Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Pada beberapa orang difabel mengalami kesulitan pada saat bergerak dalam aktivitas sehari-harinya. Penggunaan prostetik dapat mengurangi keterbatasan tersebut. Pada penggunaan prostetik dapat dimodifikasi dengan alat bantu gerak (aktuator) yang dikendalikan oleh brain computer interface (BCI) guna mengontrol prostetik dengan gelombang otak. Aktivitas membayangkan melakukan gerak motorik yang disebut motor imagery (MI) apabila dapat di-recognition dapat memudahkan pada difabel untuk mengendalikan prostetik miliknya. Tulisan ini bertujuan untuk menjelaskan bagaimana me-recognition sinyal elektroensefalografi (EEG) dengan mencoba mengklasifikasikan sinyal MI EEG. Simulasi dilakukan pada bahasa Python pada framework Tensorflow, Keras. Jenis machine learning yang dipilih adalah Convolutional Neural Network (CNN). Dataset diperoleh dari PhysioNet.org, diolah dengan metode Continuous Wavelet Transformation (CWT) dengan library MNE.

---

Some people with disabilities have trouble doing their daily activities. Prosthetics could reduce the difficulties to some degree. The use of a prosthetic can be modified by the addition of an actuator (generate of motion) driven by BCI (brain computer interface) to control prosthetic by brain waves. If we could make the recognition of the brain wave in imaginary activities of motoric movement called motor imagery (MI), it would help people with disabilities to better control their prosthetics. This article’s aim to describe how to do the recognition of EEG signals (electroencephalography) by trying to classify the MI EEG signals. The simulation was run in Phyton on a Tensorflow framework, with a keras wrapper. Convolutional Neutral Network (CNN) was chosen in this research as the machine learning. The datasets gathered from PhysioNet.org were transformed using the library MNE with the Continuous Wavelet Transformation (CWT) method."

"

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

"

"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 brains 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."

"Kekuatan suatu struktur tidak hanya dipengaruhi oleh faktor usia tetapi juga pengaruh dari gaya eksternal yang dapat mempengaruhi kekuatan suatu bangunan. Getaran gempa dapat menyebabkan kegagalan bangunan struktur yang sangat berbahaya jika kerusakan pada struktur dapat menyebabkan bangunan runtuh dan menimbulkan korban jiwa. Pada penelitian ini dibuat sistem yang dapat mengevaluasi gedung berbasis getaran untuk mendeteksi respon struktural melalui parameter dinamis yang diambil dari pengukuran akselerasi. Selanjutnya penggunaan metode berbasis Deep Neural Network digunakan sebagai prediksi informasi apabila informasi dari data mentah tidak tersedia ataupun mengalami anomali. Menggunakan studi kasus gempabumi Sumur, analisis respon dinamis berupa rasio amplifikasi menunjukkan perbesaran hingga 7.2 kali, analisis floor spectra ratio menunjukkan frekuensi alami gedung sebesar 0.75 Hz dan analisis perubahan frekuensi natural gedung tidak menunjukkan adanya perubahan frekuensi alami gedung setelah gempa yaitu sebesar 0.84 Hz setelah terjadinya gempabumi tersebut. Penggunaan Deep Neural Network untuk prediksi respon struktur menunjukkan nilai performa MAE ; 0,00091, RMSE : 0,00150 dan MAPE :0,51048. Penggunaan machine learning ini juga dapat memberikan informasi respon struktur bangunan ketika sensor mengalami malfungsi pada kejadian gempa tersebut.

---

The strength of a structure is not only influenced by the age factor but also the influence of external forces that can affect the strength of a building. Earthquake vibrations can cause structural failure which is very dangerous if damage to the structure cause the building to collapse and cause casualties. In this research, a system that can evaluate buildings based on vibration is created to detect structural responses through dynamic parameters taken from acceleration measurements. Furthermore, the use of Deep Neural Network-based methods is used as information prediction if information from raw data is not available or experiences anomaly. Using the Sumur earthquake case study, the dynamic response analysis in the form of amplification ratios shows a magnification of up to 7.2 times, floor spectra ratio analysis shows the natural frequency of the building at 0.75 Hz and the analysis of changes in the natural frequency of the building does not show any change in the natural frequency of the building after the earthquake, which is 0.84 Hz after the earthquake. the earthquake. The use of Deep Neural Network for predicting structural response shows the value of MAE performance; 0.00091, RMSE : 0.00150 and MAPE : 0.51048. The use of machine learning can also provide information on the response of the building structure when the sensor malfunctions in the earthquake event."

