Luận án Mạng neural trong hệ thống điều khiển xe lăn cho người tàn tật nặng sử dụng điện não (eeg) và camera

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ GIAO THÔNG VẬN TẢI 
TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI 
TP. HỒ CHÍ MINH 
LÂM QUANG CHUYÊN 
MẠNG NEURAL TRONG HỆ THỐNG ĐIỀU 
KHIỂN XE LĂN CHO NGƯỜI TÀN TẬT NẶNG SỬ 
DỤNG ĐIỆN NÃO (EEG) VÀ CAMERA 
LUẬN ÁN TIẾN SĨ KỸ THUẬT 
TP. HỒ CHÍ MINH – 3/2020 
BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ GIAO THÔNG VẬN TẢI 
TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI 
TP. HỒ CHÍ MINH 
LÂM QUANG CHUYÊN 
MẠNG NEURAL TRONG HỆ THỐNG ĐIỀU KHIỂN XE 
LĂN CHO NGƯỜI TÀN TẬT NẶNG SỬ DỤNG ĐIỆN 
NÃO (EEG) VÀ CAMERA 
CHUYÊN NGÀNH 
KỸ THUÂT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA 
MÃ SỐ: 9520216 
NGƯỜI HƯỚNG DẪN KHOA HỌC 
PGS. TS. NGUYỄN HỮU KHƯƠNG 
PGS. TS. VÕ CÔNG PHƯƠNG 
TP. HỒ CHÍ MINH – 3/2020 
Trang i 
LỜI CAM ĐOAN 
Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi, các kết quả nghiên 
cứu được trình bày trong luận án là trung thực, khách quan và chưa từng để bảo vệ 
ở bất kỳ học vị nào. 
Tôi xin cam đoan rằng mọi sự giúp đỡ cho việc thực hiện luận án đã được cám 
ơn, các thông tin trích dẫn trong luận án này đều được chỉ rõ nguồn gốc. 
Tp. Hồ Chí Minh, ngày 30 tháng 03 năm 2020 
Tác giả luận án 
Lâm Quang Chuyên 
Trang ii 
LỜI CẢM ƠN 
Để hoàn thành được luận án Tiến sĩ này tôi xin chân thành cảm ơn đến với 
Thầy hướng dẫn PGS. TS Nguyễn Hữu Khương đã tận tình hướng dẫn, giúp đỡ và 
động viên tôi trong suốt quá trình thực hiện luận án. 
Tôi xin chân thành cảm ơn Thầy PGS. TS Võ Công Phương đã động viên, 
giúp đỡ tôi trong trong quá trình thực hiện luận án. 
Tôi xin chân thành cảm ơn Thầy TS. Nguyễn Lương Anh Tuấn đã giúp đỡ 
trong vấn đề học thuật và góp ý một số vấn đề liên quan đến luận án. 
Tôi xin chân thành cảm ơn Thầy PGS. TS Đặng Xuân Kiên đã tạo điều kiện 
thuận lợi trong quá trình thực hiện luận án. 
Ngoài ra tôi cũng chân thành cảm ơn đến quý Thầy/Cô trong khoa Điện và 
Viện sau đại học Trường Đại học Giao thông Vận tải TP. HCM, đồng nghiệp 
Trường Cao đẳng Công thương TP. HCM đã tạo điều kiện hết sức thuận lợi trong 
quá trình nghiên cứu, bổ sung hoàn thành các thủ tục trong quá trình nghiên cứu, 
tôi xin chân thành cảm ơn các em sinh viên Trường Cao đẳng Công thương TP. 
Hồ Chí Minh đã nhiệt tình tham gia trong quá trình thu thập dữ liệu, thực nghiệm 
điều khiển xe mô hình, tôi cũng xin chân thành cảm ơn đến với tất cả các bạn cùng 
là nghiên cứu sinh như tôi. 
