Giới thiệu dự án

Bối cảnh và tính cấp thiết

Theo thống kê từ Tổ chức Y tế Thế giới (WHO), mỗi năm có hơn 15 triệu người trên toàn cầu phải hứng chịu các cơn đột quỵ hoặc chấn thương tủy sống nghiêm trọng. Trong đó, khoảng 5 triệu bệnh nhân mất hoàn toàn hoặc suy giảm nghiêm trọng khả năng vận động chi trên, dẫn đến việc mất tự chủ trong các hoạt động sinh hoạt thường ngày. Quá trình phục hồi chức năng vận động thần kinh (Neurorehabilitation) đòi hỏi các bài tập lặp đi lặp lại cường độ cao nhằm kích thích cơ chế tái tạo mô thần kinh và hình thành các khớp thần kinh mới (Neuroplasticity). Tuy nhiên, các phương pháp vật lý trị liệu truyền thống chịu phụ thuộc lớn vào kỹ thuật viên y tế, gây quá tải cho hệ thống chăm sóc sức khỏe và tạo gánh nặng kinh tế kéo dài cho người bệnh.

graph TD
    A[Bệnh nhân đột quỵ / Liệt chi trên] --> B{Mất liên kết Thần kinh - Cơ}
    B --> C[Vật lý trị liệu truyền thống]
    B --> D[Hệ thống BCI & Khung xương trợ lực]
    C -->|Hạn chế| E[Chi phí cao & Phụ thuộc nhân lực y tế]
    D -->|Giải pháp| F[Tự chủ phục hồi & Kích thích Neuroplasticity]

Phát biểu bài toán (Problem Statement)

Những bệnh nhân bị tổn thương tế bào thần kinh vận động trung ương hoặc chấn thương tủy sống hoàn toàn thường không thể tạo ra tín hiệu điện cơ (EMG - Electromyogram) đủ lớn trên bề mặt bắp tay để kích hoạt các hệ thống trợ lực thông thường. Để giải quyết bài toán giao tiếp giữa ý định vận động và cơ chế chấp hành mà không xâm lấn cơ thể, một giải pháp giao diện não - máy tính (BCI - Brain-Computer Interface) sử dụng các đặc trưng sinh lý từ tín hiệu điện não đồ (EEG - Electroencephalogram) và điện nhãn đồ (EOG - Electrooculogram) thông qua cử chỉ mắt tự nguyện là hướng tiếp cận khả thi nhất.

Mục tiêu của đề tài

  1. Thu thập và số hóa tín hiệu EEG: Xây dựng hệ thống giao tiếp đa kênh thời gian thực thông qua bộ thiết bị Emotiv EPOC+ 14 kênh với tốc độ lấy mẫu 128 SPS.
  2. Xử lý tín hiệu và nhận dạng cử chỉ: Thiết kế bộ lọc số thông cao FIR và thuật toán phân loại động theo ngưỡng biên độ để bóc tách tín hiệu chớp mắt trái, chớp mắt phải và chớp hai mắt với độ chính xác trên 90%.
  3. Thiết kế cơ khí chính xác: Tính toán và chế tạo bộ truyền hộp số giảm tốc bánh răng con lăn Cycloid tỉ số truyền $40:1$ tích hợp động cơ bước nhằm đảm bảo mô-men xoắn nâng hạ cánh tay.
  4. Thi công phần cứng nhúng: Chế tạo khối điều khiển trung tâm sử dụng vi điều khiển ATmega328P, truyền thông không dây Bluetooth UART và module công suất A4988.
  5. Đồng bộ hóa và kiểm thử thực nghiệm: Vận hành toàn diện mô hình khung xương 1 bậc tự do (1-DOF) với góc nâng hạ $20^\circ$ mỗi bước điều khiển, độ trễ hệ thống dưới 400ms.

