Anda di halaman 1dari 6

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

ALGORITHMA UNTUK DETEKSI QRS SINYAL ECG


Pratondo Busono1,2), Eddy Susanto2), Wiewie2), dan Yuliana Sadeli2) Bidang Teknologi Alat Kesehatan Pusat Pengkajian dan Penerapan Teknologi Farmasi dan Medika Deputi Teknologi Agroindustri dan Bioteknologi BPPT
2) 1)

Jurusan Teknik Informatika Fakultas Ilmu Komputer Universitas Bina Nusantara Jakarta

Abstract The heart failure is the most common reasons of death nowdays, but if the medical help is given directly, the patients life may be saved in many cases. Numerous heart deseas can be detected by means of analysing cardiogram. This paper presents an algorithm for extracting characteristic features of ECG signals. The features are used to detect lifethreatening arrhytmias. Keywords: ECG, QRS detection I. PENDAHULUAN Jantung merupakan bagian terpenting dalam sistem peredaran darah manusia. Bagian ini selalu berkontraksi memompa darah keseluruh tubuh. Gerakan kontraksi otot jantung tersebut menghasilkan impuls ritme yang teratur. Pada keadaan normal, jantung bagian atria akan direkam pada permukaan tubuh manusia, khususnya pada lokasi-lokasi tertentu. Elektrokardiogram merupakan alat yang dapat digunakan untuk mengukur potensial listrik sebagai fungsi waktu yang dihasilkan oleh jantung. Perbedaan potensial tersebut divisualisasikan sebagai sinyal pada layar monitor. Sebuah siklus sinyal ECG pada jantung sehat seperti yang

Gambar 1 Sebuah siklus sinyal ECG [2] berkonstraksi lebih cepat dari pada bagian ventrikel sehingga terjadi pengisian darah di ventrikel sebelum dipompa ke seluruh tubuh. Pada jantung terdapat beberapa sel pemicu denyut jantung yang dapat merubah sistem kelistrikan jantung. Sinyal ECG mereflesikan peristiwa kelistrikan yang terjadi dalam jantung. Aktifitas kelistrikan dalam jantung ini dapat ditunjukan oleh gambar 1, biasanya merupakan gabungan dari gelombang P, Q, R, S, T dan U. Masing-masing gelombang tersebut merepresentasikan proses kelistrikan jantung [2]. Kegunaan elektrokardiogram ini yang sangat bermanfaat untuk mengetahui kondisi jantung pasien, sehingga menjadikan alat ini sebagai peralatan standar bagi semua rumah sakit.

101

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

Manfaat elektrokardiogram adalah dapat memeperlihatkan adanya :infark miokard dan iskemi miokard, gangguan irama jantung atau arrhythmias, gangguan jantung karena penyakit sistemik dan gangguan karena pengaruh obatobatan yang berpengaruh terhadap fungsi jantung [2,3]. Walaupun mengetahui cara kerja ECG relatif mudah namun untuk mengetahui informasi yang terdapat pada data hasil rekaman ECG tidaklah mudah. Untuk membaca EKG diperlukan pengalaman dan pengetahuan mengenai penyakit jantung serta gejala-gejalanya. Esktraksi manual terhadap informasi penting sinyal ECG sangatlah tidak efisien karena banyaknya data yang harus diamati [3]. Salah satu cara yang banyak dilakukan adalah dengan menggunakan bantuan komputer untuk mengetahui karakteristik dari sinyal. Dengan cara ini, maka deteksi bentuk sinyal (P, QRS, T), interval yang memisahkan mereka, durasi, fluktuasi dapat dilakukan dengan lebih teliti. Akuisisi rekaman ECG berkualitas tinggi sangat penting untuk mendeteksi munculnya gejala arrhythmias pada serangan jantung mendadak. Kesulitan-kesulitan di atas dapat ditanggulangi dengan merancang sebuah perangkat lunak yang dapat menganalisa secara online maupun offline gelombang ECG dan kemudian mendiagnosanya sehingga probabilitas penyakit yang diderita dapat diketahui. Beberapa hal yang bisa diharapkan adalah adanya peningkatan ketelitian membaca pola ECG dan pengurangan durasi waktu dalam memeriksa kompleks QRS ventrikular . II. PEMROSESAN SINYAL DAN DETEKSI QRS Analisa data ECG secara lebih detail dapat diuraikan sebagai berikut. Proses ekstrasksi informasi yang terkait dengan karakteristik sinyal ECG seperti durasi sinyal, luas area dan lebar gelombang QRS dilakukan oleh perangkat lunak dalam komputer. Diagram blok dari algorithma yang digunakan untuk mendeteksi karakteristik sinyal ECG dapat dilihat pada Gambar 2. [2] Pemrosesan sinyal ECG dilakukan secara simultan melalui dua jalur pemroses. Jalur pertama digunakan untuk memproses sinyal berfrekuensi tinggi (gelombang QRS), sedangkan jalur kedua digunakan untuk menapis sinyal berfrekuensi rendah (gelombang P dan T). Pada jalur pertama, gelombang ECG ditapis dengan menggunakan filter lolos pita untuk mengekstrak komponen dari gelombang QRS. Setelah pemfilteran, beberapa tahapan pemrosesan dilakukan seperti baseline removal, pengkuadratan, penyekalaan dan penapisan dengan menggunakan moving average.

