Indra Agustian Blog

Adaptive neuro-fuzzy inference system for classification of EEG signals using wavelet coefficients

noreply@blogger.com (City Hunter) — Sun, 20 Jun 2010 07:04:00 +0000

Judul Paper: Adaptive neuro-fuzzy inference system for classification of EEG signals using wavelet coefficients

Inan Guler (Department of Electronics and Computer Education, Faculty of Technical Education, Gazi University, 06500 Teknikokullar, Ankara, Turkey), Elif Derya Ubeyli (Department of Electrical and Electronics Engineering, Faculty of Engineering, TOBB Ekonomi ve Teknoloji Universitesi) - Sogutozu, Ankara, Turkey

Journal of Neuroscience Methods(2005),0165-0270, doi:10.1016/j.jneumeth.2005.04.013

Abstract: This paper describes the application of adaptive neuro-fuzzy inference system (ANFIS) model for classification of electroencephalogram (EEG) signals. Decision making was performed in two stages: feature extraction using the wavelet transform (WT) and the ANFIS trained with the backpropagation gradient descent method in combination with the least squaresmethod. Five types of EEG signals were used as input patterns of the five ANFIS classifiers. To improve diagnostic accuracy, the sixth ANFIS classifier (combining ANFIS) was trained using the outputs of the five ANFIS classifiers as input data. The proposed ANFIS model combined the neural network adaptive capabilities and the fuzzy logic qualitative approach. Some conclusions concerning the saliency of features on classification of the EEG signals were obtained through analysis of the ANFIS. The performance of the ANFIS model was evaluated in terms of training performance and classification accuracies and the results confirmed that the proposed ANFIS model has potential in classifying the EEG signals.

Makalah ini menggambarkan bagaimana aplikasi model sistem inferensi adaptif neuro-fuzzy (ANFIS) untuk klasifikasi elektroensefalogram (EEG) sinyal. Pengambilan keputusan dilakukan dalam dua tahap: ekstraksi ciri menggunakan wavelet transform (WT) dan ANFIS dilatih dengan metode backpropagation keturunan gradien dalam kombinasi dengan metode kuadrat terkecil. Lima jenis sinyal EEG digunakan sebagai pola masukan dari lima pengklasifikasi ANFIS. Untuk meningkatkan akurasi diagnostik, classifier ANFIS keenam (ANFIS menggabungkan) telah dilatih menggunakan output dari lima pengklasifikasi ANFIS sebagai data masukan. Model ANFIS diusulkan menggabungkan kemampuan jaringan saraf adaptif dan logika fuzzy pendekatan kualitatif. Beberapa kesimpulan tentang kemenonjolan fitur pada klasifikasi sinyal EEG diperoleh melalui analisa dari ANFIS. Kinerja model ANFIS dievaluasi dalam hal kinerja pelatihan dan keakuratan klasifikasi dan hasilnya menyatakan bahwa model ANFIS yang diusulkan memiliki potensi dalam mengklasifikasikan sinyal EEG.

Gambar 1. Arsitektur ANFIS

Pengambilan keputusan dalam pengklasifikasin dilakukan dalam dua tahap: ekstraksi ciri menggunakan WT (20 fitur diekstraksi sebagai masukan ANFIS) dan klasifikasi menggunakan pengklasifikasi ANFIS dilatih dengan metode backpropagation gradien menurun dalam kombinasi dengan metode kuadrat terkecil. Pada bagian ini, penelitian dibatasi hanya gambaran singkat dari dataset yang digunakan dan mengacu pada referensi (Andrzejak et al., 2001) untuk rincian lebih lanjut. Dataset lengkap terdiri dari lima set (dilambangkan A-E), masing-masing berisi 100 sinyal EEG satu saluran 23,6 s. Setiap sinyal telah dipilih setelah inspeksi visual untuk artifak dan telah melewati kriteria kestasioneran lemah. Set A dan B telah diambil dari rekaman EEG permukaan lima sukarelawan sehat dengan mata terbuka dan tertutup, masing-masing. Sinyal dalam dua set telah diukur dalam interval kejang-bebas dari lima pasien di zona epileptogenic (D) dan dari pembentukan hippocampus pada belahan otak yang berlawanan (C). Set E berisi aktivitas kejang, dipilih dari semua situs rekaman menunjukkan aktivitas ictal. Set A dan B telah dicatat extracranially, sedangkan set C, D, dan E telah direkam intracranially. Selain dari rekaman elektroda yang berbeda, parameter perekaman yang tetap.

Teori himpunan fuzzy memainkan peran penting dalam berhubungan dengan ketidakpastian ketika membuat keputusan dalam logika fuzzy untuk aplikasi medis. Menggunakan logika fuzzy memungkinkan kita untuk menggunakan ketidakpastian dalam perancangan sistem klasifikasi dan akibatnya untuk meningkatkan kredibilitas sistem output. Makalah ini disajikan sebuah aplikasi baru dari ANFIS untuk klasifikasi dari sinyal EEG. Lima ANFIS pengklasifikasi digunakan untuk mengklasifikasikan lima kelas sinyal EEG ketika koefisien wavelet dari sinyal EEG digunakan sebagai masukan. Prediksi dari lima pengklasifikasi ANFIS digabungkan oleh classifier ANFIS keenam. Model ANFIS disajikan menggabungkan kemampuan jaringan saraf adaptif dan logika fuzzy pendekatan kualitatif. Beberapa kesimpulan tentang kemenonjolan fitur pada klasifikasi sinyal EEG diperoleh melalui analisa dari ANFIS. Klasifikasi hasil dan ukuran statistik yang digunakan untuk mengevaluasi ANFIS. Ketepatan klasifikasi total model ANFIS adalah 98,68%. Karena itu, dapat disimpulkan bahwa model ANFIS dapat digunakan dalam mengklasifikasikan sinyal EEG dengan mempertimbangkan tingkat kesalahan atau akurasi klasifikasi.

Calibration-Free Eye Gaze Direction Detection With Gaussian Processes

noreply@blogger.com (City Hunter) — Sat, 19 Jun 2010 09:27:00 +0000

Judul Paper: Calibration-Free Eye Gaze Direction Detection With Gaussian Processes
Basilio Noris, Karim Benmachiche, Aude G. Billard
LASA Laboratory - EPFL, Station 9, CH-1015 Lausanne, Switzerland

Abstract: In this paper we present a solution for eye gaze detection from a wireless head mounted camera designed for children aged between 6 months and 18 months. Due to the constraints of working with very young children, the system does not seek to be as accurate as other state-of-the-art eye trackers, however it requires no calibration process from the wearer. Gaussian Process Regression and Support Vector Machines are used to analyse the raw pixel data from the video input and return an estimate of the child’s gaze direction. A confidence map is used to determine the accuracy the system can expect for each coordinate on the image. The best accuracy so far obtained by the system is 2.34 on adult subjects, tests with children remain to be done.

Dalam makalah ini, disajikan sebuah sistem deteksi dari pandangan mata dengan kepala dipasang kamera nirkabel yang dirancang untuk anak usia antara 6 bulan dan 18 bulan. Karena keterbatasan bekerja dengan anak-anak yang sangat muda, sistem tidak berusaha seakurat dengan sistem deteksi lain, namun sistem ini tidak memerlukan proses kalibrasi dari pemakainya. Proses Gaussian Vector Regresi dan Dukungan Mesin digunakan untuk menganalisis data pixel mentah dari input video dan mengsetimasi arah tatapan mata. Peta tingkar ketepatan digunakan untuk menentukan akurasi sistem untuk setiap koordinat pada gambar. Akurasi terbaik sejauh ini diperoleh sistem ini 2,34 pada mata orang dewasa, dan dilakukan tes pada anak-anak.

Sistem ini bertujuan untuk mempelajari perilaku visual anak-anak untuk membantu dalam diagnosis gangguan perkembangan. Anak-anak dengan gangguan perkembangan seperti Autism Spectrum Disorder (ASD) memiliki kecenderungan yang kuat untuk menghindari kontak mata atau untuk menghindari melihat orang sama sekali. Perilaku ini sering hadir dalam anak-anak yang sangat muda sudah, tetapi sulit untuk mengukur dan menganalisa. Dalam penelitian ini peneliti menggunakan WearCam (Piccardi et al., 2007), kamera nirkabel yang cukup ringan dipasang di atas kepala, fungsinya untuk merekam area tatapan. Rekaman kemudian dapat dianalisis untuk memverifikasi dan mempelajari bakat interaksi sosial anak-anak. Namun, asumsi awal bahwa arah kepala cukup untuk memperkirakan arah fokus anak perhatian (yaitu objek kepentingan selalu di tengah bidang pandang) terbukti tidak memuaskan dan peneliti menambahkan analisi deteksi arah tatapan.

Gambar 1: Diagram Alir dari sistem deteksi tatapan. Frame video dari kamera pertama diproyeksikan ke dimensi yang lebih rendah dengan PCA dan hasilnya digunakan untuk lokalisasi daerah mata kanan dan kiri. Saat ini diketahui, pixel sesuai dari sumber gambar yang diambil dan diproyeksikan sekali lagi menjadi sebuah ruang dimensi yang lebih rendah untuk tatapan arah proses deteksi. Tatapan yang dihasilkan koordinat arah kemudian dimodifikasi untuk mendapatkan koordinat sebenarnya dalam gambar. Selain itu, tatapan koordinat digunakan untuk membaca sistem kepercayaan hasil-hasilnya. Informasi ini dikombinasikan untuk memberikan hasil akhir.

