LOG BOOK (BAGIAN 1)
===

Nama: I Gede Indrayana Yogaputra
NIM : 13218074
Topik : Continuous & Wearable AI

**BAGIAN 2 LOGBOOK: https://hackmd.io/-N4bWeEXQESuOG__Ff-X5Q**

## LOGBOOK MINGGU PERTAMA (30 Agustus 2021 - 3 September 2021)

| Hari, Tanggal | Aktivitas | Deskripsi | Kendala | Rencana |
| ----------------------- |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| Senin, 30 Agustus 2021 | (1) Pertemuan kelompok membahas tugas minggu ini <br /><br />(2) Mempelajari instalasi AI Framework (Tensorflow) | (1) Dalam pertemuan kelompok, dibahas mengenai tools. Untuk Python dan Arduino sudah diinstall anggota, dan untuk AI Framework telah disepakati bahwa framework yang dipelajari pertama adalah Tensorflow. Tensorflow dapat dijalankan via web (GoogleColab) ataupun via PC (Anaconda). Video tutorial Tensorflow yang dipelajari dapat diakses via https://www.youtube.com/watch?v=tPYj3fFJGjk;<br /><br /> (2) Instalasi AI Framework dipelajari via https://www.youtube.com/watch?v=s4Lcf9du9L8 | - | (1) Membaca paper referensi <br /><br /> (2) Mengikuti video/kursus tutorial machine learning |
| Selasa, 31 Agustus 2021 | (1) Mempelajari bab 1 - 3 paper ["Heart Rate Estimation From Wrist-Worn Photoplethysmography: A Review"](https://drive.google.com/file/d/1oBzsxVZJ_dBH5SaMh7WnP4r_hCgSs-qw/view?usp=sharing) <br /><br /> (2) Menyelesaikan bagian pertama dari Week 1 Machine Learning Coursera <br /><br /> | (1) Telah dipahami konsep dari PPG; PPG mengukur ritme jantung berdasarkan volume darah yang melalui arteri, yang diukur dengan memantulkan sinar ke kulit dan mengukur intensitas sinar yang dipantulkan. Telah dipelajari pula kelemahan dan kelebihan dari tipe-tipe sinar yang digunakan, seperti LED merah yang memiliki penetrasi lebih dalam ke kulit dan sinar hijau yang lebih tahan noise. Selain itu, sudah dipelajari perbedaan transmissive dan reflective PPG, serta tahapan PPG (termasuk pentingnya tahap MA removal). Rangkuman dapat diakses melalui https://docs.google.com/document/d/1otcCeanCQep1B2ZkwOcATS63aXEauSKNl0tu5qly2rs/edit?usp=sharing. <br /> <br /> (2) Telah diikuti kursus Coursera bagian 1 minggu 1 yang membahas mengenai supervised dan unsupervised learning. Progress rangkuman dari kursus dapat diakses melalui https://docs.google.com/document/d/1Rq0_VhaqRjjH4rnbxApayIhLnAo0GruSpj2jfPs3tak/edit. | Beberapa halaman dari paper mengandung istilah yang belum dipahami, sehingga perlu dipelajari secara terpisah | Melanjutkan pembacaan paper referensi mengenai wearable AI, utamanya di bab 3 dan seterusnya. <br /><br /> |
| Rabu, 1 September 2021 | (1) Pertemuan offline pertama dari kelompok, membahas paper referensi "Heart Rate Estimation From Wrist-Worn Photoplethysmography: A Review"; <br /> <br />(2) Mempelajari paper ["Portable Heart Rate Detector Based on Photoplethysmography with Android Programmable Devices for Ubiquitous Health Monitoring System"](https://drive.google.com/file/d/11E6nkoTLeAIk7pTV-Zcdg1PmMagnQ08d/view?usp=sharing) karya Chi Lao dan tim; <br /> <br />(3) Mempelajari paper "[A review on wearable photoplethysmography sensors and their potential future applications in health care](https://drive.google.com/file/d/1dUYoNkTzUy--5LdDZ2OCmr8nUDwEdSSU/view?usp=sharing)" karya Denisse Castaneda dan tim. | (1) Pada pertemuan pertama yang berlangsung kurang lebih 2 jam, tidak banyak yang dibahas kelompok; hanya dibahas mengenai highlight yang ditemukan oleh masing-masing anggota, serta didiskusikan beberapa perbedaan perspektif antar anggota (misal, perbedaan karakteristik LED merah dan hijau). <br /><br />(2) Pada paper karya Chi Lao dan tim, ditemukan beberapa poin penting khususnya dalam konteks rangkaian serta diagram blok sistem. Paper ini menyajikan step-by-step consideration dan design dalam sistem photoplethysmography yang dipasang di jari dengan interface di Android OS. Kreator paper mengubah sinyal PPG menjadi sinyal elektrik, mengolah sinyal analog tersebut menjadi sinyal digital, lalu mentransimisikan data via RF module ke Android. Dibahas pula rangkaian penghasil electric pulse dan detail pengolahan sinyal yang dilakukan, seperti signal conditioning dengan FilterDxN (high pass) dan moving average filter, serta peak detection process. Rangkuman selengkapnya dapat diakses pada https://docs.google.com/document/d/1zEUlghSVk8SU5r1ptswdeXV1xf2wBrcQXl3DukHP2tI/edit?usp=sharing. <br /> <br />(3) Pada paper karya Castaneda dan tim, diperoleh informasi mengenai karakteristik jenis peletakan PPG system. Misal, penempatan device di telinga merupakan penempatan yang sangat efektif karena tidak adanya cartilage, mengandung large blood supplies, serta relatif tidak terpengaruh MA (motion artifacts). Penempatan pada dahi juga dianggap lebih efektif, karena lapisan kulit dahi yang relatif tipis serta banyaknya pembuluh darah. Paper juga menyebutkan beberapa past experiences dan referensi untuk mendalami berbagai tipe penempatan device. Paper ini juga membahas contoh pemanfaatan PPG signal, seperti manfaat second derivative PPG signal (APG) dalam mendeteksi arterial stiffness dan manfaat PPG dalam mengestimasi respiration rate. Rangkuman lengkap dapat diakses pada https://docs.google.com/document/d/1q4dk9mrAzJRtP2nLmuFvwKd1MdujhZti-dAdHGxDpQI/edit?usp=sharing| - | (1) Melakukan instalasi TensorFlow <br /><br /> (2) Menyelesaikan kursus Machine Learning Coursera minggu pertama. |
