Pengenalan pola gerak tangan fungsional berbasis Electroencephalogram(EEG) untuk kontrol robot tangan dengan metode kombinasi EEGNex-ADL

Abstract

Penelitian ini berfokus pada pengembangan sistem kendali untuk robot tangan prostetik, khususnya untuk membantu individu dengan disabilitas fisik.. Penelitian ini bertujuan untuk mengembangkan sistem kontrol gerak robot tangan berbasis sinyal EEG menggunakan kombinasi metode EEGNeX dan Autonomous Deep Learning (ADL). EEGNeX adalah arsitektur deep learning yang mengoptimalkan ekstraksi fitur spasial dan temporal sinyal EEG, sementara ADL merupakan pendekatan pembelajaran berkelanjutan yang mampu menyesuaikan diri terhadap perubahan data secara dinamis. Data dikumpulkan menggunakan perangkat EEG all-in-one gelfree BCI electrode cap kit dari subjek sehat melalui imajinasi gerakan tangan kanan dan kiri, dan diklasifikasikan menjadi dua kelas (membuka dan menutup tangan). Pengujian dilakukan dalam dua skenario: within-session dan cross-session. Hasil menunjukkan bahwa integrasi EEGNeX-ADL meningkatkan akurasi klasifikasi sebesar 2,86% dalam skenario within-session dibanding EEGNeX murni, namun mengalami penurunan sebesar 2,99% dalam skenario cross-session. Hal ini menunjukkan bahwa meskipun metode kombinasi memiliki keunggulan dalam sesi yang sama, namun belum cukup adaptif terhadap variabilitas sinyal EEG antar sesi. Penelitian ini memberikan kontribusi awal dalam pengembangan sistem kendali prostetik berbasis otak yang lebih akurat dan adaptif, meskipun masih diperlukan peningkatan dalam stabilitas performa antar sesi.