Machine Translated by Google

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

EKG Besar: Cyber-Fisik Prediktif Kardiografik

Sistem Manajemen Stroke
IQRAM HUSAIN , (Anggota Mahasiswa Pascasarjana, IEEE), DAN SE JIN PARK
Pusat Metrologi Konvergensi Medis, Institut Penelitian Standar dan Sains Korea, Daejeon 34113, Korea Selatan
Departemen Penelitian Konvergensi KSB (Otak Super yang Berkonvergensi Pengetahuan), Lembaga Penelitian Elektronika dan Telekomunikasi, Daejeon 34129, Selatan
Korea
Departemen Fisika Medis, Universitas Sains dan Teknologi, Daejeon 34113, Korea Selatan
Penulis koresponden: Se Jin Park (sjpark@kriss.re.kr)

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.

I. PENDAHULUAN terkait dengan disfungsi otonom [2] dan respons kardiovaskular

Stroke, penyakit neurovaskular primer pada usia dewasa,
merupakan penyebab kematian kedua di dunia pada komunitas
lanjut usia [1]. Kejadian hemoragik, seperti stroke, terjadi akibat
pecahnya pembuluh darah di otak dan menghambat pasokan
oksigen ke jaringan otak di lokasi lesi sehingga menyebabkan
kematian sel otak. Kerusakan jaringan otak ini mempengaruhi
sistem saraf pusat. Selain itu, stroke juga umum terjadi
Editor rekanan yang mengoordinasikan peninjauan naskah ini dan
yang menyetujuinya untuk diterbitkan adalah Humaira Nisar.
[3], yang dapat meningkatkan angka mortalitas dan morbiditas.
Prediksi dini gejala stroke mempengaruhi mortalitas, rehabilitasi,
biaya pengobatan pasca stroke, dan kualitas hidup [4]. Seringkali
gejala stroke tidak terlihat pada tahap awal kejadian iskemik. Oleh
karena itu, keputusan untuk merujuk penderita stroke ke pusat
diagnostik klinis untuk pencitraan otak dan evaluasi patologis
mungkin tertunda. Diagnosis stroke iskemik yang terlambat dapat
menyebabkan gangguan motorik, gangguan sensorik, gangguan
kognitif, dan bahkan kematian.
Prospek perbaikan setelah stroke berbeda-beda

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
pasca stroke merupakan salah satu biaya perawatan kesehatan yang
tumbuh paling cepat [5].
Melacak sinyal fisiologis adalah salah satu hal yang penting
metode untuk prognosis penyakit dan manajemen klinis.
Stroke adalah penyakit neurologis, dan elektroensefalografi (EEG) adalah
alat yang berguna untuk prognosis dini stroke [6].
Selain itu, stroke iskemik mempengaruhi sistem saraf otonom (ANS),
aktivitas kardiovaskular. Seperti elektrokardiografi
(EKG) adalah sinyal fisiologis representatif dari kesehatan jantung dan
pembuluh darah dan sistem saraf otonom, jantung
pemantauan merupakan salah satu kunci prediksi stroke. Beberapa
Studi EKG telah melaporkan pengukuran EKG kuantitatif dalam aplikasi
klinis untuk mengevaluasi hubungan antara hasil jantung, neurologis, dan
fungsional.
stroke iskemik [2]. Perubahan jantung yang diturunkan dari EKG
variabilitas tingkat (HRV) adalah biomarker simpatik
dan aktivitas parasimpatis dari ANS yang paling mengatur
proses viseral dan metabolisme. Dinamika jantung bisa jadi
dilacak menggunakan ukuran HRV nonlinier dan dipelajari untuk memprediksi
apnea tidur [7] dan gagal jantung kongestif [8]. Iskemik
stroke mengganggu fungsi otonom, ditandai dengan dominasi aktivitas
simpatis. Kelainan jantung, misalnya
sebagai iskemia miokard, dikaitkan dengan pasien stroke.
Perubahan fidusia EKG yang paling umum termasuk depresi
Segmen ST, interval QT memanjang, datar atau terbalik
Gelombang T, dan gelombang U [9].
Untuk diagnosis stroke secara rinci, termasuk identifikasi lesi stroke di
otak, dan evaluasi
ukuran dan lokasi lesi, computerized tomography (CT) dan
magnetic resonance imaging (MRI) adalah alat yang paling berguna
untuk memahami anatomi otak dan menentukan
cakupan diagnosis kedua jenis stroke (trombosis
atau perdarahan) [10]. Pemantauan terus menerus terhadap risiko tinggi
pasien dengan riwayat stroke akut atau iskemik transien
serangan (mini stroke) menggunakan CT dan MRI tidak praktis [6]. Untuk
prognosis Stroke, perubahan EKG dapat berguna dalam kehidupan sehari-hari
kehidupan dan lingkungan klinis [11], [12]. Apalagi EKG
atau fungsi tanda vital hadir di sebagian besar pelacak kebugaran
dan perangkat kesehatan. Pelacakan aktivitas jantung secara real-time adalah
cara yang terjangkau dan efektif untuk memprediksi stroke risiko tinggi
status kesehatan kardiovaskular pasien dengan jantung yang mendasarinya
penyakit.
Dengan kemajuan sistem cyber-fisik, besar
data, dan Layanan Kesehatan 4.0 di bidang kedokteran, sistem pemantauan
pasien berbasis biosignal secara real-time menarik banyak perhatian.
Orang dewasa lanjut usia paling rentan terhadap beberapa penyakit yang mengancam jiwa
penyakit, seperti stroke iskemik, penyakit jantung. Di samping itu,
pemerintah dan lembaga kesehatan sedang mencari
cara yang inovatif dan efektif untuk mengelola warga senior
perlakuan. Rehabilitasi merupakan langkah penting untuk pulih
dari gangguan kardiovaskular dan neurologis. Kesehatan
penyedia layanan umumnya merekam EKG menggunakan sistem EKG 12
sadapan standar yang sudah ada dengan banyak elektroda di pusat
kesehatan dan rumah sakit. Studi EKG ini juga memerlukan
staf medis terlatih dan pengaturan klinis. Selain itu, tradisional
JILID 9, 2021
Metode EKG menggunakan beberapa posisi spasial untuk mengukur
aktivitas listrik jantung dengan benar. Panjang seperti ini
persiapan klinis dan permintaan keterampilan ahli dapat menunda
prognosis penyakit akut. Apalagi kardiovaskular dan
gangguan neurologis akibat stroke meningkatkan
risiko morbiditas dan mortalitas jantung pada masa pasca stroke
periode [3]. Jadi, sistem pemantauan jantung real-time punya
mencapai minat yang besar untuk rehabilitasi pasca stroke
pengelolaan.
Data EKG yang dihasilkan di pusat layanan kesehatan tidak dapat
disimpan, diubah, dan dimanfaatkan secara real-time di tingkat perusahaan
layanan klinis dan kesehatan dengan sistem pemantauan kardiovaskular
saat ini. Umumnya intervensi dokter
diperlukan untuk menafsirkan EKG untuk pengambilan keputusan klinis.
Seiring dengan semakin berkembangnya penggunaan perangkat medis wearable
dan sistem pemantauan pasien di rumah semakin populer
selama era COVID-19, platform analisis EKG otomatis
dapat menjadi alat bantu bagi para ahli medis dan
pengasuh pasien. Tidak cukup penelitian ekstensif yang diselidiki
aktivitas jantung menggunakan EKG portabel dan siaran langsung berbasis cloud
pemrosesan untuk prognosis dan rehabilitasi pasien stroke. Selain itu,
parameter HRV yang diturunkan dari EKG telah dipelajari sebelumnya
untuk prediksi stroke berbasis pembelajaran mesin [9].
Pendekatan pembelajaran mesin berbasis fitur fidusia EKG adalah
belum dieksplorasi secara klinis pada kasus stroke iskemik.
Singkatnya, hal ini memerlukan EKG real-time atau hampir real-time
sistem untuk memantau aktivitas kardiovaskular pada stroke
pengaturan kehidupan sehari-hari pasien. Kami mengusulkan Big-ECG, mampu
melacak sinyal jantung, menganalisis data dalam data besar
platform, dan menyediakan analisis kesehatan sebagai layanan. Ini
sistem dapat menghasilkan peringatan sebagai umpan balik untuk bantuan
layanan penyelamatan darurat jika fitur diagnostik mobil yang dapat
memprediksi stroke melebihi kriteria mematikan. Big-ECG adalah platform
cyber-fisik yang menggabungkan EKG klinis dan data besar
analitik.
Kami berhipotesis bahwa perangkat EKG portabel akan segera
mendeteksi aktivitas kardiovaskular. Analisis data berdasarkan
pemrosesan biosignal, analisis statistik, dan mesin yang tangguh
teknik pembelajaran akan menjadi metode yang konsisten untuk
memprediksi kesehatan jantung selama permulaan stroke dan pasca stroke
rehabilitasi.
Kami bertujuan untuk mengembangkan Big-ECG, EKG cyber-fisik
sistem untuk stroke, prediksi penyakit kardiovaskular setiap hari
kehidupan dan lingkungan klinis. Kontribusi utama dalam hal ini
makalah dapat diringkas sebagai berikut:
• Kami membangun platform Big-ECG yang mengintegrasikan
patch EKG yang dapat dipakai, streaming data ke server cloud,
pemrosesan sinyal waktu nyata dengan Hadoop dan Spark
ekosistem, dasbor langsung untuk pelanggan, dokter,
dan manajer layanan untuk prognosis berbasis cloud
iskemia dan penyakit jantung.
• Kami menemukan indeks EKG gangguan stroke, termasuk
Pengukuran HRV, fitur fidusia menggunakan analisis statistik, dan
fitur penting secara signifikan melalui uji hipotesis.
123147
Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke
• Kami menggunakan algoritme pembelajaran mesin untuk
mengkategorikan kelompok stroke iskemik dan kelompok kontrol sehatsistem file terdistribusi Hadoop (HDFS), algoritma MapReduce, dan alat
kelompok untuk prediksi stroke akut.
Kami menyusun sisa artikel ini menjadi enam bagian.
Kami menceritakan latar belakang teknis artikel ini di Bagian II,
menjelajahi teknik-teknik canggih dari Layanan Kesehatan 4.0 dan besar
data. Platform pemantauan kesehatan berbasis EKG siber-fisik yang
diusulkan dijelaskan pada Bagian III, diikuti oleh
kumpulan data dan metodologi yang digunakan untuk memvalidasi sistem
kemampuan prediktif. Setelah itu, hasilnya dilaporkan
Bagian V, diakhiri dengan pembahasan. Terakhir, kami menyatakan
kesimpulannya ada di Bagian VII.
II. LATAR BELAKANG
A. SISTEM CYBER-FISIK DAN PERAWATAN KESEHATAN 4.0
Sistem Cyber-Fisik (CPS) adalah sistem inovatif dengan komputasi
terintegrasi dan kemampuan fisik yang
memungkinkan cara-cara baru untuk berkomunikasi dengan manusia [13]. Itu
interaksi antara elemen fisik dan digital telah datang
untuk memainkan peran penting dalam berbagai domain. CPS, diadaptasi dalam
sektor industri, kini mulai diterapkan di bidang kesehatan.
Dalam konteks layanan kesehatan, penggunaan CPS telah menghasilkan Smart
Kesehatan. Dari perspektif revolusi baru ini,
sejumlah besar CPS membentuk sistem layanan kesehatan saat ini
melibatkan perangkat, teknologi, solusi, dan usaha. Itu
komponen penting dari CPS ini terdiri dari campuran
teknologi yang memungkinkan, termasuk perangkat medis pintar,
otomatisasi proses diagnostik, robot otonom, Internet
perangkat of Things (IoT), Big Data medis, Fog, dan Cloud
Komputasi [14]. CPS adalah teknologi penting dalam Layanan Kesehatan
4.0 [15]. Layanan Kesehatan 4.0 adalah revolusi berturut-turut dari
sistem perawatan kesehatan yang lengkap, termasuk pembuatan obat-
obatan dan peralatan medis yang cerdas, cyber-fisik
pemantauan pasien, analisis kesehatan, telemedis, perawatan kesehatan
logistik, pengobatan yang dipersonalisasi dan presisi, bantuan hidup, dan
rehabilitasi.
B. TEKNOLOGI DATA BESAR DALAM PERAWATAN KESEHATAN
Teknologi big data sedang membentuk dunia; kesehatan adalah
tanpa pengecualian. Data medis transaksional real-time dan
akumulasi riwayat catatan kesehatan elektronik (EHR)
Data di rumah sakit adalah alat penentu medis yang penting bagi dokter dan
penyedia layanan lainnya untuk mendapatkan perawatan terbaik bagi pasien
atau layanan. Big data layanan kesehatan berkembang secara masif
volume rekam medis terstruktur dan tidak terstruktur. Biasanya database
terstruktur dihasilkan dari beberapa sumber,
seperti demografi pasien, kebiasaan hidup, tes diagnostik,
dan penyakit. Di sisi lain, riwayat kesehatan pasien,
catatan interogasi dokter berkontribusi mengumpulkan banyak sekali
kumpulan data tidak terstruktur. Rumah sakit sedang menangani medis besar ini
Akuisisi data, pemrosesan dan analisis, penyimpanan, pengambilan data
real-time, dan pengumpulan data medis historis
menggunakan teknologi Big data yang sesuai [16]. Teknologi Big Data
mencakup ekosistem Hadoop sumber terbuka berbiaya rendah,
Elasticsearch (ES), dan database relasional (RDB) dan
123148
Hadoop–HadoopDB [17]. Ekosistem Hadoop terdiri dari
analisis lainnya untuk menangani, menganalisis Big
Data untuk menjadikannya matang dan siap untuk perusahaan.
C. PERANGKAT PAKAI DAN BIOSIGNAL PERAWATAN KESEHATAN
Dengan meningkatnya perangkat kesehatan dan kebugaran yang dapat dipakai,
sumber data layanan kesehatan berkembang pesat. Jaringan berkecepatan
tinggi, perangkat fisiologis yang dapat dipakai diaktifkan
rumah pintar ke bagian CPS medis. Beberapa sinyal fisiologis diukur di
rumah sakit dan disimpan
sebagai nilai numerik atau format dokumen portabel digital (pdf). EKG
memberikan informasi tentang aktivitas jantung
dengan mengukur perilaku listrik jantung. Elektromiografi (EMG) menunjukkan
kesehatan otot dengan membaca aktivitas bioelektrik yang dihasilkan oleh
serat otot.
Electroencephalogram (EEG) mengungkapkan status neurologis dengan
mengukur aktivitas listrik otak. Pho-toplethysmogram (PPG), respon kulit
galvanik (GSR),
elektrookulografi (EOG) adalah contoh biosignal yang menunjukkan status
kesehatan pasien. Beberapa sinyal perilaku manusia, gerak, gaya berjalan,
dan parameter postur menggambarkannya
kesehatan fisik dan perilaku. Tidak terstruktur seperti ini
data sangat rumit untuk dianalisis menggunakan platform data besar.
Pengambilan keputusan klinis dengan menggunakan catatan tersebut memerlukan a
bantuan dokter atau dokter. Kemajuan pesat dari
miniatur perangkat keras pemrosesan bio-sinyal, antarmuka pemrograman
aplikasi (API), teknologi komunikasi, dan
teknik pembelajaran mesin memungkinkan layanan kesehatan yang dapat dikenakan
perangkat untuk menangani analisis kesehatan real-time [18], [19].
Pelacak kesehatan yang dapat dipakai dapat merekam biosignal dalam kehidupan sehari-hari
pengaturan, seperti aktivitas di rumah, berjalan kaki, mengemudi, tidur,
dan era yang semakin luas dalam bidang kesehatan. Dewasa ini,
data fisiologis pasien secara real-time umumnya diperoleh
menggunakan sensor yang dapat dikenakan, seperti pelacak tanda vital, suatu aktivitas
pelacak [18], [4], [20], [21], dan pelacak tidur [6], [22].
Perangkat yang dapat dipakai digunakan dalam kebugaran dan stimulasi kesehatan.
ulasi, seperti stimulasi saraf vagus, otak microwave
stimulasi [23].
AKU AKU AKU. EKG BESAR: JANTUNG FISIK SIBER
SISTEM PEMANTAUAN
Big-ECG, sistem pemantauan jantung baru, terdiri dari
sistem sensor EKG portabel, antarmuka akuisisi data, penyimpanan dan
pemrosesan data besar, basis pengetahuan, dan dasbor layanan kesehatan,
seperti yang ditunjukkan pada Gambar 1. Bagian ini mengeksplorasi usulan
cyber-fisik
arsitektur pemantauan jantung untuk pemantauan waktu nyata di
detail. Pertama, komponen arsitektur sistem adalah
diperkenalkan (Bagian III-A). Terakhir, kami akan mendemonstrasikan
aliran data untuk menilai pelacakan jantung real-time menggunakan
CPS (Bagian III-B).
A. ARSITEKTUR SISTEM
Arsitektur ini bertujuan untuk memproses sinyal fisiologis untuk memantau
status kesehatan secara real-time, dengan menyediakan tenaga ahli
JILID 9, 2021
Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke

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
pemantauan jantung cyber-fisik, sistem sensor (fisik), sistem manajemen
cloud, dan dashboard layanan front-end.
1) SISTEM SENSOR
Sensor adalah perangkat, modul, mesin, atau subsistem yang tujuannya
untuk mendeteksi perubahan lingkungan fisik. Sistem Layanan Kesehatan
menggunakan berbagai biosensor untuk merekam berbagai sinyal
fisiologis untuk memahami status kesehatan. Sistem sensor kami
berkaitan dengan sensor EKG: patch EKG yang dapat dipakai untuk
aplikasi kehidupan nyata dan klinis serta peralatan EKG standar untuk
aplikasi klinis. Perangkat EKG yang dapat dipakai adalah patch EKG
mandiri dengan komunikasi Bluetooth hemat energi (BLE) dengan
komputer atau telepon. Peralatan EKG mandiri yang digunakan di rumah
sakit dan pusat kesehatan menyimpan data di komputer lokal.
Kami mengintegrasikan kedua jenis perangkat tersebut dengan sistem CPS kami.
2) PENYIMPANAN DAN PENGOLAHAN DATA CLOUD
Data fisiologis seperti EKG dapat dimanfaatkan sebagai data besar yang
bercirikan 5V dalam kaitannya dengan Volume, Kecepatan, Variasi, Nilai,
dan Kebenaran. Data fisiologis pasien yang dihasilkan rumah sakit
berukuran petabyte atau zettabyte, yang menggambarkan volume.
Kecepatannya dinyatakan
dalam hal tingkat pengambilan sampel data dari pasien, dan sebagian
besar data klinis dicatat dengan tingkat pengambilan sampel yang lebih
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
diubah menjadi persepsi yang bermakna, seperti prediksi penyakit,
pemantauan kesehatan, sistem bantuan disabilitas, yang menggambarkan
nilai dalam 5V.
Sistem manajemen Cloud mencakup sistem akuisisi data, pemrosesan
data, penyimpanan data, penyajian data. Pengelolaan volume, kecepatan,
skalabilitas, dan toleransi kesalahan merupakan persyaratan penting
platform cloud.
Kami menggunakan Apache ActiveMQ untuk peran persyaratan akuisisi
data. ActiveMQ adalah perantara pesan yang dibangun di atas Java
Messaging Service, yang mampu mengirim pesan antar aplikasi [24]. API
sensor berbasis java yang dibuat khusus bertindak sebagai penerbit data.
ActiveMQ bertanggung jawab atas pengangkutan data yang dikirim oleh
API ke cloud.
ActiveMQ mengurangi kehilangan pesan dengan memanfaatkan
fungsionalitas toleransi kesalahannya. Elasticsearch adalah database
NoSQL, yang bertindak sebagai penyimpanan terdistribusi, pencarian,
dan mesin analitik dengan antarmuka web HTTP dan dokumen JavaScript
Object Notation (JSON) [25]. Ini menyediakan API yang kuat untuk
mengindeks data dalam format sejumlah pasangan nilai kunci yang
dinamis. Logstash adalah mesin transformasi data yang tersedia secara gratis dan me

