Banyak sinyal dunia nyata, seperti indeks iklim, rekaman biomedis, pencitraan medis, tidak pernah diam. Karakter mereka berubah seiring waktu: detak jantung berakselerasi saat berolahraga, kemudian melambat; suhu permukaan laut berosilasi seiring musim tetapi juga bergeser selama beberapa dekade. Ini adalah sinyal non-stasioner.
Transformasi wavelet adalah alat matematika yang dibuat untuk menanganinya. Alat ini mendekomposisi sinyal menjadi komponen-komponen yang terlokalisasi dalam waktu dan skala, mengungkapkan secara tepat kapan suatu pola tertentu muncul dan pada durasi atau bentangan apa pola tersebut beroperasi.
Berbeda dengan analisis Fourier konvensional yang memecah sinyal menjadi gelombang sinus tanpa akhir, transformasi wavelet kontinu (continuous wavelet transform/CWT) mengonstruksi representasi waktu-skala menggunakan salinan skala dan translasi dari satu prototipe gelombang tunggal. Artikel ini menjabarkan logika CWT, cara memilih mother wavelet, menghitung dan menginterpretasikan skalogram yang dihasilkan, serta apa yang telah ditunjukkan oleh puluhan tahun penerapan beserta keterbatasan inheren dari metode ini.
Apa Itu Wavelet Transform?
Wavelet transform (transformasi wavelet) adalah metode matematika untuk memeriksa sinyal pada beberapa skala. Alih-alih merepresentasikan seluruh sinyal hanya melalui komponen sinusoidal global, metode ini membandingkan sinyal dengan fungsi pendek yang disebut wavelet. Fungsi-fungsi ini digeser di sepanjang sinyal dan diperluas atau dikompresi untuk mengungkap pola lokal.
Hasilnya adalah kumpulan koefisien. Setiap koefisien menunjukkan seberapa mirip sinyal tersebut dengan wavelet tertentu pada posisi dan skala tertentu. Skala kecil umumnya menekankan perubahan cepat dan detail halus, sedangkan skala besar menggambarkan variasi yang lebih lambat dan struktur yang lebih luas.
Perilaku lokal ini adalah perbedaan utama antara analisis wavelet dan banyak metode frekuensi konvensional. Sebuah Fourier transform dapat menunjukkan frekuensi apa saja yang ada, tetapi wavelet transform juga dapat menunjukkan di mana fitur-fitur tersebut terjadi. Hal itu membuatnya cocok untuk transien, diskontinuitas, letupan, tepi, dan peristiwa lain yang waktunya penting.
Continuous Wavelet Transform: Cara Kerjanya
Inti dari CWT adalah fungsi berosilasi terlokalisasi tunggal yang disebut mother wavelet, dilambangkan dengan ψ(t). Anda tidak perlu mendekomposisi sinyal menjadi satu set sinusoid tetap. Sebaliknya, Anda menghasilkan keluarga wavelet dengan merentangkan (penskalaan) dan menggeser (translasi) satu prototipe ini. CWT pada skala a dan posisi b adalah produk dalam dari sinyal x(t) dengan wavelet yang telah diskalakan dengan a dan digeser dengan b:
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
Faktor 1/√a menormalkan energi di seluruh skala. Ketika a kecil, wavelet dikompresi dan menangkap perubahan singkat dan cepat. Ketika a besar, wavelet diregangkan dan menangkap undulasi lambat dan luas. Translasi b menggeser wavelet di sepanjang sumbu waktu, sehingga analisis bergeser dari awal hingga akhir.
Outputnya adalah fungsi dua dimensi dari waktu dan skala yang dapat ditampilkan sebagai skalogram. Kembali pada tahun 1988 para peneliti seperti Ingrid Daubechies meresmikan ide dasar analisis multiresolusi untuk wavelet diskrit, membuktikan bahwa basis ortonormal dari wavelet yang didukung secara kompak dapat dibangun dengan regularitas tinggi. CWT mewarisi prinsip penskalaan dan pergeseran mendasar tersebut, tetapi tanpa persyaratan basis ortogonal: Anda dapat menggunakan mother wavelet apa pun yang memenuhi kondisi penerimaan sederhana, yang membuat transformasi tersebut dapat dibalik.
