TỔNG QUAN
TÍNH CẤP THIẾT CỦA ĐỀ TÀI
Con người sử dụng tất cả các chi trong các hoạt động hàng ngày như đi lại, cầm nắm và ăn uống Tuy nhiên, không phải ai cũng có đủ các chi để hoạt động như bình thường; nhiều người bị mất chi do tai nạn hoặc chiến tranh, trong khi một số khác gặp vấn đề về cơ như yếu hoặc liệt cơ do bệnh tật hoặc bẩm sinh Những trường hợp này gặp khó khăn trong cuộc sống hàng ngày, ảnh hưởng đến cả tinh thần và thẩm mỹ Nhờ công nghệ tiên tiến, việc hỗ trợ cho người khuyết tật và chấn thương không còn khó khăn như trước Có nhiều phương pháp hỗ trợ, chủ yếu được chia thành hai loại: phương pháp thụ động và phương pháp chủ động.
Phương pháp thụ động là cách hỗ trợ sử dụng các chi giả không có khả năng điều khiển, mang lại ưu điểm về giá thành rẻ và tính thẩm mỹ cao Tuy nhiên, phương pháp này cũng gặp nhiều hạn chế trong khả năng di chuyển.
Chủ động là phương pháp hỗ trợ sử dụng các chi có khả năng tự hoạt động nhờ vào cơ cấu cơ khí và bộ điều khiển, mang lại ưu điểm vượt trội so với phương pháp thụ động nhờ vào khả năng hoạt động theo ý muốn của người sử dụng Tuy nhiên, phương pháp này cũng gặp phải nhược điểm như giá thành cao và khó khăn trong việc chế tạo chi giả hỗ trợ hoạt động một cách linh hoạt.
Hiện nay, các phương pháp hỗ trợ cho người bị khuyết tật và chấn thương chi đang được phát triển mạnh mẽ trên toàn thế giới Để điều khiển chi giả, nhiều loại cảm biến như load cell, cảm biến lực và cảm biến góc được sử dụng nhằm dự đoán chuyển động cơ thể Tuy nhiên, những cảm biến này gặp phải nhược điểm là độ trễ từ lúc cơ chuyển động đến khi động cơ chi giả hoạt động, gây cản trở chuyển động và đau đớn cho người sử dụng.
Trong những năm gần đây, EMG (điện cơ) đã được nghiên cứu và ứng dụng để dự đoán chuyển động cơ thể Một lợi thế quan trọng của phương pháp này là EMG có thể phát hiện trước chuyển động thực tế của các bó cơ tới 150ms, giúp loại bỏ độ trễ xuất hiện Điều này mang lại nhiều lợi ích tích cực cho những người bị thương tật trong các hoạt động hàng ngày.
Trong luận văn này, nhóm tác giả phát triển một hệ thống thu thập, xử lý, phân loại và nhận dạng tín hiệu EMG từ các bó cơ hỗ trợ chuyển động của ngón tay Hệ thống này cung cấp tín hiệu chuyển động cho găng tay trợ lực, giúp điều khiển và hỗ trợ lực cử động của ngón tay Nhờ đó, những người bị yếu cơ ngón tay có thể cầm nắm các vật dụng cơ bản một cách dễ dàng và thoải mái hơn.
Nhóm tác giả đã phát triển một hệ thống thu tín hiệu EMG với tốc độ 1000 mẫu trên giây cho mỗi kênh, sử dụng 5 kênh để nâng cao khả năng phân loại và nhận dạng Kết quả cho thấy hệ thống đạt tỷ lệ nhận dạng chuyển động của từng ngón tay lên tới 90% Đối với găng tay trợ lực, nhóm đã thiết kế và chế tạo bộ truyền động gồm 3 động cơ, mỗi động cơ điều khiển một ngón tay: ngón cái, ngón trỏ và ba ngón còn lại Các ngón tay được điều khiển co lại và giãn ra thông qua phương pháp kéo dây và cơ cấu đàn hồi Găng tay trợ lực có khả năng nắm giữ vật hình trụ với đường kính từ 5cm đến 10cm và trọng lượng tối đa khoảng 1kg Ngoài ra, nhóm cũng phát triển giao diện phần mềm để thu tín hiệu EMG, giám sát và điều khiển động cơ DC servo, cùng với việc gia công các mạch điện hỗ trợ.
MỤC TIÊU CỦA ĐỀ TÀI
Thiết kế, chế tạo găng tay phù hợp với đối tượng bị liệt cơ tay sau khi đã tham khảo các sản phẩm đã có sẵn trước đó.
