Artificial Intelligence IoT based EEG Application using Deep Learning for Movement Classification

Sakti, Widhi Winata; Anam, Khairul; Utomo, Satryo Budi; Marhaenanto, Bambang; Nahela, Safri

doi:10.23919/eecsi53397.2021.9624269

Cited by 5 publications

(4 citation statements)

References 27 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Metode ini mudah dipahami karena mengikuti proses yang sama dengan cara manusia saat membuat keputusan dalam kehidupan nyata [10]. Selain itu, metode ini memiliki waktu pelatihan yang cukup singkat [11]. Pada penelitian terdahulu, konsep forecasting telah diterapkan pada penelitian mengenai sebuah sistem yang dapat meramalkan kondisi suhu air dapat menjadi solusi untuk masalah perubahan suhu air yang ekstrim, hasilnya dapat disimpulkan bahwa model decision tree forecasting dengan nilai mean squared error (MSE) sebesar 0,01211 dan nilai R-Squared 0,80920 [12].…”

Section: Pendahuluanunclassified

Model Decision Tree Forecasting Berbasis DHT22 pada Smart Hydroponic Microgreen

Hadi,

Yasi,

Prasetyo

2024

J. Telecomm. Electr. Control Eng.

View full text Add to dashboard Cite

Sensor DHT22 diharuskan aktif selama 4 hari penuh, jika dilihat dari waktu rata-rata budidaya microgreen kacang hijau menggunakan smart hydroponic. Penggunaan sensor DHT22 dalam jangka waktu tertentu dapat mempengaruhi kestabilan jangka panjang dalam hal pembacaan suhu. Jika pembacaan DHT22 mulai tidak akurat, smart system tidak mampu bekerja maksimal. Peneliti mengusulkan sebuah sistem untuk menggantikan peran sensor tanpa mengurangi atau mengganggu kinerja dari smart system untuk mengurangi ketergantungan komponen elektronika seperti sensor suhu. Seiring kemajuan teknologi, terdapat salah satu model machine learning yang dapat diterapkan untuk menggantikan peran sensor yaitu prediksi suhu melalui forecasting. Algoritma forecasting yang digunakan adalah decision tree. Algoritma ini dipilih karena mampu memprediksi data hanya dengan satu jenis input data berupa waktu dengan proses pelatihan yang cukup cepat. Data latih dihasilkan dari perekaman data selama 4 hari pada smart hydroponic microgreen kacang hijau. Model akan dibuat menggunakan grid search cross validation dan feature scaling. Hasil penelitian menunjukkan channel 80 layak dipilih menjadi model prediksi. Prediksi suhu model decision tree forecasting menghasilkan nilai R-squared sebesar 0,870955 dan mean square error (MSE) sebesar 0,074171. Kedua nilai tersebut menunjukkan bahwa model cukup kuat dalam memprediksi suhu dan layak untuk diterapkan dalam memantau suhu smart hydroponic microgreen kacang hijau.

show abstract

Section: Pendahuluanunclassified

Model Decision Tree Forecasting Berbasis DHT22 pada Smart Hydroponic Microgreen

Hadi,

Yasi,

Prasetyo

2024

J. Telecomm. Electr. Control Eng.

View full text Add to dashboard Cite

show abstract

“…This may be due to three reasons: the low incidence of cases that warrant them (transhumeral amputations where electromyography signals are insufficient) [35,109], the cost of electroencephalography reading systems, and the length of the training and calibration process for electroencephalography reading compared to that of electromyography training. However, with recent advances in artificial intelligence [127][128][129][130], electromyography signals can be made more accessible, offering the possibility of more natural and intuitive control of the prosthesis.…”

