Chương 1: Tổng quan. Chương này trình bày lý do chọn đề tài, mục tiêu, nôi dung nghiên cứu, các giới hạn thông số và bố cục của đề tài. • Chương 2: Cơ sở lý thuyết. Chương này sẽ đưa ra các kiến thức liên quan đến đề tài như độ mịn của từng loại bàn chải, nguyên lý về độ rung, phần mềm và phần cứng được sử dụng trong đề tài.
• Chương 3: Tính toán và thiết kế hệ thống Chương này sẽ trình bày sơ đồ khối và chức năng hoạt động của các khối trong hệ thống điều khiển, từ đó đưa ra tính toán lựa chọn các linh kiện cho từng khối điều khiển và đưa ra nguồn ổn áp đầu vào cung cấp cho toàn bộ hệ thống. Trình bày sơ đồ mạch nguyên lý, giải thích nguyên lý hoạt động của mạch. Tiếp theo, đưa ra các tập dữ liệu cũng như là mô hình phân loại sử dụng và phương pháp đánh giá. • Chương 4: Thi công hệ thống Sau khi tính toán bố trí linh kiện phù hợp, chương này sẽ tập trung hoàn thiện mạch, thi công hoàn chỉnh mạch, đưa ra lưu đồ giải thuật, trình bày về cách hoạt động chi tiết.
• Chương 5: Kết quả - Nhận xét Chương này trình bày kết quả thi công của đề tài cùng với các nhận xét và đánh giá cho hệ thống về sự ổn định và tìm cách khắc phục những lỗi còn sai xót. • Chương 6: Kết luận và hướng phát triển Chương này sẽ trình bày những kết quả đạt được từ hệ thống đã thực hiện để đưa ra kết luận cuối cùng sau khi hoàn thành sản phẩm, đưa ra những định hướng phát triển để mô hình hoàn thiện và có tính ứng dụng cao hơn trong thực tế. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 5 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Chương 2.1 Ảnh hưởng của độ mịn lông bàn chải tới chất lượng bàn chải đánh răng Đánh giá chất lượng của một bàn chải đánh răng không chỉ phụ thuộc vào thiết kế tổng thể, mà còn tập trung chủ yếu vào đặc tính độ mịn của lông bàn chải.
Đối với lông bàn chải, độ mịn đóng vai trò quan trọng trong việc xác định hiệu suất và chất lượng của bàn chải, tạo ra sự chênh lệch rõ ràng giữa các loại bàn chải như bàn chải tốt, bàn chải giá rẻ bình thường và bàn chải đã qua sử dụng bị hỏng. • Bàn chải đánh răng có chất lượng tốt thường sử dụng lông mềm và mịn. Điều này giúp giảm áp lực lên nướu và bề mặt răng, giảm nguy cơ gây tổn thương. Lông mềm còn có khả năng linh hoạt khi di chuyển giữa các kẽ răng và nấm răng, đảm bảo hiệu suất làm sạch cao.
• Bàn chải rẻ thường có lông cứng và ít mịn. Điều này có thể tạo ra áp lực lớn khi đánh răng, gây tổn thương nướu và sưng răng. Đồng thời, lông ít mịn cũng làm giảm hiệu suất làm sạch, khó di chuyển qua các kẽ răng. • Bàn chải hỏng thường xuất hiện khi lông bàn chải mất mịn và đàn hồi sau một thời gian sử dụng dài.
Các sợi lông bị nứt, cong vênh, gây tổn thương cho nướu và không còn khả năng làm sạch tốt.1: Lông bàn chải của 3 loại tốt, thường và cũ theo thứ tự từ trái sang phải. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 6 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Do đó, khi lựa chọn bàn chải đánh răng, sự chú ý đến độ mịn của lông bàn chải đóng vai trò quan trọng. Bàn chải tốt với lông mịn và mềm sẽ mang lại trải nghiệm đánh răng thoải mái và hiệu quả.
Ngược lại, sự thiếu mịn có thể làm giảm chất lượng đánh răng và gây hại cho sức khỏe răng miệng.2 Hiệu ứng áp điện và ứng dụng trong cảm biến rung Hiệu ứng áp điện trực tiếp được anh em nhà Curie phát hiện vào năm 1880, khi họ đặt một vật nặng lên trên tinh thể thạch anh, trên bề mặt của tinh thể xuất hiện điện tích, và lượng điện tích này tỷ lệ với khối lượng của vật nặng [16]. Đây là một hiện tượng đặc biệt trong vật liệu, bắt nguồn từ sự không đối xứng trong cấu trúc tinh thể của vật liệu, nơi mà các ion âm và ion dương tự nhiên được sắp xếp không đồng đều. Khi vật liệu trải qua biến đổi cơ học dẫn đến sự biến đổi điện tích trong vật liệu, các ion di chuyển tạo ra sự thay đổi đáng kể trong lượng điện tích. Mối quan hệ giữa điện dung C (F) và lượng điện tích Q (C), điện áp ngõ ra V (V) có thể được mô tả bằng công thức: Q V= (1) C Trong đó: • V (V): Điện áp ngõ ra.
• Q (C): Lượng điện tích. Nguyên lý của hiệu ứng áp điện: khi tác dụng áp lực lên vật liệu áp điện, nó sẽ tạo ra hiệu điện thế ( hiệu ứng áp điện dương). Khi đặt một hiệu điện thế lên vật liệu áp điện, nó sẽ tạo ra ứng suất cơ học (hiệu ứng áp điện nghịch đảo). Nếu áp suất là một dao động tần số cao, nó sẽ tạo ra một dòng điện tần số cao.
