Noise Removal pada ECG dengan

metode Filter Wavelet-Wiener

Oleh :
Rochim Fajri Tsalatin (5022201011)
Maulana Pratama Agung (5022201023)
 LATAR BELAKANG
Salah satu ogan utama dalam tubuh manusia adalah
jantung. Jika terjadi kelainan kerja pada jantung
akan berdampak pula pada aliran darah ke seluruh
tubuh dimana pada kategori tertentu bisa berakibat
fatal. Diagnosa keadaan pada jantung dapat diketahui
dengan menganalisis ritme pada detak jantung.
Elektrokardiograf (ECG) merupakan merupakan alat
bantu dokter untuk mengetahui aktivitas listrik
jantung (ritme jantung), yang merekam aktivitas
kelistrikan jantung dalam waktu tertentu. Aktivitas
(ritme) jantung yang dihasilkan oleh alat ECG harus
diolah terlebih dahulu sehingga didapatkan sebuah
gelombang yang benar – benar ritme jantung dari
pasien tanpa noise sehingga dapat mudah di diagnose.
Noise pada pembacaan alat ECG dapat dikurangi atau
dihilangkan dengan melakukan metode Filtering.
 TUJUAN

1. Mengestimasi sinyal ECG sebenarnya dari sinyal

ECG yang bercampur noise pada jantung
manusia menggunakan Filter Wiener, HPF,
Filter Wavelet, dan Filter Wiener berbasis
Wavelet secara optimal.
2. Membandingkan filter yang paling tepat dalam
mengestimasi sebuah sinyal ECG.
PEMBAHASAN
 SINYAL ECG

Sinyal ECG terdiri dari gelombang P, kompleks

QRS, dan gelombang T digunakan untuk
mendeteksi kelainan jantung atau aritmia.
Urutan terjadinya sinyal ECG yaitu gelombang P,
kompleks QRS, dan gelombang T
 Defleksi Deskripsi
Gelombang P Gelombang ECG yang pertama dilihat dengan ciri-ciri
lengkung kecil, defleksi positif.
Interval PR Jarak antara awal gelombang P dengan awal
kompleks QRS, pengukuran waktu antara gelombang
depolarisasi dari atrium ke ventrikel.
Interval QRS 1. Gelombang Q: defleksi negatif
2. Gelombang R: defleksi positif
3. Gelombang S: defleksi negatif
Segmen ST Jarak antara gelombang S dan awal gelombang T;
Pengukuran waktu antara depolarisasi ventrikel dan
awal repolarisasi ventrikel
Gelombang T Lengkung positif setelah kompleks QRS yang
memrepresentasikan repolarisasi ventrikel.
Interval QT Pengukuran waktu dari awal QRS sampai akhir
gelombang T yang merepresentasikan aktivitas.
GAMBAR MACAM GELOMBANG SINYAL ECG
NOISE PADA ECG

Sinyal ECG hasil pengukuran menghasilkan grafik yang dipenuhi dengan

noise atau interference. Macam gangguan pada ECG dijelaskan pada slide
selanjutnya
 Baseline Wander 1
Baseline wander merupakan salah satu derau
yang mempengaruhi sinyal ECG, karena
tipikalnya yang turun dan naik serta tidak
berada secara konsisten pada garis isoline atau
garis nol akan menyebabkan algoritma kesulitan
mendeteksi puncak R secara tepat karena
sangat mungkin gelombang T dengan bentuk dan
ukuran yang tidak normal bisa dianggap sebagai
puncak R. Pada dasarnya penyebab dari Baseline
Wander ini adalah akibat dari tergesernya
elektroda yang terpasang pada pasien akibat
dari Gerakan pasien itu sendiri atau elektroda
timah terdapat sebuah kotoran.
 Power Line Interference 2
Gangguan akibat noise yang disebabkan oleh
power line interference pada frekuensi 50/60Hz
yang menyebabkan ritme sinyal naik-turun dan
berharmonisa yang dapat dimodelkan sebagai
bentuk sinusoidal dan kombinasi sinuiodal.
Karakteristik noise jenis ini adalah pada
frekuensi 50/60 Hz dengan harmonik dan
amplitudo 50% dari puncak ke puncak amplitude
sinyal ECG.
 Muscle Artifact 3
Jantung bukanlah satu-satunya benda di dalam
tubuh yang menghasilkan listrik terukur. Saat
otot rangka mengalami tremor atau pergerakan,
sinyal terbaca pada ECG tergambarkan dengan
aktivitas yang tampaknya acak dan banyak.
Muscle Artifact pada amplitudo rendah dapat
meniru garis dasar yang terlihat pada
penggambaran fibrilasi atrium. Pada kasus
Muscle Artifact lainnya seringkali jauh lebih
tidak terlihat penggambaran gelombang noise
nya daripada yang ditunjukkan pada Gambar di
samping.
PENGUMPULAN DATA

