Sleep Stage Classification on ECG Signal and HRV using Combination of Random Forest and SHAP Value

Abstract

Klasifikasi tahapan tidur adalah tugas penting dalam bidang pengobatan tidur, yang mempunyai implikasi signifikan dalam mendiagnosis dan mengobati gangguan tidur. Membuat anotasi tahapan tidur secara manual memiliki banyak kelemahan dan keterbatasan. Oleh karena itu, mekanisme otomatis yang menggunakan pembelajaran mesin diperlukan karena efektivitasnya yang diakui dalam klasifikasi tahapan tidur. Penelitian ini terutama berfokus pada membangun model klasifikasi tahapan tidur berdasarkan fitur Heart Rate Variability (HRV) yang berasal dari sinyal Elektrokardiogram (EKG). Makalah ini mengusulkan kombinasi model Random Forest sebagai pengklasifikasi dan nilai SHAP untuk pemilihan fitur guna mengklasifikasikan tahapan tidur. Dengan menggunakan kombinasi metode tersebut diperoleh hasil rata-rata akurasi 82,72%, 77,63%, 73,38%, dan 62,62% untuk kelas kasus 2, 3, 4, dan 6. Selain itu, makalah ini memberikan analisis perbandingan akurasi model terhadap model Random Forest tanpa pemilihan fitur. Hasil eksperimen menunjukkan bahwa metode nilai SHAP secara signifikan meningkatkan kinerja model klasifikasi sekaligus mengurangi kompleksitas fitur.