Luận văn thạc sĩ Vật lý kỹ thuật: Nhận diện cử chỉ tay dựa trên trở kháng sinh học

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

-o0o -

THÂN HẢI NHẬT MINH

NHẬN DIỆN CỬ CHỈ TAY DỰA TRÊN TRỞ KHÁNG SINH HỌC

Chuyên ngành: Vật lý kỹ thuật Mã số: 8520401

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 7 năm 2023

Công trình được hoàn thành tại: Trường Đại học Bách Khoa – ĐHQG-HCM

Cán bộ hướng dẫn khoa học 1: TS Nguyễn Trung Hậu (Ghi rõ họ, tên, học hàm, học vị và chữ ký)

Cán bộ hướng dẫn khoa học 2: PGS TS Huỳnh Quang Linh (Ghi rõ họ, tên, học hàm, học vị và chữ ký)

Cán bộ chấm nhận xét 1: TS Nguyễn Thế Thường (Ghi rõ họ, tên, học hàm, học vị và chữ ký)

Cán bộ chấm nhận xét 2: TS Mai Hữu Xuân (Ghi rõ họ, tên, học hàm, học vị và chữ ký)

Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 9 tháng 7 năm 2023

Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:

(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ) 1 Chủ tịch: TS Lý Anh Tú

2 Thư ký: TS Nguyễn Xuân Thanh Trâm 3 Phản biện 1: TS Nguyễn Thế Thường 4 Phản biện 2: TS Mai Hữu Xuân 5 Ủy viên: TS Lưu Gia Thiện

Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có)

CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA KHOA HỌC ỨNG DỤNG

i ĐẠI HỌC QUỐC GIA TP.HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự do - Hạnh phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: Thân Hải Nhật Minh MSHV: 2070384 Ngày, tháng, năm sinh: 02/02/1997 Nơi sinh: TP.HCM

I TÊN ĐỀ TÀI: Nhận diện cử chỉ tay dựa trên trở kháng sinh học

Bio-impedance based hand gesture recognition

NHIỆM VỤ VÀ NỘI DUNG:

- Tìm hiểu các phương pháp nhận dạng cử chỉ tay theo thời gian thực

- Tìm hiểu cảm biến đo trở kháng, tìm hiểu IC AD5933, và các bài báo sử nhận dạng cử chỉ tay bằng trở kháng sinh học

- Thiết kế thiết bị đo trở kháng sinh học dựa trên IC AD5933

- Thu thập dữ liệu trở kháng và huấn luyện tạo mô hình học máy để nhận dạng cử chỉ tay theo thời gian thực

- Đánh giá kết quả và đưa ra kết luận về độ chính xác và tính hiệu quả

II NGÀY GIAO NHIỆM VỤ: 06/02/2023

III NGÀY HOÀN THÀNH NHIỆM VỤ: 12/06/2023

IV CÁN BỘ HƯỚNG DẪN: TS Nguyễn Trung Hậu, PGS TS Huỳnh Quang Linh

ii

LỜI CẢM ƠN

Trước hết, tôi muốn bày tỏ lòng biết ơn chân thành và sâu sắc nhất đến thầy hướng dẫn của tôi - TS Nguyễn Trung Hậu, người đã hỗ trợ tôi không chỉ trong công việc học thuật, các tài liệu cần thiết, kỹ thuật và hướng dẫn trong quá trình làm luận văn, mà còn giúp đỡ và chỉ dạy tôi rất nhiều suốt quá trình bằng cách đưa ra những lời khuyên hữu ích và động viên để hoàn thành dự án này

Tôi cũng muốn gửi lời cảm ơn đặc biệt đến những nghiên cứu viên cùng tôi trong lĩnh vực đo trở kháng, đã chia sẻ với tôi các tài liệu, linh kiện và kinh nghiệm đáng giá, cũng như đề xuất về những gì chúng tôi cần để phát triển sản phẩm này, điều mà tôi nghĩ là rất hữu ích đối với mình

Lời biết ơn của tôi cũng được gửi đến thầy Lê Cao Đăng và các thành viên của phòng thí nghiệm B4-202 tại trường Đại học Bách Khoa HCM Họ đều rất thân thiện và nhiệt tình, cung cấp cho tôi một số giải pháp sáng tạo cho thiết kế hệ thống của tôi, cũng như đã cho phép và chỉ dẫn tôi sử dụng các thiết bị tại phòng thí nghiệm của mình

Cuối cùng nhưng không kém quan trọng, tôi cũng muốn cảm ơn gia đình và bạn bè của tôi vì đã mang đến cho tôi sự hỗ trợ và động viên tinh thần của họ xuyên suốt thời gian thực hiện luận văn này.

iii

TÓM TẮT

Ngày nay, việc nhận dạng cử chỉ tay đang nhận được nhiều sự quan tâm trong các lĩnh vực khác nhau, từ công nghiệp đến giáo dục và chăm sóc sức khỏe Gần 7% dân số Việt Nam từ 2 tuổi trở lên bị điếc hoặc nghe kém, nhưng xã hội chưa thật sự chú trọng đến họ Do đó, nghiên cứu này tập trung vào việc nhận dạng cử chỉ tay nhằm hỗ trợ những người câm điếc, giúp con người giao tiếp tốt hơn với nhau Đó là một nhiệm vụ quan trọng trong chăm sóc sức khỏe tiên tiến ngày nay - nâng cao chất lượng sống Nghiên cứu này phát triển một hệ thống sử dụng cảm biến trở kháng Đây là một phương pháp mới để thu thập cử chỉ tay theo thời gian thực và phân loại chúng dựa trên học máy Hệ thống được hoàn thành là một thiết bị nhận dạng cử chỉ tay theo thời gian thực, được vận hành bởi Raspberry Pi 4 Model B kết nối với một bộ điện cực để thu nhận dữ liệu trở kháng từ tay người AD5933 được chọn làm cảm biến trở kháng cho hệ thống này vì nó là một vi mạch đo trở kháng có độ chính xác cao, bao gồm một bộ phát tần số, một bộ chuyển đổi tín hiệu digital sang analog, một bộ xử lý tín hiệu digital, một bộ chuyển đổi analog sang digital và một mạch hỗ trợ tích hợp, tất cả trên một vi mạch duy nhất Một kỹ thuật học sâu sử dụng Convolutional Neural Network được xây dựng để phân loại cử chỉ tay từ dữ liệu trở kháng được thu thập và nạp lên Raspberry Pi để nhận dạng cử chỉ tay theo thời gian thực Độ chính xác của mô hình đạt được 92%, một kết quả tốt để đánh giá phương pháp sử dụng cảm biến trở kháng dùng cho việc nhận dạng cử chỉ tay Số mẫu kiểm tra cuối cùng của luận văn này quá ít để phân tích thống kê, nhưng dự án này mang lại kết quả đủ tốt để có thể được sử dụng trong các phát triển tương lai về giao tiếp phi ngôn ngữ giữa con người với con người hoặc con người với máy móc

