PENGEMBANGAN SISTEM DIAGNOSA KELAINAN JANTUNG...
Transcript of PENGEMBANGAN SISTEM DIAGNOSA KELAINAN JANTUNG...
LOGO
TESISTESIS
PENGEMBANGAN SISTEM DIAGNOSA PENGEMBANGAN SISTEM DIAGNOSA KELAINAN JANTUNG BERBASIS KELAINAN JANTUNG BERBASIS CONTINOUS WAVELET TRANSFORM CONTINOUS WAVELET TRANSFORM (CWT) (CWT) DAN DAN ARTIFICIAL NEURAL NETWORKARTIFICIAL NEURAL NETWORK (ANN)(ANN)
FUAD LUTFIFUAD LUTFINRP. 2210206722 NRP. 2210206722
PembimbingPembimbing ::Achmad ArifiAchmad Arifin, ST, n, ST, M.EngM.Eng, PhD, PhD
PROGRAM MAGISTERPROGRAM MAGISTERBIDANG KEAHLIAN TELEMATIKA BIDANG KEAHLIAN TELEMATIKA
JURUSAN TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO 20122012
ISU-ISU DARI JUDUL
PENGEMBANGAN SISTEM DIAGNOSA KELAINAN JANTUNG BERBASIS CONTINOUS WAVELET TRANSFORM (CWT) DAN ARTIFICIAL NEURAL NETWORK (ANN)
Company Logo
Jantung adalah organ vital tubuh manusia yang berfungsi memompakan darah ke seluruh jaringan tubuh
Continous Wavelet Transform (CWT) proses merepresentasikan suatu sinyal ke dalam domain / kawasan lain, dengan tujuan untuk lebih menonjolkan sifat atau karakteristik sinyal tersebut.
Artificial Neural Network (ANN) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan saraf biologis manusia sehingga komputer atau mesin dapat menduplikasi kecerdasan manusia.
PenyakitPenyakit JantungJantung
PenyakitPenyakit MematikanMematikan
KondisiKondisi JantungJantung
aktifitasaktifitas elektrikelektrik jantungjantung
- Di Dunia : Urutan II penyebab kematian (WHO : 5 dari 10 org dunia gagal jantung)- Di Indonesia : Urutan I penyebab kematian (Depkes : ±20 jt org / 10% penduduk)
(Electrocardiograph, ECG)(Electrocardiograph, ECG)- Sulitnya mengetahui informasi data ECG- Minimnya tenaga interpreter ECG yang handal- Dominasi subyektifitas analis ECG
SinyalSinyal EKG EKG
NonstationerNonstationer
EkstraksiEkstraksi Data Data
• Ekstraksi manual terhadap informasi penting sinyal EKG sangatlah tidak efisien karena banyaknya data yang harus diamati
• Diperlukan suatu pendekatan analisa time-frequency untuk melihat sifat kenonstasionerannya dalam setiap perubahan frekuensi di setiap waktu
KlasifikasiKlasifikasi data data
DasarDasar DiagnosaDiagnosa
- Menyimpulkan ECG perlu keahlian dan pengalaman-Analis komputasi kecerdasan buatan untuk mengenali dan mengklasifikasi pola sinyal
Detection of ECG Characteristic Points Using Wavelet Transforms(Cuiwei Li, Chongxun Zheng, and Changfeng Tai) IEEE Trans. on Biomedical Engg, Jan 2005 Algoritma berbasis transformasi wavelet telah dikembangkan untuk mendeteksi karakteristik poin EKG. Algoritma ini dapat mendeteksi gelombang QRS, T dan P dari ECG. Algoritma ini kemudian diterapkan pada PC 486-DX33 dengan bahasa C, EKG yang direkam selama 10 menit dapat diolah datanya selama 1 menit, kecepatan ini masih belum cukup baik untuk menganalisa data ECG yang kontinu. Kecepatan proses ekstraksi ciri dalam pengolahan data menjadi prioritas utama penelitian Data yang dianalisa – data ECG yang kontinu hasil perekaman lebih dari 1 jam
A Wavelet-Based ECG Delineator : Evaluation on Standard Database(Juan Pablo M, Rute Almeida, and Salvador Olmos) IEEE Trans. on Biomedical Engg Apr 2004 Penelitian mengevaluasi algoritma pada database secara manual beberapa sumber : MIT-BiH Aritmia, QT database, European ST-T, dan CSE database, pengujian dikembangkan untuk tujuan validasi. Diperoleh hasil MIT-Bih Aritmia ketersediaan datanya lebih lengkap dan minim noise.Database yang digunakan adalah yang diambil dari bank data physiologi MIT-BIH
“Interference Reduction in ECG using Digital FIR Filter Based on Rectangular Window”(Mahesh S Chava, R.A Agrwala, M.D. Uplane) WSEAS Trans on Signal Processing, May 2008Penelitian ini mendesain penggunaan FIR (Finite Impulse Response) Filter menggunakan rectangular window, Menggunakan tiga filter yakni low pass filter, high pass filter dan notch filter. Pembahasan pada paper hanya digunakan untuk memperkecil noise tidak diperuntukan untuk menarik kesimpulan hasil pembacaan sinyal ECG. Perlu pengklasifikasian data hasil ekstraksi dan normalisasi
RUMUSAN :
Diperlukan sebuah sistem diagnostik kelainan jantung.
