corinne mailhes 16 juillet 2003

Corinne Mailhes 16 Juillet 2003

1/38

Présentation pour obtenir Présentation pour obtenir

L’Habilitation à Diriger des RecherchesL’Habilitation à Diriger des Recherches

Plan de la présentationPlan de la présentation

1. Curriculum Vitae2. L’enseignement3. Les responsabilités collectives4. La recherche5. Conclusions et perspectives

2/38

Qui suis-je ?Qui suis-je ?

3/38

1.Curriculum Vitae

1986 : Ingénieur Electronique

1986 : DEA AIITS – option Traitement du Signal

1990 : Docteur de l’INPT

Modélisation et Compression d’interférogrammes

1991 : Maître de Conférences

Née en 1965

Enseigner les bases du TS jusqu’au TS plus spécialiséEnseigner les bases du TS jusqu’au TS plus spécialisé

1991 : création de la formation spécialisée en TSI à l’N7.

En-TS TR In GE Hy

DEA SIA & TRDEA SIA & TR

FormationFormationContinueContinue

4/38

2.L’enseignement

• Probabilités et Statistique• Bases du Traitement du Signal • Programmation d’un DSP• Théorie de l’Information• Compression des données• Compression Parole & Musique

5/38

3.Les responsabilités collectives

Impliquée dans les responsabilités collectivesImpliquée dans les responsabilités collectives

Responsable Formation Spécialisée TSI, Responsable stages Formation Continue (N7 et Supaéro),

Jurys diplômes ingénieur, DEA, Jury Agrégation Interne Génie Electrique, Jurys de thèse,

Commissions de spécialistes, Conseil de Département En-TS

GRETSI 2001 EUSIPCO 2002

6/38

Autour de l’Analyse Spectrale …Autour de l’Analyse Spectrale …

L’Analyse Spectrale et ses applicationsL’Analyse Spectrale et ses applications Collaborations industrielles – universitairesCollaborations industrielles – universitaires Co-encadrements de thèsesCo-encadrements de thèses

Analyse Spectrale et EchantillonnageAnalyse Spectrale et Echantillonnage

4.La recherche

CollaborationsCollaborations

7/38

ou le colimaçon de l’Analyse Spectrale

M.DurnerinOct 97 – Sep 99

POINT CHARNIEREdécisions

CRITERESD ’INTERPRETATION

détection, caractérisation

ANALYSE SPECTRALEAnalyse Primaire

2eme estimation

Sortie :Les ComposantesSpectrales

• Fréquence pure• Bande étroite• Bande large

• Bruit de fond (blanc ou coloré)

PRE-ANALYSE

8/38

Signal temporel

Entrée :

temps

The Project :

9/38

CollaborationsCollaborations

The Project :

Coordinatrice scientifique Organisation d’un « Concertation Meeting » Responsable du WP « Signal Processing »

Détection des QRSRythme cardiaque

Déclenchement d’AlarmesReconnaissance de pathologies

Post-traitement des ECGRestauration d’échantillons perdus

10/38

Medical data

server

Capteur ECG

Encadrement de thèsesEncadrement de thèses

T.Robert,Oct 91 – Jan 96

S.Yvetot,Oct 91 – Nov 96

A.Ducasse,Oct 93 – Jan 97

M.DurnerinOct 97 – Sep 99

A.Prieto GuerreroOct 95 – Nov 99

P.GoupilOct 97 – Nov 02

Oct1991

Oct1993

Oct1995

Oct1997

Oct1999

Oct2001

D.BonacciOct 00 – Dec 03

11/38

12/38

L’analyse spectrale et ses applications

Modélisation de Signaux à ruptures brutalesModélisation de Signaux à ruptures brutales

Pb : comportement des techniques de classification paramétriqueen présence d’une rupture brutale dans le signal ?

i.e. évolution des paramètres AR estimés le long d’une rupture ?

0 50 100 150 200 250 300 350 400-4

-3

-2

-1

0

1

2

3

Fenêtred’analyse

Fenêtred’analyse

Fenêtred’analyse

Thierry Robert, oct91-janv96

Modélisation de signaux à ruptures brutales

13/38

Modèle AR évolutif (ARE)

Modèle ARE avec fonctions de Walsh (AREW)Modèle ARE avec fonctions de Walsh (AREW)

Temps (échantillons)

0.

0.1

0.2

0.3

0.4

0.5

Fré

quen

ces

norm

alis

ées

20 40 60 80 100 120

-3.83 dB

-0.21 dB

3.43 dB

7.06 dB

10.7 dB

14.3 dB

ModèleAREWp=3(ordre)M=8(nbrefonctionsde base)

96

80 112

Publications : 4 congrès internationaux, 1 journal

14/38

Modélisation de signaux à ruptures brutalesConclusion

Application à la classification continue de signaux à rupture brutale

Fonction d’appartenance à une classe

AR glissant AREW

Analyse en Composantes Principales

AR glissant AREW

15/38


Analyse de Prony multi-modèle de signaux transitoiresAnalyse de Prony multi-modèle de signaux transitoires

0 0.5 1 1.5 2

-0.8

-0.4

0

0.4

0.8

Temps (µsec.)

