offres d'emploi formations actualités contact accès annuaire intranet
Séminaires >

Détection, classification dans les signaux non stationnaires. paramétrage par approches linéaires et non linéaires.

Mohamad Khalil, Université libanaise

jeudi 12 avril 2012 à 14h45

salle C-202


La détection et la classification des événements dans un signal suscitent un intérêt grandissant depuis plusieurs années dans le domaine de traitement du signal. La solution statistique d’un problème de détection dépend généralement de la connaissance a priori des paramètres de changement dans un signal donné. Quand les paramètres des distributions associées sont connus, des détecteurs optimaux basés sur le rapport de vraisemblance pourraient être utilisés. Dans le cas où ces paramètres seraient inconnus, des méthodes basées sur le rapport de vraisemblance généralisé consistant à utiliser une estimation du maximum de vraisemblance à partir de l’estimation des paramètres ont été utilisés dans la littérature.

La modélisation du signal est donc une étape importante précédant la phase de détection. Elle permet d’explorer le signal pour en faire ressortir les paramètres de changement. Une des modélisation faisant apparaître les changements fréquentiels et énergétiques est matérialisée par la décomposition en ondelettes et en paquets d’ondelettes. L’application d’un algorithme de détection sur les paquets d’ondelettes permet en effet de détecter tout changement d’amplitude et de fréquence dans le signal, ce qui permet de classifier les événements détectés.

Une fois les événements détectés, il est nécessaire de les classifier, utilisant des paramètres linéaires (fréquences, énergies sur les paquets) et non linéaires (Time reversibility, sample entropy, ….) selon leurs significations en utilisant un critère de classification permettant cette fois de choisir parmi les paquets d’ondelettes, les paquets les plus discriminants. Après l’obtention des paquets discriminants, diverses méthodes de classification sont utilisées pour faire correspondre chaque événement à la classe physiologique à laquelle il appartient.

Des applications biomédicales (détection des accouchements prématurées) et industrielles (détection des défauts dans les machines tournantes) seront présentées.