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

Sintesi Tecnica: Analisi Tempo-Frequenza di Segnali Campionati in Modo Non Uniforme tramite Adattamento della Densità di Campionamento

Definizione del Problema
L'analisi di segnali non stazionari all'interno di dati campionati in modo non uniforme presenta una sfida significativa nell'elaborazione dei segnali. I dataset del mondo reale provenienti da campi quali l'astronomia, la geofisica e la biomedicina mostrano spesso un campionamento rado, lacune o intervalli temporali irregolari ($t_{i+1} - t_i \neq \text{costante}$). Gli approcci esistenti affrontano limiti distinti:

1. Interpolazione: La conversione di dati non uniformi in una griglia uniforme per applicare tecniche standard (ad esempio, la Trasformata di Fourier a Breve Intervallo, la S-transform standard) può introdurre artefatti significativi.
2. Metodi Integrati nel Tempo: Tecniche come il periodogramma di Generalized Lomb-Scargle (GLS) offrono una valutazione statistica robusta delle periodicità persistenti in dati non uniformi, ma mancano di risoluzione temporale, risultando cieche rispetto a eventi transitori o derive di frequenza.
3. Metodi Tempo-Frequenza a Finestra Fissa: Gli approcci tempo-frequenza esistenti applicati a dati non uniformi spesso si affidano a finestre di durata fissa o ignorano la densità locale dei campioni. Ciò porta a stime inaffidabili, particolarmente in regioni con campionamento rado dove una finestra stretta fissa può contenere un numero insufficiente di punti dati per una stima spettrale stabile.

Metodologia: La S-Transform Non Uniforme (NUST)
Gli autori introducono la S-Transform Non Uniforme (NUST), un framework tempo-frequenza progettato per sintetizzare la robustezza statistica del periodogramma GLS con i principi di multi-risoluzione adattiva della S-transform. L'innovazione principale è uno schema di windowing doppiamente adattivo che opera direttamente su dati campionati in modo non uniforme senza interpolazione.

La metodologia NUST consiste in due componenti primarie:

1. Stima della Densità di Campionamento:
   Per quantificare la densità locale dei dati, il metodo impiega la Stima della Densità Kernel (KDE). Una funzione di densità continua $\rho(t)$ viene stimata dai campioni temporali discreti $\{t_i\}$ utilizzando un kernel Gaussiano e un iperparametro di larghezza di banda $h$. Ciò consente all'algoritmo di identificare regioni di campionamento rado rispetto a quelle dense.

2. Windowing Doppiamente Adattivo e GLS Localizzato:
   A differenza della S-transform standard, dove la larghezza della finestra Gaussiana $\sigma$ scala solo con la frequenza ($\sigma \propto 1/|f|$), la NUST definisce una deviazione standard adattiva $\sigma_{\text{adaptive}}(\tau, f)$ che dipende sia dalla frequenza che dalla densità di campionamento locale:
   $$\sigma_{\text{adaptive}}(\tau, f) = \frac{\alpha}{|f| \cdot [\rho(\tau)]^\gamma}$$
   Qui, $\alpha$ imposta la larghezza di base, e $\gamma$ controlla la sensibilità ai cambiamenti di densità.

• Adattamento in Frequenza: Le alte frequenze utilizzano finestre più strette per una migliore risoluzione temporale; le basse frequenze utilizzano finestre più ampie per una migliore risoluzione in frequenza.
• Adattamento in Densità: Nelle regioni sparse, la finestra si espande per raccogliere un numero sufficiente di punti dati per un fit stabile. Nelle regioni dense, si contrae per fornire dettagli temporali più fini.

La potenza spettrale in un determinato punto tempo-frequenza $(\tau, f)$ è calcolata applicando un'analisi Generalized Lomb-Scargle (GLS) localizzata. Un modello sinusoidale $y(t) = a \cos(2\pi ft) + b \sin(2\pi ft) + c$ viene adattato ai dati all'interno della finestra adattiva. Il processo di fitting utilizza pesi combinati $W_i$ che tengono conto sia dell'incertezza intrinseca della misurazione ($1/\sigma_i^2$) sia del valore della finestra Gaussiana adattiva in ogni punto di campionamento. L'output è la potenza normalizzata $p(\tau, f)$, che rappresenta la bontà del fit rispetto a un modello con offset costante.

Contributi Chiave

• Sviluppo del Framework: La formulazione della NUST, che sostituisce il kernel di Fourier della S-transform con un'analisi GLS localizzata, consentendo l'elaborazione diretta di dati non uniformi.
• Meccanismo Adattivo: L'introduzione di una larghezza di finestra che si adatta dinamicamente in base alla densità di campionamento locale, affrontando l'instabilità delle stime spettrali in regioni con campionamento rado.
• Validazione: Test completi su segnali sintetici e dati astronomici reali.

Risultati Sperimentali
Gli autori hanno validato la NUST contro il periodogramma GLS e la S-transform standard (applicata a dati interpolati come ground truth) utilizzando quattro tipi di segnali sintetici: segnali multi-transitori, chirp transitori, burst transitori e segnali con lacune centrali.

• Dati Sintetici: La NUST ha localizzato con successo caratteristiche transitorie e non stazionarie sia nel tempo che nella frequenza, corrispondendo strettamente agli spettrogrammi della S-transform di ground-truth. Al contrario, il periodogramma GLS ha prodotto picchi ambigui mediando la potenza sull'intera durata, fallendo nel catturare il comportamento transitorio.
• Robustezza: I test con realizzazioni di campionamento non uniforme casuale e diversi rapporti segnale-rumore (SNR) hanno dimostrato che la NUST recupera costantemente le strutture tempo-frequenza. I limiti di rilevamento sono stati osservati a basso SNR (0.8), dove le componenti a bassa frequenza hanno iniziato a fondersi con il tappeto di rumore.
• Applicazione nel Mondo Reale (HD 10180): Applicata ai dati di velocità radiale HARPS del sistema multi-planetario HD 10180, la NUST ha distinto con successo i segnali planetari coerenti dall'attività stellare.
  • Per l'alto-frequenza del pianeta C, la NUST ha rivelato una traccia orizzontale stabile, risolvendo l'ambiguità causata da picchi rumorosi vicini nel periodogramma GLS.
  • Per il basso-frequenza del pianeta D, la NUST ha visualizzato il suo comportamento temporale, mostrandolo come meno consistente e intermittente rispetto al pianeta C. Gli autori osservano che, sebbene siano necessarie finestre ampie per la risoluzione a bassa frequenza (avvicinandosi al comportamento GLS), il metodo fornisce comunque un prezioso contesto diagnostico per separare i segnali planetari dal rumore stellare transitorio.

Significato e Rivendicazioni
L'articolo sostiene che la NUST fornisca uno strumento diagnostico potente per l'analisi di segnali non stazionari in dataset non uniformi, aggiungendo il contesto temporale assente nei periodogrammi standard. Afferma che il metodo supera i limiti dei metodi integrati nel tempo (cecità ai transitori) e dei metodi a finestra fissa (instabilità nelle regioni sparse. Gli autori posizionano la NUST come un'alternativa superiore per la caratterizzazione di segnali transitori, localizzati o a frequenza variabile in campi come l'astronomia, dove le lacune nei dati e il campionamento irregolare sono prevalenti. Il lavoro conclude suggerendo una futura generalizzazione per includere le wavelet per l'elaborazione di dati non uniformi.