Przetwarzanie sygnałów — transformata Fouriera, filtry i próbkowanie

Przetwarzanie sygnałów oznacza analizowanie lub modyfikowanie sygnału po to, by wydobyć z niego użyteczne informacje. Sygnałem może być zmieniające się napięcie, nagranie dźwięku, drganie albo światło mierzone przez detektor. W praktyce najważniejsze pytania brzmią: jakie częstotliwości są obecne, które części należy zachować i jak szybko trzeba próbować, aby zapisać sygnał cyfrowo bez wprowadzania błędów?

Większość pracy opiera się na trzech pojęciach. Transformata Fouriera pokazuje zawartość częstotliwościową. Filtry przepuszczają jedne części sygnału i tłumią inne. Próbkowanie zamienia sygnał ciągły na dane cyfrowe, ale tylko wtedy, gdy częstotliwość próbkowania jest wystarczająco wysoka dla potrzebnych częstotliwości.

Dziedzina czasu i dziedzina częstotliwości

W dziedzinie czasu patrzysz na to, jak sygnał zmienia się chwila po chwili. Taki opis jest przydatny wtedy, gdy liczy się moment wystąpienia zdarzenia, na przykład nadejście impulsu albo nagły skok wskazania czujnika.

W dziedzinie częstotliwości patrzysz na ten sam sygnał jak na mieszaninę składowych o różnych częstotliwościach. Taki opis jest przydatny, gdy chcesz oddzielić powolny dryf od szybkich oscylacji, wskazać dominujący ton albo zrozumieć, co zrobi filtr.

Oba opisy dotyczą tego samego sygnału. Odpowiadają po prostu na różne pytania.

Co mówi transformata Fouriera

Transformata Fouriera zapisuje sygnał w postaci składowych sinusoidalnych. Mówiąc prościej, pyta, ile każdej częstotliwości jest obecne w sygnale.

Dla sygnału ciągłego $x(t)$ transformata ma postać

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

Nie musisz liczyć tej całki ręcznie, żeby dobrze korzystać z samej idei. Najważniejsza intuicja jest taka, że złożony przebieg często można zrozumieć jako połączenie prostszych oscylacji.

Jeśli sygnał z mikrofonu zawiera przydźwięk $200\ \mathrm{Hz}$ i ton $2000\ \mathrm{Hz}$, wykres w dziedzinie czasu może wyglądać chaotycznie, ale widok w dziedzinie częstotliwości może pokazać piki w pobliżu tych częstotliwości. To często najszybszy sposób, by zobaczyć, co naprawdę się dzieje.

Jak filtry zmieniają sygnał

Filtr zmienia to, jak silnie różne częstotliwości przechodzą przez układ.

• Filtr dolnoprzepustowy przepuszcza niższe częstotliwości i osłabia wyższe.
• Filtr górnoprzepustowy przepuszcza wyższe częstotliwości i osłabia niższe.
• Filtr pasmowoprzepustowy przepuszcza wybrany zakres i osłabia częstotliwości poza nim.

Ten opis zależy od częstotliwości. Nie oznacza to, że filtr automatycznie „wie”, co jest „szumem”. Filtr pomaga tylko wtedy, gdy to, co chcesz usunąć, jest oddzielone częstotliwościowo od tego, co chcesz zachować, albo różni się inną własnością, do której filtr został zaprojektowany.

Dlatego filtry pojawiają się w obróbce dźwięku, wygładzaniu danych z czujników, systemach komunikacyjnych i aparaturze pomiarowej.

Dlaczego częstotliwość próbkowania ma znaczenie

Próbkowanie to proces rejestrowania sygnału ciągłego w dyskretnych chwilach czasu. Jeśli najwyższa częstotliwość, którą chcesz zachować, wynosi $f_{\max}$, to częstotliwość próbkowania musi spełniać warunek

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

aby uniknąć aliasingu w idealnym modelu próbkowania. Ten próg, $2f_{\max}$, to częstotliwość Nyquista.

Aliasing oznacza, że składowe o wyższych częstotliwościach mogą po próbkowaniu udawać niższą częstotliwość. Gdy już do tego dojdzie, spróbkowane dane mogą wskazywać na niewłaściwy sygnał.

W rzeczywistych układach inżynierowie zwykle próbkują z zapasem ponad ścisłe minimum i często stosują filtr antyaliasingowy przed digitalizacją. Ten dodatkowy margines jest ważny, ponieważ rzeczywiste sygnały nie są idealnie ograniczone pasmowo.

