Giới thiệu dự án

Tổn thương chức năng vận động bàn tay do đột quỵ, chấn thương tủy sống hoặc hội chứng ống cổ tay đang là gánh nặng y tế toàn cầu. Theo thống kê từ Tổ chức Y tế Thế giới (WHO), mỗi năm có hơn 15 triệu người mắc đột quỵ, trong đó khoảng 80% bệnh nhân gặp di chứng suy giảm hoặc mất hoàn toàn khả năng co bóp và cầm nắm của bàn tay. Mặc dù các nhóm cơ gấp ngón tay tại cẳng tay bị suy yếu, các xung thần kinh vận động từ não bộ vẫn truyền đến các bó cơ, tạo ra tín hiệu điện cơ (Electromyography - EMG) nhưng không đủ biên độ để kích hoạt co cơ vật lý.

Vấn đề cốt lõi đặt ra là các thiết bị trợ lực phục hồi chức năng truyền thống (dạng khung xương ngoài Exoskeleton kim loại nặng nề hoặc cơ cấu thụ động) thường có chi phí đắt đỏ, cồng kềnh và gây đau mỏi cơ. Quan trọng hơn, các hệ thống sử dụng cảm biến lực (Load cell/FSR) thường có độ trễ lớn giữa lúc người dùng phát lực đến khi động cơ đáp ứng, tạo ra phản lực cưỡng bức cản trở vận động tự nhiên.

Dự án "Nghiên cứu, thiết kế và chế tạo găng tay mềm hỗ trợ cho người tật bàn tay ứng dụng EMG" được thực hiện nhằm giải quyết triệt để bài toán trên với 4 mục tiêu cụ thể:

  1. Thu thập, xử lý và phân loại tín hiệu điện cơ EMG đa kênh từ cẳng tay với tần số lấy mẫu 1000 samples/giây/kênh.
  2. Ứng dụng mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) nhận dạng chuyển động co duỗi 5 ngón tay với độ chính xác $\ge 90%$.
  3. Thiết kế và chế tạo găng tay mềm cơ sinh học tích hợp cơ cấu kéo dây Bowden và lò xo hồi vị đàn hồi, cho phép điều khiển linh hoạt 3 cụm ngón độc lập.
  4. Xây dựng bộ điều khiển truyền động vị trí DC Servo vòng kín sử dụng thuật toán PID, sai số góc quay dưới $10^\circ$, trợ lực cầm nắm vật thể hình trụ đường kính 5–10 cm, tải trọng đến 1 kg.

Giải pháp tận dụng ưu điểm vượt trội của tín hiệu EMG bề mặt (sEMG): điện thế hoạt động của đơn vị vận động (Motor Unit Action Potential - MUAP) xuất hiện trước chuyển động cơ học thực tế khoảng 150 ms. Nhờ đó, hệ thống hoàn toàn triệt tiêu độ trễ điều khiển, mang lại cảm giác trợ lực tức thì và tự nhiên.

Phạm vi nghiên cứu tập trung vào bàn tay phải của người trưởng thành bị liệt cơ/yếu cơ nhưng còn tín hiệu thần kinh ngoại biên, hoạt động trong môi trường sinh hoạt hàng ngày với nguồn cấp DC di động.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường thiết bị phục hồi chức năng bàn tay hiện chia thành hai nhóm chính: cơ cấu thụ động (Passive) và cơ cấu chủ động (Active).

Tiêu chí so sánh SaeboGlove (Thụ động) Harvard Wyss Glove (Khí nén) Exo-Glove Poly SNU (Dây kéo) Hệ thống đề tài (Găng tay EMG)
Cơ chế truyền động Dây cao su đàn hồi Túi khí mềm Elastomer Dây cáp Teflon đơn trục Dây kéo Bowden + Lò xo hồi vị 3D
Nguồn điều khiển Không (Chỉ trợ lực hồi vị) Bơm khí nén ngoài Nút bấm bàn đạp chân Tín hiệu điện cơ EMG bề mặt
Độ trễ phản hồi Không áp dụng $200 - 300\text{ ms}$ $150 - 250\text{ ms}$ (theo nút bấm) $< 50\text{ ms}$ (Đi trước vận động 150 ms)
Tính linh hoạt ngón Toàn bàn tay đồng thời Đồng bộ 5 ngón 2 cụm (Ngón cái cố định) 3 cụm độc lập (Cái, Trỏ, 3 ngón còn lại)
Khối lượng & Di động Rất nhẹ, di động cao Nặng do máy nén khí, khó di động Bộ điều khiển đeo hông Bộ truyền động nhỏ gọn, đeo hông
Chi phí chế tạo Trung bình (~$300 - $500) Rất cao (Hệ thống thí nghiệm) Cao (~$1,500 - $3,000) Thấp (< $150), làm chủ công nghệ

