Segmentasi Suara Jantung S1 dan S2 Menggunakan Kurva Amplop Putri Madona*, Achmad Arifin, Tri Arief Sardjono, Rimuljo Hendradi Jurusan Teknik Elektro ITS, Surabaya 60111 * email:
[email protected]
Abstrak – Proses segmentasi suara jantung adalah tahapan yang penting dalam analisa suara jantung. Mengetahui lokasi dan interval dari suara jantung S1 dan S2 serta komponen-komponennya yang didapatkan melalui proses segmentasi dapat menjadi informasi tentang kondisi kerja jantung. Salah satu metode segmentasi yang bisa digunakan adalah wavelet transform dan kurva amplop. Dalam penelitian ini digunakan Discrete Wavelet Transform (DWT), serta 2 algoritma kurva amplop yaitu Moving Average Filter dan Normalized Average Shannon Energy untuk segmentasi 28 data suara jantung yang terdiri dari normal dan 3 murmur. Perhitungan pada kedua algoritma kurva amplop tersebut menghasilkan kurva amplop yang bergeser dari sinyal aslinya. Semakin lebar window yang digunakan semakin besar pergeseran yang terjadi. Dari hasil segmentasi menunjukkan bahwa periode sistolik mempunyi durasi yang lebih pendek dan lebih konstan dibandingkan periode diastolik. Dan interval suara jantung S1 murmur sistolik lebih panjang dibandingkan suara jantung normal sementara interval suara jantung S2 murmur diastolik lebih panjang dibandingkan suara jantung normal. Algoritma segmentasi yang digunakan telah menunjukkan kemampuan dalam segmentasi suara jantung S1, S2 dan komponen-komponennya dengan tingkat keberhasilan 71.43%. Sebagai langkah selanjutnya perlu dilakukan ekstraksi ciri pada suara jantung S1 dan S2 hasil segmentasi untuk mengetahui kandungan frekuensi dari masing-masing suara jantung tersebut. Kata Kunci: discrete wavelet tansform, normalisasi average Shannon energy, moving average filter, segmentasi.
1. PENDAHULUAN Penyakit jantung masih menjadi penyebab utama kematian di seluruh dunia. Penyakit jantung valvular adalah salah satu penyakit jantung yang disebabkan oleh ketidaknormalan fungsi katup-katup jantung. Pergerakan katup-katup jantung dan vibrasi yang
ditimbulkan oleh aktifitas otot jantung menimbulkan bunyi yang disebut dengan suara jantung. Suara jantung secara umum dibedakan atas 4 bagian, dua bagian utamanya adalah suara jantung pertama yang disebut dengan S1 dan suara jantung kedua yang disebut dengan S2, kemudian suara jantung S3 dan S4. Namun, banyak penelitian hanya terbatas pada suara S1 dan S2 saja karena suara S3 dan S4 memiliki amplitudo yang sangat lemah dengan komponen frekuensi rendah dan sulit untuk ditangkap menggunakan metode auskultasi tradisional yang biasa digunakan. Suara jantung sangat kompleks dan bersifat non stasioner. Setiap suara jantung yang muncul dihasilkan dari fisiological event yang berbeda-beda. Maka untuk bisa menganalisa suara jantung dibutuhkan proses segmentasi. Proses segmentasi dilakukan untuk mendapatkan parameter-parameter temporal yaitu suara jantung S1, periode sistolik, suara jantung S2 dan periode diastolik. Beberapa penelitian yang berhubungan dengan segmentasi sinyal suara jantung sudah banyak dilakukan. Liang Huiying melakukan algoritma segmentasi berbasis envelogram suara jantung [2]. Liang melakukan downsampling pada sinyal asli dari frekuensi sampling 11025 Hz menjadi 2205 Hz menggunakan Low Pass Filter (LPF) Chebysev orde-8 dengan frekuensi cutoff 882 Hz. Pada penelitian berikutnya, Liang Huiying menggunakan algoritma dekomposisi wavelet dan rekonstruksi shannon energy untuk melakukan segmentasi sinyal suara jantung pathological murmur dan physical murmur dengan total 1165 siklus jantung dari 77 rekaman [2]. Dari kedua penelitian Liang tersebut disimpulkan bahwa persentase keberhasilan penelitian yang kedua lebih besar, yakni 97%, dibandingkan penelitian sebelumnya, yakni 93%. Mustafa Yamacli menggunakan metode multiband wavelet energy (WTE) dan membandingkannya dengan metode multiband wavelet shannon energy (WSE) yang dilakukan Liang H dan metode homomorphic filtering (HMF) yang dilakukan Gupta [3]. Dari hasil penelitian ini didapatkan tingkat keberhasilan segmentasi menggunakan metode WTE lebih baik untuk S1 maupun S2 dibandingkan metode WSE maupun HMF.