Kompleks QRS memiliki komponen sinyal dalam frekuensi yang relatif lebar, berkisar antara 2-100Hz dengan puncaknya pada 10-15 Hz. Output sinyal ECG setelah dilakukan pemfilteran dengan menggunakan Hamming Window, dapat dinyatakan dengan persamaan berikut [2,5],

E1 [n] =

2 N F + 1 i= N F

h[i] E [n + i ]
0

NF

(1)

dimana E 0 n adalah sinyal ECG asli. Setelah difilter, dilakukan scaling pada sinyal supaya amplitudo mempunyai kala maksimum sama dengan 10.

[]

E 2 [n] = 10

E1 [n] [E max E min ]

(2)

dimana E max dan E min adalah nilai maksimum dan minimum dari E1 dalam interval waktu tertentu. Sinyal yang sudah diskala kemudian dikuadratkan untuk memperkirakan kekuatannya dan dihaluskan dengan moving window integrator [2,5],
N1 1 E3 [n] = (E2 [n + i]) 2 N 1 + 1 i = N1
2

(3)

sinyal E3[n] merepresentasikan perkiraan kekuatan jangka pendek ECG yang sudah difilter sekitar waktu n. Proses dynamic thresholding kemudian dilakukan untuk mendeteksi onset dan offset gelombang QRS [2,5]

T [n + 1] = T [n] +

E3 [n + 1] T [n ] +B K

(4)

dimana T n + 1 dan T n adalah nilai T yang baru dan nilai T yang lama. E 3 n + 1 adalah sinyal ECG yang telah difilter, dan B adalah nilai offset. Adanya noise dan gangguan bentuk gelombang kadang masih menyebabkan kesalahan deteksi gelombang QRS. Threshold dapat diadaptasikan dalam berbagai situasi berdasarkan faktor pembobot K. Terakhir, setelah menggunakan dynamic threshold maka posisi kompleks QRS dapat diketahui dengan mencari lokasi sinyal E 3 n maksimum dalam periode deteksi QRS. Dalam penelitian ini untuk klasifikasi gelombang QRS digunalan metoda Minimum distance classifier. Dibandingkan metoda lainnya,

[]

[]

102

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

Sinyal ECG

Filter Lolos pita


Baseline removal, dan moving Dynamic threshold

Filter lolos rendah


Baseline removal

Ekstrasi QRS

Deteksi QRS Puncak R


Klasifikasi bentuk QRS
Analisa

Klasifikasi bentuk QRS

Puncak R

Diagnosa Gambar 2. Algorithma untuk analisis sinyal ECG [2] teknik ini mempunyai keuntungan dalam kemudahan implementasi dan kelebihan dalam waktu perhitungan yang cukup cepat. Penggunaan fungsi diskriminan diperlukan untuk menentukan jarak terdekat suatu objek dalam suatu ruang ciri (feature space ) yang digunakan untuk klasifikasi. Misalnya ada banyak titik yang terdapat pada feature space dimana titik-titik tersebut berkelompok dan mewakili masing-masing class, maka klasifikasi jarak minimum mengelompokkan titik pola x ke dalam class yang terdekat dengannya. Klasifikasi jarak minimum digunakan untuk mengenali pola kompleks QRS normal. Pengukuran jarak berikut ini digunakan untuk menentukan kompleks QRS normal atau ventrikular [1]