JILID 9, 2021 123149

Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke
data dari banyak sumber, mengubahnya menjadi format JSON, dan
memasukkannya ke database Elasticsearch. Ekosistem Hadoop
berisi sistem file terdistribusi Hadoop (HDFS), MapRe-duce, Spark
Streaming, dan banyak komponen analitis lainnya untuk memecahkan
masalah Big Data, dan semuanya telah matang dan siap untuk
perusahaan. HDFS dirancang untuk penyimpanan yang andal,
mengelola file berukuran besar, dan mengalirkan kumpulan data
tersebut ke aplikasi front-end. Apache Spark Streaming adalah
pemrosesan data yang skalabel dan toleran terhadap kesalahan untuk aliran
Spark melakukan pemrosesan data besar dalam memori dengan
latensi rendah; ini dianggap sebagai solusi terbaik untuk pemrosesan
data sensor langsung. MariaDB adalah sistem manajemen data
relasional MySQL yang dikembangkan komunitas. Dalam RDB ini,
sebagian besar data terstruktur diproses dan digunakan bersama
dengan Hadoop. Ini menyimpan data yang diproses dan membuatnya
tersedia untuk digunakan dari dasbor front-end tanpa latensi sebagai respons.
3) ONTOLOGI MEDIS
Ontologi adalah spesifikasi formal dan eksplisit dari konseptualisasi
bersama [26]. Seiring dengan semakin menariknya konsep ontologi
dalam domain biomedis untuk interpretasi pengetahuan dan
interoperabilitas semantik, kami mengembangkan ontologi medis
dengan bantuan dari pakar ontologi dan pakar domain (peneliti dan
dokter). Editor ontologi Protégé-OWL v.4.2 [27], yang mendukung
OWL (Ontol-ogy Web Language), digunakan untuk
mengimplementasikan konsep ontologi. Data EKG yang disimpan
ditandai dalam anotasi semantik dengan metadata yang telah
ditentukan sebelumnya, yaitu kumpulan konsep ontologis. Data yang
dianotasi secara semantik disimpan dalam database kerangka
deskripsi sumber daya (RDF) sebagai RDF tiga kali lipat. Basis data
RDF bertindak sebagai mesin ontologi dan memfasilitasi penyimpanan
dan pemulihan rangkap tiga RDF melalui kueri semantik. Sistem
basis pengetahuan Front-end menghasilkan rekomendasi otomatis
dari model ontologi back-end untuk prognostik stroke, korelasi dengan
fisiologi, tingkat pemulihan stroke, terapi pasca stroke, dll. Selain itu,
pelanggan atau terapis sistem pemantauan pasien dapat bertanya
pertanyaan tambahan melalui antarmuka pengguna. Ontologi medis
membagikan informasi penyakit dan korelasi antara penyakit dan
hasil fisiologis. Oleh karena itu, prognostik dan risiko stroke berbasis
Ontologi akan muncul di aplikasi atau dasbor klien.
4) DASHBOARD LAYANAN PENASIHAT
KESEHATAN Dashboard layanan penasihat kesehatan terdiri dari
aplikasi klien, dashboard klinis, dan dashboard eksekutif layanan.
Penasihat kesehatan adalah lapisan layanan kesehatan termasuk
node profil klien, seperti informasi pribadi, identifikasi sensor yang
dapat dikenakan, riwayat catatan kesehatan; simpul sumber daya,
seperti informasi rumah sakit dan layanan darurat, ketersediaan
layanan rumah sakit, informasi dokter, obat-obatan, logistik rumah
sakit; simpul keputusan, seperti ontologi medis, basis pengetahuan,
ontologi penyakit. Pemantauan biosignal secara real-time atau hampir
real-time, streaming dan pemrosesan data langsung di platform cloud,
umpan balik status kesehatan real-time kepada klien, dan dasbor
rumah sakit menjadikan
123150
cara untuk mengotomatisasi sistem penasihat kesehatan. Sistem
kami memungkinkan pakar medis, seperti dokter, memverifikasi
rekomendasi yang dibuat secara otomatis dan menambahkan
rekomendasi klinis ahlinya melalui dasbor klinis. Layanan penasihat
kesehatan, yang ditampilkan di aplikasi atau dasbor klien, terdiri dari
prediksi penyakit dan tingkat keparahan serta saran berdasarkan
basis pengetahuan serta resep dokter. Penasihat kesehatan juga
menyediakan layanan pesan ke ruang kontrol layanan darurat dan
kerabat
tentang kesehatan jantung, membantu mereka membantu
data langsung.
pasien dan pindah ke rumah sakit untuk diagnosis dan pengobatan
tambahan.
B.ALIRAN DATA
Data EKG mengalir dari sensor yang dapat dikenakan ke visualisasi
front-end dan menjalani serangkaian pemrosesan data untuk
pemantauan jantung pasien secara real-time guna mendeteksi
perubahan EKG akibat penyakit. Disini akan dijelaskan jenis data
EKG, rute perjalanan data untuk transformasi data mentah menjadi
fitur jantung, pemrosesan data berbasis aturan dan pembelajaran
mesin, visualisasi data di dashboard.
Seperti yang ditunjukkan pada Gambar 2, patch EKG yang dapat
dipakai berkomunikasi dengan API menggunakan jaringan BLE di
ponsel Android yang lokasinya dekat. Aplikasi android membaca data
EKG real-time dari sensor, menerbitkan topik ActiveMQ, dan
memasukkan data dalam format JavaScript Object Notation (JSON)
ke server Transmission Control Protocol (TCP) melalui jaringan Wi-Fi
atau Long-Term Evolution (LTE) . Data EKG dianotasi dengan nomor
identitas (ID) perangkat yang sesuai, ID pasien, ID gateway, dan
stempel waktu agar data dapat dilacak. Selain itu, peralatan EKG
mandiri menyimpan data dalam format nilai yang dipisahkan koma
(CSV). Dalam sistem ini, data ECG CSV diubah ke format JSON dan
dikirim ke antrian ActiveMQ. File JSON diterbitkan oleh API akuisisi
data dalam umpan ActiveMQ ke server. Jika server data besar ada
di komputer yang sama, Logstash dapat mengubah file CSV tersebut
menjadi format JSON, cocok untuk pengindeksan dan pengelolaan
Elasticsearch.
Di sisi cloud, Elasticsearch menerima data mentah dan melakukan
pengindeksan sesuai dengan protokol konfigurasi data EKG.
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,
aktif), informasi aktivitas (berjalan, mengemudi, atau tidur). Modul
ekstraksi fitur mengekstrak semua fitur kardiovaskular yang relevan.
Fitur berbasis aturan memperluas fitur jantung yang diberi anotasi
sesuai dengan penyakit yang diprediksi, seperti stroke iskemik.
Semua aturan prediksi penyakit berasal dari pohon keputusan
prediksi penyakit yang diperoleh dari studi klinis awal yang ekstensif.
Fitur EKG yang dipilih dijalankan melalui model pembelajaran mesin
untuk melatih model tersebut. Sistem menyimpan catatan rincian
klien, riwayat catatan medis, informasi kontak, dan data asuransi
kesehatan dalam portofolio mereka. Semua data pemrosesan
disimpan di MariaDB dan tersedia untuk dasbor front-end. Dasbor
dapat berkomunikasi
JILID 9, 2021
Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke

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
untuk menanyakan data dasbor, dan satu lagi adalah Web-Socket,
yang mengalirkan pesan langsung ke dasbor. Sistem Big-ECG
menampilkan status kesehatan kardiovaskular dan berbagai fitur
utama EKG dan HRV, seperti interval RR, ST, QT, rasio LF/HF di
dasbor melalui WebSocket, dan tren sinyal menggunakan
permintaan HTTP. Ontologi Medis dan penasihat kesehatan
memberikan saran kesehatan yang memungkinkan untuk
membimbing pasien dan penyedia layanan kesehatan.
IV. METODOLOGI EKSPERIMENTAL
Untuk memahami aktivitas jantung akibat gangguan stroke, kami
mengukur EKG saluran tunggal pada pasien stroke dan orang
dewasa sehat dalam kondisi istirahat. Kami memproses dan
mengekstrak fitur fidusia EKG, domain waktu, dan fitur domain
frekuensi HRV turunan EKG. Kami menyelidiki gambaran jantung
melalui analisis statistik dan uji hipotesis untuk mengidentifikasi
gambaran EKG penting yang berhubungan dengan stroke iskemik.
Kami juga menggunakan algoritma pembelajaran mesin untuk
mengotomatiskan klasifikasi kelompok stroke dan kelompok
kontrol. Sebagai sistem percontohan, kami menyiapkan sistem
percontohan cyber-fisik untuk prognostik stroke dan manajemen
rehabilitasi secara paralel dengan operasi reguler di dua pusat
kesehatan. Sistem percontohan mencakup akuisisi data
menggunakan patch EKG nirkabel, transfer data ke cloud, jaringan
nirkabel, serta penyimpanan dan pengindeksan data di platform cloud.
A. DEMOGRAFI PESERTA
Partisipan dalam percobaan ini adalah pasien stroke iskemik dan
orang dewasa sehat. Kelompok stroke terdiri dari 45 pasien stroke
iskemik (Usia: 70,8 ± 4,6 tahun, 68% laki-laki), dan kelompok
kontrol terdiri dari 40 orang dewasa sehat (Usia: 75,4 ± 2,3 tahun,
38% laki-laki). Meskipun tidak ada perubahan yang diamati pada
usia dan jenis kelamin dalam respon otonom EKG [28], baik
peserta stroke dan sukarelawan kontrol termasuk dalam kelompok
usia yang sama untuk mengurangi variasi fitur fidusia EKG terkait
usia. Kelompok stroke termasuk pasien yang menjalani rehabilitasi
pasca stroke di Rumah Sakit Universitas Nasional Chungnam dan
kampus Kedokteran Universitas Konyang di Daejeon, Korea
Selatan. CT atau MRI mengkonfirmasi diagnosis klinis stroke
iskemik pasien. Kelompok kontrol terdiri dari orang dewasa lanjut
usia yang sehat dan tidak memiliki riwayat penyakit jantung dan
riwayat kejadian iskemik. Dewan Peninjau Kelembagaan Institut
Penelitian Standar dan Sains Korea, Daejeon, Korea Selatan, dan
Universitas Konyang, Daejeon, Korea Selatan, menyetujui
penelitian yang dilakukan berdasarkan pedoman Deklarasi
Helsinki (KRISS-IRB-2016-05 -19).
B. AKUISISI DATA EKG Kami
mencatat data EKG dalam dua sistem sensor berbeda; satu adalah
sensor EKG nirkabel Biopac (Biopac Systems Inc., Santa Barbara,
CA, USA), dan satu lagi adalah patch EKG yang dapat dikenakan

