Ekstraksi Fitur Sinyal Elektroensefalograf (EEG) Untuk Identifikasi Unspoken-speech Menggunakan EEGLAB Bagas Isadewa #1, Ir. Syamsul Arifin, MT. #2, Andi Rahmadiansah, ST. MT. #3 #
Jurusan Teknik Fisika, Institut Teknologi Sepuluh Nopember Kampus ITS Keputih Sukolilo Surabaya 60111 Indonesia 1 2
[email protected] [email protected] 3
[email protected]
Abstrak— Pada penderita kelumpuhan total, kemampuan saraf untuk mengirimkan perintah dari otak kepada otot mengalami penurunan. Otak ialah satu-satunya organ yang masih berfungsi dengan normal. Unspoken-speech menjadi jalur komunikasi yang penting bagi para penderita kelumpuhan tersebut karena tidak membutuhkan aktivitas otot. Otak merupakan organ tubuh yang menghasilkan potensial listrik dalam setiap aktivitasnya. Potensial listrik tersebut diukur dan direkam menjadi sinyal elektroensefalograf (EEG). Sinyal EEG mempunyai banyak ciri atau fitur tertentu yang merepresentasikan respon dari aktivitas otak tertentu. Pada Tugas Akhir ini, sebuah penelitian untuk mengekstraksi fitur yang dikandung oleh sinyal EEG pada aktivitas unspoken-speech telah dilakukan. Dua naracoba diinstruksikan mengucapkan huruf vokal /a/ /i/ /u/ /e/ /o/ tanpa menggerakkan organ artikulatori dan tidak menghasilkan suara sama sekali. Sinyal EEG diolah menggunakan perangkat lunak EEGLAB dan menghasilkan beberapa fitur seperti event related potential (ERP), ERP image, event related spectral perturbation (ERSP) dan inter trial coherence (ITC). Hasil perbandingan pengucapan huruf /a/ dari kedua naracoba menunjukkan adanya pola ERP yang mirip satu sama lain. ERP image menunjukkan konsistensi trial dalam membentuk pola ERP. Sedangkan ERSP dan ITC menghasilkan pola spectrogram yang berbeda.
I. PENDAHULUAN A. Latar Belakang Pada orang yang menderita lumpuh total, penderita tidak mampu berinteraksi dengan lingkungan sekitarnya walaupun hanya sekedar berbicara saja. Penderita Amyotrophic Lateral Sclerosis (ALS) contohnya, mengalami degradasi kemampuan saraf untuk mengirimkan pesan kepada otot sehingga tubuh penderita mengalami kelumpuhan total. Tetapi kemampuan kognitif penderita masih dapat berfungsi, sehingga satusatunya jalan untuk berkomunikasi ialah langsung melalui otak. Unspoken-speech merupakan aktivitas berbicara atau mengucapkan suatu kata tanpa menggunakan organ-organ artikulatori dan tidak menghasilkan suara sama sekali (1). Dalam hal ini otak manusia mempunyai peran yang penting dalam proses produksi unspoken-speech.
