# Review Jurnal #2

## Remote Heart Rate Measurement Using Low-Cost RGB Face Video

**Penulis**
Philipp V. Rouast
Raymond Chiong
Marc T. P. Adam
David Cornforth

**Tahun dan Sumber**
September 2018, Frontiers of Computer Science (electronic) 12(5):858-872

### **Tujuan Penelitian**
- Mengembangkan teknik pengukuran jauh dengan metode Remote photoplethysmography (rPPG) untuk jantung dengan harga murah.
- Untuk praktsi/peneliti dapat menggunakan klasifikasi data pada jurnal ini untuk menentukan pendekatan rPPG yang sesuai dengan spesifikasi yang dibutuhkan.
- Untuk Peneliti dapat menggunakan algoritma yang telah direview dan diklasifikasikan. Sebagai titik awal untuk meningkatkan fitur tertentu dari suatu algoritma rPPG

### **A. Pendahuluan**
Pada jurnal ini dibahas mengenai pengembangan teknik pengukuran jauh dengan metode Remote photoplethysmography (rPPG) untuk jantung dengan harga murah.

>**Latar belakang pengembangannya adalah**:
Data dari sistem Heart Rate Monitor (HRM) pada kondisi saat ini sudah lebih berkaitan dengan kesehatan atau kebugaran individu atau sebagai barang komersil Biasanya, HRM dilakukan dengan menggunakan metode yang membutuhkan kontak kulit. Dalam kasus elektrokardio-gram (EKG), kontak ini diperlukan untuk mengukur perubahan potensial listrik pada kulit. Jenis photoplethysmography (PPG) tersedia di beberapa jam tangan pintar menggunakan kontak kulit untuk mendapatkan plethysmogram secara optik. Meskipun mereka non-invasif, teknik ini memiliki kekurangan karena mereka membutuhkan kontak dengan kulit manusia, yang dapat merugikan subjek dengan kulit sensitif atau apabila digunakan dalam jangka waktu panjang bisa menyebabkan iritasi dan juga akan mempersulit kegiatan karena device yang dipasang.

### **B. Prinsip Dasar**
Fenomena yang digunakan dalam rPPG terkait erat dengan siklus jantung. Setiap siklus, darah dipindahkan dari jantung ke kepala melalui arteri karotis. Kita akan melihat bahwa aliran darah ini secara berkala mempengaruhi dua hal yaitu sifat yang ditampilkan pada kulit area wajah dan mekanisme pergerakan kepala. Dengan penerangan yang sesuai, perubahan cahaya yang dipantulkan dari kulit wajah dengan demikian mampu diamati, karena aliran darah dan variasi volume darah mengikuti siklus jantung.

**- Memperoleh Plethysmographic signal**
Secara tradisional, sumber cahaya khusus dengan panjang gelombang merah atau inframerah dekat telah digunakan untuk mendapatkan fotopletismogram (kontak). Namun penelitian terbaru telah menunjukkan bahwa cahaya sekitar (lingkungan) bisa cukup untuk mendapatkan sinyal plethysmographic diilustrasikan pada gambar (a)

gambar (b). Mengilustrasikan kepala bergerak kurang lebih 5mm akibat reaksi terhadap aliran darah (head-neck system)

