Hasil Pencarian  ::  Simpan CSV :: Kembali

"Terdapat dua masalah besar yang diselesaikan dalam disertasi ini, yaitu masalah pemrosesan sinyal dan masalah aplikasi sinyal EEG dalam pengenalan keadaan emosi. Masalah tersebut diselesaikan dengan metode kecerdasan komputasional yang terdiri dari bagian utama, ekstraksi fitur dan klasifikasi. Pada bagian ekstraksi fitur, pada disertasi ini dibahas penggunaan metode konvensional ekstraksi fitur berbasis power spectrum yaitu dengan Discrete Wavelet Transform DWT , dan penggunaan metode baru ekstraksi fitur yang diajukan yaitu analisis bispektrum dengan filter piramida 3D, serta dengan Relative wavelet bispectrum RWB.Untuk menyelesaikan permasalahan penerapannya pada sistem otomatis pengenal emosi, maka classifier dengan jenis Artificial Neural Network ANN digunakan.Penggunaan DWT dalam metode ekstraksi fitur menunjukkan bahwa fitur Relative Wavelet Energy DWT RWE memberikan recognition rate terbaik, konsep energi relatif ini kemudian digunakan pada metode baru yang diajukan. Pada metode baru ekstraksi fitur menggunakan analisis bispektrum dengan filter piramida 3D, diketahui bahwa persentase mean bispektrum memberikan recognition rate yang terbaik dengan kompleksitas yang lebih rendah 74.22 untuk arousal dan 77.58 untuk valence.Filter non-overlap dengan ukuran alas yang bervariasi memberikan recognition rate tertinggi, khususnya secara signifikan terlihat untuk jenis emosi arousal. Penurunan jumlah channel EEG sampai dengan 8 channel dapat dilakukan untuk menurunkan biaya komputasi. Metode baru ekstraksi fitur yaitu RWB telah diajukan dalam disertasi ini dan menunjukkan pengenalan yang sangat baik mencapai 90 untuk data sinyal EEG orang alkoholik. Semakin besar lag yang digunakan dalam perhitungan korelasi, semakin tinggi recognition rate yang diperoleh.Capaian dari penelitian ini membuktikan bahwa RWB cocok untuk digunakan sebagai metode ekstraksi fitur untuk klasifikasi orang alkoholik, dan dapat dipertimbangkan untuk digunakan pada aplikasi lainnya. Dari keempat classifier yang diujikan, dari segi recognition rate, PNN sedikit lebih unggul daripada BPNN, namun uji sensitivity, specificity dan PPV serta grafik ROC menunjukkan bahwa BPNN merupakan classifier yang lebih baik dibanding PNN. Di sisi lain, waktu komputasi PNN untuk mencapai recognition rate maksimum adalah sekitar 3,5 kali lebih cepat dibanding BPNN.

---

There are two major problems resolved in this dissertation, which are signal processing problem and the problem in EEG signal in the application of recognizing human emotional states. The problems were solved by applying a computational intelligence method consists of two main parts, the feature extraction and the classification. In the feature extraction sub system, this study improved a conventional methods using power spectrum from discrete wavelet transform DWT, and proposed a new method for feature extraction by using bispectrum analysis with 3D pyramid flter, as well as using relative wavelet bispectrum RWB.To solve the problem in the application of EEG signal for automatic emotion recognition system, the artificial neural network ANN classifier was used.The use of DWT in the feature extraction method shows that the relative wavelet energy DWT RWE feature provides the best recognition rate, the relative energy concept was then used in the proposed new feature extraction methods. In the proposed feature extraction using bispectrum analysis with 3D pyramid filters, the mean percentage of bispectrum feature gave the best recognition rate with lower complexity i.e. 74.22 for arousal and 77.58 for valence.Non overlap filters with varied base sizes provided the highest recognition rate, and significantly seen for the arousal emotion. The selection of eight EEG channels can be conducted to lower the cost of computing. A novel feature extraction method, the RWB, showed an excellent recognition for the alcoholic person. The larger the lag used in the correlation calculation in RWB, the higher the recognition rate obtained.The achievements of this study proved that RWB is suitable as a feature extraction method for the classification of alcoholic subjects, and may be considered for use in other applications.Of the four classifiers tested, PNN is slightly superior to BPNN in terms of recognition rate however, the sensitivity, specificity and PPV tests and ROC graph shown that BPNN is a better classifier than PNN. On the other hand, the PNN computing time to reach the maximum recognition rate was about 3.5 times faster than BPNN."

