Le défi fondamental : les signaux non statiques dans l'estimation spectrale

L'estimation spectrale est une pierre angulaire du traitement numérique du signal (DSP), permettant aux ingénieurs d'extraire le contenu en fréquence d'un signal. La transformation classique de Fourier suppose que le signal est stationnaire— ses propriétés statistiques (moyenne, variance, composants de fréquence) demeurent constantes au fil du temps. Cependant, de nombreux signaux du monde réel sont non-stationnaire: la parole, la musique, les retours radar, les vibrations sismiques, les signaux biomédicaux (EEG, ECG) et les séries de temps financier présentent tous des contenus de fréquence qui changent d'un moment à l'autre.

Comprendre les signaux non statiques : nature, exemples et pourquoi cela compte

Un signal n'est pas stationnaire si sa densité spectrale de puissance (PSD) ou sa fonction d'autocorrélation changent avec le temps. En pratique, un signal peut être non stationnaire en raison:

  • Caractéristiques de la source variant en fonction du temps: Le tube vocal humain change de forme en parlant, produisant des formants qui se déplacent en fréquence.
  • Activité intermittente :[ Une impulsion radar n'existe que pour une courte durée; son apparition et son décalage doivent être suivis.
  • Modulation:[ Les signaux de communication transmettent des informations en phase ou en variations de fréquence (p. ex. radio FM).
  • Dynamique non linéaire: Les systèmes chaotiques, tels que les modèles météorologiques, produisent des spectres de temps variable.

Par exemple, l'application d'un FFT standard à un signal de chirp (fréquence augmentant linéairement avec le temps) produit un pic large et sablé qui ne représente pas la vraie fréquence instantanée. Par conséquent, les distributions de fréquences-temps spécialisées (TFDs) sont essentielles. Le choix de la technique dépend du compromis souhaité entre la résolution de temps, la résolution de fréquence, le coût de calcul et la tolérance aux artefacts.

Principales techniques de fréquence temporelle pour l'estimation spectrale non statique

Il existe plusieurs méthodes bien établies pour estimer la teneur spectrale des signaux non stationnaires, qui présentent des forces et des faiblesses distinctes, les plus couramment utilisées dans la pratique étant décrites ci-dessous.

Transformateur de Fourier à temps court (STFT)

Le STFT est l'extension la plus intuitive de la transformation de Fourier en analyse non stationnaire. Le signal est divisé en segments courts et chevauchants (images) utilisant une fonction de fenêtre, et le FFT est calculé indépendamment pour chaque segment. Le résultat est une représentation bidimensionnelle : le temps sur un axe, la fréquence sur l'autre, et la magnitude (ou la puissance) comme une carte de couleur appelée spectrogramme.

Sur le plan mathématique, le STFT est défini comme suit:

où est la fonction de fenêtre centrée à la fois . La fenêtre est généralement une fonction réelle et symétrique (Hamming, Hann, Gaussian) qui se met à zéro à ses bords pour lisser la segmentation temporelle.

Strengths: Simple à mettre en œuvre, rapide (via FFT), et fournit une visualisation claire. Le spectrogramme reste la norme d'or dans le traitement de la parole et de l'audio. Faiblesses: La taille fixe de la fenêtre impose un compromis entre la résolution du temps et de la fréquence (la limite Heisenberg-Gabor).

Transformer l'ondelet (continu et discret)

L'analyse des vagues permet de régler le problème de résolution en utilisant des fonctions de base courtes à haute fréquence et des fonctions de base longues à basse fréquence. Au lieu d'une fenêtre fixe, elle utilise des versions à échelle réduite et traduites d'une mère (p. ex. Morlet, Daubechies). La transformation continue des vagues (CWT) produit une représentation à l'échelle du temps (souvent convertie en fréquence temporelle).

Avantages: Résolution Adaptive de fréquence-temps et mdash; excellent pour les signaux avec des transitoires rapides (impulsions) et des composants qui varient lentement. Le scalogramme d'ondelet (magnitude au carré de la CWT) révèle souvent la structure que le spectrogramme se frotte. Avantages: Le choix de l'interprétation d'ondelet et d'échelle nécessite des précautions. La CWT est intensive par calcul pour les signaux longs, mais il existe des algorithmes efficaces.

Distribution de la Wigner-Ville (WVD)

La WVD est une représentation de fréquence temporelle quasi-quadratique qui fournit la meilleure résolution de fréquence temporelle articulaire possible pour un signal FM linéaire monocomposant (chirp). Elle est définie comme suit:

Essentiellement, il corréle le signal avec une version décalée, inversée du temps. Cela donne une représentation haute résolution, mais avec un inconvénient critique : la présence de termes croisés pour les signaux multicomposants. Ces artefacts masquent souvent la structure vraie de fréquence temporelle, limitant ainsi l'utilisation pratique du signal à moins qu'un seul composant dominant ou lissage spécialisé du noyau ne soit appliqué (p. ex. distributions de classe de Cohen—smoothed pseudo Wigner-Ville).