Từ khóa: hand gesture recognition, impedance, impedance sensor, AD5933,

real time, machine learning, deep learning, Raspberry Pi

iv

ABSTRACT

Nowadays, hand gesture recognition is receiving much attention in various fields, from industry to education and healthcare Nearly 7% of the Vietnam's total population aged 2 years and older are either deaf or have significant hearing problem, yet society does not give them adequate attention Hence, this study is focused on recognizing hand gestures for aiding deaf and mute individuals for better understanding between human to human, an important task in advanced healthcare nowadays – enhancement of the living quality In this study, a system was developed using impedance sensor, a new method for capturing real-time hand gestures and categorizing them based on machine learning The final system is a real-time hand gesture recognizing device, powered and operated by a Raspberry Pi 4 Model B that connected to a set of electrodes for receiving impedance data from human hands AD5933 was chosen as the impedance sensor for this system since it is a high-precision-electrode impedance measuring chip that includes a frequency generator, a digital-to-analog converter, a digital signal processor, an analog-to-digital converter, and an integrated support circuit all on one chip A deep learning technique utilizing Convolutional Neural Network was built to classify hand gestures from impedance data collected and loaded onto the Raspberry Pi for real-time recognizing hand gestures The accuracy of the machine learning model was at 92%, a good result for evaluating the approach of using impedance sensor for hand-gesture recognition ability The final testing samples were too low to statistically analyze, but this project provided a good enough result that could still be further used for any future development on nonverbal communication between human to human or human to machine

Keywords: hand gesture recognition, impedance, impedance sensor,

AD5933, real time, machine learning, deep learning, Raspberry Pi

2.1 Các loại cảm biến nhận diện cử chỉ tay 5

2.1.1 Cảm biến tiếp cận theo hướng sử dụng hình ảnh 5

2.1.2 Cảm biến tiếp cận theo hướng không sử dụng hình ảnh 6

2.1.3 Các nghiên cứu nhận diện cử chỉ tay bằng cảm biến trở kháng 8

2.2 Cảm biến trở kháng sinh học 10

2.2.1 Đo trở kháng sinh học 10

2.2.2 Sử dụng IC AD5933 để đo trở kháng sinh học 13

CHƯƠNG 3: PHƯƠNG PHÁP THỰC HIỆN 17

3.1 Thiết kế đo trở kháng sinh học 17

vi

3.4.2 Thu thập dữ liệu 35

3.4.3 Nhận diện cử chỉ tay (Hand gesture recognition – HGR) 41

CHƯƠNG 4: KẾT QUẢ VÀ ĐÁNH GIÁ 52

vii

DANH MỤC HÌNH ẢNH

Hình 2.1: (a) Dòng điện được đưa vào và điện áp thu được ở dạng sóng sine, trễ pha do trở kháng (b) Biểu đồ pha của trở kháng (c) Đưa một dòng điện đã biết qua các điện cực A và D vào một vật dẫn có độ dẫn điện σ và độ thấm tương đối εr, và phép đo điện thế thu được qua các điện cực B và C theo cách sắp xếp phép đo bốn cực (tetrapolar) Trong phép đo hai cực (bipolar), điểm A và D trùng với B và C (d) Màng tế bào hoạt động như một tụ điện (Cmembr) và do đó, ở tần số thấp, dòng điện chạy qua môi trường ngoại bào, hoạt động như một điện trở (Rextra) Với tần số kích thích tăng dần, trở kháng của tụ điện giảm dần và dòng điện bắt đầu chạy qua màng tế bào và môi trường nội bào (Rintra) [26] (e) Các vùng phân tán khác

nhau 12

Hình 2.2: Hình minh họa một số thiết bị phân tích trở kháng thương mại 13

Hình 2.3: Sơ đồ khối của IC AD5933 14

Hình 2.4: Pha phát tín hiệu của AD5933 15

Hình 2.5: Giai đoạn nhận của AD5933 16

Hình 3.1: Sơ đồ chung của hệ thống đo trở kháng sinh học điện lồng ngực (Thoracic Electrical Bio-impedance – TEB) (A) Điều khiển (B) Nguồn điện áp kích thích (C) Chuyển đổi thành nguồn dòng kích thích (D) Phân phối (E) Thu tín hiệu điện áp chênh lệch 17

Hình 3.2: Hệ thống đo trở kháng kết nối với các mạch ghép 19

Hình 3.3: Sơ đồ khối tổng quát của hệ thống 21

Hình 3.4: Bo mạch tích hợp EVAL-AD5933EBZ bởi nhà sản xuất Analog Device 22 Hình 3.5: Bố trí linh kiện và thử nghiệm các khối của mạch đo trên breadboard 22

Hình 3.6: Hình minh họa điện áp phát bởi AD5933 sau khi qua VCCS với tải 1kOhm, trên Oscilloscope, cho ra VOUT là 40kHz (Pk-Pk 424mV) 23

Hình 3.7: Nhịp thở thu được trên Oscilloscope 24

Hình 3.8: Sơ đồ nguyên lý của mạch nhận diện cử chỉ tay (HGR) 24

Hình 3.9: PCB của thiết bị nhận diện cử chỉ tay (HGR) được thiết kế với phần mềm EAGLE 25

viii

Hình 3.10: Ảnh thực tế của PCB nhận diện cử chỉ tay (HGR) 25

Hình 3.11: Mạch buffer thêm vào cho AD5933 để đo trở kháng nhỏ hơn 1kΩ 26

Hình 3.12: Thiết kế điện cực dạng vòng đeo tay 27

Hình 3.13: Thiết kế điện cực cho thiết bị nhận diện cử chỉ tay (HGR) 27

Hình 3.14: Lưu đồ của hệ thống nhận diện cử chỉ tay (HGR) 28

Hình 3.15: Lưu đồ quét tần số của AD5933 29

Hình 3.16: Chuẩn bị cho hiệu chuẩn 31

Hình 3.17: Điện trở giá trị 1kOhm thu được bằng hệ thống đo trở kháng 31

Hình 3.18: (A) Ghi dữ liệu (Writing register data) vào địa chỉ thanh ghi; (B) Đọc dữ liệu (Reading register data) (Trong đó: S = bắt đầu, P = kết thúc, W = viết, R = đọc, A = nhận được, Ā = chưa nhận được) 34

Hình 3.19: Vị trí gắn điện cực lên người thử nghiệm 36

Hình 3.20: Ngôn ngữ ký hiệu Việt Nam; từ trái qua phải: đánh vần của chữ cái "A", "B", and "C" 36

Hình 3.21: Ngôn ngữ ký hiệu Việt Nam cho cử chỉ "Ăn" 36

Hình 3.22: Ngôn ngữ ký hiệu Việt Nam cho cử chỉ "Cảm ơn" 37

Hình 3.23: Ngôn ngữ ký hiệu Việt Nam cho cử chỉ "Đồng ý" 37

Hình 3.24: Ngôn ngữ ký hiệu Việt Nam cho cử chỉ "Ngủ" 37

Hình 3.25: Ngôn ngữ ký hiệu Việt Nam cho cử chỉ "Uống" 38

Hình 3.26: Ngôn ngữ ký hiệu Việt Nam cho cử chỉ "Xin lỗi" 38

Hình 3.27: Quy làm thí nghiệm cho 1 đối tượng đo 38

Hình 3.28: Trực quan hóa dữ liệu bằng t-SNE trong không gian 3 chiều 39

Hình 3.29: Sơ đồ khối của hệ thống máy học cho nhận dạng cử chỉ bằng tay 41

Hình 3.30: Tiền xử lý và loại bỏ nhiễu bằng phương pháp lấy mean thông qua phần mềm thống kê ngôn ngữ R 42