Data sinyal ECG yang digunakan dihimpun dari figshare Collection

oleh Jianwei Zheng. Database dapat diakses pada tautan berikut
https://figshare.com/collections/ChapmanECG/4560497/2. Data
berada di bawah naungan Universitas Chapman dan RS Rakyat
Shaoxing (Fakultas Kedokteran Universitas Zhejiang RS Shaoxing).
Subjek sebanyak 10646 pasien dengan frekuensi sampling sebesar
500 Hz. Terdapat 5000 sampel 12 dimensi dimana tiap sampel
sebesar 10 detik. 12 dimensi yang dimaksud yaitu 12-lead dari sinyal
ECG. Terdapat 12 lokasi yang diukur pada permukaan tubuh sehingga
disebut 12-lead ECG. Kemudian data yang akan di uji yaitu data
sinyal ECG pada pasien ke-1158 yang diambil pada 12 Januari 2018.
METODA KERJA

Data sinyal ECG yang digunakan sebelumya terdapat 2 jenis yaitu raw
atau mentahan dan denoised. Akan digunakan berbagai macam
filtering pada data sinyal ECG raw untuk kemudian dibandingkan
dengan data ECG denoised. Tidak hanya itu hasil pengujian estimasi
ECG raw yang telah difilter akan dibandingkan dengan pengujian
lainnya. Metode filter yang akan digunakan yaitu :
1. HPF (High Pass Filter)
2. Filter Wiener
3. Filter berbasis Wavelet
4. Filter Wavelet Wiener
Grafik di atas adalah plot data sinyal ECG yang akan diolah. Terlihat bahwa noise
yang dominan merupakan power line interference dengan sedikit baseline wander
atau BW.
 Filter Biasa (High Pass Filter) 1
Dari gambar disamping terlihat bahwa :

Dalam sinyal ECG yang ideal atau tanpa noise, daerah 1

merupakan sinyal tanpa adanya noise atau tidak terjadi spike
nilai seperti pada sinyal. Sehingga dalam pengujian kali ini
diinginkan untuk meredam frekuensi sembari tetap
mempertahankan frekuensi . Frekuensi tersebut dipertahankan
karena merupakan bagian penting dari sinyal ECG yaitu QRS
kompleks. Peredaman dapat dilakukan dengan menggunakan
HPF atau High Pass Filter sehingga didapat sinyal noise. Sinyal
ECG yang tecampur noise kemudian akan dikurangi dengan
sinyal noise tersebut dimana diasumsikan noise yang terdapat
pada sinyal merupakan noise yang aditif. Sehingga akan didapat
hasil berupa estimasi sinyal ECG. Plot 2 daerah frekuensi
berbeda
 Filter Wiener 2
Filter Wiener yang digunakan merupakan filter Wiener jenis digital atau diskrit. Filter ini
memiliki kelebihan yaitu dapat meminimumkan MSE dengan cara mencari koefisien paling
optimal dari filter. Misalkan sinyal ECG sebenarnya yaitu , sinyal ECG terukur atau tercampur
noise yaitu , dan sinyal noise yaitu . Diasumsikan sinyal noise merupakan noise yang aditif
sehingga :

