Traitement Aveugle de Signaux Biomédicaux

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