Sygnały nieokresowe stanowią kluczową kategorię obiektów badawczych w inżynierii, matematyce stosowanej i fizyce, a także w naukach o informacji. Pojawiają się w postaci mowy, muzyki, sejsmogramów, przebiegów w sieciach energetycznych czy zapisu aktywności mózgu. Zrozumienie ich natury jest konieczne, aby skutecznie przesyłać dane, projektować filtry, rozpoznawać wzorce oraz diagnozować złożone systemy techniczne i biologiczne. Poniższy tekst systematyzuje pojęcie sygnału nieokresowego oraz jego zastosowania.
Matematyczna definicja i intuicja sygnału nieokresowego
W teorii sygnałów punktem wyjścia jest rozróżnienie sygnałów okresowych i nieokresowych. Sygnał okresowy to taki, który spełnia warunek x(t) = x(t + T) dla pewnego dodatniego okresu T i dla wszystkich chwil czasu t. Oznacza to, że jego kształt powtarza się nieskończenie wiele razy. Z kolei sygnał nieokresowy to przebieg, dla którego nie istnieje żaden dodatni T spełniający taki warunek dla całej osi czasu. Innymi słowy, nie można znaleźć długości cyklu, po której sygnał idealnie powraca do swojego poprzedniego kształtu.
Formalnie, jeśli x(t) jest funkcją czasu t, to sygnał uznajemy za nieokresowy, gdy dla każdego T > 0 znajdzie się takie t, że x(t) ≠ x(t + T). Istnieją też analogiczne definicje dla sygnałów dyskretnych x[n], zależnych od indeksu całkowitego n, gdzie zamiast przesunięcia w czasie ciągłym analizuje się przesunięcie o pewien krok liczony w próbkach. W tym przypadku sygnał nieokresowy nie spełnia zależności x[n] = x[n + N] dla żadnego dodatniego całkowitego N i wszystkich n.
Intuicyjnie można sobie wyobrazić sygnał okresowy jako falę sinusoidalną lub kwadratową, która ma wyraźny rytm i regularność, natomiast sygnał nieokresowy jako swobodną wypowiedź językową, utwór muzyczny z wprowadzeniem, rozwinięciem i zakończeniem albo krótkotrwały impuls elektromagnetyczny. Tego rodzaju przebiegi mogą mieć fragmenty lokalnie zbliżone do okresowych, ale globalnie nie tworzą nieskończonego, powtarzalnego wzorca.
Kluczową konsekwencją matematyczną braku okresowości jest to, że sygnały nieokresowe opisuje się innymi narzędziami niż sygnały okresowe. Dla przebiegów okresowych naturalnym narzędziem jest szereg Fouriera, czyli reprezentacja jako suma dyskretnych harmonicznych o częstotliwościach będących całkowitymi wielokrotnościami częstotliwości podstawowej. Dla sygnałów nieokresowych stosuje się raczej transformację Fouriera w wersji całkowej, która prowadzi do ciągłego widma częstotliwości. Zmienia się więc sama geometria analizy – zamiast dyskretnego zestawu linii spektralnych otrzymujemy ciągły rozkład energii w dziedzinie częstotliwości.
Przykładem prostego sygnału nieokresowego może być impuls prostokątny trwający od t = 0 do t = τ, a poza tym przedziałem równy zero. Taki przebieg jest skończony w czasie, więc z definicji nie można mówić o jego powtarzalności na całej osi czasu. Inny przykład to funkcja wykładnicza malejąca x(t) = e-at dla t ≥ 0 i zero dla t < 0. Choć jej kształt jest prosty i monotoniczny, również nie powtarza się cyklicznie.
Klasyfikacja i własności sygnałów nieokresowych
Sygnały nieokresowe można klasyfikować według różnych kryteriów: sposobu reprezentacji w czasie, własności energetycznych, liniowości generującego je układu czy charakteru statystycznego. Jednym z ważnych podziałów jest rozróżnienie sygnałów energetycznych i mocy. Sygnał energetyczny ma skończoną całkowitą energię, która wyraża się jako całka z kwadratu modułu sygnału po całej osi czasu. Sygnał mocy ma natomiast nieskończoną energię, ale skończoną średnią moc, liczona jako granica uśredniania kwadratu sygnału na coraz dłuższych przedziałach czasu.
