Embed Size (px)
Citation preview
Analyse Temps/frequencepour l’identification de signatures pulmonaires
par modeles de Markov caches
LE CAM Steven
LSIIT - UMR CNRS 7005
27 novembre 2009
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 1/43
Le projet ASAP
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 1/43
Le projet ASAP
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 1/43
Le projet ASAP
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 1/43
Le projet ASAP
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 1/43
Le projet ASAP
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 2/43
De l’examen clinique au diagnostique
L’examen clinique est compose des etapes suivantes [Wik]:
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 2/43
De l’examen clinique au diagnostique
L’examen clinique est compose des etapes suivantes [Wik]:
L’observation
Observation de signes cliniques exterieurs (position du patient, difficulte respira-toire...), liee a la connaissance du dossier du patient
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 2/43
De l’examen clinique au diagnostique
L’examen clinique est compose des etapes suivantes [Wik]:
L’observation
Observation de signes cliniques exterieurs (position du patient, difficulte respira-toire...), liee a la connaissance du dossier du patient
La palpation
Methode consistant a explorer le corps de l’exterieur avec les mains
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 2/43
De l’examen clinique au diagnostique
L’examen clinique est compose des etapes suivantes [Wik]:
L’observation
Observation de signes cliniques exterieurs (position du patient, difficulte respira-toire...), liee a la connaissance du dossier du patient
La palpation
Methode consistant a explorer le corps de l’exterieur avec les mains
L’auscultation
S’effectue a l’aide du stethoscope qui permet d’ecouter les bruits provenant del’organisme
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 2/43
De l’examen clinique au diagnostique
L’examen clinique est compose des etapes suivantes [Wik]:
L’observation
Observation de signes cliniques exterieurs (position du patient, difficulte respira-toire...), liee a la connaissance du dossier du patient
La palpation
Methode consistant a explorer le corps de l’exterieur avec les mains
L’auscultation
S’effectue a l’aide du stethoscope qui permet d’ecouter les bruits provenant del’organisme
Le diagnostique est etabli a partir de l’ensemble de ces informations
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 3/43
L’observation
Observation de signes cliniques exterieurs (position du patient, difficulte respiratoire...), liee a la connaissance dudossier du patient
La palpation
Methode consistant a explorer le corps de l’exterieur avec les mains
L’auscultation
S’effectue a l’aide du stethoscope qui permet d’ecouter les bruits provenantde l’organisme
Seule l’information liee a l’acquisition du son nous est donnee.Les difficultes liees a l’analyse de tels signaux sont multiples:
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 3/43
L’observation
Observation de signes cliniques exterieurs (position du patient, difficulte respiratoire...), liee a la connaissance dudossier du patient
La palpation
Methode consistant a explorer le corps de l’exterieur avec les mains
L’auscultation
S’effectue a l’aide du stethoscope qui permet d’ecouter les bruits provenantde l’organisme
Seule l’information liee a l’acquisition du son nous est donnee.Les difficultes liees a l’analyse de tels signaux sont multiples:
Complexite
Grande variabilite des sons respiratoires
Processus d’acquisition partiellement maitrise
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 4/43
Objectifs
ASAP: Faire evoluer la pratique de l’auscultation
Elaborer des systemes embarques pour l’assistance aux medecins
Developper des solutions pour l’aide au diagnostique
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 4/43
Objectifs
ASAP: Faire evoluer la pratique de l’auscultation
Elaborer des systemes embarques pour l’assistance aux medecins
Developper des solutions pour l’aide au diagnostique
These: Apporter une assistance au diagnostique
Mettre a jour de nouveaux marqueurs pathologiques
Proposer une quantification de l’etat pathologique d’un patient
Etablir une mesure de l’evolution des capacites ventilatoires du patient
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 4/43
Objectifs
ASAP: Faire evoluer la pratique de l’auscultation
Elaborer des systemes embarques pour l’assistance aux medecins
Developper des solutions pour l’aide au diagnostique
These: Apporter une assistance au diagnostique
Mettre a jour de nouveaux marqueurs pathologiques
Proposer une quantification de l’etat pathologique d’un patient
Etablir une mesure de l’evolution des capacites ventilatoires du patient
Nous proposons une methodologie basee sur l’analyse desplages porteuses d’informations pour l’extraction de signatures acoustiques
