Setiawan, Andi (2019) Investigasi Kelelahan Mental Berbasis Sinyal Electroencephalograph (EEG) Menggunakan Tes Kognitif dan Klasifikasi Relevance Vector Machine (RVM). Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
07111650067004-Master_Thesis.pdf Download (3MB) | Preview |
Abstract
Kelelahan mental (MF) merupakan fenomena yang umum dalam kehidupan kita sehari-hari. Ditempat kerja, kelelahan mental dapat meningkatkan resiko kesalahan kerja. Jika tidak terdeteksi dan ditangani dengan benar, dapat menimbulkan berbagai masalah. Electroencepalograph (EEG) merupakan salah satu dari banyak modalitas yang digunakan oleh peneliti dalam mendeteksi kelalahan mental. Namun, karena sulitnya dalam memprovokasi kelelahan selama pengukuran EEG, penelitian ini mengusulkan dua desain eksperimental untuk mendeteksi kelelahan mental yaitu desain pertama menggunakan induksi fisik (FI) dan desain kedua menggunakan induksi mental (MI). Sinyal EEG diperoleh dari 20 orang partisipan dengan kondisi sehat, serta 14 kanal headset EEG nirkabel. Setiap partisipan diberi empat jenis tes kognitif dalam bentuk permainan komputer meliputi Trail, Span, Stroop dan Aritmatika. Pengukuran subjektif kondisi kelelahan mental diukur menggunakan kuisioner Swedish Occupational Fatigue Inventory (SOFI). Sinyal EEG diekstraksi menggunakan Power Percentage (PP) dari fitur frekuensi band alpha (α), beta (β), dan theta (θ) pada semua kanal. Adapun untuk klasifikasi, kami memperkenalkan penggunaan pendekatan Relevance Vector Machine (RVM) yang diklaim memiliki kinerja yang lebih baik daripada SVM sebagai metode alternatif.
Hasil penelitian yang telah dilakukan menunjukkan bahwa seluruh dimensi pada kuisioner SOFI mengalami peningkatan nilai pada pasca-induksi jika dibandingkan dengan pra–induksi. Sedangkan pada tes kognitif, secara keseluruhan juga mengalami peningkatan nilai rata-rata waktu respon (RT) serta penurunan rata-rata skor (CS) pada pasca-induksi jika dibandingkan dengan pra-induksi. Dari hasil klasifikasi menunjukkan bahwa percobaan MI lebih baik dari FI dilihat dari hasil klasifikasi secara keseluruhan. Serta klasifikasi menggunakan metode RVM menghasilkan nilai akurasi yang lebih baik dibandingkan dengan SVM dalam mendeteksi kelelahan mental dengan nilai akurasi terbaik masing-masing klasifier sebesar 95,8% dan 86.6%. Selain itu, metode RVM juga memiliki waktu komputasi yang lebih sedikit dibandingkan dengan SVM.
===============================================================================================
Mental fatigue (MF) is a common phenomenon in our daily lives. In the workplace, mental fatigue can increase the risk of human errors. Moreover, if it is not detected and handled correctly, it can cause various problems. Electroencephalograph (EEG) is one of many modalities that is widely used by researchers for detecting mental fatigue. However, due to the difficulty in provoking fatigue condition during the EEG measurement, this study proposes two experimental designs for detecting mental fatigue. The first design is by using physical induction (PI) and the 2nd design is by using mental induction (MI). We obtain the EEG signals from 20 healthy participants, from 14 channels of wireless EEG headset. Each participant was given four types of cognitive tests in the form of computer games including Trail, Span, Stroop, and Arithmetic. The subjective measurement of fatigue condition is measured by using the Swedish Occupational Fatigue Inventory (SOFI) questionnaires. The EEG signal is extracted by using power percentage (PP) features of alpha (α), beta (β), and theta (θ) bands of frequency from all channels. As for classification, we introduce the use Relevance Vector Machine (RVM) approach which is claimed to have better performance than SVM as the precedence method.
The experimental results show that all dimensions in the SOFI questionnaire increase average value in post-induction compared to pre-induction. Moreover, all of the cognitive tests also increase the average value of response time (RT) and decrease average score (CS) in post-induction compared to pre-induction. For the classification results show that the experiment of MI is better than FI. The classification using RVM method produces better accuracy values than SVM in detecting mental fatigue with the best accuracy value of each classifier, 95.8% and 86.6%. Furthermore, RVM has also less execution time compared to SVM.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTE 621.398 1 Set i-1 2019 |
| Uncontrolled Keywords: | kelelahan mental, sinyal EEG, cognitive test, klasifikasi RVM |
| Subjects: | 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: | Andi Setiawan |
| Date Deposited: | 07 Jun 2021 06:53 |
| Last Modified: | 07 Jun 2021 06:53 |
| URI: | http://repository.its.ac.id/id/eprint/60376 |
Actions (login required)
 |
View Item |