7.1短时傅里叶变换(STFT)

7.1短时傅里叶变换(STFT)

第七章：信号变换领域 - 7.1 短时傅里叶变换 (STFT) 详解

在信号处理领域，我们经常需要分析信号的频率成分。傅里叶变换 (FT) 是一种强大的工具，可以将信号从时域转换到频域，揭示信号中存在的各种频率成分及其强度。然而，传统的傅里叶变换适用于分析平稳信号，即信号的统计特性不随时间变化。对于非平稳信号，其频率成分随时间变化，传统的傅里叶变换无法提供时频信息。为了解决这个问题，短时傅里叶变换 (STFT) 应运而生。

7.1.1 STFT 的基本概念

STFT 是一种时频分析方法，它通过将信号分成小的、重叠的时间片段（帧），然后对每个片段进行傅里叶变换，从而获得信号在不同时间点的频率信息。STFT 的核心思想是假设在每个短时间片段内，信号是近似平稳的，因此可以应用傅里叶变换。

定义:

给定一个信号 x(t)，其 STFT 定义如下：

STFT(τ, ω) = ∫ x(t) w(t - τ) e^(-jωt) dt
​

其中：

• x(t) 是待分析的信号。

• w(t) 是窗函数（window function），它是一个短时函数，用于截取信号的一个片段。

• τ 是时间平移量（time shift），表示窗函数在时间轴上的位置。

• ω 是角频率（angular frequency）。

• e^(-jωt) 是复指数函数，用于傅里叶变换。

• STFT(τ, ω) 表示在时间 τ 附近的频率 ω 的分量。

窗函数的作用:

窗函数 w(t) 的选择至关重要，它直接影响 STFT 的时频分辨率。常见的窗函数包括：

• 矩形窗 (Rectangular Window): 最简单的窗函数，但其频谱泄漏严重。

• 汉明窗 (Hamming Window): 一种改进的余弦窗，可以有效降低频谱泄漏。

• 汉宁窗 (Hanning Window): 类似于汉明窗，但其旁瓣衰减更快。

• 高斯窗 (Gaussian Window): 在时域和频域都具有良好的局部化特性，但其时频分辨率受海森堡不确定性原理的限制。

STFT 的计算过程:

1. 分帧 (Framing): 将信号 x(t) 分成一系列重叠的短时间片段。每个片段的长度由窗函数的长度决定。相邻片段之间的重叠量通常为 50% 或 75%。

2. 加窗 (Windowing): 对每个片段应用窗函数 w(t)，以减小频谱泄漏。

3. 傅里叶变换 (Fourier Transform): 对加窗后的每个片段进行傅里叶变换，得到该片段的频谱。

4. 组合 (Combining): 将所有片段的频谱按照时间顺序排列，形成时频谱 (Spectrogram)。

7.1.2 STFT 的参数选择

STFT 的性能受到多个参数的影响，包括窗函数类型、窗长度和帧移量。这些参数的选择需要在时频分辨率之间进行权衡。

• 窗函数类型: 不同的窗函数具有不同的时频特性。一般来说，时域分辨率高的窗函数（如矩形窗）频域分辨率较低，反之亦然。

• 窗长度: 窗长度决定了每个片段的时间长度。较短的窗长度可以提高时域分辨率，但会降低频域分辨率。较长的窗长度可以提高频域分辨率，但会降低时域分辨率。

• 帧移量: 帧移量决定了相邻片段之间的重叠量。较小的帧移量可以提高时频分辨率，但会增加计算量。较大的帧移量可以降低计算量，但会降低时频分辨率。

7.1.3 STFT 的时频分辨率

STFT 的时频分辨率受到海森堡不确定性原理的限制，即时域分辨率和频域分辨率不能同时达到任意高。具体来说，如果用 Δt 表示时域分辨率，Δf 表示频域分辨率，那么：

Δt * Δf >= 1 / (4π)
​

这意味着，如果想要提高时域分辨率（减小 Δt），就必须牺牲频域分辨率（增大 Δf），反之亦然。因此，在实际应用中，需要根据具体的需求，选择合适的窗函数和参数，以在时频分辨率之间取得平衡。

7.1.4 STFT 的应用

STFT 是一种通用的时频分析方法，广泛应用于各个领域，包括：

• 语音信号处理: 语音识别、语音合成、语音编码等。

• 音频信号处理: 音乐分析、音频压缩、音频增强等。

• 生物医学信号处理: 脑电图 (EEG) 分析、心电图 (ECG) 分析等。

• 振动信号分析: 机械故障诊断、结构健康监测等。

• 雷达信号处理: 目标检测、目标跟踪等。

7.1.5 STFT 的优缺点

优点:

• 可以提供信号的时频信息，适用于分析非平稳信号。

• 实现简单，易于理解。

• 应用广泛，适用于各种信号处理任务。

缺点:

• 时频分辨率受到海森堡不确定性原理的限制。

• 计算复杂度较高，尤其是在处理长信号时。

• 窗函数的选择对结果影响较大。

7.1.6 STFT 的可视化

STFT 的结果通常以时频谱 (Spectrogram) 的形式进行可视化。时频谱是一个二维图像，横轴表示时间，纵轴表示频率，每个像素点的颜色表示该时间点该频率的能量大小。通过观察时频谱，可以直观地了解信号的频率成分随时间的变化情况。

7.1.7 STFT 的 Mermaid 图表

以下是一些使用 Mermaid 绘制的 STFT 相关图表：

STFT 流程图:

窗函数选择的影响:

时频分辨率的权衡:

7.1.8 STFT 的改进方法

为了克服 STFT 的一些缺点，研究人员提出了许多改进方法，包括：

• 小波变换 (Wavelet Transform): 一种多分辨率分析方法，可以根据信号的频率成分自适应地选择时频分辨率。

• Wigner-Ville 分布 (WVD): 一种二次型时频分布，具有更高的时频分辨率，但容易产生交叉项干扰。

• 同步压缩变换 (Synchrosqueezing Transform): 一种重排时频表示的方法，可以提高时频分辨率。

7.1.9 总结

短时傅里叶变换 (STFT) 是一种重要的时频分析方法，它可以提供信号在不同时间点的频率信息，适用于分析非平稳信号。STFT 的性能受到窗函数类型、窗长度和帧移量等参数的影响，需要在时频分辨率之间进行权衡。STFT 广泛应用于语音信号处理、音频信号处理、生物医学信号处理等领域。虽然 STFT 存在一些缺点，但研究人员提出了许多改进方法，使其在实际应用中更加有效。