"Pada penelitian ini metode ekstraksi fitur dengan metode RWB akan dibandingkan dengan metode Bispectrum-Gaussian untuk menentukan jenis ekstraksi fitur yang lebih baik untuk klasifikasi sinyal EEG, selain itu akan klasifikasi dilakukan dengan menggunakan jenis model ANN dan CNN dengan variasi dimensi data yang berbeda untuk mengetahui pengaruh layer konvolusi terhadap hasil klasifikasi. Pada metode RWB autokorelasi akan dihitung untuk membentuk matriks cumullant orde ke-3 untuk kemudian dilakukan dekomposisi DWT 5 tingkatan untuk dihitung energi relatif dari hasil dekomposisinya. Pada metode Bispectrum-Gaussian matriks hasil perhitungan Bispectrum akan dilakukan filtering dengan kernel filter Gaussian untuk selanjutnya dihitung rata-ratanya untuk memperoleh fitur. Implementasi dilakukan dengan menggunakan data yang berasal dari UCI EEG Repository. Berdasarkan percobaan yang dilakukan diperoleh akurasi pelatihan percobaan CNN dengan data RWB 2D memiliki akurasi tertinggi mencapai 99%, akurasi percobaan ANN dengan data RWB 1D memiliki akurasi testing tertinggi mencapai 90%, dan akurasi pelatihan dan testing dari metode Bispectrum-Gaussian memiliki akurasi terendah, dengan akurasi pelatihan mencapai 90% dan testing mencapai 82%, menjadikan metode RWB secara umum lebih baik dibandingkan dengan metode Bispectrum-Gaussian. Berdasarkan percobaan juga ditemukan bahwa nilai lag dari perhitungan autokorelasi memiliki pengaruh terhadap hasil klasifikasi data di mana setiap peningkatan lag sebesar dua kali terjadi peningkatan akurasi testing sebesar 7.5% secara rata-rata.

---

This research will compare the performance between two feature extraction methods for EEG signal classification, that is RWB and Bispectrum-Gaussian, the classifications are done using two different kinds of model, ANN and CNN, and the feature’s dimension will be varied, the two model is used to determine the impact of a convolutional layer to the classification result. In the RWB method an autocorrelation will be computed to create a 3rd order cumulant matrix, the matrix then will be decomposed using DWT 5 level, and a relative wavelet energy calculation will be done to obtain the final feature. For the Bispectrum-Gaussian method, a Bispectrum calculation will be done, and the result of the calculation will be filtered using Gaussian kernel filter, then an average operation will be done on the filtered Bispectrum, resulting in the final feature. The implementation is done using the dataset provided by UCI EEG Repository. According to the experiment’s results the experiment using 2D RWB feature and CNN have the highest training accuracy achieving 99%, as for the experiment using 1D RWB feature and ANN it have the highest testing accuracy achieving 90%, on the other hand the experiment done using Bispectrum-Gaussian method have the lowest accuracy, with 90% training accuracy and 82% testing accuracy, this resulting in RWB became the better method for EEG feature extraction compared to Bispectrum-Gaussian. The experiments also suggest that the variation of lag value during the autocorrelation calculation has an impact on the classification accuracy, where for every multiple of two of the lag value resulting in increasing accuracy by 7.5% in average."

