Tổng quan nghiên cứu

Theo ước tính của Tổ chức Y tế Thế giới (WHO) năm 2022, khoảng 16% dân số toàn cầu, tương đương 1,3 tỷ người, gặp các vấn đề về khuyết tật. Tại Việt Nam, số liệu năm 2019 cho thấy có khoảng 6,2 triệu người khuyết tật, chiếm 7,06% dân số từ 2 tuổi trở lên, trong đó gần 29% là người khuyết tật nặng và đặc biệt nặng. Đặc biệt, khoảng 7% trong số này cần sử dụng xe lăn để duy trì khả năng di chuyển. Thị trường xe lăn điện toàn cầu đạt doanh thu 2,89 tỷ USD năm 2021 và dự kiến tăng trưởng gần 10,76% giai đoạn 2022-2027. Tuy nhiên, việc vận hành xe lăn điện truyền thống vẫn còn nhiều khó khăn đối với người khuyết tật, đặc biệt là những người không thể điều khiển bằng tay hoặc đầu.

Luận văn thạc sĩ này tập trung nghiên cứu và phát triển hệ thống điều khiển bán tự động cho xe lăn điện trong môi trường trong nhà, dựa trên sự kết hợp tín hiệu điện não EEG, camera, vật mốc tự nhiên và bản đồ 2D ảo. Mục tiêu chính là giảm gánh nặng điều khiển cho người khuyết tật, đồng thời tăng cường tính an toàn và hiệu quả di chuyển. Phạm vi nghiên cứu tập trung vào môi trường trong nhà, với người dùng là những người khuyết tật nặng về vận động tay, chân hoặc đầu nhưng vẫn còn khả năng nhận thức và tập trung. Nghiên cứu có ý nghĩa quan trọng trong việc cải thiện chất lượng cuộc sống, hỗ trợ di chuyển an toàn và độc lập cho người khuyết tật, đồng thời góp phần phát triển công nghệ xe lăn điện thông minh với chi phí hợp lý.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Tín hiệu điện não EEG (Electroencephalography): EEG ghi lại hoạt động điện của não bộ, phản ánh các trạng thái nhận thức và hành vi. Các dạng sóng EEG như Delta, Theta, Alpha, Beta, Gamma được phân tích để nhận diện các hoạt động mắt như nháy mắt trái, phải, hai mắt.
  • Mạng nơ-ron tích chập 1 chiều (CNN-1D): Mô hình học sâu dùng để phân loại tín hiệu EEG thành các loại hoạt động mắt khác nhau với độ chính xác cao.
  • Phương pháp nhận dạng vật mốc tự nhiên: Dựa trên đặc trưng hình thái và mật độ điểm đặc trưng trong ảnh thu được từ camera để phát hiện và phân loại vật mốc trong môi trường trong nhà.
  • Bản đồ 2D ảo (2D grid map): Mô hình hóa môi trường thực thành lưới ô vuông chứa thông tin về khoảng trống và chướng ngại vật, phục vụ cho việc lập kế hoạch đường đi.
  • Mạng Q sâu (Deep Q-Networks - DQNs) với hàm kích hoạt PreLU: Mô hình học tăng cường sâu dùng để tìm đường đi tối ưu trên bản đồ 2D ảo, từ đó điều khiển xe lăn di chuyển đến đích một cách tự động.

