KLASIFIKASI SINYAL ELEKTRODE ENCHEPALO GRAPH ( EEG ) MENGGUNAKAN METODE WAVELET

Klasifikasi Sinyal Elektrode Enchepalo Graph ( EEG ) Menggunakan Metode Wavelet

( Hindarto,S.Kom.MT )

KLASIFIKASI SINYAL ELEKTRODE ENCHEPALO GRAPH ( EEG ) MENGGUNAKAN METODE WAVELET Hindarto, S.Kom, MT Jurusan Teknik Informatika Universitas Muhammadiyah Sidoarjo Email : [email protected]

ABSTRAK Dalam tulisan ini akan dijelaskan aplikasi dari jaringan syaraf tiruan BackPropagation sebagai klasifikasi dari gelombang sinyal Electroencephalograph (EEG). Penelitian ini bertujuan untuk mengembangkan suatu sistem yang dapat digunakan untuk mengenali sinyal EEG. Data yang digunakan adalah Data EEG yang merupakan dataset IIIA dari kompetisi III BCI (BCI Kompetisi III 2008). Data ini berisi data dari 3 subyek: K3b, K6b dan L1b. Dalam penelitian ini digunakan data sinyal EEG yang diambil dari 3 subyek, kemudian data dipisahkan berdasarkan imajinasi dari subyek yaitu gerakan kekiri, kekanan, gerakan kaki dan gerakan lidah. Data sinyal EEG dinormalisasi supaya sinyal EEG yang didapatkan mempunyai Amplitudo dan waktu yang sama. Kemudian sinyal yang sudah dinormalisasikan ditransformasikan menggunakan Wavelet Transform untuk mendapatkan suatu bentuk fitur. Hasil proses Wavelet tersebut akan dijadikan sebagai input dasar pada jaringan syaraf tiruan Back Propagation sebagai proses pembelajaran. Pada penelitian ini digunakan arsitektur Jaringan Syaraf Tiruan algoritma Back Propagation dengan 32 layer input, 2 hidden layer dan 1 target sebagai output-nya. Pada proses pembelajaran, input berupa ciri dari sinyal EEG dari keempat gerakan yang berbeda. Dalam satu gerakan terdapat 75 variasi sinyal input EEG yang berbeda dari 300 sinyal EEG secara keseluruhan . Hasil uji klasifikasi dari 300 data sinyal EEG, diperoleh bahwa sinyal EEG berhasil diklasifikasi 160 data sinyal EEG dan tidak berhasil diklasifikasi 140 data sinyal EEG. Dengan demikian tingkat akurasi klasifikasi dari 300 data sinyal EEG adalah 53.33 %. Kata kunci: Sinyal EEG, Wavelet Transform, Jaringan Syaraf Tiruan.

ABSTRACT In this paper we describe the application of backpropagation neural networks as classification of the signal wave electro encephalo graph (EEG). This research aims to develop a system that can be used to recognize EEG signals. The data used is the EEG data which is IIIA dataset of BCI competition III (BCI Competition III 2008). This data contains data from 3 subjects: K3b, K6b and L1b. In this study the data to an existing EEG signals based on imagination separated from the subject of movement left, right, leg movements and tongue movements. EEG signal data is normalized so that EEG signals are obtained having the same amplitude and time. Then the normalized signal was transformed using the Wavelet Transform to obtain some form of features. Results Wavelet process will be used as basic input on Back Propagation neural networks as a process of learning. In this study the architecture used Artificial Neural Networks Back Propagation algorithm with 32 input layer, two hidden layer and a target as its output. In the learning process, input in the form characteristic of the EEG signals from four different motions. In one variation of the movement there are 75 different EEG input signal from the EEG signal 300 as a whole. The results of the classification of 300 test EEG signal data, that the EEG signals obtained 160 successfully classified the EEG signal data and failed to classify the EEG signal data 140. Thus the accuracy of classification of EEG signal data 300 is 53.33%.

Keywords: EEG signals, Wavelet Transform, Artificial Neural Networks.