Ekstraksi data untuk mendapatkan karakterisasi data,
Pengklasifikasian dari data hasil ekstraksi fitur.
Company Logo
BATASAN :
Mendeteksi kelainan jantung berdasarkan sinyal ECG pathology normal dan aritmia
data diambil dari database physiology ECG MIT-BiH
Metoda ekstraksi ciri dengan fungsi wavelet continue
Metoda klasifikasi dengan backpropagation Neural Network
Tujuan1. Mengekplorasi metode transformasi wavelet sinyal
elektrik jantung sedemikian hingga karakteristik dari setiap pola dapat diekstrak lebih teliti
2. Meningkatkan performansi klasifikasi dari sinyal jantung
3. Mengembangkan sistem diagnosa elektronik kelainan jantung
Company Logo
ManfaatMemberikan kontribusi bagi dunia medis dalam hal analisa pola sinyal elektrik jantung yang dihasilkan pada elektrokardiograf (EKG)
organ vital tubuh manusiayang berfungsi
memompakan darah ke seluruh jaringan tubuh,
Atrium kanan
Atrium kiri
Ventrikelkanan
Ventrikelkiri
Atrioventrikuler(AV) Node
Sinoatrial(SA) Node
Ventrikel septal
Atrialseptal
serabut punkinje
4[1] Martini, Fundamental of anatomy and Physiology, 5th edition. 2003
Gambar Anatomi Jantung [1]
metoda untuk mengukur kinerja jantung manusia melalui aktivitas elektrik jantung dalam waktu tertentu.
Gambar Ilustrasi ECG [1]
1 beat PQRST = 1 denyut
5[1] wikipedia, ensiklopedia bebas[2] Hampton, JR., The ECG Made Easy, Churchill Livingstone, 6th edition. 2003
Beats : SA Node (70-80/sc), AV Node (40-60/sc), BB (15-40/sc)
Gelombang P• Depolarisasi atrium nodus SA ke nodus AV• Menyebar = atrium kanan ke atrium kiri. • Durasi = 0.1 detik
Kompleks QRS• Depolarisasi ventrikel• Lebih besar dari gel P = ventrikel lebih banyak massa
otot dari pada atrium• Durasi =0,06 s - 0.10 s (60-100 ms)
Gelombang T• Repolarisasi /kembalinya Ventrikel.
Gbr.1 Komponen Sinyal ECG : (1)gel. P; (2)kompleks QRS; (3)gel.T; (4)interval PR; (5)interval QRS; (6)interval QT; (7) interval ST; (8)segment PR; (9)segmen ST; (10) interval RR (beat); (11)siklus jantung (gel.P, QRS kompleks, dan gel.T).