Otak merupakan salah satu organ tubuh manusia yang paling vital. Segala aktivitas yang dilakukan oleh manusia ditentukan oleh proses berpikir yang dilakukan oleh otak. Sebuah potensial elektrik muncul pada sel saraf otak yang berkaitan dengan aktivitas yang sedang dilakukan oleh manusia. Potensial elektrik inilah yang kemudian direkam oleh elektroensefalograf (EEG) menjadi sebuah sinyal. Sinyal EEG yang didapat tentunya mengandung banyak informasi yang tidak langsung dapat dibaca oleh komputer. Suatu pemrosesan sinyal harus dilakukan untuk mengolah sinyal mentah EEG hingga dapat digunakan untuk keperluan aplikasi selanjutnya. Salah satu tujuan dari pemrosesan sinyal EEG ialah dapat mendapatkan fitur sinyal EEG yang unik yang berkaitan dengan aktivitas yang dilakukan oleh manusia. Fitur ialah suatu karakter pembeda dari sinyal hasil pengukuran yang didapat dari segmentasi pola sinyal tertentu (2). Salah satu fitur sinyal EEG ialah frekuensi, latency, amplitudo atau event related potential (ERP). Tujuan dari ekstraksi fitur ialah untuk mengetahui karakteristik dan ciri yang unik dari suatu sinyal agar dapat diklasifikasikan dan juga untuk mengurangi loss informasi yang terkandung pada sinyal. Telah diketahui bahwa sinyal hasil perekaman EEG mempunyai kandungan data yang tidak langsung dapat digunakan untuk proses klasifikasi (3) (4). Sinyal tersebut harus diekstraksi fiturnya terlebih dahulu agar pola sinyal menjadi lebih sederhana. Sehingga sinyal yang dihasilkan hanya mengandung fitur yang dibutuhkan. Semakin sederhana hasil dari proses ekstraksi fitur maka proses klasifikasi sinyal akan semakin mudah sehingga pesan yang dikirimkan oleh otak dapat diterjemahkan dengan baik dan jelas. B. Permasalahan Permasalahan yang diangkat pada penelitian Tugas Akhir ini ialah bagaimana cara mengekstraksi fitur sinyal EEG untuk identifikasi unspoken-speech menggunakan EEGLAB
C. Batasan Masalah Pada pengerjaan tugas akhir ini akan dilakukan pembatasan terhadap masalah yang dikaji agar tidak melebar. Batasannya ialah sebagai berikut : 1. Pemrosesan sinyal dilakukan secara offline 2. Aktivitas yang direkam yaitu pengucapan huruf dalam Bahasa Indonesia 3. Naracoba yang diukur ialah laki-laki dewasa 4. Elektroda yang dianalisa yaitu F3 dan F7 pada sistem pemasangan standar 10-20
Salah satu hasil penelitian tentang sinyal otak yang menggunakan EEG ialah diketahuinya beberapa tipe sinyal yang terkait dengan aktivitas otak manusia. Secara umum ada empat tipe gelombang otak manusia (7), yaitu sinyal Delta (0 Hz – 4 Hz), sinyal Theta (4 Hz – 7 Hz), sinyal Alpha (8 Hz – 13 Hz) dan sinyal Beta (13 Hz – 30 Hz).
D. Tujuan Tujuan yang ingin dicapai pada akhir pengerjaan tugas akhir ini ialah mendapatkan fitur sinyal EEG pada aktivitas unspoken-speech. Sedangkan manfaat dari pengerjaan tugas akhir ini yaitu untuk memudahkan proses klasifikasi sinyal EEG pada aktivitas unspoken-speech untuk pengembangan BrainComputer Interface (BCI).
II. TEORI PENUNJANG
Gambar 2. Pola sinyal EEG pada berbagai ritme gelombang (8)
A. Otak Otak manusia merupakan salah satu organ tubuh yang paling penting. Merupakan pusat dari sistem saraf manusia dan termasuk organ yang sangat kompleks. Otak bekerja sebagai pengatur aktivitas aksi dan reaksi dari tubuh manusia. Dan terus menerus menerima informasi dari panca indera yang kemudian mengolah informasi tersebut dan menentukan respon yang tepat untuk mengendalikan kerja bagian tubuh yang lain (5).
C. Brain-Computer Interface (BCI) Brain-computer interface adalah sebuah sistem komunikasi yang menghubungkan otak manusia secara langsung dengan divais seperti komputer atau perangkat keras lainnya (3). Pengembangan BCI sendiri bertujuan untuk membantu manusia yang mempunyai masalah dengan kelumpuhan total. Rangkaian mekanisme cara kerja BCI dapat dilihat pada gambar dibawah ini :
B. Elektroensefalograf Elektrosensefalograf (EEG) ialah suatu instrumen medis untuk mengukur potensial listrik yang dihasilkan oleh sel saraf otak dengan memasang sensor (elektroda) pada permukaan kulit kepala. Metode peletakan elektroda yang umum digunakan ialah sistem 10-20. 21 elektroda diletakkan pada permukaan kepala untuk mengukur potensial listrik yang dihasilkan oleh syaraf otak. Sedangkan elektroda yang terakhir digunakan sebagai titik referensi yang diletakkan pada daerah nasion, telinga atau sejajar dengan mata (6)
Gambar 3. Skema Brain-Computer Interface (10)
Gambar 1. Sistem peletakan elektroda 10-20 (7)
D. Event-Related Potential (ERP) ERP ialah komponen sinyal EEG hasil pengukuran EEG yang terpaut dengan rentang waktu tertentu dan biasanya berhubungan dengan event atau aktivitas yang dilakukan oleh seorang subjek. ERP bisa juga dikatakan sebagai respon
gelombang otak secara kognitif. Secara spesifik ERP mempunyai karakter tertentu seperti amplitudo dan latency. Selain itu ERP memiliki karakteristik resolusi temporal yang tinggi (7).