109
(a)
(b)
Gambar 1. Sinyal suara jantung (a) normal, (b) atrial seftal defect, (c) mitral stenosis, (d) patent ductus arteriosus
Dari penelitian-penelitian tersebut, penggunaan wavelet transform dan kurva amplop mampu melakukan segmentasi suara jantung dengan baik. Oleh karena itu pada penelitian ini diujikan metode segmentasi menggunakan Discrete Wavelet Transform 3-level dengan Daubechies-4 dan kurva amplop yang diaplikasikan pada suara jantung normal, atrial seftal defect, mitral stenosis dan patent ductus arteriosus.
jantung berada pada rentang frekuensi 20 Hz – 500 Hz dan beberapa di atas 1000 Hz . Oleh karena itu, sinyal suara jantung asli akan didownsampling hingga level3. Dimana range frekuensi sinyal yang akan diolah berada pada range 0-1250 Hz. Dengan demikian diharapkan tidak ada informasi sinyal suara jantung, baik normal maupun murmur, yang hilang. Proses DWT ditunjukkan pada Gambar 2.
2. METODE
2.2. Envelogram Perhitungan kurva amplop dilakukan dengan menggunakan 2 algoritma yakni Normalized Average Shannon Energy dan Moving Average Filter. 2.3.1. Shannon Energy Normalized average Shannon Energy atau yang disebut dengan kurva amplop Shannon adalah teknik ekstraksi amplop yang popular untuk sinyal suara jantung [1][2][5]. Setelah melalui preprocessing, maka Average Shannon Energy dihitung dengan persamaan berikut :
Data suara jantung didapat dari literatur [4]. Literatur ini berupa buku petunjuk dan sebuah kaset audio yang memuat database mengenai suara jantung normal dan patologis. Data ini nantinya akan diubah menjadi file WAVE (*.wav) dan akan displit atas 2 bagian yakni normal dan murmur. Data suara jantung dari literatur [4] yang akan disegmentasi berjumlah 28 data rekaman dengan 16 bit/sample, frekuensi sampling 11025 Hz, yang terdiri dari 6 buah data suara jantung normal, 9 buah data suara jantung Atrial seftal defect (ASD), 5 buah data suara jantung Mitral stenosis (MS) dan 8 buah data suara jantung Patent ductus arteriosus (PDA). Sinyal dari suara jantung normal dan 3 murmur dari literatur [4] yang akan diujikan diperlihatkan pada Gambar 1. Prosedur segmentasi yang diusulkan dibagi menjadi 3 tahapan, yakni melakukan pre-processing, menghitung envelogram dan mengidentifikasi suara jantung S1 dan S2. 2.1. Pre-processing Pada awalnya, sinyal suara jantung asli akan dinormalisasi, kemudian difilter dan didownsampling menggunakan transformasi wavelet yaitu Discrete Wavelet Transform (DWT) untuk menghilangkan background noise. DWT melewatkan sinyal input pada filter dengan frekuensi cutoff yang berbeda-beda. Pada setiap level, jumlah sampel akan menjadi setengah dari inputnya. Menurut [4] sinyal suara
110
(1) dimana, adalah sinyal hasil normalisasi dan N adalah jumah sampel per-frame (lebar window). Kemudian menghitung normalisasi Shannon Energy dengan persamaan (2).
Average
Gambar 2. Proses filtering dan downsampling menggunakan DWT 3-level
Tabel 1. Pengukuran Pergeseran Kurva Amplop
Terhadap Sinyal Asli
(2) dimana dari dan
adalah nilai mean atau rata-rata adalah standar deviasinya.
2.3.2.Moving average filter Moving average filter dihitung dengan persamaan : (3) Dimana adalah sinyal input yang sudah disearahkan dan N adalah jumlah sampel per-frame (lebar window).
