KLASIFIKASI AUTISM SPECTRUM DISORDER BERBASIS EEG MENGGUNAKAN TOKEN-SHARED TRANSFORMER DENGAN FITUR NEUROFISIOLOGIS MULTIDOMAIN
Aufa Rafiki
Primary Author
mixed material
bibliography
Banda Aceh
Fakultas Teknik
2026
Autism Spectrum Disorder (ASD) umumnya didiagnosis melalui penilaian klinis berbasis perilaku yang memerlukan waktu lama dan bersifat subjektif, sehingga mendorong pengembangan pendekatan skrining berbasis EEG yang lebih objektif. Penelitian ini mengusulkan Token-Shared Transformer Network (TSTNet) yang efisien terhadap parameter untuk klasifikasi ASD pada kondisi jumlah sampel yang terbatas. Rekaman EEG dikumpulkan dari 18 partisipan (9 ASD dan 9 kontrol neurotipikal) menggunakan sistem 16 channel dengan frekuensi sampling 250 Hz, lalu dipraproses menggunakan penyaringan band-pass Butterworth (0,5–45 Hz), Common Average Referencing (CAR), dan Multiscale Independent Component Analysis (MSICA), kemudian dibagi ke dalam jendela berdurasi 4 detik dengan overlap 50%. Dua jenis representasi dievaluasi: (i) himpunan fitur neurofisiologis multidomain berdimensi 42 yang mengintegrasikan deskriptor spektral, aperiodik, kompleksitas, dan konektivitas fungsional; serta (ii) segmen EEG berbasis jendela untuk pembelajaran end-to-end. Dengan menggunakan 9-fold subject-wise cross-validation, TSTNet mencapai rata-rata akurasi uji sebesar 99,65% (feature-based) dan 98,31% (window-based), dengan sensitivitas dan spesifisitas yang secara konsisten tinggi. Uji Wilcoxon signed-rank terhadap akurasi berpasangan pada 9 fold mengonfirmasi adanya keunggulan signifikan pada skema berbasis fitur (W = 0, p = 0,0039). Model berbasis fitur juga memerlukan ukuran model yang lebih kecil (1,3 MB) dibandingkan model berbasis window (1,9 MB), yang menunjukkan tingkat keterterapan yang lebih baik untuk implementasi. Secara keseluruhan, perhatian berbagi token yang dipadukan dengan fitur EEG yang berlandaskan biologis memberikan kerangka kerja yang akurat, interpretatif, dan efisien secara komputasional untuk skrining ASD berbasis EEG.
0
ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala
1713739
2026-04-13 14:10:06
2026-04-13 15:10:06
machine generated