Nghiên cứu, thiết kế và chế tạo găng tay mềm hỗ trợ cho người tật bàn tay ứng dụng EMG

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH KỸ THUẬT CƠ ĐIỆN TỬ NGHIÊN CỨU, THIẾT KẾ VÀ CHẾ TẠO GĂNG TAY MỀM HỖ TRỢ CHO NGƯỜI TẬT BÀN TAY ỨNG DỤNG EMG GVHD: LÊ TRƯỜNG DIỄM TRANG SVTH: PHẠM HOÀNG DUY LONG MSSV: 15146067 SVTH: HUỲNH NGUYÊN PHƯƠNG MSSV: 15146087 SVTH: TRẦN HẢI DANH MSSV: 15146018 SKL005459 Tp Hồ Chí Minh, tháng 06/2019 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA ĐÀO TẠO CHẤT LƯỢNG CAO Ngành Công Nghệ Kỹ Thuật Cơ Điện Tư -o0o - ĐỒ ÁN TỐT NGHIỆP ĐỀ TÀI: NGHIÊN CỨU, THIẾT KẾ VÀ CHẾ TẠO GĂNG TAY MỀM HỖ TRỢ CHO NGƯỜI TẬT BÀN TAY ỨNG DỤNG EMG Giảng viên hướng dẫn: TS BÙI HÀ ĐỨC Sinh viên thực hiện: PHẠM HOÀNG DUY LONG MSSV: 15146067 HUỲNH NGUYÊN PHƯƠNG MSSV: 15146087 TRẦN HẢI DANH MSSV: 15146018 TP HỒ CHÍ MINH – tháng năm 2019 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc *** Tp Hồ Chí Minh, ngày 13 tháng 07 năm 2019 NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên: TRẦN HẢI DANH Ngành: Công nghệ kĩ thuật điện tư Họ tên sinh viên: PHẠM HỒNG DUY LONG Ngành: Cơng nghệ kĩ thuật điện tư Họ tên sinh viên: HUỲNH NGUYÊN PHƯƠNG Ngành: Công nghệ kĩ thuật điện tư Giảng viên hướng dẫn: TS BÙI HÀ ĐỨC Ngày nhận đề tài: 2/2019 MSSV: 15146018 Lớp: 15146CL1 MSSV: 15146067 Lớp: 15146CL1 MSSV: 15146087 Lớp: 15146CL1 ĐT: 0966 955 459 Ngày nộp đề tài: 18/7/2019 Tên đề tài: NGHIÊN CỨU, THIẾT KẾ VÀ CHẾ TẠO GĂNG TAY MỀM HỖ TRỢ CHO NGƯỜI TẬT BÀN TAY ỨNG DỤNG EMG Các số liệu, tài liệu ban đầu: KÍCH THƯỚC VẬT NẮM HÌNH TRỤ ĐƯỜNG KÍNH 5-10mm Nội dung thực đề tài: • Thu thập, xử lý, phân loại tín hiệu điện bằng phần mềm MATLAB, VISUAL STUDIO • Nghiên cứu, thi công điều khiển cấu chấp hành điều khiển giám sát vị trí động DC servo • Nghiên cứu, thi công bao tay, hộp số cấu kéo ngón tay Sản phẩm: BAO TAY MỀM HỖ TRỢ TĂNG LỰC BÓP CHO NGƯỜI KHUYẾT TẬT ỨNG DỤNG EMG TRƯỞNG NGÀNH GIẢNG VIÊN HƯỚNG DẪN i LỜI CẢM ƠN Đầu tiên chúng em xin chân thành gửi lời cảm ơn tới Nhà trường, khoa Đào tạo chất lượng cao, Bộ môn Cơ điện tử, thầy cô tận tình giảng dạy, truyền đạt cho chúng em kiến thức sở, chuyên môn suốt năm học vừa qua Đặc biệt, xin chân thành cảm ơn thầy Bùi Hà Đức tận tình hướng dẫn Thầy cùng chúng em qua ngày khó khăn trình nghiên cứu dẫn Thầy niềm động lực rất lớn chúng em Nhóm xin cảm ơn đến người bạn chia sẻ kinh nghiệm làm đề tài hỗ trợ cơng việc để giúp nhóm hồn thành tốt được đồ án Chúng em xin chân thành cảm ii TÓM TẮT LUẬN VĂN Con người sử dụng chi để có thể hoạt động đời sống thường ngày Tuy nhiên may mắn, có người bị mất chi tai nạn, chiến tranh, số khác bị vấn đề yếu cơ, liệt bệnh tật bẩm