Hình 3.31: Các thông tin về performance của một mô hình FCN đã xây dựng với độ chính xác chỉ ở khoảng 76% 44

Hình 3.32: Cấu hình cơ bản của một mạng Convolutional Neural Network 45

Hình 3.33: Hàm mất mát (Loss model) trong quá trình huấn luyện và đánh giá mô hình Keras 48

ix

Hình 3.34: Độ chính xác (Accuracy model) trong quá trình huấn luyện và đánh giá mô hình Keras 49 Hình 3.35: Quy trình chuyển đổi sang TensorFlow Lite [36] 51 Hình 4.1: Hệ thống PCB cho nhận diện cử chỉ tay (HGR), kết nối lên trên vi điều khiển Raspberry Pi 4, model 3 53 Hình 4.2: Giao diện người dùng (GUI) đơn giản cho hệ thống nhận diện cừ chỉ tay (HGR) 54 Hình 4.3: Các thông tin về performance của mô hình trong quá trình đánh giá bao gồm: precision, recall, accuracy 55 Hình 4.4: Ma trận nhầm lẫn của mô hình trong quá trình đánh giá 56 Hình 4.5: Kiểm tra mô hình trên thực tế cho đối tượng thí nghiệm số 1 59 Hình 4.6: Tổng hợp các thông tin về performance của mô hình trong quá trình kiểm tra mô hình, bao gồm: accuracy, recall, precision… cho đối tượng thí nghiệm số 159 Hình 4.7: Kiểm tra mô hình trên thực tế cho đối tượng thí nghiệm số 2 60 Hình 4.8: Tổng hợp các thông tin về performance của mô hình trong quá trình kiểm tra mô hình, bao gồm: accuracy, recall, precision… cho đối tượng thí nghiệm số 260 Hình 4.9: Kiểm tra mô hình trên thực tế cho đối tượng thí nghiệm số 3 61 Hình 4.10: Tổng hợp các thông tin về performance của mô hình trong quá trình kiểm tra mô hình, bao gồm: accuracy, recall, precision… cho đối tượng thí nghiệm số 3 61

x

DANH MỤC BẢNG BIỂU

Bảng 3.1: Các linh kiện sử dụng trong hệ thống nhận diện cử chỉ tay (HGR) 20

Bảng 3.2: Kết quả kiểm tra VCCS trên nhiều điện trở từ 220Ω đến 10kΩ 23

Bảng 3.3: Địa chỉ và thông tin các thanh ghi của IC AD5933 32

Bảng 3.4: Mô hình học sâu FCN 43

Bảng 3.5: Mô hình học sâu CNN 46

Bảng 4.1: Thành quả dựa trên phạm vi của luận văn đã đề ra 57

xi

DANH MỤC CÁC TỪ VIẾT TẮT

STT Từ viết tắt Từ đầy đủ

3 API Application Programing Interface

25 TEB Thoracic Electrical Bio-impedance 26 VCCS Voltage-controlled-current source

Hơn thế nữa, các hệ thống tự động đang dần trở nên thiết yếu hơn trong mảng ngành công nghiệp sản xuất, nhờ tính chính xác, tốc độ, khả năng vận hành không mệt mỏi, lặp lại công việc tốt hơn và cho năng xuất cao hơn nhiều so với nhân lực Tuy nhiên, chúng lại thiếu tính linh hoạt của con người Vậy nên sự giao tiếp tốt giữa con người và thiết bị máy móc sẽ sẽ tạo ra hiệu quả công việc tốt nhất [2] Việc nhận dạng các cử chỉ cũng là một phần quan trọng trong việc giao tiếp giữa người và hệ thống trong hệ thống ngành y tế, như sử dụng robot trong phòng mổ, vật lý trị liệu, bộ phận thay thế cho người khuyết tật…).

Cộng đồng người khiếm thính là một nhóm đông đảo và đang ngày càng mở rộng, tuy nhiên, chính phủ lẫn xã hội vẫn chưa thực sự quan tâm đến họ đầy đủ Một cuộc khảo sát do Tổng Cục Thống kê Việt Nam thực hiện trong giai đoạn 2016-2017 với sự hỗ trợ kỹ thuật từ UNICEF đã cho thấy hơn 6,2 triệu người ở Việt Nam từ 2 tuổi trở lên là điếc hoặc gặp vấn đề đáng kể về thính giác, chiếm gần 7% tổng dân số của đất nước Ngoài ra, có đến 13% - gần 12 triệu người, sống trong hộ gia đình có ít nhất một thành viên là người khuyết tật [3], [4]

2

Trong số này, họ cần sử dụng ngôn ngữ ký hiệu để giao tiếp với nhau (mà cụ thể là ngôn ngữ ký hiệu Việt Nam) Đây chủ yếu là các cử chỉ và chuyển động của cánh tay và bàn tay, và từ ngữ được biểu thị bằng hình thái và đánh vần bằng tay Tuy nhiên, cú pháp của ngôn ngữ ký hiệu khác với tiếng Việt, làm cho việc học nó trở nên khá khó khăn Rất nhiều người khiếm thính mất thính giác ở giai đoạn đã trưởng thành, không chọn học ngôn ngữ ký hiệu do có nhiều khó khăn, dẫn đến chỉ có một số ít trong cộng đồng người khiếm thính biết sử dụng thành thạo ngôn ngữ ký hiệu, cho thấy mức độ nghiêm trọng trong vấn đề giao tiếp ở cộng đồng người khiếm thính

1.2 Mục tiêu đề tài

Trong những năm gần đây, các viện nghiên cứu và nhà nghiên cứu khác nhau đã thử nghiệm các phương pháp khác nhau để diễn giải ngôn ngữ ký hiệu, với giải pháp phổ biến nhất là sử dụng công nghệ nhận dạng hình ảnh phân tích các cử chỉ của tay và cánh tay của người dùng Luận văn này tập trung vào thiết kế một ứng dụng nhận diện ngôn ngữ ký hiệu dựa trên công nghệ cảm biến trở kháng sinh học, có thể thực hiện trong thời gian thực Bài luận văn sẽ trình bày về ngữ cảnh thiết kế, nghiên cứu nền tảng, phương pháp thiết kế và các thành phẩm, với mục tiêu mang đến một ý tưởng mới trong lĩnh vực công nghệ hỗ trợ người khiếm thính và giải quyết vấn đề giao tiếp cho cộng đồng người điếc và khiếm thính

3

1.3 Cấu trúc luận văn

Báo cáo luận văn này được sắp xếp thành năm chương, tuân thủ nghiêm ngặt như sau:

- Chương 1: Đưa ra cái nhìn về sự cấp thiết của việc nhận diện cừ chỉ tay và mục tiêu cho nghiên cứu này

- Chương 2: Đánh giá các công trình nghiên cứu về các hệ thống nhận diện cử chỉ tay và các loại cảm biến sử dụng cho chúng

- Chương 3: Mô tả phương pháp phát triển thiết bị, bao gồm nguyên tắc, thiết kế phần cứng và lập trình phần mềm

- Chương 4: Hiển thị kết quả cuối cùng của sản phẩm từ phương pháp thực hiện đã tiếp cận, kiểm tra độ chính xác và đánh gái kết quả ở cả hai khía cạnh ưu và nhược điểm để từ đó thảo luận về các phát triển và cải thiện trong tương lai - Chương 5: Tóm tắt toàn bộ nội dung, đưa ra kết luận cuối cùng cho luận văn này

và thảo luận về khả năng ứng dụng của nó trong xã hội Đưa ra các tài liệu tham khảo và phụ lục.

