IEEE Paper Template in A4 (V1) - Digilib ITS

Ekstraksi Fitur Sinyal Elektroensefalograf (EEG)
Untuk Identifikasi Unspoken-speech Menggunakan
EEGLAB
Bagas Isadewa #1, Ir. Syamsul Arifin, MT. #2, Andi Rahmadiansah, ST. MT. #3
#
Jurusan Teknik Fisika, Institut Teknologi Sepuluh Nopember
Kampus ITS Keputih Sukolilo Surabaya 60111 Indonesia
1
2
[email protected]
[email protected]
3
[email protected]
Abstrak— Pada penderita kelumpuhan total, kemampuan saraf
untuk mengirimkan perintah dari otak kepada otot mengalami
penurunan. Otak ialah satu-satunya organ yang masih berfungsi
dengan normal. Unspoken-speech menjadi jalur komunikasi yang
penting bagi para penderita kelumpuhan tersebut karena tidak
membutuhkan aktivitas otot. Otak merupakan organ tubuh yang
menghasilkan potensial listrik dalam setiap aktivitasnya. Potensial
listrik
tersebut
diukur
dan
direkam
menjadi
sinyal
elektroensefalograf (EEG). Sinyal EEG mempunyai banyak ciri atau
fitur tertentu yang merepresentasikan respon dari aktivitas otak
tertentu. Pada Tugas Akhir ini, sebuah penelitian untuk
mengekstraksi fitur yang dikandung oleh sinyal EEG pada aktivitas
unspoken-speech telah dilakukan. Dua naracoba diinstruksikan
mengucapkan huruf vokal /a/ /i/ /u/ /e/ /o/ tanpa menggerakkan
organ artikulatori dan tidak menghasilkan suara sama sekali. Sinyal
EEG diolah menggunakan perangkat lunak EEGLAB dan
menghasilkan beberapa fitur seperti event related potential (ERP),
ERP image, event related spectral perturbation (ERSP) dan inter
trial coherence (ITC). Hasil perbandingan pengucapan huruf /a/ dari
kedua naracoba menunjukkan adanya pola ERP yang mirip satu
sama lain. ERP image menunjukkan konsistensi trial dalam
membentuk pola ERP. Sedangkan ERSP dan ITC menghasilkan pola
spectrogram yang berbeda.
I. PENDAHULUAN
A. Latar Belakang
Pada orang yang menderita lumpuh total, penderita tidak
mampu berinteraksi dengan lingkungan sekitarnya walaupun
hanya sekedar berbicara saja. Penderita Amyotrophic Lateral
Sclerosis (ALS) contohnya, mengalami degradasi kemampuan
saraf untuk mengirimkan pesan kepada otot sehingga tubuh
penderita mengalami kelumpuhan total. Tetapi kemampuan
kognitif penderita masih dapat berfungsi, sehingga satusatunya jalan untuk berkomunikasi ialah langsung melalui
otak. Unspoken-speech merupakan aktivitas berbicara atau
mengucapkan suatu kata tanpa menggunakan organ-organ
artikulatori dan tidak menghasilkan suara sama sekali (1).
Dalam hal ini otak manusia mempunyai peran yang penting
dalam proses produksi unspoken-speech.
Otak merupakan salah satu organ tubuh manusia yang
paling vital. Segala aktivitas yang dilakukan oleh manusia
ditentukan oleh proses berpikir yang dilakukan oleh otak.
Sebuah potensial elektrik muncul pada sel saraf otak yang
berkaitan dengan aktivitas yang sedang dilakukan oleh
manusia. Potensial elektrik inilah yang kemudian direkam
oleh elektroensefalograf (EEG) menjadi sebuah sinyal. Sinyal
EEG yang didapat tentunya mengandung banyak informasi
yang tidak langsung dapat dibaca oleh komputer. Suatu
pemrosesan sinyal harus dilakukan untuk mengolah sinyal
mentah EEG hingga dapat digunakan untuk keperluan aplikasi
selanjutnya. Salah satu tujuan dari pemrosesan sinyal EEG
ialah dapat mendapatkan fitur sinyal EEG yang unik yang
berkaitan dengan aktivitas yang dilakukan oleh manusia. Fitur
ialah suatu karakter pembeda dari sinyal hasil pengukuran
yang didapat dari segmentasi pola sinyal tertentu (2). Salah
satu fitur sinyal EEG ialah frekuensi, latency, amplitudo atau
event related potential (ERP).