TEKNOLOJIA Vol. 5

Page 11



1. PENDAHULUAN Perkembagan ilmu kedokteran semakin lama semakin berkembang pesat. Dalam perkembangannya, ilmu kedokteran sangat dipengaruhi oleh perkembangan ilmu pengetahuan dan teknologi (IPTEK). Dengan adanya alat electromedical maupun software yang mendukungnya yang salah satunya adalah Elektroencephalogram (EEG). Otak sebagai struktur pusat pengaturan aktivitas manusia, bertanggung jawab terhadap segala aktivitas manusia. Bentuk sinyal EEG untuk setiap orang adalah bervariasi. Ini karena dipengaruhi oleh kondisi mental, frekuensi dan perubahan amplitudo irama alpha, Beta, Deltha dan Tetha dari pola berpikir masing-masing individu dalam merespon rangsangan yang diterima oleh otak. Brain Computer Interface adalah sistem komunikasi yang tidak memerlukan kegiatan otot [JR Wolpaw N,et al, 2002]. Memang sistem BCI memungkinkan subyek untuk mengirim perintah ke perintah elektronik hanya dengan menggunakan aktifitas otak [TM Vaughan,et al, 2003]. Sistem BCI juga dapat digunakan untuk memainkan game sederhana pada perangkat mobile [Payam Aghaei Pour, et al, 2008]. Energi wavelet relatif adalah teknik yang berguna untuk karakteristik dari sinyal EEG, dan dapat membantu untuk analisis sinyal biomedis [Ling Guo, Daniel Rivero. 2009]. Dalam penelitian ini kami ingin mengklasifikasikan sinyal EEG didasarkan pada pikiran otak manusia menggunakan Elektroencephalogram (EEG). Untuk percobaan selanjutnya kami ingin mencari metode yang paling baik dari metode pencarian fitur dan klasifikasi yang ada. Untuk mendukung kegiatan penelitian, sistem yang akan dibuat memiliki batasan-batasan sebagai berikut: i. Untuk mendapatakan fitur pertama – tama kami menggunakan Metode Wavele. ii. Untuk klaisfikasi data menggunakan Jaringan Syaraf Tiruan metode backpropagation.

Mulai

Mulai

Pengambilan Data Sinyal EEG

Pengambilan Data Sinyal EEG

Normalisasi

Normalisasi

Wavelet Haar Transform

Wavelet Haar Transform

Ekstrasi Ciri

Ekstrasi Ciri

Pembelajarn dengan Jaringan Saraf Tituan

Proses Mapping

Selesai

Selesai

Gambar 1. Blok Diagram Sistem 2.1. Pengambilan Data Sinyal EEG Data sinyal EEG diambil dari dataset IIIA dari kompetisi III BCI (BCI Kompetisi III 2008). Ini berisi data dari 3 subyek: K3b, K6b dan L1b. Sampel rate diset pada 250 Hz. Masing – masing subyek membayangkan gerakan kekanan, gerakan kekiri, gerakan lidah dan gerakan kaki. Pada penelitian ini mengambil 300 sinyal EEG dari gerakan-gerakan tersebut. Didalam dataset IIIA dari kompetisi III BCI terdapat 60 Channel yang dipasang dikulit kepala. Dari masing-masing channel terdapat 30 sampai 45 sinyal EEG subyek membayangkan gerakan kekanan, kekiri, lidah dan gerakan kaki. 200

150

100

50

0

-50

-100

2. METODOLOGI PENELITIAN

-150 0

1

2

3

4

5

6

7

8

9

10 5

x 10

Penelitian yang akan dilakukan meliputi beberapa langkah : Pengambilan data sinyal EEG, Normalisasi sinyal EEG, penggunakan fungsi Wavelet Transform, serta pengenalan Sinyal EEG menggunakan Jaringan Syaraf Tiruan Back Propagation.

TEKNOLOJIA Vol. 5

Gambar 2. Sinyal EEG channel 1 data BCI subyek k3b 2.2. Proses Normalisasi Pada proses Normalisasi, sinyal EEG dari dataset IIIA dari kompetisi IIIB BCI 2008 dipisahkan tiap sinyal berdasarkan gerakan yang dibayangkan.