Tp. Hồ Chí Minh, ngày 30 tháng 03 năm 2020 
Tác giả luận án 
Lâm Quang Chuyên 
Trang iii 
MỤC LỤC 
LỜI CAM ĐOAN .................................................................................................. 1 
LỜI CẢM ƠN ........................................................................................................ ii 
MỤC LỤC ............................................................................................................. iii 
DANH MỤC VÀ CHỮ VIẾT TẮT ...................................................................... vi 
DANH MỤC HÌNH ............................................................................................. vii 
DANH MỤC BẢNG .............................................................................................. x 
MỞ ĐẦU ............................................................................................................... xi 
CHƯƠNG 1 TỔNG QUAN VỀ TÍN HIỆU ĐIỆN NÃO ...................................... 1 
1.1 Tình hình nghiên cứu trong nước ---------------------------------------------- 1 
1.2 Tình hình nghiên cứu ngoài nước --------------------------------------------- 1 
1.3 Nội dung thực hiện đề tài ------------------------------------------------------- 2 
1.4 Mục đích nghiên cứu ------------------------------------------------------------ 3 
1.5 Đối tượng và phạm vi nghiên cứu --------------------------------------------- 4 
1.6 Những đóng góp của luận án --------------------------------------------------- 4 
1.6.1 Đóng góp về mặt lý thuyết --------------------------------------------- 4 
1.6.2 Đóng góp về mặt thực tiễn --------------------------------------------- 5 
1.7 Cấu trúc nội dung của luận án -------------------------------------------------- 5 
1.8 Kết luận chương 1 --------------------------------------------------------------- 6 
CHƯƠNG 2 CƠ SỞ LÝ THUYẾT ....................................................................... 7 
2.1 Tín hiệu điện não EEG ---------------------------------------------------------- 7 
2.1.1 Giới thiệu về tín hiệu điện não EEG ------------------------------------ 7 
2.2.2 Các loại thiết bị thu nhận tín hiệu điện não EEG -------------------- 10 
2.2.3 Các dạng sóng cơ bản của tín hiệu điện não EEG ------------------- 13 
2.2 Ý nghĩa vị trí các điện cực trên thiết bị EEG -------------------------------- 16 
2.3 Các phương pháp trích đặc điểm tín hiệu ------------------------------------ 19 
2.3.1 Biến đổi Fourier --------------------------------------------------------- 20 
Trang iv 
2.3.2 Biến đổi Wavelet ------------------------------------------------------- 20 
2.3.3 Biến đổi HHT (Hilbert Huang Transform) -------------------------- 23 
2.4 Gom cụm dữ liệu ---------------------------------------------------------------- 29 
2.5 Mô hình mạng Neural ---------------------------------------------------------- 31 
2.5.1 Cấu trúc mạng Neural -------------------------------------------------- 31 
2.5.2 Thuật toán huấn luyện mạng ------------------------------------------ 33 
2.6 Kết luận chương 2 -------------------------------------------------------------- 34 
CHƯƠNG 3 XÂY DỰNG MÔ HÌNH HỆ THỐNG ĐIỀU KHIỂN ................... 35 
3.1 Mô hình mạng Neural đơn lớp ------------------------------------------------ 35 
3.1.1 Quá trình tiền xử lý ----------------------------------------------------- 36 
3.1.2 Mạng Neural đơn lớp -------------------------------------------------- 39 
3.1.3 Kết quả thực nghiệm với mô hình mạng Neural đơn lớp --------- 40 
3.2 Mô hình mạng Neural đa lớp -------------------------------------------------- 42 
3.2.1 Quá trình tiền xử lý ----------------------------------------------------- 45 
3.2.2 Mô hình mạng Neural đa lớp ------------------------------------------ 46 
3.2.3 Kết quả thực nghiệm với mô hình mạng Neural đa lớp ----------- 49 
3.3 Thiết kế mô hình tổng hợp xử lý tín hiệu ------------------------------------ 52 
3.3.1 Khối nhận dạng tín hiệu EEG ----------------------------------------- 53 
3.3.2 Khối nhận dạng tín hiệu hướng mắt ---------------------------------- 54 
3.3.3 Mô hình mạng Neural đa lớp lan truyền ngược -------------------- 55 
3.3.4 Kết quả thực nghiệm với mô hình tổng hợp đã thiết kế ----------- 56 
3.3.5 Dữ liệu thực nghiệm với mô hình điều khiển xe lăn đã xây dựng 59 
