i
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Suria Sumantri, MPH. No. 65, Bandung, Jawa Barat, Indonesia
E – mail : 16L.Evan@gmail.com
ABSTRAK
Speech recognition telah banyak digunakan untuk melakukan panggilan
telepon, memilih stasiun radio, voice dictation dan personal assistant. Speech
recognition ini menggunakan microphone untuk mendeteksi getaran di udara yangg
bersumber dari pita suara manusia. Sistem tersebut tidak dapat dilakukan di lingkungan yang banyak noise dan mengharuskan penggunanya mengucapkan kata dengan keras. Raspberry Pi adalah Single Board Computer yang banyak digunakan untuk proyek inovasi, eksperimen dan belajar.
Pada Tugas Akhir ini dibuat sistem pengenalan kata menggunakan sinyal
electromyography (EMG) dengan pengolahan di Raspberry Pi. Sistem ini akan
mendeteksi aktivitas listrik di sekitar otot artikulasi pada saat mengucapkan kata. Metoda ekstraksi ciri yang dipakai adalah rata-rata koefisien transformasi fourier diskrit dan support vector machine untuk klasifikasi data.
Dari hasil realisasi dan pengamatan data, sistem pendeteksi dapat berfungsi dengan baik. Tingkat keberhasilan mencapai 92% untuk mendeteksi 5 kata dan sistem ini bersifat spesifik terhadap pengguna.
Kata Kunci : EMG, Rasberry Pi, speech recognition, transformasi fourier diskrit,
ii
ELECTROMYOGRAPHY BASED SPEECH RECOGNITION
IMPLEMENTATION USING RASPBERRY PI
Composed By:
Evan Lesmana (1022010)
Electrical Engineering Department, Maranatha Christian University Jl. Prof.Drg.Suria Sumantri, MPH no.65, Bandung, Indonesia
E – mail : 16L.Evan@gmail.com
ABSTRACT
Speech recognition is widely applied for making a phone call, changing radio station, voice dictation, and personal assistant. Using microphone, this system detects vibration in air generated by human vocal cords. Thus, it cannot be used in noisy environment. The system also requires the user to speak loudly. Raspberry Pi is a Single Board computer used mainly for innovating, experimenting, and learning.
In this final project Raspberry Pi is used to implement electromyography (EMG) based speech recognition. The system uses EMG signal to determine spoken words. Feature extraction is done by taking average of discrete fourier transform coefficient for each window. Support Vector Machine is used as classifier.
According to experimental data, the system achieved 92% in recognizing 5 words. The system is user dependent.
iii
2.5. Instrumentation Amplifier... 13
iv
BAB III PERANCANGAN DAN REALISASI
3.1. Perancangan Sistem ... 28
BAB IV DATA PENGAMATAN DAN ANALISIS 4.1. Konfigurasi Elektroda ... 46
4.2. Pengamatan Hasil Recognition. ... 47
4.2.1.Pengamatan 2 Kata ... 47
4.2.2.Pengamatan 3 Kata ... 48
4.2.3.Pengamatan 5 Kata ... 49
4.2.4.Pengamatan 2 Kata Diucapkan Dengan Pelan ... 50
4.2.5.Pengamatan Menggunakan Kata yang Serupa ... 51
4.2.6.Pengamatan 5 Kata Setelah Posisi Elektroda Diubah ... 52
4.2.7.Pengamatan 3 Kata Lebih dari 2 Suku Kata ... 52
4.3. Gambar Plot Sinyal EMG ... 54
4.3. Analisis Data ... 63
BAB V KESIMPULAN DAN SARAN 5. 1. Kesimpulan ... 64
v
vi
DAFTAR TABEL
Halaman
Tabel 2.1. Tabel konfigurasi bit MCP 3008 ... 8
Tabel 2.2. Spesifikasi Raspberry Pi ... 17
Tabel 4.1. Pengamatan 2 kata kernel linear ...47
Tabel 4.2. Pengamatan 2 kata kernel RBF ...47
Tabel 4.3. Pengamatan 3 kata kernel linear ...48
Tabel 4.4. Pengamatan 3 kata kernel RBF ...48
