Hasil Pencarian  ::  Simpan CSV :: Kembali

"Telah dibuat sistem pemantauan aktivitas jantung dan fisik manusia dengan menggunakan elektrokardiograf tiga lead dan sebuah sensor akselerometer 3-sumbu MMA7260Q yang diaplikasikan sebagai sistem perhitungan konsumsi energi dan pemantau kecepatan gerak. Dengan menggunakan sensor elektrode penulis merekam biopotensial yang dihasilkan oleh otot-otot jantung kemudian mengakuisisi data ini dengan menggunakan rangkaian elektrokardiograf dimana didalamnya terdapat penguat bertahap sebesar 4 kali, 101 kali, dan 5 kali. Untuk menghilangkan noise dirancang pula filter 0,5-100 Hz. Pada keluaran sinyal dari akselerometer dilakukan filter high-pass 0,5 Hz, sehingga elektrokardiograf mampu membaca aktivitas jantung kemudian data analog aktivitas jantung didigitasi menggunakan ADC mikrokontroler 128l, demikian juga data percepatan tubuh manusia mengalami proses digitasi menggunakan ADC mikrokontroler. Kedua data ini disimpan ke dalam sebuah kartu memori. Data aktivitas jantung dan percepatan tubuh manusia kemudian diolah secara digital menggunakan program LabVIEW8.5. Penganalisaan data elektrokardiograf dilakukan dengan tujuan mendapatkan pola perbandingan tetap antara luasan, amplitudo, dan periode sinyal P Q R S dan T. Sedangkan pengolahan data percepatan langkah tubuh digunakan untuk menghitung konsumsi energi dan kecepatan gerak tubuh manusia. Perubahan pola sinyal elektrokardiograf dibandingkan dengan perhitungan konsumsi energi dan kecepatan aktivitas tubuh manusia. Sehingga didapatkan sebuah hubungan antara sinyal P Q R S dan T dengan konsumsi energi dan kecepatan aktivitas tubuh manusia.

---

Monitoring system of heart activity and human physical have made using electrocardiograph three leads and an accelerometer censor 3-axis MMA7260Q which is applied as calculation system of energy consumption and monitoring moving acceleration. Using electrode censor, the writer recorded biopotential which resulted from heart muscle and then process data using electrocardiograph series which have stronger in stage 4x, 101x, and 5x. To reduce the noise, filter 0,5-100 Hz was designed. In output signal from accelerometer, filter high-pass 0,5 Hz installed that electrocardiograph be able reading heart activity and then the data analog of heart activity digitized using ADC microcontroller 128l, and so did the data acceleration of human body. Both of these data saved in a memory card. The data of heart activity and human body acceleration processed digitally using LabVIEW8.5 program. Analyzing electrocardiograph data was done in goal to find a ratio for area, amplitude, and signal period of P Q R S and T. Processing data of body step acceleration used for counting energy consumption and moving velocity of human body. Alteration of electrocardiograph signal was compared with result of calculation from energy consumption and velocity of human activity. So, writer got a correlation in P Q R S and T signal with energy consumption and velocity of human activity."

"Penelitian ini membuat software Wireless Heart Rate Monitor untuk memantau keadaan jantung manusia. Sistem ini dapat mendeteksi aktivitas jantung dan menampilkannya dalam bentuk grafik aktivitas denyut jantung (elektrokardiogram) dan detak jantung dalam satuan detak per menit (BPM). Software juga dapat mendeteksi adanya disritmia pada jantung manusia dan menampilkannya dalam bentuk notifikasi ("Tachycardia", "Bradycardia", dan "Normal"). Penelitian dilakukan dengan menggunakan bahasa pemrograman Java. Modul XBee wireless 802.15.4 digunakan untuk berkomunikasi dengan mikrokontroler yang terhubung dengan sebuah sensor. Keseluruhan tampilan software telah diuji pada mahasiswa fakultas kedokteran. Rata-rata nilai kualitatif yang didapat dari responden yaitu 4.08 dari skala 5 (paling baik). Software ini membutuhkan waktu 49.9 ms untuk melakukan penerimaan dan pengolahan data hingga siap ditampilkan. Keseluruhan fitur software telah diuji dan siap digunakan ketika dihubungkan dengan perangkat lain untuk melengkapi sistem Wireless Heart Rate Monitor.

