JOS CORDEIRO BARBOSA JUNIOR

TRANSFORMADA DE KERNEL ADAPTATIVO NA

ANLISE DE SINAIS ELETROMIOGRFICOS

Relatrio final de Trabalho de Iniciao

Cientfica da Faculdade de Engenharia Eng.
Celso Daniel, Centro Universitrio Fundao
Santo Andr.
Orientador:
Prof. Dr. Heinar Augusto Weiderpass

SANTO ANDR
2012

Agradeo a meu DEUS por tudo, aos meus pais, a minha famlia e aos meus
amigos que me deram o devido apoio.
Agradeo ao meu professor orientador Heinar Augusto Weiderpass - por sua
dedicao ao tema proposto e por transmitir esta gama de conhecimento
matemtico e computacional.

RESUMO

Neste projeto, a transformada de Fourier e a anlise de sinal pela tcnica do

Kernel timo Adaptativo Adaptive Optimal Kernel (AOK) o foco de estudo
para que se possa compreender a representao de sinais eletromiogrficos em
uma anlise simultnea em tempo e frequncia. Um dos focos tambm
entender e descrever o sinal biolgico obtido de adultos que sofrem de diabetes.
O presente trabalho inicia-se com uma introduo ao estudo de sinais. Em
seguida abordado desde os conceitos bsicos matemticos estendendo-se aos
algoritmos utilizados no Matlab, neste caso, tambm utilizando a FFT, oriunda da
transformada de Fourier.

Palavras-chave: Srie de Fourier. Transformada de Fourier. Algoritmo FFT.

Estudo de sinais biolgicos. Anlise tempo-frequncia.

Sumrio
1.

INTRODUO ......................................................................................................................... 2

2.

OBJETIVO ................................................................................................................................ 5

3.

ESTUDO TERICO ................................................................................................................ 7

3.2

Nmeros Complexos....................................................................................................... 7

3.2.1

Soma, Diferena e Produto .................................................................................... 8

3.2.2

Interpretao Geomtrica....................................................................................... 9

3.2.3

Frmula de Euler ................................................................................................... 10

3.3

Fasores ........................................................................................................................... 10

3.4

Operaes bsicas com MatLab................................................................................. 13

3.4.1

rea de Trabalho e Janelas do Matlab .............................................................. 14

3.4.2

Operadores ............................................................................................................. 14

3.4.3

Variveis e Declarao de Atributos .................................................................. 15

3.5

Manipulao de Vetores e Matrizes com MatLab .................................................... 16

3.5.1

Vetores .................................................................................................................... 16

3.5.2

Matrizes ................................................................................................................... 17

3.5.3

Multiplicao de Matrizes ..................................................................................... 18

3.6

Srie de Fourier ............................................................................................................. 20

3.6.1

Srie Trigonomtrica de Fourier.......................................................................... 21

3.6.2

Srie Exponencial de Fourier .............................................................................. 24

3.7

Transformada de Fourier.............................................................................................. 26

3.7.1

Transformada de Fourier Discreta ...................................................................... 29

3.8

Conceito do sinal analtico ........................................................................................... 32

3.9

Algoritmo Fast Fourier Transform (FFT) .................................................................... 33

3.9.1

Caractersticas da DFT ......................................................................................... 33

3.9.2

Matlab e o FFT ....................................................................................................... 34

3.9.3

Anlise de espectro com a FFT e Matlab .......................................................... 38

3.10

Anlise tempo-frequncia............................................................................................. 40

4.

MTODOS.............................................................................................................................. 42

5.

RESULTADOS ....................................................................................................................... 45

6.

DISCUSSO e CONCLUSES .......................................................................................... 50

7.

REFERNCIAS ..................................................................................................................... 52

INTRODUO

1. INTRODUO
As tcnicas clssicas de processamento de sinal apresentam duas
alternativas na representao do mesmo, a fim de se conhecerem as
especificidades que o caracterizam. Tais representaes so no domnio do
tempo e no domnio da frequncia.
A representao temporal s(t), indica de que forma a amplitude do sinal
varia com o tempo, e em certos casos, fornece algumas indicaes acerca da
variao do contedo em frequncia do sinal.
A representao no domnio das frequncias (referida muitas vezes como
anlise espectral) S(f), permite averiguar a existncia de diferentes componentes
de frequncia no sinal, bem como obter informao sobre a magnitude destas
componentes.
As representaes em tempo-frequncia foram desenvolvidas no sentido
de tentar responder s limitaes encontradas com o uso das tcnicas clssicas.
A

anlise

tempo-frequncia

capaz

de

revelar

se

sinal

monocomponente ou multicomponente (capacidade para discriminar, num dado

instante, se existe uma ou mais frequncias associadas ao mesmo), tarefa
impossvel at ao seu uso, sendo esta uma das principais caractersticas deste
tipo de representao.
Existem vrios mtodos de se obter representaes em tempo-frequncia,
sendo a transformada por kernel timo adaptativo Adaptive Optimal Kernel
(AOK) a utilizada no presente trabalho.

Segue abaixo uma pequena descrio sobre o que ser abordado ao longo
deste trabalho:

Introduo - destinado motivao do estudo.

Objetivo descreve o objetivo deste trabalho.

Estudo Terico so apresentados os assuntos matemticos de nmeros

complexos, fasores, como tambm as operaes bsicas e a manipulao
de vetores e matrizes no Matlab, como tambm a srie trigonomtrica e
exponencial de Fourier, a transformada de Fourier, a transformada de
Fourier discreta, o conceito de sinal analtico, o algoritmo de transformada
rpida de Fourier (FFT) e o conceito de anlise tempo-frequncia.

Mtodos apresenta a aplicao da transformada de Kernel Adaptativo.

Resultados apresenta os resultados que foram obtidos pelo algoritmo

Kernel Otimo Adaptativo (KOA).

Discusso e Concluses apresenta a concluso do estudo.

Referncias apresenta as referncias utilizadas no presente trabalho.

OBJETIVO

2. OBJETIVO
O objetivo deste trabalho basicamente aplicar os conhecimentos
matemticos e computacionais adquiridos na graduao aliados a tcnicas de
processamento de sinais, utilizando o programa Matlab para analisar e entender
os sinais biolgicos.

ESTUDO TERICO

3. ESTUDO TERICO
O Estudo terico favorece uma base matemtica e computacional sobre os
assuntos de nmeros complexos, fasores, operaes bsicas e a manipulao de
vetores e matrizes com Matlab, srie de Fourier e a transformada de Fourier.
necessrio obter o conhecimento destes assuntos para a compreenso
do algoritmo da transformada do KOA utilizado no Matlab.

3.1 Nmeros Complexos

Um Nmero Complexo pode ser definido como uma expresso na forma
retangular:

=  +  , em que i2 = -1.
Os nmeros reais a e b so chamados, respectivamente, parte real e

parte imaginria de
. Na prtica, o smbolo i escrito i = 1. O nmero

=   chamado de conjugado de
.

