perancangan sistem pendeteksi aritmia menggunakan

PERANCANGAN SISTEM PENDETEKSI ARITMIA MENGGUNAKAN
NEURAL NETWORK
ANDRI ISWANTO
Bidang Studi Teknik Elektronika
Jurusan Teknik Elektro, Fakultas Teknologi Industri
Institut Teknologi Sepuluh November
Kampus ITS Gedung A, B dan C Sukolilo Surabaya 60111
[email protected]
jantung. Untuk mendiagnosis aritmia dapat dilakukan
dengan sinyal listrik jantung yang biasa disebut
Electrocardiogram (ECG) [1].
Pembacaan keadaan jantung dilakukan
dengan mengambil sinyal ECG yang kemudian
diakuisisi dan dibandingkan dengan data jantung
normal, jika ada perbedaan signifikan yang
menunjukkan adanya kelainan maka sistem akan
mengidentifikasi bahwa jantung tidak normal.
Dari latar belakang permasalahan diatas
maka dapat disimpulkan perlu dibuat suatu sistem
yang dapat membaca dan mengidentifikasi sinyal
ECG, sehingga dapat mengklasifikasikan keadaan
jantung dalam keadaan normal atau terjadi kelainan
dan juga mampu untuk membedakan setiap kelainan
yang terjadi.
Abstrak : Aritmia adalah kelainan pada
jantung yang berupa gangguan pada frekuensi,
keteraturan, tempat asal denyut atau konduksi impuls
listrik pada jantung. Aritmia merupakan penyakit
yang berbahaya, sehingga memerlukan pengobatan
yang segera dan terapi yang teratur untuk mencegah
kondisi yang lebih buruk. Salah satu diagnosis
aritmia yang paling popular digunakan adalah dengan
Electrocardiograph (ECG). Pada umumnya diagnosis
aritmia hanya dapat dilakukan oleh dokter ahli
jantung. Tetapi seiring dengan perkembangan ilmu
pengetahuan dan teknologi, banyak ilmuan dan
perguruan tinggi yang melakukan penelitian tentang
diagnosis aritmia, sehingga dengan ditemukannya
suatu system yang bisa mengklasifikasikan aritmia
diharapkan setiap orang bisa dengan mudah
mengenali aritmia jika terjadi kelainan pada
jantungnya.Penelitian ini bertujuan untuk merancang
dan merealisasikan system akuisisi ECG dan deteksi
aritmia secara automatis dengan algoritma neural
network. Sistem akuisisi ECG dan pendeteksi aritmia
yang dirancang dapat membaca sinyal ECG dari 5
lead yaitu lead 1, lead 2 dan lead 3 pada lead standart
dan Avl dan Avf pada augmentasi lead. Serta dapat
mengenali beberapa aritmia antara lain : Normal,
Tacikardia, Bradikardia, PVC Early, PAC, 2 BLK 1
dan AFIB.
II TEORI PENUNJANG
2.1 Elektrokardiograf
Elektrokardiograf (ECG) adalah peralatan
kedokteran yang digunakan untuk mengukur aktivitas
elektris dari jantung dengan mengukur perbedaan
biopotensial pada jantung yang diukur dari bagian
luar tubuh. Sinyal elektrokardiogram merupakan
sinyal ac dengan bandwith antara 0.05 Hz sampai 100
Hz. Sinyal ECG normal seperti pada Gambar 2.1
terdiri atas sebuah gelombang P, gelombang QRS
komplek, gelombang T dan kadang-kadang muncul
gelombang U.
Kata kunci : Arrhythmia, ECG, Neural Network.
I PENDAHULUAN
Jantung adalah organ tubuh manusia yang
memiliki fungsi vital, kelainan kecil bisa berpengaruh
besar pada kinerja tubuh kita. Berdasarkan data dari
Badan Kesehatan Dunia (WHO), penyakit jantung
memiliki persentasi mencapai 29% dalam kasus
kematian di Dunia. Oleh karena itu diperlukan alat
yang mampu mendeteksi kelainan jantung sehingga
para penderita penyakit jantung bisa berobat lebih
dini untuk membantu mengurangi nilai kematian
akibat serangan jantung.
