paper ID: 1007 /p.

Técnicas de procesamiento digital de señales para

reducción de ruido de señales de múltiples sensores
asíncronos.

J. Godoya, S. Fingerhutha
a
Escuela de Ingeniería Eléctrica, Pontificia Universidad Católica de Valparaíso, Av. Brasil 2147, Valparaíso,
Chile, sebastian.fingerhuth@ucv.cl

RESUMEN: En este trabajo se presentan las herramientas de tratamiento de señales requeridas para lograr una
mejora en la relación señal a ruido (SNR) de secuencias que se obtienen de N sensores de aceleración. Estos miden
la misma señal, pero de manera asíncrona, es decir con frecuencia de muestreo fija, pero distinta para cada uno de
los N sensores. Además, se incorporan fuentes de ruido blanco como lo es el ruido térmico de cada sensor. Esto
sucede con muchos sensores o redes de sensores que no cuentan con un reloj común, por ejemplo sensores de
medición o monitoreo que se basan en sistemas embebidos.
Se analizan dos posibles casos: en el primero de ellos una señal de referencia se muestrea con tasas de muestreo
baja, tomando valores levemente distintos para cada uno de los N sensores simulados.
En el segundo caso se aumenta la frecuencia de muestro de cada sensor en un factor de 8, técnica conocida como
sobremuestreo (oversampling). Para cada uno de estos casos se aplican técnicas de interpolación y decimación
para modificar la tasa de muestreo de tal forma de llegar a una tasa común. Posteriormente se promedian estas
secuencias de datos, tanto en el dominio del tiempo como en el de la frecuencia, para analizar las diferencias y
comparar resultados, principalmente en lo que respecta a la mejora de la relación de señal a ruido.
La herramienta utilizada es MATLAB, desarrollado por la empresa MathWorks y en muchos casos es utilizada
para el procesamiento digital real de los datos obtenidos. Por lo que no solo se presenta como una simulación sino
también como un acercamiento a la programación real que debe tener un procesamiento digital.

KEYWORDS: Sensores, instrumentación, medición, procesamiento digital de señales, filtros FIR,

acelerómetros, relación señal ruido, interpolación, decimación.
 IX Congreso Iberoamericano de Acústica, FIA2014 paper ID: 1007 /p.2

1. INTRODUCCIÓN
La medición de oscilaciones es de gran importancia en la Ingeniería Civil, ya que
permite detectar el estado y comportamiento, por ejemplo, de estructuras.
Para el monitoreo y medición de vibraciones se utilizan, sismómetros, geófonos y
acelerómetros en general. Por lo general existe una relación entre el costo y la calidad de los
equipos de medición. La calidad se refleja en características como resolución, frecuencias de
muestreo, niveles de ruido, etc. En la Escuela de Ingeniería Eléctrica de la Pontificia
Universidad Católica de Valparaíso se ha estado trabajando con algunos acelerómetros MEMS
(Microelectromechanical systems) de bajo costo y también con acelerómetros para aplicaciones
sísmicas de alto costo y calidad.
Este trabajo presenta, mediante simulación, el impacto que puede producir la
incorporación de técnicas de DSP a las señales obtenidas por estos sensores. Estas técnicas en
sí son ampliamente conocidas en el área de la ingeniería electrónica e instrumentación y de
procesamiento de señales pero muchas veces desconocidas o no completamente comprendidos
en otras áreas de ingeniería.
Si se cuenta con varios sensores, de cualquier tipo, pensados para funcionar de manera
conjunta se habla de una red de sensores (sensor network). Existen tres casos posibles de
funcionamiento de la red de sensores.
El primero es contar con un sincronismo completo entre las mediciones de los sensores:
todos comienzan simultáneamente las mediciones y tienen exactamente la misma frecuencia de
muestreo. Este caso se da por ejemplo cuando existe un reloj (clock) que se comparte entre los
distintos dispositivos encargados de la conversión análoga digital (AD) o bien cuando señales
de varios sensores son digitalizados en un equipo AD de múltiples canales.
El segundo caso, que es desarrollado en este trabajo, es aquel en el que se cuenta con un
comienzo sincronizado de las mediciones, pero en el que los distintos sensores (canales) tienen
frecuencias de muestreo no idénticas, típicamente levemente distintos.
Finalmente, el caso más desfavorable es no contar con información de comienzo
síncrono ni de frecuencias de muestreo idénticas, tal vez incluso desconocidas.
En este trabajo se simula una red de cuatros sensores de aceleración (el subíndice i
representa los distintos sensores) llamados Si, que se configuran para tener todos la misma
frecuencia de muestreo, por ejemplo 200 Hz; en la práctica estas frecuencias Fsi no son
idénticas, pero sí cercanas a estos 200 Hz.
Los dos últimos casos descritos pueden ser bastante comunes, considerando que muchos
de los sistemas de medición en red (sensor networks) funcionan en base a sensores MEMS,
microcontroladores o sistemas de datalogger autónomos en los que los datos son recogidos de
manera independiente y consolidados posteriormente, a veces en tiempo (casi) real a través de
canales de comunicación cableados estándar o inalámbrico (ethernet, I2C, SPI, UART, etc.) lo
que además suma el problema de la latencia, otras veces en tiempo diferido al realizar la lectura
de datos de los datalogger.
Un segundo problema que puede aparecer al medir con sensores de bajo costo es su
sensibilidad; el nivel de ruido del sensor es relativamente alto en relación con las magnitudes
de señal útil que se tienen. Es el caso por ejemplo al medir vibraciones estructurales de pequeña
amplitud y baja frecuencia. Las fuentes de ruido pueden ser ruido que acompaña a la señal
(ruido externo), ruido electrónico producido en los componentes electrónicos (ruido interno) y
el ruido que se genera por tener señales de baja amplitud en relación a la resolución del sistema
(ruido de cuantización). Según el tipo de ruido las técnicas que buscan reducirlo son distintas.
Para resolver el problema de las distintas frecuencias de muestreo entre sensores se
presentarán las técnicas de interpolación y decimación.
 IX Congreso Iberoamericano de Acústica, FIA2014 paper ID: 1007 /p.3

