TELKOM NIKA , Vol.16, No .4, August 20 18, pp. 1468 ~14 8 0   ISSN: 1693-6 930,  accredited First Grade by  Kemenristekdikt i , Decree No: 21/ E/KPT/2018   DOI :  10.12928/TELKOMNIKA.v16i4.8281    1468      Re cei v ed  Jan uary 4, 2018;  Re vised Ap ril  1, 2018; Accepted Ma y 21 , 2018   Asthma Identification Using Gas Sensors and      Support Vector Machine      Hari Ag us Sujono* 1 , Muhammad Riv a i 2 , Muhammad Amin 3   1,2  Department of Electrical En gin eeri ng, Institut   T e knolo g i S epu luh N o p e m ber, Surab a y a,  Indones ia   3  Department o f  Pulmono lo g y   and R e spir ator y Med i ci ne, Airl ang ga U n ivers i t y , Surab a ya, Indo nesi a   1  Department o f  Electrical Eng i ne erin g, Institut  T e knolog i Ad hi T a ma Surab a y a, Surab a ya,  Indones ia   *Corres p o ndi n g  author, e-ma i l : haria gus.itats @ y ah oo.com 1 , muhamma d_ri v ai@e e.its.ac.i d 2       A b st r a ct     T he exha le d  breath  an alysi s is a pr oce d u r e of  meas urin g sever a l typ e s  of gases  tha t  aim t o   identify various  diseas es in the  hum a n body. The purpos e  of  this study is to analy z e the gases cont ained  in the  exha le d bre a th in  or der to rec ogn i z e   he althy a n d  asth ma s u b j ects w i th varying s e verity. An   electro n ic  nos e  cons isting  of   seven  g a s se n s ors e qui pp ed   w i th the S u p p o r t Vector Mac h ine  class i ficati o n   meth od  is  use d  to a naly z e  th e  gas es to  deter mi ne t he  pati e nt' s  cond ition.  Non-l i n ear  bin a r y classific a tio n  is  used to id entif y healthy a nd  asthma sub j ect s , w hereas the multic lass cl a ssificatio n  is a ppli ed to rec o g n i z e   the subjects of asthma with different severit y . The re sult of this study showed  that the system  pr ovided  a  low accuracy t o  distinguish  the subjects of asthm a  with var y ing se v e rity. This system  ca n only differentiate  betw een  partia lly co ntroll ed  a nd u n co ntroll e d  asth ma   su bj ects w i th goo d  accuracy.  Ho w e ver, this sys tem  can prov id e hi gh sens itivity,  specificity, an d  accuracy to di stingu ish b e tw een h e a l thy an d asth ma su bj ects.  The use of fiv e  gas sensors  in  the electronic nos e system  has the  best accuracy in t he classific a tion  results of 89. 5 % . T he gases  of carbo n  mon o xid e , nitric  oxi de, vol a tile  org anic co mpo u n d s, hydro gen,  an d   carbo n  d i oxi d e  conta i ne d i n  t he  exha le d br e a th ar e th e  do mi na nt in dicati ons  as b i o m ar kers of asth ma .T he   perfor m a n ce of  electron ic nos e w a s high ly d epe nd ent  on th e abi lity of sen s or array to an aly z e  g a s type  in   the sa mp le. Th erefore, i n  furt her study  w e  w ill e m pl oy  the s ensors  havi ng  hig her se nsitiv i t y to detect low e r  conce n tratio n of the mark er g a ses.      Ke y w ords : Asthma, Exhal ed  breath, Gas se nsors, Supp ort vector mac h i n e       Copy right  ©  2018 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  The exh a led  breath  contai ns m any g a ses, mo stly ox ygen (O 2 ), ca rbon   dioxid e (CO 2 ),  water vapo r,  nitric  oxide  (NO )  a nd va ri ous vo latile o r gani c co mpo und s  (V OCs) [1].  These  g a s e s   can  be me asured  accu rat e ly usin g Ga s Chro matog r aphy  (G C) [ 2 ]. However,  this techniq u e is  expen sive, b e ca use the  t e sting  p r o c e s s ta ke s  a lo n g  time  and  requires inte rpretation  fro m  an  expert [3]. An  electro n ic no se ca n be used as an  alte rnative to analize the exh a led breath with   low produ ctio n co sts, non -invasiv e, fast er time in sa mple mea s u r ements, an d portabl es [4, 5 ].  The  elect r oni c n o se h a s  been  u s ed  to  diag no se  ki dney di se ase  [6,7], diabet es [8], a nd l ung  can c e r  [ 9 ] .  B i omar ke rs  a r e  phy si cal  sy mpt o ms  of  la borato r y me a s ureme n ts th at ca n serve  as  indicators of  biologi cal   or p a thop hysiolo g ical  p r oce s se s o r  in respon se to the r ap eutic  interventions  [10].    