Analisis Data EEG pada Beberapa Kondisi menggunakan Metode Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet)

Transkripsi

1 Analisis Data EEG pada Beberapa Kondisi menggunakan Metode Dekomposisi dan Korelasi berbasis Wavelet (Dekorlet) Agfianto Eko Putra 1, Catur Atmaji 2 Program Studi Elektronika & Instrumentasi, Jurusan Ilmu Komputer dan Elektronika, Fak. MIPA Universitas Gadjah Mada, Yogyakarta, Indonesia 1 agfi@ugm.ac.id, 2 catur_atmaji@ugm.ac.id Abstrak Data rekam EEG (Electroencephalogram) yang berupa sinyal digital dapat dianalisis dengan metode dekomposisi dan korelasi berbasis wavelet (dekorlet) untuk mengekstraksi informasi frekuensi yang terkandung di dalamnya. Dekomposisi berbasis wavelet digunakan untuk membagi frekuensi yang terkandung mendekati klasifikasi frekuensi ritme EEG, yaitu delta, theta, alpha dan beta. Sedangkan proses korelasi digunakan untuk memperoleh informasi dominasi frekuensi EEG pada data rekam EEG yang bersangkutan. Data EEG yang dianalisis berupa data dari 3 mahasiswa yang berusia 20 sampai 30 tahun (selanjutnya dinamai subjek 3, 4 dan 5). Setiap subjek melakukan lima aktivitas yaitu baseline, multiplication, letter-composing, rotation dan counting. Data dianalisis dengan metode dekorlet dengan wavelet induk Daubechies 3 dan Coiflet 3. Hasil analisis menunjukkan bahwa subjek 3 lebih dominan dalam aktivitas otak kanannya, sedangkan subjek 4 dan subjek 5 lebih dominan otak kirinya. Kemunculan beta pada occipital lobe subjek 5 menunjukkan kemungkinan kelainan pada occipital atau temporal lobe. Pengguna dengan dominasi aktivitas otak kanan lebih mengaktifkan peran parietal lobe, sedangkan pada subjek dengan dominasi otak kiri lebih mengaktifkan peran occipital lobe. Metode Dekorlet mampu mengekstraksi informasi dominasi frekuensi otak, dengan perbedaan hasil dari wavelet induk Daubechies 3 dan Coiflet 3 kurang dari 3% (0,03). Keywords EEG, Wavelet, Dekorlet I. PENDAHULUAN Electroencephalogram (EEG) adalah suatu rekaman dari aktivitas elektrik otak. Perekaman EEG berdasar pada prinsip bahwa suatu aktivitas neuron yang menyalurkan informasi dari satu sel ke sel yang lain, akan membawa elektron dari satu sel ke sel lain melalui jaringan saraf manusia [1]. Grafik rekam EEG dipengaruhi oleh kondisi pada saat perekaman dan diklasifikasikan berdasar daerah frekuensinya. Selain itu, ternyata grafik EEG juga dipengaruhi oleh kelainan-kelainan pada kondisi pengambilan datanya. Para ahli syaraf telah menunjukkan bahwa penyakit syaraf semisal epilepsi menyebabkan grafik EEG yang berbeda. Berdasar hal tersebut, saat ini para ahli syaraf menjadikan grafik EEG sebagai salah satu acuan pokok dalam menganalisis aktivitas epileptik pada pasien. Namun, selain karena penyakit kejiwaan, aktivitas tubuh, semacam kedipan mata dan gerakan otot, juga mempengaruhi grafik EEG. Hal-hal semacam itu seringkali disebut sebagai abnormal EEG. Dalam beberapa dekade terakhir, penelitian mengenai hasil pembacaan EEG tidak hanya dijamah oleh para ahli syaraf. Beberapa ahli pemrosesan sinyal digital juga meneliti fenomena abnormal EEG. Penelitian-penelitian tersebut memantau grafik EEG untuk kemudian melakukan interpretasi terhadap EEG yang dibaca. Harapan yang disematkan adalah untuk membantu para ahli syaraf dalam melakukan pembacaan dengan lebih mudah, mengingat saat ini para ahli syaraf masih harus melakukan pembacaan terhadap grafik EEG pada kertas yang cukup panjang. Ketelitian manusia yang dimiliki para ahli adalah terbatas, dan akurasi yang dimilikinya pun tidak selamanya baik. Penelitian ini