"Sinyal Electroencephalogram (EEG) merupakan sinyal yang merepresentasikan aktifitas otak manusia. Berbagai metoda telah digunakan untuk menganalisa sinyal EEG. Tulisan ini bertujuan untuk menganalisa hasil deteksi sinyal hits dan lapses EEG dengan menggunakan transfonnasi wavelet diskrit maju level 3 dan jaringan saraf tiruan baclqaropagalion neural network (BPNN). Dimana kondisi lapses adalah kondisi seorang pasien yang pada saat sebelum pemeriksaau. (sehari sebelumnya) melakukan aktifitas yang berat. Sedangkan hits adalah kondisi dimana sehari sebelum pemeriksaan pasien melakukan aktifitas ringan.Tahapan simulasi yang dilakukan adalah pembangan sinyal EEG, selanjutnya sinyal didekomposisi dengan menggunakan transformasi wavelet daubechies 4 level 3 untuk diketahui komponennya lalu komponen-komponen sinyal hasil dekomposisi dilatih dengan menggunakan 3 lapisan BPNN dengan target sebuah sinyal lapses.Simulasi dilakukan dengan 500 kali pelatihan dan 100 kali pelatihan. Pada 500 kali pelatihan (training epoch), dilakukan deteksi terhadap keluaran BPNN yang masukannya adalah sinyal detail 1, detail 2, detail 3, dan aproksimasi transformasi wavelet diskrit maju level 3. Hasil simulasi menunjukkan pendeteksian terbaik didapat dari masukan sinyal detail 2 tmnsformasi wavelet. Dari simulasi didapat bahwa jumlah pelatihan berkaitan dengan keekuratan deteksi, semakin banyak pelatihan maka deteksi akan semakin akurat."

"Electroencephalography (EEG) is recording of the electrical signals on the scalp. These signals come from sources of activity within the brain; however it can be difficult to determine where the sources originate from just by looking at the signals. Through signal processing, these EEG signals can be analyzed and displayed as more useful information. This research explored the evolution of EEG (Brain-waves) topography. The aim of this research was to extract the origins of brain-waves within the brain from EEG data and develop an algorithm to analyze and display this information. This was done in the MATLAB environment by creating: a working software to display and pre-process multichannel EEG data; software/algorithms that could localize sources of EEG within the brain; and a clinician-friendly GUI block. Neural networks are a supervised machine learning technique that can be used to train a system based on previously seen data. Using this approach, it is possible to accurately extract signal positions within the brain."

"

Meningkatnya angka prevalensi gangguan depresi, terutama di generasi muda, membawa urgensi tentang pentingnya menjaga kesehatan mental. Terlebih lagi, adanya gangguan depresi pada seseorang telah terbukti untuk meningkatkan risiko dan keparahan (severity) penyakit kardiovaskular. Seringkali, depresi luput atau salah didiagnosis sebagai penyakit lain, karena gejala-gejalanya yang mirip dengan penyakit non-mental lainnya. Karena itu, kebutuhan untuk membuat suatu sistem berbasis sinyal elektroensefalografi (EEG) yang dapat membantu diagnosis gangguan mental ini menjadi semakin penting. Tujuan penelitian ini adalah membuat program analisis spektral dan klasifikasi sinyal EEG untuk membantu diagnosis gangguan depresi yang berbasis Machine Learning. Untuk melengkapinya, dibuat juga aplikasi MATLAB dengan Graphical User Interface agar mempermudah pengguna. Sinyal EEG diproses menggunakan dua metode, yaitu wavelet dan Power Spectral Density (PSD). Relative Power Ratio dan Average Alpha Asymmetry dihitung sebagai fitur klasifikasi. Untuk mereduksi jumlah fitur, dilakukan perhitungan dominansi. Fitur akan diurutkan sesuai dominansinya, sehingga fitur dengan dominansi tertinggi akan digunakan untuk klasifikasi Machine Learning. Pengklasifikasi yang digunakan adalah feedforward neural network dengan cross validation. Hasil akurasi tertinggi yang dicapai adalah 83,6% menggunakan metode wavelet dan 77,5% menggunakan metode PSD. Selain itu, di bagian Frontal dan Parietal subyek depresi, ditemukan aktivitas alfa bagian otak kanan yang lebih dominan. Hal tersebut konsisten dengan penemuan dari riset-riset sebelumnya yang menunjukkan bahwa subyek depresi memiliki asimetri aktivitas otak yang dominan di bagian kanan.

---

The increasing prevalence of depressive disorder (also known as major depressive disorder or MDD), especially in the younger generations, has brought urgency upon the importance of keeping good mental health. Moreover, depression has proven to increase risks of cardiovascular diseases, along with their severities. Depressive disorders are oftentimes not diagnosed or misdiagnosed, because some of the symptoms are similar with those of other non-mental illnesses. Because of that, the necessity to build a system based on electroencephalographic (EEG) signals that could help diagnose this mental illness has been increasing in importance. The goal of this research is to make a Machine Learning-based classification program that implements EEG spectral analysis to aid for the diagnostics of depression. A MATLAB application with a Graphical User Interface was made as an addition to the program so that users can operate it easily. EEG signals were processed using two different signal processing methods, which are wavelet and Power Spectral Density (PSD). Relative Power Ratio and Average Alpha Asymmetry were calculated for feature extraction. As a feature-reducing method, feature dominance was calculated and ranked so that the highest ranked features will be used as input for the Machine Learning classification. The classifier used was feedforward neural network with cross validation. The highest achieved results were 83,6% accuracy using the wavelet method and 77,5% accuracy using the PSD method. Other than that, depressed subjects also showed a dominant right-hemisphere alpha activity in the Frontal and Parietal region, which is consistent with previous research that reveals the right-dominated asymmetry in the depressed brain.

"

"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."

"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 ."