ES704 – Instrumentação Básica

02 – Análise de sinais

Eric Fujiwara
Unicamp – FEM – DSI

ES704 - Aula 02 1
 Índice
 Índice:
• 1. Sinais;
• 2. Análise de sinais;
• 3. Análise em frequência;
• 4. Transformada de Fourier;
• 5. Transformada de Fourier Discreta;
• 6. Transformada Hilbert;
• 7. Análise de sinais não-estacionários;
• 8. Transformada de Fourier 2D;
• Referências bibliográficas;
• Exercícios.

ES704 - Aula 02 2
 1. Sinais
 1.1. Conceitos de sinais:
• Sistema de medição: recebe um valor de entrada (input) e o
transforma em um valor de saída (output);
• O valor de saída pode ser apresentado ao usuário e armazenado;
• Forma de onda (waveform): forma de um sinal;
• Magnitude ou amplitude: “intensidade” do sinal de entrada;
• Frequência: forma na qual o sinal varia no tempo;

Amplitude
Período

ES704 - Aula 02 3
 1. Sinais
 1.1. Conceitos de sinais:
• Medição de variáveis físicas:
• 1) Seleção do sistema de medição;
– Ex: medir diâmetro de nanopartículas  diâmetro de uma peça!
• 2) Interpretação dos sinais de saída;
– Ex: características variam no tempo ou no espaço?

• Sinal: informação física sobre a variável medida sendo

transmitida entre um processo e o sistema de medição, entre os
estágios do sistema de medição, ou na saída do sistema de
medição

ES704 - Aula 02 4
 1. Sinais
 1.2. Classificação de sinais:
• Sinal analógico: sinal contínuo no tempo;
• A magnitude é contínua no tempo, apresentando valores ao longo
de toda a faixa de operação;

+ –

ES704 - Aula 02 5
 1. Sinais
 1.2. Classificação de sinais:
• Sinal discreto: os valores de magnitude do sinal existem para
pontos discretos no tempo;
• O sinal discreto é obtido por amostragem de um sinal contínuo em
intervalos de tempo finitos;

Conversor
A/D

ES704 - Aula 02 6
 1. Sinais
 1.2. Classificação de sinais:
• Sinal digital: definido para pontos discretos no tempo e com
magnitude definida em valores discretos;
• Quantização: intervalos de magnitude são associados a um
único valor.

ES704 - Aula 02 7
 1. Sinais
 1.3. Formas de onda:
• Sinal estático: não varia no tempo;
• Sinal dinâmico: sinal que varia no tempo;
• Sinal determinístico: varia no tempo de forma previsível;
• Sinal periódico: a variação na magnitude do sinal se repete em
intervalos regulares de tempo;
• Sinal periódico simples: contém apenas uma frequência;
• Sinal periódico complexo: possui múltiplas frequências, obtido
pela superposição de sinais periódicos simples;
• Sinal aperiódico: sinal determinístico que não se repete em
intervalos regulares.

ES704 - Aula 02 8
 1. Sinais
 1.3. Formas de onda:
• Sinal não-determinístico: não possui padrão de repetição;
• Não é possível prever as características futuras do sinal baseado
nas informações existentes;
• Podem ser descritos por um modelo de suas características
estatísticas.

ES704 - Aula 02 9
 1. Sinais
 1.3. Formas de onda:

ES704 - Aula 02 10
 2. Análise de sinais
 2.1. Parâmetros escalares:
• Seja um sinal y(t) obtido para um período de tempo de t1 a t2;
• Valor médio: medição da porção estática do sinal para o
período de tempo. Denominado componente DC do sinal;
t2 t2
y 
t1
y(t )dt 
t1
dt (1)

• A variação da porção dinâmica do sinal é denominada

componente AC, e não pode ser caracterizada pelo valor
médio;
• O offset DC pode ser removido para ajustar a escala do sinal, nos
casos onde é desejado analisar somente a componente AC.

ES704 - Aula 02 11
 2. Análise de sinais
 2.1. Parâmetros escalares:
• Valor médio, componente DC e componente AC de um sinal
dinâmico:

ES704 - Aula 02 12
 2. Análise de sinais
 2.1. Parâmetros escalares:
• Valor rms (“root-mean-square”): permite obter informação
sobre a componente AC do sinal;
1 t2
y rms 
t 2  t1 
t1
y 2 dt (2)

Valor de pico
Valor rms

Valor médio

ES704 - Aula 02 13
 2. Análise de sinais
 2.2. Sinais discretos:
• Representação em sinal discreto: seja t a função impulso, o
sinal contínuo pode ser amostrado em N valores discretos:

{ y(rt )}  y(t ) (t  rt )  { yi } (3)

• com r = 0, ..., (N-1) e i = 0,..., (N-1);

ES704 - Aula 02 14
 2. Análise de sinais
 2.2. Sinais discretos:
• Valor médio (discreto):
N 1
1
y
N y
i 0
i (4)

• Valor rms (discreto):

N 1
1
y rms 
N 
i 0
yi 2 (5)

ES704 - Aula 02 15
 3. Análise em frequência
 3.1. Magnitude e fase:
• O comportamento de um sistema de medição é geralmente
analisado comparando a sua resposta a sinais de entrada de
formas conhecidas;
• Análise de Fourier: um sinal complexo pode ser aproximado
por uma somatória de funções seno e cosseno;
• Ou seja, um sinal complexo ou não-determinístico é representado
por uma soma de sinais periódicos simples com magnitude e fase
definidas;

ES704 - Aula 02 16
 3. Análise em frequência
 3.1. Magnitude e fase:
• Seja um sinal da forma:

y  A cos(t )  B sin(t ) (6)

• Período T: tempo necessário para completar um ciclo.