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 5/43
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 5/43
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 5/43
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Contexte 6/43
Plan
1 La detection des phasesLe son respiratoire normalModelisation temps/echelleMethode de detection des phases
2 Detection d’anormalitesRecalage des phasesLes sons adventices continusAnalyse multimodale
3 Arbre multiresolutionGraphe et paquets d’ondelettesArbre de MarkovDetection de transitoires
4 Conclusions et perspectives
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
7/43
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 8/43
Plan
1 La detection des phasesLe son respiratoire normalModelisation temps/echelleMethode de detection des phases
2 Detection d’anormalitesRecalage des phasesLes sons adventices continusAnalyse multimodale
3 Arbre multiresolutionGraphe et paquets d’ondelettesArbre de MarkovDetection de transitoires
4 Conclusions et perspectives
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 9/43
Son respiratoire normal
capte sur la poitrine d’une personne en bonne sante
produit par le mouvement de l’air dans le conduit respiratoire
Cycle respiratoire
Compose de phases d’inspiration et d’expiration, entrecoupes de phasesd’apnees
Intensite maximale entre 100 Hz et 300 Hz
Inspiration =⇒ 1/2 du cycle
Expiration =⇒ 1/3 du cycle
Inspiration/Expiration =⇒ 11dB dans la bande [100 − 300] Hz
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 10/43
Visualisation et Ecoute
0 1 2 3 4 5 6 7 8 9 10
−1
−0.8
−0.6
−0.4
−0.2
0
0.2
0.4
0.6
0.8
1
Signal normal
temps (secondes)
Son respiratoire normal - Signal temporel
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 10/43
Visualisation et Ecoute
Normal
Son respiratoire normal - Spectrogramme
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 11/43
Decomposition en paquets d’ondelettes (DPO)
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 11/43
Decomposition en paquets d’ondelettes (DPO)
Coefficients de paquets d’ondelettes:
[187.5-250]Hz
0 1 2 3 4 5
−0.06
−0.04
−0.02
0
0.02
0.04
0.06
Segmentation en phase
temps (s)
Am
plitu
de
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 11/43
Decomposition en paquets d’ondelettes (DPO)
Coefficients de paquets d’ondelettes:
[187.5-250]Hz
0 1 2 3 4 5
−0.06
−0.04
−0.02
0
0.02
0.04
0.06
Segmentation en phase
temps (s)
Am
plitu
de
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 12/43
Coefficients de paquets d’ondelettes
0 2 4 6 8 10 12 14 16−0.08
−0.04
0
0.04
0.08
Temps (s)
Am
plitu
de
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 12/43
Coefficients de paquets d’ondelettes
0 2 4 6 8 10 12 14 16−0.08
−0.04
0
0.04
0.08
Temps (s)
Am
plitu
deDistributions gaussiennes
0 20 40 60 80−0.08
−0.04
0
0.04
0.08
Am
plitu
de
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 12/43
Coefficients de paquets d’ondelettes
0 2 4 6 8 10 12 14 16−0.08
−0.04
0
0.04
0.08
Temps (s)
Am
plitu
deDistributions gaussiennes
0 20 40 60 80−0.08
−0.04
0
0.04
0.08
Am
plitu
de
0 2 4 6 8 10 12 14 160
0.01
0.02
0.03
0.04
0.05
Temps (s)
Ene
rgie
Energie
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 12/43
Coefficients de paquets d’ondelettes
0 2 4 6 8 10 12 14 16−0.08
−0.04
0
0.04
0.08
Temps (s)
Am
plitu
deDistributions gaussiennes
0 20 40 60 80−0.08
−0.04
0
0.04
0.08
Am
plitu
de
0 2 4 6 8 10 12 14 160
0.01
0.02
0.03
0.04
0.05
Temps (s)
Ene
rgie
Energie
0 0.01 0.02 0.03 0.040
0.01
0.02
0.03
0.04
0.05
Ene
rgie
Distributions du χ2
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 13/43
Chaıne de Markov Cachee a Bruit Independant (CMC-BI){
Xn+1 ⊥⊥ X1:n|Xn
Yn ⊥⊥ Z1:N\n|Xn
=⇒ p(zn|zn−1) = p(xn|xn−1)fA(yn|xn)
d d d dd d d
t tt tyn−3 yn−1 ynyn−2
xnxn−1xn−2xn−3
X ∈ {ω1 : Apnee, ω2 : Expiration, ω3 : Inspiration}
Apports
Fonction d’observation basee sur l’energie du signal
Regularisation apportee par l’a priori
Point faible
L’a priori sur la cyclicite des phases n’est pas exploite
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 13/43
Chaıne de Markov Cachee a Bruit Independant (CMC-BI){
Xn+1 ⊥⊥ X1:n|Xn
Yn ⊥⊥ Z1:N\n|Xn
=⇒ p(zn|zn−1) = p(xn|xn−1)fA(yn|xn)
d d d dd d d
t tt tyn−3 yn−1 ynyn−2
xnxn−1xn−2xn−3
X ∈ {ω1 : Apnee, ω2 : Expiration, ω3 : Inspiration}
Apports
Fonction d’observation basee sur l’energie du signal
Regularisation apportee par l’a priori
Point faible
L’a priori sur la cyclicite des phases n’est pas exploite
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 13/43
Chaıne de Markov Cachee a Bruit Independant (CMC-BI){
Xn+1 ⊥⊥ X1:n|Xn
Yn ⊥⊥ Z1:N\n|Xn
=⇒ p(zn|zn−1) = p(xn|xn−1)fA(yn|xn)
d d d dd d d
t tt tyn−3 yn−1 ynyn−2
xnxn−1xn−2xn−3
X ∈ {ω1 : Apnee, ω2 : Expiration, ω3 : Inspiration}
Apports
Fonction d’observation basee sur l’energie du signal
Regularisation apportee par l’a priori
Point faible
