Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAkusisi sinyal adalah hal yang penting dalam teknologi modern. Compressive sensing dapat membuat proses akusisi sinyal atau data lebih cepat dan efektif. Compressive sensing memungkinkan jumlah pengukuran atau sampling yang jauh lebih sedikit dibandingkan sinyal asli. Compressive sensing digunakan secara luas pada berbagai bidang, seperti radar, kamera, pencitraan medis, seismic imaging, cognitive radio hingga wireless sensor network WSN . Hal penting dalam compressive sensing adalah memilih matriks proyeksi dan kamus basis sparse yang memenuhi Restricted Isometry Property RIP . Namun pengujian RIP sulit untuk dilakukan sehingga digunakan parameter lain yang lebih mudah untuk dihitung, yaitu mutual coherence. Berbeda dengan RIP, mutual coherence memerikan jaminan rekonstruksi yang lebih lemah. Sehingga dilakukan analisis hubungan antara mutual coherence terhadap hasil rekonstruksi citra. Didapatkan bahwa pada sistem kompresi, mutual coherence memiliki hubungan yang kuat terhadap citra hasil rekonstruksi. Sedangkan pada sistem pencitraan ECVT, mutual coherence hanya memiliki hubungan yang sangat lemah terhadap citra hasil ECVT.

---

ABSTRAKIn modern technology, signal acquisition is important. Compressive sensing can make the process of acquiring signals or data to be more quickly and effectively. Compressive sensing allows a much smaller number of measurements or sampling than the original signal. Compressive sensing is widely used in various fields, such as radar, cameras, medical imaging, seismic imaging, cognitive radio to wireless sensor networks WSN . An important point in compressive sensing is to choose a projection matrix and a dictionary that meets Restricted Isometry Property RIP . But RIP testing is difficult to do, so that other parameter is used because it is easier to calculate, namely mutual coherence. Unlike RIP, mutual coherence only provides a weaker reconstruction guarantee. So that this research do analysis of relation between mutual coherence and reconstructed image. It was found that in the compression system, mutual coherence has a strong relationship to the reconstructed image. While in ECVT imaging systems, mutual coherence has only a very weak relationship to the ECVT image results."

"Compressive sensing (CS) adalah teknik yang menghasilkan pengurangan dimensi pada akuisisi sinyal dengan cara mengalikan suatu matriks proyeksi dengan sinyal. Sparse Synthesis Model Based (SSMB) memodelkan sebuah sinyal sebagai kombinasi linier kolom-kolom pada matriks synthesis dictionary menggunakan sedikit koefisien. Cosparse Analysis Model Based (CAMB) memberikan model alternatif di mana koefisien cosparse didapatkan dengan mengalikan analysis dictionary (operator) dengan sinyal. Matriks proyeksi yang digunakan pada CS dapat dioptimasi untuk meningkatkan kualitas sinyal rekonstruksi. Optimasi matriks proyeksi banyak dilakukan pada SSMB-CS sedangkan optimasi matriks proyeksi pada CAMB-CS sejauh yang diketahui sampai saat ini belum ada yang mengusulkan.Di dalam penelitian ini diusulkan metode optimasi matriks proyeksi pada CAMB- CS dengan memperhitungkan parameter amplified Cosparse Representation Error (CSRE) dan relative amplified CSRE, di samping parameter mutual coherence. Matriks proyeksi teroptimasi pada CAMB-CS diperoleh menggunakan algoritma alternating minimization dan metode nonlinear conjugate gradient. Matriks acak Gaussian digunakan sebagai matriks proyeksi mula-mula dalam algoritma optimasi tersebut.Matriks proyeksi teroptimasi yang dihasilkan menurunkan average mutual coherence rata-rata sebesar 35,62% dari matriks acak Gaussian. Matriks proyeksi teroptimasi pada CAMB-CS memiliki average mutual coherence rata-rata sebesar 12,47% lebih kecil dari matriks proyeksi teroptimasi pada SSMB-CS. Matriks proyeksi teroptimasi pada CAMB-CS juga memberikan relative amplified CSRE berorde 10-6 – 10-5, lebih kecil dibandingkan dengan matriks acak Gaussian CAMB-CS (10-4 – 10-2) dan relative amplified Sparse Representation Error (SRE) matriks proyeksi teroptimasi SSMB-CS (10-3 – 10-1).Penurunan average mutual coherence dibarengi dengan relative amplified CSRE yang kecil akan meningkatkan kualitas citra rekonstruksi yang diukur menggunakan Peak Signal to Noise Ratio (PSNR) dan Structural Similarity Index Measure (SSIM). Hasil-hasil simulasi menunjukkan peningkatan PSNR dan SSIM citra rekonstruksi masing-masing sampai dengan 15,22% dan 9,24%, dibandingkan matriks acak Gaussian. Dibandingkan matriks proyeksi teroptimasi SSMB-CS, metode yang dikembangkan meningkatkan PSNR dan SSIM citra rekonstruksi masing-masing sampai dengan 23,66% dan 17,11%.