• Frequência f: número de ciclos completos por tempo.
• Frequência angular : ciclos completos em radianos por tempo.

2 1
T  (7)
 f

ES704 - Aula 02 17
 3. Análise em frequência
 3.1. Magnitude e fase:
• A função (6) pode ser reescrita em termos de sua magnitude C
e do ângulo de fase :
y  C cos( t  )
(8)
y  C sin( t  *)
• onde

C A2  B 2 (9)

B A 
  tan 1 , *  tan 1 , *    (10)
A B 2

ES704 - Aula 02 18
 3. Análise em frequência
 3.2. Análise de Fourier:
• A maioria dos sinais obtidos em sistemas de medição possui
característica complexa ou não-determinística;
• Análise de Fourier: todo sinal pode ser representado pela
soma trigonométrica infinita de funções seno e cosseno com
diferentes períodos e amplitudes;
• Cada componente da série de Fourier apresentará uma amplitude e
uma frequência características;
• O sinal original é reconstruído a partir da somatória resultante da
série de Fourier.

ES704 - Aula 02 19
 3. Análise em frequência
 3.2. Análise de Fourier:
• Definições da análise de Fourier:
• 1) Seja uma função periódica y(t) de período T :
y(t )  y(t  T ) (11)
• 2) Sejam y1 e y2 funções com período T, então y3(t) tem período T:
y3 (t )  a y1 (t )  b y2 (t ) (12)
• 3) Uma série trigonométrica é dada por:
A0  A1 cos t  B1 sin t  A2 cos 2t  B2 sin 2t   (13)
onde An e Bn são os coeficientes da série.

ES704 - Aula 02 20
 3. Análise em frequência
 3.3. Série de Fourier:
• Seja a série de Fourier de uma função periódica com período
2 (T = 2): 
y (t )  A0   A
n 1
n cos nt  Bn sin nt  (14)

• Os coeficientes de Fourier 1 
são dados por: A0 
2 
y (t )dt
• n = 1: componente fundamental;
1 
• n = 2, 3, ...: harmônicas An   y (t ) cos nt dt (15)
 

1 
Bn 
  
y (t ) sin nt dt

ES704 - Aula 02 21
 3. Análise em frequência
 3.3. Série de Fourier:
• Para funções com períodos T arbitrários, os coeficientes de
Fourier são expressos por:

1 T 2
A0 
T 
T 2
y (t )dt

2 T 2
An 
T 
T 2
y (t ) cos n t dt (16)

2 T 2
Bn 
T 
T 2
y (t ) sin n t dt


y(t )  A0    An cos n t  Bn sin n t  (17)
n 1

ES704 - Aula 02 22
 3. Análise em frequência
 3.3. Série de Fourier:
• Série de Fourier em termos de magnitude e fase:

y (t )  A0  C
n 1
n cosnt   n 
(18)

y (t )  A0   
C n sin nt   * n 
n 1

2 2 Bn An
C n  An  Bn , tan  n  , tan  * n  (19)
An Bn

ES704 - Aula 02 23
 3. Análise em frequência
 3.3. Série de Fourier:
• Série de Fourier de funções pares:
• Uma função é dita par se, para todo t:

g (t )  g (t ) (20)

• Se y(t) for par, a série de Fourier contém somente termos cosseno,

assim:


 2 nt  
y (t )  A0   An cos   A0   An cosn t  (21)
n 1  T  n 1

ES704 - Aula 02 24
 3. Análise em frequência
 3.3. Série de Fourier:
• Série de Fourier de funções ímpares:
• Uma função é dita ímpar se, para todo t:

h(t )  h(t ) (22)

• Se y(t) for ímpar, a série de Fourier contém somente termos seno,

logo:


 2 nt  
y(t )  A0   Bn sin    A0   Bn sin n t  (23)
n 1  T  n 1

ES704 - Aula 02 25
 4. Transformada de Fourier
 4.1. Transformada de Fourier:
• A representação do sinal em séries de Fourier requer o
conhecimento da função que representa o sinal, o que não é
o caso da maioria dos sinais adquiridos por um sistema de
medição;
• Se o período de uma função tende ao infinito, a série de Fourier
pode ser calculada sobre um sinal não-periódico;
• Quanto T tende a infinito, a série de Fourier se torna uma
integral, onde o espaçamento entre os componentes de
frequência é infinitesimal.

ES704 - Aula 02 26
 4. Transformada de Fourier
 4.1. Transformada de Fourier:


Y ( )   y (t )e  jt dt

(24)

Y ( f )   y (t )e  j 2ft dt


• Dado um sinal y(t) medido, a transformada de Fourier permite

obter as características de amplitude e frequência deste
sinal;
• Ou seja, um sinal que varia no tempo pode ser decomposto
em um espectro de amplitudes que varia com a frequência.