3.3.6 Chọn tập dữ liệu và kết quả thực nghiệm --------------------------- 59 
3.4 Kết luận chương 3 -------------------------------------------------------------- 62 
CHƯƠNG 4 XÂY DỰNG PHẦN MỀM VÀ PHẦN CỨNG CHO HỆ THỐNG 
ĐIỀU KHIỂN XE LĂN MÔ HÌNH ..................................................................... 63 
4.1 Chức năng phần mềm điều khiển xe lăn ------------------------------------- 63 
4.1.1 Đăng nhập hệ thống ---------------------------------------------------- 63 
4.1.2 Huấn luyện điều khiển xe lăn ----------------------------------------- 64 
4.1.3 Điều khiển xe lăn ------------------------------------------------------- 66 
4.1.4 Xem đồ thị dữ liệu ------------------------------------------------------ 69 
Trang v 
4.2 Các công việc phần mềm đảm nhận ------------------------------------------ 69 
4.2.1 Thu nhận dữ liệu -------------------------------------------------------- 70 
4.2.2 Trích đặc điểm dữ liệu ------------------------------------------------- 71 
4.2.3 Gom cụm dữ liệu ------------------------------------------------------- 71 
4.2.4 Mạng neural đa lớp lan truyền ngược -------------------------------- 71 
4.2.5 Xử lý ảnh thông qua Camera ------------------------------------------ 71 
4.3 Hệ thống phần cứng ------------------------------------------------------------ 72 
4.3.1 Bảng quan sát ----------------------------------------------------------- 72 
4.3.2 Xe lăn mô hình ---------------------------------------------------------- 73 
4.3.3 Thiết bị Emotiv --------------------------------------------------------- 76 
4.4 Các bước tiến hành thực nghiệm --------------------------------------------- 78 
4.4.1 Quá trình huấn luyện người tham gia điều khiển ------------------- 78 
4.4.2 Điều khiển xe lăn ------------------------------------------------------- 79 
4.5 Lựa chọn nhóm tham gia quá trình đánh giá hệ thống --------------------- 79 
4.6 Kết quả thực nghiệm cho 2 phương án sử dụng EEG và Camera -------- 79 
4.7 Kết luận chương 4 -------------------------------------------------------------- 80 
CHƯƠNG 5 KẾT LUẬN VÀ KIẾN NGHỊ ........................................................ 81 
5.1 Kết luận -------------------------------------------------------------------------- 81 
5.2 Kiến nghị ------------------------------------------------------------------------- 83 
TÀI LIỆU THAM KHẢO ................................................................................. 86 
Trang vi 
DANH MỤC VÀ CHỮ VIẾT TẮT 
Stt 
Viết 
tắt 
Tiếng Việt Tiếng Anh 
1 ANN Mạng neural nhân tạo Artificial neural network 
2 BCI 
Điều khiển thiết bị 
bằng suy nghĩ. 
Brain Computer Interfaces 
3 CSDL Cơ sở dữ liệu Database 
4 EEG Tín hiệu điện não Electroencephalographic 
5 EMD 
Phân tích theo kinh 
nghiệm 
Empirical Mode Decomposition 
6 FFT Biến đổi Fourier nhanh Fast Fourier Transform 
7 HHT 
Biến đổi Hilbert – 
Huang 
Hilbert Huang Transform 
8 HT Biến đổi Hilbert Hilbert Transform 
9 IMF Hàm bản chất Intrinsic Mode Function 
10 LDA 
Phân tích di biệt tuyến 
tính 
Linear Discriminant Analysis 
11 PSD Mật độ phổ công suất Power Spectral Density 
12 RMS Giá trị hiệu dụng Root Mean Square 
13 SNR Tỉ lệ nhiễu tín hiệu Signal to Noise Ratio 
14 SQL Ngôn ngữ truy vấn Structured Query Language 
15 SV Sinh viên Student 
16 SVM 
Thuật toán học máy có 
giám sát 
Support Vector Machines 
17 TNV Tình nguyện viên Volunteer 
18 WT Biến đổi Wavelet Wavelet Transform 
Trang vii 
DANH MỤC HÌNH 
Hình 2. 1 Thu nhận tín hiệu điện não EEG -------------------------------------------- 7 
Hình 2. 2 Vị trí các điện cực theo chuẩn 10-20 --------------------------------------- 8 
Hình 2. 3 Nhà tâm thần học Hans Berger --------------------------------------------- 10 
Hình 2. 4 Sản phẩm của NeuroScan --------------------------------------------------- 11 
Hình 2. 5 Sản phẩm của Brain Products ---------------------------------------------- 11 
Hình 2. 6 Sản phẩm của BioSemi ------------------------------------------------------ 12 
Hình 2. 7 Sản phẩm của EGI ----------------------------------------------------------- 12 
Hình 2. 8 Sản phẩm của Emotiv-------------------------------------------------------- 13 
Hình 2. 9 Dạng sóng Delta -------------------------------------------------------------- 14 
