Phát triển bộ điều khiển xe lăn dựa trên nhiều phương pháp khác nhau

Đồ án phát triển bộ điều khiển xe lăn dựa trên nhiều phương pháp tại Trường ĐH SPKT TP. HCM

• Tác giả: Nguyễn Hữu Tín
• Người hướng dẫn: TS. Nguyễn Thanh Nghĩa
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật Y sinh
• Đề tài: Phát triển bộ điều khiển xe lăn dựa trên nhiều phương pháp khác nhau
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan bộ điều khiển xe lăn tại Trường ĐH SPKT TP

Nghiên cứu bộ điều khiển xe lăn thông minh xuất phát từ nhu cầu thực tiễn của ngành Kỹ thuật Y Sinh. Đề tài được triển khai tại Bộ môn Điện tử Công nghiệp – Y Sinh thuộc Trường ĐH SPKT TP. Hồ Chí Minh. Mục tiêu nghiên cứu hướng đến việc nâng cao tính tự chủ di chuyển cho người suy giảm khả năng vận động. Người cao tuổi hoặc bệnh nhân liệt tứ chi thường gặp khó khăn khi thao tác trên các phương tiện hỗ trợ thông thường. Do đó, việc nghiên cứu giải pháp điều khiển linh hoạt mang giá trị xã hội sâu sắc. Hệ thống kết hợp hài hòa giữa kỹ thuật vi điều khiển và xử lý tín hiệu hiện đại. Thiết bị sử dụng cảm biến gia tốc kết hợp con quay hồi chuyển để theo dõi vị trí. Cấu trúc phần cứng được tính toán kỹ lưỡng nhằm tương thích trực tiếp với hệ thống động cơ DC sẵn có. Cơ chế vận hành bảo đảm xe di chuyển ổn định theo các hướng cơ bản như tiến, lùi, xoay trái và xoay phải. Dự án đánh dấu bước tiến quan trọng trong việc ứng dụng công nghệ nhúng vào thiết bị y tế tại Việt Nam.

1.1. Bối cảnh nghiên cứu đề tài tại khoa Điện Điện tử

Khoa Điện – Điện tử tại Trường ĐH SPKT TP. Hồ Chí Minh luôn chú trọng các đề tài mang tính ứng dụng y tế. Sinh viên ngành Kỹ thuật Y Sinh nhận nhiệm vụ nghiên cứu vào tháng 9 năm 2023. Đề tài tập trung giải quyết bài toán giao tiếp giữa người bệnh và phương tiện hỗ trợ di chuyển. Nhiều giải pháp trước đây phụ thuộc vào cơ chế điều khiển duy nhất. Điều này tạo ra rào cản lớn đối với bệnh nhân bị liệt tay hoặc suy giảm chức năng vận động chi trên. Nghiên cứu mới xây dựng giải pháp điều khiển linh hoạt qua cử động cơ thể. Cách tiếp cận này mở ra hướng đi thực tế, giàu tính nhân văn cho người khuyết tật.

1.2. Mục tiêu kỹ thuật và phạm vi phát triển bộ điều khiển

Mục tiêu cốt lõi của công trình là tích hợp đa dạng phương thức điều hướng trên xe lăn. Hệ thống cho phép người dùng vận hành bằng cần điều khiển cơ học hoặc thông qua các tư thế đầu. Cụ thể, xe phản hồi chính xác các lệnh cử động bao gồm gật đầu, ngửa đầu, xoay trái và xoay phải. Trạng thái giữ nguyên vị trí đầu đóng vai trò giữ xe dừng lại an toàn. Dữ liệu cảm biến được truyền nhận nhanh chóng qua giao thức Uart và sóng Bluetooth HC-05. Thiết kế phần cứng hướng tới sự gọn nhẹ, tiết kiệm năng lượng và tương thích trực tiếp với nguồn điện từ ắc quy.

II. Thực trạng bộ điều khiển xe lăn tại Trường ĐH SPKT TP

Xe lăn điện truyền thống thường phụ thuộc hoàn toàn vào cần gạt điều khiển cơ khí. Thiết kế này tạo ra rào cản nghiêm trọng cho những người khuyết tật vận động chi trên. Bệnh nhân chấn thương tủy sống hoặc tai biến mạch máu não không thể tự điều khiển tay gạt. Hạn chế này làm giảm sự độc lập của người bệnh trong sinh hoạt hàng ngày. Ngoài ra, việc bổ sung các cảm biến sinh học phức tạp như điện não hay điện cơ đòi hỏi chi phí quá lớn. Các thiết bị gắn trên da cũng gây khó chịu và bất tiện cho người sử dụng lâu dài. Mặt khác, việc xử lý tín hiệu cử động thường gặp hiện tượng nhiễu do rung lắc khi di chuyển. Mạch điều khiển xe lăn thông thường thiếu thuật toán khử nhiễu và bù trôi góc quán tính. Sự thiếu hụt này dễ dẫn đến nguy cơ xe nhận diện nhầm cử chỉ, gây mất an toàn. Nguồn điện cung cấp từ ắc quy xe lăn thường dao động mạnh, đe dọa sự ổn định của vi mạch xử lý. Những thách thức kỹ thuật trên đòi hỏi một kiến trúc phần cứng và phần mềm chuyên biệt. Đề tài tại Trường ĐH SPKT TP. Hồ Chí Minh giải quyết triệt để những nút thắt này.

2.1. Hạn chế của các phương pháp điều khiển xe lăn truyền thống

Cần gạt Joystick cơ khí truyền thống là phương thức phổ biến nhất trên thị trường hiện nay. Phương pháp này yêu cầu người dùng phải có lực cơ tay và khả năng phối hợp vận động chính xác. Nhóm bệnh nhân liệt tủy sống cổ, xơ cứng teo cơ hay chấn thương nặng không thể sử dụng cơ chế này. Ngoài ra, việc sử dụng các nút bấm cố định gây mỏi cơ và thiếu tính linh hoạt. Một số đề tài thử nghiệm dùng tín hiệu sinh học như sóng não hoặc điện cơ. Tuy nhiên, các giải pháp đó đòi hỏi dán điện cực phức tạp, dễ gây kích ứng da và có chi phí sản xuất quá cao.

2.2. Khó khăn trong việc thu thập và phân loại tín hiệu chuyển động

Quá trình thu nhận dữ liệu cử động đầu đối mặt với hiện tượng trôi dữ liệu của cảm biến quán tính. Chuyển động tự nhiên của đầu thường kèm theo các dao động cơ học không mong muốn. Môi trường chuyển động rung lắc của xe lăn làm tăng độ sai lệch của tín hiệu gia tốc. Nếu không xử lý chuẩn xác, hệ thống sẽ đưa ra quyết định sai lầm khi điều hướng xe. Hơn nữa, việc xây dựng tập dữ liệu mẫu đủ lớn đòi hỏi công sức và quy trình giám sát nghiêm ngặt. Dữ liệu cần được ghi nhận theo thời gian thực và đồng bộ hóa tức thì với bảng tính để phân loại hiệu quả.

