Rekayasa.

2019; 12(2): 91-97

Journal of Science and Technology ISSN: 0216-9495 (Cetak)
http://journal.trunojoyo.ac.id/rekayasa ISSN: 2502-5325 (Online)

Klasifikasi Gelombang Otot Lengan pada Robot Manipulator

Menggunakan Support Vector Machine

Muhammad Ja’far Ubaidillah(1), Ii Munadhif(2), Noorman Rinanto(3)

(1,2,3)
Program Studi Teknik Otomasi Politeknik Perkapalan Negeri Surabaya
(2)
[email protected]

DOI: https://doi.org/10.21107/rekayasa.v12i2.5406
ABSTRAK
Teknologi robotika semakin berkembang. Banyak orang berinovasi untuk membantu aktivitas mereka, diantaranya
membuat robot manipulator untuk mengambil barang di tempat berbahaya atau memindah barang dengan presisi yang
sangat tinggi. Pada penelitian ini telah dirancang robot manipulator untuk membantu pasien yang diamputasi pergela­
ngan tangannya agar dapat memegang dan tidak memegang. Sensor Electromyography (EMG) dapat merekam aktivitas
listrik yang dihasilkan oleh otot rangka dalam bentuk sinyal yang mempresentasikan gerakan otot. Pada penelitian
ini, elektromiogram diekstraksi untuk mendapatkan fitur Root Mean Square (RMS) dan Mean Absolute Value (MAV)
kemudian diklasifikasi menggunakan Support Vector Machine (SVM). Metode SVM dipilih karena mampu menemukan
hyperplane terbaik sebagai pemisah. Pengendali yang digunakan adalah Arduino yang memerintahkan motor servo
untuk menggerakkan robot manipulator sesuai dengan hasil klasifikasi. Penerapan metode Support Vector Machine
(SVM) yang bertipe linier memiliki akurasi yang cukup baik dengan keberhasilan 80% pada pengujian dengan subjek
yang telah diambil data sampel dan keberhasilan 60% pada pengujian dengan subjek yang tidak diambil data sampel.
Kata Kunci: Sensor EMG, Otot Lengan, MAV, RMS, SVM, Klasifikasi.

Classification of Muscle Wave Arm on Manipulator Robot Using Support Vector Machine
ABSTRACT
Robotics technology is growing. Many people innovate to help their activities, including making manipulator robots to
take items in dangerous places or move items with very high precision. In this study a manipulator robot was designed
to help patients who amputated their wrists to grip and un-grip. Electromyography (EMG) sensors can record electrical
activity produced by skeletal muscles in the form of signals that present muscle movements. In this study, the electro-
myogram was extracted to get the Root Mean Square (RMS) and Mean Absolute Value (MAV) features then classified
using Support Vector Machine (SVM). The SVM method was chosen because it was able to find the best hyperplane as
a separator. The controller used is Arduino which instructs the servo motor to move the manipulator robot according
to the classification results. The application of the Support Vector Machine (SVM) method which has a linear type has a
fairly good accuracy with 80% success in testing with subjects who have taken sample data and 60% success in testing
with subjects who are not taken sample data.

Keywords: EMG Sensor, Arm Muscle, MAV, RMS, SVM, Classification.

PENDAHULUAN
Teknologi robotika semakin berkembang. Banyak dapat mengganti bagian pergelangan tangan
orang berinovasi untuk membantu aktivitas me­ yang telah diamputasi. Kemampuan robot yang
reka, diantaranya membuat robot manipulator dapat bekerja secara biologi maka disebut “Bio­
untuk mengambil barang di tempat berbahaya nik” yang secara estimologi berasal dari kata
atau memindah barang dengan presisi yang sa­ “Bio” yaitu biologi dan “Nik” yang berarti elek-
ngat tinggi. tronik (Padillah dkk, 2013). Pada bidang kedok-
teran yang mempelajari tentang otot manusia
Robot lengan juga dapat membantu manusia da- dan bidang teknik yang mempelajari tentang me-
lam bidang medis. Khususnya pada pasien yang kanik telah bergabung menjadi suatu bidang ilmu
tertimpa kecelakaan atau pasien yang mempu- baru yaitu Biomekanik yang termasuk juga ba-
nyai penyakit tertentu yang mengharuskan pa- gian dari keilmuan Biomedika, dimana Biomeka­
sien tersebut untuk amputasi. Robot manipulator
Article History: Cite this as:
Received: Juni, 28th 2019; Accepted: September, 29th 2019 Ubaidillah, M.J., Munadhif, I., dan Rinanto, N.(2019). Klasifikasi
ISSN: 2502-5325 (Online) Terakreditasi Peringkat 3 oleh Ke- Gelombang Otot Lengan pada Robot Manipulator Menggu-
menterian Riset, Teknologi dan Pendidikan Tinggi (ARJUNA), nakan Support Vector Machine. Rekayasa, 12(2), 91-97. doi:
berdasarkan Keputusan Direktur Jenderal Penguatan Riset dan https://doi.org/10.21107/rekayasa.v12i2.5406
Pengembangan No: 23/E/KPT/2019 tanggal 8 Agustus 2019 © 2019 Muhammad Ja’far Ubaidillah, Ii Munadhif,
Noorman Rinanto
91
92 | Ubaidillah, M.J. dkk., Klasifikasi Gelombang Otot Lengan pada Robot Manipulator...