JILID 9, 2021 123151

Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke
(Life science Technology Inc., Korea Selatan). Kami memperoleh
kumpulan data EKG saluran tunggal di Rumah Sakit Universitas
Nasional Chungnam menggunakan sistem Biopac MP160 dengan
AcqKnowledge versi 5.0. Pernafasan Biopac BioNomadix (RSP)
nirkabel dan amplifier EKG (RSPEC-4.3) mencatat aktivitas
kardiovaskular menggunakan Electro Lead (BN-EL30-LEAD3)
berukuran 3 x 30 cm dengan menggunakan elektroda sekali pakai
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
EKG saluran tunggal di Pusat Fisioterapi Universitas Konyang
menggunakan patch EKG dan memasukkannya ke database cloud.
Kami menggunakan usap alkohol rendah untuk membersihkan kulit
peserta untuk mengurangi impedansi. Seperti dijelaskan pada
Gambar 3(a), kami hanya mempertimbangkan data EKG yang
dikumpulkan pada posisi sadapan V5. Untuk populasi stroke, kami
mencatat data EKG dalam waktu tiga bulan setelah diagnosis
Stroke Iskemik. Kami menyarankan peserta menghindari minuman,
seperti kopi atau alkohol, sebelum rekaman. Saat mengukur data
EKG, kami menginstruksikan pasien untuk tetap terjaga, menutup mata, PRQ
Setelah duduk di kursi, pencatatan data ditunda selama 3 menit,
sehingga tanda-tanda vital peserta menjadi stabil. Seperti yang
ditunjukkan pada Gambar 3 (b), kami mencatat elektrokardiogram
setidaknya selama 5 menit saat bangun dan istirahat. Kami
menjaga suhu ruangan pada 24ÿ C dan kelembaban relatif pada
40%.
C. TRANSFORMASI DAN PENYIMPANAN DATA
Kami memasukkan data patch EKG langsung ke server Big-ECG
melalui aplikasi android menggunakan ActiveMQ. Selain itu, data
EKG nirkabel Biopac disimpan data EKG dalam format file CSV di
komputer lokal yang terhubung. Untuk memasukkan data ini ke
server jarak jauh menggunakan protokol ActiveMQ, API konversi
data mengubah data CSV menjadi data JSON dan mengirimkannya
ke antrean ActiveMQ. Di server jarak jauh, Elasticsearch menerima
data mentah dan membuat pengindeksan sesuai dengan protokol
konfigurasi data EKG. Seperti yang ditampilkan pada Gambar 3(d),
server data dilengkapi dengan server menara Dell Pow-erEdge
T640 (Prosesor Intel Xeon Silver 4210R 2.4GHz 10C, RAM:32GB).
D. PRA-PROSES
Semua aliran elektrokardiogram (EKG) diambil sampelnya pada
200 Hz agar sesuai dengan kecepatan pengambilan sampel yang
dioptimalkan dari algoritma deteksi QRS. Semua denyut prematur,
hilang, atau ektopik disaring menggunakan algoritma deteksi QRS
Pan-Tompkins [29].
E. EKSTRAKSI FITUR
Ekstraksi Fitur EKG terdiri dari fitur fidusia dan fitur variabilitas
detak jantung seperti dijelaskan pada Gambar 3(e).
Komponen fidusia EKG diekstraksi melalui permulaan, offset, dan
puncak setiap gelombang profil gelombang P-QRS-T standar.
Kami menganalisis sinyal HRV yang diturunkan EKG dalam domain
waktu dan domain frekuensi. Fitur HRV domain frekuensi adalah
daya spektral yang diekstraksi dalam berbagai pita frekuensi, dan
123152
fitur HRV domain waktu mencakup berbagai statistik
komponen.
1) FITUR FIDUSIAL EKG Kami
mengekstraksi fitur fidusia dari bentuk gelombang EKG.
Pengukuran waktu dan tegangan siklus demi siklus dari peristiwa
gelombang Q dan S serta peristiwa QRS diekstraksi untuk berbagai
Interval RR menunjukkan waktu antara puncak R berturut-turut
dalam bentuk gelombang EKG yang dihitung dalam hitungan detik.
Denyut jantung, dinyatakan dalam detak per menit (BPM), dihitung
menggunakan interval waktu RR. QRS menentukan durasi antara
awal gelombang Q dan akhir gelombang S.
QT menggambarkan periode antara awal gelombang Q dan akhir
gelombang T yang diukur dalam hitungan detik. Interval QT
terkoreksi (QTc) adalah durasi QT yang disesuaikan dengan
interval RR. ST menggambarkan waktu antara gelombang S dan
akhir gelombang T yang dihitung dalam hitungan detik. Interval
dudukberarti
dan istirahat.
periode antara permulaan gelombang P dan gelombang
Q yang diukur dalam hitungan detik. P-height (PH) menceritakan
ketinggian puncak gelombang P dalam siklus yang diukur dalam
mV. Demikian pula, R-height (RH) menyatakan amplitudo
gelombang R dalam siklus EKG yang direkam dalam mV.
2) VARIABILITAS DENYUT JANTUNG DOMAIN
WAKTU HRV adalah ukuran ritme fisiologis antara detak yang
berurutan. Perubahan detak jantung terdeteksi dalam interval RR
bentuk gelombang EKG. Interval RR adalah fungsi representasi
detak jantung (HR) dan HRV.
Interval RR diekstraksi dari sinyal EKG menggunakan detektor
QRS. Metode Pan-Tompkins yang dimodifikasi digunakan untuk
menormalkan data EKG menjadi 1, daripada menggunakan data
EKG mentah, di mana nilai puncak gelombang R tertinggi dianggap
1 [29]. Ambang batas gelombang R ditunjukkan dalam rentang
yang dinormalisasi (ÿ1, 1): positif untuk puncak gelombang R positif
dan negatif untuk puncak R terbalik. Representasi domain waktu
kontinu dari Interval RR diperoleh melalui pengambilan sampel
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),
RMS selisih berturut-turut interval RR (RMSSD), dan simpangan
baku selisih berturut-turut interval RR. Interval gelombang R
(SDSD) dan rasio jumlah pasangan interval gelombang R normal-
ke-normal (NN) yang lebih besar dari 50 ms terhadap total interval
NN (pNN50). Aritmia Sinus Pernapasan (RSA) adalah indeks siklus
pernapasan, yang didefinisikan sebagai laju maksimum dikurangi
laju minimum, yang dinyatakan dalam milidetik.
3) VARIABILITAS DENYUT JANTUNG DOMAIN
FREKUENSI Kerapatan spektral daya (PSD), daya dalam berbagai
pita frekuensi diekstraksi dari interval RR menggunakan metode
perkiraan Welch, rata-rata bagian irisan waktu sinyal. Jendela
Hamming digunakan untuk transformasi Fast Fourier (FFT) untuk
membuat PSD. VLF, kekuatan pita frekuensi sangat rendah,
menggambarkan rata-rata
JILID 9, 2021
Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke
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.
daya spektral diukur dalam kisaran 0,00-0,04Hz, memiliki
satuan detik^2/Hz. LF, daya pita frekuensi rendah, adalah daya
spektral rata-rata yang diukur dalam rentang 0,04-0,15Hz. HF,
daya pita frekuensi tinggi, menunjukkan daya spektral rata-
rata yang diukur dalam kisaran 0,15-0,40Hz. VHF, daya pita
frekuensi sangat tinggi, menunjukkan daya spektral rata-rata
yang diukur dalam kisaran 0,40-3,00Hz. LF/(LF + HF)
menceritakan rasio frekuensi rendah, dan HF/(LF + HF)
menyebutkan rasio frekuensi tinggi. LF/HF menggambarkan
rasio daya frekuensi rendah dan daya frekuensi tinggi.
F. PEMILIHAN FITUR
Pemilihan fitur memainkan peran penting dalam analisis data
biomedis berdimensi tinggi. Performa klasifikasi sangat
bergantung pada relevansi fitur, dan data yang tidak relevan
atau berlebihan memengaruhi daya dan waktu komputasi.
Seleksi fitur terdiri dari penyaringan, pemeringkatan, dan
pemilihan fitur. Penyaringan menghilangkan variabel fitur, yang
tidak memberikan informasi berguna untuk prediksi. Pemilihan
fitur memeringkat fitur berdasarkan akurasi prediksi variabel
individual. Uji chi-square mengukur nilai penting dari prediktor.
Kami mengevaluasi pentingnya fitur sebagai (1-p), di mana p
adalah hasil uji chi-kuadrat. Kami memilih fitur EKG dengan
kepentingan fitur lebih besar dari 0,95 untuk melatih algoritme
pembelajaran mesin.
JILID 9, 2021
G.KLASIFIKASI
Teknik pembelajaran mesin yang diawasi adalah alat yang
efisien untuk mengklasifikasikan dan menemukan pola dalam
kumpulan data. Dalam penelitian sebelumnya, pembelajaran
mesin berhasil digunakan untuk mengklasifikasikan data
fisiologis [21], [30] dan perilaku [20], [31] dari dataset stroke
dan dataset kontrol. Pembelajaran mesin dan teknik
pembelajaran mendalam juga digunakan untuk mengklasifikasikan
penyakit kelelahan [32] dan apnea tidur [33] menggunakan
sinyal fisiologis multimodal. Algoritme pembelajaran mesin
berbasis pohon keputusan, seperti QUEST, CART, C5.0,
CHAID, Random Trees, dan algoritma jaringan saraf yang
terinspirasi secara biologis, telah diterapkan untuk
mengkategorikan fitur stroke jantung. Fitur EKG HRV diekstraksi
untuk setiap periode 30 detik dan, fitur fidusia dihasilkan untuk
setiap siklus QRS. Kami juga memfilter detak prematur, hilang, atau ektop
Dataset EKG terdiri dari 521 set fitur HRV yang telah diproses
sebelumnya dan total 5658 set fitur fidusia yang telah diproses
sebelumnya; Rata-rata 6 set fitur HRV dan 66 set fitur fidusia
untuk setiap mata pelajaran. Dataset ECG HRV memiliki 365
set fitur HRV dan setiap set terdiri dari 5 fitur HRV domain
waktu, seperti RMSSD, SDSD, pNN50, RSA, dan 9 fitur HRV
domain frekuensi, seperti VLF, LF, HF, VHF, LF /HF, LF/(VLF
+ LF + HF), HF/(VLF + LF + HF), LF/(LF + HF), dan HF/(LF +
HF), diekstraksi untuk setiap sampel. Selanjutnya, dataset
fidusia EKG memiliki 3961 set fitur fidusia dan setiap set terdiri
dari 8 fidusia atau
123153
Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke
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
diekstraksi untuk setiap sampel. Kami mempartisi dataset EKG menjadi
data pelatihan dan pengujian. Kumpulan data pelatihan terdiri dari 70%
data fitur, dan kumpulan data pengujian menempati 30% dari keseluruhan
kumpulan data fitur. Ukuran data pelatihan adalah 365 set fitur HRV dan
3961 set fitur fidusia. Selain itu, ukuran data pengujian adalah 156 set
fitur HRV dan 1697 set fitur fidusia. Kami menyesuaikan hyper-parameter
model menggunakan validasi silang untuk menemukan model dengan
performa terbaik. Kami melakukan validasi silang k-fold (k = 10) yang
tidak lengkap menggunakan kumpulan data pelatihan untuk menghilangkan
overfitting [34]. Setiap model dilatih dan divalidasi silang untuk mengetahui
kumpulan hyper-parameter dengan akurasi model tertinggi. Saat model
paling akurat dikembangkan, kami menguji model tersebut menggunakan
kumpulan data pengujian. Hyper-parameter yang dioptimalkan dari
masing-masing model disajikan pada Tabel 1.
1) MODEL CHAID
Metode detektor interaksi otomatis chi-kuadrat (CHAID) adalah pohon
keputusan yang dibentuk dengan membagi subset secara berturut-turut
menjadi dua atau lebih node anak, dimulai dengan keseluruhan
123154
kumpulan data [35]. Partisi terbaik di semua node dihasilkan dengan
menggabungkan pasangan prediktor hingga tidak ada perbedaan
signifikan yang terlihat dalam pasangan target. Sebagai model pohon
keputusan, keluaran model CHAID bersifat visual dan mudah
diinterpretasikan dalam sistem pendukung keputusan klinis. Model c5.0
Model C5.0 adalah algoritma penambangan data terawasi yang digunakan
untuk membangun pohon keputusan dari kumpulan data. Ini menciptakan
pohon keputusan menggunakan metode bagi-dan-taklukkan. Algoritma
pohon keputusan C5.0 menggunakan rasio penguatan sebagai dasar
pembagian. Model tersebut membangun pohon keputusan, diikuti dengan
prosedur pembersihan dan pengurangan ukuran pohon untuk meminimalkan kesalah
menilai [36]. Algoritma ini banyak digunakan dalam aplikasi penambangan
data biomedis.
2) QUEST MODEL
QUEST (Quick, Unbiased, Efficient) adalah metode pertumbuhan pohon
statistik biner-split [37]. QUEST menangani pemisahan linier menggunakan
analisis diskriminan Linear Fisher. Jika tidak ada nilai yang hilang dalam
data, maka akan tumbuh pohon dengan pemisahan univariat.
Sangat kuat untuk menangani prediktor kategoris dengan banyak kategori.
JILID 9, 2021
Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke

3) MODEL JARINGAN SARAF
Jaringan saraf adalah algoritma penambangan data yang
terinspirasi secara biologis yang memprediksi target berdasarkan
pola rumit berlapis-lapis yang berkembang. Kami menggunakan
jaringan saraf multilayer percep-tron (MLP) dalam penelitian ini
[38]. Model ini mencakup lapisan masukan dengan beberapa node
masukan, jaringan saraf dengan lapisan tersembunyi, dan lapisan
keluaran. Model ini mampu belajar sendiri, toleransi kesalahan
dan menyimpan data di seluruh jaringan, mampu bekerja pada
aplikasi real-time.
4) MODEL POHON KLASIFIKASI DAN REGRESI Pohon
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].
(1) Analisis statistik meliputi statistik deskriptif dan uji hipotesis. Statistik
deskriptif memberikan ukuran distribusi statistik, seperti mean, varians,
standar deviasi.
Dalam statistik deskriptif, plot kotak secara grafis menggambarkan
penyebaran kumpulan data beserta kuartilnya. Uji-t sampel independen
adalah uji hipotesis untuk menentukan apakah rata-rata populasi
terkait berbeda secara statistik. Kami melakukan uji Levene untuk
mengukur kesetaraan varians dan uji-t untuk memeriksa kesetaraan
mean. (2) Teknik pembelajaran mesin adalah metode analisis data
yang membangun model analitik untuk belajar dari data, mengidentifikasi
pola, dan mengambil keputusan melalui pengalaman. Pada subbagian
berikut, kita akan mengeksplorasi hasil statistik deskriptif dan uji
hipotesis fidusia penting EKG dan fitur variabilitas detak jantung.
A. HUBUNGAN ANTARA FITUR FIDUSIAL EKG DAN STROKE

Seperti yang ditampilkan pada Gambar 4, interval RR, P-height, QRS,

5) MODEL POHON ACAK
QT, QTc, dan ST adalah fitur EKG prediktif stroke yang paling
Model pohon acak adalah Pengklasifikasi terawasi yang kuat untuk
signifikan. Kami menyelidiki apakah perubahan EKG pasca stroke
model prediksi yang akurat dalam masalah klasifikasi atau regresi.
berhubungan dengan fitur fidusia EKG dan apakah hal ini dapat
Random Trees adalah algoritma pembelajaran ansambel yang
dideteksi menggunakan rekaman sinyal jantung saluran tunggal.
terdiri dari node pohon yang mewakili aturan keputusan untuk
Seperti yang ditunjukkan pada Tabel 2, interval RR lebih pendek ÿ0,025
memahami prediksi pohon apa pun dan menghasilkan beberapa
detik pada kelompok stroke dibandingkan dengan kelompok kontrol
klasifikasi dan pohon regresi [17].
(95% CI, ÿ0,031 hingga ÿ0,018 detik, p = 0,0001). Rerata RH adalah
0,085 mV lebih tinggi pada kelompok stroke dibandingkan kelompok
H.ANALISIS DATA
kontrol (95% CI, 0,055-0,115 mV, p = 0,0001). Rata-rata PH adalah
Kami mengeksplorasi fitur jantung yang menjadi ciri perubahan EKG 0,011 mV lebih tinggi pada kelompok stroke dibandingkan kelompok
akibat stroke iskemik menggunakan analisis data statistik dan kontrol (95% CI, 0,010-0,012 mV, p = 0,0001). Rata-rata QRS pada
pembelajaran mesin. Kami melakukan analisis statistik untuk kelompok stroke lebih panjang 0,004 detik (95% CI, 0,002-0,005 detik,
mengidentifikasi hubungan antara variabel yang diturunkan dari EKG. p = 0,0001) dibandingkan rata-rata QRS pada kelompok kontrol. Rata-
Kami mengeksplorasi analisis statistik deskriptif untuk mengeksplorasi rata PRQ pada kelompok stroke lebih pendek -0,006 detik (95% CI,
distribusi statistik data dan uji-t sampel independen untuk mengevaluasi ÿ0,007 hingga ÿ0,004 detik, p = 0,0001) dibandingkan rata-rata QRS
berapa pun rata-rata kelompok terkait yang signifikan secara statistik. pada kelompok kontrol. Rata-rata QT dari kumpulan data stroke adalah
Kami melakukan analisis statistik menggunakan paket SPSS 24 (IBM, ÿ0,018 detik lebih pendek (95% CI, ÿ0,021 hingga ÿ0,015 detik, p =
Armonk, NY, USA). 0,0001) dibandingkan dengan rata-rata QT kelompok kontrol. Rata-rata
Teknik pembelajaran mesin praktis dalam menilai prediksi seakurat QTc pasien stroke adalah -0,011 detik lebih pendek (95% CI, -0,014
mungkin. Kami menggunakan pemilihan fitur untuk menentukan hingga ÿ0,008 detik, p = 0,0001) dibandingkan dengan rata-rata QT
peringkat fitur EKG berdasarkan kinerja prediksi target. Untuk pemilihan pasien kontrol. Rata-rata ST pada kelompok stroke adalah ÿ0,023 detik
fitur, uji chi-kuadrat Pearson mengevaluasi pentingnya prediksi lebih pendek (95% CI, ÿ0,027 hingga ÿ0,020 detik, p = 0,0001)
komponen. dibandingkan rata-rata ST pada kelompok kontrol. Meskipun nilai rata-
Algoritme pembelajaran mesin yang diawasi menggunakan kumpulan rata semua variabel fidusia EKG berbeda secara signifikan, nilai varian
data fitur pelatihan peringkat tinggi untuk membangun model klasifikasi, R-height, interval PRQ menunjukkan perbedaan.
yang kemudian menguji kumpulan data tersebut. Kami menggunakan
paket IBM SPSS Modeler 18 (IBM, Armonk, NY, USA) untuk B. HUBUNGAN ANTARA VARIABILITAS DENYUT JANTUNG
memanfaatkan teknik pembelajaran mesin dalam data EKG kami. DOMAIN FREKUENSI DAN STROKE
Seperti yang ditunjukkan pada Gambar 5, rasio LF, rasio HF, LF/HF
V. HASIL menunjukkan hubungan yang signifikan dengan aktivitas kardiovaskular
Kami mengembangkan platform pemantauan kesehatan dan pasca stroke. Kami melakukan penyelidikan statistik untuk mengevaluasi
prediksi penyakit berbasis EKG secara real-time atau hampir real- hubungan fitur domain frekuensi HRV dengan kelompok stroke
time. Modul intinya adalah patch EKG yang dapat dipakai untuk dibandingkan dengan kelompok kontrol.
akuisisi sinyal jantung, platform data besar untuk penyimpanan Seperti tercantum dalam Tabel 3, kami mengukur daya spektral pada
dan pemrosesan data secara real-time, dan dasbor penasihat pita LF, HF, VLF, VHF dan mengekstraksi rasio spektral, seperti LF/(LF
kesehatan untuk layanan manajemen pasca stroke. Kami + HF), LF/(VLF + LF + HF), HF/(LF + HF), HF/(VLF + LF + HF), dan LF/
HF sebagai
menyelidiki hubungan fitur elektrokardiografi dengan EKG pasca stroke dalam standar
dua metode.

