Tổng quan nghiên cứu

Trong bối cảnh hiện nay, số lượng người khuyết tật do tai nạn và bệnh tật ngày càng gia tăng, đặc biệt là những người mất khả năng vận động ở tay, gây ra nhiều khó khăn trong sinh hoạt và tương tác với môi trường xung quanh. Theo ước tính, não người gồm khoảng 100 tỷ tế bào thần kinh liên kết phức tạp, tạo ra các tín hiệu điện não (EEG) có thể được thu thập và phân tích để phục vụ nhiều mục đích y sinh và kỹ thuật. Việc ứng dụng tín hiệu EEG trong điều khiển các thiết bị trợ lực, đặc biệt là khung xương trợ lực cánh tay, mở ra hướng đi mới trong phục hồi chức năng vận động cho người khuyết tật.

Mục tiêu chính của nghiên cứu là phát triển hệ thống điều khiển khung xương trợ lực cánh tay dựa trên tín hiệu EEG thu thập từ các hành động chớp mắt trái, chớp mắt phải và mở mắt, nhằm hỗ trợ người mất khả năng vận động tay có thể tự chủ hơn trong sinh hoạt hàng ngày. Nghiên cứu tập trung vào thiết kế mô hình khung xương trợ lực nhỏ gọn, dễ sử dụng, chi phí hợp lý, đồng thời phát triển phần mềm xử lý tín hiệu EEG và điều khiển động cơ bước thông qua giao tiếp không dây Bluetooth.

Phạm vi nghiên cứu bao gồm thu thập tín hiệu EEG bằng thiết bị Emotiv EPOC+ 14 kênh, xử lý tín hiệu trên máy tính sử dụng ngôn ngữ Python, thiết kế và chế tạo mô hình khung xương trợ lực với kích thước 38cm x 15cm x 10cm, sử dụng động cơ bước và bộ điều khiển Arduino Nano. Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao chất lượng cuộc sống cho người khuyết tật, giảm sự phụ thuộc vào nhân viên phục hồi chức năng và mở rộng ứng dụng công nghệ BCI (Brain Computer Interface) trong lĩnh vực kỹ thuật y sinh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

  • Tín hiệu EEG (Electroencephalography): EEG ghi lại biến động điện của vỏ não với tần số từ 0.5 đến 100 Hz và biên độ từ 10 đến 100 microvolt. Tín hiệu EEG được phân loại thành các loại sóng Delta, Theta, Alpha, Beta và Gamma, mỗi loại phản ánh trạng thái hoạt động khác nhau của não bộ. Đặc biệt, tín hiệu chớp mắt tự nguyện có biên độ lớn hơn (-200uV đến 1200uV) và có đặc điểm đỉnh dương và đỉnh âm rõ ràng, được sử dụng làm tín hiệu điều khiển.

  • Hành vi chớp mắt: Chớp mắt được phân loại thành tự phát, phản xạ và tự nguyện. Tín hiệu chớp mắt tự nguyện được thu thập qua EEG có thể được phát hiện và phân biệt bằng các thuật toán xử lý tín hiệu.

  • Bộ lọc số FIR (Finite Impulse Response): Được sử dụng để lọc nhiễu tín hiệu EEG, loại bỏ các thành phần không mong muốn và giữ lại dải tần số cần thiết cho việc phân tích tín hiệu chớp mắt.

  • Mô hình điều khiển động cơ bước: Động cơ bước 2 pha với driver A4988 được sử dụng để điều khiển chính xác góc quay của khung xương trợ lực, kết hợp với hộp số giảm tốc tỉ lệ 40:1 để tăng momen xoắn và độ ổn định.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Tín hiệu EEG được thu thập từ thiết bị Emotiv EPOC+ 14 kênh, có độ phân giải 14 bit, tần số lấy mẫu 128 Hz, sử dụng điện cực khô dễ dàng lắp đặt.

  • Phương pháp phân tích: Sử dụng phần mềm viết bằng Python để kết nối với Cortex API của Emotiv, thu thập và xử lý tín hiệu EEG theo thời gian thực. Áp dụng bộ lọc FIR để loại bỏ nhiễu, phát hiện tín hiệu chớp mắt dựa trên ngưỡng biên độ và đặc điểm sóng. Dữ liệu sau xử lý được truyền qua module Bluetooth HC-05 đến vi điều khiển Arduino Nano để điều khiển động cơ bước.

  • Thiết kế và chế tạo: Mô hình khung xương trợ lực được thiết kế bằng phần mềm SolidWorks, sử dụng vật liệu nhôm định hình và nhựa PLA in 3D cho các ốp đỡ. Hệ thống điều khiển được tích hợp trong hộp điều khiển nhỏ gọn với các module vi điều khiển, driver động cơ và nguồn pin Lipo 11.1V.

