Download - 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
-
7/23/2019 Signal Processing EEG
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
-
7/23/2019 Signal Processing EEG
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
-
7/23/2019 Signal Processing EEG
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
-
7/23/2019 Signal Processing EEG
5/38
2Tugas Pemrosesan Sinyal EEG
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).
-
7/23/2019 Signal Processing EEG
6/38
3Tugas Pemrosesan Sinyal EEG
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
-
7/23/2019 Signal Processing EEG
7/38
4Tugas Pemrosesan Sinyal EEG
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
-
7/23/2019 Signal Processing EEG
8/38
5Tugas Pemrosesan Sinyal EEG
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
-
7/23/2019 Signal Processing EEG
9/38
6Tugas Pemrosesan Sinyal EEG
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
-
7/23/2019 Signal Processing EEG
10/38
7Tugas Pemrosesan Sinyal EEG
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
-
7/23/2019 Signal Processing EEG
11/38
8Tugas Pemrosesan Sinyal EEG
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
-
7/23/2019 Signal Processing EEG
12/38
9Tugas Pemrosesan Sinyal EEG
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
Gambar 14. Noise Open and Close Eyes
-
7/23/2019 Signal Processing EEG
13/38
10Tugas Pemrosesan Sinyal EEG
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
Gambar 16. Noise Open and Close Eyes
-
7/23/2019 Signal Processing EEG
14/38
11Tugas Pemrosesan Sinyal EEG
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
Gambar 18. Noise Open and Close Eyes
-
7/23/2019 Signal Processing EEG
15/38
12Tugas Pemrosesan Sinyal EEG
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
Gambar 20. Noise Open and Close Eyes
-
7/23/2019 Signal Processing EEG
16/38
13Tugas Pemrosesan Sinyal EEG
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.
-
7/23/2019 Signal Processing EEG
17/38
14Tugas Pemrosesan Sinyal EEG
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.
-
7/23/2019 Signal Processing EEG
18/38
15Tugas Pemrosesan Sinyal EEG
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.
-
7/23/2019 Signal Processing EEG
19/38
16Tugas Pemrosesan Sinyal EEG
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
-
7/23/2019 Signal Processing EEG
20/38
17Tugas Pemrosesan Sinyal EEG
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.
-
7/23/2019 Signal Processing EEG
21/38
18Tugas Pemrosesan Sinyal EEG
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.
-
7/23/2019 Signal Processing EEG
22/38
19Tugas Pemrosesan Sinyal EEG
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);
-
7/23/2019 Signal Processing EEG
23/38
20Tugas Pemrosesan Sinyal EEG
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
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=14; %define band pass
f_hi=20; %for Beta wave
w1=(2*f_lo)/Fs;
w2=(2*f_hi)/Fs;
Wn=[w1 w2];
-
7/23/2019 Signal Processing EEG
24/38
21Tugas Pemrosesan Sinyal EEG
n=4; %order butterworth filter
[b,a]=butter(n,Wn);
beta_wave=filter(b,a,eeg_selected);%filter command
subplot211
plot(x_axis,eeg_selected);
title('EEG Selected');
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
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=20; %define band pass
-
7/23/2019 Signal Processing EEG
25/38
22Tugas Pemrosesan Sinyal EEG
f_hi=60; %for Theta wave
w1=(2*f_lo)/Fs;
w2=(2*f_hi)/Fs;Wn=[w1 w2];
n=4; %order butterworth filter
[b,a]=butter(n,Wn);
theta_wave=filter(b,a,eeg_selected); %filter command
subplot211plot(x_axis,eeg_selected);
title('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
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;
-
7/23/2019 Signal Processing EEG
26/38
23Tugas Pemrosesan Sinyal EEG
figure(1);
plot(x_axis,eeg_selected); hold on %plot the eeg raw
f_lo=20; %define band pass
f_hi=60; %for Gamma wave
w1=(2*f_lo)/Fs;
w2=(2*f_hi)/Fs;
Wn=[w1 w2];
n=4; %order butterworth filter
[b,a]=butter(n,Wn);
gamma_wave=filter(b,a,eeg_selected);%filter command
subplot211
plot(x_axis,eeg_selected);
