Perpustakaan Digital ITB

Stres kognitif dan stres fisiologis dapat menghasilkan respons fisiologis yang tumpang tindih, seperti perubahan aktivitas kardiovaskular dan elektrodermal sehingga sulit dibedakan hanya menggunakan satu jenis biosinyal. Penelitian ini bertujuan mengembangkan prototipe wearable sensor berbasis ESP32-S3 yang mampu mengakuisisi sinyal Photoplethysmography (PPG), Electrodermal Activity (EDA), dan Accelerometer (ACC), melakukan pra-pemrosesan dan ekstraksi fitur secara on-edge, serta mengklasifikasikan kondisi BASELINE, STRESS kognitif, dan AEROBIC. Sistem menggunakan ESP32-S3 DevKitC-1 N16R8 sebagai unit pemrosesan utama, MAX30102 untuk PPG, Grove GSR untuk EDA, dan MPU6050 untuk ACC. Data PPG dan ACC diakuisisi pada 100 Hz, sedangkan EDA pada 20 Hz. Pemrosesan pada perangkat meliputi filtering digital, segmentasi window 60 detik dengan step 15 detik, ekstraksi 57 fitur, normalisasi terhadap baseline personal, serta inferensi model Random Forest. Model dikembangkan menggunakan dataset Wearable Physiological Signals under Acute Stress and Exercise Conditions dan dievaluasi dengan Leave-One-Subject-Out Cross-Validation (LOSO-CV). Dataset akhir terdiri atas 23 subjek dan 4.268 window. Pada evaluasi LOSO terhadap dataset referensi, model akhir menghasilkan akurasi sebesar 86,41%, balanced accuracy 85,55%, dan macro F1-score 83,92%. Implementasi pada ESP32-S3 menghasilkan kesesuaian prediksi sebesar 99,35% terhadap Python dengan waktu pemrosesan maksimum 435,87 ms sehingga proses komputasi dapat diselesaikan sebelum pembaruan prediksi setiap 15 detik. Sementara itu, pada pengujian data primer yang direkam langsung menggunakan prototipe terhadap empat subjek, diperoleh akurasi gabungan sebesar 61,48%. Hasil tersebut menunjukkan bahwa sistem telah mampu melakukan akuisisi multimodal dan klasifikasi tiga kondisi secara on-edge, tetapi generalisasi model terhadap karakteristik fisiologis dan kualitas sinyal antarindividu masih perlu ditingkatkan.