Apa yang Anda Dapatkan dari Machine Learning (ML) dan Deep Learning (DL)

Kita telah memasuki era "data besar" (big data), di mana kemajuan ilmiah dan peluang penemuan tidak lagi terlalu dibatasi oleh kapasitas penyimpanan dan berbagi data. Sebaliknya, inovasi teknologi dan ilmiah lebih dibatasi oleh kemampuan kita untuk menggunakan data yang tersedia melimpah ini secara cepat dan efektif. Dalam hal ini, sistem pemodelan AI yang semakin tangguh dan canggih membuktikan bahwa kumpulan data yang paling kompleks sekalipun dapat disuling menjadi algoritma canggih menggunakan kemampuan pemrosesan data real-time.

Ilmu Saraf dan AI

Algoritma dan model ini terbukti sangat berguna bagi para ilmuwan saraf dan peneliti yang berharap dapat memahami dan merespons proses mental manusia dengan lebih baik.

Penerapannya tidak terbatas. Kegunaannya membentang dari pemasaran dan pengalaman pengguna yang lebih baik melalui teknologi pengenalan wajah hingga peningkatan efisiensi bagi individu dalam mengelola beban kerja kognitif mereka.

Secara khusus, perusahaan riset otak dan EEG Emotiv telah mendemonstrasikan kekuatan ML dan DL dengan menurunkan biaya pelaksanaan riset otak ini sekaligus meningkatkan efisiensi dalam pengumpulan dan analisis data. Pada gilirannya, hal ini secara dramatis meningkatkan kegunaan EEG bagi individu, komunitas pendidikan dan akademis, serta perusahaan yang mengeksplorasi kasus penggunaan untuk riset konsumen, di antara yang lainnya.

Kecerdasan Buatan, Machine Learning, dan Deep Learning

Perlahan tapi pasti, AI merambah ke dalam aplikasi yang tidak dapat dibayangkan oleh generasi sebelumnya, menurunkan hambatan biaya untuk riset dan membuka jalan yang lebih cepat menuju inovasi teknologi masa depan.

Tidak ada tempat yang lebih jelas selain dalam ranah teknologi EEG. Dengan mengintegrasikan pemodelan ML dan DL yang canggih, para ilmuwan saraf membuka potensi besar di beberapa bidang, terutama sistem antarmuka otak-komputer (BCI) dan pengenalan emosional.

Untuk memahami status model AI saat ini dalam memahami data EEG, beberapa elemen harus dibedakan satu sama lain secara konseptual. Meskipun istilah seperti "kecerdasan buatan", "machine learning", dan "deep learning" sering digunakan secara bergantian, ada nuansa penting yang membedakannya.

Kecerdasan Buatan

Ketika para pemikir kreatif pertama kali memahami bahwa mesin suatu hari nanti dapat diajari untuk berpikir seperti manusia, lahirlah istilah Kecerdasan Buatan (Artificial Intelligence). AI mencakup beberapa sub-bidang, termasuk machine learning dan deep learning.

Machine Learning

Machine learning adalah sub-bidang, atau cabang, dari AI, yang dilatih menggunakan bank data untuk mengembangkan algoritma yang kompleks. Algoritma ini kemudian dapat digunakan untuk membuat prediksi yang akurat tentang data baru atau sampel data, mengembangkan sistem klasifikasi yang sangat presisi untuk data, dan dalam prosesnya, membantu mengungkap pola dan wawasan yang tidak akan praktis bagi para ilmuwan tanpa menggunakan mesin ini.

Deep Learning

Deep learning membawa machine learning satu langkah lebih maju dengan mengotomatiskan lebih banyak aspek dari proses pembelajaran dan pelatihan. Algoritma deep learning dapat mendekode kumpulan data yang tidak terstruktur, seperti teks atau gambar, sehingga membutuhkan lebih sedikit intervensi manusia. Karena alasan ini, deep learning telah digambarkan sebagai "machine learning yang dapat diskalakan."p>

Keterbatasan Historis dan Tantangan EEG: Kebutuhan akan AI

Otak manusia mengandung sekitar 100 miliar neuron. Memahami sepenuhnya hubungan kompleks di antara neuron-neuron ini dan koneksi sinaptik masing-masing membutuhkan kemampuan untuk melihat sejumlah besar data otak secara holistik. Selama beberapa dekade, kemampuan untuk mengisolasi pola sirkuit saraf tingkat meta dari data EEG telah mewakili langkah pembatas laju utama dalam kegunaan pembacaan EEG.

Teknologi EEG sendiri tidak mahal. Rekaman gelombang otak EEG pertama kali dihasilkan pada akhir tahun 1800-an, dan proses untuk mengumpulkan pembacaan EEG bersifat noninvasif dan relatif tidak rumit.

Namun, biaya yang melekat dalam pengumpulan dan analisis data EEG terutama disebabkan oleh tenaga kerja manual untuk memilih secara manual artefak asing yang ditangkap oleh EEG, yang memiliki rasio sinyal-terhadap-derau (signal-to-noise ratio) yang rendah. Data EEG sangat kompleks dan membawa aspek nonlinear dan nonstasioner. Ini juga memiliki faktor-faktor yang bervariasi secara unik dari orang ke orang.

Para peneliti terpaksa memproses awal sejumlah besar data secara manual untuk menghilangkan derau yang tidak perlu dan memperhitungkan semua variabel yang berbeda. Oleh karena itu, untuk waktu yang cukup lama, tidak praktis dan tidak layak untuk menggunakan EEG dalam tugas-tugas yang lebih canggih seperti pengenalan emosional. Namun, para peneliti tetap mencobanya.

Untuk merampingkan pengumpulan dan analisis data otak EEG serta mengurangi hambatan biaya-manfaat bagi para peneliti, para ilmuwan saraf mengembangkan jalur pemrosesan klasifikasi EEG untuk merinci langkah-langkah mereka, menyempurnakan strategi dan teknik masing-masing, serta meningkatkan aplikasi EEG.

Jalur Klasifikasi EEG 5-Langkah Umum

1. Pemrosesan awal data (Data pre-processing).

2. Menginisialisasi prosedur klasifikasi.

3. Membagi kumpulan data untuk pengklasifikasi.

4. Memprediksi kelas data baru.

5. Mengevaluasi model klasifikasi untuk kumpulan data uji.

Meskipun saat ini EEG masih menjadi salah satu metode yang paling hemat biaya dan informatif untuk menangkap aktivitas otak, kegunaan data EEG terus dibatasi oleh seberapa andal para ilmuwan dapat merekam data otak dan memproses rekaman EEG tersebut secara efisien.

Masa Depan EEG: Bangkitnya Kapasitas AI dan Data Besar

Istilah “data besar” (big data) mengacu pada peningkatan volume, kecepatan, dan variasi yang memungkinkan teknologi modern dalam mengumpulkan dan memproses data. Data besar secara dramatis mengubah lanskap neurosains. Sederhananya, sekarang, lebih dari sebelumnya, kita dilengkapi dengan lebih baik untuk menggunakan sejumlah besar data yang kita kumpulkan.

Tugas klasifikasi, terutama yang berkaitan dengan mendeteksi kondisi emosional, semakin banyak ditangani oleh proses klasifikasi biner dan multi-label. Algoritma ML yang diawasi (supervised ML) mempelajari data pelatihan, mengembangkan model dan parameter yang dipelajari, dan kemudian menerapkannya ke data baru untuk menetapkan label kelas masing-masing ke setiap kumpulan data. Proses ini menghilangkan kebutuhan manusia untuk menghabiskan waktu membuat keputusan yang berulang-ulang dan memakan waktu.

Sangat mudah untuk mendengar istilah seperti "kecerdasan buatan" atau "machine learning" dan memikirkan dunia masa depan yang dibayangkan dalam artefak budaya populer seperti film tahun 1984, The Terminator. Anda mungkin berasumsi bahwa teknologi ini terlalu rumit untuk dipahami atau berharga dalam tugas-tugas di mana-mana yang mendasari kehidupan sehari-hari Anda.

Jangan jatuh ke dalam perangkap itu

AI jauh kurang canggih daripada apa yang awalnya diuraikan dalam film-film laris atau karya fiksi ilmiah klasik yang terkenal seperti novel tahun 1950 karya Isaac Asimov I, Robot. Bahkan individu di luar studi AI dapat memahami pemodelan AI saat ini dan menggunakan model yang tersedia dalam penelitian mereka sendiri.

Aplikasi ML dan DL Real-Time dalam Literatur Riset EEG

Penggunaan algoritma ML dan DL untuk memahami data otak telah berkembang pesat dalam beberapa tahun terakhir, sebagaimana dibuktikan oleh sebuah ulasan sistematis yang diterbitkan pada tahun 2021 yang mengidentifikasi penelitian peer-reviewed yang bertujuan untuk mengembangkan dan menyempurnakan algoritma pemrosesan EEG. Sekitar 63% dari artikel yang dicakup oleh ulasan ini diterbitkan dalam tiga tahun terakhir, menunjukkan bahwa pemanfaatan model-model ini dalam sistem BCI masa depan dan riset ER diperkirakan akan terus berkembang.

Dalam artikel Lukas Geimen yang diterbitkan "Diagnostics of EEG pathology berdasarkan machine-learning," dia dan timnya menyelidiki metode ML dan kapasitasnya untuk mengotomatisasi analisis EEG klinis. Dengan mengategorikan model EEG otomatis ke dalam pendekatan berbasis fitur atau end-to-end, mereka "menerapkan kerangka kerja berbasis fitur yang diusulkan dan jaringan saraf dalam jaringan konvolusional temporal (TCN) yang dioptimalkan untuk EEG." Mereka menemukan bahwa akurasi di kedua pendekatan tersebut ternyata sangat tipis perbedaannya, berkisar antara 81% hingga 86%. Hasil penelitian menunjukkan bahwa kerangka decoding berbasis fitur yang diusulkan memiliki tingkat akurasi yang serupa dengan jaringan saraf dalam.

Yannick Roy dkk dalam artikelnya di Journal of Neuroengineering membahas bagaimana dia dan timnya meninjau 154 makalah yang menerapkan DL pada EEG, yang diterbitkan antara Januari 2010 dan Juli 2018. Makalah-makalah ini mencakup "berbagai domain aplikasi seperti epilepsi, tidur, interaksi otak-komputer (BCI), serta pemantauan kognitif dan afektif." Mereka menemukan bahwa jumlah data EEG yang digunakan bervariasi dalam jangka waktu dari beberapa menit hingga beberapa jam. Namun, jumlah sampel yang terlihat selama pelatihan model deep-learning bervariasi dari beberapa lusin hingga beberapa juta. Di dalam semua data ini, mereka menemukan bahwa pendekatan deep learning lebih akurat daripada batas dasar (baseline) tradisional di semua studi yang menggunakan metode ini.

Visualisasi dan analisis menunjukkan bahwa kedua pendekatan menggunakan aspek data yang serupa, misalnya, kekuatan pita delta dan theta pada lokasi elektroda temporal. Yannick Roy dkk berpendapat bahwa akurasi decoder patologi EEG biner saat ini dapat mencapai jenuh hampir 90% karena kesepakatan antar-penilai (inter-rater agreement) yang tidak sempurna dari label klinis dan bahwa decoder tersebut sudah berguna secara klinis, seperti di area di mana pakar EEG klinis jarang ada. Mereka telah mengusulkan bahwa kerangka kerja berbasis fitur tersedia sebagai sumber terbuka (open source), menawarkan alat baru untuk riset machine learning EEG.

DL telah mengalami peningkatan publikasi yang eksponensial, mencerminkan minat yang meningkat pada jenis pemrosesan ini di kalangan komunitas ilmiah.

Apa yang Unik dari Data Otak dan Perangkat EEG Emotiv?

Model ML dan DL menghasilkan kemajuan terobosan dalam teknologi EEG. Ketika berbicara tentang perangkat EEG zaman baru yang paling kompetitif di pasar, tidak ada perusahaan yang mendobrak batasan lebih dari Emotiv.

Emotiv adalah perusahaan bioinformatika dan pionir dalam memberdayakan komunitas ilmu saraf melalui penggunaan EEG. Inovasi Emotiv berada di bawah payung BCI, yang juga disebut sebagai "Antarmuka Mesin Pikiran," "Antarmuka Saraf Langsung," dan "Antarmuka Otak-Mesin." Teknologi ini telah digunakan selama lebih dari satu dekade untuk melacak kinerja kognitif, memantau emosi, dan mengendalikan objek virtual dan fisik melalui machine learning dan perintah mental yang terlatih.

Headset EEG Emotiv meliputi Emotiv Epoc Flex (EEG 32-saluran), Emotiv Insight 2.0 (EEG 5-saluran), dan Epoc X (EEG 14-saluran). Algoritma unik mereka mendeteksi:

• Frustrasi

• Ketertarikan

• Relaksasi

• Kegembiraan

• Keterlibatan

• Stres

• Atensi

Emotiv memajukan jauh lebih banyak daripada sekadar headset EEG. Mereka telah membantu membina ekosistem alat dan fitur yang dapat dimanfaatkan oleh akademisi, pengembang web, dan bahkan individu yang penasaran tanpa latar belakang ilmu saraf.

EmotivLABS

EmotivLABS, membantu mempertemukan pengguna individu dengan para peneliti, memfasilitasi peluang untuk mengumpulkan data otak Emotiv secara crowdsource.

Emotiv Cortex

Dengan Emotiv Cortex, para peneliti dapat mengembangkan aplikasi khusus yang menawarkan alat bagi pengguna untuk menciptakan pengalaman dan aktivasi yang dipersonalisasi menggunakan data otak real-time.

EmotivPRO

Para peneliti dan institusi dapat memasangkan perangkat Emotiv mereka dengan EmotivPRO, yang membantu dalam membangun, menerbitkan, memperoleh, dan menganalisis data EEG.

EmotivPRO menawarkan analisis terintegrasi dari data pasca-pemrosesan menggunakan penganalisis berbasis cloud internal Emotiv, sehingga peneliti tidak perlu mengekspor rekaman mereka.

Karena jalur pemrosesan diselesaikan di server cloud Emotiv, ini mengurangi tuntutan pada sistem Anda dan memungkinkan Anda menghemat sumber daya. Dengan teknologi EEG AI dan ML ini, Anda tidak hanya menghemat sumber daya dengan lebih baik, tetapi Anda juga mendapatkan manfaat dari analisis data real-time yang kompleks. Selesaikan lebih banyak hal dengan studi Anda dengan memanfaatkan kegunaan teknologi cloud yang memadatkan pekerjaan berhari-hari menjadi hitungan menit dan menyelesaikan tugas-tugas yang padat waktu.

Dengan headset dan aplikasi EEG-nya, Emotiv telah memajukan misi perusahaan dengan memberdayakan individu untuk membuka cara kerja bagian dalam pikiran mereka dan mempercepat riset otak global.

Lembaga penelitian mulai menemukan teknologi EEG jarak jauh Emotiv yang berbiaya rendah. Demikian pula, para peneliti ilmu saraf di perusahaan dan pelaku usaha yang mengeksplorasi kasus penggunaan untuk riset konsumen dan inovasi konsumen mulai menemukan kegunaan headset dan aplikasi EEG Emotiv untuk beberapa aplikasi yang sangat penting bagi bisnis.

Ingin mempelajari lebih lanjut tentang Emotiv? Klik di sini untuk mengunjungi situs web atau meminta demo.