analisa dan pengenalan suara jantung menggunakan

ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN
WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN
KATUP JANTUNG PADA MANUSIA
Sidang Tesis
S2 Teknik Sistem Pengaturan FTI-ITS Surabaya
EDY SETIAWAN
2209202001
Pembimbing
Prof. Ir. Abdullah Alkaff, MSc, Ph.D
Prof. R Mohammad Yogiarto, dr. SpJP(K)FIHA,FASCC
Ir. Rusdhianto. EAK, MT
Hal 1 dari 25
JURUSAN TEKNIK ELEKTRO
PROGRAM STUDI TEKNIK SISTEM PENGATURAN
FAKULTAS TEKNOLOGI INDUSTRI ITS
SURABAYA 2011
Pembahasan
• Latar belakang
• Rumusan masalah
• Tujuan
• Batasan masalah
• Teori penunjang
• Analisa sistem
• Hasil
• Kesimpulan
Hal 2 dari 25
Latar Belakang
Kelainan katup jantung yang dideteksi dan diisyaratkan dengan adanya bising
jantung menyebabkan gangguan fungsi jantung atau gangguan hemodynamic
Memantau kinerja jantung
Dokter
menggunakan stetoskop
suara yang dihasilkan lemah, masih diperlukan kepekaan dan
pengalaman
Hasil diagnosis masih dipengaruhi oleh subyektifitas dokter
Diperlukan metode pengenalan suara
Transformasi Wavelet dan JST BP (Backpropagation)
Hal 3 dari 25
Rumusan Masalah
1
Murmur adalah salah satu gejala kelainan katup jantung dengan
pola-pola tertentu sesuai dengan kelainan katup jantung yang
diderita pasien. Oleh karena itu bagaimana membuat sistem
komplek yang mampu mendeteksi dan mengenali pola-pola
tersebut.
2
Bagaimana mengklasifikasikan kondisi jantung berdasar gejala
abnormalitas suara jantung (murmur) pada pasien penderita
kelainan katup jantung.
3
Bagaimana memodelkan karakteristik dari rekam medis suara
jantung dengan menggunakan Jaringan Syaraf Tiruan
Backpropagation
Hal 5 dari 25
Tujuan
1
Mendapatkan metode alternatif dalam pendeteksian awal penyakit
pada jantung manusia lebih dini sehingga seseorang dapat mengambil
keputusan yang tepat menyikapi kondisi kesehatan jantungnya.
2
Sebagai modul pembelajaran bagi dokter-dokter muda yang sedikit
pengalaman dalam mengklasifikasikan suara jantung normal maupun
yang mengalami kelainan katup jantung dengan teknik Auskultasi.
3
Membuat suatu sistem dalam analisa dan pengenalan suara jantung
yang dapat mengenali dan mengklasifikasikan kondisi jantung
khususnya pada penderita kelainan katup jantung.
4
Mempelajari penggunaan metode jaringan syaraf tiruan dengan proses
pembelajaran.
Hal 6 dari 25
Batasan Masalah
1
Proses perekaman suara jantung dilakukan pada ruangan kedap suara.
2
Diagnosa hanya dilakukan pada suara jantung normal, suara jantung
sistolic murmur (mitral regurgitasi dan aortic stenosis), diastolic murmur
(aortic regurgitasi dan mitral stenosis) dan continuous murmur (Patent
Ductus Arteriousus)
3
4
5
Tranduser suara dengan respon frekuensi 20Hz – 20000Hz (type Elektret
Condenser Microphone).
Hal 7 dari 25
Referensi bising jantung(murmur) sebagian diambil dari RSUD Dr.
Soetomo Surabaya dan sebagian dari internet.
Program simulasi menggunakan MATLAB 7.0.1
Teori
Murmur
Bunyi yang terdengar terusmenerus selama periode sistole,
diastole, atau keduanya.
Visualisasi jantung normal
dan abnormal karena ada
kelainan katup
Hal 8 dari 25
Area Katup
Jantung
1.Bunyi katup mitral terdengar
paling baik di apeks.