Kompleks &Nonstationer
Time–Frequency AnalysisEkstraksi
Fitur
Pengujian dan Analisa Sistem
Pengumpulan Data Segmentasi Data
Persiapan Data
Sinyal EKG
Klasifikasi Data
Design Jaringan
Inisialisasi Jaringan
Pelatihan Data
Pengujian Data
Komputasi Ekstraksi FiturCWT
Ekstraksi Fitur
Komputasi Morfologi EKG Center of Gravity
Blok diagram Penelitian
Modul Perangkat Lunak
Modul ISegmentasi
Data
Modul IIEkstraksi FiturCWT - CoG
Modul IIIKlasifikasi Data
ANN Backpropagation
Class1
Class2
Class3
Modul Segmentasi Data
ECG data selection
Seg 1 Seg 3 Seg 6
Interval 1:00
Interval 0:6
data :amplitudo
ECG data selectionMIT-BIH Arrhythmia Database10 file; panjang 1 menit; frekuensi sampling 360 Hz; segmen 6 detiknormal beats (N), bundle branch block beats (BBB)
8
Tabel File dan Klasifikasinya dari database MIT-BIH[1]
Record beats Description
100 Normal – 74 (MLII; male, age 69)
103 Normal – 71 (MLII; male, age not recorded)
112 Normal – 84 (MLII; male, age 54)
115 Normal – 63 (MLII ; female, age 39)
234 Normal – 92 (MLII ; female, age 56)
118 RBBB – 74 (MLII ; male age 69)
124 RBBB – 50 (MLII ; male age 77)
212 RBBB – 92 (MLII ; female age 32)
109 LBBB – 85 (MLII ; male, age 64)
111 LBBB – 70 (MLII; female age 47) 9
[1] http://physionet.org/physiobank/database/html/mitdbdir/records.htm[2] Hampton, JR., The ECG Made Easy, Churchill Livingstone, 6th edition. 2003
Gambar Ilustrasi BBB [2]
Modul Ekstraksi FiturSinyal EKG
Hitung CWT File vektor
Contour CWT
Threshold Magnitude
File CWT.
Pemilihan Area
Contour threshold
- Posisi data- Nilai dataHitung Time-scale
Hitung CoG3
2File data Area 1
Cari area lain
?
selesai
9
dta
bttxa
baTWK ba
~
~
*,)(1),(
tjt
morleteet 0
2
24
1)(
Continuous Wavelet Transform
1.a, merupakan faktor skala, dengan nilainya akan berbanding terbalik dengan frekuensi. Skala yang digunakan : 0.001
2.b, merupakan lokasi waktu.3.ψ, merupakan fungsi dari mother wavelet.
mother wavelet morlet4. *, merupakan fungsi matematis konjugat
kompleks.
Hasil : contour
matrik 100*200
Proses merepresentasikan suatu sinyal ke dalam domain /window dengan tujuan untuk lebih menonjolkan sifat atau karakteristik sinyal tersebut.
0 2 (0.849)
Transformasi Wavelet (TW) sangat baik dalam menganalisa time-frequency untuk sinyal yang nonstasioner.
9
Parameter EKG Localization Parameter
Hasil Komputasi CWT contour bidang waktu-skala
Langkah untuk memperoleh parameter waktu-skala :1) tresholding magnitude antara 10% - 50%,
Hasil : pulau-pulau waktu-skala/frekuensi. 2) centre of gravity (CoG)
titik pusat contour dari koordinat sumbu x , y, z. x waktu ; y skala ; z magnitudo
ii
iiicg zy
zyxx
ii
iiicg zx
zyxy
ii
iiicg yx
zyxz
Time
Perhitungan untuk menentukan koordinat dari CoG : 11
CoG (x,y)
Skal a
Ilustrasi Center of Gravity (CoG)
9
Modul Klasifikasi DataFile hasil
ekstraksi fitur
LOAD DATA KomponenJaringan
Tentukan targetForward
Cari BobotBackward
Pengenalan
2File data Bobot 1
selesai
Latih?
Y
TGunakan File Bobot
No Klasifikasi data Data keluaran
1 Kondisi normal 1 0 0
2 Right Bundle Branch Block 0 1 0
3 Left Bundle Branch Block 0 0 1
Arsitektur Jaringan
.: Komputasi CWT :.10
Contoh contour Hasil Perhitungan Menggunakan CWT
komputasi CWTSkala : 0.001
contourwaktu–skala-magnitudo
Matriks 100*200
skala contour sinyal EKG 60x10-2 - 100x10-2
magnitudo tinggi 80x10-2.
magnitudo tinggi,warna cerah menuju kecoklatan
magnitudo rendahwarna kebiruan menuju biru gelap
14
15
Sinyal EKG dalam domain waktu dan Koefisien CWT Sinyal EKG normal (file 100)
.: Komputasi CWT :.
