Traitement Aveugle de Signaux Biomédicaux
|
|
- Pascale St-Jean
- il y a 8 ans
- Total affichages :
Transcription
1 Traitement Aveugle de Signaux Biomédicaux Amar KACHENOURA Laboratoire Traitement du Signal et de l Image-Unité INSERM 62 Thèse pour obtenir le grade de DOCTEUR DE L UNIVERSITE DE RENNES1 06 Juillet 2006 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
2 Plan Introduction Contexte général Formulation du problème Hypothèses Séparation de sources pour le monitoring des troubles du sommeil Problématique et objectif Intérêt de la Séparation Aveugle de Sources (SAS) Etude comparative d algorithmes de SAS Résultats sur signaux réels Estimation de phase pour la déconvolution aveugle de signaux Problématique et objectif Nouvelles approches d estimation de phase d un système SISO Simulations numériques Conclusions et perspectives Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
3 Contexte Général 1/2 Observations reçues par le biais d un réseau de capteurs de surface Traitement des signaux électrophysiologiques acquis Signaux d information utile (sources) Bruits de mesure et artéfacts Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
4 Contexte Général 1/2 Observations reçues par le biais d un réseau de capteurs de surface Traitement des signaux électrophysiologiques acquis Signaux d information utile (sources) Bruits de mesure et artéfacts OBJECTIFS Séparation de différentes sources comportant les informations nécessaires au diagnostic, à la prévention de certaines pathologies ou à l explication d un phénomène physiologique particulier Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
5 Contexte Général 2/2 PROBLÈMES RENCONTRÉS Peu d information a priori sur les sources Sources d intérêt indirectement observables : observation d un mélange des sources Systèmes d aquisition fournissant des signaux de faible puissance qui peuvent être noyés dans du bruit Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet 2006
6 Contexte Général 2/2 PROBLÈMES RENCONTRÉS Peu d information a priori sur les sources Sources d intérêt indirectement observables : observation d un mélange des sources Systèmes d aquisition fournissant des signaux de faible puissance qui peuvent être noyés dans du bruit Diagnostic des troubles du sommeil à partir d un nombre réduit d électrodes Extraction des dynamiques du Système Nerveux Autonome (SNA) à partir d un ECG de surface Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet 2006
7 Formulation du problème où m {0,..., M} : x[m]=[x 1[m]... x N[m]] T est le vecteur observations à l instant m s[m]=[s 1[m]... s P[m]] T est le vecteur sources à l instant m ν[m]=[ν 1[m]... ν N[m]] T est le vecteur bruit à l instant m Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
8 Formulation du problème où m {0,..., M} : x[m]=[x 1[m]... x N[m]] T est le vecteur observations à l instant m s[m]=[s 1[m]... s P[m]] T est le vecteur sources à l instant m ν[m]=[ν 1[m]... ν N[m]] T est le vecteur bruit à l instant m OBJECTIF Détermination des vecteurs aléatoires, y[m] = [y 1[m]... y P[m]] T, estimant au mieux les vecteurs sources s[m] Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
9 Modèles de mélange Modèle SISO convolutif x[m] = (H s)[m] + ν[m] = X l N H[l]s[m l] + ν[m] où H est la réponse impulsionnelle d un filtre LIT Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
10 Modèles de mélange Modèle SISO convolutif x[m] = (H s)[m] + ν[m] = X l N H[l]s[m l] + ν[m] où H est la réponse impulsionnelle d un filtre LIT Modèle MIMO convolutif x[m] = (H s)[m] + ν[m] = X l N H[l]s[m l] + ν[m] où H désigne un banc de filtres LIT de taille (N P) Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
11 Modèles de mélange Modèle SISO convolutif x[m] = (H s)[m] + ν[m] = X l N H[l]s[m l] + ν[m] où H est la réponse impulsionnelle d un filtre LIT Modèle MIMO convolutif x[m] = (H s)[m] + ν[m] = X l N H[l]s[m l] + ν[m] où H désigne un banc de filtres LIT de taille (N P) Modèle MIMO instantané x[m] = Hs[m] + ν[m] où H est une matrice de taille (N P) Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
12 Hypothèses (H1) Le processus vectoriel aléatoire source {s[m]} m ergodique à l ordre 6 est stationnaire au sens large et (H2) Pour tout entier naturel m, les composantes de s[m] sont mutuellement indépendantes (H3) Tous les cumulants d ordre q (2 q 6) des sources sont non nuls et absolument sommables (H) Pour tout couple (m 1, m 2) d entiers naturels, les composantes de s[m 1] sont statistiquement indépendantes des composantes de ν[m 2] Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
13 Hypothèses (H1) Le processus vectoriel aléatoire source {s[m]} m ergodique à l ordre 6 est stationnaire au sens large et (H2) Pour tout entier naturel m, les composantes de s[m] sont mutuellement indépendantes (H3) Tous les cumulants d ordre q (2 q 6) des sources sont non nuls et absolument sommables (H) Pour tout couple (m 1, m 2) d entiers naturels, les composantes de s[m 1] sont statistiquement indépendantes des composantes de ν[m 2] (H5) Le processus vectoriel aléatoire {ν[m]} m l ordre 6 est stationnaire au sens large et ergodique à (H6) La suite {ν[m]} m est un processus vectoriel gaussien sans mémoire Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
14 Hypothèses (H1) Le processus vectoriel aléatoire source {s[m]} m ergodique à l ordre 6 est stationnaire au sens large et (H2) Pour tout entier naturel m, les composantes de s[m] sont mutuellement indépendantes (H3) Tous les cumulants d ordre q (2 q 6) des sources sont non nuls et absolument sommables (H) Pour tout couple (m 1, m 2) d entiers naturels, les composantes de s[m 1] sont statistiquement indépendantes des composantes de ν[m 2] (H5) Le processus vectoriel aléatoire {ν[m]} m l ordre 6 est stationnaire au sens large et ergodique à (H6) La suite {ν[m]} m est un processus vectoriel gaussien sans mémoire (H7) Le mélange est inversible dans le cas instantané et stable, inversible et d inverse stable dans le cas convolutif Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
15 Séparation de sources pour le monitoring des troubles du sommeil Introduction Contexte général Formulation du problème Hypothèses Séparation de sources pour le monitoring des troubles du sommeil Problématique et objectif Intérêt de la Séparation Aveugle de Sources (SAS) Etude comparative d algorithmes de SAS Résultats sur signaux réels Estimation de phase pour la déconvolution aveugle de signaux Problématique et objectif Nouvelles approches d estimation de phase d un système SISO Simulations numériques Conclusions et perspectives Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
16 Problématique Troubles du sommeil Ensemble de perturbations associées au déroulement du sommeil (insomnies, hypersomnies,...) Environ 25% de la population concernée Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
17 Problématique Troubles du sommeil Ensemble de perturbations associées au déroulement du sommeil (insomnies, hypersomnies,...) Environ 25% de la population concernée Difficultés à diagnostiquer et à traiter Patient Examen clinique Suffisant Insuffisant Traitement adéquat Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
18 Problématique Troubles du sommeil Ensemble de perturbations associées au déroulement du sommeil (insomnies, hypersomnies,...) Environ 25% de la population concernée Difficultés à diagnostiquer et à traiter Patient Examen clinique Suffisant Insuffisant Polysomnographie clinique (enregistrement simultané de l EEG, de l EOG, de l EMG, ) Traitement adéquat Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
19 Problématique Troubles du sommeil Ensemble de perturbations associées au déroulement du sommeil (insomnies, hypersomnies,...) Environ 25% de la population concernée Difficultés à diagnostiquer et à traiter Patient Examen clinique Suffisant Insuffisant Polysomnographie clinique (enregistrement simultané de l EEG, de l EOG, de l EMG, ) Traitement adéquat Hospitalisation nécessaire Délais de soins très importants Examen contraignant pour le patient Problèmes de fixation des électrodes Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
20 Exemple de signaux aquis par une polysomnographie classique Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
21 Problématique Troubles du sommeil Ensemble de perturbations associées au déroulement du sommeil (insomnies, hypersomnies,...) Environ 25% de la population concernée Difficultés à diagnostiquer et à traiter Patient Examen clinique Suffisant Insuffisant Polysomnographie clinique (enregistrement simultané de l EEG, de l EOG, de l EMG, ) Traitement adéquat Hospitalisation nécessaire Délais de soins très importants Examen contraignant pour le patient Problèmes de fixation des électrodes OBJECTIF Elaboration d un système ambulatoire multi-varié permettant d explorer, sur une longue durée et à domicile, les fonctions neurologiques pour le diagnostic des troubles du sommeil Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
