Prosiding SENTIA 2009 Politeknik Negeri Malang

Sistem BCI Berbasis Low Density EEG

Indar Sugiarto Jurusan Teknik Elektro, Fakultas Teknologi Industri, Universitas Kristen Petra indi@petra.ac.id ABSTRAK Untuk memulai mengembangkan penelitian di bidang BCI yang berbasis low density EEG (electrode channel berjumlah sedikit), ada beberapa hal yang harus diperhatikan terlebih dahulu, diantaranya: strategi mental-task yang akan digunakan, pendekatan endogenous atau exogenous, karakteristik transient atau steady state yang akan dieksploitasi, domain waktu atau frekuensi, dan algoritma klasifikasi disesuaikan dengan hal-hal tersebut. Paper ini member gambaran awal tentang arah perkembangan dari teknologi BCI berbasis EEG. Dari paper-paper tentang BCI yang sudah dipublikasikan dalam beberapa tahun terakhir ini, terlihat adanya kecenderungan untuk meningkatkan performa sistem dari sisi pemilihan algoritma pengklasifikasiannya. Keterbatasan informasi tentang cara kerja otak yang mendasari fenomena EEG sedikit banyak mempengaruhi kemajuan penelitian tentang BCI yang berbasis EEG. Penelitian tentang BCI masih sangat terbuka dan membutuhkan kerjasama dari beberapa disiplin ilmu yang berbeda. Kata kunci : brain-computer interface, electroencephalography, low density EEG.

1.

Pendahuluan

ditutup dengan kesimpulan yang ada di bagian akhir tulisan ini.

Secara definisi, BCI (brain-computer interface) adalah sistem yang dirancang untuk memungkinkan komunikasi secara langsung antara manusia dengan komputer / mesin tanpa menggunakan saluran normal dari sistem saraf otak manusia (Wolpaw, 2002). Definisi lain yang bisa memberi gambaran teknis tentang BCI seperti tertulis dalam IEEE Signal Processing Magazine Vol. 25, Nr. 1, bulan Januari 2008 adalah: sebuah sistem yang terdiri atas seperangkat alat untuk mengukur sinyal syaraf dari otak dan sebuah metode atau algoritma untuk mendekodekan sinyal-sinyal tersebut serta sebuah metodologi yang memetakan hasil dekoding tersebut menjadi sebuah perilaku atau aksi oleh mesin (Sugiarto[1], 2008). Dari definisi di atas, sebuah sistem BCI memiliki tiga komponen utama: sistem akuisisi data, pemrosesan sinyal, dan antarmuka aplikasi. Gambar 1 menunjukkan interaksi dari ketiga bagian sistem BCI tersebut dengan subyek manusia. Untuk memberikan gambaran sejauh mana implementasi dan aplikasi dari sistem BCI hingga saat ini, dilakukan survei literatur terhadap sumbersumber referensi terutama berupa paper-paper yang dipublikasi yang berkaitan erat dengan implementasi dan aplikasi dari sistem BCI baik bagi para penyandang cacat maupun non penyandang cacat. Paper ini disusun dengan sistematika sebagai berikut. Pada awal tulisan, diberikan gambaran secara umum tentang definisi dari sistem BCI serta motivasi penelitian yang tertuang dalam paper ini. Sub-bab berikutnya menjelaskan klasifikasi sistem BCI dan dilanjutkan dengan pembahasan yang lebih spesifik dari strategi pemilihan sistem BCI. Paper ini

Gambar 1. Diagram blok sistem BCI secara umum. 2. Trend Riset BCI

Pada awalnya, sistem BCI dirancang untuk keperluan medis dan menolong para penyandang cacat terutama pasien yang mengalami kelumpuhan fisik seperti ALS (amyotrophic lateral sclerosis) dan spinal cord injury dengan menyediakan alat bantu yang bisa dikendalikan secara langsung oleh otak pasien (Graimann, 2008), (Thorsten, 2007), (Birbaumer, 2007), (Donoghue, 2007), [Andrea, Boris], (Jochen Kaiser, 2001). Tetapi saat ini, sistem BCI sudah merambah pada aplikasi untuk kehidupan sehari-hari dan menunjukkan peningkatan trend pada aplikasi HCI (human-computer interaction) (Julies, 2005), (Guger, 2003). Sistem BCI merupakan hasil integrasi dari berbagai disiplin ilmu, dari bidang neuroscience,

