TUGAS AKHIR PERANCANGAN SISTEM PENDETEKSI ARITMIA MENGGUNAKAN NEURAL NETWORK Andri Iswanto 2208 100 531 Dosen Pembimbing : Dr. Tri Arief Sardjono ST.,MT. Jurusan Teknik Elektro Fakultas Teknologi Industri INSTITUT TEKNOLOGI SEPULUH NOPEMBER 2010
Latar Belakang Jantung adalah organ tubuh manusia yang memiliki fungsi vital, kelainan kecil bisa berpengaruh besar pada kinerja tubuh kita. Kelainan jantung atau Aritmia merupakan gangguan yang terjadi pada frekuensi, keteraturan, tempat asal denyut atau konduksi impuls listrik jantung.
Permasalahan 1.Bagaimana membuat sistem akuisisi ECG. 2.Bagaimana merancang sistem untuk ekstraksi sinyal ECG. 3.Bagaimana mengenali aritmia menggunakan neural network.
Tujuan 1.Membuat sistem yang mampu mengenali aritmia. 2.Menunjang penelitian deteksi aritmia secara otomatis.
Batasan Masalah 1. ECG dirancang sebagai standard clinical ECG dengan menggunakan 6 lead. 2. Perancangan difokuskan pada analisa aritmia menggunakan algoritma neural network. 3. Input ECG yang digunakan diambil dari simulator. 4. Deteksi aritmia hanya terbatas pada lima jenis aritmia.
Electrocardiogram (ECG) Elektrokardiogram (ECG) adalah sinyal jantung yang merupakan sinyal AC dengan bandwith antara 0.05 Hz sampai 100 Hz.
LEAD 1. Lead dasar (lead bipolar/lead standar) - Lead 1 : Mengukur potensial antara RA dan LA - Lead 2 : Mengukur potensial antara RA dan LL - Lead 3 : Mengukur potensial antara LA dan LL
2. Lead augmented (lead unipolar) - avr - avl - avf Gambar Lead augmented dengan cara Wilson Gambar Lead augmented dengan cara Goldberger
Rangkaian Pemilih Lead Mux 1 Logika untuk multiplexer : Lead IC8 IC7 I 000 000 II 001 001 Mux 2 III 010 010 avl 011 011 avr 100 100 avf 101 101
Penguat Instrumentasi AD620 Resistansi Gain : Gain / Penguatan : = 2 + (49,4K/560) = 90 Mux 1 Mux 1
BandPass Filter Frekuensi Cutoff Lowpass : = 1/(2π*15nF*100K) = 106 Hz Frekuensi Cutoff Highpass : = 1/(2π*50uF*100K) = 0.03 Hz Penguatan sebesar 10x.
Lowpass Orde 2 Frekuensi Cutoff : Fc = = = 107 Hz
Rangkaian ADDER Output Rangkaian ADDER : V out = V in + V dc Vin
Perancangan Perangkat Lunak 1. Perangkat Lunak Pada Mikrokontroler 2. Perangkat Lunak Pada Komputer START Pilih Lead Kirim Karakter START Ada data masuk? Tidak Ya Ada Reque st Tidak Ya Deteksi QRS kompleks dan klasifikasi aritmia dengan Neural Network Pilih Lead Tampilkan aritmia dan sinyal Tidak A = 1? STOP Gambar Diagram Alir Perangkat Lunak Pada Mikrokontroler Ya Baca ADC Kirim Data Tidak Ada data masuk? Selesai Gambar Diagram Alir Perangkat Lunak Pada Komputer Ya
Algoritma Deteksi QRS kompleks Algoritma deteksi QRS dengan metode Pan dan Tompkins : 1. BandPass Integral Filter 2. Derivative 3. Squaring Function 4. Moving Window Integral 5. Adaptive Tresholding 6. Penentuan R-R Interval dan Heart Rate
Neural Network Algoritma LMS : 1. Inisialisasi bobot-bobot jaringan, set k = 1, dan mengatur nilai (dt) 2. Menghitung parameter pembelajaran 3. Menghitung kesalahan (error) 4. Update bobot-bobot jaringan dengan metode LMS 5. Jika konvergen tercapai, stop; jika tidak set kemudian diulang melakukan step 2.
Pengujian deteksi aritmia dengan R R interval Heart rate simulator Heart rate sistem Diagnosis Gambar Bradikardia Aritmia 30 bpm 30 bpm Bradikardia 30 bpm 30 bpm Bradikardia 30 bpm 30 bpm Bradikardia 60 bpm 60 bpm Normal 60 bpm 60 bpm Normal 60 bpm 60 bpm Normal Gambar Normal Aritmia 120 bpm 120 bpm Takikardia 120 bpm 120 bpm Takikardia 120 bpm 120 bpm Takikardia Gambar Takikardia Aritmia
Pengujian deteksi aritmia dengan neural network Target output aritmia adalah : Normal : 10000 AFIB : 01000 2BLK1 : 00100 PAC : 00010 PVC Early : 00001 Sinyal Input Output Diagnosis Normal 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 AFIB 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 2BLK1 PAC PVC Early 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: 3.93132231771231E-17 Bit ke 2: 0.000909459657112 Bit ke 3: 0.010631094852490 Bit ke 4: 0.012259361479312 Bit ke 5: 0.993909305449504 Normal AFIB 2BLK1 PAC PVC Early
Gambar hasil pengujian ECG normal
Gambar hasil pengujian ECG AFIB aritmia
Gambar hasil pengujian ECG 2BLK1 aritmia
Gambar hasil pengujian ECG PAC aritmia
Gambar hasil pengujian ECG PVC Early aritmia
Kesimpulan 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.
Saran Sistem dalam tugas akhir ini masih memiliki banyak kekurangan dan saran saran untuk pengembangan sistem ini antara lain : 1. Disarankan untuk memisahkan titik referensi antara rangkaian analog dan rangkaian digital menggunakan penguat isolasi. 2. Menggunakan kabel lead standart agar pengiriman sinyal menjadi lebih baik. 3. Dari algoritma neural network yang sudah ada bisa dikembangkan dengan menambahkan jenis aritmia yang lain untuk di trainingkan. 4. Mencoba menggunakan metode lain untuk pengenalan aritmia.