Vol. 9 (2019) No.

ISSN: 2088-5334

Menerapkan Aplikasi berbasis Web untuk Analisis dan Evaluasi

Variabilitas Denyut Jantung Menggunakan Arsitektur Tanpa Server
*
Mitko M. Gospodinov #, Evgeniya Gospodinov Sebuah
#
Serikat Ilmiah dan Teknik, 5, Nish str. Veliko Tarnovo, 5000, Bulgaria
E-mail: mit.gosp@gmail.com

*
Institut Robotika, Akad. G. Bonchev str. blok 2, Sofia, 1113, Bulgaria
E-mail: jenigospodinova@abv.bg

Abstrak - Artikel ini dikhususkan untuk pengembangan aplikasi berbasis web untuk analisis dan evaluasi Variabilitas Denyut Jantung (HRV) menggunakan arsitektur tanpa server. Kemajuan dalam algoritme
informasi dan teknologi komputasi telah memainkan peran yang semakin penting dalam kardiologi, sebagai pemantauan berkelanjutan terhadap kesehatan pasien sangat penting untuk kesejahteraan mereka.
Salah satu parameter fisiologis yang dapat dengan mudah diukur dan yang dapat memberikan wawasan yang sangat diperlukan tentang keadaan tubuh manusia adalah HRV. Analisis HRV tidak hanya dapat
menilai keadaan fisiologis tubuh tetapi juga memberikan kemampuan untuk memantau dinamikanya dan memprediksi penyakit di masa depan. Karena penelitian di bidang kardiologi terus berkembang, ada
banyak cara baru untuk menilai keadaan fisiologis pasien dan memberikan indikator awal untuk kondisi patologis. Oleh karena itu, ada kebutuhan untuk membawa kemajuan ini ke semakin banyak pengguna
akhir (profesional perawatan kesehatan dan pasien) dalam waktu sesingkat mungkin. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan pengembangan aplikasi analisis dan evaluasi HRV berbasis
web dengan menerapkan metode matematis linier dan nonlinier. Aplikasi dibuat menggunakan pendekatan arsitektur tanpa server, yang memungkinkan waktu pengembangan yang cepat, karena tidak perlu
mengelola infrastruktur server, dan untuk penskalaan otomatis agar secara dinamis mencocokkan jumlah permintaan. Pengembang malah dapat fokus pada penerapan logika untuk algoritme analisis HRV dan
memberikan peningkatan baru dengan kecepatan yang lebih cepat. Aplikasi web yang diusulkan dapat diakses oleh perangkat apa pun yang terhubung ke Internet dan dioptimalkan untuk menangani volume
permintaan yang terputus-putus dan konsisten. Algoritma yang diimplementasikan dalam aplikasi web telah divalidasi dengan memeriksa dua kelompok subjek (dewasa muda dan dewasa tua) menggunakan
model linier dan non linier. Hasil yang diperoleh dari kedua kelompok dapat dibandingkan dengan sekumpulan nilai referensi (hanya untuk metoa linier Algoritma yang diimplementasikan dalam aplikasi web
telah divalidasi dengan memeriksa dua kelompok subjek (dewasa muda dan dewasa tua) menggunakan model linier dan non linier. Hasil yang diperoleh dari kedua kelompok dapat dibandingkan dengan
sekumpulan nilai referensi (hanya untuk metoa linier Algoritma yang diimplementasikan dalam aplikasi web telah divalidasi dengan meneliti dua kelompok subjek (dewasa muda dan dewasa tua) menggunakan
model linier dan non linier. Hasil yang diperoleh dari kedua kelompok dapat dibandingkan dengan sekumpulan nilai referensi (hanya untuk metoa linier

dns) d penilaian bisa

dibuat apakah setiap parameter yang dipelajari berada dalam rentang normal atau di luarnya (nilainya terlalu tinggi atau terlalu rendah). Untuk membantu penilaian HRV, hasil yang
diperoleh dengan analisis linier dan nonlinier disajikan menggunakan sekumpulan grafik dan tabel.

Kata kunci —Aplikasi berbasis web; arsitektur tanpa server, variabilitas detak jantung; analisis domain waktu; analisis frekuensi-domain; analisis nonlinier.

penilaian kuantitatif dari aktivitas kardiovaskular [5]. Analisis matematis HRV,

I. Saya PENDAHULUAN menggunakan linier dan nonlinier

Perhatian spesialis semakin tertarik oleh model matematika, dapat menunjukkan keadaan fungsional metode non-invasif untuk pemeriksaan organisme pasien
berdasarkan organisme. Misalnya, terjadinya

pada prinsip pelacakan berbagai indikator sistem tubuh kondisi patologis dalam tubuh pasien dapat [1]. Denyut jantung tubuh adalah salah satu yang paling mudah
diakses yang ditunjukkan oleh penurunan tajam HRV. Saat ini, HRV adalah parameter fisiologis, dan mencerminkan proses yang digunakan di berbagai bidang
pengobatan untuk regulasi vegetatif risiko penyakit dalam sistem kardiovaskular. Gratifikasi dan untuk diagnosis klinis, yang paling menonjol, karakteristik dinamis dari
ritme jantung memungkinkan pasien dengan penyakit kardiovaskular.

untuk menilai tingkat keparahan perubahan dalam metode HRV pasien dirancang untuk menyelidiki dan mendiagnosis sistem kardiovaskular ketika kondisi kesehatan
mereka berubah patologi klinis untuk mendapatkan informasi [2], [3]. Perubahan detak jantung merupakan prognostik paling awal melengkapi informasi yang merupakan
tanda diagnostik tradisional dari banyak penyakit [4].
sarana seperti analisis visual dan pengukuran dapat menyediakan.

Menganalisis durasi interval antara berdekatan Keuntungan HRV dibandingkan metode konvensional adalah detak jantung mengungkapkan variabilitas detak jantung
(HRV), yang kemampuan untuk mendeteksi bahkan anomali yang paling halus telah terbukti menjadi metode yang informatif dan non-invasif untuk detak jantung.
Metodenya sangat efektif untuk menilai

1927
kemampuan fungsional tubuh dalam kondisi normal, aplikasi desktop yang bijaksana kinerja terbatas pada yang memungkinkannya untuk memberikan deteksi dini
anomali, spesifikasi perangkat keras yang dimiliki perangkat tempat mereka dijalankan. yang dengan tidak adanya pencegahan yang diperlukan Jika perangkat memiliki
sejumlah kecil daya komputasi, prosedur secara bertahap dapat menjadi penyakit serius [3] - [5]. analisis apa pun bisa memakan waktu lama. Bisa dilihat mengapa

Minat besar dalam HRV dan studi aktifnya telah menyebabkan tren teknologi untuk pemantauan jarak jauh pasien adalah kebutuhan untuk standarisasi terminologi
[6]; mengembangkan membangun aplikasi dan sistem berbasis web yang memanfaatkan metode optimal untuk mengukur HRV; menjelaskan komputasi awan HRV.