Tujuan dari ekstraksi fitur ialah untuk mengetahui
karakteristik dan ciri yang unik dari suatu sinyal agar dapat
diklasifikasikan dan juga untuk mengurangi loss informasi
yang terkandung pada sinyal. Telah diketahui bahwa sinyal
hasil perekaman EEG mempunyai kandungan data yang tidak
langsung dapat digunakan untuk proses klasifikasi (3) (4).
Sinyal tersebut harus diekstraksi fiturnya terlebih dahulu agar
pola sinyal menjadi lebih sederhana. Sehingga sinyal yang
dihasilkan hanya mengandung fitur yang dibutuhkan. Semakin
sederhana hasil dari proses ekstraksi fitur maka proses
klasifikasi sinyal akan semakin mudah sehingga pesan yang
dikirimkan oleh otak dapat diterjemahkan dengan baik dan
jelas.
B. Permasalahan
Permasalahan yang diangkat pada penelitian Tugas Akhir
ini ialah bagaimana cara mengekstraksi fitur sinyal EEG untuk
identifikasi unspoken-speech menggunakan EEGLAB
C. Batasan Masalah
Pada pengerjaan tugas akhir ini akan dilakukan
pembatasan terhadap masalah yang dikaji agar tidak melebar.
Batasannya ialah sebagai berikut :
1. Pemrosesan sinyal dilakukan secara offline
2. Aktivitas yang direkam yaitu pengucapan huruf
dalam Bahasa Indonesia
3. Naracoba yang diukur ialah laki-laki dewasa
4. Elektroda yang dianalisa yaitu F3 dan F7 pada sistem
pemasangan standar 10-20
Salah satu hasil penelitian tentang sinyal otak yang
menggunakan EEG ialah diketahuinya beberapa tipe sinyal
yang terkait dengan aktivitas otak manusia. Secara umum ada
empat tipe gelombang otak manusia (7), yaitu sinyal Delta (0
Hz – 4 Hz), sinyal Theta (4 Hz – 7 Hz), sinyal Alpha (8 Hz –
13 Hz) dan sinyal Beta (13 Hz – 30 Hz).
D. Tujuan
Tujuan yang ingin dicapai pada akhir pengerjaan tugas
akhir ini ialah mendapatkan fitur sinyal EEG pada aktivitas
unspoken-speech.
Sedangkan manfaat dari pengerjaan tugas akhir ini yaitu
untuk memudahkan proses klasifikasi sinyal EEG pada
aktivitas unspoken-speech untuk pengembangan BrainComputer Interface (BCI).
II. TEORI PENUNJANG
Gambar 2. Pola sinyal EEG pada berbagai ritme gelombang (8)
A. Otak
Otak manusia merupakan salah satu organ tubuh yang
paling penting. Merupakan pusat dari sistem saraf manusia
dan termasuk organ yang sangat kompleks. Otak bekerja
sebagai pengatur aktivitas aksi dan reaksi dari tubuh manusia.
Dan terus menerus menerima informasi dari panca indera
yang kemudian mengolah informasi tersebut dan menentukan
respon yang tepat untuk mengendalikan kerja bagian tubuh
yang lain (5).
C. Brain-Computer Interface (BCI)
Brain-computer interface adalah sebuah sistem
komunikasi yang menghubungkan otak manusia secara
langsung dengan divais seperti komputer atau perangkat keras
lainnya (3). Pengembangan BCI sendiri bertujuan untuk
membantu manusia yang mempunyai masalah dengan
kelumpuhan total. Rangkaian mekanisme cara kerja BCI dapat
dilihat pada gambar dibawah ini :
B. Elektroensefalograf
Elektrosensefalograf (EEG) ialah suatu instrumen medis
untuk mengukur potensial listrik yang dihasilkan oleh sel saraf
otak dengan memasang sensor (elektroda) pada permukaan
kulit kepala. Metode peletakan elektroda yang umum
digunakan ialah sistem 10-20. 21 elektroda diletakkan pada
permukaan kepala untuk mengukur potensial listrik yang
dihasilkan oleh syaraf otak. Sedangkan elektroda yang
terakhir digunakan sebagai titik referensi yang diletakkan
pada daerah nasion, telinga atau sejajar dengan mata (6)
Gambar 3. Skema Brain-Computer Interface (10)
Gambar 1. Sistem peletakan elektroda 10-20 (7)
D. Event-Related Potential (ERP)
ERP ialah komponen sinyal EEG hasil pengukuran EEG
yang terpaut dengan rentang waktu tertentu dan biasanya
berhubungan dengan event atau aktivitas yang dilakukan oleh
seorang subjek. ERP bisa juga dikatakan sebagai respon
gelombang otak secara kognitif. Secara spesifik ERP
mempunyai karakter tertentu seperti amplitudo dan latency.
