Klasifikasi Tingkat Keparahan Stroke Berdasarkan Sinyal Eeg Menggunakan Domain Waktu, Frekuensi, Dan Dekomposisi Sinyal

Sulistyono, Marcelinus Yosep Teguh (2025) Klasifikasi Tingkat Keparahan Stroke Berdasarkan Sinyal Eeg Menggunakan Domain Waktu, Frekuensi, Dan Dekomposisi Sinyal. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 07111960010007-Dissertation.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (6MB) | Request a copy

Abstract

Stroke secara klinis sebagai sindrom neuro-neurologis akut dan fokal. Defisit logis dikaitkan dengan cedera vaskular (infark, haemorrhage) pada sistem saraf pusat yang menyebabkan cacat permanen dan kematian. Penyebab stroke dikategorikan menjadi stroke iskemik terjadi karena obstruksi oleh trombus dan stroke hemoragik terjadi karena aneurisma cerebral. Gejala stroke ditandai dengan gejala-gejala motorik karena gangguan neuromuscular, rasa baal terutama pada bagian wajah, anggota gerak dapat terjadi pada setengah dari sisi tubuh, kesulitan dalam berbicara, gangguan penglihatan, kesulitan berjalan kehilangan keseimbangan, kehilangan kesadaran dan sakit kepala tanpa sebab. Untuk menangani stroke, diperlukan pengukuran efektifitas strategi berdasarkan parameter tertentu melalui alat Electroencephalogram (EEG) dengan merekam aktivitas elektrik otak untuk menemukan pola tingkat keparahan stroke sebagai penunjang dalam monitoring, evaluasi dan rehabilitasi medis. Berdasarkan penelitian terdahulu tentang tingkat keparahan stroke, masih memiliki keterbatasan-keterbatasan yaitu pada dataset tingkat keparahan stroke pada saat melakukan eksperimen, fitur-fitur yang belum dilakukan identifikasi secara maksimal, belum menemukan pengembangan metode baru seleksi fitur yang cocok dalam menyelesaikan permasalahan tingkat keparahan stroke, dan belum diketahuinya rehabilitasi medis secara optimal yang berhubungan dengan fitur dan stimulus gerakan dalam rangka mencari fitur dan stimulus gerakan yang relevan serta saling berkorelasi antara satu dengan yang lain dalam proses monitoring, evaluasi dan rehabilitasi medis. Hal tersebut terjadi karena semakin banyak kondisi stroke yang beraneka ragam yang membutuhkan analisis yang lebih mendalam. Solusi dalam menangani permasalahan di atas yang tujuannya adalah memperoleh hasil monitoring, evaluasi dan rehabilitasi medis yang tepat adalah dengan pendekatan pola klasifikasi tingkat keparahan stroke yang mampu menganalisa sifat sinyal yang non-stasioner dan bervareasi waktu, dengan trasformasi berbasis multi domain, multi fitur dan multi sub band frekuensi, melalui pemilihan fitur untuk menghilangkan duplikasi, dominasi noise dan memiliki data berdimensi rendah untuk meningkatkan akurasi dan mengurangi kompleksitas klasifikasi. Metode yang digunakan untuk menyelesaikan permasalahan tersebut adalah dengan menggunakan pendekatan baru analisis fitur Hybrid Significant Stroke Feature (HSSF) dengan konsep menggabungkan metode analisis statistik inferensial pada seleksi fitur dengan metode analisis Machine Learning pada pola klasifikasi, yang hasilnya adalah peningkatan akurasi yang lebih baik daripada metode-metode sebelumnya, sehingga tujuan monitoring, evaluasi dan rehabilitasi medis tercapai. Tahapan yang dilakukan dalam metode gabungan metode analisis statistik inferensial dan metode analisis Machine Learning adalah aquisisi dan preparasi data, preprocessing data, ekstraksi fitur, seleksi fitur, korelasi, klasifikasi serta evaluasi. Hasil akhir dalam penelitian adalah terbentuknya pola klasifikasi tingkat keparahan stroke untuk proses monitoring, evaluasi dan rehabilitasi medis pasien stroke, yang mampu menghasilkan dataset dengan sebanyak 22 partisipan, mengidentifikasi fitur-fitur dari berbagai macam domain, menghasilkan pendekatan metode baru analisis fitur Hybrid Significant Stroke Feature (HSSF) tingkat keparahan stroke, dan mengetahui rehabilitasi medis yang optimal yang berhubungan dengan fitur dan stimulus gerakan yang relevan dan saling berkorelasi antara satu dengan yang lain dalam proses monitoring, evaluasi dan rehabilitasi medis. Melalui pendekatan baru analisis fitur Hybrid Significant Stroke Feature (HSSF) diperoleh tingkat akurasi sebesar 98% untuk fitur Hjorth Mobility, Hjorth Coplxity, dan PSD, dengan menggunakan sub band beta high, stumulus gerakan shoulder dan dengan jenis klasifikasi SVM. Dibandingkan dengan penelitian sebelumnya dengan menggunakan metode analisis terpisah-pisah antara metode analisis statistik dan analisis Machine Learning yang menghasilkan nilai akurasi sebesar 95% pada fitur STD dan PSD, dengan sub band beta high, stimulus gerakan shoulder dan jenis klasifikasi SVM. Dari hasil perbandiangan metode-metode tersebut di atas, metode analisis fitur Hybrid Significant Stroke Feature (HSSF) terdapat kenaikan nilai akurasi sebesar 3% dari penelitian sebelumnya.