Gambar 1. Diagram Alir dari sistem deteksi tatapan

Kesimpulan dari penelitian ini bahwa sistem deteksi mata dilakukan dengan berdasarkan tampilan gambar, Support Vector Machines dan Gaussian Proses regresi. Keakuratan diperoleh yang diperoleh pelacak mata yang ada, rata-rata mencapai 2,34 Namun pada sistem ini tidak membutuhkan kalibrasi sebelumnya dan dapat digunakan dalam kasus-kasus di mana kerjasama pengguna tidak bisa diharapkan (bekerja misalnya dengan bayi). Sistem ini dirancang untuk digunakan oleh anak-anak, maka langkah selanjutnya adalah mengumpulkan database pelatihan dengan anak-anak. Keragaman seperti bulu mata, alis dan raut wajah lainnya tidak dibahas seperti pada penelitian untuk orang dewasa. Dengan demikian kinerja sistem akan cukup baik jika hanya digunakan oleh anak-anak. Penelitian ini tidak mempertimbangkan kedipan mata, dan ini nantinya dapat dikembangkan untuk penelitian selanjutnya.

Fusion of Global and Local Features for Face Verification

noreply@blogger.com (City Hunter) — Sat, 19 Jun 2010 06:26:00 +0000

Judul Paper : Fusion of Global and Local Features for Face Verification
Yuchun Fang, Tieniu Tan, Yunhong Wang
NL PR, Institute of Automation, Chinese Academy of Sciences, Beijing, P. R. China
Abstract: In this paper, a novel personalized feature combination scheme is proposed for face verification. ANFIS (Adaptive Neuro-Fuzzy Inference System) and SVM (Support Vector Machine) are adopted respectively to form specialized feature representation for each subject by fusing global and local features. Instead of the common way for different subjects, we realize a new representation that adapts to each individual. Such adaptability in feature selection is inspired by face recognition in the HVS (Human Visual System) and results in an improved recognition rate.

Dalam makalah ini, disajikan skema kombinasi fitur personalisasi yang diusulkan untuk verifikasi wajah. ANFIS (Adaptive Neuro-Fuzzy Inference System) dan SVM (Support Vector Machine) yang diadopsi masing-masing untuk membentuk representasi fitur khusus untuk setiap subyek dengan menggabungkan fitur global dan lokal.

Peneliti menguji algoritma ANFIS dan SVM pada satu set gambar wajah dan termasuk empat database wajah standar. Peneliti juga membandingkan dengan Algortima Neural Network.

Hasil percobaan diilustrasikan pada Gambar 1, di mana garis titik-titik adalah nilai absis sama dengan yang ordinat. NNL dan NNG menunjukkan verifikasi dengan NN yang hanya mengadopsi fitur lokal atau global. NNF dan NND berarti fusi dengan fitur NN di tingkat dan tingkat keputusan masing-masing.

Dari pandangan secara keseluruhan, kombinasi multi-fitur dengan ANFIS dan SVM mengarah kepada hasil yang lebih baik dibandingkan skema non-skema fusi dan fusi dengan NN.

1) Melalui pembandingan titik dimana FRR (false rejection rate) sama dengan FAR (tingkat penerimaan palsu), disimpulkan bahwa SVM melakukan jauh lebih baik daripada semua skema lain (SVM tingkat kesalahan sebesar kurang dari 0,10). Ketika FAR diizinkan lebih besar dari 0,06, yang FRR dari SVM terus yang terkecil di antara semua rencana.

2) ANFIS dapat menjaga FRR jauh lebih rendah sedangkan FAR kecil. Pada Gambar 1, diamati bahwa ketika FAR lebih rendah dari 0,12, ANFIS lebih baik daripada NN; ketika FAR lebih rendah dari 0,06, ANFIS melakukan lebih baik dari SVM. Dalam beberapa aplikasi, FAR rendah sangat penting, sehingga fusi berdasarkan ANFIS adalah penggunaan angka yang besar.

Dari hasil eksperimen dan analisis di atas, ditarik kesimpulan bahwa melalui mekanisme nonlinier SVM dan ANFIS, fitur global dan lokal digabungkan untuk setiap subyek, bukan dengan cara yang sama untuk subyek yang berbeda seperti pada fusi NN. Dengan cara ini didapatkan peningkatan hasil verifikasi wajah.

Hasil perbandingan antara ANFIS dan SVM, kesimpulan konvensional, dalam Gambar 1, kurva datar dari ANFIS menjadi lebih cepat daripada yang lain. Alasannya adalah bahwa ANFIS, yang melakukan pelatihan melalui meminimalkan risiko empiris. Sementara SVM dibentuk berdasarkan minimisasi risiko struktural, ia memiliki kemampuan lebih dari generalisasi. Hasil percobaan menunjukkan bahwa kedua ANFIS dan SVM dapat disesuaikan ke setiap kelas khusus melalui pembelajaran dan hasil seperti kombinasi adaptif dalam kinerja yang lebih baik dari pengenalan wajah. Oleh karena itu, ANFIS dan SVM harus memiliki kepentingan yang sama.

Gambar 1. Comparison of verification results

Hasil penelitian menunjukkan bahwa algoritma ANFIS dan SVM memberikan peningkatan kinerja dibandingkan dengan pengenalan wajah fusi non-adaptif dan skema wajah non-fusi. Penelitian membuktikan bahwa sistem memiliki kemampuan beradaptasi terhadap subyek adalah nilai besar.

An Eye-Tracking And Head-Control System Using Movement Increment-Coordinate Method

noreply@blogger.com (City Hunter) — Sun, 06 Jun 2010 01:49:00 +0000

Judul: An Eye-Tracking And Head-Control System Using Movement Increment-Coordinate Method
Chern-Sheng Lina, Chien-Wa Hob, Chao-Ning Chana, Chi-Re Chaua, Yieng-Chiang Wua, Mau-Shiun Yehc
Optics & Laser Technology 39 (2007) 1218–1225

Abstract:

In this paper a novel design which combines an eye-tracking device with a head gesture control module is discussed. In the eye-tracking mode, the user wears goggles, and two tiny CCD cameras capture the eye image from the screen with the help of a video capture card. In the head gesture control mode, a light source projector is turned on, and the CCD camera detects the position of the light source. The locations of the spots on the screen and on the image pupil of the eye image are calculated, compared with the previous point and are subsequently mapped to the point on the screen. The movement increment-coordinate control is also discussed, which could improve the ease of use of the computer.

Review
Pendahuluan
Perangkat deteksi mata yang digunakan oleh pneliti pada awalnya dikembangkan melakukan perhitungan kedipan mata. Dalam percobaan ini, peneliti menggunakan diagonalbox checker search. Hal ini dapat memberikan tingkat koreksi yang lebih tinggi untuk identifikasi posisi pupil dengan cara menganalisis sampel gambar mata yang diperoleh dari CCD. Menggunakan 950nm IR LED dengan distribusi output daya dari 2 mW/cm2 sistem ini tidak akan menyebabkan cedera atau ketidaknyamanan pada mata. Inti penting dari teknologi pelacakan bola mata ini adalah sistem ekstraksi fitur mata.

Gambar. 1. Manusia-mesin baru yang menggabungkan desain antarmuka mata pelacakan perangkat dan modul sikap kepala kontrol.

Gambar. 2. Kacamata untuk pelacakan dan kontrol mata kepala isyarat.

Sistem pelacakan mata dilakukan dengan proses biner pada gambar mata yang diperoleh CCD digunakan untuk membedakan titik cahaya dan mata. Setelah thresholding, sistem pelacakan mata pencarian pixel dari tingkat greyscale 0 dan sistem kontrol gerakan dilakukan dengan pencarian pixel dari gray level 255 sebagai objek sasaran. Titik pusat mata dicari dengan menggunakan metode gravitasi

Komponen utama
Perangkat keras yang digunakan adalah image card capture dan vision software. Sebuah komponen mesin baru visi dikembangkan pada VCL framework menggunakan Microsoft DirectShow. Komponen dapat digunakan pada kamera PC USB, 1394 DV perangkat, perangkat pengambilan gambar, kartu TV video dengan dukungan multiple video streams. Kamera yang digunakan adalah QImaging Retiga 1300 dengan teknologi Intel MMX/SSE/SSE2 yang memiliki kecepatan dan sensitivitas tinggi. ini menjamin komponen itu memiliki kapasitas dan kinerja tinggi. Perangkat ini menyediakan fungsi yang lengkap bagi pengguna untuk mengendalikan penyesuaian warna dengan program, termasuk kecerahan, kontras, warna, saturasi, ketajaman, gamma, memungkinkan warna, white balance, backlight dll.

Gambar. 3. Diagram alir pemrograman.

Kerangka pemrograman dan flowchart operasi ditunjukkan pada Gambar. 3. Titik kunci dari seluruh sistem adalah bahwa ia dapat merekam data capture dan detai sehingga dapat digunakan dengan baik.

