Вы находитесь на странице: 1из 25

SINAIS EM TEMPO DISCRETO

AULA 1

Prof. Eng. Viviana Raquel Zurro MSc.


Conversa inicial
Caro aluno, este é um guia de estudos. Material de estudo, exemplos e
exercícios resolvidos estão disponíveis no Livro Texto e no material de leitura
obrigatória disponibilizados na Aula.
Nesta aula desenvolveremos estudos sobre sinais em tempo discreto.
Inicialmente faremos um estudo introdutório de princípios de processamento de
sinais analógicos e digitais onde veremos conceitos básicos importantes de
sinais. Estudaremos sequências discretas, convolução em tempo discreto,
sistemas lineares invariantes com o deslocamento (ou invariantes no tempo) e
princípios de amostragem visando relacionar sinais contínuos e reais que os
sensores entregam com sequências numéricas às quais os mesmos serão
convertidos para que seja possível o processamento dos mesmos por
dispositivos digitais.
No vídeo a seguir veremos um equalizador paramétrico de áudio
(processamento digital do sinal sonoro). Com este dispositivo será trabalhado
um sinal de áudio, onde será mostrado como os ajustes na frequência afetam o
sinal que estamos ouvindo. A eliminação de alguns componentes de frequência
do sinal e o ajuste de outros será refletido no sinal que ouvimos. Neste vídeo são
mostradas as funções passa baixas, passa altas, passa faixas e corta faixas
aplicadas ao som de uma guitarra acústica. A banda passante dos filtros
determina o timbre do som a ser ouvido.

EQ an Acoustic Guitar, (SELL, 2013)

Para ver as legendas em português proceda da seguinte maneira:


 No canto inferior direto da tela clique no botão retangular branco (Legendas/legendas
ocultas).
 Clique na engrenagem do lado direito do botão (Detalhes).
 Clique na linha Legendas/CC.
 Clique em Traduzir automaticamente.
 Clique em Português.
Como a tradução é literal as vezes haverá frases que não fazem sentido, mas é possível
entender o que a pessoa está querendo dizer.
TEMA 1 – INTRODUÇÃO AO PROCESSAMENTO DE SINAIS
Sinais analógicos são sinais contínuos que variam no tempo enquanto um
sinal digital é uma sequência descontínua (discreta) no tempo e na amplitude. O
sinal analógico pode ser medido em qualquer instante de tempo enquanto o sinal
digital só está definido para determinados instantes de tempo.
Segundo alguns pesquisadores, a natureza é analógica. Os sinais que
nossos sentidos entendem são analógicos, luz, temperatura, som, pressão,
tração, compressão, etc.; são todos sinais contínuos no tempo. Mas cada sinal
tem características diferentes e podem ser captados por diferentes tipos de
sensores (KINGET, 2014). Por outro lado, outros pesquisadores afirmam que a
natureza não é nem analógica nem digital. A física moderna afirma que a
natureza se comporta de acordo com as regras da Mecânica Quântica que diz
que todas as formas de energia se comportam como se fossem quantizadas (só
existem em níveis determinados de energia). Sinais analógicos e digitais são
uma representação matemática da realidade, muito úteis quando queremos
processar informação. Qualquer sinal real terá características tanto analógicas
quanto digitais (LESURF). Somos cada vez mais homo digitalis, misturando a
natureza biológica individual com o aparato tecnológico (GABRIEL, 2014).

1.1 Princípios de processamento de sinais


Um sinal pode ser definido como uma função que transmite informação
geralmente acerca do comportamento de um sistema físico. Estes sinais
apresentam padrões de variação que podem ser representados como variáveis
no tempo e no espaço. Por exemplo sinais sonoros representam a variação da
pressão do ar em função do tempo. Por outra parte, imagens são representações
de variações de brilho e cor em duas dimensões e vídeo são imagens variando
no tempo. E assim por diante cada sinal é a representação de um determinado
parâmetro físico em função de alguma variável independente (tempo, espaço,
distância, temperatura, etc.).
Alguns sinais são periódicos e outros não. Sinal periódico é aquele sinal
que tem um ciclo determinado e se repete após completar esse ciclo. Um sinal
não periódico não se repete. Porem qualquer tipo de sinal pode ser estudado por
meio de análise espectral. Todo sinal contínuo pode ser representado pela
somatória de n componentes senoidais (harmônicas) que compõem o espectro
em frequência do mesmo. Cada sinal analógico tem um espectro de frequência

3
característico, e se o equipamento usado para o processar não cobrir todo esse
espectro, estará eliminando informação. Todo tipo de sinal é passível de ser
processado com alguma finalidade. Geralmente os sinais captados pelos
sensores tem amplitude muito pequena e contêm sinais indesejados (ruído) que
devem ser eliminados. O processamento básico inicial desses sinais consiste em
amplificação para aumentar a amplitude dos mesmos, e filtragem para eliminar
as componentes indesejadas (ruído) que não fazem parte do sinal original. O
vídeo do link a seguir mostra a composição de um sinal a partir das suas
harmônicas.
Fourier Transform, Fourier Series and frequency spectrum (KHUTORYANSKY,
2015)

Para que exista comunicação entre seres humanos (natureza) e


processadores (computadores) é necessário que as variações de determinados
parâmetros sejam convertidas em sinais elétricos para processamento dos
mesmos. Sensores são transdutores que transformam qualquer tipo de sinal
(inclusive elétricos) em sinais elétricos de tensão ou de corrente. Existem
inúmeros tipos de sensores para todos os tipos de parâmetros mensuráveis.
Cada sinal tem características inerentes a sua natureza e cada um dos sensores
têm características específicas. Tanto as características do sinal quanto as do
sensor devem ser respeitadas pelo equipamento que vai receber e processar o
mesmo.
10
V [mV]