2.Bunyi katup trikuspid paling baik
terdengar di batas lateral kiri
sternum (LLSB).
3.Bunyi katup aorta terdengar
paling baik di basis kanan.
4.Bunyi katup pulmonal terdengar
paling baik di basis kiri.
Hal 9 dari 25
Teori
Transformasi Wavelet
Diskret (TWD)
•Teknik pemrosesan sinyal multiresolusi.
•TWD dapat memilah-milah suatu sinyal
data berdasarkan komponen frekuensi
yang berbeda-beda.
•Dapat diperoleh gambaran data secara
keseluruhan dan detail berdasarkan
skala resolusi yang sesuai.
Hal 10 dari 25
Bandwidth Sinyal
Setiap Level
hpf
g(n)
Menghasilkan koef
Detil
Hal 11 dari 25
h(n)
lpf
Menghasilkan koef
Approximation
Teori Jaringan
Syaraf Tiruan
(Backpropagation)
Sistem komputasi pemodelan neuron.
 n

y  f   wixi   
i 1
 i

xi: sinyal masukan, i = 1,2,…,n
n: banyaknya simpul masukan
wi: bobot hubungan atau synapsis
θ: threshold atau bias
ƒ(*): fungsi aktivasi
y: sinyal keluaran dari neuron
Hal 12 dari 25
Karakteristik
JST
.
Backpropagation
1
Jaringan Multi layer
2
Fungsi Aktivasi
Sigmoid
biner
1
f ( x) 
1  exp( x)
Hal 13 dari 25
Sigmoid
bipolar
f ( x) 
2
1
1  exp( x)
Algoritma
pembelajaran
Backpropagation
Inisialisasi bobot awal (secara acak
atau metode Nguyen Widrow)
Perhitungan nilai aktivasi, tiap
neuron dari input yang diterimanya
Penyesuaian bobot, dipengaruhi
error antara target output dan nilai
output jaringan
Iterasi (dilakukan sampai kriteria
error tertentu dipenuhi)
Hal 14 dari 25
Analisa
Sistem
Konsep dasar
pengenalan pola
suara jantung
Pasien
Hal 15 dari 25
Sensor
Proses
pengenalan
pola suara
Dokter
Sistem Pengenalan
Pola 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)
34 data dyastolic murmur (kelainan katup aortic regurgitation
& mitral stenosis),
10 data continuous murmur (kelainan katup patent ductus
arteriousus)
30 data suara jantung normal
Hal 17 dari 25
Pengujian &
Hasil
1 Set data pelatihan
No
ID
Nilai Denyut Per Menit Saat
Istirahat
1
2
3
latihnormal1
latihnormal2
latihnormal3
Systolic murmur
80
80
80
1
2
3
4
5
6
latih1AS
latihASCase1
latihASCase4
latih1MR
latihMRCase1
latihMRCase3
Dyastolic murmur
80
80
90
80
90
90
1
2
3
4
5
6
latih1AR
latihARCase1
latihARCase4
latihARCase5
latih1MS
latihMSCase2
Continuous murmur
80
80
65
65
80
90
1
latihPDA
90
Normal
Normal
Normal
Kasus katup jantung
Aortic Stenosis
Aortic Stenosis
Aortic Stenosis
Mitral Regurgitation
Mitral Regurgitation
Mitral Regurgitation
Kasus katup jantung
Aortic Regurgitation
Aortic Regurgitation
Aortic Regurgitation
Aortic Regurgitation
Mitral Stenosis
Mitral Stenosis
Kasus katup jantung
Patent Ductus Arteriosus
Sinyal
2 StrukturKarakteristik
Hal 18 dari 25
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
Pengujian &
Hasil
4
Hal 19 dari 25
3
Struktur JST Percobaan
Karakteristik
Arsitektur
Neuron input
Neuron tersembunyi
Neuron output
