en fr Multi-source impulsive deconvolution. Application to electromyographic si- gnals Déconvolution impulsionnelle multi-source. Application aux signaux électro- myographiques Reportar como inadecuado




en fr Multi-source impulsive deconvolution. Application to electromyographic si- gnals Déconvolution impulsionnelle multi-source. Application aux signaux électro- myographiques - Descarga este documento en PDF. Documentación en PDF para descargar gratis. Disponible también para leer online.

1 IRCCyN - Institut de Recherche en Communications et en Cybernétique de Nantes

Abstract : This thesis is part of a collaboration between the IRCCyN UMR 6597 and the SMI centre Sensory-Motor Interaction, Aalborg University, Denmark aiming at developing decomposition methods for electromyographic signals EMG.
The appli- cations are manifold, e.g., aid to diagnostics.
Such signals can be modeled as a noisy sum of I components, each as the response of a linear system excited by a pulse train.
The model parameters are estimated using a Bayesian technique.
Prior laws on the continuous parameters are chosen so that the marginal a posteriori distributions are analytic.
Firstly, we proposed a deterministic me- thod by maximization of the posterior distribution.
The major difficulty is in estimating the pulse trains.
These discrete parameters constitute a combinatorial space, of which the search for the maximum is treated by the Tabu algorithm.
Secondly, to avoid setting parameters associated with the Tabu algorithm, we adopted the efficient framework of a Bayesian approach coupled with MCMC techniques.
A hybrid Gibbs algorithm is proposed in which a Metropolis-Hastings step samples the impulse trains, thus avoi- ding a computation load of exponential complexity, while ensuring the irreducibility of the Markov chain.
Techniques from the MCMC algorithm for the deconvolution of Bernoulli-Gaussian processes are applied.
In particular, the re-sampling of scale and the marginalization of the amplitudes are adapted to the physical model that takes into account the variability of the pulses- amplitudes.
The algorithms are validated on simulated EMG signals and the experimental signals.


Résumé : Cette thèse s-inscrit dans le cadre d-une collaboration entre l-IRCCyN UMR 6597 et le laboratoire SMI Sensory-Motor Interaction, Université d-Aalborg, Dane- mark.
L-objectif est de développer des méthodes de décomposition de signaux élec- tromyographiques EMG.
Les applications sont multiples, e.g., l-aide au diagnostic.
De tels signaux peuvent être modélisés comme une somme bruitée de I composantes, chacune étant la réponse d-un système linéaire excité par un train d-impulsions.
Les paramètres du modèle sont estimés par une technique bayésienne.
Les lois a priori des paramètres continus sont choisies de sorte que les lois marginales a posteriori sont analytiques.
Dans un premier temps est proposée une méthode déterministe par maxi- misation de la distribution a posteriori.
La difficulté majeure consiste en l-estimation des trains d-impulsions.
Ceux-ci paramètres discrets constituent un espace combinatoire ; la recherche du maximum est traitée par l-algorithme Tabou.
Dans un deuxième temps, on souhaite éviter le réglage des paramètres associés à l-algorithme Tabou : l-approche bayésienne couplée aux techniques MCMC fournit un cadre d-étude très efficace.
Un algorithme de Gibbs hybride est proposé, dans lequel une étape Metropolis-Hastings sur les trains d-impulsions permet d-éviter un calcul de complexité exponentielle, tout en garantissant l-irréductibilité de la chaîne de Markov.
Les techniques issues de l-al- gorithme MCMC pour la déconvolution d-un processus Bernoulli-gaussien sont ap- pliquées.
En particulier, le rééchantillonnage d-échelle et la marginalisation des ampli- tudes sont adaptés au modèle physique en tenant compte de la variabilité d-amplitudes des impulsions.
Les algorithmes sont validés sur des signaux EMG simulés et expérimentaux.


en fr

Keywords : Inverse problem blind source separation Bayesian modeling

Mots-clés : Problèmes inverses séparation des sources modèle bayésienne MCMC





Autor: G.
Di -


Fuente: https://hal.archives-ouvertes.fr/



DESCARGAR PDF




Documentos relacionados