Sistem Deteksi Non-Invasive Hipertensi Pada Sinyal Photoplethysmogram Berbasis Extreme Learning Machine
Hipertensi didefinisikan sebagai tekanan darah persisten dengan tekanan sistolik diatas 140 mmHg dan tekanan diastolik diatas 90 mmHg. Hipertensi seringkali tidak menimbulkan gejala padahal tekanan darah yang tidak terkontrol dalam jangka waktu yang lama dapat menyebabkan komplikasi penyakit mematik...
Saved in:
| Summary: | Hipertensi didefinisikan sebagai tekanan darah persisten dengan tekanan sistolik diatas 140 mmHg dan tekanan diastolik diatas 90 mmHg. Hipertensi seringkali tidak menimbulkan gejala padahal tekanan darah yang tidak terkontrol dalam jangka waktu yang lama dapat menyebabkan komplikasi penyakit mematikan seperti stroke dan serangan jantung. Dalam mendeteksi hipertensi umumnya digunakan alat pengukur tekanan darah seperti sphygmomanometer, baik sederhana maupun digital. Kedua jenis alat tersebut masih memerlukan cuff yang dibalutkan pada lengan pasien, sementara peletakan cuff yang kurang tepat dapat mengurangi keakuratan pengukuran. Di sisi lain, hasil pengukuran masih terbatas pada tekanan sistolik dan diastolik tanpa ada diagnosa akhir mengenai kondisi pasien. Oleh karena itu, diperlukan sistem pengukuran yang lebih praktis dan solutif dalam mendeteksi hipertensi yakni menggunakan sensor photoplethysmogram (PPG) dan algoritma Extreme Learning Machine (ELM). Sensor PPG diketahui berkorelasi dengan kekakuan arteri pada penderita hipertensi. Sensor yang dipasang pada ujung jari akan mendeteksi tekanan aliran darah yang mana berakibat pada peningkatan peak sinyal PPG. Dalam penelitian ini, digunakan data sinyal PPG yang diakuisisi oleh Liang et. al. (2018) dan kemudian diolah menggunakan ELM yang didalamnya terkandung beberapa fitur ekstraksi meliputi rata-rata, standar deviasi, first absolute difference, spectral entropy, dan detrended fluctuation analysis. Pada akhirnya data hasil ekstraksi akan dideteksi menjadi dua kluster yaitu normal dan abnormal atau menderita hipertensi tipe 2. Dengan jumlah neuron pada hidden layer sebanyak 90 buah dan validasi k-fold cross validation ke dalam 6 fold, sistem pada penelitian ini mampu menghasilkan akurasi sebesar 94.44%, sensitivitas 98.61%, dan spesifisitas 89.70%. |
|---|