Tabel 4.5. Pengamatan 5 kata kernel linear ...49
Tabel 4.6. Pengamatan 5 kata kernel RBF ...50
Tabel 4.7. Pengamatan 2 kata kernel linear (pelan) ...50
Tabel 4.8. Pengamatan 2 kata kernel RBF (pelan) ...51
Tabel 4.9. Pengamatan penggunaan kata serupa dengan kernel linear ...51
Tabel 4.10. Pengamatan 5 kata untuk posisi elektroda diubah kernel linear ....52
vii
DAFTAR GAMBAR
Halaman
Gambar 2.1 Membran saat resting potential ... 4
Gambar 2.2 Tegangan mencapai threshold untuk kanal sodium ... 5
Gambar 2.3 Kanal sodium terbuka ... 5
Gambar 2.4 Kanal potasium terbuka dan kanal sodium tertutup ... 6
Gambar 2.5 Plot dari action potential ... 7
Gambar 2.6 Konfigurasi pin MCP3008 ... 7
Gambar 2.7 Komunikasi SPI antara Microcontroller Unit dengan MCP3008 . 9 Gambar 2.8 Konfigurasi SPI single master single slave ... 10
Gambar 2.9 Op-amp ideal ... 10
Gambar 2.10 Inverting Op-Amp ... 11
Gambar 2.11 Non-inverting Op-amp... 11
Gambar 2.12 Differential Amplifier ... 12
Gambar 2.13 Instrumentation Amplifier ... 13
Gambar 2.14 Active Lowpass Filter ... 15
Gambar 2.15 Respon Frekuensi LPF ... 15
Gambar 2.16 Passive High Pass Filter ... 15
Gambar 2.17 Respon Frekuensi HPF ... 15
Gambar 2.18 Raspberry Pi ... 16
Gambar 2.19 Konfigurasi pin Raspberry Pi ... 16
Gambar 2.20 Ilustrasi SVM untuk dua kategori... 21
viii
Gambar 3.2.IC AD620 ... 30
Gambar 3.3.Perancangan filter referensi ... 30
Gambar 3.4.Perancangan filterhigh pass ... 31
Gambar 3.5.Perancangan filter low pass ... 32
Gambar 3.6.Skematik hardware ... 33
Gambar 3.7.Diagram alir GUI ... 34
Gambar 3.8.Diagram alir subroutine data ... 35
Gambar 3.9.Diagram alir subroutine train ... 36
Gambar 3.10.Diagram alir subroutine predict ... 37
Gambar 3.11.Diagram alir subroutine record ... 39
Gambar 3.12.Diagram alir subroutine record ... 40
Gambar 3.13.Diagram alir subroutine record ... 40
Gambar 3.14.Diagram alir subroutine VAD ... 42
Gambar 3.15.Ilustrasi penentuan indek aktivitas suara ... 43
Gambar 3.16.Tampilan GUI ... 44
Gambar 4.1.Konfigurasi Elektroda ... 46
Gambar 4.2.Sinyal EMG kata ambil ... 54
Gambar 4.3.Sinyal EMG kata lepas ... 54
Gambar 4.4.Sinyal EMG kata kanan... 55
Gambar 4.5.Sinyal EMG kata angkat ... 55
Gambar 4.6.Sinyal EMG kata padam ... 56
Gambar 4.7.Sinyal EMG kata ambil (pelan) ... 56
ix
Gambar 4.9.Sinyal EMG kata ambil (posisi elektroda digeser)... 57
Gambar 4.10. Sinyal EMG kata lepas (posisi elektroda digeser) ... 58
Gambar 4.11. Sinyal EMG kata kanan (posisi elektroda digeser) ... 58
Gambar 4.12. Sinyal EMG kata angkat (posisi elektroda digeser) ... 59
Gambar 4.13. Sinyal EMG kata padam (posisi elektroda digeser) ... 59
Gambar 4.14. Sinyal EMG klausa belok kanan ... 60
Gambar 4.15. Sinyal EMG kata ke atas ... 60
Gambar 4.16. Sinyal EMG kata berhenti ... 61
Gambar 4.17. Sinyal EMG kata adam ... 61
Gambar 4.18. Sinyal EMG kata tangan ... 62
1
Universitas Kristen Maranatha
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Speech Recognition telah banyak ditemukan di kehidupan sehari-hari seperti
personal assistant dan voice dictation pada smartphone. Speech recognition yang
menggunakan suara, mengharuskan penggunanya berbicara dengan jelas dan lantang. Hal tersebut membuat speech recognition tidak dapat digunakan di tempat yang membutuhkan ketenangan. Selain itu, tidak dapat digunakan pada lingkungan yang berisik.
