Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

Jurnal Fisika: Seri Konferensi

KERTAS - AKSES TERBUKA Anda mungkin juga menyukai

Algoritma Pengenalan Fitur Elektrokardiogram

- Deteksi aritmia pada EKG dengan
panjang bervariasi 12-lead
menggunakan jaringan fusi sinyal multi-
dengan Windowing dan Adaptive Thresholding cabang
Yanfang Dong, Wenqiang Cai, Lishen Qiu
et al.

Untuk mengutip artikel ini: S I Purnama et al 2019 J. Phys: Conf. Ser. 1201 012048 - Denoising sinyal EKG dua tahap
berdasarkan jaringan konvolusi dalam
Lishen Qiu, Wenqiang Cai, Miao Zhang et
al.

- Akuisisi non-invasif EKG janin dari proses

Lihat artikel online untuk pembaruan dan penyempurnaan. xifoideus maternal: studi kelayakan pada
domba hamil dan seruan untuk set data
terbuka
C Shen, M G Frasch, H T Wu et al.
Konten ini diunduh dari alamat IP 125.163.158.46 pada 12/08/2023 pukul 06:30
Konferensi Internasional tentang Representasi dan Algoritma Elektronika (ICERA Penerbitan IOP
2019)
Konferensi IOP. Series: Jurnal Fisika: Conf. Seri 1201 (2019) 012048 doi:10.1088/1742-6596/1201/1/012048

Algoritma Pengenalan Fitur Elektrokardiogram

dengan Windowing dan Adaptive Thresholding
S I Purnama1 , H Kusuma1 , dan T A Sardjono1
seviaind@gmail.com , hendraks@ee.its.ac.id, sardjono@bme.its.ac.id

1 Departemen Teknik Elektro Fakultas Teknik Elektro Institut Teknologi Sepuluh Nopember Surabaya,
Indonesia

Abstrak. Kelainan detak jantung pada tubuh manusia dapat didiagnosis dengan mengamati
sinyal elektrokardiogram (EKG). Metode tradisional dalam menganalisa sinyal EKG untuk
menentukan kelainan seseorang didasarkan pada keahlian dokter spesialis jantung, dimana
terkadang terjadi multitafsir atau salah tafsir terhadap kelainan tersebut. Perkembangan metode
pengenalan pola saat ini telah berkembang pesat sehingga memungkinkan untuk diterapkan
pada sinyal EKG. Fitur tertentu dari EKG yang diperlukan untuk pengenalan pola adalah sinyal
P, Q, R, S dan T. Pada makalah ini, kami mengusulkan metode pengenalan pola untuk fitur
EKG dengan menggunakan ambang batas adaptif untuk menemukan posisi P, Q, R, S, dan T.
Pertama, kami menemukan sinyal R yang ditentukan oleh puncak lokal, sinyal P dan T yang
ditentukan oleh nilai maksimum dari jendela tertentu, sinyal S yang ditentukan oleh lembah
lokal dari sinyal EKG dan sinyal Q sisanya yang ditentukan oleh nilai minimum antara sinyal P
dan R. Kemudian berdasarkan informasi tersebut, kami menggunakan 48 sinyal ECG yang
mengandung kelainan dan 18 sinyal ECG normal dari database physionet. Hasil percobaan
menunjukkan bahwa tingkat akurasi metode kami untuk mengenali sinyal P, Q, R, S dan T
adalah 96,52%, 95,88%, 96,56%, 98,35%, dan 95,88% untuk sinyal ECG normal dan abnormal.

