Analisi multi-scala

ANALISI CONGIUNTA TEMPO-FREQUENZA MEDIANTE WAVELETS

Nell’analisi tempo-frequenza finora trattata le finestre temporali con cui si divide il segnale hanno durata costante.

Le WAVELETS sono delle particolari finestre-filtri con dimensione variabile:

lunghi intervalli laddove si vuole avere risoluzione in frequenza buona (in bassa frequenza) e intervalli corti laddove si vuole
avere risoluzione in frequenza peggiore (in alta frequenza).

Segnale a bassa frequenza f=2 Hz

0
Tempo di acquisizione 2s

-1
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 s
1
Segnale ad alta frequenza f=20 Hz
Tempo di acquisizione 0.2s
0 Il tempo di acquisizione può essere inferiore perché il
segnale cambia più rapidamente e pertanto la risoluzione
in frequenza può essere maggiore, essendo l’inverso del
-1 tempo di acquisizione.
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 s
ANALISI CONGIUNTA TEMPO-FREQUENZA MEDIANTE WAVELETS

Nell’analisi tempo-frequenza finora trattata, che si basa sulla trasformata di Fourier, le probing functions sono delle funzioni
sinusoidali di varie frequenze.

Nell’analisi con wavelets le probing functions sono forme d’onda di durata variabile e forme particolari.

La trasformazione tempo-frequenza non è altro che una correlazione tra il segnale da trasformare e una probing function f:

X (t , m) =  x( ) f (t −  )
−
m d

Nella STFT la probing function è una sinusoide (e-2πfτj):


STFT (t , f ) =  x ( (
) w(t −  ) e )
− 2fj
d
−
ANALISI CONGIUNTA TEMPO-FREQUENZA MEDIANTE WAVELETS

La trasformata wavelet introduce una probing function detta MOTHER WAVELET (wavelet madre) che dà origine a una
famiglia di wavelets ottenute dilatando e comprimendo e traslando la mother wavelet, ψ:

t −b
 
 a 

Dove t è il vettore tempo, b il parametro di traslazione nel tempo e a il parametro di dilatazione e compressione nel tempo.

Le wavelet figlie si ottengono dalla wavelet madre con questo processo:

Traslazione nel tempo

−1 t −b
 a ,b (t ) =| a | 2
 
 a 
Dilatazione in ampiezza

a = fattore di scala (ordinata)

b = fattore di traslazione temporale (ascissa)
ANALISI CONGIUNTA TEMPO-FREQUENZA MEDIANTE WAVELETS
Consideriamo una wavelet di Morlet reale (una delle prime introdotte), la wavelet madre si ha per a=1:

 (t ) = e −t 2
cos( 2 ln 2t )

Se la scaliamo con a = 0.5, 2 e 4 senza operare nessuna traslazione, avremo 3 wavelet figlie:

−t 2
 2 
 (t ) =
−1 e
 a (t ) =| a | 2
cos  t 
a  ln 2 

In figura sono rappresentate le wavelets

ottenute dalla wavelet madre di Morlet per
a=1.

Per a=0.5 si ha una compressione nel tempo

della wavelet madre mentre per a=2 e a=4 si
ha una dilatazione.
ANALISI CONGIUNTA TEMPO-FREQUENZA MEDIANTE WAVELETS

Se si osservano le 4 wavelet si deduce che al diminuire della scala a, le wavelet possono essere considerate dei segnali
con contenuto in frequenza sempre più alto.
Pertanto scala e frequenza rappresentano lo stesso fenomeno ma sono inversamente proporzionali.
ANALISI CONGIUNTA TEMPO-FREQUENZA MEDIANTE WAVELETS

Frequenza aumenta

a=0.5

a=1

a=2

a=4

Scala aumenta
LA TRASFORMATA WAVELET CONTINUA (Continuous Wavelet Transform CWT)

La trasformata wavelet del segnale x(t) si ottiene effettuando una correlazione del segnale x(t) con la probing function, Ψ,
che è la wavelet madre che viene traslata e compressa nel tempo:

1 t −b 
W ( a, b) =  x(t )   dt
*

− a  a 

Dove b è il parametro che fa traslare nel tempo la wavelet madre attraverso x(t) e a è il parametro che fa dilatare o
comprimere nel tempo la wavelet madre, che pertanto ne effettua una scalatura. a viene detto parametro di scala e per
questo la trasformazione viene spesso chiamata trasformazione tempo-scala, ovvero b-a.
Se a>1 la wavelet madre viene dilatata, se a<1 la wavelet madre viene compressa.

