Memoire Ojkdsbjsnglknlks

Chapitre 3 : Application des mthodes VAD sur le signal EMG 59
3.3.2 Implmentation de lalgorithme ALED
Aprs avoir dcrit auparavant la mthode VAD base sur lnergie, nous allons prsent
passer limplmentation, sous MATLAB, de lalgorithme ALED qui permet dappliquer
ladite mthode sur diffrents types de signaux : signal gaussien, signal EMG synthtique et
signal EMG rel). Cependant, afin de mener bien la prsente tude, nous allons distinguer
au pralable les deux approches suivantes dans lesquelles nous allons aborder plusieurs types
de signaux :
a) Approche directe : dans cette mthode1, nous allons appliquer lalgorithme ALED
sur les chantillons bruts du signal.
b) Approche indirecte : dans cette deuxime mthode2, nous subdivisons le signal
original en plusieurs trames puis nous appliquons lalgorithme ALED sur un nouveau
signal compos de la moyenne de ces trames.
Par ailleurs, dans chaque approche considrer, nous allons traiter les signaux suivants :
signal gaussien affect par un bruit gaussien3
signal gaussien affect par un bruit uniforme4
signal EMG synthtique affect par un bruit gaussien5
signal EMG rel
Remarque 3.1 : Dans toute la suite de ce paragraphe, nous allons choisir comme longueur
de trame celle qui correspondant une meilleure dtection pour chaque mthode.
Simulation 3.1.a : Dans cette simulation numrique, nous allons tudier les performances
de lalgorithme ALED et cela en considrant un signal gaussien affect par un bruit additif
de mme nature. Les valeurs considres du SNR = 5 dB, 15 dB et 30 dB. Les rsultats
obtenus sont prsents dans les figures 3.4, 3.5 et 3.6. Ils mettent en vidence, de trs
bonnes performances de dtection pour des SNR plus grands que 5 dB
1 Nous annoterons les simulations correspondantes par la lettre a.
2 Nous annoterons les simulations correspondantes par la lettre b.
3 La gnration de ce signal est ralise par un algorithme que nous dtaillons en Annexe C.
Simulation 3.2.a : Dans cette simulation numrique, nous allons tudier le comportement
de lalgorithme ALED pour une autre nature diffrente du bruit. En effet, nous avons
considr signal gaussien affect, cette fois ci, par un bruit additif uniforme. Ceci tant dit,
nous prenons les mmes valeurs du SNR que prcdemment savoir 5 dB, 15 dB et 30 dB.
Les rsultats de cette simulation sont prsents dans les figures 3.7, 3.8 et 3.9. Ces
derniers, mettent toujours en vidence, de trs bonnes performances de dtection pour des
SNR plus grands que 5 dB. Ainsi, lalgorithme prsent est assez robuste vis--vis dun
changement de modle du bruit additif.
de lalgorithme ALED, sur un signal synthtique6 EMG qui est affect par un bruit gaussien.
Par ailleurs, comme pour les deux prcdentes simulations, nous considrons les valeurs
suivantes du SNR = 5 dB, 15 dB et 30 dB. Les rsultats de simulation obtenus sont
prsents dans les figures 3.10, 3.11 et 3.12. Ces derniers mettent derechef en vidence, de
trs bonnes performances de dtection pour des SNR plus grands que 5 dB.
Simulation 3.4.a : Cette fois ci, nous allons tudier les performances de lalgorithme ALED,
sur un signal rel7. Les rsultats obtenus sont prsents dans la figure 3.13 et dans le tableau
3.1. Nous relevons dune part lexistence dune lgre diffrence, entre les instants dactivit
obtenus par lalgorithme ALED et ceux observs en ralit, et dautre part la prsence parfois
de dtection manque.
6 La gnration de ce signal est ralise par un algorithme que nous dtaillons en

Annexe ??????.
7 Le signal rel est un enregistrement dactivit EMG dans des conditions relles.
Figure 3.4: Application lalgorithme ALED (approche directe): bruit gaussien

et SNR=30 dB
Figure 3.5:Application lalgorithme ALED (approche directe): bruit gaussien

et SNR=15 dB
Figure 3.6: Application lalgorithme ALED (approche directe): bruit gaussien

et SNR=5 dB
Figure 3.7: Application lalgorithme ALED (approche directe): bruit uniforme

et SNR=30dB
Figure 3.8: Application lalgorithme ALED (approche directe): bruit uniforme

et SNR=30dB
Figure 3.9: Application lalgorithme ALED (Approche directe) : bruit uniforme

et SNR=5 dB
Figure 3.10: Application l'algorithme ALED (approche directe):EMG synthtique

et SNR=30dB
Figure 3.11: Application l'algorithme ALED (approche directe):EMG synthtique
Et SNR=15dB
Figure3.12: Application l'algorithme ALED (approche directe):EMG synthtique
et SNR=5dB
Figure 3.13: Application l'algorithme ALED sur signal rel
Dbut dactivit Fin dactivit