Several  studi es  have  anal yzed  exhale d  bre a th fo r a s thma  by u s i ng  Cyran o se  320 th at  contai ns 3 2   different poly m er na no co mposite  se nsors. T he an al ytical method  used to a nal yze  the sen s o r  re spo n se is Pri n cip a l Com p onent Analys i s  (PCA ). The  result s sh ow that electron ic  nose can  dist ingui sh exh a l ed b r eath  bet wee n  he althy and  asth ma  subj ect s , ho wever, it i s  n o t  good  eno ugh  to disting u ish the subje c t s  of a s thma  with differe nt severity [11].  The pe rforma nce   of the electro n ic no se  dep end s on the f eature s  of  th e cla ssifi catio n  algo rithm fo r exhale d  bre a th.  One of the  classificatio n  method s that  gets a lo t o f  attention as state of th e art in patt e rn   cla ssifi cation  is the S upp ort Vector Ma chine  ( SVM) [ 12-1 8 ]. The  SVM is a n  ef fective techni que   for qu antitatively analyzi n g  gas mixture s  as thi s   can   solve the  cro s s se nsitivity probl em of  g a s  s e ns or array [19].  The pu rpo s e  of this study  is to analyze  the gases  contai ned in  the exhaled  breath in   orde r to recogni ze he althy and a s th ma su bje c ts  with varying  severity. The  exhaled b r e a th   sampl e s  were taken from  patients dia g nosed with  a s thma an d then analyze it  in the laborat ory.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Asthm a  Identification Usin g  Gas Sen s o r s  and Suppo rt Vector….(Hari Agus Sujon o )  1469 An elect r oni c nose con s isting of seve n ga s sen s o r s  equip ped  with the SV M cla s sificati on   method i s  used to analyze  the gase s   containe d in  the exhale d  b r eath  sampl e  to determine  the   patient's con d ition. The  n on-lin ea r bin a ry  classifi cation i s  u s e d  t o  ide n tify he althy and  a s thma   subj ect s , wh erea s th e mu lticlass  cla ssi fication i s  u s ed to id entify the subje c ts of asthm a   with  different s e verity.      2.    Researc h  Method   2.1. Subjects  and resea rc h design   The subje c ts are 30 p a tients dia gno sed  with asthma, and  30 healthy  subj ect s   volunteered i n  the study. All subje c ts a r e adult s , not smokers, ag ed bet we en  30-6 0  years, and   do not suffer  from acute or chroni c illness. In  current  clini c al  pr acti ce, asthm a  i s  diagnosed and  monitored from symptom s  and  physi ologi cal mea s ureme n ts u s ing the  Glo be Initiative for  Asthma (GINA) and Asth ma Cont rol T e st (ACT). O ne of the sta ndard ch arac teristics of GI NA is  lung fun c tion examination  by measu r ing  Forced Ex piratory Volume  in the first se con d  (FEV 1 ) or   Peak Expirat o ry Flow (P EF) perfo rm ed by  force d  expiratory  maneuvers through sta ndard   pro c ed ures.  From thi s  me asu r em ent, the deg ree  of  a s thma i s  divid ed into three  cla s ses, n a m e ly  controlled, pa rtly controll ed , and uncontrolled a s thma  [20,21].  The  cla ssifi cation of a s th ma subje c ts  is b a se d  o n  stand ard s  wit h   diag no stic results  usin g ACT  sh own  in T able   1. Each  subje c t is a s ked to  exhale  the ai r colle cted i n   1L Te dla r  b a g  after breathin g  in and  out for 5 min u tes  with cle an ro om air. Th e e x haled b r eath  is ca rri ed o u t at  the a s thma  cl inic  at Dr. So etomo Su ra b a ya afte r gett i ng a pproval  from  Ho spital  Re se arch  an d  Develo pment . Figure 1 sho w s the  re sea r ch de sig n  performed fo r the cla ssifi catio n  of asthma.       Table 1. The  ACT value s   ACT Score 25  20 - 2 4 <  20 Controlled P artl y -C ontrolled U ncontrolled         Figure 1. The  rese arch d e sign for asth m a  identificatio n usin g ga s sensor      2.2.  Electronic nose s y stem   The mai n  pa rt of the electronic  nose sy stem  is  a 24 0 ml ch ambe r co nsi s ting  o f  a gas  sen s o r  a r ray. Each  sen s o r  ha s  sen s itivity and  se le cti v ity to certai n ga se s flo w i ng throug h t h e   cham be r. Th e se nsor resi stan ce  will ch ange from fre s h ai r to ga s  sampl e ,  . T h e s e ns or  o u t put   voltage is det ermin ed by e quation (1).                                                                         (1)    Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 16, No. 4, August 2018:  146 8-1480   1470 whe r e   is the  load resi stan ce,   is sen s in g re sist a n c e ,     is the con s ta nt voltage ap plied to  the sen s o r  a nd    is the tra n sie n t output voltage. Each  sen s o r  re sp onse is an a nalog  sign al,   whi c h i s  the n  filtered, am pl ified and  con v erted to  digital form  and  then  sen d s it to the  com put er  every se con d .  Pumps are  activated to flow fres h ai r from sili ca  gel or ga s from the exhal ed  breath  bag in to the sen s o r  cham ber.T h e  flow rate  i s  maintaine d  a t  100 ml/min. Before carrying  the ga s  sa m p le, the  se nsor  ch ambe r i s  d r ie d  with  f r esh  air to   cl ean th e  sen s or from  re sid ual  gas. T he h u m idity rate in  the fre s h ai r is redu ced  b y  flowing the  air throug h  a tube  contai ning  silica gel mat e rial.   The  sampli ng  pro c e s s of the exhal ed b r eath i s   carri ed out in  the  certai n time  orde r. In   the  pe riod of 1 st  to15 th  se cond s, the  sen s or re sp on se  is in  a ba se d  line time,  t b . During this  time,   the valve is OFF so that fresh air  can  fl ow from B to C. In the peri od of 16 th  to 55 th  se con d s,  t h e  exhaled b r eat h is inje cted to the sen s o r   cham be r.  This process is  calle d rea c tio n  stage time,   t r .  At this moment, the valve  is ON  so that the gas in tedl ar bag is  su cked from A to C. In the period   of 56 th  to150 th  se co nd s, the  inje ction i s   stoppe d an d  se nso r  a r ray is  clea ned,  and  this p r o c e s s i s   calle d a s  pu rge sta ge time ,  t p . At this stage, the valv e is  OFF a gai n. After the 1 5 0 th  second s,  the  valve remai n s OF F until f u rthe r sampli ng too k  pl ace .  The blo c k d i agra m  of the  elect r oni c n o s e  system i s   sh own i n  Fig u re  2, whil e the  photo  se tup   of the ap para t us a nd its co mputer interf ace  is sh own in F i gure  3. The  sen s o r  re sp o n se d u ri ng sampling  pro c ess is  sho w n  in Figure 4. The   portion  of th e  se nsor re sp onse at t he  reactio n   stage  over a  pe rio d  of  30 th  to  49 th  sec ond s i s  a   feature extra c tion  which can be  con s id ered to  re pr es e n t  th e  o v era ll s e ns or  res p on se  fo r  the   cla ssif i cat i on pro c e ss.           Figure 2. The  electro n ic n o s e sy stem           Figure 3. The  exhaled brea th analys i s  using the ele c tronic n o se   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Asthm a  Identification Usin g  Gas Sen s o r s  and Suppo rt Vector….(Hari Agus Sujon o )  1471     Figure 4. The  time resp on se of a gas se nso r       Table 2. The  gas  sen s o r s  use d  in the el ectro n ic n o se  system                   The  sen s o r  a rray u s e d  on  the ele c troni c nose con s ist s  of seven g a s  sen s o r s  which it s  sele ctivity and se nsitivity are  sh own in  Table  2.  Ea ch  sen s o r  i s  intende d to  detect  gases in   exhaled b r ea th that indicate the pre s ence of  asth ma in the subje c t. In some studi es  have   sho w e d  that  asthma  p a tie n ts h a d  high e r   con c e n tratio n value s  fo r  NO [2 2], an d  carbon  mo no xide  (CO) [23]. Th ere i s  al so a  relation shi p   betwe en the  VOC in exh a l ed breath  su bject  with lun g   dise ase [24]. There  are  several fa ctors asso ci ate d  with exhale d  bre a th by asthma  patie nts  inclu d ing  an i n crea se in  hy drog en  (H 2 ) d ue to dig e stiv e syste m , CO 2  affected by  exposure  to a i r  pollution, am monia   (NH 3 )  due to  a c id -b ase  statu s  in  the ai rway  of  asthmati cs   [2 5], and  hydro gen  sulfide (H 2 S)  as ha rmful hy dro c a r bo n ele m ents in the  human b ody [26].    