# REVIEW JURNAL
Program MBKM Wearable AI
Nama: Isti Dina Suciasih
Kelompok: Arianne Zelda S, Cristian S
Topik: Contact vital sign monitoring device

| 1. | Judul | [Heart rate estimation from wrist-worn photoplethysmography A review](https://drive.google.com/file/d/18RD9pkq2D1AF6T08MRlGH2vutlNUfNnt/view?usp=sharing) |
| --- | ----------------- | ------------------------------------------------------------------------------ |
| | Penulis | Dwaipayan Biswas, Neide Simões-Capela, Chris Van Hoof, dan Nick Van Helleputte |
| | Nama Jurnal | IEEE SENSORS JOURNAL |
| | Volume & Tahun | VOL. 19, NO. 16, AUGUST 15, 2019 |

## Ringkasan

Pada jurnal ini membahas penelitian estimasi detak jantung dari sinyal PPG yang dikenakan di pergelangan tangan. PPG merupakan salah satu sensor alternatif yang fleksibel dan sudah banyak digunakan dalam perangkat komersial medis untuk saturasi oksigen, pemantauan tekanan darah dan pemantauan aktivitas jantung. PPG bekerja berdasarkan prinsip oksimetri nadi, di mana sensor memancarkan cahaya ke kulit dan mengukur intensitasnya kemudian cahaya tersebut dipantulkan kembali atau ditransmisikan melalui kulit. Sinyal PPG diperoleh dari pergelangan tangan yang rentan terhadap *motion artifacts* (MA) yang disebabkan oleh pergerakan modul sensor terhadap kulit. Pada jurnal ini lebih fokus pada algoritma pengembangan ritmik yang hanya menggunakan *wrist* PPG dan menggunakan database SPC (*Signal Processing Cup*).
Estimasi HR (*heart rate*) dari sinyal PPG diperoleh dari pergerakan yang dilakukan yaitu bisa berupa gerak aperiodik (misalnya memasak) dan gerak periodik (misalnya berlari). Metode yang digunakan pada penelitian ini adalah metode penghapusan MA (*Movement Artifact*) untuk mengekstraksi informasi penting dari jantung.
### Teknik Penghilangan MA dan Evaluasi Metrik
Estimasi HR dari sinyal PPG telah banyak diteliti menggunakan berbagai metode termasuk *adaptive filtering* [36]–[39], *independent component analysis* (ICA) [40], ICA domain frekuensi [41], *empirical mode decomposition* (EMD) [28], [42], denois- berbasis waveleting [43], atau model dekomposisi lainnya [27], [44], spesifikasi pengurangan tral [45], [46], dan *Kalman filtering* [47]. Metode ICA adalah metode yang populer digunakan yaitu metodologi pemisahan *blind source* antara sinyal PPG dan MA, namun metode ini tidak selalu benar dan bukan termasuk metode yang efektif [48]. Metode adaptive filtering merupakan metode yang cukup populer. Metode ini dapat memverifikasi gerakan yang relatif kecil dengan sensor yang diletakkan di ujung jari atau dahi dibandingkan dengan pergelangan tangan, di mana kinerjanya rendah selama latihan fisik [36], [39].
Evaluasi metrik dilakukan untuk menentukan HR yang tepat dari sinyal EKG yang direkam. *Absolute Error* (AE) digunakan untuk mengevaluasi akurasi masing-masing perkiraan HR. Metrik umum lainnya yang banyak digunakan adalah *Average Absolute Error* (AAE), *Standard Deviation of the Absolute Error* (SAE), dan *Average Relative Error* (ARE) [14].
### Evaluasi Algoritma pada Database SPC
Algoritma untuk menentukan estimasi HR dari PPG yang dikenakan di pergelangan tangan, umumnya terdiri dari empat langkah. Pertama, *pre-processing signal*, yang melibatkan *band-pass filtering*, *downsampling* dan/atau *normalizing* ke varians *zero mean-unit*. Kedua, penghilangan MA,menggunakan teknik yang dijelaskan pada bagian sebelumnya. Ketiga, estimasi HR dengan menganalisis komponen spektral dari *clean signal*. Keempat, tahap *post-processing stage* yang berbentuk pelacakan algoritma dan memastikan bahwa prediksi HR tidak berbeda lebih dari ambang batas.
### Penargetan Algoritma dengan *Low-Computational Complexity*
Pemrosesan dengan *low-computational* sudah menjadi terkenal dalam perkembangan terakhir dengan memperhatikan estimasi HR secara *real-time*. Metode yang digunakan adalah *Fast Fourier Transform* (FFT) dari sinyal PPG dan sinyal *tri-axial accelerometer*. Namun terdapat studi yang menjelaskan kekurangan data akselerometer untuk pengilangan MA. Akselerasi tidak dapat mewakili MA sesuai dengan gerakan/gerakan jari/pergerakan halus dan karenanya mungkin menunjukkan perilaku yang tidak berkorelasi dengan MA. Selain itu, frekuensi akselerometer yang dominan mungkin berlebihan dari putaran dengan frekuensi HR yang sebenarnya. Oleh karena itu, penulis menindaklanjutidengan studi baru [63] menggunakan giroskop. Namun, baik giroskop dan akselerometer tidak dapat melacak gerakan mikro yang melibatkan jari (mis. *tapping*) dan pergelangan tangan (misalnya membuka/menutup kepalan tangan). Oleh karena itu, baru-baru ini studi [64] mengusulkan menggunakan referensi gerak optik untuk penghilangan MA yang membantu mengurangi faktor bentuk perangkat dengan mengabaikan kebutuhan akan akselerometer. Kerangka kerja ini menggunakan *wavelet-transform* berbasis *motion removal step* yang diikuti dengan estimasi HR dan sinyal rekonstruksi. Dari algoritmanya menghasilkan AAE yang bernilai rendah saat diuji pada 21 gerakan dari 6 *healthy subject* namun masih perlu pengembangan untuk diuji pada fisik yang intens berkegiatan.