Bộ truyền động được thiết kế với ba động cơ DC servo nhằm điều khiển riêng biệt các ngón tay, bao gồm ngón cái, ngón trỏ và ba ngón còn lại Yêu cầu quan trọng là bộ truyền động phải gọn nhẹ, di động và cung cấp đủ lực cho từng đối tượng Vị trí của từng động cơ phải được điều khiển chính xác, với sai số góc quay không vượt quá 10 độ Bộ điều khiển động cơ cần có kích thước nhỏ gọn để dễ dàng gắn lên hộp của bộ truyền động Hệ thống điều khiển cho phép lựa chọn giữa chế độ Manual, nơi người dùng điều khiển động cơ qua nút bấm và công tắc, và chế độ Auto, trong đó động cơ được điều khiển tự động thông qua tín hiệu từ máy tính.
Hệ thống thu thập và phân loại tín hiệu EMG được thiết kế để nhận diện cử động co cơ của 5 ngón tay riêng biệt Sau khi phân loại tín hiệu, máy tính sẽ gửi thông tin điều khiển đến bộ truyền động, giúp co ngón tay tương ứng với tín hiệu EMG đã được phân loại.
PHƯƠNG PHÁP NGHIÊN CỨU
Đề tài nghiên cứu kết hợp giữa phương pháp lý thuyết và thực nghiệm trên mô hình cụ thể như sau:
- Tìm kiếm, tổng hợp các tài liệu liên quan đến đề tài.
- Nghiên cứu về lý thuyết tín hiệu EMG, cách thu thập và xử lý tín hiệu.
- Tổng hợp tài liệu tính toán, thiết kế cơ cấu truyền động đảm bảo độ chính xác, tối ưu hóa chuyển động.
- Tìm hiểu về thuật toán điều khiển và các linh kiện phần cứng cần thiết cho bộ điều khiển.
- Thu thập tín hiệu bằng cảm biến trên tay người.
- Thiết kế bộ xử lý tín hiệu bằng phần mềm MATLAB và VISUAL STUDIO.
- Thiết kế, thi công bộ điều khiển cơ cấu chấp hành.
- Thiết kế, thi công cơ cấu chấp hành.
- Kết hợp 3 thành phần, chạy thử, thu số liệu, sửa lỗi.
- Tổng kết kết quả thực nhiệm, so sánh với yêu cầu đã đề ra.
ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU
1.4.1 Đối tượng nghiên cứu: Đối tượng nghiên cứu của luận án là thiết bị hỗ trợ người bị mất khả năng cầm nắm có ứng dụng tín hiệu EMG nhằm phân loại cử động của 5 ngón tay.
Phạm vi nghiên cứu là thu thập, xử lý và phân loại được tín hiệu điện cơ co bóp của
5 ngón tay trên bàn tay phải để điều khiển được cơ cấu chấp hành trợ lực bóp cho bàn tay đó.
NỘI DUNG NGHIÊN CỨU
- Tìm hiểu tín hiệu điện cơ trên cơ thể người và thiết bị thu tín hiệu điện cơ.
- Tìm hiểu cách thu tín hiệu điện cơ, xử lý và phân loại bằng phần mềm Matlab và Visual Studio.
- Thực hiện thu tín hiệu điện cơ, lọc nhiễu và phân loại tín hiệu.
- Tìm hiểu, sử dụng Raspberry Pi 3, Arduino, IC cầu H, IC nguồn, vv
- Thiết kế và thi công bộ điều khiển cơ cấu chấp hành.
- Thiết kế chương trình điều khiển và giám sát cơ cấu chấp hành bằng phần mềm Arduino IDE và Visual Studio.
- Chạy thử nghiệm mô hình.
- Đánh giá kết quả thực nghiệm.
BỐ CỤC LUẬN VĂN
- Chương 2: Cơ Sở Lý Thuyết.
- Chương 3: Thiết kế và thực hiện phần cứng
- Chương 5: Kết luận và hướng phát triển.
Chương này trình bày vấn đề dẫn nhập, lý do chọn đề tài, mục tiêu, nội dung nghiên cứu, các giới hạn và bố cục đồ án.
CƠ SỞ LÝ THUYẾT
GIỚI THIỆU CÁC CƠ CẤU HỖ TRỢ NGƯỜI KHUYẾT TẬT
2.1.1 ĐỐI TƯỢNG SỬ DỤNG
Những người bị mất khả năng bóp và cầm nắm do tai nạn hoặc hội chứng thần kinh thường gặp khó khăn trong việc điều khiển bàn tay, khiến các ngón tay luôn ở trạng thái thả lỏng Mặc dù cánh tay và cơ bắp vẫn hoạt động bình thường, họ không thể cầm nắm đồ vật, chỉ có thể đặt tay lên bề mặt Đối với những người yếu cơ bàn tay, một số có khả năng duỗi thẳng ngón tay nhưng không thể cầm nắm do các bó cơ co vào bị yếu Trong khi đó, một số khác lại không thể duỗi ngón tay do các bó cơ kéo ngón tay thẳng ra bị mất chức năng.
Đề tài này tập trung vào việc phát triển một cơ cấu hỗ trợ cho những người mất khả năng cầm nắm do tai nạn hoặc hội chứng ống cổ tay, giúp họ hoạt động như người bình thường Sáng kiến này nhằm cải thiện chất lượng cuộc sống của bệnh nhân, mang lại sự dễ dàng và thuận tiện trong sinh hoạt hàng ngày.