---

This research creates Wireless Heart Rate Monitor software to monitor human heart condition. This system can detect the activity of heart and display it in heart contraction activity graph (electrocardiogram) and heartbeat in minute unit (BPM). Software also can detect dysrhythmia in human‟s heart and show it with notification ("Tachycardia", "Bradycardia", and "Normal").

This research was conducted with Java language programming. The XBee wireless module 802.15.4 is used to communicate with microcontroller attached with a sensor. The interface of this software already tested with the students from Faculty of Medicine. The average qualitative value from respondents is 4.08 scales of 5 (best). This software needs 49.9 ms to read and process until the data is ready to display. The features of this software has been tested and ready to use when connected with another device to complete the Wireless Heart Rate Monitor system."

"High mortality in Indonesia, caused by acute coronary syndrome, has reached 26 %. In 10 years, National housing health survey or Survei Kesehatan Rumah Tangga Nasional ( SKRTN), under health departement of Republic of Indonesia, stated mortality which is caused by acute coronary syndrome has increased enourmously. It can be avoided by doing early acute coronary syndrome detection like ECG recording. Anyway, some those patients rarely do ECG recording because of expenses and time. By using Blutooth feature on PDA (Personal Digital Assistant) or a Bluetooth dongle on computer, a Telecardiology can be done anywhere and anytime so that coronary syndrome can be detected earlier by medics. Telecardiology research used a microcontroler, a computer and a PDA to record ECG signals. ECG recording is taken in real-time then stored in computer or PDA data base. To detec QRS waves in ECG signals, PanTompkins were used."

"Dalam penelitian ini telah dirancang dan dibangun sebuah sistem akuisisi data elektrokardiograf (EKG) 3-lead menggunakan ADS1293 sebagai analog front end dan ESP32 sebagai mikrokontrolernya. ADS1293 mengambil data EKG secara simultan menggunakan 2 channel EKG dan mengirimkannya ke ESP32 menggunakan komunikasi Serial Peripheral Interface (SPI). 3-lead EKG ini diaplikasikan dengan menggunakan 4 elektroda: RA (Right Arm), LA (Left Arm), LL (Left Leg), dan RL (Right Leg). Sinyal EKG dihasilkan dari ProSim 4 Vital Sign Patient Simulator (Fluke, USA) dengan konfigurasi sinyal 40 BPM, 60 BPM, dan 120 BPM. Bahasa pemograman yang digunakan untuk komunikasi SPI antara ADS1293 dan ESP32 adalah bahasa C++ dan untuk pemrosesan sinyal EKG menggunakan software LabVIEW. Hasil rekamannya dilakukan proses denoising signal menggunakan Low Pass Filter (LPF) dengan respon Butterworth orde 6 pada frekuensi cutoff 20 Hz. Sistem rancangan yang dibuat dilakukan validasi data dengan alat komersial EKG yaitu CardioCare 2000. Validasi dilakuakn dengan cara membandingkan data sinyal EKG dari rancangan sistem dengan alat komersial CardioCare 2000 melalui regresi linear serta membandingkan nilai Heart Rate Variability (HRV) dari kedua alat. Hasil perbandingan dari regresi linear diperoleh dengan eror gradien dan intercept masing-masing paling besar adalah 3.25% dan 19.16%. Hasil penelitian ini dilakukan penghitungan HRV yang terdiri dari RR interval, Heart Rate, SDNN, stdHR, RMSSD untuk lead I dan lead II pada semua konfigurasi sinyal EKG. Hasil perhitungan diperoleh dengan nilai konfigurasi BPM paling tinggi selisihnya yaitu lead II 120 BPM masing-masing nilainya adalah 0.496 s, 120.943 BPM, 3.33 x 10-4 s, 0.0812 BPM, dan 3.14 x 10-4 s. Selanjutnya, dilakukan penghitungan beberapa parameter sinyal EKG yang tujuannya untuk menganalisa kelainan jantung yaitu lain interval RR, Heart Rate, Amplitudo P, Amplitudo R, Amplitudo T, interval PR, interval PT, interval QS, interval QR, dan interval RS. Pada kondisi normal adult 60 BPM diperoleh nilai untuk masing-masing parameter tersebut adalah 0.996 s, 60.23 BPM, 0.11 mV, 0.77 mV, 0.26 mV. 0.16 s, 0.40 s, 1.19 s, 0.66 s, 0.53 s. Hasil tes EKG Vital Sign Patient parameter ini dilakukan pada partisipan dari aktivitas duduk diam, kemudian berjalan, dan berlari. Pada partisipan diperoleh nilai Heart Rate yang berbeda-beda untuk semua aktivitas yang dilakukan yaitu masing-masing bernilai 78 BPM, 84 BPM, dan 89 BPM.