### *Learning Based Algorithm*
Baru-baru ini, sebuah framework deep-learning, CorNET [67] menggunakan *convolutional neural network* (CNN) dan *long-short term memory* (LSTM) dievaluasi pada database SPC untuk memprediksi HR dari sinyal PPG. Dari penelitian yang sudah dilakukan, dihasilkan data AAE yang rendah untuk 22 subjek SPC dan juga berhasil dievaluasi pada data kustom dari 2 subjek yang melakukan aktivitas sehari-hari. Meskipun menjanjikan, pengembangan awal ini masih membutuhkan eksplorasi komprehensif untuk operasi *real-time*.
### *Commercial Devices*
Saat ini pasar untuk *wearable health monitor* sedang berkembang. Terdapat studi [66] yang membandingkan enam *smart watch* dengan sensor PPG, yaitu Scosche Rhythm (SR), Mio Alpha (MA), Fitbit Charge HR (FH), Basis Peak (BP), Microsoft Band (MB), dan the TomTom Runner Cardio (TT). Korelasi rata-rata dari keenam perangkat dengan *polar chest strap* adalah sebesar 0.94. Semua perangkat ini disetel pada algoritma *post-processing* untuk mencapai nilai tertentu. Pada studi lain juga membandingan tingkat akurasi beberapa *wearable health monitor* melalui berbagai aktivitas (mis. bersepeda). Dari studi tersebut, tidak ada *commercial sensors* yang menyediakan akses ke data raw PPG. Sehingga diperlukan pengembangan database raw PPG yang belum diproses yang menggabungkan sinyal *wrist-worn* dengan berbagai variasi, untuk memfasilitasi penelitian di masa depan.
### Estimasi HRV
Pada *fixed average HR*, detak jantung antar individu mungkin tidak konstan, karena secara aktif dimodulasi oleh *Autonomic Nervous System*. Hal ini menimbulkan HR *variablity* yang ditandai dengan berbagai parameter domain waktu dan frekuensi. *Instantaneous Heart Rate* (IHR) merupakan ukuran penting dalam konteks ini, karena didasarkan pada interval waktu antara *R-peak* berturut-turut dalam ECG *trace*. HRV dapat dilihat sebagai *bio-marker* aktivitas otonom (infark miokard dan neuropati diabetik, dll), membawa kepentingan klinis yang signifikan [71]-[74]. Kelayakan penggunaan *pulse rate variability* (PRV) dapat diperkirakan dari sinyal PPG, sebagai alternatif HRV telah dieksplorasi dengan baik dalam literatur. Perbedaan utama antara nilai-nilai ini adalah waktu yang dibutuhkan oleh denyut nadi untuk melakukan perjalanan dari jantung ke lengan, yang disebut sebagai *pulse transit time* (PTT), bervariasi dengan postur dan tekanan darah. Studi yang dilakukan dalam kondisi stasioner menggunakan analisis *time-invariant* menunjukkan bahwa PRV adalah pengganti HRV yang baik [75].
### *Further Application of Wrist-PPG*
A. *Biometric Identification*
Biometrik seperti yang didefinisikan oleh *International Organization for
Standardization* (ISO) adalah "pengakuan otomatis individu berdasarkan karakteristik perilaku dan biologis mereka” dimana karakteristik biologis yang umum digunakan adalah sidik jari, iris, DNA, suara dan analisis gaya berjalan [76]. Identifikasi biometrik berbasis PPG menjadi topik penelitian yang populer, tetapi di antaranya telah menggunakan PPG *collected* dalam pengaturan klinis, sehingga membuat model ini tidak cocok untuk penggunaan rawat jalan [80].
Studi sebelumnya mengenai identifikasi berbasis PPG lebih befokus pada data *collected* dari jari dan dianalisis menggunakan spektrum frekuensi (Analisis Fourier), ekstrasi dan klasifikasi menggunakan *fuzzy logic* [79], [80] dan LDA [81], menghasilkan akurasi sebesar 90-95%. Dari hasil yang menjanjikan tersebut, dapat membuka jalan bagi penelitian di masa depan untuk mengembangkan sistem *hardware* berbasis keamanan, yang belum dieksplorasi dalam tingkat sistem.
B. Diagnosis Penyakit mengunakan *wrist-PPG*
Fibrilasi Atrium (AF), adalah penyakit jantung yang paling umum dalam praktik klinis yang mempengaruhi jutaan orang [84]–[86]. Hal ini menggarisbawahi perlunya suatu sistem pemantauan AF yang kontinu dan portabel, yang dapat mendiagnosis lebih awal. Meskipun EKG telah menjadi pilihan modalitas untuk deteksi AF, solusi alternatif berdasarkan sensor *smart-phone* telah muncul karena sifatnya yang ada di mana-mana [87]. Sensor ini menangkap data PPG dari ujung jari pasien dan secara akurat membedakan AF dari normal *sinus rhytm* (SR) dan denyut prematur, namun gagal mengambil data AF sementara. Sehingga perlu pengembangan lebih lanjut mengenai deteksi AF berbasis EKG.
### Kesimpulan
Dalam jurnal ini berisi beberapa review komprehensif pada sensor *wrist-worn* PPG, mencakup studi yang berkaitan dan potensi pengembangan penelitian di masa depan.
Potensi penelitian masa depan dapat berfokus pada–a) pengembangan basis data yang tersedia untuk umum, sebagai tambahan ke [17], [92], [63], menggabungkan variabilitas yang luas dari subjek sehat dan CVD; b) algoritma ringan yang dapat disematkan ke sensor yang dikenakan di pergelangan tangan dengan sumber daya terbatas; c) mengembangkan modul sensor siap pakai (COTS), memfasilitasi pengumpulan data raw PPG dengan keahlian pola dasar gambar; d) pedoman dan dokumentasi validasi klinis untuk parameter wrist-PPG; e) pengembangan sinyal baru indikator kualitas [93] yang pada dasarnya akan membantu penghitungan estimasi parameter vital; f) mengukur oksigen darah arteri saturasi (SpO2) pada pergelangan tangan (diukur secara normal dari jari).