0
-50 50 150 250 350 450 550 650 750
t [ms]

(a)
10
V [mV]

0
-50 50 150 250 350 450 550 650 750
t [ms]

(b)
Figura 1: Sinal de eletrocardiograma em Derivação I: (a) Sinal
original. (b) Sinal após filtragem de ruído.
4
O processamento de sinais tem por objetivo condicionar o sinal e extrair a
informação necessária para que o sistema realize determinadas funções o
detecte determinados parâmetros. Por exemplo, um equalizador de áudio
analógico ou digital tem como finalidade realçar determinadas faixas de
frequência. Em outros casos, como o eletrocardiograma (ECG) da Figura 1, o
primeiro processamento deve ser filtragem do sinal para tirar as componentes
de ruído de alta frequência. Estes e todos os processos envolvendo sinais
requerem tratamento analógico e digital dos sinais entregues pelos sensores.
A Figura 2 mostra um diagrama de blocos de um sistema de
processamento de sinais onde o sistema físico representa o sistema ou objeto
que vai gerar um sinal qualquer e o atuador é o sistema ou objeto que vai efetuar
a ação necessária (ALBUQUERQUE, 2000).
Para entender melhor o diagrama de blocos da Figura 2 vamos ver um
exemplo. Imaginemos um cantor cantando para uma plateia usando um
microfone. Neste caso o sistema físico é o cantor emitindo um sinal sonoro (voz).
O dispositivo sensor neste caso é o microfone. Como o sinal na entrada do
sistema tem baixa amplitude o ruído externo interfere tanto na entrada do
microfone que vai pegar vários sinais, não somente a voz do cantor, quanto na
entrada do sistema de áudio, neste caso o ruído elétrico. Assim se faz necessária
uma filtragem e amplificação desse sinal (tratamento do sinal) para tirar os ruídos
indesejados e aumentar a amplitude do mesmo. O processamento da
informação neste caso consiste em amplificação e aprimoramento do sinal
enviado pelo microfone, em determinados casos se usa algum tipo de distorção
dependendo do tipo de música que a pessoa está cantando. Finalmente, o
atuador é a caixa de som que vai emitir o som da voz do cantor para a plateia
que está ouvindo. Para que isto seja possível, o projetista do sistema de som
tem que conhecer perfeitamente o sinal de áudio.

Figura 2: Diagrama de blocos de um sistema de processamento de


sinais.

5
1.2 Processamento Digital de Sinais
Na atualidade praticamente todos os tipos de sinais passam por
processamentos analógicos e digitais. Como os sinais são originalmente
analógicos antes do processamento digital, eles devem passar por um
processamento analógico. Este processamento analógico inicial implica
principalmente em amplificação e filtragem.
Para transformar um sinal analógico em digital devem ser seguidos os
seguintes passos:

 Amostragem
 Retenção
 Quantização
 Codificação

A Figura 3 mostra o passo a passo do processo de digitalização de um


sinal.

Figura 3: Processo de conversão de um sinal analógico para um sinal


digital.

Sinais analógicos:
Sinais analógicos são sinais de amplitude contínua em tempo contínuo, por
exemplo temperatura, som, pressão, etc. São todos os sinais representados por
funções variáveis contínuas.

6
Sinal amostrado:
O primeiro passo para transformar um sinal analógico em digital é a
amostragem. Este processo é chamado de amostragem, seguido pela retenção.
Amostragem consiste em pegar uma amostra de sinal em intervalos de tempo
determinados (abrir uma janela de amostragem). No período que a janela está
fechada (retenção), o sistema aproveita para realizar os passos seguintes da
digitalização (quantização e codificação). Um sinal amostrado tem amplitude
contínua em tempo discreto.

Sinal quantizado:
O processo de quantização consiste em atribuir valores discretos a sinais
cuja amplitude varia entre certos valores. Ou seja, o não existem níveis
permitidos entre dois níveis determinados do sistema. O sinal quantizado é um
sinal em tempo continuo com amplitudes discretas.

Sinais digitais:
A cada um dos níveis quânticos é atribuído um código equivalente a um
número digital (binário). Este processo é chamado de codificação. O sinal digital
é uma sequência de números e pode ser definido como um sinal de amplitude
discreta e tempo discreto (OPPENHEIM e SCHAFER, 1975).
A Figura 4 mostra o diagrama de blocos do procedimento completo de
processamento digital e apresentação de um sinal qualquer.

Figura 4: Procedimento completo de processamento digital e


apresentação de um sinal qualquer.
Filtro anti-aliasing: é um filtro passa baixas analógico que atenua ruídos de
alta frequência. Como o critério de Nyquist determina que a frequência de
amostragem deve ser pelo menos o dobro da componente de máxima frequência
de interesse do sinal. A função dele é evitar que ruídos de alta frequência sejam
digitalizados também.

 CAD (ADC – Analog to Digital Converter): conversor analógico digital que


transforma sinais analógicos em digitais.

7
 DSP (Digital Signal Processor): processador digital de sinais, encarregado
do processamento do sinal digital.
 CDA (DAC - Digital to Analog Converter): conversor digital analógico
encarregado de transformar o sinal digital em analógico.
 Filtro anti-imaging: é outro filtro passa baixas encarregado de suavizar o
aspecto escalonado do sinal entregue pelo conversor D/A.

