Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAK

Aplikasi Meditasi berbasis EEG merupakan aplikasi yang dapat digunakan untuk mendeteksi perasaan stres seseorang dan membantunya bermeditasi dengan memanfaatkan alat EEG untuk membaca gelombang otak. Proses yang terjadi dalam aplikasi ini adalah menerima data gelombang otak dari EEG, mengubah sinyal gelombang otak dari domain waktu ke domain frekuensi dengan Fast Fourier Transform (FFT), dan mengklasifikasikan data dengan k-Nearest Neighbor (KNN). Proses klasifikasi dengan KNN diuji dengan memberikan variasi jumlah gelombang data yang digunakan serta variasi nilai k pada KNN. Dengan menggunakan nilai k = 3 dan menggunakan lima gelombang otak, yaitu gelombang delta, teta, alfa, beta, dan gama sebagai fitur dalam KNN, dapat diperoleh hasil akurasi terbaik sebesar 80% dan waktu pemrosesan tercepat sebesar 23 ms. Dalam pemakaian aplikasi meditasi, waktu rata-rata pengguna untuk dapat menurunkan tingkat stresnya adalah selama 4,2 menit. Implementasi EEG dan proses klasifikasi dengan KNN pada aplikasi meditasi ini dapat mengecek tingkat stres seseorang secara real time dan memastikan bahwa orang tersebut tidak stres lagi setelah bermeditasi.

---

ABSTRACTEEG-based Meditation Application is an application that can be used for detecting someone's stress feeling and helping someone to meditate by using EEG to get brainwave signals. The processes that will be done in this application include collecting brainwave data from EEG, altering the brainwave signals from time domain to frequency domain with Fast Fourier Transform (FFT), and classifying data with k-Nearest Neighbor (KNN). Classification processes with KNN are tested by using variation in the number of brain waves used and using variation in the value of k used in KNN. By using k value of 3 and using five brainwaves, namely delta wave, theta wave, alpha wave, beta wave, and gamma wave as features in KNN, the best accuracy value can be gained, i.e. 80% with the fastest processing time, which is 23 ms. With the meditation application, the average time for the user to reduce the stress level is 4,2 minutes. The implementation of EEG and classification with KNN on this application makes it able to check a person's stress level in real time and to make sure that the person is de-stressed after meditation.

"

"ABSTRAKPada penelitian ini dirancang sebuah sistem pendeteksi kantuk untuk mencegah terjadinya kelalaian pengendara yang dapat menyebabkan kecelakaan dalam bentuk aplikasi berbasis Android. Dengan menggunakan Elektoensefalogram (EEG), kondisi mengantuk pada seseorang dapat dideteksi dengan cara merekam aktivitas kelistrikan yang terjadi pada otak manusia dan direpresentasikan menjadi bentuk sinyal frekuensi. Kemudian sinyal tersebut akan dikirim ke aplikasi di smartphone Android melalui Bluetooth dan akan memberikan peringatan berupa notifikasi jika kondisi mengantuk sudah terdeteksi. Sinyal akan diproses menggunakan Fast Fourier Tranform (FFT) untuk mengekstraksi fitur pada sinyal otak dan diklasifikasi menggunakan ­K-Nearest Neighbor (KNN). Sistem tersebut diharapkan dapat meminimalisir penyebab terjadinya kecelakaan yang dikarenakan oleh pengemudi yang mengantuk. Hasil yang didapatkan dari perancangan sistem pendeteksi ini menunjukkan bahwa aplikasi sudah dapat menghasilkan performa terbaik dengan tingkat akurasi tertinggi yaitu 95.24% dengan menggunakan nilai K=3 dan dengan menggunakan 4 fitur gelombang otak (Delta, Theta, Alpha, dan Beta).