Pergeseran MAF (sec)
Pergeseran Shannon Energy(sec)
N
Average ± SD
Average ± SD
10
0,0070 ± 0,0065
0,0045 ± 0,0034
20
0,0093 ± 0,0049
0,0080 ± 0,0041
30
0,0120 ± 0,0066
0,0108 ± 0,0061
40
0,0153 ± 0,0093
0,0135 ± 0,0092
50
0,0193 ± 0,0127
0,0168 ± 0,0129
60
0,0215 ± 0,0160
0,0198 ± 0,0163
70
0,0238 ± 0,0194
0,0220 ± 0,0196
80
0,0273 ± 0,0233
0,0255 ± 0,0231
90
0,0310 ± 0,0266
0,0293 ± 0,0263
100
0,0345 ± 0,0301
0,0328 ± 0,0298
2.3. Identifikasi S1 dan S2 Setelah perhitungan kurva amplop dilakukan, selanjutnya sinyal tersebut di threshold, sehingga setiap sinyal input yang berada di bawah nilai threshold bernilai 0 dan input yang berada di atas nilai threshold bernilai 1. Selanjutnya dari beberapa siklus yang ada dalam satu file data suara jantung, hanya diambil satu siklus saja. Pengambilan siklus ini dilakukan secara otomatis. Kemudian dari satu siklus, titik perpotongan terhadap nilai threshold dinamai sebagai M0, L0, M1, L1 dan M2. Selanjutnya interval antara M0 ke M1 dan M1 ke M2 dihitung. Interval yang lebih panjang menunjukkan periode diastolik. Interval data yang muncul sebelum interval yang lebih panjang adalah S2 dan interval data yang muncul sebelum interval yang lebih pendek adalah S1. Flowchart dari keseluruhan proses segmentasi ini ditunjukkan pada Gambar 3. 3. HASIL 3.1. Hasil pre-processing Proses pre-processing yang dilakukan terhadap sinyal asli dari suara jantung menghasilkan jumlah sampel yang lebih sedikit pada setiap level. Dimana jumlah sampel akan menjadi setengah dari jumlah sampel inputnya. 3.2. Hasil Kurva Amplop Setelah melalui pre-processing, selanjutnya sinyal disearahkan dan dihitung kurva amplopnya. Perhitungan kurva amplop Shannon Energy dan Moving Average Filter dilakukan dengan mengubahubah nilai N (lebar window). Hasil dari kurva amplop pada suara jantung normal ditunjukkan pada Gambar 4. Sinyal hasil kurva amplop Shannon energy ditunjukkan pada Gambar 4c,e dan g sementara hasil kurva amplop moving average filter ditunjukkan pada Gambar 5d, f dan h. Sinyal berwarna biru adalah sinyal input suara jantung yang sudah disearahkan. Sinyal berwarna hijau
Gambar 3. Flowchart Proses Segmentasi dan Identifikasi Tabel 2.Pengujian Segmentasi
111
Gambar 4. (a) Suara Jantung Normal , (b) Sinyal hasil penyearahan, (c)SE dengan N=10, (d) MAF dengan N=10, (e) SE dengan N=50,(f) MAF dengan N=50, (g) SE dengan N=100 dan (h) MAF dengan N=100
Gambar 5. (a) Suara Jantung Normal, (b) sinyal hasil Penyearahan, (c) kurva amplop Shannon, (d) Threshold, (e) Identifikasi S1 dan S2
adalah sinyal hasil perhitungan kurva amplop. Terlihat bahwa terjadi delay atau geseran pada hasil kurva amplop baik Moving Average Filter maupun Shannon Energy. Tabel 1 menunjukkan pengukuran geseran kedua metode terhadap sinyal aslinya, sementara Tabel 2 menunjukkan persentase keberhasilan segmentasi metode Shannon Energy dan Moving Average Filter yang diujikan pada 28 data suara jantung.
