Hasil Pencarian  ::  Simpan CSV :: Kembali

"Brain Computer Interface (BCI) merupakan sebuah teknologi yang sedang banyak dikembangkan di banyak negara di dunia, pasalnya teknologi BCI ini adalah teknologi yang modern dimana teknlogi ini dapat memungkinkan manusia dapat berkomunikasi dengan suatu sistem. Sampai sekarang BCI banyak dikembangkan pada dunia medis, salah satunya adalah stroke, stroke adalah sebuah penyakit yang diakibatkan oleh penguumpalan darah pada pembuluh darah diotak ataupun akibat pecahnya pembuluh datah diotak. Stroke mengakibatkan kelumpuhan pada bagian tubuh penderitanya, sehingga membuat ketebatasan pada mobilitasnya. Sehingga melalui penelitian ini diharapkan dapat membantu pasien stroke dalam mobilitiasnya. Pada pembuatan sistem sebelumnya dilakukan pengklasifikasian sinyal otak dengan cara perekaman sinyal EEG dengan menggunakan ADS1299EEG-FE, perekaman ini dilakukan dengan metode motor imagery sehingga subjek tidak perlu melakukan pergerakan cukup melakukan pemikiran pergerakan motorik untuk dapat menjalankan kursi roda. Pengklasifikasian sistem ini menggunakan fitur RPR yaitu nilai rasio power, setelah dilakukan klasifikasi dilakukanlah validasi sistem dengan melakukan pengujian lasngung pada sistem. Pada pengujian sistem terdapat 2 model pengujian yakni Diam – Maju – Mundur dan Diam – Kiri – kanan dengan presentase keberhasilan 46% dan 65%.

---

Brain Computer Interface (BCI) is a technology that is being developed in many countries in the world, because this BCI technology is a modern technology where technology can enable communicate human with a system. BCI has been widely developed in the medical, one of them is stroke, stroke is a disease caused by blood clots in blood vessels in the brain or due to ruptured brained vessels. Stroke results in paralysis of the part of the body of the sufferer, making it difficult for mobility. So that this research is expected to help stroke patients in their mobility. For making the system previously we classification the brain signals by recording EEG signals using ADS1299EEG-FE, this recording using the motor imagery method so that the subject did not need to move and just thinking about motor movements to control a wheelchair. The classification of this system uses the RPR feature, namely the value of the power ratio, after classification the system validation is done by direct testing on the system. In the system testing there are 2 test models namely Stop - Forward - Backward and Stop - Left - right with a success percentage 46% and 65%."

"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."