Nama: Dyah Witamara

NIM: 20160120034
Kelas: A (Teknik Elektro)

Pengolahan Sinyal Digital pada Biomedical

Pengolahan sinyal digital merupakan pengolahan sinyal secara digital yang akan
menggunakan berbagai komponen seperti; register, counter, dekoder, summuninh,
mikrokontroler, dan lainnya. Dari hasil pengolahan tersebut akan membawa berbagai
informasi misalnya amplitudo, frekuensi, perbedaan fase, dan gangguan akibat noise yang
akan di proses sedemikian rupa sehingga manusia dapat memahami informasi yang dibawa.
Dalam pengaplikasiaanya sendiri, pengolahan sinyal digital telah dimanfaatkan untuk
memenuhi dan memudahkan kebutuhan manusia sehari-hari. Salah satu disiplin ilmu dalam
pengolahan sinyal digital yang memberikan dampak yang cukup besar ialah bidang
Pengolahan Suara Digital. Salah satu contohnya, pengolahan suara digital dapat
dikembangkan pada aplikasi biomedical yaitu sebagai aplikasi pada analisis dan pengenalan
suara jantung dan paru untuk diagnosis penyakit jantung dan paru secara otomotis.1 Dari hasil
aplikasi tersebut akan membantu tenaga medis agar lebih akurat dalam menentukan kondisi
pasien.

Dalam proses pengenalan suara jantung atau suara yang biasanya disebut dengan
auskultasi ini, diperlukan beberapa teknik seperti proses akuisisi suara jantung atau paru,
preprocessing, ekstrak ciri, dan classifier. Dengan menggunakan teknik pengolahan sinyal
digital dalam mengenali suara jantung dan paru maka subjektifitas yang terjadi dapat
dikurangi. Secara sederhana sistem pengenalan suara jantung dan paru dapat dilihat pada
gambar 1. Perangkat terdiri dari bagian perangkat keras berupa stetoskop elektronik dan
perangkat lunak yang ter-install di PC. Berikut akan dijelaskan tiap-tiap teknik dalam
mengenali suara jantung dan paru.

Gambar 1. Sistem perangkat

1Achmad Rizal, Vera Suryani, “Pengolahan Sinyal Digital pada Analisis dan Pengenalan Suara Jantung dan Paru untuk
Diagnosis Penyakit Jantung dan Paru Secara Otomatis”. STT Telkom Bandung
1. Akuisisi Data
Akusisi data secara langsung menggunakan stetoskop elektronik yang terdiri dari
bagian membrane atau biasa disebut chest piece, selang/tubing, mic kondensor, dan
jack penghubung ke soundcard. Berikut hasil data suara yang telah di proses menjadi
data plot grafik:

Gambar 2. Plot sinyal spektral suara bronchial

Gambar 3. Plot sinyal dan spektral suara jantung abnormal

(mitral regurgitation)

2. Pengolahan Sinyal
pengolahan sinyal yang dilakukan terdiri dari proses normalisasi, ekstraksi ciri dan
proses klasifikasi. Bagian-bagian dari proses ini akan dijelaskan pada subbab-subbab
berikut.

Via Soundcard Analisis

Gambar 4. Diagram blok pengolahan sinyal

3. Preprocessing
Preprocessing yang dilakukan biasanya berupa penyeragaman pada data agar
parameter-parameter data menjadi sama. Beberapa parameter ini misalnya frekuensi
sampling, resolusosi rekaman, lama rekaman, format data. Proses normalisasi juga
 dapat berupa normalisasi amplitude dan penghilangan komponen DC dari data.
Penghilangan komponen DC dapat dilakukan oleh persamaan berikut:

Sedangkan normalisasi amplitude dilakukan dengan persamaan berikut:

4. Visualisasi Data
Visualisasi data digunakan untuk menampilkan suara jantung atau paru untuk melihat
kandungan informasi didalamnya dalam domain waktu (plot sinyal), domain
frekuensi (FFT) atau domajn waktu dan frekuensi sekaligus (STFT/spektogram).
Spectral suara rekaman dihitung menggunakan FFT dengan persamaan berikut:

Dengan x(n) adalah deretan sinyal input, dan N adalah panjang sinyal input.
Sedangkan spektogram dihitung dengan persamaan berikut:

Dengan x(l) merupakan sampel sinyal, w(t nD-1) merupakan time domain window
dimana lokasinya merupakan perkalian dari sejumlah D sampel.

