Implementasi 2D-CNN dengan Teknik Augmentasi EEG untuk Mendeteksi Kejang Epilepsi pada Dataset Siena Scalp EEG

Malinus, Azzura Mahendra Putra (2025) Implementasi 2D-CNN dengan Teknik Augmentasi EEG untuk Mendeteksi Kejang Epilepsi pada Dataset Siena Scalp EEG. Other thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 5025201211-Undergraduate_Thesis.pdf] Text
5025201211-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 April 2027.

Download (2MB) | Request a copy

Abstract

Epilepsi adalah sebuah penyakit otak dengan gejala yang dialami penderitanya berupa kejang epileptik yang berulang. Untuk mendiagnosis epilepsi, ahli neurologi menganalisis rekaman sinyal otak Electroencephalography (EEG) yang diperoleh dari pasien epilepsi. Masalah yang ditemui adalah proses analisis sinyal EEG untuk menentukan kejadian kejang epilepsi dapat memakan waktu cukup lama karena sinyal EEG memiliki karakteristik yang kompleks dan durasi yang panjang. Oleh karena itu, diperlukan sebuah sistem yang mampu melakukan hal tersebut secara otomatis untuk mempermudah pekerjaan para ahli neurologi. Pada tugas akhir ini, dibuat sebuah sistem yang dapat melakukan anotasi kejadian kejang epilepsi pada rekaman sinyal EEG secara otomatis. Sistem tersebut terdiri dari sebuah model deep learning dengan arsitekstur 2D Convolutional Neural Network (CNN) untuk mengklasifikasi segmen-segmen rekaman EEG dan sebuah aplikasi antarmuka yang menampilkan visualisasi sinyal dari input rekaman EEG dan hasil deteksi dari model deep learning tersebut. Dataset Siena Scalp EEG digunakan sebagai input pengembangan model dan diterapkan beberapa tahap preprocessing, seperti penamaan ulang dan pengurangan durasi, down sampling, bipolar montage, filter Butterworth bandpass, dan segmentasi dengan sliding window. Dari tahap preprocessing, diperoleh beberapa variasi input dengan menggunakan beberapa nilai pada variabel window, stride, dan chunk saat proses segmentasi dengan sliding window. Input-input yang dihasilkan digunakan untuk melatih model dengan menerapkan 5-Fold Cross Validation dan teknik augmentasi EEG, seperti time reverse, sign flip, fourier transform surrogate, dan frequency shift. Aplikasi antarmuka dikembangkan menggunakan HTML, CSS, dan JavaScript untuk sisi klien dan Flask untuk sisi server. Dari seluruh uji coba pengembangan model yang telah dilakukan, diperoleh hasil terbaik pada uji coba penerapan teknik augmentasi fourier transform surrogate dengan gangguan fase 0.8 terhadap model dasar 2D-CNN. Pada uji coba tersebut, input window 15 detik dengan stride 2.5 detik memberikan kinerja model terbaik, yaitu accuracy 91.80%, sensitivity 93.25%, specificity 90.37%, dan mean AUC 97%.
===================================================================================================================================
Epilepsy is a brain disease whose symptoms include recurrent epileptic seizures. To diagnose epilepsy, neurologists analyze Electroencephalography (EEG) brain signal recordings obtained from epilepsy patients. The problem encountered is that the process of analyzing EEG signals to determine the occurrence of epileptic seizures can take a long time because EEG signals have complex characteristics and long duration. Therefore, a system that is able to do this automatically is needed to facilitate the work of neurologists. In this undergraduate thesis, a system that can annotate epileptic seizure events on EEG signal recordings automatically is created. The system consists of a deep learning model with 2D Convolutional Neural Network (CNN) architecture to classify EEG recording segments and an interface application that displays signal visualization of EEG recording input and detection results from the deep learning model. The Siena Scalp EEG dataset is used as input for model development and several preprocessing stages are applied, such as renaming and duration reduction, down sampling, bipolar montage, Butterworth bandpass filter, and segmentation with sliding window. From the preprocessing stage, several input variations were obtained by using several values for the window, stride, and chunk variables during the sliding window segmentation process. The resulting inputs are used to train the model by applying 5-Fold Cross Validation and EEG augmentation techniques, such as time reverse, sign flip, fourier transform surrogate, and frequency shift. The application interface was developed using HTML, CSS, and JavaScript for the client side and Flask for the server side. From all the model development trials that have been conducted, the best results were obtained in the trial of applying the fourier transform surrogate augmentation technique with a phase noise of 0.8 to the 2D-CNN base model. In this trial, the 15-second input window and 2.5 second stride provide the best model performance, namely accuracy of 91.80%, sensitivity of 93.25%, specificity of 90.37%, and mean AUC of 97%.

Item Type: Thesis (Other)
Uncontrolled Keywords: 2d-cnn, deep learning, eeg annotation, eeg, epilepsy, siena scalp eeg, 2d-cnn, anotasi eeg, deep learning, eeg, epilepsi, siena scalp eeg
Subjects: T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models.
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing.
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7882.P3 Pattern recognition systems
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: Azzura Mahendra Putra Malinus
Date Deposited: 03 Feb 2025 03:03
Last Modified: 03 Feb 2025 03:03
URI: http://repository.its.ac.id/id/eprint/117872

Actions (login required)

View Item View Item