Seminar Nasional Inovasi dan Teknologi Informasi 2014 (SNITI)

Parbaba-Samosir, 10 - 11 Oktober 2014

DENOISING ARTEFAK PADA SINYAL ELEKTROENSEFALOGRAM (EEG)

MENGGUNAKAN FIR FILTER DENGAN METODE TRANSFORMASI WAVELET
Janner Simarmata1, Mardi Turnip2, Arjon Turnip3
1
Universitas Negeri Medan, Sumatera Utara
2
Universitas Prima Indonesia, Medan
3
UPT BPI – LIPI
E-mail: jannersimarmata@gmail.com1, mardy_itteam@yahoo.co.id2, arjon.turnip@lipi.go.id3

ABSTRAK
Elektroensefalografi (EEG) memberikan informasi rekaman sinyal otak secara non-invasif untuk menganalisis
aktivitas otak yang penting bagi tenaga klinis untuk melakukan diagnosa, monitoring, dan managing penyakit
atau kelainan pada saraf. Sinyal yang telah terekam tersebut seringkali masih mengandung berbagai
kontaminasi sinyal yang disebut Artefak. Diantaranya adalah pengaruh aktifitas otot bola mata yang disebut
sebagai artefak EOG (Electrooculography) yang menjadi masalah dalam menginterpretasi sinyal EEG tersebut.
Pada paper ini diajukan metode menggunakan Filter FIR dan Wavelet Transform. Dengan metode tersebut
diharapkan hasil dari eksperimen nantinya menunjukkan bahwa artefak dari EOG pada sinyal EEG dapat
berkurang seminimal mungkin.

Kata kunci: sinyal eeg, artefak eog, filter fir, wavelet transform, denoising

1. PENDAHULUAN mata), noise otot (EMG), sinyal jantung, dan

berbagai macam noise yang tercampur dengan
Sinyal biomedis (biosignal) dalam berbagai
sinyal otak dan seringkali menjadi artefak dalam
bentuk merupakan sumber informasi yang berasal
rekaman EEG [6,7,8]. Banyak aktivitas yang
dari tubuh dan sangat berguna dalam interpretasi
disebabkan pada otot di bagian wajah,leher, dan
medis. Otak merupakan organ tubuh manusia yang
pada scalp yang disebabkan oleh pergerakan,
terdiri dari jaringan neuron yang mampu
mengunyah, menelan, gelisah, tremor atau tegang
membangkitkan energi potensial listrik yang
otot umumnya [9, 10].
dikenal sebagai neuroelectric potentials [1].
Penghilangan artefak adalah solusi nyata untuk
Electroencephalogram (EEG) adalah sebuah
analisis kuantitatif [6]. Para peneliti menghilangkan
pengukuran secara non-invasif dari aktivitas listrik
artefak dalam sinyal EEG yang disebut raw data
otak yang diperoleh dengan penempatan beberapa
[11] untuk memperoleh sebuah sinyal yang “clean”
elektroda pada scalp (kulit kepala) di area otak [2].
yang dapat dianalisis lebih lanjut[12]. Oleh karena
EEG, dimana merupakan alat yang penting bagi
itu, diperlukan suatu proses pereduksi noise
klinisi untuk interpretasi, mendiagnosa, memonitor,
(denoising).
dan mengatur mengenai kelainan atau penyakit
Metode kuantitatif untuk analisis EEG telah
pada saraf, seringkali dikontaminasi oleh artefak
dikembangkan oleh banyak peneliti. Metode yang
yang seringkali berasal dari aktifitas otot, yang
banyak digunakan untuk mengolah dan mengurangi
mana dapat mengurangi kegunaannya bagi klinis
noise dari sinyal otak diantaranya bandpass filter,
dan menganggu interpretasi sinyal [2,3,4].
autoregressive model [29], Finite Impuls Respon
Artefak adalah sinyal yang tidak diinginkan
(FIR), Untukpengolahan sinyal yang lebih
yang dapat menunjukkan perubahan yang
sederhana, maka digunakan FIR Filter. Yang
signifikan pada sinyal otak [5]. Artefak berasal dari
kemudian dianalisis menggunakan wavelet.
rekaman non-cerebral oleh elektroda-elektroda
Waveletadalah sebuah model matematika yang
EEG [2]. Berdasarkan asalnya, artefak dapat dibagi
sesuai dalam mendeteksi dan menganalisis kejadian
menjadi dua jenis, yaitu:
yang terjadi dalam skala berbeda, memberikan
 Biological Artifacts : seringkali
informasi pada domain waktu dan frekuensi [13].
disebabkan oleh Electrooculogram (EOG)
Sinyal EEG yang tercampur dengan EOG
atau aktifitas ocular, Electromyogram
diilustrasikan seperti pada gambar 1.
(EMG) atau aktifitas otot, dan
Electrocardiogram (ECG) atau aktifitas
jantung;
 External Artifacts: disebabkan
berkaitan dengan faktor-faktor secara
teknis seperti line-interference, leads, dan
electrodes[2].
Sumber artefak utama adalah artefak EOG,
Artifak ocular (Oas) (pergerakan mata dan kedipan
hal 1
Seminar Nasional Inovasi dan Teknologi Informasi 2014 (SNITI)
Parbaba-Samosir, 10 - 11 Oktober 2014

