Pemrosesan Sinyal Diskrit

Apa itu Pemrosesan Sinyal Diskrit?

Pemrosesan sinyal diskrit melibatkan manipulasi matematis dari informasi yang direpresentasikan sebagai rangkaian angka. Dengan mengubah input analog dunia nyata menjadi sampel diskrit, komputer dapat melakukan analisis kompleks yang tidak mungkin dilakukan dengan sirkuit analog tradisional.

Presisi dan pengulangan dari operasi digital ini menjadikannya sangat diperlukan dalam berbagai bidang, mulai dari pemodelan iklim hingga pemrosesan sinyal EEG. Bidang ini menetapkan aturan tentang bagaimana data berkelanjutan didiskritisasi, diproses, dan akhirnya direkonstruksi untuk digunakan oleh manusia atau mesin.

Pemrosesan Sinyal Waktu-Diskrit vs. Sinyal Waktu-Kontinu

Sinyal waktu-kontinu bervariasi secara mulus dan ada di setiap titik waktu dalam interval yang ditentukan, sedangkan sinyal waktu-diskrit hanya ditentukan pada titik-titik periodik tertentu.

Pemrosesan sinyal digital bergantung pada konversi antara kedua jenis ini, sering kali menggunakan perangkat keras untuk menjembatani celah tersebut. Insinyur harus mengelola transisi ini dengan hati-hati untuk memastikan bahwa rangkaian diskrit secara akurat mencerminkan fenomena kontinu di bawahnya tanpa menimbulkan kesalahan aliasing yang terjadi ketika laju sampling tidak memadai untuk menangkap perubahan tercepat dalam sinyal.

Pemrosesan Sinyal Waktu Diskrit dalam Waktu Kontinu: Sampling dan Rekonstruksi

Proses mengubah pengaruh kontinu menjadi format digital memerlukan konverter analog-ke-digital yang mencatat kekuatan sinyal pada interval temporal yang tepat. Setelah pemrosesan selesai, data harus dikembalikan ke bentuk analog jika ingin dirasakan oleh manusia, yang dicapai melalui filter rekonstruksi. Filter ini memperhalus tampilan "tangga" dari data sampel menjadi gelombang kontinu.

Rekonstruksi yang efektif bergantung pada kepatuhan terhadap teorema sampling Nyquist-Shannon, yang menentukan frekuensi minimum di mana sistem harus mengukur input untuk mempertahankan semua informasi yang valid.

Konsep Kunci dalam Pemrosesan Sinyal Diskrit

Analisis digital modern bergantung pada serangkaian alat matematika yang dirancang untuk menguraikan, mengatur ulang, dan menafsirkan titik data secara efektif. Konsep-konsep ini menyediakan kerangka kerja bagi para insinyur untuk menangani segala hal mulai dari susunan sensor besar hingga input audio sederhana.

Dengan memilih pendekatan matematika yang tepat, peneliti dapat mengurangi beban komputasi sekaligus memaksimalkan kualitas sinyal yang diamati pada output.

Analisis Domain Frekuensi: Transformasi Fourier Diskrit dalam Pemrosesan Sinyal Digital

Transformasi Fourier Diskrit (DFT) adalah teknik mendasar yang menggeser urutan data deret waktu ke dalam komponen frekuensi penyusunnya.

Transformasi ini memungkinkan pengguna untuk melihat frekuensi mana yang mendominasi sinyal dan mana yang tidak ada, memfasilitasi tugas-tugas seperti analisis harmonik dan kompresi data. Dengan melihat sinyal dalam domain spektral, praktisi dapat mengisolasi peristiwa tertentu yang mungkin sepenuhnya tertutup jika hanya mengamati urutan temporal.

