Klasifikasi Motor Imagery (Mi) Pada Sinyal Eeg Dengan Metoda Cnn

Lauly, Anthony (1622040) (2020) Klasifikasi Motor Imagery (Mi) Pada Sinyal Eeg Dengan Metoda Cnn. Undergraduate thesis, Universitas Kristen Maranatha.

	Text 1622040_Abstract_TOC.pdf - Accepted Version Download (210Kb)
	Text 1622040_Appendices.pdf - Accepted Version Restricted to Registered users only Download (213Kb)
	Text 1622040_Chapter1.pdf - Accepted Version Download (102Kb)
	Text 1622040_Chapter2.pdf - Accepted Version Restricted to Registered users only Download (832Kb)
	Text 1622040_Chapter3.pdf - Accepted Version Restricted to Registered users only Download (1029Kb)
	Text 1622040_Chapter4.pdf - Accepted Version Restricted to Registered users only Download (288Kb)
	Text 1622040_Conclusion.pdf - Accepted Version Download (41Kb)
	Text 1622040_Cover.pdf - Accepted Version Download (329Kb)
	Text 1622040_References.pdf - Accepted Version Download (108Kb)

Abstract

Motor Imagery (MI) adalah representasi mental dari sebuah gerakan tanpa adanya gerakan dari anggota tubuh. MI dapat diklasifikasikan berdasarkan sinyal Electroencephalography (EEG), sistem klasifikasi MI berbasis sinyal EEG bersifat non-invasive sehingga dapat memberi banyak manfaat, salah satunya pada bidang medis, sistem MI-BCI digunakan untuk membantu rehabilitasi pasien stroke. Tetapi, pada realitanya klasifikasi MI pada sinyal EEG masih belum baik dan masih terus dikembangkan. Pada Tugas Akhir ini, telah diimplementasikan sistem klasifikasi yang menggunakan time window serta algoritma Filter Bank Common Spatial Pattern (FBCSP) sebagai pra pemrosesan. Time window digunakan untuk melakukan segmentasi sinyal EEG dan FBCSP digunakan untuk melakukan spatial filtering. Untuk melakukan spatial filtering pada kasus multikelas, digunakan pendekatan pair-wise pada Tugas Akhir ini. Fitur CSP yang merupakan hasil dari spatial filtering akan di-feed ke classifier Convolutional Neural Network (CNN). Penggunaan CNN untuk klasifikasi MI didasari karena keberhasilan CNN dalam bidang klasifikasi pada beberapa topik lain seperti computer vision dan natural language processing. Hyperparameters dari CNN akan dipilih berdasarkan Grid Search. Sistem klasifikasi pada Tugas Akhir ini diuji menggunakan Dataset BCI Competition IV-2a. Hasil pengujian menunjukkan bahwa sistem klasifikasi memiliki akurasi rata – rata untuk seluruh subjek sebesar 74,61%.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	EEG, motor imagery, convolutional neural network, brain-computer interface
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Faculty of Engineering > 22 Electrical Engineering Department
Depositing User:	Perpustakaan Maranatha
Date Deposited:	15 Feb 2022 04:17
Last Modified:	15 Feb 2022 04:17
URI:	http://repository.maranatha.edu/id/eprint/29885

Actions (login required)

View Item