Elaborazione dei segnali — Trasformata di Fourier, filtri e campionamento

L’elaborazione dei segnali consiste nell’analizzare o modificare un segnale per ricavarne informazioni utili. Un segnale può essere una tensione variabile, una registrazione audio, una vibrazione o la luce misurata da un rivelatore. In pratica, le domande principali sono: quali frequenze sono presenti, quali parti vanno mantenute e con quale rapidità bisogna campionare per memorizzare il segnale in formato digitale senza introdurre errori?

Tre idee fanno gran parte del lavoro. La trasformata di Fourier mostra il contenuto in frequenza. I filtri mantengono alcune parti del segnale e ne sopprimono altre. Il campionamento trasforma un segnale continuo in dati digitali, ma solo se la frequenza di campionamento è abbastanza alta per le frequenze che ti servono.

Dominio del tempo e dominio della frequenza

Nel dominio del tempo, osservi come il segnale cambia istante per istante. Questa vista è utile quando conta la temporizzazione, per esempio quando arriva un impulso o quando un sensore mostra un picco.

Nel dominio della frequenza, osservi lo stesso segnale come una combinazione di componenti di frequenza. Questa vista è utile quando vuoi separare una deriva lenta da un’oscillazione rapida, identificare un tono dominante o capire che cosa farà un filtro.

Le due viste descrivono lo stesso segnale. Rispondono però a domande diverse.

Che cosa ti dice la trasformata di Fourier

La trasformata di Fourier riscrive un segnale in termini di componenti sinusoidali. In parole semplici, chiede quanta parte di ogni frequenza è presente.

Per un segnale continuo $x(t)$, la trasformata si scrive come

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

Non serve calcolare a mano quell’integrale per usare bene l’idea. L’intuizione principale è che una forma d’onda complicata può spesso essere compresa come combinazione di oscillazioni più semplici.

Se il segnale di un microfono contiene un ronzio a $200\ \mathrm{Hz}$ e un tono a $2000\ \mathrm{Hz}$, il grafico nel dominio del tempo può sembrare disordinato, ma la vista nel dominio della frequenza può mostrare picchi vicino a quelle frequenze. Spesso è il modo più rapido per capire che cosa sta succedendo davvero.

Come i filtri modificano un segnale

Un filtro cambia con quale intensità le diverse frequenze attraversano un sistema.

• Un filtro passa-basso lascia passare le frequenze più basse e riduce quelle più alte.
• Un filtro passa-alto lascia passare le frequenze più alte e riduce quelle più basse.
• Un filtro passa-banda lascia passare un intervallo selezionato e riduce le frequenze al di fuori di esso.

Questa descrizione dipende dalla frequenza. Non significa che il filtro sappia automaticamente che cosa sia “rumore”. Un filtro aiuta solo se la parte che vuoi rimuovere è separata, in frequenza o in qualche altra proprietà che il filtro è progettato per usare, dalla parte che vuoi conservare.

Per questo i filtri compaiono nella pulizia dell’audio, nel livellamento dei sensori, nei sistemi di comunicazione e negli strumenti di misura.

Perché la frequenza di campionamento conta

Il campionamento è il processo di registrazione di un segnale a tempo continuo in istanti discreti. Se la frequenza più alta che vuoi preservare è $f_{\max}$, allora la frequenza di campionamento deve soddisfare

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

per evitare aliasing nel modello ideale di campionamento. Questa soglia, $2f_{\max}$, è la frequenza di Nyquist.

L’aliasing significa che contenuti a frequenza più alta possono apparire come una frequenza più bassa dopo il campionamento. Quando questo accade, i dati campionati possono far pensare a un segnale sbagliato.

Nei sistemi reali, gli ingegneri di solito campionano al di sopra del minimo indispensabile e spesso usano un filtro anti-alias prima della digitalizzazione. Questo margine extra conta perché i segnali reali non sono perfettamente limitati in banda.

