Signal Processing EEG

TUGAS 2
MATA KULIAH INFORMATIKA BIOMEDIS

EEG Signal Processing
Dosen Pengampu: Dr. Yusuf Amrulloh
Disusun Oleh :
Nama
: Fadmi Rina
Nim
: 13917212
Konsentrasi : Informatika Medis
PROGRAM MAGISTER TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS ISLAM INDONESIA
2015
I
ABSTRAK
Electroencephalography (EEG) adalah suatu alat untuk mengawasi, medeteksi dan
merekam kegatan elektrik pada otak. Pengukuran EEG biasanya yang sering digunakan
dalam bentuk topi yang terdiri dari elektode dan dilekatkan pada kepala tanpa rasa sakit.
EEG menghasilkan suatu sinyal yang dapat dipilah-pilah berdasarkan frekuensinya
seperti Alpha, Beta, Gamma, Theta dan Delta. Metode yang digunakan untuk pemilahan
sinyal atau filtering menggunakan IIR low pass filter yaitu butterworth dan
FIR
ParksMcClellan. Tujuan dari makalah ini yaitu menganalisis kondisi mental dan fisik
seseorang (subjek) ketika sedang mendengarkan musik yang bagus (good music) dan
musik yang buruk (bad music) dalam keadaan mata tertutup (close eyes) dan mata
terbuka (open eyes) dari sinyal alpha. Teknik perhitungan yang digunakan untuk
membandingkan kondisi tersebut menggunakan nilai root mean square (RMS).

Berdasarkan hasil percobaan diperoleh informasi bahwa seseorang akan merasa lebih
rileks apabila mendengarkan musik yang bagus dalam keadaan mata tertutup dengan
nilai sedangkan seseorang akan merasa tidak rileks apabila sedang mendengarkan musik
yang buruk dalam keadaan mata tertutup.
Kata Kunci : EEG Signal, IIR, FIR, root mean square (RMS), Music
II
DAFTAR ISI
HALAMAN JUDUL ............................................................................................................................
DAFTAR ISI.........................................................................................................................................
iii
ABSTRAK.............................................................................................................................................
I.
ii
PENDAHULUAN .......................................................................................................................
II. PROSEDUR DAN HASIL PERCOBAAN............................................................................
2.1 Filter IIR Butterworth ....................................................................................................
2.1.1 IIR Alpha Wave .....................................................................................................
2.1.2 IIR Beta Wave. ...................................................................................................
2.1.3 IIR Gamma Wave..................................................................................................

2.1.4 IIR Theta Wave .....................................................................................................
2.1.5 IIR Delta Wave ......................................................................................................
2.2 Filter FIR Parks McClellan ............................................................................................
2.2.1 FIR Alpha Wave .....................................................................................................
2.2.2 FIR Beta Wave . ..................................................................................................

2.2.3 FIR Gamma Wave..................................................................................................
2.2.4 FIR Theta Wave......................................................................................................
2.2.5 FIR Delta Wave.......................................................................................................
2.3 Perhitungan RMS..............................................................................................................
III. KESIMPULAN ..................................................................................................................

PUSTAKA .................................................................................................................................
LAMPIRAN...............................................................................................................................
III
3
3
4
5
6
7
8
8
9
10
11
12
13
17
18
19
I. PENDAHULUAN
Electroencephalography (EEG) adalah teknik medis non invasive untuk
memonitoring dan merekam kegatan elektrik pada otak (Valipour et al., 2013). Teknik
ini dapat digunakan secara berulang-ulang pada anak-anak, dewasa tanpa sakit untuk
mendeteksi otak dan disorder. Menurut Creutzfeldt et al (1966) EEG dapat merekam
aktivitas listrik sepanjang kulit kepala yang dihasilkan oleh cincin neuron dalam otak.
Electroencephalogram (EEG) juga dapat digunakan untuk mengukur dan mencatat
aktivitas listrik pada otak yaitu dengan bantuan sensor khusus (elektroda) yang
dilekatkan pada kepala pasien dan terhubung dengan kabel ke komputer. Selanjutnya
komputer akan mencatat aktivitas listrik otak pasien pada layar atau di atas kertas
sebagai garis bergelombang. Dalam kondisi tertentu, seperti kejang, dapat dilihat dengan
perubahan pola normal dari aktivitas listrik otak (Nurul, 2010). Pada Gambar 1 adalah
pengukuran EEG dengan topi terdiri atas 32 elektrode (sensor) yang berada di alat
tersebut (Wang, 2009).
Gambar 1. Pengukuran Sinyal EEG dengan topi.

