VI SCASB

24 a 27 de outubro de 2016
Universidade Estadual de Santa Cruz - UESC
Ilhéus-BA

APLICAÇÃO DAS TRANSFORMADAS DE FOURIER NO

PROCESSAMENTO DIGITAL DE SIANIS: UM ESTUDO EM
FREQUÊNCIA
LUCAS. RODRIGUES, F. M. , RENATO. FERRAZ, S. F., IGOR. GOES, P.
Universidade Estadual de Santa Cruz (UESC), Departamento de Ciências Exatas e Tecnológicas (DCET)
Rodovia Ilhéus/Itabuna, km16, Ilhéus-Bahia-Brasil CEP: 45650-000

E-mail: fariaslucasrodrigues@gmail.com, renatofferraz@gmail.com

Resumo- No trabalho foram analisados três Keywords- Fourier transform, frequency

sinais de um mesmo arquivo de áudio, porém
com taxas de amostragens distintas. A etapa de
extração de características do sinal foi realizada
através da transformada rápida de Fourier. A
partir de uma análise em frequência foi possível
definir a quantidade mínima de amostras para a
discretização do sinal, respeitando o teorema da
amostragem. O conhecimento da frequência
mínima de amostragem, tornou viável analisar se
os sinais em questão foram bem amostrados e
relacionar isso com a qualidade do áudio.
Ademais, foi implementada a transformada
discreta de Fourier de um dos sinais com objetivo
de compará-la com a transformada rápida de
Fourier.
Palavras-chave- transformada de Fourier,
análise em frequência, teorema amostragem,
Nyquist, processamento digital de sinais.
FOURIER TRANSFORMS
APPLIED IN DIGITAL
PROCESSING OF SIGNALS: A
STUDY IN FREQUENCY
Abstract- In this paper, three signals from the
same audio, but with different sampling rates,
have been analyzed. The feature extraction step
was made by means of the fast Fourier transform.
Based on the analysis in the frequency domain it
was possible to define the minimum number of
samples for the signal’s discretization in
observance of the sampling theorem. Once
known the minimal sampling rate, it has been
possible to verify whether the signals were
correctly sampled keeping a relation with the
audio quality. Moreover, the discrete Fourier
transform has also been implemented and applied
to one of the signals aiming to compare it with
the fast Fourier transform.
analysis, sampling theorem, Nyquist, digital
processing of signals.
1. Introdução
Segundo Haykin (2001), um sinal é uma
função de uma ou mais variáveis que veicula
informações sobre a natureza de algum
fenômeno. A fala é um dos sinais mais comuns e
por ser uma função de uma variável apenas, ela é
classificada como unidimensional. Um exemplo
de uma sinal de mais de uma variável, isto é, uma
função multidimensional, é uma imagem que é
dependente de suas coordenadas espaciais bem
como do tempo. Este trabalho, destina-se a
análise de um sinal em função apenas do tempo,
e portanto, unidimensional.
Os sinais que possuem variação continua em
sua variável independente, assumindo qualquer
valor real, são classificados sinais de tempo
contínuo. Por exemplo, o sinal x(t) definido para
todo t no intervalo [-∞, ∞]. Existem também
sinais de tempo discreto, que são definidos por
variáveis independentes discretas, as quais só
assumem valores específicos.Por exemplo, o
sinal x(nT) discretizado com período T em
instante de tempo n onde 𝑛 ∈ ℕ e𝑇 ∈ ℜ+.
Os sinais do mundo real e suas sensações são
as variáveis continuas em si. A atribuição em
intervalos de tempo de um valor a essa sensação
já é intrinsicamente uma variável discreta. Por
exemplo, a temperatura que determinado
ambiente apresenta é uma variável
 VI SCASB
24 a 27 de outubro de 2016
