Análisis Tiempo-Frecuencia - Procesam. Digital de...
Transcript of Análisis Tiempo-Frecuencia - Procesam. Digital de...
Unidad X- Análisis tiempo-frecuencia
• Introducción - motivación
• Transformada de Fourier de Tiempo corto
• Diferentes ventanas - Transformada de Gabor
• Principio de Incertidumbre - Resolución temporal y frecuencial
• Redundancia de la STFT
• Transformada Wavelet continua y discreta
Distribución de Wigner - Ville
Introducción - Motivación
0 0.2 0.4 0.6 0.8 1-1
-0.5
0
0.5
1A=sin(2*pi*5*t)
tiempo (seg)-50 0 500
100
200
300
400
500Transformada de fourier de A
frecuencia (Hz)
Mag
nitu
d
0 0.2 0.4 0.6 0.8 1-1
-0.5
0
0.5
1B=sin(2*pi*10*t)
tiempo (seg)-50 0 500
100
200
300
400
500Transformada de fourier de B
frecuencia (Hz)
Mag
nitu
d
Introducción - Motivación
0 0.5 1 1.5 2-1
-0.5
0
0.5
1C=[A B]
tiempo (seg)-50 0 500
100
200
300
400
500
600Transformada de fourier de C
frecuencia (Hz)
Mag
nitu
d
0 0.5 1 1.5 2-1
-0.5
0
0.5
1D=[B A]
tiempo (seg)-50 0 500
100
200
300
400
500
600Transformada de fourier de D
frecuencia (Hz)
Mag
nitu
d
Introducción - Motivación
0 0.5 1 1.5 2-2
-1
0
1
2E=A+B
tiempo (seg)-50 0 500
200
400
600
800
1000
1200Transformada de fourier de E
frecuencia (Hz)
Mag
nitu
d
0 0.5 1 1.5 2-1
-0.5
0
0.5
1F=[2*A 2*B]
tiempo (seg)-50 0 500
200
400
600
800
1000
1200Transformada de fourier de F
frecuencia (Hz)
Mag
nitu
d
Introducción - Motivación
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-1
-0.5
0
0.5
1Señal con modulacion en frecuencia lineal (parte real)
tiempo (seg)
-50 -40 -30 -20 -10 0 10 20 30 40 500
5
10
15
20Transformada de Fourier de la señal
Frecuecnia (Hz)
Mag
nitu
d
Motivación• No alcanza con conocer la información de
frecuencias → se necesita información sobre los tiempos en los que ocurren esas frecuencias
• Fourier → no hay información de tiempo
• Ocurre en señales no estacionarias (parámetros variables en el tiempo)
• Otro ejemplo: el ejercicio de la guía de TF en el que había que determinar el momento en que se tocaba una nota
Motivación
0 0.5 1 1.5 2-1
-0.5
0
0.5
1C1=[A B].*V1
-50 0 500
100
200
300
400Transformada de Fourier de C1
Mag
nitu
d
0 0.5 1 1.5 2-1
-0.5
0
0.5
1C2=[A B].*V2
-50 0 500
50
100
150
200Transformada de Fourier de C2
Mag
nitu
d
0 0.5 1 1.5 2-1
-0.5
0
0.5
1C3=[A B].*V3
tiempo (seg)-50 0 500
100
200
300
400Transformada de Fourier de C3
frecuencia (Hz)
Mag
nitu
d
Transformada de Fourier de tiempo Corto (STFT)
Dada una ventana real simétrica, tal que
Se genera una base al desplazarla y modularla con una frecuencia ξξξξ, y se obtiene un “átomo tiempo-frecuencia”:
Suponiendo que ha sido normalizada de forma que , la STFT o Transformada de Fourier Ventaneada se obtiene mediante el producto interno :
( ) ( )g t g t= −
, ( ) ( )i tug t e g t uξ
ξ = −, ( ) 1ug tξ =
,( ), ( )uf t g tξ
*,( , ) ( ) ( ) ( ) ( ) i t
uSf u f t g t dt f t g t u e dtξξξ
∞ ∞ −
−∞ −∞= = −∫ ∫
Transformada de Fourier de tiempo Corto (STFT)
• STFT → función de dos variables, gráfico en 3D
• Gráficos en escalas de colores, vistos desde arriba
• Se suele graficar el “Espectrograma” en lugar de la STFT, definido de la siguiente forma:
Es una función de densidad de energía
22
( , ) ( , ) ( ) ( ) i tPsf u Sf u f t g t u e dtξξ ξ∞ −
−∞= = −∫
Transformada de Fourier de tiempo Corto (STFT)
En el caso discreto, tenemos las siguientes ecuaciones equivalentes :
[ ] [ ]2
,
i ln
Nm lg n g n m e
π−
= −
[ ] [ ] [ ] [ ] [ ]21
,0
, ,i lnN
Nm l
n
Sf m l f n g n f n g n m eπ−−
=
= = −∑
[ ] [ ] [ ] [ ]221
2
0
, ,i lnN
N
n