"ABSTRAKEmosi merupakan hasil dari aktivitas sensorik manusia baik sadar maupun tidak sadar yang dipicu oleh suatu objek atau situasi yang dialami manusia. Dalam dunia medis, emosi sangat berperan dalam kesembuhan pasien, tenaga medis sering kali mempertimbangkan emosi pasien untuk pengambilan keputusan langkah medis yang harus ditempuh. Saat ini, sistem pendeteksi emosi yang banyak digunakan adalah menggunakan raut wajah, namun sistem ini masih kurang bisa membantu tenaga medis dikarenakan ada pasien yang tidak mau atau tidak bisa memperlihatkan emosi mereka baik secara verbal maupun non-verbal. Oleh karena itu dibutuhkan sistem pendeteksi emosi yang tidak bergantung pada ekspresi emosi verbal maupun non-verbal. Penelitian ini membahas tentang perancangan sistem pendeteksi emosi menggunakan sinyal elektroensefalografi (EEG) dengan menggunakan metode ekstraksi fitur Bispectrum Wavelet. Kemudian untuk detailed coefficient akan diekstrak fiturnya menggunakan Relative Wavelet Bispectrum (RWB) dan untuk approximate coefficient akan di filter menggunakan Non-Overlap 3-D Pyramid untuk kemudian dicari mean%. Sistem pendeteksi emosi dengan menggunakan sinyal EEG dipilih karena untuk mendapatkan sinyal EEG tidak bergantung pada ekspresi emosi verbal maupun non-verbal. Dataset EEG yang digunakan didapatkan dari Database for Emotion Analysis using Physiological Signals (DEAP). Hasil mean yang didapatkan dari implementasi sistem yang diajukan pada skripsi ini adalah 76.6250% untuk valence dan 75.8594% untuk arousal. Hasil ini lebih tinggi 3.1050% untuk valence dan 2.4794% untuk arousal dibandingkan dengan hasil yang didapatkan pada paper

---

ABSTRACTEmotion is a result of humans conscious or unconscious sensorics activities that is triggered by object or situation that the human experienced. In medical world, emotion can be the key for patient healing process, doctor or medical personnel often use patients emotion to make next healing process movement. Nowadays, facial recognition is the most common emotion detection system; however, this emotion detection system is unreliable because it needs patient to show their emotion in verbal or non-verbal ways. Therefore, other emotion detection system that does not depend on humans verbal or non-verbal expression is needed. In this research, emotion detection system using electroencephalography (EEG) signal with Bispectrum Wavelet for its features extraction is discussed. Relative Wavelet Bispectrum will be used to extract features from detailed coefficient, and the approximate coefficient will be filtered and then it mean% will be calculated. EEG signal-based emotion detection system was chosen because EEG signal does not depend on humans verbal or non-verbal expression. Database for Emotion Analysis using Physiological Signals (DEAP) is used in this research. The mean result of the proposed system was 76.6250% for valence and 75.8594% for arousal. This results was higher by 3.1050% for valence and 2.4794% for arousal from the previous system"

"Telah dibuat sistem akuisisi data EEG 16 kanal menggunakan ADS1299FE Texas Instrument, USA berbasis FPGA Zedboard Diligent,USA . EEG merupakan suatu divais yang digunakan untuk mengukur aktivitas kelistrikan pada permukaan kepala yang dikenal sebagai sinyal EEG. Sinyal EEG memiliki beda potensial 0.5-100 V dengan frekuensi 0.5 ndash; 40 Hz. Sistem akuisisi data EEG ini terdiri atas 2 buah chip ADS1299 yang terhubung secara Daisy-Chain yang diproses menggunakan FPGA Zedboard. Rancangan sistem akuisisi ini dapat dikonfigurasi ulang baik gain dan data ratenya. Pengaturan ulangini dapat dilakukan melalui program terminal pada komputer maupun dengan menggunakan perangkat lunak yang didisain khusus untuk sistem ini. Perangkat lunak tersebut dapat merekam dan menampilkan data hasil akuisisi secara real time. Validasi sistem akuisisi data EEG ini telah diuji menggunakan EEG Simulator NETECH Mini-Sim EEG , pengujian dilakukan pada frekuensi 2Hz dan 5Hz dengan rentang amplitudo 10 V, 30 V , 50 V dan 100 V. Hasil uji validasi pada frekuensi 2Hz diperoleh hasil pengukuran dengan maksimal deviasi 1.3 dan pada frekuensi 5Hz diperoleh hasil pengukuran dengan maksimal deviasi 1.8.