22 Séparation de sources pour le monitoring des troubles du sommeil Introduction Contexte général Formulation du problème Hypothèses Séparation de sources pour le monitoring des troubles du sommeil Problématique et objectif Intérêt de la Séparation Aveugle de Sources (SAS) Etude comparative d algorithmes de SAS Résultats sur signaux réels Estimation de phase pour la déconvolution aveugle de signaux Problématique et objectif Nouvelles approches d estimation de phase d un système SISO Simulations numériques Conclusions et perspectives Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
23 Vers un système de monitoring à domicile 1/2 Polysomnographie à domicile Réduction du nombre d électrodes Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
24 Vers un système de monitoring à domicile 1/2 Polysomnographie à domicile Réduction du nombre d électrodes Nouvelles positions d électrodes Problème pratique Récupération d un mélange des signaux d intérêt Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
25 Vers un système de monitoring à domicile 1/2 Polysomnographie à domicile Réduction du nombre d électrodes Nouvelles positions d électrodes Problème pratique Récupération d un mélange des signaux d intérêt Solution Séparation de sources Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
26 Vers un système de monitoring à domicile 2/2 EOGG EOGD Polysomnographie à domicile EOG EEG Réduction du nombre d électrodes FP2m F8m EMG FP1m Extraits de la polysomnographie clinique F7m F7m F8m FP1m FP2m Nouveau Procédé Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
27 Vers un système de monitoring à domicile 2/2 EOGG EOGD Polysomnographie à domicile EOG EEG Réduction du nombre d électrodes FP2m F8m EMG FP1m Extraits de la polysomnographie clinique F7m F7m F8m FP1m FP2m Nouveau Procédé Extraction de l information utile Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
28 Procédure d extraction des sources utiles F7m FP1m F8m FP2m 1) F7m - F8m 30 Hz EMG Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
29 Procédure d extraction des sources utiles F7m FP1m F8m FP2m 1) 2) F7m - F8m 22 Hz 30 Hz F7f FP1f F8f FP2f EMG Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
30 Procédure d extraction des sources utiles F7m FP1m F8m FP2m 1) 2) F7m - F8m 22 Hz F7f F8f 30 Hz 3) FP1f FP2f EMG SAS/ACI y 1 y 2 y 3 y Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
31 Procédure d extraction des sources utiles F7m FP1m F8m FP2m 1) 2) F7m - F8m 22 Hz F7f F8f 30 Hz 3) FP1f FP2f EMG SAS/ACI y 1 y 2 y 3 y ) Correspondance EEG EOGL EOGR ECG Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
32 Séparation de sources pour le monitoring des troubles du sommeil Introduction Contexte général Formulation du problème Hypothèses Séparation de sources pour le monitoring des troubles du sommeil Problématique et objectif Intérêt de la Séparation Aveugle de Sources (SAS) Etude comparative d algorithmes de SAS Résultats sur signaux réels Estimation de phase pour la déconvolution aveugle de signaux Problématique et objectif Nouvelles approches d estimation de phase d un système SISO Simulations numériques Conclusions et perspectives Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
33 Quelques rappels mathématiques Rappels sur les cumulants d ordre 2q C n q+1,...,n 2q n 1,...,n q,x [τ 1,..., τ 2q 1] def = Cum{x n1 [m], x n2 [m τ 1],..., x nq [m τ q 1], x nq+1 [m τ q],..., x n2q [m τ 2q 1] } {z } {z } q q τ 1,..., τ C 2q 1, n q+1,...,n 2q n 1,...,n q,x [τ 1,..., τ 2q 1] 1 n est un tenseur d ordre 2q 1,...,n 2q N Rangement matriciel des cumulants Difficulté à manipuler les tenseurs rangement des cumulants Cn q+1,...,n 2q n 1,...,n q,x [τ 1,..., τ 2q 1] dans une matrice hermitienne (N q N q ) q = 1 matrice de Covariance R x[τ] q = 2 matrice de Quadricovariance Q x [τ 1, τ 2, τ 3] q = 3 matrice d Hexacovariance H x[τ 1, τ 2, τ 3, τ, τ 5] Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
34 Standardisation (Blanchiment) Standardisation classique Trouver une matrice Θ de taille (P N) telle que la matrice de covariance du vecteur ΘHs[m] = Θ(x[m] ν[m]) est la matrice identité Calcul de la matrice de blanchiment Θ Possible via une diagonalisation de R x[0] = HR s[0]h H + R ν[0] Construction d observations blanchies : z[m] = Θx[m] Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
35 Standardisation (Blanchiment) Standardisation classique Trouver une matrice Θ de taille (P N) telle que la matrice de covariance du vecteur ΘHs[m] = Θ(x[m] ν[m]) est la matrice identité Calcul de la matrice de blanchiment Θ Possible via une diagonalisation de R x[0] = HR s[0]h H + R ν[0] Construction d observations blanchies : z[m] = Θx[m] Limitation du blanchiment classique Calcul possible uniquement : si R ν est connue ou si le bruit est spatialement décorrélé, de même puissance sur chaque capteur et P < N Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
36 Standardisation (Blanchiment) Standardisation classique Trouver une matrice Θ de taille (P N) telle que la matrice de covariance du vecteur ΘHs[m] = Θ(x[m] ν[m]) est la matrice identité Calcul de la matrice de blanchiment Θ Possible via une diagonalisation de R x[0] = HR s[0]h H + R ν[0] Construction d observations blanchies : z[m] = Θx[m] Limitation du blanchiment classique Calcul possible uniquement : si R ν est connue ou si le bruit est spatialement décorrélé, de même puissance sur chaque capteur et P < N Standardisation robuste Si {ν[m]} m N temporellement décorrélé alors calcul de Θ à partir de plusieurs matrices de covariance R x[τ j] (τ j 0) via une diagonalisation de la matrice : R x = 1 2 JX α j `Rx[τ j] + R H x[τ j] j=1 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
37 Evaluation des performances d algorithmes de SAS sur des signaux test Algorithmes envisagés et hypothèses Caractéristiques Nécessité pour Nécessité pour Ordre 2q des des méthodes les Cumulants les sources statistiques Utilisation Nombre d ordre 2q d avoir des exploitées d un de sources des sources spectres dans Blanchiment? gaussiennes d être du même d ordre 2q l'extraction tolérées? signe? différents? des sources Algorithmes SOBI 2 Toutes à l ordre 2 TFBSS 2 Toutes à l ordre 2 JADE 1 Exploitation Exploitation de la de la non- coloration stationnarité des sources? des sources? Bruit de cohérence spatiale inconnue toléré? COM2 1 COM1 1 INFOMAX 1 FOBIUM ICAR BIRTH à l ordre si bruit gaussien si bruit gaussien si bruit gaussien FastICAB DOB 1 FastICABSOB 1 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
38 Evaluation des performances d algorithmes de SAS sur des signaux test Algorithmes envisagés et hypothèses Caractéristiques Nécessité pour Nécessité pour Ordre 2q des des méthodes les Cumulants les sources statistiques Utilisation Nombre d ordre 2q d avoir des exploitées d un de sources des sources spectres dans Blanchiment? gaussiennes d être du même d ordre 2q l'extraction tolérées? signe? différents? des sources Algorithmes SOBI 2 Toutes à l ordre 2 TFBSS 2 Toutes à l ordre 2 JADE 1 Exploitation Exploitation de la de la non- coloration stationnarité des sources? des sources? Bruit de cohérence spatiale inconnue toléré? COM2 1 COM1 1 INFOMAX 1 FOBIUM ICAR BIRTH à l ordre si bruit gaussien si bruit gaussien si bruit gaussien FastICAB DOB 1 FastICABSOB 1 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
39 Evaluation des performances d algorithmes de SAS sur des signaux test Algorithmes envisagés et hypothèses Caractéristiques Nécessité pour Nécessité pour Ordre 2q des des méthodes les Cumulants les sources statistiques Utilisation Nombre d ordre 2q d avoir des exploitées d un de sources des sources spectres dans Blanchiment? gaussiennes d être du même d ordre 2q l'extraction tolérées? signe? différents? des sources Algorithmes SOBI 2 Toutes à l ordre 2 TFBSS 2 Toutes à l ordre 2 JADE 1 Exploitation Exploitation de la de la non- coloration stationnarité des sources? des sources? Bruit de cohérence spatiale inconnue toléré? COM2 1 COM1 1 INFOMAX 1 FOBIUM ICAR BIRTH à l ordre si bruit gaussien si bruit gaussien si bruit gaussien FastICAB DOB 1 FastICABSOB 1 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