Section: According To Input Controlmentioning

confidence: 99%

Upper Limb Prostheses by the Level of Amputation: A Systematic Review

Segura,

Romero,

Abarca

et al. 2024

Prosthesis

View full text Add to dashboard Cite

This review article aims to provide an updated and comprehensive overview of the latest trends in adult upper limb prostheses, specifically targeting various amputation levels such as transradial, transmetacarpal, transcarpal, and transhumeral. A systematic search was conducted across multiple databases, including IEEE Xplore, MDPI, Scopus, Frontiers, and Espacenet, covering from 2018 to 2023. After applying exclusion criteria, 49 scientific articles (33 patents and 16 commercial prostheses) were meticulously selected for review. The article offers an in-depth analysis of several critical aspects of upper limb prostheses. It discusses the evolution and current state of input control mechanisms, the number of degrees of freedom, and the variety of grips available in prostheses, all tailored according to the level of amputation. Additionally, the review delves into the selection of materials used in developing these prostheses and examines the progression of technology readiness levels. A significant focus is also placed on the evolution of prosthesis weight over the years for different amputation levels. Moreover, the review identifies and explores critical technological challenges and prospects in upper limb prostheses. Finally, the article culminates with a conclusion that encapsulates the key findings and insights on the advancements and ongoing developments in this field.

show abstract

“…Kemajuan dalam teknologi sistem cerdas telah membawa dampak yang luar biasa dalam berbagai aspek kehidupan manusia. Sistem cerdas, seperti kecerdasan buatan (Artificial Intelligence/AI), machine learning, dan deep learning, telah merevolusi cara kita bekerja, berkomunikasi, dan berinteraksi dengan lingkungan (Sakti et al, 2021) . Metode yang paling populer dalam deteksi objek adalah menggunakan teknik deep learning (Utomo et al, 2021).…”

Section: Pendahuluanunclassified

Pengembangan Sistem Deteksi Otomatis FOD dengan YOLOv5 di Lingkungan Landasan Bandara

Winata Sakti,

Zainal Roisul Amin,

Fathul Hadi

et al. 2023

skyhawk

View full text Add to dashboard Cite

FOD (Foreign Object Debris) merupakan aspek kritis dalam operasi penerbangan di landasan bandara. FOD merujuk pada segala jenis benda asing yang dapat ditemukan di landasan pacu, taxiway, dan area di sekitar bandara. Seiring berjalannya waktu, teknologi deteksi FOD terus ditingkatkan untuk memastikan keselamatan dan keamanan penerbangan yang lebih baik. Salah satu komponen utama dari sistem deteksi FOD yang canggih adalah kamera visual yang dapat mendeteksi benda-benda asing pada landasan pacu dengan tingkat akurasi yang tinggi sehingga memungkinkan tindakan pencegahan yang tepat waktu. Metode pendeteksian objek asing di landasan bandara menggunakan YOLOv5 (You Only Look Once version 5) adalah pendekatan yang menggabungkan kecerdasan buatan (AI) dengan teknologi visualisasi komputer untuk mendeteksi objek. Oleh karena itu, penelitian ini bertujuan untuk mengimplementasikan model deteksi FOD menggunakan YoloV5 dalam upaya meningkatkan keamanan di landasan bandara. Pengumpulan data dilakukan dengan menggunakan action camera untuk menangkap berbagai objek yang dapat ditemukan di landasan bandara. Kemudian, melatih model YoloV5 menggunakan data yang didapatkan untuk mengidentifikasi dan melacak objek-objek tersebut secara otomatis. Hasil penelitian menunjukkan bahwa YoloV5 memiliki tingkat akurasi yang tinggi sebesar 70% dalam mendeteksi objek-objek di landasan bandara tanpa terpengaruh oleh berbagai kondisi pencahayaan dan cuaca.

show abstract

Artificial Intelligence IoT based EEG Application using Deep Learning for Movement Classification

Cited by 5 publications

References 27 publications

Model Decision Tree Forecasting Berbasis DHT22 pada Smart Hydroponic Microgreen

Model Decision Tree Forecasting Berbasis DHT22 pada Smart Hydroponic Microgreen

Upper Limb Prostheses by the Level of Amputation: A Systematic Review

Pengembangan Sistem Deteksi Otomatis FOD dengan YOLOv5 di Lingkungan Landasan Bandara

Contact Info

Product

Resources

About