Mudança média de rms

Mudando média de média normalização quadrada, estou procurando um recurso que eu acho que é chamado de quotmoving averagequot ou quotroot mean squareot (rms) normalização, embora eu admita que não sou o mais experiente em áudio. O que é idêntico é normalizar a voz para um nível consistente e não apenas para o som mais alto na gravação. Eu encontrei essa pessoa perguntando sobre o que eu acredito que é o mesmo antes, e alguém sugeriu usar plugins nyquist: - audacity-forum. dedownloadedgarnyquistnyquist-docnyquist. htm eu também encontrei esse script quotfir10.nyquot, que eu suspeito que poderia ser o que eu estou procurando Para, mas não posso dizer com certeza: - n2.nabbletext-version-of-fir10.ny-td238442.html alguém sabe se esse recurso existe, ou se os desenvolvedores estão trabalhando nisso, eu poderia tentar ajudar também - eu tenho um Questão não relacionada (sonho de tubulação). Eu faço algum trabalho em uma estação de rádio do campus no Canadá, que usam soundforge para fazer sua edição. Haveria qualquer ponto para mim tentar convencê-los e outras estações de rádio do campus para tirar o dinheiro que gastaram em licenças soundforge e desviá-lo no desenvolvimento de audácia, há alguma infra-estrutura para receber esse tipo de dinheiro de uma maneira responsável e transparente novamente, isso Provavelmente é um sonho, não tenho certeza de que a identificação seja capaz de convencer alguém, mas acho que vale a pena perguntar. Obrigado pelo seu tempo todo mundo, macho Abra esta postagem em exibição threaded Relate Conteúdo como inapropriado Re: mudando média médio normalize Macho Philipovich escreveu eu estou procurando um recurso que eu acho que é chamado de quotmoving averagequot ou quotroot mean squarebot (rms) normalization, embora eu Admita que não sou o mais experiente em áudio. O que é idêntico é normalizar a voz para um nível consistente e não apenas para o som mais alto na gravação. Eu encontrei essa pessoa perguntando sobre o que eu acredito que é o mesmo antes, e alguém sugeriu usar plugins nyquist: - audacity-forum. dedownloadedgarnyquistnyquist-docnyquist. htm eu também encontrei esse script quotfir10.nyquot, que eu suspeito que poderia ser o que eu estou procurando Para, mas não posso dizer com certeza: - n2.nabbletext-version-of-fir10.ny-td238442.html alguém sabe se esse recurso existe ou se os desenvolvedores estão trabalhando nisso que eu poderia tentar ajudar? Para uma resposta definitiva sobre Nyquist você deve se inscrever na lista de Nyquist e pedir para lá: lists. sourceforge. netlistslistinfoaudacity-nyquist, mas, na medida em que minha compreensão muito limitada, a função Nyquist quotnormalizequot é a máxima normalização. O Audacity não executa a normalização do RMS, e não temos planos imediatos para implementá-lo, a menos que alguém nos convença, precisamos disso dentro do Audacity e fornece um patch. No entanto, você pode obter uma idéia muito aproximada do nível RMS do áudio no Audacity, usando o Menu suspenso da faixa para alternar para a exibição da forma de onda (dB) e ver o nível da parte azul clara da forma de onda, que é o poder RMS . No Audacity Beta 1.3.7, você pode realmente obter uma medida do RMS médio de qualquer seleção em Analyze gt Contraste (veja na caixa quotVolumequot). A normalização do RMS pode acabar dando clipping em uma faixa silenciosa que tem apenas algumas seções muito mais altas do que o resto, porque a média será muito baixa e sugerirá que seja necessário um grande aumento de volume. Assim, alguns normalizadores RMS aumentam, o que significa que você perde o alcance dinâmico. Você considerou o Replay Gain, que é uma elaboração da normalização do RMS. Se o seu áudio estiver em um formato que suporte amplamente as tags de metadados (MP3, OGG, FLAC, mas não WAV ou AIFF), você pode analisar o áudio com o software que escreverá quotReplay Gainquot Nas tags. Replay Gain permite ao usuário definir um volume perceptível de quottargetquot. Este alvo não é um alvo para amplificação máxima, nem aplica compressão, mas é um alvo para quitação de volume de reprodução percebida. Quando você reproduz um arquivo com dados Replay Gain em um media player que o suporta, o volume de reprodução de áudio será ajustado para que o volume percebido esteja no alvo que você especificou. Se você escrever todos os seus arquivos de áudio com Replay Gain configurado no mesmo nível de destino, eles