parameter; mencirikan HRV dalam kondisi normal dan patologis Secara tradisional aplikasi web telah dibangun dan di-host dalam kondisi. Pengenalan standar ini telah
diizinkan pada server khusus. Dalam analisis HRV klien aplikasi web yang khas untuk menjadi permintaan kardiologis yang berkembang pesat akan dikirim ke server di
mana aplikasi tersebut lapangan, di mana kemungkinan informasi modern dihosting, server akan memproses permintaan dan mengirim kembali teknologi dan matematika
metode untuk analisis dan tanggapan. Selain itu, akan ada layanan database penilaian status jantung sehat pasien yang dapat dijalankan sepenuhnya pada satu atau lebih
server yang menangani kebutuhan penyimpanan yang direalisasikan.

dari aplikasi tersebut. Untuk meningkatkan redundansi dan

Aplikasi yang dikembangkan untuk analisis HRV dapat dibagi mendistribusikan lalu lintas, penyeimbang beban juga dapat digunakan sebagai bagian menjadi dua
kelompok utama: aplikasi desktop dan arsitektur berbasis web. Perannya akan mendeteksi jika ada aplikasi. Selama dua dekade terakhir, server berbasis desktop, tempat
aplikasi di-host, telah turun dan aplikasi untuk analisis HRV telah digunakan mengalihkan permintaan darinya; itu juga dapat didistribusikan secara luas. Menurut sumber
ilmiah khusus, permintaan merata antara beberapa server.

Pengembangan perangkat lunak terkemuka untuk analisis HRV adalah Semua server dapat menjadi bagian dari awan pribadi sebagai berikut: Perangkat lunak Kubios
HRV [7], sistem Codesna [8], lingkungan yang berarti bahwa server tersebut dimiliki oleh sistem SinusCor [9] dan lain-lain. Ke daftar ini dapat ditambahkan organisasi
yang mengelola mereka atau mereka disewa dari sistem penelitian cloud seperti: gHRV [10], dan RHRV [11], dan penyedia. Dalam kedua kasus manajemen server,
penelitian dan pengembangan yang dilakukan oleh HeartMatharchitecture jatuh pada pengembang aplikasi dan biaya Institute [12] untuk menganalisis interaksi antara
jantung yang terkait dengan penerapan semacam itu dapat menjadi substansial. dan otak. Dengan penggunaan teknologi baru seperti Selain itu, kelemahan utama
memiliki server khusus untuk komputasi awan, Internet of Things menjadi lebih banyak aplikasi jika tidak ada banyak permintaan pengguna dan lebih menonjol di bidang
analisis HRV [13] - [18]. yang perlu diproses, maka server tidak akan sepenuhnya Memanfaatkan sistem cerdas berbasis web dalam kardiologi digunakan.

memungkinkan penyimpanan dan pemrosesan terpusat jantung Dalam [13] arsitektur yang digunakan untuk informasi aplikasi yang diusulkan di luar rumah sakit. Sistem
ini memungkinkan untuk mengandalkan kontainer yang berjalan pada instance komputasi awan. pemantauan jarak jauh pasien harus dilakukan, karena pasien dapat.
Penyajian layanan memungkinkan pemanfaatan yang lebih baik untuk mengirimkan data dari pengukuran jantung mereka dari daya komputasi apa pun yang pada
gilirannya berarti perangkat komputasi yang memiliki akses internet. Selain itu, webinstance ini dapat meningkatkan dan menurunkan skala dengan lebih mulus dan bahwa
aplikasi dapat bermanfaat untuk diagnosis dan prognosis di sini waktu idle server lebih sedikit. Namun, manajemen penyakit kardiovaskular saat memeriksa skala besar
arsitektur tempat wadah dijalankan masih diserahkan kepada data jantung (24, Catatan Holter sepanjang 48 atau 72 jam) karena pengembang aplikasi. Sementara
kontainer menyediakan mereka dapat melakukan analisis dan evaluasi lebih cepat untuk aplikasi yang memanfaatkan sumber daya server secara maksimal, mereka dan
lebih efisien.

jangan menskalakan secara default. Kontainer baru bisa dibawa

Tujuan dari artikel ini adalah: membuat web tanpa server-sangat cepat. Namun, mereka terbatas pada aplikasi berbasis komputasi untuk analisis dan evaluasi HRV;
daya tersedia. Itulah mengapa komputasi yang mendasari menyelidiki dua jenis sinyal HRV, yang sesuai dengan contoh perlu dirancang untuk meningkatkan atau
menurunkan tergantung subjek yang sehat (dewasa muda dan dewasa), menggunakan linier sesuai permintaan.

dan metode matematika nonlinier. Komputasi tanpa server di sisi lain tidak hanya menghilangkan kebutuhan untuk
menghosting aplikasi Anda di server khusus tetapi juga mengalihkan manajemen
II. M ATERIAL DAN M ETHOD sumber daya komputasi dari pengembang dan menjadi tanggung jawab penyedia
pihak ketiga komputasi awan. Terlepas dari itu
A. Motivasi Membuat Aplikasi Web Tanpa Server
Artikel ini membahas tren pengembangan nama web "tanpa server", semua logika masih dijalankan pada aplikasi untuk analisis HRV dengan menyajikan dan mengatur server, tetapi itu disarikan. Tidak ada lagi implementasi

model baru untuk membangun aplikasi web, kebutuhan untuk mengatur dan mengkonfigurasi server, karena tugas tersebut adalah model tanpa server. Sedangkan aplikasi desktop didelegasikan ke penyedia layanan tanpa

server [19] - [22]. sangat berguna untuk tujuan penelitian, mereka bisa menjadi arsitektur Tanpa Server yang terdiri dari dua rumit utama ketika mereka perlu digunakan oleh komponen layanan kesehatan - Backend sebagai

layanan (BaaS) dan Fungsi sebagai profesional untuk menilai pasien. Aplikasi desktop membutuhkan layanan (FaaS) [23], [24]. BaaS digunakan untuk menjelaskan bahwa diinstal secara terpisah pada setiap perangkat dan

aplikasi yang diperbarui secara manual yang menggabungkan aplikasi yang di-host di cloud dan yang mungkin menjadi masalah saat pengguna tidak menginstal layanan, untuk mengelola logika dan status sisi server. Padahal di

upgrade penting secara tepat waktu. Selain itu, FaaS ini (juga disebut sebagai fungsi tanpa server) aplikasi sisi server hanya dapat diakses dari fisikalogika tertentu aplikasi berada di bawah kendali pengembang, lokasi, jadi ada

batasan kegunaan untuk aplikasi seperti dalam bentuk tradisional , bagaimanapun, logika ini dijalankan dan untuk setiap laporan yang dapat dihasilkan oleh aplikasi. Padahal dalam peningkatan yang penting tepat waktu. Selain

itu, FaaS ini (juga disebut sebagai fungsi tanpa server) aplikasi sisi server hanya dapat diakses dari fisikalogika tertentu aplikasi berada di bawah kendali pengembang, lokasi, jadi ada batasan kegunaan untuk aplikasi seperti

dalam bentuk tradisional , bagaimanapun, logika ini dijalankan dan untuk setiap laporan yang dapat dihasilkan oleh aplikasi. Padahal di upgrade penting secara tepat waktu. Selain itu, FaaS ini (juga disebut sebagai fungsi tanpa

server) aplikasi sisi server hanya dapat diakses dari fisikalogika tertentu aplikasi berada di bawah kendali pengembang, lokasi, jadi ada batasan kegunaan untuk aplikasi seperti dalam bentuk tradisional , bagaimanapun, logika ini

dijalankan dan untuk setiap laporan yang dapat dihasilkan oleh aplikasi.