Penyaringan: Menghapus atau Meningkatkan Komponen Sinyal

Penyaringan memungkinkan modifikasi sinyal secara selektif dengan meredam frekuensi yang tidak diinginkan sambil membiarkan komponen yang diinginkan lewat. Filter digital dapat ditala secara cermat untuk menekan desis frekuensi tinggi, dengung frekuensi rendah, atau interferensi periodik tertentu yang mengganggu pengumpulan data mentah.

Tabel berikut mengilustrasikan jenis filter umum yang disesuaikan untuk kebutuhan operasional tertentu dalam alur kerja digital:

Konfigurasi ini mewakili rangkaian alat standar yang tersedia di sebagian besar implementasi digital.

Sinyal Acak Diskrit dan Pemrosesan Sinyal Statistik

Pemrosesan sinyal statistik menangani kasus-kasus di mana sinyal tidak murni deterministik melainkan menunjukkan tingkat keacakan yang bervariasi. Dengan memperlakukan input ini sebagai proses stokastik, analis dapat menentukan perilaku rata-rata dan varians sistem, bahkan ketika titik data individual tampak tidak dapat diprediksi.

Pendekatan ini sangat penting untuk memperkirakan jalur sinyal dalam neuroscience (ilmu saraf) dan mengelola ketidakpastian di lingkungan yang bising.

Konvolusi: Menggabungkan Sinyal

Konvolusi menyediakan metode matematika yang ketat untuk menentukan bagaimana output sistem berubah berdasarkan input dan respons impulsnya. Ketika satu sinyal dikonvolusikan dengan sinyal lain, output yang dihasilkan menunjukkan bagaimana sistem mengubah bentuk gelombang insiden melintasi waktu dan ruang.

Langkah-langkah berikut menguraikan implementasi praktis dari konvolusi:

1. Balikkan arah sinyal kedua dalam sumbu waktu.

2. Geser sinyal yang dibalik tersebut melintasi sinyal pertama.

3. Hitung integral atau penjumlahan dari area yang tumpang tindih.

4. Ulangi perhitungan untuk setiap titik di sepanjang sumbu temporal.

Pendekatan metodis ini memastikan bahwa output dimodelkan secara akurat berdasarkan sifat inheren sistem dan batasan lingkungan.

Aplikasi Pemrosesan Sinyal Diskrit

Pemrosesan sinyal diskrit menentukan kinerja banyak mesin modern yang berinteraksi dengan dunia fisik. Dengan menerapkan algoritma ini, para developer dapat memastikan bahwa data sensitif tetap jelas dan akurat, baik informasi itu berasal dari jembatan jaringan atau catatan EEG seseorang.

Keserbagunaan metode ini berarti bahwa algoritma umum sering kali muncul dalam perangkat keras mulai dari perangkat genggam konsumen hingga rig pengujian industri khusus.

Pemrosesan Waktu Diskrit dari Sinyal Wicara dalam Aplikasi Audio

Sinyal audio menjalani perhitungan intensif untuk memastikan kejelasan selama transmisi dan penyimpanan. Metode diskrit memungkinkan pengurangan ukuran data sambil mempertahankan detail yang cukup agar terdengar alami, sebuah pencapaian yang diraih dengan memodelkan pendengaran manusia dan membuang suara yang biasanya tidak terdengar.

Teknik penyaringan spasial tingkat lanjut ini secara efektif mengelola lingkungan akustik yang kompleks tanpa memerlukan kapasitas perangkat keras yang berlebihan.

Pemrosesan Gambar dan Video

Media visual bergantung pada analisis diskrit dua dimensi, di mana piksel berfungsi sebagai titik data sampel. Dengan memanipulasi kisi-kisi ini, perangkat dapat melakukan tugas-tugas seperti menajamkan tepi, menyesuaikan keseimbangan warna, dan mengompresi video untuk menghemat bandwidth sambil mempertahankan resolusi spasial visual yang tinggi.

Operasi ini sering kali memanfaatkan principal component analysis (analisis komponen utama) untuk membuang informasi berlebih secara efisien di jutaan bingkai.

