Non-stationary signals, particularly frequency modulated (FM) signals which arecharacterized by their time-varying instantaneous frequencies (IFs), are fundamental to radar, sonar, radio astronomy, biomedical applications, image processing, speech processing, and wireless communications. Time-frequency (TF) analyses of such signals provide two-dimensional mapping of time-domain signals, and thus are regarded as the most preferred technique for detection, parameter estimation, analysis and utilization of such signals. In practice, these signals are often received with compressed measurements as a result of either missing samples, irregular samplings, or intentional under-sampling of the signals. These compressed measurements induce undesired noise-like artifacts in the TF representations (TFRs) of such signals. Compared to random missing data, burst missing samples present a more realistic, yet a more challenging, scenario for signal detection and parameter estimation through robust TFRs. In this dissertation, we investigated the effects of burst missing samples on different joint-variable domain representations in detail. Conventional TFRs are not designed to deal with such compressed observations. On the other hand, sparsity of such non-stationary signals in the TF domain facilitates utilization of sparse reconstruction-based methods. The limitations of conventional TF approaches and the sparsity of non-stationary signals in TF domain motivated us to develop effective TF analysis techniques that enable improved IF estimation of such signals with high resolution, mitigate undesired effects of cross terms and artifacts and achieve highly concentrated robust TFRs, which is the goal of this dissertation. In this dissertation, we developed several TF analysis techniques that achieved the aforementioned objectives. The developed methods are mainly classified into two three broad categories: iterative missing data recovery, adaptive local filtering based TF approach, and signal stationarization-based approaches. In the first category, we recovered the missing data in the instantaneous auto-correlation function (IAF) domain in conjunction with signal-adaptive TF kernels that are adopted to mitigate undesired cross-terms and preserve desired auto-terms. In these approaches, we took advantage of the fact that such non-stationary signals become stationary in the IAF domain at each time instant. In the second category, we developed a novel adaptive local filtering-based TF approach that involves local peak detection and filtering of TFRs within a window of a specified length at each time instant. The threshold for each local TF segment is adapted based on the local maximum values of the signal within that segment. This approach offers low-complexity, and is particularly useful for multi-component signals with distinct amplitude levels. Finally, we developed knowledge-based TFRs based on signal stationarization and demonstrated the effectiveness of the proposed TF techniques in high-resolution Doppler analysis of multipath over-the-horizon radar (OTHR) signals. This is an effective technique that enables improved target parameter estimation in OTHR operations. However, due to high proximity of these Doppler signatures in TF domain, their separation poses a challenging problem. By utilizing signal self-stationarization and ensuring IF continuity, the developed approaches show excellent performance to handle multiple signal components with variations in their amplitude levels. / Electrical and Computer Engineering

No description available.

No description available.

Recently, Radio Frequency Identification (RFID) technology has become commonplace in many applications. It is based on storing and remotely retrieving the data embedded on the tags. The tag structure can be chipped or chipless. In chipped tags, an integrated IC attached to the antenna is biased by an onboard battery or interrogating signal. Compared to barcodes, the chipped tags are expensive because of the existence of the chip. That was why chipless RFID tags are demanded as a cheap candidate for chipped RFID tags and barcodes. As its name expresses, the geometry of the tag acts as both modulator and scatterer. As a modulator, it incorporates data into the received electric field launched from the reader antenna and reflects it back to the receiving antenna. The scattered signal from the tag is captured by the antenna and transferred to the reader for the detection process. By employing the singularity expansion method (SEM) and the characteristic mode theory (CMT), a systematic design process is introduced by which the resonant and radiation characteristics of the tag are monitored in the pole diagram versus structural parameters. The antenna is another component of the system. Taking advantage of ultra-wideband (UWB) technology, it is possible to study the time and frequency domain characteristics of the antenna used in chipless RFID system. A new omni-directional antenna element useful in wideband and UWB systems is presented. Then, a new time-frequency technique, called short-time matrix pencil method (STMPM), is introduced as an efficient approach for analyzing various scattering mechanisms in chipless RFID tags. By studying the performance of STMPM in early-time and late-time responses of the scatterers, the detection process is improved in cases of multiple tags located close to each other. A space-time-frequency algorithm is introduced based on STMPM to detect, identify, and localize multiple multi-bit chipless RFID tags in the reader area. The proposed technique has applications in electromagnetic and acoustic-based detection of targets. / Ph. D.

