Fibusi (JoF) Vol. 3 No. 3, Desember 2015
KLASIFIKASI SINYAL EEG MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) UNTUK DETEKSI KEBOHONGAN Bagus Kumbara1, Arjon Turnip2*, Waslaluddin1* 1
Departemen Pendidikan Fisika, Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam, Universitas Pendidikan Indonesia (UPI) 2 Balai Pengembangan Instrumentasi – Lembaga Ilmu Pengetahuan Indonesia (BPI – LIPI)
[email protected],
[email protected],
[email protected]
ABSTRAK Electroencephalogram (EEG) merupakan aktifitas sinyal listrik yang berasal dari elektroda yang dipasangkan pada area otak. Aktifitas sinyal listrik dari otak menyimpan informasi penting yang merupakan sumber informasi utama dalam mendeteksi kebohongan. Support Vector Machine (SVM) digunakan untuk mengklasifikasi siyal EEG untuk mendapatkan hasil deteksi kebohongan. Penelitian ini bertujuan untuk menghasilkan model SVM yang dapat menentukan data EEG untuk subjek berbohong atau tidak. Dalam perekaman EEG, sinyal yang didapat tidak sepenuhnya berasal dari otak namun dapat terkontaminasi oleh sinyal lain seperti EOG, ECG dan EMG. Sehingga untuk mendapatkan informasi yang sesuai, maka dilakukan tahapan pengolahan sinyal digital pada sinyal EEG. Tahapan pengolahan digital meliputi, remove offset, Independent Component Analysis (ICA), Bandpass filter dan Trial data. Sinyal EEG yang bersih digunakan untuk mengetahui informasi yang disembunyikan oleh subjek, misalnya ketika sedang berbohong. Penelitian yang dilakukan menghasilkan model SVM dengan akurasi 75% dan waktu komputasi 0.009 detik, sehingga dapat menentukan data EEG untuk subjek berbohong atau tidak. Kata Kunci : EEG, SVM, deteksi kebohongan ABSTRACT
Electroencephalogram (EEG) is the activity of bioelectrical signals that recorder from from electrodes on the scalp. Activity of electrical signals from brain bring important information which is the main source of information in lie detecting. Support Vector Machine (SVM) is used to classify the EEG siyal to get results of lie detection. This research is proposed to generated svm model that can determine EEG data for subjects lying or not. In EEG recording, the signal obtained is not entirely derived from the brain but can be contaminated by other signals such as EOG, ECG and EMG. So that to obtain the appropriate information, then do digital signal processing to EEG signals. Digital signal processing process included, remove offset, Independent Component Analysis (ICA), Bandpass filter and Trial data. Clean EEG signals is used to determine the information that hidden by the subject, for example when you're lying. This research conducted a SVM model with accuracy 75% and computation time 0.009 seconds, so that can determine the EEG data for the subject lying or not. Keywords: EEG, SVM, lie detection
*Penulis Penanggung Jawab 1
Bagus K, dkk, Klasifikasi Sinyal Eeg Menggunakan Support Vector Machine (Svm) Untuk Deteksi Kebohongan
PENDAHULUAN
Otak merupakan organ yang sangat penting pada manusia, dimana otak memiliki kemampuan untuk mengendalikan setiap aktivitas yang dilakukan oleh manusia baik dalam keadaan sadar maupun tidak sadar, seperti menggerakan tangan, kaki, mata maupun merasakan keadaan yang ada diluar sistem tubuh manusia. Aktivitas kerja otak merupakan aktivitas kelistrikan yang sifatnya terus menerus atau kontinyu, otak manusia menunjukkan pola aktivasi dalam kondisi normal maupun abnormal dalam melakukan setiap kegiatan. Aktifitas otak manusia banyak digunakan dalam berbagai aplikasi seperti dalam bidang medis (Gourab & Schmit, 2010; Zandi, dkk. 2010), bidang keteknikan: pengendalian robot (Swords, dkk. 2013; Ranky & Adamovich, 2010; Hazrati & Erfanian, 2010), wheelchair