Gambar 1. EEG tercampur sinyal EOG [14] memiliki 14 elektroda dan 2 reference serta
Metode wavelet ini memiliki kemampuan dalam dilengkapi dengan paket antarmuka pemrograman
mengubah sebuah sinyal dengan domain waktu ke aplikasi (Application Programming Interface), API.
dalam waktu dan frekuensi yang membantu untuk EEG ini akan merekam sinyal dari kegiatan
memahami karakteristik sinyal lebih baik. eksperimen tersebut dimana dalam 1 epoch terdapat
Denoising mempunyai peran penting dalam analisis 128 data tiap detik.
sinyal. Proses ini sangat diperlukan sebelum data Sebelum elektroda dipasang pada alat,
dianalisis. Pentingnya denoising ini bertujuan untuk sebaiknya ditetesi dengan cairan elektrolit terlebih
memperoleh hasil sinyal yang lebih akurat dan dahulu untuk meningkatkan konduktivitas elektroda
mendekati aslinya. Proses denoising ini akan dimana elektroda terlapisi oleh busa yang bersifat
menghapus sinyal noise dan mempertahankan isolator. Kemudian alat ini dipasangkan pada scalp
informasi yang penting [15]. (kulit kepala) subyek dengan elektroda pada kanal
Dalam keadaan secara statistik biasanya T7, O1, O2, dan T8 yang diaktifkan (dapat dilihat
seringkali terkait dengan sampel secara diskrit dan pada gambar 3) dengan tujuan peletakan ini sesuai
jarang pada fungsi-fungsi kontinyu [16]. Dewasa dengan fungsi dari bagian kulit kepala yang
ini, Stationary Wavelet Transform (SWT) dari ditunjuk dengan stimulus yang diberikan.
sinyal EEG yang tercampur artefak telah banyak
digunakan dalam mende-noise sinyal.
Pada penelitian ini, digunakan FIR filter sebagai
pemfilter sinyal input yang diperoleh dari data
sampel percobaan terhadap sinyal EEG yang
mengandung banyak noise berupa artefak. FIR A T T A
filter merupakan filter digital yang memiliki respon 1 7 8 2
impuls terbatas. Alasan menggunakan Filter FIR ini 2
karena memiliki sistem yang stabil dan non-
rekursif, serta output yang dihasilkan tidak O O
1 2
terpengaruh oleh output sebelumnya. Hasil filter 1
kemudian digunakan metode SWT untuk
mendenoising sinyal menggunakan wavelet Gambar 3. Peletakan elektroda pada T7, O1, O2,
Daubechies (db4). Dengan tujuan untuk dan T8
meminimalisasi noise akibat adanya artefak pada Stimulus yang digunakan pada pengambilan
sinyal EEG sehingga diperoleh sebuah data sinyal data sampel pada penelitian ini adalah stimulus
EEG clean. visual berupa video rekaman naracoba melakukan
aktivitas yang sesuai dengan skenario yang dibuat.
2. METODOLOGI Tabel 1 Alur Skenario pengambilan data pada
a. Metode Akuisisi Data OpenViBE Stimulus 1 dan 2
Data sampel sinyal EEG diperoleh dengan Detik Aktivitas Keterangan
melakukan eksperimen. Eksperimen dalam 0-60 Normal Stimulus 1
penelitian ini dilakukan oleh satu orang mahasiswa 61-62 + (persiapan)
Teknik Fisika, Institut Teknologi Bandung 62-102 Memejamkan Stimulus 2
untrained yaitu berjenis kelamin laki-laki berusia mata
22 tahun dengan kondisi sehat, berambut tipis dan 102-104 Selesai
tanpa kelainan apapun.
Berikut adalah skema metode secara Tabel 2 Alur Skenario pengambilan data pada
menyeluruh dijelaskan pada gambar 2. OpenViBE Stimulus 3
Detik Aktivitas
0-15 Diam
15-17 + (persiapan)
17-22 Mengedipkan mata
22-27 Mengedipkan mata
27-32 Mengedipkan mata
32-37 Mengedipkan mata
37-42 Mengedipkan mata
Gambar 2. Skema metode eksperimen secara 42-44 Selesai
menyeluruh Skenario pertama yang digunakan untuk
stimulus 1, yaitu pengambilan data pada kondisi
1. Akuisisi Data normal selama 60 detik. Kemudian pada detik 60-
Alat yang digunakan pada eksperimen ini adalah 62 akan muncul tanda ‘ + ‘ yang menandakan
EEG Neuroheadset Emotiv EPOC wireless yang persiapan untuk melakukan stimulus berikutnya.