| 2. | Judul | [A Review of Deep Learning-Based Contactless Heart Rate Measurement Methods](https://drive.google.com/file/d/1oB3moUMvvwu3NroRVdWdGDgvS-Qg3KcU/view?usp=sharing) |
| --- | ----------------- | ------------------------------------------------------------------------------ |
| | Penulis | Aoxin Ni, Arian Azarang, dan Nasser Kehtarnavaz |
| | Nama Jurnal | MDPI SENSORS JOURNAL |
| | No. & Tahun | Sensors 2021, 21, 3719. |
## Ringkasan
Pada jurnal ini membahas pengukuran detak jantung yang dilakukan secara *contactless* atau *remote* dengan memanfaatkan penggunaan kamera video dan algoritma *image processing*. *Photoplethysmography* (PPG) adalah metode pengukuran fisiologis yang digunakan untuk mendeteksi perubahan volumetrik dalam darah di pembuluh di bawah kulit [1]. Alat kesehatan berdasarkan PPG telah diperkenalkan untuk mengukur pengukuran fisiologis yang berbeda termasuk *heart rate* (HR), laju pernapasan, *heart rate variability* (HRV), oksihemoglobin saturasi, dan tekanan darah [2– 6]. Karena biaya rendah dan sifatnya non-invasif, PPG digunakan di banyak perangkat seperti oksimeter denyut jari, *sports bands*, dan *wearable sensor*. Meskipun metode PPG *contact-based* bersifat non-invasif, metode tersebut dapat membatasi kebutuhan kontak mereka dengan kulit. Metode *contact-based* bisa mengganggu dalam beberapa situasi, misalnya, untuk bayi yang baru lahir [28– 31]. Maka dapat mempertimbangkan untuk menggunakan metode *remote* PPG (rPPG), metode ini telah berkembang belakangan ini bertahun-tahun [32-36].
Metode *contactless* PPG biasanya menggunakan kamera video untuk menangkap gambar yang kemudian diproses oleh algoritma pengolahan citra [32-36]. Dalam metode rPPG, dioda pemancar cahaya dalam metode PPG *contact-based* diganti dengan pencahayaan sekitar, dan fotodetektor diganti dengan kamera video, seperti pada gambar di bawah ini.
Cahaya yang mencapai sensor kamera dapat dipisahkan menjadi komponen statis (DC) dan dinamis (AC). Komponen DC termasuk jaringan, tulang, dan darah statis, sedangkan komponen AC sesuai dengan variasi dalam penyerapan cahaya karena perubahan volume darah arteri.
Gambar di atas mengilustrasikan kerangka *image processing* dalam metode rPPG. Pada bagian *signal extraction*, *region of interest* (ROI) akan diekstraksi.
### Metode *contactless* PPG berbasis *Deep Learning*
Pada studi sebelumnya tentang metode HR *contactless* berbasis *deep learning* dapat dibagi menjadi dua kelompok, yaitu kombinasi dari metode konvensional dan deep learning; dan metode *end-to-end deep learning*.
1. Kombinasi dari metode konvensional dan deep learning
* Metode deep learning untuk estimasi sinyal
Qiu dkk. 2018 [77] mengembangkan metode yang disebut EVM-CNN. Aliran dari metode ini terdiri dari tiga modul: deteksi dan pelacakan wajah, ekstraksi fitur, dan estimasi HR. Ilustrasi dari metode EVM-CNN adalah sebagai berikut.

