Reconnaissance des sons de l environnement dans un contexte domotique
|
|
- Gautier Labonté
- il y a 7 ans
- Total affichages :
Transcription
1 Reconnaissance des sons de l environnement dans un contexte domotique Mohamed El Amine SEHILI ESIGETEL-TSP Le 05 Juillet 2013 Directeur de thèse : Bernadette Dorizzi (Télécom SudParis) Co-encadrants : Dan Istrate (Esigetel), Jérôme Boudy (Télécom SudParis) Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 1
2 Plan 1 Contexte : Projet Sweet-Home 2 Objectifs de la thèse 3 État de l art en classification des sons de l environnement 4 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons 5 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons 6 Conclusions et Perspectives Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 2
3 Plan Contexte : Projet Sweet-Home 1 Contexte : Projet Sweet-Home 2 Objectifs de la thèse 3 État de l art en classification des sons de l environnement 4 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons 5 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons 6 Conclusions et Perspectives Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 3
4 Changements démographiques : un aperçu Contexte : Projet Sweet-Home Un taux de vieillissement en croissance... Figure: Personnes âgées de 65 ans et plus en Europe en 2010 (Basé sur les données du CIA World Factbook) Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 4
5 Contexte : Projet Sweet-Home Problématique : maintien des personnes âgées au domicile Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 5
6 Contexte : Projet Sweet-Home Problématique : maintien des personnes âgées au domicile Télé-vigilance médicale : Utiliser plusieurs types de capteurs (informations sur l environnement et sur la personne) Image Détection de chute Tension artérielle Son Température Détection de présence Taux de glycémie Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 5
7 Contexte : Projet Sweet-Home Problématique : maintien des personnes âgées au domicile Télé-vigilance médicale : Utiliser les avancées en télécommunications et en technologies de l information Personne âgée Médecins / Aides-soignants Collecte locale D informations Réseau Plate-forme logicielle Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 6
8 Contexte : Projet Sweet-Home Problématique : maintien des personnes âgées au domicile Télé-vigilance médicale : Utiliser les avancées en télécommunications et en technologies de l information Secours Personne âgée Famille Médecins / Aides-soignants Collecte locale D informations Réseau Plate-forme logicielle Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 7
9 Projet Sweet-Home Contexte : Projet Sweet-Home Un projet ANR (Agence Nationale de la Recherche) VERSO de recherche industrielle ( ) Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 8
10 Projet Sweet-Home Contexte : Projet Sweet-Home Un projet ANR (Agence Nationale de la Recherche) VERSO de recherche industrielle ( ) Télé-vigilance médicale Domotique Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 9
11 Projet Sweet-Home Contexte : Projet Sweet-Home Un projet ANR (Agence Nationale de la Recherche) VERSO de recherche industrielle ( ) Télé-vigilance médicale Domotique Détection des situations de détresse : Reconnaissance et analyse de la parole Reconnaissance des sons de l environnement Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 10
12 Projet Sweet-Home Contexte : Projet Sweet-Home Un projet ANR (Agence Nationale de la Recherche) VERSO de recherche industrielle ( ) Télé-vigilance médicale Détection des situations de détresse : Reconnaissance et analyse de la parole Reconnaissance des sons de l environnement Domotique Automatisation de la maison : Commande vocale Commande tactile Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 11
13 Plan Objectifs de la thèse 1 Contexte : Projet Sweet-Home 2 Objectifs de la thèse 3 État de l art en classification des sons de l environnement 4 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons 5 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons 6 Conclusions et Perspectives Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 12
14 Motivations et défis de la thèse Objectifs de la thèse Objectif : Reconnaître les sons de l environnement dans une maison intelligente. Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 13
15 Motivations et défis de la thèse Objectifs de la thèse Objectif : Reconnaître les sons de l environnement dans une maison intelligente. C est à dire : Séparer la parole des autres sons améliorer les performances de la reconnaissance de la parole Reconnaître des sons de la vie courante aider le système de décision à détecter des situations anormales Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 13
16 Motivations et défis de la thèse Objectifs de la thèse Objectif : Reconnaître les sons de l environnement dans une maison intelligente. C est à dire : Défis : Séparer la parole des autres sons améliorer les performances de la reconnaissance de la parole Reconnaître des sons de la vie courante aider le système de décision à détecter des situations anormales Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 13
17 Motivations et défis de la thèse Objectifs de la thèse Objectif : Reconnaître les sons de l environnement dans une maison intelligente. C est à dire : Défis : Séparer la parole des autres sons améliorer les performances de la reconnaissance de la parole Reconnaître des sons de la vie courante aider le système de décision à détecter des situations anormales Nombre élevé de classes de sons Variations entre les sons d une même classe et similitudes entre les sons de classes différentes Bruit de l environnement (tout son sans intérêt) Acquisition multi-canaux (plusieurs micros dans la maison) Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 13
18 Classes de sons Objectifs de la thèse Sons humains Sons non humains Respiration Bris de glace Sèche Cheveux Toux Éternuement Clés Rire Pleur Claquement de porte Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 14
19 Architecture d un système de reconnaissance du son Objectifs de la thèse Production du son Acquisition Signal audio numérique Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 15
20 Architecture d un système de reconnaissance du son Objectifs de la thèse Production du son Acquisition Signal audio numérique Fenêtre de signal de très courte durée (~20ms) Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 16
21 Architecture d un système de reconnaissance du son Objectifs de la thèse Production du son Acquisition Signal audio numérique Fenêtre de signal de très courte durée (~20ms) Extraction des paramètres Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 17
22 Architecture d un système de reconnaissance du son Objectifs de la thèse Production du son Acquisition Signal audio numérique Fenêtre de signal de très courte durée (~20ms) Extraction des paramètres Format de données utilisable pour la reconnaissance du son (exemple de coefficients : MFCC) Vecteurs de coefficients acoustiques Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 18
23 Architecture d un système de reconnaissance du son Objectifs de la thèse Production du son Acquisition Signal audio numérique Fenêtre de signal de très courte durée (~20ms) Extraction des paramètres Format de données utilisable pour la reconnaissance du son (exemple de coefficients : MFCC) Vecteurs de coefficients acoustiques Algorithme d apprentissage Modèles Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 19
24 Voies de recherche Objectifs de la thèse Extraction des paramètres Algorithme d apprentissage Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 20
25 Voies de recherche Objectifs de la thèse Extraction des paramètres Première voie de recherche : Exploration et utilisation de plusieurs méthodes de reconnaissance Algorithme d apprentissage Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 21
26 Voies de recherche Objectifs de la thèse Seconde voie de recherche : Utilisation de plusieurs familles de coefficients acoustiques Extraction des paramètres Première voie de recherche : Exploration et utilisation de plusieurs méthodes de reconnaissance Algorithme d apprentissage Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 22
27 Plan État de l art en classification des sons de l environnement 1 Contexte : Projet Sweet-Home 2 Objectifs de la thèse 3 État de l art en classification des sons de l environnement 4 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons 5 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons 6 Conclusions et Perspectives Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 23
28 Domaines les plus influents État de l art en classification des sons de l environnement Peu de travaux spécifiques... Reconnaissance de la parole Reconnaissance du locuteur Reconnaissance des événements acoustiques Reconnaissance d objets sur des images Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 24