---

In this research, a 3-lead electrocardiograph (ECG) data acquisition system has been designed and built using ADS1293 as the analog front end and ESP32 as the microcontroller. ADS1293 retrieves ECG data simultaneously using 2 EKG channels and sends it to ESP32 using Serial Peripheral Interface (SPI) communication. This 3-lead ECG is applied using 4 electrodes: RA (Right Arm), LA (Left Arm), LL (Left Leg), and RL (Right Leg). ECG signal generated from ProSim 4 Vital Sign Patient Simulator (Fluke, USA) with 40 BPM, 60 BPM and 120 BPM signal configurations. The programming language used for SPI communication between ADS1293 and ESP32 is C++ and for ECG signal processing uses LabVIEW software. The results of the recording were carried out by denoising the signal using a Low Pass Filter (LPF) with a 6th order Butterworth response at a cutoff frequency of 20 Hz. The designed system was validated using a commercial ECG tool, namely CardioCare 2000. Validation was carried out by comparing the ECG signal data from the system design with the commercial CardioCare 2000 tool through linear regression and comparing the Heart Rate Variability (HRV) values ​​of the two tools. The results of the comparison of the linear regression obtained with the largest error gradient and intercept are 3.25% and 19.16%, respectively. The results of this study were calculated HRV consisting of RR interval, Heart Rate, SDNN, stdHR, RMSSD for lead I and lead II in all ECG signal configurations. The calculation results obtained with the BPM configuration value with the highest difference, namely lead II 120 BPM, each appearance is 0.496 s, 120.943 BPM, 3.33 x 10-4 s, 0.0812 BPM, and 3.14 x 10-4 s. Next, a number of ECG signal parameters are calculated with the aim of analyzing cardiac abnormalities, namely other RR intervals, Heart Rate, P Amplitude, R Amplitude, T Amplitude, PR interval, PT interval, QS interval, QR interval, and RS interval. In normal adult conditions 60 BPM, the values ​​for each of these parameters are 0.996 s, 60.23 BPM, 0.11 mV, 0.77 mV, 0.26 mV. 0.16 seconds, 0.40 seconds, 1.19 seconds, 0.66 seconds, 0.53 seconds. The results of the EKG Vital Sign test for this patient's parameters were carried out on the participants from the activity of sitting still, then walking, and running. The participants obtained different Heart Rate values ​​for each activity carried out, namely each worth 78 BPM, 84 BPM, and 89 BPM"