hal 2
Seminar Nasional Inovasi dan Teknologi Informasi 2014 (SNITI)
Parbaba-Samosir, 10 - 11 Oktober 2014
Kemudian akan muncul tanda panah yang tandanya
naracoba melakukan stimulus kedua yaitu
memejamkan mata selama 60 detik. Skenario kedua
yaitu digunakan untuk stimulus 3, diawali dengan
kondisi normal selama 15 detik. Kemudian pada
detik 15-17 akan muncul tanda ‘ + ’ yang
menandakan persiapan untuk melakukan gerakan.
Kemudian akan muncul tanda panah yang artinya
mengedipkan mata. Alur scenario secara rinci
ditunjukkan pada tabel 1 dan2.
b. Pengolahan Sinyal EEG
Perangkat lunak OpenViBE yang berfungsi
untuk akuisisi data dan desain untuk pembuatan
algoritma pemrograman, Matlab yang telah terinstal
toolbox EEGLAB yang berfungsi untuk
menampilkan sinyal EEG dimana mengekstraksi
file rekaman sinyal EEG dari OpenViBE dalam
file .EDF diubah ke file .m agar bisa terbaca di
Matlab(pre-prosessing sinyal). Sinyal tersebut
kemudian di remove baseline dan selanjutnya
difilter menggunakan FIR Filter, untuk memperoleh
hasil yang lebih baik kemudian digunakan wavelet
denoising pada toolbox Wavelet Toolbox Main
Menu pada menu SWT (Stationary Wavelet
Transform) Denoising 1-D.
c. Metode yang digunakan
1. FIR Filter
Filter digital dengan respon impuls finite-
duration (all-zero, atau disebut FIR Filter) yang
memiliki keuntungan dan kerugian dibandingkan
respon impuls infinite-duration dari IIR Filter.
Keuntungan FIR yaitu fase linear, stabil, non-
rekursif dapat direalisasikan pada hardware,
memiliki durasi yang terbatas. Kerugian utama dari
Filter FIR adalah seringkali meminta orde filter
yang lebih tinggi daripada Filter IIR. Dan delay dari
filter ini seringkali lebih tinggi. [user guide signal
processing].
Secara umum, persamaan fungsi transfer filter
FIR:
M (CWT) dipaparkan pada persamaan berikut ini.
y [ n ] =∑ ❑b x x [n−k ]
k=0
2. Wavelet Denoising
2.1Transformasi Wavelet
Teori wavelet adalah suatu konsep yang relatif
baru dikembangkan. Kata wavelet sendiri diberikan
oleh Jean Morlet dan Alex Grossman diawal tahun
1980-an, dan berasal dari bahasa Prancis, ondellete
yang berarti gelombang kecil. Kata onde yang
berarti gelombang kemudian diterjemahkan ke
bahasa inggris menjadi wave, kemudian digabung
dengan kata aslinya sehingga terbentuk kata baru
wavelet. Salah satu alasan mengapa transformasi
wavelet begitu penting dalam berbagai bidang
adalah karena sifat-sifat berikut:
a. Waktu kompleksitasnya bersifat linear.
Transformasi wavelet dapat dilakukan dengan
sempurna dengan waktu yang bersifat linear.
b. Koefisien-koefisien wavelet yang terpilih
bersifat jarang. Secara praktis, koefisien-
koefisien wavelet kebanyakan bernilai kecil
atau nol. Kondisi ini sangat memberikan
keuntungan terutama dalam bidang kompresi
atau pemampatan data.
c. Wavelet dapat beradaptasi pada berbagai jenis
fungsi, seperti fungsi yang tidak kontinu, dan
fungsi yang didefinisikan pada domain yang
dibatasi [15].
Jika dibandingkan antara wavelet dan
gelombang sinus, yang mana adalah basis dari
analisis fourier. Sinusoida tidak memiliki durasi
yang terbatas. Sinusoida itu smooth dan dapat
diprediksi, jika wavelet cenderung irregular dan
asimetris [20].
Gambar 4. Gelombang sinus dan wavelet
Secara umum, fungsi wavelet y(t) adalah fungsi
yang bernilai kompleks. Sebuah fungsi umum dari
wavelet didefinisikan sebagai persamaan di bawah
ini [18,19,20].
1
ψ s , t ( t ) =¿ s∨¿ 2 ψ ([ t−τs )] ¿
(2)
Dimana s,τϵ R, s ≠ 0, yang merupakan skala
dan parameter translasi dan t adalah waktu.
Dalam Continuous Wavelet Transform (CWT),
sinyal dianalisis menggunakan seperangkat fungsi
dasar yang saling berhubungan dengan penskalaan
