Signal Processing EEG

7/23/2019 Signal Processing EEG

1/38

I

TUGAS 2

MATA KULIAH INFORMATIKA BIOMEDIS

EEG Signal Processing

Dosen Pengampu: Dr. Yusuf Amrulloh

Disusun Oleh :

Nama : Fadmi Rina

Nim : 13917212

Konsentrasi : Informatika Medis

PROGRAM MAGISTER TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS ISLAM INDONESIA

2015


2/38

II

ABSTRAK

Electroencephalography (EEG) adalah suatu alat untuk mengawasi, medeteksi dan

merekam kegatan elektrik pada otak. Pengukuran EEG biasanya yang sering digunakan

dalam bentuk topi yang terdiri dari elektode dan dilekatkan pada kepala tanpa rasa sakit.

EEG menghasilkan suatu sinyal yang dapat dipilah-pilah berdasarkan frekuensinya

seperti Alpha, Beta, Gamma, Theta dan Delta. Metode yang digunakan untuk pemilahan

sinyal atau filtering menggunakan IIR low pass filter yaitu butterworth dan FIR

ParksMcClellan. Tujuan dari makalah ini yaitu menganalisis kondisi mental dan fisik

seseorang (subjek) ketika sedang mendengarkan musik yang bagus (good music) dan

musik yang buruk (bad music) dalam keadaan mata tertutup (close eyes) dan mata

terbuka (open eyes) dari sinyal alpha. Teknik perhitungan yang digunakan untuk

membandingkan kondisi tersebut menggunakan nilai root mean square (RMS).

Berdasarkan hasil percobaan diperoleh informasi bahwa seseorang akan merasa lebih

rileks apabila mendengarkan musik yang bagus dalam keadaan mata tertutup dengan

nilai sedangkan seseorang akan merasa tidak rileks apabila sedang mendengarkan musik

yang buruk dalam keadaan mata tertutup.

Kata Kunci : EEG Signal, IIR, FIR, root mean square(RMS), Music


3/38

III

DAFTAR ISI

HALAMAN JUDUL ............................................................................................................................ i

ABSTRAK............................................................................................................................................. ii

DAFTAR ISI......................................................................................................................................... iii

I. PENDAHULUAN ....................................................................................................................... 1

II. PROSEDUR DAN HASIL PERCOBAAN............................................................................ 3

2.1 Filter IIR Butterworth .................................................................................................... 3

2.1.1 IIR Alpha Wave ..................................................................................................... 3

2.1.2 IIR Beta Wave. ................................................................................................... 4

2.1.3 IIR Gamma Wave.................................................................................................. 5

2.1.4 IIR Theta Wave ..................................................................................................... 6

2.1.5 IIR Delta Wave ...................................................................................................... 7

2.2 Filter FIR Parks McClellan ............................................................................................ 8

2.2.1 FIR Alpha Wave ..................................................................................................... 8

2.2.2 FIR Beta Wave . .................................................................................................. 9

2.2.3 FIR Gamma Wave.................................................................................................. 10

2.2.4 FIR Theta Wave...................................................................................................... 11

2.2.5 FIR Delta Wave....................................................................................................... 12

2.3 Perhitungan RMS.............................................................................................................. 13

III. KESIMPULAN.................................................................................................................. 17

PUSTAKA................................................................................................................................. 18

LAMPIRAN............................................................................................................................... 19


4/38

1Tugas Pemrosesan Sinyal EEG

I. PENDAHULUAN

Electroencephalography (EEG) adalah teknik medis non invasive untuk

memonitoring dan merekam kegatan elektrik pada otak (Valipour et al., 2013). Teknikini dapat digunakan secara berulang-ulang pada anak-anak, dewasa tanpa sakit untuk

mendeteksi otak dan disorder. Menurut Creutzfeldt et al (1966) EEG dapat merekam

aktivitas listrik sepanjang kulit kepala yang dihasilkan oleh cincin neuron dalam otak.

Electroencephalogram (EEG) juga dapat digunakan untuk mengukur dan mencatat

aktivitas listrik pada otak yaitu dengan bantuan sensor khusus (elektroda) yang

dilekatkan pada kepala pasien dan terhubung dengan kabel ke komputer. Selanjutnya

komputer akan mencatat aktivitas listrik otak pasien pada layar atau di atas kertas

sebagai garis bergelombang. Dalam kondisi tertentu, seperti kejang, dapat dilihat dengan

perubahan pola normal dari aktivitas listrik otak (Nurul, 2010). Pada Gambar 1 adalah

pengukuran EEG dengan topi terdiri atas 32 elektrode (sensor) yang berada di alat

tersebut (Wang, 2009).