ES704 - Aula 02 27
 4. Transformada de Fourier
 4.2. Transformada de Fourier inversa:
1 
y (t ) 
2 
Y ( )e jt d
(25)

y (t )   Y ( f )e j 2ft df


• A transformada inversa de Fourier permite reconstruir o sinal

original y(t) variante no tempo a partir da informação espectral
Y(f).

ES704 - Aula 02 28
 4. Transformada de Fourier
 4.3. Espectros de magnitude, fase, e potência:
• A transformada de Fourier é um número complexo da forma:

Y ( f )  Y ( f ) e j ( f )  A( f )  j B( f ) (26)

• Em termos de magnitude e fase:

Y ( f )  Re[Y ( f )] 2  Im[Y ( f )] 2 (27)

Im[ Y ( f )]
 ( f )  tan 1 (28)
Re[Y ( f )]

ES704 - Aula 02 29
 4. Transformada de Fourier
 4.3. Espectros de magnitude, fase, e potência:
• Espectro de amplitude (magnitude):

C( f )  A( f ) 2  B( f ) 2 (29)

• Espectro de fase:

B( f )
 ( f )  tan 1 (30)
A( f )

ES704 - Aula 02 30
 4. Transformada de Fourier
 4.3. Espectros de magnitude, fase, e potência:
• Espectro de potência:
• Seja um sinal y(t) e a sua transformada de Fourier Y();
• A potência do sinal é definida por:
2
y (t ) (31)

• Consequentemente, a energia total do sinal é dada pela integral

da potência no tempo:


E
2
y (t ) dt (32)


ES704 - Aula 02 31
 4. Transformada de Fourier
 4.3. Espectros de magnitude, fase, e potência:
• Espectro de potência:
• Analogamente, a densidade espectral de energia é definida por:
2
S xx  F ( ) (33)

– Obs: lembre-se que F() é um número complexo!

• A relação entre energia e densidade espectral de energia é dada
pela relação de Parseval (apresentada a seguir);
• Para sinais periódicos, a energia é infinita. Neste caso, é
conveniente definir a densidade espectral de potência.

ES704 - Aula 02 32
 4. Transformada de Fourier
 4.4. Propriedades da transformada de Fourier:
• Linearidade:
• Seja o sinal
y (t )  y1 (t )  y2 (t ) (34)

– onde Y1() e Y2() são as transformadas de Fourier das funções y1(t) e

y2(t), respectivamente;
• A transformada de Fourier de y(t), Y(), é dada pela combinação
linear das transformadas de Fourier das funções individuais, ou
seja,

Y ( )  Y1 ( )  Y2 ( ) (35)

ES704 - Aula 02 33
 4. Transformada de Fourier
 4.4. Propriedades da transformada de Fourier:
• Simetria:
• Se y(t) é uma função real, então Y() é simétrica;
• Ademais, se y(t) é uma real e simétrica, então Y() também é real e
simétrica;
• Y() possui simetria Hermetiana, ou seja

Y ( )  Y * ( ) (36)

ES704 - Aula 02 34
 4. Transformada de Fourier
 4.4. Propriedades da transformada de Fourier:
• Translação temporal:
• Seja Y() = F[y(t)]:

y(t  t0 )  e j t0 Y ( ) (37)

• O deslocamento temporal de um sinal não afeta a sua magnitude,

mas introduz um deslocamento de fase que é função linear de :

Y ( )  Y ( ) e j (38)

e  j  t0 Y ( )  Y ( ) e j   t0  (39)

ES704 - Aula 02 35
 4. Transformada de Fourier
 4.4. Propriedades da transformada de Fourier:
• Diferenciação e integração:
• A transformada de Fourier de uma derivada temporal resulta em
uma multiplicação por j no domínio da frequência:

d 
F  y (t )   jY ( ) (40)
 dt 
• Por sua vez, a integração implica em uma divisão por j no domínio
da frequência:

 t
 Y ( )
F   y ( ) d     Y (0)  ( ) (41)
    j

ES704 - Aula 02 36
 4. Transformada de Fourier
 4.4. Propriedades da transformada de Fourier:
• Ajuste de escala (scaling):
• Seja a uma constante real, então

1  
F a y (t )   Y  (42)
a a
– A constante a é um fator de escala que ajusta o comprimento da
transformada de Fourier em um fator 1/a.