---

ABSTRACTIn this research, a drowsiness detection system is an Android application and it is designed to prevent drivers negligence that can cause accidents. By using Electroencephalogram (EEG), the condition of drowsiness can be detected by recording the electrical activity that occurs in human brain and represented as a frequency signal. Then the signal will be sent to the Android application on smartphone via Bluetooth and will give an alarm notification if the drowsiness is detected. The signal will be processed using Fast Fourier Transform (FFT) to extract features in human brain signals and be classified using K-Nearest Neighbor (KNN). The system is expected to minimize the causes of accidents that caused by drowsy drivers. The results obtained from the development of this detection system indicate that the application can produce the best performance with the highest accuracy of 95.24% using the value of K = 3 and by using 4 brain wave features (Delta, Theta, Alpha, and Beta)."

"Penderita gangguan depresi semakin meningkat setiap tahunnya, terutama pada generasi muda. Hal ini membawa urgensi tentang pentingnya menjaga kesehatan mental, terlebih lagi WHO melaporkan bahwa depresi sangat mempengaruhi kualitas hidup dan menjadi penyebab dari meningkatnya risiko gangguan kesehatan lainnya. Kesalahan diagnosis seringkali terjadi pada depresi, maka dari itu sangat penting untuk mengembangkan pendekatan objektif untuk membantu dokter mendiagnosis depresi secara lebih efektif. Elektroensefalografi (EEG) merupakan teknologi berbasis sinyal otak yang dapat merekam aktivitas jaringan otak. Penelitian ini bertujuan untuk membuat program analisis gangguan depresi berbasis Machine Learning. Aplikasi Graphical User Interface (GUI) juga dibuat untuk mempermudah pengguna. Pemrosesan sinyal dilakukan dengan dua metode, yakni wavelet dan Power Spectral Density (PSD). Relative Power Ratio (RPR) dihitung sebagai fitur klasifikasi. Perhitungan dominansi juga dilakukan untuk mereduksi jumlah fitur. Fitur dengan dominansi tertinggi akan digunakan untuk membuat model klasifikasi Machine Learning. Pengklasifikasi yang digunakan adalah K-Nearest Neighbor (KNN) dengan cross validation. Akurasi tertinggi yang diperoleh mencapai 70% dengan metode wavelet dan 65% dengan metode PSD.

---

The number of individuals suffering from depressive disorder (also known as major depressive disorder or MDD) is increasing every year, especially among the younger generations. This highlights the urgency of prioritizing mental health, especially considering the World Health Organization’s report that depression significantly affects the quality of life and increases the risk of other health disorders. Misdiagnosis often occurs in cases of depression, making it crucial of develop an objective approach to help doctors diagnose depression more affectively. Electroencephalography (EEG) is a brain signalbased technology that records brain network activity. This research aims to create a machine learning-based program for analyzing depressive disorders. Additionally, a Graphical User Interface (GUI) application is developed to facilitate users. Signal processing is performed using two methods, namely wavelet and Power Spectral Density (PSD). The Relative Power Ratio (RPR) is calculated as a classification feature. Dominance computation is also conducted to reduce the number of features, and the feature with highest dominance are used to create the Machine Learning classification model. The classifier used is K-Nearest Neighbor (KNN) with cross-validation. The highest accuracy achived is 70% with the wavelet method and 65% with the PSD method."

"ABSTRAKKetika manusia mengalami stres, tubuhnya akan memproduksi hormon stres serta menimbulkan respon fisiologis yang berkaitan dengan sistem saraf otonom atau autonomous nervous system (ANS). Salah satu respon fisiologis dari timbulnya stres pada tubuh yaitu meningkatnya variabilitas detak jantung atau heart rate variability (HRV). Data HRV merupakan beberapa feature yang didapatkan dari interval R-R yang berasal dari sinyal Electrocardiograph (ECG). HRV didapatkan dengan menggunakan analisis domain waktu dan analisis domain frekuensi. Dalam penelitian ini, akan dijelaskan mengenai pengembangan sistem pendeteksi stres berbasis detak jantung dengan menghitung dan membandingkan feature HRV berdasarkan analisis domain waktu dan frekuensi serta mengklasifikasikan feature tersebut dengan algoritma k-Nearest Neighbors (kNN). Sistem diimplementasikan pada perangkat Android dan juga Laptop. Hasil yang diperoleh yaitu feature HRV gabungan dari hasil analisis domain waktu dan frekuensi yang paling merepresentasikan stres dari detak jantung serta menghasilkan akurasi sebesar 79,17% menggunakan algoritma kNN pada Laptop dan akurasi sebesar 79,166% dari klasifikasi kNN pada aplikasi Android yang dibuat.