Kelainan jantung atau Aritmia merupakan
gangguan yang terjadi pada frekuensi, keteraturan,
tempat asal denyut atau konduksi impuls listrik
Gambar 1 Sinyal ECG [8]
1
2.3 Jaringan Saraf Tiruan (Neural Network)
Jaringan saraf tiruan (JST) adalah system
pemroses informasi yang memiliki karakteristik mirip
dengan jaringan saraf biologi.
Bentuk sederhana dari arsitektur neural
network single layer ditunjukkan pada gambar 2.19
berikut :
2.2 Lead
2.2.1 Lead dasar (lead bipolar/lead standar)
Lead dasar mengukur perbedaan potensial
pada bidang frontal tubuh. Elektroda ditempatkan
pada tangan kanan (RA), tangan kiri (LA), kaki
kanan (RL) dan kaki kiri (LL). Dengan kaki kanan
(RL) sebagai driven right leg [2], kombinasi dari
elektroda tersebut dapat diperoleh 3 lead sebagai
berikut:
Lead I : Mengukur potensial antara RA dan LA
Lead II : Mengukur potensial antara RA dan LL
Lead III : Mengukur potensial antara LA dan LL
wqo=
q
(threshold)
Gambar 4 Single layer Neural Network
uq merupakan kombinasi linear dari input (xj)dan
bobot-bobot jaringan (wqj)
uq =
n
j=0
xj*wqj
Potensial aktivasi
Vq = uq –
Gambar 2 Konfigurasi electrode pada lead standar
[10]
q
Output dari fungsi aktivasi (yq)
Yq = f(vq)
2.2.2 Lead augmented (lead unipolar)
Lead augmented merupakan lead yang
mengukur perbedaan potensial bidang tranversal,
Elektroda referensi ekivalen pada lead ini disebut
2.3 Jaringan Saraf Tiruan
Wilson’s Central Terminal (WCT). Seperti
ditunjukkan gambar 3.
III PERANCANGAN SISTEM
3.1 Rangkaian Pemilih Lead
Gambar 3 Wilson’s Central Terminal [8]
Gambar 5 Rangkaian pemilih Lead
2
Tabel 3.1 Kombinasi Logika Untuk Pemilihan Lead
Lead
I
II
III
aVL
aVR
aVF
IC8
000
001
010
011
100
101
Filter tersebut memiliki frekuensi cut-off
bawah (fcl) dan frekuensi cut-off atas (fch) yang
masing-masing ditentukan oleh rumus sebagai
berikut:
IC7
000
001
010
011
100
101
fcl =
;
fch =
(
)/(
)
Dari persamaa di atas dipilih C1 = C2 =
100uF dan R1 = 100K maka didapatkan nilai fch =
0.03 hz. Dan untuk filter lowpass ditentukan C3 =
15nf dan R8 = 100k diperoleh fcl = 106Hz.
3.2 Penguat Instrumentasi
3.4 Filter Lowpass Orde 2
Gambar 8 Rangkaian Filter Lowpass orde 2
Gambar 6 Rangkaian Penguat Instrumentasi
Dengan menggunakan nilai R33= R34 = 0.5
R35 dan C12 = 2C13 maka didapatkan nilai frekuensi
cut-off dari rangkaian tersebut dengan rumus sebagai
berikut :
Penguatan dari rangkaian ini ditentukan oleh
RG, dimana dengan RG = 560 Ohm diperoleh
penguatan sebesar 90 kali. Perhitungan RG untuk
menentukan penguatan ditentukan oleh persamaan
berikut :
fch =
Dengan menggunakan persamaan diatas,
dipilih R33 = R34 = 100K, R35 = 220K, C13 =
100nF, C12 = 220nF didapatkan frekuensi cut – off
fc = 107 hz.
3.3 Filter Bandpass
3.5 Rangkaian Adder
Gambar 7 Rangkaian Filter Bandpass
3
Gambar 9 Rangkaian Adder
Dengan menggunakan nilai resistor R11 =
R12 maka output dari rangkaian adder ini ditentukan
oleh persamaan berikut:
3.7.2 Perangkat Lunak pada Komputer
Perancangan perangkat lunak pada komputer
bertujuan untuk menampilkan sinyal dalam bentuk
visual, selain itu fungsi yang lebih penting adalah
untuk memproses dan mengklasifikasikan sinyal agar
bisa mengenali aritmia berdasarkan bentuk sinyalnya.
