Perancangan Sistem Kontrol Robot Terapi Berbasis Prediksi Kekuatan Genggaman Tangan Menggunakan Cnn-Lstm dengan Sensor Myo Armband

Abstract

Menurut WHO atau World Health Organization, stroke merupakan keadaan dimana ditemukannya tanda-tanda klinis deficit neurologic lokal dan global yang berkembang secara cepat. Stroke dapat terjadi karena disebabkan tersumbat atau pecahnya pembuluh darah otak yang menyebabkan Sebagian otak tidak mendapatkan pasokan darah yang membawa oksigen yang diperlukan sehingga mengalami kematian sel/jaringan. Rehabilitasi dapat membantu seseorang yang terkena stroke mempelajari kembali gerakan normal yang hilang ketika bagian otak rusak. Pada penelitian ini berfokus perancangan robot exoskeleton untuk rehabilitasi pada tangan kanan. Pengembangan teknologi yang dilakukaan adalah merancang sistem prediksi kekuatan genggaman tangan berdasarkan sinyal EMG (Elektromyograf). Sistem prediksi kekuatan yang digunakan adalah dengan menggunakan model deep learning yaitu model gabungan antara model CNN (Convolutional Neural Network ) dan LSTM (Long Short Term Memory).Pada pengujian dengan responden pasien pasca stroke didapatkan bahwa model CNN-LSTM memiliki nilai R2 VGG16-LSTM adalah 0.647678, nilai RMSE adalah 1.722682, nilai CC adalah 0.849052. Dan untuk model VGG16-LSTM memiliki nilai R2 adalah 0.653693, nilai RMSE adalah 1.707913, nilai CC adalah 0.846923. Untuk kinerja sensor myo armband sendiri memiliki kinerja yang bagus dalam merekam sinyal EMG pada pasien pasca stroke.