1 Signaux

Traitement de Signal Pour le diagnostic
Dr Amani RAAD
Traitement de Signal pour le diagnostic 1

Plan de la présentation
• Introduction
• Objectifs du traitement du signal
• Champs d’application
• Classification des signaux
• Exemples de signaux réels
Traitement de Signal 2
Objectifs du TS
• Analyser les caractéristiques des signaux réceptionnés : C’est

en particulier le cadre de l’analyse de Fourier aussi dite analyse
fréquentielle ou analyse de Fourier,
• Modifier les caractéristiques des signaux afin de supprimer les
perturbations, corriger les dégradations, etc. : C’est
essentiellement le rôle du filtrage,
• Conditionner le signal afin de mettre en forme l’information
extraite et éventuellement la transmettre vers au autre
destinataire : c’est le rôle de la numérisation, de la
compression, de la synthèse, de la modulation, etc.
Champs d’applications du TS
• L’acoustique (signaux musicaux, signaux de parole, etc.),

• La géophysique (signaux sismiques),
• L’astrophysique (signaux électromagnétiques),
• Le domaine biomédical (signaux éléctromyographiques,
encéphalographiques, électrocardiographiques, etc.),
• La mécanique (signaux vibratoires, émission acoustique, etc.),
• La météorologie (relevés de température, indice de marées,
etc.),
• L’économie (indices boursiers, taux de change, etc.)
• La télécommunication.
Classification des signaux
Signaux continus et Signaux discrets
• Signal continu : la variable indépendante prend ses valeurs sur

un ensemble continu.
• Signal discret: la variable indépendante prend ses valeurs sur
une grille de points (ensemble discret).
• L’origine du signal à temps discret est soit:
– naturelle, par exemple en économétrie (série temporelle)
– consécutive à une opération d’échantillonage qui consiste à
prélever les valeurs d’un signal continu en des instants
particuliers. (signal échantillonné).
Principe d’échantillonnage d’un signal continu
en amplitude
La distinction continu/discret s’applique aussi sur l’amplitude des

signaux
.
signal physique analogique
signal numérique
Signaux continus/signaux discrets en amplitude
• La transfromation de l’amplitude continue à l’amplitude
discrète = quantification
• Un signal peut être soit:
– naturellement discret en amplitude : c’est en particulier le cas des
processus de comptage (nombre d’arrivées dans une file d’attente par
unité de temps).
– après une opération de quantification qui consiste à coder ses valeurs à
partir d’un alphabet fini (code binaire, code ASCII). La discrétisation en
amplitude d’un signal est une opération nécessaire pour pouvoir le
manipuler à l’aide des outils informatiques.
Signaux déterministes/signaux aléatoires
• Signaux déterministes
• Définition: Un signal déterministe peut être décrit par une

équation explicite (formule analytique) ou implicite (par ex.
équation différentielle).
• Caractéristique: N’importe quelle valeur d’un signal
déterministe est parfaitement prédictible à partir d’une
connaissance partielle du signal (interpolation/extrapolation).
Signaux déterministes/signaux aléatoires
• Signaux aléatoires
• Définition: Un signal aléatoire est un signal dont la réalisation

change à chaque expérience.
• Caractéristique: Un signal aléatoire n’est donc pas prévisible
signaux sans référence à un modèle de génération
Système
entrée SIGNAL
(modèle de génération)
Déterministe Aléatoire
Périodique Non Périodique
Stationnaire Non Stationnaire
Presque Transitoire
Périodique Cyclostationnaire
types de modèles de génération des signaux
Système
entrée Signal
(modèle de génération)
Paramètres Paramètres distribués
Linéaire, Linéaire, Non Linéaire,

Invariant dans le temps Variant dans le temps Invariant dans le temps
signaux déterministes, périodiques: exemple
0. 8
0. 6
0. 4
0. 2
-0. 2
-0. 4
-0. 6
-0. 8
-1
0 20 40 60 80 100 120 140 160 180 200
0. 8
0. 6
0. 4
0. 2
-0. 2
-0. 4
-0. 6
-0. 8
-1
0 100 200 300 400 500 600 700 800
0. 8
0. 6
0. 4
0. 2
-0. 2
-0. 4
-0. 6
-0. 8
-1
0 50 100 150 200 250 300 350 400
signaux déterministes périodiques : exemple
• Modulation d’amplitude et de phase
0. 8
0. 6
0. 4
0. 2
-0. 2
-0. 4
-0. 6
-0. 8
-1
0 50 100 150 200 250 300 350 400
0. 8
0. 6
0. 4
0. 2
-0. 2
-0. 4
-0. 6
-0. 8
-1
0 50 100 150 200 250 300 350 400
signaux déterministes NON périodiques
• Réponse d’un système 1ddl à une impulsion
0 500 1000 1500

-1
-0.8
-0.6
-0.4
linéaire
-0.2
0.2
0.4
0.6
0.8
0. 8
0. 6
Non-linéaire
0. 4
0. 2
-0. 2
-0. 4
-0. 6
-0. 8
0 500 1000 1500
déterministes, périodiques:descripteurs
descripteurs du signal temporel
valeurs pic, pic − pic, etc

