Proses klasifikasi tahapan tidur (sleep staging) dengan hanya menggunakan sinyal ECG telah banyak diteliti. Penelitian terdahulu telah membuktikan bahwa sinyal ECG memiliki potensi untuk dapat memetakan tahapan tidur seseorang. Setiap tahapan tidur akan dibagi ke dalam unit-unit (epochs) dengan setiap unit berdurasi 30 detik [1].
Pada penelitian ini akan diselidiki seberapa besar pengaruh preprocessing dari atribut (features) terhadap akurasi hasil klasifikasi tahapan tidur. Preprocessing yang dilakukan adalah menormalisasi atribut dengan menggunakan window yang memiliki lebar dan bentuk yang bervariasi.
Setelah normalisasi atribut maka data akan diklasifikasikan dengan menggunakan classifier dengan karakteristik yang berbeda. Hal ini untuk melihat ukuran generalisasi dari preprocessing tersebut terhadap jenis classifier. Untuk mengukur tingkat keberhasilan klasifikasi maka digunakan ukuran pengujian berupa percent correct classification. Data akan diklasifikasikan ke dalam enam kelas tahapan tidur [1]; Wake, NREM1, NREM2, NREM3, NREM4 dan REM. REM merupakan kependekan dari Rapid Eye Movement sedangkan NREM merupakan kependekan dari Non-REM. Beberapa peneliti mengelompokkan NREM1 dan NREM2 menjadi shallow sleep sedangkan NREM3 dan NREM4 dikelompokan menjadi delta deep sleep.
Penelitian terdahulu yang terkait dengan klasifikasi tahapan tidur antara lain penelitian oleh Bsoul pada 2010 [2]. Bsoul melakukan klasifikasi pada tahapan tidur ke dalam empat kelas (yaitu Wake, REM, delta deep sleep dan shallow sleep) dengan menggunakan Multi–Stage Support Vector Classifier dan atribut yang digunakan diturunkan dari RRI dan EDR.
Redmond dan Heneghan pada 2003 melakukan penelitian untuk mengklasifikasikan tiga tahapan tidur (yaitu wakefulness, REM sleep dan Non REM sleep) dari orang yang terkena sleep-disordered breathing. Redmond dan Heneghan dalam penelitiannya [3] menghitung ciri yang digunakan per 5-epochs berpusat di tengah. Hal ini dikarenakan resolusi frekuensi yang jelek dari power spectral diagram (PSD) pada tiap epoch.
Download :
Ziddu : PDF
Pada penelitian ini akan diselidiki seberapa besar pengaruh preprocessing dari atribut (features) terhadap akurasi hasil klasifikasi tahapan tidur. Preprocessing yang dilakukan adalah menormalisasi atribut dengan menggunakan window yang memiliki lebar dan bentuk yang bervariasi.
Setelah normalisasi atribut maka data akan diklasifikasikan dengan menggunakan classifier dengan karakteristik yang berbeda. Hal ini untuk melihat ukuran generalisasi dari preprocessing tersebut terhadap jenis classifier. Untuk mengukur tingkat keberhasilan klasifikasi maka digunakan ukuran pengujian berupa percent correct classification. Data akan diklasifikasikan ke dalam enam kelas tahapan tidur [1]; Wake, NREM1, NREM2, NREM3, NREM4 dan REM. REM merupakan kependekan dari Rapid Eye Movement sedangkan NREM merupakan kependekan dari Non-REM. Beberapa peneliti mengelompokkan NREM1 dan NREM2 menjadi shallow sleep sedangkan NREM3 dan NREM4 dikelompokan menjadi delta deep sleep.
Penelitian terdahulu yang terkait dengan klasifikasi tahapan tidur antara lain penelitian oleh Bsoul pada 2010 [2]. Bsoul melakukan klasifikasi pada tahapan tidur ke dalam empat kelas (yaitu Wake, REM, delta deep sleep dan shallow sleep) dengan menggunakan Multi–Stage Support Vector Classifier dan atribut yang digunakan diturunkan dari RRI dan EDR.
Redmond dan Heneghan pada 2003 melakukan penelitian untuk mengklasifikasikan tiga tahapan tidur (yaitu wakefulness, REM sleep dan Non REM sleep) dari orang yang terkena sleep-disordered breathing. Redmond dan Heneghan dalam penelitiannya [3] menghitung ciri yang digunakan per 5-epochs berpusat di tengah. Hal ini dikarenakan resolusi frekuensi yang jelek dari power spectral diagram (PSD) pada tiap epoch.
Download :
Ziddu : PDF
0 Response to "PENGARUH WINDOWING PADA AKURASI HASIL KLASIFIKASI TAHAPAN TIDUR"
Post a Comment