* Metode deep learning untuk ekstraksi sinyal
Paracchini dkk. 2020 [80] menerapkan rPPG berdasarkan single-photon avalanche diode (SPAD). Metode ini menggabungkan *deep learning* dan sinyal konvensional untuk mengekstrak dan memeriksa sinyal pulsa. Keuntungan utama menggunakan kamera SPAD adalah dapat bekerja di lingkungan gelap dibandingkan dengan CCD atau kamera CMOS. Ilustrasi dari metode rPPG berbasis SPAD adalah sebagai berikut.

3. Metode *end-to-end deep learning*
* VGG-Style CNN
VGG adalah model pengenalan objek yang dapat mendukung hingga 19 layers. Metode ini dikembangkan oleh Chen dan Mcduff untuk mengukur detak jantung dan pernapasan berbasis video menggunakan jaringan konvolusi dalam bernama DeepPhys. Deep PPG diusulkan untuk mengatasi kekurangan dari kumpulan data yang ada, yaitu ukuran dataset, jumlah aktivitas yang sedikit, dan pengambilan data di dalam laboratorium.
* CNN-LSTM Network
Long short-term memory (LSTM) adalah *recurrent neural network* (RNN) yang memungkinkan proses penanganan tidak hanya untuk satu titik data (seperti gambar), tetapi juga untuk seluruh urutan titik data (seperti ucapan atau video). Metode ini telah digunakan untuk berbagai tugas seperti pengenalan tulisan tangan, pengenalan ucapan, dan anomali deteksi dalam lalu lintas jaringan [86–88].
* 3D-CNN Network
3D convolutional neural network adalah jenis jaringan yang bekerja dalam 3 dimensi dan terbukti memiliki kinerja yang lebih baik dalam memberikan informasi spatiotemporal daripada 2D-CNN. Ada dua langkah untuk memperkirakan detak jantung dari urutan gambar wajah, yaitu extraxtor dan HR estimator. Ilustrasi dari 3D-CNN Network adalah sebagai berikut.

