i
Universitas Kristen Maranatha IMPLEMENTASI MODEL DINAMIK ECG TERMODIFIKASI PADA
METODE EXTENDED KALMAN FILTER UNTUK PEMFILTERAN SINYAL ECG
Denny Ariadi 0622092
dennyariadi.indonesia@gmail.com
ABSTRAK
Ekstraksi sinyal kardiologis murni dari pengukuran yang terpapar derau (noisy measurement) merupakan salah satu perhatian utama dalam bidang pengolahan sinyal biomedika. Terdapat beragam gangguan pada sinyal ECG, salah satunya seperti EMG (Electromyogram) yang tumpang tindih (overlap) dengan komponen sinyal cardiac dalam domain frekuensi secara khusus pada rentang 0.01 Hz – 100 Hz. Di sisi lain penelitian dalam bidang pemodelan ECG sintetis telah berkembang dengan memperhatikan morphology sinyal PQRST serta pewaktuan gelombang R-R.
Ada beberapa filter yang telah diterapkan untuk mengatasi gangguan noise pada sinyal ECG. Pada tugas akhir ini metode Extended Kalman Filter (EKF), dengan memanfaatkan model dinamik ECG termodifikasi, digunakan untuk proses
denoising sinyal ECG yang telah diberikan Gaussian white noise. Performa EKF
(berdasarkan nilai SNR Improvement) dibandingkan dengan Finite Impulse
Response (FIR) dalam mengatasi noise pada sinyal ECG, secara khusus pada
segmen ST.
Dari hasil percobaan model dinamik ECG termodifikasi yang terbaik diperoleh pada λ = 0.04 dan ϒ = 1. Dari perbandingan nilai SNR Improvement, EKF lebih unggul daripada FIR, yaitu dengan nilai sebesar 2.78 dB s.d 6.01 dB terhadap -12.08 dB s.d. 1.07 dB.
ii
Universitas Kristen Maranatha IMPLEMENTATION OF MODIFIED ECG DYNAMIC MODEL IN
ECG FILTERING USING EXTENDED KALMAN FILTER
Denny Ariadi 0622092
dennyariadi.indonesia@gmail.com
ABSTRACT
Noisy cardiac signals extraction is one of the main concern in the field of biomedical signals processing. There are various noises on a ECG signal, such as EMG (electromyogram) that overlap with the cardiac signal components especially at frequency range 0.01 Hz - 100 Hz . Meanwhile, numerous researchs in ECG synthetic modeling had been developed by concerning the PQRST morphology and RR waves timing.
Numoreous attempts to overcome the ECG noisy signal had been done. In this final project Extended Kalman Fileter (EKF) by implementing the modified ECG dynamic model, is used in denoising process of ECG signal with Gaussian white noise. The performance of EKF is compared to FIR by calculating the SNR Improvement especially in ST-segment.
It is concluded that the apropriate modified dynamic ECG model can be obtained at parameters λ = 0.04 and ϒ=1. In general, the EKF performance is more superior to FIR by comparing the SNR Improvement from 2.78dB to 6.01 dB and from -12.08 dB to 1.07 dB respectively.
Keywords: Electrocardiogram, Modified Dynamic ECG Model, Extended Kalman
v
PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR
ABSTRAK ... i
BAB I PENDAHULUAN TEORI ... 10
I.1 Latar Belakang ... 10
I.2 Perumusan Masalah ... 11
I.3 Tujuan ... 11
I.4 Pembatasan Masalah ... 11
I.5 Sistematika Penulisan ... 12
BAB II LANDASAN TEORI ... 13
II.1 Morfologi Electrocardiogram[3] ... 13
II.2 Model Dynamic ECG ... 14
II.3 Modifikasi Model Dynamic ECG[7]... 16
II.4 Linearisasi Model Non Linear Dynamic ECG[7] ... 18
II.5 Persamaan Observasi[7] ... 20
II.6 Kalman Filter[8] ... 20
II.6.1 Extended Kalman Filter ... 20
II.7 Masalah Stabilitas dan Konvergensi[7] ... 23
II.8 Signal to Noise Ratio Improvement[1] ... 25
BAB III PERANCANGAN SISTEM ... 27
III.1 Diagram Blok ... 27
vi
Universitas Kristen Maranatha
III.3 Urutan Kerja ... 30
III.3.1 Data ... 30
III.3.2 White Noise ... 30
III.3.3 Phase Observation ... 31
III.3.4 Extended Kalman Filter ... 32
III.4 Pengaturan Parameter λ dan � ... 33
BAB IV DATA PENGAMATAN DAN ANALISIS ... 36
IV.1 Hasil SNR Improvement ... 36
BAB V SIMPULAN DAN SARAN ... 39
V.1 Simpulan... 39
V.2 Saran ... 39
vii
Universitas Kristen Maranatha
DAFTAR GAMBAR
Gambar II.1 Morphology PQRST Complex rata-rata dari Rekaman ECG Orang