somarão o mesmo volume sem que você tenha que mexer com os controles de volume para fazê-los parecer como tal. Por exemplo, se você exportar da Audacity como MP3, você pode usar MP3Gain mp3gain. sourceforge. netfaq. phpstart para gravar as informações Replay Gain no arquivo. O arquivo não é recodificado, então nenhuma qualidade adicional é perdida além daquela na compressão MP3 original. Uma solução possível para arquivos WAV está aqui (isso re-codifica o arquivo): members. home. nlw. speekwavegain. htm gt eu tenho uma questão não relacionada (sonho de tubulação). Eu faço algum trabalho em uma estação de rádio do campus gt no Canadá, que usam soundforge para fazer sua edição. Gt, haveria algum ponto para mim tentando convencê-los e outras estações de rádio do campus gt para tirar o dinheiro que gastaram em licenças soundforge e gt desviá-lo no desenvolvimento audacity, há alguma infra-estrutura para receber esse tipo de dinheiro de forma responsável e transparente Você certamente poderia conscientizar a estação de rádio da Audacity e ver se eles estariam procurando algo específico em troca de uma contribuição financeira. E sempre aberto em princípio ao patrocínio de novos recursos: audacityteam. orgsponsor. php Na prática, o patrocínio que recebemos até agora tem sido um pequeno número de patrocínios da empresa para versões de marca da Audacity. Além disso, somos todos voluntários e há a questão de que os indivíduos tenham tempo para assumir projetos pagos. Se você ou a estação de rádio quiserem discutir as contribuições financeiras, sugiro que você se inscreva na lista de discussão de nossos desenvolvedores: lists. sourceforge. netlistslistinfoaudacity-devel e aumente-a quando você tiver alguma proposta concreta ou perguntas sobre tal. Agradecemos os cálculos da sua raiz Salvar em minha biblioteca Siga os comentários Brian NeunaberFebruary 16, 2006 Os sistemas digitais em tempo real exigem frequentemente o cálculo de uma média de raiz, como um nível quadrático médio (RMS) ou uma magnitude média de um sinal complexo. Embora a média seja efetivamente implementada pela maioria dos microprocessadores, a raiz quadrada pode não ser - especialmente com hardware de baixo custo. Se o processador não implementar uma função de raiz quadrada rápida, ele deve ser implementado em software, embora isso produza resultados precisos, pode não ser eficiente. Um método comum para calcular a raiz quadrada é o método Newtons, que converte iterativamente em uma solução usando uma estimativa inicial. Uma vez que estavam calculando a raiz quadrada de um valor médio variando lentamente, o valor médio da raiz anterior faz uma boa estimativa. Além disso, podemos combinar o método Newtons iterativo com uma média calculadora recursiva de primeira ordem, resultando em um método super eficiente para computar a média da raiz de um sinal. Neste artigo, desenvolver e apresentar três algoritmos recursivos eficientes para computar a média da raiz, ilustrando cada método com diagramas de fluxo de sinal e código de exemplo. Até certo ponto, cada um desses métodos troca complexidade de hardware por erro. Eu posso comparar o desempenho computacional e o erro de cada método e sugerir hardware adequado para cada implementação. Root-Mean A média da raiz é calculada como a raiz quadrada da média ao longo do tempo de sua entrada. Esta média pode ser recursiva ou não recursiva, e eu vou analisar brevemente o caso geral para ambos. Média não recursiva A média não recursiva, ou média móvel. É a soma ponderada de N entradas: a entrada atual e N -1 entradas anteriores. Na terminologia de filtragem digital, isso é chamado de resposta de impulso finito. Ou filtro FIR: o uso mais comum da média móvel normalmente define os pesos de modo que um n 1 N. Se formássemos esses pesos em relação ao tempo, veríamos a janela do sinal de entrada que está em média em um determinado momento. Esta janela de 1 N é chamada de janela retangular porque a sua forma é um retângulo N-por-1 N. Há um truque para calcular a média de 1 N, de modo que todas as amostras de N não precisam ser ponderadas e somadas com cada cálculo de saída. Como os pesos não mudam, você pode simplesmente adicionar a entrada ponderada mais nova e subtrair a N ª entrada ponderada da soma anterior: Embora esta técnica seja eficiente de computação, ela requer armazenamento e gerenciamento de buffer circular de N amostras. Claro, muitas