Entrando na Onda...
Hélio Magalhães de Oliveira, hmo@ufpe.br
Departamento de Eletrônica e Sistemas Universidade Federal de Pernambuco Cidade Universitária Recife - PE
Wavelets:
Uma Evolução na Representação de
Sinais
• A análise espectral constitui uma das ferramentas clássicas mais poderosas.
• Uma teoria mais potente e geral foi introduzida nos anos 80: A Transformada de Wavelet
• Ela inclui: Série de Fourier, a Transformada de Fourier, a Transformada de Gabor de Tempo Curto, Espectrogramas.
• Wavelets constituem hoje uma das ferramentas potentes em PDS.
ORIGEM- Escola Francesa
(Morlet, Grossmann,Meyer, Battle, Lemarié, Cohen, Mallat, Coifman, Rioul, etc.)
Em 1909, a primeira menção: tese de doutorado de Alfred Haar, análise escalonada.
As Wavelets de Haar, embora de suporte compacto não são continuamente diferenciáveis.
Década de 80, Alex Grossmann (Université de Marseille) e Jean P. Morlet (Elf Acquitaine) introduziram o conceito de wavelets
Morlet recebeu o prêmio Reginald Fessenden Award 1997.
Em 1985, Stéphane Mallat (França) estabeleceu a ligação desta teoria com o processamento digital de sinais.
Yves Meyer (França) construiu uma das primeiras Wavelets não triviais, continuamente diferenciáveis.
Jean Morlet. (ecce homo!)
Gama de aplicações:
geologia sísmica
visão computacional e humana radar e sonar
computação gráfica
predição de terremotos e maremotos turbulência
distinção celular (normais vs patológicas)
modelos para trato auditivo compressão de imagens
análise de tons musicais neurofisiologia
detecção de curtos eventos patológicos análise de sinais médicos
espalhamento em banda larga modelagem de sistemas lineares óptica
modelagem geométrica
caracterização de sinais acústicos reconhecimento de alvos
transitório e falhas em linhas de potência Metalurgia (rugosidade de superfícies) visualização volumétrica
Telecomunicações
previsão em mercados financeiros Estatística
"La Théorie Analytique de la Chaleur":
Ondas senoidais como elementos de vibrações e ondas periódicas verdadeiros átomos das flutuações e do fluxo.
Os sinais passaram a ser analisados no domínio de Fourier, i.e., no domínio da freqüência.
A decomposição evoluiu para a representação via transformada de Fourier.
Definição (ANÁLISE DE FOURIER):
A transformada de Fourier de um sinal f(t),
-∞< t < +∞ é
∫
+∞ ∞ − − = f t e dt w F( ) : ( ) jwt , denotadaConhecendo-se F(w), é possível voltar ao domínio temporal (SÍNTESE DE FOURIER):
∫
−+∞∞ = F w e dw t f ( ) jwt 2 1 ) (π
. o par transformada: f(t) ↔ F(w). TEOREMA DE PARSEVAL.Seja f(t) ↔ F(w) um sinal real, de energia finita. Então a energia do sinal pode ser calculada
em qualquer dos domínios, i.e,
∫
∫
−+∞∞ +∞ ∞ −f
t
dt
=
F
f
df
2 2|
)
(
|
)
(
. oAnálise Espectral P/ Sinais Não-Estacionários
Os sinais devem ser tratados não no
domínio t ou domínio f, mas em ambos
(espaço conjunto tempo-freqüência)!
Conceito de estacionaridade
Uma das deficiências da análise de Fourier é que ela não apresenta um caráter local.
Todo o sinal, desde o começo dos tempos (-∞) até o fim dos tempos (+∞) é levado em consideração.
(a)
(b) Figura. (a) Ilustração de um trecho de um sinal
(possivelmente) estacionário,
(b) Ilustração de um trecho de um possível sinal não estacionário.
O sinal estacionário apresenta um comportamento "mais ou menos" semelhante em qualquer trecho analisado...
Abordagem (pouco formal, mas suficiente).
Figura. Sinal com linha de base.
Evolução na TF clássica:
(STFT) Transformada de Gabor, ou transformada de janela (transformada de Fourier de tempo curto).
Primeiro passo na direção das wavelets: a introdução de um caráter local.
