Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Detak jantung manusia dapat memberikan informasi yang berguna tentang aktivitas yang terjadi di dalam tubuh. Salah satu informasi yang dapat diperoleh dari rekaman detak jantung atau elektrokardiogram adalah tingkat keterlelapan tidur seseorang (sleep stages). Dari sinyal elektrokardiogram seseorang, tingkat keterlelapan tidurnya dapat dikenali dengan terlebih dahulu mengekstrak fitur yang merepresentasikan sinyal elektrokardiogram tersebut secara keseluruhan. Ekstraksi dilakukan agar dimensi data dapat tereduksi sehingga proses klasifikasi dapat lebih mudah dilakukan. Penelitian ini melakukan ekstraksi fitur fraktal dan morfologi dari sinyal elektrokardiogram yang diperoleh dari PhysioNet. Sebelum melakukan ekstraksi fitur morfologi dari sinyal elektrokardiogram, terlebih dahulu dilakukan ?Wavelet Denoising? untuk menghilangkan noise yang terdapat pada sinyal.

---

Abstract
Human heart rate can provide useful information about the activities that occur in the body. One of information which may be obtained from recording the heart rate or electrocardiogram is commonly called a person's level of deep sleep (sleep stages). From a person's electrocardiogram signal, the level of deep sleep recognizable by extracting features that represent the electrocardiogram signal as a whole. Extraction is done so that the dimension of the data can be reduced so that the classification process can be more easily done. This study aims to extract fractal features and morphology of the electrocardiogram signal obtained from PhysioNet. Prior to the extraction of morphological features of the electrocardiogram signal, first performed ?Wavelet Denoising? to remove the noise contained in the signal.

Abstrak :
Pengenalan pola beat dalam analisa rekaman elektrokardiogram (EKG) menjadi bagian yang penting dalam deteksi penyakit jantung terutama aritmia. Banyak metode yang dikembangkan terkait dengan pengenalan pola beat, namun sebagian besar masih mengunakan algoritma klasifikasi klasik di mana masih belum mampu mengenali outlier klasifikasi. Fuzzy Learning Vector Quantization (FLVQ) merupakan salah satu algoritma yang mampu untuk mengenali outlier klasifikasi tetapi juga memiliki kelemahan untuk sistem uji yang bukan data berkelompok. Dalam tulisan ini peneliti mengusulkan Fuzzy Wavelet LearningVector Quantization (FWLVQ), yaitu modifikasi FLVQ sehingga mampu mengatasi data crisp maupun data fuzzy dan juga memodifikasi inferensi sistemnya sebagai perpaduan model fuzzy Takagi Sugeno Kang dengan wavelet. Sinyal EKG diperoleh dari database MIT-BIH. Sistem pengenalan pola beat secara keseluruhan terbagi atas dua bagian yaitu data pra proses dan klasifikasi. Hasil percobaan diperoleh bahwa FWLVQ memiliki akurasi sebesar 90.20% untuk data yang tidak mengandung outlier klasifikasi dan 87.19% untuk data yang melibatkan outlier klasifikasi dengan rasio data uji outlier klasifikasi dengan data non-outlier sebesar 1:1.

---

Abstract
The recognition of beat pattern in analysis of recording an electrocardiogram (ECG) becomes an important detection of heart disease, especially arrhythmias. Many methods are developed related to the recognition of beat patterns, but most still use the classical classification algorithms which are still not able to identify outlier classification. Fuzzy Learning Vector Quantization (FLVQ) is one of the algorithms that can identify outlier classification but also has a weakness for test systems that are not grouped data. In this paper we propose a Fuzzy Wavelet Quantization Learning Vector (FWLVQ), which is modified so as to overcome FLVQ crisp data and fuzzy data and also modify the inference system as a combination of Takagi Sugeno Kang fuzzy model with the wavelet. ECG signal obtained from the MIT-BIH database. Beat pattern recognition system as a whole is divided into two parts: data pre-processing and classification. The experimental results obtained that FWLVQ has an accuracy 90.20% for data that does not contain outlier classification and 87.19% for the classification of data involving outlier ratio outlier test data classification with non-outlier data of 1:1.