sinh Việc gây khó khăn rất lớn họ tinh thần lẫn thể xác Các phương pháp hỗ trợ người bị tổn thương chi bao gồm thụ động chủ động Phương chủ động dự đoán chuyển động thể dựa vào cảm biến load cell, cảm biến lực Tuy nhiên, loại cảm biến có nhược điểm tạo độ trễ từ lúc chuyển động đến lúc động hỗ trợ Độ trễ làm cảm trở chuyển động đồng thời gây đau Những năm gần đây, EMG được sử dụng để dự đoán chuyển động thể Đề tài hướng đến việc tạo cấu sử dụng EMG giúp cho đối tượng người bị yếu bàn tay, không thể thực co bóp, cầm nắm đồ vật có thể hoạt động bình thường Một ưu điểm EMG xuất trước chuyển động thực 150ms đó không có độ trễ Trong luận văn này, nhóm tác giả phát triển hệ thống thu thập, xử lý, phân loại nhận dạng tín hiệu EMG từ bó hỗ trợ chuyển động ngón tay Từ đó cung cấp tín hiệu chuyển động cho hệ thống gang tay trợ lực Các ban đầu cho thấy hệ thống có khả thu được tốc độ 1000 sample/s độ xác nhận dạng chuyển động 90% Đối với hệ thống găng tay mềm hỗ trợ, thiết bị được thiết kế mang tính nhỏ gọn, có thể điều khiển co bóp ngón tay Các ngón cái, ngón trỏ có khả điều khiển riêng lẻ bằng hai động cơ, ba ngón lại được điều khiển chung sử dụng động Kết hệ thống găng tay có khả nắm vật có hình dạng trụ có đường kính từ 5cm tới 10cm Găng tay có thể điều khiển từ tín hiệu phân loại nhận dạng ngón tay từ nút bấm iii MỤC LỤC NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP .i LỜI CẢM ƠN ii TÓM TẮT LUẬN VĂN .iii MỤC LỤC iv DANH MỤC CÁC BẢNG BIỂU vi DANH MỤC CÁC HÌNH ẢNH, BIỂU ĐỒ viii CHƯƠNG 1: TỔNG QUAN .1 1.1 TÍNH CẤP THIẾT CỦA ĐỀ TÀI 1.2 MỤC TIÊU CỦA ĐỀ TÀI 1.3 PHƯƠNG PHÁP NGHIÊN CỨU: 1.4 ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU: 1.4.1 Đối tượng nghiên cứu: 1.4.2 Phạm vi nghiên cứu: .3 1.5 NỘI DUNG NGHIÊN CỨU: 1.6 BỐ CỤC LUẬN VĂN .4 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 GIỚI THIỆU CÁC CƠ CẤU HỖ TRỢ NGƯỜI KHUYẾT TẬT 2.1.1 ĐỐI TƯỢNG SỬ DỤNG 2.1.2 CÁC CƠ CẤU CHỦ ĐỘNG VÀ THỤ ĐỘNG 2.1.3 LỰA CHỌN PHƯƠNG ÁN THIẾT KẾ BAO TAY 2.1.4 CÁC CƠ CẤU TRUYỀN ĐỘNG CHO GĂNG TAY MỀM: 2.2 ĐIỀU KHIỂN CƠ CẤU TRUYỀN ĐỘNG BẰNG ĐỘNG CƠ DC SERVO 13 2.3 TỔNG QUAN VỀ TÍN HIỆU EMG 14 2.4 THU THẬP VÀ PHÂN TÍCH DỮ LIỆU EMG 15 2.4.1 THU THẬP TÍN HIỆU 16 2.4.2 ỔN ĐỊNH TÍN HIỆU 17 2.4.3 XỬ LÝ TÍN HIỆU 18 2.5 PHÂN LOẠI TÍN HIỆU BẰNG NEURAL NETWORK: .21 2.5.1 NEURAL NETWORK CƠ BẢN 23 2.5.2 NEURAL NETWORK VỚI MỘT LỚP 25 iv 2.5.3 NEURAL NETWORK VỚI NHIỀU LỚP 2.5.4 TRAINING MẠNG NEURON NHÂN TẠO CHƯƠNG 3: THIẾT KẾ VÀ CHẾ TẠO CƠ CẤU CHẤP HÀNH 3.1 BAO TAY 3.1.1 LỰA CHỌN THIẾT BỊ 3.1.2 BẢN VẼ THIẾT KẾ BAO TAY 3.2 CƠ CẤU TRUYỀN ĐỘNG 3.2.1 LỰA CHỌN THIẾT BỊ 3.2.2 BẢN VẼ THIẾT KẾ BỘ TRUYỀN ĐỘNG 3.3 BỘ ĐIỀU KHIỂN CƠ CẤU