Sleep apnea detection using blood pressure signal

Akşahin, Mehmet Feyzi; Oltu, Burcu; Karaca, Busra Kubra

doi:10.1109/siu.2018.8404271

Cited by 3 publications

(3 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Pada beberapa kasus, gangguan tidur juga berpengaruh pada tekanan darah yang tinggi, strok pada otak, dan gangguan pada ritme jantung [2]. Gangguan tidur ada beberapa jenis, di antaranya insomnia, sleep apnea (SA), restless legs syndrome, dan narkolepsi [3], [4]. Gangguan tidur yang umum dikenal dan banyak dialami sebagian orang adalah SA.…”

Section: Pendahuluanunclassified

See 1 more Smart Citation

Asesmen ECG-Apnea Satu Sadapan untuk Peningkatan Akurasi Klasifikasi Gangguan Tidur Berdasarkan AdaBoost

Fahruzi

Purnama

Purnomo

2020

JNTETI

View full text Add to dashboard Cite

Gangguan tidur adalah terganggunya aliran pernapasan (kolaps) yang berulang saat tidur. Gangguan tidur umumnya tidak terdiagnosis dan tidak tertangani dengan baik sehingga terjadi interupsi berulang pada saluran pernapasan. Kondisi tersebut berpotensi menyebabkan penderita mengalami gangguan tidur yang serius. Salah satu alat bantu yang digunakan untuk menganalisis adanya gangguan tidur pada ritme jantung adalah melalui rekaman electrocardiogram (ECG). ECG merupakan suatu grafik yang merepresentasikan aktivitas listrik pada jantung berupa gelombang P, gelombang QRS, dan gelombang T. Banyaknya sensor untuk merekam ECG menyebabkan ketidaknyamanan pasien saat perekaman data, menyebabkan kompleksitas rekaman, lambatnya komputasi, kesalahan dalam interpretasi, dan kehilangan informasi klinis. Oleh karena itu, dibutuhkan suatu sistem peringatan dini sebagai alat bantu medis yang mampu mendiagnosis rekaman ECG menggunakan satu sadapan. Sistem didesain menjadi lima tahapan, yaitu akuisisi rekaman ECG, praproses, ekstraksi fitur, seleksi fitur, dan proses klasifikasi. Fitur set yang diperoleh dari rekaman ECG berupa variabel-variabel yang diperoleh dari domain waktu, domain frekuensi, dan analisis nonlinear. Pengujian menunjukkan metode AdaBoost memiliki nilai kinerja paling tinggi dibandingkan dengan SVM, k-NN, dan NN. Metode AdaBoost secara berurutan memiliki kinerja classification accuracy, F1 score, precision, recall, sensitivity, dan specificity sebesar 90,1%, 90,1%, 90,3%, 90,1%, 86,9%, dan 93,3%.

show abstract

Section: Pendahuluanunclassified

“…Raya ITS, Sukolilo, Surabaya 60111, INDONESIA (tlp/fax. : 031-5922936; email: ketut@ee.its.ac.id; hery@ee.its.ac.id) 3 Program Studi Teknik Elektronika, Jurusan Teknik Elektro, Politeknik Negeri Batam, Jl. Ahmad Yani, Batam Center, Batam 29461, INDONESIA (tlp/fax.…”

Section: Pendahuluanunclassified

Asesmen ECG-Apnea Satu Sadapan untuk Peningkatan Akurasi Klasifikasi Gangguan Tidur Berdasarkan AdaBoost

Fahruzi

Purnama

Purnomo

2020

JNTETI

View full text Add to dashboard Cite

show abstract

“…The presence of snoring even if they do not feel tired all day, feel tired every time they wake up, are not refreshed, wake up feeling tired, have a headache when they wake up, have a dry mouth, feel sleepy during the day, and their ability to concentrate is reduced are all symptoms that are common in people with sleep disorders [1], [2].…”

Section: Introductionmentioning

confidence: 99%

Sleep Disorder Identification From Single Lead Ecg by Improving Hyperparameters of 1d-CNN

Fahruzi

2023

kursor

View full text Add to dashboard Cite

Disruption of the flow of breathing during sleep will result in significant heart problems if not treated seriously. An electrocardiogram (ECG) recording is one of the most used methods for detecting sleep disorders early on. An ECG is a representation of electrical activity in the heart while it is beating. The irregularities of the morphology and the complexity of the recordings have clinical significance that can be used as a tool for diagnosing sleep disorders. This study uses engineering to obtain features from ECG recordings that are carried out automatically using deep learning machine learning with a Convolutional Neural Network (CNN) model approach. The ECG recordings were processed to remove noise before being used in the CNN model. Tests are carried out on the most optimal model to get good accuracy by applying two scenarios. The test results of the two scenarios show that scenario one has an accuracy of 83.03% compared to scenario two with an accuracy of 76.88%. Meanwhile, the precision, sensitivity, cohens kappa and ROC UAC levels were 81.78%, 87.78%, 65.73% and 82.68% in scenario one testing on the CNN model with the most optimal parameter settings, respectively

show abstract