Pengenalan Pola Sinyal Elektrokardiogram (EKG) Satu Sadapan Berbasis Hybrid Fractal Analysis (HFA) Untuk Identifikasi Gangguan Tidur

Fahruzi, Iman (2021) Pengenalan Pola Sinyal Elektrokardiogram (EKG) Satu Sadapan Berbasis Hybrid Fractal Analysis (HFA) Untuk Identifikasi Gangguan Tidur. Doctoral thesis, InstitutTeknologi Sepuluh Nopember.

Text 07111760010015-Disertation.pdf Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Gangguan tidur adalah terganggunya aliran pernapasan (kolaps) yang berulang saat tidur.
Gangguan tidur umumnya tidak terdiagnosis dan tidak tertangani dengan baik sehingga terjadi
interupsi berulang pada saluran pernapasan. Penelitian menyebutkan bahwa gejala ringan dan
berat pada penderita gangguan tidur bisa menyebabkan penurunan daya ingat, depresi,
kecemasan dan gangguan jantung serius yang berakibat kematian. Secara klinis,
Polysomnography (PSG) merupakan metode standar bagi tenaga medis untuk merekam
aktivitas listrik jantung pada bagian tubuh. Penggunaan PSG pada dasarnya memiliki beberapa
kekurangan, antara lain rumit saat perekaman data karena banyaknya jumlah sadapan yang
terpasang pada tubuh sehingga membutuhkan keahlian khusus untuk memasang dan
menggunakannya. Hasil rekaman EKG yang berdurasi panjang akan menghasilkan dataset
yang besar sehingga memerlukan waktu untuk mengamatinya dan melakukan diagnosa. Selain
itu, pada kondisi tertentu pasien seringkali menjadi tidak nyaman saat dilakukan perekaman
data karena faktor lingkungan, faktor peralatan dan kondisi psikis pasien. Kelemahan dan
kekurangan tersebut pada akhirnya akan berdampak pada data yang akan dianalisa. Kesalahan
diagnosis bisa saja terjadi karena adanya potensi kehilangan atau kerusakan informasi klinis
akibat adanya gangguan derau pada rekaman EKG yang dihasilkan. Oleh karena itu, diperlukan
sebuah sistem berbasis komputer untuk menganalisis pola periodik suatu sinyal secara otomatis
berbasis metode ekstraksi Hybrid Fractal Analysis (HFA) dari rekaman EKG satu sadapan.
Metode tersebut menghasilkan fitur berdasarkan fungsi fluktuasi dan spektrum multifraktal
suatu sinyal. Pengujian menunjukkan bahwa hasil asesmen pada pola periodik sinyal EKG satu
sadapan menggunakan HFA mampu menghasilkan akurasi yang menjanjikan saat diterapkan
pada mesin pembelajaran berbasis metode Ensemble, yaitu AdaBoost dan Boosted Tree dengan
akurasi masing-masing 90,1% dan 94,7%. Sedangkan penerapan pada mesin pembelajaran
berbasis Artificial Neural networks (ANN) pada Support Vector Machine (SVM) dengan
Radial Basis Function (RBF) kernel mampu mencapai tingkat akurasi sebesar 92.16%, tingkat
sensitivitas sebesar 88,24% dan tingkat spesifisitas sebesar 94.12%.
================================================================================================
Sleep apnea is the repeated disruption of the flow of breath (collapse) during sleep. Sleep apnea
is generally not diagnosed and are not handled properly, resulting in repeated interruptions in
the respiratory tract. Studies state that mild and severe symptoms in people with sleep apnea
can cause memory loss, depression, anxiety, and serious heart problems that can lead to death.
Clinically, polysomnography (PSG) is a standard method for medical personnel to record the
heart's electrical activity in parts of the body. The use of PSG basically has several drawbacks,
including it is complicated when recording data because of the large number of leads attached
to the body. Therefore, it requires special expertise to install and use it. The results of a long
duration ECG record will produce a large dataset so that it takes time to observe and perform
a diagnosis. In addition, under certain conditions, patients often become uncomfortable when
recording data due to environmental factors, equipment factors, and the patient's psychological
condition. These weaknesses and shortcomings will ultimately have an impact on the analyzed
data. Misdiagnosis may occur due to the potential for loss or damage to clinical information
due to noise disturbances on the resulting ECG record. Therefore, a computer-based system is
needed to automatically analyze a signal's periodic pattern based on the Hybrid Fractal Analysis
(HFA) extraction method from the single-lead ECG record. This method generates features
based on the fluctuation function and multifractal spectrum of a signal. The results of the
evaluation show that the assessment results on the periodic pattern of the single-lead ECG
signal using HFA are able to produce promising accuracy when applied to machine learning
based on the Ensemble method, i.e. AdaBoost and Boosted Tree with an accuracy of 90.1%
and 94.7%, respectively. Meanwhile, the application of machine learning based on Artificial
Neural networks (ANN) on Support Vector Machine (SVM) with Radial Basis Function (RBF)
kernel was able to achieve an accuracy rate of 92.16%, a sensitivity level of 88.24%, and a
specificity level of 94.12%.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	EKG, klasifikasi, gangguan tidur, analisis fraktal, multifraktal, ECG, classification, sleep disorder, fractal analysis, multifractal
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20001-(S3) PhD Thesis
Depositing User:	Iman Fahruzi
Date Deposited:	05 Mar 2021 12:51
Last Modified:	05 Mar 2021 12:51
URI:	http://repository.its.ac.id/id/eprint/83532

Actions (login required)

View Item