Tema 5

Estimación espectral

5.1. Introducción

La mayoría de las señales biomédicas son el resultado de procesos que tienen lugar
en el dominio del tiempo. No obstante, en algunos casos es conveniente realizar su estudio
en el dominio de la frecuencia, tanto en casos deterministas como estocásticos, por lo cual
es necesario obtener la función densidad espectral de potencias (PSD).

En EEG, el análisis espectral se ha utilizado tanto en clínica como en investigación.

Los objetivos han sido la clasificación de desórdenes neurológicos, clasificación
automática de estados de sueño y grados de anestesia. En EMG, se ha utilizado para
estudiar la fatiga muscular. En señales de voz, se ha utilizado para diagnosticar
malfunciones de la laringe.

El valor real del PSD no puede, en principio, obtenerse. La señal de entrada está
limitada en el tiempo, es no estacionaria y tiene ruido superpuesto, por lo que es necesario
estimar el PSD a partir de un registro de cierta cantidad de datos. Los primeros métodos se
basaron en la estimación de la transformada de Fourier (FT). Un paso importante en
estimación espectral moderna fue el trabajo de Wiener, que establecía las bases teóricas del
tratamiento de procesos estocásticos. Wiener y Khinchin, de forma independiente,
demostraron que la FT relaciona la función autocorrelación de un proceso estacionario y su
PSD. Se denomina generalmente relación de Wiener-Khinchin.

Con anterioridad a la introducción del algoritmo de la transformada rápida de

Fourier (FFT) en 1965, el método usual para estimar el PSD era la implementación de la
relación de Wiener-Khinchin sugerida por Blackman y Tukey. Según este método, los
coeficientes de autocorrelación se estiman utilizando una secuencia de datos eventanados.
Se realiza la transformada de Fourier de esta correlación enventanada para obtener el PSD.
Este método suele denominarse también método indirecto.

A partir de la introducción de la FFT, que implicaba la disposición de un algoritmo

computacionalmente eficiente para el cálculo de la transformada discreta de Fourier
(DFT), se utiliza de forma intensiva la aproximación directa (periodograma), que se

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 1
obtiene como la magnitud al cuadrado de la DFT obtenida mediante FFT y aplicada
directamente sobre los datos (previamente enventanados). Otros métodos como técnicas de
análisis ARMA y procedimientos más especializados como la descomposición armónica
de Pisarenko, el método de Prony, etc., proporcionan estimadores con mejores
características estadísticas, aunque pueden ser computacionalmente menos eficientes que
los basados en la DFT. Básicamente podemos distinguir tres grandes clases:

• Métodos no paramétricos: basados en la DFT.

• Métodos paramétricos: basados en modelos ARMA y variantes.
• Métodos tiempo-frecuencia: que asumen la no estacionariedad de las señales
con el tiempo.

5.2. Métodos no paramétricos

Periodograma
La DFT de una función muestreada x(n) viene dada por:

donde T es el periodo de muestreo. Su densidad espectral de energía (ESD) vendrá dada

por:
Sk = Xk 2

y suele denominarse también periodograma, siendo un estimador espectral de la señal.

Si el proceso x(n) es un proceso estocástico en lugar de uno determinista, lo que

implica que no se trata de una onda con energía finita, sino infinita, el parámetro de interés
no es la energía sino la potencia (promediado temporal de la energía). Para este caso, se
define el periodograma como densidad espectral de potencia (PSD) según:

Pk = Xk 2 / (N·T)

Pk es idéntico a la densidad espectral de energía Sk excepto por la división del

intervalo de tiempo N·T segundos, lo que lo convierte en una densidad espectral de
potencias.

El periodograma no es un estimador consistente, ya que su varianza no tiende a

cero cuando la longitud del registro tiende a infinito. Para mejorar esta característica,

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 2
Welch propuso un método según el cual se dividía el registro de N puntos original en
segmentos de M puntos solapados entre sí L muestras. Si L=M, entonces N=(K+1)M,
donde K sería el número total de segmentos. Posteriormente se aplica una ventana a cada
segmento, y finalmente se calcula el periodograma para cada segmento enventanado. El
periodograma final se obtiene promediando todos los periodograma parciales.

