Sistem Pendeteksi Central Sleep Apnea Menggunakan Metode Neural Network dengan Fitur RR Interval dan Durasi QRS

Abstract

Penyakit Central Sleep Apnea (CSA) adalah gangguan tidur akibat otak gagal memberi tahu otot-otot untuk bernapas sehingga terjadi periode henti napas ketika tidur. Kondisi ini menganggu jumlah, kualitas atau durasi tidur seseorang dan memicu sumber masalah kelelahan di siang hari, masalah jantung, tekanan darah tinggi dsb. Standar diagnosis pemeriksaan kondisi CSA adalah polisomnografi yang terkenal terbatas. Sebab tingginya prevalensi Sleep Apnea dan kurangnya ketersediaan diagnosis pemeriksaan, juga dibutuhkan biaya yang relatif tinggi. Penelitian ini dilakukan untuk mengembangkan sistem portable dalam membantu mendeteksi penyakit CSA. Sinyal ECG jantung dimanfaatkan karena irama jantung berdetak secara berbeda saat periode henti napas tiba-tiba waktu tidur, yang telah dinilai membantu proses diagnosis. Sistem dirancang dengan mikrokontroller Arduino Uno, sensor AD8232 dan modul Bluetooth HC-05. Sensor sebagai pendeteksi aktifitas listrik jantung, dengan 3 buah elektroda menempel pada dada untuk merekam lalu diekstraksi fitur RR interval dan durasi QRS. Kedua fitur pada 18 set data uji diklasifikasi dengan metode Neural network, keluarannya berupa kelas Normal atau Apnea ditampilkan pada smartphone dengan konektivitas Bluetooth. Pengujian kinerja sistem untuk deteksi sensor memperoleh nilai 96.18%, dan presentase akurasi klasifikasi Neural Network menghasilkan 83.3% dengan waktu komputasi 46.44 ms. Abstract Central sleep apnea (CSA) is a sleep disease in which the brain fails to send signals to the muscles to breathe, resulting in periods of no breathing during sleep. This disorder interferes with a person's sleep quantity, quality, or duration, which can lead to daytime weariness, heart difficulties, high blood pressure, and other issues. Polysomnography is the primary diagnostic technique for Central Sleep Apnea, yet it is notoriously restricted. The expenditures are relatively expensive due to the high incidence of sleep apnea and the paucity of diagnostic methods. The goal of this study was to create a portable device for detecting CSA illness. It has been evaluated to help in the diagnosing process and uses cardiac ECG data since the heart rhythms alter during periods of abrupt stoppage during sleep. The Arduino Uno microcontroller, AD8232 sensor, and HC-05 Bluetooth module are used in the system. With three electrodes attached to the chest to record and then extract the RR interval and QRS duration properties, the sensor is used to monitor the electrical activity of the heart. The Neural network technique classifies the two properties in the 18 test data sets, and the output in the form of Normal or Apnea classes is shown on a smartphone with Bluetooth connectivity. The sensor detection system performance test yielded a result of 96.18%, and the percentage accuracy of Neural Network classification was 83.3% with a processing time of 46.44ms.