29 Domaines les plus influents État de l art en classification des sons de l environnement Peu de travaux spécifiques... Coefficients MFCC Modèles de Markov Cachés (HMMs) Reconnaissance de la parole Reconnaissance du locuteur Reconnaissance des événements acoustiques Reconnaissance d objets sur des images Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 25
30 Domaines les plus influents État de l art en classification des sons de l environnement Peu de travaux spécifiques... Coefficients MFCC Modèles de Markov Cachés (HMMs) Reconnaissance de la parole Reconnaissance du locuteur Reconnaissance des événements acoustiques Reconnaissance d objets sur des images GMMs SVMs Noyaux SVM de classification de séquences Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 26
31 Domaines les plus influents État de l art en classification des sons de l environnement Peu de travaux spécifiques... Coefficients MFCC Modèles de Markov Cachés (HMMs) Reconnaissance de la parole Reconnaissance du locuteur Reconnaissance des événements acoustiques Reconnaissance d objets sur des images GMMs SVMs Noyaux SVM de classification de séquences Techniques de reconnaissance appliquées à une représentation 2D du signal audio (Spectrogramme) Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 27
32 Plan Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons 1 Contexte : Projet Sweet-Home 2 Objectifs de la thèse 3 État de l art en classification des sons de l environnement 4 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons 5 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons 6 Conclusions et Perspectives Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 28
33 Motivations Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Pourquoi s inspirer de la Reconnaissance Automatique du Locuteur (RAL)? Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 29
34 Motivations Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Pourquoi s inspirer de la Reconnaissance Automatique du Locuteur (RAL)? Domaine plus ou moins proche (un locuteur une classe de sons) Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 29
35 Motivations Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Pourquoi s inspirer de la Reconnaissance Automatique du Locuteur (RAL)? Domaine plus ou moins proche (un locuteur une classe de sons) État de l art assez riche Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 29
36 Motivations Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Pourquoi s inspirer de la Reconnaissance Automatique du Locuteur (RAL)? Domaine plus ou moins proche (un locuteur une classe de sons) État de l art assez riche Méthodes retenues Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 29
37 Motivations Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Pourquoi s inspirer de la Reconnaissance Automatique du Locuteur (RAL)? Domaine plus ou moins proche (un locuteur une classe de sons) État de l art assez riche Méthodes retenues Modèles de Mélanges Gaussiens (GMM pour Gaussian Mixture Models) Machines à Vecteurs de Support (SVM pour Support Vector Machines). Deux variantes utilisées : Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 29
38 Motivations Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Pourquoi s inspirer de la Reconnaissance Automatique du Locuteur (RAL)? Domaine plus ou moins proche (un locuteur une classe de sons) État de l art assez riche Méthodes retenues Modèles de Mélanges Gaussiens (GMM pour Gaussian Mixture Models) Machines à Vecteurs de Support (SVM pour Support Vector Machines). Deux variantes utilisées : Utilisation directe des vecteurs acoustiques en entée Utilisation des vecteurs acoustiques après transformation Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 29
39 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons GMM pour la reconnaissance du son GMM : un modèle probabiliste représentant un mélange de plusieurs distributions. Extraction des paramètres Modèle GMM Classe 1 Modèle GMM Classe 2 Sortie : classe la plus probable Modèle GMM Classe N Reconnaissance reco-scheme-gmm des sons de l environnement dans un contexte domotique M.A.SEHILI 30
40 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons SVM pour la reconnaissance du son SVM : une méthode classification supervisée permettant de discriminer deux classes Première variante : classification directe des vecteurs acoustiques Extraction des paramètres Sortie : meilleure classe A B C D Classe 1 VS Classe 2 Classe 3 VS Classe 4 Classe 5 VS Classe 6 Classe 7 VS Classe 8 E A VS B F C VS D G E VS F Approche peu efficace et coûteuse en temps de calcul Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 31
41 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons SVM pour la reconnaissance du son Seconde variante : avant la classification, transformer la séquence de vecteurs acoustiques en un seul grand vecteur, appelé Super Vecteur Extraction des paramètres Sortie : meilleure classe Transformation La séquence de vecteurs est transformée en un seul vecteur (Super Vecteur) A B C D Classe 1 VS Classe 2 Classe 3 VS Classe 4 Classe 5 VS Classe 6 Classe 7 VS Classe 8 E A VS B F C VS D G E VS F Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 32
42 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Méthode de transformation retenue Noyau SVM-GSL (SVM GMM Super Vector Linear Kernel) [Campbell et al, 2006] Signal audio Extraction Extraction des des paramètres paramètres Vecteur composé des moyennes du modèle GMM UBM adapté Modèle GMM UBM initial Séquence de Vecteurs acoustiques Adaptation Adaptation Maximum Maximum A Posteriori Posteriori Modèle GMM UBM adapté μ 1 μ 2 μ K Super Vecteur Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 33
43 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons SVM : utilisation d un noyau de classification de séquences Transformation en Super Vecteur Transformation en Super Vecteur Classe +1 Transformation en Super Vecteur SVM Vecteurs Acoustiques Super Vecteurs Transformation en Super Vecteur Transformation en Super Vecteur Classe -1 Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 34
44 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Tests et résultats Base de données de l Esigetel : Classe de sons Nombre de fichiers Durée totale (sec). Conditions d enreg. variables Breathing Oui Cough Oui Dishes Oui DoorClapping Oui DoorOpening Non ElectricalShaver Non FemaleCry Oui FemaleScream Oui GlassBreaking Oui HairDryer Non HandsClapping Oui Keys Oui Laugh Oui MaleScream Oui Paper Oui Sneeze Oui Water Oui Yawn Oui Total Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 35
45 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Tests et résultats Fréquence d échantillonage des fichiers audio : 16KHz Coefficients acoustiques utilisés : MFCC Taille de fenêtre : 16ms La base de données est divisée en trois parties : Une partie pour créer les modèles GMM et le modèle UBM Une partie pour créer les Super Vecteurs Une partie pour les tests Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 36
46 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Tests et résultats Fréquence d échantillonage des fichiers audio : 16KHz Coefficients acoustiques utilisés : MFCC Taille de fenêtre : 16ms La base de données est divisée en trois parties : Une partie pour créer les modèles GMM et le modèle UBM Une partie pour créer les Super Vecteurs Une partie pour les tests Résultats (comparaison entre GMM et SVM-GSL) : Méthode Taux de Reconnaissance (%) GMM 71.1 SVM-GSL (taille UBM = 256) 74.0 SVM-GSL (taille UBM = 512) 75.4 SVM-GSL (taille UBM = 1024) 75.1 Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 36
47 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Tests et résultats Résultats par classe de sons : Classe de sons Taux de bonnes reconnaissances Breathing 9/17 Cough 15/21 Dishes 14/33 DoorClapping 36/38 DoorOpening 7/7 ElectricalShaver 20/21 FemaleCry 8/12 FemaleScream 19/24 GlassBreaking 25/34 HairDryer 14/14 HandsClapping 17/18 Keys 10/12 Laugh 2/17 MaleScream 27/29 Paper 19/21 Sneeze 10/11 Water 12/18 Yawn 3/7 Les classes présentant peu de variabilité sont très bien reconnues Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 37
48 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Tests et résultats Résultats par classe de sons : Classe de sons Taux de bonnes reconnaissances Breathing 9/17 Cough 15/21 Dishes 14/33 DoorClapping 36/38 DoorOpening 7/7 ElectricalShaver 20/21 FemaleCry 8/12 FemaleScream 19/24 GlassBreaking 25/34 HairDryer 14/14 HandsClapping 17/18 Keys 10/12 Laugh 2/17 MaleScream 27/29 Paper 19/21 Sneeze 10/11 Water 12/18 Yawn 3/7 Certaines classes présentant des variabilités sont également très bien reconnues Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 38
49 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Tests et résultats Résultats par classe de sons : Classe de sons Taux de bonnes reconnaissances Breathing 9/17 Cough 15/21 Dishes 14/33 DoorClapping 36/38 DoorOpening 7/7 ElectricalShaver 20/21 FemaleCry 8/12 FemaleScream 19/24 GlassBreaking 25/34 HairDryer 14/14 HandsClapping 17/18 Keys 10/12 Laugh 2/17 MaleScream 27/29 Paper 19/21 Sneeze 10/11 Water 12/18 Yawn 3/7 Certaines classes restent difficiles à reconnaître Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 39