Page 12


Gambar 3. Sampel Sinyal EEG dari subyek k3b channel 1 gerakan kaki Dari sampel sinyal EEG dari tiga subyek, maka perlu kesamaan Amplitudo dari tiap-tiap tiap sehingga perlu proses normaliasi untuk kesamaan amplitudo. Persamaan Normalisasi : Max = 1 / Data_max Sinyal_baru = Sinyal_lama x Max


Gambar 6. Proses Translasi suatu Wavelet Transformasi wavelet dari sinyal x(t) dengan wavelet induk ø(t)) merupakan inner product antara sinyal dengan fungsi wavelet yang telah mengalami dilasi dan translasi  a ,b (t ) dapat dituliskan dalam bentuk 

T ( a ,b ) 

 x (t )

* a ,b

( t ) dt

(1)



dengan

Gambar 4. Sampel sinyal EEG yang ternormalisasi 2.3. Transformasi Wavelet Definisi dari wavelet adalah bentuk gelombang “small wave”” dengan energi yang terkonsentrasi pada suatu waktu tertentu. Selain berosilasi sebagaimana gelombang, wavelet juga memiliki kemampuan untuk menganalisis waktu dan frekuensi secara simultan, sehingga wavelet dapat digunakan sebagai tool untuk menganalisis fenomena yang bersifat transien, non stasioner, atau berubah terhadap waktu. Transformasi wavelet memerlukan wavelet yang fleksibel dari wavelet induk  (t ) melalui peregangan dan kompresi (dilasi) serta pergeseran perge (translasi) dan ditunjukkan pada gambar 5 dan gambar 6.

 a ,b (t ) 

1

t b   a  a 

(2)

Parameter skala a dalam transformasi wavelet menentukan dilasi wavelet induk dan berbanding terbalik dengan frekuensi sedangkan parameter waktu b menentukan posisi wavelet pada sumbu waktu. Ketika lebar dari time window semakin kecil, dengan mereduksi skala, bandpass akan meningkat sehingga transformasi wavelet akan memberikan resolusi spektral yang baik dan resolusi temporal yang jelek pada saat frekuensi rendah, yang bermanfaat untuk menganalisis komponen frekuensi rendah, serta akan memberikan resolusi spektral yang jelek k serta resolusi temporal yang baik pada saat frekuensi tinggi, yang bermanfaat untuk menganalisis komponen frekuensi tinggi. Dalam transformasi wavelet diskrit, parameter dilasi a dan parameter translasi b adalah diskrit sehingga persamaan (2) dapat ditulis ditul menjadi 







Tm,n   x(t)2m/ 2(2mt  n) dt   x(t)m,n (t) dt (3) dengan Tm , n adalah nilai dari transformasi wavelet diskrit pada suatu scale-location location yang berindek m,n dan sering disebut dengan koefisien detil. Wavelet diskrit orthonormal terkait dengan fungsi scaling dan persamaan dilasinya. Fungsi scaling terkait dengan sinyal yang smooth dan memiliki bentuk;

 m ,n (t )  2  m / 2  (2 -m t  n)

(4)

Gambar 5. Proses Dilatasi suatu Wavelet

TEKNOLOJIA Vol. 5

Page 13



Fungsi scaling dapat dikonvolusikan dengan sinyal untuk memperoleh koefisien aproksimasi S m , n ; 

S m ,n   x(t )m ,n (t ) dt

(5)



Koefisien aproksimasi pada skala m diketahui sebagai aproksimasi diskrit sinyal pada skala tersebut. Aproksimasi kontinyu sinyal pada skala m dihasilkan dengan menggunakan persamaan; 

xm (t ) 

S



m ,n m , n

(t )

(6)

n  

persamaan ini menggambarkan bagian smooth dari sinyal x (t ) .

x (t ) dalam suku-suku

Rekonstruksi sinyal

koefisien wavelet Tm , n dilakukan melalui inversi transformasi wavelet diskrit; 

x (t ) 



 T

 m , n (t )

m ,n

(7)

m   n  

Kombinasi ekspansi menggunakan koefisien aproksimasi dan koefisien detil akan merepresentasikan sinyal x (t ) ; mo



x(t) 

S



mo ,n mo ,n

(t) 

n  



 T

 m,n (t)

m, n

(8)

m   n  

Dari persamaan (8) nampak bahwa sinyal kontinyu asli digambarkan sebagai kombinasi suatu aproksimasi sinyal pada sebarang skala berindek m ditambah dengan beberapa detil sinyal dengan skala dari mo mengecil hingga negatif tak berhingga. Dengan menyatakan sinyal detil pada skala m sebagai : 

d m (t ) 

T

 m , n (t )

m ,n

(9)

n  

persamaan (9) dapat ditulis kembali sebagai; 

x (t )  x m o (t ) 

d

m

(t )

(10)

m  

Dari persamaan (10) dapat ditunjukkan bahwa;

x m  1 (t )  x m (t )  d m (t )

(11)

Persamaan (11) menjelaskan bahwa sinyal detil pada sebarang skala berindeks m ditambah dengan sinyal aproksimasi pada skala tersebut akan didapatkan sinyal aproksimasi pada skala yang lebih kecil, berindeks m-1. Hal ini menggambarkan apa yang dinamakan dengan representasi multiresolusi.

