EKSTRAKSI FITUR SINYAL · 2011-11-29 · • Sinyal EEG yang dianalisa mempunyai kandungan...
Transcript of EKSTRAKSI FITUR SINYAL · 2011-11-29 · • Sinyal EEG yang dianalisa mempunyai kandungan...
EKSTRAKSI FITUR SINYAL ELEKTROENSEFALOGRAF (EEG) UNTUK
IDENTIFIKASI UNSPOKEN-SPEECH MENGGUNAKAN EEGLAB
oleh :Bagas Isadewa
2406100077Teknik Fisika ITS
Pembimbing :Ir. Syamsul Arifin, MT.Andi Rahmadiansah, ST. MT.
the Idea
• Kelumpuhan
the Idea
• Unspoken-Speechmerupakan aktivitas berbicara atau mengucapkan suatu kata tanpa menggunakan organ-organ artikulatori dan tidak menghasilkan suara sama sekali.
the Idea
• Brain-Computer Interface
Permasalahan
• Bagaimana cara mengekstraksi fitur sinyal EEG untukidentifikasi unspoken-speech menggunakan EEGLAB
Tujuan dan Manfaat
• Mendapatkan fitur sinyal EEG pada aktivitas unspoken-speech.
• Memudahkan proses klasifikasi sinyal EEG untuk pengembangan Brain-Computer Interface (BCI).
Brain Computer Interface
“must not depend on the brain’s normal output
pathways of peripheral nerves and muscles”
Brain Computer Interface
Perekamansinyal EEG ( removal)
Preprocessing(artefact removal)
Ekstraksi fiturKlasifikasi /
translasi fitur
Aplikasi BCI
Elektroensefalograf
Elektroda Bio-Amp ADC DisplayFilter
Ritme Sinyal EEG
Bagaimana Otak Bekerja ?
Bagaimana Otak Bekerja ?
Mulai
Perekaman sinyal EEG
Konversi sinyal .raw menjadi .txt
Import data ke EEGLAB
Ekstraksi epoch
Averaging data
Segmentasi event
Dekomposisi data dan artifact
removal menggunakan ICA
Visualisasi ERP
Analisa dan pembahasan
Selesai
Import lokasi kanal
Eksperimen
• 2 (dua) subjek laki-laki dewasa
• Aktivitas yang dilakukan yaitu membaca tanpa suara– Blocks : A20x / I 20x / U 20x / E 20x / O20x
– Sequential : (AIUEO)5x diulang 4x
• Total 20x untuk tiap huruf
Eksperimen
• Menggunakan Compumedics ProFusion
• 21 channel
• Stimulus ditampilkan di layar laptop– Berupa slideshow huruf A I U E O
• Pengolahan data menggunakan EEGLAB
Perekaman Sinyal EEG
• Pemasangan elektroda dengan standar 10-20
EEGLAB ???
• Matlab toolbox
• opensource
Flowchart
Mulai
Perekaman sinyal EEG
Konversi data sinyal
Import data ke EEGLAB
Ekstraksi epoch
Segmentasi event
Ekstraksi fitur pada sinyal
Analisa dan pembahasan
Selesai
Import lokasi kanal
Re-reference elektroda
Mulai
Inspeksi visual
data tiap epoch
Run ICA Selesai
Data sinyal
EEG per
epoch
Visualisasi fitur
Visualisasi fitur
Inspeksi visual
data tiap epoch
Analisa kemiripan
sinyal
Olah Data – Pra EEGLAB
• Sinkronisasi Event
– Waktu rekaman EEG dan stimulus direkam untuk mendapatkan waktuonset stimulus
• Hasil perekaman berupa .raw
• Konversi data .raw menjadi .txt menggunakan Persyst
• Channel A1 dan A2 dihapus
EEGLAB - preprocessing
• Import data .txt
• Import channel location : 19 channel 10-20
• Import event : berdasarkan sinkronisasi– Event ialah
• Segmentasi event
• Ekstraksi epoch– Epoch ialah
Fitur
• Fitur ialah suatu karakter pembeda dari sinyal hasilpengukuran yang didapat dari segmentasi pola sinyal tertentu
• Ekstraksi fitur bertujuan untuk mendapatkan karakteristikatau ciri yang unik dari suatu pola sinyal
• Proses klasifikasi menjadi lebih mudah jika sinyal yang bersangkutan hanya mengandung fitur yang dibutuhkan
EEGLAB – Ekstraksi Fitur
• Fitur Apa ?
