Hasil Pencarian  ::  Simpan CSV :: Kembali

"

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%.

"

"Telah dibuat sistem akuisisi data EEG 16 kanal menggunakan ADS1299FE Texas Instrument, USA berbasis FPGA Zedboard Diligent,USA . EEG merupakan suatu divais yang digunakan untuk mengukur aktivitas kelistrikan pada permukaan kepala yang dikenal sebagai sinyal EEG. Sinyal EEG memiliki beda potensial 0.5-100 V dengan frekuensi 0.5 ndash; 40 Hz. Sistem akuisisi data EEG ini terdiri atas 2 buah chip ADS1299 yang terhubung secara Daisy-Chain yang diproses menggunakan FPGA Zedboard. Rancangan sistem akuisisi ini dapat dikonfigurasi ulang baik gain dan data ratenya. Pengaturan ulangini dapat dilakukan melalui program terminal pada komputer maupun dengan menggunakan perangkat lunak yang didisain khusus untuk sistem ini. Perangkat lunak tersebut dapat merekam dan menampilkan data hasil akuisisi secara real time. Validasi sistem akuisisi data EEG ini telah diuji menggunakan EEG Simulator NETECH Mini-Sim EEG , pengujian dilakukan pada frekuensi 2Hz dan 5Hz dengan rentang amplitudo 10 V, 30 V , 50 V dan 100 V. Hasil uji validasi pada frekuensi 2Hz diperoleh hasil pengukuran dengan maksimal deviasi 1.3 dan pada frekuensi 5Hz diperoleh hasil pengukuran dengan maksimal deviasi 1.8.

---

Has been developed Electroencepharography EEG data acquisition system base on FPGA Zedboard Diligent, USA usin ADS1299FE Texas Instrument, USA . EEG is a device used to measure the electrical activities on the scalp. The voltage range of EEG signal are around 0.5 100 V with frequency 0.5 ndash 40 Hz. This data acquisition system consisted of 2 chips ADS1299 which were connected in Daisy Chain mode and processes using Zedboard. This acquisition system can be reconfigured both its gain and data rate. This configuration could modified both using terminal program or software specially design respectively. The feature of this software are data recording and display the EEG signal graphically in real time. The recorded EEG signal were validated using EEG Simulator NETECH Mini Sim EEG with frequency 2Hz and 5Hz and voltage test in 10 V, 30 V, 50 V and 100 V. The result of the validation test at 2Hz obtained measurement result with a maximum deviation of 1.3 and at a frequency of 5Hz obtained measurement result with a maximum deviation of 1.8 ."

"Sistem akuisisi data Electroencephalography (EEG) telah dikembangkan. menggunakan Analog Front End (AFE) ADS1299 EEGFE-PDK berbasis Raspberry Pi. Sistem ini merupakan kelanjutan dari sistem yang dikembangkan sebelumnya, dengan menambahkan fitur Relative Power Ratio (RPR), komunikasi Local Area Networking (LAN) dan GUI (Graphical User Interface). Fitur RPR perlu dipahami Karakteristik sinyal EEG. ADS 1299 memiliki beberapa keunggulan diantaranya Akuisisi data secara simultan, resolusi 24 bit, membutuhkan daya <0,2 mW dan noise <1 μV. Sistem akuisisi data ini terdiri dari 4 unit AFE yang dikonfigurasi secara daisy rantai. Komunikasi antara AFE dan Raspberry Pi menggunakan periferal serial antarmuka (SPI) dengan format RDATA. Bahasa pemrograman C digunakan untuk komunikasi antara Raspberry dengan AFE dan Matlab digunakan untuk pemrosesan sinyal. Data dari Raspberry ditransfer melalui LAN ke Personal Computer (PC). Kemudian disaring menggunakan Butterworth order 5. Data EEG dan perhitungan RPR ditampilkan secara real-time. Perhitungan dilakukan dengan Fast Fourier Transforms (FFT) dan Power Spectral Density (PSD). Sistem ini telah dievaluasi dengan menggunakan simulator EEG (NETECH Mini-Sim EEG) yang menghasilkan sinyal listrik sinusoidal dengan frekuensi 2 Hz, 5 Hz, dan amplitudo tegangan 30, 50 μV. Dengan perbandingan rata-rata FWHM (Full Width at Half Maximum) didapatkan untuk frekuensi 2Hz di sistem akuisisi tersebut memperoleh nilai 4 Hz, dan dalam Neurostyle 4 Hz. Di frekuensi 5 Hz, rata-rata nilai FWHM yang diperoleh untuk sistem akuisisi yang dibuat adalah 13 Hz dan Neurostyle pada 14 Hz.

---

The systems have been developed to obtain Electroencephalography (EEG) data using the Raspberry Pi based Analog Front End (AFE) ADS1299 EEGFE-PDK. This system is a continuation of a previously developed system, supported by Relative Power Ratio (RPR) features, Local Area Networking (LAN) and GUI (Graphical User Interface) features. EPR. ADS 1299 has several advantages that can be taken from simultaneous data, 24 bit resolution, requires power <0.2 mW and noise <1 μV. This data acquisition system consists of 4 AFE units completed by daisy chains. Communication between AFE and Raspberry Pi uses a serial peripheral interface (SPI) with RDATA format. C programming language is used for communication between Raspberries and AFE and MATLAB is used for signal implementation. Data from Raspberry is transferred via LAN to Personal Computer (PC). Then filtered using Butterworth order 5. EEG data and realtime calculations. The calculations are carried out by Fast Fourier Transforms (FFT) and Power Spectral Density (PSD). This system has been evaluated using an EEG simulator (NETECH Mini-Sim EEG) which produces sinusoidal electrical signals with a frequency of 2 Hz, 5 Hz, and a amplitude of 30, 50 μV. With the average change in FWHM (Full Width at Half Maximum) obtained for the 2Hz frequency in the acquisition system a value of 4 Hz is obtained, and in Neurostyle it is 4 Hz. At a frequency of 5 Hz, the average FWHM value obtained for the acquisition system is 13 Hz and Neurostyle is 14 Hz."