---

The Compressive Sensing (CS) technique provides a signal acquisition dimensional reduction by multiplying a projection matrix with the signal. Sparse Synthesis Model Based (SSMB) models a signal as a linear combination of columns on the synthesis dictionary matrix using a few coefficients. The projection matrix used in CS can be optimized to improve the quality reconstructed signal. The projection matrix optimization is mostly done in SSMB-CS, while the optimization of the projection matrix in CAMB-CS as far as is known has not yet been proposed.

In this research, the projection matrix optimization method in CAMB-CS is proposed by taking into account the amplified Cosparse Representation Error (CSRE) parameter and the relative amplified CSRE to optimize the projection matrix, in addition to the mutual coherence parameter. The optimized projection matrix in CAMB-CS is obtained using an alternating minimization algorithm and nonlinear conjugation gradient method. In the optimization algorithm, the Gaussian random matrix is used as the initial projection matrix.

The resulting optimized projection matrix reduces average mutual coherence by 35.62% from the Gaussian random matrix. The optimized projection matrix in CAMB-CS has average mutual coherence, 12.47% less than the optimized projection matrix in SSMB- CS. The optimized projection matrix in CAMB-CS also provides a relative amplified CSRE of order 10-6 – 10-5, which is smaller than the Gaussian random matrix in CAMB-CS (10-4 – 10-2) and relative amplified Sparse Representation Error (SRE) of the optimized projection matrix in SSMB-CS (10-3 – 10-1).

The decrease in average mutual coherence and a small relative amplified CSRE will improve the reconstructed image quality as measured using the Peak Signal to Noise Ratio (PSNR) and the Structural Similarity Index Measure (SSIM). The simulation results showed an increase in the PSNR and SSIM of the reconstructed image up to 15.22% and 9.24%, respectively, compared to the Gaussian random matrix. Compared to the SSMB-CS optimized projection matrix, the developed method increases the PSNR and SSIM of the reconstructed image up to 23.66% and 17.11%, respectively."

"This book presents a comprehensive review of the recent developments in fast L1-norm regularization-based compressed sensing (CS) magnetic resonance image reconstruction algorithms. Compressed sensing magnetic resonance imaging (CS-MRI) is able to reduce the scan time of MRI considerably as it is possible to reconstruct MR images from only a few measurements in the k-space; far below the requirements of the Nyquist sampling rate. L1-norm-based regularization problems can be solved efficiently using the state-of-the-art convex optimization techniques, which in general outperform the greedy techniques in terms of quality of reconstructions. Recently, fast convex optimization based reconstruction algorithms have been developed which are also able to achieve the benchmarks for the use of CS-MRI in clinical practice. This book enables graduate students, researchers, and medical practitioners working in the field of medical image processing, particularly in MRI to understand the need for the CS in MRI, and thereby how it could revolutionize the soft tissue imaging to benefit healthcare technology without making major changes in the existing scanner hardware. It would be particularly useful for researchers who have just entered into the exciting field of CS-MRI and would like to quickly go through the developments to date without diving into the detailed mathematical analysis. Finally, it also discusses recent trends and future research directions for implementation of CS-MRI in clinical practice, particularly in Bio and Neuro-informatics applications."

