Irfandi, Yoga Prastya (2020) Klasifikasi Sinyal Ictal dan Ocular Artifacts menggunakan Input Time Frequency Features pada Hasil Perekaman EEG Pasien Epilepsi. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
06211750010002-Master_Thesis.pdf Download (5MB) | Preview |
Abstract
Epilepsi merupakan gangguan fungsi otak yang menyerang kurang lebih 50 juta orang di seluruh dunia, dengan gejala khas kejang secara tiba-tiba tanpa ditandai penyebab yang jelas. Dokter atau ahli saraf pada umumnya menggunakan alat Elektroencephalogram (EEG) untuk merekam sinyal otak pasien untuk keperluan diagnosa penyakit epilepsi. Saat perekaman terdapat sinyal lain yang tertangkap EEG, dengan kejadian terbanyak adalah akibat dari pergerakan mata (ocular artifacts) pasien selama perekaman. Ocular Artifacts (OA) dapat meningkatkan resiko kesalahan dalam melakukan diagnosa penyakit epilepsi. Sehingga perlu dilakukan klasifikasi untuk membedakan sinyal ictal dan OA. Data hasil pengamatan dipotong sesuai catatan dokter dengan durasi 2 detik dan 5 detik di setiap potongnya. Algoritma dekomposisi yang digunakan adalah empirical mode decomposition (EMD), dan diperoleh sebanyak 4 IMF. Dari IMF selanjutnya diekstraksi menjadi fitur BAM, BFM untuk input klasifikasi skenario pertama dan time frequwncy features seperti Root Mean Square (RMS) frequency f_r dan dominant frequency f_d dan RMIFS untuk skenario pengelompokan kedua. Klasifikasi dilakukan dengan menggunakan SVM dengan kernel RBF, linier dan polynomial, dengan optimasi tuning parameter menggunakan metode Grid Search. Hasil klasifikasi terbaik diperoleh dari data dengan pemotongan berdurasi 2 detik dan fitur BFM untuk skenario pertama serta RMIFS untuk skenario kedua.
==================================================================================================================================
Epilepsy is a brain function disorder that attacks approximately 50 million people worldwide, with the typical symptoms of sudden seizures without marked causes. Doctors or neurologists generally use an Electroencephalogram (EEG) to record the patient's brain signals for the purpose of diagnosing epilepsy. When recording there is another signal that is captured by EEG, with the most occurrence being the result of the patient's ocular artifacts during recording. Ocular Artifacts (OA) can increase the risk of errors in diagnosing epilepsy. So it is necessary to do a classification to distinguish ictal and OA signals. Observation data were cut according to doctor's notes with a duration of 2 seconds and 5 seconds in each pieces. The decomposition algorithm used is empirical mode decomposition (EMD), and obtained as many as 4 IMF. From the IMF then extracted into BAM, BFM features for the input of the first scenario classification and time frequency features such as Root Mean Square (RMS) frequency fr and dominant frequency fd and RMIFS for the second classification scenario. Classification is done using SVM with RBF, linear and polynomial kernels, with optimization of tuning parameters using the Grid Search method.The best classification results are obtained from data with a 2 second cut and BFM features for the first scenario and RMIFS for the second scenario.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 519.536 Irf k-1 2020 |
| Uncontrolled Keywords: | Epilepsi, EEG, ictal, OA, EMD, time frequency features, SVM |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science. EDP |
| Divisions: | Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | Yoga Prastya Irfandi |
| Date Deposited: | 24 Dec 2024 08:15 |
| Last Modified: | 24 Dec 2024 08:15 |
| URI: | http://repository.its.ac.id/id/eprint/74388 |
Actions (login required)
 |
View Item |