width Modulator - Bộ điều chế độ rộng xung
BJT Bipolar Junction Transistor - Transistor lƣỡng cực
MOSFET Metal Oxide Semiconductor Field Effect Transistor- Transistor hiệu ứng trƣờng
AC Alternative Current - Dòng điện xoay chiều
MEMS Micro-Electro-Mechanical Systems - Hệ vi cơ điện tử
NTC Negative Temperature Co-efficient - Hệ số nhiệt trở âm
PTC Positive Temperature Co-efficient - Hệ số nhiệt trở dƣơng
SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân ix

CHƢƠNG 1. GIỚI THIỆU
Ngày nay, nền khoa học kỹ thuật hiện đại của Thế Giới đã có những bƣớc phát triển vƣợt bậc, các
nhà khoa học đã chứng minh đƣợc rằng khả năng của con ngƣời là vô hạn. Những cảnh phim con
ngƣời dùng suy nghĩ để điều khiển đồ vật không còn là chuyện viễn tƣởng nữa. Bằng những phát
minh về công nghệ thực tế ảo, con ngƣời có thể hóa thân vào nhân vật mình yêu thích và điều khiển
đồ vật chỉ bằng suy nghĩ. Trên nền tảng đó, hàng ngàn phát minh ứng dụng suy nghĩ của bộ não vào
điều khiển đã ra đời trên khắp các lĩnh vực nhƣ điều khiển cánh tay robot bằng suy nghĩ dành cho
ngƣời khuyết tật [1], xe hơi điều khiển bằng sóng não [2], nanorobot điều khiển bằng ý nghĩ ứng
dụng trong y học [3] …
Bên cạnh sự phát triển của thế giới thì với Việt Nam, “điều khiển bằng suy nghĩ” vẫn là một khái
niệm khá mới mẻ. Ngƣời dân Việt Nam vẫn chƣa thể tiếp cận đƣợc nhiều với những sản phẩm điều
khiển thông minh đó một phần vì giá thành khá đắt. Vì thế, cần lắm các nghiên cứu, sáng chế để tạo
ra những sản phẩm thông minh với giá thành rẻ, chất lƣợng, có thể thƣơng mại hóa nhằm phổ biến
rộng rãi với mọi ngƣời, đặc biệt là ứng dụng vào lĩnh vực y tế - một lĩnh vực rất cần những sản phẩm
điều khiển thông minh để điều trị bệnh từ xa hoặc giúp đỡ những bệnh nhân bị khuyết tật phục hồi
các chức năng bị mất. Nắm bắt xu hƣớng đó, nhóm chúng tôi đã đề xuất ra một thuật toán thông minh
dùng để điều khiển xe lăn, dành cho các bệnh nhân khuyết tật hoặc bại liệt, mất khả năng đi lại.
Nhóm sử dụng thiết bị điện não di động EPOC của hãng Emotiv để thực hiện thu thập tín hiệu
điện não. Đây là một thiết bị nhỏ gọn, cung cấp cho chúng ta 14 kênh tín hiệu cùng các gói công cụ
phát triển phần mềm và các ứng dụng thú vị, bổ ích. Không những thế, thiết bị này có giá thành
không quá đắt, đƣợc thiết kế nhỏ gọn, phù hợp cho các ứng dụng mang tính phổ biến nhƣ học tập,
nghiên cứu, chơi game, điều khiển thiết bị dành cho ngƣời khuyết tật các chi…
Mục đích chính của đề tài này là nhận dạng các loại chuyển động của mắt thông qua việc thu sóng
điện não và phân tích tín hiệu theo thời gian thực để đƣa ra mệnh lệnh điều khiển xe lăn di chuyển.
Các chuyển động của mắt trong quá trình đo điện não sẽ làm ảnh hƣởng đáng kể lên tín hiệu EEG mà
ta thu đƣợc. Không chỉ vậy, các ảnh hƣởng này còn có những đặc trƣng nhất định cho từng loại
chuyển động. Cụ thể, có 4 loại chuyển động mắt làm ảnh hƣởng rõ rệt nhất lên tín hiệu điện não đó là
chớp mắt chậm, chớp mắt nhanh 2 lần, liếc trái và liếc phải. Bốn kênh điện não bị ảnh hƣởng nhiều
nhất của các chuyển động trên đó là AF3, F7, F8 và AF4 [4]. Vì vậy, bằng việc nhận dạng chuyển
động mắt trên 4 kênh tín hiệu này, ta có thể sử dụng chúng trong điều khiển thiết bị ngoại vi cụ thể là
xe lăn.
Quá trình phân tích, xử lý tín hiệu và phát lệnh điều khiển đƣợc giao cho thiết bị NI myRIO 1900
của hãng National Instrument. Đây là một thiết bị tích hợp vi xử lý nhỏ gọn, xử lý nhanh và dễ dàng
lập trình trên môi trƣờng LabVIEW – một môi trƣờng lập trình ngôn ngữ cao bằng đồ họa thông
minh.
Nội dung nghiên cứu của đề tài này đề xuất một giải thuật mới trong điều khiển thông minh giúp
cho các bệnh nhân mất khả năng đi lại có thể tự chủ trong di chuyển, quay về hòa nhập với cuộc sống
hằng ngày. Điều này có ý nghĩa rất to lớn với họ, chẳng những làm giảm bớt gánh nặng cho gia đình
mà còn giúp họ tự tin hơn trong cuộc sống. Phƣơng châm của nhóm đó là tạo ra sản phẩm giá thành
rẻ, chất lƣợng, có thể nhân rộng hoặc thƣơng mại hóa để ngày càng nhiều ngƣời đƣợc tiếp cận với
SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 1

công nghệ mới, giúp cuộc sống của mọi ngƣời đặc biệt là ngƣời khuyết tật và bại liệt đƣợc tiện lợi và
thoải mái hơn. Mở rộng hơn, thuật toán điều khiển này có thể đƣợc ứng dụng trên bất kỳ một thiết bị
ngoại vi nào khác, mang đến một hƣớng phát triển đầy triển vọng trong công nghệ điều khiển thông
minh tƣơng lai.

CHƢƠNG 2. CƠ SỞ LÝ THUYẾT
2.1 MỐI LIÊN HỆ GIỮA TÍN HIỆU EEG, EOG VÀ EMG

2.1.1 Tìm hiểu về tín hiệu điện não EEG
2.1.1.1 Nguồn gốc tín hiệu EEG
Vỏ não là nguồn gốc của các hoạt động điện của não thu đƣợc từ bề mặt của da đầu. Vỏ não đƣợc
chia làm nhiều khu vực, mỗi khu vực đảm nhiệm các chức năng khác nhau của cơ thể. Sự sắp xếp
của các tế bào ở các khu vực khác nhau trên vỏ não cũng khác nhau nhƣng nhìn chung thì vỏ não
đƣợc cấu tạo gồm 6 lớp tính từ ngoài vào trong.
Hình 2.1 Cấu tạo vỏ não
Nguồn: Google images

Các lớp này là không gian của cấu trúc các tế bào thần kinh đặc biệt với các trạng thái và chức
năng khác nhau trong đáp ứng xung điện. Hầu hết các tế bào vỏ não đƣợc sắp xếp thành các cột,
trong các cột này, neuron đƣợc phân bố dọc theo trục chính của các cây dạng nhánh, song song với
mỗi cây khác và trực giao với bề mặt vỏ não. Tế bào tháp (pyramidal neuron) là thành phần cấu tạo
chủ yếu của vỏ não. Điện thế EEG ghi đƣợc từ các điện cực đƣợc đặt tiếp xúc với da đầu là sự tổng
hợp các thay đổi về điện thế ngoài của tế bào tháp.
2.1.1.2 Phân loại tín hiệu EEG theo tần số
Năm 1924, nhà tâm thần học Hans Berger là ngƣời đầu tiên ghi đƣợc sóng điện não EEG. Ông
nhận thấy trên bản ghi EEG bình thƣờng, sóng điện não gồm có 4 loại đƣợc phân theo tần số nhƣ sau:

Hình 2.2 Phân loại sóng điện não [5]

Sóng Alpha (α): nằm trong khoảng tần số 8-13 Hz, biên độ từ 30-50 μV. Sóng Alpha thể hiện rõ
khi ngồi trong phòng tối, trong điều kiện không hoạt động thể lực và trí óc, nằm hay ngồi ở tƣ thế
thoải mái, các cơ đƣợc thƣ giãn và không có các kích thích từ ngoài. Càng tập trung sự chú ý và căng
thẳng trong lao động trí óc hoặc khi kích thích lên các thụ cảm thể càng mạnh, sóng Alpha càng
nhanh chóng đƣợc thay bằng sóng Beta.
Sóng Beta (β): nằm trong khoảng 13-35 Hz, biên độ từ 5-20 μV. Thƣờng ghi nhận đƣợc ở vùng
đỉnh và vùng trán của sọ khi hoạt động tinh thần nhiều hoặc căng thẳng, hay kích thích hệ thần kinh
trung ƣơng mạnh do giác quan (nhƣ sự mở mắt).
Sóng Theta (θ): nằm trong khoảng 4-8 Hz, biên độ khoảng 50 μV. Sóng này thƣờng đƣợc quan
sát thấy ở ngƣời trƣởng thành khi đang trong trạng thái buồn ngủ, trong các giai đoạn ngủ nông hoặc
trong gây mê.
Sóng Delta (δ): nằm trong khoảng 0.5-4 Hz, có biên độ cao nhất trong các sóng điện não. Sóng
này xuất hiện ở trẻ con, khi ngủ sâu ở ngƣời trƣởng thành hoặc khi có tổn thƣơng thực thể nặng ở
não. Sóng này xuất hiện ở trẻ con, khi ngủ sâu ở ngƣời trƣởng thành hoặc khi có tổn thƣơng thực thể
nặng ở não.
2.1.2 Ảnh hƣởng của tín hiệu điện mắt, tín hiệu điện cơ lên tín hiệu điện não
Tín hiệu EOG là sự chênh lệch điện áp giữa giác mạc và võng mạc của mắt. Điện thế này nằm
trong khoảng 0.4 – 1 mV. Sự chênh lệch điện áp này thay đổi trong suốt quá trình chuyển động của
mắt, và điện áp đo đƣợc gần nhƣ tỉ lệ với góc nhìn. Chúng ta có thể ghi nhận chênh lệch điện áp này
tƣơng ứng với mức độ chuyển động và hƣớng chuyển động của mắt để làm kênh tham chiếu. [6]
Khi giác mạc hay võng mạc của mắt chuyển động sẽ không những làm thay đổi độ chênh lệch
điện thế tạo ra tín hiệu EOG mà còn ảnh hƣởng làm thay đổi điện thế ở các vị trí khác trên da đầu và
do đó làm thay đổi tín hiệu EEG. [6]

Tín hiệu EOG có nhiều tính chất đặc trƣng riêng, khác biệt với các tín hiệu EEG đồ thông thƣờng.
Việc nghiên cứu và phân tích các tính chất của các tín hiệu EOG là nền tảng quan trọng để áp dụng
và kiểm tra các thuật toán nhận dạng chuyển động mắt trong tín hiệu EEG.
Tín hiệu EMG là tín hiệu tạo ra bởi sự điều khiển hoạt động của cơ bắp. Nó chứa thông tin về cấu
trúc cơ của từng bộ phận khác nhau trên cơ thể. Tín hiệu EMG ảnh hƣởng lên tín hiệu EEG khi bệnh
nhân có những cử động về cơ trong lúc đo điện não, đặc biệt là những cơ trên khuôn mặt. Bởi vì các
cơ này rất gần với các điện cực EEG ở mắt, vì thế chúng gây những ảnh hƣởng đáng kể lên tín hiệu
điện não ta thu đƣợc.
2.2 TỔNG QUAN VỀ THIẾT BỊ EPOC EMOTIV
Emotiv EPOC đƣợc thiết kế và phát triển bởi công ty Emotiv Systems Inc vào đầu năm 2008 do 2
doanh nhân gốc Việt: Đỗ Hoài Nam (Nam Do) và Lê Thái Thị Tần (Tan Le) đồng sáng lập.
Thiết bị Emotiv EPOC là sản phẩm cảm biến gọn nhẹ, gồm 14 điện cực thu tín hiệu và 2 điện cực
tham chiếu với tần số lấy mẫu là 128 Hz. Thiết bị phân tích và xử lý tín hiệu não bộ thu đƣợc từ vỏ
não của ngƣời sử dụng giúp ngƣời dùng giao tiếp và tƣơng tác với máy tính thông qua suy nghĩ.
Đi kèm với thiết bị là các gói phần mềm tiện ích đƣợc nhà sản xuất cung cấp cho ngƣời sử dụng
để phát triển, nâng cao các ứng dụng trong nghiên cứu, học thuật…bao gồm gói các công cụ tích hợp
và gói các công cụ phát triển phần mềm. Gói các công cụ tích hợp gồm có 3 công cụ chính:
• Control Panel: đây là chƣơng trình quản lý tổng thể các dữ liệu và tín hiệu của thiết bị. Chƣơng
trình này hiển thị các thông tin của thiết bị bao gồm thông tin về ngƣời dùng và dung lƣợng pin,
thông tin về độ nhạy của cảm biến, biểu đồ biểu cảm của khuôn mặt, biểu đồ về cảm xúc và chƣơng
trình luyện tập sử dụng thiết bị.
• EmoComposer: chƣơng trình này cho phép ta mô phỏng lại toàn bộ các tín hiệu của thiết bị thật
gửi vào máy tính (không bao gồm dữ liệu các kênh tín hiệu). Nó giúp mô phỏng toàn bộ hoạt các
hoạt động chức năng của thiết bị EPOC dùng để kiểm tra tính chính xác của chƣơng trình Control
Panel và dùng để thay thế thiết bị thật khi ngƣời dùng không có thiết bị thật.
• EmoKey: chƣơng trình này là chƣơng trình lập bản đồ các thao tác đã đƣợc ngƣời sử dụng lập
trình từ trƣớc, từ đó dịch thành các tổ hợp phím hay các lệnh để có thể sử dụng trong các chƣơng
trình khác.
Gói các công cụ phát triển phần mềm: Gói này bao gồm chƣơng trình TestBench và thƣ viện
SDK.
- Chƣơng trình TestBench: đây là chƣơng trình thu thập các dữ liệu thô thu nhận đƣợc từ các điện
cực. Chƣơng trình này bao gồm các công cụ phân tích lọc nhiễu và kiểm tra tín hiệu. Dữ liệu thu thập
đƣợc từ TestBench đƣợc lƣu dƣới chuẩn file EDF và CSV.
- Bộ thƣ viện SDK: bao gồm các tập tin thƣ viện liên kết động sử dụng trong lập trình giao tiếp
API (Application Programming Interface): edk.h, EmoStateDLL.h, edkErrorCode.h, edk.dll and
edk_utils.dll. Đây là một thƣ viện liên kết động, thƣ viện chứa các hàm API tƣơng tác với thiết bị
EPOC bao gồm các hàm kết nối, các hàm trả về kết quả các trạng thái…Việc xây dựng các hàm API
dƣới dạng thƣ viện liên kết động (.dll) một phần có tác dụng bảo mật, một phần giúp cho thiết bị
EPOC có thể kết nối đƣợc trên nhiều môi trƣờng khác nhau.

Các dữ liệu EEG thu đƣợc từ điện cực sẽ đƣợc truyền qua máy tính bằng kết nối không dây thông
qua một USB đặc biệt đƣợc nhà sản xuất cung cấp kèm theo thiết bị. Vị trí các điện cực của EPOC
đƣợc thể hiện ở hình bên dƣới.
Hình 2.3 Sơ đồ điện cực của EPOC

2.3 MÔI TRƢỜNG LẬP TRÌNH, ĐIỀU KHIỂN
2.3.1 Giới thiệu về LabVIEW
LabVIEW là viết tắt của cụm từ Laboratory Virtual Instrumentation Engineering Workbench,
đƣợc phát triển bởi công ty National Instruments và đƣợc biết đến nhƣ là 1 phần mềm lập trình bằng
đồ họa. Chính vì vậy, LabVIEW đƣợc các nhà khoa sử dụng trong ứng dụng về đo lƣờng, kiểm tra và
điều khiển hệ thống.
Chƣơng trình LabVIEW cũng đƣợc gọi là chƣơng trình tích hợp các thiết bị ảo, bởi vì nó có sẵn
những thiết bị đo vật lý nhƣ máy dao động ký, đồng hồ đa năng. Một chƣơng trình LabVIEW đặc
trƣng bao gồm 1 thƣ mục Project, Front Panel và Block Panel.
 Thƣ mục Project cho phép việc quản lý các thƣ mục, các chƣơng trình con và chính là những
VI( Virtual Instruments).
 Front Panel là chƣơng trình thiết kế giao diện với ngƣời dùng. Giao diện này có thể đƣợc thiết
kế rất dễ dàng và linh động.
 Block Panel hay Block Diagram là nơi chứa các đoạn code thực thi của chƣơng trình, nơi
triển khai các giải thuật tính toán và xử lý.
Hình 2.4 Giao diện làm việc của LabVIEW

Thông thƣờng, một VI sẽ bao gồm 2 phần, một bên là Front Panel, một bên là Block Diagram và
các Terminal kết nối.