Cross-spectrum
La relación de Wiener-Khinchin relaciona el espectro de una señal con la TF de su
función autocorrelación. Cuando se aplica al caso de dos señales, x(t) e y(t), se obtiene la
función densidad espectral cruzada (cross-spectrum), que se define como la TF de la
función correlación cruzada.

El espectro cruzado permite realizar un estudio equivalente en el dominio de la

frecuencia al realizado en el dominio del tiempo mediante la función de correlación
cruzada. Se puede demostrar que el espectro cruzado está acotado por:

|Sxy(w)|2 ≤ Sx(w)Sy(w)

Se define a partir de aquí la función de coherencia, γ2xy, dada por:

Cuando la función vale 1 para todas las frecuencias, se dice que x(t) e y(t) son
totalmente coherentes. Cuando para alguna frecuencia w0 vale cero, se dice que son
incoherentes a esa frecuencia. Si ambas señales son estadísticamente independientes, la
función de coherencia vale cero para todas las frecuencias.

Esta función se ha aplicado, por ejemplo, al análisis de EEG, obtenido

simultáneamente en posiciones distintas del cráneo, para la investigación de asimetrías
cerebrales, localización de focos epilépticos, el estudio de relaciones entre la actividad
cortical y talámica, etc.

Conclusiones
Como conclusión, podemos decir que los métodos no paramétricos presentan las
siguientes ventajas e inconvenientes:

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 3
 • Ventajas:
• Son computacionalmente eficientes.
• El PSD obtenido es directamente proporcional a la potencia de las
componentes espectrales del proceso.
• Inconvenientes:
• Introducción de distorsión en el espectro debido a la aparición de
lóbulos laterales asociados con el enventanado de la señal. Estos lóbulos
pueden enmascarar la contribución de armónicos de baja amplitud
situados junto a armónicos de gran amplitud.
• Resolución de frecuencia limitada por la duración de la señal disponible,
independientemente de las características de la misma.
• Necesidad de algún tipo de promediado para obtener estimaciones
estadísticamente consistentes.

5.3. Métodos paramétricos

Los métodos paramétricos permiten una estimación espectral de alta resolución, y
se han mostrado como una alternativa interesante a la FT en el análisis de bioseñales,
como, por ejemplo, en el caso de series temporales RR.

En el caso más genérico (modelo ARMAX), la señal muestreada (la secuencia)

{Sk} se supone la salida de un sistema lineal con una entrada (no accesible) {Uk} y con
ruido aditivo superpuesto {nk}. La señal {Sk} es la solución de la ecuación de
diferencias:

donde:
A(z-1) = Σ ai z-i ; a0 = 1
B(z-1) = Σ bi z-i
F(z-1) = Σ fi z-i

El modelo ARMA (autoregressive moving average) se obtiene de la ecuación en

diferencias suponiendo que no hay ruido externo:

S(z) = [ B(z-1) / A(z-1) ] U(z)

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 4
 r(k)
F(z-1)

n(k)

U(k) B(z-1) Y(k) S(k)

+
A(z-1)

Figura 5.1. Estructura de un proceso ARMAX.

Este modelo se conoce como ARMA de orden (p,q), denominándose también

modelo de polos y ceros. En estos modelos, la muestra k-ésima se expresa como
combinación lineal de las p muestras anteriores de la salida y de las (q+1) muestras
anteriores de la entrada.