dan transisi sederhana [21].
Pengembangan Continuous Wavelet Transform
(1) 1
X WT ( τ , s ) =
√ ¿ s∨¿∫ x ( t ) ψ ( t−τs ) dt ¿
(3)
Discrete Wavelet Transform (DWT)
memberikan sebuah non-redundant, secara efisien
representasi wavelet yang dapat diimplementasikan
dengan skema sederhana dari filter berulang dan
rekonstruksi sinyal asli dapat diperoleh dengan
sebuah operasi invers filtering [21].
Transformasi wavelet yang diwujudkan dalam
dekomposisi sinyal masukan dan difilter , LPF
hal 3
Seminar Nasional Inovasi dan Teknologi Informasi 2014 (SNITI)
Parbaba-Samosir, 10 - 11 Oktober 2014
menghasilkan bentuk gelombang yang disebut
dengan Aproksimasi dan HPF menghasilkan
gelombang acak yang disebut detail. Korelasi ini
dengan fungsi wavelet diatur dalam skema hierarki
yang disebut mutiresolusi dekomposisi. Dimana
Dekomposisi memisahkan sinyal ke dalam “detail”
pada skala yang berbeda dan “aproksimasi”.
SWT berguna secara berulang untuk filter dalam
membagi dua bandwith dari satu level ke level lain.
Skema dekomposisi dan rekonstruksi dapat dilihat
pada gambar 3 [14].
(a)
(b)
Gambar 5. (a) Skema dekomposisi wavelet diskrit,
(b) rekonstruksi wavelet multiresolusi
2.2Daubechies Wavelet (dbN)
Wavelet Daubechies adalah wavelet dengan fase
yang ekstrem dari Daubechies. N menunjukkan
jumlah titik yang hilang. Wavelet dapat orthogonal,
ketika fungsi penskalaan memiliki nomor koefisien
yang sama sebagai fungsi wavelet, atau
biorthogonal, ketika jumlah koefisien berbeda. Ini
sangat berguna untuk analisis lokal. Ini juga hanya
wavelet simetris di family daubechius dan hanya
satu yang memiliki ekspresi eksplisit dalam bentuk
diskrit.Wavelet dengan jumlah N yang lebih sedikit
memberikan sedikit smoothing dan menghilangkan
sedikit detail. Sedangkan wavelet dengan jumlah N
yang lebih besar membuar distorsi
[18,22,23,24,25].
Gambar 4 berikut ini menggambarkan family
wavelet daubechies-N.
Gambar 6. Wavelet Daubechies : dbN
2.3Wavelet Denoising
Wavelet denoising bertujuan untuk menghapus
noise yaitu berupa artifak pada sinyal yang terekam
pada EEG sambil menjaga karakteristik sinyal,
terlepas dari isi frekuensi. Semua filter wavelet
menggunakan wavelet operasi thresholding untuk
denoising[15].
Proses denoising (pengurangan noise)
didasarkan pada penghapusan atau pengurangan
data sinyal yang dianggap noise. Dalam denoising
yang menggunakan wavelet, terdapat banyak
metode yang digunakan untuk mengurangi noise.
Denoising diterapkan dengan men-treshold
koefisien wavelet.Inputan berupa sinyal digunakan
transformasi wavelet diskrit. Dengan tresholding,
transformasi wavelet akan dapat menghilangkan
noise atau sinyal lain yang tidak dikehendaki dalam
domain wavelet. Kemudian akan diperoleh sinyal
yang diinginkan setelah melakukan invers terhadap
wavelet tersebut.
Dengan metode ini, kita perlu memahami
konsep koefisien wavelet yang merepresentasikan
sebuah pengukuran pada frekuensi antara sinyal dan
fungsi wavelet yang dipilih. Koefisien wavelet
diperhitungkan sebagai sebuah konvolusi sinyal dan
fungsi wavelet yang mana berhubungan dengan
bandpass filter. Ketika kita menganalisa sinyal pada
skala tinggi, kita memperoleh informasi global dari
sebuah sinyal yang disebut approximation. Dan
pada skala kecil, kita memperoleh informasi dari
sebuah sinyal yang disebut details [26,27,28].
Berikut adalah skema pemrosesan sinyal
menggunakan wavelet dapat dilihat pada gambar 7.
Sinyal EEG
Hasil FIR Filter
Buka wavelet toolbox main menu di
Matlab
Pilih menu SWT Denoising 1-D untuk
proses dekomposisi dan denoise hal 4
Impor sinyal hasil filter
dari workspace
 Denoising sinyal dan
Save De-noising sinyal