1928
kontainer komputasi tanpa negara. Kontainer ini adalah triggerem detode yang digunakan untuk analisis HRV. File-file ini disimpan di S3
oleh sebuah acara dan dikelola oleh penyedia cloud pihak ketiga. setelah fungsi tanpa server menjalankan kode
Secara desain, fungsi tanpa server berskala otomatis. menerapkan metode linier dan non linier.
Itu berarti bahwa setiap permintaan pengguna baru akan menghasilkan yang baru. Bagian depan aplikasi dibuat menggunakan VueJS - instance dari fungsi tanpa server
dan setelah tugas memiliki kerangka kerja JavaScript reaktif yang menyediakan kemampuan yang diselesaikan, contoh tersebut akan berhenti dengan sendirinya. Ini
untuk pengembangan aplikasi web. Dibandingkan dengan model lain memungkinkan pola lalu lintas untuk ditangani oleh kerangka kerja JavaScript default Vue sangat
kecil (sekitar 20KB) dan dengan biaya yang sedikit. Jika pola lalu lintas aplikasi sangat dapat diskalakan dengan baik, karena fungsionalitas dapat dipecah tidak
konsisten - jam tanpa permintaan diikuti dengan cepat menjadi komponen sederhana, yang dapat digunakan kembali secara terus menerus. peningkatan lalu lintas
pengguna - kemudian dengan penskalaan otomatis masing-masing Aplikasi dikembangkan menggunakan NuxtJS yang merupakan permintaan baru akan menghasilkan
kerangka fungsi tanpa server baru yang berjalan di atas VueJS dan yang memungkinkan misalnya. Ini berarti tidak ada waktu idle, dan semua pembuatan situs userstatic
baru. Artinya, permintaan web ditangani tanpa merusak pengalaman pengguna

aplikasi dapat dihosting di Amazon S3 sebagai situs statis

[25]. dan dengan biaya yang sangat rendah, yang bergantung pada ukurannya
Di sisi lain, jika aplikasi perlu memproses, aplikasi bisa menjadi nol.
beberapa permintaan setiap jam, lalu dalam arsitektur tradisional, Meskipun aplikasi web di-host sebagai situs statis, server hosting akan berjalan hampir sepanjang
waktu. isinya tidak statis. Dengan menggunakan API gateway, Sebaliknya, fungsi tanpa server hanya akan berjalan agar aplikasi dapat menjalankan panggilan REST API
yang bisa juga durasi di mana fungsi tersebut dapat menyelesaikan eksekusi. mengambil informasi secara langsung dari database backend atau Tanpa Server sangat
hemat biaya karena penyedia hanya menagih pemicu fungsi tanpa server yang dapat menjalankan logika untuk waktu yang dibutuhkan setiap permintaan untuk
diselesaikan. Ini terkait dengan permintaan khusus. Backend berarti bahwa ketika aplikasi tidak menerima aplikasi apa pun terdiri dari DynamoDB, yang merupakan
permintaan tanpa server sama sekali tidak ada biaya yang dikeluarkan - sebuah majoN

r database oSQL. DynamoDB adalah contoh BaaS - the

manfaat untuk komputasi awan tradisional. Karena database sepenuhnya dikelola oleh AWS, sehingga hanya penyedia cloud tanpa server pengembang yang dapat
sepenuhnya memanfaatkan kebutuhan servernya untuk menangani informasi apa yang disimpan atau diambil dari arsitektur untuk memiliki waktu idle yang sangat sedikit,
mereka dapat meneruskannya. Database NoSQL dipilih untuk tuntutan penghematan biaya ini kepada penggunanya [26].
aplikasi, untuk memberikan solusi terukur yang bisa
Arsitektur tanpa server memungkinkan pengembang untuk membuat dan menangani volume besar data terstruktur dalam bentuk program dan layanan yang
dijalankan tanpa mengganggu hasil keluaran dari analisis HRV. proses manajemen kompleks yang terlibat dalam pengoperasian a

kerangka server yang besar. Ini berarti bahwa pengembang dapat membuat sistem untuk
digunakan dalam kardiologi atau bidang perawatan kesehatan lainnya dengan kecepatan
yang lebih cepat, untuk membawa kemajuan teknologi secepat mungkin kepada pengguna
akhir (pasien dan profesional perawatan kesehatan).

B. Implementasi Aplikasi Web dalam Arsitektur tanpa server yang dibuat

Aplikasi web yang diusulkan telah dikembangkan menggunakan layanan tanpa

server dari Amazon Web Services (AWS). Namun, prinsip arsitektur dapat dengan
mudah di-porting ke penyedia cloud lain seperti Microsoft Azure atau Google Cloud
[27].

Seperti yang dapat dilihat pada Gambar 1, aplikasi diamankan menggunakan

AWS Cognito. Ini adalah layanan yang memungkinkan pengelolaan pengguna baru
dan yang sudah ada dan berskala otomatis untuk menangani sejumlah pengguna.
Permintaan di front-end aplikasi diproses melalui CloudFront CDN. CloudFront adalah
jaringan pengiriman konten yang bekerja dengan menyimpan konten di banyak lokasi
edge di seluruh dunia. Jika aplikasi dihosting di benua yang berbeda untuk pengguna
yang mencoba mengaksesnya, maka CloudFront dapat menyimpan konten di lokasi
edge yang sangat dekat dengan pengguna tersebut, dan dengan demikian
Gambar 1 Arsitektur tanpa server dari aplikasi berbasis web

kurangi waktu yang dibutuhkan untuk memuat konten. Ini Bagian utama terakhir dari arsitektur yang diusulkan pada akhirnya dapat sangat meningkatkan pengalaman
pengguna. Komponen fungsi Lambda, yaitu AWS
Simple Storage Service (S3) adalah implementasi penyimpanan objek AWS dari fungsi tanpa server atau FaaS. Setiap layanan waktu itu adalah arsitektur
penyimpanan data yang mengelola datta di sini adalah permintaan pengguna baru yang membutuhkan logika
sebagai objek diskrit dalam ruang alamat datar tanpa ada yang dieksekusi, permintaan tersebut dikirim ke API Gateway, yang pada gilirannya hirarki direktori. S3
digunakan dalam pemicu yang diusulkan Lambda. Sebagai contoh, ketika pasien tertentu adalah aplikasi untuk menyimpan file seperti informasi interval RR yang dipilih
(Gbr. 2), permintaan dikirim ke API Gateway. Selanjutnya, API pasien atau grafik yang dihasilkan oleh mathematicalGateway memicu Lambda untuk mengeksekusi kode
yang diinginkan