De la ecuación anterior se derivan otros dos modelos frecuentemente usados: el

AR (autorregresivo) y el MA (promediado móvil):

El modelo AR sólo contiene polos, derivado del ARMA haciendo B(z-1) = 1:

S(z) = [1 / A(z-1) ] U(z)

El modelo MA sólo contiene ceros, derivado del ARMA haciendo A(z-1) = 1:

S(z) = B(z-1) U(z)

La idea básica de modelado predictivo lineal es suponer que la secuencia {Sn} es

la salida de un sistema lineal, por lo que se puede expresar dicha secuencia (de forma
paramétrica) por medio de los parámetros del sistema. Dada la secuencia {Sn}, el
problema pues es identificar dichos parámetros. Puesto que la entrada es inaccesible, no
puede aplicarse algoritmos para identificación de sistemas directamente. En aplicaciones
de modelización de señal y de estimación espectral, se supone que al entrada al modelo es
ruido blanco (espectro plano) con media cero y varianza constante.

Cualquier valor de la salida puede expresarse en términos de una suma pesada de

valores previos de entrada y salida, representada por la ecuación en diferencias:

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 5
 Esta ecuación puede escribirse en términos de z, obteniéndose la función de
transferencia del modelo:

El denominador de esta ecuación contiene los términos autorregresivos, que

definen los polos de la función de transferencia, mientras el numerador está compuesto por
los términos de promediado móvil, que definen sus ceros. En general, cuando queremos
modelar una señal con este tipo de funciones, los modelos ARMA, que vienen definidos
por ceros y polos, son siempre los que presentan menor número de coeficientes, por lo que
la modelización con ARMA es siempre la mejor que puede obtenerse. No obstante, y
debido a la mayor complejidad de obtención de los coeficientes, suele trabajarse con
modelos que contienen exclusivamente ceros en H(Z) (modelos MA) o sólo polos
(modelos AR). La simplificación a la hora de obtener los coeficientes con estos modelos
tiene como contrapartida el requerir un número mayor de coeficientes para modelizar la
señal respecto de los necesarios con modelos ARMA.

De las dos variantes comentadas, los modelos AR suelen ser los más utilizados, ya
que el control de los polos permiten modelar transiciones más rápidas que con ceros para
órdenes menores. El modelo autorregresivo (AR) tiene una función de transferencia dada
por:

La transformación al dominio de la frecuencia se realiza evaluando la ecuación

anterior para z = e(j2πfT):

donde ΔT es el intervalo de muestreo. La entrada y el espectro de salida del proceso están

relacionados por:

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 6
produciendo un espectro de potencias de alta resolución. Puede calcularse la raíz cuadrada
de cada componente para obtener el espectro de amplitudes.

Los pasos a seguir para modelar una serie temporal dada con este tipo de
modelos son:

1. Preprocesar los datos: eliminar tendencias, tramos corrompidos, segmentar datos.

2. Seleccionar la estructura del modelo que mejor represente a la serie (ARMA, AR,
MA ,etc.). De los modelos presentados, el AR y el ARMA son los más utilizados.
Puede demostrarse que un modelo AR puede sustituir a un ARMA a costa de
necesitar más parámetros para modelar la señal. El modelo AR se utiliza
frecuentemente debido a su simplicidad y a la existencia de algoritmos efectivos para
la estimación de parámetros.

3. Obtener el modelo a partir de los datos y de algún criterio de bondad. Esto implica:

• ORDEN DEL MODELO.

La estimación del orden se realiza por medio de alguna técnica de optimización.

Se pretende tener un valor de p que represente correctamente el proceso
minimizando a la vez la complejidad del modelo. Se han propuesto diversos
estimadores:

• El FPE (final prediction error - Akaike) obtiene el orden minimizando

la función:

donde N es la longitud de la muestra de datos y σ es la varianza estimada

según:

siendo er(k) el error (o residuo) entre el valor de la muestra k-ésima de la

serie original y la estimada por el modelo.

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 7
 • El AIC (Akaike information error - Akaike) proporciona el orden que
minimiza la función:

• El MDL (minimized description length - Rissanen) selecciona el orden

que minimiza:

• El CAT (criterion autoregressive transfer - Parzen) selecciona el

orden que minimiza:

debiendo eliminarse el valor medio de los datos antes de aplicar el

criterio.

