AKLASIFIKASI OBSTRUCTIVE SLEEP APNEA (OSA) BERDASARKAN HEART
RATE VARIABILITY (HRV) PADA SINYAL ELEKTROKARDIOGRAM (EKG)
MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
OBSTRUCTIVE SLEEP APNEA (OSA) CLASSIFICATION BASED ON HEART RATE
VARIABILITY (HRV) ON ELECTROCARDIOGRAM (ECG) SIGNAL USING SUPPORT
VECTOR MACHINE (SVM)
Fauzan Dizki Alif Azmi Siregar1, Hilman Fauzi2, Achmad Rizal3
1,2,3Universitas Telkom, Bandung
1alifsiregar@student.telkomuniversity.ac.id, 2@hilmanfauzitsp@telkomuniversity.ac.id, 3achmadrizal@telkomuniversity.ac.id
Abstrak
Machine learning adalah sebuah aplikasi dari Artificial Intelligence (AI) yang memberikan sebuah sistem
kemampuan untuk belajar dan melakukan pengembangan dari pengalaman terdahulu secara mandiri dan automatis. Salah satu penggunaan machine learning yang umum digunakan adalah klasifikasi data, dimana dataset yang berukuran masif akan diberi label dan dilakukan klasifikasi berdasarkan label yang telah diberikan. Klasifikasi data menggunakan machine learning sendiri memiliki beberapa jenis algoritma yang digunakan pada proses klasifikasi, dengan cara kerja masing-masing algoritma berbeda satu sama lain. Penelitian ini menggunakan
machine learning untuk melakukan klasifikasi data dengan algoritma Support Vector Machine (SVM). Penelitian
ini merancang sistem yang akan mengklasifikasikan sindrom apnea dari data sinyal elektrokardiogram (EKG) dengan menggunakan metode Heart-Rate Variability (HRV). Proses pada penelitian ini meliputi pengunduhan
dataset dari internet yang kemudian akan dilakukan ekstraksi ciri menggunakan aplikasi matlab. Selanjutnya, hasil
data yang telah diekstraksi tersebut akan diberi label dan diklasifikasi menggunakan model machine learning sesuai kelas yang telah ditentukan. Dataset yang digunakan pada penelitian ini adalah 21 rekaman sinyal EKG yang terdiri dari 16 pria dan 5 wanita penderita apnea tidur dengan durasi masing-masing rekaman sekitar 7 s.d. 8 jam. Dataset kemudian dibagi dengan 90 % menjadi data latih dan 10% menjadi data uji. Parameter ciri yang digunakan adalah MHR, SDNN, RMS, NN50, pNN50, SDSD, median, interquartil, mean RR-interval, NN20, dan pNN20 sedangkan parameter performansi yang akan dianalisis adalah akurasi. Dari hasil penelitian, didapatkan akurasi tertinggi lebih dari 89% dengan menggunakan Fine Gaussian Kernel.
Kata kunci : SVM, OSA, machine learning, elektrokardiogram (EKG).
Abstract
Machine learning is an application of Artificial Intelligence (AI) that provides the system an ability to learn and improve from past experience independently and automatically. One of the commonly uses of machine learning is data classification, where massive datasets will be labeled and classified based on the labels that have been given. Data classification using machine learning has several algorithms that will be used to classify the data, with each algorithm having different classification process from one another. This study uses machine learning to classify data with the Support Vector Machine (SVM) algorithm. This study designed a system that will classify apnea syndrome from electrocardiogram (ECG) data using the Heart-Rate Variability (HRV) method. The process in this study involves downloading the dataset from the internet which will then be performed feature extraction using the matlab application. Furthermore, the extracted data are then labeled and finally classified using the machine learning model according to the specified class. The dataset used in this study includes 21 ECG recordings consisting of 16 men and 5 women suffering from sleep apnea with a duration of 7-8 hours per recording. The datasets are then divided with the composition of 90% being the training data and the rest 10% being the test data. The feature parameters used are MHR, SDNN, RMS, NN50, pNN50, SDSD, median, interquartil, mean RR-interval, NN20, dan pNN20 while the performance parameter that will be analyzed is accuracy. From the test result, the highest accuracy was more than 89% using the Fine Gaussian Kernel.