2.1.2 CÁC CƠ CẤU CHỦ ĐỘNG VÀ THỤ ĐỘNG
Có 2 cơ cấu chính để hỗ trợ người bị khuyết tật cơ bàn tay co nắm là chủ động và bị động, trong đó:
Chủ động sử dụng các cơ cấu chấp hành như động cơ, xy lanh hay cơ nhân tạo giúp cung cấp lực hỗ trợ trực tiếp cho người dùng, từ đó nâng cao khả năng cầm nắm và thao tác với các vật dụng.
- Cơ cấu bị động cũng có thể hỗ trợ người bị khuyết cơ bàn tay nhưng không hiệu quả bằng do không có cơ cấu chấp hành.
Hiện nay, nhiều quốc gia và trường đại học đang phát triển các cơ cấu hỗ trợ cho người bị tật bàn tay Các sản phẩm này cần đáp ứng các yêu cầu như nhẹ, dễ đeo và có lực bóp phù hợp Trong số đó, một số loại bao tay được làm từ vật liệu cứng, trong khi những loại khác sử dụng vật liệu dẻo Các sản phẩm tiêu biểu cho bao tay sử dụng vật liệu dẻo đang ngày càng được chú ý.
Thiết bị đeo tay sử dụng cơ nhân tạo, được phát triển bởi trường đại học Harvard, có thể hoạt động bằng điện hoặc khí nén Loại bao tay mềm này mang lại sự thoải mái cao cho người sử dụng trong thời gian dài Thiết bị được điều khiển bởi cảm biến nhận tín hiệu điện cơ sinh và hiện đang được cải tiến thêm tính năng để tối ưu hóa hiệu quả cho người dùng.
Hình 2.2: Thiêt bị đeo tay sử dụng cơ nhân tạo của học viện Wyss thuộc đại học Harvard
Thiết bị đeo tay hỗ trợ phục hồi chức năng sử dụng cơ cấu lò xo trượt 3 lớp, được phát triển bởi học viện kỹ thuật Nagoya, là một giải pháp mới so với các thiết bị hiện tại thường sử dụng dây kết nối hoặc điều khiển bằng khí nén Găng tay này hoạt động nhờ động cơ, giúp duỗi hoặc co các ngón tay một cách hiệu quả Với một bậc tự do và khối lượng nhẹ, thiết bị này rất phù hợp cho việc sử dụng tại nhà, đồng thời mang lại sự thoải mái cho người dùng.
Hình 2.3: Thiết bị ExoSkeleton hỗ trợ phục hồi chức năng sử dụng cơ chế lò xo trượt 3 lớp
Hình 2.4: Exo-Glove Poly của trường đại học quốc gia Seoul (Hàn Quốc)
Bao tay Exo-Glove Poly được phát triển bởi trường đại học quốc gia Seoul, Hàn Quốc, sử dụng cơ cấu kéo bằng dây và có tính năng cơ động cao Thiết bị này chỉ sử dụng ba ngón tay, với ngón cái được cố định và bộ truyền động điều khiển co và nhả ra cho ngón trỏ và ngón giữa Hộp chứa bộ truyền động được gắn trên hông người sử dụng, kết nối với bàn tay qua dây kéo Người dùng có thể điều khiển thiết bị bằng nút nhấn, cho phép họ dễ dàng co bàn tay khi cần thiết.
Các ưu và nhược điểm của cơ cấu chủ động:
Ưu điểm của hệ thống này là nhờ vào cơ cấu chấp hành hỗ trợ lực, cho phép người dùng điều khiển và điều chỉnh qua nhiều phương pháp khác nhau Các phương pháp này bao gồm nút đạp chân, cảm biến quang trên đầu ngón tay, cùng với các phương pháp số hóa như điện cơ, sóng não và giọng nói.
• Nhược điểm : Giá thành cao, chi phí và thời gian nghiên cứu, cơ cấu đôi khi rườm rà và gây bất tiện cho người sử dụng.
Các cơ cấu bị động đã tồn tại từ lâu trong lịch sử loài người, với những thiết bị hỗ trợ từng chỉ thực hiện được ít tính năng hoặc chỉ mang tính thẩm mỹ Hiện nay, vẫn có các găng tay mềm sử dụng cơ cấu bị động, điển hình là găng tay SaeboGlove, được thiết kế với dây đàn hồi giúp hỗ trợ người bị mất khả năng duỗi bàn tay.
• Ưu điểm: Giá thành phải chăng, độ thẩm mỹ cao
• Nhược điểm: ít linh hoạt hơn so với cơ cấu chủ động.
Hình 2.5: SaeboGlove, sản phẩm thương mại của Công ty Saebo.