Gambar. 4. Pengujian pola gambar murid pelacakan

Gambar. 4 adalah pola pengujian dari gambar pupil hasil deteksi. Pada awalnya, pengguna menatap pada titik pusat dan kemudian menekan space bar, sehingga ia dapat mengontrol mouse oleh mata. Pengembangan diterapkan sistem ini adalah peningkatan koordinasi kontrol mouse, dan pemilihan perangkat keras, yang merupakan aplikasi sederhana untuk meningkatkan kemampuan baru sistem eyetracking. Kombinasi antarmuka kontrol mata dan kontrol kepala Gambar. 9. Ada tiga kamera dalam sistem ini, satu adalah untuk kepala, dan dua lainnya adalah untuk melacak mata, tetapi mereka terpisah di empat saluran gambar.

Gambar. 5. Kombinasi antarmuka kontrol mata dan kontrol kepala

Kesimpulan
Teknologi utama deteksi mata dalam penelitian ini merupakan Kombinasi antarmuka kontrol mata dan kontrol kepala. Dalam sistem ini, pengguna hanya memakai perangkat sumber cahaya dan duduk di depan komputer. Kemudian, kamera CCD pada monitor dapat menangkap gambar pengguna dan menghitung posisi lampu dengan teknologi pengolahan gambar digital secara real-time. Berdasarkan hal ini, pengguna dapat mengontrol kursor mouse dengan menggerakkan kepalanya.

Kita juga dapat menggunakan sistem ini sebagai joystick untuk bermain game dengan sebuah program aplikasi dalam lingkungan multimedia. Teknologi utama sistem kontrol gerakan kepala adalah diubah dari pelacakan mata. Dalam perangkat eyetracking, pencarian sistem untuk pusat pupil di bagian hitam gambar. Sebaliknya, sikap sistem kontrol kepala untuk mencari titik terang dalam gambar sumber cahaya.

Penyandang cacat dapat dengan mudah mengoperasikan komputer dengan menggunakan pelacakan mata atau perangkat kontrol gerakan kepala. Selain itu, perangkat ini memiliki banyak aplikasi yang menggunakan peralatan yang kompleks dan ekonomis, seperti ditegaskan oleh penggunaannya dalam hiburan dan virtual reality. Download Paper

A Neuro-Fuzzy approach to User Attention Recognition

noreply@blogger.com (City Hunter) — Tue, 01 Jun 2010 14:35:00 +0000

Judul: A Neuro-Fuzzy approach to User Attention Recognition
Stylianos Asteriadis, Kostas Karpouzis, and Stefanos Kollias
National Technical University of Athens, School of Electrical and Computer Engineering,
Image, Video and Multimedia Systems Laboratory, GR-157 80 Zographou, Greece

Abstrak: User attention recognition in front of a monitor or a specific task is a crucial issue in many applications, ranging from e-learning to driving. Visual input is very important when extracting information regarding a user's attention when recorded with a camera. However, intrusive equipment (special helmets, glasses equipped with cameras recording the eye movements, etc.) impose constraints on users spontaneity, especially when the target group consists of under aged users. In this paper, we propose a system for inferring user attention (state) in front of a computer monitor, only with the usage of a simple camera. The system can be used for real time applications and does not need calibration in terms of camera parameters. It can function under normal lighting conditions and needs no adaptation for each user.
Key words: Head Pose, Eye Gaze, Facial Feature Detection, User Attention Estimation

Estimasi posisi kepala, tatapan mata dan jarak mata teradap monitor, merupakan hal yang esensial untuk dapat mengestimasi perhatian mata pengguna pada layar monitor komputer. Estimasi perhatin dapat dibangun dengan menggunakan Neuro Fuzzy Inference system, dengan menggunakan besaran besaran yang mempengaruhi dalam estimasi perhatian mata pengguna seperti diatas sebagai input. Hal pertama yang dilakukan sistem adalah deteksi wajah pengguna pada saat pengguna menghadap kamera. Selanjutnya adalah deteksi fitur wajah, berdasarkan gerakan fitur wajah, estimasi tentang posisi kepala pengguna dan tatapan mata diambil. Jarak pengguna dari monitor juga diestimasi. Pada penelitian ini titik poin antara dua lubang hidung juga diperhitungkan, karena lubang hidung dapat memberikan warna gelap pada kamera.

Dalam deteksi fitur wajah digunakan metode kaskade, dan untuk perbaikan estimasi posisi wajah pada frame, digunakan metode Postprocess. Penentuan pusat mata pada video dilakukan dengan algoritma Lucas-Kanade tiga level, dan jika yang dipertimbangkan hanya gerakan rotasi wajah, pergerakan titik pusat antara kedua mata akan masih dapat di tentukan dengan baik.

Untuk tatapan mata, ditentukan dengan menggunakan 4 poin disekitar mata. Prototipe area mata yang menunjukkan arah tatapan kanan, kiri, atas dan bawah digunakan untuk menghitung gambar hitam putih (greyscales) untuk setiap arah tatapan. Area dari 4 poin terdeteksi disekitar mata kemudian dikorelasikan dengan image-image ini.

Gambar 1. Prototipe arah tatapan mata

Gambar 2. Berbagai pose kepala ditangkap di depan monitor komputer menggunakan

web-kamera sederhana. Garis putih (vektor) sesuai dengan perpindahan dari titik di tengah mata sehubungan dengan pose frontal.

Gambar 3. Berbagai contoh tatapan ditangkap di depan monitor komputer menggunakan web cam sederhana. Garis hitam (tatapan vektor) menunjukkan besarnya vektor tatapan dan arahnya

Tabel berikut rangkuman hasil pendekatan. Dalam kolom dilambangkan sebagai kesalahan rata-rata, kesalahan absolut rata-rata antara output dan penjelasan yang dilaporkan, sedangkan pada kolom kedua, keputusan dianggap baik, yang berarti bahwa keadaan itu disimpulkan menjadi “perhatian” jika nilai output di atas 0,5 dan “tidak perhatian” jika di bawah 0,5

Gambar 4. Distribusi fraksi jarak antar-mata antara frame berturut-turut

Kelompok sasaran penelitian ini melibatkan 20 pelajar pada tingkat tertentu pendidikan usia 9 tahun + / - 18 bulan. Pemilihan anak-anak ini didasarkan pada kenyataan bahwa mereka tidak mengalami masalah pemahaman dan penggunaan bahasa tetapi mereka menghadapi hambatan untuk belajar. Salah satu tantangan yang harus kami hadapi adalah pada usia peserta percobaan ini adalah, mereka lebih aktif dalam durasi rekaman video. Pengujian eksperimental dilakukan disekolah anak-anak tersebut. Peneliti mengumpulkan video anak-anak dari Yunani dan sebuah sekolah di Denmark. Peneliti memasang kamera web di komputer sekolah dan meminta setiap anak untuk membaca dokumen elektronik yang ditampilkan di monitor 17 '.

Keuntungan metode ini adalah bahwa itu tidak memerlukan instalasi khusus dalam hal perangkat keras, ini berjalan real-time, maka pengguna independen dan dapat bekerja secara efisien dan dapat bekerja pada kondisi pencahayaan yang tidak dikendalikan. Dengan menggunakan sistem neuro-Fuzzy menunjukkan bahwa, pembedaan antara perhatian dan tidak-perhatian tidak harus menjadi keputusan tegas tapi memperhitungkan besarnya menggunakan biometrik untuk mengkarakterisasi pengguna dengan tingkat kepastian tertentu. Masa Depan kerja harus mencakup pengukuran lebih biometrik (mulut, gerakan tangan, mengerutkan kening dari alis) untuk mengembangkan suatu sistem yang dapat membedakan untuk berbagai macam keadaan yang lebih (kelelahan, frustrasi, gangguan).

Retina Based Mouse Control (RBMC) / Kontrol Mouse berbasis Retina

noreply@blogger.com (City Hunter) — Wed, 26 May 2010 13:13:00 +0000

Judul : Retina Based Mouse Control (RBMC) / Kontrol Mouse berbasis Retina
Arslan Qamar Malik, and Jehanzeb Ahmad

World Academy of Science, Engineering and Technology 31 2007

Abstract—The paper presents a novel idea to control computer mouse cursor movement with human eyes. In this paper, a working
of the product has been described as to how it helps the special people share their knowledge with the world. Number of traditional techniques such as Head and Eye Movement Tracking Systems etc. exist for cursor control by making use of image processing in which light is the primary source. Electro-oculography (EOG) is a new technology to sense eye signals with which the mouse cursor can be controlled. The signals captured using sensors, are first amplified, then noise is removed and then digitized, before being transferred to PC for software interfacing.
Keywords—Human Computer Interaction, Real-Time System, Electro-oculography, Signal Processing.

Review

Paper ini menyajikan sebuah metode untuk mengontrol pergerakan mouse komputer dengan menggunakan mata manusia. Electro-oculagraphy merupakan sebuah teknologi untuk mendeteksi sinyal dari mata yang digunakan untuk mengontrol mouse. Sinyal yang didapat dengan menggunakan sensor diperkuat, kemudian deraunya dihilangkan dan digitalisasi, sebelum ditransfer ke PC.

Electro-oculography merupakan sebauh teknologi deteksi dengan meletakkan elektroda pada muka pengguna, yakni disekitar mata, yang gunanya untuk merekam aktivitas gerakan mata dan ditransformasikan menjadi bentuk sinyal listrik.