Hình 2. 10 Dạng sóng Theta ------------------------------------------------------------ 14 
Hình 2. 11 Dạng sóng Alpha ----------------------------------------------------------- 15 
Hình 2. 12 Dạng sóng Beta ------------------------------------------------------------- 15 
Hình 2. 13 Dạng sóng Gamma --------------------------------------------------------- 16 
Hình 2. 14 Vị trí 5 thùy vỏ não --------------------------------------------------------- 16 
Hình 2. 15 Tên và vị trí các điện cực theo chuẩn quốc tế 10/20 ------------------- 18 
Hình 2. 16 Các dạng hàm Wavelet----------------------------------------------------- 21 
Hình 2. 17 Tín hiệu EEG được phân tích thành 3 thành phần --------------------- 22 
Hình 2. 18 Tín hiệu được biến đổi Wavelet dạng ảnh ------------------------------- 22 
Hình 2. 19 Tín hiệu được biến đổi Wavelet dạng ảnh ------------------------------- 23 
Hình 2. 20 Lưu đồ giải thuật EMD ---------------------------------------------------- 25 
Hình 2. 21 Tín hiệu EEG cần phân tích ----------------------------------------------- 26 
Hình 2. 22 Tín hiệu được phân tích thành IMF1 ------------------------------------- 26 
Hình 2. 23 Tín hiệu được phân tích thành IMF2 ------------------------------------- 27 
Hình 2. 24 Tín hiệu được phân tích thành IMF3 ------------------------------------- 27 
Hình 2. 25 Tín hiệu được phân tích thành IMF4 ------------------------------------- 27 
Hình 2. 26 Tín hiệu được phân tích thành IMF5 ------------------------------------- 27 
Hình 2. 27 Tín hiệu được phân tích thành IMF6 ------------------------------------- 27 
Hình 2. 28 Tín hiệu được phân tích thành IMF7 ------------------------------------- 28 
Hình 2. 29 Tín hiệu được phân tích thành IMF8 ------------------------------------- 28 
Trang viii 
Hình 2. 30 Tín hiệu được phân tích thành IMF9 ------------------------------------- 28 
Hình 2. 31 Tín hiệu được phân tích thành IMF10 ----------------------------------- 28 
Hình 2. 32 Tín hiệu được phân tích thành IMF11 ----------------------------------- 28 
Hình 2. 33 Tín hiệu được phân tích thành IMF12 ----------------------------------- 28 
Hình 2. 34 Một kênh tín hiệu EEG được biến đổi thành các dạng sóng cơ bản - 29 
Hình 2. 35 Mô tả gom cụm dữ liệu ---------------------------------------------------- 29 
Hình 2. 36 Mô hình mạng Neural đơn lớp có 2 nút nhập --------------------------- 32 
Hình 2. 37 Mô hình mạng Neural đa lớp. --------------------------------------------- 33 
Hình 3. 1 Mô hình hệ thống------------------------------------------------------------- 36 
Hình 3. 2 Quá trình tiền xử lý ---------------------------------------------------------- 36 
Hình 3. 3 Sóng con dạng hình nón Mêhicô ------------------------------------------- 37 
Hình 3. 4 Tín hiệu EEG ghi nhận được ----------------------------------------------- 38 
Hình 3. 5 Một kênh tín hiệu được xử lý bằng biến đổi sóng con ------------------ 38 
Hình 3. 6 Mô hình mạng Neural ------------------------------------------------------- 39 
Hình 3. 7 Phân lớp kết quả nhận dạng ------------------------------------------------ 40 
Hình 3. 8 Giản đồ thời gian thu nhận cho một khung hình ------------------------- 41 
Hình 3. 9 Phân loại hình ảnh thành 05 lớp -------------------------------------------- 43 
Hình 3. 10 Lệnh điều khiển tương ứng ------------------------------------------------ 44 
Hình 3. 11 Mô hình hệ thống ----------------------------------------------------------- 44 
Hình 3. 12 Thuật toán K-Means -------------------------------------------------------- 46 
Hình 3. 13 Mô hình mạng Neural đa lớp ---------------------------------------------- 46 
Hình 3. 14 Thuật toán huấn luyện mạng Neural ------------------------------------- 47 
Hình 3. 15 Kiến trúc hệ thống ---------------------------------------------------------- 53 
Hình 3. 16 Phát hiện mắt và lông mày ------------------------------------------------ 54  ...  Sfax. 978-1-4673-7751-5/15/$31.00 
©2015 IEEE. 
[18] Amin, H. U., Malik, A. S., Ahmad, R. F., Badruddin, N., Kamel, N., & 
Hussain, M., et al. (2015). Feature extraction and classification for eeg signals 
using Wavelet Transform and machine learning techniques. Australasian Physical 
& Engineering Sciences in Medicine, 38(1), 1-11. 
