Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   23 ,  No.   3 ,  Septem ber   20 21 ,  pp.  1 847 ~ 1854   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v 2 3 .i 3 . pp 1847 - 1854          1847       Journ al h om e page :  http: // ij eecs.i aesc or e.c om   Identific atio n  of  optimu m segme nt in sin gle ch annel   EEG   biomet ric s ystem       Muhamm ad  Af if  Hen draw an ,  Pr amana  Yog a  S aputr a, C ahy a Rahm ad   Depa rtment  o f  I nform at ion  T ec h nolog y ,   Pol it ekn ik  Nege r i  Ma la n g,   Indone si a       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Ma y   21 ,  2021   Re vised  J ul   30   2021   Accepte d  Aug   6 ,  2021       Now aday s,   bio m et ric   m odalitie s  have   g ai ned   p opula rity   in  s ec u rity   s y s te m s.  Neve rthele ss ,   th e  conve nt iona l  c om m erc ia l - gra d e  biometri c  s y s tem   addr esses   som e  issues.  The   bigge st  probl e m   is  tha t  they   c an  be  impos ed  b y   ar ti fi cial   biometri cs.   The  el e ct ro encepha l ogra m   (EE G)  i s  a  poss ibl e  sol uti on.   I t  i s   nea rl y   impos sible   to  rep licate  bec ause   i t  is  depe nden t  on  hum an  m ent al   ac t ivi t y .   Sever al  studie s  hav e  al r ea d y   d emons tra t ed  a  h igh  l evel  of  accurac y .   How eve r,   it   r equ ire s  a   l arg e   num ber   of  s ensors  a nd  ti m e  to  col l ect  th e  signa l.  Thi s  stud y   prop osed  a  biometr ic  s y stem  using  si ngle - ch anne l   EEG   rec orde d   during  rest ing  e y es  o pen  ( EO)  c ondit ions.   A  total  of   45  EE G  si gnal s  from   9   subjec ts  wer e  c oll e ct ed .   Th e  E EG  signal   was   segm ent ed  in t o  5  sec ond   le ngths.   The  a lp ha  band   was  used  in   thi s  stud y .   Discre t e  wav elet  t ran sform   (DW T)  with  Daube chies  t y p e  4  (db4)  was  emp lo y ed  to  ext r act   the   al pha   band.   Pow er  spec tral  density   (PS D)  was  ext rac t e d  from   ea ch  segm ent   as  the  m ai n  fea ture.  Li ne ar  discri m i nant   ana l y sis  ( LDA)  and  sup port  vec tor   m ac hine   (SV M)  were   used  to  cla ss if y   the   EE G  signal .   The   propo sed  m et hod  ac hi eve d  86%  a cc ura c y   using  L DA   onl y   from   t he  t hird  s egment.   Th ere for e ,   thi s  stud y   show ed  that  it   is  poss ibl e  to  ut il i ze   s ingl e - cha nne l  E EG  during  a   resti ng  EO  sta te   in  a   biometr ic   s ystem.   Ke yw or ds:   Bi om e tric   EEG   LDA   SV M   This   is an  open   acc ess arti cl e   un der  the  CC  B Y - SA   l ic ense .     Corres pond in g  Aut h or :   Muh am m ad  Afi f  He ndra wan   Dep a rtm ent o f Info rm at ion  Te chnolo gy   Po li te kn i k Nege ri Mal ang   So e karn o - Hatt a St.  No.  9  Ma l ang Ci ty , East  Java,  Indo nesi a   Em a il :  afif.h en dr a wa n@gm ai l .co m       1.   INTROD U CTION   On e  of   the  crit ic al   factor s  in  asset   pr otect io n  is  a  secur it y  syst e m .  The  secur it y  syst e m   s hould   m eet  sever al   requir e m ents,  su c h  as  diff ic ult  to  pe netrate,   i m ple m enting  the  a uth e ntica ti on   m et ho d,   a nd  auth or iz at io n  to  pro vid e  a  s ecur e  sec uri ty   syst e m .  The  a uth e ntica ti on   m et ho d  is  an  essenti al   par t  of   th e   secur it y  syst em .  It  ver ifie s  the  us e r  be f or e  bein g  able  to  a ccess  the  asset s.  The  c om bin at ion   of  use r na m e  and   pass word   is  t he   m os t  widely   adopted  a uth e nt ic at ion   m et hod.   Howe ver ,  it   has  bee n  pro ve d  that  the  u ser nam e   and   pass w ord  had   m any  vulnera bili ti es.  Their  c om bin at i on   is  easy   t o  f orget,  a nd   it   c an  be  stolen  usi ng   a   dicti on a ry  brut e  force  at ta ck .   A no t her   a ppr oach  is  the  c oncept  of  “s ome thing  yo u  ha ve”  [ 1] .  It  m e ans  the   pro of   of  ide ntit y  is  rep resen t ed  by  an  obj ec t  wh ic h  the  use r  has.   It  can  be   an  identit y  card,  sm art  card ,  rad i o  fr e qu e ncy  ide nt ific at ion   de vic e  ( RFI D ) ,  a nd   so   on.  T her e  a re  so m e  issues   accor ding  t o  the  “s om et hin g  yo u  hav e”  conce pt.  Th e  ob j ec t can  b e  stolen , dam aged, a nd it  is  no t  flexi ble.   Du e  t o  ad va nc es  in  te chnolo gy ,  it   is  po ssible   to  colle ct   hu m an  trai ts  as  a  bi om et ric  m od al i ty   [2] ,  [3] .  Re searche rs  tr ie d  to  stu dy  the  po s sibil it ie s  of  fi ng e r pr i nt,  vo ic e,   face ,  iris,  a nd  palm   pr int  in  bio m et ric  auth e ntica ti on   syst e m s  [2] - [6] .  Fing e r p ri nt  m od al it y  is  the  m os t  co m m on   com m ercial   gr ade  bi om et ric  syst e m   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   2 3 , N o.   3 ,  Se ptem ber   20 21 :  18 47   -   18 54   1848   in  the  m ark et .   It  is  easy   to   colle ct   the  dat a  an d  re quires   low  com pu ta ti on al   c os t  in   pract ic e.  N onet heless ,   fin gerpr i nts  fa ce  so m e  issues   in  sec ur it y.  