Review: Analisis Fitur Deteksi Aritmia dan Metode Deep Learning untuk Wearable Devices

Abstract

Aritmia merupakan salah satu gangguan jantung, yang mungkin tidak berbahaya dalam waktu dekat, tetapi dapat mengakibatkan abnormalitas jangka panjang. Meskipun tidak berbahaya, harus ada penanganan medis yang segera dilakukan dan perubahan lifestyle menjadi lebih baik. Deteksi aritmia umumnya dilakukan dengan elektrokardiograf (EKG) long recording menggunakan monitor Holter dan kemudian dianalisis ritmenya. Perekaman dengan Holter yang memerlukan waktu beberapa hari dapat mengganggu fisiologis pasien. Banyak penelitian telah dilakukan untuk membangun algoritme pendeteksian aritmia, dengan beragam sumber data, fitur, dan juga metode pendeteksian. Namun, permasalahan yang umum dihadapi oleh banyak peneliti adalah masalah waktu komputasi dan kompleksnya fitur yang dideteksi. Studi ini dilakukan untuk melakukan review terhadap penelitian yang sudah dilakukan terkait dengan penggunaan data, fitur, dan juga metode deep learning yang dapat menyelesaikan masalah waktu komputasi dan memungkinkan implementasi pada wearable devices. Studi diawali dengan pencarian literatur terkait, kemudian melihat basis data yang digunakan untuk membangun model deteksi. Selanjutnya, review dilanjutkan dengan menelaah fitur EKG yang digunakan dan juga metode deep learning yang diimplementasikan. Dari hasil review yang dilakukan, data yang umum digunakan adalah data yang bersumber dari dataset MIT-BIH, meskipun penggunaan data dinilai masih perlu pre-processing yang cukup rumit. Convolutional neural network (CNN) merupakan metode yang banyak digunakan, walaupun waktu komputasi menjadi salah satu pertimbangan. Analisis yang paling tepat untuk pendeteksian gangguan ritme dan memiliki waktu komputasi yang rendah adalah fitur interval sinyal EKG dengan analisis di domain waktu. Fitur tersebut nantinya akan digunakan sebagai masukan deep learning. Dengan begitu, waktu komputasi akan dapat banyak dikurangi, terutama ketika diterapkan pada wearable devices.

Keywords

• arrhythmia detection
• ecg features
• deep learning
• wearable devices
• basis data mit-bih
• rr interval