Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 41 dokumen yang sesuai dengan query
cover
Hendra Saputra Gani
Pengembangan sistem akuisisi data electroencephalography (EEG) berbasis fpga zedboard = Development of electroencephalograpy (EEG) data acquisition system based on fpga zedboard
"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 ."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2017
T46854
UI - Tesis Membership  Universitas Indonesia Library
cover
Toto Ciptodibroto
Pengukuran impedansi prototipe pasta elektroensefalograf (EEG) berbahan dasar tepung jagung = Impedance measurement prototype pasta electroencephalograph (EEG) with ingredient corn flour
"[ABSTRAK
Perkembangan EEG Pasta yang ada masih tetap menggunakan bahan-bahan yang dapat menyebabkan rasa pedih di mata, perih di kulit dan susah membersihkannnya diperlukan EEG Pasta yang tidak mengakibatkan masalah diatas tetapi tetap memiliki sifat konduktansi yang sangat bagus. Maka dibuatlah prototype Pasta EEG berbahan dasar tepung jagung dengan pengukuran impedansi. Pengukuran impedansi dilaksanakan di RS Pertamedika Sentul City- Sentul City, dimulai tanggal 03/12/2103 ? 20/12/2013. Nilai Impedansi yang diukur meliputi CZ, C3, C4, Z, A1 dan A2 dengan menggunakan Pasta Original, Pasta Tepung Jagung 25% dan Pasta Tepung Jagung 50%. Mengamati nilai impedansi EEG tersebut, dengan penambahan pasta konsentrasi semakin tinggi. Pasta kontrol dan pasta tepung jagung 25% sudah cukup memenuhi syarat pengukuran EEG dengan nilai impedansi yaitu 5-10 k Ohm. Semakin besar kandungan tepung jagung (50%) semakin besar nilai impedansinya.;
ABSTRACT
Trend of EEG Paste now is still use the ingredient which can cause skin and eyes irritation also hard to removed. We need EEG paste which cannot cause the above conditions but still have good conductitivity. So we produce prototype EEG paste staff from corn flour with impedance measurement. Impedance measurement executed at Pertamedika Sentul City Hospital, starting from 03/12/2013 ? 20/12/2013. Impedance value including CZ, C3, C4, Z, A1 and A2 using Origin paste, corn flour paste 25% and corn flour paste 50%. Observe EEG impedance value with additional high concentrate paste. Control paste and corn flour paste 25% are fulfilled conditions impedance EEG measurement with impedance value 5-10 k Ohm. More bigger corn flour contains (50%) more higher impedance value., Trend of EEG Paste now is still use the ingredient which can cause skin and eyes irritation also hard to removed. We need EEG paste which cannot cause the above conditions but still have good conductitivity. So we produce prototype EEG paste staff from corn flour with impedance measurement. Impedance measurement executed at Pertamedika Sentul City Hospital, starting from 03/12/2013 – 20/12/2013. Impedance value including CZ, C3, C4, Z, A1 and A2 using Origin paste, corn flour paste 25% and corn flour paste 50%. Observe EEG impedance value with additional high concentrate paste. Control paste and corn flour paste 25% are fulfilled conditions impedance EEG measurement with impedance value 5-10 k Ohm. More bigger corn flour contains (50%) more higher impedance value.]"
2015
T-Pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Tanaporn Payommai
Source position from EEG signal with artificial neural network / Tanaporn Payommai
"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."
