Diterima 16 Agustus 2021, diterima 31 Agustus 2021, tanggal terbit 1 September 2021, tanggal versi terkini 13 September 2021.
Pengenal Objek Digital 10.1109/ ACCESS.2021.3109806
Pekerjaan ini didukung oleh Hibah Dewan Riset Sains dan Teknologi Nasional (NST) melalui Kementerian Sains, ICT, dan Perencanaan
Masa Depan (MSIP) Pemerintah Korea, yang digantikan oleh Kementerian Sains dan ICT, di bawah Hibah CRC-15-05-ETRI .
Pekerjaan ini melibatkan subjek manusia dalam penelitiannya. Persetujuan seluruh prosedur dan protokol etis dan eksperimental
diberikan oleh Institutional Review Board dari Korea Research Institute of Standards and Science, Daejeon, Korea Selatan
berdasarkan Permohonan No. KRISS-IRB-2016-05-19, dan dilakukan berdasarkan pedoman Deklarasi Helsinki.
ABSTRAK Elektrokardiogram (EKG) sensitif terhadap disfungsi otonom dan komplikasi jantung akibat stroke iskemik
atau perdarahan dan diharapkan menjadi alat prognostik potensial dalam identifikasi stroke dan pengobatan pasca
stroke. Data EKG yang dihasilkan tidak dapat diakumulasikan, diproses, dan digunakan secara real-time untuk layanan
kesehatan dan kebugaran tingkat perusahaan dengan sistem pemantauan kardiovaskular yang digunakan di rumah
sakit. Penelitian ini bertujuan untuk menilai kelayakan sistem pemantauan jantung cyber-fisik untuk mengklasifikasikan
pasien stroke dengan perubahan aktivitas jantung dan orang dewasa yang sehat. Di sini, kami mengusulkan Big-
ECG, sistem pemantauan jantung cyber-fisik untuk manajemen stroke, yang terdiri dari sensor EKG yang dapat
dipakai, penyimpanan data dan analisis data dalam platform data besar, dan layanan konsultasi kesehatan
menggunakan analisis data dan ontologi medis. Kami menyelidiki usulan sistem pemantauan pasien berbasis EKG
dengan 45 pasien stroke (usia rata-rata 70,8 tahun, 68% laki-laki) yang dirawat di pusat rehabilitasi rumah sakit dan
40 sukarelawan lansia yang sehat (usia rata-rata 75,4 tahun, 38% laki-laki). Kami mencatat EKG saat istirahat
menggunakan patch EKG saluran tunggal dalam waktu tiga bulan setelah diagnosis stroke iskemik (dikonfirmasi secara klinis).
Pada hasil statistik diperoleh fitur fidusia EKG, fitur RR-I, QRS, QT, ST, dan variabilitas detak jantung (HRV), SDSD,
LF/HF, LF/(LF + HF), dan HF/(LF + HF) . diamati sebagai biomarker yang berbeda secara signifikan untuk kelompok
stroke dibandingkan dengan kelompok kontrol yang sehat. Model Random Trees menyajikan kinerja klasifikasi terbaik
(akurasi keseluruhan: 95,6%) dengan menggunakan variabel fidusia EKG. Sistem ini dapat membantu perusahaan
layanan kesehatan dalam prognosis dan manajemen rehabilitasi selama perawatan pasca stroke.
ISTILAH INDEKS Sistem siber-fisik, elektrokardiografi, pemantauan biomedis, aplikasi data besar, informatika
biomedis.
Karya ini dilisensikan di bawah Lisensi Creative Commons Attribution 4.0. Untuk informasi lebih lanjut, lihat https://creativecommons.org/licenses/by/4.0/
123146 JILID 9, 2021
Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke
keparahan defisit motorik dan kognitif awal. Beban ekonomi dari pengobatan Metode EKG menggunakan beberapa posisi spasial untuk mengukur
pasca stroke merupakan salah satu biaya perawatan kesehatan yang aktivitas listrik jantung dengan benar. Panjang seperti ini
tumbuh paling cepat [5]. persiapan klinis dan permintaan keterampilan ahli dapat menunda
Melacak sinyal fisiologis adalah salah satu hal yang penting prognosis penyakit akut. Apalagi kardiovaskular dan
metode untuk prognosis penyakit dan manajemen klinis. gangguan neurologis akibat stroke meningkatkan
Stroke adalah penyakit neurologis, dan elektroensefalografi (EEG) adalah risiko morbiditas dan mortalitas jantung pada masa pasca stroke
alat yang berguna untuk prognosis dini stroke [6]. periode [3]. Jadi, sistem pemantauan jantung real-time punya
Selain itu, stroke iskemik mempengaruhi sistem saraf otonom (ANS), mencapai minat yang besar untuk rehabilitasi pasca stroke
aktivitas kardiovaskular. Seperti elektrokardiografi pengelolaan.
(EKG) adalah sinyal fisiologis representatif dari kesehatan jantung dan Data EKG yang dihasilkan di pusat layanan kesehatan tidak dapat
pembuluh darah dan sistem saraf otonom, jantung disimpan, diubah, dan dimanfaatkan secara real-time di tingkat perusahaan
pemantauan merupakan salah satu kunci prediksi stroke. Beberapa layanan klinis dan kesehatan dengan sistem pemantauan kardiovaskular
Studi EKG telah melaporkan pengukuran EKG kuantitatif dalam aplikasi saat ini. Umumnya intervensi dokter
klinis untuk mengevaluasi hubungan antara hasil jantung, neurologis, dan diperlukan untuk menafsirkan EKG untuk pengambilan keputusan klinis.
fungsional. Seiring dengan semakin berkembangnya penggunaan perangkat medis wearable
stroke iskemik [2]. Perubahan jantung yang diturunkan dari EKG dan sistem pemantauan pasien di rumah semakin populer
variabilitas tingkat (HRV) adalah biomarker simpatik selama era COVID-19, platform analisis EKG otomatis
dan aktivitas parasimpatis dari ANS yang paling mengatur dapat menjadi alat bantu bagi para ahli medis dan
proses viseral dan metabolisme. Dinamika jantung bisa jadi pengasuh pasien. Tidak cukup penelitian ekstensif yang diselidiki
dilacak menggunakan ukuran HRV nonlinier dan dipelajari untuk memprediksi aktivitas jantung menggunakan EKG portabel dan siaran langsung berbasis cloud
apnea tidur [7] dan gagal jantung kongestif [8]. Iskemik pemrosesan untuk prognosis dan rehabilitasi pasien stroke. Selain itu,
stroke mengganggu fungsi otonom, ditandai dengan dominasi aktivitas parameter HRV yang diturunkan dari EKG telah dipelajari sebelumnya
simpatis. Kelainan jantung, misalnya untuk prediksi stroke berbasis pembelajaran mesin [9].
sebagai iskemia miokard, dikaitkan dengan pasien stroke. Pendekatan pembelajaran mesin berbasis fitur fidusia EKG adalah
Perubahan fidusia EKG yang paling umum termasuk depresi belum dieksplorasi secara klinis pada kasus stroke iskemik.
Segmen ST, interval QT memanjang, datar atau terbalik Singkatnya, hal ini memerlukan EKG real-time atau hampir real-time
Gelombang T, dan gelombang U [9]. sistem untuk memantau aktivitas kardiovaskular pada stroke
Untuk diagnosis stroke secara rinci, termasuk identifikasi lesi stroke di pengaturan kehidupan sehari-hari pasien. Kami mengusulkan Big-ECG, mampu
otak, dan evaluasi melacak sinyal jantung, menganalisis data dalam data besar
ukuran dan lokasi lesi, computerized tomography (CT) dan platform, dan menyediakan analisis kesehatan sebagai layanan. Ini
magnetic resonance imaging (MRI) adalah alat yang paling berguna sistem dapat menghasilkan peringatan sebagai umpan balik untuk bantuan
untuk memahami anatomi otak dan menentukan layanan penyelamatan darurat jika fitur diagnostik mobil yang dapat
cakupan diagnosis kedua jenis stroke (trombosis memprediksi stroke melebihi kriteria mematikan. Big-ECG adalah platform
atau perdarahan) [10]. Pemantauan terus menerus terhadap risiko tinggi cyber-fisik yang menggabungkan EKG klinis dan data besar
pasien dengan riwayat stroke akut atau iskemik transien analitik.
serangan (mini stroke) menggunakan CT dan MRI tidak praktis [6]. Untuk Kami berhipotesis bahwa perangkat EKG portabel akan segera
prognosis Stroke, perubahan EKG dapat berguna dalam kehidupan sehari-hari mendeteksi aktivitas kardiovaskular. Analisis data berdasarkan
kehidupan dan lingkungan klinis [11], [12]. Apalagi EKG pemrosesan biosignal, analisis statistik, dan mesin yang tangguh
atau fungsi tanda vital hadir di sebagian besar pelacak kebugaran teknik pembelajaran akan menjadi metode yang konsisten untuk
dan perangkat kesehatan. Pelacakan aktivitas jantung secara real-time adalah memprediksi kesehatan jantung selama permulaan stroke dan pasca stroke
cara yang terjangkau dan efektif untuk memprediksi stroke risiko tinggi rehabilitasi.
status kesehatan kardiovaskular pasien dengan jantung yang mendasarinya Kami bertujuan untuk mengembangkan Big-ECG, EKG cyber-fisik
penyakit. sistem untuk stroke, prediksi penyakit kardiovaskular setiap hari
Dengan kemajuan sistem cyber-fisik, besar kehidupan dan lingkungan klinis. Kontribusi utama dalam hal ini
data, dan Layanan Kesehatan 4.0 di bidang kedokteran, sistem pemantauan makalah dapat diringkas sebagai berikut:
pasien berbasis biosignal secara real-time menarik banyak perhatian.