Sinal "fatiado" em trechos, e em cada trecho, a contribuição espectral fosse analisada, resultando em um espectro local.
seqüência de "fotos" do espectro:
... F(w,t-1), F(w, t0), F(w,t1), F(w,t2) .... evoluindo
temporalmente.
Sinais práticos " bem comportado" com relação à estacionaridade: sinais periódicos.
FOTOS:
• Representar o rosto por fotos (5 anos, 10 anos, 15, 20, 25 e 30 anos).
• Uma única foto representativa do indivíduo, uma "foto média". Essa foto média representa o espectro de Fourier.
• Um caráter local (no tempo) => trabalhar com mais fotos, => maior complexidade, capacidade de armazenamento/ processamento
A classe de sinais, cujo espectro permanece relativamente independente no tempo, são referidos como sinais estacionários.
É como se, "de repente", no meio de uma seqüência de fotos 3×4 de fotos humanas semelhantes, surgisse uma foto de algum animal completamente diferente (e.g., girafa).
Diferentes níveis de "estacionaridade":
seqüência de fotos sempre de uma mesma pessoa em diferentes tempos;
seqüência de fotos de pessoas diferentes em tempos diferentes, porém de uma mesma raça (origem);
seqüência de fotos de pessoas diferentes em tempos diferentes, porém de origens diferentes;
seqüência de fotos de diferentes animais em tempos diferentes (levando em conta algum aspecto da classificação de Lineu);
Quando o espectro de Fourier passa a não ter sentido?. A resposta não é fechada.
Depende do que se deseja e quanto se pode "pagar".
A Transformada de Gabor
Embora capaz de determinar o conteúdo de freqüências presentes em um sinal, não há noção de quando (em que intervalo de tempo) elas ocorrem.
A transformada de Fourier não fornece uma análise temporal, apenas freqüencial.
A idéia da STFT é introduzir um parâmetro de freqüência local (local no tempo) como se a "Transformada de Fourier Local" observasse o sinal através de uma curta "janela" dentro da qual o sinal permanece aproximadamente estacionário.
A transformada local observa f(t) "através" de uma janela W(t) centrada no instante de tempo τ e de extensão "limitada", antes do cálculo do espectro.
Representação bidimensional F(w,τ,) do sinal f(t), composta por características espectrais dependentes do tempo.
Janela: a mais comum é janela Gaussiana.
f t f 1 f 2 f f 1 f 2 t 1
Figura. Análise espectral com Transformada de Fourier clássica e em tempo curto.
As próximas perguntas:
Por que a STFT não é suficiente?
O que seria mais apropriado, além de um
A necessidade da segunda operação básica das wavelets, o escalonamento, também pode ser entendida neste contexto.
A Guisa de uma Análise de Wavelets
Alternativa para abordar o plano conjunto tempo-freqüência :
A análise visualizada como um banco de filtros.
resolução no tempo deveria aumentar com o aumento da freqüência central dos filtros, ou ∆f/f=cte (ou fator de qualidade Q constante).
FOTOS NOVAMENTE:
Deve-se usar uma representação para um indivíduo de meia-idade com uma meia dúzia de fotos
(0 ano, 5 anos, 10 anos 15 anos, 20 anos, 25 anos). (1 ano, 2 anos, 4 anos, 8 anos, 16 anos e 32 anos).
O comportamento das respostas ao impulso dos filtros de análise, oscilatório (rápido) e amortecido, gerando "ondinhas".
Figura. Exemplo de uma ondinha: ondelette de Morlet (Matlab).
domínios tempo e freqüência (f × t)
domínios escala e deslocamento (a × b).
Interpretação: "mapas".
Uma mudança de escala pode permitir, numa escala maior, ter uma visão mais global, mas com menor precisão. Já em uma escala menor, vê-se detalhes, mas perde-se em estudar o comportamento global.
1: 15.000.000 idéia do Brasil como um todo 1: 3.500.000, analisar Pernambuco, perdendo-se a noção do Brasil como um todo.
Na Transformada Contínua de Wavelet CWT, todas as respostas ao impulso no banco de
filtros são versões (expandidas ou comprimidas) da mesma ψ(t), chamada de Wavelet básica.
Assim,
t
a
t
t
f
a
a
,
)
:
1
(
)
(
)d
CWT(
∫
+∞ * ∞ −−
=
ψ
τ
τ
. ono rol das Transformadas Lineares...
