Tangan bionik alias tangan robot merupakan pengembangan teknologi dari tangan buatan yang digunakan untuk menggantikan fungsi dari tangan yang hilang akibat kelainan maupun amputasi. Pada kenyataannya, tangan buatan yang banyak ditemukan di pasaran merupakan tangan buatan konvensional yang bersifat statis dan tidak bisa digerakkan secara bebas, hal ini menyebabkan rendahnya minat terhadap penggunaan tangan buatan di masyarakat. Untuk menanggulangi keterbatasan gerak dari tangan buatan, dikembangkan teknologi tangan bionik yang dapat digerakkan secara lebih dinamis.
Tangan bionik memiliki seperangkat sistem penggerak yang tersemat, berguna untuk menggerakkan posisi jari tangan secara spesifik. Teknologi yang selama ini berkembang di Indonesia memanfaatkan kontrol dari perangkat lain seperti joystick, maupun handphone yang membuat penggunaan tangan bionik terkesan ribet dan tidak otomatis. Salah satu pilihan yang dapat digunakan untuk mengatur gerakan tangan bionik secara otomatis adalah dengan memanfaatkan teknologi pembacaan sinyal otot menggunakan sistem kontrol elektromiogram (EMG). Namun, sistem kontrol tangan bionik berbasis EMG sendiri masih memiliki kemampuan kontrol yang terbatas.
Sistem kendali menggunakan pembacaan sinyal otot oleh EMG menjadi salah satu solusi menjanjikan dari permasalahan kontrol tangan bionik. Model dari Muscle-Synergy yaitu analisis pengaruh gerakan suatu otot terhadap gerakan otot lain adalah prinsip yang digunakan dalam mengendalikan gerakan jari tangan buatan. Penelitian yang dilakukan oleh Ma et al menyatakan bahwa model Muscle-Synergy dapat merealisasikan perintah saraf untuk mengendalikan kontrol jari tangan secara proporsional.
Pada penelitian awal model Muscle-Synergy, dilakukan analisis terhadap kendali gerakan membuka-menutup tangan, dan memutar tangan. Sinyal otot yang diperoleh dapat dikarakterisasi dan digolongkan menjadi gerakan dasar dari pengaruh pengangkatan bahu, pelurusan siku, dan hentakan lengan. Pengembangan penelitian selanjutnya adalah klasifikasi gerakan dari sinyal otot yang dilakukan oleh Zhang et al. Terdapat 18 gerakan spesifik pada jari tangan yang berhasil diklasifikasi menggunakan EMG dengan 32 buah channel. EMG dengan channel yang lebih banyak memiliki kompleksitas tinggi dan meningkatkan kesulitan dari sistem kontrol.
Penelitian kendali jari tangan buatan yang diinisiasi oleh Peleg et al telah menghasilkan kendali terhadap dua jari tangan, diikuti pengembangannya oleh Tsenov et al menjadi kendali tiga jari tangan. Ibu jari, jari telunjuk, dan jari tengah dari tangan bionik dapat melakukan gerakan menekuk dan meluruskan jari tangan hingga 93% akurat. Penelitian terkini yang dilakukan oleh Widiyanti et al menyajikan sistem pengenalan gerakan jari tangan dari sinyal otot menggunakan EMG 4 channel.
Penelitian dilakukan dengan lima subjek yang memiliki karakteristik tubuh serupa dan kondisi tangan normal. Pemilihan subjek dengan tangan normal mempertimbangkan kesamaan efek dari pembacaan sinyal otot dari subjek dengan tangan normal maupun dengan tangan diamputasi. Subjek duduk dengan posisi lengan terbuka menghadap ke atas dan tangan diletakkan pada sandaran kursi. Elektroda alias sensor dari EMG dipasang pada 4 bagian signifikan dari lengan bawah.
Subjek kemudian diminta untuk melakukan gerakan menekuk-meluruskan masing-masing jari tangan yang akan dianalisis yaitu ibu jari, jari telunjuk, jari tengah, jari manis, dan jari kelingking. Subjek menggerakkan jari tangan sesuai dengan perintah yang diberikan pada subjek melalui layar komputer, dengan diiringi istirahat/relaksasi tiap melakukan gerakan. Masing-masing subjek melakukan 2 sesi dari 10 kali percobaan gerakan 5 buah jari, sehingga didapatkan 500 buah data yang dapat dianalisis.
Analisis sinyal otot dilakukan dalam beberapa tahap. Tahap pertama yaitu penghilangan noise atau gangguan sinyal dari hasil pengambilan data menggunakan fungsi Hamming Window. Kemudian sinyal yang telah dibersihkan diestimasi nilai Root Mean Square (RMS) sebagai nilai intensitas aktivitas. Sinyal otot sendiri perlu untuk didekomposisi atau dipecah agar dapat dianalisis masing-masing fiturnya. Oleh karena itu dilakukan algoritma Non-negative Matrix Factorization (NMF) untuk memecah komponen sinyal otot dan menentukan korelasi dari gerakan jari tangan terhadap aktivasi otot lengan bawah. Komponen sinyal otot yang telah terpecah diukur signifikansinya dan diambil nilai yang paling signifikan dengan cara menghitung parameter Variance Accounted For (VAF) untuk kemudian diolah dalam tahap karakterisasi.
Karakterisasi dari gerakan jari tangan dilakukan menggunakan metode klasifikasi Support Vector Machine (SVM) dengan kernel RBF. SVM merupakan teknologi kecerdasan buatan yang memanfaatkan data-data yang telah diambil dari penelitian untuk menentukan klasifikasi gerakan yang lebih akurat pada pembacaan gerakan selanjutnya. Data yang telah diambil kemudian dianalisis dengan algoritma SVM, dan diuji pada semua subjek. Dari hasil analisis gerakan jari tangan yang dilakukan, didapatkan rerata pengenalan gerakan hingga 97% akurat pada semua subjek.
Menggunakan prinsip Muscle-Synergy, pengenalan gerakan jari tangan dapat dilakukan dengan tingkat kompleksitas matriks yang lebih rendah, yaitu menggunakan fitur RMS dari EMG. Korelasi dari gerakan jari tangan terhadap aktivasi otot lengan bawah selaras dengan bukti fisiologi yang ada, dengan tingkat pengenalan gerakan hingga 97% akurat menggunakan 4 buah channel EMG. Pengenalan gerakan jari tangan berbasis Muscle-Synergy dapat dikembangkan lebih lanjut menjadi sistem kontrol pergerakan tangan bionik yang akurat dan efisien.
Penulis: Prihartini Widiyanti
Artikel lengkapnya dapat dilihat pada link jurnal berikut ini:
https://ieeexplore.ieee.org/abstract/document/9042432
Source: UNAIR News