2.3. Data  An aly s is   In the  sam p li ng p r o c e ss,  the  sen s o r   array mea s u r e s  the level  of  gases in th e  exhaled  breath  an d t hen  se nd s it  to the  com puter fo r  an alysis. T he  d a ta pa ckag e  of the  sa m p ling   pro c e ss  on a  subje c t is a  data set a s   matrix [150x 7 ]  consi s ting o f  a resp on se  of seven sen s ors  for 1 50  se co nds.  Only th e si gnal  resp onse at  the  rea c tion  sta g e  is u s e d  fo r analy s is.  Da ta   analysi s  co nsists of three  stage s, name l y pre-p r o c e s sing, feature extraction a n d  cla ssifi catio n .  In the  pre - p r o c e ssi ng i n cl u des ba seli ne  corre c tion  an d no rmali z ati on. Th e b a sel i ne  co rre ction  is  con d u c ted by  subt ra cting e a ch  se nsor  si gnal  re sp o n se with th e av erag e  sign al  respon se  at the   baseline,  ,  .  Th e result is the  pre-pro c e s se d sign al re sp onse define d  at equation (2 ).    ,  , ∑ ,             (2)     where i = 1,2, ..... .,N i  (N i  is the number  of s a mple  s u bjec t s ),  s   =  1,2,... .,N s  (N s  i s  the  num be r of   s e ns or s) , t b  =  1,2, .. .,N b  (N b  is the maximum time pe riod on the b a se line  stag e). No rmali z a t ion   of the d a ta  is  de sire d  to redu ce  a p a ttern  variation  du e to vari ations in th e  vapor    con c e n tration  [27]. The normalize d  data  is expre s sed  by equation (3).     Sensors G ases Sensitivities (pp m ) MQ7  CO 10  – 10000 MQ8  H 2 100 – 1000 MQ131  NOx 0 .01  – 2 MQ136  H 2 S1 – 100 MQ137  NH 3 5 – 200 MQ138  VOCs 10  - 1000 TGS41 6 1 C O 2 350  – 10000 Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 16, No. 4, August 2018:  146 8-1480   1472 ,  ,   ,              (3)    Output si gnal  respon se fo r each  se nsor at  the rea c tion stag e afte r bein g  proce s sed by  equatio n (2)  and (3 ),  ,   is a feature extraction sig nal fo r use on cla ssifi cation proce s s. In   this pro c e s s, a dataset [ 20x7] is derived  from the  ,   on the sign al re spon se at the sampli ng  perio de of 30 th   - 49 th  sec o n d s.   SVM is a m a chi ne lea r ni ng metho d  that wo rks o n  the pri n cip l e of Structu r al Ri sk  Minimization  (SRM )  with th e aim  of findi ng the  be st  h y perpla ne th a t  sep a rates th e two  cl asse s in  the input  sp a c e. Th e m e th od p r op osed  in 199 2 by  Vl adimir N. Va pnik, Be rn hard E. Boser  a nd  Isabell e  M. Guyon has b e en widely ap plied espe cia lly in the field  of bioinform a tics [28]. Th ere  are  two  type s of  cla s sification  con d u c ted by th e S V M, namely  non-li nea r  bi nary  cla s sification  and n o n - line a r m u lti-cl ass cla s sification . For m u lti-cl ass cla ssifica tion  empl oys one-agai nst - o n e   approa ch an d  Gaussia n  ra dial ba sis fun c tion kern el o r  RBF kern el.  The SVM  co nce p t ca n b e  explaine d si mply as  a  se arch for the  best hyp e rpl ane that  serve s   a s   a  sep a rato r of two cla s ses  i n   the   input  space. Fig u re  5  sh ows  so me p a ttern s  of  membe r s  of two cl asse s: +1 and -1. The  pattern in co rporate d  in cl a ss  -1 is  symb olize d  by gre en  (ci r cl e), whil e  the pattern in cla ss  +1 is  symbol i z ed b y  red (box). T he cla s sificati on pro b lem  can  be tran slated   by finding  the  line  or hype rplane  t hat  se parate s  the t w o  group s. V a riou s alterna t ive   discrimi nation  boun dari e s a r e  sho w n i n  F i gure  5(a) . Th e be st se pa ra tor hype rpla n e  between th e  two cl asse s  can  be fo un d by mea s u r ing the  hype rplan e ' s  ma rgins  and  se arching  for t he  maximum poi nt.    Margi n  is the  distan ce bet wee n  the hyperpl ane a n d  the closest  pattern of ea ch cl ass.   The clo s e s t pattern is  cal l ed a sup p o r t vector. The  solid line in  Figure 5 ( b)  sho w s the best  hyperpl ane,  whi c h is l o cated at the cen t er of t he two  cla sse s, whil e the green a nd re d dots t hat  are in the  bla ck  circle a r e t he su ppo rt vectors. The  eff o rt to locate the hype rplan e  is at the he art   of the learnin g  pro c e ss in  SVM.  