Universidade Estadual de Santa Cruz - UESC
Ilhéus-BA
contínua, enquanto a leitura apresentada em um
termômetro digital passou por um processo de
discretização.
O foco desse trabalho é a análise
computacional de um sinal de formato wave.
Sinais destinados a análise computacional devem
ser de tempo discreto pois sinais de tempo
contínuo implicam em variações infinitas em um
intervalo de tempo, o que necessitaria de
memória infinita. Obviamente, isso não é
possível. O processo pelo qual um sinal de tempo
contínuo é transformado em um sinal de tempo
discreto é chamado de amostragem ou
discretização.
Um sinal x(t) é dito periódico se x(t) = x(t +
K) ∀ t ϵ R, onde K é uma constante positiva. O
menor valor de K que satisfaz a equação é
chamado de período fundamental do sinal (P 0).
2𝜋
Assim, 𝜔0 = é chamado de frequência
P0
fundamental. Se um sinal possui P0=∞, logo é
dito aperiódico [1][2].
2. Transformada de Fourier
Entender o significado das transformadas de
Fourier é fundamental na análise de sinais. Na
concepção de sistemas de telecomunicação e
processamento digital de sinais, a análise da
transformada de Fourier do sinal é essencial para
verificar a faixa de frequência que o sinal está
definido e consequentemente, sua distribuição de
energia. Em eletrônica e no estudo das máquinas
elétricas, utiliza-se a transformada para observar
a existência de harmônicos em uma determinada
forma de onda, por exemplo.
A ideia da transformada de Fourier é
modificar um sinal de entrada, de forma a obter
um sinal de saída chamado de espectro ou
transformada que exista no domínio da
frequência.
2.1 Transformada de Fourier de tempo
contínuo
Considere um sinal de tempo contínuo x(t) tal
como definido anteriormente. A transformada de
Fourier éa integração do produto de x(t) e 𝑒 −𝑗𝜔𝑡
no intervalo de −∞ a +∞ [3]. Isto é:
∞
X(𝜔)= ∫𝑡=−∞ 𝑥(𝑡). 𝑒 −𝑗𝜔𝑡 𝑑𝑡 (1)
onde X(w) é o espectro de frequência do sinal
x(t).
2.2 Transformada de Fourier de tempo
discreto
Como citado previamente, a utilização
computacional de sinais de tempo contínuo não é
viável. Utilizam-se sinais de tempo discreto, e
portanto, a transformada para essa classe de
sinais é dada pela equação 2. Considere para tal,
o sinal discreto x(nT).
Xd(𝜔)= ∑∞
𝑛=−∞ 𝑥(𝑛𝑇). 𝑒
−𝑗𝜔𝑛𝑇
(2)
Note que o índice “d” faz referência ao fato
do sinal no domínio do tempo ser discreto.
Como 𝑋𝑑 (𝑤) é periódico, é necessário
estabelecer um intervalo de frequência que
represente o sinal de forma adequada. A faixa de
frequência que melhor representa esse sinal será
apresentado no item 3.
No entanto, a transformada de Fourier de
tempo discreto tem varável independente
definida em 𝜔 no intervalo [-∞, ∞] e portanto
representa uma espectro de frequência continuo.
Para um número infinito de frequências 𝜔,
calcular essa transformada computacionalmente
torna-se inviável.
A solução para tal é apresentada a seguir.
2.3 Transformada discreta de Fourier
De forma análoga a amostragem de um sinal
de tempo contínuo, a ideia dessa transformada é
a discretização em frequência. Considere N um
número de frequências em um intervalo pré-
determinado, e as variáveisn=m=0,1,...,(N-1).
Chamamos m de índice de frequência, e
2𝜋 𝜔𝑠 𝑟𝑎𝑑
𝐷≔ = [ ] (3)
𝑁𝑇 𝑁 𝑠
de resolução em frequência.
A transformada discreta de Fourier (DFT do
inglês, Discrete Fourier Transform), dada por:
𝑁−1
𝑋[𝑚] = ∑ 𝑥[𝑛]. 𝑊 𝑛𝑚 (4)
𝑛=0
2𝜋
−𝑗( )
onde 𝑊 ≔ 𝑒 𝑁 e 𝑥[𝑛] ≔ 𝑥(𝑛𝑇) .
 VI SCASB
24 a 27 de outubro de 2016
Universidade Estadual de Santa Cruz - UESC
Ilhéus-BA