Orang dewasa lanjut usia paling rentan terhadap beberapa penyakit yang mengancam jiwa • Kami membangun platform Big-ECG yang mengintegrasikan
penyakit, seperti stroke iskemik, penyakit jantung. Di samping itu, patch EKG yang dapat dipakai, streaming data ke server cloud,
pemerintah dan lembaga kesehatan sedang mencari pemrosesan sinyal waktu nyata dengan Hadoop dan Spark
cara yang inovatif dan efektif untuk mengelola warga senior ekosistem, dasbor langsung untuk pelanggan, dokter,
perlakuan. Rehabilitasi merupakan langkah penting untuk pulih dan manajer layanan untuk prognosis berbasis cloud
dari gangguan kardiovaskular dan neurologis. Kesehatan iskemia dan penyakit jantung.
penyedia layanan umumnya merekam EKG menggunakan sistem EKG 12 • Kami menemukan indeks EKG gangguan stroke, termasuk
sadapan standar yang sudah ada dengan banyak elektroda di pusat Pengukuran HRV, fitur fidusia menggunakan analisis statistik, dan
kesehatan dan rumah sakit. Studi EKG ini juga memerlukan fitur penting secara signifikan melalui uji hipotesis.
staf medis terlatih dan pengaturan klinis. Selain itu, tradisional
• Kami menggunakan algoritme pembelajaran mesin untuk Hadoop–HadoopDB [17]. Ekosistem Hadoop terdiri dari
mengkategorikan kelompok stroke iskemik dan kelompok kontrol sehatsistem file terdistribusi Hadoop (HDFS), algoritma MapReduce, dan alat
kelompok untuk prediksi stroke akut. analisis lainnya untuk menangani, menganalisis Big
Data untuk menjadikannya matang dan siap untuk perusahaan.
Kami menyusun sisa artikel ini menjadi enam bagian.
Kami menceritakan latar belakang teknis artikel ini di Bagian II,
C. PERANGKAT PAKAI DAN BIOSIGNAL PERAWATAN KESEHATAN
menjelajahi teknik-teknik canggih dari Layanan Kesehatan 4.0 dan besar
Dengan meningkatnya perangkat kesehatan dan kebugaran yang dapat dipakai,
data. Platform pemantauan kesehatan berbasis EKG siber-fisik yang
sumber data layanan kesehatan berkembang pesat. Jaringan berkecepatan
diusulkan dijelaskan pada Bagian III, diikuti oleh
tinggi, perangkat fisiologis yang dapat dipakai diaktifkan
kumpulan data dan metodologi yang digunakan untuk memvalidasi sistem
rumah pintar ke bagian CPS medis. Beberapa sinyal fisiologis diukur di
kemampuan prediktif. Setelah itu, hasilnya dilaporkan
rumah sakit dan disimpan
Bagian V, diakhiri dengan pembahasan. Terakhir, kami menyatakan
kesimpulannya ada di Bagian VII. sebagai nilai numerik atau format dokumen portabel digital (pdf). EKG
memberikan informasi tentang aktivitas jantung
dengan mengukur perilaku listrik jantung. Elektromiografi (EMG) menunjukkan
II. LATAR BELAKANG
kesehatan otot dengan membaca aktivitas bioelektrik yang dihasilkan oleh
A. SISTEM CYBER-FISIK DAN PERAWATAN KESEHATAN 4.0
serat otot.
Sistem Cyber-Fisik (CPS) adalah sistem inovatif dengan komputasi
Electroencephalogram (EEG) mengungkapkan status neurologis dengan
terintegrasi dan kemampuan fisik yang
mengukur aktivitas listrik otak. Pho-toplethysmogram (PPG), respon kulit
memungkinkan cara-cara baru untuk berkomunikasi dengan manusia [13]. Itu
galvanik (GSR),
interaksi antara elemen fisik dan digital telah datang
elektrookulografi (EOG) adalah contoh biosignal yang menunjukkan status
untuk memainkan peran penting dalam berbagai domain. CPS, diadaptasi dalam
kesehatan pasien. Beberapa sinyal perilaku manusia, gerak, gaya berjalan,
sektor industri, kini mulai diterapkan di bidang kesehatan.
dan parameter postur menggambarkannya
Dalam konteks layanan kesehatan, penggunaan CPS telah menghasilkan Smart
kesehatan fisik dan perilaku. Tidak terstruktur seperti ini
Kesehatan. Dari perspektif revolusi baru ini,
data sangat rumit untuk dianalisis menggunakan platform data besar.
sejumlah besar CPS membentuk sistem layanan kesehatan saat ini
Pengambilan keputusan klinis dengan menggunakan catatan tersebut memerlukan a
melibatkan perangkat, teknologi, solusi, dan usaha. Itu
bantuan dokter atau dokter. Kemajuan pesat dari
komponen penting dari CPS ini terdiri dari campuran
miniatur perangkat keras pemrosesan bio-sinyal, antarmuka pemrograman
teknologi yang memungkinkan, termasuk perangkat medis pintar,
aplikasi (API), teknologi komunikasi, dan
otomatisasi proses diagnostik, robot otonom, Internet
teknik pembelajaran mesin memungkinkan layanan kesehatan yang dapat dikenakan
perangkat of Things (IoT), Big Data medis, Fog, dan Cloud
perangkat untuk menangani analisis kesehatan real-time [18], [19].
Komputasi [14]. CPS adalah teknologi penting dalam Layanan Kesehatan
Pelacak kesehatan yang dapat dipakai dapat merekam biosignal dalam kehidupan sehari-hari
4.0 [15]. Layanan Kesehatan 4.0 adalah revolusi berturut-turut dari
pengaturan, seperti aktivitas di rumah, berjalan kaki, mengemudi, tidur,
sistem perawatan kesehatan yang lengkap, termasuk pembuatan obat-
dan era yang semakin luas dalam bidang kesehatan. Dewasa ini,
obatan dan peralatan medis yang cerdas, cyber-fisik
data fisiologis pasien secara real-time umumnya diperoleh
pemantauan pasien, analisis kesehatan, telemedis, perawatan kesehatan
menggunakan sensor yang dapat dikenakan, seperti pelacak tanda vital, suatu aktivitas
logistik, pengobatan yang dipersonalisasi dan presisi, bantuan hidup, dan
pelacak [18], [4], [20], [21], dan pelacak tidur [6], [22].
rehabilitasi. Perangkat yang dapat dipakai digunakan dalam kebugaran dan stimulasi kesehatan.
Data di rumah sakit adalah alat penentu medis yang penting bagi dokter dan Big-ECG, sistem pemantauan jantung baru, terdiri dari
penyedia layanan lainnya untuk mendapatkan perawatan terbaik bagi pasien sistem sensor EKG portabel, antarmuka akuisisi data, penyimpanan dan
atau layanan. Big data layanan kesehatan berkembang secara masif pemrosesan data besar, basis pengetahuan, dan dasbor layanan kesehatan,
volume rekam medis terstruktur dan tidak terstruktur. Biasanya database seperti yang ditunjukkan pada Gambar 1. Bagian ini mengeksplorasi usulan
terstruktur dihasilkan dari beberapa sumber, cyber-fisik
seperti demografi pasien, kebiasaan hidup, tes diagnostik, arsitektur pemantauan jantung untuk pemantauan waktu nyata di
dan penyakit. Di sisi lain, riwayat kesehatan pasien, detail. Pertama, komponen arsitektur sistem adalah
catatan interogasi dokter berkontribusi mengumpulkan banyak sekali diperkenalkan (Bagian III-A). Terakhir, kami akan mendemonstrasikan
kumpulan data tidak terstruktur. Rumah sakit sedang menangani medis besar ini aliran data untuk menilai pelacakan jantung real-time menggunakan
Akuisisi data, pemrosesan dan analisis, penyimpanan, pengambilan data CPS (Bagian III-B).
real-time, dan pengumpulan data medis historis
menggunakan teknologi Big data yang sesuai [16]. Teknologi Big Data A. ARSITEKTUR SISTEM
mencakup ekosistem Hadoop sumber terbuka berbiaya rendah, Arsitektur ini bertujuan untuk memproses sinyal fisiologis untuk memantau
Elasticsearch (ES), dan database relasional (RDB) dan status kesehatan secara real-time, dengan menyediakan tenaga ahli
GAMBAR 1. Ikhtisar sistem Big-ECG. Sistem akuisisi data EKG terdiri dari perangkat EKG klinis standar dan patch EKG yang dapat dipakai. Sistem
menghubungkan patch EKG dengan API ponsel melalui BLE. Sistem mengumpankan data EKG ke server cloud menggunakan jaringan Wi-Fi atau LTE.
Dalam sistem file terdistribusi berbasis Apache Hadoop, Elasticsearch mengindeks data dan bertindak sebagai database NoSQL, Spark melakukan
pemrosesan data langsung, dan MariaDB bertindak sebagai database relasional (RDB) dan menyediakan layanan kueri untuk aplikasi layanan front-end.
