Perpustakaan Digital ITB

Brain-computer interfaces (BCI) memanfaatkan aktivitas elektrofisiologis otak untuk mengendalikan perangkat eksternal. Pengembangan teknologi BCI tangan prostetik berbasis sinyal EEG-MI dapat membantu penderita disabilitas tangan agar mudah beraktifitas dan meningkatkan kualitas hidup. Saat ini, BCI tangan prostetik memiliki keterbatasan pada gerakan jari tangan. Penelitian mengenai pengenalan pola sinyal EEG-MI 5 jari tangan untuk diimplementasikan pada BCI tangan prostetik telah dilakukan. Namun, penelitian-penelitian tersebut masih melibatkan kanal EEG tidak relevan terhadap MI jari tangan. Oleh karena itu, perlu dilakukan seleksi kanal pada pengenalan pola EEG-MI jari tangan. Hal tersebut bertujuan untuk menunjang pengembangan BCI tangan prostetik yang praktis digunakan. Pengembangan metode seleksi kanal pada tugas akhir ini menggunakan dataset yang dipublikasikan oleh Kaya dkk. Dataset tersebut memiliki sinyal EEG-MI dari 19 kanal EEG. EEG-MI mempunyai area aktivasi otak yang spesifik pada area SMA, sebagian lobus frontal, dan parietal. Oleh karena itu, seleksi kanal dilakukan menggunakan PCA dan CSP-OVR, metode seleksi kanal yang memanfaatkan informasi distribusi spasial sinyal. Metode tersebut dilanjutkan dengan pencarian kombinasi kanal relevan optimal secara berurut. Hal tersebut bertujuan untuk meminimalisasi penurunan akurasi akibat pengurangan jumlah kanal. Berdasarkan hasil metode PCA terpilih 11 kanal relevan terhadap MI jari tangan berupa, C4, C3, Fz, Cz, T4, Fp1, P3, F7, F4, T3, dan F3. Sedangkan berdasarkan CSP-OVR terpilih 4 kanal relevan berupa F8, F7, Fp2, dan Fp1. Seleksi kanal berpengaruh pada penurunan akurasi pengenalan pola EEG-MI. Kombinasi kanal relevan dari CSP-OVR menghasilkan akurasi rata-rata pengenalan pola fitur spektrogram sebesar 46,1%. Akurasi tersebut turun 0,6% dibandingkan dengan klasifikasi menggunakan 19 kanal. Sedangkan metode PCA menghasilkan akurasi rata-rata sebesar 45,7%, turun 1% dibandingkan dengan klasifikasi 19 kanal.