Fungsi aktifasi
Toleransi kesalahan (MSE)
Spesifikasi
1 Lapisan tersembunyi
Hasil ekstraksi ciri
15
8
Sigmoid
1e-32
Laju pembelajaran
Jumlah epoch
Data training
Data testing
0.01
10000
16 Data suara jantung
99 Data suara jantung
Definisi target fungsi sigmoid
No
Target
1
2
3
4
5
6
00000001
0 0 0 0 0 0 10
00000011
00000100
00000101
00000110
Representasi Suara
Normal
Aortic Regurgitation
Aortic Stenosis
Mitral Regurgitation
Mitral Stenosis
Patent Ductus Arteriosus
Perhitungan MSE
Output
Baseline
Hasil perkalian antara data
input dengan bobot hasil
pelatihan jst dibandingkan
dengan target output
Range/toleransi:
>0.9570 dan <1.0885
Akan berlogika 1, diluar
range tersebut diatas
akan berlogika 0
Hal 20 dari 25
Normal
AR
MR
MS
AS
PDA
Prosentase Keberhasilan Pengujian
Hasil pengujian data training
Pembelajaran
No
Tipe Data
Neuron
lr
Tersembunyi
1
Data Asli (original)
2
Amplitudo 50% >
15
Max
Identifikasi
MSE
(%)
dengan benar
epoch
0.01
10.000
1e-32
16/16
100
12/16
75
14/16
87.5
amplitudo awal
3
Amplitudo 25% <
amplitudo awal
4
Data (noise -30dB)
8/16
50
5
Data (noise -40dB)
9/16
56.2
Hal 21 dari 25
Pembelajaran
No
Neuron
Tipe Data
lr
Max
Tersembunyi
1
Normal
2
Murmur sistolic
3
Identifikasi
MSE
(%)
dengan benar
epoch
24/30
80
20/25
80
Murmur diastolic
28/34
82.4
4
Murmur continuous
3/10
30
1
Normal
15/30
50
2
Murmur sistolic
11/25
44
3
Murmur diastolic
15/34
44.12
4
Murmur continuous
1/10
10
15
50
0.01
10.000
0.03
10.000
1e-32
1e-32
Hasil pengujian untuk
set data uji
Pembelajaran
No
Neuron
Tipe Data
lr
Tersembunyi
1
Max
Identifikasi
MSE
(%)
dengan benar
epoch
2
Normal1
Normal2
3
Normal3
1
1MR
2
1MRCase
3
3MRCase
6/6
100
4
4ASCase
2/5
40
1
1AR
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
3/10
30
15
0.01
10.000
1e-32
11/11
100
13/13
100
4/6
66.7
7/ 7
100
6/ 7
85.7
Murmur sistolic
Hasil pengujian untuk set data
uji (per kasus kelainan)
15
0.01
10.000
1e-32
Murmur diastolic
Hal 22 dari 25
15
0.01
10.000
1e-32
Murmur continuous
1
PDA
15
0.01
10.000
1e-32
Kesimpulan
1
2
Sistem merupakan satu kesatuan yang utuh. Tiap-tiap bagian
mendukung untuk perbaikan kinerja dari bagian yang lain
Ekstraksi ciri dengan wavelet dan pengenalan suara dengan
menggunakan JST BP, sistem dapat mengenali 80% untuk pola suara
jantung sistolic murmur, 82.4% untuk pola suara jantung diastolic
murmur, 30% pola suara jantung continuous murmur dan 80% untuk
pola suara jantung normal
3
Ruangan dengan noise tinggi, sistem tidak dapat bekerja dengan baik
4
Tipe data continuous murmur, tingkat performance mengenali suara
sangat buruk (pola suara random). Suara jantung satu dan jantung
dua tidak terlihat karena tertutup oleh murmur (fase dari siklus
jantung tidak dapat diketahui secara pasti)
Hal 23 dari 25
Hal 24 dari 25
Sistem Secara Keseluruhan
Terima kasih
Hal 25 dari 25