MASTER DE INGENIERA

BIOMDICA.
Procesado de bioseales.
Tema 4: Transformada
Tiempo-Frecuencia y
Wavelets.
Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

1
Objetivos del tema
Conocer en qu consiste un anlisis de Fourier de una seal. Aprender
sus limitaciones y las soluciones planteadas.

Conocer por qu se plantea un anlisis por wavelets.

Conocer las funciones base wavelet y las caractersticas que deben

cumplir cada una de ellas.

Conocer por qu es interesante este tipo de anlisis en el procesado de

bioseales.

Conocer en qu consiste un anlisis multiresolucin y su posible

aplicabilidad en bioseales.
Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

2
Por qu usamos transformadas?
Podramos definir una transformada como toda aquella operacin matemtica
que mapea una determinada secuencia (u operador) con una determinada
dependencia a otro espacio donde se tiene otra dependencia diferente

Ventajas de su uso.

La transformada puede aportar o descubrir informacin que en

el dominio inicial puede no estar disponible (o no existir).

En el dominio transformado es ms fcil (y en algunas ocasiones

posible) resolver ecuaciones/problemas planteados en el espacio
origen

La transformada puede necesitar menor cantidad de memoria

para ser almacenada por lo que se puede comprimir la seal
original en el espacio transformado.
Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

3
Anlisis de Fourier; qu se busca?.
Una de las herramientas ms usadas en ingeniera es el anlisis de
Fourier que consiste en determinar la descomposicin de la seal
en una suma (finita, o infinita) de sinusoides. Mapeamos nuestra
informacin que depende del tiempo en magnitudes que dependen
de la frecuencia de esas sinusoides.

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

4
 Anlisis de Fourier, problemas.
1
El anlisis de Fourier da
informacin sobre la
0.5

0.5
descomposicin de
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
sinusoides pero no la da
30
Segundos
sobre cuando se
20
producen. Adems
fenmenos transitorios
se reflejan en todo el
10

espectro.
0
0 5 10 15 20 25 30 35 40 45 50
Frecuencia

Si nos fijamos en la Transformada de Fourier Esa longitud infinita (no tenemos las
tenemos que, el significado de la funcin, es sinusoides localizadas en el tiempo)
el resultado de una correlacin entre la hace que se pierda toda
funcin y las funciones seno/coseno de informacin temporal sobre el
longitud infinita tiempo de ocurrencia de cada
! sinusoide, NO PODEMOS FIJAR
T (jw) = f (t) ejwt
TEMPORALMENTE UN EVENTO
CON ELLA.
Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

5
Transformada de Gabor
En 1946 Gabor plantea el uso de
una funcin gaussiana para acotar la
duracin temporal de la seal.
Posteriormente se determina la
Transformada de Fourier, este
procedimiento se repetira
desplazando la gaussiana a lo largo
de la seal para darle un enfoque
local a la Transformada de Fourier
Aqu aparece un nuevo parmetro, , que
es el centro de la gaussiana que limita a
x(t) por lo que transformada inversa ser
bidimensional (w y el parmetro ).
La eleccin de la anchura en esta
transformada es fundamental; si
se quieren localizar
temporalmente fenmenos muy
breves se usan ventanas
estrechas (mala resolucin
frecuencial) y, a la inversa,
ventanas anchas para tener una
buena resolucin espectral
(Principio de Heisenberg).
Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE
6
Transformada Tiempo-Frecuencia
Generalizando la idea de Gabor.....

Hemos avanzado.....antes.....

ahora.......

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

7
Transformada Tiempo-Frecuencia

Con esta transformada ya

tengo posibilidad de establecer
fenmenos locales pero la
eleccin de la ventana es
problemtica por su
dependencia con las
caractersticas de la seal
(estacionariedad y posibilidad
de deteccin de los fenmenos
que se desean observar).
Adems tenemos efectos de
bordes en las uniones entre
dos ventanas consecutivas.

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

8
 Wavelets, Introduccin.
Estas herramientas de anlisis/sntesis de seales surgen en los 80 en el campo de
la sismologa. De este campo salt rpidamente al resto de aplicaciones de
procesado de la seal por su capacidad para la deteccin de cambios,
discontinuidades, tendencias y auto-similitud en seales (adems de aplicaciones de
compresin; el estndar JPEG se basa en estas tcnicas).
En las wavelets se tienen dos parmetros (escala y traslacin) lo que permite
mayor libertad que un anlisis de Fourier clsico (slo se dispone del parmetro
de la frecuencia de la sinusoide). Una posible definicin de wavelet sera la de seal
oscilante que est concentrada en el tiempo por lo que puede representar mejor
transitorios o funciones no estacionarias que un anlisis de Fourier convencional.
Cuando se realiza un anlisis wavelet se buscan dos cosas: determinar la
presencia de una determinada componente as como el lugar donde se
encuentra esa componente. En un anlisis de Fourier las funciones base
(cosenos/senos) se extienden de AQU NO.