---

ABSTRACTWhen humans deal with stress, they produce stress hormones which create physiological responses related to the autonomic nervous system (ANS). One of the physiological responses to stress in the body is a variation in heart rate or heart rate variability (HRV). HRV data are some features obtained from the R-R interval derived from Electrocardiograph (ECG) signals. HRV is obtained using time domain analysis and frequency domain analysis. In this study, we will discuss the development of a stress detection system based on heart rate by calculating and comparing HRV features from time and frequency domain analysis and classifying these features with the k-Nearest Neighbors (kNN) algorithm. The system is implemented on Android device and PC. The results obtained were combined HRV features from the results of time and frequency domain analysis are the best features to represent stress from heart rate with accuracy of 79,17% using the kNN algorithm on PC and accuracy of 79,166% from the kNN classification on Android application.

 

"

"Electroencephalogram merupakan sebuah alat yang digunakan untuk mengukur aktifitas elektrik pada otak yang digunakan untuk mendeteksi dan menganalisis epilepsi, kejang, analisis tidur, dan penyakit otak lainnya. Penelitian ini membahas rancangan sistem akuisisi sinyal electroencephalogram 32 kanal dengan menggunakan 4 modul ADS1299EEGFE-PDK yang dikonfigurasi melalui protokol SPI mode cascade dan dikendalikan oleh LaunchPad MSP432P401R. Sistem ini dikembangkan menggunakan Energia dengan pengambilan sampel sebanyak 220 SPS dan resolusi 24 bit. Sinyal yang didapat ditampilkan dan disimpan dalam format time domain dan frequency domain menggunakan LabVIEW. Sistem ini diuji menggunakan NETECH MiniSIM EEG Simulator 330 dan dibandingkan dengan EEG komersial Neurostyle EEG-D-1 secara real-time menggunakan jumper tipe 100C dan konverter EASYCAP. Penelitian ini merupakan bagian dari penelitian EEG untuk rehabilitasi stroke.

---

An Electroencephalogram EEG is a device to obtain electrical activities of the brain, which is used to detect and analyze epilepsy, seizure, sleep analysis, and other brain defects. This paper presents the design of a 32 channels electroencephalogram signal acquisition system using 4 modules of the ADS1299EEGFE PDK configured with SPI cascade mode and controlled by a LaunchPad MSP432P401R. The system was developed using Energia and sampled to 24 bits up to 220 SPS. The acquired signals were displayed and saved in time domain and frequency domain using LabVIEW. These signals were tested to the NETECH MiniSIM EEG Simulator 330 and compared to a commercial EEG of Neurostyle EEG D 1 in real time using jumper 100C and EASECAP converter. This work is part of EEG research for stroke rehabilitation."

"

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

"

"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."

