Publisher

STTMCILEUNGSISTTMCILEUNGSI

Journal TEKNOSAINS : Jurnal Sains, Teknologi dan InformatikaTEKNOSAINS : Jurnal Sains, Teknologi dan Informatika Abstract

Electrocardiogram (ECG) signals play a vital role in cardiac diagnostics but are highly susceptible to interference from Baseline Wander (BW), Powerline Interference (PLI), Electrode Motion (EM), and Muscle Artifact (MA), which may degrade diagnostic accuracy and increase false alarm rates in healthcare monitoring systems. The Stationary Wavelet Transform (SWT) is known to be effective in ECG denoising; however, its performance is significantly influenced by the choice of thresholding function. This study aims to comprehensively evaluate five thresholding functions (Soft, Hard, Semi Soft, Garrotte, and Stein) when integrated with SWT across various noise types and levels. The performance is assessed using three primary metrics: Root Mean Square Error (RMSE), Percentage Root Difference (PRD), and Signal-to-Noise Ratio (SNR) Improvement. Experimental results indicate that the Stein method delivers the highest signal quality improvement with an average SNR gain of 5.4 dB, while the Semi Soft method achieves the lowest error rates, reducing RMSE by up to 28% under low to medium noise conditions. Under high noise levels, all methods show similar degradation in performance. This study addresses a gap in the literature by providing a novel comparative analysis of thresholding strategies for ECG denoising using SWT. The findings serve as a valuable guide for optimizing noise removal in real-time ECG monitoring systems.

Conclusion

Berdasarkan analisis SNR Improvement, Root Mean Square Error (RMSE), dan Percentage Root Difference (PRD) untuk berbagai jenis noise, metode Stein dan Semi Soft dianggap sebagai pendekatan yang paling efektif.Metode Stein unggul dalam meningkatkan SNR pada kondisi noise rendah hingga sedang, sementara metode Semi Soft menghasilkan nilai RMSE dan PRD yang lebih rendah dan lebih stabil dalam rentang noise yang sama.Kedua metode ini menunjukkan efektivitas di semua jenis noise dan memberikan hasil denoising yang andal dalam berbagai skenario.Pada kondisi noise tinggi, kinerja semua metode menurun secara seragam, menunjukkan bahwa tidak ada satu pun fungsi thresholding yang secara signifikan mengungguli yang lain dalam kondisi ekstrem tersebut.Oleh karena itu, penggunaan fungsi thresholding berbasis SWT paling efektif dalam lingkungan noise rendah hingga sedang.

Future Research

Berdasarkan latar belakang, metode, hasil, keterbatasan, dan saran penelitian lanjutan yang ada, berikut adalah beberapa saran penelitian lanjutan yang baru: Pertama, bagaimana pengaruh pemilihan mother wavelet yang berbeda terhadap kinerja SWT dalam denoising sinyal ECG dengan berbagai jenis noise? Penelitian ini dapat mengeksplorasi berbagai jenis mother wavelet dan menganalisis dampaknya terhadap efektivitas denoising, sehingga dapat memberikan panduan dalam memilih wavelet yang paling sesuai untuk aplikasi tertentu. Kedua, bagaimana mengintegrasikan SWT dengan teknik machine learning atau deep learning untuk meningkatkan kinerja denoising, terutama dalam skenario noise yang kompleks atau tinggi? Integrasi ini dapat memanfaatkan kemampuan machine learning untuk mempelajari pola noise dan secara adaptif menyesuaikan parameter SWT untuk mencapai denoising yang lebih optimal. Ketiga, bagaimana menganalisis efek dari berbagai level dekomposisi SWT terhadap kinerja denoising dan kompleksitas komputasi? Penelitian ini dapat mengidentifikasi level dekomposisi yang memberikan keseimbangan terbaik antara kualitas denoising dan efisiensi komputasi, sehingga dapat mendukung implementasi real-time pada perangkat embedded. Ketiga saran ini saling melengkapi dan dapat memberikan kontribusi signifikan dalam pengembangan metode denoising sinyal ECG yang lebih efektif dan efisien, yang pada akhirnya dapat meningkatkan akurasi diagnosis dan keandalan sistem pemantauan kesehatan.

References

1. Adaptive denoising of ECG using EMD, EEMD and CEEMDAN signal processing techniques - IOPscience. adaptive... doi.org/10.1088/1742-6596/1706/1/012077Adaptive denoising of ECG using EMD EEMD and CEEMDAN signal processing techniques IOPscience adaptive doi 10 1088 1742 6596 1706 1 012077
2. Comparison analysis between rigrsure, sqtwolog, heursure and minimaxi techniques using hard and soft... ieeexplore.ieee.org/document/7743309Comparison analysis between rigrsure sqtwolog heursure and minimaxi techniques using hard and soft ieeexplore ieee document 7743309
3. Bitlis Eren University Journal of Science and Technology » Submission » Introduction to Wavelets... doi.org/10.17678/beuscitech.349020Bitlis Eren University Journal of Science and Technology A Submission A Introduction to Wavelets doi 10 17678 beuscitech 349020

Metadata

File size	862.96 KB
Pages	13
DMCA	Report