Telekomunikasi dan Transmisi Data

Telekomunikasi bergantung pada optimalisasi aliran sinyal yang berkelanjutan untuk memastikan paket informasi tiba di tujuannya tanpa kerusakan. Algoritma deteksi dan koreksi kesalahan tingkat lanjut menggunakan matematika diskrit untuk memverifikasi integritas data secara real-time, bahkan dengan adanya interferensi elektromagnetik yang kuat.

Tingkat keandalan ini memungkinkan penskalaan cepat infrastruktur jaringan modern di seluruh dunia.

Suara Berkelanjutan Otak dan Tempat Mulainya

Sinyal listrik yang ditangkap oleh topi EEG berasal dari populasi besar neuron yang menyala dalam sinkroni longgar. Meskipun aktivitas neuron individu terlalu terlokalisasi dan lemah untuk dirasakan di kulit kepala, pelepasan kolektif dari ribuan neuron menghasilkan tegangan yang berfluktuasi—biasanya hanya berukuran puluhan mikrovolt. Sinyal lemah ini harus merambat melalui jaringan otak, tengkorak, dan kulit kepala sebelum akhirnya mencapai elektroda perekam.

Karena sinyal ini sangat halus, ia tiba di kulit kepala dalam keadaan bercampur aduk dengan kebisingan fisiologis dan lingkungan, seperti gerakan otot, kedipan mata, dan interferensi listrik di sekitarnya. Untuk memahami data mentah ini, para peneliti harus menyusun aktivitas otak dengan cermat ke dalam pita frekuensi tertentu—yang secara konvensional diberi label delta, theta, alpha, beta, dan gamma—masing-masing sesuai dengan kondisi mental yang berbeda dan menempati rentang spektrum yang unik.

Pentingnya pemisahan ini disorot dalam berbagai studi, seperti studi tahun 2010 yang diterbitkan di Journal of Biomedical Science and Engineering, di mana rekaman EEG diuraikan menjadi pita alpha, beta, dan gamma menggunakan Discrete Wavelet Transform (DWT) setelah pembersihan awal melalui filter Surface Laplacian.

Tingkat presisi ini sangat penting: jika ritme gamma, yang dapat meluas hingga 100 Hz, ingin dianalisis dengan meyakinkan, proses digitalisasi harus mempertahankan pita-pita ini sebagai komponen yang terpisah. Tanpa pemrosesan sinyal yang setia, osilasi vital ini akan kabur menjadi noda yang tidak dapat dibedakan, membuat analisis neurosains yang akurat menjadi tidak mungkin.

Sampling: Mengambil Foto dari Sungai yang Mengalir

Mengubah tegangan kontinu menjadi serangkaian angka memerlukan sampling, yaitu proses pengukuran tegangan sinyal pada momen-momen tertentu yang diskrit dan teratur dalam waktu, bukan secara terus-menerus.

Bayangkan sebuah sungai yang mengalir melewati titik tetap. Anda tidak dapat menangkap gerakannya sebagai gerakan. Sebaliknya, Anda mengambil fotonya setiap beberapa detik. Rangkai foto yang cukup secara berurutan, dan Anda mendapatkan representasi yang masuk akal dari aliran tersebut. Ambil terlalu sedikit foto, dan gerakan sungai yang sebenarnya menjadi ambigu atau menyesatkan.

Di sinilah aturan yang dikenal sebagai kriteria Nyquist menjadi tidak bisa dihindari. Aturan ini menyatakan bahwa laju sampling, yaitu jumlah pengukuran yang diambil per detik, harus lebih dari dua kali frekuensi tertinggi yang ada dalam sinyal analog asli.

Jika tidak, distorsi yang disebut aliasing akan terjadi, di mana sinyal yang bergerak cepat terekam secara salah sebagai sinyal yang lebih lambat. Begitu hal ini terjadi, tidak ada trik matematika yang dapat memisahkan sinyal lambat yang asli dari sinyal lambat palsu yang dulunya merupakan sinyal cepat. Informasi tersebut telah hilang, terlipat secara permanen ke tempat yang salah.

