Disertasi

Deteksi kondisi kesehatan manusia melalui analisa sinyal eeg menggunakan stft dan spektrogram dengan pendekatan deep learning berbasis cnn-lstm / Arya Tandy Hermawan

Abstrak
RINGKASAN Electroencephalography (EEG) merupakan alat penting dalam pemantauan kondisi neurologis termasuk kelelahan dan epilepsi. Namun metode analisis tradisional yang mengandalkan ekstraksi fitur manual dan pendekatan statistik seringkali bersifat subjektif memakan waktu dan kurang akurat dalam mengidentifikasi pola kompleks pada sinyal EEG. Perkembangan terbaru dalam bidang deep learning menawarkan solusi potensial untuk mengatasi keterbatasan ini melalui kemampuan ekstraksi fitur otomatis dan klasifikasi yang lebih presisi. Dalam penelitian ini sistem klasifikasi berbasis deep learning dikembangkan dengan memanfaatkan berbagai representasi sinyal EEG dan arsitektur jaringan saraf tiruan untuk meningkatkan akurasi deteksi kelelahan dan epilepsi. Penelitian terkait kesehatan diwakili oleh dua dataset yaitu kelelahan dan epilepsi dengan pendekatan metodologis yang komprehensif. Dengan dataset kelelahan model hybrid CNN-LSTM dikembangkan untuk klasifikasi tingkat kelelahan menggunakan dataset yang diperoleh dari perangkat Muse S. Data EEG dikumpulkan dari empat kanal (AF7 AF8 TP9 TP10) dengan segmen 4 detik (1024 titik data per kanal). Arsitektur model terdiri dari lapisan CNN untuk ekstraksi fitur spasial yang diikuti oleh lapisan LSTM untuk memproses dependensi temporal. Sebagai pembanding model Multilayer Perceptron (MLP) tradisional juga diimplementasikan. Dengan dataset epilepsy digunakan dua dataset berbeda untuk memastikan robustnes model. Tahap pra-pemrosesan mencakup normalisasi L2 untuk menstabilkan skala fitur penyaringan noise menggunakan filter Butterworth (low-pass 80 Hz high-pass 0.5 Hz) dan Notch filter 50 Hz seleksi kanal berbasis deviasi standar dan Mutual Information transformasi ke domain frekuensi menggunakan Short-Time Fourier Transform (STFT) dengan jendela Hann dan spektogram. Tiga jenis arsitektur deep learning (CNN LSTM dan CNN-LSTM) dievaluasi dengan berbagai variasi hyperparameter untuk menentukan konfigurasi optimal. Pada studi deteksi kelelahan model CNN-LSTM menunjukkan performa superior dibandingkan MLP dengan peningkatan akurasi sebesar 24.8% (dari 46.8% menjadi 58.4% secara rata-rata). Hasil validasi menggunakan 10-fold cross validation menunjukkan konsistensi model dengan akurasi maksimum mencapai 82.6%. Temuan ini mengindikasikan bahwa pendekatan hybrid yang menggabungkan ekstraksi fitur spasial dan pemrosesan temporal efektif untuk analisis sinyal EEG dinamis. Untuk deteksi epilepsi model CNN 31-layers menunjukkan hasil terbaik dengan akurasi 91% pada dataset pertama (durasi pendek) dan 82% pada dataset kedua (durasi panjang). Analisis lebih lanjut mengungkapkan bahwa representasi STFT memberikan kontribusi signifikan terhadap performa model dengan mempertahankan informasi frekuensi dan temporal secara simultan. Seleksi kanal yang dilakukan untuk mengurangi dimensi input tanpa penurunan akurasi yang signifikan. Penelitian ini secara komprehensif mendemonstrasikan keefektifan pendekatan deep learning dalam analisis sinyal EEG untuk aplikasi klinis. Beberapa kontribusi utama meliputi pengembangan pipeline pemrosesan sinyal EEG yang mencakup tahap akuisisi pra-pemrosesan dan klasifikasi validasi arsitektur hybrid CNN-LSTM untuk analisis sinyal dinamis serta optimasi model melalui eksplorasi berbagai representasi data dan seleksi fitur. Temuan ini tidak hanya memberikan dasar untuk pengembangan sistem diagnostik berbantuan komputer yang lebih akurat tetapi juga membuka jalan bagi penelitian lanjutan dalam bidang neuroengineering. Implementasi klinis dari teknologi ini diharapkan dapat meningkatkan kualitas pemantauan pasien dan mendukung pengambilan keputusan medis yang lebih tepat waktu.

Informasi Detail

DDC

Rd 621.37 HER d

Prodi

Universitas Negeri Malang. Program Studi Teknik Elektro dan Informatika, 2025.

Deskripsi Fisik

xv, 150 lembar. : ilus. ; 30 cm.

Bahasa

Indonesia

No Reg

00122/RD/25

Edisi

Disertasi (Pascasarjana)--Universitas Negeri Malang. 2025

Subjek

1. ELEKTRONIKA - TES DAN PENGUKURAN
2. ELEKTRONIKA - ASPEK KESEHATAN
3. ELECTROENCEPHALOGRAPHY
4. ELECTRONICS - TESTING AND MEASUREMENT

Pembimbing

1. Ilham Ari Elbaith Zaeni, S.t., M.t., Ph.d; 2. Aji Prasetya Wibawa, S.t., M.mt., Ph.d

Lampiran Berkas