Implementasi Deep Learning Untuk Memprediksi Kejang dari Sinyal EEG

Athallah, Muhammad Raihan (2024) Implementasi Deep Learning Untuk Memprediksi Kejang dari Sinyal EEG. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025201206-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (5MB) | Request a copy

Abstract

Epilepsi adalah kondisi neurologis yang ditandai oleh kejang yang tak terkendali, yang memerlukan diagnosis cepat dan akurat karena bisa mengancam jiwa serta menyebabkan berbagai masalah fisik dan psikologis pada penderitanya. Teknologi Electroencephalogram (EEG) memungkinkan rekaman aktivitas otak, mencatat gangguan otak sebelum dan sesudah kejang. Namun, proses ini memerlukan waktu dan usaha manusia yang signifikan. Oleh karena itu, pengenalan kejang epilepsi dari sinyal EEG menggunakan deep learning menjadi fokus penelitian terkini. Dalam penelitian ini, metode Convolutional Neural Network (CNN) digunakan untuk mendeteksi lokasi kejang pada otak dari sinyal EEG, menggunakan dataset Siena Scalp EEG untuk training dan testing. Penggunaan double banana sebagai teknik pra-pemrosesan sinyal EEG membantu dalam mengekstraksi fitur-fitur penting dari sinyal tersebut, meningkatkan akurasi model.
Implementasi model deep learning pada aplikasi website melibatkan penggunaan dataset Siena Scalp EEG dengan total 47 kejang, pra-pemrosesan data, dan training model menggunakan k-fold cross validation. Model CNN dengan parameter paling optimal pada kesepuluh fold menunjukkan rata-rata akurasi 91,5%, rata-rata precision 89,8%, rata-rata recall 91,5%, dan rata-rata F1-score 89,6%.
Website yang dibangun dengan metode Waterfall ini terintegrasi dengan model CNN dengan parameter paling optimal untuk mendeteksi lokasi kejang dari sinyal EEG. Situs ini memungkinkan pengguna untuk menerima prediksi yang jelas dan memberikan visualisasi deteksi lokasi kejang epilepsi dengan memanfaatkan library MNE untuk memproses sinyal. Diimplementasikan pada website melalui backend menggunakan REST API antarmuka yang memungkinkan aplikasi web atau mobile untuk berkomunikasi dengan server menggunakan standar HTTP untuk interaksi pengguna dengan fitur prediksi dan visualisasi.
========================================================================================================================
Epilepsy is a neurological condition characterized by uncontrolled seizures, requiring rapid and accurate diagnosis as it can be life-threatening and cause various physical and psychological problems for sufferers. Electroencephalogram (EEG) technology enables recording brain activity, capturing brain disturbances before and after seizures. However, this process requires significant time and human effort. Therefore, the detection of epileptic seizures from EEG signals using deep learning has become a current research focus. In this study, Convolutional Neural Network (CNN) methods are used to detect seizure locations in the brain from EEG signals, utilizing the Siena Scalp EEG dataset for training and testing. The use of the double banana technique for EEG signal preprocessing helps extract important features from the signals, improving model accuracy.
The implementation of the deep learning model in the web application involves using the Siena Scalp EEG dataset with a total of 47 seizures, data preprocessing, and training the model using k-fold cross-validation. The each CNN model with the optimum parameter from 10 folds shows an average of accuracy of 91.5%, average of precision of 89.8%, average of recall of 91.5%, and average of F1-score of 89.6%.
The website built using the Waterfall method in this research is integrated with the CNN model to detect seizure locations from EEG signals. This site allows users to receive clear predictions and provides visualization of the detected seizure locations in the brain. The model is implemented on the website through the backend using a REST API, an interface that allows web or mobile applications to communicate with the server using standard HTTP, enabling users to interact with the prediction and visualization features.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Electroenchepalogram, Convolutional Neural Network, Machine Learning, Deep Learning
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.6 Computer programming. Q Science > QA Mathematics > QA76.758 Software engineering Q Science > QH Biology > QH301 Biology R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	MUHAMMAD RAIHAN ATHALLAH
Date Deposited:	01 Aug 2024 03:28
Last Modified:	01 Aug 2024 03:28
URI:	http://repository.its.ac.id/id/eprint/110891

Actions (login required)

View Item