Studi Perbandingan: Cognitive Task Berdasarkan Hasil Ekstraksi Ciri Gelombang Otak

Ahmad Azhari, Adhi Susanto, Indah Soesanti

Abstract


Studi dan penelitian mengenai ekstraksi ciri gelombang otak dengan menggunakan metode wavelet transform dan fourier transfom telah banyak dilakukan. Metode tersebut dapat secara baik menerapkan berbagai pengenalan pola secara statistik dan signal processing untuk berbagai macam gelombang otak. Namun hasil ekstraksi ciri yang diperoleh setiap penelitian memiliki hasil yang berbeda. Validasi hasil ekstraksi ciri setiap penelitian tidak dapat dilakukan dikarenakan proses yang berbeda meskipun metode yang dilakukan sama. Hipotesa yang didapatkan dari beberapa hasil penelitian ekstraksi ciri gelombang otak adalah perbedaan pemberian tugas (cognitive task) pada partisipan untuk mendapatkan data gelombang otak. Perbedaan itu berdampak pada hasil ekstraski ciri setiap individu. Pada penelitian ini akan dilakukan perbandingan cognitive task dari hasil ekstraksi ciri yang didapatkan dari penelitian yang menggunakan metode wavelet transform dan fast fourier transform. Cognitive task akan dikelompokkan berdasarkan kategorinya. Hasil penelitian ini menunjukkan bahwa tingkat akurasi hasil ekstraksi ciri gelombang otak dipengaruhi oleh cognitive task.


Full Text:

PDF

References


Z. H. Murat, M. N. Taib, S. Lias, R. S. S. A. Kadir, N. Sulaiman, and M. Mustafa, “EEG Analysis for Brainwave Balancing Index (BBI),” 2010 2nd Int. Conf. Comput. Intell. Commun. Syst. Netw., pp. 389–393, Jul. 2010.

Z. H. Murat, M. N. Taib, R. S. S. A. Kadir, A. H. Jahidin, S. Lias, and R. M. Isa, “Comparison between the Left and the Right Brainwaves for Delta and Theta Frequency Band after Horizontal Rotation Intervention,” 2011 Third Int. Conf. Comput. Intell. Commun. Syst. Netw., pp. 368– 372, Jul. 2011.

F. C. Kao, Y. K. Lin, C. C. Chen, and C. H. Huang, “Brainwaves Analysis of Relaxation Emotion,” 2014 Int. Symp. Comput. Consum. Control, pp. 308–310, Jun. 2014.

B. S. Zainuddin, Z. Hussain, I. S. Isa, and A. Background, “Alpha and Beta EEG Brainwave Signal Classification Technique : A Conceptual Study,” 2014 IEEE 10th Int. Colloq. Signal Process. Its Appl. CSPA2014, pp. 7–9, 2014.

M. Murugappan, S. Murugappan, and C. Gerard, “Wireless EEG signals based Neuromarketing system using Fast Fourier Transform (FFT),” 2014 IEEE 10th Int. Colloq. Signal Process. Its Appl., pp. 25–30, Mar. 2014.

A. Procházka, J. Kukal, and O. Vyšata, “Wavelet Transform Use for Feature Extraction and EEG Signal Segments Classification,” 3rd Int. Symp. Commun. Control Signal Process. ISCCSP 2008, no. March, pp. 12–14, 2008.

R. C. Gonzales and R. E. Woods, “Digital Image Processing,” vol. 2, no. 2005, pp. 1–6, 2006.

S. Ariffin, A. Karim, B. A. Karim, M. K. Hasan, and J. Sulaiman, “Wavelet Transform and Fast Fourier Transform for Signal Compression : A Comparative Study,” 2011 Int. Conf. Electron. Devices Syst. Appl. ICEDSA, pp. 280–285, 2011.

R. E. Clark, D. F. Feldon, K. A. Yates, and S. Early, Cognitive Task Analysis, 3rd ed. Handbook of research on educational communications and technologyHandbook of research on educational communications and technology, 2008.

P. Kumari and A. Vaish, “Brainwave’s energy feature extraction using wavelet transform,” 2014 IEEE Stud. Conf. Electr. Electron. Comput. Sci., pp. 1–5, Mar. 2014.

S. Qin, “Extraction of Feature Information in EEG Signal by Virtual EEG Instrument with the Functions of Time- Frequency Analysis,” 2009 6th Int. Symp. Image Signal Process. Anal., pp. 7–11, 2009.

K. Polat and S. Güneş, “Classification of epileptiform EEG using a hybrid system based on decision tree classifier and fast Fourier transform,” Appl. Math. Comput., vol. 187, no. 2, pp. 1017–1026, Apr. 2007.

S. Cososchi, R. Strungaru, A. Ungureanu, and M. Ungureanu, “EEG features extraction for motor imagery.,” Conf. Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. IEEE Eng. Med. Biol. Soc. Annu. Conf., vol. 1, pp. 1142–5, Jan. 2006.


Refbacks

  • There are currently no refbacks.