Sinyal elektrokardiogram adalah sinyal bio-electrik yang dihasilkan dari aktifitas kelistrikan jantung. Informasi dari kondisi kesehatan jantung bisa diketahui dengan menganalisis bentuk, irama, durasi, maupun orientasi nya. Berbagai metode dikembangkan untuk melakukan analisis atau mengklasifikasi sinyal EKG secara otomatis. Beberapa diantaranya menggunakan metode transformasi untuk mengubah sinyal dari domain waktu ke domain sinyal yang lain. Pada penelitian ini digunakan Stockwell transform S-transform untuk mengubah sinyal dari domain waktu ke domain waktu-frekuensi. Nilai minimum dan maksimum dari pada deretan waktu dari S-transform digunakan sebagai masukan K-NN sebagai classifer. Akurasi dari penggunaan S-transform dibandingkan dengan akurasi penggunaan short-term Fourier transform STFT yang merupakan transormasi yang setara. Hasil pengujian menunjukkan akurasi S-transform lebih tinggi dibandingkan dengan FFT pada enam kelas data sinyal EKG yang diuji. Discover the world's research25+ million members160+ million publication billion citationsJoin for free AITI Jurnal Teknologi Informasi, Volume 17 No. 1 Februari 2020, 22-32 ISSN 1693-8348 E-ISSN 2615-7128 Aplikasi Stockwell Transforms dan K-Nearest Neighbor untuk Klasifikasi Sinyal Elektrokardiogram Dyah Ayu Pratiwi 1, Achmad Rizal 2, Rita Magdalena 31,2,3Fakultas Teknik Elektro, Telkom University Jl. Telekomunikasi no 1, Ters. Buah Batu, Kab. Bandung Email achmadrizal Riwayat artikel Recieved 17-03-2020 Revised 15-07-2020 Accepted 22-07-2020 Abstract An electrocardiogram signal is a bio-electrical signal that results from the electrical activity of the heart. Information on heart health conditions can be inferred by analyzing its shape, rhythm, duration, and orientation. Various methods have been developed to analyze or classify ECG signals automatically. Some of them use the transformation method to convert signals from the time domain to another signal domain. In this study, the Stockwell transform S-transform was used to convert signals from the time domain to the time-frequency domain. Minimum and maximum values of the time series of S-transforms were used as K-NN inputs as classifiers. The classification accuracy of S-transform was compared with the accuracy of the short-time Fourier transform STFT, which is an equivalent transformation. The test results showed that S-transform produced higher accuracy compared to FFT on the six classes of ECG signal data tested. Keywords electrocardiogram, short-time Fourier transform, Stockwell transform, K-NN Abstrak Sinyal elektrokardiogram EKG adalah sinyal bio-elektrik yang dihasilkan dari aktifitas kelistrikan jantung. Informasi dari kondisi kesehatan jantung bisa diketahui dengan menganalisis bentuk, irama, durasi, maupun orientasi sinyal EKG. Berbagai metode dikembangkan untuk melakukan analisis atau mengklasifikasi sinyal EKG secara otomatis. Beberapa diantaranya menggunakan metode transformasi untuk mengubah sinyal dari domain waktu ke domain sinyal yang lain. Pada penelitian ini digunakan Stockwell transform S-transform untuk mengubah sinyal dari domain waktu ke domain waktu-frekuensi. Nilai minimum dan maksimum pada deretan waktu dari S-transform digunakan sebagai masukan K-NN sebagai classifer. Akurasi klasifikasi dari penggunaan S-transform dibandingkan dengan akurasi penggunaan short-time Fourier transform STFT yang merupakan transformasi yang setara. Hasil pengujian menunjukkan akurasi S-transform lebih tinggi dibandingkan dengan FFT pada enam kelas data sinyal EKG yang diuji. Kata kunci elektrokardiogram, short-time Fourier transform, Stockwell transform, K-NN AITI Jurnal Teknologi Informasi Volume 17 No. 1 Februari 2020, 22-32 23 Pendahuluan Elektrokardiogram EKG adalah sinyal sinyal elektrik yang dihasilkan dari kontraksi otot pada jantung yang berakibat pemompaan darah ke seluruh tubuh [1]. Sinyal EKG memiliki suatu informasi yang merepresentasikan kondisi jantung. Biasanya dinilai berdasarkan bentuk, irama, orientasi, dan durasi [2]. Teknik penilaian sinyal EKG paling dasar yaitu menilai secara visual dari kertas rekaman EKG yang dilakukan oleh dokter. Penilaian seperti ini membutuhkan keahlian dan pengalaman dari dokter. Mengingat keterbatasan jumlah dokter spesialis jantung, maka dirasa perlu dibangun sistem untuk menganalisis