Gambar 1. Pengukuran Sinyal EEG dengan topi.

Electroencephalography (EEG) umumnya digunakan dalam berbagai bidang

ilmiah, salah satu penerapannya yaitu di bidang medis, Sinyal EEG memiliki frekuensi

yang sangat rendah, amplitudo juga rendah serta memiliki frekuensi irama (Valipour et

al., 2013). Sinyal EEG biasanya digambarkan dalam hal aktivitas ritmik dan transien.

Kegiatan berirama dibagi menjadi beberapa pita (band) sesuai frekuensinya. Keadaan

mental tertentu pada seseorang dapat tercermin di pita frekuensi tersebut. Tabel 1 berisi

perbedaan pita frekuensi pada sinyal EEG . Frekuensi rentang, lokasi di kulit kepala dan


5/38


keadaan mental yang normal tercantum untuk setiap pita frekuensi. Dimana Frekuensi

band gelombang alfa berada 8-12 Hz. Peningkatan gelombang alfa dicapai dengan

menutup mata dan relaksasi.

Tabel 2.1. Perbedaan frekuensi band Sinyal EEG.

Band Frekuensi Lokasi State mental normal

Delta Kurang dari 4 Hz frontal pada orang

dewasa, posterior pada

anak-anak; gelombang

amplitudo tinggi

gelombang lambat bayi

tidur

Theta 4-7 Hz anak-anak mengantuk

atau gairah pada anak-

anak yang lebih tua dan

orang dewasa

Alpha 8-12 Hz posterior daerah

kepala, kedua belah

pihak, lebih tinggi di

amplitudo di sisi

dominan. Situs pusat

(c3 c4-) saat istirahat

menutup mata dan

relaksasi.

Beta 12-30 Hz kedua belah pihak,

distribusi simetris,

paling jelas frontal;

gelombang amplitudo

rendah

aktif, sibuk atau cemas

pemikiran, konsentrasi

aktif

Gamma 30-100 Hz fungsi kognitif atau

motorik tertentu

Dua aplikasi utama EEG dikenal sebagai aplikasi klinis untuk penyakit otak

diagnosis dan teknologi Brain Computer Interface (BCI) dalam aplikasi penelitian. Dalam

aplikasi klinis sinyal ini dapat bermanfaat bagi teknologi gangguan otak seperti epilepsi,

tumor, stroke, kematian otak, gangguan tidur, koma, keracunan obat, lesi otak, Alzheimer

serta dalam pengobatan dari depresi, mengurangi stres dan peningkatan perilaku dan

skor kecerdasan pada anak-anak dengan attention deficit hyperactivity disorder(ADHD).


6/38


II. PROSEDUR DAN HASIL PERCOBAAN

Prosedur yang dilakukan pada percobaan dalam makalah ini meliputi 1) Design

filter Digital untuk memilah sinyal delta, tetha, alpha, beta dan gamma dari sinyal EEGmenggunakan IIR Butterworth dan FIR ParksMcClellan. Hasil desain dari pemilahan

sinyal menggunakan filter FIR ParksMcClellan, selanjutnya digunakan untuk

menganalisis sinyal alpha pada subjek (seseorang) dalam kondisi fisik dan mental yang

berbeda. Kondisi ini dibedakan menjadi dua yaitu: 1) ketika mendengarkan lagu bagus

dengan mata tertutup dan mata terbuka, 2) ketika mendengarkan lagu yang buruk

dengan mata tertutup dan mata terbuka. Hasil dari percobaan tersebut selanjutnya

dibandingkan menggunakan nilai root mean square (RMS). Berikut adalah hasil

percobaan pemilihan sinyal Alpha, Beta, Theta, Gamma dan Delta menggunakan filter IIR

Buterworth dan FIR Mc.Pallen dari sinyal EEG.

