Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDengan tujuan menghasilkan sebuah sistem klasifikasi gerakan genggaman tangan kanan berbasis alat EEG EMOTIV Epoc+ yang optimal dan mengacu pada elemen-elemen tahapan Brain-Computer Interface (BCI), telah didapatkan kombinasi elemen-elemen tahapan BCI dengan nilai akurasi klasifikasi paling tinggi. Adapun kombinasi elemen-elemen tersebut adalah sebagai berikut: penggunaan Independent Component Analysis (ICA), analisis spektrum oleh Fast Fourier Transform (FFT), fitur power maksimum mu berikut frekuensinya dan fitur power maksimum beta berikut frekuensinya, dan classifier Probabilistic Neural Network (PNN). Nilai akurasi klasifikasi yang didapat yaitu 81,2% untuk training dan 69,5% untuk testing. Perbandingan nilai akurasi dari perpaduan kombinasi, kondisi eksperimen, dan data EEG eksternal disediakan untuk keperluan analisis nilai akurasi klasifikasi.

---

ABSTRACT

Has been obtained combination of elements of BCI stages providing the highest value of classification accuracy with the aim of producing an optimum classification system based on EEG device EMOTIV Epoc+ for right-hand grasp movement, by referring to Brain Computer Interface (BCI) stage element. The combinations of elements are the use of Independent Component Analysis (ICA), spectrum analysis by Fast Fourier Transform (FFT), maximum mu power with its frequency and maximum beta power with its frequency as features, and classifier Probabilistic Neural Network (PNN). The highest values of classification accuracy are 81,2% for training and 69,5% for testing. The comparison of accuracy value from the combination unification, experiment condition, and external EEG data are provided for the purpose of value analysis of classification accuracy."

"Brain-Computer Interface (BCI) merupakan sebuah sistem yang mampu menerjemahkan sinyal-sinyal otak menjadi perintah kepada berbagai devais keluaran. Teknologi ini kini sedang berkembang pesat terutama untuk keperluan rehabilitasi gerak bagi orang-orang yang telah kehilangan kemampuan geraknya. Dalam penelitian ini, dirancang sebuah sistem BCI yang mampu menerjemahkan sinyal otak seseorang ketika sedang melakukan pembayangan gerak (motor imagery) untuk gerakan tangan menggenggam dan membuka. Hasil terjemahan tersebut dapat digunakan untuk menggerakkan sebuah antarmuka yang membantu orang tersebut untuk bergerak menggenggam dan membuka tangan secara real-time. Sistem BCI ini menggunakan perangkat akuisisi data yang terdiri dari Raspberry Pi 4 dan ADS1299 Analog-to-Digital Converter. Sistem ini juga dikembangkan dengan menggunakan berbagai algoritma pemrosesan dan klasifikasi data, mulai dari Independent Component Analysis, Support Vector Machine, Linear Discriminant Analysis, k-Nearest Neighbours, dan Random Forest. Akurasi hasil testing klasifikasi yang dilakukan oleh sistem ini bernilai 64,6% untuk mengklasifikasi 3 jenis pembayangan gerak (menggenggam, membuka, dan diam) menggunakan algoritma SVM serta 94,7% untuk klasifikasi 2 jenis pembayangan gerak (menggenggam dan membuka) menggunakan algoritma Random Forest.

---

Brain-Computer Interface (BCI) is a system which can translate brain signals to command various output devices. This technology had been developing rapidly, especially for movement rehabilitation purposes for people with motoric disabilities. In this research, a BCI system has been developed which can translate one’s brain signals when one is imagining doing hand movement (motor imagery). The translation result can be used to drive an interface in real-time. This BCI system utilize an acquisition device, consisting of Raspberry Pi 4 and ADS1299 Analog-to-Digital Converter. Besides, this system has also been developed using several algorithms for processing and classifying data, namely Independent Component Analysis, Support Vector Machine, Linear Discriminant Analysis, k-Nearest Neighbours, and Random Forest. Testing accuracy for this system yielded a 64.6% for classifying three types of motor imagery (hand grasping, hand opening, and resting) with SVM, and 94.7% for classifying two types of motor imagery (hand grasping and hand opening only) using Random Forest."

