Identifikasi Parameter EEG Pada Domain Waktu Dan Frekwensi Untuk Monitoring Rehabilitasi Stroke Menggunakan Analisis Individu

Setiawan, Hendra (2019) Identifikasi Parameter EEG Pada Domain Waktu Dan Frekwensi Untuk Monitoring Rehabilitasi Stroke Menggunakan Analisis Individu. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 07111750067006_Master_Thesis.pdf Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Monitoring pasien pasca stroke sangat penting untuk menilai perkembangan aktivitas di otak selama masa rehabilitasi. Metode monitoring menggunakan electroencephalograph (EEG) dapat memberikan hasil yang lebih objektif dan terukur. Salah satu tantangan dalam bidang ini adalah untuk menentukan parameter EEG yang tepat. Sebagian besar penelitian terdahulu lebih berfokus pada uji parameter yang dipilih pada salah satu kondisi stroke, hemiparesis atau hemiplegia saja. Oleh karena itu, fokus identifikasi pada penelitian ini bersifat menyeluruh, tidak hanya menguji parameter yang dipilih, tetapi juga memilih parameter yang paling stabil pada frekuensi dan gerakan tertentu, serta mengidentifikasi hubungan antara kondisi stroke dengan nilai parameter. Di sini, kami membandingkan gerakan tangan sehat (GTS) terhadap gerakan tangan yang terpengaruh stroke (GTT) pada pasien pasca-stroke menggunakan beberapa fitur EEG pada frekwensi dan gerakan yang berbeda. Lebih detail, kami mengukur aktivitas otak dari 10 responden melalui 2 elektroda EEG (C3 dan C4) ketika melakukan 3 gerakan aktif yaitu menggenggam, flexi-ekstensi siku, dan flexi-ekstensi bahu. Metode Artefact Subspace Reconstruction (ASR) digunakan untuk membersihkan noise artifact dari data EEG. Selanjutnya, data EEG dipecah dalam 3 frekwensi berbeda, yaitu alfa, beta low dan beta high. Kemudian dilakukan ekstraksi fitur menggunakan fitur domain waktu dan frekwensi. Metode analisis individu digunakan untuk menghitung selisih nilai antara GTS dan GTT pada setiap fitur, frekuensi dan gerakan. Hasil analisis menunjukkan bahwa fitur PSD pada frekwensi alpha dan gerakan genggam mampu membedakan dengaan jelas antara GTS dan GTT. Kami juga menemukan bahwa kondisi stroke berbanding lurus dengan nilai fitur. Saat parameter yang diperoleh dari hasil analisis individu kemudian diterapkan pada metode klasifikasi menggunakan decision tree, maka diperoleh nilai akurasi sebesar 100%. Dari penelitian ini dapat disimpulkan bahwa fitur PSD pada frekwensi alpha dapat digunakan sebagai parameter untuk memantau rehabilitasi stroke menggunakan EEG.
===================================================================================================================================
Monitoring of post-stroke patients is essential for evaluating brain activity during the rehabilitation period. Electroencephalography (EEG) provides a more objective and measurable approach for this purpose. One of the main challenges in EEG-based monitoring is identifying the most appropriate parameters for assessing rehabilitation progress. Most previous studies have focused on evaluating selected parameters under a single stroke condition, either hemiparesis or hemiplegia. Therefore, this study adopts a more comprehensive approach by not only evaluating selected EEG parameters but also identifying the most stable features, frequency bands, movement types, and the relationship between stroke conditions and EEG feature values. Healthy hand movements (GTS) were compared with affected hand movements (GTT) in post-stroke patients using various EEG features across different frequency bands and motor tasks. Brain activity was recorded from 10 respondents using two EEG electrodes (C3 and C4) while performing three active motor tasks: grasping, elbow flexion–extension, and shoulder flexion–extension. The Artifact Subspace Reconstruction (ASR) method was applied to remove noise artifacts from the EEG signals. The processed EEG data were then separated into three frequency bands: alpha, low beta, and high beta. Feature extraction was performed using both time-domain and frequency-domain features. Individual analysis was conducted to determine the differences between GTS and GTT for each feature, frequency band, and movement. The results showed that the Power Spectral Density (PSD) feature in the alpha frequency band during grasping movements provided the clearest distinction between GTS and GTT. In addition, stroke severity was found to be linearly proportional to the extracted feature values. When the parameters identified through the individual analysis were applied to a decision tree classifier, the model achieved an accuracy of 100%. These findings indicate that the PSD feature in the alpha frequency band is a reliable parameter for monitoring post-stroke rehabilitation using EEG.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Monitoring stroke, Electroencephalograph, ASR, fitur EEG, Analisis individu
Subjects:	Q Science > QP Physiology > Q376.5 Electroencephalography (EEG) T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing.
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Hendra Setiawan
Date Deposited:	06 Aug 2026 01:56
Last Modified:	06 Aug 2026 01:56
URI:	http://repository.its.ac.id/id/eprint/65287

Actions (login required)

View Item