Hasil Pencarian  ::  Simpan CSV :: Kembali

"penelitian ini diusulkan implementasi 2D dan 3D Set Partitioning In Hierarchical Trees (SPIHT) coding pada kompresi data ECG multi-lead. Implementasi SPIHT mereduksi tiga jenis redundansi yang umumnya terdapat pada sinyal electrocardiogram (ECG), yaitu redundansi intra-beat, inter-beat, dan inter-lead. Kami juga mengusulkan tiga teknik optimisasi untuk meningkatkan kinerja kompresi lebih lanjut dengan mengelompokkan sinyal ECG yang berasal dari beberapa lead, menyusun kembali posisi ECG cycle pada 2D ECG array (beat reordering), dan menormalisasikan amplitudo dari 2D ECG array dengan residual calculation. Beat reordering menyusun posisi beat pada 2D ECG array berdasarkan kemiripannya dengan beat terdekat. Penyusunan ini mengurangi variasi antar beat-beat yang berdekatan sehingga 2D ECG array mengandung lebih sedikit komponen frekuensi tinggi. Residual calculation mengoptimalkan penggunaan ruang penyimpanan lebih lanjut dengan meminimalkan variasi amplitudo dari 2D ECG array. Hasil eksperimen terhadap sejumlah record pada St Petersburg INCART 12-lead Arrhythmia Database menunjukkan bahwa metode yang diusulkan menghasilkan distorsi rendah pada rasio kompresi 8 dan 16. Hasil eksperimen juga memperlihatkan bahwa pendekatan 3D SPIHT memiliki kinerja kompresi yang lebih baik dibanding 2D SPIHT. Untuk mengevaluasi kualitas sinyal hasil rekonstruksi pada permasalahan klasifikasi, pada penelitian ini kinerja dari metode kompresi sinyal ECG dianalisis dengan cara membandingkan sinyal asli dengan sinyal hasil rekonstruksi pada dua permasalahan; pertama, klasifikasi sleep stage berdasarkan sinyal ECG; kedua, klasifikasi arrhythmia. Hasil eksperimen menunjukkan bahwa akurasi dari klasifikasi sleep stage dan klasifikasi arrhythmia menggunakan sinyal hasil rekonstruksi sebanding dengan menggunakan sinyal input. Metode yang diusulkan dapat mempertahankan karakteristik sinyal pada kedua permasalahan klasifikasi tersebut.

---

In this study we proposed the implementation of 2D and 3D Set Partitioning In Hierarchical Trees (SPIHT) coding to a multi-lead ECG signal compression. The implementation of SPIHT coding decorrelates three types of redundancy that typically found on a multi-lead electrocardiogram (ECG) signal i.e. intra-beat, inter-beat, and inter-lead redundancies. We also proposed three optimization techniques to improve the compression performance further by grouping the ECG signal from precordial and limb leads, reordering the ECG cycles position in the 2D ECG array, and normalizing the amplitude of 2D ECG array by residual calculation. Beat reordering rearranged beat order in 2D ECG array based on the similarity between adjacent beats. This rearrangement reduces variances between adjacent beats so that the 2D ECG array contains less high frequency component. The residual calculation optimizes required storage usage further by minimizing amplitude variance of 2D ECG array.

Our experiments on selected records from St Petersburg INCART 12-lead Arrhythmia Database show that proposed method gives relatively low distortion at compression rate 8 and 16. The experimental results shows that 3D SPIHT approach gives better compression performance than 2D SPIHT. To evaluate the quality of reconstructed signal for classification task, we analyzed the performance of electrocardiogram (ECG) signal compression by comparing original and reconstructed signal on two problems. First, automatic sleep stage classification based on ECG signal; second, arrhythmia classification. Our experimental results showed that the accuracy of sleep stage classification and arrhythmia classification using reconstructed ECG signal from the proposed method is comparable to the original signal. The proposed method preserved signal characteristics for the automatic sleep stage and arrhythmia classification problems."