Os nmeros imaginrios so distinguidos dos nmeros reais pelo uso do

operador i (ou j, utilizado na engenharia eltrica, para no se confundir com
a corrente eltrica, normalmente representada por i).
O nmero complexo
tambm pode ser representado na forma polar:

=  (1)

Exemplo 1 - Pelas propriedades dos radicais, temos:

25 = 25 1 = 5i.
Exemplo 2 - Os conjugados dos nmeros complexos z1 = 4+5i e z2 = 3-2i so z1=
4-5i e z2=3+2i, respectivamente ZILL (2001).

3.1.1 Soma, Diferena e Produto

A soma, diferena e produto de dois nmeros complexos z1 = a1 + b1i e z2
= a2 + b2i so definidos como:

 +
 = ( +  ) + ( +  ) (2)


 = (  ) + (  ) (3)

 .
 = ( .   .  ) + ( .  +  .  ) (4)

Ou seja, para somar ou subtrair dois nmeros complexos, simplesmente
somamos ou subtramos as correspondentes partes reais e imaginrias. Para
multiplicar dois nmeros complexos, usamos a lei distributiva e o fato de que

  = 1.

Exemplo 3 - Se
 = 4 + 5 e
 = 3 2, ento:

1 +
2 = (4 + 3) + 5 + (2) = 7 + 3

1
2 = (4 3) + 5 (2) = 1 7

1.
2 = (4 + 5) + (3 2)

= (4 + 5)3 + (4 + 5)(2)
= 12 + 15 8 10 

= (12 + 10) + (15 8) = 22 + 7

O produto de um nmero complexo
=  +  pelo seu conjugado
= 

 um nmero real.


= a + b (5)

Quociente
O quociente de dois nmeros complexos
 e
 obtido multiplicando-se o

numerador e o denominador pelo conjugado do denominador
 . O exemplo 4

ilustra esse procedimento.

Exemplo 4



=
=

!"#

$%#

!"# $!#

$%# $!#

!"#!&#!'# (
)!

$

$
$

3.1.2 Interpretao Geomtrica

Observando a e b como coordenadas de um ponto (a, b) no plano,

podemos interpretar um nmero complexo
=  +  como um vetor comeando

na origem e terminando em (a, b) (veja a figura 1). O comprimento do vetor

chamado de mdulo de z e escrito como r ou |z|. Pelo teorema de Pitgoras,

temos:
r = |z| =  +  

Figura 1 - Representao no plano cartesiano, onde x o eixo real e o y o eixo imaginrio.

Pela figura (1), vemos que o ngulo que o vetor faz o eixo x positivo
satisfaz:  =  cos
e
b = r sen
Logo,

=  cos 34
=  (cos + i sen ) (6)

A ltima forma chamada de forma polar do nmero complexo z. O ngulo

chamado de um argumento de
- ZILL (2001).

10

3.1.3 Frmula de Euler

Segundo ZILL (2001) - a srie de potncias
>

7 = 9
8

;?'

:;

<!

converge para todo nmero real ou complexo. Se fizermos x = i , um nmero

real, ento:

7 #@ = >
;?'

(#@ )B
;!

= 1 +  +

# ( @(
!

# C @C
$!

+ (7)

Agora, i2 = -1, i3 = -i, i4 =1, i5 = i e assim por diante. Logo (7) pode ser
separado em parte real e parte imaginria:

7 #E = F1

E(
!

EG
!

EH
I!

+ J +  F

EC
$!

EK
"!

EL
M!

+ J (8)

Mas, lembramos que:

cos = >
;?'

(%)B
(;)

;

sen = >
;?'

(%)B

(;!)

;!

em que cada srie converge para todo nmero real . Portanto, (8) pode ser
escrita como:

7 #E = cos i sen (9)

Esse ltimo resultado conhecido como frmula de Euler. Note que, em

vista de (9), a forma polar de um nmero complexo pode ser expressa de maneira
compacta:

= 7 #E (10)

3.2 Fasores
Senide um sinal na forma de uma funo seno ou cosseno, e que so
facilmente expressas em termos de fasores, os quais so muito mais fceis de
serem trabalhados do que as funes seno e cosseno.

11

Fasor um nmero complexo que representa a amplitude e fase de uma

senide SADIKU (2003).
Utilizando a equao (9), substitumos a notao matemtica de i para j, no

qual, mostra que podemos representar cos e sen com as partes real e

imaginria de 7 P Q:

R3S = Re(7U )

S7< = Im(7U )
na qual Re e Im significam respectivamente a parte real e a parte imaginria.
Dada uma senide v(t) = Vm cos (t + ), utilizamos a equao cos = Re (7 PE )

para expressar v(t) como:

Z([) = \] cos (^[ + ) = Re ( \] 7 P(_` !E) ) (11)

Ou,
Z([) = Re \] 7 PE 7 Pab  (12)
Ento,
Z([) = Re c 7 Pab  (13)
Onde,
c = \] 7 PE = \] (14)

c , portanto, a representao fasorial da senide v(t). Um fasor a

representao complexa da amplitude e fase de uma senide - SADIKU (2003).

Uma maneira de analisar as equaes (13 e 14) considerar o grfico de

c 7 Pab = \] 7 P(_` !E) no plano complexo. Aumentando o tempo, a funo executa

um circulo de raio \] a uma velocidade angular na direo anti-horrio, como

mostrado na figura 2. Pode-se imaginar v(t) como a projeo de c 7 Pab no eixo

real, mostrado na figura 3. O valor da funo para o tempo t=0 o fasor V da

senide v(t). A funo pode ser lembrada como um fasor rotacional. Portanto,

sempre que a senide for expressa por um fasor, o termo 7 Pab estar presente de

modo implcito. Pois quando trabalhamos com fasores, devemos ter sempre em
mente a frequncia do fasor, caso contrrio poder incorrer em srios erros.

12

Como uma grandeza complexa, o fasor pode ser representado na forma

retangular, polar ou exponencial. Como o fasor possui amplitude e fase
(direo), ele se comporta como um vetor. Por exemplo, os fasores c = \] e
d d = e] esto graficamente representados na figura 2 e 3. Esta

representao grfica conhecida como diagrama fasorial - SADIKU (2003).

Figura 2 Representao de c fghi : rotao na direo anti-horrio e a projeo no eixo

real, como uma funo do tempo.

Figura 3 Diagrama Fasorial mostrando c = cj k e d = dj k

13

As equaes 11 e 13 revelam que, para obtermos um fasor correspondente

a uma senide, primeiro devemos expressar a senide na forma de cosseno, de
tal maneira que possa ser escrita como a parte real de um nmero complexo.

Retiramos, ento, o fator do tempo 7 Pab e o que resta o fasor correspondente a

senide. Retirando o fasor do tempo, ns transformamos a senide do domnio
temporal para o domnio fasorial. Esta transformao resumida como segue:
Z([) = \] R3S(^[ + ) (15) c = \] (16)

A equao (15) a representao no domnio do tempo e a equao (16) a

representao no domnio da frequncia.
Dado um fasor, obtido representao temporal como uma funo

cosseno com a mesma amplitude do fasor e o argumento como ^[ mais a fase do

fasor. A ideia de expressar informao em domnios alternativos fundamental

em todas as reas de engenharia - SADIKU (2003).

