Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tenaga kerja kesehatan pada masa pandemi bekerja sebagai garda terdepan yang memiliki resiko tertinggi tertular virus corona. Sampai pada hari ini, perawatan dan pemeriksaan kondisi vital pasien COVID-19 masih banyak dilakukan dengan kontak langsung minimal sebanyak empat kali dalam sehari. Hal ini berisiko meningkatkan penyebaran virus hingga menurunkan jumlah tenaga kerja kesehatan. Sampai pada saat ini, hampir seluruh rumah sakit masih menggunakan sphygmomanometer tradisional dengan cuff yang membutuhkan bantuan tenaga medis ataupun tanpa bantuan, namun pengukuran dilakukan secara invasif. Oleh karena itu, dibutuhkan suatu alat yang dapat memonitor kondisi vital pasien tanpa kontak langsung terutama dalam mengukur tekanan darah dan bersifat noninvasif. Penelitian ini bertujuan untuk membuat suatu algoritma pengolahan sinyal plethysmography berbasis ekstraksi fitur dan machine learning untuk prediksi tekanan darah. Dengan menggunakan sensor MAX30102 dan ESP32, sinyal PPG yang didapat dari jari akan dilakukan pre-processing dengan menenerapkan baseline fitting, kemudian deteksi puncak, hingga empat fitur utama sinyal PPG, yaitu systolic peak, diastolic peak, dicrotic notch, dan foot dapat diekstrak. Data ekstraksi fitur sinyal PPG secara ­real-time ini digabungkan menjadi satu dataset dan dimasukkan ke dalam machine learning untuk diprediksi nilai tekanan darahnya. Evaluasi hasil prediksi tekanan darah menunjukkan nilai Mean Absolute Error yang kecil, yaitu 1,56/2,35 yang masih diterima oleh standar ISO 81060-2:2013 sehingga dapat dijadikan fundamental untuk sistem pengukuran tekanan darah noninvasif.

---

Health workers during the pandemic act as the frontliner who have the highest risk of contracting the coronavirus. Most of the treatment and examination of the vital condition of COVID-19 patients is carried out with direct contact at least four times a day. This increases the risk of virus spreading, moreover reducing the number of health workers. To date, almost all hospitals still require medical assistance to measure blood pressure using the traditional cuff sphygmomanometer or without assistance however, the measurements are carried out invasively. Therefore, a device that can monitor the patient's vital condition without direct contact, especially in measuring blood pressure and non-invasive is needed. This thesis aims to develop a plethysmography signal processing algorithm based on feature extraction and machine learning for blood pressure prediction. By using the MAX30102 and ESP32 sensors, the PPG signal obtained from the finger will be preprocessed by applying a baseline fitting and peak detection, thus the four main features of the PPG signal, namely systolic peak, diastolic peak, dicrotic notch, and foot can be extracted. This real-time PPG signal feature extraction data is then combined into a single dataset and by using machine learning, blood pressure values are predicted. Evaluation of the blood pressure predictions shows a small Mean Absolute Error value, 1.56/2.35 which meets the ISO 81060-2:2013 standard. Hence, the results demonstrate the applicability of the proposed algorithm in predicting blood pressure and can be developed as a noninvasive real-time blood pressure measurement system in the future."

"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."