4

Sự gia tăng sức mạnh tính toán đã mang lại nhiều thiết bị tính toán cho con người trong cuộc sống thường ngày Một chuỗi các ứng dụng và giao diện được phát triển để con người có thể tương tác với chúng Và những sự tương tác với các hệ thống này sẽ dễ dàng hơn khi chúng được thực hiện một cách tự nhiên (vd: tức là giống như cách con người tương tác với nhau bằng giọng nói hoặc cử chỉ) Trong đó, nhận dạng cử chỉ tay (hand gesture recognition - HGR) là một yếu tố quan trọng của việc tương tác giữa người với máy, nghiên cứu công nghệ máy tính được thiết kế để diễn giải các lệnh do con người đưa ra [5]

Các mô hình HGR là những hệ thống giúp xác định cử chỉ nào được thực hiện và thực hiện hiện khi nào Hiện tại, các hệ thống này được nghiên cứu và dùng cho rất nhiều các ứng dụng, ví dụ như chi giả thông minh cho người khuyết tật, nhận biết ngôn ngữ ký hiệu cho người câm điếc, thiết bị phục hồi chức năng, và các thiết bị điều khiển.

Hình 2.1: Một số sản phẩm nhận diện cử chỉ phát triển từ năm 1963 – 2014

Trước khi đi vào quy trình nhận dạng cử chỉ, các thông tin thô về cử chỉ con người cần được thu thập nhờ vào các cảm biến, và có rất nhiều loại cảm biến được dùng cho việc này Hình 2 cho thấy có hai loại thu thập dữ liệu cơ bản: tiếp cận theo hướng hình ảnh và tiếp cận không theo hướng hình ảnh [2]:

5

Hình 2.2: Phân loại các loại cảm biến dùng cho nhận dạng cử chỉ

2.1 Các loại cảm biến nhận diện cử chỉ tay

2.1.1 Cảm biến tiếp cận theo hướng sử dụng hình ảnh

Công nghệ thường được lấy cảm hứng từ tự nhiên Với con người, chúng ta dùng mắt để nhận biết cử chỉ, do đó, đối với thiết bị, hệ thống, sử dụng máy ảnh để “nhìn” cử chỉ cũng là một cách lý luận lựa chọn cảm biến hợp lý Và đối với loại cảm biến tiếp cận thông tin theo hướng sử dụng hình ảnh, được chia tiếp thành 4 loại như hình 2 ở trên, bao gồm: đánh dấu (marker), máy ảnh đơn (single camera), máy ảnh stereo (stereo camera) và cảm biến chiều sâu (depth sensor)

Ở hướng tiếp cận đánh dấu cảm biến là một máy ảnh quang học Trong hầu hết các giải pháp sử dụng hướng tiếp cận này, người dùng cần phải đeo các điểm đánh dấu nhìn thấy thấy được [6] lên bộ phận cần để xác định cử chỉ

Đối với máy ảnh đơn dùng để phân tích cử chỉ, Howe et al đánh giá là hạn chế về góc nhìn, làm ảnh hưởng đến sự hiệu quả của thiết bị [7] Tuy nhiên, nghiên cứu gần đây của Katsuki et al năm 2015 đã áp dụng máy ảnh đơn tốc độ cao cho việc nhận dạng cử chỉ Hệ thống tận dụng cảm biến hình ảnh tốc độ cao và bộ xử lý hình ảnh được thiết kế chuyê biệt để đạt được nhận dạng cử chỉ tốc độ cao [8]

Máy ảnh stereo (stereo camera) có thể tạo ra môi trường 3D, được các nhà nghiên cứu gợi ý sử dụng cho ứng dụng nhận dạng cử chỉ Các nghiên cứu thực hiện dựa

6

trên hướng tiếp cận này tương tự với nhau từ rất lâu, thường sử dụng 2 máy ảnh stereo để tạo thông tin chiều sâu 3D Mặc dủ hệ thống này có cải thiện tính hiệu quả của việc nhận dạng cử chỉ trong môi trường ngoài trời, chúng vẫn có vấn đề trong độ phức tạp của hệ tính toán xử lý cũng như khó khăn trong hiệu chuẩn

Hướng tiếp cận cuối cùng dựa trên hình ảnh là sử dụng cảm biến chiều sâu Gần đây, các công nghệ cảm biến chiều sâu đang nổi lên nhanh chóng Các cảm biến này là các cảm biến chiều sâu không thuộc dạng stereo, và có nhiều ưu điểm hơn so với máy ảnh stereo truyền thống Ví dụ như các vấn đề về lắp đặt và điều kiện chiếu sáng có thể được hạn chế Hơn nữa, ngõ ra của cảm biến chiều sâu mang thông tin 3D, nên khi so với thông tin màu, thông tin 3D có thể đơn giản hóa các vấn đề của việc nhận dạng cử chỉ [6] Một so sánh của độ chính xác trong việc nhận dạng cử chỉ có thể được tì thấy tại một nghiên cứu của Doliotis et al năm 2011 [9] Các loại cảm biến chiều sâu cung cấp giải pháp rẻ và dễ dàng cho việc nhận dạng cử chỉ Chúng được sử dụng rộng rãi trong lĩnh vực giải trí, giáo dục và nghiên cứu Việc này đã lôi cuốn một cộng đồng phát triển rất lớn giúp có thêm rất nhiều các dự án và công cụ nguồn mở dễ tiếp cận Tuy nhiên, loại cảm biến này vẫn có hạn chế về độ phân giải, nên chủ yếu được dùng trong nhận dạng cử chỉ hình thể và cử chỉ tay ở khoảng cách gần

2.1.2 Cảm biến tiếp cận theo hướng không sử dụng hình ảnh

Trong thời gian gần đây, sự phát triển của mảng MEMS (hệ thống vi cơ điện tử - micro electromechanical system) và các cảm biến đã giúp đẩy mạnh các công nghệ nhận dạng cử chỉ mà không cần dựa trên hình ảnh nữa Trong đó, theo như Hình 2, hướng tiếp cận này được chia làm 3 nhóm chính: nhóm găng tay (glove), nhóm vòng đeo (band), và nhóm không tiếp xúc da (non-wearable)

