1. Tổng quan:

• Chủ đề: Phân loại trạng thái chú ý tinh thần bằng dữ liệu EEG.
• Nguồn dữ liệu: https://www.kaggle.com/datasets/inancigdem/eeg-data-for-mental-attention-state-detection/data
  • Dữ liệu EEG được thu thập trong 25 giờ từ 5 người tham gia, mỗi người điều khiển tàu mô phỏng bằng “Microsoft Train Simulator” trong 35-55 phút trên tuyến đường đơn giản.
  • Trạng thái tinh thần:
    • Tập trung: Giám sát tàu một cách thụ động, duy trì tập trung mà không cần can thiệp tích cực.
    • Mất tập trung: Không chú ý, tỉnh táo nhưng tách rời, khó phát hiện bằng biểu hiện bên ngoài.
    • Buồn ngủ: Dễ nhận thấy qua EEG (dải alpha tăng) hoặc các dấu hiệu như chớp mắt, nhịp tim.
  • Quy trình thí nghiệm:
    • 10 phút đầu: Điều khiển tập trung, theo dõi sát màn hình.
    • 10 phút tiếp: Ngừng điều khiển, không chú ý nhưng vẫn tỉnh táo.
    • 10 phút cuối: Thư giãn, nhắm mắt, ngủ gật nếu muốn.
  • Cài đặt thí nghiệm:
    • Sử dụng đầu máy “Acela Express” và đoạn đường “Amtrak-Philadelphia” dài 40 phút trong chương trình mô phỏng.
    • Đoạn đường phẳng, yêu cầu ít đầu vào điều khiển, trừ 5 phút đầu và cuối cần mức tham gia cao hơn.
    • Người tham gia duy trì tốc độ 40 mph, điều chỉnh ga và phanh qua bàn phím.
  • Quy trình thực hiện:
    • Mỗi người tham gia thực hiện 7 thí nghiệm (1 lần/ngày), 2 thí nghiệm đầu để làm quen, 5 thí nghiệm sau thu thập dữ liệu.
    • Thí nghiệm diễn ra từ 7-9 giờ tối để dễ vào trạng thái buồn ngủ trong giai đoạn cuối.
    • Người tham gia được giám sát và ghi hình để đảm bảo tuân thủ cấu trúc thí nghiệm, không có gián đoạn như di chuyển hay nói chuyện.
  • Sử dụng tai nghe Epoc EEG được chỉnh sửa, trang bị 12 kênh với:
    • Tốc độ lấy mẫu: 128 Hz.
    • Độ phân giải: 0,51 μV.
    • Băng thông: 0,2–43 Hz.
    • Điện cực đặt tại các vị trí: F3, F4, Fz, C3, C4, Cz, Pz (hệ thống 10–20).
    • 4 đạo trình (T3, T4, T5, T6) dùng làm dòng điện và tham chiếu, không thu thập dữ liệu.
    • Sử dụng script Matlab tùy chỉnh dựa trên eeglogger.m.
    • Trở kháng điện cực được kiểm tra trước và sau thí nghiệm, nếu không đạt yêu cầu, thí nghiệm được lặp lại.
    
  • Dữ liệu:
    • Dữ liệu thô nằm trong o.data, mảng kích thước {số mẫu}x25.
    • Mỗi cột o.data(:,i) tương ứng với một kênh dữ liệu.
    • Tần số lấy mẫu: 128 Hz.
    • Danh sách kênh:
      • 1-'ED_COUNTER'
      • 2-'ED_INTERPOLATED'
      • 3-'ED_RAW_CQ'
      • 4-'ED_AF3'
      • 5-'ED_F7'
      • 6-'ED_F3'
      • 7-'ED_FC5'
      • 8-'ED_T7'
      • 9-'ED_P7'
      • 10-'ED_O1'
      • 11-'ED_O2'
      • 12-'ED_P8'
      • 13-'ED_T8'
      • 14-'ED_FC6'
      • 15-'ED_F4'
      • 16-'ED_F8'
      • 17-'ED_AF4'
      • 18-'ED_GYROX'
      • 19-'ED_GYROY'
      • 20-'ED_TIMESTAMP'
      • 21-'ED_ES_TIMESTAMP'
      • 22-'ED_FUNC_ID'
      • 23-'ED_FUNC_VALUE'
      • 24-'ED_MARKER'
      • 25'ED_SYNC_SIGNAL' The EEG data is in the channels 4:17.
    