bertujuan untuk mengetahui gambaran aktivitas kelistrikan pada beberapa kondisi pada saat perekaman EEG, dengan memetakan komposisi ritme EEG pada setiap kanal perekaman menggunakan dekomposisi dan korelasi berbasis wavelet. Selanjutnya diharapkan bahwa dari penelitian ini, dengan melihat hasil ekstraksi informasi dari data rekam EEG pada subjek, dapat disusun langkahlangkah terapis untuk menanggulangi kelainan-kelainan yang dideteksi, bagi ahli terapi dan medis. II. TINJAUAN PUSTAKA Penelitian-penelitian mengenai EEG telah banyak dilakukan sebelum penelitian ini. Penelitian mengenai analisis data rekam EEG dengan data serupa pernah dilakukan sebelumnya. Dalam penelitian tersebut, ditunjukkan bahwa Transformasi Fourier mampu mengekstraksi informasi frekuensi utama yang mendominasi hasil rekam EEG yang dianalisis. Dengan analisis tersebut, juga mampu dipetakan, daerah-daerah otak yang memiliki aktivitas dominan pada suatu aktivitas tertentu [2]. Penelitian mengenai EEG pada penderita epilepsi pernah dilakukan dengan melakukan ekstraksi informasi frekuensi yang terkandung dengan menggunakan Transformasi Paket Wavelet. Data yang berupa EEG didekomposisi penuh 4 tingkat. Hasil yang berupa pita frekuensi kemudian dianalisis menggunakan approximate entropy (ApEn), Universitas Gadjah Mada Yogyakarta, 20 Juli

2 ISSN: Teknis CITEE 2010 untuk kemudian dilatihkan ke dalam sebuah algoritma genetika. Hasil yang diperoleh adalah metode tersebut mampu mengklasifikasikan data rekam EEG normal sebesar 94,3%, dan data EEG pada penderita epilepsi sebesar 98% [3]. EEG dalam penelitian-penelitian tersebut merupakan sinyal digital sehingga dapat dikenai operasi Transformasi Fourier ataupun Wavelet. Untuk melakukan analisis terhadap sinyal digital, dalam penelitian lain, telah dikembangkan metode-metode analisis sinyal digital. Metode dekorlet yang merupakan penggabungan dari dekomposisi berbasis wavelet dan kros korelasi berhasil menunjukkan kesamaan sinyal pada frekuensi-frekuensi tertentu. Hasil analisis dari data rekam seismik Gunung Merapi yang dianalisis dalam penelitian tersebut memberikan analisis kualitatif yang dilengkapi dengan jangkauan frekuensi, saat terjadinya suatu event dan berapa lama event tersebut berlangsung [4]. III. METODE PENELITIAN Sumber data rekaman EEG yang akan dianalisis adalah data yang berasal dari Purdue University. Data yang dianalisis berupa 3 subjek, yang masing-masing merupakan mahasiswa universitas yang bersangkuta dengan rentang umur antara 20 hingga 30 tahun. Masing-masing subjek melakukan lima aktivitas, yaitu baseline, multiplication, letter-composing, rotation, dan counting, sebagaimana penjelasan masing-masing tugas ditunjukkan pada Tabel 1. Analisis dilakukan pada enam kanal perekaman yaitu kanal c3, c4, p3, p4, o1, dan o2. Tabel 1. Tugas atau macam-macam aktivitas yang dilakukan ketika perekaman EEG Tugas Baseline task Multiplication task Letter-composing task Rotation task Counting task Keterangan Subjek tidak berpikir apapun dan rileks senyaman-nyamannya Subjek diberikan pertanyaan yang tidak mudah dimengerti seperti 49 x 78 dan menyelesaikan tanpa ucapan dan pergerakan fisik. Subjek diminta untuk menulis surat kepada relasi maupun teman tanpa mengeluarkan suara. Subjek diberikan waktu selama 30 detik untuk mempelajari gambar kotak kompleks tiga dimensi, kemudian gambar disingkirkan, subjek kemudian diminta untuk memvisualisasikan objek tadi seperti dirotasikan pada suatu sumbu. Subjek diminta melakukan perhitungan Metode yang dilakukan adalah metode dekomposisi dan korelasi