Article Sidebar
Main Article Content
Abstract
Evaluasi terhadap pasien paska stroke yang terukur
sangat dibutuhkan untuk mengetahui perkembangan aktivitas di
otak dalam masa rehabilitasi. Salah satunya instrumen yang dapat
menangkap aktivitas listrik di otak adalah Elektroensephalogram
(EEG). Pengamatan visual yang dilakukan dokter dari rekaman
EEG adalah kerapatan, amplitudo, bentuk gelombang, dan
perbandingan sinyal pada kanal yang simetrik, namun tidaklah
mudah. Penelitian ini melakukan ekstraksi dari sinyal EEG untuk
memperoleh variabel-variabel signifikan dari pasien paska stroke.
Sinyal EEG diperoleh dari 25 pasien paska stroke dan 25 orang
sehat dari 14 kanal. Setiap sinyal selama 180 detik diekstraksi
menggunakan Wavelet untuk memperoleh gelombang Alfa, Beta,
Teta, Gama, dan Mu. Clustering dilakukan menggunakan Self
Organizing Map (SOM) Kohonen dengan fitur masukan kelima
gelombang, amplitudo, dan asimetrik dari kanal simetrik. SOM
melakukan clustring berdasarkan fitur-fitur pembeda pola,
sehingga hasil clustring dibandingkan dengan cluster dari data
sebenarnya. Cara ini dilakukan untuk menentukan variabel-
variabel sinyal EEG beserta kanal-kanalnya yang memberikan
akurasi terbaik. Hasil penelitian menunjukkan penggunaan
keenam fitur dari 14 kanal dan fitur sinkronisasi dari 7 pasang
kanal memberikan ketepatan klustering sebesar 54-68%. Akurasi
fitur tertinggi diperoleh dari variabel perubahan amplitudo.
Sistem identifikasi telah diimplementasikan dalam perangkat
lunak dan diintegrasikan dengan wireless EEG Emotiv. Waktu
komputasi dari sistem identifikasi sekitar empat menit, cukup
realistis yang dapat digunakan untuk membantu analisis dokter.