Seminar Nasional Inovasi dan Teknologi Informasi 2014 (SNITI) Plot Pengurangan Sinyal sebelum
Parbaba-Samosir, 10 - 11 Oktober 2014 denoising dan denoising sinyal di
Matlab

Clean EEG Data

Gambar 9. Sinyal EEG stimulus 1 setelah difilter

dengan Bandpass FIR Filter

Gambar 7. Flowchart pemrosesan sinyal digital

menggunakan wavelet

3. HASIL DAN DISKUSI

Penelitian ini secara garis besar tentang
penghilangan dan memperbaiki sinyal dari data
yang bernoise menggunakan transformasi wavelet.
Sebelum mendiskusikan tentang ini, deskripsi dari
denoising sinyal dijelaskan sebagai berikut. Gambar 10. Magnitude dan Fasa dari Bandpass
Model dari sinyal bernoise diekspresikan FIR Filter
sebagai

X [ n ] =S [ n ] +G[n] (4)

Dengan sinyal X merupakan sinyal yang masih

terdapat noise , S merupakan sinyal EEG, dan G
merupakan noise yang ditambahkan serta n
merupakan titik cuplikan. Prosedur denoising ada 3
tahap, yaitu: (a) dekomposisi, (b) thresholding
koefisien detail, (c) rekonstruksi.
Gambar 11. Sinyal EEG data stimulus 1 channel
Data sampel sinyal EEG yang diperoleh dari
T7
perekaman sinyal otak kemudian diolah pada
Matlab dengan menggunakan filter FIR kemudian
hasil filter di denoising menggunakan Wavelet
toolbox Main Menu dengan metode wavelet
Daubechies 4 level dekomposisi 3.
Sinyal EEG dengan stimulus 1 sebelum proses
filtering pada waktu 0-25 detik ditunjukkan oleh
Gambar 8.

