Integrasi Sinyal ECG dan EEG untuk Deteksi Kesehatan Mental dengan Artificial Neural Network

Cicilia, Tiffany Ade (2025) Integrasi Sinyal ECG dan EEG untuk Deteksi Kesehatan Mental dengan Artificial Neural Network. Other thesis, INSTITUSI TEKNOLOGI SEPULUH NOPEMBER.

Text 5023211044-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Stres adalah kondisi di mana seseorang mengalami kekhawatiran atau ketegangan mental akibat situasi sulit. Jika stres ini berlangsung terus-menerus dalam jangka panjang, kondisi tersebut dapat berkembang menjadi stres kronis, yang berpotensi memicu perubahan fisiologis signifikan dan meningkatkan risiko berbagai masalah kesehatan, termasuk penyakit kardiovaskular, gangguan kecemasan, dan depresi. Penelitian sebelumnya telah membuktikan efektivitas penggunaan parameter fisiologis dalam mengenali stres, gangguan kecemasan, dan depresi. Namun, perangkat yang dikembangkan masih cenderung kompleks dan belum mencakup integrasi sinyal ECG untuk mendeteksi kecemasan dan depresi, serta masih terpisah untuk setiap penyakit. Oleh karena itu penelitian ini berupaya menyediakan perangkat yang lebih compact dan sudah mencakup pendeteksian pada ketiga penyakit mental yang saling berkaitan. Penelitian ini memanfaatkan sinyal fisiologis ECG (Electrocardiogram) dan EEG (Electroencephalogram) sebagai indikator biologis untuk mendeteksi tanda-tanda gangguan kesehatan mental. Data sinyal analog ECG dan EEG diakuisisi dari subjek dan diubah ke sinyal digital menggunakan mikrokontroler STM32F103C8T6 dan diproses di perangkat Raspberry Pi. Sinyal ECG dengan penempatan elektroda di bagian leher diolah untuk mengekstraksi fitur-fitur terkait Heart Rate Variability (HRV) yang dianalisis melalui tiga pendekatan, yaitu analisis domain waktu, domain frekuensi, dan analisis nonlinear, sedangkan sinyal EEG dengan penempatan elektroda di bagian dahi (Fp1, Fp2, dan Fpz) dianalisis melalui pendekatan domain waktu-frekuensi. Kemudian, data fitur hasil ekstraksi diproses dan dianalisis menggunakan model Artificial Neural Network (ANN) guna mengklasifikasikan tingkat gangguan kesehatan mental. Metode klasifikasi ANN dengan Stratified K-Fold memperoleh hasil akurasi 90%, 90%, dan 90% untuk stres, kecemasan, dan depresi secara berurutan pada data testing.
====================================================================================================================================
Stress is a condition where an individual experiences mental tension due to difficult situations. Prolonged stress can develop into chronic stress, leading to physiological changes and increasing the risk of cardiovascular disease, anxiety, and depression. Previous studies have shown the effectiveness of physiological parameters in detecting these mental disorders. However, existing devices are often complex, lack ECG integration for anxiety and depression detection, and address each condition separately. This study aims to develop a compact device capable of detecting stress, anxiety, and depression simultaneously. It utilizes physiological signals from ECG (Electrocardiogram) and EEG (Electroencephalogram) as biological indicators. Analog ECG and EEG signals are acquired from subjects, converted to digital using an STM32F103C8T6 microcontroller, and processed with a Raspberry Pi. ECG signals, taken from neck electrode placement, are analyzed for Heart Rate Variability (HRV) using time, frequency, and nonlinear domains. EEG signals, recorded from forehead electrodes (Fp1, Fp2, Fpz), are analyzed in the time-frequency domain. Extracted features are then classified using an Artificial Neural Network (ANN). The ANN model with Stratified K-Fold validation achieved test accuracies of 90% for stress, 90% for anxiety, and 90% for depression, showing the potential of this approach in integrated mental health detection.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	ANN, Depresi, ECG, EEG, Gangguan Kecemasan, Stres, Anxiety, Depression, Stress
Subjects:	T Technology > T Technology (General) > T58.62 Decision support systems T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing. 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:	Tiffany Ade Cicilia
Date Deposited:	04 Aug 2025 07:39
Last Modified:	04 Aug 2025 07:39
URI:	http://repository.its.ac.id/id/eprint/125736

Actions (login required)

View Item