Penelitian ini didasarkan pada fakta bahwa setiap pergerakan mata menghasilkan sinyal sebuah listrik, dan dengan menggunakan elektroda ini diharapkan dapat mendekteksi sinyal-sinyal tersebut dan klasifikasinya untuk masing-masing pergerakan.

Langkah dalam penelitian ini meliputi:

Deteksi sinyal mata

Karena tingkat metabolisme yang lebih tinggi di retina dibandingkan dengan kornea, mata mempunyai tegangan 0,40-1,0 millivolts terhadap retian. Tegangan corneoretinal ini dapat diukur dengan elektroda ditempatkan pada permukaan kulit di sekitar mata.

Penguatan sinyal

Amplifier yg digunakan adalah Amplifier EEG/EMG INA126P, yang dapat bekerja pada rentang mikrovolt. Penguatan hingga 100.000 bisa diperoleh dengan mengimplementasikan fase penguatan dua tahap, yang masing-masingnya dengan penguatan 1000.

Untuk mengurangi derau interferensi dan ESD menggunakan RC low pass filter denga cutoff 47 Hz pada input INA126P

Driven Right Leg

Penelitian ini menggunakan Driven Right Leg DLR adalah adalah sebuah sirkuit listrik yang biasanya ditambahkan dalam penguat sinyal biologis untuk mengurangi gangguan Common-mode. Penguat sinyal biologis seperti EKG (Elektrokardiogram) EEG (elektroensefalogram) atau sirkuit EMG mengukur sinyal-sinyal listrik yang sangat kecil yang dipancarkan oleh tubuh, sering sekecil beberapa mikro-volt (sepersejuta volt). Driven right leg digunakan untuk mengeliminasi noise interferensi secara aktif (selain dengan notch filter untuk interferensi jala-jala). Filter lain yang digunakan juga adalah Q-Notch Filter, High Pass Filter, Anti-Aliasing Filter

Aquisisi data dan Antar Muka

Satu port paralel menerima data digital dari gerakan naik-turun dari satu ADC dan port paralel lain menerima data digital gerak kanan-kiri dari ADC lain.

Gambar 1. Sistem akuisisi data

Perangkat lunak ditulis dengan Visual C + +. Program akan menerima informasi digital dari dua port paralel, satu demi satu informasi lainnya dan kemudian yang akan dipetakan ke grafik real-time.

Hasil Penelitian

Output akhir pada gambar 2 untuk pergerakan up-down kontinyu. Nilai yang lebih besar akan diterima untuk pergerakan yang lebih besar. Output yang diperlihatkan pada gambar 3 merupakan perhitungan pada saat mata bergerak ke atas secara tiba-tiba.

Gambar 2. Tanggapan ketika mata melakukan gerakan naik-turun

Gambar 3. Respon ketika mata tiba-tiba naik

Gambar 4. Respon ketika mata berkedip kontinyu

Pada saat bergerak vertical, variasi nilai output seperti pada gambar 2. Karena bagian positif dan negatif dari channel input instrument amplifier, nilai yang lbih tinggi diterima bila mata bergerak ke atas dan lebih rendah jika mata bergerak ke bawah. Hal yang sama untuk pergerakan kanan-kiri.

Beberapa variasi juga terdekteksi pada output bila mata tidak bergerak (gambar 3), ini dikarenakan sebenarnya mata masih tetap sedikit bergerak, dikenal sebagai gerakan stabilisasi untuk menjaga fokus tetap pada objek. Bagian ini dapat diabaikan dengan menggunakan perangkat lunak berbasis Reject Filter. Garis putih putus-putus pada gambar 3 adalah rentang filter ini.

Gambar 4 menunjukkan intensitas kedipan mata. Kedipan mata yang terlalu sering dapat memberikan pengaruh yang besar, dan demikian juga sebaliknya.

Eye Detection and Tracking Using Genetic Algorithm

noreply@blogger.com (City Hunter) — Wed, 19 May 2010 10:22:00 +0000

Judul : Eye Detection and Tracking Using Genetic Algorithm

G.Saravana Kumar and S.Ravi

MASAUM Journal of Computing Vol.1 No.1 August 2009

Abstract—In this work a high-speed size and orientation invariant eye-tracking method, which can acquire numerical parameters to represent the size and orientation of the eye is presented. In this paper the concept of high tolerance in human head movement and real-time processing that are needed for many applications, such as eye-gaze tracking is explored. In order to overcome these problems, template matching is used with genetic algorithm. A high speed and accuracy tracking scheme using evolutionary image processing for eye detection and tracking is proposed. Usually, a genetic algorithm is unsuitable for real-time processing. However this limitation is overcome in this real-time processing. The generality of this proposed method is provided by the artificial iris template used. Simulation results report eye-tracking accuracy of 97.9% and an average processing time suited for real-time application.

Review:

Dalam paper ini disajikan metode pelacakan mata dalam ukuran kecepatan tinggi dan orientasi mata, dengan metode ini dapat memperoleh parameter numerik untuk mewakili ukuran dan orientasi mata. Dalam tulisan ini, konsep toleransi yang tinggi dalam gerakan kepala manusia dan proses real-time, dibutuhkan dalam pelacakan tatapan mata. Untuk mengatasi masalah ini, template matching digunakan dengan algoritma genetika. skema pelacakan dengan kecepatan tinggi dan akurat menggunakan pengolahan citra untuk deteksi posisi dan gerakan mata. Biasanya, algoritma genetika tidak cocok untuk pemrosesan real-time. Namun keterbatasan ini diatasi dalam pemrosesan real-time pada penelitian ini. Sifat umum dari metode yang diusulkan ini disediakan oleh template iris buatan yang digunakan. Simulasi hasil laporan mata-pelacakan akurasi 97,9% dan waktu proses rata-rata cocok untuk aplikasi real-time.

Dalam makalah ini dibahas empat hal dalam pelacakan dan pendeteksian mata. Pertama, gerakan tiga dimensi kepala manusia, Kedua, antarmuka Umum, Ketiga, pemrosesan real time, dan Keempat, fitur ekstraksi-parameter penampilan mata. Dalam studi ini, deteksi mata dan metode pelacakan sebagai antarmuka manusia-mesin, seperti robot mobile dan komputasi dikembangkan di mana-mana. Oleh karena itu tidak hanya akurasi, tetapi juga antarmuka umum realtime dan pengolahan harus diperhitungkan dan diharapkan pengolahan real time. Dan diharapkan Metode template matching dengan algoritma genetik dapat memenuhi hal tersebut.

Gambar 1. Template iris

Gambar 2. Anatomi Mata

Iris yang menunjukkan arah tatapan mata, memiliki beberapa fitur yang signifikan. Yang pertama adalah kontras warna antara iris dan sclera yang wilayah putih di bagian depan mata dan lapisan luar bola mata. Kedua, lokalisasi lingkaran-iris. Menggunakan fitur ini berguna dalam mencapai tujuan penelitian ini. Oleh karena itu untuk menemukan iris oleh warna dan bentuk informasi, template matching menggunakan iris template. Tingkat kontras warna digunakan sebagai fitur dari iris, oleh karena itu digunakan warna gray scale.

Gambar 3. Iris template images

Daerah hitam adalah iris mata, Ukuran area putih adalah sama dalam template (a), (c), dan lebih kecil dalam template (b). Ukuran kelopak mata atas adalah sama di semua template. kelopak mata bawah template (d) lebih besar daripada yang lain. Daerah iris memiliki nilai skala abu-abu dari 0, dan di kelopak mata itu 154. Dalam sclera yang itu adalah 255 dalam template (a) dan (b) dan 230 pada (c) dan (d). Ukuran dari semua template gambar adalah 16 x 16 piksel.

Gambar 4. Struktur Chromosome

tx, ty, adalah koordinat setelah translasi paralel, 'm' adalah tingkat scaling, dan 'angel' adalah sudut rotasi dari iris template. Piksel template, yang berubah pada citra target dibandingkan dengan piksel pada citra target dalam fungsi pelatihan(fitness function)

Gambar 5. Flowchart sistem

Setelah populasi awal dihasilkan dengan nomor acak, GA dimulai. Proses pencocokan dieksekusi antara template gambar dan bingkai target dalam fungsi fitness. Generasi meningkat, sampai kondisi penghentian GA memuaskan. Dalam makalah ini jumlah generasi dipilih sebagai 100. Jika kriteria berakhir tidak memuaskan, populasi baru generasi berikutnya yang dihasilkan. [Gambar 5.(c)]

Setelah GA proses selesai, hasilnya diperoleh sebagai gambar dan data numerik. Kemudian proses baru dimulai untuk frame berikutnya. Dalam Gambar 5.(a), perhatian khusus harus diberikan untuk inisialisasi populasi GA hanya ketika = frame 0. Pada saat ini, beberapa informasi genetik terakhir GA diwarisi untuk proses GA baru. Pada pengolahan citra evolusi, adalah mungkin untuk mendeteksi dan melacak dan juga ekstrak informasi geometris dengan akurasi yang tinggi secara realtime. Proses di atas dilanjutkan sampai diperoleh hasil yang diharapkan.