40 Evaluation des performances d algorithmes de SAS sur des signaux test Algorithmes envisagés et hypothèses Caractéristiques Nécessité pour Nécessité pour Ordre 2q des des méthodes les Cumulants les sources statistiques Utilisation Nombre d ordre 2q d avoir des exploitées d un de sources des sources spectres dans Blanchiment? gaussiennes d être du même d ordre 2q l'extraction tolérées? signe? différents? des sources Algorithmes SOBI 2 Toutes à l ordre 2 TFBSS 2 Toutes à l ordre 2 JADE 1 Exploitation Exploitation de la de la non- coloration stationnarité des sources? des sources? Bruit de cohérence spatiale inconnue toléré? COM2 1 COM1 1 INFOMAX 1 FOBIUM ICAR BIRTH à l ordre si bruit gaussien si bruit gaussien si bruit gaussien FastICAB DOB 1 FastICABSOB 1 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
41 Evaluation des performances d algorithmes de SAS sur des signaux test Algorithmes envisagés et hypothèses Caractéristiques Nécessité pour Nécessité pour Ordre 2q des des méthodes les Cumulants les sources statistiques Utilisation Nombre d ordre 2q d avoir des exploitées d un de sources des sources spectres dans Blanchiment? gaussiennes d être du même d ordre 2q l'extraction tolérées? signe? différents? des sources Algorithmes SOBI 2 Toutes à l ordre 2 TFBSS 2 Toutes à l ordre 2 JADE 1 Exploitation Exploitation de la de la non- coloration stationnarité des sources? des sources? Bruit de cohérence spatiale inconnue toléré? COM2 1 COM1 1 INFOMAX 1 FOBIUM ICAR BIRTH à l ordre si bruit gaussien si bruit gaussien si bruit gaussien FastICAB DOB 1 FastICABSOB 1 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
42 Evaluation des performances d algorithmes de SAS sur des signaux test Algorithmes envisagés et hypothèses Caractéristiques Nécessité pour Nécessité pour Ordre 2q des des méthodes les Cumulants les sources statistiques Utilisation Nombre d ordre 2q d avoir des exploitées d un de sources des sources spectres dans Blanchiment? gaussiennes d être du même d ordre 2q l'extraction tolérées? signe? différents? des sources Algorithmes SOBI 2 Toutes à l ordre 2 TFBSS 2 Toutes à l ordre 2 JADE 1 Exploitation Exploitation de la de la non- coloration stationnarité des sources? des sources? Bruit de cohérence spatiale inconnue toléré? COM2 1 COM1 1 INFOMAX 1 FOBIUM ICAR BIRTH à l ordre si bruit gaussien si bruit gaussien si bruit gaussien FastICAB DOB 1 FastICABSOB 1 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
43 Evaluation des performances d algorithmes de SAS sur des signaux test Algorithmes envisagés et hypothèses Caractéristiques Nécessité pour Nécessité pour Ordre 2q des des méthodes les Cumulants les sources statistiques Utilisation Nombre d ordre 2q d avoir des exploitées d un de sources des sources spectres dans Blanchiment? gaussiennes d être du même d ordre 2q l'extraction tolérées? signe? différents? des sources Algorithmes SOBI 2 Toutes à l ordre 2 TFBSS 2 Toutes à l ordre 2 JADE 1 Exploitation Exploitation de la de la non- coloration stationnarité des sources? des sources? Bruit de cohérence spatiale inconnue toléré? COM2 1 COM1 1 INFOMAX 1 FOBIUM ICAR BIRTH à l ordre si bruit gaussien si bruit gaussien si bruit gaussien FastICAB DOB 1 FastICABSOB 1 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
44 Evaluation des performances d algorithmes de SAS sur des signaux test Algorithmes envisagés et hypothèses Caractéristiques Nécessité pour Nécessité pour Ordre 2q des des méthodes les Cumulants les sources statistiques Utilisation Nombre d ordre 2q d avoir des exploitées d un de sources des sources spectres dans Blanchiment? gaussiennes d être du même d ordre 2q l'extraction tolérées? signe? différents? des sources Algorithmes SOBI 2 Toutes à l ordre 2 TFBSS 2 Toutes à l ordre 2 JADE 1 Exploitation Exploitation de la de la non- coloration stationnarité des sources? des sources? Bruit de cohérence spatiale inconnue toléré? COM2 1 COM1 1 INFOMAX 1 FOBIUM ICAR BIRTH à l ordre si bruit gaussien si bruit gaussien si bruit gaussien FastICAB DOB 1 FastICABSOB 1 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
45 Génération des sources Modèle de H. Jansen Enregistrements issus de la polysomnographie clinique ECG réel EEGS EOGRS EOGLS ECGS Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
46 Génération du mélange Interprétation physiologique du mélange H : matrice ( ) de transfert entre les sources EOGL, EOGR et ECG + "source" EEG et électrodes FP1m, FP2m, F7m et F8m Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
47 Génération du mélange Interprétation physiologique du mélange H : matrice ( ) de transfert entre les sources EOGL, EOGR et ECG + "source" EEG et électrodes FP1m, FP2m, F7m et F8m Modélisation des 3 sources EEG, EOGL, EOGR par un ensemble fini de L dipôles de courant Choix des positions ρ l et des orientations φ l des L dipôles de courant à la surface du cortex cérébral Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
48 Génération du mélange Interprétation physiologique du mélange H : matrice ( ) de transfert entre les sources EOGL, EOGR et ECG + "source" EEG et électrodes FP1m, FP2m, F7m et F8m Modélisation des 3 sources EEG, EOGL, EOGR par un ensemble fini de L dipôles de courant Choix des positions ρ l et des orientations φ l des L dipôles de courant à la surface du cortex cérébral Construction d une matrice H (ρ l, φ l ), de transfert, de taille ( 3) caractérisant la diffusion de l activité électrique des L dipôles de courant vers les électrodes de surface Construction de H telle que H = ˆH, [1, 1, 1, 1] T : choix empirique raisonnable de donner à l ECG le même poid sur chaque électrode Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
49 Génération du mélange Interprétation physiologique du mélange H : matrice ( ) de transfert entre les sources EOGL, EOGR et ECG + "source" EEG et électrodes FP1m, FP2m, F7m et F8m Modélisation des 3 sources EEG, EOGL, EOGR par un ensemble fini de L dipôles de courant Choix des positions ρ l et des orientations φ l des L dipôles de courant à la surface du cortex cérébral Construction d une matrice H (ρ l, φ l ), de transfert, de taille ( 3) caractérisant la diffusion de l activité électrique des L dipôles de courant vers les électrodes de surface Construction de H telle que H = ˆH, [1, 1, 1, 1] T : choix empirique raisonnable de donner à l ECG le même poid sur chaque électrode Exemple de matrice H obtenue : 0 H = C A Très mauvais conditionnement de H Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
50 Critère de performance Critère de performances La qualité de restitution d une source p est liée au rapport signal à bruit + interférences maximum (SINRM) de cette source après séparation : où R ν p = R x π ph ph p H SINRM p[g] = Max 1 i P π p g ih h p 2 g i H Rνpg i Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
51 Critère de performance Critère de performances La qualité de restitution d une source p est liée au rapport signal à bruit + interférences maximum (SINRM) de cette source après séparation : où R ν p = R x π ph ph p H SINRM p[g] = Max 1 i P π p g ih h p 2 g i H Rνpg i G 1 est meilleur que G 2 pour la source p extraite SINRM p[g 1] > SINRM p[g 2] Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
52 Simulation 1 SOBI TFBSS JADE COM2 COM1 INFOMAX FastICA DO FastICA SO FOBIUM ICAR BIRTH Blanchiment simple 1. Etude de l influence du nombre d échantillons 2. Etude de l influence du RSB 3. Etude de l influence de la matrice H Calcul du SINRM p Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
53 Etude de l influence du nombre d échantillons RSB=20 db pour chaque source et M = 102 : 102 : EEGS EOGRS FAS COM1 SINRM SINRM COM2 JADE Nombre d échantillons SINRM EOGLS SINRM Nombre d échantillons ECGS ICAR FOBIUM BIRTH SOBI FastICA SO FastICA DO INFOMAX TFBSS Nombre d échantillons Nombre d échantillons Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
54 Etude de l influence du RSB RSB= 20 : 5 : 60 db et M = 5120 EEGS EOGRS SINRM SINRM FAS COM1 COM2 JADE RSB (db) RSB (db) ICAR FOBIUM BIRTH SINRM 3 EOGLS RSB (db) SINRM ECGS SOBI 50 FastICA SO 0 30 FastICA DO INFOMAX 0 TFBSS RSB (db) Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
55 Etude de l influence de la matrice de mélange H EEGS EOGRS FAS COM1 SINRM SINRM COM2 JADE 10 6 ICAR Indice de position du dipole Dip1 EOGLS Indice de position du dipole Dip1 ECGS FOBIUM BIRTH SOBI FastICA SO 12 8 SINRM SINRM 6 FastICA DO INFOMAX 2 2 TFBSS Indice de position du dipole Dip Indice de position du dipole Dip1 (a) (b) Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
56 Simulation 2 SOBI TFBSS JADE COM2 COM1 INFOMAX Blanchiment robuste 1. Etude de l influence du nombre d échantillons 2. Etude de l influence du RSB 3. Etude de l influence de la matrice H Calcul du SINRM p FastICA DO FastICA SO FOBIUM ICAR BIRTH Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