Sistem rawat jalan ini dikembangkan untuk mengidentifikasi perubahan fitur jantung akibat stroke iskemik atau penyakit lain dan menghasilkan saran dan pesan kesehata
saran medis sebagai umpan balik. Bagian ini menjelaskan sistem dalam hal tingkat pengambilan sampel data dari pasien, dan sebagian
pemantauan jantung cyber-fisik, sistem sensor (fisik), sistem manajemen besar data klinis dicatat dengan tingkat pengambilan sampel yang lebih
cloud, dan dashboard layanan front-end. tinggi untuk memastikan kualitas sinyal. Variasi menjelaskan kumpulan
data yang terdiversifikasi, seperti data fisiologis (EKG, EEG, EMG, dll.),
dan gambar radiologi (MRI, CT), dan kebenaran menjelaskan keandalan
dan ketersediaan kumpulan data. Data layanan kesehatan yang terekam
1) SISTEM SENSOR
diubah menjadi persepsi yang bermakna, seperti prediksi penyakit,
Sensor adalah perangkat, modul, mesin, atau subsistem yang tujuannya
pemantauan kesehatan, sistem bantuan disabilitas, yang menggambarkan
untuk mendeteksi perubahan lingkungan fisik. Sistem Layanan Kesehatan
nilai dalam 5V.
menggunakan berbagai biosensor untuk merekam berbagai sinyal
Sistem manajemen Cloud mencakup sistem akuisisi data, pemrosesan
fisiologis untuk memahami status kesehatan. Sistem sensor kami
data, penyimpanan data, penyajian data. Pengelolaan volume, kecepatan,
berkaitan dengan sensor EKG: patch EKG yang dapat dipakai untuk
skalabilitas, dan toleransi kesalahan merupakan persyaratan penting
aplikasi kehidupan nyata dan klinis serta peralatan EKG standar untuk
platform cloud.
aplikasi klinis. Perangkat EKG yang dapat dipakai adalah patch EKG
Kami menggunakan Apache ActiveMQ untuk peran persyaratan akuisisi
mandiri dengan komunikasi Bluetooth hemat energi (BLE) dengan
data. ActiveMQ adalah perantara pesan yang dibangun di atas Java
komputer atau telepon. Peralatan EKG mandiri yang digunakan di rumah
Messaging Service, yang mampu mengirim pesan antar aplikasi [24]. API
sakit dan pusat kesehatan menyimpan data di komputer lokal.
sensor berbasis java yang dibuat khusus bertindak sebagai penerbit data.
ActiveMQ bertanggung jawab atas pengangkutan data yang dikirim oleh
Kami mengintegrasikan kedua jenis perangkat tersebut dengan sistem CPS kami.
API ke cloud.
ActiveMQ mengurangi kehilangan pesan dengan memanfaatkan
2) PENYIMPANAN DAN PENGOLAHAN DATA CLOUD fungsionalitas toleransi kesalahannya. Elasticsearch adalah database
Data fisiologis seperti EKG dapat dimanfaatkan sebagai data besar yang NoSQL, yang bertindak sebagai penyimpanan terdistribusi, pencarian,
bercirikan 5V dalam kaitannya dengan Volume, Kecepatan, Variasi, Nilai, dan mesin analitik dengan antarmuka web HTTP dan dokumen JavaScript
dan Kebenaran. Data fisiologis pasien yang dihasilkan rumah sakit Object Notation (JSON) [25]. Ini menyediakan API yang kuat untuk
berukuran petabyte atau zettabyte, yang menggambarkan volume. mengindeks data dalam format sejumlah pasangan nilai kunci yang
Kecepatannya dinyatakan dinamis. Logstash adalah mesin transformasi data yang tersedia secara gratis dan me
data dari banyak sumber, mengubahnya menjadi format JSON, dan cara untuk mengotomatisasi sistem penasihat kesehatan. Sistem
memasukkannya ke database Elasticsearch. Ekosistem Hadoop kami memungkinkan pakar medis, seperti dokter, memverifikasi
berisi sistem file terdistribusi Hadoop (HDFS), MapRe-duce, Spark rekomendasi yang dibuat secara otomatis dan menambahkan
Streaming, dan banyak komponen analitis lainnya untuk memecahkan rekomendasi klinis ahlinya melalui dasbor klinis. Layanan penasihat
masalah Big Data, dan semuanya telah matang dan siap untuk kesehatan, yang ditampilkan di aplikasi atau dasbor klien, terdiri dari
perusahaan. HDFS dirancang untuk penyimpanan yang andal, prediksi penyakit dan tingkat keparahan serta saran berdasarkan
mengelola file berukuran besar, dan mengalirkan kumpulan data basis pengetahuan serta resep dokter. Penasihat kesehatan juga
tersebut ke aplikasi front-end. Apache Spark Streaming adalah menyediakan layanan pesan ke ruang kontrol layanan darurat dan
kerabat
pemrosesan data yang skalabel dan toleran terhadap kesalahan untuk aliran tentang kesehatan jantung, membantu mereka membantu
data langsung.
Spark melakukan pemrosesan data besar dalam memori dengan pasien dan pindah ke rumah sakit untuk diagnosis dan pengobatan
latensi rendah; ini dianggap sebagai solusi terbaik untuk pemrosesan tambahan.
data sensor langsung. MariaDB adalah sistem manajemen data
relasional MySQL yang dikembangkan komunitas. Dalam RDB ini, B.ALIRAN DATA
sebagian besar data terstruktur diproses dan digunakan bersama Data EKG mengalir dari sensor yang dapat dikenakan ke visualisasi
dengan Hadoop. Ini menyimpan data yang diproses dan membuatnya front-end dan menjalani serangkaian pemrosesan data untuk
pemantauan jantung pasien secara real-time guna mendeteksi
tersedia untuk digunakan dari dasbor front-end tanpa latensi sebagai respons.
perubahan EKG akibat penyakit. Disini akan dijelaskan jenis data
3) ONTOLOGI MEDIS EKG, rute perjalanan data untuk transformasi data mentah menjadi
Ontologi adalah spesifikasi formal dan eksplisit dari konseptualisasi fitur jantung, pemrosesan data berbasis aturan dan pembelajaran
bersama [26]. Seiring dengan semakin menariknya konsep ontologi mesin, visualisasi data di dashboard.
dalam domain biomedis untuk interpretasi pengetahuan dan Seperti yang ditunjukkan pada Gambar 2, patch EKG yang dapat
interoperabilitas semantik, kami mengembangkan ontologi medis dipakai berkomunikasi dengan API menggunakan jaringan BLE di
dengan bantuan dari pakar ontologi dan pakar domain (peneliti dan ponsel Android yang lokasinya dekat. Aplikasi android membaca data
dokter). Editor ontologi Protégé-OWL v.4.2 [27], yang mendukung EKG real-time dari sensor, menerbitkan topik ActiveMQ, dan
OWL (Ontol-ogy Web Language), digunakan untuk memasukkan data dalam format JavaScript Object Notation (JSON)
mengimplementasikan konsep ontologi. Data EKG yang disimpan ke server Transmission Control Protocol (TCP) melalui jaringan Wi-Fi
ditandai dalam anotasi semantik dengan metadata yang telah atau Long-Term Evolution (LTE) . Data EKG dianotasi dengan nomor
ditentukan sebelumnya, yaitu kumpulan konsep ontologis. Data yang identitas (ID) perangkat yang sesuai, ID pasien, ID gateway, dan
dianotasi secara semantik disimpan dalam database kerangka stempel waktu agar data dapat dilacak. Selain itu, peralatan EKG
deskripsi sumber daya (RDF) sebagai RDF tiga kali lipat. Basis data mandiri menyimpan data dalam format nilai yang dipisahkan koma
RDF bertindak sebagai mesin ontologi dan memfasilitasi penyimpanan (CSV). Dalam sistem ini, data ECG CSV diubah ke format JSON dan
dan pemulihan rangkap tiga RDF melalui kueri semantik. Sistem dikirim ke antrian ActiveMQ. File JSON diterbitkan oleh API akuisisi
basis pengetahuan Front-end menghasilkan rekomendasi otomatis data dalam umpan ActiveMQ ke server. Jika server data besar ada
dari model ontologi back-end untuk prognostik stroke, korelasi dengan di komputer yang sama, Logstash dapat mengubah file CSV tersebut
fisiologi, tingkat pemulihan stroke, terapi pasca stroke, dll. Selain itu, menjadi format JSON, cocok untuk pengindeksan dan pengelolaan
pelanggan atau terapis sistem pemantauan pasien dapat bertanya Elasticsearch.
pertanyaan tambahan melalui antarmuka pengguna. Ontologi medis
membagikan informasi penyakit dan korelasi antara penyakit dan Di sisi cloud, Elasticsearch menerima data mentah dan melakukan
hasil fisiologis. Oleh karena itu, prognostik dan risiko stroke berbasis pengindeksan sesuai dengan protokol konfigurasi data EKG.
Ontologi akan muncul di aplikasi atau dasbor klien. Layanan streaming Spark menyelesaikan pemrosesan EKG langsung.
Metode pemrosesan data meliputi prediksi konteks, ekstraksi fitur,
pemeringkatan fitur, pembelajaran mesin, dan basis pengetahuan.
Prediktor konteks menganotasi data dengan situasi klien (beristirahat,
4) DASHBOARD LAYANAN PENASIHAT aktif), informasi aktivitas (berjalan, mengemudi, atau tidur). Modul
KESEHATAN Dashboard layanan penasihat kesehatan terdiri dari ekstraksi fitur mengekstrak semua fitur kardiovaskular yang relevan.
aplikasi klien, dashboard klinis, dan dashboard eksekutif layanan. Fitur berbasis aturan memperluas fitur jantung yang diberi anotasi
Penasihat kesehatan adalah lapisan layanan kesehatan termasuk sesuai dengan penyakit yang diprediksi, seperti stroke iskemik.
node profil klien, seperti informasi pribadi, identifikasi sensor yang Semua aturan prediksi penyakit berasal dari pohon keputusan
dapat dikenakan, riwayat catatan kesehatan; simpul sumber daya, prediksi penyakit yang diperoleh dari studi klinis awal yang ekstensif.
seperti informasi rumah sakit dan layanan darurat, ketersediaan
layanan rumah sakit, informasi dokter, obat-obatan, logistik rumah Fitur EKG yang dipilih dijalankan melalui model pembelajaran mesin
sakit; simpul keputusan, seperti ontologi medis, basis pengetahuan, untuk melatih model tersebut. Sistem menyimpan catatan rincian
ontologi penyakit. Pemantauan biosignal secara real-time atau hampir klien, riwayat catatan medis, informasi kontak, dan data asuransi
real-time, streaming dan pemrosesan data langsung di platform cloud, kesehatan dalam portofolio mereka. Semua data pemrosesan
umpan balik status kesehatan real-time kepada klien, dan dasbor disimpan di MariaDB dan tersedia untuk dasbor front-end. Dasbor
rumah sakit menjadikan dapat berkomunikasi
GAMBAR 2. Aliran data sistem Big-ECG. Sistem mengumpankan data EKG ke server cloud melalui jaringan Wi-Fi atau LTE menggunakan antrian ActiveMQ.
