EpCare: PROTOTIPE SISTEM DETEKTOR PRE-IKTAL PASIEN EPILEPSI BERBASIS FITUR CSI DARI SINYAL EKG 1 KANAL MENGGUNAKAN AD8232

Penulis

Diah Wulandari

Abstrak

Kejang epilepsi dapat terjadi kapan saja dan di mana saja, dan dalam kondisi tertentu dapat menyebabkan cedera fatal. Oleh karena itu, kebutuhan akan perangkat wearable yang dapat mengirimkan peringatan kepada pengguna akan kejang yang akan datang adalah penting. Perangkat ini harus dapat merasakan kelainan pada sinyal biomedis pengguna dan mengirimkan peringatan sebelum kejang. Penelitian ini mengembangkan sistem yang mendeteksi kondisi pre-iktal pasien epilepsi berdasarkan fitur Cardiac Sympathetic Index (CSI) dari sinyal Elektrokardiogram (EKG). Listrik jantung pasien diukur menggunakan 3 elektroda yang dihubungkan ke AD8232 untuk mewakili sinyal 1 kanal. Algoritma Pan-Tompkins diimplementasikan untuk mendapatkan interval RR dari sinyal EKG. Kemudian fitur CSI dihitung berdasarkan nilai RR-interval. Distribusi setiap 100 interval RR dijadikan sebagai dasar untuk menentukan nilai ambang batas CSI. Ketika nilai CSI melebihi ambang batas ini, sistem akan mengirimkan peringatan ke aplikasi seluler, yang disebut EpCare. Eksperimen dilakukan pada dua kelompok data, yaitu kelompok data primer dari non-penderita epilepsi dan kelompok data sekunder dari penderita epilepsi. F-measure yang dihasilkan dari eksperimen yang menerapkan ambang batas orang non-epilepsi dan dari eksperimen yang menerapkan ambang batas individu dibandingkan.

Referensi


AL-AWEEL, I., KRISHNAMURTHY, K., HAUSDORFF, J., MIETUS, J., IVES, J., BLUM, A., SCHOMER, D., dan GOLDBERGER, A., 1999. Postictal heart rate oscillations in partial epilepsy. Neurology, vol. 53, no. 7, pp. 1590-1592.

EGGLESTON, K. S., OLIN, B. D., dan FISHER, R. S., 2014. Ictal tachycardia: The head-heart connection. Seizure, vol. 23, no. 7, pp. 496-505.

GHOSH, A., DAS, T., SARKAR, A., dan BASAK, P., 2017. Pre-ictal epileptic seizure prediction based on ECG signal analysis. 2nd International Conference for Convergence in Technology (I2CT), pp. 920-925.

GOLDBERGER, A., AMARAL, L., GLASS, L., HAUSDORFF, J., IVANOV, P. C., MARK, R., MIETUS, J. E., MOODY, G. B., PENG, C. K., dan STANLEY, H. E., 2000. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation [Online], vol. 101, no. 23, pp. e215-e220.

JEPPESEN, J., BENICZKY, S., JOHANSEN, P., SIDENIUS, P., dan FUGLSANG- FREDERIKSEN, A., 2015. Detection of epileptic seizures with a modified heart rate variability algorithm based on Lorenz plot. Seizure, vol. 24, pp. 1–7.

JONES, L. A. dan THOMAS, R. H., 2017. Sudden death in epilepsy: Insights from the last 25 years. Seizure, vol. XLIV, pp. 232-236.

Mayo Clinic, 2019. Epilepsy - Symptoms and causes. [Online]. Tersedia di : https://www.mayoclinic.org/diseases-conditions/epilepsy/symptomscauses/syc-20350093. [Diakses 20 November 2021].

ISLAMIYAH, Wardah R., et al. Identification of Epilepsy Phase Based on Time Domain Feature Using ECG Signals. In: 2020 International Conference on Computer Engineering, Network, and Intelligent Multimedia (CENIM). IEEE, 2020. p. 1-6.

PAN, J., dan TOMPKINS, W. J., 1985. A Real-Time QRS Detection Algorithm. IEEE Transactions on Biomedical Engineering, vol. BME-32, no. 3, pp. 230-236.

PICKUS, S., 2017. HRV. [Online]. Tersedia di: https://github.com/pickus91/HRV/blob/master/panTompkins.py.

RAMGOPAL, S., THOME-SOUZA, S., JACKSON, M., KADISH, N. E., FERN´ANDEZ, I. S., KLEHM, J., BOSL, W., REINSBERGER, C., SCHACHTER, S. dan LODDENKEMPER, T., 2014. Seizure detection, seizure prediction, and closed-loop warning systems in epilepsy. Epilepsy & Behavior, vol. XXXVII, pp. 291-307.

SUBRAMANIAN, B., 2017. ECG signal classification and parameter estimation using multiwavelet transform. Biomedical Research, vol. 28, no. 7.

TOICHI, M., SUGIURA, T., MURAI, T. dan SENGOKU, A., 1997. A new method of assessing cardiac autonomic function and its comparison with spectral analysis and coefficient of variation of R–R interval. Journal of the Autonomic Nervous System, 62(1-2), pp.79-84.

VAN ELMPT, W. J. , NIJSEN, T. M., dan GRIEP, P. A. A. J. B., 2006. A model of heart rate changes to detect seizures in severe epilepsy. Seizure, vol. 15, no. 6, pp. 366-375.

WILLIAMS, L. dan WILKINS, 2006. ECG Interpretation: An Incredibly Easy! Pocket Guide, Lippincott Williams & Wilkins.

World Health Organization, 2019. Epilepsy. [Online]. Tersedia di: https://www.who.int/news-room/fact-sheets/detail/epilepsy. [Diakses 20 November 2021]

WULANDARI, Diah P., et al. Visualization of Epilepsy Patient’s Brain Condition based on Spectral Analysis of EEG Signals using Topographic Mapping. In: 2018 International Conference on Computer Engineering, Network and Intelligent Multimedia (CENIM). IEEE, 2018. p. 7-13.

WULANDARI, Diah P., et al. Epileptic Seizure Detection Based on Bandwidth Features of EEG Signals. Procedia Computer Science, 2019, 161: 568-576.




DOI: http://dx.doi.org/10.25126/jtiik.20231015862