Stroke adalah suatu kondisi disfungsi neurologis fokal akibat gangguan suplai darah ke otak yang disebabkan oleh penyumbatan atau pendarahan di otak. Gejala stroke seringkali juga ditandai dengan mati rasa pada beberapa area wajah dan anggota badan. Jika tidak ditangani dengan cepat, stroke bisa menyebabkan kematian dalam waktu kurang dari 24 jam. Stroke merupakan penyebab kematian nomor dua di dunia, yaitu sebesar 11% dari total kematian. Di Indonesia, stroke menempati urutan teratas penyebab kematian, dengan 131 kematian per 100.000 penduduk. Oleh karena itu, berbagai metode telah dikembangkan dalam penatalaksanaan stroke, seperti terapi antihipertensi dan obat trombolitik intravena, untuk menurunkan tingginya angka kematian akibat stroke sehingga angka harapan hidup pada pasien stroke dapat meningkat.
Meskipun angka harapan hidup penderita stroke meningkat, namun penderita stroke mengalami kesulitan dalam melakukan Aktifitas Sehari-hari (ADL) akibat kecacatan akibat stroke. Sebanyak 80% penderita stroke mengalami gangguan motorik pada pergerakan salah satu sisi tangan. Gangguan motorik ini ditandai dengan rendahnya aktivitas sisa EMG dan mudahnya tercapainya kondisi kelelahan otot saat tangan digerakkan. Setidaknya diperlukan waktu tiga bulan untuk mengembalikan fungsi tangan dan lengan hingga 70% dari kondisi semula. Hal ini tentunya menurunkan kualitas hidup penderita stroke.
Efektivitas pemulihan fungsi motorik penderita stroke dapat ditingkatkan melalui rehabilitasi. Dengan rehabilitasi, aktivitas saraf pada otak akan meningkat sehingga otak dapat melakukan penyesuaian baik secara struktural maupun fungsional. Seperti regenerasi neuron dan pembentukan sinapsis baru. Penyesuaian di otak ini disebut neuroplastisitas. Saat ini, metode rehabilitasi pada pasien pasca stroke fokus pada gerakan berulang pada tangan yang terkena atau Constraint-Induksi Gerakan terapi (CIMT). Dalam melakukan CIMT, pasien akan didampingi oleh fisioterapis untuk melakukan gerakan terarah dalam suatu sesi latihan. Meskipun efektif, metode CIMT tidak dapat diterapkan pada pasien dengan kemampuan gerakan tangan yang rendah. CIMT juga memerlukan proses pelatihan intensif, yang sulit diperoleh di Asia Tenggara karena kurangnya tenaga profesional rehabilitasi. Akibatnya, proses rehabilitasi seringkali terhenti sebelum pasien mencapai proses pemulihan yang optimal.
Brain-Computer Interface (BCI)
Aktivitas otak yang muncul ketika pasien pasca stroke melakukan MI dapat dimanfaatkan sebagai input untuk Brain-Computer Interface (BCI). BCI merupakan suatu perangkat yang dapat menjadi saluran kendali dan komunikasi langsung dari sistem saraf pusat ke komputer atau perangkat elektronik lainnya, baik secara invasif maupun non-invasif. Dalam teknik invasif, sinyal otak diperoleh dari elektroda yang ditanam langsung di korteks. Dalam salah satu teknik non-invasif, elektroda ditempatkan pada permukaan kulit kepala untuk mencegat sinyal sebagai electroencephalograph (EEG).
Penelitian yang dilakukan menunjukkan bahwa sinyal EEG dapat digunakan sebagai sistem pengontrol gerak kursi roda untuk membantu pergerakan penyandang disabilitas. Peneliti menggunakan transformasi wavelet diskrit pada sinyal EEG untuk memperoleh nilai energi sinyal pada gelombang Mu dan Beta yang berkorelasi dengan keluaran sensorimotor otak. Nilai energi ini digunakan sebagai input neuron tersembunyi pada algoritma Extreme Learning Machine (ELM) untuk klasifikasi gelombang otak menjadi gerakan maju, mundur, dan berhenti pada kursi roda. Peneliti memperoleh akurasi klasifikasi sebesar 86,7-93,3%, dengan keberhasilan tes pada subjek berkisar 84%-88%.
BCI juga dapat digunakan sebagai sistem kontrol exoskeleton ekstremitas atas. Exoskeleton merupakan robot rehabilitasi yang memiliki struktur penghubung dan sendi yang mirip dengan struktur anatomi tubuh manusia. Sistem kendali exoskeleton berbasis BCI memiliki keunggulan dibandingkan terapirehabilitasi berbasis CIMT dan exoskeleton konvensional karena kendalinya berasal langsung dari sistem saraf pusat. Sehingga pasien pasca stroke dengan kemampuan gerak tangan rendah dapat menggunakannya.
