Drowsiness detection using radial basis function network with electrocardiographic RR interval statistical feature

Maftukhaturrizqoh, Olivia; Nuryani, Nuryani; Darmanto, Darmanto

doi:10.1088/1742-6596/1153/1/012049

Cited by 11 publications

(7 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

Section: Abstrakunclassified

“…Beberapa metode klasifikasi sinyal EKG telah diterapkan pada penelitan-penelitian deteksi kantuk seperti Jaringan Saraf Convolutional [6] , Analisis Diskriminan Linear [7] dan Jaringan Saraf Tiruan Radial Basis Function [8] dengan mengidentifikasikan EKG menjadi 2 kelas yaitu kelas terjaga dan kantuk. JST RBF memiliki kinerja akurasi yang tinggi dalam mengklasifikasikan data [9] , sistem deteksi kantuk menggunakan JST RBF dengan k-means clustering mampu menghasilkan akurasi sebesar 81,96% [8] . Oleh karena itu, pada artikel ini dipaparkan sistem deteksi kantuk yang dibangun menggunakan Jaringan Saraf Tiruan Radial Basis Function (JST RBF) dengan optimasi menggunakan Particle Swarm Optimization (PSO) yang memanfaatkan ekstraksi fitur serta Interval RR.…”

Section: Abstrakunclassified

“…dimana, TP (True Positive) menunjukkan banyaknya segmen mengantuk yang mampu dideteksi dengan benar, FP (False Positive) menunjukkan banyaknya segmen mengantuk yang tidak dapat dideteksi dengan benar, FN (False Negative) menunjukkan banyaknya segmen terjaga yang tidak dapat dideteksi dengan benar, TN (True Negative) menunjukkan banyaknya segmen terjaga yang mampu dideteksi dengan benar [8] .…”

Section: Gambar 1 Rancangan Sistem Deteksi Kantukunclassified

See 2 more Smart Citations

Deteksi Kantuk Menggunakan Jaringan Saraf Tiruan Radial Basis Function dan Particle Swarm Optimization dengan RR Interval Elektrokardiogram

Shalihah

Nuryani

Sutomo

2020

Indonesian J Appl Phys

Self Cite

View full text Add to dashboard Cite

Sistem deteksi kantuk dirancang menggunakan Elektrokardiogram (EKG) dengan Jaringan Saraf Tiruan Radial Basis Function dan Particle Swarm Optimization (JST RBF-PSO). Karolinska Sleepiness Scale (KSS) menjadi acuan tingkat kantuk yang dikelompokkan menjadi kelas terjaga dan kelas mengantuk. Sistem ini menggunakan algoritma Pan-Tomkins untuk menentukan interval RR dari EKG. Fitur yang digunakan adalah 15 parameter fitur statistik. Pelatihan dan pengujian data menggunakan JST RBF-PSO dengan metode validasi silang. PSO digunakan untuk mengoptimasi parameter utama JST RBF yaitu bobot, pusat dan lebar. Sistem deteksi kantuk ini diuji menggunakan DROZY Database. Hasil penelitian menunjukkan akurasi sistem ini pada segmentasi 40 detik, jumlah neuron 150 dan 15 fitur statistik sebesar 88,36%.

show abstract

Section: Abstrakunclassified

Section: Gambar 1 Rancangan Sistem Deteksi Kantukunclassified

See 1 more Smart Citation

Deteksi Kantuk Menggunakan Jaringan Saraf Tiruan Radial Basis Function dan Particle Swarm Optimization dengan RR Interval Elektrokardiogram

Shalihah

Nuryani

Sutomo

2020

Indonesian J Appl Phys

Self Cite

View full text Add to dashboard Cite

show abstract

“…Berdasarkan penelitian Anzihory et al [19] dalam membedakan FA dengan keadaan normal, diperoleh bahwa model RBF mampu menghasilkan kinerja yang lebih baik dibandingkan dengan model Learning Vector Quantization (LVQ) dan Multilayer Perception (MLP). Serta dalam penelitian Maftukhaturrizqoh et al [20] dalam mendeteksi kantuk menggunakan JST RBF menghasilkan kinerja yang cukup baik dalam membedakan keadaan mengantuk dengan kondisi terjaga.…”