Luego, mediante técnicas de promediación de las secuencias, se busca reducir el nivel

de ruido que afecta a la señal, para así aumentar la relación señal a ruido.
En conjunto, combinando estas dos técnicas será posible utilizar varios sensores de bajo
costo midiendo exactamente la misma señal, para así obtener una señal de mejor calidad.
Para el proceso de simulación que se presenta en este trabajo se genera una señal de
aceleración con tres componentes sinusoidales, que representan la señal de interés a la que se
le suma una componente de ruido, simulando el ruido intrínseco (interno) del sensor. El ruido
es modelado mediante una función aleatoria de densidad de probabilidad de media cero y cuya
desviación típica es igual al valor eficaz (RMS) de la amplitud del ruido. Este tipo de ruido
tiene una densidad espectral de potencia (potencia por unidad de frecuencia) constante para
todas las frecuencias, por lo que se considera una fuente de ruido aditivo blanco.
Tabla 1: Variables, su descripción y su nombre en Matlab

Variable Descripción
i i representa al índice del sensor
Si Cada uno de los i sensores
Fsi Frecuencia de muestreo para cada uno de los i sensores [Hz]
Ttime Duración de la señal de ruido en [s]
Señal de aceleración pura del sensor i, que consta de varias sinusoides
si y que es igual para cada uno de los i sensores, pero que ya como
secuencia (digital) es distinta, porque depende de Fsi
Señal de ruido proveniente de cada uno de los i sensores. Esta señal es
ni
distinta para cada uno de los sensores y luego también como secuencia
Aj Amplitud (RMS) de cada una de las j componentes sinusoidales
Amplitud (RMS) de la componente de ruido. Esta amplitud es igual
Anoise
para cada sensor, pero no la secuencia
Señal de salida del sensor i que es la suma de la sinusoide y ruido:
xi
xi = si + ni
Frecuencia de muestreo común a la que se busca llegar y que tiene un
Fscomm
valor similar a Fsi

