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."

"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."

"Touch and gestural&​nbsp;devices&​nbsp;have been hailed as next evolutionary step in human-computer interaction. As software companies struggle to catch up with one another in terms of developing the next great touch-based interface, designers are charged with the daunting task of keeping up with the advances in&​nbsp;new technology and this new aspect to user experience design. Product and interaction designers, developers and managers are already well versed in UI design, but touch-based interfaces have added a new level of complexity. They need quick references and real-world examples in order. "

"Touch and gestural&​nbsp;devices&​nbsp;have been hailed as next evolutionary step in human-computer interaction. As software companies struggle to catch up with one another in terms of developing the next great touch-based interface, designers are charged with the daunting task of keeping up with the advances in&​nbsp;new technology and this new aspect to user experience design. Product and interaction designers, developers and managers are already well versed in UI design, but touch-based interfaces have added a new level of complexity. They need quick references and real-world examples in order. "

"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."

"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."

"The primary purpose of this book is to provide a statistical resource for those who measure the behavior and attitudes of people as they interact with interfaces. The focus is on methods applicable to practical user research, based on our experience, investigations, and reviews of the latest statistical literature."