Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Obyektif: Bunyi frekuensi rendah intensitas tinggi (FRIT) merupakan inovasi stimulasi auditorik yang menggunakan gelombang sinusoidal dengan frekuensi di bawah 100 Hz dan intensitas 110–140 dB SPL untuk memperoleh respons tubuh khususnya otak. Pajanan diberikan dalam kondisi tidur sedasi untuk memperoleh efek yang optimal. Respons dihasilkan akibat resonansi gelombang pajanan dengan irama otak. Kepastian keamanan pajanan ditentukan oleh emisi otoakustik (OAE). Desain studi: Penelitan ini adalah tahap pendahuluan dengan uji coba pada hewan. Metode: Penelitian dilakukan dengan dua tahap, yakni pembuatan instrumen dan eksperimen pada hewan coba. Instrumen stimulasi bunyi terdiri dari generator sinyal yang dibuat khusus, penguat sinyal analog, dan headphones. Eksperimen menggunakan dua monyet (M1 dan M2) jantan dewasa di Pusat Studi Satwa Primata Institut Pertanian Bogor pada waktu yang tidak bersamaan. Masing-masing terdiri dari 3 kali pertemuan untuk adaptasi intrumentasi dan anestesi, kemudian 1 kali pertemuan untuk pajanan bunyi. M1 diberikan sedasi ketamin dan pajanan bunyi 80 atau 40 Hz dengan intensitas 110–140 dB, sedangkan M2 diberikan sedasi propofol dan pajanan bunyi 10 Hz dengan intensitas 110–120 dB. Pengukuran OAE dilakukan setelah peningkatan pajanan per 10 dB SPL. Analisis sinyal dikerjakan secara offline dengan segmen elektroensefalografi (EEG) selama 2 menit. Hasil: Sedasi ketamin menghasilkan daya pita beta rendah EEG yang dominan, sedangkan propofol menghasilkan daya pita delta yang tertinggi. Pajanan bunyi FRIT 80 dan 40 Hz memberikan respons yang bermakna pada nilai spektral EEG dibandingkan tanpa pajanan. Pajanan 10 Hz meskipun tidak bermakna secara statistik, namun memberikan gambaran asimetri alfa frontal pada intensitas 120 dB. Intensitas optimal dicapai pada frekuensi 80 Hz adalah 125 dB SPL, pada frekuensi 40 Hz adalah 130 dB SPL, dan pada frekuensi 10 Hz adalah 120 dB SPL. Perbedaan intensitas berpengaruh pada perubahan nilai spektral EEG. Pajanan bunyi HILF berpengaruh pada nilai OAE, namun tidak mengganggu fungsi pendengaran. Simpulan: Peningkatan daya pita beta EEG diharapkan memperbaiki performa sensorimotorik, sedangkan asimetri alfa frontal EEG meningkatkan motivasi. Pajanan bunyi frekuensi rendah meskipun diberikan dalam intensitas tinggi tidak merusak koklea, justru terjadi hal sebaliknya yang sangat menarik untuk dielaborasi lebih lanjut. ......Objective: High-intensity low-frequency sound (HILF) is a novel auditory stimulation that utilizes sinusoidal waves with frequencies below 100 Hz and intensities of 110–140 dB SPL to elicit a response from the body, particularly the brain. To achieve the best effect, exposure is given while sedated. Resonance between the exposure wave and the rhythm of the brain generates the response. Otoacoustic emission (OAE) is used to ensure exposure safety. Study Design: This is a preliminary study using animal testing. Methods: The study was divided into two stages: instrument development and animal testing. The sound stimulation device includes a custom-made signal generator, an analog signal amplifier, and headphones. Experiments with two adult male cynomolgus monkeys (M1 and M2) conducted at different times at the Center for Primate Animal Studies, Bogor Agricultural Institute. Each comprised of three meetings for instrumentation and anesthetic adaption, followed by one meeting for sound exposure. M1 was sedated with ketamine and exposed to 80 or 40 Hz sounds with an intensity of 110–140 dB, whereas M2 was sedated with propofol and exposed to 10 Hz sounds with an intensity of 110–120 dB. The intensity increase step is 5 dB. OAE measurements were taken following a 10 dB SPL increase in exposure. Two-minute segments of electroencephalography (EEG) signals were analyzed offline. Results: Ketamine sedation provided the most dominant low beta band EEG, whilst propofol produced the most delta band power. Exposure to 80 and 40 Hz FRIT sound resulted in a significant change in EEG spectral values in comparison to no exposure. Despite the fact that the 10 Hz exposure was not statistically significant, it produced a 120 dB appearance of alpha frontal asymmetry. At a frequency of 80 Hz, the optimal intensity is 125 dB SPL, at a frequency of 40 Hz it is 130 dB SPL, and at a frequency of 10 Hz it is 120 dB SPL. Changes in EEG spectral value are influenced by differences in intensity. Exposure to HILF sound has an effect on OAE values but does not impair hearing function. Conclusion: Increasing the power of the EEG beta band is expected to improve sensorimotor performance, whereas increasing the power of the EEG alpha band promotes motivation. Exposure to low-frequency sound, even at high intensity, does not harm the cochlea; on the contrary, the opposite occurs, which deserves further investigation.