1. Pendahuluan
Elektrokardiogram (EKG) adalah alat pengukur aktivitas, transportasi, dan pemulihan d e n y u t
jantung dengan menggunakan elektroda yang ditempelkan pada kulit [1]. Irama sinus jantung ditandai
dengan urutan sinyal P, Q, R, S, dan T pada EKG, dan kompleks kombinasinya yang disebut interval
QRS [2]. Gelombang P pada EKG menunjukkan depolarisasi atrium [3]. EKG yang diperoleh
memiliki segmen yang paling menonjol dalam setiap siklus EKG yang disebut interval QRS yang
ditandai dengan bentuk gelombang yang tajam dengan amplitudo yang tinggi [4] dan gelombang T
EKG menunjukkan repolarisasi ventrikel [3]. Kompleks QRS menunjukkan depolarisasi ventrikel
yang cepat dengan durasi kurang dari 0,09 detik. Kompleks QRS memiliki amplitudo maksimum
dalam interval ini yang disebut R-peak dan periode waktu antara dua R-peak adalah RR-interval yang
digunakan untuk menghitung denyut jantung dan variabilitasnya [4]. Denyut jantung normal adalah
60-100 denyut per menit dan dapat berbeda untuk orang tua dan anak-anak. Ketika manusia memiliki
kelainan pada tubuhnya, pola sinyal EKG akan berubah. Ada beberapa kesulitan dalam memproses
sinyal ECG seperti jarak antar puncak yang bervariasi, bentuk puncak yang tidak menentu, serta
adanya komponen frekuensi rendah yang disebabkan o l e h pernafasan pasien [5]. Banyak penelitian
tentang mendapatkan pola dari sinyal ECG seperti mengekstraksi noise yang tidak diinginkan
menggunakan transformasi wavelet diskrit yang menghasilkan pengurangan noise pada frekuensi pass
band yang dimasukkan, transformasi wavelet undecimated untuk menghilangkan noise dari sinyal
ECG, denoising sinyal ECG menggunakan filter kalman yang diperluas yang menghasilkan
pendekatan RR

Konten dari karya ini dapat digunakan di bawah ketentuan lisensi Creative Commons Atribusi 3.0. Penyebaran lebih lanjut
dari karya ini harus tetap mencantumkan atribusi kepada penulis dan judul karya, kutipan jurnal, dan DOI.
Diterbitkan di bawah lisensi oleh IOP Publishing Ltd 1
Konferensi Internasional tentang Representasi dan Algoritma Elektronika (ICERA Penerbitan IOP
2019)
Konferensi IOP. Series: Jurnal Fisika: Conf. Seri 1201 (2019) 012048 doi:10.1088/1742-6596/1201/1/012048

mendekati RR asli, deteksi R-peak pada EKG yang dapat dikenakan menggunakan Matched Filtering
dan Hilbert Transform, hubungan kecemasan dengan kelainan gelombang T pada subjek tanpa
penyakit jantung [6]. Selain itu, pola sinyal EKG normal dan abnormal sangat berbeda [5] [6]. Di sisi
lain, mengembangkan metode yang dapat diterapkan untuk sinyal umum terutama untuk sinyal EKG
abnormal adalah sebuah tantangan. Penelitian ini mengusulkan pengenalan pola sinyal EKG yang
dapat diterapkan pada sinyal EKG normal dan abnormal untuk mendeteksi sinyal P, Q, R, S dan T.
Setelah kita mendapatkan sinyal-sinyal tersebut, kita dapat mengenali mana yang merupakan detak
jantung normal atau abnormal.

2. Metode yang Diusulkan

Metode yang diusulkan terdiri dari langkah prapemrosesan dan deteksi detak jantung. Pada dasarnya
pada langkah preprocessing, sinyal EKG difilter oleh LPF dan HPF, kemudian diteruskan ke prosedur
normalisasi. Langkah selanjutnya adalah mendeteksi sinyal P, Q, R, S, dan T. Langkah preprocessing
ini diperlukan karena sulit untuk menemukan sinyal P, Q, R, S, dan T dalam sinyal ECG mentah.
Hasilnya adalah sinyal P, Q, R, S, dan T yang terdeteksi pada sinyal EKG normal dan abnormal.
Dengan mengetahui posisi dan nilai dari sinyal-sinyal tersebut, kita dapat mengenali pola detak
jantung normal dan abnormal. Kami menggunakan 48 sinyal EKG abnormal dari database physionet
yang diperoleh dari physionet.org. Nama database tersebut adalah "Normal Sinus Rhythm Database
(nsrdb) dan MIT-BIH Arrhythmia Database (mitdb)".

