Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Telah dibuat sistem akuisisi data EEG 16 kanal menggunakan ADS1299FE Texas Instrument, USA berbasis FPGA Zedboard Diligent,USA . EEG merupakan suatu divais yang digunakan untuk mengukur aktivitas kelistrikan pada permukaan kepala yang dikenal sebagai sinyal EEG. Sinyal EEG memiliki beda potensial 0.5-100 V dengan frekuensi 0.5 ndash; 40 Hz. Sistem akuisisi data EEG ini terdiri atas 2 buah chip ADS1299 yang terhubung secara Daisy-Chain yang diproses menggunakan FPGA Zedboard. Rancangan sistem akuisisi ini dapat dikonfigurasi ulang baik gain dan data ratenya. Pengaturan ulangini dapat dilakukan melalui program terminal pada komputer maupun dengan menggunakan perangkat lunak yang didisain khusus untuk sistem ini. Perangkat lunak tersebut dapat merekam dan menampilkan data hasil akuisisi secara real time. Validasi sistem akuisisi data EEG ini telah diuji menggunakan EEG Simulator NETECH Mini-Sim EEG , pengujian dilakukan pada frekuensi 2Hz dan 5Hz dengan rentang amplitudo 10 V, 30 V , 50 V dan 100 V. Hasil uji validasi pada frekuensi 2Hz diperoleh hasil pengukuran dengan maksimal deviasi 1.3 dan pada frekuensi 5Hz diperoleh hasil pengukuran dengan maksimal deviasi 1.8. ......Has been developed Electroencepharography EEG data acquisition system base on FPGA Zedboard Diligent, USA usin ADS1299FE Texas Instrument, USA . EEG is a device used to measure the electrical activities on the scalp. The voltage range of EEG signal are around 0.5 100 V with frequency 0.5 ndash 40 Hz. This data acquisition system consisted of 2 chips ADS1299 which were connected in Daisy Chain mode and processes using Zedboard. This acquisition system can be reconfigured both its gain and data rate. This configuration could modified both using terminal program or software specially design respectively. The feature of this software are data recording and display the EEG signal graphically in real time. The recorded EEG signal were validated using EEG Simulator NETECH Mini Sim EEG with frequency 2Hz and 5Hz and voltage test in 10 V, 30 V, 50 V and 100 V. The result of the validation test at 2Hz obtained measurement result with a maximum deviation of 1.3 and at a frequency of 5Hz obtained measurement result with a maximum deviation of 1.8 .

Abstrak :
[ABSTRAK
Perkembangan EEG Pasta yang ada masih tetap menggunakan bahan-bahan yang dapat menyebabkan rasa pedih di mata, perih di kulit dan susah membersihkannnya diperlukan EEG Pasta yang tidak mengakibatkan masalah diatas tetapi tetap memiliki sifat konduktansi yang sangat bagus. Maka dibuatlah prototype Pasta EEG berbahan dasar tepung jagung dengan pengukuran impedansi. Pengukuran impedansi dilaksanakan di RS Pertamedika Sentul City- Sentul City, dimulai tanggal 03/12/2103 ? 20/12/2013. Nilai Impedansi yang diukur meliputi CZ, C3, C4, Z, A1 dan A2 dengan menggunakan Pasta Original, Pasta Tepung Jagung 25% dan Pasta Tepung Jagung 50%. Mengamati nilai impedansi EEG tersebut, dengan penambahan pasta konsentrasi semakin tinggi. Pasta kontrol dan pasta tepung jagung 25% sudah cukup memenuhi syarat pengukuran EEG dengan nilai impedansi yaitu 5-10 k Ohm. Semakin besar kandungan tepung jagung (50%) semakin besar nilai impedansinya.;