| Kamis, 2 September 2021 | (1) Melakukan instalasi TensorFlow (GPU version) di Anaconda, CUDA, dan CuDNN <br /> <br /> (2) Menyelesaikan Tutorial Machine Learning Week 1 di Coursera <br /> <br /> (3) Membaca paper "[A Review of Deep Learning-Based Contactless Heart Rate Measurement Methods"](https://drive.google.com/file/d/1p3K7d5pXjvN56zCZ46fa1YM6Sd6ta8oH/view?usp=sharing) oleh Ni Aoxin dan tim. | (1) Instalasi telah dilakukan dengan mengikuti tutorial yang tercantum di akun HackMD Wearable AI, dengan penyesuaian berupa tambahan instalasi CuDNN dan CUDA di NVIDIA. Ketika Jupyter Notebook dibuka, menu import tensorflow as tf telah berhasil dieksekusi. Rangkuman instalasi dapat diakses pada https://docs.google.com/document/d/1iCWwgJ_GWFEdgc7rfpaNg5wbyjqfjI8-WdYhI7PDkd0/edit?usp=sharing. <br /> <br /> (2) Kursus Week 1 dengan tema Linear Regression telah selesai; progress dari kursus berupa rangkuman materi dan hasil kuis dapat diakses via https://docs.google.com/document/d/1Rq0_VhaqRjjH4rnbxApayIhLnAo0GruSpj2jfPs3tak/edit. <br /> <br /> (3) Paper karya Ni Aoxin dan tim membahas mengenai komparasi algoritma deep learning yang digunakan dalam contactless PPG. Paper pertama-tama membahas mengenai dua tipe penggunaan deep learning yakni kombinasi (perpaduan deep learning dengan metode konvensional) serta end-to-end deep learning PPG. Untuk tipe kombinasi, dijelaskan penggunaan beberapa metode seperti EVM-CNN dalam proses estimasi sinyal, serta penggunaan SPAD (single-photo avalanche diode) dalam mendeteksi image di pencahayaan yang gelap untuk proses ekstraksi sinyal. Sementara, untuk tipe end-to-end, dijelaskan beberapa metode seperti deep neural network DeepPhys, yang menjalankan seluruh proses pengolahan dari raw image hingga heart rate estimation. Diperkenalkan pula dataset PPG-DaLIA yang mengatasi permasalahan dataset PPG konvensional. Terakhir, paper membandingkan algoritma deep learning STVEN-rPPGNet, IPPG-3D-CNN, PhysNet, serta MetaRPPG dalam mengolah sinyal hasil preprocessing menjadi estimasi detak jantung. Ditemukan bahwa PhysNet merupakan algoritma dengan akurasi tertinggi, dan 3D-CNN merupakan algoritma paling cepat. Rangkuman selengkapnya dapat diakses pada https://docs.google.com/document/d/1rC9zwgOfriaSp99XSC1o8Hjs37y0k9ElVn9-Ax6Vqos/edit?usp=sharing. | Setelah pengecekan instalasi GPU, TensorFlow GPU (versi 2.6) tidak kompatibel terhadap kombinasi CUDA 11.0, CuDNN 8.0.4, dan Graphic Driver NVIDIA GeForce 920M (CUDA Architecture 3.5). Sehingga, TensorFlow saat ini hanya bisa menggunakan CPU version. | Mengakses referensi ketiga, yakni Rouast, Philipp V., et al. “Remote heart rate measurement using low-cost RGB face video: a technical literature review.” Frontiers of Computer Science 12.5 (2018): 858-872. |
|Jumat, 3 September 2021 | Membaca paper ["Remote heart rate measurement using low-cost RGB face video:a technical literature review"](https://drive.google.com/file/d/1I16D0kSwDyDh6LcB7W1kZ-kRIUFNOXUL/view?usp=sharing) karya Phillip Rouast dan tim. | Paper ini merupakan hasil studi literatur yang merangkum riset mengenai rPPG beberapa tahun terakhir, khususnya rPPG yang menggunakan low-cost RGB camera (bukan menggunakan teknologi kamera khusus). <br /> <br /> Ditinjau dari subjek yang menjadi basis estimasi heart-rate, terdapat dua jenis HRM (heart rate measurement) via rPPG: (1) HRM berbasis sifat periodik warna kulit, dan (2) HRM berbasis pergerakan kepala yang periodik. Pada nomor (1), cahaya yang dipantulkan oleh kulit muka dan tertangkap oleh kamera akan bervariasi sesuai perubahan volume darah di jaringan wajah (yang notabene mengikuti periode pompa jantung); hal ini menyebabkan perubahan warna kulit secara periodik. Sementara, pada nomor (2), pergerakan kepala secara periodik dipicu oleh reaksi searah dan berlawanan dari mengalirnya darah pada pembuluh aorta menuju kepala. Algoritma dari rPPG dapat dibagi berdasarkan tahap-tahap rPPG, meliputi : <br /> <br /> A. Signal extraction: <br /> (1) ROI Detection. ROI detection algorithm yang umum digunakan adalah Viola & Jones, sebuah model machine learning yang dapat mendeteksi ROI wajah dan menyimpannya dalam sebuah box (atau disebut bounding box). <br /> (2) ROI Definition. Dari bounding box di atas, bounding box dapat langsung dijadikan ROI ataupun hanya diteruskan beberapa fixed subsetnya; dua subset yang sering dipakai adalah pipi dan dahi. <br /> (3) ROI Tracking. Tracking digunakan untuk memastikan bahwa bounding box tetap konsisten menayangkan wajah subjek, walaupun subjek sedang bergerak. Tracking dapat dilakukan secara konvensional (mencari ROI dari setiap frame dan melakukan update ROI), ataupun menggunakan the-good-features-to-track algorithm seperti Kanade-Lucas-Tomasi (KLT) feature tracker. <br /> (4) Raw signal extraction. Untuk sinyal warna, informasi sinyal yang diekstrak adalah hasil rerata color channel semua pixel di ROI. <br /> <br /> B. Signal estimation: <br /> (1) Filtering. Umumnya digunakan band pass filter dengan range bandpass 0.7 - 4Hz, dengan metode lain/tambahan berupa moving average filter (low pass, menghilangkan high frequency), dan detrending method (high pass, menghilangkan low frequency) <br /> (2) Dimensionality Reduction, dapat menggunakan ICA, PCA, SVR algorithm dan lainnya. <br /> <br /> C. Heart Rate Estimation: <br /> (1) Frequency analysis. Digunakan FFT untuk mengubah sinyal domain waktu menjadi domain frekuensi. <br /> (2) Peak Detection (deteksi puncak sinyal), misalnya dapat menggunakan tool moving window. <br /> <br /> Rangkuman selengkapnya mengenai paper ini dapat diakses pada https://docs.google.com/document/d/1tUYQlFgvihcCBDHtM3RTYcr_1qwwyYe2QpMJv6vUe3g/edit?usp=sharing.<br /> <br /> Laporan keseluruhan dari tugas minggu pertama dapat diakses pada https://docs.google.com/document/d/1YILckIjDaMzTScY5sJK9CWMOE7A8ju3b-Oeu5f8H-Gs/edit?usp=sharing. | - | Menyelesaikan rangkuman dan presentasi mengenai tutorial dan paper referensi. |