Các khái niệm chính bao gồm: tín hiệu EEG, phân loại hoạt động mắt, nhận dạng vật mốc, bản đồ 2D ảo, học tăng cường sâu, điều khiển bán tự động.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Tín hiệu EEG được thu thập từ thiết bị Emotiv Epoc+ với 14 điện cực, tập trung xử lý tín hiệu từ 4 điện cực chính liên quan đến hoạt động mắt. Dữ liệu hình ảnh môi trường trong nhà được thu thập bằng camera RGB-D gắn trên xe lăn. Dữ liệu vật mốc tự nhiên được thu thập trong quá trình di chuyển và lưu trữ trong cơ sở dữ liệu.
  • Phương pháp phân tích:
    • Tín hiệu EEG được xử lý bằng bộ lọc Savitzky-Golay và Hamming để làm mịn và loại bỏ nhiễu.
    • Phân loại hoạt động nháy mắt sử dụng hai phương pháp: thuật toán ngưỡng biên độ và mô hình CNN-1D. Thuật toán ngưỡng biên độ cho độ chính xác trên 97% và xử lý nhanh, không cần huấn luyện trước. CNN-1D cho phép phân loại đa dạng hơn nhưng cần dữ liệu huấn luyện chuẩn hóa.
    • Nhận dạng vật mốc dựa trên mật độ điểm đặc trưng trong ảnh, sử dụng thuật toán hình thái học để kết nối điểm đặc trưng thành đối tượng, chọn đối tượng có mật độ điểm đặc trưng cao nhất làm vật mốc.
    • Xác định vị trí xe lăn trên bản đồ 2D ảo dựa trên tọa độ vật mốc trong không gian thực và camera, sử dụng các phương trình lượng giác.
    • Lập kế hoạch đường đi tối ưu bằng mô hình DQNs-PreLU, huấn luyện trên bản đồ 2D ảo để tìm đường đi đến đích.
  • Timeline nghiên cứu: Quá trình thu thập dữ liệu, xử lý tín hiệu EEG và hình ảnh, xây dựng mô hình phân loại và nhận dạng vật mốc, phát triển bản đồ 2D ảo và mô hình DQNs được thực hiện trong khoảng thời gian từ 2019 đến 2023, với các thí nghiệm mô phỏng và thực tế được tiến hành liên tục để đánh giá hiệu quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Phân loại hoạt động nháy mắt từ tín hiệu EEG:
    • Thuật toán ngưỡng biên độ đạt độ chính xác trên 97% cho các loại nháy mắt trái, phải, hai mắt, và không nháy.
    • Mô hình CNN-1D phân loại 5 loại nháy mắt với độ chính xác trung bình trên 97%, tuy nhiên cần dữ liệu huấn luyện chuẩn hóa và thời gian huấn luyện dài hơn.
  2. Nhận dạng vật mốc tự nhiên trong môi trường trong nhà:
    • Phương pháp mật độ điểm đặc trưng và thuật toán hình thái học cho phép nhận dạng vật mốc với độ chính xác IOU cao, sai số vị trí tuyệt đối dưới 5 cm.
    • Vật mốc được nhận dạng ổn định trong các điều kiện ánh sáng khác nhau và góc nhìn đa dạng.
  3. Xác định vị trí xe lăn trên bản đồ 2D ảo:
    • Vị trí xe lăn được tính toán chính xác dựa trên tọa độ vật mốc và thông tin 3D từ camera, sai số vị trí trung bình dưới 10 cm.
  4. Mô hình điều khiển bán tự động DQNs-PreLU:
    • Thời gian huấn luyện ngắn hơn nhiều so với các mô hình khác, đồng thời giữ được độ chính xác cao trong việc tìm đường đi tối ưu.
    • Mô hình cho phép xe lăn di chuyển đến đích mong muốn với độ ổn định và an toàn cao hơn so với điều khiển thủ công.
    • Thuật toán chuyển đổi lệnh mô phỏng sang lệnh điều khiển thực tế hoạt động hiệu quả, đảm bảo phản hồi nhanh và chính xác.

Thảo luận kết quả

Kết quả phân loại tín hiệu EEG cho thấy phương pháp ngưỡng biên độ là giải pháp đơn giản, hiệu quả và phù hợp cho các ứng dụng thời gian thực, trong khi CNN-1D mở rộng khả năng phân loại đa dạng nhưng đòi hỏi dữ liệu và tài nguyên tính toán lớn hơn. Việc nhận dạng vật mốc tự nhiên dựa trên mật độ điểm đặc trưng và thuật toán hình thái học giúp xe lăn có thể định vị chính xác trong môi trường trong nhà mà không cần gắn vật mốc nhân tạo, tăng tính linh hoạt và giảm chi phí triển khai.

Việc xây dựng bản đồ 2D ảo từ dữ liệu thực tế và sử dụng mô hình DQNs-PreLU cho thấy hiệu quả trong việc lập kế hoạch đường đi tối ưu, giảm thiểu sự tham gia điều khiển của người dùng, từ đó giảm gánh nặng và tăng tính an toàn. So sánh với các nghiên cứu trước đây sử dụng các mô hình học sâu phức tạp hoặc các phương pháp điều khiển thủ công, mô hình này có ưu điểm về thời gian huấn luyện và khả năng áp dụng thực tế.

Dữ liệu có thể được trình bày qua các biểu đồ độ chính xác phân loại EEG, biểu đồ sai số vị trí vật mốc, và biểu đồ so sánh thời gian huấn luyện các mô hình DQNs khác nhau, giúp minh họa rõ ràng hiệu quả của các phương pháp đề xuất.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống điều khiển bán tự động cho xe lăn điện trong các cơ sở y tế và trung tâm phục hồi chức năng: Tăng cường khả năng di chuyển độc lập cho người khuyết tật, giảm áp lực cho nhân viên y tế. Thời gian thực hiện: 12-18 tháng. Chủ thể thực hiện: Bệnh viện, trung tâm phục hồi chức năng.
  2. Phát triển phần mềm giao diện người dùng dựa trên tín hiệu EEG với thuật toán ngưỡng biên độ: Đơn giản, dễ sử dụng, phù hợp với người dùng có khả năng tập trung hạn chế. Thời gian thực hiện: 6-12 tháng. Chủ thể thực hiện: Các công ty công nghệ y sinh.
  3. Mở rộng nghiên cứu nhận dạng vật mốc trong môi trường ngoài trời và các môi trường phức tạp hơn: Nâng cao tính ứng dụng của hệ thống trong nhiều điều kiện thực tế. Thời gian thực hiện: 18-24 tháng. Chủ thể thực hiện: Các viện nghiên cứu, trường đại học.
  4. Tích hợp thêm các cảm biến khác như LiDAR hoặc IMU để tăng độ chính xác định vị và tránh vật cản: Cải thiện an toàn và hiệu quả di chuyển. Thời gian thực hiện: 12-18 tháng. Chủ thể thực hiện: Các nhà sản xuất xe lăn điện.
  5. Đào tạo và hướng dẫn sử dụng hệ thống cho người khuyết tật và người thân: Đảm bảo người dùng có thể khai thác tối đa tính năng của xe lăn bán tự động. Thời gian thực hiện: liên tục. Chủ thể thực hiện: Trung tâm đào tạo, tổ chức xã hội.

