analisa dan pengenalan suara jantung … · toleransi kesalahan (mse) 1e-32 laju pembelajaran 0.01...
Post on 03-Mar-2019
232 Views
Preview:
TRANSCRIPT
ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKANWAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN
KATUP JANTUNG PADA MANUSIA
ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKANWAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN
KATUP JANTUNG PADA MANUSIA
Sidang TesisS2 Teknik Sistem Pengaturan FTI-ITS Surabaya
EDY SETIAWANEDY SETIAWAN22092020012209202001
PembimbingPembimbing
JURUSAN TEKNIK ELEKTROPROGRAM STUDI TEKNIK SISTEM PENGATURAN
FAKULTAS TEKNOLOGI INDUSTRI ITSSURABAYA 2011
PembimbingPembimbing
Prof. Ir. Abdullah Alkaff, MSc, Ph.DProf. R Mohammad Yogiarto, dr. SpJP(K)FIHA,FASCC
Ir. Rusdhianto. EAK, MT
Hal 1 dari 25
• Latar belakang
• Rumusan masalah
• Tujuan
• Batasan masalah
Pembahasan
• Batasan masalah
• Teori penunjang
• Analisa sistem
• Hasil
• Kesimpulan
Hal 2 dari 25
Memantau kinerja jantung Dokter menggunakan stetoskop
Kelainan katup jantung yang dideteksi dan diisyaratkan dengan adanya bisingjantung menyebabkan gangguan fungsi jantung atau gangguan hemodynamic
suara yang dihasilkan lemah, masih diperlukan kepekaan danpengalaman
Latar Belakang
Transformasi Wavelet dan JST BP (Backpropagation)
Diperlukan metode pengenalan suara
pengalaman
Hasil diagnosis masih dipengaruhi oleh subyektifitas dokter
Hal 3 dari 25
Murmur adalah salah satu gejala kelainan katup jantung denganpola-pola tertentu sesuai dengan kelainan katup jantung yangdiderita pasien. Oleh karena itu bagaimana membuat sistemkomplek yang mampu mendeteksi dan mengenali pola-polatersebut.
1
Rumusan Masalah
Bagaimana mengklasifikasikan kondisi jantung berdasar gejalaabnormalitas suara jantung (murmur) pada pasien penderitakelainan katup jantung.
Bagaimana memodelkan karakteristik dari rekam medis suarajantung dengan menggunakan Jaringan Syaraf TiruanBackpropagation
2
3
Hal 5 dari 25
Mendapatkan metode alternatif dalam pendeteksian awal penyakitpada jantung manusia lebih dini sehingga seseorang dapat mengambilkeputusan yang tepat menyikapi kondisi kesehatan jantungnya.
1
Tujuan
Sebagai modul pembelajaran bagi dokter-dokter muda yang sedikitpengalaman dalam mengklasifikasikan suara jantung normal maupunyang mengalami kelainan katup jantung dengan teknik Auskultasi.
2
Membuat suatu sistem dalam analisa dan pengenalan suara jantungyang dapat mengenali dan mengklasifikasikan kondisi jantungkhususnya pada penderita kelainan katup jantung.
Mempelajari penggunaan metode jaringan syaraf tiruan dengan prosespembelajaran.
3
4
Hal 6 dari 25
Proses perekaman suara jantung dilakukan pada ruangan kedap suara.1Diagnosa hanya dilakukan pada suara jantung normal, suara jantungsistolic murmur (mitral regurgitasi dan aortic stenosis), diastolic murmur(aortic regurgitasi dan mitral stenosis) dan continuous murmur (PatentDuctus Arteriousus)
2
3
Batasan Masalah
Tranduser suara dengan respon frekuensi 20Hz – 20000Hz (type ElektretCondenser Microphone).
Referensi bising jantung(murmur) sebagian diambil dari RSUD Dr.Soetomo Surabaya dan sebagian dari internet.
