Publication: การพัฒนาอินเตอร์เฟสสมอง – คอมพิวเตอร์สำหรับการควบคุมหุ่นยนต์ช่วยเหลือด้วย สัญญาณไฟฟ้าสมองจากการจินตนาการการเคลื่อนไหว
0
0
Issued Date
2025
Resource Type
Language
tha
File Type
application/pdf
No. of Pages/File Size
75
Access Rights
open access
Rights
ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0)
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Physical Location
สำนักหอสมุดกลาง มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
เนติธร สุขสวัสดิ์, พัฒนกิจ เชื้อเจ็ดตน (2025). การพัฒนาอินเตอร์เฟสสมอง – คอมพิวเตอร์สำหรับการควบคุมหุ่นยนต์ช่วยเหลือด้วย สัญญาณไฟฟ้าสมองจากการจินตนาการการเคลื่อนไหว. สืบค้นจาก: https://hdl.handle.net/20.500.14740/55651
Alternative Title(s)
A Development of an EEG-Based Brain-Computer Interface for Assistive Robot Movement Control
Author(s)
Advisor(s)
Abstract
ระบบอินเตอร์เฟสสมอง-คอมพิวเตอร์ (Brain-Computer Interface: BCI) เป็นเทคโนโลยีสำหรับการเชื่อมต่อสัญญาณประสาทกับคอมพิวเตอร์ในการควบคุมอุปกรณ์ช่วยเหลือ เพื่ออำนวยความสะดวกแก่ผู้ป่วยที่มีความพกพร่องทางด้านการเคลื่อนไหว ปัจจุบันการใช้สัญญาณไฟฟ้าสมองจากการจินตนาการการเคลื่อนไหว (Motor Imagery) เป็นเทคนิคที่ได้รับความสนใจสูงเนื่องจากเป็นวิธีแบบไม่รุกล้ำ อย่างไรก็ตามการติดตั้งระบบ BCI โดยทั่วไปมักใช้จำนวนอิเล็กโทรดมากซึ่งก่อให้เกิดความยุ่งยากในการใช้งานจริง และประสิทธิภาพของระบบมักได้รับผลกระทบจากความผันผวนของสัญญาณ รวมถึงสภาวะทางสรีรวิทยาของผู้ใช้งานด้วยเหตุนี้ งานวิจัยฉบับนี้จึงมีวัตถุประสงค์เพื่อพัฒนาระบบ BCI สำหรับการควบคุมหุ่นยนต์ช่วยเหลือ โดยใช้ช่องสัญญาณเพียง 4 ตำแหน่ง (C3, Cz C4 และ Fz) ตามระบบมาตรฐาน 10-20 โดยการเก็บบันทึกข้อมูลสัญญาณ EEG จากอาสาสมัครจานวน 5 ราย ขณะจินตนาการถึงท่าทางการเคลื่อนไหวมือซ้าย มือขวา และเท้าทั้งสองข้าง ผ่านกระบวนการประมวลผลที่ประยุกต์ใช้เทคนิค Tikhonov Regularization Common Spatial Pattern (TRCSP) เพื่อเพิ่มความเสถียรในการสกัดคุณลักษณะ และใช้อัลกอริทึม One-Vs-Rest Support Vector Machine (OVR-SVM) ในการจำแนกคาสั่งควบคุมหุ่นยนต์ 4 คำสั่ง ผลการศึกษาแสดงให้เห็นว่าผู้ใช้งานที่มีสภาวะพร้อมจะเกิดปรากฏการณ์การลดลงของพลังงานคลื่นสมอง (ERD) ในย่านความถี่ Mu และ Beta อย่างชัดเจนตามตำแหน่งที่สัมพันธ์กับท่าทางจินตนาการ ส่งผลให้ระบบมีความแม่นยำในการจำแนกคำสั่งสูงและมีค่าสัมประสิทธิ์แคปปาของโคเฮน (Cohen's Kappa Coefficient) ในระดับดี ในการทดสอบการควบคุมหุ่นยนต์พบว่าอาสาสมัครสามารถควบคุมหุ่นยนต์ให้บรรลุเป้าหมายได้สำเร็จโดยมีอัตราความสำเร็จ (Success Rate) อยู่ในช่วงร้อยละ 80 ถึง 100 และใช้เวลาเฉลี่ยต่ำสุด 137 วินาทีต่อรอบ ผลการวิจัยชี้ให้เห็นว่าระบบที่พัฒนาขึ้นมีความทนทานและมีประสิทธิภาพแม้จะใช้จำนวนช่องสัญญาณที่จำกัด โดยสภาวะความเหนื่อยล้าเป็นปัจจัยสำคัญที่ส่งผลต่อคุณภาพของสัญญาณ ระบบนี้จึงมีความพร้อมที่จะนำไปต่อยอดเป็นนวัตกรรมสิ่งอำนวยความสะดวกสำหรับผู้พิการและผู้ป่วยติดเตียงในอนาคต
Brain-Computer Interface (BCI) systems are technologies that bridge neural signals with computers to control assistive devices, facilitating daily life for individuals with motor impairments. Currently, the use of Motor Imagery (MI)-based electroencephalography (EEG) has gained significant attention as a non-invasive approach. However, conventional BCI setups often require a high number of electrodes, leading to practical complexities, and system performance is frequently hindered by signal fluctuations and the user's physiological state. Consequently, this research aims to develop a BCI system for controlling an assistive robot using only four channels (C3, Cz, C4, and Fz) according