16/7/2020 Lab_Clase11_parte2.

ipynb - Colaboratory

NOMBRE: SOLIS GUTIERREZ GERSON RAUL 2014100490

Sistemas DTMF (Dual-tone multi-frequency)

import numpy as np
import matplotlib.pyplot as plt

Que es el DTMF

Los sistemas DTMF es la forma como los teléfonos análogos envían el número marcado por un usuario a la
o cina central. Esta fue la forma más utilizada antes de las redes digitales, pero aun es usado en call centers
para selección de opciones (marque 4 para hablar con un asesor).

Cada vez que contactas al sistema automatizado de una compañía, las selecciones que haces envían tonos
DTMF a los sistemas de cómputo de la compañía para que sean interpretados. El correo de voz, centros de
asistencia y la banca telefónica están entre los muchos sistemas automatizados que responden a señales
DTMF.

El mecanismo es sencillo, pero inteligente. El teclado del teléfono consiste en una malla de 4 × 3 , donde cada
botón se asocia a dos frecuencias, de acuerdo con la siguiente tabla.
1209 Hz 1336 Hz 1477 Hz

697 Hz 1 2 3

770 Hz 4 5 6

852 Hz 7 8 9

941 Hz * 0 #

Las frecuencias en la tabla tienen la propiedad de que ninguna es un multiplo de cualquier otra, lo cual reduce la
probabilidad de detectar errores en la transmisión de los tonos. Cuando un botón es presionado, las dos
frecuencias son generadas de forma simultanea, y son enviadas por el canal telefónico. Por ejemplo, si se
presiona '1', la señal generada será

x(t) = sin(2π ∗ 1209 ∗ t) + sin(2π ∗ 697 ∗ t)

Las especi caciones del estandar DTMF sugieren que:

1. Cada tono debe tener una duración de al menos 65ms

2. Los tonos correspondientes a digitos consecutivos deben estar separados por un silencio de 65ms de
duración.

En esta sección se construirá un detector DTMF basado en la transformada discreta de Fourier. El primer paso
es construir un codi cador, el cual se obtiene usando la siguiente función.

def dtmf_dial(number, FS):

DTMF = {
'1': (697, 1209), '2': (697, 1336), '3': (697, 1477),
'4': (770, 1209), '5': (770, 1336), '6': (770, 1477),
'7': (852, 1209), '8': (852, 1336), '9': (852, 1477),
'*': (941, 1209), '0': (941, 1336), '#': (941, 1477),
}
MARK = 0.1
SPACE = 0.1
n = np.arange(0, int(MARK * FS))
x = np.array([])
for d in number:
https://colab.research.google.com/drive/1vyuaaj8SsLAH3iAzfdpuU1vf-e0rOwI0#scrollTo=xD10b_VmFiUg&printMode=true 1/8
16/7/2020 Lab_Clase11_parte2.ipynb - Colaboratory
s = np.sin(2*np.pi * DTMF[d][0] / FS * n) + np.sin(2*np.pi * DTMF[d][1] / FS * n)
x = np.concatenate((x, s, np.zeros(int(SPACE * FS))))
return x

Donde number es una cadena de caracterires ('123456789'), el cual a partir de una secuencia de botones
marcados genera la secuencia de señales a transmitir.

1. De na una frecuencia de muestreo de 8000 Hz para generar las señales.

2. Utilice el número de su DNI para generar la señal a transmitir por el canal telefónico

3. Escuche y gra que la señal obtenida

4. ¿Cómo construiría usted el decodi cador que a partir de la señal en el tiempo retorne el número
marcado?

fs= 8000 #frecuencia de muestreo

numero= "70543633" #DNI

x=dtmf_dial(numero, fs) #generar lo tonos

t=np.arange(0,len(x)/fs, 1/fs) #arreglo de la distancia

plt.figure(figsize=(15,7))
plt.plot(t,x)
plt.grid()
plt.show()

from IPython.display import Audio

Audio(x,rate=fs)

0:00 / 0:01

https://colab.research.google.com/drive/1vyuaaj8SsLAH3iAzfdpuU1vf-e0rOwI0#scrollTo=xD10b_VmFiUg&printMode=true 2/8
16/7/2020 Lab_Clase11_parte2.ipynb - Colaboratory

El primer paso para construir el detector consiste en separar la señal en los segmentos donde cada número fue
marcado. Para esto se puede usar la energía calculada en segmentos cortos de tiempo, y mediante un umbral
tomar la decisión.
5. Separe la señal en segmentos de 240 muestras. Calcule la energía para cada segmento, y gra que el
contorno de energía obtenido para la señal. Construya una función que reciba la señal y retorne el
contorno de energía (recuerde el laboratorio 1). Será util en los siguientes puntos.