atau kursi roda (Ahmed, 2011; Singla & Haseena, 2013), bidang komunikasi: sistem penulisan dan keyboard virtual (Shishkin, dkk. 2011; Akram, dkk. 2014). Penelitian mengenai aktivitas otak dapat dihasilkan dari pengukuran sinyal otak menggunakan electroencephalogram (EEG), magentoencephalography (MEG), dan functional magnetic resonance imaging (fMRI). Pengukuran sinyal otak menggunakan EEG merupakan salah satu teknik pengukuran sinyal biolistrik noninvasif yang relatif sering digunakan karena memiliki resolusi temporal yang tinggi dan cepat merespon setiap perubahan aktivitas otak, kemudahan dalam penggunaan, kenyamanan subjek dalam proses perekaman. Sinyal EEG membawa informasi yang penting yang menjadi sumber informasi utama dalam penelitian mengenai fungsi otak dan gangguan neurologis (Halchenko, dkk. 2005). Sinyal EEG terdiri dari berbagai jenis sinyal, yaitu: Slow Cortical Potential (SCP) (Birbaumer, dkk. 1999), Event-Related
Desynchronization (ERD) (Kalcher, dkk. 1996), Steady-State Visual Evoked Potential (SSVEP) (Middendorf, dkk. 2000; Hwang, dkk. 2012), dan EventRelated Potential (ERP) (Sellers, dkk. 2006; Shishkin, dkk. 2011). Kebohongan merupakan tindakan menutupi sesuatu informasi sehingga kebenaran dari pernyataan tersebut hanya diketahui oleh orang yang berhohong. Infromasi yang tersembunyi dari subjek berbohong akan menimbulkan respon sinyal EEG dalam bentuk respon sinyal P300. Metode eksperimen yang digunakan untuk menghasilkan respon sinyal P300 adalah metode P300-GKT (P300 Guilty Knowledge Test) (Abootalebi, dkk. 2009). Pengolahan sinyal P300 dilakukan untuk mendapatkan informasi yang terdapat pada sinyal tersebut, pengolahan terdiri dari pengolahan sinyal digital, ekstraksi fitur dan klasifikasi. Pengolahan sinyal digital meliputi tahapan remove offset, Independent Component Analysis (ICA), Bandpass Filter, dan Trial data. Dalam penelitian ini akan digunakan metode klasifikasi menggunakan support vector machines (SVM) dengan sebuah dasar pemikiran bahwa SVM memiliki sistem klasifikasi yang baik dan proses komputasi yang cepat. METODE Penelitian ini dilakukan dalam beberapa tahap, yaitu tahap studi literatur, pengolahan data, pelatihan algoritma SVM, dan Analisis hasil penelitian. Studi literatur bertujuan untuk mempelajari teori-teori yang berkaitan dengan deteksi kebohongan dari sinyal EEG seperti teknik pengambilan data, pengolahan sinyal digital, ekstraksi fitur, klasifikasi menggunakan Support Vector Machine (SVM). Pengolahan data dilakukan untuk menghasilkan data EEG yang baik sehingga ciri untuk deteksi kebohongan dapat diklasifikasi dengan menggunakan SVM. Pelatihan algoritma SVM menggunakan data EEG yang telah melalui 2
proses pengolahan data sehingga dihasilkan model SVM yang baik dengan tingkat akurasi tinggi dalam mengklasifikasi data EEG subjek berbohong atau tidak. Tahap akhir dari penelitian adalah analisis hasil penelitian, yaitu meninjau data dari hasil penelitian sehingga didapatkan data-data yang merepresentasikan hasil penelitian yang dilakukan. Dalam proses perekaman sinyal EEG, 11 subjek diikutsertakan dalam proses eksperimen, dimana subjek merupakan orang yang belum terlatih dalam mengikuti proses eksperimen. subjek akan menentukan dirinya sebagai pembohong atau tidak dalam proses eksperimen dimana informasi tersebut hanya diketahui oleh subjek hingga proses perekaman sinyal EEG selesai dilakukan. Metode eksperimen yang dilakukan merupakan metode P300-GKT (Guilty Knowledge Test) (Abootalebi, dkk. 2009). Dalam metode P300-GKT terdapat 3 stimulus yang diberikan, yaitu stimulus irrelevant, probe, dan target. Stimulus irrelevant merupakan benda yang tidak terkait dengan kebohongan maupun tidak