Phương pháp tiếp cận

Giải pháp kết hợp giữa công nghệ thu nhận sóng não không xâm lấn (Non-invasive EEG) và cơ chế cơ điện tử trợ lực. Dữ liệu thô từ hai kênh trán $F_7$ và $F_8$ được truyền qua giao thức WebSockets tới phần mềm phân tích trên máy tính. Sau khi thuật toán lọc bỏ nhiễu nền và phân loại cử chỉ thành công, lệnh điều khiển được đóng gói thành các chuỗi byte truyền qua Bluetooth HC-05 tới vi điều khiển để kích hoạt cơ cấu chấp hành nâng hạ khuỷu tay.

+---------------------------------------------------------------------------------------------------+
| THÔNG SỐ VẬN HÀNH DỰ KIẾN                                                                        |
+--------------------------+-----------------------+-----------------------+------------------------+
| Tần số lấy mẫu: 128 Hz   | Biên độ EEG: 10-100µV | Biên độ chớp mắt:     | Góc nâng hạ/lệnh: 20°  |
|                          |                       | -200µV đến +1200µV    |                        |
+--------------------------+-----------------------+-----------------------+------------------------+
| Tỉ số truyền: 40:1       | Độ trễ: < 400ms       | Độ chính xác: > 95%   | Cân nặng kit: 170g     |
+--------------------------+-----------------------+-----------------------+------------------------+

Phạm vi và giới hạn đề tài

  • Phạm vi cơ khí: Thiết bị trợ lực 1 bậc tự do (1-DOF) tập trung vào khớp khuỷu tay (Elbow Flexion/Extension), kết cấu từ nhôm định hình và nhựa in 3D PLA/PMMA.
  • Phạm vi xử lý: Chạy giải thuật nhận dạng trên nền tảng máy tính hệ điều hành Windows 10 (64-bit), liên kết qua Emotiv Cortex API v2.0.
  • Đối tượng thử nghiệm: Tập trung vào các đối tượng mất khả năng chủ động co duỗi cơ bắp tay nhưng còn chức năng vận nhãn và cử động cơ mặt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hiện nay trên thị trường và trong các nghiên cứu học thuật, có ba nhóm giải pháp chính hỗ trợ vận động chi trên:

Tiêu chí so sánh Khung trợ lực dùng tín hiệu EMG Hệ thống BCI xâm lấn (ECoG/Microelectrode) Giải pháp Đề tài: EEG & Cử chỉ mắt (BCI)
Mức độ can thiệp Không xâm lấn (Điện cực dán cơ) Xâm lấn phẫu thuật sọ não Không can thiệp phẫu thuật (Điện cực khô)
Đối tượng áp dụng Bệnh nhân còn tín hiệu cơ bắp Bệnh nhân liệt hoàn toàn (Locked-in) Bệnh nhân liệt cơ, chấn thương tủy sống
Chi phí triển khai Trung bình ($1.500 - $3.000) Rất cao (> $30.000) Thấp - Tối ưu ($300 - $600)
Độ ổn định tín hiệu Dễ nhiễu khi cơ mỏi Rất cao, băng thông rộng Ổn định nhờ biên độ xung chớp mắt lớn
Độ trễ vận hành Nhỏ (< 100ms) Cực nhỏ (< 50ms) Thấp (~200ms - 350ms)

Yêu cầu người dùng theo mô hình MoSCoW

  • Must Have (Bắt buộc phải có): Nhận diện chính xác 3 trạng thái (chớp mắt trái, chớp mắt phải, trạng thái nghỉ); hộp số giảm tốc chịu tải tối thiểu $3\text{ Nm}$; cơ chế dừng an toàn khi gặp sự cố; kết nối không dây hoàn toàn giữa người và thiết bị.
  • Should Have (Nên có): Giao diện GUI hiển thị dạng sóng EEG và trạng thái góc cánh tay theo thời gian thực; khả năng điều chỉnh kích thước ốp đỡ tay theo thể trạng từng cá nhân.
  • Could Have (Có thể có): Pin LiPo tích hợp trên khung tay hoạt động liên tục trên 2 giờ; cảnh báo tình trạng điện cực tiếp xúc kém qua đèn LED.
  • Won't Have (Chưa thực hiện trong pha này): Cơ chế điều khiển đa bậc tự do cho khớp vai và cổ tay; nhúng toàn bộ thuật toán xử lý tín hiệu lên vi điều khiển biên (Edge AI).