"ABSTRAK

Synthetic aperture radar (SAR) adalah sebuah teknologi remote sensing yang dapat memproduksi citra dengan resolusi yang tinggi terhadap sebuah objek tanpa bergantung dengan waktu akuisisi, jarak dan cuaca. Hal itu menyebabkan tingginya laju akuisisi, besarnya volume raw data, besarnya daya yang harus digunakan dan dibutuhkannya filter yang cocok (Match Filter). Metode konvensional SAR memiliki kekurangan yang salah satunya yaitu munculnya permasalahan side lobes sehingga mengurangi kualitas dari citra. Compressed Sensing (CS) adalah sebuah paradigma baru untuk merekonstruksi sinyal/data dari jumlah sampling yang sedikit sehingga memperoleh hasil yang lebih efisien. CS dapat menghapus fungsi match filter, mengurangi laju akuisisi dan mengurangi sidelobe pada data SAR. Dalam penelitian ini, akan membahas simulasi pengolahan citra SAR buatan pada lima jumlah target sparse dengan metode CS dan melakukan optimasi matriks pengukuran dengan menggunakan metode Gradient-Based Minimization yang dapat meningkatkan kualitas rekonstruksi dengan menurunkan nilai koherensi matriks pengukuran. Alat ukur yang digunakan yaitu dengan parameter kualitatif dan kuantitatif RMSE dan PSNR. Hasil menunjukkan dengan menggunakan optimasi terhadap matriks pengukuran pada kondisi noise-free terdapat perbaikan hasil rekonstruksi setelah optimasi terjadi pada jumlah sampling dibawah 39. Sedangkan pada kondisi noise, terjadi perbaikan nilai yang signifikan pada derau yang tinggi pada nilai SNR di bawah 30 dB

---

ABSTRACT

Synthetic aperture radar (SAR) is a remote sensing technology which can generate images with high resolution on an object without having to depend on the time of acquisition, the distance, and the weather. It causes a high rate of acquisition, the large volume of raw data, high power consumption that should be used, and it also requires Match Filter. The conventional method of SAR has some lacks, one of which is the happening of side lobes problem which causes it to reduce the quality of the image. Compressed Sensing (CS) is a new paradigm to reconstruct the signal/data from few numbers of sampling in order to obtain more efficient results. CS can eliminate the match filter, reduce the acquisition rate, and minimize the effects of side lobes on SAR data. This research will discuss the image processing simulation of artificial SAR on the target amount (K=5) by using CS method and do the optimization of measurement matrix by using Gradient-Based Minimization which can improve the quality of reconstruction by decreasing the coherence value of measurement matrix. The used measuring tools are the qualitative and quantitative parameters of RMSE and PSNR. The result shows that, in using optimization for measurement matrix in noise free condition, there is improvement in the reconstruction result after the optimization occurs in the number of sampling M≤38. Meanwhile, in noise condition, there is significant movement in the value of high noise (SNR<30 dB).

"

"ABSTRAKElectrical Capacitance Volumetric Tomography ECVT adalah teknologi pemindaian alternatif berbasis kapasitansi yang relatif baru dikembangkan. Teknologi pemindaian serupa, seperti halnya ECT, EIT, ERT, dll. banyak dikembangkan sebagai alternatif teknologi pemindaian yang sudah mapan dikarenakan sifatnya yang non-invassive, rendah energi dan portability. Teknologi pemindaian alternatif tersebut kini tidak hanya dikembangkan untuk keperluan industri namun telah juga digunakan untuk keperluan medis. Oleh karenanya, peningkatan kualitas hasil rekonstruksi citra dari ECVT yang kaya informasi dan presisi, menjadi salah satu isu dalam riset pengembangan teknologi ECVT.Di dalam penelitian ini diusulkan metode rekonstruksi citra ECVT menggunakan prinsip Compressive Sensing CS . CS digunakan mengingat inverse problem pada metode rekonstruksi citra ECVT secara natural membentuk under-determined linear system yang secara teori seharusnya dapat diselesaikan dengan prinsip CS. Metode rekonstruksi yang diusulkan diperkaya dengan penambahan metode usulan threshold yang berdasarkan hasil simulasi meningkatkan nilai kinerja hasil rekonstruksi sampai dengan 16.4 secara rata-rata. Beberapa kontribusi teori juga dirumuskan hasil dari analisa menyeluruh pada metode rekonstruksi yang diusulkan berdasarkan beberapa aspek penting dalam prinsip CS. Pada bagian akhir evaluasi dan analisis, metode rekonstruksi yang diajukan dibandingkan dengan metode rekonstruksi citra ECVT pada metode konvensional ILBP Iterative Linear Back Projection yang lebih sederhana.Hasil penelitian menunjukkan metode yang diusulkan mampu memperbaiki kualitas hasil rekonstruksi dan menghilangkan elongation error yang muncul pada hasil rekonstruksi citra ECVT dengan metode ILBP. Kinerja terbaik pada metode yang diusulkan mampu memperbaiki akurasi hasil rekonstruksi sampai dengan 11.9 berdasarkan nilai koefisien korelasi R. Metode rekonstruksi citra ECVT yang diusulkan masih memiliki kelemahan pada beberapa pemindaian yang lebih rumit, namun tetap memberikan hasil lebih baik dibandingkan dengan ILBP. Analisis hasil simulasi juga menunjukkan bahwa tidak semua kriteria pada teori prinsip CS sejalan dengan implementasinya pada metode rekonstruksi citra ECVT.

