Peramalan kekuatan gerak tangan menggunakan Extreme Learning Machine untuk terapi pasca-stroke

Jurnal Teknologi dan Sistem Komputer

View Publication Info
 
 
Field Value
 
Title Peramalan kekuatan gerak tangan menggunakan Extreme Learning Machine untuk terapi pasca-stroke
Hand motion strength forecasting using Extreme Learning Machine for post-stroke rehabilitation
 
Creator Anam, Khairul
Chaidir, Ali Rizal
Isman, Fahrul
 
Subject electromyography; Extreme Learning Machine; peramalan; robot tangan; terapi stroke
electromyography; Extreme Learning Machine; forecasting; hand-robot; stroke rehabilitation
 
Description Stroke atau Cerebrovascular Accident (CVA) dapat menyebabkan kelemahan pada salah satu bagian sisi tubuh termasuk anggota gerak atas, seperti tangan, sehingga diperlukan rehabilitasi untuk mengembalikan fungsi dari tangan. Rehabilitasi yang dilakukan sebaiknya juga dapat mengukur kekuatan dari gerakan yang dilakukan. Artikel ini bertujuan untuk melakukan peramalan kekuatan gerakan berdasarkan sinyal Electromyography (EMG) menggunakan metode Extreme Learning Machine (ELM). Tahapan yang dilakukan meliputi pengumpulan data sinyal EMG dan kekuatan gerakan, pre-processing data dan ekstraksi fitur data menggunakan berbagai fitur ekstraksi, penerapan ELM untuk peramalan kekuatan berdasarkan sinyal EMG, dan penerapan model yang dibuat pada robot terapi stroke. Evaluasi model peramalan dilakukan dengan mengukur Mean Squared Error (MSE). Nilai rata-rata MSE terbaik pada pengujian offline adalah 1,77, sedangkan pada pengujian real-time sebesar 0,79. Nilai MSE yang kecil menunjukkan bahwa model yang dibuat sudah cukup baik. Pergerakan robot berdasarkan nilai kekuatan yang dilakukan sudah dapat bergerak dengan baik.
Stroke or Cerebrovascular accident (CVA) can cause weakness in one side of the body, including the upper limbs such as the hand. Rehabilitation is needed to restore the function of the hand. Rehabilitation should also measure the strength of the movements carried out. This article aims to forecast the strength of movement based on Electromyography (EMG) signals using the Extreme Learning Machine (ELM). This study collected EMG signal data and movement strength, carried out data pre-processing and data extraction using various extraction features, applied ELM for forecasting strength based on EMG signals, and applied created models in stroke therapy robots. The forecasting model is evaluated by measuring the Mean Squared Error (MSE). The average value of the best MSE in offline testing is 1.77, while the real-time testing is 0.79. A small MSE value indicates that the model is good enough. The resulted value of strength can be applied to make the stroke therapy robots actuating properly.
 
Publisher Departemen Teknik Komputer, Fakultas Teknik, Universitas Diponegoro
 
Date 2021-04-30
 
Type info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion

 
Format application/pdf
 
Identifier https://jtsiskom.undip.ac.id/article/view/13844
10.14710/jtsiskom.2021.13844
 
Source Jurnal Teknologi dan Sistem Komputer; Volume 9, Issue 2, Year 2021 (April 2021); 70-76
Jurnal Teknologi dan Sistem Komputer; Volume 9, Issue 2, Year 2021 (April 2021); 70-76
2338-0403
 
Language ind
 
Relation https://jtsiskom.undip.ac.id/article/view/13844/12670
https://jtsiskom.undip.ac.id/article/downloadSuppFile/13844/640
 
Rights Copyright (c) 2021 Jurnal Teknologi dan Sistem Komputer
https://creativecommons.org/licenses/by-sa/4.0
 

Contact Us

The PKP Index is an initiative of the Public Knowledge Project.

For PKP Publishing Services please use the PKP|PS contact form.

For support with PKP software we encourage users to consult our wiki for documentation and search our support forums.

For any other correspondence feel free to contact us using the PKP contact form.

Find Us

Twitter

Copyright © 2015-2018 Simon Fraser University Library