Normal[5] ... 14
Gambar II.2 Model Dynamic ECG 3D yang dihasilkan dari persamaan (II.1a) s.d (II.1c)[3] ... 16
Gambar II.3 Model Dynamic ECG Synthetic yang dihasilkan oleh persamaan II.1c [3] ... 16
Gambar II.4 Siklus Algoritma Extended Kalman Filter ... 23
Gambar II.5 Perbandingan antara input dan output untuk mencari SNR ... 25
Gambar II.6 Diagram Blok SNR Improvement ... 26
Gambar III.1 Diagram Blok Sistem ... 27
Gambar III.2 Diagram Alir Utama ... 28
Gambar III.3 Diagram Alir Subrutin pada Proses Pemfilteran ... 29
Gambar III.4 Salah satu contoh database dari PhysioNet ... 30
Gambar III.5 Database yang diberi White Noise ... 31
Gambar III.6 Salah satu contoh subjek Mean ECG Extraction dan varians yang didapat dari phase observation... 32
Gambar III.7 Hasil tampilan dengan parameter λ = 0.01 dan = 1 ... 34
Gambar III.8 Hasil tampilan dengan parameter λ = 0.04 dan = 1 ... 34
Gambar III.9 Hasil tampilan dengan parameter λ = 0.1 dan = 1 ... 35
Gambar IV.1 Perbandingan SNR Improvement EKF terhadap FIR dalam bentuk chart ... 37
viii
Universitas Kristen Maranatha
DAFTAR TABEL
Tabel II.1 Nilai Parameter dari Model ECG ... 15
Tabel III.1 Nilai SNR Improvement dengan variasi dan λ dalam decibel (dB) . ... 33
ix
Universitas Kristen Maranatha
DAFTAR LAMPIRAN
10
Universitas Kristen Maranatha
BAB I
PENDAHULUAN
I.1 Latar Belakang
Ekstraksi sinyal kardiologis murni dari pengukuran yang terpapar derau (noisy measurement) merupakan salah satu perhatian utama dalam bidang pengolahan sinyal biomedika. Meskipun ada banyak literatur yang membahas bidang ini, namun masih banyak permasalahan yang belum terselesaikan dan membutuhkan penerapan dari pengembangan metode pengolahan sinyal[6]. Salah
satu contoh aplikasi adalah ekstraksi sinyal ECG (Electrocardiogram) murni pada janin yang diperoleh dari peletakan elektroda di perut ibu hamil. Terdapat beragam gangguan pada sinyal ECG, salah satunya seperti EMG (Electromyogram) yang tumpang tindih (overlap) dengan komponen sinyal cardiac dalam domain frekuensi secara khusus pada rentang 0.01 Hz – 100 Hz[7]. Hal ini mengakibatkan Band Pass
Filter tidak memadai untuk menghilangkan gangguan tersebut.
Beberapa filter yang sudah diterapkan antara lain Ensemble Averaging (EA) dan Wiener Filter (WF). Ensemble Averaging (EA) ialah pendekatan untuk ekstraksi bagian komponen dari noise yang terdapat pada ECG. EA memerlukan nilai rata-rata dari beats, sedangkan bentuk halus dari ECG yang memiliki arti penting dari variasi inter-beat pada siklus cardiac akan hilang pada saat proses rata – rata. Sebagai perbaikan dari metode EA, arsitektur klasik dari Adaptive Filter digunakan untuk noise cancellation dari ECG yang mengandung baseline wander, interferensi powerline, noise EMG dan motion artifact. Untuk sinyal stationary,
Wiener Filter (WF) merupakan teknik pemfilteran linier yang optimal pada Minimum Mean Square Error (MMSE), baik digunakan pada causal sense pada
domain waktu, maupun digunakan sebagai non causal sense WF pada domain frekuensi. WF tidak memberikan hasil yang baik untuk ECG yang terkena noise pada non stationary alami dari sinyal cardiac.
Sementara itu, banyak pengembangan penelitian dalam bidang pemodelan ECG sintetis yang menyerupai ECG sebenarnya. Pemodelan ECG harus memperhatikan morphology sinyal PQRST serta pewaktuan gelombang RR. Model yang dikembangkan McSharry[3] telah menjawab kedua syarat tersebut. Dengan
BAB I
11
Universitas Kristen Maranatha mempertimbangkan kesederhanaan dan fleksibilitas dari model tersebut, maka diyakini model tersebut dapat digunakan dalam proses analisis sinyal ECG, baik normal maupun abnormal. Model ini dapat digunakan pada dynamic adaptive filter, seperti Kalman Filter untuk aplikasi pemfilteran sinyal ECG. Namun kelemahan model tersebut ketika diterapkan pada Kalman Filter adalah sifat ketidaklinearan.