berbasis wavelet, dengan bahasa pemrograman skrip Matlab. Gambar 1 menunjukkan diagram alir algoritma pemrograman yang dikembangkan. Dalam melakukan dekomposisi frekuensi, digunakan dua macam wavelet induk, yaitu Daubechies 3 (db3) dan Coiflet 3 (coif3). Untuk mendapatkan hasil dekomposisi mendekati daerah jangkauan frekuensi sebagaimana pada klasifikasi EEG, digunakan 5 level dekomposisi pada dekomposisi setengah. Baca input data eegdata.mat mother wavelet; level dekomposisi; Mulai dari kanal pertama Apakah sudah kanal terakhir? tidak lihat fitur korelasi per ritme otak catat hasil korelasi Kanal berikutnya ya urutkan dominasi ritme tampilkan fitur korelasi per paket; tampilkan fitur korelasi per ritme ; Gambar 1. Diagram alir dekomposisi dan korelasi untuk EEG Frekuensi yang digunakan untuk merekam EEG adalah 250 Hz, sehingga frekuensi maksimum yang terkandung sesuai dengan kriteria Nyquist adalah 125 Hz. Dengan level dekomposisi setengah level 5, diperoleh empat pita frekuensi terendah masing-masing mempunyai lebar pita 3,91 Hz, 3,91 Hz, 7,81 Hz, dan 15,63 Hz, dekomposisi tersebut cukup mendekati dengan klasifikasi EEG. Sebagaimana telah diketahui bahwa EEG diklasifikasikan paling tidak dalam empat daerah frekuensi, yaitu 0,5 4 Hz untuk delta, 4 8 Hz untuk theta, 8 13 Hz untuk alpha, serta Hz untuk beta. Dengan pendekatan, maka empat pita frekuensi pertama pada penelitian ini dianggap sebagai dekomposisi untuk delta, theta, alpha, dan beta. Pada kros korelasi terhadap hasil dekomposisi setengah, ditunjukkan korelasi setiap jenis EEG yang diwakili oleh empat pita frekuensi pertama, terhadap EEG asal. Dari sini, akan tampak dominasi ritme otak yang merupakan informasi yang dikandung oleh EEG tersebut. Gambar 2 menunjukkan diagram alir untuk kros korelasi hasil dekomposisi setengah terhadap EEG asalnya. 164 Yogyakarta, 20 Juli 2010 Universitas Gadjah Mada

3 Hasil yang diperoleh dari dekomposisi dan korelasi adalah nilai korelasi masing-masing ritme dengan EEG asal. Keperluan analisis membutuhkan urutan dominasi ritme EEG. Gambar 3 menunjukkan algoritma program yang dikembangkan untuk menentukan urutan dominasi ritme pada setiap kanal perekaman. 0 3,91 Hz: delta (0,5 4 Hz) 3,91 7,81 Hz: theta (4 8 Hz) 7,81 15,63 Hz: alpha (8 13 Hz) 15,63 31,25 Hz: beta (13 30 Hz) Baca input: nilai korelasi ritme Urutkan ritme Baca input: ; mother wavelet; level dekomposisi; frekuensi cuplik; Tampilkan dominasi pada masing-masing kanal dari level pertama apakah sudah level terakhir? tidak Lakukan dekomposisi penuh pada level ini rekonstruksi dari dekomposisi setengah penuh Kros korelasi paket frekuensi dengan asal lihat jangkauan tiap ritme ; ya Gambar 3. Diagram alir untuk menampilkan dominasi ritme EEG pada setiap kanal IV. HASIL DAN PEMBAHASAN Hasil analisis difokuskan pada dominasi frekuensi urutan pertama dan kedua pada setiap kanal perekaman. Hasil pengujian menunjukkan bahwa dari dua macam wavelet induk yang digunakan, yaitu db3 dan coif3 pada tiga subjek dengan masing-masing lima kondisi pada saat perekaman, hanya terdapat tiga kondisi dominan yang memiliki hasil berbeda. Wavelet induk daubechies 3 dan coiflet 3 dipilih berdasarkan sifat-sifatnya yang cocok untuk analisis sinyal yang tidak simetris, mampu melakukan penapisan FIR, dan cocok untuk Transformasi Wavelet Diskrit [5]. Perbedaan hasil pada penggunaan kedua wavelet induk hanya terdapat pada subjek 3 kondisi counting, subjek 4 kondisi letter-composing, subjek 5 kondisi baseline, dan subjek 5 kondisi counting. Tabel 3 menunjukkan perbedaan hasil tersebut. level