dan tidak diketahui baik oleh subjek berbohong atau tidak, stimulus probe merupakan benda yang berhubungan dengan informasi yang hanya diketahui subjek berbohong dan juga peneliti, sehingga bagi subjek berbohong akan mengetahui stimulus ini sedangkan subjek tidak berbohong tidak, dan stimulus target merupakan benda yang menyerupai kedua stimulus diatas, namun pada saat stimulus ini muncul subjek diberi perintah untuk melakukan aktifitas tertentu (dalam penelitian ini subjek diperintahkan untuk menghitung jumlah selama percobaan). Dilakukan beberapa analisis data dalam penelitian ini diantaranya yaitu analisis pengolahan sinyal digital yang meliputi tahapan-tahapan pra-proses, ekstraksi fitur dan klasifikasi SVM. Dalam tahapan praproses analasis data awal (raw data), hasil
remove offset, hasil Independent Component Analysis (ICA), hasil bandpass filter, dan hasil trial data. Dari hasil trial data dilakukan tahapan ekstraksi fitur sehingga didapatkan sample data untuk diklasifikasi mengggunakan SVM. HASIL DAN PEMBAHASAN A. Pengolahan Sinyal Digital Pengolahan sinyal digital dilakukan untuk setiap data EEG untuk mendapatkan sinyal EEG yang baik. Pengolahan sinyal digital dilakukan menggunakan software MATLAB. Tahapan pengolahan sinyal digital meliputi Pra-proses, Ekstraksi fitur, dan Klasifikasi SVM. Pengolahan sinyal digital bertujuan untuk mendapatkan informasi yang ada dalam sinyal EEG sehingga dapat menentukan seorang subjek berbohong atau tidak. 1. Pra-Proses Pra-proses merupakan tahapan awal pengolahan sinyal digital yang terdiri dari rangkaian proses: raw data, remove offset, Independent Component Analysis (ICA), Bandpass Filter, dan Trial data. Pada akhir pra-proses diharapkan sinyal EEG merupakan sinyal asli EEG yang telah terpisah dari berbagai noise dan sudah merupakan komponen tunggal dari setiap kanal. a) Raw Data Raw data merupakan sinyal EEG hasil perekaman yang belum mengalami proses pengolahan sinyal. Data ini merupakan data asli sinyal EEG yang didapatkan dari hasil perekaman, rata-rata amplitudo untuk semua subjek memiliki nilai 60-600 µV. Itu menunjukkan bahwa sinyal EEG tersebut masih bercampur dengan noise yang lain. Raw data sinyal EEG untuk masing-masing grup dapat dilihat pada Gambar 1 dan Gambar 2.
3
Bagus K, dkk, Klasifikasi Sinyal Eeg Menggunakan Support Vector Machine (Svm) Untuk Deteksi Kebohongan
Raw Data
O2
O1
Channel
Pz
Cz
Fz
0
0.5
1
1.5 Sample Data
2
3
2.5
4
x 10
Gambar 1. Raw data : Grup Berbohong – Subjek 8
Channel
Raw Data
O2
O1
Pz
Cz
Fz
1
0.5
0
3
2.5
2
1.5 Sample Data
4
x 10
ICA berasumsi bahwa saat pengukuran sumber sinyal bercampur dengan tambahan sinyal lain yang disebut noise . Sehingga menghasilkan sinyal campuran disebut . Dalam kasus EEG dalam eksperimen ini, sinyal campuran tersebut berisi informasi sinyal yang terdiri dari 5 channel. ICA berasumsi informasi sinyal dari masingmasing channel tersebut bercampur dengan channel lain, sehingga ICA memisahkan sinyal dari informasi matriks campuran menjadi sinyal dengan informasi matriks yang tidak bercampur atau biasa disebut komponen tunggal. Hasil dari pengolahan ICA pada sinyal EEG ditampilkan pada Gambar 5 dan Gambar 6. ICA
Remove offset
O2
Channel
O1
Pz
Cz
Fz
0
0.5
1
1.5 Sample Data
2
2.5
3 4
x 10
Gambar 5. Hasil proses ICA : Grup Berbohong – Subjek 8 ICA
O2
O1
Channel
Gambar 2. Raw data : Grup Tidak Berbohong – Subjek 11 b) Remove offset Removing offset dilakukan untuk menghilangkan sinyal noise yang timbul dari penguatan sinyal yang terukur. Hasil dari remove offset ini mengurangi amplitudo dari sinyal EEG sebesar 5- 10 µV dari sinyal raw data. Hasil remove offset sinyal EEG untuk masing-masing grup dapat dilihat pada Gambar 3 dan Gambar 4.