### **C. Perkembangan rPPG**
- Hertzman dan Spealman pertama kali mencatat pada tahun 1937 bahwa variasi transmisi cahaya jari dapat dideteksi dengan sel fotolistrik
- penelitian kembali pada tahun 2008 dengan Verkruysse dan rekan-rekannyamenunjukkan bahwa rekaman video wajah subjek di bawah cahaya lingkungan berisi sinyal yang cukup kaya untuk mengukur HR
>>> Pada penelitian ini ROI (Region of Interest) dipilih secara manual. Dari piksel yang terkandung dalam ROI, sinyal mentah dihitung per frame sebagai nilai rata-rata dari masing-masing saluran warna RGB. Untuk menentukan kerapatan spektral daya sinyal yang selanjutnya diproses dengan Fourier transform (FFT)
- Pengembangan dengan digunakannya webcam dan rekaman dalam bentuk video
- Studi lebih lanjut dengan berbagai metode yang digunakan untuk meningkatkan akurasi pengukuran. didapatkan bahwa metode Laplacian eigenmap menunjukan hasil paling bagus untuk BSS (Blind source separation)
- HR dan detak jantung individu dapat diekstraksi dari sinyal yang diperkuat dengan cara menguraikan video pada frekuensi spatial lain.
- Pendekatan baru digunakan, Alih-alih mengandalkan perubahan warna, penelitian ini menunjukkan kemungkinan mengekstraksi sinyal plethysmographic dari gerakan periodik kepala subjek.
- Pengembangan metode FFT ke Discrete Cosine Transform (DCT).
- Studi tentang pemecahan solusi dari adanya nosie yang disebabkan bayangan atau refleksi specular.
- Pengembangan pada pemilihan ROI dan tracking untuk menghilangkan aspek pergerkaan yang tidak diinginkan.
- Pendekatan baru ditemukan dengan ditemukannya ***array of point*** titik di wajah subjek yang selanjutnya dapat dilacak untuk memperbarui ROI di dahi subjek.

### **D. Klasifikasi Algoritma**
Secara umum pendekatan rPPG yang sudah ada dapat diklasifikasi berdasarkan padasinyal yang dipakai (Warna atau Gerakan), lalu dijadikan sebuah kerangka algoritma.

#### **1. Signal Extration**
- ROI Detection
Dasar dari pengukuran rPPG yang dilakukan ini berbasis pada area wajah maka pendeteksian menjadi langkah awal dalam penentuan batasan area wajah untuk nantinya bisa didefinisikan lebih akurat
- ROI Definition
Pendefinisian ROI secara mudah bisa dilakukan hanya dengan menjadikan kotak area batasan wajah sebagai ROI, secara umum dilakukan dengan memasukan 60% lebar dalam box batasannya
- ROI Tracking
Tujuan tracking pada ROI adalah memastikan bahwa sinyal yang terkandung pada piksel yang didapat dari ROI adalah bagian dari area kulit yang sifatnya tidak terganggu pergerakan.
- Raw Signal Extraction
Sinyal mentah diekstraksidari video frame demi frame sesuai dengan posisi ROI. Untuk metode berbasis warna, ini menghasilkan seri Ii(t) untuk warna saluran i {R, G, B}. Nilai dihitung dengan rata-rata saluran warna masing-masing dari semua piksel yang terkandung dalam ROI dari frame pada waktu t.

#### **2. Signal Estimation**
- Filtering
Meskipun dengan adanya tracking pada ROI, sinyal yang kita dapat masih bisa mengandung noise yang terganung pada beberapa faktor. Dengan filtering ini diharap bisa memperbesar nilai rasio *signal to noise*, metode filtering yang dilakukan bisa apa saja disesuaikan dengan keinginan seperti penggunaan beberapa digital filter.
- Dimensionality Reduction
Pada estimasi ini digambarkan bahwa sinyal mentah mengandung sinyal plethysmographic satu dimensi yang sinyalnya bisa kita gambarkan dalam kombinasi linear

#### **3. Heart Rate Estimation**
- Frequency analysis
memperkirakan p(t) dari sinyal plethysmographic, frekuensi HR dapat diperkirakan menggunakan analisis frekuensi. Untuk tujuan ini, sinyal ini, yang memiliki periodisitas yang berbeda, diubah menjadi frekuensi domain menggunakan transformasi Fourier diskrit.
- Peak detection
Dengan memanfaatkan puncak sinyal yang bersifat individu kita mengekstraksi lebih banyak informasi seperti variabilitas HR dari interval antar-denyut dimungkinkan. Untuk memperbaiki sinyal untuk deteksi puncak, sinyal biasanya diinterpolasi menggunakan fungsi spline kubik

### E. **Kesimpulan**
Pada Jurnal ini berisi banyak tentang *overview* beberapa studi literatur yang digunakan dalam pengembangan metode rPPG baik dari segi ekstrasi sinyal maupun pengolahannya. Jurnal ini juga membahas mengenai tumbuhnya fenomena penggunaan metode rPPG dan yang menjadi permaslahan pada jurnal ini adalah