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 :
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
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)
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
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)
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.
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.