Nhóm nghiên cứu sử dụng giao diện găng tay rất thường được dùng để nhận dạng cử chỉ Thông thường, hướng tiếp cận này thường cần các dây kết nối, cảm biến gia tốc accelerometers và con quay hồi chuyển Tuy nhiên, một số loại găng tay dùng

Cuối cùng là các công nghệ không cần đeo lên người, mà vẫn có thể nhận dạng được cử chỉ Công nghệ này thường sử dụng các loại cảm biến sóng âm, sóng điện từ để phát hiện thay đổi cử chỉ của con người trong một không gian nhất định nào đó Google đã giới thiệu Project Soli năm 2015, là một hệ thống theo dõi và nhận dạng cử chỉ tay dựa trên tần số sóng vô tuyến (radio frequency – RF) [13] Thiết bị này có một bộ phát và nhận tín hiệu sóng vô tuyến, giúp phát hiện các cử chỉ tay khác nhau trong khoảng cách ngắn Ngoài ra MIT cũng giới thiệu hệ thống WiTrack và RF-capture, bắt được các cử chỉ nhờ vảo tần số vô tuyến phản xạ từ cơ thể con người Hệ thống này chọn lọc các tính hiệu RF nhất định mà có thể đi xuyên qua tường và phản xạ lại từ cơ thể người, do đó mà bắt được các chuyển động của con người ngay cả khi ở một phòng khác Có thể thấy, các loại công nghệ nhận dạng cử chỉ mà không cần đeo lên người cũng là một xu hướng phát triển nhanh và đầy hứa hẹn

Tuy nhiên, qua tất cả các loại cảm biến nói trên, các công nghệ làm thành dạng vòng đeo là phù hợp nhất để cung cấp các phân tích về tín hiệu sinh lý theo thời gian thực, cũng như triển khai các mô hình học máy cho xử lý tín hiệu Ngoài ra loại công nghệ này còn là loại lấy tín hiệu cục bộ, và được đánh giá là sẽ lấy thông tin thô tốt hơn nhiều so với việc lấy thông tin thô rồi truyền không dây đến các thiết

2.1.3 Các nghiên cứu nhận diện cử chỉ tay bằng cảm biến trở kháng

Trở kháng điện tử sinh học đã được ứng dụng trong nhiều ứng dụng y sinh để phát hiện bệnh lý và các vấn đề sinh lý bất ổn, cũng như để theo dõi các quá trình sinh lý và tế bào mô Trở kháng sinh học được sử dụng để đánh giá độ ẩm của da [15] [16], để phân biệt mô khỏe mạnh với mô ung thư [17], để đánh giá chức năng tim và phổi [18], để phát hiện thiếu máu cục bộ ở mô [19] [20], phân tích cấu tạo trong toàn bộ cơ thể hoặc từng phần [21], để thu hình ảnh các bộ phận khác nhau của cơ thể [22] [23], để theo dõi quá trình lành vết thương và phù nề [24], và để đánh các cơ trong một số bệnh thần kinh cơ [25], [26]

Trở kháng sinh học ngày càng được sử dụng nhiều hơn trong lĩnh vực kỹ thuật y sinh, liên tục phát triển và với nhiều sản phẩm thương mại xuất hiện trên thị trường trong những năm gần đây Thoạt nhìn, đây có vẻ là một phương pháp tương đối đơn giản, vì về bản chất, nó là một kỹ thuật hoàn toàn bằng điện Xét cho cùng, trở kháng sinh học là định luật Ohm Vì nó sẽ được thảo luận chi tiết hơn trong các phần tiếp theo, trở kháng sinh học liên quan đến phép đo các đặc tính điện của các mô và quần thể tế bào từ vài Hz đến vài MHz [22]

Khác với các tín hiệu điện sinh lý chỉ yêu cầu ghi giá trị điện áp, để đo trở kháng sinh học, cần phải đưa vào mô một tín hiệu đã biết trước Do đó, thiết bị đo trở kháng hơi phức tạp hơn vì cần tạo ra tín hiệu để kích thích mô trước để sau đó thu được các đặc tính điện cần thiết của nó như là một hàm của tần số tín hiệu được áp dụng Cần phải biết tín hiệu này, và trong hầu hết các trường hợp, tín hiệu này được

9

giữ không đổi, sao cho chỉ cần một đại lượng đo để tính toán trở kháng bằng định luật Ohm Nếu không, cả điện áp và dòng điện đều cần được đo Tương tự như việc thu được các tín hiệu điện sinh lý, có thể dùng các điện cực đơn giản để hỗ trợ tiếp xúc điện cho các mô Do đó, trái ngược với cảm biến điện hóa, không cần màng chuyên dụng, enzyme, kháng thể hoặc các phân tử khác được lắng đọng trên bề mặt điện cực Thực tế, trong nhiều ứng dụng trở kháng sinh học, các điện cực điện tâm đồ (ECG) thường được sử dụng Tuy nhiên, trong nhiều ứng dụng, điều quan trọng là phải tối ưu hóa thiết kế điện cực để kiểm soát các đặc tính trở kháng của hệ thống điện cực được sử dụng Ngoài ra, các vật liệu khác nhau có thể được lắng đọng trên bề mặt điện cực cũng có thể cải thiện các đặc tính trở kháng bề mặt của nó [22]

Khi điện trở được đo bằng tín hiệu dòng điện một chiều (DC), điện trở hoàn toàn là điện trở thuần Về mặt toán học, để mô hình hóa tụ điện và cuộn cảm, khái niệm trở kháng điện (electrical impedance) lần đầu tiên được Oliver Heaviside đưa ra vào những năm 1880 Trở kháng điện (Z) không chỉ mô hình hóa đặc tính của điện trở mà còn mô tả khả năng tích trử điện của tụ điện và cuộn cảm Bởi vì “hành vi” của tụ điện và cuộn cảm phụ thuộc vào tần số, nên trở kháng được đo bằng cách đặt một tín hiệu điện áp kích thích xoay chiều (AC) có biên độ nhỏ, vào mẫu vật đang đo kiểm (SUT) và đo dòng điện cảm ứng.

𝑡 ̅ ̂ 𝑠 𝑛 𝑡 𝐼 𝑡 𝐼̅ 𝐼̂ 𝑠 𝑛 𝑡

Tương tự như định luật Ohm, trở kháng được tính bằng lấy điện áp chia cho dòng điện Trở kháng được mô tả là một số phức; do đó, nó có thể được biểu diễn dưới dạng tọa độ cực gồm độ lớn trở kháng (|Z|) và độ lệch pha phụ thuộc tần số ( ).