## LOGBOOK MINGGU KEDUA (6 September 2021 - 10 September 2021)

| Hari, Tanggal | Aktivitas | Deskripsi | Kendala | Rencana |
| ----------------------- |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| Senin, 6 September 2021 | Presentasi progress minggu 1 | Dalam pertemuan progress, disajikan rangkuman mengenai kelima paper yang telah dibaca di minggu sebelumnya. Beberapa poin yang menjadi highlight dalam presentasi tersebut di antaranya: <br /><br /> (1) Tipe tipe peletakan sensor PPG berikut kelebihannya; <br /> (2) Kontekstualisasi algoritma rPPG, seperti Viola Jones algorithm dan KLT tracking; <br />(3) Contoh perancangan sistem heart rate monitoring yang contact-based.<br /><br />Slide presentasi dapat diakses pada: https://docs.google.com/presentation/d/17rQlZSbcLjdhxe0VSk40IXuDzubT3CkV/edit?usp=sharing&ouid=103642532098511324824&rtpof=true&sd=true | - | Mengikuti WFO pertama dan membaca referensi |
| Selasa, 7 September 2021 | (1) Mencoba alat wearable heart rate monitoring MAXREFDES103 <br /> <br /> (2) Mencari algoritma MAXREFDES103 | (1) Dalam bimbingan, telah didiskusikan perbedaan tugas antara MBKM dan tugas akhir, serta didiskusikan beberapa masalah terkait spesifikasi produk. <br /> <br /> (2) MAXREFDES103 dapat menyala dan dilihat hasilnya menggunakan Maxim Studio. Dua fitur utama yang disajikan MAXREFDES103 adalah deteksi detak jantung dan SpO2; deteksi detak jantung berjalan dengan confidence rate sebesar >95%, namun deteksi Spo2 berjalan dengan confidence rate di bawah 60% (hasil SpO2 terkadang menunjukkan hasil <85%, yang pada kehidupan nyata seharusnya sudah diikuti dengan sesak nafas).<br /> <br /> (3) Algoritma sudah didapatkan, namun belum ditemukan sumber yang menjelaskan masing-masing algoritma berikut fungsinya. | - | (1) Mencoba penggunaan MAXREFDES103 dengan devais Android <br /> <br /> (2) Melanjutkan studi mengenai algoritma MAXREFDES103. |
|Rabu, 8 September 2021| Mempelajari kondisi dari penyakit kardiovaskular di dunia dan Indonesia | Pembelajaran kondisi yang dimaksud terkait dengan sejauh apa fitur yang akan dibuat, seperti urgensi pembacaan HRV (heart rate variability) dalam alat wearable, tipe arrythmia (tachycardia, bradycardia) serta jenis penyakit yang dapat diawali oleh arrhythmia. | - | Melanjutkan tugas MBKM untuk minggu kedua |
|Kamis, 9 September 2021 | (1) Mencoba MAXRESDEF103 watch dengan user interface di devais Android; <br /> <br /> (2) Membaca dan merangkum paper [Deep PPG: Large-Scale Heart Rate Estimation with Convolutional Neural Networks](https://drive.google.com/file/d/1O9OONoj8pTY0RUrMfsewJcdZKTj_DxOW/view?usp=sharing) | (1) Program pembacaan heart rate di Android berjalan dengan lancar dan akurat; terlihat perubahan heart rate ketika subjek resting menuju subjek berjalan dan berlari. Program dapat pula mendeteksi jumlah steps yang dilakukan oleh subjek (sesuai dengan jumlah steps yang dilakukan), serta mendeteksi SpO2 dengan akurasi rendah. <br /> <br /> (2) Progress ringkasan dari paper dapat diakses pada https://docs.google.com/document/d/1RlXkt0mHBl2eKWPxE57STPVT52PfStfsXokCzq-WBCs/edit?usp=sharing. | - | (1) Melanjutkan rangkuman paper mengenai Deep PPG <br /> <br /> (2) Membaca referensi mengenai wearable heart rate monitoring device|
|Jumat, 10 September 2021 | Riset mengenai beberapa dataset PPG yang dapat digunakan. | Beberapa dataset yang ditemukan di antaranya adalah IEEE Test, IEEE Train, PPG DaLiA, PPG Motion, PPG Bruce, dan WESAD. Dataset IEEE Test dan IEEE Train merupakan dataset yang bersumber dari paper TROIKA, yang diukur untuk subjek yang berlari di treadmill dan melakukan gerakan intensif. Untuk dataset PPG Motion, subjeknya adalah 8 orang berusia 22 - 32 tahun dengan aktivitas berjalan, berlari, easy dan hard biking dengan durasi 3 - 10 menit per aktivitas. Untuk PPG Bruce, subjek yang digunakan adalah 24 orang dengan 5 jenis aktivitas dan 3 jenis sensor (PPG, accelerometer, gyroscope). Terakhir, WESAD adalah dataset dengan durasi terpanjang yakni 100 menit dan subjek sebanyak 15 orang yang melakukan aktivitas sedentary.| - | Melanjutkan rangkuman PPG DaLiA dan membuat presentasi progress report|

