Deteksi prakejang pada pasien epilepsi berdasarkan rekam sinyal EEG menggunakan metode LSTM
Abstract
Epilepsi adalah penyakit otak yang tidak menular dan memengaruhi sekitar 50 juta orang di dunia. Sinyal electroencephalogram (EEG) memberikan informasi penting tentang aktivitas listrik otak. Epilepsi bisa terdeteksi melalui analisis sinyal EEG, tetapi prosesnya rumit, membutuhkan keterampilan manusia, dan memakan waktu. Deteksi prakejang pada pasien epilepsi merupakan tantangan dalam bidang neurologi. Dalam penelitian ini, kami memfokuskan pada pengembangan metode deteksi prakejang menggunakan sinyal EEG dan menggunakan pendekatan metode Long Short-Term Memory (LSTM). Dalam analisisnya. Sinyal EEG direkam dari pasien epilepsi selama periode tertentu, dan kemudian dilakukan pemrosesan dan analisis menggunakan metode LSTM. LSTM adalah jenis jaringan saraf rekuren (RNN) yang terkenal karena kemampuannya dalam memodelkan dan mempelajari urutan data. Pendekatan LSTM memungkinkan pemodelan yang lebih baik terhadap karakteristik dinamis sinyal EEG, termasuk pola sebelum terjadinya prakejang. Dalam penelitian ini, kami menggunakan dataset sinyal EEG yang terdiri dari pasien epilepsi dengan prakejang dan tanpa prakejang. Data tersebut dibagi menjadi set pelatihan dan set pengujian untuk melatih dan menguji model LSTM. Proses pelatihan model dilakukan dengan mengoptimalkan parameter dan menyesuaikan bobot jaringan LSTM berdasarkan data pelatihan. Hasil eksperimen menunjukkan bahwa metode LSTM mampu mendeteksi prakejang pada pasien epilepsi dengan tingkat akurasi 98.44% dengan menggunakan optimizer RMSprop. Penelitian ini memberikan kontribusi dalam pengembangan teknik deteksi prakejang pada pasien epilepsi menggunakan sinyal EEG dan metode LSTM. Hasil-hasil penelitian ini dapat digunakan sebagai dasar untuk pengembangan sistem deteksi prakejang yang lebih lanjut.
Full Text:
PDFReferences
Akut, R. (2019). Wavelet based deep learning approach for epilepsy detection. Health Information Science and Systems, 7(1), 1–9. https://doi.org/10.1007/s13755-019-0069-1
Djoufack Nkengfack, L. C., Tchiotsop, D., Atangana, R., Louis-Door, V., & Wolf, D. (2021). Classification of EEG signals for epileptic seizures detection and eye states identification using Jacobi polynomial transforms-based measures of complexity and least-square support vector machine. Informatics in Medicine Unlocked, 23. https://doi.org/10.1016/j.imu.2021.100536
Harpale, V., & Bairagi, V. (2018). An adaptive method for feature selection and extraction for classification of epileptic EEG signal in significant states. Journal of King Saud University - Computer and Information Sciences. https://doi.org/10.1016/j.jksuci.2018.04.014
Jamaaluddin, J., Anshory, I., Tedjo, S., Hindarto, Fudholi, A., Ahmudiarto, Y., Martides, E., & Sopian, K. (2024). Heat Transfer Management of Solar Power Plant for Dryer. International Journal on Engineering Applications, 12(3), 195–203. https://doi.org/10.15866/irea.v12i3.23959
Jamaluddin, Akbar, A., & Khoiri. (2023). Design Water Flow Measurement with Ultra Sonic Sensor. Engineering and Applied Technology, 1(2), 123–130.
Jason Brownlee. (2021). How to Develop Voting Ensembles With Python. 2017. https://machinelearningmastery.com/voting-ensembles-with-python/
Metzinger, J. L. (2016). Signs and symptoms. Uveitic Glaucoma, 87–92. https://doi.org/10.4324/9780429201738-1
Mohanty, S. N., Chatterjee, J. M., Mangla, M., Satpathy, S., & Potluri, S. (Eds.). (2021). Machine Learning Approach for Cloud Data Analytics in Io. This edition first published 2021 by John Wiley & Sons, Inc., 111 River Street, Hoboken, NJ 07030, USA and Scrivener Publishing LLC, 100 Cummings Center, Suite 541J, Beverly, MA 01915, USA.
Osman, A. H., & Alzahrani, A. A. (2019). New Approach for Automated Epileptic Disease Diagnosis Using an Integrated Self-Organization Map and Radial Basis Function Neural Network Algorithm. IEEE Access, 7, 4741–4747. https://doi.org/10.1109/ACCESS.2018.2886608
Page, A., Sagedy, C., Smith, E., Attaran, N., Oates, T., & Mohsenin, T. (2015). A flexible multichannel EEG feature extractor and classifier for seizure detection. IEEE Transactions on Circuits and Systems II: Express Briefs, 62(2), 109–113. https://doi.org/10.1109/TCSII.2014.2385211
Qureshi, M. B., Afzaal, M., Qureshi, M. S., & Fayaz, M. (2021). Machine learning-based EEG signals classification model for epileptic seizure detection. 17849–17877.
Roihan, A., Sunarya, P. A., & Rafika, A. S. (2020). Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper. IJCIT (Indonesian Journal on Computer and Information Technology), 5(1), 75–82. https://doi.org/10.31294/ijcit.v5i1.7951
Sharmila, A. (2018). Epilepsy detection from EEG signals: a review. Journal of Medical Engineering and Technology, 42(5), 368–380. https://doi.org/10.1080/03091902.2018.1513576
Tzimourta, K. D., Tzallas, A. T., Giannakeas, N., Astrakas, L. G., Tsalikakis, D. G., Angelidis, P., & Tsipouras, M. G. (2018). A robust methodology for classification of epileptic seizures in EEG signals.
WHO. (2019). Epilepsy. 19 Juni. https://www.who.int/news-room/fact-sheets/detail/epilepsy
Yao, X., Li, X., Ye, Q., Huang, Y., Cheng, Q., & Zhang, G. Q. (2021). A robust deep learning approach for automatic classification of seizures against non-seizures. Biomedical Signal Processing and Control, 64(May 2020), 102215. https://doi.org/10.1016/j.bspc.2020.102215
Zhou, D., & Li, X. (2020). Epilepsy EEG Signal Classification Algorithm Based on Improved RBF. Frontiers in Neuroscience, 14(June), 1–7. https://doi.org/10.3389/fnins.2020.00606
Refbacks
- There are currently no refbacks.