Pengembangan Sistem Kontrol Robot Terapi Stroke Berbasis Prediksi Kekuatan Ujung Jari Tangan Menggunakan Metode Incremental Learning

Abstract

Stroke dapat menyebabkan kelumpuhan tangan dan mengurangi kekuatan ujung jari untuk aktivitas sehari-hari. Untuk memulihkan kekuatan tersebut, diperlukan rehabilitasi. Namun rehabilitasi umumnya menggunakan teknik tradisional dan cenderung membuat pasien merasa bosan dan tidak termotivasi. Sehingga dihadirkan teknologi rehabilitasi dengan menggunakan robot terapi yang memanfaatkan sinyal otot untuk menanggulangi hal tersebut. Berdasarkan sinyal otot tersebut sistem dapat memprediksi kekuatan ujung jari tangan dan menggerakkan robot terapi. Sinyal otot terbagi 2 jenis yaitu sinyal elektromiografi (EMG) dan forcemyography (FMG). Sinyal EMG merekam aktivitas listrik dalam otot, sementara sinyal FMG merepresentasikan gaya dari gerakan otot. Terdapat beberapa penelitian sebelumnya untuk mengembangkan sistem kontrol robot terapi menggunakan Artificial Intelligence (AI) untuk mempelajari sinyal otot dan memprediksi kekuatan ujung jari. Namun, teknik AI yang digunakan masih dalam teknik yang umum. Teknik tersebut memerlukan banyak data sinyal otot dan waktu pengumpulan yang lama. Penelitian sebelumnya juga masih berfokus pada sinyal EMG dan kurang mengeksplorasi sinyal FMG. Kombinasi sinyal EMG dan FMG jarang digunakan dalam memprediksi kekuatan lima ujung jari, meskipun memiliki potensi untuk meningkatkan akurasi. Selain itu, penelitian sebelumnya lebih banyak berfokus pada gerakan sederhana, sementara pengaruh gerakan kompleks masih kurang diteliti. Penelitian ini mengusulkan teknik AI incremental learning yang menggunakan variasi penggunaan jenis sinyal otot antara lain sinyal EMG, sinyal FMG, dan kombinasi keduanya, yang tidak memerlukan banyak data dan mampu mempelajari data secara bertahap. Pengujian menunjukkan bahwa kombinasi sinyal EMG dan FMG menghasilkan prediksi kekuatan ujung jari yang baik, dengan KNN menghasilkan R2 score 0,70 dan CNN 0,69. Dalam memprediksi dua dan tiga jari, CNN lebih unggul dengan R2 score 0,7. Pada pengujian incremental learning offline, CNN menunjukkan peningkatan performa signifikan dibandingkan KNN dengan nilai MSE yang menurun selama sepuluh tahap pembelajaran. Pada pengujian incremental learning online, CNN meningkatkan performa dengan penurunan nilai MSE mulai hari kedua dan mencapai keberhasilan pada hari kelima.