Ninguno de los estimadores del orden del modelo es óptimo. Por ejemplo, el
FPE tiende a subestimar el orden, y el AIC es estadísticamente inconsistente
cuando N→∞. En general, el orden del modelo es ≤ 2N½. Otros estudios
muestran que cuando N es pequeño, el orden debe seleccionarse en el rango N/3
a N/2 para obtener buenos resultados. Por tanto, el método a seguir sería calcular
varios criterios e interpretar los resultados obtenidos para seleccionar el orden
final.

• COEFICIENTES DEL MODELO.

La estimación de los coeficientes (parámetros) del modelo se realiza a partir de

las muestras de la señal. Como regla general, si tenemos N muestras de la señal,
suele utilizarse la mitad para estimar los coeficientes y el resto para validar el
modelo. Supongamos que disponemos de una secuencia de muestras Sj, j =
0,1,...,(k-1). Estimaremos la muestra Sk mediante el estimador:

donde p tiene un valor inicial estimado previamente. En el instante k, podemos

calcular el error e(k). El método de mínimos cuadrados determina los parámetros

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 8
 estimados minimizando el valor esperado del error cuadrático para cada
coeficiente. Suponiendo que la secuencia es estacionaria, obtenemos p
ecuaciones lineales:

Estas ecuaciones son las de Yule-Walker o normales. Pueden resolverse para los
aj si se dan los coeficientes de correlación rj, j=1,...,p. Dichos coeficientes se
estiman a partir de la secuencia finita {Sk}. Para k=0,1,...,(N-1) podemos
obtenerlos mediante:

y utilizaremos los coeficientes de correlación estimados en las expresiones

anteriores. Las ecuaciones de Yule-Walker pueden escribirse de forma matricial
como R a = r, donde R es la matriz de correlación, r es el vector de coeficientes
de correlación y a el vector de coeficientes del modelo. La solución directa de la
ecuación se obtiene mediante inversión de la matriz de correlación: a = R-1 r.

Se han desarrollado diversos algoritmos para obtener los coeficientes del

modelo. Los más utilizados son: a) Forward-backward; b) Least-squares; c)
Yule-Walker; d) Burg; e) Geometric lattice. Los dos últimos utilizan la
estructura AR lattice (representación como filtro de celosía de la función de
transferencia del modelo AR) para obtener los coeficientes.

4. Examinar las propiedades del modelo obtenido.

Una vez disponemos del modelo, el siguiente paso es comprobar si realmente

describe el proceso que representa. Como hemos visto, la elección del orden p no es
exacta. Una subestimación de p produce una baja resolución en el espectro, mientras
que una sobreestimación hace aparecer componentes espúreas (el método de Burg es el
más sensible a este efecto, mientras que el LS no presenta estas componentes). No
existe un método definitivo de validación del modelo, por lo que se aplican diversas
técnicas empíricas de ayuda a la decisión final:

• PREDICCIÓN DEL MODELO. Se puede comparar la serie original con la

predicha por el modelo, comprobando el grado de semejanza.

• ANÁLISIS DE RESIDUOS. Los residuos entre la señal original y la predicha

son idealmente blancos, ya que están relacionados con el ruido aleatorio de

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 9
 entrada al modelo. Por tanto, un análisis de su autocorrelación y de la
correlación cruzada entre ambos permiten comprobar si la hipótesis se
cumple para el modelo.

• COMPARACIÓN ENTRE MODELOS DE DIFERENTES ÓRDENES. Se

pueden comparar funciones de transferencia o diagramas de ceros y polos
(casos ARMA) entre diferentes modelos con pequeñas variaciones de p
respecto del estimado para comprobar la dependencia con p.

• COMPARACIÓN ENTRE ESPECTROS. La concordancia de espectros

obtenidos mediante el modelo AR (método paramétrico) y un método basado
en la DFT (no paramétrico) puede dar una indicación de lo apropiado del
modelo.