112
Salah satu solusi bagi pergeseran yang diakibatkan dari pemilihan lebar window adalah zero phase distortion, yaitu melakukan filter pada arah yang berlawanan dari filter yang dilakukan sebelumnya. Penggunaan zero phase distortion berhasil untuk memperkecil geseran yang terjadi. Namun pada beberapa data suara jantung yang diujikan, hasil kurva amplop menggunakan zero phase distortion gagal dalam melakukan segmentasi. Segmentasi menjadi
berhasil jika nilai threshold dinaikkan. Namun, nilai threshold ini akan berbeda-beda antara satu data suara jantung dengan suara jantung lainnya. Sehingga sulit jika hanya menggunakan metode threshold yang sederhana. Oleh karena itu, maka solusi bagi geseran tersebut dilakukan dengan menambahkan setiap nilai data dengan nilai geseran rata-rata. Pada pengukuran didapatkan bahwa pergeseran hasil kurva amplop Shannon Energy dengan sinyal asli berada pada minimum 0.028 detik dan maksimum 0.031 detik. Maka didapatkan pergeseran minimumnya adalah 39 sampel dan maksimum 43 sampel. Rata – rata dari pergeseran ini adalah 41 sampel. Nilai ini ditambahkan pada setiap nilai data yang diambil. 3.3. Hasil Identifikasi S1 dan S2 Untuk identifikasi S1 dan S2, algoritma kurva amplop yang digunakan adalah Shannon Energy. Hasil kurva amplop ini akan di threshold untuk mendapatkan satu siklus suara jantung. Threshold yang digunakan adalah 10% dari puncak maksimum. Digunakan threshold dengan nilai yang rendah, agar interval suara jantung S1 dan S2 yang didapatkan dari hasil segmentasi merefleksikan interval yang sebenarnya. Proses ini diperlihatkan pada Gambar 5d. Setelah di threshold, maka sinyal input yang berada di bawah nilai threshold diberi nilai „0‟ dan sinyal input yang berada di atas nilai threshold diberi nilai „1‟, sebagaimana yang ditunjukkan pada Gambar 5e. Titik perpotongan antara sinyal input dengan nilai threshold ditandai sebagai M0, L0, M1, L1 dan M2. Dimana interval mulai dari M0 hingga M2 adalah satu siklus. Maka penentuan interval S1, periode sistolik, S2 dan periode diastolik bisa dilakukan. Selanjutnya dilakukan identifikasi suara jantung S1 dan S2 dengan menghitung interval antara M0 ke M1 dan M1 ke M2, dimana interval yang lebih panjang adalah periode diastole dan interval yang lebih pendek adalah periode sistole. Pegujian segmentasi untuk suara jantung atrial seftal defect ditunjukkan pada Gambar 6, dimana sinyal input suara jantung atrial seftal defect telah berhasil disegmentasi. Gambar 6c adalah suara jantung S1+murmur yang diidentifikasi sebagai suara S1 dan
Gambar 6d adalah suara jantung S2. Rata-rata interval parameter temporal dari hasil pengujian 6 data suara jantung normal 9 data atrial seftal defect dan 5 data Mitral Stenosis ditunjukkan secara berturut-turut pada Tabel 3,4 dan 5. 4. PEMBAHASAN Hasil filter dan downsampling menggunakan DWT menunjukkan penurunan jumlah sampel. Sinyal input dengan jumlah sampel awal 11000, pada level 1 menjadi hanya 5500 sampel, begitu juga pada level2 dan 3. Jumlah sampel output berkurang setengah dari inputnya, oleh karena itu juga menghasilkan setengah dari resolusi waktunya. Pada hasil perhitungan kurva amplop Shannon Energy dan Moving Average Filter pada sinyal hasil DWT (Gambar 4) , menunjukkan adanya geseran terhadap sinyal asli. Tabel 1 menunjukkan bahwa semakin besar nilai N, yang berkorelasi dengan panjang window, akan memperbesar geseran yang terjadi. Tabel 1 juga menunjukkan bahwa hasil kurva amplop Shannon Energy mempunyai rata-rata pergeseran yang lebih kecil dibandingkan dengan kurva amplop Moving Average Filter pada setiap nilai N. Pada Tabel 2, lebar window minimal yang paling efektif untuk melakukan segmentasi sinyal suara jantung yang diujikan, baik pada Shannon Energy maupun Moving Average Filter adalah N=50. Dari hasil yang ditunjukkan oleh Tabel 1 dan Tabel 2, maka kurva amplop Shannon Energy dipilih sebagai algoritma kurva amplop yang lebih efektif dan akan digunakan pada proses segmentasi dan identifikasi pada data uji. Kompensasi pergeseran yang muncul pada hasil kurva amplop Shannon Energy, pada awalnya diujikan menggunakan zero phase distortion. Namun berdasarkan pengujian pada seluruh data uji, metode ini membutuhkan nilai threshold yang berbeda-beda untuk mendapatkan hasil segmentasi yang benar, sehingga penentuan nilai threshold sederhana tidak bisa digunakan. Maka pada penelitian ini, pergeseran rata-rata dari hasil kurva amplop terhadap sinyal asli digunakan untuk menggeser kembali kurva amplop ke arah sebaliknya, sehingga geseran menjadi minimal.