"ABSTRAKLatar Belakang: Salah satu modalitas yang dapat memprediksi aritmia ventrikel pasca-infark miokardium (MI), terutama MI anterior, adalah signal-averaged electrocardiogram (SA-ECG), melalui deteksi late potentials (LP) yang merupakan substrat aritmia ventrikel. Faktor-faktor ekstrakardiak yang sekaligus menjadi faktor risiko MI, misalnya hipertensi, diabetes, dislipidemia, dan obesitas, dipikirkan berhubungan dengan kejadian aritmia ventrikel pasca-MI melalui berbagai patomekanisme, yang kemungkinan berkaitan erat dengan timbulnya LP.Tujuan: Penelitian ini bertujuan untuk mengetahui pengaruh faktor-faktor ekstrakardiak terhadap timbulnya LP saat awal perawatan pada pasien MI anterior yang dirawat di intensive cardiac care unit (ICCU).Metode: Desain studi ini adalah potong lintang dengan pemeriksaan SA-ECG sewaktu terhadap 80 subjek penelitian yang mengalami MI anterior di ICCU selama periode Desember 2018-2019. Riwayat medis dan faktor risiko ekstrakardiak direkapitulasi, sedangkan data SA-ECG diambil dari pemeriksaan langsung maupun data SA-ECG pasien MI anterior ICCU dalam periode tersebut. Studi ini menggunakan analisis multivariat dengan uji regresi logistik.Hasil: Faktor yang paling umum ditemukan adalah hipertensi (70,00%), diikuti dislipidemia (56,25%), diabetes (46,25%), dan obesitas (38,75%). Obesitas dan dislipidemia merupakan faktor ekstrakardiak yang berperan paling besar terhadap prevalensi LP. Namun, dari analisis tambahan, kami menemukan bahwa diabetes dengan hiperglikemia akut juga memiliki pengaruh terhadap terjadinya LP. Besar OR untuk diabetes dengan hiperglikemia akut, obesitas, dan dislipidemia masing-masing adalah sebesar 4,806 (IK95% 0,522-44,232), 4,291 (IK95% 0,469-39,299), dan 3,237 (IK95% 0,560-18,707). Hubungan tersebut tidak bermakna secara statistik.Kesimpulan: Pasien MI anterior yang menderita diabetes dengan hiperglikemia akut, obesitas, dan dislipidemia cenderung memiliki prevalensi LP yang lebih tinggi, namun secara statistik hubungan tersebut tidak bermakna. Untuk meningkatkan nilai prognostik SA-ECG, diperlukan pemeriksaan serial selama perawatan.

---

ABSTRACTIntroduction: One modality that can predict ventricular arrhythmias after myocardial infarction (MI), particularly anterior MI, is signal-averaged electrocardiogram (SA-ECG), through the detection of late potentials (LP) which is a substrate for ventricular arrhythmias. Extracardiac factors, which are also risk factors for MI, such as hypertension, diabetes, dyslipidemia, and obesity, are apparently associated with post-MI ventricular arrhythmias, which in turn may be correlated with LP.Aim: This study aims to determine the effect of extracardiac risk factors on LP incidence in anterior MI patients treated in the intensive cardiac care unit (ICCU).Methods: This was a cross-sectional study in which 80 subjects with anterior MI during December 2018-2019 underwent SA-ECG examination. The medical history and extracardiac risk factors were recapitulated, then the SA-ECG data was taken from either direct examination or ICCU patients database in that period. This study used multivariate analysis with logistic regression test.Results: The most common factors found were hypertension (70.00%), followed by dyslipidemia (56.25%), diabetes (46.25%), and obesity (38.75%). Obesity and dyslipidemia are extracardiac factors with biggest role in the prevalence of LP. However, from subgroup analysis, we found that diabetes with acute hyperglycemia also had immense influence on the occurrence of LP. The OR for diabetes with acute hyperglycemia, obesity, and dyslipidemia were 4.806 (IK95% 0.522-44.232), 4.291 (IK95% 0.469-39.299), and 3.237 (IK95% 0.560-18.707). However, the association is not statistically significant.Conclusion: Patients with anterior MI who suffer from diabetes with hyperglycemia in admission, obesity, and dyslipidemia potentially have a higher LP prevalence, despite statistically insignificance. To increase the prognostic value of SA-ECG, serial examinations are needed during hospitalization."

"Pada skripsi ini, akan dibahas alat detektor denyut nadi pada jari menggunakan optokopler. Dimana denyut nadi merupakan refleksi dari detak jantung manusia. Sehingga secara tidak langsimg alat detektor denyut nadi ini akan menggambarkan sinyal detak jantung manusia. Alat detektor denyut nadi pada jari menggunakan optokopler ini merupakan altematif dari electrocardiograph. Hal ini disebabkan karena harga untuk pembuatan alat ini jauh lebih murah, penggunaannya relatif mudah, meskipun memiliki banyak keterbatasan. Pembahasan skripsi ini mengenai rangkaian alat detektor denyut nadi pada jari menggunakan optokopler, program Matlab untuk mengolah sinyal, dan menganalisa hasil sinyal yang telah diolah. Dimana program yang dipakai untuk mengolah sinyal adalah Matlab 6.5."

