Editorial Ilmu Komputer & AI
Open AccessOA2026
Dari Neuron ke Jaringan: Tinjauan Holistik Elektroensefalografi (EEG) dari Fondasi Neurofisiologis hingga Teknik AI
Sintesis komprehensif analisis EEG, dari prinsip neurofisiologis hingga model fondasi dan AI neuro-simbolik
Christos Kalogeropoulos; Konstantinos A. Theofilatos; Seferina Mavroudi· Signals· 2026· DOI 10.3390/signals7010017
Masalah inti
Elektroensefalografi (EEG) telah mengalami transformasi mendalam selama satu abad terakhir, berkembang dari alat observasional subjektif menjadi disiplin analitis yang padat data yang memanfaatkan algoritma dan model matematis yang canggih. Tinjauan ini menyediakan fondasi holistik dengan terlebih dahulu merinci dasar neurofisiologis EEG, teknik perekaman yang digunakan, dan spektrum aplikasi yang luas. Tinjauan ini kemudian menawarkan pemeriksaan yang ketat terhadap pilar analitis tradisional dan modern, termasuk analisis statistik dan deret waktu, analisis spektral dan waktu-frekuensi, analisis spasial dan pemodelan sumber, analisis konektivitas dan jaringan, serta analisis nonlinier dan chaos. Sambil mengakui peran historis arsitektur machine learning (ML) dan deep learning (DL) seperti support vector machine (SVM) dan convolutional neural network (CNN), tinjauan ini mengalihkan fokus utamanya ke tren artificial intelligence (AI) terkini. Penekanan diberikan pada kemunculan model fondasi, termasuk large language model (LLM) dan large vision model (LVM), yang diadaptasi untuk sekuens neural berdimensi tinggi. Akhirnya, integrasi AI generatif untuk augmentasi data dan kerangka exp
Inovasi
Tinjauan ini menyintesis temuan di berbagai domain. Metode analitis tradisional terus memberikan fitur yang kuat dan dapat diinterpretasikan: misalnya, analisis spektral mengungkap daya pada pita frekuensi (delta: 0,5–4 Hz, theta: 4–8 Hz, alpha: 8–13 Hz, beta: 13–30 Hz, gamma: >30 Hz), sementara analisis konektivitas mengungkap topologi jaringan yang mendasari proses kognitif. Model machine learning, khususnya SVM dan CNN, telah mencapai akurasi tinggi dalam tugas seperti deteksi kejang dan penentuan tahap tidur. Arsitektur deep learning, termasuk CNN dan RNN, telah mengotomatiskan ekstraksi fitur, tetapi sering kali kurang interpretabilitas. Model fondasi, seperti LLM dan LVM, telah menunjukkan fleksibilitas luar biasa dalam menangani sekuens EEG berdimensi tinggi, memungkinkan pembelajaran zero-shot dan few-shot. AI generatif, termasuk variational autoencoder (VAE) dan generative adversarial network (GAN), telah digunakan untuk augmentasi data, mengatasi kelangkaan data EEG berlabel. Kerangka XAI, seperti SHAP dan LIME, telah diterapkan untuk mendekode model black-box, memberikan wawasan tentang kepentingan fitur dan keputusan model. Tinjauan ini menyoroti bahwa arsitektur neuro-
Elektroensefalografi (EEG) telah mengalami transformasi mendalam selama satu abad terakhir, berkembang dari alat observasional subjektif menjadi disiplin analitis yang padat data yang memanfaatkan algoritma dan model matematis yang canggih. Tinjauan ini menyediakan fondasi holistik dengan terlebih dahulu merinci dasar neurofisiologis EEG, teknik perekaman yang digunakan, dan spektrum aplikasi yang luas. Tinjauan ini kemudian menawarkan pemeriksaan yang ketat terhadap pilar analitis tradisional dan modern, termasuk analisis statistik dan deret waktu, analisis spektral dan waktu-frekuensi, analisis spasial dan pemodelan sumber, analisis konektivitas dan jaringan, serta analisis nonlinier dan chaos. Sambil mengakui peran historis arsitektur machine learning (ML) dan deep learning (DL) seperti support vector machine (SVM) dan convolutional neural network (CNN), tinjauan ini mengalihkan fokus utamanya ke tren artificial intelligence (AI) terkini. Penekanan diberikan pada kemunculan model fondasi, termasuk large language model (LLM) dan large vision model (LVM), yang diadaptasi untuk sekuens neural berdimensi tinggi. Akhirnya, integrasi AI generatif untuk augmentasi data dan kerangka explainable AI (XAI) yang dirancang untuk menjembatani kesenjangan antara dekode "black-box" dan interpretabilitas klinis dieksplorasi. Tinjauan ini menyimpulkan bahwa generasi berikutnya dari analisis EEG kemungkinan akan konvergen ke dalam arsitektur neuro-simbolik, yang menyinergikan kekuatan generatif masif dari model fondasi dengan interpretabilitas berbasis aturan yang ketat dari teori sinyal klasik.