Pz
Cz
Fz O2
O1 0
Channel
Pz
1
1.5 Sample Data
2
2.5
3 4
x 10
Cz
Fz
0
0.5
1
1.5 Sample Data
2
2.5
3 4
x 10
Gambar 3. Hasil remove offset : Grup Berbohong – Subjek 8 Remove offset
Channel
0.5
O2
O1 Pz
Cz
Fz
0
0.5
1
1.5 Sample Data
2
2.5
3 4
x 10
Gambar 4. Hasil remove offset : Grup Tidak Berbohong – Subjek 11 c) Independent Component Analysis (ICA)
Gambar 6. Hasil proses ICA : Grup Tidak Berbohong – Subjek 11 Hasil dari ICA yang dilakukan pada sinyal EEG menghasilkan nilai amplitudo yang berbeda, yaitu adanya penurunan nilai amplitudo dari sinyal EEG. Nilai amplitudo yang dihasilkan sebersar ± 20 µV, nilai yang sangat jauh dibandingkan sinyal awal sebelum proses ICA. Hasil ini menunjukkan bahwa ICA berhasil memisahkan informasi dari setiap channel sehingga masing-masing channel merupakan komponen tunggal, sesuai dengan fungsi ICA. d) Bandpass Filter 4
Pada proses ICA sebelumnya menunjukan atas pengurangan nilai amplitudonya dan telah mengalami penghilangan artefak dan noise, akan tetapi untuk lebih mendapat sinyal EEG yang lebih bagus dilakukan kembali proses filter dengan menggunakan Band Pass Filter (BPF) dengan rentang frekuensi dari 0.3 Hz sampai 30 Hz karena dalam penelitian sinyal EEG, frekuensi yang memiliki informasi berada hingga rentang 30 Hz, sehingga untuk mendapatkan hasil frekuensi tersebut maka dilakukan proses Band Pass Filter. Hasil dari Bandpass filter pada sinyal EEG ditampilkan pada Gambar 7 dan Gambar 8.
stimulus Probe, dan stimulus Target. Hasil dari trial data yang dilakukan dapat dilihat pada Gambar 9 dan Gambar 10. Trial Data
Target
Probe
Irrelevant
0
200
600
400
800
1000
Time [ms]
Gambar 9. Hasil trial data : Grup Berbohong – Subjek 8 Trial Data
Target
Probe
Bandpass Filter
O2
Irrelevant
O1
0
200
400
600
800
1000
Channel
Time [ms] Pz
Cz
Fz
0
0.5
1
1.5 Sample Data
2
2.5
3 4
x 10
Gambar 7. Hasil bandpass filter : Grup Berbohong – Subjek 8 Bandpass Filter
O2
Channel
O1
Pz
Cz
Fz
0
0.5
1
1.5 Sample Data
2
2.5
3 4
x 10
Gambar 8. Hasil bandpass filter : Grup Tidak Berbohong – Subjek 11 Hasil filter ini menghasilkan nilai amplitudo yang berbeda untuk beberapa channel, pengurangan amplitudo sebesar 25 µV. Namun ada beberapa channel yang tidak mengalami perubahan nilai amplitudo, karena sinyal tersebut memang berada pada rentang filter yang diterapkan. e) Trial data Trial data merupakan sampel-sampel data yang merupakan stimulus-stimulus yang diterapkan pada eksperimen pengambilan data. Sehingga akan didapatkan sampel stimulus Irrelevant,
Gambar 10. Hasil trial data : Grup Tidak Berbohong – Subjek 11 Hasil trial data ini yang akan di ekstraksi fitur sehingga dapat diklasifikasikan untuk mendeteksi kebohongan. Setiap stimulus menghasilkan sinyal yang berbeda satu sama lain, stimulus I terlihat berbeda dari stimulus P dan stimulus T sedangkan stimulus P dan stimulus T mempunyari karakteristik yang hampir sama. 2. Ekstraksi Fitur Sampel-sampel data yang dihasilkan dari proses trial data, kemudian diekstraksi fitur untuk melihat ciri dari data tersebut. Ciri ini yang nantinya akan digunakan untuk data sebagai input dari SVM yang akan diklasifikasikan kedalam 2 kelas/kelompok. Hasil dari ekstraksi fitur yang dilakukan terhadap sampel data dapat dilihat pada Tabel 1.