---

ABSTRACT
Trend of EEG Paste now is still use the ingredient which can cause skin and eyes irritation also hard to removed. We need EEG paste which cannot cause the above conditions but still have good conductitivity. So we produce prototype EEG paste staff from corn flour with impedance measurement. Impedance measurement executed at Pertamedika Sentul City Hospital, starting from 03/12/2013 ? 20/12/2013. Impedance value including CZ, C3, C4, Z, A1 and A2 using Origin paste, corn flour paste 25% and corn flour paste 50%. Observe EEG impedance value with additional high concentrate paste. Control paste and corn flour paste 25% are fulfilled conditions impedance EEG measurement with impedance value 5-10 k Ohm. More bigger corn flour contains (50%) more higher impedance value., Trend of EEG Paste now is still use the ingredient which can cause skin and eyes irritation also hard to removed. We need EEG paste which cannot cause the above conditions but still have good conductitivity. So we produce prototype EEG paste staff from corn flour with impedance measurement. Impedance measurement executed at Pertamedika Sentul City Hospital, starting from 03/12/2013 – 20/12/2013. Impedance value including CZ, C3, C4, Z, A1 and A2 using Origin paste, corn flour paste 25% and corn flour paste 50%. Observe EEG impedance value with additional high concentrate paste. Control paste and corn flour paste 25% are fulfilled conditions impedance EEG measurement with impedance value 5-10 k Ohm. More bigger corn flour contains (50%) more higher impedance value.]

Abstrak :

Brain-Machine Interface (BMI), atau saat ini juga terdapat Hybrid Brain-Machine Interface (hBMI),teknologi yang saat ini sedang berkembang pesat. Teknologi ini juga telah diaplikasikan pada berbagai bidang. BMI adalah sistem yang secara langsung mengubah pikiran seseorang dari otak menjadi sebuah informasi yang dapat diproses untuk mengartikannya menjadi informasi yang dapat dipahami manusia. BMI ini juga memiliki pengembangan lanjut dimana sinyal otak digabungkan oleh sinyal biologis lain seperti electromyography (EMG), electrooculography (EOG), atau juga electrocardiography (ECG). Pengembangan teknologi ini memiliki aplikasi sebagai alat bantu rehabilitasi untuk seseorang yang menderita ketidakmampuan dalam menggerakkan anggota tubuhnya, seperti tangan. Melalui penelitian ini diharapkan untuk dapat merancang sistem pengendalian orthosis sebagai alat bantu rehabilitasi dengan menggunakan metode klasifikasi dengan sinyal otak dan sinyal otot, sehingga subjek yang menggunakan alat ini dapat melakukan rehabilitasi dalam pergerakan lengan atas khususnya pada sendi siku. Hasil klasifikasi gerakan dengan menggunakan sinyal otak dan sinyal otot ini, dengan menggunakan fitur delta alpha rasio dan root mean square, didapatkan akurasi training untuk tiga gerakan yakni relaks, fleksi, dan ekstensi yaitu sebesar 90.3% dan untuk akurasi testing sebesar 85.2%.

---

Brain-Machine Interface (BMI) or also its advancement, hybrid brain machine interface (hBMI), is a technology that is vastly developed. This technology has been used in many fields. BMI is a system that directly changes human’s mind into information that can be extracted to informations that can be meaningful to people. BMI also has advancement in which the brain signal is combined with other biopotential signal such as electromyography (EMG), electrooculography (EOG), or electrocardiography (ECG). The development of this technology has applications as a rehabilitation aid for someone suffering from an inability to move his limbs, such as the hands. Through this research it is hoped to be able to design an orthosis control system as a rehabilitation device by using a classification method with brain signals and muscle signals, so that subjects who use this tool can carry out rehabilitation in upper arm movements especially in the elbow joint. The results of the movement classification using brain signals and muscle signals, using the delta alpha ratio and root mean square features, obtained training accuracy for three movements namely relax, flexion, and extension of 90.3% and for testing accuracy of 85.2%.

Abstrak :
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.

Abstrak :
ABSTRAK
Skripsi ini akan membahas mengenai analisis daya sinyal electroencephalogram (EEG) pada manusia sebagai subjek yang sedang mengerakkan langan kanan bawah kearah atas dan saat subjek dalam kondisi istirahat (resting) dengan sistem brain computer interface (BCI). Proses perekaman sinyal EEG menggunakan alat yang komersil, EMOTIV EPOC+ dengan 16 channel (2 channel sebagai ground). Data hasil perekaman akan diproses untuk mengekstraksi fitur/ciri khas dari sinyal EEG yang dihasilkan sesuai dengan perlakuan subjek, dengan menggunakan wavelet relative power (WRP), dimana sinyal EEG subjek akan ditransformasikan menggunakan discrete wavelet transform (DWT) dengan tipe motherwavelet daubechies4 (db4), untuk menghitung nilai relative power pada semua rentang frekuensi sinyal EEG (alpha, beta, delta, dan theta). Nilai WRP pada setiap rentang frekuensi tersebut akan unik dan spesifik sesuai dengan gerakan subjek, sehingga akan mencirikan apakah subjek menggerakkan lengan kanan bawah kearah atas atau kondisi resting. Pemrosesan sinyal electroencephalogram (EEG) dilanjutkan dengan menjadikan data WRP tersebut sebagai masukan kesistem klasifikasi. Sistem pengklasifikasian akan menggunakan algoritma support vector machine (SVM), yang akan memberikan kesimpulan pada data sinyal EEG random yang dihasilkan subjek tersebut, apakah termasuk dalam kondisi menggerakkan lengan kanan bawah kearah atas atau dalam keadaan istirahat (resting