Selain itu ERP memiliki karakteristik resolusi temporal yang
tinggi (7).
Kelebihan lain dalam menggunakan EEGLAB ini ialah
antar-muka penggunanya yang berbasis GUI sehingga
membantu pengguna dalam pengerjaan. EEGLAB juga dapat
menampilkan visualisasi spektral daya maupun ERP. Terbagi
dalam kanal-kanal maupun ditampilkan tiap komponen sinyal.
Hal ini akan sangat membantu dalam analisa sinyal tiap
komponen. Proses artifact removal juga menjadi bagian dari
fitur pengolahan sinyal yang terintegrasi pada EEGLAB.
Pengguna dapat menyeleksi rentang data yang akan di reject
sehingga noise pada data dapat dihilangkan. EEGLAB sendiri
bersifat opensource yakni bebas untuk digunakan tanpa
membayar pada pengembangnya. Keuntungannya pengguna
dapat melakukan coding algoritma sendiri sesuai yang
dikehendakinya tanpa melanggar hak cipta.
III. METODOLOGI PENELITIAN
Gambar 4. Sinyal ERP yang dihasilkan melalui averaging (11)
Pada bab ini akan diuraikan beberapa tahapan yang
Gambar diatas menunjukkan salah satu sampel gelombang
ERP. Dimana gelombang ERP itu sendiri dihasilkan melalui dilakukan dalam melaksanakan penelitian ini. Secara umum
proses averaging dari tiap-tiap komponen sinyal yang direkam. skema metodologi perancangan yang telah disusun ialah
Proses averaging ini menyaring sinyal otak yang tidak sebagai berikut.
berkaitan dengan stimulus. Semua aktivitas saraf yang tidak
berhubungan dengan rangsangan dari luar tidak akan
Mulai
terkandung dalam sinyal pada rentang waktu konsisten yang
relatif terhadap stimulus itu sendiri (8).
Segmentasi event
E. EEGLAB
Sekelompok peneliti di Swartz Center for Computational
Neuroscience berhasil mengembangkan sebuah perangkat
lunak bernama EEGLAB. Adanya kebutuhan untuk
menganalisa sinyal EEG yang lebih baik agar kelemahan
proses averaging dapat dibenahi menjadi dasar bagi
pengembang EEGLAB. Maka dari itu EEGLAB dibuat
dengan metode analisa waktu-frekuensi dan Independent
Component Analysis (ICA). Perpaduan kedua metode tersebut
dapat membenahi kekurangan dari averaging, sehingga dapat
diketahui bahwa dinamika karakteristik sinyal EEG
berkorelasi dengan perubahan perilaku (9).
Perekaman sinyal EEG
Ekstraksi epoch
Konversi data sinyal
Ekstraksi fitur pada sinyal
Import data ke EEGLAB
Analisa dan pembahasan
Import lokasi kanal
Re-reference elektroda
Selesai
Gambar 6. Skema metodologi penelitian
Kemudian dari gambar skema diatas dapat diterangkan
mengenai tahapan-tahapan pelaksanaan penelitian tugas akhir
ini.
A. Perekaman Sinyal EEG
Gambar 5. Sebuah tampilan dari EEGLAB berbasis GUI
Perekaman sinyal EEG dilakukan diklinik medis
menggunakan Compumedics ProFusion. Pemasangan
elektroda mengikuti standar 10-20 dengan jumlah kanal
sebanyak 21 buah. Sinyal EEG direkam dari dua orang
naracoba laki-laki dewasa dengan. Naracoba diberi
rangsangan visual pada layar monitor dengan membaca tanpa
suara presentasi huruf vokal a/i/u/e/o dengan model Blocks
dan Sequential sesuai eksperimen pada (1).