---

Has been developed Electroencepharography EEG data acquisition system base on FPGA Zedboard Diligent, USA usin ADS1299FE Texas Instrument, USA . EEG is a device used to measure the electrical activities on the scalp. The voltage range of EEG signal are around 0.5 100 V with frequency 0.5 ndash 40 Hz. This data acquisition system consisted of 2 chips ADS1299 which were connected in Daisy Chain mode and processes using Zedboard. This acquisition system can be reconfigured both its gain and data rate. This configuration could modified both using terminal program or software specially design respectively. The feature of this software are data recording and display the EEG signal graphically in real time. The recorded EEG signal were validated using EEG Simulator NETECH Mini Sim EEG with frequency 2Hz and 5Hz and voltage test in 10 V, 30 V, 50 V and 100 V. The result of the validation test at 2Hz obtained measurement result with a maximum deviation of 1.3 and at a frequency of 5Hz obtained measurement result with a maximum deviation of 1.8 ."

"Sistem akuisisi data Electroencephalography (EEG) telah dikembangkan. menggunakan Analog Front End (AFE) ADS1299 EEGFE-PDK berbasis Raspberry Pi. Sistem ini merupakan kelanjutan dari sistem yang dikembangkan sebelumnya, dengan menambahkan fitur Relative Power Ratio (RPR), komunikasi Local Area Networking (LAN) dan GUI (Graphical User Interface). Fitur RPR perlu dipahami Karakteristik sinyal EEG. ADS 1299 memiliki beberapa keunggulan diantaranya Akuisisi data secara simultan, resolusi 24 bit, membutuhkan daya <0,2 mW dan noise <1 μV. Sistem akuisisi data ini terdiri dari 4 unit AFE yang dikonfigurasi secara daisy rantai. Komunikasi antara AFE dan Raspberry Pi menggunakan periferal serial antarmuka (SPI) dengan format RDATA. Bahasa pemrograman C digunakan untuk komunikasi antara Raspberry dengan AFE dan Matlab digunakan untuk pemrosesan sinyal. Data dari Raspberry ditransfer melalui LAN ke Personal Computer (PC). Kemudian disaring menggunakan Butterworth order 5. Data EEG dan perhitungan RPR ditampilkan secara real-time. Perhitungan dilakukan dengan Fast Fourier Transforms (FFT) dan Power Spectral Density (PSD). Sistem ini telah dievaluasi dengan menggunakan simulator EEG (NETECH Mini-Sim EEG) yang menghasilkan sinyal listrik sinusoidal dengan frekuensi 2 Hz, 5 Hz, dan amplitudo tegangan 30, 50 μV. Dengan perbandingan rata-rata FWHM (Full Width at Half Maximum) didapatkan untuk frekuensi 2Hz di sistem akuisisi tersebut memperoleh nilai 4 Hz, dan dalam Neurostyle 4 Hz. Di frekuensi 5 Hz, rata-rata nilai FWHM yang diperoleh untuk sistem akuisisi yang dibuat adalah 13 Hz dan Neurostyle pada 14 Hz.

---

The systems have been developed to obtain Electroencephalography (EEG) data using the Raspberry Pi based Analog Front End (AFE) ADS1299 EEGFE-PDK. This system is a continuation of a previously developed system, supported by Relative Power Ratio (RPR) features, Local Area Networking (LAN) and GUI (Graphical User Interface) features. EPR. ADS 1299 has several advantages that can be taken from simultaneous data, 24 bit resolution, requires power <0.2 mW and noise <1 μV. This data acquisition system consists of 4 AFE units completed by daisy chains. Communication between AFE and Raspberry Pi uses a serial peripheral interface (SPI) with RDATA format. C programming language is used for communication between Raspberries and AFE and MATLAB is used for signal implementation. Data from Raspberry is transferred via LAN to Personal Computer (PC). Then filtered using Butterworth order 5. EEG data and realtime calculations. The calculations are carried out by Fast Fourier Transforms (FFT) and Power Spectral Density (PSD). This system has been evaluated using an EEG simulator (NETECH Mini-Sim EEG) which produces sinusoidal electrical signals with a frequency of 2 Hz, 5 Hz, and a amplitude of 30, 50 μV. With the average change in FWHM (Full Width at Half Maximum) obtained for the 2Hz frequency in the acquisition system a value of 4 Hz is obtained, and in Neurostyle it is 4 Hz. At a frequency of 5 Hz, the average FWHM value obtained for the acquisition system is 13 Hz and Neurostyle is 14 Hz."