Kelebihan lain dalam menggunakan EEGLAB ini ialah antar-muka penggunanya yang berbasis GUI sehingga membantu pengguna dalam pengerjaan. EEGLAB juga dapat menampilkan visualisasi spektral daya maupun ERP. Terbagi dalam kanal-kanal maupun ditampilkan tiap komponen sinyal. Hal ini akan sangat membantu dalam analisa sinyal tiap komponen. Proses artifact removal juga menjadi bagian dari fitur pengolahan sinyal yang terintegrasi pada EEGLAB. Pengguna dapat menyeleksi rentang data yang akan di reject sehingga noise pada data dapat dihilangkan. EEGLAB sendiri bersifat opensource yakni bebas untuk digunakan tanpa membayar pada pengembangnya. Keuntungannya pengguna dapat melakukan coding algoritma sendiri sesuai yang dikehendakinya tanpa melanggar hak cipta. III. METODOLOGI PENELITIAN
Gambar 4. Sinyal ERP yang dihasilkan melalui averaging (11)
Pada bab ini akan diuraikan beberapa tahapan yang Gambar diatas menunjukkan salah satu sampel gelombang ERP. Dimana gelombang ERP itu sendiri dihasilkan melalui dilakukan dalam melaksanakan penelitian ini. Secara umum proses averaging dari tiap-tiap komponen sinyal yang direkam. skema metodologi perancangan yang telah disusun ialah Proses averaging ini menyaring sinyal otak yang tidak sebagai berikut. berkaitan dengan stimulus. Semua aktivitas saraf yang tidak berhubungan dengan rangsangan dari luar tidak akan Mulai terkandung dalam sinyal pada rentang waktu konsisten yang relatif terhadap stimulus itu sendiri (8). Segmentasi event E. EEGLAB Sekelompok peneliti di Swartz Center for Computational Neuroscience berhasil mengembangkan sebuah perangkat lunak bernama EEGLAB. Adanya kebutuhan untuk menganalisa sinyal EEG yang lebih baik agar kelemahan proses averaging dapat dibenahi menjadi dasar bagi pengembang EEGLAB. Maka dari itu EEGLAB dibuat dengan metode analisa waktu-frekuensi dan Independent Component Analysis (ICA). Perpaduan kedua metode tersebut dapat membenahi kekurangan dari averaging, sehingga dapat diketahui bahwa dinamika karakteristik sinyal EEG berkorelasi dengan perubahan perilaku (9).
Perekaman sinyal EEG Ekstraksi epoch Konversi data sinyal Ekstraksi fitur pada sinyal Import data ke EEGLAB
Analisa dan pembahasan Import lokasi kanal
Re-reference elektroda
Selesai
Gambar 6. Skema metodologi penelitian
Kemudian dari gambar skema diatas dapat diterangkan mengenai tahapan-tahapan pelaksanaan penelitian tugas akhir ini. A. Perekaman Sinyal EEG
Gambar 5. Sebuah tampilan dari EEGLAB berbasis GUI
Perekaman sinyal EEG dilakukan diklinik medis menggunakan Compumedics ProFusion. Pemasangan elektroda mengikuti standar 10-20 dengan jumlah kanal sebanyak 21 buah. Sinyal EEG direkam dari dua orang naracoba laki-laki dewasa dengan. Naracoba diberi rangsangan visual pada layar monitor dengan membaca tanpa
suara presentasi huruf vokal a/i/u/e/o dengan model Blocks dan Sequential sesuai eksperimen pada (1). B. Konversi Data Hasil perekaman sinyal dari perangkat Compumedics masih berupa format .raw yang tidak dapat dibaca oleh perangkat lunak EEGLAB. Karena itu perlu dilakukan konversi data dengan bantuan perangkat lunak Persyst. Data hasil konversi yaitu berupa data teks dengan format .txt. Data berupa teks sangat membantu pengolahan sinyal karena dengan mudah dapat dibaca di Matlab. Pada proses konversi data ini juga dilakukan penghapusan kanal A1 dan A2, karena agar sesuai dengan template lokasi kanal EEGLAB untuk sistem peletakan elektroda 10-20 dengan jumlah kanal sebanyak sembilan belas.
