Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Sistem kendali merupakan hal penting di dalam perancangan sebuah alat bantu berjalan untuk pasien pasca stroke yang mengalami hemiparetik pada kakinya. Sistem kendali yang baik harus mampu mengetahui keinginan bergerak atau berjalan dari manusia dan menerjemahkan keinginan tersebut menjadi sebuah gerakan yang alami melalui alat bantu berjalan yang umumnya digerakkan oleh sebuah perangkat DC motor. Sudah banyak penelitian yang telah dilakukan untuk melakukan deteksi terhadap keinginan manusia untuk bergerak atau berjalan melalui berbagai macam sensor yang dipasang pada otot-otot yang terkait. Fokus dalam penelitian ini adalah melakukan deteksi gaya berjalan melalui sinyal elektromiografi yang diperoleh dengan menggunakan sensor-sensor EMG yang dipasangkan pada permukaan 12 otot yang sangat berkaitan dengan gerakan atau gaya berjalan pada manusia. Adapun 12 otot ini terdiri dari 2 otot bahu yaitu Deltoid Anterior (DA) dan Deltoid Posterior (DP), dan 10 otot kaki yang terdiri dari Rectus Femoris (RF), Biceps Femoris (BF), Vastus Medialis (VM), Vastus Lateralis (VL), Tibialis Anterior (TA), Medial Gastrocnemius (MG), Soleus (S), Gluteus Maximus (GMax), Semitendinosus (ST), dan Peroneus Longus (PL). Sinyal elektromiografi dari 12 otot tersebut direkam dari 2 pasien sehat yang tidak mengalami gangguan berjalan, terdiri dari 1 orang pria dan 1 orang wanita. Sinyal tersebut kemudian diproses melalui aplikasi Matlab untuk dilakukan proses klasifikasi dengan menggunakan teknik Artificial Neural Network (ANN). Di samping itu, metode machine learning juga dilakukan yaitu dengan teknik Linear Discriminant Analysis (LDA), Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN), yang bertujuan untuk mendapatkan perbandingan berbagai teknik tersebut agar didapatkan hasil dengan tingkat akurasi terbaik di dalam melakukan deteksi gaya berjalan yang dibedakan menjadi 3 yaitu: berjalan normal, naik tangga dan turun tangga. Hasil terbaik yang diperoleh dari penelitian ini dengan menggunakan algoritma ANN yang mampu menghasilkan prediksi sempurna dengan tingkat akurasi 100%, kemudian tingkat akurasi terbaik yang diperoleh dengan metode machine learning masing-masing untuk algoritma SVM adalah sebesar 99.2%, algoritma KNN sebesar 98.8% dan algoritma LDA sebesar 97.2% yang semuanaya diperoleh dari dataset kombinasi sinyal EMG otot bahu dan kaki. Hasil ini sangatlah penting di dalam penelitian yang akan dilakukan di kemudian hari dalam merancang sebuah sistem kendali yang mampu mengenali keinginan bergerak atau berjalan manusia baik saat berjalan normal maupun ketika hendak naik atau turun tangga sehingga alat bantu berjalan yang dihasilkan dapat digunakan dengan nyaman dan aman oleh pemakainya. ......Control strategy is a fundamental role and very important part to create a walking assistive device for patients after stroke with a hemiparetic leg. A good control strategy must have the ability to predict the human motion or walking intention and naturally deliver force by the walking assistive device thereafter. This force is usually generated by the electric actuator using direct-drive motor. Recently, many studies have addressed and put more interest in predicting the human motion intention through various sensors which put on the surface of related skeletal muscles. This study focuses on gait event detection using electromyography signals from 12 muscles comprise of 2 shoulder muscles those are Deltoid Anterior (DA) and Deltoid Posterior (DP) and 10 lower limb muscles those are Rectus Femoris (RF), Biceps Femoris (BF), Vastus Medialis (VM), Vastus Lateralis (VL), Tibialis Anterior (TA), Medial Gastrocnemius (MG), Soleus (S), Gluteus Maximus (GMax), Semitendinosus (ST), and Peroneus Longus (PL). The EMG signals are recorded unilaterally using surface EMG sensor from 2 healthy subjects without walking disorder, consist of 1 male and 1 female. The signals are processed on Matlab platform subsequently for classification process using Artificial Neural Network (ANN) technique. Besides, the machine learning methods are also used in this research i.e. Linear Discriminant Analysis (LDA), Support Vector Machine (SVM) and K-Nearest Neighbor (KNN). The purpose of using several methods is to output the comparison with highest accuracy result in predicting the gait events which are divided into 3 types: normal walking, stair ascent, and stair descent. The best outcome along this research is generated from ANN algorithm which could steadily predict without any error with accuracy rate 100%. Furthermore, the best results from machine learning method are 99.2% using SVM algorithm, 98.8% using KNN algorithm and 97.2% using LDA algorithm. All those performances are resulted from datasets with combination between EMG signals from shoulder and lower limb muscles. This achievement becomes a significant factor for the future studies to design a control strategy with good human-robot interaction that can recognize the human motion intention in each different gait event to contrive comfort and safety walking assistive device for the wearer.

