Η επεξεργασία του εγκεφαλογραφικού σήματος με τη χρήση νέων υπολογιστικών τεχνικών δίνει τεράστια ώθηση στη μελέτη νευροφυσιολογικών ερωτημάτων. Η χρήση αυτών των μεθόδων από ερευνητές με ελάχιστες γνώσεις προγραμματισμού απαιτεί την ανάπτυξη ενός εύχρηστου γραφικού περιβάλλοντος που να περιλαμβάνει εργαλεία για την αυτοματοποιημένη εφαρμογή των υπολογιστικών τεχνικών. Στην παρούσα εργασία παρουσιάζεται το γραφικό περιβάλλον που αναπτύχθηκε στη Μονάδα Νευροφυσιολογίας στο Εργαστήριο Φυσιολογίας της Ιατρικής Σχολής του Πανεπιστημίου Πατρών για την υποστήριξη των εγκεφαλογραφικών μελετών. Επεξηγούνται οι δυσκολίες της επεξεργασίας εγκεφαλογραφικού σήματος, οι λόγοι που καθιστούν τη χρήση ήδη υπαρχόντων εργαλείων αδύνατη ή ασύμφορη και δικαιολογείται η επιλογή της πλατφόρμας του MATLAB για την ανάπτυξη του περιβάλλοντος. Δίνεται αναλυτικά η πορεία υλοποίησης του προγράμματος και οι οδηγίες χρήσης του. Το περιβάλλον περιλαμβάνει μεθόδους για εισαγωγή δεδομένων από το πρόγραμμα καταγραφής Neuroscan, επιλογή τμημάτων για επεξεργασία, απεικονίσεις στα πεδία του χρόνου, του χώρου και της συχνότητας, εφαρμογή φίλτρων, ανάλυση προκλητών δυναμικών με παρουσίαση μέσης κυματομορφής και μέσου φασματογραφήματος, δημιουργία εικονικών καναλιών και συνεργασία με άλλα προγράμματα όπως τη χρήση της μεθόδου ανάλυσης ανεξαρτήτων συνιστωσών του EEGLAB. Παρουσιάζονται τα αποτελέσματα από τη χρήση του προγράμματος σε δυο μελέτες του εργαστηρίου. Καταρχάς, σε φυσιολογικό ύπνο για τη μελέτη της σχέσης δυο κυματομορφών του δεύτερου σταδίου του ύπνου, των συμπλεγμάτων Κ και των ατράκτων του ύπνου, όπου διαπιστώθηκε ότι η εμφάνιση του συμπλέγματος Κ επηρεάζει τη συχνότητα των ατράκτων όταν συμπίπτουν χρονικά. Έπειτα, σε παθολογικό ύπνο για τη διερεύνηση μεταβολών του θαλαμοφλοιικού κυκλώματος και των ατράκτων του ύπνου σε ένα παιδί με ιστορικό επιληψίας αφαιρέσεων παιδικής ηλικίας. Σε αυτή την περίπτωση διαπιστώθηκε η ύπαρξη ενός ρυθμού με χαρακτηριστικά παρόμοια των ατράκτων του ύπνου, αλλά σε διαφορετική συχνότητα, ενώ παράλληλα, σημαντικά μειωμένη ήταν η εμφάνιση φυσιολογικών ατράκτων. Τέλος, αναδεικνύονται τα πλεονεκτήματα της χρήσης του περιβάλλοντος και συζητείται η εκπλήρωση των στόχων και αναγκών του εργαστηρίου μέσα από το πρόγραμμα καθώς και οι πιθανές μελλοντικές επεκτάσεις. / The use of novel computational techniques in the analysis of encephalographic signals has given a huge boost to the study of neurophysiological questions. The use of such methods by researchers who have little knowledge of computer programming requires the development of a user-friendly graphical interface that includes tools for the automated application of these computational techniques. The present work presents the graphical interface developed at the Neurophysiology Unit of the University of Patras' Medical School for the support of EEG studies. The difficulties of the processing of EEG signals and the reasons that render the use of existing tools impossible or unfit are explained and I justify the choice of the MATLAB platform for the development of the environment. The course of the realization of the program and directions for its use are given in detail. The environment includes methods that import data from the Neuroscan recording system, select portions for processing, plot data over time, space and frequency, apply filters, analyze event-related potentials using average waveform and average spectrogram views, create virtual channels and cooperate with other programs, like using EEGLAB's technique of independent component analysis. The results of using the program in two laboratory studies are presented. First, it helped analyze normal sleep data, for the study of the relationship between two graphoelements of the second NREM sleep stage, the K complex