PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
Sinais aleatórios: aplicações em sinais
biomédicos
Sérgio S Furuie
Ref. específicas: Cap. 2-Semmlow
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 2
Plano de aula
• Motivação: o que é e para que serve?
• Tipos de sinais e representação de sinais
• Ruídos
• Processos estocásticos e ergódicos
– Operador E( )
– independentes
• Correlação/correlação cruzada
– Relação entre espectro e correlação
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
ECG com ruído: o que fazer?
3 0 1 2 3 4 5 6 7 8 9 -5 0 5 EC G 0 1 2 3 4 5 6 7 8 9 -5 0 5 p. bai x a 0 1 2 3 4 5 6 7 8 9 -2 0 2 4 p. al ta 0 1 2 3 4 5 6 7 8 9 -2 0 2 4 not c h
< 70 Hz
> 0.05 Hz
exclusão
60, 180,
0 1 2 3 4 5 6 7 8 9 -5 0 5 EC G 0 1 2 3 4 5 6 7 8 9 -5 0 5 p. bai x a 0 1 2 3 4 5 6 7 8 9 -2 0 2 4 p. al ta 0 1 2 3 4 5 6 7 8 9 -2 0 2 4 not c h 0 1 2 3 4 5 6 7 8 9 -5 0 5 EC G 0 1 2 3 4 5 6 7 8 9 -5 0 5 p. bai x a 0 1 2 3 4 5 6 7 8 9 -2 0 2 4 p. al ta 0 1 2 3 4 5 6 7 8 9 -2 0 2 4 not c h 0 1 2 3 4 5 6 7 8 9 -5 0 5 EC G 0 1 2 3 4 5 6 7 8 9 -5 0 5 p. bai x a 0 1 2 3 4 5 6 7 8 9 -2 0 2 4 p. al ta 0 1 2 3 4 5 6 7 8 9 -2 0 2 4 not c hPT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 4
Motivação / Importância
• Muitos fenômenos físicos de interesse da
engenharia são representados por sinais
temporais
– determinísticos: velocidade, aceleração (em
condições ideais), ...
– E aqueles que não podem ser preditos com
precisão=> dados e fenômenos randômicos
• Ex.: intervalo RR do ritmo cardíaco
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 5
Importância
• Lidar com a indeterminação na medição
– valor esperado
– variabilidade
– intervalo de confiança
– Ex.: T=37 ± 0,5
• Caracterização do ruído
– otimização da estimativa das variáveis
– otimização de processos estocásticos
– Ex.: filtro de Wiener, Maximum likelihood
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
Aplicações
• Filtragem de eventos de interesse
• Atenuação do ruído
• Análise de componentes
• Deteção de eventos
• Determinação de causa e efeito
• Modelagem
• Relação e correlação com outros eventos
• ...
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
Sinais
• Sinais determinísticos: conteúdo no tempo e freq.
• Sinais aleatórios: valores “ao acaso”. São
caracterizados:
– pela probabilidade (caso discreto)
– pela função densidade de probabilidade (caso contínuo)
7 0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x3(t) 0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x1(t) 0 50 100 150 200 250 300 70 80 90 100 110 120 130 140 t x4(t)
t
1t
2x
1(t)
x
2(t)
x
n(t)
t
t
t
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 8
0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x3(t) 0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x1(t) 0 50 100 150 200 250 300 70 80 90 100 110 120 130 140 t x4(t)
t
1t
2x
1(t)
x
2(t)
x
n(t)
t
t
t
Temos vários sinais temporais de um fenômeno
Ruidoso com SNR baixo: o que fazer?
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 9
Processos estocásticos
• Manifestação de fenômenos aleatórios
• Caracterizado pela distribuição de probabilidade
• Variável aleatória com dependência temporal ou
espacial (contínua ou discreta)
– X(t)
– Ex.: ruído em ECG
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
Ruídos
• Ruídos inerentes ao fenômeno físico
– efeito da respiração em ECG;
– sinal da Mãe em ECG fetal
• Ruído ambiente, incluindo interferências
– Acoplamento/indução de 60 Hz em sinais
• Ruído do transdutor
– Detector de fótons (processo Poisson)
• Ruído eletrônico (DC a ~10
12
Hz): branco
– Ruído térmico (Johnson): fontes resistivas
– Ruído de disparo (shot noise):semicondutores
10
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
Exemplo em Matlab
=>
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
Exemplo
• Melhorar o estimador (variabilidade) com a
raiz quadrada do número de amostras
– potencial evocado
– gated blood pool
– gated SPECT
– gated MRI
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
Sinais ruidosos. Como medir similaridade ou relação?