Valaya Alongkorn Rajabhat University under the Royal Patronage. Faculty of Industrial Technology, 2017
500 TIJST 22:1 (2017)
Artikel Jurnal  Universitas Indonesia Library
cover
Faizal Adila Ferdiansyah
Rancang bangun sistem pengendalian orthosis menggunakan elektroensefalografi (EEG) dan elektromiografi (EMG) = Development of control system of orthotics using electroencephalography (EEG) and electromyography (EMG) / Faizal Adila Ferdiansyah
"

Brain-Machine Interface (BMI), atau saat ini juga terdapat Hybrid Brain-Machine Interface (hBMI),teknologi yang saat ini sedang berkembang pesat. Teknologi ini juga telah diaplikasikan pada berbagai bidang. BMI adalah sistem yang secara langsung mengubah pikiran seseorang dari otak menjadi sebuah informasi yang dapat diproses untuk mengartikannya menjadi informasi yang dapat dipahami manusia. BMI ini juga memiliki pengembangan lanjut dimana sinyal otak digabungkan oleh sinyal biologis lain seperti electromyography (EMG), electrooculography (EOG), atau juga electrocardiography (ECG). Pengembangan teknologi ini memiliki aplikasi sebagai alat bantu rehabilitasi untuk seseorang yang menderita ketidakmampuan dalam menggerakkan anggota tubuhnya, seperti tangan. Melalui penelitian ini diharapkan untuk dapat merancang sistem pengendalian orthosis sebagai alat bantu rehabilitasi dengan menggunakan metode klasifikasi dengan sinyal otak dan sinyal otot, sehingga subjek yang menggunakan alat ini dapat melakukan rehabilitasi dalam pergerakan lengan atas khususnya pada sendi siku. Hasil klasifikasi gerakan dengan menggunakan sinyal otak dan sinyal otot ini, dengan menggunakan fitur delta alpha rasio dan root mean square, didapatkan akurasi training untuk tiga gerakan yakni relaks, fleksi, dan ekstensi yaitu sebesar 90.3% dan untuk akurasi testing sebesar 85.2%.

Brain-Machine Interface (BMI) or also its advancement, hybrid brain machine interface (hBMI), is a technology that is vastly developed. This technology has been used in many fields. BMI is a system that directly changes human’s mind into information that can be extracted to informations that can be meaningful to people. BMI also has advancement in which the brain signal is combined with other biopotential signal such as electromyography (EMG), electrooculography (EOG), or electrocardiography (ECG). The development of this technology has applications as a rehabilitation aid for someone suffering from an inability to move his limbs, such as the hands. Through this research it is hoped to be able to design an orthosis control system as a rehabilitation device by using a classification method with brain signals and muscle signals, so that subjects who use this tool can carry out rehabilitation in upper arm movements especially in the elbow joint. The results of the movement classification using brain signals and muscle signals, using the delta alpha ratio and root mean square features, obtained training accuracy for three movements namely relax, flexion, and extension of 90.3% and for testing accuracy of 85.2%.

"
2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Raden Yogaswara
Aktivitas epileptiform pada elektroensefalografi pasien epilepsi dengan hiperventilasi selama lima menit = Epileptiform activity in electroencephalography epilepsy patient duirng 5 minutes hyperventilation
"Latar belakang: Untuk menentukan sindrom epilepsi selain anamnesis juga diperlukan adanya bukti gelombang elektroensefalografi (EEG) yang spesifik. Salah satu cara dengan melakukan teknik hiperventilasi (HV) untuk membangkitkan abnormalitas gelombang EEG. Stimulasi hiperventilasi dapat menimbulkan bangkitan umum dan parsial. Dengan mengetahui hal tersebut dapat menentukan terapi dan prognosis pasien epilepsi.
Tujuan: Mengetahui waktu terjadinya gelombang epileptiform tertinggi selama durasi HV 5 menit pada pemeriksaan EEG untuk meningkatkan manfaat pemeriksaan penunjang yang mendukung kearah diagnosis epilepsi.
Metode: Penelitian ini merupakan penelitian prospektif secara historis menggunakan teknik hiperventilasi selama 5 menit saat pemeriksaan EEG untuk mencari aktivitas epileptiform pada EEG pasien epilepsi dan atau dengan bangkitan epileptik di Rumah Sakit Cipto Mangunkusumo.
Hasil: Dari 70 subyek penelitian didapatkan paling banyak tipe bangkitan parsial dengan sindrom epilepsi lobus temporal sebagai jenis sindrom terbanyak. Pada menit ke-2 stimulasi hiperventilasi terjadi aktivitas epileptiform paling banyak sedangkan pada menit ke-1 dan ke-5 terdapat aktivitas epileptiform paling sedikit. Terdapat hubungan yang bermakna antara bangkitan terkontrol obat dengan aktivitas epileptiform dan atau dengan bangkitan epileptik (p=0.043). Pada subyek yang tidak terkontrol obat mempunyai resiko mengalami aktivitas epileptiform 0.22 kali lebih besar dibandingkan dengan yang terkontrol obat. Sedangkan faktor lainnya seperti jenis sindrom, tipe, onset dan frekuensi bangkitan tidak menunjukkan perbedaan yang bermakna (p=0.119; p=0.392; p=0.636; p=1.000).
