Penelitian ini menggunakan metode ekstraksi fitur yang sederhana namun akurat untuk mendeteksi epilepsi dari sinyal elektroensefalogram (EEG). Ekstrasi fitur didasarkan pada kombinasi Discrete Wavelet Transform (DWT) dan fitur yang diusulkan, Local Binary Pattern Transition Histogram (LBPTH) dan Local Binary Pattern Mean Absolute Deviation (LBPMAD), metode ekstraksi fitur yang diusulkan dapat menhasilkan fitur dari sinyal EEG secara efisien untuk digunakan pada machine learning dalam melakukan klasifikasi epilepsi. Hasil akurasi klasifikasi yang diperoleh cukup tinggi dengan ukuran fitur hanya sebanyak 18 untuk setiap sinyal. Metode ini diuji pada Dataset EEG Epilepsi Universitas Bonn yang tersedia dengan panjang sinyal 4097 titik data (23,61 detik), metode yang diusulkan mencapai hasil akurasi yang lebih besar dari 99,6% untuk klasifikasi Support Vector Machine (SVM) dan k-Nearest Neighbor (KNN) ictal (set E) terhadap non-ictal (set A, B, C, atau D) atau kombinasi non-ictal (set ACB, set CCD, atau set ACBCCCD) sinyal EEG, yang merupakan salah satu yang terbaik dari yang dipublikasikan saat ini bekerja. Metode kami dapat mempertahankan akurasi klasifikasi yang tinggi bahkan dengan sinyal input pendek, mencapai akurasi klasifikasi SVM lebih dari 99,1% saat panjang sinyal input dikurangi menjadi 512 titik data (2,95 detik). Akurasi tinggi, ukuran fitur kecil, kemampuan untuk bekerja dengan sinyal input pendek dan persyaratan komputasi yang rendah membuat metode yang diusulkan cocok untuk perangkat medis yang dapat dipakai bergerak, berdaya rendah, dan berbiaya rendah.
Metode Local Binary Pattern
Setelah menguraikan sinyal input menjadi koefisien DWT, pemrosesan lebih lanjut biasanya diperlukan untuk mengekstrak fitur signifikan dari setiap sub-band. Kombinasi kekuatan sinyal, beberapa jenis entropi, dan parameter statistik seperti minimum, maksimum, rata-rata, mean deviasi absolut, atau standar deviasi telah diusulkan sebagai metode ekstraksi fitur dalam aplikasi deteksi epilepsi berbasis EEG. Sementara karya sebelumnya telah menunjukkan bahwa parameter ini dapat menghasilkan ukuran vektor fitur input yang relatif kecil, akurasi klasifikasi biasanya merupakan trade-off. Di sini dicoba untuk meminimalkan trade-off tersebut, yakni; dengan mengusulkan penggunaan metode ekstraksi fitur berbasis Local Binary Pattern (LBP) untuk mencapai akurasi klasifikasi yang lebih tinggi sambil menjaga ukuran vektor fitur dan kebutuhan daya komputasi sekecil mungkin.
Metode dan Hasil
Hasil akurasi rata-rata dari 25 run 10 kali lipat klasifikasi k-nearest neighbor (KNN) klasifikasi silang berstrata dari setiap tugas yang ditentukan untuk beberapa nilai K yang berbeda disajikan. Panjang sinyal input dan parameter lainnya sama dengan yang digunakan untuk klasifikasi SVM yang ditentukan di atas. Hasil terbaik dicapai dengan menggunakan K D 1. Dapat diverifikasi bahwa metode ekstraksi fitur yang diusulkan mencapai hasil akurasi klasifikasi yang sama tinggi bila dikombinasikan dengan pengklasifikasi KNN seperti dengan pengklasifikasi SVM.
Dari hasil yang diperoleh, kami menyajikan metode baru untuk ekstraksi fitur dalam klasifikasi pembelajaran mesin epilepsi dari sinyal EEG. Berdasarkan Transformasi Wavelet Diskrit dikombinasikan dengan dua fitur baru yang diusulkan: Histogram Transisi Pola Biner Lokal (LBPTH) dan Deviasi Absolut Pola Biner Lokal (LBPMAD), metode yang kami usulkan memungkinkan ekstraksi fitur yang efisien dari sinyal deret waktu seperti sinyal EEG, mencapai tinggi akurasi klasifikasi dengan ukuran vektor fitur yang relatif kecil hanya 18. Metode yang kami usulkan hanya membutuhkan 3 koefisien DWT yang dihasilkan dari dekomposisi 3 tingkat DWT. Diuji dengan pengklasifikasi SVM dan KNN, metode yang kami usulkan dapat mencapai hasil akurasi lebih dari 99,6% untuk klasifikasi set EEG epilepsi (set E) terhadap set tunggal lainnya (set A, B, C, atau D), kombinasi normal set (set A dan B), kombinasi dua set interiktal (set C dan D), atau kombinasi semua set non-kejang (set A, B, C, dan D), ketika panjang sinyal input adalah 4097 titik data (23,6 detik).
Penulis: Erwin Sutanto, S.T., M.Sc.
Informasi detail dari riset ini dapat dilihat pada tulisan kami di: https://ieeexplore.ieee.org/document/9605664/
Muhammad Yazid, Fahmi Fahmi, Erwin Sutanto, Wervyan Shalannanda, Ruhush Shoalihin, Gwo-Jiun Horng, And Aripriharta
IEEE Access ISSN: 2169-3536
Volume 9, Pages : 150252 – 150267. 8 November 2021
