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.