and the sleep spindle. It was shown that the occurrence of a K complex affects the frequency of a spindle when they coincide. Next, in abnormal sleep data, for the study of possible changes of the thalamocortical pathway and sleep spindles on a child with medical history of childhood absence. In this case, the appearance of a rhythmic wave with attributes similar of a sleep spindle but different frequency of oscillation was shown, while at the same time, the incidence of normal spindles was significantly lower. Finally, the advantages of using this environment are shown and the fulfillment of the lab's goals and needs by the program, as well as possible future expansions, are discussed.

The problem studied in this thesis, is the classification of the small-scale aircraft targets by using a natural resonance based electromagnetic feature extraction technique. The aircraft targets are modeled by perfectly conducting, thin wire structures. The electromagnetic back-scattered data used in the classification process, are numerically generated for five aircraft models. A contemporary signal processing tool, the Wigner-Ville distribution is employed in this study in addition to using the principal components analysis technique to extract target features mainly from late-time target responses. The Wigner-Ville distribution (WD) is applied to the electromagnetic back-scattered responses from different aspects. Then, feature vectors are extracted from suitably chosen late-time portions of the WD outputs, which include natural resonance related v information, for every target and aspect to decrease aspect dependency. The database of the classifier is constructed by the feature vectors extracted at only a few reference aspects. Principal components analysis is also used to fuse the feature vectors and/or late-time aircraft responses extracted from reference aspects of a given target into a single characteristic feature vector of that target to further reduce aspect dependency. Consequently, an almost aspect independent classifier is designed for small-scale aircraft targets reaching high correct classification rate.

Electrocardiography (ECG) has been established as one of the most useful diagnostic tools in medicine and is critical in the management of various heart conditions. Automated or semi-automated ECG analysis algorithms are expected to play an important role in the utilization of the ECG data. The correct identification of the QRS complexes is a fundamental step in every ECG analysis method. A major problem that is often encountered in automatic QRS detection is the presence of artifacts in the ECG data, which cause considerable alterations to the signal. Some common filters can smooth the effect of the artifacts, however they cannot eliminate them due to their spectral frequency overlap with the signal components. In this thesis, the objective was to develop a method, based on Time-Frequency Analysis that would be able to automatically detect and remove artifacts in order to increase the reliability of automatic QRS detection. The ECG data used for this purpose was taken from the Physionet library and more specifically from the MIMIC II database. The data in this database was acquired from ICU patients and it contains various types of rhythms as well as artifacts. First, a Graphical User Interface (GUI) was developed in order to manually annotate ECG data and was used for creating the ground truth for testing the methods developed. The Time-Frequency Analysis method used for the analysis of the ECG data, was based on a time-varying Autoregressive (AR) model whose solutions were obtained using Burg’s method. Several factors that affect the effectiveness of the method were investigated in order to optimize the