Hasil Pencarian  ::  Simpan CSV :: Kembali

"Electroencephalogram merupakan sebuah alat yang digunakan untuk mengukur aktifitas elektrik pada otak yang digunakan untuk mendeteksi dan menganalisis epilepsi, kejang, analisis tidur, dan penyakit otak lainnya. Penelitian ini membahas rancangan sistem akuisisi sinyal electroencephalogram 32 kanal dengan menggunakan 4 modul ADS1299EEGFE-PDK yang dikonfigurasi melalui protokol SPI mode cascade dan dikendalikan oleh LaunchPad MSP432P401R. Sistem ini dikembangkan menggunakan Energia dengan pengambilan sampel sebanyak 220 SPS dan resolusi 24 bit. Sinyal yang didapat ditampilkan dan disimpan dalam format time domain dan frequency domain menggunakan LabVIEW. Sistem ini diuji menggunakan NETECH MiniSIM EEG Simulator 330 dan dibandingkan dengan EEG komersial Neurostyle EEG-D-1 secara real-time menggunakan jumper tipe 100C dan konverter EASYCAP. Penelitian ini merupakan bagian dari penelitian EEG untuk rehabilitasi stroke.

---

An Electroencephalogram EEG is a device to obtain electrical activities of the brain, which is used to detect and analyze epilepsy, seizure, sleep analysis, and other brain defects. This paper presents the design of a 32 channels electroencephalogram signal acquisition system using 4 modules of the ADS1299EEGFE PDK configured with SPI cascade mode and controlled by a LaunchPad MSP432P401R. The system was developed using Energia and sampled to 24 bits up to 220 SPS. The acquired signals were displayed and saved in time domain and frequency domain using LabVIEW. These signals were tested to the NETECH MiniSIM EEG Simulator 330 and compared to a commercial EEG of Neurostyle EEG D 1 in real time using jumper 100C and EASECAP converter. This work is part of EEG research for stroke rehabilitation."

"Brain Computer Interface (BCI) merupakan sebuah teknologi yang sedang banyak dikembangkan di banyak negara di dunia, pasalnya teknologi BCI ini adalah teknologi yang modern dimana teknlogi ini dapat memungkinkan manusia dapat berkomunikasi dengan suatu sistem. Sampai sekarang BCI banyak dikembangkan pada dunia medis, salah satunya adalah stroke, stroke adalah sebuah penyakit yang diakibatkan oleh penguumpalan darah pada pembuluh darah diotak ataupun akibat pecahnya pembuluh datah diotak. Stroke mengakibatkan kelumpuhan pada bagian tubuh penderitanya, sehingga membuat ketebatasan pada mobilitasnya. Sehingga melalui penelitian ini diharapkan dapat membantu pasien stroke dalam mobilitiasnya. Pada pembuatan sistem sebelumnya dilakukan pengklasifikasian sinyal otak dengan cara perekaman sinyal EEG dengan menggunakan ADS1299EEG-FE, perekaman ini dilakukan dengan metode motor imagery sehingga subjek tidak perlu melakukan pergerakan cukup melakukan pemikiran pergerakan motorik untuk dapat menjalankan kursi roda. Pengklasifikasian sistem ini menggunakan fitur RPR yaitu nilai rasio power, setelah dilakukan klasifikasi dilakukanlah validasi sistem dengan melakukan pengujian lasngung pada sistem. Pada pengujian sistem terdapat 2 model pengujian yakni Diam – Maju – Mundur dan Diam – Kiri – kanan dengan presentase keberhasilan 46% dan 65%.