57 Apport du blanchiment robuste Retour sur les trois études précédentes SINRM FAS COM2 SOBIR SINRM SINRM FAS COM2 SOBIR SINRM 2 SINRM Nombre déchantillons SINRM Nombre déchantillons (a) Nombre déchantillons Nombre déchantillons SINRM RSB (db) RSB (db) SINRM (b) RSB (db) RSB (db) SINRM FAS COM2 SOBIR SINRM Indice de position de Dip Indice de position de Dip1 SINRM Indice de position de Dip1 SINRM (c) Indice de position de Dip1 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
58 Simulation 3 SOBI TFBSS JADE COM2 COM1 INFOMAX FastICA DO FastICA SO FOBIUM ICAR BIRTH Blanchiment simple Blanchiment robuste 1. Etude de l influence du nombre d échantillons 2. Etude de l influence du RSB 3. Etude de l influence de la matrice H Probabilité de convergence Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
59 Etude de convergence des algorithmes itératifs Convergence ssi la différence des estimées correspondant à deux itérations successives est inférieure à 10 6 et si le nombre d itérations est < à Prob. de convergence Prob. de convergence FastICA SO FastICAR SO Nombre d échantillons Prob. de convergence (a) RSB (db) (b) FastICA DO FastICAR DO INFOMAX INFOMAXR Indice de position du dipole Dip1 (c) Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
60 Synthèse des résultats 1/2 Supériorité des méthodes COM2, JADE, INFOMAX, FastICA DO, FastICA SO et SOBIR Tolérance d une source gaussienne (EEGS) Non nécessité d avoir des sources de kurtosis de même signe Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
61 Synthèse des résultats 1/2 Supériorité des méthodes COM2, JADE, INFOMAX, FastICA DO, FastICA SO et SOBIR Tolérance d une source gaussienne (EEGS) Non nécessité d avoir des sources de kurtosis de même signe Convergence de FastICA DO et FastICA SO sensible au nombre d échantillons, à la valeur du RSB et à la non colinéarité des vecteurs directeurs des sources Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
62 Synthèse des résultats 1/2 Supériorité des méthodes COM2, JADE, INFOMAX, FastICA DO, FastICA SO et SOBIR Tolérance d une source gaussienne (EEGS) Non nécessité d avoir des sources de kurtosis de même signe Convergence de FastICA DO et FastICA SO sensible au nombre d échantillons, à la valeur du RSB et à la non colinéarité des vecteurs directeurs des sources Les algorithmes ICAR, FOBIUM et BIRTH semblent moins convenir à notre application Source gaussienne non tolérée mauvaise extraction de l EEGS Différence entre les signes des kurtosis estimés non tolérée mauvaise extraction de l EOGRS et de l EOGLS notamment pour un nombre d échantillons faible Sensibilité d ICAR et BIRTH au conditionnement du mélange? difficulté à identifier correctement le mélange Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
63 Séparation de sources pour le monitoring des troubles du sommeil Introduction Contexte général Formulation du problème Hypothèses Séparation de sources pour le monitoring des troubles du sommeil Problématique et objectif Intérêt de la Séparation Aveugle de Sources (SAS) Etude comparative d algorithmes de SAS Résultats sur signaux réels Estimation de phase pour la déconvolution aveugle de signaux Problématique et objectif Nouvelles approches d estimation de phase d un système SISO Simulations numériques Conclusions et perspectives Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
64 Caractérisation d une nuit de sommeil 1/2 Définition : le sommeil est une perte réversible, plus ou moins complète, des rapports sensitivo-moteurs de l individu avec l extérieur. Il s accompagne d une modification de l EEG, de l EMG et de l EOG. Veille active relaxée Stade 1 léger Etats de vigilance Sommeil lent Stade 2 Stade 3 profond Stade Sommeil paradoxal Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
65 Caractérisation d une nuit de sommeil 1/2 Définition : le sommeil est une perte réversible, plus ou moins complète, des rapports sensitivo-moteurs de l individu avec l extérieur. Il s accompagne d une modification de l EEG, de l EMG et de l EOG. EOG EMG EEG active EEG observés Alpha (8 à13 HZ) Rapides Elevé Veille Rapides Elevé Bêta (=15 Hz) relaxée Stade 1 Lents Modéré Thêta + alpha Stade Spindles + complexes K léger Etats de vigilance Spindle Complexe K Sommeil lent Stade 3 -- Faible Delta (20 à 50 %) Stade -- Faible Delta (=50 %) Rapides -- Riche en thêta profond Sommeil paradoxal Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
66 Caractérisation d une nuit de sommeil 2/2 Hypnogramme d une nuit de sommeil type Cycle 1 Cycle 2 Cycle 3 Cycle Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
67 Evaluation sur signaux réels 1/ Protocole 1 patients Polysomnographie pour chaque patient Avec le système classique Avec le nouveau système Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
68 Evaluation sur signaux réels 1/ Protocole 1 patients Polysomnographie pour chaque patient Avec le système classique Avec le nouveau système Interprétation des tracés Procédure d extraction Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
69 Evaluation sur signaux réels 1/ Protocole 1 patients Polysomnographie pour chaque patient Avec le système classique Avec le nouveau système Interprétation des tracés Procédure d extraction Hypnogramme du tracé classique Hypnogramme du tracé recomposé Evaluation Correspondance des hypnogrammes Quantitative Qualitative Commentaires du médecin Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
70 Evaluation sur signaux réels 2/ Exemple Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
71 Evaluation sur signaux réels 3/ Evaluation qualitative (Qualité des tracés) Inconvénients EEG peut se voir sur des voies autres que l deeg ne pose pas de problème pratique Apparition des mouvements oculaires rapides dans certains cas sur la voie ÊOGL indépendance physiologique entre l EOGR et l EOGL? Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
72 Evaluation sur signaux réels 3/ Evaluation qualitative (Qualité des tracés) Inconvénients EEG peut se voir sur des voies autres que l deeg ne pose pas de problème pratique Apparition des mouvements oculaires rapides dans certains cas sur la voie ÊOGL indépendance physiologique entre l EOGR et l EOGL? Avantages Représentation parfaite des spindles et complexes K bonne reconnaissance du stade 2 EOGL toujours extraits sur la voie ÊOGL facilité de codage du stade 1 Isolation des clignements de paupières sur la voie ÊOGR différenciation de la veille et du stade 1 Bonne sensibilité de l ÊMG identification des réactions d éveil Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
73 Evaluation sur signaux réels / Evaluation quantitative Se (Probabilité de bonne détection) 1 1 Sp=1-Pfa Stade 3 + Stade Veille Stade 1 Stade 2 S.Paradoxal Stade 3 + Stade Veille Stade 1 Stade 2 S.Paradoxal Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
74 Evaluation sur signaux réels / Evaluation quantitative Se (Probabilité de bonne détection) 1 1 Sp=1-Pfa Stade 3 + Stade Veille Stade 1 Stade 2 S.Paradoxal Stade 3 + Stade Veille Stade 1 Stade 2 S.Paradoxal 100 Concordance (%) Total Patients Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
75 Conclusion Bonne reconnaissance des grapho-éléments parfois meilleure que dans le tracé d origine Elimination de l ECG interprétation des tracés plus facile que celle du tracé d origine Concordance moyenne : 67% avec notre système, 70-80% entre deux experts sur une même nuit validation clinique du procédé sur signaux réels Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
76 Conclusion Bonne reconnaissance des grapho-éléments parfois meilleure que dans le tracé d origine Elimination de l ECG interprétation des tracés plus facile que celle du tracé d origine Concordance moyenne : 67% avec notre système, 70-80% entre deux experts sur une même nuit validation clinique du procédé sur signaux réels Enregistrement des activités électrophysiologiques nécessaires pour le scorage d une nuit de sommeil avec un minimum de contraintes technologiques Réduction du nombre d électrodes Emplacement des électrodes plus confortable Rapidité du traitement (2 minutes) Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
77 Estimation de phase pour la déconvolution aveugle de signaux biomédicaux Introduction Contexte général Formulation du problème Hypothèses Séparation de sources pour le monitoring des troubles du sommeil Problématique et objectif Intérêt de la Séparation Aveugle de Sources (SAS) Etude comparative d algorithmes de SAS résultas sur signaux réels Estimation de phase pour la déconvolution aveugle de signaux Problématique et objectif Nouvelles approches d estimation de phase d un système SISO Simulations numériques Conclusions et perspectives Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