Radio frequency interference (RFI) poses significant challenges for passive microwave radiometry used in climate studies and Earth science. Despite operating in protected frequency bands, microwave radiometers often encounter RFI from sources like air surveillance radars, 5G communications, and unmanned aerial vehicles. Traditional RFI detection methods rely on handcrafted algorithms designed for specific RFI types. This study proposes a deep learning (DL) approach, leveraging convolutional neural networks to detect various RFI types on a global scale. By learning directly from radiometer data, this data-driven method enhances detection accuracy and generalization. The DL framework processes raw moment data and Stokes parameters, dynamically labeled using quality flags, offering a robust and efficient solution for RFI detection. This approach demonstrates the potential for improved RFI mitigation in passive remote sensing applications.

Cette thèse traite de la variabilité temporelle intrinsèque de l'éclairement solaire reçu au sol. Les échelles caractéristiques de variabilité sont mises en évidence par l'analyse de longues séries temporelles de moyennes journalières de l'éclairement, pour différents endroits du monde, issues de mesures pyranométriques au sol, d'estimations satellitaires ou de réanalyses météorologiques .Compte-tenu de la nature non linéaire et non stationnaire des données, la transformée adaptative de Hilbert-Huang est utilisée comme outil d'analyse pour tenir compte de la diversité de ces échelles temporelles. On montre ainsi la nature variable des échelles caractéristiques et de leur intensité, ainsi que leur dépendance vis-à-vis du climat.L'application d'une technique adaptative de ré-échantillonnage fractionnaire montre la juxtaposition d'une composante déterministe et d'une stochastique. Pour tous les jeux de données, le cycle annuel déterministe représente la plus grande partie de la variabilité. Toutes les séries temporelle contiennent une composante de variabilité stochastique à haute fréquence, qui est modulée en amplitude par le cycle annuel.L'approche permet également d'évaluer, échelle par échelle, les performances des estimations satellitaires ou issues de ré-analyses par comparaison avec des mesures pyranométriques au sol. Une étude de cas confirme que les estimations satellitaires surpassent les ré-analyses à toutes les échelles temporelles. / The center of focus for this PhD thesis is the intrinsic temporal variability of the surface solar irradiance (SSI). The characteristic time-scales of variability are revealed by analysing long-term time-series of daily means of SSI, such as ground measurements, satellite estimates, or radiation products from global atmospheric re-analyses, for different geographical locations around the world.To account for the wide range of the time-scales of variability, and given the non-linear and non-stationary nature of the data, the adaptive, data-driven Hilbert-Huang Transform is employed as an analysis tool. The time-varying nature of the characteristic time-scales of variability, along with variations in intensity, are thus revealed.An adaptive fractional re-sampling technique is used to discriminate between the deterministic and the stochastic variability constituents. For all datasets, the deterministic yearly cycle is found to account for the largest part of variability. Furthermore, all time-series are found to contain a high-frequency stochastic variability component, that exhibit cross-scale amplitude modulation by the yearly cycle.A refinement to existing methods for assessing the fitness for use of surrogate SSI products in lieu of ground measurements is also proposed. A case study confirms that satellite estimates outperform re-analyses across all time-scales.

