I. Tổng quan thiết kế cánh tay nhân tạo bằng tín hiệu EMG tại SPKT
Đề tài thiết kế và thi công cánh tay nhân tạo điều khiển bằng tín hiệu điện cơ EMG do nhóm sinh viên ngành Kỹ thuật Y Sinh thuộc Trường Đại học Sư phạm Kỹ thuật TP.HCM thực hiện. Nghiên cứu hướng đến việc hỗ trợ người khuyết chi trên khôi phục khả năng vận động tự nhiên. Tín hiệu điện cơ bề mặt sEMG xuất hiện khi các sợi cơ co thắt dưới da. Dạng tín hiệu sinh học này phản ánh trực tiếp ý định vận động của con người. Hệ thống thu thập tín hiệu vi mô từ bề mặt da và chuyển đổi thành xung số. Thiết bị sử dụng bộ xử lý trung tâm nhằm phân tích các mẫu co cơ đặc trưng. Các thuật toán thông minh kích hoạt cơ cấu chấp hành để mô phỏng chuyển động bàn tay. Giải pháp này giúp giảm thiểu chi phí sản xuất thiết bị hỗ trợ vận động tại Việt Nam. Quá trình chế tạo kết hợp chặt chẽ giữa kỹ thuật cơ khí chính xác, phần cứng điện tử sinh học và thuật toán trí tuệ nhân tạo. Kết quả mở ra triển vọng tiếp cận công nghệ chân tay giả giá rẻ cho cộng đồng.
1.1. Bối cảnh nghiên cứu kỹ thuật y sinh tại ĐH SPKT TP.HCM
Khoa Điện - Điện tử thuộc Đại học Sư phạm Kỹ thuật TP.HCM đẩy mạnh các đề tài ứng dụng thực tiễn. Sinh viên ngành Kỹ thuật Y Sinh tập trung giải quyết bài toán phục hồi chức năng vận động. Người mất chi tay gặp nhiều rào cản trong sinh hoạt thường nhật. Chi phí cho các mẫu tay giả thương mại nhập khẩu hiện rất đắt đỏ. Nhiều bệnh nhân có thu nhập thấp không thể tiếp cận thiết bị y tế hiện đại. Đề tài khóa luận tập trung nghiên cứu giải pháp thay thế nội địa. Sản phẩm yêu cầu tối ưu chi phí nhưng vẫn đảm bảo độ bền cơ học cao. Nhóm nghiên cứu tiến hành chế tạo nguyên mẫu cánh tay nhân tạo hoàn chỉnh. Thiết bị đáp ứng tốt các yêu cầu kiểm soát chuyển động cơ bản.
1.2. Bản chất sinh lý và nguyên lý tín hiệu điện cơ bề mặt
Tín hiệu điện cơ bề mặt sEMG hình thành từ điện thế hoạt động của các sợi cơ. Khi hệ thần kinh trung ương kích hoạt cơ bắp, màng tế bào khử cực liên tục. Các điện cực dán trên bề mặt da ghi lại sự biến thiên điện thế này. Tín hiệu thu được thường có biên độ rất nhỏ, dao động từ microvolt đến millivolt. Tần số năng lượng tập trung chủ yếu trong dải từ 20 Hz đến 500 Hz. Kỹ thuật đo không xâm lấn đảm bảo an toàn tuyệt đối và tạo sự thoải mái cho người bệnh. Tín hiệu sEMG mang thông tin giải phẫu chi tiết về mức độ co duỗi của từng nhóm cơ. Việc giải mã chính xác các mẫu điện cơ là bước quyết định để điều khiển bàn tay máy chuyển động nhịp nhàng.
II. Thách thức phân tích tín hiệu EMG điều khiển cánh tay nhân tạo
Quá trình phân tích tín hiệu điện cơ bề mặt đối mặt với nhiều rào cản kỹ thuật phức tạp. Tín hiệu sEMG có bản chất ngẫu nhiên, phi tuyến tính và rất dễ bị biến dạng. Môi trường xung quanh luôn tồn tại các nguồn nhiễu điện từ tần số 50 Hz từ lưới điện sinh hoạt. Nhiễu tiếp xúc giữa bề mặt da và điện cực đo cũng gây sai lệch dữ liệu liên tục. Hiện tượng mỏi cơ làm biên độ tín hiệu suy giảm và tần số chuyển dịch theo thời gian. Sự thay đổi tư thế cẳng tay khiến các nhóm cơ dịch chuyển vị trí thực tế so với cảm biến ban đầu. Ngoài ra, việc xử lý dữ liệu phức tạp đòi hỏi phần cứng có năng lực tính toán tương đối lớn. Các vi điều khiển nhúng thường sở hữu bộ nhớ RAM hạn chế và xung nhịp thấp. Bài toán cân bằng giữa kích thước mô hình học máy và tốc độ suy luận đặt ra thách thức lớn. Hệ thống bắt buộc phải phản hồi dưới 200 mili-giây để người dùng không cảm nhận thấy độ trễ.