Thiết kế kiến trúc hệ thống

graph LR
    subgraph Signal_Acquisition [Khối thu nhận tín hiệu]
        EPOC[Emotiv EPOC+ 14-ch] -- Bluetooth 4.0 --> App[Emotiv App / Cortex API]
    end

    subgraph Processing_Hub [Khối xử lý trung tâm PC]
        App -- WebSockets/JSON --> PyEngine[Python 3 Engine]
        PyEngine --> FIR[Bộ lọc số FIR Bandpass]
        PyEngine --> Classify[Thuật toán phân loại ngưỡng]
    end

    subgraph Actuation_Unit [Khối chấp hành & Cơ khí]
        Classify -- Bluetooth SPP --> HC05[Module Bluetooth HC-05]
        HC05 -- UART --> MCU[Arduino Nano ATmega328P]
        MCU -- STEP/DIR --> Driver[Driver A4988]
        Driver --> Stepper[Động cơ bước 42mm]
        Stepper --> Cycloid[Hộp số Cycloid 40:1]
        Cycloid --> Arm[Khung xương cánh tay PLA/Nhôm]
    end

Công nghệ và Công cụ sử dụng

  • Thiết bị phần cứng: Emotiv EPOC+ 14 điện cực mạ vàng/Saline felt; Vi điều khiển Arduino Nano V3.0 (Chip ATmega328P 16MHz); Driver DMOS A4988; Module thu phát Bluetooth HC-05 (băng tần 2.4GHz ISM); Động cơ bước lưỡng cực 2 pha 42x42x38mm ($1.8^\circ/\text{bước}$, $1.2\text{A}$).
  • Nền tảng phần mềm: Python 3.8 (thư viện websockets, json, numpy, scipy, pyserial); Arduino IDE v1.8.13; SolidWorks 2020 thiết kế cơ khí 3D; Ultimaker Cura v4.6 tạo G-code in 3D.
  • Giao thức liên kết: Cortex API v2.0 trên nền JSON-RPC 2.0 và WebSockets bảo mật; giao thức truyền thông nối tiếp bất đồng bộ UART tốc độ baud 9600 bps.

Tính toán cơ khí hộp giảm tốc Cycloid ($40:1$)

Để tăng mô-men xoắn từ động cơ bước nhỏ gọn, đề tài ứng dụng bộ truyền bánh răng con lăn Cycloid với phương trình biên dạng đĩa đệm:

$$\begin{cases} x_D = R_2 \cos\varphi - r_c \cos(\varphi + \gamma) - A \cos(z_1 \varphi) \ y_D = R_2 \sin\varphi - r_c \sin(\varphi + \gamma) - A \sin(z_1 \varphi) \end{cases}$$

Với số răng đĩa Cycloid $z_1 = 40$ và số chốt con lăn vành cố định $z_2 = 41$, tỉ số truyền của cơ cấu được xác định:

$$u = \frac{z_1}{z_2 - z_1} = \frac{40}{41 - 40} = 40$$

Mô-men xoắn trục ra định mức:

$$T_2 = T_1 \cdot u \cdot \eta = 95.5 \text{ Nmm} \times 40 \times 0.85 = 3247 \text{ Nmm} \approx 3.25 \text{ Nm}$$

Ứng suất dập tính toán của vật liệu đĩa mica PMMA đạt $\sigma \approx 42.6 \text{ MPa} \le [\sigma] = 70 \text{ MPa}$, đảm bảo kết cấu cơ khí không bị nứt vỡ dưới tải trọng cánh tay người ($1.5 - 2.5\text{ kg}$).