---

ABSTRACTElectrical Capacitance Volume Tomography ECVT is a capacitance based sensing technology. ECVT and other related sensing technologies are rapidly developed since they have beneficial properties non invasive, low energy consumption and portability compared to the established sensing technologies MRI, CT Scan, USG, etc . The ECVT is not only developed for industrial purposes but also for medical purposes. Therefore, the improvement on the image reconstruction is urgently needed. ECVT image reconstruction imaging system based on Compressive Sensing Principle is proposed. CS framework is used since the inverse problem of ECVT naturally constructs under determined linear system which is theoretically can be solved using Compressive Sensing framework. The proposed method is enriched by proposed thresholding method which succeed to improve the reconstruction kinerjance up to 16.4 . In addition, some theoretical contributions are also defined based on the comprehensive analysis of the proposed method subject to several aspects in Compressive Sensing principles. At the end of the works, the proposed method is compared with the existing image reconstruction method for ECVT, Iterative Linear Back Projection ILBP .Simulation results indicated that the proposed imaging system is able to improve the reconstructed image especially on reducing the elongation error resulted in ILBP method. The best kinerjance on the proposed method succeeds to improve the accuracy up to 11.9 based on R value. The proposed method still has limitations, especially on more complicated sensing environment but still retrieved better results compared to ILBP. In addition, there are some gaps between the theoretical concept and application of Compressive Sensing that could not be fully implemented in ECVT imaging system."

"ABSTRAKProses pemindaian dini saat ini masih dilakukan dengan Computed Tomography Scan atau Magnetic Resonance Imaging. Namun, alat pemindai tersebut memiliki biaya yang mahal dan ukuran yang besar. Pencitraan gelombang mikro merupakan salah satu teknik tomografi alternatif yang dapat menutupi kekurangan tersebut. Sementara itu, sistem pencitraan medis membutuhkan jumlah pengukuran yang cukup banyak untuk mendapatkan citra hasil rekonstruksi yang baik. Untuk mengurangi jumlah pengukuran, penelitian ini mengusulkan pendekatan Compressive Sensing CS untuk aplikasi pencitraan gelombang mikro. Proses pemindaian dilakukan pada perangkat lunak Computer Simulation Technology dengan objek uji berupa phantom kubus dua lapis dengan permitivitas yang berbeda. Agar sesuai dengan kerangka CS , matriks pembobotan Discrete Radon Transform dipilih sebagai matriks proyeksi. Discrete Cosine Transform dan Basis Pursuit dipilih sebagai matriks sparse dictionary dan algoritma rekonstruksi sinyal sparse. Pada proses pemindaian, jumlah translasi dan rotasi divariasikan untuk menguji kinerja CS. Data pengukuran S21 berhasil direkonstruksi menjadi citra dengan pendekatan CS. Hasil rekonstruksi menunjukkan bahwa penambahan jumlah translasi dan rotasi dapat meningkatkan kualitas citra hasil rekonstruksi, meskipun tidak terdapat hubungan yang linear antara keduanya. Secara kualitatif dan kuantitatif, citra hasil rekonstruksi menggunakan CS memiliki kualitas yang lebih baik dibandingkan dengan yang direkonstruksi menggunakan algoritma Filtered Back Projection dan Simultaneous Algebraic Reconstruction Technique. Sebagai tambahan, CS terbukti dapat merekonstruksi data pengukuran sebenarnya dari phantom fisik menjadi sebuah citra.