15
Sinyal EKG dalam domain waktu dan Koefisien CWT Sinyal EKG bundle branch block (file 118)
.: Komputasi CWT :.
Melebarnya QRS kompleks Melebarnya QRS
kompleks
16
Parameter EKG Contoh Hasil Penentuan Parameter pada Time-Frequency
Parameter Sinyal EKG
Persentase Keberhasilan Pengenalan Pola Sinyal EKGSampel Data Latih
DiagnosaHasil pengujian
∑ Persentasi(normal) (rbbb) (lbbb)
cluster ke-1 (normal) 40 0 0 40 100 %cluster ke-2 (rbbb) 0 21 0 21 100 %cluster ke-3 (lbbb) 0 0 14 14 100 %
∑∑ 4040 2121 1414 7575 100 %100 %
Sampel Data Uji Baru
DiagnosaHasil pengujian
∑ Persentasi(normal) (rbbb) (lbbb)
cluster ke-1 (normal) 10 0 0 10 100 %cluster ke-2 (rbbb) 0 7 2 9 77.78 %cluster ke-3 (lbbb) 0 1 5 6 83.33 %
∑∑ 1010 88 77 2525 87.04 %87.04 %
1. Sinyal EKG merupakan sinyal biomedik yang bersifat nonstationer2. CWT mampu menunjukan karakterisasi perbedaan nilai waktu dan frekuensi kondisi normal dan
kelainan bundle branch block (BBB). 3. Skala frekuensi untuk setiap gelombang identik sama (50-60Hz)4. Morfologi waktu terlihat berbeda dari lebar kompleks QRS, hal ini menggambarkan adanya
keterlambatan hantaran impuls saat depolarisasi ventrikel abnormal5. Rentang waktu kompleks QRS kondisi normal < 0.12 detik, rentang waktu BBB > 0.12 detik.6. ANN Backpropagation rata-rata tingkat akurasi pengklasifikasi sinyal EKG ini adalah 96%,
ketidakakuratan terjadi untuk pengenalan pola mirip yang belum diajarkan pada jaringan syaraf. 7. Hasil pengujian menunjukkan efektifitas dari pengenalan pola sinyal EKG dengan menggunakan
metode CWT dan ANN Backpropagation
.: Kesimpulan :.
Menguji pada data EKG realtime Pengembangan dalam Intelligent System Cardiac Pathology.Saran…
Closing Apresiasi Beasiswa
Pemerintah Kabupaten Lebak
RSUD dr. Adjidarmo
Direktur
Bagian Program & Perencanaan
SubBag Diklat SubBag SIM RSSubBag Program
SIM RS /Billing IPS RS
Admin IT- SIMDA- LPSE- e-KTP- SIPKD- KIP - Renstra IT
CIO
TesisTesis ::PENGEMBANGAN SISTEM DIAGNOSA PENGEMBANGAN SISTEM DIAGNOSA KELAINAN JANTUNG BERBASIS KELAINAN JANTUNG BERBASIS CONTINOUS WAVELET TRANSFORM CONTINOUS WAVELET TRANSFORM (CWT) (CWT) DAN DAN ARTIFICIAL NEURAL NETWORKARTIFICIAL NEURAL NETWORK (ANN)(ANN)
Kemampuan CIO :- Komunikasi- Cara Berfikir Strategis dan
Perencanaan yang Baik- Project Mangement dan
Monitoring Program- IT Knowledge
Managemen StrategiManajemen ProyekPerformance ManagementKecerdasan BisnisSistem Manajemen Basis DataTatakelola dan Audit ITStandar dan Regulasi TIKKeamanan SIM & JaringanSistem dan Jaringan TIK Manajemen jaringanRekayasa Internet E-GovernmentSistem CerdasPenulisan Ilmiah