Simpulan: Penelitian saat ini menunjukkan aktivitas epileptiform paling banyak terdapat pada menit ke-2 stimulasi hiperventilasi. Terdapat kecenderungan pasien epilepsi yang tidak terkontrol obat mempunyai resiko mengalami aktivitas epileptiform 0.22 kali lebih besar dibandingkan dengan yang terkontrol obat pada pemeriksaan hiperventilasi selama 5 menit.
Background: Diagnosis of epilepsy syndrome beside clinical judgement is also required specific wave evidence from electroencephalography (EEG). One of the method is to perform the hyperventilation techniques (HV) which can generate wave EEG abnormalities. Stimulation of hyperventilation can cause general and partial seizures. By knowing these things, we can determine further treatment and prognosis of the epilepsy patients.
Objective: To determine the highest timing of the wave emergence during 5 minutes hyperventilation in the EEG to improve the benefits of supporting the investigation towards the diagnosis of epilepsy.
Methods: The study was conducted using a historical prospective study design. All samples were collected in Cipto Mangunkusumo Hospital and undergo EEG with 5 minutes hyperventilation technique to look for epileptiform activity.
Results: From 70 subjects obtained, most of it are partial seizures with temporal lobe epilepsy syndrome as the most syndrome types. In the 2nd minute of hyperventilation stimulation occurs epileptiform activity most widely while at minute 1 and 5 are less epileptiform activity. There is a significant relationship between controlled drug patients with epileptiform activity and or with epileptic seizures (p = 0.043). In subjects who are at risk of uncontrolled drug had epileptiform activity 0.22 times larger than the controlled drug. While other factors such as the type of syndrome, type, onset and frequency of seizure showed no significant difference (p = 0.119, p = 0.392, p = 0636, p = 1.000).
Conclusions: The present study showed epileptiform activity are most common in the 2nd minute stimulation hyperventilation. There is a tendency of uncontrolled epilepsy patients who are at risk of experiencing epileptiform activity 0.22 times greater than the drug controlled patients during 5 minutes hyperventilation techniques."
Jakarta: Fakultas Kedokteran Universitas Indonesia, 2014
SP-Pdf
UI - Tugas Akhir  Universitas Indonesia Library
cover
Raden Yogaswara
Aktivitas epileptiform pada elektroensefalografi pasien epilepsi dengan hiperventilasi selama lima menit = Epileptiform activity in electroencephalograpy epilepsy patient during 5 minutes hyperventilation
"Latar belakang - Untuk menentukan sindrom epilepsi selain anamnesis juga diperlukan adanya bukti gelombang elektroensefalografi EEG yang spesifik Salah satu cara dengan melakukan teknik hiperventilasi HV untuk membangkitkan abnormalitas gelombang EEG Stimulasi hiperventilasi dapat menimbulkan bangkitan umum dan parsial Dengan mengetahui hal tersebut dapat menentukan terapi dan prognosis pasien epilepsi
Tujuan - Mengetahui waktu terjadinya gelombang epileptiform tertinggi selama durasi HV 5 menit pada pemeriksaan EEG untuk meningkatkan manfaat pemeriksaan penunjang yang mendukung kearah diagnosis epilepsi
Metode - Penelitian ini merupakan penelitian prospektif secara historis menggunakan teknik hiperventilasi selama 5 menit saat pemeriksaan EEG untuk mencari aktivitas epileptiform pada EEG pasien epilepsi dan atau dengan bangkitan epileptik di Rumah Sakit Cipto Mangunkusumo
Hasil - Dari 70 subyek penelitian didapatkan paling banyak tipe bangkitan parsial dengan sindrom epilepsi lobus temporal sebagai jenis sindrom terbanyak Pada menit ke 2 stimulasi hiperventilasi terjadi aktivitas epileptiform paling banyak sedangkan pada menit ke 1 dan ke 5 terdapat aktivitas epileptiform paling sedikit Terdapat hubungan yang bermakna antara bangkitan terkontrol obat dengan aktivitas epileptiform dan atau dengan bangkitan epileptik p 0 043 Pada subyek yang tidak terkontrol obat mempunyai resiko mengalami aktivitas epileptiform 0 22 kali lebih besar dibandingkan dengan yang terkontrol obat Sedangkan faktor lainnya seperti jenis sindrom tipe onset dan frekuensi bangkitan tidak menunjukkan perbedaan yang bermakna p 0 119 p 0 392 p 0 636 p 1 000