algorithm experimentally. The algorithm implemented performs three main functions: “Artifact Hypothesis Testing,” “Artifact Detection and Removal,” and “QRS Complex Detection.” The first step, “Artifact Hypothesis Testing,” examines whether the signal contains any artifact or not. This is performed with a correct classification rate of 95.56%. The second step was the “Artifact Detection and Removal,” which could detect and remove the artifact area with an accuracy of 95.60% based on each signal sample identified as artifact or not. The final step, the “QRS Complex Detection,” correctly identified 92% of QRS complexes (322 out of 335 annotated QRS complexes). Finally, the proposed method was compared with one of the most commonly used methods in ECG analysis, the Wavelet Transform Analysis (WTA). The two methods were tested on exactly the same dataset. The WTA resulted in an overall score of 65.3% mainly due to the large number of false positive detections in the regions of artifact. / Το ηλεκτροκαρδιογράφημα (ΗΚΓ) έχει καθιερωθεί ως ένα από τα πιο χρήσιμα εργαλεία διάγνωσης στην ιατρική και είναι πολύ σημαντικό στη διαχείριση καρδιαγγειακών παθήσεων. Αυτοματοποιημένοι ή ημι-αυτοματοποιημένοι αλγόριθμοι ανάλυσης του ΗΚΓ αναμένεται να έχουν σημαντικό ρόλο στη χρήση των δεδομένων του ΗΚΓ. Η σωστή αναγνώριση των συμπλεγμάτων QRS είναι βασικό βήμα σε κάθε μέθοδο ανάλυσης του ΗΚΓ. Ένα σημαντικό πρόβλημα που συχνά προκύπτει σε αυτόματη ανίχνευση QRS είναι η παρουσία των τεχνητών σφαλμάτων (artifacts) στα δεδομένα ΗΚΓ, τα οποία προκαλούν σημαντικές αλλαγές στο σήμα. Κάποια κοινά φίλτρα μπορούν να εξομαλύνουν τις επιπτώσεις των τεχνητών σφαλμάτων, ωστόσο δεν μπορούν να τα εξαλείψουν λόγω της μεγάλης επικάλυψης του φάσματος συχνοτήτων τους με αυτού των στοιχείων του σήματος. Στην παρούσα εργασία στόχος ήταν η ανάπτυξη μιας μεθόδου, βασισμένης στην Ανάλυση Χρόνου-Συχνότητας, που θα είναι σε θέση να εντοπίσει αυτόματα και να αφαιρεί τα τεχνητά σφάλματα, ώστε να έχουμε μια πιο αξιόπιστη μέθοδο αυτόματης ανίχνευσης των QRS. Τα δεδομένα ΗΚΓ που χρησιμοποιήθηκαν για το σκοπό αυτό λήφθηκαν από τη βιβλιοθήκη Physionet και πιο συγκεκριμένα από τη βάση δεδομένων MIMIC II. Τα δεδομένα σε αυτή τη βάση δεδομένων προέρχονται από ασθενείς της Μονάδας Εντατικής Θεραπείας, και ως εκ τούτου, περιέχουν διάφορα είδη ρυθμών αλλά και τεχνητών σφαλμάτων. Αρχικά, ένα Γραφικό Περιβάλλον Χρήστη (GUI), σχεδιάστηκε για τη χειροκίνητη σηματοδότηση των διάφορων περιοχών ΗΚΓ σημάτων και χρησιμοποιήθηκε για τη δημιουργία των αληθών αποτελεσμάτων για δοκιμή της μεθόδου. H Ανάλυση Χρόνου-Συχνότητας έγινε με τη χρήση ενός χρονικά μεταβαλλόμενου Αυτοπαλινδρομικού (AR) μοντέλου οι λύσεις του οποίου βρέθηκαν με τη μέθοδο Burg. Ακολούθησε η διερεύνηση διαφόρων παραγόντων που επηρεάζουν την αποτελεσματικότητα της μεθόδου, προκειμένου να βελτιστοποιηθεί πειραματικά η μέθοδος. Ο αλγόριθμος που υλοποιήθηκε εκτελεί τρεις βασικές λειτουργίες: “Artifact Hypothesis Testing,” “Artifact Detection and Removal” και “QRS Complex Detection.” Κατ’ αρχήν, το βήμα "Artifact Hypothesis Testing" εξετάζει αν το σήμα περιέχει τεχνητό σφάλμα ή όχι, με το ποσοστό σωστής ταξινόμησης να ανέρχεται στο 95.56%. Το δεύτερο βήμα, η ανίχνευση και αφαίρεση της περιοχής του τεχνητού σφάλματος, έγινε με ακρίβεια 95.60% με βάση το πόσα σημεία του σήματος αναγνωρίστηκαν ως τεχνητό σφάλμα ή όχι. Τέλος, το συνολικό ποσοστό ορθής ανίχνευσης των συμπλεγμάτων QRS ήταν 92% (322 από τα 335 QRS που επισημάνθηκαν χειροκίνητα). Τέλος, έγινε μια σύγκριση μεταξύ της προτεινόμενης μεθόδου και μιας μεθόδου ανάλυσης ΗΚΓ που χρησιμοποιείται πολύ συχνά, της ανάλυσης με Μετασχηματισμό Wavelet (WTA). Οι δύο μέθοδοι δοκιμάστηκαν στα ίδια ακριβώς δεδομένα. Η ορθή ανίχνευση των συμπλεγμάτων QRS με τη μέθοδο WTA ήταν 65.3% κυρίως λόγω του μεγάλου αριθμού ψευδώς θετικών αποτελεσμάτων στις περιοχές των τεχνητών σφαλμάτων.