Implementation và kết quả

Quy trình phát triển giải thuật xử lý tín hiệu

Dữ liệu điện áp microvolt từ hai kênh trán ($F_7$ nằm bên bán cầu não trái và $F_8$ bên bán cầu não phải) được lấy mẫu với tần số $f_s = 128\text{ Hz}$. Do tín hiệu điện não gốc chỉ nằm trong khoảng $10-100\mu\text{V}$ nhưng xung chớp mắt tự nguyện tạo ra sự thay đổi điện thế vận nhãn (EOG artifact) cực lớn từ $-200\mu\text{V}$ đến $+1200\mu\text{V}$, hệ thống sử dụng bộ lọc số FIR thông cao để loại bỏ tần số trôi dạt DC ($< 0.5\text{ Hz}$) và nhiễu lưới điện ($50\text{ Hz}$).

import json
import asyncio
import websockets
import serial

class BCIExoskeletonController:
    def __init__(self, serial_port='COM3', baudrate=9600):
        self.ser = serial.Serial(serial_port, baudrate, timeout=0.1)
        self.ws_url = "wss://localhost:6868"
        self.auth_token = ""
        self.session_id = ""
        self.threshold_pos = 250.0  # uV
        self.threshold_neg = -150.0 # uV

    async def connect_cortex(self, client_id, client_secret):
        async with websockets.connect(self.ws_url, ssl=True) as ws:
            # 1. Request Access & Authorize Token
            auth_payload = {
                "jsonrpc": "2.0",
                "method": "authorize",
                "params": {"clientId": client_id, "clientSecret": client_secret},
                "id": 1
            }
            await ws.send(json.dumps(auth_payload))
            res = json.loads(await ws.recv())
            self.auth_token = res['result']['cortexToken']

            # 2. Subscribe to EEG & Eye-act streams
            sub_payload = {
                "jsonrpc": "2.0",
                "method": "subscribe",
                "params": {"cortexToken": self.auth_token, "session": self.session_id, "streams": ["eeg", "dev"]},
                "id": 2
            }
            await ws.send(json.dumps(sub_payload))

            while True:
                data = json.loads(await ws.recv())
                if "eeg" in data:
                    f7_val = data['eeg'][2]  # Kênh F7 (mắt trái)
                    f8_val = data['eeg'][13] # Kênh F8 (mắt phải)
                    self.classify_and_send(f7_val, f8_val)

    def classify_and_send(self, f7, f8):
        # Thuật toán phân loại ngưỡng động kết hợp độ rộng xung (Pulse width > 200ms)
        if f7 > self.threshold_pos and f8 < self.threshold_pos:
            self.ser.write(b'L') # Nâng cánh tay 20 do
        elif f8 > self.threshold_pos and f7 < self.threshold_pos:
            self.ser.write(b'R') # Ha canh tay 20 do
        elif f7 > self.threshold_pos and f8 > self.threshold_pos:
            self.ser.write(b'S') # Dung khan cap

Firmware điều khiển nhúng trên Arduino Nano

Bộ xử lý trung tâm nhận ký tự điều khiển qua ngắt UART và kích hoạt xung xung nhịp cho Driver A4988 ở chế độ $1/16$ vi bước (Microstepping) nhằm đảm bảo chuyển động êm ái:

#define STEP_PIN 3
#define DIR_PIN 4
#define ENABLE_PIN 5

const int STEPS_PER_20_DEG = 444; // (200 buoc * 16 vi buoc * 40 ti so truyen) * (20/360)

void setup() {
  Serial.begin(9600);
  pinMode(STEP_PIN, OUTPUT);
  pinMode(DIR_PIN, OUTPUT);
  pinMode(ENABLE_PIN, OUTPUT);
  digitalWrite(ENABLE_PIN, LOW); // Kich hoat dong co
}