[19] Maziar A. Sharbafi, Caro Lucas, and Roozbeh Daneshvar. Motion Control 
of Omni-Directional ThreeWheel Robots by Brain-Emotional-Learning-Based 
Intelligent Controller. IEEE Trans. on Systems, Man, and Cybernetics—Part C: 
Applications and Reviews, Vol. 40, No. 6, 2010. 
[20] Vito Puliafito, Silvano Vergura, Mario Carpentieri, “Fourier, Wavelet, and 
Hilbert-Huang Transforms for Studying Electrical Users in the Time and 
Frequency Domain” This paper is an extended version of paper published in the 
International Conference: EEEIC 2016, Florence, 
Italy, 7–10 June 2016. 
[21] Alexander J. Casson, David C. Yates, Shyam Patel and Esther Rodriguez-
Villegas, An analogue bandpass filter realisation of the Continuous Wavelet 
Transform, Proceedings of the 29th Annual International Conference of the IEEE 
EMBS, pp. 1850-1854Lyon, France August 23-26, 2007. 
[22] Smith S J M. EEG in the diagnosis, classification, and management of 
patients with epilepsy. Journal of Neurol Neurosurg and Psychiatry 2005;76:ii2-
ii7. 
[23] Kijewski-Correa, T., and A. Kareem (2006). Efficacy of Hilbert and 
Wavelet Transforms for time-frequency analysis, J. Eng. Mech. 132, no. 10, 1037–
1049. 
Trang 89 
[24] D. Cvetkovic, E. D. Ubeyli, and I. Cosic, “Wavelet Transform feature 
extraction from human PPG, ECG, and EEG signal responses to ELF PEMF 
exposures: a pilot study,” Digital Signal Processing, vol. 18, no. 5, pp. 861–874, 
2008. 
[25] Lukas Maly, Ludek Zalud, “CONTROL OF THE ELECTRIC 
WHEELCHAIR USING EEG CLASSIFICATION”. 
[26] EEG Data, URL: 
[27] https://www.topuniversities.com/node/2243/ranking-details/world- 
university-rankings 
[28] Liu, Z & Ying, Q & Luo, Z & Fan, Y. (2016). Analysis and research on 
EEG signals based on HHT algorithm. 423-426. 10.1201/9781315265278-95. 
[29] Mwasiagi, J. I., Wang, X. H., & Huang, X. B. (2009). The use of K-means 
and artificial neural network to classify cotton lint. Fiber and Polymers, 10, 379–
383. 
[30] J. I. Mwasiagi, X. H. Wang, and X. B. Huang, “The use of K-means and 
artificial neural network to classify cotton lint,” Fiber and Polymers, no. 10, pp. 
379–383, 2009. 
[31] ChaitrashreeV1, Vivechana M. S2, Anindita Das3, Shewtha N.S4, 
Shilpashree P. S.5 “WIRELESS GESTURE CONTROLLED WHEEL CHAIR 
USING IMAGE PROCESSING” Department of Electronics and Communication, 
Siddaganga Institute of Technology Tumakuru, Karnataka, ISSN, (PRINT): 2393-8374, 
(ONLINE): 2394-0697, Volume-4, Issue-7, 2017. 
[32] Srimathi. P, Kanthini. B1, Kaushik Kumar Sen2, “Wheelchair Control 
Using An Eye Tracking System For Assisted Mobility”, Electronics and 
Communication Engineering, SRM University, Vadapalani, International Journal 
for Research in Applied Science & Engineering Technology (IJRASET), 
www.ijraset.com, IC Value: 13.98, Volume 3, Special Issue-1, May 2015, ISSN: 
2321-9653. 
[33] Devansh Mittal, S. Rajalakshmi and T. Shankar “Demonstration of 
automatic wheelchair control by tracking eye movement and using IR sensors”, 
Trang 90 
Eepartment of Electronics and Communication Engineering, SENSE VIT 
University, Vellore, Tamil Nadu, India, Email: srajalakshmi@vit.ac.in, 
www.arpnjournals.com, ARPN Journal of Engineering and Applied Sciences – 
2006-2018 Asian Research Publishing Network (ARPN). All rights reserved, Vol. 
13, No. 11, June 2018, ISSN 1819-6608. 
[34] C. C. Lo, T. Y. I Chien, Y. C. Chen, S. H. Tsai, W. C. Fang, and B. S. Lin, “A 
wearable channel selection-based brain-computer interface for motor imagery detection,” 
Sensors, vol. 16, no. 2, 2016. 
