Sistem Kendali Gerak Robot Tangan Berbasis Electroencephalogram Menggunakan Metode Spatial Temporal Deep Learning untuk Penggunaan Multi Session

Abstract

Perkembangan teknologi antarmuka otak-komputer (Brain-Computer Interface atau BCI) membuka peluang besar dalam bidang rehabilitasi, komunikasi, dan kendali perangkat secara nirkabel tanpa gerakan fisik. Salah satu pendekatan yang banyak dikembangkan dalam sistem BCI adalah klasifikasi sinyal electroencephalogram (EEG) berbasis motor imagery, yaitu proses imajinasi gerakan tanpa pergerakan otot aktual dan diklasifikasikan dengan gerak serta trigger untuk merepresentasikan gerakkan sebenarnya. Namun, tantangan utama dalam pengembangan sistem ini adalah rendahnya akurasi klasifikasi antar sesi dan antar subjek, rentan akan noise, serta tingginya variabilitas sinyal EEG. Penelitian bertujuan untuk mengembangkan sistem klasifikasi sinyal EEG motor imagery (MI) untuk menggerakkan robot tangan dengan pendekatan metode ATCNet dan NADINE. Dataset yang digunakan adalah dataset publik (SHU Dataset) dan dataset mandiri. Dataset publik (SHU-Dataset) merepresentasikan pengambilan data EEG yang multisession dengan pengambilan data sebanyak 5 sesi, dan dataset mandiri dilakukan di ISR Lab CDAST secara mandiri oleh peneliti dengan sesi yang sama yaitu 5 untuk keperluan pengujian realtime pada robot tangan. Kedua data diambil dengan prosedur yang sama yaitu 5 sesi pada setiap subjeknya, diambil dengan durasi 4 detik pengambilan data dan 4 detik untuk persiapan dan jeda istirahat subjek, dengan total pengambilan data adalah 100 pengulangan. Perbedaan signifikan pada SHU-dataset dan data mandiri adalah jumlah subject (SHU-Dataset adalah 25 subjek, dan data mandiri adalah 10 subject), jumlah channel SHU-Dataset adalah 32 dan data mandiri adalah 8 channel, serta jenis elektroda yang digunakan (SHU-Dataset menggunakan Wuhan Greentech dengan elektroda Ag/AgCl dan data mandiri menggunakan elektroda gelfree EEG cap kit Open BCI. Pra-pemrosesan sinyal dilakukan menggunakan bandpass filter dan notch filter untuk menghilangkan noise serta segmentasi data menggunakan teknik windowing. Frekuensi sampling yang digunakan pada pengujian adalah 250 Hz. Pengujian dilakukan dengan 3 prosedur, yaitu: pengujian within session pengujian dilakukan dengan membagi 1 data (contohnya: sub-001_ses- 01_task_motorimagery_eeg.mat) dengan presentasi pengujian 80% data training dan 20% data test, pengujian prosedur cross session dengan menjadikan sesi 1 menjadi data train dan diujikan pada sesi lainnya, dan pengujian LOSO (leave one session out) dilakukan dengan menggabungkan 4 sesi menjadi data train ataupun data test dengan membandingkan 1 sesi lainya sebagai test jika 4 train dan train jika 4 test. Hasil pada pengujian multisession penggunaan metode ATCNet saja lebih unggul dilakukan di beberapa prosedur dan pengujian jika dibandingkan penambahan dengan metode ATCNet-NADINE. Pada pengujian dengan data public SHU-Dataset ATCNet lebih unggul di prosedur beberapa prosedur, yaitu; prosedur within session skema 1 unggul 1,2% dengan akurasi 63,75%±16,493, prosedur cross session unggul 4% dengan akurasi 54,117%±10,852, prosedur LOSO skema 1 unggul 2% dengan akurasi 54,632%±8,054, prosedur LOSO skema2 unggul 0,7% dengan akurasi 54,807%±7,735, dan pada prosedur LOSO 3 unggul 0,1% dengan akurasi 54,807%±7,735 jika dibandingkan dengan metode ATCNet NADINE. Untuk pengujian data public ATCNet-NADINE mengalami peningkatan hasil hanya pada pengujian within session skema 2 unggul 2% dengan hasil akurasi adalah 63,943%±14,517 dibandingkan dengan ATCNet Orisinal. Sedangkan pada pengujian dengan data mandiri Metode ATCNet-NADINE justru lebih unggul pada beberapa skema pengujian, yaitu; pengujian dengan skema within session (skema 2) unggul 6% dengan akurasi adalah 56,204%±7,005, cross session unggul 1,2% dengan akurasi adalah 51,060%± 5,036, dan pengujian prosedur general 1,5% dengan akurasi 52,6%±5,460973. ATCNet orisinal unggul pada pengujian semua skema LOSO. Dalam hal ini ATCNet lebih unggul dalam mengklasifikasikan data EEG untuk gerak robot tangan dengan pembacaan akurasi training yang lebih baik dibandingkan ditambahkan ATCNet-NADINE dalam perbandingan data multisession. Namun metode ATCNet-NADINE tidak mampu membaca keseluruhan kelas dengan kecenderungan pada kelas kiri (menggenggam). Hasil terbaik saat pengujian realtime adalah dengan menggunakan metode ATCNet orisinal yang mampu merepresentasikan kelas kiri (dengan label 1 yang artinya perintah menggengam dan label 2 yang artinya perintah membuka) dengan kebenaran pengujian realtime pada metode ATCNet orisinal adalah 51%.