3.3 Operaes bsicas com MatLab

Segundo KUNCICKY (2003) o Matlab pode ser definido com um software
que fornece um ambiente de computao tcnica destinada a apoiar a
implementao de tarefas computacionais.
Resumidamente, Matlab um ambiente de computao interativo que
permite a computao numrica e a visualizao de dados. O software Matlab
fornece centenas de funes internas que possibilitam a resoluo de problemas
que vo desde o simples at o complexo. possvel realizar um clculo numrico
simples ou clculos estatsticos, resolver estatstica complexa, resolver equaes
simultneas, criar grficos, o Matlab pode ser uma ferramenta eficaz.
O Matlab tem provado ser extremamente verstil e capaz na sua em ajudar
a resolver problemas na Matemtica Aplicada, Fsica, Qumica, Engenharia,
Finanas - quase qualquer rea de aplicao que lida com clculos numricos
complexos.

14

3.3.1 rea de Trabalho e Janelas do Matlab

Workspace ou rea de trabalho do Matlab um ambiente onde as
operaes so realizadas.
Os dados e as variveis criadas so exibidos na janela Command e
armazenados no que chamado de espao de trabalho do Matlab.
A Matemtica escalar envolve operaes em um nico valor de varveis. O
Matlab fornece suporte para matemtica escalar semelhante fornecida por uma
calculadora.
Para mais informaes sobre os operadores e os caracteres especiais,
digite na janela Command o comando >> help ops

3.3.2 Operadores
A avaliao de expresses obtida com operadores aritmticos, mostrados
na tabela abaixo.
Operadores operam em operandos (a, b e na tabela 1).
Tabela 1: operadores aritmticos

Operao
Adio
Subtrao
Multiplicao
Diviso direita
Diviso esquerda
Expoente
Exemplo:
>> 3 + 4 * 9
ans =
39

Forma Algbrica
a+b
a-b
axb
ab
b a
ab

MATLAB
a + b
a b
a * b
a / b
b / a
a ^ b

Exemplo
5+3
23 - 12
3.14 * 0.85
56 / 8
8 / 56
5^2

15

3.3.3 Variveis e Declarao de Atributos

Os nomes das variveis podem ser atribudos para representar
valores numricos em Matlab. As regras para estes nomes de variveis so:
Deve comear com uma letra.
Podem consistir apenas de letras az, 0-9 dgitos, e o carcter de sublinhado (_).
O Matlab s reconhece os primeiros 31 caracteres.
case sensitive: items, Items, itEms, e ITEMS so todos nomes diferentes de
variveis.
Na declarao de atributos, a varivel pode ser um nmero, como tambem
pode ser uma expresso.
Quando um comando desta forma executado, a expresso avaliada,
produzindo um nmero que atribudo varivel. O nome da varivel e seu valor
so exibidos.
Se um nome de varivel no for especificado, o Matlab ir atribuir o
resultado varivel padro, ans, como mostrado anteriormente - KUNCICKY
(2003).

Exemplo:
>> screws = 32
screws =
32
>> bolts = 18
bolts =
18
>> rivets = 40;
>> items = screws + bolts + rivets
items =
90

16

3.4 Manipulao de Vetores e Matrizes com MatLab

3.4.1 Vetores
As caractersticas bsicas da construo de vetores no MATLAB esto
apresentadas na tabela (2).
Tabela 2: Representao dos comandos em Matlab para construo de
vetores

Comandos bsicos para a

construo de vetores
X = [2 2*pi sqrt(2) 2-3j ]
x = inicio : fim

x = inicio : incremento :
fim
x = linspace (inicio, fim
,n)
x = logspace (inicio, fim,
n)

Descrio
Cria um vetor linha x contendo os elementos
especificados
Cria um vetor linha x comeando em
inicio, incrementa em um e para em fim
(ou antes). Note que x = [inicio:fim]
produz o mesmo resultado, mas leva mais
tempo, j que no MATLAB leva em conta
colchetes quanto o ponto-e-vrgula.
Cria um vetor linha x comeando em
inicio, incrementa em incremento e
para em fim (ou antes).
Cria um vetor linha x, com espaamento
linear, comeando em inicio e terminando
em fim, contendo n elementos.
Cria um vetor linha x, com espaamento
logartmico, comeando em 10 inicio,
terminando em 10 fim e contendo n
elementos.

Separando os elementos por espaos ou por vrgulas, especificam-se

elementos de colunas diferentes; separando os elementos com ponto-evrgula, especificam-se elementos de linhas diferentes - HANSELMAN ;
LITTLEFIELD (2002).
Um vetor coluna pode ser criado usando a notao de dois-pontos
inicio: incremento: fim ou a partir das funes linspace e logspace,
preciso transpor a linha resultante em uma coluna usando o operador de
transposio do MATLAB ():

17

>> a = 1:5
a =
1

Cria um vetor linha usando o formato de notao de dois pontos.

>> b = a'
b =
1
2
3
4
5

Utiliza-se o operador de transposio para transformar o vetor linha a em

um vetor coluna b.
3.4.2 Matrizes

Dada a utilidade desde tipo de matriz, o MATLAB contm funes para a

criao de matrizes padro. Esse tipo de matriz inclui aquelas cujos elementos
so todos iguais a 0 ou a 1, matrizes identidade, matrizes de nmeros aleatrios,
matrizes diagonais, cujos elementos so uma constante dada.
>> ones(3)
ans =
1

>> zeros(2,5)
ans =
0

18

Quando essas funes so executadas com apenas um parmetro, ones

(n) e zeros (n), o MATLAB cria matrizes n por n com todos os elementos
iguais a um ou zero, respectivamente. Quando a elas so passados dois
parmetros, ones ( r , c ) ou zeros ( 1 ,c), o MATLAB cria matrizes
com r linhas e c colunas. Para criar uma matriz cujos elementos so iguais
zero ou um e que tenha a mesma dimenso de alguma outra matriz, use a funo
size como parmetro para as funes ones ou zeros.
>> eye(4)
ans =
1

Como mostrado acima, a funo eye produz matriz identidade utilizando a

mesma sintaxe usada para produzir matrizes de zeros e uns. Matriz identidade
aquela formada apenas por zeros, exceto pelos elementos A (i,i) onde i =
r:min(r,c), onde min (r,c) o mnimo entre o nmero de linhas e colunas de A.
3.4.3

Multiplicao de Matrizes

Uma vez que vetores e matrizes so elementos fundamentais do MATLAB,

muitas so as maneiras de manipul-los. Depois de definida uma matriz, o
MATLAB permite que sub matrizes sejam inseridas, extradas ou reordenadas,
bastando para isso identificar os ndices dos elementos a elas relacionados. O
conhecimento desse tipo de recurso fundamental para que o MATLAB seja
usado de modo eficiente - KUNCICKY (2003).
Por exemplo, considere as seguintes matrizes:

1
2 5 1
m = n
o p = q1
0 3 1
5

0 2
4 2r
2 1

19

onde m x n = 2 X 3 e n x p = 3 x 3, calculando os elementos de c

s

1
= t2 5 1u q1r = 2 . 1 + 5. (1) + 1 . 5 = 2
5

2
s$ = t0 3 1u q2r = 0 . 2 + 3 . (2) 1 .1 = 7
1

Da mesma forma, o resto dos elementos pode ser calculado para produzir:
2 22 5
s = mp = n
o
8 10 7

Para determinar se um produto da matriz existe e se assim for, o tamanho

da

matriz

resultante,

escreva

os

tamanhos

da

(v : <). (< : w) = (v : w)

matriz

lado

lado.

