EKSTRAKSI FITUR SINYAL ELEKTROENSEFALOGRAF (EEG) UNTUK IDENTIFIKASI UNSPOKEN-SPEECH MENGGUNAKAN EEGLAB

Transkripsi

1

2 EKSTRAKSI FITUR SINYAL ELEKTROENSEFALOGRAF (EEG) UNTUK IDENTIFIKASI UNSPOKEN-SPEECH MENGGUNAKAN EEGLAB Pembimbing : Ir. Syamsul Arifin, MT. Andi Rahmadiansah, ST. MT. oleh : Bagas Isadewa Teknik Fisika ITS

3

4 the Idea Kelumpuhan

5 the Idea Unspoken-Speech merupakan aktivitas berbicara atau mengucapkan suatu kata tanpa menggunakan organorgan artikulatori dan tidak menghasilkan suara sama sekali.

6 the Idea Brain-Computer Interface

7 Permasalahan Bagaimana cara mengekstraksi fitur sinyal EEG untuk identifikasi unspoken-speech menggunakan EEGLAB

8 Tujuan dan Manfaat Mendapatkan fitur sinyal EEG pada aktivitas unspoken-speech. Memudahkan proses klasifikasi sinyal EEG untuk pengembangan Brain-Computer Interface (BCI).

9 Brain Computer Interface must not depend on the brain s normal output pathways of peripheral nerves and muscles

10 Brain Computer Interface Perekaman sinyal EEG Preprocessing (artefact removal) Ekstraksi fitur Klasifikasi / translasi fitur Aplikasi BCI

11 Elektroensefalograf Elektroda Bio-Amp Filter ADC Display

12 Ritme Sinyal EEG

13 Bagaimana Otak Bekerja?

14 Bagaimana Otak Bekerja?

15 Mulai Ekstraksi epoch Perekaman sinyal EEG Dekomposisi data dan artifact removal menggunakan ICA Konversi sinyal.raw menjadi.txt Averaging data Import data ke EEGLAB Visualisasi ERP Import lokasi kanal Analisa dan pembahasan Segmentasi event Selesai

16 Eksperimen 2 (dua) subjek laki-laki dewasa Aktivitas yang dilakukan yaitu membaca tanpa suara Blocks : A20x / I 20x / U 20x / E 20x / O20x Sequential : (AIUEO)5x diulang 4x Total 20x untuk tiap huruf

17 Eksperimen Menggunakan Compumedics ProFusion 21 channel Stimulus ditampilkan di layar laptop Berupa slideshow huruf A I U E O Pengolahan data menggunakan EEGLAB

18 Perekaman Sinyal EEG Pemasangan elektroda dengan standar 10-20

19 EEGLAB??? Matlab toolbox opensource

20 Flowchart Mulai Segmentasi event Perekaman sinyal EEG Ekstraksi epoch Konversi data sinyal Ekstraksi fitur pada sinyal Import data ke EEGLAB Import lokasi kanal Analisa dan pembahasan Re-reference elektroda Selesai

21 Mulai Data sinyal EEG per epoch Inspeksi visual data tiap epoch Inspeksi visual data tiap epoch Visualisasi fitur Visualisasi fitur Run ICA Selesai Analisa kemiripan sinyal

22 Olah Data Pra EEGLAB Sinkronisasi Event Waktu rekaman EEG dan stimulus direkam untuk mendapatkan waktu onset stimulus Hasil perekaman berupa.raw Konversi data.raw menjadi.txt menggunakan Persyst Channel A1 dan A2 dihapus

23 EEGLAB - preprocessing Import data.txt Import channel location : 19 channel Import event : berdasarkan sinkronisasi Event ialah Segmentasi event Ekstraksi epoch Epoch ialah

24 Fitur Fitur ialah suatu karakter pembeda dari sinyal hasil pengukuran yang didapat dari segmentasi pola sinyal tertentu Ekstraksi fitur bertujuan untuk mendapatkan karakteristik atau ciri yang unik dari suatu pola sinyal Proses klasifikasi menjadi lebih mudah jika sinyal yang bersangkutan hanya mengandung fitur yang dibutuhkan

25 EEGLAB Ekstraksi Fitur Fitur Apa? ERP (event related potential) PSD (power spectral density) ERP image

26 EEGLAB Ekstraksi Fitur Dekomposisi data menggunakan ICA Menghasilkan ERP Artifact Removal Averaging Data Menghasilkan ERP Time-Freq Analysis Power Spectral Density

27 ERP??? Event related potential Potensial listrik yang muncul terkait dengan event tertentu Tidak terlihat pada sinyal raw Orde dalam mikrovolt Muncul pada rentang waktu beberapa ratus milisekon

28 ERP? Lanjut Secara tradisional diekstrak melalui averaging ICA mampu mendekomposisi sinyal EEG untuk mendapatkan komponen ERP

29 Averaging ERP Menjumlahkan trials Trials adalah data kontinyu pada rentang waktu terkait dengan event Trials harus time-locked dengan event Averaging melemahkan sinyal yang berbeda fasa dan menguatkan sinyal berfasa sama pada time-locked

30 Averaging

31 ICA ERP Independent component analysis Memberikan solusi pada blind source separation Berfungsi sebagai spatial filter

32 ICA Skema

33 ICA Contoh

34 Artifak Ialah sinyal non neural yang ikut terekam pada sinyal EEG Sumber artifak : Kedipan mata Gerakan mata Gerakan otot dahi Gerakan rahang

35 Sinyal Artifak

36 Sebelum didekomposisi

37 Hasil dekomposisi ICA

38 ERP single-trial

39

40

41 Kemiripan Sinyal

42 ERP image

43

44 Power Spectral Density

45

46 RMS sinyal dekomposisi ICA

47

48 Kesimpulan Pada penelitian ini metode yang digunakan untuk mengolah sinyal EEG ialah segmentasi sinyal, inspeksi visual, averaging dan dekomposisi data dengan algoritma ICA. Keempat metode tersebut telah diimplementasikan pada data menggunakan perangkat lunak EEGLAB. Fitur yang berhasil diperoleh ialah event related potential, ERP image, power spectral density dan root mean square. Hasil dekomposisi sinyal EEG menggunakan ICA menunjukkan pola yang tidak beraturan dan tidak menghasilkan pola ERP yang merespon adanya stimuli.

49 ERP hasil inspeksi visual memberikan pola sinyal yang menunjukkan respon terhadap stimuli dengan jelas karena sinyal dari semua kanal mempunyai pola yang mirip. Sinyal EEG yang dianalisa mempunyai kandungan frekuensi pada ritme alpha. Hal ini terlihat pada grafik PSD dimana nilai PSD yang signifikan berada pada rentang frekuensi 10 Hz. Hasil dari analisa kemiripan sinyal secara visual menunjukkan bahwa ERP dari kelima subjek mempunyai kemiripan pola sinyal pada rentang waktu 250 ms hingga 300 ms. Hasil perhitungan koefisien kemiripan sinyal memberikan nilai yang rendah untuk setiap perbandingan. Hasil rata-rata dari semua koefisien korelasi bernilai 0,28.1

50 Saran Menambah jumlah naracoba agar data percobaan menjadi lebih banyak sehingga pola fitur yang didapat menjadi lebih akurat. Menambah jumlah naracoba agar data percobaan menjadi lebih banyak sehingga pola fitur yang didapat menjadi lebih akurat. Pemberian stimulus diperbanyak macamnya seperti mengucapkan kata atau kalimat. Melakukan proses klasifikasi atau pengenalan fitur sehingga terwujudnya sistem Brain Computer Interface.