Pb : analyse modale de signaux électriques induits sur les câblesde liaisons d’un système soumis à une agression électromagnétique

(IEMN)Signaux :Non stationnaires,Nature impulsionnelle,Large bande,Apparitionà différents instantsde différentescomposantes oscillantes.

Stéphane Yvetot, oct91-nov96

16/38

0

4

3

2

1

Dyn=0.35

Dyn=0.67

Dyn=1.5

Dyn=1.8

0 2000-1

0

1 Synthèse multi-modèle2000

modèles AR locaux

temps

temps

0 2000

54321

Dyn=0.41

Dyn=0.37

Dyn=0.89

Dyn=0.79

Dyn=1.6

-1

0

1 Synthèse multi-modèle

0 2000temps

modèle AR global

temps

Décomposition multi-modèle

Signal réel

RSB = 11dB RSB = 8.9 dB

Analyse de Prony multi-modèle de signaux transitoires

Publications : 2 congrès nationaux et internationaux

17/38

Analyse de Prony multi-modèle de signaux transitoiresconclusion

Signal réel

0 0.2 0.4 0.6 0.8 1 1.2Temps (µs)

Modèle Multi-Prony Multi-Date (MPMD)

RSB = 13.53 dB

Résultats en termes de paramètres modaux(fréquences,

amplitudes,facteurs de qualité)

validés par les experts du CEGsur signaux réels.

Multi-Prony Multi-Date (MPMD) : Multi-Prony Multi-Date (MPMD) : détection des instants de départ par Transformée en Ondelettesdétection des instants de départ par Transformée en Ondelettes

18/38


Estimation de sous-harmoniquesEstimation de sous-harmoniquesà l’aide de modèles paramétriquesà l’aide de modèles paramétriques

Pb : comment estimer des sous-harmoniques basses fréquenceset de faible puissance ?

Etude des signauxcourants et vitesse

issus d'un moteur asynchrone

Objectif :Apporter des outilsd'analyse spectraleperformants

Spectre Blackman-Tukey du signal vitesse

f

10 -4

10 -3

10 -2

10 -1

10 0

0 0.1 0.2 0.3 0.4 0.5

basses fréquences

Alain Ducasse, oct93-janv97

Estimation de sous-harmoniques à l’aide de modèles paramétriques

19/38

Nombre optimal d'équations de Vandermonde qui minimise les erreurs d'estimation de bk :

M Nkopt 0 7.

Estimation ARpôles Résolution de Vandermonde

Amplitudes complexes

Modèle de Prony

Estimation de sous-harmoniques à l’aide de modèles paramétriques

20/38

Estimation de sous-harmoniques : « Prony-déflation »

modélisation de Prony du signal y(n)

soustraction de la composante Zk

la plus proche du cercle unité

modélisation de Prony du signal z(n)

et éventuellement réitération du procédé…

Calcul de la puissance résiduelle

Technique de déflation reprise dans ASPECT Technique de déflation reprise dans ASPECT et thèse P.Goupilet thèse P.Goupil

21/38

Influence de l’échantillonnage sur l’estimation des pôleset amplitudes

Minimum d'erreur sur les fréquences et les amortissementslorsque la fréquence barycentre est autour de 0.25

0.16 0.18 0.2 0.22 0.24 0.26 0.28 0.3 0.3210 -7

10 -6

10 -5

10 -4

10 -3

10 -2Erreurs relatives sur les fréquences

f

f1

1

f

f2

2

f

f3

3

3321 fff 0.16 0.18 0.2 0.22 0.24 0.26 0.28 0.3 0.32

10 - 6

10 - 5

10 - 4

10 - 3

10 - 2

1

3 2

Erreurs sur les amortissements

3321 fff

Publications : 1 congrès international, 1 journal

Estimation de sous-harmoniques à l’aide de modèles paramétriquesConclusion

22/38


Mesure des profilsMesure des profilsde température virtuelle par analyse spectralede température virtuelle par analyse spectrale

Pb : comment améliorer l’estimation de la température virtuelleobtenue par analyse spectrale des signaux RASS ?

Radio Acoustic Sounding System

-103 -102 -101 -100 -99 -98 -97 -96 -95 -940

0.2

0.4

0.6

0.8

1

1.2

1.4

Hz

DSP

Ajustement de gaussienne

Philippe Goupil, oct97-nov02

23/38

Modélisation du signal RASS

Température virtuelleNombre d’échos

Amplitude du kème écho, fonction de T, fémise, démis

Phase du kème échoEnveloppe de l’écho

Bruit blanc gaussien

Mesure des profils de température virtuelle par analyse spectrale

Bornes de Rao-Cramer des paramètres Estimateur du maximum de vraisemblance de T ?