Os dois tamanhos do centro (colunas de A e linhas de B) devem ser iguais

para que o produto exista, no exemplo acima.

(2:3). (3:3) = (2:3)

Assim, AB existe no tamanho 2 3. Se quisssemos calcular BA, mais

uma vez escrevemos os tamanhos lado a lado:
(3:3) . (2:3)
Os dois nmeros internos no so os mesmos, assim BA no existe. Note
que isso implica que a multiplicao de matrizes no comuta.
mp pm

No Matlab, a multiplicao de matrizes indicada por um asterisco.

>> A = [2,5,1; 0,3,-1]
A =
2

-1

>> B = [1,0,2; -1,4,-2; 5,2,1]

20

B =
1

-1

-2

22

-5

-8

10

-7

>> C = A*B
C =

>> C = B*A
??? Error using ==> mtimes
Inner matrix dimensions must agree.

A mensagem acima foi exibida no Matlab pelo fato de no ser possvel

realizar a multiplicao da Matriz B com A.

3.5 Srie de Fourier

Segue um breve relato histrico de Jean-Baptiste Joseph Fourier.
Jean-Baptiste Joseph Fourier (1766-1830) foi um Fsico matemtico
francs. Fourier utilizou as series trigonomtricas em suas pesquisas
sobre a teoria do calor; elas aparecem em todo o seu tratado Thorie
analytique de la chaleur. Fourier, entretanto, no inventou as sries de
Fourier. O estabelecimento da teoria do desenvolvimento de funes em
sries trigonomtricas deveu-se principalmente a Daniel Bernoulli e
Leonhard Euler. As frmulas integrais que definem os coeficientes a0, an
e bn foram descobertas por Euler em 1777. Hoje, as sries de Fourier, a
integral de Fourier e as Transformadas de Fourier constituem um ramo
da anlise matemtica de valor incalculvel para o estudo de fenmenos
ondulatrios. Amigo e confidente de Napoleo, Fourier fez parte da
comitiva do imperador durante a campanha de Napoleo em 1798 para
civilizar o Egito. Fourier lembrado tambm por ter patrocinado o
jovem Jean Franois Champollion, o primeiro a decifrar os hierglifos
egpcios em seu trabalho na pedra de Rosetta - ZILL (2001).

21

3.5.1 Srie Trigonomtrica de Fourier

Enquanto estudava o fluxo de calor, Fourier descobriu que uma funo
peridica no-senoidal podia ser expressa como uma soma infinita de funes
senoidais. Lembre-se de que uma funo peridica aquela que se repete a cada
T segundos. Uma funo f(t) satisfaz:
y([) = y([ + <z)

onde n um inteiro e T o perodo da Funo SADIKU (2003).

De acordo com o Teorema de Fourier, qualquer funo peridica prtica de
frequncia 0 pode ser expressa como uma soma infinita de funes seno ou
cosseno com mltiplos inteiros de 0. Portanto, f(t) pode ser expressa como:
y([) = a0 + a1 cos 0[ + 1 S7<0t
+ 2 cos 20[ + 2 S7< 20t + a3 cos 30t + b3 sen 30t + (17)

Ou
>

y([) = ' + 9(; cos <0t + ; sen <0t) (18)

;?

Onde {0 = 2 | / T chamada de Frequncia fundamental em radianos por

segundo. A senide S7< <0 t ou cosseno <0 t chamada de n-sima harmnica

de f(t). Ela ser uma harmnica mpar se n for impar e harmnica par se n for par.

As constantes an e bn so os coeficientes de Fourier. O coeficiente a0 o

valor mdio de f(t) (lembre- se que senides possuem valor mdio nulo). Os

coeficientes an e bn para (n 0) so as amplitudes das senides do componente:

9(; cos <0t + ; sen <0t)

;?

A maior tarefa da srie de Fourier determinar os coeficientes a0 , an e bn

de Fourier. O processo de determinao dos coeficientes chamado de anlise
de Fourier.
Para quaisquer inteiros m e n,

22

} S7< < 0 t dt = 0 (19)

'

} R3S < 0 t dt = 0 (20)

'

} S7< < 0 t cos v 0 t dt = 0 (21)

'

} S7< < 0 t sen v 0t dt = 0 (m n) (22)

'

} R3S < 0 t cos v 0t dt = 0 (m n) (23)

'

~
z
} S7< < 0 t dt = (24)
2
'
~
z
} R3S  < 0 t dt = (25)
2
'

Iremos utilizar essas identidades para determinar os coeficientes de

Fourier. Comearemos pela determinao de a0. Integramos os dois lados da
equao (21) em um perodo, obtendo:
~

>

} y([) [ = } q0 + 9 ; cos <0t + ; sen <0tr [

'

'

>

;?

= } 0 [ + 9 } ; cos <0t [ + } ; sen <0t dt [ (26)

'

;?

Logo,
~

} y([) [ = } 0 [ = 0 z (27)
'

'

Ou,
1 ~
0 = } y([) [ (28)
z '

Para determinar an, multiplicamos os dois lados da equao (18) por

R3S v0 t e integramos em um perodo:

23

} y([) cos v0 t dt
>

'

= } q0 + 9(; cos <0t + ; sen <0t)r (cos v0t [)

'

;?

= } ' cos v 0t dt
'

>

+ 9 } ; cos <0t cos v0t dt + } bn sen <0t cos v0t dt dt

;?

'

'

A integral contendo a0 zero em funo da equao (20), enquanto a

intergral contendo bn desaparece de acordo com Equao (21). A integral
contendo an ser zero exceto quando m = n, ou seja, quando ele for igual a T/2,
de acordo com as Equaes (23) e (25). Portanto,
~
z
} y([) cos v0 t dt = ; , w v = <
2
'

Ou
z ~
; = } y([) cos <0 [ [ (29)
2 '

De maneira similar, obtemos bn multiplicando os dois lados da equao (18)

por sen j{ e integrando em um perodo. O resultado :

z ~
; = } y([) sen <0 [ [ (30)
2 '

Como f(t) peridica, pode ser mais conveniente efetuar as integraes de

T/2 a T/2, ou mais genericamente de t0 a t0 +T do que de 0 a T. O resultado ser
o mesmo. Outra forma para equao (18) seria representar em na forma
amplitude-fase:
>

y([) = ' + 9 m; R3S(<0 + ; ) (31)

;?

No qual:

24

m; = ; + ; , = tan%

;

;

Ou,
Q =

O grfico da amplitude das harmnicas em funo de { chamado

de espectro de amplitude de f(t). O grfico da fase Qn em funo de { o

espectro de fase de f(t). Os espectros de amplitude e de fase se tornam o

espectro de frequncia de f(t).