Abstrak :
ABSTRACT
Pergerakan suatu anggota tubuh adalah hasil dari usaha kolektif yang dilakukan oleh otak, saraf, dan kegiatan otot. Jika salah satu faktor penentu diatas tidak dapat berfungsi, maka pergerakan tidak dapat dilakukan. Hal itu mungkin menjadi sesuatu yang alamiah bagi mereka yang sejak awal kehilangan fungsi tubuhnya, namun mereka yang kehilangan fungsi tersebut setelah pergerakan menjadi bagian mendasar dari keseharian hidup mereka merupakan hal yang berbeda. Pada skripsi ini akan dibahas penelitian untuk merancang bangun alat akuisisi data sinyal Electromyograph EMG dengan menggunakan elektroda surface Ag-AgCl serta analisis kinerjanya. Sinyal 2-channel surface electromyograph SEMG didapatkan dari bagian ekstremitas atas tubuh yaitu Flexor Carpi Radialis yang kemudian akan difilter dengan serangkaian rancangan biopotential amplifier dan band-pass filter sebelum diproses menggunakan mikrokontroler. Selanjutnya sinyal yang didapat akan digunakan untuk klasifikasi dan spesialisasi pola gerakan tangan. Hasil pengujian menunjukan bahwa rangkaian filter yang dirancang telah menunjukan pola keluaran sinyal EMG dengan jelas. Karena karakteristik sinyal EMG yang berbeda pada setiap orang maka untuk melihat kinerja dari perangkat, pola yang dihasilkan dibandingkan dengan hasil jurnal yang sudah ada. Terlihat bahwa pola yang ditunjukan sudah sangat mirip dengan penelitian yang dilakukan sebelumnya dengan fluktuasi sinyal yang sangat intens ketika kerja selain rileks dilakukan.

---

ABSTRACT
Limb movement is the result of a collective effort done by the brain, nerves, and muscle activity. If one of the above determinants does not work, the movement can not be performed. It may be natural for those who have lost their bodily functions from the very beginning, but those who lose their function after the movement becomes a fundamental part of their daily lives are different. In this research Electromyograph signal data acquisition EMG by using AgCl surface electrode will be designed. The 2 channel surface electromyograph SEMG signal is obtained from the upper extremity of the body, the Flexor Carpi Radialis which will then be filtered with a series of filter before being processed using a microcontroller. Furthermore, the signal obtained will be used for classification and specialization of hand movement patterns. The test results show that the designed filter circuit has shown EMG signal output pattern clearly. Due to the characteristics of different EMG signals in each person, to see the performance of the device, the resulting pattern is compared with the results pattern of an existing journal. It is seen that the pattern shown similarity to previous research with very intense signal fluctuations when muscle being contracted.