TEMA 2 – SISTEMAS LINEARES INVARIANTES COM O DESLOCAMENTO


2.1 Sequências de sinais em tempo discreto
Enquanto os sinais analógicos são representações continuas no tempo de
determinadas variáveis, os sinais digitas são representados por uma sequência
de números geralmente provenientes da amostragem de um sinal analógico. A
sequência de números pode ser representada por:

𝑥[𝑛] −∞ < 𝑛 < ∞ (1)

A Figura 5 representa uma função em tempo continuo e seu sinal


equivalente em tempo discreto.

(a) (b)
Figura 5: (a) Sinal continuo. (b) Sinal discreto.

2.1.1 Sequência amostra unitária δ[n]


Nessa figura é possível ver que o sinal discreto está definido para
determinados valores de n, para outros valores ele não existe. Para entender
melhor os sinais discretos usaremos a função amostra unitária (equivalente
discreto do delta Dirac em tempo), também chamada de função impulso em
tempo discreto ou simplesmente impulso, que pode ser definida como:

0 𝑛≠0
𝛿[𝑛] = { (2)
1 𝑛=0

8
A sequência do sinal discreto pode ser representada pela soma de n 𝛿𝑛
multiplicados pela amplitude do sinal no ponto com a posição correspondente. A
figura 6 mostra um sinal digital que pode ser representado pela somatória de
várias funções amostra unitária.
É possível observar que as amplitudes do sinal em n = 3, 4, 7 e 9 são iguais
a zero, portanto qualquer número multiplicado por zero é zero.

𝑥[𝑛] = 𝑥[−1]. 𝛿[𝑛 + 1] + 𝑥[0]. 𝛿[0] + 𝑥[1]. 𝛿[𝑛 − 1] + ⋯


(3)
+ 𝑥[10]. 𝛿[𝑛 − 10]

Portanto a sequência de um sinal discreto pode ser escrita como:

𝑥[𝑛] = ∑ 𝑥[𝑛] . 𝛿[𝑛 − 𝑘] (4)


𝑘=−∞

Portanto uma sequência qualquer pode ser representada pela soma de


amostras unitárias deslocadas e com amplitude determinada. É importante
ressaltar que o impulso em tempo discreto não tem os problemas matemáticos
que o impulso em tempo contínuo tem.
20
x(n) x(2) x(8)

10 x(0)
x(6)
x(1) x(3) x(4) x(7) x(9)0 n
0
-2 0 2 4 6 8 10 12
x(10)
-10

x(-1) -20 x(5)

Figura 6: Sequência de um sinal discreto.

2.1.2 Sequência degrau unitário u[n]


Esta sequência é equivalente do degrau unitário em tempo e pode ser
definida como:

0 𝑛<0
𝑢[𝑛] = { (5)
1 𝑛≥0

E pode ser definida como função de 𝛿[𝑛]

𝑢[𝑛] = ∑ 𝛿[𝑘] (6)


𝑘=−∞

Analogamente:
9
𝛿[𝑛] = 𝑢[𝑛] − 𝑢[𝑛 − 1] (7)

A Figura 7 mostra exemplos de sequência básicas.

Figura 7: Sequências básicas: amostra unitária, degrau unitário,


exponencial e senoidal.

2.1.3 Operações básicas


As operações básicas podem ser definidas da seguinte maneira:
Soma: a soma é realizada amostra por amostra. A quantidade de amostras
das sequências tem que ser igual. Se faltarem amostras, deverão ser
substituídas por zeros na posição da amostra faltante.
𝑥 + 𝑦 = 𝑥𝑛 + 𝑦𝑛
Produto: o produto é realizado amostra por amostra também. A quantidade
de amostras das sequências tem que ser igual. Se faltarem amostras, deverão
ser substituídas por zeros na posição da amostra faltante.
𝑥. 𝑦 = 𝑥𝑛 . 𝑦𝑛
Multiplicação por uma constante: a sequência é multiplicada por um
número determinado.
𝛼𝑥 = 𝛼. 𝑥𝑛
Deslocamento entre funções: uma sequência está atrasada ou
deslocada em relação a outra quando:
𝑦[𝑛] = 𝑥[𝑛 − α]
Sendo que α é um número inteiro.

2.2 Sistemas lineares invariantes com o deslocamento


Um sistema é matematicamente definido como um operador que
transforma uma sequência de entrada x numa sequência de saída y. Um sistema

10
linear invariante por deslocamento (LID) é o equivalente discreto do sistema
invariante no tempo (LIT) e pode ser representado pela equação (8), e mostrado
na Figura 8.

𝑦[𝑛] = 𝑇{𝑥[𝑛]} (8)

𝑥[𝑛] ⟶ 𝑇{ } ⟶ 𝑦[𝑛]
Figura 8: Diagrama de fluxo de um sistema em tempo discreto.
Um sistema linear é definido pelo princípio da superposição. O sistema é
linear somente se as saídas 𝑦1 e 𝑦2 são as respostas para as entradas 𝑥1 e 𝑥2
na seguinte condição:

𝑇{𝑎𝑥1 [𝑛] + 𝑏𝑥2 [𝑛]} = 𝑎𝑇{𝑥1 [𝑛]} + 𝑏𝑇{𝑥2 [𝑛]} = 𝑎𝑦1 [𝑛] + 𝑏𝑦2 [𝑛] (9)

Onde a e b são constantes arbitrárias. Considerando a equação (4), sendo


ℎ𝑖 [𝑛] a resposta do sistema a 𝛿[𝑛 − 𝑖], a amostra unitária acontece em 𝑛 = 𝑖:

𝑦[𝑛] = 𝑇{𝑥[𝑛]} = 𝑇 { ∑ 𝑥[𝑘] . 𝛿[𝑛 − 𝑘]}


𝑘=−∞

Considerando a equação (9):