O espectro de frequncia de um sinal consiste dos grficos das amplitudes
e fase das harmnicas em funo da frequncia - SADIKU (2003).

3.5.2 Srie Exponencial de Fourier

Uma maneira resumida de expressar a srie de Fourier coloc-la na
forma exponencial. Para isso, pode se representar as funes seno e cosseno na
forma exponencial utilizando a identidade de Euler.


cos <0 = 7 P;a b + 7 %P;a b (32)



sen <0 =

1
7 P;a b + 7 %P;a b (33)
2U

Substituindo a equao (32) na equao (18) e agrupando os termos,

termos:
>

1
y([) = ' + 9(; U; )7U<^0 [ + (; U; )7U<^0 [ (34)
2
;?

Se for definido um novo coeficiente cn, tal que

R' = ' ,

R; =

(B %PB )


R%; = R;

(B !PB )


(35)

25

Torna-se:
>

y([) = R' + 9(R; 7U<^0 [ + R%; 7U<^0 [ ) (36)

;?

Ou,
>

y([) = 9 R; B (37)
;? %>

A equao (37) chamada de representao complexa ou srie

exponencial de Fourier de f(t).
possvel notar que a forma exponencial mais resumida que a forma

com seno e cosseno da Equao (18), apesar do coeficiente R; da srie

exponencial de Fourier poder ser obtido de an e bn, usando a equao (35) eles
tambm podem ser diretamente obtidos de f(t) a partir de:

Onde ' =


~

1 ~
R; = } y([) 7U<^0 [ [ (38)
2

. Os grficos de amplitude e fase de R; em funo de n' so

chamados de espectro complexo da amplitude e espectro complexo da fase de

f(t).
A srie exponencial de Fourier de uma funo peridica f(t) descreve o
espectro de f(t) em termos da amplitude e ngulo de fase das componentes
para frequncias harmnicas e negativas - SADIKU (2003).

26

3.6 Transformada de Fourier

A srie de Fourier permite representar uma funo peridica como a soma
de senides, obtendo o espectro de frequncia da srie. A transformada de
Fourier definida por permitir estender o conceito de espectro de frequncia a
funes no-peridicas. A transformada considera que uma funo no-peridica
uma funo peridica com perodo infinito. Portanto, a transformada de Fourier
uma representao integral de uma funo no-peridica, anloga a
representao em srie de Fourier de uma funo peridica.
A transformada de Fourier uma transformada Integral, como a
transformada de Laplace. Ela transforma uma funo do domnio do tempo para o
domnio da frequncia. A transformada de Fourier muito til em sistemas de
comunicao e no processamento digital de sinais, situaes nas quais
geralmente, a transformada de Laplace no se aplica - SADIKU (2003).
Para compreender melhor a conexo entre uma funo no-peridica e o
seu par peridico, considere a forma exponencial da srie de Fourier da equao
(37):
>

y([) = 9 R; B (39)
;? %>

Onde,
1 ~/
R; = } y([) 7U<^0 [ [ (40)
z %~/
A frequncia fundamental :
0 =

2
(41)
z

e o espaamento entre as harmnicas adjacentes :

= (n + 1)0 n0 = 0 =

2
(42)
z

A substituio da equao (40) na equao (39) resulta em:

27

>

1 ~/
y([) = 9 } y([)7 %P;a b [ 7 P;a b
z %~/
;? %>

>

= 9
;? %>

~/

y([)7 %P;a b [ 7 P;a b

%~/

>

~/
1
=
9 } y([)7 %P;a b [ 7 P;a b (43)
2
%~/
;? %>

Se fizermos T, o somatrio se transformar em uma integrao, o

espaamento incremental se transformar em separao diferencial d e a

frequncia harmnica n0 se transformar em uma frequncia continua

. Portanto, para T,

>

>

9 } (44)
%>

;? %>

d
n0

de tal forma que a equao (43) torna-se:

>
1 >
y([) = } } y([)7 %Pab [ 7 Pab ^ (45)
2 %> %>

O termo entre colchetes chamado de Transformada de Fourier de f(t),

sendo representado por F(^). Portanto,
>

(^) = ty([)u = } y([)7 %Pab [ (46)

%>

Onde o operador da transformada de Fourier. Fica claro que:

A transformada de Fourier uma transformao integral de f(t) do domnio
do tempo para o domnio para o tempo da frequncia - SADIKU (2003).

28

Em geral, (^) uma funo complexa. O seu mdulo chamado de

espectro de amplitude, enquanto a sua fase chamada de espectro de fase.

Portanto, (^) o espectro.

A equao (45) pode ser escrita em termos de (^) e ns obtemos a

transformada inversa de Fourier dada por:

y([) =

%

>
1
t(^)u = } (^)7 Pab ^ (47)
2 %>

A funo f(t) e sua transformada (^) formam o par transformada de

Fourier:

y([) (^)
Pois uma pode ser obtida atravs da outra.
A transformada de Fourier (^) existe quando a integral de Fourier da

Equao (46) converge. Uma condio suficiente, mas no necessria, para que

y([) possua a transformada de Fourier que ela seja completamente integrvel,

no sentido de,

>

} |y([)|[ < (48)

%>

Por exemplo, a transformada de Fourier da funo rampa unitria tu(t) no

existe, pois a funo no satisfaz a condio acima.
Para evitar a lgebra complexa que aparece de forma explicita na
transformada

de

Fourier,

algumas

vezes

interessante

substituir,

temporariamente, U^ por s e, ento, substituir s por U^ no final - SADIKU (2003).

29

3.6.1 Transformada de Fourier Discreta

Em determinadas frequncias componentes no nulas so representados
pela srie de Fourier, em geral a componente fundamental (o perodo da onda), e
suas harmnicas, que so mltiplos da frequncia fundamental.
A transformada de Fourier possibilita assumir valores no nulos em
qualquer frequncia do espectro desejado. Os sinais analgicos peridicos so
discretos no domnio da frequncia, e sinais analgicos no-peridicos so
contnuos no domnio da frequncia. Esta afirmao vlida tambm para sinais
digitais, ou discretos no tempo. Os sinais peridicos discretos no tempo so
representados no domnio da frequncia pela srie discreta de Fourier, que
discreta no domnio da frequncia. Os sinais discretos no tempo, mas noperidicos, so representados pela transformada de Fourier de tempo discreto, ou
Discrete-time Fourier Transform (DFT), que, por sua vez, contnua no domnio
da frequncia. (CARVALHO)
O que difere a transformada e a srie de Fourier no domnio da frequncia
para sinais contnuos e sinais discretos que a amostragem no domnio do tempo
causa periodicidade do espectro no domnio da frequncia, da mesma forma que
periodicidade no domnio do tempo faz com que o espectro se torne discreto no
domnio da frequncia. (CARVALHO)
Tcnicas de processamento digital de sinais trabalham com sinais
amostrados, ou discretos no tempo. No geral, os sinais biomdicos so noperidicos. Mesmo os sinais que apresentam certo perodo, exemplificando a
respirao e o ECG, tambm apresentam certa variao ao longo dos perodos.
Portanto, a srie discreta de Fourier no se aplica, e a transformada de Fourier
apropriada para sinais biolgicos digitalizados a DTFT. No entanto, como
discutido, a DTFT contnua no domnio da frequncia. Assim, em geral no
possvel computar a DTFT diretamente usando softwares.
Por isso, em processamento de sinais normalmente se usa a transformada
discreta de Fourier, ou Discrete Fourier Transform (DFT), que discreta no s
no tempo, mas tambm na frequncia (Figura 4), tornando possvel representar
na

forma

de

uma

sequncia

de

nmeros

calcul-la

usando

um

microprocessador. Na figura 4, sinais peridicos no tempo tm espectros

30

discretos no domnio da frequncia. Sinais discretos no tempo tm espectros

peridicos no domnio da frequncia. Note uma semelhana entre a DFT e a srie
discreta de Fourier. (CARVALHO)