berikutnya Gambar 2. Diagram alir untuk fitur korelasi dari dekomposisi setengah Hasilnya akan ditampilkan dalam dua tampilan yang berbeda, yaitu berupa diagram batang dan tabel yang berisikan nilai-nilai korelasi ritme pada tiap kanal. Gambar 4 menunjukkan contoh hasil ekstraksi informasi frekuensi yang menampilkan nilainilai korelasi dalam bentuk diagram batang. Sedangkan Tabel 2 menunjukkan contoh nilai-nilai korelasi yang muncul pada tiap kanal beserta urutan dominasi dalam bentuk huruf abjad. Dari Tabel 3, terlihat bahwa perbedaan nilai korelasi pada setiap kanal yang berbeda antara analisis menggunakan wavelet induk db3 dan coif3 tidak mencapai 0,03. Sesuai dengan algoritma kros korelasi yang digunakan, yaitu dengan hasil dinormalisasi pada nilai 1, nilai 0,03 berarti bahwa perbedaan antara dua nilai tersebut tidak lebih dari 3 %. Artinya, perbedaan dominasi kanal pada beberapa kondisi tersebut tidak memiliki perbedaan yang mencapai 3 %. Hal ini mengindikasikan bahwa Metode Dekorlet mampu melakukan ekstraksi informasi pada EEG, sedangkan penggunaan wavelet induk db3 dan coif3 tidak memiliki perbedaan yang signifikan, kecuali perbedaan pada dominasi kanal yang kurang dari 3%. Universitas Gadjah Mada Yogyakarta, 20 Juli

4 ISSN: Teknis CITEE 2010 Hasil ekstraksi informasi pada subjek 5 menunjukkan bahwa beta muncul cukup dominan pada setiap kondisi perekaman. Gelombang beta tersebut muncul sangat dominan pada daerah occipital, sedangkan pada daerah yang lainnya, yaitu pada daerah central dan parietal perbedaan nilai korelasi antar ritme seperti pada subjek 3 dan subjek 4. Kemungkinan yang muncul ketika terjadi pola abnormal, yaitu aktivitas ictal pada alpha atau beta, adalah disebabkan oleh kerusakan lokal atau menyebar pada cerebral pada saat kelahiran, atau terjadi iritasi pada temporal lobe. Contoh penyakit akibat dari gangguan tersebut adalah status epilepticus [6]. Hasil dan pembahasan pada tiap subjek dan kondisi menyimpulkan salah satu hal di antaranya adalah dominasi kanal perekaman dan belahan otak. Kanal perekaman yang terdiri dari tiga bagian, yaitu central, parietal, dan occipital mewakili cerebral cortex yang memiliki empat bagian, yaitu frontal lobe, parietal lobe, occipital lobe, serta temporal lobe. Aktivitas kelistrikan pada frontal dan temporal lobe tidak direkam. Belahan otak terdiri yang dari dua bagian, yaitu otak kiri dan otak kanan mewakili cerebral hemisphere. Pada subjek 3, tiga dari lima kondisi perekaman menampakkan dominasi pada daerah parietal, dan pada empat dari lima kondisi perekaman, otak kanan lebih aktif daripada otak kiri subjek. Pada subjek 4, empat dari lima kondisi perekaman menampakkan dominasi pada daerah occipital, dan pada tiga dari lima perekaman, otak kiri lebih aktif daripada otak kanan subjek. Pada subjek 5, seluruh kondisi perekaman menampakkan dominasi pada daerah occipital, dan pada empat dari lima perekaman, otak kiri lebih aktif daripada otak kanan subjek. Tabel 4 menunjukkan bahwa terdapat enam pasangan parietal dan otak kanan serta dua belas pasangan occipital dan otak kiri. Parietal yang berfungsi dalam pengolahan rangsangan indera dan fungsi bahasa lebih dominan pada subjek dengan belahan otak kanan yang lebih dominan. Begitu pula untuk occipital yang berfungsi dalam penglihatan lebih dominan pada subjek dengan belahan otak kiri lebih dominan. Atau jika dikaitkan dengan fungsi-fungsinya, fungsi bahasa pada parietal bersesuaian dengan fungsi holistik pada otak kanan, sedangkan fungsi penglihatan pada occipital bersesuaian dengan fungsi logika