elektroda yang lain. Pada proses pengukuran dan perekaman EEG elektroda yang digunakan sebagai referensi ialah kanal A1 atau A2 yang letaknya ditelinga. Namun pada saat proses pengolahan data kanal A1 dan A2 dihapus, sehingga letak elektroda referensi diganti dengan elektroda pada kanal Cz. Kanal Cz dipilih karena sudah umum digunakan sebagai referensi dan juga karena letaknya yang berada dititik tengahtengah belahan otak kiri dan kanan. F. Segmentasi Sinyal Data yang telah direkam masih berupa data kontinyu. Dalam rentang waktu tersebut naracoba melakukan aktivitas yang beragam, mulai dari pengucapan tanpa suara untuk sesi sequential dan blocks hingga aktivitas non otak yang menimbulkan artefak. Tiap-tiap sesi telah diperkirakan waktu onset (permulaan) hingga waktu berakhirnya. Maka dari itu, data kontinyu tersebut perlu disegmen sesuai rentang waktu dan aktivitas naracoba yang terkait.
C. Import Data ke EEGLAB Ada beberapa format data EEG yang hanya bisa dibaca oleh EEGLAB. Salah satunya ialah Matlab array dan file teks format ASCII. Setelah melalui proses konversi format data, maka data rekaman sinyal yang berupa teks dapat dibaca oleh EEGLAB. Berbagai format EEG yang lain juga bisa dibaca oleh EEGLAB seperti Neuroscan, BCI2000, Biosemi dan lain-lain. D. Import Lokasi Kanal Proses import data ini kemudian diikuti oleh tahap penentuan lokasi kanal. Data yang diimport sudah diatur mempunyai 19 kanal agar sesuai dengan template lokasi kanal yang dimiliki oleh EEGLAB. Penentuan lokasi kanal ini berguna untuk memetakan elektroda EEG. Selain itu berguna untuk visualisasi ERP secara dua dimensi maupun tiga dimensi.
Gambar 7. Tampilan utama EEGLAB menunjukkan keterangan jumlah event yang terbaca.
Metode segmentasi data ini cukup mudah, hanya tinggal mensinkronisasi waktu record pada ProFusion dengan waktu pada kamera video. Kemudian pada data kontinyu yang berupa teks dicari waktu event pada saat naracoba mulai mengucapkan huruf. Hal ini diatur oleh tampilan stimulus yang timing-nya telah diatur dengan jeda 2 detik tiap huruf. Setelah kita mendapatkan data waktu untuk tiap event yang terjadi maka urutan event tersebut disusun pada file teks agar dapat dibaca oleh EEGLAB. EEGLAB memberikan kemudahan untuk membaca susunan data event yang telah dibuat. Yaitu dengan membuat suatu file teks dari aplikasi notepad dengan menuliskan kolom parameter tipe, latency dan durasi dari tiap event. Seperti yang dapat dilihat pada gambar 7. G. Ekstraksi Epoch
Gambar 6. Peta lokasi kanal pada sistem 10-20
E. Re-reference Elektroda Setiap pengukuran potensial listrik selalu membutuhkan dua sumber potensial listrik yang berbeda untuk dibandingkan keduanya. Begitu pula dengan pengukuran EEG ditetapkan elektroda yang berperan sebagai referensi pengukuran
Epoch ialah data EEG yang dibatasi oleh rentang waktu tertentu berdasarkan event. Jadi setelah data kontinyu ditandai tiap event pada posisi waktu tertentu maka epoch dapat diekstrak dari data kontinyu. Durasi epoch ditetapkan sepanjang 0,9 detik, mulai dari 0,1 detik sebelum event hingga 0,8 detik setelahnya. Karena data yang ingin diamati yaitu sekitar 800 milisekon setelah event rangsangan.
penelitian (11) menunjukkan bahwa algoritma Infomax menempati urutan yang tertinggi tingkat efisiensinya dalam memisahkan artifak dan sinyal neural.