2.1 HASIL PEMILAHAN SINYAL MENGGUNAKAN IIR BUTTERWORTH

2.1.1 IIR Filter Untuk Gelombang Alpha

a). Data EEG yang diambil dan Gelombang Alpha

Gambar 2.Alpha Wave


7/38


b). Respon Magnitude Gelombang Alpha

Gambar 3. Responsive Magnitude Alpha Wave

2.1.2 Gelombang Beta (14-20 Hz)

a). Data EEG yang diambil dan Gelombang Beta

Gambar 4. Beta Wave


8/38


a) Response Magnitude Beta Wave

Gambar 5. Response Magnitude Beta Wave

2.1.3 Gelombang Gamma (20-60 Hz)

a) Data EEG yang diambil dan Gelombang Gamma

Gambar 6. Gamma Wave


9/38


b. Response Magnitude Gamma Wave

Gambar 7. Response Magnitude Gamma Wave

2.1.4 Gelombang Theta 4-7 Hz

a). Data EEG yang diambil dan Gelombang Gamma

Gambar 8. Gamma Wave


10/38


b. Response Magnitude Gamma Wave

Gambar 9. Response Magnitude Gamma Wave

2.1.5 Gelombang Delta less than 4 Hz

a) Data EEG yang diambil dan Gelombang Delta

Gambar 10. Delta Wave


11/38


b) Response Magnitude Delta Wave

Gambar 11. Response Magnitude Delta Wave

2.2 HASIL PEMILAHAN SINYAL MENGGUNAKAN FIR PARKS MCCLELLAN

Berikut adalah hasil percobaan pemilihan sinyal Alpha, Beta, Theta, Gamma dan Delta

menggunakan filter FIR Mc.Pallen dari sinyal EEG.

2.2.1 FIR FILTER UNTUK GELOMBANG ALPHA

a). Derau gelombang alpha mata tertutup dan mata terbuka

Gambar 12. Noise Open and Close Eyes


12/38


b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Alpha

Gambar 13. Result FIR Open and Close Alpha Wave

2.2.2 FIR FILTER UNTUK GELOMBANG BETA

a). Derau gelombang alpha mata tertutup dan mata terbuka



13/38


b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Beta

Gambar 15. Result FIR Open and Close Beta Wave

2.2.3 FIR FILTER UNTUK GELOMBANG GAMMA

a). Derau gelombang Gamma mata tertutup dan mata terbuka



14/38


b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Gamma

Gambar 17. Result FIR Open and Close Gamma Wave

2.2.4 FIR FILTER UNTUK GELOMBANG THETA

a). Derau gelombang Theta mata tertutup dan mata terbuka



15/38


b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Theta

Gambar 19. Result FIR Open and Close Gamma Wave

2.2.5 FIR FILTER UNTUK GELOMBANG DELTA

a). Derau gelombang Delta mata tertutup dan mata terbuka



16/38


b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Delta

Gambar 21. Result FIR Open and Close Delta Wave

2.3 HASIL ANALISIS KONDISI FISIK DAN MENTAL SUBJEK

Pada tahap ini, penulis akan menganalisis kondisi fisik dan mental subjek(seseorang) ketika Subjek sedang mendengarkan musik yang bagus atau merdu (good

music) dan musik yang buruk atau jelek (bad music) dalam keadaan mata tertutup dan

mata terbuka dari sinyal alpha. Untuk memperoleh hasil yang diharapkan, penulis

sebelumnya telah merancang filter digital menggunakan FIR ParksMcClellan untuk

memilah sinyal alpha terlebih dahulu. Kemudian akan diuji dari setiap percobaan yaitu

ketika subjek mendengarkan musik yang bagus (open music) dengan mata terbuka dan

mata tertutup. Pengujian selanjutnya ketika subjek mendengarkan musik yang buruk(bad music) dalam keadaan mata terbuka dan mata terbuka. Untuk menganalisis hasil

dari masing-masing pengujian, maka perlu menghitung nilai root mean square (RMS) dari

sinyal alpha tersebut. Berikut Gambar 22 adalah gelombang alpha ketika subjek

mendengarkan musik yang bagus (good music) dalam keadaan mata terbuka dan mata

tertutup.