𝐼

̂

𝐼̂ | |

11

Trong đó, ̂ và 𝐼̂ lần lượt là độ lớn điện áp và dòng điện; và 𝐼 là giá trị điện áp và dòng điện một chiều (DC); 𝑓 là tần số tín hiệu thí nghiệm; = 2𝜋 𝑓 là tần số góc; 𝜑 độ lệch pha giữa (𝑡 ) và 𝐼 (𝑡 ); V( ) và I( ) là biến đổi Steinmetz của (𝑡 ) và 𝐼 (𝑡 ) Các tham số sóng hình sin được tính toán từ các tín hiệu thu được bằng thuật toán phù hợp trong miền thời gian hoặc bằng cách áp dụng thuật toán biến đổi Fourier nhanh

Theo công thức Euler 𝑥 = cos(𝑥 ) +j ∗ sin(𝑥 ), dạng cực của trở kháng cũng có

thể được biểu diễn dưới dạng Descartes (Đề-các) gồm phần thực của trở kháng (Zr) và phần ảo của trở kháng (Zi) Điều này được minh họa bằng đồ thị hình 2.1a và

2.1b Phương trình (2.5) biểu diễn trở kháng bằng 3 dạng khác nhau:

𝑠 𝑛 𝑡

𝐼 𝑠 𝑛 𝑡 |𝑧| Trong một mạch điện thuần trở, đáp ứng điện áp xoay chiều (AC) cùng pha với tín hiệu kích thích, tức là độ lệch pha luôn bằng không Tuy nhiên, đối với tụ điện và cuộn cảm, do đặc tính lưu trữ điện (tức là điện kháng (reactance)) làm cho dạng sóng của tín hiệu đáp ứng bị trễ hoặc sớm pha 1 cách tương ứng trong miền thời gian Sự sai lệch về thời gian giữa tín hiệu kích thích và tín hiệu đáp ứng được gọi là độ lệch pha, là tỷ số giữa thành phần kháng (điện trở) và thành phần điện kháng của tín hiệu đầu ra [27] Giá trị độ lệch pha được tính toán bằng cách lấy phần ảo của trở kháng chia cho phần thực của trở kháng như công thức dưới đây

𝑟 𝑡 𝑛 (𝑧 )

12

Hình 2.1: (a) Dòng điện được đưa vào và điện áp thu được ở dạng sóng sine, trễ pha do trở kháng (b) Biểu đồ pha của trở kháng (c) Đưa một dòng điện đã biết qua các điện cực A và D vào một vật dẫn có độ dẫn điện σ và độ thấm tương đối εr, và phép đo điện thế thu được qua các điện cực B và C theo cách sắp xếp phép đo bốn cực (tetrapolar) Trong phép đo hai cực (bipolar), điểm A và D trùng với B và C (d) Màng tế bào hoạt động như một tụ điện (Cmembr) và do đó, ở tần số thấp, dòng điện chạy qua môi trường ngoại bào, hoạt động như một điện trở (Rextra) Với tần số kích thích tăng dần, trở kháng của tụ điện giảm dần và dòng điện bắt đầu chạy qua màng tế bào và môi trường nội bào (Rintra) [26] (e) Các vùng phân tán khác nhau

13

2.2.2 Sử dụng IC AD5933 để đo trở kháng sinh học

Ngày nay, với sự phát triển mạnh mẽ của khoa học công nghệ tiên tiến đã chế tạo ra những thiết bị chuyên dụng có khả năng đo trở kháng bằng các phương pháp khác nhau và cấu hình điện cực từ vài µHz đến khoảng 50 MHz Tuy nhiên, giá thành của những thiết bị phân tích trở kháng thương mại (hay còn gọi là máy đo LCR) khá to, cồng kềnh và giá rất cao nên chúng chỉ được sử dụng trong phòng thí nghiệm Chính vì điều này đã khiến các nhà nghiên cứu tìm kiếm các thiết kế khác thay thế, nhỏ gọn hơn có khả năng sử dụng ngoài phòng thí nghiệm và có thể đo liên tục

Hình 2.2: Hình minh họa một số thiết bị phân tích trở kháng thương mại

Mặc dù kỹ thuật đo trở kháng sinh học khá đơn giản nhưng việc phát triển phần cứng có thể gặp rất nhiều khó khăn AD5933 (Analog Devices, Norwood, MA, USA) [28] là thiết bị phân tích trở kháng (Impedance Analyzer - IA) thương mại đầu tiên cho phép thực hiện trên các thiết bị kích thước nhỏ để đo trở kháng sinh học điện và là thiết bị được sử dụng nhiều nhất [29], [30] Mặc dù có một số hệ thống tích hợp để đo trở kháng dựa trên AFE4300 chi phí thấp hơn, tập trung vào các ứng dụng phân tích cấu tạo cơ thể và một số khác như ADS129x có tích hợp để đo hô hấp qua trở kháng, nhưng AD5933 có lợi thế là một con chip nhỏ cho phép thực hiện các phép đo quét tần số ở các điện áp hoặc dòng điện kích thích khác nhau một cách dễ dàng, mang lại tính linh hoạt rộng rãi cho các ứng dụng khác nhau [31] Dựa theo phân tích trên và các nghiên cứu tham khảo, trong luận văn này, AD5933 được lựa chọn để giảm thiểu các quá trình đo đạc và giúp thiết kế được một thiết bị

Hình 2.3: Sơ đồ khối của IC AD5933

Quá trình thực hiện đo trở kháng đƣợc chia thành 3 pha riêng biệt: pha phát tín hiệu (transmiting stage), pha thu tín hiệu (receiving stage) và pha xử lý tín hiệu (processing stage) [28]

Hình 2.4 miêu tả pha phát tín hiệu của AD5933, bao gồm một lõi tổng hợp digital trực tiếp (DDS) có bộ cộng pha 27 bit, chịu trách nhiệm cho việc tạo ra tín hiệu kích

15

thích đầu ra ở một tần số cụ thể Bộ cộng pha nhận đầu vào từ thanh ghi tần số bắt đầu (start frequency register) Mặc dù bộ cộng pha cung cấp độ phân giải 27 bit, ba bit cực trái (MSBs) trong thanh ghi tần số bắt đầu được thiết lập là 0 AD5933 cho phép người dùng lập trình độ phân giải tần số xuống đến 0.1 Hz, được thực hiện bằng cách tải lên nó một từ 24 bit qua giao diện I2C vào thanh ghi tăng tần số (frequency increment register) Dải tần số được xác định bởi ba thông số: tần số bắt đầu, tăng tần số và số lần tăng tần số [28]

Hình 2.4: Pha phát tín hiệu của AD5933

Phat hu tín hiệu bao gồm nhiều thành phần, trong số đó là một bộ khuếch đại dòng sang áp (Current to Voltage Amplifier), một bộ khuếch đại gain có thể lập trình (Programable Gain Amplifier – PGA), một bộ lọc chống aliasing (anti-aliasing filter) và một bộ chuyển đổi analog sang digital (Analog to Digital Converter – ADC), với sơ đồ mạch được hiển thị trong Hình 2.5 Trong giai đoạn này, trở kháng không xác định được kết nối giữa chân VOUT và chân VIN Cấu hình bộ khuếch đại dòng sang điện áp trong giai đoạn đầu tiên đảm bảo rằng điện áp tại chân VIN hoạt động như một đất ảo, với giá trị dòng điện một chiều (DC) đặt là VDD/2 Dòng điện tạo ra đi qua trở kháng không xác định sẽ được đưa vào chân VIN, tạo ra một tín hiệu điện áp tại đầu ra của bộ chuyển đổi dòng sang áp Độ khuếch đại của bộ khuếch đại dòng sang áp được xác định bởi một điện trở phản hồi (Feedback resistor – RFB), mà người dùng có thể lựa chọn và kết nối giữa chân 4 (RFB) và chân 5 (VIN) [28]

