# Review Jurnal 2

“*Heart Rate Estimation From Wrist-Worn Photoplethysmography: A Review*”
oleh Dwaipayan Biswas , Neide Simões-Capela, Chris Van Hoof, dan Nick Van Helleputte

Pada jurnal ini dibahas tinjauan komprehensif tentang penginderaan dan pengembangan algoritma untuk sensor PPG yang dikontak langsung dengan pergelangan tangan subjek pada lingkungan rawat jalan. Tantangannya adalah MA yakni *Motion Artifacts*. Berbagai derajat MA, tidak ditangkap dengan baik oleh akselerometer dan karenanya penelitian terperinci tentang referensi gerak alternatif (misalnya giroskop, fotolistrik, sensor tekanan, dll.), perlu dilakukan.

Terlihat pada Fig. 1 bahwa *photoplethysmography* (PPG) bekerja dengan memancarkan cahaya (LED) ke kulit dan mengukur intensitas cahaya yang dipantulkan kembali (PD yakni *Photodetector*) melalui kulit. Adapun sinyal PPG yang didapat bervariasi tergantung pada jumlah darah yang mengalir ke dasar pembuluh darah perifer, penyerapan optik darah, pigmentasi kulit, cahaya sekitar dan panjang gelombang yang digunakan untuk menerangi darah.

Terlihat pada Fig. 2 bahwa variasi sinyal PPG juga disebabkan oleh kondisi subjek, dimana saat berjalan amplitudo gelombang cukup rendah dengan puncaknya di sekitar 40 au, sedangkan ketika berlari terjadi lonjakan amplitudo hingga memuncak di sekitar 250 au. Tentu saja hal itu terjadi karena ketika berlari maka tubuh subjek akan mengalami peningkatan aktivitas yakni peredaran darah dan detak jantung, namun yang perlu diketahui juga adalah akurasi sinyal juga dipengaruhi oleh faktor motion artifact (MA) yang disebabkan oleh pergerakan modul sensor relatif terhadap kulit, dan juga deformasi sensor akibat penggunaan sehari-hari dalam jangka panjang. Maka dari itu, penelitian dilakukan untuk mengatasi tantangan ini dengan pendekatan berbasis *machine learning*, untuk mendeteksi, melemahkan, hingga menghilangkan MA. Beberapa metode tersebut diantaranya: *independent component analysis* (ICA), *frequency-domain* ICA, *empirical mode decomposition* (EMD), *wavelet-based denoising*, substraksi spektral, Kalman filtering, dan *adaptive filtering*.

Pengambilan nilai HR dari PPG dilakukan dengan beberapa metode:
* *Evaluation metrics* -> Evaluasi kinerja algoritma dilakukan sehubungan dengan nilai asli HR, ang diperoleh dari sinyal EKG yang direkam secara bersamaan. Jumlah siklus jantung H (memilih puncak-R secara manual) dan durasi terkait D (dalam detik) digunakan untuk menghitung HR sebenarnya (*HRtrue*) sebagai 60H/D (dalam denyut per menit, BPM). *Absolute Error* (AE) digunakan untuk mengevaluasi keakuratan setiap perkiraan HR, di mana *HRest* dan *HRtrue* adalah nilai HR yang diperkirakan dan benar pada jendela waktu ke-i dalam BPM, dihitung dari jendela PPG dan ECG masing-masing seperti pada
* 
Metrik umum lainnya banyak digunakan adalah *Average Absolute Error* (AAE), *Standard Deviation of the Absolute Error* (SAE) dan *Average Relative Error* (ARE), di mana N adalah jumlah total perkiraan (jumlah jendela).
* Algoritma evaluasi SPC Database -> Algoritma untuk estimasi HR dari PPG yang dikenakan di pergelangan tangan, umumnya terdiri dari empat langkah utama.
1. Pra-pemrosesan sinyal, yang melibatkan penyaringan band-pass, downsampling dan/atau normalisasi ke nol varian unit rata-rata.
2. Penghilangan MA, terkait dengan sinyal referensi gerak.
3. Estimasi HR dengan menganalisis komponen spektral sinyal bersih.
4. Tahap pasca-pemrosesan yang mengambil bentuk algoritma pelacakan dan memastikan bahwa prediksi HR dari jendela berturut-turut tidak berbeda lebih dari ambang batas, sesuai dengan fisiologi.
* Algoritma yang menargetkan Low-Computational Complexity -> hasil terbaik pada basis data SPC dilaporkan oleh penelitian terbaru, dimana sinyal PPG awalnya dibersihkan menggunakan spektrum akselerometer melalui *Wiener filtering*, Kesalahan dalam nilai HR yang diperoleh dari PPG bersih di setiap jendela, dianalisis bersama dengan metrik khusus yang dikenal sebagai *Crest factor* (CF). CF terbukti berbanding terbalik dengan kesalahan HR dan bertindak sebagai indikator kualitas sinyal untuk setiap jendela PPG. Pasca-pemrosesan melibatkan penggunaan *finite state machine* (FSM) untuk beralih di antara empat status yang ditentukan khusus – stabil, pemulihan, waspada, dan tidak pasti, dipicu oleh perubahan CF dan HR. HR dihitung setiap 2 detik, pada jendela 8 detik, melaporkan kesalahan 0,99 BPM pada 23 subjek SPC.
* Algoritma berbasis pembelajaran -> dari sebuah *training set* segmen PPG berlabel, satu set fitur diekstraksi untuk mengklasifikasikan sampel *beat vs inter-beat*, memungkinkan estimasi HR yang handal melalui postprocessing yang ringan. *Random Forest* adalah pengklasifikasi terbaik. *Deep learning framework*, CorNET, menggunakan *convolutional neural network* (CNN) dan *long-short term memory* (LSTM) dievaluasi pada database SPC untuk memprediksi HR dari sinyal PPG. *Learning framework* yang diawasi, meniadakan kebutuhan untuk ekstraksi fitur manual. Ini mencapai AAE 1,47 3,37 BPM untuk 22 mata pelajaran SPC dan juga berhasil dievaluasi pada data kustom dari 2 subjek yang melakukan aktivitas sehari-hari.
* Perangkat komersil ->
*Smart watch* atau jam tangan pintar dengan sensor PPG, dimana 6 perangkat komersial paling populer yang tersedia:
Scosche Rhythm, $94.99
Mio Alpha, $199
Fitbit Charge HR, $150
Basis Peak, $200
Microsoft Band, $199
TomTom Runner Cardio. $345
PPG HR yang dikenakan di pergelangan tangan dihitung untuk protokol 30 menit yang dibagi menjadi fase 5 menit, termasuk berjalan dan berlari dengan lima kecepatan berbeda. Perangkat ini terbukti mampu mengatasi MA, dengan perbedaan persentase kesalahan rata-rata absolut minimum berkisar antara 3,3% hingga 6,2%. *Fitbit* disetel dan mengandalkan algoritma pasca-pemrosesan untuk mencapai angka yang akurat, dengan solusi yang mengubah algoritme HR antara tingkat istirahat dan aktivitas pengguna, dengan tambahan memantau akselerasi. *Apple Watch* memanfaatkan beberapa LED yang dikonfigurasi paralel dengan pembuluh darah untuk mengukur perbedaan waktu saat denyut darah bergerak melintasi sensor untuk memperkirakan kebisingan eksternal atau MA.