KLASIFIKASI EEG EPILEPSI MENGGUNAKAN SINGULAR SPECTRUM ANALYSIS, POWER SPECTRAL DENSITY DAN CONVOLUTION NEURAL NETWORK

Authors

  • Nurseno Bayu Aji Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
  • Handayani Tjandrasa Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Views: 822 Downloads: 911

DOI:

https://doi.org/10.12962/j24068535.v15i2.a662

Abstract

Epilepsi merupakan gangguan sistem syaraf otak manusia dan menyebabkan berbagai reaksi terhadap tubuh manusia. Epilepsi dapat dideteksi dengan menggunakan Electroencephalogram (EEG). Pengamatan EEG secara visual tidak mungkin dilakukan secara rutin, sehingga dibutuhkan deteksi otomatis pada EEG. Sistem deteksi EEG secara otomatis terdiri dari 2 langkah, yaitu ekstraksi fitur dan klasifikasi. Power Spectral Density (PSD) adalah metode ekstraksi fitur yang sering dipakai untuk memunculkan karakteristik EEG dengan mengelompokkan energi pada EEG. Pada proses klasifikasi metode Convolution Neural Network (CNN) dapat mereduksi fitur hasil PSD dan digunakan mengklasifikasikan multiclass dari EEG. Namun, data EEG memiliki kecenderungan bercampur noise berupa sinyal yang lain saat perekaman, oleh karena itu sebelum data EEG diklasifikasikan, perlu dilakukan pengolahan terlebih dahulu. 

Pada penelitian ini diusulkan penggabungan metode Singular Spectrum Analysis (SSA) untuk penghilang noise, PSD sebagai ekstraksi fitur dan CNN sebagai klasifier. Penelitian ini dilakukan melalui beberapa fase, pertama adalah menghilangkan noise yang bercampur dengan sinyal EEG menggunakan SSA. Selanjutnya ekstraksi fitur menggunakan PSD untuk diambil energi dari sinyalnya, dan terakhir diklasifikasi dengan CNN. Pengujian klasifikasi akan dilakukan ke 500 sinyal dengan target 5 kelas dan 3 kelas. Untuk mengetahui performa terhadap metode yang diusulkan, akan dilakukan pengujian antara gabungan PSD dengan CNN yang akan dibandingkan dengan gabungan SSA, PSD dan CNN.

Berdasarkan hasil uji coba, metode diusulkan yaitu SSA, PSD dan CNN dapat meningkatkan rata-rata hasil akurasi klasifikasi sebesar 1,2% dari 93,2% menjadi 94,4%, untuk kasus 3 kelas  dan meningkatkan 13,4% dari 78,6% menjadi 92%, untuk kasus 5 kelas dibandingkan metode PSD dengan CNN.

Downloads

Download data is not yet available.

References

[1] M. Teplan, “Fundamentals of EEG measurement,” Meas. Sci. Rev., vol. 2, no. 2, pp. 1–11, 2002.

[2] M. A. Karyawan, A. Zainal, and A. Saikhu, “Klasifikasi Sinyal Eeg Menggunakan Koefisien Autoregresif ,” J. TIF, vol. 2, no. 1, pp. 1–13, 2011.

[3] E. D. Übeyli, “Least squares support vector machine employing model-based methods coefficients for analysis of EEG signals,” Expert Syst. Appl., vol. 37, no. 1, pp. 233–239, 2010.

[4] L. Ma, J. W. Minett, T. Blu, and W. S. Wang, “Resting State EEG-Based Biometrics for Individual Identification Using Convolutional Neural Networks,” pp. 2848–2851, 2015.

[5] O. Faust, U. R. Acharya, H. Adeli, and A. Adeli, “Wavelet-based EEG processing for computer-aided seizure detection and epilepsy diagnosis,” Seizure, vol. 26, pp. 56–64, 2015.

[6] H. Tjandrasa, S. Djanali, and F. X. Arunanto, “Feature Extraction Using Combination of Intrinsic Mode Functions and Power Spectrum for EEG Signal Classification,” Int. Congr. Image Signal Process. Biomed. Eng. Informatics, vol. 9, pp. 1498–1502, 2016.

[7] L. Yu and H. Liu, “Feature Selection for High-Dimensional Data: A Fast Correlation-Based Filter Solution,” Int. Conf. Mach. Learn., pp. 1–8, 2003.

