Stroke merupakan salah satu penyakit paling mematikan di Asia dan merupakan penyebab utama penyakit saraf. Stroke disebabkan oleh adanya gangguan peredaran darah pada otak dan dipengaruhi oleh berbagai faktor, seperti usia, jenis kelamin, hipertensi, hiperglikemia, dislipidemia, dan pekerjaan. Stroke mampu mengakibatkan kecacatan pada pasien, terutama pada ekstremitas atas.
Cacat pada ekstremitas atas menyebabkan hilangnya fungsi motorik pada ekstremitas atas. Rehabilitasi motorik mengambil peranan penting untuk meningkatkan fungsi ekstremitas atas pasien pasca stroke. Rehabilitasi merupakan suatu proses untuk mengembalikan kondisi fisik ke kondisi semula sebelum terkena penyakit dalam waktu yang singkat.
Pada umumnya metode rehabilitasi di Indonesia dilakukan dengan bantuan fisioterapi secara manual dan prosedur rehabilitasi standar. Namun rehabilitasi pasca stroke yang baik ditunjukkan dengan pengulangan terus menerus dan perbandingan antara terapi manual dan exoskeleton. Terapi exoskeleton juga terbukti mampu meningkatkan kualitas rehabilitasi berdasarkan pengalaman pasien dan efisiensi fisioterapi.
Salah satu metode rehabilitasi untuk pasien pasca stroke, latihan ROM terbukti dapat memperkuat otot pasien pasca stroke. Peningkatan kekuatan otot ini terlihat dari perubahan sinyal otot dari pasien, dimana latihan ROM juga menunjukkan adanya hubungan linier antara sinyal otot dan sudut sendi. Sehingga sudut sendi dapat diprediksi dari sinyal otot, dengan sudut sendi sendiri merupakan salah satu parameter dari ROM.
Sudut sendi siku merupakan salah satu sudut sendi utama untuk menilai kembalinya fungsi motorik pada ekstremitas atas. Berbagai metode telah dilakukan untuk memprediksi sudut siku, seperti Probability Distribution Function (PDF), Cumulative Distribution Function (CDF), Monte Carlo, maximum voluntary contract (MVC) dan support vector machine (SVM).
Metode Monte Carlo merupakan metode yang unggul untuk memperkirakan dan menganalisis distribusi sampling statistik. Monte Carlo mampu mengukur kekokohan inferensi parametrik dan membandingkan kualitas dua atau lebih estimator menggunakan statistik hanya dengan matematika sederhana.Sehingga metode ini dapat menjadi alternatif pendugaan sudut siku dari sinyal EMG.
Metode dan Hasil
Penelitian ini memanfaatkan metode Monte Carlo untuk memprediksi sudut sendi siku dari sinyal EMG biceps brachii sebagai input. Akuisisi data sinyal EMG menggunakan Myo Ware Muscle Sensor, sedangkan data sudut sendi siku menggunakan Rotary Encoder. Kedua data tersebut dikumpulkan secara bersamaan untuk data input dengan jumlah total 52 data, yang kemudian diolah untuk mendapatkan model yang menghasilkan simulasi estimasi sudut siku.
Pengolahan data diawali dengan penentuan titik offset untuk mendapatkan batas awal yang jelas dari sinyal EMG. Selanjutnya sinyal EMG diberikan filter Bandpass IIR untuk melewatkan frekuensi antara 20500 Hz dan menghilangkan noise motion artifak. Sementara filter Bandstop IIR tipe Butterworth orde kedua diterapkan untuk menghilangkan noise dari Power Line Interference (PLI).
Setelah filter diterapkan pada sinyal EMG, output sinyal EMG akan ditransformasikan dari domain waktu menjadi domain frekuensi menggunakan rumus Fast Fourier Transform (FFT). Selanjutnya pre-processing untuk sinyal EMG dan data sudut, yakni rectifying sinyal agar mendapatkan nilai positif dari sinyal itu sendiri dan tidak mengandung negatif nilai atau informasi data. Selanjutnya tahap smoothing diterapkan pada data sinyal EMG.
Tahapan berikutnya adalah korelasi, dimana akan dicari hubungan antara dua variabel. Tahapan ini akan menentukan apakah data dapat masuk ke dalam tahap permodelan. Setelah korelasi ditetapkan, dilakukan pemodelan data menggunakan metode curve fitting.
Permodelan merupakan langkah pertama untuk penentuan sudut sendi siku dari simulasi dan estimasi Monte Carlo. Error pada model akan digunakan untuk menghasilkan nilai acak yang digunakan dalam simulasi Monte Carlo. Simulasi Monte Carlo akan menganalisis risiko dengan membangun model dari nilai acak dari fungsi probabilitas dengan perhitungan berulang.
Simulasi Monte Carlo akan menghasilkan rentang estimasi yang dianalisis untuk menentukan hasil estimasi yang sebenarnya. Simulasi ini dimulai dari inisialisasi matriks, pengulangan baris dan kolom, perhitungan tren sudut, dan pengurangan data sinyal EMG kedua dengan data sinyal EMG pertama. Tren ini akan menentukan arah sudut yang nantinya akan digunakan untuk estimasi sudut.
Terakhir, data hasil estimasi akan dianalisis untuk memvalidasi keakuratannya. Data dari estimasi sudut yang merespon masukan sinyal EMG akan diplot sebagai grafik respon estimasi. Grafik yang telah dihasilkan akan dianalisis berdasarkan teori respon estimasi. Analisis ini menitikberatkan pada karakteristik pendugaan respon, terutama pada ketidaksesuaian prediksi sudut dengan sudut sebenarnya untuk setiap data.
Penelitian ini menunjukkan bahwa simulasi Monte Carlo dapat mengoptimalkan estimasi sudut siku dari sinyal EMG 1 kanal. Simulasi Monte Carlo yang diuji dengan membandingkan data sudut asli menunjukkan akurasi yang baik dari 24 data set testing. Dengan RMSE 8,96掳 dan koefisien korelasi 0,96, simulasi Monte Carlo dapat dikategorikan sebagai prediktor yang sangat akurat untuk sudut siku.
Penulis: Dr. Riries Rulaningtyas, S.T, M.T
Informasi detail riset ini dapat dilihat pada tulisan kami di:
Riries Rulaningtyas, Yusrinourdi Muhammad Zuchruf, Akif Rahmatillah, Khusnul Ain, Alfian Pramudita Putra, Osmalina Nur Rahma, Limpat Salamat, Rifai Chai, 淓lbow Angle Estimation From EMG Signals Based on Monte Carlo Simulation.
Jurnal Teknologi, Malaysia, Vol.84 No.4: July 2022.
