Modul Instrumentasi Medik

Modul Instrumentasi Medik

TF3020 – Laboratorium Instrumentasi & Kontrol
Nama : David Hamonangan
Tanggal : 22 Februari 2022
NIM : 13319060

1. Tujuan Praktikum
Tujuan praktikum ini sebagai berikut:
1. Melakukan pengolahan sinyal EMG yang direkam ketika subjek berjalan di atas treadmill
dengan pembebanan bersuspensi dan tanpa suspensi
2. Melakukan ekstraksi fitur time – frequency spectogram, mean power spectral, dan
median frequency dari sinyal EMG yang telah direkam terlebih dahulu
3. Melakukan analisis terhadap fitur EMG yang telah diekstraksi terkait kelelahan otot

2. Alat dan Bahan

No Item Banyak Keterangan
1 Komputer atau Laptop 1
Disediakan oleh peserta
2 Perangkat lunak MATLAB 1

3 Disposable Electrode 1

4 Sensor EMG 1 Disediakan oleh prodi

5 Instrumen Biopac MP160 1

Tabel 1 Alat dan Bahan

3. Hasil Percobaan
Pada pelaksanaan praktikum didapatkan hasil pengukuran EMG (Elektromiografi) subjek yang
berjalan menggunakan ransel suspensi dan ransel tanpa suspensi di atas treadmill dengan
kecepatan tetap. Pengambilan data diambil dari frekuensi sampling sebesar 2000Hz dengan titik
yg diukur pada otot trapezius dan otot erector spinae. Namun otot yang diamati pada praktikum
kali ini adalah otot trapezius. Hasil pengolahan data bisa diamati pada grafik dibawah.
 Modul Instrumentasi Medik

3.1 Pemotongan Data Mentah

Berdasarkan parameter frekuensi sampling sebesar 2000Hz, dihilangkan data pada satu detik
pertama (2000 data awal) dan satu detik terakhir (2000 data terakhir). Grafik yang didapat
sebagai berikut:

Gambar 1 Hasil Pemotongan Data Mentah dengan Suspensi

Gambar 2 Hasil Pemotongan Data Mentah tanpa Suspensi

3.2 Filtering 10-500Hz

Dilakukan filtering agar frekuensi yang lewat berada di sekitar 10-500Hz. Untuk melewatkan
frekuensi yang diinginkan maka digunakan filter bandpass sesuai petunjuk dengan parameter wn
pada fungsi filter menjadi array dengan dua elemen sebagai bentuk batas frekuensi. Pada
pengolahan MATLAB, frekuensi dibagi setengah dari frekuensi sampling (frekuensi Nyquist)
untuk mengubah frekuensi ke rentang 0-1. Filtering yang digunakan berjenis IIR menggunakan
tipe Butterworth ber orde 9. Berikut grafik frekuensi yang diberikan:
 Modul Instrumentasi Medik

Gambar 3 Hasil Butterworth Filter Orde 9 dengan Suspensi

Gambar 4 Hasil Butterworth Filter Orde 9 tanpa Suspensi

Dengan menggunakan jenis filtering FIR tipe Hamming Window orde 4 didapat:

Gambar 5 Hasil Hamming Window Orde 4 dengan Suspensi

 Modul Instrumentasi Medik

Gambar 6 Hasil Hamming Window Orde 4 tanpa Suspensi

3.3 Spectogram Waktu-Frekuensi

Dengan menggunakan data Hamming Window maka didapat spektogram terhadap waktu-
frekuensi sebagai berikut:

Gambar 7 Spektogram Waktu-Frekuensi Otot Trapezius dengan Suspensi

Gambar 8 Spektogram Waktu-Frekuensi Otot Trapezius tanpa Suspensi

 Modul Instrumentasi Medik

3.4 Mean Power Spectral

Dengan mengubah sedikit kode sumber yang awalnya rata-rata dari 20 data menjadi 40 data
didapatkan spektrum daya rata-rata sebagai berikut:

Gambar 9 Mean Power Spectral Otot Trapezius dengan Suspensi

Gambar 10 Mean Power Spectral Otot Trapezius tanpa Suspensi

3.5 Mean Power Spectral

Gambar 11 Median Frekuensi Otot Trapezius dengan Suspensi

 Modul Instrumentasi Medik

Gambar 12 Median Frekuensi Otot Trapezius tanpa Suspensi

4. Pembahasan dan Analisis

1. Berdasarkan pengolahan data didapatkan spektogram memiliki frekuensi tertinggi
pada nilai 350-400Hz. Sehingga berdasarkan teorema Nyquist dan Shannon, frekuensi
sampling paling tidak bernilai 800Hz (dua kali lipat). Namun harus dipertimbangkan
juga karena nilai frekuensi tertinggi pada sinyal EMG pada umumnya sebesar 500hz
sehingga frekuensi sampling cukup aman jika bernilai 1000Hz. Jika diberikan frekuensi
sampling yang lebih kecil akan ada kemungkinan kedua sinyal tidak dapat dibedakan.
2. Setelah membandingkan hasil filter menggunakan IRR dan FIR dapat dilihat grafik
mengalami penebalan dibeberapa bagian. Ini bisa terjadi karena filter memotong
sinyal dengan frekuensi rendah sehingga hanya sinyal dengan frekuensi tinggi yang
tersisa. Proses filtering ini bertujuan menghilangkan noise dengan frekuensi diluar
rentang waktu sinyal EMG biasa (10-500Hz) yang merupakan alasan mengapa rentang
ini dipilih sebagai filter.
3. Dengan membandingkan kedua jenis filter, ditemukan bahwa amplitudo sinyal pada
ransel bersuspensi lebih rendah dibandingkan tanpa suspensi yang menandakan
bahwa ransel bersuspensi meringankan kinerja otot dibandingkan ransel tanpa
suspensi.
4. Ketika membandingkan spectogram, didapat hasil yang cukup signifikan antara ransel
bersuspensi dengan ransel tanpa suspensi. Sinyal dengan frekuensi tinggi lebih sering
dikeluarkan oleh ransel tanpa suspensi dibandingkan ransel tanpa suspensi yang
 Modul Instrumentasi Medik

berarti otot pada subjek dengan ransel tanpa suspensi bekerja relatif lebih keras
sehingga memberikan tanda kelelahan.
5. Dari grafik mean diatas kita dapat melihat daya rata-rata yang diberikan. Jika
diperhatikan, data pada ransel tanpa suspensi memberikan daya yang lebih besar sejak
awal dibandingkan ransel bersuspensi namun secara bertahap menurun setelah detik
ke-25 yang menunjukkan kelelahan otot. Di sisi lain ransel bersuspensi memberikan
data daya yang cukup stabil.
6. Grafik frekuensi median diatas menunjukkan informasi data mana yang menunjukkan
frekuensi tinggi. Seperti spectogram waktu-frekuensi, kita dapat mengetahui kinerja
otot berdasarkan tinggi frekuensi yang diberikan. Terlihat bahwa data ransel tanpa
suspensi memiliki frekuensi yang lebih tinggi dibandingkan data ransel bersuspensi.

5. Kesimpulan
1. Untuk mendapatkan data yang diinginkan maka dilakukan pemotongan data pada satu
detik pertama serta satu detik terakhir lalu dilakukan filtering tipe IRR serta FIR
sehingga sinyal EMG dapat dianalisa dengan baik.
2. Untuk membedakan data yang diberikan dengan cukup mudah, digunakan metode
spektogram waktu-frekuensi, grafik mean power, serta frekuensi median sehingga
perbedaan dapat terlihat lebih jelas.
3. Dari hasil pengukuran EMG diketahui penggunaan ransel bersuspensi mengurangi
kelelahan yang dirasakan subject dibandingkan menggunakan ransel tanpa suspensi.

6. Daftar Pustaka
Mitchell, D. P., & Netravali, A. N. (1988). Reconstruction filters in computer-graphics. ACM
Siggraph Computer Graphics, 22(4), 221-228.