5. Ekstraksi ciri
Ekstraksi ciri dapat dilakukan pada domain frekuensi atau domain waktu. Tiap
pemilihan ini tergantung darri asumsi yang digunakan. Berikut akan dijelaskan
beberapa teknik dalam domain waktu dan domain frekuensi.
a. Analisis dalam domain waktu.
Pada analisis domain waktu, operasi dilakukan pada tiap sampel data. Sebagai
contoh dengan menggunakan teknik RMS (Root Mean Square), dimana data
 suara dipotong-potong menjadi frame-frame yang kemudian dihitung energinya
seperti pada persamaan berikut:

Teknik berikutnya yang dapat digunakan mengadopsi teknik pada speech

processing yaitu LPC (Linear Prediction Code). Sampel data dilakukan framing
dan windowing, selanjutnya dibuat suatu filter model untuk mewakili tiap frame
yang diwakili dengan sebelumnya dilakukan analisis autokorelasi. Koefisien ini
selanjutnya dikonversi menjadi koefisien cepstral.

Gambar 5. Diagram Alir Prosees LPC

b. Analisis dalam domain frekuensi

Hasil dari pengamatan, menunjukkan bahwa suara jantung atau paru untuk tiap
kondisi memiliki perbedaan spectral. Suara jantung atau paru normal biasanya
mempunyai frekuensi dibawah 600 Hz. Tetap pada suara gurgling pada suara
paru atau murmur pada suara jantuung kadang muncul komponen frekuensi
sampai 1200 Hz. Salah satu metode paling mudah untuk membagi suara jantung
atau suara paru menjadi subband-subband yang diinginkan adalah menggunakan
metode wavelet. Sebagai contoh, dengan frekuensi sampling 8000Hz, dengan
scenario seperti pada gambar 6, pita frekunsi suara dipecah menjadi masing-
masing 125 Hz untuk wilayah dibawah 1000 Hz, 250 Hz untuk wilayah 1000-
2000 Hz, 500 Hz untuk wilayah 2000-3000 Hz. Sedangkan untuk daerah 3000-
40000 Hz tidak dibagi karena biasanya suara jantung dan paru tidaak menempati
frekuensi sampai 4000 Hz. Tiap subband ini dihitung energinya untuk
mendapatkan fitur ini sinyal. Perhitungan energy bisa menggunakan
periodogram biasa, energy Shanon, Blackkman-Turkey dan lain-lain.
 Gambar 6. Skenario Dekomposisi

6. Classifier
Classifier merupakan langkah yang diambil untuk mengenali ciri yang diambil tiap
data. Metode yang diterapkan ada dua, yaitu linear dan nonlinear. Untuk kasus
dimana fitur yang didapat antara kelas data yang satu dengan lain tidak terlalu
mencolok perbedaannya maka classifier metode nonlinear seperti jaringan syaraf
tiruan akan lebih tepat untuk diterapkan. Struktur sederhana JST dapat diihat padaa
gambar 7.

Gambar 7. Struktur dasar JST

Pada gambar 7, Y menerima input neuron X1, X2, dan X3 dengan bobot penghubung
w1, w2, dan w3. Apabila impuls neuron dijumlahkan maka akan didapat persamaan:

Sedangkan fungsi aktifasi diterima Y sebesar:

Fungsi aktifasi Y=f(net)
 Tabel 1. Perbandingan beberapa hasil penelitian yang telah dilakukan

Dari hasil pengolahan data pada table 1 dengan teknik ektraksi fitur LPC, RMS (root mean
square), DPW (Dekomposisi Paket Wavelet), perhitungan energi Shanon, classifier JST,
ART 2 (Adaptive Resonance Theory 2), dan krokorelasi dapat dibedakan baik dalam domain
waktu maupun domain frekuensi.