Ma trận ưu tiên yêu cầu người dùng (MoSCoW)

  • Must Have: Thu thập 5 kênh EMG ổn định; giải thuật ANN phân loại chính xác $\ge 90%$; cơ cấu kéo gập ngón chịu tải 1 kg; tự động duỗi thẳng ngón bằng cơ cấu hồi vị.
  • Should Have: Sai số vị trí góc quay Servo $\le 10^\circ$; đáp ứng điều khiển thời gian thực; chế độ kép Auto (theo EMG) và Manual (nút bấm).
  • Could Have: Giao diện đồ họa giám sát tín hiệu sóng và góc động cơ trên máy tính qua Visual Studio/MATLAB.
  • Won't Have (phiên bản hiện tại): Tích hợp mạch xử lý EMG thu nhỏ toàn bộ lên găng tay không dây.

Thiết kế hệ thống

Kiến trúc hệ thống được phân tầng rõ ràng gồm 3 khối chính: Khối thu thập & Xử lý tín hiệu (Bio-signal Processing), Khối điều khiển trung tâm (Controller), và Khối chấp hành cơ sinh học (Actuator & Soft Glove).

+-----------------------------------------------------------------------------------+
|                           HỆ THỐNG GĂNG TAY MỀM EMG                               |
+-----------------------------------------------------------------------------------+
  [Điện cực dán sEMG] ---> [Module ADS1293 (2 ICs - 5 Channels)]
                                       | (SPI Interface)
                                       v
                             [Raspberry Pi 3 Model B]
                                       | (Filter + Feature Extraction + ANN Classifier)
                                       v (UART Serial)
                           [Arduino Uno / Nano Controller]
                                       | (PID Position Control)
                                       v
                              [Driver Cầu H L293D]
                                       | (PWM Power Output)
                                       v
                     [3x Động cơ DC Servo + Encoder Vòng Kín]
                                       | (Cơ cấu kéo cáp Bowden)
                                       v
         [Găng tay vải kỹ thuật INGCO + Khớp dẫn hướng 3D + Lò xo hồi vị]

Technology Stack & Linh kiện phần cứng:

  • Cảm biến sinh học: 2 IC TI ADS1293 (Analog Front-End 24-bit ADC chuyên dụng cho điện tim/điện cơ, điện áp vào $\pm 400\text{ mV}$, khuếch đại lập trình $3.5\times$, điện áp ra $\pm 1.4\text{ V}$).
  • Xử lý trung tâm: Raspberry Pi 3 Model B (Quad-core 1.2 GHz ARM Cortex-A53, RAM 1GB) chạy nền tảng Linux.
  • Bộ điều khiển chấp hành: Vi điều khiển ATmega328P (Arduino IDE v1.8.9), Module Driver L293D.
  • Động cơ truyền động: 3 Động cơ DC Servo tích hợp giảm tốc và Encoder quang học đo vị trí góc quay.
  • Phần mềm xử lý & GUI: MATLAB R2018b (Huấn luyện mạng nơ-ron), Microsoft Visual Studio 2017 (C# GUI thu thập và điều khiển).
  • Cơ khí & Vật liệu: Vải kỹ thuật INGCO, ống dẫn Teflon (đường kính ngoài 4 mm, trong 2 mm), dây cước chịu lực 0.4 mm (tải đứt 6 kg), lò xo kéo thép $\phi 6\text{ mm}$, sợi $0.7\text{ mm}$ ($k = 1.67\text{ N/cm}$, lực kéo cực đại $5\text{ N}$).