abstract: This work examines two main areas in model-based time-varying signal processing with emphasis in speech processing applications. The first area concentrates on improving speech intelligibility and on increasing the proposed methodologies application for clinical practice in speech-language pathology. The second area concentrates on signal expansions matched to physical-based models but without requiring independent basis functions; the significance of this work is demonstrated with speech vowels. A fully automated Vowel Space Area (VSA) computation method is proposed that can be applied to any type of speech. It is shown that the VSA provides an efficient and reliable measure and is correlated to speech intelligibility. A clinical tool that incorporates the automated VSA was proposed for evaluation and treatment to be used by speech language pathologists. Two exploratory studies are performed using two databases by analyzing mean formant trajectories in healthy speech for a wide range of speakers, dialects, and coarticulation contexts. It is shown that phonemes crowded in formant space can often have distinct trajectories, possibly due to accurate perception. A theory for analyzing time-varying signals models with amplitude modulation and frequency modulation is developed. Examples are provided that demonstrate other possible signal model decompositions with independent basis functions and corresponding physical interpretations. The Hilbert transform (HT) and the use of the analytic form of a signal are motivated, and a proof is provided to show that a signal can still preserve desirable mathematical properties without the use of the HT. A visualization of the Hilbert spectrum is proposed to aid in the interpretation. A signal demodulation is proposed and used to develop a modified Empirical Mode Decomposition (EMD) algorithm. / Dissertation/Thesis / Doctoral Dissertation Electrical Engineering 2016

Dans le cadre de la surveillance maritime, les opérationnels ont de plus en plus recours à l'imagerie radar pour classifier à grande distance un objet marin. Le traitement ISAR (Inverse Synthetic Aperture Radar) répond à ce besoin. Il repose en particulier sur l'analyse des mouvements propres de l'objet marin. Une fois l'objet détecté, il s'agit d'afficher sur la console tactique la représentation de la fréquence Doppler en fonction de la distance, aussi appelée image range-Doppler. Le travail présenté dans ce mémoire s'inscrit dans une perspective d'évolution opérationnelle de la chaîne de traitement existante. Il vise à produire de manière automatique la « meilleure » image range-Doppler. Dans cette thèse, nos contributions s'appuient sur l'idée de reconsidérer la chaîne de traitement en tenant compte de l'a priori que l'objet marin est un objet rigide dont la géométrie structure l'évolution du signal radar. Ainsi, dans une première contribution, nous proposons une nouvelle méthode d'analyse temps-fréquence du signal radar afin d'obtenir une image instantanée où l'opérationnel peut distinguer « au mieux » les superstructures de l'objet marin. Cette dernière est fondée sur la fusion de plusieurs représentations temps-fréquence issues de la classe de Cohen en faisant l'hypothèse que les composantes temps-fréquence sont des trajectoires structurées 2D dans le plan temps-fréquence, contrairement aux termes d'interférences induits par la propriété de bilinéarité des membres de cette classe. Une étude comparative sur données synthétiques et ISAR est menée pour confirmer la pertinence de notre approche, notamment du point de vue de la résolution temps-fréquence et de la suppression des termes d'interférences.Dans une