13
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
Correlação entre sinais amostrados
• Média,Variância,
Desvio-padrão
• Coeficiente de
correlação
– Normalizado entre [0,1]
– Extraídas as médias
– Normalizado pelo d.
Padrão
• Covariância
– Variação sem
considerar a média
– (sem normalização por
N-1)
– Variância de x=cov(x,x)
– Operador correlação
14!
xy=
(x(n) ! m
x).(y(n) ! m
y)
0 N !1"
x(n) ! m
x(
)
0 N !1"
2.
0(
x(n) ! m
x)
N !1"
2cov
xy=
0(x(n) ! m
x).(y(n) ! m
y)
N !1"
!
xy=
cov
xy"
x."
yMatlab: corrcoef()
m
x=
1
N
0x(n)
N !1"
!
2 x=
1
N !1
0(x(n) ! m
x)
2 N !1"
cov
xy=
0(x(n) ! m
x).(y(n) ! m
y)
N !1"
Escalares.Generalização: matriz de covariancias
co rr
xy=
0x(n).y(n)
N !1"
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
Como analisar mais de 2 sinais?
• Matriz de
covariancias
• Sinais x
1
,x
2
,…x
N
15cov
x1, x2,.., xN= cov
x!=
c
11c
12c
1Nc
21c
22c
2 Nc
N 1c
N 2c
NN!
"
#
#
#
#
#
$
%
&
&
&
&
&
c
ij= cov
xi, xj=
n=0(x
i(n) ' m
xi).(x
j(n) ' m
xj)
N '1(
corr
x!=
!
ij!
"
#
#
#
#
$
%
&
&
&
&
!
ij=
c
ijc
ii.c
jjE se quisermos verificar um sinal ao longo do outro?
Matlab: cov(), corr()
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
Correlação cruzada ou função correlação
• Seja x(n), n=0,N-1
• y(n), n=0,M-1
• M<N
• Obs.:
– atentar para os limites
de k= [-(N-1),M-1]
– Se necessário usar
normalização pelo
número de parcelas
16co rr
xy(k) =
n=0x(n).y(n + k)
M !1"
1 2 3 4 5 6 7 -4000 -2000 0 2000 Tempo (s) EEG 0 5 10 15 20 25 30 35 40 45 50 0 20 40 60 80 100 1 2 3 4 5 6 7 -4000 -2000 0 2000 Tempo (s) EEG 0 5 10 15 20 25 30 35 40 45 50 0 20 40 60 80 100E se for entre o sinal e ele mesmo? Autocorrelação
Matlab: xcov(), xcorr()
0 0.5 1 1.5 2 2.5 -2 0 2 4 si n a l entropia= 0.876 freq.amost= 200 Hz -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 -1 0 1 aut oc or r 0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 fft -1 -0.5 0 0.5 1 1.5 2 2.5 3 0 0.2 0.4 hi s togr am a
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
Função autocorrelação
• Seja x(n), n=0,N-1
• Obs.:
– atentar para os limites
de k= [-(N-1),N-1]
– Número de parcelas não
é constante!
– Se necessário usar
normalização pelo
número de parcelas
17co rr
xx(k) =
n=0x(n).x(n + k)
N !1"
k = !(N !1), (N !1)
Matlab: xcorr()
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 18
Sinal ECG:quasi-periódico, quasi-estac.
0 0.5 1 1.5 2 2.5 -2 0 2 4 si n a l entropia= 0.876 freq.amost= 200 Hz -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 -1 0 1 aut oc or r 0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 fft -1 -0.5 0 0.5 1 1.5 2 2.5 3 0 0.2 0.4 hi s togr am a
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
observações
Definição mais geral (x(t), h(t): complexas, não-causais),
porém não são médias (consistencia com convolução)*:
19
∫
−∞∞+
=
=
h
x
h
t
x
t
dt
corr
hx(
τ
)
(
τ
)
*
(
).
(
τ
).
*Oppenheim (1989);Gonzalez(1993)
Se h(t) e x(t) forem reais:
)
(
).
(
).
(
)
(
)
(
τ
=
τ
=
∫
∞+
τ
=
−
τ
∞ − xh hxh
x
h
t
x
t
dt
corr
corr
h
! x(
!
) =
x(t).h(t !
!