Di server cloud, Elasticsearch mengindeks dan menyimpan data, Spark melakukan pemrosesan data langsung, seperti prediksi konteks, ekstraksi fitur,
ekstensi fitur berbasis aturan, dan prediksi berbasis pembelajaran mesin. Node prediksi konteks mengidentifikasi skenario data. Sistem mengekstrak
fitur kardiovaskular terkait Stroke, diikuti dengan perluasan fitur berdasarkan aturan prediksi penyakit. Fitur jantung dengan prediksi penyakit diumpankan
ke model pembelajaran mesin untuk melatih model guna membangun mesin prediksi penyakit. RDB menyimpan data yang diproses dan
menyediakan layanan query untuk aplikasi layanan front-end. Ontologi penyakit akan membantu untuk memahami korelasi fisiologi, penyakit, dan
kemungkinan penyebab penyakit. Dokter dapat merekomendasikan saran ahli melalui dashboard klinis.
dengan aplikasi cloud dalam dua cara; satu adalah REST API A. DEMOGRAFI PESERTA
untuk menanyakan data dasbor, dan satu lagi adalah Web-Socket, Partisipan dalam percobaan ini adalah pasien stroke iskemik dan
yang mengalirkan pesan langsung ke dasbor. Sistem Big-ECG orang dewasa sehat. Kelompok stroke terdiri dari 45 pasien stroke
menampilkan status kesehatan kardiovaskular dan berbagai fitur iskemik (Usia: 70,8 ± 4,6 tahun, 68% laki-laki), dan kelompok
utama EKG dan HRV, seperti interval RR, ST, QT, rasio LF/HF di kontrol terdiri dari 40 orang dewasa sehat (Usia: 75,4 ± 2,3 tahun,
dasbor melalui WebSocket, dan tren sinyal menggunakan 38% laki-laki). Meskipun tidak ada perubahan yang diamati pada
permintaan HTTP. Ontologi Medis dan penasihat kesehatan usia dan jenis kelamin dalam respon otonom EKG [28], baik
memberikan saran kesehatan yang memungkinkan untuk peserta stroke dan sukarelawan kontrol termasuk dalam kelompok
membimbing pasien dan penyedia layanan kesehatan. usia yang sama untuk mengurangi variasi fitur fidusia EKG terkait
usia. Kelompok stroke termasuk pasien yang menjalani rehabilitasi
IV. METODOLOGI EKSPERIMENTAL pasca stroke di Rumah Sakit Universitas Nasional Chungnam dan
Untuk memahami aktivitas jantung akibat gangguan stroke, kami kampus Kedokteran Universitas Konyang di Daejeon, Korea
mengukur EKG saluran tunggal pada pasien stroke dan orang Selatan. CT atau MRI mengkonfirmasi diagnosis klinis stroke
dewasa sehat dalam kondisi istirahat. Kami memproses dan iskemik pasien. Kelompok kontrol terdiri dari orang dewasa lanjut
mengekstrak fitur fidusia EKG, domain waktu, dan fitur domain usia yang sehat dan tidak memiliki riwayat penyakit jantung dan
frekuensi HRV turunan EKG. Kami menyelidiki gambaran jantung riwayat kejadian iskemik. Dewan Peninjau Kelembagaan Institut
Penelitian Standar dan Sains Korea, Daejeon, Korea Selatan, dan
melalui analisis statistik dan uji hipotesis untuk mengidentifikasi
gambaran EKG penting yang berhubungan dengan stroke iskemik. Universitas Konyang, Daejeon, Korea Selatan, menyetujui
Kami juga menggunakan algoritma pembelajaran mesin untuk penelitian yang dilakukan berdasarkan pedoman Deklarasi
mengotomatiskan klasifikasi kelompok stroke dan kelompok Helsinki (KRISS-IRB-2016-05 -19).
kontrol. Sebagai sistem percontohan, kami menyiapkan sistem
percontohan cyber-fisik untuk prognostik stroke dan manajemen
rehabilitasi secara paralel dengan operasi reguler di dua pusat B. AKUISISI DATA EKG Kami
kesehatan. Sistem percontohan mencakup akuisisi data mencatat data EKG dalam dua sistem sensor berbeda; satu adalah
menggunakan patch EKG nirkabel, transfer data ke cloud, jaringan sensor EKG nirkabel Biopac (Biopac Systems Inc., Santa Barbara,
nirkabel, serta penyimpanan dan pengindeksan data di platform cloud. CA, USA), dan satu lagi adalah patch EKG yang dapat dikenakan
(Life science Technology Inc., Korea Selatan). Kami memperoleh fitur HRV domain waktu mencakup berbagai statistik
kumpulan data EKG saluran tunggal di Rumah Sakit Universitas komponen.
Nasional Chungnam menggunakan sistem Biopac MP160 dengan
AcqKnowledge versi 5.0. Pernafasan Biopac BioNomadix (RSP) 1) FITUR FIDUSIAL EKG Kami
nirkabel dan amplifier EKG (RSPEC-4.3) mencatat aktivitas mengekstraksi fitur fidusia dari bentuk gelombang EKG.
kardiovaskular menggunakan Electro Lead (BN-EL30-LEAD3) Pengukuran waktu dan tegangan siklus demi siklus dari peristiwa
berukuran 3 x 30 cm dengan menggunakan elektroda sekali pakai gelombang Q dan S serta peristiwa QRS diekstraksi untuk berbagai
pra-gel bipolar EL 503 di kiri dan kanan. peti peserta, seperti yang titik dan interval antara bentuk gelombang dalam siklus sinyal EKG.
ditunjukkan pada Gambar 3 (c). Kami merekam kumpulan data Interval RR menunjukkan waktu antara puncak R berturut-turut
EKG saluran tunggal di Pusat Fisioterapi Universitas Konyang dalam bentuk gelombang EKG yang dihitung dalam hitungan detik.
menggunakan patch EKG dan memasukkannya ke database cloud. Denyut jantung, dinyatakan dalam detak per menit (BPM), dihitung
Kami menggunakan usap alkohol rendah untuk membersihkan kulit menggunakan interval waktu RR. QRS menentukan durasi antara
peserta untuk mengurangi impedansi. Seperti dijelaskan pada awal gelombang Q dan akhir gelombang S.
Gambar 3(a), kami hanya mempertimbangkan data EKG yang QT menggambarkan periode antara awal gelombang Q dan akhir
dikumpulkan pada posisi sadapan V5. Untuk populasi stroke, kami gelombang T yang diukur dalam hitungan detik. Interval QT
mencatat data EKG dalam waktu tiga bulan setelah diagnosis terkoreksi (QTc) adalah durasi QT yang disesuaikan dengan
Stroke Iskemik. Kami menyarankan peserta menghindari minuman, interval RR. ST menggambarkan waktu antara gelombang S dan
seperti kopi atau alkohol, sebelum rekaman. Saat mengukur data akhir gelombang T yang dihitung dalam hitungan detik. Interval
EKG, kami menginstruksikan pasien untuk tetap terjaga, menutup mata, PRQ
dudukberarti
dan istirahat.
periode antara permulaan gelombang P dan gelombang
Setelah duduk di kursi, pencatatan data ditunda selama 3 menit, Q yang diukur dalam hitungan detik. P-height (PH) menceritakan
sehingga tanda-tanda vital peserta menjadi stabil. Seperti yang ketinggian puncak gelombang P dalam siklus yang diukur dalam
ditunjukkan pada Gambar 3 (b), kami mencatat elektrokardiogram mV. Demikian pula, R-height (RH) menyatakan amplitudo
setidaknya selama 5 menit saat bangun dan istirahat. Kami gelombang R dalam siklus EKG yang direkam dalam mV.
menjaga suhu ruangan pada 24ÿ C dan kelembaban relatif pada
40%. 2) VARIABILITAS DENYUT JANTUNG DOMAIN
WAKTU HRV adalah ukuran ritme fisiologis antara detak yang
C. TRANSFORMASI DAN PENYIMPANAN DATA berurutan. Perubahan detak jantung terdeteksi dalam interval RR
bentuk gelombang EKG. Interval RR adalah fungsi representasi
Kami memasukkan data patch EKG langsung ke server Big-ECG
melalui aplikasi android menggunakan ActiveMQ. Selain itu, data detak jantung (HR) dan HRV.