outras formas de janela são comumente usadas. Normalmente, essas formas de janela se assemelham, ou são uma variação de, um coseno elevado entre 8211pi2 e pi2. Essas janelas pesam as amostras no centro mais do que as amostras próximas das bordas. De um modo geral, você só deve usar uma dessas janelas quando houver uma necessidade específica, como a aplicação de um filtro específico ao sinal. A desvantagem dessas janelas é que a complexidade computacional e os requisitos de armazenamento aumentam com N. Média recursiva A média recursiva é a soma ponderada da entrada, N entradas anteriores e M saídas anteriores: A mais simples delas em termos de complexidade computacional e armazenamento (enquanto ainda é útil) é a média recursiva de primeira ordem. Neste caso, a média é calculada como a soma ponderada da entrada atual e da saída anterior. A média recursiva de primeira ordem também se presta a uma otimização quando combinada com a computação da raiz quadrada, que bem discute em breve. Em contraste com a média não recursiva, a janela de médias recursivas de primeira ordem é uma exponencial em decomposição (Figura 1). Tecnicamente, a média recursiva tem uma janela infinita, já que nunca desmorona até zero. Na terminologia de filtragem digital, isto é conhecido como uma resposta de impulso infinito, ou filtro IIR. Da Figura 1, vemos que as amostras anteriores são ponderadas mais do que amostras posteriores, o que nos permite definir um tanto arbitrariamente um tempo de média para a média recursiva. Para o caso de primeira ordem, definimos o tempo de média como o tempo em que a resposta ao impulso decaiu para um fator de 1 e. Ou aproximadamente 37, do seu valor inicial. Uma definição equivalente é o momento em que a resposta passo atinge 18211 (1 e), ou aproximadamente 63, do seu valor final. Outras definições são possíveis, mas não serão abordadas aqui. A ponderação da soma determina esse tempo de média para garantir o ganho de unidade, a soma dos pesos deve ser igual a um. Como conseqüência, apenas um coeficiente precisa ser especificado para descrever o tempo médio. Portanto, para a média recursiva de primeira ordem, calculamos o nível médio como: onde x (n) é a entrada, m (n) é o valor médio, e a é o coeficiente de média. O coeficiente de média é definido como: onde t é o tempo médio, e f S é a freqüência de amostragem. A média da raiz pode então ser calculada tomando a raiz quadrada da Equação 4: onde y (n) é a média da raiz. Métodos de computação eficientes A raiz quadrada rápida do Googling proporcionará uma infinidade de informações e fragmentos de código na implementação de algoritmos de raiz quadrada rápida. Embora esses métodos possam funcionar bem, eles não levam em consideração o aplicativo no qual a raiz quadrada é necessária. Muitas vezes, você pode não precisar de precisão precisa para o último bit, ou o próprio algoritmo pode ser manipulado para otimizar a computação da raiz quadrada. Presumo algumas abordagens básicas aqui. Apenas calcule-o quando você precisar. Provavelmente, a otimização mais simples é calcular apenas a raiz quadrada quando você precisa absolutamente disso. Embora isso possa parecer óbvio, pode ser facilmente ignorado ao calcular a média da raiz em cada amostra de entrada. Quando você não precisa de um valor de saída para cada amostra de entrada, faz mais sentido calcular a raiz quadrada somente quando você lê o valor de saída. Um exemplo de um aplicativo quando esta técnica pode ser usada é a medição de RMS de um sinal. Um valor do medidor que é exibido visualmente só pode exigir uma atualização a cada 50 a 100ms, o que pode ser muito menos freqüente do que o sinal de entrada é amostrado. Tenha em mente, no entanto, que a média recursiva ainda deve ser calculada na taxa de Nyquist. Logaritmos Lembre-se de que: se você estiver calculando o logaritmo de uma raiz quadrada, é muito menos computacionalmente caro simplesmente reduzir a metade o resultado. Um exemplo comum dessa otimização é o cálculo de um nível de RMS em dB, que pode ser simplificado da seguinte forma: Newtons Method Newtons Method (também chamado de Newton-Rapson Method) é um método iterativo bem conhecido para estimar a raiz de uma equação. 