sinyal EKG untk membantu dokter memberikan analisis awal sinyal EKG. Berbagai teknik dikembangkan untuk menghasilkan metode yang dapat mengklasifikasi sinyal EKG menggunakan komputer. Selain metode pada domain waktu [3], berbagai metode tranformasi sinyal digunakan untuk menganalisis sinyal seperti transformasi Fourier [4], tranformasi wavelet [5][6], maupun transformasi domain waktu-frekuensi seperti short-time Fourier transform STFT [7]. STFT merupakan metode yang sederhana dalam untuk melakukan transformasi dari domain waktu ke domain waktu-frekuensi. Pada STFT, dilakukan segmentasi sinyal kemudian dilakukan transformasi Fourier pada segmen sinyal tersebut. Hal ini menyebabkan resolusi di domain waktu dan frekuensi sangat tergantung pada panjang segmen sinyal yang dilakukan FFT. Segmen sinyal yang panjang akan menurunkan resolusi ada domain waktu dan menaikkan resolusi pada domain frekuensi, demikian sebaliknya [8]. Xia dkk menggunakan STFT dan deep convolutional neural network untuk mendeteksi atrial fibrillation [7]. Sementara itu metode yang hampir sama digunakan oleh Huang dkk. Untuk mendeteksi arrhythmia pada sinyal EKG [9]. Kedua penelitian tersebut menggunakan masukan berupa matrik 2D dari spektrogram hasil STFT sebagai masukan. Hal ini membutuhkan teknik klasifikasi yang canggih yaitu deep learning. Selain untuk klasifikasi sinyal EKG, STFT juga bisa digunakan dalam pengolahan komponen sinyal dalam sinyal EKG [10]. Pada metode ini, STFT digunakan untuk memperhalus sinyal atau mengekstraksi komponen sinyal EKG. Dari uraian di atas, kelemahan dari STFT adalah trade-off antara panjang segmen dan resolusi dari spektrogram. Kelemahan ini diatasi dengan adanya Stockwell transform atau S-transform yang menggunakan Gaussian window pada segmentasi sinyal. Pada penelitian ini diusulkan metode klasifikasi sinyal EKG menggunakan S-transform. Resolusi tinggi dari S-transform diharapkan mampu menghasilkan akurasi yang lebih tinggi dari pada STFT. Untuk itu pada penelitian ini dibandingkan performansi FFT dan S-transform menggunakan K-NN sebagai classifier. Pada penelitian ini dipilih metode K-NN yang sederhana sebagai classifier untuk menunjukkan bahwa metode yang digunakan tidak membutuhkan komputasi yang tinggi. Hasil yang didapat diharapkan dapat menjadi alternatif metode pengolahan sinyal EKG menggunakan transformasi pada domain waktu-frekuensi. 24 Klasifikasi Sinyal EKG Menggunakan Stockwell Transforms...Pratiwi, Rizal, Magdalena Kajian Pustaka Elektrokardiogram EKG adalah sinyal listrik yang terjadi akibat aktifitas jantung yang menggambarkan kondisi jantung [1]. Sinyal EKG dapat menggambarkan kondisi kesehatan jantung seseorang melalui irama, durasi, bentuk, dan orientasinya. Sinyal EKG normal terdiri dari sinyal P, Q, R, S, dan T yang mewakili depolarisari atrium, depolarisasi ventrikel, dan repolarisasi ventrikel [11]. Perubahan bentuk dan orientasi dari sinyal EKG normal mengindikasikan kelainan yang terjadi pada jantung. Beberapa kelainan jantung diantaranya atrial fibrilation AF, ventricular tachicardia VT, ventricular fibrilation VF, prematur ventricular contraction PVC, paced rhytms PR. Pada AF terjadi kontraksi otot jantung tidak beraturan sehingga proses pemompaan darah menjadi tidak efisien [12]. AF terjadi karena kelainan atau gangguan impuls listrik pada jantung. Pada VT, irama jantung menjadi sangat cepat di ventrikel. Sementara itu pada VF, irama jantung terjadi sangat cepat di ventrikel namun menpunyai kecepatan dan ritme yang tidak teratur dan bentuk yang berbeda. PVC adalah denyut jantung terjadi sebelum waktunya atau prematur yang berasal dari ventrikel [11]. PR merupakan bentuk sinyal EKG dengan QRS yang terjadi berulang-ulang tetapi tidak muncul gelombang P. Short-time Fourier Transform STFT atau spectrogram merupakan metode transformasi sinyal dari domain waktu ke domain domain waktu-frekuensi. Pada algoritma ini, sinyal akan disegmen pada selang waktu tertentu tertentu. Sinyal hasil segmentasi ditransformasi menggunakan FFT ke domain frekuensi. Persamaan 1 menampilkan ekspresi matematis dari STFT. 