B. Konversi Data
Hasil perekaman sinyal dari perangkat Compumedics
masih berupa format .raw yang tidak dapat dibaca oleh
perangkat lunak EEGLAB. Karena itu perlu dilakukan
konversi data dengan bantuan perangkat lunak Persyst. Data
hasil konversi yaitu berupa data teks dengan format .txt. Data
berupa teks sangat membantu pengolahan sinyal karena
dengan mudah dapat dibaca di Matlab. Pada proses konversi
data ini juga dilakukan penghapusan kanal A1 dan A2, karena
agar sesuai dengan template lokasi kanal EEGLAB untuk
sistem peletakan elektroda 10-20 dengan jumlah kanal
sebanyak sembilan belas.
elektroda yang lain. Pada proses pengukuran dan perekaman
EEG elektroda yang digunakan sebagai referensi ialah kanal
A1 atau A2 yang letaknya ditelinga. Namun pada saat proses
pengolahan data kanal A1 dan A2 dihapus, sehingga letak
elektroda referensi diganti dengan elektroda pada kanal Cz.
Kanal Cz dipilih karena sudah umum digunakan sebagai
referensi dan juga karena letaknya yang berada dititik tengahtengah belahan otak kiri dan kanan.
F. Segmentasi Sinyal
Data yang telah direkam masih berupa data kontinyu.
Dalam rentang waktu tersebut naracoba melakukan aktivitas
yang beragam, mulai dari pengucapan tanpa suara untuk sesi
sequential dan blocks hingga aktivitas non otak yang
menimbulkan artefak. Tiap-tiap sesi telah diperkirakan waktu
onset (permulaan) hingga waktu berakhirnya. Maka dari itu,
data kontinyu tersebut perlu disegmen sesuai rentang waktu
dan aktivitas naracoba yang terkait.
C. Import Data ke EEGLAB
Ada beberapa format data EEG yang hanya bisa dibaca
oleh EEGLAB. Salah satunya ialah Matlab array dan file teks
format ASCII. Setelah melalui proses konversi format data,
maka data rekaman sinyal yang berupa teks dapat dibaca oleh
EEGLAB. Berbagai format EEG yang lain juga bisa dibaca
oleh EEGLAB seperti Neuroscan, BCI2000, Biosemi dan
lain-lain.
D. Import Lokasi Kanal
Proses import data ini kemudian diikuti oleh tahap
penentuan lokasi kanal. Data yang diimport sudah diatur
mempunyai 19 kanal agar sesuai dengan template lokasi kanal
yang dimiliki oleh EEGLAB. Penentuan lokasi kanal ini
berguna untuk memetakan elektroda EEG. Selain itu berguna
untuk visualisasi ERP secara dua dimensi maupun tiga
dimensi.
Gambar 7. Tampilan utama EEGLAB menunjukkan keterangan jumlah event
yang terbaca.
Metode segmentasi data ini cukup mudah, hanya tinggal
mensinkronisasi waktu record pada ProFusion dengan waktu
pada kamera video. Kemudian pada data kontinyu yang
berupa teks dicari waktu event pada saat naracoba mulai
mengucapkan huruf. Hal ini diatur oleh tampilan stimulus
yang timing-nya telah diatur dengan jeda 2 detik tiap huruf.
Setelah kita mendapatkan data waktu untuk tiap event yang
terjadi maka urutan event tersebut disusun pada file teks agar
dapat dibaca oleh EEGLAB. EEGLAB memberikan
kemudahan untuk membaca susunan data event yang telah
dibuat. Yaitu dengan membuat suatu file teks dari aplikasi
notepad dengan menuliskan kolom parameter tipe, latency dan
durasi dari tiap event. Seperti yang dapat dilihat pada gambar
7.
G. Ekstraksi Epoch
Gambar 6. Peta lokasi kanal pada sistem 10-20
E. Re-reference Elektroda
Setiap pengukuran potensial listrik selalu membutuhkan
dua sumber potensial listrik yang berbeda untuk dibandingkan
keduanya. Begitu pula dengan pengukuran EEG ditetapkan
elektroda yang berperan sebagai referensi pengukuran
Epoch ialah data EEG yang dibatasi oleh rentang waktu
tertentu berdasarkan event. Jadi setelah data kontinyu ditandai
tiap event pada posisi waktu tertentu maka epoch dapat
diekstrak dari data kontinyu. Durasi epoch ditetapkan
sepanjang 0,9 detik, mulai dari 0,1 detik sebelum event hingga
0,8 detik setelahnya. Karena data yang ingin diamati yaitu
sekitar 800 milisekon setelah event rangsangan.
penelitian (11) menunjukkan bahwa algoritma Infomax
menempati urutan yang tertinggi tingkat efisiensinya dalam
memisahkan artifak dan sinyal neural.