78 Extraction des composantes sympathique et parsympathique du SNA Système Nerveux Autonome (SNA) Partie du système nerveux responsable de la régulation des fonctions internes de l organisme assurer l homéostasie (un rythme de base) Système sympathique ( P ) fonction excitatrice Système parasympathique (P P ) fonction inhibitrice Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
79 Extraction des composantes sympathique et parsympathique du SNA Système Nerveux Autonome (SNA) Partie du système nerveux responsable de la régulation des fonctions internes de l organisme assurer l homéostasie (un rythme de base) Système sympathique ( P ) fonction excitatrice Système parasympathique (P P ) fonction inhibitrice Altérations du fonctionnement du SNA souvent associées à plusieurs processus physiopathologiques contribuent à la morbidité Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
80 Extraction des composantes sympathique et parsympathique du SNA Système Nerveux Autonome (SNA) Partie du système nerveux responsable de la régulation des fonctions internes de l organisme assurer l homéostasie (un rythme de base) Système sympathique ( P ) fonction excitatrice Système parasympathique (P P ) fonction inhibitrice Altérations du fonctionnement du SNA souvent associées à plusieurs processus physiopathologiques contribuent à la morbidité OBJECTIF Caractériser l action du SNA sur l activité cardiaque en estimant les dynamiques des tonus sympathique et parasympathique à partir d un ECG de surface Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
81 Influence du SNA sur le coeur Nœud sinusal Oreillette Nœud AV Ventricule Intervalle PR Intervalle RR Intervalle QT Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
82 Positionnement du problème Schéma bloc représentant l influence du SNA sur les paramètres ECG Modélisation Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
83 Positionnement du problème Schéma bloc représentant l influence du SNA sur les paramètres ECG Modélisation Extraction des caractéristiques dominantes liées aux deux tonus linéarité Temps de réponse des deux tonus différents convolutif Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
84 Approches choisies Problème de déconvolution aveugle (TITO) Techniques fréquentielles Techniques temporelles Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet 2006
85 Approches choisies Problème de déconvolution aveugle (TITO) Techniques fréquentielles Techniques temporelles Nécessité de connaître la longueur des filtres mis en jeu? Préférées Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet 2006
86 Approches choisies Problème de déconvolution aveugle (TITO) Techniques fréquentielles Techniques temporelles Nécessité de connaître la longueur des filtres mis en jeu? Préférées Inconvénients Problème de permutation Ambiguïté de phase Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet 2006
87 Approches choisies Problème de déconvolution aveugle (TITO) Techniques fréquentielles Techniques temporelles Nécessité de connaître la longueur des filtres mis en jeu? Préférées SOLUTION Inconvénients Problème de permutation Ambiguïté de phase objet d une étude approfondie TF Système global G[m] H[m] Ǧ[k]Ȟ[k] = Πeiφ[k] où φ[k] = diag([φ 1[k],..., φ P[k]]) lever l ambiguïté de phase, i.e. estimer φ p[.] pour chaque source p (1 p P) Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet 2006
88 Estimation de phase pour la déconvolution aveugle de signaux biomédicaux Introduction Contexte général Formulation du problème Hypothèses Séparation de sources pour le monitoring des troubles du sommeil Problématique et objectif Intérêt de la Séparation Aveugle de Sources (SAS) Etude comparative d algorithmes de SAS Application de la SAS sur signaux réels Estimation de phase pour la déconvolution aveugle de signaux Problématique et objectif Nouvelles approches d estimation de phase d un système SISO Simulations numériques Conclusions et perspectives Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
89 Estimation de phase de systèmes SISO 1/2 Formulation du problème H[m] def R = 1 +π Ȟ(ω) e i ωm dω : la réponse impulsionnelle du système LIT 2π π Ȟ(ω) = Ȟ(ω) e iφ H(ω) : la réponse en fréquence du système Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
90 Estimation de phase de systèmes SISO 1/2 Formulation du problème H[m] def R = 1 +π Ȟ(ω) e i ωm dω : la réponse impulsionnelle du système LIT 2π π Ȟ(ω) = Ȟ(ω) e iφ H(ω) : la réponse en fréquence du système Hypothèses (H1), (H3), (H), (H5), (H6) et (H7) vérifiées Entrée du système supposée i.i.d. Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
91 Estimation de phase de systèmes SISO 1/2 Formulation du problème H[m] def R = 1 +π Ȟ(ω) e i ωm dω : la réponse impulsionnelle du système LIT 2π π Ȟ(ω) = Ȟ(ω) e iφ H(ω) : la réponse en fréquence du système Hypothèses (H1), (H3), (H), (H5), (H6) et (H7) vérifiées Entrée du système supposée i.i.d. OBJECTIF Reconstruction aveugle de la phase φ H "non-minimale" du système LIT en exploitant uniquement la sortie {x[m]} m N Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
92 Estimation de phase de systèmes SISO 2/2 Définition du spectre d ordre q (q 2) Γ q r r, x (ω 1,..., ω q 1) = P τ 1,...,τ q 1 C q r r, x [τ 1,..., τ q 1] e i(ω 1τ ω q 1 τ q 1 ) Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
93 Estimation de phase de systèmes SISO 2/2 Définition du spectre d ordre q (q 2) Γ q r r, x (ω 1,..., ω q 1) = P τ 1,...,τ q 1 C q r r, x [τ 1,..., τ q 1] e i(ω 1τ ω q 1 τ q 1 ) Relation entre Γ q r r, x, Γ q r r, s et Ȟ Γ q r r, x (ω 1,..., ω q 1) = Γ q r r, s Ȟ( ω 1... ω q 1) Ȟ(ω 1)... Ȟ(ω r 1) Ȟ( ω r)... Ȟ( ω q 1) On peut alors écrire ψ q r r, x (ω 1,..., ω q 1) = ψ q r r, s + φ h( ω 1... ω q 1)+φ h(ω 1) φ h(ω r 1)+ φ h( ω r) +... φ h( ω q 1) Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
94 Estimation de phase de systèmes SISO 2/2 Définition du spectre d ordre q (q 2) Γ q r r, x (ω 1,..., ω q 1) = P τ 1,...,τ q 1 C q r r, x [τ 1,..., τ q 1] e i(ω 1τ ω q 1 τ q 1 ) Relation entre Γ q r r, x, Γ q r r, s et Ȟ Γ q r r, x (ω 1,..., ω q 1) = Γ q r r, s Ȟ( ω 1... ω q 1) Ȟ(ω 1)... Ȟ(ω r 1) Ȟ( ω r)... Ȟ( ω q 1) On peut alors écrire ψ q r r, x (ω 1,..., ω q 1) = ψ q r r, s + φ h( ω 1... ω q 1)+φ h(ω 1) φ h(ω r 1)+ φ h( ω r) +... φ h( ω q 1) Limites du spectre de puissance Γ 1 1, x(ω) = Γ 1 1, s Ȟ(ω) Ȟ( ω) = Γ 1 1, s Ȟ(ω) 2 perte de l information sur la phase du système Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
95 Estimation de phase de systèmes SISO 2/2 Définition du spectre d ordre q (q 2) Γ q r r, x (ω 1,..., ω q 1) = P τ 1,...,τ q 1 C q r r, x [τ 1,..., τ q 1] e i(ω 1τ ω q 1 τ q 1 ) Relation entre Γ q r r, x, Γ q r r, s et Ȟ Γ q r r, x (ω 1,..., ω q 1) = Γ q r r, s Ȟ( ω 1... ω q 1) Ȟ(ω 1)... Ȟ(ω r 1) Ȟ( ω r)... Ȟ( ω q 1) On peut alors écrire ψ q r r, x (ω 1,..., ω q 1) = ψ q r r, s + φ h( ω 1... ω q 1)+φ h(ω 1) φ h(ω r 1)+ φ h( ω r) +... φ h( ω q 1) Limites du spectre de puissance Γ 1 1, x(ω) = Γ 1 1, s Ȟ(ω) Ȟ( ω) = Γ 1 1, s Ȟ(ω) 2 perte de l information sur la phase du système Intérêt des polyspectres ψ 1 2, x(k 1, k 2)=φ h( k 1 k 2)+φ h(k 1) φ h( k 2)+ψ 1 2, s conservation de l information sur la phase du système Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
96 Méthodes d estimation de phase de systèmes SISO proposées dans la littérature Méthodes existantes Utilisation de toute l information fréquentielle du polyspectre Utilisation d une partie de l information fréquentielle du polyspectre Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
97 Méthodes d estimation de phase de systèmes SISO proposées dans la littérature Méthodes existantes Utilisation de toute l information fréquentielle du polyspectre Utilisation d une partie de l information fréquentielle du polyspectre Estimation Nature récursive Nature Estimation non récursive en bloc Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
98 Méthodes d estimation de phase de systèmes SISO proposées dans la littérature Méthodes existantes Utilisation de toute l information fréquentielle du polyspectre Utilisation d une partie de l information fréquentielle du polyspectre Estimation Nature récursive Nature Estimation non récursive en bloc Etape de déroulement de phase nécessaire Etape de déroulement de phase non nécessaire Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