1929
menganalisis file untuk masing-masing pasien dan nilainya tidak distandarisasi, dan mereka sekarang sedang diselidiki. Output untuk metode matematika yang sesuai
adalah Estimasi derajat fraktalitas penting dalam disimpan di DynamoDB, sedangkan grafik akan dikirim ke studi S3 sinyal RR untuk mendapatkan informasi tentang
penyimpanan jarak jauh [28], [29].
ketergantungan dan untuk memprediksi perilaku mereka. Fraktalitas
Aplikasi web memungkinkan pengguna untuk mengunggah file dengan rangkaian waktu RR terkait dengan ketidakteraturan pada satu informasi RR (diperoleh dari
catatan EKG digital) dan pengulangan pada rentang waktu yang luas yang diperoleh dengan menggunakan perangkat Holter atau elektrokardiografi dan lain. Interval RR
biasanya nonlinier dan kemudian melihatnya pada skala waktu yang berbeda, karena hal itu dapat menjadi rangkaian waktu non-stasioner, dengan banyak informasi yang
disesuaikan secara dinamis oleh pengguna. Setelah file telah dikodekan dalam dinamika fluktuasiTsh mereka
. ese
diunggah ke lokasi penyimpanan S3, dapat dianalisis dan fluktuasi memiliki struktur internal dengan properti fraktal (sendiri output dapat diamati dari halaman Analisis
serupa) yang dapat diamati pada aplikasi waktu yang berbeda. Menggunakan Cognito, akses ke informasi interval; Oleh karena itu, fluktuasi dapat diukur dengan pasien
dapat dibatasi hanya pada eksponen fraktal dan multifaktal layanan kesehatan. Proses fraktal dapat dilakukan oleh para profesional yang bekerja dengan mereka atau
kepada pasien yang dicirikan oleh dimensi fraktal atau Hurst mereka sendiri.

parameter karena parameter tersebut mencerminkan tingkat self-

kesamaan metode. Nilai eksponen Hurst adalah
C. Metode untuk analisis HRV
dalam kisaran 0,5 dan 1,0 jika proses sedang diperiksa
Aplikasi berbasis web tanpa server yang dikembangkan melakukan fraktal [30]. Proses yang memiliki sifat fraktal adalah analisis dan evaluasi HRV dengan penerapan
linier dan dibagi menjadi 2 kelompok yaitu monofraktal dan multifaktal. metode nonlinier. Metode dan parameter yang digunakan untuk proses Monofraktal ditandai
dengan hanya satu nilai analisis HRV dalam aplikasi yang diusulkan ditunjukkan pada Tabel eksponen Hurst dan mereka memiliki satu dimensi fraktal,

I. Metode linier (Domain-Waktu dan Frekuensi- sedangkan proses multifraktal dicirikan oleh a
Analisis domain) digunakan untuk evaluasi langsung spektrum HRV eksponensial Hurst atau dengan spektrum fraktal [3].
ukuran.
Analisis domain waktu sangat umum digunakan di Metode fraktal seperti DFA (Detrended Fluctuation
latihan jantung karena memiliki sifat diagnostik yang baik . nalisis) [3], [32], plot jarak skala ulang (R / S) [30] dan
Komponen penting dari analisis ini adalah statistik l FDFA (MultiFractal Detrended Fluctuation Analysis) [31],
dan pengukuran geometris yang keduanya dapat digunakan untuk [33] telah digunakan dalam aplikasi web yang dikembangkan untuk mengukur dan mengevaluasi
HRV. Dibandingkan dengan analisis HRV nonlinier statistik.
Perhitungan, yang geometris kurang dipengaruhi oleh metode non-linier lain untuk menganalisis HRV yang digunakan oleh kualitas data yang dipelajari. Namun,
geometri aplikasi web adalah metode Poincaré. Ini adalah geometris
pengukuran kurang akurat dibandingkan rekan-rekan mereka [2m ], metode di mana setiap interval RR direpresentasikan sebagai a
[3]. fungsi dari interval sebelumnya [3]. Analisis visual
Parameter domain frekuensi didasarkan pada spektraH l RV, berdasarkan plot Poincaré, memberikan informasi penting
analisis, yang memberikan distribusi setiap banyak informasi tentang keadaan fisiologis pasien. Ini memungkinkan frekuensi hadir dalam interval RR [3], [5]. Studi
menunjukkan dokter untuk melihat interval RR dari seluruh catatan EKG bahwa domain frekuensi terdiri dari tiga secara langsung dan dengan cepat mendeteksi
gangguan kardiovaskular jika
komponen: Frekuensi Sangat Rendah (VLF; 0,00 - 0,04 Hz), apa saja [5]. Frekuensi Rendah
(LF; 0,04 - 0,15 Hz), dan Frekuensi Tinggi Aplikasi web juga menggunakan Approximate Entropy dan
(HF; 0,15-0,40 Hz) [3]. Entropi Sampel Densitas Spektral Daya sebagai metode nonlinier untuk menganalisis HRV. metode digabungkan menjadi dua kelas:
non-parametrik dan Metode ini menentukan derajat ketidakteraturan parametrik. Dalam aplikasi web yang dikembangkan, seri waktu RR berikut. Nilai entropi rendah
adalah karakteristik yang digunakan: Fast Fourier Transform (FFT), mewakili deret waktu biasa, sedangkan nilai yang lebih tinggi melekat pada

metode nonparametrik, dan AutoRegressive (AR), data stokastik [1]. perwakilan dari metode parametrik [2].

Melalui analisis Domain-Waktu dan Domain-Frekuensi, D. Data

informasi obyektif tentang kondisi 1) Variabel subjek: Sinyal RR yang dipelajari sesuai
sistem kardiovaskular dapat diperoleh. Kuantitas untuk subjek sehat, yang dibagi menjadi dua kelompok: 20 dimensi parameter yang diteliti dalam analisis ini adalah
untuk orang dewasa muda (20-30 tahun) dan 20 orang dewasa yang lebih tua (70-80 tahun). aplikasi klinis yang signifikan karena batas-batas rangkaian waktu RR dari
subjek yang diteliti terdiri dari sekitar 100 patologi norma yang telah ditetapkan [6].
000 titik data dan diekstrak dari Holter 24 jam
Karakteristik statistik, geometri, dan spektral dari perekaman subjek dalam posisi terlentang.
interval RR telah dipelajari secara menyeluruh dan digunakan 2) Analisis statistik I: t dilakukan dengan tidak berpasangan
oleh dokter untuk mengevaluasi pasien dengan uji-t kardiovaskular untuk membandingkan parameter yang dipelajari antara penyakit. Pada saat yang sama, dalam

beberapa tahun terakhir, kelompok yang diinvestigasi non-linier dan hasilnya disajikan sebagai mean ±
metode analisis matematika secara aktif memperkenalkan deviasi standar (mean ± SD). Nilai p dianggap yang menggambarkan dinamika "chaotic" dari seri RR [2].

signifikan secara statistik jika kurang dari 0,05.