2. RUIDO INVOLUCRADO
En general, y refiriéndose en este caso a sensores de aceleración, cada señal que se
obtiene de un sensor real contiene ruido proveniente de distintas fuentes: ruido electrónico en
sus distintas formas (agitación térmica de los electrones y las variaciones aleatorias de los
portadores de carga que recibe el nombre de ruido térmico o de Johnson) y que es imposible de
eliminar o por ejemplo ruido de cuantización en caso de señales digitalizadas por un conversor
análogo digital (ADC). Es decir, la señal eléctrica que se obtiene del sensor es distinta a la señal
medida y finalmente registrada. La diferencia entre ambas es llamada ruido. Además es posible,
dependiendo del problema u objeto a medir, que se incluya también dentro de la definición de
ruido a otro tipo de vibraciones externas (Fig 1 izquierda).
En este trabajo el ruido intrínseco se genera mediante una secuencia aleatoria de
distribución normal. Para este tipo de secuencias es más representativo el valor RMS que la
amplitud. En caso de conocerse el rango de frecuencias esperadas de la señal es reducir el ruido
a través de algunas técnicas como el instalar un filtro análogo anti-alias (FAA) antes de la
 IX Congreso Iberoamericano de Acústica, FIA2014 paper ID: 1007 /p.4

entrada del ADC, tal como se presenta en la Fig. 1 (derecha). En la Tabla 1 se presentan las
variables que fueron utilizadas en el programa de simulación y que pueden ser modificadas.
Por otro lado, el sobremuestreo, también denominado oversampling, consiste en
aumentar la frecuencia de muestreo (Fs) n veces y que, junto a ser útil para simplificar el orden
del filtro pasabajos FAA, permite disminuir la potencia (nivel) del ruido de cuantización dado
por la ecuación (1), ya que al aumentar Fs se aumenta el denominador de la ecuación. En la
ecuación (1) PSD es la densidad espectral de potencia (power spectral density) y LSB es el bit
menos significativo (least significative bit).

(Valor LSB)2 1
PSDruido = (1)
12 Fs

En Fig. 2 se puede ver el diagrama en bloques del acelerómetro ADXL345, donde se

observa un filtro digital después del ADC para suavizar los datos de salida.

Fig. 1: Ruido involucrado en el proceso de toma de datos para un sensor de aceleración

(izquierda). Incorporación de un filtro FAA pasabajo que permite reducir el nivel de ruido
(derecha).

Fig. 2: Diagrama en bloques del sensor ADXL345.

3. SIMULACIÓN DE LAS MUESTRAS

La señal de aceleración sinusoidal s(t), que se muestreará, está compuesta por la suma
de tres sinusoides, de amplitud y frecuencia mostradas en la Tabla 2.

𝑠(𝑡) = √2 ∙ 𝐴1 ∙ sin(2π6t) + √2 ∙ 𝐴2 ∙ sin(2π12t) + √2 ∙ 𝐴3 ∙ sin(2π12√2t) (2)

 IX Congreso Iberoamericano de Acústica, FIA2014 paper ID: 1007 /p.5

Tabla 2: Amplitud y frecuencia de las componentes de la señales

Componente Amplitud Frecuencia

1 0.2 6 Hz
2 0.4 12 Hz
3 0.8 12√2 Hz

Así, la señal está compuesta por tres sinusoides como se presenta en la ecuación (2). El
nivel de ruido utilizado está definido por su valor RMS.
Con línea punteada en la Fig. 3 a) se pueden ver los primeros 120 milisegundos de las
cuatro señales puras si(t), en el que se marcan los instantes en los que fueron muestreados, cada
uno a una Fs levemente distinta. Así es posible ver que la primera muestra coincide
(sincronismo en el momento de partida) pero ya después de algunas muestras la falta de
sincronismo es evidente. En la Fig. 3 b) se ven las 100 primeras muestras de las mismas cuatro
señales, en las que a medida que pasa el tiempo, también se nota la consecuencia de las distintas
Fs. Finalmente en la Fig. 3 c) se presentan las 25 primeras muestras de x2(t) correspondiente al
sensor 2 además de las sinusoides puras s2(t) y el ruido n2(t). Así es posible ver que la amplitud
del ruido es varias veces mayor que el nivel de señal sinusoidal.

Fig. 3 a) señal de aceleración. b) secuencia de aceleración. c) secuencia sensor #2.

Los niveles de potencia de señal, ruido y señal con ruido se presentan en la Tabla 3
haciendo uso de la Relación Señal a Ruido (SNR) expresada en dB en la ecuación (3) donde la
variable s hace referencia a la señal y la variable n al ruido.