Figura 4 - Relao entre os diferentes casos especiais da Transformada de Fourier

A DFT se entende como uma verso amostrada da DTFT, ou seja, cada

coeficiente da DFT uma amostra da DTFT. Mas, h uma diferena significativa.
A DTFT uma representao do sinal como um todo, ou seja, ao longo de todo o
eixo do tempo.
A DFT uma representao de um trecho de durao finita o sinal. Uma
anlise mais profunda revela que a DFT nada mais que uma srie discreta de
Fourier. Na prtica, o que se faz ao se calcular a DFT de um trecho do sinal
calcular a srie discreta de Fourier de um sinal peridico, no qual cada perodo
exatamente igual ao trecho de sinal sendo analisado.
Esta aproximao tem consequncias importantes em vrias propriedades
da DFT, em comparao com as propriedades da DTFT. Uma diferena diz
respeito convoluo de sinais (usada na filtragem), que na DFT circular, e na
DTFT no. Outra diferena diz respeito multiplicao por uma fase linear no

31

domnio da frequncia (tambm comum em filtragens), que na DTFT causa

deslocamento no domnio do tempo. Na DFT o deslocamento circular, ou seja,
como o segmento de sinal (ou janela) tem um comprimento limitado de amostras
que so deslocadas para fora da janela reaparecem do outro lado da mesma
(Figura 5). (CARVALHO)

Figura 5 - Comparao entre deslocamento causado pela multiplicao por uma fase linear
no domnio da frequncia na DTFT (centro) e na DFT (em baixo)

32

3.7 Conceito do sinal analtico

Os sinais reais podem ser encontrados na natureza. Trabalhar com um
correspondente complexo, para a realizao de anlises o mais adequado na
matemtica.
Uma forma de fixar essa parte imaginria tomar o espectro desse sinal
real e sustentar que as frequncias negativas no so de existncia fsica
devendo, ento, ser descartadas. Para obter o sinal correspondente, transformase de volta esse espectro modificado. Esse novo sinal ter sua parte real idntica
ao sinal original e uma parte imaginria que a Transformada de Hilbert do sinal
real. O sinal resultante chamado de sinal analtico. O sinal ento multiplicado
por dois para compensar o fato de que, se desconsiderar metade do espectro, a
energia foi reduzida metade.
Quando se utiliza o sinal real, a parte positiva e a parte negativa do
espectro acabam interagindo criando termos cruzados. Quando se eliminam as
frequncias negativas, eliminam-se tambm os termos cruzados entre elas e as
frequncias positivas - WEIDERPASS (2003).

33

3.8 Algoritmo Fast Fourier Transform (FFT)

Conforme HANSEN (2011), FFT em ingls significa Fast Fourier Transform,
ou seja, Transformada Rpida de Fourier. O algoritmo FFT a verso mais rpida
da Transformada Discreta de Fourier (DFT).
A FFT utiliza alguns algoritmos inteligentes para fazer o mesmo que a DTF,
porm em menos tempo.
A DFT extremamente importante na rea de anlise de frequncia
(espectro), no qual pode ser obtido um sinal discreto no domnio do tempo e
transformar

em sua representao discreta no domnio da frequncia.

Sem

um tempo discreto para transformada de frequncia discreta, no seria possvel

calcular a

transformada

de

Fourier com

um

microprocessador ou

um

sistema baseado em DSP. a velocidade e a natureza discreta da FFT que nos

permite analisar o espectro de um sinal com o Matlab.

3.8.1 Caractersticas da DFT

Primeiramente, a DFT no o mesmo que o DTFT. Ambos comeam com
um sinal de tempo discreto, mas a DFT produz uma representao de domnio de
frequncia discreta, enquanto o DTFT contnuo no domnio da frequncia.
No entanto, estas duas transformadas tm muito em comum. Portanto, til
ter uma base de compreenso das propriedades da DTFT.
Periodicidade: A DTFT, X (ej), peridico. Um perodo se estende de f
=0

para fs,

onde fs

frequncia

de

amostragem. Aproveitando

esta redundncia, A DFT apenas definido na regio entre 0 e fs.

Simetria: Quando a regio entre 0 e fs examinada, pode-se ver que
h mesmo uma simetria em torno do ponto central, 0.5 fs, a frequncia
de Nyquist. Essa simetria acrescenta informao redundante.

34

A Figura 6 mostra a DFT (implementado com a funo do Matlab FFT) de

um cosseno com uma frequncia de 1 / 10 da frequncia de amostragem. Note-se
que os dados entre 0.5fs e fs um espelho de imagem dos dados entre 0 e 0.5 fs.

Figura 6: O Grfico mostra a simetria de uma DFT.

3.8.2 Matlab e o FFT

A Funo do Matlab no FFT uma ferramenta eficaz para calcular a
Transformada Discreta de Fourier de um sinal.
Os exemplos com os cdigos a seguir iro ajud-lo a compreender os
detalhes de usar a funo FFT.
Exemplo 1: A sintaxe tpica para o clculo da FFT de um sinal FFT (x,
N), onde x o sinal, x [n] que voc deseja transformar e N o nmero de pontos
na FFT. O

valor

de

N deve ser

to

alto

quanto o

nmero

de amostras

35

em x[n]. Para demonstrar o efeito de alterar o valor de N, sintetize um

cosseno com 30 amostras em 10 amostras por perodo.
n = [0:29];
x = cos(2*pi*n/10);

Definiram-se trs valores diferentes para N. Em seguida, obtida a

transformao de x[n] para cada um dos trs valores que foram definidos. A
funo abs encontra a magnitude da transformada.
N1 = 64;
N2 = 128;
N3 = 256;
X1 = abs(fft(x,N1));
X2 = abs(fft(x,N2));
X3 = abs(fft(x,N3));
A escala de frequncia comea em 0 e se estende at N 1para um Nponto FFT. Em seguida, a escala foi normalizada de modo que se estende de 0 a


1-
F1 = [0 : N1 - 1]/N1;
F2 = [0 : N2 - 1]/N2;
F3 = [0 : N3 - 1]/N3;
Cada transformada colocada em sequncia.
subplot(3,1,1)
plot(F1,X1,'-x'),title('N = 64'),axis([0 1 0 20])
subplot(3,1,2)
plot(F2,X2,'-x'),title('N = 128'),axis([0 1 0 20])
subplot(3,1,3)
plot(F3,X3,'-x'),title('N = 256'),axis([0 1 0 20])

Ao examinar o plot (mostrado na figura 7) pode se ver que cada uma das
transformaes adere s mesmas formas, diferindo apenas no nmero de
amostras utilizadas para se aproximar nessa forma.