Seperti mekanisme di balik perubahan aperiodik pada jantung
ritme belum sepenuhnya dijelaskan, metode ini

1930
 TABEL I
S UMMARY OF THE HRV P. ARAMETER

Parameter Unit Deskripsi

Pengukuran statistik
MeanRR MS Berarti interval RR
SDNN MS Simpangan baku dari interval RR normal
SDANN MS Simpangan baku dari interval RR normal 5 menit berurutan Jumlah pasangan
NN50 jumlah interval RR normal berturut-turut yang berbeda lebih dari 50 ms
Domain waktu

pNN50 % NN50 dibagi dengan jumlah total interval RR Akar kuadrat dari
Analisis

RMSSD MS perbedaan kuadrat rata-rata antara interval RR yang berurutan

MeanHR bpm Denyut jantung rata-rata

SDHR bpm Simpangan baku dari nilai detak jantung sesaat
Pengukuran geometris
HRVTi jumlah Integral dari histogram interval RR dibagi dengan tinggi histogram

TINN MS Lebar dasar dari histogram interval RR

Spektrum FFT / AR
Kekuatan mutlak m2 s Kekuatan absolut pita VLF, LF, dan HF Kekuatan relatif pita
Frekuensi-

Analisis

% VLF, LF, dan HF Kekuatan pita LF dan HF dalam pita yang

Domain

Kekuatan relatif
Dinormalisasi nu dinormalisasi
kekuasaan
LF / HF - Rasio antara kekuatan pita LF dan HF
Plot Poincaré
SD1 MS Deviasi standar 1 (Variabilitas jangka pendek) Deviasi
SD2 MS standar 2 (Variabilitas jangka panjang) Rasio antara SD1
SD1 / SD2 - dan SD2
Plot R / S.
Eksponen Hurst - Indeks ketergantungan jangka panjang
DFA
Nonlinier
Analisis

Alfa 1 - Eksponen penskalaan jarak pendek

Alfa 2 - Eksponen penskalaan jarak jauh
MFDFA
Multifraktal - Spektrum multifaktal = Alph m Sebuah kapak- Alfa min
spektrum
Entropi
Perkiraan - Ukuran kompleksitas sinyal
entropi
Contoh entropi - Ukuran kompleksitas sinyal

nilai referensi dari parameter yang dipelajari, mengikuti petunjuk standar [6].
AKU AKU AKU. R ESULTS DAN D ISKUSI

Hasil pekerjaan ini disajikan dalam 2 berikut 4) Generasi protokol: Sebagai hasil penelitian
Subbagian: membuat aplikasi berbasis web untuk analisis dilakukan, dibuat protokol yang mencakup tabular dan
dan evaluasi HRV menggunakan metode linier dan nonlinier; informasi grafis. Protokol dapat disimpan dalam file teks
investigasi dari 2 kelompok mata pelajaran sehat (format dewasa muda atau sebagai PDF.
dan orang dewasa yang lebih tua).
5) Database dengan gambar dan catatan P: kemungkinan untuk membandingkan hasil
A. Aplikasi Berbasis Web Tanpa Server untuk Analisis dan Evaluasi HRV grafis yang diperoleh dengan yang tersedia dalam database yang dibuat dengan gambar
untuk kelompok yang berbeda

Aplikasi berbasis web tanpa server yang dikembangkan untuk pasien dengan penyakit kardiovaskular dan subjek sehat.
analisis dan evaluasi HRV terdiri dari berikut ini Halaman beranda dari aplikasi berbasis web bernama
fungsi: CardiacRythmAnalyser ditunjukkan pada Gambar. 2. Web
aplikasi melakukan analisis sinyal digital EKG. EKG
1) Analisis HRV menggunakan metho linier: d T s dia aplikasi
melakukan analisis Domain-Waktu dan Frekuensi-Domain, bagian informasi terdapat dalam parameter QRS mengikuti petunjuk standar [6].
kompleks dan dalam interval detak jantung (interval RR).
Interval RR ini adalah parameter keluaran penting saat
2) Analisis HRV menggunakan metode non linier metho: ds Itu mengambil informasi dari rekaman EKG. Aplikasi
aplikasi melakukan plot Poincaré, DFA, MFDFA, R / S plot, pengguna dapat menggunakan catatan yang sudah diunggah oleh mereka (file teks Perkiraan entropi, Entropi
sampel. dengan interval RR) dari database kami atau unggah yang baru.

3) Evaluasi hasil T : ia memperoleh hasil setelah memuat file data, pengguna memilih jenis
Analisis linier dievaluasi dengan membandingkan dengan analisis (Time-Domain, Frequency-Domain, atau Nonlinear

1931
Analisis) dengan menekan tombol yang sesuai. Secara default, Gbr. 3 menunjukkan interval RR dari orang dewasa muda dan dewasa muda
hasil analisis Domain-Waktu ditampilkan (Gbr. dewasa. Grafik menunjukkan bahwa variabilitas detak jantung lebih tinggi di
2). yang lebih tua. Nilai dari parameter non-linier statistik dan geometris ditunjukkan
Hasil analisis HRV disajikan dalam bentuk pengukuran, parameter domain frekuensi, dan dua cara:
pada Tabel II. Berdasarkan
hasil yang diperoleh, dapat diambil kesimpulan sebagai berikut:
1) Tampilan tabel: Hasil untuk parameter yang dipelajari bisa
dilihat di samping nilai referensi masing-masing sesuai 1) Analisis Domain Waktu: Sebagian besar parameter sesuai standar di [6]. Jika hasilnya berada dalam signifikan
secara statistik yang ditentukan karena nilai p kurang dari 0,05. interval dari nilai referensi, maka field status mendapatkan nilai. Oleh karena itu, metode analisis
Domain-Waktu dapat bernilai N (Normal). Jika hasilnya lebih rendah dari nilai minimum, bedakan antara dua kelompok mata pelajaran yang dipelajari. nilai referensi,
maka status disetel ke L (Rendah) dan jika sudah

lebih tinggi dari nilai referensi maksimum, maka statusnya adalah 2) Analisis Frekuensi-Domain: Semua nilai di atur ke H (High).
Parameter Frekuensi-Domain, menggunakan spektrum FFT dan spektrum AR
signifikan secara statistik (p <0,05), dan ini
2) Tampilan grafik: Di sebelah kanan tabel kita dapat melihat analisis dapat membedakan antara dua kelompok hasil grafis yang dipelajari. Tergantung pada tombol
yang ditekan, webs-ubjects.
Aplikasi berbasis menawarkan kemampuan untuk menampilkan 3 jenis grafik: histogram interval RR, histogram 3) Analisis Nonlinier (Poincaré plot) T: nilai-nilai dari.
Pengukuran SDM dan geometris. Gambar. 2 menunjukkan parameter geometri SD1 (panjang elips), SD2 (lebar elips) dan ukuran histogram interval RR normal.