  • Timeline nghiên cứu: Nghiên cứu được thực hiện trong năm 2020, bao gồm các giai đoạn thu thập tài liệu, thiết kế mô hình, lập trình xử lý tín hiệu, thi công hệ thống và thử nghiệm thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác phát hiện tín hiệu chớp mắt: Hệ thống đạt độ chính xác nhận dạng tín hiệu chớp mắt trái và phải trên 85%, với thời gian đáp ứng trung bình khoảng 200 ms, phù hợp để điều khiển khung xương trợ lực trong thời gian thực.

  2. Hiệu suất điều khiển khung xương trợ lực: Động cơ bước kết hợp hộp số giảm tốc tỉ lệ 40:1 cung cấp momen xoắn lên đến 400 N.cm, cho phép nâng hạ cánh tay trợ lực với lực tối đa khoảng 20 N, tương đương nâng vật nặng 2.04 kg, đáp ứng nhu cầu hỗ trợ vận động của người dùng.

  3. Thiết kế mô hình nhỏ gọn và tiện dụng: Kích thước khung xương dài 38 cm, rộng 10 cm, cao 15 cm, sử dụng vật liệu nhôm và nhựa PLA giúp giảm trọng lượng và tăng tính thẩm mỹ, đồng thời dễ dàng điều chỉnh phù hợp với kích thước tay người dùng.

  4. Tính ổn định và linh hoạt của hệ thống: Giao tiếp không dây Bluetooth 4.0 giữa máy tính và khung xương trợ lực hoạt động ổn định trong phạm vi 15 m, giảm thiểu sự cố về dây dẫn và tăng tính tiện lợi khi sử dụng.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy việc sử dụng tín hiệu EEG thu thập từ hành vi chớp mắt để điều khiển khung xương trợ lực là khả thi và hiệu quả. Độ chính xác trên 85% trong nhận dạng tín hiệu chớp mắt tương đương hoặc vượt trội so với một số nghiên cứu trước đây về BCI trong điều khiển thiết bị trợ lực. Thời gian đáp ứng nhanh giúp người dùng có thể điều khiển cử động một cách tự nhiên và linh hoạt.

Việc sử dụng bộ lọc FIR và thuật toán ngưỡng giúp loại bỏ nhiễu hiệu quả, đảm bảo tín hiệu đầu vào cho hệ thống điều khiển có chất lượng cao. Thiết kế cơ khí với hộp số giảm tốc tỉ lệ 40:1 giúp tăng momen xoắn, đảm bảo khung xương trợ lực có thể nâng được trọng lượng phù hợp với nhu cầu thực tế của người dùng.

So sánh với các nghiên cứu khác sử dụng mạng nơ-ron nhân tạo để phân loại tín hiệu EEG, phương pháp sử dụng ngưỡng và xử lý tín hiệu đơn giản trong nghiên cứu này có ưu điểm về tính thực tiễn và dễ triển khai trong môi trường thực tế. Hệ thống cũng giảm thiểu chi phí và phức tạp kỹ thuật, phù hợp với điều kiện tại các địa phương.

Dữ liệu có thể được trình bày qua biểu đồ độ chính xác nhận dạng tín hiệu chớp mắt theo từng loại (trái, phải, mở mắt) và bảng thống kê thời gian đáp ứng của hệ thống. Ngoài ra, hình ảnh mô hình 3D và sơ đồ khối hệ thống minh họa rõ ràng cấu trúc và nguyên lý hoạt động của thiết bị.

Đề xuất và khuyến nghị

  1. Tăng cường độ chính xác nhận dạng tín hiệu: Áp dụng các thuật toán học máy nâng cao như mạng nơ-ron nhân tạo hoặc học sâu để cải thiện độ chính xác nhận dạng tín hiệu chớp mắt, hướng tới trên 90% trong vòng 12 tháng, do nhóm nghiên cứu và kỹ sư phần mềm thực hiện.

  2. Phát triển phiên bản thiết bị di động: Thiết kế và tích hợp bộ xử lý tín hiệu EEG trực tiếp trên thiết bị đeo thay vì sử dụng máy tính, nhằm tăng tính di động và tiện lợi cho người dùng, dự kiến hoàn thành trong 18 tháng, phối hợp với các nhà sản xuất phần cứng.

  3. Mở rộng chức năng điều khiển: Nghiên cứu và phát triển thêm các cử chỉ điều khiển khác dựa trên tín hiệu EEG như liếc mắt, nhíu mày để tăng số lượng lệnh điều khiển, nâng cao trải nghiệm người dùng trong 24 tháng tới, do nhóm nghiên cứu và chuyên gia y sinh thực hiện.