36

Ao definir N1=30, pode-se descobrir o que acontece quando N o mesmo

nmero de amostras em x[n].

Figura 7: FFT de um cosseno para N = 64, 128 e 256.

Exemplo 2: No exemplo anterior (1), o comprimento de x [n] foi limitado a 3

perodos de comprimento. Agora, vamos escolher um valor grande para N (para
uma transformao com muitos pontos), e variar o nmero de repeties do
perodo fundamental.
n = [0:29];
x1 = cos(2*pi*n/10); % 3 periods
x2 = [x1 x1]; % 6 periods
x3 = [x1 x1 x1]; % 9 periods
N = 2048;
X1 = abs(fft(x1,N));
X2 = abs(fft(x2,N));

37

X3 = abs(fft(x3,N));
F = [0:N-1]/N;
subplot(3,1,1)
plot(F,X1),title('3 periods'),axis([0 1 0 50])
subplot(3,1,2)
plot(F,X2),title('6 periods'),axis([0 1 0 50])
subplot(3,1,3)
plot(F,X3),title('9 periods'),axis([0 1 0 50])

O cdigo anterior vai produzir trs grficos. O primeiro, a transformao de

trs perodos de um cosseno, parece que a magnitude de 2 sincs com o centro do
primeiro sinc no 0.1fs e a segunda em 0.9fs

.
Figura 8: FFT de um cosseno de 3, 6 e 9 perodos.

O segundo plot tambm tem uma aparncia sinc-like, mas sua frequncia
maior e tem uma maior magnitude de 01. fs e 0.9 fs. Da mesma forma, o terceiro
plot tem uma frequncia maior sinc e magnitude. Como x [n] estendido para um
grande nmero de perodos, o sincs vai comear com mais impulsos.

38

Quando a FFT calculada com um N maior do que o nmero de amostras

em x [n], ele preenche as amostras depois de x [n] com zeros. Exemplo 2 tinha
um x [n] que foi de 30 amostras longas, mas a FFT teve um N = 2048. Quando o
Matlab calcula a FFT, ele automaticamente preenche os espaos a partir de n =
30 para n = 2047 com zeros. Isto como obter uma senide e multiplicando uma
caixa retangular de comprimento 30. A multiplicao de uma caixa e uma senide
no domnio do tempo deve resultar na convoluo de uma sinc com impulsos no
domnio da frequncia. Alm disso, o aumento da largura da caixa no domnio do
tempo deve aumentar a frequncia do sinc na frequncia do domnio. O
experimento Matlab anterior suporta esta concluso - HANSEN (2011).

3.8.3 Anlise de espectro com a FFT e Matlab

Conforme HANSEN (2011), o algoritmo FFT no lhe fornece diretamente o

espectro de um sinal. Como vimos com os dois ltimos experimentos, a FFT pode
variar drasticamente dependendo do nmero de pontos (N) da FFT, e o nmero
de perodos do sinal que esto representados. H outro problema tambm
A FFT contm informaes entre 0 e fs, no entanto, sabemos que a
frequncia de amostragem deve ser pelo menos duas vezes o componente de
frequncia mais alta. Portanto, o espectro do sinal deve ser totalmente abaixo de

, a frequncia de Nyquist.
(HANSEN, 2011) Lembre-se tambm que um sinal real deve ter uma

magnitude de transformao que simtrico para frequncias positivas e

negativas. Ento, ao invs de ter um espectro que vai de 0 a fs, seria mais

apropriado mostrar o espectro de  para

. Isso pode ser feito utilizando o

Matlab com a funo fftshift, conforme demonstrado no cdigo abaixo.

39

n = [0:149];
x1 = cos(2*pi*n/10);
N = 2048;
X = abs(fft(x1,N));
X = fftshift(X);
F = [-N/2:N/2-1]/N;
plot(F,X),
xlabel('frequency / f_s')

Figura 9: Aproximao do Espectro de uma Senide com o FFT.

40

3.9 Anlise tempo-frequncia

H de fato, inmeras situaes fsicas em que a informao transportada
por o sinal reside na evoluo do seu contedo em frequncia ao longo do tempo.
Por exemplo, sinais de fala e alguns fenmenos naturais, tais como a transio de
luz do amarelo para vermelho durante o pr do sol, ou as variaes de ondas
emitidas pelo movimento dos objetos que causada pelo efeito Doppler. Muitos
sinais observados em astrofsica tambm so deste tipo. Entre os fenmenos
artificiais, tambm se mencionam os sinais recebidos por radares ou sistemas
sonares, os sinais de modulao que so usados para a transmisso de dados e
os fenmenos transitrios de sistemas oscilantes - HLAWATSCH, F; AUGER, F,
(2008).
Tcnicas de anlise de sinais no domnio do tempo ou no domnio da
frequncia no permitem visualizar como as componentes de frequncia variam
ao longo do tempo, mas este o objetivo da anlise tempo-frequncia. A tcnica
tradicional a anlise de Fourier de curto-termo, baseada em espectrogramas
construdos a partir da transformada de Fourier janelada, a Short-Time Fourier
Transform (STFT). Uma alternativa STFT so as Transformadas Wavelets
MEYER (1989), com os quais se obtm os escalogramas, que implementam a
anlise tempo-escala. (CARVALHO)

41

MTODOS
_____________________________________________________________

42

4 MTODOS
Foi utilizado o programa Matlab e tcnicas de processamento digital de
sinais para a anlise dos sinais biolgicos, estes fornecidos pela profa. Dra. Isabel
de Camargo Neves Sacco, da Faculdade de Medicina da USP.
Segundo WEIDERPASS (2003) o Kernel timo Adaptativo consegue
eliminar os termos cruzados e preservar de forma superior a discriminao no
tempo e na frequncia em diferentes relaes sinal-rudo.
A metodologia utilizada foi aplicar a anlise tempo-frequncia no sinal
biolgico, atravs da transformada de Kernel Adaptativo. O algoritmo foi
implementado no software Matlab. Os msculos analisados foram Fibular longo,
Gastrocnmio anterior, Tibial anterior e Vasto lateral; conforme ilustrados na
Figura 10.

Figura 10 - Os msculos em ordem sequencial, comeando da esquerda para direita. : 1

fibular longo, 2- gastrocnmio (anterior) , 3 tibial anterior e 4- vasto lateral .