The available  data is denoted as  ̅  , where a s ea ch label  is denoted  ∈ 1, 1  for  i = 1,2, ....,  l .  It  is  a s sum ed  that   both   cla s se s -1  and +1  can  be  p e rfe c tly sep a rate d by  d   dimen s ion e d  hyperplan e, defined as:   . ̅  0 . The  ̅  pattern that belo ngs to cla s s -1   (neg ative sa mple) can be  formulated as  a pattern that satisfies in equality  . ̅  1 . While   the  ̅  pattern t hat belo n g s  t o  the  cla ss  +  1 (p ositive  sa mple)  ca n b e   formulate d  a s  a patte rn tha t   satisfies inequality  . ̅  1 . Th e greate s t margi n  can  be found by maximizing  the  distan ce val u e between th e hype rplan e  and its ne arest poi nt,  ‖ ‖ . This  can  be fo rmulate d  a s   a  Quad ratic P r ogra mming  (QP) problem,  which is to  fi nd the minim a l point of eq uation sho w n  in   equatio n (4 ), and (5 ).     min ‖ ‖          (4)    . ̅  1 0 , ∀          (5)    This p r obl em can b e  solve d  by various  comp ut ationa l techniq u e s , inclu d ing La grange Multipli er.     , , ‖ ‖ ∑   . ̅  1,    1,2, … … .          (6)     is a Lag ra ng e multiplier th at is either  0 or po sitive  0 . The optimal  value of equ ation (6 )  can be calcul ated by minimizing  L  to   and  b  and ma ximizing  L  to  . Consid erin g  the nature a t   the optimum  point of slop e  L  = 0, equ ation (6 ) ca n  be modified  as a maxim i zation p r obl em  contai ning   only, as indicated by (7).   Maximize:      ̅  ∑ ∑ ̅ . ̅ ,            (7)    Subject to     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Asthm a  Identification Usin g  Gas Sen s o r s  and Suppo rt Vector….(Hari Agus Sujon o )  1473                  0 f o r 1 , 2 , …., ; ∑ 0         (a)                                                                           ( b )    Figure 5. The  SVM finds the best hype rp lane that se p a rate s the two cla s ses      From the results of this ca lcul ation, it  will be obtained   which m o stly positive valu e .   Data correlat ed with po sitive   is called a supp ort ve ctor. In gene ral, probl em s in real wo rld  domain s   are rarely lin ea rly  sep a rate  but   mostly n on-li near.  To  solv e the  non -line a r  pro b lem s , t he  SVM is modifi ed by ente r in g the Kern el  functio n . In no n-line a r SVM,  the data  x  i s   mappe d by th e   function  Φ ̅  to  a higher-dime n sio nal vecto r  spa c e. In  th is new vecto r  space, the hyperpla ne  that sep a rate s the t w o  cla s se s can b e   constructe d. T o  cla s sify non -linea r d a ta, the SVM form ula   must be m o d i fied. Therefo r e, the two li miting fiel ds  of (5) h a ve to  be ch ang ed  so that they  are  more flexible  for certain condition s wit h  the addition of the  variable   ( 0  shown in the   equatio n (8 ).     ̅ .  1 ,∀          (8)    Thus th e equ ation (4 ) is ch ange d to:    min ‖ ‖  ∑          (9)    C is  cho s en t o  cont rol the t r ade off betwe en margin an d miscla ssifi cation. A large  C value mea n s  it will give a larger penalty for the misclassifi cation.   Another meth od of  solving  the no n-lin ea r data   proble m s i n  SVM i s  by ma ppin g   data to  a   highe r  dime n s ion spa c e (f eature sp ace )   [29],  with  d a ta in that sp ace  can  be  separated lin e a rly  by usin g the  tran sform a tion of  Φ: → .  Thus  the traini ng  algorith m  de pend s o n  th e data   throug h the  dot pro d u c t in  H  (e.g.  Φ .Φ ). If there  is a  kernel   K  function,  su ch   as   , Φ .Φ , thus in the trainin g  algorithm requ ires o n ly the kern el  K  fu nc tion  without havin g to know the  exact  Φ  transformatio n. By  transfo rmin g  → ,  then the value   w  be come s   ∑    and the lea r ni ng functio n  b e com e s:       ∑ .         (10)    The featu r e  space u s u a lly has a  highe r  dimen s ion  re sulting  a fe ature  sp ace tha t  may  b e   very large. To solve this probl em , then it uses the  "kernel tri c k"   ,  . , for  whi c h the eq uation (1 0) b e com e s:       ∑  ,        (11)    with   is the suppo rt vecto r . There a r e  some kern el functio n s that  are  comm on ly used in th e  SVM, one of whi c h i s  used  in this stu d y is the  RBF kernel.   