– ERP (event related potential)
– PSD (power spectral density)
– ERP image
EEGLAB – Ekstraksi Fitur
• Dekomposisi data menggunakan ICA
– Menghasilkan ERP
• Artifact Removal
• Averaging Data– Menghasilkan ERP
• Time-Freq Analysis– Power Spectral Density
ERP ???
• Event related potential
– Potensial listrik yang muncul terkait dengan event tertentu
– Tidak terlihat pada sinyal raw
– Orde dalam mikrovolt
– Muncul pada rentang waktu beberapa ratus milisekon
ERP ? Lanjut …
• Secara tradisional diekstrak melalui averaging
• ICA mampu mendekomposisi sinyal EEG untuk mendapatkankomponen ERP
Averaging ERP
• Menjumlahkan trials
– Trials adalah data kontinyu pada rentang waktu terkait dengan event
• Trials harus time-locked dengan event
• Averaging melemahkan sinyal yang berbeda fasa danmenguatkan sinyal berfasa sama pada time-locked
Averaging
ICA ERP
• Independent component analysis
• Memberikan solusi pada blind source separation
• Berfungsi sebagai spatial filter
ICA Skema
ICA Contoh
Artifak
• Ialah sinyal non neural yang ikut terekam pada sinyal EEG
• Sumber artifak :– Kedipan mata
– Gerakan mata
– Gerakan otot dahi
– Gerakan rahang
Sinyal Artifak
Sebelum didekomposisi
Hasil dekomposisi ICA
ERP single-trial
Kemiripan Sinyal
ERP image
Power Spectral Density
RMS sinyal dekomposisi ICA
Kesimpulan
• Pada penelitian ini metode yang digunakan untuk mengolahsinyal EEG ialah segmentasi sinyal, inspeksi visual, averagingdan dekomposisi data dengan algoritma ICA. Keempat metodetersebut telah diimplementasikan pada data menggunakanperangkat lunak EEGLAB.
• Fitur yang berhasil diperoleh ialah event related potential, ERP image, power spectral density dan root mean square.
• Hasil dekomposisi sinyal EEG menggunakan ICA menunjukkanpola yang tidak beraturan dan tidak menghasilkan pola ERP yang merespon adanya stimuli.
• ERP hasil inspeksi visual memberikan pola sinyal yang menunjukkan respon terhadap stimuli dengan jelas karenasinyal dari semua kanal mempunyai pola yang mirip.
• Sinyal EEG yang dianalisa mempunyai kandungan frekuensipada ritme alpha. Hal ini terlihat pada grafik PSD dimana nilaiPSD yang signifikan berada pada rentang frekuensi 10 Hz.
• Hasil dari analisa kemiripan sinyal secara visual menunjukkanbahwa ERP dari kelima subjek mempunyai kemiripan polasinyal pada rentang waktu 250 ms hingga 300 ms.
• Hasil perhitungan koefisien kemiripan sinyal memberikan nilaiyang rendah untuk setiap perbandingan. Hasil rata-rata darisemua koefisien korelasi bernilai 0,28.1
Saran
• Menambah jumlah naracoba agar data percobaan menjadilebih banyak sehingga pola fitur yang didapat menjadi lebihakurat.
• Menambah jumlah naracoba agar data percobaan menjadilebih banyak sehingga pola fitur yang didapat menjadi lebihakurat.
• Pemberian stimulus diperbanyak macamnya sepertimengucapkan kata atau kalimat.
• Melakukan proses klasifikasi atau pengenalan fitur sehinggaterwujudnya sistem Brain Computer Interface.