Si el modelo no es suficientemente preciso, repetir los pasos 3 y 4.

En la siguiente figura se muestra una señal de respiración muestreada a 12.5 Hz y

su periodograma correspondiente. El comportamiento no estacionario de la señal es
evidente, por lo que resulta aconsejable segmentar la señal antes de calcular el espectro. En
la parte inferior se muestra la señal subdividida en 4 secciones de igual duración. Los
espectros inferiores, obtenidos mediante un modelo AR de orden 16 muestran las
variaciones espectrales con el tiempo, y por tanto la no estacionariedad de la señal. La
necesidad de segmentar implica que las ventanas sobre las que se calcula el estimados
espectral contienen pocos datos. Puesto que la resolución de los métodos no paramétricos
está basada en la longitud de la muestra de señal, la segmentación automáticamente
implica reducir la resolución espectral. Con los métodos paramétricos, secuencias de
menos puntos siguen produciendo alta resolución.

El principal problema que presentan estos métodos es su dependencia de la correcta

estimación del orden del modelo, produciendo resultados muy diferentes para distintos
valores del orden. Esta estimación es frecuentemente subjetiva, y pequeñas desviaciones
producen resultados muy diferentes. Además, la ventana de datos analizada debe ser
estacionaria. No obstante, puede realizarse una segmentación mayor en este caso que en
los métodos paramétricos, ya que en este caso la resolución no depende de la duración de
la señal.

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 10
 Figura 5.2. Estimación espectral mediante periodograma y modelo AR de una
señal respiratoria. (M. Di Rienzo Ed. "Computer Analysis of Cardiovascular
Signals". IOS Press.)

5.4. Métodos tiempo-frecuencia.

Tanto los métodos paramétricos como los no paramétricos hacen la suposición de

que la señal es estacionaria. En caso contrario, se debe implementar un esquema de
segmentación que asegure una ventana de datos libre de transitorios. No obstante, en

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 11
señales biomédicas es frecuente la aparición de tales eventos, e incluso pueden contener
información relevante desde el punto de vista médico, como ocurre en algunas patologías.

Vamos a comentar algunas de las técnicas que han sido propuestas para el
tratamiento de señales transitorias, centrándonos en las representaciones tiempo-frecuencia
(TFR). Las TFR se utilizan generalmente como representaciones de distribuciones de
energía de una señal dada. Por tanto, su aplicación a señales biológicas proporcionaría un
método de detectar transitorios detectando cambios en la distribución de energía de la señal
producidos por los mismos en un rango de frecuencias determinado. La figura 5.3 permite
ilustrar esto. La imagen superior representa una señal compuesta por dos ondas seno de 50
y 100 Hz, localizadas en 0.3s y 1.3s respectivamente y de duración 0.5s. A la izquierda se
muestra el espectro obtenido mediante la TF. Se obtiene información exclusivamente sobre
el contenido frecuencial de la señal, pero sin determinar en qué momento se produjo. A la
derecha se muestra el plano tiempo-frecuencia y la TFR de la señal. En este caso, se puede
conocer simultáneamente tanto su contenido frecuencial como el instante de ocurrencia.

Signal

Figura 5.3. Comparación entre el espectro obtenido mediante TF y TFR para una
señal localizada en el tiempo. Señal (arriba), periodograma (izquierda) y
representación tiempo-frecuencia (derecha).

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 12
 Podemos dividir las TFR en lineales o cuadráticas. Una TFR se dice que es lineal
cuando satisface el principio de superposición lineal, es decir, dada una señal formada por
dos componentes, x(t)=a1x1+a2x2, y siendo Tx1 y Tx2 las TFR de x1 y x2 respectivamente, la
TFR total viene dada por:

Para TFR cuadráticas, se cumple el principio de superposición cuadrático:

donde Tx1 y Tx2 son los autotérminos de la transformada de cada señal y los otros son los
términos cruzados (o términos de interferencia) de las dos señales. Puede demostrarse que
para una señal compuesta por n componentes, existen n(n-1)/2 términos cruzados que
complican el análisis visual de señales multicomponentes. Puesto que muchas TFR están
relacionadas con distribuciones de energía, están dentro de este último caso.

