ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA

Transkripsi

1 ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA Sidang Tesis S2 Teknik Sistem Pengaturan FTI-ITS Surabaya EDY SETIAWAN Pembimbing Prof. Ir. Abdullah Alkaff, MSc, Ph.D Prof. R Mohammad Yogiarto, dr. SpJP(K)FIHA,FASCC Ir. Rusdhianto. EAK, MT Hal 1 dari 25 JURUSAN TEKNIK ELEKTRO PROGRAM STUDI TEKNIK SISTEM PENGATURAN FAKULTAS TEKNOLOGI INDUSTRI ITS SURABAYA 2011

2 Pembahasan Latar belakang Rumusan masalah Tujuan Batasan masalah Teori penunjang Analisa sistem Hasil Kesimpulan Hal 2 dari 25

3 Latar Belakang Kelainan katup jantung yang dideteksi dan diisyaratkan dengan adanya bising jantung menyebabkan gangguan fungsi jantung atau gangguan hemodynamic Memantau kinerja jantung Dokter menggunakan stetoskop suara yang dihasilkan lemah, masih diperlukan kepekaan dan pengalaman Hasil diagnosis masih dipengaruhi oleh subyektifitas dokter Diperlukan metode pengenalan suara Hal 3 dari 25 Transformasi Wavelet dan JST BP (Backpropagation)

4 Rumusan Masalah 1 2 Murmur adalah salah satu gejala kelainan katup jantung dengan pola-pola tertentu sesuai dengan kelainan katup jantung yang diderita pasien. Oleh karena itu bagaimana membuat sistem komplek yang mampu mendeteksi dan mengenali pola-pola tersebut. Bagaimana mengklasifikasikan kondisi jantung berdasar gejala abnormalitas suara jantung (murmur) pada pasien penderita kelainan katup jantung. 3 Bagaimana memodelkan karakteristik dari rekam medis suara jantung dengan menggunakan Jaringan Syaraf Tiruan Backpropagation Hal 5 dari 25

5 Tujuan 1 Mendapatkan metode alternatif dalam pendeteksian awal penyakit pada jantung manusia lebih dini sehingga seseorang dapat mengambil keputusan yang tepat menyikapi kondisi kesehatan jantungnya. 2 Sebagai modul pembelajaran bagi dokter-dokter muda yang sedikit pengalaman dalam mengklasifikasikan suara jantung normal maupun yang mengalami kelainan katup jantung dengan teknik Auskultasi. 3 Membuat suatu sistem dalam analisa dan pengenalan suara jantung yang dapat mengenali dan mengklasifikasikan kondisi jantung khususnya pada penderita kelainan katup jantung. 4 Mempelajari penggunaan metode jaringan syaraf tiruan dengan proses pembelajaran. Hal 6 dari 25

6 Batasan Masalah 1 Proses perekaman suara jantung dilakukan pada ruangan kedap suara Diagnosa hanya dilakukan pada suara jantung normal, suara jantung sistolic murmur (mitral regurgitasi dan aortic stenosis), diastolic murmur (aortic regurgitasi dan mitral stenosis) dan continuous murmur (Patent Ductus Arteriousus) Tranduser suara dengan respon frekuensi 20Hz 20000Hz (type Elektret Condenser Microphone). Referensi bising jantung(murmur) sebagian diambil dari RSUD Dr. Soetomo Surabaya dan sebagian dari internet. Program simulasi menggunakan MATLAB Hal 7 dari 25

7 Teori Murmur Bunyi yang terdengar terusmenerus selama periode sistole, diastole, atau keduanya. Visualisasi jantung normal dan abnormal karena ada kelainan katup Hal 8 dari 25

8 Area Katup Jantung 1.Bunyi katup mitral terdengar paling baik di apeks. 2.Bunyi katup trikuspid paling baik terdengar di batas lateral kiri sternum (LLSB). 3.Bunyi katup aorta terdengar paling baik di basis kanan. 4.Bunyi katup pulmonal terdengar paling baik di basis kiri. Hal 9 dari 25

9 Teori Transformasi Wavelet Diskret (TWD) Teknik pemrosesan sinyal multiresolusi. TWD dapat memilah-milah suatu sinyal data berdasarkan komponen frekuensi yang berbeda-beda. Dapat diperoleh gambaran data secara keseluruhan dan detail berdasarkan skala resolusi yang sesuai. Hal 10 dari 25

10 Bandwidth Sinyal Setiap Level hpf g(n) h(n) lpf Menghasilkan koef Detil Menghasilkan koef Approximation Hal 11 dari 25

11 Teori Jaringan Syaraf Tiruan (Backpropagation) Sistem komputasi pemodelan neuron. n y f wixi i 1 1 xi: sinyal masukan, i = 1,2,,n n: banyaknya simpul masukan wi: bobot hubungan atau synapsis θ: threshold atau bias ƒ(*): fungsi aktivasi y: sinyal keluaran dari neuron Hal 12 dari 25

12 Karakteristik. JST Backpropagation 1 Jaringan Multi layer 2 Fungsi Aktivasi Sigmoid biner Sigmoid bipolar f ( x) 1 f x 2 1 exp( x) ( ) 1 1 exp( x) Hal 13 dari 25

13 Algoritma pembelajaran Backpropagation Inisialisasi bobot awal (secara acak atau metode Nguyen Widrow) Perhitungan nilai aktivasi, tiap neuron dari input yang diterimanya Penyesuaian bobot, dipengaruhi error antara target output dan nilai output jaringan Iterasi (dilakukan sampai kriteria error tertentu dipenuhi) Hal 14 dari 25