Electroencephalography (EEG) umumnya digunakan dalam berbagai bidang
ilmiah, salah satu penerapannya yaitu di bidang medis, Sinyal EEG memiliki frekuensi
yang sangat rendah, amplitudo juga rendah serta memiliki frekuensi irama (Valipour et
al., 2013). Sinyal EEG biasanya digambarkan dalam hal aktivitas ritmik dan transien.
Kegiatan berirama dibagi menjadi beberapa pita (band) sesuai frekuensinya. Keadaan
mental tertentu pada seseorang dapat tercermin di pita frekuensi tersebut. Tabel 1 berisi
perbedaan pita frekuensi pada sinyal EEG . Frekuensi rentang, lokasi di kulit kepala dan
Tugas Pemrosesan Sinyal EEG
keadaan mental yang normal tercantum untuk setiap pita frekuensi. Dimana Frekuensi
band gelombang alfa berada 8-12 Hz. Peningkatan gelombang alfa dicapai dengan
menutup mata dan relaksasi.
Band
Tabel 2.1. Perbedaan frekuensi band Sinyal EEG.

Frekuensi
Delta
Kurang dari 4 Hz
Theta
4-7 Hz
Alpha
8-12 Hz
Beta
12-30 Hz
Gamma
30-100 Hz
Lokasi
State mental normal
frontal pada orang

dewasa, posterior pada
anak-anak; gelombang
amplitudo tinggi
gelombang lambat bayi

tidur
posterior
daerah
kepala, kedua belah
pihak, lebih tinggi di
amplitudo
di
sisi
dominan. Situs pusat
(c3 c4-) saat istirahat
kedua belah pihak,
distribusi simetris,
paling jelas frontal;
gelombang amplitudo
rendah
anak-anak mengantuk
atau gairah pada anakanak yang lebih tua dan
orang dewasa
menutup mata dan
relaksasi.
aktif, sibuk atau cemas

pemikiran, konsentrasi
aktif
fungsi kognitif
motorik tertentu
atau
Dua aplikasi utama EEG dikenal sebagai aplikasi klinis untuk penyakit otak
diagnosis dan teknologi Brain Computer Interface (BCI) dalam aplikasi penelitian. Dalam
aplikasi klinis sinyal ini dapat bermanfaat bagi teknologi gangguan otak seperti epilepsi,
tumor, stroke, kematian otak, gangguan tidur, koma, keracunan obat, lesi otak, Alzheimer
serta dalam pengobatan dari depresi, mengurangi stres dan peningkatan perilaku dan
skor kecerdasan pada anak-anak dengan attention deficit hyperactivity disorder (ADHD).
II. PROSEDUR DAN HASIL PERCOBAAN

Prosedur yang dilakukan pada percobaan dalam makalah ini meliputi 1) Design
filter Digital untuk memilah sinyal delta, tetha, alpha, beta dan gamma dari sinyal EEG
menggunakan IIR Butterworth dan FIR ParksMcClellan. Hasil desain dari pemilahan
sinyal menggunakan filter FIR ParksMcClellan, selanjutnya digunakan untuk
menganalisis sinyal alpha pada subjek (seseorang) dalam kondisi fisik dan mental yang
berbeda. Kondisi ini dibedakan menjadi dua yaitu: 1) ketika mendengarkan lagu bagus
dengan mata tertutup dan mata terbuka, 2) ketika mendengarkan lagu yang buruk
dengan mata tertutup dan mata terbuka. Hasil dari percobaan tersebut selanjutnya
dibandingkan menggunakan nilai root mean square (RMS). Berikut adalah hasil
percobaan pemilihan sinyal Alpha, Beta, Theta, Gamma dan Delta menggunakan filter IIR
Buterworth dan FIR Mc.Pallen dari sinyal EEG.
2.1 HASIL PEMILAHAN SINYAL MENGGUNAKAN IIR BUTTERWORTH