1 1 N /2
Moyenne = ∫ = ∑ x ( n)
T /2
x(t )dt
N +1
−T / 2
T 0
n=− N / 2
1 
2
1
∑~
N /2
RMS =  ∫ x (t )dt  =
T /2 2 2
x ( n)
+
−T / 2
 T
0  N 1 n=− N / 2
Coefficients décomposition Série de Fourier
signaux aléatoires : exemple
• Bruit blanc : 3 réalisations
2. 5
1. 5
0. 5
-0. 5
-1
-1. 5
-2
-2. 5
0 20 40 60 80 100 120 140
2. 5
1. 5
0. 5
-0. 5
-1
-1. 5
-2
-2. 5
0 20 40 60 80 100 120 140
-1
-2
-3
0 20 40 60 80 100 120 140
signaux aléatoires : exemple
• Sortie d’un système excité par un bruit blanc
15
10
-5
-10
0 20 40 60 80 100 120 140
10
-5
-10
-15
0 20 40 60 80 100 120 140
10
-2
-4
-6
-8
0 20 40 60 80 100 120 140
Signaux aleatoires: exemple
Vibrations de machines tournantes

0.4
0.3
0.2
0.1
-0.1
-0.2
-0.3
-0.4
0 100 200 300 400 500 600
0.8
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
0 100 200 300 400 500 600
variable aléatoire (1)
soit x une Variable Aléatoire (VA) continue x1
f la densité de probabilité mesure l ' occurrence que

x
x ≤ x ≤ x + ∆x
0 0
on définit :
+∞
x2
le moment d ' ordre 1 (moyenne) de x : E ( x ) = ∫ x. f ( x )dx x
−∞
+∞
le moment d ' ordre 2 : E ( x ) = ∫ x . f ( x)dx

2 2
x
−∞
+∞
xn
la Variance : E ([ x − E ( x)] ) = ∫ [ x − E ( x)] . f ( x)dx
2 2
x
−∞
moments d ' ordres sup érieurs

− skewness
[ x − E ( x)]
∞
2 E(x)
− kurtosis k = ∫ x 2
dx 2
[ E ( x )]
−∞
signal aléatoire :exemples
x(n)
bruit
x(n)
séquence binaire codée
x(n)
12V tension de batterie (Therrien)
11.75V
signal aléatoire :définitions
soit x (n); n ∈ Z une suite de Variables aléatoires
pour chaque n ;
f densité de probabilité de x (n)
x (n)
moments E[ x (n)], E[ x (n)],

2
si n est le temps :
⇒ série temporelle , ie, signal aléatoire
le Modèle sous − jacent générant le signal aléatoire est appelé
⇒ processus aléatoire.
rem :
pour une Variable aléatoire ⇒ réalisation
pour un signal aléatoire ⇒ ensemble
signal aléatoire :ensembles(ensembles)
x(n)
x1(-3) Bruit: ensemble1
x(n)
X2(-3) Bruit: ensemble2
E(x(n))
E[x(-3)] Bruit: moyenne d ’ensembles
signal aléatoire : stationnarité/ergodicité(1/4)
∞
E[ x (n)] = ∫ x (n) f [ x (n)]dx (n)

x(n)
−∞
(idem pour les moments d ' ordres Supérieurs )
on définit également les moments estimés sur un ensemble particulier

1 +N
m( x ) = lim ∑ x (n)
2N + 1
N →∞
−N
(idem pour les moments d ' ordres Supérieurs )
Supposons E ( x(n)) = cte = µ 1
question : quand peut − on ovoir m( x) = µ 1

??
signal aléatoire :stationnarité/ergodicité(2/4)
x(n)
x1(-3) Bruit: ensemble1
moyenne temporelle
n
x(n)
X2(-3) Bruit: ensemble2
moyenne temporelle
n
E(x(n))
E[x(-3)] Bruit: moyenne d ’ensemble
moyenne temporelle
n
stationnarité : définition
les propriètés statistiques sont indépendantes du temps (n)
ie,
E[ x (n) x (n + k ) x (n + k )....x (n + k )] est indépendant de n
l0 l1
1
l2
2
lM
M
− autocorrelation E[ x (n) x (n + k )] = R (k )1 1
xx
x(n)
n
1 2 3 4 5 6 7 8
f x (1) x ( 3 ) x ( 6 )
=f x(2) x(4) x(7)
=f x (1) x (1) x ( 4 )
=
ergodicité : définition
un signal aléatoire Stationaire est ergodique si les moments calculés
temporellement ou par moyenne d ' ensemble sont égaux
si seulement m( x) = µ alors ergodicité d ' ordre1