Phần mềm còn cung cấp các thƣ viện lập trình thu thập dữ liệu từ các phần cứng của các hãng
khác nhƣ Tektronix, Texas Instruments,…, thƣ viện xử lý tín hiệu, lƣu trữ dữ liệu. Hỗ trợ các chuẩn
giao tiếp thông dụng và công nghiệp nhƣ USB, GPIB, PXI, chuẩn giao tiếp mạng TCP/IP…
Trong đề tài luận văn của nhóm, chúng tôi đã sử dụng LabVIEW để thu thập, tiền xử lý dữ liệu
với phần cứng FPGA của hãng National Instruments là bộ NI MyRiO 1900. Tín hiệu khi đo về sẽ
đƣợc nhận dạng để có thể quyết định tín hiệu điều khiển xe lăn.
Hình 2.5 NI MyRIO 1900

Trên nền tảng phần cứng MyRiO tích hợp FPGA +Processor và modeul WiFi, giá cả phù hợp cho
nghiên cứu của sinh viên, hỗ trợ các chuẩn giao tiếp đầy đủ, cảm biến.
Thƣ viện sử dụng trên LabVIEW bao gồm các thƣ viện Real time, FPGA Deployment, và Math
Srcipt Realtime.
2.3.2 Môi trƣờng lập trình MatLab
MatLab là 1 chƣơng trình tính toán số học. Viết tắt của cụm từ Matrix Laboratory, thể hiện chức
năng chính là các phép tính vector và ma trận.
Hình 2.6 MatLab và các ứng dụng

MatLab là 1 ngôn ngữ cấp cao dành cho kỹ thuật. Tích hợp khả năng tính toán, mô hình hóa hệ
thống và dễ dàng lập trình. MatLab bao gồm :

- Tính toán toán học

- Phát triển giải thuật
- Mô hình hóa và mô phỏng hệ thống điều khiển, đo lƣờng
- Phân tích dữ liệu, khai triển, thống kê và xác suất
- Đồ họa trong lĩnh vực khoa học và kỹ thuật
- Môi trƣờng phát triển ứng dụng, lập trình giao diện ngƣời sử dụng GUI (Graphical User
Interface).
MatLab đã đang đƣợc sử dụng rất nhiều trong rất nhiều lĩnh vực khác nhau nhờ đƣợc tích hợp rất
nhiều các thƣ viện và môi trƣờng, đƣợc gọi là các add-ons hay các công cụ giúp ngƣời dùng có thể
khai thác đƣợc hiệu quả cho công việc. Đó cũng chính là điều rất quan trọng cho các lập trình viên có
thể học và ứng dụng đƣợc các kỹ thuật khác nhau. Các công cụ hỗ trợ đắc lực của MatLab gồm có:
xử lý số tín hiệu, điều khiển hệ thống, mạng Neural Networks, Fuzzy Logic, Wavelets, mô phỏng và
nhiều công cụ khác.
Trong phần mềm MatLab gồm có 5 phần chính sau:
 Ngôn ngữ lập trình MatLab : Đây là 1 ngôn ngữ cấp cao dành cho các lập trình viên khi
lập trình liên quan đến các ma trận, chuỗi, vector với các hàm điều khiển, cấu trúc dữ liệu,
hàm nhập xuất, và các ứng dụng lập trình hƣớng đối tƣợng. Cho phép việc xây dựng từ các
chƣơng trình đơn giản đến những chƣơng trình phức tạp, yêu cầu có sự tƣơng tác với
ngƣời dùng.
 Môi trƣờng làm việc MatLab : Môi trƣờng cho phép cài đặt, lập trình và biên dịch các
đoạn code, chƣơng trình. Quản lý các biến, môi trƣờng làm việc workspace và công cụ cho
phép import hay export dữ liệu. Bên cạnh đó, còn có các công cụ cho việc phát triển, quản
lý dự án, gỡ rối chƣơng trình, và các tập tin M- files, các ứng dụng MatLab.
 Công cụ đồ họa : Tích hợp các câu lệnh ở mức lập trình cấp cao cho việc vẽ, đồ họa ở mức
2D hoặc 3D, xử lý ảnh, hình động animations và biểu diễn đồ họa, cho phép ngƣời dùng có
thể tùy chỉnh giao diện đồ thị, hoặc xây dựng các GUI.
 Thƣ viện các hàm toán học : Hỗ trợ rất nhiều hàm tính toán của toán học, từ những phép
tính toán cơ bản cho đến những hàm toán học phức tạp nhƣ Fourier, vi phân, tích phân,
ODE 23, 45,…Các phép toán thao tác trên ma trận, lấy ma trận nghịch đảo, hàm Bessel,
xây dựng các hàm truyền của hệ thống tuyến tính hay bất biến.
 Môi trƣờng phát triển các chƣơng trình lập trình giao diện: Đây là 1 thƣ viện cho phép lập
trình viên có thể tái sử dụng các đoạn chƣơn trình đƣợc viết ở ngôn ngữ C và Fortran. Các
đoạn chƣơng trình này có thể tƣơng tác đƣợc với MatLab thông qua các hàm gọi từ thƣ
viện động DLL( Dynamic Linking Library), qua đó, ngƣời dùng có thể sử dụng lại chƣơng
trình này trong các m- files của MatLab mà không cần phải chuyển đoạn code từ C sang
MatLab.
Chính vì vậy, nhóm chúng tôi đã quyết định sử dụng MatLab trong luận văn, để tiến hành xử lý dữ
liệu, phân tích FFT, import dữ liệu của sóng điện não. Nhận dạng đƣợc các đặc trƣng của tín hiệu
điện não.
Việc kết hợp 2 công cụ MatLab - LabVIEW nhằm giúp việc giải quyết vấn đề nhanh và hiệu quả
hơn bao giờ hết. Mỗi công cụ có 1 thế mạnh riêng của mình, 1 công cụ về toán học và xử lý dữ liệu;
còn công cụ kia thì dùng cho mục đích đo lƣờng và điều khiển trong hệ thống nhúng.

2.4 Phép phân tích Fourier và phép biến đổi Wavelet

2.4.1 Phép phân tích Fourier
2.4.1.1 Định nghĩa
Hiện nay trong lĩnh vực xử lý tín hiệu, phƣơng pháp phân tích Fourier là một phƣơng pháp phổ
biến và đƣợc biết đến nhiều nhất, đƣợc sử dụng nhƣ một bƣớc cơ bản trƣớc khi tiến hành phân tích
chuyên sâu. Phân tích Fourier là một ký thuật biến đổi tín hiệu từ miền thời gian sang miền tần số
đƣợc mô tả nhƣ hình bên dƣới.
Amplitude
Amplitude
Fourier
Transform
Time Frequency
Hình 2.7 Phép biến đổi Fourier

Cho một hàm f (t ) liên tục theo thời gian t và khả tích, khi đó, biến đồi Fourier của hàm f (t ) đƣợc
định nghĩa nhƣ sau: [7]

F ( )  

f (t )eit dt (2.1)
Với F ( ) là biến đổi Fourier của hàm f (t )

Từ định nghĩa trên, ta có hàm biến đổi Fourier ngƣợc nhƣ công thức bên dƣới: [7]

1
 F ( )e d
it
f (t )  (2.2)
2 
2.4.1.2 Biến đổi Fourier liên tục


X ( )   x(t )e
 it (2.3)
dt


1
 X ( )e d
it
x(t )  (2.4)
2 
2.4.1.3 Biến đổi Fourier rời rạc


X ( )   x(t )eit (2.5)

1 
x(t )  
N 
X ( )eit (2.6)
Ƣu, nhƣợc điểm của phƣơng pháp biến đổi Fourier: Phƣơng pháp này cung cấp cho ta các
thông tin về tần số của tín hiệu một cách nhanh và chính xác nhất – những thông tin mà ta không thể
có đƣợc nếu xử lý tín hiệu ở miền thời gian. Tuy nhiên, khi biến đổi sang miền tần số thì thông tin
thời gian lại bị mất nên nhìn vào một biến đổi Fourier, ta không thể nào biết đƣợc thời gian diễn ra sự
kiện đó. Nếu tín hiệu có các thuộc tính không thay đổi nhiều theo thời gian thì nhƣợc điểm kể trên
không đáng kể. Nhƣng nếu tín hiệu chứa các thông số “động” nhƣ: trôi, nghiêng, biến đổi đột nghột,
sự khởi đầu và kết thúc của các sự kiện… thì Fourier không thể phát hiện đƣợc. [7]
2.4.2 Phép biến đổi Wavelet
Amplitude
Wavelet
Scale
Transform
Time Time
Hình 2.8 Phép biến đổi Wavelet

Wavelet là một công cụ hữu ích cho việc phân tích tín hiệu EEG gốc thành nhiều tín hiệu thành
phần có khoảng phân bố tần số riêng biệt. Nếu phƣơng pháp Fourier phân tích tín hiệu dƣới dạng các
hàm sin, cos thì phép biến đổi Wavelet mô tả tín hiệu theo các hàm Wavelet. Các hàm Wavelet là
một dạng sóng có thời gian duy trì tới hạn và giá trị trung bình bằng 0, chúng có đồng thời đặc tính
thời gian và đặc tính tỉ lệ. So sánh Wavelet với sóng sin (cơ sở của phân tích Fourier): sóng sin có
chu kỳ vô hạn – nó kéo dài từ âm vô cùng đến dƣơng vô cùng, trơn và theo quy luật, còn sóng
Wavelet lại bất thƣờng và bất đối xứng. [7]
Hình 2.9 Sóng Sin và sóng Wavelet [7]

Tƣơng tự nhƣ sự phân tích tín hiệu thành sóng sin với các tần số khác nhau của phƣơng pháp
Fourier, phân tích Wavelet cũng chia tách tín hiệu thành các phiên bản dịch vị và tỉ lệ của tín hiệu
Wavelet cơ bản. Nhìn vào hình sóng sin và Wavelet, ta có thể thấy rằng các tín hiệu với sự thay đổi
nhanh có thể phân tích tốt hơn với một Wavelet bất ổn định hơn là với một sóng sin trơn. Các đặc
tính cục bộ sẽ đƣợc miêu tả tốt hơn với các Wavelet vốn có tính cục bộ.
2.4.2.1 Biến đổi Wavelet liên tục
Về mặt toán học, quá trình phân tích Fourier đƣợc thực hiện bởi biến đổi Fourier theo công thức
(2.1). Nghĩa là tổng ở mọi thời điểm của tín hiệu f (t ) nhân với một hàm mũ phức. Kết quả của phép
biến đổi Fourier là các hệ số Fourier F(ω). Các hệ số Fourier mà khi nhân với một sóng sin tần số ω
sẽ thành các thành phần sin tạo ra tín hiệu nguyên thủy. Về mặt hình học, tiến trình nhƣ trên hình sau:
Hình 2.10 Phân tích tín hiệu bằng phép biến đổi Fourier
Tƣơng tự biến đổi Wavelet đƣợc xác định là tổng trên toàn khoảng thời gian của tín hiệu nhân
theo tỉ lệ và dịch mức của hàm wavelet ψ.

C (scale, position)  

f (t ) (scale, position) dt (2.7)
Kết quả của CWT là rất nhiều các hệ số Wavelet C(scale, position), đó là hàm của tỉ lệ và vị trí.
Nhân mỗi hệ số với Wavelet theo tỉ lệ và dịch mức tƣơng ứng lại tạo thành tín hiệu nguyên thủy. [7]
Hình 2.11 Phân tích tín hiệu bằng phép biến đổi Wavelet
2.4.2.2 Định tỉ lệ (Scaling)
Thông số tỉ lệ trong phân tích Wavelet tỉ lệ nghịch với độ lớn tần số của tín hiệu. Tỉ lệ lớn (tần số
thấp) tƣơng ứng với thông tin tổng quát về tín hiệu, tỉ lệ nhỏ (tần số cao) tƣơng ứng với thông tin của
những tín hiệu có tần số cao (thành phần thƣờng ẩn trong tín hiệu, khó nhận biết). Hình sau thể hiện
sóng sin và sóng Wavelet với những tỉ lệ a khác nhau.

Hình 2.12 Đặc tính tỷ lệ của sóng Sin
Hình 2.13 Đặc tính tỷ lệ của sóng Wavelet
2.4.2.3 Dịch
Hình 2.14 Sự dịch tín hiệu Wavelet
Dịch một Wavelet nghĩa là làm trễ bản thân nó, Về mặt toán học, sự trễ của một hàm f(t) đi k đƣợc
đặc trƣng f(t-k).

2.4.2.4 Biến đổi Wavelet rời rạc

Quá trình biến đổi Wavelet rời rạc còn gọi là quá trình phân tách đa mức. Quá trình này có thể
đƣợc lặp lại, với xấp xỉ hoàn toàn đƣợc tách ra, do đó một tín hiệu đƣợc tách thành nhiều thành phần
phân giải thấp hơn. Nó đƣợc gọi là cây phân tách Wavelet (Wavelet Decomposition Tree). Xem xét
cây phân tách Wavelet tín hiệu có thể thu đƣợc những thông tin hữu ích.
Hình 2.15 Cây phân tách Wavelet

2.5 Hệ số tƣơng quan mẫu (Coefficient Correlation)
Trong lý thuyết xác suất và thống kê, hệ số tƣơng quan (Coefficient Correlation) cho biết độ mạnh
của mối quan hệ tuyến tính giữa hai biến số ngẫu nhiên. Hệ số tƣơng quan giữa 2 biến có thể dƣơng
(positive) hoặc âm (negative). Hệ số tƣơng quan dƣơng cho biết rằng giá trị 2 biến tăng cùng nhau
còn hệ số tƣơng quan âm thì nếu một biến tăng thì biến kia giảm.
n
 ( xi  x )(yi  y )
rxy  n
i 1
n
(2.8)
Ta gọi:
 ( xi  x )2  (yi  y )2
i 1 i 1
là hệ số tƣơng quan mẫu giữa X và Y.

Trong đó, x là trung bình của mẫu X

y là trung bình của mẫu Y
xy là trung bình của hai mẫu X, Y
s X , s Y lần lƣợt là độ lệch của hai mẫu X, Y
Hình 2.16 Đồ thị thể hiện độ mạnh và hướng tương quan của 2 biến
Hệ số tƣơng quan có thể nhận giá trị từ -1 đến +1

CHƢƠNG 3. PHƢƠNG PHÁP NGHIÊN CỨU
3.1 THU THẬP VÀ XỬ LÝ DỮ LIỆU ĐIỆN NÃO

3.1.1 Phƣơng pháp thu thập dữ liệu
Hãng Emotiv cung cấp cho ngƣời dùng một gói công cụ SDK đi kèm với thiết bị EPOC nhằm
giúp ngƣời sử dụng thu thập và truy xuất dữ liệu. Dữ liệu đƣợc thu thập liên tục bằng các điện cực
trên headset. Sau khi đƣợc chuyển đổi sang dạng số, tín hiệu điện não đƣợc xử lý và kết quả đƣợc
truyền tải không dây đến bộ nhận USB trên máy tính. Một thành phần phần mềm xử lý sau thu nhận
gọi Emotiv EmoEngine ™ chạy trên máy tính và đƣa ra kết quả nhận dạng cho các ứng dụng thông
qua Emotiv Application Programming Interface (Emotiv API). Emotiv SDK cũng cho phép các nhà
nghiên cứu phát triển hệ thống thu nhận dữ liệu của mình bằng EPOC tích hợp với SDK cộng với
ngôn ngữ C++, Java, MatLab, LabVIEW.
Trong luận văn này, nhóm sử dụng MatLab làm công cụ để thiết lập các thuật toán và nhận dạng
tín hiệu, LabVIEW đƣợc dùng trong thuật toán thu thập tín hiệu và điều khiển thiết bị.
Giao diện thu thập dữ liệu EEG của LabVIEW:
Hình 3.1 Giao diện thu tín hiệu trên LabVIEW

Một số quy ƣớc trong thu thập tín hiệu:
+ Bằng quan sát thực tế những kênh điện não EEG đƣợc thu bởi thiết bị EPOC Emotiv cộng với
việc tìm hiểu những tài liệu có liên quan, ta có thể thấy đƣợc 4 kênh AF3, F7, F8, AF4 là những kênh
có sự thay đổi lớn nhất về biên độ tín hiệu khi mắt có chuyển động [4]. Vì vậy, ta sẽ truy xuất dữ liệu
trên 4 kênh này để thực hiện mục tiêu của đề tài.

Hình 3.2 Tín hiệu được truy xuất từ 4 kênh AF3, F7, F8 và AF4
+ Qua khảo sát thực nghiệm, nhóm tiến hành thu thập 5 loại tín hiệu điện não có chuyển động của
mắt là: chớp mắt chậm 1 lần kí hiệu là B (Blink), chớp mắt nhanh 2 lần kí hiệu là D (Double Blink),
liếc mắt trái kí hiệu là L (Left-glance), liếc mắt phải kí hiệu là R (Right-glance) và tín hiệu thƣ giãn
kí hiệu là X (relaX).
+ Kí hiệu cho đối tƣợng lấy tín hiệu là 01. Do một số hạn chế nhƣ đối tƣợng phải cho ra đƣợc tín
hiệu rõ ràng, và phải thƣờng xuyên tiến hành lấy mẫu tín hiệu nên trong đề tài này chỉ tiến hành thí
nghiệm trên 1 đối tƣợng. Vì vậy kí hiệu cho đối tƣợng cố định ở con số 01.
Do đó ta sẽ có tên cho mẫu tín hiệu có dạng: 01Ab-dd_mm_yyyy
Trong đó A là ký hiệu quy ƣớc của loại tín hiệu thu thập (B, D, L, R, X)
B là số thứ tự của mẫu (1, 2, 3,….)
dd_mm_yyyy : lần lƣợt là ngày, tháng, năm thu thập dữ liệu
+ Vì đối tƣợng của đề tài này là các bệnh nhân bị bại liệt nên trong quá trình thu thập dữ liệu yêu
cầu đối tƣợng thí nghiệm phải trong trạng thái bất động và thƣ giãn để cho ra đƣợc tín hiệu tốt nhất.

Bảng 3.1 Số lƣợng các mẫu đã thu thập đƣợc

Ngày B D L R X
20/09/2016 3 5 3 3 3
28/09/2016 7 5 7 7 7
05/10/2016 10 10 10 10 10
09/10/2016 10 10 10 10 10
14/10/2016 10 10 10 10 10
24/10/2016 30 30 30 30 30
04/11/2016 0 0 34 36 0
05/11/2016 0 0 35 35 0
08/11/2016 35 31 0 0 35
10/11/2016 35 0 0 0 35
Tổng 140 101 139 141 140
Tổng cộng có 661 mẫu tín hiệu, trong đó có 200 mẫu tín hiệu 30s và 461 mẫu tín hiệu 5s.
3.1.2 Xử lý tín hiệu

Quy trình xử lý dữ liệu EEG tổng quát đƣợc trình bày theo sơ đồ khối dƣới đây:

Thu thập mẫu tín hiệu EEG
Không đạt Thu thập

mẫu dữ liệu
Kiểm tra chất
lƣợng tín hiệu
Đạt
Khử nhiễu, khử trôi tín hiệu Xử lý thô
Các thuật toán xử lý tín hiệu cơ bản: Xử lý cơ

Wavelet - Fourier bản
Phân tích chuyên sâu và thống kê các Xử lý

thông số rút ra từ khâu xử lý cơ bản chuyên biệt
Đƣa ra kết luận và nhận xét từ kết quả xử lý Hậu xử lý
Hình 3.3 Quy trình xử lí dữ liệu EEG tổng quát
3.1.2.1 Kiểm tra chất lƣợng tín hiệu

Trong quá trình đo tín hiệu điện não, có rất nhiều nguyên nhân dẫn đến mẫu tín hiệu bị sai sót,
không đƣợc nhƣ mong muốn nhƣ sự hồi hộp hay lơ đãng, mất tập trung. Bên cạnh đó, ta đang đo tín
hiệu điện não có chuyển động của mắt, vì vậy việc mắt chuyển động có dứt khoát hay không, động
tác này có lẫn lộn với các động tác khác hay không cũng góp một phần không nhỏ vào chất lƣợng tín
hiệu.