Sistem EEG klinis biasanya melakukan sampling pada laju antara 250 dan 500 Hz, yang dengan nyaman menangkap aktivitas otak yang membentang dari 0 hingga 100 Hz dengan menyisakan margin aman. Margin ini adalah penyangga yang menjaga kriteria Nyquist tetap terpenuhi bahkan ketika sinyal otak meluas ke ujung atas pita gamma.

Pertimbangkan seizure detection framework (kerangka deteksi kejang) yang menjalankan pencarian menyeluruh di tujuh keluarga wavelet yang berbeda dan beberapa tingkat dekomposisi untuk menemukan pengaturan optimal untuk menganalisis data EEG. Pencarian itu hanya masuk akal sebagai latihan ilmiah jika konten frekuensi yang dicari akurat.

Jika laju sampling asli telah melanggar kriteria Nyquist, noise frekuensi tinggi dari aktivitas otot atau interferensi listrik akan terlipat ke dalam pita frekuensi yang coba diisolasi oleh para peneliti. Pencarian pengaturan wavelet yang optimal akan mengoptimalkan target yang terdistorsi, dan akurasi yang dilaporkan di atas 90% untuk deteksi kejang tidak akan mencerminkan kemampuan diagnostik yang nyata. Itu hanya akan mencerminkan respons yang ditala dengan baik terhadap kebisingan (noise).

Bagaimana Filter Anti-Aliasing Mencegah Sampah Masuk

Karena aliasing tidak dapat diperbaiki setelah kejadian, hal itu harus dicegah sebelum sampling bahkan terjadi.

Ini adalah tugas dari filter anti-aliasing, sebuah filter lolos-rendah analog yang ditempatkan di jalur perangkat keras sebelum konverter analog-ke-digital melakukan pengukurannya. Fungsinya terdiri dari menghilangkan konten frekuensi apa pun di atas batas Nyquist sehingga tidak ada apa pun dalam sinyal yang nantinya dapat disalahartikan sebagai sesuatu yang bukan dirinya.

Begitu langkah penyaringan ini dilewati atau dilakukan dengan buruk, kerusakan tersebut akan tertanam dalam data secara permanen. Tidak ada perangkat lunak hilir, bagaimanapun canggihnya, yang dapat membatalkannya.

Dalam sebuah studi diagnosis Alzheimer para peneliti menerapkan filter digital elips lolos-pita untuk menghilangkan interferensi dan gangguan dari kumpulan data EEG sebelum mengekstrak fitur melalui DWT. Penyaringan ini terjadi setelah digitalisasi, bukan sebagai langkah anti-aliasing perangkat keras, tetapi logika yang mendasarinya identik.

Kedua proses tersebut ada untuk menghilangkan konten spektral yang tidak diinginkan dari gambaran sebelum algoritma mencoba menafsirkan apa yang tersisa. Apakah filter tersebut berada di sirkuit analog sebelum sampling atau dalam rantai pemrosesan digital setelahnya, tujuannya sama: mencegah kontaminasi menyebar ke analisis selanjutnya.

Selain itu, sebuah studi artefak gerakan tahun 2020 mengilustrasikan mengapa hal ini penting bahkan ketika alat pembersihan canggih tersedia. Penelitian tersebut menggabungkan tiga teknik, Ensemble Empirical Mode Decomposition, Canonical Correlation Analysis, dan Discrete Wavelet Transform, untuk menghilangkan interferensi terkait gerakan dari sinyal EEG, yang secara nyata meningkatkan ukuran rasio sinyal terhadap bising (signal-to-noise).

Namun seluruh pipeline pembersihan ini mengasumsikan spektrum frekuensi tinggi yang masuk tidak mengalami aliasing. Jika filter anti-aliasing perangkat keras tidak ada pada titik digitalisasi, sinyal yang dihasilkan akan membawa lapisan kerusakan tambahan yang bahkan sistem penghilang artefak yang dirancang dengan baik tidak dapat menguraikannya sepenuhnya.

Kedalaman Bit: Melukis Tegangan dengan Palet Terbatas

Sampling menentukan kapan tegangan diukur. Kedalaman bit menentukan seberapa tepat pengukuran tersebut dicatat.

Begitu konverter analog-ke-digital menangkap tegangan pada saat tertentu, ia harus mengekspresikan nilai tersebut sebagai angka biner, dan jumlah bit yang tersedia untuk ekspresi tersebut menetapkan resolusi pengukuran. Sistem yang menggunakan kedalaman 16-bit pada rentang tegangan plus atau minus 1 milivolt dapat mendeteksi perbedaan sehalus kira-kira setengah mikrovolt.

Tambahkan lebih banyak bit, dan resolusi akan semakin tajam. Kurangi kedalaman bit, dan variasi halus dalam bentuk gelombang akan hilang begitu saja, diratakan ke langkah terdekat yang tersedia pada skala yang lebih kasar.

Pembedaan ini membawa nilai diagnosis yang nyata. Sebuah studi deteksi epilepsi tahun 2019 mengandalkan perhitungan entropi fuzzy yang dilakukan pada koefisien wavelet untuk membedakan aktivitas EEG epileptik dari aktivitas non-epileptik.

Pengukuran entropi dirancang sensitif terhadap variasi amplitudo yang halus. Pengukuran tersebut mengukur ketidakteraturan dan kompleksitas dalam sinyal, dan perhitungan itu bergantung pada ketersediaan resolusi yang cukup untuk mendeteksi perbedaan kecil sejak awal. Sinyal yang dikuantisasi secara kasar akan meratakan ketidakteraturan yang justru dicari oleh perhitungan entropi.

Demikian pula, studi Alzheimer yang disebutkan di atas mengekstrak fitur statistik termasuk simpangan baku (standard deviation), varians, dan norma dari sub-pita wavelet yang dihasilkan melalui DWT. Ini semua adalah ukuran seberapa besar variasi suatu sinyal. Jika nilai tegangan yang mendasarinya telah dibulatkan terlalu agresif karena kedalaman bit yang tidak mencukupi, variasi alami antara kondisi otak sehat dan otak yang sakit akan terkompresi menuju rentang serupa yang rata, dan perbedaan statistik yang memungkinkan akurasi klasifikasi 99.98% akan menyusut secara proporsional.

Mengapa Laju Sampling yang Tepat Memblokir Sampah Keluar

Ketiga elemen ini, sampling yang sesuai dengan kriteria Nyquist, filter anti-aliasing yang berfungsi, dan kedalaman bit yang memadai, bukanlah keunikan teknis yang independen. Mereka membentuk satu rantai ketergantungan, dan setiap akurasi klasifikasi yang dilaporkan dalam badan penelitian ini berada di hilir dari rantai tersebut.

Memilih laju sampling yang terlalu rendah, atau melewatkan filter anti-aliasing yang melindunginya, menghasilkan kegagalan pemrosesan sinyal klasik yang dikenal sebagai sampah masuk, sampah keluar (garbage in, garbage out). Begitu derau frekuensi tinggi yang mengalami aliasing telah terlipat menjadi apa yang tampak seperti kekuatan beta atau gamma, tidak ada algoritma yang cukup canggih untuk membalikkan proses tersebut dan memulihkan ritme dasar yang sebenarnya. Sebaliknya, laju yang dipilih dengan benar memberikan kanvas yang bersih dan tepercaya bagi setiap alat hilir untuk bekerja.

Studi klasifikasi emosi tahun 2010 menunjukkan apa yang menjadi mungkin di atas kanvas bersih tersebut. Menggunakan klasifikasi K-Nearest Neighbor pada fitur yang diekstrak melalui DWT, para peneliti mencapai tingkat akurasi 83.26% dalam membedakan kondisi emosional seperti rasa jijik, bahagia, terkejut, takut, dan respons netral. Hasil tersebut bergantung pada ritme alpha, beta, dan gamma yang dipisahkan dengan benar satu sama lain selama proses dekomposisi, pemisahan yang hanya mungkin terjadi jika pita-pita tersebut didigitalisasi tanpa pencampuran frekuensi sejak awal.

Selain itu, kerangka deteksi kejang memperkuat poin yang sama dari sudut pandang yang berbeda. Penulisnya mencatat bahwa pemilihan pita frekuensi dan fitur yang dioptimalkan menghilangkan sekitar 40% informasi berlebih, menyederhanakan analisis tanpa mengorbankan akurasi di atas 90%.

Pemangkasan cerdas semacam itu hanya berfungsi jika informasi yang tersisa adalah nyata. Menghapus redundansi dari sinyal yang mengalami aliasing tidak akan menyederhanakan apa pun yang berarti. Hal itu hanya akan membuang kebisingan secara efisien sambil meninggalkan kebisingan lainnya, karena konten frekuensi yang rusak sudah tidak dapat dibedakan dari aktivitas otak yang sah.

Hasil diagnosis Alzheimer membawa pesan yang paling jelas dari semuanya. Pengklasifikasi yang relatif sederhana, KNN, mencapai akurasi 99.98% menggunakan fitur yang diambil dari sub-pita wavelet yang diuraikan dengan benar. Hasil ini menunjukkan bahwa ketika fondasi di bawah analisis kokoh, bahkan metode klasifikasi yang mudah pun dapat bekerja pada tingkat yang sangat tinggi.

Ini juga membawa implikasi sebaliknya. Tidak ada jumlah penyempurnaan algoritmik di hilir, baik melalui jaringan saraf tingkat lanjut atau rekayasa fitur yang menyeluruh, yang dapat mengompensasi proses digitalisasi yang melakukan kesalahan pada hal-hal mendasar.

Mengapa Data Otak yang Jujur Dimulai dengan Perisai Tak Terlihat

Pemrosesan sinyal diskrit berfungsi sebagai tulang punggung tak terlihat dari teknologi modern, memungkinkan pengelolaan dan interpretasi data digital yang efektif di hampir semua sektor ilmiah dan komersial. Dengan menguasai prinsip-prinsip sampling, penyaringan, dan transformasi, para peneliti dan insinyur dapat terus mendorong batas-batas dari apa yang mungkin dilakukan di berbagai bidang mulai dari elektroensefalografi digital hingga jaringan komunikasi nirkabel global.

Referensi

1. Murugappan, M., Ramachandran, N., & Sazali, Y. (2010). Classification of human emotion from EEG using discrete wavelet transform. Journal of biomedical science and engineering, 3(4), 390-396. http://dx.doi.org/10.4236/jbise.2010.34054

2. Chen, D., Wan, S., Xiang, J., & Bao, F. S. (2017). A high-performance seizure detection algorithm based on Discrete Wavelet Transform (DWT) and EEG. PloS one, 12(3), e0173138. https://doi.org/10.1371/journal.pone.0173138

3. AlSharabi, K., Salamah, Y. B., Abdurraqeeb, A. M., Aljalal, M., & Alturki, F. A. (2022). EEG signal processing for Alzheimer’s disorders using discrete wavelet transform and machine learning approaches. IEEE Access, 10, 89781-89797.