Rasio SD1 / SD2 plot Poincaré lebih rendah untuk kelompok subjek orang dewasa yang lebih
tuadibandingkan dengan kelompok subjek yang lebih muda

B. Hasil analisis HRV subjek. Pengurangan SD1 dan SD2 mengarah pada pengurangan

Diketahui bahwa detak jantung tidak seragam dan berada di area elips serta penurunan HRV. dipengaruhi oleh berbagai faktor seperti fisiologis. Plot Poincaré
memungkinkan seluruh catatan EKG menjadi parameter (usia, jenis kelamin, genetik); penyakit (kardiovaskuler, iew segera dan dengan cepat mendeteksi internal
kardiovaskular, psikiatrik, metabolik); faktor gaya hidup (gangguan olahraga jika ada (Gbr. 4). Bentuk aktivitas point cloud, peningkatan berat badan, merokok,
penyalahgunaan alkohol); memberikan informasi diagnostik [3]. Grafik faktor eksternal subjek sakit (kebisingan, pengobatan). Karya ini mempelajari bagaimana bentuk
torpedo, kipas, atau usia bentuk kompleks memengaruhi HRV.

(terdiri dari beberapa "awan") tergantung dari jenis penyakitnya. Grafik subjek yang
sehat berbentuk komet.

Gambar 2 Halaman muka dari aplikasi berbasis web

1932
 orang dewasa yang lebih tua (Gbr. 6b), parameter Hurst hampir konstan pada nilai
yang berbeda dari parameter q, sehingga sinyal ini memiliki perilaku monofraktal.
Fungsi tau (q) adalah kurva cembung (Gbr. 5c) untuk orang dewasa muda sehat
yang terbukti multifraktal. Sebaliknya, tau (q) adalah garis lurus (Gambar 6c) untuk
orang dewasa yang lebih tua yang memiliki perilaku monofraktal. Sinyal RR dari
orang dewasa yang lebih tua yang sehat (Gambar 5d) menunjukkan berbagai
eksponen penskalaan yang menunjukkan bahwa ia memiliki perilaku multifraktal.
Sinyal dari orang dewasa yang lebih tua (Gambar 6d) menunjukkan berbagai faktor
skala yang sempit, dan spektrum multifraktalnya adalah 5 kali lebih kecil dari subjek
sehat. Sinyal ini adalah contoh proses monofraktal. Spektrum multifraktal dari
kelompok yang diteliti memiliki signifikansi statistik, karena nilai p <0,0001. Karena
itu,

Gbr. 3 interval waktu RR untuk subjek muda dan lanjut usia

Gambar 4 plot Poincare untuk dewasa muda dan tua

Studi kami menunjukkan (Gbr. 4) bahwa grafik orang dewasa muda yang sehat Gambar. 5 MFDFA untuk dewasa muda

memiliki pola komet, sedangkan grafik orang dewasa tua yang sehat - pola torpedo.

4) Analisis Nonlinier (metode DFA T ): dia menghargai

Parameter Alpha 1 dan Alpha 2 untuk metode DFA berada pada range antara 1.0
dan 1.5 untuk subjek kedua kelompok, yang menyiratkan adanya perilaku fraktal
pada tanda RR ini.

5) Analisis Nonlinier (metode MFDFA) F: Gambar 5 dan Gambar 6 menunjukkan

grafik dari parameter yang dipelajari dengan metode MFDFA. Grafik dari log fungsi
Fluktuasi Fq (s) vs. skala untuk nilai parameter yang berbeda q untuk dewasa muda
yang sehat (Gbr. 5a) dan dewasa tua yang sehat (Gbr. 6a) adalah garis lurus, yaitu,
waktu RR yang diteliti adalah invarian pada skala dan karena itu memiliki perilaku
fraktal. Kemiringan fungsi fluktuasi (Gbr. 5a) berbeda, yang merupakan bukti perilaku
multifraktal dari sinyal yang diselidiki. Grafik (Gambar 6a) adalah paralel, yaitu
kemiringan fungsi fluktuasi konstan; artinya, sinyal ini memiliki perilaku monofraktal.
Parameter Hurst menentukan derajat keteraturan dan invariansi skala besar dari
proses studi. Kisaran nilai parameter Hurst bervariasi dari 1,0 hingga 0. 6 dalam
kasus nilai yang berbeda dari parameter q untuk orang dewasa muda yang sehat
(Gambar 5b), oleh karena itu, interval RR ini memiliki perilaku multifraktal. Dalam
kasus

Gambar. 6 MFDFA untuk orang dewasa yang lebih tua

1933
 TABEL II
C OMPARISON DARI HRV P. ARAMETER ANTARA G ROUP 1 (Y OUNG SEBUAH DULTS) DAN G ROUP 2 (O LDER SEBUAH DULTS)

Parameter Grup 1 (rata-rata ± SD) Grup 2 (rata-rata ± SD) Nilai P.

Pengukuran statistik
RR rata-rata [md] 1133.9 ± 177.8 1066.1 ± 65.8 0.1
SDNN [md] 97,2 ± 20,8 52.0 ± 20.3 0,0001
SDANN [md] 0,0001
Analisis Domain Waktu

82,3 ± 17,9 40.5 ± 18.1

NN50 [angka] 187.0 ± 255.2 2790,8 ± 1265,6 0,0001
pNN50 [%] 3.4 ± 5.2 40.2 ± 20.3 0,0001
RMSSD [md] 21.0 ± 10.8 72.4 ± 29.1 0,0001
HR rata-rata [bpm] 59.9 ± 9.8 56.6 ± 3.3 0.2
SDHR [bpm] 6.0 ± 1.4 2.7 ± 0.8 0,0001
Pengukuran geometris
HRVTi [angka] 19.6 ± 1.4 14.6 ± 1.6 0,0001
TINN [md] 387.7 ± 65.1 222.2 ± 99.2 0,0001
Spektrum FFT
VLF daya [ms2] 3629.3 ± 998.2 1759.7 ± 1336.0 0,0001
Daya LF [ms2] 1846,9 ± 276,6 246.0 ± 147.7 0,0001
Daya HF [ms2] 1134.2 ± 204.8 112,8 ± 107,2 0,0001
VLF daya [%] 48,8 ± 15,0 75.2 ± 8.0 0,0001
Daya LF [%] 29.9 ± 9.1 19.1 ± 5.0 0,0001
Daya HF [%] 22.9 ± 14.9 5.2 ± 3.1 0,0001
Analisis Frekuensi-Domain