Fréquence DopplerFréquence Doppler

24/38

Mesure de la température : comparaison des méthodes

Mesure des profils de température virtuelle par analyse spectraleconclusion

AR > Cor./NLS > Périodogramme

Publications : 5 congrès nationaux et internationaux, 1 journal

)().(.)( 2 nbengny nfi D 21

0

2.22 )(1

maxargˆ

N

n

fni

f

NLSD eny

Nf

25/38


Compression de signauxCompression de signauxbiomédicauxbiomédicaux

D1 D2 aVR aVL V1 V2

V3 V4 V5 V6 Y Z

Alfonso Prieto, oct95-nov99

EEG

Rythme

Rythme

Rythme

EMG surface EMG piqué

26/38

Compression de signaux biomédicaux

Méthodes de compression : comparaison des méthodes

2 4 6 8 10 12 14 16 1810

15

20

25

30

35

40

TAUX DE COMPRESSION

RS

B e

n d

B

TOD

DPCM

TCD

CELP

MMIAZTECSAPASAPA

CORTES

Compression ECG, dérivation I

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000-200

-100

0

100

200

300

400

500

600

27/38

Compression de signaux biomédicaux

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000-1000

-500

0

500

1000

1500

2000

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000-200

0

200

400

600

800

1000

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000-400

-200

0

200

400

600

800

1000

P

Q

R

S

T

Modélisation et compression des ECG avec une ondelette spécifique

2 4 6 8 10 12 1410

15

20

25

30

35

40

45

TAUX DE COMPRESSION

RS

B e

n d

B

TCD 2D

DPCM Multi-canal

IDEN+ erreur codée par TCD

?

?

?

?

I II

V1

V2

V6

Publications : 6 congrès nationaux et internationaux

28/38

Compression de signaux biomédicauxConclusionCompression des ECG et multidérivation

IdentificationMulti-Dérivation

29/38


L’Analyse Spectrale et ses applicationsL’Analyse Spectrale et ses applications


Analyse spectrale et Echantillonnage

30/38

« Changement d’horloge » :

Fonction aléatoire stationnaire, réelle ou complexe, centrée et continue

Fonction aléatoire réelle, indépendante de Z, centrée, continue et stationnaire

(fonctions caractéristiques de A(t) et A(t+) – A(t) indépendantes de t)

théorie de l’échantillonnage irrégulier (jitter)

modélisation des phénomènes de multi-trajets ou de retard de propagation

brouillage en télécommunications

Changements d’horloge et multi-trajetsChangements d’horloge et multi-trajets

Z(t)

Retardsaléatoires

indépendants

intérêt dans la modélisation de phénomènes de propagationintérêt dans la modélisation de phénomènes de propagation

0 100 2000

0.2

0.4

0.6

0.8

1

Fréquence Doppler, Hz

DSP originale

Modèleproposé

DS

P no

rmal

isée

15050

Réflexion d’ondessur la surface de la merà des angles d’incidencefaibles

31/38

0 50 100 150 200 250 300 350 400

0

0.5

1

|R(f)|

f

0 50 100 150 200 250 300 350 400

0

0.5

1

0 50 100 150 200 250 300 350 400

0

0.5

1Seuillage

32/38

0 50 100 150 200 250 300 350 400-2

-1

0

1

2 3 multi-trajets, jitter Gaussien, RSB = 10dB

U(n) ZMS( t )R( t, )

Changements d’horlogeChangements d’horlogeet multi-trajets :et multi-trajets :Reconstruction Reconstruction du processus originaldu processus original

33/38

Les problèmes de l’échantillonnage :Les problèmes de l’échantillonnage :Influence du procédé d’échantillonnageInfluence du procédé d’échantillonnage

z(t)

n

unÉchantillonnagepériodiqueà largeur d’intégrationaléatoire

Reconstruction de Z(t)À partir des échantillonsobservés Un

UnZLMSE( t )

H( t, )

34/38

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4-10

0

10

20

30

40

50R

appo

rt S

igna

l à B

ruit

(dB

)

moyenne de n

n : une séquence gaussienne corrélée

Interpolateur de Shannon

écart-type de n = 5% de sa moyenne

Filtre optimal

écart-type de n = 20% de sa moyenne

z(t)

n

un

Reconstruction de Z(t)à partir de Un

Interpolateur de Shannon

Filtre optimal

35/38

Les problèmes de l’échantillonnage :Les problèmes de l’échantillonnage :Échantillonnage entrelacé bruitéÉchantillonnage entrelacé bruité

tn

(n+2)n+a1

n+a2 n+a3

(n+1)

Reconstruction de Z(t) À partir desobservations bruitées { Ukn }

Formulede Yen

FiltreUkn V(t) Z(t)^

Signal de paroleoriginalÉchantillonnéentrelacé, K=2,un seul bruitéReconstruit

36/38

Conclusions et perspectives


L’Analyse Spectrale et ses applicationsL’Analyse Spectrale et ses applicationsModélisation paramétrique, CompressionModélisation paramétrique, Compressionthèse en cours, à venirthèse en cours, à venir


Que sont-ils devenus ?Que sont-ils devenus ?

Séditec – Groupe Aéroconseil

corinne mailhes 16 juillet 2003

Documents