6. Complete la siguiente función para separar la señal en los segmentos donde cada número fue marcado.

def energy(x):
init=0
fin=240
E=[]
while fin<len(x):
segmento=x[init:fin]
segment2=segmento**2
ene=np.sum(segment2)
E.append(ene)
init+=240
fin+=240
we=np.asarray(E)
plt.plot(we)
plt.show()
return we

def dtmf_split(x, win=240, th=200):

edges = []

we=energy(x)
L = len(we)

ix = 0
while ix < L:
while ix < L and we[ix] < th:
ix = ix+1
if ix >= L:
break # ending on silence
iy = ix
while iy < L and we[iy] > th:
iy = iy+1
edges.append((ix * win, iy * win))
ix = iy

return edges

7. Veri que el funcionamiento de la función.

8. Calcule la transformada de Fourier para algunos de los números marcados en la señal de prueba. ¿Qué
diferencia se observa en cada número?

numero="4" #señal de muestra

fs=8000 #frec

x1=dtmf_dial(numero, fs) #generar el tono

X1=np.fft.fft(x1) #transformada de fourier

freq=np.fft.fftfreq(len(X1), d=1/fs) #el arreglo del eje en frecuencia

https://colab.research.google.com/drive/1vyuaaj8SsLAH3iAzfdpuU1vf-e0rOwI0#scrollTo=xD10b_VmFiUg&printMode=true 3/8
16/7/2020 Lab_Clase11_parte2.ipynb - Colaboratory
plt.figure(figsize=(15,5))
plt.plot(freq, np.abs(X1), label=str(numero))

numero="3" #señal de muestra

x2=dtmf_dial(numero, fs) #tono

X2=np.fft.fft(x2) #fft
freq=np.fft.fftfreq(len(X2), d=1/fs) #frec
plt.plot(freq, np.abs(X2), label=str(numero))

plt.xlabel("Frequency (Hz)")
plt.ylabel("Amplitude")
plt.xlim([-2000,2000])
plt.legend()

plt.grid()
plt.show()

Que puede entender de los gra cos presentado?

Notamos que tanto para el numero 4 y el numero 3 posseen 2 frecuencias las cuales indican su la y columna en
el teclado numerico.

9. Utilice la siguiente función para detectar la secuencia de botones marcados a partir de la señal utilizada.

def dtmf_decode(x, FS, edges = None):

# the DTMF frequencies
LO_FREQS = np.array([697.0, 770.0, 852.0, 941.0])
HI_FREQS = np.array([1209.0, 1336.0, 1477.0])

KEYS = [['1', '2', '3'], ['4', '5', '6'], ['7', '8', '9'], ['*', '0', '#']]

# frequency ranges to search for low and high DTMF tones

LO_RANGE = (680.0, 960.0)
HI_RANGE = (1180.0, 1500.0)

number = []

# now examine each tone in turn. the freqency mapping on the DFT

https://colab.research.google.com/drive/1vyuaaj8SsLAH3iAzfdpuU1vf-e0rOwI0#scrollTo=xD10b_VmFiUg&printMode=true 4/8
16/7/2020 Lab_Clase11_parte2.ipynb - Colaboratory
# axis will be dependent on the length of the data vector
if edges is None:
edges = dtmf_split(x)
for g in edges:
# compute the DFT of the tone segment
X = abs(np.fft.fft((x[g[0]:g[1]])))
N = len(X)
# compute the resolution in Hz of a DFT bin
res = float(FS) / N

# find the peak location within the low freq range

a = int(LO_RANGE[0] / res)
b = int(LO_RANGE[1] / res)
lo = a + np.argmax(X[a:b])
# find the peak location within the high freq range
a = int(HI_RANGE[0] / res)
b = int(HI_RANGE[1] / res)
hi = a + np.argmax(X[a:b])

# now match the results to the DTMF frequencies

row = np.argmin(abs(LO_FREQS - lo * res))
col = np.argmin(abs(HI_FREQS - hi * res))

# and finally convert that to the pressed key

number.append(KEYS[row][col])
return number

# transmision
fs=8000 #frecuencia de muestreo
numero="70543633" #DNI de muestra

x=dtmf_dial(numero, fs) #generación del tono

#recepcion
num_marcado=dtmf_decode(x, fs) #decodfiicación del tono
print(num_marcado)

['7', '0', '5', '4', '3', '6', '3', '3']

10. Qué problemas puede tener la función anterior para detectar correctamente los números marcados?

El problema consiste en su rango de deteccion (th) lo cual no es superado y esto hace que lo interprete
como si fuera un silencio.