Reaz, M. B. I., Hussain, M. S., & Mohd-Yasin, F. (2006). Techniques of EMG signal analysis:
detection, processing, classification and applications. Biological procedures online, 8(1), 11-
35.
 Modul Instrumentasi Medik

7. Lampiran
Source Code yang digunakan:

load jalan_s_10kg_5km.txt;
data=jalan_s_10kg_5km ;

%% pemotongan data mentah (menghilangkan 1 detik pertama dan 1 detik terakhir)

rawr=data(2000:107086,:);

%% plotting data
[xs,ys]=size(rawr);
Fs=2000;

EMG=rawr(1:xs,1);

raw(1,:)=EMG;

domain_waktu = 0:1/2000:52.543;
figure, plot(domain_waktu,raw)
axis([0 53 -0.4 0.6])
title('Data Mentah EMG di Otot Trapezius dengan Suspensi')
xlabel('waktu')
ylabel('amplitudo')
grid

%% pemfilteran

% IIR butterworth
[b,a] = butter(4, 10/500); %buat filter IIR butterworth orde 4 dengan frekuensi
potong 10/500 atau 0.02 radian
figure, freqz(b,a,500); %perlihatkan respon frekuensinya
hasil_butter = filtfilt(b,a,raw); %filter sinyal_masukan dengan filter IIR yang
telah dibuat

figure, plot(domain_waktu,hasil_butter)
axis([0 53 -0.3 0.4])
title('Hasil filtering data mentah (bersuspensi) dengan IIR Butterworth')
xlabel('waktu')
ylabel('amplitudo')
grid

% FIR Hamming Window

hamm_w = fir1(10, 10/500);
figure, freqz(hamm_w,1,500);
hasil_hamm = filtfilt(b,1,raw); %filter sinyal_masukan dengan filter FIR yang
telah dibuat

figure, plot(domain_waktu,hasil_hamm)
axis([0 53 -8*10^-11 12*10^-11])
title('Hasil filtering data mentah (bersuspensi) dengan FIR Hamming Window')
xlabel('waktu')
ylabel('amplitudo')
grid
 Modul Instrumentasi Medik

%% Spectogram
%Menentukan matriks dari spectogram
nfft=512;
nL=128;
noverlap=nL/2;
%Membentuk spectogram
[s,f,t]=spectrogram(raw(1,:),hamming(nL),noverlap,nfft,Fs,'yaxis');

%Menampilkan spectogram
figure
a_s= imgaussfilt(abs(s),7);
surf(t, f(1:100) , a_s(1:100,:) , 'EdgeColor', 'none');
grid on
axis xy;
axis tight;
colormap(jet); view(0,90);
colorbar;
cmin=0.01; %min rentang dari colormap untuk power EMG
cmax=1.5; %min rentang dari colormap untuk power EMG
caxis([cmin cmax])
xlabel('Waktu (detik)','FontWeight','bold');
ylabel('Frekuensi (Hz)','FontWeight','bold');
title('Spektogram EMG di Otot Trapezius dengan Suspensi');

%% Mean Power Spectral

ii=25;
[xas,yas]=size(a_s(:,1));
a2=zeros(1,yas);

for i=1:20
a1=a_s(ii,:);
a2=a2+a1;
ii=ii+1;
end
a2=a2/40;
figure
plot(t,a2);
xlabel('Waktu (detik)','FontWeight','bold');
ylabel('Power EMG','FontWeight','bold');
title('Mean Power Spectral EMG di Otot Trapezius dengan Suspensi');

%% Median Frequency
ii=500;
[xas,yas]=size(a_s(:,1));
fa2=zeros(1,yas);

for i=1:20
fa1=a_s(:,ii);
fa2=fa2+fa1;
ii=ii+1;
end
fa2=fa2/40;
figure
plot(f,fa2);
xlabel('Frekuensi','FontWeight','bold');
ylabel('Power EMG','FontWeight','bold');
title('Median Frequency EMG di Otot Trapezius dengan Suspensi');