Hình 2.6: Sản phẩm hỗ trợ khác của Công ty Saebo
2.1.3 LỰA CHỌN PHƯƠNG ÁN THIẾT KẾ BAO TAY
Các thiết kế cơ bản dành cho người bị tật bàn tay chủ yếu bao gồm cơ nhân tạo bằng khí nén, cơ cấu thanh và dây kéo Tại Việt Nam, cơ nhân tạo, dù là bằng khí nén hay điện, rất hiếm và khó mua Cơ cấu thanh có thể gây khó chịu và thiếu linh hoạt cho người sử dụng Do đó, nhóm thực hiện đồ án đã chọn phương án sử dụng cơ cấu dây, với nhiều lý do hợp lý cho sự lựa chọn này.
- Có thể sử dụng nhiều loại dây khác nhau phù hợp với vật liệu làm bao tay.
- Thiết bị truyền động có thể để ở vị trí cách xa so với bao tay mà không cần gắn lên bàn tay người bị tật.
- Gọn nhẹ, tạo cảm giác thoải mái hơn cho người sử dụng.
2.1.4 CÁC CƠ CẤU TRUYỀN ĐỘNG CHO GĂNG TAY MỀM:
Có nhiều bộ truyền động cho loại bao tay hỗ trợ này được phát triển bởi các nhóm nghiên cứu quốc tế, nhưng phổ biến nhất là việc sử dụng cơ cấu kéo dây.
Một số bộ truyền động kéo dây :
Hình 2.7: Một phiên bản găng tay và cơ cấu trợ lực đi kèm
Cơ cấu khép kín trong hình 2.7 sử dụng một rulo kéo dây, tích hợp chức năng co và nhả nhờ vào bộ truyền động với các bạc đạn một chiều và ròng rọc, tạo lực căng dây như mô tả trong hình 2.8.
Hình 2.8: Một phiên bản cơ cấu khép kín và nguyên lý kéo dây của
Project Exo-Glove Poly (Đại Học Seoul).
Tác giả đã phát triển một cơ cấu truyền động độc lập với chức năng co và nhả, bao gồm hai động cơ: một động cơ kéo dây co và một động cơ kéo dây nhả Hai động cơ này được điều khiển đồng bộ để thực hiện hoạt động co duỗi của một ngón tay, trong đó ngón tay được hỗ trợ lực bởi cả hai động cơ.
Cơ cấu kéo dây của bao tay Exo-Glove Poly cho phép người sử dụng co và duỗi ngón tay một cách dễ dàng chỉ bằng dây, không cần đến bất kỳ cơ cấu hỗ trợ nào khác.
Hình 2.9: Mô tả bộ truyền động kéo dây độc lập của Project Exo-Glove Poly (Đại Học
Hình 2.10: Phiên bản cơ cấu độc lập và nguyên lý kéo dây của Project
Exo-Glove Poly (Đại Học Seoul)
Hình 2.11: Cơ cấu và nguyên lý kéo dây của Đại học Drexel
ĐIỀU KHIỂN CƠ CẤU TRUYỀN ĐỘNG BẰNG ĐỘNG CƠ DC SERVO 13 2.3 TỔNG QUAN VỀ TÍN HIỆU EMG
Động cơ DC servo được ứng dụng rộng rãi trong đời sống và sản xuất nhờ vào những tính năng vượt trội như khả năng điều chỉnh tốc độ chính xác và quay đúng góc độ yêu cầu Có hai loại điều khiển chính của động cơ DC servo là điều khiển vị trí và điều khiển vận tốc Nhóm nghiên cứu đã chọn điều khiển vị trí động cơ DC servo vì tính phù hợp với việc điều khiển hành trình của các ngón tay Việc điều khiển vị trí động cơ DC servo có thể được thực hiện thông qua Arduino.
Hình 2.12: Sơ đồ khối của bộ điều khiển PID
Phương trình toán học của bộ điều khiển PID:
Bộ điều khiển PID thực hiện tính toán tín hiệu đầu ra khi nhận được tín hiệu sai số đầu vào Như vậy, ở bước thứ ℎ , ta có:
• Khâu I (phương pháp Trapezoidal approximation):
Chế độ đọc encoder của động cơ DC servo được thực hiện bằng chế độ đọc x1.
2.3 TỔNG QUAN VỀ TÍN HIỆU EMG
Hệ thần kinh đóng vai trò quan trọng trong mọi hoạt động của chúng ta, điều khiển các hành động thông qua việc truyền tải thông tin từ các tế bào thần kinh (neuron) đến các bó cơ và tuyến trong cơ thể Hệ thần kinh được chia thành hai phần: bộ phận trung ương, bao gồm não và tủy sống, nơi xử lý mọi thông tin, và bộ phận ngoại biên, bao gồm các dây thần kinh và hạch thần kinh Neuron cảm giác giúp chúng ta nhận biết các giác quan như khứu giác, vị giác và thính giác, trong khi neuron vận động truyền tải thông tin từ hệ thần kinh đến các cơ, cho phép chúng ta di chuyển và thực hiện các hành động như cầm nắm.
