Phát Triển Thiết Bị Đeo AI Để Chẩn Đoán Mạch Đập Cổ Tay

Chẩn đoán mạch đập, một phần không thể thiếu của y học cổ truyền, là một phương… 104 trang · Ho Chi Minh City University of Technology and Education · 2023.

• Tác giả: Dao Thanh Quan
• Người hướng dẫn: PhD. Bui Ha Duc
• Trường học: Ho Chi Minh City University of Technology and Education
• Chuyên ngành: Mechanical Engineering
• Đề tài: Development of A Wearable AI-Based Device For Wrist Pulse Diagnosis
• Loại tài liệu: Graduation Thesis
• Năm xuất bản: 2023
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: MOTIVATION
• 2. CHƯƠNG 2: LITERATURE REVIEW
• 3. CHƯƠNG 3: DESIGN MECHANICAL SYSTEM
• 4. CHƯƠNG 4: DESIGN ELECTRONICS – CONTROL SYSTEM
• 5. CHƯƠNG 5: DESIGN AI ALGORITHM
• 6. CHƯƠNG 6: BLOOD GLUCOSE MEASUREMENT
• 7. CHƯƠNG 7: CONCLUSION AND DISCUSSION
• PHỤ LỤC
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Thiết Bị Đeo AI Chẩn Đoán Mạch Đập Cổ Tay Tổng Quan Ứng Dụng

Chẩn đoán mạch đập, một phần không thể thiếu của y học cổ truyền, là một phương pháp chẩn đoán quan trọng bên cạnh việc quan sát, lắng nghe và hỏi han. Phương pháp này bao gồm việc thầy thuốc đặt ba ngón tay lên động mạch quay ở cổ tay của bệnh nhân để phân tích tình trạng sức khỏe của họ. Phương pháp này đã được sử dụng hàng ngàn năm trong y học cổ truyền và tiếp tục được đánh giá cao vì tính tiện lợi, giá cả phải chăng và không xâm lấn. Chẩn đoán mạch đập vẫn là một ứng cử viên nặng ký cho việc chẩn đoán bệnh ngay cả trong thời hiện đại. Các nghiên cứu gần đây đã nhấn mạnh tầm quan trọng của tín hiệu mạch đập cổ tay như một tín hiệu dòng máu có thể cung cấp những hiểu biết có giá trị để phân tích bệnh. Tuy nhiên, chẩn đoán mạch đập truyền thống (TPD) phần lớn dựa vào kinh nghiệm của các học viên. Việc đo lường và giải thích liên quan đến TPD thường đòi hỏi nhiều năm đào tạo cho các học viên. Ngoài ra, thiếu sự giao tiếp và chia sẻ kinh nghiệm tín hiệu xung tiêu chuẩn hóa giữa các học viên khác nhau. Những yếu tố này gây ra những thách thức trong sự phát triển hơn nữa và ứng dụng rộng rãi của TPD trong thực hành lâm sàng hiện đại.

1.1. Vai Trò Của Chẩn Đoán Mạch Đập Trong Y Học Cổ Truyền

Chẩn đoán mạch đập là một phương pháp then chốt trong y học cổ truyền (TM). Nó được thực hiện bằng cách đặt các ngón tay lên động mạch quay ở cổ tay để cảm nhận các đặc tính của mạch đập, chẳng hạn như tốc độ, cường độ và độ rộng. Phương pháp này đã được sử dụng hàng ngàn năm và được coi là tiện lợi, không xâm lấn và tiết kiệm chi phí. Nó cung cấp thông tin quan trọng về sức khỏe tổng thể của một cá nhân. Nguồn tin cũng cho thấy, chẩn đoán mạch đập vẫn được đánh giá cao trong thời hiện đại.

1.2. Hạn Chế Của Phương Pháp Chẩn Đoán Mạch Đập Truyền Thống TPD

Mặc dù chẩn đoán mạch đập là một công cụ giá trị, nhưng nó có những hạn chế. Nó phụ thuộc nhiều vào kinh nghiệm và chuyên môn của các học viên. Hơn nữa, có một sự thiếu hụt các tiêu chuẩn và giao tiếp được tiêu chuẩn hóa giữa các học viên, làm cho việc phát triển và áp dụng rộng rãi khó khăn hơn trong thực hành lâm sàng hiện đại. Việc thiếu các hướng dẫn tiêu chuẩn hóa và sự chủ quan vốn có trong việc giải thích mạch đập đã tạo ra thách thức cho việc áp dụng rộng rãi phương pháp này.

1.3. Ưu Điểm Của Thiết Bị Đeo AI Chẩn Đoán Mạch Đập Cổ Tay

Giải quyết những hạn chế này, các thiết bị đeo AI mang đến một giải pháp đầy hứa hẹn. Các thiết bị này sử dụng cảm biến mạch đập để thu thập dữ liệu mạch đập và thuật toán học máy để phân tích nó. Điều này cho phép đánh giá khách quan và nhất quán hơn về sức khỏe tim mạch. Bằng cách tự động hóa quá trình phân tích, các thiết bị này loại bỏ sự phụ thuộc vào chuyên môn của cá nhân và cung cấp thông tin chi tiết có thể định lượng được về tình trạng tim mạch của bệnh nhân. Điều này có thể dẫn đến chẩn đoán sớm hơn và can thiệp hiệu quả hơn.

II. Thách Thức Chẩn Đoán Mạch Đập Cổ Tay Cần Thiết Bị Đeo AI

Chẩn đoán mạch đập truyền thống phụ thuộc nhiều vào kinh nghiệm và kỹ năng của người hành nghề. Đòi hỏi nhiều năm đào tạo để có thể giải thích chính xác các tín hiệu mạch đập. Do đó, kết quả chẩn đoán có thể khác nhau giữa các người hành nghề khác nhau. Ngoài ra, việc thiếu các tiêu chuẩn hóa trong việc ghi lại và chia sẻ thông tin mạch đập cũng gây khó khăn cho việc nghiên cứu và phát triển phương pháp này. Sự khác biệt chủ quan và thiếu tiêu chuẩn hóa là những thách thức quan trọng cản trở việc áp dụng rộng rãi và tích hợp chẩn đoán mạch đập vào thực hành y tế hiện đại.

2.1. Sự Chủ Quan Trong Chẩn Đoán Mạch Đập Truyền Thống

Một trong những thách thức chính của chẩn đoán mạch đập truyền thống là sự chủ quan của nó. Việc giải thích tín hiệu mạch đập phụ thuộc nhiều vào kỹ năng và kinh nghiệm của người hành nghề. Sự chủ quan này có thể dẫn đến sự khác biệt trong chẩn đoán giữa các người hành nghề khác nhau. Các yếu tố như mức độ mệt mỏi của người hành nghề, sự phân tâm và thậm chí cả cảm xúc của họ có thể ảnh hưởng đến khả năng giải thích chính xác tín hiệu mạch đập.

