ECG signal classification using Hjorth Descriptor

Rizal, Achmad; Hadiyoso, Sugondo

doi:10.1109/icacomit.2015.7440181

Cited by 39 publications

(45 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Initially, it was used to analyze EEG signal characteristics. But in the research [15], [16] this method proved to have good performance in the case of processing ECG signals. Therefore, we use the Hjorth method on this proposed system.…”

Section: B Hjorth Descriptormentioning

confidence: 95%

One-Lead Electrocardiogram for Biometric Authentication using Time Series Analysis and Support Vector Machine

Hadiyoso¹,

Aulia²,

Rizal³

2019

ijacsa

Self Cite

View full text Add to dashboard Cite

In this research, a person identification system has been simulated using electrocardiogram (ECG) signals as biometrics. Ten adult people were participated as the subjects in this research taken from their signal ECG using the one-lead ECG machine. A total of 65 raw ECG waves from the 10 subjects were analyzed. This raw signal is then processed using the Hjorth Descriptor and Sample Entropy (SampEn) to get the signal features. Support Vector Machine (SVM) algorithm was used as the classifier for the subject authentication based upon the record of ECG signal. The results of the research showed that the highest accuracy value of 93.8% was found in Hjorth Descriptor. Compared to SampEn, this method is quite promising to be implemented for having a good performance and fewer features.

show abstract

Section: B Hjorth Descriptormentioning

confidence: 95%

One-Lead Electrocardiogram for Biometric Authentication using Time Series Analysis and Support Vector Machine

Hadiyoso¹,

Aulia²,

Rizal³

2019

ijacsa

Self Cite

View full text Add to dashboard Cite

show abstract

“…Hasilnya didapat empat ciri terbaik dan akurasi meningkat menjadi 87.33% [18]. Dua penelitian berikutnya menggunakan Hjorth descriptor sebagai ciri, yaitu activity, mobility, dan complexity serta complexity pada orde yang lebih tinggi [19], [20]. Penggunaan tiga parameter Hjorth descriptor menghasilkan akurasi 100% sedangkan Complexity orde tinggi hanya menghasilkan akurasi 94%.…”

Section: Hasil Dan Diskusiunclassified

Klasifikasi Sinyal Elektrokardiogram Menggunakan Renyi Entropy

Estananto

Rizal²

2018

ELEMENTER

View full text Add to dashboard Cite

AbstrakSinyal Elektrokardiogram (EKG) adalah salah satu indikator penting tentang aktivitas kelistrikan jantung. Sinyal ini dapat menjadi basis analisa kerja jantung sehingga menjadi penting. Sampai saat ini sinyal EKG tidak dapat digambarkan dengan persamaan matematis yang tepat karena sinyal EKG berulang tapi tidak tepat periodik. Untuk itu digunakan signal complexity untuk menjelaskan perilaku sinyal EKG.Renyl entropy adalah salah satu matrik untuk menganalisa kompleksitas sinyal, dan merupakan bentuk umum dari entropy lain. Dengan demikian akurasi yang dihasilkan lebih tinggi. Pada penelitian ini menggunakan Renyi Entropy dihasilkan akurasi 100% untuk tiga kelas data EKG. Digunakan Support Vector Machine (SVM) linear, qubic, dan quadratic sebagai pembanding satu sama lain. Keunggulan metode ini adalah akurasi yang tinggi dengan menggunakan jumlah ciri yang jauh lebih sedikit. AbstractElectrocardiogram (ECG) signals are one of the important indicators of heart electrical activity. This signal can be the basis for analyzing the work of the heart so that it becomes important. Until now the ECG signal cannot be described with the right mathematical equation because the ECG signal is repeated but not periodically correct. For this reason, complexity signals are used to explain the behavior of ECG signals.Renyl entropy is a matrix for analyzing signal complexity, and is a common form of other entropy. Thus the resulting accuracy is higher. In this study using Renyi Entropy produced 100% accuracy for three classes of ECG data. Linear, Qubic, and Quadratic Support Vector Machine (SVM) are used to be compared to each other. The advantage of this method is high accuracy by using a number of traits that are far less.

