DENOISING ARTEFAK PADA SINYAL ELEKTROENSEFALOGRAM (EEG) MENGGUNAKAN FIR FILTER DENGAN METODE TRANSFORMASI WAVELET
Janner Simarmata1, Mardi Turnip2, Arjon Turnip3
1Universitas Negeri Medan, Sumatera Utara
2Universitas Prima Indonesia, Medan
3UPT BPI – LIPI
E-mail: jannersimarmata@gmail.com1, mardy_itteam@yahoo.co.id2, arjon.turnip@lipi.go.id3
ABSTRAK
Elektroensefalografi (EEG) memberikan informasi rekaman sinyal otak secara non-invasif untuk menganalisis aktivitas otak yang penting bagi tenaga klinis untuk melakukan diagnosa, monitoring, dan managing penyakit atau kelainan pada saraf. Sinyal yang telah terekam tersebut seringkali masih mengandung berbagai kontaminasi sinyal yang disebut Artefak. Diantaranya adalah pengaruh aktifitas otot bola mata yang disebut sebagai artefak EOG (Electrooculography) yang menjadi masalah dalam menginterpretasi sinyal EEG tersebut.
Pada paper ini diajukan metode menggunakan Filter FIR dan Wavelet Transform. Dengan metode tersebut diharapkan hasil dari eksperimen nantinya menunjukkan bahwa artefak dari EOG pada sinyal EEG dapat berkurang seminimal mungkin.
Kata kunci: sinyal eeg, artefak eog, filter fir, wavelet transform, denoising 1. PENDAHULUAN
Sinyal biomedis (biosignal) dalam berbagai bentuk merupakan sumber informasi yang berasal dari tubuh dan sangat berguna dalam interpretasi medis. Otak merupakan organ tubuh manusia yang terdiri dari jaringan neuron yang mampu membangkitkan energi potensial listrik yang dikenal sebagai neuroelectric potentials [1].
Electroencephalogram (EEG) adalah sebuah pengukuran secara non-invasif dari aktivitas listrik otak yang diperoleh dengan penempatan beberapa elektroda pada scalp (kulit kepala) di area otak [2].
EEG, dimana merupakan alat yang penting bagi klinisi untuk interpretasi, mendiagnosa, memonitor, dan mengatur mengenai kelainan atau penyakit pada saraf, seringkali dikontaminasi oleh artefak yang seringkali berasal dari aktifitas otot, yang mana dapat mengurangi kegunaannya bagi klinis dan menganggu interpretasi sinyal [2,3,4].
Artefak adalah sinyal yang tidak diinginkan yang dapat menunjukkan perubahan yang signifikan pada sinyal otak [5]. Artefak berasal dari rekaman non-cerebral oleh elektroda-elektroda EEG [2]. Berdasarkan asalnya, artefak dapat dibagi menjadi dua jenis, yaitu:
Biological Artifacts : seringkali disebabkan oleh Electrooculogram (EOG) atau aktifitas ocular, Electromyogram (EMG) atau aktifitas otot, dan Electrocardiogram (ECG) atau aktifitas jantung;
External Artifacts: disebabkan berkaitan dengan faktor-faktor secara teknis seperti line- interference, leads, dan electrodes[2].
Sumber artefak utama adalah artefak EOG, Artifak ocular (Oas) (pergerakan mata dan kedipan mata), noise otot (EMG), sinyal jantung, dan berbagai macam noise yang tercampur dengan sinyal otak dan seringkali menjadi artefak dalam rekaman EEG [6,7,8]. Banyak aktivitas yang
disebabkan pada otot di bagian wajah,leher, dan pada scalp yang disebabkan oleh pergerakan, mengunyah, menelan, gelisah, tremor atau tegang otot umumnya [9, 10].
Penghilangan artefak adalah solusi nyata untuk analisis kuantitatif [6]. Para peneliti menghilangkan artefak dalam sinyal EEG yang disebut raw data [11] untuk memperoleh sebuah sinyal yang “clean”
yang dapat dianalisis lebih lanjut[12]. Oleh karena itu, diperlukan suatu proses pereduksi noise (denoising).
Metode kuantitatif untuk analisis EEG telah dikembangkan oleh banyak peneliti. Metode yang banyak digunakan untuk mengolah dan mengurangi noise dari sinyal otak diantaranya bandpass filter, autoregressive model [29], Finite Impuls Respon (FIR), Untukpengolahan sinyal yang lebih sederhana, maka digunakan FIR Filter. Yang kemudian dianalisis menggunakan wavelet.
Waveletadalah sebuah model matematika yang sesuai dalam mendeteksi dan menganalisis kejadian yang terjadi dalam skala berbeda, memberikan informasi pada domain waktu dan frekuensi [13].
Sinyal EEG yang tercampur dengan EOG diilustrasikan seperti pada gambar 1.
Gambar 1. EEG tercampur sinyal EOG [14]
Metode wavelet ini memiliki kemampuan dalam mengubah sebuah sinyal dengan domain waktu ke dalam waktu dan frekuensi yang membantu untuk memahami karakteristik sinyal lebih baik.
hal 1
Seminar Nasional Inovasi dan Teknologi Informasi 2014 (SNITI) Parbaba-Samosir, 10 - 11 Oktober 2014
Denoising mempunyai peran penting dalam analisis sinyal. Proses ini sangat diperlukan sebelum data dianalisis. Pentingnya denoising ini bertujuan untuk memperoleh hasil sinyal yang lebih akurat dan mendekati aslinya. Proses denoising ini akan menghapus sinyal noise dan mempertahankan informasi yang penting [15].
Dalam keadaan secara statistik biasanya seringkali terkait dengan sampel secara diskrit dan jarang pada fungsi-fungsi kontinyu [16]. Dewasa ini, Stationary Wavelet Transform (SWT) dari sinyal EEG yang tercampur artefak telah banyak digunakan dalam mende-noise sinyal.
Pada penelitian ini, digunakan FIR filter sebagai pemfilter sinyal input yang diperoleh dari data sampel percobaan terhadap sinyal EEG yang mengandung banyak noise berupa artefak. FIR filter merupakan filter digital yang memiliki respon impuls terbatas. Alasan menggunakan Filter FIR ini karena memiliki sistem yang stabil dan non- rekursif, serta output yang dihasilkan tidak terpengaruh oleh output sebelumnya. Hasil filter kemudian digunakan metode SWT untuk mendenoising sinyal menggunakan wavelet Daubechies (db4). Dengan tujuan untuk meminimalisasi noise akibat adanya artefak pada sinyal EEG sehingga diperoleh sebuah data sinyal EEG clean.
2. METODOLOGI a. Metode Akuisisi Data
Data sampel sinyal EEG diperoleh dengan melakukan eksperimen. Eksperimen dalam penelitian ini dilakukan oleh satu orang mahasiswa Teknik Fisika, Institut Teknologi Bandung untrained yaitu berjenis kelamin laki-laki berusia 22 tahun dengan kondisi sehat, berambut tipis dan tanpa kelainan apapun.
Berikut adalah skema metode secara menyeluruh dijelaskan pada gambar 2.
Gambar 2. Skema metode eksperimen secara menyeluruh
1. Akuisisi Data
Alat yang digunakan pada eksperimen ini adalah EEG Neuroheadset Emotiv EPOC wireless yang memiliki 14 elektroda dan 2 reference serta dilengkapi dengan paket antarmuka pemrograman aplikasi (Application Programming Interface), API.
EEG ini akan merekam sinyal dari kegiatan eksperimen tersebut dimana dalam 1 epoch terdapat 128 data tiap detik.
Sebelum elektroda dipasang pada alat, sebaiknya ditetesi dengan cairan elektrolit terlebih dahulu untuk meningkatkan konduktivitas elektroda dimana elektroda terlapisi oleh busa yang bersifat isolator. Kemudian alat ini dipasangkan pada scalp (kulit kepala) subyek dengan elektroda pada kanal T7, O1, O2, dan T8 yang diaktifkan (dapat dilihat pada gambar 3) dengan tujuan peletakan ini sesuai dengan fungsi dari bagian kulit kepala yang ditunjuk dengan stimulus yang diberikan.
Gambar 3. Peletakan elektroda pada T7, O1, O2, dan T8
Stimulus yang digunakan pada pengambilan data sampel pada penelitian ini adalah stimulus visual berupa video rekaman naracoba melakukan aktivitas yang sesuai dengan skenario yang dibuat.
Tabel 1 Alur Skenario pengambilan data pada OpenViBE Stimulus 1 dan 2
Detik Aktivitas Keterangan
0-60 Normal Stimulus 1
61-62 + (persiapan) 62-102 Memejamkan
mata Stimulus 2
102-104 Selesai
Tabel 2 Alur Skenario pengambilan data pada OpenViBE Stimulus 3
Detik Aktivitas
0-15 Diam
15-17 + (persiapan) 17-22 Mengedipkan mata 22-27 Mengedipkan mata 27-32 Mengedipkan mata 32-37 Mengedipkan mata 37-42 Mengedipkan mata
42-44 Selesai
Skenario pertama yang digunakan untuk stimulus 1, yaitu pengambilan data pada kondisi normal selama 60 detik. Kemudian pada detik 60- 62 akan muncul tanda ‘ + ‘ yang menandakan persiapan untuk melakukan stimulus berikutnya.
Kemudian akan muncul tanda panah yang tandanya naracoba melakukan stimulus kedua yaitu memejamkan mata selama 60 detik. Skenario kedua yaitu digunakan untuk stimulus 3, diawali dengan kondisi normal selama 15 detik. Kemudian pada detik 15-17 akan muncul tanda ‘ + ’ yang
A 1
A 2 2 T
7
T 8
O 1 1
O 2
menandakan persiapan untuk melakukan gerakan.
Kemudian akan muncul tanda panah yang artinya mengedipkan mata. Alur scenario secara rinci ditunjukkan pada tabel 1 dan2.
b. Pengolahan Sinyal EEG
Perangkat lunak OpenViBE yang berfungsi untuk akuisisi data dan desain untuk pembuatan algoritma pemrograman, Matlab yang telah terinstal toolbox EEGLAB yang berfungsi untuk menampilkan sinyal EEG dimana mengekstraksi file rekaman sinyal EEG dari OpenViBE dalam file .EDF diubah ke file .m agar bisa terbaca di Matlab(pre-prosessing sinyal). Sinyal tersebut kemudian di remove baseline dan selanjutnya difilter menggunakan FIR Filter, untuk memperoleh hasil yang lebih baik kemudian digunakan wavelet denoising pada toolbox Wavelet Toolbox Main Menu pada menu SWT (Stationary Wavelet Transform) Denoising 1-D.
c. Metode yang digunakan 1. FIR Filter
Filter digital dengan respon impuls finite- duration (all-zero, atau disebut FIR Filter) yang memiliki keuntungan dan kerugian dibandingkan respon impuls infinite-duration dari IIR Filter.
Keuntungan FIR yaitu fase linear, stabil, non- rekursif dapat direalisasikan pada hardware, memiliki durasi yang terbatas. Kerugian utama dari Filter FIR adalah seringkali meminta orde filter yang lebih tinggi daripada Filter IIR. Dan delay dari filter ini seringkali lebih tinggi. [user guide signal processing].
Secara umum, persamaan fungsi transfer filter FIR:
y [ n ] = ∑
k=0 M
❑ b
xx [ n− k ]
(1) 2. Wavelet Denoising 2.1Transformasi Wavelet
Teori wavelet adalah suatu konsep yang relatif baru dikembangkan. Kata wavelet sendiri diberikan oleh Jean Morlet dan Alex Grossman diawal tahun 1980-an, dan berasal dari bahasa Prancis, ondellete yang berarti gelombang kecil. Kata onde yang berarti gelombang kemudian diterjemahkan ke bahasa inggris menjadi wave, kemudian digabung dengan kata aslinya sehingga terbentuk kata baru wavelet. Salah satu alasan mengapa transformasi wavelet begitu penting dalam berbagai bidang adalah karena sifat-sifat berikut:
a. Waktu kompleksitasnya bersifat linear.
Transformasi wavelet dapat dilakukan dengan sempurna dengan waktu yang bersifat linear.
b. Koefisien-koefisien wavelet yang terpilih bersifat jarang. Secara praktis, koefisien-
koefisien wavelet kebanyakan bernilai kecil atau nol. Kondisi ini sangat memberikan keuntungan terutama dalam bidang kompresi atau pemampatan data.
c. Wavelet dapat beradaptasi pada berbagai jenis fungsi, seperti fungsi yang tidak kontinu, dan fungsi yang didefinisikan pada domain yang dibatasi [15].
Jika dibandingkan antara wavelet dan gelombang sinus, yang mana adalah basis dari analisis fourier. Sinusoida tidak memiliki durasi yang terbatas. Sinusoida itu smooth dan dapat diprediksi, jika wavelet cenderung irregular dan asimetris [20].
Gambar 4. Gelombang sinus dan wavelet Secara umum, fungsi wavelet y(t) adalah fungsi yang bernilai kompleks. Sebuah fungsi umum dari wavelet didefinisikan sebagai persamaan di bawah ini [18,19,20].
¿ s∨¿
1
2
ψ [ ( t −τ s ) ]
ψ
s ,t(t )=¿
(2)
Dimana s, τϵ R, s ≠ 0, yang merupakan skala dan parameter translasi dan t adalah waktu.
Dalam Continuous Wavelet Transform (CWT), sinyal dianalisis menggunakan seperangkat fungsi dasar yang saling berhubungan dengan penskalaan dan transisi sederhana [21].
Pengembangan Continuous Wavelet Transform (CWT) dipaparkan pada persamaan berikut ini.
√
¿s∨¿∫
x(
t)
ψ(
t−sτ)
dtXWT
(
τ , s)
=1¿
(3)
Discrete Wavelet Transform (DWT) memberikan sebuah non-redundant, secara efisien representasi wavelet yang dapat diimplementasikan dengan skema sederhana dari filter berulang dan rekonstruksi sinyal asli dapat diperoleh dengan sebuah operasi invers filtering [21].
Transformasi wavelet yang diwujudkan dalam dekomposisi sinyal masukan dan difilter , LPF menghasilkan bentuk gelombang yang disebut dengan Aproksimasi dan HPF menghasilkan gelombang acak yang disebut detail. Korelasi ini dengan fungsi wavelet diatur dalam skema hierarki yang disebut mutiresolusi dekomposisi. Dimana Dekomposisi memisahkan sinyal ke dalam “detail”
pada skala yang berbeda dan “aproksimasi”.
hal 3
Seminar Nasional Inovasi dan Teknologi Informasi 2014 (SNITI) Parbaba-Samosir, 10 - 11 Oktober 2014
SWT berguna secara berulang untuk filter dalam membagi dua bandwith dari satu level ke level lain.
Skema dekomposisi dan rekonstruksi dapat dilihat pada gambar 3 [14].
(a)
(b)
Gambar 5. (a) Skema dekomposisi wavelet diskrit, (b) rekonstruksi wavelet multiresolusi 2.2Daubechies Wavelet (dbN)
Wavelet Daubechies adalah wavelet dengan fase yang ekstrem dari Daubechies. N menunjukkan jumlah titik yang hilang. Wavelet dapat orthogonal, ketika fungsi penskalaan memiliki nomor koefisien yang sama sebagai fungsi wavelet, atau biorthogonal, ketika jumlah koefisien berbeda. Ini sangat berguna untuk analisis lokal. Ini juga hanya wavelet simetris di family daubechius dan hanya satu yang memiliki ekspresi eksplisit dalam bentuk diskrit.Wavelet dengan jumlah N yang lebih sedikit memberikan sedikit smoothing dan menghilangkan sedikit detail. Sedangkan wavelet dengan jumlah N yang lebih besar membuar distorsi [18,22,23,24,25].
Gambar 4 berikut ini menggambarkan family wavelet daubechies-N.
Gambar 6. Wavelet Daubechies : dbN 2.3Wavelet Denoising
Wavelet denoising bertujuan untuk menghapus noise yaitu berupa artifak pada sinyal yang terekam pada EEG sambil menjaga karakteristik sinyal, terlepas dari isi frekuensi. Semua filter wavelet menggunakan wavelet operasi thresholding untuk denoising[15].
Proses denoising (pengurangan noise) didasarkan pada penghapusan atau pengurangan data sinyal yang dianggap noise. Dalam denoising yang menggunakan wavelet, terdapat banyak metode yang digunakan untuk mengurangi noise.
Denoising diterapkan dengan men-treshold koefisien wavelet.Inputan berupa sinyal digunakan transformasi wavelet diskrit. Dengan tresholding, transformasi wavelet akan dapat menghilangkan noise atau sinyal lain yang tidak dikehendaki dalam domain wavelet. Kemudian akan diperoleh sinyal yang diinginkan setelah melakukan invers terhadap wavelet tersebut.
Dengan metode ini, kita perlu memahami konsep koefisien wavelet yang merepresentasikan sebuah pengukuran pada frekuensi antara sinyal dan fungsi wavelet yang dipilih. Koefisien wavelet diperhitungkan sebagai sebuah konvolusi sinyal dan fungsi wavelet yang mana berhubungan dengan bandpass filter. Ketika kita menganalisa sinyal pada skala tinggi, kita memperoleh informasi global dari sebuah sinyal yang disebut approximation. Dan pada skala kecil, kita memperoleh informasi dari sebuah sinyal yang disebut details [26,27,28].
Berikut adalah skema pemrosesan sinyal menggunakan wavelet dapat dilihat pada gambar 7.
hal 4 Sinyal EEG
Hasil FIR Filter
Buka wavelet toolbox main menu di Matlab
Pilih menu SWT Denoising 1-D untuk proses dekomposisi dan denoise
Impor sinyal hasil filter
Seminar Nasional Inovasi dan Teknologi Informasi 2014 (SNITI) Parbaba-Samosir, 10 - 11 Oktober 2014
Gambar 7. Flowchart pemrosesan sinyal digital menggunakan wavelet
3. HASIL DAN DISKUSI
Penelitian ini secara garis besar tentang penghilangan dan memperbaiki sinyal dari data yang bernoise menggunakan transformasi wavelet.
Sebelum mendiskusikan tentang ini, deskripsi dari denoising sinyal dijelaskan sebagai berikut.
Model dari sinyal bernoise diekspresikan sebagai
X [ n ] = S [ n ] + G[ n]
(4)
Dengan sinyal X merupakan sinyal yang masih terdapat noise , S merupakan sinyal EEG, dan G merupakan noise yang ditambahkan serta n merupakan titik cuplikan. Prosedur denoising ada 3 tahap, yaitu: (a) dekomposisi, (b) thresholding koefisien detail, (c) rekonstruksi.
Data sampel sinyal EEG yang diperoleh dari perekaman sinyal otak kemudian diolah pada Matlab dengan menggunakan filter FIR kemudian hasil filter di denoising menggunakan Wavelet toolbox Main Menu dengan metode wavelet Daubechies 4 level dekomposisi 3.
Sinyal EEG dengan stimulus 1 sebelum proses filtering pada waktu 0-25 detik ditunjukkan oleh Gambar 8.
Gambar 8. Sinyal EEG stimulus 1 sebelum di filter
Gambar 9. Sinyal EEG stimulus 1 setelah difilter dengan Bandpass FIR Filter
Gambar 10. Magnitude dan Fasa dari Bandpass FIR Filter
Gambar 11. Sinyal EEG data stimulus 1 channel T7
Gambar 12. Sinyal EEG data stimulus 1 channel T7 setelah remove baseline
hal 5 Clean EEG Data
Plot Pengurangan Sinyal sebelum denoising dan denoising sinyal di
Matlab
Seminar Nasional Inovasi dan Teknologi Informasi 2014 (SNITI) Parbaba-Samosir, 10 - 11 Oktober 2014
Gambar 12. Sinyal EEG data stimulus 1 channel T7 hasil filter bandpass FIR Filter
Gambar 13. Sinyal denoise setelah wavelet Daubechies 4 level 3
0 12825638451264076889610241152128014081536166417921920204821762304243225602688281629443072320033283456358437123840396840964224435244804608473648644992512052485376550456325760588860166144627264006528665667846912704071687296742475527680780879368000 -8
-6 -4 -2 0 2 4 6
8 Sinyal residu setelah dikurang oleh sinyal denoise channel T7
Gambar 14. Sinyal residu (clean Data) setelah dikurangi sinyal denoise pada channel T7
4. KESIMPULAN
Pengolahan sinyal digital menggunakan Bandpass FIR Filter dengan frekuensi 7-30 Hz dapat men
DAFTAR PUSTAKA
[1] Saeid Sanei dan J.A.Chambers, 2007. “EEG Signal Processing”, hal.12, UK: John Wiley&Sons, Ltd.
[2] Aysa Jafarifarmand, Mohammad Ali Badamchizadeh, “Artifacts removal in EEG signal using a new neural network enchanced adaptive filter”, Neurocomputing 103 (2013) 222-231
[3] Simon O’Regan, Stephen Faul, William Marnane, “Automatic detection of EEG artefacts arising from head movements using EEG and gyroscope signals”, Medical Engineering&Physics 35 (2013) 867-874
[4] David Looney, Ling Li,
Tomasz.M.Rutkowski, Danilo P.Mandic, dan Andrzej Cichocki, “Ocular Artifacts removal from EEG using EMD”,
[5] Mehrdad Fatourechi, Ali Bashashati, Rabab K.Ward, Gary E.Birch, “EMG and EOG artifacts in brain computer interface system:
A survey”, Clinical neurophysiology 118 (2007) 480-494
[6] Theo Gasser, Jan. C. Schuller, Ursula Schreiter Gasser, “Correction of muscle artefacts in the EEG power spectrum”, Clinical Neurophysiology 116 (2005) 2044- 2050
[7] Muhammad Tahir Akhtar, Wataru Mitsuhashi, Christoper J.James, “Employing spatially constrained ICA and wavelet denoising, for automatic removal or artifacts from multichannel EEG data”, Signal processing 92 (2012) 401-416
[8] Hoang-Anh T.Nguyen, John Musson, Feng Li, Wei wang, “EOG artifact removal using a wavelet neural network”, Neurocomputing 97 (2012) 374-389
[9] Maarten van de Velde, Gerard van Erp, Pierre J.M.Cluitmans, “Detection of muscle artefact in the normal human awake EEG”, Electroencepalography and clinical neurophysiology 107 (1998) 149-158 [10] P.K.Sadasivan and D.Narayana Dutt,
“Minimization of EOG artefacts from corrupted EEG signals using neural network approach”, Compt.Biol.Med.Vol.24 No.6 pp 441-449. 1994.
[11] Sebastian Olbrich, Johannes Jodicke, Christian Sander, Hubertus Himmerich, Ulrich Hegeri, “ICA-based muscle artefact correction of EEG data:What is muscle and what is brain?Comment on McMenamin et al, Neuroimage 54 (2011) 1-3
[12] Vernon Lawhern, W.David Hairston, Kaleb McDowell, Marissa Westerfield, Kay Robbins, “Detection and classification of subject-generated artifacts in EEG signals using autoregressive models”, Journal of Neuroscience Methods 208 (2012) 181-189 [13] P.Senthil Kumar, R.Arumuganathan,
K.Sivakumar, C.Vimal, “An adaptive method to remove ocular artifacts from EEG signals using wavelet transform”, journal of applied science research, 5(7): 741-745, 2009.
[14] Samar, V.J., Ajit Bopardikar, Raghuveer Rao, and Kenneth Swartz, “Wavelet analysis of neuroelectric waveforms: A conceptual tutorial”, Brain and language, 66: 7-60, 1999 [15] Christa E.Bire, Bambang Cahyono,
“Denoising pada citra menggunakan transformasi wavelet”, 2012, Semarang
[16] P.Senthil Kumar, R.Arumuganathan, K.Sivakumar, dan C.Vimal, “Removal of ocular Artifacts in the EEG through wavelet transform without using an EOG Reference Channel”, Int.J.Open problems compt.Math., Vol.1,No.3, December 2008.
[17] R.Romo Vazquez, H.Velez-Perez, R.Ranta, V.Louis Dorr, D.Maquin, “Blind source separation, wavelet denoising and discriminant analysis for EEG artefacts and noise cancelling”, Biomedical signal processing and control 7 (2012) 389-400.
[18] Mohd Zul-Hilmi Bin mohamad, “Denoising of an experimental acoustic emission (AE) data using one dimensional (1-D) Wavelet Packet Analysis, 2009
[19] Joe-Air Jiang, Chih-Feng Chao, Ming-Jang Chiu, Ren-Guey Lee, “An automatic analysis method for detecting and eliminating ECG artifacts in EEG”, computers in biology and medicine 37 (2007) 1600-1671
[20] Wei-Yen Hsu, Chao-Hung Lin, Hsien-Jen Hsu, Po-Hsun chen,I-Ru chen, “Wavelet- based envelope features with automatic EOG artifact removal: application to single- trial EEG data”, expert system with application 39 (2012) 2743-2749
[21] O.A.Rosso, M.T.Martin, A.Figliola.
K.Keller. A.Plastino, “EEG analysis using wavelet-based information tools”, journal of neuroscience methods 153 (2006) 163-182 [22] Michel Misiti, Yves Misiti, Georges
Oppenheim, Jean-Michel Poggi, “Wavelet Toolbox, User’s Guide”, 2013
[23] Michel Misiti, Yves Misiti, Georges Oppenheim, Jean-Michel Poggi, “Wavelet Toolbox, Getting Started”, 2013
[24] Michel Misiti, Yves Misiti, Georges Oppenheim, Jean-Michel Poggi, “Wavelet Toolbox, Reference”, 2013
[25] Misiti Michel, Misiti Yves, Oppenheim Georges, Poggi, J.M, “Wavelet and their application”, ISTE Ltd, 2006.
[26] Howan Leung, Kaspar Schindler, Anne Y.Y Chan, Alexander Y.L.Lau, Ka Lau leng,
“Wavelet-denoising of
electroencephalogram and the absolut slope method: A new tool to improve electroencephalographic localization and lateralization”, clinical neurophysiology 120 (2009) 1273-1281
[27] R.Quian Quiroga, H.Garcia “Single-trial event-related potentials with wavelet denoising”, clinical neurophysiology 114 (2003) 376-390
[28] L.Pasti, B.Walczak, D.L.Massart, P.Reschiglian, “Optimization of signal denoising in discrete wavelet transform”,
chemometrics and intelligent laboratory systems 48 (1999) 21-34
[29] A.Turnip and K.S.Hong.(2012).Classifying Mental Activities From EEG-P300 Signals using Adaptive Neural Network, International Journal of Innovative Computing, Information and Control.,vo
l 8, No.9.
hal 7