L’a priori sur la cyclicite des phases n’est pas exploite
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 13/43
Chaıne de Markov Cachee a Bruit Independant (CMC-BI){
Xn+1 ⊥⊥ X1:n|Xn
Yn ⊥⊥ Z1:N\n|Xn
=⇒ p(zn|zn−1) = p(xn|xn−1)fA(yn|xn)
d d d dd d d
t tt tyn−3 yn−1 ynyn−2
xnxn−1xn−2xn−3
X ∈ {ω1 : Apnee, ω2 : Expiration, ω3 : Inspiration}
Apports
Fonction d’observation basee sur l’energie du signal
Regularisation apportee par l’a priori
Point faible
L’a priori sur la cyclicite des phases n’est pas exploite
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 13/43
Chaıne de Markov Cachee a Bruit Independant (CMC-BI){
Xn+1 ⊥⊥ X1:n|Xn
Yn ⊥⊥ Z1:N\n|Xn
=⇒ p(zn|zn−1) = p(xn|xn−1)fA(yn|xn)
d d d dd d d
t tt tyn−3 yn−1 ynyn−2
xnxn−1xn−2xn−3
X ∈ {ω1 : Apnee, ω2 : Expiration, ω3 : Inspiration}
Apports
Fonction d’observation basee sur l’energie du signal
Regularisation apportee par l’a priori
Point faible
L’a priori sur la cyclicite des phases n’est pas exploite
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 14/43
Chaıne de Markov Triplet a Bruit Independant (CMT-BI)
Tn = (Vn, Yn) et Vn = (Un, Xn)
Vn+1 ⊥⊥ V1:n|Vn
Yn ⊥⊥ T1:N\n|Xn
=⇒ p(tn|tn−1) = p(vn|vn−1)fA(yn|xn)
d d d dd d d
t tt tyn−3 yn−1 ynyn−2
xnxn−1xn−2xn−3
un−3 un−2 un−1 un
d d d d
Le processus U modelise l’information de position dans le cycle de la respiration
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 15/43
Contrainte ck
La matrice de transition sur X est conditionnee par la position dans lecycle, i.e par l’etat λk ∈ Λ pris par U: aij|λk
A chaque element λk ∈ Λ est associe une valeur ck :
ck =1
2+ a · cos(
2π
τck), 0 ≤ a ≤
1
2
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 15/43
Contrainte ck
La matrice de transition sur X est conditionnee par la position dans lecycle, i.e par l’etat λk ∈ Λ pris par U: aij|λk
A chaque element λk ∈ Λ est associe une valeur ck :
ck =1
2+ a · cos(
2π
τck), 0 ≤ a ≤
1
2
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 15/43
Contrainte ck
La matrice de transition sur X est conditionnee par la position dans lecycle, i.e par l’etat λk ∈ Λ pris par U: aij|λk
A chaque element λk ∈ Λ est associe une valeur ck :
ck =1
2+ a · cos(
2π
τck), 0 ≤ a ≤
1
2
temps (s)
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 16/43
Resultats
Coefficients d’ondelettes
0 2 4 6 8 10 12 14 16−0.08
−0.04
0
0.04
0.08
Temps (s)
Ampl
itude
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 16/43
Resultats
Coefficients d’ondelettes
0 2 4 6 8 10 12 14 16−0.08
−0.04
0
0.04
0.08
Temps (s)
Ampl
itude
Energie
0 2 4 6 8 10 12 14 160
0.01
0.02
0.03
0.04
0.05
Temps (s)
Ener
gie
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 16/43
Resultats
Coefficients d’ondelettes
0 2 4 6 8 10 12 14 16−0.08
−0.04
0
0.04
0.08
Temps (s)
Ampl
itude
Energie
0 2 4 6 8 10 12 14 160
0.01
0.02
0.03
0.04
0.05
Temps (s)
Ener
gie
0 2 4 6 8 10 12 14 16Temps (s)
ω1
ω2
ω3
Segmentation CMC-BI
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 16/43
Resultats
Coefficients d’ondelettes
0 2 4 6 8 10 12 14 16−0.08
−0.04
0
0.04
0.08
Temps (s)
Ampl
itude
Energie
0 2 4 6 8 10 12 14 160
0.01
0.02
0.03
0.04
0.05
Temps (s)
Ener
gie
0 2 4 6 8 10 12 14 16Temps (s)
ω1
ω2
ω3
Segmentation CMC-BI
0 2 4 6 8 10 12 14 16
0
1
Temps (s)
ω1
ω2
ω3
Segmentation CMT-BI
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 16/43
Resultats
Coefficients d’ondelettes
0 2 4 6 8 10 12 14 16−0.08
−0.04
0
0.04
0.08
Temps (s)
Ampl
itude
Energie
0 2 4 6 8 10 12 14 160
0.01
0.02
0.03
0.04
0.05
Temps (s)
Ener
gie
0 2 4 6 8 10 12 14 16Temps (s)
ω1
ω2
ω3
Segmentation CMC-BI
0 2 4 6 8 10 12 14 16
0
1
Temps (s)
ω1
ω2
ω3
Segmentation CMT-BI
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 17/43
Resultats
Coefficients d’ondelettes
0 2 4 6 8 10 12
−0.2
−0.1
0
0.1
0.2
Temps (s)
Ampl
itude
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 17/43
Resultats
Coefficients d’ondelettes
0 2 4 6 8 10 12
−0.2
−0.1
0
0.1
0.2
Temps (s)
Ampl
itude
Energie
0 2 4 6 8 10 120
0.04
0.08
0.12
0.16
0.2
Temps (s)
Ener
gie
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 17/43
Resultats
Coefficients d’ondelettes
0 2 4 6 8 10 12
−0.2
−0.1
0
0.1
0.2
Temps (s)
Ampl
itude
Energie
0 2 4 6 8 10 120
0.04
0.08
0.12
0.16
0.2
Temps (s)
Ener
gie
0 2 4 6 8 10 12
Temps (s)
ω3
ω2
ω1
Segmentation CMC-BI
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 17/43
Resultats
Coefficients d’ondelettes
0 2 4 6 8 10 12
−0.2
−0.1
0
0.1
0.2
Temps (s)
Ampl
itude
Energie
0 2 4 6 8 10 120
0.04
0.08
0.12
0.16
0.2
Temps (s)
Ener
gie
0 2 4 6 8 10 12
Temps (s)
ω3
ω2
ω1
Segmentation CMC-BI
0 2 4 6 8 10 12
0
1
Temps (s)
ω3
ω2
ω1
Segmentation CMT-BI
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Le son respiratoire normal Modelisation temps/echelle Methode de detection des phases 17/43
Resultats
Coefficients d’ondelettes
0 2 4 6 8 10 12
−0.2
−0.1
0
0.1
0.2
Temps (s)
Ampl
itude
Energie
0 2 4 6 8 10 120
0.04
0.08
0.12