Đối tượng nên tham khảo luận văn

  1. Người khuyết tật và gia đình: Hiểu rõ về công nghệ hỗ trợ di chuyển, lựa chọn giải pháp phù hợp để nâng cao chất lượng cuộc sống.
  2. Nhân viên y tế và chuyên gia phục hồi chức năng: Áp dụng công nghệ mới trong hỗ trợ điều trị và phục hồi chức năng cho bệnh nhân.
  3. Nhà nghiên cứu và sinh viên ngành kỹ thuật y sinh, kỹ thuật điện tử: Tham khảo phương pháp xử lý tín hiệu EEG, nhận dạng vật thể và học máy trong ứng dụng thực tế.
  4. Các công ty sản xuất thiết bị hỗ trợ di chuyển: Nghiên cứu phát triển sản phẩm xe lăn điện thông minh, tối ưu chi phí và tính năng.

Câu hỏi thường gặp

  1. Tín hiệu EEG được sử dụng như thế nào để điều khiển xe lăn?
    Tín hiệu EEG ghi lại hoạt động điện não liên quan đến các hành động nháy mắt. Các thuật toán phân loại như ngưỡng biên độ và CNN-1D được dùng để nhận diện loại nháy mắt, từ đó chuyển thành lệnh điều khiển trên giao diện máy tính.

  2. Phương pháp nhận dạng vật mốc tự nhiên có ưu điểm gì?
    Phương pháp này không cần gắn vật mốc nhân tạo, sử dụng đặc trưng hình ảnh và mật độ điểm đặc trưng để nhận dạng vật mốc trong môi trường thực, giúp xe lăn định vị chính xác và linh hoạt hơn.

  3. Bản đồ 2D ảo được xây dựng như thế nào?
    Bản đồ 2D ảo được tạo từ dữ liệu thực tế, chia thành các ô vuông chứa thông tin về khoảng trống và chướng ngại vật, phục vụ cho việc lập kế hoạch đường đi bằng mô hình học tăng cường sâu.

  4. Mô hình DQNs-PreLU có ưu điểm gì so với các mô hình khác?
    Mô hình này có thời gian huấn luyện ngắn hơn, độ chính xác cao và khả năng lưu trữ thông số để điều khiển xe lăn trong môi trường thực, giúp tăng hiệu quả và an toàn khi di chuyển.

  5. Hệ thống này có thể áp dụng cho những đối tượng nào?
    Hệ thống phù hợp với người khuyết tật nặng không thể điều khiển xe lăn bằng tay hoặc đầu, người già yếu, và những người cần hỗ trợ di chuyển trong môi trường trong nhà.

Kết luận

  • Đã phát triển thành công phương pháp phân loại hoạt động nháy mắt từ tín hiệu EEG với độ chính xác trên 97% bằng thuật toán ngưỡng biên độ và CNN-1D.
  • Đề xuất phương pháp nhận dạng vật mốc tự nhiên trong môi trường trong nhà với độ chính xác cao, hỗ trợ định vị xe lăn trên bản đồ 2D ảo.
  • Xây dựng mô hình điều khiển bán tự động DQNs-PreLU giúp xe lăn di chuyển đến đích an toàn, ổn định và giảm gánh nặng điều khiển cho người dùng.
  • Kết quả nghiên cứu đã được kiểm chứng qua các thí nghiệm mô phỏng và thực tế, đồng thời công bố trong các hội thảo và tạp chí khoa học.
  • Đề xuất các hướng phát triển tiếp theo bao gồm mở rộng môi trường ứng dụng, tích hợp cảm biến mới và đào tạo người dùng để nâng cao hiệu quả sử dụng.

Luận văn mở ra cơ hội ứng dụng thực tiễn công nghệ điều khiển bán tự động cho xe lăn điện, góp phần nâng cao chất lượng cuộc sống cho người khuyết tật. Các nhà nghiên cứu và doanh nghiệp được khuyến khích tiếp tục phát triển và triển khai các giải pháp này trong tương lai gần.