TESIS PENGEMBANGAN SISTEM DIAGNOSA KELAINAN JANTUNG BERBASIS CONTINOUS WAVELET TRANSFORM (CWT) DAN ARTIFICIAL NEURAL NETWORK (ANN) FUAD LUTFI NRP. 2210206722 Pembimbing : Achmad Arifin, ST, M.Eng, PhD PROGRAM MAGISTER BIDANG KEAHLIAN TELEMATIKA JURUSAN TEKNIK ELEKTRO 2012 LOGO ISU-ISU DARI JUDUL PENGEMBANGAN SISTEM DIAGNOSA KELAINAN JANTUNG BERBASIS CONTINOUS WAVELET TRANSFORM (CWT) DAN ARTIFICIAL NEURAL NETWORK (ANN) 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. Company Logo Penyakit Jantung Penyakit Mematikan - 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) Kondisi Jantung aktifitas elektrik jantung - Sulitnya mengetahui informasi data ECG - Minimnya tenaga interpreter ECG yang handal - Dominasi subyektifitas analis ECG (Electrocardiograph, ECG) Sinyal EKG Nonstationer Ekstraksi 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 Klasifikasi data Dasar Diagnosa - 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 2008 Penelitian 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. 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 Company Logo Tujuan 1. 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 Manfaat Memberikan kontribusi bagi dunia medis dalam hal analisa pola sinyal elektrik jantung yang dihasilkan pada elektrokardiograf (EKG) Company Logo Atrialseptal Sinoatrial (SA) Node organ vital tubuh manusia yang berfungsi memompakan darah ke seluruh jaringan tubuh, Atrium kiri Atrioventrikuler (AV) Node Atrium kanan Ventrikel kiri Ventrikel kanan serabut punkinje Ventrikel septal Gambar Anatomi Jantung [1] 4 [1] Martini, Fundamental of anatomy and Physiology, 5th edition. 2003 metoda untuk mengukur kinerja jantung manusia melalui aktivitas elektrik jantung dalam waktu tertentu. 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) 1 beat PQRST = 1 denyut Gelombang T • Repolarisasi /kembalinya Ventrikel. Beats : SA Node (70-80/sc), AV Node (40-60/sc), BB (15-40/sc) Gambar Ilustrasi ECG [1] [1] wikipedia, ensiklopedia bebas [2] Hampton, JR., The ECG Made Easy, Churchill Livingstone, 6th edition. 2003 5 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 Ekstraksi Fitur Time–Frequency Analysis Blok diagram Penelitian Sinyal EKG Persiapan Data Pengumpulan Data Segmentasi Data Ekstraksi Fitur Komputasi Ekstraksi Fitur CWT Komputasi Morfologi EKG Center of Gravity Klasifikasi Data Design Jaringan Inisialisasi Jaringan Pelatihan Data Pengujian dan Analisa Sistem Pengujian Data Modul Perangkat Lunak Modul I Segmentasi Data Modul II Ekstraksi Fitur CWT - CoG Modul III Klasifikasi Data ANN Backpropagation Class1 Class2 Class3 Modul Segmentasi Data ECG data selection Interval 1:00 Seg 1 Seg 3 Interval 0:6 data : amplitudo Seg 6 8 ECG data selection MIT-BIH Arrhythmia Database 10 file; panjang 1 menit; frekuensi sampling 360 Hz; segmen 6 detik normal beats (N), bundle branch block beats (BBB) 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) [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] 9 Modul Ekstraksi Fitur Sinyal EKG Contour CWT Contour threshold Hitung CWT File CWT. File vektor Threshold Magnitude Pemilihan Area Hitung Time-scale Hitung CoG Cari area lain ? selesai - Posisi data - Nilai data File data Area 1 2 3 9 Continuous