title('EEG Selected');
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
Fs=1000; %sampling frequency
load 'eeg_data.mat'; %data
eeg_data = eyes_close; %order butterworth
t1=2*Fs; %define the segmentt2=6*Fs;
-
7/23/2019 Signal Processing EEG
27/38
24Tugas Pemrosesan Sinyal EEG
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=0.5; %define band passf_hi=4; %for Delta wave
w1=(2*f_lo)/Fs;
w2=(2*f_hi)/Fs;
Wn=[w1 w2];
n=1; %order butterworth filter
[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);
-
7/23/2019 Signal Processing EEG
28/38
25Tugas Pemrosesan Sinyal EEG
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;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
ws_alp2 = 2*pi*Fs_alp2/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');
-
7/23/2019 Signal Processing EEG
29/38
26Tugas Pemrosesan Sinyal EEG
FIR BETA 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);
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 Beta wave
Fp_alp1 = 14; %Hz
Fp_alp2 = 19; %HzFs_alp1 = 6; %Hz
Fs_alp2 = 20; %Hz
wp_alp1 = 2*pi*Fp_alp1/Fs_eeg;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
ws_alp2 = 2*pi*Fs_alp2/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];
-
7/23/2019 Signal Processing EEG
30/38
27Tugas Pemrosesan Sinyal EEG
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');
FIR GAMMA 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);
subplot(2,1,1);
plot(t_axis_opn, eyes_open);title('Noise Open Eyes');
-
7/23/2019 Signal Processing EEG
31/38
28Tugas Pemrosesan Sinyal EEG
subplot(2,1,2);
plot(t_axis_cls,eyes_close);
title('Noise Close Eyes');
%filtering process start here
%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
wp_alp1 = 2*pi*Fp_alp1/Fs_eeg;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
ws_alp2 = 2*pi*Fs_alp2/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');
FIR THETA WAVE
-
7/23/2019 Signal Processing EEG
32/38
29Tugas Pemrosesan Sinyal EEG
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);
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 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
wp_alp1 = 2*pi*Fp_alp1/Fs_eeg;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
ws_alp2 = 2*pi*Fs_alp2/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);
-
7/23/2019 Signal Processing EEG
33/38
30Tugas Pemrosesan Sinyal EEG
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');
FIR DELTA 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);
subplot(2,1,1);
plot(t_axis_opn, eyes_open);title('Noise Open Eyes');
subplot(2,1,2);
-
7/23/2019 Signal Processing EEG
34/38
31Tugas Pemrosesan Sinyal EEG
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 Delta wave
Fp_alp1 = 1; %Hz
Fp_alp2 = 3; %Hz
Fs_alp1 = 0.5; %Hz
Fs_alp2 = 4; %Hz
wp_alp1 = 2*pi*Fp_alp1/Fs_eeg;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;ws_alp2 = 2*pi*Fs_alp2/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_eyo_c = filter (B_alp,A,eyes_close);
alp_eyo_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_eyo_c,'r');
title('Close Eyes');
3. Perhitungan RMS pada Good music dan Bad Music dari sinyal Alpha
Perhitungan RMS pada Good Music
-
7/23/2019 Signal Processing EEG
35/38
32Tugas Pemrosesan Sinyal EEG
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);
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 variableA=[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;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
ws_alp2 = 2*pi*Fs_alp2/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);
-
7/23/2019 Signal Processing EEG
36/38
33Tugas Pemrosesan Sinyal EEG
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');
%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;
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);
-
7/23/2019 Signal Processing EEG
37/38
34Tugas Pemrosesan Sinyal EEG
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;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
ws_alp2 = 2*pi*Fs_alp2/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');
-
7/23/2019 Signal Processing EEG
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));