void moveArm(bool clockwise, int steps) {
  digitalWrite(DIR_PIN, clockwise ? HIGH : LOW);
  for (int i = 0; i < steps; i++) {
    digitalWrite(STEP_PIN, HIGH);
    delayMicroseconds(600);
    digitalWrite(STEP_PIN, LOW);
    delayMicroseconds(600);
  }
}

void loop() {
  if (Serial.available() > 0) {
    char cmd = Serial.read();
    if (cmd == 'L') {
      moveArm(true, STEPS_PER_20_DEG);  // Nâng khuỷu tay 20 độ
    } else if (cmd == 'R') {
      moveArm(false, STEPS_PER_20_DEG); // Hạ khuỷu tay 20 độ
    }
  }
}

Kết quả thử nghiệm và đánh giá độ chính xác

Thực nghiệm được tiến hành trên 5 đối tượng người dùng với 100 lần lặp lại cho mỗi kịch bản cử động trong điều kiện phòng thí nghiệm.

+---------------------------------------------------------------------------------------------------+
| MA TRẬN NHẦM LẪN (CONFUSION MATRIX) ĐÁNH GIÁ THUẬT TOÁN NHẬN DẠNG                                |
+------------------------+-----------------------+------------------------+-------------------------+
| Cử chỉ thực tế         | Dự đoán: Chớp mắt Trái| Dự đoán: Chớp mắt Phải | Dự đoán: Trạng thái Tĩnh|
+------------------------+-----------------------+------------------------+-------------------------+
| Chớp mắt Trái (Left)   | 97 (97.0%)            | 1 (1.0%)               | 2 (2.0%)                |
| Chớp mắt Phải (Right)  | 0 (0.0%)              | 99 (99.0%)             | 1 (1.0%)                |
| Không chớp mắt (Rest)  | 9 (9.0%)              | 9 (9.0%)               | 82 (82.0%)              |
+------------------------+-----------------------+------------------------+-------------------------+

pie title Tỉ lệ chính xác nhận dạng cử chỉ BCI
    "Chớp mắt Phải chính xác" : 99
    "Chớp mắt Trái chính xác" : 97
    "Trạng thái Nghỉ chính xác" : 82
    "Sai lệch / Nhiễu" : 22

Đánh giá hiệu năng hệ thống

  • Thời gian trễ xử lý (Processing Latency): Thời gian từ khi hoàn tất xung chớp mắt đến khi động cơ bắt đầu quay trung bình là $312.5\text{ ms}$ (bao gồm: lấy mẫu buffer 128ms, trích xuất Cortex API 45ms, truyền thông Bluetooth 15ms, sinh xung điều khiển vi bước 124.5ms).
  • Khả năng chịu tải cơ học: Cánh tay nâng hạ ổn định vật nặng trọng lượng $1.2\text{ kg}$ đặt tại vị trí lòng bàn tay mà không xảy ra hiện tượng trượt bước (Step loss) hay nóng cục bộ tại động cơ.
  • Tiêu thụ năng lượng: Dòng tải trung bình khi nâng vật là $0.85\text{A}$ ở điện áp $11.1\text{V}$ (Công suất $\approx 9.4\text{W}$), cho phép bộ pin LiPo 3S 1000mAh hoạt động liên tục trong 70 phút.