2.1. Tác động của nhiễu sinh học và biến thiên biên độ điện thế
Biên độ điện cơ bề mặt rất nhạy cảm với các yếu tố ngoại cảnh. Nhiễu lưới điện công nghiệp 50 Hz dễ dàng xâm nhập vào các đường dây dẫn tín hiệu. Điện trở kháng tại vùng tiếp xúc giữa da và bản điện cực biến đổi liên tục do mồ hôi. Hiện tượng rung lắc cơ học trong quá trình vận động tạo ra các gai nhiễu lớn. Khi người dùng thao tác liên tục, các sợi cơ xuất hiện tình trạng mỏi mệt vật lý. Sự suy giảm năng lượng co cơ làm thay đổi đáng kể đặc tính tần số gốc. Dữ liệu thu thập vì thế thường xuyên bị lẫn tạp âm và mất tính ổn định. Hệ thống thu nhận buộc phải có tầng tiền khuếch đại vi sai chất lượng cao để khử nhiễu đồng pha.
2.2. Giới hạn tài nguyên phần cứng và bài toán độ trễ thời gian thực
Việc triển khai các mô hình học sâu lên vi điều khiển đặt ra nhiều bài toán nan giải. Thiết bị nhúng thường có dung lượng RAM và bộ nhớ flash rất hạn chế. Các mạng nơ-ron truyền thống chứa hàng triệu tham số không thể nạp trực tiếp vào bo mạch. Tốc độ xử lý của chip nhúng cũng hạn chế khả năng tính ma trận phức tạp. Thời gian trễ từ khi phát tín hiệu đến lúc cơ cấu di chuyển phải cực ngắn. Nếu thời gian vượt ngưỡng cho phép, người dùng sẽ cảm thấy cử động bị giật cục. Do đó, thuật toán phân loại cần tối giản cấu trúc mạng nơ-ron một cách khoa học. Kỹ thuật lượng tử hóa giúp mô hình đáp ứng tốt tiêu chuẩn thời gian thực.
III. Phương pháp thiết kế cánh tay nhân tạo bằng tín hiệu EMG tối ưu
Nhóm nghiên cứu tại ĐH SPKT TP.HCM xây dựng giải pháp tích hợp phần cứng và phần mềm đồng bộ. Tín hiệu điện cơ sau khi đo qua điện cực bề mặt được đưa qua mạch lọc phần cứng và bộ chuyển đổi ADC. Mạch lọc tương tự kết hợp lọc số giúp triệt tiêu nhiễu môi trường và ổn định dạng sóng. Giai đoạn tiền xử lý sử dụng kỹ thuật cửa sổ trượt (sliding window) để tăng cường mẫu dữ liệu huấn luyện. Dữ liệu làm sạch được phân tách thành ba tập riêng biệt gồm tập huấn luyện, kiểm tra và đánh giá. Mô hình mạng học sâu được tinh chỉnh kiến trúc để phù hợp với vi điều khiển Arduino Nano 33 BLE. Các kỹ thuật tối ưu hóa tham số giúp giảm thiểu dung lượng mô hình nhưng vẫn duy trì độ chính xác cao. Nhóm nghiên cứu đánh giá thuật toán thông qua ma trận nhầm lẫn (confusion matrix), đường cong ROC và chỉ số F1-score. Sau khi huấn luyện trên máy tính, mô hình được nhúng trực tiếp vào bo mạch điều khiển để vận hành động cơ servo.
3.1. Kỹ thuật lọc tín hiệu và tiền xử lý bằng cửa sổ trượt
Hệ thống kết hợp mạch lọc tương tự và giải thuật lọc số để nâng cao chất lượng tín hiệu. Mạch lọc phần cứng Op-Amp loại bỏ thành phần một chiều và khử nhiễu tần số 50 Hz. Tiếp theo, bộ chuyển đổi ADC tiến hành số hóa tín hiệu sinh học với tần số lấy mẫu đạt chuẩn y tế. Dữ liệu số tiếp tục đi qua thuật toán cửa sổ trượt để tăng số lượng mẫu dữ liệu đầu vào. Phương pháp trượt phân đoạn tín hiệu liên tục thành nhiều khung thời gian chồng lấn nhau. Cách tiếp cận này bảo toàn thông tin biến thiên động và tạo thêm nhiều mẫu huấn luyện phong phú. Dữ liệu được chuẩn hóa biên độ trước khi đưa vào các lớp tính toán học sâu.