0.16
0.2
Temps (s)
Ener
gie
0 2 4 6 8 10 12
Temps (s)
ω3
ω2
ω1
Segmentation CMC-BI
0 2 4 6 8 10 12
0
1
Temps (s)
ω3
ω2
ω1
Segmentation CMT-BI
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
18/43
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 19/43
Plan
1 La detection des phasesLe son respiratoire normalModelisation temps/echelleMethode de detection des phases
2 Detection d’anormalitesRecalage des phasesLes sons adventices continusAnalyse multimodale
3 Arbre multiresolutionGraphe et paquets d’ondelettesArbre de MarkovDetection de transitoires
4 Conclusions et perspectives
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 20/43
Le medecin
s’aide de son experience
utilise plusieurs points d’auscultation
s’appuie sur les antecedents du patient
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 20/43
Le medecin
s’aide de son experience
utilise plusieurs points d’auscultation
s’appuie sur les antecedents du patient
Le recalage offre la possibilite de
Normaliser les sons respiratoires sur un temps de phase commun
Fusionner plusieurs modalites d’informations complementaires
Quantifier l’evolution d’une anormalite
Configurations
Confrontation automatique pour classification dans la base
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 20/43
Le medecin
s’aide de son experience
utilise plusieurs points d’auscultation
s’appuie sur les antecedents du patient
Le recalage offre la possibilite de
Normaliser les sons respiratoires sur un temps de phase commun
Fusionner plusieurs modalites d’informations complementaires
Quantifier l’evolution d’une anormalite
Configurations
Deux phases provenant d’une meme son d’auscultation: robustesse de l’analyse
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 20/43
Le medecin
s’aide de son experience
utilise plusieurs points d’auscultation
s’appuie sur les antecedents du patient
Le recalage offre la possibilite de
Normaliser les sons respiratoires sur un temps de phase commun
Fusionner plusieurs modalites d’informations complementaires
Quantifier l’evolution d’une anormalite
Configurations
Deux phases provenant de deux positions differentes sur le buste du patient:recouper les informations
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 20/43
Le medecin
s’aide de son experience
utilise plusieurs points d’auscultation
s’appuie sur les antecedents du patient
Le recalage offre la possibilite de
Normaliser les sons respiratoires sur un temps de phase commun
Fusionner plusieurs modalites d’informations complementaires
Quantifier l’evolution d’une anormalite
Configurations
Deux phases provenant de deux sons d’auscultation distant dans le temps: suivide patient
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 21/43
splines cubiques
L’interpolation par les splines cubiques permet le recalage tout en preservant lescaracteristiques statistiques du signal
0 1 2 3 4 5
−0.06
−0.04
−0.02
0
0.02
0.04
0.06
Segmentation en phase
temps (s)
Am
plitu
de
0 2 4 6 8 10 12 14 16
−0.1
−0.05
0
0.05
0.1
temps (s)
Am
plitu
de
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 21/43
splines cubiques
L’interpolation par les splines cubiques permet le recalage tout en preservant lescaracteristiques statistiques du signal
0 0.1 0.2 0.3 0.4 0.5 0.6−0.04
−0.02
0
0.02
0.04Mode 1 − SonNormal
temps (secondes)
Am
plitu
de
0 0.1 0.2 0.3 0.4 0.5 0.6
−0.05
0
0.05
Mode 2 − SonNormal
temps (secondes)
Am
plitu
de
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 22/43
Les sons adventices continus
sont generes par l’obstruction ou le retrecissement des voies respiratoires
sont qualifies de musicaux: sibilances, ronchi, stridor
s’ajoutent au son respiratoire normal
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 22/43
Les sons adventices continus
sont generes par l’obstruction ou le retrecissement des voies respiratoires
sont qualifies de musicaux: sibilances, ronchi, stridor
s’ajoutent au son respiratoire normal
Caracteristiques
duree superieure a 100ms
frequence fondamentale de 200 Hz jusqu’a 1000 Hz
Forme d’onde sinusoıdale
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 22/43
Les sons adventices continus
sont generes par l’obstruction ou le retrecissement des voies respiratoires
sont qualifies de musicaux: sibilances, ronchi, stridor
s’ajoutent au son respiratoire normal
Caracteristiques
duree superieure a 100ms
frequence fondamentale de 200 Hz jusqu’a 1000 Hz
Forme d’onde sinusoıdale
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45−5
−4
−3
−2
−1
0
1
2
3
4
5
temps (s)
Forme d’onde d’un sibilant
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 23/43
Sibilant
Sibilances
Sibilances - Spectrogramme
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 23/43
Sibilant
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8−0.02
−0.015
−0.01
−0.005
0
0.005
0.01
0.015
0.02
Temps (s)
Am
plitu
de
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
−0.05