5
Bagus K, dkk, Klasifikasi Sinyal Eeg Menggunakan Support Vector Machine (Svm) Untuk Deteksi Kebohongan
Tabel 1. Hasil ekstraksi fitur. No
1
2
Subjek
Sampel
Sampel 1 Sampel 2 Sampel 3 Sampel 4 Subjek 8 Sampel 5 Sampel 6 Sampel 7 Sampel 8 Sampel 1 Sampel 2 Sampel 3 Sampel 4 Subjek 11 Sampel 5 Sampel 6 Sampel 7 Sampel 8
Ekstraksi Fitur (Amplitudo, µV) Min maks mode median mean -1,529 3,040 -1,529 0,971 1,015 -1,214 3,102 -1,215 0,766 0,802 -4,976 2,422 -4,974 -1,103 -1,139 -2,268 3,869 -2,268 0,572 0,494 -1,920 3,076 -1,917 0,946 0,913 -2,605 1,473 -2,603 -0,501 -0,491 -4,474 2,380 -4,471 -1,434 -1,394 -3,605 2,962 -3,606 -1,369 -1,106 -2,896 4,625 -2,896 -0,411 -0,132 -2,233 4,901 -2,233 0,001 0,351 -2,382 4,113 -2,383 -0,552 -0,408 -5,317 6,782 -5,318 -0,346 -0,260 -2,489 2,309 -2,490 -0,263 -0,263 -1,070 3,654 -1,069 0,861 0,954 -2,993 1,962 -2,992 -0,344 -0,285 -5,290 4,165 -5,289 -0,399 -0,357
3. Klasifikasi SVM Dari keseluruhan data stimulus probe yang diekstraksi fiturnya didapatkan 88 sample data mode amplitudo dan 88 data mean amplitudo. Sehingga kita memiliki 88 pasang data (mode amplitudo dan mean amplitudo), untuk proses klasifikasi kita membagi sample data tersebut untuk data pelatihan dan data pengujian. Dalam penelitian ini 80% dari sample data akan digunakan sebagai data pelatihan, yaitu berjumlah 64 pasang data kemudian 24 pasang data lainnya akan digunakan untuk data pengujian. Pelatihan dilakukan dengan mengklasifikasikan data kedalam 2 grup yaitu, grup berbohong dan grup tidak berbohong. Grup berbohong ditandai
dengan nilai 1 sedangkan grup tidak berbohong ditandai dengan nilai 0. Setiap subjek memiliki 8 pasang data yang nantinya akan diklasifikasikan, kemudian nilai jumlah data dari hasil klasifikasi untuk setiap subjek kemudian digunakan untuk mendefinisikan subjek tersebut termasuk grup berbohong atau tidak. Pengujian dilakukan terhadap model SVM yang telah dibangun pada proses pelatihan. Model SVM yang mengidentifikasi nilai jumlah data terbaik dalam membagi subjek kedalam grup berbohong atau tidak, maka model tersebut akan digunakan. Dari hasil pelatihan dan pengujian model SVM didapatkan hasil yang akang ditampilkan pada Tabel 2.
Tabel 2. Hasil klasifikasi model SVM. No.