Methodology

Dự án áp dụng mô hình phát triển chữ V (V-Model) kết hợp lặp rút gọn (Iterative Prototyping):

  1. Giai đoạn 1 (Tuần 1–4): Khảo sát giải phẫu cơ cẳng tay, xác định vị trí đặt điện cực trên các cơ gấp/duỗi ngón (Flexor Digitorum Superficialis, Flexor Pollicis Longus); tính toán động học ngón tay.
  2. Giai đoạn 2 (Tuần 5–10): Thiết kế mạch phần cứng ADS1293, thiết kế PCB nguồn và module Driver L293D; thiết kế 3D các đốt dẫn hướng trên SolidWorks.
  3. Giai đoạn 3 (Tuần 11–16): Thu thập dữ liệu EMG thô, xây dựng bộ lọc số Butterworth và thuật toán trích xuất đặc trưng; huấn luyện mô hình mạng ANN trên MATLAB.
  4. Giai đoạn 4 (Tuần 17–20): Lắp ráp cơ cấu chấp hành, tinh chỉnh bộ điều khiển PID góc quay động cơ, tích hợp toàn hệ thống và thử nghiệm thực tế.

Implementation và kết quả

Development Process

1. Xử lý số tín hiệu EMG (DSP)

Tín hiệu EMG từ điện cực được lấy mẫu ở tốc độ 1000 Hz. Tín hiệu thô trải qua bộ lọc thông dải Butterworth bậc 4 trong khoảng 20 Hz – 500 Hz và lọc khử nhiễu nguồn điện lưới 50 Hz.

Hàm truyền biên độ của bộ lọc Butterworth bậc $N$: $$|H(\omega)|^2 = \frac{1}{1 + \left(\frac{\omega}{\omega_c}\right)^{2N}}$$

2. Trích xuất đặc trưng miền thời gian (Feature Extraction)

Áp dụng kỹ thuật phân khung cửa sổ trượt (Sliding Windowing) với kích thước cửa sổ $200\text{ ms}$, bước nhảy $50\text{ ms}$. 5 đặc trưng tiêu chuẩn được tính toán:

  • Mean Absolute Value (MAV): $$MAV = \frac{1}{N} \sum_{i=1}^{N} |x_i|$$
  • Zero Crossing (ZC): Số lần tín hiệu đổi dấu vượt ngưỡng nhiễu $\epsilon$: $$ZC = \sum_{i=1}^{N-1} \left[ \text{sgn}(-x_i \cdot x_{i+1}) \cap |x_i - x_{i+1}| \ge \epsilon \right]$$
  • Slope Sign Change (SSC): Số lần đổi chiều độ dốc tín hiệu.
  • Waveform Length (WL): $$WL = \sum_{i=1}^{N-1} |x_{i+1} - x_i|$$
  • Root Mean Square (RMS): $$RMS = \sqrt{\frac{1}{N} \sum_{i=1}^{N} x_i^2}$$

3. Phân loại bằng mạng nơ-ron đa lớp (Multi-layer Perceptron - MLP)

Mạng nơ-ron nhân tạo gồm 1 lớp đầu vào (chứa các vector đặc trưng của 5 kênh EMG), 1 lớp ẩn (Hidden Layer) sử dụng hàm kích hoạt Tangent-Sigmoid (tansig), và 1 lớp đầu ra với hàm softmax phân loại 5 trạng thái co ngón:

$$\text{tansig}(n) = \frac{2}{1 + e^{-2n}} - 1, \quad \text{softmax}(n_i) = \frac{e^{n_i}}{\sum_{j} e^{n_j}}$$

Mô hình được huấn luyện bằng thuật toán Scaled Conjugate Gradient (SCG) nhằm tối ưu hóa tốc độ hội tụ và giảm thiểu chi phí tính toán so với Gradient Descent truyền thống.

// Cấu trúc thuật toán điều khiển PID vị trí DC Servo trên vi điều khiển Arduino
void calculate_PID(float setpoint, float current_position, float dt) {
    float error = setpoint - current_position;
    integral += error * dt;
    float derivative = (error - previous_error) / dt;
    
    // Tính toán tín hiệu điều khiển PWM
    float output = (Kp * error) + (Ki * integral) + (Kd * derivative);
    
    // Giới hạn điện áp đầu ra bộ điều khiển L293D
    if (output > 255) output = 255;
    if (output < -255) output = -255;
    
    drive_motor(output);
    previous_error = error;
}

Testing và validation

1. Đánh giá kiểm chuẩn phần cứng thu tín hiệu ADS1293

Hệ thống thu thập tín hiệu được kiểm chứng bằng máy tạo sóng chuẩn và Oscilloscope. ADS1293 tái tạo chính xác các dạng sóng vuông, sóng sin, sóng răng cưa và sóng xung nhịp tim điện sinh lý (ECG/EMG) ở biên độ từ $20\text{ mV} - 50\text{ mV}$, dải tần số $10\text{ Hz} - 100\text{ Hz}$ với độ sai lệch biên độ $< 1.8%$.

