Επεξεργασία Σήματος — Μετασχηματισμός Fourier, Φίλτρα & Δειγματοληψία

Η επεξεργασία σήματος σημαίνει ανάλυση ή μεταβολή ενός σήματος ώστε να μπορείς να εξαγάγεις χρήσιμη πληροφορία από αυτό. Ένα σήμα μπορεί να είναι μια μεταβαλλόμενη τάση, μια ηχογράφηση, μια δόνηση ή φως που μετριέται από έναν ανιχνευτή. Στην πράξη, τα βασικά ερωτήματα είναι: ποιες συχνότητες υπάρχουν, ποια μέρη πρέπει να διατηρηθούν και πόσο γρήγορα πρέπει να γίνει η δειγματοληψία ώστε το σήμα να αποθηκευτεί ψηφιακά χωρίς να δημιουργηθούν σφάλματα;

Τρεις ιδέες κάνουν το μεγαλύτερο μέρος της δουλειάς. Ο μετασχηματισμός Fourier δείχνει το περιεχόμενο συχνοτήτων. Τα φίλτρα διατηρούν ορισμένα μέρη του σήματος και καταστέλλουν άλλα. Η δειγματοληψία μετατρέπει ένα συνεχές σήμα σε ψηφιακά δεδομένα, αλλά μόνο αν ο ρυθμός δειγματοληψίας είναι αρκετά υψηλός για τις συχνότητες που χρειάζεσαι.

Πεδίο χρόνου και πεδίο συχνότητας

Στο πεδίο χρόνου, εξετάζεις πώς αλλάζει το σήμα στιγμή προς στιγμή. Αυτή η οπτική είναι χρήσιμη όταν έχει σημασία ο χρονισμός, όπως όταν φτάνει ένας παλμός ή όταν ένας αισθητήρας εμφανίζει αιχμή.

Στο πεδίο συχνότητας, εξετάζεις το ίδιο σήμα ως μείγμα συνιστωσών συχνότητας. Αυτή η οπτική είναι χρήσιμη όταν θέλεις να διαχωρίσεις μια αργή μετατόπιση από μια γρήγορη ταλάντωση, να εντοπίσεις έναν κυρίαρχο τόνο ή να καταλάβεις τι θα κάνει ένα φίλτρο.

Οι δύο οπτικές περιγράφουν το ίδιο σήμα. Απαντούν όμως σε διαφορετικά ερωτήματα.

Τι σου λέει ο μετασχηματισμός Fourier

Ο μετασχηματισμός Fourier ξαναγράφει ένα σήμα με όρους ημιτονοειδών συνιστωσών. Με απλά λόγια, ρωτά πόσο από κάθε συχνότητα υπάρχει.

Για ένα συνεχές σήμα $x(t)$, ο μετασχηματισμός γράφεται ως

$$X(f) = \int_{-\infty}^{\infty} x(t)e^{-i 2\pi f t}\,dt$$

Δεν χρειάζεται να υπολογίσεις αυτό το ολοκλήρωμα με το χέρι για να χρησιμοποιήσεις σωστά την ιδέα. Η βασική διαίσθηση είναι ότι μια πολύπλοκη κυματομορφή μπορεί συχνά να κατανοηθεί ως συνδυασμός απλούστερων ταλαντώσεων.

Αν ένα σήμα μικροφώνου περιέχει έναν βόμβο στα $200\ \mathrm{Hz}$ και έναν τόνο στα $2000\ \mathrm{Hz}$, το διάγραμμα στο πεδίο χρόνου μπορεί να φαίνεται μπερδεμένο, αλλά η εικόνα στο πεδίο συχνότητας μπορεί να δείξει κορυφές κοντά σε αυτές τις συχνότητες. Αυτός είναι συχνά ο πιο γρήγορος τρόπος να δεις τι πραγματικά συμβαίνει.

Πώς τα φίλτρα αλλάζουν ένα σήμα

Ένα φίλτρο αλλάζει το πόσο ισχυρά περνούν διαφορετικές συχνότητες μέσα από ένα σύστημα.

• Ένα χαμηλοπερατό φίλτρο διατηρεί τις χαμηλότερες συχνότητες και μειώνει τις υψηλότερες.
• Ένα υψηλοπερατό φίλτρο διατηρεί τις υψηλότερες συχνότητες και μειώνει τις χαμηλότερες.
• Ένα ζωνοπερατό φίλτρο διατηρεί ένα επιλεγμένο εύρος και μειώνει τις συχνότητες έξω από αυτό.

