EKSTRAKSI CIRI DAN KLASIFIKASI ISYARAT ECG BERBASIS TRANSFORMASI WAVELET DAN JARINGAN NEURAL BACKPROPAGATION

Budi Sumanto, Prof. Dr. Ir. Thomas Sri Widodo

2012 | Tesis | S2 Teknik Elektro

Elektrokardiogram (ECG) adalah rekaman aktivitas bioelektrik jantung yang merambat ke seluruh tubuh dan dapat dideteksi pada beberapa titik sandapan. Bentuk atau pola dari isyarat ECG merepresentasikan kondisi dari kesehatan jantung secara umum. Karena ECG merupakan isyarat tidak stasioner maka untuk mengetahui informasi yang penting yang terkandung dalam isyarat tersebut perlu suatu metode yang cocok. Untuk membantu menganalisis isyarat tersebut tidak hanya pada kawasan waktu saja tetapi pada kawasan frekuensi juga. Oleh karena itu metode transformasi wavelet sangat ideal untuk diterapkan dalam menganalisis isyarat ECG. Transformasi wavelet yang diterapkan untuk menganalisis isyarat ECG dilakukan untuk menentukan ciri dari isyarat ECG berupa nilai power average, namun sebelumnya pemilihan tipe wavelet yang paling pas dalam menganalisis isyarat ECG juga sangat penting. Ciri-ciri yang telah diperoleh dengan transformasi wavelet hingga 5 level dekomposisi tersebut akan dilatihkan dengan menggunakan metode backpropagation untuk membentuk suatu jaringan yang nantinya mampu mengenali setiap ciri berdasarkan jenis kondisi jantungnya masing-masing. Empat jenis kondisi jantung tersebut adalah Normal Sinus Rhythm (NSR), Malignant Ventricular Ectopy (MVE), Supraventricular Arrhytmia (SVA) dan Polysomnographic (PS). Hasil penelitian ini menunjukkan tipe wavelet Symlet (Sym8) yang memiliki nilai mean squared error (MSE) yang dominan lebih rendah dibandingkan dengan tipe wavelet lainnya seperti Daubechies (db10), Biorthogonal (bior4.8), Coiflet (coif5), Symlet (Sym8) dan Discret Meyer (Dmey). Untuk proses pelatihan dengan backpropagation diperoleh pada epoch ke 39 untuk mencapai konvergensi dengan nilai MSE nya adalah 9,77.10-7 dengan gradien 0,000342. Sedangkan sensitivitas sistem dalam mengenali jenis kondisi jantung untuk semua data pada proses pelatihan adalah 100% dan sensitivitas sistem pada proses pengujian adalah 90%.

Electrocardiogram (ECG) is a recorded bio-elektrik activity of the heart that goes around the body and can be detected at some point leads. Shape or pattern of the ECG signal represents the state of heart health in general. Because the ECG signal is not stationary then it is important to know the information contained in these signals need to be a suitable method. To help analyze these signals not only at the time but also the frequency region. Therefore, wavelet transform method is ideal for application in analyzing the ECG signal. Wavelet transformation is applied to analyze the ECG signal to determine characteristics of the ECG signal of average power values, but before the selection of the most appropriate type of wavelets in analyzing the ECG signal is also very important. The characteristics that have been obtained with up to 5 levels of wavelet decomposition will be trained by using backpropagation method to form a network that will be able to recognize any kind of heart condition based on the characteristics of each. Four types of heart conditions are Normal Sinus Rhythm (NSR), Malignant Ventricular Ectopy (MVE), supraventricular arrhythmia (SVA) and polysomnographic (PS). The results of this study indicate the type of wavelet Symlet (Sym8) which has a mean squared error (MSE) of the dominant lower than other types such as Daubechies wavelet (db10), Biorthogonal (bior4.8), Coiflet (coif5), Symlet (Sym8) and discret Meyer (Dmey). For the backpropagation training process obtained at epoch to 39 to achieve convergence with its MSE value is 9,77.10-7 and slope is 0.000342. While the sensitivity of the system to recognize types of heart conditions for all data in the training process is 100% and sensitivity of the system in the testing process is 90%.

Kata Kunci : Elektrokardiogram (ECG), bioelektrik, wavelet, ekstraksi ciri, dekomposisi, MSE, Backpropagation, sensitivitas.