2.1.1 IIR Filter Untuk Gelombang Alpha
a). Data EEG yang diambil dan Gelombang Alpha
Gambar 2. Alpha Wave

b). Respon Magnitude Gelombang Alpha
Gambar 3. Responsive Magnitude Alpha Wave

2.1.2 Gelombang Beta (14-20 Hz)
a). Data EEG yang diambil dan Gelombang Beta
Gambar 4. Beta Wave

a) Response Magnitude Beta Wave
Gambar 5. Response Magnitude Beta Wave

2.1.3 Gelombang Gamma (20-60 Hz)
a) Data EEG yang diambil dan Gelombang Gamma
Gambar 6. Gamma Wave

b. Response Magnitude Gamma Wave
Gambar 7. Response Magnitude Gamma Wave

2.1.4 Gelombang Theta 4-7 Hz
a). Data EEG yang diambil dan Gelombang Gamma
Gambar 8. Gamma Wave
b. Response Magnitude Gamma Wave
Gambar 9. Response Magnitude Gamma Wave

2.1.5 Gelombang Delta less than 4 Hz
a) Data EEG yang diambil dan Gelombang Delta
Gambar 10. Delta Wave

b) Response Magnitude Delta Wave
Gambar 11. Response Magnitude Delta Wave

2.2 HASIL PEMILAHAN SINYAL MENGGUNAKAN FIR PARKS MCCLELLAN
Berikut adalah hasil percobaan pemilihan sinyal Alpha, Beta, Theta, Gamma dan Delta
menggunakan filter FIR Mc.Pallen dari sinyal EEG.
2.2.1
FIR FILTER UNTUK GELOMBANG ALPHA

a). Derau gelombang alpha mata tertutup dan mata terbuka
Gambar 12. Noise Open and Close Eyes
b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Alpha
Gambar 13. Result FIR Open and Close Alpha Wave

2.2.2
FIR FILTER UNTUK GELOMBANG BETA

a). Derau gelombang alpha mata tertutup dan mata terbuka
b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Beta
Gambar 15. Result FIR Open and Close Beta Wave

2.2.3
FIR FILTER UNTUK GELOMBANG GAMMA

a). Derau gelombang Gamma mata tertutup dan mata terbuka
10
b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Gamma
Gambar 17. Result FIR Open and Close Gamma Wave

2.2.4
FIR FILTER UNTUK GELOMBANG THETA

a). Derau gelombang Theta mata tertutup dan mata terbuka

11
b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Theta
Gambar 19. Result FIR Open and Close Gamma Wave

2.2.5
FIR FILTER UNTUK GELOMBANG DELTA
a). Derau gelombang Delta mata tertutup dan mata terbuka

12
b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Delta
Gambar 21. Result FIR Open and Close Delta Wave