Αυτή η περιγραφή εξαρτάται από τη συχνότητα. Δεν σημαίνει ότι το φίλτρο ξέρει αυτόματα τι είναι «θόρυβος». Ένα φίλτρο βοηθά μόνο αν το μέρος που θέλεις να αφαιρέσεις είναι διαχωρισμένο από το μέρος που θέλεις να κρατήσεις ως προς τη συχνότητα, ή ως προς κάποια άλλη ιδιότητα που το φίλτρο έχει σχεδιαστεί να χρησιμοποιεί.

Γι’ αυτό τα φίλτρα εμφανίζονται στον καθαρισμό ήχου, στην εξομάλυνση μετρήσεων αισθητήρων, στα συστήματα επικοινωνίας και στον εξοπλισμό μετρήσεων.

Γιατί έχει σημασία ο ρυθμός δειγματοληψίας

Η δειγματοληψία είναι η διαδικασία καταγραφής ενός σήματος συνεχούς χρόνου σε διακριτές χρονικές στιγμές. Αν η μέγιστη συχνότητα που χρειάζεται να διατηρήσεις είναι $f_{\max}$, τότε ο ρυθμός δειγματοληψίας πρέπει να ικανοποιεί

$$f_s > 2f_{\max}$$

ώστε να αποφεύγεται το aliasing στην ιδανική εικόνα της δειγματοληψίας. Αυτό το όριο, $2f_{\max}$, είναι ο ρυθμός Nyquist.

Το aliasing σημαίνει ότι περιεχόμενο υψηλότερης συχνότητας μπορεί, μετά τη δειγματοληψία, να εμφανιστεί σαν χαμηλότερη συχνότητα. Όταν συμβεί αυτό, τα δειγματοληπτημένα δεδομένα μπορεί να δείχνουν προς λάθος σήμα.

Στα πραγματικά συστήματα, οι μηχανικοί συνήθως δειγματοληπτούν πάνω από το ελάχιστο όριο και συχνά χρησιμοποιούν ένα αντι-αναδιπλωτικό φίλτρο πριν από την ψηφιοποίηση. Αυτό το επιπλέον περιθώριο έχει σημασία επειδή τα πραγματικά σήματα δεν είναι τέλεια περιορισμένα σε ζώνη.

Παράδειγμα: αφαίρεση θορύβου υψηλής συχνότητας από αισθητήρα

Έστω ότι ένας αισθητήρας θερμοκρασίας θα έπρεπε να μεταβάλλεται αργά, αλλά η μετρούμενη τάση περιλαμβάνει μια γρήγορη ηλεκτρική κυμάτωση. Ένα απλό μοντέλο είναι

$$x(t) = 2 + 0.3\sin(2\pi \cdot 1\, t) + 0.05\sin(2\pi \cdot 60\, t)$$

Εδώ ο σταθερός όρος $2$ είναι το βασικό επίπεδο, ο όρος $1\ \mathrm{Hz}$ είναι η αργή φυσική μεταβολή που σε ενδιαφέρει και ο όρος $60\ \mathrm{Hz}$ είναι ανεπιθύμητη παρεμβολή.

Η οπτική του μετασχηματισμού Fourier λέει ότι το σήμα έχει ενέργεια σε τρεις κύριες θέσεις συχνότητας:

• $0\ \mathrm{Hz}$ από τη σταθερή μετατόπιση
• $1\ \mathrm{Hz}$ από την αργή μεταβολή της θερμοκρασίας
• $60\ \mathrm{Hz}$ από την παρεμβολή

Αν ο στόχος σου είναι να διατηρήσεις την αργή τάση μεταβολής, ένα χαμηλοπερατό φίλτρο μπορεί να βοηθήσει επειδή το χρήσιμο μέρος βρίσκεται σε χαμηλή συχνότητα και η παρεμβολή είναι πολύ υψηλότερα. Μια συχνότητα αποκοπής αρκετά πάνω από το $1\ \mathrm{Hz}$ αλλά αρκετά κάτω από το $60\ \mathrm{Hz}$ θα μείωνε την κυμάτωση, αφήνοντας την αργή μεταβολή σχεδόν ανέπαφη.