III. Giải pháp bộ điều khiển xe lăn tại Trường ĐH SPKT TP

Nhóm nghiên cứu xây dựng giải pháp điều khiển tích hợp phần cứng và phần mềm đồng bộ. Cấu trúc hệ thống bao gồm hai khối chính: khối thu nhận xử lý tín hiệu và khối nhận dạng thông minh. Vi điều khiển Arduino Uno đảm nhận vai trò thu thập tín hiệu từ cần gạt Joystick hoặc cảm biến MPU6050. Dữ liệu sau đó truyền đến máy tính nhúng Raspberry Pi 4 qua giao tiếp Uart hoặc module Bluetooth HC-05. Đèn Led kết nối tại các chân tín hiệu hỗ trợ quan sát trực quan trạng thái vận hành của toàn bộ thiết bị. Nhóm thực hiện thu thập tập dữ liệu lớn gồm 5.780 mẫu thông qua phần mềm PLX-DAQ liên kết trực tiếp với Excel. Mô hình phân loại được huấn luyện trên nền tảng Google Colab bằng ngôn ngữ lập trình Python và các thư viện chuyên sâu. Nguồn cung cấp cho hệ thống lấy trực tiếp từ ắc quy xe lăn thông qua mạch giảm áp XH-M404 XL4016E1 8A. Mạch hạ áp này bảo đảm nguồn 5V ổn định cho các vi mạch nhạy cảm. Giải pháp bảo đảm độ phản hồi nhanh, triệt tiêu xung nhiễu và kiểm soát chính xác từng hành vi di chuyển.

3.1. Thiết kế phần cứng và tích hợp cảm biến quán tính MPU6050

Kiến trúc phần cứng được thiết kế theo dạng module độc lập để dễ dàng bảo trì và thay thế. Cảm biến quán tính MPU6050 đóng vai trò ghi nhận góc nghiêng và gia tốc trọng trường của đầu. Tín hiệu thô được đưa vào Arduino Uno để xử lý bộ lọc số và đóng gói khung dữ liệu. Mạch giảm áp XH-M404 XL4016E1 nhận điện áp cao từ ắc quy và chuyển đổi xuống nguồn 5V ổn định. Nguồn cấp này nuôi trực tiếp máy tính nhúng Raspberry Pi 4 cùng các module ngoại vi. Đèn chỉ báo LED tại chân 8 của Arduino và chân 17 của Raspberry Pi báo hiệu trạng thái truyền thông thông suốt.

3.2. Huấn luyện mô hình phân loại dữ liệu cử động đầu trên Colab

Công tác huấn luyện thuật toán bắt đầu bằng việc thu thập 5.780 mẫu dữ liệu thực nghiệm qua PLX-DAQ. Dữ liệu cử động đầu được ghi nhận trực tiếp vào bảng tính Excel nhằm đảm bảo tính trực quan và đầy đủ. Môi trường Google Colab hỗ trợ huấn luyện mạng nơ-ron bằng ngôn ngữ Python với các thư viện chuyên dụng. Dữ liệu được chuẩn hóa để loại trừ nhiễu trước khi phân loại thành năm trạng thái chuyển động cụ thể. Mô hình sau khi huấn luyện thành công được tối ưu hóa rồi nạp sang Raspberry Pi 4. Thiết bị xử lý tín hiệu theo thời gian thực và trả tín hiệu điều khiển ngược lại cho Arduino Uno.

IV. Đánh giá bộ điều khiển xe lăn tại Trường ĐH SPKT TP

Kết quả thử nghiệm thực tế chứng minh hệ thống vận hành ổn định và đạt độ chính xác cao. Xe phản hồi chính xác mọi cử chỉ đầu bao gồm gật đầu để tiến, ngửa đầu để lùi, nghiêng trái và nghiêng phải. Khi người dùng giữ nguyên đầu ở vị trí cân bằng, xe lập tức dừng lại an toàn. Cơ chế này loại bỏ nguy cơ mất kiểm soát trong quá trình xe di chuyển trên các địa hình bằng phẳng. Mạch hạ áp hoạt động tin cậy, không phát sinh nhiệt lượng lớn sau nhiều giờ chạy liên tục. Đề tài tốt nghiệp tại Trường ĐH SPKT TP. Hồ Chí Minh mở ra tiềm năng thương mại hóa thành thiết bị y tế trợ lực giá rẻ. Giải pháp có chi phí thấp hơn đáng kể so với các sản phẩm nhập khẩu cùng phân khúc. Hệ thống có khả năng mở rộng để tích hợp thêm cảm biến siêu âm phát hiện vật cản hoặc định vị GPS khẩn cấp. Thành công của nghiên cứu khẳng định tính khả thi của việc ứng dụng trí tuệ nhân tạo và hệ thống nhúng trong phục hồi chức năng y khoa tại Việt Nam.

4.1. Hiệu quả vận hành và độ chính xác của các chế độ điều hướng

Xe vận hành đạt độ tin cậy cao trên cả hai chế độ điều khiển cơ học và cảm biến cử động. Khi chuyển sang chế độ cử động đầu qua công tắc, hệ thống duy trì độ ổn định liên tục. Năm trạng thái di chuyển phản hồi mượt mà theo từng cử chỉ của người lái. Tỷ lệ nhận diện đúng đạt mức cao nhờ mô hình máy học được huấn luyện kỹ lưỡng từ 5.780 mẫu thực nghiệm. Độ trễ điều khiển giữa Raspberry Pi 4 và Arduino Uno được tối ưu ở mức mili giây. Sự phản hồi kịp thời này bảo đảm tính cơ động và an toàn tuyệt đối khi vận hành trong không gian hẹp.

4.2. Tiềm năng ứng dụng và hướng hoàn thiện thiết bị y tế thông minh

Công trình nghiên cứu mở ra triển vọng to lớn trong lĩnh vực chế tạo thiết bị hỗ trợ y tế nội địa. Chi phí linh kiện hợp lý giúp sản phẩm dễ tiếp cận với các bệnh viện và trung tâm phục hồi chức năng. Trong tương lai, hệ thống có thể nâng cấp thêm các thuật toán tự hành và tránh chướng ngại vật thông minh. Việc tích hợp công nghệ Internet vạn vật (IoT) sẽ cho phép người thân giám sát vị trí từ xa. Nghiên cứu khẳng định năng lực tự chủ công nghệ của sinh viên Trường ĐH SPKT TP. Hồ Chí Minh trong việc tạo ra những sản phẩm kỹ thuật phục vụ cộng đồng.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Xe lăn là công cụ trợ giúp thiết yếu nhằm phục vụ và nâng cao chất lượng cuộc sống cho những đối tượng bị suy giảm khả năng vận động như người mắc bệnh lý về cột sống, chấn thương tủy sống, liệt nửa người, loạn dưỡng cơ hoặc người cao tuổi. Ngoài việc thúc đẩy khả năng di chuyển độc lập, việc sử dụng xe lăn còn mang lại lợi ích về mặt lâm sàng như cải thiện chức năng tiêu hóa, hô hấp, duy trì thể chất và hỗ trợ người bệnh hòa nhập cộng đồng. Theo số liệu thống kê được tác giả trích dẫn trong văn bản, tính đến năm 2022, toàn cầu có khoảng 131.800.000 người có nhu cầu sử dụng xe lăn, chiếm tỷ lệ khoảng 1,85% dân số thế giới.

Trong bối cảnh của cuộc cách mạng công nghiệp lần thứ tư và sự phổ biến của Internet vạn vật (IoT), các hệ thống điều khiển xe lăn thông minh đã có nhiều bước tiến. Tuy nhiên, các dòng xe lăn điện tiêu chuẩn trên thị trường hiện nay vẫn bộc lộ hạn chế khi người sử dụng gặp chấn thương chi trên nghiêm trọng hoặc suy giảm vận động tay không thể thao tác với cần gạt cơ học truyền thống. Nhằm giải quyết bài toán tự chủ di chuyển cho người bệnh, đề tài tập trung nghiên cứu phương thức điều khiển đa phương thức, kết hợp giữa cần gạt vật lý và hệ thống nhận dạng cử động đầu của người dùng dựa trên trí tuệ nhân tạo.