). dt
!" "#
=
x(t).h[!(
!
! t)]. dt
!" "#
$(h! x)(
!
) = [h(!t) % x(t)](
!
)
Ou seja, a correlação entre um template h(t) e sinal x(t) em um ponto t
0:
a) Corresponde à ponderação de x(t) com h(t-t
0);
b) Corresponde também à convolução entre [x(t),h(-t)]
c) É a saída de um filtro com resposta impulsiva h(-t)
conv
hx(
!
) = h ! x(
!
) =
"#h(t).x(
!
" t). dt
#$
=
$
"##x(t).h(
!
" t). dt
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
Representação de sinais
1. Sinal no tempo x(t)
– Evolução temporal
– Derivadas, duração, amplitudes, ...
2. Qual o conteúdo em frequência do sinal? Tipos de
ruído? =>
Sinal no domínio da frequência [reversível]
3. Qual a distribuição das amplitudes do sinal x(t)?
Variabilidade? Valores com maior ocorrência? =>
função densidade de probabilidade (pdf) [irreversível]
4. Como se relaciona com os pontos vizinhos? =>
Autocorrelação [irreversível]
(obs.: relacionado com 2)
5. Qual o padrão (assinatura) do sinal? Representação
multidimensional. Qual a correlação entre sinais?=>
scatterplot [reversível]
23PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 24
Sinal constante: determinístico
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0 1 2 si n a l entropia= 0.000 freq.amost= 1000 Hz 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0 1 2 aut oc or r 0 100 200 300 400 500 600 700 800 900 1000 0 1000 2000 fft 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0 0.5 1 hi s togr am a
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 25
Sinal periódico: determinístico
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 -5 0 5 per iodi c o entropia= 1.314 freq.amost= 1000 Hz -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -1 0 1 aut oc or r 0 100 200 300 400 500 600 700 800 900 1000 0 1000 2000 fft -3 -2 -1 0 1 2 3 0 0.05 0.1 hi s togr am a
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
Sinal ECG:periódico,
quasi-estac.
0 0.5 1 1.5 2 2.5 -2 0 2 4 si n a l entropia= 0.876 freq.amost= 200 Hz -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 -1 0 1 aut oc or r 0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 fft -1 -0.5 0 0.5 1 1.5 2 2.5 3 0 0.2 0.4 hi s togr am aPT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
sinal estacionário
0 1 2 3 4 5 6 7 8 -10000 -5000 0 5000 si n a l entropia= 1.355 freq.amost= 100 Hz -8 -6 -4 -2 0 2 4 6 8 -0.5 0 0.5 1 aut oc or r 0 10 20 30 40 50 60 70 80 90 100 0 5 10x 10 5 fft -60000 -5000 -4000 -3000 -2000 -1000 0 1000 2000 3000 0.05 0.1 hi s togr am aPT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 28
Sinal branco gauss.:
aleat..estac.,não-corr.
0 1 2 3 4 5 6 7 8 9 10 -50 0 50 si n a l entropia= 1.126 freq.amost= 100 Hz -10 -8 -6 -4 -2 0 2 4 6 8 10 -0.5 0 0.5 1 aut oc or r 0 10 20 30 40 50 60 70 80 90 100 0 1 2 3 fft -30 -20 -10 0 10 20 30 40 0 0.1 0.2 hi s togr am aPT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 29
sinais
0 0.5 1 1.5 2 2.5 -2 0 2 4 si n a l entropia= 0.876 freq.amost= 200 Hz -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 -1 0 1 aut oc or r 0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 fft -1 -0.5 0 0.5 1 1.5 2 2.5 3 0 0.2 0.4 hi s togr am a 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0 1 2 si n a l entropia= 0.000 freq.amost= 1000 Hz 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0 1 2 aut oc or r 0 100 200 300 400 500 600 700 800 900 1000 0 1000 2000 fft 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0 0.5 1 hi s togr am a 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 -5 0 5 per iodi c o entropia= 1.314 freq.amost= 1000 Hz -2 -1.5-1-0.5 00.511.5 2 -1 0 1 aut oc or r 0 100 200 300 400 500 600 700 800 900 1000 0 1000 2000 fft -3 -2 -1 0 1 2 3 0 0.05 0.1 hi s t ogr am a 0 123 45 678 -10000 -5000 0 5000 si n a l entropia= 1.355 freq.amost= 100 Hz -8-6 -4-2 02 468 -0.5 0 0.5 1 aut oc or r 0 10 20 30 40 50 60 70 80 90 100 0 5 10x 10 5 fft -6000 -5000 -4000 -3000 -2000 -1000 0 1000 2000 30000 0.05 0.1 hi s t ogr am a 0 1 2 3 4 5 6 7 8 9 10 -50 0 50 si n a l entropia= 1.126 freq.amost= 100 Hz -10 -8 -6 -4 -2 0 2 4 6 8 10 -0.5 0 0.5 1 aut oc or r 0 10 20 30 40 50 60 70 80 90 100 0 1 2 3 fft -30-20 -100 10 20 30 40 0 0.1 0.2 hi s t ogr am asi
na
l
co
rr
psd
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
Resumindo: Sinais
• Sinais determinísticos: conteúdo no tempo e freq.