1 Newtons Method pode ser bastante eficiente quando você tem uma estimativa razoável do resultado. Além disso, se a precisão para o último bit não for necessária, o número de iterações pode ser corrigido para manter o algoritmo determinista. Podemos aproximar a raiz de f (x) calculando iterativamente: (9) Se quisermos encontrar, então precisamos encontrar a raiz para a equação f (y) y 2 - m. Substituindo f (y) pela Equação 9, obtemos: Reorganizando a Equação 9, obtemos: onde y (n) é a aproximação da raiz quadrada de m (n). A Equação 11 requer uma operação de divisão, que pode ser inconveniente para alguns processadores. Como alternativa, podemos calcular e multiplicar o resultado por m para obter. Novamente usando o método Newtons, achamos que podemos calcular iterativamente a raiz quadrada recíproca como: e calcular a raiz quadrada como: Embora o método Newtons para a raiz quadrada recíproca elimine a operação de divisão, pode ser problemático para processadores de ponto fixo. Supondo que m (n) seja um inteiro positivo superior a 1, yr (n) será um número positivo inferior a um - além do intervalo de representação para números inteiros. A implementação deve ser realizada usando a representação de número flutuante ou mesclado de número inteiro. Média de raiz usando Método de Newtons Uma diferença sutil entre as Equações 10 e 11 é que m se torna m (n), o que significa que estavam tentando encontrar a raiz quadrada de um alvo em movimento. No entanto, uma vez que m (n) é um valor médio, ou variando lentamente, pode ser visto como quase constante entre as iterações. Uma vez que y (n) também estará variando lentamente, y (n -1) será uma boa aproximação para y (n) e exigirá menos iterações - uma, esperamos - para conseguir uma boa estimativa. Para calcular a média da raiz, pode-se simplesmente aplicar o método Newtons para calcular a raiz quadrada para o valor médio. Enquanto o tempo de média for longo comparado com o período de amostra (t 6262 1 f S), uma iteração do cálculo da raiz quadrada deve ser suficiente para uma precisão razoável. Isso parece bastante simples, mas podemos realmente melhorar a eficiência computacional, que será discutida em uma das seguintes seções. Usando a raiz quadrada recíproca Ao contrário do método iterativo da raiz quadrada, no entanto, a raiz quadrada recíproca iterativa não requer divisão. Esta implementação é mais adequada para o processamento de ponto flutuante, que pode lidar eficientemente com números maiores e menores que um. Apresentamos essa implementação como um diagrama de fluxo de sinal na Figura 2. O coeficiente de média, a. É definido pela Equação 5 e z 82111 representa um atraso na amostra unitária. Uma listagem de códigos para uma classe C que implementa a computação na Figura 2 é apresentada na Listagem 1. Nesta classe de exemplo, a inicialização é realizada no construtor de classe e cada chamada para CalcRootMean () realiza uma iteração de cálculo de média e quadrado . Lista 1. Classe C que calcula a média da raiz usando o método Newtons para a raiz quadrada recíproca Usando a raiz quadrada direta Vamos voltar e dar uma olhada na Equação 11. O método Newtons converge na solução o mais rápido possível sem oscilar em torno dela, Mas se retardarmos essa taxa de convergência, a equação iterativa convergirá para a raiz quadrada da média de suas entradas. Adicionando os resultados do coeficiente de média na seguinte equação da média da raiz: onde a é definido pela Equação 5. Agora y (n) converge para a raiz quadrada da média de x (n). Uma representação equivalente de fluxo de sinal da Equação 14 é apresentada na Figura 3. Aqui, um termo adicional y (n 82111) é somado de modo que apenas um coeficiente de média é necessário. Observe que x (n) e y (n 82111) devem ser maiores do que zero. Uma listagem de código para uma classe C que implementa a computação mostrada na Figura 3 é apresentada na Listagem 2. Como no exemplo anterior, a inicialização é realizada no construtor da classe e cada chamada para CalcRootMean () executa uma iteração da computação da raiz média-média . Lista 2. Classe C que implementa a versão de ponto flutuante da Figura 3 Com algum cuidado, a Figura 3 também pode ser implementada em aritmética de ponto fixo, como mostrado no Listado 3. Neste exemplo, a escala é implementada para garantir resultados válidos. Quando o tamanho de palavra suficiente está presente, x é dimensionado por nAvgCoeff antes da divisão para maximizar a precisão do resultado. Lista 3. Classe C que implementa a versão de ponto fixo da Figura 3 RMS sem divisão usando a normalização Agora, observe o caso especial de