𝑆𝑇𝐹𝑇 𝜏,𝑓 ℎ𝑡𝑔𝑡𝜏𝑒𝑑𝑡~~ 1 dimana menunjukkan waktu lokasi spektral dan f merupakan frekuensi, sedangkan gt menunjukkan fungsi window yang digunakan dalam STFT. Ilustrasi STFT ditampilkan pada Gambar 1. STFT mencuplik sinyal pada window yang ditentukan dan melakukan FFT pada tiap cuplikan sinyal. Selanjunya hasil proses ini ditata menjadi representasi sinyal dalam domain waktu-frekuensi. Gambar 1 Short Time Fourier Transforms Transformasi Stockwell S-transform merupakan metode transformasi sinyal dari domain waktu ke domain waktu-frekuensi [8]. S-transform mampu melakukan AITI Jurnal Teknologi Informasi Volume 17 No. 1 Februari 2020, 22-32 25 analisis sinyal yang berubah terhadap waktu secara multiresolusi. Perbedaan S-transform dengan STFT adalah penggunaan Gaussian window yang mempunyai kemampuan adaptasi pada lebar dan amplitudo terhadap variasi frekuensi. Secara matematis Gaussian window ditulis seperti Persamaan 2. 𝑔𝑡√𝑒 2 KarenaS-transform berasal dari Persamaan 1 dengan mengganti fungsi window 𝑔𝑡 dengan Persamaan 2 maka S-transform dapat didefinisikan seperti Persamaan 3. 𝑆𝜏,𝑓  𝑆𝑇𝐹𝑇 𝜏,𝑓 ℎ𝑡√~~𝑒𝑒𝑑𝑡 3 dimana 𝑓 adalah variabel frekuensi, 𝑡 adalah variabel waktu dan adalah pergeseran waktu. Lebar fungsi Gaussian window proporsional dengan kebalikan dari frekuensi. Spektrum Stockwell𝑠 , 𝑓 menyatakan bagaimana komponen frekuensi pada sinyal bervariasi dari waktu ke waktu. S-transforms mengatasi kelemahan STFT yang mengakibatkan diskontinuitas dalam representasi waktu-frekuensi dan dan resolusi yang tergantung dari panjang cuplikan sinyal [8]. S-transform merupakan suatu kasus khusus pada STFT yang berbasis pada Gaussian window. Penyajian umum S-transforms pada penerapannya memiliki ketergantungan pada window yang digunakan. Untuk aplikasi yang berbeda, dapat dipilih window yang tepat dan parameter tertentu untuk memperoleh resolusi yang lebih baik pada bagian yang ditekankan. Metode Penelitian Gambar 2 Metode yang diusulkan Metode yang diusulkan pada penelitian ini seperti ditampilkan pada Gambar 2. Masukan dari sistem ini adalah sinyal EKG dengan lima jenis kelainan dan EKG normal sebagai pembanding. Selanjutnya pada sinyal EKG dilakukan preprocessing untuk menormalisasi amplitudo sinyal. Pada tahap berikutnya dilakukan transformasi untuk merubah sinyal dari domain waktu ke domain waktu-frekuensi. Pada penelitian ini digunakan transformasi Stockwell dan STFT sebagai pembanding. Proses ekstraksi ciri dilakukan untuk mendapatkan karakteristik dari sinyal dalam domain waktu-frekuensi. Performansi ekstraksi ciri dilakukan dengan menghitung akurasi hasil klasifikasi menggunakan K-NN. Detail dari proses di atas dijelaskan pada subbagian berikut ini. Data masukan pada sistem ini berupa sinyal EKG berformat .mat dengan panjang rekaman data kurang lebih 4 detik. Sinyal EKG diambil dari website yang dipotong sehingga menampilkan paling tidak 3 - 6 sinyal QRS [13]. Frekuensi pencuplikan yang digunakan pada sistem yang dirancang sebesar 1000 Hz. Data sinyal 26 Klasifikasi Sinyal EKG Menggunakan Stockwell Transforms...Pratiwi, Rizal, Magdalena EKG terdiri dari 60 data latih dan 60 data uji dengan rincian AF, NSR, VT, PR, VF, dan PVC masing-masing 10 data latih dan 10 data uji. Pada tiap data dilakukan proses normalisasi untuk menyeragamkan rentang amplitudo data menggunakan Persamaan 4. 𝑦𝑛 4 dengan 𝑥𝑛 adalah sinyal masukan dan 𝑦𝑛 adalah sinyal hasil normalisasi. Menggunakan proses di atas maka sinyal EKG akan mempunya rentang -1 sampai +1. Tahap selanjutnya dilakukan S-transform untuk mengubah sinyal dari domain waktu ke domain waktu-frekuensi. Pada penelitian ini digunakan Gaussian window dengan lebar 10 sampel non-overlap dan NFFT 1000 titik. Dengan demikian nantinya akan didapat matrik berukuran 1000 x 400 untuk representasi tiap sinyal. Selanjutnya akan diambil nilai minimum dan nilai maksimum dari tiap kolom pada matrik hasil S-transform. Proses ini akan menghasilkan 400 nilai maksimum dan 400 nilai minimum yang dijadikan ciri dari tiap sinyal. Ciri nilai minimum ini adalah nilai minimum yang diambil dari tiap kolom dari matrik1000 x 400 hasil S-transform. Sedangkan ciri nilai maksimum adalah nilai maksimum diambil dari tiap kolom dari matrik1000 x 400 hasil S-transform. Nilai-nilai ini menggambarkan fluktuasi frekuensi pada tiap rentang waktu. Jumlah ciri ini lebih sedikit dibandingkan dengan sinyal asli yang terdiri 4000 sampel sinyal. Pada tahap selanjutnya lebar window diubah menjadi 5, 10, dan 20 untuk melihat pengaruh lebar window terhadap akurasi. Untuk STFT, dilakukan