Mengatasi Data Medis Tidak Sempurna: Revolusi Human Activity Recognition dengan Jaringan Spasio-Temporal Berbasis AI

Pendahuluan: Tantangan Data Medis yang Tidak Sempurna

      Dengan pesatnya kemajuan teknologi Artificial Intelligence (AI) dan Mobile Health (mHealth), sistem perawatan kesehatan berbasis Internet of Medical Things (IoMT) telah mencapai kemajuan signifikan. Sebagai teknologi inti dalam pemantauan medis, Human Activity Recognition (HAR) berbasis sensor bertujuan untuk secara otomatis mengidentifikasi dan menganalisis aktivitas manusia menggunakan sensor IoMT wearable yang dipasang di berbagai lokasi tubuh untuk menangkap sinyal gerak dan fisiologis. Data ini sangat penting untuk membantu para profesional kesehatan dalam membuat keputusan klinis yang lebih tepat waktu, akurat, dan personal bagi pasien.

      Namun, di dunia nyata, data sensor wearable seringkali tidak sempurna. Sinyal IoMT dapat mengalami kerusakan akibat pengukuran yang hilang, kegagalan sensor, atau gangguan lingkungan. Kondisi ini secara signifikan menurunkan kinerja model deep learning konvensional yang mengasumsikan input data yang bersih dan lengkap. Pendekatan tradisional untuk mitigasi, seperti imputasi (mengisi data yang hilang) atau denoising (menghilangkan noise), seringkali mengandalkan pola korupsi tertentu dan dapat menimbulkan kesalahan rekonstruksi tambahan, membatasi efektivitasnya di lingkungan nyata.

Jaringan Spasio-Temporal Konsisten Manifold (MCSTN): Solusi Inovatif

      Untuk mengatasi tantangan ini, sebuah penelitian terbaru mengusulkan Manifold-Consistent Spatio-Temporal Network (MCSTN) untuk HAR yang tangguh dalam kondisi penginderaan yang tidak sempurna. Daripada mencoba merekonstruksi atau menghasilkan sinyal yang sempurna, kerangka kerja ini berfokus pada pembelajaran representasi yang stabil dan diskriminatif yang mempertahankan konsistensi di bawah kondisi korupsi tingkat berbeda. Konsep "konsistensi manifold" dapat diibaratkan seperti memahami bentuk dasar sebuah kertas yang diremas: meskipun bentuk luarnya berubah-ubah, esensi objeknya tetap sama. Model ini belajar untuk "melihat melalui" gangguan pada data untuk memahami pola aktivitas yang mendasarinya.

      Selain itu, model MCSTN dirancang dengan arsitektur spatio-temporal yang secara eksplisit memisahkan pemodelan dinamika temporal (bagaimana aktivitas berkembang seiring waktu) dan pembelajaran korelasi spasial (hubungan antar sensor yang berbeda). Pemisahan ini memungkinkan model untuk menangkap pola aktivitas yang kompleks dengan lebih efektif.

Memodelkan Ketidaksempurnaan Data: Pendekatan Dual-Level

      Salah satu inovasi utama dari MCSTN adalah mekanisme pemodelan korupsi dual-level yang meniru ketidaksempurnaan sensor dunia nyata. Pendekatan ini mencakup dua jenis korupsi:

• Korupsi tingkat fisik: Ini mensimulasikan gangguan langsung seperti pengukuran sensor yang hilang secara tiba-tiba (misalnya, sensor lepas) atau noise yang tidak terduga.
• Pemodelan korupsi kontinu berbasis difusi: Ini menciptakan degradasi sinyal yang lebih bertahap atau perubahan halus, meniru keausan sensor atau interferensi lingkungan seiring waktu.

      Dengan membangun banyak "tampilan" data yang rusak dan menegakkan konsistensi representasi di seluruh tampilan ini, model MCSTN belajar representasi semantik yang invarian terhadap korupsi. Ini berarti model dapat mengenali aktivitas yang sama bahkan jika data sensornya bervariasi karena ketidaksempurnaan. Penerapan teknologi semacam ini sangat relevan untuk sistem seperti AI Video Analytics yang digunakan ARSA, di mana data input seringkali berasal dari lingkungan yang tidak terkontrol dan rentan terhadap gangguan.