nik ini adalah bidang yang fokus pengetahuannya

mempelajari gerakan pada makhluk hidup, khu-
susnya mempelajari gerakan pada manusia yang
keilmuan ini telah menciptakan paradigma baru
dalam penerapan teknologi, percepatan pengo-
batan dan diagnosis mengenai gerak manusia
dan menghasilkan teknologi baru yaitu Elektro-
miograf (Falih, 2017).

Sensor Electromyograph (EMG) merupakan sen-

sor yang dapat merekam aktivitas listrik yang di- Gambar 1. Diagram blok perancangan sistem
hasilkan oleh otot rangka. Untuk menghasilkan
rekaman yang disebut elektromiogram, sensor
EMG mendeteksi potensial listrik yang dihasilkan
oleh otot-otot ketika sel-sel elektrik atau neuro­
logis diaktifkan (Padillah dkk, 2013). Data ke­
luaran dari EMG diolah dengan algoritma mate­
matis tertentu sehingga informasi tersebut dapat
digunakan dalam pengembangan aplikasi yang
berkaitan dengan aktifitas manusia. Keluaran sen-
sor EMG berupa sinyal yang mempresentasikan
gerakan otot dan telah banyak dikembangkan di
dalam sistem kontrol yaitu bidang game, Industri,
Alat bantu medis dan sebagainya (Falih, 2017).

Pada penelitian sebelumnya (Falih,2017) tentang

sinyal EMG dan mengklasifikasikannya dengan
metode naïve bayes mendapatkan kesimpulan
bahwa akurasi yang didapat lebih dari 85% dan
dengan proses eliminasi subyek yang berdasar-
kan pada pola data raw EMG dari setiap chan-
nel memberikan hasil akurasi lebih dari 95,88%.
Kebutuhan pada medis untuk mengganti jari ta­
ngan yang telah diamputasi perlu adanya anali-
sis tentang sinyal elektromiogram menggunakan
metode Support Vector Machine (SVM) agar
dapat menemukan hyperplane terbaik sebagai
pemisah.
Gambar 2. Diagram alur kerja sistem
METODE PENELITIAN masing-masing. Pin A.0 untuk input sensor EMG,
Pin 9 untuk motor servo, GND dan 5v untuk sum-
Perancangan Sistem ber tegangan.
Gambar 1 menunjukkan diagram blok peranca­ Diagram Alur Kerja Sistem
ngan sistem. Pada diagram tersebut memiliki em-
pat bagian penting yaitu masukan berupa data Pada komputer, sinyal diekstraksi nilai Root Mean
dari sensor EMG, proses berupa pengendali Ardui­ Square (RMS) dan Mean Absolute Value (MAV)
no, keluaran berupa motor servo, dan perangkat dari amplitudo sinyal tersebut untuk kemudian di-
monitoring berupa komputer. gunakan sebagai masukan saat training maupun
testing Metode Support Vector Machine (SVM).
Sensor EMG sebagai pendeteksi sinyal EMG Seluruh proses perhitungan data dilakukan oleh
melalui elektrode yang kontak langsung dengan software MATLAB. Metode Support Vector Ma-
kulit pada lengan bawah. Keluaran modul sen- chine (SVM) akan mengklasifikasikan jenis sinyal
sor EMG terhubung dengan pin analog Arduino dalam dua kondisi, yaitu grip dan un-grip. Setelah
dan mengirimkan data secara serial ke komputer. output dari pengklasifikasian yang dilakukan oleh
Pada komputer, dilakukan pengolahan sinyal un- Support Vector Machine (SVM) ini didapatkan,
tuk memberikan informasi kepada Arduino agar maka komputer mengirimkan perintah ke Arduino.
segera memerintahkan motor servo pada lengan Perintah gerak grip untuk sinyal grip dan perintah
robot untuk melakukan gerakan grip atau un-grip. gerak un-grip untuk sinyal un-grip. Perintah terse-
Penggunaan channel pada Arduino memliki fungsi but digunakan untuk menggerakkan motor servo
 12(2): 2019 | 93

