<![CDATA[The artificial bionic appendicular systems, such as hands and feet movement, require the Brain-Computer Interface (BCI) to control the movement. The BCI based movement controlling in a bionic device utilises the EEG signal directly, but the EEG signal classification has to design before it implemented in a BCI device. This study aims to design a classification system for hands and feet movements based on beta channel EEG signals. The system design used the Common Spatial Pattern (CSP) method for feature extraction and stochastic gradient descent in Multilayer Perceptron Backpropagation (MLP-BP) for the hands and feet movement classification. We use the EEG signal from ten subjects to evaluate the design. Also, the variation number of node in MLP-BP to get the system performance based on the confusion matrix. Based on the test results, the improvement of the number of nodes brought the accuracy increasing, especially for variation two, four and eight nodes. The highest mean of system design accuracy reached 94.38% for eight nodes.Teknologi brain computer interface (BCI) dibutuhkan untuk mekanisme pengaturan gerak dari alat bantu bionik sistem appendicular, khususnya tangan dan kaki. Pengendali pergerakan devais bionik berbasis BCI dapat menggunakan sinyal EEG, namun sistem pengelompokan sinyal EEG untuk pergerakan tangan dan kaki dibutuhkan sebagai tahapan awal pengimplementasian tersebut. Penelitian ini bertujuan untuk merancang sebuah sistem klasifikasi pergerakan tangan dan kaki berdasarkan sinyal EEG gelombang beta. Rancangan sistem menggunakan metode Common Spatial Patterns (CSP) pada tahap ekstrasi fitur dan stochastic gradient descent dalam Multilayer Perceptron Backpropagation (MLP-BP) untukmengklasifikasi pergerakan tangan dan kaki. Pengujian sistem menggunakan confusion matrix terhadap sepuluh subjek dan variasi jumlah node MLP-BP. Berdasarkan hasil pengujian, nilai rata-rata akurasi sistem dengan jumlah node dua, empat dan delapan meningkat sebanding dengan peningkatan jumlah node, namun nilai rata-rata akurasi menurun kembali saat jumlah node ditingkatkan menjadi enam belas. Rata-rata akurasi rancangan sistem yang tertinggi mencapai 94,38 % pada sistem dengan delapan node pada hidden layer.]]>
Copyrights © 2020