• Mục tiêu:
  • Tích lũy thêm domain knowledge về tín hiệu não
  • Biết cách xử lý tín hiệu sóng phức tạp
  • Phân loại các trạng thái tinh thần bằng các mô hình máy học

2. Tổ chức file:

• Data: dữ liệu khá lớn nên đã được upload lên drive dưới đây: https://drive.google.com/drive/u/0/folders/1iaqDKBWp38GZGi8MHfXA52AzVIMiwGMt?fbclid=IwY2xjawHCBRRleHRuA2FlbQIxMAABHf4JmYq8Iyuaq36LuuE37YgthesIUllLeF4xDqT8WYDW-ILyXNZlyZIllg_aem_6pE42FPlIIzYKKE7j-D9iA
  • CNN data
  • SVM data and KNN data
  • XGboots data
• File code chính:
  • 1. Tổng Quan Về Dữ Liệu EEG.ipynb: Phân tích và và đánh giá tổng quan dữ liệu EEG thô
  • 2.ICA dữ liệu và hiểu dữ liệu thông qua hình vẽ và mô tả EEG.ipynb: Thực hiện ICA và trực quan hóa dữ liệu
  • 3. feature_extraction_for_SVM_and_KNN_model.ipynb: Thực hiện lấy dữ liệu đầu vào cho mô hình SVM và KNN
  • 4. SVM_model baseline model.ipynb: Thực hiện mô hình SVM
  • 5. Feature Extraction Cnn.ipynb: Lấy dữ liệu đầu vào cho mô hình CNN
  • 6. cnn_model.ipynb: Thực hiện mô hình CNN
  • 7. XGBOOST_feature extraction and trainning model.ipynb: Dữ liệu đầu vào cho XGBOOTS
  • 8. Compare_model.ipynb: So sánh giữa các model với nhau
• File báo cáo và đánh giá nhóm:
  • PRML2024_Midterm_Group05_report.pdf: Báo cáo
  • 11-Bảng-Đánh-Giá-Quá-Trình-Làm-Việc-Của-Nhóm-5..pdf: Đánh giá

3. Quy trình:

3.1: Lấy dữ liệu cho SVM và KNN:

- Chi tiết coi trong file notebook 3. feature_extraction_for_SVM_and_KNN_model.ipynb

3.2: Lấy dữ liệu cho CNN:

-Chi tiết coi trong file notebook 5. Feature Extraction Cnn.ipynb

3.3: Lấy dữ liệu cho XGBOOTS:

- Chi tiết coi trong file 7. XGBOOST_feature extraction and trainning model.ipynb

4. Triển khai model và kết quả:

4.1: Model SVM:

4.2: Model KNN:

4.3: Model CNN:

4.4: XGBOOTS:

5. So sánh giữa các model:

6. Kết luận:

• Nội dung nghiên cứu:
  • Phát triển EEG BCI thụ động để theo dõi và phân loại ba trạng thái tinh thần: chú ý thụ động, thảnh thơi, và buồn ngủ.
  • Sử dụng mô hình SVM để đạt độ chính xác cao trong phân biệt trạng thái tinh thần, với kết quả tốt nhất là 86,78% và trung bình là 85.78%.
• Ứng dụng tiềm năng:
  • An toàn người lái xe: Sử dụng để phát hiện trạng thái không tập trung hoặc buồn ngủ nhằm cảnh báo kịp thời.
  • Ứng dụng lâm sàng:
    • Đánh giá hoặc theo dõi trạng thái tinh thần của bệnh nhân.
    • Mở rộng các phương pháp như chỉ số lưỡng cực (BIS) để theo dõi độ sâu gây mê, dựa trên việc phân tích tín hiệu EEG.
  • Khái quát hóa: Nghiên cứu cung cấp cơ sở để phát triển các hệ thống phát hiện trạng thái tinh thần khác trong nhiều bối cảnh khác nhau, từ bảo mật đến y học.
• Ý nghĩa đặc biệt:
• Phương pháp phân tích các tham số từ tín hiệu EEG giúp cung cấp hiểu biết mới về cách biểu thị các trạng thái tinh thần.
• Hướng đi mới trong việc ứng dụng EEG BCI vào các bài toán thực tiễn với tiềm năng lớn trong cải thiện an toàn và hiệu quả giám sát.

7. Tài liệu tham khảo:

• https://www.researchgate.net/publication/333499959_Distinguishing_mental_attention_states_of_humans_via_an_EEG-based_passive_BCI_using_Machine_Learning_Methods