<![CDATA[Electroencephalography (EEG) adalah teknik yang digunakan untuk merekam aktivitas listrik otak melalui sensor yang ditempatkan pada kulit kepala. Salah satu area penelitian yang menarik dalam analisis EEG adalah motor imagery (MI), yaitu kemampuan untuk membayangkan suatu gerakan tanpa adanya stimulus visual eksternal. Pengolahan sinyal EEG yang kompleks dalam skenario MI memerlukan pendekatan komputasi yang canggih untuk mengenali pola-pola yang terbentuk selama proses pembayangan tersebut. Penelitian ini bertujuan untuk membandingkan kinerja empat arsitektur deep learning populer—yaitu EEGNet, EEGConformer, EEGInception, dan EEGITNet—dalam mengklasifikasikan data EEG pada konteks motor imagery. Hasil pengujian menunjukkan bahwa EEGConformer dan EEGNet adalah model yang paling efektif, dengan akurasi rata-rata masing-masing sebesar 72,41% dan 71,88%, serta performa yang stabil di berbagai subjek. Di sisi lain, EEGInception dan EEGITNet mencatatkan akurasi yang lebih rendah, terutama EEGInception dengan akurasi rata-rata sebesar 55,59%. Temuan ini mengindikasikan bahwa arsitektur sederhana seperti EEGNet tetap kompetitif, meskipun model yang lebih kompleks seperti EEGConformer memberikan sedikit keunggulan dalam performa. Penelitian ini juga menyoroti pentingnya faktor spesifik-subjek dalam meningkatkan performa model, yang dapat diatasi melalui pendekatan adaptif atau personalisasi. Hasil penelitian ini diharapkan dapat memberikan wawasan lebih mendalam terkait model yang paling akurat dalam tugas motor imagery EEG dan berkontribusi pada pengembangan aplikasi berbasis Brain-Computer Interface (BCI).]]>
Copyrights © 2024
