Terdapat tiga fase pada epilepsi, yaitu fase pra-iktal, iktal, dan pasca-iktal. Untuk membedakan fase-fase tersebut, biasanya digunakan sinyal EEG. Namun, ada penelitian yang menyebutkan hubungan antara epilepsi dan sinyal jantung, sehingga ada kemungkinan untuk membedakan fase-fase tersebut dengan menggunakan elektrokardiografi (EKG). Studi ini dibuat untuk membedakan tiga fase pada epilepsi dan kondisi normal pasien epilepsi menggunakan K Nearest Neighbors (KNN) algoritma. Dengan kemampuan untuk melakukan identifikasi fase epilepsi, diharapkan dapat membantu dokter dan tenaga medis untuk membedakan sinyal EKG epilepsi untuk setiap fase yang berbeda pada epilepsi, dan untuk membuktikan hipotesis apakah tiga fase pada epilepsi dapat dibedakan dari sinyal jantung.
Dari tiga fase epilepsi tersebut, dapat diambil informasi bahwa pada setiap fase epilepsi, perubahan sinyal yang terjadi di otak manusia cukup signifikan. Selama ini pemeriksaan hanya dilakukan berdasarkan sinyal EEG dari penderita epilepsi, dan tidak bisa mengenali fase yang ada pada penderita epilepsi. EKG atau Elektrokardiogram adalah alat yang digunakan untuk mengukur atau keadaan sinyal listrik yang terjadi pada jantung manusia.
Dataset yang digunakan dalam penelitian ini adalah dari PhysioNet, diperoleh dari EEG jangka panjang dan catatan EKG pasien epilepsi tanpa riwayat penyakit jantung. Dengan kemampuan untuk melakukan identifikasi fase epilepsi, diharapkan dapat membantu dokter dan tenaga medis untuk membedakan sinyal EKG epilepsi untuk setiap fase epilepsi yang berbeda, dan untuk membuktikan hipotesis apakah ketiga fase epilepsi dapat dibedakan dari sinyal jantung. .
Berdasarkan beberapa pengujian yang telah dilakukan, maka dapat ditarik kesimpulan dari penelitian ini sebagai berikut: Nilai F1 Score dari percobaan nilai K pada KNN dapat berfluktuasi seiring dengan kenaikan nilai K, tetapi pada suatu saat nilai F1 Hasil skor akan turun yang berarti nilai K pada titik tersebut sudah tidak optimal lagi untuk digunakan. Banyaknya data dan/atau jumlah kelas yang akan dikenali akan mempengaruhi hasil model yang digunakan, baik hasil Confusion Matrix maupun hasil Classification Report. Identifikasi fase epilepsi berdasarkan sinyal EKG yang dikenali dengan menggunakan model algoritma KNN dapat dilakukan dengan cukup baik, dengan nilai akurasi lebih dari 50%, dengan klasifikasi dua fase mendapatkan 95%, klasifikasi tiga fase mendapatkan 90%, dan klasifikasi empat fase mendapat 84%. Dua dari 3 uji klasifikasi yang dilakukan, fase iktal merupakan fase yang paling berhasil dapat diidentifikasi, dengan Recall dan Skor F1 sebesar 0,98 dan 0,95 pada klasifikasi dua fase, serta 0,99 dan 0,96 pada klasifikasi tiga fase. Hasil temuan ini menjadi dasar pengembangan dibuatnya aplikasi deteksi perubahan sinyal EKG dalam bentuk smartwatch yang bisa memberikan notifikasi pada pasien dan keluarga bahwa pasien akan mengalami kejang dalam beberapa waktu ke depan.
Penulis: Wardah Rahmatul Islamiyah
Link: https://ieeexplore.ieee.org/abstract/document/9297979
Judul artikel:
Identification of Epilepsy Phase Based on Time Domain Feature Using ECG Signals
W. R. Islamiyah, D. P. Wulandari, N. N. Sarasati, Y. K. Suprapto, S. W. Purnami and A. I. Juniani, “Identification of Epilepsy Phase Based on Time Domain Feature Using ECG Signals,” 2020 International Conference on Computer Engineering, Network, and Intelligent Multimedia (CENIM), 2020, pp. 1-6, doi: 10.1109/CENIM51130.2020.9297979.