Section: Hasil Dan Pembahasanunclassified

Prediksi Kejadian Fibrilasi Atrium Paroksismal Menggunakan Jaringan Syaraf Tiruan dan Particle Swarm Optimization dengan Fitur Interval RR

Alhafid

Nuryani

Darmanto

2020

Indonesian J Appl Phys

Self Cite

View full text Add to dashboard Cite

Fibrilasi Atrium (FA) merupakan jenis aritmia yang paling umum dengan peningkatan resiko 1,5 hingga 2 kali lipat dari semua penyebab kematian dan peningkatan morbiditas. FA Paroksismal (FAP) adalah salah satu tipe fibrilasi atrium. Studi mengenai FAP menunjukkan bahwa 20% - 30% individu dengan FA memiliki FAP. Penelitian untuk membuat model predictor tool FAP menggunakan Jaringan Syaraf Tiruan (JST) telah dilakukan. Fitur Statistik interval RR dijadikan fitur masukan pada JST Radial Basis Function (RBF) dengan optimasi menggunakan Particle Swarm Optimization (PSO). Data Elektrokardiogram (EKG) yang digunakan adalah Atrial Fibrillation Prediction Database (AFPDB) dari PyhsioNet. Dengan target keluaran JST berupa PAF dan normal. Parameter RBF yang dioptimasi dengan PSO meliputi pusat, lebar dan bobot. Hasil fitur tunggal diperoleh bahwa sistem JST PSO-RBF lebih baik jika dibandingkan dengan JST RBF dalam membuat model predictor tool FAP. Dengan variasi fitur statisitik diperoleh sistem prediksi FAP dengan akurasi, sensitivitas dan spesifitas secara berturut-turut bernilai 85,82%, 84,15% dan 87,78%.

show abstract

“…In this sense, we can divide the models from Table IV in three groups: the ones that need a camera to obtain the input data (image or video), the models that uses biological data as input, and finally the model from by Massoz et. al(Maftukhaturrizqoh et al, 2019), which originally presented the "ULg Multimodality Drowsiness Database" and that uses the time reaction from the psychomotor vigilance tests to detect drowsiness. First, one should note that the model presented by Massoz et.…”

mentioning

confidence: 99%

A Novel Capsule Neural Network Based Model for Drowsiness Detection Using Electroencephalography Signals

Guarda¹,

Tapia²,

Droguett³

et al. 2022

Preprint

View full text Add to dashboard Cite

The early detection of drowsiness has become vital to ensure the correct and safe development of several industries' tasks. Due to the transient mental state of a human subject between alertness and drowsiness, automated drowsiness detection is a complex problem to tackle. The electroencephalography signals allow us to record variations in an individual's brain's electrical potential, where each of them gives specific information about a subject's mental state. However, due to this type of signal's nature, its acquisition, in general, is complex, so it is hard to have a large volume of data to apply techniques of Deep Learning for processing and classification optimally. Nevertheless, Capsule Neural Networks are a brand-new Deep Learning algorithm proposed for work with reduced amounts of data. It is a robust algorithm to handle the data's hierarchical relationships, which is an essential characteristic for work with biomedical signals. Therefore, this paper presents a Deep Learning-based method for drowsiness detection with CapsNet by using a concatenation of spectrogram images of the electroencephalography signals channels. The proposed CapsNet model is compared with a Convolutional Neural Network, which is outperformed by the proposed model, which obtains an average accuracy of 86,44 % and 87,57% of sensitivity against an average accuracy of 75,86% and 79,47% sensitivity for the CNN, showing that CapsNet is more

show abstract

Drowsiness detection using radial basis function network with electrocardiographic RR interval statistical feature

Cited by 11 publications

References 5 publications

Deteksi Kantuk Menggunakan Jaringan Saraf Tiruan Radial Basis Function dan Particle Swarm Optimization dengan RR Interval Elektrokardiogram

Deteksi Kantuk Menggunakan Jaringan Saraf Tiruan Radial Basis Function dan Particle Swarm Optimization dengan RR Interval Elektrokardiogram

Prediksi Kejadian Fibrilasi Atrium Paroksismal Menggunakan Jaringan Syaraf Tiruan dan Particle Swarm Optimization dengan Fitur Interval RR

A Novel Capsule Neural Network Based Model for Drowsiness Detection Using Electroencephalography Signals

Contact Info

Product

Resources

About