Un arbre de Markov sélectif en fréquence pour la détection de signaux transitoires à faible rapport signal à bruit

Show full item record

Files in this item

PDF ts2745p443-web.pdf 2.254Mb

Pour citer ce document :
URI: http://hdl.handle.net/2042/70112
Title: Un arbre de Markov sélectif en fréquence pour la détection de signaux transitoires à faible rapport signal à bruit
Author: Le Cam, Steven; Collet, Christophe; Salzenstein, Fabien
Abstract: Nous nous intéressons dans cet article à l’extraction de comportements statistiques multirésolutions pour la caractérisation et la segmentation de signaux transitoires dans un contexte fortement bruité. Ces signaux de courte durée possèdent des composantes fréquentielles très localisées et fortement variables. Le choix du compromis temps/fréquence pour l’étude de ces signaux est donc crucial. Nous nous plaçons de ce fait dans le domaine transformé en paquets d’ondelettes, permettant une analyse fine des variations fréquentielles du signal. Nous proposons un modèle d’arbre de Markov original adapté à la décomposition en paquets d’ondelettes afin d’intégrer l’information multirésolution d’échelle en échelle dans un objectif de segmentation. Nous validons l’approche sur des signaux synthétiques, puis nous illustrons son intérêt applicatif dans un contexte biomédical liée à la détection de signaux transitoires dans les signaux pulmonaires.We deal in this paper with the extraction of multiresolution statistical signatures for the characterization of transient signals in strongly noisy contexts. These short-time signals have sharp and highly variable frequency components. The Time-Frequency analysis window to adopt is then a major issue. Thus we have chosen the wavelet packet domain due to its natural ability to provide multiple time-frequency resolutions. We propose a new oriented Markov model dedicated to the wavelet packet transform, which offers sharp analysis of frequency variations in a signal, locally in time and at several resolutions. We show its efficiency on synthetic signals and we then illustrate its applicative relevance in a biomedical context related to the detection of transient signals in pulmonary sounds.
Subject: Modèles de Markov Cachés; Extraction de Signature; Détection de Signaux Transitoires; Mélanges de Gaussienne Généralisée; ICE; Hidden Markov Model; Signatures Extraction; Transient Signals Detection; Generalized Gaussian Mixtures; ICE
Publisher: Lavoisier
Date: 2010

This item appears in the following Collection(s)

Show full item record





Advanced Search