Tinjauan ini mengadopsi pendekatan holistik, secara sistematis mencakup fondasi neurofisiologis EEG, teknik perekaman, dan aplikasi sebelum menyelami metodologi analitis. Pilar analitis dikategorikan ke dalam lima area utama: (1) Analisis Statistik dan Deret Waktu, yang mencakup ukuran seperti mean, varians, autokorelasi, dan model autoregresif; (2) Analisis Spektral dan Waktu-Frekuensi, yang mencakup transformasi Fourier, transformasi wavelet, dan spektrogram; (3) Analisis Spasial dan Pemodelan Sumber, yang melibatkan penempatan elektroda, pemfilteran spasial, dan solusi invers; (4) Analisis Konektivitas dan Jaringan, yang memanfaatkan koherensi, sinkronisasi fase, dan metrik teori graf; dan (5) Analisis Nonlinier dan Chaos, yang menggunakan ukuran seperti eksponen Lyapunov, entropi, dan dimensi fraktal. Tinjauan ini kemudian memeriksa arsitektur machine learning dan deep learning, termasuk SVM, CNN, recurrent neural network (RNN), dan transformer, sebelum berfokus pada model fondasi (LLM, LVM) yang diadaptasi untuk EEG. Teknik AI generatif untuk augmentasi data dan kerangka XAI juga ditinjau. Metodologi ini menekankan transisi dari pemrosesan sinyal tradisional ke pendekatan modern yang digerakkan AI, yang berpuncak pada proposal arsitektur neuro-simbolik yang menggabungkan kekuatan generatif dengan interpretabilitas.
Mengapa penting
Diskusi ini menggarisbawahi evolusi analisis EEG dari observasi subjektif menjadi komputasi yang padat data. Teknik pemrosesan sinyal tradisional tetap berharga karena interpretabilitas dan landasan teoretisnya, tetapi sering kali memerlukan rekayasa fitur manual dan mungkin tidak menangkap dinamika nonlinier yang kompleks. Machine learning dan deep learning telah merevolusi analisis EEG dengan mengotomatiskan ekstraksi fitur dan mencapai kinerja terkini, namun sifat "black-box" mereka menimbulkan tantangan untuk adopsi klinis. Model fondasi mewakili pergeseran paradigma, memanfaatkan pra-pelatihan skala besar pada beragam dataset EEG untuk memungkinkan transfer learning dan adaptasi few-shot. Namun, tuntutan komputasi dan potensi bias mereka memerlukan validasi yang cermat. AI generatif mengatasi kelangkaan data tetapi menimbulkan kekhawatiran etis terkait data sintetis. XAI menjembatani kesenjangan interpretabilitas, tetapi metode saat ini sering kali bersifat post-hoc dan mungkin tidak sepenuhnya menangkap hubungan kausal. Tinjauan ini berargumen bahwa AI neuro-simbolik, yang menggabungkan kekuatan generatif model fondasi dengan interpretabilitas berbasis aturan yang ketat dari teori sinyal klasik, adalah arah yang paling menjanjikan. Arsitektur semacam itu dapat memungkinkan akurasi tinggi dan pengambilan keputusan yang transparan, memfasilitasi translasi klinis. Pekerjaan di masa depan harus berfokus pada pengembangan tolok ukur terstandarisasi, mengatasi kekhawatiran etis dan privasi, serta mendorong kolaborasi interdisipliner antara neurosaintis, klinisi, dan peneliti AI.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…