16

Hình 2.5: Giai đoạn nhận của AD5933

Sau khi đƣợc số hóa, tín hiệu sẽ đƣợc gửi đến lõi DSP của IC AD5933 Tại đây, thuật toán biến đổi Fourier rời rạc (Discrete Fourier transform – DFT) đƣợc sử dụng để tính toán phần thực và phần ảo của trở kháng

𝑋 𝑓 ∑ 𝑥1023

17

3.1 Thiết kế đo trở kháng sinh học

Về nguyên lý chung, mạch đo trở kháng sinh học thường được chia thành 3 giai đoạn, dựa theo hiệu quả hoạt động và các vấn đề an toàn [31]: điều khiển, phát tín hiệu, phân bố và thu tín hiệu Sơ đồ đơn giản được thể hiện ở Hình dưới đây:

Hình 3.1: Sơ đồ chung của hệ thống đo trở kháng sinh học điện lồng ngực (Thoracic Electrical Bio-impedance – TEB) (A) Điều khiển (B) Nguồn điện áp kích thích (C) Chuyển đổi thành nguồn dòng kích thích (D) Phân phối (E) Thu tín hiệu điện áp chênh lệch

Đối với hệ thống điều khiển, Raspberry Pi 4 model B được lựa chọn vì tính sẵn có rộng rãi trên thị trường cũng như khả năng tính toán mạnh mẽ của nó Hơn nữa, Raspberry Pi có thể được lập trình bằng Python – ngôn ngữ lập trình có nhiều thư viện công cộng nhất – không chỉ giúp sử dụng để điều khiển AD5933, mà còn được sử dụng để huấn luyện mô hình và phân loại dữ liệu theo thời gian thực trong việc nhận dạng các cử chỉ của tay

Raspberry Pi cấp nguồn và gửi các lệnh điều khiển tới AD5933 thông qua bus I2C để vận hành thiết bị và thực hiện quét tần số Trong quá trình quét tần số này, Vout của AD5933 sẽ phát ra một điện áp với tần số bắt đầu chính xác như được yêu cầu

18

từ Raspberry Pi, như đã được giải thích trong Chương 2, mục 2.2.2 Hơn nữa, mặc dù không được đề cập trong Hình 3.1, một yếu tố quan trọng khác của hệ thống đo trở kháng sinh học là tần số phát Trong giai đoạn đầu của phát triển mạch đo trở kháng trên breadboard, khi mà độ ổn định là yếu tố quan trọng và cần thiết nhất cho việc thu tín hiệu, mạch thiết kế chưa được kết hợp với các mạchghép kênh để đo cử chỉ của tay Do đó, việc đo nhịp thở và nhịp tim được thực hiện với tần số kích thích là f = 70-80 kHz [26] là cần thiết Tuy nhiên, tần số kích thích cần thiết cho việc nhận dạng cử chỉ của tay là f = 40 kHz [12], [32], do đó đây là tần số cuối cùng được sử dụng trong luận văn này

Một trong những yêu cầu quan trọng trong mạch điện sử dụng trên cơ thể con người là sự kiểm soát về tần số và biên độ dòng điện đưa đến mô tế bào cần được chuẩn hóa theo IEC-60601 và phụ thuộc vào tần số Tuy nhiên, AD5933 cung cấp một điện áp dạng sóng sin với biên độ không đổi trong cấu hình hai cực, điều này không được khuyến nghị trong các ứng dụng trên con người [33] Do đó, cần bổ sung thêm một nguồn dòng ổn định (Voltage-control-current source – VCCS) khi sử dụng vi mạch AD5933 Mạch Load-in-the-loop và mạch Howland, hoặc các phiên bản cải tiến như Double Howland hoặc Mirrored Howland, đã được so sánh trong một số nghiên cứu, cho thấy các mạch Howland cải tiến hiệu quả hơn trong việc ổn định dòng điện nguồn mà không bị ảnh hưởng bởi các thành phần tải Tuy nhiên, mạch Load-in-the-loop vẫn đạt được một hiệu suất nhất định [34] và đơn giản hơn, do đó nó được sử dụng trong luận văn này

Việc sử dụng cảm biến trở kháng cho nhận diện cử chỉ tay (HGR) là một mảng nghiên cứu khá mới, chỉ có chưa đến 10 bài báo Và hầu hết các bài báo tham khảo đều sử dụng hệ thống EIT cho việc học máy Do đó EIT được cân nhắc sử dụng ở thời gian đầu triển khai dự án này Đối với một hệ thống EIT, có thể yêu cầu từ 8 đến 32 điện cực, với một cặp hoặc bốn cặp điện cực tiếp tục thay đổi qua tất cả các vị trí điện cực (tùy thuộc vào hệ thống hai cực hay bốn cực được sử dụng), như trong Hình 3.2

19

Hình 3.2: Hệ thống đo trở kháng kết nối với các mạch ghép

Tuy nhiên, đối với luận văn này, tôi không có đủ thời gian triển khai một hệ thống EIT hoàn chỉnh, vì vậy tôi bỏ qua phần này và tập trung hoàn toàn vào xử lý các tín hiệu thô thu nhận được từ AD5933, và thay đổi sơ đồ của mình một vài lần với các thiết kế khác nhau về các mạch ghép (multiplexers) được dùng Thiết kế cuối cùng là sử dụng các mạch ghép để hoạt động như bộ chia kênh trong giai đoạn nhận tín hiệu, và không thay đổi gì trong giai đoạn truyền tín hiệu

Sau khi nhận dữ liệu thô từ mỗi kênh, AD5933 sau đó sẽ chuyển đổi chúng thành dữ liệu thực và ảo, và truyền đến Raspberry Pi để tính toán trở kháng, bằng các thuật toán sau đây:

𝑀 𝑔𝑛 𝑡𝑢𝑑 √𝑅 𝑙2 𝐼𝑚 𝑔 𝑛 2

𝐼𝑚𝑝 𝑑 𝑛

𝐺 𝑛 𝑓 𝑡𝑜𝑟 𝑀 𝑔𝑛 𝑡𝑢𝑑 Với Gain factor được xác định từ quy trình hiệu chuẩn, sử dụng một trở kháng đã biết trước giá trị cho cùng 1 hệ thống, và dùng phương trình (3.1)

ICL7660 1 Nguồn đôi, tạo nguồn -5V/5V cho OP27 và INA129 CD74HC4067 1 Mạch ghép (Multiplexer – MUX)

Raspberry Pi 4 model B

1 Raspberry Pi không chỉ cấp nguồn cho toàn hệ thống, mà còn ra lệnh điều khiển AD5933, và phân loại cử chỉ tay theo thời gian thực

1.5 kΩ resistor 1 SMD 0805, 1.8W, ±1% 10 kΩ resistor 5 SMD 0805, 1.8W, ±1% 100 kΩ resistor 1 SMD 0805, 1.8W, ±1%

10nF capacitor 1 SMD 0805, 1.8W, ±1% 100nF capacitor 9 SMD 0805, 50V, ±10% 10uF capacitor 3 SMD 0805, 50V, ±10%

