Segmentation des signaux électromyographiques de longue durée - Application à l'étude de l’inconfort

International audienceLa détection et la segmentation de changement sont les premières étapes dans beaucoup d'applications en traitement des signaux. La plupart des algorithmes de segmentation sont basés sur la théorie de détection et des tests statistiques d'hypothèse. Quand les paramètres des hypothèses sont connus, les chercheurs utilisent un algorithme efficace appelé algorithme CUSUM pour résoudre le problème de la détection. Cet algorithme est basé sur le rapport de logarithme de vraisemblance. L'algorithme de CUSUM est optimal car il optimise le retard à la détection quand le temps moyen entre fausses alarmes tend vers l'infini. Dans beaucoup d'applications, les modifications peuvent affecter l'énergie, la fréquence ou ces deux paramètres en même temps. La détection d'un changement fréquentiel peut être effectuée en utilisant l'algorithme de CUSUM appliqué sur les innovations d'un modèle AR. Les coefficients AR contiennent des informations sur le contenu spectral du signal. Dans la plupart d'applications, les paramètres des hypothèses à détecter sont souvent inconnus et d'autres algorithmes doivent être appliqués pour la détection des changements. Ces algorithmes sont basés sur le calcul d'une somme cumulative dynamique (DCS) du rapport de logarithme de vraisemblance entre deux hypothèses localement estimées. L'estimation de ces hypothèses se fait à chaque instant t en utilisant deux fenêtres glissantes avant et après le temps courant t. La première partie de cet article fournit une vue globale de l'algorithme CUSUM, en se concentrant sur l'algorithme de somme cumulée dynamique. On présentera les propriétés et limites principales de DCS. Ensuite on propose un nouvel algorithme de détection utilisée pour résoudre ces problèmes. Une méthode automatique pour calculer les seuils est également présentée. On montrera ensuite quelques résultats après application de ces méthodes sur les signaux EMG posturaux