GENERATIVE ADVERSARIAL LSTM NOISE REPRESENTATION MODEL AS INVERSE DENOISING APPROACH IN ELECTROENCEPHALOGRAPH SIGNAL APPLICATION

ARON BAGAS DEWANTORO, Yohanes Suyanto, Dr; Catur Atmaji, S.Si, M.Cs

2023 | Skripsi | S1 ELEKTRONIKA DAN INSTRUMENTASI

Penelitian ini mengusulkan model kerangka kerja bernama model inversi dalam memperlakukan sinyal elektroensefalograf, kerangka kerja yang diusulkan ini memanfaatkan arsitektur berbasis GANs-LSTM untuk membuat sebuah model representasi artifak dari kumpulan data artifak yang dapat diamati dalam upaya agregasi ruang negatif dalam data sinyal otak yang kompleks dan tidak memiliki kebenaran dasar pada sistem EEG berbiaya rendah. Sebagai arah pendekatan baru, penelitian ini mengkaji keterbatasan dan tantangan dari model yang diusulkan. Penelitian ini mempraktikkan tolak ukur yang tersedia dalam sinyal noise EEG untuk menghasilkan sinyal artifak, dengan memasukkan sinyal konvulasi komponen EOG dan EMG untuk menghasilkan perkiraan dekonvolusi. Hasil penelitian menunjukkan kesepadanan performa dengan pendekatan denoising modern normal dalam penelitian lain. Performa yang sepadan menunjukkan rata-rata deviasi sebesar 1% hingga 5% di seluruh evaluasi SNR, karena evaluasi artifak menunjukkan kemiripan yang dekat dengan model normal, model yang diusulkan memiliki kemungkinan untuk terus lebih baik pada sistem berbiaya rendah dengan membangun lebih banyak kumpulan data artifak yang dikenal di lingkungan dunia nyata dalam upaya untuk mengatasi kurangnya kebenaran dasar. Penelitian ini menyimpulkan bahwa metode inversi yang diusulkan dapat digunakan sebagai kerangka dasar untuk penghilangan artifak dan menjaga kebenaran data EEG. Dengan arah baru, penelitian EEG diharapkan dapat membangun set data artifak yang dapat diamati dalam eksperimen berbiaya rendah menggunakan tolak ukur yang dipelajari untuk membangun keberlanjutan komparabilitas.

This study proposed a novel framework model in approaching electroencephalograph signal processing system termed as the inverse model, by leveraging GANs-LSTM based architecture to create a noise representation model of data-set in effort to aggregate negative space in brain signal complex data lack of ground truth. As a new approach direction this study examines the limitations and challenges of the proposed model. The study practices available benchmarks in EEG noise signal to produce noisy signal instead of the clean signal and the results shows commensurable with the normal modern denoising approach in other study by inputting a convoluted signal with EOG and EMG component and producing the approximated deconvolution. the performances commensurable being showed deviation averages at 1% to 5% across SNR evaluations, as the noise evaluation shows close similarity with the normal model, the proposed model has the possibility to constantly improve with low-cost system by building more data-set for known noises in real-world environment in effort to address the lack of ground truth. The study concludes that the proposed inverse method can be used as the basis framework for denoising and preserving EEG data, and by this direction that building noise data-sets observables within low-cost experiments using studied benchmarks to build comparability is the key continuation of this study.

Kata Kunci : Electroencephalograph, Ground Truth Framework, GAN-LSTM, Inverse Model. Denoising