2.2. Thiếu Tiêu Chuẩn Hóa Dữ Liệu Mạch Đập

Một thách thức khác là thiếu tiêu chuẩn hóa trong việc ghi lại và chia sẻ thông tin mạch đập. Trong chẩn đoán mạch đập truyền thống, các tín hiệu mạch đập thường được mô tả bằng các thuật ngữ định tính như "dây", "trơn" hoặc "mỏng manh". Những mô tả này rất chủ quan và có thể khó diễn giải nhất quán. Việc thiếu các phương pháp đo lường khách quan và định lượng làm cho việc nghiên cứu và phát triển phương pháp này trở nên khó khăn.

2.3. Ứng Dụng AI Giải Quyết Bài Toán Chẩn Đoán Mạch Đập

Để giải quyết những thách thức này, các thiết bị đeo AI hứa hẹn sẽ cách mạng hóa chẩn đoán mạch đập. Các thiết bị này sử dụng các cảm biến để thu thập dữ liệu mạch đập một cách khách quan và thuật toán học máy để phân tích nó. Bằng cách tự động hóa quá trình phân tích, các thiết bị này có thể loại bỏ sự chủ quan và cung cấp đánh giá nhất quán và chính xác hơn về sức khỏe tim mạch. Điều này có thể dẫn đến chẩn đoán sớm hơn, can thiệp hiệu quả hơn và kết quả của bệnh nhân được cải thiện.

III. Phương Pháp Phát Triển Thiết Bị Đeo AI Chẩn Đoán Mạch Đập Cổ Tay

Nghiên cứu, thiết kế và chế tạo một thiết bị đo được trang bị cảm biến piezo để thu thập tín hiệu mạch đập cổ tay và áp dụng trí tuệ nhân tạo để phân tích tín hiệu đã ghi. Ngoài ra, chúng tôi đã thu thập dữ liệu về mạch đập cổ tay (sử dụng thiết bị đã phát triển của chúng tôi) và mức đường huyết (từ thiết bị có sẵn trên thị trường) từ một nhóm cá nhân trong vài ngày, với các phép đo được thực hiện vào nhiều thời điểm khác nhau trong ngày. Bằng cách áp dụng các kỹ thuật xử lý tín hiệu số, chúng tôi đã loại bỏ hiệu quả các nguồn nhiễu như nhiễu tần số cao, nhiễu tĩnh điện và nhiễu đường cơ sở khỏi dữ liệu đã thu thập. Mục tiêu cuối cùng của chúng tôi là tận dụng dữ liệu đã xử lý này để tạo ra một mô hình AI có khả năng dự đoán tín hiệu mạch đập và mức đường huyết.

3.1. Lựa Chọn Cảm Biến Đo Mạch Đập Phù Hợp Piezo Sensor

Việc lựa chọn cảm biến phù hợp là rất quan trọng để phát triển một thiết bị đeo AI đáng tin cậy. Nghiên cứu này sử dụng cảm biến piezo, vì chúng nhỏ gọn, nhạy và tương đối rẻ. Cảm biến áp điện chuyển đổi áp suất cơ học thành tín hiệu điện, cho phép đo chính xác các tín hiệu mạch đập cổ tay. Chúng có khả năng ghi lại ngay cả những thay đổi tinh tế về áp suất, khiến chúng phù hợp cho các ứng dụng chẩn đoán.

3.2. Xử Lý Tín Hiệu Số Loại Bỏ Nhiễu

Tín hiệu mạch đập thu thập được có thể bị nhiễu từ nhiều nguồn khác nhau, chẳng hạn như nhiễu tần số cao, nhiễu tĩnh điện và nhiễu đường cơ sở. Các kỹ thuật xử lý tín hiệu số được sử dụng để loại bỏ hiệu quả các nguồn nhiễu này và cải thiện chất lượng của tín hiệu. Các kỹ thuật này bao gồm lọc, loại bỏ nhiễu đường cơ sở và các phương pháp xử lý tín hiệu khác. Bằng cách loại bỏ nhiễu, có thể trích xuất thông tin mạch đập có ý nghĩa chính xác hơn.

3.3. Thuật Toán Học Máy AI Dự Đoán Tín Hiệu

Sau khi dữ liệu mạch đập đã được thu thập và xử lý, thuật toán học máy (AI) được sử dụng để phân tích tín hiệu và đưa ra dự đoán. Thuật toán được đào tạo trên một tập dữ liệu lớn bao gồm tín hiệu mạch đập và dữ liệu sức khỏe tương ứng. Bằng cách học các mẫu và mối quan hệ trong dữ liệu, thuật toán có thể dự đoán tín hiệu mạch đập và đánh giá nguy cơ mắc các bệnh tim mạch.

IV. Ứng Dụng Thực Tế Thiết Bị Đeo AI Chẩn Đoán Mạch Đập Cổ Tay

Thiết bị đeo AI chẩn đoán mạch đập cổ tay có thể được sử dụng trong nhiều ứng dụng khác nhau, bao gồm theo dõi sức khỏe tim mạch từ xa, phát hiện sớm bệnh tim và y tế cá nhân hóa. Theo dõi sức khỏe tim mạch từ xa cho phép bệnh nhân theo dõi sức khỏe tim mạch của họ tại nhà, giảm nhu cầu đến bệnh viện thường xuyên. Phát hiện sớm bệnh tim có thể cải thiện kết quả của bệnh nhân bằng cách cho phép can thiệp kịp thời. Y tế cá nhân hóa có thể được sử dụng để điều chỉnh kế hoạch điều trị cho nhu cầu riêng của từng bệnh nhân.

4.1. Theo Dõi Sức Khỏe Tim Mạch Từ Xa Bằng Thiết Bị Đeo AI

Một trong những ứng dụng đầy hứa hẹn nhất của thiết bị đeo AI là theo dõi sức khỏe tim mạch từ xa. Thiết bị đeo được bệnh nhân đeo tại nhà, nơi nó liên tục thu thập dữ liệu mạch đập. Dữ liệu này được truyền đến một nền tảng đám mây, nơi nó được phân tích bởi thuật toán AI. Nếu có bất kỳ điều bất thường nào được phát hiện, bệnh nhân và nhà cung cấp dịch vụ chăm sóc sức khỏe của họ sẽ được thông báo, cho phép can thiệp kịp thời.

4.2. Phát Hiện Sớm Bệnh Tim Nhờ Phân Tích Mạch Đập

Phát hiện sớm bệnh tim là rất quan trọng để cải thiện kết quả của bệnh nhân. Bằng cách phát hiện bệnh tim ở giai đoạn đầu, có thể bắt đầu điều trị trước khi bệnh tiến triển đến giai đoạn nghiêm trọng hơn. Các thiết bị đeo AI có thể được sử dụng để sàng lọc bệnh tim ở các quần thể có nguy cơ cao, chẳng hạn như người lớn tuổi và những người có tiền sử gia đình mắc bệnh tim.

4.3. Y Tế Cá Nhân Hóa Dựa Trên Dữ Liệu Mạch Đập

Y tế cá nhân hóa là một phương pháp tiếp cận chăm sóc sức khỏe, trong đó kế hoạch điều trị được điều chỉnh cho phù hợp với nhu cầu riêng của từng bệnh nhân. Các thiết bị đeo AI có thể được sử dụng để cung cấp thông tin chi tiết về sức khỏe tim mạch của từng bệnh nhân, cho phép các nhà cung cấp dịch vụ chăm sóc sức khỏe phát triển các kế hoạch điều trị được cá nhân hóa hơn. Ví dụ, nếu một bệnh nhân có nguy cơ phát triển bệnh tim, họ có thể được khuyên nên thay đổi lối sống hoặc dùng thuốc.