Keywords: SVM, OSA, machine learning, electrocardiogram (ECG).
1. Pendahuluan
Bernapas merupakan salah satu ciri makhluk hidup yang paling signifikan selain memerlukan nutrisi dan bergerak. Secara definisi, bernapas adalah terhirupnya udara ke dalam paru-paru melalui hidung atau mulut yang disebabkan oleh kontraksi otot dan kemudian dihembuskan keluar saat relaksasi otot. Dengan bernapas, makhluk hidup khususnya manusia dapat melakukan pembakaran pada makanan yang telah dicerna dengan oksigen. Proses ini disebut dengan oksidasi, yang dapat menghasilkan tenaga untuk manusia melakukan kegiatan sehari-hari.
Berdasarkan hal diatas, maka bernapas memiliki fungsi yang sangat penting bagi manusia sehingga akan sangat berbahaya apabila terjadi gangguan dalam proses bernapas. Salah satu penyakit pada manusia yang dapat menyebabkan gangguan dalam bernapas adalah obstructive sleep apnea atau OSA. OSA adalah suatu kondisi dimana terjadi obstruksi penuh atau sebagian pada jalur pernapasan bagian atas dalam suatu satuan waktu yang menyebabkan berhentinya pernapasan (apnea) atau penurunan aliran udara (hypopnea) meskipun terdapat upaya untuk bernapas[1]. Sering kali penyakit OSA dianggap sepele oleh masyarakat. Padahal, OSA merupakan sebuah penyakit yang cukup serius. Salah satu gejala OSA adalah mendengkur, yang cukup umum ditemukan pada orang dewasa atau lanjut usia saat tidur. Pasien yang mengalami gejala mendengkur akut pada umumnya akan melakukan
test polisomnografi (PSG) dimana sinyal yang dihasilkan tubuh saat tidur akan dimonitor untuk menentukan
indikasi dan tingkat dari OSA.
Metode PSG membuat OSA dapat dengan mudah diidentifikasi pada seseorang. Namun begitu, PSG memiliki beberapa kekurangan. Biaya yang tidak sedikit serta waktu yang cukup lama menjadi beberapa alasan yang membuat PSG kurang diminati. Berdasarkan permasalahan tersebut, maka telah dilakukan beberapa penelitian untuk mencari alternatif dalam mendeteksi OSA. Seperti penelitian[2] dimana dibuat sebuah sistem untuk mendeteksi OSA hanya dengan menggunakan sinyal elektrokardiogram (EKG). Penelitian tersebut juga menggunakan algoritma support-vector machine (SVM) dalam proses klasifikasi. Hasil yang didapatkan adalah tingkat akurasi yang cukup tinggi, yaitu 96,5%. Bahkan berdasarkan survei yang dilakukan Khatami[3], hasil akurasi dari penelitian tersebut merupakan hasil yang paling akurat dibandingkan dari beberapa penelitian lainnya. Algoritma support-vector machine digunakan pada penelitian ini untuk mendeteksi OSA dari sinyal EKG.
2. Konsep Dasar
Pada bagian ini, akan dijelaskan konsep dasar dan tinjauan pustaka mengenai Jantung, Elektrokardiogram,
Obstructive Sleep Apnea, Machine Learning, Feature Extraction, dan Support-Vector Machine.
2.1. Jantung
Jantung adalah salah satu organ vital pada tubuh yang berfungsi memompa darah ke seluruh tubuh dan membawa oksigen dan nutrisi ke organ tubuh lainnya serta menukarkan oksigen (O2) dengan karbon dioksida (CO2). Jantung senantiasa menghasilkan impuls listrik yang mengatur ritme dari detak jantung. Impuls listrik pada jantung dapat direkam dan diamati melalui alat elektrokardiograf [4]. Jantung terletak di bagian tengah dada dan berada di dekat paru-paru. Anatomi jantung terdiri 4 bilik yang dipisahkan oleh katup, seperti ditunjukkan pada Gambar 1.
