3, November 2012
Abstract— ECG signals analysis at first associated to pattern metode penempatan pole-zero. Sedangkan derau baseline wander
recognition of the ECG signals marphology. Nonetheless the direduksi dengan metode transformasi diskrit 11 tingkat untuk
signals marphology varying not only in different patients but also memperoleh komponen frekuensi dibawah 0,5 Hz penyebab
in the same patient. The varying of the ECG marphology has derau ini. Ekstraksi ciri EKG menggunakan normalisasi energi
efected difficulties in ECG analysis, particularly for a trainingless rerata dari tiap dekomposisi 6 tingkat menggunakan wavelet
medicines. On the other hand the ECG signals contain much Sym8. Jaringan syaraf tiruan penjalaran balik digunakan pada
noises. Therefore it was require the suitable methods for ECG tahap pemrosesan dengan struktur 7 neuron input, 7 neuron
signals analysis. This research aim are analyzing and classifying lapisan tersembunyi dan 5 neuron lapisan output, untuk
of the ECG signals from heart condition of normal, arrhytmia, klasifikasi sinyal EKG.
ventricular tachyarrhytmia, intracardiac atrial fibrillation dan Berdasarkan penelitian yang telah dilakukan diperoleh hasil
myocard infarction based on wavelet transformation and artificial bahwa rerata persentase akurasi jaringan syaraf mengenali
neural network backpropagation. semua jenis EKG mencapai 87,424 %. Persentase akurasi
The research stages are data preparing, pre-processing, terbesar mencapai 95,455 % untuk jenis EKG ventricular
feature extraction, processing and post-processing. The 60/50 Hz tachyarrhytmia dan persentase akurasi terkecil 70 % untuk
noises in ECG signals from power line interference reduced using mengenali jenis EKG arrhytmia.
IIR notch filter with pole-zero placement method. The baseline
wander noises reduced using discrete wavelet transform of 11 Kata Kunci— elektrokardiografi, klasifikasi, wavelet, jaringan
level decomposition to find frequency component below 0,5 Hz as syaraf, energi.
a noise source.
Based on this work results obtained that average accuracy I. PENDAHULUAN
percentage of the neural network recognized all of the ECG types Penyakit jantung (koroner) merupakan salah satu penyebab
reached 87,424 %. Highest accuracy percentage of 95,455 % for
kematian terbesar di dunia dan di Indonesia. Untuk mengetahui
ventricular tachyarrhytmia and lowest accuracy percentage of
70 % for arrhytmia classification.
kondisi kesehatan jantung biasanya digunakan alat
elektrokardiografi (EKG). Di rumah sakit petugas medis
Intisari— Analisis sinyal EKG pada mulanya menyangkut dituntut memiliki kemampuan yang cukup dalam
pengenalan pola marfologi sinyal EKG. Namun marfologi mengidentifikasi penyakit atau serangan jantung berdasarkan
tersebut selalu berubah, baik pada pasien yang berbeda maupun rekaman EKG. Namun pada kenyataannya banyak petugas
pada pasien yang sama. Variasi marfologi EKG ini dapat medis tidak menguasai bagaimana cara membaca dan
menyulitkan dalam analisis sinyal EKG, khususnya bagi tenaga menginterpretasikan rekaman EKG. Mereka beralasan bahwa
medis yang kurang terlatih. Apalagi sinyal EKG biasanya membaca EKG adalah wewenang dokter atau dokter spesialis
mengandung banyak derau. Untuk itu perlu metode lain yang
jantung [1]. Dewasa ini pemrosesan sinyal digital dalam dunia
