[논문 리뷰] Time-frequency representation of nonstationary signals: the IMFogram

Philippe Barbe, Antonio Cicone외 2명|arXiv (Cornell University)|2020. 11. 28.

Sensor Technology and Measurement Systems인용 수 10

한 줄 요약

이 논문은 빠른 반복 필터링(FIF) 알고리즘으로 유도된 내재 모드 함수(IMF)를 활용하여 비정상 신호의 국소 주파수 및 진폭 내용을 시각화하는 새로운 시간-주파수 표현인 IMF로그램을 소개한다. 데이터 기반 분해와 정교한 시각화를 조합함으로써, 특히 순간적이고 측정 가능한 성분을 더 선명하게 포착하고 분산을 줄이며 모드 분리를 향상시켜传통적인 스펙트로그램보다 더 높은 시간-주파수 해상도를 달성한다.

ABSTRACT

Iterative filtering methods were introduced around 2010 to improve definitions and measurements of structural features in signal processing. Like many applied techniques, they present considerable challenges for mathematicians to theorize their effectiveness and limitations in commercial and scientific usages. In this paper we recast iterative filtering methods in a mathematical abstraction more conducive to their understanding and applications. We also introduce a new visualization of simultaneous local frequencies and amplitudes. By combining a theoretical and practical exposition, we hope to stimulate efforts to understand better these methods. Our approach acknowledges the influence of Ciprian Foias, who was passionate about pure, applied, and applications of mathematics.

연구 동기 및 목표

• 전통적인 방법보다 비정상 신호의 국소 주파수 및 진폭 동역학을 더 효과적으로 포착할 수 있는 새로운 시간-주파수 표현을 개발하는 것.
• 선형 및 이차 시간-주파수 표현의 한계, 특히 비정상 조건에서의 주파수 분산 및 해상도 부족 문제를 해결하는 것.
• 군 이론적 프레임워크를 통해 시간 및 공간 색인 신호 분석을 통합함으로써 반복 필터링 방법의 적용 범위를 넓히는 것.
• 신호 성분의 해석 가능성을 향상시키는 실용적이고 수학적으로 탄탄한 시각화 도구—즉, IMF로그램을 제공하는 것.
• 반복 필터링 및 그 변종의 수렴성, 안정성 및 수학적 기초에 대한 향후 이론적 탐구를 자극하는 것.

제안 방법

• 신호를 유한한 수의 내재 모드 함수(IMF)로 분해하기 위해 빠른 반복 필터링(FIF) 알고리즘을 사용하며, 각 IMF는 국소 주파수 및 진폭 조절을 유지한다.
• 각 IMF는 신호의 국소 극치 및 외곽 구조에 기반해 업데이트되는 데이터 적응형 필터를 반복적으로 컨볼루션하여 유도된다.
• IMF로그램은 각 IMF의 순간 주파수와 진폭을 2차원 시간-주파수-진폭 평면에 매핑하여 주파수 및 진폭 변화를 동시에 시각화한다.
• 다중 해상도 분석을 가능하게 하기 위해 주파수-진폭 공간을 분할하여 관심 영역에서 해상도를 향상시킨다.
• 시간 및 공간 색인을 동일하게 다루는 군 이론적 프레임워크를 도입하여 다차원 신호, 예를 들어 2차원 온도 분포에 대한 방법을 일반화한다.
• 합성 측정 신호, 피아노 음악 녹음, 그리고 전 세계 2차원 온도 데이터를 사용하여 검증하였으며, 스펙트로그램 및 경험이론적 모드 분해(EMD)와 결과를 비교하였다.

실험 결과

연구 질문

• RQ1 비정상 신호에서 국소 주파수 및 진폭 변동을 고해상도로 동시에 포착할 수 있는 시간-주파수 표현은 어떻게 설계될 수 있는가?
• RQ2 반복 필터링 방법의 안정성과 수렴성을 보장하는 수학적 및 알고리즘적 기초는 무엇인가?
• RQ3 IMF로그램은 서로 가까이 위치한 또는 시간에 따라 변화하는 주파수 성분을 해상도 면에서 스펙트로그램보다 어떻게 능가하는가?
• RQ4 반복 필터링 및 IMF로그램은 온도와 같은 시공간 기반 기후 데이터와 같은 다차원 신호로 일반화될 수 있는가?
• RQ5 IMF로그램과 스펙트로그램과 같은 전통적인 시간-주파수 표현 간의 이론적 연관성은 무엇인가?

주요 결과

• Figure 1에서 보듯이, 시간에 따라 변하는 노이즈 속에 임베딩된 측정 신호에 대해 IMF로그램은 스펙트로그램보다 훨씬 선명한 시간-주파수 표현을 제공한다.
• 피아노 음악 녹음에서 4번째에서 7번째 IMF는 스펙트로그램보다 더 명확한 시간적 및 주파수적 국소화를 보이며 개별 음과 고조파를 효과적으로 분리한다 (Figure 2 참조).
• FIF 알고리즘은 피아노 음의 기본 주파수와 고조파를 효과적으로 분리하며, 4번째 IMF는 상단 G 음을, 5번째 IMF는 초기 D 음을 포착한다.
• 2차원 전 세계 온도 데이터의 경우, FIF2 알고리즘이 대규모 기후 패턴을 반영하는 의미 있는 IMF를 추출한다. 이는 적도 부근의 따뜻함, 대륙의 냉각, 히말라야 및 레이크스의 지역적 저하 등을 포함한다.
• IMF로그램은 다양한 위도 및 경도에서의 온도 데이터의 광범위한 추세와 변동성을 드러내며, 각기 다른 IMF가 계절적 및 지역적 기후 특징에 대응한다.
• 순간적이고 비정상적인 성분을 해상도 면에서 스펙트로그램을 능가함에 따라, 실세계 응용 분야에서 자동 주파수 식별 및 신호 분석에 잠재력을 지닌다.