∞ ∞

𝑦[𝑛] = ∑ 𝑥[𝑘] 𝑇{𝛿[𝑛 − 𝑘]} = ∑ 𝑥[𝑘] ℎ𝑘 [𝑛] (10)


𝑘=−∞ 𝑖=−∞

Na equação (10) ℎ depende de 𝑛 e de 𝑘, como consequência disto é muito


limitada para uso computacional. Para os sistemas invariantes no tempo se 𝑥[𝑛]
tiver uma resposta 𝑦[𝑛], a resposta de 𝑥[𝑛 − 𝑘] será 𝑦[𝑛 − 𝑘], portanto, se ℎ[𝑛]
tiver uma resposta 𝛿[𝑛], a resposta de ℎ[𝑛 − 𝑘] será 𝛿[𝑛 − 𝑘]. Então:

∞ ∞

𝑦[𝑛] = ∑ 𝑥[𝑘] ℎ𝑘 [𝑛] = ∑ 𝑥[𝑘] ℎ[𝑛 − 𝑘] (11)


𝑖=−∞ 𝑘=−∞

A equação (11) é chamada de Soma de convolução, e 𝑦[𝑛] representa a


convolução de 𝑥[𝑛] com ℎ[𝑛]. Esta equação é equivalente a Integral de
convolução em tempo. A soma de convolução é representada em umas
bibliografias pelo operador ⊗ e em outras pelo operador ∗, aqui adotaremos este
último.

𝑦[𝑛] = 𝑥[𝑛] ∗ ℎ[𝑛] (12)

11
Na equação (11) podemos observar que a soma não é realizada nos
valores de n e sim nos de k, e na resposta ao impulso (ℎ[𝑛 − 𝑘]) o valor de 𝑘 é
negativo. Para se obter o valor de 𝑦[𝑛] deverão ser seguidos os seguintes
passos:

1) Se inverte ℎ[𝑘] em torno de 𝑘 = 0 para se obter ℎ[−𝑘]. Se ℎ[𝑘] =


{3,2, −𝟐, −1}, onde o número em negrito corresponde a 𝑘 = 0, ℎ[−𝑘] =
{−1, −𝟐, 2,3}
2) Desloca-se ℎ[−𝑘] n amostras à esquerda se n for negativo (à direita se for
positivo).
3) Multiplicam-se todos os elementos 𝑥[𝑘]. ℎ[𝑛 − 𝑘] para se obter a sequência.
4) Para se obter 𝑦[𝑛], todos os elementos do produto devem ser somados.

No vídeo a seguir podemos ver um exemplo prático de convolução. Material


de estudo, exemplos e exercícios resolvidos estão disponíveis no Livro Texto e
no material de leitura obrigatória disponibilizados na Aula.

Digital Signal Processing - Convolution (KONNY, 2013)

Propriedades da soma de convolução:


A soma de convolução é:

a) Comutativa:
𝑦[𝑛] = 𝑥[𝑛] ∗ ℎ[𝑛] = ℎ[𝑛] ∗ 𝑥[𝑛]
b) Associativa:
𝑦(𝑛) = [𝑥[𝑛] ∗ ℎ1 [𝑛]] ∗ ℎ2 [𝑛] = 𝑥[𝑛] ∗ [ℎ1 [𝑛] ∗ ℎ2 [𝑛]]
c) Distributiva:
𝑦[𝑛] = 𝑥[𝑛] ∗ ℎ1 [𝑛] + 𝑥[𝑛] ∗ ℎ2 [𝑛] = 𝑥[𝑛] ∗ [ℎ1 [𝑛] + ℎ2 [𝑛]]

2.2.1 Estabilidade e Causalidade


Estabilidade:
Um sistema representado pela soma de convolução tem restrições quanto
a linearidade e invariância de tempo. Os critérios de estabilidade e causalidade
os restringem ainda mais (OPPENHEIM e SCHAFER, 1975).
Um sistema LIT é estável quando toda saída limitada é produzida por uma
entrada limitada. Um sistema linear invariante é estável se e somente se:

12

∑ |ℎ[𝑘]| < ∞ (13)


𝑘=−∞

Para que um sistema LIT seja estável, a resposta ao impulso deve ser
absolutamente somável. Esta é uma condição necessária e suficiente, além
disso ela indica que ℎ[𝑛] deve ser amortecida, isto é, decair para zero conforme
𝑛 se aproxima do infinito (ALBUQUERQUE, 2000).

Causalidade:
Sendo 𝑛0 um instante qualquer, quando uma saída para qualquer 𝑛 = 𝑛0
depende de uma entrada somente para 𝑛 ≤ 𝑛0 o sistema é causal. Se uma
entrada 𝑥1 [𝑛] = 𝑥2 [𝑛], 𝑛 < 𝑛0 produz uma saída 𝑦1 [𝑛] = 𝑦2 [𝑛], 𝑛 < 𝑛0 o sistema
é causal.

