Pengembangan Model Klasifikasi Kejang Epilepsi Multiclass Pada Sinyal EEG Menggunakan CNN+BiLSTM

Nurwibowo, Bima Dinda (2025) Pengembangan Model Klasifikasi Kejang Epilepsi Multiclass Pada Sinyal EEG Menggunakan CNN+BiLSTM. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025211033-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (5MB) | Request a copy

Abstract

Epilepsi merupakan gangguan neurologis yang memerlukan identifikasi jenis kejang yang akurat untuk pengobatan yang efektif. Klasifikasi sinyal EEG pada periode normal, interictal, dan ictal menjadi langkah penting dalam mendukung diagnosis epilepsi. Namun, analisis sinyal EEG secara otomatis menghadapi tantangan besar karena kompleksitasnya yang tinggi dan pola-pola tersembunyi yang sulit diidentifikasi oleh profesional non-ahli. Untuk mengatasi tantangan ini, penelitian ini mengembangkan model klasifikasi kejang epilepsi multiclass menggunakan pendekatan Deep Learning berbasis Convolutional Neural Network (CNN) dan Bidirectional Long Short-Term Memory (Bi-LSTM). Model yang dirancang menggunakan CNN dalam mengekstraksi fitur secara otomatis dari segmen EEG yang lebih pendek dan Bi-LSTM dalam menangkap pola temporal yang kompleks. Proses prapemrosesan data melibatkan segmentasi sinyal EEG, normalisasi, dan augmentasi data menggunakan metode Cubic Spline Interpolation (CSI) untuk meningkatkan keragaman data pelatihan. Model ini diuji dalam dua skenario klasifikasi, yakni pada data asli dan data hasil augmentasi, menggunakan dua kombinasi subset data EEG (A/D/E dan B/D/E). Hasil penelitian menunjukkan bahwa augmentasi data dengan CSI secara signifikan meningkatkan performa model. Model CNN+Bi-LSTM yang dilatih menggunakan data augmentasi mencapai akurasi tertinggi sebesar 99.06%, melampaui hasil dari metode klasifikasi sebelumnya. Hasil ini mengindikasikan bahwa kombinasi CNN dan Bi-LSTM, dengan dukungan augmentasi data yang tepat, mampu mengatasi tantangan dalam klasifikasi sinyal EEG yang kompleks, sehingga berpotensi meningkatkan diagnosis epilepsi secara otomatis.
===================================================================================================================================
Epilepsy is a neurological disorder that requires accurate identification of seizure type for effective treatment. Classification of EEG signals in normal, interictal, and ictal periods is an important step in supporting the diagnosis of epilepsy. However, automatic analysis of EEG signals faces great challenges due to their high complexity and hidden patterns that are difficult to identify by non-expert professionals. To overcome these challenges, this study develops a multiclass epileptic seizure classification model using a deep learning approach based on Convolutional Neural Network (CNN) and Bidirectional Long Short-Term Memory (Bi-LSTM). The designed model utilizes CNN in automatically extracting features from shorter EEG segments and Bi-LSTM in capturing complex temporal patterns. Data preprocessing involves EEG signal segmentation, normalization, and data augmentation using the Cubic Spline Interpolation (CSI) method to increase the diversity of the training data. The model was tested in two classification scenarios, namely on the original data and augmented data, using two combinations of EEG data subsets (A/D/E and B/D/E). The results showed that data augmentation with CSI significantly improved the performance of the model. The CNN+Bi-LSTM model trained using the augmented data achieved the highest accuracy of 99.06%, surpassing the results of previous classification methods. These results indicate that the combination of CNN and Bi-LSTM, with the support of appropriate data augmentation, is able to overcome the challenges in the classification of complex EEG signals, thus potentially improving the automatic diagnosis of epilepsy.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Bidirectional Long Short-Term Memory, Convolutional Neural Network, Deteksi Kejang Epilepsi, Klasifikasi, Sinyal.
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Bima Dinda Nurwibowo
Date Deposited:	04 Feb 2025 09:25
Last Modified:	04 Feb 2025 09:25
URI:	http://repository.its.ac.id/id/eprint/118159

Actions (login required)

View Item