CE48 - Fondements du numérique : informatique, automatique, traitement du signal

Analyse et Séparation des signaux Complexes: Exploiter la structure Temps-fréquence – ASCETE

Analyse et Séparation de signaux Complexes: Exploiter la structure Temps-fréquencE

Nous cherchons à développer de nouvelles techniques de réallocation qui soient robustes au bruit et qui s'appliquent à des patterns temps-fréquence complexes, de type interférence. Parallèlement, des approches par réseaux de neurones et apprentissage profond seront étudiées pour extraire l'information pertinente de représentations temps-fréquence.

Améliorer les techniques temps-fréquence de réallocation en présence de bruit ou d'interférences

ASCETE est un projet méthodologique dont l'objectif est de se focaliser sur le développement de méthodes adaptatives pour décomposer des signaux complexes non stationnaires en un petit nombre de composantes physiquement significatives. L'accent est mis sur des approches de type réallocation et plus particulièrement comment circonvenir à certaines de leurs limitations, notamment lorsque les données sont bruitées ou lorsque les signaux à analyser présentent des caractéristiques temps-fréquence complexes. Le développement des techniques d’apprentissage appliquées aux représentations temps-fréquence ouvre de nouvelles perspectives<br />dans ce domaine, et nous cherchons à confronter ce type d’approches à des techniques plus classiques que nous développons en parallèle. Une partie non négligeable du projet portera aussi sur les aspects applicatifs des techniques proposées notamment aux domaines de l’analyse des signaux musicaux et des bio-signaux, en particulier les ECGs.

Nous développons de nouvelles approches pour l'étude de la transformée synchrosqueezée de signaux multicomposantes. Dans cet optique, nous regardons comment utiliser les approches utilisant l'apprentissage profond et les réseaux de neurones et cherchons à les comparer aux approches déterministes alternatives que nous développons par ailleurs. Nous cherchons aussi comment combiner les approaches utilisant la factorisation en matrices non négatives et la transformée synchrosqueezée de façon à améliorer la séparation de sources. Par ailleurs, nous nous intéresserons au calcul de la phase à partir du module de la transformée synchrosqueezée.

Dans cette première partie du projet nous avons déjà obtenu des résultats intéressants sur la construction d'un nouveau détecteur de ridges sur les représentations temps-fréquence de signaux multi-composantes bruités [R1]. Par ailleurs, nous avons proposé de nouvelles techniques de reconstruction des modes de tels signaux [R3], une approche conduite par le modèle de détection de ridges [R2], ainsi qu'une comparaison approfondie des techniques de reconstruction de modes utilisant la transformée de Fourier sous-échantillonnée et les techniques de synchrosqueezing [R4].

Par ailleurs les techniques de synchrosqueezing temporel ont aussi été développées [R5] et des approches Bayésiennes pour la détection de ridges ont été développées [C3]. Des comparaisons sont en cours avec les approches déterministes proposées dans ce projet.

Nous pensons rapidement arriver à la définition d'opérateurs de réallocation robustes au bruit et qui se comportent bien en présence d'interférence. Nous sommes en train de développer des outils utilisant les réseaux de neurones pour améliorer les résultats de réallocation quand l'analyse mathématique ne sufffit pas.
Par ailleurs nous allons étudier en détail les relations entre phase et amplitude
dans les transformées de type synchrosqueezing de façon à proposer des algorithmes nouveau de calcul de phase. En termes d'applications, nous allons nous attaquer à des problèmes de séparation de sources pour signaux musicaux et des ECG foetaux.


[R1] N. Laurent and S. Meignen, «A Novel Ridge Detector for Non stationary Multicomponent Signals: Development and Application to Robust Mode Retrieval«, IEEE Transactions on Signal Processing, vol. 69, pp. 3325-3336, may 2021.
[R2] M. Colominas, S. Meignen and D-H. Pham, «Fully Adaptive Ridge Detection Based on STFT Phase Information«, IEEE Signal Processing Letters, vol. 27, no. 1, pp. 620-624, 2020.
[R3] N. Laurent, S. Meignen, «A Novel Time-Frequency Technique for Mode Retrieval Based on Linear Chirp Approximation«, vol. 27, pp. 935-939, IEEE Signal Processing Letters, 2020.
[R4] S. Meignen, D-H. Pham and Marcelo Colominas, «On the use of Short-Time Fourier Transform and Synchrosqueezing Based Demodulation for the Retrieval of the Modes of Multicomponent Signals«, Signal Processing, 100760, vol. 178, january 2021
R5] S. Houidi, D. Fourer and F. Auger, «On the Use of Concentrated Time-Frequency Representations as Input to a Deep Convolutional Neural Network: Application to Non Intrusive Load Monitoring, MDPI, vol. 22, issue: 9.