4. Shukla, S., Roy, V., & Prakash, A. (2020, April). Wavelet based empirical approach to mitigate the effect of motion artifacts from EEG signal. In 2020 IEEE 9th International Conference on Communication Systems and Network Technologies (CSNT) (pp. 323-326). IEEE. https://doi.org/10.1109/CSNT48778.2020.9115761

5. Chiang, H. S., Chen, M. Y., & Huang, Y. J. (2019). Wavelet-based EEG processing for epilepsy detection using fuzzy entropy and associative petri net. Ieee Access, 7, 103255-103262. https://doi.org/10.1109/ACCESS.2019.2929266

Pertanyaan yang Sering Diajukan

Apa perbedaan antara pemrosesan analog dan digital?

Pemrosesan analog melibatkan tingkat tegangan atau arus listrik yang kontinu, sementara pemrosesan digital menggunakan rangkaian angka untuk merepresentasikan data, sehingga memungkinkan kontrol dan penyimpanan yang lebih presisi.

Bagaimana cara kerja filter digital?

Filter digital menggunakan algoritma matematika untuk menghitung rangkaian baru dari rangkaian input, secara selektif menskalakan atau menunda frekuensi tertentu untuk membiarkan komponen yang diinginkan lewat.

Apa itu kriteria Nyquist dan mengapa ini penting untuk digitalisasi EEG?

Kriteria Nyquist mensyaratkan sampling dilakukan pada frekuensi lebih dari dua kali lipat frekuensi tertinggi yang ada pada EEG untuk mencegah distorsi frekuensi. Ini sangat penting karena melanggar aturan ini menyebabkan aliasing, di mana gelombang otak cepat terekam secara salah sebagai gelombang lambat, sehingga merusak data secara permanen dan membuat analisis yang akurat menjadi tidak mungkin.

Apa itu aliasing dan mengapa tidak bisa diperbaiki setelah sampling dilakukan?

Aliasing adalah kesalahan sampling di mana sinyal frekuensi tinggi secara keliru terekam sebagai komponen frekuensi yang lebih rendah. Begitu hal ini terjadi, informasi sinyal cepat yang asli akan tercampur baur secara permanen ke dalam pita frekuensi lain, sehingga tidak ada teknik matematika yang dapat membatalkan distorsi tersebut.

Bagaimana filter anti-aliasing melindungi sinyal EEG?

Filter anti-aliasing adalah filter lolos-rendah analog yang ditempatkan sebelum konverter analog-ke-digital yang menghilangkan frekuensi di atas batas Nyquist. Dengan membuang konten frekuensi tinggi sebelum sampling, filter ini mencegah terjadinya aliasing sejak awal dan menjaga integritas sinyal otak.

Mengapa kedalaman bit penting saat mengubah tegangan otak menjadi angka digital?

Kedalaman bit menentukan ketepatan setiap pengukuran tegangan dengan mendefinisikan seberapa banyak langkah diskrit yang tersedia untuk merepresentasikan amplitudo sinyal. Kedalaman bit yang lebih halus menangkap variasi amplitudo halus yang sangat penting bagi algoritma yang mengandalkan fitur seperti entropi atau varians untuk membedakan kondisi otak.

Apa yang terjadi jika EEG disampel pada laju yang terlalu rendah?

Jika laju sampling terlalu rendah, terjadi aliasing yang menyebabkan aktivitas frekuensi tinggi (seperti derau otot atau ritme otak cepat) terekam secara salah sebagai gelombang otak yang lebih lambat. Hal ini secara permanen mengontaminasi sinyal terdigitalisasi, sehingga analisis selanjutnya akan didasarkan pada data yang rusak, bukan aktivitas otak yang sebenarnya.

Mengapa aliasing dianggap sebagai bentuk kerusakan data yang permanen?

Aliasing merusak data secara permanen karena mengubah sinyal frekuensi tinggi menjadi representasi frekuensi rendah yang palsu, dan informasi frekuensi tinggi yang asli hilang selamanya. Tidak ada algoritma hilir yang dapat membedakan derau aliasing tersebut dari aktivitas otak yang sah, karena keduanya dikodekan secara identik dalam sinyal yang terekam.