∞ ∞

𝑦[𝑛] = ∑ 𝑥[𝑘] ℎ[𝑛 − 𝑘] = ∑ ℎ[𝑘] 𝑥[𝑛 − 𝑘] (14)


𝑘=−∞ 𝑘=0

Sistema causal ou não antecipativo sua saída em qualquer tempo


depende de valores presentes e passados da entrada. Pode depender também
de condições iniciais da saída (valores passados).
Sistema não causal ou antecipativo sua saída em qualquer tempo
depende de valores presentes, passados e futuros da entrada. Neste caso as
variáveis não dependem do tempo, como por exemplo em processamento de
imagens, dependem de coordenadas de posição. Ou sistemas de
processamento off-line, onde todas as variáveis já estão armazenadas.
O sistema seria anticausal sua saída, em qualquer tempo dependesse
somente de valores futuros da entrada

2.2.2 Equações de diferença lineares com coeficientes constantes


Es equações de diferença são equivalentes das equações diferenciais em
tempo continuo. Em tempo continuo o tempo é a variável independente, e varia
continuamente. A variação do tempo é infinitesimal e constante e pode ser
descrita por derivadas o que permite usar equações diferenciais. No caso do
tempo discreto isto não é possível, porque a variável independente é um número
inteiro. Neste caso, para construção do modelo matemático, são usadas as
equações de diferença. Como o operador diferencial não faz mais sentido, ele é
trocado pelo operador diferença da seguinte maneira:

13
𝑑𝑦 ∆𝑦

𝑑𝑡 ∆𝑛
onde n é o número da amostra.

Figura 9: (a) Onda P típica. (b) Saída do filtro 𝑦[𝑛] = 𝑥[𝑛] − 𝑥[𝑛 − 8]
(ZURRO, STELLE e NADAL, 1997)
A Figura 9 mostra parte de um sinal de eletrocardiograma onde é
necessário detectar o pico da onda. O sinal original é o da figura (a). O sinal (b)
mostra o resultado da aplicação da equação diferença 𝑦[𝑛] = 𝑥[𝑛] − 𝑥[𝑛 − 8]
para detectar o máximo do sinal.
Elas pertencem a uma subclasse que pode ser representada pela equação
geral de ordem N:

𝑁 𝑀

∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] = ∑ 𝑏𝑚 𝑥[𝑛 − 𝑚] (15)


𝑘=0 𝑚=0

Onde N são valores passados da saída e M valores passados da entrada,


e 𝑎𝑘 .e 𝑏𝑚 são constantes do sistema. Estas equações podem ser não causais,
anticausais ou causais como mostra a equação (16) de primeira ordem:

𝑦[𝑛] − 𝑎𝑦[𝑛 − 1] = 𝑥[𝑛] ⟹ 𝑦[𝑛] = 𝑥[𝑛] + 𝑎𝑦[𝑛 − 1] (16)

A Figura 10 representa um acumulador com equação de diferenças.

14
Figura 10: A equação 2.88 é uma implementação simples de um
sistema acumulador. A equação 2.84 nomeada na figura refere-se à
equação (15) (OPPENHEIM e SCHAFER, 2012)
A Figura 11 mostra a representação da equação (16) considerando o
parâmetro a=1 (representação recursiva).
Um procedimento recursivo é caracterizado por usar parâmetros de si
mesmo para sua execução. A Figura 11 mostra claramente um procedimento
onde parte da saída (neste caso a amostra anterior) é somada à entrada para se
obter a própria saída.

Figura 11: Representação da equação (16) onde a saída é


equivalente à soma da entrada mais o valor da amostra anterior da
própria saída (OPPENHEIM e SCHAFER, 2012).
A forma geral de uma equação de diferenças é a seguinte:

15
𝑁 𝑀

𝑦[𝑛] = − ∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] + ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘] (17)


𝑘=1 𝑘=0

Esta equação é composta por duas partes: a resposta natural 𝑦𝑛(𝑛)


(homogênea) e a resposta forçada 𝑦𝑝(𝑛) (particular). A resposta natural
corresponde a uma entrada nula e a particular a uma entrada não nula.

𝑦[𝑛] = 𝑦𝑛 [𝑛] + 𝑦𝑝 [𝑛] (18)

A resolução da equação:
𝑁

∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] = 0
𝑘=0

nos dá a resposta natural. Enquanto a resposta forçada é dada pela resolução


da equação de diferenças para valores da entrada diferentes de zero. Material
de estudo, exemplos e exercícios resolvidos estão disponíveis no Livro Texto e
no material de leitura obrigatória disponibilizados na Aula.

TEMA 3 – DOMÍNIO DA FREQUÊNCIA


Em processamento digital de sinais é muito comum trabalhar com padrões
espectrais. Grande parte dos processamentos são feitos levando em conta o
espectro em frequência dos sinais. Todos os sistemas de processamento devem
levar em conta as características próprias dos mesmos. No exemplo
apresentado na Figura 9 foi usado um filtro passa faixa derivativo COMB 𝑦[𝑛] =
𝑥[𝑛] − 𝑥[𝑛 − 8] na banda passante do espectro do sinal com ganho zero em 60
Hz (frequência da rede) e 30Hz devido as características do sinal a ser
processado (ZURRO, STELLE e NADAL, 1995).
Em sistemas em tempo contínuo a resposta para um sinal senoidal na
entrada é um sinal senoidal de saída com a mesma frequência com amplitude e
fase impostas pelo sistema de processamento. Em sistemas lineares em tempo
contínuo é comum usar a representação de sinais por meio de componentes
senoidais (espectro) ou exponenciais complexas. Considerando:
𝑥[𝑛] = 𝑒 𝑗⍵𝑛 −∞ < 𝑛 < ∞
Sendo resposta ao impulso ℎ[𝑛]:
𝑦[𝑛] = 𝑥[𝑛] ∗ ℎ[𝑛]

𝑦[𝑛] = ∑ 𝑥[𝑛 − 𝑘]ℎ[𝑘]


𝑘=−∞

16

𝑦[𝑛] = ∑ 𝑒 𝑗⍵(𝑛−𝑘) ℎ[𝑘] (19)


𝑘=−∞

𝑦[𝑛] = ∑ 𝑒 𝑗⍵𝑛 . 𝑒 𝑗⍵(−𝑘) ℎ[𝑘]