De nos jours, les opérations chirurgicales sont impossibles à imaginer sans anesthésie générale, qui implique la perte de conscience, l'immobilité, l'amnésie et l'analgésie. La compréhension des mécanismes sous-jacents de chacun de ces effets garantit un traitement médical bien contrôlé. Cette thèse se concentre sur l'effet analgésique de l'anesthésie générale, précisément, sur la réaction du patient aux stimuli nociceptifs. Nous étudions également les différences des réactions entre différents médicaments anesthésiques. L'étude a été effectuée sur un ensemble de données constituées de 230 signaux EEG : enregistrements pré- et post-incision obtenus sur 115 patients qui ont reçu du desflurane et du propofol. La première phase de l'étude comprend l'analyse spectrale de puissance, qui est une méthode très répandue dans le traitement du signal. L'information spectrale a été décrite en ajustant l'activité de fond, qui exhibe un comportement $1/f$, aux estimations de la densité spectrale de puissance des signaux d'EEG et en mesurant la puissance contenue dans des bandes delta et alpha par rapport à la puissance de l'activité de fond. Une autre amélioration a été réalisée par l'expansion des spectres avec des informations de temps en raison de la nature non stationnaire observée dans les signaux EEG. Pour obtenir les représentations temps-fréquence des signaux nous appliquons trois méthodes différentes: scalogramme (basé sur la transformée en ondelettes continue), spectrogramme classique, et réaffectation de spectrogramme. Celle-ci permet d'améliorer la lisibilité d'une représentation temps-fréquence en réaffectant l'énergie contenue dans le spectrogramme à des positions plus précises. Par la suite, les spectrogrammes obtenus ont été utilisés pour la reconstruction de l'espace de phase, pour l'analyse récurrence et pour sa quantification par une mesure de complexité. L'analyse de récurrence permet de décrire et visualiser les dynamiques récurrentes d'un système et de découvrir des motifs structurels contenus dans les données. Ici, les diagrammes de récurrence ont été utilisés comme réécriture de grammaire pour transformer le signal original en une séquence symbolique, où chaque symbole représente un certain état du système. Trois mesures de complexité différentes sont alors calculées à partir de ces séquences symboliques afin de les utiliser comme éléments de classification. Enfin, en combinant les caractéristiques obtenues avec l'analyse spectrale de puissance et avec l'analyse symbolique de récurrence, nous effectuons la classification des données en utilisant deux méthodes de classification~: l'analyse discriminante linéaire et les machines à vecteurs de support. La classification a été effectuée sur des problèmes à deux classes, la distinction entre les signaux EEG pré- / post-incision, ainsi qu'entre les deux différents médicaments anesthésiques, desflurane et propofol. / Nowadays, surgical operations are impossible to imagine without general anesthesia, which involves loss of consciousness, immobility, amnesia and analgesia. Understanding mechanisms underlying each of these effects guarantees well-controlled medical treatment. This thesis focuses on analgesia effect of general anesthesia, more specifically, on patients reaction to nociceptive stimuli. We also study differences in the reaction between different anesthetic drugs. The study was conducted on dataset consisting of 230 EEG signals: pre- and post-incision recordings obtained form 115 patients, who received desflurane and propofol. The first stage of the study comprise power spectral analysis, which is a widespread approach in signal processing. Spectral information was described by fitting the background activity, that exposes $1/f$ behavior, to power spectral density estimates of the EEG signals and measuring power contained in delta and alpha bands relatively to the power of background activity. A further improvement was done by expanding spectra with time information due to observed non-stationary nature of EEG signals. To obtain time-frequency representations of the signals we apply three different methods: scalogram (based on continuous wavelet transform), conventional spectrogram, and spectrogram reassignment. The latter allows to ameliorate readability of a time-frequency representation by reassigning energy contained in spectrogram to more precise positions. Subsequently, obtained spectrograms were used as phase space reconstruction in recurrence analysis and its quantification by complexity measure. Recurrence analysis allows to describe and visualize recurrent dynamics of a system and discover structural patterns contained in the data. Here, recurrence plots were used as rewriting grammar to turn an original signal into a symbolic sequence, where each symbol represents a certain state of the system. After computing three different complexity measures of resulting symbolic sequences they are used as features for classification. Finally, combining features obtained with power spectral analysis and recurrence symbolic analysis, we perform classification of the data using two classification methods: linear discriminant analysis and support vector machines. Classification was carried out on two-class problem, distinguishing between pre-/post-incision EEG signals, as well as between two different anesthetic drugs, desflurane and propofol.