17/38


Gambar 22. Gelombang Alpha ketika Subyek mendengarkan musik yang bagus

Berdasarkan Gambar 22. Diperoleh hasil dari perhitungan RMS bahwa ketika

subyek mendengarkan musik yang bagus (good music) dalam keadaan mata tertutup,

diperoleh nilai 3.2595e-006 sedangkan dalam keadaan mata terbuka sebesar 2.7827e-

006. Sehingga apabila dilihat dari nilai RMS nya, maka pada saat subyek mendengarkan

musik yang bagus dalam keadaan mata tertutup, subjek akan merasa lebih rileks

daripada dalam keadaan membuka mata. Selanjutnya apabila subjek sedang

mendengarkan musik yang buruk (bad music) dalam keadaan mata tertutup dan mata

terbuka akan diperoleh gelombang alpha seperti pada Gambar 23.


18/38


Gambar 23. Gelombang Alpha ketika Subyek mendengarkan musik yang buruk

Berdasarkan Gambar 23 diperoleh hasil dari perhitungan RMS bahwa ketika

subyek mendengarkan musik yang buruk (bad music) dalam keadaan mata tertutup,diperoleh nilai 2.1714e-006 sedangkan dalam keadaan mata terbuka sebesar 2.7908e-

006. Sehingga apabila dilihat dari nilai RMS nya, maka pada saat subyek mendengarkan

musik yang buruk dalam keadaan mata tertutup, subjek tidak akan merasa rileks. Hal ini

terbukti dalam keadaan nyata, seseorang yang sedang tidur, apabila mendengarkan

musik yang buruk (suaranya keras, berteriak-teriak, dan kurang merdu) maka seseorang

akan terbangun dari tidurnya dan merasa tidak nyaman, sedangkan apabila seseorang

sedang mendengarkan suara yang bagus (merdu, mendayu-dayu) maka akan semakinrileks dan akhirnya mengantuk. Berikut Gambar 24 merupakan grafik yang

mengambarkan nilai RMS ketika subjek sedang mendengarkan musik yang bagus dan

ketika mendengarkan musik yang buruk dalam keadaan mata tertutup dan mata terbuka.


19/38


Gambar 24. Grafik RMS

2,78E-06

3,26E-06

2,79E-06

2,17E-06

0,00E+00

5,00E-07

1,00E-06

1,50E-06

2,00E-06

2,50E-06

3,00E-06

3,50E-06

Open Eyes Close Eyes

Good Music Bad Music


20/38


III. KESIMPULAN

EEG merupakan suatu alat yang mampu mengawasi dan mendeteksi aktivitas

gelombang pada otak manusia. Pengukuran EEG bisanya yang sering digunakanberbentuk topi. Sinyal EEG apabila dipilah berdasarkan frekuensinya terdapat beberapa

sinyal yaitu Alpha, Beta, Gamma, Tetha dan Delta. Metode fiter digital yang digunakan

untuk memilah sinyal menggunakan IIR butterworth dan FIR ParksMcClellan. Setiap

sinyal memiliki bentuk gelombang yang berbeda. Sinyal Alpha adalah suatu sinyal yang

memiliki frekuensi 8-12 Hz, dimana sinyal ini dapat dicapai dengan relaksasi. Terapi

musik merupakan salah satu terapi yang memanfaatkan gelombang alpha. Seseorang

akan merasa lebih rileks apabila mendengarkan musik bagus (good musik) dalam kondisi

mata tertutup sedangkan apabila seseorang mendengarkan musik yang buruk (good

musik) tidak akan rileks apabila dalam kondisi mata tertutup. Hal ini terbukti dari hasi

percobaan dengan perhitungan nilai RMS ketika subyek mendengarkan musik yang

buruk (bad music) dalam keadaan mata tertutup, diperoleh nilai 2.1714e-006 sedangkan

dalam keadaan mata terbuka sebesar 2.7908e-006. Sebaliknya ketika subyek

mendengarkan musik yang bagus (good music) dalam keadaan mata tertutup, diperoleh

nilai 3.2595e-006 sedangkan dalam keadaan mata terbuka sebesar 2.7827e-006.


21/38


PUSTAKA

Creutzfeldt, O. D., Watanabe, S., and Lux, H. D. (1966). Relations between eeg phenomena

and potentials of single cortical cells. i. evoked responses after thalamic and

erpicortical stimulation. Electroencephalography and clinical neurophysiology,

20(1):118.

Nurul Fazrena Binti Kamal. Identification Of Resting State And Calming Mind During

Reciting Quran Using Eeg Signal. Declaration Of Thesis / Undergraduate Project

Paper And Copyright. Faculty Of Electrical Engineering. Universiti Teknologi

Malaysia. 2010.

