Klasifikasi EEG Epilepsi Menggunakan Singular Spectrum Analysis, Power Spectral Density Dan Convolution Neural Network

Aji, Nurseno Bayu (2017) Klasifikasi EEG Epilepsi Menggunakan Singular Spectrum Analysis, Power Spectral Density Dan Convolution Neural Network. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
5115201031-Master_Thesis.pdf - Published Version

Download (1MB) | Preview

Abstract

Epilepsi merupakan gangguan pada sistem syaraf otak manusia dan menyebabkan berbagai reaksi terhadap tubuh manusia. Epilepsi dapat dideteksi dengan menggunakan Electroencephalogram (EEG). Analisis secara visual tidak mungkin dilakukan secara rutin, sehingga sistem komputer diusulkan sebagai sistem deteksi otomatis pada EEG. Langkah yang biasa dikembangkan dalam sistem deteksi EEG secara otomatis adalah ekstraksi fitur dan klasifikasi. Power Spectral Density (PSD) adalah metode ekstraksi fitur yang sering dipakai untuk memunculkan karakteristik EEG dengan mengelompokkan energi pada EEG. Pada proses klasifikasi terdapat metode Convolution Neural Network (CNN) yang dapat mereduksi fitur dari EEG dan dapat digunakan untuk mengklasifikasikan multiclass dari EEG. Namun, data EEG memiliki kecenderungan bercampur dengan noise berupa sinyal yang lain saat perekaman, oleh karena itu sebelum data EEG digunakan dalam proses selanjutnya, perlu dilakukan pengolahan terlebih dahulu. Pada penelitian ini diusulkan penggabungan metode Singular Spectrum Analysis (SSA) untuk penghilang noise, Power Spectral Density (PSD) sebagai ekstraksi fitur dan Convolution Neural Network (CNN) sebagai klasifier. Diharapkan kombinasi tersebut dapat memperbaiki akurasi dari klasifikasi EEG kelas A, B, C, D, dan E. Penelitian ini dilakukan melalui beberapa fase, fase pertama adalah menghilangkan noise yang bercampur dengan sinyal EEG dengan menggunakan SSA. Selanjutnya ekstraksi fitur menggunakan PSD untuk diambil energi dari sinyalnya, dan terakhir akan diklasifikasi dengan CNN. Pengujian klasifikasi akan dilakukan ke 500 sinyal dengan target 5 kelas dan 3 kelas. Untuk mengetahui performa terhadap metode yang diusulkan, akan dilakukan pengujian secara terpisah antara gabungan PSD dengan CNN yang akan dibandingkan dengan gabungan SSA, PSD dan CNN. Berdasarkan hasil uji coba, metode yang diusulkan yaitu SSA, PSD dan CNN dapat meningkatkan rata-rata hasil akurasi klasifikasi sinyal EEG untuk epilepsi sebesar 1,2% dari 93,2% menjadi 94,4%, untuk kasus 3 kelas dan meningkatkan 13,4% dari 78,6% menjadi 92%, untuk kasus 5 kelas dibandingkan metode PSD dengan CNN. ================================================================= Epilepsy is a disorder of the human brain system and causes a variety reactions to the human body. Epilepsy can be detected using Electroencephalogram (EEG). Visual analysis can not be done routinely, so computer system is proposed as an automatic detection system in the EEG. Commonly, steps that developed in automatic EEG detection system are featuring extraction and classification field . Power Spectral Density (PSD) is one of feature extraction methods are often used to bring up the EEG characteristics by featuing energy in the EEG. In the classification process, Convolution Neural Network (CNN) reduces the features of EEG and it can be used to classify multiclasses from EEG. However, the EEG data have a problem with other noise during recording, therefore before the EEG data used in the classification process, pre processing needs to be done first. In this study, we proposed the combination of Singular Spectrum Analysis (SSA) for reducing noise, Power Spectral Density (PSD) as a feature extraction and Convolution Neural Network (CNN) as aclassifier. It is expected that the combination can improve the accuracy of EEG classification of class A, B, C, D, and E. The study was conducted in several phases, the first phase is to eliminate noise mixed with the EEG signals by using SSA. Furthermore, feature extraction using PSD to take the energy of the signal, and the extracted features will be classified with CNN. The testswere for the classification of 500 signal with a target of 5 classes and 3 classes. The performance of the proposed method will be performed by comparing the previous method of combined PSD, CNN with the proposed method of combined SSA, PSD and CNN. Based on the results of the experiment, proposed method of combined SSA, PSD and CNN can increases the average accuracy results of EEG signal for epileptic diseases classification by 1.2% from 93.2% to 94.4%, for 3 classes case and increases 13.4% from 78.6% to 92%, for 5 classes case compared to previous method of combined PSD, CNN.

Item Type: Thesis (Masters)
Additional Information: RTIf 006.3 Aji k
Uncontrolled Keywords: Convolution Neural Network (CNN), Electroencephalogram (EEG), Epilepsi, Power Spectral Density (PSD), Singular Spectrum Analysis (SSA).
Subjects: Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > T Technology (General) > T58.62 Decision support systems
T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions: Faculty of Information Technology > Informatics Engineering > (S2) Master Theses
Depositing User: Nurseno Bayu Aji
Date Deposited: 28 Nov 2017 08:44
Last Modified: 06 Mar 2019 04:39
URI: http://repository.its.ac.id/id/eprint/43678

Actions (login required)

View Item View Item