Prosiding SENTIA 2009 Politeknik Negeri Malang

computer engineering, signal processing, bahkan hingga psikologi. Kemajuan hasil riset dari masingmasing bidang secara tidak langsung juga turut meningkatkan kemampuan dan kehandalan dari sistem BCI (Jackson, 2006), (Mason, 2007). Dalam beberapa tahun terakhir ini, aktifitas penelitian tentang BCI mengalami peningkatan yang signifikan dibandingkan tahun-tahun awal perkembangannya. Grafik berikut menunjukkan trend penelitian dibidang BCI hingga tahun 2007 (Schalk, 2008). (b) Gambar 3. Model komunikasi antara otak manusia dengan komputer. Kendala komputasional yang dihadapi dalam model komunikasi (a) dan mekanisme transmisi perintah dari otak manusia ke sistem komputer (b). 3. Cara Kerja Sistem BCI Berbasis EEG

Gambar 2. Peningkatan aktifitas dalam riset tentang BCI (dalam jumlah peer-reviewed papers). Sebagian besar riset BCI saat ini diarahkan pada bagaimana mendapatkan metode identifikasi dan klasifikasi yang paling akurat untuk sistem BCI (Mason, 2007). Hal ini disebabkan karena tantangan terbesar dalam sistem BCI adalah bagaimana menjembatani fisiologi otak manusia dengan sistem logika komputer. Otak dapat memproses informasi dari banyak sumber secara parallel (much computational breadth) tetapi lebih lambat dalam memproses algoritma tertentu (little computational depth). Sedangkan di sisi lain, komputer umumnya hanya memproses informasi dari sedikit sumber (little computational breadth), tetapi dapat mengeksekusi algoritma tertentu dengan kecepatan yang sangat tinggi (much computational depth). Diagram berikut menggambarkan bagaimana komunikasi antara otak manusia dan komputer bisa terjalin secara langsung melalui sistem BCI (Schalk, 2008).

Ada beberapa metode yang bisa digunakan untuk mengukur aktivitas otak manusia. Metodemetode tersebut bisa digolongkan dalam dua kelompok besar, yaitu metode pengukuran langsung dan metode pengukuran tak langsung. Yang tergolong metode pengukuran tak langsung adalah seperti fMRI (functional Magnetic Resonance Imaging) dan PET (Positron Emission Topography). Sedangkan yang tergolong metode pengukuran langsung adalah: MEG (magnetoencephalography), EEG (electroencephaloghraphy), dan ECoG (electrocorticogram). Saat ini, lebih dari 80% riset BCI menggunakan sinyal otak yang diakuisisi dari permukaan kulit kepala manusia (EEG) (Mason, 2007). Itu sebabnya, pengklasifikasian sistem BCI yang disebutkan dalam paper ini didasarkan atas sistem BCI yang dikembangkan dengan teknik akuisisi EEG. Teknik EEG dipilih karena memiliki spatial resolution yang tinggi, relatif mudah dalam penggunaan, dan portabilitas yang tinggi (Federico, 2006). Diagram berikut menunjukkan perbandingan dari metode-metode di atas (Julies, 2005).

Gambar 4. Teknik pengukuran aktivitas otak manusia. Dikelompokkan dalam dua golongan besar: metode pengukuran langsung dan metode pengukuran tak langsung. Dalam sistem BCI yang menggunakan metode pengukuran EEG, beberapa elektroda berupa kawat penghantar yang ujungnya dilapisi partikel-

(a)

Prosiding SENTIA 2009 Politeknik Negeri Malang

partikel perak ditempelkan pada permukaan kulit kepala subyek. Elektroda-elektroda tersebut dihubungkan dengan sebuah biomedical amplifier yang secara khusus dirancang untuk memperkuat sinyal EEG dan mengkonversinya menjadi sinyalsinyal digital untuk diolah lebih lanjut oleh sistem BCI. Dalam banyak riset, elektroda-elektroda yang terpasang di kepala subyek diupayakan memiliki impedansi yang rendah (<5k) agar sinyal-sinyal EEG dapat terbaca dengan baik [Friman, Volosyak].