JILID 9, 2021 123155

Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen 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
signifikan secara statistik (p > 0,05). Rerata LF/(LF + HF) adalah
ÿ0,0003 lebih kecil (95% CI, ÿ0,0007 hingga ÿ0,00001, p = 0,045)
pada kelompok stroke dibandingkan dengan kelompok kontrol. Rerata
HF/(LF + HF) 0,0004 lebih besar (95% CI, 0,00001 hingga
0,00070, p = 0,045) pada kelompok stroke dibandingkan dengan
kelompok kontrol. Rerata LF/(VLF + LF + HF) adalah ÿ0,0003 lebih
kecil (95% CI, ÿ0,00059 hingga ÿ0,00001, p = 0,044) pada kelompok
stroke dibandingkan dengan kelompok kontrol. Rerata HF/(VLF + LF
+ HF) adalah 0,0004 lebih besar pada kelompok stroke dibandingkan dengan

123156 JILID 9, 2021

Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke

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).
Rata-rata LF/HF adalah ÿ0,001 lebih kecil (95% CI, ÿ0,00141 hingga
ÿ0,00001, p = 0,046) pada kelompok stroke dibandingkan dengan
kelompok kontrol.
C. HUBUNGAN ANTARA VARIABILITAS DENYUT JANTUNG
DOMAIN WAKTU DAN STROKE
Seperti yang ditampilkan pada Gambar 6, RSA, RMSSD, dan SDSD
merupakan fitur prediktif signifikan yang terkait dengan aktivitas
kardiovaskular setelah stroke iskemik. Kami menyelidiki ukuran statistik
untuk mengevaluasi hubungan fitur domain waktu HRV dengan kelompok
stroke dibandingkan dengan kelompok kontrol.
Seperti yang ditunjukkan pada Tabel 4, kami mengukur RMSSD, SDSD,
pNN50, dan RSA sebagai ukuran standar HRV. Beberapa variabel
domain waktu variabilitas detak jantung yang diturunkan dari EKG telah
menyatakan hubungannya dengan pasien stroke. Rata-rata RMSSD
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.
Rata-rata SDSD kelompok stroke adalah ÿ3,47 ms lebih pendek (95%
CI, ÿ4,98 hingga ÿ1,95 s, p = 0,0001) dibandingkan rata-rata SDSD
kelompok kontrol. Rerata pNN50 kelompok stroke adalah -1,24 % lebih
pendek (95% CI, -2,17 hingga ÿ0,32 %, p = 0,008)
daripada rata-rata pNN50 kelompok kontrol. Rata-rata RSA pada
kelompok stroke adalah ÿ0,49 lebih pendek (95% CI, ÿ0,75 hingga 0,23,
p = 0,0001) dibandingkan rata-rata kelompok kontrol.
D. PREDIKSI KESEHATAN JANTUNG PASCA STROKE
BERBASIS MACHINE LEARNING
Dalam hasil pemilihan fitur, tujuh fitur dari seluruh fitur fidusia EKG dan
empat fitur dari seluruh fitur EKG HRV, dengan peringkat lebih tinggi
dari 95% batas kepentingan, dipilih dan dimasukkan ke dalam model.
Analisis karakteristik operasi penerima (ROC) menawarkan deskripsi
prediksi paling komprehensif yang banyak digunakan dalam studi
biomedis [40]. Ini menunjukkan semua kombinasi sensitivitas dan
spesifisitas yang dapat dihasilkan oleh model pembelajaran mesin. AUC
(area di bawah kurva) adalah indikator kinerja model prediktif dan
menentukan area di bawah kurva ROC. Skor sempurna AUC adalah 1,0.
AUC kurang dari 0,5 tidak dianggap a
pengklasifikasi yang berguna. Ukuran alternatif lain dari AUC adalah
Koefisien Gini, berkisar antara dan 1, didefinisikan sebagai dua kali
(AUC-1). Matriks konfusi atau matriks kesalahan memberikan gambaran
lengkap tentang prediksi benar dan salah.
Kami mengevaluasi ukuran kinerja standar, termasuk

JILID 9, 2021 123157

Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke

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
(tingkat negatif sebenarnya), presisi (tingkat prediksi positif), dan nilai
prediksi negatif dari matriks konfusi. Akurasi dianggap sebagai ukuran
kinerja yang paling intuitif untuk menemukan model terbaik yang
dihitung sebagai persentase prediksi yang benar di seluruh observasi.
Sensitivitas adalah tingkat positif sebenarnya, yang didefinisikan
sebagai rasio prediksi positif yang benar dari semua observasi aktual.
Spesifisitas menunjukkan tingkat negatif sebenarnya, yang ditandai
sebagai bagian dari prediksi negatif yang benar terhadap semua
observasi aktual. Hasil prediksi model dapat disajikan dengan
menggunakan persamaan standar sebagai berikut: TP
Sensitivitas =
TP + FN
TN
Kekhususan =
TN + FP
Kota
Presisi =
TP + FP
TN
Nilai prediktif negatif (NPV) =
TN + PBB
TN + TP
Akurasi (ACC) =
TN + TP + FN + FP
dimana TP adalah benar positif, TN adalah benar negatif, FP adalah
positif palsu, dan FN adalah negatif palsu.
1) PREDIKSI BERDASARKAN FITUR FIDUSIAL EKG Pada
Gambar 7(a) dan Gambar 7(b), kurva ROC menunjukkan kurva kinerja
model klasifikasi menggunakan dataset pelatihan dan pengujian.
Semua fitur fidusia EKG kecuali QTc telah menunjukkan pentingnya
fitur lebih besar dari 0,95 untuk prediksi klasifikasi dalam pemilihan
fitur. Tabel 5(a)
dan Tabel 5(b) menampilkan semua pengukuran kinerja pengklasifikasi
untuk kumpulan data fidusia pelatihan dan pengujian. Random Tree
mengkategorikan dataset pelatihan sebagai AUC tertinggi (99,7%)
dan akurasi sedang (ACC: 97,62%).
Model pohon acak mengurutkan kumpulan data pengujian hingga
AUC (98,90%) dan akurasi sedang (ACC: 95,56%). Seperti yang
ditunjukkan pada Gambar 8, RH, QRS, dan PRQ telah menjadi fitur
klasifikasi stroke yang paling penting menggunakan model Random
Trees. Model C5.0 mengkategorikan dataset pelatihan dengan AUC
sedang (99,5%) dan akurasi (ACC: 98,20%).
C5.0 mengklasifikasikan kumpulan data pengujian berdasarkan AUC
(96,30%) dan akurasi (ACC: 94,85%). RRI, RH, dan PH muncul
sebagai fitur klasifikasi stroke yang paling prediktif menggunakan model C5.0.
Model CHAID mengkategorikan kumpulan data pelatihan berdasarkan
AUC (99,40%) dan akurasi (ACC: 97,59%). CHAID mengklasifikasikan
kumpulan data pengujian berdasarkan AUC (96,90%) dan akurasi (ACC: 94,27%).
PH, ST, dan QT muncul sebagai fitur klasifikasi stroke yang paling
prediktif menggunakan model CHAID. Model CART mengkategorikan
kumpulan data pelatihan berdasarkan AUC (96,60%) dan akurasi
(ACC: 92,40%). CART mengkategorikan kumpulan data pengujian
berdasarkan AUC (94,70%) dan akurasi (ACC: 91,23%). PH, ST, dan
QT muncul sebagai fitur klasifikasi stroke yang paling prediktif
menggunakan model CART. Model QUEST mengkategorikan
kumpulan data pelatihan berdasarkan AUC (93,40%) dan akurasi
(ACC: 90,07%). QUEST mengklasifikasikan kumpulan data pengujian
berdasarkan AUC (92,10%) dan akurasi (ACC: 89,18%). PH, ST, dan
QT telah muncul sebagai fitur yang paling prediktif dalam klasifikasi
stroke menggunakan model jaringan saraf. Model jaringan saraf
mengkategorikan dataset pelatihan dengan AUC (89,90%) dan akurasi
tertinggi (ACC: 83,82%). Jaringan saraf

123158 JILID 9, 2021

Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke

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
akurasi (ACC: 83,17%). ST, RR-I, dan QT telah muncul sebagai fitur
klasifikasi stroke yang paling prediktif menggunakan model jaringan saraf.
Secara keseluruhan, model pohon acak menunjukkan AUC tertinggi (99,40%)
dan koefisien Gini tertinggi (98,90%).
2) PREDIKSI BERDASARKAN VARIABILITAS DENYUT JANTUNG
Kurva ROC model pembelajaran mesin menunjukkan kinerja prediksi Stroke
menggunakan fitur domain waktu dan domain frekuensi HRV pada Gambar
9(a) dan Gambar 9(b). Dalam pemilihan fitur, RMSSD, RSA,
SDSD, dan pNN50 telah menjadi fitur yang paling prediktif (kepentingan fitur
> 0,95) untuk klasifikasi stroke yang ditunjukkan pada Gambar 10. Tabel
6(a) dan Tabel 6(b) mencantumkan pengukuran kinerja pengklasifikasi
menggunakan pelatihan dan pengujian Kumpulan data fitur HRV. Model
CART mengklasifikasikan dataset pelatihan dengan AUC tertinggi (87%)
dan akurasi tertinggi (ACC: 82%) serta mengklasifikasikan dataset pengujian
dengan AUC tertinggi (70%) dan akurasi terbaik (ACC: 69%).
CHAID mengkategorikan kumpulan data pelatihan berdasarkan AUC (77%)
dan akurasi (ACC: 70%) dan kumpulan data pengujian berdasarkan AUC
(63%) dan akurasi (ACC: 56%).

