Fils d'Ariane

University : Main content

Titre de page

Objectif scientifique

Contenu de la page principale

L'axe SIGNAL rassemble deux compétences principales : l'analyse et modélisation spectrale évolutive et le traitement multi-capteurs

L'axe SIGNAL rassemble deux compétences principales :

  1. l'analyse et modélisation spectrale évolutive
  2. le traitement multi-capteurs

Les applications sont diverses :

  • l'analyse et la compréhension des signaux bioélectriques (électrocardiogramme ECG, électromyogramme EMG et phonocardiogramme PCG)
  • la radioastronomie
  • le traitement du signal pour les télécommunications
  • l'analyse vibratoire de machines tournantes
  • l'étude des lignes électriques pour les transmissions par courant porteur en ligne.

Thématiques de recherche :

L'objectif principal est l'extraction de composantes : indicateurs ou paramètres.

  1. Analyse et modélisation spectrale évolutive
    • Traitements temps-fréquence et temps-échelle
    • Analyse cyclostationnaire
  2. Traitements multi-capteurs
    • Estimation paramétrique
    • Techniques de séparation de sources
    • Traitement d'antenne et filtrage spatial
    • Instrumentation & Mesures

Séminaires les jeudis à 13h00 :

Séminaire 1 : jeudi 3 février

Machine Learning Strategies in Time Series Forecasting

par Zuokun OUYANG

Abstract: With the increasing availability of large amount of historical data and the requirement of precise prediction for future values, robust and efficient methods are demanded to capture the dependency of historical observations and the future values. The time series forecasting (TSF) domain has been dominated for decades by statistical methods such as ARIMA models. Over the last decade, machine learning methods have drawn much prominence for their successful applications in many fields like computer vision and natural language processing. This seminar presents an overview of machine learning techniques for time series forecasting with a focus on 1) transforming a TSF into a supervised learning problem; 2) several machine learning techniques for TSF; 3) strategies for multi-step forecasting.


Séminaire 2 : jeudi 3 mars

Estimation des forces de réaction au sol à partir des mesures de semelles instrumentées

par Amal Kammoun

Résumé : Dans le milieu du travail ou du sport, les contraintes mécaniques subies par le travailleur ou le pratiquant peuvent conduire à des troubles fonctionnels moteurs voire des dommages corporels immédiats. Leurs évaluations sont donc un enjeu important de sécurité et de santé pour l’individu. Dans ces milieux, les évaluations sont réalisées par des préventeurs ou des cadres de santé (ergonomes, kinésithérapeutes, médecins) et se fondent encore aujourd’hui sur des évaluations visuelles notamment des grilles de cotation pour l’ergonome. Celles-ci ne tiennent pas compte des réalités biomécaniques qui ne sont pas directement accessibles par un observateur extérieur et sont donc mésestimées. Afin d’apporter une aide à la prise en charge de l’individu dans son activité, il est nécessaire de développer des outils de mesures et de modélisation appropriés qui prendront en compte ces facteurs. Le présent projet de recherche se focalise sur l’estimation des forces de réaction aux contacts pieds-sol, selon les trois composantes du repère corporel humain : composante antéro-postérieure (Fx) ; médio-latérale (Fy) et verticale (Fz). Afin de reconstruire ce vecteur tridimensionnel (Fx, Fy, Fz), les méthodes de traitement mobilisées s’inscriront dans le champ de l’analyse des données et celui de l’intelligence artificielle comprenant les techniques de réduction de dimensionnalité et les méthodes par apprentissage, en mode supervisé et/ou profond.


Séminaire 3 : jeudi 17 mars

Detection of wave front: recent advances and new challenges

par Benjamin Poste

Abstract: Recently, a new algorithm for broadband source detection and estimation based on likelihood has been implemented in order to overcome the errors of the current algorithm: PMCC (based on TDOA, for time difference of arrivals). This study presents the two approaches and compares them in terms of detection and estimation capacity on synthetic signals but also on real signals from the IMS network.