H. Tahapan Dekomposisi Data Mulai Artefact removal dengan metode spektral dan visual inspeksi
Visual inspeksi data tiap epoch Run ICA
Run ICA Selesai
Gambar 8. Diagram alir dekomposisi data EEG
I. Inspeksi Visual Inspeksi visual ialah melihat data sinyal EEG dan diamati apakah suatu epoch mengandung artifak atau tidak. Ciri-ciri artifak terlihat dari pola sinyalnya yang berbeda dari sinyal EEG. Contoh pada gambar dibawah terlihat artifak pada epoch ke 43 yang disebabkan oleh gerakan kepala naracoba. Setelah diseleksi pada epoch yang terkontaminasi maka epoch tersebut akan dihapus karena data pada epoch tersebut tidak dapat digunakan lagi.
E. Plot ERP Salah satu metode ekstraksi fitur yang telah lama digunakan pada sinyal EEG ialah averaging. Prinsip dasar dari metode ini ialah menguatkan pola sinyal yang mempunyai fasa sama pada waktu tertentu (time locked) dan melemahkan sinyal yang fasanya berbeda. Averaging dilakukan pada sinyal hasil dekomposisi ICA yang merupakan komponen yang kontribusinya untuk membentuk gelombang ERP paling besar. Dari kurang lebih 20 trial untuk masingmasing huruf didapatkan 1 pola sinyal averaging. F. Plot ERP image ERP image digunakan untuk mengetahui pola ERP untuk tiap trial dalam sebuah spectrogram. Beberapa parameter yang dimasukkan ialah rentang frekuensi sebagai batas untuk mengurutkan trial dalam phase tertentu dan mengamati tingkat koheren dari tiap trial. ERP image ini berguna untuk mengetahui apakah tiap trial yang menyusun ERP mempunyai pola yang konsisten atau acak. K. Plot PSD Grafik power spectra density berguna untuk mengetahui aktivitas sinyal EEG atau ERP pada domain frekuensi. Fitur pada sinyal EEG telah diketahui berada pada ritme frekuensi alpha, betha, theta maupun delta. Melalui metode ini maka dapat diketahui pada frekuensi mana aktivitas ERP yang paling besar. L. Analisa Kemiripan Sinyal
Gambar 10. Contoh artifak pada epoch ke 43
J. Dekomposisi Data menggunakan ICA Penelitian (10) mengatakan bahwa sinyal EEG yang terekam pada elektroda tidak hanya bersumber dari daerah otak yang berkaitan melainkan gabungan dari sel syaraf lain yang tersebar diberbagai daerah otak lainnya. Hal ini menyebabkan informasi yang ingin diekstrak dari respon otak sehubungan fungsi kognitif tertentu menjadi tertutupi. Independent Component Analysis (ICA) merupakan metode untuk memisahkan komponen sinyal yang diinginkan dari campuran sinyal EEG lainnya dengan menggunakan prinsip spatial filter. Pada penelitian ini algoritma ICA yang digunakan ialah Infomax yang terintegrasi dengan EEGLAB. Hasil dari
Metode ini dilakukan agar sinyal yang diyakini sebagai fitur terbukti atau tidak. Dapat diketahui pola kemiripan dua sinyal atau lebih dengan mengukur tingkat koefisien korelasinya. Metode ini berbasis pada fungsi corr() pada Matlab. Tingkat korelasi diukur pada skala 0 hingga 1. Bernilai 0 jika kedua sinyal yang dibandingkan tidak mempunyai kemiripan sama sekali, sedangkan bernilai 1 jika sinyal yang dibandingkan mempunyai pola yang sama. IV. ANALISA DAN PEMBAHASAN A. Inspeksi Visual Gambar 11 dibawah merupakan hasil pengamatan pada data subjek 1 pada semua huruf sequential. Dapat dilihat bahwa hampir semua trial dikenali mengandung artifak pada komponen-komponen tertentu. Metode inspeksi visual lebih condong untuk diterapkan karena tidak selamanya metode pengenalan artifak otomatis dapat akurat mendeteksi adanya artifak. Dari beberapa percobaan yang telah dilakukan menggunakan metode otomatis hasilnya sinyal yang nonartifak juga ikut terdeteksi.
