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