observ obtenu observ obtenu
9500 12001 32000 32001
38000 ------ 44400 -
54200 58001 79600 78001
92000 92001 132600 132001
144800 146001 179700 178001
190000 192001 228000 226001
238700 242001 280000 280001
288000 290001 321500 322001
332000 336001 369800 370001
378000 348001 413000 412001
419500 426001 449500 450001
460000 466001 498000 498001
503500 518001 556000 556001
9500 12001 32000 32001
Tableau 3.1:Representation dbut/fin d'activit de signal rel
Simulation 3.1.b : Dans cette simulation numrique, nous allons tudier les performances
de lapproche indirecte dcrite prcdemment. Pour cela, nous avons subdivis le signal
original en plusieurs trames composes chacune de 100 chantillons du signal. Dans cette
simulation, nous considrons un signal gaussien affect par un bruit de mme nature, pour
diffrentes valeurs du SNR = 5 dB, 15 dB et 30 dB. Les rsultats obtenus sont prsents
dans les figures 3.14, 3.15 et 3.16. Ces derniers montrent dassez bonnes performances pour
des valeurs leves du SNR.
Simulation 3.2.b : Dans cette simulation numrique, nous allons tudier le comportement
de cette nouvelle approche pour un bruit uniforme. Les valeurs du SNR sont 5 dB, 15 dB et
30 dB. Les rsultats de cette simulation sont prsents dans les figures 3.17, 3.18 et 3.19.
Nous constatons les mmes aspects relevs dans la simulation prcdente.
de lapproche indirecte, sur un signal synthtique EMG affect par un bruit gaussien, pour
dans les figures 3.20, 3.21 et 3.22. Ils mettent en vidence, contrairement aux simulations
3.1.b et 3.2.b, de trs bonnes performances de dtection mme pour des valeurs faibles du
SNR (5 dB) et prsagent dassez bonnes qualit de dtection pour des signaux rels.
Simulation 3.4.b : Cette fois ci, nous allons tudier les performances de lapproche
indirecte sur un signal rel. Les rsultats obtenus sont prsents dans la figure 3.23 et dans
le tableau 3.2. Nous remarquons, comme pralablement pressenti, de bons rsultats et
amlioration de la dtection comparativement lapproche directe.
Figure 3.14: Application lalgorithme ALED(approche indirecte): bruit gaussien

et SNR=5dB
Figure 3.15: Application lalgorithme ALED (approche indirecte): bruit gaussien

et SNR=15dB
Figure 3.16: Application lalgorithme ALED(approche indirecte):: bruit gaussien

et SNR=30dB
Figure 3.17: Application lalgorithme ALED (approche indirecte): bruit
uniforme et SNR=5dB
Figure 3.18: Application lalgorithme ALED (approche indirecte): bruit uniforme

et SNR=15dB
Figure 3.19: Application lalgorithme ALED (approche indirecte): bruit uniforme

et SNR=30dB
Figure 3.20:Application lalgorithme ALED (approche indirecte):EMG synthtique et

SNR=5dB
Figure 3.21:Application lalgorithme ALED (approche indirecte) : EMG synthtique

et SNR=15dB
Figure3.22 :Application de lalgorithme ALED (approche indirecte) :EMG

Synthtique et SNR=30dB
Figure 3.23: Application lalgorithme ALED sur EMG rel (approche indirecte)
Dbut dactivit Fin dactivit

Tableau 45 1 270 277 3.2:
330 - 394 -
492 461 746 737
870 829 1276 1289
1398 1381 1747 1749
1850 1841 2230 2209
2337 2301 2750 2761
2830 2853 3165 3221
3270 3313 3648 3681
3730 3773 4080 -
4145 - 4445 4509
4550 4601 4930 4969
4985 5061 5510 5521
45 1 270 277
Reprsentation des Onset/Offset observ et obtenu par ALED
3.4 Conclusion
Dans ce chapitre nous avons prsent la mthode ALED. Celle-ci fut lorigine
introduite en traitement de la parole. Lapproche tudie a t applique sur diffrents
signaux : signal gaussien, signal EMG synthtique et signal EMG rel. Par ailleurs, nous
avons propos pour notre part dappliquer la dite mthode de deux manires diffrentes que
nous avons appel : approche directe et approche indirecte.
Dans la premire approche, lalgorithme ALED donne des rsultats assez satisfaisants.
En effet, certains problmes surgissent, pour de faibles valeurs du SNR. Il sagit en
particulier des erreurs lors la dtection (fausse alarme et dtection manqu). En revanche,
lapproche indirecte prsente des amliorations notables dans la dtection en particulier pour
les signaux EMG synthtique et rel.
Chapitre 4 : Application de mthode CA-CFAR sur le signal EMG 70
Chapitre 4 : Application de la mthode
CA-CFAR sur le signal EMG