III. HASIL Gambar 3 menunjukan sinyal ECG sebelum proses penapisan dilakukan sinyal tersebut diambil pada durasi tertentu. Data yang digunakan bersumber dari referensi [4]. Sinyal tersebut dilewatkan dalam bandpass filter untuk menghilangkan segala bentuk gangguan dan noise. Langkah selanjutnya yang dilakukan adalah penghilangan geseran garis dasar sehingga garis dasar gelombang mendekati nol dengan menggunakan metode pengepasan kurva berdasarkan polinomial Chebyshev [5]. Agar dapat dengan efisien menghilangkan pergeseran garis dasar, digunakan pendekatan polinomial orde ke-6 dihitung dalam window 1024 sample (2.85 detik). Lalu hasil perhitungan perkiraan garis dasar dikalikan dengan fungsi pembobot (weighting function) kemudian dikurangkan dari sinyal. Fungsi pembobot di tampilkan pada Gambar 4.

d (c1 , c 2 , c5 ) =

(c

c1

) + (c
2

c2

) + (c
2

c5

(5) dimana c1, c2, dan c5 adalah koefiesien polinomial Chebyshev yang merepresentasikan sinyal yang dianalisa.

103

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

Gambar 3 Sinyal EKG Asli Sebelum Tahap Digital Bandpass Filter dilakukan Lalu window digerakkan sebanyak 512 Setelah proses base line removal dilakukan, langkah selanjutnya yang dilakukan adalah proses averaging, scaling dan squaring. Untuk proses squaring, sinyal dikuadratkan dan dihaluskan bentuknya dengan menggunakan moving window integrator. Lebar window integrator yang digunakan sama dengan 5. Gambar 6 menunjukan hasil dari proses squaring tersebut. Garis batas (threshold) digunakan sebagai batas acuan untuk mendeteksi kompleks QRS. Garis threshold ini akan mengikuti sinyal ECG, namun apabila terjadi perubahan yang mendadak, maka garis ini tidak akan mampu mengikuti sinyal ECG tersebut. Sehingga area gelombang akan berada di atas garis threshold dan area tersebut dianggap sebagai kandidat kompleks QRS.

Gambar 4 Fungsi Pembobot (Weighting Function) Untuk Perkiraan Garis Dasar [2] sampel dan prosedur diatas diulangi. Alasan dilakukan ini adalah untuk menghilangkan

Gambar 5 Garis Dasar Digeser Sehingga Mendekati Nol diskontinuitas dari pendekatan kurva pada akhir window. Hasil yang didapatkan setelah proses base removal dapat dilihat pada Gambar 5. Dari gambar tersebut terlihat bahwa garis dasarnya mendekati nilai nol. Dengan menemukan nilai maksimum dari suatu sinyal pada periode deteksi tertentu, maka lokasi puncak R dapat diketahui seperti yang terlihat pada Gambar 7.

104

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

Gambar 6 Tahap Squaring Dan Moving Window Integrator

Gambar 7 Posisi Kompleks QRS

Gambar 8 Klasifikasi Bentuk QRS Setelah lokasi kompleks QRS dapat diketahui, langkah berikutnya adalah menentukan apakah kompleks QRS yang terdeteksi normal atau tidak. Karena bandpass filter sudah banyak mendistorsi sinyal, maka pada langkah ini kembali menggunakan sinyal ECG yang masih belum diolah. Sinyal tersebut selanjutnya ditapis dengan menggunakan tapis lolos rendah (low pass filter). Dengan formula Chebyshev didapatkan koefisien-koefisien yang berguna untuk menentukan distribusi sinyal ECG tersebut dalam ruang ciri (feature space). Kombinasi dari koefisien-koefisien tersebut akan mengelompok menurut jenisnya, sehingga akan diperoleh klasifikasi pola sinyal ECG. Klasifikasi pola sinyal menggunakan Euclidean distance untuk mengenali pola