Kesimpulan
Dalam makalah ini, disimpulkan bahwa toleransi yang tinggi untuk gerakan kepala manusia dan proses real time dibutuhkan untuk berbagai aplikasi seperti pelacakan tatapan mata. Sebuah skema pelacakan dengan kecepatan tinggi dan akurasi dicapai oleh pengolahan citra untuk deteksi mata. Selanjutnya, sebuah iris template buatan digunakan untuk umum metode ini. Efektivitas skema ini, tercermin dalam deteksi akurasi 76%. Sebagai sebuah karya masa depan, sistem dapat dirancang untuk mempelajari parameter yang berpengaruh pada efektivitas, seperti tempat yang gelap dan membandingkan hasilnya dengan dataset lainnya.

Eye Detection Using Morphological and Color Image Processing

noreply@blogger.com (City Hunter) — Sat, 10 Apr 2010 08:46:00 +0000

Eye Detection Using Morphological and Color Image Processing
Tanmay Rajpathaka, Ratnesh Kumar, Eric Schwartz
2009 Florida Conference on Recent Advances in Robotics, FCRAR 2009

Abstrak
Eye detection is required in many applications like eye-gaze tracking, iris detection, video conferencing, auto-stereoscopic displays, face detection and face recognition. This paper proposes a novel technique for eye detection using color and morphological image processing. It is observed that eye regions in an image are characterized by low illumination, high density edges and high contrast as compared to other parts of the face. The method proposed is based on assumption that a frontal face image (full frontal) is available. Firstly, the skin region is detected using a color based training algorithm and six-sigma technique operated on RGB, HSV and NTSC scales. Further analysis involves morphological processing using boundary region detection and detection of light source reflection by an eye, commonly known as an eye dot. This gives a finite number of eye candidates from which noise is subsequently removed. This technique is found to be highly efficient and accurate for detecting eyes in frontal face images.

Review
Paper ini membahas teknik baru dalam pendeteksian mata dengan menggunakan warna dan pengolahan citra morpologi. Penelitian mengamati bahwa daerah mata dalam citra ditandai oleh pencahayaan yang rendah, tingkat kepadatan yang tinggi pada bagian tepi dan kontras yang tinggi sebagai perbandingan terhadap bagian lain pada wajah. Metode yang diusulkan didasarkan pada asumsi bahwa citra wajah frontal (frontal penuh) telah tersedia.

Wilayah kulit dideteksi dengan menggunakan warna berdasarkan algoritma pelatihan dan teknik enam-sigma yang dioperasikan pada RGB, HSV dan skala NTSC. Analisis lebih lanjut melibatkan proses morfologi menggunakan deteksi batas wilayah dan deteksi refleksi sumber cahaya oleh mata, yang umum dikenal sebagai titik mata. Teknik ini sangat efisien dan akurat untuk mendeteksi mata pada citra wajah frontal.

Pendekatan yang pernah digunakan sebelumnya pada bidang penelitian sejenis adalah dengan menggunakan metode pencocokan template(template matching methode, eigenspace dan Hough transform-bases method.

Meskipun banyak usaha telah habis dan beberapa kemajuan telah dibuat, masalah deteksi otomatis mata masih jauh dari sepenuhnya diselesaikan karena kompleksitas. Faktor-faktor termasuk ekspresi wajah, wajah rotasi pesawat dan mendalam, oklusi dan kondisi pencahayaan, semua pasti mempengaruhi kinerja algoritma deteksi mata. Metode yang diusulkan dalam makalah ini melibatkan deteksi kulit untuk menghilangkan latar belakang diikuti oleh komponen deteksi mata.

Deteksi kulit wajah
Deteksi dari daerah kulit sangat penting dalam sistem pendeteksian mata. Daerah kulit membantu menentukan perkiraan mata posisi dan menghilangkan sejumlah besar faktor yang mengganggu pencitraan mata. Peneliti menggunakan kombinasi HSV, RGB dan NTSC ruang untuk meningkatkan efisiensi deteksi mata.

Deteksi mata
Teknik deteksi mata digunakan di sini adalah berdasarkan kenyataan bahwa setiap kali suatu mata diterangi dengan benar, ia memiliki titik yang tajam refleksi. Hal ini akan disebut sebagai titik terang. NTSC format yang paling efisien dalam pemanfaatan titik pencahayaan. Oleh karena itu, gambar pertama diubah menjadi gambar NTSC dan chrominance nilai piksel yang digunakan untuk pengolahan lebih lanjut. Langkah berikutnya dalam deteksi tepi melibatkan deteksi bagian tepi. Teknik morfologi adalah digunakan untuk deteksi batas. Pelebaran, diikuti oleh pengecilan dan perhitungan perbedaan antara keduanya menghasilkan gambar berbatas.

Hasil dan Kesimpulan Paper
Hasil yang diperoleh dari pengujian berhasil untuk 90% bagian frontal wajah. Namun, teknik ini tidak bekerja untuk semua citra. Metode juga gagal ketika salah satu atau kedua mata tertutup. Penelitian ini dengan menggunakan MATLAB dan membutuhkan 15-20 detik run-time pada prosesor 2GHz.

Peneliti pada paper ini berharap bahwa jika menggunakan C dapat menghasilkan waktu run-time kurang dari 1 detik. Webcam untuk mendeteksi mata dapat sangat berguna dan user friendly, dan pengguna dapat memberikan masukan kepada komputer dengan menggunakan gerakan mata, misalnya, gerakan kursor menggunakan deteksi pandangan mata.
Download Paper

Estimasi Posisi Arah Pandang Mata Dengan Menggunakan Web Camera

noreply@blogger.com (City Hunter) — Sat, 10 Apr 2010 05:14:00 +0000

Estimasi Posisi Arah Pandang Mata Dengan Menggunakan Web Camera
Agus Supranartha - Jurusan Teknik Elektro – FTI, Institut Teknologi Sepuluh November
Djoko Purwanto - Jurusan Teknik Elektro – Undiknas Jl. Tukad Yeh Aya, Denpasar-Bali
Email : Email: as_lx99@yahoo.com
Prosiding Seminar Nasional Manajemen Teknologi VIII
Program Studi MMT-ITS, Surabaya 2 Agustus 2008

Abstrak

Dewasa ini, penelitian tentang estimasi arah pandang mata menjadi topik penelitian utama beberapa ilmuwan. Penelitian sebelumnya telah berhasil mengembangkan suatu sistem input komputer dengan memanfaatkan estimasi arah pandang mata untuk mengoperasikan komputer tanpa memakai keyboard.

Pada penelitian ini diusulkan suatu metode untuk mendapatkan estimasi posisi arah pandang mata dengan menggunakan prinsip pencocokan bentuk (dari informasi citra). Untuk mendapatkan estimasi posisi arah pandang mata yaitu dengan cara membandingkan file citra referensi arah pandang mata yang disimpan di database dengan arah pandang mata saat ini yang diambil dari web camera. Dari perbandingan tersebut dihasilkan estimasi posisi arah pandang mata yaitu arah kanan, kiri, atas, dan bawah. Pengambilan citra posisi arah pandang mata dilakukan dengan menggunakan web camera yang diletakkan di depan operator dengan jarak sekitar 50 cm searah mata.

Review

Penelitian ini bertujuan untuk mendapatkan estimasi arah pandang mata pada layar monitor komputer. Sistem pendeteksian mata dengan menggunakan pengolahan citra digital dari gambar yang diperoleh dari webcam yang diletakkan sekitar 50 cm dari objek yang di deteksi (mata). Metode yang digunakan adalah dengan cara membandingkan file citra referensi arah pandang mata yang disimpan di database (informasi awal) dengan arah pandang mata terbaru yang ditangkap oleh kamera. Hasil estimasi arah pandang mata yang diperoleh pada penelitian ini adalah arah kanan, arah kiri, atas dan bawah.

Deteksi arah pandang mata (eye detection) dibagi 2, pendeteksian posisi mata dan pendeteksian kontur mata. Algoritma Pendeteksian kontur mata pada awal pengolahannya membutuhkan informasi awal posisi mata dan template yang bisa ditentukan.

Dalam pendeteksian mata terlebih dahulu melalui tahapan pendeteksian wajah yaitu ketika wajah atau citra yang mengandung wajah ditangkap oleh kamera dalam sistem. langkah pertama akan dilakukan penentuan lokasi garis besar obyek atau region face yang terdapat pada citra tersebut. Langkah kedua, dengan menggunakan metode segmentasi atau ekstrasi fitur, menentukan lokasi kedua mata secara garis besar yang terdapat di dalam wajah pada citra. Pada waktu yang sama, dengan memanfaatkan informasi lokasi kedua mata tersebut, sistem mengevaluasi ukuran kedua mata dan menetukan template yang digunakan dengan estimasi ukuran kedua mata yang diperoleh. Pada akhirnya sistem menentukan posisi pusat iris mata yang disesuaikan dengan template yang diperoleh yang telah diaplikasikan terhadap kedua region mata tersebut

Penelitian ini memanfaatkan sistem citra digital dalam pendeteksian objek mata. Dan dalam proses akuisisi citra digital yang sangat menentukan kualitas dari citra digital yang akan diperoleh, perlu untuk memperhatikan tiga komponen utama yang

harus terpenuhi dalam penelitian ini, yaitu sumber cahaya, obyek dan sensor peka cahaya (kamera).

