Empirical Mode Decomposition

Mengapa Sinyal EEG Sulit Ditangani Alat Pemrosesan Sinyal Tradisional

Masalah utama dalam menerapkan metode pemrosesan sinyal klasik pada EEG adalah masalah struktural. Analisis berbasis Fourier mengurai sinyal menjadi perpustakaan gelombang sinus dan kosinus yang tetap, sebuah pendekatan yang berfungsi dengan baik ketika proses yang mendasarinya tidak mengubah perilaku statistik datanya seiring waktu.

EEG tidak memenuhi kondisi tersebut. Aktivitas otak seseorang selama istirahat tenang tampak berbeda secara statistik dari aktivitas orang yang sama selama ledakan perhatian terfokus atau, dalam pengaturan klinis, selama kejang. Penelitian menyebutkan kualitas non-stasioner ini sebagai pembenaran awal untuk beralih ke EMD alih-alih alat berbasis frekuensi yang dibuat untuk sinyal stabil.

Konsekuensi praktisnya adalah metode yang mengasumsikan stasioneritas dapat mengaburkan atau salah merepresentasikan peristiwa saraf transien, memperlakukan lonjakan singkat seolah-olah tersebar secara merata di jendela yang lebih panjang. Untuk aplikasi seperti diagnosis epilepsi, di mana waktu dan bentuk lonjakan memiliki bobot diagnostik, pengaburan semacam itu merupakan batasan yang nyata.

Solusi yang diusulkan EMD adalah menghindari asumsi basis tetap sepenuhnya dan membiarkan dekomposisi beradaptasi dengan bentuk apa pun yang sebenarnya diambil oleh sinyal.

Apa Itu Empirical Mode Decomposition dan Bagaimana Cara Kerjanya

EMD beroperasi melalui proses berulang yang disebut penyaringan (sifting). Algoritme mengidentifikasi puncak dan lembah lokal dari suatu sinyal, menghubungkannya menjadi selubung (envelope) atas dan bawah, dan mengurangi rata-rata selubung tersebut dari sinyal asli.

Langkah ini berulang sampai komponen yang dihasilkan memenuhi dua kondisi:

1. Selubung atas dan bawahnya simetris di sekitar nol

2. Rata-ratanya tetap mendekati nol di seluruh segmen.

Setelah komponen memenuhi kondisi ini, komponen tersebut diberi label sebagai intrinsic mode function (IMF), dan dikurangi dari sinyal asli sehingga proses dapat mengekstrak komponen berikutnya.

Outputnya adalah tumpukan IMF yang diurutkan dari osilasi tercepat hingga terlambat, diikuti oleh tren sisa akhir yang menangkap penyimpangan lambat yang tersisa. Karena setiap IMF diekstrak langsung dari bentuk lokal data, bukan dicocokkan dengan bentuk gelombang yang telah ditentukan sebelumnya, EMD secara prinsip dapat merepresentasikan dinamika yang tidak teratur dan bergeser tanpa mengharuskan analis memilih basis terlebih dahulu.

Bagaimana EMD Menangkap Peristiwa Transien Seperti Lonjakan Kejang

Peristiwa transien dalam EEG, lonjakan epileptiform, atau ledakan singkat yang terkait dengan tugas kognitif, memiliki kepentingan klinis dan neurosains yang sangat besar, tetapi sering kali terkubur di bawah aktivitas latar belakang otak atau derau yang mengontaminasi. Ini adalah skenario yang tepat di mana dekomposisi lokal adaptif EMD dimaksudkan untuk menawarkan keunggulan dibandingkan metode berbasis tetap.

Sebuah studi oleh Safieddine dkk. menguji hal ini secara langsung dengan mensimulasikan sinyal mirip lonjakan epilepsi dan mengontaminasinya dengan artefak otot nyata pada intensitas yang berbeda, kemudian membandingkan empat metode koreksi:

1. EMD

2. Analisis komponen independen (ICA)

3. Analisis korelasi kanonik (CCA)

4. Transformasi Wavelet

Ketika kontaminasi berat, EMD mengungguli ketiga alternatif lainnya. Namun, keunggulan itu tidak mutlak. Ketika sinyal kurang berderau dan lonjakan berasal dari sumber kortikal tunggal, CCA dan ICA menghasilkan hasil yang lebih baik. Ketika lonjakan berasal dari dua sumber yang berbeda, EMD atau ICA bekerja paling baik di bawah derau berat, sementara transformasi wavelet berkinerja lebih baik di bawah derau yang lebih ringan.