Wavelet Transform Proses merepresentasikan suatu sinyal ke dalam domain /window dengan tujuan untuk lebih menonjolkan sifat atau karakteristik sinyal tersebut. TWK ( a, b) 1 a ~ ~ x (t ) * a ,b t b dt a 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 morlet 4. *, merupakan fungsi matematis konjugat kompleks. Hasil : contour matrik 100*200 Transformasi Wavelet (TW) sangat baik dalam menganalisa time-frequency untuk sinyal yang nonstasioner. morlet (t ) 0 2 (0.849) 1 4 e t2 2 e j0t 9 Parameter EKG Localization Parameter Hasil Komputasi CWT contour bidang waktu-skala Skal a 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 x cg xyz y z i i i i i y cg xyz x z i i i i z cg i Perhitungan untuk menentukan koordinat dari CoG : CoG (x,y) xyz x y i i i Time Ilustrasi Center of Gravity (CoG) i i 11 9 Modul Klasifikasi Data File hasil ekstraksi fitur LOAD DATA Gunakan File Bobot T Komponen Jaringan Latih? Y Tentukan target Forward Cari Bobot Backward Pengenalan selesai File data Bobot 1 2 No Klasifikasi data Data keluaran 1 Kondisi normal 100 2 Right Bundle Branch Block 010 3 Left Bundle Branch Block 001 Arsitektur Jaringan .: Komputasi CWT :. 10 komputasi CWT Skala : 0.001 contour waktu–skala-magnitudo Matriks 100*200 skala contour sinyal EKG 60x10-2 - 100x10-2 magnitudo tinggi 80x10-2. magnitudo tinggi, warna cerah menuju kecoklatan magnitudo rendah warna kebiruan menuju biru gelap Contoh contour Hasil Perhitungan Menggunakan CWT 14 .: Komputasi CWT :. Sinyal EKG dalam domain waktu dan Koefisien CWT Sinyal EKG normal (file 100) 15 15 .: Komputasi CWT :. Melebarnya QRS kompleks Melebarnya QRS kompleks Sinyal EKG dalam domain waktu dan Koefisien CWT Sinyal EKG bundle branch block (file 118) 16 Parameter EKG Contoh Hasil Penentuan Parameter pada Time-Frequency Parameter Sinyal EKG Persentase Keberhasilan Pengenalan Pola Sinyal EKG Sampel Data Latih Diagnosa Hasil 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 % ∑ 40 21 14 75 100 % ∑ Persentasi Sampel Data Uji Baru Diagnosa Hasil pengujian (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 % ∑ 10 8 7 25 87.04 % .: Kesimpulan :. 1. Sinyal EKG merupakan sinyal biomedik yang bersifat nonstationer 2. 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 abnormal 5. 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 Saran… Menguji pada data EKG realtime Pengembangan dalam Intelligent System Cardiac Pathology. Closing Apresiasi Beasiswa Pemerintah Kabupaten Lebak CIO Admin IT RSUD dr. Adjidarmo - SIMDA - LPSE - e-KTP - SIPKD - KIP - Renstra IT Direktur Bagian Program & Perencanaan SubBag Diklat SubBag Program SubBag SIM RS SIM RS /Billing IPS RS Tesis : PENGEMBANGAN SISTEM DIAGNOSA KELAINAN JANTUNG BERBASIS CONTINOUS WAVELET TRANSFORM (CWT) DAN ARTIFICIAL NEURAL NETWORK (ANN) Managemen Strategi Manajemen Proyek Performance Management Kecerdasan Bisnis Sistem Manajemen Basis Data Tatakelola dan Audit IT Standar dan Regulasi TIK Keamanan SIM & Jaringan Sistem dan Jaringan TIK Manajemen jaringan Rekayasa Internet E-Government Sistem Cerdas Penulisan Ilmiah Kemampuan CIO : - Komunikasi - Cara Berfikir Strategis dan Perencanaan yang Baik - Project Mangement dan Monitoring Program - IT Knowledge Closing B-205 [email protected]