Epilepsi terjadi akibat aktivitas otak yang tidak teratur (kejang). Kejang itu sendiri mengaktifkan neuron di otak yang terjadi secara serempak. Masalah ketidakteraturan ini bisa terjadi karena adanya reaksi kimia di otak yang mengakibatkan aktivasi yang tidak berjalan atau bisa juga karena penghambatan yang tidak terjadi.
Pada bagian ini, kami akan menjelaskan percobaan yang dilakukan untuk mendeteksi kondisi mata tertutup dimana dua metode akan digunakan. Yang pertama adalah Support Vector Machine (SVM) untuk mendapatkan tingkat separasi secara otomatis. Kemudian, Multi Layer Perceptron (MLP) akan digunakan dalam pelatihan untuk mempelajari deteksi aktivitas mata. Terakhir, sebelum kita dapat menganalisis lebih lanjut penggunaan ikat kepala yang dapat dikenakan, kita juga akan membahas kemungkinan mendeteksi epilepsi menggunakan aktivitas mata.
Setelah data EEG berhasil dikumpulkan yang dilambangkan dengan x, maka dilakukan metode clustering dengan memetakan data x tersebut ke dalam sistem koordinat RD. Klasifikasi kondisi latihan dilakukan dengan Ï•(x) dan pada data dapat ditunjukkan dari kondisi mata tertutup atau terbuka. Pemisahan yang paling sederhana akan ditulis dalam garis pemisah yang dikenal sebagai Support Vector Machine (SVM).
Studi ini menggunakan Tensorflow dengan Aplikasi Kerasnya. Dengan memanfaatkan data historis dari aktivitas mata, statistik telah menunjukkan perbedaan kesenjangan, namun masih belum memiliki model yang jelas untuk mendeteksi aktivitas individu. Untuk memiliki fungsi transfer yang pasti dari sinyal EEG, kami ingin menggunakan Tensorflow sebagai kerangka pembelajaran mesin.
Untuk memahami model pembelajaran mesin kami, dimungkinkan untuk memeriksa fungsi transfernya dengan menggunakan skor prediksi sebagai keluaran dan dua saluran yang dipilih, TP9 dan TP10 sebagai masukan. Plot fungsi transfer ditunjukkan dalam bentuk 3D pada Gambar. 2a. Angka tersebut memiliki bidang input TP9 dan TP10 sebagai koordinat X dan Y. Kemudian, prediksi mata tertutup ditentukan pada sumbu Z sebagai output ketinggian. Itu memberi kami satu nilai pada nilai dengan rentang kurang dari -80uV di TP9 dan TP10. Namun berada pada kurva slope dengan nilai persentase kepercayaan yang menurun. Artinya nilai yang lebih rendah masih memiliki kemungkinan menutup mata tetapi kecil kemungkinannya untuk terjadi. Sekali lagi, meningkatkan nilai input TP9 dan TP10 dapat menurunkan nilainya menjadi 0,2 sebelum masuk ke kurva menanjak. Akhirnya, kembali ke nilai 1 untuk nilai berkisar lebih dari 30uV. Peta 2D dari nilai-nilai ini juga disediakan pada Gambar 2b.
Penulis: Erwin Sutanto, S.T., M.Sc.
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://inass.org/wp-content/uploads/2022/11/2023022840-3.pdf
Erwin Sutanto, Teguh Wijaya Purwanto, Fahmi Fahmi, Muhammad Yazid, Wervyan Shalannanda, Muhammad Aziz
International Journal of Intelligent Engineering and Systems, Vol.16, No.1, 2023, 460-473
28 February, 2023
DOI: 10.22266/ijies2023.0228.40