Implementasi 1D-CNN untuk Deteksi Otomatis Epilepsi pada Sinyal EEG Berdasarkan Interictal Epileptiform Discharge (IED)

Khatim, Nur Ahmad (2023) Implementasi 1D-CNN untuk Deteksi Otomatis Epilepsi pada Sinyal EEG Berdasarkan Interictal Epileptiform Discharge (IED). Other thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 05111940000074-Undergraduate_Thesis.pdf] Text
05111940000074-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 September 2025.

Download (3MB) | Request a copy

Abstract

Epilepsi merupakan salah satu gangguan neurologis yang sangat umum dan memengaruhi jutaan individu di seluruh dunia. Gangguan ini ditandai oleh kejang berulang dengan tingkat keparahan yang bervariasi, yang dapat mengganggu aktivitas sehari-hari pasien. Electroencephalography (EEG) merupakan sebuah alat diagnostik yang sering digunakan untuk melakukan diagnosis dan pemantauan epilepsi. EEG memberikan pengukuran non-invasif terhadap aktivitas listrik otak. Penelitian sebelumnya yang mengidentifikasi Interictal Epileptiform Discharge (IED) menggunakan kriteria dari International Federation of Clinical Neurophysiology (IFCN) masih dilakukan secara manual dengan hasil nilai akurasi 91%, nilai spesifisitas 95,65% dan nilai sensitivitas 85,19%. Pendekatan otomatis menggunakan Fast R-CNN untuk deteksi epilepsi berdasarkan IED pada sinyal EEG menghasilkan nilai akurasi 80%, nilai sensitivitas 89%, dan nilai spesifisitas 70% pada dataset Aarhus University Hospital (AUH). Tugas akhir ini bertujuan untuk mengembangkan sebuah sistem deteksi otomatis epilepsi yang lebih baik berdasarkan IED pada sinyal EEG menggunakan metode One-Dimensional Convolutional Neural Network (1D-CNN) pada dataset AUH. Dataset AUH berisi data rekaman sinyal EEG dari 100 pasien yang terdapat anotasi penanda terjadinya lonjakan tajam secara tiba-tiba. Proses dimulai dengan tahap preprocessing data yang meliputi pengelompokan channel dengan sistem penempatan elektroda 10-20 menjadi 19 channel, standarisasi sinyal EEG menggunakan teknik Common Average Reference (CAR) dan Bipolar Montage, segmentasi EEG sepanjang 500 ms, dan normalisasi menggunakan metode min-max scaling dengan interval -1 hingga 1. Selanjutnya, model 1D-CNN tanpa layer dropout dan dengan layer dropout dikembangkan untuk melakukan klasifikasi pola IED pada segmen sinyal EEG. Model yang dikembangkan dievaluasi menggunakan 10-fold cross validation untuk mengukur kinerja dan keakuratan model. Metrik evaluasi seperti nilai sensitivitas, spesifisitas, dan akurasi digunakan untuk mengevaluasi performa model. Terakhir dilakukan pengujian sistem deteksi otomatis dengan file yang berformat European Data Format (EDF) sebagai data input. Tugas akhir ini berhasil mengembangkan sebuah sistem deteksi otomatis epilepsi berdasarkan IED pada sinyal EEG yang berpotensi baik dalam membantu diagnosis dan pemantauan pasien epilepsi secara otomatis. Hasil eksperimen menunjukkan bahwa sistem deteksi otomatis epilepsi mampu mengklasifikasikan pola IED pada sinyal EEG dengan nilai akurasi 99,79% (ada peningkatan sebesar 19,79%), nilai sensitivitas 99,69% (ada peningkatan sebesar 10,69%), dan nilai spesifisitas 99,91% (ada peningkatan sebesar 29,91%).
=====================================================================================================================================
Epilepsy is one of the most common neurological disorders, affecting millions of individuals worldwide. It is characterized by recurrent seizures of varying severity, which can disrupt the daily activities of patients. Electroencephalography (EEG) is a diagnostic tool commonly used for epilepsy diagnosis and monitoring. EEG provides non-invasive measurements of brain electrical activity. Previous research that identified Interictal Epileptiform Discharge (IED) using criteria from the International Federation of Clinical Neurophysiology (IFCN) was manually performed, yielding an accuracy of 91%, specificity of 95.65%, and sensitivity of 85.19%. An automatic approach using Fast R-CNN for epilepsy detection based on IED in EEG signals resulted in an accuracy of 80%, sensitivity of 89%, and specificity of 70% on the Aarhus University Hospital (AUH) dataset. This final project aims to develop an improved automatic epilepsy detection system based on IED in EEG signals using the One-Dimensional Convolutional Neural Network (1D-CNN) method on the AUH dataset. The AUH dataset contains EEG signal recordings from 100 patients, annotated with sudden sharp spike markers. The process begins with data preprocessing, including channel grouping with the 10-20 electrode placement system to form 19 channels, EEG signal standardization using Common Average Reference (CAR) and Bipolar Montage techniques, EEG segmentation into 500 ms segments, and normalization using the min-max scaling method with an interval of -1 to 1. Subsequently, 1D-CNN models without dropout layers and with dropout layers are developed to classify IED patterns in EEG signal segments. The developed models are evaluated using 10-fold cross-validation to measure performance and accuracy. Evaluation metrics such as sensitivity, specificity, and accuracy are used to assess the model's performance. Finally, the automatic detection system is tested using files in European Data Format (EDF) as input data. This final project successfully develops an automatic epilepsy detection system based on IED in EEG signals, which holds promising potential for aiding in the automated diagnosis and monitoring of epilepsy patients. Experimental results demonstrate that the automatic epilepsy detection system can classify IED patterns in EEG signals with an accuracy of 99.79% (an improvement of 19.79%), sensitivity of 99.69% (an improvement of 10.69%), and specificity of 99.91% (an improvement of 29.91%).

Item Type: Thesis (Other)
Uncontrolled Keywords: 1D-CNN, Bipolar Montage, EEG, Epilepsi, IED, 1D-CNN; Bipolar Montage, EEG, Epilepsy, IED
Subjects: Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: Nur Ahmad Khatim
Date Deposited: 09 Oct 2023 02:42
Last Modified: 09 Oct 2023 02:42
URI: http://repository.its.ac.id/id/eprint/99533

Actions (login required)

View Item View Item