Pela equação 4 é evidente que para computar
X[m] é necessário N multiplicações complexas e
N-1 adições complexas [3]. O resultado é que
para um N grande isso consome bastante tempo.
Por esse motivo, essa transformada é muito
lenta e extensa, de forma que alguma solução
alternativa, e mais rápida, deve ser utilizada.
2.4 Transformada rápida de Fourier
Observou-se no item 2.3 que quando tanto a
função, quando a transformada de Fourier forem
substituídas com cópias discretas, então isso é
chamado de transformada discreta de Fourier.
Essa transformada tornou-se bastante conhecida
na computação numérica devido a um algoritmo
bastante rápido capaz de computá-la chamado de
transformada rápida de Fourier (FFT, do inglês
Fast Fourier Transform).
Essa transformada é bastante útil na análise
de fenômenos dependentes do tempo. Uma
aplicação importante é a análise dos sons. Um
sinal no domínio da frequência é mais facilmente
observado e nele devem conter informações
relevantes como picos de frequência. Esse
trabalho baseia-se na aplicação da FFT para
análise em frequência de um sinal de som.
Que fique claro que a FFT não é uma
transformada propriamente dita. É um algoritmo;
uma computação rápida da DFT.
Existem distintas maneiras de computar a
FFT. A mais conhecida delas é o algoritmo de
Cooley-Tukey (popularizado pela publicação de
Cooley e Tukey em 1965). Esse é um algoritmo
que divide e quebra recursivamente a DFT de
tamanho N em DFTs menores de tamanho N1 e
N2 tal que N= N1*N2. A aplicação mais comum
desse algoritmo é a de potência de dois que
consistem em dividir a transformada em duas
partes de tamanho N/2 para cada etapa da mesma.
No entanto, qualquer outra fatoração pode ser
utilizada [3][4].
forma que o sinal amostrado x(nT) seja uma boa
representação de x(t). O teorema da amostragem
apresenta uma previsão para essa frequência de
amostragem.
Segundo o teorema, a frequência de
amostragem deve ser pelos menos duas vezes
maior que a frequência máxima do sinal, tal que
𝑓s≥ 2 ∗ 𝑓máx (5)
Considerando o sinal x(t) com frequência
máxima 𝜔max= 2𝜋𝑓 max, seleciona-se o período
de amostragem tal que
𝜋
𝑇<
𝜔
𝜋 𝜋
e o intervalo (− , )é chamado de intervalo de
𝑇 𝑇
frequência de Nyquist e contém todas as
frequências de x(t), e a sequência amostrada
x(nT) também contém (idealmente) todas as
frequências de x(t).
Uma vez não respeitado o teorema da
amostragem, o espectro apresentado pode
apresentar “aliasing” de frequência e nesse caso,
o sinal x(t) não pode ser reconstruído a partir de
x(nT).
4. Metodologia e Discussão
A partir da aplicação da transformada rápida de
Fourier foi possível obter o espectro de
frequência dos três sinais de áudio. Através da
transformada foi possível obter os gráficos nas
figuras 1, 2 3 que correspondem ao sinal 9.1,9.2
e 9.3 respectivamente.