Abstrak :
Luasnya dampak negatif gangguan depresi terhadap kehidupan seseorang membawa urgensi akan pentingnya metode diagnosis yang akurat dan objektif agar bisa menerapkan langkah pengobatan yang cepat pada pasien yang depresi. Metode diagnosis gangguan depresi yang berbasis kuesioner atau wawancara berpotensi subyektif, karena pasien bisa saja tidak menceritakan dengan detail kondisi yang dialaminya. EEG dapat menjadi sarana alternatif untuk mencapai diagnosis yang akurat dan objektif tersebut. Sinyal EEG mengandung banyak fitur yang dapat diekstrak dengan mudah, contohnya Relative Power Ratio (RPR). Penelitian ini mengekstrak fitur RPR dari sinyal EEG dengan menggunakan dua metode, yaitu STFT (Short-Time Fourier Transform) dan PSD (Power Spectral Density) dari 14 elektroda EEG yang tersedia. Fitur RPR yang diekstrak akan direduksi menggunakan algoritma PCA (Principal Component Analysis) ke dalam dimensi yang lebih rendah dengan tetap mempertahankan variansi (informasi) fitur sebesar 90%. Model ANN (Artificial Neural Network) dengan jenis FNN (Feedforward Neural Network) digunakan untuk klasifikasi pasien yang sehat dengan yang depresi. Dampak dari algoritma PCA akan dilihat pada performa model FNN dan lama waktu pelatihan yang dibutuhkan model FNN. Performa model yang akan diukur adalah akurasi, sensitivitas dan spesifisitas. Performa model akan divalidasi menggunakan 10-Fold Validation yang dijalankan sebanyak 10 iterasi. PCA berhasil mereduksi dimensi fitur RPR sebesar 57.1% dengan metode PSD dan 57.1% dengan metode STFT. Akurasi tertinggi yang didapatkan model FNN adalah 69.5% ketika menerapkan algoritma PCA pada RPR metode PSD, dan 68% ketika menerapkan algoritma PCA pada fitur RPR metode STFT. Penerapan PCA pada fitur RPR menurunkan waktu pelatihan model sebesar 6.33% dengan metode PSD dan sebesar 42.56% dengan metode STFT. Performa model FNN lebih baik setelah penerapan PCA dibandingkan dengan menggunakan fitur RPR langsung ke dalam model FNN. Hal ini menunjukkan bahwa PCA memiliki potensi untuk menurunkan waktu pelatihan model FNN dengan tetap mempertahankan performa model FNN. ......The extent of the negative impact of depressive disorder on a person’s life raises the urgency of the importance of an accurate and objective diagnostic method to quickly apply treatment steps for depressive patients. Diagnostic method that based on questionnaire and interview has the potential to be subjective, because the patient might be not fully explain his condition. EEG or Electroencephalography could be an alternative way to achieve the accurate and objective diagnostic. EEG signal has many features that can be extracted easily, for example the Relative Power Ratio. This research extracted RPR features from EEG signal by implementing two methods, STFT (Short-Time Fourier Transform) and PSD (Power Spectral Density) from 14 available EEG electrodes. The extracted RPR features will be reduced by using PCA algorithm to a lower dimension while still retaining 90% variance (information) from the features. ANN (Artificial Neural Network) with the type of FNN (Feedforward Neural Network) will be used to classify healthy patients with depressed patients. The effect of PCA algorithm will be seen on the FNN model’s performances and on the training duration of the FNN model. Model’s performances that will be measured are accuracy, sensitivity, and specificity. Model’s performances will be validated by using 10-Fold Validation which will be executed for 10 iterations. PCA managed to reduce 57.1% RPR features’ dimensions by using PSD method and 57.1% by using STFT method. The highest accuracy achieved by FNN model is 69.5% when implementing PCA algorithm to the RPR features from the PSD method, and 68% when implementing PCA algorithm to the RPR features from STFT method. The implementation of PCA to the RPR features managed to reduce 6.33% training duration of FNN model for the PSD method and 42.56% for the STFT method. Better FNN model’s performances are shown after the implementation of PCA algorithm compared to when using the RPR features directly to the FNN model. This shows that PCA has a potential of reducing the training duration of the FNN model while still retaining FNN model’s performances.

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.

Abstrak :
This book provides cutting-edge insights into autonomous vehicles and road terrain classification, and introduces a more rational and practical method for identifying road terrain. It presents the MRF algorithm, which combines the various sensors classification results to improve the forward LRF for predicting upcoming road terrain types. The comparison between the predicting LRF and its corresponding MRF show that the MRF multiple-sensor fusion method is extremely robust and effective in terms of classifying road terrain. The book also demonstrates numerous applications of road terrain classification for various environments and types of autonomous vehicle, and includes abundant illustrations and models to make the comparison tables and figures more accessible.