Deteksi Kantuk Melalui Extreme Learning Machine

Share on facebook
Share on google
Share on twitter
Share on linkedin
Ilustrasi oleh IEXL

Mengantuk adalah kondisi antara terjaga dan terlelap. Mengantuk juga merupakan salah satu faktor penyebab kecelakaan di jalan. Data kecelakaan lalu lintas menunjukkan bahwa 83% kejadian disebabkan oleh kelelahan, mengantuk dan melebihi ambang batas kecepatan.

Oleh karena itu, alarm system sangat diperlukan untuk mencegah kantuk saat mengemudi. Sebelumnya telah banyak dikembangkan alarm system yang memanfaatkan kamera untuk memonitor gerakan mata atau sensor yang diletakkan di ban untuk mencegah selip saat pengemudi mengantuk. Namun sistem ini masih terbatas yang disebabkan oleh adanya intensitas cahaya atau cuaca. Alternatif lain yang ditawarkan untuk mengatasi hal tersebut adalah dengan menggunakan gelombang otak yang direkam oleh EEG (Electroencephalograph) berbasis BCI (Brain Computer Interface).

Otak merupakan organ yang paling menarik untuk diteliti atau diamati, karena semua perintah tubuh terkoordinir di otak. Sinyal otak merupakan sinyal terkompleks yang dapat dihasilkan tubuh manusia. Terdiri dari chanel elektroda yang masing-masing merepresentasikan aktivitas listrik dari bagian atau region dalam otak.

BCI tidak seperti alat EEG yang ada di rumah sakit dengan banyak kabel yang terhubung, melainkan lebih berbentuk seperti headset dan tanpa ada kabel yang terjuntai keluar karena terhubung melalui bluetooth sehingga mudah digunakan. BCI menggunakan prinsip EEG dan sudah banyak dikembangkan secara komersil dengan harga yang terjangkau baik untuk aplikasi games maupun bidang medis. Salah satu tipe BCI komersil adalah EMOTIV EPOC+ dengan memiliki 14 channel elektroda. Diantaranya (AF3, AF4, F3, F4, F7 dan F8 yang merepresentasikan frontal cortex, T7 -T8 merepresentasikan temporal cortex bagian kanan dan kiri, P7-P8 merepresentasikan parietal cortex dan O1-O2 merepresentasikan occipital cortex. BCI juga dapat dimanfaatkan untuk merekam aktivitas listrik otak saat kondisi mengantuk dan kondisi terjaga.

Saat mengantuk, gelombang alpha dan gelombang theta meningkat intensitasnya dibanding pada saat kondisi terjaga. Gelombang alpha merupakan gelombang otak dengan frekuensi 8-12 Hz sedangkan gelombang theta memiliki frekuensi 4-8 Hz. Keduanya muncul pada orang normal saat kondisi rileks dan santai dan cenderung mengantuk. Hal ini dapat dimanfaatkan untuk mendeteksi kondisi mengantuk saat berkendara. Dengan bantuan wavelet sebagai metode pengolahan untuk mengubah sinyal dalam bentuk waktu menjadi bentuk frekunsi. Ditambah pula dengan adanya Artificial Neural Network atau jaringan syaraf tiruan metode Extreme Learning Machine untuk membedakan kondisi mengantuk dan terjaga secara otomatis.

Extreme Learning Machine merupakan metode popular yang dapat mengklasifikasikan grup berdasarkan fitur-fitur karakteristik yang dimiliki oleh masing-masing grup tesebut dengan cepat dan akurasi nilai yang tinggi. Extreme learning machine memiliki dua tahap diantaranya proses pelatihan dan proses pengujian. Proses pelatihan merupakan proses penting dalam Extreme learning machine karena fitur yang dilatih akan menentukan hasil pengujian di akhir. Bila fitur yang dimasukkan tidak merepresentasikan ciri dari masing-masing kelas, maka hasil pengujian akan memiliki nilai akurasi yang rendah. Meskipun terdapat perbedaan frekuensi antara kondisi mengantuk dan terjaga, yaitu meningkatnya gelombang alfa dan theta saat mengantuk namun perbedaan tersebut kurang signifikan secara statistic sehingga akan menurunkan akurasi pengujian Extreme Learning Machine. Oleh karena itu, perlu ditambahkan metode Common Spatial Pattern yang dapat meningkatkan perbedaan nilai beragam dari dua kelompok tersebut.

Sistem analisis dan klasifikasi berbasis Extreme learning machine dengan memanfaatkan fitur frekuensi gelombang otak Delta (0-4 Hz), Theta (4-8 Hz), Alfa (8-16 Hz) dan Beta (16-32 Hz) yang diolah lebih lanjut menggunakan metode Common Spatial Pattern memperoleh akurasi di atas 91%. Sedangkan hasil klasifikasi Extreme learning machine dengan memanfaatkan fitur frekuensi gelombang otak tanpa menambahkan metode Common Spatial Pattern hanya memperoleh akurasi sebesar 72%. Hal ini menunjukkan bahwa Extreme learning machine yang didukung oleh Common Spatial Pattern dapat digunakan untuk membedakan EEG pada kondisi mengantuk dan terjaga. Diharapkan sistem ini dapat bermanfaat dalam mengembangkan alarm system secara otomatis dengan basis sinyal gelombang otak untuk mendeteksi pengendara motor yang mengantuk. Sehingga dapat mengurangi risiko kecelakaan yang terjadi.

Penulis: Osmalina Nur Rahma

Informasi detail dari riset ini dapat dilihat pada tulisan kami di:

http://jmss.mui.ac.ir/index.php/jmss/article/view/489

Osmalina Nur Rahma, Akif Rahmatillah. Drowsiness Analysis Using Common Spatial Pattern and Extreme Learning Machine Based on electroencephalogram Signal. Journal of Medical Signals and Sensors, ISSN : 2228-7477

Berita Terkait

UNAIR News

UNAIR News

Media komunikasi dan informasi seputar kampus Universitas Airlangga (Unair).

Leave Reply

Close Menu