Hình 3.4 Tín hiệu D không đạt chất lượng

Những mẫu tín hiệu tốt, đƣợc chọn là những mẫu ít nhiễu, hình dạng sóng cho từng động tác rõ
ràng, biên độ vƣợt trội.
Hình 3.5 Tín hiệu D đạt chất lượng

3.1.2.2 Khử nhiễu, khử trôi tín hiệu
Tín hiệu EEG ta đang làm việc nằm ở vùng tần số từ 0.5 Hz đến 35 Hz. Vì vậy, những tín hiệu
nằm ngoài khoảng tần số này đƣợc xem là nhiễu, làm ảnh hƣởng đến kết quả phân tích tín hiệu của
chúng ta. Ngoài việc cần giới hạn lại vùng tần số ta đang làm việc thì cần phải loại bỏ nhiễu bên
ngoài nhƣ nhiều nhất là nhiễu điện lƣới 50 Hz và các tín hiệu bị trôi đƣờng đẳng điện ở tần số thấp
dƣới 0.5 Hz. Việc khử nhiễu và khử trôi tín hiệu đƣợc thực hiện bởi phép biến đổi Wavelet.
Hình 3.6 Tín hiệu EEG đã qua lọc nhiễu

3.1.2.3 Phân tích các đặc trƣng của tín hiệu EEG bằng phép biến đổi Wavelet và phép
biến đổi Fourier
Phân tích phổ Fourier
Ta sử dụng phép biến đổi Fourier để phân tích phổ nhằm tìm ra các đặc trƣng của tín hiệu EEG
trên miền tần số nhằm tiến tới xây dựng thuật toán nhận dạng chuyển động mắt.
Hình 3.7 Giao diện thu nhận tín hiệu EEG của EPOC

Hình 3.8 Phổ công suất của tín hiệu điện não EEG
Đại lƣợng P (μV2 ) đƣợc gọi là công suất phổ tín hiệu, đƣợc tính theo công thức sau:
1
P( )  X ( ) X ( ) (3.1)
N
Trong đó, P( ) là công suất phổ tín hiệu
X( ) là hàm phức của mật độ công suất phổ
X ( ) là hàm phức liên hợp của X( )
N là độ dài tín hiệu

Không làm mất tính tổng quát, ta chọn ngẫu nhiên 5 mẫu số liệu thí nghiệm hành vi chớp mắt (B)
để minh họa cho kết quả phân tích phổ công suất tín hiệu EEG đƣợc trình bày ở bảng 3.2

Bảng 3.2 Kết quả giá trị tổng mật độ phổ công suất (P) của 5 mẫu thuộc hành vi B
Giá trị tổng mật độ phổ công
Mẫu Phổ công suất tín hiệu
suất của các vùng sóng
Pδ = 103281.8697 μV2
Pθ = 5016.9 μV2
01B2
(10/11/2016) Pα = 3132.7206 μV2
Pβ = 2098.0879 μV2
Pδ = 63762.3339 μV2
Pθ = 4071.3587 μV2
01B6
(14/10/2016) Pα = 2966.7818 μV2
Pβ = 3103.945 μV2
Pδ = 36625.5217 μV2
Pθ = 2907.2084 μV2
01B8
(10/11/2016) Pα = 3399.1656 μV2
Pβ = 1893.141 μV2
Pδ = 42300.0783 μV2
Pθ = 3682.8776 μV2
01B16
(10/11/2016) Pα = 3245.8561 μV2
Pβ = 2061.5081 μV2
Pδ = 25403.0872 μV2
Pθ = 2331.4552 μV2
01B21
(10/11/2016) Pα = 1584.232 μV2
Pβ = 1853.6197 μV2

Nhận xét:
Ta thấy, các phổ đều có công suất tín hiệu tập trung ở vùng [0.5 Hz; 4 Hz] (thuộc vùng tần số của
sóng Delta). Tuy nhiên, giá trị tổng mật độ phổ công suất tín hiệu P trên trục tung thay đổi thất
thƣờng giữa các file, kể cả là trong cùng một hành vi (theo bảng trên, các mẫu đều là số liệu thu đƣợc
từ thí nghiệm hành vi chớp mắt chậm - B). Ta không thể rút ra đƣợc quy luật biến thiên của đại lƣợng
tổng công suất tín hiệu Pi của các vùng hoặc đƣa ra nhận định so sánh các giá trị giữa các kênh, các
mẫu với nhau. Điều này gây khó khăn cho việc thống kê, phân tích số liệu về sau vì tính phân tán của
các kết quả tổng công suất tín hiệu của từng vùng. Chính vì vậy, ta cần một thông số thể hiện đƣợc
đặc trƣng phân bố công suất tín hiệu của từng vùng trên phổ mà lại khắc phục đƣợc tính phân tác của
đại lƣợng tổng công suất. Vì vậy, nhóm đề xuất sử dụng hệ số tỷ lệ công suất R đƣợc tính bằng công
thức:
Pi
Ri 
 Pi
(3.2)
Với: R là hệ số tỷ lệ công suất phổ tín hiệu

P (μV2) là công suất phổ tín hiệu
i lần lƣợt là δ, θ, α, β
Giá trị của thông số R của 5 mẫu tín hiệu thuộc hành vi B đƣợc trình bày nhƣ bảng phía dƣới.

Bảng 3.3 Kết quả giá trị tỷ lệ tổng mật độ phổ công suất (R) của 5 mẫu thuộc hành vi B
Giá trị tỷ lệ tổng mật độ phổ
Mẫu Phổ công suất tín hiệu
công suất của các vùng sóng
Rδ = 0.90974
Rθ = 0.04419
01B2
(10/11/2016) Rα = 0.027594
Rβ = 0.018481
Rδ = 0.86277
Rθ = 0.05509
01B6
(14/10/2016) Rα = 0.040143
Rβ = 0.04199
Rδ = 0.81708
Rθ = 0.064857
01B8
(10/11/2016) Rα = 0.075832
Rβ = 0.042234
Rδ = 0.82472
Rθ = 0.071805
01B16
(10/11/2016) Rα = 0.063284
Rβ = 0.040193
Rδ = 0.81492
Rθ = 0.074792
01B21
(10/11/2016) Rα = 0.050822
Rβ = 0.059464

Tiếp theo, ta chọn ngẫu nhiên 1 mẫu dữ liệu cho mỗi loại tín hiệu và không làm thay đổi tính tổng
quát, các giá trị tổng công suất P và tỷ lệ công suất R đƣợc trình bày nhƣ bảng 3.4.
Bảng 3.4 Kết quả giá trị công suất phổ P và tỷ lệ công suất R của tín hiệu thuộc các hành vi
khác nhau
Mẫu Phổ công suất tín hiệu kênh AF3 P R
Pδ = 58168.7721 μV2 Rδ = 0.85812

2
B25 Pθ = 3439.271 μV Rθ = 0.050737
(10/11/2016) Pα = 4177.0084 μV2 Rα = 0.06162
Pβ = 2001.3171 μV2 Rβ = 0.029524
Pδ = 50633.5253 μV2 Rδ = 0.84055

D4 Pθ = 4967.6188 μV2 Rθ = 0.082466
2
(08/11/2016) Pα = 2576.0128 μV Rα = 0.042763
Pβ = 2061.438 μV2 Rβ = 0.034221
Pδ = 30773.3942 μV2 Rδ = 0.84974

L6 Pθ = 2460.3553 μV2 Rθ = 0.067937
2
(05/11/2016) Pα = 1343.9352 μV Rα = 0.03711
Pβ = 1637.4434 μV2 Rβ = 0.045214
Pδ = 24004.3674 μV2 Rδ = 0.83394

R19 Pθ = 1910.441 μV2 Rθ = 0.066371
(05/11/2016) Pα = 1385.0192 μV2 Rα = 0.048117
Pβ = 1484.4835 μV2 Rβ = 0.051573
Pδ = 6314.733 μV2 Rδ = 0.15179

X2 Pθ = 4388.7544 μV2 Rθ = 0.10549
(10/11/2016) Pα = 27548.7154 μV2 Rα = 0.66218
Pβ = 3350.7832 μV2 Rβ = 0.080542
Từ bảng 3.2 và 3.3, ta có đồ thị thể hiện sự phân bố và độ sai lệch của các giá trị tổng công suất P
và tỷ lệ công suất R của 5 mẫu dữ liệu B (hình 3.9). Tƣơng tự cho bảng 3.4, ta có đồ thị hình 3.10

(a) (b)
Hình 3.9 Đồ thị thể hiện sự phân bố và độ sai lệch của 5 mẫu cùng hành vi B theo giá trị
tổng công suất P (a) và tỷ lệ công suất R (b)
(a) (b)
Hình 3.10 Đồ thị thể hiện sự phân bố và độ sai lệch của 5 mẫu khác hành vi theo giá trị
tổng công suất P (a) và tỷ lệ công suất R (b)
Nhận xét:
Bảng 3.5 So sánh đặc điểm giữa giá trị công suất P và tỷ lệ công suất R
Đặc điểm P R
Độ phân tán các giá trị Rất rộng Hẹp
Miền phân bố giá trị (0; +∞) (0; 1)
Độ chênh lệch giá trị của các nhóm cùng

Chênh lệch nhiều Chênh lệch rất ít
hành vi chuyển động mắt (B, D, L, R)
Thứ nguyên μV2 Vô thứ nguyên
Thông qua hệ số tỷ lệ tổng mật độ công suất phổ R của các vùng, đặc biệt là vùng delta, ta nhận
thấy các giá trị R là tƣơng đƣơng nhau và chênh lệch nhau không nhiều cho cùng một hành vi (B).

Điều này sẽ khiến cho công việc thống kê của ta đƣợc dễ dàng hơn. Bên cạnh đó, bảng so sánh 3.5 đã
cho ta thấy sự ƣu việt của hệ số tỷ lệ công suất R trong việc nhận dạng. Vì vậy, ta sẽ áp dụng hệ số tỷ
lệ công suất R thay cho hệ số tổng công suất P từ giờ đến khi kết thúc thuật toán.
Phép biến đổi Wavelet
Tần số lấy mẫu của thiết bị EPOC là 128Hz. Với hệ thống cây phân tách Wavelet (Wavelet
decomposition tree), các thành phần tín hiệu D sẽ có tần số trung tâm lần lƣợt là:
fD1 = 128/21 = 64 Hz fD5 = 128/25 = 4 Hz
fD2 = 128/22 = 32 Hz fD6 = 128/26 = 2 Hz
fD3 = 128/23 = 16 Hz fD7 = 128/27 = 1 Hz
fD4 = 128/24 = 8 Hz
Các thành phần Ai sẽ bằng tín hiệu ban đầu trƣớc đó trừ đi các thành phần Di tƣơng ứng.
Ai = Ai-1 - Di (3.3)
Vì tín hiệu EEG của chuyển động mắt có tần số nằm trong vùng sóng delta [0.5;4] Hz nên để lọc
đƣợc các tín hiệu trong vùng tần số này, ta dùng phép biến đổi Wavelet ở bậc 7. Những tín hiệu từ
bậc 8 trở về sau là tín hiệu trôi, cần phải loại bỏ.
3.2 NHẬN DẠNG CHUYỂN ĐỘNG MẮT THEO ĐẶC ĐIỂM CỦA
TÍN HIỆU EEG
3.2.1 Đặc điểm phổ công suất tín hiệu EEG ứng với từng loại hành vi
Theo yêu cầu của đề tài đặt ra, ta có 5 loại tín hiệu EEG tƣơng ứng với 5 loại hành vi chuyển động
của mắt cần phải phân biệt và nhận dạng đƣợc trình bày ở bảng 3.6
Bảng 3.6 Các loại tín hiệu điện não cần thu thập
Loại tín hiệu X B D L R

EEG (relaX) (Blink) (Double blink) (Left-glance) (Right-glance)
Thƣ giãn, mắt Chớp chậm Chớp nhanh

Hành vi của
không chuyển liên tiếp hai Liếc trái Liếc phải
mắt một lần
động lần
Chuyển động
Đứng yên Đi tới Đi lùi Rẽ trái Rẽ phải
của xe lăn

3.2.1.1 Phân tích đặc điểm phổ công suất của từng loại tín hiệu
Chọn ngẫu nhiên một mẫu tín hiệu X có phổ công suất tín hiệu EEG của 4 kênh đƣợc trình bày ở
hình 3.11
Hình 3.11 Phổ công suất tín hiệu EEG của hành vi X (thư giãn)
Từ hình 3.11, ta nhận thấy tính tƣơng tự về hình dạng phổ giữa 4 kênh. Đặc biệt, công suất tín
hiệu của sóng Alpha ở vùng tần số [8 Hz; 13 Hz] thể hiện rõ nét. Nhƣ ta đã biết ở phần lý thuyết, đối
với hành vi thƣ giãn, mở mắt, tâm trí không bị tác động bởi suy nghĩ thì sóng Alpha sẽ vƣợt trội.
Tiếp theo, ta chọn ngẫu nhiên một mẫu tín hiệu của mỗi loại tín hiệu B, D, L, R. Do đặc tính
tƣơng tự giữa các kênh nên không làm mất tính tổng quát khi ta chọn kênh AF3 để thể hiện phổ công
suất của từng loại tín hiệu đƣợc trình bày ở hình 3.12

Hình 3.12 Dạng phổ công suất tín hiệu của 4 loại hành vi B, D, L, R
Nhận xét: Phổ công suất tín hiệu ở vùng sóng Alpha xuất hiện không đáng kể đối với những hành
vi B, D, L, R. Cụ thể, hệ số Rα có khuynh hƣớng giảm mạnh. Bên cạnh đó, hệ số Rδ của phổ công
suất tín hiệu sóng Delta [0.5 Hz ; 4Hz] có khuynh hƣớng tăng cao khi hành vi của mắt mang tính
chuyển động. Vì vậy, Rα(X) > Rα(B,D,L,R) và Rδ(X) < Rδ(B,D,L,R) sẽ là dấu hiệu dùng để phân biệt tín hiệu
EEG của hành vi X so với những hành vi còn lại.
3.2.1.2 Phân tích đặc điểm phổ công suất của hành vi B và D
Qua quan sát thực nghiệm phổ công suất tín hiệu của hai hành vi B và D, ta thấy chúng có một số
điểm khác biệt đáng kể có thể dùng để phân biệt hai hành vi này với nhau.
Ta lƣu ý thêm rằng, phổ công suất vùng tần số [0.5 Hz ; 4 Hz] của sóng Delta có ảnh hƣởng bởi
tốc độ thực hiện hành vi của mắt. Để minh họa, ta xét ngẫu nhiên phổ công suất của một mẫu tín hiệu
từ hai nhóm B và D (hình 3.13)

Hình 3.13 Phổ công suất của tín hiệu nhóm B và tín hiệu nhóm D
Xét trên cùng khoảng phân bố tần số [0.5 Hz ; 4 Hz], ta nhận thấy rằng phổ công suất của tín hiệu
nhóm B mang tính đồng nhất khối, trong khi phổ của tín hiệu nhóm D thì thƣờng có khuynh hƣớng
phân chia làm hai phần riêng biệt. Để đơn giản hóa, ta quy hai dạng đặc trƣng phổ công suất của cả
nhóm B và D về các dạng tam giác nhƣ sau:
(a) B (b) D
Hình 3.14 Dạng tam giác thể hiện dạng phổ công suất của tín hiệu nhóm B và D
Với điều kiện cần: B là hành vi chớp mắt chậm và D là hành vi chớp mắt nhanh hai lần, ta sẽ đề
xuất và biện luận một thông số để phân biệt hành vi B và hành vi D.
Ta lần lƣợt có đƣợc các diện tích đƣợc xác định bởi các hình đƣợc xác định bởi các đoạn thẳng
tƣợng trƣng cho các khoảng tần số:

Bảng 3.7 Cách tính các diện tích hình học của hình 3.14
Đoạn thẳng
thể hiện Dạng theo hành vi B Dạng theo hành vi D
khoảng tần số
( )
AB
BD
AC
( )
CD
Chia vùng sóng Delta thành hai phần với các biên lần lƣợt đi qua B và C, vậy ta có 2 trƣờng hợp:
i - Biên đi qua điểm B:
S1 AB.  AE  BF 
Ta có:  (3.4)
S2 BF .BC  CD.CG
Với B là hành vi chớp mắt chậm, nên công suất tín hiệu có khuynh hƣớng phân bố lệch về miền
tần số thấp của vùng Delta. Xét trên hình 3.14(a), công suất tín hiệu của sóng Delta phân bố hầu hết
trên đoạn thẳng BC. Vì vậy, tỷ số công suất của vùng tần số đƣợc biểu thị bằng đoạn thẳng CD thực
tế có giá trị rất nhỏ, xem nhƣ không đáng kể. Khi đó, ta xem diện tích tam giác CDG gần nhƣ bằng 0.
( ) . / ( ) ( )
(3.5)
Với D là hành vi chớp mắt nhanh hai lần, công suất tín hiệu lại có khuynh hƣớng phân bố lệch về
miền tần số cao của vùng Delta. Xét trên hình 3.14(b), công suất tín hiệu của sóng Delta tập trung
nhiều ở đoạn BD. Khi đó, tam giác BDF’ có diện tích lớn hơn diện tích của tam giác ABE’
(3.6)