2.3
HASIL ANALISIS KONDISI FISIK DAN MENTAL SUBJEK

Pada tahap ini, penulis akan menganalisis kondisi fisik dan mental subjek
(seseorang) ketika Subjek sedang mendengarkan musik yang bagus atau merdu (good
music) dan musik yang buruk atau jelek (bad music) dalam keadaan mata tertutup dan
mata terbuka dari sinyal alpha. Untuk memperoleh hasil yang diharapkan, penulis
sebelumnya telah merancang filter digital menggunakan FIR ParksMcClellan untuk
memilah sinyal alpha terlebih dahulu. Kemudian akan diuji dari setiap percobaan yaitu
ketika subjek mendengarkan musik yang bagus (open music) dengan mata terbuka dan
mata tertutup. Pengujian selanjutnya ketika subjek mendengarkan musik yang buruk
(bad music) dalam keadaan mata terbuka dan mata terbuka. Untuk menganalisis hasil
dari masing-masing pengujian, maka perlu menghitung nilai root mean square (RMS) dari
sinyal alpha tersebut. Berikut Gambar 22 adalah gelombang alpha ketika subjek
mendengarkan musik yang bagus (good music) dalam keadaan mata terbuka dan mata
tertutup.
13
Gambar 22. Gelombang Alpha ketika Subyek mendengarkan musik yang bagus
Berdasarkan Gambar 22. Diperoleh hasil dari perhitungan RMS bahwa ketika
subyek mendengarkan musik yang bagus (good music) dalam keadaan mata tertutup,
diperoleh nilai 3.2595e-006 sedangkan dalam keadaan mata terbuka sebesar 2.7827e006. Sehingga apabila dilihat dari nilai RMS nya, maka pada saat subyek mendengarkan
musik yang bagus dalam keadaan mata tertutup, subjek akan merasa lebih rileks
daripada dalam keadaan membuka mata. Selanjutnya apabila subjek sedang

mendengarkan musik yang buruk (bad music) dalam keadaan mata tertutup dan mata
terbuka akan diperoleh gelombang alpha seperti pada Gambar 23.
14
Gambar 23. Gelombang Alpha ketika Subyek mendengarkan musik yang buruk
Berdasarkan Gambar 23 diperoleh hasil dari perhitungan RMS bahwa ketika
subyek mendengarkan musik yang buruk (bad music) dalam keadaan mata tertutup,
diperoleh nilai 2.1714e-006 sedangkan dalam keadaan mata terbuka sebesar 2.7908e006. Sehingga apabila dilihat dari nilai RMS nya, maka pada saat subyek mendengarkan
musik yang buruk dalam keadaan mata tertutup, subjek tidak akan merasa rileks. Hal ini
terbukti dalam keadaan nyata, seseorang yang sedang tidur, apabila mendengarkan
musik yang buruk (suaranya keras, berteriak-teriak, dan kurang merdu) maka seseorang
akan terbangun dari tidurnya dan merasa tidak nyaman, sedangkan apabila seseorang
sedang mendengarkan suara yang bagus (merdu, mendayu-dayu) maka akan semakin
rileks dan akhirnya mengantuk. Berikut Gambar 24 merupakan grafik yang
mengambarkan nilai RMS ketika subjek sedang mendengarkan musik yang bagus dan
ketika mendengarkan musik yang buruk dalam keadaan mata tertutup dan mata terbuka.
15
3,50E-06
3,26E-06
3,00E-06
2,79E-06
2,78E-06
2,50E-06
2,17E-06
2,00E-06
1,50E-06
1,00E-06
5,00E-07
0,00E+00
Open Eyes
Close Eyes
Good Music
Bad Music
Gambar 24. Grafik RMS
16
III. KESIMPULAN
EEG merupakan suatu alat yang mampu mengawasi dan mendeteksi aktivitas
gelombang pada otak manusia.
Pengukuran EEG bisanya yang sering digunakan
berbentuk topi. Sinyal EEG apabila dipilah berdasarkan frekuensinya terdapat beberapa
sinyal yaitu Alpha, Beta, Gamma, Tetha dan Delta. Metode fiter digital yang digunakan
untuk memilah sinyal menggunakan IIR butterworth dan FIR ParksMcClellan. Setiap
sinyal memiliki bentuk gelombang yang berbeda. Sinyal Alpha adalah suatu sinyal yang
memiliki frekuensi 8-12 Hz, dimana sinyal ini dapat dicapai dengan relaksasi. Terapi
musik merupakan salah satu terapi yang memanfaatkan gelombang alpha. Seseorang
akan merasa lebih rileks apabila mendengarkan musik bagus (good musik) dalam kondisi
mata tertutup sedangkan apabila seseorang mendengarkan musik yang buruk (good
musik) tidak akan rileks apabila dalam kondisi mata tertutup. Hal ini terbukti dari hasi
percobaan dengan perhitungan nilai RMS ketika subyek mendengarkan musik yang
buruk (bad music) dalam keadaan mata tertutup, diperoleh nilai 2.1714e-006 sedangkan
dalam keadaan mata terbuka sebesar 2.7908e-006. Sebaliknya ketika subyek