hal sama dengar beberapa perbedaan. Window yang digunakan adalah rectangular window dengan lebar 10 sampel. Kemudian NFFT 1000 titik digunakan untuk mengubah sinyal dari domain waktu ke domain frekuensi. Pada matrik hasil transformasi ini diambil nilai maksimum dan minimum seperti halnya pada S-transform. K-nearest neighbor K-NN merupakan metode klasifikasi yang menggunakan jarak dalam menentukan hasil klasifikasi berdasarkan kelas data latih yang terbanyak yang mempunyai jarak terdekat dengan data uji [14]. Secara sederhana K-NN dapat dijelaskan seperti dalam Gambar 3. Gambar 3 Illustrasi K-NN AITI Jurnal Teknologi Informasi Volume 17 No. 1 Februari 2020, 22-32 27 Pada saat ditentukan nilai K = 3, maka dicari tiga data latih terdekat dengan data uji. Pada Gambar 3, maka data uji akan dikenali sebagai bagian dari segitiga merah karena terdapat dua data latih yang lebih dekat dengan data uji lingkaran hijau. Jika ditentukan K = 5, maka data uji akan dikenali sebagai bagian dari segiempat biru. Jarak antar data pada K-NN dihitung beberapa metode sebagai berikut  Euclidean Distance 𝐷 x2-x1 = x2-x1 = 𝑥𝑥 5  Cityblock Distance 𝐷 x2-x1 = x2-x1 = 𝑥𝑥 6 . Nilai absolute  Cosine similarity simx,x’ = ∑∑ ∑ 7 dimana 𝑝 adalah dimensi data dan . adalah nilai absolut. Hasil dan Pembahasan Gambar 4 menampilkan sinyal EKG yang digunakan dalam penelitian ini. Ka ren a frekuensi sampling 1000 Hz dan lama rekaman 4 detik maka akan dihasilkan panjang sampel 4000. Tiap data terdiri dari 3-5 atau lebih puncak QRS yang mewakili jumlah detak jantung. Pada kelainan tertentu tidak dapat diidentifikasi puncak gelombang QRS-nya. Jumlah ini berbeda-beda karena perbedaan heart-rate, jenis kelainan, dan arah orientasi sinyal EKG. Hasil STFT dan S-transform untuk sinyal EKG-AF pada Gambar 4 ditampilkan pada Gambar 5. Perbedaan yang terlihat jelas pada hasil kedua transformasi adalah pada detail resolusi. Pada STFT, apabila window yang digunakan panjang, maka resolusi pada domain waktu akan menurun tetapi resolusi pada domain frekuensi meningkat. Hal ini tidak terjadi pada S-transform dimana penggunaan Gaussian window menjamin resolusi yang merata setiap pita frekuensi. Pada Gambar 5a terlihat diskontinyuitas pada representasi waktu dan frekuensinya sementara pada Gambar 5b hasil S-transform cenderung lebih halus dan tidak terlihat transisi antar segmen sinyal pada domain waktu. Hasil ekstraksi ciri berupa nilai maksimum dan nilai minimum dari sinyal EKG-AF dari dua jenis tranformasi yang dilakukan seperti pada Gambar 6. Nilai maksimum dan minimum dari domain waktu ini dimaksudkan untuk menangkap selubung dari hasil transformasi. Pada penelitian lainnya penggunaan nilai maksimum pada STFT suara paru menghasilkan akurasi yang cukup tinggi [15]. Maka pada penelitian ini, selain nilai maksimum, juga dieksplorasi nilai minimum dari STFT maupun dari S-transform. Secara umum ciri keduanya relatif sama dengan puncak yang menunjukkan QRS dari 28 Klasifikasi Sinyal EKG Menggunakan Stockwell Transforms...Pratiwi, Rizal, Magdalena sinyal EKG. Perbedaan terdapat pada detail dimana pada STFT lebih banyak fluktuasi yang biasanya terjadi pada transisi tiap segmen window. a b c d e f Gambar 4 a Sinyal EKG-AF, b Sinyal EKG-NSR, c Sinyal EKG-PR, d Sinyal EKG-PVC, e Sinyal EKG-VF, f Sinyal EKG- VT abGambar 5 a Hasil STFT dari sinyal EKG- AF b Hasil S-transform dari sinyal EKG-AF dengan lebar segmen 10 sampel dan α = 2,5 AITI Jurnal Teknologi Informasi Volume 17 No. 1 Februari 2020, 22-32 29 a b c d Gambar 6 a Ciri minimum hasil STFT pada EKG-AF b Ciri maksimum hasil STFT pada EKG-AF c Ciri minimum hasil S-transform pada EKG-AF d Ciri maksimum hasil S-transform pada EKG-AF Tabel 1 dan Tabel 2 menampilkan akurasi klasifikasi menggunakan berbagai nilai K, pengukuran jarak, dan ciri. Akurasi tertinggi 76,67 persen dihasilkan oleh ciri minimum dengan K= 3 dan jarak cityblock. Akurasi ini tidak dipengaruhi oleh lebar window. Hasil ini lebih baik dibandingkan dengan akurasi tertinggi pada STFT sebesar 70 persen menggunakan K = 3 dan K = 5 dengan jarak cityblok seperti ditampilkan pada Tabel 3. Jarak cityblock menghasilkan akurasi yang lebih tinggi karena kemampuannya menghasilkan jarak yang lebih jauh dibandingkan dengan jarak Euclidean maupun cosine. Dengan jarak yang lebih jauh maka keterpisahan