Psf m l Sf m l f n g n m eπ−−
=
= = −∑
Transformada de Fourier de tiempo Corto (STFT)
0 5 10 15 20 25 30 35 40 45
0.2
0.4
0.6
0.8
1
0
50
100
150
200
Frecuencia
Tiempo
|Sf(u
,w)|2
Transformada de Fourier de tiempo Corto (STFT)
Time
Freq
uenc
y
-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
0
5
10
15
20
25
30
35
40
45
Transformada de Fourier de tiempo Corto (STFT)• Para la STFT son válidas las siguientes
fórmulas de reconstrucción:
1( ) ( , ) ( )
2i uf t Sf u g t u e d duξξ ξ
π∞ ∞
−∞ −∞= −∫ ∫
[ ] [ ] [ ]21 1
0 0
1,
i lnN NN
m l
f n Sf m l g n m eN
π−− −
= =
= −∑∑
Diferentes ventanas -Transformada de Gabor
• Los ejemplos anteriores fueron generados a partir de una ventana g(t) cuadrada
• Otras ventanas: Hanning, Hamming, Blackman, etc.
• En el trabajo original de Gabor, la ventana usada era una Gaussiana, y a la STFT con esta ventana se le llama Transformada de Gabor en su honor.
218
2( )t
gaborg t e−
=
Ej.: Átomo tiempo-frecuencia
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.2
0.4
0.6
0.8
1Ventana Gaussiana
tiempo (seg)
-20 -15 -10 -5 0 5 10 15 200
50
100
150
200Transformada de Fourier de la ventana
frecuencia (Hz)
Mag
nitu
d
Ej.: Átomo tiempo-frecuencia
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-1
-0.5
0
0.5
1Senoidal de 10 Hz
tiempo (seg)
-20 -15 -10 -5 0 5 10 15 200
100
200
300
400
500Transformada de Fourier de la senoidal
frecuencia (Hz)
Mag
nitu
d
Ej.: Átomo tiempo-frecuencia
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-1
-0.5
0
0.5
1Atomo tiempo frecuencia
tiempo (seg)
-20 -15 -10 -5 0 5 10 15 200
20
40
60
80
100Transformada de Fourier del Atomo
frecuencia (Hz)
Mag
nitu
d
Diferentes ventanas -Transformada de Gabor
Time
Freq
uenc
y
Hanning
0 0.2 0.4 0.6 0.80
10
20
30
40
Time
Freq
uenc
y
Hamming
0 0.2 0.4 0.6 0.80
10
20
30
40
Time
Freq
uenc
y
Blackman
0 0.2 0.4 0.6 0.80
10
20
30
40
Time
Freq
uenc
y
Bartlett
0 0.2 0.4 0.6 0.80
10
20
30
40
Time
Freq
uenc
y
Cuadrada
0 0.2 0.4 0.6 0.80
10
20
30
40
Time
Freq
uenc
y
Gabor
0 0.2 0.4 0.6 0.80
10
20
30
40
Principio de Incertidumbre -Resolución tiempo-frecuencia
• Las transiciones en el tiempo no se conocen con exactitud
• Mas resolución temporal: ventanas mas chicas, mayor cantidad de ventanas
• “Soporte compacto”: una ventana que permite concentrarse en una región determinada
• Pero, ¿cómo se traduce esto en el dominio frecuencial?
• En los ejercicios de Fourier se vio que las funciones muy localizadas en el tiempo tendían a tener espectros deslocalizados
Resolución tiempo-frecuencia
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
0.8
1Ventana Gaussiana
tiempo (seg)-20 -10 0 10 200
100
200
300
400
500Transformada de Fourier de la ventana
frecuencia (Hz)
Mag
nitu
d
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
0.8
1Ventana Gaussiana
tiempo (seg)-20 -10 0 10 200
50
100
150
200Transformada de Fourier de la ventana
frecuencia (Hz)
Mag
nitu
d
Principio de Incertidumbre -Resolución tiempo-frecuencia
• Estas ideas aparecen expresadas en el principio de Incertidumbre de Heisemberg:
La varianza temporal σσσσt y la varianza frecuencial σσσσωωωω de una función satisface la siguiente inecuación( )2( ) Lf t ∈ ℝ
(Recordar que la varianza mide el grado de dispersión de un proceso aleatorio con respecto a la media)
1
2t ωσ σ ≥
Principio de Incertidumbre -Resolución tiempo-frecuencia
• Dada una ventana g(t), la inecuación se convierte en igualdad
• Para cada valor de u y ξ, hay un rectángulo de incertidumbre de lados σt y σω, con área de al menos 1/2.