mendengarkan musik yang bagus (good music) dalam keadaan mata tertutup, diperoleh
nilai 3.2595e-006 sedangkan dalam keadaan mata terbuka sebesar 2.7827e-006.
17
PUSTAKA
Creutzfeldt, O. D., Watanabe, S., and Lux, H. D. (1966). Relations between eeg phenomena
and potentials of single cortical cells. i. evoked responses after thalamic and
erpicortical stimulation. Electroencephalography and clinical neurophysiology,
20(1):118.
Nurul Fazrena Binti Kamal. Identification Of Resting State And Calming Mind During
Reciting Quran Using Eeg Signal. Declaration Of Thesis / Undergraduate Project
Paper And Copyright. Faculty Of Electrical Engineering. Universiti Teknologi
Malaysia. 2010.
Valipour, Samaneh, A.D. Shaligram and G.R.Kulkarni, Spectral analysis of EEG signal for
detection of alpha rhythm with open and closed eyes. International Journal of
Engineering and Innovative Technology (IJEIT) Volume 3, Issue 6, December
2013 .
Wang, Letian. Artifact Correction for EEG Alpha Wave Measurements Real Time Alpha
Wave And Relaxation State Detection from EEG. Master of Science Thesis. Delft
University of Technology. 2009.
18
LAMPIRAN
(code program)
1.
IIR FILTER MENGGUNAKAN BUTTERWORTH

a). ALPHA WAVE
Fs=1000; %sampling frequency
load 'eeg_data.mat'; %data
eeg_data = eyes_close; %order butterworth

t1=2*Fs; %define the segment
t2=6*Fs;
eeg_selected=eeg_data(t1:t2); %data segment

x_axis=t1/Fs:1/Fs:t2/Fs;
figure(1);
plot(x_axis,eeg_selected); hold on %plot the eeg raw

f_lo=8; %define band pass
f_hi=13; %for alpha wave
w1=(2*f_lo)/Fs;
w2=(2*f_hi)/Fs;
Wn=[w1 w2];
n=4; %order butterworth filter

[b,a]=butter(n,Wn);
alpha_wave=filter(b,a,eeg_selected); %filter command

subplot 211
plot(x_axis,eeg_selected);
19
title('EEG Selected');
subplot 212
plot(x_axis,alpha_wave,'r');
title('Alpha Wave');
figure(2);
freqz(b,a,512,1000)
title('IIR Filter for Alpha Wave based Butterworth');

b). BETA WAVE

t2=6*Fs;

figure(1);

f_hi=20; %for Beta wave
w1=(2*f_lo)/Fs;
w2=(2*f_hi)/Fs;
Wn=[w1 w2];
20

[b,a]=butter(n,Wn);
beta_wave=filter(b,a,eeg_selected); %filter command

subplot 211
subplot 212
plot(x_axis,beta_wave,'r');
title('Beta Wave');
figure(2);
freqz(b,a,512,1000)
title('IIR Filter for Beta Wave based Butterworth');

c). TETHA WAVE

t2=6*Fs;

figure(1);

21
f_hi=60; %for Theta wave

w1=(2*f_lo)/Fs;
w2=(2*f_hi)/Fs;
Wn=[w1 w2];

[b,a]=butter(n,Wn);
theta_wave=filter(b,a,eeg_selected); %filter command

subplot 211
subplot 212
plot(x_axis,theta_wave,'r');
title('Theta Wave');
figure(2);
freqz(b,a,512,1000)
title('IIR Filter for Theta Wave based Butterworth');

d). GAMMA WAVE

t2=6*Fs;

22
figure(1);

f_hi=60; %for Gamma wave

w1=(2*f_lo)/Fs;
w2=(2*f_hi)/Fs;
Wn=[w1 w2];