EKG nirkabel Biopac disimpan data EKG dalam format file CSV di Interval RR diekstraksi dari sinyal EKG menggunakan detektor
komputer lokal yang terhubung. Untuk memasukkan data ini ke QRS. Metode Pan-Tompkins yang dimodifikasi digunakan untuk
server jarak jauh menggunakan protokol ActiveMQ, API konversi menormalkan data EKG menjadi 1, daripada menggunakan data
data mengubah data CSV menjadi data JSON dan mengirimkannya EKG mentah, di mana nilai puncak gelombang R tertinggi dianggap
1 [29]. Ambang batas gelombang R ditunjukkan dalam rentang
ke antrean ActiveMQ. Di server jarak jauh, Elasticsearch menerima
data mentah dan membuat pengindeksan sesuai dengan protokol yang dinormalisasi (ÿ1, 1): positif untuk puncak gelombang R positif
konfigurasi data EKG. Seperti yang ditampilkan pada Gambar 3(d), dan negatif untuk puncak R terbalik. Representasi domain waktu
server data dilengkapi dengan server menara Dell Pow-erEdge kontinu dari Interval RR diperoleh melalui pengambilan sampel
T640 (Prosesor Intel Xeon Silver 4210R 2.4GHz 10C, RAM:32GB). ulang interval RR ke laju pengambilan sampel yang konstan
menggunakan interpolasi Kubik-tulang belakang. Ciri-ciri yang
diperoleh pada analisis domain waktu secara umum adalah
simpangan baku interval gelombang R yang berdekatan (SDNN),
D. PRA-PROSES
RMS selisih berturut-turut interval RR (RMSSD), dan simpangan
Semua aliran elektrokardiogram (EKG) diambil sampelnya pada baku selisih berturut-turut interval RR. Interval gelombang R
200 Hz agar sesuai dengan kecepatan pengambilan sampel yang (SDSD) dan rasio jumlah pasangan interval gelombang R normal-
dioptimalkan dari algoritma deteksi QRS. Semua denyut prematur, ke-normal (NN) yang lebih besar dari 50 ms terhadap total interval
hilang, atau ektopik disaring menggunakan algoritma deteksi QRS NN (pNN50). Aritmia Sinus Pernapasan (RSA) adalah indeks siklus
Pan-Tompkins [29]. pernapasan, yang didefinisikan sebagai laju maksimum dikurangi
laju minimum, yang dinyatakan dalam milidetik.
E. EKSTRAKSI FITUR
Ekstraksi Fitur EKG terdiri dari fitur fidusia dan fitur variabilitas 3) VARIABILITAS DENYUT JANTUNG DOMAIN
detak jantung seperti dijelaskan pada Gambar 3(e). FREKUENSI Kerapatan spektral daya (PSD), daya dalam berbagai
Komponen fidusia EKG diekstraksi melalui permulaan, offset, dan pita frekuensi diekstraksi dari interval RR menggunakan metode
puncak setiap gelombang profil gelombang P-QRS-T standar. perkiraan Welch, rata-rata bagian irisan waktu sinyal. Jendela
Kami menganalisis sinyal HRV yang diturunkan EKG dalam domain Hamming digunakan untuk transformasi Fast Fourier (FFT) untuk
waktu dan domain frekuensi. Fitur HRV domain frekuensi adalah membuat PSD. VLF, kekuatan pita frekuensi sangat rendah,
daya spektral yang diekstraksi dalam berbagai pita frekuensi, dan menggambarkan rata-rata
GAMBAR 3. Demonstrasi protokol akuisisi data, skenario eksperimen, dan pemrosesan sinyal. (a) Patch EKG pada posisi V5 untuk aplikasi klinis dan
kehidupan nyata; (b) Skenario percobaan; (c) Elektroda EKG sistem Biopac pada posisi V5 untuk aplikasi klinis; (d) Platform dan dasbor layanan Big-ECG;
(e) Sinyal EKG standar dan deskripsi titik fidusia.
TABEL 1. Model hyperparameter model pembelajaran mesin (CHAID, QUEST, CART, C5.0, Random tree, Neural network).
fitur profil, seperti RRI, RH, PH, QRS, PRQ, QT, QTc, dan ST yang kumpulan data [35]. Partisi terbaik di semua node dihasilkan dengan
diekstraksi untuk setiap sampel. Kami mempartisi dataset EKG menjadi menggabungkan pasangan prediktor hingga tidak ada perbedaan
data pelatihan dan pengujian. Kumpulan data pelatihan terdiri dari 70% signifikan yang terlihat dalam pasangan target. Sebagai model pohon
data fitur, dan kumpulan data pengujian menempati 30% dari keseluruhan keputusan, keluaran model CHAID bersifat visual dan mudah
kumpulan data fitur. Ukuran data pelatihan adalah 365 set fitur HRV dan diinterpretasikan dalam sistem pendukung keputusan klinis. Model c5.0
3961 set fitur fidusia. Selain itu, ukuran data pengujian adalah 156 set Model C5.0 adalah algoritma penambangan data terawasi yang digunakan
fitur HRV dan 1697 set fitur fidusia. Kami menyesuaikan hyper-parameter untuk membangun pohon keputusan dari kumpulan data. Ini menciptakan
model menggunakan validasi silang untuk menemukan model dengan pohon keputusan menggunakan metode bagi-dan-taklukkan. Algoritma
performa terbaik. Kami melakukan validasi silang k-fold (k = 10) yang pohon keputusan C5.0 menggunakan rasio penguatan sebagai dasar
tidak lengkap menggunakan kumpulan data pelatihan untuk menghilangkan pembagian. Model tersebut membangun pohon keputusan, diikuti dengan
overfitting [34]. Setiap model dilatih dan divalidasi silang untuk mengetahui prosedur pembersihan dan pengurangan ukuran pohon untuk meminimalkan kesalah
kumpulan hyper-parameter dengan akurasi model tertinggi. Saat model menilai [36]. Algoritma ini banyak digunakan dalam aplikasi penambangan
paling akurat dikembangkan, kami menguji model tersebut menggunakan data biomedis.
kumpulan data pengujian. Hyper-parameter yang dioptimalkan dari
masing-masing model disajikan pada Tabel 1.
2) QUEST MODEL
QUEST (Quick, Unbiased, Efficient) adalah metode pertumbuhan pohon
statistik biner-split [37]. QUEST menangani pemisahan linier menggunakan
1) MODEL CHAID analisis diskriminan Linear Fisher. Jika tidak ada nilai yang hilang dalam
Metode detektor interaksi otomatis chi-kuadrat (CHAID) adalah pohon data, maka akan tumbuh pohon dengan pemisahan univariat.
keputusan yang dibentuk dengan membagi subset secara berturut-turut Sangat kuat untuk menangani prediktor kategoris dengan banyak kategori.
menjadi dua atau lebih node anak, dimulai dengan keseluruhan
3) MODEL JARINGAN SARAF (1) Analisis statistik meliputi statistik deskriptif dan uji hipotesis. Statistik
Jaringan saraf adalah algoritma penambangan data yang deskriptif memberikan ukuran distribusi statistik, seperti mean, varians,
terinspirasi secara biologis yang memprediksi target berdasarkan standar deviasi.
pola rumit berlapis-lapis yang berkembang. Kami menggunakan Dalam statistik deskriptif, plot kotak secara grafis menggambarkan
jaringan saraf multilayer percep-tron (MLP) dalam penelitian ini penyebaran kumpulan data beserta kuartilnya. Uji-t sampel independen
[38]. Model ini mencakup lapisan masukan dengan beberapa node adalah uji hipotesis untuk menentukan apakah rata-rata populasi
masukan, jaringan saraf dengan lapisan tersembunyi, dan lapisan terkait berbeda secara statistik. Kami melakukan uji Levene untuk
keluaran. Model ini mampu belajar sendiri, toleransi kesalahan mengukur kesetaraan varians dan uji-t untuk memeriksa kesetaraan
dan menyimpan data di seluruh jaringan, mampu bekerja pada mean. (2) Teknik pembelajaran mesin adalah metode analisis data
aplikasi real-time. yang membangun model analitik untuk belajar dari data, mengidentifikasi
pola, dan mengambil keputusan melalui pengalaman. Pada subbagian
4) MODEL POHON KLASIFIKASI DAN REGRESI Pohon berikut, kita akan mengeksplorasi hasil statistik deskriptif dan uji
hipotesis fidusia penting EKG dan fitur variabilitas detak jantung.
Klasifikasi & Regresi (CART) adalah metode segmentasi rekursif
yang cocok untuk regresi dan klasifikasi dengan memilih partisi
pada setiap node. Setiap node anak yang dibuat oleh pemisahan
lebih homogen dibandingkan node induk [39].
A. HUBUNGAN ANTARA FITUR FIDUSIAL EKG DAN STROKE
GAMBAR 4. Distribusi statistik fitur fidusia EKG. Rentang median dan interkuartil dari (a) interval RR; (b) tinggi-R; (c) tinggi P; (d) interval QRS;
(e) interval QT; (f) Interval ST antara kelompok stroke dan kelompok kontrol sehat. ÿ(p < 0,05) menunjukkan perbedaan yang signifikan.
TABEL 2. Hasil analisis statistik gambaran fidusia EKG pada kelompok stroke dan kontrol. ÿ(p < 0,05) menunjukkan perbedaan yang signifikan.
TABEL 3. Hasil analisis statistik fitur domain frekuensi HRV pada kelompok stroke dan kontrol. ÿ(p < 0,05) menunjukkan perbedaan yang signifikan.
langkah-langkah HRV. Kekuatan pada HF, LF, dan VLF tidak 0,00070, p = 0,045) pada kelompok stroke dibandingkan dengan
signifikan secara statistik (p > 0,05). Rerata LF/(LF + HF) adalah kelompok kontrol. Rerata LF/(VLF + LF + HF) adalah ÿ0,0003 lebih
ÿ0,0003 lebih kecil (95% CI, ÿ0,0007 hingga ÿ0,00001, p = 0,045) kecil (95% CI, ÿ0,00059 hingga ÿ0,00001, p = 0,044) pada kelompok
pada kelompok stroke dibandingkan dengan kelompok kontrol. Rerata stroke dibandingkan dengan kelompok kontrol. Rerata HF/(VLF + LF
HF/(LF + HF) 0,0004 lebih besar (95% CI, 0,00001 hingga + HF) adalah 0,0004 lebih besar pada kelompok stroke dibandingkan dengan
GAMBAR 5. Distribusi statistik fitur domain frekuensi HRV. Rentang median dan interkuartil (a) LF/(LF +
HF); (b) HF/(LF + HF); (c) LF/HF antara kelompok stroke dan kelompok kontrol. ÿ(p < 0,05) menunjukkan perbedaan
yang signifikan.