Khi tín hiệu điện tần số cao được áp dụng cho gốm áp điện (ceramic), sẽ tạo ra dòng điện có tần số cao. Gốm áp điện có chức năng chuyển đổi và biến đổi nghịch đảo giữa năng lượng cơ học và năng lượng điện, điều này làm cho nó trở thành một thành phần quan trọng và được tích hợp vào nhiều cấu trúc cơ khí khác nhau và đặc biệt nhất là trong BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 7 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT cảm biến rung. Khi cảm biến rung trải qua lực hoặc biến dạng do rung động, nó truyền các yếu tố cơ học này vào lớp ceramic, gây ra biến dạng trong vật liệu và kích thích một tín hiệu điện.
Mối quan hệ giữa độ rung và áp điện trong ceramic được biểu diễn bằng công thức: D = dT + εE (2) Trong đó: • D (C/m²): Mật độ thông lượng điện trường tạo ra bởi hiện tượng áp điện. • T (N/m²): Áp lực tác động lên cảm biến. • E (V/m): Điện trường. • d (C/N hoặc m/V): Hằng số áp điện.3 Giới thiệu về thuật toán máy học SVM 2.1 Giới thiệu về thuật toán máy học SVM Support Vector Machine (SVM) là một phương pháp học máy giám sát (Supervised machine learning) được sử dụng phổ biến cho các nhiệm vụ phân loại, hồi quy tuyến tính hoặc phi tuyến tính và thậm chí là phát hiện ngoại lệ.
Được giới thiệu bởi Corinna Cortes và Vladimir N. Vapnik vào những năm 1990, SVM đã trở thành một thuật toán quan trọng trong lĩnh vực học máy, với khả năng thích ứng và hiệu quả trong nhiều ứng dụng vì chúng có thể quản lý dữ liệu đa chiều và các mối quan hệ phi tuyến.2 Mục tiêu của thuật toán máy học SVM Trong thuật toán này, chúng ta biểu diễn dữ liệu dưới dạng các điểm trong không gian N chiều, với mỗi điểm dữ liệu có giá trị tương ứng với các tính năng cụ thể. Mục tiêu của SVM là tìm kiếm một "siêu phẳng" trong không gian N chiều (tương đương với N đặc trưng) để chia dữ liệu thành hai phần tương ứng với lớp của chúng. Siêu phẳng này phải có lề cực đại và phân BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 8 CHƯƠNG 2.
CƠ SỞ LÝ THUYẾT chia hai bao lồi và cách đều chúng. Trong không gian hai chiều, siêu phẳng tương ứng với một đường thẳng, còn trong không gian ba chiều, nó là một mặt phẳng. Margin là khoảng cách từ mặt phẳng phân tách( decision boundary) đến các điểm dữ liệu gần nó nhất. Các điểm dữ liệu gần nhất này hợp thành đường thẳng và được gọi là support vectors.
Mục tiêu của thuật toán SVM là đi tìm mặt phẳng phân tách có margin lớn nhất. Vì vậy thuật toán này đôi khi còn được gọi là large margin classification. Các véc tơ hỗ trợ đóng vai trò quan trọng trong việc tối ưu hóa lề và xác định vị trí của siêu phẳng, giúp tăng khả năng tổng quát hóa và hiệu suất của mô hình trên các dữ liệu mới và cho phép phân loại hiệu quả ngay cả trong các tình huống phức tạp, phi tuyến tính. SVM phân loại dữ liệu bằng cách gán nhãn cho các điểm dữ liệu dựa trên vị trí của chúng trong siêu phẳng đã được xác định trước.2: Sơ đồ của SVM Learning[9] 2.3 Ứng dụng của thuật toán máy học SVM SVM được sử dụng rộng rãi trong nhiều lĩnh vực như: • Phân loại hình ảnh: SVM có thể được sử dụng để phân loại các đối tượng trong nhận dạng khuôn mặt, phân loại chữ viết tay (ORC), và nhận diện đối tượng trong các hình ảnh y khoa.
• Nhận dạng giọng nói: SVM được sử dụng để phân loại giọng nói vào các nhóm khác nhau, chẳng hạn như giới tính hoặc ngôn ngữ, cung cấp một cơ sở cho ứng dụng trong các hệ thống nhận dạng giọng nói và giao tiếp giữa người và máy. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 9 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT • Dự đoán tài chính: SVM có thể được sử dụng để dự đoán giá cổ phiếu dựa trên các chỉ số kinh tế và tài chính. • Phân loại văn bản: SVM có thể được sử dụng để phân loại văn bản, giúp tự động đưa ra quyết định về việc một đoạn văn bản thuộc vào nhóm nào, ví dụ như phân loại email là thư rác hay không.
• Phát hiện gian lận tín dụng: SVM có thể được áp dụng để phát hiện gian lận trong giao dịch tín dụng. • Phân tích dữ liệu y tế: SVM có thể được áp dụng để phân loại và dự đoán các bệnh lý, giúp chẩn đoán và theo dõi tiến triển của các bệnh trạng khác nhau.4 Phân loại đa lớp với thuật toán máy học SVM Phân loại đa lớp (Multiclass classification) là một bài toán phổ biến trong học máy có giám sát. Mục tiêu là phân loại một điểm dữ liệu vào một trong nhiều lớp khác nhau. Ví dụ, trong một bài toán phân loại phân loại chất lượng thiết bị, ta có các mẫu dữ liệu đo điện áp từ cảm biến theo các lớp "Chưa đạt chuẩn", "Đặc biệt cao", "Đặc biệt thấp".
Trước tiên xem xét Binary Classification, mặc dù đơn giản và dễ triển khai, nhưng không đủ phản ánh sự đa dạng trong dữ liệu, vì trong dữ liệu này có nhiều hơn hai trạng thái khác nhau. Sự giới hạn của Binary classification có thể dẫn đến mất mát thông tin quan trọng và làm giảm chính xác của mô hình.