Konstruksi ini memberikan kekuatan khas pada wavelet. Karena mother wavelet adalah pulsa singkat seperti gelombang, ia secara alami berfokus pada peristiwa transien. Penskalaan dan pergeseran saja memberikan pandangan simultan tentang waktu dan skala, sesuatu yang tidak dapat ditandingi oleh pendekatan Fourier jendela tetap tanpa memaksakan kompromi buatan antara resolusi waktu dan frekuensi.
Apa Itu Discrete Wavelet Transform?
Discrete wavelet transform, atau DWT, mengambil sampel parameter skala dan translasi pada kisi terstruktur alih-alih mengevaluasi setiap nilai yang mungkin. Dalam konstruksi umum, skala dan posisi berubah secara dyadic, sering kali dengan pangkat dua. Ini menghasilkan kumpulan koefisien yang ringkas sambil tetap mempertahankan informasi pada beberapa resolusi.
DWT umumnya diimplementasikan dengan filter low-pass dan high-pass berpasangan. Cabang low-pass mempertahankan perkiraan sinyal yang dihaluskan, sedangkan cabang high-pass menangkap detail. Downsampling kemudian mengurangi jumlah sampel di setiap tingkat, dan cabang perkiraan dapat didekomposisi lagi.
Struktur filter-bank ini membuat DWT efisien untuk data digital terbatas. Ini juga mendukung rekonstruksi ketika filter analisis dan sintesis dirancang dengan benar.
Aplikasi meliputi denoising, kompresi, deteksi peristiwa, dan ekstraksi fitur multiskala, meskipun interpretasi koefisien tetap bergantung pada pengambilan sampel, penanganan batas, dan pilihan wavelet.
Penjelasan Discrete Wavelet Transform
DWT merepresentasikan sinyal sampel melalui koefisien perkiraan dan koefisien detail pada tingkat berturut-turut. Pada tingkat pertama, sinyal dipisahkan menjadi konten yang bervariasi secara luas dan lambat serta detail yang berubah lebih cepat. Mengulangi operasi pada perkiraan tersebut menciptakan hierarki resolusi.
Tidak seperti CWT, DWT biasanya tidak menghasilkan koefisien untuk setiap posisi dan skala berkelanjutan. Pengambilan sampel terstrukturnya mengurangi redundansi dan biaya komputasi. Ini membuatnya praktis untuk array besar, pemrosesan waktu nyata, dan sistem kompresi.
Tingkat dekomposisi menentukan seberapa jauh analisis berlangsung. Tingkat yang terlalu sedikit dapat melewatkan struktur yang luas, sedangkan terlalu banyak dapat menghasilkan koefisien yang sulit diinterpretasikan atau sangat dipengaruhi oleh panjang sinyal dan kondisi batas. Kedalaman yang berguna karena itu merupakan properti dari data dan tujuan analisis, bukan konstanta universal.
Langkah Algoritma DWT Discrete Wavelet Transform
DWT standar berjalan melalui penyaringan dan downsampling berulang. Operasi intinya sederhana, tetapi setiap langkah memengaruhi representasi berikutnya.
Pilih keluarga wavelet dan tingkat dekomposisi yang diinginkan.
Lewatkan sinyal melalui filter low-pass untuk mendapatkan sampel perkiraan.
Lewatkan sinyal yang sama melalui filter high-pass untuk mendapatkan sampel detail.
Lakukan downsample pada kedua output dan ulangi proses pada cabang perkiraan.
Simpan koefisien dan rekonstruksi sinyal saat dibutuhkan.
Pohon koefisien yang dihasilkan memisahkan struktur kasar dari detail yang semakin halus. Dalam praktiknya, rekonstruksi dapat digunakan untuk menguji apakah koefisien yang dipilih mempertahankan fitur sinyal yang relevan dengan analisis.