2. Đánh giá độ chính xác phân loại mạng nơ-ron (SCG Algorithm)

Số lượng nơ-ron trong lớp ẩn được thử nghiệm biến thiên để tìm ra cấu hình tối ưu:

Số nơ-ron lớp ẩn Epochs hội tụ Mean Squared Error (MSE) Độ chính xác nhận dạng (%)
5 neurons 48 $4.2 \times 10^{-2}$ $82.4%$
10 neurons 35 $1.8 \times 10^{-2}$ $86.7%$
15 neurons 24 $\mathbf{8.5 \times 10^{-3}}$ $\mathbf{90.2%}$
20 neurons 29 $9.1 \times 10^{-3}$ $89.5%$ (Có dấu hiệu Overfitting)

Confusion Matrix thực nghiệm trên tập kiểm thử cho thấy: Ngón cái đạt độ chính xác $92%$, ngón trỏ $91%$, ngón giữa $89%$, ngón áp út $88%$, và ngón út $91%$. Độ chính xác trung bình toàn hệ thống đạt 90.0%.

                   MA TRẬN NHẦM LẪN (CONFUSION MATRIX - %)
                 +---------------------------------------+
                 |   Cái   Trỏ   Giữa   Áp Út   Út       |
         +-------+---------------------------------------+
         | Cái   |  92.0   2.0    1.5    2.5    2.0      |
  Output | Trỏ   |   1.5  91.0    4.0    2.0    1.5      |
  Class  | Giữa  |   1.0   3.0   89.0    5.0    2.0      |
         | Áp Út |   2.5   2.0    4.0   88.0    3.5      |
         | Út    |   3.0   2.0    1.5    2.5   91.0      |
         +-------+---------------------------------------+

Kết quả đạt được

  1. Khả năng cầm nắm vật lý: Găng tay thực hiện thành công các thao tác nắm giữ vật thể trụ tròn có đường kính từ 5 cm đến 10 cm (chai nước, ống nhựa, cốc thủy tinh).
  2. Khả năng tải lực: Thiết bị giữ ổn định vật nặng 500 g và 1000 g ở cả hai trạng thái: bóp toàn bàn tay (Power Grasp) và nhấc bằng 2 ngón cái - trỏ (Pinch Grasp).
  3. Độ chính xác chấp hành: Hệ thống điều khiển vị trí góc quay động cơ đạt sai số tĩnh dưới $8.5^\circ$ (đáp ứng xuất sắc yêu cầu thiết kế ban đầu $\le 10^\circ$).
  4. Trải nghiệm cơ khí: Việc thay thế khung in 3D TPU nguyên khối ban đầu bằng găng vải công nghiệp kết hợp gá dẫn hướng 3D phân đoạn giúp loại bỏ hoàn toàn hiện tượng cọ xát gây đau, tăng độ bền và giảm trọng lượng găng xuống chỉ còn 180 g.

Đổi mới và đóng góp

  • Cơ chế dẫn động lai Kéo cáp – Lò xo hồi vị phân đoạn: Khắc phục nhược điểm của các hệ thống cơ cấu thanh cứng (gây cồng kềnh) và hệ thống cơ khí nén (đòi hỏi máy nén cồng kềnh). Lò xo thép $k = 1.67\text{ N/cm}$ đặt tại mặt lưng mu bàn tay tự động đưa ngón về vị trí duỗi thẳng khi động cơ xả cáp, giảm $50%$ số lượng động cơ cần thiết (từ 2 động cơ/ngón xuống còn 1 động cơ/cụm ngón).
  • Thuật toán điều khiển dự đoán trước 150 ms: Khai thác đặc tính sinh lý của tín hiệu sEMG, loại bỏ hoàn toàn độ trễ $150 - 250\text{ ms}$ thường gặp trên các găng tay dùng cảm biến uốn hoặc cảm biến áp lực FSR.
  • Kiến trúc điều khiển Underactuated 3 cụm thông minh: Phân chia hợp lý 5 ngón thành 3 kênh động lực (Ngón cái, Ngón trỏ, và Cụm 3 ngón giữa-áp út-út). Thiết kế này vừa đảm bảo thực hiện được $90%$ các chức năng cầm nắm sinh hoạt cơ bản, vừa tối ưu hóa kích thước hộp truyền động di động gắn tại hông.
  • Tối ưu thuật toán SCG trên phần cứng nhúng: Giảm $35%$ thời gian tính toán huấn luyện và phân loại so với phương pháp Gradient Descent truyền thống, cho phép thực thi trích xuất đặc trưng và phân loại trực tiếp trong chu kỳ thời gian thực $< 30\text{ ms}$.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