Amplitudo
EKG yang Deteksi dan lokasi
HPF Normalisasi
diperoleh dari Detak P, Q, R, S
basis data Jantung dan T
Gambar 1. Blok Diagram Sistem

2.1. Pemrosesan awal

Dalam preprocessing, baik sinyal normal maupun abnormal akan mendapatkan proses yang sama.
Proses tersebut adalah penyaringan dengan menggunakan high pass filter untuk menghilangkan noise
frekuensi rendah. Setelah mendapatkan sinyal murni, kami menormalkan semua sinyal dengan
memindahkan bagian negatif dari sinyal ECG menjadi nilai positif. Sinyal ECG harus difilter karena
adanya kemungkinan noise dari gerakan tubuh. Untuk menghilangkan noise di bawah baseline 5Hz,
kami menggunakan 5th order zero phase IIR dengan frekuensi cut off 0.5Hz. Nilai ini bergantung pada
hipotesis bahwa rentang denyut jantung tubuh manusia bervariasi antara 40 (0.66Hz) dan 200 (3.33Hz)
[3]. EKG asli ditunjukkan pada Gambar 2(a), sinyal ini merupakan sinyal EKG mentah dari database
sebelum preprocessing diterapkan. Sinyal yang telah difilter ditunjukkan pada Gambar 2(b). Sinyal asli
dan sinyal yang telah difilter dalam satu grafik dapat dilihat pada Gambar 2(c).

(a)

2
Konferensi Internasional tentang Representasi dan Algoritma Elektronika (ICERA Penerbitan IOP
2019)
Konferensi IOP. Series: Jurnal Fisika: Conf. Seri 1201 (2019) 012048 doi:10.1088/1742-6596/1201/1/012048

(b)
Amplitudo (V)

(c)

Gambar 2 . Sinyal EKG (a) Sinyal Asli, (b) Sinyal yang Difilter oleh HPF, (c)
Sinyal Asli dan Sinyal yang Difilter

Dan untuk proses terakhir dari langkah preprocessing adalah langkah normalisasi. Pada
dasarnya langkah Normalisasi diperlukan untuk mengangkat sinyal negatif. Dengan demikian semua
sinyal normal dan tidak normal tidak memiliki nilai negatif. Jika adalah sinyal yang sudah
dinormalisasi, adalah sinyal yang ingin dinormalisasi, maka persamaan 1 menunjukkan rumus untuk
mendapatkan [7]:

Σn
Ys =
1
(vn - min(v)) (1)

Berdasarkan persamaan di atas, kita perlu mencari nilai minimum dari sinyal dan
mengurangkan , yang merupakan nilai dari sinyal yang berurutan dengan nilai minimum. Ns adalah
sinyal yang dapat diproses untuk mendeteksi posisi dan nilai sinyal P, Q, R, S, dan T pada sinyal
normal dan tidak normal. Tujuan dari proses preprocessing ini adalah untuk menyederhanakan sinyal
mentah dari MIT-BIH Arrhythmia Database (mitdb) sebelum kita mengembangkan sistem yang dapat
mengenali sinyal EKG normal dan abnormal. Sinyal EKG yang telah dinormalisasi dapat dilihat pada
gambar 3.

3
Konferensi Internasional tentang Representasi dan Algoritma Elektronika (ICERA Penerbitan IOP
2019)
Konferensi IOP. Series: Jurnal Fisika: Conf. Seri 1201 (2019) 012048 doi:10.1088/1742-6596/1201/1/012048

Gambar 3. Sinyal yang dinormalisasi

2.2. Thresholding dan windowing adaptif untuk menemukan sinyal P, Q, R, S, dan T

Mulai

Dapatkan sinyal
EKG dari set data

Persentase setiap sinyal

masing-masing dengan nilai
maksimum, untuk nilai
pertama ditetapkan A =
A=B 50% dan B 55%
B=B+5

Ya.

Ya. panjang A > B

B < 86%
dan panjang B
> 20
Tid
ak.
Tidak.

