J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003
Processamento de Sinal
Conceitos, Métodos e Aplicações
Texto Tutorial da Disciplina:
APSI - LEEC
J.P. Marques de Sá – jmsa@fe.up.pt
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 Índice
4.3 Descrições Tempo-Frequência ... 3
4.3.1 Motivação... 3
4.3.2 Transformada de Fourier Variante no tempo... 4
4.3.3 Transformada de ôndulas ... 13
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003
4.3 Descrições Tempo-Frequência
4.3.1 Motivação ) , ( ) (t T t f x ⇔ xAnálise de sinais determinísticos variantes no tempo ou estocásticos não-estacionários. Duas classes de métodos:
• Linear ) , ( ) , ( ) , ( ) ( ) ( ) (t ax1 t bx2 t T t f aT 1 t f bT 2 t f x = + ⇒ x = x + x Exemplos:
Transformada de Fourier variante no tempo
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003
4.3.2 Transformada de Fourier Variante no tempo
Ideia-chave: Multiplicar o sinal por uma janela corrente no tempo.
∑
∞ −∞ = − + = 1 ( ) ( ) ) , ( m m j e m w m n x n Xλ
λTemos a versão discreta da Transformada de Fourier variante no tempo, também designada por STFT ("Short Time Fourier Transform"). A representação de STFT é chamada espectrograma.
Exemplo: Chirp linear. ) sin( ) (n w0n2 x = -1.5 -1 -0.5 0 0.5 1 1.5 0 50 100 150 200 250 300 350 400 450 500
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 Frequência instantânea de = ∂ ∂ n n n)): ( ) ( sin(
ϕ
ϕ
2π
f0n = 0.8π
10-3n.Análise com uma janela de Kaiser de 64 amostras e
β
= 3.5363.0.00 0.05 0.10 0.15 0.20 0.25 0.29 0.34 0.39 0.44 0.49 0.54 0.59 0.64 0.69 0.74 0.79 32 160 288 416 0-6 6-12 12-18 18-24
λ
n
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 0. 00 0. 07 0. 15 0. 22 0. 29 0. 37 0. 44 0. 52 0. 59 0. 66 0. 74 32 160 288 416 0 5 10 15 20 25 λ n
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 Logo: n j e n w n h e n h n x n X( ,
λ
)= ( )⊗ λ( ) λ( )= (− ) λNa versão DFT, calculada com N amostras, temos:
[ ]
(
π ω)
ω
= j k N−k W e
H ( ) 2 /
Podendo-se obter a STFT a partir de um banco de N filtros.
h
N-1(n)
h
1(n)
h
0(n)
x(n)
X(n, N-1)
X(n, 1)
X(n, 0)
...
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 Influência da largura da janela:
• Largura reduzida: boa resolução no tempo e má nas frequências. No limite, a janela tem apenas uma amostra, )
( )
(n n
w =
δ
, com espectro constante, não permitindo resolver nas frequências.• Largura ampla: boa resolução nas frequências e má no tempo. No limite, a janela é constante, w(n)=1, não permitindo resolver no tempo.
Princípio da incerteza:
Dado o Teorema do escalamento:
⇔ a F at af( )
ω
Então, nenhuma função pode ter uma resolução arbitrariamente boa simultaneamente no tempo e na frequência. Usando como medidas de duração no tempo e na frequência:
∫
∫
∞ ∞ − ∞ ∞ − = =ω
ω
ω
π
E F d D dt t f t E d2 2 2 2 2 ( )2 2 1 ; ) ( 1sendo E a energia do sinal:
∫
∫
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003
Prova-se que:
Se t f(t)→0 com t →∞, então Dd ≥1/2 A igualdade é atingida apenas no caso da curva normal: f(t)= Ae−αt2
Exemplos: a) ECG amostrado a 500 Hz. 0 0.2 0.4 0.6 0.8 1 1.2 1.4 -100 0 100 200 300 400 500 600 700
Figura 4.28. ECG amostrado a 500 Hz, com indicação de vários componentes de onda.
T T
P Q
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003
Análise no Matlab: specgram(x,512,500,kaiser(256,3.5),250) specgram(x,256,500,kaiser(64,3.5),60) specgram(x,256,500,kaiser(128,3.5),120) specgram(x,256,500,kaiser(32,3.5),20) Time F reque nc y 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0 50 100 150 200 250 Time F req ue nc y 0 0.2 0.4 0.6 0.8 1 0 50 100 150 200 250 Time F requ enc y 0 0.2 0.4 0.6 0.8 1 1.2 0 50 100 150 200 250 Time F req ue nc y 0 0.2 0.4 0.6 0.8 1 1.2 0 50 100 150 200 250
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003
Notar a boa resolução no tempo e na frequência para 64 amostras, com a detecção dos componentes de onda de maior frequência, ondas Q, R.
b) Análise de sinais de voz
Frase "Boa tarde" amostrado a 4009 Hz; 2251 amostras.
0 0.1 0.2 0.3 0.4 0.5
-0.5 0 0.5
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 Time F req uen cy 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0 200 400 600 800 1000 1200 1400 1600 1800 2000
Figura 4.31. Espectrograma do sinal anterior (Matlab: specgram(x, 256, 4009, hanning(256), 250). A transição entre fonemas è visível.
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003
4.3.3 Transformada de ôndulas
Ideia-chave: em vez de avaliarmos a semelhança do sinal com uma sinusóide a múltiplas frequências, avaliamos a semelhança com uma "ôndula" a múltiplas escalas.
Transformada contínua de ôndulas (CWT):
dt a t a t x a W
∫
∞ ∞ − − =ψ
τ
τ
, ) ( ) 1 * (O parâmetro a é um factor de escala, de dilatação (quanto maior a, mais dilatada é a ôndula).
