Hibah Internal Udinus
2025
CAViT-Net: Framework CNN-LSTM Adaptif untuk Ekstraksi Representasi Temporal pada Data Wearable dalam Deteksi Dini Risiko Kardiovaskular
- Tim Peneliti / Pelaksana
- Yani Parti Astuti, Erwin Yudi Hidayat, Egia Rosi Subhiyakto, Defri Kurniawan
- Skema / Program
- Penelitian Dasar Perguruan Tinggi
Abstrak / Deskripsi
Penelitian ini merupakan kontribusi akademik dalam mendukung pengembangan teknologi deteksi dini penyakit kardiovaskular (PKV) secara lebih prediktif dan presisi. Sistem deteksi konvensional masih terbatas pada pendekatan reaktif dan kurang mampu melakukan pemantauan fisiologis secara berkelanjutan. Di sisi lain, integrasi wearable device dan kecerdasan buatan membuka peluang untuk memperluas jangkauan pemantauan kesehatan yang efisien, non-invasif, dan waktu nyata. Penelitian ini juga mendukung SDGs nomor 3 tentang kehidupan sehat dan kesejahteraan semua kalangan usia, serta sejalan dengan arah Rencana Induk Penelitian (RIP) Fakultas Ilmu Komputer UDINUS dalam bidang AI dan teknologi kesehatan digital. Tujuan: mengembangkan CAViT-Net, sebuah model adaptif berbasis CNN-LSTM untuk mengekstraksi representasi spasial dan temporal dari data wearable device, guna meningkatkan akurasi dan sensitivitasdeteksi dini risiko PKV. Model CAViT-Net dibangun dari kombinasi CNN untuk fitur spasial dan LSTM untuk pola temporal pada data fisiologis seperti detak jantung, tekanan darah, oksigen, dan HRV. Dataset bersumber dari publikasi terbuka dan dilengkapi label risiko, dilatih dengan pendekatan supervised learning. Model dirancang agar adaptif terhadap variasi data dan kompatibel dengan berbagai jenis wearable device. Luaran utama berupa prototipe model CAViT-Net pada level TKT 2, publikasi pada jurnal internasional bereputasi (Scopus Q2/Q3), serta luaran tambahan berupa hak cipta model. Penelitian ini diharapkan mendorong pengembangan solusi kesehatan digital yang presisi dan berbasis data.