50 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons Tests et résultats Il existe des classes sons très mal séparées par les coefficients MFCC quel que soit le classifieur. Notre contribution originale : Définir des familles de coefficients variées pour la classification du son. Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 40
51 Plan Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons 1 Contexte : Projet Sweet-Home 2 Objectifs de la thèse 3 État de l art en classification des sons de l environnement 4 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons 5 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons 6 Conclusions et Perspectives Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 41
52 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Différences entres classes de sons : un aperçu A l écoute, certains types de sons sont très différents Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 42
53 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Différences entres classes de sons : un aperçu A l écoute, certains types de sons sont très différents Les différences au niveau du signal peuvent aussi être importantes Toux Claquement de porte Rasoir éléctrique Cris Figure: Spectrogrammes de 4 enregistrements de 4 classes différentes Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 42
54 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Différences entres classes de sons : un aperçu Enveloppe d amplitude pour des enregistrements de bris de glace Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 43
55 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Différences entres classes de sons : un aperçu Enveloppe d amplitude pour des enregistrements de bris de glace registrements d un sèche Enveloppe d amplitude pour des en- cheveux Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 43
56 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Aller au-delà des MFCC : utiliser d autres familles de coefficients acoutiques Motivations : Améliorer les performances : extraire des caractéristiques du signal non représentées par les MFCC Opter pour des familles moins complexes si elles permettent d obtenir les mêmes performances Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 44
57 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Aller au-delà des MFCC : utiliser d autres familles de coefficients acoutiques Motivations : Améliorer les performances : extraire des caractéristiques du signal non représentées par les MFCC Opter pour des familles moins complexes si elles permettent d obtenir les mêmes performances Approche : Utiliser des familles de coefficients acoustiques différentes Utiliser le savoir faire acquis en matière de méthodes de reconnaissance (GMM, SVM) Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 44
58 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Familles de coefficients retenues Famille de coefficients Nombre de caractéristiques MFCC 16 Loudness 24 Spectral Crest Factor Per Band 19 Spectral Flatness Per Band 19 Complex Domain Onset Detection 1 Perceptual Sharpness 1 Perceptual Spread 1 Spectral Roll-Off 1 Spectral Decrease 1 Spectral Flatness 1 Spectral Variation 1 Spectral Slope 1 Spectral Shape Statistics 4 Temporal Shape Statistics 4 Total 94 Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 45
59 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Utilisation de plusieurs familles avec des GMMs Utiliser des vecteurs contenant toutes les familles de coefficients : Extraction de plusieurs familles de coefficients Famille de coeff. 1 Famille de coeff. 2 GMM Famille de coeff. N Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 46
60 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Utilisation de plusieurs familles avec des SVMs Une transformation des données est nécessaire... Séquences de vecteurs Un seul vecteur Famille de coeff. 1 Famille de coeff. 2 Transf. en un seul vecteur Transf. en un seul vecteur SVM Famille de coeff. N Transf. en un seul vecteur Deux méthodes de transformations proposées : SVM-StatVect et SVM-ProbVect Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 47
61 SVM-StatVect Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Transformer une séquence de vecteurs acoustiques en un un seul vecteur de coefficients statistiques 1 Caract. Calcul des coefficients statistiques Séquence de vecteurs acoustiques Moyenne μ Écart-Type σ Rapport μ/σ Centroid Spread Skewness Kurtosis 7 Coefficients statistiques Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 48
62 SVM-ProbVect Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Comment exploiter les familles de coefficients à une seule caractéristique? Spectral Roll-Off : La fréquence au-dessous de laquelle se trouve 95% du signal Une seule valeur par fenêtre de signal Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 49
63 SVM-ProbVect Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Comment exploiter les familles de coefficients à une seule caractéristique? Spectral Roll-Off : La fréquence au-dessous de laquelle se trouve 95% du signal Une seule valeur par fenêtre de signal Exemple : variation dans le temps du Spectral Roll-Off pour deux classes de sons Spectral Roll-Off Temps (ms) EShaver-001 EShaver-002 EShaver-003 FScream-001 FScream-002 FScream-003 Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 49
64 SVM-ProbVect Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons A Deux classes peuvent être aisément séparables Classe X Temps Classe Y Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 50
65 SVM-ProbVect Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons A Intervalle 2 Seuil Θ1 Intervalle 1 Méthode simple de séparation : trouver un seuil et définir deux intervalles Classe X Temps Classe Y Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 51
66 SVM-ProbVect Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons A La séparation entre les deux classes peut être plus difficile Classe X Temps Classe Y Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 52
67 SVM-ProbVect Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons A Intervalle 2 Seuil Θ1 Intervalle 1 Un seul seuil peut générer beaucoup d erreurs de classification Classe X Temps Classe Y Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 53
68 SVM-ProbVect Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Seuil Θ3 A Intervalle 4 Intervalle 3 Seuil Θ2 Intervalle 2 Seuil Θ1 Intervalle 1 Une solution : trouver plusieurs seuils pour minimiser les erreurs de classification Classe X Temps Classe Y Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 54
69 SVM-ProbVect Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Intervalle 4 Seuil Θ3 Intervalle 3 Seuil Θ2 Intervalle 2 Seuil Θ1 Intervalle 1 P(X, i4) P(Y, i4) P(X, i3) P(X, i2) P(X, i1) P(Y, i3) P(Y, i2) P(Y, i1) SVM-ProbVect : une classe est représentée par un vecteur contenant la probabilité de la classe dans chaque intervalle Classe X Classe Y Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 55
70 SVM-ProbVect Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Intervalle 4 Seuil Θ3 P(X, i4) P(Y, i4) Intervalle 3 P(X, i3) P(Y, i3) SVM-ProbVect : les Seuil Θ2 vecteurs de probabilités Intervalle 2 Seuil Θ1 P(X, i2) P(Y, i2) sont utilisés en entrée d un SVM Intervalle 1 P(X, i1) P(Y, i1) Classe X Classe Y SVM Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 56
71 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Comment trouver les intervalles? En utilisant des méthodes de discrétisation supervisées : Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 57
72 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Comment trouver les intervalles? En utilisant des méthodes de discrétisation supervisées : Méthodes utilisées pour transformer des valeurs continues en valeurs discrètes Peuvent être utilisées pour créer des arbres de décision Permettent de trouver les seuils qui donnent une bonne corrélation entre un intervalle donné et une classe particulière Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 57
73 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Comment trouver les intervalles? En utilisant des méthodes de discrétisation supervisées : Méthodes utilisées pour transformer des valeurs continues en valeurs discrètes Peuvent être utilisées pour créer des arbres de décision Permettent de trouver les seuils qui donnent une bonne corrélation entre un intervalle donné et une classe particulière Méthode retenue Méthode de Fayyad et Irani (1993) Méthode basée sur la minimisation de l entropie Bonnes performances pour plusieurs problèmes de classification [Dougherty 95, Liu Huan 2002] Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 57
