Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Vital sign merupakan parameter fisiologis yang penting dalam melihat adanya gangguan pada tubuh seseorang. Maka dari itu kebutuhan peralatan dalam pemeriksaan vital sign sangat tinggi. Saat ini vital sign dapat diketahui dengan cara pemeriksaan non-contact. Pemeriksaan vital sign dengan non-contact dapat menggunakan Photoplethysmography (PPG). Saat ini PPG sendiri telah banyak dikembangkan agar dapat membaca keseluruhan vital sign seperti detak jantung, tekanan darah, dan juga konsenstrasi oksigen di dalam darah (SpO2). Pada penelitian ini dirancang pengembangan PPG dengan bantuan pencitraan dalam membaca vital sign. Dataset yang digunakan pada penelitian ini adalah dataset yang berasal dari pengukuran langsung yang telah dirancang agar dapat diproses menjadi sinyal Imaging Photoplethysmography (IPPG) yang baik. Dataset terdiri dari 13 orang laki-laki dan 17 orang perempuan. Dataset yang didapatkan akan dibagi menjadi beberapa scene yang kemudian diproses dalam metode yang diusungkan yaitu Discrete Fourier Transform (DFT) dan Deep Learning yaitu Convolutional Neural Network (CNN). Hasil penelitian ini berupa nilai RMSE dan MAE dimana saat penggunaan DFT menghasilkan masing masing 3,39 dan 1,38 dan dengan metode CNN arsitektur PhysNet menghasilkan 8,2151 dan 2,5976 untuk detak jantung, 3,3311 dan 1,0534 untuk tekanan darah, serta 3,6044 dan 1,1398 untuk SpO2. ......Vital sign is an important physiological parameter in seeing a disturbance in a person's body. Therefore the need for equipment in vital sign examination is very high. Currently vital signs can be identified with non-contact examination. Examination of vital signs with non-contact can use Photoplethysmography (PPG). Currently PPG itself has been developed a lot so that it can read all vital signs such as heart rate, blood pressure, and also the concentration of oxygen in the blood (SpO2). In this study, the development of PPG was designed with the help of imaging in reading vital signs. The dataset used in this study is a dataset derived from direct measurements that have been designed to be processed into a good Imaging Photoplethysmography (IPPG) signal. The dataset consists of 13 men and 17 women. The dataset obtained will be divided into several scenes which are then processed using the proposed method, namely the Discrete Fourier Transform (DFT) and Deep Learning, namely the Convolutional Neural Network (CNN). The results of this study are RMSE and MAE values where when using the DFT they produce 3.39 and 1.38 respectively and with the PhysNet architecture CNN method they produce 8.2151 and 2.5976 for heart rate, 3.3311 and 1.0534 for blood pressure , and 3.6044 and 1.1398 for SpO2.

Abstrak :
Pengolahan sinyal fisiologis, seperti Photoplethysmography (PPG), memerlukan penguatan dan filter dalam rentang 0,4 hingga 5 Hz. Derau dapat berasal dari berbagai sumber, termasuk gerakan otot, pernapasan, powerline interference, atau bahkan internal noise dari perangkat itu sendiri. Metodologi penelitian ini menggunakan perbandingan filter analog Butterworth 2nd-order, 4th-order dan 8th-order. Sinyal uji input berasal dari simulator SPO2 tipe MS100 Contect yaitu dengan parameter SPO2 diatur pada 96% 60 Beats Per Minute. Data dari simulator dibaca oleh sensor PPG standar, dan dirubah oleh internal Analog Digital Converter (ADC) pada Nucleo-F429ZI dan data ADC dikirim ke komputer menggunakan protokol UART. Data tersebut disimpan dalam format comma-separated values untuk berikutnya disimulasikan pada model desain filter dengan LTspice (Linear Technology Simulation Program with Integrated Circuit Emphasis). Hasil penelitian menunjukkan Signal-to-Noise-Ratio Butterworth 8th-order yang paling rendah yaitu -0,077 dB sedangkan 4th-Order dan 2nd-Order secara berurutan -0,085 dB dan -0,089 dB ......The processing of physiological signals, such as Photoplethysmography (PPG), necessitates amplification and filtering within the range of 0,4 to 5 Hz. Noise can stem from various sources, including muscle movements, respiration, interference from electrical grids, or even internal noise from the device itself. The methodology employed in this research utilizes analog Butterworth filters of 2nd-order, 4th-order, and 8th-order for comparison. The input test signal originates from an MS100 Contect SPO2 simulator with SPO2 parameters set at 96% and 60 Beats Per Minute. Data from the simulator is acquired by a standard PPG sensor and converted by the internal Analog-Digital Converter (ADC) on the Nucleo-F429ZI. The ADC data is then transmitted to the computer using UART protocol. The data is stored in comma-separated values format for subsequent simulation in the filter design model using LTspice (Linear Technology Simulation Program with Integrated Circuit Emphasis).The research results indicate that the Signal-to-Noise Ratio of Butterworth 8th-order is the lowest at -0.077 dB, while the 4th Order and 2nd Order have values of -0.085 dB and -0.089 dB, respectively.

Abstrak :
ABSTRAK
Pulse oximeter telah mendapatkan penerimaan yang luas dalam komunitas medis untuk beberapa alasan. Sejak produksi pertamanya di awal tahun 1980- an dengan mengacu pada hukum Beer-Lambert, pulse oximeter telah diakui dan dipuji karena biaya operasionalnya rendah serta pengoperasiannya yang mudah. Kebanyakan peralatan pulse oximeter tidak membutuhkan komponen perangkat keras yang besar. Peneliti melakukan penelitian dengan tujuan membuat prototipe pulse oximeter genggam yang dilengkapi LCD layar sentuh berbasis Single Board Computer Raspberry Pi B+ yang dapat menampilkan besarnya kadar saturasi oksigen (SpO2), pulse rate (PR) dan photoplethysmography (PPG). Menggunakan perangkat lunak Qt berbasis LINUX sehingga menghasilkan Graphical User Interfaces (GUI) lebih informative. Penelitian ini merupakan penelitian laboratorium eksperimental melalui pendekatan kuantitatif dengan metode pengumpulan data menggunakan data primer. Peneliti berhasil membuat prototipe pulse oximeter genggam berbasis Raspberry Pi B+ yang dapat menampilkan saturasi oksigen (SpO2) dengan tingkat akurasi 2% dan pulse rate dengan tingkat akurasi 2 bpm serta dilengkapi dengan tampilan grafik photopletysmography.

---

ABSTRACT
Pulse oximeter has gained wide acceptance in the medical community for several reasons. Since its first production in the early 1980s with reference to the Beer- Lambert law, pulse oximeter has been recognized and praised for its low operational costs and easy operation. Most pulse oximeter equipment does not require large hardware components. Researchers conducted the research with the aim of making a prototype handheld pulse oximeter based Single Board Computer Raspberry Pi B + and equipped with an LCD touch screen which can display the amount of oxygen saturation levels (SpO2), pulse rate (PR) and photoplethysmography (PPG). Using Qt software based LINUX resulting Graphical User Interfaces (GUI) more informative. This research is an experimental laboratory through a quantitative approach to data collection methods using primary data. Researchers successfully produced a prototype handheld pulse oximeter based Raspberry Pi B + which can display oxygen saturation (SpO2) with 2% accuracy rate and pulse rate with accuracy 2 bpm which is equipped with a graphic display photopletysmography.