Gambar 1. Anatomi Jantung
2.2. Elektrokardiogram
Dalam dunia kesehatan, metode untuk pengukuran aktifitas jantung adalah menggunakan metode elektrokardiogram (EKG). EKG dapat mengukur aktifitas jantung dengan cara mendeteksi sinyal elektrik yang dihasilkan setiap jantung berdetak[4]. Saat jantung berdetak, maka jantung akan menghasilkan sinyal listrik yang menyebabkan jantung memompa darah ke seluruh tubuh sebelum kemudian kembali ke jantung. Sinyal listrik inilah yang kemudian akan dideteksi oleh EKG dan ditampilkan. Alat untuk merekam sinyal EKG ditunjukkan pada Gambar 2.
Gambar 2. Alat untuk merekam sinyal EKG
Secara umum sinyal EKG terdiri dari 4 bagian, yaitu P-Q-R-S-T-U seperti ditunjukkan pada Gambar 3. Bagian-bagian ini merepresentasikan tahapan-tahapan yang terjadi saat jantung memompa darah ke seluruh tubuh. Bagian P terjadi saat depolarisasi atrium, dimana terjadi impuls listrik yang menyebar dari atrium kanan ke atrium kiri. PR interval menggambarkan impuls litsrik yang berjalan dari sinus node ke AV node dan memasuki ventrikel.
PR segment tidak menghasilkan kontraksi secara langsung dan pada EKG terlihat sebagai garis datar. QRS complex
menunjukkan depolarisasi ventrikel kanan dan kiri secara cepat. Dikarenakan ventrikel memiliki massa otot yang lebih besar dari atrium, QRS complex memiliki amplitudo yang lebih besar dari sinyal P. ST segment menunjukkan periode disaat ventrikel melakukan depolarisasi[5]. Jarak antara sinyal R dengan sinyal R lainnya merupaklan siklus durasi dari detak jantung dan disebut RR interval.
Gambar 3. Bentuk sinyal EKG[8]
2.3. Obstructive Sleep Apnea
Obstructive Sleep Apnea atau OSA adalah sebuah penyakit dimana penderita mengalami henti napas
setidaknya 5 kali dalam satu jam setiap tidur[6]. OSA umumnya menyerang orang dewasa dan lanjut usia. Gejala dari OSA yang umum ditemukan termasuk kelelahan dan kantuk yang berlebihan[7]. Banyak faktor yang dapat mempengaruhi OSA, seperti jenis kelamin, umur, keturunan, merokok, dan faktor paling utama yang umum ditemukan yaitu obesitas[8]. OSA memiliki beberapa gejala, yaitu sulit bernapas saat tidur (mendengkur), tidak merasa nyaman saat bangun, dan kadar oksigen dalam darah menurun.
2.4. Machine Learning
Machine learning adalah sebuah algortima yang menggunakan statistik untuk menemukan pola pada data
yang berukuran masif. Data tersebut tidak terbatas hanya kepada teks, namun dapat juga berupa angka ataupun gambar[9]. Machine learning bertujuan untuk membuat sebuah komputer belajar dari data yang telah diberikan sehingga dapat membuat sebuah kesimpulan layaknya manusia[10].
2.5. Feature Extraction
Feature extraction atau ekstraksi fitur adalah sebuah metode umum yang bertujuan untuk mengurangi raw data atau data mentah yang berjumlah banyak menjadi beberapa grup yang lebih sedikit agar dapat lebih mudah
untuk digunakan. Metode ekstraksi fitur dilakukan dengan cara memilih atau mengkombinasikan beberapa variabel yang dibutuhkan menjadi features atau fitur sehingga mengurangi jumlah data yang akan diproses oleh sistem.
2.6. Support-Vector Machine
Support-Vector Machine atau SVM merupakan salah satu algoritma dari machine learning dengan kategori
metode supervised, yang artinya dataset yang akan digunakan harus ditandai terlebih dahulu atau disebut juga
labeled data. Umumnya, SVM digunakan untuk melakukan klasifikasi[11]. Tujuan dari SVM adalah mencari hyperplane atau batas dimana terjadi klasifikasi pada data-data yang diuji dalam sebuah N-dimensional space
(dimana N adalah jumlah dari fitur pada data) yang dapat mengklasifikasi data yang akan diuji.