Alur program pada komputer ditunjukkan pada
diagram block berikut :
V out = V in + V dc
3.6 ADC internal ATMega16
Pada rangcangan sistem ECG ini digunakan
mikrokontroler ATmega16 sebagai pusat pemrosesan
data serta sebagai kontrol. Fungsi ATmega16 dalam
rangkaian ini antara lain mengatur switching dari
multiplexer, melakukan proses konversi sinyal ECG
ke digital dan mengirimkan data sinyal ECG digital
ke komputer melalui komunikasi serial menggunakan
modul USB to Serial.
START
Pilih Lead
3.7 Perancangan Perangkat Lunak
3.7.1 Perangkat Lunak pada Mikrokontroler
Perangkat lunak pada mikrrokontroler
ATmega16 berfungsi untuk pemilihan lead, konversi
data dan pengiriman data. Bahasa yang digunakan
adalah bahasa C dengan compiler CodeVision AVR.
Kerja dari perangkat lunak mikrokontroler juga
berhubungan dengan perangkat lunak dari komputer.
Alur program mikrokontroler ditunjukkan oleh
diagram block berikut :
Kirim Karakter
Ada data
masuk ?
Tidak
Iya
START
Deteksi QRS kompleks
dan klasifikasi aritmia
dengan Neural Network
Ada
Request
Tampilkan aritmia dan sinyal
Pilih Lead
Ada data
masuk ?
A=1?
Tidak
Baca ADC
Iya
Selesai
Tidak
STOP
Iya
Kirim Data
Gambar 11 Diagram Alir Program Komputer
Gambar 10 Diagram Alir Program Mikrokontroler
4
Tabel 1 Hasil pengujian Heart rate
3.7.3 Neural Network
Metode Neural Network yang digunakan
adalah NN Multylayer dengan algoritma Least Mean
Square (LMS) dan Backpropagation. Algoritma
LMS cukup sederhana penurunan persamaannya dan
bisa digunakan untuk melakukan klasifikasi aritmia.
Heart rate
simulator
30 bpm
30 bpm
30 bpm
60 bpm
60 bpm
60 bpm
120 bpm
120 bpm
120 bpm
Heart rate
sistem
30 bpm
30 bpm
30 bpm
60 bpm
60 bpm
60 bpm
120 bpm
120 bpm
120 bpm
Diagnosis
Bradikardia
Bradikardia
Bradikardia
Normal
Normal
Normal
Takikardia
Takikardia
Takikardia
Gambar 13 Sinyal ECG normal
Gambar 12 Rancangan Neural Network Multylayer
Dibawah ini adalah ringkasan dari algoritma LMS :
1. Inisialisasi bobot-bobot jaringan, set k = 1,
dan mengatur nilai
(dt)
2. Menghitung nilai parameter pembelajaran
( )=
( )=
1+ /
3. Menghitung kesalahan (error)
( )=
( )
( )
Gambar 14 Sinyal ECG Takikardia aritmia
( ) ( )
4. Update bobot-bobot jaringan dengan
metode LMS
( + 1) = ( ) + .[ ( ) y(k)]. ( )
( + 1) = ( ) + ( ) ( ) ( ),
= 1, 2, . . , .
5. Jika konvergen tercapai, stop; jika tidak set
+ 1, kemudian diulang melakukan
step 2.
Gambar 15 Sinyal ECG Bradikardia aritmia
4.2 Pengujian deteksi aritmia dengan neural network
Deteksi aritmia dengan neural network
digunakan untuk mengenali jenis aritmia berdasarkan
bentuk dan amplitudo sinyal ECG. Aritmia yang
telah bisa dikenali dengan metode ini adalah normal
aritmia, AFIB aritmia, 2BLK1 aritmia, PAC aritmia,
dan PVC early aritmia. Hasil pengujian pengenalan
aritmia dengan neural network dapat ditunjukkan
oleh tabel 2 dan gambar 15 sampai gambar 19.
IV PENGUJIAN SISTEM DAN ANALISA
4.1 Pengujian deteksi aritmia dengan R – R interval
Pengujian aritmia dengan R – R interval
untuk mendeteksi tachycardia aritmia, bradykardia
aritmia dan normal aritmia. ECG normal memiliki
heart rate antara 50 bpm sampai dengan 100 bpm,
tachycardia memiliki heart rate lebih besar dari 100
bpm dan bradykardia memiliki heart rate kurang dari
50 bpm. Hasil pengujian ditunjukkan oleh tabel 1 dan
gambar 12 sampai 14.