O ne  of  w hich   is  it   is  possible  to  re pl ic at e  a  r eal   fin ger   us i ng  a n  arti fici al  f ing e r   [ 7] .    Mor e ov e r,   a nother  m ark et - re ady  bio m et ric   authen ti cat io n  syst e m   is  a lso  facin g  the  s a m e  issue.   Vo ic e  m od al it y  can  be  i m i ta t ed  us i ng   play ba ck  spo of in g  [ 5] .  Face,  iris,  a nd   palm   pr int  im age - base d  tra it s  can   be  rep li cat ed  usi ng   a  high - res olu ti on  i m age   [8] .  The  m ai n  reason  these  m od al it ie s  can  be   i m it at ed  is   becau se   they   are  e xpose d.   T he refor e ,  to  pro vid e   a  hi gh - sec ur it y  biom et ric  authen ti cat ion   syst em ,  inv isi ble  m od a li ti es   that are  not ex po s ed  fro m  o ut side are  n ee de d.   Hu m an  bi os ig nal  is  a  po te ntial   m od al it y  to  reso l ve  that  iss ue.   It  is  cu rr e nt ly   gaining  po pu la rity   as  a   m od al ity  fo r  nonm edical   us e   [9] - [12] .  Bi osi gn al   is  a n  el ect rical   sign al   pro du ce d  by  hum an  body  ac ti vity .  Ele ct ro e nceph al ogram   (EEG)  is  an  exam p le   of   a  bio sig nal.  It  captu re s  the  el ect rica l  sign al   fr om   br ai n  act ivit y.  Ma r cel   and  Mi ll an   [ 13 ]   fou nd   t hat  the  EE G  sig na l  is   un i qu e   am ong  t he  oth er s.   The refor e ,  it   c an  be  us e d  as a b iom et ric authe ntica ti on  m od al it y.  EEG has sev e r al  ad va ntages  c om par ed  to c onve ntio nal m o dalit y.  First,  EE G  is  inv isi ble,  a nd  it   can  not  be  captu red   us i ng  rem ote  sensing  [ 14] .  Sec ond,   th e  EE G  si gn al   is   dep e ndent  on   the  m ental  con diti on  of  an  ind ivi du al   [15] .  A  m ental   c onditi on   s uc h  as  stress,  m oo d,   a nd   pr ess ure  will   aff ect   the   EE G  sign al .  Thi rd,  the  EE G  si gn al   pro ved  that  t he  sig nal  is  c om ing   f ro m   a  li ving  ind ivi du al   [ 1] .   Seve ral  stu die s  ha ve  bee n  propose d  t o  us e  EEG  a s  a  biom et ric  authen t ic at ion   m od al it y.  It  can   be   div ide d  i nto   th ree  m ai n  ca te go ries  base d  on   their  sti m uli.  The  first  cat eg or y  is  based  on  resti ng   sta te ,   th e   seco nd   cat eg ory   is  visu al   sti m ul i,  and  the  l ast   is  base d  on  m oto r  stim uli.  Para njape   et   al.   [ 16]   is  a  nota ble   stud y  in  t he  e arly   sta ge  of  t his  stu dy.  T he y  us e  ei ght - c ha nn el   E EG  at   F7 ,  F8,  T 3,   T 4,   T 5,   T6 ,  P 3,  an d  P 4  po sit io ns   acc or ding  to   the  10 - 20  syst em .  Au tore gr e ssive  (AR )  m od el   featu res  a nd  disc rim inan t  analy sis  we r e   e m plo ye d  to  cl assify   40  sub j e ct s  based   on  re sti ng - sta te   in  ey e - openi ng   a nd  ey e - cl os e d  c onditi ons.  T he  stud y   achieve d  80 %   accuracy  by  usi ng   a  50%  data  sam ple  as  train in g  data  an d  100%  acc urac y  by  us in g  al l  data  as   trai ning  data.  Howe ver,  [ 16 ]   e m plo ys  a  high   nu m ber   of  e poch  an d  high  or der   of   AR  to  a chieve  that  acc ur acy .   The  ef fect  of  t he  resti ng - sta te   al so   was n’t   cl early   r ep or te d.   Pala niap pa n  and   Ma ndic   [ 17 ]   propose d  a   visu al   stim uli  m et ho d  du ri ng   the  E E G  recor ding  session.  Sub j ect s   are  require d  to  rem e m ber   a  picture  that  shows  in   the  visu al   sti m uli.  61  EE G  c hannel  was   uti li zed  in  [ 17 ] ,   and  it   gai ns   98. 12%  acc ur ac y  by  us in g  e xt end e d  near est   nei ghbor   (E N N) .   T he   m ulti ple  sign al   cl assifi cat ion  (M US IC )  a lgorit hm   was  e m plo ye d  i n  [ 17 ]   t o  extract EE G fe at ur es,  but  on l y t he  po wer sp ect ru m  co m po nen t  was  u se d.   The  EE G  m oto r  im aginar y  ( EEGMM I DB)   dataset   f ro m   Ph ysi oNet   [18]   has  bec om e  popula r  in  bio m et ric  stud i es.  T he  data  w as  init ia ll y  des ign e d  for  a   br a in - c om pu te r  in te rf ace  (BCI)   s tud y.   EE GMMIDB   consi sts  of   4  t asks  of  m oto r  i m aginar y,  an d  two  baseli ne  conditi ons.  Re sti ng - sta te   with  ey e  op e n  (E O)   a nd  ey e  cl os e  ( EC)  are   the  basel ine  co ndit ion s   in  EE GMMI DB  [ 18] .  O nly  resti ng  E O  a nd  resti ng  EC   widel y   repor te d  we re u se d  in the b i om et ric stud y  [19] - [ 22] . Ro cca  et  a l.   [19]   e m plo ye d  EO  a nd   EC baseli ne  from   the   EEGMM I DB  dataset .  T hey  pro po se d  sp ec tral   co her e nce   co nn e ct ivit y,  a  m ulti - br ai n  reg i on  f us e  spe ct ral   coh e re nce.  Th ei r  stud y  sho wed   th at   co nn ect ivit y  between   brai n  re gions  im pr ov es  EEG - base d  bi om et ric   p e r f o r m a n c e   r a t h e r   t h a n   p o w e r   s p e c t r um   e s t i m a t i o n   f r o m   a   s i n g l e   b r a i n   r e g i o n .   M o r e o v e r ,   F r a s c h i n i   e t   a l .  [20]   con ti nue d  stu dy ing   brai n  co nnect ivit y  base d  on  [19]   by  pro po si ng   ei ge nv ect or   ce ntral it y  instea d  of   whole   functi onal   brai n  c onnecti vity .   