JILID 9, 2021 123159

Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke

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.

VI. DISKUSI ketidakstabilan dan bertanggung jawab atas kematian mendadak

Penelitian kami bertujuan untuk menyelidiki kelayakan CPS berbasis
EKG dan mengevaluasi biomarker jantung yang menunjukkan
perubahan aktivitas akibat stroke iskemik. Stroke memiliki faktor
risiko kesehatan yang sama, dan penyakit jantung yang mendasarinya,
seperti gagal jantung, fibrilasi atrium, atau penyakit jantung vaskular
meningkatkan risiko stroke. Stroke mengganggu kontrol otonom dan
menyebabkan pasien mengalami komplikasi jantung [41], dan
komplikasi jantung pasca stroke adalah yang paling mematikan [42].
Bila terjadi kejadian iskemik, seperti stroke hemoragik akibat
pecahnya sel darah, suplai oksigen ke area lesi terganggu dan
menyebabkan kematian sel otak. Kerusakan jaringan otak ini
berdampak pada sistem saraf pusat [6] dan sistem saraf otonom.
HRV turunan EKG merupakan salah satu pintu gerbang kemudahan
akses aktivitas otonom.
Gangguan neurologis, seperti stroke iskemik akut, mengubah
karakteristik EKG dengan berbagai cara. Kelainan EKG dapat terjadi
sebagai komplikasi, seperti aritmia jantung, seperti takikardia
ventrikel, takikardia ventrikel.
Aritmia jantung bertanggung jawab atas hemodinamik
yang tidak terduga setelah stroke iskemik. Misalnya, fibrilasi atrium,
sejenis aritmia, dapat menyebabkan tromboemboli otak dan sistemik
[41].
Menurut penelitian ini, istirahat RR-I, QRS, QT, QTc, dan ST
merupakan penanda penting untuk mengklasifikasikan kelompok
kontrol stroke dan sehat. Gambaran EKG utama dan mungkin paling
mematikan yang terkait dengan penyakit neurologis adalah segmen
ST dan gelombang T, yang mencerminkan repolarisasi abnormal
[47]. Depresi segmen ST [48,49] dikaitkan dengan stroke iskemik
dengan penyakit jantung koroner yang mendasarinya. Kami
mengamati pola ST serupa dalam penyelidikan kami. Perpanjangan
QTc merupakan prediktor independen terhadap penurunan HRV dan
meningkatkan ancaman kematian jantung pada populasi stroke [50,51].
Ketika pasien stroke yang kami selidiki berada dalam fase pemulihan,
beberapa pasien stroke menunjukkan perpanjangan interval QT dalam penelitian ini.
ANS mengontrol respon stres tubuh terhadap berbagai stresor
yang dianut oleh otak, menetralkan efek stresor, dan mengembalikan
homeostatis [52]. HRV adalah sinyal simbolis untuk evaluasi fungsi
otonom

123160 JILID 9, 2021

Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke

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
memahami perubahan ANS setelah stroke [53]. Seperti yang ditunjukkan
pada Tabel 7, karakteristik HRV seperti LF/HF, rasio LF,
dan rasio HF menunjukkan hubungan yang kuat dengan gangguan tersebut
fungsi otonom yang berasal dari stroke [45], [46], [54].
Dalam penelitian ini, LF/HF, LF/(LF + HF), dan HF/(LF + HF)
telah menunjukkan perbedaan yang signifikan pada kelompok stroke
dibandingkan dengan kelompok kontrol. Fitur domain waktu HRV, seperti
RMSSD, RR-I, SDSD keluar sebagai yang paling prediktif
fitur otonom untuk risiko stroke yang lebih tinggi [43]. Pelajaran ini
mengungkapkan RMSSD, RSA, SDSD, dan pNN50 sebagai pembeda
fitur selama perawatan pasca stroke. Disfungsi otonom terlihat jelas pada
gangguan regulasi fisiologis
detak jantung dan peningkatan sekresi kortisol [3]. Sebagai pusat
kardiosimpatis diasumsikan di anterior, medial, dan
bagian superior insula, lesi stroke di bagian inferior
insula parietal dan posterior dapat merusak lobus parietal
hubungan dengan pusat otonom menyebabkan ketidakseimbangan otonom
dan peningkatan risiko kejadian jantung [55]. Kekuatan HF mewakili
aktivitas parasimpatis, dan kekuatan LF berkorelasi dengannya
aktivitas vagal. LF/HF, indikator simpativagal
keseimbangan, secara signifikan lebih rendah pada pasien stroke dibandingkan
di antara orang dewasa kontrol yang sehat. Temuan sebelumnya mendukung
penelitian ini, mengungkapkan bahwa semakin tinggi daya HF, semakin rendah LF
tenaga, dan penurunan rasio LF/HF memprediksi subakut pasca stroke
infeksi [53], [56] dan hasil neurologis yang buruk [45].
Pendekatan pembelajaran mesin memungkinkan prognosis stroke dini dan
pemulihan sebagian besar stroke menggunakan file profil aktivitas jantung.
Dalam penelitian kami, Random Trees berbasis pohon keputusan
Model paling akurat mengklasifikasikan stroke gangguan jantung

JILID 9, 2021 123161

Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke
TABEL 7. Perbandingan hasil gambaran jantung populasi stroke yang diturunkan
dari EKG antara pekerjaan yang diusulkan dan pekerjaan sebelumnya.
profil. Kami menemukan profil fidusia EKG sebagai fitur prediktif
utama untuk prediksi stroke. Berdasarkan analisis statistik, kami
menemukan bahwa sebagian besar fitur fidusia signifikan secara
statistik. Sebaliknya, hanya sedikit fitur HRV yang menunjukkan
perbedaan signifikan dalam membedakan kelompok stroke dan
kelompok sehat. Temuan ini mengungkapkan bahwa fitur fidusia
EKG lebih dapat diandalkan untuk membedakan kelompok stroke
dan kelompok sehat. Berdasarkan pendekatan pembelajaran mesin,
kami menemukan bahwa klasifikasi model ML menggunakan fitur
fidusia menghasilkan akurasi yang lebih tinggi dibandingkan fitur
HRV. Oleh karena itu, hasil kami menunjukkan bahwa fitur fidusia
merupakan prediktor yang lebih akurat untuk mengklasifikasikan
kelompok stroke dan kelompok sehat. Di masa depan, kami akan
mencoba mengeksplorasi data EKG yang direkam dalam beberapa
minggu setelah timbulnya stroke untuk menyelidiki apakah HRV
periode dekat stroke menunjukkan kinerja klasifikasi yang lebih baik
daripada data HRV yang dipelajari dalam waktu tiga bulan. Kami
memiliki rencana untuk memeriksa kinerja gabungan kedua fitur tersebut di masapemantauan
Pada Tabel 8 A, perbandingan kinerja klasifikasi beberapa model
pembelajaran mesin ditunjukkan untuk prediksi stroke menggunakan
fitur jantung yang diturunkan dari EKG.
Sejauh pengetahuan kami, EKG Besar yang kami kembangkan
adalah yang pertama mengusulkan sistem EKG berbasis rawat jalan.
123162
TABEL 8. Perbandingan hasil kinerja klasifikasi model pembelajaran
mesin untuk prediksi pukulan pada pekerjaan yang diusulkan dan pekerjaan
sebelumnya.
sistem cyber-fisik untuk mengelola prognosis stroke dan pengobatan
pasca stroke. Beberapa penelitian di masa lalu telah menggunakan
EKG 12 sadapan standar dengan perangkat yang berdiri sendiri.
Layanan kesehatan real-time di lingkungan non-klinis, seperti
istirahat, tidur, memerlukan EKG rawat jalan serta pemrosesan data
instan dan analisis kesehatan. Oleh karena itu, sensor EKG yang
dapat dipakai, analisis cloud berbasis data besar, dan dasbor
layanan real-time meningkatkan prognosis stroke dan manajemen
rehabilitasi pasca stroke. Sistem kami dapat menjadi ukuran yang
berguna untuk memprediksi stroke saat bangun tidur di malam hari.
Sistem cyber-fisik berbasis EKG yang diusulkan ini dapat menjadi
sistem mendatang. kualitas tidur dan gangguan tidur berbasis HRV yang prosp
Dalam penelitian ini, fokus kami hanya pada EKG saluran
tunggal untuk memahami perubahan EKG pada komplikasi jantung
akibat stroke iskemik, tidak semua sadapan EKG 12 standar.
Sadapan V5 identik dengan posisi sadapan lainnya, namun tetap
terdapat hasil jantung yang spesifik pada setiap sadapan
JILID 9, 2021
Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke

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.