74 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Résultats : comparaison entre GMM et SVM-StatVect Famille de Coefficients GMM SVM-StatVect MFCC Loudness Spectral Crest F. P. B Spectral Flatness P. B Spectral Shape Stat Toutes les Familles GMM : une baisse en performances est observée si toutes les familles de coefficients sont fusionnées SVM-StatVect : Les meilleures performances sont utilisées lorsque toutes les familles sont fusionnées Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 58
75 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Comparaison de toutes les méthodes En utilisant toutes les familles de coefficients ensemble : GMM : 72.3% SVM-StatVect : 76.5% SVM-ProbVect : 76.2% Fusion entre SVM-StatVect et SVM-ProbVect : 79.0% Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 59
76 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Comparaison de toutes les méthodes En utilisant toutes les familles de coefficients ensemble : GMM : 72.3% SVM-StatVect : 76.5% SVM-ProbVect : 76.2% Fusion entre SVM-StatVect et SVM-ProbVect : 79.0% Conclusions : Les méthodes SVM-StatVect et SVM-ProbVect sont mieux adaptées à l utilisation de plusieurs familles de coefficients ensemble La fusion des deux méthodes permet d améliorer les performances Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 59
77 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Résultats expérimentaux : SVM-StatVect Performances par famille de coefficients Famille de Coefficients Dimension Taux de Reco. (%) Loudness Spectral Crest F. P. B Spectral Flatness P. B MFCC Spectral Shape Stat Spectral Roll-Off Spectral Flatness Spectral Slope Complex D. O. D Spectral Variation Perceptual Sharpness Perceptual Spread Envelope Shape Stat Spectral Decrease Temporal Shape Stat Tous les Coefficients Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 60
78 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Performances des familles de coefficients pour 3 classes Certaines classes de sons sont mieux reconnues avec des familles de coefficients spécifiques Classes de sons Familles de coefficients Door Clap. Keys Water MFCC Loudness Spectral Crest Factor Per Band Spectral Flatness Per Band Complex Domain Onset Detection Perceptual Sharpness Perceptual Spread Spectral Roll-Off Spectral Decrease Spectral Flatness Spectral Variation Spectral Slope Spectral Shape Statistics Temporal Shape Statistics Envelope Shape Stat Tous les coefficients Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 61
79 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Sélection de caractéristiques Méthode de sélection : SVM Wrapper [Guyon et al, 2002] Sélection itérative des caractéristiques les moins significatives d un modèle SVM Un apprentissage et une évaluation sont nécessaires à chaque itération Peut être coûteuse en temps de calcul Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 62
80 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Sélection de caractéristiques Méthode de sélection : SVM Wrapper [Guyon et al, 2002] Sélection itérative des caractéristiques les moins significatives d un modèle SVM Un apprentissage et une évaluation sont nécessaires à chaque itération Peut être coûteuse en temps de calcul Variante utilisée : Le taux de caractéristiques à éliminer est figé Une seule sélection est faite Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 62
81 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Résultats de la sélection de caractéristiques Provenance des coefficients SVM-StatVect Taux de sél. SVM-StatVect SVM-ProbVect + (%) SVM-ProbVect Un nombre plus réduit de caractéristiques permet de maintenir ou d améliorer les performances Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 63
82 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Tests sur le corpus du projet Sweet-Home : Description du corpus : Enregistrement des activités de la vie quotidienne dans une maison intelligente (appartement Domus, Grenoble) Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 64
83 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Tests sur le corpus du projet Sweet-Home : Description du corpus : Enregistrement des activités de la vie quotidienne dans une maison intelligente (appartement Domus, Grenoble) Sept microphones installés dans l appartement durée d un enregistrement : une heure environ Nombre de sujets : 21 Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 64
84 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Tests sur le corpus du projet Sweet-Home : Description du corpus : Enregistrement des activités de la vie quotidienne dans une maison intelligente (appartement Domus, Grenoble) Sept microphones installés dans l appartement durée d un enregistrement : une heure environ Nombre de sujets : 21 Exemples d activités : Parler au téléphone Préparer une boisson chaude Utiliser l aspirateur Se brosser les dents Etc. Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 64
85 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Tests sur le corpus du projet Sweet-Home : Objectif des expérimentations : Évaluer les différentes composantes du système Architecture du système : Microphones M1 M2 Mn Détection et Extraction du Son Séparation entre Parole et autres Sons Sons Classification des Sons de l'environnement Parole Reconnaissance de la Parole Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 65
86 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Tests sur le corpus du projet Sweet-Home : Protocole de test : Trois scénarios utilisés en apprentissage Cinq scénarios utilisés pour évaluer la séparation entre la parole et les autres sons Dont quatre utilisés pour évaluer la reconnaissance des sons de l environnement Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 66
87 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Tests sur le corpus du projet Sweet-Home : Protocole de test : Trois scénarios utilisés en apprentissage Cinq scénarios utilisés pour évaluer la séparation entre la parole et les autres sons Dont quatre utilisés pour évaluer la reconnaissance des sons de l environnement 18 classes de sons prises en considération : Ouverture/fermeture de portes Aspirateur Écoulement d eau Etc. Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 66
88 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Tests sur le corpus du projet Sweet-Home : Protocole de test : Trois scénarios utilisés en apprentissage Cinq scénarios utilisés pour évaluer la séparation entre la parole et les autres sons Dont quatre utilisés pour évaluer la reconnaissance des sons de l environnement 18 classes de sons prises en considération : Ouverture/fermeture de portes Aspirateur Écoulement d eau Etc. Coefficients acoustiques : MFCC Méthode de reconnaissance : SVM-GSL Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 66
89 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Tests sur le corpus du projet Sweet-Home : Performances de la détection du son : τ (%) Sensibilité (%) Sensibilité de détection pour différentes valeurs du taux de recouvrement (τ ) avec les références Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 67
90 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Tests sur le corpus du projet Sweet-Home : Performances de la séparation entre la parole et les autres sons : Sujet # de phrases Canal FN Det. FN Reco. TP D+R C S01 44 C Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 68
91 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Tests sur le corpus du projet Sweet-Home : Performances de la séparation entre la parole et les autres sons : Sujet # de phrases Canal FN Det. FN Reco. TP D+R S01 44 C C S03 41 C C S07 45 C C S09 40 C C S13 42 C C Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 68
92 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons Tests sur le corpus du projet Sweet-Home : Reconnaissance des sons de la vie courante par canal : Canal C1 C2 C3 C4 C5 C6 C7 Fusion de tous les canaux Moy. TP D+R(%) Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 69
93 Plan Conclusions et Perspectives 1 Contexte : Projet Sweet-Home 2 Objectifs de la thèse 3 État de l art en classification des sons de l environnement 4 Première contribution : Mise en œuvre de différents classifieurs issus de la RAL, pour la classification des sons 5 Deuxième contribution : Utilisation de représentations adaptées aux différentes classes de sons 6 Conclusions et Perspectives Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 70
94 Conclusions : Conclusions et Perspectives La reconnaissance des sons de l environnement est un domaine de recherche assez récent : il existe très peu de travaux Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 71
95 Conclusions : Conclusions et Perspectives La reconnaissance des sons de l environnement est un domaine de recherche assez récent : il existe très peu de travaux Les méthodes utilisées en reconnaissance du locuteur fonctionnent visiblement bien Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 71
96 Conclusions : Conclusions et Perspectives La reconnaissance des sons de l environnement est un domaine de recherche assez récent : il existe très peu de travaux Les méthodes utilisées en reconnaissance du locuteur fonctionnent visiblement bien SVM-StatVect et SVM-ProbVect s avèrent efficaces pour l utilisation de plusieurs familles de coefficients ensemble en entrée d un SVM Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 71