to the international 10-20 system. The study involved collecting EEG data from five volunteers performing motor imagery tasks: left hand, right hand, and both feet. The data were processed using Tikhonov Regularization Common Spatial Pattern (TRCSP) to enhance feature extraction stability, while a One-Vs-Rest Support Vector Machine (OVR-SVM) algorithm was employed to classify four robot control commands. The results demonstrate that users in a prepared state exhibited distinct Event-Related Desynchronization (ERD) in the Mu and Beta frequency bands at locations corresponding to the specific imagery tasks. This led to high classification accuracy and a "Good" level of Kappa coefficient. In robot control trials, participants successfully maneuvered the robot to the target with a success rate ranging from 80% to 100%, with a minimum average time of 137 seconds per round. This research indicates that the developed system is robust and efficient despite the limited number of channels. Fatigue was identified as a critical factor affecting signal quality. This system is well-positioned for further development into innovative assistive technology for individuals with disabilities and bedridden patients in the future.
Brain-Computer Interface (BCI) systems are technologies that bridge neural signals with computers to control assistive devices, facilitating daily life for individuals with motor impairments. Currently, the use of Motor Imagery (MI)-based electroencephalography (EEG) has gained significant attention as a non-invasive approach. However, conventional BCI setups often require a high number of electrodes, leading to practical complexities, and system performance is frequently hindered by signal fluctuations and the user's physiological state. Consequently, this research aims to develop a BCI system for controlling an assistive robot using only four channels (C3, Cz, C4, and Fz) according to the international 10-20 system. The study involved collecting EEG data from five volunteers performing motor imagery tasks: left hand, right hand, and both feet. The data were processed using Tikhonov Regularization Common Spatial Pattern (TRCSP) to enhance feature extraction stability, while a One-Vs-Rest Support Vector Machine (OVR-SVM) algorithm was employed to classify four robot control commands. The results demonstrate that users in a prepared state exhibited distinct Event-Related Desynchronization (ERD) in the Mu and Beta frequency bands at locations corresponding to the specific imagery tasks. This led to high classification accuracy and a "Good" level of Kappa coefficient. In robot control trials, participants successfully maneuvered the robot to the target with a success rate ranging from 80% to 100%, with a minimum average time of 137 seconds per round. This research indicates that the developed system is robust and efficient despite the limited number of channels. Fatigue was identified as a critical factor affecting signal quality. This system is well-positioned for further development into innovative assistive technology for individuals with disabilities and bedridden patients in the future.
Description
โครงงานวิศวกรรมนี้เป็นส่วนหนึ่งของการศึกษาตามหลักสูตรวิศวกรรมศาสตรบัณฑิต ภาควิชาวิศวกรรมชีวการแพทย์ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ ปีการศึกษา 2568