[35] Camilo J. Cela Conde, Gisele Marty “Mind Architecture and Brain 
Architecture” Biology and Philosophy 12: 327–340, 1997. c 1997 Kluwer 
Academic Publishers. Printed in the Netherlands. 
[36] Jiawei Zhang - jiawei@ifmlab.org - Founder and Director – “Secrets of the 
Brain: An Introduction to the Brain Anatomical Structure and Biological Function” 
Information Fusion and Mining Laboratory, (First Version: April 2019; Revision: 
April 2019.) 
[37] https://asa.scitation.org/doi/abs/10.1121/1.406528. 
[38] Abdelkader Nasreddine Belkacem, Hideaki Hirose, Natsue Yoshimura, 
Duk Shin,Yasuharu Koike, Classification of Four Eye Directions from EEG 
Signals for Eye-Movement-Based Communication Systems, Journal of Medical 
and Biological Engineering, 34(6): 581-58, December 2014. 
[39] David Steyrl, Reinmar J. Kobler, Gernot R. Müller-Putz “On Similarities 
and Differences of Invasive and Non-Invasive Electrical Brain Signals in Brain-
Computer Interfacing” Received 12 May 2016; accepted 26 June 2016; published 
30 June 2016, J. Biomedical Science and Engineering, 2016, 9, 393-398. 
[40] Valer Jurcak, Daisuke Tsuzuki, Ippeita Dan “10/20, 10/10, and 10/5 
systems revisited: Their validity as relative head-surface-based positioning 
systems” Sensory and Cognitive Food Science Laboratory, National Food 
Research Institute, 2-1-12 Kannondai, Tsukuba 305-8642, Japan, Received 29 
September 2005; revised 30 August 2006; accepted 20 September 2006 Available 
online 4 January 2007. 
Trang 91 
[41] M. Teplan “Fundamentals of EEG measurement” Institute of Measurement 
Science, Slovak Academy of Sciences, Dúbravská cesta 9, 841 04 Bratislava, 
Slovakia, MEASUREMENT SCIENCE REVIEW, Volume 2, Section 2, 2002. 
[42] William O. Tatum, Aatif M. Husain, Selim R. Benbahis, Peter W. Kaplan 
“Handbook of EEG Interpretation” ISBN-13: 978-1-933864-11-2 (pbk: alk. paper) 
ISBN-10: 1-933864-11-7 (pbk.: alk. paper). 
[43] Suzana Herculano-Houzel, Laboratório de Neuroanatomia Comparada, 
Instituto de Ciências Biomédicas, Universidade Federal do Rio de Janeiro, Rua 
Carlos Chagas Filho 373, 21950-902 Rio de Janeiro, Rio de Janeiro, Brazil. e-
mail: moc.liamg@hhanazus – “The Human Brain in Numbers: A Linearly Scaled-
up Primate Brain” Published online 2009 Nov 9. Prepublished online 2009 Aug 5. 
PMCID: PMC2776484. PMID: 19915731. 
[44] Y. M. Chi, T.-P. Jung, and G. Cauwenberghs, "Dry-contact and Noncontact 
Biopotential Electrodes: Methodological Review," IEEE Reviews in Biomedical 
Engineering, vol. Vol. 3, pp. pp. 106-119, 2010. 
[45] Emilia Mikolajewska, Dariusz Mikolajewski “Non – invasive EEG based 
brain computer interfaces in patients with disorders of consciousness” , 
Mikołajewska and Mikołajewski Military Medical Research 2014. 
[46] L. Mayaud, M. Congedo, A. van Laghenhove et al., “A comparison of 
recording modalities of P300 Event Related Potentials (ERP) for Brain-Computer 
Interface (BCI) paradigm,” Clinical Neurophysiology, vol. 43, no. 4, pp. 217–227, 
2013. 
[47] Heaton, Jeffrey. (2008). Introduction to Neural Networks for Java. 
[48] Prof. Brad Osgood “The Fourier Transform and its Applications” Electrical 
Engineering Department Stanford University. 
[49] Hornero et al., 2009. Nonlinear analysis of electroencephalogram and 
magnetoencephalogram recordings in patients with Alzheimer’s disease. Phil. 
Trans. R. Soc. A 367:317–336. 
[50] E. Niedermeyer and F. H. L. da Silva, Electroencephalography: Basic 
Principles, Clinical Applications, and Related Fields: Lippincott Williams & 
Wilkins, 2005. 
Trang 92 
[51] T. Heinonen, P.J. Lahti “Heisenberg’s Uncertainty Principle” Department 
of Physics, University of Turku, Turku, Finland, 12/ 2006. 