• Sinais aleatórios: valores “ao acaso”. São
caracterizados:
– pela probabilidade (caso discreto)
– pela função densidade de probabilidade (caso contínuo)
30 0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x3(t) 0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x1(t) 0 50 100 150 200 250 300 70 80 90 100 110 120 130 140 t x4(t)
t
1t
2x
1(t)
x
2(t)
x
n(t)
t
t
t
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
PROBABILIDADE
31PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 32
Teoria: definição de V.A
• Dado um fenômeno aleatório com
observável X
• Probabilidade: função Prob: A -> [0,1]
– A é subconjunto do espaço amostral Ω
– Prob(Ω)=1
– Prob(U {A
j
})=Σ Prob(A
j
), A
j
disjuntos
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 33
Campos aleatórios
• Extensão multi-variada de v.a
• vetores de v.a
– X=[ X
1
X
2
... X
n
]’
– Ex.: pixels vizinhos em imagens médicas,
EEG, ECG de múltiplos canais, ...
Ultra-som
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 34
Variável aleatória
• Variável aleatória
– v.a discreta: assume valores num conjunto
enumerável com certa probabilidade [Prob
(X=a)=p]
• número de enfartes
– v.a contínua: assume valores num intervalo de
números reais [ Prob( a≤X<b)=p]
• temperatura, intervalo RR
• Função
• E(X)
• Momentos
00 20 40 60 80 100 120 140 160 180 200 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 35
Teoria: função distr. Prob.
• Função discreta de probabilidade
– X: v.a discreta com espaço amostral Ω
– f(x)=Prob(X=x)
• Função densidade de probabilidade
– X: v.a contínua
– ∫
a
b
f(x)dx=Prob( a ≤ X ≤ b)
– f(x) >=0
• Função de distribuição de probabilidade
– F(x)=Prob(X ≤ x)
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 03
/0 5/ 12 36
Exemplos: distribuição normal
2
2
1
2
2
1
)
,
(
)
(
⎟
⎠
⎞
⎜
⎝
⎛
−
−
=
=
σ
µ
πσ
σ
µ
x
e
N
x
p
0 20 40 60 80 100 120 140 160 180 200 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x1(t)PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 37
Distribuição Poisson
0 2 4 6 8 10 12 14 16 18 20 0 0.05 0.1 0.15 0.2 0.25!
.
)
(
n
e
n
X
P
λ
=
=
−
λ
λ
n
0 5 10 15 20 25 30 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5Sequência de eventos (λ=3)
Ex. de fdp com λ=3
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
Olhando o sinal de 2 formas distintas
n
x(n)
1
20
2
10
3
20
4
20
5
10
N=5
m
x(n), n=1, N
k
x(k) Ocorrencias P(x)
1
10
2
2/5
2
20
3
3/5
K=2 E(x)
m =
1
N
n=1x(n)
N!
E(x) =
x
k.P(x
k)
k=1 K!
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
Valor esperado: E( )
∑
∑
=
=
=
=
n
k
i
i
n
k
i
i
x
g
p
X
g
E
x
p
X
E
1
1
)
(
.
)]
(
[
.
)
(
∫
∫
∞
∞
−
∞
∞
−
=
=
dx
x
p
x
g
X
g
E
dx
x
p
x
X
E
).
(
).
(
)]
(
[
).
(
.
)
(
v.a contínua
v.a discreta
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 40
Momentos de VA
∫
∞
∞
−
=
x
p
x
dx
X
E
(
k
)
k
.
(
).
∑
=
=
n
k
k
i
i
k
p
x
X
E
1
.
