Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAK

Pada saat ini metode pengukuran tekanan darah secara non-invasive paling banyak digunakan baik didalam maupun diluar fasilitas kesehatan. Namun metode tersebut masih membuat pengguna tidak nyaman karena adanya tekanan manset pada saat pengukurannya. Beberapa metode non-invasive tanpa manset telah dikembangkan salah satunya adalah metode pulse wave analysis (PWA). Photoplethysmograpy (PPG) merupakan satu-satunya masukan dan dasar bagi perhitungan pengukuran tekanan darah pada metode PWA. Tantangan utama dalam menggunakan metode PWA berbasis PPG adalah akurasinya sangat dipengaruhi oleh noise. Selain itu, karakteristik PPG bervariasi tergantung pada kondisi fisiologis, karenanya sistem harus melakukan kalibrasi untuk menyesuaikan perubahan tersebut. Kami berupaya mengatasi keterbatasan tersebut dan mengusulkan pengembangan metode pulse wave analysis untuk klasifikasi tekanan darah secara non-invasive berbasis PPG menggunakan kombinasi algoritma Bidirectional Long Term Memory (BSLTM) dengan Time Frequency Analysis (TFA). Kami menggunakan 121 subyek untuk pengujian model yang bersumber dari figshare database dan mengklasifikasikannya ke dalam tiga tingkatan klasifikasi: normotension (NT), prehypertension (PHT), hypertension (HT) sesuai dengan standar klinis Join National Commitee. Pelatihan jaringan BLSTM menggunakan fitur TFA, secara signifikan meningkatkan efisiensi dengan mengurangi waktu pelatihan sekaligus meningkatkan akurasi klasifikasi. Metode yang diusulkan berhasil mengklasifikasikan tekanan darah dengan rata-rata nilai accuracy pada NT, PHT, dan HT masing-masing 92.43%, 94.83%, dan 94.01%. 

---

ABSTRACT

---

The blood pressure measurement non-invasive methods that are presently implemented using a cuff cause discomfort, particularly for injured people, overweight people, and infants. Several non-invasive cuff-less methods have been developed, one of which is the pulse wave analysis (PWA) method. Photoplethysography (PPG) is the only input and basis for the calculation of blood pressure measurements in the PWA method.The main challenge in using the PPG method is that its accuracy is greatly influenced by motion artifacts. In addition, the characteristics of PPG vary depending on physiological conditions; hence, the system must be calibrated to adjust for such changes. We attempt to address these limitations and propose a novel method for the classification of BP using a bidirectional long short-term memory (BLSTM) network with time-frequency analysis (TFA) based on PPG signals. We used 121 subjects from the figshare database for model testing and classify into three classification levels: normotension (NT), prehypertension (PHT), and hypertension (HT) according to the Join National Committee. BLSTM network training uses the TFA feature, significantly increasing efficiency by reducing training time while increasing classification accuracy. The proposed method is successful in the classification of BP with accuracy values of NT, PHT, and HT; 92.43%, 94.83%, and 94.01% respectively. 

"

"Terkait klasifikasi detak elektrokardiogram (EKG), telah dikembangkan banyak algoritma, baik yang terkait dengan biomedik, maupun biometrik. Karena sifat non-stasioner dari sinyal EKG, agak sulit untuk menggunakan metode tradisional yang dioptimasi secara manual, misalnya ekstraksi fitur dan klasifikasi yang berbasis waktu. Hal ini membuka peluang untuk implementasi mesin cerdas. Penelitian ini menyajikan metode baru, yaitu Residual Depthwise Separable Convolutional Neural Network (RDS-CNN) untuk klasifikasi detak elektrokardiogram, baik yang terkait dengan biomedik, maupun biometrik. Dengan menggunakan metode ini, hanya diperlukan dua tahap proses saja, yaitu deteksi detak dan klasifikasi. Pemrosesan awal dilakukan bersamaan dengan deteksi detak, sedangkan ekstraksi fitur dilakukan sekaligus dengan klasifikasi. Selain itu, untuk meminimalkan beban komputasi dan tetap menjaga kualitas klasifikasi, beberapa teknik telah diterapkan, antara lain Residual Network, All Convolutional Network (ACN), Depthwise Separable Convolution (DSC), dan Batch Normalization (BN). Kinerja RDS-CNN ini telah dievaluasi menggunakan database aritmia Massachusetts Institute of Technology - Beth Israel Hospital (MIT-BIH) dan database ECG-ID. Untuk implementasi biomedik, dalam fase pelatihan model Depthwise Separable CNN ini, digunakan sekitar 22% dari 110.057 detak yang diekstraksi dari 48 file dalam database MIT-BIH. Dengan hanya menggunakan 22% data latih ini, algoritma yang kami usulkan dapat mengklasifikasi 78% detak lainnya menjadi 16 kelas. Adapun, sensitifitas, spesifisitas, prediksi positif dan akurasi masing-masing adalah 99,03%, 99,94%, 99,03%, dan 99,88%. Hasil klasifikasi biomedik ini menunjukkan bahwa metode yang disajikan ini mengungguli metode terdepan lainnya. Sedangkan untuk implementasi biometrik, model RDS-CNN telah terbukti dapat digunakan untuk otentifikasi identitas EKG (ID) 90 orang sehat dan 48 pasien dengan akurasi hingga 100%, melalui klasifikasi 8 detak otentifikasi untuk ID 90 orang sehat, dan 6 detak otentifikasi untuk ID 48 pasien. Hasil otentifikasi biometrik ini juga mengungguli metode terdepan lainnya yang menggunakan database yang sama.