[52] Signal quality of simultaneously recorded invasive and non-invasive EEG, 
volume 46, Issue 3, 01-July-2009, pages 708-716. 
[53] D. Brunet, G. Young et al.. 2000. Electroencephalography, Guidelines for 
Clinical Practice and Facility Standards, College of Physicians and Surgeons of 
Ontario, Canada. 
[54] Jiawei Zhang - jiawei@ifmlab.org - Founder and Director – “Secrets of the 
Brain: An Introduction to the Brain Anatomical Structure and Biological Function” 
Information Fusion and Mining Laboratory, (First Version: April 2019; Revision: 
April 2019.) 
[55] Amjed S. Al-Fahoum1 and Ausilah A. Al-Fraihat “Review Article 
Methods of EEG Signal Features Extraction Using Linear 
Analysis in Frequency and Time-Frequency Domains” Hindawi Publishing 
Corporation ISRN Neuroscience. Volume 2014, Article ID 730218, 7 pages. 
[56] Wang, T.; Zhang, M.; Yu, Q.; Zhang, H. Comparing the applications of 
EMD and EEMD on time-frequency analysis of seismic signal. J. Appl. Geophys. 
2012, 83, 29–34. 
[57] D. J. McFarland, C. W. Anderson, K. R. Muller, A. Schlogl, and D. J. 
Krusienski, "BCI meeting 2005-workshop on BCI signal processing: feature 
extraction and translation," IEEE Transaction on Neural Systems and 
Rehabilitation Engineering, vol. 14, pp. 135-138, 2006. 
[58] P. Goupillaud, A. Grossmann, and J. Morlet, “Cycleoctave and related 
Transforms in seismic signal analysis,” Geoexploration, vol. 23, no. 1, pp. 85–102, 1984. 
[59] Maria Sandsten “Time-Frequency Analysis of Time-Varying Signals and 
Non-Stationary Processes” LUND UNIVERSITY, CENTRUM SCIENTIARUM 
MATHEMATICARUM, Centre for Mathematical Sciences, 2018. 
[60] Chadwick, N.A.; McMeekin, D.A.; Tan, T., Classifying eye and head 
movement artifacts in EEG signals, Proceedings of the 5th IEEE International 
Conference on Digital Ecosystems and Technologies Conference (DEST), pp. 285 
– 291, 2011. 
Trang 93 
[61] Joel Feldman “The Fourier Transform” 2007. All rights reserved. March 1, 
2007. 
[62] Yerin Yoo “Tutorial on Fourier Theory” March 2001. 
[63] Mazdak Fatahi “An introduction to Wavelet Transform” Razi university 12/ 
2003. 
[64] Chun Lin, Liu “A totorial of the Wavelet Transform” 02/ 2010. 
[65] Daniel T.L. Lee, Akio Yamamoto “Wavelet Analysis Theory and 
Application” December 1994, Hewlett – Packard Journal. 
[66] Y. Meyer, Wavelets and Applications, Paris: Masson; 1992. 
[67] Köse, Ayşe & Sarabaty, H. (2017). EEG Signals Analysis using Hilbert-
Huang Transform. 
[68] Chi-Chun Lo, Tsung-Yi Chien, Yu-Chun Chen, Shang-Ho Tsai, Wai-Chi 
Fang, and Bor-Shyh Lin, “A Wearable Channel Selection-Based Brain-Computer 
Interface for Motor Imagery Detection,” Sensors, vol. 16, no. 2, 2016. 
[69] Deniel C. Browman, Jonathan M. Lees “The Hilbert–Huang Transform: A 
High Resolution Spectral Method for Nonlinear and Nonstationary Time Series”. 
[70] Yumlembam Rahul, Mr.Rupam Kumar Sharma, Ms.Nissi Paul “A 
REVIEW ON EEG CONTROL SMART WHEEL CHAIR” ISSN No. 0976-5697 , 
Volume 8, No. 9, November-December 2017. 
[71] Norden E Huang, Zhaohua Wu “A review on Hilbert Huang Transform 
Method and its applications to geophysical studies” N. E. Huang, Research Center 
for Adaptive Data Analysis, National Central University, 300 Jhongda Road, 
Chungli, 32001 Taiwan. (norden@ncu.edu.tw) Z. Wu, Center for Ocean-Land-
Atmosphere Studies, Calverton, MD 20705, USA, published 6 June 2008.. 
