METODE ANALISIS KOMPONEN INDEPENDEN DAN PENGGUNAANNYA PADA DEKOMPOSISI SINYAL ELEKTROENSEFALOGRAFI
Keywords: blind source separation, distribusi non-gaussian, divergen kullback-leibler, information theory, kullback-leibler divergence, negentropi, negentropy, non-gaussian distributions, pemisahan sumber buta, teori informasi
Abstract
Independent component analysis (ICA) is a multivariate statistical method that is used to find factors or independent component from the data. ICA is a further development of factor analysis (FA). The different of ICA to FA is that in FA the distribution of the data is assumed to be normal (gaussian) while it is non-gaussian in ICA. In this paper we will elucidate ICA shortly from the formulation of the problem, the linear modeling of the problem, the solution of the problem through maximum likelihood method and information theory approach, to the formulation of computational algorithm through neural network optimalization of weight matrix. Since one of the common application of ICA is in analysis of biomedical signal, in this paper we will give an illustration of decomposition of electroencephalographic signals in to independent components. This action could help researchers or cliniciansto differentiate brain activities from artifact such as mucles of heart activities. The data samples are taken from open source EEG dataset and would be analyze with EEGLAB which is an open source extension module to Matlab.
Analisis komponen independen (AKI) merupakan metode statistik multivariat yang digunakan untuk menemukan faktor atau komponen independen dari suatu data. AKI merupakan pengembangan lebih lanjut dari analisis faktor (AF). Perbedaannya AKI dengan AF ialah komponen diasumsikan berdistribusi normal (gaussian) pada AF, sedangkan pada AKI komponen diasumsikan berdistribusi non-gaussian. Pada makalah ini akan dipaparkan secara singkat AKI mulai dari perumusan masalah yang memunculkan metode AKI serta permodelan linear yang dihasilkan, pemecahan masalah linear tersebut melalui metode maximum likelihood (ML) dan pendekatan teori informasi, hingga formulasi algoritma komputasi melalui pendekatan optimalisasi matriks beban pada model jaringan syaraf. Karena salah satu penerapan AKI adalah pada analisis sinyal biomedis, dalam makalah ini akan disajikan ilustrasi dekomposisi sinyal elektroensefalografi (EEG) ke dalam komponen independen. Tindakan ini dapat membantu peneliti atau tenaga medis dalam membedakan mana sinyal dari otak dan mana yang merupakan artefak seperti sinyal dari aktivitas otot atau jantung. Data yang digunakan berupa data set EEG sumber terbuka dari daring yang kemudian dianalisis dengan menggunakan perangkat lunak EEGLAB yang merupakan modul tambahan atas perangkat lunak Matlab.
Downloads
References
Bell, A. J., & Sejnowski, T. J. (1995). An information-maximization approach to blind separation and blind deconvolution. Neural Computation, 7, 1129-1159.
Comon, P. (1994). Independen component analysis – a new concept?. Signal Processing, 36, 287-314.
Cover, T. M., &Thomas, J. A. (2006). Elements of Information Theory.2nd Edition. Wiley.
Delorme, A., & Makieg, S. (2004). EEGLAB: An open source toolbox for analysis of single trial EEG dynamics including independent component analysis. Journal of Neuroscience Method, 134, 9-21.
Golub, G., & Van Loan, C. (1996). Matrix Computation. 3rd edition. The John Hopkins University Press.
Hérault, J., & Jutten, C. (1986). Space or time adaptive signal processing by neural network models. AIP. Conf Proc. 151, 206
Hyvärinen, A., Karhunen, J., & Oja, E. (2001). Independent Component Analysis.John Wiley & Sons.
Kerami, D., & Silaban, R M. (2009). Riset Operasional I. Penerbit Universitas Terbuka.
Kropotov, J. (2009). Quantitative EEG, Event-Related Potentials and Neurotherapy. Academic Press–Elsevier.
Papoulis, A. (1996). Probabilitas, Variabel Random, Dan Proses Stokastik. Edisi Kedua. Gajah Mada University Press.
Rao, C. R. (2002). Linear Statistical Inference and Its Application. Second Edition. Wiley.
Sanei, S., & Chambers, J. A. (2007). EEG Signal Processing. Wiley.
Stern, J. M. (2013). Atlas of EEG Paterns.2nd Edition. Wolters Kluwers – Lippincott Williams & Wilkins.
Stone, J. V. (2004). Independent Component Analysis. A Tutorial Introduction. A Bradford Book. MIT Press.
Widodo, T. S. (2012). Instrumentasi Biomedis.Analisis Sinyal dan InstrumenTerapi.Yogyakarta: Graha Ilmu.