−0.04
−0.03
−0.02
−0.01
0
0.01
0.02
0.03
0.04
0.05
Temps (s)
Am
plitu
de
Coefficients de paquets d’ondelettes
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 23/43
Sibilant
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8−0.02
−0.015
−0.01
−0.005
0
0.005
0.01
0.015
0.02
Temps (s)
Am
plitu
de
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
−0.05
−0.04
−0.03
−0.02
−0.01
0
0.01
0.02
0.03
0.04
0.05
Temps (s)
Am
plitu
de
0 2 4 6 8−0.02
−0.015
−0.01
−0.005
0
0.005
0.01
0.015
0.02
Am
plitu
de
0 5 10−0.05
−0.04
−0.03
−0.02
−0.01
0
0.01
0.02
0.03
0.04
0.05
Am
plitu
de
Coefficients de paquets d’ondelettes et histogrammes d’amplitude
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 24/43
Modelisation
Gaussiennes generalisees
fGG (x , α, σ, µ) = η(α)α2Γ(1/α)
exp(−(η(α)|x−µ|)α)
Ou η(α) =[
Γ(3/α)
σ2Γ(1/α)
] 12
Gaussiennes generalisees
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 24/43
Modelisation
Gaussiennes generalisees
fGG (x , α, σ, µ) = η(α)α2Γ(1/α)
exp(−(η(α)|x−µ|)α)
Ou η(α) =[
Γ(3/α)
σ2Γ(1/α)
] 12
Gaussiennes generalisees
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 25/43
Lois gaussiennes generalisees multivariees
La theorie des copules
Soit y = (y 1, ..., yd) un vecteur d’observations. Alors il existe unefonction C , appelee copule et definie sur l’intervalle [0, 1]d , qui permet delier la distribution jointe f (y 1, ..., yd) a ces distributions marginalesf 1(y 1), ..., f d(yd)
Densite jointe de la loi gaussienne generalisee multivariee:
fggm(y 1...yd) = f1gg (y
1) · ... · f dgg (y
d) × cg (F1(y 1), ..., F d(yd))
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 25/43
Lois gaussiennes generalisees multivariees
La theorie des copules
Soit y = (y 1, ..., yd) un vecteur d’observations. Alors il existe unefonction C , appelee copule et definie sur l’intervalle [0, 1]d , qui permet delier la distribution jointe f (y 1, ..., yd) a ces distributions marginalesf 1(y 1), ..., f d(yd)
Densite jointe de la loi gaussienne generalisee multivariee:
fggm(y 1...yd) = f1gg (y
1) · ... · f dgg (y
d) × cg (F1(y 1), ..., F d(yd))
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 25/43
Lois gaussiennes generalisees multivariees
La theorie des copules
Soit y = (y 1, ..., yd) un vecteur d’observations. Alors il existe unefonction C , appelee copule et definie sur l’intervalle [0, 1]d , qui permet delier la distribution jointe f (y 1, ..., yd) a ces distributions marginalesf 1(y 1), ..., f d(yd)
Densite jointe de la loi gaussienne generalisee multivariee:
fggm(y 1...yd) = f1gg (y
1) · ... · f dgg (y
d) × cg (F1(y 1), ..., F d(yd))
ρ = 0
−3 0 3
3
0
−3
ρ = 0.6
−3 0 3
3
0
−3
iso-contours de la densite d’une variable bidimensionnelle gaussienne generalisee - α = (5, 1.5)
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 26/43
Modelisation markovienne
Modele CMC-BI multivarie (CMC-BIm){
Xn+1 ⊥⊥ X1:n|Xn
Yn ⊥⊥ Z1:N\n|Xn
=⇒ p(zn|zn−1) = p(xn|xn−1)fMA (y 1
n , ..., ydn |xn)
d d d dd d d
t tt tyn−3 yn−1 ynyn−2
xnxn−1xn−2xn−3
Prise en compte de l’information sur plusieurs modalites
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 26/43
Modelisation markovienne
Modele CMC-BI multivarie (CMC-BIm){
Xn+1 ⊥⊥ X1:n|Xn
Yn ⊥⊥ Z1:N\n|Xn
=⇒ p(zn|zn−1) = p(xn|xn−1)fMA (y 1
n , ..., ydn |xn)
d d d dd d d
t tt tyn−3 yn−1 ynyn−2
xnxn−1xn−2xn−3
Prise en compte de l’information sur plusieurs modalites
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 27/43
Resultats
Mode 1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7−0.08
−0.04
0
0.04
0.08
Temps (s)
Ampl
itude
0 0.2 0.4 0.6 0.8
Temps (s)
ω1
ω2
CMC-BI
Table: Parametres estimes
Mode 1σ2 e−3 (0.33, 0.68)
α (2.19, 2.02)
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 27/43
Resultats
Mode 2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7−0.08
−0.04
0
0.04
0.08
Temps (s)
Ampl
itude
0 0.2 0.4 0.6 0.8
Temps (s)
ω2
ω1
CMC-BI
Table: Parametres estimes
Mode 1 Mode 2σ2 e−3 (0.33, 0.68) (0.47, 1.43)
α (2.19, 2.02) (1.87, 4.55)
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 27/43
Resultats
Mode 1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7−0.08
−0.04
0
0.04
0.08
Temps (s)
Ampl
itude
Mode 2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7−0.08
−0.04
0
0.04
0.08
Temps (s)
Ampl
itude
0 0.2 0.4 0.6 0.8
Temps (s)
ω1
ω2
CMC-BIm
Table: Parametres estimes
Mode 1 & 2σ2 e−3 (0.45, 0.86), (0.47, 1.37)
α (1.60, 8.95), (1.81, 4.49)
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 28/43
Resultats
Mode 1
0 0.2 0.4 0.6 0.8 1
−0.02
0
0.02
Temps (s)
Ampl
itude
0 0.2 0.4 0.6 0.8 1
Temps (s)
ω2
ω1
CMC-BI
Table: Parametres estimes
Mode 1σ2 e−3 (0.066, 0.086)
α (2.96, 2.33)
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 28/43
Resultats
Mode 2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
−0.04
−0.02
0
0.02
0.04
Temps (s)
Ampl
itude
0 0.2 0.4 0.6 0.8 1
Temps (s)
ω1
ω2
CMC-BI
Table: Parametres estimes
