PERANCANGAN WEARABLE HEALTHVEST PEMANTAU TANDA VITAL MULTI-PARAMETER BERBASIS SINYAL ELEKTROKARDIOGRAM DAN FOTOPLESTIMOGRAM MENGGUNAKAN ADVANCED SIGNAL PROCESSING

Pranata, Aldo (2020) PERANCANGAN WEARABLE HEALTHVEST PEMANTAU TANDA VITAL MULTI-PARAMETER BERBASIS SINYAL ELEKTROKARDIOGRAM DAN FOTOPLESTIMOGRAM MENGGUNAKAN ADVANCED SIGNAL PROCESSING. Other thesis, Institut Teknologi Sepuluh Nopember.

Warning
There is a more recent version of this item available.
[thumbnail of 5023211019-Undergraduate_Thesis.pdf] Text
5023211019-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only
Download (29MB) | Request a copy

Abstract

Penelitian ini mengembangkan perangkat wearable berupa healthvest yang dirancang untuk pemantauan kesehatan tubuh secara berkelanjutan menggunakan kombinasi sensor electrocardiogram dan photoplethysmogram. Pemantauan tanda vital tubuh sangat penting untuk deteksi dini gangguan kesehatan, khususnya penyakit kardiovaskular. Metode konvensional seperti pemeriksaan di fasilitas kesehatan memiliki keterbatasan dalam hal frekuensi pemantauan, aksesibilitas, dan efisiensi biaya. Sementara itu, teknologi wearable komersial seperti smartwatch menawarkan kemudahan, namun umumnya terbatas dalam jumlah parameter yang dapat dipantau akibat keterbatasan ukuran dan desain perangkat. Healthvest yang dikembangkan dirancang untuk mengatasi keterbatasan tersebut dengan solusi multi-parameter yang nyaman, stabil, dan mudah diakses. Sistem terdiri dari elektroda strap-electrocardiograph yang dijahit pada bagian dalam vest untuk menjaga kestabilan sinyal serta unit sensor photoplethysmograph pada belt unit. Dari sinyal electrocardiogram dilakukan analisis heart rate variability menggunakan metode discrete wavelet transform untuk ekstraksi R-R interval, diikuti analisis domain waktu dan estimasi laju pernapasan melalui komponen frekuensi tinggi. Sinyal photoplethysmogram digunakan untuk estimasi kadar oksigen dalam darah dengan pendekatan machine learning berbasis random forest serta prediksi kadar glukosa darah dan tekanan darah menggunakan model deep learning berbasis convolutional neural network dan temporal convolutional network yang dilengkapi convolutional block attention module (CBAM) . Seluruh data diproses secara lokal dan dikirim ke server secara nirkabel berlatensi rendah (<1 ms), lalu ditampilkan melalui antarmuka pengguna yang ramah. Hasil pengujian menunjukkan perangkat ini mampu menghasilkan sinyal stabil dan estimasi tanda vital yang akurat, dengan mean absolute error (MAE) sebesar 4.59 bpm untuk denyut jantung, 1.15 brpm untuk laju pernapasan, 1.13% untuk SpO2, 14.275 mg/dL untuk kadar glukosa darah, serta 6.22 mmHg dan 4.46 mmHg untuk tekanan darah sistolik dan diastolik. Perangkat ini berpotensi menjadi solusi pemantauan kesehatan harian yang lebih komprehensif dan nyaman.

Item Type: Thesis (Other)
Uncontrolled Keywords: Rompi Kesehatan, Electrocardiogram, Photoplethysmogram, Pemantauan Kesehatan, Estimasi Tanda Vital
Subjects: R Medicine > R Medicine (General) > R856.2 Medical instruments and apparatus.
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing.
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7872.F5 Filters (Electric)
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7878 Electronic instruments
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User: Aldo Pranata
Date Deposited: 04 Aug 2025 07:09
Last Modified: 04 Aug 2025 07:09
URI: http://repository.its.ac.id/id/eprint/125248

Available Versions of this Item

Actions (login required)

View Item View Item