Electronic Theses and Dissertation

Abstrak - Klasifikasi Autism Spectrum Disorder (ASD) secara akurat dan andal dari electroencephalography (EEG) masih menantang karena karakteristik sinyal EEG yang nonstasioner dan bersifat multikanal. Penelitian ini mengusulkan pipeline deep learning yang ringkas dengan mengintegrasikan Multivariate Empirical Wavelet Transform (MEWT) untuk ekstraksi fitur multikanal yang selaras secara spektral, serta EEGNet untuk klasifikasi ASD berbasis EEG. Performa dievaluasi menggunakan 5-fold cross-validation. Model MEWT–EEGNet yang diusulkan mencapai akurasi uji rata-rata 98,35%, dengan nilai precision 98,23%, recall 98,45%, F1-score 98,34%, dan specificity 98,24% yang konsisten tinggi pada seluruh fold. Hasil confusion matrix menunjukkan jumlah false positive dan false negative yang sangat sedikit serta relatif seimbang, sehingga mendukung pemisahan yang stabil antara segmen EEG ASD dan kontrol. Dibandingkan benchmark studi sebelumnya pada dataset yang sama, metode MEWT dengan EEGNet (98,35%) meningkatkan performa sebesar 3,27% dibanding EWT dengan EEGNet (95,08%) dan 0,36% dibanding EMD dengan EEGNet (97,99%), sehingga MEWT terbukti memberikan kontribusi positif dalam meningkatkan konsistensi representasi multikanal untuk dipelajari EEGNet. Temuan ini mengindikasikan bahwa fitur multikanal berbasis MEWT sesuai untuk arsitektur konvolusional yang ringkas dalam analisis EEG untuk ASD.

Kata kunci: Electroencephalography, Autism Spectrum Disorder, MEWT, EEGNet
 

Abstract - The accurate and reliable classification of Autism Spectrum Disorder (ASD) from electroencephalography (EEG) is still challenging due to the characteristics of the EEG signals that are nonstationary and multichannel. This study proposes a compact deep learning pipeline by integrating Multivariate Empirical Wavelet Transform (MEWT) for spectral aligned multichannel feature extraction, as well as EEGNet for EEG-based ASD classification. Performance was evaluated using 5-fold cross-validation. The proposed MEWT–EEGNet model achieves an average test accuracy of 98.35%, with a precision value of 98.23%, a recall value of 98.45%, an F1-score of 98.34%, and a consistently high specificity of 98.24% across the entire fold. The confusion matrix results showed a very small and relatively balanced number of false positives and false negatives, thus supporting a stable separation between the ASD EEG segment and the control. Compared to the benchmark of the previous study on the same dataset, the MEWT method with EEGNet (98.35%) improved performance by 3.27% compared to EWT with EEGNet (95.08%) and 0.36% compared to EMD with EEGNet (97.99%), so that MEWT was proven to make a positive contribution in improving the consistency of multichannel representations for EEGNet to study. These findings indicate that MEWT-based multichannel features are suitable for compact convolutional architecture in EEG analysis for ASD. Keywords: Electroencephalography, Autism Spectrum Disorder, MEWT, EEGNet