Menyimpan nilai dan

lokasi sinyal B sebagai
sinyal R

Akh
ir

Gambar 4. Diagram Alir untuk Menemukan R

Pertama, kita perlu mencari nilai maksimum dari sinyal dan mengalikannya dengan 50% dan
55%. Pada langkah ini kita akan mendapatkan 2 nilai yaitu 50% dan 55% dari nilai maksimum.
Kedua, kita harus mencari berapa banyak sinyal yang memiliki nilai di atas 50% dan 55% dari nilai
maksimum. Jika jumlah sinyal di atas 50% lebih banyak dari jumlah sinyal di atas 55% dan jumlah
sinyal di atas 55% lebih dari 20 dan persentasenya di bawah 86%, maka kita tambahkan
persentasenya 5%. Sehingga nilai perkalian persentase menjadi 55% dan 60%. Pada metode ini kita
menggunakan nilai tetap seperti 20 dan 86%. Nilai tetap 20 diperlukan untuk menghindari nilai
maksimum dari proses tersebut. Persentase nilai tetap 86% digunakan untuk menentukan ambang
batas nilai maksimum dari sinyal. Berdasarkan metode ini, ketika kami mengimplementasikan pada
sinyal EKG normal, semua sinyal R ditemukan, dan untuk sinyal EKG aritmia sebagian besar sinyal
R ditemukan.

4
Konferensi Internasional tentang Representasi dan Algoritma Elektronika (ICERA Penerbitan IOP
2019)
Konferensi IOP. Series: Jurnal Fisika: Conf. Seri 1201 (2019) 012048 doi:10.1088/1742-6596/1201/1/012048

Mulai

Dapatkan nilai dan

lokasi sinyal R dari
algoritme sinyal R

Temukan nilai sinyal sekitar

40 - 70% dari sinyal EKG
maksimum dalam interval
puncak R - R

Dapatkan nilai
maksimum dari
jendela ini
lokasi nilai
Ya. Tid
maksimum > titik ak.
tengah

Menyimpan nilai dan lokasi Menyimpan nilai dan lokasi

sebagai sinyal P untuk sinyal sebagai sinyal T untuk
R kedua sinyal R pertama

Temukan nilai sinyal sekitar Temukan nilai sinyal sekitar 40

40 - 70% dari sinyal EKG - 70% dari sinyal EKG
maksimum antara sinyal R maksimum antara titik tengah
pertama dan titik tengah dan sinyal R kedua

Menyimpan nilai dan lokasi Menyimpan nilai dan lokasi

sebagai sinyal T untuk sinyal sebagai sinyal P untuk sinyal
R pertama R kedua

Akh
ir

Gambar 5. Diagram Alir untuk Menemukan Sinyal P dan T

Untuk menemukan sinyal P dan T, kami menggunakan jendela di antara dua sinyal R di
semua sinyal EKG. Sinyal P dan T ditentukan oleh sinyal maksimum di antara dua sinyal R. Oleh
karena itu, kami mendefinisikan sinyal P sebagai sinyal dengan nilai 40 - 70% dari nilai maksimum
sinyal. Pertama, kita harus menemukan titik tengah antara dua sinyal R. Kurangi wilayah antara dua
sinyal R menjadi 2 wilayah, wilayah pertama di bawah titik tengah dari R pertama, wilayah kedua
di atas titik tengah, yaitu dari titik tengah ke R kedua. Sinyal di wilayah pertama yang bernilai 40 -
70% dari nilai maksimum adalah sinyal T. Untuk 40 - 70% berikutnya dari nilai maksimum yang
ditemukan di wilayah kedua yang berada di antara titik tengah dan puncak R kedua adalah sinyal P
untuk R kedua.
Amplitudo (V)

Gambar 6. Lokasi R, P dan T

5
Konferensi Internasional tentang Representasi dan Algoritma Elektronika (ICERA Penerbitan IOP
2019)
Konferensi IOP. Series: Jurnal Fisika: Conf. Seri 1201 (2019) 012048 doi:10.1088/1742-6596/1201/1/012048

Gambar 7. Diagram Alir untuk mencari Q dan S

Ketika puncak R terdeteksi, maka interval RR dapat dihitung dengan persamaan

ini:

jumlah puncak (2)