97 Conclusions : Conclusions et Perspectives La reconnaissance des sons de l environnement est un domaine de recherche assez récent : il existe très peu de travaux Les méthodes utilisées en reconnaissance du locuteur fonctionnent visiblement bien SVM-StatVect et SVM-ProbVect s avèrent efficaces pour l utilisation de plusieurs familles de coefficients ensemble en entrée d un SVM Certaines classes de sons sont reconnues plus efficacement avec des familles de coefficients spécifiques Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 71
98 Conclusions : Conclusions et Perspectives La reconnaissance des sons de l environnement est un domaine de recherche assez récent : il existe très peu de travaux Les méthodes utilisées en reconnaissance du locuteur fonctionnent visiblement bien SVM-StatVect et SVM-ProbVect s avèrent efficaces pour l utilisation de plusieurs familles de coefficients ensemble en entrée d un SVM Certaines classes de sons sont reconnues plus efficacement avec des familles de coefficients spécifiques Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 71
99 Perspectives : Conclusions et Perspectives Enrichir la base de données Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 72
100 Perspectives : Conclusions et Perspectives Enrichir la base de données Explorer les autres avancées en reconnaissance du locuteur Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 72
101 Perspectives : Conclusions et Perspectives Enrichir la base de données Explorer les autres avancées en reconnaissance du locuteur Utiliser d autres familles de coefficients acoustiques Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 72
102 Perspectives : Conclusions et Perspectives Enrichir la base de données Explorer les autres avancées en reconnaissance du locuteur Utiliser d autres familles de coefficients acoustiques Inclure d autres sources d information (dépendance temporelle) Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 72
103 Perspectives : Conclusions et Perspectives Enrichir la base de données Explorer les autres avancées en reconnaissance du locuteur Utiliser d autres familles de coefficients acoustiques Inclure d autres sources d information (dépendance temporelle) Utiliser d autres méthodes de fusion et de sélection pour une meilleure exploitation des familles de coefficients Reconnaissance des sons de l environnement dans un contexte domotique M.A.SEHILI 72
Dan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailAbdenour Hacine-Gharbi. Sélection de paramètres acoustiques pertinents pour la reconnaissance de la parole
ÉCOLE DOCTORALE SCIENCES ET TECHNOLOGIES (ORLEANS) FACULTÉ de TECHNOLOGIE (Sétif) Laboratoire PRISME THÈSE EN COTUTELLE INTERNATIONALE présentée par : Abdenour Hacine-Gharbi soutenue le : 09 décembre 2012
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailEtudier l influence de différents paramètres sur un phénomène physique Communiquer et argumenter en utilisant un vocabulaire scientifique adapté
Compétences travaillées : Mettre en œuvre un protocole expérimental Etudier l influence de différents paramètres sur un phénomène physique Communiquer et argumenter en utilisant un vocabulaire scientifique
Plus en détailPRODUIRE DES SIGNAUX 1 : LES ONDES ELECTROMAGNETIQUES, SUPPORT DE CHOIX POUR TRANSMETTRE DES INFORMATIONS
PRODUIRE DES SIGNAUX 1 : LES ONDES ELECTROMAGNETIQUES, SUPPORT DE CHOIX POUR TRANSMETTRE DES INFORMATIONS Matériel : Un GBF Un haut-parleur Un microphone avec adaptateur fiche banane Une DEL Une résistance
Plus en détailMinistère de l Enseignement Supérieur et de la Recherche Scientifique
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de Formation en Informatique (I.N.I) Oued Smar Alger Direction de la Post Graduation et de la Recherche Thème : Inférence
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailTRAVAUX PRATIQUES SCIENTIFIQUES SUR SYSTÈME
Baccalauréat Professionnel SYSTÈMES ÉLECTRONIQUES NUMÉRIQUES Champ professionnel : Alarme Sécurité Incendie SOUS - EPREUVE E12 TRAVAUX PRATIQUES SCIENTIFIQUES SUR SYSTÈME Durée 3 heures coefficient 2 Note
Plus en détail1. PRESENTATION DU PROJET
Bac STI2D Formation des enseignants Jean-François LIEBAUT Denis PENARD SIN 63 : Prototypage d un traitement de l information analogique et numérique (PSoC) 1. PRESENTATION DU PROJET Les systèmes d éclairage
Plus en détailCaractéristiques des ondes
Caractéristiques des ondes Chapitre Activités 1 Ondes progressives à une dimension (p 38) A Analyse qualitative d une onde b Fin de la Début de la 1 L onde est progressive puisque la perturbation se déplace
Plus en détailChaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
Plus en détailDOMONIAL CRT 500 HF. Notice Utilisateur EKZ 0904 00C SECOM AUTOPROTECTION PILE A U SUPERVISION OUVERTURE ALARME INTRUSION ALARME TECHNIQUE
R Notice Utilisateur EKZ 0904 00C DOMONIAL CRT 500 HF D EF A U T M EM O IR E C O NT R O LE AUTOPROTECTION PILE SUPERVISION OUVERTURE ALARME INTRUSION ALARME TECHNIQUE LIAISON RADIO MARCHE PRESENCE SECTEUR
Plus en détailUNE PLATEFORME MULTI-MODALE POUR LA TÉLÉVIGILANCE MEDICALE
UNE PLATEFORME MULTI-MODALE POUR LA TÉLÉVIGILANCE MEDICALE Wided Souidene, Dan Istrate, Hamid Medjahed ESIGETEL LRIT, 1, Rue du Port de Valvins, 77210 Avon, France {wided.souidene, dan.istrate, hamid.medjahed}@esigetel.fr
Plus en détailTS 35 Numériser. Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S
FICHE Fiche à destination des enseignants TS 35 Numériser Type d'activité Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S Compétences
Plus en détailParamétrisation adaptée de transitoires pour la reconnaissance d instruments de musique
Paramétrisation adaptée de transitoires pour la reconnaissance d instruments de musique Pierre LEVEAU Mémoire de stage de DEA ATIAM année 2003-2004 Mars - Juillet 2004 Université Pierre et Marie Curie
Plus en détailExtraction de descripteurs musicaux: une approche évolutionniste
Extraction de descripteurs musicaux: une approche évolutionniste Thèse de Doctorat de l Université Paris 6 Spécialité: Informatique Aymeric ZILS Sony CSL Paris, 6 rue Amyot 75005 Paris Laboratoire d Informatique
Plus en détailLes techniques de multiplexage
Les techniques de multiplexage 1 Le multiplexage et démultiplexage En effet, à partir du moment où plusieurs utilisateurs se partagent un seul support de transmission, il est nécessaire de définir le principe
Plus en détailInitiation à LabView : Les exemples d applications :
Initiation à LabView : Les exemples d applications : c) Type de variables : Créer un programme : Exemple 1 : Calcul de c= 2(a+b)(a-3b) ou a, b et c seront des réels. «Exemple1» nom du programme : «Exemple
Plus en détailP2: Perception auditive
P2: Perception auditive Daniel Pressnitzer Laboratoire des Systèmes Perceptifs, CNRS & Département d études cognitives, Ecole normale supérieure 29 rue d Ulm, 75230 Paris cedex 05 daniel.pressnitzer@ens.fr
Plus en détailTéléinformatique. Chapitre V : La couche liaison de données dans Internet. ESEN Université De La Manouba
Téléinformatique Chapitre V : La couche liaison de données dans Internet ESEN Université De La Manouba Les techniques DSL La bande passante du service voix est limitée à 4 khz, cependant la bande passante
Plus en détailEMETTEUR ULB. Architectures & circuits. Ecole ULB GDRO ESISAR - Valence 23-27/10/2006. David MARCHALAND STMicroelectronics 26/10/2006
EMETTEUR ULB Architectures & circuits David MARCHALAND STMicroelectronics 26/10/2006 Ecole ULB GDRO ESISAR - Valence 23-27/10/2006 Introduction Emergence des applications de type LR-WPAN : Dispositif communicant
Plus en détailMaster IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008
Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance
Plus en détailSCL LOGICIEL DE CONTROL
SCL LOGICIEL DE CONTROL Version 1.3 MRC AUDIO LD- 500 www.mrcaudio.com 1 Contenu 1 - Bienvenu a MRC AUDIO SCL v1.3 2 - Installation du logiciel 3 - Configuration du programme SCL 4 - Contrôle des installations
Plus en détailCommunication parlée L2F01 TD 7 Phonétique acoustique (1) Jiayin GAO <jiayin.gao@univ-paris3.fr> 20 mars 2014
Communication parlée L2F01 TD 7 Phonétique acoustique (1) Jiayin GAO 20 mars 2014 La phonétique acoustique La phonétique acoustique étudie les propriétés physiques du signal
Plus en détailDETECTOR BICANAL FG2 1. DIMENSIONS ET CONNEXIONS ELECTRIQUES 2. GENERALITES. 24 VDC Alimentat. 24 Vcc. Contact Boucle 2 4 5. Contact Boucle 1 6 7
DETECTOR BICANAL FG. DIMENSIS ET CNEXIS ELECTRIQUES FRANÇAIS 4 VDC Alimentat. 4 Vcc 3 Contact Boucle 4 5 Contact Boucle 6 7 Boucle 8 9 0 Boucle Dimensions en mm. GENERALITES Applications: contrôle de barrières,
Plus en détailChapitre 2 Les ondes progressives périodiques
DERNIÈRE IMPRESSION LE er août 203 à 7:04 Chapitre 2 Les ondes progressives périodiques Table des matières Onde périodique 2 2 Les ondes sinusoïdales 3 3 Les ondes acoustiques 4 3. Les sons audibles.............................
