Académique Documents
Professionnel Documents
Culture Documents
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
3 La gnration de ce signal est ralise par un algorithme que nous dtaillons en Annexe C.
4 La gnration de ce signal est ralise par un algorithme que nous dtaillons en Annexe C.
5 La gnration de ce signal est ralise par un algorithme que nous dtaillons en Annexe C.
Chapitre 3 : Application des mthodes VAD sur le signal EMG 60
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.
Simulation 3.3.a : Dans cette simulation numrique, nous allons tudier les performances
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.
7 Le signal rel est un enregistrement dactivit EMG dans des conditions relles.
Chapitre 3 : Application des mthodes VAD sur le signal EMG 61
Et SNR=15dB
et SNR=5dB
Chapitre 3 : Application des mthodes VAD sur le signal EMG 65
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.
Simulation 3.3.b : Dans cette simulation numrique, nous allons tudier les performances
de lapproche indirecte, sur un signal synthtique EMG affect par un bruit gaussien, pour
diffrentes valeurs du SNR = 5 dB, 15 dB et 30 dB. Les rsultats obtenus sont prsents
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.
Chapitre 3 : Application des mthodes VAD sur le signal EMG 67
uniforme et SNR=5dB
Figure 3.23: Application lalgorithme ALED sur EMG rel (approche indirecte)
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
Chapitre 3 : Application des mthodes VAD sur le signal EMG 71
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
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.
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
Chapitre 4 : Application de mthode CA-CFAR sur le signal EMG 71
N
V= xi
N
i= +1
2
Chapitre 4 : Application de mthode CA-CFAR sur le signal EMG 72
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.
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)
Simulation 4.1.a : Dans cette simulation numrique, nous allons tudier les performances
de lalgorithme CFAR, sur 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 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.
Simulation 4.3.a : Dans cette simulation numrique, nous allons tudier les performances
de lalgorithme CA-CFAR, sur un signal synthtique affect par un bruit gaussien, pour
diffrentes valeurs du SNR = 5 dB, 15 dB et 30 dB. Les rsultats obtenus sont prsents
dans les figures 4.10, 4.11 et 4.12. Ils mettent en vidence, de trs bonnes performances de
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).
Chapitre 4 : Application de mthode CA-CFAR sur le signal EMG 76
et SNR=30dB
Chapitre 4 : Application de mthode CA-CFAR sur le signal EMG 78
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.
Simulation 4.1.b : Dans cette simulation numrique, nous allons tudier les performances
de lalgorithme CFAR, sur 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. 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.
Simulation 4.3.b : Dans cette simulation numrique, nous allons tudier les performances
de lalgorithme ALED, sur un signal synthtique affect par un bruit gaussien, pour
diffrentes valeurs du SNR = 5 dB, 15 dB et 30 dB. Les rsultats obtenus sont prsents
dans les figures 4.20, 4.21 et 4.22. Ils mettent en vidence, de trs bonnes performances de
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.
Chapitre 4 : Application de mthode CA-CFAR sur le signal EMG 82
et SNR=15dB
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.
Chapitre5 :
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 ( ).
Chapitre 5. Etude comparative entre les deux algorithmes CA-CFAR et ALED
88
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
Chapitre 5. Etude comparative entre les deux algorithmes CA-CFAR et ALED
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
1 z
f z ( z )= -1/2
2 w z exp ( 2 2w ),
2
m1 k +1/2
1 T
Pfa =
1- k! (
1
( ) ). T +1k+1 /2 .
k=1
2
+
z
+ z
1F z ( )
Pmiss
= fz (z)P(U > T )dz= fz (z) T dz ;
0 0
m1 k +1/2
1 T
Pmiss= 1 ).(1+SNR)k .
k ! ( ( ) k +1/ 2
(T + SNR+ 1)
k=1
2
alors :
Chapitre 5. Etude comparative entre les deux algorithmes CA-CFAR et ALED
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
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
Chapitre 5. Etude comparative entre les deux algorithmes CA-CFAR et ALED
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
Fi
gure 5.2: Comparaison la probabilit de fausse alarme entre CA-CFAR/ALED: bruit
gaussien (approchr directe)
(approche indirecte)
Chapitre 5. Etude comparative entre les deux algorithmes CA-CFAR et ALED
101
(approche indirecte)
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