4.1 Introduction
Dans ce chapitre, nous proposons l'utilisation de l'approche baysienne pour dtecter

linstant de dbut et de la fin du l'activit musculaire en utilisant la moyenne des cellules du
dtecteur taux fausse alarme, CA-CFAR technologie du dtecteur d'nergie.
La technique CA-CFAR est asymptotiquement quivalent de test du rapport de

vraisemblance gnralis (GLRT) o les paramtres inconnus sont estims en utilisant
l'approche Maximum de Vraisemblance (ML).
La technique base sur les CFAR maximise la probabilit de dtection tout en matrisant la
probabilit de fausse alarme.
Le problme de dtection considr est repris en binaire hypothses testant des problmes de
l'hypothse simple (EMG l'activit est absente) par rapport l'hypothse simple (activit
EMG prsent).
La principale contribution dans ce travail est d'utiliser le Bayesienne approche pour dtecter
l'apparition et la compensation de l'activit EMG, o nous utilisons le principe CA-CFAR
pour les dtecteurs d'nergie qui n'a pas t utilis dans la dtection d'apparition EMG.
4.2 Dfinition et principe de fonctionnement CFAR
Le terme CFAR est labrviation de lexpression anglaise constant false alarme rate
qui signifie une dtection taux de fausse alarme constant, la technique CFAR est une
partie parmi les parties les plus importantes dans le traitement du signal radar [ ?]. Le
principe consiste en lobtention dun dtecteur taux de fausse alarme constant en adaptant
continuellement le seuil de dtection la puissance du bruit estimer partir des cellules

voisines de la cellule sous test (CUT pour cell under test) comme indiqu dans la figure 4.1.
Figure 4.1: Principe de CFAR
Le principe de fonctionnement du CFAR est la dtection en posant un seuil adaptatif

par un traitement de groupe rang des chantillons lintrieur des fentres voisines de la
cellule sous test. Essentiellement, le seuil peut se former par la multiplication de la valeur
estim de la cellule sous test par le facteur dchelle T; de plus le bruit varie avec le temps
pour nimporte position ce que veut dire quils ne sont pas constant.
Nous notons que le technique CFAR peut viter la surcharge du computer cause par la
fluctuation du bruit de radar ainsi elle obtenir une haute performance de dtection .Parmi
les types de CFAR : CA-CFAR ; OS-CFAR ; GO-CFAR ; ML-CFAR ..etc.
4. 3 Dtecteur CA- CFAR:
Le dtecteur CA-CFAR (Cell-Averaging constant false alarme rate) suppose que le

signal la sortie du dtecteur quadratique est dcrit par des variables alatoires
exponentielles indpendantes identiquement distribues. Ce dtecteur, comme indiqu dans
la figure 4.2, fait la moyenne arithmtique des cellules de rfrences pour estimer le niveau
du bruit. Soit N est le nombre de cellules de rfrence, ce dtecteur calcule la somme U de
N/2 chantillons prcdents et la somme V de N/2 chantillons suivants la cellule sous test,
en tenant compte des cellules de garde :
N /2
U= xi
i=1
N
V= xi
N
i= +1
2
Les valeurs U et V sont ensuite additionnes pour obtenir une estimation Z : Z=U+V ; le
seuil est calcul en multipliant Z par le Facteur dchelle T et le dtecteur prend une
dcision en comparent TZ lamplitude Y des chantillons dans les cellules de rfrences.
Figure 4.2: Illustration le principe de fonctionnement de CA-CFAR
4.4. Implmentation de l'algorithme CA-CFAR
Nous considrons N mesures (chantillons) {xn} n=1 : N de signal EMG . Sur la

base de ces observations X= [ x1 , x2, x3 .xn ], nous nous intressons lexistence ou non
du signal utile Sn noy dans un bruit de fond alatoire wn . Les hypothses peuvent se
rsumer de la sorte :

H 0 : non activit emg
H 1 : activit emg (1)

:
Qui peut se rcrire ainsi :

H 0 : 2x = 2w
{ H 0 : x n =wn
H 1 : x n=Sn + wn ou H 1 : 2x = 2s + 2w

(2)

Sn wn xn
avec dans notre cas , et sont indpendants identiquement distribues
S n N (0, 2s ) 2 2
(i.i.d) Gaussiens, centrs : , w n N (0, w ) et S x N (0, x ) . Par ailleurs,
Sn wn
nous supposons que les chantillons de signal sont indpendants du bruit . Pour
rsoudre ce test dhypothse statistique, nous pouvons utiliser le test de Neyman Pearson
bas sur une comparaison des statistiques suffisantes :
N
2
S ( X )= | xn|
n =1
un seuil fixe choisi pour satisfaire une contrainte sur le niveau de test
f ( X , H 1) 2
LRT ( X ) = S( X) T w
f ( X , H0) (3)
o T est un facteur de mise l'chelle.

Dans le cas o les paramtres de distribution de l'observation sont inconnus, le critre
Neyman Pearson donne lieu un autre dtecteur. Les paramtres inconnus sont estims et
injects dans le LRT donnant naissance un nouveau test appel le test du rapport de
vraisemblance gnralise (GRLT). La statistique de test S(x) est compare au seuil
adaptatif qui est le produit de l'estimation de puissance de bruit Z = 2w et le facteur de
mise l'chelle T. La mthode utilise pour estimer le bruit la puissance et le calcul du

facteur de mise l'chelle dfinissent eux seuls le schma du dtecteur. Lorganigramme
suivant rsume le principe gnral de fonctionnement de CFAR (Cf. Figure 4..3.1).
Nous allons prsent passer limplmentation, sous MATLAB, de lalgorithme CA-
CFAR sur diffrents types de signaux : signal gaussien, signal EMG synthtique et signal
EMG rel). Toutefois, pour mener bien cette tude, nous distinguons les deux approches
suivantes dans lesquelles nous allons aborder plusieurs types de signaux :
c) Approche directe : dans cette mthode8, nous allons appliquer lalgorithme CA-
CFAR sur les chantillons bruts du signal.
d) Approche indirecte : dans cette mthode9, nous subdivisons comme prcdemment
(Cf. paragraphe 3.3.3) le signal original en plusieurs trames puis nous appliquons
lalgorithme CA-CFAR sur un nouveau signal compos de la moyenne de ces trames.
Enfin, dans chaque approche nous traitons les mmes signaux que ceux du paragraphe 3.3.3.
8 Nous annoterons les simulations correspondantes par la lettre a.
9 Nous annoterons les simulations correspondantes par la lettre b.