Abstrak :

Brain-Machine Interface (BMI), atau saat ini juga terdapat Hybrid Brain-Machine Interface (hBMI),teknologi yang saat ini sedang berkembang pesat. Teknologi ini juga telah diaplikasikan pada berbagai bidang. BMI adalah sistem yang secara langsung mengubah pikiran seseorang dari otak menjadi sebuah informasi yang dapat diproses untuk mengartikannya menjadi informasi yang dapat dipahami manusia. BMI ini juga memiliki pengembangan lanjut dimana sinyal otak digabungkan oleh sinyal biologis lain seperti electromyography (EMG), electrooculography (EOG), atau juga electrocardiography (ECG). Pengembangan teknologi ini memiliki aplikasi sebagai alat bantu rehabilitasi untuk seseorang yang menderita ketidakmampuan dalam menggerakkan anggota tubuhnya, seperti tangan. Melalui penelitian ini diharapkan untuk dapat merancang sistem pengendalian orthosis sebagai alat bantu rehabilitasi dengan menggunakan metode klasifikasi dengan sinyal otak dan sinyal otot, sehingga subjek yang menggunakan alat ini dapat melakukan rehabilitasi dalam pergerakan lengan atas khususnya pada sendi siku. Hasil klasifikasi gerakan dengan menggunakan sinyal otak dan sinyal otot ini, dengan menggunakan fitur delta alpha rasio dan root mean square, didapatkan akurasi training untuk tiga gerakan yakni relaks, fleksi, dan ekstensi yaitu sebesar 90.3% dan untuk akurasi testing sebesar 85.2%.

---

Brain-Machine Interface (BMI) or also its advancement, hybrid brain machine interface (hBMI), is a technology that is vastly developed. This technology has been used in many fields. BMI is a system that directly changes human’s mind into information that can be extracted to informations that can be meaningful to people. BMI also has advancement in which the brain signal is combined with other biopotential signal such as electromyography (EMG), electrooculography (EOG), or electrocardiography (ECG). The development of this technology has applications as a rehabilitation aid for someone suffering from an inability to move his limbs, such as the hands. Through this research it is hoped to be able to design an orthosis control system as a rehabilitation device by using a classification method with brain signals and muscle signals, so that subjects who use this tool can carry out rehabilitation in upper arm movements especially in the elbow joint. The results of the movement classification using brain signals and muscle signals, using the delta alpha ratio and root mean square features, obtained training accuracy for three movements namely relax, flexion, and extension of 90.3% and for testing accuracy of 85.2%.

Abstrak :

Parkinson menyerang 1% dari populasi orang berusia di atas 65 tahun di dunia, dengan salah satu gejala utama kondisi resting tremor pada bagian tangan pasien. Akuisisi informasi mengenai status kesehatan dari pasien parkinson hingga saat ini masih hanya dapat dilakukan ketika pasien menemui dokter dengan menghampiri klinik atau rumah sakit, saat aspek-aspek dari penyakit dapat menunjukkan fluktuasi pada periode di antara kunjungan tersebut. Pada penelitian ini, dirancang sistem monitoring alat EMG nirkabel yang dapat digunakan sebagai alat home monitoring, sehingga pasien dapat diperiksa setiap saat dan dengan frekuensi lebih sering agar perkembangan terhadap kesehatan pasien dapat selalu diperbarui. Sistem monitoring berikut memanfaatkan web server dan NodeMCU yang dilengkapi dengan ESP8266. Data yang berhasil terakuisisi tersebut kemudian diproses dengan transformasi wavelet diskrit (DWT) dan ekstraksi fitur RMS, logRMS, MAV, dan RES Index pada enam jenis gerakan yang berbeda untuk dibandingkan satu dengan lainnya. Melalui analisa yang telah dilakukan, didapatkan bahwa fitur yang memiliki pola penyebaran terbaik adalah standar deviasi dengan nilai RES Index sebesar 2,4. Selain itu, didapatkan pula bahwa setiap gerakan baik normal maupun dalam kondisi bergetar memiliki pola gelombang serta nilai fitur ekstraksi yang berbeda-beda. Dengan demikian, pola gerakan pasien Parkinson dapat dibedakan satu dengan lainnya melalui pembacaan sinyal EMG.