---

Brain Computer Interface (BCI) is a technology that is being developed in many countries in the world, because this BCI technology is a modern technology where technology can enable communicate human with a system. BCI has been widely developed in the medical, one of them is stroke, stroke is a disease caused by blood clots in blood vessels in the brain or due to ruptured brained vessels. Stroke results in paralysis of the part of the body of the sufferer, making it difficult for mobility. So that this research is expected to help stroke patients in their mobility. For making the system previously we classification the brain signals by recording EEG signals using ADS1299EEG-FE, this recording using the motor imagery method so that the subject did not need to move and just thinking about motor movements to control a wheelchair. The classification of this system uses the RPR feature, namely the value of the power ratio, after classification the system validation is done by direct testing on the system. In the system testing there are 2 test models namely Stop - Forward - Backward and Stop - Left - right with a success percentage 46% and 65%."

"

Elektroensefalografi (EEG), sebagai metode rekaman neurofisiologis yang telah dimanfaatkan secara luas, terutama dalam penelitian dasar tentang fungsi otak dan pemantauan pasien dengan gangguan neurologis. serta sistem Brain Computer Interface (BCI) untuk menerjemahkan sinyal menjadi perintah atau fungsi tertentu. Dalam perekaman sinyal EEG, terdapat tantangan interferensi dan noise akibat amplitudo sinyal yang sangat kecil (mikrovolt [V]) dan frekuensi rendah. Penelitian ini mengeksplorasi pengembangan elektroda aktif sebagai solusi untuk menguatkan sinyal EEG sehingga dapat meminimalisir noise yang mungkin ada. Elektroda aktif dirancang menggunakan filter aktif Sallen & Key orde 2 dengan respon butterworth menggunakan OPA378 sebagai operational amplifier dengan frekuensi cut-off 0 hingga 100 Hz. Untuk meminimalisir jumlah kabel, diterapkan operasi single-supply sehingga hanya 3 kabel yang diperlukan untuk mengoperasikan elektroda aktif. Prototype elektroda aktif diuji menggunakan EEG simulator NETECH MiniSim 330 dan direkam menggunakan ADS1299 PDK sebagai ADC dan Raspberry Pi 4 Model B untuk menyimpan file rekaman. Hasilnya, elektroda aktif mampu melakukan penguatan sinyal sebesar 22 kali dengan cukup stabil pada rentang frekuensi 20 hingga 100 Hz dengan error sebesar 3.53% dari target penguatan yang diinginkan.

---

Elektroensefalografi (EEG) is a widely used method for recording neurophysiological signals, primarily for research on brain functions and monitoring patients with neurological disorders. The development of active electrodes is being explored as a solution to improve the quality of EEG signals, which are characterized by very low amplitude (microvolts [μV]) and low frequency. The active electrode is designed using Sallen & Key filter or Butterworth filter with OPA378 as the operational amplifier with a cut-off frequency range of 0 Hz to 100 Hz. To minimize the number of wires, single-supply operation is applied, requiring only three wires to operate the active electrode. The prototype of the active electrode was tested using a NETECH MiniSim 330 EEG simulator and recorded using an ADS1299 PDK as an ADC and a Raspberry Pi 4 Model B to save the recorded file. The results show that active electrodes can provide signal attenuation up to 22 times with sufficient stability in the 20 Hz to 100 Hz frequency range, with an error of 3.35% from the expected

"

"Dengan menghitung pusat massa dari warna yang spesifik, dan pengontrol servo untuk menggerakkan kamera, telah dibuat suatu sistem pengikut warna dengan parameter warna yang dapat diubah-ubah untuk mengikuti warna RGB. Sistem dibuat dengan menggunakan mikrokontroler 32-bit LPC2106 yang mempunyai kapasitas RAM 64K byte dan ROM sebesar 128K byte dengan kecepatan 60MHz. Sensor kamera CMOS dengan resolusi 352 x 288 digunakan sebagai sumber masukan ke memori buffer FIFO dengan kapasitas 1MB sebelum akhirnya diproses pada mikrokontroler. Sebagai masukan parameter warna dan antar muka pengguna, sistem didukung oleh mikrokontroler Atmega16 yang memiliki kapasitas RAM 16K byte dan ROM 512 byte yang bekerja pada frekuensi 16 MHz. Kedua mikrokontroler berkomunikasi secara serial dalam menentukan proses tracking. Untuk menangkap citra dan data tracking, aplikasi pada komputer dibuat dengan LabVIEW. Jangkauan tracking dari sistem yang dibuat adalah 20,9° untuk pan dan 15,4° untuk tilt. Hasil menunjukkan bahwa tingkat keberhasilan mencapai 80% dengan respon gerak pada jangkauan maksimum kurang dari 1 detik dengan kecepatan gerak maksimum adalah 260° perdetik. Laju keluaran data yang dihasilkan adalah 14 data perdetik.