[b,a]=butter(n,Wn);
gamma_wave=filter(b,a,eeg_selected); %filter command

subplot 211
subplot 212
plot(x_axis,gamma_wave,'r');
title('Gamma Wave');
figure(2);
freqz(b,a,512,1000)
title('IIR Filter for Gamma Wave based Butterworth');

e). DELTA WAVE
t1=2*Fs;
t2=6*Fs;
%define the segment
23

figure(1);
f_lo=0.5; %define band pass
f_hi=4; %for Delta wave
w1=(2*f_lo)/Fs;
w2=(2*f_hi)/Fs;
Wn=[w1 w2];
[b,a]=butter(n,Wn);
delta_wave=filter(b,a,eeg_selected); %filter command
subplot 211
subplot 212
plot(x_axis,delta_wave,'r');
title('Delta Wave');
figure(2);
freqz(b,a,512,1000)
title('IIR Filter for Delta Wave based Butterworth');
2.
FIR FILTER
FIR ALPHA WAVE
load goodmusic.mat;
EEG_L = data_block1(2,:);
Fs_eeg = 1000; %frequency samppling of eeg
t_start_opn = 10; %start of time frame to be processed
t_end_opn = 14; %end of tme frame
t_start_cls = 204;
t_end_cls = 208;
%time axis
t_ref = 1/Fs_eeg : 1/Fs_eeg : (1/Fs_eeg)*length(EEG_L);
t_axis_opn = t_ref(t_start_opn*Fs_eeg:t_end_opn*Fs_eeg)';
t_axis_cls = t_ref(t_start_cls*Fs_eeg:t_end_cls*Fs_eeg)';
%the sampled EEG Signal
eyes_open = EEG_L(t_start_opn*Fs_eeg:t_end_opn*Fs_eeg);
eyes_close = EEG_L(t_start_cls*Fs_eeg:t_end_cls*Fs_eeg);
%plot the sampled noisy EEG Signal
figure(1);
24
subplot(2,1,1);
plot(t_axis_opn, eyes_open);
title('Noise Open Eyes');
subplot(2,1,2);
plot(t_axis_cls,eyes_close);
title('Noise Close Eyes');
%filtering process start here
%common variable
A=[1]; %FIR constant
amp = [0 0 1 1 0 0];
%exstracting Alpha wave
Fp_alp1
Fp_alp2
Fs_alp1
Fs_alp2
=
=
=
=
8;
12;
5;
13;
%Hz
%Hz
%Hz
%Hz
wp_alp1 = 2*pi*Fp_alp1/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
Wp_alp = [wp_alp1 wp_alp2];
Ws_alp = [ws_alp1 ws_alp2];
n_alp = 200;
%order of filter
freq_alp =[0 ws_alp1 wp_alp1 wp_alp2 ws_alp2 1];
B_alp =remez(n_alp,freq_alp,amp);
[h_alp, W_alp] = freqz(B_alp,A,1024);
alp_eyo_c = filter (B_alp,A,eyes_open);
alp_eyo_nc = filtfilt (B_alp,A,eyes_open);
alp_eyc_c = filter (B_alp,A,eyes_close);
alp_eyc_nc = filtfilt (B_alp,A,eyes_close);
figure (2)
subplot 311
gain= 20*log10(abs(h_alp));
plot(W_alp/pi,gain); grid;
xlabel('\omega/\pi');
ylabel('Gain,dB');
axis([0 1 -40 10]);
%figure(3);
subplot 312;
plot(t_axis_opn,alp_eyo_c,'b');
title('Open Eyes');
subplot 313;
plot(t_axis_cls,alp_eyc_c,'r');
title('Close Eyes');
25
FIR BETA WAVE

load goodmusic.mat;
t_start_cls = 204;
t_end_cls = 208;
%time axis
figure(1);
subplot(2,1,1);
subplot(2,1,2);
%common variable
amp = [0 0 1 1 0 0];
%exstracting Beta wave
Fp_alp1
Fp_alp2
Fs_alp1
Fs_alp2
=
=
=
=
14;
19;
6;
20;
%Hz
%Hz
%Hz
%Hz
n_alp = 200;
%order of filter
26
figure (2)
subplot 311
ylabel('Gain,dB');
axis([0 1 -40 10]);
%figure(3);
subplot 312;
title('Open Eyes');
subplot 313;
FIR GAMMA WAVE