Koefisien filter sebelumnya dapat dicari dengan menggunakan persamaan Wiener-Hopf sebagai
berikut :
Nilai autokorelasi dari sinyal terukur atau dan nilai korelasi silang antara sinyal sebenarnya dan
sinyal terukur atau dapat dicari dengan menggunakan persamaan berikut
Nilai dari dapat dicari dengan menggunakan data
yang ada. Untuk nilai dari dicari dengan
mengambil secuplik bagian dari sinyal yang
stasioner dan memiliki noise. Sinyal noise tersebut
kami ambil dari hingga atau memiliki panjang
sebesar 61. Setelah dicuplik, dilakukan
pengurangan sinyal tersebut dengan meannya
sehingga didapat sinyal noise yang zero mean. Dari
sinyal noise tersebut kemudian dapat dihitung nilai
autokorelasi dari noise atau . Setelah itu, dengan
menggunakan persamaan pertama di atas akan
didapat nilai autokorelasi dari sinyal sebenarnya
atau dan didapat . Koefisien dari filter Wiener
atau kemudian dapat dicari dengan menggunakan
nilai dan . Dikarenakan sinyal noise yang
digunakan memiliki panjang sebesar 61 maka filter
yang didapat memiliki orde sebesar 61.
 Filter Berbasis Wavelet 3
Filter linear termasuk filter Wiener kurang cocok untuk meredam noise seperti pada
sinyal ECG yang digunakan. Frekuensi dari noise sangat menumpang tindih (overlap)
dengan frekuensi dari sinyal ECG. DWT atau Discrete-time Wavelet Transform
merupakan salah satu metode yang cocok untuk meredam noise jenis tersebut. Filter
berbasis domain Wavelet menggunakan prinsip modifikasi koefisien dari transformasi
wavelet berdasarkan besar sinyal noise. Transformasi Wavelet dapat menguraikan suatu
sinyal menjadi satu set wavelet. Kelebihan dari wavelet ini yaitu mampu menyajikan
beberapa informasi spektrum frekuensi secara bersamaan serta jenisnya sangat banyak
sehingga dapat divariasikan hingga cocok dengan sinyal.
Variasi dalam filter dengan domain Wavelet yaitu basis wavelet, fungsi shrinkage (soft, hard, firm,
dan non-negative garrote), threshold (Universal, Minimax, SURE, Hybrid, EBayes, GCV). Menurut
jurnal yang ditulis oleh Suyi Li dan Jun Lin, terdapat beberapa variasi yang paling cocok digunakan
untuk filter Wavelet pada sinyal ECG yaitu basis wavelet Sym4 dengan level 4, fungsi shrinkage hard,
threshold EBayes. Basis Symlet cocok untuk sinyal ECG karena secara teoritis, basis ini memiliki sifat
yaitu orthogonal, mendekati simetris, fungsi scaling memiliki kemiripan dengan sinyal ECG.
Algoritma yang digunakan untuk filtering dalam domain Wavelet yaitu

1. Dekomposisi sinyal ECG terukur atau tercampur noise menggunakan DWT

dengan basis wavelet serta level yang diinginkan. Dekomposisi ini
menghasilkan koefisien data dari sinyal ECG terukur atau , koefisien
sinyal sebenarnya dari sinyal ECG sebenarnya atau , koefisien sinyal
noise dari sinyal noise atau . Dengan merupakan indeks dari koefisien
dan merupakan level ke-m dari dekomposisi. DWT juga memiliki sifat
linieritas sehingga :

2. Shrink atau mengolah koefisien pada tiap level dengan metode shrinkage
dan thresholding yang sesuai.
3. Rekontruksi sinyal untuk mendapat estimasi sinyal ECG.
 Filter Wavelet-Wiener 4
Pada beberapa jurnal dijelaskan bahwa terdapat analogi antara modifikasi koefisien wavelet
(filtering dalam wavelet) dan filter Wiener yaitu koefisien dikalikan oleh suatu formfactor
yaitu .

dimana sehingga
Sesuai dengan prinsip pada filter Wiener yaitu meminimumkan MSE atau Minimum
Square Error yaitu sebeasr . Berdasarkan L Chmelka maka didapat formfactor agar
MSE minimum yaitu

Nilai dari tidak diketahui sehingga disubstitusikan dengan varians noise pada
masing-masing level ke-m. Nilai dari varians tersebut dapat dicari dengan
Estimasi dari filter Wavelet dinamakan estimasi pilot atau . Sinyal
estimasi tersebut akan digunakan untuk menentukan formfactor pada
filter Wiener. Berikut adalah skema yang digunakan
SIMULASI & HASIL
 HIGH PASS FILTER (HPF)