Mục tiêu chung của đồ án là phát triển bộ điều khiển xe lăn điện dựa trên nhiều phương thức khác nhau, giúp người khuyết tật có thể chủ động vận hành phương tiện theo ý muốn mà không cần phụ thuộc vào người trợ giúp. Văn bản xác định 3 mục tiêu cụ thể gồm:

1. Nghiên cứu và thiết kế bộ nhận dạng tín hiệu từ cảm biến MPU6050 nhằm ghi nhận các tín hiệu chuyển động của đầu.
2. Ứng dụng học máy (machine learning) để huấn luyện tập dữ liệu thu nhận được từ cảm biến gia tốc kết hợp con quay hồi chuyển MPU6050 và nạp mô hình vào máy tính nhúng Raspberry Pi 4 để thực hiện nhận dạng thời gian thực.
3. Truyền dữ liệu tín hiệu đã nhận dạng từ bộ xử lý trung tâm Arduino Uno xuống khối điều khiển động cơ có sẵn trên xe lăn thông qua giao thức không dây Bluetooth HC-05.

Nhiệm vụ nghiên cứu của đề tài được triển khai qua 9 nội dung:

• Nội dung 1: Tìm hiểu đặc tính kỹ thuật của Joystick, cảm biến gia tốc và con quay hồi chuyển MPU6050, vi điều khiển Arduino Uno, Raspberry Pi 4, module Bluetooth HC-05 cùng các giao thức truyền nhận dữ liệu liên quan.
• Nội dung 2: Thu thập dữ liệu cử động đầu bằng cảm biến MPU6050, tiền xử lý tín hiệu và tiến hành huấn luyện mô hình nhận dạng từ tệp dữ liệu định dạng .csv trên nền tảng Google Colab.
• Nội dung 3: Thiết lập truyền nhận tín hiệu hai chiều giữa Arduino Uno và Raspberry Pi 4.
• Nội dung 4: Gửi dữ liệu điều khiển từ bộ xử lý trung tâm đến Arduino Nano của mạch động cơ thông qua module Bluetooth HC-06 để vận hành xe lăn.
• Nội dung 5: Tích hợp module Joystick vào hệ thống nhằm nâng cao tính linh hoạt khi điều khiển.
• Nội dung 6: Thi công phần cứng, đóng gói hộp điều khiển, thử nghiệm thực tế và hiệu chỉnh hệ thống.
• Nội dung 7: Đánh giá hiệu suất điều khiển và độ chính xác của xe lăn trong môi trường thực nghiệm.
• Nội dung 8: Hoàn thiện báo cáo luận văn tốt nghiệp.
• Nội dung 9: Bảo vệ đồ án trước hội đồng chuyên môn.

Đối tượng nghiên cứu của đồ án là hệ thống điều khiển tích hợp cho xe lăn điện thông qua hai phương thức: cử động đầu và cần điều khiển Joystick. Phạm vi nghiên cứu về mặt không gian và thời gian được thực hiện tại Bộ môn Điện tử Công nghiệp – Y sinh, Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh trong thời gian từ ngày 11/09/2023 đến ngày 18/12/2023. Phạm vi vận hành của hệ thống bao gồm 5 trạng thái cơ bản: tiến, lùi, rẽ trái, rẽ phải và dừng; giới hạn độ trễ phản hồi trong khoảng 1 đến 2 giây và hệ thống vẫn chịu ảnh hưởng của nhiễu cảm biến sau lọc.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của đề tài xây dựng dựa trên động học chuyển động đầu người trong không gian ba chiều (3D), bao gồm ba góc chuyển động trục cơ bản:

• Trục Pitch: Cử động gật đầu hoặc ngửa đầu theo chiều dọc.
• Trục Yaw: Cử động xoay đầu sang trái hoặc sang phải theo chiều ngang.
• Trục Roll: Chuyển động nghiêng hoặc lắc đầu sang hai bên.

Trong giao tiếp thông thường, các chuyển động này biểu lộ sự đồng thuận (gật đầu) hoặc từ chối (lắc đầu). Khi được lượng hóa qua cảm biến gia tốc và con quay hồi chuyển, các cử động này tạo ra các mẫu tín hiệu đặc trưng theo chuỗi thời gian, làm cơ sở để phân loại ý định điều khiển phương tiện của người khuyết tật.

Hệ thống sử dụng phần mềm PLX-DAQ để thiết lập cầu nối giao tiếp trực tiếp giữa cổng nối tiếp (Serial Port) của máy tính với bảng tính Microsoft Excel. Công cụ này cho phép ghi nhận và lưu trữ trực tiếp các giá trị cảm biến gửi về từ vi điều khiển Arduino theo thời gian thực vào các ô dữ liệu (cells), giúp trực quan hóa tín hiệu và xuất dữ liệu ra định dạng bảng tính để phục vụ quá trình huấn luyện mô hình.

Về phương diện thuật toán học máy, tác giả sử dụng ngôn ngữ lập trình Python kết hợp các thư viện chuyên dụng gồm NumPy và Pandas để thao tác dữ liệu, cùng nền tảng TensorFlow và Keras nhằm xây dựng mạng nơ-ron tích chập (Convolutional Neural Network - CNN). Mô hình được thiết kế theo cấu trúc Sequential của Keras, phù hợp với việc phân loại các chuỗi tín hiệu chuỗi thời gian thu nhận từ cảm biến. Để loại bỏ các sai số tích lũy từ con quay hồi chuyển và nhiễu dao động cơ học của gia tốc kế, hệ thống áp dụng hai thuật toán xử lý tín hiệu: bộ lọc bù (Complementary filter) và bộ lọc Kalman để trích xuất tín hiệu góc xoay sạch (Pitch, Roll, Yaw).

Tác giả đã tiến hành tổng hợp và đối chiếu các công trình nghiên cứu về xe lăn điện đã được thực hiện trước đó tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh:

Đề tài / Tác giả	Phương pháp điều khiển	Ưu điểm ghi nhận	Nhược điểm và hạn chế
Huỳnh Ngọc Phiên & Phạm Ngọc Quốc	Cảm biến MPU6050 tích hợp trên tai nghe; truyền Bluetooth; phát hiện vật cản qua cảm biến Sharp; điều khiển qua ứng dụng Blynk.	Độ chính xác nhận dạng đạt 95%; có camera và cảm biến hồng ngoại phát hiện vật cản; có cảnh báo ngủ gật.	Chỉ hoạt động trên bề mặt phẳng, không chạy được trên đường gồ ghề dốc nhẹ; độ trễ cao (3–5 giây); phụ thuộc đường truyền Wifi của app Blynk.
Lê Văn Luận & Phạm Minh Kha (2019)	Nhận dạng giọng nói qua module Voice Recognition V3 kết hợp ứng dụng điều khiển trên điện thoại Android.	Nhận dạng giọng nói tốt; xe vận hành đủ hướng (tiến, lùi, trái, phải); tùy chỉnh tốc độ linh hoạt qua smartphone.	Tồn tại độ trễ trong quá trình truyền nhận dữ liệu; việc điều chỉnh tốc độ và đáp ứng lệnh điều khiển còn chậm.
Vũ Hoàng Thiên & Đoàn Lâm (2020)	Kết hợp tín hiệu điện não (EEG) và thị giác máy tính qua Camera.	Hệ thống vận hành ở chế độ an toàn, tốc độ di chuyển phù hợp cho người khuyết tật; tránh được vật cản tự động.	Tín hiệu điện não có nguy cơ gây va chạm; xử lý camera làm thời gian tới đích bị chậm; trễ truyền nhận; phụ thuộc cường độ ánh sáng.