Figure 4.3.1: Lorganigramme de CFAR bas sur CA-CFAR

de lalgorithme CFAR, sur un signal gaussien affect par un bruit de mme nature, pour
dans les figures 4.4, 4.5 et 4.6. Ils mettent en vidence, de trs bonnes performances de
dtection pour des SNR valent 5 dB.
Simulation 4.2.a : Dans cette simulation numrique, nous allons tudier la performance de
lalgorithme CFAR par rapport une nature diffrente du bruit. En effet, nous avons
considr signal gaussien affect, cette fois ci, par un bruit uniforme. Ceci tant dit, nous
prenons les mmes valeurs du SNR que prcdemment savoir 5 dB, 15 dB et 30 dB. Les
rsultats de cette simulation sont prsents dans les figures4.7, 4.8 et 4.9. Ces derniers,
mettent toujours en vidence, de trs bonnes performances de dtection pour des SNR
valent 5 dB. Ainsi, lalgorithme prsent est assez robuste vis--vis dun changement de
modle du bruit additif.
de lalgorithme CA-CFAR, sur un signal synthtique affect par un bruit gaussien, pour
dtection pour des SNR plus grands que 5 dB.
Simulation 4.4.a : Cette fois ci, nous allons tudier la performance de lalgorithme CA-
CFAR, sur un signal rel. Les rsultats obtenus sont prsents dans la figure 4.13et
tableau4.1. Nous notons quil y a des erreurs lors dtection (fausse alarme, dtection
manqu).
Figure 4.4: Application de l'algorithme CA-CFAR (approche directe): bruit gaussien

et SNR =5 dB
Figure 4.5 :Application de lalgorithme CA-CFAR (approche directe) :bruit gaussien

et SNR=15dB
Figure 4.6 :Application de lalgorithme CA-CFAR (approche directe) :bruit gaussien

et SNR=30dB
Figure 4.7: Application de l'algorithme CA-CFAR (approche directe): bruit uniforme

et SNR=5 dB
Figure 4.8: Application de l'algorithme CA-CFAR (app.directe): bruit uniforme

et SNR=15 dB
Figure 4.9: Application de l'algorithme CFAR (app.directe): bruit uniforme et SNR=30 dB

Figure 4.10: Application de l'algorithme CA-CFAR (app.directe): EMG synthtique

et SNR=5dB

et SNR=15dB

et SNR=30dB
Figure 4.13: Application de l'algorithme CA-CFAR: signal EMG rel
Dbut dactivit (onset) Fin dactivit (offset)

9500 8900 32000 29970
38000 37687 44400 41273
54200 51550 79600 75948
92000 88964 132600 130150
144800 144650 179700 149780
190000 156650 228000 173730
238700 189080 280000 217870
288000 237330 321500 255730
332000 287980 369800 317130
378000 330330 413000 361620
419500 376450 449500 409040
460000 418900 498000 419700
503500 425760 556000 446900
459320 !!!! 493790 !!!!
503740 !!!! 555330 !!!!
568250 !!!! 572390 !!!!
Tableau 4.1 : Reprsentation onset/offset observs et obtenus par lalgorithme CA-CFAR
Remarque 3.2: Nous avons travaill avec les chantillons (en anglais : samples ) et lnergie
de signal comme nous dj vu prcdemment. Pour travaille avec lchelle de temps (s ou
ms ) il suffit de faire une conversion (frquence dchantillonnage : 2KHZ ou 4 KHZ et la
dure de lenregistrement diffre pour chaque signal(rel) . Et pour voir le signal original, il
faut faire petit modification dans le programme.
de lalgorithme CFAR, sur un signal gaussien affect par un bruit de mme nature, pour
dans les figures 3.14, 3.15 et 3.16. Cette fois ci, lalgorithme CFAR commise des erreurs lors
dtections mme si le SNR gale 5 dB (fausse alarme).
Simulation 4.2.b : Dans cette simulation numrique, nous allons tudier la performance de
lalgorithme CFAR par rapport une nature diffrente du bruit. En effet, nous avons
considr signal gaussien affect, cette fois ci, par un bruit uniforme. Ceci tant dit, nous
prenons les mmes valeurs du SNR que prcdemment savoir 5 dB, 15 dB et 30 dB. Les
rsultats de cette simulation sont prsents dans les figures 4.17, 4.18 et 4.19. Nous avons
constats que les rsultats nest pas bonne car il y a des erreurs.
de lalgorithme ALED, sur un signal synthtique affect par un bruit gaussien, pour
dtection pour des SNR gal 5 dB.
Simulation 4.4.b : Cette fois ci, nous allons tudier la performance de lalgorithme CFAR,
sur un signal rel. Les rsultats obtenus sont prsents dans la figure 4.23et le tableau4.2.
Nous notons quil y a une diffrence trs petite entre les points dactivit observe et celle
obtenus par algorithme CFAR, ce qui rsulte une bonne dtection.
Figure 4.14: Application de l'algorithme CA-CFAR (app.indirecte) :bruit uniforme