"ABSTRAKPelacakan objek secara visual adalah proses melokalisasi terus menerus entitas visual pada suatu urutan video. Disertasi ini menyelidiki masalah short-term model-free tracking yang mempunyai tujuan utama untuk melacak sembarang objek berdasarkan satu kotak anotasi dari objek dan oleh karena itu disebut sebagai model-free. Short-term di sini berarti bahwa pelacak tidak melakukan deteksi ulang setelah target menghilang dalam pelacakan. Banyak faktor yang mempengaruhi kinerja algoritma pelacakan. Dalam Visual Tracker Benchmark, terdapat sebelas tantangan dalam pelacakan objek, yaitu: variasi iluminasi, variasi skala, oklusi, deformasi, blur, gerakan yang cepat, in-plane rotation, out-of-plane rotation, keluar dari pandangan, latar belakang yang kusut, dan resolusi yang rendah. Selama ini belum ada satu pelacak yang berhasil menangani semua skenario tersebut dengan kokoh robust . Selain itu, implementasi dari pelacak ini harus cukup cepat fast agar berguna dalam aplikasi nyata. Disertasi ini mengusulkan algoritma pelacakan yang baru dalam kerangka Bayesian. Algoritma yang diusulkan dikonstruksi dengan memecahkan optimal particle filter OPF secara efisien menggunakan metode spektral. Oleh karena itu, pelacak yang dikonstruksi disebut sebagai spectral tracker ST . Walaupun pelacak ini dapat melakukan komputasi posisi secara efisien, tetapi tidak dapat mengestimasi skala dan rotasi. Untuk mengatasi kelemahan ini, diusulkan penggunaan banyak titik observasi sekaligus dan menggunakan informasi pergerakan titik-titik observasi ini untuk mengestimasi skala dan rotasi. Selanjutnya dilakukan eksperimen untuk melihat pengaruh pra-pemrosesan citra meliputi warna, tekstur dan saliensi pada kinerja pelacakan dengan membangun 6 variasi model observasi dari pelacak ST. Akhirnya, kinerja variasi pelacak ST ini dibandingkan dengan 9 pelacak pembanding yang relevan pada 100 himpunan data. Hasil secara keseluruhan terdapat sebuah peningkatan unjuk kerja terutama dalam hal kekokohan dan kecepatan. Tetapi pada evaluasi yang lebih rinci dalam menghadapi 11 tantangan, ternyata pendekatan yang berbeda dari setiap pelacak ternyata menghasilkan unjuk kerja yang berlainan dalam menghadapi setiap tantangan tersebut.

---

ABSTRACTVisual object tracking is the process of continuously localizating a visual entity or visual entities in a video sequence. This dissertation investigates short term model free tracking which the main purpose is tracking of arbitrary objects based on a single bounding box annotation of the object, which then called as model free. The short term tracking means that the tracker does not perform re detection after the target is lost. Numerous factors affect the performance of a tracking algorithm. In Visual Tracker Benchmark, there are eleven main tracking challenges, including illumination variation, scale variation, occlusion, deformation, motion blur, fast motion, in plane rotation, out of plane rotation, out of view, background clutters, and low resolution. There exists no single robust tracker that successfully handles all scenarios nowadays. Moreover, the implementation of tracker should be fast enough to be useful in real applications. We propose a novel algorithm based on Bayesian paradigm that works in frequency domain and exploits spectral method for solving optimal particle filter scheme in Bayesian framework. Therefore the tracker is called as spectral tracker ST . In order to able to estimate scaling and rotation, we modify the tracker to use multiple observation points. Futhermore, several experiments is done to see impact of observation model by manipulating image in color, texture and saliency. As result, we design six variation of spectral tracker based on the observation model. Finally, the performance of the tracker is compared with other relevant trackers on benchmark dataset sequences. An improvement over state of the art methods is achieved, in term of robustness and speed. Nevertheless, the evaluation of eleven tracking challenges shows that different approaches of tracker have unique performance in each challenge. "