Sebelum dilakukan desain filter HPF, perlu dicari

tahu terlebih dahulu rentang frekuensi (noise)
yang akan difilter. Hal tersebut dapat dilakukan
dengan mengamati Power Spectral Density atau
PSD dari sinyal ECG terukur atau tercampur
noise. Gambar disamping adalah PSD dari sinyal
ECG terukur.
Dapat dilihat bahwa lonjakan daya terjadi pada mulai frekuensi
ternormalisasi . Sehingga akan menentukan dimana frekuensi passband
sekecil mungkin (daerah yang mengandung informasi penting pada sinyal
ECG) yaitu dan frekuensi stopband yaitu . Berikut adalah source code yang
digunakan :
Didapatkan hasil simulasi pemfilteran dengan HPF pada MATLAB sebagai berikut :
Jika sinyal estimasi dibuat satu kanvas dengan sinyal ECG tercampur noise maka
menghasilkan hasil sebagai berikut :
Dari gambar pada slide sebelumnya (29) dapat teramati bahwa Garis biru merupakan
sinyal ECG terukur atau tercampur noise sedangkan garis oranye merupakan sinyal
ECG estimasi. Dapat dilihat bahwa bentuk dari sinyal estimasi cukup mengikuti sinyal
terukur tetapi amplitudo dari QRS atau R peak yang dihasilkan pada estimasi lebih
kecil daripada sinyal terukur.
Filter Wiener

Dalam melakukan simulasi pengestimasian data menggunakan Filter Wiener pada

MATLAB digunakan source code yang dijelaskan pada slide selanjutnya
Didapatkan hasil simulasi pemfilteran dengan Filter Wiener pada MATLAB sebagai
berikut :
Jika sinyal estimasi dibuat satu kanvas dengan sinyal ECG tercampur noise maka
menghasilkan hasil sebagai berikut :
Dari hasil simulasi pada slide sebelumya, Garis biru merupakan sinyal ECG estimasi
dan garis oranye merupakan sinyal ECG terukur. Dapat dilihat bahwa estimasi yang
didapat tidak dapat meredam noise yang ada pada sinyal terukur. Berbagai variasi
filter seperti noise tidak berkorelasi dengan dirinya sendiri noise berkorelasi dengan
dirinya sendiri telah dicoba tetapi hasil yang didapat pada plot sebelumnya
merupakan hasil terbaik. Hal ini mungkin dikarenakan oleh tidak dipertimbangkannya
korelasi antara sinyal sebenarnya dan sinyal noise. Tetapi menurut L Chmelka dan J
Kozumplik, filter linier termasuk filter Wiener kurang cocok untuk meredam noise
seperti pada sinyal terukur.
Filter berbasis Wavelet

Dalam melakukan simulasi pengestimasian data menggunakan Filter berbasis Wavelet

pada MATLAB digunakan source code yang dijelaskan pada slide selanjutnya.
Didapatkan hasil simulasi, dimana berikut adalah koefisien yang
didapat dari DWT sinyal ECG terukur.
Dari slide sebelumya dapat dilihat bahwa koefisien approximation yang didapat
menyerupai sinyal ECG yang diolah. Hal tersebut dikarenakan digunakan basis wavelet
Sym4. Sedangkan pada masing-masing level koefisien detail dapat dilihat bahwa level
terendah memiliki frekuensi paling tinggi (kemungkinan mayoritas noise terdapat pada
level ini) hingga level tertinggi yaitu 4 memiliki frekuensi terendah. Sehingga
koefisien detail pada level yang sekiranya mayoritas terdapat noise perlu diredam.
Tetapi pengolahan koefisien tersebut dilakukan secara otomatis melalui fungsi
shrinkage dan metode threshold yang digunakan. Setelah diolah, koefisien-koefisien
tersebut digunakan untuk melakukan invers DWT untuk didapatkan sinyal estimasi.
Selanjutnya didapatkan hasil estimasi sinyal ECG hasil pemfilteran dengan Filter
berbasi Wavelet. Berikut adalah sinyal estimasi yang didapat.
Jika sinyal estimasi dibuat satu kanvas dengan sinyal ECG tercampur noise maka
menghasilkan hasil sebagai berikut :
Dapat dilihat bahwa noise power line interference pada sinyal ECG estimasi cukup
menghilang secara visual. Hal tersebut ditunjukkan dengan menghalusnya beberapa
segmen yang terdampak noise (kecuali QRS kompleks)pada sinyal estimasi yang diplot.
Garis biru merupakan sinyal ECG terukur atau tercampur noise sedangkan garis oranye
merupakan sinyal ECG estimasi. Dapat dilihat bahwa bentuk dari sinyal estimasi cukup
mengikuti sinyal terukur dengan amplitudo dari QRS atau R peak yang dihasilkan pada
estimasi tetap dipertahankan.
Filter Wavelet-Wiener (WWF)