V. Kết Luận và Tương Lai Thiết Bị Đeo AI Chẩn Đoán Tim Mạch

Nghiên cứu này trình bày một thiết bị đeo AI đầy hứa hẹn để chẩn đoán bệnh tim mạch. Thiết bị có khả năng thu thập và phân tích tín hiệu mạch đập một cách chính xác và khách quan, đồng thời có tiềm năng được sử dụng trong nhiều ứng dụng khác nhau, bao gồm theo dõi sức khỏe tim mạch từ xa, phát hiện sớm bệnh tim và y tế cá nhân hóa. Nghiên cứu sâu hơn là cần thiết để đánh giá độ tin cậy, độ chính xác của thiết bị trên quy mô lớn và khám phá các ứng dụng tiềm năng khác.

5.1. Ưu Điểm Vượt Trội Của Thiết Bị Đeo AI

Các thiết bị đeo AI mang lại một số lợi thế so với chẩn đoán mạch đập truyền thống. Chúng khách quan hơn, nhất quán hơn và có khả năng cung cấp thông tin chi tiết hơn về sức khỏe tim mạch của bệnh nhân. Các thiết bị này cũng nhỏ gọn, dễ sử dụng và có thể được sử dụng trong nhiều cài đặt khác nhau.

5.2. Hướng Nghiên Cứu Phát Triển Thiết Bị Đeo AI Tương Lai

Nghiên cứu trong tương lai nên tập trung vào việc cải thiện độ chính xác và độ tin cậy của các thiết bị đeo AI. Cần có thêm nghiên cứu để đánh giá hiệu quả của các thiết bị này trong các quần thể bệnh nhân khác nhau. Ngoài ra, nghiên cứu nên khám phá các ứng dụng tiềm năng khác của thiết bị đeo AI, chẳng hạn như theo dõi căng thẳng và cải thiện hiệu suất thể thao.

5.3. Bảo Mật và Quyền Riêng Tư Dữ Liệu

Khi các thiết bị đeo AI thu thập dữ liệu sức khỏe cá nhân, các biện pháp bảo mật và quyền riêng tư dữ liệu mạnh mẽ là rất quan trọng. Các thiết bị và nền tảng dữ liệu phải tuân thủ các quy định về bảo vệ dữ liệu như HIPAA và GDPR. Các giao thức mã hóa, ẩn danh dữ liệu và kiểm soát truy cập an toàn nên được triển khai để bảo vệ thông tin nhạy cảm và duy trì niềm tin của bệnh nhân.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong nền Y học Cổ truyền (Traditional Medicine - TM), chẩn đoán mạch đập (thiết chẩn) là một trong bốn phương pháp khám bệnh kinh điển (gồm vọng chẩn, văn chẩn, vấn chẩn và thiết chẩn). Phương pháp này đòi hỏi người thầy thuốc đặt ba ngón tay lên vị trí động mạch quay ở cổ tay người bệnh nhằm cảm nhận các đặc tính động học của mạch như tần số, cường độ, độ rộng và dạng sóng, từ đó đánh giá sự cân bằng âm dương và trạng thái hoạt động của các cơ quan nội tạng.

Mặc dù có lịch sử hàng nghìn năm với ưu điểm không xâm lấn và chi phí thấp, chẩn đoán mạch truyền thống tồn tại nhiều hạn chế thực tiễn:

• Phụ thuộc lớn vào kinh nghiệm chủ quan và cảm giác tay của từng thầy thuốc, dẫn đến việc thiếu tính nhất quán và khó tiêu chuẩn hóa giữa các cơ sở y tế.
• Quá trình bắt mạch diễn ra nhanh, dễ bị gián đoạn hoặc mất tập trung, không thể ghi lại dữ liệu liên tục để phục vụ phân tích chuyên sâu hay lưu trữ hồ sơ bệnh án điện tử.
• Sự phát triển của y tế từ xa (telemedicine) đang gặp rào cản lớn do các thiết bị chẩn đoán hiện đại thường cồng kềnh, chi phí cao và đòi hỏi cơ sở vật chất phức tạp.

Xuất phát từ thực trạng trên, đề tài đồ án tốt nghiệp "Phát triển thiết bị đeo ứng dụng AI để chẩn đoán mạch đập cổ tay" (tên tiếng Anh: Development of a Wearable AI-based Device for Wrist Pulse Diagnosis, mã số đề tài: 22223DT95) được thực hiện bởi sinh viên Đào Thanh Quân và Lê Quốc Tuấn, dưới sự hướng dẫn của TS. Bùi Hà Đức tại Khoa Cơ khí Chế tạo máy, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh (tháng 7/2023).

Nhiệm vụ và mục tiêu nghiên cứu của đồ án bao gồm:

1. Nghiên cứu nguyên lý y học cổ truyền, khảo sát các loại cảm biến và kỹ thuật thu thập tín hiệu mạch để thiết kế, chế tạo một thiết bị đeo nhỏ gọn, chính xác, có khả năng mô phỏng thao tác bắt mạch thực tế.
2. Xây dựng quy trình xử lý tín hiệu số nhằm loại bỏ hiệu quả các nguồn nhiễu như nhiễu tần số cao, nhiễu tĩnh điện và hiện tượng trôi đường nền (baseline wander).
3. Thu thập và thiết lập bộ dữ liệu thực nghiệm bao gồm tín hiệu mạch đập cổ tay (đo từ thiết bị tự chế tạo) và nồng độ đường huyết (đo bằng thiết bị thương mại) theo các mốc thời gian trong ngày.
4. Xây dựng, huấn luyện và đánh giá mô hình trí tuệ nhân tạo (Deep Learning) để dự báo tín hiệu xung mạch và ước tính nồng độ đường huyết, đồng thời trực quan hóa các trọng số đóng góp vào kết quả dự đoán.

Đối tượng nghiên cứu là sóng mạch đập tại động mạch quay cổ tay và nồng độ đường huyết của người thử nghiệm. Phạm vi nghiên cứu tập trung vào việc thu thập dữ liệu tại 4 mốc thời gian: Trước bữa ăn sáng (BB), Sau bữa ăn sáng (AB), Trước bữa ăn trưa (BL) và Sau bữa ăn trưa (AL). Kết quả nghiên cứu của nhóm tác giả đã được chấp nhận và công bố tại Hội nghị Quốc tế về Khoa học Hệ thống và Kỹ thuật năm 2023 (ICSSE 2023).

---

Cơ sở lý thuyết và phương pháp

Cơ sở Y học Cổ truyền và cơ chế cộng hưởng tần số

Theo lý luận Y học Cổ truyền, mạch cổ tay phản ánh sự lưu thông của dòng Khí qua hệ thống kinh lạc. Ba vị trí bắt mạch trên động mạch quay tương ứng với Thốn (Cun), Quan (Guan), Xích (Chi). Khi đặt tay lên cổ tay trái, ba vị trí này phản ánh tình trạng của Tâm (Tim), Can (Gan), Thận; trên cổ tay phải phản ánh Phế (Phổi), Tỳ (Dạ dày/Tiêu hóa), Thận. Thầy thuốc áp dụng ba mức lực ấn từ nhẹ đến nặng gồm Phù (Fu), Trung (Zhong), Trầm (Chen) để cảm nhận các thuộc tính mạch sâu hay nông.