Wiele sygnałów nieokresowych, takich jak pojedyncze impulsy, krótkie nagrania czy odpowiedzi układów na wymuszenie impulsowe, to sygnały energetyczne. Z kolei sygnały przypominające szum o stałej intensywności mogą być klasyfikowane jako sygnały mocy. Analiza widmowa sygnałów energetycznych opiera się na transformacji Fouriera, natomiast dla sygnałów mocy często stosuje się uogólnioną koncepcję gęstości widmowej mocy, zdefiniowanej przez granicę uśredniania korelacji w czasie.
Inną ważną klasyfikacją jest podział na sygnały deterministyczne i losowe. Sygnał deterministyczny jest w pełni określony przez jednoznaczną funkcję czasu lub zbiór równań i parametrów. Nawet jeśli jest nieokresowy, jak w przypadku rampy liniowej lub sumy kilku impulsów, to w dowolnym momencie można dokładnie przewidzieć jego wartość. Z kolei sygnały losowe opisuje się statystycznie, za pomocą rozkładów prawdopodobieństwa, funkcji gęstości, korelacji i widm mocy. Wielu sygnałów rzeczywistych, takich jak szum termiczny w elektronicznych elementach, nie da się adekwatnie uchwycić bez narzędzi probabilistycznych.
Szczególnym przypadkiem sygnałów nieokresowych są przebiegi quasi-okresowe. Są to sygnały zbudowane z kilku składowych o częstotliwościach niewspółmiernych, czyli takich, dla których nie istnieje wspólny okres fundamentalny będący wielokrotnością wszystkich częstotliwości składowych. W praktyce ich widmo składa się z zestawu dyskretnych linii, ale z powodu niewspółmierności częstotliwości całość nie powtarza się dokładnie w czasie. Przykładem może być suma dwóch sinusoid o częstotliwościach powiązanych stałą liczbą niewymierną.
Własności sygnałów nieokresowych istotne z punktu widzenia zastosowań to m.in. ich pasmo częstotliwości, gładkość w dziedzinie czasu, stopień lokalizacji energii, a także struktura czasowo–częstotliwościowa. Choć każdą funkcję można formalnie analizować transformacją Fouriera, nie zawsze jest to narzędzie najbardziej informatywne. W wielu sytuacjach korzysta się z transformacji falkowej lub krótkoczasowej transformacji Fouriera, które pozwalają oglądać ewolucję komponentów częstotliwościowych w czasie, co jest zatem szczególnie przydatne dla sygnałów nieokresowych, zawierających przejścia, skoki i zmieniające się tonalności.
Istotną cechą sygnałów nieokresowych jest także ich relacja do przyczynowości. Sygnał przyczynowy to taki, którego wartości są równe zero dla t < 0. Przykładem jest odpowiedź układu liniowego na wymuszenie impulsowe w chwili t = 0. Wiele analiz fizycznych zakłada przyczynowość, aby model był zgodny z kierunkiem czasu w zjawiskach rzeczywistych. Sygnały przyczynowe są zawsze nieokresowe w ścisłym sensie matematycznym, bo nie mogą powtarzać się w nieskończoność w przeszłości. Można natomiast rozważać modele rozciągnięte matematycznie na całą prostą czasową, aby uprościć analizę.
Reprezentacje i narzędzia opisu sygnału nieokresowego
Opis sygnałów nieokresowych obejmuje różne formy reprezentacji: w dziedzinie czasu, częstotliwości, a także w przestrzeniach mieszanych. Najprostszą reprezentacją jest zapis przebiegu x(t) jako funkcji czasu. Dla potrzeb analizy numerycznej i przetwarzania cyfrowego dokonuje się próbkowania, czyli pomiaru wartości sygnału w dyskretnych chwilach t = nTs, gdzie Ts to okres próbkowania. Wynikiem jest ciąg x[n] = x(nTs), który stanowi bazę dla większości algorytmów w takich dziedzinach jak cyfrowe przetwarzanie dźwięku czy analiza obrazów.
Kluczowe znaczenie dla badania sygnałów nieokresowych ma transformata Fouriera w wersji całkowej. Definiuje się ją jako całkę zespoloną po całej osi czasu: X(ω) = ∫ x(t)e-jωt dt. Otrzymana funkcja X(ω) opisuje amplitudy i fazy składowych o różnych częstotliwościach ω. W przypadku sygnałów energetycznych transformata Fouriera istnieje w sensie kwadratowca (L2) i pozwala analizować rozkład energii w paśmie częstotliwości. Dla sygnałów bardziej złożonych stosuje się uogólnienia, m.in. teorię dystrybucji, aby poradzić sobie z obiektami typu delta Diraca.