ES704 - Aula 02 37
 4. Transformada de Fourier
 4.4. Propriedades da transformada de Fourier:
• Dualidade:
• A transformada de Fourier e a sua transformada inversa
apresentam características de dualidade. Deste modo,

d
F  j t y (t )   Y ( ) (43)
d

 
F e j0 t y(t )  Y (  0 ) (44)

 y(t )  
F     y(0)  (t )    Y ( ) d (45)
 jt  

ES704 - Aula 02 38
 4. Transformada de Fourier
 4.4. Propriedades da transformada de Fourier:
• Convolução:
• Sejam dois sinais y1(t) e y2(t) e suas respectivas transformadas de
Fourier Y1() e Y2();
• Seja a transformada de Fourier Y():

Y ( )  Y1 ( ) Y2 ( ) (46)

• A sua transformada inversa y (t) é dada por:


y (t )   y1 ( ) y2 (t   ) d  y1 (t )  y2 (t ) (47)


ES704 - Aula 02 39
 4. Transformada de Fourier
 4.4. Propriedades da transformada de Fourier:
• Correlação:
• Seja y(t) a função de correlação entre duas funções complexas y1(t)
e y2(t):

y (t )   y1* ( ) y2 (t   ) d (48)


• A sua transformada de Fourier de y (t) é dada por:

Y ( )  Y1* ( )Y2 ( ) (49)

ES704 - Aula 02 40
 4. Transformada de Fourier
 4.4. Propriedades da transformada de Fourier:
• Teorema de Parseval:
• O teorema de Parseval define que a energia de um sinal (integral
de sua potência) é igual à integral da densidade espectral de
potência, ou seja,
 1 
 
2 2
y (t ) dt  F ( ) d (50)
 2 

– O termo no interior da integral à esquerda é a potência do sinal e o

termo no interior da integral à direita é a densidade espectral de
potência;
– O teorema de Parseval é aplicado para determinar a faixa de
frequências na qual a densidade de energia do sinal é maior.

ES704 - Aula 02 41
 5. Transformada de Fourier discreta
 5.1. Transformada de Fourier discreta:
• Na prática, os sinais medidos são amostrados e registrados na
forma de sinais discretos:
• Um conjunto de dados discreto de N valores representando o
intervalo de 0 a tf fornece uma representação do sinal para o
período de medição considerado;
• Seja um sinal contínuo y(t) medido N vezes em intervalos
uniformemente espaçados de t. A sua representação na forma
discreta é expressa por

{ y(rt )}  y(t ) (t  rt )  { y i } (51)

• onde r = 0, 1, 2, ..., N-1, e (t) é a função impulso

ES704 - Aula 02 42
 5. Transformada de Fourier discreta
 5.1. Transformada de Fourier discreta:
• A transformada discreta de Fourier (DFT) é dada por:

N 1
2
Y( fk ) 
N 
r 0
y (rt )e i 2rk N

(52)
f k  kf
f  1 N t

• onde k = 0, 1, 2, ...(N/2-1).

ES704 - Aula 02 43
 5. Transformada de Fourier discreta
 5.1. Transformada de Fourier discreta:
• δf é a resolução em frequência da DFT.
• Na DFT: trδt e f k/Nδt.
• 2/N é um fator de escala para ajustar a transformada quando
esta é obtida de um conjunto finito de dados.
• A DFT retorna os N/2 valores discretos da transformada de
{y(rδt)}. Esta é denominada transformada unidimensional, ou
meia-transformada de Fourier, retornando componentes de
frequências positivas;
• O algoritmo da transformada rápida de Fourier (FFT) permite
calcular a DFT de forma precisa e computacionalmente viável.

ES704 - Aula 02 44
 5. Transformada de Fourier discreta
 5.2. Propriedades da DFT:
• Periodicidade:
• Seja o sinal discreto x(n) e a sua transformada de Fourier X();
• A DFT X() é sempre periódica em  com período 2.
• Linearidade:
• Sejam dois sinais discretos x1 e x2 e suas respectivas DFTs X1 e X2,
então

F x1 (n)  x2 (n)  X 1 ( )  X 2 ( ) (53)

ES704 - Aula 02 45
 5. Transformada de Fourier discreta
 5.2. Propriedades da DFT:
• Simetria:
• Seja x(n) real, a DFT apresenta propriedade de simetria
Hermetiana:

X ( )  X * ( ) (54)

– Consequentemente, Re{X()} é uma função par e Im{X()} é uma

função ímpar;
– Adicionalmente, a magnitude de X() é par e a fase é ímpar.

ES704 - Aula 02 46
 5. Transformada de Fourier discreta
 5.2. Propriedades da DFT:
Translação:
 Translação temporal:

F x(n  n0 )  e  j n0 X ( ) (55)

 Translação espectral:

 
F e  j0 n x(n)  X (  0 ) (56)

ES704 - Aula 02 47
 5. Transformada de Fourier discreta
 5.2. Propriedades da DFT:
• Diferenciação e integração:
• Diferenciação discreta:

 
F x(n)  x(n  1)  1  e j X ( ) (57)

• Integração discreta:

n  1 
F   x ( m)    j
X ( )   X (0)  (  2 k ) (58)
   1 e 

ES704 - Aula 02 48
 5. Transformada de Fourier discreta
 5.2. Propriedades da DFT:
• Diferenciação em frequência:
dX ( )
F n x(n)  j (59)
d

• Teorema de Parseval:

1 2
 
2 2
x ( n )  X ( ) d (60)
 2 0

ES704 - Aula 02 49
 5. Transformada de Fourier discreta
 5.2. Propriedades da DFT:
• Convolução:

y (n)  y1 (n)  y2 (n)   y ( m) y ( n  m)
m  
1 2
(61)

F  y ( )  Y ( )  Y1 ( ) Y1 ( ) (62)

ES704 - Aula 02 50
 5. Transformada de Fourier discreta
 5.3. Fast Fourier Transform:
• Procedimento para cálculo de FFT no MATLAB:
• 0) Seja um sinal y[n] em função do tempo t[n] composto por N
valores e amostrado a um período t;
• 1) Definir a dimensão da FFT M;
– Escolher M como uma potência de 2 (128, 256, ...);
– M não precisa ser necessariamente igual a N!
• 2) Calcular a FFT Y[k] de y[n]:
– Y = fft(y,M);
– Lembre-se que a fft é unidimensional, sendo que M/2 valores são
espelhados no eixo de frequências positivas.