Dalam melakukan simulasi pengestimasian data menggunakan Filter

berbasis Wavelet pada MATLAB digunakan source code yang dijelaskan
pada slide selanjutnya. Source code yang digunakan juga merupakan
gabungan dari source code untuk melakukan pengestimasian sinyal ECG
menggunakan Filter Wiener dan Filter berbasis Wavelet,
Didapatkan hasil simulasi pemfilteran sinyal ECG dengan Filter Wavelet-Wiener
pada MATLAB sebagai berikut :
Jika sinyal estimasi dibuat satu kanvas dengan sinyal ECG tercampur noise maka
menghasilkan hasil sebagai berikut :
Seperti pada filtering Wavelet, dapat dilihat bahwa noise power line interference
pada sinyal ECG estimasi cukup menghilang secara visual. Hal tersebut ditunjukkan
dengan menghalusnya segmen yang paling terdampak noise (kecuali segmen QRS
kompleks). Garis biru merupakan sinyal ECG terukur atau tercampur noise
sedangkan garis oranye merupakan sinyal ECG estimasi. Dapat dilihat bahwa bentuk
dari sinyal estimasi cukup mengikuti sinyal terukur dengan amplitudo dari QRS atau
R peak yang dihasilkan pada estimasi tetap dipertahankan.
PENGUJIAN & ANALISIS
PENGUJIAN

Dari hasil simulasi pada slide – slide sebelumnya, selanjutnya akan dilakukan
tahap pengujian dan analisis untuk mengetahui metode mana yang paling bagus
untuk digunakan dalam pemfilteran sinyal ECG yang mengandung noise. Pengujian
dilakukan dengan bermacam – macam metoda sebagai berikut :
1. Mean Square Error (MSE)
2. Signal to Noise Rasio (SNR)
3. Power Spectran Density (PSD)
 Mean Square Error 1
MSE merupakan rata-rata kesalahan atau error yang dikuadratkan. Error didapat
dengan membandingkan sinyal ECG estimasi dengan sinyal ECG yang telah diolah
pada database. MSE mengukur seberapa dekat garis regresi dengan sekumpulan titik
data pada sinyal. Semakin kecil nilai MSE maka sinyal estimasi yang didapat semakin
baik. Dalam melakukan pengujian MSE ini, Syntax yang digunakan untuk mencari
MSE dari kedua sinyal yaitu dimana dan merupakan kedua sinyal yang akan dicari
MSEnya. Salah satu sinyal tersebut merupakan sinyal ECG “sebenarnya” dan sinyal
lainnya merupakan sinyal ECG yang diestimasi. Berikut adalah MSE untuk masing-
masing metode.
 Metode Filter MSE

Filter High Pass (HPF) 7965

Filter Wiener 880.5716

Filter Wavelet 596.7230

Filter Wavelet-Wiener 586.4353

Tabel Nilai MSE dari masing – masing metode Filtering

Dari table pada slide sebelumnya (53) MSE yang dihasilkan pada WWF atau Filter
Wavelet-Wiener paling kecil nilainya. Sehingga WWF merupakan metode paling baik
apabila ditinjau melalui MSE. Tetapi dapat dilihat MSE yang dihasilkan masih cukup
besar dimana nilainya hingga ratusan. Hal ini dikarenakan batasan masalah yang
diterapkan pada projek ini yaitu filtering noise power line interference saja. Noise
lain yaitu BW atau Baseline Wander tidak diperhitungkan dimana noise ini
mempengaruhi stasioneritas (segaris dengan sumbu x) pada daerah yang menjadi
fokusan filtering pada projek ini.
 Signal to Noise Ratio 2
SNR merupakan rasio perbandingan antara sinyal ECG sebenarnya dengan noise. Noise
didapat dari selisih antara sinyal ECG sebenarnya yaitu sinyal ECG yang telah diolah pada
database dengan sinyal ECG estimasi. Sehingga semakin besar SNR maka estimasi yang
didapat semakin baik.

dengan,

Syntax yang digunakan yaitu dimana merupakan sinyal ECG sebenarnya dan adalah sinyal
noise atau selisih antara sinyal ECG sebenarnya dengan estimasi. Berikut adalah SNR untuk
masing-masing metode filter.
 Metode Filter SNR (dB)