A função ψψψψ(t) é conhecida como wavelet mãe.
A partir dela geram-se versões modificas no decorrer da transformada.
f f 2f 3f 4f ... 0 0 0 0 f f 2f 4f 8f .... 0 0 0 0 Banda passante constante (STFT)
Banda passante relativa (Q) constante (WT)
Figura. Análise Espectral com banco de Filtros: (a) STFT e (b) WT.
Wavelets Contínuas
Introdução a Transformada Contínua de Wavelet
A
Transformada
de
Wavelet
foi
desenvolvida como uma alternativa à STFT
para solucionar o problema da resolução.
Fixada a janela para a STFT, a resolução no tempo (t) e na freqüência (f) permanecem constante em todo o plano t-f.
CWT:
Alta resolução temporal e baixa freqüêncial para freqüências mais altas
Freqüência Freqüência
Tempo Tempo
(a) (b)
A Transformada de Wavelet Contínua CWT
ψ(t) wavelet-mãe ψ(t) ∈ L2(ℜ).∫
−+∞∞ψ 2(t)dt < +∞ Operações: a) escalonamento = a t a t a ψ ψ | | 1 ) ( , a≠0. b) deslocamentoψ
b(t) =ψ
(t − b). c) deslocamento com escalonamento=
−
=
(
)
)
(
,bt
at
b
aψ
ψ
− a b t a |ψ | 1 . o)}
(
{
)}
(
{
ψ
t
→
ψ
a,bt
(∀a, a≠0) (∀b∈ℜ). versão:O ajuste na amplitude do sinal escalonado foi introduzido visando garantir a isomeria: todas as ondelettes tem a mesma energia!
2 , 2
||
)
(
||
||
)
(
||
ψ
t
=
ψ
a bt
.Portanto, a escolha das wavelets como sendo
versões − a b t a|ψ | 1
garante a mesma energia para
qualquer wavelet! Define-se CWT(a,b):=
∫
+∞ ∞ − f (t) a,b(t)dt * ψ =< f(t),ψψψψa,b>. oAnalogia com Fourier:
Fourier F(w), em cada w:
Projeção de f(t) na direção das ondas
{ }
w∈ℜ jwte
que constituem uma "base" do espaço de sinais.
Esta "base" de Fourier é composta por sinais oscilatórios perpétuos - traduzindo o fato que Fourier está associado a um comportamento não-local no tempo, mas de -∞ a +∞.
Wavelets:
decomposição de f(t) em sinais
{
ψa,b(t)}
a∈ℜ*+b∈ℜ que constitui um novo conjunto de análise do espaço de sinais.Esta nova "base" é composta por sinais oscilatórios de curta duração - e não sinais ab aeterno.
Um critério para definir wavelets:
• Oscilatória (onda=wave), ou melhor, que seu valor médio no domínio temporal é nulo.
∫
−+∞∞ψ
( dt
t
)
= 0
• Condição de admissibilidade,
Dado o par transformada de Fourier:Caráter passa-faixa das wavelets interpretadas como um banco de filtros, note os seguintes fatos:
0 ) 0 ( = Ψ (pela admissibilidade) 0 ) (±∞ =
Ψ (pois ψ é de energia finita).
Dado ε >0 arbitrário, ∃ α, β ∈ ℜ, 0 < α < β < +∞ tal que
|Ψ(w)| < ε para |w| < α e |w| > β. o
Existe uma banda passa-faixa na qual o espectro Ψ pode ser essencialmente não nulo.
O escalonamento é o processo de
compressão e dilatação do sinal. O
parâmetro de escala "a" usado em Wavelets tem interpretação grosso modo idêntica à escala empregada em mapas cartográficos.
O termo |a|-1/2 é um fator de normalização da
energia do sinal e , 0 1 ) ( , ≠ − = a a b t a t b a ψ ψ é uma transformada afim.
Uma wavelet
ψ
a,b(
t
)
é definida por umFigura. A Wavelet-mãe Symmlet 8 em diferentes escalas e localizações.
