Đồ án tốt nghiệp - Thiết kế và thi công thiết bị phát hiện té ngã và cảnh bảo khẩn cấp

BỘ GIÁO DỤC &amp ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN – ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH
-

KHÓA LUẬN TỐT NGHIỆP
NGÀNH KỸ THUẬT Y SINH

ĐỀ TÀI:

THIẾT KẾ VÀ THI CÔNG
THIẾT BỊ PHÁT HIỆN TÉ NGÃ
VÀ CẢNH BÁO KHẨN CẤP
GVHD: ThS. Võ Đức Dũng
SVTH: Phạm Thị Mai Phương
MSSV: 21129087
SVTH: Nguyễn Nữ Ngọc Trâm
MSSV: 21129064

Tp. Hồ Chí Minh - 06/2025

BỘ GIÁO DỤC &amp ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN – ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH
-

KHÓA LUẬN TỐT NGHIỆP
NGÀNH KỸ THUẬT Y SINH
ĐỀ TÀI:

THIẾT KẾ VÀ THI CÔNG
THIẾT BỊ PHÁT HIỆN TÉ NGÃ
VÀ CẢNH BÁO KHẨN CẤP
GVHD: ThS. Võ Đức Dũng
SVTH: Phạm Thị Mai Phương
MSSV: 21129087
SVTH: Nguyễn Nữ Ngọc Trâm
MSSV: 21129064

Tp. Hồ Chí Minh - 06/2025

TRƯỜNG ĐH SPKT TP. HỒ CHÍ MINH
KHOA ĐIỆN-ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập - Tự do - Hạnh phúc
Tp. HCM, ngày 17 tháng 2 năm 2025

NHIỆM VỤ KHÓA LUẬN TỐT NGHIỆP
Họ tên sinh viên:
Chuyên ngành:
Hệ đào tạo:
Khóa:

Phạm Thị Mai Phương
Nguyễn Nữ Ngọc Trâm
Kỹ thuật Y Sinh
Đại học chính quy
2021

MSSV: 21129087
MSSV: 21129064
Mã ngành: 29
Mã hệ:
1
Lớp:
21129A

I. TÊN ĐỀ TÀI: THIẾT KẾ VÀ THI CÔNG THIẾT BỊ PHÁT HIỆN TÉ NGÃ VÀ
CẢNH BÁO KHẨN CẤP
II. NHIỆM VỤ
1. Các số liệu ban đầu:
- Datasheet cảm biến MPU6050, vi điều khiển ESP32, module A9G GSM/GPS,
module SD Card, Boost MT3608.
- Bộ dữ liệu gia tốc &amp con quay thô từ MPU6050 gắn thắt lưng.
- Tiêu chuẩn an toàn của pin Li‑ion, BLE, Firebase, React Native.
2. Nội dung thực hiện:
- Nghiên cứu cơ sở lý thuyết té ngã, cảm biến IMU, ESP32, phương pháp
nhận dạng té (ngưỡng và Machine Learning), giao thức truyền thông GSM/GPS.
- Thiết kế, mô phỏng và in PCB cho thiết bị chính và thết bị thu dữ liệu.
- Lập trình firmware ESP32: thu – xử lý tín hiệu, nhận diện té ngã, gửi SMS/GPS.
- Xây dựng ứng dụng di động React Native + Firebase hiển thị thiết bị, cảnh báo
thời gian thực.
- Thu thập dữ liệu thực nghiệm, huấn luyện và tối ưu mô hình, tích hợp vào vi điều
khiển.
- Đánh giá độ chính xác, độ trễ, tiêu thụ năng lượng.
III. NGÀY GIAO NHIỆM VỤ:
17/02/2025
IV. NGÀY HOÀN THÀNH NHIỆM VỤ: 16/06/2025
V. HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN:
ThS. Võ Đức Dũng
CÁN BỘ HƯỚNG DẪN

BM. ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

TRƯỜNG ĐH SPKT TP. HỒ CHÍ MINH
KHOA ĐIỆN-ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

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

...
train)
CLASS_W = {0: weights[0], 1: weights[1]}
print( Train class distribution:,
dict(zip(*np.unique(y_train, return_counts=True))))
print(

class_weight:, CLASS_W)

# 5) NORMALIZATION
norm = layers.Normalization()
norm.adapt(X_train_orig)
# 6) CNN1D MODEL
print(\\n[+] Building Compact CNN1D model …)
model = models.Sequential([
layers.Input((WIN_SIZE, 6)),
norm,
# Chỉ dùng 1 lớp Conv1D với 16 filters
layers.Conv1D(16, 3, activation=relu,
kernel_regularizer=regularizers.l2(1e-4)),
layers.MaxPooling1D(2),
# Giảm out xuống còn 0.3
layers.Flatten(),
layers.out(0.3),
# Giảm số neurons ở Dense layer xuống còn 32
layers.Dense(32, activation=relu,
kernel_regularizer=regularizers.l2(1e-4)),
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

xiii

PHỤ LỤC
layers.Dense(1, activation=sigmoid)
])
model.compile(optimizer=adam,
loss=binary_crossentropy,
metrics=[accuracy,
tf.keras.metrics.AUC(name=auc)])
model.summary()
# 7) TRAIN
es = callbacks.EarlyStopping(monitor=val_loss, patience=2,
restore_best_weights=True)
rlr = callbacks.ReduceLROnPlateau(monitor=val_loss,
patience=1, factor=0.5, min_lr=1e-5)
history = model.fit(X_train, y_train,
validation_data=(X_val, y_val),
epochs=EPOCHS,
batch_size=BATCH_SIZE,
class_weight=CLASS_W,
callbacks=[es, rlr],
verbose=2)
# 8) EVALUATE
print(\\n- Validation threshold tuning -)
thr_opt = 0.4
if TUNE_THRESHOLD:
prob_val = model.predict(X_val, verbose=0).ravel()
fpr, tpr, thr = roc_curve(y_val, prob_val)
thr_opt = thr[np.argmax(tpr - fpr)]
print(f

Best thr (Youden) = {thr_opt:.3f})

prob_test = model.predict(X_test, verbose=0).ravel()
y_pred = (prob_test thr_opt).astype(int)
print(\\n- Test -)
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

xiv

PHỤ LỤC
print(classification_report(y_test, y_pred,
target_names=[non-fall, fall]))
print(confusion_matrix(y_test, y_pred))

IV. Xác suất của các hoạt động và ngưỡng Youden

Kết quả cho thấy ngưỡng 0.325 đạt giá trị Youden cao nhất, đồng nghĩa với
việc tối ưu đồng thời cả độ nhạy và độ đặc hiệu.

Biểu đồ Youden Index dùng để tinh chỉnh ngưỡng phân loại.
Tuy nhiên, trong thực tế triển khai, ngưỡng nhỏ hơn 0.30 được lựa chọn do
mục tiêu là hạn chế tối đa bỏ sót các trường hợp té (false negative), ngay cả khi phải
chấp nhận tăng số lượng cảnh báo sai (false positive). Điều này đặc biệt quan trọng
trong các ứng dụng giám sát người cao tuổi, nơi việc bỏ sót một lần té ngã có thể
dẫn đến hậu quả nghiêm trọng.
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

xv