Dengan kata lain, alat penghilang artefak terbaik bergantung pada tingkat derau dan konfigurasi sumber yang mendasarinya, dan keunggulan EMD paling kuat khususnya dalam kasus kontaminasi berat.

Sementara itu, studi penelitian oleh Riaz dkk. dan Shafiul Alam dkk. beralih dari koreksi artefak ke klasifikasi, menggunakan IMF sebagai sumber fitur untuk mendeteksi kejang dan epilepsi.

Tim Riaz mengekstrak momen temporal, yang berarti ukuran statistik seperti varians, skewness, dan kurtosis, bersama dengan fitur spektral seperti centroid spektral dan skew spektral, dari setiap IMF. Fitur-fitur ini dimasukkan ke dalam support vector machine, pengklasifikasi pembelajaran terpandu standar, dan hasil klasifikasi pasien epilepsi serta segmen kejang menghasilkan apa yang digambarkan oleh penulis sebagai hasil yang baik yang sebanding dengan metode ekstraksi fitur mapan lainnya.

Tim Alam melangkah lebih jauh menggunakan momen statistik tingkat tinggi yang dihitung dalam domain EMD, memasukkannya ke dalam jaringan saraf tiruan. Di beberapa tugas klasifikasi, termasuk membedakan aktivitas kejang dari aktivitas non-kejang, metode ini melaporkan akurasi, sensitivitas, dan spesifisitas setinggi 100 persen, sambil berjalan lebih cepat daripada teknik analisis waktu-frekuensi yang sebanding.

Secara keseluruhan, studi-studi ini menunjukkan bahwa EMD dapat membantu mengisolasi aktivitas epilepsi transien, tetapi kinerjanya sensitif terhadap tingkat derau, geometri sumber, dan dataset yang diuji, alih-alih menjadi keunggulan tetap yang terjamin.

Tantangan Umum dalam Empirical Mode Decomposition

EMD bersifat fleksibel, tetapi fleksibilitas itu menciptakan pilihan metodologis yang dapat memengaruhi kesimpulan ilmiah. Gangguan kecil pada sinyal dapat mengubah nilai ekstrem, dan karenanya mengubah selubung dan mode yang diekstrak. Derau, penyaringan, rekaman pendek, dan batas yang tajam semuanya dapat membuat dekomposisi kurang stabil.

Pemeriksaan umum membantu mengungkap alih-alih menyembunyikan kesulitan-kesulitan ini. Pemeriksaan tersebut meliputi:

• Mengukur kesalahan rekonstruksi setelah menjumlahkan IMF dan residual.

• Menguji sensitivitas terhadap perlakuan titik akhir dan ambang batas penyaringan.

• Membandingkan dekomposisi di seluruh segmen berulang atau ansambel derau.

• Memeriksa apakah komponen yang dihapus berisi aktivitas saraf yang masuk akal.

Pemeriksaan ini tidak menghilangkan ambiguitas, tetapi membuatnya terlihat. Pencampuran mode (mode mixing) mungkin memerlukan varian ansambel, sementara konten frekuensi tinggi yang berlebihan dapat menunjukkan kontaminasi alih-alih mode saraf yang berguna. Dalam semua kasus, analisis harus melaporkan keputusan yang menghasilkan representasi akhir.

Tantangan lainnya adalah komunikasi. Indeks IMF adalah label algoritme, bukan diagnosis atau pita EEG yang didefinisikan secara universal. Gambar yang jelas, catatan parameter, dan bahasa yang hati-hati diperlukan ketika hasil beralih dari pemrosesan sinyal eksploratif ke interpretasi biomedis.