Electromyography (EMG) merupakan teknik untuk merekam aktivitas listrik
pada otot. Dengan menggunakan EMG, speech recognition tanpa bersuara dapat dicapai. Eletroda EMG ditempatkan di sekitar otot artikulasi untuk mengamati sinyal EMG saat otot artikulasi digunakan. Sinyal EMG ini dapat digunakan untuk speech
recognition tanpa mengeluarkan suara.
1.2 Identifikasi Masalah
Aplikasi speech recognition pada Raspberry Pi memiliki permasalahan pada perancangan sistem akusisi data sinyal EMG dan pengenalan kata menggunakan data tersebut.
1.3 Rumusan Masalah
2
Universitas Kristen Maranatha 1.4 Tujuan
Tujuan dari dilaksanakannya tugas akhir ini adalah mengimplementasikan sistem pengenalan kata menggunakan sinyal EMG di Raspberry Pi.
1.5 Pembatasan Masalah.
Adapun batasan masalah dalam tugas akhir ini adalah :
1. Sistem dibatasi untuk mendeteksi 5 kata yang digunakan untuk pengendalian yaitu kata ambil, lepas, kanan, angkat, dan padam.
2. Sistem EMG 1 kanal.
3. Sistem dibuat untuk satu pembicara.
4. Pengolahan sinyal dan klasifikasi data dilakukan di Raspberry Pi. 5. Waktu proses tidak dipermasalahkan.
1.6 Sistematika Penulisan
Sistematika penulisan laporan tugas akhir ini disusun menjadi beberapa bab sebagai berikut:
BAB 1 : PENDAHULUAN
Dalam bab ini dibahas mengenai permasalahan yang melatarbelakangi penulisan laporan tugas akhir ini, selain itu juga terdapat identifikasi, rumusan, tujuan, dan pembatasan masalah.
BAB 2 : DASAR TEORI
3
Universitas Kristen Maranatha
sinyal EMG, filter analog, Raspberry Pi, bahasa pemrograman C++, Libsvm, algoritma voice activity detection, Qt Graphical User Interface (GUI) dan Discrete
Fourier Transform (DFT).
BAB 3 : PERANCANGAN DAN REALISASI
Pada bab ini akan dijelaskan mengenai proses perancangan sistem, diagram blok sistem, serta diagram alir dari sistem pengenalan kata menggunakan sinyal EMG. Bab ini juga membahas GUI dari software yang dibuat.
BAB 4 : DATA PENGAMATAN DAN ANALISIS
Bab ini berisi data pengamatan dan analisis yang diperoleh dari percobaan sistem pengenalan kata menggunakan sinyal EMG yang sudah direalisasikan. Pengamatan yang dilakukan adalah pada bagian keluaran dari pengenalan kata untuk untuk 2 kata, 3 kata, dan 5 kata.
BAB 5 : KESIMPULAN DAN SARAN
64
Universitas Kristen Maranatha
BAB 5
KESIMPULAN & SARAN
Bab ini merupakan bab penutup yang berisi kesimpulan dari hasil penelitian dan analisis dari tugas akhir ini serta saran bagi pengembangan sistem pengenalan kata menggunakan sinyal electromyography pada Raspberry Pi.