Haar Wavelet Transform: Wavelet Paling Sederhana
Wavelet Haar adalah wavelet paling sederhana yang digunakan. Ini adalah konstanta sepotong-sepotong karena mengambil satu nilai pada sebagian interval pendek dan nilai sebaliknya pada bagian lain, dengan rata-rata nol. Bentuknya yang tiba-tiba membuatnya secara alami responsif terhadap lompatan dan transisi seperti langkah.
Untuk sepasang sampel pendek, transformasi Haar dapat dipahami sebagai menghitung rata-rata dan selisih. Rata-rata menjadi perkiraan kasar, sedangkan selisih mencatat perubahan lokal. Mengulangi operasi ini menciptakan representasi bertingkat dengan interpretasi yang sangat jelas.
Wavelet Haar tidak memakan banyak biaya komputasi dan mudah dijelaskan, tetapi tidak mulus. Sinyal yang didominasi oleh osilasi bertahap mungkin direpresentasikan kurang efisien dibandingkan dengan wavelet yang lebih mulus. Nilainya paling besar ketika kesederhanaan, perhitungan cepat, atau sensitivitas terhadap diskontinuitas lebih penting daripada selektivitas frekuensi yang mulus.
Memilih Mother Wavelet
Tidak semua goyangan kecil memenuhi syarat sebagai mother wavelet. Fungsi tersebut harus memenuhi kondisi penerimaan, yang pada dasarnya berarti ia memiliki rata-rata nol dan energi terbatas, yang berarti ia bergoyang di atas dan di bawah nol dan meluruh menjadi tidak ada di luar interval pendek.
Di luar persyaratan itu, Anda bebas memilih bentuk yang sesuai dengan jenis fitur yang Anda harapkan dalam data Anda. Pilihannya tidak berdasarkan rumus, tetapi pengalaman praktis menunjukkan beberapa heuristik:
Kemiripan bentuk. Jika sinyal Anda berisi letupan osilasi, wavelet Morlet—gelombang sinus kompleks yang dibungkus dalam Gaussian—sering kali bekerja dengan baik karena menyerupai osilasi terlokalisasi. Untuk transien yang tajam dan runcing, sesuatu seperti wavelet topi Meksiko (turunan kedua dari Gaussian) atau wavelet yang didukung secara kompak dapat mengisolasi tepi dan puncak dengan lebih bersih.
Keseimbangan resolusi waktu–skala. Wavelet yang lebih panjang memberikan diskriminasi yang lebih halus antara skala yang berdekatan tetapi mengaburkan momen tepat terjadinya suatu fitur. Wavelet yang lebih pendek menentukan waktu dengan tepat tetapi mencampur skala bersama-sama. Ini adalah kompromi yang tak terhindarkan dari analisis terlokalisasi, bukan cacat.
Wavelet riil vs. kompleks. Mother wavelet bernilai riil (misalnya, topi Meksiko) hanya memberikan informasi amplitudo. Wavelet kompleks (misalnya, Morlet) menghasilkan amplitudo dan fase, yang bisa sangat penting ketika Anda nanti ingin memeriksa hubungan waktu antara dua sinyal melalui koherensi cross-wavelet.
Basis ortonormal dari wavelet yang didukung secara kompak yang dibangun dalam studi Daubechies dimaksudkan untuk tugas-tugas rekonstruksi diskrit yang sempurna. Untuk CWT, Anda tidak terikat pada ortonormalitas, sehingga Anda dapat dengan bebas memilih wavelet non-ortogonal jika mereka lebih cocok dengan morfologi sinyal Anda.
Meski begitu, dukungan kompak dan regularitas tetap diinginkan karena dapat mengurangi noda tepi dan memberikan transformasi yang bersih.