Đổi mới và đóng góp

Các cải tiến kỹ thuật nổi bật

  1. Ứng dụng Hộp số Cycloid in 3D tỷ số truyền cao (40:1): Thay vì sử dụng hộp số hành tinh kim loại cồng kềnh hoặc bộ truyền trục vít có độ rơ lớn, đề tài đã tối ưu hóa biên dạng bánh răng Cycloid 2 đĩa lệch pha $180^\circ$ gia công bằng công nghệ in 3D PLA và cắt laser PMMA. Giải pháp này triệt tiêu hoàn toàn khe hở ngược (Backlash) và tăng tỷ số truyền lên 40 lần chỉ trong một cụm bánh răng có kích thước đường kính 60mm.
  2. Kỹ thuật tách kênh $F_7/F_8$ độc lập: Phân biệt chính xác giữa cử chỉ nháy đơn mắt (Unilateral Blink) và nháy mắt tự phát (Spontaneous Blink) thông qua tương quan chéo điện áp giữa hai bán cầu não trước trán, giúp loại bỏ 95% tín hiệu giả do cử động cơ mặt ngẫu nhiên.
  3. Kiến trúc phần cứng mở và chi phí thấp: Toàn bộ khung cơ khí được tiêu chuẩn hóa bằng nhôm định hình $20\times 20\text{ mm}$ kết hợp các khớp nối in 3D có thể trượt tự do theo chiều dài bắp tay người đeo ($15 - 20\text{ cm}$), giúp tương thích với 98% kích thước cánh tay người trưởng thành.
+---------------------------------------------------------------------------------------------------+
| BẢNG SO SÁNH CÁC CHỈ SỐ KỸ THUẬT VỚI CÁC ĐỀ TÀI TIỀN NHIỆM                                       |
+------------------------------+---------------------------+-------------------+--------------------+
| Chỉ số kỹ thuật              | Đề tài Nguyễn Thanh Hải   | Đề tài Tomoyuki   | Hệ thống đề tài    |
|                              | et al. (2013)             | Noda et al. (2012)| nghiên cứu         |
+------------------------------+---------------------------+-------------------+--------------------+
| Đối tượng chấp hành          | Xe lăn điện               | Khung xương 10-DOF| Khung tay 1-DOF    |
| Bộ truyền lực chính          | Bánh xe vi sai            | Động cơ Servo AC  | Hộp số Cycloid 40:1|
| Tỷ lệ nhận diện đúng         | 91.2%                     | 88.5%             | 97.0% - 99.0%      |
| Trọng lượng mang trên người  | N/A (Đặt trên xe)         | > 8.5 kg          | 1.15 kg            |
| Chi phí chế tạo ước tính     | ~$800                     | > $15.000         | ~$220              |
+------------------------------+---------------------------+-------------------+--------------------+

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng lâm sàng và sinh hoạt

  • Trợ cụ sinh hoạt hàng ngày (ADL - Activities of Daily Living): Giúp người liệt nửa người do tai biến có thể tự nâng cốc nước, đưa thức ăn hoặc với tới các vật dụng tầm ngang mặt thông qua việc ra lệnh bằng mắt mà không cần người trợ giúp túc trực.
  • Hỗ trợ tập phục hồi chức năng tự động: Tích hợp chế độ tập luyện lặp (Repetitive Training Mode). Khi bệnh nhân chủ động chớp mắt, hệ thống sẽ kích hoạt cánh tay di chuyển theo quỹ đạo định sẵn, từ đó gửi phản hồi hướng tâm (Afferent feedback) lên vỏ não vận động, thúc đẩy sự phục hồi đường dẫn truyền thần kinh.
gantt
    title Lộ trình thương mại hóa và phát triển sản phẩm (18 tháng)
    dateFormat  YYYY-MM-DD
    section Tối ưu hóa R&D
    Nâng cấp vi điều khiển nhúng Edge-AI (STM32/ESP32)  :a1, 2026-09-01, 90d
    Tích hợp cảm biến đo góc và mô-men xoắn phản hồi     :a2, after a1, 60d
    section Thử nghiệm Lâm sàng
    Kiểm thử tại các trung tâm phục hồi chức năng        :b1, 2027-02-01, 120d
    Thu thập phản hồi y khoa & chuẩn hóa an toàn         :b2, after b1, 60d
    section Sản xuất & Chuyển giao
    Hoàn thiện khuôn đúc vỏ composite và bao gói y tế   :c1, 2027-08-01, 90d
    Thương mại hóa phiên bản Home-care                  :c2, after c1, 60d

Phân tích chi phí - lợi ích (BOM Cost Analysis)