3. Desain Model Sistem
Penelitian ini membuat model sistem klasifikasi yang bekerja secara non-real time dengan menggunakan algoritma SVM. Sistem akan menggunakan dataset yang berupa rekaman EKG dari pasien penderita sleep apnea dan melakukan extraction feature menggunakan metode HRV. Sistem ini menggunakan aplikasi Matlab untuk proses pembuatan model machine learning. Penelitian ini memiliki skema seperti pada Gambar 3.
Gambar 3. Diagram Alir Sistem
3.1. Datasets
Penelitian ini menggunakan dataset dari situs PhysioNet. Dataset yang dipilih adalah “Apnea-ECG Database” yang direkam oleh Dt. Thomas Penzel di Hospital of Philipps-University, Marburg, Jerman. Dataset yang digunakan yaitu 21 rekaman sinyal elektrokardiogram (EKG) yang terdiri dari 16 pria dan 5 wanita penderita
sleep apnea. Dataset kemudian dibagi dengan 10% dari data menjadi learning set yang digunakan untuk
melakukan training model dan sisa 90% dari data menjadi test set yang digunakan untuk menguji model yang telah dibuat
3.2. Pre-processing
Pre-processing pada penelitian ini bertujuan untuk memudahkan proses training dan testing pada model dan
membuat model berjalan lebih baik. Pre-processing terdiri dari 2 tahap, yaitu RR Interval Detection atau mendeteksi RR interval pada sinyal EKG dan partisi data atau pemotongan data agar durasi data pada proses
training dan testing tidak terlalu panjang. Untuk penelitian ini, data EKG dipotong per 1 menit untuk
menyesuaikan dengan anotasi yang sudah disediakan pada situs PhysioNet.
3.3. Feature Extraction
Berikut adalah fitur-fitur dari sinyal EKG yang diekstraksi dan dikalkulasikan: • Mean RR-interval atau nilai rata-rata dari RR-interval per satuan waktu
• Mean Heart Rate (MHR)
• Standar deviasi dari epoch dan RR-interval
• NN50 atau sepasang RR-interval dimana durasi selisih dari kedua RR-interval lebih dari 50 ms • pNN50 atau jumlah setiap NN50 dibagi dengan jumlah total dari RR-interval
• SDSD measures atau standar deviasi dari perbedaan antara sepasang RR-interval • RMSSD measures atau akar mean dari jumlah selisih sepasang RR-interval. • Median dari RR-interval
• Inter-quartile range atau perbedaan antara persentil ke 75 dan 25 dari nilai distribusi RR-interval
• NN20 atau sepasang RR-interval dimana durasi selisih dari kedua RR-interval lebih dari 20 ms • pNN20 atau jumlah setiap NN20 dibagi dengan jumlah total dari RR-interval
3.4. Klasifikasi
Penelitian ini menggunakan algoritma Support Vector Machine (SVM) untuk melakukan klasifikasi. SVM adalah algoritma yang mencari hyperplane dengan jarak margin terbaik untuk memisahkan data menjadi 2 kelas yang berbeda. Dalam menemukan hyperplane, SVM menggunakan kernel untuk mentransformasi data ke dimensi yang lebih tinggi agar dapat lebih mudah untuk diklasifikasi. Pada penelitian ini, kernel yang dipakai adalah linear,
quadratic, cubic, fine gaussian, medium gaussian, dan coarse gaussian.
3.5. Parameter Pengujian Sistem
Parameter yang digunakan untuk menguji model sistem pada penelitian ini adalah akurasi. Secara definisi, akurasi adalah sebagai berikut:
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑡𝑒𝑝𝑎𝑡
𝐽𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑙𝑢𝑟𝑢ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 × 100%
Atau dalam klasifikasi biner, akurasi juga dapat dikalkulasikan dengan istilah positives dan negatives sebagai berikut.
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃 + 𝑇𝑁
𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁 × 100%
4. Hasil dan Analisis
Bagian ini berisi hasil pengujian sistem saat melakukan klasifikasi dan analisis dari performansi sistem.