11. Considere la siguiente señal de prueba

noisy= x + np.random.uniform(-2, 2, len(x)) #generación de la señal con ruido

t=np.arange(0,len(x)/fs, 1/fs)
https://colab.research.google.com/drive/1vyuaaj8SsLAH3iAzfdpuU1vf-e0rOwI0#scrollTo=xD10b_VmFiUg&printMode=true 5/8
16/7/2020 Lab_Clase11_parte2.ipynb - Colaboratory
t np.arange(0,len(x)/fs, 1/fs)

plt.figure(figsize=(15,7))
plt.plot(t,noisy)
plt.grid()
plt.show()

Audio(noisy, rate=8000)

0:00 / 0:01

Haz doble clic (o pulsa Intro) para editar

num_marcado1=dtmf_decode1(noisy, 8000)
print(num_marcado1)

['7', '0', '5', '4', '3', '6', '3', '3']

12. Detecte la secuencia de botones macados a partir de la señal.

13. ¿Como se puede corregir el problema? Se puede correjir aumentando el th, para asi poder detectar las
frecuencias que fueron aumentadas debido al ruido.

14. Corrija el problema en la detección, y detecte nuevamente las teclas introducidas por la persona.

https://colab.research.google.com/drive/1vyuaaj8SsLAH3iAzfdpuU1vf-e0rOwI0#scrollTo=xD10b_VmFiUg&printMode=true 6/8
16/7/2020 Lab_Clase11_parte2.ipynb - Colaboratory

def energy1(x):
init=0
fin=240
E=[]
while fin<len(x):
segmento=x[init:fin]
segment2=segmento**2
ene=np.sum(segment2)
E.append(ene)
init+=240
fin+=240
we=np.asarray(E)
plt.plot(we)
plt.show()
return we

def dtmf_split1(x, win=240, th=500):

edges = []

we=energy1(x)
L = len(we)

ix = 0
while ix < L:
while ix < L and we[ix] < th:
ix = ix+1
if ix >= L:
break # ending on silence
iy = ix
while iy < L and we[iy] > th:
iy = iy+1
edges.append((ix * win, iy * win))
ix = iy

return edges
def dtmf_decode1(x, FS, edges = None):
# the DTMF frequencies
LO_FREQS = np.array([697.0, 770.0, 852.0, 941.0])
HI_FREQS = np.array([1209.0, 1336.0, 1477.0])

KEYS = [['1', '2', '3'], ['4', '5', '6'], ['7', '8', '9'], ['*', '0', '#']]

# frequency ranges to search for low and high DTMF tones

LO_RANGE = (680.0, 960.0)
HI_RANGE = (1180.0, 1500.0)

number = []

# now examine each tone in turn. the freqency mapping on the DFT
# axis will be dependent on the length of the data vector
if edges is None:
edges = dtmf_split1(x)
for g in edges:
# compute the DFT of the tone segment
X = abs(np.fft.fft((x[g[0]:g[1]])))
N = len(X)
# compute the resolution in Hz of a DFT bin
res = float(FS) / N

# find the peak location within the low freq range

a = int(LO_RANGE[0] / res)
b = int(LO_RANGE[1] / res)
lo = a + np argmax(X[a:b])
https://colab.research.google.com/drive/1vyuaaj8SsLAH3iAzfdpuU1vf-e0rOwI0#scrollTo=xD10b_VmFiUg&printMode=true 7/8
16/7/2020 Lab_Clase11_parte2.ipynb - Colaboratory
lo = a + np.argmax(X[a:b])
# find the peak location within the high freq range
a = int(HI_RANGE[0] / res)
b = int(HI_RANGE[1] / res)
hi = a + np.argmax(X[a:b])

# now match the results to the DTMF frequencies

row = np.argmin(abs(LO_FREQS - lo * res))
col = np.argmin(abs(HI_FREQS - hi * res))

# and finally convert that to the pressed key

number.append(KEYS[row][col])
return number
num_marcado1=dtmf_decode1(noisy, 8000)
print(num_marcado1)

['7', '0', '5', '4', '3', '6', '3', '3']

https://colab.research.google.com/drive/1vyuaaj8SsLAH3iAzfdpuU1vf-e0rOwI0#scrollTo=xD10b_VmFiUg&printMode=true 8/8