Evaluasi Random Forest dan LSTM untuk Klasifikasi Gerakan Pergelangan Tangan Berbasis IMU dengan Monitoring sEMG.

Abstract

Gangguan motorik pascastroke dapat membatasi fungsi pergelangan tangan sehingga diperlukan sistem yang mampu memperoleh informasi gerakan dan aktivitas otot. Penelitian ini mengembangkan sistem rehabilitasi menggunakan inertial measurement unit (IMU) untuk klasifikasi gerakan dan surface electromyography (sEMG) untuk monitoring aktivitas otot. Data IMU enam kanal disegmentasi menggunakan window 50 sampel dan step 25 sampel sehingga menghasilkan 30 fitur per window. Evaluasi held-out trial menghasilkan akurasi Random Forest (RF) sebesar 87,71% dan Long Short-Term Memory (LSTM) sebesar 97,93% pada lima kelas gerakan. Sinyal sEMG diolah menggunakan root mean square (RMS) untuk menentukan kondisi LOW dan NORMAL. Implementasi real-time menggunakan RF yang terintegrasi dengan Python, MQTT, ESP32, OpenRB-150, dan Dynamixel MX-28AT. Pengujian bangku menghasilkan RMSE penjejakan 10,69° pada fleksi-ekstensi dan 7,28° pada radial-ulnar tanpa overshoot.

Post-stroke motor impairment may limit wrist function, requiring a system capable of obtaining movement and muscle-activity information. This study developed a wrist rehabilitation system using an inertial measurement unit (IMU) for movement classification and surface electromyography (sEMG) for muscleactivity monitoring. Six IMU channels were segmented using 50-sample windows with a 25-sample step, producing 30 features per window. Held-out-trial evaluation achieved accuracies of 87.71% for Random Forest (RF) and 97.93% for Long Short-Term Memory (LSTM) across five movement classes. The sEMG signal was processed using root mean square (RMS) to determine LOW and NORMAL activity states. The real-time implementation used RF integrated with Python, MQTT, ESP32, OpenRB-150, and Dynamixel MX-28AT actuators. Bench testing produced tracking RMSE values of 10.69° for flexion-extension and 7.28° for radial-ulnar motion with no overshoot.