Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Elektrocardiograph (ECG) adalah alat pengukur sinyal jantung yang digunakan untuk mendiagnosa fungsi jantung. Pada rumah sakit atau unit pelayanan kesehatan seperti puskesmas, klinik, pos kesehatan atau juga pada rumah penderita, jumlah alat tersebut belum banyak terdapat karena harganya yang masih relatif mahal. Untuk membantu mengatasi masalah tersebut ada keinginan untuk merancang dan membuat alat ECG yang portable dengan tujuan mudah dibawa dan murah harganya. Alat ini direncanakan berfungsi untuk mengukur sinyal jantung, dan kemudian data yang didapat dari alat tersebut dapat dikirimkan di tempat lain menggunakan komputer. Perancangan yang dilakukan terdiri dari perancangan sistem, perancangan perangkat keras, dan perancangan perangkat lunak. Penggunaan mikrokontroller AT89C51 sebagai bagian pengendali berfungsi untuk mengontrol ECG portable yang mampu mcngambil sinyal jantung dengan ketelitian 8 bit dan dengan menggunakan EEPROM 28C64 mampu menyimpan data scbanvak 8 Kbyte. Data yang didapat yaitu sinyal jantung diambil oleh elektroda dan dikuatkan oleh penguat instrumentasi dan difilter oleh band pass filter, karena masih berupa analog maka perlu dikonversi untuk meniadi sinyal digital oleh analog digital converter (ADC) dan sinyal tersebut dapat disimpan ke memori atau langsung ditampilkan pada komputer melalui port serial. Analisa sinyal atau grafik tersebut dilakukan pada komputer oleh dokter ahli jantung. Sistem ECG portable yang dirancang diharapkan dapat direalisasikan sesuai dengan sistem ECG yang terdapat di rumah sakit.

Abstrak :
Dalam penelitian ini, telah dibangun sebuah sistem akuisisi data elektrokardiograf (EKG) 12-lead berbasis Raspberry Pi 4 yang berbobot rendah, berdaya rendah dan terjangkau. Raspberry Pi 4 digunakan untuk mengakuisisi dan memproses sinyal elektrokardiograf (EKG) dengan performa tinggi, karena memiliki kombinasi antara fleksibilitas dan versality. Sebagai pusat dari sistem akuisisi data yang dibangun, Raspberry Pi menerima, memproses, dan menyimpan data dari Analog Front-End to Digital Converter (ADC) ADS1298RECGFE-PDK. ADS1298 memiliki beberapa kelebihan diantaranya adalah akuisisi data secara simultan, resolusi 24-bit, membutuhkan daya <0.2 mW dan noise<1μV. Komunikasi data yang digunakan dalam sistem yang dibangun adalah Serial Peripheral Interface (SPI). Sistem ini menggunakan sumber daya dari baterai Sony VTC5 18650 untuk mencegah interferensi power line. Untuk bagian pemrosesan sinyal, penulis mengimplementasikan filter low pass Butterworth dengan orde 5 dan Fast Fourier Transform (FFT) pada program Python. Bahasa pemrograman yang digunakan adalah C yang digunakan untuk komunikasi antara Raspberry Pi dengan ADS1298RECGFE-PDK dan Python yang digunakan pemrosesan sinyal. Sistem ini telah dievaluasi menggunakan ProSim 4 yang menghasilkan bentuk gelombang ECG dengan ECG rate 120 BPM, 150 BPM, dan Aritmia, serta pengambilan data partisipan. Dicari juga selisih sinyal yang diperoleh dengan CardioCare 2000 dan hubungannya menggunakan regresi linier pada 120 BPM. Didapatkan nilai error selisih, gradien, dan intercept terbesar adalah 23.615%, 0.062%, dan 9.030%. Sistem ini akan digunakan dalam studi lain untuk mendeteksi Aritmia dengan metode klasifikasi Convolutional Neural Network (CNN). Hasil dari klasifikasi menunjukkan accuracy 100%, specificity 100%, dan sensitivity 100%.

---

In this study, a low weight, low cost, and affordable Raspberry Pi 4 based 12-lead electrocardiograph (ECG) data acquisition system has been built. Raspberry Pi is used to acquire and process electrocardiograph (ECG) signals in high performance, because it has a combination of flexibility and versality. As the center of the data acquisition system built, Raspberry Pi acquires, processes, and stores data from the ADS1298RECGFE-PDK Analog Front-End to Digital Converter (ADC). ADS1298 has several advantages including simultaneous data acquisition, 24-bit resolution, requires power <0.2 mW and noise <1μV. Data communication used in the system built is the Serial Peripheral Interface (SPI). The system uses the power source of the Sony VTC5 18650 battery to prevent power line interference. For the signal processing section, the authors implement the Butterworth low pass filter in order 5 and Fast Fourier Transform (FFT) in the Python program. The programming language used is C which is used for communication between Raspberry Pi with ADS1298RECGFE-PDK and Python which is used for signal processing. This system has been evaluated using ProSim 4 which produces ECG waveforms with ECG rates of 120 BPM, 150 BPM, and Arrhythmia, as well as participant data collection. This system is also looking for the difference in the signal obtained by CardioCare 2000 and its linear relationship using linear regression.The biggest difference, gradient, and intercept error values are 23.615%, 0.062%, and 9.030%. This system will be used in other studies to predict arrhythmias using the Convolutional Neural Network (CNN) classification method. The results of the classification show 100% accuracy, 100% specificity, 100% sensitivity.

Abstrak :
In the modern era, our lifestyles are very fast-moving; this makes us highly susceptible to diseases, especially those associated with heart problems. In this research, we developed a portable early detection system for cardiac disorders. This system consists of passive electrodes, named SHIELD-EKG-EMG-PA; a shield which allows Arduino-like boards to capture electrocardiography (ECG) and electromyography (EMG) signals, named SHIELD-EKG-EMG, both devices produced by Olimex; a microcontroller, based on Arduino Uno; and an expert system which is implemented by a personal computer. This system detects time intervals of various segments in ECG signals which are captured by the devices; it then analyzes the signals in order to determine whether the patient has cardiac disorders. We call our detecting system the HEALTHCOR system. A database was established, containing various possible values of parameters in ECG signals. The types of diseases that can be detected are heart rhythm disorders including sinus bradycardia, sinus tachycardia, sinus arrhythmia, and cardiac symptoms associated with intervals and the wave height, such as myocardial infarction. From our tests, the accuracy of our system is 96%. The resultant diagnoses of four patients are all appropriate, and used a commercial 12-lead electrocardiograph.