𝑘=−∞

𝑗⍵𝑛
𝑦[𝑛] = 𝑒 ∑ 𝑒 −𝑗⍵𝑘 ℎ[𝑘] (20)
𝑘=−∞

Definindo resposta em frequência como:

𝐻(𝑒 ) = ∑ 𝑒 −𝑗⍵𝑘 ℎ[𝑘]


𝑗⍵
(21)
𝑘=−∞

Neste caso 𝑒 𝑗⍵𝑛 é uma autofunção com um autovalor associado 𝐻(𝑒 𝑗⍵ ). A


equação (21) descreve a variação exponencial da amplitude em função da
frequência angular e é a transformada de Fourier da sequência ℎ[𝑛]. Portanto, a
saída do sistema poderá ser definida como:

𝑦[𝑛] = 𝐻(𝑒 𝑗⍵ ). 𝑒 𝑗⍵𝑛 (22)

𝐻(𝑒 𝑗⍵ ) no geral é complexo, portanto pode ser escrito da seguinte maneira:

𝑗⍵ )
𝐻(𝑒 𝑗⍵ ) = 𝐻𝑅 (𝑒 𝑗⍵ ) + 𝑗𝐻𝐼 (𝑒 𝑗⍵ ) = |𝐻(𝑒 𝑗⍵ )|𝑒 𝑗∠𝐻(𝑒 (23)

Na equação (23) o termo |𝐻(𝑒 𝑗⍵ )| representa a resposta em amplitude do


sistema e é chamado de amplificação se >1 e atenuação se <1; e o termo
∠𝐻(𝑒 𝑗⍵ ) representa o deslocamento de fase entre entrada e saída. Este último
termo é chamado resposta em fase.
Na Figura 12 podemos ver um exemplo de cálculo de resposta em
frequência.

17
Figura 12: Resposta em frequência do sistema atraso ideal
(OPPENHEIM e SCHAFER, 2012)

TEMA 4 - TRANSFORMADA DE FOURIER DE SEQUÊNCIAS


Considerando a forma geral da equação (21) definiremos a transformada
de Fourier para uma sequência 𝑥[𝑛] (transformada de Fourier para tempos
discretos DTFT pela sua sigla em inglês – Discrete Time Fourier Transform)
como:

𝑋(𝑒 ) = ∑ 𝑥[𝑛]𝑒 −𝑗⍵𝑛


𝑗⍵
(24)
𝑛=−∞

1 𝜋
𝑥[𝑛] = ∫ 𝑋(𝑒 𝑗⍵ ) 𝑒 𝑗⍵𝑛 𝑑⍵ (25)
2𝜋 −𝜋

A equação (24) é chamada de equação de análise. A equação (25)


(também chamada de equação se síntese) representa a transformada inversa
de Fourier para tempos discretos, esta última reproduz o sinal a partir do
espectro de frequência. Similarmente à 𝐻(𝑒 𝑗⍵ ) da equação (23) 𝑋(𝑒 𝑗⍵ ) é
também uma função complexa, portanto pode ser escrita como:

18
𝑗⍵ )
𝑋(𝑒 𝑗⍵ ) = 𝑋𝑅 (𝑒 𝑗⍵ ) + 𝑗𝑋𝐼 (𝑒 𝑗⍵ ) = |𝑋(𝑒 𝑗⍵ )|𝑒 𝑗∠𝑋(𝑒 (26)

Sendo |𝑋(𝑒 𝑗⍵ )| o espectro de amplitude e ∠𝑋(𝑒 𝑗⍵ ) o espectro de fase.


Para verificar que tipo de sinal discreto pode ser representado pela DTFT
é necessário verificar a convergência da transformada. Ela deve cumprir a
seguinte condição:
|𝑋(𝑒 𝑗⍵ )| < ∞ 0 ≤ ⍵ < 2𝜋
∞ ∞

|𝑋(𝑒 𝑗⍵ )| = | ∑ 𝑥[𝑛]𝑒 −𝑗⍵𝑛 | ≤ ∑ |𝑥[𝑛]||𝑒 −𝑗⍵𝑛 |


𝑛=−∞ 𝑛=−∞

|𝑋(𝑒 𝑗⍵ )| ≤ ∑ |𝑥[𝑛]| < ∞


𝑛=−∞

Ou seja, a condição suficiente para que a transformada exista é que 𝑥[𝑛]


seja absolutamente somável.

4.1 Densidade Espectral


O espectro de energia de um sinal é dado por:

∞ ∞

𝐸= ∑ |𝑥[𝑛]|2 = ∑ 𝑥[𝑛] 𝑥 ∗ [𝑛] (27)


𝑛=−∞ 𝑛=−∞

Considerando a equação (25) da transformada inversa de Fourier é


possível escrever a transformada inversa do conjugado da seguinte maneira:

∗ [𝑛]
1 𝜋 ∗ 𝑗⍵ 𝑗⍵𝑛
𝑥 = ∫ 𝑋 (𝑒 ) 𝑒 𝑑⍵ (28)
2𝜋 −𝜋

Trabalhando com as equações (27) e (28):

1 𝜋 ∗ 𝑗⍵ 1 𝜋 2
𝐸= ∫ 𝑋 (𝑒 ) 𝑋(𝑒 𝑗⍵ )𝑑⍵ = ∫ |𝑋(𝑒 𝑗⍵ )| 𝑑⍵ (29)
2𝜋 −𝜋 2𝜋 −𝜋
2
O termo |𝑋(𝑒 𝑗⍵ )| é a densidade espectral de 𝑥(𝑛) que determina a
distribuição da energia da sequência em função da frequência.