W praktycznych zastosowaniach cyfrowych korzysta się z dyskretnej transformaty Fouriera (DTF), obliczanej na podstawie skończonej liczby próbek sygnału. Tu pojawia się subtelna kwestia: DTF zawsze zakłada periodyczne przedłużenie analizowanego fragmentu w nieskończoność. Oznacza to, że rzeczywisty sygnał nieokresowy jest traktowany przez algorytm tak, jakby był jednym okresem nieskończenie powtarzającego się przebiegu. Z tego powodu pojawia się zjawisko aliasingu w dziedzinie częstotliwości i tzw. wycieki widma, szczególnie widoczne przy oknach czasowych obejmujących niecałą liczbę okresów lokalnej składowej quasi-okresowej.
Aby ograniczyć te artefakty, stosuje się tzw. okna czasowe: prostokątne, Hanninga, Hamminga, Blackmana i inne. Okno to funkcja wagowa, którą mnoży się z sygnałem przed obliczeniem DTF, by stopniowo tłumić wartości na krawędziach analizowanego fragmentu. To działanie poprawia lokalność reprezentacji częstotliwościowej, choć kosztem rozdzielczości. Widać tu, że wybór odpowiedniej reprezentacji ma znaczenie szczególnie dla sygnałów nieokresowych, których energia nie jest skupiona w jednym, doskonale regularnym wzorcu powtarzalnym.
Drugim ważnym narzędziem jest krótkoczasowa transformata Fouriera (STFT). Polega ona na tym, że sygnał mnoży się przez przesuwane w czasie okno i dla każdego położenia liczy transformację Fouriera. Wynikiem jest funkcja dwuwymiarowa X(t, ω), wskazująca, jakie częstotliwości są obecne w sygnale w pobliżu danej chwili t. Reprezentacja ta jest szczególnie użyteczna dla analiz mowy, muzyki, sygnałów sejsmicznych i wielu innych przebiegów, które zmieniają charakter w czasie, na przykład przechodząc od fazy impulsowej do fazy stacjonarnej.
Dalszym krokiem w stronę adaptacyjnej analizy jest transformata falkowa. Zamiast globalnych sinusoid używa się tu funkcji o dobrej lokalizacji zarówno w czasie, jak i w częstotliwości, zwanych falkami. Przykładowe rodziny falek to Haar, Daubechies, Symlet, Meyer. Transformata falkowa pozwala przedstawić sygnał nieokresowy jako sumę przesuniętych i przeskalowanych kopii pojedynczej falki bazowej. Daje to możliwość jednoczesnego uchwycenia długotrwałych trendów niskoczęstotliwościowych oraz krótkich, wysokoenergetycznych zdarzeń, co wprost koresponduje z naturą wielu sygnałów nieokresowych.
Istotny jest także opis w dziedzinie statystycznej, zwłaszcza dla sygnałów losowych. Zamiast pojedynczej realizacji x(t), analizuje się zespół możliwych przebiegów i związane z nim funkcje korelacji, kowariancji, rozkłady warunkowe oraz gęstości widmowej mocy. W takim ujęciu sygnał nieokresowy może mieć charakter ergodyczny lub nieergodyczny. W przypadku ergodyczności możliwe jest wnioskowanie o własnościach statystycznych na podstawie jednej wystarczająco długiej obserwacji, co ma ogromne znaczenie w praktycznych systemach pomiarowych, gdzie często dysponuje się jedynie pojedynczą rejestracją.
Zastosowania sygnałów nieokresowych w nauce i technice
Sygnały nieokresowe dominują w rzeczywistych systemach pomiarowych. Mowa jest klasycznym przykładem takiego przebiegu: choć zawiera lokalne struktury quasi-okresowe związane z drganiami strun głosowych, to na poziomie całego zdania czy wypowiedzi brak jest globalnego okresu. Przetwarzanie mowy – od rozpoznawania głosu, przez kompresję, po syntezę – wymaga rozbudowanych modeli, które łączą elementy analizy czasowo–częstotliwościowej i statystyki. Klasyczne algorytmy, takie jak cepstrum czy liniowe przewidywanie (LPC), opierają się na modelowaniu nieokresowych, rezonansowych własności traktu głosowego.