In pa rticula r , it is co mmonly u s ed  in   . ̅  0   . ̅  1   . ̅  1 Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 16, No. 4, August 2018:  146 8-1480   1474 sup port vect or ma chin e cla ssifi cation  [30]. The  RBF ke rnel  on two sam p les   and    rep r e s ente d  as featu r e vectors in some  input spa c e i s  define d  in e quation (12 )      ,   2 ⁄       (12)    The  cla ssification reli abilit y is indi cate d by  the sen s itivity and specifi c ity resulted by   either p o sitiv e  (di s ea se d) or neg ative (healthy) . In  the cla ssifi cation, the nu mber of di se ase   subj ect s  id ent ified a s  the  di sea s e  subje c t s  a r e  de noted  by  t p  (t rue  po sitive), the  di sease  subj ect s   identified a s  the healthy  subj ect s  a r e den oted b y   f p  (false p o sitive), the  healthy subj ects  identified a s   the disea s e  subj ect a r e d enoted  by  f n  (false  neg ative) an d the h ealthy su bje c ts  identified a s  t he he althy subje c ts a r e  d enoted  by  t n  (true  neg ative). Th e sen s i t ivity, specificity,  and a c cura cy  for two and t h ree  cla s ses  are defin ed a s  in Table 3 a nd 4, re spe c tively.        Table 3. Defi nition of Sensitivity, S pecivicity and Accu racy for two classe s    Predicted Result  Sensitiv ity  Specivi c ity   Accur a cy   Positive  Negative  Actual  condition  Positive   p t   n f   n p p f t t   p n n f t t   n n p p n p f t f t t t   Negative  p f   n t       Table 4. Defi nition of Accu racy for th ree  classe s          Figure 6. The  SVM Algorithm for cla ssifi cation       3. Results a nd Analy s is  The el ectroni c no se  ha s  been te sted   to detect  an d identify ex halled  bre a th  sam p le s   from subje c t s  with  health y and a s thm a  su bje c ts a nd amo ng a s thma  subj ects with different     Predicted Result  Accur a cy   A B  C  Actual  Condition  A  A t   AB f   AC f   C B A t t t T   CB CA BC BA AC AB f f f f f f T T Acc   B  BA f   B t   BC f   C  CA f   CB f   C t   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Asthm a  Identification Usin g  Gas Sen s o r s  and Suppo rt Vector….(Hari Agus Sujon o )  1475 severity usi n g the pro c ed ure de scri be d in the method. Figu re  7 sho w s the  resp on se of  the   seven  sen s ors to th e fou r   exhaled  breat h sample s  du ring  a p e rio d e  of 15 0  se con d s. Fig u re 8  (a)  sho w s the av erag e respon se for th e two cate gori e s.  It is possibl e to obtain  a  combi nation  of  sen s o r s th at clea rly indi cat e  each of the  tw o catego rie s . Sensor  re spon se s of CO , NO, H 2 S, and   CO 2  a r e  smal ler for  health y subje c ts, b u t not for  H 2 , NH 3 , an d V O Cs. Figu re  8 (b ) sho w s t h e   sen s o r  re sp o n se s for the f our catego rie s . We  have  condu cted five  types of classificatio n s.                (a)                                                                          (b)            (c )                                                                             (d)    Figure 7. The  sen s or  re spo n se s to (a ) he althy (b ) controlled a s thma  (c) partly cont rolled a s thm a ,  and (d ) un co ntrolled a s th ma           (a)                                                                                              (b)    Figure 8. The  sen s or  re spo n se s to (a ) tw o categ o rie s   and, (b ) four  categ o rie s   0 0. 2 0. 4 0. 6 0. 8 1 1. 2 1 9 17 25 33 41 49 57 65 73 81 89 97 10 5 11 3 12 1 12 9 13 7 14 5 Re s p o n se   (V) Ti m e s   (s ) CO H2 NO H2S NH3 VOC CO 2 0 0.2 0.4 0.6 0.8 1 1.2 1 9 17 25 33 41 49 57 65 73 81 89 97 10 5 11 3 12 1 12 9 13 7 14 5 Re s p o n se   (V) Ti m e s   (s ) CO H2 NO H2S NH 3 VO C CO 2 0 0. 2 0. 4 0. 6 0. 8 1 1. 2 1 9 17 25 33 41 49 57 65 73 81 89 97 10 5 11 3 12 1 12 9 13 7 14 5 Re spons e   (V ) Ti m e s   (s ) CO H2 NO H2 S NH3 VOC CO 2 0 0.2 0.4 0.6 0.8 1 1.2 1 9 17 25 33 41 49 57 65 73 81 89 97 10 5 11 3 12 1 12 9 13 7 14 5 Respons e   (V) Ti me s   (s) CO H2 NO H2 S NH 3 VO C CO 2 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 C O H2 NO H2S N H 3 VOC C O 2 R e spo n se   (V ) Sen s or s HE A L TH Y AST H MA 0 0. 