Plus en détailL efficience énergétique...
......Une technique intelligente de régulation au service Edgar Mayer Product Manager CentraLine c/o Honeywell GmbH 02 I 2009 Grâce aux techniques de régulation intelligentes d aujourd hui, il est possible
Plus en détailMANUEL D UTILISATION (simplifié) DE LA CENTRALE LS-30
MANUEL D UTILISATION (simplifié) DE LA CENTRALE LS-30 6 rue Philogène Lalande DES JARDINS - Doniambo - Dock E10 Tel: 26.22.29 Fax: 26.22.39 e-mail: info@prosystems.nc SOMMAIRE I. CLAVIER ET PANNEAU D AFFICHAGE...
Plus en détailRapport. Mesures de champ de très basses fréquences à proximité d antennes de stations de base GSM et UMTS
Rapport Mesures de champ de très basses fréquences à proximité d antennes de stations de base GSM et UMTS A.AZOULAY T.LETERTRE R. DE LACERDA Convention AFSSET / Supélec 2009-1 - 1. Introduction Dans le
Plus en détailOrdonnance du DFJP sur les instruments de mesure audiométriques
Ordonnance du DFJP sur les instruments de mesure audiométriques (Ordonnance sur l audiométrie) 941.216 du 9 mars 2010 (Etat le 1 er janvier 2015) Le Département fédéral de justice et police (DFJP), vu
Plus en détailVotre Réseau est-il prêt?
Adapter les Infrastructures à la Convergence Voix Données Votre Réseau est-il prêt? Conférence IDG Communications Joseph SAOUMA Responsable Offre ToIP Rappel - Définition Voix sur IP (VoIP) Technologie
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailRepérage de l artillerie par le son.
Repérage de l artillerie par le son. Le repérage par le son permet de situer avec précision une batterie ennemie, qu elle soit ou non bien dissimulée. Le son se propage avec une vitesse sensiblement constante,
Plus en détailChapitre 5 Émetteurs et récepteurs sonores
Chapitre 5 Émetteurs et récepteurs sonores Manuel pages 79 à 96 Choix pédagogiques Ce chapitre est dans la continuité du chapitre précédent «Instruments de musique» du thème «Son et musique». En effet,
Plus en détailNotice Utilisateur EKZ 0938 00A STORIA CRT 600 HF
Notice Utilisateur EKZ 0938 00A STORIA CRT 600 HF Vous venez d acquérir le système de surveillance STORIA CRT 600 HF et nous vous en remercions. Ce système est prévu pour fonctionner dans une bande de
Plus en détailMini_guide_Isis.pdf le 23/09/2001 Page 1/14
1 Démarrer...2 1.1 L écran Isis...2 1.2 La boite à outils...2 1.2.1 Mode principal...3 1.2.2 Mode gadgets...3 1.2.3 Mode graphique...3 2 Quelques actions...4 2.1 Ouvrir un document existant...4 2.2 Sélectionner
Plus en détailWWW.ELCON.SE Multichronomètre SA10 Présentation générale
WWW.ELCON.SE Multichronomètre SA10 Présentation générale Le SA10 est un appareil portable destiné au test des disjoncteurs moyenne tension et haute tension. Quoiqu il soit conçu pour fonctionner couplé
Plus en détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
Plus en détailDESCRIPTIF DES PROJETS 3EME ANNEE QUI SERONT PRESENTES LORS DE LA JOURNEE DE PROJET DE FIN D ETUDE LE 26/01/2012
DA Télémédecine et SI de Santé DESCRIPTIF DES PROJETS 3EME ANNEE QUI SERONT PRESENTES LORS DE LA JOURNEE DE PROJET DE FIN D ETUDE LE 26/01/2012 PROJET N 1 : IMPLEMENTATION D'UNE INTERFACE SWEETHOME DEDIEE
Plus en détailCâblage des réseaux WAN. www.ofppt.info
Office de la Formation Professionnelle et de la Promotion du Travail Câblage des réseaux WAN C-D-002.doc Mars 1-7 Sommaire 1. Couche physique WAN... 3 1.1. Connexions série WAN... 4 1.2. Routeurs et connexions
Plus en détailScopia Desktop. Sommaire
Scopia Desktop Objectif : le but de ce document est de vous guider sur la procédure à suivre pour le bon déroulement de l installation du logiciel Scopia Desktop, de son utilisation sur votre ordinateur
Plus en détailInteractions sonores et vocales dans l habitat
Interactions sonores et vocales dans l habitat Pierrick Milhorat 1, Dan Istrate 3, Jérôme Boudy 2, Gérard Chollet 1 (1) Télécom ParisTech, 37-39 rue Dareau, 75014, Paris, France (2) Télécom SudParis, 9
Plus en détailFICHE PRODUIT CSI 6500 Machinery Health TM Monitor
? TM Suite FICHE PRODUIT CSI 6500 Machinery Health TM Monitor Protection et surveillance vibratoire des machines tournantes critiques de l usine Information de surveillance vibratoire temps réel des machines
Plus en détailNouveau Barème W.B.F. de points de victoire 4 à 48 donnes
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de
Plus en détailCalcul des indicateurs de sonie : revue des algorithmes et implémentation
Calcul des indicateurs de sonie : revue des algorithmes et implémentation Stéphane Molla 1, Isabelle Boullet 2, Sabine Meunier 2, Guy Rabau 2, Benoît Gauduin 1, Patrick Boussard 1 1 GENESIS S.A., Domaine
Plus en détailNOTICE D EMPLOI SLT-TR
Tel.: +33 (0) 972 3537 17 Fax: +33 (0) 972 3537 18 info@pce-france.fr NOTICE D EMPLOI SLT-TR Symbole d avertissement Attention: Ne pas exposer le terminal d entrée à une tension de surcharge ou au courant.
