<![CDATA[Pemantauan tingkat kesadaran secara kontinu dan objektif merupakan kebutuhan krusial dalam prosedur medis untuk meminimalkan subjektivitas diagnosis pada pasien dengan gangguan kesadaran. Penelitian ini mengusulkan pengembangan sistem deteksi kesadaran real-time berbasis sinyal Electroencephalography (EEG) satu kanal menggunakan perangkat wearable Muse 2 yang mengintegrasikan metode segmentasi Sliding Window dan algoritma klasifikasi High-Performance Extreme Learning Machine (HPELM). Untuk mengatasi tantangan heterogenitas perangkat antara data latih klinis dan perangkat target, diterapkan teknik pra-pemrosesan komprehensif yang meliputi downsampling, penapisan digital IIR Notch dan FIR Low-pass, serta kalibrasi sinyal lintas-perangkat. Ekstraksi fitur difokuskan pada pita frekuensi Gamma menggunakan Discrete Wavelet Transform (DWT) untuk mendapatkan parameter Mean Absolute Value (MAV), Standard Deviation (SD), dan Power Percentage. Hasil pengujian kinerja sistem menunjukkan stabilitas tinggi, di mana konfigurasi Sliding Window dengan Window Size 10-160 detik dan step size 1 detik menghasilkan latensi komputasi rata-rata maksimal sebesar 27ms. Hal tersebut menunjukkan bahwa sistem mampu mempertahankan integritas real-time dengan waktu deadline latensi sebesar step size-nya, membuktikan bahwa pendekatan yang diusulkan efektif sebagai solusi pemantauan kesadaran yang portabel, responsif, dan andal.]]>
Copyrights © 2026