1 0. 2 0. 3 0. 4 0. 5 0. 6 0. 7 0. 8 0. 9 C O H2 N O H 2 S N H3 VOC C O 2 R e sp o n se   (V) Sen s o r s Hea l th y As thma   C o ntr o lled As thma   Pa rty ‐ C o ntr o lled As thma   U n co ntr o lled Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 16, No. 4, August 2018:  146 8-1480   1476 3.1. Classific a tion of  Heal th y  and Asth ma using se v e n sensors  In this study , we used the ele c tro n ic  nose to di stinguish between exhal ed  breat h   sampl e s of healthy and  asthma su bject s  usin g  non-lin ear  binary SVM classificatio n .The   comp ositio n  of the  subj e c t data b a s e  is  sho w n  in  Table  5. Th e  exhale d  b r e a th sampl e s of   subj ect s  we re colle cted from patients  who hav e b e en diagn osed  with early diagno si s stan dard  usin g ACT.  We rand omly colle cted 2 0  sampl e s fo r  the trainin g  sets from e a ch cate gory. T he  remai n ing  10  sam p le s fro m  ea ch  cate gory  were u s ed for the test s e t. In this   s t udy, we aim to  test the abili ty of the electroni c n o se  to  distingui sh each cate gory of healt h y and a s th ma   subj ect s  usi n g binary cl assification.       Table 5. The  comp ositio n of the subje c t  databa se for  two cate gori e s  Cate g ories of su b j ects Numbe r A g e Health y 30 32  – 60 Asthma 30 30  – 58     Table  6 sho w s t he resul t s of cl assifi cation fo r two cate go rie s . For th e 1 0  asthm a   subj ect s  a s  the test  set,  the syste m   coul d  corre c tly identify 10.0 sam p le s  as a s thm a  a nd  inco rretly 0.0 sample a s  h ealthy. For the 10 heal thy subj ect s  as the test set, the system  co uld  corre c tly ide n tify 7.8 samples  as h e a lthy and  in corretly  2.2 sampl e s as asthma.  In  this  identificatio n  re sults, the  se n s itivity,  spe c ificity, a nd a c cura cy  are  100, 7 8 .0, and 8 9 % ,  r e spec tively.      Table 6. The  non-li nea r bin a ry SVM classificatio n  re su lt of two categorie s u s ing  seven  sen s o r s    Predicted Result  Sensitiv ity  Specific ity   Accur a cy   Positive  Negative  Actual  Condition  Asthma Positive   10.0  0.0  100 78  89  Health y Negative  2.2  7.8      3.2. Classific a tion of  Heal th y  and Asth ma  w i th Different Sev e rity  We  have  coll ected  three  categ o rie s  of  asth ma  su bj ects sepa rat ed by  severit y , each  con s i s ting  of ten  sampl e s. Ten  sam p l e s fo r h ealth y subj ect s   were ta ke n  ra ndomly from  30  sampl e s. T h e  com p o s ition  of the subje c t  databa se   is  sho w n i n  Ta b l e 7. We rand omly coll ecte d  six sampl e s f o r the trainin g  sets from  each ca teg o ry. The remai n ing four  sa mples from e a ch  cat e g o ry   we r e  u s ed f o r t h e  t e st   set .  Tabl e 8  sho w s t h e re sult   of  cl a ssif i cat i on  f o r  f our  cat e g o ri e s .  CA subje c t  could b e  di stin guished fo rm  healthy  subj ect  with 82%   accuracy, 9 0 %  sen s itivity and  75% spe c ifici t y.  PA subject could be differentia ted fo rm healthy subje c t with 87.5% accura cy,   75%  sen s itivity and  100%  sp ecifi c ity. UA  subj ec t could be disti ngui she d   form  he althy  su bject   with 66% accura cy, 65% sensit ivity and 67.5% spe c ifi c ity.      Table 7. The  comp ositio n of the subje c t  databa se for  four cat ego rie s   Cate g ories of su b j ects Numbe r Health y  10 Controlled asthm a ( CA ) 10 Partl y -cont rolled asthma ( PA ) 10 Uncontrolled asthma ( UA ) 10     Table 8. The  non-li nea r bin a ry SVM classificatio n  re su lt of four cate gorie s    Predicted Result  Sensitiv ity  Specific ity   Accur a cy   Positive  Negative  Actual  Condition  CA Positive   3.6  0.4  90 75  82.5  Health y Negative  1.0  3.0  PA Positive   3.0  1.0  75 100  87.5  Health y Negative  0.0  4.0  UA Positive   2.6  1.4  65 67.5  66.25   Health y Negative  1.3  2.7    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Asthm a  Identification Usin g  Gas Sen s o r s  and Suppo rt Vector….