De nombreux signaux physiques incluant des signaux audio (musique, parole), médicaux (ECG, PCG), de mammifères marins ou d'ondes gravitationnelles peuvent être modélisés comme une superposition d'ondes modulées en amplitude et en fréquence (modes AM-FM), appelés signaux multicomposantes (SMCs). L'analyse temps-fréquence (TF) joue un rôle central pour la caractérisation de tels signaux et, dans ce cadre, diverses méthodes ont été développées au cours de la dernière décennie. Néanmoins, ces méthodes souffrent d'une limitation intrinsèque appelée le principe d'incertitude. Dans ce contexte, la méthode de réallocation (MR) a été développée visant à améliorer les représentations TF (RTFs) données respectivement par la transformée de Fourier à court terme (TFCT) et la transformée en ondelette continue (TOC), en les concentrant autour des lignes de crête correspondant aux fréquences instantanées. Malheureusement, elle ne permet pas de reconstruction des modes, contrairement à sa variante récente connue sous le nom de transformée synchrosqueezée (TSS). Toutefois, de nombreux problèmes associés à cette dernière restent encore à traiter tels que le traitement des fortes modulations en fréquence, la reconstruction des modes d'un SMC à partir de sa TFCT sous-échantillonnée or l'estimation des signatures TF de modes irréguliers et discontinus. Cette thèse traite principalement de tels problèmes afin de construire des nouvelles méthodes TF inversibles plus puissantes et précises pour l'analyse des SMCs.Cette thèse offre six nouvelles contributions précieuses. La première contribution introduit une extension de TSS d'ordre deux appliqué à la TOC ainsi qu'une discussion sur son analyse théorique et sa mise en œuvre pratique. La seconde contribution propose une généralisation des techniques de synchrosqueezing construites sur la TFCT, connue sous le nom de transformée synchrosqueezée d'ordre supérieur (FTSSn), qui permet de mieux traiter une large gamme de SMCs. La troisième contribution propose une nouvelle technique utilisant sur la transformée synchrosqueezée appliquée à la TFCT de second ordre (FTSS2) et une procédure de démodulation, appelée DTSS2, conduisant à une meilleure performance de la reconstruction des modes. La quatrième contribution est celle d'une nouvelle approche permettant la récupération des modes d'un SMC à partir de sa TFCT sous-échantillonnée. La cinquième contribution présente une technique améliorée, appelée calcul de représentation des contours adaptatifs (CRCA), utilisée pour une estimation efficace des signatures TF d'une plus grande classe de SMCs. La dernière contribution est celle d'une analyse conjointe entre l'CRCA et la factorisation matricielle non-négative (FMN) pour un débruitage performant des signaux phonocardiogrammes (PCG). / Many physical signals including audio (music, speech), medical data (ECG, PCG), marine mammals or gravitational-waves can be accurately modeled as a superposition of amplitude and frequency-modulated waves (AM-FM modes), called multicomponent signals (MCSs). Time-frequency (TF) analysis plays a central role in characterizing such signals and in that framework, numerous methods have been proposed over the last decade. However, these methods suffer from an intrinsic limitation known as the uncertainty principle. In this regard, reassignment method (RM) was developed with the purpose of sharpening TF representations (TFRs) given respectively by the short-time Fourier transform (STFT) or the continuous wavelet transform (CWT). Unfortunately, it did not allow for mode reconstruction, in opposition to its recent variant known as synchrosqueezing transforms (SST). Nevertheless, many critical problems associated with the latter still remain to be addressed such as the weak frequency modulation condition, the mode retrieval of an MCS from its downsampled STFT or the TF signature estimation of irregular and discontinuous signals. This dissertation mainly deals with such problems in order to provide more powerful and accurate invertible TF methods for analyzing MCSs.This dissertation gives six valuable contributions. The first one introduces a second-order extension of wavelet-based SST along with a discussion on its theoretical analysis and practical implementation. The second one puts forward a generalization of existing STFT-based synchrosqueezing techniques known as the high-order STFT-based SST (FSSTn) that enables to better handle a wide range of MCSs. The third one proposes a new technique established on the second-order STFT-based SST (FSST2) and demodulation procedure, called demodulation-FSST2-based technique (DSST2), enabling a better performance of mode reconstruction. The fourth contribution is that of a novel approach allowing for the retrieval of modes of an MCS from its downsampled STFT. The fifth one presents an improved method developed in the reassignment framework, called adaptive contour representation computation (ACRC), for an efficient estimation of TF signatures of a larger class of MCSs. The last contribution is that of a joint analysis of ACRC with non-negative matrix factorization (NMF) to enable an effective denoising of phonocardiogram (PCG) signals.

