Сигнальная обработка (Signal Processing)
Совокупность методов и алгоритмов анализа, преобразования и интерпретации сигналов (данных временной или пространственной природы) в контексте машинного обучения и нейросетевых моделей для извлечения полезной информации, фильтрации шума или подготовки данных к дальнейшему обучению.
В машинном обучении и ИИ сигнальная обработка играет роль «предварительного фильтра» и «переводчика»: она берёт сырые данные (звук, изображение, биологические сигналы и т. п.) и превращает их в форму, понятную для нейросетей. Без этой стадии многие модели просто не смогли бы «увидеть» или «услышать» то, что им нужно.
Аналогия из бытового мира
Представьте, что вы пытаетесь разобрать шёпот собеседника в шумном кафе. Ваш мозг автоматически «фильтрует» фоновый шум, усиливает голос, выделяет ключевые слова — это и есть сигнальная обработка в действии. В мире нейросетей аналогичную работу выполняют алгоритмы: они «очищают» аудио от помех, «выравнивают» яркость на фото, «вычленяют» ритмы из ЭКГ — чтобы модель потом могла сфокусироваться на сути, а не на шуме.
Исторический контекст
Сигнальная обработка как дисциплина возникла задолго до расцвета ИИ — её корни уходят в теорию связи и радиотехнику XX века (работы Норберта Винера, Клода Шеннона). Однако с 1980–1990‑х годов, с развитием нейросетей и цифровых датчиков, она стала критически важна для ML:
- В 1980‑е появились первые свёрточные нейронные сети (CNN), которые напрямую работают с обработанными изображениями.
- В 1990–2000‑е активное развитие получили методы обработки аудио (например, мел-кепстральные коэффициенты — MFCC) для распознавания речи.
- С 2010‑х годов глубинное обучение (deep learning) резко повысило спрос на продвинутую сигнальную обработку: нейросети стали «есть» сырые сигналы (waveform аудио, сырые ЭЭГ), но предварительная обработка всё равно часто нужна для ускорения обучения и повышения точности.
Смежные понятия и отличия
- Предобработка данных (data preprocessing) — более широкий термин, включающий не только сигнальную обработку, но и, например, нормализацию табличных данных, кодирование категорий и т. п. Сигнальная обработка — это подмножество предобработки, специфичное для временных/пространственных сигналов.
- Компьютерное зрение (computer vision) — область, где сигнальная обработка (фильтрация, выделение краёв, преобразование Фурье) служит инструментом для подготовки изображений к анализу нейросетями.
- Обработка естественного языка (NLP) — здесь сигнальная обработка менее очевидна, но тоже есть: например, преобразование аудиоречи в текст (ASR) начинается с обработки звукового сигнала.
Примеры использования
- В распознавании речи (ASR): MFCC, спектрограммы, фильтрация шума — чтобы нейросеть (например, WaveNet, Whisper) «слышала» чище.
- В компьютерном зрении: фильтрация Гаусса, преобразование Хаара, нормализация яркости — подготовка изображений для CNN (ResNet, YOLO).
- В медицинском ИИ: фильтрация артефактов в ЭЭГ/ЭКГ, выделение ритмов — для моделей диагностики сна или аритмий.
- В аудиогенеративных моделях: STFT (Short-Time Fourier Transform), мел-спектрограммы — вход для моделей типа MusicLM или AudioLDM.
- В радиочастотном ИИ: демодуляция, фильтрация помех — для нейросетей, анализирующих радиосигналы (например, в 5G/6G).