Pencampuran Mode (Mode Mixing): Kelemahan Utama EMD Dasar

Kelemahan struktural paling jelas dalam EMD dasar adalah fenomena yang disebut pencampuran mode (mode mixing). Ini terjadi dalam dua cara yang saling terkait. Entah osilasi yang beroperasi pada skala waktu yang sangat berbeda berakhir terperangkap di dalam IMF yang sama, atau komponen ritmis koheren tunggal terfragmentasi dan tersebar di beberapa IMF alih-alih tetap berada di dalam satu IMF. Kedua versi masalah ini mempersulit kepercayaan bahwa suatu IMF sesuai dengan proses fisiologis tunggal yang asli.

Risiko praktisnya adalah interpretatif. Jika seorang peneliti menganggap suatu IMF mewakili, misalnya, aktivitas dalam pita frekuensi tertentu, tetapi IMF tersebut sebenarnya berisi campuran artefak otot dan aktivitas lonjakan sisa akibat pencampuran mode, kesimpulan apa pun yang ditarik dari IMF tersebut menjadi tidak dapat diandalkan.

Complete Ensemble Empirical Mode Decomposition

Complete ensemble empirical mode decomposition, yang biasa disebut CEEMD, adalah ekstensi berbantuan derau dari EMD. Metode ini menambahkan realisasi derau yang dikontrol dengan cermat ke sinyal, mendekomposisi ansambel yang dihasilkan, dan merata-ratakan mode yang sesuai. Tujuannya adalah untuk membuat dekomposisi lebih stabil ketika skala osilasi yang berdekatan sulit untuk dipisahkan.

Bagaimana CEEMD Meningkatkan EMD Standar

EMD standar dapat mengalami pencampuran mode, di mana osilasi dengan skala berbeda muncul dalam satu IMF atau skala serupa tersebar di beberapa IMF. CEEMD mengatasi ketidakstabilan ini secara statistik daripada mengubah ide penyaringan selubung dasar. Dekomposisi berulang dan perata-rataan dapat mengurangi pengaruh realisasi derau individu, tetapi hasilnya tetap bergantung pada desain ansambel, amplitudo derau, jumlah pengujian, dan detail implementasi.

Metode ini tidak secara otomatis lebih unggul untuk setiap dataset. Metode ini meningkatkan biaya komputasi dan dapat mempertahankan derau sisa atau menimbulkan sensitivitas batas jika parameternya tidak dipilih dengan baik. Untuk EEG, perbandingan karenanya harus memeriksa kualitas rekonstruksi, stabilitas di seluruh pengujian, pelestarian peristiwa transien, dan apakah mode yang dihasilkan tetap dapat diinterpretasikan untuk pertanyaan penelitian yang dinyatakan.

Aplikasi EEG Apa Saja yang Telah Menguji EMD Sejauh Ini

EMD telah umum diterapkan dalam tiga kategori luas.

Ekstraksi fitur untuk klasifikasi mewakili kasus penggunaan terbesar. Misalnya, sebuah studi yang dipimpin oleh Ning Zhuang menggunakan EMD untuk pengenalan emosi, mengekstrak fitur multidimensi dari IMF, termasuk perbedaan pertama dari deret waktu, perbedaan pertama dari fase, dan energi yang dinormalisasi, kemudian mengujinya pada database emosional DEAP yang tersedia untuk umum. Studi tersebut menemukan komponen IMF1 berfrekuensi tinggi memiliki efek signifikan dalam membedakan keadaan emosi, dan pendekatan keseluruhan mengungguli metode pembanding termasuk dimensi fraktal, entropi sampel, dan transformasi wavelet diskrit.

Penghilangan artefak diwakili dalam studi seperti yang dilakukan oleh Safieddine dkk., di mana dekomposisi berbasis selubung deterministik EMD menghilangkan artefak otot dari EEG epilepsi simulasi secara lebih efektif daripada metode berbasis ICA, CCA, atau wavelet, khususnya dalam kondisi kontaminasi berat.