### Perbandingan Beberapa Model *Deep Learning*
* STVEN-rPPGNet
Metode *deep learning* ini menggunakan input berupa video *low-resolution* untuk mengestimasi HR. Tahap pertama melibatkan peningkatan kualitas video (disebut STVEN). Tahap kedua melibatkan pengukuran jaringan (disebut rPPGNet) yang outputnya memberikan nilai HR. Ilustrasi dari arsitektur STVEN-rPPGNet adalah sebagai berikut.

* IPPG-3D-CNN
Dalam metode ini dilakukan fase training pada data sintesis. Video streams pseudo-PPG dibentuk dengan waveform berulang yang dibuat oleh deret Fourier. Untuk mensintesis video streams, terdapat beberapa langkah: (1) menggunakan deret Fourier, untuk menghasilkan model bentuk gelombang yang dipasang ke bentuk gelombang rPPG, (2) Menggunakan hasil dari langkah (1) untuk menghasilkan sinyal dua detik, (3) sinyal diulang untuk membentuk video stream, dan (4) Menambahkan random noise ke setiap image dari video stream. Ilustrasi dari arsitektur IPPG-3D-CNN adalah sebagai berikut.

* PhysNet
Dalam metode ini digunakan RGB frame dari wajah untuk dipetakan ke domain rPPG secara langsung tanpa melalui tahapan pre dan post processing. Arsitektur dari metode ini menggunakan dua struktur berbeda untuk training:(1) arsitektur pertama memetakan frame wajah RGB ke dalam sinyal rPPG melalui beberapa lapisan convolution dan pooling, dan (2) arsitektur kedua menggunakan unit pemrosesan RNN. Ilustrasi dari arsitektuk PhysNet adalah sebagai berikut.

* Meta-rPPG
Metode ini menggunakan meta-learning untuk pengukuran detak jantung dari sinyal rPPG dengan melakukan fine-tune dari parameter jaringan untuk situasi yang tidak tercakup dalam set training. Prosesnya terdiri dari dua tahapan, yaitu: (1) mengekstrak facial frame dari video kemudan area wajah dicrop, dan (2) untuk setiap facial frame, sinyal PPG yang sudah dimodifikasi diambiloleh temporal offset kecil yang digunakan sebagai network target. Arsitektur dari metode ini terdiri atas tiga modul yaitu convolutional encoder, rPPG estimator, dan synthetic gradient generator. Ilustrasi dari arsitektur Meta-rPPG adalah sebagai berikut.
### Hasil dan Pembahasan
Dari keempat algoritma di atas yang digunakan untuk mengukur HR, ditemukan perbedaan kinerja dari masing-masing metode. Untuk mengukur kinerja dari setiap metode diperlukan *Mean Squared Error* (MSE) dan *Mean Absolute Error* (MAE)
Gambar di atas menunjukkan hasil pengukuran detak jantung dengan menggunakan empat metode dan satu referensi. Terlihat bahwa hasil metode Physnet yang paling mendekati referensi. Dari pengolahan data MSE dan MAE, metode PhysNet memiliki nilai MSE dan MAE yang lebih rendah dari metode lain. Kinerja metode PhysNet yang lebih baik dari metode lain dapat dikaitkan dengan arsitekturnya yang memungkinkan ekstraksi fitur efektif dari frame input. Namun jika dilihat dari waktu komputasi dari masing-masing metode, metode tercepat adalah 3D-CNN yang hanya membutuhkan waktu 0.74 detik untuk memprediksi HR dari 64 gambar.
### Kesimpulan
Dari keempat metode rPPG yang dibandingkan, metode PhysNet adalah metode yang paling akurat untuk mengukur HR karena memiliki nilai MSE dan MAE yang rendah dan hasil pengukuran BPMnya mendekati referensi. Namun jika dilihat dati waktu komputasinya, metode 3D-CNN adalah metode yang tercepat.

| 3. | Judul | [Remote heart rate measurement using low-cost RGB face video: a technical literature review](https://drive.google.com/file/d/1I16D0kSwDyDh6LcB7W1kZ-kRIUFNOXUL/view) |
| --- | ----------------- | ------------------------------------------------------------------------------ |
| | Penulis | Philipp V. Rouast, Raymond Chiong, Marc T. P. Adam, David Cornforth |
| | Nama Jurnal |Frontiers of Computer Science (electronic) |
| | No. & Tahun | Front. Comput. Sci., 2018, 12(5): 858–872 |