melakukan pengklasifikasian untuk menentukan apakah fitur yang diekstrak tersebut merupakan hasil dari mental task yang diberikan. Jika ya, maka sistem BCI akan membangkitkan sinyal kontrol tertentu yang menandakan bahwa sistem BCI berhasil mengidentifikasi perintah yang dikirim oleh subyek. Algoritma yang digunakan dalam proses klasifikasi ditentukan oleh tipe fitur yang akan diekstrak dari sinyal EEG. Tabel berikut menunjukkan beberapa algoritma yang dilaporkan memiliki kinerja dan hasil yang memuaskan [Lotte, Congedo], [Dean, Eric, Dennis], [Deon, David, Charles]. Tabel 1. Algoritma klasifikasi yang dipakai dalam sistem BCI
Kategori Linear classifier Contoh Algoritma Linear discriminant analysis (LDA), disebut juga FLD (Fishers linear discriminant) stepwise linear discriminant analysis (SWLDA) PCM (Pearsons correlation method) Support Vector Machine (SVM) Multilayer Perceptron (MLP) learning vector quantization (LVQ) neural network fuzzy ARTMAP neural network finite impulse response neural network (FIRNN) radial basis function neural network (RBFNN) Bayesian logistic regression neural network (BLRNN) probability estimating guarded neural classifier (PeGNC) Bayes quadratic Hidden Markov model K-nearest neighbors Mahalanobis distance

Gambar 5. Metode pengukuran aktivitas otak manusia dengan teknik EEG. Beberapa elektroda dipasang pada kulit kepala manusia dan dihubungkan dengan sebuah biomedical amplifier. Jumlah dan posisi dari elektroda-elektroda tersebut ditentukan berdasarkan fitur yang akan diekstrak dari sinyal EEG dan mengikuti standard yang disebut sebagai International Standard 10/20 (Bear, 1999) (Peters, 1998) (Luck, 2005). Contoh, untuk sistem BCI yang memanfaatkan fitur SSVEP (steady-state visual evoked potential), elektrodaelektroda tersebut diletakkan di bagian kepala yang disebut Ocipital Region [Indar MICEEI].

Neural Network

Nonlinear Bayesian classifiers Nearest neighbor classifiers

4.

Strategi Sistem BCI

Gambar 6. Penempatan elektroda-elektroda untuk sistem BCI dengan fitur SSVEP seperti digunakan dalam (Indar[2], 2008) Setelah sinyal EEG berhasil direkam dan dikonversi menjadi data digital, tugas sistem BCI berikutnya adalah mengekstraksi fitur yang diinginkan dari sinyal EEG tersebut dan kemudian

Ada beberapa parameter yang bisa digunakan untuk mengklasifikasi sistem BCI, antara lain: invasive dan non-invasive, exogenous (evoked) dan endogenous (spontaneous), synchronous dan asynchronous, serta dependent dan independent. Pada sistem BCI yang tergolong invasive, sensor dimasukkan ke dalam jaringan otak manusia, disisipkan pada lapisan terluar cortex tepat di bawah tempurung tengkorak dan disebut ECoG (electrocorticography) [Erick, Gerwin, Jonathan] [Bernhard Graimann, Jane E. Huggins], atau disisipkan di bagian dalam cerebral cortex (intracortical) [Daryl, Rio, Justin]. Sedangkan sistem BCI yang tergolong non-invasive, sensor tidak dimasukkan ke dalam jaringan otak manusia,

Prosiding SENTIA 2009 Politeknik Negeri Malang

contohnya adalah BCI yang berbasis EEG, fMRI, MEG, dan PET. Pada sistem BCI yang tergolong exogenous, otak mendapat rangsangan dari luar sehingga muncul potensial tertentu yang disebut ERP (eventrelated potential) (Luck, 2005) dan akan memodulasi sinyal EEG. Metode ini disebut juga sebagai pattern recognition approach through selective attention (Janne, 2002), contohnya adalah SSVEP- and P300-based BCI (Beverina, 2003). Karakteristik utama dari tipe ini adalah tidak diperlukannya training bagi subyek supaya ERP bisa muncul dan terdeteksi dalam sinyal EEG. Pada sistem BCI yang tergolong endogenous, otak tidak perlu mendapat rangsangan dari luar. Sinyal EEG dapat dimodulasi secara internal oleh keinginan subyek itu sendiri, misalkan dengan melakukan imajinasi yang melibatkan sistem saraf motorik (motor imagery). Untuk tipe BCI ini, diperlukan training yang intensif bagi subyek hingga dia bisa mengontrol sinyal EEG yang dibangkitkannya. Yang tergolong tipe ini adalah sistem BCI berbasis SCP (slow cortical potential) (Niels, 2003) (Thilo2004) dan ERD/ERS (event-related desynchronization / event-related synchronization) (Bernhard Graimann, 2005), (Gert, 2006). Pada sistem BCI yang tergolong synchronous, timing dari proses klasifikasi fitur dikendalikan sepenuhnya oleh sistem (system-driven). Contohnya adalah sistem BCI berbasis SSVEP yang digunakan dalam aplikasi pengeja kata [papernya Ola, Thorsten]. Pada sistem BCI yang tergolong asynchronous, timing dari proses klasifikasi fitur, dengan demikian menentukan kapan saatnya sistem BCI bekerja dan kapan saatnya sistem BCI masuk dalam kondisi idle, ditentukan oleh user (self-paced method). Contohnya adalah sistem BCI yang digunakan dalam (Jochen, 2001). Gambar di bawah ini menunjukkan klasifikasi dari sistem BCI secara umum (Sugiarto[1],2008).

