Disusun Oleh :
Nama
: Fadmi Rina
Nim
: 13917212
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.
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
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 .......................................................................................................................
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).
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
Delta
Kurang dari 4 Hz
Theta
4-7 Hz
Alpha
8-12 Hz
Beta
12-30 Hz
Gamma
30-100 Hz
Lokasi
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.
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).
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.
b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Alpha
b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Beta
10
b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Gamma
11
b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Theta
12
b) Hasil Filter Mata Terbuka dan Mata Tertutup pada Gelombang Delta
(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
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
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
16
III. KESIMPULAN
EEG merupakan suatu alat yang mampu mengawasi dan mendeteksi aktivitas
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
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.
w2=(2*f_hi)/Fs;
Wn=[w1 w2];
plot(x_axis,eeg_selected);
Tugas Pemrosesan Sinyal EEG
19
title('EEG Selected');
subplot 212
plot(x_axis,alpha_wave,'r');
title('Alpha Wave');
figure(2);
freqz(b,a,512,1000)
w2=(2*f_hi)/Fs;
Wn=[w1 w2];
20
plot(x_axis,eeg_selected);
title('EEG Selected');
subplot 212
plot(x_axis,beta_wave,'r');
title('Beta Wave');
figure(2);
freqz(b,a,512,1000)
21
w2=(2*f_hi)/Fs;
Wn=[w1 w2];
plot(x_axis,eeg_selected);
title('EEG Selected');
subplot 212
plot(x_axis,theta_wave,'r');
title('Theta Wave');
figure(2);
freqz(b,a,512,1000)
22
figure(1);
w2=(2*f_hi)/Fs;
Wn=[w1 w2];
plot(x_axis,eeg_selected);
title('EEG Selected');
subplot 212
plot(x_axis,gamma_wave,'r');
title('Gamma Wave');
figure(2);
freqz(b,a,512,1000)
23
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;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
ws_alp2 = 2*pi*Fs_alp2/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
=
=
=
=
14;
19;
6;
20;
%Hz
%Hz
%Hz
%Hz
wp_alp1 = 2*pi*Fp_alp1/Fs_eeg;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
ws_alp2 = 2*pi*Fs_alp2/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];
26
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');
27
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 Gamma wave
Fp_alp1
Fp_alp2
Fs_alp1
Fs_alp2
=
=
=
=
20;
50;
10;
60;
%Hz
%Hz
%Hz
%Hz
wp_alp1 = 2*pi*Fp_alp1/Fs_eeg;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
ws_alp2 = 2*pi*Fs_alp2/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');
28
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);
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 Theta wave
Fp_alp1
Fp_alp2
Fs_alp1
Fs_alp2
=
=
=
=
4;
6;
3;
7;
%Hz
%Hz
%Hz
%Hz
wp_alp1 = 2*pi*Fp_alp1/Fs_eeg;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
ws_alp2 = 2*pi*Fs_alp2/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);
29
30
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 Delta wave
Fp_alp1
Fp_alp2
Fs_alp1
Fs_alp2
=
=
=
=
1;
3;
0.5;
4;
%Hz
%Hz
%Hz
%Hz
wp_alp1 = 2*pi*Fp_alp1/Fs_eeg;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
ws_alp2 = 2*pi*Fs_alp2/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_eyo_c = filter (B_alp,A,eyes_close);
alp_eyo_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_eyo_c,'r');
title('Close Eyes');
3.
Perhitungan RMS pada Good music dan Bad Music dari sinyal Alpha
Perhitungan RMS pada Good Music
Tugas Pemrosesan Sinyal EEG
31
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);
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;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
ws_alp2 = 2*pi*Fs_alp2/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);
32
%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');
%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));
33
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;
wp_alp2 = 2*pi*Fp_alp2/Fs_eeg;
ws_alp1 = 2*pi*Fs_alp1/Fs_eeg;
ws_alp2 = 2*pi*Fs_alp2/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');
34
35