They  a ppli ed  Eucli dea n  distance  to   c om par e  eac h  f eat ur e   set ,  a nd  they   us e d  false  acce ptanc e  rate  (FAR)  a nd  false   re j ect ion  rate  (F RR )   as  an   eval uato r .   F rasch i ni  et   al .   [ 20 ]   repo rted   that  the  eq ual  er ror   rate  (EER )  f r om   the  gam ma  band  is  0.044,  a nd   EER  f r om   hig h  beta  is  0.102.  It  wa s  al so  repor te d  that  a   low  beta  band  s howe d  a  lo wer   rate  wit h  0.144  of  EER.   Th om as  and   Vinod  [ 21 ]   propos e d    non - interc onne ct ivit y  br ai n  f un ct io n  i n  t he ir  stu dy  f ro m   the  sam e  dataset .  They  em pl oy  sam ple  entropy  (S am pEn )  fro m   5  band  sig na ls,  delta ,  theta ,  al ph a ,  beta,  a nd   gam m a.  Their  stud y  re por te d  an  av era ge  correct   recog niti on   rat e  of  98.31% .  They  al s o  re porte d  the   e xtra ct ed  power  s pe ct ral  de ns it y  (P S D)  f ro m   Sa m pEn  enh a nce d  co rrec ti on   rate  up  to  99. 7%.   Kang  et   al.   [ 22 ]   tr ie d  to  re du ce  t he  num ber   of   channels.  T he  fron ta l   c hannel  c on ta i ns   ey e  m ov em ent  act ivit y  that  ge ner at es   an  el ect rooc ulogram   (EOG)   si gn al   dur ing   E O     sta te   [15] ,  [22] ,  [ 23 ] .  Mo r eov e r,   t he  oc ci pital   chan ne l  gen er at ed  a   burst  of  hi gh  al pha  sig na ls  that  inco ns ist ently   app ea r  duri ng   EC  sta te   [22] .  Ther e f or e,  the y  exclud e d  22  channels  f ro m   fron ta l  an d  oc ci pital   reg i on s  due  to   no ise   iss ues.   As  a  fi nal  res ul t,  Kang  et   al.   [22]  only   e m plo y  34  cha nnel s  in  their  stu dy .  Ten   sing le - c ha nn el   and   te n  m ulti - channel  feat ures,  inclu ding  P SD ,  wer e  e xtra ct ed.   T hey  repor te d  0.7 3%  of  EER   and 1.8 0%  of  EER d ur i ng E O  a nd EC,  res pe ct ively .   The  previ ous  stud ie s  s howe d  outst an ding  resu lt s  by  us i ng   m ulti ple  c hannels.  Howe ve r ,  a  fewe r   nu m ber   of   c ha nn el s  or  eve n  s ing le - c ha nn el   EEG  is  m or e  r easo nab le   i n  pract ic e.  The   stud y  of  sin gle - c hann e l   EEG  is  ra rely   r eported .  S uppi ah  an d  Vinod   [ 15 ]   colle ct ed  t he  EE G  sig nal  from   the  O2   ch ann el   d uri ng  th e  EC  sta te .  They  repor te d  that  t he  al ph a  c ha nnel   is  an  e ff ect ive   ba nd  com bin e d  with  P SD  fe at ur es  t o  disti nguis h  on e sel f  from   oth ers.   Fis her’s   li near   discrim inant  analy sis  (F L DA)  was  e m plo ye d  to  exa m ine  the  pr opose d  m et ho d.   Howe ver,  Sup piah  a nd   Vino d  [15],   repor te d  t hat  the  pro posed  m et hod  re qu i res  m or e  than  5  se conds  Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c  En g  &  Co m p  Sci     IS S N:  25 02 - 4752       Id e ntif ic ation   of  o ptim um se gment i n  si ng le   chan nel EE G b iometric  syste m   ( Mu ham m ad Afi f Hendr aw an )   1849   of  EE G  si gn al   to  ac hieve  97 - 99%  of  accu ra cy .  Zey nali  a nd  Seye dar a bi  [ 24 ]   al s o  re ported  t hat  the   O 2  channel   is  the  opti m u m   cha nn el   place m ent  for  bio m et ric  EEG .  T he y  reach  95%  a ccur acy   i n  a  la rg e  dataset   on l y  with  the  O2   c hanne l.  Desp it e  that,   in  [24] ,  the  E EG  sig nal  was   c ollec te d  with  five  m ental   a ct ivit ie s.   This  stud y  addresses  s om e  issues  m entione d  a bove ,  especial ly   in  data  colle ct ion   proce du re  an d  proce ssing   i n    sing le - c ha nn el   EEG   as  a  biom et ric  m od al ity.  This  st ud y  s hows  t hat  it   is  possible  t o  e m plo y  sing le - c hanne l   EEG   a s a  bio m et ric m od al it y  durin g resti ng  EO  c onditi ons.       2.   RESEA R CH MET HO D   2.1.      Data  c ollec tion   The  r aw  E EG   sign al s  wer e   colle ct ed  us i ng  the  Ne uros ky   Mi nd wa ve  Mob il e  hea ds e t.  It  us es  a     dry - ty pe   sin gl e - cha nnel   se nsor   place d  at   Fp1  acc ordin g  to  t he  10 - 20  placem ent  syst e m .  The  refe ren c e   el ect ro de  was  placed  in  the  le ft  ear.  It  was  placed  in  the  A1   po sit io n  an d  a  512  Hz  sa m pl ing   rate  wa s  us ed .   Nine  par ti ci pa nts  pa rtic ipate d  in  t his  resea r ch  ( 8  m al es,  1  fem al e,  M   =  20 . 66).   All  pa rtic ipants  had   no rm al   or   correct ed  to  norm al   vision ,  norm al   aud it ion ,  an d  ri gh t - ha nd e d.   All  par ti ci pan ts  al so   ne ver   e xp e rience d  any  chro nic  diseas e.  Co ns ide rin g  the  neur os ky  m ind wa ve  m ob il e  hea ds et   use s  a  dry   el ect r od e ,  it   does n’ t  requir e   sp eci al   pre par a ti on .   It  only   to ok  le ss  t han  10  sec onds  to   prepa re  t he  e quipm ent.  Partic ipants   we re  a ske d  t o  blink   natural ly   du ri ng   data  acqu isi ti on.  