1. Họ và tên: Nguyễn Thế Hoàng Anh 2. Giới tính: Nam
3. Ngày sinh: 16/06/1986 4. Nơi sinh: Thanh Hóa
5. Quyết định công nhận nghiên cứu sinh số: 394/QĐ-ĐT, ngày 21/6/2016 của Hiệu trưởng Trường Đại học Công nghệ
6. Các thay đổi trong quá trình đào tạo:
Thay đổi tên đề tài:
- Tên đề tài hiện nay: Một số phương pháp xử lý và phân loại tín hiệu điện não cho các ứng dụng giao diện não – máy tính
Thời gian thay đổi: ngày 31/10/2019 theo đề nghị của Hội đồng bảo vệ cấp cơ sở
- Tên đề tài cũ: Nghiên cứu, phát triển một số phương pháp dựa trên học máy phục vụ phân tích và xử lý tín hiệu điện não hướng tới xây dựng hệ giao diện não – máy tính
Thời gian thay đổi: được sự đồng ý của tập thể hướng dẫn và Quyết định số 489/QĐ-ĐT ngày 01/06/2018 của Hiệu trưởng Trường ĐH Công nghệ
- Tên đề ban đầu: Xây dựng mô hình học phong cách tự động cho các nhân vật hoạt họa trong bảo tồn di sản văn hóa phi vật thể
7. Tên đề tài luận án: Một số phương pháp xử lý và phân loại tín hiệu điện não cho các ứng dụng giao diện não – máy tính
8. Chuyên ngành: Khoa học máy tính 9. Mã số: 9480101.01
10. Cán bộ hướng dẫn khoa học: PGS. TS. Bùi Thế Duy và PGS. TS. Lê Thanh Hà
11. Tóm tắt các kết quả mới của luận án:
Các kết quả chính của luận án tập trung vào ba nhóm vấn đề cụ thể như sau:
- Đề xuất các phương pháp xử lý, tăng cường chất lượng tín hiệu điện não:
Khử tín hiệu điện não bất thường sinh ra do nháy mắt tự động với mạng học sâu tự mã hóa thưa wavelet (DWSAE). Đây là một phương pháp mới, trong đó thuật toán DWSAE được huấn luyện không giám sát và khử nhiễu một cách tự động. Nhận diện, dò đếm giả tượng mắt EOG dựa trên biến đổi wavelet với hàm cơ sở wavelet Haar.
- Đề xuất các phương pháp phân tích, phân loại tín hiệu điện não
Phân loại tín hiệu điện não trong các tác vụ suy nghĩ dựa trên bộ phân lớp SVM với đặc trưng năng lượng wavelet tương đối.
Phân loại tín hiệu điện não sử dụng mạng nơ-ron phân tích thành phần chính trong lựa chọn đặc trưng. Trong cách tiếp cận này, mạng nơ-ron được huấn luyện với phương pháp lan truyền ngược tối ưu trọng số lớp đầu ra (OWO-BP) sử dụng đặc trưng trích xuất bởi phương pháp phân tích thành phần chính.
Phân loại tín hiệu điện não sử dụng mạng học sâu với đặc trưng lựa chọn bởi phân ngưỡng SURE.
- Đề xuất một hệ thống giao diện não máy tính hoàn chỉnh ứng dụng trong điều khiển thiết bị điện tử gia dụng
Đề xuất mô hình và thực hiện hệ giao diện não máy tính trong điều khiển thiết bị điện tử gia dụng.
Phân loại tín hiệu điện não sử dụng mô hình dựa trên máy học kết hợp là một cách tiếp cận phù hợp để phát triển hệ BCI trong điều khiển thiết bị điện tử gia dụng thông minh.