• Indica il complesso coniugato.

La scalatura in ampiezza per 1 a permette di mantenere la stessa energia per tutti i valori di a.

La wavelet madre si ha per a=1 e b=0.

LA TRASFORMATA WAVELET CONTINUA (Continuous Wavelet Transform CWT)
Il risultato della trasformazione è una serie di coefficienti W ( a, b) che descrivono la correlazione tra il segnale x(t) e la wavelet
a varie traslazioni e scale. Tali coefficienti rappresentano l’ampiezza di una serie di wavelets a diverse traslazioni (b) e scale (a)
che devono essere sommate per ricostruire il segnale originale.

Se la wavelet madre è stata scelta in maniera appropriata è possibile ricostruire il segnale originale dai coefficienti wavelets
come avviene per la trasformata di Fourier e pertanto si può effettuare una trasformata wavelet inversa:
 
W (a, b) a ,b (t ) da db
1
x(t ) =  
C a =− b =−

 ( )
2

dove C= 
−

d e 0<C<∞ (condizione di ammissibilità).

 ( ) è la trasformata di Fourier della wavelet e ω il vettore frequenza.

LA TRASFORMATA WAVELET CONTINUA (Continuous Wavelet Transform CWT)

1. La wavelet viene correlata al segnale (x(t)). Il fattore di correlazione C è il coefficiente della

wavelet.

2. Si sposta la wavelet lungo l’asse dei tempi (traslazione) e si continua la traslazione finché
non si è coperto tutto il segnale.
LA TRASFORMATA WAVELET CONTINUA (Continuous Wavelet Transform CWT)

3. Si dilata (scala) la wavelet e si ripete da 1 a 2, operando tutte le traslazioni.

Il coefficiente è > perché la

wavelet dilatata è più correlata a
questa parte di segnale che ha un
contenuto in bassa frequenza

4. Si ripete da 1 a 4 per tutte le scale.

LA TRASFORMATA WAVELET DISCRETA (Discrete Wavelet Transform DWT)

Per una sequenza discreta xm al tempo t=mdt (m=0,1,…,N)

anche il fattore di traslazione nel tempo sarà discreto b=ndt (n=0,1,…,N)

con dt=intervallo di campionamento

N t −b N  (m − n)dt 
Wn (a j ) =  xm   =  xm 
* * 
 a  m =0  a 
m =0  j   j 

Anche a è discretizzato:

a j = a0 2 j
Tempo e scala sono legati
a0 = 2d t
LA TRASFORMATA STFT E DWT

L’analisi di Fourier suddivide il segnale in onde sinusoidali di diversa frequenza: l’onda base è la
sinusoide.
Il segnale è approssimato con una serie di sinusoidi di diversa ampiezza e frequenza.

L’analisi WAVELETS suddivide il segnale in versioni traslate nel tempo e scalate in ampiezza
dell’onde base detta wavelet.

FREQUENZA
LA TRASFORMATA STFT E DWT

L’analisi wavelet è pertanto detta multiscala e quindi multi frequenza perché usa una
risoluzione variabile sia in frequenza sia nel tempo. Naturalmente, poiché risoluzione in
frequenza e risoluzione nel tempo sono inversamente proporzionali, si avrà buona
risoluzione in frequenza e cattiva risoluzione nel tempo a bassa frequenza e viceversa
ad alta frequenza.
La principale differenza con l’analisi STFT in termini di risoluzione viene spiegata nelle
prossime due slides.
LA TRASFORMATA STFT E DWT