Gambar 6. (a) Suara Jantung Atrial Seftal Defect, (b) Sinyal hasil penyearahan, (c) S1, (d) S2
113
Tabel 3. Parameter Temporal Suara Jantung Normal
5. KESIMPULAN
Tabel 4. Parameter Temporal Atrial Seftal Defect
Tabel 5. Parameter Temporal Mitral Stenosis
Nilai pergeseran rata-rata yang digunakan berdasarkan hasil pengujian adalah sebesar 41 sampel sebagaimana telah dijelaskan sebelumnya. Hasil segmentasi untuk suara jantung normal, atrial seftal defect dan mitral stenosis telah berhasil dilakukan. Dari Tabel 3, 4 dan 5, diketahui bahwa periode sistolik lebih pendek daripada periode diastolik namun lebih konstan, ditunjukkan dari hasil standar deviasinya,dimana rata-rata periode sistolik adalah 0.3247 detik dengan standar deviasi 0.0196 dan periode diastolik 0.6015 detik dengan standar deviasi 0.0736. Standar deviasi yang lebih kecil pada periode sistolik dibandingan periode diastolik menunjukkan bahwa periode sistolik lebih konstan dibandingkan periode diastolik.Hasil ini mendukung penelitian sebelumnya oleh [1][2][6]. Interval suara jantung S1 pada atrial seftal defect lebih panjang dibandingkan normal, yakni 0.2491detik sementara normal 0.0628 detik. Hal ini disebabkan adanya murmur pada fase sistolik. Sementara interval S2 mitral stenosis lebih panjang dibandingkan suara jantung normal, yakni 0.5075 detik sementara normal 0.0976 detik. Hal tersebut disebabkan adanya murmur pada fase diastolik. Ini berarti bahwa suara tambahan dari hasil vibrasi pada fungsi abnormalitas katup-katup jantung (murmur) yang muncul baik pada fase sistolik maupun fase diastolik akan memperpanjang interval pada suara jantung S1 atau S2. Algoritma yang digunakan tidak mampu melakukan segmentasi suara jantung patent ductus arteriosus (murmur kontiyu). Murmur yang terjadi disepanjang siklus menyebabkan sangat sulit untuk melakukan segmentasi yang benar. Hal ini juga diungkapkan oleh [1][2]. Dari 28 siklus yang diuji, 8 buah data patent ductus arteriosus tidak berhasil di segmentasi.
Pada penggunaan algoritma kurva amplop Shannon energy dan moving average filter, semakin lebar window yang digunakan, akan memperbesar geseran yang terjadi pada hasil perhitungan kurva amplop terhadap sinyal aslinya. Penggunaan kurva amplop shannon energy lebih direkomendasikan karena memiliki pergeseran yang lebih kecil dibandingkan moving average filter. Implementasi zero phase distortion pada data uji sebagai kompensasi pergesaran yang terjadi, membutuhkan proses penentuan threshold yang adaptive, namun belum dikembangkan pada algoritma segmentasi dalam penelitian ini. Algoritma segmentasi yang digunakan telah menunjukkan kemampuan dalam memisahkan suara jantung S1 dan S2 serta mengetahui interval dari masing-masing suara jantung tersebut dengan tingkat keberhasilan 71.43%. Sebagai langkah selanjutnya dalam melakukan analisa suara jantung, perlu dilakukan ekstraksi ciri dari masing-masing suara jantung S1 dan S2 yang telah disegmentasi untuk mengetahui kandungan frekuensinya. Sehingga semakin banyak informasi yang bisa didapatkan mengenai suara jantung normal dan murmur, serta untuk bisa membedakan antara satu kelainan jantung dengan kelainan lainnya. DAFTAR REFERENSI [1] H.Liang, S.Lukkarinen, I. Hartimo, “Heart Sound Segmentation Algorithm Based on Heart Sound Envelogram”, Computers in Cardiology, vol.24, pp.105-108, 1997. [2] H.Liang, S.Lukkarinen, I. Hartimo, “A Heart Sound Segmentation algorihm Using Wavelet Decomposition and Reconstruction”, 19th International Conference-IEEE, 1997, Chicago, IL. USA. [3] Yamacli Mustafa, Dokur. Zumray, Olmez. Tamer, “Segmentation of S1-S2 Sounds in Phonocardiogram Records using Wavelet Energies”, IEEE, 2008. [4] E.Stein, A.J Delman, “Rapid Interpretation of Heart Sound and Murmurs”, Lea and Febiger, Philadelpia, Pennsylvania, USA, Indonesian Version, 1994. [5] S.Choi, Z. Jiang, “Comparison of Envelope Extraction Algorithm for Cardiac Sound Signal Segmentation”, Experts Systems with Applications, vol.34 2008. [6] Fabio De Lima Hedayioglu, “Heart sound Segmentation for Digital Stethoscope Integration”, Thesis, Nov 2009.
-------------------------
114