Simpulan - Penelitian saat ini menunjukkan aktivitas epileptiform paling banyak terdapat pada menit ke 2 stimulasi hiperventilasi Terdapat kecenderungan pasien epilepsi yang tidak terkontrol obat mempunyai resiko mengalami aktivitas epileptiform 0 22 kali lebih besar dibandingkan dengan yang terkontrol obat pada pemeriksaan hiperventilasi selama 5 menit
Background - Diagnosis of epilepsy syndrome beside clinical judgement is also required specific wave evidence from electroencephalography EEG One of the method is to perform the hyperventilation techniques HV which can generate wave EEG abnormalities Stimulation of hyperventilation can cause general and partial seizures By knowing these things we can determine further treatment and prognosis of the epilepsy patients
Objective - To determine the highest timing of the wave emergence during 5 minutes hyperventilation in the EEG to improve the benefits of supporting the investigation towards the diagnosis of epilepsy
Methods - The study was conducted using a historical prospective study design All samples were collected in Cipto Mangunkusumo Hospital and undergo EEG with 5 minutes hyperventilation technique to look for epileptiform activity
Results - From 70 subjects obtained most of it are partial seizures with temporal lobe epilepsy syndrome as the most syndrome types In the 2nd minute of hyperventilation stimulation occurs epileptiform activity most widely while at minute 1 and 5 are less epileptiform activity There is a significant relationship between controlled drug patients with epileptiform activity and or with epileptic seizures p 0 043 In subjects who are at risk of uncontrolled drug had epileptiform activity 0 22 times larger than the controlled drug While other factors such as the type of syndrome type onset and frequency of seizure showed no significant difference p 0 119 p 0 392 p 0636 p 1 000
Conclusions - The present study showed epileptiform activity are most common in the 2nd minute stimulation hyperventilation There is a tendency of uncontrolled epilepsy patients who are at risk of experiencing epileptiform activity 0 22 times greater than the drug controlled patients during 5 minutes hyperventilation techniques"
Jakarta: Fakultas Kedokteran Universitas Indonesia, 2014
SP-Pdf
UI - Tugas Akhir  Universitas Indonesia Library
cover
Tartila
Gambaran gelombang epileptiform pada eeg anak dengan epilepsi kajian pada faktor faktor yang memengaruhi = Epileptiform waves on the eeg of children with epilepsy study of factors influencing the occurence
"[ABSTRAK
Latar belakang Pemeriksaan EEG merupakan modalitas terpenting dalam diagnosis multi aksial pada epilepsi dan pemberian obat anti epilepsi yang tepat Sensitivitas EEG untuk memperoleh gelombang epileptiform cukup rendah sehingga berbagai upaya dilakukan untuk meningkatkan sensitivitas EEG Faktor faktor yang memengaruhi kejadian gelombang epileptiform telah banyak diteliti pada pasien dewasa namun belum ada penelitian yang spesifik pada anak Tujuan Mengetahui proporsi kejadian gelombang epileptiform pada EEG anak dengan epilepsi dan faktor faktor yang berpengaruh Metode Studi potong lintang terhadap 110 anak epilepsi usia 1 bulan 18 tahun yang datang ke Poliklinik EEG Kiara RSCM dari bulan Mei hingga September 2015 Faktor faktor yang dianggap berpengaruh dianalisis secara multivariat dengan uji regresi logistik Hasil Proporsi munculnya gelombang epileptiform sebesar 48 110 43 6 Pada analisis bivariat didapatkan faktor yang berpengaruh terhadap munculnya gelombang epileptiform adalah lama anak terbangun hingga dilakukannya pemeriksaan EEG p 0 034 OR 2 449 IK95 1 071 5 599 dan jarak kejang terakhir dengan EEG p 0 005 OR 3 037 IK95 1 386 6 626 Pada analisis multivariat didapatkan faktor yang paling berpengaruh terhadap kejadian gelombang epileptiform adalah jarak kejang terakhir dengan EEG p 0 016 OR 2 671 IK95 1 198 5 957 Simpulan Jarak kejang terakhir dengan pemeriksaan EEG kurang dari 3 hari dan deprivasi tidur parsial selama 6 jam merupakan faktor terjadinya gelombang epileptiform pada EEG anak dengan epilepsi ABSTRACT Background Top of Form EEG is an important