H. Tahapan Dekomposisi Data
Mulai
Artefact removal dengan
metode spektral dan visual
inspeksi
Visual inspeksi
data tiap epoch
Run ICA
Run ICA
Selesai
Gambar 8. Diagram alir dekomposisi data EEG
I. Inspeksi Visual
Inspeksi visual ialah melihat data sinyal EEG dan diamati
apakah suatu epoch mengandung artifak atau tidak. Ciri-ciri
artifak terlihat dari pola sinyalnya yang berbeda dari sinyal
EEG. Contoh pada gambar dibawah terlihat artifak pada
epoch ke 43 yang disebabkan oleh gerakan kepala naracoba.
Setelah diseleksi pada epoch yang terkontaminasi maka epoch
tersebut akan dihapus karena data pada epoch tersebut tidak
dapat digunakan lagi.
E. Plot ERP
Salah satu metode ekstraksi fitur yang telah lama
digunakan pada sinyal EEG ialah averaging. Prinsip dasar
dari metode ini ialah menguatkan pola sinyal yang
mempunyai fasa sama pada waktu tertentu (time locked) dan
melemahkan sinyal yang fasanya berbeda. Averaging
dilakukan pada sinyal hasil dekomposisi ICA yang merupakan
komponen yang kontribusinya untuk membentuk gelombang
ERP paling besar. Dari kurang lebih 20 trial untuk masingmasing huruf didapatkan 1 pola sinyal averaging.
F. Plot ERP image
ERP image digunakan untuk mengetahui pola ERP untuk
tiap trial dalam sebuah spectrogram. Beberapa parameter
yang dimasukkan ialah rentang frekuensi sebagai batas untuk
mengurutkan trial dalam phase tertentu dan mengamati
tingkat koheren dari tiap trial. ERP image ini berguna untuk
mengetahui apakah tiap trial yang menyusun ERP mempunyai
pola yang konsisten atau acak.
K. Plot PSD
Grafik power spectra density berguna untuk mengetahui
aktivitas sinyal EEG atau ERP pada domain frekuensi. Fitur
pada sinyal EEG telah diketahui berada pada ritme frekuensi
alpha, betha, theta maupun delta. Melalui metode ini maka
dapat diketahui pada frekuensi mana aktivitas ERP yang
paling besar.
L. Analisa Kemiripan Sinyal
Gambar 10. Contoh artifak pada epoch ke 43
J. Dekomposisi Data menggunakan ICA
Penelitian (10) mengatakan bahwa sinyal EEG yang
terekam pada elektroda tidak hanya bersumber dari daerah
otak yang berkaitan melainkan gabungan dari sel syaraf lain
yang tersebar diberbagai daerah otak lainnya. Hal ini
menyebabkan informasi yang ingin diekstrak dari respon otak
sehubungan fungsi kognitif tertentu menjadi tertutupi.
Independent Component Analysis (ICA) merupakan metode
untuk memisahkan komponen sinyal yang diinginkan dari
campuran sinyal EEG lainnya dengan menggunakan prinsip
spatial filter.
Pada penelitian ini algoritma ICA yang digunakan ialah
Infomax yang terintegrasi dengan EEGLAB. Hasil dari
Metode ini dilakukan agar sinyal yang diyakini sebagai fitur
terbukti atau tidak. Dapat diketahui pola kemiripan dua sinyal
atau lebih dengan mengukur tingkat koefisien korelasinya.
Metode ini berbasis pada fungsi corr() pada Matlab. Tingkat
korelasi diukur pada skala 0 hingga 1. Bernilai 0 jika kedua
sinyal yang dibandingkan tidak mempunyai kemiripan sama
sekali, sedangkan bernilai 1 jika sinyal yang dibandingkan
mempunyai pola yang sama.