(Hari Agus Sujon o )  1477 3.3. Classific a tion of Th re e Categorie s   of As thma  w i th Differ en t Sev e rit y   In this study,  we  have te st ed the  ele c tro n ic  no se to  di stingui sh  thre e different  cat egori e s  of asthma  su bject s  with di fferent seve ri ty  of CA, PA and UA u s i ng the non -li near m u lti cl ass   SVM classification. Table 9  sho w s  the  re sults of no n-li near m u lti cla ss SVM cl assification for th is  study. For th e four  CA su bject s  a s  the  test se t, the  system  coul d co rrectly id entify 0.9 as  CA,  inco rrectly 1. 1 sa mple s a s  PA, incorre c tly 2.0 sampl e s a s   UA. Fo r the fou r  PA  subj ect s  a s  t h e   test set, the system  could  corre c tly identify 2.2  samples a s  PA, inco rrectly 1.8  sample s a s  CA,  and in co rrectl y 0.0 sample s a s   UA. Fo r the fou r   UA   subj ect s  a s  t he te st set, the  system  co uld  corre c tly iden tify 1.6 sampl e s a s   UA, incorrectl y 1.0  sample a s   CA, and in co rrectly 1.4 sampl e s  as PA. In this identification ,  the accura cy is 39% . The re sult of identific ation  shows that by only   providin g accura cy value, the sy stem  ca nnot distin gui sh amo ng ca tegori e s. Th erefore, we h a ve  employed th e binary cl assificatio n  for these th ree categori e s. Ta ble 10 sh ows the non -lin ea r  binary  SVM  classificatio n  f o r th ree   cate gorie s of a s t h ma  su bje c ts. For the fo ur CA  sa mple s as  the test  set, the  system  co uld  co rre ctly i dentif y 0.4  sa mples a s   CA, and  in co rretl y 3.6  sampl e s  as PA. Thi s  i ndicates th at  the se nsitivity is b ad (i.e.  1 0 %). For the  four PA sam p les  as the t e st  set, the syste m  could  co rre ctly  identify 3.3 sampl e s a s  PA, and inco rre ctly 0.7 sa mples a s  CA.       Table 9. No n-linear m u lti cl ass SVM cla s sificatio n  re su lt     Predicted Result  Accur a cy   CA PA  UA  Actual  Condition  CA 0.9  1.1  2.0  39%   PA 1.8  2.2  0  UA 1.0  1.4  1.6      Table 10. No n-linie r Binary  SVM classification result    Predicted Result  Sensitiv ity  Specific ity   Accur a cy   Positive  Negative  Actual  Condition  CA Positive   0.4  3.6  10.0%  82.5%   46,25%   PA Negative  0.7  3.3  CA Positive   1.6  2.4  40%  75%   57,5%   UA Negative  1.0  3.0  PA Positive   4.0  0.0  100%  57.5  78,75%   UA Negative  1.7  2.3      This in dicate s that the  sp ecificity is  go od (i .e. 82.5%). Similarly, to dis t inguish between  CA an d  UA  subj ect s , the  syste m 's ab ility sh o w s  p oor se nsitivity  (i.e.  40%) and quite  g o od  spe c ificity (i.e. 75%). Finally, to differentia te between PA and  UA subje c ts, the syste m ’s  cap ability sho w s g ood a c cu racy (i.e. 78.7 5 %).    3.4. Classific a tion of  Heal th y  a nd Asth ma using fiv e  sensor s   In this  study, we u s e d  the  respon se  fr om five  s e ns ors ,  i.e .  C O ,  NO , VO C ,  H 2  and CO 2   sen s o r s, to  differentiate  betwe en he a l thy and asth ma su bje c ts  usin g non -lin ear bi nary S V M  cla ssif i cat i on.  Table 1 1  s h ow s t he  cla s sif i cat i o n   re sults obtai ning  the value s  o f  the sen s itivity,  spe c ificity, an d accuracy a r e  100, 79, an d 89.5%, respectively.      Table 11. Th e non-li nier bi nary SVM cla ssifi cation  result of two categori e s u s in g  five senso r s    Predicted Result  Sensitiv ity  Specific ity   Accur a cy   Positive  Negative  Actual  Condition  Asthma Positive   10.0  0.0  100 79  89.5  Health y Negative  2.1  7.9      3.5. Classific a tion of  Heal th y  and Asth ma using thr ee sens o rs   In this study, we used th e re spon se f r om  three se nso r s o n ly, i.e. CO, NO a nd VOC  sen s o r s, to  differentiate  betwe en h ealthy and  asthma  subj ects. T able  12  sho w s th e   cla ssifi cation  results obtai n i ng the value s  of the se n s i t ivity, specificity,  and accu racy are 9 0 , 79 ,  and 84.5%, resp ectively.  Evaluation Warning : The document was created with Spire.PDF for Python.