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]

Presenter

Presentation Notes

letaknya di dalam rongga dada antara paru-paru kiri dan kanan, diatas diagfragma, agak ke kiri, sebesar kepalan tangan (250-300 gr) spt buah mangga, Jumlah 1 bh, Atas tumpul, Bawah runcing Seperti yang ditunjukkan pada gambar jantung manusia terbagi menjadi empat ruang, yaitu dua ruang jantung kecil kiri dan kanan yang dinamakan serambi jantung (atrium/atrial), dan dua ruang jantung lainnya yang memiliki ruang besar, yaitu kiri dan kanan yang dinamakan bilik jantung (ventricle). Antara kedua serambi dibatasi oleh pembatas yang dinamakan septal atrium . Antara kedua bilik dibatasi oleh pembatas yang dinamakan septal ventrikel. Sumber bioelektrik jantung merupakan Sel-sel pacemaker, dimana yang sangat berperan disini adalah elktrolit (Na, K,Ca, Mg). Ada 3 sumber utama pacemaker, yaitu : SA Node, AV Node dan serabut punkinje / otot ventricle. Ketiga sumber pacemaker ini dihubungkan oleh jaringan penghubung khusus atau yang disebut system konduksi jantung.

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.

Presenter

Presentation Notes

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

Presenter

Presentation Notes

ECG tersusun oleh berbagai gelombang meliputi gelombang P, kompleks QRS, gelombang T, segmen ST, interval PR Fase depolarisasi ; bagian yang terjadi akibat penyebaran impuls Fase repolarisasi : bagian yang terjadi bila sel otot jantung kembali istrirahat Sinyal EKG memiliki tingkat kompleksitas yang tinggi, nonstasioner. Ekstraksi manual terhadap informasi penting sinyal pada EKG sangatlah tidak efisien karena banyaknya data yang harus diamati. Salah satu cara yang banyak dilakukan adalah dengan menggunakan bantuan komputer untuk mengetahui karakteristik dari sinyal pada EKG tersebut, maka diperlukan suatu pendekatan analisa time-frequency untuk melihat setiap perubahan frekuensi di setiap waktu

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]

Presenter

Presentation Notes

Gangguan dalam penyebaran stimulus melalui salah satu cabang berkas (bundle) HIS sehingga terjadi gangguan syaraf motorik dari ventrikel kanan/kiri ke ventrikel kiri/kanan Gangguan depolarisasi ventrikel Kompleks QRS lebarnya lebih dari 0,12 detik

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.

Presenter

Presentation Notes

TWK dapat membesar atau menjadi padat, fitur-fitur yang berbeda dari sinyal akan diekstrak Hasil TWK adalah distribusi energi dalam bidang waktu-frekuensi. mother wavelet morlet cocok dan tepat untuk klasifikasi data dan koefisien dihitung dapat mewakili perbedaan morfologis sinyal. Skala yang digunakan : 0.001 Hasil : contour matrik 100*360

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)

Presenter

Presentation Notes

Hasil dari proses tresholding memunculkan pulau-pulau pada bidang waktu-skala. Parameter waktu-skala yang. meliputi interval setiap gelombang sinyal EKG, dan standar deviasinya yang digunakan dalam penelitian ini diperoleh dari menghitung centre of gravity (CoG). CoG merupakan titik pusat dari suatu contour yang ditentukan dari koordinat sumbu x, sumbu y dan sumbu z. Pusat gravitasi dari suatu area adalah titik di mana semua area dapat dianggap terkonsentrasi [8]. Untuk koordinat x sebagai nilai waktu, y sebagai nilai skala dan z sebagai nilai magnitude suatu pusat gravitasi, masing-masing dapat dihitung dengan persamaan

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

Presenter

Presentation Notes

Eksperimen komputasi menghasilkan output TWK yang menggambarkan karakteristik parameter waktu–skala dari sinyal EKG dengan magnitudonya dalam bentuk contour. Kemunculan contour yang mencirikan gelombang EKG terdapat pada rentang skala 60x10-2 hingga 100x10-2 dengan titik pusat bernilai magnitudo tinggi terdapat pada skala 80x10-2. Magnitudo dengan warna yang lebih cerah hingga menuju kecoklatan yang merupakan nilai magnitudo tinggi, sedangkan warna kebiruan hingga menuju biru gelap merupakan nilai magnitudo rendah

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

Closing

B-205

[email protected]@mhs.ee.its.ac.id

PENGEMBANGAN SISTEM DIAGNOSA KELAINAN JANTUNG...

Documents

Transcript of PENGEMBANGAN SISTEM DIAGNOSA KELAINAN JANTUNG...