Tenemos una herramienta para analizar bioseales tan

extendidas como los potenciales evocados, EEG
Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE
(deteccin de picos epilpticos, etc).
9
Qu es una wavelet?
Como su nombre indica, es una ndita, esto es, es una seal oscilante que est
localizada en el tiempo lo que permitir encontrar transitorios y fenmenos
variante temporales.
Lo que se tendr es una wavelet madre y se trabajar con versiones desplazadas
y comprimidas/expandidas temporalmente de esa funcin (esta ltima
caracterstica se controlar con un factor conocido como escala).
t Si s>1 la seal se dilata o se extiende
(t) ( ) temporalmente y si s<1 se tiene que la seal se
s comprime temporalmente

Valor medio cero

Momentos=0
(hasta N interesa
N altos)

Esta importante propiedad no la tiene la

transformada de Gabor y es la que permite detectar
los fenmenos puntuales que se produzcan en la
seal en un determinado instante.
Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

10
 Pero....hemos avanzado?
El principio de Heisenberg
nos indica que el producto de
la resolucin temporal por la
frecuencial debe ser igual o
mayor a una cierta
cantidad.....se sigue
manteniendo pero ahora de
una forma ms ptima.

Ahora lo que hacemos es que

las frecuencias altas (cambios
bruscos) les damos una
mejor resolucin temporal
para poder detectar esos From http://www.cerm.unifi.it/EUcourse2001/Gunther_lecturenotes.pdf, p.10

cambios. En cambio las Seguimos enventanando la seal como en la

frecuencias bajas (cambios Transformada TF siendo la seal que enventana
lentos) les damos una mejor la seal wavelet. La manera de variar la anchura
resolucin frecuencial pero de la ventana es mediante la escala.
menor temporal. Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

11
 El concepto de escala
La escala tiene una
correspondencia con el
concepto de frecuencia;
por una parte se tiene que
una alta escala analiza ms
seal (mayor extensin
temporal) lo que
equivaldra a analizar una
baja frecuencia. Al
contrario una baja escala
supone el poder analizar
altas frecuencias con una
mayor resolucin temporal
pero menor resolucin
espectral (hay que fijarse,
en las figuras
frecuenciales, en el
desplazamiento de la
frecuencia central y la
anchura del lbulo). Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

12
El concepto de escala

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

13
Transformada Wavelet continua (CWT).
Esta transformada consiste, bsicamente, en una correlacin entre la wavelet
madre (t), desplazada y escalada, y una cierta seal x(t).
Cuando se tenga un valor alto
!
1 t de ese coeficiente w(s,)
w(s, ) = x(t) ( ) dt significa que la seal x(t) se
s s parece a la seal definida por
Factor de La wavelet la funcin [(t-)/s]; pequeos
normalizacin madre valores indican entonces
desplazada y/o pequeos parecidos. Tenemos
escalada una forma de establecer un
parecido a diferentes tiempos
En nuestro ejemplo anterior y escalas.

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

14
Transformada Wavelet Continua (CWT).
Se puede ver como el resultado de un filtrado lineal de la seal 1 t
con un sistema que tiene la siguiente respuesta impulsional. ( )
s s
Cada uno de estos sistemas tiene una respuesta en 1
frecuencia que queda definida por la respuesta en Hs (w) = H(s)
frecuencia de la wavelet madre sin escalar ni desplazar
s

En definitiva tendramos, desde un punto

de vista frecuencial, un banco de filtros
pasa-bandas con diferentes frecuencias
centrales y anchuras de filtros que se
incrementan linealmente con la frecuencia.

En cierta manera, se podra ver la CWT

como un analizador espectral (si se van a
sacar parmetros de zonas espectrales se
puede usar de esta forma; un ejemplo de
esto es el anlisis de sonidos cardacos
para determinar posibles patologas. Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

15
Algoritmo para determinar la CWT
Escalograma
1. Escoge una wavelet madre
2. Fija un valor de escala y
desplaza temporalmente la
wavelet madre para calcular la
CWT de acuerdo a la
expresin anterior.

3. Da otro valor al parmetro

de escala y vuelve al paso 2.