Nhƣ vậy, để phân biệt đƣợc hành vi B và hành vi D thì ta phải tìm điều kiện để: (3.7)
( )
( ) (3.8)
Do độ dài các đoạn thẳng AB, BC đều là các số thực dƣơng nên ta lấy căn bậc hai cả hai vế bất
phƣơng trình (3.8)
√ √ (3.9)
Vậy, để với điều kiện đủ là: (3.10)
Qua khảo sát thực tế, đối với hành vi B là mắt chớp chậm một lần, phổ có khuynh hƣớng tập trung
hầu hết công suất tín hiệu cả vùng sóng Delta trên đoạn AC với điểm C tại giá trị 3 Hz. Đối với hành
vi D, công suất tín hiệu cả vùng sóng Delta thƣờng đƣợc phân chia ở điểm B tại giá trị 1.5 Hz. Ngoài
ra ta còn có A, D lần lƣợt tại các giá trị 0.5 Hz và 4 Hz.
(3.11)
(3.12)
ii - Biên đi qua điểm C

Lập luận tƣơng tự, do diện tích tam giác CDG có giá trị thực tế rất nhỏ nên ta có:
(3.13)
Từ (3.12) và (3.13) (3.14)
Đặt và (3.15)
Từ (3.13) và (3.14) ta có (3.16)

Ta dùng thông số ρ để phân biệt hành vi B và hành vi D với
, - , -
(3.17)
, - , -
Với: P[a ; b] là công suất tín hiệu đƣợc giới hạn trong đoạn tần số [a ; b] (Hz)
Lấy khảo sát ngẫu nhiên một vài mẫu hành vi B và D từ thực tế (chọn kênh AF3):
Bảng 3.8 Giá trị thông số ρ của tín hiệu thuộc hành vi B và D
Hành vi B (chớp mắt chậm một lần) Hành vi D (chớp mắt nhanh hai lần)
Mẫu ρB Mẫu ρD
01B2 (10/11/2016) 781.8832 01D2 (08/11/2016) 4.9605
01B4 (10/11/2016) 1265.1756 01D4 (08/11/2016) 10.3090
01B8 (10/11/2016) 134.9885 01D8 (08/11/2016) 7.1855
01B16 (10/11/2016) 4037.5062 01D16 (08/11/2016) 4.6391
01B26 (10/11/2016) 57.1325 01D26 (08/11/2016) 8.9776
01B25 (08/11/2016) 45.2902 01D16 (08/11/2016) 4.6391
01B3 (24/10/2016) 204.8746 01D18 (24/10/2016) 8.5262
01B2 (09/10/2016) 160.4623 01D3 (09/10/2016) 2.6910
01B9 (05/10/2016) 131.8107 01D2 (05/10/2016) 4.5922
01B3 (20/09/2016) 330.5750 01D1 (20/09/2016) 6.4390
Hình 3.15 Minh họa giá trị ρ của tín hiệu thuộc hành vi B(a) và D(b)

Nhận xét: ở hầu hết các mẫu khảo sát. Vì vậy ta dùng dấu hiệu này để phân biệt phổ
công suất tín hiệu vùng Delta của hành vi B và hành vi D.
3.2.2 Hệ số tƣơng quan giữa các cặp kênh tín hiệu
Theo quan sát dạng tín hiệu thực tế, ta thấy hầu hết các mẫu tín hiệu thuộc các hành vi B, D, L và
R đều có dạng nhƣ hình sau:
Hình 3.16 Dạng tín hiệu của hành vi B
Hình 3.17 Dạng tín hiệu của hành vi D

Hình 3.18 Dạng tín hiệu của hành vi L
Hình 3.19 Dạng tín hiệu của hành vi R

Ta quy định, dạng tín hiệu có cực đại chính với đỉnh nhọn hƣớng lên là dạng ▲ , còn dạng tín
hiệu có cực tiểu chính đỉnh nhọn hƣớng xuống là dạng ▼.
Từ đó ta có bảng sau:
Bảng 3.9 Bảng qui định dạng tín hiệu của 4 hành vi B, D, L, R
Mẫu B D L R
Kênh
AF3 ▲ ▲ ▼ ▼
F7 ▲ ▲ ▲ ▼
F8 ▲ ▲ ▼ ▲
AF4 ▲ ▲ ▼ ▲
Ta có 4 kênh tín hiệu là AF3, F7, F8 và AF4. Lấy tổ hợp chập 2 của 4 kênh tín hiệu, ta đƣợc 6 cặp
tƣơng quan, đó là (AF3, F7), (AF3, F8), (AF3, AF4), (F7, F8), (F7, AF4) và (F8, AF4).
Từ lý thuyết hệ số tƣơng quan giữa hai mẫu số liệu, ta có bảng dự đoán khoảng phân bố giá trị hệ
số tƣơng quan giữa các cặp kênh theo lý thuyết với từng loại hành vi B, D, L, R (Bảng 3.10).
Bảng 3.10 Khoảng phân bố giá trị của hệ số tƣơng quan giữa kênh i và kênh j dự đoán theo lý
thuyết
Hành vi
B D L R
cri, j
( )
( )
( )
( )
( )
( )
Khảo sát một vài mẫu từ dữ liệu đo từ thí nghiệm của các hành vi B, D, L, R; ta đƣợc bảng 3.11

Bảng 3.11 Giá trị hệ số tƣơng quan của các cặp kênh tín hiệu thuộc hành vi B, D, L, R
cr(AF3,F7) cr(AF3,F8) cr(AF3,AF4) cr(F7,F8) cr(F7,AF4) cr(F8,AF4)

Mẫu (1) (2) (3) (4) (5) (6)
01B7 0.96804 0.81846 0.82042 0.78226 0.79611 0.87864
B 01B15 0.97976 0.92933 0.98463 0.92594 0.96084 0.93668
01B25 0.98068 0.93677 0.94487 0.93925 0.93906 0.93169
01D2 0.80903 0.80113 0.94422 0.91362 0.91902 0.89449
D 01D10 0.94383 0.85637 0.98115 0.87317 0.93803 0.89306
01D19 0.94445 0.91001 0.96951 0.9598 0.98402 0.95262
01L3 -0.53427 0.79984 0.86441 -0.88009 -0.811 0.96353
L 01L4 -0.33928 0.61454 0.78358 -0.72369 -0.58355 0.92143
01L20 -0.27052 0.73043 0.80373 -0.54989 -0.32168 0.92885
01R4 0.76875 -0.60322 -0.39509 -0.89858 -0.83583 0.93454
R 01R13 0.83805 -0.53853 -0.57997 -0.87225 -0.90655 0.98505
01R21 0.7882 -0.46359 -0.34499 -0.80347 -0.7312 0.95558
Biểu diễn tất cả các mẫu thu đƣợc từ thí nghiệm, ta cũng có đƣợc đồ thị biểu diễn giá trị hệ số
tƣơng quan của các cặp kênh (hình 3.20)

Hình 3.20 Đồ thị phân bố các giá trị hệ số tương quan giữa các cặp kênh theo các hành vi B, D, L, R
Nhận xét:
Hầu hết các giá trị hệ số tƣơng quan giữa các kênh theo các hành vi có phân bố giống với dự đoán
theo lý thuyết. Căn cứ vào tính chất phân bố của các giá trị của các cặp tƣơng quan mà ta sẽ nhận
dạng các hành vi. Tuy nhiên, thực tế vẫn còn tồn tại sai số phát sinh trong quá trình thí nghiệm lấy
mẫu số liệu và việc xác định ngƣỡng phân biệt giữa các hành vi sẽ nói rõ ở phần thống kê toàn cục.
3.3 PHƢƠNG PHÁP THỐNG KÊ VÀ PHÂN TÍCH SỐ LIỆU
3.3.1 Thống kê cục bộ
Khảo sát giá trị Rδ và Rα đƣợc xác định trên phổ công suất tín hiệu của một vài mẫu đƣợc chọn lựa
ngẫu nhiên từ nhóm hành vi B (hình 3.21 ):

(a) Rδ (b) Rα
Hình 3.21 Sai lệch giữa các giá trị Rδ (a) và Rα (b) của các kênh tín hiệu thuộc nhóm hành vi B
Hình 3.22 Phổ công suất của các kênh tín hiệu thuộc nhóm hành vi B
Nhận xét: Đối với phổ công suất tín hiệu của hành vi B thì Rδ của kênh F8 thƣờng mang giá trị
thấp hơn hẳn so với 3 kênh còn lại.
Ta khảo sát Rδ và Rα của các mẫu đƣợc chọn ngẫu nhiên từ các nhóm hành vi D, L, R, và X

(a) Rδ (b) Rα
Hình 3.23 Sai lệch giữa các giá trị Rδ (a) và Rα (b) của các kênh tín hiệu thuộc nhóm hành vi D
(a) Rδ (b) Rα
Hình 3.24 Sai lệch giữa các giá trị Rδ (a) và Rα (b) của các kênh tín hiệu thuộc nhóm hành vi L
(a) Rδ (b) Rα
Hình 3.25 Sai lệch giữa các giá trị Rδ (a) và Rα (b) của các kênh tín hiệu thuộc nhóm hành vi R

(a) Rδ (b) Rα
Hình 3.26 Sai lệch giữa các giá trị Rδ (a) và Rα (b) của các kênh tín hiệu thuộc nhóm hành vi X
Nhận xét: Hầu hết các mẫu của tất cả các nhóm đều có sai số giữa các giá trị khảo sát ở các kênh.
Thêm vào đó, trong 4 kênh khảo sát thƣờng xuất hiện 1 kênh có các giá trị sai lệch nhiều so với 3
kênh còn lại. Nguyên nhân gây ra sai lệch vẫn chƣa đƣợc xác định cụ thể. Để khắc phục, chúng tôi đề
xuất phƣơng pháp thống kê cục bộ, nhằm để loại bỏ các giá trị ở các kênh gây sai lệch nhiều trong
quá trình tổng hợp kết quả tính toán các thông số của từng mẫu khảo sát. Phƣơng pháp thống kê cục
bộ đƣợc diễn giải theo sơ đồ ở hình 3.27

Phổ công suất tín hiệu ở các kênh
Xác định các tỉ số công suất Rk

(Rδ, Rθ, Rα, Rβ)
Nhóm hành vi Nhóm hành

B, D, L, R vi X
Loại Loại
các giá các giá
trị Rk ở trị Rk ở
Tính giá trị trung bình Tính giá trị trung bình
kênh kênh
𝑅𝛿 và độ lệch chuẩn 𝜎𝑅𝛿 𝑅𝛼 và độ lệch chuẩn 𝜎𝑅𝛼
không không
phù phù
hợp hợp
Xét điều kiện chọn kênh

Không Không
thỏa thỏa
Rδ ≥ 𝑅𝛿 𝜎𝑅𝛿 Rα ≥ 𝑅𝛼 𝜎𝑅𝛼
Thỏa Thỏa
Tổng hợp các kênh đƣợc chọn Tổng hợp các kênh đƣợc chọn
lọc, tính các giá trị trung bình: lọc, tính các giá trị trung bình:
𝑅𝛿 𝑅𝜃 𝑅𝛼 𝑅𝛽 , 𝜌 𝑅𝛿 𝑅𝜃 𝑅𝛼 𝑅𝛽 , 𝜌
Hình 3.27 Quy trình thống kê cục bộ các giá trị Rk của các kênh trong từng mẫu tín hiệu

Qua thống kê toàn bộ mẫu khảo sát của tất cả các hành vi ta có bảng thống kê xác suất loại bỏ
kênh không phù hợp trong quá trình thống kê cục bộ.
Bảng 3.12 Bảng thống kê xác suất loại bỏ kênh
B D L R X
AF3 0.714286 % 5.940594 % 90.64748 % 68.79433 % 3.571429 %
F7 0.714286 % 1.980198 % 1.438849 % 0.709220 % 46.42857 %
F8 82.85714 % 70.29703 % 2.877698 % 0% 4.285714 %
AF4 0.714286 % 1.980198 % 0% 5.673759 % 9.285714 %
Bên cạnh đó, để đơn giản hóa các đồ thị và các chi tiết trên phổ công suất, ta đề xuất dạng biểu đồ
hình cột để hiển thị thành phần phần trăm của từng tỷ số công suất R thay thế cho biểu đồ mật độ phổ
công suất tín hiệu. Lấy ví dụ minh họa phổ công suất từ hình 3.22, ta đƣợc dạng biểu đồ hình cột ở
hình 3.28.
Hình 3.28 Thành phần phần trăm của tỉ số công suất R thể hiện bằng biểu đồ hình cột

Từ hình mẫu ví dụ 3.28, ta xác định đƣợc:

+ Kênh bị loại: F8
+ Các kênh đƣợc chọn: AF3, F7, AF4
+ Kết quả thống kê cục bộ: Rδ = 0.95536 , Rθ = 0.024151 , Rα = 0.015907 ,
Rβ = 0.0045864 , ρ = 405.0741
3.3.2 Thống kê toàn cục
Qua quá trình xác định các thông số và thống kê cục bộ, ta thu đƣợc các tập mẫu sau:
 Các tập mẫu các giá trị tỷ số công suất của tất cả các hành vi, bao gồm: , , ,
(k = B, D, L, R, X)
 Tập mẫu ρB , ρD
 Tập mẫu các hệ số tƣơng quan, bao gồm: cr(AF3, F7), cr(AF3, F8), cr(AF3, AF4),
cr(F7, F8), cr(F7, AF4), cr(F8, AF4).
Để không làm mất tính tổng quát, trƣớc hết ta xét tập mẫu Rαk của tất cả các hành vi đƣợc biểu
diễn trên miền (0, 1) theo hình sau:
Hình 3.29 Phân bố của các tập mẫu Rαk thuộc các hành vi
Quan sát tính phân bố của các tập mẫu Rαk trên miền giá trị (0, 1) nhƣ minh họa ở hình 3.29. Từ
đây, ta có các khái niệm sau:

i. Tập mẫu phân bố ở miền thượng (gọi tắt là tập miền thượng): là tập mẫu bao gồm các tập
con có cùng khuynh hƣớng phân bố ở phần trên của miền giá trị đang khảo sát và đƣợc ký hiệu là
{URi} ( ) , với n là số lƣợng tập con thuộc tập miền thƣợng.
ii. Tập mẫu phân bố ở miền hạ (gọi tắt là tập miền hạ): là tập mẫu bao gồm các tập con có cùng
khuynh hƣớng phân bố ở phần dƣới của miền giá trị đang khảo sát và đƣợc ký hiệu là {LRj}
( ) , với m là số lƣợng tập con thuộc tập miền hạ.
iii. Miền giao thoa: là miền giá trị phân bố ở khu vực giao nhau giữa tập miền thƣợng và tập
miền hạ. Miền giao thoa đƣợc xác định bởi 0 { } 2 31. Trong đó:
* { } là giá trị cận dƣới của tập miền thƣợng, đƣợc xác định bằng giá trị nhỏ nhất
trong số phần tử mang giá trị nhỏ nhất của các tập con thuộc tập miền thƣợng.
* 2 3 là giá trị cận trên của tập miền hạ, đƣợc xác định bằng giá trị lớn nhất trong
số phần tử mang giá trị lớn nhất của các tập con thuộc tập miền hạ.
Theo các khái niệm trên và từ hình 3.28, ta dễ dàng xác định đƣợc tập miền thƣợng là { } và
tập miền hạ là { }, miền giao thoa đƣợc xác định bởi { } và
2 { } { } { } { }3. Bên cạnh đó, để phân biệt giữa { }, và
{ } , ta cần thiết phải xác định một giá trị cụ thể làm biên giới giữa hai tập miền, ta
gọi là giá trị biên giao thoa μ, đƣợc xác định theo công thức (3.18).
∑ 4 5
(3.18)
Với: : giá trị nhỏ nhất của từng tập con thuộc tập miền thƣợng.
: giá trị lớn nhất của từng tập con thuộc tập miền hạ.
n: số lƣợng tập con thuộc tập miền thƣợng
m: số lƣợng tập con thuộc tập miền hạ
Minh họa ở hình 3.30

Hình 3.30 Minh họa chi tiết của miền giao thoa (chưa qua thống kê)
trong miền khảo sát tập mẫu Rα của tất cả các hành vi
Với: 1- { } , 2- { } , 3- { } , 4- { } , 5- { },
6- Cận trên của tập miền hạ , 7- Cận dưới của tập miền thượng,
8- Biên giao thoa , 9- Miền giao thoa
Theo nhận xét của phần 3.2.1.1 thì ta có hầu hết (j =B, L, R, D). Vì vậy, ta có:
- Tập miền hạ: { } { }

- Tập miền thƣợng: * + { }
Theo hình 3.30, ta xác định đƣợc:
- Giá trị cận trên của tập miền hạ:
2 3 2 { } { } { } { }3 { }
- Giá trị cận dƣới của tập miền thƣợng:
{ } 2 { }3 { }
- Miền giao thoa: [ { } { }] , -

- Biên giao thoa:

2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3
Biên giao thoa chia toàn miền (0, 1) của Rα làm hai miền phân bố giá trị:
- Miền (0, ] là miền phân bố giá trị của hầu hết các phần tử của tập miền hạ.
- Miền [ , 1) là miền phân bố giá trị của hầu hết các phần tử của tập miền thƣợng.
Từ đây ta sẽ tính sai số thống kê của mỗi tập mẫu Rαk (k = B, D, L, R, X) theo công thức 3.19 và
3.20 nhƣ sau:
- Đối với các tập con i thuộc tập miền thƣợng:
* +
(3.19)
- Đối với các tập con j thuộc tập miền hạ:
{ }
(3.20)
Áp dụng cho hình 3.30, ta tính đƣợc sai số thống kê của mỗi tập mẫu Rαk (k = B, D, L, R, X) theo
hình 3.31

Hình 3.31 Sai số thống kê của mỗi tập mẫu Rαk (k = B, D, L, R, X)
Với mức ý nghĩa thống kê là 0.05, ta lấy mức sai số cho phép tối đa là 5%. Quan sát kết quả sai số
thống kê của từng tập mẫu Rαk (k = B, D, L, R, X) ở hình 3.31 cho thấy và vƣợt quá
mức cho phép. Để khắc phục vấn đề này, chúng tôi đề xuất phƣơng pháp thống kê toàn cục nhằm tìm
ra giá trị biên giao thoa thích hợp để phân biệt giữa và (j = B, D, L, R). Quá trình thống kê
toàn cục đƣợc diễn giải theo hình 3.32

Các tập mẫu khảo sát trên miền (𝑎 𝑏)
Xác định: - Các tập con thuộc tập miền thƣợng: *𝑈𝑅𝑖 +
- Các tập con thuộc tập miền hạ: {𝐿𝑅𝑗 }
Xác định: - Cận dƣới tập miền thƣợng: 𝑚𝑖𝑛{𝑚𝑖𝑛*𝑈𝑅𝑖 +}
- Cận trên tập miền hạ: 𝑚𝑎𝑥 2𝑚𝑎𝑥{𝐿𝑅𝑗 }3
- Biên giao thoa: μ (công thức 3.18)
- Độ tin cậy γ (công thức 3.21)
Loại cùng lúc 2 giá trị:

Tính sai số thống kê: (Công thức 3.19 và 3.20 )
𝑚𝑖𝑛{𝑚𝑖𝑛*𝑈𝑅𝑖 +} và
𝑒𝑟𝑟𝑜𝑟𝑖 đối với *𝑈𝑅𝑖 + và 𝑒𝑟𝑟𝑜𝑟𝑗 đối với {𝐿𝑅𝑗 }
𝑚𝑎𝑥 2𝑚𝑎𝑥{𝐿𝑅𝑗 }3
Không thỏa
𝑒𝑟𝑟𝑜𝑟 ≤
Xác định miền giá trị (𝑎 𝜇- của {𝐿𝑅𝑗 }
và miền giá trị ,𝜇 𝑏) của *𝑈𝑅𝑖 +
Hình 3.32 Quy trình thống kê toàn cục

3.3.2.1 Các tập mẫu giá trị tỷ số công suất R

(Trong luận văn này, chúng tôi chỉ phân tích Rα và Rδ)
a) Tập mẫu Rα:
Hình 3.33 Kết quả thống kê toàn cục của tập mẫu Rα của các hành vi B, L, R, D, X sau 1 vòng lặp
Lƣu ý thêm rằng, khi các tập con trong bộ dữ liệu khảo sát mang tính phân cực càng rõ ràng thì số
vòng lặp thống kê càng ít; ngƣợc lại, đối với các tập con nói trên có tính càng xáo trộn thì bài toán
thống kê có số vòng lặp càng nhiều. Chính vì vậy, chúng tôi đề xuất hệ số tin cậy γ ( ≤ ≤ )
đƣợc xác định bằng tỷ số giữa tổng số lƣợng mẫu sau mỗi lần lặp thống kê trên tổng số lƣợng mẫu
ban đầu của tất cả các tập con theo công thức.
(3.21)
(∑ ) .∑ /
Với: l là số vòng lặp thống kê. Khi đó, 2l là số lƣợng mẫu bị loại bỏ sau vòng lặp thứ l
(∑ ) là tổng số lƣợng mẫu ban đầu (l = 0) của tất cả các tập con thuộc tập miền thƣợng
.∑ / là tổng số lƣợng mẫu ban đầu (l = 0) của tất cả các tập con thuộc tập miền hạ.
Bên cạnh đó, độ tin cậy γ còn đánh giá đƣợc chất lƣợng dữ liệu thu đƣợc sau mỗi thí nghiệm khảo
sát. γ mang giá trị càng lớn thì dữ liệu mẫu có chất lƣợng càng tốt; ngƣợc lại, γ mang giá trị càng nhỏ
thì chứng tỏ rằng số lƣợng tạp mẫu gây sai số hiện diện trong dữ liệu đo càng nhiều.

Hình 3.34 Kết quả thống kê toàn cục của tập mẫu Rα của các hành vi B, L, R, D, X sau 28 vòng lặp
(kết thúc)

Từ hình 3.33 và 3.34, ta có đƣợc =0.17552

* Ý nghĩa của phƣơng pháp thống kê toàn cục:
- Miền giao thoa đã đƣợc thu hẹp trong vòng lặp cuối là [0.1672; 0.1902], các giá trị sai số do
thí nghiệm (hầu hết hiện diện trong miền giao thoa) đƣợc loại bỏ trong quá trình thống kê
toàn cục.
- Giá trị của biên giao thoa chính là giá trị ngƣỡng dùng để phân biệt Rα của hành vi thƣ
giãn X với Rα của các hành vi có chuyển động mắt (B, D, L, R). Cụ thể, khi xét riêng giá trị
Rα thì ta có:
 Phổ công suất của hành vi X khi ≥
 Phổ công suất của các hành vi B, D, L, R khi
- Phƣơng pháp thống kê toàn cục có thể áp dụng cho việc xác định giá trị ngƣỡng dùng để phân
biệt các tập mẫu trong miền khảo sát khi có ít nhất một tập mẫu có tính phân bố khác với các
tập mẫu còn lại.
b) Tập mẫu Rδ:
Hình 3.35 Kết quả thống kê toàn cục của tập mẫu Rδ của các hành vi B, L, R, D, X sau 20 vòng lặp
Từ hình 3.35, ta có đƣợc . Khi đó, ta có:
- Phổ công suất của hành vi X khi có ≤
- Phổ công suất của các hành vi B, D, L, R khi có
Vậy: để nhận dạng tín hiệu EEG khi mắt có chuyển động thì ta căn cứ vào hai điều kiện:

(3.22)
{
3.3.2.2 Các tập mẫu giá trị hệ số tƣơng quan giữa các cặp kênh
Ta phân tích theo thứ tự ngƣợc: ( ) ( ), ( ), ( ),
( ), ( ).
Quan sát hình 3.20, ta rút ra đƣợc một vài nhận định:
i. Hệ số tƣơng quan ( ) của tất cả 4 hành vi có tính phân bố giống nhau. Khi đó, ta
không thể xác định đƣợc biên giao thoa dùng để phân biệt một trong bốn hành vi trên. Chính
vì vậy mà ta không áp dụng đƣợc phƣơng pháp thống kê toàn cục cho ( ) của cả 4
hành vi.
ii. Ta có ( ) và ( ) của hai nhóm hành vi B, D có tính phân bố ngƣợc với hai
nhóm L, R. Cụ thể: ( ) và ( ) của hai nhóm B, D là hai tập con của tập
miền thƣợng trên ( ); ngƣợc lại, ( ) và ( ) của hai nhóm L, R là hai tập
con của tập miền hạ trên ( ). Do đó, ta áp dụng thống kê toàn cục cho hai hệ số trên để
tìm ra giá trị ngƣỡng để phân biệt nhóm B, D với nhóm L, R.
iii. Tiếp theo, ta nhận thấy 3 cặp tƣơng quan: ( ), ( ), ( ) của hành
vi L và R có tính phân bố đối ngƣợc nhau. Đây là dấu hiệu dùng để phân biệt giữa L và R.
iv. Hệ số tƣơng quan của tất cả các cặp kênh của 2 hành vi B và D có tính phân bố gần giống
nhau. Do vậy, ta không thể phân biệt đƣợc giữa B và D theo hệ số tƣơng quan.
Áp dụng quy trình thống kê toàn cục cho nhận định (ii) và (iii) ta đƣợc các kết quả sau:
 Tập mẫu ( ) và tập mẫu ( ) giữa nhóm B, D và nhóm L, R:

Hình 3.36 Kết quả thống kê toàn cục của cr(F7, AF4)
Hình 3.37 Kết quả thống kê toàn cục của cr(F7, F8)

( ) và ( )
 Tập mẫu ( ), ( ) và ( ) của hành vi L và R:
Hình 3.38 Kết quả thống kê toàn cục của cr(AF3, AF4)

Hình 3.39 Kết quả thống kê toàn cục của cr(AF3, F8)
Hình 3.40 Kết quả thống kê toàn cục của cr(AF3, F7)

( )
{ ( )
( )
3.3.2.3 Tập mẫu ρ của hành vi B và hành vi D

Theo (3.16), khảo sát tính phân bố giá trị của ρB và ρD trên miền (0, +∞), ta dễ dàng xác định đƣợc:
+ Tập miền thƣợng: * +
+ Tập miền hạ: { }
Để phân biệt tín hiệu của hành vi B với hành vi D ta phải xác định biên giao thoa trên miền khảo
sát tập mẫu ρB và ρD qua phƣơng pháp thống kê toàn cục. Kết quả đƣợc trình bày ở hình 3.41.
Hình 3.41 Kết quả thống kê toàn cục của tập mẫu ρB và ρD
Theo hình 3.41, ta có:

Tín Khử nhiễu và khử trôi tín Phổ công suất tín hiệu
hiệu hiệu bằng công cụ Wavelet
EEG
Tính 𝑅𝛿𝑘 𝑅𝜃𝑘 𝑅𝛼𝑘 𝑅𝛽𝑘 𝜌𝑘 của các kênh
Lọc lấy tín hiệu sóng Delta

bằng công cụ Wavelet
Thống kê cục bộ
Xác định hệ số tƣơng

quan của 6 cặp kênh 𝑅𝛼 𝜇𝛼 F
𝑅𝛿 ≥ 𝜇𝛿
X
T
F 𝑐𝑟(𝐹 𝐹 ) ≤ 𝜇𝑐𝑟(𝐹 𝐹 )
(*)
𝑐𝑟(𝐹 𝐴𝐹 ) ≤ 𝜇𝑐𝑟(𝐹 𝐴𝐹 )
F T
𝜌 ≥ µ𝜌
𝑐𝑟(𝐴𝐹 𝐹 ) 𝜇𝑐𝑟(𝐴𝐹
T 𝐹 )
F
𝑐𝑟(𝐴𝐹 𝐹 ) µ𝑐𝑟(𝐴𝐹 𝐹 ) (*)
D B
𝑐𝑟(𝐴𝐹 𝐴𝐹 ) µ𝑐𝑟(𝐴𝐹 𝐴𝐹 )
R
T
Hình 3.42 Quy trình nhận dạng hành vi qua phân tích tín hiệu EEG

Chú thích: T : Thỏa điều kiện

F : Không thỏa điều kiện
µ
µ
( )
µ ( )
( )
µ ( )
µ ( )
Bộ giá trị trên mang giá trị nhất định cho mỗi đối tƣợng khác nhau.
(*) Một số trƣờng hợp cá biệt không đƣợc trình bày trên sơ đồ hình 3.42 nhƣng thực tê chúng vẫn
xảy ra. Trong quá trình phân loại dấu hiệu theo hành vi, các trƣờng hợp cá biệt đó sẽ đƣợc xếp vào
các hành vi X nếu chúng xảy ra.
Các giá trị ngƣỡng trên không cố định, mà luôn thay đổi tùy theo từng ngƣời lấy mẫu, hệ thống đo
và phƣơng pháp xử lý số liệu...
3.3.3 Kiểm tra và cải thiện thuật toán phân tích số liệu
3.3.3.1 Sai số và các nguyên nhân gây ra sai số
Trong luận văn này, nhóm sử dụng hai loại ngôn ngữ lập trình: ngôn ngữ MatLab dùng để thiết lập
các thuật toán xử lý và nhận dạng tín hiệu thu đƣợc từ thí nghiệm; ngôn ngữ LabVIEW đƣợc dùng
trong thuật toán thu thập tín hiệu để điều khiển thiết bị trên cơ sở thuật toán đã đƣợc xây dựng từ
MatLab. Tuy nhiên, trong quá trình kế thừa và chuyển giao thuật toán giữa hai nền ngôn ngữ đã phát
sinh một số vấn đề dẫn đến sai lệch kết quả nhƣ sau:
 Một số thuật toán xử lý chỉ triển khai đƣợc trên nền MatLab, không triển khai đƣợc trên nền
LabVIEW. Chính vì vậy, chúng tôi phải sử dụng các thuật toán thay thế có thể thực hiện đƣợc trên
nền ngôn ngữ LabVIEW.
 Một vài giai đoạn trong sơ đồ tổng quát “Quy trình nhận dạng hành vi qua phân tích tín hiệu
EEG” (sơ đồ 3.42) khó thực hiện trên nền LabVIEW. Do đó, một vài bƣớc trong sơ đồ 3.42 sẽ đƣợc
thay đổi sao cho phù hợp với hoàn cảnh thực tế.
3.3.3.2 Cải thiện thuật toán phân tích số liệu
Sai số kết quả thống kê dẫn đến sai sót trong quá trình nhận dạng hành vi. Để khắc phục, chúng tôi
đề xuất quá trình cải thiện các kết quả phân tích số liệu nhằm nâng cao chất lƣợng nhận dạng hành vi
qua phân tích tín hiệu EEG. Quá trình cải thiện bao gồm các vấn đề chính sau:

Thu tín hiệu EEG
Khử nhiễu và khử trôi tín hiệu Phổ công suất tín hiệu
bằng bộ lọc FIR
Lọc lấy tín hiệu sóng Delta

bằng bộ lọc Butterworth Tính 𝑅𝛿𝑘 𝑅𝜃𝑘 𝑅𝛼𝑘 𝑅𝛽𝑘 𝜌𝑘
của các kênh
Xác định hệ số tƣơng

quan của 6 cặp kênh
F
𝐶𝑟(𝐹 𝐹 ) ≤ 𝜇𝐶𝑟(𝐹 𝐹 )
T
Tính các giá trị trung
bình 𝑅𝛿 𝑅𝛼 𝜌 của 3
kênh: AF3, F7 và AF4 Tính các giá trị trung
bình 𝑅𝛿 𝑅𝛼 𝜌 của 3
kênh: F7, F8 và AF4
Hình 3.44
Hình 3.45
Hình 3.43 Sơ đồ quy trình nhận dạng hành vi thay thế cho sơ đồ hình 3.42

F
𝜌 ≥ µ𝜌
F 𝑅𝛼 µ𝛼𝐵𝐷
𝑅𝛿 ≥ µ𝛿𝐵𝐷 𝑅𝛼 µ𝛼𝐵𝐷 F
𝑅𝛿 ≥ µ𝛿𝐵𝐷
X X
T
T
D
Hình 3.44 Trường hợp False của hình 3.43

F
𝐶𝑟(𝐴𝐹 𝐴𝐹 ) µ𝐶𝑟(𝐴𝐹 𝐴𝐹 )
F
𝑅𝛼 µ𝛼𝐿𝑅
𝑅𝛿 ≥ µ𝛿𝐿𝑅 𝑅𝛼 µ𝛼𝐿𝑅 F
𝑅𝛿 ≥ µ𝛿𝐿𝑅
X
T
X
T
L
Hình 3.45 Trường hợp True của hình 3.43
Bên cạnh đó, các giá trị dùng đễ làm ngƣỡng phân biệt các hành vi sẽ đƣợc thống kê theo công
thức (3.23) sau mỗi lần thực nghiệm lấy mẫu. Giá trị ngƣỡng đƣợc thống kê đƣợc gọi là giá trị
ngƣỡng trung bình sau N đợt thực nghiệm lấy mẫu.
∑ µ (3.23)
µ
∑
Với: µ là giá trị ngƣỡng trung bình thống kê sau N đợt lấy mẫu
µ là giá trị ngƣỡng thu đƣợc từ đợt đo thứ i
là độ tin cậy của ngƣỡng µ thu đƣợc từ đợt đo thứ i.
Phần kết quả nghiệm thu thực tế sẽ đƣợc trình bày và đánh giá ở chƣơng 4.

3.4 THIẾT KẾ MÔ HÌNH XE LĂN VÀ CÁC MẠCH ĐIỆN HỖ TRỢ

3.4.1 Thiết kế và chế tạo mô hình xe lăn
3.4.1.1 Khảo sát một số loại xe lăn trên thị trƣờng
Bảng 3.13 Khảo sát thị trƣờng xe lăn ở TPHCM
Loại xe Thông số
- Độ rộng ghế ngồi: 46 cm

- Tải trọng: 120 kg
- Bánh trƣớc đƣờng kính 20 cm
- Bánh sau đƣờng kính 60 cm, bánh đặc
- Trọng lƣợng tổng: 19.3 kg
- Kích thƣớc 93 x 21 x 87
- Công ty TBYT Bảo Anh, Hà Nội
X9 Lucass - USA - Giá thành: 1.100.000 đ
- Độ rộng ghế ngồi: 46 cm

- Tải trọng 120 kg
- Bánh trƣớc đƣờng kính 20 cm
- Bánh sau đƣờng kính 60 cm
- Trọng lƣợng tổng: 16.6 kg
- Cửa hàng Dụng cụ Y khoa Kim Yến, Q10, TPHCM
- Giá thành: 1.400.000
Lucass X-28J
- Đƣờng kính bánh xe lớn: 59 cm
- Đƣờng kính bánh xe nhỏ: 20 cm
- Khoảng cách từ bánh xe nhỏ đến vị trí chỗ ngồi: 50 cm
- Khoảng cách từ bánh xe lớn đến tay cầm: 87 cm
- Kích thƣớc: 94 x 25 x 89 cm
- Trọng lƣợng 19 kg
- Giá thành: 1.190.000 đ
FS809 - Cty TNH Trang thiết bị y tế Kim Minh, Q10, TPHCM
- Chiều rộng xe: 60-65 cm
- Đƣờng kính bánh xe lớn: 59 cm
- Đƣờng kính bánh xe nhỏ: 20 cm
- Chiều cao toàn thân xe: 87 cm
- Kích thƣớc: 93 x 21 x 87 cm
- Trọng lƣợng xe: 17-19 kg
ALK-809B - Giá thành: 1.350.000 đ
- Cty TNHH Trang thiết bị y tế Kim Minh, Q10, TPCM

Tiêu chuẩn 22 TCN 302 – 06 của Bộ GTVT về yêu cầu kỹ thuật của phƣơng tiện giao thông cơ
giới đƣờng bộ và ô tô khách thành phố năm 2006 nêu rằng:
- Khối lƣợng trung bình cho 1 hành khách trên các phƣơng tiện giao thông là không dƣới 60kg.
- Kích thƣớc của một xe lăn chuẩn nhƣ sau:
Hình 3.46 Tiêu chuẩn 22 TCN 302 – 06 về kích thước xe lăn chuẩn
Từ đó, ta đặt ra một số yêu cầu cho bài toán nhƣ sau:
Bảng 3.14 Yêu cầu về thông số xe lăn

Thông số Yêu cầu
Tải trọng lớn nhất cho phép (m) 150 kg
Vận tốc (v) 1 m/s
Độ dốc tối đa (θ) 10o
Gia tốc (a) 0.2 m/s2
Bán kính bánh xe (R) 0.3 m
Số vòng quay của trục xe:

Ta có công thức liên hệ giữa vận tốc góc  và số vòng quay của bánh xe nhƣ sau:
 n (3.24)

30
v 1
Mà vận tốc góc của bánh xe    3.333 rad/s (3.25)
R 0.3

Suy ra số vòng quay của bánh xe (hay của trục bánh xe)
  30
n  31.83 vòng/phút (3.26)

