PowerPoint Template

advertisement
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  j0t
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]
Download