UMBUMB

SINERGISINERGI

Diabetes dapat menyebabkan komplikasi seperti Neuropati Perifer Diabetik (NPD), yang memengaruhi fungsi otot dan saraf. Elektromiografi (EMG) adalah alat diagnostik standar untuk mendeteksi NPD, namun sinyalnya yang kompleks membuat analisis memakan waktu, sehingga menunda deteksi dan pengobatan. Penelitian ini bertujuan untuk mengembangkan dan membandingkan model pembelajaran mesin untuk mengklasifikasikan individu sehat dan penderita diabetes menggunakan data EMG yang dikumpulkan selama gerakan dorsifleksi. Sinyal EMG direkam menggunakan Muscle Sensor V3, yang kemudian diubah menjadi fitur domain waktu—Root Mean Square (RMS), Mean Absolute Value (MAV), Standard Deviation (SD), dan Variance (VAR)—untuk tujuan klasifikasi. Model pembelajaran mesin, termasuk K-Nearest Neighbour (KNN), Support Vector Machine (SVM), dan Artificial Neural Network (ANN), dioptimalkan menggunakan Particle Swarm Optimization (PSO). Analisis menunjukkan bahwa individu sehat menunjukkan amplitudo EMG yang lebih tinggi dibandingkan penderita diabetes. Di antara model-model tersebut, ANN mencapai akurasi klasifikasi tertinggi (94,44%) dibandingkan dengan SVM (88,89%) dan KNN (77,78%). Hasil ini menunjukkan efektivitas ANN sebagai pengklasifikasi yang andal untuk membedakan antara individu sehat dan penderita diabetes, menawarkan pendekatan yang lebih efisien dan akurat untuk analisis data EMG untuk aplikasi klinis potensial.

Penelitian ini berhasil mengembangkan dan mengevaluasi model pembelajaran mesin untuk klasifikasi data Elektromiografi (EMG) antara individu sehat dan penderita diabetes, menunjukkan amplitudo sinyal EMG yang lebih tinggi pada subjek sehat.Ekstraksi fitur domain waktu (RMS, MAV, SD, VAR) dari data EMG, yang dioptimalkan dengan Particle Swarm Optimization (PSO), terbukti penting dalam membangun struktur data valid untuk klasifikasi.Model Artificial Neural Network (ANN) menunjukkan kinerja klasifikasi tertinggi (akurasi 94,44%), mengungguli KNN dan SVM, menjadikannya alat yang menjanjikan untuk diagnosis dini dan pemantauan neuropati diabetik dalam pengaturan klinis.

Penelitian selanjutnya dapat memfokuskan pada peningkatan generalisasi model klasifikasi dengan menguji model yang sudah dikembangkan menggunakan kumpulan data EMG yang lebih besar dan lebih beragam, yang tidak hanya mencakup data sintetik tetapi juga data aktual dari berbagai populasi dan kondisi klinis, termasuk subjek dengan berbagai tingkat keparahan neuropati perifer diabetik. Hal ini penting untuk memvalidasi kinerja model di luar lingkungan laboratorium dan memastikan relevansinya dalam diagnosis dan pemantauan klinis yang sebenarnya. Selain itu, eksplorasi teknik ekstraksi fitur yang lebih canggih, seperti penggunaan set fitur hibrida yang menggabungkan domain waktu dan frekuensi, atau penerapan pembelajaran mendalam (deep learning) untuk ekstraksi fitur otomatis, dapat dilakukan untuk meningkatkan akurasi klasifikasi secara signifikan, melampaui empat fitur domain waktu yang digunakan saat ini. Terakhir, penelitian masa depan juga dapat memperluas ruang lingkup dengan menyelidiki aplikasi model ini untuk mendeteksi stadium awal neuropati perifer diabetik atau membedakan tingkat keparahan kondisi tersebut, bahkan mempertimbangkan penggunaan EMG dari otot-otot lain atau selama berbagai jenis gerakan untuk mendapatkan pemahaman yang lebih komprehensif tentang dampak diabetes pada fungsi neuromuskular.

  1. Radware Bot Manager Captcha. radware manager captcha apologize ensure keep safe please confirm human... doi.org/10.1088/1742-6596/1921/1/012043Radware Bot Manager Captcha radware manager captcha apologize ensure keep safe please confirm human doi 10 1088 1742 6596 1921 1 012043
Read online
File size673.22 KB
Pages16
DMCAReport

Related /

ads-block-test