-3 -2 -1 0 1 2 3 4 5 6 7 0 10 20 30 40 ψ(τ,0.5) ψ(τ,1) -4 -3 -2 -1 0 1 2 3 0 10 20 30 40 C(t,1) C(t,0.5) x(n)
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003
A transformada de ôndulas preserva translações e escalamentos no tempo: • x~(t)=x(t −t0) ⇒ W~x(
τ
,a)=Wx(τ
−t0,a) • ~( ) ( ) ~( , ) ( , ) s a s W a W st x s t x = ⇒ xτ
= xτ
Não preserva, contudo, translações na escala.
Note-se que a escala está em correspondência inversa com a frequência: quanto maior a escala, menor a frequência e vice-versa. De facto, é possível escrever a CWT na forma:
dt t f f f f t x f W ∞
∫
∞ − − = ( ) ( ) ) , ( 0 * 0τ
ψ
τ
sendo
ψ
, a ôndula mãe, uma função ou complexa do tipo passa-banda tendo f0 como frequência central.Também é possível escrever:
( )
t dt t x a W∫
a ∞ ∞ − = * , ) ( ) , (τ
ψ
τ com − = a t a t aτ
ψ
ψ
τ, ( ) 1J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 Notar em particular que
ψ
0,1(t)=ψ
(t) é a ôndula mãe.A transformada inversa de ôndulas é dada por:
∫ ∫
∞ −∞ = ∞ −∞ = = a a t dad a W a C t x τ ττ
ψ
τ
, ) ( ) ( 1 1 ) ( , 2A CWT proporciona uma representação redundante, já que não necessitamos de todo o suporte de W(
τ
,a) para recuperar x(t).De facto, obtém-se uma representação não redundante dilatações e translações múltiplos de 2:
∑ ∑
∞ −∞ = ∞ −∞ = − − − = k l k k t l l k d t x( ) ( , )2 /2ψ
(2 )J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 Tempo Fr equê nc ia Es cal a s =1 s =2 s =4 s = ½ s = ¼
Figura 4.33. Representação diádica da transformada discreta de ôndulas. Notar que:
• A largura das "caixas" é maior quando a altura é menor e vice-versa. • A área das "caixas" é constante.
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 A transformada discreta de ôndulas (DWT) é definida como:
(
)
∫
+ − − = 2 ( 1) 2 2 ) ( 2 1 ) , ( l l k k k k dt l t t x l k dψ
Suponhamos que as ôndulas satisfazem as seguintes condições:
∫
∞ ∞ − = 0 ) ( dttψ
∫
∞ ∞ − = 1 ) (t 2dtψ
) ( ) ( ), (tψ
t nδ
nψ
− = 0 ) ( ), (tφ
t − n =ψ
, com ≤ ≤ = t t t outros 0 1 0 1 ) (φ
Então os coeficientes da DWT podem obter-se através da decomposição do sinal em:
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 0 10 20 30 40 C(t,1) G(t,1) x(n)
Figura 4.34. Decomposição do sinal anterior em aproximação e detalhe.
A decomposição é realizada usando filtros correspondentes às ôndulas, com decimação por 2.
xk-1(n)
D=2 D=2
LP HP
cAk cDk
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003
A decomposição pode ser iterada em vários níveis até atingir um nível em que os detalhes só representam ruído branco.
x(n)
cA
1cD
1cA
2cD
2cA
3cD
3Figura 4.36. Decomposição multinível (3 níveis) de um sinal em aproximações e detalhes.
A reconstrução é feita "bottom-up" usando as interpolações duais das decimações. Notar que:
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 Exemplos:
a) Análise de sinais
Análise do ECG: decomposição nas ondas componentes.
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003
b) Remoção de ruído em sinais
Remoção de ruído de alta frequência do ECG. Método: fixação de limitações nos detalhes.
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 Figura 4. 39. ECG original e reconstruído.
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003
d) Remoção de evoluções lentas ("trends")
a
b c
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003
4.3.4 Transformada de Wigner
Transformação quadrática: adequada à representação tempo-frequência da energia de um sinal, logo, adequada à representação de sinais estocásticos não-estacionários.
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 Exemplo:
Segmentos de EEG de vigilância e sono com 500 amostras.
J.P. Marques de Sá - Fac. Eng. Univ. do Porto, Portugal 2003 Bibliografia
Cadzow JA (1982) Spectral Estimation: An Overdetermined Rational Model Equation Approach. Proc. IEEE, 70:907-938.
Cohen L (1989) Time-Frequency Distributions-A Review. Proc. IEEE, 77:941-981.
Hlawatsch F, Boudreaux-Bartels GF (1992) Linear and Quadratic Time-Frequency Signal Representations. IEEE SP Magazine, April, 21-67.
Kuc R (1988) Introduction to Digital Signal Processing. Mc Graw-Hill, Inc. Lindner DK (1999) Introduction to Signals and Systems. Mc Graw-Hill, Inc.
Lyons RG (1997) Understanding Digital Signal Processing. Addison Wesley Longman, Inc.
Oppenheim AV, Schafer RW, Buck JR (1999) Discrete-Tima Signal Processing. Prentice-Hall Inc. Papoulis A (1984) Signal Analysis. McGraw-Hill, Inc.
Proakis JG, Manolakis DG (1996) Digital Signal Processiong. Principles, Algorithms and Applications. Prentice Hall Int., Inc.
Rabiner LR, Gold B (1975) Theory and Application of Digital Signal Processing. Prentice-Hall, Inc.
Rao RM, Bopardikar AS (1998) Wavelet Transforms. Introduction to Theory and Applications.Addison-Wesley. Robinson EA (1982) A Historical Perspective of Spectrum Estimation. Proc. IEEE, 70:885-906.