Eac h  par ti ci pa nt  ha s  per f orm ed  five  tria l  data  c ollec ti on   proce dures  with  60  seco nd s  e ach  tria l.  30s  second  resti ng  tim e  was  giv en  to  pa rtic ipants  was  gi ven   betwee n  each  t rial .  A   total  o f  45 raw   EEG si gnal s were  ob ta ine d  i n t he data  ac qu i sit ion   procedu r e.      2.2.      Metho dol ogy   T h e   p r o p o s e d   m e t h o d   i s   d i v i de d   i n t o   t h r e e   s t a g e s ,   p r e p r o c e s s i n g ,   f e a t u r e   e xt r a c t i o n ,   a n d   c l a s s i f i c a t i o n .     2.2.1. P repr oc essing   The  first  ste p  in  the   prep r oces sing   sta ge  is  norm al iz ation .  The  raw  sig nal s  we re  norm al i zed  int o  ze ro  m eans  with  a   m ini m u m   a mp li tud e  of   - 1,  and   a  m axi m um  a m pli tud e  of   1.   In   (1)  a nd   (2)  wer e  use d   to  norm al iz e the r aw  EE G si gnal .       =     (1)      = {     | m a x ( ) |                    | ma x   ( ) | ≥ | min   ( ) | | min ( ) |                  | max   ( ) | < | min   ( ) |   (2)     The  sec ond  ste p  was  is olati ng  the  el ect r oo c ulogram   (EO G )  sig nal  from   t he  EE G  sig nal.  The  E O G   sign a l  is  a  sign al   gen e rated  by  ey e  m ov e m ent  act ivit y  [23] .  It  con ta ine d  in  the  EEG  sign al   duri ng   t he  data  colle ct ion   proc edure. It  occur s b eca us e F p1  was uti li zed as t he  m ai n  chann el . Th e  EO G  si gn al   ge ner at es  m or e   consi der a ble  e le ct rical   po te nt ia l  than  the   act ual  EE G  s ign al .  The refo re,   it   ca n  be   le d  int o  distor ti ng   inf or m at ion .   The  m os t  com m on   m et ho d  to  is olate   the  EOG  sig nal  is   ind e pe ndent  com po ne nt  a na ly sis   (I CA ).  Conver sel y,  ICA  require d  m ul ti - channel  recorde d  EE G   sign al s  to  pr oduce  an  e xc el le nt  resu lt .  As  this   researc h  on ly   us e d  a  s in gle  channel,  it   fou nd  it   chall eng i ng  to  isolat e  the   EOG   si gnal   usi ng   ICA.   The refor e ,   this  stud y  em plo ye d  t he  e m pirical   m od e l  deco m po sit ion   (EM D) .  E MD  dec om poses  signa l  into  se ver al   intrinsic  m od e  fu nc ti on s  (I M Fs) .  EM D  w orks  great   in  iso la ti on   ta sk s  accor ding  to  [ 23] .  Zahh a d  et   al .   [23]   was  f ound  that   the  EEG  si gnal   con ce ntrated   in  the  first  a nd  seco nd  IMFs .  H ow e ver,  [23]   do es n’ t  s pecify  the   m axi m u m   num ber   of   dec om po sed  IMFs .   Ther e  a re  no  sign ific a nt  ex trem a  a t  the  11 th   IMF,  acc or ding  to   auth or’s  obser vation  ba sed   on  c ollec te d  sig nal.  T her e f or e ,   the  a uthors  li m it   the  total   num ber   of   decom po sed   IMFs  t o  10  IM Fs.  M or e over,   it   found  t hat  th e  EE G  sig nal  c on ce ntrate d  only   in  the  first  I MFs.  T he  rem ai ni ng   deco m po se d  si gn al s  are  i den ti fied  as  the  EO G  sig nal.   I n   t h e   t h i r d   s t e p ,   t h e   E E G   s i g n a l   i s   d i v i d e d   i n t o   n o n - o v e r l a p p i n g   N   s e g m e n t s .   S u p p i a h   a n d   V i n o d   [ 1 5 ]   us e d  5  sec onds  of   the  le ng t h  of   se gm ents  to  div ide  t he  EE G  sig nal.  It  s howe d  a  high  c orrelat ion   betw een  the   al ph a  ba nd,  po wer   s pectral  de ns it y  (P SD)  fe at ur e,  a nd   acc uracy   in  a  relaxing   sta te .  I n  thi s  stud y,  5  sec onds   of  the  segm ent  w ere  al so   em plo ye d.   T her e fore ,  12  segm ents  wer e  e xtracte d  from   each  data.  The  al pha  band     (8 - 12  Hz )  was  extracte d  f ro m   each   segm ent  us in g  t he  discr et e  wa velet   tra ns f or m   (DWT ) .  Da ubechies   ty pe  4  (db 4)   was  em plo ye d  as  a   m oth e r  of   wav el et .  Fu rth erm ore,  six  le vels  of  deco m po sit io n  wer e  perfor m ed  to   ob ta in  the  al ph a b a nd. As a  r e su lt , 45x 12 d at a points  wer e  c ollec te d  in  this  ste p.         Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   2 3 , N o.   3 ,  Se ptem ber   20 21 :  18 47   -   18 54   1850   2.2.2. F ea tu re s  ex tra c tio n   Fast  f ourier  t r ansfo rm   (F FT)  base d  on  the  Welch  m et hod  was  a ppli ed  t o  est im at e  PSD   [ 25] .  P SD   est i m ation  is e xpresse d  i n  ( 3) .     ̂  ℎ ( ) = 1 ∑ ̂ − 1 = 0 ( )     (3)     ̂ ( ) = 1  | ( ) ( ) ( − 2  ) | 2   (4)     ( ) = 0 . 5 ( 1 − cos ( 2 ) ) , 0 ≤ ≤   (5)     ̂ ( )   is  the  pe rio dogram   of   each   segm ent,  w he re  = 1 , … , − 1   are  data  s egm ents,  and    is  a  nu m ber  of se gm ents.  ̂ ( )   est i m ation  is g i ven   by  ( 4).    is t he  le ng th  of  the se gm ent.    is t he  total  av erag e  of   ( ) .  ( )   is  the  wind ow   functi on  a s  expresse d  in   (5).   Ha nnin g  window  was  a pp li ed  i n  this  stud y.  T he  nu m ber   of   ove rlap ping  wi ndows  us ed  i n  this   researc h  is  50%.  A  t otal  of   45x1 2x84  data  po i nts  we re  e xtracte d  in the feat ure e xtracti on sta ge.   More ov e r,   the  dim en sion al   red uctio n  pro ced ur e  wa s  app li e d.   