Perpustakaan Digital ITB

Sleep apnea atau apnea tidur merupakan kondisi gangguan tidur yang menyebabkan penderitanya mengalami henti napas selama 10 detik atau lebih di saat tertidur. Jika dibiarkan, apnea tidur bisa meningkatkan resiko penyakit kardiovaskular dan metabolisme tubuh. Apnea tidur dapat didiagnosis menggunakan alat bernama Polysomnography (PSG). Namun, alat ini menggunakan banyak sensor yang membuat pasien kurang nyaman. Selain itu, alat ini juga hanya bisa digunakan di rumah sakit dengan biaya yang mahal. Oleh karena itu, pada tugas akhir ini, dirancang alat yang dapat mendeteksi apnea tidur yang sederhana dengan hanya memanfaatkan sinyal EKG. Alat ini dibuat wearable, sehingga penggunaannya akan lebih mudah dan lebih praktis dibandingkan PSG. Alat ini menggunakan sensor EKG AD8232 1-lead dan mikrokontroller ESP32. Alat ini dapat mengklasifikasi kondisi apnea dan kondisi normal dengan memanfaatkan algoritma deep learning. Hasil klasifikasi akan ditampilkan pada website yang berisi waktu terjadinya apnea dan grafik klasifikasi dalam satu rekaman. Dari beberapa algoritma deep learning yang dicoba, didapatkan algoritma Apneanet yang memiliki akurasi terbaik, sehingga dipilih model tersebut untuk diterapkan ke alat. Klasifikasi apnea dilakukan setiap menit, kemudian hasil dari klasifikasi dapat dilihat pada website yang telah dibuat. Akurasi dari model Apneanet terhadap dataset sebesar 98,77%. Artinya, model ini dapat membedakan antara kondisi apnea dan kondisi normal pada data uji yang dambil dari dataset dengan baik. Model juga diuji pada data asli yang diambil langsung dari alat. Namun, tidak didapatkan label dari data tersebut. Oleh karena itu, dibandingkan model Apneanet dengan model lain yang sudah beredar. Dari situ, didapatkan similaritas hasil klasifikasi model Apneanet dengan model tersebut sebesar 84,37%.