load goodmusic.mat;
t_start_cls = 204;
t_end_cls = 208;
%time axis
figure(1);
subplot(2,1,1);
27
subplot(2,1,2);
%common variable
amp = [0 0 1 1 0 0];
%exstracting Gamma wave
Fp_alp1
Fp_alp2
Fs_alp1
Fs_alp2
=
=
=
=
20;
50;
10;
60;
%Hz
%Hz
%Hz
%Hz
n_alp = 200; %order of filter
figure (2)
subplot 311
ylabel('Gain,dB');
axis([0 1 -40 10]);
%figure(3);
subplot 312;
title('Open Eyes');
subplot 313;
FIR THETA WAVE
28
load goodmusic.mat;
t_start_cls = 204;
t_end_cls = 208;
%time axis
figure(1);
subplot(2,1,1);
subplot(2,1,2);
%common variable
amp = [0 0 1 1 0 0];
%exstracting Theta wave
Fp_alp1
Fp_alp2
Fs_alp1
Fs_alp2
=
=
=
=
4;
6;
3;
7;
%Hz
%Hz
%Hz
%Hz
n_alp = 200;
%order of filter
29

figure (2)
subplot 311
ylabel('Gain,dB');
axis([0 1 -40 10]);
%figure(3);
subplot 312;
title('Open Eyes');
subplot 313;
FIR DELTA WAVE

load goodmusic.mat;
t_start_cls = 204;
t_end_cls = 208;
%time axis
figure(1);
subplot(2,1,1);
subplot(2,1,2);
30
%common variable
amp = [0 0 1 1 0 0];
%exstracting Delta wave
Fp_alp1
Fp_alp2
Fs_alp1
Fs_alp2
=
=
=
=
1;
3;
0.5;
4;
%Hz
%Hz
%Hz
%Hz
n_alp = 200;
%order of filter
alp_eyo_c = filter (B_alp,A,eyes_close);
alp_eyo_nc = filtfilt (B_alp,A,eyes_close);
figure (2)
subplot 311
ylabel('Gain,dB');
axis([0 1 -40 10]);
%figure(3);
subplot 312;
title('Open Eyes');
subplot 313;
plot(t_axis_cls,alp_eyo_c,'r');
3.
Perhitungan RMS pada Good music dan Bad Music dari sinyal Alpha
Perhitungan RMS pada Good Music
31
load goodmusic.mat;
t_start_cls = 204;
t_end_cls = 208;
%time axis
figure(1);
subplot(2,1,1);
subplot(2,1,2);
%common variable
amp = [0 0 1 1 0 0];
Fp_alp1
Fp_alp2
Fs_alp1
Fs_alp2
=
=
=
=
8;
12;
5;
13;
%Hz
%Hz
%Hz
%Hz
n_alp = 200;
%order of filter
32

figure (2)
subplot 311
ylabel('Gain,dB');
axis([0 1 -40 10]);
%figure(3);
subplot 312;
title('Open Eyes');
subplot 313;
%Menghitung RMS Eyes Open
rms_open=rms(alp_eyo_c)
%Menghitung RMS Eyes Close
rms_close=rms(alp_eyc_c)
% open=norm(alp_eyo_c)/sqrt(length(alp_eyo_c));
% close=norm(alp_eyc_c)/sqrt(length(alp_eyc_c));
Perhitungan RMS pada Bad Music dari Sinyal Alpha

load badmusic.mat;
t_start_cls = 204;
t_end_cls = 208;
%time axis
figure(1);
33
subplot(2,1,1);
subplot(2,1,2);
%common variable
amp = [0 0 1 1 0 0];
Fp_alp1
Fp_alp2
Fs_alp1
Fs_alp2
=
=
=
=
8;
12;
5;
13;
%Hz
%Hz
%Hz
%Hz
n_alp = 200;
%order of filter
figure (2)
subplot 311
ylabel('Gain,dB');
axis([0 1 -40 10]);
%figure(3);
subplot 312;
title('Open Eyes');
subplot 313;
34
%Menghitung RMS Eyes Open

rms_open=rms(alp_eyo_c)
%Menghitung RMS Eyes Close
rms_close=rms(alp_eyc_c)
% open=norm(alp_eyo_c)/sqrt(length(alp_eyo_c));
% close=norm(alp_eyc_c)/sqrt(length(alp_eyc_c));
35