)
(
Valor médio (momento de ordem 1):
Momento de ordem 2:
)
( X
E
=
µ
)
(
2
2
=
E
X
µ
Momentos centrais de ordem k:
σ
k
=
E
[(
X
−
µ
)
k
]
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 41
Estimadores
Dada uma amostra da v.a X: {x
1,x
2, ..., x
n}
∑
∞
→
=
=
n
i
n
x
n
X
E
1
1
)
(
lim
µ
∑
−
=
−
=
∞
→
n
i
n
x
n
X
E
1
2
2
2
(
)
1
]
)
[(
µ
lim
µ
σ
Êrro de tendência (bias)
do estimador
=
φ
−
φ
=
∑
φ
−
φ
∞
→
n
i
n
n
E
1
ˆ
1
)
ˆ
(
lim
Coef. Variação
do estimador
φ
φ
φ
ε
[(
ˆ
(
ˆ
))
]
2
E
E
r
−
=
=
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
Por que 1/(N-1)?
42 xi: amostras ! independentes ! de ! Xµ
= E(x)!
2 = E[(x !µ
)2] estimadores ! de ! var ianciasˆ
!
2 =1 N (xi!µ
) 2 i=1 N"
ˆs2=1 K (xi! x ) 2 i=1 N"
x =1 N xi i=1 N"
E( ˆs2) =N !1 K!
2Deduzir!
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 43
Variabilidade na estimativa da média
∑
=
n
i
x
n
1
1
ˆ
µ
∫
=
T
x
t
dt
T
0
(
).
1
ˆ
µ
Média em
ensemble
Média no
tempo
variabilidade
n
x
x
µ
σ
rε
BT
x
x
2
µ
σ
Estimador
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
Filtro de média síncrona
Tirando proveito da aleatoriedade do ruído
Ruído aditivo com média zero
Exemplo de redução da variância na média
– Sejam X
1
,X
2
,...,X
N
: amostras independentes de uma
variável aleatória X com média 0 e variância σ
2
– Y: a média de X
– Qual a média e variância de Y?
44
∑
∑
= ==
=
=
N i i N i iX
E
N
Y
E
X
N
Y
1 10
)
(
1
)
(
1
N
N
N
N
X
N
Y
X Y X X N i iσ
σ
σ
σ
=
∴
=
=
=
∑
= 2 2 2 1 2.
)
var(
1
)
var(
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 45
Exemplo
• Melhorar o estimador (variabilidade) com a
raiz quadrada do número de amostras
– potencial evocado
– gated blood pool
– gated SPECT
– gated MRI
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 46
Vetor (campo) randômico
n n
x
x
x
X
P
n
n
n
x
x
x
p
x
x
x
X
P
X
X
X
X
∂
∂
∂
∂
=
≤
≤
≤
=
=
..
.
)
(
2
1
n
2
2
1
1
2
1
2 1)
,...
,
(
}
X
,...
X
,
Prob{X
)
(
]'
,...,
,
[
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie
FORMALIZANDO OS
CONCEITOS: PROC. ESTOC.
47
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 48
Processo estocástico
• Para um dado fenômeno aleatório, que
produz o registro x(t):
– Ensemble: conjunto de todos os registros que
poderiam ter sido produzidos: {x
i
(t)}
– processo aleatório: descrição do fenômeno
representado por {x
i
(t)} i=1,2,...
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 49
0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x3(t) 0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x1(t) 0 50 100 150 200 250 300 70 80 90 100 110 120 130 140 t x4(t)
t
1t
2x
1(t)
x
2(t)
x
n(t)
t
t
t
Ensemble de processos estocásticos
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
ECGs adquiridos em instantes de tempo diferentes:50000ptos
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
Processos estacionários
• Dado ensemble {x(t)}, X(t) é:
• fortemente estacionário se:
– momentos de qq ordem independem de t (em
geral 1 e 2)
• fracamente estacionário se:
– média e autocorrelação independem do
instante t
∫
∞
∞
−
=
=
t
k
t
k
t
t
k
E
[
X
]
x
.
f
(
x
).
dx
µ
]
.
