ANALISIS PENERAPAN SINYAL MECHANOMIYOGRAM UNTUK MEMONITORING FUNGSI OTOT

1. Latar Belakang

Otot merupakan jaringan yang ada didalam tubuh manusia, berupa alat gerak aktif yang menggerakkan tulang sehingga menyebabkan suatu organism individu dapat bergerak (Artikelsiana, 2014). Pada saat ada bagian tubuh yang tidak bisa berfungsi akibat terganggunya saraf otot, hal ini membuat problem ketika ingin melakukan proses diagnosis dan maupun treatment sebab posisnya berda dalam organ dalam tubuh manusia. Sehingga dibutuhkan suatu pendekatan bioelektrositas dimana secara terminologi bioelektrisitas merupakan listrik-listrik yang berasal dari organ-organ tubuh makhluk hidup. Sinyal otot sendiri dikenal dengan nama mechanomyogram (MMG) adalah sinyal mekanik yang di amati dari permukaan otot, pada permulaan kontraksi otot. Mechanomyogram telah diterapkan secara luas dalam praktek klinis dan eksperimental untuk memeriksa karakteristik otot termasuk fungsi otot, bilamana digunakan untuk memproteksi, pemerosesan sinyal, latihan fisiologis, dan rehabilitasi medis (Islam, Sandraj, Ahmad, & Ahamed, 2013).

Dengan adanya sinyal mechanomyogram ini dapat memberikan informasi yang dapat merepresentasikan fungsi otot, sehingga hal ini dapat membantu bidang kesehatan dalam melakukan tindakan medis lebih baik dan akurat. Sebagaimana pada sub implementasi mechanomyogram, akan di paparkan beberapa penelitian terkait dengan pengolahan dan analisis sinyal mechanomyiogram sehingga menjadi informasi yang dapat digunakan dalam bidang perawatan kesehatan.

2. Implementasi Mechanomyogram

Secara prinsif mecanomiyogram membrikan suatu ransangan atau stimuli sehingga dapat dideteksi secara elektonik, misalkan ketika ingin memperkirakan kekuatan fleksi siku sebagaimana penelitian yang dilakukan (Youn & Kim, 2011) pengaturan digunakan untuk melakukan percobaan fleksi siku isometric dimana menggunakan model ANN untuk memperkirakan kekuatan fleksi siku dari MMG di bawah kontraksi otot isometric. Selanjutnya dilakukan suatu pengembangan teknik MMG (Uchiyama, Saito, & Shinjo, 2015) dimana MMG yang ditimbulkan untuk mengidentifikasi dan memperkirakan kekuatan otot selama bersepeda. Metode yang digunakan adalah singular value decomposition method dimana memiliki hasil selama latihan bersepeda pada suhu 40 dan 60rpm, metode tersebut memberikan kekakuan otot sebanding dengan beban kerja pada sudut  pada fase turun. Kekakuan otot adalah 186-626 N/m.

Selain itu dapat juga digunakan dalam mendeteksi selama kontraksi otot. Sebagai pengendalian gerakan tangan ismometrik dari otot yang berbeda. Hasilnya dapat digunakan untuk membantu tindakan amputasi, sistem rehabilitasi menuntun orang tua atau orang lemah dalam rehabilitasi dengan mengendalikan alat bantu robot untuk membawa barang-barang berat (Ding, Zeng, Zhou, Shen, & Dan, 2017) membangun pattern recognition dengan memanfaatkan sinyal mechanomyogram untuk memprediksi niat gerakan jari.

3. Kesimpulan

Penerapan sinyal mechanomyogram sebagai representasi untuk mengambarkan kejadian pada otot telah banyak diterapkan dalam membantu bidang kesehatan. Sinyal mechanomyogram menjadi stimuli yang baik untuk memberikan peluang agar bisa dideteksi oleh sensor. Sehingga proses kinerja pada otot lebih mudah dimonitoring. Selain itu juga dapat digunakan sebagai pendukung dalam memebrikan tindakan medis seperti amputasi dan rehabilitasi, juga dapat membantu dalam merancang pattern recognition dimana niat dari jari tangan dapat menggerakan robot dalam membantu memikul benda yang berat.

Daftar Bacaan

Artikelsiana. (2014, Desember 2). Pengertian Fungsi dan Macam-Macam Otot Manusia. Retrieved Desember 16, 2017, from Artikelsiana: http://www.artikelsiana.com/2014/12/pengertian-fungsi-macam-macam-otot.html

Ding, H., Zeng, L., Zhou, Y., Shen, M., & Dan, G. (2017). Mention Intent Recognition of Individual Based on Mechanomyogram. Pattern Recognition Letters , 8.

Islam, A., Sandraj, K., Ahmad, B., & Ahamed, N. U. (2013). Mechanomyogram for Muscle Function Aseesment A Review. Plos Computational Biology , 1.

Uchiyama, T., Saito, K., & Shinjo, K. (2015). Muscle Stiffness Estimation Using a System Identification Technique Applied to Evoked Mechanomyogram During Cycle Exercise. Jornal of Electromyography and Kinesiology , 7.

Youn, W., & Kim, J. (2011). Feasibility of Using an Artificial Neural Network Model to Estimate The Elbow Flextion From Mechanomyography. Journal of Neuroscience Method , 8.