Esempio svolto: rimuovere rumore ad alta frequenza da un sensore

Supponiamo che un sensore di temperatura debba variare lentamente, ma che la tensione misurata includa un rapido ripple elettrico. Un modello semplice è

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

Qui il termine costante $2$ è il livello di base, il termine a $1\ \mathrm{Hz}$ è la lenta variazione fisica che ti interessa e il termine a $60\ \mathrm{Hz}$ è un’interferenza indesiderata.

Dal punto di vista della trasformata di Fourier, il segnale ha energia in tre principali posizioni di frequenza:

• $0\ \mathrm{Hz}$ dovuto all’offset costante
• $1\ \mathrm{Hz}$ dovuto alla lenta variazione della temperatura
• $60\ \mathrm{Hz}$ dovuto all’interferenza

Se il tuo obiettivo è conservare l’andamento lento, un filtro passa-basso può aiutare perché la parte utile è a bassa frequenza e l’interferenza è molto più alta. Una frequenza di taglio ben al di sopra di $1\ \mathrm{Hz}$ ma ben al di sotto di $60\ \mathrm{Hz}$ ridurrebbe il ripple lasciando quasi intatta la variazione lenta.

Ora considera il campionamento. Se campioni a $f_s = 20\ \mathrm{Hz}$, allora la frequenza di Nyquist è $10\ \mathrm{Hz}$. La componente a $60\ \mathrm{Hz}$ è sopra quel limite, quindi i dati campionati non possono rappresentarla correttamente a meno che non venga rimossa prima del campionamento. In un calcolo ideale dell’aliasing, una sinusoide a $60\ \mathrm{Hz}$ campionata a $20\ \mathrm{Hz}$ cade su punti di campionamento che si ripetono esattamente, quindi può perfino scomparire dai campioni. Questo non significa che l’interferenza originale fosse innocua. Significa che il processo di campionamento l’ha nascosta in modo fuorviante.

Questo esempio collega tra loro le tre idee:

• la trasformata di Fourier ti aiuta a identificare la componente indesiderata
• il filtro la rimuove perché si trova in un intervallo di frequenza separato
• la regola del campionamento ti dice perché il prefiltraggio è importante prima della digitalizzazione

Errori comuni nell’elaborazione dei segnali

Trattare la trasformata di Fourier come un quadro completo

Le misure reali sono finite, rumorose e spesso variabili nel tempo. Un grafico in frequenza è utile, ma resta comunque un’interpretazione di dati misurati, non un’impronta perfetta della realtà.

Filtrare senza dire che cosa deve essere preservato

Un filtro passa-basso riduce il rumore ad alta frequenza, ma riduce anche qualsiasi segnale reale ad alta frequenza. Un filtro è “buono” solo rispetto a un obiettivo chiaro.

Usare la frequenza di Nyquist come obiettivo di progetto confortevole

$f_s > 2f_{\max}$ è la condizione minima ideale. In pratica, lavorare troppo vicino a quel limite lascia poco margine per filtri non ideali e per il contenuto reale del segnale.

Supporre che il campionamento crei informazione

Il campionamento registra solo ciò che è già presente. Se la frequenza è troppo bassa, la digitalizzazione non recupera in seguito il dettaglio mancante.

Dove si usa l’elaborazione dei segnali

L’elaborazione dei segnali compare ovunque misure o onde trasportino informazione. In fisica e ingegneria, questo include microfoni, sismometri, ricevitori radio, strumenti ECG ed EEG, rivelatori ottici e sistemi di controllo.

È particolarmente utile quando il segnale grezzo non è direttamente leggibile. Invece di fissare una forma d’onda complicata, usi trasformate, filtri e regole di campionamento per trasformarla in qualcosa di interpretabile.

Prova un problema simile di elaborazione dei segnali

Prendi un segnale come

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

Poi poni due domande pratiche: quale frequenza un filtro passa-basso cercherebbe di mantenere, e quale frequenza di campionamento sarebbe comodamente al di sopra del limite di Nyquist per l’intero segnale? Un passo successivo utile è confrontare questa idea con le funzioni di trasferimento e vedere come i sistemi modellano i segnali nel dominio della frequenza.