• En la STFT la función g(t) permanece siempre igual (solo se desplaza en el tiempo) ⇒Resolución uniforme tanto en tiempo como en frecuencia
Localización
• Tiempo medio
• Frecuencia media
• Varianza temporal
• Varianza frecuencial
21( )m
f
t t f t dtE
∞
−∞= ∫
21( )m
f
F dE
ω ω ω ω∞
−∞= ∫
224( ) ( )t m
f
t t f t dtE
πσ∞
−∞= −∫
224( ) ( )m
f
F dEωπσ ω ω ω ω
∞
−∞= −∫
Tiempo
Fre
cuen
cia
(b) Plano Tiempo-Frecuencia
0 0.2 0.4 0.6 0.8 1 0
0.2
0.4
0.6
0.8
1
0 1 2 3 0
0.2
0.4
0.6
0.8
1 (a) Dominio de la Frecuencia
| FFT(WaveletPacket(3,3,7))|
Fre
cuen
cia
0 0.2 0.4 0.6 0.8 1 -0.5
0
0.5
1 (c) Dominio del Tiempo
Wa
vele
tPa
cket
(3,3
,7)
Tiempo
Átomo Tiempo-FrecuenciaCaso general
Principio de Incertidumbre -Resolución tiempo-frecuencia
• Caso discreto: Resolución temporal limitada por la longitud temporal de la ventana: ∆t = Tvent
• Resolución frecuencial está también limitada por ésta longitud: ∆f = 1/Tvent
• Por lo tanto tenemos: ∆t ∆f = 1
• No podemos mejorar una salvo que empeoremos la otra.
Principio de Incertidumbre -Resolución tiempo-frecuencia
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
10
20
30
40
Tiempo
Frec
uenc
ia
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
10
20
30
40
Tiempo
Frec
uenc
ia
Redundancia de la STFT
• u varia continuamente → parte de la información en una u siguiente habrá estado en la ventana de análisis anterior
• Esta propiedad de contener repetida la información se denomina redundancia
• Esto genera una representación sobrecompletade la señal
*,( , ) ( ) ( ) ( ) ( ) i t
uSf u f t g t dt f t g t u e dtξξξ
∞ ∞ −
−∞ −∞= = −∫ ∫
Redundancia de la STFT
• Caso discreto, podemos manejar la redundancia, haciendo que el desplazamiento m en vez de ser cualquier entero, varíe de a saltos
• Si tomamos esos saltos iguales a la longitud temporal de la ventana, no existe redundancia
• Esto se puede evaluar contando el número de coeficientes de la representación. Si es mayor que los de la señal original, hay información repetida
[ ] [ ] [ ] [ ] [ ]21
,0
, ,i lnN
Nm l
n
Sf m l f n g n f n g n m eπ−−
=
= = −∑
Ej.: Numero de teléfono
Time
Fre
quen
cy
0 1 2 3 4 5 6 7 8
500
600
700
800
900
1000
1100
1200
1300
1400
1500
Transformada Wavelet• Una ondita (wavelet) es una función que tiene una
duración limitada en el tiempo y tiene valor medio cero.
• Familias de onditas (Coifflets, Daubechies, Haar, etc) con propiedades que las hacen apropiadas para diversos procesamientos.
• A partir de una wavelet madre, se obtienen “atomos tiempo-escala” análisis por compresión y dilatación, y desplazamiento en el tiempo.
• Análisis similar al de la STFT, descomponiendo la señal en términos de éstos átomos.