Về mặt sinh lý học hiện đại, lý thuyết "phù hợp tần số" (frequency match theory) chỉ ra rằng tim tạo ra dao động lan truyền khắp hệ thống động mạch. Các cơ quan nhánh phản ứng lại dao động này bằng cách tạo ra các lực hài hòa với biên độ cực đại gần với tần số tự nhiên của chính chúng rồi phân phối ngược lại hệ tuần hoàn. Tần số tại các điểm châm cứu và vị trí bắt mạch trên cổ tay trùng khớp với tần số dao động tự nhiên của các cơ quan tương ứng.

Phân tích và lựa chọn công nghệ cảm biến

Đồ án khảo sát và so sánh bốn nhóm công nghệ cảm biến thu nhận tín hiệu xung mạch:

Loại cảm biến	Nguyên lý hoạt động	Ưu điểm chính	Nhược điểm / Hạn chế
Quang thể tích ghi (PPG)	Sử dụng LED và photodetector đo độ hấp thụ/phản xạ ánh sáng theo thay đổi thể tích máu	Không xâm lấn, đo liên tục, chi phí thấp, dễ tích hợp thiết bị đeo	Chiều sâu đo nông, dễ bị nhiễu do chuyển động, ánh sáng môi trường và màu da
Áp trở (Piezoresistive)	Điện trở thay đổi khi chịu biến dạng cơ học qua mạch cầu Wheatstone	Độ nhạy cao, thời gian đáp ứng nhanh, tương thích mạch điện tử	Nhạy cảm với nhiệt độ, phi tuyến ở dải đo cao, dễ trôi tín hiệu
Áp dung (Capacitive)	Sự biến dạng màng ngăn làm thay đổi khoảng cách giữa hai bản cực tụ điện	Độ nhạy cao, dải đo rộng, tuyến tính tốt, tiêu thụ điện năng thấp	Nhạy cảm với nhiệt độ và độ ẩm, khả năng chịu quá tải hạn chế
Áp điện (Piezoelectric)	Vật liệu áp điện (PZT/Zinc oxide) sinh điện tích khi chịu ứng suất cơ học	Độ nhạy cực cao với dao động vi mô, tần số đáp ứng rộng, bền bỉ	Không đo được áp lực tĩnh tuyệt đối, trở kháng cao, cần mạch khuếch đại điện tích

Cảm biến áp điện (Piezoelectric sensor) được lựa chọn làm thành phần cốt lõi nhờ khả năng nắm bắt chính xác các rung động cơ học động vi mô của thành mạch với thời gian đáp ứng nhanh.

Kỹ thuật xử lý tín hiệu số và loại bỏ nhiễu

Tín hiệu xung mạch thu thập từ cổ tay thường bị biến dạng bởi hai nguồn nhiễu chính:

1. Nhiễu trôi đường nền (Baseline wander): Dao động tần số thấp phát sinh từ nhịp thở, cử động cơ thể hoặc sự tiếp xúc không ổn định giữa điện cực và da.
2. Nhiễu giao thoa lưới điện (Power line interference): Sóng hình sin tần số 50–60 Hz lan truyền từ nguồn cấp hoặc thiết bị điện xung quanh.

Nhóm tác giả đã nghiên cứu các bộ lọc:

• Bộ lọc FIR (Finite Impulse Response): Không đệ quy, ổn định tuyệt đối và dễ dàng thiết kế pha tuyến tính (linear phase) để bảo toàn hình dạng sóng xung.
• Bộ lọc IIR (Infinite Impulse Response): Sử dụng vòng phản hồi, tối ưu hóa bậc lọc nhưng có thể gây méo pha phi tuyến.
• Bộ lọc biến đổi Wavelet (DWT): Phân tích đa độ phân giải (multiresolution analysis) thông qua các hệ số xấp xỉ (approximate coefficients - tần số thấp) và chi tiết (detail coefficients - tần số cao). Họ sóng mẹ Symlet 5 (Sym5) được chọn để khử nhiễu nhờ độ tương thích cao với dạng sóng xung sinh học.

Độ chính xác và hiệu quả xử lý tín hiệu được định lượng qua Tỷ số tín hiệu trên nhiễu ($SNR_{dB} = 20\log_{10}(V_{Signal}/V_{Noise})$) và Sai số toàn phương trung bình ($MSE = \frac{1}{n}\sum_{i=1}^n(Y_i - \hat{Y}_i)^2$).

Mô hình hóa chuỗi thời gian và Trí tuệ nhân tạo

Nghiên cứu khảo sát từ các mô hình thống kê cổ điển (ARIMA, San bằng mũ đơn ETS/EWMA) đến các kiến trúc học sâu:

• Mạng nơ-ron hồi quy (RNN / LSTM): Xử lý dữ liệu tuần tự, khắc phục vấn đề triệt tiêu đạo hàm qua ba cổng (cổng vào - input gate, cổng quên - forget gate, cổng ra - output gate) và ô trạng thái bộ nhớ (cell state).
• Mô hình Transformer và Attention: Cơ chế tự chú ý (Self-Attention) xử lý song song toàn bộ chuỗi thời gian, kết hợp mạng chọn lọc đặc trưng (Feature Selection Network - FSN), mạng dư cổng (Gated Residual Network - GRN) và đơn vị tuyến tính cổng (Gated Linear Unit - GLU) nhằm cung cấp khả năng diễn giải trọng số (interpretability) cho các dự đoán y tế.

---

Thiết kế và triển khai hệ thống kỹ thuật

Thiết kế cơ khí và cơ chế tiếp xúc gián tiếp

Cấu trúc cơ khí của thiết bị phải giải quyết yêu cầu mô phỏng chính xác ngón tay thầy thuốc và loại bỏ nhiễu vật lý:

• Kỹ thuật gắn chân dẫn cảm biến (Lead Attachment): Sử dụng phương pháp thấu xuyên (Penetrative method) bằng đinh tán ép chặt đầu nối tiếp xúc với dải màng áp điện để đảm bảo độ bền cơ học và tính ổn định truyền dẫn tín hiệu lâu dài, thay vì dán băng dính dẫn điện (Non-penetrative).
• Thử nghiệm kiểm chứng cảm biến: Sử dụng cơ cấu CAM kết hợp mô-đun thu thập dữ liệu NI USB-6341 của National Instruments và phần mềm LabVIEW để mô phỏng dao động cơ học định kỳ, kiểm tra độ nhạy của cảm biến áp điện.
• Xử lý nhiễu tĩnh điện và tối ưu kết cấu vòng đeo (Bracelet):
  • Phương án ban đầu: Tiếp xúc trực tiếp cảm biến lên da khiến tín hiệu đầu ra triệt tiêu về mức 0 do ảnh hưởng của tĩnh điện cơ thể người.
  • Phương án cải tiến: Thiết kế bộ phận cách ly (isolator element) với các đầu tiếp xúc cơ học đóng vai trò như ngón tay truyền dao động gián tiếp từ động mạch sang màng cảm biến thông qua khoang rỗng.
  • Hoàn thiện cơ khí: Tích hợp mạch PCB cố định đuôi cảm biến chống rung lắc ngoài ý muốn, tạo khớp xoay linh hoạt trên khung vòng đeo và bố trí bu lông M6 tại vị trí đỉnh nhằm tùy chỉnh các mức lực nén tĩnh (Phù - Trung - Trầm). Toàn bộ chi tiết khung vỏ và hộp chứa linh kiện được chế tạo bằng công nghệ in 3D trên máy Elegoo Neptune 3 Plus.