==================================================================================================================================
Stroke is clinically characterized as an acute and localized neurological condition. Logical deficiencies are linked to vascular damage (infarction, hemorrhage) in the central nervous system, resulting in irreversible disability and mortality. The etiologies of stroke are classified as ischemic stroke, resulting from thrombus blockage, and hemorrhagic stroke, arising from cerebral aneurysm. Stroke symptoms manifest as motor impairments resulting from neuromuscular abnormalities, facial and limb paralysis potentially affecting one side of the body, speech difficulties, visual disturbances, impaired gait and balance, loss of consciousness, and unexplained headaches. To address stroke, it is essential to assess the efficacy of strategies using specific parameters via Electroencephalogram (EEG) instruments, which record cerebral electrical activity to identify patterns of stroke severity, thus aiding in monitoring, evaluation, and medical rehabilitation. Previous research on stroke severity is constrained by limitations, specifically regarding the stroke severity dataset utilized during experimentation, inadequately identified features, the absence of a novel feature selection method appropriate for addressing stroke severity issues, and a lack of understanding regarding optimal medical rehabilitation about features and movement stimuli, aimed at identifying relevant and correlated features and movement stimuli in the processes of monitoring, evaluation, and medical rehabilitation. This occurs due to the increasing variety of stroke disorders necessitating more comprehensive examination. The resolution to the aforementioned issues, aimed at achieving effective monitoring, evaluation, and medical rehabilitation outcomes, involves employing stroke severity classification methodologies capable of analyzing non-stationary and time-varying signal characteristics. This is accomplished through multi-domain, multi-feature, and multi-frequency sub-band transformations, coupled with feature selection to mitigate redundancy and noise interference and produce low-dimensional data, enhancing accuracy and diminishing classification complexity. The approach to address these issues involves the Hybrid Significant Stroke Feature (HSSF) analysis, which integrates inferential statistical methods for feature selection with machine learning techniques for classification. This results in enhanced accuracy compared to prior methods, thereby fulfilling the objectives of monitoring, evaluation, and medical rehabilitation. The phases involved in the integrated approach of inferential statistical analysis and Machine Learning analysis include data gathering and preparation, data preprocessing, feature extraction, feature selection, correlation, classification, and assessment. The research culminated in establishing a stroke severity classification framework for monitoring, evaluating, and medically rehabilitating stroke patients. This framework generated a dataset comprising 22 participants, identified features across multiple domains, introduced a novel methodology for Hybrid Significant Stroke Feature (HSSF) analysis of stroke severity, and determined the optimal medical rehabilitation strategies linked to relevant and correlated features and movement stimuli within the monitoring, evaluation, and rehabilitation processes. Utilizing a novel Hybrid Significant Stroke Feature (HSSF) analysis, an accuracy rate of 98% was achieved for Hjorth Mobility, Hjorth Complexity, and PSD features, employing the high beta sub-band, shoulder motion stimulus, and SVM classification method in contrast to prior studies employing distinct analytical approaches for statistical analysis and machine learning, which achieved an accuracy of 95% on STD and PSD characteristics, utilizing high beta sub-bands, shoulder movement stimuli, and SVM classification. The comparison of the aforementioned methodologies indicates that the Hybrid Significant Stroke Feature (HSSF) analysis method exhibits a 3% increase in accuracy compared to prior research.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Electroencephalogram, Hybrid Significant Stroke Feature (HSSF), Tingkat Keparahan, Analisis Statistik, Analisis Machine Learning, Severity, Statistical Analysis, Machine Learning Analysis
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T11 Technical writing. Scientific Writing T Technology > T Technology (General) > T385 Visualization--Technique T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20001-(S3) PhD Thesis
Depositing User:	Marcelinus Yosep Teguh Sulistyono
Date Deposited:	22 Jan 2025 02:47
Last Modified:	22 Jan 2025 02:47
URI:	http://repository.its.ac.id/id/eprint/116568

Actions (login required)

View Item