Hình 3.47 Sự phân bố các lực khi xe lăn chuyển động lên dốc
Ta có gia tốc trọng trƣờng g = 9.78427 m/s2
Hệ số ma sát ổ lăn olan  0.006 [8]
Hệ số ma sát giữa bánh xe và mặt đƣờng banhxe  0.06
Suy ra tổng ma sát   0.006  2  0.06  2  0.132
Phản lực N có giá trị bằng: N  mg cos(10)  150  9.784  cos(10)  1445.343 N (3.27)
Tổng lực ma sát: Fms    N  0.132 1445.343  190.785 N (3.28)
Theo định luật II Newton: F  ma (3.29)
Suy ra: Fkeo  Fms  mg sin(10)  ma (3.30)
Fkeo  ma  mg sin(10)  Fms  150  0.2  150  9.8  sin(10)  190.785  475.638 N (3.31)
Ta có công thức momen xoắn T  Fkeo  R  475.638  0.3  142.692 Nm (3.32)

Lại có P  U  I  F  v  T    142.692  3.333  475.638 W (3.33)
Ta nhân với hệ số an toàn 1.2  P'  475.638 1.2  570.766 W
Công suất cần thiết tính cho 1 động cơ cho 1 bánh xe:
Pmotor  570.766  2  285.383 W
142.692
Momen xoắn cho 1 động cơ: Tmotor   71.346 Nm
2
3.4.1.2 Mô phỏng mô hình hệ thống
Hình 3.48 Bản vẽ thiết kế mô hình xe lăn
3.4.2 Thiết kế hệ thống mạch điện cho mô hình

Hệ thống mạch điện của xe lăn gồm 3 thành phần chính nhƣ sau: Khối nguồn và mạch công suất,
khối thu nhận tín hiệu và cảm biến, khối thu phát.
Sơ đồ khối tổng quát :

Hình 3.49 Sơ đồ khối hệ thống

Chú thích:
Đƣờng cấp nguồn digital cho các mạch điều khiển 5V và 12V
Tín hiệu thu thập đƣợc từ các cảm biến
Nguồn công suất 24V cấp cho 2 động cơ chính
Tín hiệu điều khiển đến các mạch công suất
3.4.2.1 Khối nguồn
Khối nguồn có nhiệm vụ cấp nguồn cho tất cả các mạch điện hoạt động, nguồn điện đƣợc duy trì ở
1 mức điện áp ổn định.
Trên mô hình xe lăn yêu cầu phải sử dụng 2 loại nguồn khác nhau sau: Nguồn công suất cho động
cơ và nguồn digital dùng cho các mạch vi xử lý và các bộ cảm biến hoạt động. Mục đích cách ly
nhằm loại bỏ các trƣờng hợp gây nhiễu cảm kháng động cơ và tránh trƣờng hợp dòng đổ từ khối
công suất sang khối tín hiệu gây hƣ hỏng mạch.
Nguồn công suất:
Khối công suất sẽ cấp cho 2 động cơ DC chính của xe lăn. Hai động cơ DC này sẽ cho phép xe di
chuyển theo 4 hƣớng.
Nguồn điện cấp cho toàn bộ hệ thống hoạt động đƣợc lấy từ nguồn acquy có dung lƣợng 75Ah,
với dung lƣợng cao cho phép xe hoạt động liên tục trong thời gian dài. Đế thiết kế mạch nguồn công
suất, trƣớc hết ta cần phải biết đƣợc công suất tiêu thụ của động cơ.
Theo tính toán ở phần trƣớc:
Công suất của mỗi động cơ là 300W. Trên thị trƣờng hiện nay, với động cơ DC sử dụng 2 mức
điện áp là 12V và 24V.
Nếu giả sử ta lựa chọn động cơ chạy ở 12V:

Dòng điện cần cấp cho mỗi động cơ trung bình là ( )

Suy ra tổng dòng điện cần cấp cho hai động cơ là 50 A. Nhƣ vậy, mạch điều khiển cho động cơ
cần phải hoạt động đƣợc ở mức 25A cho mỗi động cơ, dòng điện cao mà điện áp lại nhỏ, dẫn đển
hiệu suất điều khiển lại không cao, việc điều khiển cũng gặp nhiều khó khăn hơn. Khi đó việc thiết kế
mạch công suất điều khiển động cơ đảo chiều lại càng phức tạp.
Nhƣ vậy, giải pháp lựa chọn động cơ 12V là không khả thi, ta buộc phải lựa chọn động cơ 24V, để
giảm dòng hoạt động xuống.
Nếu nhƣ động cơ là 24V DC, ta có ( )
Khi đó, lại nảy sinh thêm một vấn đề nữa đó là: Ac-quy đang sử dụng là 12V trong khi động cơ lại
hoạt động ở 24V. Chính vì vậy, ta cần phải có thêm mạch nâng áp hay mạch step-up từ 12Vdc lên
24Vdc.
Để có thể nâng áp lên đƣợc, ta cần phải sử dụng 1 dạng mạch nguồn xung chuyển đổi DC sang
DC. Mạch nguồn xung hay còn gọi là nguồn switching.
Hiện nay thì nguồn xung hay nói cách khác nó là các bộ nguồn biến đổi DC-DC nó đƣợc sử dụng
phổ biến hầu hết trên các mạch điện và các hệ thống điện tự động. Với ƣu điểm là khả năng cho hiệu
suất cao, tổn hao thấp.... Nguồn xung hiện nay có rất nhiều loại khác nhau, nếu phân loại dựa theo sự
cách ly nó đƣợc chia thành 2 nhóm nguồn: cách ly và không cách ly.
Nhóm nguồn không cách ly :
 Boost: Là 1 dạng mạch tăng áp, có nghĩa là điện áp ngõ ra cao hơn điện áp ngõ vào.
 Buck: Mạch nguồn hạ áp, điện áp ngõ ra thấp hơn so với điện áp ngõ vào.
 Buck- Boost: Là mạch nguồn hoạt động đƣợc ở cả 2 chế độ, vừa tăng áp và hạ áp.
Nhóm nguồn cách ly:
 Mạch nguồn Flyback.
 Mạch nguồn Forward
 Mạch nguồn Push- Pull
 Half Bridge
 …
Nhóm nguồn cách ly thƣờng chủ yếu đƣợc sử dụng cho những ứng dụng cần công suất lớn, điện
áp làm việc cao, và những ứng dụng có yêu cầu an toàn cao và đòi hỏi sự cách ly về điện. Những
nhóm nguồn này, thƣờng sử dụng điện áp 220Vac để hoạt động.
Với mạch nguồn switching chúng ta lƣu ý là nó hoạt động theo kiểu bùng phát theo từng giai
đoạn, nhƣ vậy nguồn năng lƣợng của nó cần đƣơc tích tụ trong các linh kiện nhƣ tụ điện (capacitor)
và cuộn dây (Inductor ). [9]
Ổn áp theo kiểu switch đƣợc chia thành 2 loại chính : dựa trên hiện tƣợng điện cảm (Inductor
Based) và kiểu nạp xả Charge Pump (capacitive or Inductor less).
Trong luận văn này, chúng tôi chỉ sử dụng 2 loại nguồn chính là mạch nguồn tăng áp, và nguồn hạ
áp thuộc nhóm những mạch nguồn không cách ly.
- Nguồn xung kiểu Buck:

Là dạng mạch nguồn hạ áp, có điện áp ngõ ra nhỏ hơn so với điện áp ngõ vào .
Xét mạch nguyên lý sau:
Hình 3.50 Mô hình mạch nguồn Step down
Ở trên là mô hình của một mạch buck đơn giản, chỉ sử dụng một phần từ bán dẫn BJT( Bipolar
Junction Transistor) để điều khiển đóng mở nguồn điện ở tần số cao. BJT đóng vai trò nhƣ một công
tắc điện, chỉ có 2 trạng thái làm việc là đóng và mở tƣơng ứng với hai chế độ dẫn và không dẫn.
Khi khóa BJT đóng, ở trạng thái này dòng điện sẽ đƣợc dẫn từ nguồn chạy qua BJT, dòng điện sẽ
đi qua cuộn cảm L, lúc này dòng điện trong cuộn cảm sẽ tăng lên, đồng thời tụ C cũng sẽ đƣợc nạp
điện đầy, và có điện ra cấp cho tải hoạt động. Diode D bị phân cực ngƣợc nên sẽ không dẫn, dòng
không đi qua diode.
Chiều dòng điện nhƣ hình:
Hình 3.51 Mạch hạ áp ở trạng thái kín
Khi khóa bán dẫn BJT mở, tức hở mạch, lúc này dòng điện từ nguồn vào sẽ không đi qua mạch
đƣợc, nguồn điện bị ngắt ra khỏi mạch. Khi đó năng lƣợng của cuộn cảm và tụ điện đƣợc tích lũy
trƣớc đó sẽ đƣợc xả ra để chống lại sự mất điện áp ở ngõ vào, lúc này diode D sẽ dẫn, tạo thành một
mạch điện khép kín.
Hình 3.52 Mạch hạ áp ở trạng thái hở

Quá trình đóng mở liên tục sẽ tạo ra một điện áp trung bình, phụ thuộc vào độ rộng của xung điều
chế hay còn gọi là kỹ thuật điều chế độ rộng xung PWM.
Điện áp ngõ ra đƣợc tính theo công thức :
(3.34)
Với D chính là độ rộng xung.

Và , lần lƣợt các thời gian đóng và mở của BJT.
- Nguồn xung kiểu boost :
Dạng mạch nguồn cho điện áp ngõ ra cao hơn điện áp ngõ vào.
Hình 3.53 Sơ đồ nguyên lý mạch tăng áp
Về nguyên lý, mạch cũng sử dụng các thành phần cuộn cảm và điện dung C để nạp và xả năng
lƣợng giống nhƣ mạch hạ áp. Điện áp đầu ra phụ thuộc vào điều biến độ rộng xung và giá trị cuộn
cảm L.
Khi khóa BJT đóng, dòng điện sẽ đi qua cuộn cảm và theo mối nối C-E của BJT đi về nguồn,
không có dòng đi qua diode. Dòng điện trong cuộn cảm sẽ tăng lên rất nhanh. Lúc này điện áp cấp
cho tải sẽ do tụ C cung cấp.
Hình 3.54 Mạch tăng áp ở trạng thái hở
Khi khóa BJT chuyển qua trạng thái ngƣng dẫn, thì lúc này điện áp của cuộn dây sinh ra một điện
áp V bằng với điện áp ở ngõ vào. Lúc này, điện áp đầu vào cộng với điện áp của cuộn cảm sẽ đi qua
diode D cấp cho tải và đồng thời nạp điện cho tụ C. Khi đó, điện áp đầu ra sẽ lớn điện áp đầu vào.

Hình 3.55 Mạch tăng áp ở trạng thái kín
Điện áp ra tải còn phụ thuộc vào giá trị của cuộn cảm và độ rộng của xung PWM. Tần số đóng cắt
BJT khá cao từ vài khz đến Mhz để triệt nhiễu công suất và tăng công suất cho đầu ra.
Trong khuôn khổ của đề tài, thì phần mạch nguồn tăng áp sử dụng IC UC3843 kết hợp với op-amp
để hồi tiếp dòng về và phần mạch hạ áp sử dụng IC LM2576 adj.
Ở phần mạch tăng áp, điện áp đầu vào lấy từ ăc-quy 12V, điện áp ngõ ra đạt 24V với công suất
hoạt động trung bình là 600W. Nguồn này sẽ cung cấp cho 2 động cơ DC hoạt động.
Ở phần mạch hạ áp, áp sẽ hạ từ 12V của bình ăc-quy xuống còn 5V với nhiệm vụ cấp nguồn cho
các cảm biến và bộ điều khiển hoạt động.
3.4.2.2 Mạch công suất điều khiển động cơ
Để điều khiển động cơ đảo chiều và tăng giảm tốc độ động cơ thì ta cần phải có 1 mạch điều
khiển. Có nhiều cách để có thể làm đƣợc việc này, tuy nhiên mạch cầu H đƣợc sử dụng rộng rãi vì
khả năng linh động, cho hiệu suất điều khiển cao hơn hẳn. Do mạch đƣợc mắc theo kiểu hình cầu chữ
H nên thƣờng đƣợc gọi là mạch cầu H.
Cầu H mở Cầu H quay thuận Cầu H quay ngƣợc
Hình 3.56 Các trạng thái làm việc của mạch cầu H [10]
Ta thấy mạch cầu H về cơ bản có 4 công tắc đơn giản, tùy vào trạng thái của mỗi công tắc ta sẽ
thay đổi đƣợc chiều quay của động cơ. Tuy nhiên, cặp switch S1 và S3 không bao giờ đƣợc cùng dẫn
1 lúc hay còn gọi là trùng dẫn. Bởi vì khi đó mạch cầu sẽ bị đánh thủng, cặp S1 và S3 sẽ bị cháy do
mạch bị ngắn mạch gây quá dòng.

Chiều quay của động cơ đƣợc điều khiển bởi sự đóng ngắt của các cặp S1- S4 và S2-S3 nhƣ
hình…
Các khóa K trong thực tế sẽ đƣợc thay thế bằng các khóa bán dẫn nhƣ Bipolar Junction Transistor
hay MOSFET. Các BJT khi điều khiển ở công suất cao và tần số lớn thƣờng lộ rõ các khuyết điểm
của mình do BJT công suất thì thƣờng có hệ số khuếch đại thấp, nhƣ vậy cần phải mắc ghép tầng để
tăng hệ số khuếch đại hơn. Chính vì vậy mà mạch điện thƣờng phức tạp. Nên khi cần dòng cao thì đa
số đều sử dụng MOSFET hơn, không cần mắc ghép tầng vì các MOSFET đƣợc điều khiển bằng sự
chênh lệch điện áp giữa 2 chân G-S, không cần phải mắc phân cực dòng điều khiển cho chân B của
BJT.
Hình 3.57: Cầu H dùng BJT ghép tầng Hình 3.58: Cầu H dùng MOSFET
Cầu H sử dụng các BJT ghép tầng thƣờng hay sử dụng các loại transistor darlington với mục đích
nhằm tăng độ lợi cao, do đó để điều khiển dòng tải cao thì chỉ cần cấp dòng điều khiển nhỏ hơn. [11]
Nên khi dùng BJT để thiết kế mạch cầu H thì mạch tƣơng đối phức tạp, chƣa kể là phải tính đến
các dòng phân cực cho chân Base phải đảm bảo cho các BJT luôn hoạt động ở chế độ bão hòa hay
switching thay vì hoạt động ở chế độ khuếch đại. Với những yêu cầu khắt khe nhƣ vậy, đòi hỏi ở
ngƣời thiết kế phải có nhiều kinh nghiệm và kỹ năng tính toán tốt. Chƣa nói đến hiệu suất tƣơng đối
cao do sự hao phí về nhiệt khá lớn cũng nhƣ tốc độ đóng ngắt của các BJT thông thƣờng nhỏ hơn so
với với các MOSFET.
Chính vì những hạn chế về mặt kỹ thuật, nên nhóm đã quyết định sử dụng các khóa MOSFET để
thay thế cho các khóa BJT.
MOSFET là tên viết tắt của Metal Oxide Semiconductor Field Effect Transistor, hiểu nôm na là
transistor hiệu ứng trƣờng oxit kim loại bán dẫn. Sở dĩ có cụm tự metal oxide nhƣ vậy là bởi vì trong
chế tạo nên, điện cực làm nên chân Gate của linh kiện đƣợc tạo bởi vật liệu oxide kim loại. [12]

Hình 3.59: Phân loại MOSFET
MOSFET có cấu tạo gồm 3 chân là Gate( G), Drain( D) và Source( S). Trong đó chân G là chân
dùng để điều khiển việc đóng mở dòng điện chạy qua chân D-S.
Hình 3.60: Mạch phân cực cho MOSFET
Dựa vào điện áp ngƣỡng điều khiển ở chân G, thì dòng điện đi qua D-S sẽ thay đổi. Điện áp
ngƣỡng này đƣợc quy định riêng cho mỗi MOSFET. Khi MOSFET chƣa đƣợc phân cực, thì trở
kháng giữa 2 chân D-S là vô cũng, nhƣng khi đƣợc phân cực vào chân G thì lúc này điện trở mới
giảm xuống, điện trở có thể giảm xuống còn miliohm. Dựa vào mức điện áp phân cực cho mỗi
MOSFET, ngƣời ta chia thành 2 loại MOSFET nhƣ sau :
MOSFET kênh N: Đối với loại này thì điện áp cấp vào chân G để kênh D-S dẫn phải lớn hơn điện
áp ngƣỡng. Loại này thƣờng đƣợc sử dụng rộng rãi hơn, xét về chức năng khóa thì đây là loại khóa
thƣờng mở, hay hở mạch.
MOSFET kênh P: MOSFET chỉ dẫn khi điện áp . Có nghĩa là điện áp trên chân G phải
nhỏ hơn điện áp ngƣỡng.
3.4.2.3 Cảm biến siêu âm
Cảm biến siêu âm đƣợc gắn vào phía sau của xe để cảnh báo sự va chạm, và phát hiện vật cản.

Cảm biến siêu âm thực chất là 1 bộ thu phát tín hiệu có nhiệm vụ chuyển đổi sóng siêu âm thành
tín hiệu điện hoặc tín hiệu điện sang tín hiệu siêu âm. Nó có thể thu hoặc phát tín hiệu siêu âm nên
đƣợc gọi là transducer. Tín hiệu phát ra là sóng siêu âm, khi đi trong môi trƣờng gặp vật cản nó sẽ bị
dội ngƣợc lại, bộ thu sẽ nhận lại tín hiệu echo này và chuyển sang tín hiệu điện. Dựa vào sự chênh
lệch thời gian kể từ lúc phát đến lúc nhận đƣợc tín hiệu, ta có thể dễ dàng tính đƣợc khoảng cách từ
cảm biến đến vật cản.
Đa phần các cảm biến này đƣợc chế tạo bằng vật liệu áp điện. Vật liệu sẽ tạo ra dao động khi ta
cấp 1 trƣờng điện biến thiên vào 2 đầu điện cực.
Đối với những ứng dụng cơ bản để đo khoảng cách thì cách dễ thiết kế nhất là sử dụng 2 tinh thể
áp điện.
Hình 3.61 Cảm biến siêu âm US-015

Cấu tạo gồm 2 tinh thể áp điện, mỗi tinh thể chỉ đảm nhận một chức năng hoặc phát dao động
hoặc nhận tín hiệu phản hồi.
Ta sẽ đo lại thời gian từ khi phát đến khi nhận đƣợc tín hiệu. Lúc đó khoảng cách từ cảm biến đến
vật sẽ là:
ct (3.35)
S
2
Với c là vận tốc truyền của sóng âm trong môi trƣờng
Và t là thời gian đo đƣợc.
Nếu khoảng cách của vật ở quá xa thì lúc này khoảng cách tính đƣợc sẽ không chính xác do chùm
sóng âm sẽ bị phân kỳ ra, tín hiệu trả về sẽ bị giao thoa nên không còn chính xác.
3.4.2.4 Cảm biến gia tốc
Cảm biến gia tốc ở đây sử dụng là cảm biến MEMS đƣợc tích hợp sẵn trên bộ vi xử lý NI MyRiO
1900. Đảm nhận việc đo gia tốc của xe, độ rung lắc hay độ nghiêng của xe.
Cảm biến có thể đo đƣợc cả 3 trục X-Y-Z. Mẫu thu thập đƣợc đo liên tục và đƣợc lƣu trong các
thanh ghi.
Cảm biến gia tốc:
Dải đo: ± 8g;
Độ phân giải: 12bits.