CHẤP HÀNH: 3.3.1 TỔNG Q 3.3.2 THÀNH PHẦN HỆ THỐNG: 3.3.3 THIẾT K 3.4 YÊU CẦU VỀ ĐIỀU KHIỂN VỊ TRÍ ĐỘNG 3.5 LƯU ĐỒ BỘ ĐIỀU KHIỂN CHƯƠNG 4: THÍ NGHIỆM EMG 4.1 TỔNG QUAN VỀ THIẾT BỊ 4.2 THỰC HIỆN THÍ NGHIỆM ĐO TÍN HIỆ 65 4.2.1 KẾT NỐI PHẦN CỨNG 4.2.2 VỊ TRÍ ĐẶT ĐIỆN CỰC 4.2.3 ĐỌC GIÁ TRỊ CỦA ADS1293 4.2.4 GIAO TIẾP VỚI MÁY TÍNH ĐỂ VẼ ĐỒ THỊ 4.2.5 THỰC HIỆN THU THẬP TÍN HIỆU EMG 4.2.6 XỬ LÝ, PHÂN LOẠI TÍN HIỆU EMG CHƯƠNG 5: KẾT QUẢ THỰC NGHIỆM 5.1 THỬ NGHIỆM ADS1293 5.1.1 ĐO CÁC DẠNG SÓNG 5.1.2 ĐO NHỊ 5.1.3 ĐO CƠ T 5.2 KẾT QUẢ CỦA FEATURE EXTRACTION 5.3 KẾT QUẢ VỀ PHÂN LOẠI SỬ DỤNG NE CHƯƠNG 6: KẾT LUẬN VÀ KIẾN NGHỊ v 6.1 KẾT LUẬN: 96 6.2 HƯỚNG PHÁT TRIỂN: 96 TÀI LIỆU THAM KHẢO 97 vi DANH MỤC CÁC BẢNG BIỂU Bảng 3.1: Mô tả chi tiết nhựa in3d số lượng sử dụng 35 Bảng 3.2: Giá trị lực đo đươc cảm biến vật (Passive) đầu ngón tay (Active) 41 Bảng 3.3: Các linh kiện được sử dụng để chế tạo truyền động 44 Bảng 3.4: Bảng thống kê thành phần sử dụng điều khiển 49 Bảng 3.5: Linh kiện sử dụng module nguồn 51 Bảng 3.6: Thông số làm việc ic cầu H L293D 53 Bảng 3.7: Linh kiện sử dụng module DRIVER 54 Bảng 3.8: Linh kiện sử dụng module MANUAL 55 Bảng 4.1: Các thiết bị sử dụng để đo EMG 63 Bảng 5.1: Kết phân loại tín hiệu EMG sử dụng thuật toán SCG với số lượng neuron lớp ẩn thay đổi 94 vii DANH MỤC CÁC HÌNH ẢNH, BIỂU ĐỒ Hình 2.1: Hình ảnh bàn tay bệnh nhân bị liệt bàn tay tai nạn hội chứng ống cổ tay Hình 2.2: Thiêt bị đeo tay sử dụng nhân tạo học viện Wyss thuộc đại học Harvard Hình 2.3: Thiết bị ExoSkeleton hỗ trợ phục hồi chức sử dụng chế lò xo trượt lớp Hình 2.4: Exo-Glove Poly trường đại học quốc gia Seoul (Hàn Quốc) .7 Hình 2.5: SaeboGlove, sản phẩm thương mại Công ty Saebo Hình 2.6: Sản phẩm hỗ trợ khác Cơng ty Saebo Hình 2.7: Một phiên găng tay cấu trợ lực kèm 10 Hình 2.8: Một phiên cấu khép kín nguyên lý kéo dây Project ExoGlove Poly (Đại Học Seoul) 11 Hình 2.9: Mơ tả truyền động kéo dây độc lập Project Exo-Glove Poly (Đại Học Seoul) 12 Hình 2.10: Phiên cấu độc lập nguyên lý kéo dây Project Exo-Glove Poly (Đại Học Seoul) 12 Hình 2.11: Cơ cấu nguyên lý kéo dây Đại học Drexel 13 Hình 2.12: Sơ đồ khối điều khiển PID 13 Hình 2.13: Quy trình thu thập xử lý tín hiệu EMG 15 Hình 2.14: Sơ đồ phát tín hiệu EMG phân tích EMG thành Action potential motor unit 16 Hình 2.15: Trạng thái tác động trạng thái nghỉ tín hiệu EMG thực co 18 Hình 2.16: Sơ đồ thuật toán cho ứng dụng riêng Machine Learning 22 Hình 2.17: neural network 23 Hình 2.18: Hàm truyền purelin 23 Hình 2.19: Hàm truyền logsig 24 Hình 2.20: Hàm truyền tansig 24 Hình 2.21: Hàm truyền softmax 24 Hình 2.22: Sơ đồ neuron network với nhiều giá trị đầu vào 25 Hình 2.23: Neuron network lớp 25 Hình 2.24: Neuron network lớp giá trị đầu 26 Hình 2.25: Neuron network nhiều lớp 27 Hình 3.1: Những kích thước để thiết kế bao tay trợ lực 29 Hình 3.2: Các phiên thiết kể thử nghiệm xác định kích thước phụ hợp với bàn tay 29 Hình 3.3: Phiên đầu tiên được gia công bằng phương pháp in 3d vật liệu dẻo 30 viii Sóng Cardiac: f= 10hz, A = 20mV Hình 5.4: Kết thu được sóng Cardiac sử dụng ADS1293 so với oscilloscope với f = 10hz A = 20mV 84 Sóng cardiac: f = 10 Hz, A= 50mV Hình 5.5: Kết thu được sóng Cardiac sử dụng ADS1293 so với oscilloscope với f = 10hz A = 50mV 85 Sóng cardiac: f = 50Hz, A = 20mV Hình 5.6: Kết thu được sóng Cardiac sử dụng ADS1293 so với oscilloscope với f = 50hz A = 20mV 86 7.Sóng Cardiac: f = 100Hz, A = 20mV Hình 5.7: Kết thu được sóng Cardiac sử dụng ADS1293 so với oscilloscope với f = 100hz A = 20mV Thông qua kiểm tra thiết bị đo EMG ADS1293 này, ta có thể thấy cảm biến đọc giá trị mà oscillator truyền đến, từ đó tạo nên hình dạng sóng tương tự hình oscillator Sau có được kết khả quan này, nhóm tiếp tực thực phần để kiểm tra ADS1293 87 5.1.2 ĐO NHỊP TIM Hình 5.8: Sơ đồ thực đo nhịp tim sử dụng ADS1293 Kết nối channel INP vào IN2 INN vào IN1 Kết nối channel INP vào IN3 INN vào IN1 Bật chế độ common-mode detector cho chân IN1, IN2 and IN3 Kết nối đầu RLD amplifier vào chân IN4 Thiết lập chế độ sử dụng xung CLK từ thạch anh bên thiết bị Tắt channel không sử dụng Thiết lập tốc độ lấy mẫu 853Hz cho channel Thiết lập loop read-back mode cho kênh 88 Hình 5.9: Đồ thị thu giá trị nhịp tim sử dụng ADS1293 Sau thực đo nhịp tim, ta thu được đồ thị hình 5.9 Tuy cịn nhiễu cảm biến có thể đọc được tín hiệu nhịp tim thể người Tiếp theo, nhóm chuyển qua đo EMG thể 5.1.3 ĐO CƠ TAY Đối với kiểm tra đo cơ, nhóm thực đo tín hiệu EMG cử động co cùng lúc ngón tay Khác với phần thực thu thập liệu, nhóm sử dụng cặp điện cực được đặt vị trí hình 4.4 Trong phần này, nhóm sẽ kiểm tra thử xem ADS1293 có thu được giá trị EMG hay không Các bước thiết lập chết độ đọc cho việc thu thập tín hiệu EMG kênh: Kết nối channel INP vào IN2 INN vào IN1 Kích hoạt khối Common – mode detect cho đầu vào IN1, IN2 Ngõ Right-leg drive được nối vảo IN4 Enable clock to digital Tắt sigma-delta modulator instrumentation amplifier Channel Vô hiệu hóa instrumentation amplifier fault detection Channel Thiết lập tốc độ lấy mẫu channel bằng 1067 Hz Bật Loop Read Back Mode cho channel 89 Khi thực co ngón giữ khoảng thời gian, ta thu được tín hiệu EMG hình 5.10 Phần tín hiệu EMG thực cử động co có biên độ lớn so với lúc thả lỏng Hình 5.11 thể thay đổi biên độ tín hiệu EMG thực co giãn liên tục ngón tay Hình 5.10: Đồ thị thu giá trị EMG thực co tay giữ sử dụng ADS1293 Hình 5.11: Đồ thị thu giá trị EMG thực co nhả tay liên tục sử dụng ADS1293 Sau thực thử nghiệm kiểm tra khả đo EMG ADS1293, ta có thể sử dụng ADS1293 để đo EMG 90 5.2 KẾT QUẢ CỦA FEATURE EXTRACTION Sau hoàn thành feature extraction 600 mẫu, nhóm thực vẽ đồ thị thể feature cử động co ngón tay Mỗi cử động ngón có feature, feature có kênh Dựa vào khác giá trị khoảng sai số kênh feature, ta có thể lựa chọn feature phù hợp cho việc phân loại tín hiệu Đối với feature MAV, RMS WL hình 5.12 Ta có thể chia giá trị (bao gồm khoảng sai số) kênh feature thành phần bằng cách sử dụng đường thẳng song song với trục y = Như feature MAV cử động co ngón trỏ, ta có thể sử dụng đường thẳng nằm ngang để chia giá trị MAV kênh thành phần Phần thứ bao gồm giá trị MAV kênh 2, phần thứ bao gồm giá trị MAV kênh 3, Tương tự cho feature RMS WL ngón Dựa vào cách phân tích này, ta chọn được feature thích hợp cho việc phân loại tín hiệu EMG Hình 5.12: Giá trị feature extraction cử động co ngón trỏ 91 Hình 5.13: Giá trị feature extraction cử động co ngón út Hình 5.14: Giá trị feature extraction cử động co ngón 92 Hình 5.15: Giá trị feature extraction cử động co ngón áp út Hình 5.16: Giá trị feature extraction cử động co ngón 93 5.3 KẾT QUẢ VỀ PHÂN LOẠI SỬ DỤNG NEURON NETWORK: Sau thực phân loại, ta có được kết phân loại ngón tay Số lượng neuron lớp ẩn ảnh hưởng đến kết phân loại, để có thể lựa chọn được số lượng neuron cách tối ưu, ta thay đổi số lượng neuron lớp ẩn dựa vào kết tốt nhất để lựa chọn Dựa vào bảng 5.1, kết trung bình tổng thể tốt nhất mà nhóm đạt được 93.67% Kết đạt được so với mục tiêu đề với số lượng neuron 10 Training function trainscg STT Avg Avg Avg Bảng 5.1: Kết phân loại tín hiệu EMG sử dụng thuật toán SCG với số lượng neuron lớp ẩn thay đổi Kết chi tiết tốt nhất mà nhóm đạt được thể hình 5.17, số đại diện lớp là: – ngón cái, – ngón trỏ, – ngón giữa, – ngón áp út – ngón út Như vậy, kết nhận dạng tổng quan tốt nhất vào khoảng 95.2% 94 Hình 5.17: Confusion matrix kết tốt nhất thu được 95 CHƯƠNG 6: KẾT LUẬN VÀ KIẾN NGHỊ 6.1 KẾT LUẬN: Ở mức độ nghiên cứu thi công nhóm giải được số vấn đề yêu cầu chế tạo thiết bị hỗ trợ cho người khuyết tật - Đã thu, xử lý phân loại được tín hiệu bó ngón tay - Đã thi công được cấu chấp hành bao tay, hộp số điều khiển cấu chấp hành có thể cầm nắm được vật thể hình trụ Qua trình nghiên cứu nhóm thu được nhiều kết tích cực tạo tiền đề cho việc nghiên cứu sau với thiết bị ứng dụng tín hiệu điện Đặc biệt trình thu thập, xử lý phân loại tín hiệu điện có độ xác cao (trên 90%) Với quy mô đề tài hạn chế kiến thức nhóm tác giả đề tài không thể