JILID 9, 2021 123163

Machine Translated by Google
I. Hussain, SJ Park: Big-ECG: Sistem Cyber-Fisik Prediktif Kardiografik untuk Manajemen Stroke
[32] S. Chen, K. Xu, X. Yao, S. Zhu, B. Zhang, H. Zhou, X. Guo, dan B. Zhao, '' Penggabungan
dan pengenalan informasi multi-fitur berbasis data psikofisiologis kelelahan penambang
di daerah dataran tinggi dan dingin,'' Comput. biologi.
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
tidur obstruktif menggunakan interval RR dari sinyal EKG sadapan tunggal,'' IEEE Trans.
instrumen. Ukuran., jilid. 70, hlm. 1–13, 2021.
[34] M. Stone, ''Pilihan validasi silang dan penilaian prediksi statistik,'' J. Roy. Statistik. Soc.,
B, Metodol., vol. 36, tidak. 2, hlm. 111–133, Januari 1974.
[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.
[36]JR Quinlan. (2004). Alat Penambangan Data See5 dan C5.0. [On line]. Tersedia: http://
www.rulequest.com/see5-info.html [37] W.-Y. Loh dan
Y.-S. Shih, ''Metode pemilihan terpisah untuk pohon klasifikasi,'' Ahli Statistik. Sinica, jilid. 7,
tidak. 4, hal.815–840, 1997.
[38] CM Bishop, Jaringan Syaraf Tiruan untuk Pengenalan Pola. London, Inggris: Universitas
Oxford. Pers, 1995.
[39] L. Breiman, J. Friedman, CJ Stone, dan RA Olshen, Klasifikasi dan Regresi Pohon. Boca
Raton, FL, AS: CRC Press, 1984.
[40] J. Huang dan CX Ling, ''Menggunakan AUC dan akurasi dalam mengevaluasi algoritma
pembelajaran,'' IEEE Trans. Tahu. Data Eng., vol. 17, tidak. 3, hlm. 299–310, Maret
2005.
[41] S. Kumar, MH Selim, dan LR Caplan, ''Komplikasi medis setelah stroke,'' Lancet Neurol.,
vol. 9, tidak. 1, hlm. 105–118, Januari 2010.
[42] J. Prosser, L. MacGregor, KR Lees, H.-C. Diener, W. Hacke, dan S. Davis, ''Prediktor
morbiditas dan mortalitas jantung dini setelah stroke iskemik,'' Stroke, vol. 38, tidak. 8,
hlm. 2295–2302, Agustus 2007.
[43] AL Fyfe-Johnson, CJ Muller, A. Alonso, AR Folsom, RF Gottesman, WD Rosamond, EA
Whitsel, SK Agarwal, dan RF MacLehose, ''Variabilitas detak jantung dan insiden stroke:
Risiko aterosklerosis dalam studi komunitas, '' Pukulan, jilid. 47, tidak. 6, hlm.1452–
1458, 2016.
[44] JT Korpelainen, KA Sotaniemi, A. Mäkikallio, HV Huikuri, dan VV Myllylä, ''Perilaku dinamis
detak jantung pada stroke iskemik,'' Stroke, vol.30, no. 5, hal. 1008–1013, Mei 1999.
[45] B. Graff, D. Gÿsecki, A. Rojek, P. Boutouyrie, W. Nyka, S. Laurent, dan K. Narkiewicz,
''Variabilitas detak jantung dan hasil fungsional pada stroke iskemik: Pendekatan
multiparameter,'' J. Hipertensi, jilid. 31, tidak. 8, hlm.1629–1636, 2013.
[46] L. Wei, W.-B. Zhao, H.-W. Ya, Y.-H. Chen, X.-P. Zhang, Y.Huang, Y.-F. Cai, Q.-F. Chen,
dan S.-Y. Pan, ''Variabilitas detak jantung pada pasien dengan stroke iskemik akut pada
berbagai tahap disfungsi ginjal: Sebuah studi observasional cross-sectional,'' Chin.
medis. J., jilid. 130, tidak. 6, hal. 652, 2017.
[47] MA Samuels, ''Hubungan otak-hati,'' Circulation, vol. 116, tidak. 1,
hal.77–84, 2007.
[48] H. Christensen, AF Christensen, dan G. Boysen, ''Kelainan pada EKG dan telemetri
memprediksi hasil stroke pada 3 bulan,'' J. Neurol. Sains, jilid. 234, no. 1–2, hlm. 99–
103, Juli 2005.
[49] MM McDermott, F. Lefevre, M. Arron, GJ Martin, dan J. Biller, ''Depresi segmen ST
dideteksi dengan elektrokardiografi berkelanjutan pada pasien dengan stroke iskemik
akut atau serangan iskemik transien,'' Stroke, vol. 25, tidak. 9, hlm. 1820–1824,
September 1994.
[50] KYK Wong, RSM Walter, D. Douglas, HW Fraser, SA Ogston, dan AD Struthers, ''Long
QTc memprediksi kematian jantung di masa depan pada penderita stroke,'' Heart, vol.
89, tidak. 4, hal. 377, 2003.
[51] LG Stead, RM Gilmore, MF Bellolio, L. Vaidyanathan, AL Weaver, WW Decker, dan RD
Brown, ''QTc yang berkepanjangan sebagai prediktor mortalitas pada stroke iskemik
akut,'' J. Stroke Cerebrovaskular Diseases, vol. 18, tidak. 6, hlm. 469–474, November
2009.
[52] JM Koolhaas, A. Bartolomucci, B. Buwalda, SF de Boer, G. Flügge, SM Korte, P. Meerlo,
R. Murison, B. Olivier, P. Palanza, G. Richter-Levin, A. Sgoifo , T. Steimer, O. Stiedl, G.
van Dijk, M. Wöhr, dan E. Fuchs, ''Stres ditinjau kembali: Evaluasi kritis terhadap konsep
stres,'' Neurosci. Bioperilaku. Pdt., jilid. 35, tidak. 5, hlm. 1291–1301, April 2011.
[53] A. Günther, I. Salzmann, S. Nowack, M. Schwab, R. Surber, H. Hoyer, OW Witte, dan D.
Hoyer, '' Variabilitas detak jantung—Penanda awal potensial pasca sub-akut -infeksi
stroke,'' Acta Neurol. Skandinavia, jilid. 126, tidak. 3, hlm. 189–196, September 2012.
[54] JT Korpelainen, KA Sotaniemi, HV Huikuri, dan VV Myllylaä, ''Irama sirkadian variabilitas
detak jantung dihapuskan secara reversibel pada stroke iskemik,'' Stroke, vol. 28, tidak.
11, hlm. 2150–2154, November 1997.
123164
[55] F. Rincon, M. Dhamoon, Y. Moon, MC Paik, B. Boden-Albala, S. Homma, MR Di Tullio,
RL Sacco, dan MSV Elkind, ''Lokasi stroke dan hubungannya dengan hasil jantung
yang fatal, '' Pukulan, jilid. 39, tidak. 9, hlm. 2425–2431, September 2008.
[56] SM Oppenheimer, G. Kedem, dan WM Martin, ''Lesi korteks insuler kiri mengganggu tonus
otonom jantung pada manusia,'' Clin. Res Otonom, vol. 6, tidak. 3, hlm. 131–140, Juni
1996.
[57] A. Khosla, Y. Cao, CC-Y. Lin, H.-K. Chiu, J. Hu, dan H. Lee, ''Pendekatan pembelajaran
mesin terintegrasi untuk prediksi stroke,'' di Proc. ACM SIGKDD ke-16 Int. Konf. Tahu.
Discovery Data Mining (KDD), 2010, hlm.183–192.
[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
buatan -mengaktifkan algoritma EKG untuk identifikasi pasien dengan fibrilasi atrium
selama ritme sinus: Analisis retrospektif prediksi hasil,'' Lancet, vol. 394, tidak. 10201,
hlm.861–867, September 2019.
[59] CA Ledezma, X. Zhou, B. Rodríguez, PJ Tan, dan V. Díaz-Zuccarini, ''Pendekatan
pemodelan dan pembelajaran mesin untuk rekayasa fitur EKG untuk mendeteksi
iskemia menggunakan pseudo-ECG,'' PLoS ONE , jilid. 14, tidak. 8 Agustus 2019,
Pasal. TIDAK. e0220294.
IQRAM HUSSAIN (Anggota Mahasiswa Pascasarjana,
IEEE) menerima gelar B.Sc. gelar di bidang teknik
mesin dari Khulna University of Engineering &
Technology, Bangladesh. Dia saat ini sedang
mengejar gelar Ph.D. gelar dengan Departemen
Fisika Medis, Universitas Sains dan Teknologi (UST),
Korea Selatan. Beliau juga merupakan Research
Associate di Center for Medi-cal Convergence
Metrology, Korea Research Institute of Standards
and Science (KRISS), Daejeon, Korea Selatan. Selain
itu, ia bekerja di Knowledgebase Super Brain (KSB)
Proyek dengan Lembaga Penelitian Elektronika dan Telekomunikasi (ETRI),
Daejeon. Pada awal karir profesionalnya, beliau bekerja di Summit Power
International Ltd., dan Doreen Power Generations and Systems Ltd., di pabrik
pembangkit listrik, Dhaka, Bangladesh. Beliau memiliki pengalaman kerja selama
sepuluh tahun di bidang pengoperasian dan pemeliharaan pembangkit listrik,
serta manajemen proyek pembangkit listrik. Minat penelitiannya saat ini mencakup
pemantauan tidur yang dapat dikenakan, analisis data besar, ilmu saraf, fisika
medis, interaksi otak-komputer, dan ergonomi.
SE JIN PARK menerima gelar Ph.D. gelar di bidang
teknik industri dari Korea University, pada tahun 1994.
Saat ini beliau menjabat sebagai Direktur Pusat Data
Pengukuran Tubuh Korea, Institut Penelitian Standar
dan Sains Korea (KRISS), didukung oleh Kementerian
Perdagangan, Industri dan Energi, Korea Selatan.
Sejak bergabung dengan KRISS pada tahun 1988,
beliau telah menduduki berbagai posisi, antara lain
Direktur Teknologi Konvergensi, Kepala Riset
Ergonomi, dan Kepala Metrologi Medis. Ia juga
merupakan CEO Sewon Intelligence, sebuah perusahaan perawatan kesehatan
berbasis AI, Seoul, Korea Selatan. Beliau juga bekerja sebagai Peneliti di
Electronics and Telecommunications Research Institute (ETRI), Korea Selatan.
Selain itu, beliau juga merupakan Profesor di Departemen Fisika Medis,
Universitas Sains dan Teknologi (UST), Korea Selatan. Ia juga seorang Pembicara
Publik dan memberikan pidato di media elektronik tentang berbagai isu. Minat
penelitiannya meliputi faktor manusia dan ergonomi, biomekanik, emosi dan
kepekaan, getaran manusia dan kenyamanan tempat duduk, interaksi manusia-
komputer (HCI), Internet of Everything (IoE), dan teknologi geron. Ia menjabat
sebagai Presiden Masyarakat Emosi dan Sensibilitas Korea (KOSES) dan
Masyarakat Ergonomi Korea.
JILID 9, 2021