TABEL 4. Hasil analisis statistik fitur domain waktu HRV pada kelompok stroke dan kontrol. ÿ(p < 0,05) menunjukkan perbedaan yang signifikan.
kelompok kontrol (95% CI, 0,00001 hingga 0,00079, p = 0,045). daripada rata-rata pNN50 kelompok kontrol. Rata-rata RSA pada
Rata-rata LF/HF adalah ÿ0,001 lebih kecil (95% CI, ÿ0,00141 hingga kelompok stroke adalah ÿ0,49 lebih pendek (95% CI, ÿ0,75 hingga 0,23,
ÿ0,00001, p = 0,046) pada kelompok stroke dibandingkan dengan p = 0,0001) dibandingkan rata-rata kelompok kontrol.
kelompok kontrol.
D. PREDIKSI KESEHATAN JANTUNG PASCA STROKE
C. HUBUNGAN ANTARA VARIABILITAS DENYUT JANTUNG BERBASIS MACHINE LEARNING
DOMAIN WAKTU DAN STROKE Dalam hasil pemilihan fitur, tujuh fitur dari seluruh fitur fidusia EKG dan
Seperti yang ditampilkan pada Gambar 6, RSA, RMSSD, dan SDSD empat fitur dari seluruh fitur EKG HRV, dengan peringkat lebih tinggi
merupakan fitur prediktif signifikan yang terkait dengan aktivitas dari 95% batas kepentingan, dipilih dan dimasukkan ke dalam model.
kardiovaskular setelah stroke iskemik. Kami menyelidiki ukuran statistik Analisis karakteristik operasi penerima (ROC) menawarkan deskripsi
untuk mengevaluasi hubungan fitur domain waktu HRV dengan kelompok prediksi paling komprehensif yang banyak digunakan dalam studi
stroke dibandingkan dengan kelompok kontrol. biomedis [40]. Ini menunjukkan semua kombinasi sensitivitas dan
Seperti yang ditunjukkan pada Tabel 4, kami mengukur RMSSD, SDSD, spesifisitas yang dapat dihasilkan oleh model pembelajaran mesin. AUC
pNN50, dan RSA sebagai ukuran standar HRV. Beberapa variabel (area di bawah kurva) adalah indikator kinerja model prediktif dan
domain waktu variabilitas detak jantung yang diturunkan dari EKG telah menentukan area di bawah kurva ROC. Skor sempurna AUC adalah 1,0.
menyatakan hubungannya dengan pasien stroke. Rata-rata RMSSD AUC kurang dari 0,5 tidak dianggap a
kelompok stroke adalah ÿ3,28 ms lebih pendek (95% CI, ÿ4,81 hingga
ÿ1,75 detik, p = 0,0001) dibandingkan rata-rata RMSSD kelompok kontrol. pengklasifikasi yang berguna. Ukuran alternatif lain dari AUC adalah
Rata-rata SDSD kelompok stroke adalah ÿ3,47 ms lebih pendek (95% Koefisien Gini, berkisar antara dan 1, didefinisikan sebagai dua kali
CI, ÿ4,98 hingga ÿ1,95 s, p = 0,0001) dibandingkan rata-rata SDSD (AUC-1). Matriks konfusi atau matriks kesalahan memberikan gambaran
kelompok kontrol. Rerata pNN50 kelompok stroke adalah -1,24 % lebih lengkap tentang prediksi benar dan salah.
pendek (95% CI, -2,17 hingga ÿ0,32 %, p = 0,008) Kami mengevaluasi ukuran kinerja standar, termasuk
GAMBAR 6. Distribusi statistik fitur domain waktu HRV. Rentang median dan interkuartil dari (a) RMSSD; (b)
SDSD; (c) RSA di antara populasi stroke dan populasi kontrol. ÿ(p < 0,05) menunjukkan perbedaan yang
signifikan.
akurasi (ACC), sensitivitas (tingkat positif sebenarnya), spesifisitas dan Tabel 5(b) menampilkan semua pengukuran kinerja pengklasifikasi
(tingkat negatif sebenarnya), presisi (tingkat prediksi positif), dan nilai untuk kumpulan data fidusia pelatihan dan pengujian. Random Tree
prediksi negatif dari matriks konfusi. Akurasi dianggap sebagai ukuran mengkategorikan dataset pelatihan sebagai AUC tertinggi (99,7%)
kinerja yang paling intuitif untuk menemukan model terbaik yang dan akurasi sedang (ACC: 97,62%).
dihitung sebagai persentase prediksi yang benar di seluruh observasi. Model pohon acak mengurutkan kumpulan data pengujian hingga
Sensitivitas adalah tingkat positif sebenarnya, yang didefinisikan AUC (98,90%) dan akurasi sedang (ACC: 95,56%). Seperti yang
sebagai rasio prediksi positif yang benar dari semua observasi aktual. ditunjukkan pada Gambar 8, RH, QRS, dan PRQ telah menjadi fitur
Spesifisitas menunjukkan tingkat negatif sebenarnya, yang ditandai klasifikasi stroke yang paling penting menggunakan model Random
sebagai bagian dari prediksi negatif yang benar terhadap semua Trees. Model C5.0 mengkategorikan dataset pelatihan dengan AUC
observasi aktual. Hasil prediksi model dapat disajikan dengan sedang (99,5%) dan akurasi (ACC: 98,20%).
menggunakan persamaan standar sebagai berikut: TP C5.0 mengklasifikasikan kumpulan data pengujian berdasarkan AUC
(96,30%) dan akurasi (ACC: 94,85%). RRI, RH, dan PH muncul
Sensitivitas =
TP + FN sebagai fitur klasifikasi stroke yang paling prediktif menggunakan model C5.0.
TN Model CHAID mengkategorikan kumpulan data pelatihan berdasarkan
Kekhususan =
TN + FP AUC (99,40%) dan akurasi (ACC: 97,59%). CHAID mengklasifikasikan
Kota kumpulan data pengujian berdasarkan AUC (96,90%) dan akurasi (ACC: 94,27%).
Presisi =
TP + FP PH, ST, dan QT muncul sebagai fitur klasifikasi stroke yang paling
TN prediktif menggunakan model CHAID. Model CART mengkategorikan
Nilai prediktif negatif (NPV) = kumpulan data pelatihan berdasarkan AUC (96,60%) dan akurasi
TN + PBB
TN + TP (ACC: 92,40%). CART mengkategorikan kumpulan data pengujian
Akurasi (ACC) = berdasarkan AUC (94,70%) dan akurasi (ACC: 91,23%). PH, ST, dan
TN + TP + FN + FP
QT muncul sebagai fitur klasifikasi stroke yang paling prediktif
dimana TP adalah benar positif, TN adalah benar negatif, FP adalah
menggunakan model CART. Model QUEST mengkategorikan
positif palsu, dan FN adalah negatif palsu.
kumpulan data pelatihan berdasarkan AUC (93,40%) dan akurasi
1) PREDIKSI BERDASARKAN FITUR FIDUSIAL EKG Pada (ACC: 90,07%). QUEST mengklasifikasikan kumpulan data pengujian
Gambar 7(a) dan Gambar 7(b), kurva ROC menunjukkan kurva kinerja berdasarkan AUC (92,10%) dan akurasi (ACC: 89,18%). PH, ST, dan
model klasifikasi menggunakan dataset pelatihan dan pengujian. QT telah muncul sebagai fitur yang paling prediktif dalam klasifikasi
Semua fitur fidusia EKG kecuali QTc telah menunjukkan pentingnya stroke menggunakan model jaringan saraf. Model jaringan saraf
fitur lebih besar dari 0,95 untuk prediksi klasifikasi dalam pemilihan mengkategorikan dataset pelatihan dengan AUC (89,90%) dan akurasi
fitur. Tabel 5(a) tertinggi (ACC: 83,82%). Jaringan saraf
GAMBAR 7. Kurva Karakteristik Operasi Penerima (ROC) untuk enam model pembelajaran mesin yang berbeda (Random Trees, CART, C5.0, QUEST, CHAID,
Neural Network). Area under ROC curve (AUC) merupakan indikator keakuratan prediksi. (a) Kurva ROC dari kumpulan data pelatihan. Random Tree
mengklasifikasikan dataset pelatihan dengan AUC tertinggi (99,70%) dan akurasi sedang (ACC: 97,62%); (b) Kurva ROC dari kumpulan data pengujian.
Random Tree mengklasifikasikan kumpulan data pengujian dengan AUC tertinggi (98,90%) dan akurasi tertinggi (ACC: 95,56%). Garis hitam diagonal adalah garis acuan.
TABEL 5. (a). Hasil kinerja klasifikasi Model yang berbeda menggunakan dataset pelatihan ECG Fiducial. (B). Hasil kinerja Klasifikasi Model yang berbeda
menggunakan dataset pengujian Fidusia EKG.
mengkategorikan kumpulan data pengujian berdasarkan AUC (89,40%) dan SDSD, dan pNN50 telah menjadi fitur yang paling prediktif (kepentingan fitur
akurasi (ACC: 83,17%). ST, RR-I, dan QT telah muncul sebagai fitur > 0,95) untuk klasifikasi stroke yang ditunjukkan pada Gambar 10. Tabel
klasifikasi stroke yang paling prediktif menggunakan model jaringan saraf. 6(a) dan Tabel 6(b) mencantumkan pengukuran kinerja pengklasifikasi
Secara keseluruhan, model pohon acak menunjukkan AUC tertinggi (99,40%) menggunakan pelatihan dan pengujian Kumpulan data fitur HRV. Model
dan koefisien Gini tertinggi (98,90%). CART mengklasifikasikan dataset pelatihan dengan AUC tertinggi (87%)
dan akurasi tertinggi (ACC: 82%) serta mengklasifikasikan dataset pengujian
2) PREDIKSI BERDASARKAN VARIABILITAS DENYUT JANTUNG dengan AUC tertinggi (70%) dan akurasi terbaik (ACC: 69%).