antar data menjadi lebih besar. STFT dan S-transform dipengaruhi oleh berapa hal seperti pemotongan sinyal, panjang window/segmen sinyal yang akan di FFT, dan resolusi FFT. Pemilihan ciri yang dihitung dari hasil transformasi juga berperan pada akurasi. Ciri lain yang digunakan dalam penelitian sebelumnya seperti parameter statistik [16], sample entropy [17], variogram [18] dan lain-lain. Karena STFT atau S-transform berupa matrik dua dimensi maka analisis citra bisa dilakukan untuk mengolah lebih lanjut. Sekalipun hasil akurasi dari S-tranform tidak terlalu tinggi, S-transform memberikan peluang untuk pengembangan penelitian lebih lanjut. Pemotongan data sinyal EKG yang memperhatikan lokasi dari gelombang QRS akan memberikan data yang lebih seragam. Selain itu ekplorasi terhadap parameter pada window Gaussian y ang dipakai juga menarik untuk dilakukan. Pemilihan metode berbagai ekstraksi ciri juga akan menantang dilakukan pada selanjutnya. Metode yang diusulkan juga diharapkan bisa digunakan untuk kasus sinyal biomedis yang lain seperti suara jantung, suara paru, sinyal EEG, sinyal EMG, dan lain-lain. 30 Klasifikasi Sinyal EKG Menggunakan Stockwell Transforms...Pratiwi, Rizal, Magdalena Tabel 1 Akurasi pada Berbagai Jarak, Nilai K, dan Ciri yang Digunakan pada S-transform dengan lebar window 5 K Jarak Akurasi ciri minimum ciri maksimum 3 Cosine 43,33% 35% Euclidean 46,67% 56,67% Cityblock 76,67% 51,67% 5 Cosine 26,67% 23,33% Euclidean 45% 41,67% Cityblock 73,33% 45% 7 Cosine 26,67% 25% Euclidean 40% 43,33% Cityblock 65% 36,67% Tabel 2 Akurasi pada Berbagai Jarak, Nilai K, dan Ciri yang Digunakan pada S-transform dengan lebar window 10 K Jarak Akurasi ciri minimum ciri maksimum 3 Cosine 48,33% 38,33% Euclidean 48,33% 56,67% Cityblock 76,67% 51,67% 5 Cosine 35% 25% Euclidean 45% 43,33% Cityblock 70% 45% 7 Cosine 23,33% 25% Euclidean 40% 43,33% Cityblock 65% 40% Tabel 3 Akurasi pada Berbagai Jarak, Nilai K, dan Ciri yang Digunakan pada STFT K Jarak Akurasi ciri minimum ciri maksimum 3 Cosine 50% 36,67% Euclidean 51,675 56,67% Cityblock 70% 41,67% 5 Cosine 25% 25% Euclidean 51,67% 41,67% Cityblock 70% 45% 7 Cosine 23,34% 26,67% Euclidean 46,67% 43,34% Cityblock 60% 40% AITI Jurnal Teknologi Informasi Volume 17 No. 1 Februari 2020, 22-32 31 Simpulan Pada artikel ini dipaparkan penggunaan S-transform untuk ekstraksi ciri sinyal EKG pada klasifikasi sinyal EKG. S-transform memiliki kelebihan dalam hal resolusi yang relatif tinggi dibandingkan dengan spektrogram. Dari pengujian akurasi didapatkan akurasi tertinggi 76,67 persen menggunakan nilai minimum, jarak cityblock, dan K = 3. Hal ini menunjukkan bahwa S-transform menghasilkan akurasi yang lebih tinggi dibandingkan dengan STFT yang menghasilkan akurasi hingga 70 persen. Eksplorasi terhadap ciri yang lain dan berbagai parameter S-trasnform menarik untuk diteliti lebih lanjut. Penggunaan metoda yang diusulkan untuk analisis sinyal biomedis yang lain dapat dilakukan pada penelitian selanjutnya. Daftar Pustaka [1] T. A. M. Brosche, The EKG Handbook. Jones & Bartlett Publisher, 2010. [2] J. Rahul, M. Sora, and L. D. Sharma, “An overview on biomedical signal analysis,” Int. J. Recent Technol. Eng., vol. 7, no. 5, pp. 206–209, 2019. [3] A. Rizal and S. Hadiyoso, “ECG signal classification using Hjorth Descriptor,” in Proceedings of the 2015 International Conference on Automation, Cognitive Science, Optics, Micro Electro-Mechanical System, and Information Technology, ICACOMIT 2015, 2016. [4] I. Pázsit, “Analysis of heartbeat data with spectral and fractal techniques,” Fluct. Noise Lett., vol. 5, no. 3, pp. L357–L363, 2005. [5] A. Singh, D. Bhowmick, and S. Biswas, “Recognition of arrhythmic electrocardiogram using wavelet based feature extraction,” in 2017 2nd International Conference for Convergence in Technology I2CT, 2017, pp. 610–613. [6] H. M. Rai, A. Trivedi, and S. Shukla, “ECG signal processing for abnormalities detection using multi-resolution wavelet transform and Artificial Neural Network classifier,” Measurement, vol. 46, no. 9, pp. 3238–3246, 2013. [7] Y. Xia, N. Wulan, K. Wang, and H. Zhang, “Detecting atrial fibrillation by deep convolutional neural networks,” Comput. Biol. Med., vol. 93, no. July 2017, pp. 84–92, 2018. [8] R. G. Stockwell, L. Mansinha, and R. P. Lowe, “Localization of the complex spectrum the S transform,” IEEE Trans. Signal Process., vol. 44, no. 4, pp. 998–1001, Apr. 1996. [9] J. Huang, B. Chen, B. Yao, and W. He, “ECG Arrhythmia Classification Using STFT-Based Spectrogram and Convolutional Neural Network,” IEEE Access, 2019. [10] B. S. Shaik, G. V. S. S. K. R. Naganjaneyulu, T. Chandrasheker, and A. V. Narasimhadhan, “A Method for QRS Delineation Based on STFT Using Adaptive Threshold,” in Procedia Computer Science, 2015. [11] W. J. Tompkins, “Electrocardiography,” in Biomedical Digital Signal Processing, W. J. Tompkins, Ed. New Jersey Prentice Hall, 2000, pp. 24–54. [12] A. Rizal, “Perbandingan Skema Dekomposisi Paket Wavelet untuk Pengenalan Sinyal EKG,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 4, no. 2, 2015. [13] “ECG Database.” [Online]. Available [14] A. Feltane, G. F. B. Bartels, J. Gaitanis, Y. Boudria, and W. Besio, “Human Seizure Detection Using Quadratic Renyi entropy,” in 2013 6th International IEEE/EMBS Conference on Neural Engineering NER, 2013, pp. 815–818. [15] A. Rizal and V. Suryani, “Lung Sound Recognition Using Spectrogram and Adaptive Resonance Theory 2 Neural Network ART2 ,” in Proceeding Biomedical Engineering Day 2008, 2008. 32 Klasifikasi Sinyal EKG Menggunakan Stockwell Transforms...Pratiwi, Rizal, Magdalena [16] A. Rizal, R. Hidayat, and H. A. Nugroho, “Lung sounds classification using spectrogram’s first order statistics features,” in 2016 6th International Annual Engineering Seminar InAES, 2016, pp. 96–100. [17] F. Jin, F. Sattar, and D. Y. T. Goh, “Automatic wheeze detection using histograms of sample entropy.,” in Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society, 2008, vol. 2008, pp. 1890–3. [18] Z. Esmaileyan and H. Marvi, “Recognition of emotion in speech using variogram based features,” Malaysian J. Comput. Sci., vol. 27, no. 3, pp. 156–170, 2014. ABSTRAK Sinyal elektrokardiogram EKG dapat dianalisis dengan memperhatikan bentuk, durasi, dan irama. Pada penelitian ini, dikembangkan sebuah metode ekstraksi ciri sinyal EKG dengan menggunakan parameter Hjorth dan ciri statistik. Kedua parameter tersebut diaplikasikan untuk mengekstrak ciri-ciri dari rekaman suara sinyal EKG. Terdapat tiga kondisi rekaman sinyal EKG yang menjadi masukan dari sistem, kondisi normal, atrial fibrillation AF, dan congestive heart failure CHF. Set ciri rekaman EKG yang didapatkan kemudian diklasifikasikan dengan menggunakan metode support vector machine SVM dan k-Nearest Neighbor k-NN untuk dibandingkan performansinya. Hasil pengujian menggunakan semua ciri sebagai prediktor menunjukkan bahwa usulan sistem mampu memberikan akurasi sebesar 100%. Sementara itu pada skenario reduksi ciri dimana hanya dua ciri yaitu skewness dan complexity, performansi sistem tidak berkurang. Komparasi dengan beberapa studi sebelumnya menunjukkan bahwa usulan metode lebih unggul dalam hal akurasi deteksi dan jumlah ciri yang digunakan. Kata kunci EKG, atrial fibrillation, congestive heart failure, Hjorth, SVM, k-NN ABSTRACT An electrocardiogram ECG signal can be analyzed by paying attention to its shape, duration, and rhythm. In this study, feature extraction for ECG signals is applied using the Hjorth parameter and statistical characteristics. These two parameters are applied to extract the characteristics of the ECG signal sound recording. There are three conditions of ECG signal recording that are used as input for the system. They are normal conditions, atrial fibrillation AF, and congestive heart failure CHF. The set of ECG recording features are classified using the support vector machine SVM and k-Nearest Neighbor k-NN methods. The test results using all features show that the proposed system can achieve 100% of accuracy. On the other hand, by reducing the feature using only skewness and complexity, the system’s performance is not reduced. Comparative studies with several previous studies show that the proposed method is superior in detection accuracy and the number of features used. Keywords ECG, atrial fibrillation, congestive heart failure, Hjorth, SVM, k-NNThe classification of electrocardiogram ECG signals is very important for the automatic diagnosis of heart disease. Traditionally, it is divided into two steps, including the step of feature extraction and the step of pattern