109
Segmentasi Suara Jantung S1 dan S2
Menggunakan Kurva Amplop
Putri Madona*, Achmad Arifin, Tri Arief Sardjono, Rimuljo Hendradi
Jurusan Teknik Elektro ITS, Surabaya 60111 * email: putri.madona09@mhs.ee.its.ac.id
Abstrak – Proses segmentasi suara jantung adalah
tahapan yang penting dalam analisa suara jantung. Mengetahui lokasi dan interval dari suara jantung S1 dan S2 serta komponen-komponennya yang didapatkan melalui proses segmentasi dapat menjadi informasi tentang kondisi kerja jantung. Salah satu metode segmentasi yang bisa digunakan adalah wavelet transform dan kurva amplop. Dalam penelitian ini digunakan Discrete Wavelet Transform (DWT), serta 2 algoritma kurva amplop yaitu Moving Average Filter dan Normalized Average Shannon Energy untuk segmentasi 28 data suara jantung yang terdiri dari normal dan 3 murmur. Perhitungan pada kedua algoritma kurva amplop tersebut menghasilkan kurva amplop yang bergeser dari sinyal aslinya. Semakin lebar window yang digunakan semakin besar pergeseran yang terjadi. Dari hasil segmentasi menunjukkan bahwa periode sistolik mempunyi durasi yang lebih pendek dan lebih konstan dibandingkan periode diastolik. Dan interval suara jantung S1 murmur sistolik lebih panjang dibandingkan suara jantung normal sementara interval suara jantung S2 murmur diastolik lebih panjang dibandingkan suara jantung normal. Algoritma segmentasi yang digunakan telah menunjukkan kemampuan dalam segmentasi suara jantung S1, S2 dan komponen-komponennya dengan tingkat keberhasilan 71.43%. Sebagai langkah selanjutnya perlu dilakukan ekstraksi ciri pada suara jantung S1 dan S2 hasil segmentasi untuk mengetahui kandungan frekuensi dari masing-masing suara jantung tersebut.
Kata Kunci: discrete wavelet tansform, normalisasi average Shannon energy, moving average filter, segmentasi.
1. PENDAHULUAN
Penyakit jantung masih menjadi penyebab utama kematian di seluruh dunia. Penyakit jantung valvular adalah salah satu penyakit jantung yang disebabkan oleh ketidaknormalan fungsi katup-katup jantung. Pergerakan katup-katup jantung dan vibrasi yang
ditimbulkan oleh aktifitas otot jantung menimbulkan bunyi yang disebut dengan suara jantung. Suara jantung secara umum dibedakan atas 4 bagian, dua bagian utamanya adalah suara jantung pertama yang disebut dengan S1 dan suara jantung kedua yang disebut dengan S2, kemudian suara jantung S3 dan S4.
Namun, banyak penelitian hanya terbatas pada suara S1 dan S2 saja karena suara S3 dan S4 memiliki amplitudo yang sangat lemah dengan komponen frekuensi rendah dan sulit untuk ditangkap menggunakan metode auskultasi tradisional yang biasa digunakan.
Suara jantung sangat kompleks dan bersifat non stasioner. Setiap suara jantung yang muncul dihasilkan dari fisiological event yang berbeda-beda. Maka untuk bisa menganalisa suara jantung dibutuhkan proses segmentasi. Proses segmentasi dilakukan untuk mendapatkan parameter-parameter temporal yaitu suara jantung S1, periode sistolik, suara jantung S2 dan periode diastolik. Beberapa penelitian yang berhubungan dengan segmentasi sinyal suara jantung sudah banyak dilakukan. Liang Huiying melakukan algoritma segmentasi berbasis envelogram suara jantung [2]. Liang melakukan downsampling pada sinyal asli dari frekuensi sampling 11025 Hz menjadi 2205 Hz menggunakan Low Pass Filter (LPF) Chebysev orde-8 dengan frekuensi cutoff 882 Hz. Pada penelitian berikutnya, Liang Huiying menggunakan algoritma dekomposisi wavelet dan rekonstruksi shannon energy untuk melakukan segmentasi sinyal suara jantung pathological murmur dan physical murmur dengan total 1165 siklus jantung dari 77 rekaman [2]. Dari kedua penelitian Liang tersebut disimpulkan bahwa persentase keberhasilan penelitian yang kedua lebih besar, yakni 97%, dibandingkan penelitian sebelumnya, yakni 93%.