computação de um valor RMS no hardware de ponto fixo que não possui uma operação de divisão rápida, o que é típico Para processadores embutidos de baixo custo. Embora muitos desses processadores possam realizar a divisão, eles fazem um pouco de cada vez, exigindo pelo menos um ciclo para cada bit de comprimento de palavra. Além disso, deve-se ter cuidado para garantir que o cálculo do RMS seja implementado com precisão numérica suficiente. Com o hardware de ponto fixo, o quadrado de um valor requer o dobro do número de bits para reter a precisão dos dados originais. Com isso em mente, manipulamos a Equação 14 no seguinte: Embora a expressão x (n) 2 8211 y (n 82111) 2 deve ser calculada com uma dupla precisão, essa implementação se presta a uma otimização significativa. Observe que a 2 y (n 82111) atua como um coeficiente de média dependente do nível. Se uma pequena variação dependente do tempo no tempo de média pode ser tolerada - o que é frequentemente o caso - 1 y (n 82111) pode ser grosseiramente aproximado. Em um processador de ponto flutuante, mudar o coeficiente de média para a esquerda pelo negativo do expoente aproxima-se da operação de divisão. Este processo é comumente referido como normalização. Alguns DSP de ponto fixo podem executar a normalização contando os bits principais do acumulador e deslocando o acumulador por esse número de bits. 2 Em ambos os casos, o coeficiente de média será truncado para o poder mais próximo de dois, portanto o coeficiente deve ser multiplicado por 32 para redirecionar o resultado. Esta implementação é mostrada na Equação 16. A Figura 4 é o diagrama de fluxo de sinal que representa a Equação 16. Assim como na Figura 3, x (n) e y (n 82111) devem ser maiores do que zero. Uma listagem de código de exemplo que implementa a Figura 4 é mostrada na Listagem 4. Esta implementação de linguagem de montagem é para o processador de ponto fixo DSP563xx Freescale (anteriormente Motorola) de 24 bits. Lista 4. Freescale DSP563xx montagem implementação de RMS sem divisão usando a normalização Claro, este método pode ser implementado mesmo sem uma rápida normalização. Você pode implementar um loop para mudar x (n) 2 8211 y (n 82111) 2 para a esquerda para cada bit principal em y (n 82111). Isso será mais lento, mas pode ser implementado mesmo com o mais simples dos processadores. A média superior de ordem superior A média recursiva de ordem superior pode ser realizada inserindo filtros de média adicionais antes da raiz quadrada iterativa. Esses filtros podem simplesmente ser uma ou mais seções recursivas de primeira ordem em cascata. As seções de primeiro orden têm a vantagem de não produzir sobreposições na resposta passo a passo. Além disso, há apenas um coeficiente para ajustar e os efeitos de quantificação (principalmente de preocupação para a implementação de ponto fixo) são muito menores do que os filtros de ordem superior. O implementador deve estar ciente de que as seções de primeira ordem em cascata alteram a definição de tempo de média. Uma aproximação simples mas bruta que mantém a definição anterior de resposta passo é simplesmente dividir o tempo médio de cada seção de primeiro orden pelo número total de seções. No entanto, é responsabilidade dos implementadores verificar se essa aproximação é adequada para a aplicação. Secções de segunda ordem também podem ser usadas, se desejar (por exemplo) uma resposta de filtro Bessel-Thomson. Se forem usadas seções de segundo orden, é melhor escolher uma resposta composta de ordem ímpar, pois o filtro de raiz quadrada de média aproxima o filtro final de primeira ordem com Q 0.5. Deve-se ter cuidado para minimizar o excesso deste filtro de média. Ajustar o tempo de média deste filtro em tempo real será mais difícil, uma vez que existem vários coeficientes que devem ser ajustados em uníssono para garantir a estabilidade. Resultados Três métodos de cálculo do nível RMS são comparados na Figura 5. O tempo médio é definido como 100ms, e a entrada é um segundo de 1 f de ruído com uma freqüência de amostragem de 48kHz. O primeiro rastreio é o verdadeiro valor RMS calculado usando a Equação 6. O segundo rastreio é o cálculo RMS usando a Equação 14. O terceiro rastreamento é o cálculo não dividido da Equação 16. O quarto rastreamento é o valor RMS usando a raiz quadrada recíproca Método da Equação 13. Na maior parte, os quatro traços se alinham bem. As quatro aproximações