Otro aspecto que limita las prestaciones de las TFR está relacionado con la máxima
precisión alcanzable. Dada una señal x(t) con energía finita, puede caracterizarse
simultáneamente en el tiempo y en la frecuencia mediante su posición media y su
dispersión. En el caso del tiempo, tendríamos el tiempo medio (tm) y su duración; en el
caso de la frecuencia, su frecuencia media (νm) y su ancho de banda. Por tanto, la señal
estaría caracterizada en el plano t-f por su posición media (tm, νm) y una localización de su
energía con área proporcional al producto duración × ancho de banda (T×B). Este producto
cumple la propiedad de estar acotado inferiormente (T×B≥1), conocida como desigualdad
de Heisember-Gabor, e indica que una señal no puede ser localizada con precisión
arbitrariamente grande en el tiempo y la frecuencia simultáneamente. El valor mínimo se
obtiene para señales gaussianas.

Clases
Existen múltiples TFR, que pueden agruparse en clases en función de las
propiedades que cumplen. Una de las clases más importante es la de Cohen, formada por
las TFR que son covariantes en tiempo y frecuencia. Esto implica que cuando la señal sea
desplazada en el tiempo o en la frecuencia, su TFR se desplazará también en el plano
tiempo-frecuencia. Su expresión general es:

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 13
donde x(t) es la señal y φ(θ,τ) se denomina kernel de la distribución. La elección del kernel
da lugar a distintas TFR, y permite minimizar los términos de interferencia a costa de una
pérdida de resolución.

A continuación comentaremos brevemente algunas de las TFR más usuales en

aplicaciones biomédicas.

Transformada corta de Fourier (STFT)

El espectro obtenido mediante la transformada de Fourier proporciona una

expansión de la señal x(t) en una familia de ondas infinitas y, por tanto, no localizadas en
el tiempo. Por tanto, este tipo de espectro sólo nos proporciona información de las
frecuencias presentes en la señal, pero no de su momento de aparición.

La transformada corta de Fourier (Short-Time Fourier Transform: STFT) es una

adaptación de la TF introducida por Gabor para incluir la dependencia temporal mediante
la utilización de ventanas centradas en distintos instantes temporales de la señal sobre las
que se calcula la TF. Las ventanas, w(t), son de duración constante para todas las
frecuencias y se supone que la señal es estacionaria en las mismas. La STFT se define
como:

La resolución temporal de la STFT es proporcional a la duración efectiva de la

ventana, y la resolución en frecuencia es proporcional al ancho de banda efectivo de la
misma, por lo que para conseguir buena resolución temporal será necesaria una ventana
muy estrecha, mientras que para el caso de la frecuencia se necesitará una ventana ancha.
Esto está relacionado con la desigualdad de Heisemberg-Gabor.

El espectrograma (el módulo al cuadrado de la STFT) puede interpretarse como

una distribución de la energía de la señal. Pertenece a la clase de Cohen, siempre es no
negativo, y es una transformación cuadrática, por lo que cumple el principio de
superposición cuadrática. Aunque no proporciona una buena resolución tiempo-frecuencia,
la interferencia de los términos cruzados sólo es importante en zonas del plano en que los
autotérminos se superponen. Si estos últimos están suficientemente separados, la amplitud
de los términos cruzados es despreciable frente a los primeros y aparecen en las posiciones
en las que aparecen también los autotérminos, por lo que quedan enmascarados. Esto
puede verse en la figura 5.4, donde se muestra el espectrograma de dos señales chirp, en el
primer caso cercanas por lo que aparecen términos de interferencia entre ellas (líneas
verticales), y en el segundo suficientemente separadas, por lo que no aparecen
interferencias.