TEKNOLOJIA Vol. 5

2.4. Back Propagation Network Ide dasar dari Back Propagation Network yang termasuk dalam Supervised Learning (pembelajaran dengan pengawasan) ini adalah secara efisien menghitung penurunan parsial dari fungsi aproksimasi F(w;x) yang diterapkan pada jaringan dengan elemen-elemen:  w, vektor bobot yang nilainya dapat disesuaikan, terhadap x  x, nilai-nilai dalam vektor input. yang di dalamnya terdapat kekuatan perhitungan menggunakan algoritma propagasi balik. Pertama, Back Propagation Network akan dilatih dengan data latih yaitu berupa ciri-ciri penting dari sinyal wicara termasuk. Hasil dari proses pelatihan adalah mendapatkan bobot-bobot sinaptik yang stabil pada Back Propagation Network. Kedua, adalah Back Propagation Network digunakan untuk melakukan pengujian / klasifikasi apakah sinyal wicara input terdapat atau tidak. Dalam Back Propagation Network ini terdapat istilah-istilah sebagai berikut :  Epoch, setiap satu proses pelatihan secara lengkap dengan seluruh data pelatihan selama proses pelatihan berlangsung disebut 1 epoch.  Error signal (E), adalah sinyal error yang berasal dari neuron output Jaringan Syaraf Tiruan dan berpropagasi balik (layer demi layer). Error signal sama dengan selisih yang muncul antara matriks target dengan matriks output.  Sum Square Error (SSE), merupakan jumlah kuadrat dari Error signal yang muncul pada setiap epoch. Berikut adalah algoritma untuk melakukan proses pelatihan Back Propagation Network :  Definisi masalah, misal P adalah matriks input dan T adalah matriks target.  Inisialisasi, menetapkan bentuk jaringan dan menetapkan nilai-nilai bobot sinaptik ( W 1 dan W 2 ) dan learning rate ( lr ). Pemilihan nilainilai awal yang baik pada W 1 dan W 2 dapat meningkatkan performansi dari jaringan yang dibangun. Penentuan nilai awal dari setiap parameter diberikan nilai random yang terdistribusi normal dalam rentang yang kecil (biasanya antara -1 dan +1). Learning rate menentukan seberapa cepat bobot-bobot sinaptik pada W 1 dan W 2 akan memenuhi kondisi stabil. Semakin kecil nilai yang kita ambil, maka semakin kecil pula perubahan yang terjadi pada bobot-bobot sinaptik.  Pelatihan, memberikan data pelatihan pada Jaringan Syaraf Tiruan hingga epoch tertentu. Untuk setiap data pelatihan yang diberikan, dilakukan perhitungan maju (forward Page 14


computation)) dan perhitungan mundur (backward computation)) sebagai berikut: a. Perhitungan Maju (Forward Forward Computation) Computation Keluaran darii hidden layer dan output layer: ଵ

‫ ͳܣ‬ൌ ଵା௘

ష σ೘ ೔సభ ು೔ ‫כ‬ೈభೕ೔

ଵା௘

ష σ೘ ೕసభ ಲభೕ ‫כ‬ೈమೖೕ

ଵ

‫ ͳܣ‬ൌ

(12) (13)

Galat / Error Signal (E) dan Sum Square Error (SSE) didefinisikan sebagai berikut : (14)

E  T  A2 SSE 

b.