---

ABSTRACTEarly detection is still generally performed by using Computed Tomography scan or Magnetic Resonance Imaging. However, those modalities have high production costs and considerable size. Microwave Imaging is one of the alternative tomography techniques that can overcomes those aforementioned problems. Meanwhile, the medical imaging systems require a great amount of data measurements to obtain a good reconstructed image. In order to reduce the number of measurements, this research proposes a Compressive Sensing CS approach for microwave imaging application. The scanning process is conducted on Computer Simulation Technology software. A two layer cube phantom with different permittivity is used as the scanned object. To meet the framework of CS, weight matrix of Discrete Radon Transform is utilized as projection matrix. Discrete Cosine Transform and Basis Pursuit are selected as sparse dictionary matrix and sparse reconstruction algorithm respectively. In the data acquisition process, the number of translations and rotations is varied to test the performance of CS. The measured S21 data are successfully reconstructed by CS approach into an image. The reconstruction results show that adding the number of translations and rotations can improve the quality of the reconstructed image, although there is no linear relationship between them. Qualitatively and quantitatively, the image reconstructed using CS has a better quality compared to that reconstructed using Filtered Back Projection and Simultaneous Algebraic Reconstruction Technique algorithm. In addition, CS is proved to be able to reconstruct the real measurement data from the physical phantom into an image"

"Pencegahan kanker dapat dilakukan dengan deteksi dini menggunakan pemindai seperti Computed Tomography (CT) Scan dan Magnetic Resonance Imaging (MRI). Namun, modalitas tersebut memiliki biaya produksi yang tinggi dan ukuran yang besar. Alternatif yang digunakan untuk mengatasi masalah ini adalah menggunakan pencitraan gelombang mikro. Pencitraan gelombang mikro membutuhkan data pengukuran besar untuk meningkatkan kualitas gambar. Untuk mengatasi kelemahan ini, proses penelitian ini adalah merekonstruksi algoritma pencitraan gelombang mikro dengan jumlah pengukuran yang lebih rendah menggunakan pendekatan Compressive Sensing (CS). CS memungkinkan merekonstruksi sinyal dari sejumlah kecil pengukuran daripada yang diperlukan dalam metode pengambilan sampel konvensional. Penelitian ini berkontribusi dengan menambahkan informasi spasial menggunakan Total Variation (TV) dan menyelesaikan masalah optimasi menggunakan Alternating Direction Method of Multipliers (ADMM). Penelitian ini dianalisis untuk kinerja kualitatif dan kuantitatif. Parameter yang digunakan dalam analisis kuantitatif adalah MSE dan SSIM. Hasil penelitian ini menunjukkan bahwa algoritma yang diusulkan berhasil mengimplementasikan rekonstruksi CS dengan menambahkan TV dalam hal kualitas gambar dan parameter kuantitatif.

---

Prevention of cancer can be done by early detection using a scanner such as Computed Tomography (CT) Scan and Magnetic Resonance Imaging (MRI). However, those modalities have high production cost and considerable size. The alternative used to overcome this problem is using microwave imaging. Microwave imaging requires large measurement data to improve image quality. To overcome these weaknesses, this research process is algorithmic reconstruct the microwave images with lower number of measurements using Compressive Sensing (CS) approach. CS enables reconstructing a signal from a smaller number of measurements than which is required in the conventional sampling method. This research contributes by adding spatial information using total variation (TV) and solving the problem of optimization using Alternating Direction Method of Multipliers (ADMM). This research were analyzed for the qualitative and quantitative performance. Parameters used in quantitative analysis are MSE and SSIM. The results of this research show that the proposed algorithm successfully implemented the reconstruction of CS by adding TV in terms of image quality and quantitative parameters."