Mode 1 Mode 2σ2 e−3 (0.066, 0.086) (0.34, 0.66)
α (2.96, 2.33) (1.27, 2.9)
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Recalage des phases Les sons adventices continus Analyse multimodale 28/43
Resultats
Mode 1
0 0.2 0.4 0.6 0.8 1
−0.02
0
0.02
Temps (s)
Ampl
itude
Mode 2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
−0.04
−0.02
0
0.02
0.04
Temps (s)
Ampl
itude
0 0.2 0.4 0.6 0.8 1
Temps (s)
ω2
ω1
CMC-BIm
Table: Parametres estimes
Mode 1 & 2σ2 e−3 (0.062, 0.094), (0.24, 0.49)
α (2.23, 4.40), (1.93, 4.35)
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
29/43
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 30/43
Plan
1 La detection des phasesLe son respiratoire normalModelisation temps/echelleMethode de detection des phases
2 Detection d’anormalitesRecalage des phasesLes sons adventices continusAnalyse multimodale
3 Arbre multiresolutionGraphe et paquets d’ondelettesArbre de MarkovDetection de transitoires
4 Conclusions et perspectives
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 31/43
Objectifs
Detecter des sons transitoires a faible rapport signal a bruit
Apporter une vision temps/frequence a nos analyses
Outils
Exploiter les proprietes depersistance des coefficients dans ladecomposition en paquetsd’ondelettes [LW95]
Capturer les statistiques a l’aided’un modele de Markov enarbre [CB01]
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 31/43
Objectifs
Detecter des sons transitoires a faible rapport signal a bruit
Apporter une vision temps/frequence a nos analyses
Outils
Exploiter les proprietes depersistance des coefficients dans ladecomposition en paquetsd’ondelettes [LW95]
Capturer les statistiques a l’aided’un modele de Markov enarbre [CB01]
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 31/43
Objectifs
Detecter des sons transitoires a faible rapport signal a bruit
Apporter une vision temps/frequence a nos analyses
Outils
Exploiter les proprietes depersistance des coefficients dans ladecomposition en paquetsd’ondelettes [LW95]
Capturer les statistiques a l’aided’un modele de Markov enarbre [CB01]
Persistance des coefficients dans la
decomposition en paquets d’ondelettes
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 31/43
Objectifs
Detecter des sons transitoires a faible rapport signal a bruit
Apporter une vision temps/frequence a nos analyses
Outils
Exploiter les proprietes depersistance des coefficients dans ladecomposition en paquetsd’ondelettes [LW95]
Capturer les statistiques a l’aided’un modele de Markov enarbre [CB01]
Persistance des coefficients dans la
decomposition en paquets d’ondelettes
Modele d’arbre de Markov pour
l’analyse multiresolution de signaux 2D
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 32/43
Decomposition en paquets d’ondelettes et dependance entre coefficients
Chaque paquet a l’echelle m est decompose en deux paquets mieuxresolus frequentiellement au detriment de la resolution temporelle
Cette decomposition induit un recouvrement des supportstemps/frequences, et donc une dependance entre coefficients
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 32/43
Decomposition en paquets d’ondelettes et dependance entre coefficients
Chaque paquet a l’echelle m est decompose en deux paquets mieuxresolus frequentiellement au detriment de la resolution temporelle
Cette decomposition induit un recouvrement des supportstemps/frequences, et donc une dependance entre coefficients
Decomposition de l’echelle m vers l’echelle m − 1
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 32/43
Decomposition en paquets d’ondelettes et dependance entre coefficients
Chaque paquet a l’echelle m est decompose en deux paquets mieuxresolus frequentiellement au detriment de la resolution temporelle
Cette decomposition induit un recouvrement des supportstemps/frequences, et donc une dependance entre coefficients
Decomposition de l’echelle m vers l’echelle m − 1
Recouvrement des supports temps/frequence d’une echelle a l’autre
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 33/43
Sites associes aux paquets d’ondelettes des racines S r aux feuilles S f
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 33/43
Soit le couple de sites s = {(1, 1), (1, 2)} ∈ S f −1
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 33/43
Ils sont lies aux deux sites s− = {(3, 1), (4, 1)} ∈ S f −2
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 33/43
Ils sont lies aux deux sites s− = {(3, 1), (4, 1)} ∈ S f −2
Definitions
s− = {(3, 1), (4, 1)} ∈ S f −2 ⇒ formants
s− = {(1, 1), (1, 2)} ∈ S f −1 ⇒ produits
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 33/43
Les formants sont a l’origine des produits dans l’arbre: orientation ascendante
Definitions
s− = {(3, 1), (4, 1)} ∈ S f −2 ⇒ formants
s− = {(1, 1), (1, 2)} ∈ S f −1 ⇒ produits
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 33/43
On etend les relations aux niveaux > f − 1 et < f − 2...