Metoda penelitian pada paper ini :

pre-processing Image
mendeteksi mata
mendeteksi arah pandang mata

Hasil dan kesimpulan dari penelitian ini:

Dari hasil uji coba program pada penelitian ini hanya dapat mengetahui 4 arah pandang mata atau arah gerakan mata yaitu arah ke kanan, ke kiri, ke atas, dan ke bawah.
Dalam uji estimasi arah mata kanan, kiri, atas, dan bawah yang dilakukan secara bergantian terdapat error sebesar 10 % dari 10 kali hasil uji estimasi arah pandang mata atau arah gerakan mata, dikarenakan dalam penggunaan metode template matching masih mempergunakan algoritma sederhana yaitu dengan membandingkan file citra referensi arah pandang mata yang disimpan di database dalam bentuk gray dengan arah pandang mata saat ini dalam bentuk gray yang diambil dari web camera.

Download Paper

Vision-Based Eye-Gaze Tracking for Human Computer Interface

noreply@blogger.com (City Hunter) — Wed, 07 Apr 2010 11:58:00 +0000

Judul Asli: Vision-Based Eye-Gaze Tracking for Human Computer Interface

Kyung-Nam Kim* and R. S. Ramakrishna

Department of Information and Communications,
Kwangju Institute of Science and Technology,
Kwangju, 500-712, Korea(ROK)
(knkim,rsr}@kjist.ac.kr

Penelitian ini membahas tentang salah satu metode Interaksi antara manusia dan komputer, Yakni metode yang memanfaatkan pola gerakan dan arah tatapan mata. Dengan melacak arah tatapan mata dari pengguna komputer, bandwidth komunikasi antara manusia-komputer dapat ditingkatkan dengan menggunakan informasi mengenai apa yang pengguna tatap, dan bahkan dapat dirancang objek-objek khusus ditujukan bagi pengguna lihat.

Abstract
Eye-gaze is an input mode which has the potential of an efficient computer interface. Eye movement has been the focus of research in this area. Non-intrusive eye-gaze tracking that allows slight head movement is addressed in this paper. A small 2D mark is employed as a reference to compensate for this movement. The iris center has been chosen for purposes of measuring eye movement. The gaze point is estimated after acquiring the eye movement data. Preliminary experimental results are given through a screen pointing application.

Penelitian ini berfokus pada gerakan mata dengan landasan bahwa tatapan mata adalah suatu modus input yang memiliki potensi yang efisien untuk dijadikan antarmuka manusia dengan komputer.

Paper ini juga sedikit membahas tentang gerakan kepala yang dapat mempengaruhi hasil deteksi pada sistem tatapan mata. Sebuah Tanda 2 dimensi kecil digunakan sebagai referensi untuk mengimbangi akibat pengaruh gerakan gerakan kepala. Untuk mengukur gerakan mata, pusat iris mata telah ditentukan sebelumnya. Fokus titik dari tatapan mata dapat diperkirakan setelah mengumpulkan data dari pergerakan mata.

Tujuan dari peenelitian ini adalah untuk mendeteksi posisi mata yang tepat (titik berat/fokus).

Dua algoritma yang digunakan untuk pusat deteksi iris adalah Algoritma Longest Line Scanning dan Occluded Circular Edge. Penekanannya adalah pada gerakan mata, bukan pada wajah dan lokasi mata

Algoritma Longest Line Scanning menyatakan Pusat elips yang terletak di pusat garis horizontal terpanjang di dalam batas elips. Namun ini belum cukup untuk mengukur arah tatapan mata secara tepat.

Algoritma Occluded Circular Edge melengkapi kekurangan algoritma Longest Line Scanning. Satunya petunjuk untuk menemukan pusat iris yang kiri dan ujung kanan pixel batas iris, yang disebut limbus. Untuk memperkirakan posisi asli dan bentuk batas iris, metode pencocokan lingkaran tepi (circular edge matching/CEM) dapat diadaptasikan. Iris secara alami dilingkupi oleh kelopak mata sampai batas tertentu, tergantung pada individu atau status subjek. CEM harus adaptif dimodifikasi.

Kesimpulan dari penelitian ini
Non-mengganggu penglihatan berbasis tatapan mata yang melibatkan metode pelacakan gerakan(bukan lokasi mata, tetapi pusat pelacakan iris) dan menatap estimasi telah diselidiki dalam makalah ini. Teknik ini layak untuk digunakan sebagai salah satu jenis interface komputer (pengganti perangkat penunjuk). subjek diperkenankan untuk bergerak sedikit, dengan cara alami. Tatapan mata-dihitung dengan mencari korespondensi antara titik dalam model wajah dan titik pada gambar kamera.

Dan Paper ini menyatakan diperlukan percobaan lainnya untuk subjek mata yang berbeda, komputer yang berbeda dan lingkungan yang berbeda sangat penting bagi teknik-teknik untuk dipekerjakan secara rutin dalam antarmuka komputer.

Download Paper

Pengendalian Pergerakan Kursor Mouse Komputer dengan EEG menggunakan Algoritma ANFIS

noreply@blogger.com (City Hunter) — Wed, 07 Apr 2010 07:36:00 +0000

Judul Asli : Cursor Movement Control Development by Using ANFIS Algorithm

Suhail Odeh, Joseph Hodali, Maha Sleibi, and Ilyaa Salsa
Faculty of Science, Computer Information Systems Department, Bethlehem University, Palestine

Review

Penelitian ini merupakan salah satu bagian dari pengembangan ilmu pengetahuan bidang Antarmuka Komputer dengan otak manusia(Brain-Computer Interface/BCI). Yakni membahas sebuah metode atau cara menggerakkan kusor mouse dengan memanfaatkan sinyal otak yang dihasilkan saat manusia berfikir. Penelitian bertujuan untuk membantu orang-orang yang mengalami cacat saraf motorik atau orang yang mengalami cedera tulang belakang sehingga mengalami kelumpuhan secara total maupun tidak total, untuk dapat menggunakan komputer. Kendali gerakan Kursor Mouse dengan sinyal otak pada penelitian ini hanya sebatas pergerekan kursor secara horizontal (satu dimensi).

Abstract: Our non-invasive brain computer interface uses EEG signals and beta frequency bands over sensorimotor cortex to control cursor movement horizontally (i.e., one-dimension). The main goal of this study is to help people with sever motor disabilities (i.e., Spinal cord injuries) and provide them a new way of communication and control options by which they can move the cursor in one dimension. In this study, offline analysis of the data collected was used to make the user able of controlling the movement of the cursor horizontally (i.e., one dimension). The data was collected during a session in which the user selected among two targets by thinking and moving either the right hand little finger or the left hand little finger. The Adaptive-Network based fuzzy inference system algorithm was examined for the classification method with some parameters. In the offline analysis, the method used showed a significant performance in the classification accuracy level and it gave an accuracy level of more than 80%.This result suggests that using the adaptive-network based fuzzy inference system algorithm will improve online operation of the current BCI system.

Konsep dasar pengendalian sistem atau objek dengan BCI adalah proses ekstraksi dan konversi sinyal EEG dari otak dan menggunakan gelombang otak tertentu secara spesifik untuk mengontrol sistem yang diinginkan, seperti dalam pengendalian cursor mouse secara horizontal pada penelitian ini.

Data yang diolah berasal dari dua tipe pengguna yang dipilih, yakni pengguna yang berfikir untuk menggerakkan jari kelingking tangan kiri dan tangan kanan. Dan untuk metode klasifikasi datanya menggunakan Algoritma Jaringan Adaptif berbasis Fuzzy Inference System(Adaptive-Neuro Fuzzy Inference System/ANFIS).

Dalam pengerjaan penelitian algortima ANFIS dipakai untuk 3 iterasi, dan mencapai RMSE (root mean square error) setelah langkah kedua. pengklasifikasiannya membedakan antara sinyal yang keluar ketika berpikir untuk memindahkan jari tangan kanan ke kanan, dan sinyal yang keluar ketika berpikir untuk memindahkan jari tangan kiri ke kiri.

Data yang diperoleh memuat 416 percobaan masing-masing panjang 500 ms. data training set dibentuk dari 90% dari total data, yang berarti dibentuk dari 316 percobaan. data uji yang ditetapkan dibentuk dari sisanya 10% dari total data; itu berarti 100 percobaan. Setelah itu, tiga versi data set pelatihan dibuat, di mana masing-masing versi tertata secara acak untuk memvalidasi lintas hasil.
Keakuratan hasil klasifikasi untuk versi pertama dari kumpulan data adalah 84% dan untuk data set kedua adalah 83,46% dan untuk data set ketiga akurasi adalah 80,90%.

Kesimpulan
Dalam analisa yang dilakukan secara offline tersebut, Algoritma ANFIS menunjukkan kinerja yang signifikan dengan tingkat akurasi di atas 80%. Dari hasil ini dapat di tarik kesimpulan bahwa Algoritma ANFIS dapat meningkatkan kualitas operasi secara online pada aplikasi sistem antarmuka otak dengan komputer (Brain-Computer Interface/BCI)
Selain itu, beberapa peneliti dalam paper ini menggunakan metode linier, metode non-linear untuk mengklasifikasikan ekstraksi sinyal otak dan sebagian menggunakan algoritma genetika atau klasifikasi algoritma klasik untuk mengklasifikasikan sinyal yang keluar dari otak. Dan dengan membandingkan hasil yang diperoleh algoritma ANFIS menunjukkan unjuk kerja yang lebih baik dalam pengklasikasian sinyal otak tersebut.

