Banyak pasien stroke yang mengikuti program rehabilitasi dengan hasil yang seakan-akan tidak nampak signifikan perbaikannya. Hal ini terjadi karena terkadang kita mengalami kesulitan memantau kemajuan selama rehabilitasi. Saat ini ini teknologi elektroensefalografi (EEG) telah digunakan secara luas untuk mempelajari pasien stroke. EEG adalah alat yang dapat merekam aktivitas listrik di sepanjang kulit kepala, sehingga perubahan kecil terjadi di otak mengenai perbaikan kemampuan pasien selama rehabilitasi harapannya dapat ditangkap melalui alat EEG. Penelitian ini mengimplementasikan EEG untuk memantau proses rehabilitasi stroke dengan menganalisis parameter EEG yang dapat digunakan untuk melihat kemajuan rehabilitasi. Sehingga pasien merasa rehabilitasi yang dilakukan ada manfaatnya. Dalam penelitian ini pasien pascastroke yang mengikuti program rehabilitasi fisioterapi menggunakan metode Bobath on hand function diperiksa kondisi EEGnya setiap kali selesai rehabilitasi. Analisis diterapkan pada data individu dalam mengevaluasi kemajuan rehabilitasi antara pre-test dan post-test di setiap perlakuan.
Pada penelitian ini terdapat lima langkah pengolahan data EEG dari raw EEG hingga ekstraksi fitur, dan dijelaskan sebagai berikut: akuisisi data EEG, Signal preprocessing, band filter, ekstraksi fitur, dan analisis data EEG. Hasil menunjukkan bahwa mean absolute value (MAV) dan Power spectral density (PSD) adalah parameter yang dominan dalam memantau kemajuan stroke rehabilitasi.
Pada hasil penelitian, peneliti menemukan bahwa ada nilai kemajuan positif pada fitur PSD (alpha wave, beta high, dan beta low ) yaitu 100%. Sedangkan pada fitur PP (wave beta low), nilai progress negatif juga tercapai 100%. Mengenai fakta ini, kami berpendapat bahwa tingkat kekakuan pasien lebih mendominasi, dan pasien selalu merasa tegang dan ingin cepat selesai saat melakukan pre-test. Oleh karena itu, untuk pemahaman yang lebih baik untuk penelitian selanjutnya, perhatian dan pengobatan khusus perlu ditujukan untuk jenis pasien yang sama, selain memperluas jumlah data pasien stroke. Dalam penelitian ini, peneliti telah mengeksplorasi EEG dengan menggunakan 3 frekuensi band (alpha, beta low dan beta high), 4 fitur berbeda (PSD, PP, MAV dan STD) dalam dua domain (domain frekuensi dan waktu) untuk digunakan sebagai terobosan teknik pemantauan program rehabilitasi stroke menggunakan teknik Bobath. Hasil penelitian menunjukkan bahwa pada analisis Time domain, MAV menunjukkan capaian tertinggi pada pemantauan perkembangan pasien stroke selama rehabilitasi. Artinya, ketika kita menerapkan EEG untuk memantau kemajuan rehabilitasi stroke, fitur MAV dapat menunjukkan kemajuan yang lebih baik dibandingkan dengan fitur STD. Demikian pula dalam domain frekuensi, fitur PSD menunjukkan potensi yang lebih baik untuk digunakan sebagai alat ukur untuk mengamati kemajuan rehabilitasi stroke. Jika membahas tentang pita frekuensi EEG, pita alfa lebih mampu diterapkan sebagai media untuk memantau perkembangannya, dibandingkan pita-pita lain saat mengerjakan domain frekuensi. Selain itu, ketika bekerja dalam domain waktu, frekuensi tinggi beta menunjukkan pita yang lebih baik untuk pemantauan rehabilitasi stroke. Hasil ini masih merupakan langkah awal untuk mengembangkan parameter tetap untuk memantau kemajuan rehabilitasi stroke di masa depan. Lebih banyak pasien stroke yang terlibat dengan durasi pemantauan yang lebih lama dan lebih banyak fitur yang dianalisis akan menghasilkan pemahaman yang lebih baik dan hasil yang lebih baik untuk pekerjaan di masa depan dalam membangun kerangka kerja yang kuat untuk memantau rehabilitasi stroke.
Penulis: Wardah Rahmatul Islamiyah
Link: https://ieeexplore.ieee.org/abstract/document/9263462
Judul artikel:
Statistical Analysis of Subject-Specific EEG data during Stroke Rehabilitation Monitoring Suyasmad, A. D. Wibawa, D. P. Wulandari, P. S. Rahayu and W. R. Islamiyah, “Statistical Analysis of Subject-Specific EEG data during Stroke Rehabilitation Monitoring,” 2020 10th Electrical Power, Electronics, Communications, Controls and Informatics Seminar (EECCIS), 2020, pp. 168-172, doi: 10.1109/EECCIS49483.2020.9263462.