105

Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi 2004

kompleks QRS normal atau tidak. Persamaan 5 digunakan untuk mencari titik pusat gravitasi pada ruang ciri (feature space). Bila ternyata pemetaan koefisien jaraknya jauh dari pusat gravitasi normal, maka titik tersebut tergolong ventrikular. Gambar 8 menunjukan klasifikasi sinyal ECG berdasarkan nilai perhitungan jarak (eiclidian distance) dalam ruang ciri. Simbol V merah menunjukan adanya anomali (ventricular) dalam sinyal ECG yang diproses. Setelah kompleks QRS diklasifikasi, arrythmia jantung dapat diketahui jenisnya dengan satu set rules fuzzy expert system. Dalam dua langkah proses sebelumnya didapatkan lokasi denyut dan pengukuran jaraknya dari kompleks QRS normal (pada feature space). Maka hasilhasil tersebut yang dijadikan input dalam fuzzy expert system sehingga menghasilkan diagnosa akhir. Input data diperoleh dari lima QRS berturutturut seperti pada Gambar 9.

V. KESIMPULAN Berdasarkan dari hasi penelitian yang telah dilakukan maka penulis dapat menarik kesimpulan sebagai berikut : Perangkat keras sistem telecardiology telah berhasil dibuat dan dapat beropersi dengan baik. Program yang dibuat telah berhasil mengenali pola dari data rekaman ECG. Waktu yang dibutuhkan untuk melakukan pengenalan pola dipengaruhi terutama oleh banyak gelombang yang dibaca oleh aplikasi. Semakin banyak gelombang yang akan dianalisa maka waktu proses dan pengenalan pola semakin lama. Waktu yang diperlukan untuk menganalisa gelombang jauh lebih singkat daripada bila dilakukan secara manual. VI. DAFTAR PUSTAKA 1. E.R., Davies, Machine Algorithms, Practicalities, Academic Press Inc., 1990. Vision: Theory, San Diego:

2. K. Dubowik, Automated Arrhythmia Analysis An Expert System for an Intensive Care Unit. New Jersey: Prentice-Hall, 1999. 3. L. Schamroth, An Introduction to electrocardiography, Blackwell Scientific Publication, Oxford, 1990. 4. MIT/BIH Arrhythmia Database, Harvard University & Massachusetts Institute of Technology Division of Health Sciences and Technology, Cambridge, MA. 5. J.G. Proakis and D. G. Manolakis, Digital Signal Processing. Principles, Algorithms and Applications, Third Edition, Prentice Hall Inc., New York, 1996. 6. K. P. Lin, and W.H. Chang, A Technique for Automated Arrhythmia Detection of Holter ECG, Engineering in Medicine and Biology Society, Vol. I, 1997, pp. 183-184. 7. Ricardo Poli et al. , A Genetic Algorithm Approach to Design of Optimal QRS Detectors, IEEE Trans. on Biomedical Engineering, 11(42), 1995, pp.1137-1141.

Gambar 9 Lima QRS Berurutan Yang Dijadikan Input Dalam Analisa Dari hasil tersebut dapat ditentukan beberapa karakteristik yang akan digunakan dalam diagnosis yaitu : Interval antar kelima kompleks QRS (t1, t2, t3, t4) dalam satuan detik. Denyut jantung per menit. Jumlah kompleks QRS ventrikular diantara lima denyut yang dianalisa. Varian interval. Waktu yang terhitung sejak kompleks QRS terakhir. Kelima hal di atas menjadi variabel dalam expert system, dimana untuk setiap variabel didefinisikan sebuah subset fuzzy dengan nilai yang telah ditentukan dari berbagai sumber [2].

106