99 Limitations des méthodes existantes Certaines méthodes permettent seulement de traiter des systèmes à valeurs réelles Les méthodes exploitant toutes les tranches du polyspectre sont peu performantes dans le cas de systèmes à bandes limitées Certains algorithmes ne s appliquent pas à des systèmes présentant en entrée un processus de distribution symétrique Pour les algorithmes récursifs, une erreur d estimation des premières valeurs de la phase amplifie l erreur d estimation des valeurs suivantes Les algorithmes exploitant seulement une partie du polyspectre sont sensibles au choix des tranches utilisées Tous les algorithmes proposés dans la littérature estiment la phase seulement à une phase linéaire près Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
100 Nouvelles approches d estimation de phase d un système SISO Méthodes proposées : PEP (Phase Estimation using Polyspectra) Les méthodes PEP q-pep (q 1, q 2 )-PEP Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
101 Nouvelles approches d estimation de phase d un système SISO Méthodes proposées : PEP (Phase Estimation using Polyspectra) Les méthodes PEP q-pep (q 1, q 2 )-PEP Exploitation 1 tranche 2D du spectre d ordre q Nécessite d une étape supplémentaire de déroulement de phase Exploitation simultanée 1 tranche 1D du spectre d ordre q 1 1 tranche 2D du spectre d ordre q 2 q = 3 exploitation de toute l information du bispectre q > 3 exploitation d 1 tranche 2D du spectre d ordre q q 2 strictement supérieur à q 1 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
102 Nouvelles approches d estimation de phase d un système SISO Méthodes proposées : PEP (Phase Estimation using Polyspectra) Les méthodes PEP q-pep (q 1, q 2 )-PEP Exploitation 1 tranche 2D du spectre d ordre q Nécessite d une étape supplémentaire de déroulement de phase Exploitation simultanée 1 tranche 1D du spectre d ordre q 1 1 tranche 2D du spectre d ordre q 2 q = 3 exploitation de toute l information du bispectre q > 3 exploitation d 1 tranche 2D du spectre d ordre q Estimation ni récursive ni en bloc Estimation ponctuelles Estimation de la phase en des fréquences arbitraires q 2 strictement supérieur à q 1 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
103 Les q-pep méthodes (q 3) 1/3 Description de l algorithme à l ordre extension facile aux ordres plus élevés Pour q = et r = 2 on a : Γ 2 2, x(ω 1, ω 2, ω 3) = C2, 2 s Ȟ( ω 1 ω 2 ω 3)Ȟ(ω 1) Ȟ( ω 2) Ȟ( ω 3) En considérant les fréquences discrètes 2πk j/n, k j {0,..., N 1} et j {1,..., q 1} ψ 2 2, x[k 1, k 2, k 3]=ψ 2 2, s+φ H[ k 1 k 2 k 3]+ φ H[k 1] φ H[ k 2] φ H[ k 3] (1) Ȟ est 2π-périodique φ H est N-périodique. Fixant k 3 à un entier α {0, 1,..., N 1} et sommant (1) sur les bins k 2 (0 k 2 <N 1), on obtient pour chaque bin k 1 (0 k 1 <N 1) : XN 1 ψ2, 2 x[k 1, k 2, α] = N φ H[k 1] + ψ2, 2 s φ H[ α] k 2 =0 (2) Résultat φ H peut être estimée à partir d une tranche 2D de la phase du trispectre de l observation Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
104 Les q-pep méthodes (q 3) 2/3 Problème pratique : estimation de ψ 2 2, x Pour tous k 1, k 2, k 3 (0 k 1, k 2, k 3 < N 1), on a : ψ 2, 2 x[k 1, k 2, k 3] = arctan I Γ 2 2, x[k 1, k 2, k 3], R Γ 2 2, x[k 1, k 2, k 3] (3) avec ψ 2 2, x la valeur principale de ψ 2 2, x comprise entre ±π ψ 2 2, x s exprime comme suit : (k 1, k 2, k 3) {0, 1,..., N 1} 3, ψ 2 2, x[k 1, k 2, k 3] = ψ 2 2, x[k 1, k 2, k 3] + 2πI[k 1, k 2, k 3] () Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
105 Les q-pep méthodes (q 3) 2/3 Problème pratique : estimation de ψ 2 2, x Pour tous k 1, k 2, k 3 (0 k 1, k 2, k 3 < N 1), on a : ψ 2, 2 x[k 1, k 2, k 3] = arctan I Γ 2 2, x[k 1, k 2, k 3], R Γ 2 2, x[k 1, k 2, k 3] (3) avec ψ 2 2, x la valeur principale de ψ 2 2, x comprise entre ±π ψ 2 2, x s exprime comme suit : (k 1, k 2, k 3) {0, 1,..., N 1} 3, ψ 2 2, x[k 1, k 2, k 3] = ψ 2 2, x[k 1, k 2, k 3] + 2πI[k 1, k 2, k 3] () L équation (2) devient : XN 1 k 2 =0 ψ 2 2, x[k 1, k 2, α] = N(φ H[k 1] + ψ 2 2, s φ H[ α])+2πj[k 1, α] (5) où pour chaque k 1 (0 k 1 < N 1), J [., α] def = P N 1 k 2 =0 I [., k2, α] Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
106 Les q-pep méthodes (q 3) 3/3 Solution : utilisation d une étape de déroulement de phase Faire un déroulement de phase 2D sur ψ 2 2, x[.,., α], pour obtenir : ψ 2,u 2, x [k1, k2, α] = ψ2 2, x[k 1, k 2, α] + 2πI u[α] (6) Une estimée, φ H, de φ H est obtenue à partir de (2) et (6) : φ H[k 1] def = 1 XN 1 N k 2 =0 avec a[α]=ψ 2 2, s φ[ α]+2πi u[α] Résultat final φ H est estimée à une constante additive près ψ 2,u 2, x [k1, k2, α] = φh[k1] + a[α] (7) Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
107 Les q-pep méthodes (q 3) 3/3 Solution : utilisation d une étape de déroulement de phase Faire un déroulement de phase 2D sur ψ 2 2, x[.,., α], pour obtenir : ψ 2,u 2, x [k1, k2, α] = ψ2 2, x[k 1, k 2, α] + 2πI u[α] (6) Une estimée, φ H, de φ H est obtenue à partir de (2) et (6) : φ H[k 1] def = 1 XN 1 N k 2 =0 avec a[α]=ψ 2 2, s φ[ α]+2πi u[α] Résultat final Remarque φ H est estimée à une constante additive près ψ 2,u 2, x [k1, k2, α] = φh[k1] + a[α] (7) Si H est complexe alors α 0 P N 1 k 2 =0 ψ2 2, x[k 1, k 2, 0] = N`φ H[k 1] + ψ 2 2, s φ H[0] φ H[0] ne peut pas être estimée Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
108 Les (q 1, q 2 )-PEP méthodes (q 2 > q 1 3)1/2 Description de l algorithme pour (q 1, q 2) = (, 6) extension facile aux ordres (q 1, q 2) tels que (q 1, q 2) = (, 5) ou q 2 > q 1 5 La différence entre la phase du quintuspectre et celle du trispectre donne : ψ 3 3, x[k 1, k 5, k 3, k, k 2] ψ 2 2, x[k 1, k 2, k 3]=ψ 3 3, s ψ 2 2, s +φ H[ k 1 k 5 k 3 k k 2] φ H[ k 1 k 2 k 3] + φ H[k 5] φ H[ k ] (8) Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
109 Les (q 1, q 2 )-PEP méthodes (q 2 > q 1 3)1/2 Description de l algorithme pour (q 1, q 2) = (, 6) extension facile aux ordres (q 1, q 2) tels que (q 1, q 2) = (, 5) ou q 2 > q 1 5 La différence entre la phase du quintuspectre et celle du trispectre donne : ψ 3 3, x[k 1, k 5, k 3, k, k 2] ψ 2 2, x[k 1, k 2, k 3]=ψ 3 3, s ψ 2 2, s +φ H[ k 1 k 5 k 3 k k 2] φ H[ k 1 k 2 k 3] + φ H[k 5] φ H[ k ] (8) En fixant k 2, k 3 et k à α, β et γ (0 α, β, γ <N 1) et en sommant (8) sur les bins k 1 (0 k 1 <N 1), on obtient pour chaque bin k 5 (0 k 5 <N 1) : XN 1 ψ3, 3 x[k 1, k 5, β, γ, α] ψ2, 2 x[k 1, α, β] = N φ H[k 5] φ H[ γ] + ψ3, 3 s ψ2, 2 s k 1 =0 (9) Résultat φ H peut être estimée à partir de la phase d une tranche 1D du trispectre et de celle d une tranche 2D du quintuspectre de l observation Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
110 Les (q 1, q 2 )-PEP méthodes (q 2 > q 1 3)2/2 Problème pratique : estimation de ψ 2 2, x et de ψ 3 3, x L équation (9) devient : XN 1 k 1 =0 ψ 3 3, x[k 1, k 5, β, γ, α] ψ 2 2, x[k 1, α, β] = N φ H[k 5] φ H[ γ] + ψ3, 3 s ψ2, 2 s + 2πJ [k 5, β, γ, α] + 2πJ [α, β] (10) Solution : utilisation d une étape de déroulement de phase Faire un déroulement de phase 2D sur ψ 3 3, x[.,., β, γ, α] avant de sommer sur k 1 Résultat final φ H est estimée à une constante additive près Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
111 Les (q 1, q 2 )-PEP méthodes (q 2 > q 1 3)2/2 Problème pratique : estimation de ψ 2 2, x et de ψ 3 3, x L équation (9) devient : XN 1 k 1 =0 ψ 3 3, x[k 1, k 5, β, γ, α] ψ 2 2, x[k 1, α, β] = N φ H[k 5] φ H[ γ] + ψ3, 3 s ψ2, 2 s + 2πJ [k 5, β, γ, α] + 2πJ [α, β] (10) Solution : utilisation d une étape de déroulement de phase Faire un déroulement de phase 2D sur ψ 3, 3 x[.,., β, γ, α] avant de sommer sur k 1 Résultat final φ H est estimée à une constante additive près Remarque Si H est complexe choisir γ 0 pour pouvoir estimer φ H[0] Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
112 Estimation de phase pour la déconvolution aveugle de signaux biomédicaux Introduction Contexte général Formulation du problème Hypothèses Séparation de sources pour le monitoring des troubles du sommeil Problématique et objectif Intérêt de la Séparation Aveugle de Sources (SAS) Etude comparative d algorithmes de SAS Résultats sur signaux réels Estimation de phase pour la déconvolution aveugle de signaux Problématique et objectif Nouvelles approches d estimation de phase d un système SISO Simulations numériques Conclusions et perspectives Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
113 Critères de choix des "meilleures" tranches et critère de performance Critères de choix des "meilleures" tranches 1D et 2D Maximisation du critère suivant : P FC 1D[α 1,..., α q 2] = 1 N 1 N k=0 Γq r r,x [k, α 1,..., α q 2] pour choisir la "meilleure" tranche 1D du spectre d ordre q Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
114 Critères de choix des "meilleures" tranches et critère de performance Critères de choix des "meilleures" tranches 1D et 2D Maximisation du critère suivant : P FC 1D[α 1,..., α q 2] = 1 N 1 N k=0 Γq r r,x [k, α 1,..., α q 2] pour choisir la "meilleure" tranche 1D du spectre d ordre q Maximisation du critère suivant : P FC 2D[α 1,...,α q 3]= 1 N 1 P N 1 N 2 k 1 =0 k 2 =0 Γq r r,x [k 1,k 2,α 1,...,α q 3] pour choisir la "meilleure" tranche 2D du spectre d ordre q considéré Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