Menghitung Continuous Wavelet Transform
Dalam praktiknya, CWT didekati dengan mengonvolusi sinyal dengan salinan mother wavelet yang diskalakan dan dibalik waktunya. Karena sinyal terbatas, wavelet pasti meluas melampaui batas data saat mendekati awal atau akhir rekaman. Wilayah batas tersebut menghasilkan nilai yang terdistorsi; cone of influence (COI) menandai wilayah waktu-skala di mana efek tepi membuat analisis tidak dapat diandalkan. Fitur apa pun yang masuk ke dalam COI harus dicurigai.
Untuk membuat skalogram, skala biasanya diambil sampelnya sebagai pangkat pecahan dari dua untuk mencakup rentang yang sesuai dengan durasi sinyal. Menghitung besarnya kuadrat dari koefisien CWT menghasilkan kekuatan wavelet, yang kemudian diplot sebagai peta warna dengan waktu pada satu sumbu, skala pada sumbu lainnya.
Menginterpretasikan Skalogram
Skalogram adalah output visual utama dari analisis wavelet. Wilayah yang terang sesuai dengan kekuatan wavelet yang tinggi, ini adalah tempat-tempat di mana sinyal memiliki komponen yang kuat pada skala dan waktu tertentu.
Namun tidak semua titik panas itu berarti. Untuk membedakan fitur asli dari fluktuasi acak, para peneliti sering kali menurunkan uji signifikansi statistik terhadap latar belakang teoretis: noise putih (yang menyebarkan kekuatan secara merata) dan noise merah (yang memusatkan kekuatan pada frekuensi rendah, seperti yang dilakukan banyak proses alami). Dengan membandingkan kekuatan yang diamati dengan persentil ke-95 dari spektrum latar belakang, Anda dapat mengidentifikasi zaman dan skala yang tidak mungkin terjadi secara kebetulan.
Penghalusan dalam waktu, skala, atau keduanya dapat meningkatkan keandalan fitur tersebut.
Keterbatasan dan Peringatan CWT yang Diketahui
Tidak ada alat matematika yang tanpa kelemahan, tidak terkecuali CWT. Pilihan mother wavelet adalah fleksibilitas sekaligus kewajiban. Tidak ada prosedur otomatis yang menjamin wavelet optimal untuk sinyal yang tidak diketahui.
Pilihan yang tidak tepat—misalnya, Morlet panjang untuk sinyal yang penuh dengan paku tajam—dapat mengaburkan fitur atau membuat artefak skalogram yang menyesatkan. Bahkan ketika eksperimenter menemukan kecocokan yang baik secara kasat mata, analisis tersebut tetap sebagian subjektif.
Efek tepi adalah realitas fisik dari data terbatas. Skala panjang mendorong wavelet jauh melampaui batas, sehingga COI dapat menelan sebagian besar skalogram pada skala paling kasar. Setiap peristiwa yang disimpulkan dari margin harus diperlakukan sebagai tentatif. Uji signifikansi, meskipun berprinsip, bergantung pada model noise yang diasumsikan yang mungkin tidak berlaku untuk setiap kumpulan data.
Saat mendekati kumpulan data baru, jalur paling jelas menggabungkan penalaran fisik tentang struktur sinyal yang diharapkan dengan pemeriksaan statistik konservatif, dan penerimaan dengan kepala dingin bahwa skalogram adalah peta sugestif, bukan cetak biru anatomi yang pasti.
Menggunakan Wavelet Transform untuk Analisis EEG
Elektroensefalografi mencatat perubahan tegangan seiring waktu, dan perubahan tersebut sering kali mengandung ritme yang tumpang tindih, peristiwa transien, dan perilaku non-stasioner. Sebuah wavelet transform dapat merepresentasikan komponen-komponen ini di seluruh waktu dan skala, menjadikannya berguna untuk memeriksa kapan pola-pola tertentu muncul. Oleh karena itu, metode ini relevan untuk ilmu saraf dan analisis rekaman EEG.
Dalam pekerjaan EEG, koefisien dapat diringkas berdasarkan skala, interval waktu, saluran, atau kondisi peristiwa. Ringkasan tersebut dapat mendukung penelitian tentang ritme, respons yang ditimbulkan, transien terkait kejang, pola tidur, atau struktur artefak. Transformasi itu sendiri tidak mendiagnosis gangguan otak; interpretasi memerlukan akuisisi yang tepat, pemrosesan awal, kelompok pembanding, dan keahlian domain.
Pemrosesan awal tetap menjadi hal utama. Artefak elektroda, gerakan mata, aktivitas otot, pilihan referensi, penyaringan, data yang hilang, dan efek tepi semuanya dapat mengubah koefisien wavelet. Hasil juga sensitif terhadap pemetaan frekuensi-ke-skala dan apakah wavelet yang dipilih menyerupai morfologi temporal yang sedang dipelajari.
Alat dan Perangkat Lunak untuk Menghitung Wavelet Transform
Wavelet transform dapat dihitung dengan pustaka numerik, lingkungan pemrograman ilmiah, dan perangkat lunak pemrosesan sinyal khusus. Pilihan yang tepat bergantung pada apakah tujuannya adalah pengajaran, visualisasi eksploratif, pemrosesan batch, komputasi tertanam, atau penelitian yang dapat direproduksi.
Alat yang berguna harus memaparkan parameter transformasi dengan jelas, alih-alih menyembunyikannya di balik satu perintah default.
Alur kerja tipikal memuat dan memvalidasi data sampel, memilih wavelet, menghitung CWT atau DWT, memeriksa koefisien, dan mengevaluasi rekonstruksi atau fitur hilir. Mengulangi alur kerja dengan perubahan parameter yang terkontrol dapat menunjukkan apakah hasilnya stabil. Dokumentasi dan catatan versi penting ketika perbedaan implementasi kecil memengaruhi nilai koefisien.
Untuk pekerjaan yang andal, evaluasi perangkat lunak sering kali mencakup akurasi numerik, dukungan untuk data multidimensi, opsi batas, pembuatan plot, biaya komputasi, dan interoperabilitas. Kode juga harus mempertahankan laju pengambilan sampel dan riwayat pemrosesan awal, karena koefisien tanpa konteks tersebut sulit untuk direproduksi atau diinterpretasikan.
Mengapa Analisis Wavelet Penting untuk Membaca Sinyal Non-Stasioner
Wawasan penentu dari wavelet transform adalah bahwa identitas sinyal paling baik dipahami bukan sebagai daftar frekuensi statis tetapi sebagai peta hidup tentang kapan pola terjadi dan berapa lama pola tersebut bertahan. Pandangan skala-waktu ini telah membuktikan nilainya dalam pengaturan dunia nyata. Namun keberhasilan tersebut selalu membawa peringatan: analisis hanya tepercaya seperti pilihan yang dibuat sebelum matematika dimulai.
Memilih mother wavelet adalah masalah penilaian ilmiah, dan efek tepi ditambah asumsi noise menempatkan batasan nyata pada apa yang dapat diklaim oleh skalogram mana pun. Kesimpulan jujurnya adalah bahwa analisis wavelet menawarkan cara untuk melihat struktur dalam sinyal yang berubah, tetapi menuntut interpretasi konservatif daripada penerimaan buta terhadap setiap titik terang.
Peneliti yang memasangkan penalaran fisik dengan pemeriksaan statistik mendapatkan nilai paling banyak dari alat ini sambil menjaga kesimpulan mereka tetap sederhana.
Referensi
Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communications on pure and applied mathematics, 41(7), 909-996. https://doi.org/10.1002/cpa.3160410705
Torrence, C., & Compo, G. P. (1998). A practical guide to wavelet analysis. Bulletin of the American Meteorological society, 79(1), 61-78. https://doi.org/10.1175/1520-0477(1998)079%3C0061:APGTWA%3E2.0.CO;2
Pertanyaan yang Sering Diajukan
Apa itu wavelet transform dan mengapa digunakan untuk sinyal non-stasioner?
Wavelet transform mendekomposisi sinyal menjadi komponen-komponen yang terlokalisasi dalam waktu dan skala, mengungkapkan kapan suatu pola muncul dan pada durasi berapa ia beroperasi. Ini dibuat untuk sinyal non-stasioner, yang karakternya berubah seiring waktu, tidak seperti pendekatan tetap yang mengasumsikan perilaku stabil.
Bagaimana perbedaan continuous wavelet transform dengan analisis Fourier?
Alih-alih memecah sinyal menjadi gelombang sinus tanpa akhir, CWT menggunakan salinan mother wavelet tunggal yang diskalakan dan digeser. Konstruksi ini memberikan pandangan simultan tentang waktu dan skala, menghindari kompromi jendela tetap antara resolusi waktu dan frekuensi yang ditemukan dalam metode Fourier.
Apa itu mother wavelet dan kondisi apa yang harus dipenuhinya?
Mother wavelet adalah fungsi berosilasi terlokalisasi tunggal yang diregangkan dan digeser untuk menganalisis sinyal. Agar valid, ia harus memenuhi kondisi penerimaan, yang pada dasarnya berarti ia memiliki rata-rata nol dan energi terbatas—ia bergoyang di atas dan di bawah nol dan meluruh menjadi tidak ada di luar interval pendek.
Bagaimana Anda memilih mother wavelet untuk sinyal tertentu?
Pilih wavelet yang bentuknya cocok dengan fitur yang Anda harapkan; misalnya, wavelet Morlet cocok untuk letupan osilasi, sedangkan wavelet topi Meksiko mengisolasi paku yang tajam. Anda juga menyeimbangkan resolusi waktu vs skala dan memutuskan apakah Anda memerlukan informasi fase, dengan wavelet kompleks menawarkan amplitudo dan fase.
Apa itu skalogram dan bagaimana cara menginterpretasikannya?
Skalogram adalah output visual utama dari analisis wavelet, memplot kekuatan wavelet dengan waktu pada satu sumbu dan skala pada sumbu lainnya. Wilayah yang terang menunjukkan komponen sinyal yang kuat pada waktu dan skala tertentu, tetapi uji signifikansi terhadap latar belakang noise putih atau merah membantu membedakan fitur asli dari fluktuasi acak.
Apa itu cone of influence dan mengapa itu penting?
Cone of influence menandai wilayah waktu-skala di mana efek tepi membuat analisis wavelet tidak dapat diandalkan karena wavelet meluas melampaui batas data terbatas. Fitur apa pun yang jatuh di dalam COI harus dicurigai.
Apa batasan utama dari continuous wavelet transform?
Pilihan mother wavelet sebagian bersifat subjektif, dan pilihan yang tidak tepat dapat mengaburkan fitur atau membuat artefak yang menyesatkan. Efek tepi dapat mengontaminasi area luas skalogram, dan uji signifikansi bergantung pada asumsi model noise yang mungkin tidak berlaku untuk setiap kumpulan data.
Bagaimana perbedaan mother wavelet riil dan kompleks dalam praktiknya?
Wavelet bernilai riil, seperti topi Meksiko, hanya memberikan informasi amplitudo. Wavelet kompleks, seperti Morlet, menyediakan amplitudo dan fase, yang penting untuk memeriksa hubungan waktu antara sinyal melalui koherensi cross-wavelet.
Apa perbedaan antara CWT dan DWT?
Continuous wavelet transform mengevaluasi banyak skala dan posisi yang berjarak rapat, menghasilkan representasi yang detail dan sering kali redundan. Discrete wavelet transform menggunakan set skala dan posisi terstruktur untuk menghasilkan representasi yang lebih ringkas.
Untuk apa wavelet Haar digunakan?
Wavelet Haar berguna untuk analisis sederhana dan cepat dari sinyal dengan perubahan mendadak atau perilaku seperti langkah. Bentuk konstanta sepotong-sepotong juga membuat rata-rata dan selisih yang mendasarinya mudah diinterpretasikan.
Emotiv adalah pemimpin neuroteknologi yang membantu memajukan penelitian neurosains melalui alat EEG dan data otak yang mudah diakses.
Christian Burgos