Valor absoluto del coeficiente wavelet

Wavelet Morlet Compleja

- Parte Real - Parte compleja
Escala

tiempo

Tiempo
Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

16
Y si la seal no es continua?
En el caso de tener una
seal discreta, x(n), y no (sj , uk ) = (2 , k 2 : j, k Z)
j j

continua x(t) se utiliza la

Transformada Si, por ejemplo, se tiene una seal de 512 muestras
Wavelet Discreta y escogemos j=3 examinaremos las correlaciones
(DWT) para s=8 en las posiciones n=8,16,32, ...512)

La DWT se puede implementar usando multiplicacin de matrices pero,

normalmente, se usan bancos de filtros implementados con el algoritmo de Mallat
que es un algoritmo mucho ms eficiente y rpido (Mallat, S. A Wavelet Tour of Signal
Processing, Academic Press, 1999).
Hay que destacar que los resultados
Existen algunas guas a la hora de
obtenidos van a depender de la seleccin
utilizarlas, por ejemplo se sabe que las
de las wavelets madre ya que cada una de
Daubechies 4 (Db4) dan buenos
ellas presentan propiedades diferentes
resultados cuando se puede usar una
(de hecho su forma es diferente! y
aproximacin lineal cada 4 muestras.
buscamos correlaciones...).
Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

17
Anlisis multiresolucin.
La DWT se poda ver desde un punto de vista Arbol de
frecuencial, cuando llevamos a cabo un anlisis de descomposicin
este tipo lo que hacemos es descomponer la Wavelet
seal en diferentes zonas frecuenciales. El
algoritmo ms extendido (Mallat) implementa la
DWT usando esta aproximacin frecuencial. Es un
proceso iterativo donde la seal se divide
primero en dos zonas, alta y baja frecuencia y,
sobre la de baja frecuencia, se repite el proceso....
APROXIMACIONES (A) Se corresponden con altas escalas, bajas frecuencias de la
seal.
DETALLES (D) Se corresponden con bajas escalas, alta frecuencias de la
seal

Esta descomposicin multinivel conduce de forma natural a dos aplicaciones: la

compresin de seales (no todos los niveles son necesarios) y la eliminacin de
ruido (en qu zona se encuentra dicho ruido, en qu nivel?
Se puede generalizar el rbol descomponiendo tambin los detalles..se tiene
entonces lo que se conoce como wavelet packet. Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE
18
Anlisis multiresolucin.

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

19
Anlisis multiresolucin.

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

20
Y si tenemos una imagen?
COLUMNAS ~
H 1 2 LL
FILAS ~
H 2 1
COLUMNAS
~
G 1 2 LH
COLUMNAS
FILAS

IMAGEN
~
H 1 2 HL
~
G 2 1
ROWS
~
G 1 2 HH
COLUMNAS

LLL LLH LLH

LL LH LH LH
LHL LHH LL
LHL LHH
IMAGEN
HL HH HL HH HL HH

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

21
Wavelets y Matlab (I). >>wavedemo

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

22
Wavelets y Matlab (V).

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

23
Wavelets y Matlab (II). >>wavedemo

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

24
Wavelets y Matlab (III). >>wavemenu

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

25
Wavelets y Matlab (IV).

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

26
Aplicaciones en ingeniera biomdica.
Debido a un flujo anormal
aparecen los murmullos;
estos sonidos reflejan un
mal funcionamiento del
ciclo cardaco.

Corazn con
problemas.

Corazn sano Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

27
 Aplicaciones en ingeniera biomdica.
EEG de superficie
Las wavelets son la
herramienta natural
de analizar una seal
de EEG de superficie
por las caractersticas
no estacionarias de
esta seal. Hay que
tener en cuenta que,
adems de cada
estado puedo tener
transiciones entre
ellos.

y si
considero
registros no
superficiales
......
Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

28
 Aplicaciones en ingeniera biomdica.
Electrocardiografa Deteccin de Deteccin de Deteccin de
ondas potenciales potenciales
caractersticas en evocados ventriculares
el ECG (P,T, QRS) tardos
Imgenes Imgenes de Tomografa axial Deteccin de
resonancia (mejora computerizada microcalcificaciones
de imgenes y
eliminacin de ruido)

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

29
Aplicaciones en ingeniera biomdica.

Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

30
MASTER DE INGENIERA
BIOMDICA.
Procesado de bioseales.
Tema 4: Transformada
Tiempo-Frecuencia y
Wavelets.
Profesores: Emilio Soria y Juan Guerrero, Dpto Ingeniera Electrnica, ETSE

31