## Ringkasan
Pada jurnal ini dibahas metode rPPG menggunakan *low-cost* RGB. Aplikasi klasik *Heart Rate Monitor* (HRM) adalah untuk pemantauan di lingkungan rumah sakit, namun saat ini berkembang menjadi untuk *personal fitness, electronic commerce, financial trading*, dll. Dua pendekatan utama telah muncul dari studi yang ada mengenai rPPG, yaitu: (1) HRM berdasarkan variasi periodeik sub-warna kulit, dan (2) HRM berdasarkan gerakan kepala periodik.
Fenomena yang ada pada rPPG ini sangat berkaitan dengan siklus jantung. Setiap siklus, darah dialirkan dari jantung ke kepala melalui arteri karotis. Aliran darah ini akan mempengaruhi sifat yang ditampilkan pada kulit area wajah dan mekanisme pergerakan kepala. Dengan penanganan yang sesuai, perubahan cahaya yang dipantulkan dari kulit wajah akan bisa diamati, karena aliran darah mengikuti siklus jantung.
Secara tradisional, sumber cahaya dengan panjang gelombang merah atau inframerah telah digunakan untuk mendapatkan kontak PPG. Namun, penelitian baru-baru ini menunjukkan bahwa cahaya ambient sudah cukup untuk mendapatkan sinyal PPG seperti yang diilustrasikan pada berikut.
### Klasifikasi Algoritma rPPG
Secara umum, pendekatan rPPG dapat diklasifikasikan berdasarkan jenis sinyal (warna atau gerakan). Framework algoritma rPPG secara umum adalah sebagai berikut.

Algoritma rPPG dibagi menjadi 3 tahap, yaitu: (1) ekstraksi *raw signal* dari beberapa frame video, (2) estimasi sinyal PPG, dan (3) estimasi HR.
* Ekstraksi sinyal
**ROI detection**: digunakan untuk menentukan batas-batas wajah pada video frame. Metode yang paling sering digunakan adalah algoritma Viola and Jones, yang merupakan pendekatan berbasis *machine learning* yang menggunakan serangkaian fitur sederhana untuk mengklasifikasikan wajah.
**ROI definition**: area di dalam video frame yang berisi piksel *raw signal* untuk algoritma. Dapat memanfaatkan informasi dari *Viola and Jones* atau deteksi wajah secara manual.
**ROI tracking**: untuk memastikan bahwa piksel yang terkandung dalam ROI berasal dari area kulit yang tidak dipengaruhi oleh gerakan subjek. Salah satu metode yang dapat digunakan adalah metode langsung, yang mendeteksi ulang ROI untuk setiap frame.
**Raw signal extraction**: mengekstraksi *raw signal* dari video dengan frame by frame sesuai dengan posisi ROI. Untuk metode berbasis warna, nilai rata-rata dari masing-masing saluran warna (RGB) yang terkandung dalam ROI akan dihitung. Metode ini disebut sebagai *spatial pooling* yang bertujuan untuk merata-ratakan noise yang terkandung dalam piksel. Untuk nilai ROI yang sangat kecil, gambar dapat di-downsampling untuk menghindari noise.
* Estimasi sinyal
**Filtering**: untuk memperbesar nilai rasio *signal to noise* karena meskipun melalui proses tracking ROI, sinyal masih bisa mengandung noise. Biasanya diterapkan satu atau lebih filter digital pada *raw signal*.
**Dimensionally reduction**: diasumsikan bahwa *raw signal* mengandung satu dimensi sinyal PPG yang dapat dipresentasikan sebagai kombinasi linear *raw signal*. Metode yang biasanya digunakan untuk memisahkan *raw signal* adalah metode ICA.
* Estimasi HR
**Frequency analysis**: memperkirakan p(t) dari sinyal PPG dan frekuensi HR menggunakan analisis frekuensi. Sinyal yang memiliki peiodik yang berbeda diubah menjadi frekuensi domain menggunakan transformasi fourier diskrit.
**Peak detection**: mengekstraksi lebih banyak informasi seperti HRV dari interval tertentu. Untuk mendeteksi puncak dari suatu sinyal, biasanya dilakukan interpolasi menggunakan fungsi cubic spline. Lalu puncaknya akan diidentifikasi mengunakan window yang bergerak.
### Kesimpulan
Pada jurnal ini membahas beberapa tinjauan literatur mengenai rPPG dari segi ekstraksi sinyal dan pengolahannya. Dua tantangan yang dihadapi dalam rPPG adalah: (1) meningkatkan ketahanan algoritma terhadap noise dan (2) mengatasi sinyal yang lemah akibat penyinaran rendah dan perbedaan tipe kulit.