Electrical fabric 1 Dùng để làm điện cực

21

3.2.2 Vận hành

Sau khi thử nghiệm kỹ càng trên mạch breadboard và nghiên cứu nhiều tài liệu liên quan, hệ thống nhận dạng các cử chỉ bàn tay (HGR) đã đƣợc hoàn thiện nhƣ đƣợc đề xuất trong Hình 3.3 Khi AD5933 đƣợc kích hoạt cùng với Raspberry Pi, nó cũng sẽ đƣợc điều khiển thông qua giao thức I2C để thực hiện quét tần số, bằng cách phát ra một điện áp xoay chiều với tần số 40kHz tại cổng Vout Nguồn điện áp này sau đó sẽ đƣợc chuyển đổi thành nguồn dòng thông qua mạch load-in-the-loop VCCS và chia thành 2 điểm phát ở bàn tay thông qua 2 điện cực 6 điện cực khác đƣợc sử dụng cho giai đoạn thu tín hiệu, với 5 điện cực tại từng ngón tay (ngón cái, ngón trỏ, ngón giữa, ngón áp út và ngón út) và một điện cực khác ở giữa bàn tay làm điện cực tham chiếu Khi dữ liệu này đƣợc thu nhận tại AD5933 thông qua cổng Vin, nó sẽ đƣợc truyền vào Raspberry Pi để xử lý (lập trình bằng ngôn ngữ Python) và xuất ra để phân loại tiếp theo với máy học theo thời gian thực

Hình 3.3: Sơ đồ khối tổng quát của hệ thống

22

3.3 Thiết kế phần cứng

Trước khi làm việc với IC AD5933, mạch phân tích trở kháng sử dụng IC AD5933 của Analog Devices là mạch EVAL-AD5933EBZ đã được sử dụng tạm thời do có giao diện trên PC giúp cho phép cài đặt tần số và độ gia tăng cụ thể [35] Tuy nhiên, giao diện này chỉ hỗ trợ đo trở kháng trong miền tần số (quét tần số), làm cho nó hoàn toàn không phù hợp với mục tiêu đo trở kháng theo thời gian thực của dự án nghiên cứu luận văn này

Hình 3.4: Bo mạch tích hợp EVAL-AD5933EBZ bởi nhà sản xuất Analog Device

Khi IC AD5933 được sử dụng ở những bước đầu của luận văn này, mọi thành phần thiết kế đều được kiểm tra chức năng trên breadboard (Hình 3.5) và điều khiển bởi một Arduino Mega

Hình 3.5: Bố trí linh kiện và thử nghiệm các khối của mạch đo trên breadboard

23

Nguồn dòng ổn định (VCCS) đƣợc kiểm tra với nguồn 5V tại tần số 40kHz trên nhiều tải là các điện trở (220Ω - 10kΩ), để đảm bảo nguồn luôn hoạt động ổn định với dòng điện phát ra ≤ 1mA Kết quả đƣợc hiển thị trên một máy oscilloscope và các giá trị dòng điện đƣợc tính thủ công cho từng điện trở (Hình 3.6 và Bảng 3.2)

Hình 3.6: Hình minh họa điện áp phát bởi AD5933 sau khi qua VCCS với tải 1kOhm, trên Oscilloscope, cho ra VOUT là 40kHz (Pk-Pk 424mV)

Bảng 3.2: Kết quả kiểm tra VCCS trên nhiều điện trở từ 220Ω đến 10kΩ

24

Hình 3.7: Nhịp thở thu được trên Oscilloscope

Sau khi đã kiểm tra đầy đủ, hệ thống được thiết kế trên một mạch điện chính duy nhất, với sự trợ giúp từ ứng dụng EAGLE Bảng mạch được thiết kế có thêm hai hàng chân chân 20 chân mỗi hang, để kết nối trực tiếp với Raspberry Pi, do đó được cung cấp nguồn 5V qua chân GPIO từ Raspberry như trong Hình 3.10 Tất cả các linh kiện đều là linh kiện dán bề mặt (surface mounted devices – SMD) nên kích thước của bo mạch PCB có thể được giảm đáng kể

Hình 3.8: Sơ đồ nguyên lý của mạch nhận diện cử chỉ tay (HGR)

25

Một số linh kiện nhỏ được thêm vào sản phẩm cuối cùng để cải thiện việc vận hành và sử dụng cho người dùng Ví dụ, thêm một nút nhấn, một công tắc để kiểm tra MUX, một công tắc để bật/tắt nguồn mà không cần ngắt kết nối nguồn của Raspberry, một chân thử nghiệm Vout và một đèn LED để phát tín hiệu

Hình 3.9: PCB của thiết bị nhận diện cử chỉ tay (HGR) được thiết kế với phần mềm EAGLE

Hình 3.10: Ảnh thực tế của PCB nhận diện cử chỉ tay (HGR)

26

Một vấn đề xảy ra khi làm việc với AD5933 là phạm vi đo trở kháng của nó nằm trong khoảng 1kΩ - 1MΩ [28], trong khi trở kháng của da người cũng như hầu hết các mô tế bào sinh học là thấp hơn 1kΩ [34] Do đó, một mạch buffer phải được bổ sung để áp dụng vào thiết kế giúp xử lý tốt hơn cho các trở kháng tải nào nhỏ hơn 1kΩ (Hình 3.11)

Hình 3.11: Mạch buffer thêm vào cho AD5933 để đo trở kháng nhỏ hơn 1kΩ

Đối với các điện cực dùng trong hệ thống này, nhiều vật liệu và thiết kế khác nhau đã được thử nghiệm để sử dụng Như đã đề cập trước đó, trong nhiều ứng dụng về trở kháng sinh học, thường sử dụng các điện cực điện tâm đồ (ECG) Ban đầu, các điện cực ECG cho trẻ sơ sinh cũng đã được sử dụng, nhưng vẫn quá lớn để đeo trên ngón tay và loại điện cực này là đồ tiêu hao, do đó không phù hợp cho sử dụng dài hạn

Về mặt này, các điện cực loại khô được ưu tiên sử dụng hơn Trong thiết kế ban đầu, các điện cực được tách ra từ các điện cực ECG và thiết kế gắn lên một vòng đeo tay (Hình 3.12) để dễ đeo Mặc dù thiết kế này nhẹ, tiện lợi và dễ đeo, nó lại được thiết kế cho hệ thống EIT, và không phù hợp với thay đổi trong phương pháp đo là sử dụng tín hiệu trở kháng thô

27

Hình 3.12: Thiết kế điện cực dạng vòng đeo tay

Thay đổi khái niệm về phương pháp đo trở kháng khiến cho thiết kế cho các điện cực đã được thay đổi một lần nữa như trong thiết kế được hiển thị trong Hình 3.13 Sau nhiều thử nghiệm, vật liệu cuối cùng được sử dụng cho điện cực tiếp xúc là vải dẫn điện, nhẹ, có thể tái sử dụng và cho tín hiệu ổn định

Hình 3.13: Thiết kế điện cực cho thiết bị nhận diện cử chỉ tay (HGR)