"Telah dirancang prototype motor imagery dengan memanfaatkan perintah sinyal otak yang dihasilkan oleh Electroencephalography EEG . Sinyal EEG digunakan untuk memberikan informasi sinyal motorik. Bentuk unik dari sinyal EEG menggambarkan perintah untuk menggerakkan lengan. Pada kondisi lumpuh sekalipun, informasi motorik pada sinyal EEG masih akan ditemukan saat seseorang membayangkan menggerakkan lengannya. Dalam penelitian ini informasi motorik pada sinyal EEG digunakan sebagai umpan balik dengan menggabungkan 4 elektrode input F3, F4, FC5, FC6 . Akuisisi sinyal EEG menggunakan Emotiv EPOC portable. Probabilistic Neural Network PNN berfungsi sebagai pemrosesan sinyal. Fungsi ini digunakan untuk pengenalan sinyal motor imagery membayangkan gerakan lengan tangan . Karakteristik komputasi yang dilakukan oleh PNN secara parallel mampu mempersingkat waktu pemrosesan sinyal. Hasil pengolahan PNN adalah power maksimum sinyal mu, Power maksimum sinyal beta, frekuensi mu dan frekuensi beta. Kombinasi keempat fitur ini memberikan nilai akurasi yang cukup tinggi. Hasil percobaan menunjukkan bahwa akurasi untuk training rata-rata adalah 85,49 - 91,32 sedangkan nilai untuk testing 82,6 - 87,6 . Alat terapi yang digunakan nBETTER Upper Limb Feedback. Alat terapi akan aktif, bila nilai testing sinyal EEG lebih besar dari 80 . Ke depan, prototype motor imagery ini dapat dikembangkan sebagai alat terapi pasien stroke yang mampu mengurangi ketergantungan pada seorang fisioterapis saat proses terapi.

---

A modeling arms post stroke therapy used command brain signals generated by Electroencephalography EEG has been designed. EEG signals used to provide motorics information. The unique form of signal EEG describe commands to move the limbs. On condition paralyzed, motorics information on the EEG signals will still be found when someone tried to move his limbs. In this research, we aim used the motorics information on the EEG signals as neuro feedback with combine 4 input electrode F3, F4, FC5, FC6 . EEG signal acquisition using the Emotiv EPOC portable. Probabilistic Neural Network PNN function as signal processing. This function was applied to the recognition research of motor imagery EEG signals imagining arms movement . The parallel computing characteristic of PNN not only improved the generation ability for network, but also shorted the operation time. The result of PNN are maximum mu power, maximum beta power, mu frequency and beta frequency that provided value to calculate classification accuracy. The experimental results show that the accuracy for training on average is 85.49 91.32 while the value for testing is 82.6 87.6 . Therapy tool used nBETTER Upper Limb Feedback. The therapeutic tool will be active, when the value of the EEG signal testing is greater than 80 . In the future, this modeling post stroke therapy can be reduced dependency from physiotherapist."

"Elektroensefalografi (EEG), adalah metode perekaman aktivitas kelistrikan otak pada kulit kepala. Aktivitas kelistrikan ini direkam dan diubah menjadi sinyal amplitudo tegangan. Hasil sinyal yang sudah diproses ini akan terklasifikasi pengguna melakukan perintah atau tidak. Sistem ini adalah purwarupa untuk pengembangan Sistem Pengendalian Tangan Artifisial Dengan EEG yang berfungsi menggerakkan tangan artifisial dengan bantuan sinyal gelombang otak. Sistem ini bekerja dengan mendeteksi keberadaan sinyal ERP P300 dalam sinyal EEG. Dalam penelitian ini, metode untuk menganalisis data EEG adalah filtrasi, ekstraksi P300 dan algoritma klasifikasi Support Vector Machines (SVM). Dari metode yang digunakan akan menunjukkan nilai rekognisi yang akan dibandingkan antar filtrasi, ekstraksi dan klasifikasi sehingga menghasilkan Filtrasi dengan Chebyshev Type I Orde 5 dengan nilai rekognisi 61.07%, ekstraksi fitur dengan Independent Component Analysis (ICA) dengan nilai rekognisi 58.64 %, dan klasifikasi data dengan Back Propagation Neural Network dengan nilai 59.97 % adalah algoritma yang paling efektif.