12. Khả năng ứng dụng trong thực tiễn:
- Trong các hệ thống giao diện não máy tính,
- Tích hợp vào thiết bị thu tín hiệu điện não để tăng cường chất lượng tín hiệu thu
- Ứng dụng trong việc chẩn đoán, hỗ trợ điều trị các bệnh lý thần kinh
13. Những hướng nghiên cứu tiếp theo:
Tích hợp biến đổi wavelet package để cải tiến phương pháp DWSAE
Thực hiện các hệ BCI dựa trên các phương pháp được đề xuất
Tiếp tục áp dụng các phương pháp học máy để cải tiến DWSAE hướng tới khử các loại nhiễu tín hiệu điện não khác cũng như loại nhiễu trên các loại tín hiệu hình ảnh, âm thanh…
Nghiên cứu và phát triển hệ BCI dựa trên đặc trưng P300, nhịp vận động cảm giác và các đặc trưng tín hiệu điện não khác
14. Các công trình đã công bố có liên quan đến luận án:
[1] Nguyen The Hoang Anh, Thanh Ha Le and The Duy Bui. A deep wavelet sparse autoencoder method for online and automatic EOG artifact removal. Neural Computing and Applications (2020). https://doi.org/10.1007/s00521-020-04953-0 (ISI-indexed)
[2] Nguyen The Hoang Anh, T. T. Quyen Bui, Nguyen Truong Thang, Thanh Ha Le, The Duy Bui. A Robust PCA-SURE Thresholding Deep Neural Network Approach for Mental Task Brain Computer Interface. Journal of Informatics and Mathematical Sciences. Journal of Informatics and Mathematical Sciences 11.3-4 (2019): 383-406. ISSN 0975-5748 (online); 0974-875X (print)
[3] Hoang-Anh The Nguyen, Anh Tuan Do, Thanh Ha Le and The Duy Bui. “A deep sparse autoencoder method for automatic EOG artifact removal”, 2019 19th International Conference on Control, Automation and Systems (ICCAS 2019), Oct. 15~18, 2019; ICC Jeju, Jeju, Korea, ISBN: 978-89-93215-18-2. IEEE.
[4] Nguyễn Thế Hoàng Anh, Huy Hoàng Trần, Anh Tuấn Đỗ, Quốc Vương Đỗ and Thanh Hà Lê. “Phương pháp sử dụng mạng tự mã hóa thưa trong loại nhiễu tín hiệu điện não tự động, theo thời gian thực”, Kỷ yếu Hội thảo Quốc gia CNTT lần thứ 22, 2019.
[5] Hoang-Anh The Nguyen, Thanh Ha Le, The Duy Bui. “A Stacking Ensemble Learning Model for Mental State Recognition Towards Implementation of Brain Computer Interface”, the 2019 6th NAFOSTED Conference on Information and Computer Science (NICS), Dec. 12-13, 2019; Hanoi, Vietnam, p. 39-43, ISBN: 978-1-7281-5162-5. IEEE,
[6] Huy Hoang Tran, Hoang Anh T. Nguyen, Quoc-Vuong Do and Thanh Ha Le. “EOG Detection using Haar Wavelet Transform toward implementation of an IOT Brain computer interface”, Kỷ yếu Hội thảo Quốc gia CNTT lần thứ 21, 2018.
[7] Nguyen The Hoang Anh, Tran, H.H., Vu, T.T. and Bui, T.Q.2016, October. A combination of independent component analysis, relative wavelet energy, and support vector machine for mental state classification. In Control, Automation and Systems (ICCAS), 2016 16th International Conference on (pp. 733-738). IEEE.
[8] Nguyen The Hoang Anh, Hoang, T.H., Thang, V.T. and Bui, T.Q. 2016, November. An Artificial Neural Network approach for electroencephalographic signal classification towards brain-computer interface implementation. In Computing & Communication Technologies, Research, Innovation, and Vision for the Future (RIVF), 2016 IEEE RIVF International Conference on (pp. 205-210). IEEE.
[9] Nguyễn Thế Hoàng Anh, Trần Huy Hoàng, Bùi Thị Thanh Quyên Phương pháp và hệ thống thu nhận tín hiệu điện não để điều khiển thiết bị điện tử trong ứng dụng nhà thông minh (Đơn sáng chế được Cục Sở hữu trí tuệ, Bộ KHCN chấp nhận đơn hợp lệ).