Ada dua strategi mental-task utama yang harus dipilih, apakah akan menggunakan pendekatan endogenous atau exogenous Apakah karakteristik transient atau steady state yang akan dieksploitasi? Apakah sinyal EEG akan diolah dalam domain waktu atau frekuensi? Algoritma klasifikasi disesuaikan dengan tiga hal di atas Penelitian tentang BCI masih sangat terbuka dan membutuhkan kerjasama dari beberapa disiplin ilmu yang berbeda. Daftar Pustaka: Andrew B. Schwartz, X. Tracy Cui, Douglas J. Weber, and Daniel W. Moran, (2006): BrainControlled Interfaces: Movement Restoration with Neural Prosthetics, Neuron 52, 205-220, October 5, Elsevier Inc. Bear, M. Connors, B. Paradiso, M. (1999): Neuroscience: Exploring the Brain. Williams & Wilkins: USA. Bernhard Graimann, Brendan Allison, Christian Mandel, Thorsten Lth, Diana Valbuena, Axel Grser (2008): Non-invasive Brain-Computer Interfaces for Semi-autonomous Assistive Devices; Robust Intelligent Systems; Springer; pp. 113-138. Bernhard Graimann, Jane E. Huggins, Simon P. Levine, and Gert Pfurtscheller, (2004): Toward a Direct Brain Interface Based on Human Subdural Recordings and Wavelet-Packet Analysis, IEEE Transactions On Biomedical Engineering, Vol.51, No.6. Birbaumer, N., Cohen, L.G. (2007): Brain computer interfaces: Communication and restoration of movement in paralysis, Journal of Physiology, 579 (Pt. 3), 621-636. Daryl R. Kipke, Rio J. Vetter, Justin C. Williams, and Jamille F. Hetke, (2003): Silicon-Substrate Intracortical Microelectrode Arrays for LongTerm Recording of Neuronal Spike Activity in Cerebral Cortex, IEEE Transactions On Neural Systems and Rehabilitation Engineering, Vol.11, No.2. Dean J. Krusiensi, Eric W. Sellers, Francois Cabestaing, Sabri Bayoudh, Dennis J. McFarland, Theresa M. Vaughan, Jonathan R. Wolpaw, (2006): A comparison of classification techniques for the P300 Speller, Journal of Neural Engineering. Deon Garrett, David A. Peterson, Charles W. Anderson, and Michael H. Thaut, (2003): Comparison of Linear, Nonlinear, and Feature Selection Methods for EEG Signal Classification, IEEE Transactions On Neural Systems and Rehabilitation Engineering, Vol.11, No.2. Donoghue, John P. Nurmikko, Arto. Black, Michael. and Hochberg, Leigh R. (2007): Assistive

Gambar 7. Klasifikasi sistem BCI secara umum

5.

Kesimpulan

Dari penjelasan di atas, ada beberapa hal yang harus diperhatikan jika ingin mengembangkan penelitian teknologi BCI berbasis EEG:

Prosiding SENTIA 2009 Politeknik Negeri Malang

technology and robotic control using motor cortex ensemble-based neural interface systems in humans with tetraplegia, Journal of Physiology.. Erick C. Leuthardt, Gerwin Schalk, Jonathan R. Wolpaw, Jeffrey G. Ojemann, and Daniel W. Moran, (2004): A brain-computer interface using electrocorticographic signals in humans, Journal of Neural Engineering 1, 63-71. Fabrizio Beverina, Giorgio Palmas, Stefano Silvoni, Francesco Piccione, Silvio Giove, (2003): User adaptive BCIs: SSVEP and P300 based interfaces, Psychology Journal, Vol.1, Nr.3, pp.331-354. Federico Carpi, Danilo De Rossi, (2006): Non invasive Brain-Machine Interface, Final Report ARIADNA Study, European Space Agency. Friman, O. Volosyak, I. Grser. A. (207): Multiple Channel Detection of Steady-State Visual Evoked Potentials for Brain-Computer Interfaces. IEEE Transaction On Biomedical Engineering, Vol. 54, No. 4. Gert Pfurtscheller and Christa Neuper, (2006): Future prospects of ERD/ERS in the context of brain-computer interface (BCI) developments, Progress in Brain Research, Vol.159, ISSN 0079-6123, Elsevier. Gerwin Schalk (2008): Brain-computer symbiosis. Journal of Neural Engineering. Guger, C., Edlinger, G., Harkam, W., Niedermayer, I. and Pfurtscheller, G. (2003): How many people are able to operate an EEG-based brain-computer interface (BCI)? IEEE Trans Neural Syst Rehabil Eng, 11, 2, 145-147. Jackson, M.M. Mason , S.G., and Birch, G.E. (2006): Analyzing Trends in Brain Interface Technology: A Method to Compare Studies, Annals of Biomedical Engineering, Vol. 34, No. 5, pp. 859-878. Janne Lehtonen, (2002): EEG-based Brain Computer Interfaces, Master Thesis, Helsinki University of Technology. Jochen Kaiser, Jouri Perelmouter, Iver H. Iversen, Nicola Neumann, Nimr Ghanayim, Thilo Hinterberger, Andrea Kuebler, Boris Kotchoubey, Niels Birbaumer, (2001): Selfinitiation of EEG-based communication in paralyzed patients, Clinical Neurophysiology 112, pp.551-554. Kronegg, Julies (2005): Goals, Problems and Solutions in Brain-Computer Interfaces: a Tutorial, Online (www.bciinfo.tugraz.at/Research_Info/documents/ presentations/files/kronegg2005__tutorial_bci.ppt) Kbler, Andrea. Kotchoubey, Boris. Kaiser, Jochen. Wolpaw, J.R., Birbaumer, Niels. (2001): Brain-Computer Communication: Unlocking the Locked In, Psychological Bulletin, Vol. 127, No. 3, pp. 358-375.

Lotte, F. Congedo, M. Lecuyer, A. Lamarche, F. Arnaldi, B. (2007): A review of classification algorithms for EEG-based brain-computer interfaces, Journal of Neural Engineering 4. Luck, Stephen J. (2005): An Introduction to the Event-Related Potential Technique. The MIT Press. Mason, S.G. Bashashati, A. Fatourechi, M. Navarro, K.F. Birch, G.E. (2007): A Comprehensive Survey of Brain Interface Technology Designs, Annals of Biomedical Engineering, Vol. 35, No. 2, pp.137-169. Niels Birbaumer, Thilo Hinterberger, Andrea Kuebler, and Nicola Neumann, (2003): The Thought-Translation Device (TTD): Neurobehavioral Mechanisms and Clinical Outcome, IEEE Transactions On Neural Systems and Rehabilitation Engineering, Vol.11, No.2. Peters, B. Pfutscheller, G. Flyvbjerg, H. (1998): Mining multi-channel EEG for its information content: an ANN-based method for a braincomputer interface. Neural Network Vol. 11, no.7-8. Sugiarto, Indar (2008): Display and Feedback Approach for BCI Systems, Master Thesis, University of Bremen. Sugiarto, Indar. (2008): Multi-target SSVEP-based BCI using Multichannel SSVEP Detection, The 1st Makassar International Conference On Electrical Engineering and Informatics (MICEEI2008). Thilo Hinterberger, Stefan Schmidt, Nicola Neumann, Juergen Mellinger, Benjamin Blankertz, Gabriel Curio, and Niels Birbaumer (2004): Brain-Computer Communication and Slow Cortical Potentials, IEEE Transactions On Biomedical Engineering, Vol.51, No.6. Thorsten Lth, Darko Ojdanic, Ola Friman, Oliver Prenzel and Axel Grser (2007): Low Level Control in a Semi-autonomous Rehabilitation Robotic System via a Brain-Computer Interface; 10th International Conference on Rehabilitation Robotics ICORR. Wolpaw, J.R., Birbaumer, N., McFarland, D.J., Pfurtscheller, G., and Vaughan, T.M. (2002): Brain-Computer Interface for Communication and Control, Clinical Neurophysiology 113.

Prosiding SENTIA 2009 Politeknik Negeri Malang