Analisis Klasifikasi Sinyal EKG Berbasis Wavelet dan Jaringan Syaraf Tiruan
Abstrak
Analisis sinyal EKG pada mulanya menyangkut pengenalan pola marfologi sinyal EKG. Namun marfologi tersebut selalu berubah, baik pada pasien yang berbeda maupun pada pasien yang sama. Variasi marfologi EKG ini dapat menyulitkan dalam analisis sinyal EKG, khususnya bagi tenaga medis yang kurang terlatih. Apalagi sinyal EKG biasanya mengandung banyak derau. Untuk itu perlu metode lain yang cocok dalam menganalisis sinyal EKG yang merupakan sinyal non-stasioner. Penelitian ini bertujuan untuk menganalisis dan mengklasifikasi sinyal elektrokardiografi (EKG) dari kondisi jantung normal, arrhytmia, ventricular tachyarrhytmia, intracardiac atrial fibrillation dan myocard infarction berbasis transformasi wavelet dan jaringan syaraf tiruan penjalaran balik.
Tahapan penelitian meliputi penyiapan data, pra-pemrosesan, ekstraksi ciri, pemrosesan dan pasca-pemrosesan. Pada tahap pra-pemrosesan, derau 60/50 Hz pada sinyal EKG dari interferensi jaringan listrik direduksi dengan filter takik IIR
metode penempatan pole-zero. Sedangkan derau baseline wander direduksi dengan metode transformasi diskrit 11 tingkat untuk memperoleh komponen frekuensi dibawah 0,5 Hz penyebab derau ini. Ekstraksi ciri EKG menggunakan normalisasi energi rerata dari tiap dekomposisi 6 tingkat menggunakan wavelet Sym8. Jaringan syaraf tiruan penjalaran balik digunakan pada tahap pemrosesan dengan struktur 7 neuron input, 7 neuron lapisan tersembunyi dan 5 neuron lapisan output, untuk klasifikasi sinyal EKG.
Berdasarkan penelitian yang telah dilakukan diperoleh hasil bahwa rerata persentase akurasi jaringan syaraf mengenali semua jenis EKG mencapai 87,424 %. Persentase akurasi terbesar mencapai 95,455 % untuk jenis EKG ventricular tachyarrhytmia dan persentase akurasi terkecil 70 % untuk mengenali jenis EKG arrhytmia.
Referensi
Nazmah, A., Cara Praktis dan Sistematis Belajar Membaca EKG, PT. Elex Media Komputindo, Jakarta, 2011.
Anuradha, B. and Redy, V.C.V, Cardiac Arrhytmia Classificatin using Fuzzy Classifiers, Journal of Theoretical and Applied Information Technology,30thApril 2008, Vol.4 No. 4, p. 353-359, 2008.
Elias, M.F.M and Arof, H., Classification of Electrocardiogram Signal using Multiresolution WaveletTransform and Neural Network, IFMBE Proceedings, "3rd Kuala Lumpur International Conference on Biomedical Engineering 2006"Vol. 15, p.360-364, 2006.
MIT-BIH Database, Available : www.physionet.com.
Belhachat, F. and Izeboudjen,N., Conception of Intelligent classifiers for Cardiac Arrhytmias Detection, Proceeding of International Symposiumon Modelling and Implementation of Complex System (MISC), May 30-31, 2010, Constantine, Algeria, 2010.
He, L., Hou, W., Zhen, X. and Peng, C., Recognition of ECG Patterns Using Artificial Neural Network, Proceedings of The Sixth International Conference on Intelligent System Design and Applications (ISDA’06) Vol.1, IEEE Computer Society, 2006.
Kara, S. and Oskandon, M., Atrial Fibrillation Classification with Artificial Neural Network, Journal of Pattern Recognition, vol. 40, p. 2967-2973,2007.
Sahab, A.R and Gilmalek, Y.M., ECG Arrhytmias Classification Using WaveletTransform and Neural Network, Mathematical Model for Engineering Science.,p.256-258, 2010.
Yu, S. N. and Chen, Y. H., Electrocardiogram beat classification based on wavelettransformation and probabilistic neural network, Pattern Recognition Letters vol. 28, p. 1142–1150, 2007.
Guo, L., Rivero,D. Seoane, J. A. and Pazos, A., Classification of EEG Signals Using Relative WaveletEnergy and Artificial Neural Networks, Proceeding of the First Summit on Genetic and Evolutionery Computation, Sanghai, China, June 12-14, 2009.
Omerhodzic,I., Avdakovic,S., Nuhanovic,A., Dizdarevic,K., .Energy Distribution of EEG Signals : EEG Signal Wavelet-Neural Network Classifier, International Journal of Biological and Life Sciences vol.6, No.4, 2010.
Arumugam, S.S., Gurusamy, G., and Gopalasamy, S., Waveletbased detection of ventricular arrhythmias with Neural Network Classifier, Journal of Biomedical Science and Engineering, Vol.2, No.6, 439-444, 2009.
Addison, P. S., WaveletTransform and the ECG : A Review, Journal of Physiological Measurement, vol. 26, p. 155-199, Institute Of Physics Publishing, 2005.
Widodo, T.S, Sistem Neuro Fuzzy, Graha Ilmu, Yogyakarta, 2005.
Fausett L., Fundamentals of Neural Networks (Architecture, Algorithm and Application),Prentice Hall, New Jersey, 1994.
Siang, J.J., Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Penerbit Andi, Yogyakarta, 2005.
Orfanidis, S.J., (2010), Introduction to Digital Signal Processing. Available : http://www.ece.rutgers.edu/~orfanidi/intro2sp.
Bunluechokchai, C. and Leeudomwong, T., Discrete WaveletTransform-based BaselineWandering Removal for High Resolution Elctrocardiogram, The International Journal on Applied Biomedical Engineering (IJABME), Vol. 3, No. 1 January-June, 2010.
© Jurnal Nasional Teknik Elektro dan Teknologi Informasi, di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.
2.png)