---

By calculating center of mass of spesific color, and servo controller to move camera, a color tracking system has been made with changeable color parameter to track color within RGB range. This system was build using 32-bit microcontroller LPC2106 which has 64K byte RAM and 128K byte ROM at 60MHz. CMOS image sensor with 352 x 288 resolution used as input of FIFO memory buffer which has 1 MB of capacity before they were processed in. As input parameter and user interface, system was supported by other microcontroller Atmega16 with 16K byte RAM and 512 byte ROM at 16MHz of frequency operation. These both microcontroller communicating serially in order to decide a tracking process. To grab an image and tracked data, computer application was made with LabVIEW. Frame tracking range from the system is about 20,9° for pan tracking and 15,4° for tilt tracking. Result shows success is about 80% with moving response for maximum range less than 1 second and maximum moving velocity is 260° persecond Data rate produced by system is 14 data persecond."

"Pasar online shop di Indonesia sedang berkembang sangat pesat. Dengan semakin berkembangnya pasar online shop, menyebabkan semakin banyaknya online shop yang masuk dan beroperasi di Indonesia. Untuk mendapatkan pasarnya, maka online shop yang ada melakukan kegiatan pemasaran melalui berbagai macam cara, salah satunya adalah melalui akun Youtube. Penggunaan akun Youtube sebagai media pemasaran menggunakan video sebagai sarana penyampaiannya. Dalam menggunakan video sebagai sarana penyampaian, perlu diketahui karakteristik iklan online shop yang menarik secara kognitif dan emosional. Dalam penelitian ini, dilakukan evaluasi iklan online shop berdasarkan pada respon kognitif dan emosional penonton. Metode yang digunakan dalam penelitian ini adalah Frontal Alpha Asymmetry Analysis FAA dan kuesioner Positive and Negative Affect Scale PANAS . Metode FAA dilakukan dengan menggunakan data electroencephalogram responden selama dilakukan pemutaran video. Berdasarkan penelitian yang telah dilakukan, ada beberapa karakteristik video iklan online shop yang berpengaruh dan maupun tidak berpengaruh terhadap ketertarikan penonton.

---

Indonesia has a very strong growth as an online Shop market. Big market growth at Indonesia makes there are many online shops join and operate at Indonesia. To gain the market, online shop in Indonesia was doing so many marketing activities one of them is through Youtube channel. Using Youtube channel as marketing channel means using video as the content. Before using video as marketing content, developer needs to know characteristics of online shop advertisement which can attract the viewer.

In this research, writer evaluates online shop advertisement based on cognitive and emotional response of viewer. The methods of this research are Frontal Alpha Asymmetry Analysis FAA and Positive and Negative Affect Scale PANAS questionnaire. Frontal Alpha Asymmetry Analysis using data from electroencephalogram of response of respondent while watching advertising video. Based on result of this research, there are several characteristics of online shop advertising video that affect and did not attract viewers significantly."

"Electroencephalography (EEG) is recording of the electrical signals on the scalp. These signals come from sources of activity within the brain; however it can be difficult to determine where the sources originate from just by looking at the signals. Through signal processing, these EEG signals can be analyzed and displayed as more useful information. This research explored the evolution of EEG (Brain-waves) topography. The aim of this research was to extract the origins of brain-waves within the brain from EEG data and develop an algorithm to analyze and display this information. This was done in the MATLAB environment by creating: a working software to display and pre-process multichannel EEG data; software/algorithms that could localize sources of EEG within the brain; and a clinician-friendly GUI block. Neural networks are a supervised machine learning technique that can be used to train a system based on previously seen data. Using this approach, it is possible to accurately extract signal positions within the brain."