"Sistem instrumentasi akuisisi data yang telah dibuat berhasil diuji untuk mengakuisisi sinyal EEG (Electroencephalogram) berbasis mikrokontroler 32-bit ATSAM3X8E ARM Cortex-M3. Instrumen ini terdiri dari elektroda 16-channeldalam bentuk EEG head-caps yang terhubung dengan ADC (Analog to Digital Converter) ADS1299Texas Instrument. ADC ini memilikiresolusi sebesar 24-bit sehingga dapat presisi mengakuisisi sinyal analog sinyal EEG dalam orde microvolt (μV). Sistem front-end ADS1299 dirancang dalam format double-layer PCB (Print Circuit Board) dengan konfigurasi daisy-chain, sehingga dapat secara simultan mengakuisisi data sebanyak 16-channel. Protokol SPI (Serial Peripheral Interface) untuk proses aktivasi ADS1299 berhasil diuji dengan SPI Analyzer Hantek 4032L logic analyzer dengan sampling rate sebesar 400 MSa/s. Sistem akuisisi data dapat menampilkanhasil akuisisi secara real-time dalam bentuk grafik, brain-mapping 16-channel, serta hasil pengolahan sinyal (signal processing) dengan metode FFT (Fast Fourier Transform). Aplikasi firmware software GUI (Graphical User Interface) yang dikembangkan berbasis OpenBCI (Brain Computer Interface) dengan Java Processing dan dapat melakukan proses penyimpanan data dalam format *.txt. Sistem akuisisi data EEG telah divalidasi dengan EEG Simulator NETECH 330.Proses pengujian dilakukan pada frekuensi 2 Hz dan 5 Hz, dengan variasi amplitudo sebesar 10 μV, 30 μV, 50 μV, dan 100μV pada channel-1 hingga channel-16. Pada pengujian di frekuensi 2 Hz menghasilkan deviasi error maksimum sebesar 8.66% ± 2% dan deviasi minimum sebesar12.11% ± 2%, serta pada pengujian di frekuensi 5 Hz menghasilkan deviasi error maksimum sebesar 7.18% ± 2% dan deviasi minimum sebesar 0.03±2 %.

---

The data acquisition instrumentation system has been successfully tested to acquire of EEG (electroencephalogram) signals with 32-bit microcontrollers based on the ARM Cortex-M3 ATSAM3X8E. The instrument consists of a 16-channel electrodes in the form of EEG head-caps connected to ADC (Analog to Digital Converter) ADS1299 Texas Instruments. The ADC device has a 24-bit resolution so that it can precision to acquire the analog of EEG signals in order microvolt (μV). The ADS1299 front-end system has been developed in the format of a double-layer PCB (Print Circuit Board) with a daisy-chain configuration, and also can simultaneously acquire as much data as 16-channel. The SPI (Serial Peripheral Interface) protocol for activation process the ADS1299 has been successfully tested SPI Analyzer based Hantek 4032L logic analyzer with 400 MSa/s sampling rate. The data acquisition system can display the results in realtime format in the form of graphs, brain-mapping of 16-channels, as well as the results of signal processing FFT (Fast Fourier Transform) based. The firmware application software of GUI (Graphical User Interface) have been developed based on OpenBCI (Brain Computer Interface) with Java Processing and can saved of data results in *.txt format. The EEG data acquisition system has been validated with EEG Simulator NETECH 330. The systemhas beentested at a frequency of 2 Hz and 5 Hz with amplitude variations of 10 μV, 30 μV, 50 μV, and 100 μV on channel-1 to channel-16. The final results of validation process at a frequency of 2 Hz was produced a deviation error maximum of 8.66% ± 2% and minimum deviation 12.11% ± 2%, as well as at frequency of 5 Hz was produced a deviation error to a maximum of 7.18% ± 2% and minimum deviation of 0.03 ± 2 %."

"Penelitian ini bertujuan untuk melakukan studi awal untuk pengaruh musik terhadap aktivitas gelombang otak dengan menggunakan metode elektroensefalografi (EEG). Metode penelitian yang digunakan adalah pengambilan data EEG pada 8 partisipan sebelum dan sesudah mendengarkan musik dengan menggunakan perangkat berbasis Raspberry Pi 4 Model B dan ADS1299. Data EEG yang didapatkan kemudian dianalisis dengan metode statistik untuk menentukan apakah terdapat perubahan yang signifikan pada aktivitas gelombang otak, seperti gelombang theta, alpha, dan beta. Kami menemukan bahwa adanya peningkatan pada aktivitas gelombang alfa (8 – 13 Hz) dan theta (4-8 Hz) yang disebabkan oleh pengaruh paparan musik karya Mozart “Sonata” dan Beethoven “Pathetique” selama 15 menit berdasarkan uji statistik yang dilakukan.

---

This research aims to conduct an initial study for the effect of music on brain wave activity using electroencephalography (EEG) method. The research method used is taking EEG data on 8 participants before and after listening to music using a device based on Raspberry Pi 4 Model B and ADS1299. The EEG data obtained was then analysed using statistical methods to determine whether there were significant changes in brain wave activity, such as theta, alpha, and beta waves. We found that there was an increase in alpha (8-13 Hz) and theta (4 - 8 Hz) wave activity caused by exposure to music by Mozart "Sonata" and Beethoven "Pathetique" for 15 minutes based on the statistical tests conducted."

"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."