Klasifikasi Epilepsi Dalam Sinyal EEG dengan Metode Hilbert Huang Transform

Lazuardi Ferara

Informasi Umum

Kode

111081084

Klasifikasi

621.382 2 - Signal processing, Information theory

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Pengolahan Sinyal Informasi

Dilihat

28 kali

Informasi Lainnya

Abstraksi

ABSTRAKSI: Metode klasifikasi yang dapat mengenali aktivitas abnormal dalam fungsi otak adalah pencitraan otak atau bisa juga analisis otak. Aktivitas abnormal dalam peneltiian ini dicirikan dengan gangguan yang disebabkan oleh perubahan dalam aktivitas elektrokimiawi neuron yang berakibat pada pelepasan yang sinkron dan abnormal. Metode ini bertujuan membantu para dokter untuk membedakan antara sinyal elektroensefalografi (EEG) yang sehat dan yang ayan. Pembedaan dalam penelitian ini diperoleh dengan menganalisis sinyal EEG yang diperoleh dari basis data yang dapat diakses secara bebas. MATLAB digunakan untuk menerapkan dan menguji usulan algoritma klasifikasi. Analisis tersebut menunjukkan suatu klasifikasi aktivitas yang normal dan yang epilepsi menggunakan suatu fitur yang didasarkan pada Transform Hilbert-Huang. Dengan metode ini, informasi yang berkaitan dengan fungsi intrinsik yang terdapat dalam sinyal EEG dapat diekstraksi untuk mencari tahu amplitudo dan frekuensi lokal dari sinyal tersebut. Berdasarkan informasi lokal ini, frekuensi berbobot dihitung dan kemudian dilakukan perbandingan antara fungsi yang epilepsi dan yang Normal. Metode klasifikasi yang digunakan adalah dengan menggunakan K-Nearest Neighbour (KNN) dengan berbagai fungsi jarak , yaitu Euclidean,cityblock,dan cosine. Sistem yang dirancang mampu memberikan akurasi tertinggi sebesar 95% pada nilai K=5 dengan fungsi jarak yang digunakan adalah CityBlock, hal ini terjadi karena jika dalam jarak Euklidean hanya mampu menghitung jarak terpendek antara dua titik, sedangkan CityBlock dapat mendeteksi keadaan tertentu seperti keberadaan out layer dengan baik. Oleh karenanya CityBlock cocok untuk menghitung nilai ciri dari sinyal yang telah ditransformasikan. Nilai K=5 sendiri menjadi nilai tertinggi dikarenakan grafik akurasi CityBlock akan terjadi dari titik rendah kemudian meninggi dan akhirnya turun lagi. Pengembangan selanjutnya dari sistem ini dapat dilakukan dengan menguji metode ekstraksi ciri dan klasifikasi yang lain untuk menghasilkan akurasi sedekat mungking dengan 100%.Kata Kunci : ElectroEnchepaloGraph, EEG, Hilbert Huang Transform, K-Nearest Neighbor,Euclidean,cityblock,cosineABSTRACT: Classification method capable of recognizing abnormal activities of the brain functionality are either brain imaging or brain signal analysis. The abnormal activity of interest in this study is characterized by a disturbance caused by changes in neuronal electrochemical activity that results in abnormal synchronous discharges. The method aims at helping physicians discriminate between healthy and seizure electroencephalographic (EEG) signals Discrimination in this work is achieved by analyzing EEG signals obtained from freely accessible databases. MATLAB has been used to implement and test the proposed classification algorithm. The analysis in question presents a classification of normal and ictal activities using a feature relied on Hilbert-Huang Transform. Through this method, information related to the intrinsic functions contained in the EEG signal has been extracted to track the local amplitude and the frequency of the signal. Based on this local information, weighted frequencies are calculated and a comparison between ictal and seizure-free determinant intrinsic functions is then performed. Methods of comparison used are K Nearest Neighbour with different distance, Euclidean,cityblock,cosine. The developed system capable of achieving higest accuracy of 95% by using K=5 and distance function of CityBlock. Because CityBlock can detected the out layer. K=5 show the highest accuration because the chart of CityBlock. Next development of this application can cover the feature extraction method and classification to pursue accuracy as closest as possible to 100%.Keyword: ElectroEnchepaloGraph, EEG, Hilbert Huang Transform, K-Nearest Neighbor