E

2

(15)

Perhitungan Mundur ( Backward Computation ) Perhitungan mundur dilakukan untuk memperbaiki bobot-bobot bobot sinaptik pada jaringan Back Propagation Network. Network Bobot sinaptik untuk hiden layer W 1 dan layer output W 2 , propagasi balik didefinisikan sebagai berikut : D2  A2  ( 1  A2 )  E dW2  dW2  ( lr  D2  A1 ) D1  A1  ( 1  A1 )  ( W2  D2 )

(17)

dW1  dW1  ( lr  D1  P ) W2  W2  dW2 W1  W1  dW1





Kedua langkah di atas adalah untuk satu kali siklus pelatihan (1 epoch). Iterasi, proses pelatihan diulang sampai jumlah epoch tertentu atau telah mencapai SSE yang diinginkan. Hasil akhir pelatihan jaringan adalah didapatkannya bobot-bobot W 1 dan W 2 yang kemudian disimpan untuk proses pengujian jaringan. Pada prakteknya, perancangan Back Propagation Network bergantung pada masalah yang akan diselesaikan. Jika data input berdimensi besar atau jumlah kelas output yang diinginkan besar, maka diperlukan lebih banyak jumlah node pada hidden layer atau diperlukan lebih dari satu hidden layer, tetapi ada batas optimal untuk kedua parameter tersebut.


menggunkan jaringan ngan syaraf tiruan BackPropagation. Untuk proses wavelet,, maka sinyal EEG yang sudah dipilah-pilah pilah berdasarkan imajinasi dari gerakan ke kanan, gerakan ke kiri, gerakan kaki dan gerakan lidah ditransformasikan menggunakna wavelet Haar. 250 sampel point dari dar tiap sinyal diambil data sebanyak 32 data sampel. sampel Data ini sudah menjadi ciri dari sinyal EEG tersebut. Contoh hasil ini dapat dilihat datanya pada tabel 1 dan salah satu contoh bentuk sinyal EEG yang sudah ditransformasikan kedalam wavelet Haar . Tabel 1. Hasil dari transformasi wavelet haar sinyal EEG kelas k3b channel 1 tiap sinyal 1 Channel 1

Output Gerakan Kaki

Sinyal 1

-0.17, -0.32, -0.69 0.69, -0.57, -0.14, -0.66, 0.73, 0.21, 0.05, 0.06, 0.59, 0.29, 0.21, 0.16, -0.32, -0.09 0.09, 0.06, 0.02, 0.09, 0.33, 0.07, 0.21, 0.45, 0.45 0.32, -0.47, -0.12, -0.14, 0.36, 0.22,, 0.45, -0.05, -0.39 Tangan kiri

-0.17, -0.32, -0.69, 0.69, -0.57, -0.14, -0.66, 0.73, 0.21, 0.05, 0.06, 0.59, 0.29, 0.21, -0.16, -0.32, -0.09, 0.09, 0.06, 0.02, 0.09, 0.33, 0.07, 0.21, 0.45, 0.32, -0.47, -0.12, -0.14, 0.14, 0.36, 0.22, 0.45, -0.05, -0.39 Tangan kanan 0.61, 0.91, 0.76, 0.56, 0.64, 0.63, 0.03, 0.05, -0.23, 0.23, 0.32, 0.01, 0.14, -0.40, 0.49, -0.16, -0.55, 0.55, -0.29, -0.21, -0.08, 0.11, -0.39, 0.39, 0.12, -0.11, 0.26, 0.43, 0.02, 0.32, 0.22, 0.18, -0.01, 0.06, 0.06 Lidah -0.56, -0.25, -0.29, 0.29, -0.30, -0.07, 0.72, 0.42, 0.44, 0.46, 0.15, 0.11, 0.09, -0.08, -0.13, 0.13, -0.28, 0.28, -0.55, -0.36, -0.51, 0.44, 0.02, -0.08, 0.08, 0.26, 0.12, 0.70, -0.04, 0.35, 0.14, 0.40, -0.24, 0.19, 0.03,

3. HASIL DAN PEMBAHASAN Untuk menganalisa sistem m yang telah dirancang maka digunakan metode seperti yang telah dijelaskan pada implementasi metode. metode Dalam penelitian ini menekankan pada pengenalan sinyal EEG menggunakan metode wavelet. wavelet Selanjutnya yaitu proses learning dan mapping dengan

TEKNOLOJIA Vol. 5

Gambarr 7. Sinyal EEG yang sudah dinormalisasi.

Page 15



Dari sinyal EEG yang sudah dinormalisasikan pada gambar 7, proses selanjutnya adalah transformasi kedalam wavelet. Hasil transformasi wavelet dapat dilihat pada gambar 8.