parecem convergir na mesma taxa que o valor real do RMS. Como esperado, o maior desvio do valor real do RMS é a aproximação da Equação 16. Essa aproximação terá o maior erro durante as grandes mudanças no nível do sinal de entrada, embora este erro seja temporário: a aproximação otimizada convergirá sobre o verdadeiro Valor RMS quando o nível do sinal de entrada é constante. Os erros entre as três aproximações e o valor RMS verdadeiro são mostrados na Figura 6. O erro da aproximação RMS usando a Equação 14 diminui lentamente até ficar abaixo de 1E82117, o que é suficiente para uma precisão de 24 bits. A aproximação optimizada da Equação 16 é substancialmente pior, em cerca de 1E82114, mas ainda é suficiente para muitas aplicações. A aproximação que usa a raiz quadrada recíproca está no ruído - menor que 1E82119. Para aplicações de ponto flutuante altamente críticas, este é o método eficiente de escolha. Como seria de esperar, os erros discutidos acima serão piores com tempos de média mais baixos e melhor com tempos de média mais longos. A Tabela 1 resume o erro aproximado versus tempo de média desses três métodos, juntamente com requisitos de arquitetura de hardware adequados. Adequado para o leitor médio Ao combinar a média recursiva com o método Newtons para calcular a raiz quadrada, você ganhará um método muito eficiente para computar a média da raiz. Embora os três métodos que apresentamos aqui sejam desenvolvidos para hardware diferente e, em certa medida, comercializam recursos de hardware para erros, a maioria de vocês deve encontrar um desses métodos adequados para sua aplicação. Brian Neunaber é atualmente arquiteto de sistemas digitais de software e firmware da QSC Audio Products. Ele criou algoritmos e sistemas de áudio digital em tempo real para QSC e St. Louis Music e possui uma MSEE da Southern Illinois University. Você pode contatá-lo em brianneunaberqscaudio. Notas de fim: 1. D. G. Zill. Cálculo com Geometria Analítica, 2ª ed. . PWS-Kent, Boston, pp. 170-176, 1988. 2. Motorola. DSP56300 Family Manual, Rev. 3, Motorola Literature Distribution, Denver, 2000. Em 1996, um artigo na revista Dr Dobbs apresentou um algoritmo de raiz quadrada que usa apenas mudanças e acrescenta: não se multiplica e certamente não se divide. Pode ser encontrado aqui: ddjdocumentss962ddj9604l (requer registro). Eu tenho usado isso em todos os trabalhos e todos os projetos desde então - é, de longe, a raiz quadrada inteira mais rápida, e estou impressionado por ser tão pouco conhecido. Experimente - você nunca olhará para trás - Paul Hills LandisGyr Ltd Reino Unido Qualquer um tenha uma visão sobre suavização vs RMS Eu não tenho certeza de que eu concordo com isso e acredito que eles sejam processos muito diferentes. Pelo meu entendimento, se a literatura estiver emredando-os na mesma entidade, eles estão incorretos. Eu vejo o RMS como o processo para alcançar um único valor escalar que representa a amplitude do sinal. Nunca vi isso usado para suavizar os sinais EMG. Além disso, para uma interpretação apropriada, isso precisa ser realizado em um sinal de média zero. Em um sinal com uma média zero, o valor RMS é essencialmente o desvio padrão do sinal. O suavização é um processo completamente diferente, e é uma maneira de manipular todo o sinal. A saída é um novo sinal suavizado (ou seja, uma matriz de valores, não um único valor, como o RMS). Existem muitas maneiras de suavizar um sinal, como uma média móvel (envelope linear), ou funções de janelas, como Hamming. Isso não é realizado em um sinal de média zero, porque o resultado seria um sinal zero. O primeiro passo é corrigir o sinal de modo que todos os valores sejam positivos (isto é, o sinal tem uma média positiva). Então a média móvel suaviza o sinal para remover picos indesejados e variância. RMS pode (e foi) usado para processar EMG da mesma forma que a aplicação de um envelope linear. Ao esquadrinhar o sinal bruto, você efetivamente o transforma em um sinal de média zero. Em seguida, a média (e a raiz quadrada) são aplicadas usando uma janela de tempo de mudança, cujo comprimento o usuário pode definir. O comprimento selecionado da janela (ou seja, a constante de tempo) afetará a quanta quotmootchedquot o sinal se torna. A constante de tempo selecionada também impactará quanto o sinal é deslocado (semelhante ao deslocamento de fase induzido pela aplicação de um envelope linear de passagem única).