Arsitektur Dual-Stream untuk Analisis Dinamika Aktivitas

      MCSTN memperkenalkan arsitektur dual-stream yang secara eksplisit memisahkan dua dimensi penting dalam analisis aktivitas manusia:

• Stream Temporal: Bagian ini berfokus pada penangkapan dinamika aktivitas jangka panjang, seperti urutan gerakan saat berjalan, berlari, atau mengangkat beban. Ini memungkinkan model untuk memahami bagaimana suatu aktivitas berkembang dari waktu ke waktu.
• Stream Spasial: Sementara itu, stream spasial memodelkan hubungan antar-sensor. Sebagai contoh, bagaimana sensor di lengan bergerak relatif terhadap sensor di kaki, atau bagaimana berbagai sensor di dada merespons aktivitas pernapasan. Ini penting untuk memahami koordinasi tubuh dan pola gerakan yang kompleks.

      Kedua aliran komplementer ini kemudian diintegrasikan melalui modul fusi adaptif. Integrasi ini memungkinkan pemodelan ketergantungan spatio-temporal yang kompleks secara efektif dan meningkatkan ketahanan model di bawah kondisi penginderaan yang tidak sempurna. Pendekatan ini sangat bermanfaat dalam aplikasi seperti AI Box Series ARSA, di mana pemrosesan data real-time di edge memerlukan pemahaman mendalam tentang hubungan antara berbagai data sensor untuk mendapatkan wawasan yang akurat.

Signifikansi dan Aplikasi di Dunia Nyata

      Eksperimen ekstensif pada tiga dataset HAR yang banyak digunakan—PAMAP2, Opportunity, dan WISDM—menunjukkan bahwa MCSTN mencapai kinerja yang kompetitif dibandingkan dengan metode canggih yang ada, terutama di bawah kondisi penginderaan yang tidak sempurna. Hasil ini memvalidasi efektivitas dan ketahanan kerangka kerja yang diusulkan untuk aplikasi penginderaan IoMT wearable di dunia nyata.

      Signifikansi dari penelitian ini meluas ke berbagai sektor, khususnya di bidang kesehatan:

• Pemantauan Pasien Jarak Jauh: Memungkinkan pemantauan kondisi pasien yang lebih andal di rumah, mendeteksi pola aktivitas abnormal yang mungkin mengindikasikan masalah kesehatan.
• Perawatan Lansia: Deteksi jatuh yang lebih akurat, pemantauan tingkat aktivitas, dan identifikasi perubahan kebiasaan yang dapat menjadi tanda masalah kesehatan, meningkatkan keamanan dan kualitas hidup.
• Rehabilitasi: Melacak kepatuhan pasien terhadap program latihan dan kemajuan mereka secara objektif, bahkan jika sensor mengalami gangguan.
• Kesehatan Preventif: Memberikan wawasan yang lebih baik tentang gaya hidup dan tingkat aktivitas, mendukung program kesehatan yang dipersonalisasi.

      Dengan kemampuan untuk menangani data yang tidak sempurna, teknologi ini membuka jalan bagi solusi AI yang lebih praktis dan dapat diandalkan dalam lingkungan operasional yang menantang. Sebagai penyedia solusi AI & IoT yang telah berpengalaman sejak 2018, ARSA Technology memahami pentingnya ketahanan data. Kami menawarkan solusi AI kustom yang dapat mengintegrasikan inovasi semacam ini untuk mengatasi tantangan data kompleks di berbagai industri. Misalnya, pada Self-Check Health Kiosk, di mana pengukuran vital yang cepat dan akurat sangat penting, kemampuan untuk memproses data sensor yang mungkin bervariasi adalah kunci.

Kesimpulan

      Penelitian mengenai Manifold-Consistent Spatio-Temporal Network (MCSTN) menunjukkan arah yang menjanjikan dalam mengatasi masalah data medis yang tidak sempurna dalam Human Activity Recognition berbasis sensor. Dengan pemodelan korupsi dual-level dan arsitektur spatio-temporal dual-stream, model ini mampu belajar representasi yang tangguh dan akurat, membuka potensi baru untuk aplikasi IoMT di berbagai sektor, terutama kesehatan. Inovasi ini menegaskan kembali bahwa keberhasilan AI di dunia nyata sangat bergantung pada kemampuannya untuk beradaptasi dengan kondisi data yang tidak ideal.

      Source: Fan, J., Jindal, A., & Atapour-Abarghouei, A. (2026). Leveraging Imperfect Medical Data: A Manifold-Consistent Spatio-Temporal Network for Sensor-based Human Activity Recognition. arXiv preprint arXiv:2605.00913. https://arxiv.org/abs/2605.00913

      Apakah organisasi Anda siap untuk memanfaatkan potensi AI dan IoT untuk mengoptimalkan operasional dan memastikan keandalan data? Jelajahi solusi AI dan IoT dari ARSA Technology dan hubungi tim ARSA untuk konsultasi gratis.