ANALISA DAN PENGENALAN SUARA JANTUNG...

ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKANWAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN

KATUP JANTUNG PADA MANUSIA

ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKANWAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN

KATUP JANTUNG PADA MANUSIA

Sidang TesisS2 Teknik Sistem Pengaturan FTI-ITS Surabaya

EDY SETIAWANEDY SETIAWAN22092020012209202001

PembimbingPembimbing

JURUSAN TEKNIK ELEKTROPROGRAM STUDI TEKNIK SISTEM PENGATURAN

FAKULTAS TEKNOLOGI INDUSTRI ITSSURABAYA 2011

PembimbingPembimbing

Prof. Ir. Abdullah Alkaff, MSc, Ph.DProf. R Mohammad Yogiarto, dr. SpJP(K)FIHA,FASCC

Ir. Rusdhianto. EAK, MT

Hal 1 dari 25

• Latar belakang

• Rumusan masalah

• Tujuan

• Batasan masalah

Pembahasan

• Batasan masalah

• Teori penunjang

• Analisa sistem

• Hasil

• Kesimpulan

Hal 2 dari 25

Memantau kinerja jantung Dokter menggunakan stetoskop

Kelainan katup jantung yang dideteksi dan diisyaratkan dengan adanya bisingjantung menyebabkan gangguan fungsi jantung atau gangguan hemodynamic

suara yang dihasilkan lemah, masih diperlukan kepekaan danpengalaman

Latar Belakang

Transformasi Wavelet dan JST BP (Backpropagation)

Diperlukan metode pengenalan suara

pengalaman

Hasil diagnosis masih dipengaruhi oleh subyektifitas dokter

Hal 3 dari 25

Murmur adalah salah satu gejala kelainan katup jantung denganpola-pola tertentu sesuai dengan kelainan katup jantung yangdiderita pasien. Oleh karena itu bagaimana membuat sistemkomplek yang mampu mendeteksi dan mengenali pola-polatersebut.

1

Rumusan Masalah

Bagaimana mengklasifikasikan kondisi jantung berdasar gejalaabnormalitas suara jantung (murmur) pada pasien penderitakelainan katup jantung.

Bagaimana memodelkan karakteristik dari rekam medis suarajantung dengan menggunakan Jaringan Syaraf TiruanBackpropagation

2

3

Hal 5 dari 25

Mendapatkan metode alternatif dalam pendeteksian awal penyakitpada jantung manusia lebih dini sehingga seseorang dapat mengambilkeputusan yang tepat menyikapi kondisi kesehatan jantungnya.

1

Tujuan

Sebagai modul pembelajaran bagi dokter-dokter muda yang sedikitpengalaman dalam mengklasifikasikan suara jantung normal maupunyang mengalami kelainan katup jantung dengan teknik Auskultasi.

2

Membuat suatu sistem dalam analisa dan pengenalan suara jantungyang dapat mengenali dan mengklasifikasikan kondisi jantungkhususnya pada penderita kelainan katup jantung.

Mempelajari penggunaan metode jaringan syaraf tiruan dengan prosespembelajaran.

3

4

Hal 6 dari 25

Proses perekaman suara jantung dilakukan pada ruangan kedap suara.1Diagnosa hanya dilakukan pada suara jantung normal, suara jantungsistolic murmur (mitral regurgitasi dan aortic stenosis), diastolic murmur(aortic regurgitasi dan mitral stenosis) dan continuous murmur (PatentDuctus Arteriousus)

2

3

Batasan Masalah

Tranduser suara dengan respon frekuensi 20Hz – 20000Hz (type ElektretCondenser Microphone).

Referensi bising jantung(murmur) sebagian diambil dari RSUD Dr.Soetomo Surabaya dan sebagian dari internet.

3

4Program simulasi menggunakan MATLAB 7.0.15

Hal 7 dari 25

Bunyi yang terdengar terus-menerus selama periode sistole,diastole, atau keduanya.

TeoriMurmur

Visualisasi jantung normaldan abnormal karena ada

kelainan katup

Hal 8 dari 25

1.Bunyi katup mitral terdengarpaling baik di apeks.

2.Bunyi katup trikuspid paling baikterdengar di batas lateral kiristernum (LLSB).