cocok dalam menganalisis sinyal EKG yang merupakan sinyal
non-stasioner. Penelitian ini bertujuan untuk menganalisis dan
kedokteran telah menjadi hal penting untuk membantu dokter
mengklasifikasi sinyal elektrokardiografi (EKG) dari kondisi dalam membuat keputusan pada permasalahan medis. Sebagai
jantung normal, arrhytmia, ventricular tachyarrhytmia, contoh nyata adalah aplikasi pemrosesan sinyal digital dalam
intracardiac atrial fibrillation dan myocard infarction berbasis mendeteksi penyakit jantung berdasarkan sinyal atau rekaman
transformasi wavelet dan jaringan syaraf tiruan penjalaran balik. EKG. Sinyal EKG adalah rekaman aktifitas elektrik yang
Tahapan penelitian meliputi penyiapan data, pra-pemrosesan, dihasilkan oleh sel-sel jantung yang mencapai permukaan
ekstraksi ciri, pemrosesan dan pasca-pemrosesan. Pada tahap tubuh [2]. Dengan pemrosesan sinyal digital, maka
pra-pemrosesan, derau 60/50 Hz pada sinyal EKG dari dimungkinkan membuat klasifikasi otomatis dan interpretasi
interferensi jaringan listrik direduksi dengan filter takik IIR
sinyal EKG [3] berdasarkan pengetahuan kedokteran jantung
sehingga membantu tenaga medis dalam menganalisis rekaman
1Jurusan EKG pasien. Penelitian ini pada dasarnya akan melakukan
Fisika FMIPA Universitas Lampung, Jln. Prof
Sumantri Brojonegoro No. 1 Bandar Lampung INDONESIA(email:
analisis sinyal EKG menggunakan transformasi wavelet
arifgandes@gmail.com, arif-surtono@ugm.ac.id) sebagai metode untuk mengekstraksi ciri sinyalnya dan
2Jurusan Teknik Elektro dan Teknologi Informasi Fakultas melakukan klasifikasi sinyal EKG menggunakan jaringan
Teknik Universitas Gadjah Mada, Jln. Grafika 2 Yogyakarta 55281 syaraf tiruan. Sampel yang digunakan diperoleh dari MIT BIH
INDONESIA Database [4] meliputi 5 jenis sinyal EKG sesuai kondisi
3Bagian Radiologi FK UGM/RSUP Sardjito Jln. Kesehatan
jantung yaitu Normal (N), Arrhytmia (A), Ventricular
Yogyakarta 55281 INDONESIA Tachyarrhytmia (VTA), Intracardiac Atrial Fibrillation,
Arrhytmia (IAF) dan Myocard Infarct (MI)
II. TINJAUAN PUSTAKA DAN LANDASAN TEORI tipe sinyal EEG yaitu derau (D1), gama (D2), beta (D3), alpha
A. Tinjauan Pustaka (D4) theta (D5) dan delta (A5). Distribusi energi dekomposisi
Jaringan syaraf tiruan menarik perhatian banyak peneliti diperoleh dengan cara menjumlahkan kuadrat sinyal-sinyal
karena wataknya seperti ketidaklinieran (non-linearity), dalam tiap subband tersebut. Distribusi energi sebanyak 6 buah
berkemampuan belajar dan memiliki pendekatan universal ini menjadi input jaringan syaraf penjalaran balik yang
yang memungkinkan kita dapat memecahkan permasalahan mempunyai struktur 6 input, 5 neuron lapisan tersembunyi dan
dalam pengolahan sinyal yang rumit [5]. Jaringan syaraf tiruan sebuah neuron output. Fungsi aktifasi pada lapisan
terbukti memiliki kemampuan dalam mengklasifikasi sinyal tersembunyi dan output menggunakan fungsi sigmoid. Dengan
biomedis khususnya sinyal EKG [3] [6] [7] [8] [9 [10] [11]. parameter pelatihan menggunakan Levenberg-Marquart dan
He et.al [6] meneliti pengenalan pola EKG jenis normal, MSE sebesar 0,1 , persentase akurasi jaringan mengklasifikasi
premature ventricular contraction (PVC), atrial premature sinyal EEG mencapai 94 %.
beat (A) dan left bundle branch block (L) menggunakan B. Landasan Teori
jaringan syaraf tiruan penjalaran balik (backpropagation).