W muzyce sygnały nieokresowe pojawiają się zarówno na poziomie pojedynczych dźwięków (np. uderzenie w bęben, które generuje bogate widmo złożone z szybko gasnących składowych), jak i na poziomie całych utworów. Analiza nagrań muzycznych obejmuje wykrywanie zdarzeń, segmentację, ekstrakcję cech i rozpoznawanie struktur rytmicznych, harmonicznych oraz fakturalnych. Dla wielu gatunków, jak muzyka elektroniczna czy eksperymentalna, istotne jest badanie ewolucji widma w czasie oraz identyfikacja krótkotrwałych, wysokoenergetycznych zdarzeń – wszystko to wpisuje się w typową problematykę sygnałów nieokresowych.
W elektrotechnice i energetyce sygnały nieokresowe pojawiają się podczas rozruchu maszyn, zwarć, przełączeń w sieci czy zjawisk przejściowych w układach zasilania. Diagnostyka takich procesów wymaga precyzyjnego uchwycenia niestacjonarnej natury przebiegów prądu i napięcia. Analiza czasowo–częstotliwościowa umożliwia identyfikację charakterystycznych wzorców zakłóceń, wykrywanie uszkodzeń izolacji, nieliniowości czy problemów związanych z kompatybilnością elektromagnetyczną. Szybkie rejestratory oscylograficzne pozwalają uzyskać szczegółowy obraz krótkotrwałych zdarzeń, które często decydują o trwałości i bezpieczeństwie całego systemu.
W geofizyce sygnały nieokresowe są podstawą analizy sejsmogramów. Ziemia generuje fale sejsmiczne w wyniku trzęsień, eksplozji, osuwisk i innych zjawisk naturalnych. Nagrania z sejsmometrów zawierają złożone przebiegi, w których superponują się różne typy fal, propagujących się w odmiennych warstwach ośrodka. Transformacje czasowo–częstotliwościowe, filtry adaptacyjne i metody inwersji sejsmicznej pozwalają wydobywać parametry strukturalne wnętrza Ziemi, lokalizować źródła trzęsień oraz szacować ich magnitudę. Sygnały te są dalekie od regularności, a ich prawidłowa interpretacja wymaga zaawansowanych modeli falowych i statystycznych.
W medycynie sygnały biologiczne, takie jak EEG, EKG czy EMG, niemal zawsze mają charakter nieokresowy. Choć w zdrowym sercu obserwuje się pewną regularność rytmu, to w pełnym ujęciu przebieg EKG jest modulowany przez wiele czynników: od aktywności fizycznej, przez emocje, po choroby układu krążenia. Podobnie EEG rejestruje zsynchronizowaną aktywność milionów neuronów, ujawniając skomplikowane wzorce, które trudno sprowadzić do prostych okresowości. Diagnostyka takich sygnałów bazuje na szeregu metod: od klasycznej analizy częstotliwościowej, przez metody nieliniowe i fraktalne, po uczenie maszynowe, które potrafi wydobywać wzorce trudne do zauważenia tradycyjnymi technikami.
Sygnały nieokresowe pełnią kluczową rolę również w telekomunikacji. Transmisja danych w sieciach cyfrowych odbywa się za pomocą sekwencji bitów, których struktura wynika z treści przesyłanej informacji. Nawet jeśli nośnik (np. fala nośna o określonej częstotliwości) ma charakter okresowy, to modulacja niesie nieokresowy przebieg, będący źródłem informacji. Projektowanie kodowania, modulacji, korekcji błędów i struktur pakietów wymaga uwzględniania statystycznych własności sygnałów nieokresowych, aby zapewnić minimalizację błędów, właściwości spektralne zgodne z normami oraz odporność na zakłócenia.
W informatyce i sztucznej inteligencji sygnały nieokresowe pojawiają się w postaci szeregów czasowych, strumieni danych sensorowych oraz logów systemowych. Anomalia w takich danych – np. nagły wzrost opóźnień w sieci, nietypowy ruch w systemie bankowym, zmiana wzorca aktywności użytkownika – może wskazywać na awarię techniczną, atak cybernetyczny albo inny istotny incydent. Metody wykrywania anomalii, segmentacji, klasyfikacji i predykcji szeregów czasowych należą do kluczowych narzędzi analizy sygnałów nieokresowych w środowisku cyfrowym.