"Latar Belakang : Telah banyak dipublikasikan berbagai macam algoritme untukmenentukan lokasi jaras tambahan pada pasien dengan sindroma Wolff-ParkinsonWhite.Algoritme-algoritme tersebut memiliki akurasi yang baik meskipunmemiliki alur yang komplek dan sulit untuk diingat. Berbagai macam algoritmeyang berkembang menggunakan morfologi delta wave dan polaritas komplek QRSdalam penyusunannya. Dengan adanya teknologi kateter ablasi yang ada saat inialgoritme yang komplek tidak diperlukan lagi. Diperlukan suatu algoritme yangsederhana, memiliki akurasi yang baik dan mudah diingat. Penelitian ini bertujuan untuk menilai akurasi algoritme sederhana untuk memprediksi lokasi jarastambahan. Metode : Penelitian ini merupakan studi potong lintang yang dilakukan diDepartemen Kardiologi dan Kedokteran Vaskuler FKUI/ Pusat Jantung NasionalHarapan Kita PJNHK. Data yang diambil berupa elektrokardiografi EKG pada67 pasien dengan sindroma Wolff-Parkinson-White yang menjalani tindakan ablasiperiode Januari 2014 - Oktober 2016. Data EKG yang terkumpul dibacaberdasarkan algoritme baru oleh dua orang penilai independen kemudiandibandingkan dengan hasil ablasi pada tabel 2x2. Hasil Penelitian : sampel akhir sebanyak 47 data hasil bacaan EKG observerterpercaya dihitung berdasarkan tabel 2x2 dengan hasil ablasi. Hasil menunjukkanalgoritme ini memiliki sensitivitas left free wall 45, septal 80, right free wall92, spesifisitas left free wall 96, septal 69, right free wall 85. Nilai dugapositif NDP left free wall 90, septal 55, dan right free wall 67. Nilai duganegatif NDN left free wall 70, septal 88, dan right free wall 97. Akurasialgoritme bervariasi dari 73 -87. Didapatkan perhitungan kesepahaman antarpenilai dengan nilai kappa 0,74-0,93. Perhitungan likelihood ratio menunjukkanlikelihood ratio positif left free wall 11,23, septal 2,23, dan right free wall 6,57.Likelihood ratio negatif left free wall 0,57, septa 0,28, dan right free wall 0,09. Kesimpulan : Algoritme baru yang lebih sederhana ini memiliki akurasi yang baikdengan angka kesepahaman antar penilai yang baik sehingga dapat digunakansecara umum.

---

Background : A lot of algorithms in localizing accessory pathway AP in patientswith Wolff Parkinson White Syndrome have been published. Although many ofthose methods have high accuracy, they are complicated and difficult to memorize.Most of the established algorithm use delta wave morphology and QRS polarity todetermine the location. With the technology of catheter ablation nowadays suchcomplex algorithms are not really needed. This study aim to investigate theaccuracy of a simple algorithm to predict the location of accessory pathways.

Methods : This was a cross sectional study conducted in the NationalCardiovascular Center Harapan Kita RSJPDHK Department Cardiology andVascular Medicine, FMUI. The electrocardiography ECG findings of 67 patientswith Wolff Parkinson White syndrome underwent ablations from January 2014until October 2016 were used in the current study. Those ECGs were analyzed usingthe new algorithm and were evaluated by two independent observers and comparedwith ablation results in a 2x2 table.

Results : The final number of samples was 47 ECGs. The algorithm showed it hada sensitivity of 45 on left free wall, 80 on septal, 92 on right free wall APs inaddition to the specificity of 96 on left free wall, 69 on septal, 85 on right freewall APs. Positive predictive value PPV were 90 on left free wall, 55 on septaland 67 on right free wall APs. Negative predictive value NPV were 70 on leftfree wall, 88 on septal and 97 on right free wall APs. Algorithm accuracy variedfrom 73 to 87. Inter observer agreement calculation was a kappa of 0.74 mdash 0.93.Likelihood ratio calculation identified the positive likelihood ratio of 11.23 on leftfree wall, 2.23 on septal and 6.57 on right free wall APs and negative likelihoodratio of 0.57 on left free wall, 0.28 on septal and 0.09 on right free wall APs.

Conclusion : This new and simple algorithm provide a remarkable accuracy with agood inter observer agreements. Therefore this algorithm is potential to beimplemented in general practice."

