Perancangan Sistem Brain Computer Interface Untuk Klasifikasi Demensia Berdasarkan Sinyal Electroenchephalograph Dengan Metode Hilbert Huang Transform

Penulis

DOI:

https://doi.org/10.34818/eoe.v7i3.14074

Abstrak

Demensia merupakan gangguan sistem syaraf pada otak yang menyebabkan berbagai reaksi pada tubuh manusia. Salah satunya dengan berkurangnya kemampuan untuk memahami perkataan orang lain dan hilangnya memori. Penyakit ini akan bertambah buruk seiring berjalannya waktu. Pada umumnya demensia dapat dideteksi dengan menggunakan elektroensephalograf. Elektroensephalograf merupakan alat yang digunakan untuk mengukur aktivitas kelistrikan pada otak. Penyakit demensia ditandai oleh perlambatan respon pada otak yang kemudian mempengaruhi memori pada otak. Elektroensephalograf menggunakan sensor khusus berupa elektroda yang dipasang dikepala. Pada penelitian sebelumnya, pengolahan sinyal EEG dilakukan menggunakan menggunakan metode fast forward transform (FFT). Adapun analisis mengenai filter sinyal EEG khususnya pada demensia belum banyak dilakukan. Pada penelitian ini, analisis penggunaan filter untuk pengolahan sinyal demensia dilakukan dengan beberapa metode filtering, yaitu dengan menggunakan butterworth, empirical mode decomposition (EMD) yang merupakan bagian dari hilbert huang transform (HHT) dan pemilihan band frekuensi. Untuk mengetahui efektifitas penerapan filter tersebut, digunakanlah pengukuran akurasi untuk mengukur performa perancangan sistem BCI. Pada perancangan sistem ini, sistem BCI ini menggunakan entropy sebagai bentuk ekstraksi cirinya dan support vector machine (SVM) sebagai metode klasifikasinya. Berdasarkan hasil pengujian didapatkan bahwa EMD terbukti dapat meningkatkan akurasi hingga lebih dari 3% dari butterworth dengan tipe gelombang frekuensi (alpha) dan akurasi tertinggi yang dicapai yaitu 80.70%. Sebagai kesimpulan dari penelitian ini, sistem BCI menunjukkan hasil yang lebih akurat dengan menggunakan EMD sebagai filter. Dengan demikian, EMD dapat berfungsi sebagai filter sinyal EEG pada sistem deteksi demensia. Kata kunci : Brain-Computer Interface (BCI), Electroenchephaloghrapy (EEG), Hilbert Huang Transform (HHT), Support Vector Machine (SVM), Dementia.

Unduhan

Data unduhan tidak tersedia.

Referensi

[1] C. Carrion, F. Folkvord, D. Anastasiadou, and M. Aymerich, “Cognitive Therapy for Dementia Patients : A Systematic Review,” Res. Gate, pp. 1–26, 2018.

[2] A. Tsolaki, D. Kazis, I. Kompatsiaris, V. Kosmidou, and M. Tsolaki, “Electroencephalogram and Alzheimer ’ s Disease : Clinical and Research Approaches,” vol. 2014, 2014.

[3] P. Durongbhan et al., “Frequency and Time-Frequency Features Based on EEG Signals,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 27, no. 5, pp. 826–835, 2019.

[4] N. K. Al-qazzaz, S. Ali, S. A. Ahmad, and J. Escudero, “Classification enhancement for post - stroke dementia using fuzzy neighborhood preserving analysis with QR - decomposition,” pp. 3174–3177, 2017.

[5] D. Australia, “What is Dementia?,” 2017.

[6] J. T. O. Brien and A. Thomas, “Non-Alzheimer ’ s Dementia 3 Vascular dementia,” Lancet Biomed. Res. Build., vol. 386, no. 10004, pp. 1698–1706, 2015.

[7] 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,” Pengemb. Teknol. Inf. dan Ilmu Kompt. Univ. Brawijaya, vol. 2, no. 3015– 3021, 2018.

[8] E. P. Giri, M. I. Fanany, A. M. Aryrnurthy, and S. K. Wijaya, “Ischemic Stroke Identification Based on 61.50% 53.80% 80.70% 73.00% 61.50% 50.00% 1 -I M F 2 -I M F 3 -I M F 4 -I M F 5 -I M F 7 -I M F EEG and EOG using ID Convolutional Neural Network and Batch Normalization,” ICACIS, pp. 484– 491, 2016.