Tabla 3. Potencias de señal y ruido y relación señal-ruido para los distintos casos.
Sensor Potencia señal pura Potencia ruido SNR
S1 -0.75 dB re 1 14.97 dB re 1 -15.72 dB
S2 -0.75 dB re 1 14.98 dB re 1 -15.73 dB
S3 -0.75 dB re 1 14.99 dB re 1 -15.75 dB
S4 -0.75 dB re 1 15.04 dB re 1 -15.80 dB
 IX Congreso Iberoamericano de Acústica, FIA2014 paper ID: 1007 /p.6

En el desarrollo de esta experiencia el ruido se representa por medio de una secuencia

aleatoria de distribución de probabilidad normal y espectro plano. Al utilizar la ecuación (3)
para calcular la SNR en las cuatro secuencias de salida entregadas por los sensores, se obtendrá
lo expresado en la última columna de la Tabla 3.
𝑠
SNRdB =20 log10 (n RMS ) (3)
RMS

El valor SNR es similar en los 4 sensores y al ser demasiado bajo indica que la señal
está bastante contaminada por el ruido, dicha percepción quedó demostrada en la Fig. 3 c).
Se debe aclarar que esta parte es una simulación computacional; sólo se puede hablar
de señales en el mundo análogo y que los computadores operan en tiempo discreto, en el mundo
digital, pero si se utiliza un tiempo entre muestras ∆t bastante pequeño, dado por la frecuencia
de muestreo, se puede lograr ‘reproducir’ una señal continua, como lo define el teorema del
muestreo. Se entiende que los datos entregados por los sensores son secuencias que están
disponibles para trabajarlos digitalmente.

3.1 Etapa de Muestreo

Se simulará la toma de datos a través de 4 sensores; en un primer caso, de aquí en

adelante llamado Caso Low-Fs, cada uno de los sensores i tendrá una frecuencia de muestreo
baja Fsn, cercana a los 200 Hz y ligeramente distinta entre ellos, las cuales se muestran a
continuación:

Fs1 = 196 Hz; frecuencia de muestreo sensor 1.

Fs2 = 198.4 Hz; frecuencia de muestreo sensor 2.
Fs3 = 200 Hz; frecuencia de muestreo sensor 3.
Fs4 = 201.6 Hz; frecuencia de muestreo sensor 4.

En la simulación a cada sensor se le suma una secuencia de ruido distinta, tal como
sucede en la realidad con 4 sensores. Un segundo caso, en adelante Caso High-Fs, es utilizar
los mismos sensores pero aumentando la frecuencia de muestreo en un factor de 8, para hacer
lo que se llama oversampling. Las frecuencias son por lo tanto:

Fs1 = 1568 Hz; frecuencia de muestreo sensor 1.

Fs2 = 1587.2 Hz; frecuencia de muestreo sensor 2.
Fs3 = 1600 Hz; frecuencia de muestreo sensor 3.
Fs4 = 1612.8 Hz; frecuencia de muestreo sensor 4.

3.2 Estimación de la densidad espectral de potencia PSD a través del método de Welch

El método de Welch consiste en dividir el registro original de N puntos, en segmentos

más cortos de M puntos traslapando entre sí L muestras. Posteriormente se aplica una ventana
temporal a cada segmento, y se calcula el periodograma para cada segmento ya ponderado con
la ventana. El periodograma final se obtiene promediando todos los periodogramas parciales
[1].
Se estima la PSD a través del método descrito anteriormente para las secuencias s1[n]
entregadas por cada sensor i para ambos casos; Low-Fs y High-Fs. Se aplica ventana Hanning
y se divide la señal de entrada en segmentos de 256 muestras para el Caso Low-Fs y 2048
 IX Congreso Iberoamericano de Acústica, FIA2014 paper ID: 1007 /p.7

muestras para el Caso High-Fs. El traslape es de un 75%, mientras que el tamaño de las FFT
(nfft) es 8 veces mayor que la longitud de los segmentos, con el fin de mejorar la definición
espectral. Dado que la señal es de valor real, la estimación de la PSD es unilateral y tiene 𝑛⁄2 +
1 puntos, es decir 1025 puntos para el Caso Low-Fs y 8193 puntos para el caso High-Fs.
La PSD para el Caso Low-Fs se observa en la Fig. 5 (izquierda) donde solamente se
puede detectar las componentes con las dos frecuencias más altas (que son las que tienen mayor
amplitud, ver ecuación (2) y Tabla 2). La componente de frecuencia más baja se pierde entre el
ruido. De manera similar en la Fig. 6 se muestra la PSD para el Caso High-Fs, donde se ven las
mejoras que produce el sólo hecho de haber muestreado a una frecuencia más alta, donde se
distinguen pese al ruido, las 3 componentes sinusoidales.