Kurva ROC model pembelajaran mesin menunjukkan kinerja prediksi Stroke
menggunakan fitur domain waktu dan domain frekuensi HRV pada Gambar CHAID mengkategorikan kumpulan data pelatihan berdasarkan AUC (77%)
9(a) dan Gambar 9(b). Dalam pemilihan fitur, RMSSD, RSA, dan akurasi (ACC: 70%) dan kumpulan data pengujian berdasarkan AUC
(63%) dan akurasi (ACC: 56%).
GAMBAR 8. Pentingnya fitur fitur fidusia EKG dalam proses pemeringkatan fitur model pembelajaran mesin untuk
membedakan kelompok pukulan dan kontrol.
TABEL 6. (a). Hasil klasifikasi performa model pembelajaran mesin menggunakan dataset pelatihan HRV. (B). Hasil performa Klasifikasi Model
Pembelajaran Mesin menggunakan dataset pengujian HRV.
GAMBAR 9. Kurva Karakteristik Operasi Penerima (ROC) untuk lima model pembelajaran mesin yang berbeda (Random Tree, CART, C5.0,
CHAID). Area under ROC curve (AUC) merupakan indikator keakuratan prediksi. (a) Kurva ROC dari kumpulan data pelatihan. CART mengklasifikasikan
dataset pelatihan dengan AUC tertinggi (87%) dan akurasi tertinggi (ACC: 82%); (b) Kurva ROC dari kumpulan data pengujian. KERANJANG diklasifikasikan
kumpulan data pengujian dengan AUC tertinggi (70%) dan akurasi sedang (ACC: 69%). Garis hitam diagonal adalah garis acuan.
GAMBAR 10. Pentingnya fitur fitur HRV dalam proses pemeringkatan fitur model pembelajaran mesin untuk mengklasifikasikan kelompok stroke dan kontrol.
tubuh. Fitur HRV secara klinis digunakan sebagai biomarker bagian superior insula, lesi stroke di bagian inferior
memahami perubahan ANS setelah stroke [53]. Seperti yang ditunjukkan insula parietal dan posterior dapat merusak lobus parietal
pada Tabel 7, karakteristik HRV seperti LF/HF, rasio LF, hubungan dengan pusat otonom menyebabkan ketidakseimbangan otonom
dan rasio HF menunjukkan hubungan yang kuat dengan gangguan tersebut dan peningkatan risiko kejadian jantung [55]. Kekuatan HF mewakili
fungsi otonom yang berasal dari stroke [45], [46], [54]. aktivitas parasimpatis, dan kekuatan LF berkorelasi dengannya
Dalam penelitian ini, LF/HF, LF/(LF + HF), dan HF/(LF + HF) aktivitas vagal. LF/HF, indikator simpativagal
telah menunjukkan perbedaan yang signifikan pada kelompok stroke keseimbangan, secara signifikan lebih rendah pada pasien stroke dibandingkan
dibandingkan dengan kelompok kontrol. Fitur domain waktu HRV, seperti di antara orang dewasa kontrol yang sehat. Temuan sebelumnya mendukung
RMSSD, RR-I, SDSD keluar sebagai yang paling prediktif penelitian ini, mengungkapkan bahwa semakin tinggi daya HF, semakin rendah LF
fitur otonom untuk risiko stroke yang lebih tinggi [43]. Pelajaran ini tenaga, dan penurunan rasio LF/HF memprediksi subakut pasca stroke
mengungkapkan RMSSD, RSA, SDSD, dan pNN50 sebagai pembeda infeksi [53], [56] dan hasil neurologis yang buruk [45].
fitur selama perawatan pasca stroke. Disfungsi otonom terlihat jelas pada Pendekatan pembelajaran mesin memungkinkan prognosis stroke dini dan
gangguan regulasi fisiologis pemulihan sebagian besar stroke menggunakan file profil aktivitas jantung.
detak jantung dan peningkatan sekresi kortisol [3]. Sebagai pusat Dalam penelitian kami, Random Trees berbasis pohon keputusan
kardiosimpatis diasumsikan di anterior, medial, dan Model paling akurat mengklasifikasikan stroke gangguan jantung
TABEL 7. Perbandingan hasil gambaran jantung populasi stroke yang diturunkan TABEL 8. Perbandingan hasil kinerja klasifikasi model pembelajaran
dari EKG antara pekerjaan yang diusulkan dan pekerjaan sebelumnya. mesin untuk prediksi pukulan pada pekerjaan yang diusulkan dan pekerjaan
sebelumnya.
posisi. Oleh karena itu, model yang dikembangkan di sini [10] K.-O. Lövblad, S. Altrichter, VM Pereira, M. Vargas, AM Gonzalez, S. Haller, dan R.
Sztajzel, ''Pencitraan stroke akut: CT dan/atau MRI,'' J. Neuroradiol., vol. 42, tidak.
saat ini hanya digeneralisasikan pada EKG Lead V5 pasien
1, hlm. 55–64, Februari 2015.
stroke melalui parameterisasi saat ini. Kami menggunakan [11] RA Macdonell, GA Donnan, PF Bladin, SF Berkovic, dan C. Wriedt, ''Elektroensefalogram
data EKG 5 menit yang direkam satu kali, dalam waktu 3 dan stroke iskemik akut: Membedakan kortikal dari infark lacunar,'' Arch. Neurol.,
jilid. 45, tidak. 5, hal.520–524, 1988.
bulan setelah timbulnya stroke, perubahan EKG yang lama
tidak diteliti dalam penelitian ini. Karena beberapa fitur [12] SJ Park, S. Hong, D. Kim, I. Hussain, Y. Seo, dan MK Kim, ''Evaluasi fisiologis
diekstraksi dari masing-masing subjek dan validasi silang perangkat stimulasi saraf vagus (VNS) non-invasif yang dapat dipakai,'' di Kemajuan
dalam Faktor Manusia dalam Teknologi yang Dapat Dipakai dan Desain Game.
cuti-k-subjek tidak dilakukan, ada kemungkinan potensi bias
Cham, Swiss: Springer, 2020, hlm.57–62.
subjek dalam validasi silang penelitian ini. Data fisiologis [13] R. Baheti dan H. Gill, ''Sistem siber-fisik,'' Impact Control Technol., vol. 12, tidak. 1,
multimodal (EEG, PPG, EMG) dapat meningkatkan akurasi hal.161–166, 2011.
prediksi gangguan saraf, vaskular, dan postural akibat stroke [14] SJ Park, S. Hong, D. Kim, I. Hussain, dan Y. Seo, ''Sistem pemantauan kesehatan
dalam mobil yang cerdas untuk pengemudi lanjut usia di mobil yang terhubung,'' di
dengan mengorbankan daya komputasi. Meskipun sistem Proc. Kongregasi ke-20. Int. Ergonomis. Asosiasi. (IEA). Cham, Swiss: Springer,
cyber-fisik yang diusulkan menunjukkan manajemen pasien 2018, hlm.40–44.
berbasis EKG, beberapa sensor fisiologis, seperti sensor [15] G. Yang, Z. Pang, M. Jamal Deen, M. Dong, Y.-T. Zhang, N. Lovell, dan AM Rahmani,
''Sistem robot perawatan rumah untuk perawatan kesehatan 4.0: Visi dan teknologi
EEG dan PPG, dapat diintegrasikan untuk memantau pasien yang memungkinkan,'' IEEE J. Biomed. Informasi Kesehatan., vol. 24, tidak. 9, hlm.
di berbagai domain fisiologis. Di masa depan, kami akan 2535–2549, September 2020.
memperluas sistem kami dengan sistem penginderaan [16] D. Chen, Y. Chen, BN Brownlow, PP Kanjamala, CAG Arredondo, BL Radspinner, dan
MA Raveling, '' Data layanan kesehatan harian per-sisting real-time atau hampir real-
fisiologis multimodal untuk prognosis stroke otomatis dan time ke dalam HDFS dan indeks elasticsearch di dalam a platform data besar,'' IEEE
studi rehabilitasi pasca stroke. Selain itu, validasi silang cuti- Trans. Ind.Informat., vol. 13, tidak. 2, hlm.595–606, April 2017.
k-subjek akan dilakukan untuk menghindari bias subjek dalam penelitian selanjutnya.
[17] A. Abouzeid, K. Bajda-Pawlikowski, D. Abadi, A. Silberschatz, dan A. Rasin, ''HadoopDB:
VII. KESIMPULAN Hibrida arsitektur teknologi MapReduce dan DBMS untuk beban kerja analitis,'' Proc.
Wakaf VLDB, jilid. 2, tidak. 1, hlm. 922–933, Agustus 2009.
Big-ECG, sistem pemantauan jantung cyber-fisik, dibangun
untuk prognosis stroke dan pemantauan pasien pasca stroke. [18] S. Hong, D. Kim, H. Park, Y. Seo, H. Iqram, dan S. Park, ''Vektor fitur gaya berjalan
Kami menjelaskan sistem sensor, analisis data platform big untuk prediksi pasca stroke menggunakan sensor yang dapat dikenakan,'' Korean Soc.
Sensibilitas Emosi, vol. 22, tidak. 3, hlm. 55–64, September 2019.
data, dan prediksi pukulan berbasis pembelajaran mesin
[19] SJ Park, S. Hong, D. Kim, Y. Seo, dan I. Hussain, ''Pemantauan kesehatan berbasis
secara detail. Kami berhasil melakukan akuisisi data, pengetahuan selama mengemudi,'' di HCI International 2018—Poster' Extended
transformasi data berbasis cloud, prediksi penyakit, dan Abstraks. Cham, Swiss: Springer, 2018, hlm.387–392.