Uma Transformada inversa de Wavelet pode ser obtida via 2 ) ( 1 ) , ( 1 ) ( a dadb a b t a b a CWT C t f
∫ ∫
+∞ ∞ − ∞ + ∞ − − = ψ ψ .Uma das primeiras transformadas WT corresponde a Wavelet de Morlet, cuja Wavelet mãe é ψ(t)=exp(-t2/2).exp(jw0t). Note que ela
A Transformada Inversa (CWT-1) e a Condição de Admissibilidade
Sejam f(t)∈ L2(ℜ) e ψa,b(t) ∈ L2(ℜ-{0}× ℜ).
Sob que condições é possível "pegar uma onda"?
(catch the wave...)
Escolher uma wavelet protótipo tal que
ψ(t) ↔ Ψ(w) e
<
+∞
Ψ
=
∫
+∞ ∞ −ζ
ζ
ζ
ψd
|
|
|
)
(
|
C
2 .Formula de inversão sob condições menos restritivas
Definição (Wavelets diádicas). Uma wavelet ψ(t) ∈ L2(ℜ), ψ(t) ↔Ψ(w), é dita ser uma wavelet diádica
se e somente se satisfaz a condição de estabilidade, i.e., ∃ A,B ∈ℜ 0<A≤B<+∞
tais que
∑
∈ − ≤ Ψ ≤ Z m m B w A | (2 ) | . oEstas wavelets não obedecem a condição de admissibilidade (porém obedecem a condição de estabilidade, menos restringente) e não são wavelets ortogonais.
Exemplos: Um mar de Wavelets
Existe um grande número de funções que podem ser eleitas como wavelets mãe.
Nome da família de Wavelets
'haar' Haar wavelet.
'db' Daubechies wavelets. 'sym' Symlets.
'coif' Coiflets.
'bior' Biorthogonal wavelets.
'rbio' Reverse biorthogonal wavelets. 'meyr' Meyer wavelet.
'dmey' Discrete approximation of Meyer wavelet. 'gaus' Gaussian wavelets.
'mexh' Mexican hat wavelet. 'morl' Morlet wavelet.
'cgau' Complex Gaussian wavelets. 'shan' Shannon wavelets.
'deO' de Oliveira wavelets. 'legd' Legendre wavelets. 'mth' Mathieu wavelets.
Wavelet de Haar
Por simplicidade, considera-se um sinal constante por partes. Bases de sinais constantes por partes (e.g. Haar) podem ser mais adequadas.
contrário caso 1 t 0 0 t 1 0 2 1 2 1 : ) ( ) ( < ≤ ≤ < − = t H ψ .
Estas são versões do tipo "wavelet digital".
Figura. sinal 1-D de teste, constante por partes.
Wavelet Sombrero
Assumindo uma ρ(t) Gaussiana, segue-se que
)
(
''
)
(
t
ρ
t
ψ
=
−
é a wavelet sombrero (chapéumexicano), por razões óbvias.
3 ) 1 ( 2 ) ( 4 / 1 2 / 2 ) ( 2 π ψ Mhat t e t t − − = .
Wavelet densidade Gaussiana
Uma wavelet simples derivada da função densidade gaussiana (gaus1) é dada por:
4 1 2 2
2
1
/ / t ) fdG (te
:
gaus
)
t
(
π
ψ
=
=
− . 10 5 0 5 10 1 0.5 0 0.5 1 0.644 0.644 − ψ x( ) 8 8 − xWavelet complexa de Morlet
Morlet propôs uma das primeiras wavelet de interesse na análise de sinais.
Em sua investigação de sinais geofísicos (exploração de petróleo), empregou a wavelet complexa: t jw t Mor
e
e
t
2 / 2 0 4 / 1 ) (1
)
(
=
− −π
ψ
.Wavelet de Shannon
A análise correspondente aos filtros passa-faixa ideais define uma decomposição usando wavelets conhecidas como wavelets de Shannon.
Espectro da Wavelet real:
∏
∏
+ + − = Ψ π π π π /2 3 /2 3 ) (w w w .Tomando a transformada inversa:
No caso da wavelet complexa, pode-se usar t j CSha e t Sinc t π
ψ
( ) 2 ) ( ) ( = − . (a) (b)Figura. (a) Wavelet de Shannon. (b) A wavelet complexa de Shannon (Matlab).
Wavelet de Meyer
A wavelet de Meyer é definida no domínio freqüencial como: ≤ ≤ − ≤ ≤ − = Ψ contrário. caso 0 /3 8 | w | /3 4 1 4 | | 3 2 cos 2 1 /3 4 | w | /3 2 1 2 | | 3 2 sen 2 1 ) ( /2 2 / π π π υ π π π π π υ π π jw jw e w e w w .
