Sistem brain-computer interface berbasis motor imagery (MI-BCI) merupakan
suatu sistem yang ditujukan untuk mengoperasikan suatu sistem komputer
berdasarkan rekaman aktivitas otak dari pengguna sistem tersebut, khususnya
aktivitas yang dihasilkan dari imajinasi terkait gerakan yang dipikirkan oleh
pengguna. Berbeda dengan jenis sistem BCI lain, sistem MI-BCI tidak
membutuhkan stimulus eksternal sehingga sistem ini kerap diteliti khususnya
untuk keperluan rehabilitatif dan asistif, misalnya untuk pengoperasian sistem
eksoskeleton dan membantu aktivitas pasien stroke. Namun demikian, aplikasi
sistem MI-BCI dalam kehidupan sehari-hari sulit untuk dilakukan; hal ini
disebabkan oleh sifat sistem MI-BCI yang membutuhkan jumlah data besar untuk
proses kalibrasinya sehingga mengakibatkan waktu kalibrasi yang lama, padahal
hal tersebut dapat mengakibatkan kelelahan pada pengguna sistem tersebut dan
memperburuk kualitas kalibrasi sistem MI-BCI. Oleh karena itu, pada penelitian
ini dilakukan studi terhadap fisibilitas penggunaan data sinyal EEG buatan untuk
mengurangi waktu kalibrasi sistem MI-BCI, khususnya sistem yang ditargetkan
untuk penggunaan secara real-time. Metode pengurangan waktu kalibrasi berbasis
data buatan dipilih pada penelitian ini karena tidak membutuhkan data dari sesi
sebelumnya baik dari pengguna yang sama maupun yang berbeda, sehingga
metode ini dianggap cocok untuk diaplikasikan pada sistem MI-BCI yang baru
dan belum pernah dikalibrasi. Hasil dari penelitian ini ditargetkan agar dapat
digunakan dalam pengembangan sistem MI-BCI real-time pada penelitian
selanjutnya.
Pada penelitian ini, tiga metode pembentukan data sinyal EEG buatan yang telah
ada dievaluasi kinerjanya untuk mengurangi waktu kalibrasi sistem MI-BCI, yaitu
pembentukan data buatan berbasis segmen domain waktu, segmen domain waktufrekuensi, dan komponen hasil empirical mode decomposition (EMD). Evaluasi
ketiga metode tersebut dilakukan menggunakan suatu sistem MI-BCI offline yang
dirancang agar terdiri atas pembaca data input, filter digital 7-30 Hz, generator
data buatan, algoritme ekstraksi fitur yang terdiri atas filter spasial CSP dan
perhitungan daya band logaritmik, dan algoritme LDA untuk klasifikasi fitur.
i
Sistem MI-BCI ini ditujukan untuk mengidentifikasi gerakan tangan kiri atau
tangan kanan berdasarkan hasil analisis ritme ERD/ERS yang terletak pada
frekuensi 7-30 Hz sinyal EEG. Sistem ini selanjutnya digunakan untuk
menganalisis tiga dataset MI-BCI yang berbeda sebagai input, yaitu dataset BCI
Competition IV (2a) sebagai data sekunder, data primer motor imagery yang
diperoleh menggunakan perangkat OpenBCI Cyton, dan data primer motor
execution yang diperoleh menggunakan perangkat yang sama.
Pada penelitian ini, ketiga metode pembentukan data buatan yang digunakan
dioperasikan secara berulang; hal ini ditujukan untuk mengevaluasi fisibilitas
setiap metode dalam pengurangan waktu kalibrasi sistem MI-BCI. Hal ini
dilakukan dengan membentuk 200 data buatan dari data sinyal EEG asli dengan
jumlah yang berbeda-beda (12-116 data); untuk setiap jumlah data sinyal EEG asli
yang digunakan, proses pembentukan data diulang sebanyak 10 kali. Secara
umum, proses ini terdiri atas dekomposisi data sinyal EEG asli yang ditujukan
untuk pelatihan, konstruksi data buatan berdasarkan hasil dekomposisi yang
dipilih secara acak, pelatihan algoritme CSP dan LDA menggunakan data
pelatihan asli dan buatan, dan validasi hasil pelatihan. Hasil yang diperoleh
selanjutnya dibandingkan dengan hasil pelatihan sistem tanpa menggunakan data
buatan.
Penilaian ketiga metode pembentukan data buatan dilakukan menggunakan tiga
parameter sebagai bahan penilaian: kemiripan karakteristik data sinyal EEG
buatan dengan data sinyal EEG asli berdasarkan filter CSP yang dihasilkan, waktu
yang dibutuhkan untuk pembentukan data buatan, dan akurasi hasil klasifikasi
data sinyal EEG; namun demikian, hanya poin kedua dan ketiga yang dibahas
pada abstrak ini. Berdasarkan hasil evaluasi data sekunder yang diperoleh,
penggunaan data pelatihan buatan dari segmen domain waktu dan segmen domain
waktu-frekuensi dapat membantu sistem MI-BCI mencapai akurasi di atas 70%
dalam waktu yang lebih cepat 33,2%; saat data buatan tidak digunakan, sistem
membutuhkan 36 data buatan (270 detik) untuk mencapai akurasi 75%, namun
saat kedua jenis data buatan tersebut digunakan, sistem dapat mencapai akurasi
73,7% dan 75,2% menggunakan 24 data buatan (180,28-181,34 detik). Sementara
itu, penggunaan data buatan pada eksperimen data primer motor imagery mampu
membantu sistem MI-BCI untuk mencapai akurasi 70,71% menggunakan 24 data
sinyal EEG asli, meskipun akurasi hasil pelatihan sesudahnya mengalami
penurunan nilai (42,14%-62,5%). Adapun penggunaan data buatan pada
eksperimen data primer motor execution tidak mampu mengurangi waktu
kalibrasi sistem MI-BCI maupun meningkatkan akurasi hasil kalibrasi; dalam hal
ini, akurasi minimal di atas 70% yang terbaik dicapai dengan penggunaan 58 data
sinyal EEG asli (78,57%). Patut dicatat bahwa berdasarkan hasil yang diperoleh
khususnya pada hasil pemrosesan data sekunder, sistem MI-BCI yang dilatih
menggunakan data buatan memiliki akurasi yang lebih rendah daripada sistem
yang dilatih hanya menggunakan data sinyal EEG asli saat lebih dari 36 data
sinyal EEG asli digunakan.