Nie można pominąć roli sygnałów nieokresowych w fizyce cząstek i optyce. Krótkie impulsy laserowe, stosowane w spektroskopii czasu ultrakrótkiego, mają bardzo szerokie widmo częstotliwościowe, wynikające z nieokresowego, impulsywnego charakteru w dziedzinie czasu. Analiza ich propagacji, interakcji z materią oraz zjawisk nieliniowych wymaga rozbudowanych modeli, które uwzględniają zarówno strukturę czasową, jak i spektralną. W tych zastosowaniach precyzyjne zrozumienie kompromisu między lokalizacją w czasie i częstotliwości, opisanego zasadą nieoznaczoności, jest absolutnie kluczowe.
Sygnały nieokresowe odgrywają również fundamentalną rolę w teorii informacji. Z punktu widzenia tej teorii źródła danych mogą być traktowane jako generatory sekwencji symboli o danych własnościach probabilistycznych. Istotne jest, że nawet proste modele, takie jak łańcuchy Markowa, generują z reguły sekwencje nieokresowe. W konsekwencji algorytmy kompresji, kryptografii, kodowania kanałowego i detekcji muszą być projektowane z myślą o sygnałach, których globalna struktura jest zbyt złożona, aby opisać ją przez powtarzający się wzorzec. To właśnie brak prostego okresu tworzy przestrzeń dla bogatej zawartości informacyjnej.
Praktyczne wyzwania przetwarzania sygnałów nieokresowych
Przetwarzanie sygnałów nieokresowych wiąże się z wieloma wyzwaniami praktycznymi, które wynikają z ich zmiennej i złożonej natury. Pierwszym problemem jest ograniczony czas obserwacji. W realnych systemach rejestruje się sygnał przez skończony czas, co wpływa na rozdzielczość częstotliwościową i możliwość odróżnienia blisko położonych składowych. Długa obserwacja poprawia rozdzielczość, ale może rozmywać struktury szybkozmienne. Krótka z kolei dobrze uchwytuje gwałtowne zdarzenia, lecz kosztem dokładności spektralnej.
Drugim wyzwaniem jest obecność szumów i zakłóceń. Wiele sygnałów nieokresowych ma naturę impulsową lub zawiera rzadkie, ale istotne zdarzenia. Klasyczne filtry liniowe, projektowane z myślą o sygnałach bardziej stacjonarnych, potrafią zacierać takie cechy. Odpowiedzią na ten problem są metody filtracji adaptacyjnej, filtry nieliniowe, techniki bazujące na rozkładach falkowych i metodach rzadkiej reprezentacji. W tych podejściach sygnał nieokresowy jest modelowany jako kombinacja niewielkiej liczby istotnych atomów z dużego słownika, co pozwala lepiej zachować jego unikalną strukturę.
Kolejnym zagadnieniem jest segmentacja, czyli podział sygnału na odcinki o względnie jednorodnych własnościach. W mowie segmentacja odpowiada za rozpoznawanie fonemów, sylab, słów czy zdań. W medycynie pozwala wyodrębnić poszczególne cykle serca albo fazy snu. W analizie danych przemysłowych segmentacja identyfikuje okresy pracy, przełączania, awarii. Dla sygnałów nieokresowych proces ten bywa trudny, gdyż granice pomiędzy segmentami mogą być płynne, a zmiany zachodzić na wielu skalach czasowych. Stosuje się tu metody oparte na dynamice energii, modelowaniu statystycznym oraz uczeniu nadzorowanym i nienadzorowanym.
Istotnym wyzwaniem jest także wizualizacja i interpretacja wyników. Reprezentacje czasowo–częstotliwościowe generują obszerne, dwuwymiarowe dane, których analiza wymaga doświadczenia. W praktyce inżynierskiej projektuje się więc interaktywne narzędzia pozwalające eksplorować przestrzeń parametrów, wybierać skale czasowe i częstotliwościowe oraz stosować automatyczne metody wykrywania wzorców. Kluczowe staje się też odpowiednie przeszkolenie użytkowników, aby umieli łączyć informacje z sygnałów nieokresowych z wiedzą dziedzinową o badanym procesie fizycznym czy technologicznym.
Wreszcie, rosnąca złożoność algorytmów przetwarzania sygnałów nieokresowych wymaga odpowiedniej mocy obliczeniowej. W wielu zastosowaniach, takich jak systemy bezpieczeństwa, sterowanie w czasie rzeczywistym czy przetwarzanie sygnałów wbudowanych, liczy się minimalne opóźnienie i niski pobór mocy. Opracowywanie efektywnych implementacji na procesorach sygnałowych, układach FPGA i specjalizowanych akceleratorach jest osobnym obszarem badań, w którym łączy się teorię sygnałów z inżynierią sprzętową i programistyką systemową.