Download Paper

Analisis Performansi Algoritma Rough Adaptive Neuro-Fuzzy Inference System

noreply@blogger.com (City Hunter) — Wed, 31 Mar 2010 15:34:00 +0000

Judul : Analisis Performansi Algoritma Rough Adaptive Neuro-Fuzzy Inference System

Warih Maharani Departemen Teknik Informatika Institut Teknologi Telkom Bandung, Indonesia

E-mail: wrh@stttelkom.ac.id

Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) Yogyakarta, 21 Juni 2008

Abstrak

Rough adaptive neuro-Fuzzy Inference System (RANFIS) merupakan suatu metode yang menggabungkan antara teori rough set, sistem fuzzy dan sistem jaringan syaraf tiruan (JST). Sistem ini memiliki berbagai parameter yang berperan dalam menghasilkan evaluasi prediksi yang cukup baik. Paper ini menjelaskan tentang performansi learning dari algoritma JST, kemampuan prediksi dari algoritma fuzzy serta kemampuan rough set dalam menurunkan nilai error dari keluaran JST untuk memprediksi nilai saham. Hasil pengujian menunjukkan bahwa algoritma RANFIS yang melibatkan jaringan syaraf tiruan, sistem fuzzy dan Rough Set, mampu membangun suatu sistem peramalan nilai saham yang baik dengan kontribusinya masing-masing.

Keywords: Rough adaptive neuro-Fuzzy Inference System (RANFIS), rough set, fuzzy, jaringan syaraf.

Review:

Paper ini membahas tentang performansi dari JST, fuzzy dan rough set dalam memprediksi pergerakan nilai saham yang terjadi beberapa waktu mendatang. Beberapa faktor yang dianalisis meliputi analisis rough set, berupa desain jaringan, fungsi node dan faktor pembangkitnya serta analisis JST, berupa arsitektur JST dan parameter estimasinya.

Struktur penulisan:

1. Pendahuluan
2. Gambaran Umum Sistem
      2.1 Algoritma RANFIS
      2.2 Fuzzy Inference System
             2.2.1 Fungsi Keanggotaan
      2.4 Teori Rough Set
      2.5 Rough Neural Network
      2.6 Analisis Time Series
      2.7 Evaluasi sistem

3. Analisis Sistem
     3.1 Analisis Data
     3.2 Perancangan Sistem
     3.3 Training
4. Evaluasi Performansi
5. Kesimpulan

References

Pada bagian awal dari paper ini memberikan gambaran umum mengenai teori-teori yang diterapkan pada penelitian ini, yakni meliputi dasar teori algoritma Ranfis, Fuzzy Inference System, Teori Rough Set, Rough Neural Network, Analisis Time Series dan evaluasi sistem.

Metode Ranfis yang digunakan dalam paper ini adalah suatu metode yang dalam melakukan penyetelan aturan digunakan algoritma pembelajaran terhadap sekumpulan data yang memungkinkan juga aturan-aturan untuk beradaptasi. Sistem ini menggunakan sinergi metode dari neuro dan fuzzy, dengan menambahkan dimensi lain pada kombinasinya yaitu Rough Set yang berdasarkan prinsip klasifikasi dalam suatu rangkaian hybrid. Rangkaian Jaringan Syaraf Tiruan berbasis neuron rough memiliki kemampuan learning berdasarkan data-data masukan, dan membantu sistem fuzzy dalam menentukan rule yang terbaik dalam memprediksi data, sedangkan rough set sendiri akan mengklasifikasikan data acak yang melewatinya. Metode RANFIS ini digunakan untuk menemukan suatu pola perubahan tertentu, dan akan selalu belajar dari kesalahan atau error sebelumnya, sehingga akan didapatkan nilai akurasi yang sangat baik.

Arsitektur jaringan RANFIS yang menggunakan 5 layer dan 15 neuron.

Pada bagian analisa sistem, paper ini menyajikan analisa data dengan proses peramalan menggunakan input data saham secara time series yang tersimpan pada file *.xls, yang kemudian diubah menjadi matriks inputan.

rancangan sistem dan jaringan ranfis yang digunakan seperti diagram blok di bawah ini.

Data yang dinormalisasi digunakan sebagai neuron inputan pada layer masukan dan sebagai neuron output pada layer keluaran. Paper ini menggunakan arsitektur rough adaptive neuro-fuzzy inference system yang terdiri dari input layer, hidden layer (3 layer) dan output layer. Inputnya berupa data time series yaitu harga penutupan indeks harga saham. Sedangkan targetnya adalah harga penutupan besok (t+1). Arsitektur sistem ini terdiri dari 5 layer : MF neuron (membership function) pada input layer, neuron rough yang melakukan proses AND, normalisasi dan agregasi pada hidden layer, dan neuron penjumlahan pada output layer.

Untuk menghasilkan jaringan RANFIS yang optimal dilakukan proses training yaitu forward dan backward training.

Data yang digunakan adalah data harga penutupan saham harian Dow Jones & Company (terdaftar pada New York Stock Exchange) dengan acuan waktu senin-jumat, dari tahun 1985 hingga 2002, yang diperoleh dari http://lib.stat.cmu.edu/datasets/. Data untuk training dari 2 Januari 1985 s/d 7 Maret 2000 sebanyak 3836 record. Training menggunakan jumlah epoch 300, target error 0 dan fungsi keanggotaan segitiga, trapesium, gauss dan bell yang masing-masing akan dibandingkan performansinya.

Hasil analisis training dan testingmenunjukkan bahwa jenis fungsi keanggotaan sangat mempengaruhi hasil peramalan, karena turutmengubah jaringan RANFIS. Pemberian parameterepoch juga mempengaruhi nilai error dan hasilperamalan. Semakin banyak epoch yang dilakukan maka error yang dihasilkan akan berkurang ataupun tetap pada angka tertentu. Untuk perubahan error target berpengaruh pada performansi jaringan, nilai

error yang dihasilkan akan naik dengan nilai < error yang diinginkan, hal ini memperbesar error namun mengurangi jumlah epoch yang dilakukan (berbanding lurus dengan lamanya training).

Kesimpulan dari paper ini:

Hasil yang diperoleh dari penelitian pada paper ini berdasarkan pada pengujian yang telah dilakukan dengan algoritma RANFIS untuk memprediksi nilai saham. Fungsi keanggotaan Fuzzy dapat mengakomodasi sinyal JST dalam proses training dengan menggunakan fungsi keanggotaan tersebut sebagai fungsi aktivasi yang melakukan proses FIS pada tiap layernya. Perhitungan rough set secara perumusan dapat mengurangi nilai sinyal acak. Jaringan RANFIS yang melibatkan JST, sistem fuzzy dan Rough Set, mampu membangun suatu sistem peramalan yang baik dengan performansi yang dihasilkan dalam RMSE yaitu 0.9836.

Daftar Pustaka yang digunakan untuk penelitian paper ini:

Chandana Sandeep, 2006, RANFIS: Rough Adaptive Neuro-Fuzzy Inference System, International Journal of Computational Intelligence, World Enformatika Society.
Fu Limin, 1994, Neural Networks in Computer Intelligence, McGraw-Hill: Singapore.
J. S. R. Jang, 1997, Neuro-fuzzy and Soft Computing, USA, Prentice-Hall.Inc.
Lingras Pawan, 1996, Rough Neural Networks, Canada, Algoma University College.
Michie D, 1994, Machine Learning, Neural and Statistical Classification.
Mittchell Tom, 1997, Machine Learning, Singapore, McGraw-Hill Co, inc.
Munakata Toshinori, 1996, Rough Control Application Of Rough Set Theory To Control, Germany, Fourth European Congress on Intelligent Techniques and Soft Computing
Z. Pawlak, 1995, Rough Sets, paper vol 58 : Association for Computing Machinery, Inc.

Belajar Menulis

noreply@blogger.com (City Hunter) — Wed, 18 Nov 2009 22:20:00 +0000

Sudah lama sekali ada keinginan untuk menulis, namun terkadang susah sekali untuk memulainya. Orang bijak bilang bahwa dalam memulai sesuatu adalah yang paling susah, tapi menurut saya bukan hanya itu, karena terkadang menjaga keberlanjutan juga susah sekali. Sebenarnya pada dasarnya semuanya berdasarkan pada "Mood".

Saya sudah beberapa kali memaksakan untuk mulai menulis, dan bisa merasakan betapa puasnya pada saat tulisan itu selesai, tapi ternyata juga susah sekali untuk tetap kontinyu menulis, dan analisa saya menyatakan bahwa hal ini ada sangkut pautnya dengan mood saya, dan sepertinya bukan hanya dalam hal menulis, tapi juga dalam segala aktivitas kehidupan.

Nah sekarang saya mulai menulis, walaupun apa yang saya tulis juga tidak terkonsep, karena saya belajar membiasakan untuk menulis, paling tidak dalam satu hari saya bisa menghasilkan satu tulisan.Dan ini adalah salah satu cara untuk mengatasi masalah dengan Mood, yakni membiasakan diri dengan sebuah kebiasaan.
Ingin terus menulis, maka jadikanlah menulis sebagai kebiasaan yang teratur dan terpola.