14 Konsep dasar pengenalan pola suara jantung Analisa Sistem Pasien Sensor Proses pengenalan pola suara Dokter Hal 15 dari 25

15 Sistem Pengenalan Pola Suara Jantung Hal 16 dari 25

16 Pengujian & Hasil Data pengujian sistem : 16 data suara sebagai set data pelatihan 99 data suara jantung sebagai set data pengujian : 25 data systolic murmur (kelainan katup mitral regurgitation) 34 data dyastolic murmur (kelainan katup aortic regurgitation & mitral stenosis), 10 data continuous murmur (kelainan katup patent ductus arteriousus) 30 data suara jantung normal Hal 17 dari 25

17 Pengujian & Hasil Hal 18 dari Set data pelatihan No ID Nilai Denyut Per Menit Saat Istirahat 1 latihnormal1 80 Normal 2 latihnormal2 80 Normal 3 latihnormal3 80 Normal Systolic murmur Kasus katup jantung 1 latih1as 80 Aortic Stenosis 2 latihascase1 80 Aortic Stenosis 3 latihascase4 90 Aortic Stenosis 4 latih1mr 80 Mitral Regurgitation 5 latihmrcase1 90 Mitral Regurgitation 6 latihmrcase3 90 Mitral Regurgitation Dyastolic murmur Kasus katup jantung 1 latih1ar 80 Aortic Regurgitation 2 latiharcase1 80 Aortic Regurgitation 3 latiharcase4 65 Aortic Regurgitation 4 latiharcase5 65 Aortic Regurgitation 5 latih1ms 80 Mitral Stenosis 6 latihmscase2 90 Mitral Stenosis Continuous murmur Kasus katup jantung 1 latihpda 90 Patent Ductus Arteriosus Struktur Sinyal Sampling rate Panjang frame (N) Karakteristik Hz 1323 sampel Overlap (M) 662 sampel (50%) Frame windowing Ekstraksi ciri Hamming window Spesifikasi Wavelet (5 level dekompisisi) Cepstrum

18 Pengujian & Hasil 3 Struktur JST Percobaan Karakteristik Spesifikasi Arsitektur 1 Lapisan tersembunyi Neuron input Hasil ekstraksi ciri Neuron tersembunyi 15 Neuron output 8 Fungsi aktifasi Sigmoid Toleransi kesalahan (MSE) 1e-32 Laju pembelajaran 0.01 Jumlah epoch Data training 16 Data suara jantung Data testing 99 Data suara jantung 4 Definisi target fungsi sigmoid Hal 19 dari 25 No Target Representasi Suara Normal Aortic Regurgitation Aortic Stenosis Mitral Regurgitation Mitral Stenosis Patent Ductus Arteriosus

19 Perhitungan MSE Output Baseline Hasil perkalian antara data input dengan bobot hasil pelatihan jst dibandingkan dengan target output Range/toleransi: > dan < Akan berlogika 1, diluar range tersebut diatas akan berlogika 0 Normal MR AS Hal 20 dari 25 AR MS PDA

20 Hasil pengujian data training Prosentase Keberhasilan Pengujian Pembelajaran Identifikasi (%) No Tipe Data Neuron Tersembunyi lr Max epoch MSE dengan benar 1 Data Asli (original) 16/ Amplitudo 50% > e-32 12/16 75 amplitudo awal 3 Amplitudo 25% < 14/ amplitudo awal 4 Data (noise -30dB) 8/ Data (noise -40dB) 9/ Hal 21 dari 25

21 Pembelajaran Identifikasi (%) No Tipe Data Neuron lr Max MSE dengan benar Tersembunyi epoch 1 Normal 24/ Murmur sistolic e-32 20/ Murmur diastolic 28/ Murmur continuous 3/10 30 Hasil pengujian untuk set data uji 1 Normal 15/ Murmur sistolic e-32 11/ Murmur diastolic 15/ Murmur continuous 1/10 10 Pembelajaran Identifikasi (%) No Tipe Data Neuron lr Max MSE dengan benar Tersembunyi epoch 1 Normal1 11/ Normal e-32 13/ Normal3 4/ Murmur sistolic Hasil pengujian untuk set data uji (per kasus kelainan) 1 1MR 7/ MRCase e-32 6/ MRCase 6/ ASCase 2/5 40 Murmur diastolic 1 1AR 6/ ARCase e-32 6/ ARCase 5/ ARCase 4/ MS 5/ Hal 22 dari MSCase 4/4 100 Murmur continuous 1 PDA e-32 3/10 30

22 Kesimpulan Sistem merupakan satu kesatuan yang utuh. Tiap-tiap bagian mendukung untuk perbaikan kinerja dari bagian yang lain Ekstraksi ciri dengan wavelet dan pengenalan suara dengan menggunakan JST BP, sistem dapat mengenali 80% untuk pola suara jantung sistolic murmur, 82.4% untuk pola suara jantung diastolic murmur, 30% pola suara jantung continuous murmur dan 80% untuk pola suara jantung normal Ruangan dengan noise tinggi, sistem tidak dapat bekerja dengan baik Tipe data continuous murmur, tingkat performance mengenali suara sangat buruk (pola suara random). Suara jantung satu dan jantung dua tidak terlihat karena tertutup oleh murmur (fase dari siklus jantung tidak dapat diketahui secara pasti) Hal 23 dari 25

23 Hal 24 dari 25 Sistem Secara Keseluruhan

24 Hal 25 dari 25 Terima kasih