Ekstraksi ciri EKG yang digunakan adalah 2 buah interval R-R 1. Transformasi Wavelet
dari 3 puncak R berurutan dan marfologi QRS yang diambil 50 Transformasi wavelet kontinu dari sinyal x(t) didefinisikan
ms sebelum puncak R dan 100 ms setelah puncak R. Ciri lain secara matematis dengan persamaan sebagai berikut [13] :
yang digunakan adalah nilai amplitudo yang diambil tiap dua
data cuplikan. Karena semua data EKG dicuplik dengan ( ) ∫ ( ) ( ) (1)
√
frekuensi 360 Hz maka ada 27 nilai marfologi QRS sehingga
jumlah total data ektraksi ciri EKG sebanyak 29. Data ekstraksi dimana ψ*(t) adalah konjugat komplek fungsi wavelet
ciri kemudian dinormalisasi antara -1 dan 1 sebelum diteruskan penganalisa ψ(t), a adalah parameter dilatasi wavelet, dan b
ke input jaringan syaraf yang mempunyai struktur 29-10-2. adalah parameter lokasi/posisi. Dalam bentuk diskrit fungsi
Persentasi akurasi jaringan mengenali pola EKG mencapai wavelet ini memiliki bentuk :
92,5 %. ( ) ( ) (2)
Elias dan Arof [3] telah mengkaji klasifikasi dan analisis √
sinyal EKG menggunakan transformasi wavelet dan jaringan m dan n mengkontrol dilatasi dan translasi wavelet. a0 adalah
syaraf penjalaran balik. Interpretasi EKG berdasarkan pola parameter step dilatasi tetap dengan nilai lebih besar dari 1 dan
QRS komplek yang diperoleh dari lead II. Ada 4 jenis sinyal b0 adalah parameter step lokasi yang harus lebih besar dari nol.
EKG yang dipilih yaitu normal, ventricular premature beat, Bila a0 =2 dan b0 =1 disubstitusi ke (2) maka diperoleh grid
right bundle branch block dan left bundle branch block. dyadic fungsi wavelet yang ditulis secara kompak sebagai
Ekstraksi ciri EKG menggunakan koefisien detil dan berikut :
aproksimasi wavelet. Koefisien-koefisien ini diperoleh dari
dekomposisi sinyal EKG 4 tingkat menggunakan wavelet ( ) ( ) (3)
Daubechies dB3. Dengan hanya menggunakan 2,11 % data Dengan menggunakan fungsi wavelet dikrit ini maka
latih dari semua data, persentase akurasi klasifikasi EKG oleh diperoleh transformasi wavelet diskrit:
jaringan syaraf mencapai 95,08 %.
Kara dan Oskandan [7] membuat klasifikasi atrial ∫ ( ) ( ) (4)
fibrillation (AF) EKG menggunakan transformasi wavelet dan
jaringan syaraf tiruan. Jaringan syaraf digunakan untuk Tm,n dikenal sebagai koefisien detil wavelet pada indek
mengklasifikasi 2 jenis EKG yaitu normal dan AF. Ekstraksi skala m dan lokasi n. Wavelet diskrit dyadic orthonormal
ciri EKG diperoleh dengan mendekomposisi hingga 6 tingkat berkaitan dengan fungsi penskala dan persamaan dilatasinya.
menggunakan wavelet Daubechies 10 (dB10). 6 buah sinyal Fungsi penskala berkenaan dengan penghalusan sinyal dan
detil dan sebuah sinyal aproksimasi direkonstruksi dari memiliki bentuk yang sama seperti fungsi wavelet adalah :
koefisien-koefisien detil dan aproksimasi. Masing-masing ( ) ( ) (5)
sinyal tersebut dihitung rapat spektral dayanya menggunakan
metode Welch sebagai ciri sinyal EKG. 48 data dari 72 EKG Fungsi penskala dikonvolusi dengan sinyal menghasilkan
normal dan 52 data dari 80 EKG AF digunakan untuk melatih koefisien aproksimasi:
jaringan syaraf yang dilengkapi fungsi aktivasi sigmoid pada
∫ ( ) ( ) (6)
lapisan tersembunyi dan keluaran. Dengan struktur jaringan
syaraf 22-11-2 hasilnya mampu mengklasifikasi EKG dengan Akhirnya sinyal x(t) dapat disajikan sebagai kombinasi deret
persentase akurasi 100 %. ekspansi dengan menggunakan koefisien aproksimasi dan
Pada penelitian sinyal biomedis lainnya, Omerhodzic et.al koefisien detil sebagai berikut : ( )
[12] memanfaatkan distribusi energi dekomposisi sinyal EEG ∑ ( ) ∑ ∑ ( ) (7)
dan jaringan syaraf tiruan untuk mengklasifikasi sinyal EEG Dengan (7) ini dapat diketahui bahwa sinyal kontinu semula
dalam kelompok sehat dan epilepsi. Sinyal EEG didekomposisi merupakan kombinasi aproksimasi pada sembarang skala m0
hingga 5 tingkat menggunakan fungsi wavelet Daubechies 4 ditambah dengan suksesi detil sinyal dari skala m0 menurun
(dB4) sehingga tiap subband dekomposisi merepresentasikan hingga negatif tak hingga [13].
