Processamento de Sinais — Transformada de Fourier, Filtros e Amostragem

Processamento de sinais significa analisar ou modificar um sinal para extrair dele informações úteis. Um sinal pode ser uma tensão variável, uma gravação de som, uma vibração ou luz medida por um detector. Na prática, as principais perguntas são: quais frequências estão presentes, quais partes devem ser mantidas e com que rapidez é preciso amostrar para armazenar o sinal digitalmente sem criar erros?

Três ideias fazem a maior parte do trabalho. A transformada de Fourier mostra o conteúdo em frequência. Os filtros mantêm algumas partes do sinal e suprimem outras. A amostragem transforma um sinal contínuo em dados digitais, mas só se a taxa de amostragem for alta o bastante para as frequências de que você precisa.

Domínio do tempo e domínio da frequência

No domínio do tempo, você observa como o sinal muda instante a instante. Essa visão é útil quando o tempo importa, como quando um pulso chega ou quando um sensor apresenta um pico.

No domínio da frequência, você observa o mesmo sinal como uma mistura de componentes de frequência. Essa visão é útil quando você quer separar uma deriva lenta de uma oscilação rápida, identificar um tom dominante ou entender o que um filtro fará.

As duas visões descrevem o mesmo sinal. Elas respondem a perguntas diferentes.

O que a transformada de Fourier mostra

A transformada de Fourier reescreve um sinal em termos de componentes senoidais. Em linguagem simples, ela pergunta quanto de cada frequência está presente.

Para um sinal contínuo $x(t)$, a transformada é escrita como

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

Você não precisa calcular essa integral à mão para usar bem a ideia. A principal intuição é que uma forma de onda complicada muitas vezes pode ser entendida como uma combinação de oscilações mais simples.

Se o sinal de um microfone contém um zumbido de $200\ \mathrm{Hz}$ e um tom de $2000\ \mathrm{Hz}$, o gráfico no domínio do tempo pode parecer confuso, mas a visão no domínio da frequência pode mostrar picos perto dessas frequências. Muitas vezes, essa é a forma mais rápida de ver o que realmente está acontecendo.

Como os filtros alteram um sinal

Um filtro muda o quanto diferentes frequências conseguem passar por um sistema.

• Um filtro passa-baixas mantém as frequências mais baixas e reduz as mais altas.
• Um filtro passa-altas mantém as frequências mais altas e reduz as mais baixas.
• Um filtro passa-faixa mantém uma faixa selecionada e reduz as frequências fora dela.

Essa descrição depende da frequência. Isso não significa que o filtro saiba automaticamente o que é "ruído". Um filtro só ajuda se a parte que você quer remover estiver separada, em frequência, da parte que você quer manter, ou em alguma outra propriedade para a qual o filtro foi projetado.

É por isso que filtros aparecem em limpeza de áudio, suavização de sensores, sistemas de comunicação e equipamentos de medição.

Por que a taxa de amostragem importa

A amostragem é o processo de registrar um sinal em tempo contínuo em instantes discretos. Se a maior frequência que você precisa preservar é $f_{\max}$, então a taxa de amostragem deve satisfazer

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

para evitar aliasing no modelo ideal de amostragem. Esse limite, $2f_{\max}$, é a taxa de Nyquist.

Aliasing significa que conteúdo de frequência mais alta pode se disfarçar como uma frequência mais baixa depois da amostragem. Quando isso acontece, os dados amostrados podem apontar para o sinal errado.

Em sistemas reais, engenheiros normalmente amostram acima do mínimo estrito e muitas vezes usam um filtro anti-aliasing antes da digitalização. Essa margem extra importa porque sinais reais não são perfeitamente limitados em banda.

Exemplo resolvido: removendo ruído de alta frequência de um sensor

Suponha que um sensor de temperatura deva variar lentamente, mas a tensão medida inclua uma ondulação elétrica rápida. Um modelo simples é

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

Aqui, o termo constante $2$ é o nível de base, o termo de $1\ \mathrm{Hz}$ é a variação física lenta que interessa, e o termo de $60\ \mathrm{Hz}$ é uma interferência indesejada.

Pela perspectiva da transformada de Fourier, o sinal tem energia em três posições principais de frequência:

• $0\ \mathrm{Hz}$ devido ao deslocamento constante
• $1\ \mathrm{Hz}$ devido à variação lenta de temperatura
• $60\ \mathrm{Hz}$ devido à interferência

Se o seu objetivo é manter a tendência lenta, um filtro passa-baixas pode ajudar porque a parte útil está em baixa frequência e a interferência está muito mais acima. Uma frequência de corte em algum ponto bem acima de $1\ \mathrm{Hz}$, mas bem abaixo de $60\ \mathrm{Hz}$, reduziria a ondulação enquanto deixaria a variação lenta praticamente intacta.

Agora considere a amostragem. Se você amostrar em $f_s = 20\ \mathrm{Hz}$, então a taxa de Nyquist será $10\ \mathrm{Hz}$. O componente de $60\ \mathrm{Hz}$ está acima desse limite, então os dados amostrados não podem representá-lo corretamente, a menos que ele seja removido antes da amostragem. Em um cálculo ideal de aliasing, uma senoide de $60\ \mathrm{Hz}$ amostrada a $20\ \mathrm{Hz}$ cai em pontos de amostragem que se repetem exatamente, então ela pode até desaparecer das amostras. Isso não significa que a interferência original era inofensiva. Significa que o processo de amostragem a escondeu de forma enganosa.

Este exemplo reúne as três ideias:

• a transformada de Fourier ajuda a identificar o componente indesejado
• o filtro o remove porque ele está em uma faixa de frequência separada
• a regra de amostragem mostra por que a pré-filtragem importa antes da digitalização

Erros comuns em processamento de sinais

Tratar a transformada de Fourier como um retrato completo

Medições reais são finitas, ruidosas e muitas vezes mudam ao longo do tempo. Um gráfico de frequência é útil, mas ainda é uma interpretação de dados medidos, não uma impressão digital perfeita da realidade.

Filtrar sem dizer o que deve ser preservado

Um filtro passa-baixas reduz ruído de alta frequência, mas também reduz qualquer sinal real de alta frequência. Um filtro só é "bom" em relação a um objetivo claro.

Usar a taxa de Nyquist como meta de projeto confortável

$f_s > 2f_{\max}$ é a condição mínima ideal. Na prática, trabalhar muito perto desse limite deixa pouca margem para filtros não ideais e para o conteúdo de sinais do mundo real.

Supor que a amostragem cria informação

A amostragem apenas registra o que já está lá. Se a taxa for baixa demais, a digitalização não recupera depois o detalhe que faltou.

Onde o processamento de sinais é usado

O processamento de sinais aparece em qualquer lugar onde medições ou ondas carregam informação. Em física e engenharia, isso inclui microfones, sismômetros, receptores de rádio, instrumentos de ECG e EEG, detectores ópticos e sistemas de controle.

Ele é especialmente útil quando o sinal bruto não pode ser lido diretamente. Em vez de ficar olhando para uma forma de onda complicada, você usa transformadas, filtros e regras de amostragem para transformá-la em algo interpretável.

Tente um problema parecido de processamento de sinais

Considere um sinal como

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

Depois faça duas perguntas práticas: qual frequência um filtro passa-baixas tentaria manter e que taxa de amostragem ficaria confortavelmente acima do limite de Nyquist para o sinal completo? Um próximo passo útil é comparar essa ideia com funções de transferência e ver como sistemas moldam sinais no domínio da frequência.