"Deteksi dini gagal jantung (GJ) penting untuk mengurangi angka kesakitan, kematian dan rawat ulang, terutama pada era pandemi COVID-19. Kecerdasan buatan berdasarkan data ekokardiografi berpotensi mempermudah identifikasi GJ, tetapi tingkat kesahihan belum diketahui. Oleh karena itu, dikembangkan model Learning Intelligent for Effective Sonography (LIFES) dengan metode deep learning menggunakan algoritme visual geometry group (VGG)-16 untuk menilai validitas model kecerdasan buatan dalam deteksi GJ dan membedakan jenis GJ dengan atau tanpa penurunan fraksi ejeksi ventrikel kiri (FEVKi) di berbagai alat ekokardiografi. Penelitian uji diagnostik ini menggunakan desain potong lintang yang dibagi dua fase yaitu fase pertama populasi pasien normal dan GJ dengan atau tanpa FEVKi menurun di RS Pusat Jantung Nasional Harapan Kita dan fase kedua di 10 RS jejaring pada bulan Januari 2020–Maret 2022. Pada fase pertama dilakukan analisis 141 rekaman video ekokardiografi dan fase kedua dianalisis 685 video meliputi tampilan apical 4 chamber (A4C), apical 2 chamber (A2C), dan parasternal long axis (PLAX). Dataset setiap fase dibagi untuk melatih (tahap training) dan menguji (tahap testing) model LIFES dalam membedakan dua kelas diagnosis (GJ dan individu normal) dan tiga kelas diagnosis (GJ dengan FEVKi menurun, GJ dengan FEVKi terjaga, dan individu normal). Pada fase 1 performa terbaik model LIFES dalam membedakan dua kelas ditunjukkan pada tampilan A2C dengan skor F1 0,94 dan area under the curve (AUC) 0,93. Klasifikasi tiga kelas terbaik ditunjukkan pada tampilan A2C dengan F1 0,78 dan AUC 0,83 sampai 0,92. Pada fase 2 klasifikasi dua kelas terbaik ditunjukkan oleh tampilan PLAX dengan skor F1 mencapai 0,93 dan AUC 0,91. Klasifikasi tiga kelas terbaik ditunjukkan pada tampilan PLAX dengan F1 0,82 dan AUC berkisar dari 0,91 hingga 0,94. Waktu pemrosesan model LIFES sekitar 0,15 sampai 0,19 detik untuk memprediksi satu sampel. Disimpulkan model LIFES berfungsi baik untuk deteksi dini GJ sesuai konsensus ahli, sekaligus dapat membedakan jenis GJ dengan atau tanpa FEVKi menurun pada berbagai mesin ekokardiografi.

---

Early detection of heart failure (HF) is important to reduce morbidity, mortality, and re-hospitalization, especially in the era of the COVID-19 pandemic. Artificial intelligence based on echocardiographic data has the potential to facilitate the identification of HF, but the level of validity is unknown. Therefore, Learning Intelligent for Effective Sonography (LIFES) model was developed with a deep learning method using the visual geometry group (VGG)-16 algorithm to assess the validity of the artificial intelligence model in the detection of HF and distinguish the type of HF with reduced ejection fraction (HFrEF) or preserved in left ventricular ejection fraction (HFpEF) in various echocardiographic devices. This diagnostic test study used a cross-sectional design, which was divided into two phases, namely the population of normal and HFrEF or HFpEF patients at the Harapan Kita National Heart Center Hospital and ten network hospitals from January 2020 to March 2022. In the first phase, 141 echocardiographic video recordings were analyzed and in the second phase, 685 videos were analyzed, including apical-4 chamber (A4C), apical-2 chamber (A2C), and parasternal-longaxis (PLAX) displays. The dataset for each phase was divided between training and testing the LIFES model in distinguishing two-diagnostic classes (HF and normal individuals) and three-diagnostic classes (HFrEF, HFpEF, and normal individuals). In phase 1, the best performance of the LIFES model in distinguishing the two classes is shown on the A2C display with an F1 score of 0.94 and an area under the curve (AUC) 0.93. The best three-class classifications are shown on the A2C display with an F1 of 0.78 and an AUC of 0.83 to 0.92. In phase 2, the best twoclass classifications are shown by the PLAX display with F1 scores reaching 0.93 and AUC 0.91. he best three-class classifications are shown on the PLAX display, with an F1 of 0.82 and an AUC ranging from 0.91 to 0.94. The

processing time of the LIFES model is about 0.15 to 0.19 seconds to predict a single sample. It is concluded that the LIFES model works well for the early detection of HF, according to expert consensus while at the same time being able to distinguish the type of HF (HFrEF or HFpEF) on various echocardiographic machines."