Valipour, Samaneh, A.D. Shaligram and G.R.Kulkarni, Spectral analysis of EEG signal for

detection of alpha rhythm with open and closed eyes. International Journal of

Engineering and Innovative Technology (IJEIT) Volume 3, Issue 6, December

2013 .

Wang, Letian. Artifact Correction for EEG Alpha Wave Measurements Real Time Alpha

Wave And Relaxation State Detection from EEG. Master of Science Thesis. Delft

University of Technology. 2009.


22/38


LAMPIRAN

(code program)

1. IIR FILTER MENGGUNAKAN BUTTERWORTH

a). ALPHA WAVE

Fs=1000; %sampling frequency

load 'eeg_data.mat'; %data

eeg_data = eyes_close; %order butterworth

t1=2*Fs; %define the segment

t2=6*Fs;

eeg_selected=eeg_data(t1:t2);%data segment

x_axis=t1/Fs:1/Fs:t2/Fs;

figure(1);

plot(x_axis,eeg_selected); hold on %plot the eeg raw

f_lo=8; %define band pass

f_hi=13; %for alpha wave

w1=(2*f_lo)/Fs;

w2=(2*f_hi)/Fs;

Wn=[w1 w2];

n=4; %order butterworth filter

[b,a]=butter(n,Wn);

alpha_wave=filter(b,a,eeg_selected);%filter command

subplot211

plot(x_axis,eeg_selected);


23/38


title('EEG Selected');

subplot212

plot(x_axis,alpha_wave,'r');title('Alpha Wave');

figure(2);

freqz(b,a,512,1000)

title('IIR Filter for Alpha Wave based Butterworth');

b). BETA WAVE





t2=6*Fs;



figure(1);



f_hi=20; %for Beta wave

w1=(2*f_lo)/Fs;

w2=(2*f_hi)/Fs;

Wn=[w1 w2];


24/38



[b,a]=butter(n,Wn);

beta_wave=filter(b,a,eeg_selected);%filter command

subplot211



subplot212

plot(x_axis,beta_wave,'r');

title('Beta Wave');

figure(2);

freqz(b,a,512,1000)

title('IIR Filter for Beta Wave based Butterworth');

c). TETHA WAVE





t2=6*Fs;

eeg_selected=eeg_data(t1:t2); %data segment


figure(1);




25/38


f_hi=60; %for Theta wave

w1=(2*f_lo)/Fs;

w2=(2*f_hi)/Fs;Wn=[w1 w2];


[b,a]=butter(n,Wn);

theta_wave=filter(b,a,eeg_selected); %filter command

subplot211plot(x_axis,eeg_selected);


subplot212

plot(x_axis,theta_wave,'r');

title('Theta Wave');

figure(2);

freqz(b,a,512,1000)

title('IIR Filter for Theta Wave based Butterworth');

d). GAMMA WAVE





t2=6*Fs;




26/38


figure(1);



f_hi=60; %for Gamma wave

w1=(2*f_lo)/Fs;

w2=(2*f_hi)/Fs;

Wn=[w1 w2];


[b,a]=butter(n,Wn);

gamma_wave=filter(b,a,eeg_selected);%filter command

subplot211



subplot212

plot(x_axis,gamma_wave,'r');

title('Gamma Wave');

figure(2);

freqz(b,a,512,1000)

title('IIR Filter for Gamma Wave based Butterworth');

e). DELTA WAVE




t1=2*Fs; %define the segmentt2=6*Fs;


27/38


eeg_selected=eeg_data(t1:t2); %data segment


figure(1);


f_lo=0.5; %define band passf_hi=4; %for Delta wave

w1=(2*f_lo)/Fs;

w2=(2*f_hi)/Fs;

Wn=[w1 w2];


[b,a]=butter(n,Wn);

delta_wave=filter(b,a,eeg_selected); %filter command

subplot 211

plot(x_axis,eeg_selected);title('EEG Selected');

subplot 212

plot(x_axis,delta_wave,'r');

title('Delta Wave');

figure(2);

freqz(b,a,512,1000)

title('IIR Filter for Delta Wave based Butterworth');

2. FIR FILTER

FIR ALPHA WAVE

load goodmusic.mat;