Terakhir, analisis multisaluran dan antarmuka otak-komputer (brain-computer interfacing) dapat dilihat dalam penelitian yang diterbitkan di Journal of Circuits, Systems and Computers, di mana EMD diterapkan secara terpisah pada setiap saluran dalam rekaman EEG multisaluran, dan IMF yang dihasilkan dikelompokkan berdasarkan kemiripan spektral untuk mengidentifikasi komponen mana yang berkorelasi dengan stimulus eksternal.

Merekonstruksi sinyal hanya dari komponen yang terkait dengan stimulus tersebut memungkinkan para peneliti mengidentifikasi kapan subjek memperhatikan stimulus tertentu, sebuah kemampuan yang relevan langsung dengan sistem BCI yang bergantung pada pembedaan sinyal saraf yang disengaja dari derau latar belakang.

Tutorial Empirical Mode Decomposition untuk Pemula

Seorang pemula dapat menganggap EMD seperti berulang kali mengupas osilasi tercepat yang terlihat dari bentuk gelombang yang rumit. Algoritme tidak dimulai dengan daftar pita frekuensi. Sebaliknya, algoritme mengamati di mana sinyal naik dan turun, memperkirakan garis tengah lokal, dan menghapus garis tengah tersebut dari osilasi kandidat.

Latihan belajar yang masuk akal dimulai dengan sinyal sintetis yang pendek dan bersih yang berisi dua osilasi dan tren lambat. Hasil yang diharapkan bukanlah pemisahan yang sempurna dalam setiap kasus, melainkan sekumpulan komponen yang jumlahnya kira-kira mereproduksi input. Memplot sinyal asli, setiap IMF, dan residual pada sumbu waktu yang sama sering kali lebih informatif daripada sekadar memeriksa output numerik saja.

Untuk rekaman EEG, alur kerja juga mencakup keputusan yang mendahului dekomposisi:

• Memilih saluran dan segmen

• Memeriksa informasi pengambilan sampel

• Menandai interval yang buruk

• Mendokumentasikan prapemrosesan

Panduan dekomposisi frekuensi umum dapat membantu menempatkan EMD di antara metode Fourier, wavelet, dan metode waktu-frekuensi terkait lainnya. Pilihan-pilihan ini tidak mengubah EMD menjadi tes klinis; melainkan menentukan kondisi di mana outputnya dapat dievaluasi.

Empirical Mode Decomposition Python: Panduan Pengodean

Implementasi Python biasanya menerima larik satu dimensi dan mengembalikan kumpulan IMF, terkadang dengan sisa atau melalui operasi residu terpisah. Alur kerja dasar memuat sinyal, mengonfirmasi urutan pengambilan sampel dan status nilai yang hilang, menjalankan dekomposisi, dan memplot komponen. Analisis yang dapat direproduksi juga mencatat versi pustaka dan parameter yang mengontrol perilaku penyaringan dan ansambel.

Pustaka Python Populer untuk EMD

Beberapa paket Python ilmiah menyediakan EMD atau algoritme terkait, tetapi API dan nilai standarnya berbeda. Beberapa mengekspos EMD standar, varian ansambel, ambang batas penghentian, pilihan spline, dan pembantu visualisasi; yang lain memerlukan perakitan manual yang lebih banyak. Tugas pengodean utama bukan sekadar memanggil fungsi, melainkan memeriksa arti komponen yang dikembalikan dan apakah penjumlahannya merekonstruksi input.

Pola pseudocode minimal adalah:

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

Kode ini sengaja dibuat skematis karena nama fungsi dan nilai pengembalian bervariasi di berbagai paket. Validasi harus mencakup kesalahan rekonstruksi, plot ekstrem dan batas, serta pemeriksaan sensitivitas di bawah perubahan parameter yang wajar.

Untuk EEG, dimensi data juga penting: rekaman multisaluran mungkin memerlukan alur kerja per saluran atau metode multivariat secara khusus daripada meratakan semua saluran secara diam-diam menjadi satu larik.

Menerapkan Empirical Mode Decomposition pada Sinyal EEG

EEG adalah pengaturan alami untuk empirical mode decomposition karena perubahan tegangan dapat berisi ritme yang tumpang tindih, peristiwa transien, dan aktivitas non-stasioner. EMD dapat diterapkan pada saluran individual atau segmen terpilih untuk memeriksa bagaimana osilasi lokal berkembang. Pertanyaan ilmiah yang relevan mungkin menyangkut struktur temporal, pemisahan artefak, perubahan terkait peristiwa, atau fitur untuk model statistik berikutnya.