Figura. Wavelet de Meyer:
Wavelets de Daubechies
Atrativos da análise de Fourier: ondas usadas na decomposição são ortogonais.
As 1as wavelets ortogonais obtidas, (Meyer, Battle-Lemarié), não apresentam suporte compacto.
Haar são ortogonais e de suporte compacto, porém não são diferenciáveis.
Um dos maiores desafios da teoria de wavelets foi a construção de uma família de wavelets ortogonais de suporte compacto.
Figura. Wavelets dbN de Daubechies (N=2,3,4, ...):
Wavelet Symmlets e Wavelet Coiflets
Coiflets e Symmlets são wavelets mais simétricas as quais foram projetadas para garantir momentos nulos tanto na função de escala φ(t) quanto na wavelet-mãe ψ(t).
Elas foram criadas Daubechies sob demanda de R. Coifman em 1989. São também wavelets de suporte compacto.
Wavelet de "de Oliveira"
Possuem espectro típico passa-faixa ideal (plano), com regiões de "rolamento" assimétricas, porém mantendo a filosofia básica da análise a Q-constante.
Mostra-se que a wavelet complexa de "de Oliveira" é dada por
( )
.
)
(
/ 2 ( ) ) (w
S
e
w
jw deO deO=
−Ψ
,onde
|
Ψ
(deO)(
w
)
|
=
S
(deO)( )
w
.Figura. Wavelet ψ(deO)(t): Parte real
Figura. Wavelet ( )( ) t
deO
Wavelets Discretas
A CWT essencialmente mapeia um sinal
unidimensional (no tempo) em uma
representação bidimensional (tempo, escala) que é altamente redundante.
As wavelets agora não são transladadas nem escalonadas continuamente, mas sim em intervalos discretos.
Isto pode ser feito com uma pequena modificação na wavelet contínua.
− = ⇒ = m m o m b a a a nb t a t a b a t 0 0 0 n m, , 1 ) ( -t 1 ) ( ψ ψ ψ ψ
onde m e n são inteiros, a0 >1 é um parâmetro de
dilatação fixo, b0 é o fator de translação fixo e b
A Transformada Discreta de Wavelets:
As Séries Wavelet de tempo contínuo (CTWS)
Formas discretas são atraentes do ponto de vista:
i) implementação e ii) computacional.
A discretização da WT
1) ocorre apenas no domínio dos parâmetros (variáveis de escala e translação),
2) não na variável independente do sinal a ser analisado (tempo ou espaço).
Retículado 2D no plano escala-translação:
A grade é indexada por dois inteiros m e n:
m => passos na escala discreta
Escala discreta (logarítmica): a=a0m m=1,2,3,...
Translações discretas: b=nb0a0m n=1,2,3,... dado m.
Assim
∫
−+∞∞ − = = dt a a nb t t f a n m CTWS b a WT m m m 0 0 0 0 ) ( 1 : ) , ( ) , ( ψ . o Note que:f(t) e a wavelet-mãe são tempo contínuo,
coeficientes discretos CTWS(m,n) são discretos.
Assim, a DWT consiste em um mapeamento do tipo
CTWS: L2(ℜ) → l2(Ζ+-{0} × Ζ) f(t) |→ CTWS(m,n)
Enunciado de outra forma: sinais contínuos de energia finita são mapeados em uma grade bidimensional de coeficientes de wavelet.
Interessante observar que a DWT é mais análoga à uma representação em série de Fourier ao invés de uma DFT: • Série
∑
+∞ −∞ = n t jnw ne
F
0 representação de tempo contínuo, com coeficientes discretosReticulado: A escolha da grade.
Os coeficientes da CWTS correspondem a pontos num retículo no domínio escala-translação.
A grade é indexada por dois inteiros m e n, controlando a discretização da escala e translado.
O reticulado uniforme no plano escala-deslocamento é expresso por:
{
}
m n Z b a=
ma
nb
∈∆
,(
0,
0)
, 0 0 .Já o reticulado definido pelas wavelets no plano escala deslocamento é o reticulado hiperbólico
m (escala)
n (deslocamento)
Figura. Resolução de transformadas wavelets: plano translação-escala.