115 Critères de choix des "meilleures" tranches et critère de performance Critères de choix des "meilleures" tranches 1D et 2D Maximisation du critère suivant : P FC 1D[α 1,..., α q 2] = 1 N 1 N k=0 Γq r r,x [k, α 1,..., α q 2] pour choisir la "meilleure" tranche 1D du spectre d ordre q Maximisation du critère suivant : P FC 2D[α 1,...,α q 3]= 1 N 1 P N 1 N 2 k 1 =0 k 2 =0 Γq r r,x [k 1,k 2,α 1,...,α q 3] pour choisir la "meilleure" tranche 2D du spectre d ordre q considéré Critère de performance L Erreur Quadratique Moyenne Normalisée (EQMN) définie par : EQMN = P J j=1 P L 1 l=0 ( bh (j) [l] H[l]) 2 J P L 1 l=0 (H[l])2 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
116 Méthodes comparées et filtres utilisés Comparaison des méthodes PEP avec 2 algorithmes existants Petro/Pozi : méthode d estimation récursive, exploitant 2 tranches successives du bispectre sans nécessiter une étape supplémentaire de déroulement de phase q-pozi/petro : méthode d estimation en bloc, exploitant 2 tranches 1D du polyspectre utilisé sans nécessiter une étape supplémentaire de déroulement de phase Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
117 Méthodes comparées et filtres utilisés Comparaison des méthodes PEP avec 2 algorithmes existants Petro/Pozi : méthode d estimation récursive, exploitant 2 tranches successives du bispectre sans nécessiter une étape supplémentaire de déroulement de phase q-pozi/petro : méthode d estimation en bloc, exploitant 2 tranches 1D du polyspectre utilisé sans nécessiter une étape supplémentaire de déroulement de phase Reconstruction de la phase de filtres à phase non-minimale Module de réponse en fréquence de chaque filtre H 1 H H H Bins de fréquences Bins de fréquences Bins de fréquences Bins de fréquences Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
118 Etudes menées Influence du nombre d échantillons, avec choix de la meilleure tranche fréquentielle : 1- Source de distribution non-symétrique (loi exponentielle) 3-PEP 2D, (3,)-PEP 2D, Petro/Pozi, 3-Pozi/Petro 2- Source de distribution symétrique (BPSK filtrée NRZ) -PEP 2D, -Pozi/Petro Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
119 Etudes menées Influence du nombre d échantillons, avec choix de la meilleure tranche fréquentielle : 1- Source de distribution non-symétrique (loi exponentielle) 3-PEP 2D, (3,)-PEP 2D, Petro/Pozi, 3-Pozi/Petro 2- Source de distribution symétrique (BPSK filtrée NRZ) -PEP 2D, -Pozi/Petro Influence du RSB, avec choix de la meilleure tranche fréquentielle : 1- Source de distribution non-symétrique (Loi exponentielle) 3-PEP 2D, (3,)-PEP 2D, Petro/Pozi, 3-Pozi/Petro 2- Source de distribution symétrique (BPSK filtrée NRZ) -PEP 2D, -Pozi/Petro Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
120 Etudes menées Influence du nombre d échantillons, avec choix de la meilleure tranche fréquentielle : 1- Source de distribution non-symétrique (loi exponentielle) 3-PEP 2D, (3,)-PEP 2D, Petro/Pozi, 3-Pozi/Petro 2- Source de distribution symétrique (BPSK filtrée NRZ) -PEP 2D, -Pozi/Petro Influence du RSB, avec choix de la meilleure tranche fréquentielle : 1- Source de distribution non-symétrique (Loi exponentielle) 3-PEP 2D, (3,)-PEP 2D, Petro/Pozi, 3-Pozi/Petro 2- Source de distribution symétrique (BPSK filtrée NRZ) -PEP 2D, -Pozi/Petro Influence du choix de la trance 1D et 2D du polyspectre : 1- Source de distribution non-symétrique (loi exponentielle) (3,)-PEP 2D, Petro/Pozi, 3-Pozi/Petro Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
121 Etudes menées Influence du nombre d échantillons, avec choix de la meilleure tranche fréquentielle : 1- Source de distribution non-symétrique (loi exponentielle) 3-PEP 2D, (3,)-PEP 2D, Petro/Pozi, 3-Pozi/Petro 2- Source de distribution symétrique (BPSK filtrée NRZ) -PEP 2D, -Pozi/Petro Influence du RSB, avec choix de la meilleure tranche fréquentielle : 1- Source de distribution non-symétrique (Loi exponentielle) 3-PEP 2D, (3,)-PEP 2D, Petro/Pozi, 3-Pozi/Petro 2- Source de distribution symétrique (BPSK filtrée NRZ) -PEP 2D, -Pozi/Petro Influence du choix de la trance 1D et 2D du polyspectre : 1- Source de distribution non-symétrique (loi exponentielle) (3,)-PEP 2D, Petro/Pozi, 3-Pozi/Petro Performances de la méthode (,6)-PEP 2D Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
122 Amar KACHENOURA Traitement Aveugle FIG.: de Signaux Biomédicaux 06 Juillet Etude de l influence du nombre d échantillons pour un RSB fixe 1/2 Distribution exponentielle avec un RSB=15 db et M = 256 : 256 : 8192 (a) (b) (c) (d)
123 Amar KACHENOURA Traitement Aveugle FIG.: de Signaux Biomédicaux 06 Juillet Etude de l influence du nombre d échantillons pour un RSB fixe 2/2 Distribution symétrique (BPSK) avec un RSB=15 db et M = 256 : 256 : 8192 (a) (b) (c) (d)
124 Amar KACHENOURA Traitement Aveugle FIG.: de Signaux Biomédicaux 06 Juillet Etude de l influence du RSB Distribution exponentielle avec M = 208 et un RSB= 30 : 2 : 50 db (a) (b) (c) (d)
125 Amar KACHENOURA Traitement Aveugle FIG.: de Signaux Biomédicaux 06 Juillet Etude de l influence du nombre d échantillons pour un RSB fixe 2/2 Distribution symétrique (BPSK) avec M = 208 et un RSB= 30 : 2 : 50 db (a) (b) (c) (d)
126 Amar KACHENOURA Traitement Aveugle FIG.: de Signaux Biomédicaux 06 Juillet Etude de l influence du choix des tranches 1D et 2D du polyspectre Distribution exponentielle avec M = 208 et un RSB= 15 db reconstruction pour tous les bins de fréquence (a) (b) (c) (d)
127 Etude des performances de la méthode (,6)-PEP 2D Distribution symétrique (BPSK) avec M = 208 et un RSB= 15 db 1- Reconstruction en utilisant les "meilleures" tranches 1D et 2D H 1 H 2 H 3 H -Pozi/Petro PEP 2D (,6)-PEP 2D Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
128 Etude des performances de la méthode (,6)-PEP 2D Distribution symétrique (BPSK) avec M = 208 et un RSB= 15 db 1- Reconstruction en utilisant les "meilleures" tranches 1D et 2D H 1 H 2 H 3 H -Pozi/Petro PEP 2D (,6)-PEP 2D Reconstruction pour tous les bins de fréquence H 1 Amar KACHENOURA Traitement Aveugle de Signaux Biomédicaux 06 Juillet
Intérêt 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 détailDan 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 détailLes technologies pour la santé, une discipline transversale pour la pédagogie en EEA : application aux troubles du sommeil
Les technologies pour la santé, une discipline transversale pour la pédagogie en EEA : application aux troubles du sommeil Fabienne Porée et Guy Carrault fabienne.poree@univ-rennes1.fr, guy.carrault@univ-rennes1.fr
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailSéparation de sources en ingénierie biomédicale
http://perso.univ-rennes1.fr/laurent.albera/ Séparation de sources en ingénierie biomédicale Laurent Albera SAS en SRM Conclusion 1 I. Applications, signaux et méthodes 1. Modalités d acquisitions 2. Problèmes
Plus en détailSommeil, fatigue au volant et jeunes conducteurs
06 NOVEMBRE 2014 Sommeil, fatigue au volant et jeunes conducteurs Roger Godbout, Ph.D. Laboratoire et Clinique du sommeil, Hôpital Rivière-des-Prairies Département de psychiatrie, Université de Montréal
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
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 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 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 détailContributions aux méthodes d estimation en aveugle
Université Joseph Fourier Année 2005 INPG Contributions aux méthodes d estimation en aveugle THÈSE DE DOCTORAT Spécialité : Traitement de signal et Automatique École Doctorale de Grenoble soutenue le 01
Plus en détailCompression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette
Compression et Transmission des Signaux Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette 1 De Shannon à Mac Donalds Mac Donalds 1955 Claude Elwood Shannon 1916 2001 Monsieur X 1951 2 Où
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailInterception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailPlace et conditions de réalisation de la polysomnographie et de la polygraphie respiratoire dans les troubles du sommeil
TEXTE COURT DU RAPPORT D ÉVALUATION TECHNOLOGIQUE Place et conditions de réalisation de la polysomnographie et de la polygraphie respiratoire dans les troubles du sommeil Mai 2012 Service évaluation des
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailMadame, Monsieur, André GILLES, Député permanent chargé de l Enseignement et de la Formation.