4.1. Tahapan Pengujian
Adapun tahapan pengujian sistem sebagai berikut: 1. Tahap pertama: Persiapan dataset
Dataset yang diambil adalah 21 rekaman sinyal elektrokardiogram (EKG) dengan durasi masing-masing
rekaman 7-8 jam dan memiliki format .mat untuk memudahkan dalam proses ekstraksi ciri pada aplikasi matlab. Rekaman tersebut dipartisi menjadi sample per 1 menit agar menyesuaikan dengan anotasi yang sudah tersedia pada situs PhysioNet, dimana anotasi tersebut berisi keterangan apnea atau normal. 2. Skenario 2: Proses ekstraksi ciri
Ekstraksi ciri pada penelitian ini dilakukan pada aplikasi matlab. Metode yang digunakan adalah metode
heart rate variability (HRV) dengan parameter ciri mean heart rate (MHR), SDNN, root mean square
(RMS), NN50, pNN50, SDSD, median, interquartil (IQR), mean RR-interval (Mean-RR), NN20, dan pNN20.
3. Skenario 3: Proses klasifikasi
Pada penelitian ini, metode klasifikasi yang dipilih adalah Support Vector Machine (SVM). Untuk kernel dari SVM yang digunakan yaitu linear SVM, quadratic SVM, cubic SVM, Fine Gaussian SVM, Medium
Gaussian SVM, dan Coarse Gaussian SVM.(true positive rate).
5. Data Hasil Pengujian Sistem
Penelitian ini menghasilkan 6 nilai akurasi, masing-masing dihasilkan dari jenis kernel yang berbeda. Pada pengujian menggunakan linear kernel, hasil yang didapat tertera pada Tabel 1.
Tabel 1. Linear kernel
Kelas Aktual
Kelas Prediksi
Kelas Apnea Normal
Apnea - 203
Normal - 738
Berdasarkan hasil dari pengujian model menggunakan linear kernel, didapatkan 203 false negatives dan 738
true negatives sehingga akurasi yang didapat adalah 78,4%. Kemudian untuk pengujian menggunakan quadratic kernel, hasil yang didapat tertera pada Tabel 2.
Tabel 2. Quadratic kernel
Kelas Aktual
Kelas Prediksi
Kelas Apnea Normal
Apnea 157 46
Normal 209 529
Berdasarkan hasil dari pengujian model menggunakan quadratic kernel, didapatkan 157 true positives, 529
true negatives, 209 false positives, dan 46 false negatives sehingga akurasi yang didapatkan adalah 72,9%.Untuk pengujian menggunakan cubic kernel, hasil yang didapat tertera pada Tabel 3.
Tabel 3. Cubic kernel
Kelas Aktual
Kelas Prediksi
Kelas Apnea Normal
Apnea - 203
Normal 4 734
Berdasarkan hasil dari pengujian model menggunakan cubic kernel, didapatkan 734 true negatives, 4 false
positives, dan 203 false negatives sehingga akurasi yang didapatkan adalah 78%. Untuk pengujian menggunakan
fine gaussian kernel, hasil yang didapat tertera pada Tabel 4.
Tabel 4. Fine gaussian kernel
Kelas Aktual
Kelas Prediksi
Kelas Apnea Normal
Apnea 149 54
Normal 45 693
Berdasarkan hasil dari pengujian model menggunakan fine gaussian kernel, didapatkan 149 true positives, 693 true negatives, 45 false positives, dan 54 false negatives sehingga akurasi yang didapatkan adalah 89,5%. Untuk pengujian menggunakan medium gaussian kernel, hasil yang didapat tertera pada Tabel 5.
Tabel 5. Medium gaussian kernel
Kelas Aktual
Kelas Prediksi
Kelas Apnea Normal
Apnea 2 201
Normal - 738
Berdasarkan hasil dari pengujian model menggunakan medium gaussian kernel, didapatkan 2 true positives, 738 true negatives, dan 201 false negatives sehingga akurasi yang didapatkan adalah 78,6%. Untuk pengujian menggunakan coarse gaussian kernel, hasil yang didapat tertera pada Tabel 6.
