Brain Computer Interface

Sejak publikasi tentang pengukuran aktivitas biopotensial otak yang dikenal dengan Electroencephalogram (EEG) oleh Hans Berger pada 1929, sampai saat ini sinyal EEG banyak digunakan sebagai salah satu informasi untuk keperluan diagnosis terkait masalah dengan syaraf serta kondisi mental pasien. Pengukuran sinyal otak dengan EEG adalah salah satu teknik yang relatif paling murah dibandingkan dengan penggunaan Magneto-Enchepalography (MEG), Fungsional Magnetic Resonance Imaging (fMRI). Kelebihan lain dari EEG adalah pada resolusi temporal yang tinggi dan cepat merespon segala perubahan aktivitas otak, walaupun dari sisi resolusi spasial relatif paling rendah dibandingkan dengan kedua perangkat yang disebutkan diatas.

Sinyal EEG diukur dengan elektroda pada hemisphere kepala dan pada beberapa titik pengukuran yang dibagi pada daerah utama frontal, temporal, central, parietal dan occipital lobe. Untuk keperluan klinik, sinyal EEG dapat digunakan untuk menganalisa kondisi mental pasien, dimana sinyal EEG terkait suatu kejadian/rangsangan akan dianalisa berdasarkam daya spektal dari sinyal EEG yang terkenal dengan istilah gelombang delta (0.1-5Hz), Theta (4-7Hz), Alpha (8-13Hz), Beta (14-30Hz) dan Gamma (>30 Hz). Untuk deteksi epilepsi, potensial karena rangsangan cahaya biasa digunakan.

Salah satu konsep yang menjadi fokus saat ini adalah pemanfaatan secara langsung sinyal EEG secara langsung dalam mengontrol suatu perangkat tanpa melalui kanal pada syaraf motorik dan otot, yang diperlukan untuk pasien stroke dan amputasi, sehingga lebih mudah berinteraksi dengan perangkat kursi roda, komputer atau perangkat lainnya.

Untuk dapat mengenali pola sinyal EEG terkait target perintah yang dikehendaki, suatu antar muka cerdas diperlukan, yang mengintegrasikan protokol pengukuran sinyal EEG dan pemrosesan sinyal cerdas. Antar muka cerdas tersebut dikenal dengan istilah brain computer interface (BCI) .

Terkait dengan pengembangan brain computer interface (BCI), terdapat dua kelas sinyal EEG yang dikenal dengan event related potential (ERP) dan rhythmic activity. ERP adalah sinyal EEG yang berubah karena adanya rangsangan atau kejadian (event). Dikenal dua tipe dari ERP yaitu : exogenous ERP yang terjadi pada 100ms setelah rangsangan diberikan dan endogenous ERP yang terjadi dari 100ms dan sesudahnya. Ide dasar pada ERP adalah dari satu hipotesis bahwa jika suatu event terjadi maka akan diketahui pula perubahan potensial dalam waktu yang bersamaan. Maka sinyal dapat difilter dari sinyal acak pada background EEG untuk meningkatkan signal to noise ratio (SNR). Sedangkan rhythmic activity adalah suatu aktivitas yang sulit diprediksi tetapi berulang sebagai hasil dari aktivitas total yang dihasilkan oleh neuron dalam otak. Gelombang mu adalah bagian spesifik dari gelombang alpha (10-12 Hz) dan terletak pada cortex sensorimotor. Satu keuntungan dari gelombang mu bila dibandingkan dengan alpha adalah relatif tidak sensitif terhadap artifak akibat kedipan mata.
Suatu tantangan pengembangan BCI di Indonesia adalah pengembangan dari desain perangkat keras pendukung serta perangkat lunak untuk keperluan penterjemahan sinyal EEG. Dari sisi desain perangkat keras, pengembangan helm khusus untuk memudahkan peletakkan sensor elektroda untuk ukuran kepala rata-rata orang Indonesia perlu mendapat kajian khusus. Hal tersebut perlu mendapat perhatian karena salah satu kunci sukses BCI adalah pengambilan sinyal EEG harus berasal dari sensor yang diletakkan pada daerah motor cortex. Lebih dari masalah tersebut, pergeseran posisi sensor dapat menyebabkan artifact pada sinyal EEG. Perangkat keras lain yang diperlukan adalah bio-amplifer portable untuk memperkuat sinyal EEG yang dalam orde mikro-volt.
Dari sisi perangkat lunak, pemrosesan sinyal pada BCI diperlukan pemrosesan sinyal cerdas. Hal ini didasari karena sinyal EEG adalah tergolong non-stationary serta untuk mengunci informasi sinyal EEG terkait perintah tertentu memerlukan suatu teknik ekstraksi ciri serta klasifikasi pola. Khusus pada klasifikasi pola, pengembangan model yang dapat dilatih seperti jaringan syaraf tiruan digunakan untuk mengantisipasi variasi dari sinyal EEG untuk beragam kondisi.

http://dosen.tf.itb.ac.id/supri