Gambar 12. Sinyal EEG data stimulus 1 channel

T7 setelah remove baseline

Gambar 8. Sinyal EEG stimulus 1 sebelum di filter

hal 5
Seminar Nasional Inovasi dan Teknologi Informasi 2014 (SNITI)
Parbaba-Samosir, 10 - 11 Oktober 2014

[4] David Looney, Ling Li,

Tomasz.M.Rutkowski, Danilo P.Mandic,
dan Andrzej Cichocki, “Ocular Artifacts
removal from EEG using EMD”,
[5] Mehrdad Fatourechi, Ali Bashashati, Rabab
K.Ward, Gary E.Birch, “EMG and EOG
artifacts in brain computer interface system:
A survey”, Clinical neurophysiology 118
(2007) 480-494
[6] Theo Gasser, Jan. C. Schuller, Ursula
Gambar 12. Sinyal EEG data stimulus 1 channel Schreiter Gasser, “Correction of muscle
T7 hasil filter bandpass FIR Filter artefacts in the EEG power spectrum”,
Clinical Neurophysiology 116 (2005) 2044-
2050
[7] Muhammad Tahir Akhtar, Wataru
Mitsuhashi, Christoper J.James, “Employing
spatially constrained ICA and wavelet
denoising, for automatic removal or artifacts
from multichannel EEG data”, Signal
processing 92 (2012) 401-416
[8] Hoang-Anh T.Nguyen, John Musson, Feng
Li, Wei wang, “EOG artifact removal using
a wavelet neural network”, Neurocomputing
Gambar 13. Sinyal denoise setelah wavelet 97 (2012) 374-389
Daubechies 4 level 3 [9] Maarten van de Velde, Gerard van Erp,
Pierre J.M.Cluitmans, “Detection of muscle
8
Sinyal residu setelah dikurang oleh sinyal denoise channel T7 artefact in the normal human awake EEG”,
6
Electroencepalography and clinical
4
neurophysiology 107 (1998) 149-158
2
[10] P.K.Sadasivan and D.Narayana Dutt,
0
“Minimization of EOG artefacts from
-2
corrupted EEG signals using neural network
-4
approach”, Compt.Biol.Med.Vol.24 No.6 pp
-6
441-449. 1994.
-8
[11] Sebastian Olbrich, Johannes Jodicke,
Christian Sander, Hubertus Himmerich,
0 128256384512640768896
1024
1152
1280
1408
1536
1664
1792
1920
2048
2176
2304
2432
2560
2688
2816
2944
3072
3200
3328
3456
3584
3712
3840
3968
4096
4224
4352
4480
4608
4736
4864
4992
5120
5248
5376
5504
5632
5760
5888
6016
6144
6272
6400
6528
6656
6784
6912
7040
7168
7296
7424
7552
7680
7808
7936
8000

Gambar 14. Sinyal residu (clean Data) setelah Ulrich Hegeri, “ICA-based muscle artefact
dikurangi sinyal denoise pada channel T7 correction of EEG data:What is muscle and
what is brain?Comment on McMenamin et
al, Neuroimage 54 (2011) 1-3
4. KESIMPULAN [12] Vernon Lawhern, W.David Hairston, Kaleb
McDowell, Marissa Westerfield, Kay
Pengolahan sinyal digital menggunakan Robbins, “Detection and classification of
Bandpass FIR Filter dengan frekuensi 7-30 Hz subject-generated artifacts in EEG signals
dapat men using autoregressive models”, Journal of
Neuroscience Methods 208 (2012) 181-189
DAFTAR PUSTAKA [13] P.Senthil Kumar, R.Arumuganathan,
[1] Saeid Sanei dan J.A.Chambers, 2007. “EEG K.Sivakumar, C.Vimal, “An adaptive
Signal Processing”, hal.12, UK: John method to remove ocular artifacts from EEG
Wiley&Sons, Ltd. signals using wavelet transform”, journal of
[2] Aysa Jafarifarmand, Mohammad Ali applied science research, 5(7): 741-745,
Badamchizadeh, “Artifacts removal in EEG 2009.
signal using a new neural network [14] Samar, V.J., Ajit Bopardikar, Raghuveer
enchanced adaptive filter”, Neurocomputing Rao, and Kenneth Swartz, “Wavelet analysis
103 (2013) 222-231 of neuroelectric waveforms: A conceptual
[3] Simon O’Regan, Stephen Faul, William tutorial”, Brain and language, 66: 7-60, 1999
Marnane, “Automatic detection of EEG [15] Christa E.Bire, Bambang Cahyono,
artefacts arising from head movements using “Denoising pada citra menggunakan
EEG and gyroscope signals”, Medical transformasi wavelet”, 2012, Semarang
Engineering&Physics 35 (2013) 867-874