Le corps humain possède une grande redondance musculo-squelettique, se traduisant par une infinité de coordinations musculaires possibles pour produire un effort résultant. Lors d'un mouvement, le système nerveux central est confronté à la gestion de cette redondance. A travers l’analyse de cohérence entre les signaux électromyographiques, ce travail de thèse étudie le rôle fonctionnel du couplage intermusculaire et explore la contribution des mécanismes nerveux impliqués dans la régulation de la redondance musculaire en termes de contrôle de l’activité des muscles agonistes, et antagonistes impliqués dans le phénomène de co-contraction. Nos résultats ont révélé que le couplage intermusculaire entre deux muscles agonistes est modulé en présence de fatigue et en fonction de l’expertise sportive. De plus, le couplage entre muscles agonistes et antagonistes dépend des contraintes mécaniques et du rôle fonctionnel des muscles, et semble directement lié au niveau de co-contraction. La cohérence intermusculaire est modulée dans plusieurs bandes de fréquence, témoignant de l’implication de différentes commandes centrales communes d’origines spinales et supra-spinales. Nos conclusions amènent à penser que la coordination musculaire est en partie contrôlée par des commandes nerveuses communes dont la contribution est modulée suivant les propriétés fonctionnelles des muscles concernées, pour s’adapter de manière optimale aux contraintes internes ou externes de la tâche. Les travaux déjà engagés proposent de contribuer à une meilleure compréhension des mécanismes sous-jacents l’altération de la fonction motrice chez des patients cérébro-lésés. / The human motor system is characterized by high musculoskeletal redundancy, implying that a given resultant effort can result from infinity of feasible muscle coordinations. During a movement, the central nervous system has to manage such redundancy. Through coherence analysis between electromyographic signals, this thesis work aims at investigating the functional role of intermuscular coupling and at better understanding the contribution of central nervous mechanisms responsible for the regulation of muscle redundancy, in terms of agonist muscle activity and also antagonist muscles activity involved in co-contraction. Our results revealed that intermuscular coupling between agonist muscles is modulated according to both the fatigue level and the training status. We also showed that the coupling between agonist and antagonist muscles depends on the mechanical configuration and functional role of muscle pairs, and seems directly related to co-contraction. The modulation of intermuscular coherence occurs in several frequency bands, suggesting the involvement of different common central drives of spinal and supra-spinal origins according to task constraints. Taken together, our results lead us to conclude that common neural drives take part in the control of muscular coordination, with different relative contribution according to the functional properties of recruited muscles, in order to optimally adapt to both internal and external task contraints. Work already undertaken proposes to provide a better understanding of the mechanisms underlying impairment of motor function in brain-injured patients.