Abstrak :
Jantung merupakan organ yang sangat vital bagi manusia dan memiliki fungsi utama untuk memompa darah ke seluruh tubuh. Salah satu cara untuk mengetahui bagaimana kondisi jantung adalah dengan mengetahui frekuensi denyut jantung per menit BPM . Pada skripsi ini akan dibahas penelitian untuk membangun alat pengukur denyut jantung dengan merancang bangun elektrokardiografi EKG portabel dengan memanfaatkan elektroda kapasitif. Elektroda ditempelkan pada selembar alas plastik yang ditempatkan di bagian bawah tubuh pasien yang sedang berbaring. Sebelum diproses menggunakan mikrokontroler Arduino UNO, keluaran sinyal dari elektroda diproses menggunakan rangkaian pengolah sinyal yang terdiri dari rangkaian penguat instrumentasi, filter, dan penguat non-inverting. Selanjutnya sinyal hasil pengolahan ditampilkan pada layar LCD dan dikirimkan ke smartphone menggunakan modul bluetooth. Hasil pengujian menunjukkan bahwa sinyal QRS complex dapat terdeteksi dengan jelas. Untuk membandingkan performansi perangkat, pengukuran hasil rancang bangun dibandingkan dengan EKG PM 10 yang biasa digunakan pada pemonitoran. Ditunjukkan bahwa galat rata-rata dengan subjek berbeda adalah 0,49. Sementara itu, untuk dua aktivitas yang berbeda relaksasi dan setelah berlari diperoleh galat rata-rata sebesar 0,175. Di samping itu dilakukan pula pengujian untuk berbagai ketebalan bahan katun dari 0,2 mm hingga 0,8 mm yang dikenakan oleh pasien. Hasil pengujian menunjukkan terjadi galat rata-rata sebesar 1,48, jika dibandingkan dengan standar Association for the Advancement of Medical Instrumentation AAMI, galat rata-rata masih di bawah batas toleransi maksimum, yaitu sebesar 5.

---

A heart is one of the most vital organs in the human body that pumps blood throughout the body. It is very important to monitor the condition of the heart. The condition of a human heart can be diagnosed by measuring the heartbeat frequency beats per minute. In this paper, we propose a design of a portable electrocardiography ECG based on capacitive electrodes for heart rate monitoring. The device consists of electrodes attached to a plastic sheet which is placed on the bed mattress under the patient 39 s back. Before being processed by Arduino UNO microcontroller, the output signal of the electrodes is processed using signal conditioning circuit consisting of the instrumentation amplifier circuit, filter, and non inverting amplifier. The signal processing results obtain from conditioning circuit are displayed on the LCD screen and sent to smartphone using bluetooth module. To test accuracy of proposed design, the measurement result is compared to ECG PM 10 which is commonly used for heart rate monitoring. The test results show that the QRS complex signal can be detected clearly. It shows that the average error with a different subject is 0.49. Meanwhile, for two different activities relaxation and after running an average error of 0.175 is obtained. The effect of the patient 39 s cloth thickness is also investigated by measuring heartbeat frequency using several cotton thickness from 0.2 mm up to 0.8 mm. On measurements with varied cotton thickness, it is shown that the proposed design has an average error of 1.48 compared to a commercial ECG, which is still under the Association for the Advancement of Medical Instrumentation AAMI maximum standard error 5.

Abstrak :
The book shows how the various paradigms of computational intelligence, employed either singly or in combination, can produce an effective structure for obtaining often vital information from ECG signals. The text is self-contained, addressing concepts, methodology, algorithms, and case studies and applications, providing the reader with the necessary background augmented with step-by-step explanation of the more advanced concepts. It is structured in three parts, part I covers the fundamental ideas of computational intelligence together with the relevant principles of data acquisition, morphology and use in diagnosis, part II deals with techniques and models of computational intelligence that are suitable for signal processing, and part III details ECG system-diagnostic interpretation and knowledge acquisition architectures. Illustrative material includes, brief numerical experiments. detailed schemes, exercises and more advanced problems.