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

Show simple item record

dc.contributor.author Le Cam, Steven
dc.contributor.author Collet, Christophe
dc.contributor.author Salzenstein, Fabien
dc.date.accessioned 2019-04-23T08:34:47Z
dc.date.available 2019-04-23T08:34:47Z
dc.date.issued 2010
dc.identifier.citation Le Cam, Steven; Collet, Christophe; Salzenstein, Fabien. Un arbre de Markov sélectif en fréquence pour la détection de signaux transitoires à faible rapport signal à bruit. Traitement du Signal [Trait. Signal], 2010, Vol. 27, N° 4-5, p. 443-482. https://doi.org/10.3166/TS.27.443-482 en
dc.identifier.issn 0765-0019
dc.identifier.uri http://hdl.handle.net/2042/70112
dc.description.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. fr
dc.description.abstract 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. fr
dc.language.iso fr
dc.publisher Lavoisier
dc.relation.ispartofseries Traitement du signal;
dc.rights Accès libre : http://irevues.inist.fr/utilisation
dc.subject Modèles de Markov Cachés fr
dc.subject Extraction de Signature fr
dc.subject Détection de Signaux Transitoires fr
dc.subject Mélanges de Gaussienne Généralisée fr
dc.subject ICE fr
dc.subject Hidden Markov Model en
dc.subject Signatures Extraction en
dc.subject Transient Signals Detection en
dc.subject Generalized Gaussian Mixtures en
dc.subject ICE en
dc.title Un arbre de Markov sélectif en fréquence pour la détection de signaux transitoires à faible rapport signal à bruit fr
dc.type Article
dc.contributor.affiliation LSIIT, UMR CNRS 7005, Equipe MIV Pôle API, Boulevard Sébastien Brant, BP 10413 67412 Illkirch
dc.contributor.affiliation Laboratoire INESS, UMR CNRS 7163 23, rue du Loess, 67037 Strasbourg
dc.identifier.doi https://doi.org/10.3166/TS.27.443-482


Files in this item

PDF ts2745p443-web.pdf 2.254Mb

This item appears in the following Collection(s)

Show simple item record





Advanced Search