ES704 - Aula 02 51
 5. Transformada de Fourier discreta
 5.3. Fast Fourier Transform:
• Procedimento para cálculo de FFT no MATLAB:
• 3) Definir o eixo da frequência:
– f = 1/(N*t);
– f = [ 0: f : (N-1)*f];
• 4) Plotar espectro de magnitude:
– mY = abs(Y);
– plot(f(1:M/2),mY(1:M/2));
– Como a transformada é unidimensional, basta plotar metade do
espectro.

ES704 - Aula 02 52
 5. Transformada de Fourier discreta
 5.3. Fast Fourier Transform:
• Procedimento para cálculo de FFT no MATLAB:
• 5) Plotar espectro de fase:
– pY = angle(Y);
– plot(f(1:M/2),pY(1:M/2));
• 6) Plotar espectro de potência:
– Pyy = Y.*conj(Y);
» Logarítmico: Pyy = 10*log10(Pyy);
– plot(f(1:M/2),Pyy(1:M/2));
– Lembre-se que Y() é um número complexo!

ES704 - Aula 02 53
 5. Transformada de Fourier discreta
 5.3. Fast Fourier Transform:
• Procedimento para cálculo de FFT no MATLAB:
• Observações:
– Para calcular a fft com simetria em 0, utilizar a função Y0 = fftshift(Y);
– Para reduzir o efeito de leakage, associado ao surgimento de ruído
espectral, pode-se aplicar uma função de janelamento sobre o sinal no
tempo y(t);
– O efeito de aliasing deve ser corrigido na amostragem, e não no
processamento em frequência;
– Lembre-se que o espectro pode conter informação das frequências
estacionárias e não-estacionárias.

ES704 - Aula 02 54
 6. Transformada Hilbert
 6.1. Análise do envelope de um sinal:
• Em diversos fenômenos físicos são gerados sinais formados
pela composição de diferentes formas de onda agrupadas no
tempo e no espaço (Ex: batimento de ondas);
• Uma senoide modulada em
amplitude e frequência
pode ser descrita pelas
funções que definem os
seus contornos superior
e inferior, denominadas
envelopes.

ES704 - Aula 02 55
 6. Transformada Hilbert
 6.1. Análise do envelope de um sinal:
• Um sinal aleatório y(t) pode ser representado como o produto de
duas funções independentes

y (t )  A(t ) cos  (t ) (63)

• A: amplitude ou envelope do sinal;

• : fase instantânea.
• Os valores de envelope e fase podem ser representados como
um número complexo, de acordo com a fórmula de Euler, ou
então como a composição de duas funções u(t) e v(t) :

y (t )  u(t )  jv (t ) (64)

ES704 - Aula 02 56
 6. Transformada Hilbert
 6.1. Análise do envelope de um sinal:
• A transformada Hilbert define que a relação y(t) é descrita por
um sinal x(t) e a sua transformada Hilbert H[x(t)], tal que

y (t )  x(t )  j H [ x(t )]  x(t )  j xˆ (t ) (65)

• O envelope A(t) é dado por

A(t )  x 2 (t )  xˆ 2 (t ) (66)

• A fase instantânea é dada por

 (t )  tan1 xˆ (t ) x(t ) (67)

ES704 - Aula 02 57
 6. Transformada Hilbert
 6.2. Transformada Hilbert:
• A transformada Hilbert da função x(t) é definida por

1 1
H [ x(t )]  xˆ (t )   x( ) d (68)
  t 
• Note que a integral em questão é justamente a integral de
convolução entre as funções t-1 e x(t), ou seja

1
xˆ (t )   x(t ) (69)
t

ES704 - Aula 02 58
 6. Transformada Hilbert
 6.2. Transformada Hilbert:
• A transformada de Fourier de (t)-1 é

1
F     j sgn  (70)
 t 
• sgn é uma função que retorna +1, 0 ou -1 dependendo do sinal de
;

 1,   0

sgn   0,   0 (71)
 1,   0


ES704 - Aula 02 59
 6. Transformada Hilbert
 6.2. Transformada Hilbert:
• Assim, a transformada de Fourier da transformada Hilbert é
dada por

1 
F xˆ (t )  F   x(t )   j sgn( ) X ( ) (72)
 t 
• ou seja,

 j X ( ),   0

F xˆ (t )   0,   0 (73)
 j X ( ),   0


ES704 - Aula 02 60
 6. Transformada Hilbert
 6.2. Transformada Hilbert:
• Consequentemente, a transformada Hilbert pode ser obtida a
partir da transformada de Fourier inversa:

xˆ (t )  F 1 j X ( )   j x (t ) (74)

• para   ;
• Assim, pode-se concluir que:

 x (t )  a  j 0  a0
 (75)
 ˆ
x (t )   j a  a  tan 1
    a  
2

ES704 - Aula 02 61
 6. Transformada Hilbert
 6.2. Transformada Hilbert:
• No domínio da frequência, a transformada Hilbert de uma
função é interpretada como um deslocamento de 90° em fase;
• Sabe-se que X() é um número complexo, ou seja, o
deslocamento de fase é interpretado como uma inversão na
magnitude das partes real e imaginária de X();
• Este resultado implica que:
• Se x(t) é um seno, H[x(t)] é um cosseno;
• Se x(t) é um cosseno, H[x(t)] é um seno negativo.