Tabel 6. Coarse gaussian kernel
Kelas Aktual
Kelas Prediksi
Kelas Apnea Normal
Apnea 2 201
Berdasarkan hasil dari pengujian model menggunakan coarse gaussian kernel, didapatkan 2 true positives, 738 true negatives, dan 201 false negatives sehingga akurasi yang didapatkan adalah 78,6%.
Setelah melakukan pengujian dengan semua jenis kernel, didapatkan hasil yang paling akurat adalah dengan menggunakan Fine Gaussian Kernel dengan akurasi sebesar 89.5% seperti ditunjukkan pada Gambar 4.
Gambar 4. Grafik hasil akurasi
6. Kesimpulan
Sistem klasifikasi OSA berbasis teknologi machine learning dengan algoritma SVM telah berhasil diimplementasikan dan mendapatkan akurasi lebih dari 89%. Konfigurasi terbaik untuk sistem didapatkan saat menggunakan Fine Gaussian Kernel, membagi data menjadi 90% learning set dan 10% test set, dan menggunakan fitur yang diekstraksi dari dataset yaitu MHR, SDNN, RMS, NN50, pNN50, SDSD, median, interquartil, mean
RR-interval, NN20, dan pNN20. Aplikasi yang digunakan adalah Matlab dan menggunakan fitur classification learner.
7. REFERENSI
[1] A. Qureshi and R. D. Ballard, “Obstructive sleep apnea,” J Allergy Clin Immunol, pp. 643–651, 2003, doi: 10.1067/mai.2003.1813.
[2] L. Almazaydeh, K. Elleithy, and M. Faezipour, “Obstructive sleep apnea detection using SVM-based classification of ECG signal features,” Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBS, pp. 4938–4941, 2012, doi: 10.1109/EMBC.2012.6347100.
[3] A. A. Khatami, M. A. C. Sebayang, A. Rizal, and D. T. Barus, “Obstructive Sleep Apnea Detection using ECG Signal :,” Technol. Reports Kansai Univ., vol. 62, no. 04, pp. 1267–1274, 2020. [4] and B. I. National Heart, Lung, “How the Heart Works,” 2020.
https://www.nhlbi.nih.gov/health-topics/how-heart-works (accessed Dec. 13, 2020).
[5] N. Allert Benedicto Ieuan, “Menilik Anatomi Jantung dan Cara Kerjanya,” 2018.
https://www.alodokter.com/menilik-anatomi-jantung-dan-cara-kerjanya (accessed Dec. 13, 2020). [6] K. K. Motamedi, A. C. McClary, and R. G. Amedee, “Obstructive sleep apnea: A growing problem,”
Ochsner J., vol. 9, no. 3, pp. 149–153, 2009.
[7] A. M. Osman, S. G. Carter, J. C. Carberry, and D. J. Eckert, “Nature and Science of Sleep Dovepress Obstructive sleep apnea: current perspectives,” pp. 21–34, 2018.
[8] A. D. Susanto, B. Hisyam, L. S. Maurits, and F. Yunus, “Clinical symptoms and related factors of obstructive sleep apnea among overweight and obese taxi drivers,” Med. J. Indones., vol. 24, no. 4, pp. 206–214, 2015, doi: 10.13181/mji.v24i4.1279.
[9] K. Hao, “What is machine learning?,” 2018.
https://www.technologyreview.com/2018/11/17/103781/what-is-machine-learning-we-drew-you-another-flowchart/ (accessed Dec. 13, 2020).
[10] A. Dey, “Machine Learning Algorithms: A Review,” Int. J. Comput. Sci. Inf. Technol., vol. 7, no. 3, pp. 1174–1179, 2016, [Online]. Available: www.ijcsit.com.
[11] R. Gandhi, “Support Vector Machine — Introduction to Machine Learning Algorithms,” 2018. https://towardsdatascience.com/support-vector-machine-introduction-to-machine-learning-algorithms-934a444fca47 (accessed Dec. 14, 2020).
78,40% 72,90% 78,00% 89,50% 78,60% 78,60% 0,00% 20,00% 40,00% 60,00% 80,00% 100,00%
Linear Quadratic Cubic Fine
Gaussian Medium Gaussian Coarse Gaussian
