Analisis wavelet adalah alat yang ampuh untuk menganalisis ucapan dan sinyal akustik, terutama berguna ketika kejelasan ucapan terganggu oleh faktor-faktor seperti masker wajah. Pandemi COVID-19 menyoroti tantangan yang ditimbulkan masker terhadap komunikasi yang jelas. Transformasi Wavelet (WT) menawarkan solusi dengan mengintegrasikan data domain waktu dan frekuensi untuk meningkatkan pengenalan ucapan.
Pemilihan "wavelet induk" yang tepat sangat penting untuk WT yang efektif, karena wavelet yang berbeda menghasilkan hasil yang bervariasi. Penelitian memanfaatkan teknik COPRAS (COmplex PRoportional ASsessment) untuk menentukan fungsi wavelet induk yang optimal untuk sinyal ucapan ketika masker atau pelindung wajah digunakan.
Metrik seperti Koefisien Korelasi Silang Maksimum (MCC) dan Rasio Energi ke Shannon Maksimum (MEER) digunakan untuk memberi peringkat fungsi wavelet induk. Metode ini menetapkan protokol yang jelas untuk memilih wavelet induk yang paling sesuai untuk sinyal ucapan dalam berbagai kondisi dunia nyata di mana masker mungkin ada. Transformasi wavelet meningkatkan sistem pengenalan pola dengan mengekstraksi fitur yang invarian terhadap transformasi tertentu dan dapat meningkatkan kinerja pengklasifikasi di lingkungan yang bising.