Untuk mengatasi ketidaklinearan tersebut, maka digunakan Extended
Kalman Filter (EKF). Pada Tugas Akhir ini model ECG yang digunakan ialah
modifikasi dari model McSharry untuk menyederhanakan dimensi dan parameter dari model ECG.
I.2 Perumusan Masalah
Perumusan masalah pada Tugas Akhir ini yaitu :
1. Bagaimana penerapan modifikasi Model Dynamic ECG?
2. Bagaimana penerapan Extended Kalman Filter untuk menghilangkan noise pada sinyal ECG?
I.3 Tujuan
Tujuan Tugas Akhir ini adalah :
1. Menganalisis modifikasi Model Dynamic ECG
2. Menganalisis penerapan Extended Kalman Filter dalam meredam noise pada segment S-T dari sinyal ECG
3. Membuat Algoritma dan Rekonstruksi paper yang digunakan sebagai acuan
I.4 Pembatasan Masalah
Pada Tugas Akhir ini terdapat beberapa batasan masalah, diantaranya : 1. Database sinyal ECG diperoleh dari PhysioNet[4]
2. Database sinyal berupa Normal Sinus Rhythm
12
Universitas Kristen Maranatha 4. Perhitungan secara off-line
5. Program dibuat menggunakan software Matlab 6. Noise yang disimulasikan adalah white noise
7. Fokus analisis hanya segmen ST dari sinyal ECG
I.5 Sistematika Penulisan
Sistematika penulisan laporan Tugas Akhir ini terbagi menjadi 5 bab, yaitu: Bab I menjelaskan pendahuluan dari Tugas Akhir, diantaranya, Perumusan Masalah, Tujuan, Pembatasan Masalah dan Sistematika Penulisan.
Bab II menjelaskan dasar teori yang digunakan, yaitu, Morfologi
Electrocardiogram, Model Dynamic ECG, Modifikasi Model Dynamic ECG,
Linearisasi Model Non Linear Dynamic ECG, Persamaan Observasi, Kalman Filter, Masalah Stabilitas dan Konvergensi dan Signal to Noise Ratio Improvement. Bab III menjelaskan tentang perancangan sistem, diagram blok, diagram alir serta langkah untuk melakukan proses denoising.
Bab IV menguraikan hasil simulasi dan analisis perbandingan metode Extended
Kalman Filter dan Finite Impulse Response.
39
Universitas Kristen Maranatha
BAB V
SIMPULAN DAN SARAN
V.1 Simpulan
Pada Tugas Akhir ini terdapat beberapa simpulan dari percobaan yang dilakukan, diantaranya :
1. Proses ECG denoising menunjukkan hasil yang baik pada nilai λ = 0.04 dan ϒ =1. Karena bagian yang dianalisis hanya segmen ST dari gelombang ECG
2. EKF lebih unggul dari FIR dalam denoising terbukti dengan rata-rata SNR
Improvement yang dihasilkan
V.2 Saran
Untuk pengembangan dari metode yang digunakan, disarankan setting parameter ϒ dan λ untuk nilai SNR Improvement yang lebih variatif.
BAB V SIMPULAN
IMPLEMENTASI MODEL DINAMIK
ELECTROCARDIOGRAM TERMODIFIKASI PADA METODE
EXTENDED KALMAN FILTER UNTUK PEMFILTERAN
SINYAL ELECTROCARDIOGRAM
IMPLEMENTATION OF MODIFIED ECG DYNAMIC MODEL
IN ECG FILTERING USING EXTENDED KALMAN FILTER
LAPORAN TUGAS AKHIR
Diajukan untuk memenuhi persyaratan Sarjana Strata Satu (S-1) Program Studi Teknik Elektro
Fakultas Teknik
Universitas Kristen Maranatha
Disusun Oleh: DENNY ARIADI
0622092
Pembimbing I:
MEILAN JIMMY HASUGIAN, ST., MT.
PROGRAM STUDI TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS KRISTEN MARANATHA
BANDUNG
iii
Universitas Kristen Maranatha
KATA PENGANTAR
Segala puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa atas segala Rahmat dan Karunia-Nya sehingga penulis mampu menyelesaikan Tugas Akhir yang berjudul “Implementasi Model Dinamik Electrocardiogram Termodifikasi pada Metode Extended Kalman Filter untuk Pemfilteran Sinyal
Electrocardiogram” dengan baik. Tugas Akhir ini disusun untuk memenuhi
persyaratan Program Sarjana Strata Satu (S-1) Teknik Elektro, Fakultas Teknik Universitas Kristen Maranatha Bandung.
Dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada semua pihak yang telah memberikan bantuan, semangat dan dukungan serta doa dalam menyelesaikan Tugas Akhir ini. Tanpa semua itu, penulis yakin Tugas Akhir ini belum tentu dapat diselesaikan dengan baik. Dengan segala kerendahan hati, penulis ingin mengucapkan rasa terima kasih yang sebesar-besarnya kepada : 1. Tuhan Yang Maha Esa, yang secara tidak langsung mengajarkan kepada penulis
berupa komitmen, konsistensi, manajemen waktu dan manajemen emosi. 2. Kedua orang tua dan keluarga di rumah, yang selalu mendoakan keberhasilan
penulis.
3. Bapak Meilan Jimmy Hasugian, ST., MT, selaku dosen pembimbing Tugas Akhir yang telah memberikan masukan, ide, saran dan pelajaran bagi penulis. 4. Bapak Dr. Roy Pramono Adhie, ST., MT, selaku dosen wali sekaligus penguji
yang memberikan masukan, kritik dan saran bagi penulis.
5. Ibu Dr. Ratnadewi, ST., MT dan Ibu Dr. Erwani Merry Sartika, ST., MT, selaku penguji Tugas Akhir penulis yang memberikan masukan, kritik dan saran. 6. Ibu Novie Theresia Pasaribu, ST., MT, selaku Ketua Program Studi Teknik
Elektro Universitas Kristen Maranatha.
7. Ibu Ir. Yohana Susanthi MSc., selaku Koordinator Tugas Akhir Program Studi Teknik Elektro Universitas Kristen Maranatha.
8. Seluruh Dosen Teknik Elektro Maranatha yang telah berbagi ilmu dan pengalaman bagi penulis.
iv
Universitas Kristen Maranatha 10.Teman teman seperjuangan Tugas Akhir, Bang Nesdi, Bagas, Yonathan, Eriko,
Deni, Juvri, Anton, Grandi, yang saling berbagi keluh kesah dan kisah dalam proses pengerjaan Tugas Akhir.
11.Teddy Setiadi, S.T dan Danli yang selalu direpotkan penulis.
12.Teman-teman Angkatan 2006 yang selalu memberikan motivasi dan informasi.
Penulis menyadari sepenuhnya bahwa Tugas Akhir ini masih jauh dari sempurna yang disebabkan karena keterbatasan yang penulis miliki. Untuk itu saran dan kritik yang bersifat membangun dari pembaca sangat penulis harapkan demi perbaikan di masa yang akan datang.
Dengan segala kerendahan hati, penulis berharap semoga Tugas Akhir ini dapat bermanfaat bagi semua pihak yang membutuhkan dan penulis khususnya, serta bagi dunia pendidikan pada umumnya.
Bandung, Januari 2017
40
Universitas Kristen Maranatha
DAFTAR PUSTAKA
[1] Laguna, P., R. Jane, O. Meste, P.W. Poon, P. Caminal, H. Rix, N.V. Thakor. 1992. Adaptive Filter for Event-Related Bioelectric Signals Using an Impulse Correlated Reference Input: Comparison with Signal Averaging Techniques.
IEEE Transaction on Biomedical Engineering 39 (10). October
[2] Maybeck, P.S. 1979. Stochastic Models, Estimation and Control
[3] McSharry,P. E., G. D. Clifford, L. Tarrasenko, L. A. Smith. 2003. A Dynamical Model for Generating Synthetic Electrocardiogram Signals. IEEE Transactions
on Biomedical Engineering 50(3). March
[4] PhysioNet The Research Resources for Complex Physiologic Signals. 2016. PhysioBank ATM. https://www.physionet.org/cgi-bin/atm/ATM
[5] Podrid, P., R Malhatra, R Kakkar, P.A. 2013. Noseworthy. A Master’s Approach to the Art and Practice of Clinical ECG Interpretation Volume 1 The Basics. Minneapolis, Minnesota.
[6] Sameni, R., M.B. Shamsollahi, C. Jutten. 2005. Filtering Electrocardiogram
Signal Using the Extended Kalman Filter. Paper presented at Engineering in
Medicine and Biology 27th Annual Conference. Shanghai, China. September 1-4
[7] Sameni, R., M.B Shamsollahi, C. Jutten, G. D. Clifford. 2007. A Nonlinear Bayesian Filtering Framework for ECG Denoising. IEEE Transactions on
Biomedical Engineering 54 (12). December