et SNR=30dB
Figure 4.15: Application de l'algorithme CA-CFAR (app.indirecte) :bruit uniforme
et SNR=15dB
Figure 4.16 :Application de lalgorithme CA-CFAR (app .indirecte) :bruit gaussien

et SNR=5 dB
Figure 4.17 : Application de lalgorithme CA-CFAR (app.indirecte) : bruit uniforme

et SNR=30dB

et SNR=15dB

et SNR=5dB
Figure 4.20 : Application de lalgorithme CA-CFAR (app.indirecte) : EMG

synthtique et SNR=30dB


Figure 4.23: Application de l'algorithme CA-CFAR (app.indirecte): EMG rel
Onset(dbut dactivit) Offset(fin dactivit)

45 40 270 247
330 326 394 363
492 493 746 709
870 869 1276 1231
1398 1398 1747 1687
1850 1841 2230 2214
2337 2339 2750 2729
2830 2829 3165 3129
3270 3253 3648 3621
3730 3731 4080 4045
4145 4138 4445 4426
4550 4545 4930 4879
4985 4984 5510 5502
Tableau 4.2: Reprsentation le dbut et la fin d'activit observ/obtenu par CA-CFAR
4.5 Conclusion
Dans ce chapitre nous avons prsent la mthode CA-CFAR. Celle-ci fut lorigine
introduite en traitement du radar. Lapproche tudie a t applique sur diffrents signaux :
signal gaussien, signal EMG synthtique et signal EMG rel. Par ailleurs, nous avons propos
pour notre part dappliquer la dite mthode de deux manires diffrentes que nous avons
appel : approche directe et approche indirecte.
Dans la premire approche, lalgorithme CA-CFAR donne des rsultats assez

satisfaisants. En effet, certains problmes surgissent, pour le signal rel. Il sagit en
particulier des erreurs lors la dtection (fausse alarme et dtection manqu). En revanche,
lapproche indirecte prsente des amliorations notables dans la dtection en particulier pour
le signal EMG rel.
Chapitre 5. Etude comparative entre les deux algorithmes CA-CFAR et ALED
87
Chapitre5 :
Etude comparative entre les algorithmes CA-

CFAR et ALED
5.1 Introduction
Nous allons comparer les rsultats obtenus par la mthode VAD-ALED et nouvelle
mthode propose.
Aussi nous allons essayer de comparer les rsultats obtenus aprs lapplication de ces
deux mthodes sur les diffrents signaux, puis nous allons calculs la probabilit de
P P
fausse alarme ( fa ) et la probabilit de dtection ( d ), la probabilit derreur
Pe
total ( ).
88
5.2 Formulation statistique du problme de dtection
a)calcul de probabilit de fausse alarme : On dfinit la probabilit de fausse

H1
alarme : le rsultat dune prise de dcision dans un choix deux hypothses et
H0 H1 H0
, dclar l o il est en ralit .Autrement dit :
t {H
0
Pfa H 1 {H 0
( 0)dt
=P[ = f dt =
z1

Selon les hypothses prsentes ci-dessus, o nous sommes cas des processus i.i.d
Gaussian random. Chaque cellule de rfrence compose d'un chantillon unique, dfini
comme suit:
2
z n=|x n| o z n 2 (1, z 2
)
2 2
z n=z w zn 2
Nous somme dans le cas o tel que (1, z= w ) alors :
Pfa H 1 {H 0 zw> T . U
=P( =P(
tel que :
M 2m
2
U= zn = |x n|
n=1 n=1
On obtient :
f U / H (U / H 0 )ds
0
+
dz
T .u
P(
f z ( z )
+
z w >T . U =
0
89
z
+
z T
Pf a
= fz (z)P(U< T )dz= +
)dz
0
f z( z ) F z
0
z
T f z (z )
o Fz
) est la fonction cumulative .En utilisant la fonction cumulative
dfinit comme suit :
1 z
f z ( z )= -1/2
2 w z exp ( 2 2w ),
2
Aprs calcul on trouve :
m1 k +1/2
1 T
Pfa =
1- k! (
1
( ) ). T +1k+1 /2 .
k=1
2
b) calcul de Pd : On dfinit la probabilit de fausse alarme : le rsultat dune prise de

