Klasifikasi Aritmia Berbasis Morfologi Singgle-channel ECG Menggunakan Deep Learning

Hasyim, Desrina Fithriyah (2024) Klasifikasi Aritmia Berbasis Morfologi Singgle-channel ECG Menggunakan Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5024201002-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (5MB) | Request a copy

Abstract

Penyakit jantung telah menjadi salah satu penyebab kematian utama di seluruh dunia, dengan jumlah penderita yang terus meningkat setiap tahunnya. Aritmia, yang merupakan gangguan pada ritme jantung normal, seringkali menjadi indikator awal dari adanya gangguan kardiovaskular. Dengan mendeteksi aritmia dengan tepat dan dini, intervensi medis dapat diberikan lebih cepat, sehingga potensi komplikasi yang lebih serius atau bahkan kematian akibat penyakit jantung dapat dikurangi. Penelitian ini guna untuk menemukan metode deteksi aritmia berdasarkan Klasifikasi Sinyal ECG Aritmia dengan menggunakan deep learning. Terdapat berbagai metode percobaan dengan pembagian dataset serta K-fold yang berbeda. Eksperimen 1 untuk mengetahui prediksi model deep learning dengan data testing yang sama dengan data training. Eksperimen 2 dan 3 untuk mengetahui prediksi model ketika dihadapi dengan pasien baru yang tidak memiliki histori medis aritmia. Eksperimen 4 dan 5 untuk mengetahui prediksi model deep learning dengan pasien yang memiliki histori medis aritmia. Eksperimen 6 untuk mengetahui performa prediksi model terhadap kelas khusus yaitu RBBB dan LBBB. Penelitian ini menunjukkan bahwa klasifikasi aritmia ECG menggunakan CNN 1 dimensi 1% hingga 7% lebih baik daripada MLP dan kinerja model akan menjadi sangat baik jika diberikan data pasien yang memiliki histori medis aritmia sebelumnya.

============================================================

Heart disease has become one of the leading causes of death worldwide, with the number of affected individuals increasing each year. Arrhythmia, a disorder of the normal heart rhythm, is often an early indicator of cardiovascular issues. By accurately and early detecting arrhythmias, medical interventions can be administered more promptly, thereby reducing the potential for serious complications or even death from heart disease. This research aims to develop a method for detecting arrhythmia based on the classification of ECG signals using deep learning. Various experimental methods with different dataset partitions and K-fold cross-validation were employed. Experiment 1 aimed to evaluate the prediction accuracy of the deep learning model using the same testing data as the training data. Experiments 2 and 3 focused on assessing the model’s predictive performance when encountering new patients without a medical history of arrhythmia. Experiments 4 and 5 evaluated the model’s predictive performance for patients with a history of arrhythmia. Experiment 6 aimed to assess the model’s prediction performance specifically for the RBBB and LBBB classes. The research findings indicate that
ECG arrhythmia classification using a 1-dimensional CNN is 1% to 7% more effective than using an MLP. Moreover, the model’s performance improves significantly when provided with data from patients with a prior medical history of arrhythmia.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Aritmia, ECG, Klasifikasi, Arrhythmia, Classification, ECG.
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing. T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7882.P3 Pattern recognition systems
Divisions:	Faculty of Electrical Technology > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Desrina Fithriyah Hasyim
Date Deposited:	08 Aug 2024 05:10
Last Modified:	08 Aug 2024 05:10
URI:	http://repository.its.ac.id/id/eprint/112766

Actions (login required)

View Item