[8] A. Zhigljavsky, H. Hassani, and S. Heravi, “Forecasting European Industrial Production with Multivariate Singular Spectrum Analysis,” Business, pp. 1–39, 2009.

[9] S. Kouchaki and S. Sanei, “Supervised Single Channel Source Separation Of EEG Signals,” IEEE Int. Mach. Learn. SIGNAL Process., 2013.

[10] H. F. Posada-Quintero, J. P. Florian, A. D. Orjuela-Canon, T. Aljama-Corrales, S. Charleston-Villalobos, and K. H. Chon, “Power Spectral Density Analysis of Electrodermal Activity for Sympathetic Function Assessment,” Ann. Biomed. Eng., vol. 44, no. 10, pp. 3124–3135, 2016.

[11] V. Marpaung, “Depresi Pada Penderita Epilepsi Umum Dengan Kejang Tonik Klonik Dan epilepsi Parsial Sederhana,” pp. 1–25, 2005.

[12] Y. H. Mahendra and H. Tjandrasa, “Klasifikasi data eeg untuk mendeteksi keadaan tidur dan bangun menggunakan autoregressive model dan support vector machine,” JUTI, vol. 15, pp. 35–42, 2017.

[13] A. K. Maddirala and R. A. Shaik, “Removal of EMG Artifacts from Single Channel EEG Signal using Singular Spectrum Analysis,” IEEE Sens.J., vol. 16, no. 23, pp. 111–115, 2015.

[14] V. Moskvina and K. M. Schmidt, “Approximate projectors in singular spectrum analysis,” Siam J. Matrix Anal. Appl, vol. 24, no. 4, pp. 932–942,2003.

[15] D. Titisari, I. Soesanti, and B. Winduratna, “Reduksi Suara Jantung Dari Instrumentasi Akuisisi Perekaman Suara Paru-Paru Pada Anak-Anak Menggunakan Butterworth Band Pass Filter,” in SEMINAR NASIONAL ke 8 Tahun 2013 : Rekayasa Teknologi Industri dan Informasi REDUKSI, 2013, pp. 129–134.

[16] P. J. R and A. Wijayanto, “Identifikasi Sinyal Suara Paru Berdasarkan Power Spectra Density Metode Welch Untuk Deteksi Kelainan Parenkim Paru.”

[17] K. K. Parhi and M. Ayinala, “Low-complexity welch power spectral density computation,” IEEE Trans. Circuits Syst. I Regul. Pap., vol. 61, no. 1, pp. 172–182, 2014.

[18] D. Palaz, M. Magimai.-Doss, and R. Collobert, “Convolutional Neural Networks-Based Continuous Speech Recognition Using Raw Speech Signal,” Icassp, pp. 4295–4299, 2015.

[19] A. Levinskis, “Convolutional neural network feature reduction using wavelet transform,” Elektron. ir Elektrotechnika, vol. 19, no. 3, pp. 61–64, 2013.

Downloads

Published

2017-07-01

Issue

Vol 15, No. 2, Juli 2017

Section

Articles

How to Cite

[1]
N. B. Aji and H. Tjandrasa, “KLASIFIKASI EEG EPILEPSI MENGGUNAKAN SINGULAR SPECTRUM ANALYSIS, POWER SPECTRAL DENSITY DAN CONVOLUTION NEURAL NETWORK”, JUTI, vol. 15, no. 2, pp. 185–194, Jul. 2017, doi: 10.12962/j24068535.v15i2.a662.

License

All papers should be submitted electronically. All submitted manuscripts must be original work that is not under submission at another journal or under consideration for publication in another form, such as a monograph or chapter of a book. Authors of submitted papers are obligated not to submit their paper for publication elsewhere until an editorial decision is rendered on their submission. Further, authors of accepted papers are prohibited from publishing the results in other publications that appear before the paper is published in JUTI unless they receive approval for doing so from the Editor-in-Chief.

JUTI open access articles are distributed under a Creative Commons Attribution-ShareAlike 4.0 International License. This license lets the audience to give appropriate credit, provide a link to the license, and indicate if changes were made and if they remix, transform, or build upon the material, they must distribute contributions under the same license as the original.