ES704 - Aula 02 62
 6. Transformada Hilbert
 6.3. Cálculo do envelope de um sinal:
• Se x(t) é uma função seno modulada, a transformada Hilbert
H[x(t)] será um cosseno com mesma modulação de amplitude e
fase. A diferença será somente a defasagem de90°;
• Do cálculo do envelope A(t):

A(t )  x 2 (t )  xˆ 2 (t ) (76)

• ou seja, A(t) será igual à amplitude do contorno do sinal para cada

instante de tempo.

ES704 - Aula 02 63
 6. Transformada Hilbert
 6.3. Cálculo do envelope de um sinal:
• Função senoidal, transformada Hilbert, e envelope do sinal.

ES704 - Aula 02 64
 7. Análise de sinais não-estacionários
 7.1. Sinais não-estacionários:
• A transformada de Fourier permite realizar análise em
frequência de um sinal periódico ou aperiódico;
• Contudo, uma vez no domínio da frequência, a informação
temporal é perdida, ou seja, não é possível identificar o instante
de um evento (por exemplo, variação na amplitude ou
frequência do sinal);
• A transformada de Fourier apresenta limitações na análise de
sinais não-estacionários, com drifts, tendências, ou variações
abruptas de comportamento;
• Exemplos: música, voz, tremores sísmicos, etc.

ES704 - Aula 02 65
 7. Análise de sinais não-estacionários
 7.2. STFT:
• Short-time Fourier Transform (STFT) ou Windowed Fourier
Transform (WFT): Modificação da FT, onde o sinal é dividido
em partes (janelamento);
• Permite mapear as componentes espectral e temporal, cuja
resolução é limitada pelos parâmetros de janelamento (largura,
função da janela, etc.);
• A função de janelamento varre a função no domínio do tempo e
da frequência, permitindo correlacionar os eventos espectrais à
evolução do sinal no tempo.

ES704 - Aula 02 66
 7. Análise de sinais não-estacionários
 7.2. STFT:
• Função de janelamento:
• Seja um sinal f(t,) caracterizado por seus atributos no tempo t e
em frequência ;
• O sinal f(u) é caracterizado por um intervalo de tempo
u  t – T, onde T é a duração do intervalo amostrado, ou seja,
compreendendo somente os valores que já ocorreram no tempo;
• Seja g(u) uma função de janelamento que assume valores não-
nulos somente para o intervalo –T  u  0. Para cada valor de tempo
t existe um sinal janelado ft(u)

f t (u)  g (u  t ) f (u) (75)

ES704 - Aula 02 67
 7. Análise de sinais não-estacionários
 7.2. STFT:
• Função de janelamento:
• Assim, a STFT é definida por
 

 f t (u ) e  2  j  u du  
2  j u
Ft ( )  g (u  t ) f (u ) e du (76)
 

• A STFT depende de f(u) apenas para t – T  u  t;

• A escolha da função de janelamento depende da aplicação
(quadrada, gaussiana, hanning, etc.)

ES704 - Aula 02 68
 7. Análise de sinais não-estacionários
 7.2. STFT:
• Função de janelamento:

ES704 - Aula 02 69
 7. Análise de sinais não-estacionários
 7.2. STFT:
• Spectrogram:

ES704 - Aula 02 70
 7. Análise de sinais não-estacionários
 7.2. STFT:
• Spectrogram:

ES704 - Aula 02 71
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Análise de wavelets (ondaletas):
• Técnica onde o sinal é
fragmentado com janelas
de dimensões variáveis;
• As dimensões podem
ser ajustadas de acordo
com a precisão desejada
(regiões de baixas ou altas
frequências);

ES704 - Aula 02 72
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Análise de wavelets (ondaletas):
• O sinal no domínio wavelet é representado em escala em função
do tempo;
• A informação de escala pode ser posteriormente correlacionada
com a frequência;
• A análise wavelet permite identificar descontinuidades em um sinal
não-estacionário, como picos, falhas, ou mudanças de padrões no
sinal.

ES704 - Aula 02 73
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Wavelet:
• Forma de onda com duração
limitada e valor médio nulo;
• Na análise de Fourier, os
sinais são decompostos em

Amplitude
somas de funções seno e
cosseno;
• Na análise wavelet, os
sinais podem ser
representados por
combinações de diferentes
wavelets.
Tempo

ES704 - Aula 02 74
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Transformada wavelet contínua (CWT):
• Uma família de wavelets u,a é definida pelo conjunto de funções:

1 t b 
 a ,b (t )    (78)
a  a 
– a é o parâmetro de escala da wavelet (deformação);
– b é o parâmetro de translação da wavelet (“tempo” ou “espaço”);
• Existe diferentes funções que satisfaçam (78), definindo as diversas
famílias de Wavelets.