  • Hỗ trợ sinh hoạt hàng ngày (ADL - Activities of Daily Living): Giúp bệnh nhân liệt bán thân hoặc teo cơ tay tự thực hiện các thao tác tự lập: cầm cốc uống nước, cầm thìa/muỗng ăn cơm, xoay nắm cửa, cầm bút viết.
  • Phục hồi chức năng thụ động và chủ động: Ứng dụng tại các trung tâm y tế, bệnh viện điều dưỡng nhằm hỗ trợ luyện tập kích thích thần kinh vận động theo phản xạ tự nhiên lặp đi lặp lại.

Dự toán chi phí BOM (Bill of Materials) & Khả năng mở rộng

Hạng mục linh kiện Số lượng Chi phí ước tính (VND)
Cảm biến AFE ADS1293 + Điện cực bề mặt 2 bộ 650,000
Raspberry Pi 3 Model B (Hoặc vi xử lý tương đương) 1 chiếc 950,000
Động cơ DC Servo giảm tốc + Encoder 3 chiếc 450,000
Mạch vi điều khiển Arduino + Driver L293D + Nguồn 1 bộ 250,000
Găng tay vải INGCO, ống Teflon, cáp kéo, lò xo, chi tiết in 3D 1 bộ 200,000
TỔNG CHI PHÍ PHẦN CỨNG ~ 2,500,000 VND

Với tổng chi phí sản xuất thử nghiệm chỉ khoảng 2.5 triệu VND (~$105 USD), giải pháp có giá thành chỉ bằng $5 - 10%$ so với các thiết bị ngoại nhập thương mại (như SaeboGlove hay Gloreha), mở ra cơ hội tiếp cận điều trị rất lớn cho người có thu nhập thấp tại Việt Nam.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Nhiễu tiếp xúc điện cực: Tín hiệu sEMG vẫn bị suy hao khi bệnh nhân tiết nhiều mồ hôi hoặc khi thay đổi vị trí dán điện cực sau mỗi lần đeo.
  • Cấu hình xử lý: Hiện tại hệ thống vẫn cần Raspberry Pi/máy tính để xử lý phân loại mạng nơ-ron trước khi truyền lệnh Serial xuống vi điều khiển Arduino.
  • Phạm vi ngón tay: Cụm 3 ngón (giữa, áp út, út) điều khiển chung nên chưa thể thực hiện các thao tác gõ phím hoặc vận động ngón riêng lẻ phức tạp.

Hướng phát triển tiếp theo

  1. Thiết kế vi mạch tích hợp (SoC) hoặc chuyển đổi giải thuật mạng ANN sang dạng TinyML chạy trực tiếp trên vi điều khiển 32-bit (STM32/ESP32) để thu nhỏ toàn bộ bo mạch điều khiển.
  2. Tích hợp thuật toán học thích nghi trực tuyến (Online Adaptive Learning) để tự động cân chỉnh trọng số mạng nơ-ron thích ứng với sự mỏi cơ của người bệnh theo thời gian.
  3. Ứng dụng điện cực khô dệt trực tiếp vào vải găng (Dry Fabric Electrodes) nhằm nâng cao sự tiện lợi khi đeo hàng ngày.

Đối tượng hưởng lợi

  • Người bệnh và thân nhân: Lấy lại khả năng cầm nắm tự chủ trong sinh hoạt, giảm bớt chi phí chăm sóc y tế và phục hồi chức năng dài hạn.
  • Kỹ sư & Sinh viên ngành Cơ điện tử / Y sinh (BME): Tài liệu tham khảo toàn diện về xử lý tín hiệu sEMG, lọc số DSP, thiết kế cơ cấu Soft Exoskeleton và điều khiển vị trí DC Servo vòng kín.
  • Các cơ sở y tế & Doanh nghiệp thiết bị y tế: Mô hình mẫu có tính khả thi thương mại cao, chi phí sản xuất thấp, sẵn sàng chuyển giao công nghệ sản xuất thiết bị trợ vận động nội địa hóa.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để vận hành hệ thống găng tay mềm EMG là gì?

