Perpustakaan Digital ITB

Elektroensefalografi (EEG) merupakan teknik non-invasif yang merekam aktivitas listrik otak melalui elektroda yang ditempatkan di kulit kepala. Teknologi ini telah banyak dimanfaatkan dalam bidang medis dan neurosains, seperti untuk diagnosis gangguan neurologis, pemantauan tidur, serta pengembangan antarmuka manusiakomputer. Dalam beberapa tahun terakhir, muncul minat besar terhadap pemanfaatan sinyal EEG untuk rekonstruksi citra, yakni proses visualisasi apa yang dilihat atau dibayangkan seseorang berdasarkan aktivitas otaknya. Pendekatan ini berpotensi membuka pemahaman lebih dalam mengenai representasi visual internal manusia serta memperluas aplikasi BCI (Brain-Computer Interface) di bidang kognitif dan klinis. Penelitian ini mengusulkan sistem rekonstruksi citra berbasis sinyal EEG yang menggabungkan VAE (Variational Autoencoder) dan latent diffusion, serta mengevaluasinya pada dataset MindBigData MNIST-2B. Studi ini merupakan yang pertama dalam mengaplikasikan pendekatan tersebut pada dataset ini, yang sebelumnya belum pernah digunakan dalam riset rekonstruksi citra berbasis EEG. Sistem ini dirancang untuk mempelajari representasi laten dari kedua domain (EEG dan citra), serta menghubungkannya melalui proses latent diffusion. VAE dipilih karena kemamiii puannya dalam menghasilkan representasi laten yang efisien, sementara model latent diffusion digunakan untuk menjembatani kesenjangan semantik antar modalitas secara progresif dan stabil. Model yang dikembangkan mencapai akurasi klasifikasi visual sebesar 25%, melampaui performa sebelumnya sebesar 10% pada dataset MNIST-8B yang merupakan superset dari MNIST-2B. Hasil ini menunjukkan bahwa pendekatan VAE dan diffusion mampu menangkap kompleksitas sinyal EEG pada dataset tersebut. Model yang dikembangkan juga mampu merekonstruksi citra digit dari sinyal EEG dengan kualitas visual yang menjanjikan, terutama pada ruang laten berdimensi rendah. Penelitian ini diharapkan dapat berkontribusi pada pengembangan teknologi BCI yang lebih intuitif serta mendorong studi lanjutan dalam decoding persepsi visual manusia secara lebih akurat.