"Analisis Prediksi Gerakan Tangan menggunakan Sinyal Elektroensefalografi. Berbagai pendekatan teknologi telah dikembangkan untuk membantu mereka yang menderita kelumpuhan dalam melakukan aktivitas kesehariannya secara mandiri. Salah satu teknologi tersebut adalah Brain-Computer Interface (BCI). Sistem BCI menggunakan elektro- ensefalografi (EEG) yang dihasilkan dari aktivitas mental seorang subjek sebagai masukan, dan mengubahnya menjadi perintah. Beberapa percobaan sebelumnya telah menunjukkan kemampuan sistem BCI untuk memprediksi gerakan sebelum gerakan tubuh aktual terjadi. Penelitian tersebut memprediksi gerakan yang akan terjadi dengan membedakan data pada kondisi rest, di mana tidak ada intensi gerakan, dengan kondisi pre-movement, di mana terdapat intensi gerakan sebelum gerakan aktual terjadi. Penelitian ini dilakukan untuk melakukan analisis sistem yang dihasilkan dari pembelajaran, yang kemudian diterapkan pada data dengan interval waktu kontinu, antara 3 detik sebelum gerakan terdeteksi sampai 1 detik setelah gerakan sebenarnya terjadi. Hasil percobaan menunjukkan bahwa sistem dapat membedakan kondisi pre- movement dan kondisi rest dengan menggunakan sinyal EEG pada frekuensi 7-30 Hz di mana letak Mu dan ritme Beta dengan nilai rerata true positive rate (TPR) sebesar 0.64 ± 0.11 dan rerata nilai false positive rate (FPR) sebesar 0.17 ± 0.08. Hasil percobaan juga mampu menunjukkan bahwa penggunaan sinyal EEG yang dekat dengan terjadinya gerakan, membuat sistem dapat mendeteksi intensi gerakan dengan nilai TPR atau tingkat deteksi gerakan semakin tinggi.

---

Various technological approaches have been developed in order to help those people who are unfortunate enough to be afflicted with different types of paralysis which limit them in performing their daily life activities independently. One of the proposed technologies is the Brain-Computer Interface (BCI). The BCI system uses electroencephalography (EEG) which is generated by the subject?s mental activity as input, and converts it into commands. Some previous experiments have shown the capability of the BCI system to predict the movement intention before the actual movement is onset. Thus research has predicted the movement by discriminating between data in the ?rest? condition, where there is no movement intention, with ?pre-movement? condition, where movement intention is detected before actual movement occurs. This experiment, however, was done to analyze the system for which machine learning was applied to data obtained in a continuous time interval, between 3 seconds before the movement was detected until 1 second after the actual movement was onset. This experiment shows that the system can discriminate the ?pre-movement? condition and ?rest? condition by using the EEG signal in 7-30 Hz where the Mu and Beta rhythm can be discovered with an average True Positive Rate (TPR) value of 0.64 ± 0.11 and an average False Positive Rate (FPR) of 0.17 ± 0.08. This experiment also shows that by using EEG signals obtained nearing the movement onset, the system has higher TPR or a detection rate in predicting the movement intention."

"Keterbatasan dalam pengoperasian kursi roda membuat ketidaknyamanan yang besar bagi penggunanya. Salah satu metode yang dapat membantu kaum yang mengalami keterbatasan dalam mengoperasikan kursi roda adalah suatu sistem yang disebut Brain-Computer Interface. Sistem ini menggunakan elektroensefalografi (EEG) sebagai sarana komunikasi antara sinyal otak pengguna dan mekanisme pengendalian kursi roda. Proses akuisisi data melibatkan penggunaan elektroda AgCl 8 kanal, Raspberry Pi 4 Model B, dan ADS1299. Teknik pengolahan sinyal, termasuk bandpass filter, Independent Component Analysis (ICA), dan analisis Power Spectral Density (PSD), diimplementasikan untuk meningkatkan kualitas sinyal EEG yang diperoleh. Tahap klasifikasi menggunakan Support Vector Machine (SVM) untuk menginterpretasikan sinyal yang telah diproses, mencapai akurasi yang mengesankan sebesar 90%, presisi sebesar 91,4%, dan sensitivitas sebesar 90%.