[C1] N. Laurent, S.Meignen, J. Fontecave-Jallon, B. Rivet, «A Novel Algorithm for Heart Rate Estimation Based on SynchrosqueezingTransform«, EUSIPCO 2021.
[C2] N. Singh, S. Meignen, T. Oberlin «Source Separation Based on Non-Negative Matrix Factorization of the Synchrosqueezing Transform«, EUSIPCO 2021.
[C3] Q. Legros, D. Fourer,«A novel Pseudo-Bayesian Approoach for Robust Multi-Ridge Detection and Mode Retrieval«, EUSIPCO 2021.
[C4] S. Meignen, M. Colominas, and D-H Pham, «On the Use of Rényi Entropy for Optimal Window Size Computation in the Short-Time Fourier Transform«, ICASSP 2020.
[C5] D. Fourer and Francois Auger, «Second-Order Horizontal
Synchrosqueezing of the S-Transform: A Specific Wavelet Case
Study«, EUSIPCO 2020.
[C6] Karol Abratkiewicz, Piotr Samczynski and Dominique Fourer. A Comparison of the Recursive and FFT-based Reassignment Methods in micro-Doppler Analysis. Proc. IEEE radar conf 2020. Florence, Italy.
[C7] D. Fourer and F. Auger. Second-order Time-Reassigned Synchrosqueezing Transform: Application to Draupner Wave
Analysis. EUSIPCO 2019, Coruna, Spain.

Multicomponent signals (MCSs) are ubiquitous in real life signals: for instance, audio (music, speech), medical (electrocardiogram ECG, phonocardiogram PCG electroencephalogram EEG), astronomical (gravitational waves) or echolocation (bats, marine mammals) signals can be modeled as the superimposition of amplitude/frequency modulated (AM/FM) modes. Identifying and separating these constituent modes are challenging tasks due to the variety of MCSs encountered. In this regard, the ANR-ASTRES project focused on the design of advanced, data adaptive, signal and image processing techniques to decompose complex non stationary signals into physically meaningful modes. To this aim, several techniques were investigated based either on a revisit of the reallocation principles through the concept of synchrosqueezing transform (SST), optimization techniques in relation with the notion of sparsity or empirical mode decomposition.

Different extensions of the reassignment techniques, mainly based on a finer analysis of the reassignment operators, were beneficial to improve the original SST by adapting it to modes with strong frequency modulation or fast oscillating phases. Demodulation algorithms were also used in conjunction with SST to improve mode retrieval and extension of these approaches will be discussed in the present project.

In spite of these achievements, the behavior of the synchrosqueezing operators in a noisy environment still needs to be better understood. Furthermore, the extension of SST to bivariate signals will be discussed in the present project, putting the emphasis on noisy cases, and connections will be established between monovariate and bivariate cases.

Moreover, SST even in its most recent variants contains several intrinsic limitations: it assumes first the modes of the MCS to be separated in the time-frequency (TF) plane, and second that they have regular instantaneous phase and amplitude, which precludes the study of modes with finite duration. We propose to try and circumvent these issues in the present project.

In addition to this, if SST is used for mode retrieval, the recovery process relies on a basic ridge extractor which has seldom been discussed, and which we propose to revisit in the present project. As we will see, mode retrieval in that context is also greatly influenced by the time and frequency resolutions, and we will investigate how to perform the reconstruction of the modes from downsampled SST.

Another way to deal with intrinsic limitations of SST such as its robustness to noise and how to deal with overlapping components is to use machine learning approaches like deep neural networks (DNN). We will also investigate how to optimize the filter parameters and the resolution in TF representations as well as how to extract components of an MCS using DNN.

The study of MCS can be seen from another angle which relates to the concept of source separation, for which non negative matrix factorization (NMF) has been extensively used. In the present project, we propose to investigate how NMF can be used in conjunction with SST to improve mode extraction. Since NMF is performed on the magnitude of a TF, the recovery of the mode will also imply that we investigate phase retrieval ; this will be done in the present project.

Finally, we will also address the study of specific applications of SST. In particular, we will study how it applies to the context of audio source separation and how recent extensions of SST to the multivariate setting can be used on EEG recordings for the study of emotional states, and then on ECG and PCG signals for the monitoring of foetal cardiac activity. Note that, in all the developed applications and in term of programming, we will try to be in line with the ASTRES-Toolbox.

Coordinateur du projet

Monsieur Sylvain Meignen (Laboratoire Jean Kuntzmann)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.


LJK Laboratoire Jean Kuntzmann
LTCI Institut Mines-Télécom - Télécom ParisTech

Aide de l'ANR 383 940 euros
Début et durée du projet scientifique : novembre 2019 - 36 Mois

Liens utiles

Explorez notre base de projets financés



L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter