PERANCANGAN SISTEM PENDETEKSI ARITMIA MENGGUNAKAN NEURAL NETWORK ANDRI ISWANTO Bidang Studi Teknik Elektronika Jurusan Teknik Elektro, Fakultas Teknologi Industri Institut Teknologi Sepuluh November Kampus ITS Gedung A, B dan C Sukolilo Surabaya 60111
[email protected]
jantung. Untuk mendiagnosis aritmia dapat dilakukan dengan sinyal listrik jantung yang biasa disebut Electrocardiogram (ECG) [1]. Pembacaan keadaan jantung dilakukan dengan mengambil sinyal ECG yang kemudian diakuisisi dan dibandingkan dengan data jantung normal, jika ada perbedaan signifikan yang menunjukkan adanya kelainan maka sistem akan mengidentifikasi bahwa jantung tidak normal. Dari latar belakang permasalahan diatas maka dapat disimpulkan perlu dibuat suatu sistem yang dapat membaca dan mengidentifikasi sinyal ECG, sehingga dapat mengklasifikasikan keadaan jantung dalam keadaan normal atau terjadi kelainan dan juga mampu untuk membedakan setiap kelainan yang terjadi.
Abstrak : Aritmia adalah kelainan pada jantung yang berupa gangguan pada frekuensi, keteraturan, tempat asal denyut atau konduksi impuls listrik pada jantung. Aritmia merupakan penyakit yang berbahaya, sehingga memerlukan pengobatan yang segera dan terapi yang teratur untuk mencegah kondisi yang lebih buruk. Salah satu diagnosis aritmia yang paling popular digunakan adalah dengan Electrocardiograph (ECG). Pada umumnya diagnosis aritmia hanya dapat dilakukan oleh dokter ahli jantung. Tetapi seiring dengan perkembangan ilmu pengetahuan dan teknologi, banyak ilmuan dan perguruan tinggi yang melakukan penelitian tentang diagnosis aritmia, sehingga dengan ditemukannya suatu system yang bisa mengklasifikasikan aritmia diharapkan setiap orang bisa dengan mudah mengenali aritmia jika terjadi kelainan pada jantungnya.Penelitian ini bertujuan untuk merancang dan merealisasikan system akuisisi ECG dan deteksi aritmia secara automatis dengan algoritma neural network. Sistem akuisisi ECG dan pendeteksi aritmia yang dirancang dapat membaca sinyal ECG dari 5 lead yaitu lead 1, lead 2 dan lead 3 pada lead standart dan Avl dan Avf pada augmentasi lead. Serta dapat mengenali beberapa aritmia antara lain : Normal, Tacikardia, Bradikardia, PVC Early, PAC, 2 BLK 1 dan AFIB.
II TEORI PENUNJANG 2.1 Elektrokardiograf Elektrokardiograf (ECG) adalah peralatan kedokteran yang digunakan untuk mengukur aktivitas elektris dari jantung dengan mengukur perbedaan biopotensial pada jantung yang diukur dari bagian luar tubuh. Sinyal elektrokardiogram merupakan sinyal ac dengan bandwith antara 0.05 Hz sampai 100 Hz. Sinyal ECG normal seperti pada Gambar 2.1 terdiri atas sebuah gelombang P, gelombang QRS komplek, gelombang T dan kadang-kadang muncul gelombang U.
Kata kunci : Arrhythmia, ECG, Neural Network. I PENDAHULUAN Jantung adalah organ tubuh manusia yang memiliki fungsi vital, kelainan kecil bisa berpengaruh besar pada kinerja tubuh kita. Berdasarkan data dari Badan Kesehatan Dunia (WHO), penyakit jantung memiliki persentasi mencapai 29% dalam kasus kematian di Dunia. Oleh karena itu diperlukan alat yang mampu mendeteksi kelainan jantung sehingga para penderita penyakit jantung bisa berobat lebih dini untuk membantu mengurangi nilai kematian akibat serangan jantung. Kelainan jantung atau Aritmia merupakan gangguan yang terjadi pada frekuensi, keteraturan, tempat asal denyut atau konduksi impuls listrik
Gambar 1 Sinyal ECG [8] 1
2.3 Jaringan Saraf Tiruan (Neural Network) Jaringan saraf tiruan (JST) adalah system pemroses informasi yang memiliki karakteristik mirip dengan jaringan saraf biologi. Bentuk sederhana dari arsitektur neural network single layer ditunjukkan pada gambar 2.19 berikut :
2.2 Lead 2.2.1 Lead dasar (lead bipolar/lead standar) Lead dasar mengukur perbedaan potensial pada bidang frontal tubuh. Elektroda ditempatkan pada tangan kanan (RA), tangan kiri (LA), kaki kanan (RL) dan kaki kiri (LL). Dengan kaki kanan (RL) sebagai driven right leg [2], kombinasi dari elektroda tersebut dapat diperoleh 3 lead sebagai berikut: Lead I : Mengukur potensial antara RA dan LA Lead II : Mengukur potensial antara RA dan LL Lead III : Mengukur potensial antara LA dan LL
wqo=
q
(threshold)
Gambar 4 Single layer Neural Network uq merupakan kombinasi linear dari input (xj)dan bobot-bobot jaringan (wqj) uq =
n j=0
xj*wqj
Potensial aktivasi Vq = uq –
Gambar 2 Konfigurasi electrode pada lead standar [10]
q
Output dari fungsi aktivasi (yq) Yq = f(vq)
2.2.2 Lead augmented (lead unipolar) Lead augmented merupakan lead yang mengukur perbedaan potensial bidang tranversal, Elektroda referensi ekivalen pada lead ini disebut 2.3 Jaringan Saraf Tiruan Wilson’s Central Terminal (WCT). Seperti ditunjukkan gambar 3.
III PERANCANGAN SISTEM 3.1 Rangkaian Pemilih Lead
Gambar 3 Wilson’s Central Terminal [8]
Gambar 5 Rangkaian pemilih Lead 2
Tabel 3.1 Kombinasi Logika Untuk Pemilihan Lead
Lead I II III aVL aVR aVF
IC8 000 001 010 011 100 101
Filter tersebut memiliki frekuensi cut-off bawah (fcl) dan frekuensi cut-off atas (fch) yang masing-masing ditentukan oleh rumus sebagai berikut:
IC7 000 001 010 011 100 101
fcl =
;
fch =
(
)/(
)
Dari persamaa di atas dipilih C1 = C2 = 100uF dan R1 = 100K maka didapatkan nilai fch = 0.03 hz. Dan untuk filter lowpass ditentukan C3 = 15nf dan R8 = 100k diperoleh fcl = 106Hz.
3.2 Penguat Instrumentasi
3.4 Filter Lowpass Orde 2
Gambar 8 Rangkaian Filter Lowpass orde 2 Gambar 6 Rangkaian Penguat Instrumentasi
Dengan menggunakan nilai R33= R34 = 0.5 R35 dan C12 = 2C13 maka didapatkan nilai frekuensi cut-off dari rangkaian tersebut dengan rumus sebagai berikut :
Penguatan dari rangkaian ini ditentukan oleh RG, dimana dengan RG = 560 Ohm diperoleh penguatan sebesar 90 kali. Perhitungan RG untuk menentukan penguatan ditentukan oleh persamaan berikut :
fch = Dengan menggunakan persamaan diatas, dipilih R33 = R34 = 100K, R35 = 220K, C13 = 100nF, C12 = 220nF didapatkan frekuensi cut – off fc = 107 hz.
3.3 Filter Bandpass
3.5 Rangkaian Adder
Gambar 7 Rangkaian Filter Bandpass 3
Gambar 9 Rangkaian Adder Dengan menggunakan nilai resistor R11 = R12 maka output dari rangkaian adder ini ditentukan oleh persamaan berikut:
3.7.2 Perangkat Lunak pada Komputer Perancangan perangkat lunak pada komputer bertujuan untuk menampilkan sinyal dalam bentuk visual, selain itu fungsi yang lebih penting adalah untuk memproses dan mengklasifikasikan sinyal agar bisa mengenali aritmia berdasarkan bentuk sinyalnya. Alur program pada komputer ditunjukkan pada diagram block berikut :
V out = V in + V dc 3.6 ADC internal ATMega16 Pada rangcangan sistem ECG ini digunakan mikrokontroler ATmega16 sebagai pusat pemrosesan data serta sebagai kontrol. Fungsi ATmega16 dalam rangkaian ini antara lain mengatur switching dari multiplexer, melakukan proses konversi sinyal ECG ke digital dan mengirimkan data sinyal ECG digital ke komputer melalui komunikasi serial menggunakan modul USB to Serial.
START
Pilih Lead
3.7 Perancangan Perangkat Lunak 3.7.1 Perangkat Lunak pada Mikrokontroler Perangkat lunak pada mikrrokontroler ATmega16 berfungsi untuk pemilihan lead, konversi data dan pengiriman data. Bahasa yang digunakan adalah bahasa C dengan compiler CodeVision AVR. Kerja dari perangkat lunak mikrokontroler juga berhubungan dengan perangkat lunak dari komputer. Alur program mikrokontroler ditunjukkan oleh diagram block berikut :
Kirim Karakter
Ada data masuk ?
Tidak
Iya
START
Deteksi QRS kompleks dan klasifikasi aritmia dengan Neural Network Ada Request
Tampilkan aritmia dan sinyal
Pilih Lead
Ada data masuk ?
A=1?
Tidak
Baca ADC Iya
Selesai
Tidak STOP
Iya
Kirim Data
Gambar 11 Diagram Alir Program Komputer
Gambar 10 Diagram Alir Program Mikrokontroler
4
Tabel 1 Hasil pengujian Heart rate 3.7.3 Neural Network Metode Neural Network yang digunakan adalah NN Multylayer dengan algoritma Least Mean Square (LMS) dan Backpropagation. Algoritma LMS cukup sederhana penurunan persamaannya dan bisa digunakan untuk melakukan klasifikasi aritmia.
Heart rate simulator 30 bpm 30 bpm 30 bpm 60 bpm 60 bpm 60 bpm 120 bpm 120 bpm 120 bpm
Heart rate sistem 30 bpm 30 bpm 30 bpm 60 bpm 60 bpm 60 bpm 120 bpm 120 bpm 120 bpm
Diagnosis Bradikardia Bradikardia Bradikardia Normal Normal Normal Takikardia Takikardia Takikardia
Gambar 13 Sinyal ECG normal
Gambar 12 Rancangan Neural Network Multylayer Dibawah ini adalah ringkasan dari algoritma LMS : 1. Inisialisasi bobot-bobot jaringan, set k = 1, dan mengatur nilai (dt) 2. Menghitung nilai parameter pembelajaran ( )=
( )= 1+ / 3. Menghitung kesalahan (error) ( )=
( )
( )
Gambar 14 Sinyal ECG Takikardia aritmia
( ) ( )
4. Update bobot-bobot jaringan dengan metode LMS ( + 1) = ( ) + .[ ( ) y(k)]. ( ) ( + 1) = ( ) + ( ) ( ) ( ), = 1, 2, . . , . 5. Jika konvergen tercapai, stop; jika tidak set + 1, kemudian diulang melakukan step 2.
Gambar 15 Sinyal ECG Bradikardia aritmia 4.2 Pengujian deteksi aritmia dengan neural network Deteksi aritmia dengan neural network digunakan untuk mengenali jenis aritmia berdasarkan bentuk dan amplitudo sinyal ECG. Aritmia yang telah bisa dikenali dengan metode ini adalah normal aritmia, AFIB aritmia, 2BLK1 aritmia, PAC aritmia, dan PVC early aritmia. Hasil pengujian pengenalan aritmia dengan neural network dapat ditunjukkan oleh tabel 2 dan gambar 15 sampai gambar 19.
IV PENGUJIAN SISTEM DAN ANALISA 4.1 Pengujian deteksi aritmia dengan R – R interval Pengujian aritmia dengan R – R interval untuk mendeteksi tachycardia aritmia, bradykardia aritmia dan normal aritmia. ECG normal memiliki heart rate antara 50 bpm sampai dengan 100 bpm, tachycardia memiliki heart rate lebih besar dari 100 bpm dan bradykardia memiliki heart rate kurang dari 50 bpm. Hasil pengujian ditunjukkan oleh tabel 1 dan gambar 12 sampai 14.
Tabel 2 pengujian aritmia dengan neural network Sinyal Input
Normal
Normal
5
Output Bit ke 1: 0.993840729578031 Bit ke 2: 0.016757305325477 Bit ke 3: 0.000565079058810 Bit ke 4: 0.010898384738238 Bit ke 5: 1.25981342329653E-9 Bit ke 1: 0.993840729578031 Bit ke 2: 0.016757305325477 Bit ke 3: 0.000565079058810
Diagnosis
Normal
Normal
Normal
AFIB
AFIB
AFIB
2BLK1
2BLK1
2BLK1
PAC
PAC
PAC
PVC Early
PVC Early
PVC Early
Bit ke 4: 0.010898384738238 Bit ke 5: 1.25981342329653E-9 Bit ke 1: 0.993840729578031 Bit ke 2: 0.016757305325477 Bit ke 3: 0.000565079058810 Bit ke 4: 0.010898384738238 Bit ke 5: 1.25981342329653E-9 Bit ke 1: 0.005672594359717 Bit ke 2: 0.979887403519265 Bit ke 3: 0.008956379985413 Bit ke 4: 1.46436945676573E-6 Bit ke 5: 2.61143999837143E-7 Bit ke 1: 0.005672594359717 Bit ke 2: 0.979887403519265 Bit ke 3: 0.008956379985413 Bit ke 4: 1.46436945676573E-6 Bit ke 5: 2.61143999837143E-7 Bit ke 1: 0.005672594359717 Bit ke 2: 0.979887403519265 Bit ke 3: 0.008956379985413 Bit ke 4: 1.46436945676573E-6 Bit ke 5: 2.61143999837143E-7 Bit ke 1: 1.71023682684068E-11 Bit ke 2: 0.011261844595369 Bit ke 3: 0.984492840585866 Bit ke 4: 0.001597573124215 Bit ke 5: 0.006954140334230 Bit ke 1: 1.71023682684068E-11 Bit ke 2: 0.011261844595369 Bit ke 3: 0.984492840585866 Bit ke 4: 0.001597573124215 Bit ke 5: 0.006954140334230 Bit ke 1: 1.71023682684068E-11 Bit ke 2: 0.011261844595369 Bit ke 3: 0.984492840585866 Bit ke 4: 0.001597573124215 Bit ke 5: 0.006954140334230 Bit ke 1: 6.87857027570143E-9 Bit ke 2: 5.2715883971445E-6 Bit ke 3: 0.00745229450934 Bit ke 4: 0.98366220775181 Bit ke 5: 0.00181435793506 Bit ke 1: 6.87857027570143E-9 Bit ke 2: 5.2715883971445E-6 Bit ke 3: 0.00745229450934 Bit ke 4: 0.98366220775181 Bit ke 5: 0.00181435793506 Bit ke 1: 6.87857027570143E-9 Bit ke 2: 5.2715883971445E-6 Bit ke 3: 0.00745229450934 Bit ke 4: 0.98366220775181 Bit ke 5: 0.00181435793506 Bit ke 1: 3.93132231771231E-17 Bit ke 2: 0.000909459657112 Bit ke 3: 0.010631094852490 Bit ke 4: 0.012259361479312 Bit ke 5: 0.993909305449504 Bit ke 1: 3.93132231771231E-17 Bit ke 2: 0.000909459657112 Bit ke 3: 0.010631094852490 Bit ke 4: 0.012259361479312 Bit ke 5: 0.993909305449504 Bit ke 1: 3.93132231771231E-17 Bit ke 2: 0.000909459657112 Bit ke 3: 0.010631094852490 Bit ke 4: 0.012259361479312 Bit ke 5: 0.993909305449504
Target output dari masing – masing aritmia adalah : Normal : 10000 AFIB : 01000 2BLK1 : 00100 PAC : 00010 PVC Early : 00001
Normal
AFIB
AFIB
AFIB
Gambar 16 hasil pengujian ECG normal
2BLK1
2BLK1
2BLK1
PAC
Gambar 17 hasil pengujian ECG AFIB aritmia
PAC
PAC
PVC Early
Gambar 18 hasil pengujian ECG 2BLK1 aritmia PVC Early
PVC Early
6
DAFTAR PUSTAKA [1] Thaler, Malcolm S, Satu-satunya buku EKG yang anda perlukan / Malcolm S Thaler ; Alih bahasa, Samik Wahab.- Ed.2 ,Hipokrates, Jakarta, 2000. [2] Mardiyanto, Ronny, Perancangan dan Realisasi Prototip Elektrokardiograf Berbasis Mikrokontroler, ITB, Bandung, 2006. [3] Kohler, Bert-Uwe., dkk, The Principles of Software QRS Detection, IEEE Eng. Med. Biol. Mag., pp 42-55, 2005. [4] J.Tompkins, Willis, Biomedical Digital Signal Processing, Prentice Hall, New Jersey, 1995. [5] Mihel, J. dan Magjarevic, R., USB Based ECG Acquisition Sistem, Medicon 2007, IFMBE Proceedings 16, pp. 58-61, 2007. [6] Najeb, J.M., dkk, 12-Channel USB Data Acquisition Sistem For QT Dispersion Analysis, Proceedings of the International Conference on Robotics, Vision, Information and Signal Processing ROVISP, 2005. [7] Aston, Richard, Principles of Biomedical Instrument, Merril Publishing, Toronto, 1990. [8] ________, 12 Lead ECG Sistem, http://www.bem.fi/book/15/15. htm, 29 Desember 2009. [9] Gabriel, J.K., Fisika Kedokteran, EGC, Jakarta, 1996. [10] Jones, Shirley A., ECG Notes – Interpratation and Management Guide, F.A. Davis Company, Philadelphia, 2005. [11] Modul Biomedical Signal Amplifier mod EBB1/EV, Elettronica Veneta, hal 45. [12] Setiawan, Rachmad, Teknik Akuisisi Data, Graha Ilmu, Yogyakarta, 2008. [13]Widodo, Arif, Sistem Akuisisi ECG Menggunakan USB Untuk Deteksi Aritmia, ITS, Surabaya, 2010.
Gambar 19 hasil pengujian ECG PAC aritmia
Gambar 20 hasil pengujian ECG PVC Early aritmia
V PENUTUP Berdasarkan perancangan, pembuatan dan pengujian dari sistem ini dapat diambil beberapa kesimpulan sebagai berikut : 1. Perancangan akuisisi ECG dengan penguat instrumentasi AD620 memiliki banyak kelebihan dibandingkan dengan 3 Op-Amp antara lain : penguatan bisa mencapai 100 kali, kemampuan meredam noise mencapai 130 dB, efisiensi karena hanya dalam 1 chip dan konsumsi daya yang rendah sekitar 650 mW. 2. Sistem akuisisi ECG yang dirancang bisa menampilkan sinyal ECG dari lead 1, lead 2, lead3, aVL dan aVF. Lead aVR belum bisa menampilkan sinyal ECG. 3. Program deteksi aritmia dengan R – R interval dapat mendeteksi aritmia takikardia, bradikardia dan normal. 4. Program deteksi aritmia dengan neural network bisa mendeteksi 5 jenis aritmia yaitu : normal aritmia, PAC aritmia, AFIB aritmia, 2 LBK 1 aritmia dan PVC Early aritmia.
7
Andri Iswanto, lahir di Lamongan pada tanggal 27 oktober 1987, anak terakhir pasangan Bapak Sadji dan Ibu sulastri dari empat bersaudara. Penulis telah menempuh pendidikan formal di SDN 1 Bronjong, SMPN 1 Bluluk, SMAN 1 Ngimbang, Pada tahun 2005 penulis terdaftar sebagai mahasiswa D3 Teknik Kelistrikan PPNS – ITS dan pada tahun 2008 penulis melanjutkan study ke S1 jurusan Teknik elektro ITS. Selama masa kuliah penulis aktif dalam beberapa kegiatan nonformal seperti organisasi di kampus ITS dan mengikuti beberapa pelatihan nasional seperti pelatihan KRI/KRCI.
8