Phương pháp nghiên cứu thực nghiệm được áp dụng để thu thập dữ liệu gốc: hai thành viên trong nhóm nghiên cứu (Nguyễn Hữu Tín và Lê Thị Thu Hiền) thực hiện các cử động đầu khi đội nón gắn cảm biến MPU6050. Quá trình thu nhận tạo ra tập dữ liệu hoàn chỉnh gồm 5.780 mẫu tín hiệu, được chia thành 6 lớp chuyển động riêng biệt để đưa vào huấn luyện mô hình mạng CNN trên nền tảng đám mây Google Colab.

---

Thiết kế và triển khai

Hệ thống điều khiển xe lăn được phân chia thành 4 khối chức năng chính liên kết chặt chẽ với nhau:

Khối chức năng	Phần cứng sử dụng	Nhiệm vụ kỹ thuật
Khối nguồn	Bình Ắc quy 24V–12A có sẵn trên xe; mạch giảm áp XH-M404 XL4016E1 8A.	Hạ điện áp từ nguồn 24VDC của xe lăn xuống nguồn 5VDC (thông qua cáp USB Type-C) cung cấp dòng tối thiểu 3A cho Raspberry Pi 4 và hệ thống điều khiển.
Khối thu nhận tín hiệu	Cảm biến MPU6050 (gắn trên nón); cần điều khiển Joystick (gắn tại thành xe).	Đo gia tốc và tốc độ góc 3 trục (MPU6050); đọc biến trở 2 trục X, Y và nút nhấn SW (Joystick) để thu thập lệnh điều khiển.
Khối xử lý trung tâm	Vi điều khiển Arduino Uno R3 (ATmega328P); máy tính nhúng Raspberry Pi 4 Model B.	Arduino Uno đọc tín hiệu cảm biến và Joystick; truyền dữ liệu qua UART sang Raspberry Pi 4 để chạy mô hình CNN; nhận kết quả phân loại từ Pi và gửi lệnh điều khiển xuống động cơ qua Bluetooth HC-05.
Khối điều khiển động cơ	Mạch cầu H BTS7960 43A; 2 động cơ DC 24V; vi điều khiển Arduino Nano và module Bluetooth HC-06 tích hợp trên khung xe.	Nhận tín hiệu điều khiển từ Bluetooth, điều chế xung PWM để đóng ngắt cầu H, dẫn động 2 bánh xe di chuyển theo các hướng định sẵn.

Thông số kỹ thuật chi tiết của các linh kiện triển khai trong hệ thống:

• Cảm biến MPU6050: Tích hợp 6 bậc tự do (6DOF: 3 trục gia tốc, 3 trục con quay hồi chuyển), bộ chuyển đổi ADC 16-bit nội, dải đo gia tốc lựa chọn ±2g, ±4g, ±8g, ±16g; dải đo con quay hồi chuyển ±250°/s, ±500°/s, ±1000°/s, ±2000°/s; giao tiếp chuẩn I2C, điện áp hoạt động 3–5VDC, kích thước 20,5 mm.
• Module Joystick: Tích hợp 2 biến trở 10 kΩ theo hai trục X-Y và một công tắc hành trình (SW), điện áp cấp 5VDC, kích thước 4,2 cm, dải nhiệt độ hoạt động từ 0 đến 70 °C.
• Arduino Uno R3: Vi điều khiển ATmega328P 8-bit, tần số thạch anh 16 MHz, bộ nhớ Flash 32 KB (nạp sẵn 0,5 KB bootloader), 2 KB SRAM, 1 KB EEPROM. Có 14 chân I/O số (trong đó 6 chân băm xung PWM), 6 chân đầu vào tương tự Analog (độ phân giải 10-bit), dòng điện định mức mỗi chân I/O là 20 mA.
• Raspberry Pi 4 Model B: Vi xử lý Broadcom BCM2711 lõi tứ Cortex-A72 64-bit tốc độ 1,5 GHz, chuẩn RAM LPDDR4-3200, đầu cấp nguồn 5VDC tối thiểu 3A qua cổng USB Type-C, cổng GPIO 40 chân, chạy hệ điều hành Linux.
• Module Bluetooth HC-05: Chip xử lý chuẩn Bluetooth V2.0 + EDR, băng tần 2,4 GHz, điều chế GFSK, công suất phát 4 dBm (Class 2), độ nhạy thu -84 dBm, tốc độ truyền bất đối xứng cực đại 2,1 Mbps, dòng tiêu thụ 30 mA khi ghép nối và 8 mA sau khi kết nối, hỗ trợ giao tiếp nối tiếp UART với các tốc độ baud từ 1200 đến 115200 bps.
• Mạch giảm áp XH-M404 XL4016E1: Điện áp vào 4–40VDC, điện áp ra điều chỉnh 1,25–36VDC, điều chế xung PWM tần số 180 kHz, dòng tải tối đa 8A, công suất cực đại 200W, hiệu suất biến đổi năng lượng 94%, tích hợp LED 7 đoạn hiển thị điện áp và các tính năng bảo vệ ngắn mạch, ngược cực, quá nhiệt.
• Mạch công suất cầu H BTS7960: Điện áp danh định 6–27VDC, dòng định mức cực đại 43A, tần số điều khiển tối đa 25 kHz, tích hợp cảm biến bảo vệ sụt áp (dưới 5,5V) và cảm biến chống quá nhiệt.

Về mặt ghép nối mạch, cảm biến MPU6050 kết nối với Arduino Uno qua giao thức I2C: chân SCL nối với chân A5, chân SDA nối với chân A4. Joystick kết nối tín hiệu analog của trục X và Y vào các chân A1 và A2 của Arduino Uno, chân công tắc nút nhấn SW kết nối vào chân Digital 12. Giao tiếp giữa Arduino Uno và module Bluetooth HC-05 được thực hiện qua cổng nối tiếp ảo sử dụng thư viện SoftwareSerial: chân RX của HC-05 nối chân Digital 3 (TX của Arduino), chân TX của HC-05 nối chân Digital 2 (RX của Arduino). Đèn LED hiển thị trạng thái chế độ hoạt động (chuyển đổi giữa Joystick và cảm biến) được cấp tín hiệu từ chân Digital 8 của Arduino.

Máy tính nhúng Raspberry Pi 4 nhận tín hiệu dữ liệu cử động đầu từ Arduino Uno thông qua cáp truyền dữ liệu nối tiếp USB. Chân Pin 17 trên thanh cắm GPIO của Raspberry Pi 4 được kết nối với một đèn LED để cảnh báo trạng thái dữ liệu đang truyền nhận giữa hai vi xử lý.

Quy trình phần mềm được phân định thành hai môi trường:

1. Môi trường huấn luyện và phân loại: Dữ liệu cử động sau khi thu nhận được tổng hợp thành bảng dữ liệu, tiền xử lý qua bộ lọc số, sau đó đưa vào mô hình mạng CNN huấn luyện trên Google Colab. Mô hình hoàn chỉnh được nạp vào Raspberry Pi 4 và thực thi nhận dạng bằng phần mềm lập trình Thonny Python.
2. Môi trường điều khiển nhúng: Chương trình quản lý trạng thái, đọc cảm biến, định tuyến tín hiệu và điều khiển truyền động được viết và biên dịch trên Arduino IDE để nạp vào bộ điều khiển Arduino Uno và Arduino Nano.