3
4Program simulasi menggunakan MATLAB 7.0.15
Hal 7 dari 25
Bunyi yang terdengar terus-menerus selama periode sistole,diastole, atau keduanya.
TeoriMurmur
Visualisasi jantung normaldan abnormal karena ada
kelainan katup
Hal 8 dari 25
1.Bunyi katup mitral terdengarpaling baik di apeks.
2.Bunyi katup trikuspid paling baikterdengar di batas lateral kiristernum (LLSB).
3.Bunyi katup aorta terdengar
Area KatupJantung
3.Bunyi katup aorta terdengarpaling baik di basis kanan.
4.Bunyi katup pulmonal terdengarpaling baik di basis kiri.
Hal 9 dari 25
•Teknik pemrosesan sinyal multiresolusi.•TWD dapat memilah-milah suatu sinyaldata berdasarkan komponen frekuensiyang berbeda-beda.•Dapat diperoleh gambaran data secarakeseluruhan dan detail berdasarkan
TeoriTransformasi WaveletDiskret (TWD)
keseluruhan dan detail berdasarkanskala resolusi yang sesuai.
Hal 10 dari 25
h(n) lpf
Menghasilkan koefApproximation
hpf g(n)
Menghasilkan koefDetil
Bandwidth SinyalSetiap Level
Hal 11 dari 25
Sistem komputasi pemodelan neuron.
1
n
i
y f wixi
Teori JaringanSyaraf Tiruan(Backpropagation)
1i xi: sinyal masukan, i = 1,2,…,nn: banyaknya simpul masukan
wi: bobot hubungan atau synapsisθ: threshold atau bias
ƒ(*): fungsi aktivasiy: sinyal keluaran dari neuron
Hal 12 dari 25
.
Jaringan Multi layer1
2
Karakteristik JSTBackpropagation
Fungsi Aktivasi
Sigmoidbiner
Sigmoidbipolar
1( )
1 exp( )f x
x
2( ) 1
1 exp( )f x
x
Hal 13 dari 25
Inisialisasi bobot awal (secara acakatau metode Nguyen Widrow)
Perhitungan nilai aktivasi, tiapneuron dari input yang diterimanya
AlgoritmapembelajaranBackpropagation
Penyesuaian bobot, dipengaruhierror antara target output dan nilaioutput jaringan
Iterasi (dilakukan sampai kriteriaerror tertentu dipenuhi)
Hal 14 dari 25
Proses
AnalisaSistem
Konsep dasarpengenalan polasuara jantung
Pasien SensorProses
pengenalanpola suara
Dokter
Hal 15 dari 25
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)
Hal 17 dari 25
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
Pengujian &Hasil 1
No ID Nilai Denyut Per Menit SaatIstirahat
1 latihnormal1 80 Normal
2 latihnormal2 80 Normal
3 latihnormal3 80 Normal
Systolic murmur Kasus katup jantung1 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 jantung1 latih1AR 80 Aortic Regurgitation
2 latihARCase1 80 Aortic Regurgitation
Set data pelatihan
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 jantung1 latihPDA 90 Patent Ductus Arteriosus
Karakteristik Spesifikasi
Sampling rate 44100 Hz
Panjang frame (N) 1323 sampel
Overlap (M) 662 sampel (50%)
Frame windowing Hamming window
Ekstraksi ciri Wavelet (5 level dekompisisi)Cepstrum
2 Struktur Sinyal
Hal 18 dari 25
Karakteristik Spesifikasi
Arsitektur 1 Lapisan tersembunyiNeuron input Hasil ekstraksi ciriNeuron tersembunyi 15Neuron output 8Fungsi aktifasi SigmoidToleransi kesalahan (MSE) 1e-32
