Pengantar
Dalam proses di kehidupan real kita sering dihadapkan pada urusan yang kompleks. Misalnya ketika kita ingin menganalisis grafik curah hujan , mengingatkan adanya korelasi antara berbagai proses seperti perubahan musiman , proses pemanasan global, perubahan arus laut , perubahan badai dan anticyclones , jumlah karbon dioksida yang dipancarkan ke atmosfer , siklus aktivitas matahari dan ini bisa berlangsung secara kontinue.
Oleh karena itu A grafik jenis ini cukup sulit untuk dianalisis sebagai komponennya , ketika berinteraksi dengan satu sama lain , masker dan mendistorsi keteraturan kami ingin mengidentifikasi . Hal ini menimbulkan keinginan yang sah untuk memecah proses yang dipertimbangkan menjadi komponen-komponen individual dan menganalisa masing-masing komponen secara terpisah . Analisis komponen individu dan pertimbangan dari kontribusi yang mereka buat ke dalam proses di tangan membantu kita lebih memahami proses yang sedang berlangsung , serta , misalnya meningkatkan keandalan perkiraan .
1. Dekomposisi
Ada banyak berbagai metode dekomposisi yang dapat diterapkan, untuk urutan yang diberikan dalam pertimbangan. Metode ini memiliki pendekatan matematis dan empiris yang mendasari secara berbeda, tingkat kerumitan yang berbeda dan daerah yang berbeda dari aplikasi.
2. Empirical Mode Decomposition
Empiris Modus Dekomposisi (EMD) dikembangkan sebagai bagian dasar dari Hilbert-Huang Transform (HHT). Hilbert Huang Transform (HHT) dapat dilakukan dalam 2 tahap. Pertama, menggunakan algoritma EMD, sehingga kita memperoleh fungsi modus intrinsik (IMF). Pada tahap kedua, spektrum frekuensi sesaat dari urutan awal diperoleh dengan menerapkan transformasi Hilbert terhadap hasil seperti langkah sebelumnya. Hilbert-Huang Transform (HHT) dapat dimungkinkan untuk mendapatkan spektrum frekuensi sesaat urutan nonlinear dan nonstasioner. Urutan ini dapat digunakan sebagai dekomposisi modus empiris.
Berbeda dengan Transformasi Fourier dan transformasi wavelet, EMD data yang terurai membentuk fungsi modus intrinsik (IMF) yang tidak diatur secara analitis dan bukan ditentukan oleh urutan dianalisis sendiri. Fungsi dasar yang dalam hal ini berasal dari input data. IMF yang dihasilkan harus memenuhi persyaratan sebagai berikut :
a. Nilai IMF (maximum atau minimum) dan nilai zero-crossingnya harus sama ataupun kalau berbeda paling banyak satu.
b. Nilai rata-rata, yang ditentukan oleh dua sinyal – maximum dan minimum harus nol.
Sumber : http://www.mql5.com/en/articles/439
Data processing of human heart’s signals can be learned and applied in several studies, whether in psychological subject or in monitoring the condition of the human heart. A human’s emotional aspect could be observed when the person recorded his heartbeat activities. The state of emotion observed in a normal, happy and sad conditions.The first stage of this research consists of measuring, recording, printing out the ECG data and scanning.The second stage, which named as pregeneration of the ECG image data stage, consists of median filtering and determining the threshold value and morphology. The third stage uses thinning and spatial-to-time methods for processing its ECG image.The last stage is named as characteristic extraction which uses a wavelet transform. From the characteristic extraction, the average of energy signal is obtained.