pada lengan robot. Diagram alur kerja sistem di- kan perintah grip ke robot manipulator
tunjukkan pada gambar 2. secara manual.
• Tombol UN-GRIP, digunakan untuk men-
Perancangan dan Pembuatan Hardware girimkan perintah grip ke robot manipula-
Gambar 3. merupakan perancangan Hardware. tor secara manual.
Sensor mendeteksi sinyal EMG melalui elektrode • LOOP, apabila diaktifkan maka proses
yang dipasang secara langsung pada permukaan pembacaan sinyal, ekstraksi sinyal, klasifi-
luar dari kulit tanpa perlu proses normalisasi sinyal, kasi, serta gerak robot manipulator akan
hal itu karena proses tersebut telah terjadi pada dilakukan terus menerus.
perangkat sensor. Sinyal tersebut akan di­ baca • TEST, digunakan untuk memulai pemba-
melalui pin analog Arduino yang akan dikirimkan caan sinyal, ekstraksi sinyal, klasifikasi serta
ke komputer melalui komunikasi serial. Sinyal di­ diakhiri dengan gerak robot manipulator.
ekstraksi untuk mendapatkan parameter-parame­ • NILAI, merupakan nilai realtime dari am-
ter, yaitu nilai Root Mean Square (RMS) dan Mean plitudo yang terbaca saat ini.
Absolute Value (MAV) dari amplitudo sinyal agar • Tampilan grafik amplitudo sinyal EMG
dapat diklasifikasi dengan metode Support Vector yang terbaca.
Machine (SVM) saat training maupun testing. Ha- • Tabel dari nilai amplitudo sinyal EMG yang
sil klasifikasi oleh Support Vector Machine (SVM) terbaca.
kemudian dikirim ke Arduino untuk menggerak- • RMS, Nilai dari hasil perhitungan ekstraksi
kan motor servo sebagai penggerak robot mani­ Root Mean Square (RMS) dari amplitudo
pulator. sinyal EMG.
• MAV, Nilai dari hasil perhitungan ekstraksi
Perancangan dan Pembuatan Software Mean Absolute Value (MAV) dari amplitu-
do sinyal EMG.
Pada tahap ini peneliti menggunakan software • HASIL, menampilkan hasil klasifikasi dari
MATLAB untuk melakukan proses perhitungan dan Root Mean Square (RMS) dan Mean Ab-
menampilkan grafik dengan memanfaatkan fitur solute Value (MAV) dari amplitudo sinyal
GUI MATLAB karena mudah dalam penggunaan EMG.
dan cepat dalam melakukan perhitungan dengan
banyak data. GUI MATLAB juga sebagai interface
untuk melihat respon sistem saat proses sedang
berlangsung.

Gambar 4 merupakan desain interface. Beberapa

tombol dan tampilan yang lainnya mempunyai
fungsi masing-masing yaitu sebagai berikut:
• Tombol SAMBUNGKAN, untuk menyam-
bungkan software interface dengan Ardu-
ino UNO.
• Tombol PUTUSKAN, digunakan untuk
memutus koneksi dengan Arduino UNO.
• Tombol GRIP, digunakan untuk mengirim-
Gambar 4. Desain interface

Gambar 3. Perancangan Hardware

94 | Ubaidillah, M.J. dkk., Klasifikasi Gelombang Otot Lengan pada Robot Manipulator...

HASIL DAN PEMBAHASAN yal EMG ini akan digunakan sebagai data training
dan data testing. Amplitudo yang diambil adalah
Pada penelitian ini, pengujian pergerakan grip dan
seluruh dari amplitudo yang telah didapatkan.
un-grip dengan dua kondisi yaitu subjek yang per-
Untuk melakukan perhitungan fitur RMS ini dapat
nah diambil sampel untuk data trining dan subjek
yang tidak diambil sampel sebelumnya.
Pengambilan Sampel Gelombang

Pengambilan sampel gelombang EMG menggu-

nakan Muscle Sensor V3.0. Sensor ini memakai 3
buah elektrode yang terhubung langsung dengan
kulit bagian luar pada lengan bawah. 2 buah elek-
trode sebagai pembaca sinyal EMG dan 1 buah
elektrode sebagai referensi.