H1 H0 H1
dcision dans un choix deux hypothses et , dclar l o il est en
H1
ralit .
2 2 2
z n=z s
Dans notre cas on pose comme suit : z n 2 (1, z= s + w ) .On sait que
Pd=1-Pm alors :
+
z
+ z
1F z ( )
Pmiss
= fz (z)P(U > T )dz= fz (z) T dz ;
0 0
on utilise la fonction cumulative on obtient :
m1 k +1/2
1 T
Pmiss= 1 ).(1+SNR)k .
k ! ( ( ) k +1/ 2
(T + SNR+ 1)
k=1
2
alors :
90
m1 k +1/2
1 T
Pd 1 ).(1+SNR)k .
=1- k ! ( ( ) (T + SNR+ 1)
k +1/ 2 tel que
k=1
2
2
s
SNR= 2w
c) calcul de Pe :
Pe
=P( H 0 )P( H 0 / H 1 + P( H 1 )P( H 1 /H 0
= P( H 0 ) Pmiss + P( H 1 ) Pfa
Malheureusement, on na pas pu trouver une expression analytique ou des

approximations numriques pour calcul les probabilits. Par consquent on a fait appel
la mthode de Monte-Carlo qui consiste faire des simulations numriques pour
estimer les probabilits de faon empirique.
5.3 Simulations numriques

Dans ce paragraphe, nous allons comparer les performances entre ALED et CA-FAR,
en termes de : Pfa, Pd, Pet et variance des instants estims. Pour cela et pour les
besoins de simulations nous allons procder des simulations de Monte Carlo en
gnrant 50 ralisations indpendantes en gnrant diffrents types de signaux : signal
gaussien, signal EMG synthtique et signal EMG rel. Nanmoins, pour mener bien
cette tude, nous allons distinguer les deux approches suivantes dans lesquelles nous
allons aborder plusieurs types de signaux :
a)Approche directe : dans cette mthode, nous allons appliquer les deux
lalgorithme ALED et CA-CFAR sur les chantillons bruts du signal.
b) Approche indirecte : dans cette mthode, nous subdivisons le signal original
en plusieurs trames puis nous appliquons lalgorithme CA-CFAR et ALED sur un
nouveau signal compos de la moyenne de ces trames.
Par ailleurs, dans chaque approche considrer, nous allons traiter les signaux suivants :
Signal gaussien affect par un bruit gaussien
Signal gaussien affect par un bruit uniforme
Signal EMG synthtique affect par un bruit gaussien
Signal EMG rel
91
Simulation 5.1.a : Dans cette simulation numrique, nous allons tudier les
performances des deux approches en en fonction du SNR. Les rsultats obtenus sont
prsents dans les figures 5.1, 5.2 et 5.3. Pour la mthode ALED, la probabilit de
dtection converge vers 1 quelque soit la valeur de SNR contrairement au CA-CFAR o
elle commence augmenter partir de SNR = 5dB pour se stabiliser autour de 0.9
partir de SNR = 10 dB. Concernent la Pfa, la mthode CA-CFAR prsente de
meilleurs rsultats au lapproche ALED. En effet, la pfa, relative au CA-CFAR, se
stabilise autour de 0.3 partir de SNR= 5 dB contrairement la mthode ALED pour
laquelle la Pfa diminue partir de SNR=10 dB pour se stabiliser autour de 0.38
partir de SNR= 15 dB. Maintenant concernant la Pet la mthode CA-CFAR prsente
toujours de meilleurs rsultats quALED. En effet, en termes de variance, cest la
mthode ALED qui savre meilleure que lapproche CA-CFAR
Simulation 5.2.a : Dans cette simulation numrique, nous allons tudier la

performance entre lalgorithme ALED et CA-CFAR, sur un signal gaussien affect par
un bruit uniforme en fonction de SNR. Les rsultats obtenus sont prsents dans les
figures 5.7, 5.8 ,5.9, 5.10et 5.11.Nous avons constats que la probabilit de dtection
pour ALED toujours converge vers 1. Nanmoins, Pd relative au CA-CFAR croit
partir dun SNR = 4dB autour de 0.8 puis reste stable aprs. Concernent la probabilit
de fausse alarme vaut 0.99 pour un SNR<10dB puis diminue entre [10,20] dB, et se
stabilise a partir dun SNR>20dB, par opposition au CA- CFAR, elle se stabilise a
partir dun SNR>10dB autour de 0.29.Concernent la probabilit derreur, pour ALED
elle vaut 0.5 pour un SNR<10dB puis diminue, et se stabilise a partir dun
SNR>25dB. En effet, CA-CFAR reprsente meilleurs rsultat au lapproche ALED.
Nous allons obtenus les mme rsultats que prcdemment pour la variance (Figure
5.11).
Simulation 5.3.a : Dans cette simulation numrique, nous allons tudier la
performance entre lalgorithme ALED et CFAR, sur un signal EMG synthtique
affect par un bruit gaussien en fonction de paramtre SNR. Les rsultats obtenus sont
prsents dans les figures 5.12, 5.13 et 5.14, 5.16.Ils mettent en vidence, que nous
avons relev les mme rsultats obtenus prcdemment sauf que la probabilit de
fausse alarme vaut 0.2 quelque soit la valeur de SNR pour le CA-CFAR.
Simulation 5.1.b : Dans cette simulation numrique, nous allons tudier la
performance entre lalgorithme ALED et CFAR, sur un signal gaussien affect par un
bruit de mme nature. Les rsultats obtenus sont prsents dans les figures 5.18, 5.19 ,
92
5.20et 5.21.Nous avons observs quil y a une amlioration concernant les diffrentes
probabilits, ainsi la variance des instants dactivit.
performance entre lalgorithme ALED et CA-CFAR, sur un signal gaussien affect par
un bruit uniforme. Les rsultats obtenus sont prsents dans les figures 5.23, 5.24 ,
5.25et 5.27 .Pour le signal gaussien affect par un bruit uniforme, nous pouvons dire
quil y a aucun changement pour les probabilits soit lapproche directe (a) ou bien
indirecte (b).Par opposition, prcdemment nous avons vu que la variance de la
moyenne des instants dactivit diminue certain valeur mais dans ce cas diffre soit
CA-CFAR ou bien lalgorithme ALED augmente puis se stabilise.
performance entre lalgorithme ALED et CA-CFAR, sur un signal EMG synthtique
affect par un bruit gaussien. Les rsultats obtenus sont prsents dans les figures 5.
29, 5.30 ,5.31et 5.33 .Ceux figures montrent que les probabilits sont amliors mme
pour la variance.
Figure 5.1:Comparaison la probabilit de dtection entre CA-CFAR/ALED :bruit