---

Regarding the classification of electrocardiogram (ECG) beats, many algorithms have been developed, both related to biomedical, and biometrics. Due to the non-stationary nature of ECG signals, it is complicated to use traditional methods that are manually optimized, for example, time-based feature extraction and classification. This computation problem opens up opportunities for machine learning implementation.

This research proposes a new method, namely Residual Depthwise Separable Convolutional Neural Network (RDS-CNN) for the classification of ECG beats, both related to biomedical, and biometrics. By using this method, only two stages of the process are needed, namely beat detection and classification. Preprocessing is done simultaneously within beat detection, while feature extraction is done simultaneously within the classification stage. Also, to minimize computational cost and to maintain classification quality, several techniques have been applied, including Residual Networks, All Convolutional Networks (ACN), Depthwise Separable Convolution (DSC), and Batch Normalization (BN). The performance of the RDS-CNN has been evaluated using the Massachusetts Institute of Technology - Beth Israel Hospital (MIT-BIH) arrhythmia database and the ECG-ID database.

For biomedical implementation, 110,057 beats were extracted from 48 files in the MIT-BIH database. And approximately 22% of them used for latih the Depthwise Separable CNN model. With only 22% of this latih data, our algorithm can classify 78% of the rest ECG beats into 16 classes. Meanwhile, sensitivity, specificity, positive prediction, and accuracy are 99.03%, 99.94%, 99.03%, and 99.88%, respectively. The results of this biomedical classification show that this proposed method outperforms the other state-of-the-art methods.

As for the biometric implementation, the RDS-CNN model has been proven to be able to authenticate ECG ID of 90 healthy people and 48 patients with up to 100% accuracy, through the classification of eight authentication beats for ID 90 healthy people, and six authentication beats for ID 48 patient. The results of this biometric authentication also outperform other state-of-the-art methods that use the same database."

"Kehadiran teknologi 5G memberikan harapan kualitas pengalaman atau Quality of Experience (QoE) yang jauh lebih baik dalam memanfaatkan layanan video streaming. Namun, selain kualitas, ada banyak faktor lain yang diyakini memberikan nilai dan memengaruhi pengalaman pengguna layanan video streaming di era 5G. Penelitian ini bertujuan untuk mengembangkan model pengukuran sekaligus mendapatkan faktor-faktor apa saja yang akan mempengaruhi QoE pada 5G dengan menggunakan kerangka kerja konseptual yang melibatkan ukuran penilaian korelasi pengaruh teknologi 4G terhadap 5G. Pengembangan model ini dilakukan melalui pengukuran User Experience (UX) dan Quality of Service (QoS) sebagai unsur pembentuk QoE. Hal ini pun dilakukan mengingat perlu standar khusus untuk mengukur QoE secara detil terutama pada sisi UX. Kerangka konseptual dikembangkan menggunakan pendekatan Structural Equation Modeling (SEM), berdasarkan data UX dan QoS di Jakarta secara realita di tahun 2022. Dari hasil pengukuran UX diperoleh bahwa pada kondisi realita di Jakarta memiliki nilai korelasi sebesar 0.59. Hal ini berarti pengaruh teknologi 4G terhadap 5G pada pengalaman pengguna layanan video streaming di Jakarta masih signifikan. Sementara dari pengukuran QoS diketahui bahwa terdapat nilai korelasi sebesar 0.27. Hal ini berarti pengaruh teknologi 4G terhadap 5G secara teknis di Jakarta tidak signifikan Hasil akhir nilai QoE dengan format UX dan QoS ini pun dapat dipetakan untuk melihat posisi dan potensi dari pengukuran QoE ini. Lebih lanjut lagi pada faktor-faktor pembentuk UX, dilakukan analisis dengan Exploratory Factor Analysis (EFA). Dari hasil analisis dengan EFA untuk area Jakarta diperoleh bahwa hal terkait kemudahan atau perspicuity dan aspek ekonomi menjadi faktor-faktor dominan. EFA juga mengelompokkan kesepuluh faktor ke dalam tiga dimensi di mana dimensi teknologi merupakan dimensi yang dominan dan memiliki prioritas dalam pengembangan teknologi 5G di Jakarta.