IV. ANALISA DAN PEMBAHASAN
A. Inspeksi Visual
Gambar 11 dibawah merupakan hasil pengamatan pada
data subjek 1 pada semua huruf sequential. Dapat dilihat
bahwa hampir semua trial dikenali mengandung artifak pada
komponen-komponen tertentu. Metode inspeksi visual lebih
condong untuk diterapkan karena tidak selamanya metode
pengenalan artifak otomatis dapat akurat mendeteksi adanya
artifak. Dari beberapa percobaan yang telah dilakukan
menggunakan metode otomatis hasilnya sinyal yang nonartifak juga ikut terdeteksi.
Gambar 13. ERP A subjek
Gambar 11. Hasil pengamatan data subjek 1 terdapat artifak
B. Dekomposisi Data dengan ICA
Hasil dekomposisi data membuang komponen-komponen
yang tidak dibutuhkan untuk membentuk sinyal ERP. Dapat
dilihat perbedaan skala pada data sebelum dan sesudah
didekomposisi. Sinyal hasil dekomposisi ICA memiliki nilai
amplitudo relatif lebih kecil dari sebelum didekomposisi.
Setelah melalui proses dekomposisi hasilnya dapat dilihat
pada gambar 12 pada epoch yang sama komponen sinyal
terlihat lebih halus tanpa ada artifak.
Gambar 14. ERP A subjek 4
D. Pola ERP Setiap Kanal
EEGLAB mempunyai fitur untuk menampilkan ERP
average dari semua kanal dan dipetakan sesuai posisi
elektroda kanal masing-masing. Peta plot ERP dari masingmasing kanal ini berguna untuk mengetahui pengaruh daerah
otak yang paling kuat aktivasinya. Sehingga letak sumber
ERP yang paling kuat aktivasinya dapat diketahui.
Gambar 12. Data pada subjek 1 setelah didekomposisi
C. Fitur ERP
Dari hasil inspeksi visual pada proses sebelumnya
didapatkan satu trial per huruf untuk tiap subjek yang dinilai
paling kuat aktivasinya terhadap stimuli. Berikut ini pada
gambar 4.5 ditampilkan hasil plot ERP huruf A block untuk
semua subjek. ERP yang di plot berasal dari tiap kanal.
Kemudian dari semua kanal dicari rata-rata ERPnya. ERP
rata-rata ditunjukkan dengan sinyal yang berwarna hitam dan
lebih tebal. Hasilnya terdapat adanya pola aktivasi yang kuat
pada rentang waktu tertentu. Untuk subjek 2 dan 4 pada
rentang waktu 250 ms hingga 300 ms terlihat adanya aktivasi
yang besar dan polanya hampir mirip satu sama lain. Polaritas
keduanya bernilai negatif dengan nilai amplitudo yang terkuat
mencapai 20 mV. ERP pada subjek 1 memunculkan aktivasi
besar pada waktu disekitar 400 ms.
Gambar 15. Plot ERP tiap kanal
Gambar 15 diatas merupakan ERP yang diplot pada
masing-masing letak elektroda hasil dari averaging 20 trial
pada subjek ke-4. Dapat dilihat ERP yang paling besar
aktivasinya yaitu pada kanal O1 dan O2 yang terletak pada
daerah occipital. Telah diketahui bahwa daerah occipital pada
otak merupakan daerah untuk memroses stimuli yang diterima
oleh panca indera manusia, baik itu secara visual maupun
yang lain.
E. Analisa Kemiripan ERP single-trial
Analisa kemiripan pada sinyal dilakukan dengan
membandingkan sinyal rata-rata untuk semua subjek dan satu
pengucapan huruf. Analisa kemiripan ini bertujuan untuk
mengetahui bagaimana pola aktivasi sinyal otak untuk setiap
naracoba dalam merespon adanya stimuli dan melakukan
pengucapan huruf tertentu.
Gambar 16. Perbandingan sinyal ERP
Gambar 17. PSD dari sinyal ERP subjek 3
Jika gambar 16 diperhatikan lebih detil (ditandai dengan batas
garis biru vertikal), respon aktivasi kelima subjek mempunyai
kesamaan time-locked dan phase-locked pada rentang waktu
250 ms hingga 300 ms. Walaupun kekuatan aktivasi dan
polaritasnya berbeda tetapi arah aktivasinya sama, dalam hal
ini aktivasinya menuju peak polaritas negatif dan langsung
kembali ke peak positif. Kesimpulan yang didapat ialah otak
kelima naracoba menghasilkan respon yang mirip jika diberi
stimuli atau melakukan aktivitas yang sama.