Pr i ncipal  co m po nen t  analy sis  (P CA )   and  li near  disc rim inant  analy sis  (L DA)  a re   know n  as  a de qu at e  dim ension al   re du ct io n  m e tho ds.  H oweve r,   PCA  wor ks   we ll   with  unla be le d  data.  T he refor e ,  L DA  was   e m plo ye d  as   a  dim ension al   re du ct io n  m et hod.   As   a  sp a rse   so l ver,  sin gula r  valu e  dec om po sit io n  (SVD )  a nd  L DA  m axi m iz e  the   dim ension a l  reducti on  m eth od .   The dim ensional  r ed uctio n proced ure re duce d  the  num ber   of f eat ur es  v ect or to  45x1 2x8.     2.2.3 . Cla ssific at i on   LDA   us in g  th e  le ast - sq ua re  so lve r  an d  s uppo rt  vecto r  m achine  (SV M)  us in g  li ne ar  ke rn el   we re   app li ed  i n  the  cl assifi cat ion   s ta ge.   Cross - val idati on   w as  em plo ye d  to  sp li t  data  into  trai ning  an d  te sti ng   set s.   The  nu m ber   of  = 10   was  em plo ye d.   F ur t her m ore,  the  cl assifi c at ion   sta ge  wa s  perform ed  in  three  m ai n  conditi ons.  T he   first  c onditi on  is  cl assifi c at ion   by  usi ng  the   com bina ti on   of  al l  segm ents.  The   seco nd   conditi on   is  th e  cl assifi cat ion   of   each  se gme nt.  The  thi rd  conditi on   is  a  com bin at ion   of   se gm ents.  In   th e  com bin at ion   of  segm ents,  al l  segm ents  were  div ide d  int o  three  sect io ns   with  an  e qual   nu m ber   of   se gm ents,   the  first  sect ion,  the  m idd le   sect ion ,  a nd  the  la st  sect i on.  Each  sect ion   c on sist s  of  4  se gm ents.  The   com bin at ion   of seg m ents f r om   the d if fer e nt  sect ion s  is als o  em plo ye d  i n t he  cl assifi cat ion st age .   Table  1  s hows  the  com bin at ion   of  segm ents  that  wer e  us ed  in  this  stud y.  Group  G1,  G 2,  and   G3   a r e   the  gro ups  f r om   the  segm ents  in  the  first,  m idd le ,  an d  la st  sect ion ,  res pe ct ively .  Group  G 4  c om bin es  the  fir st   segm ents  from   each  sect io n.  Group  G 5,   G6,   an d  G 7  fo ll ow  the  G 4  se gm ent  com bin at ion   ru le ,   al though  t hey  us e  the  sec on d,   the  t hir d,   a nd   t he  f ourth   segm ents,  re sp ect ively .  Th e  intenti on   of   e m plo ye d  se gm ents   com bin at ion   is   to  fin d  a  s pe ci fic  segm ent  that  m a y  con ta in  pri m ary  in form ation .  T hus,  it   can  re duce  the   com pu ta ti on al   cost c om par ed t o  the  us e  of al l segm ents.       Table  1 . Gr oups o f  se gm ent co m bin at ion   Grou p  Na m e   Seg m en t Co m b in a tio n   G1   1 ,  2 ,  3 ,  4   G2   4 ,  5 ,  6 ,  7   G3   9 ,  1 0 ,  1 1 ,  1 2   G4   1 ,  5 ,  9   G5   2 ,  6 ,  1 0   G6   3 ,  7 ,  1 1   G7   4 ,  8 ,  1 2       3.   RESU LT S  AND DI SCUS S ION   Figure  1  s how s  the  cl assifi cat ion   res ult  from   LDA   and   SV M  us i ng   al l  segm ents.  78 %  and   70 %   accuracy  achie ved   us in g  LD A  an d  SV M,  r especti vely .  Ba sed  on  tho se  accuracies ,  it   s howe d  unsat isf act or y   resu lt s  f or   t he  bio m et ric  syst e m .  Hen ce,  the  analy sis  based   on   eac h  se gm e nt  was  perfor m ed.   Fig ur e  2  sh ows   the cla ssific at ion res ult t hat e m plo ye d  each  segm ent.   The  L DA   sho wed   bette r  res ults  com par ed  to  the  S VM.  It  al so   f ound  th at   the  aver a ge   accuracy  of   each  se gm ent  sh owe d  bette r  accuracy  c om par ed   to   the  acc ur acy   of  al l  se gm ents.  The   L DA  obta ine d  82. 58 %   accuracy,  al th ough  the  S VM  ob ta ine d  76.67 %  accuracy,  as   sh ow n  in  Fig ure  3.   T he  best  accuracy  wa s  f ound  at   segm ent  num ber   3  an d  nu m ber   11   with   86%  acc ur acy   us in g  L D A,   as   show n  i n  Fi gure  2.  N onet he le ss,  in   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c  En g  &  Co m p  Sci     IS S N:  25 02 - 4752       Id e ntif ic ation   of  o ptim um se gment i n  si ng le   chan nel EE G b iometric  syste m   ( Mu ham m ad Afi f Hendr aw an )   1851   the  SV M  cl ass ifie r,   the  be st  accuracy  al so   le ans  on  segm ent  num ber   3.  The  res ult  ind ic at ed  that  th e  m ai n  inf or m at ion  m i gh t  be  c oncent rated i n  se gm e nt num ber   3.   More ov e r,   t he   perform ance  of   eac h   gro up  of  seg m ent  com bin at ion s  was  inspe ct ed.   T he   cl assifi cat ion   r esult  is  sh own  in  Figure  4.  The  best  accu ra cy   was  ob ta ine d  by  gro up   G1  with  82%  accuracy .   Ba sed  on   Tabl e  1,   G 1  c on sist s  of  the  1 st ,  2 nd ,  3 rd ,   an d  4 th   se gm ents.  The  re su lt   of  G 1  m igh t  be  i nf l uen ce d  by  segm ent  nu m ber   3.  Howe ver,  the  fin ding  of  se gm ent  num ber   3  m ay   i ncr ease   the  ac cur acy   of  G 1  was  not   fo ll owin g  the  r esult  of   G 6.   T he  G 6  only   got  68 %  by  us i ng  LD A  an d  59 %  by  us in g  S VM.  Lo okin g  furthe r,  G6  c onsist s of  segm ents 3 , 7, a nd   11. As alre ad y sh own  i n Fi gure  2,  se gme nts 3  a nd  11   r esulte d  in  the  hi gh est   accuracy  us in g  LD A.   