Time-Frequency Analysis of Non-Uniformly Sampled Signals via Sample Density Adaptation

Resumen Técnico: Análisis Tiempo-Frecuencia de Señales con Muestreo No Uniforme mediante la Adaptación de la Densidad de Muestras

Planteamiento del Problema
El análisis de señales no estacionarias dentro de datos con muestreo no uniforme presenta un desafío significativo en el procesamiento de señales. Los conjuntos de datos del mundo real en campos como la astronomía, la geofísica y la biomedicina a menudo exhiben un muestreo disperso, brechas o intervalos de tiempo irregulares ($t_{i+1} - t_i \neq \text{constante}$). Los enfoques existentes enfrentan limitaciones distintivas:

1. Interpolación: Convertir datos no uniformes a una rejilla uniforme para aplicar técnicas estándar (por ejemplo, la Transformada de Fourier de Tiempo Reducido, la S-transform estándar) puede introducir artefactos significativos.
2. Métodos Integrados en el Tiempo: Las técnicas como el periodograma de Lomb-Scargle Generalizado (GLS) ofrecen una evaluación estadística robusta de periodicidades persistentes en datos no uniformes, pero carecen de resolución temporal, lo que las hace ciegas ante eventos transitorios o derivas de frecuencia.
3. Métodos de Tiempo-Frecuencia de Ventana Fija: Los enfoques de tiempo-frecuencia existentes aplicados a datos no uniformes a menudo dependen de ventanas de duración fija o ignoran la densidad local de las muestras. Esto conduce a estimaciones poco fiables, particularmente en regiones de muestreo disperso donde una ventana estrecha fija puede contener puntos de datos insuficientes para una estimación espectral estable.

Metodología: La Transformada S No Uniforme (NUST)
Los autores presentan la Transformada S No Uniforme (NUST), un marco de tiempo-frecuencia diseñado para sintetizar la robustez estadística del periodograma GLS con los principios de multi-resolución adaptativa de la transformada S. La innovación central es un esquema de ventaneo doblemente adaptativo que opera directamente sobre datos muestreados no uniformemente sin interpolación.

La metodología NUST consta de dos componentes primarios:

1. Estimación de la Densidad de M samples:
   Para cuantificar la densidad local de datos, el método emplea la Estimación de Densidad de Núcleo (KDE). Se estima una función de densidad continua $\rho(t)$ a partir de las muestras de tiempo discretas $\{t_i\}$ utilizando un núcleo gaussiano y un hiperparámetro de ancho de banda $h$. Esto permite al algoritmo identificar regiones de muestreo disperso frente a regiones densas.

2. Ventaneo Doblemente Adaptativo y GLS Localizado:
   A diferencia de la transformada S estándar, donde el ancho de la ventana gaussiana $\sigma$ escala solo con la frecuencia ($\sigma \propto 1/|f|$), la NUST define una desviación estándar adaptativa $\sigma_{\text{adaptive}}(\tau, f)$ que depende tanto de la frecuencia como de la densidad de muestra local:
   $$\sigma_{\text{adaptive}}(\tau, f) = \frac{\alpha}{|f| \cdot [\rho(\tau)]^\gamma}$$
   Aquí, $\alpha$ establece el ancho base, y $\gamma$ controla la sensibilidad a los cambios de densidad.

• Adaptación de Frecuencia: Las altas frecuencias utilizan ventanas más estrechas para una mejor resolución temporal; las bajas frecuencias utilizan ventanas más anchas para una mejor resolución de frecuencia.
• Adaptación de Densidad: En regiones dispersas, la ventana se expande para reunir suficientes puntos de datos para un ajuste estable. En regiones densas, se contrae para proporcionar detalles temporales más finos.

La potencia espectral en un punto específico de tiempo-frecuencia $(\tau, f)$ se calcula aplicando un análisis de Lomb-Scargle Generalizado (GLS) localizado. Se ajusta un modelo sinusoidal $y(t) = a \cos(2\pi ft) + b \sin(2\pi ft) + c$ a los datos dentro de la ventana adaptativa. El proceso de ajuste utiliza pesos combinados $W_i$ que consideran tanto la incertidumbre intrínseca de la medición ($1/\sigma_i^2$) como el valor de la ventana gaussiana adaptativa en cada punto de muestra. El resultado es la potencia normalizada $p(\tau, f)$, que representa la bondad de ajuste relativa a un modelo de desfase constante.

Contribuciones Clave

• Desarrollo del Marco: La formulación de la NUST, que reemplaza el núcleo de Fourier de la transformada S con un análisis GLS localizado, permitiendo el procesamiento directo de datos no uniformes.
• Mecanismo Adaptativo: La introducción de un ancho de ventana que se ajusta dinámicamente según la densidad de muestra local, abordando la inestabilidad de las estimaciones espectrales en regiones de muestreo disperso.
• Validación: Pruebas exhaustivas en señales sintéticas y datos astronómicos del mundo real.

Resultos Experimentales
Los autores validaron la NUST frente al periodograma GLS y la transformada S estándar (aplicada a datos interpolados como verdad de terreno) utilizando cuatro tipos de señales sintéticas: señales multi-transitorias, chirps transitorios, ráfagas transitorias y señales con brechas centrales.

• Datos Sintéticos: La NUST localizó con éxito características transitorias y no estacionarias tanto en tiempo como en frecuencia, coincidiendo estrechamente con los espectrogramas de la transformada S de verdad de terreno. En contraste, el periodograma GLS produjo picos ambiguos al promediar la potencia sobre toda la duración, fallando en capturar el comportamiento transitorio.
• Robustez: Las pruebas con realizaciones de muestreo no uniforme aleatorio y variaciones en la Relación Señal-Ruido (SNR) demostraron que la NUST recupera consistentemente las estructuras de tiempo-frecuencia. Se observaron límites de detección en SNR baja (0.8), donde los componentes de baja frecuencia comenzaron a mezclarse con el piso de ruido.
• Aplicación en el Mundo Real (HD 10180): Aplicada a los datos de velocidad radial de HARPS del sistema multi-planetario HD 10180, la NUST distinguió con éxito las señales planetarias coherentes de la actividad estelar.
  • Para el planeta de alta frecuencia C, la NUST reveló una trayectoria horizontal estable, resolviendo la ambigüedad causada por picos ruidosos cercanos en el periodograma GLS.
  • Para el planeta de baja frecuencia D, la NUST visualizó su comportamiento temporal, mostrando que es menos consistente e intermitentemente más débil que el planeta C. Los autores señalan que, si bien las ventanas anchas son necesarias para la resolución de baja frecuencia (acercándose al comportamiento de GLS), el método aún proporciona un contexto diagnóstico valioso para separar las señales planetarias del ruido estelar transitorio.

Significancia y Reivindicaciones
El artículo afirma que la NUST proporciona una herramienta de diagnóstico poderosa para el análisis de señales no estacionarias en conjuntos de datos no uniformes al añadir el contexto temporal ausente en los periodogramas estándar. Sostiene que el método supera las limitaciones de los métodos integrados en el tiempo (ceguera ante transitorios) y de los métodos de ventana fija (inestabilidad en regiones dispersas). Los autores posicionan a la NUST como una alternativa superior para caracterizar señales transitorias, localizadas o de frecuencia variable en campos como la astronomía, donde las brechas de datos y el muestreo irregular son prevalentes. El trabajo concluye sugiriendo una futura generalización para incluir wavelets en el procesamiento de datos no uniformes.