# Summary Biswas, Dwaipayan, et al. “Heart rate estimation from wrist-worn photoplethysmography: A review.” IEEE Sensors Journal 19.16 (2019): 6560-6570.

> Pengukuran detak jantung menggunakan wearable device spesifiknya wrist-worn dengan sensor photoplethysmography

> Biasanya pengukuran detak jantung menggunakan sensor EKG yang ditempatkan di titik - titik tertentu pada tubuh yang mengganggu kebebasan pergerakan pengguna.

> PPG sendiri merupakan suatu metode non-invasive untuk mengetahui detak jantung manusia dengan cara mengukur perubahan volume darah pada jaringan mikrovaskular suatu organ menggunakan LED (Light Emitting Diode) yang dipancarkan pada kulit pengguna secara transmisi atau reflektansi, kemudian diterima oleh photodetector.

> PPG ini diklaim lebih murah dari EKG dan lebih fleksibel untuk digunakan karena bisa ditempatkan di berbagai bagian tubuh.

> PPG ini menggunakan prinsip optik untuk mendeteksi perubahan volume darah pada jaringan microvaskular. Sensor ini memerlukan sumber cahaya untuk menerangi jaringan dan photodetector (photodiode) untuk merasakan variasi kecil dalam pantulan atau transmisi. Beberapa sumber cahaya yang paling umum digunakan adalah red, near-infra red (IR), dan green light. Green light memiliki panjang gelombang yang lebih pendek mengakibatkan tidak terpengaruhnya sensor ketika terdapat pergerakan pada pergerakan lapisan dalam dan menghasilkan variasi besar pada intensitas modulasi jantung. Ini menunjukkan penyerapan yang lebih besar untuk oxyhemoglobin/deoxyhemoglobin, menghasilkan rasio signal-to-noise (SNR) yang lebih baik, memastikan akurasi deteksi pulsa yang lebih tinggi dibandingkan dengan red atau IR, terutama untuk gerakan mikro.

> Algoritma untuk estimasi HR dari PPG wrist-worn, umumnya terdiri dari empat langkah utama. Pertama, pra-pemrosesan sinyal, yang melibatkan penyaringan band-pass, downsampling dan/atau normalisasi ke nol varian unit rata-rata. Kedua, penghilangan MA, terkait dengan sinyal referensi gerak. Ketiga, estimasi HR dengan menganalisis komponen spektral sinyal bersih. Akhirnya, 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.

> Sinyal PPG yang diperoleh dari wrist-worn, di lingkungan ambulant (pengguna dapat bergerak dengan bebas), rentan terhadap motion artifact (MA). MA umumnya disebabkan oleh pergerakan modul sensor relatif terhadap kulit, bersama dengan deformasi sensor akibat penggunaan sehari-hari dalam jangka panjang. Dengan demikian, mempengaruhi kualitas sinyal dan ekstraksi parameter fisiologis yang sesuai. Singkatnya apabila pada ppg ini terjadi perpindahan sensor saat dalam proses pembacaan maka akan terjadi distrosi pada sumber sinyal utama. Distrosi tersebut mengakibatkan sinyal PPG akan menunjukkan puncak spektral MA yang terletak jauh dari puncak spektral HR, serta tumpang tindih yang menjadikannya tidak dapat dibedakan.

> Metodologi penghilangan MA, mengasumsikan signifikansi untuk mengekstraksi informasi jantung vital.
Berikut adalah metode Penghilangan MA:
> - Adaptive Filtering
> - Independent Component Analysis (ICA)
> - Frequency-domain ICA
> - Empirical Mode Decomposition
> - Wavelet-based Denoising
> - Model Decomposition lainnya
> - Spectral Subtraction
> - Kalman Filtering

> Lalu metrik evaluasi yang digunakan untuk mengukur error yang didapat dari pengukuran bisa digunakan
> - Absolute Error (AE) digunakan untuk mengevaluasi akurasi masing-masing perkiraan HR, dimana HRest dan HRtrue adalah perkiraan dan nilai HR sebenarnya berada di time window ke-i dalam BPM.
> 