Filter High Pass (HPF) 0.8383

Filter Wiener 10.4027

Filter Wavelet 12.0926

Filter Wavelet-Wiener 12.1681

Tabel Nilai SNR dari masing – masing metoda Filtering

Dari slide sebelumnya (56) dapat dilihat bahwa metode WWF atau filter Wavelet-
Wiener menghasilkan SNR terbesar yang menandakan metode ini merupakan metode
filter paling baik di antara metode yang ada. Hal ini seperti pada pengujian
menggunakan MSE sebelumnya. Nilai SNR pada WF (Filter Wavelet) dan WWF tidak
jauh berbeda. Hasil tersebut seperti pada jurnal yang ditulis oleh Lukas Smital, dkk.
Tetapi, WWF tetap menghasilkan SNR yang terbesar di antara metode lainnya.
 Power Spectran Density 3

PSD mengukur daya dari sinyal terhadap frekuensi. Parameter ini dapat digunakan
untuk mengidentifikasi mana filter yang bekerja lebih optimal atau baik. Syntax yang
digunakan untuk mengamati PSD dari sinyal yaitu . Periodogram sendiri merupakan
representasi secara grafis dari sinyal dalam domain frekuensi.
Gambar PSD dari sinyal ECG sebenarnya Gambar PSD dari sinyal estimasi ECG dengan
HPF
Gambar PSD dari sinyal estimasi ECG dengan Gambar PSD dari sinyal estimasi ECG dengan
Filter Wiener Wavelet
Gambar PSD dari sinyal estimasi ECG dengan
Filter Wavelet Wiener
Pada PSD dari sinyal ECG terukur terdapat lonjakan daya pada frekuensi tinggi
ternormalisasi . Diketahui bahwa noise mayoritas berada pada daerah frekuensi
tinggi. Sedangkan pada PSD dari sinyal ECG sebenarnya tidak terjadi lonjakan daya
pada frekuensi tinggi tersebut dimana justru redaman pada frekuensi tinggi cukup
tinggi (hingga -20 dB). Pada PSD dari sinyal ECG estimasi dengan HPF didapati
terdapat lonjakan daya pada frekuensi tinggi serta hanya dapat meredam lonjakan
daya pada frekuensi ternormalisasi . Daya pada frekuensi mendekati tertinggi justru
sangat diredam (hampir menghilang/menyusut). Hal tersebut kemungkinan
menyebabkan estimasi yang dihasilkan pada HPF kurang menghasilkan estimasi yang
baik. Pada PSD dari sinyal ECG estimasi dengan filter Wiener didapati PSD yang kurang
lebih sama dengan HPF tetapi tanpa redaman pada frekuensi mendekati tertinggi.
Pada PSD dari sinyal ECG estimasi dengan WF dan WWF keduanya sama dimana
lonjakan pada frekuensi tinggi dapat diredam dengan baik.
Sulit melihatnya. Baiknya lonjakan yang
dimaksud diberi tanda pada grafiknya
 Pengujian Ulang WWF untuk Data ECG Lain 4
Dalam melakukan pengujian kali ini digunakan perbandingan langsung antara data
sinyal ECG yang telah terestimasi dengan data sinyal ECG yang telah dilakukan
denoising yang didapat pada database. Sinyal ECG akan diestimasi dengan filter
Wavelet-Wiener atau WWF, dikarenakan dari 3 pengujian sebelumnya yakni dari
pengujian MSE, SNR, dan PSD didapati estimasi sinyal ECG paling bagus adalah
estimasi sinyal ECG dengan menggunakan flter Wavelet Wiener. Pada pengujian
kali ini digunakan sebuah sinyal ECG yang terukur pada subject ke 4382 baik data
sinyal ECG dan data sinyal ECG yang telah dilakukan denoising.
Gambar Sinyal ECG Terukur pada Subjek ke-4382
Hasil filtering data sinyal ECG subject ke-4382 menggunakan
metode WWF atau filter Wavelet-Wiener yaitu sebagai berikut :
Plot pada satu kanvas antara sinyal ECG terestimasi dan terukur
subjek ke-4382 yaitu sebagai berikut
Dari gambar pada slide sebelumnya (66) Garis oranye merupakan sinyal ECG estimasi
dan garis biru merupakan sinyal ECG terukur atau tercampur noise. Dapat dilihat
bahwa secara visual, sinyal ECG estimasi mampu mengestimasi bentuk sinyal ECG
sebenarnya dari sinyal yang tercampur noise. Meskipun distorsi atau noise yang
dihasilkan cukup besar tetapi filter WWF tetap mampu mengestimasi sinyal ECG
dengan baik dan optimal. Sedangkan berikut adalah hasil estimasi yang dihasilkan
pada database.
Gambar Sinyal ECG Estimasi oleh Database pada Subjek ke-4382
Jika dibandingkan dengan hasil estimasi sinyal ECG menggunakan filter Wavelet
Wiener didapatkan sebuah analisa yakni, dimana dapat dilihat bahwa estimasi yang
dihasilkan pada database justru masih terdapat noise. Hal tersebut terlihat bahwa
pada segmen selain QRS kompleks masih terdapat spike atau naik turun pada sinyal
dimana seharusnya stasioner. Sehingga dapat disimpulkan bahwa filter WWF
termasuk filter yang optimal dalam mengestimasi sinyal ECG yang tercampur
dengan noise terutama noise power line interference.