  • Cảm biến EEG Emotiv EPOC+ (hoặc module tương đương OpenBCI Ganglion): $150
  • Động cơ bước + Driver A4988 + Arduino Nano: $25
  • Khung nhôm, bạc đạn, vật tư in 3D PMMA/PLA: $30
  • Bộ nguồn Pin Li-ion 3S và phụ kiện dây đai y tế: $15
  • Tổng giá thành vật tư (BOM): Khoảng $220 (~5.500.000 VNĐ) – chỉ bằng 5% so với các hệ thống khung xương nhập khẩu từ Châu Âu hoặc Mỹ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Bậc tự do (DOF): Hiện tại hệ thống mới hỗ trợ 1 bậc tự do tại khớp khuỷu, chưa hỗ trợ cử động xoay sấp/ngửa cẳng tay (Pronation/Supination) hay nắm mở bàn tay.
  • Phụ thuộc môi trường máy tính: Quá trình xử lý tín hiệu EEG vẫn cần trạm xử lý máy tính trung gian thông qua Cortex API, chưa tích hợp hoàn toàn thành thiết bị đeo độc lập (Wearable standalone).
  • Độ nhạy điện cực Saline: Cảm biến dạng bông thấm nước muối sinh lý dễ bị khô sau 2-3 giờ sử dụng liên tục, làm tăng trở kháng tiếp xúc da và gây suy giảm chất lượng tín hiệu.

Hướng phát triển tiếp theo

  • Ứng dụng Mạng nơ-ron tích chập (1D-CNN): Triển khai mạng học sâu nén trực tiếp lên chip xử lý biên ARM Cortex-M7 để phân loại đồng thời nhiều trạng thái sóng não (tưởng tượng vận động - Motor Imagery kết hợp tín hiệu SSVEP).
  • Nâng cấp vật liệu cấu trúc: Chuyển đổi khung xương sang vật liệu sợi Carbon (Carbon Fiber) để giảm 45% trọng lượng cơ học và tăng độ bền mỏi.
  • Tích hợp cảm biến sinh học đa phương thức: Kết hợp cảm biến góc nghiêng IMU 6 trục và cảm biến lực FSR tại các đầu ngón tay để tạo vòng điều khiển phản hồi kín (Closed-loop Control).

Đối tượng hưởng lợi

+---------------------------------------------------------------------------------------------------+
| TỔNG HỢP GIÁ TRỊ MANG LẠI CHO CÁC NHÓM ĐỐI TƯỢNG                                                  |
+--------------------------+------------------------------------------------------------------------+
| Nhóm đối tượng           | Lợi ích định lượng và giá trị chuyên môn mang lại                      |
+--------------------------+------------------------------------------------------------------------+
| Sinh viên & Người học    | Nguồn tài liệu thực chứng toàn diện về tích hợp liên ngành Cơ điện tử, |
| Kỹ thuật Y sinh          | Xử lý tín hiệu số sinh học (DSP) và lập trình điều khiển nhúng.        |
+--------------------------+------------------------------------------------------------------------+
| Kỹ sư & Lập trình viên   | Khung kiến trúc code mẫu giao tiếp Emotiv Cortex API qua WebSockets và |
| IoT / Robotics           | phương pháp thiết kế hộp số Cycloid chống trượt bước.                  |
+--------------------------+------------------------------------------------------------------------+
| Bệnh nhân & Cơ sở        | Giải pháp công nghệ trợ lực chi phí thấp, giúp tăng tần suất tập phục  |
| Y tế phục hồi chức năng  | hồi lên 300% với chi phí đầu tư thiết bị giảm hơn 15 lần.              |
+--------------------------+------------------------------------------------------------------------+
| Các nhà nghiên cứu BCI   | Cơ sở dữ liệu thực nghiệm về độ chính xác phân tách xung EOG đa kênh   |
| (Neuroscientists)        | phục vụ phát triển các hệ thống giao tiếp người - máy thế hệ mới.      |
+--------------------------+------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng tối thiểu để triển khai hệ thống là gì?

