Klasifikasi Aritmia Sinyal ECG Menggunakan Transformasi Wavelet Dan Analisa Statistik

Gusnam, Mu'thiana (2022) Klasifikasi Aritmia Sinyal ECG Menggunakan Transformasi Wavelet Dan Analisa Statistik. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 07111850040003-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (4MB) | Request a copy

Abstract

Pengenalan kelainan aritmia seseorang diketahui dengan melakukan rekam aktivitas jantung menggunakan Electrocardiogram (ECG). Rekaman ECG detak jantung dibagi menjadi gelombang P, QRS, dan T yang menunjukkan aktivitas kelistrikan jantung seperti depolarisasi atrium dari gelombang P, depolarisasi ventrikel dari kompleks QRS dan repolarisasi ventrikel maupun atrium dari segmen ST.

Penelitian ini dikembangkan suatu sistem pengenalan pola
klasifikasi aritmia sinyal ECG dengan menggunakan transformasi wavelet dan analisa statistik. Penggunaan transformation wavelet pada perancangan sistem berfungsi untuk menguraikan data atau sinyal menjadi komponen yang berbeda dengan melakukan filtrasi dalam mengkompresi sinyal ECG dan mereduksi noise tanpa kehilangan informasi klinis yang signifikan yang dapat dicapai. Transformation wavelet sangat cocok untuk pendekatan data dengan diskontinuitas
tajam sehingga apabila terjadi noise atau anomali pada data maka komponen frekuensinya akan meningkat. Dalam mendeteksi kondisi normal dan aritmia yang ditampilkan sinyal ECG sistem digunakan untuk membandingkan performance terbaik dari various wavelet yang diteliti sehingga mendapatkan tingkat keakuratan sebagai second opinion pada diagnosa tenaga medis. Transformation Wavelet yang digunakan adalah daubechies(db4), symlets(sym4), coiflets(coif4) dan
biorthogonals(bior3.7) dengan 4 tipe level approximate dan detail adalah level 1, 2, 3, dan 4 berbasis percobaan empiris untuk mendapatkan nilai threshold yang optimal untuk menentukan gelombang R dan R-R interval. Persentase akurasi yang diperoleh dari penelitian ini adalah 100% pada level 2 untuk mendiagnosis penyakit Aritmia dan 93,1% pada level 1 untuk diagnosis normal dari 31 data untuk aritmia dan 18 untuk Normal bersumber dari Database MIT-BIH, sehingga total hasil akurasi yang didapatkan dari keseluruhan data yang diuji sebesar 96.55%.
=================================================================================================================================
Cardiac Activity from the signal of electrical potential waves in the heart can be recorded using an Electrocardiogram (ECG). The ECG recording of the
heartbeat are divided into P, QRS, and T waves which show the electrical activity of the heart such as atrial depolarization from the P wave, ventricular depolarization from the QRS complex, and ventricular and atrial repolarization from the ST segment. This research will develop a pattern recognition system for the classification of ECG Arrhythmia Signals using wavelet transform and
statistical analysis. The function of wavelet transformation in system design to decompose data or signals into different components by performing filtration in compressing ECG signals and reducing noise without losing information of
significant clinical that can be achieved.

The wavelet transform is very suitable for approaching data with discontinuities signal so that if there is noise or anomaly in the data, the frequency of its components will increase. In detecting normal conditions and arrhythmias displayed by the ECG signal, the system is used to compare the best performance of the various wavelets studied to obtain a level of accuracy as a second opinion in the diagnosis of medical personnel. The wavelet transformation used are Daubechies(db4), Symlets(sym4), Coiflets(coif4) and Biorthogonals(bior3.7) with 4 types of Approximate and Detail levels namely Level 1, 2, 3, and 4 based on empirical experiments to obtain the optimal threshold value to determine the R wave and the R-R interval. The accuracy percentage obtained from this study was 100% at Level 2 for diagnosing Arrhythmia and 93.1% at Level 1 for normal diagnosis from 31 data for arrhythmia and 18 for Normal sourced from the MIT-BIH Database. so that the total accuracy results obtained from all the data tested is 96.55%.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Aritmia Sinyal ECG, Wavelet Transform Family, Analisi Statistik, Reduksi Noise, MIT-BIH. Key words: ECG Signal Arrhythmia, Wavelet Transform Family, Statistical Analysis, Reduce Noise, MIT-BIH.
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning R Medicine > RC Internal medicine > RC683.5.E5 Electrocardiography T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Mu'thiana Gusnam
Date Deposited:	01 Feb 2023 07:14
Last Modified:	01 Feb 2023 07:14
URI:	http://repository.its.ac.id/id/eprint/95953

Actions (login required)

View Item