3. O teorema da amostragem e intervalo de

frequência de Nyquist

Para amostrar um sinal de tempo contínuo Figura 1: Representação gráfica da FFT do sinal 9.1
x(t), deve-se determinar uma frequência de
amostragem. Essa frequência deve ser de tal
 VI SCASB
24 a 27 de outubro de 2016
Universidade Estadual de Santa Cruz - UESC
Ilhéus-BA
Figura 2: Representação gráfica da FFT do sinal 9.2
Figura 3: Representação gráfica da FFT do sinal 9.3
Analisando os gráficos, nota-se que a única
representação da FFT que aborda a frequência
máxima do sinal é a do sinal 9.1, enquanto que
ado sinal 9.2 e 9.3 não englobamtodas as
frequências do arquivo de áudio. Com isso,
utiliza-se como base o sinal 1, para se ter uma
noção de qual a frequência máxima do sinal.
Define-se 𝜔𝑚𝑎𝑥: frequência máxima aquela
em que lim |𝑋(𝜔)| = 0. Isto é, o módulo do
𝜔→𝜔𝑚𝑎𝑥
espectro de frequência tende a zero quando 𝜔 →
𝜔𝑚𝑎𝑥. Para análise desse trabalho, considere a
frequência máxima aquela em que apresenta
muito pouco valor de magnitude quando
comparado com outros picos do mesmo espectro
de frequência.
De fato, o módulo do espectro de frequência
não será igual a zero visto que existe uma
componente de ruído nesse arquivo e essa
componente é definida em todas as frequências.
Através de uma análise do gráfico da figura
1, foi estimado que a frequência máxima do sinal
se aproxima de 15 𝑘𝐻𝑧.
O teorema da amostragem diz que um sinal
limitado em banda em uma frequência W (dada
em Hertz) pode ser completamente recuperado a
partir de suas amostras se discretizados a uma
frequência de amostragem maior igual a 2W.
A condição do sinal ser limitado em banda é
muitas vezes garantida passando-o em um filtro
passa-baixas antes de amostrá-lo [3].
Vale ressaltar que o teorema da amostragem
é uma proposição teórica. Ao apontar a
frequência de amostragem como duas vezes a
frequência máxima ele considera que não
existem componentes de frequência superiores a
W. Na prática, um nível muito mais seguro é
adotado acerca da taxa de amostragem do sinal.
Em sistemas de telecomunicações, por exemplo,
é comum utilizar vinte vezes a frequência
máxima do sinal.
Consequentemente, foi possível calcular a
frequência mínima de amostragem do sinal para
que não ocorra o aliasing de frequência. De
forma que a frequência mínima de amostragem
deve ser 30 𝑘𝐻𝑧.
Um mesmo sinal foi amostrado com taxas de
amostragem diferentes 44,10 kHz, 8,82 kHz e
2,21 kHz caracterizando os sinais 9.1, 9.2 e 9.3
respectivamente.
Sabendo a frequência mínima que o sinal do
áudio deve ser amostrado, torna-se possível
concluir a frequência de amostragem dos
sinais9.2 e 9.3 não atenderam ao teorema da
amostragem. É possível notar que o sinal 9.2 é
limitado em banda em 4,5 𝑘𝐻𝑧, sendo menor que
a frequênciade amostragem mínima. Em relação
ao sinal 9.3, ficou claro, através do gráfico, que o
sinal é limitado em banda em1,2 𝑘𝐻𝑧,de forma
que essa frequência é consideravelmente inferior
à calculada pelo teorema da amostragem.
Através do conhecimento da frequência
mínima de amostragem, foi possível obter o
número de amostras igual a 150 000,que garante
uma boa amostragem. Dessa forma, sabendo que
o número de amostras do sinal 9.1, 9.2 e 9.3 foi
de 220501, 44101 e 1 106, respectivamente, é
possível concluir que apenas o sinal 9.1 satisfaz
a condição, possuindo um número de amostras
superior ao indicado pelo teorema da
amostragem.
 VI SCASB
24 a 27 de outubro de 2016
Universidade Estadual de Santa Cruz - UESC
Ilhéus-BA
Por causade uma amostragem feita de forma
não condizente com o teorema da amostragem
(quantidade de amostras insuficientes) aos sinais
9.2 e 9.3 existe um aliasing de frequência que
torna ineficaz uma possível recuperação do sinal
