Implementasi Deep Learning untuk Klasifikasi Motor Imagery pada Sinyal EEG
DOI:
https://doi.org/10.31328/jointecs.v8i2.6413Keywords:
EEG, EEGNet, Motor Imagery, Deep Learning, Electroencephalography.Abstract
Electroencephalography (EEG) adalah teknik yang digunakan untuk merekam aktivitas listrik otak melalui sensor yang ditempatkan pada kulit kepala. Salah satu area penelitian yang menarik dalam analisis EEG adalah motor imagery (MI), yaitu kemampuan untuk membayangkan suatu gerakan tanpa adanya stimulus visual eksternal. Pengolahan sinyal EEG yang kompleks dalam skenario MI memerlukan pendekatan komputasi yang canggih untuk mengenali pola-pola yang terbentuk selama proses pembayangan tersebut. Penelitian ini bertujuan untuk membandingkan kinerja empat arsitektur deep learning populer—yaitu EEGNet, EEGConformer, EEGInception, dan EEGITNet—dalam mengklasifikasikan data EEG pada konteks motor imagery. Hasil pengujian menunjukkan bahwa EEGConformer dan EEGNet adalah model yang paling efektif, dengan akurasi rata-rata masing-masing sebesar 72,41% dan 71,88%, serta performa yang stabil di berbagai subjek. Di sisi lain, EEGInception dan EEGITNet mencatatkan akurasi yang lebih rendah, terutama EEGInception dengan akurasi rata-rata sebesar 55,59%. Temuan ini mengindikasikan bahwa arsitektur sederhana seperti EEGNet tetap kompetitif, meskipun model yang lebih kompleks seperti EEGConformer memberikan sedikit keunggulan dalam performa. Penelitian ini juga menyoroti pentingnya faktor spesifik-subjek dalam meningkatkan performa model, yang dapat diatasi melalui pendekatan adaptif atau personalisasi. Hasil penelitian ini diharapkan dapat memberikan wawasan lebih mendalam terkait model yang paling akurat dalam tugas motor imagery EEG dan berkontribusi pada pengembangan aplikasi berbasis Brain-Computer Interface (BCI).References
X. Gu et al., “EEG-Based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and Their Applications,†IEEE/ACM Trans. Comput. Biol. Bioinforma., vol. 18, no. 5, pp. 1645–1666, 2021, doi: 10.1109/TCBB.2021.3052811.
H. Altaheri et al., Deep learning techniques for classification of electroencephalogram (EEG) motor imagery (MI) signals: a review, vol. 35, no. 20. Springer London, 2023.
A. Al-Saegh, S. A. Dawwd, and J. M. Abdul-Jabbar, “Deep learning for motor imagery EEG-based classification: A review,†Biomed. Signal Process. Control, vol. 63, no. July 2020, p. 102172, 2021, doi: 10.1016/j.bspc.2020.102172.
V. J. Lawhern, A. J. Solon, N. R. Waytowich, S. M. Gordon, C. P. Hung, and B. J. Lance, “EEGNet: A compact convolutional neural network for EEG-based brain-computer interfaces,†J. Neural Eng., vol. 15, no. 5, pp. 1–30, 2018, doi: 10.1088/1741-2552/aace8c.
A. Kumari et al., “EEG-based motor imagery channel selection and classification using hybrid optimization and two-tier deep learning,†J. Neurosci. Methods, vol. 409, p. 110215, Sep. 2024, doi: 10.1016/j.jneumeth.2024.110215.
F. E. Ekpar, “A Baseline Electroencephalography Motor Imagery Brain-Computer Interface System Using Artificial Intelligence and Deep Learning,†Eur. J. Electr. Eng. Comput. Sci., vol. 8, no. 3, pp. 46–53, Jun. 2024, doi: 10.24018/ejece.2024.8.3.632.
M. Kaur, R. Upadhyay, and V. Kumar, “A Hybrid Deep Learning Framework Using Scalingâ€Basis Chirplet Transform for Motor Imagery EEG Recognition in Brain–Computer Interface Applications,†Int. J. Imaging Syst. Technol., vol. 34, no. 4, Jul. 2024, doi: 10.1002/ima.23127.
Y. Song, Q. Zheng, B. Liu, and X. Gao, “EEG Conformer: Convolutional Transformer for EEG Decoding and Visualization,†IEEE Trans. Neural Syst. Rehabil. Eng., vol. 31, pp. 710–719, 2023, doi: 10.1109/TNSRE.2022.3230250.