Penyiapan
data EKG
Gbr. 1 Jaringan syaraf tiga lapis -Dekomposisi EKG 6 tingkat dg transf. wavelet Ekstraksi
-Energi dekomposisi
Ringkasan algoritma penjalaran balik sebagai berikut [3]: -Normalisasi energi dekomposisi Ciri
(∑ ) , j=1,2,3,...,M (8)
(∑ ) ,k=1,2,3,...,K (9)
-Klasifikasi EKG dg JST Pemrosesan
( )
(10)
Hasil klasifikasi EKG oleh JST Pasca-
Bobot-bobot diperbaharui pada setiap pasangan pelatihan [3] : | N | A | VTA | IAF| MI | Pemrosesan
( ) ( ) [ ( ) ( )]
Gbr. 2 Tahap-tahapan penelitian
(11)
Derau interferensi jaringan listrik pada sinyal diketahui dari
analisis spektrumnya yaitu akan muncul puncak pada frekuensi
( ) ( ) sekitar 60/50 Hz dan harmonisanya. Derau ini direduksi
( ) ( )] ( ) menggunakan filter takik IIR orde 2 dengan metode
[
penempatan pole-zero [17]. Sedangkan derau baseline wander
dapat dillihat langsung pada sinyal EKG yang mengalami
E. Pemrosesan
Tahap pemrosesan sinyal EKG menggunakan jaringan
syaraf tiruan penjalaran balik (backpropagation) untuk
mengklasifikasi sinyal EKG. Parameter jaringan yang
ditentukan adalah learning rate = 0,1 dan momentum = 0,5.
Jaringan syaraf berhenti memproses klasifikasi EKG jika
jumlah epoch mencapai 500 atau mean square error (mse)
mencapai 0,001. Struktur jaringan memiliki 7 neuron input, 7
neuron lapisan tersembunyi dan 5 neuron lapisan output.
Fungsi aktivasi pada lapisan tersembunyi dan lapisan output
menggunakan fungsi sigmoid biner.
dinyatakan dengan perbandingan daya sinyal terhadap derau Sinyal aproksimasi dan detil EKG Arrhytmia, file=109m
0.2
(signal to noise ratio, SNR). Hasil reduksi derau ini secara
A11
0
-0.2
ringkas dapat dilihat pada Tabel 1. 0.5
0 1 2 3 4 5 6 7 8 9 10
TABEL I
D11
0
HARGA SNR REDUKSI DERAU INTERFERENSI JARINGAN LISTRIK -0.5
0.5 0 1 2 3 4 5 6 7 8 9 10
Harga SNR
D10
No Jenis EKG Jenis Filter Takik 0
rata-rata -0.5
0.2 0 1 2 3 4 5 6 7 8 9 10
1 Arrhytmia 60 Hz dan harmonisa 31,706
D9
0
2 VTA 60 Hz dan harmonisa 49,584 -0.2
0.2 0 1 2 3 4 5 6 7 8 9 10
3 IAF 60 Hz dan harmonisa 32,307
D8
0
-0.2
4 MI Inferior 50 Hz dan harmonisa 28,757 0.5 0 1 2 3 4 5 6 7 8 9 10
D7
Rata-rata total 35,589 0
-0.5
0.5 0 1 2 3 4 5 6 7 8 9 10
EKG asli Fs=360Hz, file=109ma
D6
0
Berdasarkan
1 data Tabel 1 maka dapat dikatakan bahwa filter -0.5
takik 0.5
60/50 Hz IIR metode penempatan pole-zero mampu 10 1 2 3 4 5 6 7 8 9 10
D5
0
mereduksi derau pada sinyal EKG karena SNR rara-rata total -1
mV
0 0.5 0 1 2 3 4 5 6 7 8 9 10
mencapai 35,589 dB.