Cette thèse dans le domaine du traitement des signaux non-stationnaires, appliqué aux bruits du cœur mesurés avec un stéthoscope numérique, vise à concevoir un outil automatisé et « intelligent », permettant aux médecins de disposer d’une source d’information supplémentaire à celle du stéthoscope traditionnel. Une première étape dans l’analyse des signaux du cœur, consiste à localiser le premier et le deuxième son cardiaque (S1 et S2) afin de le segmenter en quatre parties : S1, systole, S2 et diastole. Plusieurs méthodes de localisation des sons cardiaques existent déjà dans la littérature. Une étude comparative entre les méthodes les plus pertinentes est réalisée et deux nouvelles méthodes basées sur la transformation temps-fréquence de Stockwell sont proposées. La première méthode, nommée SRBF, utilise des descripteurs issus du domaine temps-fréquence comme vecteur d’entré au réseau de neurones RBF qui génère l’enveloppe d’amplitude du signal cardiaque, la deuxième méthode, nommée SSE, calcule l’énergie de Shannon du spectre local obtenu par la transformée en S. Ensuite, une phase de détection des extrémités (onset, ending) est nécessaire. Une méthode d’extraction des signaux S1 et S2, basée sur la transformée en S optimisée, est discutée et comparée avec les différentes approches qui existent dans la littérature. Concernant la classification des signaux cardiaques, les méthodes décrites dans la littérature pour classifier S1 et S2, se basent sur des critères temporels (durée de systole et diastole) qui ne seront plus valables dans plusieurs cas pathologiques comme par exemple la tachycardie sévère. Un nouveau descripteur issu du domaine temps-fréquence est évalué et validé pour discriminer S1 de S2. Ensuite, une nouvelle méthode de génération des attributs, basée sur la décomposition modale empirique (EMD) est proposée.Des descripteurs non-linéaires sont également testés, dans le but de classifier des sons cardiaques normaux et sons pathologiques en présence des souffles systoliques. Des outils de traitement et de reconnaissance des signaux non-stationnaires basés sur des caractéristiques morphologique, temps-fréquences et non linéaire du signal, ont été explorés au cours de ce projet de thèse afin de proposer un module d’aide au diagnostic, qui ne nécessite pas d’information à priori sur le sujet traité, robuste vis à vis du bruit et applicable dans des conditions cliniques. / This thesis in the field of biomedical signal processing, applied to the heart sounds, aims to develop an automated and intelligent module, allowing medical doctors to have an additional source of information than the traditional stethoscope. A first step in the analysis of heart sounds is the segmentation process. The heart sounds segmentation process segments the PCG (PhonoCardioGram) signal into four parts: S1 (first heart sound), systole, S2 (second heart sound) and diastole. It can be considered one of the most important phases in the auto-analysis of PCG signals. The proposed segmentation module in this thesis can be divided into three main blocks: localization of heart sounds, boundaries detection of the localized heart sounds and classification block to distinguish between S1and S2. Several methods of heart sound localization exist in the literature. A comparative study between the most relevant methods is performed and two new localization methods of heart sounds are proposed in this study. Both of them are based on the S-transform, the first method uses Radial Basis Functions (RBF) neural network to extract the envelope of the heart sound signal after a feature extraction process that operates on the S-matrix. The second method named SSE calculates the Shannon Energy of the local spectrum calculated by the S-transform for each sample of the heart sound signal. The second block contains a novel approach for the boundaries detection of S1 and S2 (onset & ending). The energy concentrations of the S-transform of localized sounds are optimized by using a window width optimization algorithm. Then the SSE envelope is recalculated and a local adaptive threshold is applied to refine the estimated boundaries. For the classification block, most of the existing methods in the literature use the systole and diastole duration (systole regularity) as a criterion to discriminate between S1 and S2. These methods do not perform well for all types of heart sounds, especially in the presence of high heart rate or in the presence of arrhythmic pathologies. To deal with this problem, two feature extraction methods based on Singular Value Decomposition (SVD) technique are examined. The first method uses the S-Transform and the second method uses the Intrinsic Mode Functions (IMF) calculated by the Empirical Mode Decomposition (EMD) technique. The features are applied to a KNN classifier to estimate the performance of each feature extraction method. Nonlinear features are also tested in order to classify the normal and pathological heart sounds in the presence of systolic murmurs. Processing and recognition signal processing tools based on morphological, time-frequency and nonlinear signal features, were explored in this thesis in order to propose an auto-diagnosis module, robust against noise and applicable in clinical conditions.