Aritmia jantung merupakan penyakit yang susah didiagnosis terutamanya aritmia jatung yang jarang mengeluarkan gejala. Projek ini membentangkan jalan alternatif untuk mengenal pasti aritmia jantung dengan menggunakan isyarat fisiologi. Mesin perubatan menghasilkan kadar penggera palsu yang tinggi kerana ketepatan yang rendah. Isyarat fisiologi yang terlibat dalam projek ini adalah isyarat ECG, ABP dan PPG. Kajian ini dibahagikan kepada enam peringkat iaitu pengambilalihan data aritmia, pelaksanaan algoritma untuk mengekstrak ciri-ciri, penerokaan analisis data, analisis statitistik ANOVA sehala, pembangunan ANN pengelas aritmia dan akhirnya penilaian prestasi untuk ciri-ciri set input yang terbaik dan ANN model yang paling optimum. Kaedah yang digunakan untuk pengekstrakan ciri untuk isyarat ECG ialah algoritma Pan-Tompkins manakala isyarat ABP dan PPG menggunakan algoritma sumber terbuka daripada PhysioNet. Ciri-ciri yang diekstrak akan dibahagikan kepada dua set dan seterusnya di analisis oleh ANOVA sehala untuk mendapatkan perbezaan ciri-ciri yang signifikan bagi pengelasan aritmia jantung. Kajian ini bertujuan untuk mendapatkan input yang terbaik bagi ciri-ciri yang ditetapkan dan model ANN yang paling optimum untuk pengelasan aritmia jantung. ANN dibangunkan pada dua peringkat, di mana peringkat pertama mengelaskan ciri-ciri input kepada normal atau aritmia dan peringkat kedua mengelaskan ciri-ciri input kepada empat jenis aritmia. Prestasi pengelasan ANN dibangunkan dan dinilai untuk menentukan ciri-ciri input set yang terbaik dan pengelas yang paling optimum. Ketepatan keseluruhan untuk peringkat pertama adalah 81.6% dan peringkat kedua adalah 89.5% dengan ciri-ciri input set kedua dan latihan algoritma trainscg.
_______________________________________________________________________________________________________
Cardiac arrhythmia can be hard to diagnose, especially the types that only causes symptoms every once in a while. This project presents an alternative way to identify cardiac arrhythmia by using physiological signals. The medical devices outputs high rate of false alarms due to low accuracy of the product. The physiological signals involved in this project are ECG, ABP and PPG signals. This study is decomposed into six stages, which are arrhythmia data acquisition, implementation of feature extraction algorithm, exploratory of data analysis, one-way ANOVA statistical analysis, development of ANN arrhythmia classifier and finally performance evaluation for the best input features set and most optimum ANN model. The feature extraction method of ECG signal is Pan-Tompkins algorithm while ABP and PPG signal are using PhysioNet open-source algorithms. The extracted features are divided into two sets and further analysed by using one-way ANOVA to obtain the statistical analysis of features with significant difference for cardiac arrhythmia classifier. This study aims to obtain the best input features set and the most optimum ANN model for cardiac arrhythmia classification. The classifier is consists of two stages, where the first stage classifies the input features to normal or arrhythmia and the second stage classify the input features to four types of arrhythmia. The performances of the developed ANN classifiers is evaluated to determine the best input features and the most optimum classifier. The overall accuracy achieved by the first stage classifier is 81.6% and the second stage is 89.5% with second input features set and training algorithm trainscg.
Pattern recognition of physiological signal for the identification of arrhythmia / Loo Wei Lung