classification. Owing to recent advances in artificial intelligence, it has been demonstrated that deep neural network, which trained on a huge amount of data, can carry out the task of feature extraction directly from the data and recognize cardiac arrhythmias better than professional cardiologists. This paper proposes an ECG arrhythmia classification method using two-dimensional 2D deep convolutional neural network CNN. The time domain signals of ECG, belonging to five heart beat types including normal beat NOR, left bundle branch block beat LBB, right bundle branch block beat RBB, premature ventricular contraction beat PVC, and atrial premature contraction beat APC, were firstly transformed into time-frequency spectrograms by short-time Fourier transform. Subsequently, the spectrograms of the five arrhythmia types were utilized as input to the 2D-CNN such that the ECG arrhythmia types were identified and classified finally. Using ECG recordings from the MIT-BIH arrhythmia database as the training and testing data, the classification results show that the proposed 2D-CNN model can reach an averaged accuracy of On the other hand, in order to achieve optimal classification performances, the model parameter optimization were investigated. It was found when the learning rate is and the batch size parameter is 2500, the classifier achieved the highest accuracy and the lowest loss. We also compared the proposed 2D-CNN model with a conventional one-dimensional CNN model. Comparison results show the 1D-CNN classifier can achieved an averaged accuracy of Therefore, it is validated that the proposed CNN classifier using ECG spectrograms as input can achieve improved classification accuracy without additional manual pre-processing of the ECG signal processing is widely used tool in biomedical field for extracting the information of physiological activities for diagnosis purpose. Aim of this paper is to give an overview on various transforms used for biomedical signal analysis, Fast Fourier Transform FFT, Laplace Transform LT, Hilbert Transform, Wavelet Transform WT and Hadamard Transform are discussed for ECG and EEG. The finally some advanced algorithms and methods for automatic detection of abnormalities in cardiovascular system and neuroscience have been considered in this study. Wavelet transform gives highest accuracy in feature identification of both ECG and EEG. The variety of transform techniques are explored in this study and found that wavelet transform is very good tool for both stationary ST and non-stationarynon-ST biomedical signal analysis. The CWT and DWT are suitable for ECG and EEG signal analysis respectivelyArrhythmia is one of the most common cardiac diseases. Efficient methods of detecting arrhythmia have been proposed in literatures. Our study proposes a unique feature extraction approach with entropy and Hjorth descriptor to classify a set of ECG signals into normal and arrhythmic with a considerable amount of accuracy. The conventional approach involving wavelet decomposition as the primary feature extraction method yields classification accuracy of The method proposed in the study using entropy and Hjorth descriptor provides higher classification rate at Our study is validated by a reliable dataset. V S S K R Naganjaneyulu GudapatiElectrocardiogram ECG is the electrical manifestation of the contractile activity of the heart. In this work, it is proposed to utilize an adaptive threshold technique on spectrogram computed using Short Time Fourier Transform STFT for QRS complex detection in electrocardiogram ECG signal. The algorithm consists of preprocessing the raw ECG signal to remove the power-line interference, computing the STFT, applying adaptive thresholding technique and followed by identifying QRS peaks. Sensitivity, Specificity and Detection error rate are calculated on MIT-BIH database using the proposed method, which yields a competitive results when compared with the state of art in QRS Atrial fibrillation AF is the most common cardiac arrhythmia. The incidence of AF increases with age, causing high risks of stroke and increased morbidity and mortality. Efficient and accurate diagnosis of AF based on the ECG is valuable in clinical settings and remains challenging. In this paper, we proposed a novel method with high