[20] SJ Park, I. Hussain, S. Hong, D. Kim, H. Park, dan HCM Benjamin, ''Sistem pemantauan
visualisasi 45 pasien stroke dan 40 relawan sehat
gaya berjalan real-time untuk layanan prediksi stroke konsumen,'' di Proc. IEEE Int.
menggunakan sistem cyber-fisik ini. RR-I, QT, ST, QRS, Konf. Mengkonsumsi. Elektron. (ICCE), Januari 2020, hlm.1–4.
SDSD, LF/HF, LF/(LF + HF), dan HF/(LF + HF) merupakan
[21] SJ Park, S. Hong, D. Kim, Y. Seo, I. Hussain, JH Hur, dan W. Jin, ''Pengembangan
biomarker kardiovaskular yang signifikan secara statistik
sistem deteksi stroke real-time untuk pengemudi lanjut usia menggunakan bantalan
untuk mengidentifikasi perubahan jantung yang berasal dari udara empat ruang dan perangkat IoT,'' SAE Tech. Makalah 0148-7191, 2018.
stroke iskemik selama pasca- rehabilitasi stroke. Sistem Big-
[22] SJ Park, S. Hong, D. Kim, JH Yu, I. Hussain, HG Park, dan HCM Benjamin,
ECG kemungkinan akan menjadi sistem pendukung medis
''Pengembangan sistem pemantauan stroke cerdas untuk lansia saat tidur,'' Sleep
yang prospektif untuk prognosis stroke iskemik dan pemulihan pasca stroke.
Med., vol. 64, hal. S294, Desember 2019.
[23] I. Hussain, S. Young, CH Kim, HCM Benjamin, dan SJ Park, ''Mengukur biomarker
REFERENSI
fisiologis perangkat stimulasi otak gelombang mikro,'' Sensors, vol. 21, tidak. 5, hal.
[1] Statistik Kesehatan Dunia 2016: Pemantauan Kesehatan untuk Tujuan Pembangunan 1896, Maret 2021.
Berkelanjutan SDGs, World Health Org., Jenewa, Swiss, 2016. [24] B. Snyder, D. Bosnanac, dan R. Davies, ActiveMQ dalam Aksi. Greenwich, CT, AS:
[2] S. De Raedt, A. De Vos, dan J. De Keyser, ''Disfungsi otonom pada stroke iskemik Manning Greenwich Connecticut, 2011.
akut: Area terapi yang belum dieksplorasi?'' J. Neurol. Sains, jilid. 348, no. 1–2, hlm. [25] C. Gormley dan Z. Tong, Elasticsearch: Panduan Definitif: Mesin Pencarian dan
24–34, Januari 2015. Analisis Real-Time Terdistribusi. Sebastopol, CA, AS: O'Reilly Media, 2015.
[3] P. Sörös dan V. Hachinski, ''Penyebab kematian mendadak kardiovaskular dan
neurologis setelah stroke iskemik,'' Lancet Neurol., vol. 11, tidak. 2, hlm. 179–188, [26] R. Studer, VR Benjamins, dan D. Fensel, ''Rekayasa pengetahuan: Prinsip dan
Februari 2012. metode,'' Pengetahuan Data. Bahasa Inggris, jilid. 25, no. 1–2, hlm.161–197, 1998.
[4] I. Hussain dan S.-J. Park, ''Prediksi biomarker mioelektrik pada gaya berjalan pasca
stroke,'' Sensors, vol. 21, tidak. 16, hal. 5334, Agustus 2021. [27] MA Musen dan T. Protégé, ''Proyek Protégé: Melihat ke belakang dan melihat ke
[5] I. Hussain dan S.-J. Park, ''Evaluasi kuantitatif hasil neuro-logis yang dipicu oleh tugas depan,'' AI Matters, vol. 1, tidak. 4, hal. 4–12, 2015.
setelah stroke,'' Brain Sci., vol. 11, tidak. 7, hal. 900, Juli 2021. [28] G. Liu, Q. Wang, S. Chen, G. Zhou, W. Chen, dan Y. Wu, ''Evaluasi kekuatan
[6] I. Hussain dan SJ Park, ''HealthSOS: Sistem pemantauan kesehatan real-time untuk pengukuran variabilitas detak jantung untuk perubahan otonom terkait gender usia
prognostik stroke,'' IEEE Access, vol. 8, hal.213574–213586, 2020. pada sukarelawan sehat,' ' Australia. Fis. bahasa Inggris Sains. Kedokteran, jilid. 37,
[7] S. Wu, D. Liang, Q. Yang, dan G. Liu, ''Keteraturan analisis fluktuasi detak jantung tidak. 3, hlm.567–574, September 2014.
pada pasien apnea tidur obstruktif menggunakan kesamaan berbasis informasi,'' [29] J. Pan dan WJ Tompkins, ''Algoritma deteksi QRS waktu nyata,'' IEEE Trans. Bioma.
Biomed. Proses Sinyal. Kontrol, jilid. 65, Maret 2021, Pasal. TIDAK. 102370. Bahasa Inggris, jilid. BME-32, tidak. 3, hlm. 230–236, Maret 1985.
[30] D. Kim, S. Hong, I. Hussain, Y. Seo, dan SJ Park, ''Analisis data bio-sinyal pasien
[8] W. Pan, A. He, K. Feng, Y. Li, D. Wu, dan G. Liu, ''Entropi komponen multi-frekuensi stroke dan orang lanjut usia normal untuk pemantauan waktu nyata,'' di Proc.
sebagai indeks variabilitas detak jantung baru dalam penilaian gagal jantung Kongregasi ke-20. Int. Ergonomis. Asosiasi. (IEA). Cham, Swiss: Springer, 2019,
kongestif,'' IEEE Akses, jilid. 7, hal.37708–37717, 2019. hlm.208–213.
[9] T. Lees, F. Shad-Kaneez, AM Simpson, NT Nassif, Y. Lin, dan S. Lal, ''Variabilitas [31] H. Park, S. Hong, I. Hussain, D. Kim, Y. Seo, dan SJ Park, ''Sistem pemantauan gaya
detak jantung sebagai biomarker untuk memprediksi stroke, komplikasi dan fungsi berjalan untuk prediksi stroke pada orang dewasa yang menua,'' dalam Kemajuan
pasca stroke,'' Biomark Wawasan, jilid. 13, hlm. 1–13, Juni 2018. Faktor Manusia dalam Teknologi yang Dapat Dipakai dan Desain permainan. Cham,
Swiss: Springer, 2020, hlm.93–97.
[32] S. Chen, K. Xu, X. Yao, S. Zhu, B. Zhang, H. Zhou, X. Guo, dan B. Zhao, '' Penggabungan [55] F. Rincon, M. Dhamoon, Y. Moon, MC Paik, B. Boden-Albala, S. Homma, MR Di Tullio,
dan pengenalan informasi multi-fitur berbasis data psikofisiologis kelelahan penambang RL Sacco, dan MSV Elkind, ''Lokasi stroke dan hubungannya dengan hasil jantung
di daerah dataran tinggi dan dingin,'' Comput. biologi. yang fatal, '' Pukulan, jilid. 39, tidak. 9, hlm. 2425–2431, September 2008.
Kedokteran, jilid. 133, Juni 2021, Pasal no. 104413.
[33] Q. Shen, H. Qin, K. Wei, dan G. Liu, ''Jaringan saraf dalam multiskala untuk deteksi apnea [56] SM Oppenheimer, G. Kedem, dan WM Martin, ''Lesi korteks insuler kiri mengganggu tonus
tidur obstruktif menggunakan interval RR dari sinyal EKG sadapan tunggal,'' IEEE Trans. otonom jantung pada manusia,'' Clin. Res Otonom, vol. 6, tidak. 3, hlm. 131–140, Juni
instrumen. Ukuran., jilid. 70, hlm. 1–13, 2021. 1996.
[34] M. Stone, ''Pilihan validasi silang dan penilaian prediksi statistik,'' J. Roy. Statistik. Soc., [57] A. Khosla, Y. Cao, CC-Y. Lin, H.-K. Chiu, J. Hu, dan H. Lee, ''Pendekatan pembelajaran
B, Metodol., vol. 36, tidak. 2, hlm. 111–133, Januari 1974. mesin terintegrasi untuk prediksi stroke,'' di Proc. ACM SIGKDD ke-16 Int. Konf. Tahu.
Discovery Data Mining (KDD), 2010, hlm.183–192.
[35] GV Kass, ''Sebuah teknik eksplorasi untuk menyelidiki data kategorikal dalam jumlah
besar,'' J. Roy. Statistik. Soc., C, Aplikasi. Statistik., vol. 29, tidak. 2, hal.119–127, 1980. [58] ZI Attia, PA Noseworthy, F. Lopez-Jimenez, SJ Asirvatham, AJ Deshmukh, BJ Gersh, RE
Carter, X. Yao, AA Rabinstein, BJ Erickson, S. Kapa, dan PA Friedman, ''Kecerdasan
[36]JR Quinlan. (2004). Alat Penambangan Data See5 dan C5.0. [On line]. Tersedia: http:// buatan -mengaktifkan algoritma EKG untuk identifikasi pasien dengan fibrilasi atrium
www.rulequest.com/see5-info.html [37] W.-Y. Loh dan selama ritme sinus: Analisis retrospektif prediksi hasil,'' Lancet, vol. 394, tidak. 10201,
Y.-S. Shih, ''Metode pemilihan terpisah untuk pohon klasifikasi,'' Ahli Statistik. Sinica, jilid. 7, hlm.861–867, September 2019.