Một motor unit bao gồm một neuron vận động và các cơ xương liên kết Khi hệ thần kinh kích thích, neuron này phát xung điện dọc theo sợi trục xuống các sợi cơ, gây ra sự co cơ Xung điện được truyền qua sợi trục neuron nhờ quá trình khử cực, trong đó các ion trao đổi qua màng tế bào tạo ra một trường điện từ xung quanh sợi cơ, được gọi là motor unit action potential.
Các motor unit khác nhau có số lượng sợi cơ khác nhau, với các cơ lớn thường kết nối nhiều sợi cơ hơn so với các cơ nhỏ Chẳng hạn, cơ tay cần nhiều sợi cơ hơn để cầm nắm vật nặng so với cơ mắt Hơn nữa, cơ thể có khả năng điều chỉnh lực co dựa vào số lượng neuron vận động được kích thích; khi cầm một cây bút, số lượng neuron kích thích sẽ ít hơn so với khi cầm một quả tạ Do đó, tín hiệu điện của bó cơ sẽ lớn hơn khi cầm vật nặng so với vật nhẹ.
EMG, hay điện cơ đồ, là nghiên cứu tín hiệu điện phát ra từ cơ bắp Tín hiệu EMG được thu thập từ bề mặt da thông qua điện thế xung lực của các sợi cơ Loại tín hiệu này chịu ảnh hưởng bởi cường độ và độ dài co cơ, trạng thái co cơ, mức độ mỏi cơ cũng như sự hiện diện của mồ hôi trên da.
Tín hiệu EMG có hai đặc tính chính là biên độ và tần số Biên độ của tín hiệu EMG thường dao động trong khoảng từ 0-10 mV (±5), trong khi tần số của nó nằm trong khoảng từ 0Hz đến 500Hz Tuy nhiên, vùng tần số chủ yếu mang tín hiệu của EMG thường nằm trong khoảng từ 20Hz đến 500Hz.
THU THẬP VÀ PHÂN TÍCH DỮ LIỆU EMG
Tín hiệu EMG cung cấp thông tin quan trọng để nghiên cứu lực tạo ra trong các bó cơ và xác định bó cơ nào được sử dụng cho các chuyển động của cơ thể Để thu thập thông tin này, cần phải trích xuất các đặc trưng phù hợp từ tín hiệu thu được Quy trình chung để thu thập và xử lý tín hiệu thường bao gồm ba giai đoạn: thu tín hiệu, ổn định tín hiệu điều khiển và xử lý tín hiệu.
Hình 2.13: Quy trình thu thập và xử lý tín hiệu EMG
Khi cơ thể chúng ta cử động, sự co cơ tạo ra dòng điện gần bề mặt da Điều này cho phép chúng ta đặt điện cực lên da để thu nhận tín hiệu điện, được gọi là tín hiệu EMG ngoài da Tín hiệu này phản ánh tổng hợp các potential hành động của nhiều đơn vị vận động đang hoạt động để điều khiển sự co cơ.
Để tăng cường lực tác động của bó cơ, cơ thể sử dụng nhiều motor unit hơn Bằng cách sử dụng điện cực đặt trên bề mặt da của bó cơ, chúng ta có thể thu thập tín hiệu từ các motor unit đang hoạt động Sự thay đổi về số lượng motor unit tương ứng với lực tác động lên bó cơ sẽ dẫn đến sự khác biệt về hình dạng và biên độ của tín hiệu EMG Khi không có lực tác động, tín hiệu EMG sẽ duy trì hằng số, miễn là không có sự thay đổi về vị trí điện cực, đặc điểm của điện cực, hoặc các yếu tố lớn ảnh hưởng đến mô cơ.
Đã có nhiều nghiên cứu về điện cực và vị trí đặt điện cực phù hợp Hầu hết các nghiên cứu chỉ ra rằng vị trí lý tưởng để đặt điện cực là bụng của bó cơ, nơi dày nhất, khu vực kết nối với neuron vận động và chính giữa bó cơ Những vị trí này thường trùng với khu vực phân bố dây thần kinh, ảnh hưởng đến các đặc điểm của tín hiệu EMG, bao gồm cả đặc tính tần số.
Sự ổn định khi thu thập dữ liệu EMG bị ảnh hưởng bởi nhiều yếu tố, bao gồm tác động từ các bó cơ xung quanh, vị trí của sợi cơ, đặc tính lọc của điện cực, và phân bố dây thần kinh Để cải thiện độ chính xác, nghiên cứu trước đây khuyến nghị sử dụng hai điện cực đặt dọc theo bó cơ với khoảng cách 20mm từ tâm của chúng Ngoài ra, việc thêm một điện cực tham khảo trên các mô trung tính (cấu trúc xương) cũng rất quan trọng để cung cấp điện áp tham khảo cho bộ khuếch đại.
