Identifikasi Stres Mental melalui Photoplestymografi, Electrodermal Activity, dan Variasi Pernapasan dengan Supervised Machine Learning

Nugroho, Ryo Prasetyo (2024) Identifikasi Stres Mental melalui Photoplestymografi, Electrodermal Activity, dan Variasi Pernapasan dengan Supervised Machine Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07311840000070-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Stres merupakan kondisi ketika seseorang berada dalam keadaan cemas, panik dan tertekan
karena adanya penyebab stres atau stressor. Stres pada dasarnya dibagi menjadi dua, yaitu stres
fisik yang juga disebut kelelahan fisik, serta stres mental yang merupakan tekanan pada
psikologis seseorang. Secara umum, stres akan meningkatkan aktivitas sistem syaraf simpatik.
Sehingga, meningkatkan detak jantung atau Heart Rate (HR), serta meningkatkan produksi
keringat. Pada penelitian ini, dibuat suatu sistem yang berfungsi untuk melakukan identifikasi
terhadap tingkat stres seseorang berdasarkan parameter Heart Rate Variability (HRV),
Respiratory Variability (RV), dan Electrodermal Activity (EDA). Peningkatan HR pada selang
waktu tertentu juga akan mengubah bentuk dan parameter sinyal HRV. Sementara itu,
perubahan HR juga akan menginduksi perubahan tingkat pernapasan dan akan mengubah RV.
Sedangkan perubahan sekresi keringat pada kulit akan mengubah konduktansi kulit. Nilai HR
didapatkan melalui Photophletysmograph, sementara RV didapatkan melalui pemrosesan
sinyal PPG, dan nilai konduktansi kulit didapatkan melalui sensor EDA atau Galvanic Skin
Response (GSR). Sinyal yang didapatkan selanjutnya dilakukan ekstraksi fitur untuk
mendapatkan parameter-parameter penting pada sinyal. Pengambilan data dilakukan dalam dua
kondisi yaitu kondisi stres rendah dan tinggi. Parameter yang sudah didapatkan digunakan
untuk mentraining model. Metode yang dilakukan yaitu dengan k-Nearest Neighbor (kNN).
Model kNN akan ditraining dengan data yang sudah berlabel hingga menghasilkan model yang
optimal. Untuk memastikan semua data berpartisipasi dalam membentuk model, maka
dilakukan 4-fold stratified cross validation. Data yang digunakan berasal dari 20 subjek dengan
dua keadaan. Selain itu juga dilakukan percobaan dengan jumlah parameter yang berbeda.
Pemilihan parameter berdasarkan Pearson’s Correlation Function dan dipilih sembilan
parameter. Kesembilan parameter tersebut adalah Detected Peak, Mean SCR duration, Mean
SCR Amplitude, Mean sinyal, serta Mean SCR rise-time pada sinyal GSR, RMSSD serta SDNN
pada sinyal respirasi, dan SDNN serta SDSD pada sinyal PPG. Berdasarkan hasil Stratified k�Fold Validation dengan model kNN, nilai k dengan akurasi terbaik adalah k = 6 dengan akurasi
Validation sebesar 82,21 % dan akurasi testing sebesar 79,91%.
====================================================================================================
Stress is a condition when someone is in a state of anxiety, panic and pressure due to a cause
of stress or stressor. Stress is basically divided into two, namely physical stress which is also
called physical fatigue, and mental stress which is pressure on a person's psychology. In
general, stress will increase the activity of the sympathetic nervous system. Thus, increasing
the heart rate or Heart Rate (HR), and increasing sweat production. In this study, a system was
created that functions to identify a person's stress level based on the parameters of Heart Rate
Variability (HRV), Respiratory Variability (RV), and Electrodermal Activity (EDA). An
increase in HR at a certain time interval will also change the shape and parameters of the HRV
signal. Meanwhile, changes in HR will also induce changes in breathing rate and will change
RV. While changes in sweat secretion on the skin will change skin conductance. HR values are
obtained through Photophletysmograph, while RV is obtained through PPG signal processing,
and skin conductance values are obtained through EDA or Galvanic Skin Response (GSR)
sensors. The signals obtained are then subjected to feature extraction to obtain important
parameters in the signal. Data collection is carried out in two conditions, namely low and high
stress conditions. The obtained parameters are used to train the model. The method used is k�Nearest Neighbor (kNN). The kNN model will be trained with labeled data to produce an
optimal model. To ensure that all data participate in forming the model, a 4-fold stratified cross
validation was performed. The data used came from 20 subjects with two conditions. In addition,
experiments were also carried out with different numbers of parameters. Parameter selection
is based on Pearson's Correlation Function and nine parameters were selected. The nine
parameters are Detected Peak, Mean SCR duration, Mean SCR Amplitude, Mean signal, and
Mean SCR rise-time on the GSR signal, RMSSD and SDNN on the respiration signal, and
SDNN and SDSD on the PPG signal. Based on the results of Stratified k-Fold Validation with
the kNN model, the k value with the best accuracy is k = 6 with a Validation accuracy of 82.21%
and a testing accuracy of 79.91%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis HRV, Electrodermal Activity, K-Nearest Neighbor, Respiratory Variability, Stres Electrodermal Activity, HRV Analysis, K-Nearest Neighbor, Respiratory Variability, Stress
Subjects:	R Medicine > RC Internal medicine T Technology > T Technology (General) > T59.7 Human-machine systems. T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User:	Ryo Prasetyo Nugroho
Date Deposited:	09 Aug 2024 08:00
Last Modified:	09 Aug 2024 08:00
URI:	http://repository.its.ac.id/id/eprint/111930

Actions (login required)

View Item