Sistem Prediksi Risiko Fibrilasi Atrium Berbasis Deep Learning Menggunakan Rompi ECG Terintegrasi IoT

Susanto, Muhammad Difa Kusuma (2026) Sistem Prediksi Risiko Fibrilasi Atrium Berbasis Deep Learning Menggunakan Rompi ECG Terintegrasi IoT. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5023221005-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Fibrilasi Atrium (AF) adalah gangguan irama jantung yang mematikan, yang seringkali tidak menunjukkan gejala dan bersifat intermiten. Metode pemantauan konvensional memiliki keterbatasan dan tidak nyaman untuk digunakan secara terus menerus dalam jangka panjang dalam kehidupan sehari-hari. Penelitian ini bertujuan untuk mengembangkan sistem prediksi risiko AF berbasis deep learning yang andal dengan menggunakan rompi EKG terintegrasi IoT sebagai sistem peringatan dini yang dapat diandalkan bagi pasien. Rompi tersebut memanfaatkan elektroda kering dalam konfigurasi Lead II yang dimodifikasi untuk memperoleh sinyal. Sinyal EKG digital kemudian dikirimkan melalui WiFi menggunakan protokol MQTT ke server untuk pemrosesan lanjutan. Data tersebut menjalani prapemrosesan, diikuti dengan ekstraksi 14 fitur Variabilitas Denyut Jantung (HRV). Fitur morfologi EKG diekstraksi menggunakan 1D CNN dan kemudian digabungkan dengan fitur HRV ke dalam jaringan Long Short Term Memory (LSTM) untuk analisis temporal. Probabilitas model dievaluasi secara berurutan menggunakan sekuensial hipotesis testing setiap menit untuk mengklasifikasikan tingkat risiko yang mendasari. Selain itu, Saliency Map diterapkan untuk menyoroti anomali gelombang P secara visual. Hasil pengujian menunjukkan bahwa perangkat keras ini memiliki akurasi yang setara dengan Holter monitor, dengan korelasi Pearson sebesar 0,93 dan Mean Absolute Error (MAE) untuk RRI sebesar 7,35 ms sekaligus RMSE untuk RRI sebesar 12,62 ms serta coherence rata ratanya sebesar 0,78. Transmisi IoT beroperasi secara optimal dengan Rasio Pengiriman Paket (Packet Delivery Ratio) sebesar 100% dan latensi 583,2 ms. Model 1D CNN-LSTM mencapai akurasi pengujian sebesar 92.31%, dan penerapan sekuensial hipotesis testing meningkatkan akurasi diagnostik akhir menjadi 90,91%. Kesimpulannya, sistem rompi EKG terintegrasi IoT yang inovatif ini sangat mumpuni dan layak digunakan untuk memantau secara terus-menerus serta memprediksi risiko AF secara akurat, sehingga memungkinkan intervensi medis dini.
=====================================================================================================================================
Atrial Fibrillation (AF) is a potentially fatal heart rhythm disorder, often asymptomatic and intermittent. Conventional monitoring methods have limitations and are inconvenient for longterm continuous use in daily life. This study aims to develop a reliable deep learning based AF risk prediction system using an IoT integrated ECG vest as a reliable early warning system for patients. The vest utilizes dry electrodes in a modified Lead II configuration to acquire signals. The digital ECG signals are then transmitted via WiFi using the MQTT protocol to a server for further processing. The data undergoes preprocessing, followed by the extraction of 14 Heart Rate Variability (HRV) features. ECG morphological features are extracted using a 1D CNN and then combined with HRV features into a Long Short Term Memory (LSTM) network for temporal analysis. The model probabilities are evaluated sequentially using sequential hypothesis testing every minute to classify the underlying risk level. Additionally, a Saliency Map is applied to visually highlight P wave anomalies. Test results showed that this hardware has an accuracy equivalent to a Holter monitor, with a Pearson correlation of 0.93 and a Mean Absolute Error (MAE) for RRI of 7.35 ms as well as an RMSE for RRI of 12.62 ms and an average coherence of 0.78. IoT transmission operated optimally with a Packet Delivery Ratio of 100% and a latency of 583.2 ms. The 1D CNN LSTM model achieved a testing accuracy of 92.31%, and the application of sequential hypothesis testing increased the final diagnostic accuracy to 90.91%. In conclusion, this innovative IoT integrated ECG vest system is highly capable and suitable for continuous monitoring and accurate prediction of AF risk, thus enabling early medical intervention.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Deep Learning, Fibrilasi Atrium, Heart Rate Variability, Internet of Things, Rompi ECG, Atrial Fibrillation, Deep Learning, ECG Vest, Heart Rate Variability, Internet of Things.
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User:	Muhammad Difa Kusuma Susanto
Date Deposited:	31 Jul 2026 06:37
Last Modified:	31 Jul 2026 06:37
URI:	http://repository.its.ac.id/id/eprint/140618

Actions (login required)

View Item