Plus en détailSMS-COM LT RAILS DIN V 2. 2 0. Manuel d installation, de programmation et d utilisation.
1. Description du produit: SMS-COM LT RAILS DIN V 2. 2 0 Manuel d installation, de programmation et d utilisation. Le SMS-COM LT RD est un transmetteur de SMS avec un GSM QUAD-Band 800/900/1800/1900 Mhz
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailTeamConnect. SL TeamConnect CU1, Unité centrale SL TeamConnect CB1, Combox CARACTÉRISTIQUES
TeamConnect SL TeamConnect CU1, Unité centrale SL TeamConnect CB1, Combox CARACTÉRISTIQUES 8 Connectivité par ligne téléphonique terrestre et PC/Voix sur IP (VoiP) pour téléconférence via téléphone et
Plus en détailDétection des deux roues motorisés par télémétrie laser à balayage
MEsure du TRAfic des deux-roues MOTOrisés pour la sécurité et l évaluation des risques Détection des deux roues motorisés par télémétrie laser à balayage Séminaire de mi parcours 11 mai 2012 CETE Normandie
Plus en détailEfficacité énergétique pour les particuliers : une solution pour le monitoring énergétique
Efficacité énergétique pour les particuliers : une solution pour le monitoring énergétique Orange Labs Jérôme Descos, Recherche & Développement 13 mars 2012, présentation au Colloque Energ&TIC² travaux
Plus en détailBandes Critiques et Masquage
Bandes Critiques et Masquage A. Almeida Licence Pro Acoustique et Vibrations Octobre 2012 Au Menu Au programme 1 Observations du masquage 5 Application du masquage 2 Conséquences du Masquage 3 Interprétation
Plus en détailAlgorithmique I. Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr. Algorithmique I 20-09-06 p.1/??
Algorithmique I Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr Télécom 2006/07 Algorithmique I 20-09-06 p.1/?? Organisation en Algorithmique 2 séances par semaine pendant 8 semaines. Enseignement
Plus en détailwww.ceotronics.fr CT-DECT GateCom 3W avec Fonction CT-ASR CT-DECT Bluetooth / tablette tactile et téléphones GSM Geschäftsbericht 09/10 I 1
www.ceotronics.fr CT-DECT avec Fonction CT-ASR CT-DECT Bluetooth / tablette tactile et téléphones GSM Geschäftsbericht 09/10 I 1 NOUVEAU! 3W (3-voies) avec CT-DECT GateCom Fonction CT-ASR CT-DECT Bluetooth
Plus en détailContributions à l expérimentation sur les systèmes distribués de grande taille
Contributions à l expérimentation sur les systèmes distribués de grande taille Lucas Nussbaum Soutenance de thèse 4 décembre 2008 Lucas Nussbaum Expérimentation sur les systèmes distribués 1 / 49 Contexte
Plus en détailTable des matières. 1. But. 2. Scénario de base. 3. Simulations
Procédure de validation pour les modèles PSS/E Unité Programme et stratégies du réseau principal Direction Planification Avril 2014 Table des matières 1. But 2. Scénario de base 3. Simulations 2 3 4 1.
Plus en détailCLASSE VIRTUELLE UTILISATION DE CENTRA
rectorat mission formation division de la formation CLASSE VIRTUELLE UTILISATION DE CENTRA L objet de ce document est de présenter la démarche pour la mise en place d une formation à distance utilisant
Plus en détailEfficace et ciblée : La surveillance des signaux de télévision numérique (2)
Efficace et ciblée : La surveillance des signaux de télévision numérique (2) La première partie de cet article publié dans le numéro 192 décrit la méthode utilisée pour déterminer les points de surveillance
Plus en détailTP Modulation Démodulation BPSK
I- INTRODUCTION : TP Modulation Démodulation BPSK La modulation BPSK est une modulation de phase (Phase Shift Keying = saut discret de phase) par signal numérique binaire (Binary). La phase d une porteuse
Plus en détailInternet et Multimédia Exercices: flux multimédia
Internet et Multimédia Exercices: flux multimédia P. Bakowski bako@ieee.org Applications et flux multi-média média applications transport P. Bakowski 2 Applications et flux multi-média média applications
Plus en détailChapitre I La fonction transmission
Chapitre I La fonction transmission 1. Terminologies 1.1 Mode guidé / non guidé Le signal est le vecteur de l information à transmettre. La transmission s effectue entre un émetteur et un récepteur reliés
Plus en détailSolutions logicielles de gestion énergétique coopérante smart building in smart grid : Exemple CANOPEA. Xavier Brunotte info@vesta-system.
Solutions logicielles de gestion énergétique coopérante smart building in smart grid : Exemple CANOPEA Xavier Brunotte info@vesta-system.com Agenda Vesta-System et principe de son gestionnaire de son gestionnaire
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailINTRODUCTION AUX TESTS DE PERFORMANCE ET DE CHARGE
INTRODUCTION AUX TESTS DE PERFORMANCE ET DE CHARGE 1 Introduction aux tests de performance et de charge Sommaire Avertissement...2 Aperçu...3 1. Création du scénario de navigation web (Test web)...4 2.
Plus en détailProgramme de réhabilitation respiratoire
Programme de réhabilitation respiratoire Dr Jean-Marc Perruchini Service de Réhabilitation R respiratoire, Clinique de Médecine Physique Les Rosiers 45, Bd Henri Bazin, 21002 DIJON Cedex Mle Carine Lopez
Plus en détailDate De Création 14/05/2013. PIC Poitou Charente. Préparé par : Cécilia CHARTIER. Modification 14/05/2013
Protocole médical Préparé par : Cécilia CHARTIER Objet : recueillir les données (poids, tension, qualité de vie) des patients à leur domicile par le biais d un système Twitoo (recueil d information par
Plus en détailMini_guide_Isis_v6.doc le 10/02/2005 Page 1/15
1 Démarrer... 2 1.1 L écran Isis... 2 1.2 Les barres d outils... 3 1.2.1 Les outils d édition... 3 1.2.2 Les outils de sélection de mode... 4 1.2.3 Les outils d orientation... 4 2 Quelques actions... 5
Plus en détailScanner acoustique NoiseScanner
Scanner acoustique NoiseScanner «Des yeux et des oreilles pour localiser les sources de bruit...» Scanner acoustique NoiseScanner Décibel d Or 2014 Caractéristiques générales Originalités Fruit de 20 ans
Plus en détailComparatif entre Matrox RT.X2 et Adobe Premiere Pro CS3 (logiciel seul)
Comparatif entre et Adobe Premiere Pro CS3 (logiciel seul) offre la puissance de montage en temps réel et les outils de productivité supplémentaires dont vous avez besoin pour tirer pleinement parti d'adobe
Plus en détailSIMPL'VOX. Notice d'utilisation. Transmetteur téléphonique vocal. Version 1.1
Transmetteur téléphonique vocal Version 1.1 SIMPL'VOX Photo non contractuelle Notice d'utilisation Les produits de la gamme ALTEC sont conçus et fabriqués en France par la société ATLS SIMPL VOX et ALTEC