Mustafa Yamacli menggunakan metode multiband
wavelet energy (WTE) dan membandingkannya
dengan metode multiband wavelet shannon energy (WSE) yang dilakukan Liang H dan metode
homomorphic filtering (HMF) yang dilakukan Gupta
[3]. Dari hasil penelitian ini didapatkan tingkat keberhasilan segmentasi menggunakan metode WTE lebih baik untuk S1 maupun S2 dibandingkan metode WSE maupun HMF.
110
Dari penelitian-penelitian tersebut, penggunaan
wavelet transform dan kurva amplop mampu
melakukan segmentasi suara jantung dengan baik. Oleh karena itu pada penelitian ini diujikan metode segmentasi menggunakan Discrete Wavelet Transform 3-level dengan Daubechies-4 dan kurva amplop yang diaplikasikan pada suara jantung normal, atrial seftal
defect, mitral stenosis dan patent ductus arteriosus.
2. METODE
Data suara jantung didapat dari literatur [4]. Literatur ini berupa buku petunjuk dan sebuah kaset audio yang memuat database mengenai suara jantung normal dan patologis. Data ini nantinya akan diubah menjadi file WAVE (*.wav) dan akan displit atas 2 bagian yakni normal dan murmur.
Data suara jantung dari literatur [4] yang akan disegmentasi berjumlah 28 data rekaman dengan 16 bit/sample, frekuensi sampling 11025 Hz, yang terdiri dari 6 buah data suara jantung normal, 9 buah data suara jantung Atrial seftal defect (ASD), 5 buah data suara jantung Mitral stenosis (MS) dan 8 buah data suara jantung Patent ductus arteriosus (PDA). Sinyal dari suara jantung normal dan 3 murmur dari literatur [4] yang akan diujikan diperlihatkan pada Gambar 1.
Prosedur segmentasi yang diusulkan dibagi menjadi 3 tahapan, yakni melakukan pre-processing, menghitung envelogram dan mengidentifikasi suara jantung S1 dan S2.
2.1. Pre-processing
Pada awalnya, sinyal suara jantung asli akan dinormalisasi, kemudian difilter dan didownsampling menggunakan transformasi wavelet yaitu Discrete
Wavelet Transform (DWT) untuk menghilangkan background noise. DWT melewatkan sinyal input
pada filter dengan frekuensi cutoff yang berbeda-beda. Pada setiap level, jumlah sampel akan menjadi setengah dari inputnya. Menurut [4] sinyal suara
jantung berada pada rentang frekuensi 20 Hz – 500 Hz dan beberapa di atas 1000 Hz . Oleh karena itu, sinyal suara jantung asli akan didownsampling hingga level-3. Dimana range frekuensi sinyal yang akan diolah berada pada range 0-1250 Hz. Dengan demikian diharapkan tidak ada informasi sinyal suara jantung, baik normal maupun murmur, yang hilang. Proses DWT ditunjukkan pada Gambar 2.
2.2. Envelogram
Perhitungan kurva amplop dilakukan dengan menggunakan 2 algoritma yakni Normalized
Average Shannon Energy dan Moving Average Filter.
2.3.1. Shannon Energy
Normalized average Shannon Energy atau yang
disebut dengan kurva amplop Shannon adalah teknik ekstraksi amplop yang popular untuk sinyal suara jantung [1][2][5]. Setelah melalui
pre-processing, maka Average Shannon Energy dihitung
dengan persamaan berikut :
(1)
dimana, adalah sinyal hasil normalisasi dan N adalah jumah sampel per-frame (lebar window). Kemudian menghitung normalisasi Average Shannon Energy dengan persamaan (2).
(a) (b)
Gambar 1. Sinyal suara jantung (a) normal, (b) atrial seftal defect, (c) mitral stenosis, (d) patent ductus arteriosus
Gambar 2. Proses filtering dan downsampling menggunakan DWT 3-level
111
(2)dimana adalah nilai mean atau rata-rata dari dan adalah standar deviasinya. 2.3.2.Moving average filter
Moving average filter dihitung dengan persamaan :
(3)
Dimana adalah sinyal input yang sudah disearahkan dan N adalah jumlah sampel per-frame (lebar window).
2.3. Identifikasi S1 dan S2
Setelah perhitungan kurva amplop dilakukan, selanjutnya sinyal tersebut di threshold, sehingga setiap sinyal input yang berada di bawah nilai threshold bernilai 0 dan input yang berada di atas nilai threshold bernilai 1.