Transformada Wavelet
-10 -5 0 5 10-1
0
1
2Meyer
-4 -2 0 2 4-1
0
1Morlet
0 0.5 1 1.5-2
0
2Haar
0 5 10 15-2
-1
0
1Daubechies
0 5 10 15 20 25 30-1
0
1
2Coifflets
0 5 10 15-1
0
1
2Symlets
Transformada Wavelet
0 20 40 60 80 100 120-1
-0.5
0
0.5
1Wavelet Daubechies 8
n
0 0.5 1 1.5 2 2.5 3 3.50
1
2
3
4
5
6Espectro
w (radianes)
Transformada Wavelet
0 20 40 60 80 100 120-1
-0.5
0
0.5
1Wavelet Symlets 8
n
0 0.5 1 1.5 2 2.5 3 3.50
2
4
6Espectro
w (radianes)
Transformada Wavelet Continua (CWT)Una wavelet es una función con valor medio igual a cero, norma unitaria y centrada en la vecindad de 0:
2( ) L ( ); ( ) 0; ( ) 1t t dt tψ ψ ψ+∞
−∞∈ = =∫ℝ
A partir de ésta, obtenemos por escalado y traslación el átomo tiempo-escala:
,
1( )u s
t ut
ssψ ψ − =
La transformada Wavelet continua será:
( )*1,( , ) ( ), ( ) ( ) t u
u s ssWf u s f t t f t dtψ ψ
+∞−
−∞= = ∫
Transformada Wavelet ContinuaSymlets 8
time (or space) b
sca
les
a
20 40 60 80 1 4 7101316192225283134374043
Daubechies 8
time (or space) b
sca
les
a
20 40 60 80 1 4 7101316192225283134374043
Morlet
time (or space) b
sca
les
a
20 40 60 80 1 4 7101316192225283134374043
Meyer
time (or space) b
sca
les
a
20 40 60 80 1 4 7101316192225283134374043
Transformada Wavelet Discreta (DWT)Para calcular la versión discreta, se evalúa en las escalas s=aj con a=21/v, lo que hace que en cada intervalo [2j,2j+1] haya v valores intermedios. La función wavelet resulta:
1[ ]j jj
nn
aaψ ψ =
La Transformada wavelet discreta resulta entonces:
1*
0
[ , ] [ ] [ ]N
jj
m
Wf n a f m m nψ−
=
= −∑Donde aj pertenece a [2N-1,K-1] y K es el soporte de ψ (es distinta de 0 en el intervalo [-K/2,K/2])
Resolución
• También cumple con el principio de incertidumbre de Heisemberg
• La resolución no es uniforme en el plano t-f,
• Bajas frecuencias: mayor resolución frecuencial pero peor temporal
• Altas frecuencias la resolución temporal mejora, a costa de perder resolución frecuencial.
Transformada Wavelet Diádica (DDWT)
• Si se restringe el valor de a de manera que a=2, se obtiene la transformada WaveletDiádica
• Esta transformada no se evalúa siguiendo la ecuación de la transformada discreta, sino que se utiliza un algoritmo basado en filtrado pasabajos y pasaaltos con filtros especiales derivados de la wavelet madre
Comparación Discreta-DiádicaDiscrete Transform, absolute coefficients.
j=lo
g2(s
) (s
=2j )
Tiempo5 10 15 20 25 30
1
2
3
4
5
Absolute Values of Ca,b Coefficients for a = 1 2 3 4 5 ...
time (or space) b
sca
les
a
10 20 30 40 50 60 70 80 90 1 3 5 7 91113151719212325272931
Comparación Discreta-Diádica
0 100 200 300 400 500 6000
0.01
0.02Analyzed signal.
Discrete Transform, absolute coefficients.
j=lo
g2(s
) (s
=2j )
Tiempo50 100 150 200 250 300 350 400 450 500
1
2
3
4
5
Absolute Values of Ca,b Coefficients for a = 1 2 3 4 5 ...
time (or space) b
sca
les
a
50 100 150 200 250 300 350 400 450 500 1 3 5 7 91113151719212325272931
Aplicaciones
• Denoising
• Compresión
• Análisis multirresolución
• Reconocimiento del habla
• Detección de frecuencia instantánea
• Fractales
• Etc.
Distribución de Wigner-Ville
• Otra de las representaciones tiempo-frecuencias clásicas para el análisis de señales
• Ventana: versión desplazada de la misma señal.