---

Limitations in wheelchair operation create great inconvenience for users. One method that can help people who experience limitations in operating a wheelchair is a system called Brain-Computer Interface. This system uses electroencephalography (EEG) as a means of communication between the user's brain signals and the wheelchair control mechanism. The data acquisition process involves the use of 8-channel AgCl electrodes, a Raspberry Pi 4 Model B, and an ADS1299. Signal processing techniques, including bandpass filter, Independent Component Analysis (ICA), and Power Spectral Density (PSD) analysis, were implemented to improve the quality of the acquired EEG signals. The classification stage used Support Vector Machine (SVM) to interpret the processed signals, achieving an impressive accuracy of 90%, precision of 91.4%, and sensitivity of 90%."

"Penelitian ini berfokus pada pengembangan algoritma untuk EEG-based Brain Computer Interface (BCI) yang memanfaatkan sinyal otak untuk mengendalikan external device secara langsung. Jenis sinyal EEG yang digunakan dalam penelitian ini adalah sinyal Motor Imagery (MI) yang berisikan imajinasi gerakan anggota tubuh tertentu tanpa dilakukannya gerakan secara langsung. Pengaplikasian sinyal MI-EEG ke dalam BCI masih memiliki kendala utama dikarenakan pola yang dihasilkan sulit untuk dibedakan antara jenis gerakan yang satu dengan jenis gerakan lainnya, maupun pada jenis gerakan yang sama. Pembaharuan yang dilakukan oleh peneliti adalah dengan memanfaatkan metode Wavelet Packet Transform (WPT) yang digunakan untuk meningkatkan resolusi temporal dari sinyal dengan cara mendekomposisikan sinyal ke dalam pita - pita frekuensi (frequency band) baik pada frekuensi tinggi maupun frekuensi rendah, sehingga dapat meningkatkan kemampuan Common Spatial Pattern (CSP) sebagai spatial filter sehingga didapatkan resolusi spatial yang lebih baik untuk sinyal MI-EEG tersebut. Convolutional Neural Network (CNN) kemudian dipilih untuk pelatihan dari klasifier, dimana hasil pelatihan ini nantinya akan digunakan untuk mengklasifikasikan gerakan dari MI-EEG yang diberikan. Performa dari metode ini akan dianalisis dengan menggunakan dataset 2a dari Brain Computer Interface Competition IV (BCIC IV) dan menghasilkan peningkatan rerata nilai akurasi hingga 32%, Kappa hingga 0,42, dan F-Score hingga 0,39 dibandingkan dengan hanya menggunakan CNN sebagai klasifiernya. Performa dari algoritma ini juga memiliki nilai Kappa yang cukup baik dibandingkan dengan metode – metode lain yang digunakan sebelumnya pada dataset 2a dari BCIC IV.

---

This study is focused on proposed a new algorithm in EEG-based Brain Computer Interface (BCI) that can directly utilize brain signals to control external devices. Motor Imagery (MI) signal, which contains the imagination of a certain limb movement, is generally used in BCI. It does not need direct movement. The application of MI-EEG signal into BCI still has major problems because the patterns obtained for each recording can be different from one another even though they have the same type of motion. In this study, we utilize the Wavelet Packet Transform (WPT) method which is used to decompose the EEG signal into specifics sub-bands frequency and Common Spatial Pattern (CSP) as a spatial filter to increase the spatial resolution of the EEG signal. The Convolutional Neural Network (CNN) is then selected for training from the classifier. The results of this training will later be used to classify the movements of the given MI-EEG. We evaluate the model using dataset 2a from Brain-Computer Interface Competition (BCIC) IV. The results show that the average accuracy increases 32%, Kappa up to 0.42, and F-Score up to 0.39 compared to only using CNN as the classifier. The performance of this algorithm also has a fairly good Kappa value compared to other methods used previously in dataset 2a from BCIC IV."