4. TRATAMIENTO DE LAS SECUENCIAS

A continuación se presentará el resultado del proceso de promediar las señales de tal
forma de obtener también una mejora en la relación señal-ruido [2].
La mejora de la SNR promediando señales se obtiene porque por un lado se tiene el
ruido que es una secuencia de número aleatorio, que al ser promediado con otras secuencias
distintas y completamente independientes, reduce su desviación estándar. Por otro lado, al tener
una señal idéntica en los cuatro sensores (dado por una señal determinística en la simulación en
Matlab), el realizar un promedio de éstas, no cambia nada; se obtiene por lo tanto una mejora
neta de la SNR.

4.1 Etapas de Interpolación y Decimación.

Las etapas de interpolación y decimación, mostradas en la Fig. 4 (a), en forma

combinadas son utilizadas para producir un cambio en la frecuencia de muestreo, se aprecia
una etapa de upsampling (↑L) seguida por un filtro pasabajos LPFL, en cadena con un segundo
filtro pasabajos LPFM y una etapa de downsampling (↓M). Según los factores de upsampling
(L) y downsampling (M) se utilizan los siguientes términos: si L > M existe interpolación, y si
M > L existe decimación.
Ambos filtros, el de interpolación y el de la etapa de decimación, se pueden combinar
en un único filtro LPFL/M para ahorrar carga computacional, ver Fig. 4 (b), considerando que el
filtro debe atenuar todos los componentes espectrales cuyas frecuencias estén por encima de
Fsold/2 o Fsold/2(L/M).
El uso de estos métodos permitirá obtener una frecuencia de muestreo igual para los
cuatro sensores.

Fig. 4: Cambio de frecuencia. a) Interpolación y Decimación por separado. b) Filtro

pasabajos único. [3]
 IX Congreso Iberoamericano de Acústica, FIA2014 paper ID: 1007 /p.8

El filtro digital LPFL/M utilizado en este trabajo es un filtro FIR realizado a través del
método Óptimo de Parks-McClellan [1], el cual tiene las siguientes características: un ripple en
la banda de paso de 1/30 dB, y una atenuación en la banda de rechazo de 40 dB, las frecuencias
de corte están calculadas en base al factor L/M. En la Fig. 5 (derecha) se puede apreciar para el
Caso Low-Fs el espectro de las cuatro secuencias que pasaron por la etapa interpolación y
decimación, incluido el filtro pasa bajo. Los filtros utilizados son cuasi idénticos para los cuatro
casos.
La tasa de muestreo aplicada a cada sensor se ha elevado L veces y reducido M veces
para lograr una nueva frecuencia de muestreo común, que en este caso fue arbitrariamente
definida como Fscomm = 256 Hz a la salida del bloque downsampling, pudiendo usarse
indiferentemente algún otro valor.
Nuevamente a través del método de Welch se estima la PSD para las nuevas secuencias,
llamadas xnew[n] obtenidas de cada sensor luego de aplicar las técnicas de cambio de frecuencia.
En la Fig. 5 (derecha) se aprecia la PSD para el Caso Low-Fs, después de haber sido procesada.
Mirando el ruido, a un nivel cercano a los -15 dB se ve que este fluctúa considerablemente,
cubriendo, o haciendo irreconocible la componente sinusoidal de menor frecuencia y amplitud
de s(t). La Fig. 6 muestra la PSD para el caso en el que se usó una frecuencia de muestreo 8
veces superior. Dado que la potencia del ruido es la misma en ambos casos, el utilizar una Fs
mayor hace que esta potencia se reparta de manera pareja (al igual que en la Fig. 5 (derecha)),
pero en un espectro 8 veces mayor. Entonces la potencia es menos densa; la densidad espectral
es menor. Así, además cambiando levemente los parámetros de cálculo de la PSD se obtiene la
Fig. 6 que muestra con claridad las tres componentes sinusoidales de s(t).