Selanjutnya dari beberapa siklus yang ada dalam satu file data suara jantung, hanya diambil satu siklus saja. Pengambilan siklus ini dilakukan secara otomatis. Kemudian dari satu siklus, titik perpotongan terhadap nilai threshold dinamai sebagai M0, L0, M1, L1 dan M2. Selanjutnya interval antara M0 ke M1 dan M1 ke M2 dihitung. Interval yang lebih panjang menunjukkan periode diastolik. Interval data yang muncul sebelum interval yang lebih panjang adalah S2 dan interval data yang muncul sebelum interval yang lebih pendek adalah S1. Flowchart dari keseluruhan proses segmentasi ini ditunjukkan pada Gambar 3.
3. HASIL 3.1. Hasil pre-processing
Proses pre-processing yang dilakukan terhadap sinyal asli dari suara jantung menghasilkan jumlah sampel yang lebih sedikit pada setiap level. Dimana jumlah sampel akan menjadi setengah dari jumlah sampel inputnya.
3.2. Hasil Kurva Amplop
Setelah melalui pre-processing, selanjutnya sinyal disearahkan dan dihitung kurva amplopnya. Perhitungan kurva amplop Shannon Energy dan
Moving Average Filter dilakukan dengan
mengubah-ubah nilai N (lebar window). Hasil dari kurva amplop pada suara jantung normal ditunjukkan pada Gambar 4. Sinyal hasil kurva amplop Shannon energy ditunjukkan pada Gambar 4c,e dan g sementara hasil kurva amplop
moving average filter ditunjukkan pada Gambar 5d, f
dan h. Sinyal berwarna biru adalah sinyal input suara jantung yang sudah disearahkan. Sinyal berwarna hijau
Gambar 3. Flowchart Proses Segmentasi dan Identifikasi Tabel 1. Pengukuran Pergeseran KurvaAmplop
Terhadap Sinyal Asli
N Pergeseran MAF (sec) Pergeseran Shannon Energy(sec) Average ± SD Average ± SD 10 0,0070 ± 0,0065 0,0045 ± 0,0034 20 0,0093 ± 0,0049 0,0080 ± 0,0041 30 0,0120 ± 0,0066 0,0108 ± 0,0061 40 0,0153 ± 0,0093 0,0135 ± 0,0092 50 0,0193 ± 0,0127 0,0168 ± 0,0129 60 0,0215 ± 0,0160 0,0198 ± 0,0163 70 0,0238 ± 0,0194 0,0220 ± 0,0196 80 0,0273 ± 0,0233 0,0255 ± 0,0231 90 0,0310 ± 0,0266 0,0293 ± 0,0263 100 0,0345 ± 0,0301 0,0328 ± 0,0298
112
adalah sinyal hasil perhitungan kurva amplop. Terlihat bahwa terjadi delay atau geseran pada hasil kurva amplop baik Moving Average Filter maupun Shannon
Energy. Tabel 1 menunjukkan pengukuran geseran
kedua metode terhadap sinyal aslinya, sementara Tabel 2 menunjukkan persentase keberhasilan segmentasi metode Shannon Energy dan Moving Average Filter yang diujikan pada 28 data suara jantung.
Salah satu solusi bagi pergeseran yang diakibatkan dari pemilihan lebar window adalah zero phase
distortion, yaitu melakukan filter pada arah yang
berlawanan dari filter yang dilakukan sebelumnya. Penggunaan zero phase distortion berhasil untuk memperkecil geseran yang terjadi. Namun pada beberapa data suara jantung yang diujikan, hasil kurva amplop menggunakan zero phase distortion gagal dalam melakukan segmentasi. Segmentasi menjadi Gambar 4. (a) Suara Jantung Normal , (b) Sinyal hasil penyearahan, (c)SE dengan N=10, (d) MAF dengan
N=10, (e) SE dengan N=50,(f) MAF dengan N=50, (g) SE dengan N=100 dan (h) MAF dengan N=100
Gambar 5. (a) Suara Jantung Normal, (b) sinyal hasil Penyearahan, (c) kurva amplop Shannon, (d) Threshold, (e) Identifikasi S1 dan S2
113
berhasil jika nilai threshold dinaikkan. Namun, nilaithreshold ini akan berbeda-beda antara satu data suara jantung dengan suara jantung lainnya. Sehingga sulit jika hanya menggunakan metode threshold yang sederhana. Oleh karena itu, maka solusi bagi geseran tersebut dilakukan dengan menambahkan setiap nilai data dengan nilai geseran rata-rata. Pada pengukuran didapatkan bahwa pergeseran hasil kurva amplop
Shannon Energy dengan sinyal asli berada pada
