Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan yang cepat di bidang Biosensing telah membuka gerbang kepada peneliti untuk mengeksplorasi penggunaan sinyal biologis. Salah satu dari penggunaan sinyal ini adalah Human-Computer Interface (HCI), yang memungkinkan seseorang untuk berinteraksi dengan komputer tanpa kontak fisik. Agar sebuah perangkat HCI dapat berfungsi dengan efisien, sensor-sensor yang digunakan untuk mengakuisisi sinyal biologis harus nyaman digunakan dan mudah dibawa. Pada Tugas Akhir ini penulis mengajukan sebuah desain modifikasi untuk OpenBCI Cyton biosensing board, yang akan menggantikan modul RFDuino RFD22302 dengan modul Espresif ESP-32. Proses penelitian meliputi modifikasi desain PCB, fabrikasi, pemrograman, sampai pengujian 2 iterasi. Pada pengujian iterasi pertama purwarupa berhasil mengidentifikasi kontraksi/aktivasi otot dengan amplitudo di sekitar 1 milivolt dan juga aktivitas ripple/noise yang berhasil dieliminasi pada iterasi kedua dengan perbaikan posisi perekaman sinyal. Perbandingan pola rekaman dengan Myoware muscle sensor juga menunjukkan kemiripan hasil yang menandakan kemiripan hasil satu sama lain dengan perbendaan yang minimum.

---

The rapid development in the field of Biosensing technology has allowed scientists to explore a multitude of biosignal application. One of this application is the Human-Computer Interface, which allows humans to directly control a machine without direct physical inputs. For a HCI device to be efficiently utilized, the sensors utilized in acquiring human biosignal must be somewhat comfortable to use and mobile. In this Bachelor’s Thesis the author proposed a modification design for OpenBCI Cyton biosensing board, which replaced its outdated RFDuino RFD22302 with the newer, widely used, and well-documented Espressif ESP-32. Research processes include the base PCB modification, its fabrication, programming, and 2 iteration of testing. First has shown that the prototype is capable of detecting EMG signals with the amplitude of around 1 millivolt but also the presence of noise/ripple, which was successfully eliminated in the second iteration with better recording positioning. Further comparison also has shown that the prototype’s recording result was highly similar with the recording result from Myoware muscle sensor with only slight differences."

"Mengendalikan tangan tiruan menggunakan pikiran adalah mimpi bagi banyak orang yang kehilangan anggota tubuhnya. Teknologi Brain Computer Interface merupakan titik terang dalam mewujudkan hal tersebut dengan dengan menghubungkan perintah dan respon pada otak sebagai informasi dalam sistem kendali. Namun, kompleksitas sinyal Elektroensefalografi (EEG) menjadi tantangan dalam mewujudkannya. Penegunaan model klasifikasi berbasis deep learning diharapkan dapat menjadi solusi untuk mengklasifikasi gerakan tangan yang dibayangkan oleh pengguna sebagai masukan pada sistem kendali tangan tiruan elektrik. Tujuan utama dari penelitian ini adalah untuk mengklasifikasi sinyal EEG dari otak manusia secara real time menggunakan headset EEG non-invasif untuk dua gerakan tangan yang berbeda: istirahat dan menggenggam. Penelitian ini mengusulkan solusi untuk klasifikasi gerakan tangan istirahat dan menggenggam dengan menggunakan model jaringan Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM) untuk mempelajari informasi berupa data time series dari perangkat EEG. Sinyal EEG direkam melalui gelombang otak di lokasi pada titik F3, Fz, F4, FC1, FC2, C3, CZ, C3. Data sinyal mentah dari EEG disaring dengan menggunakan Butterworth band pass filter untuk memisahkan data sinyal menjadi dataset baru yang berisi sinyal pada rentang Alfa, Beta, dan keduanya. Hasil penelitian ini menunjukkan bahwa model klasifikasi dua jenis gerakan tangan mampu mencapai akurasi sebesar 95,45. Peristiwa yang diklasifikasi sebagai gerakan kemudian digunakan untuk memberikan instruksi kepada servo pada tangan tiruan yang dikendalikan oleh Arduino.

---

Controlling the artificial hand using mind is a dream for many people who had lost their limb. Brain Computer Interface (BCI) technology is a hope in making this things happen by connecting commands and responses to the brain as information in the control system. However, the complexity of the EEG signal becomes a challenge in realizing it. The use of a deep learning-based classification model is expected to be a solution for classifying hand movements imagined by the user as input to the electric artificial hand control system. The main objective of this study was to classify EEG signals from the human brain in real time using a non-invasive EEG headset for two different hand movements: resting and grasping. This study proposes a solution for the classification of resting and grasping hand movements using the Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) network models to study information in the form of time series data from EEG devices. EEG signals were recorded via brain waves at locations at points F3, Fz, F4, FC1, FC2, C3, CZ, C3. The raw signal data from the EEG is filtered using a Butterworth band pass filter to separate the signal data into a new dataset containing signals in the Alpha, Beta, and both ranges. The results of this study indicate that the classification model of two types of hand movements is able to achieve an accuracy of 95.45. The events classified as movements are then used to give instructions to the servo on the artificial arm controlled by the Arduino."