EEG_L = data_block1(2,:);

Fs_eeg = 1000; %frequency samppling of eeg

t_start_opn = 10; %start of time frame to be processed

t_end_opn = 14; %end of tme frame

t_start_cls = 204;

t_end_cls = 208;

%time axis

t_ref = 1/Fs_eeg : 1/Fs_eeg : (1/Fs_eeg)*length(EEG_L);

t_axis_opn = t_ref(t_start_opn*Fs_eeg:t_end_opn*Fs_eeg)';

t_axis_cls = t_ref(t_start_cls*Fs_eeg:t_end_cls*Fs_eeg)';

%the sampled EEG Signal

eyes_open = EEG_L(t_start_opn*Fs_eeg:t_end_opn*Fs_eeg);

eyes_close = EEG_L(t_start_cls*Fs_eeg:t_end_cls*Fs_eeg);

%plot the sampled noisy EEG Signal

figure(1);


28/38


subplot(2,1,1);

plot(t_axis_opn, eyes_open);

title('Noise Open Eyes');

subplot(2,1,2);

plot(t_axis_cls,eyes_close);

title('Noise Close Eyes');

%filtering process start here

%common variable

A=[1]; %FIR constant

amp = [0 0 1 1 0 0];

%exstracting Alpha wave

Fp_alp1 = 8; %Hz

Fp_alp2 = 12; %Hz

Fs_alp1 = 5; %Hz

Fs_alp2 = 13; %Hz

wp_alp1 = 2*pi*Fp_alp1/Fs_eeg;


ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;


Wp_alp = [wp_alp1 wp_alp2];

Ws_alp = [ws_alp1 ws_alp2];

n_alp = 200; %order of filter

freq_alp =[0 ws_alp1 wp_alp1 wp_alp2 ws_alp2 1];

B_alp =remez(n_alp,freq_alp,amp);

[h_alp, W_alp] = freqz(B_alp,A,1024);

alp_eyo_c = filter (B_alp,A,eyes_open);

alp_eyo_nc = filtfilt (B_alp,A,eyes_open);

alp_eyc_c = filter (B_alp,A,eyes_close);

alp_eyc_nc = filtfilt (B_alp,A,eyes_close);

figure (2)

subplot 311

gain= 20*log10(abs(h_alp));

plot(W_alp/pi,gain); grid;

xlabel('\omega/\pi');

ylabel('Gain,dB');

axis([0 1 -40 10]);

%figure(3);

subplot 312;

plot(t_axis_opn,alp_eyo_c,'b');

title('Open Eyes');

subplot 313;

plot(t_axis_cls,alp_eyc_c,'r');

title('Close Eyes');


29/38


FIR BETA WAVE

load goodmusic.mat;





t_start_cls = 204;

t_end_cls = 208;

%time axis








figure(1);

subplot(2,1,1);


title('Noise Open Eyes');subplot(2,1,2);




%common variable


amp = [0 0 1 1 0 0];

%exstracting Beta wave

Fp_alp1 = 14; %Hz

Fp_alp2 = 19; %HzFs_alp1 = 6; %Hz

Fs_alp2 = 20; %Hz










30/38






alp_eyc_c = filter (B_alp,A,eyes_close);alp_eyc_nc = filtfilt (B_alp,A,eyes_close);

figure (2)

subplot 311




ylabel('Gain,dB');

axis([0 1 -40 10]);

%figure(3);

subplot 312;


title('Open Eyes');

subplot 313;



FIR GAMMA WAVE

load goodmusic.mat;





t_start_cls = 204;

t_end_cls = 208;

%time axis








figure(1);

subplot(2,1,1);

plot(t_axis_opn, eyes_open);title('Noise Open Eyes');


31/38


subplot(2,1,2);




%common variable

A=[1]; %FIR constantamp = [0 0 1 1 0 0];

%exstracting Gamma wave

Fp_alp1 = 20; %Hz

Fp_alp2 = 50; %Hz

Fs_alp1 = 10; %Hz

Fs_alp2 = 60; %Hz















figure (2)

subplot 311




ylabel('Gain,dB');

axis([0 1 -40 10]);

%figure(3);

subplot 312;


title('Open Eyes');

subplot 313;



FIR THETA WAVE


32/38


load goodmusic.mat;





t_start_cls = 204;

t_end_cls = 208;