3.2. Triển khai mô hình học sâu trên Arduino Nano 33 BLE
Mô hình mạng nơ-ron tích chập được thiết kế tinh gọn để cài đặt trực tiếp lên vi điều khiển. Nhóm nghiên cứu chủ động gia giảm số lượng lớp Convolution và Fully Connected Layer. Biện pháp này giúp tiết kiệm tối đa bộ nhớ đệm và tăng tốc độ suy luận. Quá trình huấn luyện thực hiện trên máy tính với ba tập dữ liệu độc lập. Mô hình tối ưu được chuyển đổi sang định dạng nhị phân nhẹ bằng TensorFlow Lite. Bo mạch Arduino Nano 33 BLE đảm nhận vai trò tính toán và xuất lệnh điều khiển động cơ servo. Hệ thống đạt độ chính xác phân loại ấn tượng trên 96% đối với các cử động mẫu. Nhờ đó, cánh tay cơ khí phản hồi chuẩn xác theo từng lệnh co cơ.
IV. Ứng dụng thực tế của cánh tay nhân tạo bằng tín hiệu EMG SPKT
Đề tài tốt nghiệp tại Đại học Sư phạm Kỹ thuật TP.HCM khẳng định tính khả thi cao của giải pháp tay giả sinh học thông minh. Sự kết hợp giữa cơ khí in 3D, cảm biến EMG và trí tuệ nhân tạo nhúng tạo nên hệ thống vận hành ổn định. Thiết bị hỗ trợ người tàn tật thực hiện các cử động cầm nắm đồ vật phục vụ sinh hoạt cá nhân. Độ trễ điều khiển ngắn đem lại cảm giác tự nhiên và thân thiện cho đối tượng sử dụng. Mô hình nghiên cứu này chứng minh tiềm năng to lớn trong việc sản xuất thiết bị y tế kỹ thuật cao tại thị trường nội địa. Giải pháp giúp giảm tải gánh nặng chi phí điều trị phục hồi cho các bệnh nhân có hoàn cảnh khó khăn. Trong tương lai, hệ thống có thể mở rộng khả năng nhận diện nhiều tư thế ngón tay phức tạp hơn. Việc nâng cấp cảm biến lực tiếp xúc sẽ hoàn thiện cơ chế phản hồi xúc giác cho người đeo. Nghiên cứu tạo tiền đề vững chắc cho việc ứng dụng công nghệ nhúng vào lĩnh vực kỹ thuật y sinh tại Việt Nam.
4.1. Hiệu năng phân loại và kết quả điều khiển thực nghiệm
Kết quả thực nghiệm trên nguyên mẫu cánh tay nhân tạo đạt độ chính xác phân loại cử động trên 96%. Mô hình học sâu xử lý dữ liệu ổn định và phân biệt rõ các trạng thái nắm mở bàn tay. Thời gian phản hồi của cánh tay cơ khí diễn ra gần như tức thì khi xuất hiện xung điện cơ. Độ trễ suy luận trên chip Arduino Nano 33 BLE đáp ứng hoàn toàn tiêu chuẩn thời gian thực. Động cơ điều khiển từng khớp ngón tay chuyển động dứt khoát và không bị rung lắc. Ma trận nhầm lẫn cho thấy sai số giữa các cử động tương đồng nằm trong phạm vi kiểm soát tốt. Thiết bị hoạt động ổn định trong nhiều phiên thử nghiệm liên tục.
4.2. Tiềm năng ứng dụng và định hướng cải tiến công nghệ y sinh
Công trình mở ra cơ hội thương mại hóa các dòng tay giả trợ lực chi phí hợp lý. Nhóm tác giả định hướng tích hợp thêm cảm biến áp lực màng mỏng tại đầu các ngón tay. Nâng cấp này giúp người sử dụng cảm nhận độ cứng và kích thước của vật thể khi cầm nắm. Ngoài ra, việc ứng dụng thuật toán học thích nghi sẽ giúp cánh tay tự hiệu chỉnh theo mức độ mỏi cơ. Thiết kế cơ khí có thể cải tiến bằng vật liệu sợi carbon để giảm trọng lượng khung xương. Các trung tâm chỉnh hình và phục hồi chức năng có thể ứng dụng nền tảng này vào quá trình trị liệu. Đề tài đóng góp thiết thực cho mục tiêu phát triển công nghệ y tế nước nhà.