1
1 ∞
si de plus E[ x(n) x(n + k ] = R (k ) = lim ∑ x ( n) x ( n + k )
2N + 1
→∞
n = −∞
alors ergodicité d ' ordre2
en général on se Limite à l ' ordre 2 ( processus gaussiens )

rem : pour être ergodique un signal doit être stationnaire
signal aléatoire : estimateurs
• Ensemble fini de points n=[-N/2,N/2]
+N /2
1
estimateur de la moyenne mˆ ( x) = ∑ x ( n)
2 N + 1 n=− N / 2
+N /2
1
estimateurs de la Variance var( x) = ∑ ~
x 2 ( n) [ ~
2 N + 1 n=− N / 2
x (n) = x(n) − mˆ ( x)]
estimateurs de la fonction d ' autocorrélation

1 + N / 2− k
Rˆ (k ) = ∑ x(n + k )x(n)
2 N + 1 n=− N / 2
avec biais
+ N / 2− k
ˆ 1
Rˆ (k ) = ∑ x(n + k )x(n) asymptotiquement sans biais
2 N + 1 − k n=− N / 2
signal aléatoire : estimateurs
• Moyenne, variance, écart type, histogramme
3 50
45
2
Écart type 40
35
1
30
moy 0 25
20
X1 -1
15
10
X2 -2
5
-3 0
0 500 1000 -4 -2 0 2 4
X1 X2
Signaux réels de vibrations (1)
• Vibrations d’engrenages
• sans et avec défaut d’écaillage
-1
-2
-3
0 200 400 600 800 1000 1200
10
-2
-4
-6
-8
0 200 400 600 800 1000 1200
signaux réels de vibrations(2)
• Vibrations machine-outil (Surveillance d’outil)
• avec défaut avant et après filtrage du signal
400
300
200
100
-100
-200
-300
-400
0 500 1000 1500 2000 2500
200
150
100
50
-50
-100
-150
-200
0 500 1000 1500 2000 2500
signaux réels acoustiques
• Réponse d’une salle à une bruit impulsionnel
0.25
0.2
0.15
0.1
0.05
-0.05
-0.1
0 200 400 600 800 1000 1200 1400 1600 1800 2000
signaux réels biomédicaux(1)
• Signaux Potentiels évoqués visuels(PEV)
• réponse cérébrale à des stimulis (flash)
• électrodes sur le scalp
100
80
60
40
20
-20
-40
0 50 100 150 200 250 300 350 400 450 500
25 20
20
15
15
10 10
5
5
0
-5 0
-10
-5
-15
-20 -10
0 5 10 15 20 25 30 35 40 45 50 0 10 20 30 40 50 60
• Electromyogramme (EMG)
• activités du muscle strié
• électrode sur la peau
4
x 10
3
-1
-2
-3
0 500 1000 1500 2000 2500 3000 3500 4000 4500
• Electromyogramme utérin (EMG Utérin)
• activités de l’utérus lors des contractions avant un accouchement
• électrode sur la peau
1500
1000
500
-500
-1000
-1500
0 500 1000 1500 2000 2500 3000 3500 4000 4500
signaux réels biomédicaux (4)
• Electrocardiogramme (ECG)
• activités du cœur
• electrode sur la peau
9
x 10
2.5
1.5
0.5
-0.5
-1
-1.5
-2
-2.5
0 50 100 150 200 250 300 350 400 450 500

1 Signaux

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

1 Signaux

Загружено:

Авторское право:

Доступные форматы

Traitement de Signal Pour le diagnostic

Traitement de Signal pour le diagnostic 1

• Classification des signaux

• Exemples de signaux réels

• Analyser les caractéristiques des signaux réceptionnés : C’est

• L’acoustique (signaux musicaux, signaux de parole, etc.),

• Signal continu : la variable indépendante prend ses valeurs sur

Principe d’échantillonnage d’un signal continu

La distinction continu/discret s’applique aussi sur l’amplitude des

signal physique analogique

• Définition: Un signal déterministe peut être décrit par une

• Définition: Un signal aléatoire est un signal dont la réalisation

Périodique Non Périodique

Stationnaire Non Stationnaire

Paramètres Paramètres distribués

Linéaire, Linéaire, Non Linéaire,

0 500 1000 1500

descripteurs du signal temporel

valeurs pic, pic − pic, etc

Coefficients décomposition Série de Fourier

Vibrations de machines tournantes

f la densité de probabilité mesure l ' occurrence que

le moment d ' ordre 2 : E ( x ) = ∫ x . f ( x)dx

moments d ' ordres sup érieurs

moments E[ x (n)], E[ x (n)],

E[ x (n)] = ∫ x (n) f [ x (n)]dx (n)

(idem pour les moments d ' ordres Supérieurs )

on définit également les moments estimés sur un ensemble particulier

(idem pour les moments d ' ordres Supérieurs )

Supposons E ( x(n)) = cte = µ 1

question : quand peut − on ovoir m( x) = µ 1

si seulement m( x) = µ alors ergodicité d ' ordre1

alors ergodicité d ' ordre2

en général on se Limite à l ' ordre 2 ( processus gaussiens )

estimateurs de la fonction d ' autocorrélation

Вам также может понравиться