Madame, Monsieur, La santé est un bien précieux que chacun doit absolument apprendre à gérer au mieux de ses intérêts. Elle doit être prise sous tous ses aspects, c est-à-dire, non seulement comme l absence
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailMesures de dépendance pour la séparation aveugle de sources. Application aux mélanges post non linéaires
Mesures de dépendance pour la séparation aveugle de sources. Application aux mélanges post non linéaires Sophie Achard To cite this version: Sophie Achard. Mesures de dépendance pour la séparation aveugle
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
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 détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
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 détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailLes effets nocifs du bruit sur l'homme
La santé n'est pas seulement l'absence de maladie mais un état de complet bien être physique, mental et social (OMS) Le bruit est un ensemble confus de sons non désirés (Littré) ou un ensemble de sons
Plus en détailadmission aux urgences
Société française de neurologie RÉFÉRENTIEL D AUTO-ÉVALUATION DES PRATIQUES EN NEUROLOGIE Prise en charge hospitalière initiale des personnes ayant fait un accident vasculaire cérébral (AVC) : admission
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailRèglement sur les activités de formation des technologues en électrophysiologie médicale pour l exercice de certaines activités
Règlement sur les activités de formation des technologues en électrophysiologie médicale pour l exercice de certaines activités SECTION I DISPOSITION GÉNÉRALE 1. En vue de l'exercice des activités visées
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailStatistiques d ordre supérieur pour le traitement du signal
Statistiques d ordre supérieur pour le traitement du signal Jean-Louis Lacoume, Pierre-Olivier Amblard, Pierre Comon To cite this version: Jean-Louis Lacoume, Pierre-Olivier Amblard, Pierre Comon. Statistiques
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailII. REVOD Plongée à l ordinateur. Septembre 2010. Plan de l exposé
1 Décompression II. REVOD Plongée à l ordinateur Septembre 2010 Plan de l exposé Introduction Typologie de la décompression: No déco Déco légère Déco Lourde La planification Les profils de plongée Le palier
Plus en détailA. BONNEFOND Maître de conférences en neuroscience cognitive Laboratoire d imagerie et de neuroscience cognitive Université de Strasbourg
Sommeil de courte durée, vigilance et travail de nuit A. BONNEFOND Maître de conférences en neuroscience cognitive Laboratoire d imagerie et de neuroscience cognitive Université de Strasbourg Sommeil de
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailNotions de base Gestion du patient au bloc opératoire
Notions de base Gestion du patient au bloc opératoire Vieillissement de la population Augmentation du nombre de patients porteurs de stimulateurs cardiaques et défibrillateurs implantables Augmentation
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailLIRE UN E.C.G. Formation sur le langage et la lecture d un ECG destinée aux techniciens ambulanciers de la région Chaudière-Appalaches
LIRE UN E.C.G. Formation sur le langage et la lecture d un ECG destinée aux techniciens ambulanciers de la région Chaudière-Appalaches Denise Hébert, chargée de projet UCCSPU Février 2006 Le langage et
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailCompatibilité Électromagnétique
Compatibilité Électromagnétique notions générales et applications à l électronique de puissance Ir. Stéphane COETS 18 mai 2005 Journée d étude en Électronique de Puissance 1 Plan de l exposé La Compatibilité
Plus en détailCommunications numériques
Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale
Plus en détailÉVALUATION FORMATIVE. On considère le circuit électrique RC représenté ci-dessous où R et C sont des constantes strictement positives.
L G L G Prof. Éric J.M.DELHEZ ANALYSE MATHÉMATIQUE ÉALUATION FORMATIE Novembre 211 Ce test vous est proposé pour vous permettre de faire le point sur votre compréhension du cours d Analyse Mathématique.
Plus en détailTABLE DES MATIÈRES CHAPITRE I. Les quanta s invitent
TABLE DES MATIÈRES AVANT-PROPOS III CHAPITRE I Les quanta s invitent I-1. L Univers est en constante évolution 2 I-2. L âge de l Univers 4 I-2.1. Le rayonnement fossile témoigne 4 I-2.2. Les amas globulaires
Plus en détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailTP : Suivi d'une réaction par spectrophotométrie
Nom : Prénom: n groupe: TP : Suivi d'une réaction par spectrophotométrie Consignes de sécurité de base: Porter une blouse en coton, pas de nu-pieds Porter des lunettes, des gants (en fonction des espèces
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailMETHODOLOGIE GENERALE DE LA RECHERCHE EPIDEMIOLOGIQUE : LES ENQUETES EPIDEMIOLOGIQUES
Enseignement du Deuxième Cycle des Etudes Médicales Faculté de Médecine de Toulouse Purpan et Toulouse Rangueil Module I «Apprentissage de l exercice médical» Coordonnateurs Pr Alain Grand Pr Daniel Rougé
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailLes atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification
Les atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification Irène Buvat U494 INSERM CHU Pitié-Salpêtrière, Paris buvat@imed.jussieu.fr http://www.guillemet.org/irene
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 détailLASER DOPPLER. Cependant elle n est pas encore utilisée en routine mais reste du domaine de la recherche et de l évaluation.
LASER DOPPLER INTRODUCTION La technique qui utilise l effet Doppler à partir d un faisceau laser est l une des seules qui permette d enregistrer en continu le reflet de la perfusion superficielle de tissus
Plus en détail- MANIP 2 - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE
- MANIP 2 - - COÏNCIDENCES ET MESURES DE TEMPS - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE L objectif de cette manipulation est d effectuer une mesure de la vitesse de la lumière sur une «base
Plus en détailUE 503 L3 MIAGE. Initiation Réseau et Programmation Web La couche physique. A. Belaïd
UE 503 L3 MIAGE Initiation Réseau et Programmation Web La couche physique A. Belaïd abelaid@loria.fr http://www.loria.fr/~abelaid/ Année Universitaire 2011/2012 2 Le Modèle OSI La couche physique ou le
Plus en détail10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010
10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010 Le compressed sensing pour l holographie acoustique de champ proche II: Mise en œuvre expérimentale. Antoine Peillot 1, Gilles Chardon 2, François
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailIMMED Monitoring vidéo porté
IMMED Monitoring vidéo porté L indexation vidéo au service du soin des personnes Projet financé par PEPS S2TI CNRS et des bourses BQR de l Université Bordeaux 1 1 Contexte Maladies et dépendances liées
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 détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailTest de terrain ou test de laboratoire pour la performance en endurance?
Test de terrain ou test de laboratoire pour la performance en endurance? Ajaccio 12 mai 2012 F. Carré Université Rennes 1 Hopital Pontchaillou Inserm UMR 1099 Les «tests» chez le sportif Exploration performance
Plus en détailhttp://mondomaine.com/dossier : seul le dossier dossier sera cherché, tous les sousdomaines
Principales fonctionnalités de l outil Le coeur du service suivre les variations de position d un mot-clé associé à une URL sur un moteur de recherche (Google - Bing - Yahoo) dans une locale (association
Plus en détail