Hybrid Convolutional Neural Network dan Support Vector Machine untuk deteksi epilepsi berbasis Short Time Fourier Transform

INDONESIA:

Deteksi dini epilepsi berperan penting dalam mempercepat diagnosis serta menentukan langkah penanganan yang sesuai. Penelitian ini bertujuan untuk mengembangkan sistem deteksi epilepsi berbasis sinyal EEG menggunakan pendekatan hybrid Convolutional Neural Network (CNN) dan Support Vector Machine (SVM). Sinyal EEG diolah menggunakan Short-Time Fourier Transform (STFT) untuk mengubah data menjadi representasi dalam domain waktu-frekuensi. Representasi ini memberikan informasi frekuensi yang terkait dengan waktu, sehingga memungkinkan model untuk mengenali pola sinyal epilepsi secara lebih efektif. Fitur hasil ekstraksi STFT selanjutnya diproses oleh CNN untuk ekstraksi fitur otomatis, kemudian diklasifikasikan menggunakan SVM. Pengujian dilakukan pada beberapa skenario, dan hasil terbaik diperoleh pada Skenario 6, dimana model hybrid CNN-SVM mencapai akurasi sebesar 68%, presisi 67.5%, recall 90%, dan spesifisitas 35%. Hasil tersebut menunjukkan bahwa meskipun recall dan akurasi tergolong cukup baik, model masih memiliki kelemahan dalam aspek presisi dan spesifisitas. Hal ini mengindikasikan potensi kesalahan klasifikasi, terutama pada kasus non-epilepsi yang terdeteksi sebagai epilepsi (false positive). Secara keseluruhan, penggunaan STFT terbukti efektif dalam membantu proses ekstraksi fitur dari sinyal EEG dan mendukung peningkatan performa klasifikasi. Penelitian ini menunjukkan bahwa pendekatan hybrid CNN-SVM berpotensi digunakan dalam sistem deteksi epilepsi otomatis, meskipun masih diperlukan optimasi lanjutan, seperti penanganan ketidakseimbangan kelas dan penyesuaian parameter, untuk meningkatkan kinerja model secara keseluruhan.

ENGLISH:

Early detection of epilepsy plays an important role in accelerating diagnosis and determining appropriate treatment measures. This study aims to develop an epilepsy detection system based on EEG signals using a hybrid approach combining Convolutional Neural Network (CNN) and Support Vector Machine (SVM). EEG signals are processed using Short-Time Fourier Transform (STFT) to convert the data into a time-frequency domain representation. This representation provides frequency information related to time, enabling the model to recognize epilepsy signal patterns more effectively. The features extracted from STFT are then processed by CNN for automatic feature extraction and classified using SVM. Testing was conducted across several scenarios, with the best results achieved in Scenario 6, where the hybrid CNN-SVM model achieved an accuracy of 68%, precision of 67.5%, recall of 90%, and specificity of 35%. These results indicate that although recall and accuracy are quite good, the model still has weaknesses in terms of precision and specificity. This suggests the potential for classification errors, particularly in cases where non-epilepsy is detected as epilepsy (false positives). Overall, the use of STFT has proven effective in assisting the feature extraction process from EEG signals and supporting improved classification performance. This study shows that the hybrid CNN-SVM approach has potential for use in automatic epilepsy detection systems, although further optimization is still needed, such as addressing class imbalance and parameter tuning, to improve the overall model performance.

ARABIC:

الكشف المبكر عن الصرع يلعب دورًا مهمًا في تسريع التشخيص وتحديد الإجراءات العلاجية المناسبة. تهدف هذه الدراسة إلى تطوير نظام للكشف عن الصرع قائم على إشارات EEG باستخدام نهج هجين يجمع بين الشبكة العصبية التلافيفية (CNN) وآلة الدعم المتجهية (SVM). يتم معالجة إشارات EEG باستخدام تحويل فورييه قصير المدى (STFT) لتحويل البيانات إلى تمثيل في مجال الزمن-التردد. يوفر هذا التمثيل معلومات عن التردد المرتبطة بالزمن، مما يسمح للنموذج بالتعرف على أنماط إشارات الصرع بشكل أكثر فعالية. يتم معالجة ميزات النتائج المستخرجة من STFT بواسطة CNN لاستخراج الميزات تلقائيًا، ثم يتم تصنيفها باستخدام SVM. تم إجراء الاختبار على عدة سيناريوهات، وحصلنا على أفضل النتائج في السيناريو 6، حيث حقق النموذج الهجين CNN-SVM دقة بنسبة 68٪، ودقة بنسبة 67.5٪، واسترجاع بنسبة 90٪، وخصوصية بنسبة 35٪. تشير هذه النتائج إلى أنه على الرغم من أن الاسترجاع والدقة يعتبران جيدين إلى حد ما، إلا أن النموذج لا يزال يعاني من ضعف في الدقة والنوعية. وهذا يشير إلى احتمال حدوث أخطاء في التصنيف، خاصة في حالات عدم الإصابة بالصرع التي تم الكشف عنها على أنها صرع (إيجابية كاذبة). بشكل عام، أثبت استخدام STFT فعاليته في المساعدة في عملية استخراج الميزات من إشارات EEG ودعم تحسين أداء التصنيف. تشير هذه الدراسة إلى أن نهج CNN-SVM الهجين يمكن استخدامه في أنظمة الكشف التلقائي عن الصرع، على الرغم من الحاجة إلى مزيد من التحسينات، مثل معالجة عدم التوازن بين الفئات وتعديل المعلمات، لتحسين أداء النموذج بشكل عام.