Tốc độ lấy mẫu: 800 Samples/s.

Nhiễu: 3.9mgrms tại 25 oC.
Hình 3.62 Cảm biến gia tốc tích hợp trong vi xử lí
3.4.2.5 Cảm biến nhiệt độ

Cảm biến nhiệt độ đƣợc dùng để giám sát nhiệt độ làm việc của bình acquy cũng nhƣ nhiệt độ khi
acquy ở chế độ sạc. Giám sát nhiệt độ để đề phòng cháy nổ, hệ thống có thể tự ngắt nguồn ngay tức
thì. Hạn chế những rủi ro về nhiệt độ.
Trong đề tài này, nhóm đã lựa chọn cảm biến MF58 là một loại thermistor thông dụng trên thị
trƣờng Việt Nam với độ chính xác tƣơng đối và dải đo rộng phù hợp cho dự án.
MF58 là một nhiệt điện trở NTC, sản xuất bằng cách sử dụng một sự kết hợp của gốm sứ và kỹ
thuật bán dẫn, đóng gói đồng trục và bao bọc bằng thủy tinh tinh khiết.
Các tính năng
1. MF58 Series hình thức đóng gói thủy tinh đồng trục.
2. Ổn định, độ tin cậy cao.
3. Phạm vi trở kháng rộng: 0.1 ~ 5000KΩ
4. Trở kháng và giá trị B có độ chính xác cao
5. Đóng gói Thủy tinh, có thể hoạt động trong môi trƣờng nhiệt độ cao và độ ẩm.
6. Kích thƣớc nhỏ, vững chắc, thuận tiện cho việc lắp ráp tự động.
7. Nhiệt độ hoạt động: -45 ~ 300 oC
8. Cảm ứng nhiệt nhanh, độ nhạy cao. [13]
Ứng dụng
1. Kiểm soát nhiệt độ và kiểm tra thiết bị gia đình, chẳng hạn nhƣ bếp cảm ứng, điện áp nồi hơi,
nồi cơm điện, lò điện, bể khử trùng, lò vi sóng, lò nƣớng, ấm điện
2. Nhiệt độ đo lƣờng và bù nhiệt các thiết bị tự động hóa văn phòng, chẳng hạn nhƣ máy in,
máy photocopy, ...

3. Đo lƣờng và kiểm tra nhiệt độ của ngành công nghiệp, y tế, bảo vệ môi trƣờng, dự báo thời
tiết, thiết bị chế biến thực phẩm, vv
4. Bảo vệ nhiệt độ pin và bộ sạc pin.
5. Bù nhiệt vòng lặp thiết bị, mạch tích hợp, bộ dao động tinh thể và cặp nhiệt điện
Thermistor là một loại linh kiện có điện trở bị phụ thuộc vào nhiệt độ. Tùy vào vật liệu chế tạo
nên mà có hệ số nhiệt trở khác nhau. Nếu đƣợc chế tạo bằng các vật liệu ceramic có chứ phân tử
BaTiO3 thì sẽ có hệ số nhiệt trở dƣơng hay còn gọi là PTC- Positive Temperature Co-efficient. Đối
với loại này thì không nhiệt độ tăng, điện trở cũng sẽ tăng theo.
Đối với loại cảm biến đƣợc chế tạo từ các hợp chất bán dẫn có pha tạp oxit kim loại thì lại có hệ
số nhiệt trở âm- Negative Temperature Co-efficient. Loại này thì nhiệt độ tăng, điện trở lại giảm.
Trong luận văn này sử dụng cảm biến nhiệt độ thermistor loại NTC, nhƣ vậy ta chỉ tập trung tìm
biểu thức mối quan hệ giữa nhiệt độ và điện trở.
Để biểu thị quan hệ sự thay đổi giữa điện trở và nhiệt độ, thì ta có đƣợc hàm truyền sau :
( ) (3.36)
B là hệ số nhiệt trở
R0 là nhiệt độ bình thƣờng của NTC ở nhiệt độ 25 oC.
T0 là nhiệt độ bình thƣờng ở 25 oC.
T nhiệt độ đo đƣợc ở hiện tại
R là giá trị điện trở đo đƣợc ở nhiệt độ hiện tại.
Hình ảnh bên dƣới là giao diện của 1 chƣơng trình dùng để kiểm tra hoạt động của cảm biến nhiệt
độ sử dụng thermistor.
Chƣơng trình tính toán:
Hình 3.63 Chương trình tính toán nhiệt độ

CHƢƠNG 4. KẾT QUẢ VÀ ĐÁNH GIÁ
Bên cạnh việc xây dựng thuật toán nhận dạng thì việc hiện thực hóa thuật toán đó trên một nền
ngôn ngữ lập trình cũng là một công việc với muôn vàn khó khăn. Bởi vì việc xây dựng thuật toán
trên nền lập trình Matlab khi đƣợc hiện thực hóa trên nền LabVIEW đã xảy ra một số xung đột giữa
hai ngôn ngữ khác nhau. Một số thuật toán xử lý chỉ đƣợc triển khai trên nền Matlab, không triển
khai đƣợc trên nền LabVIEW. Sau quá trình thay thế thuật toán, chỉnh sửa, kiểm tra, chúng tôi đã xây
dựng thành công thuật toán nhận dạng và điều khiển trên ngôn ngữ LabVIEW.
Hình 4.1 Giao diện nhận dạng tín hiệu và điều khiển
Dựa trên giao diện đƣợc thiết kế trên LabVIEW, nhóm đã tiến hành thực nghiệm trên phần mềm
hiệu suất của thuật toán này, kết quả đƣợc trình bày nhƣ bảng sau:
Bảng 4.1 Kết quả cải thiện các giá trị ngƣỡng μ
Lần
Loại hình
thực ( ) ( )
khảo sát
nghiệm
1 Tiền định 0.2978 0.2032 0.4926 0.5986 142.412 0.5654 0.2620
2 Tiền định 0.2888 0.1795 0.5087 0.6461 144.870 0.6039 0.2173
3 Tiền định 0.2707 0.1700 0.5055 0.6337 164.292 0.5385 0.2147
4 Ngẫu nhiên 0.2286 0.1453 0.5603 0.6753 195.586 0.5892 0.2080

Bảng 4.2 Kết quả nghiệm thu qua những lần cải thiện các giá trị ngƣỡng μ
Lần Xác suất nhận dạng các hành vi
Ngày khảo sát Loại hình
thực
(dd/mm/yyyy) khảo sát
nghiệm B D L R X
1 08/12/2016 Tiền định || || || || ||
2 09/12/2016 Tiền định 89 % 86 % 60 % 78 % 71 %
3 12/12/2016 Tiền định 88 % 93 % 92 % 87 % 93 %
4 19/12/2016 Ngẫu nhiên 100 % 100 % 93 % 95 % 85 %
( ||: chƣa ghi nhận mẫu)
Từ bảng 4.2, ta đƣợc biểu đồ thể hiện xác suất nhận dạng các hành vi qua các lần khảo sát nghiệm
thu (hình 4.2)
Hình 4.2 Biểu đồ thể hiện xác suất nhận dạng các hành vi qua các lần khảo sát nghiệm thu
Chi tiết thực nghiệm đƣợc trình bày ở phần Phụ lục.
Ƣu điểm:
 Thuật toán có hiệu suất nhận dạng khá cao, nhanh chóng, thích hợp cho việc xử lý tín hiệu
theo thời gian thực.

 Thuật toán đƣợc xây dựng trên ngôn ngữ lập trình LabVIEW – là một ngôn ngữ cấp cao dễ
thao tác và trực quan.
 Thiết bị điện não di động EPOC nhỏ gọn, linh động đối với ngƣời sử dụng.
 Tất cả tín hiệu đều truyền bằng wireless nên hệ thống gọn gàng, không rƣờm rà.
 Ngoài việc điều khiển mô hình xe lăn, thuật toán này còn có thể áp dụng cho những thiết bị
ngoại vi khác miễn có những điều kiện thích hợp.
Hạn chế:
 Thiết kế cơ khí vẫn chƣa hoàn chỉnh do thiếu kinh nghiệm trong lĩnh vực cơ học dẫn đến mô
hình xe lăn còn nhiều sai sót trong quá trình thử nghiệm.
 Thuật toán chỉ mới triển khai trên một đối tƣợng thí nghiệm, chƣa thể triển khai cho nhiều
ngƣời.
 Tín hiệu điện não truyền wireless từ EPOC đến NI myRIO còn khá chập chờn dẫn đến mô
hình nhận lệnh điều khiển còn chậm, chƣa đáp ứng đƣợc nhanh và hay bị mất tín hiệu nếu ở khoảng
cách xa.

CHƢƠNG 5. KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN
Qua quá trình tìm hiểu và xây dựng, chúng tôi đã xác định đƣợc những đặc điểm của sóng điện
não đối với từng loại hành vi của mắt và đã thành công trong việc ứng dụng những đặc điểm đó vào
việc xây dựng thuật toán điều khiển mô hình xe lăn. Với những ƣu điểm kể trên, Luận Văn này là
một bƣớc tiến mới cho các nghiên cứu trong lĩnh vực ứng dụng sóng điện não trong cuộc sống.
Qua Luận Văn, chúng tôi hy vọng sẽ mang lại những giá trị thiết thực cho xã hội, đặc biệt là cho
những bệnh nhân bị mất khả năng vận động. Nhờ đó, họ có thêm sự phấn khởi và tự do trong cuộc
sống. Chúng tôi nhận thấy rằng chi phí cho đề tài này là không quá đắt, chúng ta hoàn toàn có thể
mang ứng dụng này thƣơng mại hóa trong tƣơng lai để mọi ngƣời có nhu cầu đều có thể sử dụng.
Bên cạnh đó, nhóm cũng muốn mở rộng khả năng ứng dụng của đề tài về điều khiển thông minh
bằng sóng não trên nhiều lĩnh vực khác nhằm tiến tới một cuộc sống hiện đại và linh hoạt hơn.

TÀI LIỆU THAM KHẢO
[1] Arulprasath.P, Harihara Ganesh.S, Hariharan.B, Hariharan.S, and Mohankumar.R, "Interaction

of Human with Robotic Arm," IJIRCCE, vol. 4, no. 3, p. 3918, March 2016.
[2] Nancy Owano. (2015, December) TechXplore. [Online]. https://techxplore.com/news/2015-12-

nankai-university-team-car-mind.html
[3] Shachar Arnon et al, "Thought-Controlled Nanoscale Robots in a Living Host," PLOS one,
August 2015.
[4] Sumit Soman Soumya Sen Gupta, "Detecting Eye Movements in EEG for Controlling Devices,"
CyberneticsCom, 2012.
[5] J.A. Chambers Saeid Sanei, EEG Signal Processing. London, England: John Wiley & Sons,
2007.
[6] Nguyễn Văn Chiến, "Một số vấn đề xử lý thực tế cho tín hiệu EEG," Đại học Quốc gia Hà Nội,
Hà Nội, 2011.
[7] Nguyễn Việt Anh, Phạm Minh Toàn, Hà Trần Đức Nguyễn Hoàng Hải, Công cụ phân tích
Wavelet và ứng dụng trong Matlab. Hà Nội, Việt Nam: Nhà Xuất Bản Khoa Học Và Kỹ Thuật,
2005.
[8] Nguyễn Hữu Lộc, Cơ sở thiết kế máy. TPHCM, Việt Nam: Đại học Quốc gia TPHCM, 2007.
[9] Sanjaya Maniktala, Switching Power Supplies A–Z. USA: Elsevier Ltd, 2012.
[10] LIGO GEORGE. (2016, May) Electro some. [Online]. https://electrosome.com/dc-motor-

driving-using-h-bridge/
[11] (2012, Feb.) Talking Electronics. [Online]. http://www.talkingelectronics.com/projects/H-

Bridge/H-Bridge-1.html
[12] Electronics Tutorials. [Online]. http://www.electronics-tutorials.ws/transistor/tran_6.html
[13] (2016 , May) Aliot. [Online]. datasheet http://www.aliot.com.ua/pdf/ntc_mf58.pdf

PHỤ LỤC 1
Hình 1: Sơ đồ nguyên lý mạch tăng áp 12-24V
Hình 2: Mạch ổn áp nguồn 12V

Hình 3: Mạch hạ áp 12V- 5v
Hình 4: Mạch cầu H và mạch đo dòng

Các chƣơng trình trên LabVIEW
Hình 5: Chương trình nhận dạng chính trên LabVIEW

Hình 6: Phân tích phổ công suất FFT trên LabVIEW
Hình 7: Chương trình lọc nhiễu sử dụng bộ lọc FIR và Wavelet

Hình 8: Chương trình tính toán của hệ số R và ρ
Hình 9: Chương trình điều khiển

Hình 10: Chương trình thu tín hiệu EEG từ Epoc

PHỤ LỤC 2
EEG_ANALYSIS
clear all
clc
fol=['D:\Working\My work\EEG\Data\'];
day='2016_09_20';
ID=[1]; %ID person
pos=textscan('B', '%1s','CollectOutput',1); %state of mind
fs=128;
color=textscan('b g r c', '%1s','CollectOutput',1);
for k=1:length(ID)
fid=fopen([fol,day,'\0',num2str(ID(k)),'\','Note-0',num2str(ID(k)),'.TXT']);
note = textscan(fid, '%1s %3s','CollectOutput',1);
for z=1:length(pos{1,1})
[m,n]=size(note{1,1});
for j=1:m
if note{1,1}{j,1} == pos{1,1}{z,1};
numfile=str2num(note{1,1}{j,2});
end
end
CR=[];
Hsave=[];
isave=[];
for l=1:1 %numfile
clear A A67 C Dn tit strt m n m1 m2 g t frs fts
C=importdata([fol,day,'\0',num2str(ID),'\','0',num2str(ID),pos{1,1}{z,1},num2str(
l),'.TXT']);
tit=C.textdata{1,5};
strt=strread(tit,'%s', 'delimiter', ' ');
strt=strt';
[m,n]=size(C.data);
m1=1;
m2=floor(m/100)*100;
ch=[1 2 13 14];
C=C.data(m1:m2,ch+2);
a=2;
level=7;
[A,Dn]=wavelet_transform4(C,a,level,'db4');
A67=combsig(A,Dn,level,6,7); %A67 = D6 + D7
[m,n]=size(C);
t=[1:m]/fs;
figure(1)
clf
for in=1:length(ch)
subplot(4,2,2*in-1)
plot(t,A(:,in),color{1,1}{in,1})
v=axis;
axis([t(1) t(end) v(3) v(4)])
xlabel('t (s)')
ylabel('A (\muV)')
hold on
title([strt{1,2+ch(in)}])

end
for in=1:n
A67(:,in)=chuanhoa(A67(:,in));
end
g=[1 2 ; 1 3 ; 1 4 ; 2 3 ; 2 4 ; 3 4];
for in=1:6
cr(1,in)=corr2(A67(:,g(in,1)),A67(:,g(in,2)));
end
CR=[CR ; cr];
for in=1:length(ch)
subplot(4,2,2*in)
plot(t,A67(:,in),color{1,1}{in,1})
v=axis;
axis([t(1) t(end) -1 1])
xlabel('t (s)')
if in==1
title('\delta signal')
text(t(1)-
t(end)/5,1.8,['0',num2str(ID),pos{1,1}{z,1},num2str(l)],'FontSize',12)
end
if in==length(ch)
text(-1.4*t(end),-2.4,['cor(AF3,F7) = ',num2str(cr(1)),'
cor(AF3,F8) = ',num2str(cr(2)),' cor(AF3,AF4) = ',num2str(cr(3)),'
cor(F7,F8) = ',num2str(cr(4)),' cor(F7,AF4) = ',num2str(cr(5)),'
cor(F8,AF4) = ',num2str(cr(6))]);
end
end
set(gcf, 'PaperPositionMode', 'auto')
saveas(figure(1),[fol,day,'\0',num2str(ID),'\','0',num2str(ID),pos{1,1}{z,1},num2
str(l),'-',day,'.jpg'])
% FFT
[frs,fts]=fourier_transform4(A,fs);
fsig=[0.5 4 ; 4 8 ; 8 13 ; 13 30];
fdel=[0.5 1.5 ; 1.5 4 ; 0.5 3 ; 3 4 ; 0.5 4];
figure(2)
clf
hold on
AA=zeros(length(ch),length(fsig(:,1)));
BB=zeros(length(ch),length(fdel(:,1)));
PP=AA;
RB=BB;
delta=zeros(length(ch),1);
for i=1:length(ch)
for r=1:length(fsig(:,1))
areaDistance = inputDistance(fsig(r,:),frs,fts(:,i));
AA(i,r)=areaDistance;
end
for r=1:length(fsig(:,1))
PP(i,r)=AA(i,r)/sum(AA(i,:));
end
for r=1:length(fdel(:,1))
areaDistance1 = inputDistance(fdel(r,:),frs,fts(:,i));
BB(i,r)=areaDistance1;
end