## LOGBOOK MINGGU KETIGA ( 13 September 2021 - 17 September 2021)

| Hari, Tanggal | Aktivitas | Deskripsi | Kendala | Rencana |
| ----------------------- |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
|Senin, 13 September 2021 | (1) Mengekstrak dan membaca dataset PPG DaLiA sesuai dengan panduan pada dokumen ReadMe. <br /><br /> (2) Melanjutkan rangkuman paper PPG DaLiA [Deep PPG: Large-Scale Heart Rate Estimation with Convolutional Neural Networks](https://drive.google.com/file/d/1O9OONoj8pTY0RUrMfsewJcdZKTj_DxOW/view?usp=sharing) | (1) Dataset PPG DaLiA terdiri atas dokumen .csv berisi data subjek dan label aktivitas, file zip berisi sinyal sensor Empatica E4 (PPG, accelerometer, suhu, electrodermal, dan sinyal heart rate), file .h5 berisi sinyal RespiBan (ECG, respirasi, accelerometer), serta sinyal .pkl berisi data mentah yang sudah disinkronisasi. <br /><br /> (2) Rangkuman dari paper dapat dilihat pada https://docs.google.com/document/d/1RlXkt0mHBl2eKWPxE57STPVT52PfStfsXokCzq-WBCs/edit | - | Membaca kembali penggunaan algoritma CNN dan dataset alternatif (contoh: WESAD)|
|Selasa, 14 September 2021| (1) Progress report kelompok untuk minggu 2 <br /><br /> (2) Membaca paper [In-Ear Pulse Rate Measurement: A Valid Alternative to Heart Rate Derived from Electrocardiography?](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6749408/) | (1) Progress report dapat diakses pada https://docs.google.com/presentation/d/1KnQtpO7Y1YRF5Rz5s8FSLowCtVq5nhR8/edit?usp=drive_web&ouid=103642532098511324824&rtpof=true <br /><br /> (2) Paper di atas membahas perbandingan antara dua alat heart rate tracking yang dipasang di telinga yakni Dash Pro dan Cosinuss One. Diuji dengan BodyGuard2 (ECG), keduanya menunjukkan performa yang cukup baik dengan MAE 1.5 untuk Cosinuss One dan MAE 2 untuk Dash Pro. Algoritma kedua alat tidak dibandingkan dalam paper. | - | Riset dataset WESAD dan ear-worn sensors |
|Rabu, 15 September 2021 | Membaca paper "[Introducing WESAD, a Multimodal Dataset for Wearable Stress and Affect Detection](https://drive.google.com/file/d/1rHmrCopVG9WoyjTTSwBnXpBqQOK7zgF_/view?usp=sharing)" | Dataset ini adalah dataset yang mendahului PPG DaLiA, dengan jumlah subjek sebanyak 15 subjek berumur 20 - 30 tahun. Dataset ini dibuat dengan aktivitas yang mayoritasnya bersifat sedentary (inaktif). Fokus dari dataset adalah untuk mendeteksi stres, sehingga sesungguhnya sinyal detak jantung tidak digunakan. Ditin jau dari jumlah sampel dan variabilitas aktivitas, PPG DaLiA lebih cocok digunakan dibandingkan WESAD. | - | Melakukan bimbingan tugas akhir kedua|
|Kamis, 16 September 2021 | (1) Mencoba program dari Perangkat Diagnosis Respirasi Portable Covid-19 yang telah dibuat oleh Xirka <br /><br /> (2) Membaca paper "[An Ear-Worn Vital Signs Monitor](https://drive.google.com/file/d/1uuCcFXWLvbukmsZmteFN8n9K8OLVMkdV/view?usp=sharing)" karya David Da He dkk. | (1) Dijelaskan mengenai komponen penyusun alat respirasi portable dan cara pengoperasiannya melalui Arduino IDE. Alat respirasi ini dapat mencetak raw PPG data dan rate SpO2, namun memiliki algoritma deteksi motion artifact yang terbatas. Hasil dari pembacaan telah nampak pada serial monitor Arduino IDE. <br /><br /> (2) Paper ini membandingkan tiga metode pengukuran detak jantung yaitu BCG, PPG, dan ECG. Parameter yang diukur di antaranya adalah pre-ejection period (PEP), heart rate, stroke volume (SV), cardiac output (CO), partial thromboplastin time (PTT). Sayangnya, tidak banyak insight yang dapat diambil dari paper ini, karena tidak banyak membahas mengenai karakteristik penempatan sensor di telinga (justru lebih banyak membahas mengenai BCG). | - | Melanjutkan pembacaan paper referensi |
| Jumat, 17 September 2021 | (1) Analisis pasar: membandingkan beberapa devais yang ada di pasar untuk melihat fitur yang ada dan kompetitivitas pasar. <br /><br /> (2) Membaca paper "[Resting heart rate: A modifiable prognostic indicator of cardiovascular risk and outcomes?](https://drive.google.com/file/d/1jo1GvF0khDSWD1qYLHAU362M9_JIg12X/view?usp=sharing)" karya J Arnold dkk.| (1) Beberapa devais yang dibandingkan antara lain chest-worn devices (Magene, Cycplus, Garmin), wrist-worn devices (Willful, Fitbit Versa 2, Mio Fuse), dan ear-worn (Amazfit, SoundSport). Insight yang didapat di antaranya adalah seluruh alat tidak mengklaim diri sebagai medical devices, seluruh wrist-worn devices memiliki fitur tambahan selain heart rate tracking, serta umumnya penggunaan Bluetooth dan ANT+ sebagai komponen konektivitas devais. <br /><br /> (2) Paper ini adalah salah satu bahan pelengkap latar belakang untuk membuktikan keterkaitan penyakit kardiovaskular dan kenaikan detak jantung. Misalnya, detak jantung yang tinggi dapat menyebabkan plaque rupture ataupun menurunkan arterial elasticity. | - | Membuat progress report |

