Klasifikasi Tingkat Keparahan Sleep Apnea Berdasarkan Suara Mendengkur Saat Tidur

Ginting, Yohanes Teguh Ukur (2025) Klasifikasi Tingkat Keparahan Sleep Apnea Berdasarkan Suara Mendengkur Saat Tidur. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025211179-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (10MB) | Request a copy

Abstract

Sleep apnea merupakan gangguan tidur yang ditandai dengan berhentinya nafas secara
berulang selama tidur, yang sering kali tidak disadari oleh penderitanya. Salah satu gejala utama
kondisi ini adalah mendengkur secara tidak normal yang diakibatkan terjadinya penyempitan
saluran nafas yang menyebabkan penurunan oksigen dalam tubuh. Penelitian ini bertujuan
untuk mendeteksi dan menghitung AHI untuk melihat tingkat keparahan sleep apnea
berdasarkan suara mendengkur dengan menggunakan dataset PSG-AUDIO dengan
menggunakan pendekatan deep learning. Suara mendengkur dilakukan praproses dimana suara
mendengkur dilakukan ekstraksi fitur log mel-spectrogram yang menghasilkan representasi
suara dalam bentuk gambar. Fitur tersebut kemudian diproses menggunakan model VGG19,
VGG16 dan ResNet50 yang sudah belajar mengenali gambar ImageNet yang dilanjutkan
dengan Bi-LSTM untuk mempelajari fitur spasial dari backbone model sehingga dapat
melakukan deteksi suara sleep apnea. Setelah bisa melakukan deteksi suara mendengkur sleep
apnea dilakukan perhitungan Apnea-Hypopnea Index (AHI) untuk melihat tingkat keparahan
sleep apnea yang dialami. Pada pengembangan model didapatkan model dengan performa
pengujian model terbaik dengan menggunakan VGG19 dengan nilai akurasi sebesar 91,66%
dengan F1-Score sebesar 91,93%. Dalam melakukan perhitungan AHI untuk melihat tingkat
keparahan sleep apnea didapatkan nilai PCC sebesar 0,8552 dengan p-value sebesar 0,0142
dengan MAE sebesar 10,6689.
========================================================================================================================
Sleep apnea is a sleep disorder characterized by repeated cessation of breathing during
sleep, which often goes unnoticed by the sufferer. One of the main symptoms of this condition
is abnormal snoring caused by narrowing of the airway, leading to a decrease in oxygen levels
in the body. This study aims to detect and calculate the Apnea-Hypopnea Index (AHI) to assess
the severity of sleep apnea based on snoring sounds using the PSG-AUDIO dataset with a deep
learning approach. The snoring sounds undergo preprocessing, where features are extracted
using the log Mel-spectrogram, resulting in a visual representation of the sound in the form of
an image. These features are then processed using the VGG19, VGG16, and ResNet50 models,
which have been trained to recognize ImageNet images, followed by a Bi-LSTM to learn the
spatial features of the backbone model, enabling the detection of sleep apnea sounds. After
detecting sleep apnea snoring sounds, the Apnea-Hypopnea Index (AHI) is calculated to assess
the severity of the sleep apnea experienced. In developing the model, the best model
performance was achieved using VGG19 with an accuracy of 91,66% and an F1-Score of
91,93%. In calculating the AHI to assess the severity of sleep apnea, a PCC value of 0,8552
was obtained with a p-value of 0,0142 and a Mean Absolute Error (MAE) of 10,6689.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Bi-LSTM, Deep Learning, Mendengkur, Sleep Apnea ,VGG19, Bi-LSTM, Deep Learning, Sleep Apnea, Snoring, VGG19
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Teguh Teguh
Date Deposited:	31 Jul 2025 08:02
Last Modified:	31 Jul 2025 08:02
URI:	http://repository.its.ac.id/id/eprint/124416

Actions (login required)

View Item