"Sinyal Electroencephalogram (EEG) merupakan sinyal yang merepresentasikan aktifitas otak manusia. Berbagai metoda telah digunakan untuk menganalisa sinyal EEG. Tulisan ini bertujuan untuk menganalisa hasil deteksi sinyal hits dan lapses EEG dengan menggunakan transfonnasi wavelet diskrit maju level 3 dan jaringan saraf tiruan baclqaropagalion neural network (BPNN). Dimana kondisi lapses adalah kondisi seorang pasien yang pada saat sebelum pemeriksaau. (sehari sebelumnya) melakukan aktifitas yang berat. Sedangkan hits adalah kondisi dimana sehari sebelum pemeriksaan pasien melakukan aktifitas ringan.Tahapan simulasi yang dilakukan adalah pembangan sinyal EEG, selanjutnya sinyal didekomposisi dengan menggunakan transformasi wavelet daubechies 4 level 3 untuk diketahui komponennya lalu komponen-komponen sinyal hasil dekomposisi dilatih dengan menggunakan 3 lapisan BPNN dengan target sebuah sinyal lapses.Simulasi dilakukan dengan 500 kali pelatihan dan 100 kali pelatihan. Pada 500 kali pelatihan (training epoch), dilakukan deteksi terhadap keluaran BPNN yang masukannya adalah sinyal detail 1, detail 2, detail 3, dan aproksimasi transformasi wavelet diskrit maju level 3. Hasil simulasi menunjukkan pendeteksian terbaik didapat dari masukan sinyal detail 2 tmnsformasi wavelet. Dari simulasi didapat bahwa jumlah pelatihan berkaitan dengan keekuratan deteksi, semakin banyak pelatihan maka deteksi akan semakin akurat."

"ABSTRAK

Aplikasi Meditasi berbasis EEG merupakan aplikasi yang dapat digunakan untuk mendeteksi perasaan stres seseorang dan membantunya bermeditasi dengan memanfaatkan alat EEG untuk membaca gelombang otak. Proses yang terjadi dalam aplikasi ini adalah menerima data gelombang otak dari EEG, mengubah sinyal gelombang otak dari domain waktu ke domain frekuensi dengan Fast Fourier Transform (FFT), dan mengklasifikasikan data dengan k-Nearest Neighbor (KNN). Proses klasifikasi dengan KNN diuji dengan memberikan variasi jumlah gelombang data yang digunakan serta variasi nilai k pada KNN. Dengan menggunakan nilai k = 3 dan menggunakan lima gelombang otak, yaitu gelombang delta, teta, alfa, beta, dan gama sebagai fitur dalam KNN, dapat diperoleh hasil akurasi terbaik sebesar 80% dan waktu pemrosesan tercepat sebesar 23 ms. Dalam pemakaian aplikasi meditasi, waktu rata-rata pengguna untuk dapat menurunkan tingkat stresnya adalah selama 4,2 menit. Implementasi EEG dan proses klasifikasi dengan KNN pada aplikasi meditasi ini dapat mengecek tingkat stres seseorang secara real time dan memastikan bahwa orang tersebut tidak stres lagi setelah bermeditasi.

---

ABSTRACTEEG-based Meditation Application is an application that can be used for detecting someone's stress feeling and helping someone to meditate by using EEG to get brainwave signals. The processes that will be done in this application include collecting brainwave data from EEG, altering the brainwave signals from time domain to frequency domain with Fast Fourier Transform (FFT), and classifying data with k-Nearest Neighbor (KNN). Classification processes with KNN are tested by using variation in the number of brain waves used and using variation in the value of k used in KNN. By using k value of 3 and using five brainwaves, namely delta wave, theta wave, alpha wave, beta wave, and gamma wave as features in KNN, the best accuracy value can be gained, i.e. 80% with the fastest processing time, which is 23 ms. With the meditation application, the average time for the user to reduce the stress level is 4,2 minutes. The implementation of EEG and classification with KNN on this application makes it able to check a person's stress level in real time and to make sure that the person is de-stressed after meditation.