Khi thực hiện thu tín hiệu EMG trên bề mặt da, cần chú ý rằng điện cực không đính chặt có thể gây nhiễu tín hiệu thu được Sử dụng điện cực có trở kháng cao cũng làm giảm biên độ tín hiệu và tạo ra nhiễu dạng sóng EMG Để đảm bảo độ chính xác, cần áp dụng lực giữ chặt điện cực và sử dụng gel dẫn điện giữa bề mặt điện cực và da nhằm giảm nhiễu và tăng khả năng dẫn điện Cuối cùng, việc lau bề mặt da bằng cồn trước khi đo tín hiệu là cần thiết để cải thiện độ dẫn điện và thu thập dữ liệu hiệu quả hơn.
Sau khi đã tìm hiểu về các bước chuẩn bị và vị trí đặt điện cực, chúng ta sẽ chuyển sang phần ổn định tín hiệu Tín hiệu từ điện cực sẽ được gửi vào bộ ổn định tín hiệu, có nhiệm vụ thu thập tín hiệu tương tự để đảm bảo đáp ứng các yêu cầu cho giai đoạn xử lý tín hiệu tiếp theo.
Trong quá trình thu tín hiệu EMG, bộ khuếch đại của điện cực được thiết kế để giảm trở kháng giữa điện cực và da, nhưng để có tín hiệu tốt hơn, cần sử dụng bộ ổn định tín hiệu Các phương pháp ổn định tín hiệu bao gồm khuếch đại và lọc nhiễu Bộ ổn định có nhiệm vụ khuếch đại tín hiệu thu được sao cho phù hợp với các thông số kỹ thuật của nó, ví dụ như đối với ADS1293, tín hiệu đầu vào có điện áp tối đa và tối thiểu là ±400, sử dụng bộ khuếch đại 3.5 lần, tín hiệu ra có điện áp tối đa và tối thiểu ±1.4 Sau đó, tín hiệu được lọc nhiễu để giảm thiểu ảnh hưởng từ các chuyển động của cơ thể và điện cực, cũng như giảm nhiễu từ các tác nhân bên ngoài.
Khi thu thập dữ liệu EMG, cần chú ý đến nhiễu từ dòng điện xoay chiều, đặc biệt là ở Việt Nam với tần số dao động 50Hz Nếu không loại bỏ nhiễu này, tín hiệu thu được sẽ bị ảnh hưởng đáng kể.
Việc rửa sạch vùng da bằng cồn có thể giúp giảm thiểu ảnh hưởng của dòng điện, bao gồm cả những tín hiệu sai lệch dao động trong khoảng 50Hz.
Xử lý tín hiệu là bước quan trọng sau khi thu thập tín hiệu EMG, cho phép điều khiển các thiết bị như chi giả hoặc xe Tuy nhiên, tín hiệu thô không thể sử dụng trực tiếp do tính ngẫu nhiên của nó Để khai thác tín hiệu này, cần lấy mẫu EMG và phân tích theo nhiều phương pháp khác nhau nhằm xác định các đặc trưng phù hợp Phần này sẽ trình bày quá trình trích xuất đặc trưng và ứng dụng của chúng trong việc xử lý tín hiệu EMG.
Tín hiệu EMG bao gồm hai trạng thái chính: trạng thái nghỉ khi cơ được thả lỏng và trạng thái tác động khi cơ co lại Việc phân đoạn tín hiệu cho phép tách biệt các đoạn tín hiệu ở trạng thái nghỉ, giữ lại chỉ những đoạn tín hiệu khi cơ đang hoạt động Điều này giúp loại bỏ nhiễu từ các tín hiệu bên ngoài, đảm bảo rằng chỉ những tín hiệu quan trọng được giữ lại trong quá trình phân tích.
Khi thực hiện co cơ, tín hiệu EMG có hai trạng thái: tác động và nghỉ Tín hiệu ở trạng thái tác động được chia thành các đoạn có kích thước bằng nhau và không chồng chéo, với kích thước này cần được lựa chọn phù hợp cho từng nghiên cứu về các cử động khác nhau Việc chọn kích thước thích hợp giúp giảm thiểu lượng tín hiệu dư thừa hoặc thiếu hụt, từ đó nâng cao độ chính xác của các đặc trưng được trích xuất, góp phần cải thiện kết quả phân loại tín hiệu.
Giai đoạn tiếp theo trong xử lý tín hiệu EMG là lọc nhiễu bằng bộ lọc số Tín hiệu thu được sau khi ổn định đã được lọc để giảm thiểu ảnh hưởng từ các tác động bên ngoài Sau hai giai đoạn này, tín hiệu nằm trong dải tần số cho phép của thiết bị thu, từ 0 đến 1067 Hz Tuy nhiên, tín hiệu vẫn chưa thể trích xuất các đặc trưng do bị ảnh hưởng bởi nhiều loại nhiễu, như sự thay đổi khoảng cách giữa điện cực và bó cơ hay ma sát giữa da và điện cực Do đó, việc sử dụng bộ lọc số là cần thiết để giảm thiểu các tác nhân ảnh hưởng này.