Hộp điều khiển trung tâm được nhóm thiết kế 3D bằng phần mềm SolidWorks, đảm bảo bố trí tối ưu không gian cho các bo mạch vi xử lý, mạch hạ áp, cầu đấu nối và các đèn báo trạng thái, gắn cố định vào khung xe lăn thực nghiệm.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 thiết lập tính cấp thiết của đề tài xuất phát từ nhu cầu thực tiễn của 131,8 triệu người cần xe lăn trên thế giới. Nội dung chương công bố mục tiêu chế tạo hệ thống điều khiển kết hợp Joystick và nhận dạng cử động đầu; phân chia 9 nội dung nghiên cứu thực hiện từ tháng 9 đến tháng 12 năm 2023; chỉ rõ các giới hạn vận hành như độ trễ hệ thống 1–2 giây, nhiễu cảm biến tồn dư và cấu trúc tổng thể gồm 6 chương của đồ án.

Chương 2: Cơ sở lý thuyết

Nội dung chương 2 trình bày chi tiết lịch sử xe lăn điện từ mẫu phát minh ban đầu của George Klein năm 1953 đến các dòng xe hiện đại gắn cần điều khiển Joystick. Tác giả phân tích cơ sở động học chuyển động đầu người trong không gian 3D qua 3 trục Pitch, Yaw, Roll; giới thiệu cơ chế truyền dữ liệu nối tiếp thời gian thực của phần mềm PLX-DAQ sang Excel; tổng quan về ngôn ngữ Python và các thư viện Keras, TensorFlow, kiến trúc mô hình Sequential. Đồng thời, chương 2 phân tích ưu và nhược điểm của 3 công trình nghiên cứu đi trước (dùng MPU6050 trên tai nghe qua app Blynk, điều khiển bằng giọng nói qua module VR3, điều khiển bằng tín hiệu điện não EEG kết hợp Camera) làm cơ sở cải tiến giải pháp.

Chương 3: Tính toán và thiết kế

Chương 3 trình bày chi tiết sơ đồ khối toàn hệ thống và giới thiệu thông số các linh kiện phần cứng (MPU6050, Joystick, Arduino Uno R3, Raspberry Pi 4, Bluetooth HC-05, module giảm áp XH-M404 XL4016E1, mạch cầu H BTS7960). Chương này đưa ra các tính toán thiết kế sơ đồ nối dây cho khối thu nhận, khối xử lý trung tâm và khối điều khiển động cơ; mô tả quá trình thu nhận tập dữ liệu gồm 5.780 mẫu cử động qua PLX-DAQ; phương pháp xử lý tín hiệu qua bộ lọc bù Complementary và bộ lọc Kalman để tách góc; cấu trúc các lớp của mạng nơ-ron tích chập CNN phân loại 6 trạng thái cử động đầu và tiêu chí đánh giá mô hình.

Chương 4: Thi công hệ thống

Chương 4 mô tả toàn bộ quá trình thi công thực tế phần cứng: thiết kế mô hình hộp điều khiển trên phần mềm SolidWorks, chế tạo hộp bảo vệ, lắp đặt bố trí linh kiện bên trong và bên ngoài hộp; kết nối khối nguồn ắc quy qua mạch giảm áp; lắp đặt nón nhận diện gắn MPU6050. Chương này trình bày chi tiết lưu đồ thuật toán của chương trình chính, chương trình kiểm tra chế độ (mode), lưu đồ xử lý Joystick, lưu đồ nhận dạng tín hiệu trên Raspberry Pi và lưu đồ truyền nhận dữ liệu UART/Bluetooth; giới thiệu môi trường lập trình Thonny và Arduino IDE; hướng dẫn quy trình vận hành hệ thống cùng bảng dự toán chi phí linh kiện thực hiện đề tài.

Chương 5: Kết quả, nhận xét và đánh giá

Chương 5 công bố các kết quả thực nghiệm đạt được sau khi chế tạo: hình ảnh mô hình hộp điều khiển hoàn thiện gắn trên xe lăn; kết quả lọc tín hiệu góc Pitch, Roll, Yaw qua bộ lọc Complementary và Kalman trước và sau khi gộp tín hiệu; đồ thị đánh giá hiệu suất mô hình CNN dựa trên hàm mất mát (Loss, Val_Loss) và độ chính xác (Accuracy, Val_Accuracy); ma trận nhầm lẫn (Confusion Matrix) kèm các chỉ số đo lường Precision và Recall; bảng thống kê kết quả điều khiển thực nghiệm trên xe lăn đối với từng thao tác cử động đầu và cần gạt Joystick; đưa ra nhận xét khách quan về khả năng đáp ứng thực tế của xe.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết các hạng mục đã hoàn thành: xây dựng thành công bộ điều khiển xe lăn đa phương thức với độ chính xác nhận dạng cử động đạt 99,31%; ghi nhận các hạn chế còn tồn tại về độ trễ truyền thông và nhiễu cảm biến; đề xuất các hướng nghiên cứu tiếp nối nhằm hoàn thiện thiết bị hỗ trợ vận động cho người khuyết tật.

---

Kết quả và đóng góp

Đồ án ghi nhận các kết quả thực nghiệm định lượng cụ thể:

• Thu thập và chuẩn hóa thành công tập dữ liệu gồm 5.780 mẫu tín hiệu cử động đầu từ cảm biến MPU6050 thông qua công cụ PLX-DAQ.
• Phân loại chính xác 6 dạng tín hiệu cử động đầu phục vụ việc điều hướng xe lăn:
  1. Gật đầu 1 lần.
  2. Gật đầu 2 lần.
  3. Ngửa đầu.
  4. Xoay đầu sang trái.
  5. Xoay đầu sang phải.
  6. Giữ đầu đứng yên.
• Ứng dụng thành công hai bộ lọc tín hiệu: bộ lọc bù Complementary filter và bộ lọc Kalman, làm mượt các đường cong tín hiệu góc Pitch, Roll, Yaw trước khi trích xuất đặc trưng.
• Xây dựng mô hình phân loại mạng CNN đạt độ chính xác nhận dạng tổng thể lên tới 99,31%, được kiểm chứng qua các đồ thị Accuracy, Loss và ma trận nhầm lẫn (Confusion Matrix) với các chỉ số Precision và Recall cụ thể cho từng lớp cử động.
• Thi công hoàn thiện hộp điều khiển tích hợp vi điều khiển Arduino Uno, máy tính nhúng Raspberry Pi 4, mạch giảm áp và module Bluetooth, vận hành thử nghiệm trên khung xe lăn điện thực tế với hai chế độ: điều khiển cơ học bằng Joystick và điều khiển sinh học qua cử động đầu.

Giải pháp kỹ thuật của nhóm cho phép xe thực hiện đầy đủ 5 lệnh truyền động cơ bản: tiến, lùi, rẽ trái, rẽ phải và dừng xe một cách ổn định. Hệ thống mạch giảm áp XL4016E1 hạ áp thành công từ nguồn ắc quy 24V của xe để nuôi trực tiếp máy tính nhúng và vi điều khiển mà không cần lắp thêm nguồn phụ.