## LOGBOOK MINGGU KEEMPAT ( 20 September 2021 - 24 September 2021)

| Hari, Tanggal | Aktivitas | Deskripsi | Kendala | Rencana |
| ----------------------- |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
|Senin, 20 September 2021 | (1) Membuat progress report dan merangkum informasi yang telah didapat seminggu terakhir <br /><br /> (2) Membaca paper "[Evaluation of Earbud and Wristwatch Heart Rate Monitors during Aerobic and Resistance Training](https://drive.google.com/file/d/1Lo6u3D5_s1UznalbXyH1wjG3mmrQ-o7A/view?usp=sharing)" oleh Jennifer Bun dkk. | (1) Progress report dapat diakses pada https://docs.google.com/presentation/d/1BorVsX2kwkq2G2dyMWR9SLaaQXS_t_m2/edit#slide=id.gf107345875_1_14 <br /><br /> (2) Paper ini adalah paper pertama yang ditemukan grup dan berhasil membandingkan akurasi antara ear-worn dan wrist-worn device secara eksplisit. Didapatkan bahwa MAPE ear worn adalah 3.14 +- 6.13% (korelasi 0.771 terhadap benchmark), sementara MAPE wrist worn adalah 5.73 +- 10.19% dengan korelasi 0.919 terhadap benchmark. Kesimpulannya, ear-worn memiliki akurasi yang lebih baik, sesuai hasil riset minggu=minggu sebelumnya.| - | Melakukan progress report dan membaca paper tugas akhir mengenai heart rate dan fall detection |
| Selasa, 21 September 2021 | (1) Mempresentasikan progress report <br /><br /> | (1) Progress report pada https://docs.google.com/presentation/d/1BorVsX2kwkq2G2dyMWR9SLaaQXS_t_m2/edit#slide=id.gf107345875_1_14 direvisi agar memuat finger-worn heart rate sensor, yang salah satunya bernama Oura Ring. <br /><br /> | -| Mulai riset algoritma untuk penghitungan heart rate, SpO2, dan motion artifact yang sifatnya Non-AI|
|Rabu, 22 September 2021 | (1) Membaca paper "[IoT-Based Fall Detection and Heart Rate Monitoring System for Elderly Care](https://drive.google.com/file/d/1whyZ9YOI6N96InXnrUzwGzHE7xcugRMl/view?usp=sharing)" karya Tirza Fidela dkk. | (2) Paper ini merupakan dokumentasi tugas akhir STEI ITB tahun 2018 atas nama Tirza Fidela, yang dibimbing oleh Pak Subekti dan Pak Bandung. Sistem dalam paper ini disusun untuk mendeteksi gerak jatuh dan detak jantung orang tua via wrist-worn device yang terhubung dengan database cloud dan Android phone. Komponen yang digunakan antaranya adalah MAX30100 (sensor), MPU6050 (accelerometer), dan NodeMCU. | - |Melanjutkan diskusi produk dan riset algoritma |
|Kamis, 23 September 2021 | Mencari referensi mengenai algoritma pengolahan detak jantung |Dibaca referensi berikut dalam mencari beberapa *state-of-the-art algorithm*: <br /><br /> (1) <br /><br /> | - | Melanjutkan riset mengenai algoritma pengolahan PPG signal dan MA |
| Jumat, 24 September 2021 | Melakukan riset algoritma penghilangan MA | Dibaca referensi berikut dalam mencari beberapa *state-of-the-art algorithm*: <br /><br /> (1) [An implementation of motion artifacts elimination for PPG signal processing based on recursive least squares adaptive filter](https://scholar.nycu.edu.tw/en/publications/an-implementation-of-motion-artifacts-elimination-for-ppg-signal-)<br /><br /> (2) [A Comprehensive Study of Activity Recognition Using Accelerometers](https://www.mdpi.com/2227-9709/5/2/27)<br /><br /> | Ketika kode dicari di Github, tidak banyak algoritma MA removal/activity detection yang dimuat dalam paper referensi, sehingga belum bisa dilakukan *hands-on algorithm testing*. | Mencari kembali algoritma yang termuat secara *open source*.|

## LOGBOOK MINGGU KELIMA ( 28 September 2021 - 1 Oktober 2021)

| Hari, Tanggal | Aktivitas | Deskripsi | Kendala | Rencana |
| ----------------------- |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