Percobaan
Akurasi model SVM (%)
1 2 3
Ke-1 Ke-2 Ke-3
70.83 37.50 70.83
Waktu komputasi (detik) 0.038606 0.010482 0.014594
Hasil Klasifikasi Tidak Terklasifikasi Tidak Terklasifikasi Terklasifikasi 6
4 5 6 7 8 9 10
Ke-4 Ke-5 Ke-6 Ke-7 Ke-8 Ke-9 Ke-10
66.67 62.50 62.50 37.50 62.50 75 70.83
Dari Tabel 2 terdapat 3 hasil model SVM yang dapat mengklasifikasi data dengan nilai akurasi 70.83 %, 70.83 % dan 75 %, dengan waktu komputasi 0.014594 detik, 0.009003 detik, dan 0.009208 detik. Dengan mempertimbangkan nilai akurasi, maka model SVM pada percobaan ke-9 yang digunakan untuk dijadikan model SVM pada program deteksi kebohongan. B. Brain Mapping Brain Mapping merupakan hasil pemetaan data EEG yang telah dilakukan
0.010996 0.009308 0.014483 0.009322 0.010631 0.009003 0.009208
Tidak Terklasifikasi Tidak Terklasifikasi Tidak Terklasifikasi Tidak Terklasifikasi Tidak Terklasifikasi Terklasifikasi Terklasifikasi
proses pengolahan sinyal digital, yang menunjukkan aktifitas gelombang otak yang terekam untuk setiap channelnya. Brain Mapping merupakan komponen tunggal, sehingga hanya akan aktif untuk masing-masing channel yang digunakan pada saat perekaman data dan dapat disimpulkan bahwa proses pengolahan sinyal digital dilakukan dengan baik jika setiap channel aktif secara tunggal. Hasil Brain Mapping untuk setiap channel dapat dilihat pada Gambar 11.
Gambar 11. Hasil brain mapping.
7
Bagus K, dkk, Klasifikasi Sinyal Eeg Menggunakan Support Vector Machine (Svm) Untuk Deteksi Kebohongan
Dari Gambar 11 dapat dilihat semua channel sudah terpisah dengan baik untuk semua subjek, namun pada channel Pz dapat dilihat subjek 4 dan subjek 7 tidak terpisah dengan baik dibandingkan dengan subjek dan channel yang lain. Sehingga dapat disimpulkan hasil pengolahan sinyal digital yang dilakukan terhadap sinyal EEG setiap subjek tepat.
C. Sinyal P300 Sinyal P300 merupakan bagian dari sinyal EEG yang termasuk ke dalam ERP (EventRelated Porential) dimana terjadi 300 ms setelah diberikan stimulus. Hasil dari plot data sinyal P300 untuk setiap stimulus dapat dilihat pada Gambar 12.
(a)
(b)
(c)
Gambar 12. Rata-rata sinyal P300 (a) stimulus irrelevant (b) stimulus probe (c) stimulus target Dari Gambar 12 dapat dilihat masingmasing stimulus, pada stimulus probe amplitudo rata-rata grup tidak berbohong lebih besar dibandingkan grup berbohong. Sedangkan pada stimulus target amplitudo rata-rata grup tidak berbohong relatif lebih kecil dibandingkan grup berbohong. Dan rata-rata stimulus probe memiliki nilai amplutodo yang lebih besari dibandingkan stimulus yang lain. D. Program SVM
Untuk mengimplementasikan penelitian deteksi kebohongan berdasarkan sinyal P300, maka dikembangkan perangkat lunak (GUI : Graphic User Interface) yang memanfaatkan software MATLAB. Secara umum program ini digunakan untuk menerima data EEG yang kemudian akan dilakukan pengolahan sinyal dan klasifikasi untuk deteksi kebohongan. Masukan program ini berupa sinyal EEG hasil rekaman dan akan menghasilkan keluaran beberapa tahapan yang dilakukan, 8
seperti pengolahan sinyal digital, ekstraksi fitur dan klasifikasi SVM hingga didapatkan kesimpulan subjek tersebut berbohong atau tidak. Hasil GUI yang dibuat dalam MATLAB dapat dilihat pada Gambar 13.
Gambar 13. GUI MATLAB program pendeteksi kebohongan Dari hasil GUI yang telah dibuat pada MATLAB, dapat disimpulkan bahwa program tersebut dapat berjalan dengan baik tanpa ada eror yang terjadi ketika program dijalankan. KESIMPULAN 1. Sinyal P300 menghasilkan respon yang sesuai dengan stimulus yang diberikan kepada subjek. 2. Ekstraksi fitur yang dilakukan terhadap sample
data
dari
stimulus
probe
memberikan ciri terhadap sampel data sehingga dapat digunakan sebagai input data untuk proses klasifikasi. 3. Klasifikasi menggunakan support vectro machine menghasilkan 3 model svm dengan akurasi sebesar 70.83 %, 70.83 %, dan 75 %, dengan waktu komputasi 0.014594 detik, 0.009003 detik, dan 0.009208 detik. Dari hasil tersebut model SVM dengan akurasi 75 % yang digunakan
sebagai
data
klasifikasi.