hal 6
Seminar Nasional Inovasi dan Teknologi Informasi 2014 (SNITI)
Parbaba-Samosir, 10 - 11 Oktober 2014

[16] P.Senthil Kumar, R.Arumuganathan, chemometrics and intelligent laboratory

K.Sivakumar, dan C.Vimal, “Removal of systems 48 (1999) 21-34
ocular Artifacts in the EEG through wavelet [29] A.Turnip and K.S.Hong.(2012).Classifying
transform without using an EOG Reference Mental Activities From EEG-P300 Signals
Channel”, Int.J.Open problems compt.Math., using Adaptive Neural Network, International
Vol.1,No.3, December 2008. Journal of Innovative Computing, Information
[17] R.Romo Vazquez, H.Velez-Perez, R.Ranta, and Control.,vol 8, No.9.
V.Louis Dorr, D.Maquin, “Blind source
separation, wavelet denoising and
discriminant analysis for EEG artefacts and
noise cancelling”, Biomedical signal
processing and control 7 (2012) 389-400.
[18] Mohd Zul-Hilmi Bin mohamad, “Denoising
of an experimental acoustic emission (AE)
data using one dimensional (1-D) Wavelet
Packet Analysis, 2009
[19] Joe-Air Jiang, Chih-Feng Chao, Ming-Jang
Chiu, Ren-Guey Lee, “An automatic
analysis method for detecting and
eliminating ECG artifacts in EEG”,
computers in biology and medicine 37
(2007) 1600-1671
[20] Wei-Yen Hsu, Chao-Hung Lin, Hsien-Jen
Hsu, Po-Hsun chen,I-Ru chen, “Wavelet-
based envelope features with automatic
EOG artifact removal: application to single-
trial EEG data”, expert system with
application 39 (2012) 2743-2749
[21] O.A.Rosso, M.T.Martin, A.Figliola.
K.Keller. A.Plastino, “EEG analysis using
wavelet-based information tools”, journal of
neuroscience methods 153 (2006) 163-182
[22] Michel Misiti, Yves Misiti, Georges
Oppenheim, Jean-Michel Poggi, “Wavelet
Toolbox, User’s Guide”, 2013
[23] Michel Misiti, Yves Misiti, Georges
Oppenheim, Jean-Michel Poggi, “Wavelet
Toolbox, Getting Started”, 2013
[24] Michel Misiti, Yves Misiti, Georges
Oppenheim, Jean-Michel Poggi, “Wavelet
Toolbox, Reference”, 2013
[25] Misiti Michel, Misiti Yves, Oppenheim
Georges, Poggi, J.M, “Wavelet and their
application”, ISTE Ltd, 2006.
[26] Howan Leung, Kaspar Schindler, Anne Y.Y
Chan, Alexander Y.L.Lau, Ka Lau leng,
“Wavelet-denoising of
electroencephalogram and the absolut slope
method: A new tool to improve
electroencephalographic localization and
lateralization”, clinical neurophysiology 120
(2009) 1273-1281
[27] R.Quian Quiroga, H.Garcia “Single-trial
event-related potentials with wavelet
denoising”, clinical neurophysiology 114
(2003) 376-390
[28] L.Pasti, B.Walczak, D.L.Massart,
P.Reschiglian, “Optimization of signal
denoising in discrete wavelet transform”,

hal 7