EKSTRAKSI FITUR SINYAL ELEKTROENSEFALOGRAF (EEG) UNTUK IDENTIFIKASI UNSPOKEN-SPEECH MENGGUNAKAN EEGLAB Pembimbing : Ir. Syamsul Arifin, MT. Andi Rahmadiansah, ST. MT.
oleh : Bagas Isadewa 2406100077 Teknik Fisika ITS
the Idea • Kelumpuhan
the Idea • Unspoken-Speech
merupakan aktivitas berbicara atau mengucapkan suatu kata tanpa menggunakan organorgan artikulatori dan tidak menghasilkan suara sama sekali.
the Idea • Brain-Computer Interface
Permasalahan • Bagaimana cara mengekstraksi fitur sinyal EEG untuk identifikasi unspoken-speech menggunakan EEGLAB
Tujuan dan Manfaat • Mendapatkan fitur sinyal EEG pada aktivitas unspoken-speech. • Memudahkan proses klasifikasi sinyal EEG untuk pengembangan Brain-Computer Interface (BCI).
Brain Computer Interface “must not depend on the brain’s normal output pathways of peripheral nerves and muscles”
Brain Computer Interface
Perekaman sinyal EEG
Preprocessing (artefact ( removal)
Ekstraksi fitur
Klasifikasi / translasi fitur
Aplikasi BCI
Elektroensefalograf Elektroda
Bio-Amp
Filter
ADC
Display
Ritme Sinyal EEG
Bagaimana Otak Bekerja ?
Bagaimana Otak Bekerja ?
Mulai
Perekaman sinyal EEG
Ekstraksi epoch
Dekomposisi data dan artifact removal menggunakan ICA
Konversi sinyal .raw menjadi .txt Averaging data Import data ke EEGLAB
Visualisasi ERP
Import lokasi kanal
Analisa dan pembahasan
Segmentasi event
Selesai
Eksperimen • 2 (dua) subjek laki-laki dewasa • Aktivitas yang dilakukan yaitu membaca tanpa suara – Blocks : A20x / I 20x / U 20x / E 20x / O20x – Sequential : (AIUEO)5x diulang 4x
• Total 20x untuk tiap huruf
Eksperimen • Menggunakan Compumedics ProFusion • 21 channel • Stimulus ditampilkan di layar laptop – Berupa slideshow huruf A I U E O
• Pengolahan data menggunakan EEGLAB
Perekaman Sinyal EEG • Pemasangan elektroda dengan standar 10-20
EEGLAB ??? • Matlab toolbox • opensource
Flowchart Mulai Segmentasi event 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
Mulai
Data sinyal EEG per epoch Inspeksi visual data tiap epoch Inspeksi visual data tiap epoch Visualisasi fitur
Visualisasi fitur
Analisa kemiripan sinyal
Run ICA
Selesai
Olah Data – Pra EEGLAB • Sinkronisasi Event – Waktu rekaman EEG dan stimulus direkam untuk mendapatkan waktu onset stimulus
• Hasil perekaman berupa .raw • Konversi data .raw menjadi .txt menggunakan Persyst • Channel A1 dan A2 dihapus
EEGLAB - preprocessing • Import data .txt • Import channel location : 19 channel 10-20 • Import event : berdasarkan sinkronisasi – Event ialah
• Segmentasi event • Ekstraksi epoch – Epoch ialah
Fitur • Fitur ialah suatu karakter pembeda dari sinyal hasil pengukuran yang didapat dari segmentasi pola sinyal tertentu • Ekstraksi fitur bertujuan untuk mendapatkan karakteristik atau ciri yang unik dari suatu pola sinyal • Proses klasifikasi menjadi lebih mudah jika sinyal yang bersangkutan hanya mengandung fitur yang dibutuhkan
EEGLAB – Ekstraksi Fitur • Fitur Apa ? – ERP (event related potential) – PSD (power spectral density) – ERP image
EEGLAB – Ekstraksi Fitur • Dekomposisi data menggunakan ICA – Menghasilkan ERP
• Artifact Removal • Averaging Data – Menghasilkan ERP
• Time-Freq Analysis – Power Spectral Density
ERP ??? • Event related potential – – – –
Potensial listrik yang muncul terkait dengan event tertentu Tidak terlihat pada sinyal raw Orde dalam mikrovolt Muncul pada rentang waktu beberapa ratus milisekon
ERP ? Lanjut … • Secara tradisional diekstrak melalui averaging • ICA mampu mendekomposisi sinyal EEG untuk mendapatkan komponen ERP
Averaging ERP • Menjumlahkan trials – Trials adalah data kontinyu pada rentang waktu terkait dengan event
• Trials harus time-locked dengan event • Averaging melemahkan sinyal yang berbeda fasa dan menguatkan sinyal berfasa sama pada time-locked
Averaging
ICA ERP • Independent component analysis • Memberikan solusi pada blind source separation • Berfungsi sebagai spatial filter
ICA Skema
ICA Contoh
Artifak • Ialah sinyal non neural yang ikut terekam pada sinyal EEG • Sumber artifak : – – – –
Kedipan mata Gerakan mata Gerakan otot dahi Gerakan rahang
Sinyal Artifak
Sebelum didekomposisi
Hasil dekomposisi ICA
ERP single-trial
Kemiripan Sinyal
ERP image
Power Spectral Density
RMS sinyal dekomposisi ICA
Kesimpulan • 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. • Fitur yang berhasil diperoleh ialah event related potential, ERP image, power spectral density dan root mean square. • Hasil dekomposisi sinyal EEG menggunakan ICA menunjukkan pola yang tidak beraturan dan tidak menghasilkan pola ERP yang merespon adanya stimuli.
• ERP hasil inspeksi visual memberikan pola sinyal yang menunjukkan respon terhadap stimuli dengan jelas karena sinyal dari semua kanal mempunyai pola yang mirip. • 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. • 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. • Hasil perhitungan koefisien kemiripan sinyal memberikan nilai yang rendah untuk setiap perbandingan. Hasil rata-rata dari semua koefisien korelasi bernilai 0,28.1
Saran • Menambah jumlah naracoba agar data percobaan menjadi lebih banyak sehingga pola fitur yang didapat menjadi lebih akurat. • Menambah jumlah naracoba agar data percobaan menjadi lebih banyak sehingga pola fitur yang didapat menjadi lebih akurat. • Pemberian stimulus diperbanyak macamnya seperti mengucapkan kata atau kalimat. • Melakukan proses klasifikasi atau pengenalan fitur sehingga terwujudnya sistem Brain Computer Interface.