B. Rahma, R. Aicha, and M. Kamel, “Classification of Motor Imagery EEG Signals Using Deep Learning,†in 2024 2nd International Conference on Electrical Engineering and Automatic Control (ICEEAC), May 2024, pp. 1–5, doi: 10.1109/ICEEAC61226.2024.10576444.
M. Miao, Z. Yang, Z. Sheng, B. Xu, W. Zhang, and X. Cheng, “Multi-source deep domain adaptation ensemble framework for cross-dataset motor imagery EEG transfer learning,†Physiol. Meas., vol. 45, no. 5, p. 055024, May 2024, doi: 10.1088/1361-6579/ad4e95.
J. V. Juan, R. MartÃnez, E. Iáñez, M. Ortiz, J. Tornero, and J. M. AzorÃn, “Exploring EEG-based motor imagery decoding: a dual approach using spatial features and spectro-spatial Deep Learning model IFNet,†Front. Neuroinform., vol. 18, Feb. 2024, doi: 10.3389/fninf.2024.1345425.
E. Santamaria-Vazquez, V. Martinez-Cagigal, F. Vaquerizo-Villar, and R. Hornero, “EEG-Inception: A Novel Deep Convolutional Neural Network for Assistive ERP-Based Brain-Computer Interfaces,†IEEE Trans. Neural Syst. Rehabil. Eng., vol. 28, no. 12, pp. 2773–2782, 2020, doi: 10.1109/TNSRE.2020.3048106.
W. Li et al., “Self-supervised contrastive learning for EEG-based cross-subject motor imagery recognition,†J. Neural Eng., vol. 21, no. 2, p. 026038, Apr. 2024, doi: 10.1088/1741-2552/ad3986.
H. Yu, S. Baek, J. Lee, I. Sohn, B. Hwang, and C. Park, “Deep Neural Network-based Empirical Mode Decomposition for Motor Imagery EEG Classification,†IEEE Trans. Neural Syst. Rehabil. Eng., pp. 1–1, 2024, doi: 10.1109/TNSRE.2024.3432102.
S. Sartipi and M. Cetin, “Subject-Independent Deep Architecture for EEG-based Motor Imagery Classification,†IEEE Trans. Neural Syst. Rehabil. Eng., pp. 1–1, 2024, doi: 10.1109/TNSRE.2024.3360194.
A. Salami, J. Andreu-Perez, and H. Gillmeister, “EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification,†IEEE Access, vol. 10, pp. 36672–36685, 2022, doi: 10.1109/ACCESS.2022.3161489.
N. E. H. S. Ben Aissa, A. Lakas, A. Korichi, C. A. Kerrache, and A. N. Belkacem, “Robust Detection of Adversarial Attacks for EEG-based Motor Imagery Classification using Hierarchical Deep Learning,†in 2023 15th International Conference on Innovations in Information Technology (IIT), Nov. 2023, pp. 156–161, doi: 10.1109/IIT59782.2023.10366492.
N. Sharma, A. Upadhyay, M. Sharma, and A. Singhal, “Deep temporal networks for EEG-based motor imagery recognition,†Sci. Rep., vol. 13, no. 1, p. 18813, Nov. 2023, doi: 10.1038/s41598-023-41653-w.
M. Miao, Z. Yang, H. Zeng, W. Zhang, B. Xu, and W. Hu, “Explainable cross-task adaptive transfer learning for motor imagery EEG classification,†J. Neural Eng., vol. 20, no. 6, p. 066021, Dec. 2023, doi: 10.1088/1741-2552/ad0c61.
C. Brunner, R. Leeb, and G. Müller-Putz, “BCI Competition 2008–Graz data set A.†IEEE Dataport, 2008, doi: 10.21227/katb-zv89.
Downloads
Published
Issue
Section
License
Pernyataan Hak Cipta dan Lisensi
Hak Cipta :
Penulis yang mempublikasikan naskahnya pada Jurnal ini menyetujui ketentuan berikut:
Hak cipta pada setiap artikel adalah milik penulis.
- Penulis mengakui bahwa JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE) berhak sebagai yang mempublikasikan pertama kali dengan lisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0).
- Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif  dari naskah yang telah terbit di jurnal ini kedalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi kedalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE);
Lisensi :
JOINTECS diterbitkan berdasarkan ketentuan Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0). Lisensi ini mengizinkan setiap orang untuk menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun, menggubah, mengubah, dan membuat turunan dari materi ini untuk kepentingan apapun, termasuk kepentingan komersial, selama mereka mencantumkan kredit kepada Penulis atas ciptaan asli.
This work is Under licensed
Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)