Un arbre de Markov sélectif en fréquence pour la détection de signaux transitoires à faible rapport signal à bruit

摘要

We deal in this paper with the extraction of multiresolution statistical signatures for the characterization of transient signais in strongly noisy contexts. These short-time signais have sharp and highly variable frequency components. The Time-Frequency analysis window to adopt is then a major issue. Thus we have chosen the wavelet packet domain due to its natu-ral ability to provide multiple time-frequency resolutions. We propose a new oriented Markov model dedicated to the wavelet packet transform, which offers sharp analysis of frequency variations in a signal, locally in time and at several resolutions. We show its efficiency on syn-thetic signais and we then illustrate its applicative relevance in a biomedical context related to the detection of transient signais in pulmonary sounds.%Nous nous intéressons dans cet article à l'extraction de comportements statistiques multirésolutions pour la caractérisation et la segmentation de signaux transitoires dans un contexte fortement bruité. Ces signaux de courte durée possèdent des composantes fréquen-tielles très localisées et fortement variables. Le choix du compromis temps/fréquence pour l'étude de ces signaux est donc crucial. Nous nous plaçons de ce fait dans le domaine transformé en paquets d'ondelettes, permettant une analyse fine des variations fréquentielles du signal. Nous proposons un modèle d'arbre de Markov original adapté à la décomposition en paquets d'ondelettes afin d'intégrer l'information multirésolution d'échelle en échelle dans un objectif de segmentation. Nous validons l'approche sur des signaux synthétiques, puis nous illustrons son intérêt applicatif dans un contexte biomédical liée à la détection de signaux transitoires dans les signaux pulmonaires.