|Senin, 28 September 2021 | Mencoba dasar penghilangan artefak gerakan dari project Udemy berikut: https://github.com/ElliotY-ML/Heart_Rate_Estimation_PPG_Acc | (1) Berhasil diimplementasikan. Program sederhana dan mudah dimengerti, namun hanya bisa mendeteksi pergerakan periodik (misal ayunan tangan). Algoritma menggunakan *frequency-domain analysis* dari sinyal akselerator dan PPG. Menggunakan dataset TROIKA. | - | Membuat dan melakukan presentasi progress |
| Selasa, 29 September 2021 | (1) Menganalisis akses algoritma *motion artifact* untuk MAXRESDEF103 <br /><br /> (2) Melakukan progress report | (1) Ditemukan bahwa algoritma tidak disediakan secara terbuka dalam *user guide*, melainkan berada di dalam MAX32664 *sensor hub*. <br /><br /> (2) Progress report dapat diakses pada https://docs.google.com/presentation/d/17pmfTIxAuOWKiRJc5DUPfA1s467-j-KL/edit#slide=id.p1 | -| Melakukan riset algoritma penghilangan MA kembali |
|Rabu, 30 September 2021 | Mempelajari perbedaan antara accelerometer dan gyroscope dalam motion artifact removal via ["Motion Artifact Cancellation in Wearable Photoplethysmography Using Gyroscope"](https://ieeexplore.ieee.org/document/8529266) | Disimpulkan bahwa gyroscope dinilai lebih baik untuk pergerakan utamanya walking dan running.| - | Mempelajari hands on heart rate estimation algorithm |
|Kamis, 31 September 2021| Mencoba heart rate estimation berbasis frequency-based analysis (FFT) | Algoritma sederhana berbasis SciPy FFT dan Peak Detection disusun dalam Jupyter Notebook. Dengan window sepanjang 8 sekon, telah ditemukan heart rate dengan peak frequency yang mirip dengan heart rate referensi (sekitar 60 Hz). Dataset yang digunakan adalah PPG DaLiA. | Peak detection dapat membaca seluruh puncak lokal, tetapi tidak bisa mencari puncak maksimum/puncak ke-sekian dari data. | Membandingkan algoritma MA removal dari 0, apabila bisa mendapatkan flowchart juga. |
|Jumat, 1 Oktober 2021 | (1) Membaca ["Motion Artifact Removal Techniques for Wearable EEG and PPG Sensor Systems"](https://drive.google.com/file/d/1TKx4tsWR8GJznhYtqdFzuW4kqKhUjzEb/view?usp=sharing) <br /><br /> (2) Membaca ["Heart rate tracking in photoplethysmography signals affected by motion artifacts: a review"](https://drive.google.com/file/d/1e-V50gR1XOSJzPOPB_OAfNOIeDpSzo7f/view?usp=sharing) | (1) PPG Signal adalah hasil dari N ambien + N mekanik + N electrical + N vascular + S vascular (Efek cahaya lingkungan, efek pergerakan sensor di kulit, efek noise dari sensor, efek dinamis vaskular, dan signal of interest). Motion artifact adalah gabungan dari N mekanik dan N vascular. <br /><br /> Apabila gerakan tubuh memiliki dampak yang minim terhadap pulse darah, maka PPG dan motion artifact dianggap independen. Terdapat paling tidak tiga kategori populer dari independence based compensation: ICA (Independent Component Analysis), ANC (Adaptive Noise Cancellation), dan FSA (Fourier series analysis). <br /><br /> Untuk dependence based analysis, ada pengolahan time domain (menggunakan dual-channel PPG signal dan pengurangan sinyal) dan frequency domain analysis (Menggunakan windowing dan peak tracking untuk menentukan sinyal detak jantung, serta pertimbangan hasil detak jantung sebelumnya). <br /><br /> (2) Beberapa metode yang dibahas dalam paper ini adalah MA removal dengan adaptive filtering (contoh: LMS filter), signal decomposition (contoh: Wavelet Transform (Fu et al, Rojano et al, Joseph et al, Raghuram et al, Lee at al), Empirical Mode Decomposition (EMD) (Zhang et al, Emroz et al, Tang et al), Singular Value Decomposition (SVD), PCA, ICA), dan metode lain (contoh: Wiener Filtering)|