Perlu diberi nilai statistic yang

dipakai sebagai tolok ukur
kesesuaian
KESIMPULAN & DAFTAR PUSTAKA
A+
 KESIMPULAN

1. Filter yang paling optimal dalam mengestimasi sinyal ECG dalam projek ini yaitu filter WWF atau
filter Wavelet-Wiener. Filter ini mengombinasikan konsep filter Wiener dalam domain wavelet.

2. Filter WWF merupakan filter yang paling optimal karena menghasilkan MSE terkecil dan SNR
terbesar. Selain itu, PSD dari sinyal estimasi menggunakan filter ini juga menunjukkan bahwa
lonjakan daya pada frekuensi tinggi mampu diredam dengan baik. Estimasi yang dihasilkan juga
dapat lebih baik dari hasil pada database untuk kasus dimana distorsi noise pada sinyal cukup
besar.

3. MSE yang dihasilkan tergolong cukup besar yaitu hingga ratusan. Hal tersebut dikarenakan batasan
filtering pada projek ini yaitu hanyaJika sudahpower
noise optimal tidak
line perlu
interference tanpa mempertimbangkan
pakai paling
 DAFTAR PUSTAKA

• Chmelka, L., & Kozumplik, J. (2005). Wavelet-Based Wiener Filter for Electrocardiogram Signal Denoising. Computers in
Cardiology, 771–774. https://doi.org/10.1109/cic.2005.1588218.

• Haddadi, R., Abdelmounim, E., El Hanine, M., & Belaguid, A. (2014). Discrete Wavelet Transform Based Algorithm for
Recognition of QRS Complexes. 2014 International Conference on Multimedia Computing and Systems (ICMCS), 4(9),
127–132. https://doi.org/10.1109/icmcs.2014.6911261.

• Li, S., & Lin, J. (2009). The Optimal De-noising Algorithm for ECG Using Stationary Wavelet Transform. 2009 WRI World
Congress on Computer Science and Information Engineering, 469–473. https://doi.org/10.1109/csie.2009.999.

• Manju, B. R., & Sneha, M. R. (2020). ECG Denoising Using Wiener Filter and Kalman Filter. Procedia Computer Science,
171, 273–281. https://doi.org/10.1016/j.procs.2020.04.029.

• Smital, L., Vítek, M., Kozumplík, J., & Provazník, I. (2013). Adaptive Wavelet Wiener Filtering of ECG Signals. IEEE
Transactions on Biomedical Engineering, 60(2), 437–445. https://doi.org/10.1109/tbme.2012.2228482.
• The Math Works, Inc. (2021). MATLAB (Version 2021a) [Computer software].
https://www.mathworks.com/.

• Utari, E. L. (2016). Analisa Deteksi Gelombang QRS Untuk Menentukan Kelainan Fungsi Kerja Jantung.
Teknoin, 22(1), 27–37. https://doi.org/10.20885/teknoin.vol22.iss1.art4.

• Vaseghi, S. V. (2020). Advanced Digital Signal Processing and Noise Reduction (4th ed.). JOHN WILEY &
Sons.

• Zheng, Jianwei; Rakovski, Cyril; Danioko, Sidy; Zhang, Jianming; Yao, Hai; Hangyuan, Guo (2019): A 12-
lead electrocardiogram database for arrhythmia research covering more than 10,000 patients. figshare.
Collection. https://doi.org/10.6084/m9.figshare.c.4560497.