Daya LF [nu] 51.0 ± 6.5 80,2 ± 7,8 0,0001

Daya HF [nu] 27.1 ± 5.3 19,7 ± 7,8 0,001
Rasio LF / HF 1,9 ± 0,02 4.3 ± 1.8 0,0001
Spektrum AR
VLF daya [ms2] 2116.0 ± 848.7 844.3 ± 763.1 0,0001
Daya LF [ms2] 898.5 ± 264.1 120,4 ± 105,2 0,0001
Daya HF [ms2] 815,7 ± 329,7 46,8 ± 42,2 0,0001
VLF daya [%] 47,3 ± 13,5 81,8 ± 8,6 0,0001
Daya LF [%] 28.9 ± 10.2 13.0 ± 5.3 0,0001
Daya HF [%] 23,8 ± 14,7 5.2 ± 3.2 0,0001
Daya LF [nu] 52.9 ± 9.1 85.8 ± 8.3 0,0001
Daya HF [nu] 26.0 ± 7.0 35.6 ± 6.3 0,0001
Rasio LF / HF 1,9 ± 0,05 2,5 ± 0,58 0,0001
Poincar é plot
SD1 [md] 30 ± 10 20 ± 6 0,0005
SD2 [md] 105 ± 24 85 ± 16 0,004
Rasio SD1 / SD2 0,32 ± 0,13 0,25 ± 0,11 0,07
DFA
Analisis Nonlinier

Alfa 1 1,01 ± 0,23 1,45 ± 0,17 0,0001

Alfa 2 0,98 ± 0,08 1,01 ± 0,08 0.2
MFDFA
Spektrum multifaktal 0,5 ± 0,23 0,2 ± 0,16 0,0001
Plot R / S.
Eksponen Hurst 0,79 ± 0,08 0,61 ± 0,07 0,0001
Entropi
Perkiraan entropi 1,57 ± 0,18 1,19 ± 0,25 0,0001
Contoh entropi 1,53 ± 0,18 1,04 ± 0,25 0,0001

komputasi terkelola dan layanan penyimpanan kepada pengguna akhir. Jadi,

6) Analisis Nonlinier (R / S plot): Saat Hurst
konfigurasi dan pengelolaan yang mendasari
eksponen berada dalam kisaran antara 0,5 dan 1,0, studiedarchitecture jatuh pada penyedia cloud dan bukan dengan data yang memiliki perilaku fraktal. Nilai eksponen
Hurst untuk pengembang. Layanan tersebut menggunakan server. Namun, kedua kelompok yang dipelajari ini berada dalam kisaran ini. Oleh karena itu, server data
dipisahkan dari pengembang. Membuat sebuah
menunjukkan perilaku fraktal. Eksponen Hurst lebih tinggi dalam aplikasi web tanpa server, oleh karena itu, menawarkan beberapa subjek muda, yang merupakan bukti
HRV yang lebih tinggi.
keunggulan dibandingkan dengan aplikasi web tradisional:
7) Analisis Nonlinier (Entropi): Perkiraan entropi skalabilitas, efisiensi biaya dan perkembangan yang cepat dibandingkan
dan Nilai entropi sampel lebih tinggi untuk grup yang sehat dibandingkan dengan teknologi cloud lainnya.
dewasa muda dibandingkan dengan kelompok subjek yang lebih tua. Aplikasi berbasis web tanpa server yang dikembangkan untuk HRV Nilai yang lebih tinggi dari
parameter ini merupakan bukti bahwa analisis dan evaluasi adalah hal baru dalam penerapan rangkaian orang muda sehat yang memiliki perilaku stokastik.
teknologi informasi modern dalam praktik kardiologi non-invasif. Aplikasi ini
menawarkan solusi yang tepat untuk studi jangka panjang dan pemantauan
IV. C KESIMPULAN perubahan di

Kami mengusulkan arsitektur baru untuk mengembangkan curah jantung pasien web dengan menganalisis dan mengevaluasi HRV. aplikasi dan membandingkannya
dengan yang sudah ada. Dalam penggunaan jenis aplikasi web ini dalam model tanpa server invasif, penyedia cloud pihak ketiga menawarkan kardiologi penuh yang
memungkinkan penyimpanan, pemrosesan dan

