Parametric time-frequency analysis and its applications in biomedical and multimedia
Notice bibliographique
Résumé
Analysis of non-stationary signals is a challenging task. The purpose of this thesis is to explore an efficient and powerful technique to analyze and classify two types of non-stationary signals, that is, multimedia signals in higher frequency range (44.1 kHz) and biomedical signals in lower frequency range (2 kHz). An adaptive true non-stationary time -frequency signal analysis tool - matching pursuit, is introduced and applied to decompose the sample signals into time-frequency functions or atoms. Atom parameters are analyzed and manipulated, and discriminant features are extracted from atom parameters. Besides the parameters obtained using matching pursuit, several additional features, such as central energy and octave activeness ratio, are also derived. Linear discriminant analysis and the leave-one-out method are used to evaluate the classification accuracy rate for different feature sets. In the 6-group classification of 96 pieces of 5-second music signals, such as, christmas choir, country, greek music, jazz, rock and scottish music, the accuracy reaches 89.6%, when the feature set includes standard deviation of octave (the scale factor which controls the width of the window function), median of octave, standard deviation of innerProdI (imaginary part of the inner-product between the signal and the atom), standard deviation of realGG (real part of the inner-product between the complex atom and its conjugate), and central energy. For the database of 112 pieces of 10-second music sugnals, the 2-group classification (rock-like and classical-like) accuracy achieves 100%, having a standard deviation of octaves in the first 2,000 atoms as the discriminant feature. An accuracy of 74.2% is obtained for the 2-group knee sound signal classification, and optimum feature set comprises octave activeness ratio, central energy and standard deviation of innerProdI. From our experiments, it is evident that the matching pursuit algorithm with the Gabor dictionary decomposes non-stationary signals, including multimedia signals in higher frequency and biomedical signals in lower frequency ranges, into atoms whose parameters contain strong discriminant information sufficient for accurate and efficient signal classifications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».