---

ABSTRAK
This thesis will discuss about analysis power spectral of electroencephalogram signal (EEG) in humans as subjects that are moving right arms and when the subject is in state of rest using a brain computer interface (BCI) system. EMOTIV EPOC+ as a commercial device will be used to record EEG signal from the subject with 16 channels (2 channel as ground). Data recording results will be processed to extract its features/characteristics of EEG signals that are generated in accordance with the change of movement from the subject, by using wavelet relative power (WRP). These WRP data calculation can be done by transforming data using the discrete wavelet transform (DWT) with motherwavelet daubechies4 (db4), and calculated the value of its relative power on all frequency range (alpha, beta, delta, and theta). WRP values at each frequency range will be unique and spesific in accordance with the movement of the subject, so that WRP will characterize whether the subject move the right arm towards the top or in resting conditions. Using these WRP data information and the impelementation of support vector machine (SVM) algorithm, the system will provide a conclusion on random EEG signals wheater the subject move its arm or in resting condition. The level of accuracy of the system will be tested by looking at the results of the classification of EEG data by as much as 100 trial.

Abstrak :
ABSTRAK
Latar belakang: Thalassemia merupakan kelainan genetik terbanyak di dunia, termasuk Indonesia. Pasien thalassemia mayor berisiko mengalami gangguan fungsi neurokognitif akibat anemia kronik dan penumpukan besi. Tujuan: mengetahui prevalens abnormalitas hasil EEG dan tes IQ, menganalisis faktor-faktor yang diduga berhubungan dengan gangguan fungsi neurokognitif pada anak dengan thalassemia mayor usia saat diagnosis, lama transfusi, pendidikan pasien, rerata Hb pra-transfusi, kadar feritin serum, saturasi transferin, dan komplians terhadap obat kelasi besi , serta untuk mengetahui apakah gangguan neurokognitif dapat memengaruhi fungsi sekolah. Metode: Penelitian potong lintang deskriptif analitik antara April 2016-April 2017. Pengukuran tes IQ menggunakan WISC-III. Hasil: Total subyek adalah 70 anak thalassemia mayor berusia antara 9 hingga 15,5 tahun. Prevalens hasil EEG abnormal adalah 60 dan prevalens skor IQ abnormal

---

ABSTRACT
Background Thalassemia is the most common hereditary disorders worldwide, including Indonesia. Chronic anemia and iron overload in thalassemia major lead to several risk factors including neurocognitive problems. Aim To investigate the prevalence of abnormal EEG and IQ test, to identify the factors related to neurocognitive function in children with thalassemia major age at diagnosis, years of transfusion, patients education, pre transfusion haemoglobin level, ferritin, transferrin saturation, and compliance to chelation , and to identify whether neurocognitive dysfunction affects child rsquo s school performance. Methods A cross sectional descriptive analitic study. Subjects were recruited from April 2016 April 2017. Cognitive function assessed by the WISC III. Results A total 70 children aged from 9 to 15.5 years old were recruited. The prevalence of abnormal EEG and abnormal IQ score

Abstrak :
ABSTRAK
Klasifikasi emosi manusia merupakan salah satu topik hangat yang dapat dimanfaatkan dalam berbagai bidang, baik medis maupun militer. Emosi manusia sendiri dapat diklasifikasi dengan berbagai metode, salah satunya adalah Machine Learning (ML). Machine learning merupakan proses pembelajaran computer untuk menyelesaikan task tertentu, dengan menggunakan metode ini hasil yang didapatkan akan lebih akurat dan konstan. Dalam tesis ini akan dikembangkan sistem klasifikasi emosi manusia berdasarkan sinyal EEG dari DEAP yang berbasis ML dengan berbagai studi metode ML, seperti Backpropagation Neural Network (BPNN), k-Nearest Neighbor (k-NN), Support Vector Machine (SVM) hingga Random Forest (RF). Sistem klasifikasi kemudian akan dikembangkan kembali menggunakan metode Convolutional Neural Network (CNN). Dari penelitian ini didapatkan bahwa nilai recognition rate yang dihasilkan hanya berkisar 50% dengan nilai maksimal 62%. Sistem juga diberikan feature selection layer untuk memaksimalkan recognition rate, namun penambahan ini tidak memberikan hasil yang signifikan. Dengan demikian recognition rate pada sistem klasifikasi menggunakan sinyal EEG sangat bergantung pada pemrosesan sinyal raw.