gaussien (approche directe)
93
Fi
gure 5.2: Comparaison la probabilit de fausse alarme entre CA-CFAR/ALED: bruit
gaussien (approchr directe)
Figure 5.3 : comparaison la probabilit derreur entre ALED/CA-CFAR : bruit

uniforme (approche directe)
Figure 5.4: Comparaison la variance entre CA- CFAR/ALED: bruit gaussien

(approche directe)
94
Figure 5.7: Implmentation des algorithmes CA-CFAR/ALED: bruit gaussien

(approche directe)
Figure 5.8: Comparaison la probabilit de dtection entre CA-CFAR/ALED Bruit

Figure5.9: Comparaison la probabilit de fausse alarme entre CA-CFAR/ALED
Bruit uniforme (approche directe)

95
Figure 5.10: Comparaison la probabilit d'erreur entre CA-CFAR/ALED: bruit

Figure 5.11: comparaison la variance de la moyenne entre CA-CFAR/ALED: bruit

Figure 5.13: Implmentation des algorithmes CA-CFAR/ALED: bruit uniforme

(approche directe)
96
Figure 5.14: Comparaison la probabilit de dtection entre CA-CFAR/ALED

EMG synthtique (approche directe)
Figure 5.15: Comparaison la probabilit de fausse alarme entre CA-CFAR/ALED
Figure 5.16 : Comparaison la probabilit derreur entre CA-CFAR/ALED

97
Figure 5.17: Comparaison la variance de la moyenne entre CA-CFAR/ALED
Figure 5.19 : Implmentation des algorithmes CA-CFAR/ALED : EMG synthtique

(approche directe)
Figure 5.20: Comparaison la probabilit de dtection entre CA-CFAR/ALED: bruit

gaussien (approche indirecte)
98
Figure 5.21: Comparaison la probabilit de fausse alarme entre CA-CFAR/ALED:

bruit gaussien (approche indirecte)
Figure 5.22 Comparaison la probabilit d'erreur entre CA-CFAR/ALED: bruit gaussien

(approche indirecte)
Figure 5.23: Comparaison la variance de moyenne entre CA-CFAR/ALED: bruit

gaussien (approche indirecte)
99
Figure 5.25: Implmentation des algorithmes CA-CFAR/ALED: bruit gaussien

Figure5.26: Comparaison la probabilit de dtection entre CA-CFAR/ALED: bruit

uniforme (approche indirecte)

bruit uniforme (approche indirecte)
100
Figure 5.28 : Comparaison de la probabilit derreur entre CA-CFAR/ALED: bruit

Figure 5.29: Comparaison la variance de moyenne entre CA-CFAR/ALED: bruit

Figure 5.30: Implmentation des algorithmes CA-CFAR/ALED: bruit uniforme
101
Figure 5.31: Comparaison la probabilit de dtection entre CA-CFAR/ALED: EMG

synthtique (approche indirecte)

EMG synthtique (approche indirecte)
Figure5.33: Comparaison la probabilit d'erreur entre CA-CFAR/ALED: EMG

synthtique (approche indirecte)
102
Figure 5.34: Comparaison la variance de moyenne des instants entre CA-

CFAR/ALED: EMG synthtique (approche indirecte)
Figure 5.35: Implmentation des algorithmes CFAR/ALED :EMG synthtique
5.4 Conclusion
Aprs ce que nous avons obtenus dans ce chapitre, la comparaison entre les deux
approches ALED et CA-CFAR peut tre difficile nanmoins ces derniers ont eu des
mfaits et des avantages. Par exemple, le cas de signal rel (approche directe) ALED
donne des bons rsultats par rapport au CA-CFAR.

