1. PENDAHULUAN
Kelelahan dan mengantuk sebagai penyebab kecelakaan, sebenarnya dapat dihindari dengan waktu
istirahat yang tepat dan cukup. Dengan waktu istirahat yang tepat dan cukup, pengendara
kendaraan bermotor akan mengemudi dengan kondisi tubuh yang bugar. Terdapat beberapa
standar yang saat ini digunakan untuk mengukur tingkat kebugaran, salah satunya dengan
melakukan tes menggunakan treadmill. Dengan menggunakan treadmill subjek yang akan di periksa
diminta melakukan beberapa aktifitas, mulai dari berjalan lambat, berjalan cepat, berlari lambat, dan
berlari cepat hingga tercapai tingkat denyut nadi tertentu. Selama aktifitas denyut jantung dan
tekanan darah dari objek dimonitor untuk mengetahui tingkat kelelahannya.
2. LANDASAN TEORI
Variabilitas denyut jantung (HRV), yang merupakan fluktuasi interval RR (RRI) dari elektrokardiogram
(EKG), adalah fenomena terkenal yang mencerminkan fungsi saraf otonom; dengan demikian, rasa
kantuk pengemudi dapat dideteksi melalui analisis HRV [1]. Dalam beberapa tahun belakangan,
beberapa penelitian berhasil menemukan korelasi antara HRV dengan permasalahan jantung, juga
hubungannya dengan kematian yang diakibatkan oleh gagal jantung [2]. Peneliti lainnya meneliti
perubahan variasi spektrogram dari denyut jantung sesuai dengan posisi tubuh, apakah sedang
duduk atau berdiri [3]. HRV juga dapat dimanfaatkan untuk monitoring pasien post-infarction dan
diabetes, dimana HRV dapat menunjukkan keseimbangan saraf autonom simpatetik-parasimpatetik
dan resiko kematian mendadak karena kegagalan jantung (sudden cardiac death) pada pasien
tersebut [4]. Pengukuran HRV mudah dilakukan karena bersifat non-invasive serta mengasilkan
pengukuran yang dapat diandalkan jika dilakukan pada kondisi yang sesuai standar. Verlinde et al.
Membandingkan HRV dari atlit aerobik dengan kontrol dan menunjukkan bahwa HRV dari atlit
aerobik memperlihatkan peningkatan power pada semua band frekuensi [5]. Parameter time-
frequency yang dihitung berdasarkan transformasi wavelet dari HRV dapat digunakan untuk
mendeteksi kejadian obstructive sleep apnea pada pasien yang memiliki kelainan tidur [6]. Oliver et
al. Pada tahun 2017 mengusulkan penggunaan dekomposisi wavelet dengan memanfaatkan basis
Morlet untuk mendeteksi beberapa jenis kelainan irama jantung (arrhythmia) [7].
Terdapat tiga pendekatan utama untuk menganalisis HRV, yakni analisis pada domain waktu (linier
dan non-linier), analisis pada domain frekuensi, dan analisis geometrik. Metode analisis pada domain
waktu merupakan pendekatan yang paling sederhana. Berikut beberapa fitur yang dapat diekstrak
dari sinyal denyut jantung dalam durasi tertentu (biasanya 30 atau 60 menit):
• SDNN: standar deviasi dari interval NN (interval antara QRS complex yang terletak
bersebelahan).
• Mean dari interval NN.
• Selisih antara interval NN terbesar dengan interval NN terkecil.
• Perbedaan antara heart rate di siang hari dan malam hari.
• RMSSD: akar kuadrat dari selisih interval NN yang terletak bersebelahan.
• NN50: jumlah pasangan interval NN yang memiliki selisih lebih dari 50 ms.
• PNN50: proporsi dari NN50 terhadap seluruh jumlah NN.
• SD1, SD2: aksis mayor dan minor dari elips yang sesuai (fit) dengan Poincarè plot.
Analisis pada domain frekuensi dilakukan dengan mentransformasikan sinyal NN dalam durasi
tertentu (biasanya 30 atau 60 detik) ke domain frekuensi kemudian melakukan ektraksi fitur yang
merepresentasikan besarnya energi pada band frekuensi tertentu, yaitu:
• Total power: total energi pada frekuensi band hingga 0.4 Hz
• ULF (ultra low frequency): energi pada band frekuensi hingga 0.003 Hz.
• VLF (very low frequency): energi pada band frekuensi 0.003 – 0.04 Hz.
• LF (low frequency): energi pada band frekuensi 0.04 – 0.15 Hz.
• HF (high frequency): energi pada band frekuensi 0.15 – 0.4 Hz.
• LF/HF: rasio antara LF dan HF
DAFTAR PUSTAKA
[1] Abe Erika,Fujiwara Koichi,Hiraoka Toshihiro,Yamakawa Toshitaka, and KanoManabu. 2016. SICE
“Development of Drowsiness Detection Method by Integrating Heart Rate Variability Analysis and
Multivariate Statistical Process Control”. Journal of Control, Measurement, and System
Integration, Vol. 9, No. 1, pp. 010–017
[2] P. M. Lehrer and R. Gevirtz. 2014. “Heart rate variability biofeedback: how and why does it
work?”. Front. Psychol. vol. 5, p. 756.