Dải tần số liên quan đến EMG thường nằm trong khoảng 20 – 500Hz, do đó cần loại bỏ các tần số ngoài khoảng này Để đạt được mục tiêu này, nhóm nghiên cứu sử dụng bộ lọc thông cao với tần số cắt 20Hz và bộ lọc thông thấp với tần số cắt 500Hz Bộ lọc được chọn là Butterworth nhằm đảm bảo đáp ứng tần số phẳng tối đa.
Với: là tần số phản hồi, là bậc của bộ lọc, là tần số cắt và là tần số tương tự
PHÂN LOẠI TÍN HIỆU BẰNG NEURAL NETWORK
Các đặc trưng được trích xuất từ tín hiệu EMG sẽ được sử dụng để phân loại cho nhiều mục đích khác nhau, với việc phân loại này được thực hiện tự động bởi máy tính Để máy tính có khả năng tự phân loại, cần áp dụng machine learning, một công cụ cho phép máy tính đưa ra quyết định dựa trên kinh nghiệm đã được huấn luyện trước đó Các thuật toán machine learning sử dụng các phương pháp tính toán để "học" thông tin trực tiếp từ dữ liệu mà không cần dựa vào các phương trình toán học Hiệu suất của các thuật toán này sẽ được cải thiện khi số lượng mẫu phù hợp cho việc học tăng lên.
Machine learning được chia thành hai loại kỹ thuật chính: supervised learning và unsupervised learning Unsupervised learning nhóm và giải thích dữ liệu chỉ dựa vào tín hiệu đầu vào, trong khi supervised learning sử dụng cả dữ liệu đầu vào và đầu ra để dự đoán tương lai Việc lựa chọn kỹ thuật phù hợp phụ thuộc vào từng điều kiện cụ thể Nhóm thực hiện đề tài này nhằm phân biệt cử động co của từng ngón tay, do đó đã chọn kỹ thuật supervised learning để phân loại cử động này Khi áp dụng kỹ thuật này, cần xác định rõ dữ liệu đầu vào và đầu ra; trong luận văn này, dữ liệu đầu vào là các giá trị feature được trích xuất từ tín hiệu EMG, còn dữ liệu đầu ra là các ngón tay thực hiện co tương ứng với dữ liệu đầu vào.
Khi áp dụng phân loại dữ liệu bằng phương pháp học có giám sát, có nhiều kỹ thuật khác nhau như Nearest Neighbor, Phân tích phân biệt, Support Vector Machines và mạng nơ-ron Trong nghiên cứu này, nhóm quyết định chọn phương pháp mạng nơ-ron để thực hiện phân loại đối tượng.
Hình 2.16: Sơ đồ các thuật toán cho từng ứng dụng riêng của Machine Learning
2.5.1 NEURAL NETWORK CƠ BẢN Đầu tiên khi tìm hiểu về mạng neuron nhân tạo (ANN - Artificial neural network), ta cần biết về một mạng neuron đơn giản chỉ bao gồm một đầu vào và một đầu ra. Có ba giai đoạn diễn ra trong mạng neuron này [7] Đầu tiên, giá trị đầu vào được nhân với trọng số để tạo thành trọng số đầu vào Thứ hai, trọng số đầu vào này được cộng thêm một giá trị bias b để tạo thành mạng đầu vào (net input) Và cuối cùng, mạng đầu vào này được đưa qua một hàm truyền để tạo thành giá trị đầu ra Các tham số và có thể tinh chỉnh được nhờ vào việc train mạng neuron để thực hiện một công việc cụ thể.
Hình 2.17: neural network cơ bản
Hàm truyền có nhiều loại, trong đó hàm truyền tuyến tính (Linear Transfer Function) thường được sử dụng ở lớp cuối cùng của mạng đa lớp và đóng vai trò như hàm xấp xỉ.
Hàm truyền Log-Sigmoid chuyển đổi đầu vào từ khoảng giá trị âm vô cùng đến dương vô cùng thành giá trị trong khoảng từ 0 đến 1 Tương tự, hàm truyền Tan-Sigmoid cũng thực hiện chuyển đổi nhưng giá trị đầu ra nằm trong khoảng từ -1 đến 1.
Hình 2.20: Hàm truyền tansig Công thức của hàm tansig và hàm logsig: tansig(n) = logsig(n)
Hàm truyền Softmax cũng trả các giá trị nằm trong khoảng từ 0 đến 1, tuy nhiên vẫn giữ nguyên các mối quan hệ kích thước của chúng.
Mạng neuron cơ bản có nhiều đầu vào dưới dạng vector, trong đó mỗi phần tử đầu vào được nhân với trọng số tương ứng Đầu vào của mạng được xác định bằng tổng các trọng số và bias Cuối cùng, giá trị đầu ra được tính toán thông qua hàm truyền.