Về mặt đóng góp khoa học và kỹ thuật so với các nghiên cứu trước:

• So với đề tài của Huỳnh Ngọc Phiên và Phạm Ngọc Quốc (đạt độ chính xác 95%, trễ 3–5 giây và phụ thuộc mạng Wifi của app Blynk), đồ án này nâng cao độ chính xác nhận dạng lên 99,31%, giảm thời gian trễ hệ thống xuống còn 1–2 giây, đồng thời loại bỏ sự phụ thuộc vào hạ tầng mạng Internet nhờ sử dụng kết nối không dây nội bộ Bluetooth HC-05/HC-06.
• So với đề tài của Lê Văn Luận và Phạm Minh Kha (điều khiển qua giọng nói có độ trễ lớn), hệ thống mang lại giải pháp phản hồi tín hiệu nhanh hơn, phù hợp cho những bệnh nhân tổn thương thanh quản hoặc môi trường có nhiều tiếng ồn xung quanh.
• So với đề tài của Vũ Hoàng Thiên và Đoàn Lâm (sử dụng điện não EEG có nguy cơ va chạm và xử lý camera phụ thuộc ánh sáng), việc thu nhận tín hiệu góc chuyển động đầu qua cảm biến quán tính 6DOF cung cấp tín hiệu ổn định hơn, không bị ảnh hưởng bởi điều kiện quang học môi trường.

---

Hạn chế và hướng nghiên cứu tiếp

Các hạn chế được ghi nhận trực tiếp trong văn bản đồ án:

• Sau khi đã áp dụng các bộ lọc bù và lọc Kalman, tín hiệu đo đạc từ cảm biến gia tốc và con quay hồi chuyển MPU6050 vẫn còn tồn tại một lượng nhiễu nhất định trong quá trình xe lăn chuyển động thực tế.
• Hệ thống điều khiển vẫn có độ trễ từ 1 đến 2 giây giữa thời điểm người dùng thực hiện cử động đầu cho đến khi động cơ xe lăn phản hồi lệnh truyền động.
• Tập dữ liệu huấn luyện (5.780 mẫu) mới chỉ được thu thập trên 2 đối tượng thực hiện trong nhóm nghiên cứu, chưa mở rộng thu thập trên người khuyết tật thực tế hoặc đa dạng nhóm người dùng với biên độ cử động đầu khác nhau.
• Hệ thống mới dừng lại ở việc đáp ứng các hướng di chuyển cơ bản (thẳng, lùi, trái, phải, dừng) trên mặt phẳng, chưa kiểm thử trên địa hình dốc, gồ ghề và chưa tích hợp hệ thống cảm biến chủ động quét vật cản tự động dừng khẩn cấp.

Hướng phát triển tiếp theo được đề xuất:

• Tiếp tục tối ưu hóa thuật toán lọc số nhằm loại bỏ hoàn toàn nhiễu quán tính cơ học phát sinh từ sự rung lắc của khung xe khi di chuyển.
• Tối ưu hóa cấu trúc mô hình nhận dạng và đường truyền dữ liệu UART/Bluetooth giữa Arduino và Raspberry Pi để rút ngắn thời gian trễ phản hồi xuống dưới 1 giây.
• Thu thập thêm dữ liệu cử động từ nhiều đối tượng người dùng khác nhau nhằm nâng cao khả năng khái quát hóa và độ tin cậy của mô hình học sâu.
• Nghiên cứu tích hợp thêm cảm biến phát hiện vật cản (như cảm biến siêu âm, LiDAR hoặc camera) để tự động kích hoạt phanh an toàn khi gặp chướng ngại vật.

---

Giá trị tham khảo

Đồ án tốt nghiệp là tài liệu kỹ thuật có giá trị tham khảo thiết thực cho:

• Sinh viên và học viên cao học thuộc các chuyên ngành Kỹ thuật Y sinh, Kỹ thuật Điều khiển và Tự động hóa, Điện tử – Viễn thông, Công nghệ Thông tin và Cơ điện tử đang thực hiện các đề tài liên quan đến thiết bị hỗ trợ người khuyết tật, hệ thống nhúng hoặc xe tự hành.
• Các kỹ sư phát triển sản phẩm công nghệ hỗ trợ (Assistive Technology), thiết bị phục hồi chức năng và giao tiếp người - máy (HMI).

Các nội dung cụ thể trong văn bản có giá trị tham khảo kỹ thuật cao:

• Sơ đồ nguyên lý ghép nối phần cứng chi tiết giữa vi điều khiển họ AVR (ATmega328P) với máy tính nhúng Linux (Raspberry Pi 4), module Bluetooth HC-05 qua cổng SoftwareSerial, cảm biến I2C và mạch công suất cầu H BTS7960 dòng cao.
• Quy trình ứng dụng công cụ PLX-DAQ để thu thập chuỗi thời gian dữ liệu cảm biến trực tiếp vào bảng tính Excel phục vụ chuẩn bị dữ liệu cho học máy.
• Quy trình xử lý tín hiệu IMU sử dụng bộ lọc bù và bộ lọc Kalman để trích xuất các góc chuyển động Pitch, Roll, Yaw.
• Cấu trúc xây dựng và huấn luyện mô hình mạng nơ-ron tích chập (CNN) phân loại tín hiệu chuỗi thời gian từ cảm biến trên Google Colab và cách thức triển khai mô hình sau huấn luyện trên hệ điều hành nhúng Raspberry Pi.

---

Câu hỏi thường gặp

1. Tập dữ liệu huấn luyện mô hình nhận dạng trong đồ án có quy mô bao nhiêu và nhận dạng những hành vi cử động nào?
Tập dữ liệu hoàn chỉnh của đề tài bao gồm 5.780 mẫu dữ liệu thu nhận dưới dạng tệp .csv thông qua phần mềm PLX-DAQ từ cảm biến MPU6050 gắn trên nón. Mô hình phân loại chính xác 6 dạng trạng thái của đầu: gật đầu 1 lần, gật đầu 2 lần, ngửa đầu, xoay đầu sang trái, xoay đầu sang phải và giữ đầu đứng yên.

2. Độ chính xác của mô hình mạng CNN trên tập dữ liệu và độ trễ hệ thống thực tế là bao nhiêu?
Mô hình mạng nơ-ron tích chập CNN (huấn luyện qua Keras/TensorFlow) đạt độ chính xác phân loại là 99,31%. Trong môi trường vận hành thực nghiệm trên xe lăn, toàn hệ thống có độ trễ đáp ứng tín hiệu ghi nhận từ 1 đến 2 giây.

3. Khối nguồn của hệ thống được thiết kế như thế nào để cấp điện cho Raspberry Pi 4?
Hệ thống sử dụng trực tiếp nguồn bình Ắc quy 24V–12A có sẵn trên xe lăn, đưa qua mạch giảm áp xung XH-M404 XL4016E1 (hỗ trợ dòng tải tối đa 8A, công suất cực đại 200W, hiệu suất 94%) để hạ áp xuống mức 5VDC, sau đó cấp nguồn cho Raspberry Pi 4 thông qua đầu nối cáp USB Type-C nhằm đảm bảo dòng hoạt động tối thiểu 3A.

4. Hai phương thức điều khiển được tích hợp trên xe lăn là gì và cơ chế hiển thị chế độ ra sao?
Hai phương thức điều khiển gồm: điều khiển tiếp xúc bằng cần gạt Joystick (đọc điện áp analog hai trục X-Y và nút nhấn SW) và điều khiển không tiếp xúc bằng cử động đầu thông qua nón gắn cảm biến quán tính MPU6050. Trạng thái chuyển đổi giữa hai chế độ điều khiển được báo hiệu trực quan thông qua đèn LED kết nối với chân Digital 8 của vi điều khiển Arduino Uno.