2
𝑆𝑥 (𝑒 𝑗⍵ ) = |𝑋(𝑒 𝑗⍵ )| (30)

4.2 Propriedades da Transformada de Fourier para Tempos Discretos


Considerando a sequência complexa 𝑥[𝑛] e seu conjugado 𝑥 ∗ [𝑛], a
sequência é par ou simétrica se 𝑥[𝑛] = 𝑥 ∗ [−𝑛]. Quando 𝑥[𝑛] = −𝑥 ∗ [−𝑛] se diz
que a sequência é ímpar ou antissimétrica.
19
Definindo a sequência simétrica como 𝑥𝑒 [𝑛] e antissimétrica como 𝑥𝑜 [𝑛] a
partir de 𝑥[𝑛], teremos as seguintes sequências:

1
𝑥𝑒 [𝑛] = [𝑥[𝑛] + 𝑥 ∗ [−𝑛]] (31)
2
1
𝑥𝑜 [𝑛] = [𝑥[𝑛] − 𝑥 ∗ [−𝑛]] (32)
2
Portanto:

𝑥[𝑛] = 𝑥𝑒 [𝑛] + 𝑥𝑜 [𝑛] (33)

Simetria:
A tabela apresentada na Figura 13 mostra as propriedades de simetria da
DTFT.

Figura 13: Propriedades de simetria da DTFT (OPPENHEIM e


SCHAFER, 2012).

Linearidade:

𝑎𝑥[𝑛] + 𝑏𝑦[𝑛] ↔ 𝑎𝑋(𝑒 𝑗⍵ ) + 𝑏𝑌(𝑒 𝑗⍵ ) (34)

Deslocamento no domínio do tempo:



𝑥[𝑛 − 𝑛𝑑 ] ↔ 𝑒 −𝑗⍵𝑛𝑑 𝑋(𝑒 𝑗⍵ ) (35)

Deslocamento no domínio da frequência:



𝑒 𝑗⍵𝑜 𝑛 𝑥[𝑛] ↔ 𝑋(𝑒 𝑗(⍵−⍵𝑜 ) ) (36)

Reflexão no tempo:

𝑥[−𝑛] ↔ 𝑋(𝑒 −𝑗⍵ ) (37)

Diferenciação no domínio da frequência:


20
ℱ 𝑑
𝑛𝑥[𝑛] ↔ 𝑗 𝑋(𝑒 −𝑗⍵ ) (38)
𝑑𝜔

4.2 Teoremas
Teorema de Parseval:
A potência dos sinais é equivalente à soma da potência das suas
componentes espectrais. O teorema de Parseval diz que a energia do sinal no
domínio do tempo está relacionada com o cálculo no domínio da frequência.

∞ 𝜋
1 2
𝐸 = ∑ |𝑥[𝑛]|2 = ∫|𝑋(𝑒 𝑗⍵ )| 𝑑𝜔 (39)
2𝜋
𝑛=−∞ −𝜋

∞ 𝜋
∗ [𝑛]
1
∑ 𝑥[𝑛]𝑦 = ∫ 𝑋(𝑒 𝑗⍵ )𝑌 ∗ (𝑒 𝑗⍵ )𝑑𝜔 (40)
2𝜋
𝑛=−∞ −𝜋

Teorema de convolução:
𝑌(𝑒 𝑗⍵ ) = 𝑋(𝑒 𝑗⍵ )𝐻(𝑒 𝑗⍵
) (41)

Teorema de janelamento ou modulação:


𝑦[𝑛] = 𝑤 [𝑛]𝑥[𝑛]
𝜋
𝑗⍵
1 (42)
𝑌(𝑒 ) = ∫ 𝑋(𝑒 𝑗𝜃 )𝑊(𝑒 𝑗⍵−𝜃 )𝑑𝜃
2𝜋
−𝜋

Material de estudo, exemplos e exercícios resolvidos estão disponíveis no


Livro Texto e no material de leitura obrigatória disponibilizados na Aula.

TEMA 5 – AMOSTRAGEM
Na seção 1.2 desta aula foi apresentado o processo de amostragem
necessário para digitalizar um sinal analógico. Como já foi falado nessa seção,
amostragem significa selecionar amostras de um sinal analógico em um
determinado momento. O valor desse sinal analógico nesse determinado
momento é transformado num número que vai ser processado pelo sistema
digital.
Amostrar um sinal consiste em obter uma sequência de amostras a partir
de um sinal analógico qualquer. Este processo pode ser representado pela
equação (44) onde 𝑇𝑎 é o período de amostragem (tempo entre uma amostra e
outra) e 𝑓𝑎 é a frequência de amostragem, que indica a quantidade de amostras
por segundo.

21
𝑥[𝑛] = 𝑥(𝑡)|𝑡=𝑛𝑇𝑎 = 𝑥[𝑛𝑇𝑎 ] (43)

O processo de amostragem implica em multiplicar o sinal 𝑥(𝑡) por um trem


de pulsos definido como:

𝑝(𝑡) = ∑ 𝛿(𝑡 − 𝑛𝑇𝑎 ) (44)


𝑛=−∞

Portanto:

𝑥𝑎 (𝑡) = 𝑥(𝑡)𝑝(𝑡) = ∑ 𝑥(𝑛𝑇𝑎 )𝛿(𝑡 − 𝑛𝑇𝑎 ) = 𝑥(𝑛𝑇𝑎 ) (45)


𝑛=−∞

A Figura 13 mostra um diagrama de blocos do processo de amostragem de


um sinal.

Figura 14: Processo de amostragem de um sinal determinado. Sinal


de entrada multiplicado por um trem de pulsos e sinal resultante
(saída).
A multiplicação pelo trem de pulsos transforma um sinal contínuo em
discreto. Enquanto o sinal analógico é contínuo em tempo contínuo, o sinal
discreto é uma sequência de números indexados por um número inteiro n que é
a variável independente. É esta sequência que é armazenada e processada por
meios digitais.