tránh khỏi nhiều hạn chế 6.2 - Hệ thống không thể hoạt động xuyên suốt từ thu thập liệu, xử lý, phân loại xuất tín hiệu điều khiển cấu chấp hành mà phải phụ thuộc vào máy tính - Thiết kế điều khiển cồng kềnh gay khó khăn mang theo - Thiết kế bao tay hộp số nhiều hạn chế vật liệu, kích thước, cấu kéo lực kéo HƯỚNG PHÁT TRIỂN: Từ hạn chế nhóm có định hướng phát triển cho đề tài tương lai - Hệ thống sẽ được tinh gọn từ thu thập liệu, xử lý lệnh cho cấu chấp hành không phụ thuộc vào máy tính Hệ thống có thể đặt trực tiếp lên người hoạt động với độ trễ thấp - Thiết kế tối ưu điều khiển với kích thước thích hợp để dễ dàng dàng theo bên người - Thay đổi vật liệu, thiết kế bao tay cấu kéo để bàn tay có thể hoạt động tinh vi, linh hoạt hơn, cầm nắm được vật có hình dáng đa dạng 96 TÀI LIỆU THAM KHẢO [1] Brian Byunghyun Kang, Haemin Lee, Hyunki In, Useok Jeong, Jinwon Chung, and Kyu-Jin Cho, member, (2016) “Development of a Polymer-Based Tendon-Driven Wearable Robotic Hand”, pp 3750-3755 [2] Hyunki In, Haemin Lee, Useok Jeong, Brian Byunghyun Kang, Kyu-Jin Cho, (2015) “Feasibility study of a slack enabling actuator for actuating tendon-driven soft wearable robot without pretension” [3] Vo Lam Chuong, “Practice Instruction MODEL 4: ONE AXIS SERVO SYSTEMS USING DC SERVO MOTORS” [4] Reaz, M.B.I., M.S Hussain and F Mohd-Yasin, 2006 Techniques of EMG signal analysis: detection, processing, classification and applications Biological procedures online, 8(1): 11-35 [5] Jennifer Keating (2014), “RELATING FOREARM MUSCLE ELECTRICAL ACTIVITY TO FINGER FORCES”, pp 10-17 [6] HESSAM JAHANI FARIMAN, SITI A AHMAD, M HAMIRUCE MARHABAN, M ALI JAN GHASAB, AND PAUL H CHAPPELL (2015), “SIMPLE AND COMPUTATIONALLY EFFICIENT MOVEMENT CLASSIFICATION APPROACH FOR EMG-CONTROLLED PROSTHETIC HAND: ANFIS VS ARTIFICIAL NEURAL NETWORK”, pp 563-564 [7] Mark Hudson Beable, Martin T Hagan, Howard B Demuth, “Neural Network Toolbox User’s Guide” [8] Moller, M F., "A scaled conjugate gradient algorithm for fast supervised learning," Neural Networks, vol 6, pp 525-533, 1993 97 ... KHOA ĐÀO TẠO CHẤT LƯỢNG CAO Ngành Cơng Nghệ Kỹ Thuật Cơ Điện Tư -o0o - ĐỒ ÁN TỐT NGHIỆP ĐỀ TÀI: NGHIÊN CỨU, THIẾT KẾ VÀ CHẾ TẠO GĂNG TAY MỀM HỖ TRỢ CHO NGƯỜI TẬT BÀN TAY ỨNG DỤNG EMG Giảng... ĐT: 0966 955 459 Ngày nộp đề tài: 18/7/2019 Tên đề tài: NGHIÊN CỨU, THIẾT KẾ VÀ CHẾ TẠO GĂNG TAY MỀM HỖ TRỢ CHO NGƯỜI TẬT BÀN TAY ỨNG DỤNG EMG Các số liệu, tài liệu ban đầu: KÍCH THƯỚC VẬT NẮM... bao tay mà không cần gắn lên bàn tay người bị tật - Gọn nhẹ, tạo cảm giác thoải mái cho người sử dụng 2.1.4 CÁC CƠ CẤU TRUYỀN ĐỘNG CHO GĂNG TAY MỀM: Có rất nhiều truyền động cho loại bao tay