Signal Processing EEG

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Signal Processing EEG

Diunggah oleh

Hak Cipta:

Format Tersedia

TUGAS 2

MATA KULIAH INFORMATIKA BIOMEDIS

Dosen Pengampu: Dr. Yusuf Amrulloh

Konsentrasi : Informatika Medis

PROGRAM MAGISTER TEKNIK INFORMATIKA

EEG menghasilkan suatu sinyal yang dapat dipilah-pilah berdasarkan frekuensinya

membandingkan kondisi tersebut menggunakan nilai root mean square (RMS).

II. PROSEDUR DAN HASIL PERCOBAAN............................................................................

2.1 Filter IIR Butterworth ....................................................................................................

2.1.1 IIR Alpha Wave .....................................................................................................

2.1.2 IIR Beta Wave. ...................................................................................................

2.1.3 IIR Gamma Wave..................................................................................................

2.2 Filter FIR Parks McClellan ............................................................................................

2.2.1 FIR Alpha Wave .....................................................................................................

2.2.2 FIR Beta Wave . ..................................................................................................

2.3 Perhitungan RMS..............................................................................................................

III. KESIMPULAN ..................................................................................................................

Gambar 1. Pengukuran Sinyal EEG dengan topi.

Tabel 2.1. Perbedaan frekuensi band Sinyal EEG.

State mental normal

frontal pada orang

gelombang lambat bayi

aktif, sibuk atau cemas

Tugas Pemrosesan Sinyal EEG

II. PROSEDUR DAN HASIL PERCOBAAN

2.1 HASIL PEMILAHAN SINYAL MENGGUNAKAN IIR BUTTERWORTH

Gambar 2. Alpha Wave

b). Respon Magnitude Gelombang Alpha

Gambar 3. Responsive Magnitude Alpha Wave

Gambar 4. Beta Wave

a) Response Magnitude Beta Wave

Gambar 5. Response Magnitude Beta Wave

Gambar 6. Gamma Wave

b. Response Magnitude Gamma Wave

Gambar 7. Response Magnitude Gamma Wave

Gambar 8. Gamma Wave

Tugas Pemrosesan Sinyal EEG

b. Response Magnitude Gamma Wave

Gambar 9. Response Magnitude Gamma Wave

Gambar 10. Delta Wave

b) Response Magnitude Delta Wave

Gambar 11. Response Magnitude Delta Wave

FIR FILTER UNTUK GELOMBANG ALPHA

Gambar 12. Noise Open and Close Eyes

Tugas Pemrosesan Sinyal EEG

Gambar 13. Result FIR Open and Close Alpha Wave

FIR FILTER UNTUK GELOMBANG BETA

Gambar 14. Noise Open and Close Eyes

Tugas Pemrosesan Sinyal EEG

Gambar 15. Result FIR Open and Close Beta Wave

FIR FILTER UNTUK GELOMBANG GAMMA

Gambar 16. Noise Open and Close Eyes

Tugas Pemrosesan Sinyal EEG

Gambar 17. Result FIR Open and Close Gamma Wave

FIR FILTER UNTUK GELOMBANG THETA

Gambar 18. Noise Open and Close Eyes

Gambar 19. Result FIR Open and Close Gamma Wave

FIR FILTER UNTUK GELOMBANG DELTA

a). Derau gelombang Delta mata tertutup dan mata terbuka

Gambar 20. Noise Open and Close Eyes

Gambar 21. Result FIR Open and Close Delta Wave

HASIL ANALISIS KONDISI FISIK DAN MENTAL SUBJEK

Tugas Pemrosesan Sinyal EEG

daripada dalam keadaan membuka mata. Selanjutnya apabila subjek sedang