[
)
,
(
)
(
τ
=
XX
τ
=
t
t
+
τ
XX
R
t
E
X
X
R
t
∀
t
∀
]
[
X
t
E
=
µ
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 52
0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x3(t) 0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x1(t) 0 50 100 150 200 250 300 70 80 90 100 110 120 130 140 t x4(t)
t
1t
2x
1(t)
x
2(t)
x
n(t)
t
t
t
processos estocásticos estacionários
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 53
Processos estocásticos: exemplos
• v.a contínua com tempo contínuo
– ECG
• v.a discreta com tempo contínuo
– número de fótons em imagens de excreção
renal em Medicina Nuclear
• v.a contínua com tempo discreto
– série de pressão sistólica, intervalo RR
• v.a discreta com tempo discreto
– número de nascimentos por região por dia
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 54
ECGs adquiridos em instantes de tempo diferentes:50000ptos
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 55
0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x3(t) 0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x1(t) 0 50 100 150 200 250 300 70 80 90 100 110 120 130 140 t x4(t)
t
1t
2x
1(t)
x
2(t)
x
n(t)
t
t
t
processos estocásticos estacionários
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 56
Estatística sobre 25 segmentos de
2000 ptos
200 400 600 800 1000 1200 1400 1600 1800 2000 -500 0 500 ec gmedia max= 158 sqrt(x2Max)= 452
200 400 600 800 1000 1200 1400 1600 1800 2000 -500 0 500 me d ia 200 400 600 800 1000 1200 1400 1600 1800 2000 -500 0 500 sq rt (x2 )
media(t)
x
2(t)
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 57
Estatística sobre 50 segmentos de 1000 ptos
100 200 300 400 500 600 700 800 900 1000 -500 0 500 ec g
media max= 87 sqrt(x2Max)= 376
100 200 300 400 500 600 700 800 900 1000 -500 0 500 me d ia 100 200 300 400 500 600 700 800 900 1000 -500 0 500 sq rt (x2 )
media(t)
x
2(t)
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 58
0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x3(t) 0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x1(t) 0 50 100 150 200 250 300 70 80 90 100 110 120 130 140 t x4(t)
t
1t
2x
1(t)
x
2(t)
x
n(t)
t
t
t
Correlação em instantes de tempo
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 59
Correlação (normalizado) entre V.A
0 50 100 150 200 250 300 350 400 450 500 -1 0 1 t= 1 ,2 ,3 50 100 150 200 250 300 350 400 450 500 -1 0 1 t= 1 0 50 100 150 200 250 300 350 400 450 500 -1 0 1 t= 1 0 0 50 100 150 200 250 300 350 400 450 500 -1 0 1 t= 3 0 0
50 blocos
de 500
xcorr(τ ;Δt)
{entre x(t)
e x(t+ Δt )}
Note o efeito do do xcorr devido ao preenchimento por zeros
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 60
Processos ergódicos
• Processos estacionários com momentos e
autocorrelações iguais aos obtidos nos
sinais temporais
∫
∞
∞
−
=
t
t
k
t
k
t
x
f
x
dx
X
E
[
]
.
(
).
=
T
→
∞
∫
T
x
k
t
dt
T
0
(
).
1
lim
∑
=
∞
→
+
=
n
i
i
i
n
n
x
t
x
t
1
)
(
).
(
1
lim
τ
]
.
[
)
(
τ
=
t
t
+
τ
XX
E
X
X
R
∫
+
=
→
∞
T
i
i
T
x
t
x
t
dt
T
0
(
).
(
)
1
lim
τ
t
∀
i
∀
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
EPUSP PTC/ LEB - S.Furuie 61
0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x3(t) 0 50 100 150 200 250 300 60 70 80 90 100 110 120 130 t x1(t) 0 50 100 150 200 250 300 70 80 90 100 110 120 130 140 t x4(t)
t
1t
2x
1(t)
x
2(t)
x
n(t)
t
t
t
processos estocásticos ergódicos
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
Ergodicidade: amostras no instante
5 10 15 20 25 -500 0 500 am os tr as de ec g
estatistica no tempo: media max= 28 sqrt(x2Max)= 294
5 10 15 20 25 -500 0 500 me d ia 5 10 15 20 25 -500 0 500 sq rt (x2 )
k=1
25 sinais
PT
C
2
45
6
–
Pro
c.
Si
na
is
Bi
omé
di
co
s
Si
n
ai
s
b
io
m
éd
ic
o
s:
p
ro
ce
ss
o
s
es
to
cá
sti
co
s
Estatística sobre 25 segmentos de
2000 ptos
200 400 600 800 1000 1200 1400 1600 1800 2000 -500 0 500 ec gmedia max= 158 sqrt(x2Max)= 452
200 400 600 800 1000 1200 1400 1600 1800 2000 -500 0 500 me d ia 200 400 600 800 1000 1200 1400 1600 1800 2000 -500 0 500 sq rt (x2 )