Plus en détailScoopFone. www.aeta-audio.com. Prise en main rapide
ScoopFone www.aeta-audio.com Prise en main rapide Les spécifications peuvent changer sans préavis 55 000 081-F 2015 Face avant et contrôles 4 6 9 10 12 13 14 1 2 3 20 21 5 7 8 1. Niveau de contrôle: Ce
Plus en détailSEMINAIRES & ATELIERS EN TÉLÉCOMMUNICATIONS RESEAUX
SEMINAIRES & ATELIERS EN TÉLÉCOMMUNICATIONS & RESEAUX SEMINAIRE ATELIER SUR LA TELEPHONIE ET LA VOIX SUR IP (T-VoIP): DE LA THEORIE A LA PRATIQUE DEPLOIEMENT D UNE PLATEFORME DE VoIP AVEC ASTERIK SOUS
Plus en détailEPREUVE OPTIONNELLE d INFORMATIQUE CORRIGE
EPREUVE OPTIONNELLE d INFORMATIQUE CORRIGE QCM Remarque : - A une question correspond au moins 1 réponse juste - Cocher la ou les bonnes réponses Barème : - Une bonne réponse = +1 - Pas de réponse = 0
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailVérification audiovisuelle de l identité
Vérification audiovisuelle de l identité Rémi Landais, Hervé Bredin, Leila Zouari, et Gérard Chollet École Nationale Supérieure des Télécommunications, Département Traitement du Signal et des Images, Laboratoire
Plus en détailChapitre 2 Caractéristiques des ondes
Chapitre Caractéristiques des ondes Manuel pages 31 à 50 Choix pédagogiques Le cours de ce chapitre débute par l étude de la propagation des ondes progressives. La description de ce phénomène est illustrée
Plus en détailPartie Agir : Défis du XXI ème siècle CHAP 20-ACT EXP Convertisseur Analogique Numérique (CAN)
1/5 Partie Agir : Défis du XXI ème siècle CHAP 20-ACT EXP Convertisseur Analogique Numérique (CAN) Objectifs : Reconnaître des signaux de nature analogique et des signaux de nature numérique Mettre en
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailNotice d utilisation Version 1.0 Août 2003 FRANÇAIS CONSIGNES DE SECURITE ATTENTION : Pour éviter tout risque de choc électrique, ne pas ouvrir le capot de l appareil ni démonter le panneau arrière. L
Plus en détailRésonance Magnétique Nucléaire : RMN
21 Résonance Magnétique Nucléaire : RMN Salle de TP de Génie Analytique Ce document résume les principaux aspects de la RMN nécessaires à la réalisation des TP de Génie Analytique de 2ème année d IUT de
Plus en détailLogiciel d analyse et de gestion du bruit OUIE2000
Logiciel d analyse et de gestion du bruit OUIE2000 Phase 2 : Intégration de mesures expérimentales et évaluation de puissance acoustique type André L Espérance ÉTUDES ET RECHERCHES R-351 RAPPORT TRAVAILLENT
Plus en détailRéussir son installation domotique et multimédia
La maison communicante Réussir son installation domotique et multimédia François-Xavier Jeuland Avec la contribution de Olivier Salvatori 2 e édition Groupe Eyrolles, 2005, 2008, ISBN : 978-2-212-12153-7
Plus en détailÉTUDE ET DÉVELOPPEMENT D UN SYSTÈME EXPERT BASÉ SUR LES RÉSEAUX DE NEURONES POUR LE DIAGNOSTIC DES DÉFAUTS DE ROULEMENTS
ÉTUDE ET DÉVELOPPEMENT D UN SYSTÈME EXPERT BASÉ SUR LES RÉSEAUX DE NEURONES POUR LE DIAGNOSTIC DES DÉFAUTS DE ROULEMENTS B. Badri 1 ; M. Thomas 1 ; S. Sassi 2 (1) Department of Mechanical Engineering,
Plus en détailACOUSTIQUE 3 : ACOUSTIQUE MUSICALE ET PHYSIQUE DES SONS
Matériel : Logiciel winoscillo Logiciel synchronie Microphone Amplificateur Alimentation -15 +15 V (1) (2) (3) (4) (5) (6) ACOUSTIQUE 3 : ACOUSTIQUE MUSICALE ET PHYSIQUE DES SONS Connaissances et savoir-faire
Plus en détailDidier Pietquin. Timbre et fréquence : fondamentale et harmoniques
Didier Pietquin Timbre et fréquence : fondamentale et harmoniques Que sont les notions de fréquence fondamentale et d harmoniques? C est ce que nous allons voir dans cet article. 1. Fréquence Avant d entamer
Plus en détailPrésentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur
Présentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur Réalisé par : Bassem Besbes Laboratoire d Informatique, Traitement de l Information
Plus en détailNumérisation du signal
Chapitre 12 Sciences Physiques - BTS Numérisation du signal 1 Analogique - Numérique. 1.1 Définitions. Signal analogique : un signal analogique s a (t)est un signal continu dont la valeur varie en fonction
Plus en détailTouch PC tébis: L écran tactile pour le montage encastré et en paroi creuse
Touch PC tébis Touch PC tébis: L écran tactile pour le montage encastré et en paroi creuse La domotique moderne nécessite une visualisation claire des fonctions. Les commandes murales se profilent de plus
Plus en détailCommutateur statique de transfert Liebert La solution incontournable pour vos systèmes d alimentation à haute disponibilité
Commutateur statique de transfert Liebert La solution incontournable pour vos systèmes d alimentation à haute disponibilité AC Power Systems for Business-Critical Continuity Emerson Network Power est une
Plus en détailADSL. Étude d une LiveBox. 1. Environnement de la LiveBox TMRIM 2 EME TRIMESTRE LP CHATEAU BLANC 45120 CHALETTE/LOING NIVEAU :
LP CHATEAU BLANC 45120 CHALETTE/LOING THEME : ADSL BAC PROFESSIONNEL MICRO- INFORMATIQUE ET RESEAUX : INSTALLATION ET MAINTENANCE ACADÉMIE D ORLÉANS-TOURS 2 EME TRIMESTRE NIVEAU : TMRIM Étude d une LiveBox
Plus en détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailBACCALAURÉAT PROFESSIONNEL EPREUVE DE TRAVAUX PRATIQUES DE SCIENCES PHYSIQUES SUJET A.1
TP A.1 Page 1/5 BACCALAURÉAT PROFESSIONNEL EPREUVE DE TRAVAUX PRATIQUES DE SCIENCES PHYSIQUES SUJET A.1 Ce document comprend : - une fiche descriptive du sujet destinée à l examinateur : Page 2/5 - une
Plus en détailLe rôle de l assureur Accident du Travail en Belgique
Le rôle de l assureur Accident du Travail en Belgique 9 octobre 2013 Marie-Pierre Dawance 1 Responsable Préventon Accident du Travail et Responsabilité Civile Aperçu de l exposé Le rôle de l assureur en
Plus en détailLimitations of the Playstation 3 for High Performance Cluster Computing
Introduction Plan Limitations of the Playstation 3 for High Performance Cluster Computing July 2007 Introduction Plan Introduction Intérêts de la PS3 : rapide et puissante bon marché L utiliser pour faire
Plus en détailTABLE DES MATIÈRES 1. DÉMARRER ISIS 2 2. SAISIE D UN SCHÉMA 3 & ' " ( ) '*+ ", ##) # " -. /0 " 1 2 " 3. SIMULATION 7 " - 4.
TABLE DES MATIÈRES 1. DÉMARRER ISIS 2 2. SAISIE D UN SCHÉMA 3! " #$ % & ' " ( ) '*+ ", ##) # " -. /0 " 1 2 " 3' & 3. SIMULATION 7 0 ( 0, - 0 - " - & 1 4. LA SOURIS 11 5. LES RACCOURCIS CLAVIER 11 STI Electronique
Plus en détail