Τώρα σκέψου τη δειγματοληψία. Αν δειγματοληπτείς με $f_s = 20\ \mathrm{Hz}$, τότε ο ρυθμός Nyquist είναι $10\ \mathrm{Hz}$. Η συνιστώσα των $60\ \mathrm{Hz}$ είναι πάνω από αυτό το όριο, άρα τα δειγματοληπτημένα δεδομένα δεν μπορούν να την αναπαραστήσουν σωστά εκτός αν αφαιρεθεί πριν από τη δειγματοληψία. Σε έναν ιδανικό υπολογισμό aliasing, ένα ημίτονο $60\ \mathrm{Hz}$ που δειγματοληπτείται στα $20\ \mathrm{Hz}$ πέφτει σε σημεία δειγματοληψίας που επαναλαμβάνονται ακριβώς, οπότε μπορεί ακόμη και να εξαφανιστεί από τα δείγματα. Αυτό δεν σημαίνει ότι η αρχική παρεμβολή ήταν ακίνδυνη. Σημαίνει ότι η διαδικασία δειγματοληψίας την έχει κρύψει με παραπλανητικό τρόπο.

Αυτό το παράδειγμα συνδέει τις τρεις ιδέες μεταξύ τους:

• ο μετασχηματισμός Fourier σε βοηθά να εντοπίσεις την ανεπιθύμητη συνιστώσα
• το φίλτρο την αφαιρεί επειδή βρίσκεται σε ξεχωριστό εύρος συχνοτήτων
• ο κανόνας της δειγματοληψίας σου δείχνει γιατί το προφιλτράρισμα έχει σημασία πριν από την ψηφιοποίηση

Συνηθισμένα λάθη στην επεξεργασία σήματος

Να θεωρείς τον μετασχηματισμό Fourier πλήρη εικόνα

Οι πραγματικές μετρήσεις είναι πεπερασμένες, θορυβώδεις και συχνά μεταβάλλονται με τον χρόνο. Ένα διάγραμμα συχνοτήτων είναι χρήσιμο, αλλά παραμένει μια ερμηνεία μετρημένων δεδομένων, όχι ένα τέλειο αποτύπωμα της πραγματικότητας.

Φιλτράρισμα χωρίς να δηλώνεται τι πρέπει να διατηρηθεί

Ένα χαμηλοπερατό φίλτρο μειώνει τον θόρυβο υψηλής συχνότητας, αλλά μειώνει και κάθε πραγματικό σήμα υψηλής συχνότητας. Ένα φίλτρο είναι «καλό» μόνο σε σχέση με έναν σαφή στόχο.

Χρήση του ρυθμού Nyquist ως άνετου στόχου σχεδιασμού

Το $f_s > 2f_{\max}$ είναι η ιδανική ελάχιστη συνθήκη. Στην πράξη, αν δουλεύεις πολύ κοντά σε αυτό το όριο, αφήνεις μικρό περιθώριο για μη ιδανικά φίλτρα και για το πραγματικό περιεχόμενο του σήματος.

Να υποθέτεις ότι η δειγματοληψία δημιουργεί πληροφορία

Η δειγματοληψία απλώς καταγράφει αυτό που υπάρχει ήδη. Αν ο ρυθμός είναι πολύ χαμηλός, η ψηφιοποίηση δεν ανακτά αργότερα τη λεπτομέρεια που χάθηκε.

Πού χρησιμοποιείται η επεξεργασία σήματος

Η επεξεργασία σήματος εμφανίζεται παντού όπου μετρήσεις ή κύματα μεταφέρουν πληροφορία. Στη φυσική και στη μηχανική, αυτό περιλαμβάνει μικρόφωνα, σεισμογράφους, ραδιοδέκτες, όργανα ECG και EEG, οπτικούς ανιχνευτές και συστήματα ελέγχου.

Είναι ιδιαίτερα χρήσιμη όταν το ακατέργαστο σήμα δεν διαβάζεται άμεσα. Αντί να κοιτάς μια πολύπλοκη κυματομορφή, χρησιμοποιείς μετασχηματισμούς, φίλτρα και κανόνες δειγματοληψίας για να τη μετατρέψεις σε κάτι ερμηνεύσιμο.

Δοκίμασε ένα παρόμοιο πρόβλημα επεξεργασίας σήματος

Πάρε ένα σήμα όπως

$$x(t) = \sin(2\pi \cdot 5\, t) + 0.4\sin(2\pi \cdot 40\, t)$$

Και μετά κάνε δύο πρακτικές ερωτήσεις: ποια συχνότητα θα προσπαθούσε να διατηρήσει ένα χαμηλοπερατό φίλτρο και ποιος ρυθμός δειγματοληψίας θα ήταν άνετα πάνω από το όριο Nyquist για ολόκληρο το σήμα; Ένα χρήσιμο επόμενο βήμα είναι να συγκρίνεις αυτή την ιδέα με τις συναρτήσεις μεταφοράς και να δεις πώς τα συστήματα διαμορφώνουν τα σήματα στο πεδίο συχνότητας.