+-------------------------------------------------------------+
|                      KHUNG VÒNG ĐEO (BRACELET)              |
|  [Bu lông M6 điều chỉnh lực] ---> [Khớp xoay điều chỉnh]    |
|                                         |                   |
|  +--------------------------------------+----------------+  |
|  |             BỘ PHẬN CÁCH LY (ISOLATOR)                |  |
|  |  [Đầu chạm tiếp xúc] ---> [Khoang dao động tự do]     |  |
|  |                                  |                    |  |
|  |                       [Cảm biến Áp điện]              |  |
|  |                                  |                    |  |
|  |                       [Mạch PCB cố định đuôi]         |  |
|  +-------------------------------------------------------+  |
+-------------------------------------------------------------+
                               |
                        (Tín hiệu tương tự)
                               v
+-------------------------------------------------------------+
|                    HỘP ĐIỆN TỬ - ĐIỀU KHIỂN                 |
|  [Mạch khuếch đại / Xử lý tín hiệu]                         |
|         |                                                   |
|         v                                                   |
|  [High-Precision AD HAT (ADS1263 - Giao tiếp SPI)]          |
|         |                                                   |
|         v                                                   |
|  [Khối điều khiển trung tâm: Raspberry Pi Zero]             |
+-------------------------------------------------------------+

Thiết kế khối điện tử và điều khiển

• Khối điều khiển trung tâm: Sử dụng vi máy tính Raspberry Pi Zero kích thước nhỏ gọn, tiêu thụ ít điện năng.
• Khối chuyển đổi tín hiệu tương tự sang số (ADC): Sử dụng bo mạch mở rộng High-Precision AD HAT tích hợp chip ADS1263 độ phân giải cao, giao tiếp với Raspberry Pi Zero qua chuẩn giao tiếp SPI (Serial Peripheral Interface: MOSI, MISO, SCLK, CS).
• Khối kiểm chuẩn thiết bị: Tích hợp cảm biến điện tim ECG SEN0213 để ghi đồng thời tín hiệu điện tim và tín hiệu xung mạch cổ tay trên các đối tượng thử nghiệm trong 5 giây, đối chiếu các đỉnh R của ECG với đỉnh tâm thu của sóng mạch để kiểm chứng tính đồng bộ thời gian thực.

---

Nội dung chính theo từng chương

Chapter 1. Motivation (Động lực và mục tiêu đề tài)

Trình bày tổng quan về vai trò của phương pháp bắt mạch cổ tay trong Y học Cổ truyền, phân tích các rào cản về tính chủ quan và sự thiếu vắng thiết bị số hóa. Nêu bật nhu cầu kết hợp trí tuệ nhân tạo và y tế từ xa để quản lý bệnh mãn tính, đặc biệt là bệnh tiểu đường. Xác định rõ mục tiêu chế tạo thiết bị đo, xây dựng tập dữ liệu mở và dự báo nồng độ đường huyết.

Chapter 2. Literature Review (Tổng quan tài liệu và cơ sở lý thuyết)

Tổng quan bốn phương pháp chẩn đoán TM (vọng, văn, vấn, thiết), cấu trúc các vùng phản xạ trên lưỡi và vị trí Thốn - Quan - Xích. Khảo sát nguyên lý các dòng cảm biến PPG, áp trở, áp dung, áp điện. Phân tích toán học các kỹ thuật lọc nhiễu số (FIR, IIR, biến đổi Wavelet) cùng các chỉ số SNR, MSE. Tổng kết các mô hình chuỗi thời gian thống kê (ARIMA, ETS) và mô hình học sâu (RNN, LSTM, Transformer).

Chapter 3. Design Mechanical System (Thiết kế hệ thống cơ khí)

Chi tiết hóa quá trình hiện thực hóa phần cứng vòng đeo: thử nghiệm kỹ thuật gắn dây dẫn xuyên màng áp điện, kiểm tra đáp ứng với cơ cấu CAM trên LabVIEW. Phân tích nguyên nhân thất bại do tĩnh điện ở thiết kế tiếp xúc trực tiếp và quá trình phát triển bộ phận cách ly gián tiếp. Hoàn thiện thiết kế với chốt xoay, bu lông điều chỉnh áp lực M6, cố định cảm biến bằng PCB và chế tạo hoàn chỉnh bằng in 3D.

Chapter 4. Design Electronics – Control System (Thiết kế hệ thống điện tử - điều khiển)

Xây dựng sơ đồ khối toàn hệ thống gồm khối nguồn, khối xử lý tín hiệu, khối ADC ADS1263 và vi máy tính Raspberry Pi Zero. Thiết lập quy trình giao tiếp SPI và lập trình đọc dữ liệu. Triển khai thử nghiệm đối chứng với cảm biến điện tim SEN0213 trên nhiều đối tượng để kiểm tra tính chính xác của xung nhịp đo được.

Chapter 5. Design Pulse Wave Forecasting Algorithm & Blood Glucose Measurement (Thuật toán dự báo sóng mạch và đo đường huyết)

Mô tả quy trình thu thập dữ liệu trên bệnh nhân tại 4 thời điểm (BB, AB, BL, AL), trích xuất các đặc trưng cơ bản của sóng mạch (độ biến thiên nhịp tim HRV, chu kỳ xung, chiều cao đỉnh tâm thu, chiều cao đỉnh tâm trương). Ứng dụng biến đổi Wavelet Sym5 và thuật toán loại bỏ trôi đường nền. Xây dựng kiến trúc mô hình học sâu kết hợp mạng nơ-ron dư cổng (GRN) và cơ chế chú ý đa đầu để dự báo chuỗi thời gian sóng xung mạch và ước lượng mức đường huyết tương ứng.

Chapter 6. Conclusion and Discussion (Kết luận và thảo luận)

Tổng kết các kết quả đạt được về phần cứng vòng đeo, bộ dữ liệu thu thập, thuật toán xử lý tín hiệu và mô hình AI. Đánh giá tính khả thi ứng dụng trong y tế thông minh và định hướng các nghiên cứu mở rộng trong tương lai.