Hệ thống yêu cầu nguồn cấp DC $12\text{ V} - 2\text{ A}$ (cho khối động cơ chấp hành) và $5\text{ V} - 2.5\text{ A}$ (cho vi điều khiển và mạch khuếch đại sinh học ADS1293). Bệnh nhân cần được làm sạch vùng da cẳng tay bằng cồn y tế $70^\circ$ và bôi gel dẫn điện trước khi dán điện cực Ag/AgCl để triệt tiêu trở kháng tiếp xúc.

2. Giới hạn tải trọng và kích thước vật thể cầm nắm là bao nhiêu?

Hệ thống hỗ trợ cầm nắm chắc chắn các vật thể hình trụ tròn hoặc khối đa diện có đường kính từ $5\text{ cm}$ đến $10\text{ cm}$, tải trọng nâng tối đa $1.0\text{ kg}$. Lực kéo của dây cáp Bowden chịu lực kéo căng lên tới $6\text{ kg}$ và lực đàn hồi lò xo duỗi $5\text{ N}$.

3. Hệ thống có khả năng tích hợp vào các nền tảng điều khiển khác không?

Có. Bộ điều khiển chấp hành giao tiếp qua chuẩn UART Serial tiêu chuẩn ở tốc độ baudrate $115200\text{ bps}$. Dữ liệu góc quay động cơ và trạng thái ngón có thể dễ dàng đồng bộ với phần mềm máy tính, ứng dụng di động hoặc các hệ thống robot tập phục hồi chức năng cấp cao hơn.

4. Quy trình bảo trì và độ bền của cơ cấu kéo dây như thế nào?

Dây cước bọc bên trong ống lót Teflon có hệ số ma sát rất thấp, giảm thiểu mài mòn cơ học. Định kỳ sau 6 tháng sử dụng liên tục, người dùng chỉ cần kiểm tra độ căng của 3 sợi cáp kéo và thay thế dây cước với chi phí rất rẻ.

5. Thời gian hoàn vốn (ROI) và hiệu quả kinh tế của thiết bị?

Với chi phí sản xuất chỉ khoảng 2.5 triệu VND, thiết bị giúp người bệnh tiết kiệm từ $80 - 90%$ chi phí so với việc nhập khẩu thiết bị ngoại ngạch ($30 - 70\text{ triệu VND}$). Bệnh nhân có thể tự tập luyện tại nhà, giảm thời gian và chi phí điều trị nội trú tại bệnh viện.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu, thiết kế và chế tạo găng tay mềm hỗ trợ cho người tật bàn tay ứng dụng EMG" đã giải quyết trọn vẹn và xuất sắc bài toán trợ lực vận động sinh học cho người khuyết tật cơ tay. Những thành tựu kỹ thuật cốt lõi đạt được bao gồm:

  • Xây dựng thành công chuỗi thu thập và xử lý 5 kênh sEMG tốc độ 1000 Hz sử dụng cặp IC chuyên dụng ADS1293.
  • Ứng dụng giải thuật mạng nơ-ron MLP huấn luyện bằng thuật toán SCG, đạt độ chính xác phân loại $90.0%$ trên 5 ngón tay với thời gian đáp ứng thực thời.
  • Chế tạo cơ cấu chấp hành cơ sinh học kết hợp găng vải kỹ thuật, ống dẫn Teflon, cáp Bowden và lò xo hồi vị đàn hồi, cho phép cầm nắm vật thể $1\text{ kg}$, đường kính $5 - 10\text{ cm}$ với sai số điều khiển góc quay dưới $8.5^\circ$.

Công trình không chỉ mang giá trị học thuật chuyên sâu trong lĩnh vực Cơ điện tử Y sinh mà còn mang ý nghĩa xã hội và tính nhân văn sâu sắc, mở ra hướng đi mới trong việc tự chủ công nghệ sản xuất thiết bị hỗ trợ y tế chất lượng cao với chi phí phù hợp tại Việt Nam.