"Sebuah multimedia eksperimen untuk mengetahui karakteristik tegangan dan arus yang melewati kapasitor pada rangkaian RC seri, baik sumber DC maupun AC, telah dibangun. Untuk sumber DC komponen-komponen R (resistor) dan C (kapasitor) diatur sedemikian rupa sehingga diperoleh nilai konstanta waktu (τ = R x C) dalam satuan detik. Eksperimen untuk sumber DC dilakukan dengan variasi resistor, yaitu 100 Ω, 300 Ω, 470 Ω, dan 1 kΩ, dengan kapasitor yang konstan sebesar 10.000 µF. Sedangkan untuk sumber AC komponen kapasitor dan resistor yang digunakan dikondisikan agar lebar pulsanya (PW) sebesar τ, 5τ, dan 10τ. Eksperimen untuk sumber AC dilakukan dengan variasi frekuensi, yaitu 0,1 Hz; 1 Hz; dan 10 Hz. Sebuah sensor arus (Current Sensor PASCO CI-6556) digunakan untuk membaca arus yang mengalir pada rangkaian RC tersebut. Sebagai pengakusisi data digunakan DAQ (NI-USB 6009) yang berfungsi untuk membaca sinyal dari rangkaian sehingga dapat diolah komputer. Adapun tampilan multimedia eksperimen ini dibuat dengan menggunakan software Labview yang berfungsi untuk mengontrol DAQ dan menampilkan data yang didapatkan dari eksperimen dalam bentuk tabel dan grafik."

"Dunia pada saat ini membutuhkan metode transportasi untuk menggerakkan orang,atau komoditas. Namun permasalahan yang muncul adalah kemampuan individual untuk mengetahui kinerja kendaraan tersebut terbatas. Sistem indikasi secara umum dapat mendeteksi permasalahan yang muncul namun tidak dapat menganalisa degradasi kendaraan secara umum. Untuk menanggulangi tersebut, perlu didesain sistem yang dapat mendeteksi performa kendaraan secara lebih holistic. Pertama, perlu diambilnya data dari sensor kendaraan, dan kemudian diproses untuk mencari degradasi performa dan anomaly yang muncul. Data tersebut akan dapat disimpan dengan database untuk pengaksesan yang mudah. Dengan menggunakan teknologi machine learning, terutama menggunakan algoritma neural network (NN), dapat dicari relasi-relasi dari informasi yang dapat diterima dari kendaraan untuk menjadi informasi yang dapat diproses oleh pengguna untuk mengambil keputusan. Hasil yang diamati, dalam jangka waktu eksperiment belum ada terdeteksi penurunan performa signifikan. Namun dengan penambahan noise, sistem dapat mendeteksi degradasi atau anomaly pada data.Untuk menampilkan data ke pengguna, sebuah tampilan dasbor digital dapat digunakan. Secara optimal data dapat diambil dari semua lokasi. Untuk menghasilkan ini data web didesain dengan data yang tertransfer dari web ke dasbor mobil.

---

The world today need transportation methods for people and commodities. The problem lies in the capabilities of individuals to have knowledge on the performance of the vehicle will mostly be limited. The problem with common indication systems is that it can’t detect problems before the point of failure. Because of that there is a need to design a system which can detect change in performance and indicate it to users. First data is extracted from automobile sensors, then processed to form connecctions and discern the anomalies and degradation caused by wear. This data, to be more easily accessed, is stored in databases. By using Neural Network Algorithms, the model designed can find relations between informations accepted and convert it to usable information. Although with this system proposed no significant drop in performance was noticed in the available data. Although with added noise, anomalies and degradation may be detected.