seconde contribution, nous établissons une nouvelle procédure pour qualifier chaque image range-Doppler, obtenue à l'issue de l'analyse temps-fréquence, avec des mesures d'irrégularité de formes que nous fusionnons à l'aide d'un opérateur d'agrégation. Des simulations sur données réelles sont réalisées. Les résultats concordent avec une analyse subjective menée par des opérationnels, ce qui confirme l'efficacité de notre méthode. / In maritime surveillance, radar imaging plays a key role to classify a maritime object. ISAR processing is one of the solutions, which takes advantage of the object rotational motion to provide a range-Doppler image.The work, presented in this report, is an evolution of the existing ISAR processing chain. Therefore, our contributions are based on the processing chain reconsideration by taking into account the fact that the maritime object is a rigid object, the geometry of which influences the radar signal evolution.In a first contribution, we propose a new time-frequency analysis method based on the aggregation of some time-frequency representations obtained with Cohen class members. It consists in differentiating the signal, assumed to be characterized by 2-D near-linear stable trajectories in the time-frequency plane, and the cross-terms, assumed to be geometrically unstructured. A comparative study is then carried out on ISAR synthetic data to confirm the efficiency of our approach.In a second contribution, we present a new procedure to characterize each range-Doppler image, obtained from a time-frequency analysis, by means of shape irregularity measures that are combined with a fuzzy logic operator. To validate our approach, simulations on real data are done. The results are compared to a subjective analysis carried out with practionners.

No description available.

This master thesis deals with detection of microsleep on the basis of the changes in power spectrum of EEG signal. The results of time-frequency analysis are input values for the classifikation. Proposed classification method uses fuzzy logic. Four classifiers were designed, which are based on a fuzzy inference systems, that are differ in rule base. The results of fuzzy clustering are used for the design of rule premises membership functions. The two classifiers microsleep detection use only alpha band of the EEG signal’s spectrogram then allows the detection of the relaxation state of a person. Unlike to first and second classifiers, the third classifier is supplemented with rules for the delta band, which makes it possible to distinguish the 3 states: vigilance, relaxation and somnolence. The fourth classifier inference system includes the rules for the whole spectrum band. The method was implemented by computer. The program with a graphical user interface was created.

Elektroencefalografický záznamový systém slouží k vyšetření mozkové aktivity. Na základě tohoto vyšetření lze stanovit diagnózu některých nemocí, například epilepsie. Účelem této práce bylo zpracování signálu z toho systému a vytvoření modelového signálu, který bude s reálným signálem porovnán. Uměle vytvořený signál vychází z Jansenova matematického modelu, který byl dále implementován v prostředí MATLAB a rozšířen ze základního modelu na komplexnější zahrnující nelinearity a model rozhraní elektroda – elektrolyt. Dále bylo provedeno měření signálů na EEG fantomu a následná identifikace parametrů naměřených signálu. V první fázi byly testovány jednoduché signály. Identifikace parametrů těchto signálů sloužila k validaci daného EEG fantomu. V druhé fázi bylo přistoupeno k testování EEG signálů navržených podle matematického Jansenova modelu. Analýza veškerých signálů zahrnuje mimo jiné časově frekvenční analýzu či ověření platnosti principu superpozice.

