EEG sebagai Sinyal Murah namun Kompleks
Untuk diagnosis dini penyakit Alzheimer diperlukan metode yang terjangkau. EEG tampak ideal: peralatannya portabel dan tidak mahal. Namun rekaman EEG memiliki karakteristik: berisik, sangat bervariasi antar individu, dan data klinis yang berlabel jumlahnya sedikit. Karena itu, jaringan saraf biasa yang dilatih secara langsung sering mengalami overfitting dan bekerja buruk pada pasien baru.
Dalam kondisi seperti ini, analisis self-supervised learning menjanjikan, misalnya Delta2Gamma.
Self-Supervised Learning sebagai Pengganti Pelabelan Manual
Peneliti Chanwu Park dan Chanwoo Kim mengusulkan kerangka kerja Delta2Gamma yang tidak memerlukan kumpulan data berlabel besar. Idenya adalah belajar dari sinyal itu sendiri, dengan membuat versi augmentasi dari sinyal tersebut dan membandingkannya satu sama lain — pendekatan ini disebut contrastive learning.
Pertama, setiap rekaman diuraikan menjadi lima ritme saraf klasik: delta, theta, alfa, beta, dan gamma. Untuk setiap ritme digunakan encoder terpisah dan projection head sendiri, karena statistik setiap rentang frekuensi berbeda. Agar kontribusinya seimbang dalam pelatihan, untuk setiap rentang frekuensi disesuaikan temperatur secara adaptif — parameter yang mengontrol sensitivitas fungsi loss kontrastif.
Hasil
Karya ini diterima di 2026 IEEE Biomedical Circuits and Systems Conference (BioCAS). Pada kohort ADFTD, efektivitas Delta2Gamma diuji dengan protokol ketat leave-one-subject-out: model dilatih pada semua peserta kecuali satu, lalu diuji pada subjek yang dikecualikan. Ini paling mendekati penggunaan nyata. Pada pengujian tersebut, model berhasil membedakan pasien Alzheimer dan individu dengan kognisi normal dengan akurasi 92,4%.
Hasil ini melampaui jaringan saraf supervised konvensional maupun metode analisis EEG khusus yang baru-baru ini dikembangkan khusus untuk tugas ini.
Kesimpulan
Delta2Gamma menunjukkan bahwa analisis EEG self-supervised mampu memberikan akurasi tinggi tanpa basis data berlabel yang besar. Kemampuan bekerja dengan data mentah yang tidak berlabel membuat pendekatan ini skalabel — dapat diterapkan untuk skrining demensia massal, yang terpenting adalah biaya rendah dan kesederhanaan. Ini bukan pengganti diagnosis menyeluruh, melainkan alat yang menjanjikan untuk seleksi awal.