[3] L. Frondelius, K. Järvenranta, T. Koponen, and J. Mononen. 2015. “The effects of body posture
and temperament on heart rate variability in dairy cows”. Physiol. Behav. vol. 139, pp. 437–441.
[4] L. Wu, Z. Jiang, C. Li, and M. Shu. 2014. “Prediction of heart rate variability on cardiac sudden
death in heart failure patients: a systematic review,” Int. J. Cardiol., vol. 174, no. 3, p. 857.
[5] V. Vesterinen, K. Häkkinen, E. Hynynen, J. Mikkola, L. Hokka, and A. Nummela. 2013. “Heart rate
variability in prediction of individual adaptation to endurance training in recreational endurance
runners,” Scand. J. Med. Sci. Sports, vol. 23, no. 2, pp. 171–180.
[6] C. A. Garcia, A. Otero, X. Vila, and D. G. Márquez. 2013. “A new algorithm for wavelet-based
heart rate variability analysis,” Biomed. Signal Process. Control, vol. 8, no. 6, pp. 542– 550.
[7] R. S. Singh, B. S. Saini, and R. K. Sunkaria. 2017. “Power Spectral Analysis of Short-Term Heart
Rate Variability in Healthy and Arrhythmia Subjects by the Adaptive Continuous Morlet Wavelet
Transform,” Appl. Med. Informatics, vol. 39, no. 3–4, pp. 49–66.
[8] A. G. Correa, L. Orosco, and E. Laciar. 2014. “Automatic detection of drowsiness in EEG records
based on multimodal analysis,” Med. Eng. Phys., vol. 36, no. 2, pp. 244–249.
[9] V. Saini and R. Saini. 2014. “Driver drowsiness detection system and techniques: a review,” Int. J.
Comput. Sci. Inf. Technol., vol. 5, no. 3, pp. 4245–4249.
[10] R. O. Mbouna, S. G. Kong, and M.-G. Chun. 2013. “Visual analysis of eye state and head pose for
driver alertness monitoring,” IEEE Trans. Intell. Transp. Syst., vol. 14, no. 3, pp. 1462–1469.
[11] G. Borghini, L. Astolfi, G. Vecchiato, D. Mattia, and F. Babiloni. 2014. “Measuring
neurophysiological signals in aircraft pilots and car drivers for the assessment of mental
workload, fatigue and drowsiness,” Neurosci. Biobehav. Rev., vol. 44, pp. 58–75.
[12] B. Cinaz, B. Arnrich, R. La Marca, and G. Tröster. 2013. “Monitoring of mental workload levels
during an everyday life office-work scenario,” Pers. ubiquitous Comput., vol. 17, no. 2, pp. 229–
239.
[13] T. Teisala et al.. 2014. “Associations of physical activity, fitness, and body composition with
heart rate variability--based indicators of stress and recovery on workdays: a crosssectional
study,” J. Occup. Med. Toxicol., vol. 9, no. 1, p. 16.
[14] G. Li and W.-Y. Chung. 2013. “Detection of driver drowsiness using wavelet analysis of heart rate
variability and a support vector machine classifier.,” Sensors (Basel)., vol. 13, no. 12, pp. 16494–
511.
[15] C. Chang, C. D. Metzger, G. H. Glover, J. H. Duyn, H.-J. Heinze, and M. Walter. 2013.
“Association between heart rate variability and fluctuations in resting-state functional
connectivity,” Neuroimage, vol. 68, pp. 93–104.
[16] F. Shaffer and J. Venner. 2013. “Heart rate variability anatomy and physiology,” Biofeedback,
vol. 41, no. 1, pp. 13–25.
[17] G. A. del Paso, W. Langewitz, L. J. M. Mulder, A. Roon, and S. Duschek. 2013. “The utility of low
frequency heart rate variability as an index of sympathetic cardiac tone: a review with emphasis
on a reanalysis of previous studies,” Psychophysiology, vol. 50, no. 5, pp. 477–487.
[18] S. J. Brown. 2000. “Multi-user remote health monitoring system,” US6101478A.
[19] Y.-D. Lee and W.-Y. Chung. 2009. “Wireless sensor network based wearable smart shirt
forubiquitous health and activity monitoring,” Sensors Actuators B Chem., vol. 140, no. 2, pp.
390–395.
[20] G. M. Lee, N. Crespi, J. K. Choi, and M. Boussard. 2013. “Internet of things,” in Evolution of
Telecommunication Services, Springer, pp. 257–282.
[21] Rismana Nur Sabrina , Yasin Siti Norhayati MD , Nayana Nazrul Anuar , and Weic Sia Chen.
2016.”Implementation of Heart Rate Variability Analysis Algorithm on FPGA Platform”.
International Journal of Applied Engineering Research ISSN 0973-4562 Volume 11, Number 12. pp
7809-7814. Research India Publications. http://www.ripublication.com
[22] X. Wang, Q. Gui, B. Liu, Z. Jin, and Y. Chen.2014 “Enabling smart personalized healthcare: a
hybrid mobile-cloud approach for ECG telemonitoring,” IEEE J. Biomed. Heal. informatics, vol. 18,
no. 3, pp. 739–745.