RB(i,r)=BB(i,r)/BB(i,end);
end
delta(i,1)=(RB(i,1)/RB(i,2))*(RB(i,3)/RB(i,4));
end
end
PP=[PP delta];
[H,iZ]=localsta(PP,pos{1,1}{z,1});
for i=1:length(ch)
colog=find(iZ==i);
if isempty(colog)==1
colrmap='b';
isave(l,i)=0;
else
colrmap='b';
isave(l,i)=1;
end
subplot(2,2,i)
bar(frs,fts(:,i),colrmap)
v=axis;
axis([0 35 v(3) v(4)])
xstr=['R_{\delta} = ',num2str(PP(i,1)),' R_{\theta} =
',num2str(PP(i,2)),' R_{\alpha} = ',num2str(PP(i,3)),' R_{\beta} =
',num2str(PP(i,4)),' f (Hz)'];
xlabel(xstr)
text(27,v(4)*0.9,['\rho = ',num2str(delta(i,1))]);
ylabel('P (\muV^2)')
title([strt{1,2+ch(i)}])
if i == 1
text(39,1.15*v(4),['0',num2str(ID),pos{1,1}{z,1},num2str(l)],'FontSize',12);
end
end
saveas(figure(2),[fol,day,'\0',num2str(ID),'\','F-
0',num2str(ID),pos{1,1}{z,1},num2str(l),'-',day,'.jpg'])
Hsave=[Hsave ; H];
end
csvwrite([fol,day,'\0',num2str(ID),'\','C-0',num2str(ID),pos{1,1}{z,1},'-
',day,'.csv'],CR)
csvwrite([fol,day,'\0',num2str(ID),'\','R-0',num2str(ID),pos{1,1}{z,1},'-
',day,'.csv'],Hsave)
csvwrite([fol,day,'\0',num2str(ID),'\','i-0',num2str(ID),pos{1,1}{z,1},'-
',day,'.csv'],isave)
end
end
#############################################################################
WAVELET_TRANSFORM
function [A3,Dn]=wavelet_transform4(St,a,level,wavelet)
[m,ch]=size(St);
A3=zeros(m,ch);
for kn=1:ch
l_S(kn)=length(St(:,kn));
[C(:,kn),L(:,kn)]=wavedec(St(:,kn),level,wavelet)

for jn=1:level
Dn(:,(kn-1)*level+jn)=wrcoef('d',C(:,kn),L(:,kn),wavelet,jn);
An(:,(kn-1)*level+jn)=wrcoef('a',C(:,kn),L(:,kn),wavelet,jn);
end
for jn=a:level
A3(:,kn)=A3(:,kn)+Dn(:,(kn-1)*level+jn);
end
end
FOURIER_TRANSFORM
function [frs,fts]=fourier_transform4(A3,Fscan)
[m,ch]=size(A3);
bins=0:m-1;
frs=[(bins)*Fscan/m];
for kn=1:ch
Y(:,kn)=fft(A3(:,kn),m);
fts(:,kn)=(Y(:,kn).*conj(Y(:,kn))/m);
fts(1,kn)=0;
end
#############################################################################
AREA_DISTANCE
function areaDistance = inputDistance(dis,frs,fts)
indicate = find(frs >= dis(1) & frs <=dis(2));
tempFts = fts;
valueFigOneOfFrs = frs(indicate);
valueFigOneOfFts = tempFts(indicate);
tempAreaFig = trapz(valueFigOneOfFrs,valueFigOneOfFts);
areaDistance = tempAreaFig;
#############################################################################
LOCAL_STATISTISC
function [H,iZ]=local_statistics(PP)
[m,n]=size(PP);
B=[];
X=[];
for i=1:m
if PP(i,1) >= 0.59111
B(i)=1;
else
B(i)=0;
end
if PP(i,3) >= 0.17552
X(i)=1;
else
X(i)=0;
end
end
if sum(B)/4 >= 0.5
io=1;
Z=sort(PP(:,io));
for in=1:4
w=find(PP(:,io)==Z(in));
iZ(in,1)=w(1);
end
k1=length(Z);
u=mean(Z)-std(Z);

for in=1:k1-1
if Z(in)<u
Z=Z(in+1:k1);
iZ=iZ(in+1:k1,1);
u=mean(Z)-std(Z);
else
H=mean(PP(iZ,:));
end
end
elseif sum(X)/4 >= 0.5
io=3;
Z=sort(PP(:,io));
for in=1:4
iZ(in,1)=w(1);
end
k1=length(Z);
u=mean(Z)-std(Z);
for in=1:k1-1
if Z(in)<u
Z=Z(in+1:k1);
iZ=iZ(in+1:k1,1);
u=mean(Z)-std(Z);
else
H=mean(PP(iZ,:));
end
end
else
io=3;
Z=sort(PP(:,io));
for in=1:4
iZ(in,1)=w(1);
end
k1=length(Z);
u=mean(Z)-std(Z);
for in=1:k1-1
if Z(in)<u
Z=Z(in+1:k1);
iZ=iZ(in+1:k1,1);
u=mean(Z)-std(Z);
else
H=mean(PP(iZ,:));
end
end
end
#############################################################################
GLOBAL_STATISTISC
clear all
clc
fol='D:\Working\My work\EEG\Data\statistic\';
B0=importdata([fol,'01B','.TXT']);
D0=importdata([fol,'01D','.TXT']);
L0=importdata([fol,'01L','.TXT']);

R0=importdata([fol,'01R','.TXT']);
X0=importdata([fol,'01X','.TXT']);
B0=B0.data;
D0=D0.data;
L0=L0.data;
R0=R0.data;
X0=X0.data;
l=size(L0,1)+size(R0,1)+size(B0,1)+size(D0,1)+size(X0,1);
col=3;
X0=X0(:,col);
X=X0;
X1=X;
X0=sort(X0);
B0=B0(:,col);
B=B0;
B1=B;
L0=L0(:,col);
L=L0;
L1=L;
R0=R0(:,col);
R=R0;
R1=R;
D0=D0(:,col);
D=D0;
D1=D;
U=[B0 ; L0 ; R0 ; D0];
U=sort(U,'descend');
mindt=X0(1);
maxdt=U(1);
mX=min(X);
MB=max(B);
ML=max(L);
MR=max(R);
MD=max(D);
nX=find(X1==mX); nX=nX(1);
nB=find(B1==MB); nB=nB(1);
nD=find(D1==MD); nD=nD(1);
nL=find(L1==ML); nL=nL(1);
nR=find(R1==MR); nR=nR(1);
bien=mean([(mX+MB)/2 (mX+ML)/2 (mX+MR)/2 (mX+MD)/2]);
fx=find(X<=bien);
errX=length(fx)*100/length(X);
fb=find(B>bien);
errB=length(fb)*100/length(B);
fd=find(D>bien);
errD=length(fd)*100/length(D);
fl=find(L>bien);
errL=length(fl)*100/length(L);
fr=find(R>bien);
errR=length(fr)*100/length(R);
i=0;
figure(4)
clf
nx=max([length(B1) length(L1) length(R1) length(D1) length(X1)]);
ny=mX:(MD-mX)/2000:MD;

hold on
plot((nx/length(B1))*[1:length(B1)],B1,'bp','MarkerFaceColor','y','MarkerSize',7)
plot((nx/length(L1))*[1:length(L1)],L1,'cp','MarkerFaceColor','y','MarkerSize',7)
plot((nx/length(R1))*[1:length(R1)],R1,'rp','MarkerFaceColor','y','MarkerSize',7)
plot((nx/length(D1))*[1:length(D1)],D1,'gp','MarkerFaceColor','y','MarkerSize',7)
plot((nx/length(X1))*[1:length(X1)],X1,'mp','MarkerFaceColor','y','MarkerSize',7)
xlabel('n')
ylabel('R\alpha')
v=axis;
n=v(1):0.1:nx;
plot(n,bien,'k--','MarkerSize',5)
plot(n,maxdt,'g--','MarkerSize',5)
plot(n,mindt,'m--','MarkerSize',5)
plot((nx/length(B1))*nB,MB,'bp','MarkerFaceColor','w','MarkerSize',12)
plot((nx/length(L1))*nL,ML,'cp','MarkerFaceColor','w','MarkerSize',12)
plot((nx/length(R1))*nR,MR,'rp','MarkerFaceColor','w','MarkerSize',12)
plot((nx/length(D1))*nD,MD,'gp','MarkerFaceColor','g','MarkerSize',12)
plot((nx/length(X1))*nX,mX,'mp','MarkerFaceColor','m','MarkerSize',12)
plot(nx,ny)
axis([v(1) nx 0 v(4)])
title([date,' R_{\alpha} global statistics Loop time :
',num2str(i),' \gamma = ',num2str(1-2*i/l)])
legend(['B error_{\alpha_B} = ',num2str(errB),' %'],['L error_{\alpha_L}
= ',num2str(errL),' %'],['R error_{\alpha_R} = ',num2str(errR),' %'],['D
error_{\alpha_D} = ',num2str(errD),' %'],['X error_{\alpha_X} =
',num2str(errX),' %'])
text(nx-nx/16,-0.015+bien,num2str(bien))
text(nx-0.4,maxdt-0.01,'\uparrow')
text(nx-0.4,mindt+0.01,'\downarrow')
saveas(figure(4),[fol,'alpha_global_statistics-00',num2str(i),'.bmp'])
while (errX > 5) || (errB > 5) || (errD > 5) || (errL > 5) || (errR > 5)
i=i+1;
mindt=X0(i);
maxdt=U(i);
secdt=U(i+1);
ny=X0(i+1):(secdt-X0(i+1))/2000:secdt;
minpo=find(X==mindt);
minpo=minpo(1);
X(minpo)=[];
minpo=find(X1==mindt);
minpo=minpo(1);
X1(minpo)=-1;
maxpb=find(B==maxdt);
maxpl=find(L==maxdt);
maxpr=find(R==maxdt);
maxpd=find(D==maxdt);
secpb=find(B==secdt);
secpl=find(L==secdt);
secpr=find(R==secdt);
secpd=find(D==secdt);
if isempty(maxpb)==0
maxpb=maxpb(1);
B(maxpb)=[];
maxpb=find(B1==maxdt); maxpb=maxpb(1);

B1(maxpb)=-1;
iclr='b';
elseif isempty(maxpl)==0
maxpl=maxpl(1);
L(maxpl)=[];
maxpl=find(L1==maxdt); maxpl=maxpl(1);
L1(maxpl)=-1;
iclr='c';
elseif isempty(maxpr)==0
maxpr=maxpr(1);
R(maxpr)=[];
maxpr=find(R1==maxdt); maxpr=maxpr(1);
R1(maxpr)=-1;
iclr='r';
elseif isempty(maxpd)==0
maxpd=maxpd(1);
D(maxpd)=[];
maxpd=find(D1==maxdt); maxpd=maxpd(1);
D1(maxpd)=-1;
iclr='g';
end
mX=min(X);
MB=max(B);
ML=max(L);
MR=max(R);
MD=max(D);
nX=find(X1==mX); nX=nX(1);
nB=find(B1==MB); nB=nB(1);
nD=find(D1==MD); nD=nD(1);
nL=find(L1==ML); nL=nL(1);
nR=find(R1==MR); nR=nR(1);
bien=mean([(mX+MB)/2 (mX+ML)/2 (mX+MR)/2 (mX+MD)/2]);
fx=find(X<=bien);
errX=length(fx)*100/length(X);
fb=find(B>bien);
errB=length(fb)*100/length(B);
fd=find(D>bien);
errD=length(fd)*100/length(D);
fl=find(L>bien);
errL=length(fl)*100/length(L);
fr=find(R>bien);
errR=length(fr)*100/length(R);
figure(4)
clf
nx=max([length(B1) length(L1) length(R1) length(D1) length(X1)]);
if isempty(secpb)==0
iclr='b';
secpb=secpb(1);
isec=find(B1==secdt); isec=(nx/length(B1))*isec(1);
elseif isempty(secpl)==0
iclr='c';
secpl=secpl(1);
isec=find(L1==secdt); isec=(nx/length(L1))*isec(1);
elseif isempty(secpr)==0
iclr='r';

secpr=secpr(1);
isec=find(R1==secdt); isec=(nx/length(R1))*isec(1);
elseif isempty(secpd)==0
iclr='g';
secpd=secpd(1);
isec=find(D1==secdt); isec=(nx/length(D1))*isec(1);
end
hold on
plot((nx/length(B1))*[1:length(B1)],B1,'bp','MarkerFaceColor','y','MarkerSize',7)
plot((nx/length(L1))*[1:length(L1)],L1,'cp','MarkerFaceColor','y','MarkerSize',7)
plot((nx/length(R1))*[1:length(R1)],R1,'rp','MarkerFaceColor','y','MarkerSize',7)
plot((nx/length(D1))*[1:length(D1)],D1,'gp','MarkerFaceColor','y','MarkerSize',7)
plot((nx/length(X1))*[1:length(X1)],X1,'mp','MarkerFaceColor','y','MarkerSize',7)
xlabel('n')
ylabel('R\alpha')
v=axis;
n=v(1):0.1:nx;
plot(n,bien,'k--','MarkerSize',5)
plot(n,U(i+1),[iclr,'--'],'MarkerSize',5)
plot(n,X0(i+1),'m--','MarkerSize',5)
plot((nx/length(B1))*nB,MB,'bp','MarkerFaceColor','w','MarkerSize',12)
plot((nx/length(L1))*nL,ML,'cp','MarkerFaceColor','w','MarkerSize',12)
plot((nx/length(R1))*nR,MR,'rp','MarkerFaceColor','w','MarkerSize',12)
plot((nx/length(D1))*nD,MD,'gp','MarkerFaceColor','w','MarkerSize',12)
plot((nx/length(X1))*nX,mX,'mp','MarkerFaceColor','m','MarkerSize',12)
plot(nx,ny)
plot(isec,secdt,[iclr,'p'],'MarkerFaceColor',iclr,'MarkerSize',12)
axis([v(1) nx 0 v(4)])
if (errX > 5) || (errB > 5) || (errD > 5) || (errL > 5) || (errR > 5)
looptime=' ';
elseif (errX <= 5) && (errB <= 5) && (errD <= 5) && (errL <= 5) && (errR <=
5)
looptime=' (final)';
end
title([date,' R_{\alpha} global statistics Loop time
: ',num2str(i),looptime,' \gamma = ',num2str(1-2*i/l)])
legend(['B error_{\alpha_B} = ',num2str(errB),' %'],['L
error_{\alpha_L} = ',num2str(errL),' %'],['R error_{\alpha_R} =
',num2str(errR),' %'],['D error_{\alpha_D} = ',num2str(errD),' %'],['X
error_{\alpha_X} = ',num2str(errX),' %'])
text(nx-nx/16,-0.015+bien,num2str(bien))
text(nx-0.4,U(i+1)-0.01,'\uparrow')
text(nx-0.4,X0(i+1)+0.01,'\downarrow')
saveas(figure(4),[fol,'alpha_global_statistics-',num2str(i),'.bmp'])
end

PHỤ LỤC 3
Các công bố và giải thƣởng có liên quan

- Hệ thống thu nhận tín hiệu y sinh từ xa ứng dụng trong nhận dạng và điều khiển, HCV thiết
kế chế tạo và ứng dụng trong “Liên hoan tuổi trẻ sáng tạo tp. HCM 2014”, Trần Hoàng Bảo & Lê
Thành Nhân
- Wireless Transceiver for BioMedical Sensors, 2015 NI Engineering Impact Awards ASEAN
Regional Contest, Lê Thành Nhân, 25-09-07, ni.com/case-studies pages 156.

Thesis Mindwheel PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Thesis Mindwheel PDF

Uploaded by

Copyright:

Available Formats

ĐẠI HỌC QUỐC GIA TP.

HCM CỘNG HÕA XÃ HỘI CHỦ NGHĨA VIỆT NAM

TP.Hồ Chí Minh, ngày 15 tháng 08 năm 2016

NHIỆM VỤ LUẬN VĂN TỐT NGHIỆP

HỌ VÀ TÊN: LÊ THỊ CẨM VÂN MSSV: K1204472

1. Đầu đề luận văn:

3. Ngày giao nhiệm vụ luận văn: 15/08/2016

Tên đề tài và nội dung LVTN đã đƣợc thông qua Bộ môn.

NGƢỜI HƢỚNG DẪN CHỦ NHIỆM BỘ MÔN

Nhóm sinh viên

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân i

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân ii

LỜI CẢM ƠN................................................................................................................................... i

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân iii

3.3.2 Thống kê toàn cục......................................................................................................... 44

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân iv

DANH SÁCH HÌNH ẢNH

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân v

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân vi

Hình 3.55 Mạch tăng áp ở trạng thái kín ....................................................................................... 71

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân vii

DANH SÁCH BẢNG BIỂU

Bảng 3.1 Số lƣợng các mẫu đã thu thập đƣợc ............................................................................... 17

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân viii

DANH SÁCH CÁC THUẬT NGỮ VIẾT TẮT

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân ix

CHƢƠNG 1. GIỚI THIỆU

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 1

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 2

2.1 MỐI LIÊN HỆ GIỮA TÍN HIỆU EEG, EOG VÀ EMG

Hình 2.1 Cấu tạo vỏ não

Nguồn: Google images

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 3

Hình 2.2 Phân loại sóng điện não [5]

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 4

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 5

Hình 2.3 Sơ đồ điện cực của EPOC

Hình 2.4 Giao diện làm việc của LabVIEW

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 6

Hình 2.5 NI MyRIO 1900

Hình 2.6 MatLab và các ứng dụng

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 7

- Tính toán toán học

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 8

2.4 Phép phân tích Fourier và phép biến đổi Wavelet

Hình 2.7 Phép biến đổi Fourier

Với F ( ) là biến đổi Fourier của hàm f (t )

2.4.1.2 Biến đổi Fourier liên tục

2.4.1.3 Biến đổi Fourier rời rạc

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 9

Hình 2.8 Phép biến đổi Wavelet

Hình 2.9 Sóng Sin và sóng Wavelet [7]

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 10

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 11

Hình 2.12 Đặc tính tỷ lệ của sóng Sin

Hình 2.13 Đặc tính tỷ lệ của sóng Wavelet

Hình 2.14 Sự dịch tín hiệu Wavelet

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 12

2.4.2.4 Biến đổi Wavelet rời rạc

Hình 2.15 Cây phân tách Wavelet

là hệ số tƣơng quan mẫu giữa X và Y.

SVTH: Lê Thị Cẩm Vân - Lê Thành Nhân 13

Trong đó, x là trung bình của mẫu X