ES704 - Aula 02 75
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Scaling: multiplicação do wavelet por um fator de escala 
resulta na deformação (“stretching”) de ;
• Shifting: deslocamento da função wavelet no tempo (“delay”).

Wavelet Scaling Shifting

1 1 1

0 0 0

-1 -1 -1
-5 0 5 -5 0 5 -5 0 5

ES704 - Aula 02 76
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Famílias de 2
Daubechies - db4
2
Symlet - sym4
2
Coiflet - coif3

wavelet: 1
1 1
• Existem 0

diferentes 0
-1
0

funções wavelet, -1 -2 -1
com propriedades
particulares em Biorthogonal - bior2.4 Mexican Hat - mexh Morlet - morl
2 1 1
termos de simetria,
0.5
regularidade, 1 0.5

convergência, etc.; 0
0 0
-0.5

-1 -0.5 -1

ES704 - Aula 02 77
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Aplicação da WT :
• Seja um sinal f(t) e uma função wavelet (a,b);
• 1) Compare  com um segmento inicial de f;
• 2) Calcule o coeficiente de correlação C, que representa o quão 
semelhante é do segmento de sinal analisado;
• 3) Desloque o sinal e repita os passos 1 e 2 para o próximo
segmento;
• 4) Aumente a escala de  e repita os passos de 1 a 3;
• 5) Plote os coeficientes em função do tempo e das escalas;

ES704 - Aula 02 78
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Aplicação da WT :

ES704 - Aula 02 79
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Aplicação da WT :

Magnitude
dos
coeficientes

Scales

Shift

ES704 - Aula 02 80
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Informação de frequência:
• A escala (ou seja, o ‘stretching’) está relacionada com a frequência
da porção do sinal analisado:
– Menor escala  Sinal comprimido  Maior frequência;
– Maior escala  Sinal esticado  Menor frequência;

ES704 - Aula 02 81
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Informação de frequência:
• Uma função wavelet pode ser associada a uma função senoidal, de
forma que frequência central Fc do wavelet seja aproximada à
frequência da senóide;
• A pseudo-frequência Fa de um wavelet é calculada por:

Fc
Fa  (80)
aT
– a: escala;
– T: período de amostragem.

ES704 - Aula 02 82
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Informação de frequência:
• Pseudo-frequência Fa
de uma wavelet associada
a uma função senoidal
de frequência Fc.

ES704 - Aula 02 83
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Transformada wavelet discreta (DWT):
• Um sinal pode ser decomposto em componentes de alta
frequência (detalhes) e de baixa frequência (aproximações);
• Seja um sinal S composto por N valores, a DWT decompõe S em
coeficientes de aproximação cA e coeficientes de detalhes cD,
sendo que cA e cD são compostos por N/2 valores
(‘downsampling’).

ES704 - Aula 02 84
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Transformada wavelet discreta (DWT):
• Decomposição de um sinal.

ES704 - Aula 02 85
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Transformada wavelet discreta (DWT):
• Decomposição de um sinal em múltiplos níveis.

ES704 - Aula 02 86
 7. Análise de sinais não-estacionários
 7.3. Transformada wavelet:
• Transformada wavelet discreta inversa (IDWT):
• O sinal decomposto pode ser reconstruído a partir dos coeficientes
de aproximação e detalhes;
• A IDWT consiste no processo de ‘upsampling’ (preenchimento de
cA ou cD com zeros para atingir tamanho N) e filtragem (para
cancelamento de ruído espectral durante a reconstrução).

DS US

ES704 - Aula 02 87
 Referências bibliográficas
 Adeli, H. et al. Analysis of EEG records in an epileptic patient using
wavelet transform. J. Neurosci. Meth., v.123, pp.69-87, 2003.
 Benitez, D. et al. The use of Hilbert transform in ECG signal
analysis. Comput. Biol. Med., v.31, pp.399-406, 2001.
 Cizek, V. Discrete Hilbert transform. IEEE T. Acoust. Speech, v.18,
pp.340-343, 1970.
 Ellis, D. The fast Fourier transform. Columbia University, 2013.
 Feldman, M. Hilbert transform in vibration analysis. Mech. Syst.
Signal Pr., v.25, pp.735-802, 2011.
 Figliola, R.S.; Beasley, D.E. Theory and Design for Mechanical
Measurements. Hoboken: Wiley, 2011.
 Garello, R. Two-Dimensional Signal Analysis. Hoboken: Willey,
2008.

ES704 - Aula 02 88
 Referências bibliográficas
 Gomes, J.; Velho, L. From Fourier Analysis to Wavelets. New York:
Springer, 2010.
 Graps, A. An introduction to wavelets. IEEE Comput. Sci. Eng., v.2,
pp.50-61, 1995.
 Kaiser, G. A Friendly Guide to Wavelets. New York: Springer, 2011.
 Li, T. et al. A survey on wavelet applications in data mining. ACM
SIGKDD Explor. Newsl., v.4, pp.49-68, 2002.
 Oppenheim, A.V.; Willsky, A.S.; Young, I.T. Signals and Systems.
New Jersey: Prentice Hall, 1983.
 Saleh, B.E.A; Teich, M.C. Fundamentals of Photonics. New York:
Wiley, 1991.
 Wavelet Toolbox. Mathworks, 2007.