  4. Tăng cường đào tạo và hỗ trợ người dùng: Xây dựng chương trình đào tạo sử dụng thiết bị cho người khuyết tật và nhân viên phục hồi chức năng, đồng thời phát triển tài liệu hướng dẫn chi tiết, nhằm nâng cao hiệu quả sử dụng thiết bị trong 6 tháng, do các tổ chức y tế và trung tâm phục hồi chức năng phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

  1. Sinh viên và nghiên cứu sinh ngành kỹ thuật y sinh: Có thể học hỏi phương pháp thu thập và xử lý tín hiệu EEG, thiết kế hệ thống điều khiển dựa trên BCI, từ đó phát triển các đề tài nghiên cứu liên quan.

  2. Kỹ sư phát triển thiết bị trợ giúp người khuyết tật: Áp dụng kiến thức về thiết kế cơ khí, điều khiển động cơ bước và xử lý tín hiệu EEG để cải tiến hoặc phát triển các sản phẩm trợ lực mới.

  3. Chuyên gia phục hồi chức năng và y tế: Hiểu rõ về công nghệ BCI và ứng dụng trong hỗ trợ vận động, từ đó tư vấn và áp dụng thiết bị phù hợp cho bệnh nhân mất khả năng vận động tay.

  4. Nhà quản lý và chính sách y tế: Tham khảo để xây dựng các chương trình hỗ trợ người khuyết tật, đầu tư phát triển công nghệ y sinh và thúc đẩy ứng dụng thiết bị trợ lực trong cộng đồng.

Câu hỏi thường gặp

  1. Tín hiệu EEG được thu thập như thế nào?
    Tín hiệu EEG được thu bằng thiết bị Emotiv EPOC+ 14 kênh, sử dụng điện cực khô gắn trên da đầu, thu tín hiệu điện sinh học của não với tần số lấy mẫu 128 Hz, độ phân giải 14 bit, đảm bảo chất lượng tín hiệu cao và ổn định.

  2. Làm thế nào để phát hiện tín hiệu chớp mắt trong EEG?
    Hệ thống sử dụng bộ lọc FIR để loại bỏ nhiễu, sau đó áp dụng thuật toán ngưỡng để phát hiện các đỉnh dương và âm đặc trưng của tín hiệu chớp mắt tự nguyện, với biên độ từ -200uV đến 1200uV.

  3. Khung xương trợ lực có thể nâng được trọng lượng tối đa bao nhiêu?
    Động cơ bước kết hợp hộp số giảm tốc tỉ lệ 40:1 cung cấp momen xoắn 400 N.cm, tương đương lực nâng khoảng 20 N, có thể nâng vật nặng tối đa khoảng 2.04 kg, phù hợp với nhu cầu hỗ trợ vận động tay.

  4. Hệ thống có thể hoạt động trong phạm vi bao xa?
    Giao tiếp giữa máy tính và khung xương trợ lực sử dụng Bluetooth 4.0, hoạt động ổn định trong phạm vi khoảng 15 mét, đảm bảo tính linh hoạt và tiện lợi khi sử dụng.

  5. Làm sao để người dùng có thể điều khiển khung xương trợ lực?
    Người dùng thực hiện các cử chỉ chớp mắt trái, chớp mắt phải hoặc mở mắt, tín hiệu EEG được thu và xử lý để chuyển thành lệnh điều khiển động cơ bước nâng hoặc hạ cánh tay trợ lực theo ý muốn.

Kết luận

  • Nghiên cứu đã thành công trong việc phát triển hệ thống điều khiển khung xương trợ lực cánh tay dựa trên tín hiệu EEG thu thập từ hành vi chớp mắt, với độ chính xác nhận dạng trên 85% và thời gian đáp ứng khoảng 200 ms.
  • Thiết kế cơ khí và hệ thống điều khiển động cơ bước đảm bảo khả năng nâng hạ cánh tay trợ lực với lực tối đa 20 N, phù hợp với nhu cầu thực tế của người khuyết tật.
  • Hệ thống sử dụng giao tiếp không dây Bluetooth 4.0, tăng tính linh hoạt và giảm thiểu sự cố về dây dẫn trong quá trình vận hành.
  • Nghiên cứu góp phần mở rộng ứng dụng công nghệ BCI trong lĩnh vực kỹ thuật y sinh, hỗ trợ phục hồi chức năng vận động cho người mất khả năng cử động tay.
  • Các bước tiếp theo bao gồm nâng cao độ chính xác nhận dạng tín hiệu, phát triển thiết bị di động, mở rộng chức năng điều khiển và xây dựng chương trình đào tạo người dùng.

Khuyến khích các nhà nghiên cứu, kỹ sư và chuyên gia y tế phối hợp phát triển và ứng dụng rộng rãi công nghệ này nhằm cải thiện chất lượng cuộc sống cho người khuyết tật.