modality in the multi axial diagnosis of epilepsy and therapy Sensitivity of EEG was low so efforts were made to improve it Factors related to the occurence of epileptiform waves has been studied in adult patients but no specific studies in children Top of Form Objectives Determine proportion of epileptiform waves in the EEG of children with epilepsy and identify the factors related to the occurence of epileptiform waves Methods This is a cross sectional study on 110 children with epilepsy aged 1 month 18 years old who came to the EEG outpatient clinic at Kiara Cipto Mangunkusumo hospital from May to September 2015 Related factors was analyzed using multivariate Results The proportion of epileptiform waves was 48 110 43 6 Results in bivariate analysis revealed related factors were the duration of awakeness p 0 034 OR 2 499 95 CI 1 071 5 599 and the duration of last seizure until EEG done p 0 005 OR 3 037 95 CI 1 386 6 626 In the multivariate analysis duration of last seizure until EEG done was the most related factors to the occurence of epileptiform waves p 0 016 OR 2 671 95 CI 1 198 5 957 Conclusion Factors related to the occurence of epileptiform waves are duration of last seizure until EEG done less than 3 days and patial deprivation for 6 hours ;Background Top of Form EEG is an important modality in the multi axial diagnosis of epilepsy and therapy Sensitivity of EEG was low so efforts were made to improve it Factors related to the occurence of epileptiform waves has been studied in adult patients but no specific studies in children Top of Form Objectives Determine proportion of epileptiform waves in the EEG of children with epilepsy and identify the factors related to the occurence of epileptiform waves Methods This is a cross sectional study on 110 children with epilepsy aged 1 month 18 years old who came to the EEG outpatient clinic at Kiara Cipto Mangunkusumo hospital from May to September 2015 Related factors was analyzed using multivariate Results The proportion of epileptiform waves was 48 110 43 6 Results in bivariate analysis revealed related factors were the duration of awakeness p 0 034 OR 2 499 95 CI 1 071 5 599 and the duration of last seizure until EEG done p 0 005 OR 3 037 95 CI 1 386 6 626 In the multivariate analysis duration of last seizure until EEG done was the most related factors to the occurence of epileptiform waves p 0 016 OR 2 671 95 CI 1 198 5 957 Conclusion Factors related to the occurence of epileptiform waves are duration of last seizure until EEG done less than 3 days and patial deprivation for 6 hours ;Background Top of Form EEG is an important modality in the multi axial diagnosis of epilepsy and therapy Sensitivity of EEG was low so efforts were made to improve it Factors related to the occurence of epileptiform waves has been studied in adult patients but no specific studies in children Top of Form Objectives Determine proportion of epileptiform waves in the EEG of children with epilepsy and identify the factors related to the occurence of epileptiform waves Methods This is a cross sectional study on 110 children with epilepsy aged 1 month 18 years old who came to the EEG outpatient clinic at Kiara Cipto Mangunkusumo hospital from May to September 2015 Related factors was analyzed using multivariate Results The proportion of epileptiform waves was 48 110 43 6 Results in bivariate analysis revealed related factors were the duration of awakeness p 0 034 OR 2 499 95 CI 1 071 5 599 and the duration of last seizure until EEG done p 0 005 OR 3 037 95 CI 1 386 6 626 In the multivariate analysis duration of last seizure until EEG done was the most related factors to the occurence of epileptiform waves p 0 016 OR 2 671 95 CI 1 198 5 957 Conclusion Factors related to the occurence of epileptiform waves are duration of last seizure until EEG done less than 3 days and patial deprivation for 6 hours , Background Top of Form EEG is an important modality in the multi axial diagnosis of epilepsy and therapy Sensitivity of EEG was low so efforts were made to improve it Factors related to the occurence of epileptiform waves has been studied in adult patients but no specific studies in children