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

Ariefah Shalihah, Nuryani Nuryani, Artono Dwijo Sutomo

Abstract

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%.

Keywords

Kantuk; KSS; EKG; JST RBF; PSO

Full Text:

PDF

References

WHO. 2015. Global Status Report on Road Safety 2015. 15 Oktober 2018.

http://www.who.int/violence_injury_prevention/road_safety_status/2015/en/.

KORLANTAS POLRI. 2019. Accident Data. 28 Agustus 2019.

http://korlantas-irsms.info/graph/accidentData.

Zwahlen, D., Jackowski, C., & Pfaffli, M. 2016. Sleepiness, driving, and motor vehicle accidents: A questionnairebased survey. Journal of Forensic and Legal Medicine, 44,183-187.

Kaida, K., Takahashi, M., Åkerstedt, T., Nakata, A., Otsuka, Y., Haratani, T., & Fukasawa, K. 2006. Validation of the Karolinska sleepiness scale against performance and EEG variables. Clinical Neurophysiology, 117, 1574-1581.

Goldberger, A. L., Goldberger, Z. D., & Shvilkin, A. 2012. Goldberger’s Clinical Electrocardiography: A Simplified Approach. Elsevier Saunders.

Lee, H., Lee, J., & Shin, M. 2019. Using Wearable ECG/PPG Sensors for Driver Drowsiness Based on Distinguishable Pattern of Recurrence Plots. Electronics, 8(2) 192.

Vicente, J., Laguna, P., Bartra, A., & Bailon, R. 2011. Detection of driver‟s drowsiness by means of HRV analysis. Computing in Cardiology (CinC), 89–92.

Maftukhaturrizqoh, O., Nuryani, N., & Darmanto, D. 2018. Drowsiness detection using radial basis function network with electrocardiographic RR interval statistical feature. Journal of Physiscs, Conf. Series 1153.

Anzihory, E., Nuryani, N., & Darmanto, D. 2016. Sistem Deteksi Fibrilasi Atrium menggunakan Fitur RR Elektokardiogram dengan Jaringan Syaraf Tiruan. Jurnal Fisika dan Aplikasinya, 12(2), 57-60.

Massoz, Q., & Verly, J. G. 2016. The ULg Multimodality Drowsiness Database (called DROZY) and Examples of Use. IEEE Winter Conference in Applications of Computer Vision (WACV).

Korürek, M., & Doǧan, B. 2010. ECG beat classification using particle swarm optimization and radial basis function neural network. Expert Systems with Applications, 37(12), 7563–7569.

Shi, Y., & Eberhart, R. 1998. A Modified Particle Swarm Optimizer. IEEE International Conference on Evolutionary Computation, 69-73.

Li, G., & Chung, W. Y. 2013. Detection of Driver Drowsiness Using Wavelet Analysis of Heart Rate Variability and a Support Vector Machine Classifier. Sensors, 13, 16494-165511.

DOI: https://doi.org/10.13057/ijap.v10i01.39648

Refbacks

  • There are currently no refbacks.