RR int =
detik lokasi puncak kedua - lokasi puncak pertama

Setelah puncak R terdeteksi, kami kemudian menghitung sinyal P dan T dengan melakukan
windowing. Diagram alir untuk windowing P dan T ditunjukkan pada Gambar 5. Dengan cara yang
sama seperti diagram alir pada Gambar 7, Q dan S dapat diperoleh dengan mencari nilai minimumnya.
Sinyal Q adalah nilai minimum dari P dan R. Sinyal S adalah nilai minimum antara puncak R dan T.
Hasil dari pencarian fitur ini ditunjukkan pada Gambar 8.
Deteksi Fitur EKG

0.9

0.8 EKG
R
0.7 S
P
0.6
Amplitudo

T
0.5 Q

0.4

0.3

0.2

0.1

0
2800 3000 3200 3400 3600 3800 4000 4200 4400 4600 4800
Data lokasi

Gambar 8. Deteksi fitur sinyal EKG

6
Konferensi Internasional tentang Representasi dan Algoritma Elektronika (ICERA Penerbitan IOP
2019)
Konferensi IOP. Series: Jurnal Fisika: Conf. Seri 1201 (2019) 012048 doi:10.1088/1742-6596/1201/1/012048

Gambar 8 di atas menunjukkan hasil akurasi algoritma ini untuk setiap sinyal. Sinyal P ditunjukkan
dengan warna merah +, sinyal Q ditunjukkan dengan warna hijau *, sinyal R ditunjukkan dengan
warna merah *, sinyal S ditunjukkan dengan warna biru o dan sinyal T ditunjukkan dengan warna biru
+. Sinyal pada gambar ini adalah fitur sinyal EKG dari sebuah rekaman.

3. Analisis Data
Untuk mengetahui keefektifan algoritme yang kami usulkan, kami mengujinya pada 48 sinyal dari
basis data aritmia MIT-BIH, kami menghitung tingkat akurasi dengan persentase data yang benar yang
diperoleh. Tingkat akurasi pengenalan ini dapat dilihat pada tabel 1 di bawah ini,

