Catatan bukti · UDINUS · SDGs
- Unit
- Rektorat UDINUS
- Periode
- 2024
- Tujuan
- Nomor
- 374a6e43-dc77-4ac2-a83d-760a510e070b
- Terbit
- 2026-10-30
Universitas Dian Nuswantoro melaksanakan studi yang membahas penilaian keparahan stroke melalui analisis sinyal EEG. Kegiatan ini melibatkan Sulistyono, Marcelinus Yosep Teguh; Pane, Evi Septiana; Yuniarno, Eko Mulyanto; dan Purnono, Mauridhi Hery sebagai peserta kegiatan penelitian. Studi tersebut dilatarbelakangi oleh peran penilaian keparahan stroke dalam menentukan intervensi medis yang sesuai serta mendukung proses pemantauan, evaluasi, dan rehabilitasi pasien stroke. Studi ini mengidentifikasi bahwa neurolog mengandalkan visualisasi selama sesi pemeriksaan, yang dapat menyebabkan sebagian informasi penting terlewatkan.
Kegiatan ini mengkaji penggunaan analisis EEG untuk melengkapi visualisasi dalam deteksi stroke dan penilaian keparahan stroke. Sumber menjelaskan bahwa sinyal EEG memiliki karakteristik non-stasioner, non-linear, multi-band, dan multi-kanal. Sumber juga menguraikan kesulitan yang muncul akibat pemrosesan dan ekstraksi fitur yang dilakukan secara terpisah pada setiap domain sehingga menghasilkan ruang berdimensi tinggi. Untuk mengatasi tantangan tersebut, studi ini mengusulkan metode Hybrid Significant Stroke Feature (HSSF) dan himpunan fitur signifikan stroke hibrida multidomain.
Metode HSSF menggunakan pengambilan sampel subband alpha rendah dan alpha tinggi dalam band alpha, serta subband beta rendah dan beta tinggi dalam band beta. Pendekatan ini menggunakan sepuluh karakteristik pada domain waktu, domain frekuensi, dan domain dekomposisi sinyal, bersama dengan stimulus gerak yang melibatkan bahu, siku, dan menggenggam. Strategi pemrosesan sinyal dan analisis fitur mencakup pengumpulan data, persiapan data, ekstraksi fitur, serta pemilihan karakteristik penting untuk kategorisasi. Reduksi dimensi memprioritaskan pemilihan domain berdimensi rendah. Peningkatan akurasi dilakukan melalui pengujian normalitas dan pengujian fitur signifikan untuk menentukan nilai rata-rata yang paling signifikan.
Hasil eksperimen melaporkan bahwa klasifikasi HSSF berdasarkan jenis, domain, fitur, stimulus, dan subband mencapai akurasi 98% dalam mengidentifikasi keparahan stroke melalui klasifikasi SVM menggunakan fitur PSD, Hjorth Parameter Mobility, dan Hjorth Parameter Complexity pada subband beta tinggi. Hasil tersebut menunjukkan bahwa metode ini mengidentifikasi parameter optimal dalam ruang berdimensi terbatas untuk penilaian keparahan stroke secara tepat.