Furqon, Muhammad (2022) Klasifikasi Aritmia dengan Menggunakan Efficientnetv2 dengan Representasi Gambar Spektral ECG 2D. Masters thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 6022201005-Master_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
6022201005-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2024. Download (5MB) | Request a copy |
Abstract
Penyakit kardiovaskular merupakan salah satu penyebab utama kematian global. Kardiovaskular adalah istilah untuk semua jenis penyakit yang mempengaruhi jantung atau pembuluh darah. Penyakit jantung termasuk kedalam jenis penyakit kardiovaskular. Hal ini dapat dideteksi secara dini dengan memeriksa ada/ tidaknya aritmia. Aritmia adalah irama jantung abnormal yang biasanya didiagnosis dan dievaluasi dengan menganalisis sinyal electrocardiogram (ECG). Dalam teknik klasik, ahli jantung/ tenaga medis menggunakan electrocardiogram (ECG) untuk menganalisa irama dan detak jantung pasien kemudian membaca jurnal aktivitas dari pasien untuk mendiagnosis ada/ tidaknya aritmia pada pasien dan untuk mengembangkan rencana perawatan yang tepat. Namun, teknik klasik yang diterapkan saat ini membutuhkan waktu yang lama dan usaha yang lebih besar dalam mendiagnosis aritmia. Untuk itu para peneliti melakukan pengembangan diagnosis aritmia dengan proses komputasi, seperti deteksi dan klasifikasi aritmia dengan menggunakan machine learning dan deep learning. Convolutional Neural Networks (CNN) adalah metode populer yang saat ini banyak digunakan untuk mengklasifikasikan aritmia. Teknik pra-pemrosesan dataset yang tepat juga sangat penting untuk mendapatkan model kinerja terbaik. Database Aritmia MIT-BIH digunakan dalam penelitian ini sebagai dataset untuk proses pelatihan dan pengujian sistem. Metode EfficientNetV2 yang merupakan salah satu keluarga dari Convolutional Neural Networks (CNN) diadopsi dalam tesis ini untuk melakukan klasifikasi lima jenis aritmia. Dalam pra-pemrosesan dataset, sinyal ECG dipotong setiap 1 detik (360 data), dan dilakukan augmentasi sinyal untuk menyeimbangkan jumlah dataset pada setiap kelas. Kemudian metode Continuous Wavelet Transform (CWT) diterapkan untuk mengubah sinyal ECG 1D menjadi nilai skalogram 2D. Colormap yang berbeda diterapkan untuk mengubah nilai skalogram menjadi gambar RGB 2D. Dataset sinyal dalam bentuk gambar RGB 2D kemudian didistribusikan ke dalam subset dengan menggunakan operasi modulo untuk mendapatkan varian data pada setiap subset. Dengan skema tersebut, penelitian ini mendapatkan akurasi yang lebih tinggi daripada metode yang ada, dengan tingkat akurasi sebesar 99,97%.
================================================================================================
Cardiovascular disease is part of global death's main cause. It is the term for all types of diseases that affect the heart or blood vessels. Heart disease is a type of cardiovascular disease. It can be detected early by examining the arrhythmia presence. Arrhythmia is an abnormal heart rhythm that is commonly diagnosed and evaluated by analyzing electrocardiogram (ECG) signals. In classical techniques, a cardiologist/ clinician used an electrocardiogram (ECG) to monitor the heart rate and rhythm of patients then read the journal activity of patients to diagnose the presence of arrhythmias and to develop appropriate treatment plans. However, The classical techniques take time and effort. The development of arrhythmias diagnosis, toward computational processes, such as arrhythmias detection and classification by using machine learning and deep learning. A convolutional neural network (CNN) is a popular method used to classify arrhythmia. Dataset pre-processing was also considered to achieve the best performance models. MIT-BIH Arrhythmia Database was used as our dataset. Our study used the EfficientNetV2 which is a type of convolutional neural network to perform the classification of five types of arrhythmias. In pre-processing, the ECG signal was cut each 1 second (360 data), signal augmentation is applied to balance the amount of data in each class, and then the Continuous Wavelet Transform (CWT) is employed to transform the ECG signal into a scalogram. The dataset is then distributed into subsets by using modulo operation to get variants of data in each subset. The colormap is applied to convert scalograms into RGB images. By this scheme, our study achieved superior accuracy than the existing method, with an accuracy rate of 99.97%.
Actions (login required)
 |
View Item |