Salah satu metode lain untuk mencari nilai kemiripan
dalam angka ialah dengan menggunakan fungsi korelasi pada
perangkat lunak Matlab. Kelima sinyal average diatas
dihitung koefisien korelasinya satu persatu antara tiap sinyal
dengan sinyal yang lain.
Tabel 1. Hasil koefisien korelasi sinyal average
Subjek
1
2
3
4
5
1
1,00
0,20
0,43
0,43
0,38
2
0,20
1,00
0,09
0,30
0,06
3
0,43
0,09
1,00
0,20
0,40
4
0,43
0,30
0,20
1,00
0,33
Gambar 17 dibawah merupakan grafik PSD dari subjek 3 pada
aktivitas pengucapan huruf A block. grafik dibawah
menunjukkan nilai PSD yang bervariasi pada tiap frekuensi
tetapi mempunyai pola yang sama pada frekuensi di sekitar 10
Hz. Dalam hal ini kekuatan sinyal aktif lebih besar dari
frekuensi lainnya. . Kesimpulan yang didapat dari fitur PSD
ini ialah bahwa sinyal EEG yang terekam lebih banyak aktif
pada ritme alpha.
G. Fitur ERP image
Beberapa gambar dibawah ialah fitur ERP image dari
subjek 5 untuk huruf A blocks. ERP image ini terdiri dari
beberapa tampilan yaitu ERP image itu sendiri pada bagian
paling atas, kemudian dibawahnya diikuti oleh grafik ERP.
ERP image menunjukkan bahwa adanya konsistensi phase
pada trial yang membentuk ERP. Sebuah ciri atau fitur yang
diperoleh ialah konsistensi fasa amplitudo pada rentang waktu
tertentu yang ditunjukkan dengan warna merah atau biru. Hal
tersebut diperkuat dengan pola ERP yang terletak dibawah
spectrogram yang mana puncak ERP segaris lurus dengan
warna merah atau biru. Warna tersebut terlihat menyambung
mulai dari dasar hingga bagian atas spectrogram, hal ini
membuktikan bahwa mulai dari trial awal hingga akhir
terdapat konsistensi pola ERP.
5
0,38
0,06
0,40
0,33
1,00
Tabel 4.1 menyajikan hasil perhitungan koefisien korelasi
antar sinyal dengan skala 0 hingga 1. Nilai koefisien 1
merepresentasikan dua buah sinyal yang dibandingkan
mempunyai pola yang mirip sepenuhnya. Sedangkan nilai 0
berarti sebaliknya. Jika dilihat pada tabel diatas nilai 1
diperoleh dari membandingkan sinyal dengan sinyal itu
sendiri. Nilai-nilai koefisien pada tabel diatas tidak ada yang
hampir mencapai angka mutlak 1.
F. Fitur PSD
Fitur power spectral density diplot untuk mengetahui di
frekeunsi berapa aktivitas sinyal EEG yang paling menonjol.
Gambar 17. ERP image A sequential subjek 1 komponen 3
H. Fitur ERP komponen ICA
Dari hasil dekomposisi menggunakan algoritma ICA
diperoleh komponen aktivasi untuk masing-masing subjek.
Setiap komponen dari sembilan belas kanal diplot pada satu
grafik kemudian dihitung nilai RMS-nya. Perlakuan yang
berbeda diberikan kepada komponen aktivasi ICA karena
hasil dari dekomposisi tidak memberikan pola sinyal yang
phase-locked. Artinya fasa masing-masing komponen berbeda.
Maka dari itu tidak dimungkinkan untuk melakukan averaging
pada masing-masing komponen. Alternatifnya yaitu dengan
mencari nilai mean dari magnitude tiap komponen.
Perhitungan RMS bertujuan untuk melihat pola aktivasi
komponen ICA pada rentang waktu tertentu dengan
mengabaikan polaritas masing-masing sinyal.