Mungkin yang paling pertama bisa dilakukan adalah dengan gaya menulis yang apa adanya saja(red-saya merekomendasikan untuk menonton film "finding Forester" yang dimainkan oleh sean conery). Artinya menuliskan saja apa yang ada dipikiran, let it flow, dan teruslah menulis mengikuti irama dan aliran fikiran, dan saya mecoba untuk merangsang ritme berfikir sembari mendengarkan lagu. Jadi mengetik seolah mengikuti irama nada lagu yang sedang diputar. Kalau sembari mendengarkan lagu slow, biasanya fikiranpun akan mengalir dengan slow dan lebih terstruktur, begitu juga sebaliknya jika menulis sembari mendengarkan lagu dengan high bit, atau lagu beritme cepat, biasanya fikiran akan terpancing untuk mengalir dengan cepat, hanya saja mungkin yang tidak terbiasa, tidak akan nyaman dengan model musik seperti ini, dan ini akan terlihat dari tulisan yang dibuat.

Misalnya sekarang saya menulis artikel dengan gaya mengalir apa adanya yang saya fikirkan saat ini tentang keinginan menulis, sembari mendengarkan satu lagu " Cant Take My Eyes off You" dengan irama little dance, dan saya otomatis repeat Fugees. dan sehabis menulis saya akan mereview snediri, dan mungkin hasilnya saya akan tahu karakter saya sendiri dalam tulisan ini dalam korelasinya dengan apa yang sendang saya dengarkan saat ini. analogi sederhananya samal halnya dengan menyetir mobil, ritme musik yang didengarkan pada saat itu umumnya akan mempengaruhi kecepatan dan cara menyetir.

Kesimpulan saya bahwa salah satu trik untuk menulis dengan metode ini adalah :

Mulai dengan menulis apa saja dan mengalir saja
Jadikan menulis suatu kebiasaan yang teratur, meskipun hanya sekali seminggu.
Iringi dengan musik, dan iramanya silahkan atur dengan selera, dan ingat ini akan mempengaruhi arah dan aliran tulisan anda.

Setelah ini berhasil, mungkin selanjutnya kita sudah bisa memulai untuk menulis dengan lebih terstruktur, misalnya dengan menggunakan metode Peta Fikiran (Mind Map).
Ok selamat mencoba :)

Cinta karena Allah

noreply@blogger.com (City Hunter) — Fri, 13 Nov 2009 21:24:00 +0000

Penggalan kutipan :
Cinta karena Allah itu tidak akan pernah sebatas pada penampilan dan kecantikan. Adakalanya kau akan lebih mencintai sebongkah arang hitam daripada sebutir intan yang berkilauan. Karena sesungguhnya kau sadar bahwa kau membutuhkan sebuah kehangatan yang mampu mengusir rasa dingin dari jiwamu. Lebih daripada sekedar keindahan yang ternyata membuatmu beku kedinginan.

Cinta karena Allah akan membuatmu merasa tidak perlu memiliki meskipun dalam hatimu kau sangat ingin. Adalah bagaimana kau bisa ikhlas ketika dia ternyata lebih mencintai orang lain dan bahkan kau pun bisa berdoa agar mereka bisa berbahagia.

Pertemuan aku dengannya

noreply@blogger.com (City Hunter) — Thu, 12 Nov 2009 20:57:00 +0000

Dalam Pekat malam, aku sendiri..mengarungi lautan lamunanku..

aku bertemu dengannya..kharismanya membuat aku terdiam dan tenggelam dalam kebisuan dan ketiada berdayaan...dia menatapku dengan tatapan menyejukkan namun sekilas terasa tajam dan menyilukan..

"siapakah gerangan kiranya engkau?" kucoba paksa untuk berani bertanya, menghempaskan kelunya lidahku

"aku adalah sesuatu yang bersemayam didalam dirimu" jawabnya lembut sembari tersenyum manis, membuat sanubari terasa tenang mendengarkan nadanya dan seolah terhamparku dalam damai pada lapangan rumput luas yang sejuk saat menatap senyumnya...

"di dalam diriku ?" tanyaku lagi..
"iya..aku ada dalam hatimu" jawabnya

dia ada dihatiku??
kulanjutkan bertanya.. "mengapa engkau disini..dan apa yang kau ingin perbuat pada diriku?"

tatapannya berubah tajam dan senyumannya menjadi sinis dan berkata "aku akan menyiksamu"

"maksudmu" tanyaku kaget dengan jawabnya

“Aku akan menjeratmu, dengan perangkat yang tak pernah kau bayangkan sebelumnya, dengan segenap kemampuanmu, kau tak akan bisa lepas dan menghindar dariku, semakin kau coba untuk lepas dan berontak, akan semakin erat perangkapku menjerat, menghisapmu sperti pasir hidup di tengah padang pasir yang kering, dan aku akan menelanmu”

Aku terdiam dan tersudut dengan jawaban dari suara yang tadi terasa sangat menyejukkan..namun sekarang serasa menyayat sesuatu dalam diriku..

"se...se..setelah itu" gugup tanyaku..

lagi ia menjawab dengan suara berwibawa dan tegas"iya aku akan menyiksamu...aku akan memenjarakanmu dan hatimu dalam penjara yang akan membuatmu merana dan hilang asa dalam kesendirian, penjara dengan segala kegundahan dan kegelisahan yang akan membuatmu jadi tak menentu dan hilang arah dalam hidup ini"

hufff...kejamnya batinku mengeluh..kulanjutkan tanyaku sembari berusaha menenangkan diri "masih ada lagi yang kau lakukan padaku"

"aku akan melukaimu dan menyiramimu dengan penderitaan dan kesengsaraan, yang akan membuat perih luka-luka itu, merasuk ke tulang dan membuatnya ngilu..membuat darah yang mengalir dalam tubuhmu terasa pedih.., membuat detak jantungmu bagai godam yang memalu ragamu"

Oh sangat kejam keluh batinku.."masih adakah lagi?" lanjutku

"Aku akan mencacah jiwa dan hatimu dengan sembilu kerinduan, kemudian akan ku iris dengan kegelisahan...menghilangka

n kesadaran, menghadirkan perasaan yang mengerikan yang semuanya tak membuat nyaman dalam bangun dan tidurmu,,menjadikan mu seperti mayat hidup..tanpa hati, tanpa akal, tanpa jiwa.."

aku tercenung..diam..tak mampu lagi bertanya..
ia melanjutkan katanya "aku bisa melakukan segalanya terhadapmu, aku dapat mebutakan matamu, menulikan telingamu, melumpuhkan semua syarafmu,..menghentikan nafasmu bahkan menghentikan detak jantung dan aliran darahmu"

"Cukup.." Mohon ku perlahan...tak bertenaga lagi rasanya aku setelah mendengar semua penjelasannya..

aku lanjut bertanya "bisakah aku menghindarimu"
ia menjawab "tidak...kau tidak bisa menghindar dariku.."

"Kalo begitu..Adakah caraku untuk menghindari semua yang akan perbuat terhadapku,,bisakah aku berdamai denganmu" lanjutku bertanya...

Dia diam..dan menatapku dalam seolah mencari sebuah ketulusan dari ku..
Hening...............

"ada" jawabnya memecah keheningan..."ada..tapi jangan sekali-kali kau coba khianati"..

mataku kembali berbinar mendengar jawabnya "Benarkah...apa itu?

"Letakkanlah aku dalam wadah yang lembut di hatimu. jaga aku dengan kelembutan, Pelihara aku dengan kesabaran, Rawat aku dengan keikhlasan, sirami aku dengan air mata ketulusan, sehingga engkau akan merasakan kedamaian. Akupun akan merasa sempurna, karena pada hakikatnya, kesempurnaanku terletak pada penghambaan diri, kepatuhan, dan ketaatan kepada yang dicintai, yaitu nilai kebenaran dan aku tak akan menyakitimu”

“Akan aku lakukan. Tapi siapa sesungguhnya dirimu dan dari mana asalmu ?” tanyaku lagi

“Sesungguhnya aku ini di ciptakan oleh Sang Pencipta, Allah Ar-Rahman Ar-Rahim, untuk berada dalam diri manusia. Celakalah bagi yang tidak menempatkanku pada rumahku. Dan beruntunglah bagi yang memanfaatkanku dalam jalan kebenaran”

dia menutup kata-katanya “Ingat, jangan pernah meremehkanku dan memperlakukanku dengan dengan tidak baik. Rawat aku. Dan sekali lagi, jangan mengkhianatiku !”

"Iya akan aku lakukan itu semua"..
"maaf boleh aku tahu namamu ?"

Iya menatapku lembut dan sejuk seperti semula
"Namaku....?"
"Namaku Cinta..." katanya menutup pembicaraan dan sekejap menghilang bersama pekat malam

Sumber: catatan lamunanku

Menjalani Kehidupan

noreply@blogger.com (City Hunter) — Thu, 12 Nov 2009 20:56:00 +0000

Mengutip tulisan seorang teman: Allah tak pernah janjikan langit selalu biru,Jalan hidup tanpa batu, Matahari tanpa hujan,Kebahagiaan tanpa kesedihan,Sukses tanpa perjuangan.Tapi allah janjikan kekuatan dari kelemahan, Dia berikan cahaya untuk terangi kegelapan, Dia berikan rahmatNya dari segala ujian..Dia memberikan pertolongan untuk segala kesusahan..