---

ABSTRACT
The classification of human emotions is a hot topic that can be utilized in various fields, both medical and military. Human emotions themselves can be classified by various methods, one of which is Machine Learning (ML). Machine learning is a process of learning computers to complete certain tasks, using this method the results obtained will be more accurate and constant. In this thesis a human emotion classification system will be developed based on EEG signals from DEAP dataset using various ML method studies, such as Backpropagation Neural Network (BPNN), k-Nearest Neighbor (k-NN), Support Vector Machine (SVM) to Random Forest (RF). The classification system will be developed again using the Convolutional Neural Network (CNN) method. From this study it was found that the value of the recognition rate produced is only around 50% with a maximum value of 62%. The system is also given a feature selection layer to maximize recognition rate, but this addition does not provide significant results. Thus the recognition rate in the classification system using EEG signals is very dependent on raw signal processing.

Abstrak :
ABSTRAK Isu kesehatan mental merupakan sebuah isu yang sangat berkembang pesat pada masa ini. Remaja dan dewasa muda pada usia 16 hingga 30 tahun adalah korban utama yang menjadi penderita penyakit mentalitas. Isu kesehatan mental merupakan isu yang cukup serius dalam bidang medis dan social. Salah satu penyebab dari penyakit pada mentalitas manusia adalah kurangnya kemawasan diri, yang merupakan salah satu kunci dalam menjaga kestabilan mental pada diri seseorang. Sinyal otak merupakan suatu sinyal yang diduga mampu mendekteksi aktifitas otak manusia, dan dari sinyal tersebut, kita mampu membuat suatu sistem klasifikasi kondisi emosional manusia. Pada penelitian ini, EEG Neurostyle dengan 24 kanal digunakan untuk menangkap sinyal kelistrikan dari otak manusia. Metodenya meliputi reaksi seorang subjek terhadap stimulus berupa audio-visual yang berdurasi kurang lebih 5 menit. Subjek terdiri dari 10 orang manusia berumur 18 hingga 22 tahun, dimana tiap subjek menonton sebuah video pada lingkungan yang sama. Ekspresi mimik wajah akan direkam menggunakan kamera sebagai referensi dan konfirmasi agar sesuai dengan emosi yang dideskripsikan oleh subjek. Fitur emosi berupa RPR kemudian diambil untuk kemudian dimasukan kedalam algoritme classifier. Emosi dibagi berdasarkan 4 jenis yaitu: senang, sedih, takut, dan jijik Menggunakan Supervised Machine Learning, kita dapat menggunakan fitur fitur tersebut untuk klasifikasi. Menggunakan k-NN, didapat akurasi diatas 70% dengan menggunakan 4 kelas.

---

ABSTRACT Mental health issues are growing rapidly in these recent years. Teenagers and young adult on age 16-30 years old are the most common victims. Mental health is a really serious issue concerning emotional health. One of the causes on emotional health issues is a lack of self-awareness, which is the key cornerstone on maintaining emotional-state. Brain signals has proven that it can read human emotion, and from there we can use brain waves to classify human emotional-state. In this research study, EEG Neurostyle of 24 channels is used to obtain brain electrical signals. The method involves the subject reaction to a set of audio-visual stimuli of approximately 5 minutes, the subject consists of 10 subjects aged 18-22, with each person watched the video-clips in the same environment. The expressions of the subjects were recorded separately to ensure their emotion accordance with the source (i.e. sad clips resulting sad emotion). Then its feature were extracted. The feature were used to classify the emotion into 4 classes: happy, sad, scared, and disgust. Using Supervised Machine Learning Method, we can use these features to identify a new sample to predict which class it belongs to. Using k-NN algorithm as classifier, an accuracy greater than 70% is obtained with 4 classes.

Abstrak :
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.