---

Kết quả và đóng góp

Kết quả kỹ thuật và thực nghiệm

1. Chế tạo thành công thiết bị đo dạng vòng đeo: Thiết bị tích hợp cảm biến áp điện với cơ chế truyền rung gián tiếp, triệt tiêu hoàn toàn hiện tượng nhiễu tĩnh điện cơ thể người và cho phép tùy chỉnh áp lực bắt mạch qua vít tinh chỉnh M6.
2. Quy trình tiền xử lý tín hiệu tin cậy: Triển khai thành công bộ lọc Wavelet Sym5 kết hợp thuật toán phát hiện điểm khởi phát xung (pulse's onset) và đỉnh tâm thu (systolic peak), loại bỏ triệt để hiện tượng trôi đường nền và nhiễu nguồn 50 Hz trên 5 đối tượng thử nghiệm.
3. Kiểm chuẩn đồng bộ tín hiệu: Dữ liệu sóng xung thu nhận từ thiết bị có sự tương quan và đồng bộ chuẩn xác với tín hiệu điện tim ghi nhận từ cảm biến thương mại SEN0213.
4. Bộ dữ liệu và mô hình AI: Thu thập thành công bộ dữ liệu đa biến kết hợp giữa thông số động học xung mạch tại 4 mốc sinh hoạt (Trước/Sau ăn sáng, Trước/Sau ăn trưa) và chỉ số nồng độ đường huyết tham chiếu, làm cơ sở huấn luyện mô hình dự báo chuỗi thời gian.

Đóng góp khoa học và thực tiễn

• Đóng góp một giải pháp phần cứng chi phí thấp, nhỏ gọn, mở ra hướng ứng dụng công nghệ hiện đại để chuẩn hóa phương pháp chẩn đoán mạch trong Y học Cổ truyền.
• Cung cấp một tập dữ liệu mở về tín hiệu xung mạch kết hợp nồng độ đường huyết, hỗ trợ cộng đồng nghiên cứu phát triển các thuật toán AI theo dõi sức khỏe không xâm lấn.
• Đề tài đã được phản biện độc lập và chấp nhận công bố tại Hội nghị Quốc tế về Khoa học Hệ thống và Kỹ thuật năm 2023 (ICSSE 2023).

---

Hạn chế và hướng nghiên cứu tiếp

Dựa trên nội dung đồ án, các hạn chế kỹ thuật và phạm vi nghiên cứu bao gồm:

• Cảm biến áp điện có đặc tính tự nhiên là chỉ đo được các biến đổi áp lực động, hạn chế trong việc đo các giá trị áp lực tĩnh tuyệt đối liên tục kéo dài.
• Cơ chế tác động lực ba mức (Phù - Trung - Trầm) hiện tại vẫn điều chỉnh thủ công qua bu lông M6, chưa tích hợp cảm biến lực phản hồi để tự động hóa hoàn toàn lực ép chuẩn xác.
• Quy mô mẫu thử nghiệm và thời gian thu thập dữ liệu còn giới hạn trong một nhóm đối tượng ban đầu, cần mở rộng thử nghiệm lâm sàng đa dạng hơn về lứa tuổi, bệnh lý nền để nâng cao độ khái quát của mô hình AI.

---

Giá trị tham khảo

Đồ án là tài liệu tham khảo giá trị cho:

• Sinh viên và nghiên cứu sinh ngành Kỹ thuật Cơ điện tử, Robot & AI: Tham khảo quy trình thiết kế cơ cấu cơ khí vi mô tích hợp cảm biến áp điện, kỹ thuật in 3D, và kết nối phần cứng Raspberry Pi Zero với ADC đa kênh tốc độ cao qua SPI.
• Nhà nghiên cứu ngành Kỹ thuật Y sinh và Xử lý tín hiệu: Tham khảo phương pháp lọc nhiễu sinh học bằng Wavelet Symlet 5, thuật toán loại bỏ trôi đường nền và trích xuất đặc trưng chu kỳ mạch.
• Kỹ sư AI ứng dụng y tế: Tham khảo kiến trúc mô hình chuỗi thời gian có khả năng diễn giải (Interpretable Multi-Head Attention, Gated Residual Network) áp dụng trên dữ liệu y tế đa biến.

---

Câu hỏi thường gặp

1. Vì sao nhóm nghiên cứu lựa chọn cảm biến áp điện (Piezoelectric) thay vì cảm biến quang học (PPG) hay cảm biến áp trở?

Cảm biến áp điện có độ nhạy cực cao với các rung động cơ học vi mô của thành mạch, thời gian đáp ứng nhanh và dải tần số đo rộng. Khác với PPG (dễ bị ảnh hưởng bởi sắc tố da, ánh sáng môi trường và chỉ đo được mạch ngoại vi nông) hay cảm biến áp trở (dễ bị trôi nhiệt độ và phản ứng chậm hơn), cảm biến áp điện mô phỏng sát nhất cảm giác xúc giác cơ học của ngón tay thầy thuốc khi bắt mạch động mạch quay.

2. Vấn đề tĩnh điện cơ thể người đã ảnh hưởng thế nào đến thiết kế ban đầu và nhóm khắc phục bằng cách nào?

Trong thiết kế ban đầu, khi đặt màng cảm biến tiếp xúc trực tiếp lên da cổ tay, hiện tượng tĩnh điện từ cơ thể người đã làm triệt tiêu tín hiệu thu nhận, khiến điện áp đầu ra luôn xấp xỉ bằng 0. Nhóm nghiên cứu đã khắc phục bằng cách thiết kế bộ phận cách ly cơ học gián tiếp (isolator element): đầu chạm cơ học tiếp xúc với da truyền rung động qua khoang rỗng đến màng áp điện mà không để màng cảm ứng chạm trực tiếp vào da.

3. Kỹ thuật xử lý tín hiệu nào được sử dụng để lọc nhiễu sóng mạch trong đồ án?

Nhóm tác giả sử dụng phép biến đổi Wavelet rời rạc (DWT) với họ sóng mẹ Symlet 5 (Sym5) để phân tách tín hiệu thành các dải tần số xấp xỉ và chi tiết, từ đó triệt tiêu nhiễu tần số cao và nhiễu điện lưới 50–60 Hz mà không làm méo hình dạng đỉnh sóng. Đồng thời, nhóm phát triển thuật toán xác định điểm khởi phát xung (onset) và đỉnh tâm thu để khử hiện tượng trôi đường nền (baseline wander).

4. Thiết bị mô phỏng ba mức lực ấn Phù - Trung - Trầm trong Y học Cổ truyền như thế nào?

Khung vòng đeo được thiết kế một khớp xoay linh hoạt cho phép bộ phận cách ly tự do định hướng theo bề mặt cổ tay. Trên đỉnh khung, một bu lông ren M6 được bố trí ngay trên điểm tác dụng lực; người dùng vặn bu lông này để thay đổi mức độ nén ép cơ học từ nhẹ, vừa đến nặng, tương ứng với ba trạng thái bắt mạch Phù, Trung, Trầm.

5. Dữ liệu thử nghiệm được thu thập theo giao thức nào và phục vụ mục tiêu gì của mô hình AI?

Dữ liệu được thu thập trên các đối tượng thử nghiệm trong nhiều ngày liên tục tại 4 mốc thời gian: Trước bữa ăn sáng (BB), Sau bữa ăn sáng (AB), Trước bữa ăn trưa (BL) và Sau bữa ăn trưa (AL). Bộ dữ liệu kết hợp giữa tín hiệu dạng sóng mạch đập và mức đường huyết đo đối chứng, phục vụ việc huấn luyện mô hình học sâu ứng dụng cơ chế chú ý (Interpretable Multi-Head Attention) và mạng dư cổng (GRN) để dự báo xu hướng biến thiên của mạch và nồng độ đường huyết.