D4
0
-0.5 -0.5
B. Baseline Wander Removing 0.2 0 1 2 3 4 5 6 7 8 9 10
D3
-1 0
Contoh 0sinyal1 EKG
2 3
yang 4 5 6
mengandung 7
derau ini8 seperti
9 10
Gbr. 4. -0.2
0.1 0 1 2 3 4 5 6 7 8 9 10
EKG setelah ups=5,dwns=6. Fs b=300Hz, file=109ma
D2
0
1 -0.1
0.05 0 1 2 3 4 5 6 7 8 9 10
D1
0.5 0
EKG asli Fs=1000Hz, file=s0028m
-0.05
1 0 1 2 3 4 5 6 7 8 9 10
mV
0
waktu (s)
0.5
-0.5 Gbr. 5 Dekomposisi sinyal EKG (109m) 11 tingkat
mV
0
-1
0 1 2 3 4 5 6 7 8 9 10 EKG Semula, file=109m
-0.5 waktu (s) 1
0.5
-1
0 1 2 3 4
(a)5 6 7 8 9 10
mV
0
1
-0.5
mV
0
-1
0 1 2 3 4 5 6 7 8 9 10
waktu (s) -1
0 1 2 3 4 5 6 7 8 9 10
waktu (s)
Pola 1
0.5 0.5 Persentase
0 0
A6 D6 D5 D4 D3 D2 D1 A6 D6 D5 D4 D3 D2 D1 Jenis Tidak akurasi
1 1 No EKG Dikenali dikenali Jumlah (%)
Pola 2
Pola 2
0.5 0.5
0
A6 D6 D5 D4 D3 D2 D1
0
A6 D6 D5 D4 D3 D2 D1
1 Normal 11 1 12 91,667
1 1 2 Arrhytmia 14 6 20 70,000
Pola 3
Pola 3
0.5 0.5
0
A6 D6 D5 D4 D3 D2 D1
0
A6 D6 D5 D4 D3 D2 D1
3 VTA 21 1 22 95,455
1 1
Pola 4
Pola 4
0.5 0.5
4 IAF 19 1 20 95,000
0 0
A6 D6 D5 D4 D3 D2 D1 A6 D6 D5 D4 D3 D2 D1 5 MI 17 3 20 85,000
1 1 Jika dirata-rata maka persentase akurasi jaringan syaraf tiruan
Pola 5
Pola 5
0.5 0.5
0 0
mengenali semua jenis EKG sebesar 87,424 %. Persentase
A6 D6 D5 D4 D3 D2 D1 A6 D6 D5 D4 D3 D2 D1
akurasi tertinggi mengenali EKG jenis VTA (95,455 %) dan
(a) (b) persentase akurasi terendah mengenali EKG jenis arrhytmia
Data Latih VTA (70 %). Dari keempat jenis EKG tersebut, tiga jenis EKG
1
Pola 1
0.5
mampu dikenali diatas 90 %, yaitu pada EKG jenis normal,
0
A6 D6 D5 D4 D3 D2 D1
VTA dan IAF. Hal ini menunjukkan bahwa jaringan syaraf
1 tiruan penjalaran balik mampu mengklasifikasikan sebagaian
Pola 2
0.5
0
menggunakan wavelet Symlet orde 8. Namun demikian dalam
A6 D6 D5 D4 D3 D2 D1
hal mengenali EKG jenis arrhytmia dan myocard infarct sistem
1
Pola 4
0.5 V. KESIMPULAN
0
A6 D6 D5 D4 D3 D2 D1 Berdasarkan analisis pada hasil penelitian ini maka dapat
diperoleh kesimpulan sebagai berikut :
(c)
1. Energi rerata dekomposisi sinyal EKG 6 tingkat yang
Data Latih IAF Data Latih MI Inferior diperoleh dari transformasi wavelet (wavelet Symlet 8)
1 1 dapat digunakan sebagai ekstraksi ciri pada sinyal EKG
Pola 1
Pola 1
Pola 2
1
Pola 3
1
Pola 4
0.5 0.5
derau baseline wander pada sinyal EKG dapat
0
A6 D6 D5 D4 D3 D2 D1 0 diminimalisir dengan menghilangkan komponen
A6 D6 D5 D4 D3 D2 D1
1
frekuensi rendah dari dekomposisi 11 tingkat
Pola 5
1
Pola 5
[2] Anuradha, B. and Redy, V.C.V, Cardiac Arrhytmia Classificatin using [10] Guo, L., Rivero, D. Seoane, J. A. and Pazos, A., Classification of EEG
Fuzzy Classifiers, Journal of Theoretical and Applied Information Signals Using Relative Wavelet Energy and Artificial Neural Networks,
Technology, 30th April 2008, Vol.4 No. 4, p. 353-359, 2008. Proceeding of the First Summit on Genetic and Evolutionery Computation,
[3] Elias, M.F.M and Arof, H., Classification of Electrocardiogram Signal Sanghai, China, June 12-14, 2009.
