Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Terdapat dua masalah besar yang diselesaikan dalam disertasi ini, yaitu masalah pemrosesan sinyal dan masalah aplikasi sinyal EEG dalam pengenalan keadaan emosi. Masalah tersebut diselesaikan dengan metode kecerdasan komputasional yang terdiri dari bagian utama, ekstraksi fitur dan klasifikasi. Pada bagian ekstraksi fitur, pada disertasi ini dibahas penggunaan metode konvensional ekstraksi fitur berbasis power spectrum yaitu dengan Discrete Wavelet Transform DWT , dan penggunaan metode baru ekstraksi fitur yang diajukan yaitu analisis bispektrum dengan filter piramida 3D, serta dengan Relative wavelet bispectrum RWB. Untuk menyelesaikan permasalahan penerapannya pada sistem otomatis pengenal emosi, maka classifier dengan jenis Artificial Neural Network ANN digunakan.Penggunaan DWT dalam metode ekstraksi fitur menunjukkan bahwa fitur Relative Wavelet Energy DWT RWE memberikan recognition rate terbaik, konsep energi relatif ini kemudian digunakan pada metode baru yang diajukan. Pada metode baru ekstraksi fitur menggunakan analisis bispektrum dengan filter piramida 3D, diketahui bahwa persentase mean bispektrum memberikan recognition rate yang terbaik dengan kompleksitas yang lebih rendah 74.22 untuk arousal dan 77.58 untuk valence. Filter non-overlap dengan ukuran alas yang bervariasi memberikan recognition rate tertinggi, khususnya secara signifikan terlihat untuk jenis emosi arousal. Penurunan jumlah channel EEG sampai dengan 8 channel dapat dilakukan untuk menurunkan biaya komputasi. Metode baru ekstraksi fitur yaitu RWB telah diajukan dalam disertasi ini dan menunjukkan pengenalan yang sangat baik mencapai 90 untuk data sinyal EEG orang alkoholik. Semakin besar lag yang digunakan dalam perhitungan korelasi, semakin tinggi recognition rate yang diperoleh. Capaian dari penelitian ini membuktikan bahwa RWB cocok untuk digunakan sebagai metode ekstraksi fitur untuk klasifikasi orang alkoholik, dan dapat dipertimbangkan untuk digunakan pada aplikasi lainnya. Dari keempat classifier yang diujikan, dari segi recognition rate, PNN sedikit lebih unggul daripada BPNN, namun uji sensitivity, specificity dan PPV serta grafik ROC menunjukkan bahwa BPNN merupakan classifier yang lebih baik dibanding PNN. Di sisi lain, waktu komputasi PNN untuk mencapai recognition rate maksimum adalah sekitar 3,5 kali lebih cepat dibanding BPNN.

---

There are two major problems resolved in this dissertation, which are signal processing problem and the problem in EEG signal in the application of recognizing human emotional states. The problems were solved by applying a computational intelligence method consists of two main parts, the feature extraction and the classification. In the feature extraction sub system, this study improved a conventional methods using power spectrum from discrete wavelet transform DWT, and proposed a new method for feature extraction by using bispectrum analysis with 3D pyramid flter, as well as using relative wavelet bispectrum RWB. To solve the problem in the application of EEG signal for automatic emotion recognition system, the artificial neural network ANN classifier was used.The use of DWT in the feature extraction method shows that the relative wavelet energy DWT RWE feature provides the best recognition rate, the relative energy concept was then used in the proposed new feature extraction methods. In the proposed feature extraction using bispectrum analysis with 3D pyramid filters, the mean percentage of bispectrum feature gave the best recognition rate with lower complexity i.e. 74.22 for arousal and 77.58 for valence. Non overlap filters with varied base sizes provided the highest recognition rate, and significantly seen for the arousal emotion. The selection of eight EEG channels can be conducted to lower the cost of computing. A novel feature extraction method, the RWB, showed an excellent recognition for the alcoholic person. The larger the lag used in the correlation calculation in RWB, the higher the recognition rate obtained. The achievements of this study proved that RWB is suitable as a feature extraction method for the classification of alcoholic subjects, and may be considered for use in other applications.Of the four classifiers tested, PNN is slightly superior to BPNN in terms of recognition rate however, the sensitivity, specificity and PPV tests and ROC graph shown that BPNN is a better classifier than PNN. On the other hand, the PNN computing time to reach the maximum recognition rate was about 3.5 times faster than BPNN.

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.