show abstract

“…Nilai k yang diuji adalah 1, 3, dan 5. Dipilih nilai k yang ganjil agar mengurangi kesalahan algoritme jika peluang kemiripannya sama [8]. Metode yang digunakan untuk menghitung jarak ketetanggaan adalah sebagai berikut.…”

Section: Klasifikasi K-nearest Neighbour (K-nn)unclassified

Pengenalan Individu Berdasarkan Gait Menggunakan Sensor Giroskop

Annas¹,

Rizal²,

Atmaja³

2017

Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI)

Self Cite

View full text Add to dashboard Cite

Abstract-Every persons have their own unique way of walking which is called gait. Gait can be used to identify a person. Gyroscope is a sensor used to detect vibration and measure acceleration based on direction or orientation. This paper presents an individual recognition based on gait using gyroscope sensor embedded in smartphone. The gait data is processed and analyzed by implementing Linear Predictive Coding (LPC) and k-Nearest Neighbour (k-NN). LPC is used to extract features from gait data. It produces feature vector based on combination of p-previous signal and takes only important value of the feature data. Then, k-NN is used for classification, using some calculation methods such as Euclidean, Cityblock, Cosine, and Correlation distance. The gait signals contain x,y,z axis and the signal magnitude. In this paper x,y,z axis and the signal magnitude are also combined to improve the accuracy. The highest accuracy of 99.58% is achieved using signal combination x-y-z-m. Overall, this person detection system produces accuracy between 50% to 99.58%. I. PENDAHULUAN Gait (cara berjalan) merupakan cara berjalan individu. Dalam penjelasan yang lebih spesifik, gait merupakan ciri khas cara berjalan individu yang dipengaruhi oleh berat tubuh, panjang kaki, alas kaki yang sedang dipakai, postur tubuh, dan hal-hal lain. Hal ini menjadikan setiap individu memiliki gait yang berbeda [1]. Intisari-Pada awalnya, pengenalan gait merujuk pada cara untuk mengambil petunjuk visual untuk mengenali karakteristik gerakan dari video seseorang yang berjalan untuk keperluan identifikasi. Dari sisi biomekanik, gait manusia terdiri atas sejumlah gerakan yang tersinkronisasi dan terintegrasi dari gerakan ratusan otot dan sendi. Gerakan ini mengikuti gerakan pola dasar, tetapi bervariasi dari satu individu ke individu lainnya pada detail tertentu, seperti waktu relatif dan magnitude sebagai fungsi dari keseluruhan struktur tubuh. Struktur tubuh seperti berat badan, panjang kaki, dan struktur tulang tidak dapat ditiru, sehingga gait untuk setiap orang dan dapat secara utuh dikarakterisasi oleh beberapa parameter inersia seperti kecepatan angular dan akselerasi dari sendi tertentu dan bagian tubuh tertentu [2].Seiring berjalannya waktu, muncul pendekatan lain untuk mengenali gait seseorang selain pendekatan visual. Salah satunya melalui video dengan menggunakan sensor yang bisa dipakai atau wearable sensor. Wearable sensor memanfaatkan parameter inersia seperti kecepatan angular yang ada pada karakteristik gait seseorang. Pengembangan sensor inersia dengan cepat memungkinkan aplikasi untuk berbagai bidang karena beberapa keuntungannya seperti ringan, kecil, konsumsi daya yang sedikit, murah, dan mudah dibawa [3]. Akses terhadap sensor inersia seperti giroskop mudah diperoleh karena pada saat ini sensor inersia sudah tertanam pada smartphone.Untuk itu, pada makalah ini dilakukan pengenalan gait individu dengan memanfaatkan sensor giroskop yang tertanam pada smartphone. Dilakukan pengambilan data sensor giroskop dari gait individu dengan m...

show abstract

ECG signal classification using Hjorth Descriptor

Cited by 39 publications

References 11 publications

One-Lead Electrocardiogram for Biometric Authentication using Time Series Analysis and Support Vector Machine

One-Lead Electrocardiogram for Biometric Authentication using Time Series Analysis and Support Vector Machine

Klasifikasi Sinyal Elektrokardiogram Menggunakan Renyi Entropy

Pengenalan Individu Berdasarkan Gait Menggunakan Sensor Giroskop

Contact Info

Product

Resources

About