---

Electroencephalography (EEG), is a method of recording the brain's electrical activity on the scalp. This activity is recorded and converted to a signal amplitude voltage. The result of this signal will be classified as a user or not. This system is a prototype for the development of an Artificial Hand Control System with EEG which functions to move the artificial hand with the help of brain wave signals. This system works by detecting the presence of an ERP P300 signal in the EEG signal. In this study, methods for analyzing EEG data were filtration, extraction P300, and Support Vector Machines (SVM) classification algorithms. From the method used will show the value of recognition that will be compared between filtration, extraction and classification so as to produce Filtration with Chebyshev Type I Order 5 with recognition value of 61.07%, feature extraction with Independent Component Analysis (ICA) with recognition value of 58.64%, and data classification with Back Propagation Neural Network with a value of 59.97% is the most effective algorithm.

"

"Dalam penelitian ini, telah dibuat sebuah sistem akuisisi data 32-channel berbasis Field Programmable Gate Array FPGA untuk mengakuisisi dan memroses sinyal Electroencephalography EEG . Sistem akuisisi data yang dibangun menggunakan board PYNQZ1, dengan Xilinx ZYNQ XC7Z20-1CLG400C All Programmable System-on-Chip APSoCs yang dapat memberikan sebuah sistem tertanam dengan performa tinggi, karena memiliki kombinasi antara fleksibilitas serta versatility dari programmable logic PL dengan prosesor embedded atau programmable system PS dengan kecepatan tinggi. Sebagai pusat dari sistem akuisisi data yang dibangun, FPGA menerima, memproses, dan menyimpan data dari Front-End Analog to Digital Converter ADC ADS1299EEG-FE. Komunikasi data yang digunakan dalam sistem akuisisi data yang dibangun adalah Serial Peripheral Interface SPI dengan konfigurasi daisy-chain. Untuk bagian pemrosesan sinyal, penulis mengimplementasikan filter bandpass Butterworth dengan orde 5 dan Fast Fourier Transform FFT pada overlay dari PYNQ-Z1. Overlay merupakan desain FPGA yang dapat dikonfigurasi sehingga menghubungkan PS pada ZYNQ dengan PL, memberikan penulis kemampuan untuk mengendalikan secara langsung platform hardware memanfaatkan Python pada PS. Rerata dari error akurasi yang didapatkan dari hasil validasi adalah 1.34 dan kriteria performa Total Harmonic Distortion THD menghasilkan 0.0091 , dengan memanfaatkan NETECH MiniSIM EEG Simulator 330. Perbandingan dari sistem akuisisi data dengan Neurostyle NS-EEG-D1 System yang mengambil data EEG yang sama menghasilkan parameter korelasi gradien dengan 0.9818, y-intercept dengan -0.1803, dan R2 dengan 0.9742 berdasarkan analisis least square. Parameter tersebut memperlihatkan sistem akusisi data yang telah dibangun cukup, jika tidak setara, dengan sistem akuisisi data komersil dengan standar medis, yaitu Neurostyle NS-EEG-D1 System, karena dapat memastikan dan mempertahankan akurasi dengan konfigurasi frekuensi sampling yang lebih tinggi.