Sebelum dekomposisi, kualitas sinyal dan konteks perekaman memerlukan perhatian. Penempatan elektroda, skema referensi, laju pengambilan sampel, penyaringan, sampel yang hilang, dan artefak yang ditandai semuanya dapat memengaruhi nilai ekstrem lokal.

Selain itu, IMF yang dihasilkan sebaiknya tidak diberi label fisiologis semata-mata berdasarkan urutannya. Komponen cepat mungkin mencakup derau otot atau instrumen, dan komponen yang lebih lambat mungkin berisi penyimpangan serta aktivitas yang bermakna.

Interpretasi menjadi lebih kuat ketika membandingkan sinyal yang direkonstruksi, mempertahankan jejak audit yang jelas dari komponen yang dikecualikan, dan menguji apakah temuan bertahan di berbagai saluran, peserta, dan pilihan analisis.

Empirical Mode Decomposition vs Transformasi Wavelet

EMD dan transformasi wavelet keduanya mendukung analisis waktu-frekuensi, tetapi keduanya mengatur struktur sinyal secara berbeda. EMD memperoleh mode dari nilai ekstrem lokal dalam data yang diamati, sedangkan analisis wavelet membandingkan sinyal dengan keluarga fungsi basis yang diskalakan dan digeser yang dipilih. Yang satu adaptif terhadap data; yang lain menyediakan sistem koordinat multiskala yang telah ditentukan sebelumnya.

Perbedaan menjadi lebih jelas ketika prioritas analisis dibandingkan:

Kedua metode ini tidak ada yang lebih unggul secara universal. EMD dapat menawarkan dekomposisi intuitif untuk mengubah osilasi, sementara wavelet dapat menyediakan kerangka kerja yang konsisten untuk membandingkan sinyal ketika basis dan skala sesuai secara ilmiah.

Pilihan harus mengikuti pertanyaan penelitian, transien yang diharapkan, kebutuhan untuk reproduksibilitas, dan strategi validasi daripada klaim umum bahwa satu metode lebih maju.

Apa yang Diperoleh Analisis Sinyal Otak dari Dekomposisi Berbasis Data

Aktivitas otak jarang diam cukup lama untuk alat frekuensi klasik menangkap momen-momen paling jitu, itulah sebabnya metode yang memungkinkan sinyal menentukan blok pembangunnya sendiri telah menarik perhatian nyata.

Empirical mode decomposition menghindari kebutuhan akan templat matematika tetap, menghasilkan hasil yang terbukti berguna untuk mengisolasi lonjakan kejang di bawah derau berat dan mengekstrak fitur bermakna untuk pengenalan emosi. Pergeseran ke arah analisis berbentuk adaptif ini menciptakan jalur untuk menangkap peristiwa saraf transien yang jika tidak akan kabur atau terlewatkan. Hasil praktisnya, seperti yang terlihat di berbagai studi, adalah alat yang dapat membantu klasifikasi dan penghilangan artefak ketika kondisinya menguntungkan.

Referensi

1. Safieddine, D., Kachenoura, A., Albera, L., Birot, G., Karfoul, A., Pasnicu, A., ... & Merlet, I. (2012). Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches. EURASIP Journal on Advances in Signal Processing, 2012(1), 127. https://doi.org/10.1186/1687-6180-2012-127

2. Riaz, F., Hassan, A., Rehman, S., Niazi, I. K., & Dremstrup, K. (2015). EMD-based temporal and spectral features for the classification of EEG signals using supervised learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(1), 28-35. https://doi.org/10.1109/TNSRE.2015.2441835

3. Alam, S. S., & Bhuiyan, M. I. H. (2013). Detection of seizure and epilepsy using higher order statistics in the EMD domain. IEEE journal of biomedical and health informatics, 17(2), 312-318. https://doi.org/10.1109/JBHI.2012.2237409