Méthodes adaptatives et paramétriques

Lorsque la structure du signal peut être modélisée, des méthodes d'adaptation telles que Kalman filters ou récursives des moindres carrés (RLS)[ peuvent suivre les paramètres spectraux variables en temps. Par exemple, si le signal est supposé être un processus autorégressif (AR) avec des coefficients lentement variables, les paramètres AR peuvent être mis à jour échantillon par échantillon. Le spectre instantané est alors estimé à partir des coefficients mis à jour. De même, des techniques de super-résolution adaptées[ comme ESPRIT ou MUSIC peuvent être appliquées aux fenêtres coulissantes pour suivre plusieurs sinusoïdes.Ces méthodes offrent une résolution haute fréquence mais nécessitent une mise en fonction prudente des paramètres et une connaissance préalable du modèle de signal.

Mise en œuvre progressive de la STFT pour les signaux non statiques

Le passage détaillé suivant suppose que vous avez un signal échantillonné et un accès à un environnement DSP tel que MATLAB, Python (NumPy/SciPy), ou un système embarqué. La procédure STFT est recommandée comme point de départ pour la plupart des tâches d'estimation spectrale non stationnaires.

Étape 1: Choisissez la fonction de fenêtre

Pour la parole et l'audio, une fenêtre Hann[ est un défaut sûr car elle fournit une bonne suppression de lobe latéral (-31 dB) à une modeste largeur de lobe principal. Pour la détection transitoire, une fenêtre [Hamming[ ou Blackman[ peut être préférable si un rejet plus fort de lobe latéral est nécessaire.

Étape 2: Déterminer la longueur de la fenêtre et la résolution du temps

La longueur de la fenêtre affecte directement la résolution de fréquence réalisable : (Hz), où est le taux d'échantillonnage. Une fenêtre plus longue donne des fréquences plus fines mais une résolution de temps plus faible car chaque FFT s'étend maintenant sur un intervalle de temps plus long. Pour les signaux qui changent rapidement (p. ex., les phonèmes en parole de 20 à 40 ms), une longueur de fenêtre de 20 à 40 ms (p. ex., ] échantillons à 8 kHz) est typique.

Étape 3: Définir le pourcentage de chevauchement

Le chevauchement entre les cadres consécutifs assure une continuité temporelle et réduit le risque d'événements manquants de courte durée. Un choix standard est un chevauchement de 50%, ce qui signifie que la fenêtre se déplace de moitié de sa longueur. Un chevauchement plus élevé (75% ou 90%) donne un spectrogramme plus lisse mais augmente la charge de calcul.

Étape 4: Préprocéder le signal (si nécessaire)

Pour certaines applications, il est utile d'appliquer pré-accentuation (filtrage pour aplatir l'inclinaison spectrale, courante dans le traitement de la parole) ou démarche (enlèvement d'une dérive continue ou à basse fréquence).

Étape 5: Fenêtre, FFT et Store

Pour chaque index de cadre , extraire le segment fenêtré:

Calculez la FFT de longueur (souvent additionnée à zéro à une puissance de deux pour l'efficacité de calcul). Conservez la magnitude (ou magnitude au carré) dans une matrice où les lignes correspondent aux bacs de fréquence et aux colonnes pour les indices de trame.

Étape 6 : Normaliser et afficher

Convertissez l'amplitude en échelle logarithmique (p. ex., dB) pour mieux visualiser les composants faibles. Le spectrogramme est généralement affiché avec fréquence sur l'axe vertical, le temps sur l'axe horizontal et l'intensité (ou la couleur) représentant la densité spectrale de puissance. La plupart des bibliothèques logicielles offrent une fonction intégrée ou qui automatise ces étapes.

Méthodes avancées en pratique : quand STFT n'est pas suffisant

Malgré son omniprésence, le STFT peut ne pas résoudre les transitoires rapides dont la durée est plus courte que la longueur de la fenêtre, ou les signaux à fréquence instantanée très variable (p. ex., FM polynôme à haut ordre).