• Se analiza comparando la información de la señal con su propia información en otros instantes
Distribución de Wigner-Ville
Se define como:
Su versión discreta esta dada por:
Como ésta requiere conocer los valores en muestras intermedias, se recurre a una interpolación en frecuencias agregando ceros entre cada muestra
( ) *,2 2
ivP f u f u f u e dξττ τξ τ
∞ −
−∞
= + −
∫
[ ]21
*,2 2
i kpNN
vp N
p pP f n k f n f n e
π−−
=−
= + − ∑
Propiedades • Preserva desplazamientos en el tiempo y en
frecuencia (covarianza tiempo-frecuencia)
• Conserva el soporte
• Conserva la energía:
• Conserva las energías marginales
( , )f vE P f u dudξ ξ∞ ∞
−∞ −∞= ∫ ∫
2
2
( , ) ( )
( , ) ( )
v
v
P u du F
P u d f u
ξ ξ
ξ ξ
∞
−∞
∞
−∞
=
=
∫
∫
Distribución de Wigner-Ville
Time
Freq
uenc
y
0 10 20 30 40 50 60 70 80 900
5
10
15
20
25
30
35
40
45
Distribución de Wigner-Ville
• Desventaja: al ser cuadrática con respecto a f, si f= f1+f2, aparecen términos de intereferencia:
Donde
[ ] [ ]1 2 1 2 2 1, ,v v v v vP f P f P f P f f P f f= + + +
[ ]( ) *, ,2 2
ivP h g u h u g u e dξττ τξ τ
∞ −
−∞
= + −
∫
Ej.: FM lineal
10
20
30
40
50
60
tiempo (muestras)
Fre
cunc
ia n
orm
aliz
ada
Distribucion de Wigner-Ville
0 10 20 30 40 50 60 70 80 90 1000
0.1
0.2
0.3
0.4
0.5
20
40
60
80
100
120
tiempo (muestras)
Fre
cunc
ia n
orm
aliz
ada
Espectrograma
10 20 30 40 50 60 70 80 90 1000
0.1
0.2
0.3
0.4
0.5
Ej,: FM lineal
10
20
30
40
50
60
tiempo (muestras)
Fre
cunc
ia n
orm
aliz
ada
Distribucion de Wigner-Ville
0 10 20 30 40 50 60 70 80 90 1000
0.1
0.2
0.3
0.4
0.5
20
40
60
80
tiempo (muestras)
Fre
cunc
ia n
orm
aliz
ada
Espectrograma
10 20 30 40 50 60 70 80 90 1000
0.1
0.2
0.3
0.4
0.5
Ej.: FM lineal
10
20
30
40
50
60
tiempo (muestras)
Fre
cunc
ia n
orm
aliz
ada
Distribucion de Wigner-Ville
0 10 20 30 40 50 60 70 80 90 1000
0.1
0.2
0.3
0.4
0.5
10
20
30
40
tiempo (muestras)
Fre
cunc
ia n
orm
aliz
ada
Espectrograma
10 20 30 40 50 60 70 80 90 1000
0.1
0.2
0.3
0.4
0.5
Ej.: FM lineal
10
20
30
40
50
60
tiempo (muestras)
Fre
cunc
ia n
orm
aliz
ada
Distribucion de Wigner-Ville
0 10 20 30 40 50 60 70 80 90 1000
0.1
0.2
0.3
0.4
0.5
5
10
15
20
tiempo (muestras)
Fre
cunc
ia n
orm
aliz
ada
Espectrograma
10 20 30 40 50 60 70 80 90 1000
0.1
0.2
0.3
0.4
0.5
Clases de Cohen• Una familia de distribuciones cuadráticas
tiempo-frecuencia• Cumplen con covarianza tiempo-frecuencia• Dadas por:
donde h se denomina “función de parametrización
( ) ( )2 ( ) 2( , ; ) ( , ) 2 2i s t i vfC t v h e h f s f s e d dsdπξ π τξ τ τ τ ξ τ
∞ − −
−∞= + −∫ ∫ ∫
Clases de Cohen
• La ecuación anterior se puede escribir:
• Esta puede verse como un “promediado” con el kernel de promedación dado por Π
2 ( )
( , ; ) ( , ) ( , )
donde
( , ) ( , )
f v
i v t
C t v t s v P f s dsd
t v h e dtdvπ τ ξ
ξ ξ ξ
ξ τ
∞ ∞
−∞ −∞
∞ ∞ − +
−∞ −∞
Π = Π − −
Π =
∫ ∫
∫ ∫
Clases de Cohen
• Usando un kernel particular, se obtiene el ESPECTROGRAMA:
• Con otras formas de kernel de promediaciónse obtienen otras distribuciones utilizadas.
• Estas promediaciones logran reducir o incluso anular los términos de interferencia
( , ) ( , ) ( , )s v vP f t v P g s t v P f s dsdξ ξ ξ∞ ∞
−∞ −∞= − −∫ ∫
Distribución de Choi-Williams
• Una clase de distribuciones se obtiene si el kernel es de la forma:
• La distribución de Choi-Williams se obtiene a partir del kernel:
( , ) ( )h ξ τ ξτ= Φ
2
2
( )
2( , )h eπξτ
σξ τ−
=