5. Nhóm tác giả sử dụng những giải pháp nào để lọc nhiễu tín hiệu từ cảm biến MPU6050?
Nhóm nghiên cứu áp dụng kết hợp hai thuật toán xử lý tín hiệu số là bộ lọc bù (Complementary filter) và bộ lọc Kalman để triệt tiêu sai số trôi của con quay hồi chuyển và nhiễu rung của gia tốc kế, từ đó tính toán chính xác 3 góc chuyển động không gian Pitch, Roll và Yaw.

---

Kết luận

Đồ án tốt nghiệp "Phát triển bộ điều khiển xe lăn dựa trên nhiều phương pháp khác nhau" của hai sinh viên Nguyễn Hữu Tín và Lê Thị Thu Hiền (ngành Kỹ thuật Y sinh, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh) đã thiết kế và chế tạo thành công một hệ thống trợ giúp di chuyển tích hợp cho người khuyết tật. Công trình đã kết hợp hiệu quả giữa điều khiển cơ học bằng Joystick và điều khiển thông minh qua cử động đầu sử dụng cảm biến MPU6050 kết hợp mạng nơ-ron tích chập CNN với độ chính xác phân loại đạt 99,31%. Mặc dù hệ thống còn tồn tại độ trễ phản hồi từ 1 đến 2 giây và nhiễu quán tính cơ học, kết quả nghiên cứu đã giải quyết được các hạn chế phụ thuộc Internet hoặc độ trễ lớn của các đề tài tiền nhiệm, chứng minh tính khả thi cao khi ứng dụng các công nghệ kỹ thuật y sinh và trí tuệ nhân tạo vào thiết bị hỗ trợ phục hồi chức năng thực tế.

Trích đoạn nội dung tài liệu

ĐẶT VẤN ĐỀ Xe lăn là một công cụ phổ biến, một thiết bị hỗ trợ, thúc đẩy khả năng vận động di chuyển và giúp cân bằng cuộc sống của những ngƣời gặp khó khăn trong việc đi lại (những ngƣời gặp những bệnh lý về cột sống, chấn thƣơng tủy sống, liệt nửa ngƣời, loạn dƣỡng cơ, vv…). Ngoài việc đó, xe lăn cũng là một thiết bị mang lại lợi ích to lớn cho những ngƣời sử dụng nhƣ cải thiện vấn đề về hô hấp và tiêu hóa, duy trì thể chất và chất lƣợng cột sống giúp những ngƣời gặp vấn đề về sức khỏe dễ hòa nhập với cộng đồng [1]. Thông qua đó, có thể thấy đƣợc xe lăn là một công cụ rất cần thiết nhằm phục vụ và nâng cao chất lƣợng cuộc sống của cộng đồng. Tính đến năm 2022, số lƣợng ngƣời cần sử dụng xe lăn là 131,800,000 cần sử dụng xe lăn (chiếm 1.85% dân số thế giới) [2].

Tuy nhiên, một số loại xe lăn điện vẫn còn gặp những hạn chế cho ngƣời sử dụng với bộ điều khiển của nó, cho nên chúng ta cần nghiên cứu để dần phát triển thêm các phƣơng pháp khác nhầm đáp ứng nhu cầu cụ thể cho ngƣời sử dụng. Cùng với sự bùng nổ của lần cách mạng công nghiệp lần thứ tƣ (công nghiệp 4.0) đã đặt cột mốc cho sự phát triển của IoT (Internet vạn vật) từ đó đặt tiền đề cho sự ra đời của các thiết bị thông minh, theo đó các phƣơng pháp điều khiển xe lăn cũng dần đƣợc nâng cấp để theo kịp thời đại và cho ra nhiều kết quả ngoài mong đợi. Cho đến hiện tại, ngày càng xuất hiện nhiều nghiên cứu, đề tài nhằm giải quyết vấn đề nói trên, cụ thể có thể kể đến là những Đồ Án Tốt Nghiệp (ĐATN) đã đƣợc thực hiện nhƣ của Lê Văn Luận và Phạm Minh Kha vào năm 2019 với đề tài “Điều khiển xe lăn điện bằng giọng nói hoặc smartphone” [3], đề tài đã sử dụng smartphone kết hợp hệ thống nhận dạng giọng nói thông qua module Voice Recognition V3 (VR3). Sản phẩm này đã mang lại giá trị to lớn cho cộng BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP Y SINH 2 CHƢƠNG 1: TỔNG QUAN đồng bằng việc hỗ trợ cho những ngƣời khuyết tật khả năng di chuyển, làm việc dễ dàng hơn.

Ngoài ra còn có đồ án của Vũ Hoàng Thiên và Đoàn Lâm vào năm 2020 với đề tài “Thiết kế và thi công hệ thống điều khiển xe lăn điện cho ngƣời khuyết tật sử dụng tín hiệu điện não và camera” [4], qua đó đề tài này đã kết hợp tín hiệu điện não cũng các phƣơng pháp xử lý ảnh nhằm xây dựng một hệ thống điều khiển thông qua camera. Hệ thống này đã và đang áp dụng hoàn hảo các tiến bộ về kỹ thuật và công nghệ nhằm tạo nên một ứng dụng có nhiều lợi ích và độ hiệu quả cao trong thời gian hiện nay. Từ những khảo sát trên, cùng với lƣợng kiến thức đã đƣợc học tập và trang bị trong suốt quá trình học đại học, nhóm nghiên cứu kiến nghị thực hiện đề tài “Phát triển bộ điều khiển xe lăn điện dựa trên nhiều phƣơng pháp điều khiển khác nhau” với những chức năng nhầm hỗ trợ ngƣời gặp vấn đề trong việc đi lại nhằm giúp họ chủ động hơn trong việc di chuyển trong cuộc sống.2 MỤC TIÊU Mục tiêu nghiên cứu của đề tài “Phát triển bộ điều khiển xe lăn điện dựa trên nhiều phƣơng pháp điều khiển khác nhau” là nhằm hỗ trợ phƣơng tiện di chuyển cho ngƣời khuyết tật và ngƣời không có khả năng di chuyển có thể chủ động điều khiển xe lăn theo ý muốn của họ theo nhiều phƣơng pháp mà không cần phụ thuộc vào ngƣời khác. Đề tài sử dụng Joystick, cảm biến gia tốc kết hợp con quay hồi chuyển MPU6050 cùng vi điều khiển Arduino Uno, Raspberry Pi4 và truyền tín hiệu thông qua module Bluetooth HC-05.

Mục tiêu cụ thể là:  Nghiên cứu và thiết kế bộ nhận dạng tín hiệu từ MPU6050 qua đó thu đƣợc các tín hiệu của chuyển động đầu. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP Y SINH 3 CHƢƠNG 1: TỔNG QUAN  Sử dụng machine learning để huấn luyện dữ liệu thu đƣợc từ cảm biến gia tốc kết hợp con quay hồi chuyển MPU6050 và đƣa dữ liệu vào raspberry pi để tiến hành nhận dạng.  Truyền các tín hiệu đã thu đƣợc sang bộ xử lý trung tâm Arduino Uno xuống bộ điều khiển động cơ có sẵn trên xe thông qua module Bluetooth HC-05 để tiến hành điều khiển.3 NỘI DUNG NGHIÊN CỨU Trong quá trình thực hiện Đồ án tốt nghiệp với đề tài “Phát triển bộ điều khiển xe lăn điện dựa trên nhiều phƣơng pháp điều khiển khác nhau”, nhóm đã tập trung giải quyết và hoàn thành đƣợc những nội dung sau: - Nội dung 1: Nghiên cứu, tìm hiểu về Joystick, cảm biến gia tốc tích hợp con quay hồi chuyển (MPU6050), Arduino Uno, Raspberry Pi 4, module Bluetooth HC-05 và cách giao tiếp, truyền giữ liệu của chúng. - Nội dung 2: Thu thập dữ liệu cử động của đầu thông qua cảm biến gia tốc tích hợp con quay hồi chuyển MPU6050 và xử lý những tín hiệu thu đƣợc từ dữ liệu đó.