 

---

Parkinson's disease attacking 1% of the elder population in this world, with one of the main symptoms of this disease being resting tremor. Until now, Parkinsons disease information acquisition can only be done through patients' visits to clinics or hospitals, whereas the aspects of the disease are also shown during in-between those visits.  Therefore, an EMG device that could be used as a remote-monitoring device is designed in this research. This is so that patients can be checked more frequently and hopefully results in an always-renewed information of the patients' developments. This monitoring system utilizes NodeMCU with ESP8266 and web server. The data acquired are then processed through discrete wavelet transform (DWT) method. To compare six kind of gestures, features like RMS, logRMS, MAV, standard deviation, and RES Index are extracted from the reconstructed EMG signal. The results show that standard deviations plot has the best pattern separation with an RES Index score of 2.4 and every movement or gesture, whether its in normal or vibrating condition, have its own pattern of signal and different values of extracted features. Conclusively, the movement pattern of Parkinsons disease patients can be interpreted from one another using EMG signal reading.

Abstrak :
The only case-based guide to electromyography--back in a fully revised and updated New Edition! This practical resource examines how to approach, diagnose, and manage the most commonly encoun-tered disorders in the EMG laboratory. Based on actual cases, it correlates patient history, physical exam, EMG findings, relevant anatomy, treatment, and follow-up to help readers sharpen their clinical problem-solving skills. New cases have been added, and every case includes the latest advances in knowledge and technique. Features study questions, answers, and clinical discussions of how experts manage cases to help readers work through the problems presented. Summarizes the results of nerve conduction studies and EMG data with standardized tables. Includes more than 200 relevant imaging studies and anatomic figures. Makes information easy to find with a uniform chapter organization. Offers a consistent approach to electromyography based on Dr. Katirji's broad knowledge and clinical experience.

Abstrak :

Studi ini mengevaluasi penggunaan perangkat eksternal tambahan untuk membentuk sudut kemiringan dalam penggunaan laptop untuk memperbaiki postur head-neckdan meminimalisasi aktivitas otot. Di era modern ini, pengguna laptop sering menggunakan laptop di tempat umum dimana tidak terdapat tempat kerja yang dapat disesuaikan dengan pengguna. Selain itu, desain laptop yang memiliki layar menyatu dengan perangkat input menyebabkan postur yang tidak baik karena desain laptop yang portabel, ringan, dan hemat ruang tempat. Electromyography (EMG) digunakan pada penelitian ini untuk menyelidiki aktivitas otot saat menggunakan laptop dengan sudut kemiringan berbeda. Postur head-neckdiukur dengan sudut craniocervical untuk menilai perbaikan yang terjadi pada postur saat menggunakan laptop. Penilaian subjektif responden dalam menggunakan laptop dengan sudut kemiringan berbeda juga di evaluasi, begitu pula dengan efisiensi mengetik pada setiap sudut kemiringan. Berdasarkan hasil EMG, sudut kemiringan 12° menghasilkan aktivitas otot keseluruhan paling kecil. Hasil ini juga didukung oleh penilaian subjektif responden terhadap penggunaan sudut kemiringan. Meskipun sudut kemiringan lebih besar dapat membentuk postur head-neckyang lebih baik, hasil tersebut tidak sejalan dengan hasil aktivitas otot serta penilaian subyektif. Oleh karena itu, penelitian ini menyarankan pemanfaatan sudut kemiringan sebesar 12° saat menggunakan laptop untuk meningkatkan postur dan mengurangi risiko gangguan muskuloskeletal. 

---

This study evaluated the use of external peripheral to form inclines to improve posture and minimize muscle activity of using notebook computer. These days users often use notebook computer in public places or external environments where no adjustable workstation is provided. Furthermore, the design of laptop where the display is connected with the input device causes poorer posture to the user because the design of laptop which are portable, lightweight, and space saving. Electromyography (EMG) was used to investigate muscle activities when using notebook with different inclines. Head-neck posture was measured traditionally with craniocervical angle to assess the improved posture formed through applying different inclines in notebook usage. The subjective valuation by the computer users were also evaluated followed by calculating the efficiency of the typing task in each incline. Based on the EMG result, the 12° induced the less overall muscle activity of the muscles examined. This result was also supported by the respondents’ subjective valuation of the inclines. Even though bigger incline offered more improved head-neck posture, it didn’t correspond with the muscle activity result as well as the subjective valuation. Therefore, this study suggested the utilization of 12° when using laptop to improve posture and reduce the risk of any musculoskeletal disorder.