---

The presence of 5G technology provides hope for a much better Quality of Experience (QoE) in utilizing streaming video services. However, apart from quality, many other factors are believed to provide value and influence the user experience of streaming video services in the 5G era. This study aims to develop a measurement model as well as obtain what factors will affect QoE on 5G by using a conceptual framework that involves measuring the correlation of the influence of 4G technology on 5G. The development of this model is carried out by measuring User Experience (UX) and Quality of Service (QoS) as elements that form QoE. This was also done considering the need for particular standards to measure QoE in detail, especially on the UX side. The conceptual framework was developed using the Structural Equation Model (SEM) approach based on actual UX and QoS data in Jakarta in 2022. The UX measurement results found that in real conditions in Jakarta, it has a correlation value of 0.59. This means that the influence of 4G technology on 5G on the user experience of streaming video services in Jakarta is still significant. Meanwhile, from QoS measurements, it is known that there is a correlation value of 0.27. This means that the influence of 4G technology on 5G technically in Jakarta is not significant. The final results of QoE values with UX and QoS formats can also be mapped to see the position and potential of this QoE measurement. Furthermore, on the factors that make up UX, analysis is carried out with Exploratory Factor Analysis (EFA). The analysis with EFA for the Jakarta area found that matters related to ease or perspicuity and economic aspects were the dominant factors. EFA also groups the ten factors of UX into three dimensions, where the technology dimension is the dominant dimension and prioritises developing 5G technology in Jakarta."

"Photoplethysmography (PPG) merupakan sinyal penting yang mengandung banyak informasi fisiologis tentang kesehatan jantung dan dapat digunakan untuk mengklasifikasikan kadar glukosa darah non-invasif (BGL). Meskipun demikian, distorsi kebisingan dan gerakan dapat dengan mudah mengkontaminasi sinyal PPG, sehingga berpotensi menghasilkan data berkualitas rendah. Masalah tambahan muncul dari fakta bahwa sifat gelombang PPG bervariasi karena variasi elastisitas dinding pembuluh darah dan kekentalan darah, yang dapat mengakibatkan ketidakakuratan pengukuran. Meskipun beberapa metode tersedia untuk meningkatkan kualitas sinyal PPG, algoritmanya rumit dan tidak selalu menghasilkan akurasi yang tinggi. Kami telah mengembangkan teknik ekstraksi fitur menggunakan analisis frekuensi waktu (TFA) yang menyediakan spektogram, frekuensi sesaat, dan entropi spektral yang dapat menjamin kualitas sinyal. Penelitian kami menggunakan memori jangka pendek jangka panjang dua arah (BLSTM) berdasarkan kebutuhan akan model yang secara berkala dapat beradaptasi dengan perubahan karakteristik PPG. Kami mengusulkan menggabungkan TFA dengan model BLSTM yang dapat mengurangi waktu pelatihan sekaligus meningkatkan akurasi. Metode yang kami usulkan mengurangi titik data pada sinyal PPG dari awal 2100 menjadi hanya 64, secara signifikan mengurangi waktu pelatihan dari 239 menit 34 detik menjadi 4 menit 4 detik. Model memiliki akurasi 94,1%, sensitivitas 100%, spesifisitas 89,5%, dan skor F1 94,5%. Metode yang kami usulkan mencapai akurasi tinggi dan janji luar biasa dengan hanya mengandalkan data PPG mentah dalam klasifikasi BGL.

---

Photoplethysmography (PPG) is an important signal that contains much physiological information about cardiovascular health and can be used to classify non-invasive blood glucose levels (BGL). Nonetheless, noise and motion distortions can readily contaminate PPG signals, potentially resulting in low-quality data. An additional issue arises from the fact that the PPG wave properties vary due to variations in the elasticity of the blood vessel wall and blood viscosity, which can result in measurement inaccuracies. While several methods are available to improve the quality of PPG signals, the algorithms are complex and do not always produce high accuracy. We have developed a feature extraction technique using time-frequency analysis (TFA) that provides spectrograms, instantaneous frequencies, and spectral entropies that can guarantee signal quality. Our study uses bidirectional long-short-term memory (BLSTM) based on the need for a model that can periodically adapt to changes in PPG characteristics. We propose combining TFA with a BLSTM model that can reduce training time while increasing accuracy. Our proposed method reduced the data points on the PPG signal from the initial 2100 to only 64, significantly reducing the training time from 239 min 34 sec to 4 min 4 sec. The model had an accuracy of 94.1%, sensitivity of 100%, specificity of 89.5%, and F1 score of 94.5%. Our proposed method achieves a high accuracy and excellent promise by relying solely on raw PPG data in BGL classification."