Evaluasi Model Deep Learning untuk Pengenalan Gesture Tangan dalam Sistem Prostesis Adaptif Berbasis EMG
##plugins.themes.bootstrap3.article.main##
Abstract
Penelitian ini bertujuan untuk mengembangkan sistem pengenalan gesture tangan berbasis sinyal elektromiografi (EMG) menggunakan teknik Deep Learning, khususnya dengan menggabungkan Jaringan Saraf Konvolusional (CNN) dan Long Short-Term Memory (LSTM), untuk pengendalian prostesis adaptif. Model yang dikembangkan diuji menggunakan data sinyal EMG yang dikumpulkan dari berbagai peserta dengan variasi fisiologis yang berbeda. Hasil evaluasi menunjukkan bahwa kombinasi CNN dan LSTM dapat meningkatkan akurasi pengenalan gesture tangan, dengan akurasi mencapai 92,3% dan F1-score 92,5%, dibandingkan dengan model CNN yang hanya mencapai akurasi 84,2%. Sistem yang dikembangkan mampu mengidentifikasi berbagai gesture tangan, seperti menggenggam, merentangkan jari, dan gerakan rotasi tangan, dengan latensi yang rendah (rata-rata 50 ms), yang memungkinkan pengendalian prostesis secara real-time. Selain itu, uji coba implementasi pada prototipe prostesis menunjukkan bahwa pengguna dapat mengendalikan prostesis dengan presisi yang tinggi dan responsif, memberikan pengalaman yang lebih alami dan intuitif. Penelitian ini memberikan kontribusi penting dalam pengembangan teknologi prostesis adaptif berbasis EMG yang lebih efektif dan responsif, serta membuka potensi aplikasi lebih lanjut dalam bidang rehabilitasi dan perangkat bantuan medis.
##plugins.themes.bootstrap3.article.details##
[2] Liu, M., & Wang, L. (2020). Real-time gesture recognition using surface electromyography and deep neural networks. IEEE Access, 8, 159425-159433.
[3] He, H., & Wu, D. (2016). Transfer learning for brain–computer interfaces: A Euclidean space data alignment method. IEEE Transactions on Biomedical Engineering, 63(5), 1035-1045.
[4] Yu, H., & Zeng, Y. (2018). Deep convolutional neural networks for gesture recognition in EMG-based human-machine interfaces. Journal of Neural Engineering, 15(4), 046003.
[5] Zhang, L., & Li, W. (2018). Deep learning for electromyography-based gesture recognition: A review. Biological Cybernetics, 112(4), 379-397.
[6] Li, S., & Liu, Y. (2020). Gesture recognition from electromyography signals using convolutional neural networks. IEEE Transactions on Instrumentation and Measurement, 69(9), 6060-6069.
[7] Farina, D., & Lippiello, V. (2016). Design of EMG-driven prosthetic hands based on machine learning algorithms. IEEE Transactions on Biomedical Engineering, 63(10), 2102-2113.
[8] Vasilenko, D., & Zakharchenko, A. (2019). Artificial intelligence and machine learning in electromyography for controlling prosthetic limbs. Journal of NeuroEngineering and Rehabilitation, 16(1), 101.
[9] Lebedev, M. A., & Nicolelis, M. A. L. (2006). Brain–machine interfaces: Past, present and future. Trends in Neurosciences, 29(9), 536-546.
[10] Chavarriaga, R., & Millán, J. D. R. (2010). Learning from EEG: Towards intelligent brain–computer interfaces. IEEE Transactions on Biomedical Engineering, 57(4), 803-811.
[11] Saponara, S., & Fantini, M. (2017). High-performance embedded computing architectures for gesture recognition in electromyographic interfaces. IEEE Transactions on Biomedical Circuits and Systems, 11(5), 938-948.
[12] Qu, X., & Li, X. (2021). Hybrid deep learning for human-machine interfaces with EMG signals. IEEE Transactions on Neural Networks and Learning Systems, 32(5), 1853-1862.
[13] Xie, L., & Zhou, P. (2017). A hybrid deep learning model for electromyography signal classification for prosthesis control. Biomedical Signal Processing and Control, 34, 106-113.
[14] He, H., & Wu, D. (2019). A convolutional neural network for pattern recognition of surface EMG signals from multiple electrodes. IEEE Transactions on Biomedical Engineering, 66(10), 2777-2787.
[15] Shahin, M., & Hassan, A. (2019). Gesture recognition using convolutional neural networks and EMG signal classification. Journal of Electrical Engineering & Technology, 14(5), 2189-2197.