43

Segue abaixo o script do algoritmo AOK (Adaptive Optimal Kernel) executado no Matlab
clear all
close all
[nome,caminho]=uigetfile({'*.asc'},'escolha o arquivo');
arquivo=fullfile(caminho,nome);
s=load(arquivo);
s1(:,:)=s(:,1);
s2=s(:,2);
s3=s(:,3);
s4=s(:,4);
subplot(2,2,1)
plot(s1)
xlabel('FIBULAR LONGO')
subplot(2,2,2)
plot(s2)
xlabel('GASTROCNMIO ANTERIOR')
subplot(2,2,3)
plot(s3)
xlabel('TIBIAL ANTERIOR')
subplot(2,2,4)
plot(s4)
xlabel('VASTO LATERAL')
Prompt='Escolha msculo';
Lista={'FL','GM','TA','VL'};
Inicial=1;
Selecao='single';
Tamanho=[260 70];
Titulo='EMG - Anlise por Wavelet';
[ind,ok]=listdlg('PromptString',Prompt,'ListString',Lista,'InitialValue',...
Inicial,'SelectionMode',Selecao,'ListSize',Tamanho,'Name',Titulo);
switch (ind)
case 1
sst=s1;
musculo='
case 2
sst=s2;
musculo='
case 3
sst=s3;
musculo='
case 4
sst=s4;
musculo='
end

FIBULAR LONGO';
GASTROCNMIO ANTERIOR';
TIBIAL ANTERIOR';
VASTO LATERAL';

figure(2)
periodogram(sst,[],'onesided',512,2000);
title(['Estimativa da Densidade Espectral de Potncia: - Musculo = '
musculo]);
% Anlise da densidade espetral de potncia. possvel verificar a banda
% de frequncias de cada sinal.
xlabel(['Frequncia (0 a 1000 Hz)']);
ylabel('Potncia/Frequncia (dB/Hz)');
grid on;
figure(3)
stem(abs(fft(sst)));
tic
tfr = rgk(sst,2);
toc
figure(4)
contour(tfr); xlabel('time'); ylabel('frequency');title(musculo)
disp('ddddd')
%mesh(tfr); xlabel('time'); ylabel('frequency');title(musculo)

44

RESULTADOS
_____________________________________________________________

45

5 RESULTADOS
Ao executar o algoritmo no console do Matlab, so exibidas quatro janelas.
A figura 11 ilustra a primeira janela exibida. Um primeiro resultado de anlise
temporal de um sinal eletromiogrfico contendo os msculos Fibular longo,
Gastrocnmio anterior, Tibial anterior e o Vasto lateral.

0.3

0.5

0.2
0

0.1
0

-0.5

-0.1
-0.2

1000
2000
FIBULAR LONGO

3000

-1

0
1000
2000
3000
GASTROCNMIO ANTERIOR

0.5

0.5

0
-0.5

-0.5
-1

1000
2000
TIBIAL ANTERIOR

3000

-1

1000
2000
VASTO LATERAL

Figura 11 Sinal EMG dos 4 msculos analisados.

3000

46

A figura 12 ilustra a decomposio em frequncia do sinal do msculo

Fibular Longo.
Estimativa da Densidade Espectral de Potncia: - Msculo = FIBULAR LONGO
-40

Potncia/Frequncia (dB/Hz)

-50
-60
-70
-80
-90
-100
-110
-120

0.2

0.4
0.6
Frequncia (0 a 1000 Hz)

0.8

Figura 12 Decomposio em frequncia e suas respectivas magnitudes do sinal

EMG do msculo Fibular Longo.

47

A figura 13 ilustra a representao em tempo-frequncia do msculo

Fibular Longo utilizando a Transformada Rpida de Fourier. Ao ampliar esta
escala de amostragem do sinal possvel verificar cada componente de
frequncia em um determinado intervalo.

Figura 13 - Ilustra a representao de vrias frequncias constituintes de um sinal

biolgico, obtidas a partir do algoritmo da FFT.

48

A figura 14 ilustra a representao em tempo-frequncia do msculo

Fibular Longo utilizando a transformada AOK.
FIBULAR LONGO

300

250

frequncia (Hz)

200

150

100

50

0
50

100

150

200

250

300
350
tempo (ms)

400

450

500

550

Figura 14 exibida a representao em tempo-frequncia do msculo Fibular

Longo usando a transformada de kernel timo adaptativo.

49

DISCUSSO e CONCLUSES
_____________________________________________________________

50

6 DISCUSSO e CONCLUSES
O presente trabalho foi uma abordagem inicial na tentativa de se perceber
caractersticas dinmicas de sinais biolgicos dos msculos: Fibular longo, Tibial
anterior, Gastrocnmio anterior e Vasto lateral, no qual, permitiu a compreenso
de como aplicar a teoria estudada.
A anlise de sinais no domnio do tempo e da frequncia aplicada em
diversas reas do conhecimento, por fornecer uma viso holstica, tratando-se
notadamente de uma rea multidisciplinar.
Tais reas, segundo WEIDERPASS (2003) so: processamento do sinal de
voz, processamento de sinais biolgicos, sistemas para deteco em radares,
deteco de movimento em imagens, entre outras.
.

51

REFERNCIAS
_____________________________________________________________

52

REFERNCIAS

HLAWATSCH F. ; AUGER, F. Representations in time and frequency. TimeFrequency Analysis: Concepts and Methods. Londres : ISTE and Wiley,
2008. p.137
ZILL, D.G.; CULLEN, M.R. Equaes Diferenciais. 3. ed. So Paulo : MAKRON
Books, 2001. Volume 2, p 385-387
HANSELMAN, D. ; LITTLEFIELD B. Operaes com Vetores e Matrizes.
Matlab 6 - Curso Completo. So Paulo : Prentice Hall (Pearson),2004,
676 p.
KUNCICKY, D. MATLAB Programming. 1.ed. Florida: Prentice Hall, 2003,
288p.
CARVALHO J.L.A et al. Processamento de Sinais Biolgicos, Braslia.
Disponvel em: <http://www.pgea.unb.br/~joaoluiz/pdf/adson-psbcapitulo.pdf>. Acesso em 29 jan. 2012.
SACCO I. C. N., AMADIO A.C. (2003). Influence of the diabetic neuropathy of
the behavior of electromyographic and sensorial responses in treadmill
gait. ClinicalBiomechanics; 18(5): 425-34. Sao Paulo: Clinical
Biomechanics.
HANSEN, J. FFT Tutorial. Kingston. nov.2011. Tpico lab 1.Disponvel em:
<http://www.ele.uri.edu/courses/ele436/labs/fft.pdf> Acesso em: 10 jan.
2012.
SADIKU, MATTHEW N. O. SADIKU; ALEXANDER, CHARLES K.
Fundamentos de Circuitos Eltricos. Porto Alegre: Bookman, 2003, 857
P.
WEIDERPASS, H. A.Estudo de mtodos para representao conjunta espao,
tempo e frequncia em sinais multidimensionais. 2003. 114 p.
Dissertao (Mestrado em Engenharia) - Escola Politcnica da
Universidade de So Paulo, So Paulo, 2003.
Imagens dos msculos disponveis:
<http://www.rad.washington.edu/academics/academicsections/msk/muscle-atlas/lower-body>.Acesso em: 14 ago. 2011.

53