using Multiresolution Wavelet Transform and Neural Network, IFMBE [11] Omerhodzic, I., Avdakovic, S., Nuhanovic, A., Dizdarevic,K., .Energy
Proceedings, "3rd Kuala Lumpur International Conference on Biomedical Distribution of EEG Signals : EEG Signal Wavelet-Neural Network
Engineering 2006" Vol. 15, p.360-364, 2006. Classifier, International Journal of Biological and Life Sciences vol.6,
[4] MIT-BIH Database, Available : www.physionet.com. No.4, 2010.
[5] Belhachat, F. and Izeboudjen,N., Conception of Intelligent classifiers for [12] Arumugam, S.S., Gurusamy, G., and Gopalasamy, S., Wavelet based
Cardiac Arrhytmias Detection, Proceeding of International Symposium on detection of ventricular arrhythmias with Neural Network Classifier,
Modelling and Implementation of Complex System (MISC), May 30-31, Journal of Biomedical Science and Engineering, Vol.2, No.6, 439-444,
2010, Constantine, Algeria, 2010. 2009.
[6] He, L., Hou, W., Zhen, X. and Peng, C., Recognition of ECG Patterns [13] Addison, P. S., Wavelet Transform and the ECG : A Review, Journal of
Using Artificial Neural Network, Proceedings of The Sixth International Physiological Measurement, vol. 26, p. 155-199, Institute Of Physics
Conference on Intelligent System Design and Applications (ISDA’06) Publishing, 2005.
Vol.1, IEEE Computer Society, 2006. [14] Widodo, T.S, Sistem Neuro Fuzzy, Graha Ilmu, Yogyakarta, 2005.
[7] Kara, S. and Oskandon, M., Atrial Fibrillation Classification with Artificial [15] Fausett L., Fundamentals of Neural Networks (Architecture, Algorithm
Neural Network, Journal of Pattern Recognition, vol. 40, p. 2967-2973, and Application), Prentice Hall, New Jersey, 1994.
2007. [16] Siang, J.J., Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan
[8] Sahab, A.R and Gilmalek, Y.M., ECG Arrhytmias Classification Using Matlab, Penerbit Andi, Yogyakarta, 2005.
Wavelet Transform and Neural Network, Mathematical Model for [17] Orfanidis, S.J., (2010), Introduction to Digital Signal Processing.
Engineering Science.,p.256-258, 2010. Available : http://www.ece.rutgers.edu/~orfanidi/intro2sp
[9] Yu, S. N. and Chen, Y. H., Electrocardiogram beat classification based on [18] Bunluechokchai, C. and Leeudomwong, T., Discrete Wavelet Transform-
wavelet transformation and probabilistic neural network, Pattern based Baseline Wandering Removal for High Resolution
Recognition Letters vol. 28, p. 1142–1150, 2007. Elctrocardiogram, The International Journal on Applied Biomedical
Engineering (IJABME), Vol. 3, No. 1 January-June, 2010