Tiến hành huấn luyện các dữ liệu thu đƣợc từ MPU6050 dƣới dạng file .csv bằng Google Colab để thu đƣợc model nhận dạng. - Nội dung 3: Truyền các tín hiệu thu đƣợc và đã qua xử lý từ Arduino Uno sang Raspberry Pi để tiến hành nhận dạng, sau đó truyền ngƣợc lại các tín hiệu đã qua nhận dạng sang Arduino Uno. - Nội dung 4: Sử dụng các tín hiệu đã qua nhận dạng để gửi dữ liệu sang Arduino Nano có sẵn trong bộ điều khiển thông qua module bluetooth HC-06 để tiến hành điều khiển xe lăn. - Nội dung 5: Tích hợp thêm Joystick để nâng cao hiệu suất điều khiển xe lăn.

- Nội dung 6: Thi công phần cứng, chạy thử nghiệm và hiệu chỉnh hệ thống. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP Y SINH 4 CHƢƠNG 1: TỔNG QUAN - Nội dung 7: Đánh giá kết quả thực hiện, hiệu suất điều khiển xe - Nội dung 8: Viết báo cáo thực hiện. - Nội dung 9: Bảo vệ luận văn.4 GIỚI HẠN  Xe lăn có thể di chuyển theo các hƣớng: Thẳng, lùi, trái, phải, dừng.  Sau khi tiến hành xử lý, cảm biến vẫn còn nhiễu.

 Hệ thống có độ trễ từ 1-2 giấy.  Mũ nhận diện cử động đầu nhỏ gọn và dễ sử dụng.5 BỐ CỤC Chƣơng 1: Tổng Quan Trong chƣơng 1 này trình bày về đặt vấn đề để dẫn dắt lý do chọn đề tài, mục tiêu, nội dung nghiên cứu, các giới hạn và bố cục đề tài. Chƣơng 2: Cơ Sở Lý Thuyết Chƣơng này giới thiệu về các phƣơng pháp điều khiển xe lăn, giới thiệu linh kiện, thiết bị sử dụng để thiết kế hệ thống. Khái quát về các thông số của cảm biến.

Chƣơng 3: Thiết kế và Tính Toán Ở đây sẽ tính toán để lựa chọn các linh kiện phù hợp sử dụng cho hệ thống. Thiết kế và giải thích sơ đồ khối, sơ đồ nguyên lý của hệ thống điều khiển. Chƣơng 4: Thi Công Hệ Thống BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP Y SINH 5 CHƢƠNG 1: TỔNG QUAN Chƣơng này sẽ thiết kế phần cứng cho từng phần của hệ thống: bộ điều khiển động cơ DC, thiết kế phần mềm nhận dạng. Viết chƣơng trình trên Arduino để điều khiển, kết hợp linh kiện vào để điều khiển từ xa.

Chƣơng 5: Kết Quả, Nhận Xét và Đánh Giá Viết ra kết quả đã đạt đƣợc trong thời gian nghiên cứu, một số hình ảnh của bộ điều khiển và kết quả điều khiển xe lăn. Đƣa ra đánh giá, nhận xét về toàn bộ hệ thống điều khiển. Chƣơng 6: Kết Quả và Hƣớng Phát Triển Trong chƣơng 6 này sẽ trình bày về những kết luận những phần làm đƣợc và chƣa làm đƣợc của hệ thống và hiệu quả của bộ điều khiển xe lăn trong thực tế, đƣa ra hƣớng phát triển của hệ thống. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP Y SINH 6 CHƢƠNG 2: CƠ SƠ LÝ THUYẾT CHƢƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 TỔNG QUAN VỀ XE LĂN ĐIỆN CÙNG PHƢƠNG THỨC ĐIỀU KHIỂN 2.1 Lịch sử phát triển xe lăn điện Chiếc xe lăn điện đầu tiên trong lịch sử đƣợc phát triển bởi Goerge Klein vào những năm 1950 sau khi chứng kiến những cựu chiến binh bị thƣơng trở về sau thế chiến thứ hai, chiếc xe lăn này đã đƣợc công bố vào năm 1953.

Goerge Klein và chiếc xe lăn điện của ông [20] Trƣớc khi Goerge Klein cho ra đời chiếc xe lăn điện, hàng loạt các mẫu mã xe lăn đã tồn tại trƣớc đó trên thị trƣờng, tuy nhiên đều có điểm chung là cần phải dùng rất nhiều thể lực để di chuyển, điều này gây ra sự khó khăn và bất tiện cho ngƣời dụng đồng thời hạn chế rất nhiều sự tự do của họ do phải phụ thuộc vào ngƣời đẩy xe. Chiếc xe lăn có động cơ của Goerge Klein đã mang lại rất nhiều niềm hy vọng cho những ngƣời khuyết tật về một tƣơng lại có thể di chuyển một cách dễ dàng [6]. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP Y SINH 7 CHƢƠNG 2: CƠ SƠ LÝ THUYẾT Hình 2. Chiếc xe lăn điện hiện đại đƣợc kết hợp cùng Joystick [21] Mang sứ mệnh kế thừa và phát triền, chiếc xe lăn điện của Goerge Klein ngày càng đƣợc những ngƣời trong cộng đồng y tế kế thừa và phát triền mang lại nhiều tính năng mới.

Ngày nay, các chiếc xe lăn điện trên thị trƣờng thƣờng đƣợc tích hợp thêm các tính năng nhƣ sử dụng cần gạc điều khiển (Joystick), tuổi thọ pin đƣợc cải thiện, vv… 2.2 Phƣơng pháp sử dụng chuyển động đầu trong không gian 3 chiều Hƣớng duy chuyển của đầu trong không gian có thể đƣợc định nghĩa theo 3 trục: Pitch (di chuyển theo chiều dọc), yaw (di chuyển theo chiều ngang) và roll (chuyển động xoay của đầu). Mô tả chuyển động đầu trong không gian 3 chiều [22] BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP Y SINH 8 CHƢƠNG 2: CƠ SƠ LÝ THUYẾT Trong đời sống, ngoài việc biểu lộ cảm xúc hoặc lời nói, khi đầu chuyển động theo 3 trục này, các cử động của nó tạo ra các dấu hiệu riêng biệt nhằm phục vụ cho mục đích giao tiếp. Chẳng hạn những hành động đơn giản nhƣ biểu lộ sự tích cực bằng cách gật đầu, hay tiêu cực khi lắc đầu cũng đóng vai trò rất lớn trong việc giao tiếp hằng ngày giữa con ngƣời với nhau [7]. Những tín hiệu tuy có thể nhận diện cực kỳ đơn giản giữa con ngƣời với nhau nhƣng để có thể giúp máy tính hiểu đƣợc và nhận dạng lại là một việc có phần khó khăn.