[72] B. Jenita Amali Rani, A. Umamakeswari “Electroencephalogram-based 
Brain Controlled Robotic Wheelchair” ISSN (Print) : 0974-6846, ISSN (Online) : 
0974-5645, Indian Journal of Science and Technology, Vol 8(S9), 188–197, May 
2015. 
[73] D. E. Rumelhart, G. E. Hinton, and R. J. Williams (1986), Learning 
representations by back-propagating errors. Nature, 323:533–536, 1986. 
Trang 94 
[74] C. Willmott and K. Matsuura, “Advantages of the Mean Absolute Error 
(MAE) over the Root Mean Square Error (RMSE) in assessing average model 
performance,” Clim. Res., no. 30, pp. 79–82, 2005. 
[75] Jiawei Han, Micheline Kamber, Data Mining: Concepts and Techniques, 
Second Edition, Elsevier Inc. All rights reserved, 2006. 
[76] Hengqing Ge, Guibin Chen, Haichun Yu, Huabao Chen and Fengping An 
“Theoretical Analysis of Empirical Mode Decomposition” School of Physics and 
Electronic Electrical Engineering, Huaiyin Normal University, Huaian 223001, 
China; ghq@hytc.edu.cn (H.G.); gbchen@hytc.edu.cn (G.C.); yhc@hytc.edu.cn 
(H.Y.); chbchb@hytc.edu.cn (H.C.) * Correspondence: anfengping@bit.edu.cn; 
Tel.: +86-517-8418-0686, Published: 10 November 2018. 
[77] S. Haykin (1999), Neural networks: A comprehensive foundation, in The 
Knowlegde Engineering Review Vol 13, 1999, pp. 409–412. 
[78] S. H. Liao and C. H. Wen (2005), Artificial neural networks classification 
and clustering of methodologies and applications - literature analysis from 1995 to 
2005, in Expert Systems with Applications, vol. 32, 2007, pp. 1–11. 
[79] Youguo Li, Haiyan Wu, Department of Computer Science, Xinyang 
Agriculture College, Xingyang, Henan 464000, China “A Clustering Method 
Based on K-Means Algorithm”, 2012 International Conference on Solid State 
Devices and Materials Science, Physics Procedia 25 (2012) 1104-1109, SciVerse 
ScienceDirect, Elsevier, www.sciencedirect.com. 
[80] R. Kohavi and F. Provost, Glossary of Terms, Editorial for the Special Issue 
on Applications of Machine Learning and the Knowledge Discovery Process, 
1998. 
[81] G. P. Zhang (2000), Neural networks for classification: a survey, in 
Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE 
Transactions on, Vol 30, 2000, pp. 451–462. 
[82] Vijay Khare, Jayashree Santhosh, Sneh Anand, Manvir Bhatia “Brain 
Computer Interface Based Real Time Control of Wheelchair Using 
Electroencephalogram” International Journal of Soft Computing and Engineering 
(IJSCE) SSN: 2231-2307, Volume-1, Issue-5, Nov 2011. 
Trang 95 
[83] Vijay Khare, Jayashree Santhosh, Sneh Anand, Manvir Bhatia, “Control 
WheelChair Using Electroencephalogram” (IJCSIS) International Journal of 
Computer Science and Information Security, Vol. 8, No.2, 2010. 
[84] Rahib H. Abiyev, Nurullah Akkaya, Ersin Aytac, Irfan Gunsel, Ahmet 
Cagman, “BRAIN BASED CONTROL OF WHEELCHAIR” Applied Artificial 
Intelligence Research Centre, Near East University, Lefkosa, Mersin-10, North 
Cyprus, Turkey. 
[85] Anas Fattouh, Odile Horn, Guy Bourhis. Emotional BCI Control of a Smart 
Wheelchair. IJCSI International Journal of Computer Science Issues, Vol. 10, 
Issue 3, No 1, May 2013. 
[86] Daniel C. Brown, Jonathan M. Lees “The Hilbert–Huang Transform: A 
High Resolution Spectral Method for Nonlinear and Nonstationary Time Series”, 
Seismological Research Letters Volume 84, Number 6 November/December 
2013. 
[87] Nikhil R. Folane, R. M. Autee “EEG Based Brain Controlled Wheelchair 
for Physically Challenged People” International Journal of Innovative Research in 
Computer and Communication Engineering, vol. 4, Issue 1, January 2016, ISSN 
(Online): 2320-9801; ISSN (Print): 2320-9798. 
[88] T. W. Ridler and S. Calvard, “Picture thresholding using an iterative 
selection method,” IEEE Transactions on Systems, Man and Cybernetics, SMC-8, 
pp.630-632, 1978.