1934
analisis otomatis informasi jantung di luar [ 14]
Rumah Sakit.
Dua kelompok orang dianalisis untuk validasi
metode matematika yang digunakan dalam pengembangan [ 15]
aplikasi. Hasil yang diperoleh menunjukkan bahwa usia subjek penelitian
berpengaruh terhadap HRV, dan menurun seiring dengan bertambahnya usia.
Aplikasi berbasis web ini tidak memiliki
tujuan komersial dan ditujukan untuk peneliti, dokter [, 16]
profesional medis untuk penelitian, atau penggunaan klinis. Aplikasi berbasis web tanpa server
yang diusulkan terbuka untuk pengembangan dan perluasan di masa mendatang untuk
memenuhi semua kebutuhan pengguna saat ini dan di masa mendatang.
SEBUAH UCAPAN TERIMA KASIH
Pekerjaan penelitian ini dilakukan sebagai bagian dari
proyek ilmiah "Investigasi penerapan baru
metode matematika untuk analisis jantung d № ata ”
К P-06-N22 / 5, tanggal 07.12.2018, didanai oleh National Science Fund of Bulgaria
(BNSF).
R EFERENSI.
[1] MD Costa, RB Davis, AL Goldberger, “Denyut Jantung
Fragmentasi: Pendekatan Baru untuk Analisis atau Interbeat Jantung [20]
Dinamika Internal ”, Frontiers dalam Psikolog, y 8: 255, 2017. "Variabilitas
[2] UR Acharya, KP Joseph, N. Kannathal, CM Lim, dan JS Suri,
detak jantung: ulasan" M , Teknik Pendidikan & Biologi
& Komputasi, vol. 44 (12), hlm. 1031–1051, 2006.
[3] G. Ernst, Dengar R t makan Variabilitas, London: Springer-Verlag, 2014.
[4] MV Kamath, MA Watanabe, ARM Upton (Eds H.) e, Art Rate
Variabilitas (HRV) Analisis Sinyal: Aplikasi Klinis, ns Edisi pertama,
CRC Press Taylor & Francis Group, 2016. Jantung
[5] S. Laborde, E. Mosley dan JF Thayer, “Variabilitas Denyut Jantung dan
Vagal Nada di Psikofisiologis Penelitian-
Rekomendasi untuk Perencanaan Eksperimen, Analisis Data, dan Data
Pelaporan", Frontiers dalam Psikolog, y 8: 213, 2017.
[6] Variabilitas Denyut Jantung: Standar Pengukuran, Fisiologis Kardiologi dan
Interpretasi, dan Penggunaan Klinis, Gugus Tugas Masyarakat Eropa [ 24]
Masyarakat Amerika Utara untuk Pacing dan
Elektrofisiolog, y European Heart Journal, vol. 17, hlm. 354-381,
1996.
[7] (2019) Anggota Parlemen Tarvainen, J.Lipponen, J.-P. Niskanen, PO Ranta-aho, [25]
“Kubios (ver. 3.3)”, Panduan pengguna. [On line]. Tersedia:
https://www.kubios.com/downloads/Kubios_HRV_Users_Guide.pdf. [26] sistem nevrous
[8] L. Mourot, “CODESNA_HRV, alat baru untuk menilai aktivitas Penelitian
otonom dari variabilitas detak jantung ", Fisik
Kedokteran dan Rehabilitasi, vol. 3 (1), hlm. 1-6, 2018.
[9] R. Bartels, L. Neumamm, T. Pecanha, S. Carvalho, "SinusCor: alat canggih untuk
analisis variabilitas detak jantung", BioMed. Eng. OnLine, vol. 16 (1), hlm.110-124,
2017.
[10] L. Rodr ί guez-Liñres, MJ Lado, XA Vila, AJ Méndz, P.Guesta, "gHRV: Analisis
Variabilitas Denyut Jantung dipermudah", Metode dan Program Komputer di
Biomedicine, vol. 116 (1), hlm.26-38, 2014.
[11] CAG Martínez, AO Quintana, XA Vila, MJL Touriño, L.Rodríguez-Liñares, JMR
Presedo, AJM Penín, Heart Rate [31]
Analisis Variabilitas dengan paket R RHRV, Springer International Publishing, 2017.
[12] (2019) Institut HeartMath. [On line]. Tersedia: [32]
https://healthyheart-meditation.com/heartmath-institute/
[13] S. Pandey, W. Voorsluys, S. Niu, A. Khandoker dan R. Buyya, “An
lingkungan cloud otonom untuk menghosting layanan analisis data ECG [33] ", Sistem
Komputer Generasi Mendatang, m v s ol. 28, hlm. 147-
154, 2012.
1935
A. Kalinichenko, S. Motorina, "Algoritma untuk Analisis EKG dalam Sistem
Pemantauan Jantung Seluler", di Proc. Konferensi ke-20 Asosiasi Inovasi Terbuka,
tio p n p. 112-117, April
2017.
O. Barquero-Pérez, T. Quintanilla, J. Garía-Muñoz, C. Soguero-Ruiz,
MR Wilby, M de la Rosa, M Cabañas, I. Bravo, A. García-Alberola dan JL Rojo-Álvarez,
“eLab: Platform Berbasis Web untuk Melakukan Analisis HRV dan HRT dan
Menyimpan Tanda Jantung C ls Hai ”, mputing in
Kardiologi, vol. 40, hlm.21-24, 2013.
J. Mohammed, CH Lung, A. Ocneanu, A. Thakral, C. Jones dan A. Adler, "Internet of
Things: Pemantauan pasien jarak jauh menggunakan layanan web dan komputasi
awan" IE, EE International Conference on Internet of Things (iThings), dan IEEE Green
Computing and Communications (GreenCom), dan IEEE Cyber, Physical and Social
Computing (CPSCom)
, T) aipei, hlm.256-263, 2014.
[17] RN Kirtana dan YV Lokeswari, “Sistem Pemantauan HRV Jarak Jauh Berbasis IoT
untuk Pasien Hipertensi” I, Konferensi Internasional tentang Komputer, Komunikasi,
dan Pemrosesan Sinyal (ICCCSP,) Chennai, India, hlm. 1-6, 2017.
[18] J. García, JD Trigo, A. Alesanco, P. Serrano, J. Mateo, RS Istepatian, "Desain dan
evaluasi sistem pendukung keputusan nirkabel untuk studi variabilitas denyut jantung
dalam prosedur tindak lanjut hemodialisis", Metode dan Program Komputer di Biomedi,
ci v n Hai e l. 88 (3), hlm.273-282, 2007.
[19] YAITU Akkus, R. Chen, I. Rimac, M. Stein, K. Satzke, A. Beck, P. Aditya, dan V. Hilt,
"PASIR: Menuju komputasi tanpa server berkinerja tinggi", Dalam Proc. Konferensi
Teknis Tahunan USENIX, 2018, hlm.923-935.
E. Oakes, L. Yang, D. Zhou, dan K. Houck, T. Harter, AC ArpaciDusseau dan RH
Arpaci-Dusseau, “SOCK: Penyediaan tugas cepat dengan kontainer yang dioptimalkan
tanpa server”, Dalam Proc. Konferensi Teknis Tahunan USENIX, 2018, hlm.57-69.
[21] B. Liston. 2017 (Perbarui 2018) Ubah Ukuran Gambar dengan Cepat dengan
AmazonS3, AWS Lambda, dan Amazon API Gateway. [On line]. Tersedia:
https://aws.amazon.com/blogs/compute/resize-images-onthe-fly-with-amazon-s3-aws-lambda-a
[22] S. Hendrickson, S. Sturdevant, T. Harter, V. Venkataramani, AC Arpaci-Dusseau,
dan R. H. Arpaci-Dusseau, “Tanpa server
Komputasi dengan OpenLambda, ”di Proc. 8th USENIX Workshop Hot Topics Cloud
Computing (HotCloud), 2016, hlm. 33–39.
[23] M. Roberts. (2018). Arsitektur Tanpa Server. [On line]. Tersedia:
https://martinfowler.com/articles/serverless.htm.
E. Eyk, A. Iosup, S.Seif, M. Thömmes “, Visi Riset Grup Cloud SPEC onFaaS dan
Arsitektur Tanpa Server”, di
Prosiding Lokakarya Internasional ke-2 tentang Komputasi Tanpa ServerWoSC'17, 2017.
T. Taylor, "8 alat teratas untuk digunakan saat bekerja dengan komputasi tanpa server", TechGeni,
x 2018.
P. Aditya, IE Akkus, A. Beck, R. Chen, V. Hilt, I. Rimac, K. Satzke dan M. Stein,
"Akankah Komputasi Tanpa Server Merevolusi NFV?", Proceedings of the IEEE, vol.
107, No. 4, hlm.667-678, 2019.
[27] Tim K&C, “Arsitektur Tanpa Server untuk Aplikasi Modern: Penyedia Tumpukan &
Peringatan”, 9 Oktober 2018 (Diperbarui: 19 April 2019).
[28] D. Poccia, AWS Lambda beraksi M, anning Publicatios Co, 2017.
[29] C. Gurturk, Membangun Arsitektur Tanpa Server, es Birmingham, Inggris: Packt
Publishing, 2017.
[30] M. Martinis, A. Knežev ć saya, G. Krsta č saya ć, dan E. Vargov ć i, “Perubahan
eksponen Hurst interval detak jantung selama aktivitas fisik ”, Physical Review E, vol.
70 (1), Pasal. No.012903, Juli 2004.
H. Salat, R. Murcio, E. Arcaute, "Metodologi multifraktal",
Fisika A: Mekanika Statistik dan Aplikasinya v n Hai s l ,. 473, hlm.467-487, Mei
2017.
C.-K. Peng, SV Buldyrev, S. Havlin, M. Simons, HE Stanley dan
AL Goldberger. "Organisasi Mosaik nukleotida DNA", Fisik Review E, vol. 49 (2),
hlm. 1685-1689, 1994.
JW Kantelhardt, SA Zschiegner, E. Koscielny-Bunde, S. Havlin,
A. Bunde, HE Stanley, “Analisis fluktuasi detrended multifraktal dari deret waktu
nonstasioner P. ”, hysica A: Mekanika Statistik dan
Aplikasinya, vol. 316 (1-4), hlm.87-114, 2002.