"

"Sistem akuisisi data Electroencephalography (EEG) telah dikembangkan. menggunakan Analog Front End (AFE) ADS1299 EEGFE-PDK berbasis Raspberry Pi. Sistem ini merupakan kelanjutan dari sistem yang dikembangkan sebelumnya, dengan menambahkan fitur Relative Power Ratio (RPR), komunikasi Local Area Networking (LAN) dan GUI (Graphical User Interface). Fitur RPR perlu dipahami Karakteristik sinyal EEG. ADS 1299 memiliki beberapa keunggulan diantaranya Akuisisi data secara simultan, resolusi 24 bit, membutuhkan daya <0,2 mW dan noise <1 μV. Sistem akuisisi data ini terdiri dari 4 unit AFE yang dikonfigurasi secara daisy rantai. Komunikasi antara AFE dan Raspberry Pi menggunakan periferal serial antarmuka (SPI) dengan format RDATA. Bahasa pemrograman C digunakan untuk komunikasi antara Raspberry dengan AFE dan Matlab digunakan untuk pemrosesan sinyal. Data dari Raspberry ditransfer melalui LAN ke Personal Computer (PC). Kemudian disaring menggunakan Butterworth order 5. Data EEG dan perhitungan RPR ditampilkan secara real-time. Perhitungan dilakukan dengan Fast Fourier Transforms (FFT) dan Power Spectral Density (PSD). Sistem ini telah dievaluasi dengan menggunakan simulator EEG (NETECH Mini-Sim EEG) yang menghasilkan sinyal listrik sinusoidal dengan frekuensi 2 Hz, 5 Hz, dan amplitudo tegangan 30, 50 μV. Dengan perbandingan rata-rata FWHM (Full Width at Half Maximum) didapatkan untuk frekuensi 2Hz di sistem akuisisi tersebut memperoleh nilai 4 Hz, dan dalam Neurostyle 4 Hz. Di frekuensi 5 Hz, rata-rata nilai FWHM yang diperoleh untuk sistem akuisisi yang dibuat adalah 13 Hz dan Neurostyle pada 14 Hz.

---

The systems have been developed to obtain Electroencephalography (EEG) data using the Raspberry Pi based Analog Front End (AFE) ADS1299 EEGFE-PDK. This system is a continuation of a previously developed system, supported by Relative Power Ratio (RPR) features, Local Area Networking (LAN) and GUI (Graphical User Interface) features. EPR. ADS 1299 has several advantages that can be taken from simultaneous data, 24 bit resolution, requires power <0.2 mW and noise <1 μV. This data acquisition system consists of 4 AFE units completed by daisy chains. Communication between AFE and Raspberry Pi uses a serial peripheral interface (SPI) with RDATA format. C programming language is used for communication between Raspberries and AFE and MATLAB is used for signal implementation. Data from Raspberry is transferred via LAN to Personal Computer (PC). Then filtered using Butterworth order 5. EEG data and realtime calculations. The calculations are carried out by Fast Fourier Transforms (FFT) and Power Spectral Density (PSD). This system has been evaluated using an EEG simulator (NETECH Mini-Sim EEG) which produces sinusoidal electrical signals with a frequency of 2 Hz, 5 Hz, and a amplitude of 30, 50 μV. With the average change in FWHM (Full Width at Half Maximum) obtained for the 2Hz frequency in the acquisition system a value of 4 Hz is obtained, and in Neurostyle it is 4 Hz. At a frequency of 5 Hz, the average FWHM value obtained for the acquisition system is 13 Hz and Neurostyle is 14 Hz."