  • Transformation continue de la vague (CWT):[ Excellente pour les vibrations sismiques où les composants de basse fréquence persistent et les transitoires de haute fréquence sont brefs.De nombreuses bibliothèques (p. ex. PyWavelets, MATLAB Wavelet Toolbox) fournissent des fonctions CWT prêtes à l'emploi.
  • La distribution Wigner-Ville avec lissage du noyau : La distribution lissée pseudo Wigner-Ville (SPWVD) réduit les temps croisés en appliquant des fenêtres de lissage séparées en temps et en fréquence. Elle offre une meilleure résolution que le spectrogramme pour les signaux avec une interférence moyenne à travers le terme.
  • Filtres d'encoche adaptifs ou filtres Kalman: Pour le suivi en temps réel d'une ou de quelques fréquences variables dans le temps (p. ex., harmoniques de ligne d'alimentation dans un capteur bruyant), un filtre d'encoche adaptif avec une mise à jour des carrés les moins moyens (LMS) peut être calculablement bon marché et efficace.
  • Mesures de poursuite ou représentations de fréquences temporelles clairsescentes: Si vous soupçonnez que le signal peut être représenté comme une somme de quelques atomes (Gabor ou chirplet), des algorithmes gourmands comme la poursuite de couplage peuvent décomposer le signal directement.

Considérations pratiques: bruit, résolution et calcul

Sensibilité au bruit et robustesse

Toutes les méthodes de fréquence temporelle se dégradent en présence de bruit. Le spectrogramme, étant une méthode linéaire (monnaie carrée de STFT), est relativement robuste au bruit à large bande par rapport aux méthodes quadratiques (WVD) qui amplifient le bruit en raison de la nature bilinéaire. Si le bruit domine, envisager de préfilter le signal ou d'utiliser une moyenne chronologique (si plusieurs essais sont disponibles).

Choix de la longueur de la fenêtre par rapport à la station de signal

Pour les signaux très non stationnaires (p. ex. chants d'oiseaux avec modulations rapides de fréquence), la sélection adaptative de la fenêtre est bénéfique. Certaines implémentations utilisent une fenêtre de longueur variable qui raccourcit pendant les transitoires rapides et allonge pendant les segments stables. Une autre approche consiste à calculer le spectrogramme réassigné, qui réassigne l'énergie à son centre de gravité dans le temps et la fréquence, aiguisant la représentation au coût d'un calcul accru.

Ressources informatiques et contraintes en temps réel

Pour les systèmes DSP embarqués avec une mémoire limitée et une puissance de traitement limitée, le STFT avec une longueur de fenêtre fixe est le choix le plus pratique. Le FFT est hautement optimisé dans le matériel et le logiciel. La transformation des ondulateurs (en particulier CWT) peut être lourde; si des performances en temps réel sont nécessaires, le DWT mis en œuvre via des banques de filtres est plus efficace.

Interprétation des résultats : éviter la surinterprétation

Les représentations de fréquence temporelle contiennent souvent des caractéristiques qui sont des artefacts de la méthode plutôt que de véritables composants de signal. Les termes croisés dans la WVD, les lobes latéraux de fenêtre dans le spectrogramme et les effets de bordure dans la transformation des ondulations nécessitent une interprétation attentive. Valider les résultats en comparant deux méthodes indépendantes (p. ex., spectrogramme et scalogramme des ondulations) sur les mêmes données.

Conclusion : Choisir le bon outil pour les signaux du monde réel

L'estimation spectrale des signaux non stationnaires est une compétence essentielle pour tout ingénieur DSP. La Transformation de Fourier à temps court avec un spectrogramme reste la méthode la plus utilisée en raison de sa simplicité, de sa vitesse et de sa sortie intuitive. Elle devrait être votre premier outil pour analyser tout signal de stationnarité inconnue. Pour les signaux avec des transitoires brusques ou une variation lente de la teneur en fréquence, la transformation d'onde[ fournit une résolution adaptative qui révèle souvent une structure cachée à la STFT. Lorsque la super résolution est nécessaire et que les termes croisés peuvent être atténués, les versions lissées de la distribution de Wigner-Ville[ offrent une analyse. Enfin, pour les applications basées sur des modèles ou le suivi, des méthodes paramétriques adaptées offrent une adaptabilité en temps réel au coût d'une complexité accrue.

En comprenant les compromis entre la résolution, la robustesse sonore et le coût de calcul, vous pouvez choisir avec confiance la méthode appropriée pour votre application spécifique. Les références ci-dessous fournissent plus de détails sur la mise en œuvre et les fondements théoriques.

Pour une plongée plus profonde dans l'analyse STFT et spectrogramme, voir le manuel DSP d'Oppenheim et Schafer .La théorie des vagues est le livre de Mallat Un tour de vague du traitement des signaux.La documentation de MATLAB sur la boîte à outils de traitement des signaux comprend d'excellents exemples d'applications de distribution de spectrogramme et de Wigner-Ville (MATLAB Spectrogram.