Desain Arsitektur Penginderaan Tekan Untuk Mendapatkan Data Tekanan Darah Menggunakan Rekonstruksi Omp
Abstrak
Di era digitalisasi saat ini, ada begitu banyak aplikasi perangkat digital untuk kebutuhan sehari-hari bahkan untuk kebutuhan medis juga. Salah satunya adalah penggunaan alat tekanan darah digital yang memiliki keunggulan seperti mudah dibaca dan dipahami, kecil, mudah dibawa kemana-mana dan harganya relatif murah. Namun, masalahnya adalah seberapa akurat perangkat tersebut jika dibandingkan dengan perangkat analog/konvensional yang akurasinya sejauh ini tidak diragukan lagi. Tujuan dari desain ini adalah mengetahui keakuratan instrumen pengukuran, dalam hal ini sebagai instrumen pengukuran darah menggunakan OMP dan metrik evaluasi dengan ukuran pengambilan sampel data masing-masing K 128, K 64, K 32 dan K 16, untuk menilai ukuran data mana yang memiliki akurasi yang lebih baik.
Kata kunci : Tekanan darah digital, pengejaran pencocokan ortogonal (OMP), transformasi gaussian, transformasi wavelet, metrik evaluasi.
Referensi
Ang, A. (2022). Orthogonal Matching Pursuit Algorithm. A brief introduction, 1-16.
Athaya, T. (2021). An Estimation Method of Continuous Non-Invasive Arterial. Sensor, 1-17.
Bashar, D. A. (2020). Sensor Cloud Based Architecture with Efficient Data Computation and. iSmac, Vol.02/ No. 02 Pages: 96- 105.
Bensaali, A. A. (2019). Compressive Sensing-Based IoT Applications A Review. Journal of Wireless Sensors Networks, 20-30.
Djelouat, H. (2018). Compressive Sensing-Based IoT Applications: A Review. Journal of sensor and actuator network, 1-31.
Eom, H. (2020). End-To-End Deep Learning Architecture for Continuous Blood Pressure Estimation Using Attention Mechanism. Sensor, 1-20.
Guo, B. (2021). Smart Healthcare System Based on Cloud-Internet of Things and Deep Learning. Journal of Healthcare Engineering, 10.
Hendrayana, Y. H. (2016). RANCANG BANGUN ALAT PENGUKUR TEKANAN DARAH OTOMATIS MENGGUNAKAN METODE OSCILLOMETRY BERBASISRASPBERRY PI MODEL B+. TRANSMISI, 18,, 5.
Kanazawa. (2019). ZigBee Radio Frequency (RF) Performance on Raspberry Pi 3 for Internet of Things (IoT) based. International Journal of Advanced Computer Scienceand Applications, 18-27.
Kandou, F. M. (2014). Rancang Bangun Alat Ukur Tekanan Darah Manusia Menggunakan Sensor 2SMPP Yang Dapat Menyimpan Data. E-journal Teknik Elektrodan Komputer , 57-64.
Kumar, S. S. (2022). Review on Compressive Sensing Algorithms for ECG Signal for IoT Based Deep Learning Framework. Applied Sciences, 1-37.
Lavanya, R. (2020). REMOTE HEALTH MONITORING, HOME AUTOMATIONAND ALARM SYSTEM USING RASPBERRY PI. International Research Journal of Engineering and Technology (IRJET), Volume: 07 Issue: 03.
Perumal, U. (2023). SMART HEALTH CARE FOR MONITORING ELDERLYPEOPLE USING IoMT. Journal of Data Acquisition and Processing, Vol. 38 (2).
Shewale, A. (Volume 12, Issue 3, 2021). RASPBERRY-PI BASED AUTOMATICHEALTH CARE MODELLING: AN IoT APPROACH, Compliance Engineering Journal, Page No: 99.
Vito, L. D. (2021). A Dictionary Optimization Method for Reconstruction of ECG Signals after Compressed Sensing. Sensor, 1-22.
Wang, T. T. (JULY 2011). Orthogonal Matching Pursuit for Sparse Signal Recovery
With Noise. IEEE TRANSACTIONS ON INFORMATION THEORY, VOL. 57, NO.
