Klasifikasi Sinyal Elektromiografi Untuk Menentukan Tingkat Keparahan Diabetes Berbasis Fitur Statistic Menggunakan Hybrid Stacking Learning Model - Particle Swarm Optimization

Purnawan, I Ketut Adi (2025) Klasifikasi Sinyal Elektromiografi Untuk Menentukan Tingkat Keparahan Diabetes Berbasis Fitur Statistic Menggunakan Hybrid Stacking Learning Model - Particle Swarm Optimization. Doctoral thesis, Intitut Teknologi Sepuluh Nopember.

Text 07111960010001-Dissertation.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (14MB) | Request a copy

Abstract

Individu dengan diabetes sering mengalami komplikasi kerusakan saraf akibat neuropati diabetik, sebagian kasus tidak menunjukkan gejala sehingga meningkatkan kerusakan yang lebih parah pada sistem saraf dan otot. Mengurangi risiko komplikasi jangka panjang terkait diabetes memerlukan kemampuan untuk memprediksi dan melacak tingkat keparahan neuropati diabetik pada pasien. Strategi dan manajemen perawatan diabetes dengan memprediksi tingkat keparahan neuropati diabetik dapat memberikan wawasan tentang perkembangan penyakit dan membantu profesional kesehatan dalam mengelola pasien berisiko tinggi. Studi ini memperkenalkan pendekatan baru untuk klasifikasi tingkat keparahan neuropati diabetik menggunakan sinyal elektromiografi, melampaui data medis tradisional. Penelitian ini menggunakan metode hibrid model ensemble dengan particle swarm optimization untuk optimasi parameter. Studi ini memilih fitur teratas dari fitur sinyal elektromiografi yang diekstraksi menggunakan matriks korelasi, analisis komponen utama, dan eliminasi fitur rekursif. Berbagai model pembelajaran mesin, serta dua model ensambel, boosting dan stacking, digunakan untuk prediksi. Parameter optimal untuk setiap pembelajar ditentukan menggunakan particle swarm optimizer untuk meningkatkan kinerja prediksi. Proses augmentasi data elektromiografi menggunakan metode random over sampling dan synthetic minority oversampling technique diimplementasikan untuk mengatasi keterbatasan data medis. Dalam penelitian ini model hybrid stacking-particle swarm optimizer mengungguli yang lain, menunjukkan akurasi 14,29% lebih tinggi, skor F-1 13,93% lebih tinggi, recall 4,17% lebih tinggi, dan presisi 14,58% lebih tinggi dibandingkan dengan model stacking lainnya. Hasil prediksi dapat digunakan untuk identifikasi dini komplikasi pada pasien diabetes.
==================================================================================================================================
Individuals with diabetes often experience complications from nerve damage due to diabetic neuropathy, with some cases showing no symptoms, thereby increasing more severe damage to the nervous system and muscles. Reducing the risk of long-term complications related to diabetes requires the ability to predict and track the severity of diabetic neuropathy in patients. Strategies and management of diabetes care by predicting the severity of diabetic neuropathy can provide insights into disease progression and assist healthcare professionals in managing high-risk patients. This study introduces a new approach for classifying the severity of diabetic neuropathy using electromyography signals, surpassing traditional medical data. This study uses a hybrid ensemble model method with particle swarm optimization for parameter optimization. The study selects the top features from electromyography signal features extracted using correlation matrix, principal component analysis, and recursive feature elimination. Various machine learning models, as well as two ensemble models, boosting and stacking, were used for prediction. The optimal parameters for each learner are determined using a particle swarm optimizer to enhance prediction performance. The process of augmenting electromyography data using the random over sampling method and synthetic minority oversampling technique was implemented to address the limitations of medical data. In this study, the hybrid stacking-particle swarm optimizer model outper- formed the others, showing 14.29% higher accuracy, 13.93% higher F-1 score, 4.17% higher recall, and 14.58% higher precision compared to other stacking models. The prediction results can be used for early identification of complications in diabetic patients.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Diabetes, EMG signal, Ensemble model, Hybrid stacking, Particle swarm optimizer
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20001-(S3) PhD Thesis
Depositing User:	I Ketut Adi Purnawan
Date Deposited:	21 Jan 2025 00:51
Last Modified:	21 Jan 2025 00:51
URI:	http://repository.its.ac.id/id/eprint/116448

Actions (login required)

View Item