---

This study proposes a novel Field Programmable Gate Array FPGA based 32 channel data acquisition system to acquire and process Electroencephalography EEG signal. The data acquisition system is utilizing PYNQ Z1 board, which is equipped with a Xilinx ZYNQ XC7Z020 1CLG400C All Programmable SoC APSoCs that can offer high performance embedded system because of the combination between the flexibility and versatility of the programmable logic PL and the high speed embedded processor or programmable system PS . As the core of the data acquisition system, the FPGA collect, process, and store the data based on Front End Analog to Digital Converter ADC ADS1299EEG FE. The communication protocol used in the data acquisition system is Serial Peripheral Interface SPI with daisy chain configuration. For the signal processing part, we implement a 5th order Butterworth bandpass filter and Fast Fourier Transform FFT directly on the PYNQ Z1 rsquo s overlay. The overlay are configurable FPGA design that extend the system from the PS of the ZYNQ to the PL, enabling us to control directly the hardware platform using Python running in the PS. The mean accuracy error obtained from validation result of the developed system is 1.34 and the Total Harmonic Distortion THD performance criterion resulting in 0.0091 , both of them validated with NETECH MiniSIM EEG Simulator 330. The comparison between the developed system with Neurostyle NS EEG D1 System acquiring the same EEG data shows correlation parameter gradient of 0.9818, y intercept with 0.1803, and R2 of 0.9742 based on the least square analysis. The parameter above indicates that the developed system is adequate enough, if not on a par, with the commercialized, medical grade EEG data acquisition system Neurostyle NS EEG D1 as it can assure and maintain accuracy with higher sampling frequency."

"

Elektroensefalografi (EEG), sebagai metode rekaman neurofisiologis yang telah dimanfaatkan secara luas, terutama dalam penelitian dasar tentang fungsi otak dan pemantauan pasien dengan gangguan neurologis. serta sistem Brain Computer Interface (BCI) untuk menerjemahkan sinyal menjadi perintah atau fungsi tertentu. Dalam perekaman sinyal EEG, terdapat tantangan interferensi dan noise akibat amplitudo sinyal yang sangat kecil (mikrovolt [V]) dan frekuensi rendah. Penelitian ini mengeksplorasi pengembangan elektroda aktif sebagai solusi untuk menguatkan sinyal EEG sehingga dapat meminimalisir noise yang mungkin ada. Elektroda aktif dirancang menggunakan filter aktif Sallen & Key orde 2 dengan respon butterworth menggunakan OPA378 sebagai operational amplifier dengan frekuensi cut-off 0 hingga 100 Hz. Untuk meminimalisir jumlah kabel, diterapkan operasi single-supply sehingga hanya 3 kabel yang diperlukan untuk mengoperasikan elektroda aktif. Prototype elektroda aktif diuji menggunakan EEG simulator NETECH MiniSim 330 dan direkam menggunakan ADS1299 PDK sebagai ADC dan Raspberry Pi 4 Model B untuk menyimpan file rekaman. Hasilnya, elektroda aktif mampu melakukan penguatan sinyal sebesar 22 kali dengan cukup stabil pada rentang frekuensi 20 hingga 100 Hz dengan error sebesar 3.53% dari target penguatan yang diinginkan.

---

Elektroensefalografi (EEG) is a widely used method for recording neurophysiological signals, primarily for research on brain functions and monitoring patients with neurological disorders. The development of active electrodes is being explored as a solution to improve the quality of EEG signals, which are characterized by very low amplitude (microvolts [μV]) and low frequency. The active electrode is designed using Sallen & Key filter or Butterworth filter with OPA378 as the operational amplifier with a cut-off frequency range of 0 Hz to 100 Hz. To minimize the number of wires, single-supply operation is applied, requiring only three wires to operate the active electrode. The prototype of the active electrode was tested using a NETECH MiniSim 330 EEG simulator and recorded using an ADS1299 PDK as an ADC and a Raspberry Pi 4 Model B to save the recorded file. The results show that active electrodes can provide signal attenuation up to 22 times with sufficient stability in the 20 Hz to 100 Hz frequency range, with an error of 3.35% from the expected

"

"ABSTRACTDigital signal processing is concerned with the representation of signals by sequences of number or symbols and the processing of the sequences. The purpose of such processing may be to estimate characteristic parameters of a signal or to transform a signal into a form which is in some sense more desirable. The classical numerical analysis formulas, such as those designed for interpolation, integration, and differentiation, are certainly digital signal processing algorithms. The early work on speech and the like - topics still of considerable interest and still the object of active research began less than two decade ago. The rapid development of the subject can be appreciated by scanning the issues of the leading journals. Yet the application of digital signal processing has not been without its problems. It is a field which demands sophisticated technology. "