ES704 - Aula 02 89
 Exercícios

ES704 - Aula 02 90
 Exercícios
 Ex. 2.1) Sejam os sinais periódicos representados pelas funções
abaixo, calcule o valor médio e o valor rms para cada sinal:
• a) Senoidal:
y (t )  A sin  t 
• b) PWM:
 y (t )  A, 0  t  ton

 y (t )  0, ton  t  T
• c) Dente-de-serra:
A
y (t )  t
T

ES704 - Aula 02 91
 Exercícios
 Ex. 2.2) Seja um sinal y(t), demonstre as seguintes propriedades da
série de Fourier:
• a) Se y(t) for par, a série de Fourier contém somente termos
cosseno;
• b) Se y(t) for ímpar, a série de Fourier contém somente termos
seno;
• c) Se y(t) tem média zero, o termo A0 é igual a zero.

ES704 - Aula 02 92
 Exercícios
 Ex. 2.3) Considere o sinal y(t) apresentado no gráfico abaixo
1
y(t)

0.5

0
-4 -2 0 2 4
Tempo t (s)

• a) Determine a função que representa este sinal;

• b) Determine o período e a frequência deste sinal;
• c) Encontre os coeficientes da série de Fourier;
• d) Calcule as somas parciais da série de Fourier para esta
função.

ES704 - Aula 02 93
 Exercícios
 Ex. 2.4) Seja a função periódica:

 5, se    t  0
y (t )  
 5, se 0  t  

• a) Encontre os coeficientes de Fourier;

• b) Obter as somas parciais da série de Fourier para esta função;

ES704 - Aula 02 94
 Exercícios
 Ex. 2.5) Seja os sinal:

1, se t  T1
y (t )  
0, se t  T1

• a) Calcule a transformada de Fourier;

• b) Apresente os espectros de amplitude, fase e potência;
• c) Calcule a transformada inversa de Y().

ES704 - Aula 02 95
 Exercícios
 Ex. 2.6) Calcule a transformada de Fourier das seguintes funções:
• a) Decaimento exponencial:

 0, t  0
y (t )   t
e , t  0
• b) “Pulso” triangular:

ES704 - Aula 02 96
 Exercícios
 Ex. 2.7) Desafio! Qual é a transformada de Fourier das seguintes
funções?
• Seno:
y (t )  sin( t )

• Gaussiana:

y(t )  exp  a 2 t 2 
• Arfken, G.B.; Weber, H.J. Mathematical Methods for Physicists.
Oxford: Elsevier, 2005.

ES704 - Aula 02 97
 Exercícios
 Ex. 2.8) Dado o sinal

y (t )  10 sin 2t 

• a) Representar o sinal em um conjunto de dados de 8 valores

utilizando um período de amostragem de 125 ms;
• b) Calcular a DFT deste sinal;
• c) Calcular (computacionalmente) a transformada de Fourier
deste sinal;
• d) Obter os espectros de amplitude, fase e potência.

ES704 - Aula 02 98
 Exercícios
 Ex. 2.9) Sejam os sinais:

y1 (t )  sin(400 t )
y2 (t )  2 sin(150 t )
y (t )  y1 (t )  y2 (t )

• a) Calcule a transformada de Fourier de cada sinal (escolha os

valores de t e N de forma conveniente);
• b) Apresente os espectros de amplitude, fase e potência.

ES704 - Aula 02 99
 Exercícios
 Ex. 2.10) Para os sinais abaixo:

y (t )  10 sin 2t 

y (t )  sin 20t  cos0.2t 

• a) Calcule a transformada Hilbert;

• b) Calcule a transformada Hilbert através da transformada de
Fourier;
• c) Plote os envelopes de cada transformada e compare os
resultados.

ES704 - Aula 02 100

 Exercícios
 Ex. 2.11) Procedimento para calcular a transformada Hilbert de uma
função y(t):
• 1) Calcule a fft de y(t), Y();
• 2) Calcule a transformada inversa de –j*sgn()*Y(). Lembre-se
que a fft gera um sinal espelhado em frequência. Portanto,
remova as frequências maiores que *(N-1)/2;
• 3) O número complexo resultante é a transformada Hilbert do
sinal;
• 4) Para obter o envelope, calcule o valor absoluto.

ES704 - Aula 02 101

 Exercícios
 Ex. 2.12) Seja o sinal:

sin 20  t , 0  t  2.5

sin 40  t , 2.5  t  5

y (t )   1
 2 sin 20  t , 5  t  7.5
sin 10  t , 7.5  t  10

• a) Calcule a transformada de Fourier;

• b) Calcule a STFT, considerando a fragmentação do sinal em 20
janelas;
• c) Calcule a CWT variando o tipo de wavelet e número de
escalas;
• d) Calcule a DWT para 3 decomposições.

ES704 - Aula 02 102