%time axis





eyes_open = EEG_L(t_start_opn*Fs_eeg:t_end_opn*Fs_eeg);eyes_close = EEG_L(t_start_cls*Fs_eeg:t_end_cls*Fs_eeg);


figure(1);

subplot(2,1,1);



subplot(2,1,2);




%common variableA=[1]; %FIR constant

amp = [0 0 1 1 0 0];

%exstracting Theta wave

Fp_alp1 = 4; %Hz

Fp_alp2 = 6; %Hz

Fs_alp1 = 3; %Hz

Fs_alp2 = 7; %Hz













33/38





figure (2)

subplot 311

gain= 20*log10(abs(h_alp));plot(W_alp/pi,gain); grid;


ylabel('Gain,dB');

axis([0 1 -40 10]);

%figure(3);

subplot 312;


title('Open Eyes');

subplot 313;



FIR DELTA WAVE

load goodmusic.mat;





t_start_cls = 204;

t_end_cls = 208;

%time axis








figure(1);

subplot(2,1,1);

plot(t_axis_opn, eyes_open);title('Noise Open Eyes');

subplot(2,1,2);


34/38





%common variable


amp = [0 0 1 1 0 0];

%exstracting Delta wave

Fp_alp1 = 1; %Hz

Fp_alp2 = 3; %Hz

Fs_alp1 = 0.5; %Hz

Fs_alp2 = 4; %Hz



ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;ws_alp2 = 2*pi*Fs_alp2/Fs_eeg;









alp_eyo_c = filter (B_alp,A,eyes_close);

alp_eyo_nc = filtfilt (B_alp,A,eyes_close);

figure (2)

subplot 311




ylabel('Gain,dB');

axis([0 1 -40 10]);

%figure(3);subplot 312;


title('Open Eyes');

subplot 313;

plot(t_axis_cls,alp_eyo_c,'r');


3. Perhitungan RMS pada Good music dan Bad Music dari sinyal Alpha

Perhitungan RMS pada Good Music


35/38


load goodmusic.mat;





t_start_cls = 204;

t_end_cls = 208;

%time axis





eyes_open = EEG_L(t_start_opn*Fs_eeg:t_end_opn*Fs_eeg);eyes_close = EEG_L(t_start_cls*Fs_eeg:t_end_cls*Fs_eeg);


figure(1);

subplot(2,1,1);



subplot(2,1,2);




%common variableA=[1]; %FIR constant

amp = [0 0 1 1 0 0];


Fp_alp1 = 8; %Hz

Fp_alp2 = 12; %Hz

Fs_alp1 = 5; %Hz

Fs_alp2 = 13; %Hz













36/38





figure (2)

subplot 311

gain= 20*log10(abs(h_alp));plot(W_alp/pi,gain); grid;


ylabel('Gain,dB');

axis([0 1 -40 10]);

%figure(3);

subplot 312;


title('Open Eyes');

subplot 313;



%Menghitung RMS Eyes Open

rms_open=rms(alp_eyo_c)

%Menghitung RMS Eyes Close

rms_close=rms(alp_eyc_c)

% open=norm(alp_eyo_c)/sqrt(length(alp_eyo_c));

% close=norm(alp_eyc_c)/sqrt(length(alp_eyc_c));

Perhitungan RMS pada Bad Music dari Sinyal Alpha

load badmusic.mat;





t_start_cls = 204;

t_end_cls = 208;

%time axis








figure(1);


37/38


subplot(2,1,1);



subplot(2,1,2);




%common variable


amp = [0 0 1 1 0 0];


Fp_alp1 = 8; %Hz

Fp_alp2 = 12; %Hz

Fs_alp1 = 5; %Hz

Fs_alp2 = 13; %Hz















figure (2)

subplot 311




ylabel('Gain,dB');

axis([0 1 -40 10]);

%figure(3);

subplot 312;


title('Open Eyes');

subplot 313;




38/38

%Menghitung RMS Eyes Open

rms_open=rms(alp_eyo_c)

%Menghitung RMS Eyes Close

rms_close=rms(alp_eyc_c)

% open=norm(alp_eyo_c)/sqrt(length(alp_eyo_c));% close=norm(alp_eyc_c)/sqrt(length(alp_eyc_c));

Signal Processing EEG

Documents

Transcript of Signal Processing EEG