Gambar 10.. Proses trainning dengan jumlah 2 hidden layer Gambar 8. Sinyal EEG dengan transformasi Wavelet Data input dari ekstrasi ciri cir menggunakan wavelet haar dari tabel 1 digunakan untuk proses klasifikasi menggunakan metode jaringan syaraf tiruan backpropagation. Ada dua tahap pada proses klasifikasi yaitu Proses pembelajarn dan proses mapping. Proses pembelajaran menggunakan parameter laju pembelajaran 0,1 dan error yang ingin dicapai 0,0001. 1. harga awal bobot ditentukan random dengan kisaran -1 1 sampai 1. Untuk mencari parameter optimal yang mengahsilkan kinerja yang terbaik dari d jaringan syaraf tiruan yaitu dengan melakukan penilaian menurut besaran Mean squared error (MSE) dan jumlah hidden unit yang optimal pada saat melakukan trainning. Hasil sil kinerja dapat diperoleh pada tabel 2 dan gambar 9 - 11 . Gambar 11.. Proses trainning dengan jumlah 3 hidden layer Tabel 2

Gambar 9.. Proses trainning dengan jumlah 1 hidden layer

TEKNOLOJIA Vol. 5

Kinerja inerja jaringan syaraf tiruan terhadap jumlah hidden layer yang berbeda MSE ( 1

MSE ( 2

MSE ( 3

Hidden

Hidden

Hidden

Layer )

Layer )

Layer )

Waktu

9 detik

19 detik

26 detik

Iterasi

12

19

20

MSE

0.092

6,44 x 10-7

8,16 x 10-8

Penelitian ini menggunakan sistem Jaringan Syaraf Tiruan Back Propagation (32-11-4-1) ( dengan 32 input, 2 hidden layer dan 1 target sebagai outputPage 16


nya. Pada proses pembelajaran, input berupa ciri dari sinyal EEG dari keempat gerakan yang berbeda. Dalam satu gerakan terdapat 75 variasi sinyal input EEG yang berbeda dari 300 sinyal EEG secara keseluruhan. Dari hasil mapping tingkat keberhasilanya pada sistem adalah 53.33 %.


DAFTAR PUSTAKA 1.

4. KESIMPULAN DAN SARAN

2.

Dari hasil eksperimen yang dilakukan dengan menggunakan algoritma sistem ini, dapat disimpulkan bahwa keseluruhan sistem mulai dari pengambilan sinyal EEG, penggunaan metode Back Propagation, degan input sinyal EEG yang telah ditransformasikan kedalam Transformasi Wavelet Haar, dengan mengambil fiture sebanyak 32 point mampu mengenali sinyal EEG dengan 300 sinyal EEG cukup baik yaitu dengan rata-rata tingkat kesalahan error 0,00717. Untuk pengenalan sinyal EEG setelah proses mapping sebesar 53.33 %

3.

4.

5.

TEKNOLOJIA Vol. 5

J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, and T. M. Vaughan, 2002, “Braincomputer interfaces for communication and control”, Clinical Neurophysiology, 113(6):767{791). Payam Aghaei Pour, Tauseef Gulrez, Omar AlZoubi, Gaetano Gargiulo and Rafael A. Calvo, 2008, “Brain-Computer Interface: Next Generation Thought Controlled Distributed Video Game Development Platform”, 2008 IEEE Symposium on Computational Intelligence and Games (CIG). T. M. Vaughan, W. J. Heetderks, L. J. Trejo, W. Z. Rymer, M. Weinrich, M. M. Moore, A. K ubler, B. H. Dobkin, N. Birbaumer, E. Donchin, E. W. Wolpaw, and J. R. Wolpaw, 2003, “Brain-computer interface technology”, a review of the second international meeting. IEEE Transactions on Neural Systems and Rehabilitation Engeneering, 11(2):94{109. Ling Guo, Daniel Rivero. 2009. “Classification of EEG Signals Using Relative Wavelet Energy and Artificial Neural Networks”. GEC’09, June 12–14, 2009, Shanghai, China. Copyright 2009 ACM 978-1-60558-3266/09/06 Data sets IIIa: ‹motor imagery, multi-class› http://www.bbci.de/competition/iii/#data_set_iii a

Page 17


TEKNOLOJIA Vol. 5


Page 18

KLASIFIKASI SINYAL ELEKTRODE ENCHEPALO GRAPH ( EEG ) MENGGUNAKAN METODE WAVELET

Recommend Documents