## LOGBOOK MINGGU KEENAM ( 3 Oktober 2021 - 7 Oktober 2021)

| Hari, Tanggal | Aktivitas | Deskripsi | Kendala | Rencana |
| ----------------------- |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
|Senin, 4 Oktober 2021 | Memahami Wiener Filtering via YouTube dan paper ["Evaluation of Wavelets for Reduction of Motion Artifacts in Photoplethysmographic Signals"](https://ieeexplore.ieee.org/document/5605443) | Dipelajari konsep dasar dari Wiener Filtering dan beberapa propertinya, seperti tidak diperlukannya noise reference. Wiener Filtering terdiri dari beberapa jenis, seperti Daubechies, ortogonal, dll. | - | Membuat dan melakukan presentasi progress |
| Selasa, 5 Oktober 2021 | (1) Mencoba algoritma "MICROST: A mixed approach for heart rate monitoring during intensive physical exercise using wrist-type PPG Signals" <br /><br /> (2) Melakukan progress report | (1) Percobaan dengan dataset IEEE menghasilkan ABE 2.58 BPM <br /><br /> (2) Progress report dapat diakses pada https://docs.google.com/presentation/d/1cvAvXHTckE4xPyKo8hzEfTDx_dDUczYa/edit#slide=id.gf211362640_3_19 | - | Melakukan riset algoritma penghilangan MA lanjutan |
| Rabu, 6 Oktober 2021 | Mencoba algoritma Wiener Filtering via Github dari paper "Accurate Heart Rate Monitoring During Physical Exercises Using PPG" | Dengan dataset IEEE, dihasilkan AAE sebesar 1.90 bpm. Pemrosesan terdiri dari filtering, scaling, denoising using Wiener Filter, dan post processing.|-|Mencoba algoritma motion artifact removal lainnya|
|Kamis, 7 Oktober 2021| Mencoba algoritma Adaptive Tracking via Github dari paper "HeartBEAT: Heart beat estimation through adaptive tracking" | Dengan dataset IEEE didapat hasil AAE 2.19 bpm. Konsep yang digunakan adaptive filtering dan heuristics. | -| Mencoba algoritma denoising lainnya. |
| Jumat, 8 Oktober 2021 | Mencoba algoritma Wavelet Transform dari Github paper "MICROST: A mixed approach for heart rate monitoring during intensive physical exercise using wrist-type PPG Signals" | Dengan dataset IEEE dihasilkan AAE sebesar 2.58 bpm. Tahap dari algoritma adalah Wavelet estimation, Time domain peak finding, Acceleration classification, dan Heuristics peak tracking. | - | Mencoba algoritma denoising lainnya|