4. Zhuang, N., Zeng, Y., Tong, L., Zhang, C., Zhang, H., & Yan, B. (2017). Emotion recognition from EEG signals using multidimensional information in EMD domain. BioMed research international, 2017(1), 8317357. https://doi.org/10.1155/2017/8317357

5. Rutkowski, T. M., Mandic, D. P., Cichocki, A., & Przybyszewski, A. W. (2010). EMD approach to multichannel EEG data—the amplitude and phase components clustering analysis. Journal of Circuits, Systems, and Computers, 19(01), 215-229. https://doi.org/10.1142/S0218126610006037

Pertanyaan yang Sering Diajukan

Apa itu empirical mode decomposition (EMD) dan mengapa berguna untuk EEG?

EMD adalah metode pemrosesan sinyal adaptif yang memecah bentuk gelombang menjadi komponen osilasi yang disebut intrinsic mode function tanpa mengasumsikan sinyal tersebut stasioner. Ini berguna untuk EEG karena aktivitas otak bergeser terus-menerus dan berisi peristiwa transien, yang sulit direpresentasikan secara akurat oleh alat berbasis tetap tradisional.

Bagaimana cara kerja proses penyaringan (sifting) dalam EMD?

Proses penyaringan berulang kali mengidentifikasi puncak dan lembah lokal suatu sinyal, membangun selubung atas dan bawah, dan mengurangi rata-ratanya dari sinyal tersebut. Langkah ini berulang sampai komponen yang tersisa memiliki selubung simetris dan rata-rata mendekati nol, di mana pada titik itu komponen tersebut menjadi intrinsic mode function.

Apa itu intrinsic mode function (IMF)?

IMF adalah blok pembangun berbasis data yang dihasilkan oleh EMD, diurutkan dari osilasi tercepat hingga terlambat. Karena diekstrak langsung dari bentuk lokal sinyal alih-alih dicocokkan dengan bentuk gelombang yang telah ditentukan sebelumnya, IMF dapat menangkap dinamika saraf yang tidak teratur dan bergeser.

Mengapa pencampuran mode (mode mixing) menjadi masalah dalam EMD?

Pencampuran mode terjadi ketika osilasi dari skala waktu yang berbeda terperangkap dalam IMF yang sama atau ketika ritme tunggal terbagi di beberapa IMF. Ambiguitas ini mempersulit kepercayaan bahwa suatu IMF mewakili proses fisiologis tunggal, yang berpotensi mencampur derau atau artefak dengan aktivitas otak yang asli.

Bagaimana EMD menangani peristiwa transien seperti lonjakan kejang?

EMD mengisolasi lonjakan singkat dengan mengekstraknya ke dalam IMF frekuensi tinggi, di mana aktivitas latar belakang dipisahkan. Di bawah kontaminasi otot yang berat, EMD mengungguli metode penghilangan artefak lainnya, meskipun keunggulannya berkurang dengan sinyal yang lebih bersih atau konfigurasi sumber yang berbeda.

Apakah EMD dapat menggantikan metode tradisional seperti transformasi Fourier untuk semua analisis EEG?

EMD bukanlah pengganti universal; ini paling berharga untuk sinyal non-stasioner dan transien di mana metode Fourier berbasis tetap tidak memadai. Namun, keandalannya bervariasi dengan tingkat derau dan belum terbukti di semua kondisi perekaman EEG.

Apakah EMD memerlukan asumsi bahwa sinyal tersebut stasioner?

Tidak, EMD tidak mengasumsikan stasioneritas, sebuah keunggulan utama dibandingkan analisis Fourier klasik untuk EEG. Dekomposisi beradaptasi langsung dengan karakter statistik data yang berubah, memungkinkannya melacak dinamika otak yang bergeser dan peristiwa singkat tanpa pengkondisian awal.

Apakah EMD dapat menganalisis EEG multisaluran secara langsung?

EMD dasar umumnya diterapkan pada sinyal satu dimensi. Analisis multisaluran memerlukan strategi per saluran atau multivariat yang disengaja, karena hanya menggabungkan saluran dapat mengaburkan makna spasial dan temporal.