«

»

Dec 01

Report on Plenary Session in ROBIONETICS 2013

Oleh:

Fajar Andika

Mahasiswa Teknik Elektro dan Teknologi Informasi

Instrumentasi dan Kendali 2010

ROBIONETICS 2013 dibuka oleh Dr. Endra Joelianto, Chair of RA / CS Joint Chapter Society di Sheraton Mustika, Yogyakarta pada 25 November 2013. Beliau berharap pada kegiatan ini akademisi maupun profesional dapat bertukar pikiran.

Setelah itu, keynote speaker yaitu Prof. Keum-Shik Hong dari Pusan National University dan Bambang Trilaksono dari Institut Teknologi Bandung berbagi cerita dalam Plenary Session.

Current BCI Technologies in Brain

Prof. Keum-Shik Hong memaparkan bagaimana BCI teknologi berkembang dari masa ke masa. Dilihat dari namanya, BCI tidak terlepas dari otak dan proses berpikir. Di bidang ini, kita mengamati bagaimana informasi diwakili di otak. Oleh karena itu, dibutuhkan riset dari berbagai bidang seperti, medis, computer science, dan engineering. Dalam implementasinya, sinyal otak ini akan menjadi informasi pada mechatronics (mechatronics in recognition). Jadi, BCI adalah hardware atau software yang memungkinkan kita mengontrol external device dengan sinyal otak. Selain itu, BCI juga dapat diartikan sebagai interface yang menghubungkan otak dengan mechatronics. Beliau menjabarkan proses yang harus diperhatikan dalam teknologi BCI, yaitu signal detection, decoding, feature extraction, dan classification.

Signal detection memiliki fokus, tentu saja, otak. Beliau sedikit menyinggung anatomi dan fisiologi otak. Hal ini berkaitan dalam memperoleh sinyal, daerah mana yang menjadi fokus deteksi? Apakah entire-brain (localization), local-brain (functional), dan neuron-level (decode dan decode). Sifat pendeteksian juga menjadi perhatian, yaitu invasive, noninvasive, atau radioactive. Contoh pendeteksian yang bersifat invasive adalah implanted electrodes; noninvasive adalah EEG / MEG, fMRI, fNIRS. Dari dua faktor ini, timbul pertanyaan “what modality to choose?” Pemilihan ini juga berkaitan dengan kebutuhan, off-line, on-line, atau realtime dan tingkat kesulitan pendeteksian.

Decoding memiliki makna menginterprestasikan sinyal otak. Kita sekarang harus memperhatikan sinyal otak yang mengandung informasi. Terdapat dua kategori sinyal otak, evoked dan spontaneous. Proses di dalam otak juga menentukan proses decoding, yaitu neuronal atau hemodynamics.

Feature extraction yang dilakukan menggunakan beberapa teknik fNIRS. Berdasarkan kebutuhan, dipilih karakteristik dari aspek continous wave, frequency-domain, dan time-domain. Beliau menerangkan Modifien Beer-Lambert Law (MBLL).

Hal-hal yang menjadi poin penting dalam MBLL adalah:

  1. fNIRS based brain mapping
    1. adaptive
    2. state space approach
    3. connectivity
    4. Pengukuran sinyal neuron untuk cognitive study
      1. Fast optical response (saat ini masih bersifat off-line)
      2. Real-Time

Jaringan otak menjadi studi penting. Dua studi yang berkaitan dengan jaringan ini adalah physical connectivity structure dan functional connectivity. Studi ini memiliki kelebihan di segi fisiologi, cognitive, dan human-machine interface. Selain itu, reduksi variasi sinyal otak dilakukan karena masih ada sinyal otak yang tidak mengandung perintah. Metode yang dapat digunakan adalah HBO dan HBR.

Classification dapat dilihat dari fungsi dari BCI, seperti robotic arm, driving assistance, atau artificial organs, mengendalikan gerak hewan, disable assistance, atau speller communication.

Prof. Hong menutup dengan kesimpulan sebagai berikut:

  • Pengambilan sinyal real-time menjadi inti
    • Diagnosis dan terapis medis cepat
    • Untuk metode signal detection yang baru, the faster temporal and spatial resolution.

Current Technology Computational Intelligent System

Bio-inspired computing adalah komputasi interdisipliner baru yang memformulasikan proses tertentu di sistem neural untuk menyelesaikan permasalahan kompleks atau membantu sistem artifisial dengan sistem alami. Dengan kata lain, inspirasi komputasi ini berasal dari alam seperti otak, genetik, ikan, maupun burung-burung. Hal ini diharapkan dapat membantu dalam menyelesaikan masalah komputasi yang solusinya diambil dari alam seperti adaptasi, atau self-organizing system. Contohnya adalah neural network, dan immune algorithm.

Pada biological neuran, dilakukan pemodelan terhadap nonlinear model dari sebuah neuron. Network architecturenya dapat berupa single layer, multiple layer, maupun feedback network.

Genetics algorithm  adalah pencarian heuristik yang meniru proses seleksi alam. Heuristik ini secara rutin digunakan untuk menghasilkan solusi untuk permasalahan optimisasi. Untuk permasalahan optimisasi proses spesifik, dapat diselesaikan dengan algoritma alternatif seperti swarm intelligence. Natural swarm intelligence adalah sistem kolektif yang mampu menyelesaikan pekerjaan sulit dengan meniru natural system. System natural terdiri dari multiple interaction, multiple agent, random process, positive feedback, dan negative feedback. Swarm intelligence dapat mencari solusi dengan meniru solusi permasalahan untuk distributed problem seperti pada kasus interaksi sosial semut. Sebagai contoh, sekelompok semut yang berjalan pada jalur garis lurus. Suatu ketika, ada obstacle yang menghalangi jalur tersebut. Kita memperhatikan bagaimana tanggapan semut, belok kanan atau belok kiri. Dapat dilihat faktor adaptive environment change yang dilakukan semut.

Particle Swarm Optimization (PSO) adalah metode komputasi yang melakukan optimisasi sebuah permasalahan dengan mencoba secara iterasi untuk meningkatkan candidate solution dengan memperhatikan kualitas pengukuran yang diberikan. Reynolds (1987) menggunakan sebuah sistem partikel untuk melakukan simulasi perilaku kolektif sekelompok burung (a flock of birds). Model dasar flocking ini terdiri dari tiga steering behaviour sederhana yang menjelaskan bagaimana indiviudal melakukan manuver berdasarkan posisi dan kecepatan di kawanan burung lain.

Di PSO algorithm, tiap individu disebut particle dan tunduk pada gerakan pada ruang multidimensi yang mewakili belief space. Particle memiliki memori, sehingga mempertahankan nilai kondisi sebelumnya. Tidak ada batasan bagi particle untuk berbagi titik yang sama pada belief space, tapi dalam kondisi apa pun individualitas mereka tetap dipertahankan. Tiap gerakan partikel adalah komposisi dari kecepatan random awal dan dua weighted influences; individualitas, kecenderungan untuk kembali ke posisi partikel terbaik sebelumnya, dan sosial, kecenderungan untuk bergerak ke arah posisi terbaik sebelumnya dari particle tetangga.

Aplikasi yang dapat diterapkan adalah:

  • Formation control of
    • Mobile robot
    • Robot suveillance
    • Robot gear
    • Assignment of multiple robot.

Dalam hal ini, perlu diperhatikan sebuah consensus, yaitu sebuah tim agen harus mampu merespon situasi atau perubahan yang tidak terduga di lingkungan yang dapat dirasakan sebagai cooperative task yang dilakukan.

Leave a Reply

Your email address will not be published. Required fields are marked *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>