Satyaji, Rafi Arya (2024) Deteksi Depresi Berdasarkan Fitur Brain Connectivity Pada Sinyal EEG Menggunakan CNN. Other thesis, Institut Teknologi Sepuluh Nopember.
![]() |
Text
5024201050-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (10MB) | Request a copy |
Abstract
Penelitian ini bertujuan untuk mengembangkan fitur Brain Connectivity untuk mendeteksi adanya indikasi depresi dalam sinyal EEG menggunakan Convolutional Neural Network atau CNN. Sinyal EEG adalah representasi elektrik dari aktivitas otak dan memiliki potensi besar sebagai biomarker untuk kondisi psikologis seperti depresi. Dalam penelitian ini, kami mengaplikasikan keunggulan CNN dalam melakukan klasifikasi dengan fitur Brain Connectivity untuk meningkatkan akurasi pendeteksian. Dataset EEG yang mencakup subjek dengan dan tanpa depresi digunakan untuk melatih dan menguji model. Pengolahan sinyal EEG dilakukan dengan mentransformasikan sinyal waktu ke domain frekuensi kemudian melakukan pengaplikasian korelasi dan koherensi yang merupakan bagian dari metode Brain Connectivity. CNN dikonfigurasi untuk mengklasifikasi per bagian sinyal untuk menentukan apakah depresi atau normal. Hasil eksperimen menunjukkan bahwa pendekatan ini dapat mencapai tingkat akurasi yang signifikan dalam mengidentifikasi kondisi sinyal yang depresi berdasarkan fitur Brain Connectivity yang dideteksi oleh CNN dengan nilai 99.54%. Dari prediksi yang dilakukan oleh CNN kemudian direpresentasikan menggunakan streamlit yang dapat membuat website berisikan hasil data. Dalam streamlit ini akan melakukan pelabelan setiap input potongan sinyal EEG dengan healthy atau depresi ditambah dengan warna untuk masing-masing labelnya. Harapan dari penelitian ini adalah dapat memberikan kontribusi pada pengembangan metode non-invasif yang potensial untuk diagnosis dini depresi melalui analisis sinyal otak berupa EEG.
==============================================================================================================================
This research aims to develop a Brain Connectivity feature to detect indications of depression in EEG signals using Convolutional Neural Networks (CNN). EEG signals are electrical representations of brain activity and have significant potential as biomarkers for psychological conditions such as depression. In this study, we apply the advantages of CNNs in classification using Brain Connectivity features to improve detection accuracy. An EEG dataset, including subjects with and without depression, is used to train and test the model. The EEG signal processing involves transforming the time-domain signals to the frequency domain, followed by applying correlation and coherence methods, which are parts of Brain Connectivity. The CNN is configured to classify signal segments to determine whether they indicate depression or are normal. Experimental results show that this approach can achieve a significant accuracy rate of 99.54% in identifying depressive conditions based on Brain Connectivity features detected by the CNN. The predictions made by the CNN are then represented using Streamlit, which can create a website displaying the data results. In this Streamlit application, each EEG signal segment input is labeled as either healthy or depressed, along with a color code for each label. The expectation of this research is to contribute to the development of potential non-invasive methods for early diagnosis of depression through the analysis of brain signals in the form of EEG.
Item Type: | Thesis (Other) |
---|---|
Uncontrolled Keywords: | Depression, EEG, CNN, Accuracy, Depresi, Akurasi |
Subjects: | Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T58.62 Decision support systems T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing. |
Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis |
Depositing User: | Rafi Arya Satyaji |
Date Deposited: | 29 Aug 2024 04:13 |
Last Modified: | 29 Aug 2024 04:13 |
URI: | http://repository.its.ac.id/id/eprint/108695 |
Actions (login required)
![]() |
View Item |