Fig. 5: Estimación PSD. Figura izquierda señal original. Figura Derecha PSD luego de
aplicar cambio de frecuencia
 IX Congreso Iberoamericano de Acústica, FIA2014 paper ID: 1007 /p.9

Fig. 6: Estimación de PSD para el caso en la que la frecuencia de muestreo es 8 veces mayor.
Es claro que con eso se reduce la fluctuación del ruido y aparece también la componente de
más baja frecuencia

4.1 Promedio de señales

Esta técnica de procesamiento de señales, de promediar varias secuencias, se puede

aplicar en el dominio del tiempo y de la frecuencia, denominados promedio coherente e
incoherente (o integración incoherente) respectivamente, ambas logran mejoras en la relación
señal-ruido [3].
La mejora en la relación señal-ruido que ofrece el promedio coherente viene dado por la
ecuación (5), donde N representa la cantidad de señales coherente a promediar.
Lyon [3] explica “el término promedio incoherente es un poco inapropiado, ya que
simplemente es un promedio en el dominio de la frecuencia de datos que se obtienen de forma
incoherente”. El aumento de la SNR del promedio incoherente es menor al coherente y está
dado por la ecuación (6).

SNRcohgain (dB)=10log10 (N) (5)

SNRincohgain (dB)=10log10 (√N) (6)

El resultado de aplicar el promedio coherente (que puede ser realizado en el dominio

del tiempo o de la frecuencia) se presenta en la Fig. 7 para el caso Low-Fs.
Es evidente que la potencia de ruido disminuye en todo este proceso dado que se pasó
la señal por un filtro pasabajos. Pero en el proceso de simulación es posible calcular los valores
de potencia en cada etapa y para cada señal, o parte de esta, por separado, por ejemplo las
componentes sinusoidales, el ruido o la suma de ambos. Así al calcular la potencia de las
componentes sinusoidales, ésta no cambia, porque el filtro es pasabajo con ganancia unitaria (y
un ripple muy pequeño) hasta los 20 Hz, no reduciendo esa parte de la señal. El ruido es
reducido de los aproximados 15 dB a un valor de aproximadamente 12.2 dB por el filtro. El
promedio coherente termina reduciendo la potencia hasta 6.3 dB. Esto coincide con la
ecuación (5).
 IX Congreso Iberoamericano de Acústica, FIA2014 paper ID: 1007 /p.10

Fig. 7: Promedio coherente de las cuatro secuencias obtenidas por cada uno de los sensores
para el caso Low-Fs

5. CONCLUSIONES
El trabajar con una señal de amplitud pequeña inmersa en un ruido de gran amplitud,
analizando un gráfico en el tiempo por lo general no entrega información útil sobre las señales.
Es por eso que un análisis espectral puede ser de ayuda. Dependiendo del largo de la señal y la
relación señal-ruido existente puede ser que tampoco se logre obtener toda la información
necesaria, como se vio en este ejemplo. Solo dos de las tres componentes sinusoidales aparecen
en el espectro. En caso de contar con más sensores que recojan información de la misma señal,
es decir que tengan correlación entre sí, es posible mejorar la relación señal-ruido. Pero para
realizar este proceso es necesario que las señales tengan un sincronismo, de al menos comenzar
en el mismo instante. Si la frecuencia de muestreo de los distintos sensores no es idéntica, no
es posible realizar el proceso de promediación que mejora la SNR. En ese caso la opción es
realizar un proceso de promedio incoherente, en el espectro.

REFERENCIAS BIBLIOGRÁFICAS

[1] Juan Vignolo Barchiesi, Introducción al Procesamiento Digital de Señales. Valparaíso,

Chile: Ediciones Universitarias de Valparaíso, 2008.
[2] Sergio Andres Galaz Miranda, "Técnicas de reducción de ruido," in Modelamiento de
sensores de vibración MEMS y mejora de su relación señal-ruido. Valparaíso,
Valparaíso, 2012, ch. 4, pp. 41-48.
[3] Richard G. Lyons, "Signal Averaging," in Understanding digital signal processing, Third
Edition.: Pearson Education, 2010, ch. 11, pp. 589-603.