Perpustakaan Digital ITB

Electroencephalogram (EEG) telah berkembang pada diagnosis klinis, pengembangan Brain-Computer Interface (BCI), dan penelitian perilaku kognitif. Motor Imagery (MI) adalah proses mental saat gerakan diimajinasikan tanpa melakukan gerakan fisik yang menghasilkan sinyal EEG dengan potensi besar untuk aplikasi BCI, seperti pembangkitan gambar Pembangkitan gambar berdasarkan sinyal EEG merupakan suatu pendekatan untuk lebih memahami makna sinyal EEG. Namun, sifat kompleks sinyal EEG yang menyulitkan analisis dan implementasi membutuhkan teknik akuisisi data yang tepat. Saat ini, model pembangkitan gambar berbasis MI-EEG belum dilakukan sehingga penelitian ini ditujukan menjawab kebutuhan dan potensi tersebut. Solusi yang ditawarkan untuk menangani permasalahan ini adalah dengan menggunakan model Transformer untuk klasifikasi dan Variational Autoencoder (VAE) untuk pembangkitan gambar. Pelatihan dan pengujian model klasifikasi dilakukan dengan dua varian dan satu jenis pelatihan untuk evaluasi yakni, varian sliding windoew, varian pilihan kanal, dan error proofing per subjek. Model varian sliding window 5 ms memiliki performa tertinggi dengan accuracy 58.45%, precision 57,82%, recall 57,89%, dan F1-Score 57,57%. Model untuk error- proofing menunjukkan performa pada subjek J tertinggi yaitu 85,86% dengan perbedaan performa klasifikasi yang sangat beragam antar subjek yang mengindikasikan kurangnya kualitas set data. Berbasis model klasifikasi ini dibangun model VAE untuk pembangkitan gambar dengan hasil performa model yang selaras dengan nilai performa model klasifikasi. Model pembangkitan gambar menampilkan representasi tangan kanan, tangan kiri, kaki kanan, kaki kiri, dan lidah. Meskipun model telah berhasil menghasilkan gambar rekonstruksi yang merepresentasikan sinyal motor imagery, akurasi rekonstruksi masih sangat bergantung pada performa model klasifikasi, variasi kondisi individu, serta faktor- faktor pada desain ekseperimen (seperti konsentrasi, kelelahan subjek, konfigurasi pengambilan data, dan lain sebagainya).