"Terkait klasifikasi detak elektrokardiogram (EKG), telah dikembangkan banyak algoritma, baik yang terkait dengan biomedik, maupun biometrik. Karena sifat non-stasioner dari sinyal EKG, agak sulit untuk menggunakan metode tradisional yang dioptimasi secara manual, misalnya ekstraksi fitur dan klasifikasi yang berbasis waktu. Hal ini membuka peluang untuk implementasi mesin cerdas. Penelitian ini menyajikan metode baru, yaitu Residual Depthwise Separable Convolutional Neural Network (RDS-CNN) untuk klasifikasi detak elektrokardiogram, baik yang terkait dengan biomedik, maupun biometrik. Dengan menggunakan metode ini, hanya diperlukan dua tahap proses saja, yaitu deteksi detak dan klasifikasi. Pemrosesan awal dilakukan bersamaan dengan deteksi detak, sedangkan ekstraksi fitur dilakukan sekaligus dengan klasifikasi. Selain itu, untuk meminimalkan beban komputasi dan tetap menjaga kualitas klasifikasi, beberapa teknik telah diterapkan, antara lain Residual Network, All Convolutional Network (ACN), Depthwise Separable Convolution (DSC), dan Batch Normalization (BN). Kinerja RDS-CNN ini telah dievaluasi menggunakan database aritmia Massachusetts Institute of Technology - Beth Israel Hospital (MIT-BIH) dan database ECG-ID. Untuk implementasi biomedik, dalam fase pelatihan model Depthwise Separable CNN ini, digunakan sekitar 22% dari 110.057 detak yang diekstraksi dari 48 file dalam database MIT-BIH. Dengan hanya menggunakan 22% data latih ini, algoritma yang kami usulkan dapat mengklasifikasi 78% detak lainnya menjadi 16 kelas. Adapun, sensitifitas, spesifisitas, prediksi positif dan akurasi masing-masing adalah 99,03%, 99,94%, 99,03%, dan 99,88%. Hasil klasifikasi biomedik ini menunjukkan bahwa metode yang disajikan ini mengungguli metode terdepan lainnya. Sedangkan untuk implementasi biometrik, model RDS-CNN telah terbukti dapat digunakan untuk otentifikasi identitas EKG (ID) 90 orang sehat dan 48 pasien dengan akurasi hingga 100%, melalui klasifikasi 8 detak otentifikasi untuk ID 90 orang sehat, dan 6 detak otentifikasi untuk ID 48 pasien. Hasil otentifikasi biometrik ini juga mengungguli metode terdepan lainnya yang menggunakan database yang sama.

---

Regarding the classification of electrocardiogram (ECG) beats, many algorithms have been developed, both related to biomedical, and biometrics. Due to the non-stationary nature of ECG signals, it is complicated to use traditional methods that are manually optimized, for example, time-based feature extraction and classification. This computation problem opens up opportunities for machine learning implementation.

This research proposes a new method, namely Residual Depthwise Separable Convolutional Neural Network (RDS-CNN) for the classification of ECG beats, both related to biomedical, and biometrics. By using this method, only two stages of the process are needed, namely beat detection and classification. Preprocessing is done simultaneously within beat detection, while feature extraction is done simultaneously within the classification stage. Also, to minimize computational cost and to maintain classification quality, several techniques have been applied, including Residual Networks, All Convolutional Networks (ACN), Depthwise Separable Convolution (DSC), and Batch Normalization (BN). The performance of the RDS-CNN has been evaluated using the Massachusetts Institute of Technology - Beth Israel Hospital (MIT-BIH) arrhythmia database and the ECG-ID database.

For biomedical implementation, 110,057 beats were extracted from 48 files in the MIT-BIH database. And approximately 22% of them used for latih the Depthwise Separable CNN model. With only 22% of this latih data, our algorithm can classify 78% of the rest ECG beats into 16 classes. Meanwhile, sensitivity, specificity, positive prediction, and accuracy are 99.03%, 99.94%, 99.03%, and 99.88%, respectively. The results of this biomedical classification show that this proposed method outperforms the other state-of-the-art methods.

As for the biometric implementation, the RDS-CNN model has been proven to be able to authenticate ECG ID of 90 healthy people and 48 patients with up to 100% accuracy, through the classification of eight authentication beats for ID 90 healthy people, and six authentication beats for ID 48 patient. The results of this biometric authentication also outperform other state-of-the-art methods that use the same database."