Penempatan elektrode sensor sangat mempen-

garuhi hasil dari pembacaan sinyal EMG. Pen-
gambilan sampel gelombang dilakukan pada otot
Extensor carpi unlaris pada lengan kanan seperti
Gambar 5. Pengambilan sampel dilakukan saat Gambar 5. Pengambilan sampel
ketiga elektrode telah terpasang dengan tepat.
Sinyal un-grip didapatkan dengan merelaksasikan
lengan dan seluruh jari tangan kanan sehingga
otot tidak sedang kondisi tegang. Sedangkan sin-
yal grip didapatkan dengan posisi seluruh jari tan-
gan kanan menggenggam dengan kuat. Dengan
cara yang sama dan pemasangan sensor dilakukan
dengan tepat, pengambilan sensor dilakukan pada
4 orang pria dan 1 orang wanita dengan usia 20 –
23 tahun, dengan masing-masing orang dilakukan
pengambilan sampel un-grip sebanyak 5 kali dan
grip sebanyak 5 kali. Maka didapat 50 data yang Gambar 6. Sinyal EMG kondisi un-grip (1)
akan diekstraksi untuk digunakan sebagai data
training.

Gambar 6 merupakan gambar sinyal EMG yang

didapat dari lengan bawah jari tangan dalam
kondisi un-grip. Gambar 7 juga merupakan sinyal
EMG yang didapat dari lengan bawah jari tangan
dalam kondisi un-grip. Dapat dicermati bahwa ke-
tika lengan bawah jari tangan dalam kondisi un-
grip, sinyal yang didapatkan mempunyai range
amplitudo 300mv hingga 500mv. Selanjutnya
dilakukan pengambilan sampel dari lengan bawah
jari tangan dalam kondisi grip.
Gambar 7. Sinyal EMG kondisi un-grip (2)

Gambar 8 merupakan gambar sinyal EMG yang

didapat dari lengan bawah jari tangan dalam
kondisi grip. Sedangkan Gambar 9 juga merupa-
kan sinyal EMG yang didapat dari lengan bawah
jari tangan dalam kondisi grip. Dapat dicerma-
ti bahwa ketika lengan bawah jari tangan dalam
kondisi grip, sinyal yang didapatkan mempunyai
range amplitudo 700mv hingga 1000mv.

Ekstraksi Gelombang EMG Fitur Root Mean

Square (RMS)

Fitur Root Mean Square (RMS) dari amplitudo sin- Gambar 8. Sinyal EMG kondisi grip (1)
 12(2): 2019 | 95

Tabel 1. Hasil pengujian kondisi pertama

No. Kondisi Target Hasil Error Keterangan

1 Un-grip 0 0 0% Benar
2 Un-grip 0 0 0% Benar
3 Un-grip 0 0 0% Benar
4 Un-grip 0 1 100 % Salah
5 Un-grip 0 0 0% Benar
6 Grip 1 1 0% Benar
7 Grip 1 0 100 % Salah
8 Grip 1 1 0% Benar
Gambar 9. Sinyal EMG kondisi grip (2)
9 Grip 1 1 0% Benar
menggunakan Persamaan 1. 10 Grip 1 1 0% Benar

sifikasikan. Pengujian aktuator yang dilakukan

adalah pengujian lengan robot manipulator
yang digerakkan oleh sebuah motor servo untuk
merepresentasikan hasil klasifikasi. Gerakan robot
manipulator yang digunakan pada Tugas Akhir ini
Dimana N adalah banyaknya data dan nilai i adalah mempunyai dua gerakan, yaitu grip untuk hasil
data. klasifikasi jari tangan menggenggam kuat dan un-
grip untuk hasil klasifikasi jari tangan relaks atau
a. Ekstraksi Gelombang EMG Fitur Mean Absolute kondisi otot tidak tegang. Pengujian metode yang
Value (MAV) dilakukan mempunyai 2 kondisi yaitu:
Fitur Mean Absolute Value (MAV) dari amplitudo 1. Pada subjek yang pernah diambil sampel untuk
sinyal EMG ini juga akan digunakan sebagai data data training, dalam hal ini adalah peneliti yang
training dan data testing. Amplitudo yang diambil telah terlatih memasang elektrode kira-kira da-
adalah seluruh dari amplitudo yang telah didapat­ lam waktu 4 bulan dan telah diambil sampel
kan. Untuk melakukan perhitungan fitur MAV ini untuk data training.
dapat menggunakan Persamaan 2.
2. Pada subjek yang tidak diambil sampel sebel-
umnya.