Gambar 13. ERP A subjek Gambar 11. Hasil pengamatan data subjek 1 terdapat artifak
B. Dekomposisi Data dengan ICA Hasil dekomposisi data membuang komponen-komponen yang tidak dibutuhkan untuk membentuk sinyal ERP. Dapat dilihat perbedaan skala pada data sebelum dan sesudah didekomposisi. Sinyal hasil dekomposisi ICA memiliki nilai amplitudo relatif lebih kecil dari sebelum didekomposisi. Setelah melalui proses dekomposisi hasilnya dapat dilihat pada gambar 12 pada epoch yang sama komponen sinyal terlihat lebih halus tanpa ada artifak.
Gambar 14. ERP A subjek 4
D. Pola ERP Setiap Kanal EEGLAB mempunyai fitur untuk menampilkan ERP average dari semua kanal dan dipetakan sesuai posisi elektroda kanal masing-masing. Peta plot ERP dari masingmasing kanal ini berguna untuk mengetahui pengaruh daerah otak yang paling kuat aktivasinya. Sehingga letak sumber ERP yang paling kuat aktivasinya dapat diketahui.
Gambar 12. Data pada subjek 1 setelah didekomposisi
C. Fitur ERP Dari hasil inspeksi visual pada proses sebelumnya didapatkan satu trial per huruf untuk tiap subjek yang dinilai paling kuat aktivasinya terhadap stimuli. Berikut ini pada gambar 4.5 ditampilkan hasil plot ERP huruf A block untuk semua subjek. ERP yang di plot berasal dari tiap kanal. Kemudian dari semua kanal dicari rata-rata ERPnya. ERP rata-rata ditunjukkan dengan sinyal yang berwarna hitam dan lebih tebal. Hasilnya terdapat adanya pola aktivasi yang kuat pada rentang waktu tertentu. Untuk subjek 2 dan 4 pada rentang waktu 250 ms hingga 300 ms terlihat adanya aktivasi yang besar dan polanya hampir mirip satu sama lain. Polaritas keduanya bernilai negatif dengan nilai amplitudo yang terkuat mencapai 20 mV. ERP pada subjek 1 memunculkan aktivasi besar pada waktu disekitar 400 ms.
Gambar 15. Plot ERP tiap kanal
Gambar 15 diatas merupakan ERP yang diplot pada masing-masing letak elektroda hasil dari averaging 20 trial pada subjek ke-4. Dapat dilihat ERP yang paling besar aktivasinya yaitu pada kanal O1 dan O2 yang terletak pada daerah occipital. Telah diketahui bahwa daerah occipital pada otak merupakan daerah untuk memroses stimuli yang diterima oleh panca indera manusia, baik itu secara visual maupun yang lain.
E. Analisa Kemiripan ERP single-trial Analisa kemiripan pada sinyal dilakukan dengan membandingkan sinyal rata-rata untuk semua subjek dan satu pengucapan huruf. Analisa kemiripan ini bertujuan untuk mengetahui bagaimana pola aktivasi sinyal otak untuk setiap naracoba dalam merespon adanya stimuli dan melakukan pengucapan huruf tertentu.
Gambar 16. Perbandingan sinyal ERP
Gambar 17. PSD dari sinyal ERP subjek 3
Jika gambar 16 diperhatikan lebih detil (ditandai dengan batas garis biru vertikal), respon aktivasi kelima subjek mempunyai kesamaan time-locked dan phase-locked pada rentang waktu 250 ms hingga 300 ms. Walaupun kekuatan aktivasi dan polaritasnya berbeda tetapi arah aktivasinya sama, dalam hal ini aktivasinya menuju peak polaritas negatif dan langsung kembali ke peak positif. Kesimpulan yang didapat ialah otak kelima naracoba menghasilkan respon yang mirip jika diberi stimuli atau melakukan aktivitas yang sama. Salah satu metode lain untuk mencari nilai kemiripan dalam angka ialah dengan menggunakan fungsi korelasi pada perangkat lunak Matlab. Kelima sinyal average diatas dihitung koefisien korelasinya satu persatu antara tiap sinyal dengan sinyal yang lain. Tabel 1. Hasil koefisien korelasi sinyal average
Subjek 1 2 3 4 5
1 1,00 0,20 0,43 0,43 0,38
2 0,20 1,00 0,09 0,30 0,06
3 0,43 0,09 1,00 0,20 0,40
4 0,43 0,30 0,20 1,00 0,33
Gambar 17 dibawah merupakan grafik PSD dari subjek 3 pada aktivitas pengucapan huruf A block. grafik dibawah menunjukkan nilai PSD yang bervariasi pada tiap frekuensi tetapi mempunyai pola yang sama pada frekuensi di sekitar 10 Hz. Dalam hal ini kekuatan sinyal aktif lebih besar dari frekuensi lainnya. . Kesimpulan yang didapat dari fitur PSD ini ialah bahwa sinyal EEG yang terekam lebih banyak aktif pada ritme alpha.
