KLASIFIKASI GANGGUAN TIDUR REM BEHAVIOUR DISORDER BERDASARKAN SINYAL EEG MENGGUNAKAN MACHINE LEARNING

CLASSIFICATION OF REM SLEEP BEHAVIOUR DISORDER BASED ON EEG SIGNAL USING MACHINE LEARNING

REM Behaviour Disorder (RBD) merupakan gangguan tidur yang ditandai dengan hilangnya atonia otot normal (hilangnya kelumpuhan) selama tidur Rapid Eye Movement (REM) berlangsung, dimana penderita bertindak berdasarkan mimpi yang dapat mengakibatkan cedera fisik pada individu atau pasangan tidur mereka. REM merupakan tahap tidur dengan ciri-ciri terhentinya pergerakan bola mata, menurunnya suhu tubuh, melambatnya detak jantung dan tidak adanya aktifitas otot pada beberapa bagian tubuh. Salah satu metode yang digunakan untuk mendeteksi RBD adalah Elektroensefalografi (EEG). EEG merupakan suatu metode merekam atau menangkap aktivitas elektrik di otak. Dataset yang digunakan bersumber dari PhysioNet.org yang terdiri dari 2 kelas yaitu kelas normal dan kelas RBD yang diambil dari 26 subyek dengan 6 subyek normal dan 20 subyek RBD. Penelitian ini dilakukan untuk mengklasifikasikan gangguan tidur RBD berdasarkan sinyal EEG menggunakan algoritma ELM serta diharapkan dapat menentukan algoritma terbaik dalam pengklasifikasian gangguan tidur RBD menggunakan algoritma ELM yang akan dikomparasikan dengan algoritma SVM dan backpropagation berdasarkan sinyal EEG dari segi nilai akurasi yang dihasilkan dan juga waktu yang dibutuhkan untuk membuat model dalam proses klasifikasi algoritma. Klasifikasi gangguan tidur RBD berdasarkan sinyal EEG diawali dengan pra-premrosesan data, ekstraksi fitur dan klasifikasi. Pra pemrosesan data meliputi pembagian sinyal per 30 detik dan smoothing data. Proses ekstraksi ciri menggunakan transformasi wavelet diskrit. Proses klasifikasi RBD berdasarkan sinyal EEG menggunakan algoritma Extreme Learning Machine (ELM) dengan fungsi aktivasi sigmoid biner. Sebelum proses pelatihan pada algoritma ELM, terlebih dahulu dilakukan undersampling untuk mengatasi ketidakseimbangan jumlah kelas. Evaluasi hasil klasifikasi dilakukan dengan k- fold cross validation. Hasil klasifikasi gangguan tidur RBD berdasarkan sinyal EEG menggunakan algoritma ELM menunjukkan bahwa algoritma ELM bisa mengklasifikasikan gangguan tidur RBD dengan non RBD berdasarkan sinyal EEG dengan nilai rata-rata akurasi sebesar mencapai 70.71% ± 5.44. Hasil komparasi menyatakan bahwa algoritma backpropagation memiliki rata-rata akurasi terbaik dalam pengklasifikasian RBD berdasarkan sinyal EEG yaitu mencapai 83.81% ± 1.40. Namun berdasarkan komputasi waktu, algoritma ELM lebih unggul dalam kecepatan proses klasifikasi RBD berdasarkan sinyal EEG yaitu mencapai 0.04 ± 0.06 detik dibandingkan algoritma Support Vector Machine (SVM) dan backpropagation.

Kata kunci : Gangguan Tidur, REM Behaviour Disorder, EEG, Extreme Learning Machine, Wavelet. 

REM Behaviour Disorder (RBD) is a sleep disorder characterized by the loss of normal muscle atony (loss of paralysis) during the Rapid Eye Movement (REM) sleep, where the sufferer acts on a dream that can result in physical injury to the individual or their sleeping spouse. REM is a sleep stage with a stopping feature of the eyeball movement, decreased body temperature, slowing heart rate and absence of muscle activity in some parts of the body. One method used to detect RBD is electroensefalography (EEG). EEG is a method of recording or capturing electrical activity in the brain. The Dataset used is sourced from PhysioNet.org consisting of 2 classes of normal class and RBD class derived from 26 subjects with 6 normal subjects and 20 RBD subjects. This research was conducted to classify RBD sleep disorders based on EEG signals using ELM algorithm and is expected to determine the best algorithm in classifying RBD sleep disorder using ELM algorithm which will be comparable with SVM algorithm and backpropagation based on EEG signal in terms of generated accuracy value and also the time needed to create model in algorithm classification process. Classification of RBD sleep disorders based on EEG signal begins with pre-processing of data, feature extraction and classification. Pre-processing data includes signal sharing per 30 seconds and smoothing of data. The extraction process features using the discrete wavelet transformation. The RBD classification process based on the EEG signal uses the Extreme Learning Machine (ELM) algorithm with the binary sigmoid activation function. Before the training process on the ELM algorithm, first performed undersampling to address the number of class imbalances. Evaluation of classification result is done by k-fold cross validation. The resulting RBD sleep disorder classification results based on the EEG signal using the ELM algorithm indicates that the ELM algorithm could classify RBD sleep disorders with non RBD based EEG signals with an average value of accuracy of reaching 70.71% ± 5.44. The results of the comparison stated that the backpropagation algorithm has the best accuracy on average in classifying RBD based on EEG signal which reaches 83.81% ± 1.40. But based on time computing, the ELM algorithm is superior in the RBD classification based on the EEG signal process speed which reaches 0.04 ± 0.06 second compared to the Support Vector Machine (SVM) and Backpropagation.