Hình 2.22: Sơ đồ của neuron network cơ bản với nhiều giá trị đầu vào
2.5.2 NEURAL NETWORK VỚI MỘT LỚP
Sơ đồ neural network một lớp bao gồm phần tử đầu vào và neuron như sau:
Hình 2.23: Neuron network một lớp
Trong mạng này, mỗi phần tử của vector đầu vào được kết nối với từng neuron đầu vào qua ma trận trọng số Nhiệm vụ của neuron là cộng tất cả các trọng số đầu vào và bias để tạo thành đầu ra Các đầu ra khác nhau được kết hợp để hình thành một mạng vector đầu vào phần tử Cuối cùng, các đầu ra của lớp neuron tạo thành vector cột, như được thể hiện trong hình 2.24.
Số lượng đầu vào không nhất thiết phải bằng số lượng neuron trong một lớp Một lớp có thể hoạt động mà không bị ràng buộc bởi sự tương đồng giữa số lượng đầu vào và neuron.
Các giá trị được thể hiện trong hình 2.24:
Hình 2.24: Neuron network một lớp và các giá trị đầu ra
2.5.3 NEURAL NETWORK VỚI NHIỀU LỚP
Một mạng neuron có thể có nhiều lớp, mỗi lớp đều có một ma trận trọng số , một vector bias và một vector đầu ra (hình 2.25).
Mạng neuron có cấu trúc với một đầu vào, một neuron trong lớp thứ nhất, và hai neuron trong lớp thứ hai, với mỗi lớp có thể chứa số lượng neuron khác nhau Giá trị bias được thiết lập bằng 1 cho mỗi neuron Đầu vào của lớp tiếp theo là đầu ra của lớp trước, cho phép lớp thứ hai được xem như một mạng neuron đơn lớp với một đầu vào, hai neuron và ma trận trọng số 1 × 2 Tất cả các vector và ma trận của lớp thứ hai đã được xác định, cho phép lớp này được xử lý như một mạng neuron đơn lớp Qua đó, ta có thể thiết lập một mạng neuron với số lượng lớp tùy ý.
Hình 2.25: Neuron network nhiều lớp
Mạng neuron đa lớp bao gồm một lớp đầu ra và nhiều lớp ẩn Trong một mạng neuron ba lớp, lớp cuối cùng được gọi là lớp đầu ra, trong khi hai lớp còn lại được gọi là lớp ẩn Mô hình này giúp xử lý và phân tích dữ liệu hiệu quả hơn.
Mạng đa lớp có khả năng mạnh mẽ, chẳng hạn như mạng hai lớp với lớp đầu tiên sử dụng hàm sigmoid và lớp thứ hai áp dụng hàm tuyến tính, có thể huấn luyện gần như bất kỳ hàm số nào một cách hiệu quả.
2.5.4 TRAINING MẠNG NEURON NHÂN TẠO Để có thể train được mạng neuron nhân tạo, ta chú ý đến các trọng số Các trọng số này có thể tinh chỉnh trong quá trình train dựa vào phương pháp back-propagation training Trong quá trình train, một tập các giá trị mẫu được cho trước.
Mỗi giá trị mẫu được biểu diễn dưới dạng vector đầu vào và liên kết với vector đầu ra mong muốn Phương pháp huấn luyện back-propagation sử dụng kỹ thuật so sánh giữa giá trị đầu ra của mạng neuron và giá trị đầu ra mong muốn để tính toán sai số Sau đó, các trọng số liên quan được điều chỉnh nhằm giảm thiểu sai số trong các lần xử lý tiếp theo, giúp giá trị đầu ra gần hơn với giá trị mong muốn Quá trình này tiếp tục cho đến khi đạt được sai số tối thiểu hoặc hoàn thành số lượng epoch đã định.
Tối ưu hóa việc học cho mạng neuron liên quan đến việc tìm giá trị nhỏ nhất của hàm tổng các sai số, hàm này phụ thuộc vào trọng số của mạng Nhiều thuật toán huấn luyện dựa trên gradient descent, một lý thuyết tối ưu hóa, nhưng thường có tốc độ hội tụ chậm và phụ thuộc vào các thông số do người dùng thiết lập Giá trị của các thông số này có ảnh hưởng lớn đến hiệu quả của thuật toán Chẳng hạn, thuật toán back-propagation tiêu chuẩn xử lý chậm các vấn đề quy mô lớn và sự thành công của nó phụ thuộc nhiều vào learning rate do người dùng chỉ định.
Thuật toán Scaled Conjugate Gradient (SCG) biểu thị phép tính xấp xỉ bậc hai của sai số E trong vùng lân cận của một điểm w:
()=()+ ′ () + Để có thể xác định được giá trị nhỏ nhất của của ( ) Các điểm cực trị là nghiệm của
( ), ta phải xác định các cực trị hệ tuyến tính được định nghĩa bởi
