Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengukuran laju pernapasan bayi secara non-kontak menawarkan alternatif inovatif dibandingkan dengan metode konvensional berbasis kontak yang sering kali menyebabkan ketidaknyamanan. Penelitian ini bertujuan untuk mengembangkan metode otomatis yang dapat mendeteksi Region of Interest (ROI) pada tubuh bayi dan menghitung laju pernapasan menggunakan analisis optical flow. Pendekatan ini dirancang untuk mendukung pemantauan bayi dengan penyakit jantung bawaan, yang memerlukan pemantauan rutin terhadap laju pernapasan sebagai indikator kondisi kesehatan mereka. Sistem yang diusulkan memanfaatkan model MediaPipe Pose untuk mendeteksi ROI secara otomatis. Pergerakan dalam ROI dianalisis menggunakan optical flow yang dikombinasikan dengan beberapa filter yaitu Hampel Filter, Moving Average Filter, dan Bandpass Filter. Laju pernapasan diestimasi melalui deteksi puncak dengan parameter tanpa jarak, 1 detik, 1,5 detik, dan 2 detik, serta analisis Fast Fourier Transform (FFT). Pengujian dilakukan pada dataset video AIR-125 yang mencakup berbagai kondisi pencahayaan, pose bayi, resolusi dan frame rate. Hasil pengujian menunjukkan bahwa pendekatan ini mampu mendeteksi ROI pada area torso tubuh bayi serta mengestimasi laju pernapasan dengan kesalahan Mean Absolute Error (MAE) sebesar 3,26 BPM, Root Mean Square Error (RMSE) sebesar 4,87 BPM, dan Limits of Agreement antara -10 BPM hingga 8,97 BPM untuk deteksi puncak dengan parameter jarak 1,5 detik. Untuk estimasi berbasis FFT, MAE tercatat sebesar 4,54 BPM, RMSE sebesar 6,60 BPM, dan Limits of Agreement antara -12,84 BPM hingga 12,95 BPM. Sistem ini menawarkan solusi non-kontak yang fleksibel, mudah diadaptasi, dan relevan untuk pemantauan bayi di rumah sakit maupun dalam pengaturan rawat jalan di rumah, khususnya bagi bayi dengan penyakit jantung bawaan yang memerlukan pengawasan intensif.

---

Measuring the respiratory rate of infants non-contact offers an innovative alternative compared to conventional contact-based methods, which often cause discomfort. This research aims to develop an automatic method that can detect the Region of Interest (ROI) on the infant's body and calculate the respiratory rate using optical flow analysis. This approach is designed to support the monitoring of infants with congenital heart disease, who require routine monitoring of their respiratory rate as an indicator of their health condition. The proposed system utilizes the MediaPipe Pose model to automatically detect the ROI. Movement within the ROI is analyzed using optical flow combined with several filters, namely the Hampel Filter, Moving Average Filter, and Bandpass Filter. The respiratory rate is estimated through peak detection with distance parameters of none, 1 second, 1.5 seconds, and 2 seconds, as well as Fast Fourier Transform (FFT) analysis. Testing was conducted on the AIR-125 video dataset, which includes various lighting conditions, infant poses, resolutions, and frame rates. The test results show that this approach is capable of detecting the ROI in the torso area of the infant and estimating the respiratory rate with a Mean Absolute Error (MAE) of 3.26 BPM, Root Mean Square Error (RMSE) of 4.87 BPM, and the Limits of Agreement were -10 to 8.97 BPM for peak detection with a distance parameter of 1.5 seconds. For FFT-based estimation, the MAE recorded was 4.54 BPM, RMSE was 6.60 BPM, and the Limits of Agreement were -12.84 to 12.95 BPM. This system offers a flexible, easily adaptable, and relevant non-contact solution for monitoring infants in hospitals as well as in outpatient settings at home, particularly for infants with congenital heart disease who require intensive supervision."

"Intensitas keabuan yang sangat dekat memungkinkan terjadinya kesalahan dalam menginterpretasikan citra hasil Computed Radiography (CR). Maka diperlukan algoritma yang dapat mempermudah tim medis mendiagnosa kondisi pasien khususnya bagian paru. Penelitian ini menggunakan tingkat keabuan /intensitas citra sebagai dasar clustering dan segmentasi Region of Interest (ROI ) yang akan dilakukan dengan sistem komputerisasi. Sehingga hasil pembacaan lebih akurat dibanding secara manual. Data sampel berupa 100 citra hasil CR pasien paru dewasa Rumah Sakit Pusat Pertamina yaitu 50 citra norma sebagai citra acuan dan 50 citra uji (normal dan abnormal). Pada clustering diuji coba dengan jumlah cluster (k) bervariasi yaitu 3, 4, .., 10. Citra hasil clustering yang terbaik ditunjukkan pada k = 8 karena dapat memvisualisasikan batas warna dengan lebih jelas dibanding dengan k yang lain. Pada segmentasi ROI, citra paru dibagi menjadi 33 daerah sesuai posisi anatomi paru yang terdiri dari 6 daerah apex, 11 daerah hilum dan 16 daerah peripheral. Selanjutnya, masing-masing daerah pembagian diukur intensitasnya. Intensitas citra acuan dijadikan dasar untuk menentukan abnormalitas citra uji, intensitas citra uji yang lebih tinggi dari intensitas citra normal dikategorikan sebagai citra abnormal. Akurasi sistem pada penelitian ini adalah 66%.

---

Gray intensity is very close to allow for errors in interpreting the Computed Radiography (CR) image. It would require an algorithm that can facilitate medical team to diagnose the patient's condition especially the lungs. Clustering k-means clustering and segmentation Region of Interest (ROI) will be done by a computerized system based on the image gray level / intensity. 100 CR image used as the sample data from Rumah Sakit Pusat Pertamina, 50 image as references images and 50 images as tested image. On clustering tested by the number of clusters (k) varies the 3, 4, .., 10. The clustering of the best image results are shown in k = 8 because it can visualize the color boundaries more clearly than the other k. At ROI segmentation, lung image is divided into 33 regions corresponding anatomical position lung consist of 6 regional apex, hilum area 11 and 16 peripheral areas. Furthermore, each regional division of the measured intensity. The intensity of the reference image used as the basis for determining abnormality test images, test image intensity higher than normal image intensity categorized as abnormal image. The system accuracy in this study was 66%."