Tabel 1. Tingkat akurasi

Label Akurasi (dalam persentase) 201 98.86 97.75 98.88 100.00 97.75

pasie P Q R S T 202 91.38 89.83 91.53 98.33 89.83

n 203 78.89 78.02 79.12 90.00 78.02

100 100.00 98.65 100.00 100.00 98.65 205 98.88 97.78 98.89 100.00 97.78

101 100.00 98.33 100.00 100.00 98.33 207 80.60 79.41 80.88 78.79 79.41

102 98.63 97.30 98.65 91.89 97.30 208 60.67 60.00 61.11 100.00 60.00

103 100.00 98.57 100.00 100.00 98.57 209 100.00 98.95 100.00 100.00 98.95

104 96.15 94.94 96.20 93.51 94.94 210 92.94 91.86 93.02 92.94 91.86

105 83.95 82.93 84.15 100.00 82.93 212 100.00 98.85 100.00 100.00 98.85

106 100.00 98.39 100.00 100.00 98.39 213 97.20 96.30 97.22 100.00 96.30

107 100.00 98.57 100.00 90.14 98.57 214 69.33 68.42 69.74 94.74 68.42

108 62.07 61.02 62.71 100.00 61.02 215 96.40 95.54 96.43 100.00 95.54

109 74.12 73.26 74.42 72.09 73.26 217 100.00 98.63 100.00 100.00 98.63

111 72.46 71.43 72.86 98.57 71.43 219 97.30 96.00 97.33 97.33 96.00

112 94.05 92.94 94.12 100.00 92.94 220 100.00 98.55 100.00 100.00 98.55

113 98.36 96.77 98.39 100.00 96.77 221 83.12 82.05 83.33 100.00 82.05

114 100.00 98.18 100.00 100.00 98.18 222 95.89 94.59 95.95 100.00 94.59

115 100.00 98.51 100.00 100.00 98.51 223 95.35 94.25 95.40 96.67 94.25

116 96.10 94.87 96.15 100.00 94.87 228 100.00 98.53 100.00 94.12 98.53

117 96.36 94.64 96.43 100.00 94.64 230 96.25 95.06 96.30 100.00 95.06

118 90.14 88.89 90.28 98.61 88.89 231 98.33 96.72 98.36 98.36 96.72

119 92.31 90.91 92.42 78.79 90.91 232 98.28 96.61 98.31 98.31 96.61

121 94.83 93.22 94.92 100.00 93.22 233 89.11 88.24 89.22 78.43 88.24

122 100.00 98.48 100.00 100.00 98.48 234 100.00 98.89 100.00 100.00 98.89

123 100.00 98.15 100.00 100.00 98.15 Total 93.04 91.75 93.13 96.70 91.75

124 100.00 98.11 100.00 100.00 98.11

200 97.47 96.25 97.50 100.00 96.25

Metode yang diusulkan memiliki akurasi deteksi 93,13%, 93,04%, 95,88%, 95,52%, dan 98,35%
untuk puncak R, P, T, Q, dan S secara berurutan. Jika kita menerapkan metode ini untuk database
EKG normal, maka kita akan mendapatkan akurasi deteksi 100%. Oleh karena itu, dengan rata-rata
semua hasil akurasi deteksi, kami memiliki akurasi deteksi 96,52%, 95,88%, 96,56%, 98,35% dan
95,88% untuk R, P, T, Q, dan S masing-masing, jika diterapkan pada semua basis data yang digunakan
dalam makalah ini.

4. Kesimpulan
Metode yang diusulkan dalam makalah ini dapat mengenali sinyal P, Q, R, S, T untuk setiap sinyal
EKG. Metode pengenalan fitur diuji pada 48 database sinyal MIT-BIH Arrhytmia, yang diperoleh dari

7
Konferensi Internasional tentang Representasi dan Algoritma Elektronik (ICERA Penerbitan IOP
2019)
Konferensi IOP. Series: Jurnal Fisika: Conf. Series 1201 (2019) 012048doi :10.1088/1742-6596/1201/1/012048

physionet.org. Tingkat akurasi untuk menemukan puncak R, P, T, Q, dan S masing-masing adalah 96,52%,
95,8 8 % , 96,56%, 98,35%, dan 95,88%. Secara keseluruhan, akurasi rata-rata adalah 93,27%.

5. Referensi

[1] S. T. Tao Lin, "Sistem Pemrosesan Sinyal EKG Berdasarkan MATLAB dan MIT-BIH,"
Kemajuan Terkini dalam CSIE 2011, LNEE 125, hal. 787-792., 2012.

[2] D. Castells-Rufas dan J. Carrabina, "Detektor QRS waktu nyata sederhana dengan filter MaMeMi,"
Pemrosesan dan Kontrol Sinyal Biomedis, vol. 21, hal. 137-145, 2015.

[3] O. M. Wani, "Pemrosesan Sinyal EKG Stress Test menggunakan MATLAB," International
Journal of Engineering Research & Technology (IJERT), vol. 6, no. 8, hal. 175-183, Agustus
2017.

[4] T. Chanwimalueang, W. v. Rosenberg dan D. P. Mandic, "Mengaktifkan Deteksi R-Peak pada

EKG yang Dapat Dipakai: menggabungkan penyaringan yang cocok dan transformasi hibelrt,"
Konferensi Internasional IEEE 2015 tentang Pemrosesan Sinyal Digital (DSP), hal. 134-138,
2015.

[5] M. Ponnusamy dan SM, "Mendeteksi dan mengklasifikasikan kelainan EKG menggunakan
metode multi model," Biomedical Research India edisi khusus 2017, no. Edisi Khusus: S81-S89,
hal. s81-s89, 2017.

[6] B. K. Rehman, A. Kumar dan P. Sharma, "Pendekatan Baru untuk Deteksi R-Peak pada Sinyal
Elektrokardiogram (EKG)," ARPN Journal of Engineering and Applied Sciences, vol. 11,
pp. 13500-13503, Desember 2016.

[7] S. Hamdi, AB Abdallah dan MH Bedoui, "Deteksi Kompleks QRS yang Kuat Menggunakan
Tata Bahasa Reguler dan Deterministik Automata," Biomedical Signal Processing and Control,
vol. 40, pp. 263-274, 2018.