pada otak kiri. V. KESIMPULAN Hasil analisis menunjukkan bahwa subjek 3 lebih dominan dalam aktivitas otak kanannya, sedangkan subjek 4 dan subjek 5 lebih dominan otak kirinya. Kemunculan beta pada occipital lobe subjek 5 menunjukkan kemungkinan kelainan pada occipital atau temporal lobe subjek 5. Selain itu juga menunjukkan bahwa pengguna dominan otak kanan lebih mengaktifkan peran parietal lobe, sedangkan pada subjek dengan otak kiri lebih dominan lebih mengaktifkan peran occipital lobe. Metode Dekorlet mampu mengekstraksi informasi dominasi otak, dengan perbedaan hasil dari wavelet induk daubechies 3 dan coiflet 3 kurang dari 3% (0,03). Wavelet induk Daubechies dan Coiflet memiliki sifatsifat yang cocok untuk melakukan analisis pada data rekam EEG. UCAPAN TERIMAKASIH Penelitian dapat terselenggara atas bantuan pihak Program Studi S1 Elektronika dan Instrumentasi atas Dana Penelitian Tahun Anggaran 2010 serta mahasiswa Tugas Akhir S1 Elektronika dan Instrumentasi, Jurusan Ilmu Komputer dan Elektronika, Fak. MIPA, Universitas Gadjah Mada, Yogyakarta. DAFTAR PUSTAKA [1] Sanei, S. dan Chambers, J. A., 2007, EEG Signal Processing, UK John Willey & Son Ltd., Wet Sussex. [2] Hadikesuma, F., 2009, Studi Pengaruh Beberapa Aktivitas Harian terhadap Aktivitas Kelistrikan Otak pada Hasil Rekam EEG menggunakan FFT, Skripsi, Jurusan Fisika FMIPA UGM, Yogyakarta. [3] Ocak, H., 2008, Optimal Classification of Epileptic Seizures in EEG using Wavelet Analysis and Genetic Algorithm, Elsevier, Kocaeli, Turkey. [4] Putra, A. E., 2006, Transformasi Paket Wavelet, Dekomposisi Wavelet dan Korelasi pada Data Seismik Gunung Merapi, Jawa - Indonesia, Prosiding Seminar Nasional Teknologi Indonesia 2006, Univeritas Tarumanagara, Jakarta. [5] Putra, A. E., 2009, Studi Perbandingan Metode-metode Analisis Sinyal Sederhana berbasis Wavelet, Proceedings of Conference on Information Technology and Electrical Engineering (CITEE) 2009, Jurusan Teknik Elektro, Fakultas Teknik, UGM, Yogyakarta. [6] Spehlmann, R., 1981, EEG Primer, Elsevier/North-Holland Biomediacal Press, Amsterdam. 166 Yogyakarta, 20 Juli 2010 Universitas Gadjah Mada

5 Gambar 4: Hasil korelasi pada EEG yang didekomposisi setengah Tabel 2. Nilai korelasi dan dominasi otak Kanal Nilai korelasi Dominasi otak c3 dan c ;0.4011; dan ;0.4233; d c D C : kanan p3 dan p ;0.4185; dan ;0.4175; d A D c : kiri o1 dan o ;0.3925; dan ;0.3887; d A D a : kiri Tabel 3. Perbedaan dominasi kanal dilihat dari nilai korelasinya Subjek dan kondisi Subjek 3, counting Subjek 4, lettercomposing Subjek 5, baseline Subjek 5, counting Kanal Nilai korelasi perekaman Daubechies 3 Coiflet 3 Selisih C3 0,4367 0,4550 0,0183 P3 0,4134 0,4388 0,0254 C3 0,4167 0,4412 0,0245 C4 0,4198 0,4180 0,0018 C4 0,4081 0,4190 0,0109 O1 0,4104 0,4050 0,0054 O1 0,4497 0,4613 0,0122 O2 0,4509 0,4587 0,0078 Tabel 4: Hubungan dominasi daerah perekaman dan dominasi belahan otak Kondisi Subjek 3 Subjek 4 Subjek 5 Daubechies 3 Baseline Parietal kiri Central kiri Occipital kiri Multiplication Parietal kanan Occipital kiri Occipital kiri Letter-composing Parietal kanan Central kanan Occipital kiri Rotation Parietal kanan Occipital kiri Occipital kanan Counting Parietal kiri Occipital kiri Occipital kanan Coiflet 3 Baseline Parietal kiri Central kiri Central kanan Multiplication Parietal kanan Occipital kiri Occipital kiri Letter-composing Parietal kanan Central kiri Occipital kiri Rotation Parietal kanan Occipital kiri Occipital kanan Counting Central kiri Occipital kiri Occipital kiri Universitas Gadjah Mada Yogyakarta, 20 Juli