Przykład: usuwanie szumu wysokoczęstotliwościowego z czujnika

Załóżmy, że sygnał z czujnika temperatury powinien zmieniać się powoli, ale mierzone napięcie zawiera szybkie tętnienie elektryczne. Prosty model ma postać

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

Tutaj wyraz stały $2$ jest poziomem bazowym, składnik $1\ \mathrm{Hz}$ opisuje powolną zmianę fizyczną, która cię interesuje, a składnik $60\ \mathrm{Hz}$ to niepożądane zakłócenie.

Z punktu widzenia transformaty Fouriera sygnał ma energię w trzech głównych położeniach częstotliwościowych:

• $0\ \mathrm{Hz}$ od stałego przesunięcia
• $1\ \mathrm{Hz}$ od powolnej zmiany temperatury
• $60\ \mathrm{Hz}$ od zakłócenia

Jeśli twoim celem jest zachowanie powolnego trendu, filtr dolnoprzepustowy może pomóc, ponieważ użyteczna część leży przy niskiej częstotliwości, a zakłócenie jest znacznie wyżej. Częstotliwość odcięcia ustawiona wyraźnie powyżej $1\ \mathrm{Hz}$, ale wyraźnie poniżej $60\ \mathrm{Hz}$, zmniejszyłaby tętnienie, pozostawiając powolną zmianę w dużej mierze nienaruszoną.

Rozważmy teraz próbkowanie. Jeśli próbkujesz z częstotliwością $f_s = 20\ \mathrm{Hz}$, to częstotliwość Nyquista wynosi $10\ \mathrm{Hz}$. Składnik $60\ \mathrm{Hz}$ leży powyżej tej granicy, więc spróbkowane dane nie mogą go poprawnie odwzorować, chyba że zostanie usunięty przed próbkowaniem. W idealnym obliczeniu aliasingu sinusoida $60\ \mathrm{Hz}$ próbkowana z częstotliwością $20\ \mathrm{Hz}$ trafia w punkty próbkowania, które powtarzają się dokładnie, więc może nawet zniknąć z próbek. Nie oznacza to, że pierwotne zakłócenie było nieszkodliwe. Oznacza to, że proces próbkowania ukrył je w mylący sposób.

Ten przykład łączy trzy główne idee:

• transformata Fouriera pomaga zidentyfikować niepożądaną składową
• filtr usuwa ją, ponieważ leży w oddzielnym zakresie częstotliwości
• reguła próbkowania pokazuje, dlaczego filtrowanie wstępne ma znaczenie przed digitalizacją

Typowe błędy w przetwarzaniu sygnałów

Traktowanie transformaty Fouriera jako pełnego obrazu

Rzeczywiste pomiary są skończone, zaszumione i często zmieniają się w czasie. Wykres częstotliwościowy jest użyteczny, ale nadal jest tylko interpretacją zmierzonych danych, a nie idealnym odciskiem rzeczywistości.

Filtrowanie bez określenia, co ma zostać zachowane

Filtr dolnoprzepustowy zmniejsza szum wysokoczęstotliwościowy, ale osłabia też każdy rzeczywisty sygnał o wysokiej częstotliwości. Filtr jest „dobry” tylko względem jasno określonego celu.

Traktowanie częstotliwości Nyquista jako wygodnego celu projektowego

$f_s > 2f_{\max}$ to idealny warunek minimalny. W praktyce praca zbyt blisko tej granicy pozostawia mało miejsca na nieidealność filtrów i rzeczywistą zawartość sygnału.

Zakładanie, że próbkowanie tworzy informację

Próbkowanie tylko rejestruje to, co już istnieje. Jeśli częstotliwość jest zbyt niska, digitalizacja nie odzyska później brakujących szczegółów.

Gdzie stosuje się przetwarzanie sygnałów

Przetwarzanie sygnałów pojawia się wszędzie tam, gdzie pomiary lub fale przenoszą informację. W fizyce i inżynierii obejmuje to mikrofony, sejsmometry, odbiorniki radiowe, aparaturę ECG i EEG, detektory optyczne oraz układy sterowania.

Jest szczególnie użyteczne wtedy, gdy surowy sygnał nie daje się bezpośrednio odczytać. Zamiast wpatrywać się w złożony przebieg, używasz transformat, filtrów i reguł próbkowania, aby zamienić go w coś zrozumiałego.

Spróbuj podobnego zadania z przetwarzania sygnałów

Weź sygnał postaci

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

Następnie zadaj dwa praktyczne pytania: którą częstotliwość filtr dolnoprzepustowy próbowałby zachować i jaka częstotliwość próbkowania byłaby bezpiecznie powyżej granicy Nyquista dla całego sygnału? Dobrym kolejnym krokiem jest porównanie tej idei z transfer functions i zobaczenie, jak układy kształtują sygnały w dziedzinie częstotliwości.