## LOGBOOK MINGGU KETUJUH ( 11 Oktober 2021 - 15 Oktober 2021)

| Hari, Tanggal | Aktivitas | Deskripsi | Kendala | Rencana |
| ----------------------- |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
|Senin, 11 Oktober 2021 | Mencoba algoritma Kalman Filtering via Github dari paper "A. Galli, C. Narduzzi and G. Giorgi, "Measuring Heart Rate During Physical Exercise by Subspace Decomposition and Kalman Smoothing" | Dengan dataset IEEE didapat nilai AAE 2.45 bpm. Tahap yang dilalui adalah SVD, Peak Detection via DFT, dan Kalman Filtering. | - | Menyusun Progress report|
|Selasa, 12 Oktober 2021 | 1) Progress report minggu keenam <br /><br /> 2) Mengubah format data hasil MAXREFDES103 menjadi format yang dapat diproses algoritma Wiener Filtering oleh Temko | 1) Progress report dapat diakses pada https://docs.google.com/presentation/d/1cvAvXHTckE4xPyKo8hzEfTDx_dDUczYa/edit#slide=id.gf211362640_3_110 <br /><br /> 2) Dalam algoritma Wiener Filtering dibutuhkan ground truth untuk menghitung error, sementara data dari MAXREFDES103 tidak memiliki groundtruth. Dilakukan manipulasi data dengan ground truth 0 agar tidak error, namun tidak dilakukan penghitungan error di algoritma. | - |Melanjutkan uji coba algoritma Wiener Filtering |
|Rabu, 13 Oktober 2021 | Uji coba algoritma Wiener Filtering (Temko) untuk data hasil MAXREFDES103 | Hasil data algoritma sangat jauh dari hasil data MAXREFDES103. Hasil data algoritma Temko cenderung konstan (tidak dapat mendeteksi trend) serta memiliki drop naik turun yang mendadak. | - | Melanjutkan uji coba algoritma Wiener Filtering dengan mungkin modifikasi kode|
| Kamis, 14 Oktober 2021 | Modifikasi algoritma Wiener Filtering dengan perubahan beberapa variabel, meliputi a) sampling rate (downsample/upsample dengan zero padding), b) resolusi Wiener Filter, c) resolusi FFT | Masih gagal. Tidak ada perubahan signifikan pada hasil pengolahan data MAXREFDES103.| - | Lanjut melakukan modifikasi algoritma Wiener Filtering|
| Jumat, 15 Oktober 2021 | 1) Melakukan modifikasi lanjutan pada frekuensi cut-off filter bandpass dan lebar window untuk FFT, <br /><br /> 2) Membandingkan akurasi data hasil MAXREFDES103 dan IEEE dataset untuk algoritma Wiener Filtering | 1) Perubahan frekuensi cut off mengubah hasil detak jantung secara drastis (naik/turun dari segi mayoritas nilai), namun trend dinamika detak jantung tidak terdeteksi. Lebar window FFT idealnya 1024 ke atas <br /><br /> 2) Untuk data hasil IEEE didapat error 3 bpm saja. Menunjukkan bahwa tipe dataset berpengaruh terhadap error algoritma. | - | Mencoba dataset lain untuk algoritma ini. ||

## LOGBOOK MINGGU KEDELAPAN ( 18 Oktober 2021 - 22 Oktober 2021)

| Hari, Tanggal | Aktivitas | Deskripsi | Kendala | Rencana |
| ----------------------- |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
|Senin, 18 Oktober 2021 | Riset sensor untuk pengembangan awal di board | Ditemukan sensor OSHRAM, MAX30100, dan MAX30102. MAX30102 merupakan sensor yang paling baik untuk diambil, karena merupakan keluaran paling baru dengan library yang tersedia luas. Sensor untuk heartbeat lain umumnya berukuran dalam skala milimeter, sehingga memang tidak bisa digunakan di board langsung. | - | Menyusun Progress report|
|Selasa, 19 Oktober 2021 | 1) Progress report <br /><br /> 2) Mengubah format dataset PPG DaLiA ke dalam format IEEE agar dapat diproses oleh algoritma Temko |Progress report dapat diakses pada https://docs.google.com/presentation/d/1l-y0qV6kG9fPua2h6PQGq5b1RKlJJvqn/. Proses perubahan dilakukan dengan menyesuaikan jumlah kolom, baris,dan sampling rate dataset PPG DaLiA. Pengujian menghasilkan BPM yang tidak terlalu baik. |- | Menganalisis algoritma Temko untuk menemukan letak kesalahan algoritma. |
|Rabu, 20 Oktober 2021 | Pengujian modifikasi algoritma Temko | Modifikasi dilakukan dengan 1) Upsampling dataset, 2) Downsampling dataset, 3) Modifikasi resolusi FFT untuk mencari respon frekuensi. Tidak didapatkan peningkatan akurasi yang notable. | - | Melanjutkan modifikasi algoritma|
|Kamis, 21 Oktober 2021| Modifikasi algoritma Temko lanjutan| Modifikasi dilakukan terhadap 1) 1) frekuensi limit atas dan bawah sebelum memasuki pemrosesan, 2) lebar window time pemrosesan. Tidak ditemukan perubahan akurasi yang notable. | -| Modifikasi algoritma Temko lanjutan|
|Jumat, 22 Oktober 2021| Pembuatan additional heuristics sebagai post processing | Algoritma dibuat dengan mencegah value heart beat yang diprediksi melebihi suatu persentase dari heart beat-heart beat sebelumnya. Hasil akurasi menemukan perbaikan di beberapa set, namun buruk di set lainnya. |-| Menguji coba algoritma untuk hasil data yang diperoleh langsung via sensor.|

**BAGIAN 2 LOG BOOK: https://hackmd.io/-N4bWeEXQESuOG__Ff-X5Q**
**BAGIAN 2 LOG BOOK: https://hackmd.io/-N4bWeEXQESuOG__Ff-X5Q**