Pada pengujian kondisi pertama, pengujian dilaku-

kan sebanyak 10 kali dengan 5 kali percobaan
grip dan 5 kali percobaan un-grip. Pengujian ini
Dimana N adalah banyaknya data dan nilai i adalah dilakukan oleh peneliti dengan menggerakkan jari
data . tangan kanan grip dan un-grip. Hasil pengujian
kondisi pertama dapat ditunjukkan pada tabel 1.
SVM dengan Data Training

Penerapan metode SVM pada penelitian ini meng- Berdasarkan Tabel 1, presentase keberhasilan pen-
gunakan dua input dan satu kelas output 1 dan gujian pada kondisi pertama ini yaitu 80%. Dapat
0, 1 mewakili kelas +1 dan 0 mewakili kelas -1. disimpulkan bahwa metode yang digunakan cuk-
Data input yang digunakan sebagai data training up akurat dalam melakukan klasifikasi dengan
dan data testing pada metode SVM ini adalah fitur data yang telah diambil sampel.
Root Mean Square (RMS) dan fitur Mean Absolute
Value (MAV) dari amplitudo sinyal EMG. Pada pengujian kondisi kedua, pengujian dilaku-
kan sebanyak 10 kali dengan 5 kali percobaan
Pengujian Sistem Secara Keseluruhan grip dan 5 kali percobaan un-grip. Pengujian ini
dilakukan oleh peneliti dengan menggerakkan jari
Pengujian sistem meliputi pengujian metode dan
tangan kanan grip dan un-grip. Hasil pengujian
aktuator yang digunakan. Pengujian metode yang
kondisi pertama dapat dilihat pada Tabel 2 berikut.
digunakan adalah pengujian dengan data yang
telah didapatkan dari pengambilan sampel den-
Berdasarkan Tabel 2, presentase keberhasilan pen-
gan data yang belum pernah dilakukan pengam-
gujian pada kondisi kedua ini yaitu 60%. Dapat di-
bilan sampel dan kemudian dihitung presentase
simpulkan bahwa metode yang digunakan cukup
keberhasilan metode dalam melakukan mengkla-
96 | Ubaidillah, M.J. dkk., Klasifikasi Gelombang Otot Lengan pada Robot Manipulator...

Tabel 2. Hasil pengujian kondisi kedua Fiska, R. R. (2017). Penerapan Teknik Data Mining
dengan Metode Support Vector Machine
No. Kondisi Target Hasil Error Keterangan (SVM) untuk Memprediksi Siswa yang Ber-
1 Un-grip 0 1 100 % Salah peluang Drop Out. Jaringan Sistem Infor-
2 Un-grip 0 0 0% Benar masi Robotik Vol. 1,No. 01, 42-51.
3 Un-grip 0 1 100 % Salah
Lee, J., Kim J., Park J. (2013). “Classification of grip
4 Un-grip 0 0 0% Benar
configuration using surface EMG”, in 2013
5 Un-grip 0 0 0% Benar 13th International Conference on Control,
6 Grip 1 1 0% Benar Automation and Systems (ICCAS 2013).
7 Grip 1 0 100 % Salah
8 Grip 1 1 0% Benar Muis, I. A., Muhammad A. (2015). “Penerapan
9 Grip 1 1 0% Benar Metode Support Vector Machine (SVM)
Menggunakan Kernel Radial Basis Func-
10 Grip 1 0 100 % Salah
tion (RBF) Pada Klasifikasi Tweet”, Vol.12
No.2
akurat dalam melakukan klasifikasi dengan data
yang belum diambil sampel. Dari pengujian ini Mustiadi, I., Thomas S. W., Indah S., (2012). “Anali-
didapatkan bahwa rata-rata kecepatan respon ro- sis Ekstraksi Ciri Sinyal EMG Menggunakan
bot manipulator adalah 3 detik. Wavelet Discrete Transform”, Yogyakarta.

