Traitement du signal et d´etection d’´ev´enements

E.3.2.1 Transform ´e par paquet d’ondelette

Les diff´erents signaux de force enregistr´es sont irr´eguliers et d´ependent des humains et de l’objet manipul´e. Sur la figureE.12, un exemple de force exerc´ee lorsque l’objet est saisi par une personne et d’une collision avec la table sont montr´e. Nous pouvons remarquer que les vibrations sont de nature diff´erentes. La saisie fait apparaˆıtre un double pic alors que la collision engendre de plus hautes fr´equences. Dans les deux cas, ni l’amplitude, ni la

dur´ee des vibrations ne permettent de distinguer facilement le type de signal. Cependant des caract´eristiques peuvent ˆetre extraites pour identifier l’´ev´enement, c’est pr´ecis´ement ce que nous souhaitons extraire `a l’aide des techniques d’apprentissage.

Figure E.12: Deux cas typiques de signaux de forces en N. `A gauche, les forces mesur´ees

par Bidule lorsque une personne a saisi l’objet tendu par une autre personne. `A droite, les forces mesur´ees lorsque bidule a heurt´e une table.

`

A cause de la redondance de la Transform´e par paquet d’ondelette (WPT), plusieurs repr´esentations existent pour une caract´eristique, une partie des coefficients de d´ecomposition, des informations statistiques sur les coefficients ou la carte d’´energie [Fatourechi 04,Birbaumer 00,

Xue 03]. L’ensemble des coefficients capture toutes les classes de variations et de bruits.

Mais il faudrait un grand nombre d’exp´erience pour les apprendre tous. Deux raisons nous poussent `a s´electionner proprement les caract´eristiques et `a r´eduire la taille de l’ensemble des caract´eristiques. Tout d’abord, la construction d’un grand ensemble de donn´ees de ma- nipulation est un travail fastidieux. Ensuite, le classement doit ˆetre effectu´e en ligne `a la fr´equence du contrˆoleur. Nous proposons de consid´erer le temps et la fr´equence s´epar´ement en combinant d’une part des coefficients et d’autre part une partie de la carte d’´energie.

La carte d’´energie relativerepr´esente la carte de la distribution du signal par rapport au temps et `a la fr´equence. La carte d’´energie est utilis´ee pour capturer l’information fr´equentielle. Chaque niveau de la WPT d´ecompose le signal en une repr´esentation temps- fr´equence de diff´erente pr´ecision. Pour chaque sous-bande de l’arbre, voir figureE.13, une valeur de l’´energie est calcul´ee `a partir de tous les coefficients de la sous-bande. Si nous appelons b une sous-bande et x(k) les coefficients de cette sous-bande, alors son ´energie eb

est :

eb=

∑

k

(x(k))2 (E.32)

L’´energie est calcul´ee `a travers tout l’arbre jusqu’au niveau qui fournit une pr´ecision suffisante pour la fr´equence, celle-ci est d´efinie pr´ealablement. Ensuite toutes ces ´energies sont normalis´ees par rapport `a l’´energie totale (e0) du signal dans la fenˆetre temporelle :

Eb= eb

e₀ (E.33)

o`u e0est l’´energie totale du signal. Pour un ´echantillon `a apprendre, nous ´ecrivons l’ensemble des caract´eristiques E = {Eb}, il inclut l’´energie relative de toutes les sous-bandes s´electionn´ees. Remarquons qu’un grand nombre d’´el´ements `a apprendre sont nuls, ce qui est normal car les ondelettes produisent une repr´esentation clairsem´ee du signal originel. Voir [Mallat 08] pour plus de d´etail sur cette propri´et´e de WPT. Nous devons ensuite choisir les caract´eristiques les plus discriminantes de E pour r´eduire encore plus la taille du vecteur de caract´eristique.

La carte d’´energie est ind´ependante de l’amplitude et de la dur´ee des vibrations dans le signal originel. Elle ne conserve pas non plus l’information temporelle.

SLL₂ SLH₂ SHL₂ SHH₂

SL₁ S₁H

S0

Figure E.13: Les sous-bandes d’un arbre WPT `a trois niveaux. L signifie que la sous-bande est filtr´ee par un filtre passe-bas, puis sa fr´equence d’´echantillonnage r´eduite. H signifie que la sous-bande est filtr´ee par un filtre passe-haut, puis sa fr´equence d’´echantillonnage r´eduite. Les sous-bande bleus repr´esentent la partie basse fr´equence de chaque niveau.