3.Bunyi katup aorta terdengar

Area KatupJantung

3.Bunyi katup aorta terdengarpaling baik di basis kanan.

4.Bunyi katup pulmonal terdengarpaling baik di basis kiri.

Hal 9 dari 25

•Teknik pemrosesan sinyal multiresolusi.•TWD dapat memilah-milah suatu sinyaldata berdasarkan komponen frekuensiyang berbeda-beda.•Dapat diperoleh gambaran data secarakeseluruhan dan detail berdasarkan

TeoriTransformasi WaveletDiskret (TWD)

keseluruhan dan detail berdasarkanskala resolusi yang sesuai.

Hal 10 dari 25

h(n) lpf

Menghasilkan koefApproximation

hpf g(n)

Menghasilkan koefDetil

Bandwidth SinyalSetiap Level

Hal 11 dari 25

Sistem komputasi pemodelan neuron.

1

n

i

y f wixi

Teori JaringanSyaraf Tiruan(Backpropagation)

1i xi: sinyal masukan, i = 1,2,…,nn: banyaknya simpul masukan

wi: bobot hubungan atau synapsisθ: threshold atau bias

ƒ(*): fungsi aktivasiy: sinyal keluaran dari neuron

Hal 12 dari 25

.

Jaringan Multi layer1

2

Karakteristik JSTBackpropagation

Fungsi Aktivasi

Sigmoidbiner

Sigmoidbipolar

1( )

1 exp( )f x

x

2( ) 1

1 exp( )f x

x

Hal 13 dari 25

Inisialisasi bobot awal (secara acakatau metode Nguyen Widrow)

Perhitungan nilai aktivasi, tiapneuron dari input yang diterimanya

AlgoritmapembelajaranBackpropagation

Penyesuaian bobot, dipengaruhierror antara target output dan nilaioutput jaringan

Iterasi (dilakukan sampai kriteriaerror tertentu dipenuhi)

Hal 14 dari 25

Proses

AnalisaSistem

Konsep dasarpengenalan polasuara jantung

Pasien SensorProses

pengenalanpola suara

Dokter

Hal 15 dari 25

Sistem PengenalanPola Suara Jantung

Hal 16 dari 25

Pengujian &Hasil

Data pengujian sistem :

16 data suara sebagai set data pelatihan

99 data suara jantung sebagai set data pengujian :

25 data systolic murmur (kelainan katup mitral regurgitation)

Hal 17 dari 25

25 data systolic murmur (kelainan katup mitral regurgitation)

34 data dyastolic murmur (kelainan katup aortic regurgitation

& mitral stenosis),

10 data continuous murmur (kelainan katup patent ductus

arteriousus)

30 data suara jantung normal

Pengujian &Hasil 1

No ID Nilai Denyut Per Menit SaatIstirahat

1 latihnormal1 80 Normal



Systolic murmur Kasus katup jantung1 latih1AS 80 Aortic Stenosis

2 latihASCase1 80 Aortic Stenosis

3 latihASCase4 90 Aortic Stenosis

4 latih1MR 80 Mitral Regurgitation

5 latihMRCase1 90 Mitral Regurgitation

6 latihMRCase3 90 Mitral Regurgitation

Dyastolic murmur Kasus katup jantung1 latih1AR 80 Aortic Regurgitation

2 latihARCase1 80 Aortic Regurgitation

Set data pelatihan




5 latih1MS 80 Mitral Stenosis

6 latihMSCase2 90 Mitral Stenosis

Continuous murmur Kasus katup jantung1 latihPDA 90 Patent Ductus Arteriosus

Karakteristik Spesifikasi

Sampling rate 44100 Hz

Panjang frame (N) 1323 sampel

Overlap (M) 662 sampel (50%)

Frame windowing Hamming window

Ekstraksi ciri Wavelet (5 level dekompisisi)Cepstrum

2 Struktur Sinyal

Hal 18 dari 25

Karakteristik Spesifikasi

Arsitektur 1 Lapisan tersembunyiNeuron input Hasil ekstraksi ciriNeuron tersembunyi 15Neuron output 8Fungsi aktifasi SigmoidToleransi kesalahan (MSE) 1e-32