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 14
 Figura 5.4. Espectrograma de dos señales chirp. A: frecuencias cercanas. B:
frecuencias separadas.

Transformada wavelet (WT)

La Transformada de Fourier descompone la señal según una base de sinusoides de

extensión infinita. Aunque esta aproximación es útil para señales estacionarias, crea
problemas al analizar las no estacionarias. Una forma de resolver el problema es utilizar
una base de funciones de extensión finita y media cero (wavelets) obtenidas por translación
y expansión de una función prototipo (wavelet madre). La wavelet se define como:

Ψt,a = |a| -1/2 Ψ[(t-b)/a]

donde b indica el desplazamiento de la wavelet madre y a es el factor de escala, que

permite obtener expansiones (|a|>1) o compresiones (|a|<1) de la wavelet madre.

La transformada wavelet continua (CWT) se define como:

y representa la suma para todo el tiempo de la señal multiplicada por diferentes versiones
escaladas y desplazadas de la wavelet madre. En contraste con la STFT, que utiliza
ventanas constantes para todas las frecuencias, la WT utiliza ventanas de corta duración a

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 15
altas frecuencias y de larga duración a bajas frecuencias, proporcionando una alta
resolución en frecuencia a bajas frecuencias y una alta resolución en tiempo a altas
frecuencias. Al igual que ocurre con la STFT, los términos cruzados no son despreciables
cuando los autotérminos se solapan en el plano t-f.

El análisis wavelet ha sido utilizado como un análisis tiempo-escala, pero para

wavelets bien localizadas alrededor de f0, puede expresarse en términos tiempo-frecuencia
utilizando la relación f = Tm·f0/a (Tm: periodo de muestreo).

La CWT permite variaciones continuas de desplazamientos y escalados de la

wavelet madre. Esto implica una carga computacional importante, además de redundancias
en los resultados. Otra aproximación es limitar el número de escalas y desplazamientos. La
más usual es la basada en tomar sólo valores potencias de 2 (escalas diádicas: a=2j; b=k·2j;
j∈N). Esto da lugar a la transformada wavelet discreta (DWT), que puede ser calculada
eficientemente con el algoritmo de Mallat (FWT: transformada wavelet rápida).

Figura 5.5. Ejemplo de dependencia de la resolución con la frecuencia para

escalogramas. A: escalograma de un impulso de Dirac. B: escalograma de dos
sinusoides simultáneas.

El escalograma es el módulo al cuadrado de la CWT, proporcionando también una

distribución de la energía de la señal en el plano t-f. Pertenece a la clase afín, para la cual
se cumple la covarianza para translación en el tiempo y expansión, y es siempre positivo.
Su resolución tanto temporal como frecuencial depende de la frecuencia. La figura 5.5
permite ilustrar esta dependencia. En el primer caso, se muestra el escalograma de un
impulso de Dirac en el instante t=64. La dispersión temporal depende de la frecuencia (a
mayor frecuencia, mayor resolución temporal). En el segundo caso se muestra el

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 16
escalograma de dos sinusoides simultáneas (65 y 115 Hz). En este caso se observa menor
dispersión en frecuencia (mayor resolución) para frecuencias menores.

Distribución Wigner-Ville (WVD)

La WVD pertenece a la clase de Cohen y satisface una serie de propiedades

deseables en una TFR, tales como ser real y preservar desplazamientos en tiempo y
frecuencia. El kernel de la distribución vale 1, por lo que se define como:

La WVD puede interpretarse como una distribución bidimensional de la energía de

la señal sobre el plano tiempo-frecuencia. Se trata de una TFR cuadrática, y presenta
términos cruzados no despreciables independientemente de la posición de los autotérminos
(por contraposición con lo que ocurre con la STFT y la WT). Los términos cruzados
aparecen en una posición dada por la media aritmética de las frecuencias de dos
autotérminos y, si éstos son de igual amplitud, con amplitud doble. Esto hace que la
interpretación visual de señales multicomponente o no linealmente moduladas sea difícil.

