<![CDATA[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.]]>
Copyrights © 2018