Além da discretização do plano escala-translação, a variável independente do sinal pode também ser discretizada.
Neste caso, define-se:
∑
+∞ −∞ = − = = k m m m a a nb k k f a n m DTWS b a WT 0 0 0 0 ) ( 1 : ) , ( ) , ( ψ . oAssim, as DTWS consiste em um mapeamento do tipo
DTWS: l2(Ζ) → l2(Ζ+-{0} × Ζ) f(k) |→ DTWS(m,n).
Interessante observar que a DTWS é mais análoga à uma representação do tipo DFT que em série de Fourier.
O menor passo inteiro para a escala é a0=2. Usa-se
Um Estudo de Caso:
Decomposição via Daubechies db2 para ECG
Decomposição wavelet (AMR) usando db2 para um sinal ECG, com seis níveis de decomposição.
A decomposição explicita visualmente, no nível 6, a wavelet mãe db2.
Lembra decomposição em série de Fourier: Os "harmônicos" aqui não são senoidais perpétuas, mas versões de uma wavelet (e.g., ondas não perpétuas).
Uma característica diferente: A6=S6 (versão grosseira
ou passa-baixa), a qual devem ser adicionados os detalhes (versão wavelet ou passa-faixa) para compor a aproximação.
Aplicações de Wavelets
Provocações... (!)
Wavelets em Descontaminação de Sinais
Infelizmente, descontaminação é um problema difícil não há fronteiras de distinção entre o sinal e o ruído.
Métodos de descontaminação: suprimir "algumas" componentes "incoerentes" com o sinal de informação.
• sinal original fk
• ruído aditivo nk v.a. - ruído branco gaussiano.
• observações yk = fk +
σ
nk , k=0,1,2,...,K-1, Matricialmente, y=f+σn .Aplicando-se a transformada de wavelets, obtém-se
)
(
)
(
)
(
y
DWT
f
DWT
n
DWT
=
+
σ
.Os coeficientes wavelet do ruído superpõem-se aos coeficientes wavelets do sinal.
SNR alta:
Eliminam-se as contribuições para a reconstrução do sinal em que o ruído é "comparável" ao sinal, mantendo apenas coeficientes wavelets onde a contribuição do sinal é "importante".
É comum o uso de um limiar abrupto (hard
threshold), casocontrário
Algoritmo Waveshrink
P1. Fixe um nível m≥1 e normalize as observações via ~ =yk yk / Km .
P2. Calcule a DWT da observações normalizadas.
P3. Aplique o operador C(x) nos coeficientes wavelet obtidos.
O operador de encurtamento (shrinkage), C(x), é definido por: contrário caso T | x | se T | x | ). x ( Sgn ) x ( C m > m − = 0 , em que Tm é um limiar.
Figura. Waveshrink:
descontaminação de sinais usando wavelets.
Compressão via wavelets
A título de destacar a relevância das wavelets como mecanismos de compressão:
Inclusão no padrão internacional JPEG 2000. padrão do FBI (Federal Bureau of
Figura (a) Imagem original (261 KB); (b) Imagem comprimida por JPEG (28 KB);
Wavelets em Localização de Faltas em Linhas de Transmissão
Wavelets constituem uma ferramenta poderosa na detecção de faltas em linhas de transmissão, inclusive na análise de faltas de difícil detecção
(e.g., faltas de alta impedância, faltas em linhas com compensação série e faltas em linhas com acoplamento mútuo).
A implementação de algoritmos de identificação ou localização de faltas em linhas de transmissão está baseada na configuração do sistema de monitoramento dos sinais de tensão e/ou corrente na linha de transmissão, através do uso de registradores digitais de perturbação.
• PRINCIPAIS DESENVOLVIMENTOS NA UFPE
Novas wavelets
Potenciais aplicações
Wavelets em GF(p) Multiplex, Acesso múltiplo,
seqüências de DNA
Wavelet de "de Oliveira" Modulação digital, Modems ADSL
Wavelets de Chebyshev Análise em biomédica
(eletrogastrografia, ECG...)
Wavelets de Legendre Desenhos, Tomografia, RMN,
Imagens médicas
Wavelets de Mathieu Óptica, eletromagnetismo
(antenas...)
• IMPORTANTE E PODEROSA FERRAMENTA NA ANÁLISE DE SINAIS