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 33/43
On etend les relations aux niveaux > f − 1 et < f − 2...
Definitions
A chaque couple produit est associe un sous-arbre de dependance Υ
La decision pour chaque couple produit est obtenu en integrantl’information sur l’ensemble du sous-arbre associe Υ
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 33/43
Graphe global
Definitions
En generalisant a l’ensemble de l’arbre, on obtient le graphe global compose d’unenchevetrement de sous-arbres locaux
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 33/43
Schema de base du graphe global
Definitions
Ce motif constitue le noyau du transition du graphe, et permet de poser deshypotheses de Markov
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 34/43
Modele d’arbre adapte a la DPO (AMCwp-BI)
Xs ⊥⊥ X<s− |Xs−
Xsg ⊥⊥ Xsd |X<s−
Xsd ⊥⊥ Xsg |X<s−
Ys ⊥⊥ ZS\s |Xs
⇒ p(zs|zs−) = p(xsg |xs−)fA(ysg |xsg )p(xsd |xs−)fA(ysd |xsd )
Specifications
aij,k = p(xs = ωk |xs− = {ωi , ωj}) ∀s ∈ S\S r
fA est une loi gaussienne generalisee
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 34/43
Modele d’arbre adapte a la DPO (AMCwp-BI)
Xs ⊥⊥ X<s− |Xs−
Xsg ⊥⊥ Xsd |X<s−
Xsd ⊥⊥ Xsg |X<s−
Ys ⊥⊥ ZS\s |Xs
⇒ p(zs|zs−) = p(xsg |xs−)fA(ysg |xsg )p(xsd |xs−)fA(ysd |xsd )
Specifications
aij,k = p(xs = ωk |xs− = {ωi , ωj}) ∀s ∈ S\S r
fA est une loi gaussienne generalisee
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 34/43
Modele d’arbre adapte a la DPO (AMCwp-BI)
Xs ⊥⊥ X<s− |Xs−
Xsg ⊥⊥ Xsd |X<s−
Xsd ⊥⊥ Xsg |X<s−
Ys ⊥⊥ ZS\s |Xs
⇒ p(zs|zs−) = p(xsg |xs−)fA(ysg |xsg )p(xsd |xs−)fA(ysd |xsd )
Specifications
aij,k = p(xs = ωk |xs− = {ωi , ωj}) ∀s ∈ S\S r
fA est une loi gaussienne generalisee
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 34/43
Modele d’arbre adapte a la DPO (AMCwp-BI)
Xs ⊥⊥ X<s− |Xs−
Xsg ⊥⊥ Xsd |X<s−
Xsd ⊥⊥ Xsg |X<s−
Ys ⊥⊥ ZS\s |Xs
⇒ p(zs|zs−) = p(xsg |xs−)fA(ysg |xsg )p(xsd |xs−)fA(ysd |xsd )
Specifications
aij,k = p(xs = ωk |xs− = {ωi , ωj}) ∀s ∈ S\S r
fA est une loi gaussienne generalisee
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 35/43
Segmentation
Segmentation en deux classes
Application sur trois niveaux de paquet d’ondelettes: {m−1, m et m+1}
Interpretation
Interpretation des resultats au niveau m
L’estimee du parametre de forme α comme une mesure pathologique
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 35/43
Segmentation
Segmentation en deux classes
Application sur trois niveaux de paquet d’ondelettes: {m−1, m et m+1}
Interpretation
Interpretation des resultats au niveau m
L’estimee du parametre de forme α comme une mesure pathologique
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 35/43
Segmentation
Segmentation en deux classes
Application sur trois niveaux de paquet d’ondelettes: {m−1, m et m+1}
Interpretation
Interpretation des resultats au niveau m
L’estimee du parametre de forme α comme une mesure pathologique
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 35/43
Segmentation
Segmentation en deux classes
Application sur trois niveaux de paquet d’ondelettes: {m−1, m et m+1}
Interpretation
Interpretation des resultats au niveau m
L’estimee du parametre de forme α comme une mesure pathologique
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 35/43
Segmentation
Segmentation en deux classes
Application sur trois niveaux de paquet d’ondelettes: {m−1, m et m+1}
Interpretation
Interpretation des resultats au niveau m
L’estimee du parametre de forme α comme une mesure pathologique
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 35/43
Segmentation
Segmentation en deux classes
Application sur trois niveaux de paquet d’ondelettes: {m−1, m et m+1}
Interpretation
Interpretation des resultats au niveau m
L’estimee du parametre de forme α comme une mesure pathologique
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 36/43
Resultats
Pg−