Laju pembelajaran 0.01Jumlah epoch 10000Data training 16 Data suara jantung
3 Struktur JST PercobaanPengujian &Hasil
Data training 16 Data suara jantungData testing 99 Data suara jantung
No Target Representasi Suara
1 0 0 0 0 0 0 0 1 Normal2 0 0 0 0 0 0 10 Aortic Regurgitation3 0 0 0 0 0 0 1 1 Aortic Stenosis4 0 0 0 0 0 1 0 0 Mitral Regurgitation5 0 0 0 0 0 1 0 1 Mitral Stenosis6 0 0 0 0 0 1 1 0 Patent Ductus Arteriosus
4 Definisi target fungsi sigmoid
Hal 19 dari 25
Perhitungan MSE
Output Baseline
Hasil perkalian antara data
MR AS
AR MS PDA
Normal
Hal 20 dari 25
Hasil perkalian antara datainput dengan bobot hasilpelatihan jst dibandingkandengan target output
Range/toleransi:>0.9570 dan <1.0885Akan berlogika 1, diluarrange tersebut diatasakan berlogika 0
Prosentase Keberhasilan Pengujian
No Tipe Data
Pembelajaran Identifikasi
dengan benar
(%)
Neuron
Tersembunyi
lr Max
epoch
MSE
1 Data Asli (original)
15 0.01 10.000 1e-32
16/16 100
2 Amplitudo 50% >
amplitudo awal
12/16 75
Hasil pengujian data training
amplitudo awal
3 Amplitudo 25% <
amplitudo awal
14/16 87.5
4 Data (noise -30dB) 8/16 50
5 Data (noise -40dB) 9/16 56.2
Hal 21 dari 25
No Tipe Data
Pembelajaran Identifikasi
dengan benar
(%)
Neuron
Tersembunyi
lr Max
epoch
MSE
1 Normal
15 0.01 10.000 1e-32
24/30 80
2 Murmur sistolic 20/25 80
3 Murmur diastolic 28/34 82.4
4 Murmur continuous 3/10 30
1 Normal
50 0.03 10.000 1e-32
15/30 50
2 Murmur sistolic 11/25 44
3 Murmur diastolic 15/34 44.12
4 Murmur continuous 1/10 10
Pembelajaran Identifikasi (%)
Hasil pengujian untukset data uji
No Tipe Data dengan benarNeuron
Tersembunyi
lr Max
epoch
MSE
1 Normal1
15 0.01 10.000 1e-32
11/11 100
2 Normal2 13/13 100
3 Normal3 4/6 66.7
Murmur sistolic
1 1MR
15 0.01 10.000 1e-32
7/ 7 100
2 1MRCase 6/ 7 85.7
3 3MRCase 6/6 100
4 4ASCase 2/5 40
Murmur diastolic
1 1AR
15 0.01 10.000 1e-32
6/6 100
2 1ARCase 6/7 85.7
3 4ARCase 5/6 83.3
4 5ARCase 4/5 80
5 1MS 5/6 83.3
6 2MSCase 4/4 100
Murmur continuous
1 PDA 15 0.01 10.000 1e-32 3/10 30
Hasil pengujian untuk set datauji (per kasus kelainan)
Hal 22 dari 25
Kesimpulan
1
2
Ekstraksi ciri dengan wavelet dan pengenalan suara denganmenggunakan JST BP, sistem dapat mengenali 80% untuk pola suarajantung sistolic murmur, 82.4% untuk pola suara jantung diastolicmurmur, 30% pola suara jantung continuous murmur dan 80% untukpola suara jantung normal
Sistem merupakan satu kesatuan yang utuh. Tiap-tiap bagianmendukung untuk perbaikan kinerja dari bagian yang lain
Tipe data continuous murmur, tingkat performance mengenali suarasangat buruk (pola suara random). Suara jantung satu dan jantungdua tidak terlihat karena tertutup oleh murmur (fase dari siklusjantung tidak dapat diketahui secara pasti)
Ruangan dengan noise tinggi, sistem tidak dapat bekerja dengan baik
Hal 23 dari 25
3
pola suara jantung normal
4
top related