Identifikasi dan Klasifikasi Gestur Tangan dengan Sinyal EMG

  • Robinsar Parlindungan Teknik Elektronika Politeknik Negeri Bandung
  • Mochammad Rizaldi Politeknik Negeri Bandung
Keywords: MYO Thalmic, PSD, SVM, CNN, RF

Abstract

Penelitian ini dilatarbelakangi keinginan untuk membantu orang-orang yang mengalami keterbatasan fisik, terutama ketika menggunakan tangan, melalui pengembangan tangan buatan (hand prosthesis). Masalah utama pada hand prosthesis adalah bagaimana mengembangkan metoda untuk mengidentifikasi dan mengklasifikasikan sinyal EMG untuk dapat mengenali gerakan tangan. Pada penelitian ini, sinyal EMG diperoleh dari dataset UCI Machine Learning yang diakuisisi menggunakan sensor MYO Thalmic Bracelet. Dataset yang diambil terdiri dari 10 subyek sebagai data training dan 4 subjek sebagai data uji dimana masing-masing subjek melakukan enam gerakan isyarat tangan, seperti Hand Rest, Hand Fist, Wrist Extention, Wrist Flexion, Radial Deviation, dan Ulnar Deviation. Ekstraksi ciri dilakukan menggunakan metoda densitas spektral daya (PSD) melalui perata-rataan (mean average value) dan klasifikasi menggunakan 3 metoda sebagai komparasi, yaitu Support Vector Machine (SVM), Convolutional Neural Network (CNN) dan Random Forest (RF). Hasil penelitian menunjukkan bahwa akurasi prediksi gerakan gesture tertinggi menggunakan metoda CNN, dengan hasil tiap gesture diatas 80%. Dilain pihak metoda SVM dan RF menunjukkan hasil yang relatif sama.

Downloads

Download data is not yet available.

References

N. Ma, D. K. Kumar, and N. Pah, “Classification of hand direction using multi-channel electromyography by neural network,” ANZIIS 2001 - Proc. 7th Aust. New Zeal. Intell. Inf. Syst. Conf., no. November, pp. 405–410, 2001.

E. Gokgoz and A. Subasi, “Comparison of decision tree algorithms for EMG signal classification using DWT,” Biomed. Signal Process. Control, vol. 18, pp. 138–144, 2015.

C. Choi and J. Kim, “A real-time EMG-based assistive computer interface for the upper limb disabled,” 2007 IEEE 10th Int. Conf. Rehabil. Robot. ICORR’07, vol. 00, no. c, pp. 459–462, 2007.

A. Alkan and M. Günay, “Identification of EMG signals using discriminant analysis and SVM classifier,” Expert Syst. Appl., vol. 39, no. 1, pp. 44–47, 2012.

M. Tavakoli, C. Benussi, and J. L. Lourenco, “Single channel surface EMG control of advanced prosthetic hands: A simple, low cost and efficient approach,” Expert Syst. Appl., vol. 79, pp. 322–332, 2017.

Y. Yamanoi, S. Morishita, R. Kato, and H. Yokoi, “Development of myoelectric hand that determines hand posture and estimates grip force simultaneously,” Biomed. Signal Process. Control, vol. 38, pp. 312–321, 2017.

M. E. Benalcazar et al., “Real-time hand gesture recognition using the Myo armband and muscle activity detection,” 2017 IEEE 2nd Ecuador Tech. Chapters Meet. ETCM 2017, vol. 2017-January, pp. 1–6, 2018.

D. M. N. B. P. Kumar, “Classification of dynamic multi-channel electromyography by neural network,” Electromyogr. Clin. Neurophysiol., vol. 41, no. 7, pp. 401–408, 2001.
Published
2020-03-20
How to Cite
[1]
R. Parlindungan and M. Rizaldi, “Identifikasi dan Klasifikasi Gestur Tangan dengan Sinyal EMG”, SENTER, pp. 242-249, Mar. 2020.
Section
Articles
View Counter
Abstract viewed 9 times
pdf (Bahasa Indonesia) 4 times