T hey  al so   resu lt ed   in  t he  fi rst  an d  se cond - best  acc uracy   us i ng  SVM .  Be sides,  se gm ent  nu m ber s  7  a nd  10  wer e  the   le ast   accurate.  It  al so   found  that  segm ent  nu m ber   10   was  the  s eco nd  le ast  accuracy  with  79% acc ur acy   by u si ng L DA.             Figure  1 .  Cl assifi cat ion   resu lt   from  all  seg m e nts     Figure  2 .  Cl assifi cat ion   resu lt   for  eac h  se gm e nt             Figure  3 .  A verage acc ur acy   from  all  seg m ents     Figure  4 .  Cl assifi cat ion   resu lt   from  each  gro up       Fu rt her m or e,  t he  ne w  gr oups  of   se gm ent  com bin at ion s  wer e  a naly zed .  Table  2  s ho ws  the  new  com bin at ion   of  segm ents.  The  ne w  gro up s  wer e  create d  based   on   the   best  segm ent  accuracy  fro m   each  sect ion .  Se gm e nt  nu m ber s  3,   5,   an d  11   wer e   the  best  segm ents  from   each  sect ion ,  res pe ct ively ,  in  the  LDA,   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   2 3 , N o.   3 ,  Se ptem ber   20 21 :  18 47   -   18 54   1852   al tho ug h  the  S VM  m ade  m or e  com bin at ions  as  there  are  segm ents  that  had   the  sam e  accuracy  in  th e  sa m e   sect ion .  T he  ne w  gro ups  al lo wed   a  te st  of   t he  hypot hesis  that  the  com bi nation  of   t he  be st  segm ents  m igh t   increase  the  ac cur acy .  T he  hig he st  accuracy   was  achie ved   by  G8   a nd  G 11  us i ng   L D A,   as  sh ow n  in  Fi gure  5.   Both  G 8  a nd   G11  co ns ist   of  segm ents  3  and   11.  H owe v er ,  the  res ult  of   G 8  a nd   G 11   didn’t  e xce ed  the   accuracy  of  se gm ents 3  and 11.  T her e f or e,  the f eat ur es t hat lea n  on se gm e nts 3  a nd 11 ma y be u se i n  th e E E G   bio m et ric syst e m  d ue  to th e  hig he st acc uracy .   The  st ud y   re ve al s  the  possibil it y  of   si ng l e - cha nnel   EE G   as   a  m od al it y  in  the  bio m et ric  syst e m ,  especial ly   in  the  resti ng   ey e  open  c onditi on.  The  pro pose d  m et ho d  wa s  m or e  s uitable   in  real  conditi ons .  This  stud y  al so  pre sents  a  se gm e ntati on   a naly sis  in  EE G  pro cessi ng   as  a  bio m et ric  m od al it y.  In   this  stud y,   segm e nt  nu m ber   3  sho wed   t he  highest  acc ur acy .  It  de m on strat es  that  th e  propose d  EE G  bio m et ric  req ui res   on ly   15   seco nds  to   disti ngui sh   on e   pe rs on  from   oth ers  with  rea sona ble  accura cy .  A dd it io nally ,  th e  sm a ll   a m ou nt  of  data u se d  i n  the  pr opos e d  m et ho d m a y ca us e l ower  co m pu ta ti on al  c os ts.       Table  2 . Ne w gro up s  of se gm ent co m bin at ion   Grou p  Na m e   Seg m en t Co m b in a tio n   G8   3 ,  5 ,  1 1   G9   3 ,  5 ,  9   G1 0   3 ,  8 ,  9   G1 1   3 ,  8 ,  1 1           Figure  5 .  Cl assifi cat ion   resu lt   of the  ne w  gro up s  of se gm ents       4.   CONCL US I O N   This  pa per   st udie d  the  possibil it y  of   sing l e - cha nnel   EE G  as  a  bio m etr ic   m od al it y.  The  pr opos e d  m et ho d  c om bi ned   t he  EO G  rej ect io n  an d  segm entat ion   par a dig m   to  pr ovide  a  fai r  pr eci sio n  a nd   reli able   bio m et ric  syste m .  The  EO G  re j ect io n  m et ho d  al lo we d  the   data  colle ct io n  pr ocedur e  t o  be  pe rfo rm ed  wh il e  the  sub j ect   w a s  resti ng  with  ey e  op e n  c ondi ti on .  It  was   cl os er   to  t he  real   co nd it io n  wh e re  the  sub j ect   wasn’t   require d  to  perform   any  oth er  act ion,  su c h  as  m oto r  i m aginar y,  visu al   i m aginar y,  or   e ven   preve nt  bl ink i ng   act ivit y.  The  segm entat ion   par a dig m   sh ows  that  the  m ai n  featur es   m igh t  le an  on   a  sp eci fic  s egm ent.   Ther e f or e,   w e  are  a ble  to  us e   a  s pecific  se gm ent  to  prov i de   a  hi gh - qu al it y  bio m et ric  syst e m .  Accurac y  of  86%  was  ob ta i ned  f ro m   15  s econds   of  recorde d  E EG .  It   took  l onge r  tha n  a  c onve ntio na l  bio m et ric  syst e m ,  su c h  as  a  fi nge rprint  syst em .  Howe ver,  it   shows  that  EE G  as  a  m od al it y  of   a  bi om et ric  s yst e m   is  pr om i sing   t o  pro vid e  a  hi gh - secu rity   syst e m   with  a  low  com pu ta ti on al   cost.   I n  the  fut ur e,  we  will   inv e sti gate  the  sam e  m et ho d  on  a  la rg e  am ou nt  of  data.  The  overlap ping  seg m ent  will   be  i nv e sti gated.   M or e over,  EE G  sign al   consi ste ncy  is  a  m ajo r  iss ue  i n  the   stu dy  of   bio m et rics.  W e   are  al s o  will   to  in vestigat e  t hi s  issue  reg a r din g  the   po s sibil it y of  t he  EE G si gnal   that m a y chan ge  as a  hum an  ge ts olde r.     Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c  En g  &  Co m p  Sci     IS S N:  25 02 - 4752       Id e ntif ic ation   of  o ptim um se gment i n  si ng le   chan nel EE G b iometric  syste m   ( Mu ham m ad Afi f Hendr aw an )   1853   REFERE NCE S   [1]   I.   