Tabel 2 pengujian aritmia dengan neural network
Sinyal
Input
Normal
Normal
5
Output
Bit ke 1: 0.993840729578031
Bit ke 2: 0.016757305325477
Bit ke 3: 0.000565079058810
Bit ke 4: 0.010898384738238
Bit ke 5: 1.25981342329653E-9
Bit ke 1: 0.993840729578031
Bit ke 2: 0.016757305325477
Bit ke 3: 0.000565079058810
Diagnosis
Normal
Normal
Normal
AFIB
AFIB
AFIB
2BLK1
2BLK1
2BLK1
PAC
PAC
PAC
PVC Early
PVC Early
PVC Early
Bit ke 4: 0.010898384738238
Bit ke 5: 1.25981342329653E-9
Bit ke 1: 0.993840729578031
Bit ke 2: 0.016757305325477
Bit ke 3: 0.000565079058810
Bit ke 4: 0.010898384738238
Bit ke 5: 1.25981342329653E-9
Bit ke 1: 0.005672594359717
Bit ke 2: 0.979887403519265
Bit ke 3: 0.008956379985413
Bit ke 4: 1.46436945676573E-6
Bit ke 5: 2.61143999837143E-7
Bit ke 1: 0.005672594359717
Bit ke 2: 0.979887403519265
Bit ke 3: 0.008956379985413
Bit ke 4: 1.46436945676573E-6
Bit ke 5: 2.61143999837143E-7
Bit ke 1: 0.005672594359717
Bit ke 2: 0.979887403519265
Bit ke 3: 0.008956379985413
Bit ke 4: 1.46436945676573E-6
Bit ke 5: 2.61143999837143E-7
Bit ke 1: 1.71023682684068E-11
Bit ke 2: 0.011261844595369
Bit ke 3: 0.984492840585866
Bit ke 4: 0.001597573124215
Bit ke 5: 0.006954140334230
Bit ke 1: 1.71023682684068E-11
Bit ke 2: 0.011261844595369
Bit ke 3: 0.984492840585866
Bit ke 4: 0.001597573124215
Bit ke 5: 0.006954140334230
Bit ke 1: 1.71023682684068E-11
Bit ke 2: 0.011261844595369
Bit ke 3: 0.984492840585866
Bit ke 4: 0.001597573124215
Bit ke 5: 0.006954140334230
Bit ke 1: 6.87857027570143E-9
Bit ke 2: 5.2715883971445E-6
Bit ke 3: 0.00745229450934
Bit ke 4: 0.98366220775181
Bit ke 5: 0.00181435793506
Bit ke 1: 6.87857027570143E-9
Bit ke 2: 5.2715883971445E-6
Bit ke 3: 0.00745229450934
Bit ke 4: 0.98366220775181
Bit ke 5: 0.00181435793506
Bit ke 1: 6.87857027570143E-9
Bit ke 2: 5.2715883971445E-6
Bit ke 3: 0.00745229450934
Bit ke 4: 0.98366220775181
Bit ke 5: 0.00181435793506
Bit ke 1: 3.93132231771231E-17
Bit ke 2: 0.000909459657112
Bit ke 3: 0.010631094852490
Bit ke 4: 0.012259361479312
Bit ke 5: 0.993909305449504
Bit ke 1: 3.93132231771231E-17
Bit ke 2: 0.000909459657112
Bit ke 3: 0.010631094852490
Bit ke 4: 0.012259361479312
Bit ke 5: 0.993909305449504
Bit ke 1: 3.93132231771231E-17
Bit ke 2: 0.000909459657112
Bit ke 3: 0.010631094852490
Bit ke 4: 0.012259361479312
Bit ke 5: 0.993909305449504
Target output dari masing – masing aritmia adalah :
Normal
: 10000
AFIB
: 01000
2BLK1
: 00100
PAC
: 00010
PVC Early
: 00001
Normal
AFIB
AFIB
AFIB
Gambar 16 hasil pengujian ECG normal
2BLK1
2BLK1
2BLK1
PAC
Gambar 17 hasil pengujian ECG AFIB aritmia
PAC
PAC
PVC Early
Gambar 18 hasil pengujian ECG 2BLK1 aritmia
PVC Early
PVC Early
6
DAFTAR PUSTAKA
[1] Thaler, Malcolm S, Satu-satunya buku EKG
yang anda perlukan / Malcolm S Thaler ;
Alih bahasa, Samik Wahab.- Ed.2 ,Hipokrates, Jakarta, 2000.
