Ficha de uso
Introducción
Señales cuyo espectro cambia
La DFT de una señal entera dice qué frecuencias contiene, pero no cuándo. En la voz, la música, un chirp de radar o una avería que aparece en una máquina, el contenido en frecuencia cambia con el tiempo y lo que interesa es justo ese cambio.
Definición
La transformada de Fourier de tiempo corto (STFT) corta la señal en tramos con una ventana w[n] de L muestras que avanza R muestras, y calcula la DFT de N puntos de cada tramo:
X[m, k] = Σ_n x[n] w[n − mR] e−j2πkn/N.
El índice m es el tramo (el instante t_m = (mR + L/2)/f_s) y k la frecuencia (f_k = k f_s/N). El espectrograma es |X[m, k]|², normalmente en dB, dibujado como una imagen con el tiempo en horizontal y la frecuencia en vertical.
Los parámetros
- L fija la resolución. Un tramo de L/f_s segundos no distingue sucesos más próximos que esa duración, y su espectro es el de la señal convolucionado con el de la ventana, cuyo lóbulo principal mide 2f_s/L (rectangular), 4f_s/L (Hann, Hamming) o 6f_s/L (Blackman) entre ceros.
- R es el salto entre tramos: cuántos espectros por segundo se calculan. No cambia la resolución, solo lo densa que es la rejilla en el tiempo. Lo habitual es un solapamiento L − R del 50 al 75 %.
- N ≥ L rellena con ceros: muestrea más finamente el mismo espectro, pero no separa mejor dos tonos.
Síntesis por solapamiento y suma
Si se calcula la IDFT de cada tramo y se suman todos en su posición, se obtiene x[n] multiplicada por Σ_m w[n − mR]. Cuando esa suma es una constante C (condición COLA, constant overlap-add), la señal se recupera dividiendo por C. La Hann periódica la cumple con R = L/2 o L/4, la rectangular con R = L. Así se modifica una señal tramo a tramo (por ejemplo, para quitar ruido) y se vuelve al tiempo.
Guía de uso
- Señal: un chirp de 100 a 1500 Hz con un tono de 1200 Hz entre 0,4 y 0,8 s y un clic en 1,1 s; dos tonos sucesivos de 500 y 1200 Hz; o una voz sintética cuyo tono sube de 110 a 150 Hz y cuyos formantes pasan de /a/ a /i/. Se muestrea a f_s = 4000 Hz durante 1,5 s.
- Ventana, L, solapamiento y N son los parámetros de la STFT. Las ventanas son periódicas, las que cumplen COLA.
- Instante del tramo elige un tramo: se ve sombreado sobre la señal, marcado en el espectrograma y con su espectro a la derecha.
- Abajo, la reconstrucción por solapamiento y suma dividida por C y, a trazos, la suma de las ventanas. El recuadro da R, el número de tramos, las resoluciones, C, el rizado de la suma y el error de la reconstrucción.
Ejercicios
1. Los números de partida. Con Hann, L = 128, 75 % y N = L, ¿cuánto duran los tramos y cada cuánto se calcula uno? ¿Cuántos tramos hay? ¿Qué separación hay entre frecuencias de la DFT y cuánto mide el lóbulo principal?
Solución
Los tramos duran 128/4000 = 32 ms y avanzan R = 32 muestras, 8 ms. Hay ⌊(6000 − 128)/32⌋ + 1 = 184 tramos. Las frecuencias de la DFT están separadas f_s/N = 31,25 Hz y el lóbulo principal de Hann mide 4f_s/L = 125 Hz entre ceros. Es el mismo cálculo que el ejercicio 1 de la hoja, con otros números.
2. El chirp. Con la primera señal, lleva el tramo a t = 0,5 s. ¿En qué frecuencia está el máximo? ¿Cuánto cambia la frecuencia del chirp dentro de una ventana de 128 muestras, y de una de 512?
Solución
La frecuencia instantánea es 100 + (1400/1,5)t = 100 + 933t Hz: en t = 0,5 s, unos 567 Hz. Dentro de 32 ms cambia 933 · 0,032 ≈ 30 Hz, menos que el lóbulo de 125 Hz: el chirp se ve como una línea fina. Con L = 512 (128 ms) cambia 119 Hz, mucho más que el lóbulo de 31 Hz de esa ventana, y la línea se ensancha. El tono de 1200 Hz, en cambio, sale más fino con L = 512.
3. El clic y la duración de la ventana. Mira el clic de 1,1 s con L = 32, 128 y 512. ¿Cuánto dura en el espectrograma? ¿Y qué le pasa al tono de 1200 Hz?
Solución
El clic ocupa todas las frecuencias durante el tiempo en que está dentro de alguna ventana, unos L/f_s: 8, 32 y 128 ms. El tono hace lo contrario: con L = 32 es una banda de 500 Hz de anchura (el lóbulo 4f_s/L) y con L = 512 de 31 Hz. No hay una L que dé a la vez el clic fino y el tono fino: es el principio de incertidumbre, que se estudia en [Resolución en tiempo y en frecuencia](T5-resolucion-tiempo-frecuencia.html).
4. La condición COLA. Recorre las ventanas y los solapamientos. ¿Qué combinaciones cumplen COLA y cuánto vale C? ¿Qué pasa con Blackman al 50 %? ¿Y con Hann sin solapamiento?
Solución
Hann: C = 1 al 50 % y C = 2 al 75 % (se solapan el doble de ventanas). Hamming: 1,08 y 2,16, como en el ejercicio 4 de la hoja. Rectangular: C = 1 sin solapar, 2 al 50 % y 4 al 75 %. Blackman al 50 % no la cumple (la suma tiene un rizado del 38 %) y necesita el 75 %. Con Hann sin solapamiento la suma se anula en los extremos de cada tramo, el rizado es del 200 % y la señal reconstruida desaparece cada 32 ms. Al 25 % no la cumple ninguna. Cuando se cumple, el error de reconstrucción es prácticamente nulo, del orden de 10−15.
5. Banda estrecha y banda ancha. Con la voz sintética, compara L = 512 y L = 32 con Hann al 75 %. ¿Qué se ve en cada caso? ¿Qué longitud mínima separa los armónicos de un tono de 110 Hz?
Solución
Con L = 512 (128 ms, lóbulo de 31 Hz) se ven los **armónicos** del tono glotal como líneas horizontales separadas 110 a 150 Hz que suben poco a poco: es el espectrograma de banda estrecha. Con L = 32 (8 ms, lóbulo de 500 Hz) los armónicos se funden y se ven las **formantes**, las bandas anchas que se mueven de 700 y 1100 Hz a 300 y 1800 Hz, y rayas verticales en cada pulso glotal: es el de banda ancha. Para separar armónicos a 110 Hz con Hann hace falta 2f_s/L ≤ 110, es decir, L ≥ 73 muestras (18 ms).
Para profundizar
- Apuntes del Tema 5, sección 1 (Transformada de Fourier de tiempo corto).
- Transparencias T5-01, parámetros, espectrograma y solapamiento y suma.
- Hoja de ejercicios del Tema 5, ejercicios 1, 3 y 4, y sus soluciones.
- A. V. Oppenheim y R. W. Schafer, Discrete-Time Signal Processing, 3.ª ed., Pearson, 2010, apartados 10.3 a 10.5.
Relación con otros conceptos