5.1 Kesimpulan
Berdasarkan hasil percobaan dapat disimpulkan bahwa :
1. Implementasi sistem pengenalan suara menggunakan sinyal EMG pada Raspberry Pi berhasil direalisasikan menggunakan metode ekstraksi ciri yang ada pada paper “Web Browser Control using EMG Based Subvocal Speech Recognition” dan klasifikasi data menggunakan Support Vector Machine
2. Berdasarkan data pengamatan pada tabel 4.7 kernel linear dapat digunakan untuk pengucapan kata dengan lembut, walaupun model dilatih dengan data kata yang diucapkan dengan biasa. Dengan kernel linear, sistem mencapai tingkat keberhasilan 100%. Berdasarkan data pengamatan pada tabel 4.8, untuk untuk jumlah data training yang besar penggunaan kernel RBF memperoleh tingkat keberhasilan yang lebih besar dari kernel linear.
3. Berdasarkan data pengamatan pada tabel 4.10, perubahan posisi elektroda menurunkan tingkat keberhasilan sistem.
65
Universitas Kristen Maranatha 5.2 Saran
1. Sistem dapat dikembangkan untuk mendeteksi lebih dari 5 kata.
2. Ekstraksi ciri yang digunakan sistem ini masih dipengaruhi oleh database
pengguna. Oleh karena itu perlu dicari metoda yang akurat agar dapat dipakai oleh orang di luar database.
3. Penggunaan SVM memerlukan data training yang banyak, oleh karena itu dapat digunakan algoritma machine learning seperti Hidden Markov Model
66
Universitas Kristen Maranatha
DAFTAR PUSTAKA
[1] Filters.http://www.electronics-tutorials.ws/category/filter.Diakses pada 22 September 2014
[2] FFTW++.http://fftwpp.sourceforge.net/.Diakses pada 22 September 2014
[3] Flach, Peter, (2012) Machine Learning: The Art and Science of Algorithms that Make Sense of Data. United States of America: Cambridge University Press
[4] Kim, B., Jorgensen C. (2005) Web Browser Control using EMG Based Subvocal Speech Recognition. System Sciences, 2005. HICSS '05. Proceedings of the 38th Annual Hawaii International Conference.
[5] Libsvm.https://github.com/cjlin1/libsvm.Diakses pada 26 September 2014
[6] Lyons, G. R. (2004) Understanding Digital Signal Processing, 2rd edition. United State of America : Prentice Hall
[7] Mancini, R., (2001) Op Amps For Everyone. Texas Instruments
[8] Martini, F.H., Nath, J.L., Bartholomew, E.F. (2014) Fundamentals of Anatomy & Physiology. San Francisco : Pearson
[9] MCP3008 Datasheet.https://www.adafruit.com/datasheets/MCP3008.pdf.Diakses pada 26 September 2014
[10] Nilsson, M., Ejnarssonm, M. (2002) Speech Recognition Using Hidden Markov Model. Ronneby : Blekinge Institute of Technology
[11] Operational Amplifiers : Basic and Design Aspects.
http://uwf.edu/skamalasadan/final.pdf.Diakses pada 15 Januari 2015
[12] Qt(Software).http://en.wikipedia.org/wiki/Qt_(software).Diakses pada 22 September 2014
[13] Qwt User’s Guide.http://qwt.sourceforge.net/.Diakses pada 22 September 2014
[14] Richardson, M., Wallace, S. (2013) Getting Started with Raspberry Pi. United State of America : O’Reilly Media
[15] Serial Peripheral Interface.
http://en.wikipedia.org/wiki/Serial_Peripheral_Interface_Bus.Diakses pada 22 September [16] SVM.http://en.wikipedia.org/wiki/Support_vector_machine.Diakses pada 26 September
2014