Conclusion gnrale:
Ce prsent mmoire a consist en ltude dune tape trs importante da
ns
le domaine mdical et plus prcisment llectromyographie plus communment
appel EMG. Cette tape est la dtection du dbut(onset) et la fin(offset) de
lactivit lctromyographique utilise pour le diagnostic de plusieurs maladies lis
la posture comme le cas de la maladie de parkinson.
A travers notre travail, nous avons appliqus les mthodes classiques
Contents 9

Memoire Ojkdsbjsnglknlks

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Memoire Ojkdsbjsnglknlks

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 3 : Application des mthodes VAD sur le signal EMG 59

3.3.2 Implmentation de lalgorithme ALED

1 Nous annoterons les simulations correspondantes par la lettre a.

2 Nous annoterons les simulations correspondantes par la lettre b.

6 La gnration de ce signal est ralise par un algorithme que nous dtaillons en

Figure 3.4: Application lalgorithme ALED (approche directe): bruit gaussien

Figure 3.5:Application lalgorithme ALED (approche directe): bruit gaussien

Figure 3.6: Application lalgorithme ALED (approche directe): bruit gaussien

Figure 3.7: Application lalgorithme ALED (approche directe): bruit uniforme

Figure 3.8: Application lalgorithme ALED (approche directe): bruit uniforme

Figure 3.9: Application lalgorithme ALED (Approche directe) : bruit uniforme

Figure 3.10: Application l'algorithme ALED (approche directe):EMG synthtique

Figure 3.11: Application l'algorithme ALED (approche directe):EMG synthtique

Figure3.12: Application l'algorithme ALED (approche directe):EMG synthtique

Figure 3.13: Application l'algorithme ALED sur signal rel

Dbut dactivit Fin dactivit

Figure 3.14: Application lalgorithme ALED(approche indirecte): bruit gaussien

Figure 3.15: Application lalgorithme ALED (approche indirecte): bruit gaussien

Figure 3.16: Application lalgorithme ALED(approche indirecte):: bruit gaussien

Figure 3.17: Application lalgorithme ALED (approche indirecte): bruit

Figure 3.18: Application lalgorithme ALED (approche indirecte): bruit uniforme

Figure 3.19: Application lalgorithme ALED (approche indirecte): bruit uniforme

Figure 3.20:Application lalgorithme ALED (approche indirecte):EMG synthtique et

Figure 3.21:Application lalgorithme ALED (approche indirecte) : EMG synthtique

Figure3.22 :Application de lalgorithme ALED (approche indirecte) :EMG

Dbut dactivit Fin dactivit

Chapitre 4 : Application de la mthode

CA-CFAR sur le signal EMG

Dans ce chapitre, nous proposons l'utilisation de l'approche baysienne pour dtecter

La technique CA-CFAR est asymptotiquement quivalent de test du rapport de

4.2 Dfinition et principe de fonctionnement CFAR

continuellement le seuil de dtection la puissance du bruit estimer partir des cellules

Figure 4.1: Principe de CFAR

Le principe de fonctionnement du CFAR est la dtection en posant un seuil adaptatif

4. 3 Dtecteur CA- CFAR:

Le dtecteur CA-CFAR (Cell-Averaging constant false alarme rate) suppose que le

Figure 4.2: Illustration le principe de fonctionnement de CA-CFAR

4.4. Implmentation de l'algorithme CA-CFAR

Nous considrons N mesures (chantillons) {xn} n=1 : N de signal EMG . Sur la

Qui peut se rcrire ainsi :

o T est un facteur de mise l'chelle.

adaptatif qui est le produit de l'estimation de puissance de bruit Z = 2w et le facteur de

mise l'chelle T. La mthode utilise pour estimer le bruit la puissance et le calcul du

8 Nous annoterons les simulations correspondantes par la lettre a.

9 Nous annoterons les simulations correspondantes par la lettre b.

Figure 4.3.1: Lorganigramme de CFAR bas sur CA-CFAR

Figure 4.4: Application de l'algorithme CA-CFAR (approche directe): bruit gaussien

Figure 4.5 :Application de lalgorithme CA-CFAR (approche directe) :bruit gaussien

Figure 4.6 :Application de lalgorithme CA-CFAR (approche directe) :bruit gaussien

Figure 4.7: Application de l'algorithme CA-CFAR (approche directe): bruit uniforme

Figure 4.8: Application de l'algorithme CA-CFAR (app.directe): bruit uniforme

Figure 4.9: Application de l'algorithme CFAR (app.directe): bruit uniforme et SNR=30 dB

Figure 4.10: Application de l'algorithme CA-CFAR (app.directe): EMG synthtique

Figure 4.11: Application de l'algorithme CA-CFAR (app.directe): EMG synthtique

Figure 4.12: Application de l'algorithme CA-CFAR (app.directe): EMG synthtique

Figure 4.13: Application de l'algorithme CA-CFAR: signal EMG rel

Dbut dactivit (onset) Fin dactivit (offset)

Figure 4.14: Application de l'algorithme CA-CFAR (app.indirecte) :bruit uniforme

Figure 4.15: Application de l'algorithme CA-CFAR (app.indirecte) :bruit uniforme

Figure 4.16 :Application de lalgorithme CA-CFAR (app .indirecte) :bruit gaussien

Figure 4.17 : Application de lalgorithme CA-CFAR (app.indirecte) : bruit uniforme

Figure 4.18 : Application de lalgorithme CA-CFAR (app.indirecte) : bruit uniforme

Figure 4.19 : Application de lalgorithme CA-CFAR (app.indirecte) : bruit uniforme

Figure 4.20 : Application de lalgorithme CA-CFAR (app.indirecte) : EMG