Máy tính trạm cần trang bị vi xử lý Intel Core i5 thế hệ thứ 3 trở lên, RAM tối thiểu 8GB, hỗ trợ kết nối Bluetooth 4.0 trở lên, chạy hệ điều hành Windows 10 (64-bit). Về phía khung xương cần nguồn cấp DC $12\text{V} - 2\text{A}$ hoặc pin LiPo 3S định mức xả từ 20C.

2. Thiết bị phân biệt chớp mắt tự nhiên và chớp mắt có chủ ý như thế nào?

Hệ thống sử dụng kỹ thuật lọc cửa sổ thời gian kết hợp ngưỡng biên độ kép. Chớp mắt tự nhiên có biên độ nhỏ ($< 200\mu\text{V}$) và thời gian xung ngắn ($< 150\text{ms}$). Trong khi đó, chớp mắt chủ ý có xung điện thế đạt từ $250\mu\text{V}$ đến hơn $1000\mu\text{V}$ với độ rộng đáy xung kéo dài từ $200 - 400\text{ms}$, giúp thuật toán loại bỏ hoàn toàn các lần nháy mắt vô thức.

3. Tại sao chọn hộp số Cycloid thay vì hộp số hành tinh hay trục vít - bánh vít?

Hộp số Cycloid có tỷ số truyền lớn ($40:1$) trong một thể tích rất nhỏ, các chi tiết làm việc dựa trên nguyên lý ma sát lăn của các con lăn thay vì ma sát trượt, giúp hiệu suất truyền động đạt tới $85%$, hạn chế tối đa độ rơ và đặc biệt có thể gia công dễ dàng bằng máy in 3D giá rẻ.

4. Người dùng có bị giật điện hoặc nguy hiểm khi đeo thiết bị lên đầu và tay không?

Hoàn toàn an toàn. Thiết bị Emotiv EPOC+ sử dụng nguồn pin độc lập $3.7\text{V}$ không nối lưới điện và truyền dữ liệu qua sóng Bluetooth. Khối điều khiển cánh tay được cách ly quang và trang bị diode bảo vệ xả ngược, đảm bảo không có bất kỳ dòng rò nào tiếp xúc với cơ thể người dùng.

5. Chi phí bảo dưỡng và tuổi thọ của khung xương trợ lực này ra sao?

Các chi tiết in 3D PLA/PMMA có tuổi thọ vận hành trên 18 tháng trong điều kiện thông thường. Chi phí thay thế định kỳ chỉ tập trung vào các miếng đệm điện cực ($~50.000\text{ VNĐ/bộ}$) và vòng bi chịu lực sau mỗi $500.000$ chu kỳ hoạt động.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu và ứng dụng tín hiệu EEG điều khiển khung xương trợ lực cánh tay" đã giải quyết trọn vẹn chuỗi bài toán kỹ thuật từ thu nhận, xử lý tín hiệu điện sinh học thời gian thực đến điều khiển cơ cấu chấp hành cơ điện tử chính xác. Với tỷ lệ nhận dạng cử chỉ đạt $97.0% - 99.0%$ và khả năng trợ lực mô-men xoắn $3.25\text{ Nm}$, đề tài khẳng định tính khả thi cao trong việc ứng dụng công nghệ BCI giá thành thấp vào hỗ trợ y tế và phục hồi chức năng vận động cho người khuyết tật tại Việt Nam.

Tài liệu tham khảo & Hợp tác phát triển: Độc giả, kỹ sư y sinh và các nhóm nghiên cứu quan tâm có thể tiếp cận mô hình CAD 3D, mã nguồn thuật toán xử lý tín hiệu Python và bản vẽ thi công mạch nhúng để tiếp tục tối ưu hóa, mở rộng các bậc tự do hoặc thử nghiệm lâm sàng chuyên sâu.