TUGAS UTS S.EMBEDDED KELAS B M.IQBAL FEBRYANSAH ALDHY WIRAWAN GEMA RIDHO W.

1. TELKOMNIKA 24 April 2018
Ringkasan Artikel FPGA Based Arrhythmia Detection
Gema Ridho Wicaksono
Universitas Ahmad Dahlan
Jl. Prof. Dr. Soepomo, S.H.,Janturan, Warungboto,Yogyakarta 55164
e-mail: gema1500022062@webmail.uad.ac.id
Abstract
Makalah ini mengusulkan sistem Analisis EKG berbasis Programmable Gate Array
(FPGA) yang sederhana dan andal. Elektrokardiogram (ECG) adalah sinyal biomedis yang
penting, yang menunjukkan aktivitas listrik jantung. Bentuk gelombang ECG memberikan
informasi berharga untuk mendeteksi penyakit jantung yang tidak normal. Untuk analisis yang
akurat, sinyal ECG harus diproses untuk menghilangkan sinyal noise. pemrosesan sinyal ECG
mencakup Tahap preprocessing untuk menghilangkan noise dari sinyal ECG mentah dan tahap
ekstraksi sebagai fitur mengekstraksi informasi diagnostik dari sinyal ECG.Sistem ini memiliki
Keakuratan 94,76% dari metode yang diusulkan dengan menggunakan subset dari catatan data
dari database MIT-BIH. Sistem ini diimplementasikan menggunakan Verilog HDL dan Xilinx
Spartan 3E FPGA.
Keywords: FPGA, ECG, MIT-BIH.
1. Introduction
Elektrokardiogram (ECG) adalah salah satu alat penting yang digunakan oleh ahli jantung
untuk menganalisis bentuk gelombang EKG dalam diagnosis berbagai penyakit dan memantau
kondisi yang terkait dengan jantung. Karakteristik sinyal ECG bervariasi karena berbagai jenis
suara seperti Saluran Listrik Interferensi, baseline drifts, Motion Artifacts, EMG, suara
Instrumentasi dll. Sejumlah metode telah diterapkan untuk peningkatan sinyal ECG diantaranya
penggunaan Neural Networks, PCA, Filter banks, ICA, Adaptive Filtering, transformasi wavelet,
dll. Dalam makalah ini, kami menggunakan teknik terbaru yang disebut Empirical Mode
Decomposition (EMD) yang merupakan metode analisis frekuensi waktu yang cocok untuk sinyal
non linear dan non stasioner seperti ECG.
Metode EMD yang merupakan teknik non-linear baru telah dikembangkan oleh N.E
Huang et al. Prinsip dasar EMD adalah untuk menguraikan sinyal menjadi sejumlah terbatas IMF.
IMF yang diekstraksi memenuhi persyaratan berikut: (a) Perbedaan maksimum antara jumlah
ekstrema dan jumlah penyeberangan nol harus satu di seluruh kumpulan data. (b) Pada titik
tertentu, nilai rata-rata amplop yang ditentukan oleh maksimum lokal dan minimum lokal adalah
nol.
Kompleks QRS adalah salah satu fitur yang paling berbeda dalam bentuk gelombang
ECG. Amplitudo, lebar dan morfologinya memainkan peran yang sangat penting dalam diagnosis
berbagai penyakit jantung. Komponen frekuensi kompleks QRS dari bentuk gelombang ECG
adalah 10 hingga 25 Hz. Oleh karena itu low pass filter diperlukan untuk menekan noise dan
atenuasi gelombang P dan T.
2. Research Method
Dalam Teknik EMD, Peningkatan sinyal EKG dilakukan dengan mengekspresikan sinyal
ECG yang berisik sebagai jumlah dari serangkaian IMF. Komponen-komponen yang berisik
kebanyakan ditemukan di IMF awal di antara set terbatas IMF yang dihasilkan. Penting untuk
menentukan apakah kebisingan ada di IMF tertentu atau tidak. Karena frekuensi sinyal ECG
berkisar dari 0,05 hingga 100 Hz ,spektrum bising IMF akan relatif datar dibandingkan dengan
sinyal IMF yang terkonsentrasi pada rentang frekuensi yang pendek. Berbagai langkah yang
harus diikuti dijelaskan di bawah ini :
1. Sinyal ECG diambil dari basis data aritmia MIT-BIH .Pertimbangkan x(t) sebagai sinyal asli dan
n(t) sebagai sinyal yang berisik. Sinyal ECG yang berisik s(t) diperoleh sebagai s(t)=x(t)+ n(t).
2. Sekarang algoritma EMD diterapkan pada sinyal ECG yang berisik untuk mengurai sinyal
menjadi set terbatas IMF.
3. Jumlah IMF yang bising, n, dapat diperoleh dengan menghitung ukuran Spectral Flatness (SF)
untuk setiap IMF. Dan bandingkan dengan nilai ambang T.

