Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pada penelitian ini metode ekstraksi fitur dengan metode RWB akan dibandingkan dengan metode Bispectrum-Gaussian untuk menentukan jenis ekstraksi fitur yang lebih baik untuk klasifikasi sinyal EEG, selain itu akan klasifikasi dilakukan dengan menggunakan jenis model ANN dan CNN dengan variasi dimensi data yang berbeda untuk mengetahui pengaruh layer konvolusi terhadap hasil klasifikasi. Pada metode RWB autokorelasi akan dihitung untuk membentuk matriks cumullant orde ke-3 untuk kemudian dilakukan dekomposisi DWT 5 tingkatan untuk dihitung energi relatif dari hasil dekomposisinya. Pada metode Bispectrum-Gaussian matriks hasil perhitungan Bispectrum akan dilakukan filtering dengan kernel filter Gaussian untuk selanjutnya dihitung rata-ratanya untuk memperoleh fitur. Implementasi dilakukan dengan menggunakan data yang berasal dari UCI EEG Repository. Berdasarkan percobaan yang dilakukan diperoleh akurasi pelatihan percobaan CNN dengan data RWB 2D memiliki akurasi tertinggi mencapai 99%, akurasi percobaan ANN dengan data RWB 1D memiliki akurasi testing tertinggi mencapai 90%, dan akurasi pelatihan dan testing dari metode Bispectrum-Gaussian memiliki akurasi terendah, dengan akurasi pelatihan mencapai 90% dan testing mencapai 82%, menjadikan metode RWB secara umum lebih baik dibandingkan dengan metode Bispectrum-Gaussian. Berdasarkan percobaan juga ditemukan bahwa nilai lag dari perhitungan autokorelasi memiliki pengaruh terhadap hasil klasifikasi data di mana setiap peningkatan lag sebesar dua kali terjadi peningkatan akurasi testing sebesar 7.5% secara rata-rata. ......This research will compare the performance between two feature extraction methods for EEG signal classification, that is RWB and Bispectrum-Gaussian, the classifications are done using two different kinds of model, ANN and CNN, and the feature’s dimension will be varied, the two model is used to determine the impact of a convolutional layer to the classification result. In the RWB method an autocorrelation will be computed to create a 3rd order cumulant matrix, the matrix then will be decomposed using DWT 5 level, and a relative wavelet energy calculation will be done to obtain the final feature. For the Bispectrum-Gaussian method, a Bispectrum calculation will be done, and the result of the calculation will be filtered using Gaussian kernel filter, then an average operation will be done on the filtered Bispectrum, resulting in the final feature. The implementation is done using the dataset provided by UCI EEG Repository. According to the experiment’s results the experiment using 2D RWB feature and CNN have the highest training accuracy achieving 99%, as for the experiment using 1D RWB feature and ANN it have the highest testing accuracy achieving 90%, on the other hand the experiment done using Bispectrum-Gaussian method have the lowest accuracy, with 90% training accuracy and 82% testing accuracy, this resulting in RWB became the better method for EEG feature extraction compared to Bispectrum-Gaussian. The experiments also suggest that the variation of lag value during the autocorrelation calculation has an impact on the classification accuracy, where for every multiple of two of the lag value resulting in increasing accuracy by 7.5% in average.

Abstrak :
Pada penelitian ini telah dibangun, sistem deteksi dan identifikasi untuk pengenalan dan klasifikasi komponen-komponen sinyal EEG, terhadap sinyal EEG asimetri yang diperoleh dari perekaman pada kanal simetri. Sinyal EEG diperoleh dari 7 nara coba pada dua kondisi pikiran, yaitu rileks dan berpikir (non-rileks). Terhadap koefisien wavelet dari sinyal asimetri yang diperoleh selanjutnya dilakukan analisis Power Spectral Density (PSD). Sistem Klasifikasi dibangun berdasarkan spektrum daya pada daerah gehmbang dan dengan uji hipotesis serta pengetahuan apriori tentang karakteristik energi komponen gehmbang EEG. Penggunaan transformasi wavelet dapat mengatasi sifat non-stasioner, dan modifikasi sistem klasifikasi dengan uji hipotesis, meningkatkan keberhasilan klasifikasi, sehingga pada kondisi rileks memberikan hasil 85% dan kondisi non-rileks sebesar 64%. Dibandingkan metoda yang lain, transformasi wavelet juga dapat mereduksi data tanpa kehilangan informasi yang berarti, Hal ini ditunjukkan oleh penyimpangan rekonstruksi koefisien wavelet terhadap sinyal asliyang kecil. Sementara pengaruh posisi elektroda terhadap keberhasilan pengamatan, diketahui bahwa posisi sentral memberikan keberhasilan terbaik sedangkan kanal occipital terburuk. Kondisi rileks ditunjukkan, hasil spektrum daya rata-rata seimbang untuk kanal yang simetrik dibanding kondisi non-rileks, Kurangnya keberhasilan yang diperoleh pada kondisi berpikir disebabkan kitrangnya konsistensi pada kondisi tersebut, disamping kondisi rileks belum sepenuhnya hilang.

---

In this research a detection and identification system for pattern recognition and classification of wave components of an asymmetric of two symmetrical EEG signal were developed. The EEG signal was obtained from 7 subjects with two conditions, relax and non-relax. The detection and identification was based on the non-symmetry signal recorded on a symmetric channel test of hypothesis and priori learning of energy characteristic of component of the EEG signal. In the proposed method, the wavelet approximated coefficient of the non-symmetry EEG signal was analyzed using power spectral density (PSD) method. The wavelet transformation is suitable for non-stationary signal, the results were better for non-relax, that was 64%. Alternatively, in the relax condition, the result was 85%. The advantage of the wavelet transformation with respect to the other methods is that of can reduce the number of data without loss of information. It was shown by small deflection between reconstruction of wavelet and original signal. In term of the channel position, occipital channel gives best result for relax condition, while central channel for non-relax. The less success of non-relax conditions because of lack of consistency of the condition, where some of alpha waves were remain.