Implementasi model Gated Recurrent Unit (GRU) untuk pemantauan kesehatan berkelanjutan pada Smartwatch Android Berbasis IOT

ABSTRAK:

Most commercially available smartwatches only present physiological data through simple visualizations without in-depth analysis, limiting users' ability to comprehensively understand their health status. This research develops a continuous health monitoring system based on the Internet of Things (IoT) by implementing a Gated Recurrent Unit (GRU) model on an Android smartwatch using the WESAD (Wearable Stress and Affect Detection) dataset. The system adopts a three-layer IoT architecture with a TensorFlow Lite-based on-device inference approach, utilizing two built-in smartwatch sensors: heart rate (HR) and accelerometer (ACC). A total of 13 statistical features were extracted using a 60-second sliding window method with ~92% overlap, producing 879 windows across three condition classes: Baseline, Stress, and Amusement. Evaluation results show that the GRU model achieved an accuracy of 94%, a weighted average F1-score of 0.93, and per-class F1-scores of 0.96 (Baseline), 0.93 (Stress), and 0.87 (Amusement). Usability testing using the System Usability Scale (SUS) yielded an average score of 77.5, classified as Good. This research demonstrates that the combination of wearable technology, IoT, and GRU-based deep learning holds strong potential as a practical health monitoring solution on real-world wearable devices.

ABSTRACT:

Most commercially available smartwatches only present physiological data through simple visualizations without in-depth analysis, limiting users' ability to comprehensively understand their health status. This research develops a continuous health monitoring system based on the Internet of Things (IoT) by implementing a Gated Recurrent Unit (GRU) model on an Android smartwatch using the WESAD (Wearable Stress and Affect Detection) dataset. The system adopts a three-layer IoT architecture with a TensorFlow Lite-based on-device inference approach, utilizing two built-in smartwatch sensors: heart rate (HR) and accelerometer (ACC). A total of 13 statistical features were extracted using a 60-second sliding window method with ~92% overlap, producing 879 windows across three condition classes: Baseline, Stress, and Amusement. Evaluation results show that the GRU model achieved an accuracy of 94%, a weighted average F1- score of 0.93, and per-class F1-scores of 0.96 (Baseline), 0.93 (Stress), and 0.87 (Amusement). Usability testing using the System Usability Scale (SUS) yielded an average score of 77.5, classified as Good. This research demonstrates that the combination of wearable technology, IoT, and GRU-based deep learning holds strong potential as a practical health monitoring solution on real-world wearable devices

مستخلص البحث:

معظم الساعات الذكية املتوفرة حاليًا تعرض البياانت الفسيولوجية بشكل بسيط دون حتليل معمق، لذلك ال تستطيع تقدمي فهم شامل حلالة صحة املستخدم. هتدف هذه الدراسة إىل تطوير نظام مراقبة صحة مستمر قائم على اإلنرتنت لألشياء(IoT)من خالل تطبيق منوذج وحدة الغيتد املتكررة(GRU)على ساعات أندرويد الذكية ابستخدام جمموعة بياانتWESAD(كشف التوتر والعاطفة لألجهزة القابلة لالرتداء). يعتمد النظام على بنية ثالثية الطبقات مع هنج االستنتاج على اجلهاز ابستخدام TensorFlow Lite، ويستفيد من حساسني مدجمني يف الساعة الذكية ومها معدل ضرابت القلب(HR)عومقياس التسار (ACC).مت استخراج13ميزة إحصائية ابستخدام طريقة النافذة االنزالقية ملدة60اثنية مع تداخل حوايل92٪، مما نتج عنه 879انفذة لثالث فئات من احلاالت: احلالة األساسية، والتوتر، واملتعةأظهرت نتائج التقييم أن منوذجGRUحقق دقة94،٪ ومتوسطF1-املوزون0.93، وF1لكل فئة على النحو التايل0.96(اخلط األساسي)،0.93(الضغط النفسي)، و0.87 ح). وأظهر اختبار قابلية االستخدام ابستخدام مقياس قابلية االستخدام للنظام ((املرSUS) متوسط درجة77.5جوالذي يندر ضمن فئة جيد. تُظهر هذه الدراسة أن اجلمع بني تقنيات األجهزة القابلة لالرتداء، وإنرتنت األشياء، والتعلم العميق القائم على GRUكحل ملراقبة الصحة بشكل عملي على األجهزة القابلة لالرتداء يف احلياة اليومية. لديه القدرة على أن يُطبق