[9] D. P. Gustiawan, E. C. Djamal, and K. Agus, “Identifikasi Variabel-Variabel dari Sinyal Elektroensephalogram Pasien Rehabilitasi Stroke Menggunakan Wavelet dan Self-Organizing Map,” Semin. Nas. Apl. Teknol. Inf., pp. 15–20, 2018.

[10] M. Z. Ilyas, P. Saad, M. I. Ahmad, and A. P. E. E. G. Signals, “Signals for Brain-Computer Interfaces,” IEEE Access, no. March, pp. 30–31, 2015.

[11] J. J. Shih, D. J. Krusienski, and J. R. Wolpaw, “Brain-Computer Interfaces in Medicine,” JMCP, vol. 87, no. 3, pp. 268–279, 2012.

[12] Z. Gao et al., “Classification of EEG Signals on VEP-Based BCI Systems With Broad Learning,” IEEE Trans. Syst., pp. 1–9, 2020.

[13] and C. Q. M. Arvaneh, S. Member, C. Guan, K. K. Ang, ““Optimizing the Channel Selection and Classification Accuracy in Introduction Experiments Results And Conclusion,” IEEE Trans. Biomed. Eng. 38, vol. 58, n, 2012.

[14] L. Bi, X. Fan, and Y. Liu, “EEG-Based Brain-Controlled Mobile Robots : A Survey,” IEEE Trans. Hum. Mach. Syst., vol. 43, no. 2, pp. 161–176, 2013.

[15] R. A. Ramadan and A. V Vasilakos, “Brain computer interface_ control signals review,” Neurocomputing, vol. 223, no. August 2016, pp. 26–44, 2017.

[16] R. Yan, S. Member, R. X. Gao, and S. Member, “Hilbert – Huang Transform-Based Vibration Signal Analysis for Machine Health Monitoring,” IEEE Trans. Instrum. Meas., vol. 55, no. 6, pp. 2320–2329, 2006.

[17] K. Fu, J. Qu, Y. Chai, and Y. Dong, “Biomedical Signal Processing and Control Classification of seizure based on the time-frequency image of EEG signals using HHT and SVM,” Biomed. Signal Process. Control, vol. 13, pp. 15–22, 2014.

[18] S. K. Yadav, V. Bajaj, A. Kumar, and A. E. E. G. Dataset, “An EMD based approach for discrimination of Apnea and Normal EEG Signals,” 2017 Int. Conf. Recent Innov. Signal Process. Embed. Syst., pp. 191–194, 2017.

[19] R. Ho, H. Kong, and H. Kong, “A Comparative Investigation of Mode Mixing in EEG Decomposition Using EMD , EEMD and M-,” IEEE Access, no. 2, pp. 203–210, 2020.

[20] M. S. R. Goyat, “Feature Extraction for the Analysis of Multi-Channel EEG Signals Using Hilber-Huang Technique,” Int. J. Eng. Technol., vol. 8, 2016.

[21] C. Wang, “Identification of Early Vascular Dementia Patients With EEG Signal,” IEEE Access, vol. 7, pp. 68618–68627, 2019.

[22] A. S. Nugroho, “Pengantar Support Vector Machine,” J. Data Mining, Jakarta, p. 3, 2007.

[23] D. Surangsrirat, C. Thanawattano, R. Pongthornseri, S. Dumnin, C. Anan, and R. Bhidayasiri, “Support Vector Machine Classification of Parkinson ’ s Disease and Essential Tremor Subjects based on Temporal Fluctuation,” IEEE Eng. Med. Biol. Soc., pp. 6389–6392, 2016.

[24] A. Rizal, R. Hidayat, and H. A. Nugroho, “Lung Sound Classification Using Empirical Mode Decomposition and the Hjorth Descriptor,” Am. J. Appl. Sci., 2017.

[25] O. N. Rahma, “Electroencephalogram Analysis with Extreme Learning Machine as a Supporting Tool for Classifying Acute Ischemic Stroke Severity,” IEEE Access, pp. 180–186, 2017.

[26] S. C. Y. Schroeder et al., “The Role of Alpha Oscillations in Distractor Inhibition during Memory Retention,” Eur. J. Neurosci., pp. 0–2, 2018.

Diterbitkan

2020-12-01

Terbitan

Halaman

9145-9151

Bagian

Program Studi S1 Teknik Telekomunikasi

Cara Mengutip

Hidayati, A. P., Fauzi, H., & Rizal, A. (2020). Perancangan Sistem Brain Computer Interface Untuk Klasifikasi Demensia Berdasarkan Sinyal Electroenchephalograph Dengan Metode Hilbert Huang Transform. eProceedings of Engineering, 7(3), 9145-9151. https://doi.org/10.34818/eoe.v7i3.14074