FAQ dotyczące sygnałów nieokresowych
Co odróżnia sygnał nieokresowy od okresowego w praktyce pomiarowej?
W pomiarach rzeczywistych rzadko obserwujemy sygnały idealnie okresowe, dlatego różnicę ocenia się statystycznie lub na podstawie długoterminowego zachowania. Sygnał okresowy ujawnia stałą, powtarzalną strukturę – jego przebieg po pewnym czasie wygląda niemal identycznie jak wcześniej. W sygnale nieokresowym mogą pojawiać się powtarzające fragmenty, ale globalnie kształt ulega zmianom: występują przejścia, zdarzenia impulsowe, modulacje czy długotrwałe trendy. Analiza widmowa pokazuje wtedy ciągłe lub złożone widmo zamiast prostego układu linii harmonicznych.
Czy każdy sygnał o skończonym czasie trwania jest nieokresowy?
Tak, z punktu widzenia ścisłej definicji matematycznej sygnał, który istnieje tylko na skończonym przedziale czasu, jest nieokresowy, ponieważ nie da się znaleźć dodatniego okresu T, dla którego przebieg powtarzałby się na całej osi czasu. Jednak w praktyce inżynierskiej często rozważa się takie sygnały jako wycinki dłuższych, być może okresowych procesów. Podczas analizy numerycznej traktuje się je zwykle jako fragment jednego okresu przedłużonego periodycznie. To uproszczenie jest wygodne obliczeniowo, ale nie zmienia faktu, że pierwotny sygnał ma charakter nieokresowy.
Jakie transformacje matematyczne najczęściej stosuje się do analizy sygnałów nieokresowych?
Najczęściej stosuje się transformację Fouriera w wersji całkowej, która opisuje rozkład energii sygnału w dziedzinie częstotliwości. Dla sygnałów, których struktura zmienia się w czasie, używa się krótkoczasowej transformaty Fouriera oraz transformacji falkowej, pozwalających badać lokalne własności w skali czasowo–częstotliwościowej. W zastosowaniach cyfrowych dominuje dyskretna transformata Fouriera, obliczana efektywnie algorytmem FFT. W analizie sygnałów losowych ważne są też narzędzia statystyczne: funkcje korelacji, gęstości widmowej mocy oraz modele probabilistyczne, takie jak procesy Markowa czy procesy gaussowskie.
Dlaczego sygnały nieokresowe są tak ważne w transmisji danych?
Transmisja danych polega na przenoszeniu sekwencji bitów, które z natury nie tworzą prostej, powtarzalnej struktury. Nawet jeśli nośna ma charakter okresowy, to modulacja wprowadza nieokresowy przebieg reprezentujący informację. Właśnie ta nieokresowość pozwala zakodować zróżnicowany przekaz: tekst, obraz, dźwięk czy wideo. Projektanci systemów muszą uwzględniać statystyczne własności takich sygnałów, aby dobrać odpowiednie schematy kodowania, modulacji i korekcji błędów, zapewniające niezawodną transmisję w obecności szumu i zakłóceń, przy jednoczesnym spełnieniu wymagań dotyczących przepustowości i zajmowanego pasma.
W jaki sposób sygnały nieokresowe są wykorzystywane w diagnostyce technicznej i medycznej?
W diagnostyce technicznej analizuje się nieokresowe przebiegi prądów, napięć, drgań mechanicznych czy emisji akustycznej, aby wykrywać uszkodzenia, zmęczenie materiału lub nadchodzące awarie. Zmiany w strukturze czasowo–częstotliwościowej sygnału mogą ujawniać mikropęknięcia, niestabilności pracy łożysk, rozregulowanie maszyn czy nieprawidłowe stany przełączania. W medycynie kluczowe są sygnały takie jak EEG, EKG lub EMG. Analiza ich nieokresowej natury pozwala rozpoznawać arytmie, zaburzenia snu, napady padaczkowe i inne stany patologiczne. W obu dziedzinach rośnie rola metod uczenia maszynowego, które uczą się wzorców z dużych zbiorów sygnałów, wspierając ekspertów w interpretacji złożonych danych.
