Analisa Komposisi Kanal Aktif Pada Sinyal Eeg Stroke Menggunakan Metode Spatial Selection
DOI:
https://doi.org/10.34818/eoe.v7i2.12641Abstrak
Stroke adalah salah satu penyakit selebrovaskular yang disebabkan oleh obstruksi aliran darah ke otak. Stroke menjadi salah satu penyebab kematian terbesar di Indonesia, menurut data South East Asian Medical Information Center (SEAMIC) diketahui bahwa angka kematian stroke terbesar terjadi di Indonesia yang kemudian diikuti berurutan oleh Filipina, Singapura, Brunei, Malaysia, dan Thailand. Terdapat beberapa alat untuk mendiagnosis penyakit stroke, salah satunya adalah Elektroensepalograf (EEG). EEG merupakan alat yang dapat digunakan untuk merekam aktivitas elektron pada otak manusia yang diletakkan di kulit kepala manusia. Diantara sistem BCI lainnya EEG merupakan salah satu alat yang lebih banyak digunakan, karena harganya yang lebih murah, mudah digunakan dan resolusi temporal yang tinggi dibandingkan dengan alat lainnya seperti fMRI dan fNIRS. Namun, kinerja sinyal dalam EEG akan menurun jika menggunakan kanal dengan jumlah besar. Selain itu, dapat menghabiskan waktu persiapan yang cukup panjang yang akan mempengaruhi kenyamanan dalam penggunaan EEG. Berdasarkan permasalahan tersebut, penelitian ini akan mengolah sinyal EEG stroke menggunakan metode spatial selection. Dalam spatial selection terdapat dua metode energi seleksi yang digunakan yaitu manual selection dan automatic selection, serta menggunakan fitur ekstraksi Power Spectral Density (PSD) dan klasifikasi Extreme Learning Machine (ELM) untuk memfilter dataset menjadi ukuran yang lebih optimal dan mendapatkan hasil komposisi kanal aktif yang relevan. Hasil menunjukkan bahwa metode spatial selection baik manual maupun automatic selection dapat meningkatkan akurasi hingga 15% dari data normal dengan akurasi tertinggi 0,84 yang dicapai saat menggunakan metode perhitungan l2-norm. Metode perhitungan energi l2-norm mendapatkan hasil yang lebih baik dibandingkan metode perhitungan lainnya. Metode inipun dapat menyeleksi kanal aktif yang relevan dengan sinyal EEG stroke.
Kata Kunci: Stroke, Elektroensepalograf (EEG), Seleksi Kanal, Spatial Selection
Unduhan
Referensi
[1]A. Yonata and A. P. P. Satria, “Hipertensi sebagai Faktor Pencetus Terjadinya Stroke,” Majority, vol. 5, no. 2, p. 17, 2016.
[2]B. A. B. Ii and T. Pustaka, “ Definisi Stroke Risiko dan Penyebab USU,” pp. 7–26, 2014.
[3]C. A. Dinata, Y. Safrita, and S. Sastri, “Gambaran Faktor Risiko dan Tipe Stroke Pada Pasien Rawat Inap,” J. Kesehat. Andalas, vol. 2, no. 2, pp. 57–61, 2013.
[4]M. Z. Baig, N. Aslam, and H. P. H. Shum, “Filtering techniques for channel selection in motor imagery EEG applications: a survey,” Artif. Intell. Rev., 2019.
[5]M. Schröder et al., “Robust EEG channel selection across subjects for brain-computer interfaces,”
EURASIP J. Appl. Signal Processing, vol. 2005, no. 19, pp. 3103–3112, 2005.
[6]B. Blankertz et al., “The Berlin brain-computer interface,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 5050 LNCS, pp. 79–101, 2008.
[7]M. Arvaneh, C. Guan, K. K. Ang, and C. Quek, “Robust EEG channel selection across sessions in brain- computer interface involving stroke patients,” Proc. Int. Jt. Conf. Neural Networks, pp. 10–15, 2012.
[8]H F. A. A. Aziz, H. Fauzi, M. I. Shapiai, A. F. A. Aziz, G. Remijn, and Z. H. Ismail, “EEG BSI-HHT in
ischaemic stroke with multifocal infarction,” IEEE Reg. 10 Annu. Int. Conf. Proceedings/TENCON, vol. 2017-Decem, pp. 1651–1656, 2017.
[9]V. Adelina, D. E. Ratnawati, and M. A. Fauzi, “Klasifikasi Tingkat Risiko Penyakit Stroke Menggunakan Metode GA-Fuzzy Klasifikasi Tingkat Risiko Penyakit Stroke Menggunakan Metode GA- Fuzzy Tsukamoto,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. September, pp. 3015–3021, 2018.
[10]H. Fauzi, M. I. Shapiai, N. A. Setiawan, J. Jaafar, and M. Mustafa, “Channel selection for common spatial pattern Based on energy calculation of motor imagery EEG signal,” ICCREC 2017 - 2017 Int. Conf. Control. Electron. Renew. Energy, Commun. Proc., vol. 2017-Janua, pp. 33–39, 2017.
[11]H. Fauzi, M. I. Shapiai, S. Shah Abdullah, and Z. Ibrahim, “Automatic Energy Extraction Methods for EEG Channel Selection,” Proc. - 2018 Int. Conf. Control. Electron. Renew. Energy Commun. ICCEREC 2018, pp. 70–75, 2019.
[12]H. Fauzi, M. A. Azzam, M. I. Shapiai, M. Kyoso, U. Khairuddin, and T. Komura, “Energy extraction method for EEG channel selection,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 17, no. 5, pp. 2561–2571, 2019.
[13]R. Zhang, P. Xu, L. Guo, Y. Zhang, P. Li, and D. Yao, “Z-Score Linear Discriminant Analysis for EEG Based Brain-Computer Interfaces,” PLoS One, vol. 8, no. 9, 2013.
[14]P. D. Welch, “The Use of Fast Fourier Transform for the Estimation of Power Spectra,” Digit. Signal Process., no. 2, pp. 532–574, 1975.
[15]Q. She, K. Chen, Y. Ma, T. Nguyen, and Y. Zhang, “Sparse representation-based extreme learning machine for motor imagery EEG classification,” Comput. Intell. Neurosci., vol. 2018, 2018.