KESIMPULAN Nugraha, D.W. (2011). “Pengendalian Robot Yang

Memiliki Lima Derajat Kebebasan”, Ilmiah
Berdasarkan hasil keseluruhan yang telah didapat­
Foristek, 1(1): p. 22.
kan setelah dilakukan analisis dan pengujian pada
sistem yang telah dibuat, maka didapatkan kesi-
Padillah, H. A., Arif G., Wahyuni K. (2013). “Kontrol
mpulan bahwa: Muscle Sensor V3.0 mampu di-
Wireless Bionik Robot Jari Tangan Meng-
gunakan untuk pengambilan sinyal EMG dalam
gunakan Arduino”, Vol I, No. 2.
kondisi grip dan un-grip pada lengan tangan kanan
peneliti, namun pembacaan sensor tidak terlalu
Paul, Y., Goyal V., Jaswal R.A. (2017). “Comparative
akurat pada lengan tangan kanan yang mempu-
analysis between SVM & KNN classifier for
nyai otot yang tidak teralalu nampak. Sinyal yang
EMG signal classification on elementary
terbaca oleh sensor EMG yang berdomain waktu
time domain features”, in 2017 4th Inter-
dapat diekstraksi menggunakan fitur Root Mean
national Conference on Signal Processing,
Square (RMS) dan Mean Absolute Value (MAV).
Computing and Control (ISPCC).
Metode Support Vector Machine (SVM) tipe linier
yang menggunakan masukan dari RMS dan MAV
Phinyomark, A., Phukpattaranont P., Limsakul C.
mampu mengklasifikasikan kondisi grip dan un-
(2012). “Feature Reduction and Selection
grip dengan baik. Penerapan metode Support Vec-
for EMG Signal Classification”, Vol. 39.
tor Machine (SVM) tipe linier memiliki akurasi yang
7420–7431.
cukup baik dengan tingkat keberhasilan 80% pada
pengujian dengan subjek yang telah diambil data
Rahman, M.M., Rosly M.H.M. (2016). “Gripping
sampel dan mendapat tingkat keberhasilan 60%
Motion of Artificial Hand Using EMG Sig-
pada pengujian dengan subjek yang tidak diambil
nal”, in 2016 International Conference on
data sampel.
Computer and Communication Engineer-
DAFTAR PUSTAKA ing (ICCCE).

Bhavsar, H., Mahesh H. P. (2012).”Review on Sup- Rekhi, N. S., Arora A. S., Singh S., Singh D. (2009).
port Vector Machine for Data Classifica- “Multi-Class SVM Classification of Surface
tion”. Vol 1, Issue 10. EMG Signal for Upper Limb Function”, in
2009 3rd International Conference on Bio-
Falih, A. D. I. (2017).“Klasifikasi Sinyal EMG Dari Otot informatics and Biomedical Engineering.
Lengan Sebagai Media Kontrol Menggu-
nakan Naïve Bayes” (Tesis). Surabaya. Insti- Rusmanto. (2016). “Akuisisi Data Sinyal EMG di
tut Teknologi Sepuluh Nopember. Lengan Tangan dengan Sensor Surface
Electrode Menggunakan Mikrokontroler
Arduino Uno” (Tugas Akhir). Semarang:
Universitas Dian Nuswantoro.
 12(2): 2019 | 97

She, Q., Luo Z., Meng M. Xu P. (2010). “Multiple Tong, S., Daphne K. (2001). “Support Vector Ma-
kernel learning SVM-based EMG pattern chine Active Learning with Applications to
classification for lower limb control”, in Text Classification”. USA.
2010 11th International Conference on
Control Automation Robotics & Vision. Wibawa, A. D., Verdonschot N., Burgerhof J. G.
M., Purnama I. K. E., Andersen M. S., Hal-
Subhash, K.M., Pournami P.N., Joseph P.K. (2017). bertsma J. P. K., Diercks R. L., Verkerke G.
“Census transform based feature ex- J. (2013) “A validation study on muscle ac-
traction of EMG signals for neuromuscular tivity prediction of a lower limb musculo-
disease classification”, in 2017 IEEE 15th skeletal model using EMG during normal
Student Conference on Research and De- walking”, in 2013 3rd International Con-
velopment (SCOReD). ference on Instrumentation, Communi-
cations, Information Technology and Bio-
Technologies, A. (2013). “Three-lead Differential medical Engineering (ICICI-BME).
Muscle/ Electromyography Sensor for Mi-
crocontroller Applications” (Datasheet).