This thesis focuses on different methods to analyze power transmission systems with computer software to aid in detection of faulty or damaged systems. It is split into three sections. The first section involves utilizing finite element software to analyze gear stiffness and stresses. A quasi-static and dynamic analysis are done on two sets of fixed axis spur gears and a planetary gear system using ABAQUS to analyze the stress, strain and gear mesh stiffness variation. In the second section, the vibrational patterns produced by a simple bevel gear system are investigated by an experiment and by dynamic modeling in ADAMS. Using a Fast Fourier Transform (FFT) on the dynamic contact forces, a comprehensive frequency-domain analysis will reveal unique vibration spectra at distinct frequencies around the gear mesh frequencies, their super- and sub- harmonics, and their side-band modulations. ADAMS simulation results are then compared with the experimental results. Constraints, bearing resistant torques, and other key parameters are applied as closely as possible to real operating conditions. The third section looks closely at the dynamic contact forces of a practical two-stage planetary gear. Using the same FFT approach in the second section, a frequency-domain analysis will reveal distinct frequencies around both the first-stage and the second-stage gear mesh frequencies, and their harmonics. In addition, joint time-frequency analysis (JTFA) will be applied to damaged and undamaged planetary gear systems with transient start-up conditions to observe how the frequency contents of the contact force evolve over time.

Les signaux bivariés apparaissent dans de nombreuses applications (optique, sismologie, océanographie, EEG, etc.) dès lors que l'analyse jointe de deux signaux réels est nécessaire. Les signaux bivariés simples ont une interprétation naturelle sous la forme d'une ellipse dont les propriétés (taille, forme, orientation) peuvent évoluer dans le temps. Cette propriété géométrique correspondant à la notion de polarisation en physique est fondamentale pour la compréhension et l'analyse des signaux bivariés. Les approches existantes n'apportent cependant pas de description directe des signaux bivariés ou des opérations de filtrage en termes de polarisation. Cette thèse répond à cette limitation par l'introduction d'une nouvelle approche générique pour l'analyse et le filtrage des signaux bivariés. Celle-ci repose sur deux ingrédients essentiels : (i) le plongement naturel des signaux bivariés -- vus comme signaux à valeurs complexes -- dans le corps des quaternions H et (ii) la définition d'une transformée de Fourier quaternionique associée pour une représentation spectrale interprétable de ces signaux. L'approche proposée permet de définir les outils de traitement de signal usuels tels que la notion de densité spectrale, de filtrage linéaire ou encore de spectrogramme ayant une interprétation directe en termes d'attributs de polarisation. Nous montrons la validité de l'approche grâce à des garanties mathématiques et une implémentation numériquement efficace des outils proposés. Diverses expériences numériques illustrent l'approche. En particulier, nous démontrons son potentiel pour la caractérisation de la polarisation des ondes gravitationnelles. / Bivariate signals appear in a broad range of applications (optics, seismology, oceanography, EEG, etc.) where the joint analysis of two real-valued signals is required. Simple bivariate signals take the form of an ellipse, whose properties (size, shape, orientation) may evolve with time. This geometric feature of bivariate signals has a natural physical interpretation called polarization. This notion is fundamental to the analysis and understanding of bivariate signals. However, existing approaches do not provide straightforward descriptions of bivariate signals or filtering operations in terms of polarization or ellipse properties. To this purpose, this thesis introduces a new and generic approach for the analysis and filtering of bivariate signals. It essentially relies on two key ingredients: (i) the natural embedding of bivariate signals -- viewed as complex-valued signals -- into the set of quaternions H and (ii) the definition of a dedicated quaternion Fourier transform to enable a meaningful spectral representation of bivariate signals. The proposed approach features the definition of standard signal processing quantities such as spectral densities, linear time-invariant filters or spectrograms that are directly interpretable in terms of polarization attributes. More importantly, the framework does not sacrifice any mathematical guarantee and the newly introduced tools admit computationally fast implementations. Numerical experiments support throughout our theoretical developments. We also demonstrate the potential of the approach for the nonparametric characterization of the polarization of gravitational waves.