Klasifikasi Kejang Epilepsi Multi-Kelas Berbasis Electroencephalogram Menggunakan Modified Batch Normalization Neural Network

Purnomo, Adenuar (2021) Klasifikasi Kejang Epilepsi Multi-Kelas Berbasis Electroencephalogram Menggunakan Modified Batch Normalization Neural Network. Masters thesis, Institut Teknologi Sepuluh Nopember.

This is the latest version of this item.

[img] Text
05111950010004-Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 April 2023.

Download (13MB)

Abstract

Epilepsi adalah penyakit sistem saraf serius kedua yang paling umum setelah stroke. Pengembangan algoritma otomatis untuk klasifikasi tipe kejang epilepsi multi-kelas sangat diperlukan untuk mengatasi permasalahan ini. Klasifikasi menggunakan CNN, yang selama ini umum dipakai, masih dapat dikembangkan lebih lanjut terkait kinerja dan biaya komputasi, Penelitian terbaru mengusulkan arsitektur bernama Batch Normalization Neural Network (BN3) untuk mengatasi permasalahan yang ada pada CNN standar. Penelitian lainnya mengusulkan sebuah arsitektur bernama Adaptive Batch Normalization (AdaBN) yang merupakan arsitektur yang simpel namun efektif. AdaBN sendiri memiliki kelemahan dalam segi kecepatan untuk data yang besar. BN3 sendiri cepat ketika data berjumlah banyak namun memiliki kekurangan dalam hal akurasi dan AdaBN efektif namun lambat untuk data berjumlah banyak. Oleh karena itu, dalam penelitian ini akan diusulkan sebuah arsitektur deteksi kejang epilepsi baru yang diberi nama Modified Batch Normalization Neural Network (MBN3) yang merupakan penggabungan BN3 dan AdaBN agar dapat mendeteksi kejang epilepsi multi-kelas dengan cepat dan efektif. Sinyal EEG mentah pertama-tama dipotong-potong, kemudian dilewatkan melalui filter bandpass. Teknik oversampling dan undersampling digunakan untuk menghasilkan sampel yang seimbang dari set training dan testing. Sinyal tersebut kemudian dilanjutkan ke proses smoothing menggunakan Haar Wavelet, yang kemudian diubah seolah-olah menjadi data citra untuk dilatih dengan menggunakan MBN3, kemudian dilakukan pengujian data yang menghasilkan hasil klasifikasi kelas kejang epilepsi. Performa dari hasil klasifikasi akan menggunakan jumlah iterasi, akurasi, presisi, dan recall. Performa dari klasifikasi menggunakan arsitektur MBN3 akan dibandingkan dengan performa arsitektur AdaBN, CNN dan BN3. Dari hasil uji coba didapat bahwa klasifikasi menggunakan MBN3 membutuhkan rata-rata iterasi pembentukan model menggunakan arsitektur MBN3 adalah 39224 iterasi, dengan waktu iterasi tercepat 37189 iterasi. Performa dari arsitektur MBN3 memiliki rata-rata akurasi 64,513%, rata-rata presisi 64,637%, dan rata-rata recall 67,092%, dengan akurasi tertinggi 66,196%, presisi tertinggi 66,075%, dan recall tertinggi 68,200%. Arsitektur MBN3 memiliki rata-rata waktu iterasi tercepat dibandingkan dengan ketiga arsitektur pembanding, yaitu 3,17% lebih cepat daripada arsitektur BN3, 25,367% lebih cepat daripada arsitektur CNN, dan 8,321% lebih lambat daripada arsitektur AdaBN. Sementara untuk akurasi, presisi dan recall arsitektur MBN3 berbeda 1-4% dari arsitektur BN3 dan CNN, dan 1-30% lebih baik dari arsitektur AdaBN. ====================================================================================================== Epilepsy is the second most common serious nervous system disease after stroke. The development of an automatic algorithm to classify multi-class epileptic seizure types is needed to overcome this problem. Classification using CNN, which has been commonly used, can still be developed further related to performance and computational costs. Recent research proposes an architecture called Batch Normalization Neural Network (BN3 ) to solve problems in standard CNN. Other research proposes an architecture called Adaptive Batch Normalization (AdaBN), a simple but effective architecture. AdaBN itself has a weakness in terms of speed for large data. BN3 itself is fast when there are large amounts of data. However, it lacks accuracy, and AdaBN is effective but slow for large amounts of data. Therefore, this study proposes a new epileptic seizure detection architecture called the Modified Batch Normalization Neural Network (MBN3 ), which combines BN3 and AdaBN to detect multi-class epileptic seizures quickly and effectively. The raw EEG signal is first chopped up, then passed through a bandpass filter. Oversampling and undersampling techniques are used to produce a balanced sample from the training and testing set. The signal is then continued to the smoothing process using Haar Wavelet, and converted into image like data to be trained using MBN3 . After that, the testing process is carried out, which output is the epileptic seizure class's classification results. The performance of the classification results will use the number of iteration, accuracy, precision, and recall. The performance of the classification using the MBN3 architecture will then be compared with the CNN, AdaBN, and BN3 architectures' performances. The test results found that the classification using the MBN3 architecture requires an average iteration to form a model is 39224 iterations, with the fastest iteration time of 37189 iterations. The MBN3 architecture's performance has an 4 average accuracy of 64,513%, an average precision of 64,637%, and an average recall of 67,092%, with the highest accuracy of 66,196%, the highest precision of 66,075%, and the highest recall of 68,200%. The MBN3 architecture has the fastest average iteration time compared to the two other architectures, which is 3.17% faster than the BN3 architecture, 25,367% faster than the CNN architecture, and 8,321% slower than AdaBN architecture. Meanwhile, the MBN3 architecture differs by 1-4% for accuracy, precision, and recall from BN3 and CNN architectures, and 1-30% better than AdaBN architecture.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Epileptic, Seizure, EEG, Modified Batch Normalization Neural Network (MBN3).
Subjects: Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Q Science > QP Physiology > Q376.5 Electroencephalography (EEG)
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User: Adenuar Purnomo
Date Deposited: 26 Feb 2021 04:10
Last Modified: 26 Feb 2021 04:16
URI: https://repository.its.ac.id/id/eprint/82911

Available Versions of this Item

Actions (login required)

View Item View Item