Identifikasi Sinyal Elektromiografi Otot Vastus Medialis dan Erector Spinae dalam Transisi Gerakan untuk Kontrol Robot Kaki

Farid Amrinsani, Zainal Arief, Agus Indra Gunawan

Abstract


Kehilangan beberapa bagian tubuh dan kelemahan otot akibat cedera adalah faktor yang mengganggu aktivitas manusia sehari-hari. Konsep exoskeleton adalah pendekatan yang sangat positif bagi manusia dalam hal kerusakan pada tungkai bawah. Dalam studi ini, ekstremitas bawah selama gerakan jongkok ke berdiri, berdiri ke duduk, duduk ke berdiri, dan berdiri ke jongkok menjadi fokus dalam penelitian ini. Sinyal elektromiografi terdeteksi dari vastus medialis dan erector spinae. Enam responden terlibat dalam melakukan percobaan ini. Ada 2 tahap dalam percobaan ini. Pada tahap pertama, gunakan fitur ekstraksi domain waktu seperti MAV, MAD, dan RMS. Latensi 500 ms dengan waktu tumpang tindih 10 ms digunakan. Ambang digunakan untuk mendeteksi awal kontraksi otot 0,002 mV dan bagian akhir kontraksi otot 0,0015 mV. Data dalam ambang batas digunakan sebagai input dari jaringan saraf tiruan. Penggunaan python 2.7 jaringan syaraf tiruan dibuat dengan 240 input node, 80 hidden node, dan 4 output node. Data pergerakan dengan total 556 digunakan untuk melatih jaringan. Data pergerakan dengan total 160 digunakan untuk menguji jaringan. Sistem ini mampu menginterpretasikan gerakan sebenarnya dengan nilai persentase 84% dan nilai kesalahan 16%. Pada tahap kedua menggunakan metode yang sama, sistem diuji dengan responden yang berbeda. Data pergerakan dengan total 104 digunakan untuk menguji jaringan. Persentase keberhasilan sistem dalam menafsirkan gerakan adalah 59% dan nilai kesalahan 41%.

Keywords


Electromyography; Vastus medialis; Erector spinae; MLPClassifier

Full Text:

PDF

References


R. H. Chowdhury et al., “Surface Electromyography Signal Processing and Classification Techniques,†pp. 12431–12466, 2013.

D. A. Jaffray, “World congress on medical physics and biomedical engineering, june 7-12, 2015, Toronto, Canada,†IFMBE Proc., vol. 51, pp. 994–997, 2015.

S. Ferrante, G. Ferrigno, and A. Pedrocchi, “Electromyographic analysis of standing up and sitting down,†no. July, pp. 285–287, 2005.

A. I. Cuesta-Vargas and M. González-Sánchez, “Differences in muscle activation patterns during sit to stand task among subjects with and without intellectual disability,†Biomed Res. Int., vol. 2013, 2013.

N. Ertekin and C. Ertekin, “Erector spinae muscle responses while standing.,†J. Neurol. Neurosurg. Psychiatry, vol. 44, no. 1, pp. 73–8, 1981.

S. M. Taslim Reza, N. Ahmad, I. A. Choudhury, and R. A. Raja Ghazilla, “A fuzzy controller for lower limb exoskeletons during sit-to-stand and stand-to-sit movement using wearable sensors,†Sensors (Switzerland), vol. 14, no. 3, pp. 4342–4363, 2014.

H. (Helen) H. Fan Zhang, “Real-Time Recognition Of User Intent For Neural Control Of Artificial Legs,†2011.

U. Cˆ, C. L. Fall, A. Drouin, A. Campeau-lecours, and K. Glette, “Deep Learning for Electromyographic Hand Gesture Signal Classification by Leveraging Transfer Learning,†pp. 1–13.

K. Veer and T. Sharma, “A novel feature extraction for robust EMG pattern recognition,†J. Med. Eng. Technol., vol. 40, no. 4, pp. 149–154, 2016.

M. Hamedi, S. Salleh, A. Noor, T. Swee, and I. Afizam, “Comparison of Different Time-domain Feature Extraction Methods on Facial Gestures’ EMGs,†Jpier.Org, pp. 1897–1900, 2012.

N. Nazmi et al., “A Review of Classification Techniques of EMG Signals during Isotonic and Isometric Contractions,†pp. 1–28.

D. Tkach, H. Huang, and T. A. Kuiken, “Study of stability of time-domain features for electromyographic pattern recognition,†pp. 1–13, 2010.

O. Triwiyanto, Wahyunggoro and H. A. Nugroho, “Quantitative Relationship Between Feature Extraction of sEMG and Upper Limb Elbow Joint Angle,†2016 Int. Semin. Appl. Technol. Inf. Commun., pp. 44–50, 2016.

W. Mohd, B. Wan, A. B. Yahya, C. S. Horng, and M. F. Sulaima, “Features Extraction of Electromyography Signals in Time Domain on Biceps Brachii Muscle,†vol. 3, no. 6, pp. 3–7, 2013.

G. Alcantara, “Empirical analysis of non-linear activation functions for Deep Neural Networks in classification tasks,†no. 2, 2017.

C. J. De Luca, “Surface ELectromyography : Detection and Recording,†DelSys Inc., vol. 10, no. 2, pp. 1–10, 2002.

B. Hudgins, P. Parker, and R. N. Scott, “A New Strategy for Multifunction Myoelectric Control,†IEEE Trans. Biomed. Eng., vol. 40, no. 1, pp. 82–94, 1993.

T. R. Farrell and R. F. Weir, “The optimal controller delay for myoelectric prostheses,†IEEE Trans. Neural Syst. Rehabil. Eng., vol. 15, no. 1, pp. 111–118, 2007.

B. Peerdeman et al., “Myoelectric forearm prostheses: State of the art from a user-centered perspective,†J. Rehabil. Res. Dev., vol. 48, no. 6, p. 719, 2011.




DOI: https://doi.org/10.35314/ip.v9i2.1011

Refbacks

  • There are currently no refbacks.


Copyright (c) 2019 INOVTEK POLBENG

This Journal has been listed and indexed in :

         

Creative Commons License
inovtek polbeng by http://ejournal.polbeng.ac.id/index.php/IP is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License