Les coefficients des sous-bandes sont s´electionn´es pour capturer la forme globale du

signal. Dans notre cas, l’objectif est double : conserver l’information sur la variation du poids lorsque le receveur commence `a tenir l’objet ´echang´e et d´eduire le bon instant pour ouvrir les doigts. Le robot soit aussi diff´erentier deux signaux identiques mais d´ecal´es dans le temps. Nous choisissons les coefficients de la premi`ere sous-bande d’un niveau de l’arbre WPT. Il contient l’information de basse fr´equence du signal avec une taille r´eduite. Nous notons S cet ensemble de caract´eristique. Sur la figureE.13, les candidats sont de couleur bleu. Comme chaque niveau contient une sous-bande de basse fr´equence, le choix du niveau

est fait `a partir d’un compromis entre l’erreur de classification et la taille de l’ensemble des caract´eristiques produites. Plus le niveau de la sous-bande est ´elev´e et moins elle est pr´ecise en temps. Les coefficients sont ensuite normalis´es entre z´ero et un comme pour la carte d’´energie relative.

Le choix des coefficients de la premi`ere sous-bande d’un niveau est bas´e sur une con- naissance pr´ealable du signal pour toutes les caract´eristiques du probl`eme consid´er´e et notamment cette sous-bande doit bien capturer les pics du signal de force. Pour certains signaux qui contiennent uniquement des composantes de haute fr´equence, le choix de la sous-bande doit ˆetre fait par un algorithme de s´election des caract´eristiques.

E.3.2.2 Analyse discriminante lin ´eaire de Fisher

Nous proposons d’utiliser l’analyse discriminante lin´eaire de Fisher (Fisher LDA) pour s´electionner les caract´eristiques et r´eduire la dimension du probl`eme de classification. La LDA de Fisher est un outil de classification et de r´eduction de la dimension des probl`emes. Un des outils les plus utilis´es pour la r´eduction de la dimension est l’analyse en composantes principales (PCA). Les deux techniques sont comparables, mais la LDA est mieux adapt´e `a notre probl`eme. En effet la PCA est une transformation lin´eaire orthogonale qui trans- forme les donn´ees dans un nouveau r´ef´erentiel dans lequel la plus grande variance d’une projection des donn´ees sur une direction est obtenue pour la premi`ere coordonn´ee, dite composante principale, la seconde plus grande sur le deuxi`eme axe et ainsi de suite.

Consid´erons un ensemble de donn´ees X ∈ RN×Pdans lequel xi∈ RP, 0 ≤ i ≤ N est une donn´ee de l’ensemble. La moyenne est suppos´e nulle pour cet ensemble, si elle n’est pas nulle l’ensemble peut ˆetre normalis´e. Les N lignes repr´esentent les N donn´ees d’entr´e qui comprennent chacune P ´el´ements. L’objectif est de trouver une matrice de projection telle que :

Y = W X (E.34)

telle qu’une variable individuelle de Y consid´er´ee h´erite du maximum possible de variance des X avec la contrainte que chaque vecteur wide W consid´er´e soit unitaire.

La LDA de Fisher cherche le meilleur poids w pour maximiser l’objectif :

J(w) = w T_S Bw wT_S Ww (E.35) o`u SB est la matrice de dispersion entre les classes et SW la matrice de dispersion avec les classes. La valeur de J repr´esente la s´eparabilit´e des classes pour l’ensemble ou le sous- ensemble consid´er´e de caract´eristiques. Les deux matrices sont calcul´ees par :

SB =

∑

∑

∑

o`u ¯xest la moyenne pour l’ensemble des points, c repr´esente l’´etiquette de la classe et µc est la valeur moyenne pour la classe de donn´ees. Une propri´et´e important de la projection J est qu’elle est invariante par mise `a l’´echelle du vecteur w. Ceci est utile car il est toujours

de choisir w pour que wTSWw = 1. Le probl`eme de la maximisation de J se transforme

alors en un probl`eme d’optimisation d´efini par :

minw − 1 2w T SBw (E.38) s.t. wTSww = 1 (E.39)