"ABSTRAKPenyakit kardiovaskuler adalah penyakit serius yang mematikan di mana seperempat kematian yang terjadi ternyata disebabkan oleh penyakit ini. Sementara itu, di negara berkembang seperti Indonesia kualitas layanan kesehatan masih rendah, ditandai dengan kurangnya tenaga dokter pada daerah-daerah rural dan terpencil. Kondisi ini menjadi motivasi perlunya merancang inovasi teknologi telemedical yang berfungsi membantu dokter melakukan diagnosis dan pengobatan penyakit kardiovaskuler. Penelitian ini mengusulkan sebuah sistem berbasis teknologi machine-to-machine M2M untuk mengecek kesehatan pasien yang akan melaporkan hasilnya ke dokter jantung secara jarak jauh melalui aplikasi website dan aplikasi mobile, yang diberi nama My Kardio. Desain dari sistem ini adalah terdiri dari tiga bagian utama yaitu bagian pasien patient site yang terdiri dari sensor-sensor dan gateway, bagian server server site yaitu server aplikasi web dan mobile yang terletak di cloud internet, dan bagian dokter doctor site yaitu aplikasi web dan mobile untuk dokter agar dokter dapat melakukan pengecekan dan diagnosis terhadap pasien secara online. Sistem ini dilengkapi dengan sistem prediksi auto-rekomendasi untuk memberikan rekomendasi kepada dokter dalam menentukan diagnosis penyakit yang diderita pasien. Sistem auto-rekomendasi ini dibangun dengan algoritma k-Nearest Neighbors kNN yang terbukti cukup baik performansinya dalam hal akurasi dan kecepatan. Uji coba telah dilakukan pada empat lokasi di daerah pinggiran Jakarta yaitu Kampung Banjarsari 10 pasien , Cibubur 15 pasien , Cimanggis 37 pasien , dan Pancoran 23 pasien pada total sejumlah 85 pasien. Evaluasi kuantitatif menghasilkan rata-rata akurasi prediksi sistem auto-rekomendasi adalah 76,47 , waktu pemrosesan sistem auto-rekomendasi 1 detik, dan performansi waktu transfer data dari lokasi pemeriksaan ke server M2M adalah 8,97 detik. Evaluasi secara kualitatif dilakukan melalui wawancara dokter spesialis jantung, dan diperoleh hasil bahwa aplikasi My Kardio sangat membantu terutama untuk daerah-daerah yang kekurangan dokter spesialis jantung; dan juga bermanfaat untuk kota besar di mana akses pasien ke dokter jantung juga terkendala oleh waktu praktek dokter yang terbatas dan kemacetan. Kata kunci:Machine-to-machine, penyakit kardiovaskuler, k-Nearest Neighbors.

---

ABSTRACTCardiovascular disease is a deadly disease which one-fourth of deaths are caused by this disease. Meanwhile, in developing country like Indonesia, the quality of health services is still low, marked by the lack of doctors to serve patients. This condition gives the motivation about the need for a new innovation to improve the life expectancy of cardiovascular patients in Indonesia, with the help of technology. This research proposes a machine-to-machine M2M technology-based system to check the health of patients which will report the results to the cardiologist remotely through the web and mobile applications, named My Kardio. The design of this system is composed of three main parts, the first one is patient site consisting of sensors and gateways, then server site which is web and mobile application server located in the Internet cloud, and the last is doctor site: web and mobile application for doctors to enable doctors checking and diagnosing patients online. The system is equipped with an auto - recommendation prediction system to provide recommendations to physicians in determining the diagnosis of illness suffered by the patient. This auto-recommendation system is built on the k-Nearest Neighbors kNN algorithm that has been proven with good accuracy and fast. Trials have been performed in four locations in the suburbs of Jakarta: Kampung Banjarsari 10 patients , Cibubur 15 patients , Cimanggis 37 patients , and Pancoran 23 patients of the total 85 patients. Quantitative analysis results are, first the prediction accuracy of the auto- recommendation system is 76.47 on average, then the processing time of auto- recommendation system is 1 second, and last, the duration of data transfer time from location to M2M server is 8.97 seconds. Qualitative analysis was made with cardiologists interviews, which results that My Kardio application is very helpful especially in remote areas which lacking of cardiologists, even for big cities where patients rsquo; access to cardiologists is a problem due to limited clinic time and traffic jams. "

"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."