Risoluzione tempo-frequenza nella STFT

buona risoluzione in buona risoluzione nel

frequenza → bassa tempo → bassa
risoluzione nel tempo risoluzione in frequenza
LA TRASFORMATA STFT E DWT

Risoluzione tempo-frequenza nella trasformata wavelet

buona risoluzione
in frequenza a
bassa frequenza
dove occorre
risolvere piccoli
valori di frequenza,
scarsa risoluzione
in frequenza ad
alta frequenza
Esempi di wavelet

L’analisi wavelet suddivide il segnale in onde wavelet generate dalla dilatazione (variazione di
ampiezza) e traslazione (nel tempo) della wavelet madre.
Esistono tanti tipi di wavelets: quella di Haar è una funzione a gradino, quelle di Debauchis sono
ortonormali, quelle simlets sono simmetriche.
Abbiamo già visto la wavelet di Morlet: sinusoide smorzata, utile nella diagnostica di difetti che
producono urti.

2
−t
 (t ) = e 2
e j0t

Frequenza della wavelet

decadimento
Esempi di wavelet

Ci sono poi le wavelet di Debauchis che sono di vario ordine dbN, con N l’ordine della wavelet.
E’ una wavelet asimmetrica e irregolare.
Esempi di wavelet

Esistono poi wavelet irregolari, simili alla Deabauchis, che sono utili per studiare segnali con
brusche variazioni (discontinuità). Infatti questo tipo di wavelet evidenziano caratteristiche
locali.
Esempi di wavelet

Esempio di segnale con una brusca variazione (discontinuità) e sua trasformata wavelet. La
trasformata evidenzia in maniera lampante la discontinuità.
1
discontinuità

-1
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
ANALISI WAVELET: caratteristiche tempo-frequenza

Nell’analisi multiscala si utilizzano probing functions che vengono traslate nel tempo e dilatate in scala.

f=1
a=1
Il concetto di scala è
analogo a quello della
f=2
frequenza che si applica
nell’analisi di Fourier. a = 1/2
Per sinusoidi, la scala a è
direttamente legata alla f=4
frequenza f →
a = 1/4

f=6
a = 1/6
ANALISI WAVELET: caratteristiche tempo-frequenza
Nell’analisi multiscala si utilizzano probing functions che vengono traslate nel tempo e dilatate in scala. In questo grafico sono
plottate 4 wavelet di Morlet per 4 scale diverse: 0.5, 1, 2, 4:

a = 0.5
Anche per le wavelet, la f=2
scala (a) più alta
approssima la frequenza
( f ) più bassa: a=1
f=1

a=2
f = 1/2

a=4
f = 1/4
ANALISI WAVELET: caratteristiche tempo-frequenza

Processo di scala o di dilatazione: a destra sono riportate le wavelet nel dominio del tempo, a sinistra la loro FFT, cioè le wavelet
nel dominio della frequenza.

Scala piccola (0.5) → ampio contenuto in

corta durata, buona frequenza (bassa
risoluzione temporale risoluzione in
frequenza) e spettro
centrato a frequenza
più alta

Scala grande (4) → contenuto in

lunga durata, bassa frequenza limitato
risoluzione temporale (bassa risoluzione in
frequenza) e spettro
FFT centrato a frequenza
più bassa
ANALISI WAVELET: caratteristiche tempo-frequenza
Si osserva che dilatando la scala (cioè aumentando a), aumenta la durata nel tempo e diminuisce il contenuto in frequenza. Si osservi quello che
avviene aumentando la scala (a=0.5, 1, 2, 3) di una wavelet di tipo mexican hat.
ANALISI WAVELET: caratteristiche tempo-frequenza
Si deduce che il prodotto durata-range in frequenza è costante (invariante con il variare della scala) e questa è una caratteristica tipica della
trasformazione wavelet. Se si effettua un plot tempo-frequenza in cui si riporta la durata sulle ascisse e il range in frequenza sulle ordinate, si può
verificare questa caratteristica. Si nota infatti che il rettangolo dato dal prodotto durata temporale x range di frequenza ha sempre la stessa area,
qualsiasi sia a.