Зачем обрабатывать сигналы

Понимаем, какие практические задачи решает DSP и почему её делают именно в цифре.

Цифровая обработка сигналов — это применение алгоритмов к отсчётам сигнала, чтобы извлечь информацию, улучшить качество или преобразовать сигнал в нужную форму.

Зачем вообще что-то «обрабатывать»? Потому что сырой сигнал от датчика почти никогда не годится напрямую: в нём шум, наводки, лишние частоты, неудобный масштаб. DSP — это набор инструментов, который превращает сырьё в полезный результат.

Четыре больших задачи DSP

Очистка (фильтрация). Убрать шум, сетевую наводку 50 Гц из ЭКГ, фон вентилятора из записи голоса. Это самая частая задача.
Анализ. Узнать, какие частоты есть в сигнале, найти основной тон голоса, обнаружить пик или эхо, измерить пульс по кардиограмме.
Преобразование. Сжать звук в MP3, изменить тональность, наложить эффект, перенести радиосигнал на другую частоту (модуляция).
Распознавание. Понять, что за слово сказано, какая мелодия играет, есть ли аритмия — это вход в машинное обучение, но признаки для него готовит DSP.

Почему именно в цифре

Раньше всё это делали аналоговыми схемами: катушки, конденсаторы, операционные усилители. Цифровой подход победил, потому что:

Аналоговая обработка	Цифровая (DSP)
фильтр — это паяная схема	фильтр — это несколько строк кода
параметры «плывут» от температуры	идеальная повторяемость, точность задаёт разрядность
сложно перенастроить	поменял число в массиве — готов новый фильтр
каждая функция — отдельное железо	один процессор делает всё программно

Минусы тоже есть: нужно дискретизировать (теряем то, что выше половины частоты дискретизации) и квантовать (вносим небольшой шум). Но плюсы перевешивают: ваш телефон — это DSP-комбайн, который кодирует голос, давит эхо, шумоподавляет и распознаёт речь одновременно.

Самый простой пример обработки: сглаживание

Покажем суть DSP на крошечной задаче. Есть зашумлённые показания датчика; хотим сгладить их, заменяя каждое значение средним по трём соседним. Это уже фильтр — простейший фильтр скользящего среднего.

# Зашумлённые показания датчика
raw = [20, 22, 19, 50, 21, 23, 20, 22]   # 50 - явный выброс

def smooth(x):
    out = []
    for i in range(len(x)):
        lo = max(0, i - 1)
        hi = min(len(x), i + 2)
        window = x[lo:hi]
        out.append(round(sum(window) / len(window), 1))
    return out

print("Было:", raw)
print("Стало:", smooth(raw))

Вывод:

Было: [20, 22, 19, 50, 21, 23, 20, 22]
Стало: [21.0, 20.3, 30.3, 30.0, 31.3, 21.3, 21.7, 21.0]

Выброс 50 «размазался» и стал менее резким, соседи подтянулись к нему. Усреднение по окну — это и есть простейшая свёртка, главная операция DSP, которой посвящён отдельный раздел.

Как работает под капотом

Любой DSP-алгоритм — это арифметика над массивом: сложения, умножения и иногда комплексные числа. Никакой магии. Сложные эффекты собираются из простых кирпичиков: задержка, умножение на коэффициент, суммирование. Поэтому, освоив несколько базовых операций (сдвиг, масштаб, свёртка, преобразование Фурье), вы сможете собрать почти любой обработчик. Специальные чипы (DSP-процессоры, например серия TI C6000) умеют делать «умножить-и-накопить» за один такт, потому что именно эта операция встречается в DSP миллиарды раз в секунду.

Частые ошибки

«Сначала обработаю, потом подумаю, что было в сигнале». Без понимания природы сигнала (частоты, диапазон) фильтр легко настроить так, что он убьёт полезное вместе с шумом.
Считать сглаживание бесплатным. Любой фильтр что-то искажает: сглаживание «съедает» резкие фронты и вносит задержку. Всегда есть компромисс.
Применять DSP вслепую вместо измерения. Прежде чем фильтровать, полезно посмотреть спектр и понять, какие частоты лишние.

Итог

DSP решает четыре класса задач: очистка, анализ, преобразование, распознавание.
Цифровая обработка точна, повторяема и перенастраивается изменением чисел в коде.
Даже простое скользящее среднее — уже фильтр и частный случай свёртки.
Любой алгоритм DSP сводится к сложениям и умножениям над массивом отсчётов.