"Penyakit jantung penyebab kematian utama pada masyarakat adalah penyakit jantung koroner yang disebabkan oleh atherotrombosis. Strategi yang dapat dilakukan untuk mengatasinya adalah dengan pencegahan primer pada kelompok individu asimptomatik dengan merubah gaya hidup, mengontrol kolesterol dan tekanan darah yang bertujuan untuk menurunkan faktor risiko. Salah satu upaya yang dapat dilakukan adalah dengan mengembangkan model edukasi perilaku pencegahan berbasis aplikasi smartphone. Tujuan penelitian ini adalah mengembangkan model edukasi perilaku pencegahan atherotrombosis asimptomatik berbasis aplikasi smartphone yang berpengaruh terhadap faktor risiko atherotrombosis pada individu non diabetes. Penelitian ini menggunakan desain penelitian quasi eksperimen yang terdiri dari tiga tahapan yaitu tahap I identifikasi masalah dengan studi kualitatif. tahap II yaitu penyusunan model dan uji coba model dan tahap III uji efektifitas model dengan quasi ekspertimen. Hasil penelitian menunjukkan bahwa ada pengaruh model edukasi perilaku pencegahan atherotrombosis berbasis aplikasi smartphone SEMAR terhadap penurunan tekanan darah, penurunan kadar kolesterol total, peningkatan pengetahuan dan penurunan skor risiko dengan nilai p<0,05. Sedangan kan hasil lain didapatkan tidak ada pengaruh model edukasi perilaku pencegahan atherotrombosis berbasis aplikasi smartphone SEMAR terhadap perilaku merokok, indeks massa tubuh, peningkatan aktifitas fisik, peningkatan kemandirian dan penurunan skala stress. Kesimpulan: Model edukasi perilaku pencegahan atherotrombosis asimptomatik non diabetes dapat menurunkan faktor risiko atherotrombosis. Rekomendasi: perlu dilakukan penerapan dari model edukasi perilaku pencegahan atherotrombosis berbasis aplikasi smartphone SEMAR ini pada tatanan layanan di puskesmas dan kader kesehatan.

---

The leading cause of death in society is coronary heart disease caused by atherothrombosis. The strategy that can be adopted to overcome this is by primary prevention in groups of asymptomatic individuals by lifestyle changes, cholesterol and blood pressure control that aim to reduce risk factors. One effort that can be made is to develop an educational model of preventive behavior based on smartphone application. The purpose of this study is to identify the effectiveness of the smartphone application-based asymptomatic atherotrombosis prevention behavior education model on atherotrombosis risk factors in non-diabetic individuals. This study uses a quasi-experimental research design consisting of three stages, namely stage I identification of problems with qualitative studies. stage II is the development of models and model trials, and stage III model effectiveness testing with quasi-experiments. The results of research show that there is an effect of the SEMAR smartphone application-based atherotrombosis prevention behavior education model on reducing blood pressure, reducing total cholesterol levels, increasing knowledge and reducing risk scores with a value of p <0.05. While other results obtained that there is no effect of the SEMAR smartphone application-based atherothrombosis prevention behavior education model on smoking behavior, body mass index, increased physical activity, increased independence, and decreased stress scale. Conclusion: The non-diabetic asymptomatic atherotrombosis prevention behavior education model can reduce atherotrombosis risk factors. Recommendations: It is necessary to implement the SEMAR smartphone application-based atherotrombosis prevention behavior education model in the service setting at the PHC and health cadres."