Figura 5.6. Efecto de los términos de interferencia en la WVD. A: Señal chirp. B:

señal compuesta por dos sinusoides de distinta frecuencia.

La figura 5.6 muestra un ejemplo de este efecto. En primer lugar se muestra la

WVD de una señal chirp de frecuencia normalizada variable entre 0 y 0,5, en la que sólo
hay una única componente frecuencial en cada instante temporal, por lo que no aparecen
términos de interferencia. Además, puede observarse la alta resolución proporcionada por

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 17
la WVD. En el segundo caso, se muestra una señal compuesta por dos sinusoides. Puede
observarse la presencia de los autotérminos que representan a las dos componentes de 50 y
100 Hz, y los términos de interferencia entre ambos.

Distribuciones de interferencias reducidas (RID)

La reducción de los términos de interferencia puede realizarse en dos frentes. En
primer lugar, puede aplicarse alguna transformación a la señal para reducir redundancias
en su representación, lo que produciría también términos cruzados entre dichas
redundancias. Para ello, dada una señal x(t), se utiliza en su lugar su representación
analítica, xa(t), definida como:

xa(t) = x(t) + j HT(x(t))

donde HT(x) es la transformada de Hilbert de x. La función analítica es una señal compleja

de la señal real, y su espectro se corresponde con el de la señal original pero con valores
estrictamente positivos, por lo que se eliminan los términos de interferencia entre valores
negativos y positivos del espectro.

En segundo lugar se aplica promediado o filtrado local de la TFR, reduciendo los

términos cruzados a expensas de introducir cierta distorsión en los autotérminos de la
señal. Esta aproximación puede implementarse con una adecuada selección del kernel de la
distribución, y da lugar a un tipo de TFR denominada distribución de interferencias
reducidas (RID: reduced interference distribution).

La siguiente figura muestra el kernel de la WVD (de valor constante unidad) y la

representación tiempo-frecuencia correspondiente a una señal compuesta por dos
sinusoides de diferentes frecuencias y localizadas en distintos instantes temporales. Puede
observarse la aparición de términos de interferencia entre los autotérminos de ambas
debido a que el kernel de la WVD no produce ninguna modificación de la TFR en el plano
tiempo-frecuencia.

La representación del kernel RID muestra una función con valor unidad para θ=0 y
τ=0 y que tiende a cero para otros valores. La aplicación de este kernel sobre la TFR
produce un filtrado de los términos cruzados presentes entre los autotérminos,
reduciéndolos. La representación de la misma señal con una RID muestra una atenuación
importante de los términos de interferencia, aumentando así la interpretabilidad de la
misma, aunque con pérdida de resolución (los autotérminos aparecen suavizados).

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 18
 Figura 5.7. Kernel y representación tiempo-frecuencia de una señal compuesta por
dos sinusoides de diferentes frecuencias y localizadas en distintos instantes
temporales. a) y b): Wigner-Ville; c) y d): RID. (M. Akay Ed. "Time Frequency
and Wavelets in Biomedical Signal Processing". IEEE Press)

Dentro de este tipo de distribuciones están la distribución de Choi-Williams, cuyo

kernel es exponencial (por lo que también se conoce como distribución exponencial), y la
de Zhao-Atlas-Mark (ZAM), con kernel cónico. En ambos casos, el kernel es fijo e
independiente de la señal. Otra aproximación, que pretende optimizar el compromiso entre
resolución y eliminación de términos cruzados, es la utilización de kernels adaptativos.

Los métodos tiempo-frecuencia no requieren que la señal sea estacionaria y

proporciona información simultánea en tiempo y frecuencia, por lo que se revelan como
una alternativa importante de estimación espectral a pesar de que su carga computacional
es mucho mayor que la de los otros métodos.

INGENIERÍA BIOMÉDICA
JUAN F. GUERRERO MARTÍNEZ
Curso 2010-2011

5. 19