Ja y ar at hne ,   M.  Cohen,   and  S.  Am ara kee rthi,  “ Surve y   of  E EG - base d  biometric  aut hen ti c at ion , ”  in  Proceedi ngs  -   2017  IEE E  8 th  I nte rnational   Co nfe renc e  on  Awa rene ss   Sci ence  a nd  Technol ogy ,   i CAST  2017 ,   vol.  2018 - Janua ,   no .   iCAS T,   2017,   p p.   324 – 329 ,   doi : 10.1109/ ICAw ST. 2017. 8256471 .   [2]   A.  S.  Raj u  and  V.  Uda y asha nka ra,   “ Biom et ri c  p erson  aut hen tication:  A  rev i ew,”  Proce ed ings  of  2 014  Inte rnationa l   Confe renc e  on   C onte mpor ary  Co mputing  and  In f orm ati cs,   IC3I   2 014 ,   no .   d ,   2014 ,   pp.   575 – 580 .   [3]   K.  Dhara vat h ,   F.   A.  Ta lukd ar,   an d  R.   H.  La skar ,   “ Study   on  biom et ri c  aut h ent i ca t i on  s y stems ,   cha l le nges  and  futur e   tre nds:  A  rev ie w , ”  2013  I EE E   In te rnational   Conf ere nce   on   Computati onal  Intelligence   and   Computing  R ese arch ,   IEE E   ICCIC  20 13 ,   2013 ,   doi :10.1109/ICCIC. 201 3. 6724278.   [4]   D.  Malt oni ,   D.  Maio,   A.  K.  Jai n,   and  S.  Prabh aka r,   " Handboo k  of  Fingerpri nt   Rec ognition, "   2nd  ed.   London :  Springer  Lo ndon ,   2009 .   [5]   D.  A.  Re y nold s  et   al. ,   “ The   2004  MIT  Li ncol n  La bor at or y   spea ker   re co gnit ion  s y st em,”   ICASSP ,   IE E E   Inte rnational   Co nfe renc e  on  A co ustic s,  Spe ec h  a nd  Signal   Proc e ss ing  -   Proce ed i ngs ,   vol.   I ,   200 5 ,   pp.   177 – 180 ,   doi:   10 . 1109/IC AS S P.2005. 1415079 .   [6]   J .   D a u g m a n ,   “ H o w   I r i s   R e c o g n i t i o n   W o r k s , ”   T h e   E s s e n t i a l   G u i d e   t o   I m a g e   P r o c e s s i n g ,   v o l .   1 4 ,   n o .   1 ,   p p .   7 1 5 – 7 3 9 ,   2 0 0 9 .   [7]   T.   Matsum oto,   H.  Matsum oto,   K.  Yam ada ,   and   S.  Hos hino,   “ Im pac t  of  artifici al   " gum m y "  fin ger s  on  finge rpr int  s y stems , ”  Proceedi ngs  of  SPIE   -   The  Inte rnational   Soci ety  for  Optic al  Eng ineeri ng ,   vol.   4677,   n o.   1,   pp.   275 – 289,   2002 ,   doi :  10 . 11 17/12. 462719.   [8]   K.  A.  Nixon ,   V .   Aim al e, a nd  R .   K.  Rowe,   “ Spoof Det e ct ion   Sche m es, ”  in   Handbook  of   Bi om et rics ,   2007.   [9]   R.   B.   Nava rro ,   L.   B .   Vá zque z ,   and  E .   L .   Gui llén,   “ EOG - base d   whee l cha ir   con trol , ”  in   Smar t  Whe elchairs  an d  Brain - compute r  Inte rfac es:  Mobi le   Assistiv e   Tech nologi es ,   2018.   [10]   C.   Rahmad,   R.   Ari y an to,   and  D .   R.   Yuniant o ,   “ Brai n  signal   cla ss ifi ca ti on  using   Ge net ic   Algori t hm   for  right - le ft  m oti on  pat t ern , ”   Inte rnational   J ournal  of  Adv a nce d  Computer  Sci en ce   and  Ap pli cations ,  vol .   9,   no.   11 ,   2018 ,    doi:   10 . 14569/IJ ACS A.2018. 091134.   [11]   S.  Y.  Gordle eva  et   a l. ,   “ Real - Tim e  EE G - EMG  hum an - m ac hine  int er face - base d   cont ro l  s y st em  for  a  lower - li m b  exoske leton, ”   IE EE   Ac c ess ,   vo l.  8,   pp .   84070 – 84 081,   2020 ,   doi :  1 0. 1109/ACCESS . 2020. 2991812 .   [12]   I.   Odinak a,  P.  H.  Lai,   A.  D .   Kapla n,   J.  A .   O ’Sulli van ,   E .   J .   Sireva ag ,   and  J.   W .   Rohrbaugh ,   “ ECG  biometric   rec ogni ti on:  A  c om par at i ve  an aly sis, ”  IEE E  Tr ansacti ons  on  Information  Forensic s  and  Sec urit y ,  vol.   7 ,   no.   6,     pp.   1812 - 1824 ,   2012 ,   doi :  10 . 11 09/T IFS . 2012. 2 215324.   [13]   S.  Marc el   and  J.   del   R.   Mill an,   “ Person  aut hent i c at ion  using  bra i nwave s  (EE G)  a nd  m axi m um  a  posteri ori  m odel   ad aptati on , ”  IE E E  Tr ansacti ons  on  Pat te rn  Analysis  and  Mac hine   Inte l li gen ce ,   v ol.   29,   no.   4 ,   pp.   743 – 748,   2007 ,  doi:   10 . 1109/T P AM I. 2007. 1012.   [14]   M .   D e l   P o z o - B a n o s ,   J .   B .   A l o n s o ,   J .   R .   T i c a y - R i v a s ,   a n d   C .   M .   T r a v i e s o ,   “ E l e c t r o e n c e p h a l o g r a m   s u b j e c t   i d e n t i f i c a t i o n :   A   r e v i e w , ”   E x p e r t   S y s t e m s   w i t h   A p p l i c a t i o n s ,   v o l .   4 1 ,   n o .   1 5 ,   p p .   6 5 3 7 – 6 5 5 4 ,   2 0 1 4 ,   d o i :   1 0 . 1 0 1 6 / j . e s w a . 2 0 1 4 . 0 5 . 0 1 3 .   [15]   R.   Suppiah  and  A.  P .   Vinod,   “ Biom et ric   ide n ti f icati on  using  singl e  cha nn el   EE G  during  rel ax ed  r esti ng  state, ”  IE T   Bi ometri cs ,  vol .   7,   no .   4 ,   pp .   342 – 348,   2018 .   [16]   R .   B .   P a r a n j a p e ,   J .   M a h o v s k y ,   L .   B e n e d i c e n t i ,   a n d   Z .   K o l e s ,   “ T h e   e l e c t r o e n c e p h a l o g r a m   a s   a   b i o m e t r i c , ”   C A N A D I A N   C o n f e r e n c e   o n   E l e c t r i c a l   a n d   C o m p u t e r   E n g i n e e r i n g ,   v o l .   2 ,   p p .   1 3 6 3 – 1 3 6 6 ,   2 0 0 1 ,   d o i :   1 0 . 1 1 0 9 / C C E C E . 2 0 0 1 . 9 3 3 6 4 9 .   [17]   R .   P a l a n i a p p a n   a n d   D .   