Gambar 18. ERP dan RMS komponen ICA subjek 4 A block
Hasinya dapat dilihat pada gambar 18, terlihat pola
aktivasi komponen ICA yang tidak menunjukkan adanya pola
seperti hasil plot ERP dari single-trial. Pola aktivasi ICA
tersebut berbeda fasa tetapi pola sinyalnya seperti
dicerminkan satu sama lain. Dalam kasus ini nilai polaritas
diabaikan. Karena yang diamati hanyalah munculnya pola
aktivasi pada waktu tertentu (time-locked). Pada rentang
waktu 250 hingga 300 milisekon terdapat aktivasi sinyal yang
besar tetapi fasanya berbeda satu sama lain. Hasil dari RMS
memperlihatkan adanya peak pada rentang waktu tersebut.
Jika diamati lebih detil maka pola sinyal pada subjek 4 terlihat
time-locked pada walaupun fasanya berbeda-beda.
V. KESIMPULAN DAN SARAN
A. Kesimpulan
Dari hasil penelitian yang telah dilakukan untuk menjawab
permasalahan yang ada, maka dapat diambil kesimpulan
bahwa :
1. 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.
2. Fitur yang berhasil diperoleh ialah event related
potential, ERP image, power spectral density dan
root mean square.
3. Hasil dekomposisi sinyal EEG menggunakan ICA
menunjukkan pola yang tidak beraturan dan tidak
menghasilkan pola ERP yang merespon adanya
stimuli.
4. ERP hasil inspeksi visual memberikan pola sinyal
yang menunjukkan respon terhadap stimuli dengan
jelas karena sinyal dari semua kanal mempunyai pola
yang mirip.
5. 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.
6. 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.
7. Hasil perhitungan koefisien kemiripan sinyal
memberikan nilai yang rendah untuk setiap
perbandingan. Hasil rata-rata dari semua koefisien
korelasi bernilai 0,28.
B. Saran
Untuk menyempurnakan penelitian Tugas Akhir ini agar di
masa yang akan datang dapat memperoleh hasil yang lebih
baik maka beberapa saran yang dapat diberikan ialah :
1. Menggunakan hardware EEG dengan elektroda yang
lebih banyak, yaitu lebih dari 128 kanal agar setiap
aktivasi sinyal EEG dapat dianalisa secara spasial.
2. Menambah jumlah naracoba agar data percobaan
menjadi lebih banyak sehingga pola fitur yang
didapat menjadi lebih akurat.
3. Pemberian stimuli diperbanyak macamnya seperti
mengucapkan kata atau kalimat.
4. Dilakukan pencatatan waktu tepat pada saat naracoba
merespon stimuli. Hal ini perlu dilakukan agar hasil
analisa mengenai respon terhadap stimuli menjadi
lebih akurat.
5. Melakukan proses klasifikasi atau pengenalan fitur
sehingga terwujudnya sistem Brain Computer
Interface.
DAFTAR PUSTAKA
1. EEG-Based Speech Recognition Impact of Temporal Effects.
Porbadnigk, Anne, et al. Kalsruhe : s.n.
2. Wavelet transform feature extraction from human PPG, ECG, and
EEG signal response to ELF PEMF exposures : A pilot study. Cvetkovic,
Dean, Übeyli, Elif Derya and Cosic, Irena. 2008, Digital Signal Processing,
Vol. 18, pp. 861–874.
3. BRAIN-COMPUTER INTERFACE - STATE OF THE ART AND
FUTURE PROSPECTS. Pfurtscheller, Gert. Graz : s.n.
4. Single trial EEG Classification. Adlakha, Amit. July 12, 2002.
5. EEG and VEP signal processing. Novák, Daniel, et al. Prague :
Department of Cybernetics, Czech Technical University in Prague.
6. Principles and Applications of Bioelectric and Biomagnetic Fields.
Malmivuo, J and Plonsey, R. New York : Oxford University Press, 1995.
7.
Event-related
Potentials
in
Electroencephalography:
Characteristics and Single-trial Detection for Rapid Object Search. Huang,
Yonghong. June 2010.
8. non-personal, artikel. what is an erp. erpinfo. [Online] [Cited:
Oktober 18, 2010.]
9. EEGLAB: an open source toolbox for analysis of single-trial EEG.
Delorme, Arnaud and Makeig, Scott. s.l. : Elsevier, 2004, Journal of
Neuroscience Methods, Vol. 134, pp. 9-21.
10. ERP Features and EEG Dynamics: An ICA Perspective. Makeig,
Scott and Onton, Julie. California : s.n.
11. Comparing Results of Algorithms Implementing Blind Source
Separation of EEG Data. Delorme, Arnaud, et al.