---

Kết luận

Đồ án tốt nghiệp đã nghiên cứu và phát triển hoàn chỉnh một thiết bị đeo tích hợp cảm biến áp điện và giải thuật trí tuệ nhân tạo phục vụ chẩn đoán mạch đập cổ tay theo nguyên lý Y học Cổ truyền. Bằng việc giải quyết bài toán chống nhiễu tĩnh điện qua cơ cấu tiếp xúc gián tiếp và tối ưu hóa xử lý tín hiệu với Wavelet Sym5, hệ thống ghi nhận chính xác các đặc trưng động lực học của sóng mạch. Kết quả nghiên cứu mở ra tiềm năng ứng dụng công nghệ số hóa và học máy vào việc theo dõi sức khỏe không xâm lấn, hỗ trợ quản lý bệnh tiểu đường và phát triển các nền tảng y tế từ xa.

Trích đoạn nội dung tài liệu

MINISTRY OF EDUCATION AND TRAINING HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION FACULTY OF MECHANICAL ENGINEERING GRADUATION PROJECT ROBOTIC AND ARTIFICIAL INTELLIGENCE DEVELOPMENT OF A WEARABLE AI-BASED DEVICE FOR WRIST PULSE DIAGNOSIS ADVISOR: PhD. BUI HA DUC STUDENT: DAO THANH QUAN LE QUOC TUAN SKL010837 Ho Chi Minh city, July 2023 MINISTRY OF EDUCATION AND TRAINING HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION FACULTY OF MECHANICAL ENGINEERING GRADUATION THESIS DEVELOPMENT OF A WEARABLE AI-BASED DEVICE FOR WRIST PULSE DIAGNOSIS Supervisor: BUI HA DUC, PhD Student: DAO THANH QUAN Student ID: 19134081 Student: LE QUOC TUAN Student ID: 19134091 Year Of Admission: 2019 - 2023 Ho Chi Minh City, July 2023 HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION FACULTY OF MECHANICAL ENGINEERING DEPARTMENT OF MECHATRONICS GRADUATION THESIS DEVELOPMENT OF A WEARABLE AI-BASED DEVICE FOR WRIST PULSE DIAGNOSIS Supervisor: BUI HA DUC, PhD Student: DAO THANH QUAN Student ID: 19134081 Class: 19134 Student: LE QUOC TUAN Student ID: 19134091 Class: 19134 Year Of Admission: 2019 - 2023 Ho Chi Minh City, July 2023 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HCM CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA CƠ KHÍ CHẾ TẠO MÁY Độc lập - Tự do – Hạnh phúc NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Học kỳ II/ năm học 2022-2023 Giảng viên hướng dẫn: TS. Bùi Hà Đức…………….……… Sinh viên thực hiện: Lê Quốc Tuấn………………MSSV: 19134091…Điện thoại [phone] Đào Thanh Quân……………MSSV: 19134081…Điện thoại [phone].

Mã số đề tài: 22223DT95 – Tên đề tài: Development of a Wearable AI-based Device for Wrist Pulse Diagnosis 2. Các số liệu, tài liệu ban đầu: ……………. Nội dung chính của đồ án: Xây dựng thiết bị đo và phần mềm xử lý tín hiệu mạch đập ở cổ tay, qua đó chẩn đoán tình trạng sức khỏe của một người ……………. Các sản phẩm dự kiến Thiết bị đo mạch đập cổ tay Phần mềm phân tích chẩn đoán tình trạng sức khỏe người dựa trên tín hiệu mạch đập cổ tay …………….

Ngôn ngữ trình bày: Bản báo cáo: Tiếng Anh Tiếng Việt Trình bày bảo vệ: Tiếng Anh Tiếng Việt TRƯỞNG KHOA TRƯỞNG BỘ MÔN GIẢNG VIÊN HƯỚNG DẪN (Ký, ghi rõ họ tên) (Ký, ghi rõ họ tên) (Ký, ghi rõ họ tên) i COMMITMENT • Project: Development of a Wearable AI-based Device for Wrist Pulse Diagnosis • Lecturer: Bui Ha Duc, Ph.D • Student: Dao Thanh Quan • Student ID: 19134081 - Class: 19134 • Adress: Phuoc Long B Ward, Thu Duc City, Ho Chi Minh City • Phone number: 0962600379 • Email: [e-mail] • Student: Le Quoc Tuan • Student ID: 19134091 - Class: 19134 • Adress: Linh Chieu Ward, Thu Duc City, Ho Chi Minh City • Phone number: 0935920345 • Email: lequoctuan.com • Graduation thesis submission date: • Commitment: “I affirm that the graduation thesis presented here is the result of my research and efforts. I have not replicated any content from published articles without appropriate citations. Should any breach be identified, I acknowledge full accountability for the consequences.” Ho Chi Minh City, … July 2023 ii ACKNOWLEDGMENT First and foremost, on behalf of my team, I would like to extend my heartfelt thanks to our supervisor, Bui Ha Duc Ph. Your unwavering commitment, expertise, and guidance have been instrumental in shaping my research and steering me toward success.

Your mentorship, patience, and constant encouragement have played a significant role in shaping my academic journey. Your profound knowledge and invaluable insights have helped me overcome challenges and broaden my intellectual horizons. I am truly grateful for your dedication and support. I would also like to extend my sincere appreciation to Ho Chi Minh City University of Technology and Education for providing me with an exceptional learning environment and resources.

The university has been a constant source of inspiration, fostering an atmosphere of growth, innovation, and academic excellence. The diverse faculty and staff have been instrumental in shaping my academic and personal development, and I am indebted to them for their commitment to nurturing future scholars and leaders. My deepest gratitude goes to my family for their unwavering love, encouragement, and understanding. Your support has been the foundation of my journey, and I am forever grateful for your sacrifices, belief in me, and the countless ways you have cheered me on.

Your unwavering support has provided me with the strength and motivation to overcome challenges and strive for excellence. Lastly, I would like to express my gratitude to all those who have contributed to my growth and development, directly or indirectly. Your encouragement, advice, and belief in my abilities have been invaluable throughout this challenging yet rewarding journey. Sincerely, Dao Thanh Quan iii ABSTRACT Pulse diagnosis, an integral part of traditional medicine (TM), is a crucial diagnostic method alongside looking, listening, and asking.

It involves the practitioner placing their three fingers on the patient's radial artery at the wrist to analyze their health condition. This method has been used for thousands of years in TM and continues to be highly regarded for its convenience, affordability, and non-invasive nature. Pulse diagnosis remains a strong contender for disease diagnosis even in modern times. Recent studies have highlighted the significance of the wrist pulse signal as a bloodstream signal that can provide valuable insights for disease analysis.

However, traditional pulse diagnosis (TPD) heavily relies on the expertise of practitioners. The measurement and interpretation involved in TPD typically demand years of training for practitioners. Additionally, there is a lack of standardized communication and sharing of pulse signal experiences among different practitioners. These factors present challenges in the further development and widespread application of TPD in modern clinical practice.