Top of Form Objectives Determine proportion of epileptiform waves in the EEG of children with epilepsy and identify the factors related to the occurence of epileptiform waves Methods This is a cross sectional study on 110 children with epilepsy aged 1 month 18 years old who came to the EEG outpatient clinic at Kiara Cipto Mangunkusumo hospital from May to September 2015 Related factors was analyzed using multivariate Results The proportion of epileptiform waves was 48 110 43 6 Results in bivariate analysis revealed related factors were the duration of awakeness p 0 034 OR 2 499 95 CI 1 071 5 599 and the duration of last seizure until EEG done p 0 005 OR 3 037 95 CI 1 386 6 626 In the multivariate analysis duration of last seizure until EEG done was the most related factors to the occurence of epileptiform waves p 0 016 OR 2 671 95 CI 1 198 5 957 Conclusion Factors related to the occurence of epileptiform waves are duration of last seizure until EEG done less than 3 days and patial deprivation for 6 hours ]"
Depok: Fakultas Kedokteran Universitas Indonesia, 2015
SP-PDF
UI - Tugas Akhir  Universitas Indonesia Library
cover
Ahmad Bustomi
Analisis spektral daya sinyal electroencephalogram (eeg) untuk identifikasi gerakan motorik lengan = Analytical power spectral electroencephalogram (eeg) signal to identify motoric arm movement
"ABSTRAK
Skripsi ini akan membahas mengenai analisis daya sinyal electroencephalogram (EEG) pada manusia sebagai subjek yang sedang mengerakkan langan kanan bawah kearah atas dan saat subjek dalam kondisi istirahat (resting) dengan sistem brain computer interface (BCI). Proses perekaman sinyal EEG menggunakan alat yang komersil, EMOTIV EPOC+ dengan 16 channel (2 channel sebagai ground). Data hasil perekaman akan diproses untuk mengekstraksi fitur/ciri khas dari sinyal EEG yang dihasilkan sesuai dengan perlakuan subjek, dengan menggunakan wavelet relative power (WRP), dimana sinyal EEG subjek akan ditransformasikan menggunakan discrete wavelet transform (DWT) dengan tipe motherwavelet daubechies4 (db4), untuk menghitung nilai relative power pada semua rentang frekuensi sinyal EEG (alpha, beta, delta, dan theta). Nilai WRP pada setiap rentang frekuensi tersebut akan unik dan spesifik sesuai dengan gerakan subjek, sehingga akan mencirikan apakah subjek menggerakkan lengan kanan bawah kearah atas atau kondisi resting. Pemrosesan sinyal electroencephalogram (EEG) dilanjutkan dengan menjadikan data WRP tersebut sebagai masukan kesistem klasifikasi. Sistem pengklasifikasian akan menggunakan algoritma support vector machine (SVM), yang akan memberikan kesimpulan pada data sinyal EEG random yang dihasilkan subjek tersebut, apakah termasuk dalam kondisi menggerakkan lengan kanan bawah kearah atas atau dalam keadaan istirahat (resting
ABSTRAK
This thesis will discuss about analysis power spectral of electroencephalogram signal (EEG) in humans as subjects that are moving right arms and when the subject is in state of rest using a brain computer interface (BCI) system. EMOTIV EPOC+ as a commercial device will be used to record EEG signal from the subject with 16 channels (2 channel as ground). Data recording results will be processed to extract its features/characteristics of EEG signals that are generated in accordance with the change of movement from the subject, by using wavelet relative power (WRP). These WRP data calculation can be done by transforming data using the discrete wavelet transform (DWT) with motherwavelet daubechies4 (db4), and calculated the value of its relative power on all frequency range (alpha, beta, delta, and theta). WRP values at each frequency range will be unique and spesific in accordance with the movement of the subject, so that WRP will characterize whether the subject move the right arm towards the top or in resting conditions. Using these WRP data information and the impelementation of support vector machine (SVM) algorithm, the system will provide a conclusion on random EEG signals wheater the subject move its arm or in resting condition. The level of accuracy of the system will be tested by looking at the results of the classification of EEG data by as much as 100 trial."