G. Fitur ERP image Beberapa gambar dibawah ialah fitur ERP image dari subjek 5 untuk huruf A blocks. ERP image ini terdiri dari beberapa tampilan yaitu ERP image itu sendiri pada bagian paling atas, kemudian dibawahnya diikuti oleh grafik ERP. ERP image menunjukkan bahwa adanya konsistensi phase pada trial yang membentuk ERP. Sebuah ciri atau fitur yang diperoleh ialah konsistensi fasa amplitudo pada rentang waktu tertentu yang ditunjukkan dengan warna merah atau biru. Hal tersebut diperkuat dengan pola ERP yang terletak dibawah spectrogram yang mana puncak ERP segaris lurus dengan warna merah atau biru. Warna tersebut terlihat menyambung mulai dari dasar hingga bagian atas spectrogram, hal ini membuktikan bahwa mulai dari trial awal hingga akhir terdapat konsistensi pola ERP.
5 0,38 0,06 0,40 0,33 1,00
Tabel 4.1 menyajikan hasil perhitungan koefisien korelasi antar sinyal dengan skala 0 hingga 1. Nilai koefisien 1 merepresentasikan dua buah sinyal yang dibandingkan mempunyai pola yang mirip sepenuhnya. Sedangkan nilai 0 berarti sebaliknya. Jika dilihat pada tabel diatas nilai 1 diperoleh dari membandingkan sinyal dengan sinyal itu sendiri. Nilai-nilai koefisien pada tabel diatas tidak ada yang hampir mencapai angka mutlak 1. F. Fitur PSD Fitur power spectral density diplot untuk mengetahui di frekeunsi berapa aktivitas sinyal EEG yang paling menonjol.
Gambar 17. ERP image A sequential subjek 1 komponen 3
H. Fitur ERP komponen ICA Dari hasil dekomposisi menggunakan algoritma ICA diperoleh komponen aktivasi untuk masing-masing subjek. Setiap komponen dari sembilan belas kanal diplot pada satu grafik kemudian dihitung nilai RMS-nya. Perlakuan yang berbeda diberikan kepada komponen aktivasi ICA karena
hasil dari dekomposisi tidak memberikan pola sinyal yang phase-locked. Artinya fasa masing-masing komponen berbeda. Maka dari itu tidak dimungkinkan untuk melakukan averaging pada masing-masing komponen. Alternatifnya yaitu dengan mencari nilai mean dari magnitude tiap komponen. Perhitungan RMS bertujuan untuk melihat pola aktivasi komponen ICA pada rentang waktu tertentu dengan mengabaikan polaritas masing-masing sinyal.