2. TELKOMNIKA 24 April 2018
4. Menggunakan band pass Butterworth filter order 10 dengan pass band 40-60Hz, IMF pertama
disaring karena bagian penting dari kandungan frekuensi tinggi ECG berada dalam kisaran ini.
5. Sinyal EKG asli diperoleh dengan menambahkan IMF yang telah difilter dan sinyal IMF yang
tersisa.Rekonstruksi dari sinyal x(t) diberikan oleh persamaan berikut :
𝑥̂(𝑡) = ∑ ℎ̃ 𝑘(𝑡)
𝑛
𝑘=1
+ ∑ ℎ 𝑘(𝑡) + 𝑟𝑁
𝑁
𝑘=𝑛+1
(𝑡)
Pendeteksian puncak menggunakan Metode Operasi Perbedaan, Metode ini merupakan
salah satu metode sederhana dan cepat dalam mendeteksi kompleks QRS. Prinsip dasar dari
metode ini adalah untuk menemukan puncak R dengan menerapkan operasi perbedaan ke sinyal
ECG. melibatkan mencari sinyal perbedaan atau turunan.
Metodologi Ambang memberikan nilai Ambang awal sebagai 30% dari nilai maksimum
semua sampel. Kemudian sampel input dibandingkan dengan nilai ambang batas. Semua data
sampel di bawah nilai ambang. Kemudian kami mencari tiga sampel berturut-turut di puncak
dapat dideteksi. Nilai sampel yang digunakan sebagai nilai dari nol jika sebelumnya dan nilai-nilai
berikutnya harus bernilai dari sampel yang sama yaitu sampel sebelumnya dan sampel
sebelumnya yang lebih kecil dari sampel n. Maka nilai sebagai nilai puncak. Jadi puncaknya
dideteksi berdasarkan Metoda Ambang. Setelah mendengar puncak R, hitung interval R-R dan
Heart Rate untuk mendeteksi Aritmia. Untuk mendeteksi Aritmia, pertama-tama kita perlu
mengetahui denyut Jantung Aritmia yang berbeda. Aritmia yang terdeteksi adalah Fibrilasi Atrium,
Sinus Takikardia, Takikardia Ventrikuler, dan Irama Sinus Normal.
3. Results and Analysis
Metode yang diusulkan dievaluasi dengan menggunakan database BI-BIH Normal Sinus
Rhythm (nsrdb), database Supra Ventricular Arrhythmia (svdb), database Atrial Fibrillation (afdb)
dan database Arrhythmia (mitdb). Efektivitas metode yang diusulkan dalam mendeteksi penyakit
dengan akurasi keseluruhan 94,76% ditunjukkan pada Tabel di bawah ini.
4. Conclusion
Metode yang efisien untuk deteksi aritmia telah dikembangkan berdasarkan denyut
jantung. Metode berbasis EMD untuk denoising sinyal ECG diusulkan di mana deteksi Otomatis
bising IMF dilakukan dengan menggunakan pengukuran kerataan Spectral. Setelah Peningkatan,
pendeteksian Puncak R, fitur yang paling relevan dari bentuk gelombang ECG dilakukan
menggunakan metodologi Threshold. Setelah puncak R terdeteksi, interval RR dihitung untuk
memperkirakan detak jantung untuk deteksi aritmia. Desain ini diimplementasikan pada papan
FPGA Xilinx Spartan 3E menggunakan bahasa Verilog dan Alat ini diimplementasikan (Xilinx ISE)
hanya menggunakan 38% dari sumber daya yang tersedia dalam perangkat FPGA berukuran
kecil (Xilinx Spartan XC3S500) dan mampu menghitung denyut jantung sinyal dan mendeteksi
aritmia (melalui LED) . Kinerja metode yang diusulkan dievaluasi menggunakan catatan data
aritmia yang berbeda dari database MIT-BIH. Algoritma ini dapat dimodifikasi lebih lanjut untuk
menghitung semua parameter ECG secara otomatis pada output. Dengan demikian, itu dapat
digunakan untuk pemrosesan sinyal ECG waktu nyata di masa depan(1)(2).
References
1. Kumari LVR, Sai YP, Balaji N, Viswada K. FPGA Based Arrhythmia Detection. Procedia
Comput Sci [Internet]. 2015;57:970–9. Available from:
http://dx.doi.org/10.1016/j.procs.2015.07.495
2. Eosina P, Djatna T, Helda Khusun. A Cellular Automata Modeling for Visualizing and
Predicting Spreading Patterns of Dengue Fever. Telkomnika Indones J Electr Eng.
2013;xx(x):228–37.
Cardiac
diseases
No of data sets
used for testing
No of data sets
correctly classified
No of data sets
mis-classified
Accuracy (%)
NSR 20 02 0 100
AF 25 23 2 92
SVT 26 24 2 92.3
Overall accuracy 94.76