Stroke merupakan penyakit dengan penyebab utama kematian dan disabilitas jangka panjang di seluruh dunia, termasuk Indonesia. Tercatat sekitar 62.4%, jenis strokenya adalah stroke iskemik. Stroke jenis ini meninggalkan gangguan motorik permanen pada penderitanya. Hal tersebut menyebabkan berbagai keterbatasan terhadap kemampuan pasien, diantaranya adalah kemampuan dalam menggenggam, makan, atau berpakaian. Proses pemulihan pasien sangat bergantung terhadap intensitas dan konsistensi terapi rehabilitas. Namun, lebih dari 30% pasien stroke tidak mendapatkan rehabilitasi pasca-akut dalam 30 hari pertama setelah dinyatakan keluar dari rumah sakit, serta perkembangan progres pemulihan kurang konsisten akibat dari keterbatasan jumlah tenaga profesional rehabilitasi di negara berkembang.
Kondisi pandemi pada tahun 2020 menjadi pemicu berkembangnya rehabilitasi berbasis rumah (HBR) sebagai langkah preventif terapi konvensional. Namun, HBR memiliki beberapa kelemahan diantaranya adalah tidak ada pemantauan real-time oleh profesional rehabilitasi. Adapun beberapa metode evaluasi konvesional rehabilitasi seperti Manual Muscle Testing (MMT) dan Fugl-Meyer Assessment (FMA) yang sangat bergantung pada penilaian subjektif para ahli sehingga kurang cocok apabila diterapkan secara mandiri di rumah. Di sinilah teknologi electromyography (EMG) hadir sebagai solusi. EMG adalah teknik perekaman aktivitas listrik otot menggunakan elektroda permukaan yang ditempel pada kulit. Sinyal EMG bersifat objektif, real-time, dan mencerminkan kondisi nyata kekuatan serta koordinasi otot pasien, menjadikannya modalitas ideal untuk pemantauan pemulihan motorik pasca-stroke di lingkungan rumah.
Efektifitas Penggunaan Deep learning
Dalam menganalisis sinyal EMG, terdapat tantangan yaitu sifatnya yang non-linear dan non-stasioner, artinya pola frekuensi dan amplitudonya berubah-ubah sepanjang waktu. Oeh karena itu, penelitian ini menawarkan pendekatan baru yang inovatif dengan mengubah sinyal EMG satu dimensi menjadi gambar dua dimensi yang disebut Time-Frequency Representation (TFR) atau spectrogram. Spectrogram menangkap distribusi energi sinyal EMG dalam domain waktu dan frekuensi secara bersamaan. Analisis visual spectrogram memudahkan user dalam melihat perbedaan antara pola pasien stroke dengan individu sehat, terutama pada rentang 0,9-1 Hz. Hasil menunjukkan bahwa pola kontraksi otot pada pasien sehat lebih konsisten dan tersinkronisasi, serta menghasilkan pita energi yang stabil. Sedangkan, pola kontraksi otot pada pasien stroke menunjukkan hasil pola yang terfragmentasi serta mencerminkan adanya gangguan koordinasi neuromuskular akibat stroke.
Gambar spectrogram kemudian digunakan sebagai input bagi model Convolutional Neural Network (CNN). CNN merupakan sebuah arsitektur deep learning yang dirancang khusus untuk memproses data dua dimensi seperti gambar. CNN bekerja dengan ‘belajar’ secara otomatis fitur-fitur penting dari ribuan gambar tanpa perlu rekayasa fitur manual oleh peneliti.
Arsitektur CNN dalam Klasifikasi Stroke
Penelitian ini mengembangkan beberapa arsitektur CNN, diantaranya adalah Shallow CNN, LeNet-5, dan Tri-CNN. Shallow CNN hanya memiliki satu lapisan konvolusi yang berfungsi sebagai baseline sederhana dan mewakili pendekatan CNN paling dasar. LeNet-5 memiliki tiga lapisan konvolusi dengan meggunakan ukuran kernel yang seragam yakni 5×5 pada setiap lapisannya. Keseragaman kernel ini menjadi salah satu keterbatasannya dalam menangkap fitur lokal yang lebih halus dari spectrogram EMG. Tri-CNN menjadi arsitektur usulan dalam penelitian yang memiliki tiga lapisan konvolusi, namun dengan inovasi kunci: ukuran kernel yang semakin mengecil secara progresif, yaitu 5×5 pada lapisan pertama, 3×3 pada lapisan kedua, dan 2×2 pada lapisan ketiga. Desain “segitiga terbalik” ini memungkinkan model menangkap fitur dari yang umum hingga yang sangat spesifik secara hierarkis, sekaligus menjaga kompleksitas model tetap terkendali agar tidak overfitting pada dataset yang berukuran kecil.
Data dan Hasil Penelitian
Data yang digunakan dalam penelitian dikumpulkan dari 20 sukarelawan yang terbagi menjadi 10 data pasien kontrol sehat dan 10 pasien pasca stroke iskemik di Rumah Sakit Uiversitas Airlangga, Surabaya. Proses pengambilan data dilakukan dengan pasien diminta melakukan gerakan menggenggam sebanyak 5 kali, kemudian aktivitas otot flexor digitorum profundus direkam menggunakan perangkat OpenBCI. Sinyal mentah kemudian difilter, dinormalisasi, dan disegmentasi sebelum diubah menjadi spectrogram. Dari proses tersebut dihasilkan 100 segmen EMG, dimana 50 segmen merupakan dari kelompok kontrol sehat dan 50 segmen sisanya dari kelompok pasien stroke dengan masing-masing subjek menghasilkan segmen kontraksi. Total segmen kemudian dikonversi menjadi gambar spectrogram dan dibagi dalam tiga rasio pelatihan dan pengujian, diantaranya adalah 70:30, 80:20, dan 90:10 untuk memastikan validitas dan konsisten tiap performa model.
Hasil dari pengujian tersebut menunjukkan bahwa Shallow CNN mendapatkan nilai akurasi sebesar 82.77%, LeNet-5 dengan akurasi sebesar 62.2%, dan Tri-CNN dengan akurasi sebesar 93.33%. Dengan ini, arsitektur Tri-CNN lebih unggul dibandingkan dengan arsitektur yang lainnya. Temuan ini membuka peluang nyata untuk mengintegrasikan model Tri-CCNN ke dalam perangkat EMG portabel atau wearable, sehingga klinisi dapat memantau perkembangan pemulihan motorik pasien stroke dari jarak jauh secara objektif dan otomatis.
Penulis: Katherine, Riries Rulaningtyas, dan Kalaivani Chellappan
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://doi.org/10.3390/life16010114
Katherine, Riries Rulaningtyas, and Kalaivani Chellappan, “EMG-Spectrogram-Empowered CNN Stroke-Classifier Model Development”, Life 2026, 16, 114.