In a second time, the multi-source aspect is also studied through this new algorithm. It is compared with state of the art algorithms such as MUSIC, Fisher or CLEAN. The results are very encouraging in the generalization of the algorithm based on the likelihood for the detection of multiple sources.


Séminaire 4 : jeudi 7 avril

Application de l’algorithme de séparation aveugle à canal unique basé sur EEMD-PCA-FastICA dans l’identification des charges électriques

par Gisèle Béatrice Sonfack

Résumé :  Le déploiement des compteurs intelligents dans le secteur résidentiel fournit une grande quantité de données permettant une meilleure compréhension des habitudes de consommation électrique des occupants afin d’y apporter des solutions d’optimisation d’énergie. Cependant, les méthodes conventionnelles d’analyse des profils de charge électriques domestiques basées sur des techniques de séries temporelles, telles que la transformée de Fourier et la transformée en ondelettes, ont montré des limites du fait des non-linéarités et processus non stationnaires. Dans ce papier, nous présentons une démarche visant l’identification du profile de charge électrique basée sur la détection des modes d’oscillation dans le domaine temps-fréquence associée aux algorithmes conventionnels de traitement de signal. La méthodologie est basée sur la transformée de Hilbert-Huang (HHT) qui permet d’évaluer la fréquence instantanée en utilisant la décomposition en mode empirique (EMD) et plus précisément sa variante CEEMDAN. Grace à la décomposition CEEMDAN du signal d’observation monocanal du courant électrique les composantes multidimensionnelles de l’IMF sont obtenues, et l’analyse en composantes principales (ACP) est effectuée sur la matrice de ces IM[5]F. Le nombre de composants principaux est déterminé et une nouvelle matrice est générée pour satisfaire les conditions de séparation de source aveugle surdéterminées, la nouvelle matrice est ensuite appliquée comme entrée de la FastICA pour réaliser la séparation du signal source. L’étude est réalisée sur deux charges issues de la base de données COOLL et les mélanges ont été effectué artificiellement. L’intérêt de cette démarche réside dans le fait qu’elle permet de contourner la contrainte liée au un nombre d’observations supérieures ou égale au nombre de sources. Elle s’applique donc très bien au contexte de NILM où l’on dispose très souvent d’une seule observation. Par ailleurs, cette méthode révèle l’importance de la fréquence d’échantillonnage des données pour une caractérisation précise du profil de charge.


Séminaire 5 : jeudi 21 avril

SATSal: A Multi-Level Self-Attention Based Architecture for Visual Saliency Prediction

par Merouane Tliba

Abstract:  Human visual Attention modeling is a persistent interdisciplinary research challenge, gaining new interest in recent years mainly due to the latest developments in deep learning. That is particularly evident in saliency benchmarks. Novel deep learning-based visual saliency models show promising results in capturing high-level (top-down) human visual attention processes. Therefore, they strongly differ from the earlier approaches, mainly characterized by low-level (bottom-up) visual features. These developments account for innate human selectivity mechanisms that are reliant on both high- and low-level factors. Moreover, the two factors interact with each other. Motivated by the importance of these interactions, in this project, we tackle visual saliency modeling holistically, examining if we could consider both high- and low-level features that govern human attention. Specifically, we propose a novel method SAtSal (Self-Attention Saliency). SAtSal leverages both high and low-level features using a multilevel merging of skip connections during the decoding stage. Consequently, we incorporate convolutional self-attention modules on skip connection from the encoder to the decoder network to properly integrate the valuable signals from multilevel spatial features. Thus, the self-attention modules learn to filter out the latent representation of the salient regions from the other irrelevant information in an embedded and joint manner with the main encoder-decoder model backbone. Finally, we evaluate SAtSal against various existing solutions to validate our approach, using the well-known standard saliency benchmark MIT300. To further examine SAtSal’s robustness on other image types, we also evaluate it on the Le-Meur saliency painting benchmark.