2016
S63134
UI - Skripsi Membership  Universitas Indonesia Library
cover
Akhmad Aldiya Yusuf
Perancangan Sistem Klasifikasi Emosi Manusia Menggunakan Elektroensefalografi (EEG) Berbasis k-NN Classifier = Human Emotion Classification System Design Using Electroencephalography (EEG) Based on k-NN Classifier
"ABSTRAK
Isu kesehatan mental merupakan sebuah isu yang sangat berkembang pesat pada masa ini. Remaja dan dewasa muda pada usia 16 hingga 30 tahun adalah korban utama yang menjadi penderita penyakit mentalitas. Isu kesehatan mental merupakan isu yang cukup serius dalam bidang medis dan social. Salah satu penyebab dari penyakit pada mentalitas manusia adalah kurangnya kemawasan diri, yang merupakan salah satu kunci dalam menjaga kestabilan mental pada diri seseorang. Sinyal otak merupakan suatu sinyal yang diduga mampu mendekteksi aktifitas otak manusia, dan dari sinyal tersebut, kita mampu membuat suatu sistem klasifikasi kondisi emosional manusia. Pada penelitian ini, EEG Neurostyle dengan 24 kanal digunakan untuk menangkap sinyal kelistrikan dari otak manusia. Metodenya meliputi reaksi seorang subjek terhadap stimulus berupa audio-visual yang berdurasi kurang lebih 5 menit. Subjek terdiri dari 10 orang manusia berumur 18 hingga 22 tahun, dimana tiap subjek menonton sebuah video pada lingkungan yang sama. Ekspresi mimik wajah akan direkam menggunakan kamera sebagai referensi dan konfirmasi agar sesuai dengan emosi yang dideskripsikan oleh subjek. Fitur emosi berupa RPR kemudian diambil untuk kemudian dimasukan kedalam algoritme classifier. Emosi dibagi berdasarkan 4 jenis yaitu: senang, sedih, takut, dan jijik Menggunakan Supervised Machine Learning, kita dapat menggunakan fitur fitur tersebut untuk klasifikasi. Menggunakan k-NN, didapat akurasi diatas 70% dengan menggunakan 4 kelas.
ABSTRACT
Mental health issues are growing rapidly in these recent years. Teenagers and young adult on age 16-30 years old are the most common victims. Mental health is a really serious issue concerning emotional health. One of the causes on emotional health issues is a lack of self-awareness, which is the key cornerstone on maintaining emotional-state. Brain signals has proven that it can read human emotion, and from there we can use brain waves to classify human emotional-state. In this research study, EEG Neurostyle of 24 channels is used to obtain brain electrical signals. The method involves the subject reaction to a set of audio-visual stimuli of approximately 5 minutes, the subject consists of 10 subjects aged 18-22, with each person watched the video-clips in the same environment. The expressions of the subjects were recorded separately to ensure their emotion accordance with the source (i.e. sad clips resulting sad emotion). Then its feature were extracted. The feature were used to classify the emotion into 4 classes: happy, sad, scared, and disgust. Using Supervised Machine Learning Method, we can use these features to identify a new sample to predict which class it belongs to. Using k-NN algorithm as classifier, an accuracy greater than 70% is obtained with 4 classes."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Silaban, Crisman Wise Patuan
Sistem monitoring gelombang otak (SMGO) berbasis EEG brainband dalam memantau tingkat kesadaran manusia = EEG brainband monitoring system for detecting human consciusness level/ Silaban, Crisman Wise Patuan
"ABSTRAK
Sistem Monitoring Gelombang Otak adalah salah satu sistem untuk memantau kondisi otak seseorang dengan memanfaatkan metode Neuro Imaging, yaitu EEG.Sistem ini memantau tingkat kesadaran pada manusia berdasarkan gelombang otaknya, seperti pada saat tertidur orang akan cenderung menghasilkan lebih banyak gelombang Delta. Sistem Monitoring Gelombang Otak mampu mengukur perubahan tingkat kesadaran berdasarkan gelombang otak yang diperoleh, yaitu pada saat tidur dihasilkan lebih banyak gelombang delta (19-20 gelombang delta) jika dibandingkan pada saat sadar (13 gelombang delta) dalam waktu 3 menit . Sistem monitoring ini diharapkan mampu untuk memantau kondisi kesadaran pada orang yang mengalami koma berdasarkan gelombang otak delta yang direkam.
ABSTRACT
Brain Wave Monitoring System is a system for monitoring the condition of a person's brain by utilizing the method of Neuro Imaging, which is EEG.Sistem monitor the level of consciousness in humans by brain waves, such as when asleep people will tend to result in more waves of Delta. Brain Wave Monitoring System is capable of measuring changes in the level of consciousness by brain waves are obtained, which at the time generated more sleep delta waves (delta waves 19-20) when compared at the time aware (13 delta waves) within 3 minutes. The monitoring system is expected to be able to monitor the state of consciousness in people who fell into a coma by delta brain waves are recorded."
Fakultas Teknik Universitas Indonesia, 2014
S56337
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5   >>