Sehingga metode SVM dapat diterapkan untuk deteksi kebohogan sinyal EEG.
REFERENSI Abootalebi, Vahid., Moradi, M Hassan., Khalilzadeh, M Ali. (2009). A new approach for EEG feature extraction in P300-based lie detection. Computer methods and programs in biomedicine, vol.94 hlm.48-57. Ahmed, K. S. (2011). Wheelchair movement control via human eye blinks. American journal of biomedical engineering, vol.1 hlm.55-58. Birbaumer, N., Ghanayim, N., Hinterberger, T., Iversen, I., Kotchoubey, B., Kubler, A., Perelmouter, J., Taub, E., Flor, H. (1999). "A Spelling Device for the Paralysed". Nature, vol.398 hlm. 297298. Gourab, Krishnaj., Schmit, Brian D. (2010). Changes in movement-related bband EEG signals in human spinal cord injury. Clinical Neurophysiology, vol.121 hlm.2017–2023. Halchenko, Yaroslav O., Hanson, Stephen J., Pearlmutter, Barak A. (2005). Multimodal Integration: fMRI, MRI, EEG, MEG. hlm223-265. Hazrati, M. K., & Erfanian, A. (2010). An online EEG-based brain–computer interface for controlling hand grasp using an adaptive probabilistic neural network. Medical Engineering & Physics, vol.32 hlm.730-739. Hwang, Han-Jeong., lim, Jeong-Hwan., Jung, Young-jin., Choi, Han., Lee, Sang Woo., Im, Chang-Hwan. (2012). Development of an SSVEP-based BCI spelling system adopting a QWERTYstyle LED keyboard. Journal of Neuroscience Methods, vol.208 hlm.59–65. 9
Bagus K, dkk, Klasifikasi Sinyal Eeg Menggunakan Support Vector Machine (Svm) Untuk Deteksi Kebohongan
Kalcher, J., Flotzinger, D., Neuper, Ch., Golly, S., Pfurtscheller, G. (1996). Graz braincomputer interface II: towards communication between humans and computers based on online classification of three different EEG patterns. Medical and Biological Engineering and Computing, vol.34 hlm.382-388. Middendorf, Matthew., McMillan, G., Calhoun, G., Jones, Keith S. (2000). Brain-computer interfaces based on the steady-state visual-evoked response, IEEE TRANSACTIONS ON REHABILITATION ENGINEERING, VOL.8. Ranky, G. N., & Adamovich, S. (2010). Analysis of a Commercial EEG Device for the Control of a Robot Arm. IEEE. Sellers, Eric W., Keusienski, Dean J., McFarland, Dennis J., Vaughan, Teresa M., Wolpaw, Jonathan R. (2006). A P300 event-related potential brain– computer interface (BCI): The effects of matrix size and inter stimulus interval on performance. Biological Psychology, vol.73 hlm.242-252. Shishkin, S. L., Ganin, I. P., & Kaplan, A. Y. (2011 ). Event-related potentials in a moving matrix modification of the P300 brain–computer interface paradigm. Neuroscience Letters, vol.496 hlm.9599. Singla, Rajesh., B.a,Haseena. (2013). BCI Based Wheelchair Control Using Steady State Visual Evoked Potentials adn Support Vector Machine. International Journal of Soft Computing and Engineering (IJSCE), vol.3. Swords, D., Sandygulova, A., Abdalla, S., & O'Hare, G. M. (2013). Electroencephalograms for Ubiquitous Robotic Systems. Procedia Computer Science, vol.21 hlm.174-182. Zandi, A Shahidi., Javidan, Manouchehr., Dumont, Guy A., Tafreshi, Reza.
(2010). Automated Real-Time Epileptic Seizure Detection in Scalp EEG Recordings Using an Algorithm Based on Wavelet Packet Transform. IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol.57.
10