[2] Mardiyanto, Ronny, Perancangan dan Realisasi
Prototip
Elektrokardiograf
Berbasis
Mikrokontroler, ITB, Bandung, 2006.
[3] Kohler, Bert-Uwe., dkk, The Principles of
Software QRS Detection, IEEE Eng. Med.
Biol. Mag., pp 42-55, 2005.
[4] J.Tompkins, Willis, Biomedical Digital Signal
Processing, Prentice Hall, New Jersey, 1995.
[5] Mihel, J. dan Magjarevic, R., USB Based ECG
Acquisition Sistem, Medicon 2007, IFMBE
Proceedings 16, pp. 58-61, 2007.
[6] Najeb, J.M., dkk, 12-Channel USB Data
Acquisition Sistem For QT Dispersion
Analysis, Proceedings of the International
Conference on Robotics, Vision, Information
and Signal Processing ROVISP, 2005.
[7] Aston, Richard, Principles of Biomedical
Instrument, Merril Publishing, Toronto, 1990.
[8]
________,
12
Lead
ECG
Sistem,
http://www.bem.fi/book/15/15.
htm,
29
Desember 2009.
[9] Gabriel, J.K., Fisika Kedokteran, EGC, Jakarta,
1996.
[10] Jones, Shirley A., ECG Notes – Interpratation
and Management Guide, F.A. Davis
Company, Philadelphia, 2005.
[11] Modul Biomedical Signal Amplifier mod EBB1/EV, Elettronica Veneta, hal 45.
[12] Setiawan, Rachmad, Teknik Akuisisi Data,
Graha Ilmu, Yogyakarta, 2008.
[13]Widodo,
Arif,
Sistem
Akuisisi
ECG
Menggunakan USB Untuk Deteksi Aritmia,
ITS, Surabaya, 2010.
Gambar 19 hasil pengujian ECG PAC aritmia
Gambar 20 hasil pengujian ECG PVC Early aritmia
V PENUTUP
Berdasarkan perancangan, pembuatan dan pengujian
dari sistem ini dapat diambil beberapa kesimpulan
sebagai berikut :
1. Perancangan akuisisi ECG dengan penguat
instrumentasi AD620 memiliki banyak
kelebihan dibandingkan dengan 3 Op-Amp
antara lain : penguatan bisa mencapai 100
kali, kemampuan meredam noise mencapai
130 dB, efisiensi karena hanya dalam 1 chip
dan konsumsi daya yang rendah sekitar 650
mW.
2. Sistem akuisisi ECG yang dirancang bisa
menampilkan sinyal ECG dari lead 1, lead 2,
lead3, aVL dan aVF. Lead aVR belum bisa
menampilkan sinyal ECG.
3. Program deteksi aritmia dengan R – R
interval dapat mendeteksi aritmia takikardia,
bradikardia dan normal.
4. Program deteksi aritmia dengan neural
network bisa mendeteksi 5 jenis aritmia
yaitu : normal aritmia, PAC aritmia, AFIB
aritmia, 2 LBK 1 aritmia dan PVC Early
aritmia.
7
Andri Iswanto, lahir
di Lamongan pada
tanggal 27 oktober
1987, anak terakhir
pasangan Bapak Sadji
dan Ibu sulastri dari
empat
bersaudara.
Penulis
telah
menempuh
pendidikan formal di
SDN 1 Bronjong,
SMPN 1 Bluluk,
SMAN 1 Ngimbang,
Pada tahun 2005
penulis terdaftar sebagai mahasiswa D3 Teknik
Kelistrikan PPNS – ITS dan pada tahun 2008 penulis
melanjutkan study ke S1 jurusan Teknik elektro ITS.
Selama masa kuliah penulis aktif dalam
beberapa kegiatan nonformal seperti organisasi di
kampus ITS dan mengikuti beberapa pelatihan
nasional seperti pelatihan KRI/KRCI.
8