minimum 0.028 detik dan maksimum 0.031 detik. Maka didapatkan pergeseran minimumnya adalah 39 sampel dan maksimum 43 sampel. Rata – rata dari pergeseran ini adalah 41 sampel. Nilai ini ditambahkan pada setiap nilai data yang diambil. 3.3. Hasil Identifikasi S1 dan S2
Untuk identifikasi S1 dan S2, algoritma kurva amplop yang digunakan adalah Shannon Energy. Hasil kurva amplop ini akan di threshold untuk mendapatkan satu siklus suara jantung. Threshold yang digunakan adalah 10% dari puncak maksimum. Digunakan threshold dengan nilai yang rendah, agar interval suara jantung S1 dan S2 yang didapatkan dari hasil segmentasi merefleksikan interval yang sebenarnya. Proses ini diperlihatkan pada Gambar 5d. Setelah di threshold, maka sinyal input yang berada di bawah nilai threshold diberi nilai „0‟ dan sinyal input yang berada di atas nilai threshold diberi nilai „1‟, sebagaimana yang ditunjukkan pada Gambar 5e. Titik perpotongan antara sinyal input dengan nilai threshold ditandai sebagai M0, L0, M1, L1 dan M2. Dimana interval mulai dari M0 hingga M2 adalah satu siklus. Maka penentuan interval S1, periode sistolik, S2 dan periode diastolik bisa dilakukan.
Selanjutnya dilakukan identifikasi suara jantung S1 dan S2 dengan menghitung interval antara M0 ke M1 dan M1 ke M2, dimana interval yang lebih panjang adalah periode diastole dan interval yang lebih pendek adalah periode sistole.
Pegujian segmentasi untuk suara jantung atrial
seftal defect ditunjukkan pada Gambar 6, dimana
sinyal input suara jantung atrial seftal defect telah berhasil disegmentasi. Gambar 6c adalah suara jantung S1+murmur yang diidentifikasi sebagai suara S1 dan
Gambar 6d adalah suara jantung S2. Rata-rata interval parameter temporal dari hasil pengujian 6 data suara jantung normal 9 data atrial seftal defect dan 5 data
Mitral Stenosis ditunjukkan secara berturut-turut pada
Tabel 3,4 dan 5.
4. PEMBAHASAN
Hasil filter dan downsampling menggunakan DWT menunjukkan penurunan jumlah sampel. Sinyal input dengan jumlah sampel awal 11000, pada level 1 menjadi hanya 5500 sampel, begitu juga pada level2 dan 3. Jumlah sampel output berkurang setengah dari inputnya, oleh karena itu juga menghasilkan setengah dari resolusi waktunya.
Pada hasil perhitungan kurva amplop Shannon
Energy dan Moving Average Filter pada sinyal hasil
DWT (Gambar 4) , menunjukkan adanya geseran terhadap sinyal asli. Tabel 1 menunjukkan bahwa semakin besar nilai N, yang berkorelasi dengan panjang window, akan memperbesar geseran yang terjadi. Tabel 1 juga menunjukkan bahwa hasil kurva amplop Shannon Energy mempunyai rata-rata pergeseran yang lebih kecil dibandingkan dengan kurva amplop Moving Average Filter pada setiap nilai N. Pada Tabel 2, lebar window minimal yang paling efektif untuk melakukan segmentasi sinyal suara jantung yang diujikan, baik pada Shannon Energy maupun Moving Average Filter adalah N=50. Dari hasil yang ditunjukkan oleh Tabel 1 dan Tabel 2, maka kurva amplop Shannon Energy dipilih sebagai algoritma kurva amplop yang lebih efektif dan akan digunakan pada proses segmentasi dan identifikasi pada data uji.
Kompensasi pergeseran yang muncul pada hasil kurva amplop Shannon Energy, pada awalnya diujikan menggunakan zero phase distortion. Namun berdasarkan pengujian pada seluruh data uji, metode ini membutuhkan nilai threshold yang berbeda-beda untuk mendapatkan hasil segmentasi yang benar, sehingga penentuan nilai threshold sederhana tidak bisa digunakan. Maka pada penelitian ini, pergeseran rata-rata dari hasil kurva amplop terhadap sinyal asli digunakan untuk menggeser kembali kurva amplop ke arah sebaliknya, sehingga geseran menjadi minimal.
114
Nilai pergeseran rata-rata yang digunakan berdasarkan hasil pengujian adalah sebesar 41 sampel sebagaimana telah dijelaskan sebelumnya.