To create an interface for users, an interface or digital dashboard may be used. Optimally the data can be observed reliably from every position. To create this a web may be designed with transferable data from web to car dashboard

"

"Pendahuluan: Perdarahan Intraventrikel Intraventricular Hemorrhage / IVH merupakan perdarahan spontan yang terjadi di dalam sistem ventrikel, 30-45 sering berhubungan dengan Intracerebral Hemorrhage ICH . Evaluasi aktifitas sehari-hari yang akurat dan tepat pada pasien pasca stroke sangat penting untuk kualitas perawatan dan pengukuran luaran pasca perawatan stroke. Modified Rankin Scale mRS merupakan skala pengukuran disabilitas yang dipakai secara global untuk evaluasi pemulihan dari stroke. Tujuan: Menelaah data luaran penderita perdarahan intraventrikel yang dilakukan operasi di Departemen Bedah Saraf Rumah Sakit Umum Pusat Nasional Cipto Mangunkusumo berdasarkan mRS. Metode: Penelitian ini merupakan penelitian retrospektif dengan desain potong lintang cross sectional . Adapun variabel independent yaitu lokasi lesi perdarahan intraserebral, IVH-skor, GCS awal, dan variabel dependent yaitu luaran berdasarkan skoring mRS. Subjek penelitian adalah semua pasien penderita perdarahan intraventrikel yang dikelola Departemen Bedah Saraf RSUPN Cipto Mangunkusumo selama periode Januari 2010 sampai dengan Agustus 2016. Jumlah sampel pada penelitian ini didapatkan 23 sampel. Data penelitian diperoleh melalui catatan rekam medis, subjek dihubungi via telepon, kemudian subjek atau keluarga diwawancara untuk menilai status fungsionalnya dengan mRS. Data diolah dengan menggunakan program SPSS 21. Hasil: Luaran 6 bulan IVH dengan menggunakan mRS secara keseluruhan didapatkan independent 11 pasien 47,8 dependent 4 pasien 17,3 dan 8 pasien meninggal 34,9 . IVH sebagian besar berusia di bawah 60 tahun 60,8 dan 39,2 yang berusia diatas 60 tahun, dari penelitian didapatkan IVH skor terbanyak adalah >15 sebanyak 15 pasien 65,2 . GCS rata-rata 7,6 2,14 . MAP terbanyak adalah >100 dengan jumlah 20 pasien 87 , dan faktor resiko yang mengalami hipertensi sebanyak 19 pasien 82,6. Diskusi: mRS dapat digunakan sebagai standar penilaian luaran IVH.

---

Introduction: Intraventricular hemorrhage IVH is a spontaneous hemorrhage occurring within the ventricular system, 30 40 often associated with Intracerebral hemorrhage ICH, Accurate and precise daily evaluating activity in post stroke patients is critical for the quality of care and measurement of post stroke outcomes. Modified Rankin Scale mRS is a global disability measurement scale used for the evaluation of stroke recovery.

Aims: Configuring outcome data of patient with intraventricle hemorrhage operated at neurosurgery departmen of cm hospital based on mRS.

Methods This was an observational study with cross sectional design. The independent variables are location of intracerebral hemorrhage lesion, IVH score, initial GCS, and dependent variable is outcome based on mRS scores. Subjects of research were all patients with intraventricular hemorrhage administered by Department of Neurosurgery Cipto Mangunkusumo Hospital during January 2010 until August 2016 period. The number of samples in this study were obtained 23 samples. Research data was obtained through medical record and transferred into data entry format, patients was contacted by telephone, then patients or family were interviewed to assess their functional status with Modified Rankin Scale. Data is processed by using SPSS 21 program.

Results: 6 months IVH overall outcomes are 11 independent patients 47.8 4 dependent patients 17.3 and 8 patients died 34.9. IVH were mostly under 60 years old 60,8 and 39,2 were aged over 60 years, from the study obtained IVH most scores were 15 as many as 15 patients 65.2. GCS averages 7.6 2.14 . Most MAPs were 100 with 20 patients 87, and hypertension risk factors were 19 patients 82.6.

Discussion: mRS can be used as standard outcome assessment of IVH."