Đồ án tốt nghiệp - Thiết kế và xây dựng phần mềm để phân tích và phân loại vận ĐTTCCNQTHĐNĐVỨDMNTC

BỘ GIÁO DỤC &amp ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN – ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH
-

KHÓA LUẬN TỐT NGHIỆP
NGÀNH KỸ THUẬT Y SINH

ĐỀ TÀI:

THIẾT KẾ VÀ XÂY DỰNG PHẦN MỀM ĐỂ
PHÂN TÍCH VÀ PHÂN LOẠI VẬN ĐỘNG TAY
TRÁI/PHẢI CỦA CON NGƯỜI QUA TÍN HIỆU
ĐIỆN NÃO ĐỒ VÀ ỨNG DỤNG MẠNG
NƠ-RON TÍCH CHẬP
GVHD: ThS. Trần Đăng Khoa
SVTH 1: Trần Thị Hậu
MSSV: 18129018
SVTH 2: Vũ Thị Minh
MSSV: 18129034
Tp. Hồ Chí Minh - 06/2022

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN – ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH
-

KHÓA LUẬN TỐT NGHIỆP
NGÀNH KỸ THUẬT Y SINH

ĐỀ TÀI:

THIẾT KẾ VÀ XÂY DỰNG PHẦN MỀM ĐỂ
PHÂN TÍCH VÀ PHÂN LOẠI VẬN ĐỘNG TAY
TRÁI/PHẢI CỦA CON NGƯỜI QUA TÍN HIỆU
ĐIỆN NÃO ĐỒ VÀ ỨNG DỤNG MẠNG
NƠ-RON TÍCH CHẬP
GVHD: ThS. Trần Đăng Khoa
SVTH 1: Trần Thị Hậu
MSSV: 18129018
SVTH 2: Vũ Thị Minh
MSSV: 18129034
Tp. Hồ Chí Minh - 06/2022
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

iii

TRƯỜNG ĐH SPKT TP. HỒ CHÍ MINH
CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
KHOA ĐIỆN-ĐIỆN TỬ
Độc lập - Tự do - Hạnh phúc
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH
Tp. HCM, ngày 21 tháng 4 năm 2022

NHIỆM VỤ KHÓA LUẬN TỐT NGHIỆP
Họ tên sinh viên:

Trần Thị Hậu

MSSV: 18129018

Vũ Thị Minh

MSSV: 18129034

Chuyên ngành:

Kỹ thuật Y Sinh

Mã ngành:

01

Hệ đào tạo:

Đại học chính quy

Mã hệ:

1

Khóa:

2018

Lớp:

181290B

I. TÊN ĐỀ TÀI:
THIẾT KẾ VÀ XÂY DỰNG PHẦN MỀM ĐỂ PHÂN TÍCH VÀ PHÂN LOẠI VẬN
ĐỘNG TAY TRÁI/PHẢI CỦA CON NGƯỜI QUA TÍN HIỆU ĐIỆN NÃO ĐỒ VÀ
ỨNG DỤNG MẠNG NƠ-RON TÍCH CHẬP
II. NHIỆM VỤ
1. Các số liệu ban đầu:
- Ngôn ngữ lập trình sử dụng: Matlab
- Phần mềm huấn luyện: Matlab 2019
- Tập dữ liệu: Dữ liệu EEG về 2 dạng gập duỗi khuỷu tay trái/phải thu từ các tình nguyện
viên thuộc Đại học Sư Phạm Kỹ Thuật thành phố Hồ Chí Minh trong độ tuổi từ 20-22
- Thiết bị thu dữ liệu: Emotiv Flex 32 kênh
- Phần mềm thu dữ liệu: EmotivPRO
2. NỘI DUNG thực hiện:
- Đọc và tìm hiểu tài liệu liên quan đến đề tài
- Xây dựng giao thức thí nghiệm
- Tiến hành thu dữ liệu
- Đánh giá chất lượng tín hiệu thô
- Tiền xử lý tín hiệu
- Trích đặc trưng của dữ liệu
- Phân loại tín hiệu vận động của tay trái/phải
- Xây dựng phần mềm nhận diện vận động tay trái/phải
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

iv

III. NGÀY GIAO NHIỆM VỤ:

25/02/2022

IV. NGÀY HOÀN THÀNH NHIỆM VỤ: 15/06/2022
V. HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN:
CÁN BỘ HƯỚNG DẪN

ThS. Trần Đăng Khoa

BM. ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

BỘ
...

...
126(11):5389–97.
42.

Lun X, Yu Z, Chen T, Wang F, Hou Y. A Simplified CNN Classification
Method for MI-EEG via the Electrode Pairs Signals. Front Hum Neurosci. 2020
Sep 1514:338.

43.

Introduction. https://emotiv.gitbook.io/epoc-flex-user-manual/epoc
flex/readme.

44.

Technical Specifications. https://emotiv.gitbook.io/epoc-flex-usermanual/epoc-flex/technical-spec.

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

85

PHỤ LỤC

PHỤ LỤC
Sản phẩm của nhóm là phần mềm phân tích và phân loại vận động tay trái/phải,
nên code của phần mềm bao gồm code lập trình giao diện và code xử lý tín hiệu. Do
đó, khối lượng code của phần mềm khá lớn. Vì vậy, nhóm đã lưu trữ code lên link
“Google Drive”. Đây là link chứa code sản phẩm cuối cùng của nhóm:
https://drive.google.com/drive/folders/1oHs9Oj5KLl8sTZEhyLw5FpNpOBBFRHD
?usp=sharing
❖ Chương trình phân loại tín hiệu dùng CNN 2D bằng Matlab
clc clear all close all
%%
(msgbox(Seclect a folder to train))
PtMIF

= uigetdir(D:\\)

imds= imageDatastore(PtMIF,IncludeSubfolders,true,LabelSource,foldernames)
S

= dir(fullfile(PtMIF,*))

NoSF

= setdiff({S([S.isdir]).name},{.,..}) % list of subfolders of D

%%
inputSize=[100 100 1]
[imdsTrainx,imdsTestx] = splitEachLabel(imds,0.7,randomize)
imdsTrain=augmentedImageDatastore(inputSize,...
imdsTrainx,ColorPreprocessing,rgb2gray)
imdsTest=augmentedImageDatastore(inputSize,...
imdsTestx,ColorPreprocessing,rgb2gray)

%% CNN layers
layers = [ ...
imageInputLayer([100 100 1])
convolution2dLayer(5,20)
reluLayer

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

86

PHỤ LỤC
maxPooling2dLayer(2,Stride,2)
fullyConnectedLayer(numel(NoSF))
softmaxLayer
classificationLayer]
%%
options = trainingOptions(sgdm, ...
MaxEpochs,30,...
InitialLearnRate,1e-4, ...
Verbose,false, ...
Plots,training-progress)
%% Train
net = trainNetwork(imdsTrain,layers,options)
%% Accuracy
%compare the test image against neural network results
[YPred,scores] = classify(net,imdsTestx)
YTest = imdsTestx.Labels %read the label of the testx image
YPred = string(YPred)

%convert YPred categorial value to string value

YTest = string(YTest)

%convert YTest categorial value to string value

YTest=categorical(YTest)
YPred=categorical(YPred)
scores = max(double(scores*100))
%calculate accuracy of previous classification based on differences
accuracy = sum(YPred == YTest)/numel(YTest)
%%
plotconfusion(YTest,YPred)

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

87