Hasil segmentasi untuk suara jantung normal, atrial
seftal defect dan mitral stenosis telah berhasil
dilakukan. Dari Tabel 3, 4 dan 5, diketahui bahwa periode sistolik lebih pendek daripada periode diastolik namun lebih konstan, ditunjukkan dari hasil standar deviasinya,dimana rata-rata periode sistolik adalah 0.3247 detik dengan standar deviasi 0.0196 dan periode diastolik 0.6015 detik dengan standar deviasi 0.0736. Standar deviasi yang lebih kecil pada periode sistolik dibandingan periode diastolik menunjukkan bahwa periode sistolik lebih konstan dibandingkan periode diastolik.Hasil ini mendukung penelitian sebelumnya oleh [1][2][6].
Interval suara jantung S1 pada atrial seftal defect lebih panjang dibandingkan normal, yakni 0.2491detik sementara normal 0.0628 detik. Hal ini disebabkan adanya murmur pada fase sistolik. Sementara interval S2 mitral stenosis lebih panjang dibandingkan suara jantung normal, yakni 0.5075 detik sementara normal 0.0976 detik. Hal tersebut disebabkan adanya murmur pada fase diastolik. Ini berarti bahwa suara tambahan dari hasil vibrasi pada fungsi abnormalitas katup-katup jantung (murmur) yang muncul baik pada fase sistolik maupun fase diastolik akan memperpanjang interval pada suara jantung S1 atau S2.
Algoritma yang digunakan tidak mampu melakukan segmentasi suara jantung patent ductus
arteriosus (murmur kontiyu). Murmur yang terjadi
disepanjang siklus menyebabkan sangat sulit untuk melakukan segmentasi yang benar. Hal ini juga diungkapkan oleh [1][2]. Dari 28 siklus yang diuji, 8 buah data patent ductus arteriosus tidak berhasil di segmentasi.
5. KESIMPULAN
Pada penggunaan algoritma kurva amplop
Shannon energy dan moving average filter, semakin
lebar window yang digunakan, akan memperbesar geseran yang terjadi pada hasil perhitungan kurva amplop terhadap sinyal aslinya. Penggunaan kurva amplop shannon energy lebih direkomendasikan karena memiliki pergeseran yang lebih kecil dibandingkan moving average filter. Implementasi zero
phase distortion pada data uji sebagai kompensasi
pergesaran yang terjadi, membutuhkan proses penentuan threshold yang adaptive, namun belum dikembangkan pada algoritma segmentasi dalam penelitian ini.
Algoritma segmentasi yang digunakan telah menunjukkan kemampuan dalam memisahkan suara jantung S1 dan S2 serta mengetahui interval dari masing-masing suara jantung tersebut dengan tingkat keberhasilan 71.43%. Sebagai langkah selanjutnya dalam melakukan analisa suara jantung, perlu dilakukan ekstraksi ciri dari masing-masing suara jantung S1 dan S2 yang telah disegmentasi untuk mengetahui kandungan frekuensinya. Sehingga semakin banyak informasi yang bisa didapatkan mengenai suara jantung normal dan murmur, serta untuk bisa membedakan antara satu kelainan jantung dengan kelainan lainnya.
DAFTAR REFERENSI
[1] H.Liang, S.Lukkarinen, I. Hartimo, “Heart Sound Segmentation Algorithm Based on Heart Sound Envelogram”, Computers in Cardiology, vol.24, pp.105-108, 1997. [2] H.Liang, S.Lukkarinen, I. Hartimo, “A Heart
Sound Segmentation algorihm Using Wavelet Decomposition and Reconstruction”, 19th International Conference-IEEE, 1997, Chicago, IL. USA.
[3] Yamacli Mustafa, Dokur. Zumray, Olmez. Tamer, “Segmentation of S1-S2 Sounds in Phonocardiogram Records using Wavelet Energies”, IEEE, 2008.
[4] E.Stein, A.J Delman, “Rapid Interpretation of Heart Sound and Murmurs”, Lea and Febiger, Philadelpia, Pennsylvania, USA, Indonesian Version, 1994.
[5] S.Choi, Z. Jiang, “Comparison of Envelope Extraction Algorithm for Cardiac Sound Signal Segmentation”, Experts Systems with Applications, vol.34 2008.
[6] Fabio De Lima Hedayioglu, “Heart sound Segmentation for Digital Stethoscope Integration”, Thesis, Nov 2009.
---Tabel 3. Parameter Temporal
Suara Jantung Normal
Tabel 4. Parameter Temporal
Atrial Seftal Defect
Tabel 5. Parameter Temporal