P .   M a n d i c ,   “ B i o m e t r i c s   f r o m   b r a i n   e l e c t r i c a l   a c t i v i t y :   A   m a c h i n e   l e a r n i n g   a p p r o a c h , ”   I E E E   T r a n s a c t i o n s   o n   P a t t e r n   A n a l y s i s   a n d   M a c h i n e   I n t e l l i g e n c e ,   v o l .   2 9 ,   n o .   4 ,   p p .   7 3 8 – 7 4 2 ,   2 0 0 7 ,    d o i :   1 0 . 1 1 0 9 / T P A M I . 2 0 0 7 . 1 0 1 3 .   [18]   G.   Schal k,   D .   J.   Mcfa rla nd ,   T .   Hinte rbe rg er,   N.   Birba um er,   and   J.  R.   W olpa w,  “ BCI2000 :  A  Gene ral - Purpos e   Brai n - Com pute r   Inte rfa c e  (BCI )  Sy st em,”   IEEE  Tr ansacti ons  on  Bi omedic al   Engi nee ring ,   vol.   51,   no.   6 ,     pp.   1034 – 1043 ,   2004 ,   doi :  10 . 11 09/T BME.2004 . 827072.   [19]   D.  La   Rocca  e t  al. ,   “ Hum an  bra in  disti n ct iv e ness  base d  on  EE G  spec tr al   c oher ence  connect ivit y , ”  IEEE   Tr ansacti ons on Biomedical Engineering ,   vol .   61 ,   no.   9,   pp.   2406 – 2412,   2014 ,   doi : 10.1109/ TBME . 2014. 2317881.   [20]   M.  Fraschi ni ,   A.   Hill ebr and,   M .   Dem uru,   L.   Did ac i ,   and  G .   L .   Marc ialis,  “ An  EE G - base d  bio m et ric   s y s te m   u sing  ei genv ec tor  ce nt ral ity   in  r esti ng  state  bra in  net wor ks,”   IEE E  Signa l  Proce ss ing  Letters ,   vol.   22,   no.   6,   pp.   666 – 670 ,   2015 ,   doi :  10 . 11 09/L SP . 2014. 23 67091.   [2 1]   K.  P.  Thomas  and  A.  P.  Vinod,   “ Biom et ric   ide n t ifi c at ion  of  p ersons  using  sam pl e  ent rop y   f ea tu r es  of  EE G  durin g  rest  stat e , ”  201 6  IEE E  Inte rnat ional   Confe ren c e  on  Syste ms ,   Man,   and  Cyber net ic s,  SMC  2 016  -   Confe renc e   Proce ed ings ,   20 17 ,   pp .   3487 – 34 92,   doi :   10 . 1109 /SM C. 2016. 784 4773.   [22]   J.  H.  Kang,  Y.   C.   Jo,  and  S.   P.  Kim ,   “ El e c troe nc epha logr a phic   f ea tur e  ev al ua ti on  for   improving  per sona l   aut hen ti c at ion   p erf orm anc e , ”   Ne urocomputing ,   v ol.   287 ,   pp .   93 – 1 01,   2018 ,   doi :  10 . 1016/j.ne u com.2018. 01. 074 .   [23]   M.  Abo - Za hhad ,   S.  M.  Ah m ed,   and  S.  N.  Abb as,   “ A  novel   bi om et ric   appr oa c h  for  hum an  id ent ifica ti on  and   ver ifica t ion  usin g  e y e   bli nk ing  signal , ”  I EE E   S ignal   Pro ce ss in g  Letters ,   vol .   22,   no.   7,   pp.   876 – 880,   2015 ,    doi:   10 . 1109/L S P.2014. 2374338.   [24]   M.  Zey n al i  and   H .   Se y eda r abi,  “ EE G - base d  s ingl e - cha nne l  a uthe ntica ti on  s ystems   with  optim um   el ec trode  pla c ement  for   diffe ren t  m en ta l  a ct iv it i es, ”   Bi omedic a l  J ournal ,   vol.   4 2,   no.   4,   pp.   261 – 267,   2019 ,    doi:   10 . 1016/j.bj . 2019. 03 . 005.   [25]   P.  D.  W el ch,   “ T he  Us e  of  Fast  Four ie r  Tr ansform   for  the   Esti m at ion  of  Pow er  Spect ra :  A  Meth od  Based  on  Tim e  Avera ging  Ove r  Short,   Modifi ed  Periodogra m s,”   IEE E   Tr ansacti o ns  on  Audi o   and   Elec troacoust ics ,   vol.  15,   no.   2,   pp.   70 – 73 ,   1967 ,   doi: 10. 1109 /TA U.1967. 1161901.         Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   2 3 , N o.   3 ,  Se ptem ber   20 21 :  18 47   -   18 54   1854   BIOGR AP HI ES OF  A UTH ORS       Muhammad   Afif  H endra w an   rec e ive d   bac h elor  degr e e  from   Depa rtment   of   Inform at ion  S y stems ,   Instit ut   Te knologi   Sepu lurh  Nopem ber   in  2015  and  m aste r  degr e e  from   Depa rtment   of  El e ct ri cal  Eng ine er ing,   Insti tut  Te knolog i  Sepu luh  Nopem ber   in   2017.   His  cur re nl y   working   as  assistant   prof e ss or  at   Polit ek nik  Nege ri  Mal ang.   His  rese ar ch  int er est  is  in   the   area  of  art if ic i al i nt el l ig enc e ,   edge c om puti ng,   signal pro ce ss ing,   and  br ain - computer   in te r fac e .         Pr amana  Yoga  Sap utra   rec ei ved  b ac he lor   degr ee   from   Depa rtment  o f  Inform at ic s   Engi ne eri ng,   In stit ut  Te kno logi  Sepuluh  Nop ember  in  2 010   and  m aster  d egr ee  from  Depa rtment  of  T ec hnolog y   Mana gement,   Instititu t  Te knologi   Sep uluh  Nopem ber   in  2014.   His   rese arc h  in te r est  is  hu m an - computer   int er action,  art ifi c ial  int elli genc e ,   and  nat u ral   la ngu age  pr oce ss ing.         Cah y a  Rah mad   rec e ive d  BS   de gre e  from   Brawi jay a  Univ eri sit y   in  1998  and  MS   degr ee   from   Depa rtment  of   I nform at ic s  Eng i nee ring ,   Insti tut  Te kno logi   Sep uluh  Nopem ber   in  2005 .   He  rec e ive d  a  doc to ral   deg ree  from   Saga  Univer sit y ,   Japa n,   in  2013 .   He   is  a  le c ture r   i n  Polit ekn ik  Nege ri  Mal ang.   His  rese arc h  intere st  ar e  image  proc essing,   da ta  m ini ng,   pat t ern   rec ognition,   art if ic i al i nt el l ig enc e ,   and  br ai n - computer   in te rf a ce .       Evaluation Warning : The document was created with Spire.PDF for Python.