"Penelitian ini mengembangkan algoritma rekonstruksi citra gelombang mikro yang menggunakan pendekatan compressive sensing (CS) dimana data yang digunakan bersifat sparse – jumlah data bernilai nol atau yang dapat diabaikan yang ada dalam sebuah set data jauh lebih banyak dibandingkan jumlah data yang tidak bernilai nol. Pengembangan dilakukan dengan menambahkan total variation (TV) sebagai regularisasi spasial dan menggunakan metode alternating direction method of multipliers (ADMM) untuk menyelesaikan masalah optimasi yang dirancang dalam bentuk lagrange. Dengan merekonstruksi phantom simulasi, hasil rekonstruksi yang dilakukan oleh TV berhasil mengungguli algoritma simultaneous algebraic reconstruction technique (SART) dengan selisih nilai SSIM sebesar 0,0179 dan selisih nilai MSE sebesar 0,0119; dan mengungguli algoritma CS tanpa TV dengan selisih nilai SSIM sebesar 0,1699 dan selisih nilai MSE sebesar 0,0444. Nilai ini menunjukkan bahwa tidak hanya TV berhasil diterapkan pada CS, namun juga berhasil meningkatkan performa dan hasil citra rekonstruksi dari algoritma tersebut.

---

This research improves the compressive sensing (CS) based microwave imaging reconstruction algorithm where used data is sparse – the number of zeros or negligible data of a dataset is far beyond the number of non-zero data. The improvement is done by applying total variation (TV) as the spatial regularization and utilizing alternating direction method of multipliers (ADMM) to solve optimization problem in the form of Lagrange equation. By reconstructing simulation phantom, reconstructed image done by TV surpasses the simultaneous algebraic reconstruction technique (SART) with SSIM margin of 0.0179 and MSE margin of 0.0119; and surpasses CS without TV with SSIM margin of 0.1699 and MSE margin of 0.0444. This shows that not only TV is able to be applied to CS, but also manages to improve the performance of CS algorithm and the reconstructed image of said algorithm."

"ABSTRAKKanker adalah salah satu penyebab kematian terbanyak dan otak termasuk salah satu organ yang rentan terkena kanker. Deteksi dini tumor otak dapat mengurangi resiko terkena kanker. Scanner seperti Computed Tomography (CT) Scan dan Magnetic Resonance Imaging (MRI) adalah alat yang digunakan deteksi dini dan diagnosis tumor otak. Namun, modalitas tersebut berbiaya tinggi, berukuran besar, dan memiliki efek samping terhadap kesehatan. Pencitraan gelombang mikro menawarkan metode pemindaian tumor untuk deteksi dini dengan biaya rendah, ukuran kecil, dan risiko rendah terhadap kesehatan. Compressive Sensing (CS) memungkinkan rekonstruksi citra gelombang mikro dengan data yang sparse. Penelitian ini mengusulkan pengembangan Compressive Sensing dengan Low-Rank Compressive Sensing. Penelitian menunjukkan bahwa metode Low-Rank CS dapat memberikan hasil rekonstruksi yang sama, bahkan lebih baik secara kualitatif dan kuantitatif dibandingkan dengan metode Simultaneous Algebraic Reconstruction Technique (SART), CS murni, maupun CS dengan regularisasi Total Variation (TV). Parameter kualitatif diukur dengan perbandingan visual dan kontur aktif dari citra yang direkonstruksi, sedangkan parameter kuantitatif diukur dengan MSE dan SSIM. Penelitian ini juga telah merancang dan membuat sebuah framework yang mengemas metode Low-Rank CS. Framework tersebut merupakan komponen controller dan image reconstructor untuk produk pendeteksi tumor otak portabel berbasis gelombang mikro yang bersifat open source dan universal (multi-plartform).

---

ABSTRACTCancer is one of the leading causes of death and the brain is one of the organs vulnerable to cancer. Early detection of brain tumors can reduce the risk of cancer. Scanners such as Computed Tomography (CT) Scan and Magnetic Resonance Imaging (MRI) are tools for early detection of brain tumors. However, those modalities are high cost, big size, and has a side effect risk to health. Microwave imaging offers a novel cancer scanning method for early detection with low cost, small size, and low risk to health. The Compressive Sensing (CS) enables the reconstruction of microwave images with a sparse data. This research proposes the development of Compressive Sensing with Low-Rank Compressive Sensing. Experiment shows that the Low-Rank CS method can give the same, even better qualitatively and quantitatively reconstruction results compared to the Simultaneous Algebraic Reconstruction Technique (SART), pure CS, as well as CS with Total Variation (TV) regularization. Qualitative parameters are measured by visual comparison and active contours of the reconstructed image, while quantitative parameters are measured by MSE and SSIM. This research also designed and created a framework that packs the Low-Rank CS methods. The framework is a component of the controller and image reconstructor for a portable microwave-based brain tumor detector products that are open source and multi-platform."

"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."