Laju pembelajaran 0.01Jumlah epoch 10000Data training 16 Data suara jantung

3 Struktur JST PercobaanPengujian &Hasil

Data training 16 Data suara jantungData testing 99 Data suara jantung

No Target Representasi Suara

1 0 0 0 0 0 0 0 1 Normal2 0 0 0 0 0 0 10 Aortic Regurgitation3 0 0 0 0 0 0 1 1 Aortic Stenosis4 0 0 0 0 0 1 0 0 Mitral Regurgitation5 0 0 0 0 0 1 0 1 Mitral Stenosis6 0 0 0 0 0 1 1 0 Patent Ductus Arteriosus

4 Definisi target fungsi sigmoid

Hal 19 dari 25

Perhitungan MSE

Output Baseline

Hasil perkalian antara data

MR AS

AR MS PDA

Normal

Hal 20 dari 25

Hasil perkalian antara datainput dengan bobot hasilpelatihan jst dibandingkandengan target output

Range/toleransi:>0.9570 dan <1.0885Akan berlogika 1, diluarrange tersebut diatasakan berlogika 0

Prosentase Keberhasilan Pengujian

No Tipe Data

Pembelajaran Identifikasi

dengan benar

(%)

Neuron

Tersembunyi

lr Max

epoch

MSE

1 Data Asli (original)

15 0.01 10.000 1e-32

16/16 100

2 Amplitudo 50% >

amplitudo awal

12/16 75

Hasil pengujian data training

amplitudo awal

3 Amplitudo 25% <

amplitudo awal

14/16 87.5

4 Data (noise -30dB) 8/16 50

5 Data (noise -40dB) 9/16 56.2

Hal 21 dari 25

No Tipe Data

Pembelajaran Identifikasi

dengan benar

(%)

Neuron

Tersembunyi

lr Max

epoch

MSE

1 Normal

15 0.01 10.000 1e-32

24/30 80

2 Murmur sistolic 20/25 80

3 Murmur diastolic 28/34 82.4

4 Murmur continuous 3/10 30

1 Normal

50 0.03 10.000 1e-32

15/30 50

2 Murmur sistolic 11/25 44

3 Murmur diastolic 15/34 44.12

4 Murmur continuous 1/10 10

Pembelajaran Identifikasi (%)

Hasil pengujian untukset data uji

No Tipe Data dengan benarNeuron

Tersembunyi

lr Max

epoch

MSE

1 Normal1

15 0.01 10.000 1e-32

11/11 100

2 Normal2 13/13 100

3 Normal3 4/6 66.7

Murmur sistolic

1 1MR

15 0.01 10.000 1e-32

7/ 7 100

2 1MRCase 6/ 7 85.7

3 3MRCase 6/6 100

4 4ASCase 2/5 40

Murmur diastolic

1 1AR

15 0.01 10.000 1e-32

6/6 100

2 1ARCase 6/7 85.7

3 4ARCase 5/6 83.3

4 5ARCase 4/5 80

5 1MS 5/6 83.3

6 2MSCase 4/4 100

Murmur continuous

1 PDA 15 0.01 10.000 1e-32 3/10 30

Hasil pengujian untuk set datauji (per kasus kelainan)

Hal 22 dari 25

Kesimpulan

1

2

Ekstraksi ciri dengan wavelet dan pengenalan suara denganmenggunakan JST BP, sistem dapat mengenali 80% untuk pola suarajantung sistolic murmur, 82.4% untuk pola suara jantung diastolicmurmur, 30% pola suara jantung continuous murmur dan 80% untukpola suara jantung normal

Sistem merupakan satu kesatuan yang utuh. Tiap-tiap bagianmendukung untuk perbaikan kinerja dari bagian yang lain

Tipe data continuous murmur, tingkat performance mengenali suarasangat buruk (pola suara random). Suara jantung satu dan jantungdua tidak terlihat karena tertutup oleh murmur (fase dari siklusjantung tidak dapat diketahui secara pasti)

Ruangan dengan noise tinggi, sistem tidak dapat bekerja dengan baik

Hal 23 dari 25

3

pola suara jantung normal

4

Hal 24 dari 25Sistem Secara Keseluruhan

Terima kasih

Hal 25 dari 25

ANALISA DAN PENGENALAN SUARA JANTUNG...

Documents

Transcript of ANALISA DAN PENGENALAN SUARA JANTUNG...