Klasifikasi Kondisi Pernapasan Berdasarkan Sinyal Radar Menggunakan Convolutional Neural Network
Abstract
Dalam dunia medis frekuensi pernapasan
menjadi salah satu indikator awal yang dapat digunakan untuk
mendiagnosa suatu gangguan yang berhubungan dengan sistem
pernapasan. Pengukuran frekuensi pernapasan dapat
dilakukan dengan alat bantu seperti radar. Radar adalah salah
satu pendekatan yang bagus untuk mengukur frekuensi
pernapasan manusia. Hasil pengukuran frekuensi pernapasan
oleh radar masih berupa sinyal yang memerlukan penanganan
lebih lanjut untuk mengetahui kondisi dari pernapasan
seseorang. Maka dari itu, dibutuhkan sistem yang secara
otomatis yang dapat mengklasifikasikan kondisi pernapasan
seseorang dengan melihat sinyal radar tersebut. Pada penelitian
ini bertujuan untuk merancang sistem klasifikasi kondisi
pernapasan melalui sinyal radar dalam tiga kelas yaitu low,
normal, dan high. Dataset yang diperoleh berasal dari
zenodo.org dan berdasar jurnal dengan bentuk citra scalogram.
Penelitian sistem klasifikasi kondisi pernapasan ini
menggunakan Convolutional Neural Network (CNN) dengan
arsitektur MobileNet. Parameter pengujian terbaik yang
didapatkan adalah nilai epoch 100, nilai batch size 8, nilai
learning rate 0,0001, dan dengan optimizer Adam. Hasil
pengujian dengan parameter terbaik mendapatkan nilai
akurasi 96,5% dengan nilai loss 0,104, nilai presisi 96,6%, nilai
recall 96,4%, dan nilai f1-score 96,5%.
Kata kunci— pernapasan, klasifikasi, sinyal radar,
convolutional neural network, mobilenet
References
Shan He*, Zixiong Han, Crist_Av__o Iglesias, Varun
Mehta and Miodrag Bolic Article,
Respiration Monitoring and Classification System Using
a Depth Camera and Radars=
Ambarini R, Pramudita A A, Ali E and Setiawan A D
Single-tone doppler radar system for human
respiratory monitoring Int. Conf. Electr. Eng. Comput.
Sci. Informatics 2018-Octob 571-5
U. Saeed, S. Y. Shah, A. A. Alotaibi, and T. Althobaiti,
Transforming Subtle Chest Movement Into Actionable
Micro-Doppler Signatures to Extract Respiratory Rate
Exploiting ResNet Algorithm,= Proceedings of tge
IEEE, vol.21, no. 20
K. Gupta, S. M. B., S. J, O. J. Pandey and L. R.
Cenkeramaddi, "Automatic Contact-Less Monitoring of
Breathing Rate and Heart Rate Utilizing the Fusion of
mmWave Radar and Camera Steering System," in IEEE
Sensors Journal, vol. 22, no. 22, pp. 22179-22191, 15
Nov.15, 2022, doi: 10.1109/JSEN.2022.3210256.
M. Leib, W. Menzel, B. Schleicher and H. Schumacher,
"Vital signs monitoring with a UWB radar based on a
correlation receiver," Proceedings of the Fourth
European Conference on Antennas and Propagation,
Barcelona, Spain, 2010, pp. 1-5.
C. H. Hsieh, Y. F. Chiu, Y. H. Shen, T. S. Chu and Y. H.
Huang, "A UWB Radar Signal Processing Platform for
Real-Time Human Respiratory Feature Extraction Based
on Four-Segment Linear Waveform Model," in IEEE
Transactions on Biomedical Circuits and Systems, vol.
, no. 1, Feb. 2016, pp. 219-230.
T. Kiuru et al., "Movement and respiration detection
using statistical properties of the FMCW radar signal,"
Global Symposium on Millimeter Waves (GSMM)
and ESA Workshop on Millimetre-Wave Technology
and Applications, Espoo, 2016, pp. 1-4.
T. Zebua and E. Ndruru,
Berdasarkan Modifikasi Algoritma RC4, "Jurnal
Teknologi Informasi dan Ilmu Komputer=, vol. 4, no.4,
p. 275, Dec. 2017, doi: 10.25126/jtiik. 201744474.
M. Aynurrohmah and A. Sunyoto, "PENGHITUNG
JUMLAH MOBIL MENGGUNAKAN
PENGOLAHAN CITRA DIGITAL DENGAN INPUT
VIDEO DIGITAL," Jurnal Dasi, vol. 12, no. 3, 2011.
R. D. Kusumanto and A. N. Tompunu,
"PENGOLAHAN CITRA DIGITAL UNTUK
MENDETEKSI OBYEK MENGGUNAKAN
PENGOLAHAN WARNA MODEL NORMALISASI
RGB," 2011.
Y. Lecun, L. Bottou, Y. Bengio, and P. Haffner,
recognition,= Proceedings of the IEEE, vol.86, no. 11,
pp. 2278-2324, 1998, doi: 10.1109/5.726791.
E. N. Arrofiqoh and H. Harintaka, "IMPLEMENTASI
METODE CONVOLUTIONAL NEURAL NETWORK
UNTUK KLASIFIKASI TANAMAN PADA CITRA
RESOLUSI TINGGI," GEOMATIKA, vol. 24, no. 2, p.
, Nov. 2018, doi: 10.24895/jig. 2018.24-2.810.
A. G. Howard et al., "MobileNets: Efficient
Convolutional Neural Networks for Mobile Vision
Applications," Apr. 2017.
