Deteksi Myocardial Infarction Menggunakan Fitur Statistik Segmen-ST Elektrokardiogram dan Analisis Diskriminan
Abstrak
Pada makalah ini dipaparkan deteksi myocardial infarction menggunakan fitur rata-rata statistik, yaitu rata-rata, median, dan simpangan baku. Klasifikasi yang digunakan adalah metode analisis diskriminan yang diimplementasikan menggunakan perangkat lunak MATLAB. Sinyal EKG yang didapatkan dari perangkat tersebut kemudian diproses, lalu dilakukan esktaksi fitur. Hasil dari proses ekstraksi tersebut dinormalisasi agar semua data pasien memiliki standar yang sama dalam besaran gelombang amplitudo. Setelah dilakukan normalisasi, data digunakan sebagai masukan analisis diskriminan. Makalah ini mencoba menggunakan fitur rata-rata, median, dan simpangan baku. Eksperimen ini menggunakan lima belas lead, yang terdiri atas dua belas lead konvensional dan tiga lead posterior. Penambahan tiga lead tersebut memberikan keuntungan dalam menentukan hasil kinerja. Akurasi terbaik yang didapatkan adalah 97,73%, yaitu dengan fitur rata-rata. Eksperimen ini mencoba membandingkan fitur rata-rata dan simpangan baku; rata-rata dan median; simpangan baku dan median; serta rata-rata, median, dan simpangan baku. Dari eksperimen gabungan tersebut didapatkan akurasi yang terbaik adalah 98,84%, yaitu pada fitur simpangan baku dan median.
Referensi
S. Boateng dan T. Sanborn, “Acute Myocardial Infarction,” Dis Mon, Vol. 59, No. 3, hal. 83-96, 2013.
E.M. Antman, D.T. Anbe, P.W. Armstrong, E.R. Bates, L.A. Green, M. Hand, dkk., “ACC/AHA Guidelines for the Management of Patient with ST Elevation Myocardial Infarction,” Circulation, Vol. 110, No. 5, hal. 588-636, 2004.
(2011) Kementerian Kesehatan Republik Indonesia website, [Online], http://www.depkes.go.id, tanggal akses 19-Nov-2020.
C. Smeltzer, B.G. Bare, Brunner, dan Suddarth, Textbook of Medical Surgical Nursing, 11th ed., Philadelphia, USA: Wolters Kluwer, 2010.
D.D. Ignativicius dan M.L. Workman, Medical Surgical Nursing: Critical Thinking for Collaborative Care, 4th ed., St. Louis, USA: Elsevier Saunders, 2006.
A. Heru, “Desain Alat Deteksi Dini dan Mandiri Aritmia,” J. Teknol. Manaj. Informatika, Vol. 6, No. 3, hal. 494-502, 2008.
R.K. Tripathy, A. Bhattacharyya, dan R.B. Pachori, “Localization of Myocardial Infarction from Multi-Lead ECG Signals Using Multiscale Analysis and Convolutional Neural Network,” IEEE Trans. Biomed. Eng., Vol. 19, No. 23, hal. 11437-11448, 2019.
W.J. Brady, V. Hwang, R. Sullivan, N. Chang, C. Beagle, C.T. Carter, M.L. Martin, dan T.P. Aufderheide, “A Comparison of 12- and 15-Lead ECGs in ED Chest Pain Patients: Impact on Diagnosis, Therapy, and Disposition,” Am. J. Emerg. Med., Vol. 18, No. 3, hal. 239-243, 2000.
H. Munirwan dan R. Pebriana, “Evolusi EKG pada STEMI dengan Gelombang Q Patologis: Haruskah Menunda Terapi?,” J. Ked. N. Med., Vol. 3, No. 1, hal. 21-29, 2020.
A. Ranjbar, B. Sohrabi, S.R.S. Ebrahimi, S. Ghaffari, B. Kazemi, N. Aslanabadi, B. Seyvani, dan R. Hajizadeh, “The Association between T Wave Inversion in Leads with ST-Elevation and Patency of the Infarct-related Artery,” BMC Cardiovascular Disorders, Vol. 21, No. 1, hal. 1-6, 2021.
L. Sun dan Y. Lu, “ECG Analysis Using Multiple Instance Learning for Myocardial Infarction Detection,” IEEE Trans. Biomed. Eng., Vol. 59, No. 12, hal. 3348-3356, 2012.
N. Liu, L. Wang, Q. Chang, Y. Xing, dan X. Zhou, “A Simple and Effective Method for Detecting Myocardial Infarction Based on Deep Convolutional Neural Network,” J. Med. Imaging Health Inf., Vol. 8, No. 7, hal. 1508-1512, 2018.
X. Lun, Z. Yu, T. Chen, F. Wang, dan Y. Hou, “A Simplified CNN Classification Method for MI-EEG via the Electrode Pairs Signals,” Front. Hum. Neurosci., Vol. 14, hal. 1–14, 2020.
R. Bousseljot, D. Kreiseler, dan A. Schnabel, “Nutzung der EKG-Signaldatenbank CARDIODAT der PTB über das Internet,” Biomedizinische Technik, Vol. 40, No. s1, hal. 317-318, 1998.
D.H. Lee, J.W. Park, J. Choi, A. Rabbi, dan R.F. Rezai, “Automatic Detection of Electrocardiogram ST Segment: application in Ischemic Disease Diagnosis,” Int. J. Adv. Comput. Sci. Appl., Vol. 4, no. 2, hal. 150-155, 2014.
B. Sartono, F.M. Affendi, U.D. Syafitri, I..M. Sumertajaya, dan Y. Anggraeni, Analisis Peubah Ganda, Bogor, Indonesia: IPB Press, 2003.
R.L. Tatham, J.F. Hair, R.E. Anderson, dan W.C. Black, Multivariate Data Analysis, Hoboken, USA: Prentice Hall, 1998.
W. Zhu, N. Zeng, dan N. Wang, “Sensitivity, Specificity, Accuracy, Associated Confidence Interval and ROC Analysis with Practical SAS Implementation,” NESUG Proceeding: Health Care and Life Sciences, 2010, hal. 1-9.
© Jurnal Nasional Teknik Elektro dan Teknologi Informasi, di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.
2.png)
