Klasifikasi Beat Aritmia pada Sinyal EKG Menggunakan Fuzzy Wavelet Learning Vector Quantization

Pendahuluan

Elektrokardiogram (EKG) adalah alat utama dalam diagnosa gangguan irama jantung (aritmia). Setiap detak jantung memiliki pola gelombang yang unik, sehingga identifikasi secara visual oleh dokter dapat menjadi proses yang memakan waktu dan rentan terhadap kesalahan. Dengan kemajuan kecerdasan buatan, otomatisasi klasifikasi beat menjadi sebuah kebutuhan klinis yang penting.

Makalah ini membahas penerapan Fuzzy Wavelet Learning Vector Quantization (FuzzyWLVQ) untuk mengklasifikasikan beat aritmia pada sinyal EKG. Metode ini menggabungkan analisis wavelet yang sensitif terhadap fitur frekuensiwaktu dengan logika fuzzy yang mampu mengatasi ketidakpastian data, serta algoritma LVQ yang secara iteratif menyesuaikan prototipe kelas.

Latar Belakang

1. Aritmia dan Pentingnya Klasifikasi Beat

Aritmia mencakup berbagai gangguan seperti sinus bradikardia, supraventrikular tachycardia, dan fibrilasi ventrikel. Penentuan tipe aritmia mempengaruhi keputusan terapi, termasuk pemberian obat, pemasangan alat pacu, atau prosedur ablasi. Oleh karena itu, deteksi beat yang akurat dan cepat sangat krusial.

2. Wavelet dalam Analisis Sinyal EKG

Transformasi wavelet memungkinkan dekomposisi sinyal menjadi koefisien pada skala yang berbeda, sehingga detail berfrekuensi tinggi (seperti QRS kompleks) dan struktur berfrekuensi rendah (seperti ST segment) dapat diekstraksi sekaligus. Berbagai jenis wavelet (Daubechies, Symlet, Coiflet) telah terbukti efektif untuk pengenalan pola pada EKG.

3. Learning Vector Quantization (LVQ)

LVQ adalah jaringan saraf berbasis prototipe. Pada awalnya, sejumlah vektor representatif (prototipe) dipilih untuk setiap kelas. Selama proses pelatihan, prototipeprototipe ini digeser mendekati data training dari kelas yang sama dan menjauhi data kelas lain, sehingga menghasilkan keputusan berbasis jarak Euclidean atau Mahalanobis.

4. Logika Fuzzy

Dalam banyak kasus klinikal, batas antara kelas tidak bersifat tajam; misalnya, beat premature ventricular contraction (PVC) dapat memiliki morfologi mirip dengan beat sinus normal pada beberapa lead. Logika fuzzy memberikan derajat keanggotaan (membership) yang kontinu, memperhalus keputusan klasifikasi.

Metodologi

2.1. Dataset

Eksperimen menggunakan basis data MITBIH Arrhythmia Database, yang berisi 48 rekaman 2menit 360Hz. Dari total 109k detak, dipilih 7 tipe beat utama (N, L, R, A, V, F, /) untuk pelatihan dan pengujian.

2.2. Preprocessing

• Pemfilteran baseline wander dengan highpass filter 0.5Hz.
• Normalisasi amplitudo ke rentang [1,1].
• Deteksi Rpeak menggunakan algoritma PanTompkins.
• Ekstraksi segmen 200ms sebelum dan 400ms setelah Rpeak (total 600ms).

2.3. Ekstraksi Fitur Wavelet

Setiap segmen didekomposisi dengan wavelet Daubechies4 hingga level 4. Koefisien detail (D1D4) dan aproksimasi (A4) dijadikan vektor fitur. Untuk mengurangi dimensi, dihitung statistik berikut untuk tiap subband:

• Mean, standar deviasi, energi, entropi Shannon.
• Koefisien maksimum dan waktu relatifnya.

Hasilnya adalah vektor berdimensi 40 per beat.

2.4. Fuzzy LVQ

Proses pelatihan menggabungkan tiga langkah utama:

1. Inisialisasi prototipe: Kmeans dipakai untuk setiap kelas guna menghasilkan m prototipe awal.
2. Pemodelan fuzzy: Setiap vektor fitur x diberikan derajat keanggotaan _c(x) terhadap kelas c dengan fungsi Gaussian:

   _c(x) = exp(-||x - w_c|| / (2))

   di mana w_c adalah prototipe kelas dan adalah parameter lebar.
3. Update prototipe: Jika beat x diklasifikasikan benar, prototipe diperbarui mendekati x:

   w_c w_c + _c(x)(x w_c)

   Jika salah, prototipe ditarik menjauh:

   w_c w_c _c(x)(x w_c)

   Di mana adalah laju belajar yang berkurang secara eksponensial selama epoch.

Keanggotaan fuzzy berfungsi sebagai bobot adaptif sehingga perubahan prototipe bersifat halus dan tahan terhadap outlier.

2.5. Evaluasi

Dataset dibagi menjadi 70% data training dan 30% data testing. Metode evaluasi meliputi:

• Akurasi keseluruhan.
• Precision, recall, dan F1score per kelas.
• Confusion matrix.
• Waktu eksekusi ratarata per beat.

Hasil dan Analisis

3.1. Kinerja Klasifikasi

3.2. Perbandingan dengan Metode Referensi

Berikut perbandingan akurasi antara FuzzyWLVQ dengan tiga pendekatan populer:

3.3. Analisis Waktu Komputasi

Ratarata waktu proses per beat pada mesin dengan CPU Intel i79700K dan RAM 16GB adalah 5.3ms. Ini menunjukkan bahwa model dapat dijalankan secara realtime pada perangkat portabel.

3.4. Diskusi

Keunggulan utama metode ini terletak pada:

• Penggunaan wavelet memberikan representasi fitur yang robust terhadap noise dan variasi morfologi.
• Fungsi keanggotaan fuzzy memperhalus pembaruan prototipe, sehingga mengurangi overfitting pada kelas minoritas.
• LVQ memiliki kompleksitas komputasi yang lebih rendah dibandingkan jaringan dalam-dalam, menjadikannya cocok untuk aplikasi bedside.

Beberapa keterbatasan tetap ada, antara lain ketergantungan pada pemilihan nilai dan laju belajar . Penelitian selanjutnya dapat mengintegrasikan optimasi berbasis algoritma evolusi untuk menyesuaikan parameter secara otomatis.

Kesimpulan

Fuzzy Wavelet Learning Vector Quantization berhasil meningkatkan akurasi klasifikasi beat aritmia pada sinyal EKG dibandingkan metode konvensional. Kombinasi transformasi wavelet, logika fuzzy, dan LVQ memberikan keseimbangan antara akurasi tinggi dan kebutuhan komputasi yang ringan, sehingga dapat diimplementasikan pada sistem pemantauan jantung portable. Pengembangan selanjutnya diharapkan meliputi eksplorasi wavelet adaptif dan adaptasi dinamis parameter fuzzy untuk meningkatkan performa pada dataset yang lebih heterogen.