amostrado.
Outra forma de perceber a má amostragem
dos sinais9.2 e 9.3 é através da audição do
arquivo. Fica evidente, que a frequência de
amostragem inferior ao indicado pelo teorema da
amostragem, adotado nos sinais em questão,
prejudicou a qualidade do sinal.
A partir do sinal 9.1, foram realizadas
amostragens utilizando quantidades de amostras
distintas, que foram: 220 501 (ver fig. 1), 110 251
e 73 501, sendo que a FFT dos sinais amostrados
estão representados na figura 4 e comparados
com a figura 1.
Figura 4 : Comparação FFT para diferentes números de
amostras: (a) 110 251; (b) 73 501.
Através da diminuição do número de
amostras, foi possível notar, na audição do
arquivo, uma diminuição da qualidade do áudio.
A DFT descrita na equação 4 foi
implementada computacionalmente de forma a
não utilizar a função pronta do software e o
resultado obtido de forma gráfica está presente na
figura 5 abaixo.
Figura 5: Representação gráfica da DFT do sinal 9.3.
Pela análise das figuras 3 e 4 é possível
concluir que a DFT e FFT são eficazesem obter
o espectro de frequência de um sinal. Em
contrapartida, existiu uma diferença considerável
no tempo da realização dessa tarefa. Enquanto a
FFT realiza todo seu processo em questão de
segundos, a DFT necessita de muito mais tempo
para compilação do algoritmo.
É fundamental ressaltar, que foram utilizados
o mesmo número de coeficientes para ambas as
transformadas. Dessa forma, torna-se inviável,
muitas vezes, a utilização da DFT com um
número de coeficientes relativamente alto. Para
comprovar isso foi realizado alguns testes com
números de amostras diferentes, para realização
da FFT e DFT e o tempo de computação foi
exposto na tabela 1:
Tabela1: Comparação tempo de processamento DFT,
FFT.
Número Tempo de Tempo de
de operação da operação da
amostras DFT (s) FFT (s)
501 0.466084 0,000084
1002 2.105020 0,000147
2205 10.766525 0,000242
5513 54,590565 0,000881
11026 231,546000 0,001635
Note que para um número pequeno de
amostras a diferença de tempo não é percebida,
ao passo que em um número grande de amostras
essa defasagem fica evidente.
Uma questão que influencia fortemente no
tempo de operação das transformadas é o número
de processos computacionais reduzidos no
cálculo da FFT em relação à DFT, como
explicado no item 2.4 [3].
5. Conclusão
Observou-se que através da transformada dos
sinais 9.1, 9.2 e 9.3 do domínio do tempo para o
domínio da frequência, que o sinal 9.1 foi bem
amostrado, já que este engloba todas as
frequências do sinal, respeitando o teorema da
amostragem. Em contrapartida os sinais 9.2 e 9.3
não foram bem amostrados já que não seguiram
o teorema da amostragem. Esses fatos refletiram
de forma significante na qualidade do som,
 VI SCASB
24 a 27 de outubro de 2016
Universidade Estadual de Santa Cruz - UESC
Ilhéus-BA

proveniente da reprodução dos sinais, sendo isso

comprovado pela presença de aliasing de
frequência. Isso porque ambos sinais foram
subamostrados de forma que informação
relevante foi perdida nesse processo.

Agradecimentos

A Chi-Tsong Chen, autor do livro Signal and

Systems: A fresh look por disponibilizar material
de grande importância para o embasamento
teórico e análise computacional. Ao professor
Dr. Thiago Chagas pelo auxílio fundamental
prestado no desenvolvimento do presente artigo.

Referências bibliográficas

[1] Chen, C.-T. Signals and Systems- A fresh

look. Stony Book University, 2009.

[2]Haykin, Simon. Sinais e Sistemas. Bookman,

2001.

[3] Matthew N. O. Sadiku, Warsame H. Ali.

Signals and Systems - A primer with Matlab,
2015.

[4] MathWorks webpage. Disponível em:

<www.mathworks.com>. Acessado em
04.07.2016.