Gambar 18. ERP dan RMS komponen ICA subjek 4 A block
Hasinya dapat dilihat pada gambar 18, terlihat pola aktivasi komponen ICA yang tidak menunjukkan adanya pola seperti hasil plot ERP dari single-trial. Pola aktivasi ICA tersebut berbeda fasa tetapi pola sinyalnya seperti dicerminkan satu sama lain. Dalam kasus ini nilai polaritas diabaikan. Karena yang diamati hanyalah munculnya pola aktivasi pada waktu tertentu (time-locked). Pada rentang waktu 250 hingga 300 milisekon terdapat aktivasi sinyal yang besar tetapi fasanya berbeda satu sama lain. Hasil dari RMS memperlihatkan adanya peak pada rentang waktu tersebut. Jika diamati lebih detil maka pola sinyal pada subjek 4 terlihat time-locked pada walaupun fasanya berbeda-beda. V. KESIMPULAN DAN SARAN A. Kesimpulan Dari hasil penelitian yang telah dilakukan untuk menjawab permasalahan yang ada, maka dapat diambil kesimpulan bahwa : 1. Pada penelitian ini metode yang digunakan untuk mengolah sinyal EEG ialah segmentasi sinyal, inspeksi visual, averaging dan dekomposisi data dengan algoritma ICA. Keempat metode tersebut telah diimplementasikan pada data menggunakan perangkat lunak EEGLAB. 2. Fitur yang berhasil diperoleh ialah event related potential, ERP image, power spectral density dan root mean square. 3. Hasil dekomposisi sinyal EEG menggunakan ICA menunjukkan pola yang tidak beraturan dan tidak menghasilkan pola ERP yang merespon adanya stimuli. 4. ERP hasil inspeksi visual memberikan pola sinyal yang menunjukkan respon terhadap stimuli dengan
jelas karena sinyal dari semua kanal mempunyai pola yang mirip. 5. Sinyal EEG yang dianalisa mempunyai kandungan frekuensi pada ritme alpha. Hal ini terlihat pada grafik PSD dimana nilai PSD yang signifikan berada pada rentang frekuensi 10 Hz. 6. Hasil dari analisa kemiripan sinyal secara visual menunjukkan bahwa ERP dari kelima subjek mempunyai kemiripan pola sinyal pada rentang waktu 250 ms hingga 300 ms. 7. Hasil perhitungan koefisien kemiripan sinyal memberikan nilai yang rendah untuk setiap perbandingan. Hasil rata-rata dari semua koefisien korelasi bernilai 0,28. B. Saran Untuk menyempurnakan penelitian Tugas Akhir ini agar di masa yang akan datang dapat memperoleh hasil yang lebih baik maka beberapa saran yang dapat diberikan ialah : 1. Menggunakan hardware EEG dengan elektroda yang lebih banyak, yaitu lebih dari 128 kanal agar setiap aktivasi sinyal EEG dapat dianalisa secara spasial. 2. Menambah jumlah naracoba agar data percobaan menjadi lebih banyak sehingga pola fitur yang didapat menjadi lebih akurat. 3. Pemberian stimuli diperbanyak macamnya seperti mengucapkan kata atau kalimat. 4. Dilakukan pencatatan waktu tepat pada saat naracoba merespon stimuli. Hal ini perlu dilakukan agar hasil analisa mengenai respon terhadap stimuli menjadi lebih akurat. 5. Melakukan proses klasifikasi atau pengenalan fitur sehingga terwujudnya sistem Brain Computer Interface. DAFTAR PUSTAKA 1. EEG-Based Speech Recognition Impact of Temporal Effects. Porbadnigk, Anne, et al. Kalsruhe : s.n. 2. Wavelet transform feature extraction from human PPG, ECG, and EEG signal response to ELF PEMF exposures : A pilot study. Cvetkovic, Dean, Übeyli, Elif Derya and Cosic, Irena. 2008, Digital Signal Processing, Vol. 18, pp. 861–874. 3. BRAIN-COMPUTER INTERFACE - STATE OF THE ART AND FUTURE PROSPECTS. Pfurtscheller, Gert. Graz : s.n. 4. Single trial EEG Classification. Adlakha, Amit. July 12, 2002. 5. EEG and VEP signal processing. Novák, Daniel, et al. Prague : Department of Cybernetics, Czech Technical University in Prague. 6. Principles and Applications of Bioelectric and Biomagnetic Fields. Malmivuo, J and Plonsey, R. New York : Oxford University Press, 1995. 7. Event-related Potentials in Electroencephalography: Characteristics and Single-trial Detection for Rapid Object Search. Huang, Yonghong. June 2010. 8. non-personal, artikel. what is an erp. erpinfo. [Online] [Cited: Oktober 18, 2010.] 9. EEGLAB: an open source toolbox for analysis of single-trial EEG. Delorme, Arnaud and Makeig, Scott. s.l. : Elsevier, 2004, Journal of Neuroscience Methods, Vol. 134, pp. 9-21. 10. ERP Features and EEG Dynamics: An ICA Perspective. Makeig, Scott and Onton, Julie. California : s.n. 11. Comparing Results of Algorithms Implementing Blind Source Separation of EEG Data. Delorme, Arnaud, et al.