0 0.4 0.8 1.2 1.6 2−0.08
−0.04
0
0.04
0.08
Temps (s)
Ampl
itude
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 36/43
Resultats
Pg−
0 0.4 0.8 1.2 1.6 2−0.08
−0.04
0
0.04
0.08
Temps (s)
Ampl
itude
CMC − BI
0 0.4 0.8 1.2 1.6 2
Temps (s)
ω1
ω2
Table: Parametres estimes
param. CMC-BI
(σg−
)2 e−3 (0.26, 0.61)
αg−
(1.94, 1.74)
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 36/43
Resultats
Pg−
0 0.4 0.8 1.2 1.6 2−0.08
−0.04
0
0.04
0.08
Temps (s)
Ampl
itude
CMC − BI
0 0.4 0.8 1.2 1.6 2
Temps (s)
ω1
ω2
0 0.4 0.8 1.2 1.6 2
Temps (s)
ω1
ω2
AMCwp − BI
Table: Parametres estimes
param. CMC-BI AMCwp-BI
(σg−
)2 e−3 (0.26, 0.61) (0.35, 0.97)
αg−
(1.94, 1.74) (1.60, 3.1)
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 37/43
Resultats
Pd−
0 0.4 0.8 1.2 1.6 2
−0.02
0
0.02
Temps (s)
Ampl
itude
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 37/43
Resultats
Pd−
0 0.4 0.8 1.2 1.6 2
−0.02
0
0.02
Temps (s)
Ampl
itude
CMC − BI
0 0.4 0.8 1.2 1.6 2
Temps (s)
ω1
ω2
Table: Parametres estimes
CMC-BI
(σd−
)2 e−3 (0.01, 0.18)
αd−
(2.51, 2.0)
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
Graphe et paquets d’ondelettes Arbre de Markov Detection de transitoires 37/43
Resultats
Pd−
0 0.4 0.8 1.2 1.6 2
−0.02
0
0.02
Temps (s)
Ampl
itude
CMC − BI
0 0.4 0.8 1.2 1.6 2
Temps (s)
ω1
ω2
0 0.4 0.8 1.2 1.6 2Temps (s)
ω1
ω2
AMCwp − BI
Table: Parametres estimes
CMC-BI AMCwp-BI
(σd−
)2 e−3 (0.01, 0.18) (0.10, 0.29)
αd−
(2.51, 2.0) (1.98, 5.58)
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
38/43
Plan
1 La detection des phasesLe son respiratoire normalModelisation temps/echelleMethode de detection des phases
2 Detection d’anormalitesRecalage des phasesLes sons adventices continusAnalyse multimodale
3 Arbre multiresolutionGraphe et paquets d’ondelettesArbre de MarkovDetection de transitoires
4 Conclusions et perspectives
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
39/43
Contributions
Une contribution a la mise en place de nouveaux protocoles d’acquisition
Participation a la collecte de sons et a la formation des medecins
Une nouvelle approche pour l’analyse de sons auscultatoires
De nouvelles methodes d’analyse temps/echelles pour l’extractiond’informations enfouis
La mise a jour d’un marqueur pathologique statistique: α
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
40/43
Perspectives
Validation sur la base WebSound, ajustement du seuil de decision
Donner une mesure flou pour le positionnement pathologique du patient
Developpement d’outils d’analyse embarques pour le medecin
Pouvoir apprehender une demande en recrudescence
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
40/43
Perspectives
Validation sur la base WebSound, ajustement du seuil de decision
Donner une mesure flou pour le positionnement pathologique du patient
Developpement d’outils d’analyse embarques pour le medecin
Pouvoir apprehender une demande en recrudescence
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
40/43
Perspectives
Validation sur la base WebSound, ajustement du seuil de decision
Donner une mesure flou pour le positionnement pathologique du patient
Developpement d’outils d’analyse embarques pour le medecinex: positionnement pathologique flou
Pouvoir apprehender une demande en recrudescence
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
41/43
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
42/43
MERCI!
Introduction La detection des phases Detection d’anormalites Arbre multiresolution Conclusions
43/43
References
H. Choi and RG Baraniuk, Multiscale image segmentation using
wavelet-domain hidden markov models, Image Processing, IEEETransactions on 10 (2001), no. 9, 1309–1321.
R.E. Learned and A.S. Willsky, A wavelet packet approach to transient
signal classification, Applied and Computational Harmonic Analysis 2
(1995), no. 3, 265–278.
Wikipedia, http://fr.wikipedia.org/wiki/Examen medical.