> - Matriks lainnya yang banyak digunakan adalah:
> 1. Average Absolute Error (AAE)
> 2. Standard Deviation of the Absolute Error (SAE)
> 3. Average Relative Error (ARE)
> Dimana N adalah jumlah total perkiraan (jumlah jendela). Plot Bland-Altman dan koefisien korelasi Pearson juga banyak digunakan untuk menilai kesamaan (batas kesepakatan) antara HRest dan HRtrue
> 

> Berikut adalah tabel algoritma yang telah digunakan untuk memproses sinyal dari sensor PPG

>
>
>
>

> Terdapat algoritma yang menarik dimana memiliki kopleksitas rendah dengan tingkat error yang kecil dari
> H. Chung, H. Lee, and J. Lee, “Finite state machine framework for instantaneous heart rate validation using wearable photoplethysmography during intensive exercise,” IEEE J. Biomed. Health Inform., to be published.

> Data dari Perangkat komersial
> Saat ini perangkat wearable health monitor komersial sangatlah berkembang, bisa dibilang perangkat - perangkat ini memiliki akurasi yang tinggi dan sudah disetel dengan baik. Namun perangkat - perangkat ini tidak dapat menyediakan akses ke data raw PPG yang sangatlah berguna untuk penelitian kedepannya.

> HRV Estimation
> Pada fixed average HR detak jantung antar individu mungkin tidak konstan. Hal ini dikarekanan secara aktif detak jantung dimodulasi oleh Autonomic Nervous System dan menimbulkan HR variability yang ditandai dengan berbagai parameter domain waktu dan frekuensi. Studi yang dilakukan dalam kondisi stasioner menggunakan analisis time-invariant menunjukkan bahwa pulse rate variability (PRV) adalah pengganti HRV yang baik. Perbedaan utama antara nilai-nilai ini adalah waktu yang dibutuhkan oleh denyut nadi untuk melakukan perjalanan dari jantung ke lengan atau pulse transit time (PTT).

> Aplikasi dari wrist-PPG kedepannya
> - Biometric Identification
> Wrist-PPG ini dapat digunakan sebagai alat autentifikasi karena dapat menangkap sinyal fisiologis satu dimensi untuk jangka waktu yang lama. 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,dan LDA, menghasilkan akurasi sebesar 90-95%.CorNET mencapai akurasi hingga 96% pada 20 subjek SPC. Selanjutnya, pendekatan berbasis pembelajaran telah mengandalkan fitur buatan tangan, menggunakan hingga 40 fitur dalam hubungannya dengan k-NN classifier. Sebuah karya baru-baru ini telah berfokus pada prosedur dua tahap yang melibatkan pengelompokan (pada 11 fitur) dan RBM-DBN, dievaluasi pada 12 subjek SPC. Juga, CorNET, mencapai akurasi 96% pada 20 mata pelajaran SPC.
> - Disease Diagnosis Using Wrist-PPG
> Wrist-PPG ini kedepannya bisa dikembangkan untuk mendiagnosis penyakit misalnya atrial Fibrillation (AF). Wrist-PPG menggunakan sensor yang menangkap data PPG dari ujung jari pasien dan secara akurat membedakan AF dari normal sinus rhythm (SR) dan denyut prematur, dan meningkatkan kepatuhan pasien karena kemudahan penggunaannya.

> Saran kedepannya dari penulis
> a) pengembangan database yang tersedia untuk umum, menggabungkan variabilitas yang luas dari subjek sehat dan CVD;
b) algoritma ringan yang dapat disematkan ke dalam platform sensor yang dikenakan di pergelangan tangan dengan sumber daya terbatas;
c) mengembangkan modul sensor siap pakai (COTS), memfasilitasi pengumpulan data PPG mentah dengan eksperimen pola dasar;
d) pedoman dan dokumentasi validasi klinis untuk parameter pergelangan tangan-PPG;
e) pengembangan indikator kualitas sinyal baru yang pada dasarnya akan membantu ketepatan estimasi parameter vital;
f) mengukur saturasi oksigen darah arteri (SpO2) di pergelangan tangan (diukur secara normal dari jari), parameter jantung vital yang menunjukkan tingkat oksigenasi darah. Kami percaya kemajuan teknologi meskipun pada tahap yang baru lahir, memiliki potensi untuk tumbuh dengan cepat sehingga memungkinkan pemantauan CVD yang meluas.