reliability and accuracy for AF detection via deep learning. Method The short-term Fourier transform STFT and stationary wavelet transform SWT were used to analyze ECG segments to obtain two-dimensional 2-D matrix input suitable for deep convolutional neural networks. Then, two different deep convolutional neural network models corresponding to STFT output and SWT output were developed. Our new method did not require detection of P or R peaks, nor feature designs for classification, in contrast to existing algorithms. Finally, the performances of the two models were evaluated and compared with those of existing algorithms. Results Our proposed method demonstrated favorable performances on ECG segments as short as 5 s. The deep convolutional neural network using input generated by STFT, presented a sensitivity of specificity of and accuracy of For the deep convolutional neural network using input generated by SWT, a sensitivity of specificity of and accuracy of was achieved. Conclusion The proposed method using deep convolutional neural networks shows high sensitivity, specificity and accuracy, and, therefore, is a valuable tool for AF Lung sounds can indicate a person's health condition. Lung sounds are generated from the air flow in the respiratory tract. Various of signal processing techniques are used for lung sounds analysis to reduce the subjectivity of the lung sound analysis. In this study, we propose lung sound signal analysis using first order statistic texture analysis on the spectrogram. The mean, variance, skewness, kurtosis, and entropy are used as features of each lung sound. These features are analyzed using KNN with two methods of distance measurement. The proposed method achieves an accuracy of for 81 data. Keywords— lung sound, spectrogram, textures analysis, first order statistics, K-Nearest NeighbourZeynab Esmaileyan Hossein MarviSpeech Emotion Recognition SER is a relatively new and challenging branch in speech processing area. In this study, we propose new features derived from speech spectrogram using image processing techniques for emotion recognition. For this purpose, variogram graphs are calculated from speech spectrogram. The significant Discrete Cosine Transform DCT coefficients of variogram are used as proposed features. The contribution of these features as a complementary for the widely used prosodic and spectral features is also investigated. The feature selection is performed using Fisher Discriminant Ratio FDR filtering method. Finally, a linear Support Vector Machine SVM classifier is employed. All results are achieved under the 10 fold cross-validation on the Berlin and PDREC speech databases. Our results show that combining the proposed features with prosodic and spectral features significantly improves the classification accuracy. For Berlin database, when the proposed features were added to the prosodic and spectral ones, the recognition rates were improved from and to and for females and males, respectively. Also, on the PDREC, combining the proposed features with the prosodic and spectral features improve the recognition rate of females and males by and respectively. For this database, the best classification accuracy of and were obtained for females and males, signals from mice, and simultaneous ECG and blood pressure signals from rats are analyzed for a small number of cases. The data were obtained from four mice and two rats with one animal having health problems in each group, the rest being control cases. For the rats, the phase of the cross-spectra between the ECG and blood pressure, and for the mice the fractal properties of the interbeat series RR-interval fluctuations are found to be suitable as an indicator of health this study, the quadratic Rényi entropy is applied for seizure detection from human electroencephalography EEG signals. Quadratic Rényi entropy was combined with two different methods; the empirical mode decomposition EMD and discrete wavelet transform DWT. The use of these two methods is justified since EEGs are non-linear and non-stationary signals. First, the EEG signal is decomposed into sub-signals using the EMD method or the DWT. Then, the quadratic Rényi entropy is used as an input feature. The k-nearest neighbor k-NN classifier algorithm extracted the features with accuracy.