Advancements in sensor technologies, signal processing, and pattern recognition have paved the way for significant advancements in the computational analysis of pulse signals. These developments have led to the creation of three types of sensors for pulse signal acquisition: pressure sensors, photoelectric sensors, and ultrasonic sensors. These sensors enable the simulation of pulse signal analysis, resembling the expertise of practitioners. Signal processing and pattern recognition methods have been devised to interpret and analyze pulse signals.

As a result, pulse signals have been extensively investigated for various applications, including pulse waveform classification, prediction, and the diagnosis of numerous diseases such as cholecystitis, nephrotic syndrome, diabetes, and more. The objectives of this study are to research, design, and fabricate a measuring device equipped with a piezo sensor to capture wrist pulse signals, and apply artificial intelligence to analyze the recorded signal. In addition, we have gathered data on wrist pulse (using our developed device) and blood glucose levels (from a commercially available device) from a group of individuals over several days, with measurements taken at various times throughout the day. By applying digital signal processing techniques, we have effectively eliminated noise sources such as high-frequency noise, electrostatic noise, and baseline wander from the collected data.

Our ultimate goal is to leverage this processed data to create an AI model capable of predicting pulse signals and blood glucose levels. Our research findings have been accepted and approved at the 2023 International Conference on System Science and Engineering (ICSSE). iv TABLE OF CONTENTS NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP. iv TABLE OF CONTENTS.

v LIST OF TABLES. viii LIST OF FIGURES. ix LIST OF ACRONYMS. Scientific and practical significances.

Structure of the report. Introduction to Traditional Medicine. Introduction to the use of sensors in collecting pulse wave signals. Capacitive pressure sensors.

Introduction to noise-removing technique used for pulse signal. Finite Impulse Response (FIR) filter. Infinite Impulse Response (IIR) filter. Wavelet-based filter.

Introduction to metrics used in time series. Introduction to signal-to-noise ratio. Introduction to mean squared error. Introduction to Machine Learning in Traditional Medicine.

Application of machine learning. Introduction to statistical model used in time series forecasting. Introduction to deep learning model used in time series forecasting .DESIGN MECHANICAL SYSTEM. Design the bracelet.

Design the electrical box .DESIGN ELECTRONICS – CONTROL SYSTEM. Electronics – control system’s objectives. Cetral control block. Power supply block.

Signal processing block. Experiment set up .DESIGN PULSE WAVE FORECASTING ALGORITHM. Patient recruitment and protocol. Applying wavelet transform in filtering signal.

Baseline wander removal. Time series forecasting model. Feature selection network. Interpretable multi-head attention .BLOOD GLUCOSE MEASUREMENT.

Blood glucose measuring model. Training procedure: Blood glucose measuring model. Experimental result: Blood glucose measuring model. 77 CONCLUSION AND DISCUSSION.

I vii LIST OF TABLES Table 3.1: Common 3D printer filaments comparison .1: High-Precision AD HAT specifications .2: High-Precision AD HAT Pinouts .1: The comparison between forecasting models. 70 viii LIST OF FIGURES Figure 1.1 Wrist pulse diagnosis in traditional medicine (Source: https://beta.com/healthplus/article/tcm-misconceptions) .1: Traditional Medicine methods .2: Tongue describes organ system map on tongue (Source: https://www.com/blog/traditional-chinese-medicine-tongue-diagnosis) .3: The positions of Cun – Guan – Chi and their equivalent organs .4: PPG sensors placements .5: PPG reflection type working principle .6: Connected circuit between Piezoresistive sensor and Wheatstone Bridge (Source: https://www.com/wps/portal/abacus/solutions/technologies/sensors/pressure-sensors/core- technologies/piezoresistive-strain-gauge/) .7: Capacitive pressure sensor structure (Source: https://www.com/wps/portal/abacus/solutions/technologies/sensors/pressure-sensors/core- technologies/capacitive/) .8: Piezoelectric pressure sensor construction .9: Bi-Sensing Pulse Diagnosis Instrument and holder of pulse-taking posture (Source: [13]) 16 Figure 2.10: (a) Proposed system, (b) Real photograph of the system with real-time UI.11: Signal with power line interference .12: Signal with baseline wander .13: A direct form discrete-time FIR filter of order N (Source: Wikipedia) .14: Wavelet Families of discrete wavelets and continuous wavelets (Source: [4]) .15: Non-stationary and stationary series example (Source: https://otexts.com/fpp2/arima.16: Visualization of LSTM Architecture (Source: https://thorirmar.com/post/insight_into_lstm/) .1: Wrist pulse wave diagnosis method .2: (a) Penetrative method, (b) None-penetrative method (Source: https://www.com/datasheets/Sensors/Flex/MSI-techman.3: CAM mechanism description and design .4: Visualization of the response signals on Labview .5: The first design option .6: The second design option .7: The modified isolator element .8: (a) The bracelet’s frame, (b) Vertical half-view of the isolator element .9: The proposed assembly design of the system .10: Printing process on Elegoo Neptune Plus 3 3D Printer Machine .11: The completed bracelet .12: The proposed design of the electrical box .13: The completed electrical box .1: Block diagram of electronics – control system.2: Power supply adaptor for Raspberry Pi (Source: Internet) .4: Raspberry Pi Zero (source: internet).5: Onboard High-Precision AD HAT (source: https://www.6: Serial Interface Timing Requirements (Source: https://www.com/document- viewer/ads1263/datasheet ) .7: Serial Interface Switching Characteristics (Source: https://www.com/document- viewer/ads1263/datasheet) .8: Data red directly by ADC1(Source: https://www.com/document- viewer/ads1263/datasheet) .9: Electrocardiogram sensor SEN0213 (Source: digikey.10: Block diagram of an additional circuit for device validation .11: 5-second filtered signal of ECG and the proposed device on subject 1.12: 5-second filtered signal of ECG and the proposed device on subject 2 .13: 5-second filtered signal of ECG and the proposed device on subject 3 .14: 5-second filtered signal of ECG and the proposed device on subject 1 .1: Important features inside 2 consecutive pulse wave .2: The boxplots showing distribution of heart rate variability, pulse period, diastolic peak height, systolic peak height on 4 different times including Before Breakfast (BB), After Breakfast (AB), Before Lunch (BL), After Lunch (AL) .3: Data acquisition demonstration .4: Frequency bands division of wavelet transform .5: ‘Sym5’ wavelet used in the proposed algorithm .6: The comparisons between raw and filtered data on 5 different subjects with each row belongs to a subject .7: The positions of pulse’s onset and systolic peak inside pulse wave .8: Pulse’s onset detection algorithm .9: Baseline wander removal algorithm .10: Block diagram of the forecasting model .11: Block diagram of the gated residual network .12: Block diagram of gated linear unit .13: Block diagram of feature selection network .14: Results of iterative inference on 4 different subjects .1: The global number of people with diabetes in 2017 and 2045 (Source: IDF Diabetes Atlas 8th edition) .2: Visualization of fluid compartments (Source: https://courses.com/suny- ap2/chapter/body-fluids-and-fluid-compartments-no-content/) .3: Block diagram of blood glucose measuring model .