Penggunaan BCI sebagai sistem kontrol pada exoskeleton juga dapat memberikan umpan balik visual dan kinestetik ketika pasien melakukan MI, sehingga berdampak pada efektivitas terapi. Hal ini ditunjukkan dengan skor Fugl Meyer Motor Assessment (FMMA) dan Action Research Arm Test (ARAT) pasien pasca stroke yang diobati menggunakan eksoskeleton berbasis BCI lebih tinggi dibandingkan pasien yang menggunakan eksoskeleton tanpa BCI [16]. Studi tersebut juga menemukan korelasi antara akurasi klasifikasi BCI dan peningkatan fungsi motorik ekstremitas atas. Peneliti menggunakan pengklasifikasi Bayesian dengan biaya komputasi yang rendah meskipun akurasi klasifikasinya juga rendah, dengan akurasi maksimum sebesar 51,9%. Oleh karena itu, diperlukan metode klasifikasi gerak MI yang paling optimal agar pengguna dapat mengontrol gerakan pada exoskeleton secara akurat.
Metode BiDirectional LSTM (Bi-LSTM)
Berdasarkan latar belakang tersebut, diusulkan penelitian untuk merancang sistem kendali gerak exoskeleton tangan berbasis BCI dengan metode BiDirectional LSTM (Bi-LSTM). Exoskeleton tangan yang dirancang akan menerjemahkan perintah gerak menggenggam dan membuka pada jari tangan berdasarkan sinyal EEG dari MI yang dilakukan pengguna. Sinyal EEG diperoleh dari perangkat EEG EMOTIV EPOC+ Headset yang menggunakan 14 saluran elektroda permukaan. Peneliti menggunakan metode Deep Learning tipe Bi-LSTM untuk mengklasifikasikan gerakan. Bi-LSTM memiliki keunggulan dalam mengklasifikasikan sinyal EEG dari MI karena kemampuannya dalam mempertahankan dan mengekstrak fitur dalam urutan temporal. Bi-LSTM dapat melihat korelasi sinyal pada rangkaian saat ini dengan rangkaian sebelumnya dan memiliki dua jenis lapisan maju dan mundur. Dengan demikian, metode klasifikasi menggunakan Bi-LSTM lebih akurat dibandingkan metode Deep Learning lainnya, seperti Recurrent Neural Network (RNN) atau Extreme Learning Machine (ELM) [17].
Pemrosesan sinyal EEG dilakukan secara digital menggunakan software Openvibe. Informasi yang diperoleh dari hasil preprocessing akan menjadi masukan bagi Bi-LSTM untuk membedakan jenis pergerakan pembukaan dan penutupan. Gerakan ini dipilih karena menunjukkan peningkatan kualitas ADL pada pasien pasca stroke. Selanjutnya hasil klasifikasi akan digunakan sebagai masukan bagi mikrokontroler ESP32 untuk mengontrol gerak motor DC pada tangan exoskeleton. Dengan demikian, pengguna dapat menggerakkan tangan exoskeleton dalam gerakan membuka dan menutup sesuai perintah MI yang diberikan. Kontribusi utama penelitian ini dirangkum sebagai berikut: i) model real-time untuk terapi pasca stroke berdasarkan algoritma Bi-LSTM. ii) mencapai kinerja yang baik dan penundaan minimal, dan iv) meningkatkan kinerja teknik CIMT tradisional dengan menggabungkannya dengan Kontroler DC dan teknik pembelajaran mendalam. Desain kontrol exoskeleton diharapkan dapat memudahkan penderita stroke dalam melakukan terapi rehabilitasi secara mandiri sehingga fungsi motorik tangan dapat dilakukan dengan cepat dan maksimal.
Hasil penelitian ini telah dipublikasikan pada Indonesian Journal of Electrical Engineering and Computer Science. Berikut ini adalah link dari artikel tersebut: https://ijeecs.iaescore.com/index.php/IJEECS/article/view/34764
Rahma O.N., Ain K., Putra A.P., Rulaningtyas R., Zalda K., Lutfiyah N., Alami N.R.L., Chai R, “Brain-computer interface-based hand exoskeleton with bidirectional long short-term memory methods” Indonesian Journal of Electrical Engineering and Computer Science, https://doi.org/ 10.11591/ijeecs.v34.i1.pp173-185
Penulis: Osmalina Nur Rahma, S.T., M.Si.