5.1 Teorema de amostragem


Além das harmônicas que contribuem para dar forma ao sinal existem
sinais de ruído que não compõem o sinal original. Estes sinais de ruído devem
ser filtrados analogicamente (filtro antialiasing) para evitar problemas.
Para evitar aliasing (superposição espectral), o Teorema de Nyquist diz
que a frequência de amostragem deve ser o dobro da frequência da harmônica
de maior frequência de interesse do sinal. Por exemplo, a faixa de frequências

22
de um sinal de áudio é de 20 Hz a 20 kHz, portanto, a frequência de amostragem
mínima tem que ser maior ou igual a 40 kHz.
Material de estudo, exemplos e exercícios resolvidos estão disponíveis no
Livro Texto e no material de leitura obrigatória disponibilizados na Aula.

FINALIZANDO
Nesta Aula foram verificados conteúdos referentes aos princípios básicos
de conversão de sinais analógicos para digitais, relacionando tempo contínuo
com tempo discreto. Foi visto que sinais analógicos devem ser convertidos em
digitais para o processamento por dispositivos digitais. Enquanto os sinais
analógicos são contínuos no tempo e sua amplitude pode variar
infinitesimalmente, os sinais digitais só existem em determinados instantes de
tempo e sua amplitude é quantizada, ou seja, só podem ter amplitudes de valores
permitidos. Os sinais digitais são processados e armazenados como sequências
de números cujo valor está relacionado com a amplitude do sinal analógico no
momento da amostragem, e a variável independente equivalente ao tempo é um
número inteiro correspondente ao número de amostra. A resolução do sinal
digital será maior quanto mais perto do sinal analógico estiver. Quanto maior a
resolução, maior será a definição. Isto pode ser melhor entendido se pensarmos
em sinais de áudio e vídeo por exemplo. Uma baixa taxa de amostragem faz com
que o som, uma vez convertido para sinal analógico (nosso cérebro não entende
sinais digitais) perde qualidade. Um vídeo ou foto com baixa taxa de amostragem
apresenta uma aparência de pixels (imagem composta por pequenos
quadradinhos).
Também foram vistos a convolução em tempo discreto e as propriedades
da transformada de Fourier devido a que no processamento de sinais, estas são
aplicações matemáticas básicas que permitirão estudar, analisar e processar um
sinal discreto. Assim como em tempo contínuo, a resposta em frequência do
sistema que vai processar o sinal é de fundamental importância, em tempo
discreto a resposta do sistema também deve ser considerada. Todo sinal tem
um espectro de frequência que o caracteriza, portanto, o sistema deve respeitar
esse espectro para evitar perda de informação que pode ser de vital importância
para o estudo e processamento do sinal digital.

23
Para finalizar, cabe lembrar que esta rota de estudo é somente um guia, e
que aluno, além de ler este guia de estudos deve estudar pelo livro texto e pelo
material de leitura obrigatória disponibilizado na Aula.

Os capítulos do livro tratados nesta Aula são:

 Capítulo 1: Introdução – página 1


 Capítulo 2: Sinais e Sistemas de Tempo Discreto – página 7
 Capítulo 4: Amostragem de Sinais em Tempo Contínuo – página 91

24
REFERÊNCIAS
ALBUQUERQUE, M. P. D. Processamento de Sinais. Centro Brasileiro de
Pesquisas Físicas, 2000. Disponivel em:
<www.cbpf.br/cat/pdsi/pps/AulaDeMotivacao.pps>.

GABRIEL, M. Cérebro analógico, cérebro digital. Revista Galileu, 2014.


Disponivel em: <http://revistagalileu.globo.com/Revista/noticia/2014/10/cerebro-
analogico-cerebro-digital.html>.

KHUTORYANSKY,. Fourier Transform, Fourier Series, and frequency spectrum.


Youtube, 2015. Disponivel em:
<https://www.youtube.com/watch?v=r18Gi8lSkfM>.

KINGET, P. The World Is Analog. Circuit Cellar, 2014. Disponivel em:


<http://circuitcellar.com/tech-the-future/kinget-the-world-is-analog/>.

KONNY. Digital Signal Processing - Convolution. Youtube, 2013. Disponivel em:


<https://www.youtube.com/watch?v=n59p3KNLYUQ>.

LESURF, J. Analog or Digital? University of St. Andrews. Disponivel em:


<https://www.st-
andrews.ac.uk/~www_pa/Scots_Guide/iandm/part12/page1.html>. Acesso em:
2016.

OPPENHEIM, A. V.; SCHAFER, R. W. Digital Signal Processing. New Jersey:


Prentice-Hall, 1975.

OPPENHEIM, A. V.; SCHAFER, R. W. Processamento em Tempo Discreto de


Sinais. 3. ed. São Paulo: Pearson Education do Brasil, 2012.

SELL, B. EQ an Acoustic Guitar. Youtube, 2013. Disponivel em:


<https://www.youtube.com/watch?v=pP5pH6thA0w>.

ZURRO, V. R.; STELLE, Á. L.; NADAL, J. Detection of Atrial Persistent


Rhythm Based on P-wave Recognition and RR Interval Variability. IEEE -
Computers in Cardiology. Viena: IEEE. 1995. p. 4.

ZURRO, V. R.; STELLE, L.; NADAL, J. Detecção Automática de ondas P


Sinusais do Eletrocardiograma. RBE - Caderno de Engenharia Biomédica, Rio
de Janeiro, 1997.

25